CN108645507A - 一种高适应性gil振动在线监测神经网络装置 - Google Patents
一种高适应性gil振动在线监测神经网络装置 Download PDFInfo
- Publication number
- CN108645507A CN108645507A CN201810338509.5A CN201810338509A CN108645507A CN 108645507 A CN108645507 A CN 108645507A CN 201810338509 A CN201810338509 A CN 201810338509A CN 108645507 A CN108645507 A CN 108645507A
- Authority
- CN
- China
- Prior art keywords
- gil
- neural network
- vibrating sensor
- adaptability
- digital signal
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 27
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 230000006855 networking Effects 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims description 9
- 229910001416 lithium ion Inorganic materials 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 8
- 239000012212 insulator Substances 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000009434 installation Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 230000035945 sensitivity Effects 0.000 abstract description 4
- 230000007257 malfunction Effects 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009940 knitting Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
-
- 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
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Neurology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本公开了一种高适应性GIL振动在线监测神经网络装置,包括振动传感器、数据采集器、无线网关以及终端计算机;其中;振动传感器以神经网络组网的方式固定安装在GIL表面并与GIL表面紧密接触,用以检测GIL的振动波形并将振动波形转化为电压信号输出;数据采集器和振动传感器相连接,用于接收振动传感器输出的电压信号并进行放大滤波后再经过ADC转化为数字信号输出;无线网关用于接收数据采集器输出的数字信号并将该数字信号终端计算机,终端计算机根据该数字信号分析得出GIL的故障情况。本装置具有很强的适应性和高灵敏性,从而对GIL实现全面精确地故障监测,保证了电网的安全性。
Description
技术领域
本发明涉及电气设备信息采集装置,具体涉及一种高适应性GIL振动在线监测神经网络装置。
背景技术
GIL是一种采用SF6气体或者SF6和N2混合气体绝缘的金属封闭输电设备,具有输电容量大、空间分布灵活、可靠性高和环境影响小的特点,因此十分契合现代城市电网发电容量不断增加和电网建设改造的需要。然而GIL的制造工艺繁多,对检修工艺要求十分精细,稍有不慎就会形成相关质量问题;而且一旦发生故障就会造成十分严重的后果。
目前的GIL监测试验中,振动监测是非常有效的GIL故障监测手段。根据检测到的振动波形信号来判断GIL是否出现了绝缘故障,能及时发现GIL设备的事故并解决,这对于GIL在电力***中的进一步推广,有着重大作用。但是目前的对振动信号的采集方法缺乏高适应性,能实现GIL振动在线监测的神经网络是目前所缺乏的。神经网络的组建方法已应用于很多领域,但由于GIL装置结构的特殊性和对适应性的高要求,很难照搬已有的方法。
发明内容
本发明的目的在于克服上述现有技术的不足,提供一种高适应性GIL振动在线监测神经网络装置,以对GIL进行有效的监测。
为实现上述目的,本发明的技术方案是:
一种高适应性GIL振动在线监测神经网络装置,包括振动传感器、数据采集器、无线网关以及终端计算机;其中;
所述振动传感器以神经网络组网的方式固定安装在GIL表面并与GIL表面紧密接触,用以检测GIL的振动波形并将振动波形转化为电压信号输出;
所述数据采集器和振动传感器相连接,用于接收振动传感器输出的电压信号并进行放大滤波后再经过ADC转化为数字信号输出;
所述无线网关用于接收数据采集器输出的数字信号并将该数字信号终端计算机,终端计算机根据该数字信号分析得出GIL的故障情况。
所述神经网络组网的方式具体为:
将GIL管母按照若干个节点进行分段,对每一段进行编号,对每一段内的三支柱绝缘子进行依次编号,对三支柱绝缘子三只脚分别进行编号;
在每一个节点安装振动传感器和数据采集器,每个节点构成一个神经元,多个神经元构成网络状。
