TWI676901B - 移動電力電纜剩餘壽命在線估計方法 - Google Patents
移動電力電纜剩餘壽命在線估計方法 Download PDFInfo
- Publication number
- TWI676901B TWI676901B TW107137924A TW107137924A TWI676901B TW I676901 B TWI676901 B TW I676901B TW 107137924 A TW107137924 A TW 107137924A TW 107137924 A TW107137924 A TW 107137924A TW I676901 B TWI676901 B TW I676901B
- Authority
- TW
- Taiwan
- Prior art keywords
- cable
- impedance
- neural network
- type
- current
- Prior art date
Links
Landscapes
- Testing Relating To Insulation (AREA)
Abstract
一種移動電力電纜剩餘壽命在線估計方法，以遠端即時監測電纜，進而提供用戶建議，減少停電及經濟上之損失。本發明先以離線設計交流阻抗量測實驗，建立第一類神經網路找出電纜阻抗與電流及溫度之關係，並進一步建立第二類神經網路找出電纜破壞過程中阻抗上升與電流及溫度之關係。再建立第三類神經網路將實驗數據使用類神經網路進行擬合。此一類神經網路將不同電流及溫度下，量測之阻抗轉換到基準環境下之阻抗值，再進行阻抗變化率計算，得到之阻抗變化率即電纜破損程度。最後，配合本發明提出一次、二次、三次方程式，依不同情境狀況求得在線剩餘阻抗變化率邊際，即可得在線移動電力電纜剩餘壽命。
Description
本發明係有關於一種移動電力電纜剩餘壽命在線估計方法，尤指涉及一種使用離線(off-line)類神經網路(neural network,NN)分析數據，再於在線(on-line)之即時計算移動電力電纜剩餘壽命，特別係指可在電纜在線環境下監測，不需拆解即可掌握電纜特性劣化程度及預測電纜壽命者。
目前港口物流設備系統必須不間斷地連續運動，電力電纜也隨設備來移動，當電力電纜產生斷線問題，會直接影響生產，造成損失。高科技及化工業工廠在提升到智慧製造層次時，必須具備準確掌握並預測各關鍵組件之運作情況，以進行智慧化管理，特別是電纜扮演一個提供電力之重要元件。目前台灣沒有關於估測電纜剩餘壽命專利。在中國專利案件中則包括有專利案號CN106644916A之「船用電纜絕緣材料老化壽命評估方法」，係使用介質損耗角及斷裂伸展率；CN104268626B之「電力電纜壽命估計的方法及系統」，係使用電纜物理特性(絕緣厚度、微孔雜質、熱延伸率、永久延伸率、斷裂延伸率及抗張強度)配合類神經網路來估計電纜壽命；CN105302941B之「高壓單芯電纜壽命評估方法及系統」，係使用韋伯分佈估計電纜壽命；CN106126776A之「基於神經網路的電纜壽命預測方法」，係先建立高溫電纜壽命，再使用類神經網路來估計剩餘壽命；以及CN105842598A之「交聯聚乙烯電纜壽命檢測方法」，僅使用介質損
耗角，結合類神經網路來估計剩餘壽命。而在相關文獻方面包括有A.H.Ranjbar等人使用溫度配合類神經網路，以類神經網路訓練數學模型模擬之電纜損壞數據，來離線的估計剩餘壽命(A.H.Ranjbar,R.Adnani,H.Omranpour‘Application of Artificial Neural Network in Cable Life Time Estimation and its Failure rate per 100km’2008 IEEE 2nd International Power and Energy Conference,Pages：22-25)；以及Zairul Aida Abu Zarim等人控制濕度與電爐烤箱加速電纜破壞以建立實驗數據，再使用倒次方定律(Inverse Power Law)公式來離線的估計剩餘壽命(Zairul Aida Abu Zarim,Tashia Marie Anthony‘Development of Remaining Life Estimation for MV PILC due to Electrical Stress using Statistical Method’2012 IEEE International Conference on Condition Monitoring and Diagnosis,Pages：1151-1155)。以上這些方法都是使用實驗或現場數據，再卸下在運轉工作之電纜來進行離線計算預估壽命。相較於以上各前案，本案發明係以量測實驗作為類神經訓練電纜老化數據更為貼近實際，並配合時間轉化公式，可線上即時的預估電纜剩餘壽命。
