CN117706943B - 一种换流变阀侧套管末屏分压器的自适应控制方法及系统 - Google Patents
一种换流变阀侧套管末屏分压器的自适应控制方法及系统 Download PDFInfo
- Publication number
- CN117706943B CN117706943B CN202410168891.5A CN202410168891A CN117706943B CN 117706943 B CN117706943 B CN 117706943B CN 202410168891 A CN202410168891 A CN 202410168891A CN 117706943 B CN117706943 B CN 117706943B
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- vibration
- area
- judging
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012360 testing method Methods 0.000 claims abstract description 83
- 238000009413 insulation Methods 0.000 claims abstract description 81
- 230000002159 abnormal effect Effects 0.000 claims abstract description 60
- 238000009826 distribution Methods 0.000 claims abstract description 46
- 238000001514 detection method Methods 0.000 claims abstract description 38
- 238000012544 monitoring process Methods 0.000 claims abstract description 24
- 230000007797 corrosion Effects 0.000 claims abstract description 14
- 238000005260 corrosion Methods 0.000 claims abstract description 14
- 238000007689 inspection Methods 0.000 claims abstract description 11
- 238000001228 spectrum Methods 0.000 claims abstract description 5
- 230000007613 environmental effect Effects 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 28
- 230000003044 adaptive effect Effects 0.000 claims description 25
- 238000011156 evaluation Methods 0.000 claims description 23
- 238000005516 engineering process Methods 0.000 claims description 19
- 238000012423 maintenance Methods 0.000 claims description 17
- 230000010354 integration Effects 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 15
- 230000006378 damage Effects 0.000 claims description 15
- 238000013136 deep learning model Methods 0.000 claims description 15
- 238000001931 thermography Methods 0.000 claims description 14
- 230000015556 catabolic process Effects 0.000 claims description 11
- 238000006731 degradation reaction Methods 0.000 claims description 11
- 230000005856 abnormality Effects 0.000 claims description 9
- 230000007774 longterm Effects 0.000 claims description 9
- 230000008439 repair process Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 230000036541 health Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000007547 defect Effects 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000001845 vibrational spectrum Methods 0.000 claims description 5
- 238000011217 control strategy Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 4
- 230000003449 preventive effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims description 3
- 230000001364 causal effect Effects 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 238000000556 factor analysis Methods 0.000 claims description 3
- 238000000491 multivariate analysis Methods 0.000 claims description 3
- 238000012113 quantitative test Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 3