所述振动传感器通过屏蔽电缆和数据采集器相连接。
所述数据采集器包括程控增益放大器、滤波器、模数转换器、微控制器以及无线通讯模块;
所述程控增益放大器用于将振动传感器输出的电压信号放大至符合模数转换器的输入范围;
所述滤波器用于将程控增益放大器放大后的电压信号进行提取,提取有用交流分量并进行抗混淆低通滤波;
所述模数转换器用于将滤波器输出的模拟信号转换成数字信号并输出至微控制器;
所述微控器将其接收到的数字信号进行打包后传送至无线通讯模块;
所述无线通讯模块将微控器传送来的数字信号转换为电磁波发送到空中。
所述数据采集器还包括锂离子电池和太阳能电池电源变换与管理模块;锂离子电池为增益放大器、滤波器、模数转换器、微控制器以及无线通讯模块提供工作电压;太阳能电池电源变换与管理模块和锂离子电池相连接,用以将太阳能电池的输出电能给锂离子电池充电。
所述振动传感器采用的是内置IC的压电型工业级加速度传感器。
所述滤波器为带通滤波器。
本发明与现有技术相比,其有益效果在于:
本发明的高适应性GIL振动在线监测神经网络装置采用神经网络组网的方法,在GIL管母各处按一定规律设置节点,通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。每一个节点代表一个神经单元,克服了传统的基于逻辑符号的人工智能在处理直觉、非结构化信息方面的缺陷,具有自适应、自组织的特点,神经网络模拟人的神经***收集信息,并将信息及时发送至终端进行分析处理,具有很强的适应性和高灵敏性,从而对GIL实现全面精确地故障监测,保证了电网的安全性。
附图说明
图1为本发明实施例提供的高适应性GIL振动在线监测神经网络装置的结构示意图;
图2为神经网络的示意图;
图3为无线网关的信号传输框图。
具体实施方式
下面结合附图和具体实施方式对本发明的内容做进一步详细说明。
实施例:
参阅图1-3所示,本实施例提供的高适应性GIL振动在线监测神经网络装置,能够实现长期在线采集GIL的振动波形并上传至数据终端,包括固定安装在GIL表面并与之紧密接触的振动传感器、与振动传感器通过屏蔽电缆连接的数据采集器,该数据采集器通过无线方式连接无线网关,经由无线网关连接至终端计算机,终端计算机对数据进行分析并得出得出GIL的故障情况。
其中,该振动传感器以神经网络组网的方式固定安装在GIL表面并与GIL表面紧密接触,神经网络组网的方式具体为:
步骤一:将GIL管母按一定节点进行分段,对每一段进行编号1、2、3……,对每一段内的三支柱绝缘子依次编号为1、2、3……,三支柱绝缘子三只脚分别编号A、B、C,A1-2即为第一段第二个三支柱绝缘子的脚A。
步骤二:在每一个节点安装信号采集器和传感器,每个节点构成一个神经元,每个节点上的神经元构成网络状,如图2。人工神经网络***具有很高的容错性、鲁棒性及自组织性,即使连接线遭到很高程度的破坏,它仍能处在优化工作状。
步骤三:神经网络输出端输出信号,经无线模块传送至终端。
另外,为了保证监测结果的精确性,振动传感器应具有如下特点:(1)传感器应该灵敏度高、噪声低(2)宽的频率带宽。频率带宽越宽,包含的信息量越大,则可检测的故障类型和范围越宽。(3)具有良好的电磁屏蔽效果。考虑到被测设备为强电设备且现场可能还存在其他高压或大电流设备,这些设备可通过电场和磁场干扰传感器的工作,因此传感器应具有良好的抗干扰措施。(4)传感器输出阻抗低。低输出阻抗可避免传感器输出信号在连接线中受到干扰。(5)体积小、重量轻。轻的传感器重量利于减轻负载效应。(6)工作温度范围宽、防尘、防雨。根据上述的具体要求,并考虑到目前振动传感器的技术水平,本实施例的振动传感器采纳内置IC的压电型工业级加速度传感器,主要技术指标为:
灵敏度:500mV/g
3dB频率:20Hz~15kHz
工作温度范围:-40~80℃
重量:<50克
内置IC放大,低输入阻抗;双层屏蔽结构,可有效屏蔽低频电磁场干扰和高频电磁波干扰。
具体地,上述的数据采集器包括程控增益放大器、滤波器、高速ADC、MCU(微控制器)、无线通讯模块、锂离子电池、太阳能电池电源变换与管理模块。
程控增益放大器(PGA),其增益可由微控制器(MCU)选择,将振动传感器的输出信号放大到合适的大小以匹配ADC的输入范围。滤波器为带通滤波器,其作用是提取有用交流分量并进行抗混淆低通滤波。ADC即模数转换器,将滤波器输出的模拟信号转换为数字信号。微控制器(MCU)接收ADC的数据并打包后传送给无线模块,MCU还负责协调其他模块、进行协议解析等。无线模块将MCU发送的数字信号转换为电磁波发送到空中。在有适宜的阳光照射时,充电模块利用太阳能电池的输出电能给锂电池充电。DC/DC模块输出稳定的直流电压,为放大器、滤波器、ADC、微控制器、无线模块提供工作电压。信号传递具体步骤为:
1、GIL故障产生的振动或者正常工作时产生的振动传播到GIL表面,被振动传感器检测到,振动传感器输出电压信号;
2、与振动传感器相连接的数据采集器接收振动传感器输出的电压信号并进行放大滤波后再经过ADC转化为数字信号;
3、同内部无线模块将数字信号发送给无线网关。
程控增益放大器(PDA),其增益可由微控制器(MCU)选择,将振动传感器的输出信号放大到合适的大小以匹配ADC的输入范围。
其中,如图3所示,该无线模块可以接收或发送无线信号,当其接收到无线信号时将无线信号转换为数字信号传递给MCU(微控制器),MCU再将传递给RS232串口。终端计算机可以直接接收RS232串口信号。
上述实施例只是为了说明本发明的技术构思及特点,其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰,都应涵盖在本发明的保护范围内。
Claims (7)
1.一种高适应性GIL振动在线监测神经网络装置,其特征在于,包括振动传感器、数据采集器、无线网关以及终端计算机;其中;
所述振动传感器以神经网络组网的方式固定安装在GIL表面并与GIL表面紧密接触,用以检测GIL的振动波形并将振动波形转化为电压信号输出;
所述数据采集器和振动传感器相连接,用于接收振动传感器输出的电压信号并进行放大滤波后再经过ADC转化为数字信号输出;
所述无线网关用于接收数据采集器输出的数字信号并将该数字信号终端计算机,终端计算机根据该数字信号分析得出GIL的故障情况。
2.如权利要求1所述的高适应性GIL振动在线监测神经网络装置,其特征在于,所述神经网络组网的方式具体为:
将GIL管母按照若干个节点进行分段,对每一段进行编号,对每一段内的三支柱绝缘子进行依次编号,对三支柱绝缘子三只脚分别进行编号;
在每一个节点安装振动传感器和数据采集器,每个节点构成一个神经元,多个神经元构成网络状。
3.如权利要求1或2所述的高适应性GIL振动在线监测神经网络装置,其特征在于,所述振动传感器通过屏蔽电缆和数据采集器相连接。
4.如权利要求3所述的高适应性GIL振动在线监测神经网络装置,其特征在于,所述数据采集器包括程控增益放大器、滤波器、模数转换器、微控制器以及无线通讯模块;
所述程控增益放大器用于将振动传感器输出的电压信号放大至符合模数转换器的输入范围;
所述滤波器用于将程控增益放大器放大后的电压信号进行提取,提取有用交流分量并进行抗混淆低通滤波;
所述模数转换器用于将滤波器输出的模拟信号转换成数字信号并输出至微控制器;
所述微控器将其接收到的数字信号进行打包后传送至无线通讯模块;
所述无线通讯模块将微控器传送来的数字信号转换为电磁波发送到空中。
5.如权利要求4所述的高适应性GIL振动在线监测神经网络装置,其特征在于,所述数据采集器还包括锂离子电池和太阳能电池电源变换与管理模块;锂离子电池为增益放大器、滤波器、模数转换器、微控制器以及无线通讯模块提供工作电压;太阳能电池电源变换与管理模块和锂离子电池相连接,用以将太阳能电池的输出电能给锂离子电池充电。
6.如权利要求1或2所述的高适应性GIL振动在线监测神经网络装置,其特征在于,所述振动传感器采用的是内置IC的压电型工业级加速度传感器。
7.如权利要求4或5所述的高适应性GIL振动在线监测神经网络装置,其特征在于,所述滤波器为带通滤波器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810338509.5A CN108645507B (zh) | 2018-04-16 | 2018-04-16 | 一种高适应性gil振动在线监测神经网络装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810338509.5A CN108645507B (zh) | 2018-04-16 | 2018-04-16 | 一种高适应性gil振动在线监测神经网络装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108645507A true CN108645507A (zh) | 2018-10-12 |
CN108645507B CN108645507B (zh) | 2021-01-15 |
Family
ID=63746487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810338509.5A Active CN108645507B (zh) | 2018-04-16 | 2018-04-16 | 一种高适应性gil振动在线监测神经网络装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108645507B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111488969A (zh) * | 2020-04-03 | 2020-08-04 | 北京思朗科技有限责任公司 | 基于神经网络加速器的执行优化方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0616291A3 (en) * | 1993-03-18 | 1996-07-10 | Hitachi Ltd | A method of configuring a neural network and a diagnosis/recognition system using the same. |
JPH09133732A (ja) * | 1995-11-13 | 1997-05-20 | Nissin Electric Co Ltd | 電気機器の異常振動監視装置 |
CN1262540A (zh) * | 1999-01-28 | 2000-08-09 | 株式会社日立制作所 | 气体绝缘装置中局部放电的诊断方法和局部放电诊断*** |
CN101799367A (zh) * | 2010-01-27 | 2010-08-11 | 北京信息科技大学 | 一种机电设备神经网络故障趋势预测方法 |
CN103605074A (zh) * | 2013-12-03 | 2014-02-26 | 国家电网公司 | 一种气体绝缘封闭开关的故障定位方法及装置 |
CN104698354A (zh) * | 2015-03-13 | 2015-06-10 | 西安交通大学 | 一种gil击穿性放电定位检测*** |
CN106353651A (zh) * | 2016-09-30 | 2017-01-25 | 国家电网公司 | 基于bp网络的gis局放声电联合检测故障定位方法 |
CN107329933A (zh) * | 2017-07-14 | 2017-11-07 | 北京知觉科技有限公司 | 基于光纤传感振动信号的故障检测方法及装置 |
-
2018
- 2018-04-16 CN CN201810338509.5A patent/CN108645507B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0616291A3 (en) * | 1993-03-18 | 1996-07-10 | Hitachi Ltd | A method of configuring a neural network and a diagnosis/recognition system using the same. |
JPH09133732A (ja) * | 1995-11-13 | 1997-05-20 | Nissin Electric Co Ltd | 電気機器の異常振動監視装置 |
CN1262540A (zh) * | 1999-01-28 | 2000-08-09 | 株式会社日立制作所 | 气体绝缘装置中局部放电的诊断方法和局部放电诊断*** |
CN101799367A (zh) * | 2010-01-27 | 2010-08-11 | 北京信息科技大学 | 一种机电设备神经网络故障趋势预测方法 |
CN103605074A (zh) * | 2013-12-03 | 2014-02-26 | 国家电网公司 | 一种气体绝缘封闭开关的故障定位方法及装置 |
CN104698354A (zh) * | 2015-03-13 | 2015-06-10 | 西安交通大学 | 一种gil击穿性放电定位检测*** |
CN106353651A (zh) * | 2016-09-30 | 2017-01-25 | 国家电网公司 | 基于bp网络的gis局放声电联合检测故障定位方法 |
CN107329933A (zh) * | 2017-07-14 | 2017-11-07 | 北京知觉科技有限公司 | 基于光纤传感振动信号的故障检测方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111488969A (zh) * | 2020-04-03 | 2020-08-04 | 北京思朗科技有限责任公司 | 基于神经网络加速器的执行优化方法及装置 |
CN111488969B (zh) * | 2020-04-03 | 2024-01-19 | 北京集朗半导体科技有限公司 | 基于神经网络加速器的执行优化方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108645507B (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11408797B2 (en) | GIL fault on-line monitoring system based on vibration signals and support vector machine | |
CN2869875Y (zh) | 绝缘子污秽在线监测装置 | |
CN103197215A (zh) | Gis交流耐压试验放电故障定位***及方法 | |
CN104614648A (zh) | 一种电声联合直流局部放电检测装置 | |
CN203133233U (zh) | Gis交流耐压试验放电故障定位*** | |
CN103712551A (zh) | 配电网变压器低压绕组变形在线监测装置及方法 | |
CN201096849Y (zh) | 一种用于高压直流输电换流阀的高电位电压测量*** | |
CN102855729A (zh) | 自取电剩余电流式电气火灾监控*** | |
CN104852096A (zh) | 蓄电池智能诊断预测*** | |
CN103293391A (zh) | 一种补偿电容器电容量在线监测装置 | |
CN108645507A (zh) | 一种高适应性gil振动在线监测神经网络装置 | |
CN212808481U (zh) | 一种gil电弧超声故障定位在线监测装置 | |
CN114062867A (zh) | 一种传感器数据处理模块及变电站分布式监测***及方法 | |
CN105758554A (zh) | 一种输电线路温度在线监测***、方法以及应用 | |
CN202837458U (zh) | 用于单轨车受电弓的检测装置 | |
CN109490670A (zh) | 一种高压并联电抗器状态在线监测*** | |
CN208092189U (zh) | 基于特高频法的复合电场耦合油纸绝缘局部放电检测*** | |
CN103364695A (zh) | 高压电缆局部放电在线监测装置 | |
CN202383244U (zh) | 气体绝缘组合电器局部放电检测装置 | |
CN215599301U (zh) | 一体式传感器 | |
CN211014194U (zh) | 一种空气负氧离子检测及组网装置 | |
CN207675902U (zh) | 一种高压电池包状态监控装置 | |
CN210667162U (zh) | 一种用电安全监测*** | |
CN104076241A (zh) | 绝缘子检测设备 | |
CN211402681U (zh) | 一种变压器套管绝缘在线监测一体化装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |