DE102006008482A1 - Input vector diagram method with neuronal network e.g. for preventing brake-own of HV equipment, requires obtaining phase-dependent and phase-independent summations for use as input vector of neuronal network - Google Patents
Input vector diagram method with neuronal network e.g. for preventing brake-own of HV equipment, requires obtaining phase-dependent and phase-independent summations for use as input vector of neuronal network Download PDFInfo
- Publication number
- DE102006008482A1 DE102006008482A1 DE102006008482A DE102006008482A DE102006008482A1 DE 102006008482 A1 DE102006008482 A1 DE 102006008482A1 DE 102006008482 A DE102006008482 A DE 102006008482A DE 102006008482 A DE102006008482 A DE 102006008482A DE 102006008482 A1 DE102006008482 A1 DE 102006008482A1
- Authority
- DE
- Germany
- Prior art keywords
- phase
- summation
- dependent
- discharge
- neural network
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Testing Relating To Insulation (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
Description
Die vorliegende Erfindung bezieht sich auf eine Elektrizitätstechnologie und spezieller auf ein Eingangsvektorbildungsverfahren bei neuronalen Netzwerken zur automatischen Identifikation einer teilweisen Entladungsquelle, welches in der Lage ist, die Zeit für die Meßvorbereitung zu verkürzen, da die teilweise Entladung an einem Ort in einem Zustand gemessen wird, bei dem es schwierig ist, die Phaseninformation von einem PT oder einem Spannungsteiler, etc. zu erhalten, da eine neuronale Netzwerkvorrichtung eine phasenunabhängige Summation anwendet ohne die Phaseninformation des Anlegens der Spannung für die Hochspannungsanlagen. Weiterhin ist das Verfahren in der Lage, die Meßkosten zu verringern, das Folgerungsergebnis mit einer verhältnismäßig hohen Zuverlässigkeit für Entladungsquellen zu erhalten, eine identische neuronale Netzwerkvorrichtung in verschiedenen Arten von Meßapparaturen für Teilentladungen zu verwenden, wobei die Verstärker- oder Signalabschwächereigenschaften von einem Meßgerät für Teilentladungen zu einem anderen unterschiedlich sind, da der Eingangs vektor einer neuronalen Netzwerkvorrichtung aus Entladungsarten extrahiert wird, die nicht die Größeninformation des Teilentladungssignals beinhalten. Weiterhin ist das Verfahren in der Lage, die abnormalen Zustände der elektrischen Anlagen einfach zu verwalten, da die Stromphase an einem Abschnitt, in dem die Teilentladung erzeugt wird, bei elektrischen Anlagen mit einer Mehrzahl von Phasen unter Verwendung der phasenunabhängigen Summation und der phasenabhängigen Summation erfaßt werden kann und die Teilentladungspositionen auf einfache Weise verfolgt werden können.The The present invention relates to an electricity technology and more particularly to an input vectoring technique in neural networks for automatic identification of a partial discharge source, which is able to shorten the time for the measurement preparation, since the partial discharge is measured at a location in a state where it is difficult to get the phase information from a PT or a voltage divider, etc. as a neural network device a phase independent Summation applies without the phase information of applying the voltage for the High voltage equipment. Furthermore, the method is capable of Measuring costs too reduce the inference result with a relatively high reliability for discharge sources to get an identical neural network device in different Types of measuring equipment for partial discharges to use, with the amplifier or signal attenuation characteristics from a meter for partial discharges to another are different, since the input vector one neural network device is extracted from discharge modes, not the size information of the partial discharge signal. Furthermore, the method capable of the abnormal states easy to manage the electrical installations, since the current phase at a portion in which the partial discharge is generated, in electrical Plants with a plurality of phases using the phase independent summation and the phase-dependent Summation detected can be and the Teilentladungspositionen easily can be tracked.
Eine UHF-, Ultraschall- oder andere Art von Teilentladung als ein Vorläufer eines Ausfalls kann in einer elektrischen Hochspannungsanlage, wie z.B. einer gasisolierten Schaltanlage (GIS), einem gasisolierten Wandler, einem Öl-Transformator, einer drehenden Maschinenanlage, einer gasisolierten Übertragungsleitung für elektrische Energie und in Starkstromkabeln erzeugt werden. Wenn solch eine Entladung auftritt, mißt eine Teilentladungs-Meßvorrichtung die Teilentladung, analysiert gemessene Signalart und -muster zur Bestimmung, ob sie die Teilentladung kennzeichnen und prüft die Alterungszustände der elektrischen Anlage, so daß sie einen Ausfall, der in der elektrischen Anlage auftritt, verhindern kann.A UHF, ultrasonic or other type of partial discharge as a precursor of a Failure may occur in a high voltage electrical system, such as one gas-insulated switchgear (GIS), a gas-insulated converter, an oil transformer, a rotating machinery, a gas-insulated transmission line for electrical Energy and in power cables. If such a Discharge occurs, measures a partial discharge measuring device the partial discharge, analyzes measured signal type and pattern for Determining if they mark the partial discharge and check the aging conditions of the electrical system, so they prevent a failure that occurs in the electrical system can.
Mit
Bezug auf
Wie
in
Hier
erfaßt
ein an der elektrischen Anlage installierter Teilentladungssensor
Da
das Analyseverfahren des Standes der Technik die Phaseninformation
der Leistung
Die
Teilentladungs-Meßvorrichtung
Eine
Schaltung zum Erhalt von Signalen in der Teilentladungs-Meßvorrichtung
Aus
der Analyse des Teilentladungssignals
Das übliche neuronale
Netzwerk der Teilentladungs-Meßvorrichtung
Wenn
jedoch die Entladungssignale von der elektrischen Hochspannungs-Anlage
Weiterhin
ist es sogar in dem Fall, in dem ein Teilentladungs-Meßsystem,
welches On-Line installiert ist und in der Lage ist, auf normale
Weise die Phaseninformation der zugeführten Spannung zu erhalten,
im Hinblick auf die elektrische Hochspannungs-Anlage
Wenn zusätzlich die Größe der Entladungssignale als ein Eingangsvektor des neuronalen Netzwerks verwendet wird, könnten sogar in dem Falle gleicher Teilentladungssignale die Größen der erfaßten Teilentladungssignale unterschiedlich sein entsprechend der Sensitivität der Sensoren, des Abstandes einer Entladungsquelle, der Eigenschaften einer Signalerfassungsvorrichtung, und das neuronale Netzwerk muß unter Verwendung der verschiedenen Größen von Entladungssignalen trainiert werden. Wenn speziell die Verstärkungen der verschiedenen Verstärker in einer Entladungssignal-Erfassungsvorrichtung verändert werden, kann die für die identischen Entladungssignale gemessene Größe der Signale sich verändern. Deshalb muß das neuronale Netzwerk erneut trainiert werden.If additionally the size of the discharge signals is used as an input vector of the neural network, could even in the case of the same partial discharge signals, the sizes of detected Partial discharge signals be different according to the sensitivity of the sensors, the distance of a discharge source, the characteristics of a signal detection device, and the neural network must be under Using the different sizes of Discharge signals are trained. If specifically the reinforcements the different amplifiers be changed in a discharge signal detecting device, can the for the identical discharge signals change the measured size of the signals. Therefore that must be neural network to be re-trained.
Deshalb wurde die vorliegende Erfindung angesichts der obigen Probleme durchgeführt und es ist eine Aufgabe der vorliegenden Erfindung, ein Eingangsvektorbildungsverfahren des neuronalen Netzwerks zur Autoidentifikation der Teilentladungsquelle bereitzustellen, welches in der Lage ist, unter Verwendung einer neuronalen Netzwerkvorrichtung aus den gemessenen Teilentladungssignalen automatisch Entladungsquellen anzuzeigen zur Verhinderung eines Ausfalls der elektrischen Hochspannungs- Anlage, beispielsweise einer GIS, einem Transformator, einem Motor, einem Starkstromkabel.Therefore the present invention has been made in view of the above problems and It is an object of the present invention to provide an input vectoring method the neural network to provide auto-identification of the partial discharge source, which is capable of using a neural network device from the measured partial discharge signals automatically discharge sources to prevent a failure of the high voltage electrical system, for example a GIS, a transformer, a motor, a power cable.