- 230000005672 electromagnetic field Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000035882 stress Effects 0.000 description 2
- CVOFKRWYWCSDMA-UHFFFAOYSA-N 2-chloro-n-(2,6-diethylphenyl)-n-(methoxymethyl)acetamide;2,6-dinitro-n,n-dipropyl-4-(trifluoromethyl)aniline Chemical compound CCC1=CC=CC(CC)=C1N(COC)C(=O)CCl.CCCN(CCC)C1=C([N+]([O-])=O)C=C(C(F)(F)F)C=C1[N+]([O-])=O CVOFKRWYWCSDMA-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006353 environmental stress Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012774 insulation material Substances 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种换流变阀侧套管末屏分压器的自适应控制方法及系统，涉及分压器控制技术领域，包括：收集初始运行数据，进行微气候环境监测，评估测试条件的适宜性；进行外观检查，识别裂缝和腐蚀，分析仪测量设备振动频谱，预判机械完整性；执行绝缘电阻和介电强度测试，配合局部放电检测，评估设备的绝缘层状态；根据绝缘测试结果，进行电压分布的均匀性测试，并预判热点区域；对设备进行扫描，根据电压测试指导的重点区域分析热点分布，识别潜在异常热区域，对设备进行自适应控制。本发明提供的换流变阀侧套管末屏分压器的自适应控制方法能够优化设备的运行状态，提高整体运行效率。减少突发故障和意外停机。提高故障检测的准确性。
Description
技术领域
本发明涉及分压器控制技术领域，具体为一种换流变阀侧套管末屏分压器的自适应控制方法及系统。
背景技术
传统的换流变阀侧套管末屏分压器控制方法通常依赖于固定的操作参数和标准维护程序。这些方法在面对复杂、变化的操作环境时不够灵活，难以及时响应设备性能的微妙变化。
现有的控制方法往往不能实时适应环境变化，缺乏针对特定设备状况的自适应调整能力。导致设备故障的风险增加、维护效率降低，以及在极端环境下的性能下降。
因此亟需一种换流变阀侧套管末屏分压器的自适应控制方法，解决现有控制方法在实时数据监控、故障预测、以及自适应调整方面的不足，提供了一种能够根据实时数据和预测模型自动调整设备操作的高级控制策略。
发明内容
鉴于上述存在的问题，提出了本发明。
因此，本发明解决的技术问题是：现有的固定参数和标准维护程序方法存在灵活性不足，无法实时适应环境变化和设备状态变化，以及如何有效地进行故障预测和自适应性能优化的优化问题。
为解决上述技术问题，本发明提供如下技术方案：一种换流变阀侧套管末屏分压器的自适应控制方法，包括：布置传感器，收集初始运行数据，进行微气候环境监测，评估测试条件的适宜性；进行外观检查，识别裂缝和腐蚀，分析仪测量设备振动频谱，预判机械完整性；执行绝缘电阻和介电强度测试，配合局部放电检测，评估设备的绝缘层状态；根据绝缘测试结果，进行电压分布的均匀性测试，并预判热点区域；对设备进行扫描，根据电压测试指导的重点区域分析热点分布，识别潜在异常热区域，对设备进行自适应控制。
作为本发明所述的换流变阀侧套管末屏分压器的自适应控制方法的一种优选方案，其中：所述初始运行数据包括设备运行数据和环境监测数据；所述设备运行数据包括电气参数、机械参数、性能指标；所述环境监测数据包括温度、湿度、气压、风速和风向；所述评估测试条件的适宜性包括实时接收传感器的数据，当环境参数超出预设阈值时进行数据趋势识别，使用数据分析软件对收集的环境和设备运行数据进行分析，识别数据中的模式和趋势，评估当前环境条件下进行自适应控制的适宜性，制定适应性控制策略，根据数据分析结果，调整设备的运行参数适应当前环境条件；所述预判机械完整性包括对设备表面进行检查，识别不同的光谱频率下的表面损伤，利用AR技术将扫描结果以图形方式展现，识别损伤区域，应用AI算法对扫描结果进行深度分析，识别和分类各种类型的裂缝和腐蚀；在识别出潜在的结构损伤后，使用分析仪测量设备损伤区域振动的振动频谱，分析裂缝或腐蚀对设备整体振动特性的影响，对设备的机械完整性进行全面评估；所述全面评估包括对初始运行数据进行预处理，对振动数据应用小波变换，提取时间-频率特征，分析温度和压力数据，分析处理后的数据，识别振动模式，考虑环境因素对振动特性的影响，分析数据中的关联性和因果关系，基于深度学习模型的输出Y进行评估；
所述深度学习模型表示为，
；
其中，表示预处理后的数据，/>表示预处理函数，/>表示原始数据，/>表示自适应函数，/>表示环境数据，/>表示小波特征，/>表示小波变换函数，/>表示小波基函数，/>表示小波变换中使用的基函数的数量，/>表示环境特征，/>表示环境因素分析函数，/>表示动态调整函数，/>表示综合特征，/>表示特征整合函数，/>表示深度学习模型的输出，DL表示深度学习模型。
作为本发明所述的换流变阀侧套管末屏分压器的自适应控制方法的一种优选方案，其中：所述进行评估包括当特征整合结果Fi与预设第一操作模式一致，且深度学习模型Y的输出指示Y＜0.35时，判断为正常振动状态A1；当特征整合结果Fi与预设第二操作模式一致，且Y的输出指示0.35≤Y≤0.65时，判断为轻微异常振动状态A2；当特征整合结果Fi与预设第三操作模式一致，且Y的输出指示Y＞0.65时，判断为显著异常振动状态A3；所述第一操作模式包括使用时间序列分析环境参数与Fi中振动特征间的相关性，应用聚类分析确认Fi是否与历史上已知的正常操作模式相符，若符合，利用神经网络，预测未来操作状态，当未来操作状态仍为正常操作模式时，判断为第一操作模式；所述第二操作模式包括分析评估环境变化对Fi中振动数据的影响，结合实时操作数据，使短期趋势分析技术识别导致异常的瞬时或短期操作条件变化，若环境参数的短期变化与Fi中振动数据的轻微变化有直接关联，且变化不符合正常操作模式、实时操作数据显示短期波动，且波动与振动数据的异常有关，判断为第二操作模式，若环境参数保持在长期的正常范围内，且实时操作数据显示设备运行在正常的操作条件下，未出现异常的短期波动、Fi中的振动数据与历史上记录的正常操作模式的振动特征一致时，调整为判断为第一操作模式，若环境参数的变化持续，实时操作数据显示设备长时间运行在非标准或极端的操作条件下，Fi中的振动数据显示持续的异常模式，进行第三操作模式判断；所述第三操作模式包括进行耦合分析，采用多变量分析评估环境和机械参数间的相互关系，利用长期数据趋势分析和退化模型评估设备性能的持续下降趋势，若环境变化或操作异常对设备的振动特性有直接且负面的影响，且设备性能持续下降或存在严重的退化趋势，判断为第三操作模式。
作为本发明所述的换流变阀侧套管末屏分压器的自适应控制方法的一种优选方案，其中：所述评估设备的绝缘层状态包括当判断为A1状态时，根据预设频率执行绝缘电阻和介电强度测试，执行预防性检查，获取设备绝缘层状态的详细信息，显示绝缘层的整体健康状况，结合局部放电检测技术，持续监控设备绝缘层的状态；当判断为A2状态时，结合实时振动监测数据和历史绝缘测试结果，使用基于机器学习的异常检测算法识别绝缘层受到影响的区域，确定区域中的异常振动区域，进行异常振动区域检查，执行绝缘测试策略；当判断为A3状态时，利用局部放电检测技术对设备放电模式异常区域的绝缘层进行全面扫描，使用傅里叶变换对捕获的放电信号进行分析，识别放电模式和频率，精确定位绝缘缺陷，对已识别的异常区域进行深入检查，执行非破坏性测试技术，通过超声波检测揭示绝缘层内部状态，通过红外热成像发现由绝缘损坏引起的温度异常情况，对于确认存在问题的区域，执行绝缘电阻和介电强度测试，获取定量的绝缘性能数据，基于放电模式和频率、非破坏性测试结果和定量测试数据，进行综合评估，确定绝缘层的具体损坏程度和修复的紧急性，制定紧急修复方案。
作为本发明所述的换流变阀侧套管末屏分压器的自适应控制方法的一种优选方案，其中：所述电压分布的均匀性测试包括使用绝缘测试结果中识别的潜在问题区域作为参考，进行电压分布的均匀性测试；所述预判热点区域包括基于电压分布测试的结果，在绝缘性能降低的区域，进行热点区域的预判，采用热成像技术分析区域信息，判断是否实际存在过热现象，进行热点区域一次确定。
作为本发明所述的换流变阀侧套管末屏分压器的自适应控制方法的一种优选方案，其中：所述潜在异常热区域包括使用红外热成像仪对设备预判的热点区域进行全面扫描，在扫描过程中，收集有关设备各部分的温度数据，分析热点分布，确定温度异常高的区域，对收集到的温度数据进行分析，比较不同区域的温度分布，将热成像结果与电压分布测试结果进行比较，分析电压不均匀分布是否与温度异常高的区域相对应，确认热点区域的准确位置和原因，基于热成像和电压分布测试的综合结果，确定为潜在异常热区域，对识别出的潜在异常热区域进行电气健康状况评估。
作为本发明所述的换流变阀侧套管末屏分压器的自适应控制方法的一种优选方案，其中：所述对设备进行自适应控制包括使用卷积神经网络对潜在异常热区域的数据进行训练和识别，建立潜在异常热区域的行为预测模型，对预测区域内潜在的故障和性能退化以及过热事件进行预测，当检测到潜在的异常模式，采取调整措施行动，并根据预测模型的输出制定具体的维护计划。
本发明的另外一个目的是提供一种换流变阀侧套管末屏分压器的自适应控制系统，其能通过实时数据监控、高级数据分析和预测技术，解决了设备故障风险高、维护效率低、以及在多变环境下性能不稳定问题。
为解决上述技术问题，本发明提供如下技术方案：一种换流变阀侧套管末屏分压器的自适应控制系统，包括：环境评估模块、外观检测模块、绝缘层状态评估模块、电压分布测试模块以及热稳定检测模块；所述环境评估模块用于布置传感器，收集初始运行数据，进行微气候环境监测，评估测试条件的适宜性；所述外观检测模块用于进行外观检查，识别裂缝和腐蚀，分析仪测量设备振动频谱，预判机械完整性；所述绝缘层状态评估模块用于执行绝缘电阻和介电强度测试，配合局部放电检测，评估设备的绝缘层状态；所述电压分布测试模块用于根据绝缘测试结果，进行电压分布的均匀性测试，并预判热点区域；所述热稳定检测模块用于对设备进行扫描，根据电压测试指导的重点区域分析热点分布，识别潜在异常热区域，对设备进行自适应控制。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述换流变阀侧套管末屏分压器的自适应控制方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述换流变阀侧套管末屏分压器的自适应控制方法的步骤。
本发明的有益效果：本发明提供的换流变阀侧套管末屏分压器的自适应控制方法能够优化设备的运行状态，降低不必要的能耗，从而提高整体运行效率。提前识别潜在的裂缝、腐蚀和其他结构损伤，允许采取预防措施，减少突发故障和意外停机。能够更准确地检测和预测设备中的潜在问题，从而提高故障检测的准确性。得设备能够在各种工况下保持最优运行状态。不仅能够及时响应潜在的设备问题，还能够预测未来可能发生的故障，从而显著提升设备的可靠性和安全性。减少不必要的维护和修理工作，从而降低整体维护成本。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本发明一个实施例提供的一种换流变阀侧套管末屏分压器的自适应控制方法的整体流程图。
图2为本发明第二个实施例提供的一种换流变阀侧套管末屏分压器的自适应控制系统的整体结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
实施例1
参照图1，为本发明的一个实施例，提供了一种换流变阀侧套管末屏分压器的自适应控制方法，包括：
布置传感器，收集初始运行数据，进行微气候环境监测，评估测试条件的适宜性。
进行外观检查，识别裂缝和腐蚀，分析仪测量设备振动频谱，预判机械完整性。
执行绝缘电阻和介电强度测试，配合局部放电检测，评估设备的绝缘层状态。
根据绝缘测试结果，进行电压分布的均匀性测试，并预判热点区域；
对设备进行扫描，根据电压测试指导的重点区域分析热点分布，识别潜在异常热区域，对设备进行自适应控制。
初始运行数据包括设备运行数据和环境监测数据；设备运行数据包括电气参数、机械参数、性能指标；环境监测数据包括温度、湿度、气压、风速和风向。
电气数据包括输入和输出电压、输入和输出电流、负载电压和电流波形以及电压和电流的谐波分量；温度数据包括设备各关键部位的表面温度、周围环境的温度以及主要电气组件（包括变压器、电容器）的温度；振动数据包括设备整体的振动频率和振动强度和关键机械部件（包括冷却风扇、变压器）的振动特性；湿度和气候数据包括设备周围环境的相对湿度和记录的数据集中的气候条件（包括温度、气压、风速）；绝缘状态数据包括绝缘电阻值和介电强度指标；电压分布数据包括沿套管的电压分布情况；热成像数据包括使用红外热成像仪捕获的设备热图；电气应力数据包括长期电流和电压的记录和电气应力造成的异常指标。
评估测试条件的适宜性包括实时接收传感器的数据，当环境参数超出预设阈值时进行数据趋势识别，使用数据分析软件对收集的环境和设备运行数据进行分析，识别数据中的模式和趋势，评估当前环境条件下进行自适应控制的适宜性，制定适应性控制策略，根据数据分析结果，调整设备的运行参数适应当前环境条件；环境参数超出预设阈值包括处于极端温度或湿度条件。
预判机械完整性包括对设备表面进行检查，识别不同的光谱频率下的表面损伤，利用AR技术将扫描结果以图形方式展现，识别损伤区域，应用AI算法对扫描结果进行深度分析，识别和分类各种类型的裂缝和腐蚀。
在识别出潜在的结构损伤后，使用分析仪测量设备损伤区域振动的振动频谱，分析裂缝或腐蚀对设备整体振动特性的影响，对设备的机械完整性进行全面评估。
全面评估包括对初始运行数据进行预处理，对振动数据应用小波变换，提取时间-频率特征，分析温度和压力数据，分析处理后的数据，识别振动模式，考虑环境因素对振动特性的影响，分析数据中的关联性和因果关系，基于深度学习模型的输出Y进行评估。
深度学习模型表示为，
；
其中，表示预处理后的数据，/>表示预处理函数，/>表示原始数据，/>表示自适应函数，/>表示环境数据，/>表示小波特征，/>表示小波变换函数，/>表示小波基函数，/>表示小波变换中使用的基函数的数量，/>表示环境特征，/>表示环境因素分析函数，/>表示动态调整函数，/>表示综合特征，/>表示特征整合函数，/>表示深度学习模型的输出，DL表示深度学习模型。
进行评估包括当特征整合结果Fi与预设第一操作模式一致，且深度学习模型Y的输出指示Y＜0.35时，判断为正常振动状态A1。
当特征整合结果Fi与预设第二操作模式一致，且Y的输出指示0.35≤Y≤0.65时，判断为轻微异常振动状态A2。
当特征整合结果Fi与预设第三操作模式一致，且Y的输出指示Y＞0.65时，判断为显著异常振动状态A3。
若特征整合结果Fi与预设操作模式不一致，根据当前的操作目的来确定分类策略，当操作目的为故障预测时，优先参考Y 的输出，当操作目的为日常检测时，优先参考Fi提供的详细的当前状态分析。
使用基于数据的自动决策来判断当前操作目的。基于设备的运行历史、最近的性能变化、维护记录以及环境因素的变化等。
若设备最近有维护或维修活动，或者环境参数（如温度、湿度、压力等）出现突然变化，可能表明设备正处于非正常状态，这时系统自动切换到故障预测模式。若Fi的结果显示显著的异常模式（即使Y的输出在正常范围内），也应切换到故障预测模式。
若设备在近期内无显著维护活动，且环境参数稳定，且Fi的结果与历史正常操作模式相符，系统将处于日常检测模式，即使Y的输出显示较高的风险级别。若设备历史数据显示长期稳定运行，没有显著的性能下降趋势，即使有轻微的Y输出波动，也应维持日常检测模式。
持续监控设备的实时数据，并与历史数据进行比较，以识别任何潜在的异常趋势。这些数据包括但不限于电气参数、机械参数和性能指标。
应用机器学习模型来增强判断规则的准确性，根据设备的历史数据和当前的运行数据来预测可能的操作目的。
第一操作模式包括使用时间序列分析环境参数与Fi中振动特征间的相关性，应用聚类分析确认Fi是否与历史上已知的正常操作模式相符，若符合，利用神经网络，预测未来操作状态，当未来操作状态仍为正常操作模式时，判断为第一操作模式。
第二操作模式包括分析评估环境变化对Fi中振动数据的影响，结合实时操作数据，（包括负载变化、操作频率调整），使短期趋势分析技术识别导致异常的瞬时或短期操作条件变化，若环境参数的短期变化与Fi中振动数据的轻微变化有直接关联，且变化不符合正常操作模式、实时操作数据，包括负载、速度，显示短期波动，且波动与振动数据的异常有关，判断为第二操作模式，若环境参数保持在长期的正常范围内，且实时操作数据显示设备运行在正常的操作条件下，未出现异常的短期波动、Fi中的振动数据与历史上记录的正常操作模式的振动特征一致时，调整为判断为第一操作模式，若环境参数的变化持续，变化持续包括持续高温或长期压力增高达到预设阈值，实时操作数据显示设备长时间运行在非标准或极端的操作条件下，Fi中的振动数据显示持续的异常模式，持续的异常模式包括异常与严重的机械或电气问题有关，进行第三操作模式判断。
第三操作模式包括进行耦合分析，采用多变量分析评估环境和机械参数间的相互关系，利用长期数据趋势分析和退化模型评估设备性能的持续下降趋势，若环境变化或操作异常对设备的振动特性有直接且负面的影响，且设备性能持续下降或存在严重的退化趋势，判断为第三操作模式。
评估设备的绝缘层状态包括当判断为A1状态时，根据预设频率执行绝缘电阻和介电强度测试，执行预防性检查，以确保绝缘层没有潜在的退化或损伤，获取设备绝缘层状态的详细信息，显示绝缘层的整体健康状况，包括任何潜在的弱点或损伤区域，结合局部放电检测技术，持续监控设备绝缘层的状态，有助于早期发现绝缘层的微小缺陷或退化，即使在外观上看似正常的情况下。
当判断为A2状态时，结合实时振动监测数据和历史绝缘测试结果，使用基于机器学习的异常检测算法识别绝缘层受到影响的区域，确定区域中的异常振动区域，进行异常振动区域检查，利用电磁场映射技术，执行绝缘测试策略，帮助准确定位受轻微振动影响的绝缘区域，进而对这些特定区域进行更深入的绝缘测试。
绝缘层受到影响的区域指的是初步识别出可能存在问题的绝缘层范围，为后续分析提供了一个粗略的定位。异常振动区域指的是在绝缘层范围内，绝缘层出现的细微但可能关键的变化导致异常震动。
微弱变化区域指的是那些在绝缘层中出现的轻微但潜在重要的变化。这些变化可能是由于多种因素造成的，如轻微的物理损伤、环境应力（温度或湿度变化）、长期的磨损或其他微小的物理或化学过程。这些变化可能不足以立即影响设备的整体功能，但如果不加以关注，可能会随时间进一步发展并最终导致问题。
使用基于机器学习的异常检测算法结合实时振动监测数据和历史绝缘测试结果能够识别出那些不一定立即显著，但可能预示着未来问题的微小变化。这种分析通常比传统的手动检查或基于规则的系统更灵敏和准确。
利用电磁场映射技术在此过程中的作用是为了帮助准确定位这些微弱变化区域。通过精确映射绝缘层中的电磁场分布，可以更精确地识别出受影响的区域，即使这些变化非常细微。使得可以在问题变得严重之前就进行干预，从而提高维护效率，减少停机时间和维护成本。
当判断为A3状态时，利用局部放电检测技术对设备放电模式异常区域的绝缘层进行全面扫描，使用傅里叶变换对捕获的放电信号进行分析，识别放电模式和频率，精确定位绝缘缺陷，对已识别的异常区域进行深入检查，执行非破坏性测试技术，通过超声波检测揭示绝缘层内部状态的微小裂缝或空洞，通过红外热成像发现由绝缘损坏引起的温度异常情况，对于确认存在问题的区域，执行绝缘电阻和介电强度测试，获取定量的绝缘性能数据，基于放电模式和频率、非破坏性测试结果和定量测试数据，进行综合评估，确定绝缘层的具体损坏程度和修复的紧急性，制定紧急修复方案，包括局部绝缘材料更换、绝缘层完全重建或必要时的设备停机维修。
电压分布的均匀性测试包括使用绝缘测试结果中识别的潜在问题区域作为参考，进行电压分布的均匀性测试。
预判热点区域包括基于电压分布测试的结果，在绝缘性能降低的区域，进行热点区域的预判，采用热成像技术分析区域信息，判断是否实际存在过热现象，进行热点区域一次确定。
潜在异常热区域包括使用红外热成像仪对设备预判的热点区域进行全面扫描，在扫描过程中，收集有关设备各部分的温度数据，分析热点分布，确定温度异常高的区域，对收集到的温度数据进行分析，比较不同区域的温度分布，将热成像结果与电压分布测试结果进行比较，分析电压不均匀分布是否与温度异常高的区域相对应，确认热点区域的准确位置和原因，基于热成像和电压分布测试的综合结果，确定为潜在异常热区域，对识别出的潜在异常热区域进行电气健康状况评估，考虑热区域可能对设备的性能和安全性造成的影响，包括电气组件的过热可能导致故障或损坏；红外热成像可以非侵入式地检测设备表面和内部组件的温度分布，有效识别过热区域。
对设备进行自适应控制包括使用卷积神经网络对潜在异常热区域的数据进行训练和识别，建立潜在异常热区域的行为预测模型，对预测区域内潜在的故障和性能退化以及过热事件进行预测，当检测到潜在的异常模式，采取调整措施行动，调整电气负载、改变操作模式或启动冷却系统，并根据预测模型的输出制定具体的维护计划。
实施例2
参照图2，为本发明的一个实施例，提供了一种换流变阀侧套管末屏分压器的自适应控制系统，包括：环境评估模块、外观检测模块、绝缘层状态评估模块、电压分布测试模块以及热稳定检测模块。
环境评估模块用于布置传感器，收集初始运行数据，进行微气候环境监测，评估测试条件的适宜性。
外观检测模块用于进行外观检查，识别裂缝和腐蚀，分析仪测量设备振动频谱，预判机械完整性。
绝缘层状态评估模块用于执行绝缘电阻和介电强度测试，配合局部放电检测，评估设备的绝缘层状态。
电压分布测试模块用于根据绝缘测试结果，进行电压分布的均匀性测试，并预判热点区域。
热稳定检测模块用于对设备进行扫描，根据电压测试指导的重点区域分析热点分布，识别异常热区域，对设备进行自适应控制。
实施例3
本发明的一个实施例，其不同于前两个实施例的是：
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，RandomAccess Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置）、便携式计算机盘盒（磁装置）、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编辑只读存储器（EPROM或闪速存储器）、光纤装置以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
实施例4
为本发明的一个实施例，提供了一种换流变阀侧套管末屏分压器的自适应控制方法，为了验证本发明的有益效果，通过效能和效率的计算和仿真实验进行科学论证。
分别使用传统方法与我方发明方法模拟不同的运行环境，使用相同型号的换流变阀侧套管末屏分压器，持续监测一个月。
传统方法：定期检查设备外观，记录发现的问题。按预定计划执行绝缘电阻和介电强度测试。期末进行设备性能评估。
我方发明方法使用传感器收集实时数据，包括温度、湿度等环境参数和设备的电气、机械参数。应用您的自适应控制系统进行实时监测和预测。定期记录系统检测的潜在问题和自动调整的措施。期末进行设备性能评估，收集两种方法的实验数据，如表1所示。
表1 实验结果对比表
| 指标 | 传统方法 | 发明方法 |
| 故障检测次数（单位：次） | 3 | 10 |
| 响应时间（单位：小时） | 13 | 2 |
| 维护成本（单位：元） | 8500 | 2500 |
| 设备稳定性 | 2次停机 | 无停机 |
由表1可得，相比于传统方法，我方发明方法在故障预测、响应速度、维护成本和设备稳定性方面有显著的改进。能够更早地检测到潜在的问题，并且以更低的成本更快速地响应，同时提高了设备的整体稳定性和可靠性。不仅提高了设备的运行效率，也降低了维护成本，增强了设备的可靠性和安全性。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种换流变阀侧套管末屏分压器的自适应控制方法，其特征在于，包括：
布置传感器，收集初始运行数据，进行微气候环境监测，评估测试条件的适宜性；
进行外观检查，识别裂缝和腐蚀，分析仪测量设备振动频谱，预判机械完整性；
执行绝缘电阻和介电强度测试，配合局部放电检测，评估设备的绝缘层状态；
根据绝缘测试结果，进行电压分布的均匀性测试，并预判热点区域；
对设备进行扫描，根据电压测试指导的重点区域分析热点分布，识别潜在异常热区域，对设备进行自适应控制；
所述初始运行数据包括设备运行数据和环境监测数据；
所述设备运行数据包括电气参数、机械参数、性能指标；
所述环境监测数据包括温度、湿度、气压、风速和风向；
所述评估测试条件的适宜性包括实时接收传感器的数据，当环境参数超出预设阈值时进行数据趋势识别，使用数据分析软件对收集的环境和设备运行数据进行分析，识别数据中的模式和趋势，评估当前环境条件下进行自适应控制的适宜性，制定适应性控制策略，根据数据分析结果，调整设备的运行参数适应当前环境条件；
所述预判机械完整性包括对设备表面进行检查，识别不同的光谱频率下的表面损伤，利用AR技术将扫描结果以图形方式展现，识别损伤区域，应用AI算法对扫描结果进行深度分析，识别和分类各种类型的裂缝和腐蚀；
在识别出潜在的结构损伤后，使用分析仪测量设备损伤区域振动的振动频谱，分析裂缝或腐蚀对设备整体振动特性的影响，对设备的机械完整性进行全面评估；
所述全面评估包括对初始运行数据进行预处理，对振动数据应用小波变换，提取时间-频率特征，分析温度和压力数据，分析处理后的数据，识别振动模式，考虑环境因素对振动特性的影响，分析数据中的关联性和因果关系，基于深度学习模型的输出Y进行评估；
所述深度学习模型表示为，
Fi＝h(Fw,Fe)
Y＝DL(Fi)
其中，Dp表示预处理后的数据，fp表示预处理函数，Dr表示原始数据，表示自适应函数，De表示环境数据，Fw表示小波特征，W表示小波变换函数，ψi表示小波基函数，N表示小波变换中使用的基函数的数量，Fe表示环境特征，g表示环境因素分析函数，/>表示动态调整函数，Fi表示综合特征，h表示特征整合函数，Y表示深度学习模型的输出，DL表示深度学习模型；
所述进行评估包括当特征整合结果Fi与预设第一操作模式一致，且深度学习模型Y的输出指示Y＜0.35时，判断为正常振动状态A1；
当特征整合结果Fi与预设第二操作模式一致，且Y的输出指示0.35≤Y≤0.65时，判断为轻微异常振动状态A2；
当特征整合结果Fi与预设第三操作模式一致，且Y的输出指示Y＞0.65时，判断为显著异常振动状态A3；
所述第一操作模式包括使用时间序列分析环境参数与Fi中振动特征间的相关性，应用聚类分析确认Fi是否与历史上已知的正常操作模式相符，若符合，利用神经网络，预测未来操作状态，当未来操作状态仍为正常操作模式时，判断为第一操作模式；
所述第二操作模式包括分析评估环境变化对Fi中振动数据的影响，结合实时操作数据，使短期趋势分析技术识别导致异常的瞬时或短期操作条件变化，若环境参数的短期变化与Fi中振动数据的轻微变化有直接关联，且变化不符合正常操作模式、实时操作数据显示短期波动，且波动与振动数据的异常有关，判断为第二操作模式，若环境参数保持在长期的正常范围内，且实时操作数据显示设备运行在正常的操作条件下，未出现异常的短期波动、Fi中的振动数据与历史上记录的正常操作模式的振动特征一致时，调整为判断为第一操作模式，若环境参数的变化持续，实时操作数据显示设备长时间运行在非标准或极端的操作条件下，Fi中的振动数据显示持续的异常模式，进行第三操作模式判断；
所述第三操作模式包括进行耦合分析，采用多变量分析评估环境和机械参数间的相互关系，利用长期数据趋势分析和退化模型评估设备性能的持续下降趋势，若环境变化或操作异常对设备的振动特性有直接且负面的影响，且设备性能持续下降或存在严重的退化趋势，判断为第三操作模式；
所述评估设备的绝缘层状态包括当判断为A1状态时，根据预设频率执行绝缘电阻和介电强度测试，执行预防性检查，获取设备绝缘层状态的详细信息，显示绝缘层的整体健康状况，结合局部放电检测技术，持续监控设备绝缘层的状态；
当判断为A2状态时，结合实时振动监测数据和历史绝缘测试结果，使用基于机器学习的异常检测算法识别绝缘层受到影响的区域，确定区域中的异常振动区域，进行异常振动区域检查，执行绝缘测试策略；
当判断为A3状态时，利用局部放电检测技术对设备放电模式异常区域的绝缘层进行全面扫描，使用傅里叶变换对捕获的放电信号进行分析，识别放电模式和频率，精确定位绝缘缺陷，对已识别的异常区域进行深入检查，执行非破坏性测试技术，通过超声波检测揭示绝缘层内部状态，通过红外热成像发现由绝缘损坏引起的温度异常情况，对于确认存在问题的区域，执行绝缘电阻和介电强度测试，获取定量的绝缘性能数据，基于放电模式和频率、非破坏性测试结果和定量测试数据，进行综合评估，确定绝缘层的具体损坏程度和修复的紧急性，制定紧急修复方案。
2.如权利要求1所述的换流变阀侧套管末屏分压器的自适应控制方法，其特征在于：所述电压分布的均匀性测试包括使用绝缘测试结果中识别的潜在问题区域作为参考，进行电压分布的均匀性测试；
所述预判热点区域包括基于电压分布测试的结果，在绝缘性能降低的区域，进行热点区域的预判，采用热成像技术分析区域信息，判断是否实际存在过热现象，进行热点区域一次确定。
3.如权利要求2所述的换流变阀侧套管末屏分压器的自适应控制方法，其特征在于：所述潜在异常热区域包括使用红外热成像仪对设备预判的热点区域进行全面扫描，在扫描过程中，收集有关设备各部分的温度数据，分析热点分布，确定温度异常高的区域，对收集到的温度数据进行分析，比较不同区域的温度分布，将热成像结果与电压分布测试结果进行比较，分析电压不均匀分布是否与温度异常高的区域相对应，确认热点区域的准确位置和原因，基于热成像和电压分布测试的综合结果，确定为潜在异常热区域，对识别出的潜在异常热区域进行电气健康状况评估。
4.如权利要求3所述的换流变阀侧套管末屏分压器的自适应控制方法，其特征在于：所述对设备进行自适应控制包括使用卷积神经网络对潜在异常热区域的数据进行训练和识别，建立潜在异常热区域的行为预测模型，对预测区域内潜在的故障和性能退化以及过热事件进行预测，当检测到潜在的异常模式，采取调整措施行动，并根据预测模型的输出制定具体的维护计划。
5.一种采用如权利要求1～4任一所述的换流变阀侧套管末屏分压器的自适应控制方法的系统，其特征在于，包括：环境评估模块、外观检测模块、绝缘层状态评估模块、电压分布测试模块以及热稳定检测模块；
所述环境评估模块用于布置传感器，收集初始运行数据，进行微气候环境监测，评估测试条件的适宜性；
所述外观检测模块用于进行外观检查，识别裂缝和腐蚀，分析仪测量设备振动频谱，预判机械完整性；
所述绝缘层状态评估模块用于执行绝缘电阻和介电强度测试，配合局部放电检测，评估设备的绝缘层状态；
所述电压分布测试模块用于根据绝缘测试结果，进行电压分布的均匀性测试，并预判热点区域；
所述热稳定检测模块用于对设备进行扫描，根据电压测试指导的重点区域分析热点分布，识别潜在异常热区域，对设备进行自适应控制。
6.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述的换流变阀侧套管末屏分压器的自适应控制方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的换流变阀侧套管末屏分压器的自适应控制方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410168891.5A CN117706943B (zh) | 2024-02-06 | 2024-02-06 | 一种换流变阀侧套管末屏分压器的自适应控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410168891.5A CN117706943B (zh) | 2024-02-06 | 2024-02-06 | 一种换流变阀侧套管末屏分压器的自适应控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117706943A CN117706943A (zh) | 2024-03-15 |
| CN117706943B true CN117706943B (zh) | 2024-04-16 |
Family
ID=90144735
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410168891.5A Active CN117706943B (zh) | 2024-02-06 | 2024-02-06 | 一种换流变阀侧套管末屏分压器的自适应控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117706943B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117639282B (zh) * | 2024-01-26 | 2024-04-19 | 南京中鑫智电科技有限公司 | 一种换流变阀侧套管末屏分压器频域响应处理方法及系统 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106199305A (zh) * | 2016-07-01 | 2016-12-07 | 太原理工大学 | 煤矿井下供电系统用干式变压器绝缘健康状态评估方法 |
| CN108511173A (zh) * | 2018-05-09 | 2018-09-07 | 国网内蒙古东部电力有限公司 | 一种换流变压器阀侧套管过热故障监测装置及监测方法 |
| CN111650451A (zh) * | 2020-04-28 | 2020-09-11 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种换流变故障原因辨识方法及系统 |
| CN112072619A (zh) * | 2020-08-21 | 2020-12-11 | 天津大学 | 双极直流电网站内单相接地故障的自适应重合闸方法 |
| CN112098780A (zh) * | 2019-11-19 | 2020-12-18 | 中国南方电网有限责任公司超高压输电公司贵阳局 | 基于多源信息融合的高压换流变套管状态监测方法 |
| CN112305319A (zh) * | 2020-12-24 | 2021-02-02 | 中国电力科学研究院有限公司 | 一种用于在线监测换流变压器阀侧套管参数的方法和系统 |
| CN112886550A (zh) * | 2021-01-12 | 2021-06-01 | 天津大学 | 基于源网配合的mmc柔性直流电网自适应故障清除方案 |
| AU2021105544A4 (en) * | 2021-08-15 | 2021-10-14 | State Grid Shaanxi Electric Power Company Limited | Second-order cone approximation of AC-DC grid k-scaling reliability assessment method for converter stations |
| CN114371376A (zh) * | 2022-01-07 | 2022-04-19 | 清华大学 | 换流变压器局部绝缘老化缺陷在线分相监测和评估方法 |
| US11333384B1 (en) * | 2020-03-05 | 2022-05-17 | Trane International Inc. | Systems and methods for adjusting detected temperature for a climate control system |
| CN114861727A (zh) * | 2022-05-17 | 2022-08-05 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 换流变压器故障检测方法、装置、设备、介质和程序产品 |
| CN115407164A (zh) * | 2022-08-01 | 2022-11-29 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于多手段的换流变网侧套管区域局放检测系统及方法 |
| CN115986915A (zh) * | 2022-11-28 | 2023-04-18 | 国网冀北电力有限公司超高压分公司 | 一种基于数字孪生技术的换流站设备监控管理系统及方法 |
| CN116256402A (zh) * | 2023-02-17 | 2023-06-13 | 西南交通大学 | 一种基于频域介电谱数据检测阀侧套管缺陷检测方法 |
| CN117318063A (zh) * | 2023-09-27 | 2023-12-29 | 东南大学 | 一种基于mogwo的换流器主动支撑型潮流优化控制方法 |
| CN117420380A (zh) * | 2023-09-14 | 2024-01-19 | 云南电网有限责任公司丽江供电局 | 一种配电网故障预警、处置方法及系统 |
| CN117434407A (zh) * | 2023-12-20 | 2024-01-23 | 南京中鑫智电科技有限公司 | 时频域特征融合的换流变阀侧套管绝缘分析方法及系统 |
-
2024
- 2024-02-06 CN CN202410168891.5A patent/CN117706943B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106199305A (zh) * | 2016-07-01 | 2016-12-07 | 太原理工大学 | 煤矿井下供电系统用干式变压器绝缘健康状态评估方法 |
| CN108511173A (zh) * | 2018-05-09 | 2018-09-07 | 国网内蒙古东部电力有限公司 | 一种换流变压器阀侧套管过热故障监测装置及监测方法 |
| CN112098780A (zh) * | 2019-11-19 | 2020-12-18 | 中国南方电网有限责任公司超高压输电公司贵阳局 | 基于多源信息融合的高压换流变套管状态监测方法 |
| US11333384B1 (en) * | 2020-03-05 | 2022-05-17 | Trane International Inc. | Systems and methods for adjusting detected temperature for a climate control system |
| CN111650451A (zh) * | 2020-04-28 | 2020-09-11 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种换流变故障原因辨识方法及系统 |
| CN112072619A (zh) * | 2020-08-21 | 2020-12-11 | 天津大学 | 双极直流电网站内单相接地故障的自适应重合闸方法 |
| CN112305319A (zh) * | 2020-12-24 | 2021-02-02 | 中国电力科学研究院有限公司 | 一种用于在线监测换流变压器阀侧套管参数的方法和系统 |
| CN112886550A (zh) * | 2021-01-12 | 2021-06-01 | 天津大学 | 基于源网配合的mmc柔性直流电网自适应故障清除方案 |
| AU2021105544A4 (en) * | 2021-08-15 | 2021-10-14 | State Grid Shaanxi Electric Power Company Limited | Second-order cone approximation of AC-DC grid k-scaling reliability assessment method for converter stations |
| CN114371376A (zh) * | 2022-01-07 | 2022-04-19 | 清华大学 | 换流变压器局部绝缘老化缺陷在线分相监测和评估方法 |
| CN114861727A (zh) * | 2022-05-17 | 2022-08-05 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 换流变压器故障检测方法、装置、设备、介质和程序产品 |
| CN115407164A (zh) * | 2022-08-01 | 2022-11-29 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于多手段的换流变网侧套管区域局放检测系统及方法 |
| CN115986915A (zh) * | 2022-11-28 | 2023-04-18 | 国网冀北电力有限公司超高压分公司 | 一种基于数字孪生技术的换流站设备监控管理系统及方法 |
| CN116256402A (zh) * | 2023-02-17 | 2023-06-13 | 西南交通大学 | 一种基于频域介电谱数据检测阀侧套管缺陷检测方法 |
| CN117420380A (zh) * | 2023-09-14 | 2024-01-19 | 云南电网有限责任公司丽江供电局 | 一种配电网故障预警、处置方法及系统 |
| CN117318063A (zh) * | 2023-09-27 | 2023-12-29 | 东南大学 | 一种基于mogwo的换流器主动支撑型潮流优化控制方法 |
| CN117434407A (zh) * | 2023-12-20 | 2024-01-23 | 南京中鑫智电科技有限公司 | 时频域特征融合的换流变阀侧套管绝缘分析方法及系统 |
Non-Patent Citations (7)
| Title |
|---|
| ±500kV天广直流换流变总体运行情况分析;李勇;;电网技术;20081230(第S2期);全文 * |
| ±800kV柔直换流站全封闭阀厅智能巡检系统研究;张雪焱;伦振坚;侯婷;黄莹;吴梦凡;;南方能源建设;20191225(第04期);全文 * |
| Health Assessment of Solid Insulation of Mineral Oil-filled Converter Transformer;Manojkumar Patil等;IEEE Transactions on Dielectrics and Electrical Insulation ( Early Access );20231225;全文 * |
| 基于半桥型MMC和混合式DCCB的柔直系统直流故障自适应重合闸技术;杨赛昭;向往;杨睿璋;贺永杰;文劲宇;;中国电机工程学报;20201231(第14期);全文 * |
| 基于套管高频和特高频电流监测的换流变局放监测;赵廷志;冯新岩;李承振;马建涛;孙佑飞;郭加媛;;变压器;20200925(第09期);全文 * |
| 宜宾站换流变压器阀侧电压测量故障分析及处理;孙文;禹佳;陈伟;;四川电力技术;20151220(第06期);全文 * |
| 换流变压器油纸绝缘局部放电及电荷分布特性研究综述;李清泉;王良凯;王培锦;李斯盟;;高电压技术;20201231(第08期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117706943A (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117706943B (zh) | 一种换流变阀侧套管末屏分压器的自适应控制方法及系统 | |
| CN109186813B (zh) | 一种温度传感器自检装置及方法 | |
| US6088658A (en) | Statistical pattern analysis methods of partial discharge measurements in high voltage insulation | |
| Yan et al. | Fisher’s discriminant ratio based health indicator for locating informative frequency bands for machine performance degradation assessment | |
| Casoetto et al. | Multisensor process performance assessment through use of autoregressive modeling and feature maps | |
| KR102136141B1 (ko) | 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 비상 발전기 | |
| CN111830439B (zh) | 一种变压器故障检测方法及变压器 | |
| KR102417800B1 (ko) | 전력 케이블 노후도 판단 장치 및 방법 | |
| CN117808456B (zh) | 一种基于智慧运营管理的设备故障预警方法及装置 | |
| CN111830438B (zh) | 一种变压器故障检测方法及变压器 | |
| KR20210109136A (ko) | 인공지능 알고리즘을 이용한 고장 예방 기능을 구비한 장치 및 그 시스템 | |
| CN117689270A (zh) | 电力设备生产过程质量管理改进方法、系统及存储介质 | |
| CN117786461A (zh) | 水泵的故障诊断方法、控制设备及其存储介质 | |
| CN117370879A (zh) | 一种风力机齿轮箱的实时在线故障诊断方法及系统 | |
| Haves et al. | Model-based performance monitoring: Review of diagnostic methods and chiller case study | |
| CN113406537B (zh) | 一种电力设备故障程度的定量评估方法 | |
| CN113283157A (zh) | 智能冲压压力机部件生命周期预测系统、方法、终端、介质 | |
| Saucedo-Dorantes et al. | Novelty Detection Methodology Based on Self-Organizing Maps for Power Quality Monitoring | |
| CN116990685B (zh) | 一种预退役电机质量评测方法及系统 | |
| CN110927488B (zh) | 一种基于隶属度函数的变压器运行状态监测方法 | |
| CN117272844B (zh) | 配电盘工作寿命的预测方法及系统 | |
| CN116453437B (zh) | 显示屏模组的测试方法、装置、设备及存储介质 | |
| CN117555947A (zh) | 一种抽水蓄能电站瓦温特征提取方法及系统 | |
| CN118050040A (zh) | 一种基于三比值特征量的变压器故障诊断方法及系统 | |
| Karandaeva et al. | Partial discharge monitoring data: Statistical processing to assessment transformer condition |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |