CN103630244B - 电力***设备故障诊断方法及*** - Google Patents
电力***设备故障诊断方法及*** Download PDFInfo
- Publication number
- CN103630244B CN103630244B CN201310697405.0A CN201310697405A CN103630244B CN 103630244 B CN103630244 B CN 103630244B CN 201310697405 A CN201310697405 A CN 201310697405A CN 103630244 B CN103630244 B CN 103630244B
- Authority
- CN
- China
- Prior art keywords
- image
- power equipment
- fault
- unit
- physical arrangement
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种电力***设备故障诊断方法,首先采用二维模糊划分最大熵分割红外图像,对采集到的电力设备故障点的红外热像图进行降噪与目标分割;然后采用人工神经网络对收集的全部电力设备图像目标进行分类与存储;最后根据阶段型融合方式模型对分离出的故障图像或者故障预测点图像与电力设备图像目标进行对比融合分析,给出诊断结果;将电力设备常见故障点经验数据并结合检测出的故障点图像数据进行数据融合给出最终的电力设备故障结果或者预测故障位置。本发明融合了多种算法,制定了精确地诊断步骤,并采用模块化与***化的设计,从而为电力***设备故障诊断的建立找到了一条完整又精确的途径,提高了电力***运行的可靠性与稳定性。
Description
技术领域
本发明涉及电力***的故障诊断领域,特别涉及一种电力设备故障诊断方法。
背景技术
随着现代电力***规模日益扩大、电压等级不断提高,输电线路故障对社会经济和人民生活造成的危害更加严重。快速、准确的故障暂态识别是快速恢复电网供电的前提,也是故障分析的一个重要部分。因此,研究快速可靠的故障暂态识别方法对保障电力***的安全性与经济性具有重要的意义。
针对电力***设备故障诊断方法的研究,前人已经做了很多有益的探索。例如电力***设备故障诊断领域常用的人工智能技术包括专家***、人工神经网络、决策树理论等,此外近几年也出现了数据挖掘、模糊理论、粗糙集理论、Petri网络、贝叶斯网络、信息融合、信息论、支持向量机、仿生学的应用及多智能体***等技术以及上述方法的综合应用。
现有技术中有一种基于故障树的多层次电力***设备故障诊断***,其运用故障树分析技术(FTA)建立电力***发生内部故障的分类树模型,并将其应用于诊断***建立的过程中,从而为***诊断的建立找到一条简捷的途径,其具有知识表述直观、形式统一、易理解和解释方便等优点。但是这种方法的缺陷在于:1.针对越来越复杂的电力***网络所观测到的症状与所对应诊断之间的联系是相当复杂的,通过归纳专家经验来获取规则进而诊断故障,准确度和通用性不佳;2.该方法只能有效地检测到故障的发生,而具备预测故障点发生的功能,属于先故障后诊断。
现有技术中还有一种基于粗糙集理论的电力***设备故障诊断,粗糙集理论能有效地分析和处理不精确、不一致、不完整等各种不完备数据,从中发现隐含知识,揭示潜在规律用粗糙集理论进行故障诊断,能较强地处理信息不完整和信息冗余的情形。但是该方法也有需要改进之处:①粗糙集方法的诊断规则的获取取决于条件属性集下各种故障情况训练样本集。②当丢失或出错的警报信息是关键信号时,诊断结果将受到影响。③当电网较复杂、庞大时,将导致决策表的规模变大,约简困难,诊断速度和精度降低。
另外,现有技术中还有一种局域贝叶斯网络的电力***设备故障诊断,贝叶斯网络方法能有效地提高诊断精度和速度,且适合较大规模故障信息的复杂性和不确定性。贝叶斯网络逐渐应用于水电机组故障诊断、变压器故障诊断以及架空输电线路的状态估计中,并取得不错效果。但该方法还有以下不足:①获取知识较为困难。②如何实现信息融合下的故障诊断。③怎样实现复杂电网下的自动建模。④距离工程实际还有一段距离。
目前,还有一种基于ANN的电力***设备故障诊断,它从该领域的专家提供的大量的实例形成用于故障诊断的神经网络模型和训练样本集,通过学习和训练实现该模型诊断功能,并且具有一定的泛化能力。ANN在电力***设备故障诊断中的应用主要是故障定位和故障类型识别两个方面,具有鲁棒性好,学习能力强,不需要构造推理机,推理速度较快等特点。但是目前ANN在应用中也出现一些问题:①如何在大型***中获得一个完备的知识库。②难以确保ANN训练时收敛的快速性和避免陷入局部最小。③缺乏解释自身行为和输出结果的能力。
发明内容
有鉴于此,本发明所要解决的技术问题是提供一种电力***设备故障诊断方法及***。
本发明的目的之一是提出一种电力***设备故障诊断方法;本发明的目的之二是提出一种电力***设备故障诊断***。
本发明的目的之一是通过以下技术方案来实现的:
本发明提供的电力***设备故障诊断方法,包括以下步骤:
S1:获取电力设备物理结构参数信息;
S2:获取电力设备红外图像信息;
S3:通过图像处理方法从电力设备红外图像信息中分割出故障点图像;
S4:根据故障点图像从电力设备物理结构参数信息中进行匹配获取具有故障的目标电力设备的物理结构参数信息;
S5:根据目标电力设备的物理结构参数信息结合故障点图像采用数据融合分析法分析出目标电力设备故障结果。
进一步,还包括建立电力设备物理结构模型,所述电力设备物理结构模型包括电力设备物理结构参数信息数据库和故障模型;
所述电力设备物理结构参数信息数据库包括电力设备的类型和位置坐标;
所述故障模型,存储有不同类型的电力设备关联故障类型。
进一步,所述步骤S3中的故障点图像是通过以下步骤来实现的:
S31:采用二维模糊划分最大熵处理电力设备红外图像得到目标分割图像;
S32:通过人工神经网络分类模型对目标分割图像进行分类得到分类图像;
S33:通过阶段型融合方式模型对分类图像与故障模型进行对比融合分析得到故障结果;
S34:通过电力设备物理结构参数信息数据库中的电力设备类型和位置坐标得出电力设备故障结果。
进一步,所述步骤S32中的人工神经网络分类模型的激活函数采用以下公式建立S型函数:
其中,x表示神经元输入特征向量的分量,即图像目标的形状特征;ω表示输入分量的权重;θ表示神经元的阈值。
进一步,所述S33中的阶段型融合方式模型包括以下具体步骤:
S331:对分类图像进行1级进行处理检测判决融合;
S332:对故障点图像的信息源预处理;
S333:对故障点图像与电力设备分类图像对比分析产生图像对比数据;
S334:如果图像对比数据不属于电力设备物理结构参数信息数据库,则返回步骤S33;
S335:如果图像对比数据属于电力设备物理结构参数信息数据库,则作出判决并传送至人机界面。
本发明的目的之二是通过以下技术方案来实现的:
本发明提供的电力***设备故障诊断***,包括电力设备参数单元、电力设备红外图像采集单元、故障分割单元、故障匹配单元板、故障结果单元;
所述电力设备参数单元,用于获取电力设备物理结构参数信息;
所述电力设备红外图像采集单元,用于获取电力设备红外图像信息;
所述故障分割单元,用于通过图像处理方法从电力设备红外图像信息中分割出故障点图像;
所述故障匹配单元板,用于根据故障点图像从电力设备物理结构参数信息中进行匹配获取具有故障的目标电力设备的物理结构参数信息;
所述故障结果单元,用于根据目标电力设备的物理结构参数信息结合故障点图像采用数据融合分析法分析出目标电力设备故障结果;
进一步,还包括设备结构模型单元,所述设备结构模型单元包括设备结构数据库单元和故障模型单元;
所述设备结构数据库单元,用于存储电力设备的类型和位置坐标;
所述故障模型单元,用于存储有不同类型的电力设备关联故障类型。
进一步,所述故障分割单元包括目标分割单元、图像分类单元、故障融合单元、故障结果单元;
所述目标分割单元,用于采用二维模糊划分最大熵处理电力设备红外图像得到目标分割图像;
所述图像分类单元,用于通过人工神经网络分类模型对目标分割图像进行分类得到分类图像;
所述故障融合单元,用于通过阶段型融合方式模型对分类图像与故障模型进行对比融合分析得到故障结果;
所述故障结果单元,用于通过从电力设备物理结构参数信息数据库中的电力设备类型和位置坐标得出电力设备故障结果。
进一步,所述图像分类单元中的人工神经网络分类模型的激活函数采用以下公式建立S型函数:
其中,x表示神经元输入特征向量的分量,所述分量是图像目标的形状特征;ω表示输入分量的权重;θ表示神经元的阈值。
进一步,所述故障融合单元包括最大熵图像分割模块、人工神经网络图像分类模块、故障融合结果模块、电力设备故障结果输出模块;
所述最大熵图像分割模块,采用二维模糊划分最大熵处理电力设备红外图像得到目标分割图像;
所述人工神经网络图像分类模块,通过人工神经网络分类模型对目标分割图像进行分类得到分类图像;
所述故障融合结果模块,通过阶段型融合方式模型对分类图像与故障模型进行对比融合分析得到故障结果;
所述电力设备故障结果输出模块,通过从电力设备物理结构参数信息数据库中的电力设备类型和位置坐标得出电力设备故障结果。
本发明的优点在于:本发明联合红外图像分割、人工神经网络图像分类算法和数据融合技术来诊断电力***设备故障,首先采用二维模糊划分最大熵分割红外图像,对采集到的电力设备故障点的红外热像图进行降噪与目标分割;然后采用人工神经网络分类电力***设备图像目标,运用神经网络模型对收集的全部电力设备图像目标进行分类与存储;最后根据阶段型融合方式模型对分离出的故障图像或者故障预测点图像与电力设备图像目标进行对比融合分析,给出诊断结果;将电力设备常见故障点经验数据并结合检测出的故障点图像数据进行数据融合给出最终的电力设备故障结果或者预测故障位置。本发明融合了多种算法,制定了精确地诊断步骤,并采用模块化与***化的设计,从而为电力***设备故障诊断的建立找到了一条完整又精确的途径,提高了电力***运行的可靠性与稳定性。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为联合红外图像分割、人工神经网络图像分类算法和数据融合技术的电力***设备故障诊断方法的***原理图;
