CN105353256B - 一种输变电设备状态异常检测方法 - Google Patents
一种输变电设备状态异常检测方法 Download PDFInfo
- Publication number
- CN105353256B CN105353256B CN201510862315.1A CN201510862315A CN105353256B CN 105353256 B CN105353256 B CN 105353256B CN 201510862315 A CN201510862315 A CN 201510862315A CN 105353256 B CN105353256 B CN 105353256B
- Authority
- CN
- China
- Prior art keywords
- equipment state
- msubsup
- mrow
- state
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Housings And Mounting Of Transformers (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种输变电设备状态异常检测方法,包括:步骤S1,在变电站安装在线综合监测装置,测量状态量;步骤S2,确定状态量与设备状态的对应关系;步骤S3,利用高维随机矩阵对的设备状态量数据的时间序列进行表征;步骤S4,分析运行历史中各时段状态数据的谱分布、圆环率;步骤S5,将设备状态量化为状态评估值P;步骤S6,比较设备状态评估值P与设备状态评估值的阈值P阈值判断设备状态矩阵是否出现异常,进而检测出设备状态的异常;步骤S7,根据残差序列矩阵的正态性检验求出异常状态和异常时刻。
Description
技术领域
本发明涉及输变电设备检测技术领域,具体是一种输变电设备状态异常的检测方法。
背景技术
随着智能电网和能源互联网的不断发展,现代电力***正在逐渐演变成为一个汇聚大量数据和庞大信息计算的***,电网实时数据采集、传输、存储以及海量多元数据快速分析成为了支撑智能电网可靠运行的基础。对于输变电设备状态数据,随着状态监测技术的多元化发展和SCADA***、生产管理***、EMS***等信息应用***的关联交互使得其数据量呈指数型增长,逐渐表现出大数据的规模大、类型多、价值密度低的特征,因此对输变电设备状态数据的分析处理提出了更高的要求。
目前,国内外对输电设备状态的异常检测方法研究较少,大体分为以下两类:
1)现有的研究大都是基于单一***的部分设备信息的故障诊断,设备的实际运维中大都采用简单阈值判定方法来检测异常,设备信息利用率和设备信息利用率和和状态评价正确率都偏低。
2)目前在线监测数据异常检测方面具有研究的大数据技术有时间序列分析、马尔可夫模型、遗传规划算法、分类算法等,但这些研究大都还是试探性的,没有形成合理、完善的评价模型。因此设备的状态评估需要提高状态数据(尤其是在线监测数据)利用率,构建其大数据表征方法。电力设备在线监测数据相对于试验和带电检测数据具有检测点分布广、采样周期短的特点,其丰富的历史数据是反映设备状态变化的有效依据。
发明内容
本发明的目的在于克服上述现有技术的缺点,提出一种输变电设备状态 的异常检测方法,在综合设备状态量和设备性能的基础上实现异常状态的准确检测。首先确定状态量与设备状态的对应关系,然后利用高维随机矩阵理论对状态数据的时间序列进行表征和组合,最后通过分析运行历史中各时段状态数据的谱分布、圆环率,研究关键性能的变化趋势,及时检测出设备状态的异常。
本发明的技术解决方案如下:
一种输变电设备状态异常的检测方法,其特点在于,该方法包括以下步骤:
步骤S1,在变电站安装在线综合监测装置,测量状态量;
所述的在线综合监测装置包括:测量绕组温度的光纤绕组测温装置、测量接地电流的接地电流监测装置、测量套管介损的套管监测装置、局部放电监测装置和振动监测装置。
步骤S2,确定状态量与设备状态的对应关系;
所述的状态量是指负荷数据、绕组温度、接地电流、套管介损、局部放电和振动数据、环境温度和环境湿度等。其中,绕组温度包含顶层油温和底层油温;套管介损包含全电流、电容值和介损值。负荷数据是在变电站能量管理***中直接取出;绕组温度、接地电流、套管介损、局部放电和振动数据是通过安装在变电站的在线综合监测装置测量得到,环境温度和环境湿度数据是在变电站气象监测***中直接取出。
获取方式如下表1所示