Weiterhin soll ein Eingangsvektorbildungsverfahren des neuronalen Netzwerks zur Autoidentifikation der Teilentladungsquelle bereitgestellt werden, das in der Lage ist, auf die Teilentladungsquelle zu schließen in einem Zustand, in dem die Phaseninformation des der elektrischen Hochspannungs-Anlage zugeführten Stroms nicht erhalten werden kann, und eine Phase der einer Position, an der die Entladung auftritt, zugeführten Leistung, wenn die elektrische Hochspannungs-Anlage mehrere Leistungsphasen verwendet, zu analogisieren.Farther is an input vector forming method of the neural network be provided for auto-identification of the partial discharge source, which is able to close to the partial discharge source in one State in which the phase information of the high-voltage electrical system supplied Electricity can not be obtained, and a phase of a position at which the discharge occurs, supplied power when the electric High-voltage plant uses several power phases to analogize.
Weiterhin soll ein Eingangsvektorbildungsverfahren des neuronalen Netzwerkes zur Autoidentifikation einer Teilentladungsquelle bereitgestellt werden, das in der Lage ist, eine identische neuronale Netzwerkvorrichtung zum Analysieren von Signalen zu verwenden, die durch Teilentladungs-Meßvorrichtungen gemessen wurden, deren Datenerfassungsschaltungs-Verstärker oder Signalabschwächer-Eigenschaften von einer Teilentladungs-Meßvorrichtung zur anderen unterschiedlich sind, welche nicht die Größeninformation des Entladungssignals als einen Eingangsvektor der neuronalen Netzwerkevorrichtung verwendet.Farther is an input vector forming method of the neural network be provided for auto-identification of a partial discharge source, which is capable of an identical neural network device for analyzing signals generated by partial discharge measuring devices whose data acquisition circuit amplifier or Signal attenuator properties from a partial discharge measuring device different from others, which are not the size information of the discharge signal as an input vector of the neural network device used.
Die Aufgabe wird gelöst durch ein Eingangsvektorbildungsverfahren eines neuronalen Netzwerkes gemäß Anspruch 1.The Task is solved by an input vector forming method of a neural network according to claim 1.
Weiterbildungen der Erfindung werden in den Unteransprüchen beschrieben.further developments The invention will be described in the subclaims.
Gemäß der vorliegenden Erfindung können die obige Aufgabe und weitere Aufgaben gelöst werden durch die Bereitstellung eines Eingangsvektorbildungsverfahrens eines neuronalen Netzwerks zur automatischen Identifikation der Teilentladungsquelle, bei dem der Eingangsvektor in einem Mehrfachschicht-Perzeptron-Aufbau, einer selbstorganisierten Karte (self-organized map) oder anderen Arten von neuronalen Netzwerken verwendet wird, die automatisch auf eine Quelle von Teilentladungssignalen schließen, welche in einer Hochspannungs-Anlage, wie z.B. einer GIS, einem Transformator, einem Stromkabel, einer Elektrizitätsverteilungsvorrichtung, etc. erzeugt werden. Die vorliegende Erfindung weist die Schritte auf: Bilden eines Φn: Φn-1:N-Graphen unter Verwendung von Entladungssignalen, die von einer Teilentladungs-Meßvorrichtung gemessen wurden, Transformieren des Φn: Φn-1:N-Graphen von unten rechts des Φn: Φn-1:N-Graphen nach oben links des Φn: Φn-1:N-Graphen, Extrahieren der als Eingangsvektor der neuronalen Netzwerkvorrichtung zu verwendenden phasenabhängigen Summation, Extrahieren der als Eingangsvektor der neuronalen Netzwerkvorrichtung zu verwendenden phasenunabhängigen Summation und Zuführen der phasenabhängigen Summation und der phasenunabhängigen Summation an die neuronale Netzwerkvorrichtung als ein Eingangsvektor derselben.According to the present invention, the above object and other objects can be achieved by providing an input vector forming method of a neural network for automatic identification of the partial discharge source in which the input vector is in a multi-layer perceptron structure, a self-organized map or others Types of neural networks are used which automatically close to a source of partial discharge signals generated in a high voltage plant such as a GIS, a transformer, a power cable, an electricity distribution device, etc. The present invention comprises the steps of: forming a Φn: Φn-1: N graph using discharge signals measured by a partial discharge measuring device, transforming the Φn: Φn-1: N graph from the bottom right of the Φn: Φn-1: N-graphs upwards to the left of the Φn: Φn-1: N graph, extracting the phase-dependent summation to be used as the input vector to the neural network device, extracting the phase independent summation to be used as the input vector to the neural network device, and supplying the phase independent summation and the phase independent summation to the neural network device as Input vector of the same.
Vorzugsweise kann das Verfahren weiterhin den Schritt des Vergleichens der von den Entladungssignalen erhaltenen phasenabhängigen Summation und ihrer um 120° und 240° oder einen anderen wert phasenverschobenen Gestalt mit der Gestalt der Referenz-phasenunabhängigen Summation, die aus Trainingsdaten der Teilentladungsquelle in dem neuronalen Netzwerk erzeugt wurde und das anschließende Erhalten einer Phase des einem Punkt, in dem ein Entladungssignal erzeugt wird, zugeführten Stroms, aufweisen.Preferably The method may further include the step of comparing the the phase-dependent summation obtained from the discharge signals and their around 120 ° and 240 ° or another phase-shifted shape with the shape of the Reference phase-independent Summation, which consists of training data of the partial discharge source in the neural network was generated and the subsequent obtaining a phase of the one point where a discharge signal is generated is fed Electricity.
Vorzugsweise kann das Verfahren weiterhin aufweisen den Schritt des Multiplizierens der von den Entladungssignalen er haltenen phasenabhängigen Summation und ihrer um 120° und 240° oder einen anderen Wert phasenverschobenen Gestalt mit der Referenz-phasenunabhängigen Summation, die aus Trainingsdaten der Teilentladungsquelle in dem neuronalen Netzwerk erzeugt wurde, den Schritt des Integrierens des Multiplikationswertes und den Schritt des Auswählens einer phasenabhängigen Summation mit der größten Integralfläche als einer phasenunabhängigen Summation, die die exakte Stromphase des Punktes anzeigt, in dem ein Entladungssignal erzeugt wird.Preferably the method may further comprise the step of multiplying the phase-dependent summation held by the discharge signals and theirs around 120 ° and 240 ° or phase-shifted shape with the reference phase-independent summation, from training data of the partial discharge source in the neural Network, the step of integrating the multiplication value and the step of selecting a phase dependent Summation with the largest integral area as a phase independent Summation indicating the exact current phase of the point in which a discharge signal is generated.
Vorzugsweise kann das Verfahren weiterhin aufweisen den Schritt des Erhaltens einer Kreuzkorrelation zwischen der phasenabhängigen Summation, die von den Entladungssignalen erhalten wurde und ihre um 120° und 240° oder einen anderen Wert phasenverschobenen Gestalt mit der Gestalt der Referenz-phasenabhängigen Summation, die aus Trainingsdaten der Teilentladungsquelle in dem neuronalen Netzwerk erzeugt wurde, und das anschließende Erhalten einer Phase des einem Punkt, in dem ein Entladungssignal erzeugt wird, zugeführten Stroms, aufweisen.Preferably The method may further comprise the step of obtaining a cross - correlation between the phase - dependent summation, that of the Discharge signals was received and their by 120 ° and 240 ° or one phase-shifted shape having the shape of the reference phase-dependent summation, from training data of the partial discharge source in the neural Network was created, and the subsequent obtaining a phase the current supplied to a point in which a discharge signal is generated.
Weitere Merkmale und Zweckmäßigkeiten der vorliegenden Erfindung werden anhand der nachfolgenden Beschreibung von Ausführungsbeispielen unter Zuhilfenahme der Zeichnungen deutlich. von den Figuren zeigen:Further Features and Practices of The present invention will become apparent from the following description of exemplary embodiments clearly with the aid of the drawings. from the figures show:
Im folgenden wird im Detail Bezug genommen auf die Ausführungsformen der vorliegenden Erfindung. Beispiele derselben sind in den beigefügten Zeichnungen veranschaulicht, in denen gleiche Bezugszeichen sich durchgängig auf die gleichen Elemente beziehen. Die Ausführungsformen werden im folgenden beschrieben zur Erläuterung der vorliegenden Erfindung unter Bezugnahme auf die Figuren.in the The following will be referred in detail to the embodiments of the present invention. Examples thereof are given in the accompanying drawings illustrates in which like reference numerals are consistent refer to the same elements. The embodiments will be described below described for explanation of the present invention with reference to the figures.
Ein Eingangsvektorbildungsverfahren eines neuronalen Netzwerks zur Autoidentifikation einer Teilentladungsquelle gemäß der vorliegenden Erfindung wird im folgenden im Detail beschrieben.An input vector forming method of a The neural network for auto-identification of a partial discharge source according to the present invention will be described below in detail.
Ein Eingangsvektor wird extrahiert, wobei der Eingangsvektor nicht die Größe der Entladungssignale der Teilentladungssignale und die Phaseninformation der angelegten Spannung beinhaltet. Durch eine neuronale Netzwerk-Vorrichtung kann unter Verwendung des Eingangsvektors in einem Zustand, in dem die Phaseninformation einer an eine Hochspannungs-Anlage angelegten Spannung nicht vorhanden ist, automatisch auf die Quelle der Teilentladung geschlossen werden. Da die beiden Eingangsvektoren nicht die Größeninformation der Entladungssignale verwenden, darf die neuronale Netzwerkschaltung nicht im Hinblick auf die Größe der Signale trainiert werden. Wenn verschiedene Phasen der Leistung der Hochspannungs-Anlage zugeführt werden, werden Eingangsvektoren einschließlich der gefolgerten Teilentladungsquellen und der Phaseninformation so erzeugt, daß eine Phase der zugeführten Leistung an dem Punkt, an dem die Teilentladung erzeugt wird, analysiert werden kann.One Input vector is extracted, where the input vector is not the Size of the discharge signals the partial discharge signals and the phase information of the applied Includes voltage. Through a neural network device can using the input vector in a state where the Phase information of an applied to a high voltage system Voltage is not present automatically to the source of the partial discharge getting closed. Since the two input vectors are not the size information The discharge signals may use the neural network circuit not in terms of the size of the signals be trained. When different phases of the power of the high-voltage plant be fed be input vectors including the inferred partial discharge sources and the phase information is generated so that a phase of the supplied power at the point where the partial discharge is generated can be.
Die
vorliegende Erfindung ist bezogen auf die Erzeugung eines Eingangsvektors
einer neuronalen Netzwerkschaltung zum Folgern der präzisen Entladungsquellen.
Wie in
Wie
in
Das Φn: Φn-1:N-Visualisierungsverfahren beschreibt die Beziehung zwischen den Phasen der an eine Hochspannungs-Leistungsvorrichtung angelegten Spannungen zu Zeitpunkten, wenn nacheinander Entladungen erzeugt werden.The Φn: Φn-1: N visualization method describes the relationship between the phases of a high-voltage power device applied voltages at times when successive discharges be generated.
Wenn
nämlich
in einer HochspannungsAnlage nacheinander Entladungssignale erzeugt
werden, ist die Phase der Spannung in K Säulen zwischen 0° und 360° der Spannungsphase
unterteilt, wie in
Auf ähnliche
Weise wird, wenn die Phase Φn der
angelegten Spannung des vorangehenden Entladungssignals des zweiten
aufeinanderfolgenden Entladungssignals der j-ten (1≤j≤K) Phase entspricht und
die Phase Φn+1
der angelegten Spannung des folgenden Entladungssignals der j'-ten (1≤j'≤K) Phase entspricht, Eins zu
einem Wert von (j, j')
in einem zweidimensionalen Diagramm, dessen Anfangswert auf Null
gesetzt wird, Pjj', bei den drei aufeinanderfolgenden
Entladungssignalen
Die Φn: Φn-1:N-Muster
der Entladungssignale, die durch das oben erwähnte Verfahren für eine gegebene
Zeit (T) gemessen werden, können
als
Hier
kann die Anzahl
Da
andererseits die Gestalten solch eines durch das Φn: Φn-1:N-Visualisierungsverfahrens
erzeugten Entladungsmusters entsprechend den Arten von Entladungsquellen
unterschiedlich ist, ist es hinreichend, Eingangsvektoren basierend
auf den Entladungsquellen so zu erzeugen, daß die Eingangsvektoren entsprechend
der Art der Teilentladungsquellen unterschieden werden können. Zum
Erhalt eines Eingangsvektors ausschließlich der Phaseninformation ist
Wenn
in
Hier
sind die phasenabhängige
Summation
Wenn
die phasenunabhängige
Summation
Wenn
die phasenunabhängige
Summation
Die
neuronale Netzwerkschaltung, die die phasenabhängige Summation
Wenn
die phasenabhängige
Summation
Beispielsweise wird unten bei einer Drei-Phasenbündel-GIS, bei der die Phasen R, G und B gleichzeitig vorhanden sind, die Messung der Entladungssignale unter Verwendung einer Teilentladungs-Meßvorrichtung, die synchron zur Phase R ist, im Detail beschrieben, wobei die Teilentladung bei der Phase G auftritt.For example, in the case of a three-phase bundle GIS in which the phases R, G and B are present simultaneously, the measurement of the Discharge signals using a partial discharge measuring device, which is synchronous to the phase R, described in detail, wherein the partial discharge occurs at the phase G.
Wie
in
Danach
wird die Gestalt der phasenunabhängigen
Referenzsummation
Hier
ist die Gestalt, die der phasenunabhängigen Referenzsummation
In
diesem Fall gibt es verschiedene Methoden zum numerischen Ausdrücken der
Analogie zwischen einer phasenunabhängigen Referenzsummation
Wenn
in dem obigen Beispiel die Multiplikation der phasenunabhängigen Summationen
Auch Verfahren wie z.B. eine Kreuzkorrelation, etc. können eine Phase ableiten.Also Methods such as a cross-correlation, etc. can derive a phase.
Wie oben erwähnt hat das Eingangsvektorbildungsverfahren eines neuronalen Netzwerks zur Autoidentifikation einer Teilentladungsquelle gemäß der vorliegenden Erfindung den Vorteil, daß Meßvorbereitungsaufwendungen und Kosten verringert werden können, da es nicht nötig ist, die Phaseninformation der elektrischen Anlage zu erhalten in einem Zustand, in dem ein Phasensignal nicht auf einfache Weise von einem PT oder einem Spannungsteiler, etc. zugeführt werden kann, wenn eine neuronale Netzwerkschaltung, die eine phasenunabhängige Summation anwendet, verwendet wird. Zusätzlich hat das Verfahren den Vorteil, daß ein Schlußfolgerungsergebnis von verhältnismäßig hoher Zuverlässigkeit der Auto-Klassifikation für die Entladungsquellen erhalten werden kann und eine identische neuronale Netzwerkschaltung in einer anderen Teilentladungs-Meßvorrichtung verwendet werden kann, in der Eigenschaften eines Verstärkers oder eines Signalabschwächers, die in der Teilentladungs-Meßvorrichtung sind, voneinander verschieden sind, da der Eingangsvektor einer neuronalen Netzwerkvorrichtung aus Entladungsarten extrahiert wird, die nicht die Größeninformation des Teilentladungssignals enthalten.As mentioned above has the input vector forming method of a neural network for auto-identification of a partial discharge source according to the present invention Invention the advantage that Meßvorbereitungsaufwendungen and costs can be reduced, because it is not necessary is to get the phase information of the electrical system in a state in which a phase signal is not easy be supplied from a PT or a voltage divider, etc. can, if a neural network circuit, which is a phase independent summation applies. Additionally has the method has the advantage that a Inference result of relatively high reliability the car classification for the discharge sources can be obtained and an identical neural Network switching in another partial discharge measuring device can be used in the properties of an amplifier or a signal attenuator, in the partial discharge measuring device are different from each other, since the input vector is a neural network device is extracted from discharge modes, not the size information of the partial discharge signal.
Weiterhin kann das Verfahren eine größere Gelegenheit zur Wiederherstellung bei abnormalen Zuständen einer elektrischen Anlage mit verschiedenen Leistungsphasen geben, da die Phase der angelegten Spannung an einem Abschnitt, an dem die Teilentladung erzeugt wird, unter Verwendung der phasenunabhängigen Summation und der phasenabhängigen Summation erfaßt werden kann und so Positionen, an denen Teilentladungen erzeugt werden, auf einfache Weise aufgespürt werden können.Farther The procedure can be a bigger opportunity for the restoration of abnormal conditions of an electrical system with different phases of performance, given the phase of the applied Voltage at a portion where the partial discharge is generated using the phase independent Summation and the phase-dependent Summation detected can be and so positions, where partial discharges generated be tracked down in a simple way.
Claims (4)
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020050101969A KR100729107B1 (en) | 2005-10-27 | 2005-10-27 | Methods of Input Vector formation for Auto-identification of partial discharge source using neural networks |
KR10-2005-0101969 | 2005-10-27 |
Publications (2)
Publication Number | Publication Date |
---|---|
DE102006008482A1 true DE102006008482A1 (en) | 2007-05-03 |
DE102006008482B4 DE102006008482B4 (en) | 2010-10-07 |
Family
ID=37912931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102006008482A Expired - Fee Related DE102006008482B4 (en) | 2005-10-27 | 2006-02-23 | Input vectoring method in neural networks for auto-identification of a partial discharge source |
Country Status (4)
Country | Link |
---|---|
JP (1) | JP4244353B2 (en) |
KR (1) | KR100729107B1 (en) |
DE (1) | DE102006008482B4 (en) |
GB (1) | GB2431726B (en) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100853725B1 (en) * | 2007-06-20 | 2008-08-22 | (주) 피에스디테크 | Gis partial discharge diagnostic method and system thereof with prps algorithm |
KR100919293B1 (en) * | 2008-09-24 | 2009-10-01 | 주식회사 케이디파워 | Detecting device series arcs in electrical systems ane methode for detecting the same |
KR101051099B1 (en) * | 2008-09-30 | 2011-07-21 | 한국전력공사 | Microwave partial discharge and discharge position measuring device of high voltage power equipment |
CN102221651B (en) * | 2011-03-11 | 2015-05-27 | 太原理工大学 | Fault on-line diagnosis and early warning method of flameproof dry-type transformer for mine |
US20120330871A1 (en) * | 2011-06-27 | 2012-12-27 | Asiri Yahya Ahmed | Using values of prpd envelope to classify single and multiple partial discharge (pd) defects in hv equipment |
FR2981457B1 (en) * | 2011-10-12 | 2015-04-03 | Michel Gaeta | METHOD AND DEVICE FOR DETECTING DYSFUNCTION IN AN ELECTRICAL NETWORK |
CN104391184B (en) * | 2014-11-12 | 2017-04-12 | 珠海市齐飞信息技术有限公司 | Transformer phase loss detection and warning device and method |
CN105334436B (en) * | 2015-10-30 | 2018-08-10 | 山东电力研究院 | Crosslinked cable Partial Discharge Pattern Recognition Method based on SOM-BP combination neural nets |
CN105606976B (en) * | 2016-03-09 | 2018-09-18 | 国家电网公司 | A kind of anti-interference method for GIS partial discharge superfrequency on-line monitoring |
JP6553303B2 (en) * | 2016-09-01 | 2019-07-31 | 株式会社東芝 | Partial discharge monitoring system |
CN111183500B (en) | 2017-10-16 | 2022-09-02 | 日立能源瑞士股份公司 | Method and device for monitoring circuit breaker and Internet of things using device |
KR102051670B1 (en) | 2017-12-19 | 2019-12-04 | 한국전력공사 | Apparatus, system and computer readable recording medium for detecting defective material of electric power equipment |
CN108896857B (en) * | 2018-07-06 | 2020-12-01 | 北京四方继保自动化股份有限公司 | Deep learning-based complex working condition identification method for transformer |
KR102183305B1 (en) | 2018-08-03 | 2020-11-26 | 국민대학교산학협력단 | Apparatus and method for determining neural network feature vector |
KR102089187B1 (en) * | 2018-12-11 | 2020-03-13 | 한국전력공사 | Diagnostic system and method for power cable junction box |
CN110096723B (en) * | 2019-01-22 | 2023-05-16 | 国网山西省电力公司长治供电公司 | High-voltage switch cabinet insulation state analysis method based on operation and maintenance detection big data |
CN110286303A (en) * | 2019-07-10 | 2019-09-27 | 国家电网有限公司 | A kind of coaxial cable insulation cable ageing state appraisal procedure based on BP neural network |
KR102289411B1 (en) | 2019-08-27 | 2021-08-12 | 국민대학교산학협력단 | Weighted feature vector generation device and method |
KR102269652B1 (en) | 2019-09-24 | 2021-06-25 | 국민대학교산학협력단 | Machine learning-based learning vector generation device and method for analyzing security logs |
KR102289401B1 (en) | 2019-10-14 | 2021-08-12 | 국민대학교산학협력단 | Apparatus and method for generating feature vector with label information |
CN111707915B (en) * | 2020-07-10 | 2022-10-14 | 中车唐山机车车辆有限公司 | Online insulation evaluation method and device based on partial discharge of traction motor |
KR102607227B1 (en) * | 2020-09-15 | 2023-11-29 | 한국전력공사 | System and Method for monitoring partial discharge using sensor data |
KR20230165650A (en) | 2022-05-27 | 2023-12-05 | 국민대학교산학협력단 | Security event analysis and visualization apparatus and method based on graph random walk with restart |
CN115453286B (en) * | 2022-09-01 | 2023-05-05 | 珠海市伊特高科技有限公司 | GIS partial discharge diagnosis method, model training method, device and system |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5260871A (en) * | 1991-07-31 | 1993-11-09 | Mayo Foundation For Medical Education And Research | Method and apparatus for diagnosis of breast tumors |
DE4333259C1 (en) * | 1993-09-27 | 1995-05-24 | Siemens Ag | Method for generating a direction signal indicating the direction of a short-circuit current |
JP3201959B2 (en) * | 1996-09-03 | 2001-08-27 | 古河電気工業株式会社 | Partial discharge measurement method |
US6650779B2 (en) * | 1999-03-26 | 2003-11-18 | Georgia Tech Research Corp. | Method and apparatus for analyzing an image to detect and identify patterns |
GB0104763D0 (en) * | 2001-02-27 | 2001-04-18 | Smiths Group Plc | Arc detection |
KR200487036Y1 (en) * | 2017-09-22 | 2018-08-28 | 동서위생 주식회사 | Cotton |
-
2005
- 2005-10-27 KR KR1020050101969A patent/KR100729107B1/en active IP Right Grant
-
2006
- 2006-01-13 GB GB0600677A patent/GB2431726B/en not_active Expired - Fee Related
- 2006-02-03 JP JP2006027771A patent/JP4244353B2/en not_active Expired - Fee Related
- 2006-02-23 DE DE102006008482A patent/DE102006008482B4/en not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
KR100729107B1 (en) | 2007-06-14 |
DE102006008482B4 (en) | 2010-10-07 |
GB2431726B (en) | 2010-04-21 |
GB2431726A (en) | 2007-05-02 |
KR20070045558A (en) | 2007-05-02 |
GB0600677D0 (en) | 2006-02-22 |
JP2007124880A (en) | 2007-05-17 |
JP4244353B2 (en) | 2009-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102006008482B4 (en) | Input vectoring method in neural networks for auto-identification of a partial discharge source | |
DE69734992T2 (en) | Automatic localization of faults in cabling systems | |
DE69818275T2 (en) | QUALITY MEASUREMENT OF WELDING | |
DE4333257C2 (en) | Method of obtaining an error flag signal | |
WO1997036185A1 (en) | Process for producing fault classification signals | |
DE19808197C2 (en) | System and method for diagnosing engine conditions | |
EP0782692B1 (en) | Sensor arrangement and method of detecting measured values using said sensor arrangement | |
AT511577A2 (en) | MACHINE IMPLEMENTED METHOD FOR OBTAINING DATA FROM A NON-LINEAR DYNAMIC ESTATE SYSTEM DURING A TEST RUN | |
EP0721685B1 (en) | Method of generating a signal indicating the direction of a short-circuit | |
DE112018003079T5 (en) | Lathe system diagnostic device, power conversion device, lathe system, and lathe system diagnostic method | |
WO2020188054A1 (en) | Apparatus for analysing currents in an electrical load, and load having such an apparatus | |
EP2722949A1 (en) | Conductor detection in a process for the removal of insulation from cables | |
EP0976189B1 (en) | Method for determining the location of a partial discharge | |
DE19734947A1 (en) | Process control method | |
DE102020210147A1 (en) | Device and method for the local determination of characteristic values of a battery cell | |
DE4124501C2 (en) | Neural network with automatic installation of intermediate neurons | |
EP3712624A1 (en) | Method for operating a technical device | |
EP3921658A1 (en) | Method and testing device | |
EP0707247A1 (en) | Analyzer, in particular for waste water | |
DE102021119207B4 (en) | Device and method for identifying an assignment of a phase connection of an electrical device to a phase conductor connected thereto | |
DE102018222484A1 (en) | Method and device for determining an availability state of a parking space | |
DE102020122792B4 (en) | Device, system and method for determining error signal windows in a measurement signal | |
DE19835137A1 (en) | Arrangement for determining concentration of measurement liquid has neural network concealed layer between input and output layers with several neurons connected between inputs and outputs | |
EP3340413A1 (en) | Method, control device and system for determining condition data of an electrical energy supply network | |
DE102006038549A1 (en) | Method and device for controlling personal protective equipment, computer program and computer program product |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8110 | Request for examination paragraph 44 | ||
8364 | No opposition during term of opposition | ||
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee |