RU2723155C1 - Method of electric discharge detection and classification on electric equipment - Google Patents
Method of electric discharge detection and classification on electric equipment Download PDFInfo
- Publication number
- RU2723155C1 RU2723155C1 RU2019116560A RU2019116560A RU2723155C1 RU 2723155 C1 RU2723155 C1 RU 2723155C1 RU 2019116560 A RU2019116560 A RU 2019116560A RU 2019116560 A RU2019116560 A RU 2019116560A RU 2723155 C1 RU2723155 C1 RU 2723155C1
- Authority
- RU
- Russia
- Prior art keywords
- electric discharge
- neural network
- electric
- monitoring
- radio
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Relating To Insulation (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
Description
Изобретение относится к электроэнергетике и может быть использовано для дистанционного контроля различных видов высоковольтного оборудования в сфере электроэнергетики.The invention relates to the electric power industry and can be used for remote monitoring of various types of high-voltage equipment in the field of electric power.
Известны способ и система измерения электрического разряда, характеризующегося величиной разрядного тока, основанные на обнаружении соответствующего оптического излучения [1]. Способ включает в себя сохранение заданных калибровочных данных, содержащих опорные количественные показатели, связанные с величинами электрических разрядов и соответствующими им параметрами детектора, получение и обработку конкретного параметра детектора с помощью калибровочных данных, обнаружение электрического разряда и определение количественного показателя, связанного с величиной обнаруженного электрического разряда. При этом параметры детектора представляют собой рабочие параметры, связанные с оптическим детектором.A known method and system for measuring an electric discharge, characterized by the magnitude of the discharge current, based on the detection of the corresponding optical radiation [1]. The method includes storing predetermined calibration data containing reference quantitative indicators related to the magnitude of the electric discharges and the corresponding detector parameters, obtaining and processing a specific detector parameter using calibration data, detecting an electric discharge and determining a quantitative indicator associated with the magnitude of the detected electric discharge . In this case, the detector parameters are the operating parameters associated with the optical detector.
К недостаткам данного метода можно отнести то, что данный метод требует нахождения в области прямой видимости всех элементов конструкции объекта мониторинга, как следствие, возникает необходимость постоянно перемещать приемник с целью мониторинга всех возможных мест возникновения разряда, или увеличивать число приемников, а также то, что имеется высокая вероятность ложных срабатываний во время грозовых явлений в атмосфере или при прямой засветке матрицы приемника солнечным светом.The disadvantages of this method include the fact that this method requires finding in the line of sight all the structural elements of the monitoring object, as a result, there is a need to constantly move the receiver in order to monitor all possible places of the discharge, or to increase the number of receivers, as well as there is a high probability of false positives during thunderstorms in the atmosphere or with direct exposure of the receiver matrix to sunlight.
Известен способ обнаружения, основанный на обнаружении ультразвуковых сигналов, возникающих при электрическом разряде. Данный способ неоднократно подвергался улучшению, один из наиболее совершенных вариантов описан в [2].A known detection method based on the detection of ultrasonic signals arising from an electric discharge. This method has been repeatedly improved, one of the most advanced options is described in [2].
Недостаток этого способа заключается в относительно низкой дальности обнаружения разрядов, а также необходимость нахождения разряда в области прямой видимости.The disadvantage of this method is the relatively low detection range of the discharges, as well as the need to find the discharge in the line of sight.
Известен способ диагностики и локации дефектов в изоляции линий электропередачи, с использованием беспилотного летательного аппарата, включающий в себя измерение напряженности поля для автоматического поддержания вертикального расположения летательного аппарата относительно линий электропередач, и записи измеряемой информации совместно с координатами, получаемыми при помощи GPS- или ГЛОНАСС-навигаторов. Данный способ описан в [3]. К недостаткам данного способа можно отнести сложность организации непрерывного мониторинга ЛЭП и невозможность мониторинга при неблагоприятных погодных условиях.A known method for diagnosing and locating defects in the isolation of power lines using an unmanned aerial vehicle, including measuring the field strength to automatically maintain the vertical position of the aircraft relative to power lines, and recording measured information together with the coordinates obtained using GPS or GLONASS navigators. This method is described in [3]. The disadvantages of this method include the difficulty of organizing continuous monitoring of power lines and the inability to monitor in adverse weather conditions.
Известен способ определения наличия источников электроразрядной активности в изоляции электротехнического оборудования, описанный в [4]. К недостаткам данного способа можно отнести то, что его применение принципиально возможно только на электроустановках, имеющих одинаковый уровень минимального электромагнитного излучения, что исключает его использование в случае протяженных объектов, а также то, что в данном способе не предусмотрена возможность распознания вида разряда.A known method for determining the presence of sources of electrical discharge activity in the insulation of electrical equipment, described in [4]. The disadvantages of this method include the fact that its use is fundamentally possible only in electrical installations having the same level of minimum electromagnetic radiation, which excludes its use in the case of extended objects, as well as the fact that this method does not provide for the possibility of recognizing the type of discharge.
Известна система мониторинга системы доставки электроэнергии посредством получения высокочастотных измерений электрической системы и отображения информации о событии, которая описана в [5]. К недостаткам данного метода можно отнести необходимость непосредственного размещения средств измерения на линиях электропередач, также в системе не предусмотрена возможность мониторинга иных видов электрооборудования, кроме линий электропередач.A known monitoring system for an electric power delivery system by obtaining high-frequency measurements of an electrical system and displaying event information, which is described in [5]. The disadvantages of this method include the need for direct placement of measuring instruments on power lines, and the system does not provide the ability to monitor other types of electrical equipment, except power lines.
Известен способ определения неисправности трансформатора на основе алгоритма нейронной сети, описанный в [6]. К недостаткам данного способа можно отнести невозможность мониторинга иных видов электрооборудования, кроме трансформаторов.A known method for determining the fault of a transformer based on a neural network algorithm, described in [6]. The disadvantages of this method include the inability to monitor other types of electrical equipment, except transformers.
Известна система и способ управления устройствами контроля и мониторинга, описанный в [7]. В данном программно-определяемая радиосистема используется для связи с широкой номенклатурой устройств контроля и мониторинга. Недостатком данного метода является необходимость в дополнительных датчиках мониторинга, так как программно-определяемая радиосистема используется только для связи со сторонними датчиками, а не для непосредственного получения информации об электрических разрядах.A known system and method for controlling control and monitoring devices described in [7]. In this software-defined radio system is used to communicate with a wide range of control and monitoring devices. The disadvantage of this method is the need for additional monitoring sensors, since a software-defined radio system is used only for communication with third-party sensors, and not for directly obtaining information about electrical discharges.
Известен также способ и устройство для определения появления электрической дуги на, по меньшей мере, одном электрическом кабеле, который описан в [8]. В данном изобретении используется блок сбора данных, который подключен линией связи к кабелю, на котором ведется мониторинг, блок обработки информации, основанный на преобразовании информации в цифровую форму данных, дальнейшей фильтрации и векторном анализе, который отделяет полученные данные, соответствующие электрической дуге, от всех остальных, таким образом выполняя задачу выявления электрической дуги, воспринимая прочие проявления электроразрядной активности как помехи.There is also a known method and device for determining the appearance of an electric arc on at least one electric cable, which is described in [8]. In this invention, a data collection unit is used, which is connected by a communication line to the cable on which monitoring is carried out, an information processing unit based on converting information into a digital form of data, further filtering and vector analysis, which separates the received data corresponding to the electric arc from all the rest, thus fulfilling the task of detecting an electric arc, perceiving other manifestations of electric discharge activity as interference.
Этот способ выбран в качестве прототипа предложенного решения. К недостаткам данного метода можно отнести:This method is selected as a prototype of the proposed solution. The disadvantages of this method include:
1) метод не является дистанционным, что требует проведений измерения непосредственно на исследуемом кабеле;1) the method is not remote, which requires measurements directly on the test cable;
2) метод не позволяет получать информацию о частичных и коронных разрядах.2) the method does not allow obtaining information on partial and corona discharges.
Технический результат предполагаемого изобретения заключается в создании способа обнаружения и классификации электрического разряда на электрооборудовании, обладающий возможностью дистанционного мониторинга и возможностью выявлять частичные и коронные разряды.The technical result of the proposed invention is to provide a method for detecting and classifying an electric discharge in electrical equipment, with the ability to remotely monitor and detect partial and corona discharges.
Указанный технический результат достигается тем, что в способе применяется мониторинг электрооборудования при помощи датчика на основе программно-определяемой радиосистемы, помехозащищенность и возможность определять разные виды разрядов которого обеспечивается, с одной стороны, возможностью выбора частоты мониторинга в широком диапазоне, с другой стороны, обработкой данных и управлением процессом радиоприема при помощи предварительно обученной искусственной нейронной сети.The specified technical result is achieved by the fact that the method uses monitoring of electrical equipment using a sensor based on a software-defined radio system, noise immunity and the ability to determine different types of discharges which is provided, on the one hand, with the possibility of choosing a monitoring frequency in a wide range, on the other hand, with data processing and controlling the radio reception process using a pre-trained artificial neural network.
На фиг. 1 изображена схема реализации способа обнаружения и классификации электрического разряда на электрооборудовании, содержащая приемную антенну (1), программно-определяемую радиосистему (2),-блок цифровой обработки и фильтрации (3), предварительно обученную нейронную сеть и систему управления (5).In FIG. 1 shows a diagram of an implementation of a method for detecting and classifying an electric discharge on electrical equipment, comprising a receiving antenna (1), a software-defined radio system (2), a digital processing and filtering unit (3), a pre-trained neural network and a control system (5).
Для реализации данного способа осуществляется непрерывный прием радиоволнового излучения, при помощи антенны (1) и программно-определяемой радиосистемы (2), с дискретизацией и фильтрацией в блоке цифровой обработки и фильтрации (3), позволяющий сохранить форму огибающей с приемлемой для дальнейшего анализа точностью.To implement this method, continuous reception of radio wave radiation is carried out using an antenna (1) and a software-defined radio system (2), with sampling and filtering in the digital processing and filtering unit (3), which allows you to save the envelope shape with accuracy acceptable for further analysis.
Распознавание аномалий, соответствующих тем или иным видам разрядов или признаков того, что данная частота активно используется в каких-либо целях и не пригодна для работы датчика, проводится предварительно обученной искусственной нейронной сетью (4), значения непригодных для работы датчика частот фиксируются системой управления (5). Система управления определяет параметры работы программно-определяемой радиосистемы, параметры работы искусственной нейронной сети, блока цифровой обработки и фильтрации и выдает полученный результат работы датчика (6).The recognition of anomalies corresponding to certain types of discharges or signs that this frequency is actively used for any purpose and is not suitable for operation of the sensor is carried out by a pre-trained artificial neural network (4), the values of frequencies unsuitable for operation of the sensor are recorded by the control system ( 5). The control system determines the operation parameters of a software-defined radio system, the operation parameters of an artificial neural network, a digital processing and filtering unit, and provides the obtained sensor operation result (6).
Способ реализуется следующим образом. При возникновении электрического разряда возникает электромагнитное излучение в радиоволновом диапазоне, в том числе в метровом и дециметровом диапазонах радиоволн. В выбранном диапазоне осуществляется непрерывный прием радиоволнового излучения с последующей дискретизацией, позволяющий сохранить форму огибающей с приемлемой для дальнейшего анализа точностью. Текущая частота радиоприема задается системой управления, и, благодаря архитектуре программно-определяемой радиосистемы (подробно описанной в [9], пример конкретной реализации приведен в [10]), может изменяться в широком диапазоне. Существенным фактором является выбор частот, на которых ведется радиоприем. Способом предусмотрено предварительное исключение из рабочего диапазона активно используемых в коммерческих или любых других целях частот (например, диапазона частот сотовой связи GSM 900 МГц или широко используемого диапазона 433 МГц, частот, используемых для телевизионного вещания), а также динамическое исключение частот в ходе распознавания предварительно обученной искусственной нейронной сетью (4) элементов радиопередачи на данной частоте, не относящейся к радиопомехам, возникающим при том или ином виде разряда. Такие частоты могут исключаться из рабочего диапазона, и псевдослучайная частота радиоприема, выдаваемая системой управления, не будет попадать в диапазоны, содержащие типовые помехи. Таким образом достигается возможность дистанционного мониторинга различных видов электрооборудования.The method is implemented as follows. When an electric discharge occurs, electromagnetic radiation occurs in the radio wave range, including in the meter and decimeter ranges of radio waves. In the selected range, radio wave radiation is continuously received with subsequent sampling, which makes it possible to preserve the shape of the envelope with accuracy acceptable for further analysis. The current frequency of the radio reception is set by the control system, and, thanks to the architecture of a software-defined radio system (described in detail in [9], an example of a specific implementation is given in [10]), can vary over a wide range. An essential factor is the choice of frequencies at which radio reception is conducted. The method provides for the preliminary exclusion from the operating range of frequencies that are actively used for commercial or any other purpose (for example, the GSM 900 MHz cellular frequency range or the widely used 433 MHz range, frequencies used for television broadcasting), as well as the dynamic exclusion of frequencies during preliminary recognition trained by an artificial neural network (4) of radio transmission elements at a given frequency, not related to radio interference arising from a particular type of discharge. Such frequencies may be excluded from the operating range, and the pseudo-random radio frequency generated by the control system will not fall into the ranges containing typical interference. Thus, the possibility of remote monitoring of various types of electrical equipment is achieved.
Полученные данные, после цифровой фильтрации, преобразуются в последовательность отсчетов (во временной и/или спектральной областях), которая поступает на вход предварительно обученной искусственной нейронной сети.The obtained data, after digital filtering, are converted into a sequence of samples (in the time and / or spectral regions), which is fed to the input of a pre-trained artificial neural network.
Основной задачей искусственной нейронной сети является поиск аномалий, соответствующих тому или иному виду разряда или признаков того, что данная частота активно используется в каких-либо целях и не пригодна для работы датчика. Выявление и классификация разрядов производится методом распознавания шаблонов, характерных для формы огибающей принятого сигнала в случае наличия разряда изучаемого типа. При выявлении неудовлетворительной точности детектирования возможно дополнительное обучение данной нейронной сети. Типовые шаблоны для разных типов разряда приведены в [8, 9].The main task of an artificial neural network is to search for anomalies corresponding to a particular type of discharge or signs that this frequency is actively used for any purpose and is not suitable for the operation of the sensor. The identification and classification of discharges is carried out by the method of pattern recognition, which are characteristic of the shape of the envelope of the received signal in the presence of a discharge of the studied type. If unsatisfactory detection accuracy is detected, additional training of this neural network is possible. Typical templates for different types of discharge are given in [8, 9].
Искусственная нейронная сеть требует предварительного обучения. Обучающая выборка формируется следующим образом. Исходная последовательность отсчетов разделяется скользящим окном на фрагменты фиксированной длины. Каждый фрагмент размечается вручную на предмет наличия/отсутствия в нем искомой аномалии.An artificial neural network requires prior training. The training sample is formed as follows. The initial sequence of samples is divided by a sliding window into fragments of a fixed length. Each fragment is manually marked for the presence / absence of the desired anomaly in it.
На множестве полученных фрагментов обучается модель автоматического кодировщика, с помощью которого каждый фрагмент преобразуется в вектор в евклидовом пространстве признаков существенно меньшего размера относительно длины исходного фрагмента [13, 14]. Обучение модели происходит методом обучения без учителя [13, 15]. При этом векторы в пространстве признаков, соответствующие фрагментам, содержащим искомую аномалию, близки в смысле метрики пространства признаков [13].Using the set of fragments obtained, a model of an automatic encoder is trained, with the help of which each fragment is transformed into a vector in the Euclidean space of attributes of significantly smaller size relative to the length of the initial fragment [13, 14]. The model is trained by the method of teaching without a teacher [13, 15]. Moreover, the vectors in the feature space corresponding to fragments containing the desired anomaly are close in the sense of the feature space metric [13].
На множестве полученных векторов в пространстве признаков обучается модель автоматического классификатора на основе евклидовой меры подобия, обучение происходит методом обучения с учителем [16].On the set of received vectors in the trait space, a model of an automatic classifier is trained on the basis of the Euclidean similarity measure, training occurs by the method of training with a teacher [16].
Таким образом, фрагменты исходной последовательности отсчетов оказываются разделены в пространстве признаков на классы по принципу наличия/отсутствия в них искомой аномалии.Thus, fragments of the initial sequence of samples are divided into classes in the feature space according to the principle of presence / absence of the desired anomaly in them.
Во время мониторинга наблюдаемая последовательность отсчетов разбивается на фрагменты скользящим окном, и полученные фрагменты с помощью модели автоматического кодировщика преобразуются в пространство признаков, в котором модель автоматического классификатора принимает решение о наличии/отсутствии в каждом фрагменте искомой аномалии.During monitoring, the observed sequence of samples is divided into fragments by a sliding window, and the obtained fragments are transformed using the automatic encoder model into a feature space in which the automatic classifier model decides on the presence / absence of the desired anomaly in each fragment.
Результат распознавания в случае выявлений аномалий, соответствующих тому или иному виду разряда, является конечным результатом применения способа.The recognition result in the case of detection of anomalies corresponding to a particular type of discharge is the end result of applying the method.
Таким образом, использование программно-определяемой радиосистемы и предварительно обученной искусственной нейронной сети позволяет обеспечить возможность классификации обнаруженных разрядов.Thus, the use of a software-defined radio system and a pre-trained artificial neural network makes it possible to classify the detected discharges.
Принципиальная возможность использования предварительно обученной искусственной нейронной сети в электроэнергетике показана в [17].The fundamental possibility of using a pre-trained artificial neural network in the electric power industry is shown in [17].
Новизна заявленного технического решения заключается в использовании программно-определяемой радиосистемы в связке с искусственной нейронной сетью.The novelty of the claimed technical solution lies in the use of a software-defined radio system in conjunction with an artificial neural network.
Использование программно-определяемой радиосистемы в связке с предварительно обученной искусственной нейронной сетью позволяет обеспечить возможность дистанционной работы, и классификации обнаруженных разрядов, а также обеспечить применимость способа для разных видов электрооборудования.The use of a software-defined radio system in conjunction with a pre-trained artificial neural network makes it possible to provide remote operation and classification of the detected discharges, as well as to ensure the applicability of the method for different types of electrical equipment.
Список литературыBibliography
1. Патент РФ №RU 2661976.1. RF patent No.RU 2661976.
2. Патент РФ №RU 2569415.2. RF patent No.RU 2569415.
3. Патент РФ №RU 2483314.3. RF patent No.RU 2483314.
4. Патент РФ №RU 2655960.4. RF patent No.RU 2655960.
5. Патент WO 2017066476.5. Patent WO 2017066476.
6. Патент КНР №CN 0105425076.6. Chinese Patent No. CN 0105425076.
7. Патент США №US 7769915.7. US Patent No. US 7769915.
8. Патент РФ №RU 2484487.8. RF patent No.RU 2484487.
9. Основы программно-конфигурируемого радио, Галкин В.А., Москва, 2015, ISBN 978-5-9912-0305-09. Fundamentals of software-configurable radio, V. Galkin, Moscow, 2015, ISBN 978-5-9912-0305-0
10. Rafael Microelectronics, R820T High Performance Low Power Advanced Digital TV Silicon Tuner Datasheet Suite10. Rafael Microelectronics, R820T High Performance Low Power Advanced Digital TV Silicon Tuner Datasheet Suite
11. Исследование влияния короны в электропередачах на качество электроэнергии по n-й гармонической составляющей тока и напряжения ШАРОВЮ. В., НАСЫРОВР. Р., ОЛЕКСЮК Б.В., СИМУТКИН М.Г., ТУЛЬСКИЙ В.Н., ШАМОНОВР. Г., «Электричество», №6/2013.11. Investigation of the effect of the corona in power transmissions on the quality of electricity by the nth harmonic component of current and voltage BALL. V., NASYROVR. R., OLEKSYUK B.V., SIMUTKIN M.G., TULSKY V.N., SHAMONOVR. G., "Electricity", No. 6/2013.
12. Измерение частичных разрядов в изоляции высоковольтного оборудования, Русов В.А, 2011, Екатеринбург,ISBN№978-5-94614-177-2.12. Measurement of partial discharges in the insulation of high-voltage equipment, Rusov V.A., 2011, Yekaterinburg, ISBN№978-5-94614-177-2.
13. Hinton G. Е., Salakhutdinov R. R. Reducing the dimensionality of data with neural networks // science. - 2006. - T. 313. - №. 5786. - C. 504-507.13. Hinton G. E., Salakhutdinov R. R. Reducing the dimensionality of data with neural networks // science. - 2006. - T. 313. - No. 5786. - C. 504-507.
14. Abid A., Zou J. Y. Learning a Warping Distance from Unlabeled Time Series Using Sequence Autoencoders // Advances in Neural Information Processing Systems. - 2018. - C. 10547-10555.14. Abid A., Zou J. Y. Learning a Warping Distance from Unlabeled Time Series Using Sequence Autoencoders // Advances in Neural Information Processing Systems. - 2018 .-- C. 10547-10555.
15. Pereira J., Silveira M. Unsupervised Anomaly Detection in Energy Time Series Data using Variational Recurrent Autoencoders with Attention // 2018 17th IEEE International Conference on Machine Learning and Applications (ICMLA). - IEEE, 2018. - C. 1275-1282.15. Pereira J., Silveira M. Unsupervised Anomaly Detection in Energy Time Series Data using Variational Recurrent Autoencoders with Attention // 2018 17th IEEE International Conference on Machine Learning and Applications (ICMLA). - IEEE, 2018 .-- C. 1275-1282.
16. Piatt J. Fast training of SVMs using sequential minimal optimization, advances in kernel methods-support vector learning. - 1999.16. Piatt J. Fast training of SVMs using sequential minimal optimization, advances in kernel methods-support vector learning. - 1999.
17. Патент РФ №RU 2668336.17. RF patent No.RU 2668336.
Claims (1)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2019116560A RU2723155C1 (en) | 2019-05-29 | 2019-05-29 | Method of electric discharge detection and classification on electric equipment |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2019116560A RU2723155C1 (en) | 2019-05-29 | 2019-05-29 | Method of electric discharge detection and classification on electric equipment |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2723155C1 true RU2723155C1 (en) | 2020-06-09 |
Family
ID=71067651
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2019116560A RU2723155C1 (en) | 2019-05-29 | 2019-05-29 | Method of electric discharge detection and classification on electric equipment |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2723155C1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU212411U1 (en) * | 2022-04-22 | 2022-07-21 | Российская Федерация, от имени которой выступает ФОНД ПЕРСПЕКТИВНЫХ ИССЛЕДОВАНИЙ | Device for testing a software-defined radio system with elements of artificial intelligence |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2367969C1 (en) * | 2008-03-24 | 2009-09-20 | Общество с ограниченной ответственностью научно-производственная фирма "Квазар" | Method of automated monitoring state of capacitor-type paper-oil insulation for group of three-phase electrical devices at operating voltage under operation conditions |
| US7769915B1 (en) * | 2008-01-07 | 2010-08-03 | Nextel Communications Inc. | Systems and method of controlling control and/or monitoring devices |
| CN105425076A (en) * | 2015-12-11 | 2016-03-23 | 厦门理工学院 | Method of carrying out transformer fault identification based on BP neural network algorithm |
| WO2016053572A1 (en) * | 2014-10-02 | 2016-04-07 | At&T Intellectual Property I, Lp | Method and apparatus that provides fault tolerance for communication signals over power line distribution networks |
| WO2017066476A1 (en) * | 2015-10-13 | 2017-04-20 | Schweitzer Engineering Laboratories, Inc. | Electric power system monitoring using high-frequency signals |
| KR20180050160A (en) * | 2016-11-04 | 2018-05-14 | 한국전력공사 | System and apparatus for diagnosis of oltc and diagnosis method of partial discharge |
-
2019
- 2019-05-29 RU RU2019116560A patent/RU2723155C1/en active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7769915B1 (en) * | 2008-01-07 | 2010-08-03 | Nextel Communications Inc. | Systems and method of controlling control and/or monitoring devices |
| RU2367969C1 (en) * | 2008-03-24 | 2009-09-20 | Общество с ограниченной ответственностью научно-производственная фирма "Квазар" | Method of automated monitoring state of capacitor-type paper-oil insulation for group of three-phase electrical devices at operating voltage under operation conditions |
| WO2016053572A1 (en) * | 2014-10-02 | 2016-04-07 | At&T Intellectual Property I, Lp | Method and apparatus that provides fault tolerance for communication signals over power line distribution networks |
| WO2017066476A1 (en) * | 2015-10-13 | 2017-04-20 | Schweitzer Engineering Laboratories, Inc. | Electric power system monitoring using high-frequency signals |
| CN105425076A (en) * | 2015-12-11 | 2016-03-23 | 厦门理工学院 | Method of carrying out transformer fault identification based on BP neural network algorithm |
| KR20180050160A (en) * | 2016-11-04 | 2018-05-14 | 한국전력공사 | System and apparatus for diagnosis of oltc and diagnosis method of partial discharge |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU212411U1 (en) * | 2022-04-22 | 2022-07-21 | Российская Федерация, от имени которой выступает ФОНД ПЕРСПЕКТИВНЫХ ИССЛЕДОВАНИЙ | Device for testing a software-defined radio system with elements of artificial intelligence |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2960685B1 (en) | On-body concealed weapon detection system | |
| US7970542B2 (en) | Method of detecting, locating, and classifying lightning | |
| CN111428561B (en) | Broadband electromagnetic interference source identification method and system, storage medium and equipment | |
| US8942938B2 (en) | Electromagnetic spectrum aerial surveying | |
| US20180011212A1 (en) | System for exploring underground geophysical properties and method for analyzing underground geophysical properties using the same | |
| Balling et al. | Surveys and analysis of RFI in preparation for SMOS: Results from airborne campaigns and first impressions from satellite data | |
| US10502774B2 (en) | System for detecting electromagnetic discharge fields | |
| Mishra et al. | Self-organizing feature map based unsupervised technique for detection of partial discharge sources inside electrical substations | |
| CN106656303B (en) | A kind of signal detecting method based on satellite antenna acquisition and tracking pointing system | |
| CN115993511A (en) | Partial discharge type high-precision detection and identification device, method and equipment | |
| CN110324098B (en) | Method for identifying and counting interference signals of broadband frequency spectrum sequence | |
| RU2723155C1 (en) | Method of electric discharge detection and classification on electric equipment | |
| Robles et al. | Antenna selection and frequency response study for UHF detection of partial discharges | |
| CN106658567B (en) | Mobile communication terminal detection equipment | |
| CN105008950B (en) | For measurement apparatus and measuring method that direction finding and direction uncertainty determine | |
| JPS63308523A (en) | Measuring method of noise generated by airplane | |
| US9116186B2 (en) | Detection of signals | |
| CN107817391A (en) | A kind of method that TIS is quickly measured | |
| Fan et al. | Radio interferometer observations and analysis of an energetic in-cloud pulse based on ensemble empirical mode decomposition | |
| Rahbarimagham et al. | Discrimination between radial deformation and axial displacement in power transformers using analysis of electromagnetic waves | |
| US11043796B2 (en) | Quantification of charge transfer in continuing current lightning events | |
| JP2014032082A (en) | Passive sonar device, azimuth concentration processing method, and passive sonar signal processing program | |
| Kim et al. | How To Monitor AGN Intra-Day Variability at 230 GHz | |
| CN112924917A (en) | On-site calibration platform of ultrahigh frequency partial discharge on-line monitoring system | |
| AU2016222346B2 (en) | On-body concealed weapon detection system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| TC4A | Change in inventorship |
Effective date: 20210408 |