另中國專利案號CN103558219之「基於遮罩層載波通信的電力電纜壽命監測的實現方法」，提出由在線攝影機，並使用在線電纜外皮之圖像，經由電纜本身通訊傳輸至遠端控制中心以監測電纜壽命，然而若電纜本身已老化，圖像係無法完整的呈現在控制中心。而Fred Steennis等人所提文獻係使用在線部分放電(Partial Discharge)技術及風險指標，配合進行波(Traveling Wave)估測電纜壽命，然而部分放電技術成本高又具危險性(Fred Steennis；Paul Wagenaars；Peter van der Wielen；Peter Wouters；Yan Li；Tjeerd Broersma；Denny
Harmsen；Pascal Bleeker‘Guarding MV cables on-line：With travelling wave based temperature monitoring,fault location,PD location and PD related remaining life aspects’IEEE Transactions on Dielectrics and Electrical Insulation Year：2016,Volume：23,Issue：3,Pages：1562-1569)。Sijia Liu等人所提文獻則使用在線提取四個中性線上電壓及電流之高頻信號特徵(features)，以估測電纜壽命，並無考慮環境影響(Sijia Liu；Yi Wang；Fuqiang Tian’Prognosis of Underground Cable via Online Data-Driven Method With Field Data’IEEE Transactions on Industrial Electronics Year：2015,Volume：62,Issue：12 Pages：7786-7794)。相較於以上各前案，本案發明係以類神經網路訓練電纜老化數據，考慮環境影響下監控阻抗變化，進行線上即時的預估電纜剩餘壽命。
鑑於電纜係提供設備用電之主要元件之一，若電纜因長期移動工作，則銅導體會逐漸的斷裂，最後造成整個電纜銅導體斷線。故，一般習用者係無法符合使用者於實際使用時之所需。
本發明之主要目的係在於，克服習知技藝所遭遇之上述問題並提供一種使用離線類神經網路分析數據，再於在線之即時計算移動電力電纜剩餘壽命，並創新以模擬現場設備之品質測試機(彎折破壞機)作為損壞電纜之方法可更貼近電纜老化實際狀況，使本技術可在電纜在線環境下監測，不需拆解即可掌握電纜特性劣化程度及預測電纜壽命之移動電力電纜剩餘壽命在線估計方法。
為達以上之目的，本發明係一種移動電力電纜剩餘壽命在線估計方法，係使用左右彎曲破壞機進行電纜加速破壞，以合乎港口物流設備系
統必須不間斷地連續運動之仿真，該方法由一電子裝置執行下列步驟：步驟一：考慮不同交流電流及電纜溫度，以離線設計交流阻抗量測實驗建立交流阻抗資料庫，該實驗為了解電纜損壞與情境變化時，電纜之交流阻抗變化，其中情境之定義為電纜溫度(10~40℃，每5℃變化)與電纜電流(2.5~10A，每2.5A變化)之變化組合，共28種情境組合；步驟二：以該交流阻抗量測實驗之數據，建立第一類神經網路以擬合不同電纜溫度與電纜電流之交流阻抗，依據實驗數據有6個左右彎曲破壞次數，分別進行第一類神經網路擬合，建立6個第一類神經網路擬合數據，得到6個阻抗與溫度和電流關係曲面；步驟三：以該第一類神經網路擬合數據，建立第二類神經網路以擬合不同破壞次數下之交流阻抗，6個曲面分別取出28種環境情境下之阻抗值，將各情境下阻抗值對應破壞次數，建立28個第二類神經網路擬合曲線數據，得到不同破壞次數下阻抗值，共有28條擬合後曲線；步驟四：以該第二類神經網路擬合曲線數據，建立第三類神經網路，將不同情境量測值轉為基準情境並計算得阻抗變化率，將步驟三中28種環境情境擬合曲線數據，取每千次左右彎曲破壞為一點，共5628筆數據進行類神經網路訓練，該第三類神經網路之輸入為不同情境及其對應阻抗值，輸出為基準情境(10℃、交流電流10A)下對應破壞次數之阻抗變化率；步驟五：以在線方法量測電纜上之交流電流、電纜溫度及阻抗；步驟六：計算電纜剩餘阻抗變化率邊際；以及步驟七：以一次、二次及三次方程式將該電纜剩餘阻抗變化率邊際轉換成電纜剩餘壽命；其中，該一次、二次及三次方程式係包含如下公式(1)、(2)及(3)所示：
其中，r"為基準情境下(10℃、交流電流10A)之阻抗變化率極限，
r now 為當下由第三類神經網路得到之阻抗變化率，
為一段時間內阻
抗變化率之變化量(即一階差商)，
為二階差商，
為三階差
商，△t為電纜剩餘壽命。
於本發明上述實施例中，更包括利用冷熱循環機控制環境溫度與電纜溫度之範圍在-30℃~+60℃之間。
於本發明上述實施例中，更包括使用定電流源負載以控制電纜電流大小之範圍在0~100A之間。
於本發明上述實施例中，該阻抗變化率計算為該情境之阻抗值(標么)減去基準情境下之阻抗值(標么)。
於本發明上述實施例中，該一次、二次及三次方程式解各有適用之區段，因此以差商值之正負判斷選用一次、二次及三次方程式的解，判斷式如下：
當
>0時，電纜破損程度低，適用三次方程式解；
當
<0且
>0時，電纜破損程度適中，適用二次方程式解；以及
當
<0且
>0時，電纜破損程度高，適用一次方程式解。
於本發明上述實施例中，該阻抗變化率極限為120%~180%時，定義電纜壽命終止。
於本發明上述實施例中，該步驟二之實驗數據有6個左右彎曲破壞次數分別為0、10、15、17、18、及20萬次左右彎曲破壞，分別進行第一類神經網路擬合，得到6個阻抗與溫度和電流關係曲面。
s11~s17‧‧‧步驟
第1圖，係本發明之實現電力電纜剩餘壽命在線估計流程示意圖。
第2圖，係本發明之實驗量測與類神經擬合數據比較示意圖。
第3圖，係本發明使用一次、二次及三次方程式估測電纜剩餘壽命結果示意圖。
第4圖，係本發明之電纜剩餘壽命估測結果示意圖。
請參閱『第1圖~第4圖』所示，係分別為本發明之實現電力電纜剩餘壽命在線估計流程示意圖、本發明之實驗量測與類神經擬合數據比較示意圖、本發明使用一次、二次及三次方程式估測電纜剩餘壽命結果示意圖、及本發明之電纜剩餘壽命估測結果示意圖。如圖所示：本發明係一種移動電力電纜剩餘壽命在線估計方法，由一電子裝置執行下列步驟：
步驟s11：考慮不同交流電流及電纜溫度，以離線(off-line)設計交流阻抗量測實驗建立交流阻抗資料庫。
實驗目的為了解電纜損壞與情境變化時，電纜之交流阻抗變化，其中情境之定義為電纜溫度(10~40℃，每5℃變化)與電纜電流(2.5~10A，每2.5A變化)之變化組合，共28種情境組合。傳統使用高溫加熱使電纜加速老化，本發明使用左右彎曲破壞機進行電纜加速破壞，以合乎港口物流設備系統必須不間斷地連續運動之仿真。本發明也利
用冷熱循環機控制環境溫度與電纜溫度之範圍在-30℃~+60℃之間；另外，本發明也使用定電流源負載以控制電纜電流大小之範圍在0~100A之間。
利用上述交流阻抗量測實驗之數據訓練類神經網路(neural network,NN)。首先定義本發明之實驗基準情境為10℃與10A。類神經網路可以將不同情境下之阻抗值轉換成基準環境下之阻抗值，再進行阻抗變化率計算。阻抗變化率代表電纜破損程度，阻抗變化率極限為150%時，定義電纜壽命終止。以下進行類神經網路建立。
步驟s12：以該步驟s11交流阻抗量測實驗之數據，建立第一類神經網路以擬合不同電纜溫度與電纜電流之交流阻抗。依據6個左右彎曲破壞次數，建立6個第一類神經網路擬合數據。
建立第一類神經網路擬合交流量測實驗數據，量測數據之情境值並非恰為所需數值(例如2.5、5.0、7.5、10A)，如表一為零次左右彎曲破壞時10℃之實驗數據(實際也無法固定在10℃)。將實驗數據建立第一類神經網路擬合求出不同情境之對應值，如表二所示10℃下不同電流情境對應之交流阻抗值，第一類神經網路訓練參數如表三所示。其中實驗數據有6個左右彎曲破壞次數分別為0、10、15、17、18、20萬次左右彎曲破壞，分別進行第一類神經網路擬合，得到6個阻抗與溫度和電流關係曲面。
步驟s13：以該步驟s12第一類神經網路擬合數據，建立第二類神經網路以擬合不同破壞次數下之交流阻抗。依據28個實驗情境，建立28個第二類神經網路擬合曲線數據。
將第一類神經網路中6個曲面分別取出28種環境情境下之阻抗值，將各情境下阻抗值對應破壞次數，建立第二類神經網路擬合得到不同破壞次數下阻抗值，共有28條擬合後曲線。第二類神經網路訓練參數如表四所示，以零次左右彎曲破壞、10℃與10A為範例，如第2圖所示，圖中實線為實驗量測數據，虛線為類神經擬合數據。
依上述所得結果，將每個曲線取每千次左右彎曲破壞為一點。從0~20萬左右彎曲破壞次數中，可得201筆對應阻抗數據，又有28種環境情境曲線共有5628筆數據。
步驟s14：以該步驟s13第二類神經網路擬合曲線數據，建立第三類神經網路，將不同情境量測值轉為基準情境並計算得阻抗變化率。
將第二類神經網路中28種環境情境擬合曲線數據，取每千次左右彎曲破壞為一點，共5628筆數據進行類神經網路訓練。其中輸入為阻抗、溫度與電流，輸出為基準情境下對應破壞次數之阻抗變化率，表示每左右彎曲破壞千次內有28種情境輸入，其輸出都為此時基準情境下對應之阻抗變化率。
第三類神經網路之輸入為不同情境及其對應阻抗值，輸出為基準情境(10℃、交流電流10A)下對應破壞次數之阻抗變化率。阻抗變化率計算為該情境之阻抗值(標么)減去基準情境下之阻抗值(標么)。第三類神經網路訓練參數，如表五所示。
上述步驟s12~s14係使用類神經訓練實驗數據之步驟方法，最後取得代表電纜破損之阻抗變化率。接著，以下進行利用該阻抗變化率估計電纜剩餘壽命。
步驟s15：以在線(on-line)方法量測電纜上之交流電流、電纜溫度及阻抗。
步驟s16：計算電纜剩餘阻抗變化率邊際。
步驟s17：以轉換方程式將該電纜剩餘阻抗變化率邊際轉換成電纜剩餘壽命；其中，該轉換方程式如下公式(1)、(2)及(3)所示：
一次方程式：
二次方程式：
三次方程式：
其中，r"為基準情境下(10℃、交流電流10A)之阻抗變化率極限，
r now 為當下由第三類神經網路得到之阻抗變化率，
為一段時間內阻
抗變化率之變化量(即一階差商)，
為二階差商，
為三階差
商，△t為電纜剩餘壽命。
由於一次、二次及三次方程式解各有適用之區段，因此以差商值之正負判斷選用一次、二次及三次方程式的解，判斷式如下：
當
>0時，電纜破損程度低，適用三次方程式解；
當
<0且
>0時，電纜破損程度適中，適用二次方程式解；以及
當
<0且
<0時，電纜破損程度高，適用一次方程式解。
上述方程式解法如下：
一次方程式解：
二次方程式解：
假設二次方程式為：ax 2+bx+c=0,a≠0，令判別式為△，△=b 2-4ac，△>0，存在兩個不相等實數根：
△=0，存在兩個相等實數根：
△<0，存在一對共軛複數根：
在解本問題時只存在△>0，兩根一正一負之情形：
其中△t 1,2中的正實數根為估計電纜剩餘壽命。
三次方程式解：假設三次方程式為：ax 3+bx 2+cx+d=0,a≠0令判別式為Λ，
Λ>0，存在一個實數根和兩個共軛複根。
Λ=0，存在三個實數根。其中：
時，存在三重實根。
Λ<0，存在三個異實數根。
在解本問題時大部分存在Λ>0，此時唯一實根為電纜剩餘壽命，兩個共軛複根為不合理解。少部分存在Λ>0，此時唯一正實根為電纜剩餘
壽命，兩負實根為不合理解。
使用上述步驟s11~s17之實驗方法進行電纜剩餘壽命估測，並以機台左右彎曲破壞次數表示時間，定義交流阻抗變化率150%為電纜最終壽命，此時約對應20萬左右彎曲破壞次數。將實驗數據帶入公式(1)、(2)及(3)，所獲得的預估結果如第3圖所示，圖中實線為實際壽命，虛線為預估壽命。
左右彎曲破壞機之破壞次數約為30次/分，將破壞次數轉為時間單位(小時)，最終結果以時間表示如第4圖所示，圖中實線為實際壽命，虛線為預估壽命。
本發明提出一種移動電力電纜剩餘壽命在線估計方法，以遠端即時監測電纜，進而提供用戶建議，減少停電及經濟上之損失。本發明先以離線設計交流阻抗量測實驗，建立第一類神經網路找出電纜阻抗與電流及溫度之關係，並進一步建立第二類神經網路找出電纜破壞過程中阻抗上升與電流及溫度之關係。再建立第三類神經網路將實驗數據使用類神經網路進行擬合。此一類神經網路將不同電流及溫度下，量測之阻抗轉換到基準環境下之阻抗值，再進行阻抗變化率計算，得到之阻抗變化率即電纜破損程度。最後，配合本發明提出一次、二次、三次方程式，依不同情境狀況求得在線剩餘阻抗變化率邊際，即可得在線移動電力電纜剩餘壽命。
藉此，本發明可應用於智慧電纜產業，綠色環保電纜與可以即時監控、並預測需要維修更換時間點之智慧電纜，將是電纜產業必要掌握之產品發展趨勢。以智慧電纜來看，可能應用領域包括：
a.基礎設施之物流系統必須不間斷地連續式運作，當設備產生問題，直接影響工作效率，產生損失。
b.當工廠(特別是高科技、化工業)提升到智慧化層次時，必須具備準確掌握並預測各關鍵組件之運作情況，以進行智慧化管理。
c.根據電業法修正內容，未來民間可再生能源發電將會大幅提高，發電量輸送入電網，必須確保穩定及可靠。
綜上所述，本發明係一種移動電力電纜剩餘壽命在線估計方法，可有效改善習用之種種缺點，使用離線類神經網路分析數據，再於在線之即時計算移動電力電纜剩餘壽命，並創新以模擬現場設備之品質測試機(彎折破壞機)作為損壞電纜之方法可更貼近電纜老化實際狀況，使本技術可在電纜在線環境下監測，不需拆解即可掌握電纜特性劣化程度及預測電纜壽命，進而使本發明之產生能更進步、更實用、更符合使用者之所須，確已符合發明專利申請之要件，爰依法提出專利申請。
惟以上所述者，僅為本發明之較佳實施例而已，當不能以此限定本發明實施之範圍；故，凡依本發明申請專利範圍及發明說明書內容所作之簡單的等效變化與修飾，皆應仍屬本發明專利涵蓋之範圍內。
Claims (7)
- 一種移動電力電纜剩餘壽命在線估計方法，係使用左右彎曲破壞機進行電纜加速破壞，以合乎港口物流設備系統必須不間斷地連續運動之仿真，該方法由一電子裝置執行下列步驟：步驟一：考慮不同交流電流及電纜溫度，以離線(off-line)設計交流阻抗量測實驗建立交流阻抗資料庫，該實驗為了解電纜損壞與情境變化時，電纜之交流阻抗變化，其中情境之定義為電纜溫度與電纜電流之變化組成的情境組合；步驟二：以該交流阻抗量測實驗之數據，建立第一類神經網路(neural network,NN)以擬合不同電纜溫度與電纜電流之交流阻抗，依據實驗數據之左右彎曲破壞次數進行第一類神經網路擬合，建立數個第一類神經網路擬合數據，得到數個阻抗與溫度和電流關係曲面；步驟三：以該第一類神經網路擬合數據，建立第二類神經網路以擬合不同破壞次數下之交流阻抗，將該第一類神經網路中數個曲面分別取出數種環境情境下之阻抗值，將各情境下阻抗值對應破壞次數，建立數個第二類神經網路擬合曲線數據，得到不同破壞次數下阻抗值；步驟四：以該第二類神經網路擬合曲線數據，建立第三類神經網路，將不同情境量測值轉為基準情境並計算得阻抗變化率，將該第二類神經網路中數種環境情境擬合曲線數據，取每千次左右彎曲破壞為一點之數據進行類神經網路訓練，該第三類神經網路之輸入為不同情境及其對應阻抗值，輸出為基準情境下對應破壞次數之阻抗變化率；步驟五：以在線(on-line)方法量測電纜上之交流電流、電纜溫度及阻抗；步驟六：計算電纜剩餘阻抗變化率邊際；以及步驟七：以一次、二次及三次方程式將該電纜剩餘阻抗變化率邊際轉換成電纜剩餘壽命；其中，該一次、二次及三次方程式係包含如下公式(1)、(2)及(3)所示： 其中，r"為基準情境下(10℃、交流電流10A)之阻抗變化率極限，r now 為當下由第三類神經網路得到之阻抗變化率，為一段時間內阻抗變化率之變化量(即一階差商)，為二階差商，為三階差商，△t為電纜剩餘壽命；並且，該一次、二次及三次方程式解各有適用之區段，因此以差商值之正負判斷選用一次、二次及三次方程式的解，判斷式如下：當>0時，電纜破損程度低，適用三次方程式解；當<0且>0時，電纜破損程度適中，適用二次方程式解；以及當<0且<0時，電纜破損程度高，適用一次方程式解。
- 依申請專利範圍第1項所述之移動電力電纜剩餘壽命在線估計方法，其中，該步驟一更包括利用冷熱循環機控制環境溫度與電纜溫度之範圍在-30℃~+60℃之間。
- 依申請專利範圍第1項所述之移動電力電纜剩餘壽命在線估計方法，其中，該步驟一更包括使用定電流源負載以控制電纜電流大小之範圍在0~100A之間。
- 依申請專利範圍第1項所述之移動電力電纜剩餘壽命在線估計方法，其中，該阻抗變化率計算為該情境之阻抗值(標么)減去基準情境下之阻抗值(標么)。
- 依申請專利範圍第1項所述之移動電力電纜剩餘壽命在線估計方法，其中，該阻抗變化率極限為120%~180%時，定義電纜壽命終止。
- 依申請專利範圍第1項所述之移動電力電纜剩餘壽命在線估計方法，其中，該步驟二之實驗數據有6個左右彎曲破壞次數分別為0、10、15、17、18、及20萬次左右彎曲破壞，分別進行第一類神經網路擬合，得到6個阻抗與溫度和電流關係曲面。
- 依申請專利範圍第1項所述之移動電力電纜剩餘壽命在線估計方法，其中，該步驟一情境之定義為電纜溫度(10~40℃，每5℃變化)與電纜電流(2.5~10A，每2.5A變化)之變化組合，共28種情境組合；該步驟二依據實驗數據有6個左右彎曲破壞次數，分別進行第一類神經網路擬合，建立6個第一類神經網路擬合數據，得到6個阻抗與溫度和電流關係曲面；該步驟三將該步驟二第一類神經網路中6個曲面分別取出28種環境情境下之阻抗值，將各情境下阻抗值對應破壞次數，建立28個第二類神經網路擬合曲線數據，得到不同破壞次數下阻抗值，共有28條擬合後曲線；該步驟四將該步驟三第二類神經網路中28種環境情境擬合曲線數據，取每千次左右彎曲破壞為一點，共5628筆數據進行類神經網路訓練，該第三類神經網路之輸入為阻抗、溫度與電流，輸出為基準情境(10°C、交流電流10A)下對應破壞次數之阻抗變化率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW107137924A TWI676901B (zh) | 2018-10-26 | 2018-10-26 | 移動電力電纜剩餘壽命在線估計方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW107137924A TWI676901B (zh) | 2018-10-26 | 2018-10-26 | 移動電力電纜剩餘壽命在線估計方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI676901B true TWI676901B (zh) | 2019-11-11 |
| TW202016764A TW202016764A (zh) | 2020-05-01 |
Family
ID=69189148
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW107137924A TWI676901B (zh) | 2018-10-26 | 2018-10-26 | 移動電力電纜剩餘壽命在線估計方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI676901B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113867460A (zh) * | 2021-11-10 | 2021-12-31 | 成都捷豹恒昌电气有限公司 | 变电站温湿度监控治理方法及系统 |
| TWI781006B (zh) * | 2021-12-10 | 2022-10-11 | 國立勤益科技大學 | 遠端電力電纜瑕疵故障檢測方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103454559A (zh) * | 2013-09-02 | 2013-12-18 | 国家电网公司 | 一种配电网单相接地故障区段定位方法及定位装置 |
| TW201504637A (zh) * | 2013-07-23 | 2015-02-01 | Iner Aec Executive Yuan | 利用切片取樣評估電纜老劣化之方法 |
| CN106126776A (zh) * | 2016-06-14 | 2016-11-16 | 国家电网公司 | 基于神经网络的电缆寿命预测方法 |
| CN106645980A (zh) * | 2016-12-29 | 2017-05-10 | 北京世纪航凯电力科技股份有限公司 | 一种高压电缆动态连续介质损耗测量系统和方法 |
| CN108375715A (zh) * | 2018-03-08 | 2018-08-07 | 中国电力科学研究院有限公司 | 一种配电网线路故障风险日预测方法及系统 |
-
2018
- 2018-10-26 TW TW107137924A patent/TWI676901B/zh active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201504637A (zh) * | 2013-07-23 | 2015-02-01 | Iner Aec Executive Yuan | 利用切片取樣評估電纜老劣化之方法 |
| CN103454559A (zh) * | 2013-09-02 | 2013-12-18 | 国家电网公司 | 一种配电网单相接地故障区段定位方法及定位装置 |
| CN106126776A (zh) * | 2016-06-14 | 2016-11-16 | 国家电网公司 | 基于神经网络的电缆寿命预测方法 |
| CN106645980A (zh) * | 2016-12-29 | 2017-05-10 | 北京世纪航凯电力科技股份有限公司 | 一种高压电缆动态连续介质损耗测量系统和方法 |
| CN108375715A (zh) * | 2018-03-08 | 2018-08-07 | 中国电力科学研究院有限公司 | 一种配电网线路故障风险日预测方法及系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113867460A (zh) * | 2021-11-10 | 2021-12-31 | 成都捷豹恒昌电气有限公司 | 变电站温湿度监控治理方法及系统 |
| CN113867460B (zh) * | 2021-11-10 | 2022-05-17 | 成都捷豹恒昌电气有限公司 | 变电站温湿度监控治理方法及系统 |
| TWI781006B (zh) * | 2021-12-10 | 2022-10-11 | 國立勤益科技大學 | 遠端電力電纜瑕疵故障檢測方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202016764A (zh) | 2020-05-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10698019B2 (en) | Method of online estimating remaining life of moving power cable | |
| Huda et al. | Application of infrared thermography for predictive/preventive maintenance of thermal defect in electrical equipment | |
| US7961112B2 (en) | Continuous condition monitoring of transformers | |
| CN110210740B (zh) | 一种考虑供电质量的配电网可靠性评估方法 | |
| TWI676901B (zh) | 移動電力電纜剩餘壽命在線估計方法 | |
| CN104217110A (zh) | 一种利用基准态分析的gis状态评估方法及装置 | |
| CN109324261A (zh) | 一种配电网电缆线路过热风险预警方法和系统 | |
| CN106096116B (zh) | 一种用于为涂敷电力复合脂的端子板建立温升预测模型的方法及系统 | |
| CN107703407A (zh) | 电力电缆诊断方法及装置 | |
| CN111121971B (zh) | 一种通过高压开关柜表面温度变化判断故障类型的方法 | |
| CN103326352B (zh) | 一种配电网电缆线路局部过热风险辨识方法 | |
| AU2018212385A1 (en) | Method for the usage planning of an electrical system for supplying energy | |
| CN112580232B (zh) | 一种中压开关柜内多关键接触点的接触电阻在线监测方法 | |
| CN113919198A (zh) | 一种基于生成对抗网络的电气火灾监测预警方法 | |
| Žarković et al. | Artificial intelligence based thermographic approach for high voltage substations risk assessment | |
| Kontis et al. | Development of measurement-based load models for the dynamic simulation of distribution grids | |
| CN108287174B (zh) | 基于变温下热寿命损耗的母线槽寿命预测方法 | |
| KR20210053846A (ko) | 운전 중인 전력설비 내부 전기회로정수 측정에 의한 설비 건전상태 감시 방법 | |
| Yang et al. | Cable current-carrying status analysis and early fault warning method based on temperature information | |
| Velasco et al. | An approach to improve power supply continuity throughout the estimation of insulated power cable life expectance indexes | |
| Wang et al. | Revolutionizing the Afterlife of EV Batteries: A Comprehensive Guide to Echelon Utilization Technologies | |
| CN113779005B (zh) | 一次设备的缺陷评估方法和装置、存储介质 | |
| CN116911068B (zh) | 一种电缆接头有效寿命预测方法及系统 | |
| Niazazari et al. | Deep Neural Network based Wide-Area Event Classification in Power Systems | |
| CN107844899B (zh) | 一种高压电缆陶瓷防护层机械强度的预测方法 |