图2为二维模糊划分最大熵分割红外图像单元模型图;
图3为人工神经元结构简图;
图4为阶段型数据融合模型图;
图5为电力***设备故障诊断方法流程图;
图6为电流互感器红外热像图;
图7为人工神经网络对电力设备进行图像分类结果示意图。
具体实施方式
以下将结合附图,对本发明的优选实施例进行详细的描述;应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
实施例1
图1为本发明联合红外图像分割、人工神经网络图像分类算法和数据融合技术的电力***设备故障诊断方法的***流程图,图2为二维模糊划分最大熵分割红外图像单元模型图,图3为人工神经元结构简图,其中:x1,x2,x3...xn表示神经元输入向量的各个分量,即电力设备图像的形状特征;ω1,ω2...ωn表示各个输入分量的权重;f为激活函数;y为神经元的输出,即电力设备某一个元件的结构图像,图4为阶段型数据融合模型图,如图所示:本发明提供的电力***设备故障诊断方法,包括以下步骤:
S1:获取电力设备物理结构参数信息;
S2:获取电力设备红外图像信息;
S3:通过图像处理方法从电力设备红外图像信息中分割出故障点图像;
S4:根据故障点图像从电力设备物理结构参数信息中进行匹配获取具有故障的目标电力设备的物理结构参数信息;
S5:根据目标电力设备的物理结构参数信息结合故障点图像采用数据融合分析法分析出目标电力设备故障结果。
还包括建立电力设备物理结构模型,所述电力设备物理结构模型包括电力设备物理结构参数信息数据库和故障模型;
所述电力设备物理结构参数信息数据库包括电力设备的类型和位置坐标;
所述故障模型,存储有不同类型的电力设备关联故障类型。
所述步骤S3中的故障点图像是通过以下步骤来实现的:
S31:采用二维模糊划分最大熵处理电力设备红外图像得到目标分割图像;
S32:通过人工神经网络分类模型对目标分割图像进行分类得到分类图像;
S33:通过阶段型融合方式模型对分类图像与故障模型进行对比融合分析得到故障结果;
S34:通过电力设备物理结构参数信息数据库中的电力设备类型和位置坐标得出电力设备故障结果。
所述步骤S32中的人工神经网络分类模型的激活函数采用以下公式建立S型函数:
其中,x表示神经元输入特征向量的分量,即图像目标的形状特征;ω表示输入分量的权重;θ表示神经元的阈值。
所述S33中的阶段型融合方式模型包括以下具体步骤:
S331:对分类图像进行1级进行处理检测判决融合;
S332:对故障点图像的信息源预处理;
S333:对故障点图像与电力设备分类图像对比分析产生图像对比数据;
S334:如果图像对比数据不属于电力设备物理结构参数信息数据库,则返回步骤S33;
S335:如果图像对比数据属于电力设备物理结构参数信息数据库,则作出判决并传送至人机界面。
本实施例还包括电力***设备故障诊断***,包括电力设备参数单元、电力设备红外图像采集单元、故障分割单元、故障匹配单元板、故障结果单元;
所述电力设备参数单元,用于获取电力设备物理结构参数信息;
所述电力设备红外图像采集单元,用于获取电力设备红外图像信息;
所述故障分割单元,用于通过图像处理方法从电力设备红外图像信息中分割出故障点图像;
所述故障匹配单元板,用于根据故障点图像从电力设备物理结构参数信息中进行匹配获取具有故障的目标电力设备的物理结构参数信息;
所述故障结果单元,用于根据目标电力设备的物理结构参数信息结合故障点图像采用数据融合分析法分析出目标电力设备故障结果;
还包括设备结构模型单元,所述设备结构模型单元包括设备结构数据库单元和故障模型单元;
所述设备结构数据库单元,用于存储电力设备的类型和位置坐标;
所述故障模型单元,用于存储有不同类型的电力设备关联故障类型。
所述故障分割单元包括目标分割单元、图像分类单元、故障融合单元、故障结果单元;
所述目标分割单元,用于采用二维模糊划分最大熵处理电力设备红外图像得到目标分割图像;
所述图像分类单元,用于通过人工神经网络分类模型对目标分割图像进行分类得到分类图像;
所述故障融合单元,用于通过阶段型融合方式模型对分类图像与故障模型进行对比融合分析得到故障结果;
所述故障结果单元,用于通过从电力设备物理结构参数信息数据库中的电力设备类型和位置坐标得出电力设备故障结果。
所述图像分类单元中的人工神经网络分类模型的激活函数采用以下公式建立S型函数:
其中,x表示神经元输入特征向量的分量,所述分量是图像目标的形状特征;ω表示输入分量的权重;θ表示神经元的阈值。
所述故障融合单元包括最大熵图像分割模块、人工神经网络图像分类模块、故障融合结果模块、电力设备故障结果输出模块;
所述最大熵图像分割模块,采用二维模糊划分最大熵处理电力设备红外图像得到目标分割图像;
所述人工神经网络图像分类模块,通过人工神经网络分类模型对目标分割图像进行分类得到分类图像;
所述故障融合结果模块,通过阶段型融合方式模型对分类图像与故障模型进行对比融合分析得到故障结果;
所述电力设备故障结果输出模块,通过从电力设备物理结构参数信息数据库中的电力设备类型和位置坐标得出电力设备故障结果。
实施例2
本实施例与实施例1的区别仅在于:
本实施例提供的联合红外图像分割、人工神经网络图像分类算法和数据融合技术的电力***设备故障诊断方法首先采用二维模糊划分最大熵分割红外图像单元,负责对采集到的电力设备故障点的红外热像图进行降噪与目标分割。由于红外图像存在对比度低、噪声大,而且目标边缘比较模糊等特点,使得实现目标的准确分割具有较大困难。基于二维直方图的二维最大熵分割方法,由于不仅反映了灰度分布信息,还反映了空间邻域相关信息,是一种有效的含噪图像分割方法,非常适用于红外目标的分割。
通过运用神经网络模型对收集的全部电力设备图像目标进行分类与存储。神经网络能以任意期望的精确度使任何复杂的非线性模型和多维数据匹配,可以执行函数逼近、模式分类、聚类和预测等多种任务。
提供阶段型融合方式模型,并负责对分离出的故障图像或者故障预测点图像与电力设备图像目标进行对比融合分析,给出诊断结果。阶段型体系结构的设计是自顶向下,按着一定的步骤对数据进行融合的。
采用专家经验模型,提供电力设备常见故障点经验数据,并负责对数据融合结果的审查,给出最终的电力设备故障结果或者预测故障位置。
本实施例融合了多种算法,制定了精确地诊断步骤,最终的电力设备故障结果或者预测故障位置。另外,本发明还采用模块化与***化的设计,从而为电力***设备故障诊断的建立找到了一条完整又精确的途径,提高了电力***运行的可靠性与稳定性
图6为电流互感器红外热像图,图7为人工神经网络对电力设备进行图像分类结果示意图,如图所示,本实施例运用二维模糊划分最大熵分割红外图像,对采集到的电力设备故障点红外热像图进行降噪与目标分割后,得到图6所示的电流互感器红外热像图,然后运用人工神经网络对电力设备进行图像分类,具体分类结果如图7所示,其中图7a为电流互感器,图7b为滤波器,图7c为电压互感器,图7d为避雷针。利用阶段型融合方式模型,对分离出的故障图像或者故障预测点图像与电力设备图像目标进行对比融合分析,给出诊断结果:发生热故障元件为电流互感器。最后根据经验对数据融合结果进行审查,给出故障类型以及处理建议为:数据融合结果正确,故障元件为电流互感器;故障类型为触杆接触不良,处理建议:测量一次回路电阻。
以上所述仅为本发明的优选实施例,并不用于限制本发明,显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.电力***设备故障诊断方法,其特征在于:包括以下步骤:
S1:获取电力设备物理结构参数信息;
S2:获取电力设备红外图像信息;
S3:通过图像处理方法从电力设备红外图像信息中分割出故障点图像;
S4:根据故障点图像从电力设备物理结构参数信息中进行匹配获取具有故障的目标电力设备的物理结构参数信息;
S5:根据目标电力设备的物理结构参数信息结合故障点图像采用数据融合分析法分析出目标电力设备故障结果;
还包括建立电力设备物理结构模型,所述电力设备物理结构模型包括电力设备物理结构参数信息数据库和故障模型;
所述电力设备物理结构参数信息数据库包括电力设备的类型和位置坐标;
所述故障模型,存储有不同类型的电力设备关联故障类型。
2.根据权利要求1所述的电力***设备故障诊断方法,其特征在于:所述步骤S3中的故障点图像是通过以下步骤来实现的:
S31:采用二维模糊划分最大熵处理电力设备红外图像得到目标分割图像;
S32:通过人工神经网络分类模型对目标分割图像进行分类得到分类图像;
S33:通过阶段型融合方式模型对分类图像与故障模型进行对比融合分析得到故障结果;
S34:通过电力设备物理结构参数信息数据库中的电力设备类型和位置坐标得出电力设备故障结果。
3.根据权利要求2所述的电力***设备故障诊断方法,其特征在于:所述步骤S32中的人工神经网络分类模型的激活函数采用以下公式建立S型函数:
其中,x表示神经元输入特征向量的分量,即图像目标的形状特征;ω表示输入分量的权重;θ表示神经元的阈值。
4.根据权利要求2所述的电力***设备故障诊断方法,其特征在于:所述S33中的阶段型融合方式模型包括以下具体步骤:
S331:对分类图像进行1级进行处理检测判决融合;
S332:对故障点图像的信息源预处理;
S333:对故障点图像与电力设备分类图像对比分析产生图像对比数据;
S334:如果图像对比数据不属于电力设备物理结构参数信息数据库,则返回步骤S33;
S335:如果图像对比数据属于电力设备物理结构参数信息数据库,则作出判决并传送至人机界面。
5.根据权利要求1所述的电力***设备故障诊断方法来实现的电力***设备故障诊断***,其特征在于:包括电力设备参数单元、电力设备红外图像采集单元、故障分割单元、故障匹配单元板、故障结果单元;
所述电力设备参数单元,用于获取电力设备物理结构参数信息;
所述电力设备红外图像采集单元,用于获取电力设备红外图像信息;
所述故障分割单元,用于通过图像处理方法从电力设备红外图像信息中分割出故障点图像;
所述故障匹配单元板,用于根据故障点图像从电力设备物理结构参数信息中进行匹配获取具有故障的目标电力设备的物理结构参数信息;
所述故障结果单元,用于根据目标电力设备的物理结构参数信息结合故障点图像采用数据融合分析法分析出目标电力设备故障结果。
6.根据权利要求5所述的电力***设备故障诊断***,其特征在于:还包括设备结构模型单元,所述设备结构模型单元包括设备结构数据库单元和故障模型单元;
所述设备结构数据库单元,用于存储电力设备的类型和位置坐标;
所述故障模型单元,用于存储有不同类型的电力设备关联故障类型。
7.根据权利要求5所述的电力***设备故障诊断***,其特征在于:所述故障分割单元包括目标分割单元、图像分类单元、故障融合单元、故障结果单元;
所述目标分割单元,用于采用二维模糊划分最大熵处理电力设备红外图像得到目标分割图像;
所述图像分类单元,用于通过人工神经网络分类模型对目标分割图像进行分类得到分类图像;
所述故障融合单元,用于通过阶段型融合方式模型对分类图像与故障模型进行对比融合分析得到故障结果;
所述故障结果单元,用于通过从电力设备物理结构参数信息数据库中的电力设备类型和位置坐标得出电力设备故障结果。
8.根据权利要求7所述的电力***设备故障诊断***,其特征在于:所述图像分类单元中的人工神经网络分类模型的激活函数采用以下公式建立S型函数:
其中,x表示神经元输入特征向量的分量,所述分量是图像目标的形状特征;ω表示输入分量的权重;θ表示神经元的阈值。
9.根据权利要求7所述的电力***设备故障诊断***,其特征在于:所述故障融合单元包括最大熵图像分割模块、人工神经网络图像分类模块、故障融合结果模块、电力设备故障结果输出模块;
所述最大熵图像分割模块,采用二维模糊划分最大熵处理电力设备红外图像得到目标分割图像;
所述人工神经网络图像分类模块,通过人工神经网络分类模型对目标分割图像进行分类得到分类图像;
所述故障融合结果模块,通过阶段型融合方式模型对分类图像与故障模型进行对比融合分析得到故障结果;
所述电力设备故障结果输出模块,通过从电力设备物理结构参数信息数据库中的电力设备类型和位置坐标得出电力设备故障结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310697405.0A CN103630244B (zh) | 2013-12-18 | 2013-12-18 | 电力***设备故障诊断方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310697405.0A CN103630244B (zh) | 2013-12-18 | 2013-12-18 | 电力***设备故障诊断方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103630244A CN103630244A (zh) | 2014-03-12 |
CN103630244B true CN103630244B (zh) | 2016-03-09 |
Family
ID=50211527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310697405.0A Expired - Fee Related CN103630244B (zh) | 2013-12-18 | 2013-12-18 | 电力***设备故障诊断方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103630244B (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217443B (zh) * | 2014-08-15 | 2017-02-15 | 国家电网公司 | 一种基于hsv空间的输变电设备红外故障图像分割方法 |
CN104569666A (zh) * | 2014-12-25 | 2015-04-29 | 重庆大学 | 基于电-图模型的电力变压器故障预测方法 |
CN104898013A (zh) * | 2015-06-09 | 2015-09-09 | 北京联合大学 | 一种利用声学测量诊断电路故障的方法及*** |
CN105388414A (zh) * | 2015-10-23 | 2016-03-09 | 国网山西省电力公司大同供电公司 | 一种隔离开关的全方位故障自动识别方法 |
CN105491351B (zh) * | 2016-01-04 | 2018-08-31 | 国网浙江奉化市供电公司 | 一种电网故障检测***及方法 |
CN106199267B (zh) * | 2016-06-30 | 2019-06-11 | 杭州电力设备制造有限公司 | 一种电力设备故障特征分析方法 |
CN106355187A (zh) * | 2016-09-07 | 2017-01-25 | 西华大学 | 视觉信息在电力设备监测中的应用 |
CN107229548B (zh) * | 2017-05-23 | 2019-08-09 | 大连理工大学 | 一种基于红外图像的服务器热故障监测及诊断方法 |
CN107358343B (zh) * | 2017-06-28 | 2020-12-15 | 中国能源建设集团甘肃省电力设计院有限公司 | 基于图像数据特征差异性的电力工程安全预警方法 |
CN107255522B (zh) * | 2017-07-10 | 2019-04-23 | 国网信息通信产业集团有限公司 | 一种变压器故障诊断的方法及装置 |
CN108399415B (zh) * | 2018-01-16 | 2020-03-27 | 电子科技大学 | 一种基于设备所处生命周期阶段的自适应数据采集方法 |
CN111225299A (zh) * | 2018-11-27 | 2020-06-02 | ***通信集团广东有限公司 | 一种onu故障识别、修复方法和装置 |
CN111121971B (zh) * | 2019-12-18 | 2021-09-03 | 广西电网有限责任公司电力科学研究院 | 一种通过高压开关柜表面温度变化判断故障类型的方法 |
CN111209434B (zh) * | 2020-01-09 | 2024-02-13 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于多源异构数据融合的变电站设备巡检***及方法 |
CN111751002B (zh) * | 2020-05-15 | 2021-11-23 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于红外热成像的带电设备故障智能诊断方法 |
CN112598537B (zh) * | 2020-12-22 | 2022-08-02 | 河北建设投资集团有限责任公司 | 电力设备故障诊断方法、装置及终端设备 |
CN112924471B (zh) * | 2021-01-26 | 2022-12-09 | 四川华能宝兴河水电有限责任公司 | 一种设备故障诊断***及其诊断方法 |
CN113205506B (zh) * | 2021-05-17 | 2022-12-27 | 上海交通大学 | 一种电力设备全空间信息三维重构方法 |
CN113410840B (zh) * | 2021-07-14 | 2022-07-01 | 国网四川省电力公司电力科学研究院 | 一种基于子图同构的电网故障建模方法及*** |
CN113484693B (zh) * | 2021-07-30 | 2023-04-07 | 国网四川省电力公司电力科学研究院 | 基于图神经网络的变电站二次回路故障定位方法及*** |
CN114088212A (zh) * | 2021-11-29 | 2022-02-25 | 浙江天铂云科光电股份有限公司 | 基于温度视觉的诊断方法及诊断装置 |
CN115453193B (zh) * | 2022-09-15 | 2023-04-18 | 四川大学 | 基于pqm、ttu和sm量测数据协同的配电网谐波状态估计方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102928742A (zh) * | 2012-11-22 | 2013-02-13 | 重庆市电力公司检修分公司 | 一种高压设备红外图像自动故障识别方法 |
-
2013
- 2013-12-18 CN CN201310697405.0A patent/CN103630244B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102928742A (zh) * | 2012-11-22 | 2013-02-13 | 重庆市电力公司检修分公司 | 一种高压设备红外图像自动故障识别方法 |
Non-Patent Citations (1)
Title |
---|
基于图像分割的变电站电气设备故障自动检测;叶婕;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20130215(第02期);第7-14、45-56页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103630244A (zh) | 2014-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103630244B (zh) | 电力***设备故障诊断方法及*** | |
CN103617469B (zh) | 电力***设备故障预测方法及*** | |
Grezmak et al. | Interpretable convolutional neural network through layer-wise relevance propagation for machine fault diagnosis | |
CN109614981B (zh) | 基于斯皮尔曼等级相关的卷积神经网络的电力***智能故障检测方法及*** | |
Zhao et al. | Remaining useful life prediction of aircraft engine based on degradation pattern learning | |
US20120304008A1 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
Henriksson et al. | Towards structured evaluation of deep neural network supervisors | |
CN109543901A (zh) | 基于信息融合卷积神经网络模型的短期电力负荷预测方法 | |
Fengming et al. | Anomaly detection in smart grid based on encoder-decoder framework with recurrent neural network | |
Li et al. | Fault diagnosis expert system of semiconductor manufacturing equipment using a Bayesian network | |
CN103995237A (zh) | 一种卫星电源***在线故障诊断方法 | |
Vong et al. | Simultaneous-fault detection based on qualitative symptom descriptions for automotive engine diagnosis | |
Meister et al. | Cross-evaluation of a parallel operating SVM–CNN classifier for reliable internal decision-making processes in composite inspection | |
CN109617526A (zh) | 一种基于小波多分辨分析和svm的光伏发电阵列故障诊断和分类的方法 | |
Wu et al. | An end-to-end learning method for industrial defect detection | |
CN110705694A (zh) | 基于特征提取的面向边缘数据中心的窃电监测方法 | |
Zu et al. | A simple gated recurrent network for detection of power quality disturbances | |
Simani et al. | Dynamic neural network architecture design for predicting remaining useful life of dynamic processes | |
Deslandres et al. | An expert system prototype assisting the statistical validation of simulation models | |
Liu et al. | An anomaly detection method based on double encoder–decoder generative adversarial networks | |
Gnetchejo et al. | Faults diagnosis in a photovoltaic system based on multivariate statistical analysis | |
Wang et al. | Intermittent fault diagnosis for electronics-rich analog circuit systems based on multi-scale enhanced convolution transformer network with novel token fusion strategy | |
Wang | Research on the fault diagnosis of mechanical equipment vibration system based on expert system | |
Castiblanco et al. | Aggregation tools for the evaluation of classifications | |
Banerjee et al. | Generation of movement explanations for testing gesture based co-operative learning applications |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160309 Termination date: 20171218 |