结合所搜集的故障样本和相关文献,定义了5类设备状态,并建立起状态量与设备状态的对应关系,如表2所示。所述的设备状态包括负载性能、绝缘性能(过热、放电、受潮)和机械性能,以上5类设备状态均是通过查阅标准、文献总结得到的,这些状态分别描述了变压器运行中的电、热、机 械方面的性能。其中负载性能反映变压器的过负荷能力及在大负荷下的安全运行能力;绝缘性能包括过热、放电、受潮三类,分别反映在负荷下的热稳定能力、绝缘老化或击穿的程度、变压器绝缘油和纸的受潮程度;机械性能反映变压器各组成部件的机械性能及正常运行时的振动、抖动等的程度。
表2状态量与设备状态的对应关系
步骤S3,利用高维随机矩阵对的设备状态量数据的时间序列进行表征、组合和叠加后得到表征设备状态的高维矩阵;
高维随机矩阵理论中表征的大数据结构是灵活多样的,矩阵中的数据既可以是遵循某种分布的随机数,也可以是确定数据,矩阵的构造原则是对行和列中元素进行调整以得到最优的行列数比值。
假设有N个观测点,每个观测点得到一个状态量数据向量xi∈CT×1,i=1,2,…,N,则原始矩阵为
当N相对于T较小,即时,将xi按顺序拆分成k段,即 逐行叠加生成高维矩阵X’:
这样就将原始观测值得到的矩阵XN×T转化为X'(kN)×(T/k),其行列比
以某变电站A为例,该变电站有换流变6台(含ABC相),高抗6台(含ABC相),每台均装有在线综合监测装置(共计12套),监测量包含了油色 谱、绕组测温、接地电流、套管介损、振动、微气象。表3中第二列为各监测量的采集周期,第三列为预处理后的原始矩阵三列所示,按式(2)构造行列比合适的矩阵如表3中第四列所示。
表3状态量的高维矩阵
根据步骤S2中状态量与设备状态应关系,将对应的状态量矩阵直接叠加形成表征设备状态的高维矩阵X1~X5,如表4所示。
表4设备状态矩阵
步骤S4,分析运行历史中各时段状态数据的谱分布、圆环率;
将设备状态矩阵用高维矩阵Xp×n表征,如式(2)所示X=(x1,x2,...,xn),其中x1,x2,...,xn是各状态量的n个独立的向量。由于高维矩阵Xp×n中的元素均为实数,因此通过酉矩阵U对X的样本协方差阵进行奇异化得到等效矩阵
当Xu是一个随机矩阵并有Xu=UnΛnVn时,其中Λn=diag(s1,s2,...,sn)并且Un和Vn是两个Haar分布且与Λ相独立的随机酉矩阵。在一定条件下Xu的经验谱密 度将收敛于
{z∈C:a1≤|z|≤b1} (3)
其中,a1=(∫x-2v(dx))-1/2,b1=(∫x2v(dx))-1/2。
其物理意义在于将的所有特征值在复平面上表示,特征根分布近似为一个内径为a1、外径为b1的圆环。
步骤S5,将设备状态量化为状态评估值P,具体如下:
S5.1利用径向基核的KPCA方法对步骤S4中得到的圆环中的散点进行聚类,得到KPCA重构曲线,曲线距原点的最小距离的倒数定义为散点密度C;
S5.2以正常运行半年以上变压器的历史数据为基础,计算每周历史数据的散点密度,取均值C历史;
S5.3计算设备状态评估值P,公式如下;
P=1-C待测/C历史
其中,C历史为每周历史数据的散点密度的均值,C待测为将待测数据的散点密度;
步骤S6,比较设备状态评估值P与设备状态评估值的阈值P阈值判断设备状态矩阵是否出现异常,进而检测出设备状态的异常。
当状态数据出现异常时,其时间序列会发生水平漂移或趋势改变,导致原有的模型参数不再适用于异常发生后的序列,其样本协方差阵的谱分布函数的曲线形状以及复平面圆环的内外径。
步骤S7,根据残差序列矩阵的正态性检验求出异常状态和异常时刻。
高维矩阵Xp×n中各列向量x1,x2,...,xn通过ARMA模型拟合后得到拟合残差序列,同理可构造成高维随机矩阵Xe=(x1e,x2e,...,xne),x1e,x2e,...,xne是各状态量残差的n个独立向量。
Xe的元素均服从N(0,1)分布,则根据M-P律Xe的协方差阵Re的特征根的取值范围是[a2,b2]。每个特征值λi对应的特征向量vi中元素u1,u2,...,un服从N(0,1)分布:
当Xe矩阵中的第i行第j1~jk个元素发生趋势改变、水平漂移等现象而不再服从N(0,1)分布时,Re的最大特征根λmax将λmax>b2。当Re的实际谱密度在坐标轴上画出时,其最大特征根λmax不属于极限谱分布函数的包络内,对应的特征向量vi中第j1~jk个元素也不再服从N(0,1)分布。
因此在设备状态出现异常时,对状态量拟合模型并求出残差的高维矩阵,分析其特征向量元素分布来检测矩阵中出现异常的行与列,以对应到异常状态量和异常时刻。
与现有技术相比,本发明的有益效果是:历史和当前的状态数据得到了充分利用;对历史故障样本进行挖掘,寻找状态量间的关联;将运行历史中各时段的数据进行比对,通过圆环的变化反映设备状态的变化趋势,并实现设备状态的异常检测。
附图说明
图1为色谱和油温数据,其中,a为油温数据,b为油中CO/CO2的数据,c为油中气体H2和CH4的数据,d为局放平均放电量;
图2为绝缘性能(过热、放电)矩阵的圆环对比,其中:
a为表征Week1(4.2~4.8)绝缘性能(过热)的圆环;
b为表征Week2(6.06~6.12)绝缘性能(过热)的圆环;
c为表征Week3(6.13~6.19)绝缘性能(过热)的圆环;
d为表征Week1(4.2~4.8)绝缘性能(放电)的圆环;
e为表征Week2(6.06~6.12)绝缘性能(放电)的圆环;
f为表征Week3(6.13~6.19)绝缘性能(放电)的圆环;
图3为不同时段的设备状态评估值对比
具体实施方式
下面结合附图和实施例对本发明进一步说明,但不应以此限制本发明 的保护范围。
该变电站所连接的线路处于雷电严重区域,每年的4~8月都是雷电频发时段。由于状态量采样率不同,这里选取4~8月份的油中气体CO/CO2、H2和CH4的数据(图1b,1c)和6.13~6.19的油温数据(图1a)和局放平均放电量(图1d)。从图1中可以直接看出,在第T=345个数据点(6月16日)开始油中气体H2和CH4出现水平向上的迁移,CO和CO2的上升速率加快,油温数据在T=400~420之间明显高于正常值,在T=580后逐渐回落,但整体对比T=400之前的数值略有上升。
对该设备的异常检测具体如下:
1)选取4.2~4.8(Week 1)和6.06~6.12(Week 2),6.13~6.19(Week 3)这三周的数据分别构成绝缘性能(过热)的三个高维矩阵。根据表2,通过每一周设备状态量的数据形成的绝缘性能(过热)的高维矩阵构成形式如下所示:
2)构造其特征值圆环(如图2的a、b、c),发现从6.13~6.19这一周的绝缘性能(过热)圆环内径明显增大,表明了绝缘性能(过热)在这一周出现了明显劣化;同理,如图2d、2e、2f所示,绝缘性能(放电)也出现明显劣化。根据步骤S5计算出4.2~4.8和6.13~6.19这两周的绝缘性能(过热)评估值P,分别为0.91和0.57,发现6.13~6.19这周的评估值大为减小,因此判断绝缘性能(过热)出现明显劣化。
3)以上步骤表明,设备状态在6.13~6.19这周出现了严重异常,需检出各设备状态矩阵中的异常状态量及异常时刻,结果如表5所示。
表5异常类型对应的异常状态量
根据表5,变压器在6月15日时油温出现异常,使变压器出现过热现象, 但在数日后恢复,表明变压器内部出现劣化,但不足以形成过热缺陷;6月份气体H2、CO、CO2均出现明显异常,7~8月份异常现象并未消除,H2异常表征出现了轻微放电现象,CO/CO2异常表示固体绝缘出现了劣化。
4)综合以上步骤,并根据步骤S5计算出设备状态评估值,其雷达图如图3所示,最终可以得到设备状态的异常检测结论:4至6月该变压器绝缘性能(过热)和绝缘性能(放电)已出现缓慢劣化,并在6月份中旬劣化加剧,极可能存在潜伏性故障;从劣化的状态量来看,绝缘劣化为轻微放电引起,并涉及固体绝缘。因此,应该密切跟踪色谱的变化情况,及时安排停电试验。
通过查阅该变电站的运行记录以及离线试验报告可知:1.在6月15日16:04变电站所连线路在离站2.1km处受雷电冲击造成单相接地故障,0.3秒后重合闸成功;2.在7月2日对变压器进行局放停电试验,发现变压器中存在轻微放电现象。以上运行记录表明:该变电站近区的接地故障对变压器造成了短时大电流冲击,极可能造成变压器内部的绝缘劣化,进而造成放电,这说明算例的结论与实际情况基本一致。
Claims (6)
1.一种输变电设备状态异常的检测方法,其特征在于,该方法包括以下步骤:
步骤S1,在变电站安装在线综合监测装置,测量状态量;
步骤S2,确定状态量与设备状态的对应关系;
步骤S3,利用高维随机矩阵对设备状态量数据的时间序列进行表征、组合和叠加后得到表征设备状态的高维矩阵;
步骤S4,分析运行历史中各时段状态数据的谱分布、圆环率;
步骤S5,将设备状态量化为状态评估值P,具体如下:
S5.1 利用径向基核的KPCA方法对步骤S4中得到的圆环中的散点进行聚类,得到KPCA重构曲线,曲线距原点的最小距离的倒数定义为散点密度C;
S5.2 以正常运行半年以上变压器的历史数据为基础,计算每周历史数据的散点密度,取均值C历史;
S5.3 计算设备状态评估值P,公式如下;
P=1-C待测/C历史
其中,C历史为每周历史数据的散点密度的均值,C待测为将待测数据的散点密度;
步骤S6,比较设备状态评估值P与设备状态评估值的阈值P阈值判断设备状态的高维矩阵是否出现异常,进而检测出设备状态的异常。
2.根据权利要求1所述的输变电设备状态异常的检测方法,其特征在于,步骤S1中,所述的在线综合监测装置包括测量绕组温度的光纤绕组测温装置、测量接地电流的接地电流监测装置、测量套管介损的套管监测装置、局部放电监测装置和振动监测装置。
3.根据权利要求1所述的输变电设备状态异常的检测方法,其特征在于,步骤S2中,所述的状态量是指负荷数据、绕组温度、接地电流、套管介损、局部放电和振动数据、环境温度和环境湿度;其中,负荷数据、环境温度和环境湿度数据是在变电站能量管理***中直接读取,绕组温度包含顶层油温和底层油温,套管介损包含全电流、电容值和介损值;所述的绕组温度、接地电流、套管介损、局部放电和振动数据都是通过安装在变电站的在线综合监测装置测量得到;
所述的设备状态包括反映变压器的过负荷能力及在大负荷下的安全运行能力的负载性能;反映在负荷下的热稳定能力、绝缘老化或击穿的程度、变压器绝缘油和纸的受潮程度的绝缘性能;以及反映变压器各组成部件的机械性能。
4.根据权利要求1所述的输变电设备状态异常的检测方法,其特征在于,步骤S3中利用高维随机矩阵对获取的设备状态量的数据进行表征、组合和叠加,形成了表征设备状态的高维矩阵,具体如下:
选择N个观测点,每个观测点得到一个状态量数据xi∈CT×1,i=1,2,…,N,T表示观测点采集数据的时间长度,则原始矩阵为
<mrow>
<msub>
<mi>X</mi>
<mrow>
<mi>N</mi>
<mo>&times;</mo>
<mi>T</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>x</mi>
<mn>1</mn>
<mi>T</mi>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>x</mi>
<mn>2</mn>
<mi>T</mi>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>x</mi>
<mi>N</mi>
<mi>T</mi>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mrow>
<mi>N</mi>
<mo>&times;</mo>
<mi>T</mi>
</mrow>
</msub>
<mo>&Element;</mo>
<msup>
<mi>C</mi>
<mrow>
<mi>N</mi>
<mo>&times;</mo>
<mi>T</mi>
</mrow>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
当N/T<0.2时,将xi按顺序拆分成k段,即逐行叠加生成高维矩阵X’:
<mrow>
<msup>
<mi>X</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mn>1</mn>
<mn>1</mn>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<mn>1</mn>
<mn>2</mn>
</msubsup>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<mn>1</mn>
<mi>k</mi>
</msubsup>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<mi>N</mi>
<mn>1</mn>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<mi>N</mi>
<mn>2</mn>
</msubsup>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<mi>N</mi>
<mi>k</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其行列比
5.根据权利要求1所述的输变电设备状态异常的检测方法,其特征在于,步骤S6中所述的比较设备状态评估值P与设备状态评估值的阈值P阈值判断设备状态矩阵是否出现异常,进而检测出设备状态的异常,具体是:
设定设备状态评估值的阈值,公式如下:
P阈值=0.9×(1-C偏差/C历史)
式中,C偏差为均值偏差最大的散点密度;
当设备状态评估值P大于阈值P阈值时,则判断设备出现异常。
6.根据权利要求3所述的输变电设备状态异常的检测方法,其特征在于,当判断设备出现异常后,根据残差序列矩阵的正态性检验求出异常状态和异常时刻。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510862315.1A CN105353256B (zh) | 2015-11-30 | 2015-11-30 | 一种输变电设备状态异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510862315.1A CN105353256B (zh) | 2015-11-30 | 2015-11-30 | 一种输变电设备状态异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105353256A CN105353256A (zh) | 2016-02-24 |
CN105353256B true CN105353256B (zh) | 2018-05-25 |
Family
ID=55329258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510862315.1A Active CN105353256B (zh) | 2015-11-30 | 2015-11-30 | 一种输变电设备状态异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105353256B (zh) |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105717419B (zh) * | 2016-04-21 | 2019-03-08 | 江苏省电力公司苏州供电公司 | 电力电缆故障行为的多重对应分析方法 |
CN106022529A (zh) * | 2016-05-26 | 2016-10-12 | 中国电力科学研究院 | 一种基于高维随机矩阵的配电网异常数据检测方法 |
CN105974249B (zh) * | 2016-07-25 | 2019-02-22 | 江苏未来智慧信息科技有限公司 | 一种输变电设备监测*** |
CN107015079A (zh) * | 2017-03-28 | 2017-08-04 | 国网上海市电力公司 | 一种基于广域测量的配电***网络异常检测方法 |
CN107168291B (zh) * | 2017-06-14 | 2019-06-18 | 贵州电网有限责任公司 | 一种基于模糊ahp理论的自动化设备状态评价监测装置 |
CN107505518B (zh) * | 2017-07-22 | 2020-01-17 | 华映科技(集团)股份有限公司 | 基于设备电流id的用电设备老化评估方法 |
CN107818135B (zh) * | 2017-09-26 | 2020-02-04 | 广东电网有限责任公司电力调度控制中心 | 一种基于灰色关联法的维诺图电力大数据异常检测方法 |
CN108537426B (zh) * | 2018-03-28 | 2020-08-14 | 广州供电局有限公司 | 电力设备运行状态估计方法、装置和计算机设备 |
CN109061387A (zh) * | 2018-08-23 | 2018-12-21 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种基于圆环定理的电网异常状态判别方法 |
CN110032557B (zh) * | 2019-04-12 | 2024-04-26 | 国网安徽省电力有限公司阜阳供电公司 | 一种基于大数据的电网设备状态异常监测方法及*** |
CN110132447A (zh) * | 2019-04-17 | 2019-08-16 | 上海电力学院 | 一种基于光纤光栅的变压器绕组热点温度在线监测*** |
CN110595605A (zh) * | 2019-04-26 | 2019-12-20 | 深圳市豪视智能科技有限公司 | 振动检测*** |
CN110466381B (zh) * | 2019-08-27 | 2021-06-29 | 北京智芯微电子科技有限公司 | 充电桩状态的评估方法 |
CN110764065B (zh) * | 2019-10-16 | 2021-10-08 | 清华大学 | 基于时序重构的雷达故障诊断方法 |
CN110954810B (zh) * | 2019-11-07 | 2022-02-18 | 广东电网有限责任公司 | 一种10kV高压断路器健康水平诊断方法 |
CN111123008A (zh) * | 2019-12-27 | 2020-05-08 | 广东电网有限责任公司电力科学研究院 | 一种运行复合绝缘子老化失效评估方法 |
CN112213634B (zh) * | 2020-10-26 | 2023-05-09 | 浙江天正电气股份有限公司 | 一种检测断路器运行状态的方法及装置 |
CN113532535B (zh) * | 2021-07-21 | 2024-03-15 | 国网江苏省电力有限公司宜兴市供电分公司 | 一种电力变压器绕组状态判断方法 |
CN113325357A (zh) * | 2021-08-04 | 2021-08-31 | 华中科技大学 | 基于输出时间序列差分的电压互感器误差评估方法及*** |
CN114254879B (zh) * | 2021-11-30 | 2023-10-20 | 南方电网数字电网研究院有限公司 | 多传感器信息融合的电力设备安全诊断方法和装置 |
CN114841081A (zh) * | 2022-06-21 | 2022-08-02 | 国网河南省电力公司郑州供电公司 | 一种电力设备异常事故控制方法及*** |
CN115307669B (zh) * | 2022-10-11 | 2023-01-10 | 蘑菇物联技术(深圳)有限公司 | 用于检测被测***的异常传感器的方法、设备和介质 |
CN115442156B (zh) * | 2022-11-03 | 2023-01-17 | 联通(广东)产业互联网有限公司 | 用户终端使用情况识别方法、***、设备及存储介质 |
CN116175281B (zh) * | 2023-04-26 | 2023-06-23 | 成都瑞雪丰泰精密电子股份有限公司 | 一种加工中心主轴***振动异常检测方法 |
CN116226239B (zh) * | 2023-05-06 | 2023-07-07 | 成都瑞雪丰泰精密电子股份有限公司 | 一种基于数据驱动的加工中心主轴***状态监测方法 |
CN116499531B (zh) * | 2023-06-27 | 2023-09-01 | 中能国研(北京)电力科学研究院 | 一种电力设备状态评估方法、装置、电子设备及存储介质 |
CN117609831B (zh) * | 2023-11-21 | 2024-07-09 | 国网宁夏电力有限公司电力科学研究院 | 一种基于随机矩阵的变压器局放检测方法、介质及*** |
CN117407679B (zh) * | 2023-12-15 | 2024-03-12 | 南京中鑫智电科技有限公司 | 智能末屏传感器的数据采集方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102759670A (zh) * | 2011-12-31 | 2012-10-31 | 重庆大学 | 干式变压器运行状态检测评估方法 |
CN103512619A (zh) * | 2013-10-18 | 2014-01-15 | 海南电力技术研究院 | 一种变压器状态信息智能监控***及方法 |
CN103675503A (zh) * | 2012-09-14 | 2014-03-26 | 中华电信股份有限公司 | 电器设备的异常状态侦测***及方法 |
CN104038944A (zh) * | 2014-06-25 | 2014-09-10 | 哈尔滨工业大学 | 一种基于随机矩阵的认知无线电频谱感知方法 |
CN104217074A (zh) * | 2014-08-27 | 2014-12-17 | 天津大学 | 一种基于矩阵指数的电磁暂态隐式降阶仿真方法 |
CN104601264A (zh) * | 2015-02-27 | 2015-05-06 | 吉首大学 | 一种适用于高维有限样本条件的多天线频谱感知方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5967547B2 (ja) * | 2013-09-02 | 2016-08-10 | 日本電信電話株式会社 | 信号処理システム及び信号処理方法 |
US9774596B2 (en) * | 2014-05-23 | 2017-09-26 | Fujitsu Limited | Privacy-preserving biometric authentication |
-
2015
- 2015-11-30 CN CN201510862315.1A patent/CN105353256B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102759670A (zh) * | 2011-12-31 | 2012-10-31 | 重庆大学 | 干式变压器运行状态检测评估方法 |
CN103675503A (zh) * | 2012-09-14 | 2014-03-26 | 中华电信股份有限公司 | 电器设备的异常状态侦测***及方法 |
CN103512619A (zh) * | 2013-10-18 | 2014-01-15 | 海南电力技术研究院 | 一种变压器状态信息智能监控***及方法 |
CN104038944A (zh) * | 2014-06-25 | 2014-09-10 | 哈尔滨工业大学 | 一种基于随机矩阵的认知无线电频谱感知方法 |
CN104217074A (zh) * | 2014-08-27 | 2014-12-17 | 天津大学 | 一种基于矩阵指数的电磁暂态隐式降阶仿真方法 |
CN104601264A (zh) * | 2015-02-27 | 2015-05-06 | 吉首大学 | 一种适用于高维有限样本条件的多天线频谱感知方法 |
Non-Patent Citations (2)
Title |
---|
大维随机矩阵谱理论在多元统计分析中的应用;姜丹丹;《中国博士学位论文全文数据库 基础科学辑》;20101115(第11期);第59-66页 * |
高维随机矩阵描述下的量测大数据建模与异常数据检测方法;魏大千 等;《中国电机工程学报》;20150930;A002-77 * |
Also Published As
Publication number | Publication date |
---|---|
CN105353256A (zh) | 2016-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105353256B (zh) | 一种输变电设备状态异常检测方法 | |
Hare et al. | Fault diagnostics in smart micro-grids: A survey | |
CN102221651B (zh) | 一种矿用隔爆型干式变压器故障在线诊断及预警方法 | |
CN105891629B (zh) | 一种变压器设备故障的辨识方法 | |
WO2020162937A1 (en) | Automated model validation system for electrical grid | |
CN101951010B (zh) | 一种小电流接地***的接地保护方法 | |
CN105469156A (zh) | Moa健康管理和故障预测方法及*** | |
WO2020171814A1 (en) | Event selection for power grid disturbance | |
CN112924817A (zh) | 一种基于深度神经网络的配电网故障精确定位方法 | |
CN110879377A (zh) | 基于深度信念网络的计量装置故障溯源方法 | |
CN108074198B (zh) | 一种电力***pmu不良数据识别方法 | |
Hare et al. | A review of faults and fault diagnosis in micro-grids electrical energy infrastructure | |
Liu et al. | Design of wind turbine dynamic trip-off risk alarming mechanism for large-scale wind farms | |
CN113552443A (zh) | 基于交直流脉冲和随机森林的混连高压线路故障识别方法 | |
CN103107536B (zh) | 一种海上油田群电网的状态估计方法 | |
CN104502800B (zh) | 一种电力***故障因子特征提取方法 | |
CN110108983B (zh) | 一种智能电缆状态在线测控管理方法 | |
Wang et al. | Fault diagnosis of power transformer based on fault-tree analysis (FTA) | |
CN105701265A (zh) | 一种双馈风电机组建模方法及装置 | |
CN111007344A (zh) | 一种碳纤维复合芯导线大电路负荷试验方法 | |
Zhang et al. | Particle swarm optimization pattern recognition neural network for transmission lines faults classification | |
CN110943485B (zh) | 双馈风电场等值模型仿真可信度的指标评价方法 | |
Wu et al. | Monitoring power system transient stability using synchrophasor data | |
CN113537338A (zh) | 基于lstm神经网络和改进scada数据的抗差线路参数辨识方法 | |
Wu et al. | The medium-voltage distribution detwork fault fiagnosis based on data association analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |