CN110132565A - 一种基于小波包和神经网络结合的oltc故障诊断方法 - Google Patents
一种基于小波包和神经网络结合的oltc故障诊断方法 Download PDFInfo
- Publication number
- CN110132565A CN110132565A CN201910454162.5A CN201910454162A CN110132565A CN 110132565 A CN110132565 A CN 110132565A CN 201910454162 A CN201910454162 A CN 201910454162A CN 110132565 A CN110132565 A CN 110132565A
- Authority
- CN
- China
- Prior art keywords
- wavelet packet
- neural network
- decomposition
- spectrum entropy
- node
- 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.)
- Pending
Links
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
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于小波包和神经网络结合的OLTC故障诊断方法,包括步骤:(1)将振动检测探头贴敷在有载分接开关的箱壁顶端,分别采集有载分接开关正常状态、触头松动状态、触头磨损状态、触头烧毁状态下动作过程中产生的振动信号,且每个状态下分别采集多组振动信号;(2)利用小波包分解原理将OLTC振动信号分解到不同频段中;(3)计算各频段的能谱熵值,以此构造小波包能谱熵向量作为神经网络的输入向量;(4)利用置信度和神经网络相结合的方法进行故障模式识别。该方法可实时监测变压器有载分接开关的工作状态,满足有载分接开关实时故障诊断的要求,为有目的的检修提供数据支撑和理论依据,避免浪费人力、物力和时间。
Description
技术领域
本发明涉及一种电力设备故障诊断方法,具体涉及一种基于小波包和神经网络结合的OLTC故障诊断方法。
背景技术
有载分接开关(OLTC)是电力变压器的一个重要组成部分,其运行状况直接关系到变压器及***的稳定与安全。OLTC是变压器故障率最高部件之一,其故障不但直接影响变压器运行,而且影响电网质量与电网运行。根据沟内资料统计,由OLTC故障引起的事故约占变压器总事故的28%左右且故障类型基本为机械故障,例如触头松动、触头脱落、机构卡涩、滑档、拒动等。机械故障会直接损坏OLTC和变压器本身,进而引起其他更严重的电气故障,以致造成严重的后果。因此,对运行中的OLTC的机械性能进行监测,及早发现其故障隐患,对变压器及电力***的安全运行有着十分重大的意义。
目前,对有载分接开关机械故障的诊断方法主要是停电检修和在线监测。有载分接开关的停电检修往往周期较长,难以及时发现早期的机械故障,经常在停电检修前即发生故障损坏,并且停电检修影响变压器正常运行,需要耗费大量人力、物力和财力。在线监测方法主要有基于热噪声诊断法和基于振动的在线监测等,基于热噪声的诊断是由于变压器分接开关故障后发热产生的热噪声传播到变压器外面,通过在变压器外壳上安装噪声传感器检测来进行分接开关故障诊断,但热噪声传到传感器时,能量损耗太大再加上各种噪音大干扰工程运用很难实现。
发明内容
发明目的:为了克服现有技术的缺陷,本发明提供一种基于小波包和神经网络结合的OLTC故障诊断方法,通过该方法能及时发现有载分接开关运行过程中的潜伏性故障,提高有载分接开关可靠性。
技术方案:本发明所述的一种基于小波包和神经网络结合的OLTC故障诊断方法,包括以下步骤:
(1)将振动检测探头贴敷在有载分接开关的箱壁顶端,分别采集有载分接开关正常状态、触头松动状态、触头磨损状态、触头烧毁状态下动作过程中产生的振动信号,且每个状态下分别采集多组振动信号;
(2)利用小波包分解原理将OLTC振动信号分解到不同频段中;
(3)计算各频段的能谱熵值,以此构造小波包能谱熵向量作为神经网络的输入向量;
(4)利用置信度和神经网络相结合的方法进行故障模式识别。
其中,所述步骤(2)中,将振动信号s(t)进行小波包分解,选择一个小波并确定一个小波分解的层次j,然后对振动信号进行j层小波包分解;具体的:
其中,k=2j-1为分解次数,j为分解层数j=0,1,2,…;fj,k(tk)是在小波包分解到相应节点(j,k)上的重构信号。
所述步骤(3)中,根据信号的时间特性将分解后的振动信号分成N段,并对每一段时间内的信号计算其能量:
其中,Ai(t)为第i分段信号的幅值,i=1,2,…,N;ti-1-ti为第i分段的起止时间点;
将信号的各个分段能量进行归一化处理,得到归一化值εj,k(i):
根据信息熵的基本理论,定义信号小波包分解的第j层k节点的小波包能谱熵为:
式中,Hj,k为信号小波包分解的第j层k节点的小波包能谱熵。
作为优选,采用db10小波进行3层小波包变换,分解得到8个频段,分别提取这8个频段的小波包能谱熵,进而以这8个小波包能谱熵为元素,组成能谱熵向量T,T=[H30,H31,H32,H33,H34,H35,H36,H37];
其中,H30为小波包分解的第3层第0个节点计算出的能谱熵值;
H31为小波包分解的第3层第1个节点计算出的能谱熵值;
H32为小波包分解的第3层第2个节点计算出的能谱熵值;
H33为小波包分解的第3层第3个节点计算出的能谱熵值;
H34为小波包分解的第3层第4个节点计算出的能谱熵值;
H35为小波包分解的第3层第5个节点计算出的能谱熵值;
H36为小波包分解的第3层第6个节点计算出的能谱熵值;
H37为小波包分解的第3层第7个节点计算出的能谱熵值。
所述步骤(4)中,将小波包能谱熵向量T作为网络的输入特征向量,各特征元素对应于相应网络的输入神经元,神经网络模型的输出变量则是OLTC的某种状态模式编码Y=[Y0,Y1,Y2];以y=[y0,y1,y2]表示网络某个实际输出向量,Y=[Y0,Y1,Y2]为对应的标准编码,用β表示置信度,则:
式中:yi为实际输出量,Yi为标准编码。
具体的算法步骤如下:
首先将网络实际输出向量中的每个元素进行四舍五入法,得到一个标准编码;
然后根据式(5)计算每个输出向量的置信度β,若β大于阈值γ,则对应标准码进行故障类型判断;若β小于阈值γ,则判定该输出向量对应的模式类型为新未知类型,转为标准编码Y=[0,0,0],其中,阈值γ=0.8。
有益效果:该故障诊断方法基于振动法提取特征量,然后与神经网络相结合实现OLTC的故障诊断,具有速度快,结论直观,诊断机械故障正确率高特点。具体而言,其采用的小波包分解和能量熵结合的方法易于表征信号的故障信息,有利于故障特征提取。另外,引入了置信度的概念,对神经网络的故障模式识别结果做出了准确的评价,使该网络具有新故障模式识别功能,因此得到更高诊断准确率。与传统的神经网络相比,采用置信度和神经网络相结合故障识别率高,结合精确的特征提取方法,更适用于工程应用。
附图说明
图1是本发明的流程图;
图2是OLTC正常状态下的振动信号;
图3是小波包分解结构示意图。
具体实施方式
下面,结合附图对本发明做进一步详细说明。
如图1所示,本实施例公开了一种基于小波包和神经网络结合的OLTC故障诊断方法,具体包括以下步骤:
(1)将振动检测探头贴敷在有载分接开关的箱壁顶端,分别采集有载分接开关正常状态、触头松动状态、触头磨损状态、触头烧毁状态下动作过程中产生的振动信号,且每个状态下分别采集80组振动信号;
因为OLTC垂直顶端(箱壁顶端)直接与触头动作结构相连所以顶端的振动信号应该最强,因此,将振动传感器放置于OLTC的垂直顶端,采集的信号如图2所示。
(2)利用小波包分解原理将OLTC振动信号分解到不同频段中;
将振动信号s(t)进行小波包分解,选择db10小波并确定一个小波分解的层次j,然后对振动信号进行j层小波包分解,分解结构如图3所示;具体的,设故障信号s(t),根据小波包的定义可作如下分解:
其中,k=2j-1=8为分解次数,j为分解层数,本实施例中j=3;fj,k(tk)是在小波包分解到相应节点(j,k)上的重构信号。
(3)计算各频段的能谱熵值,以此构造小波包能谱熵向量作为神经网络的输入向量;
该步骤中,根据信号的时间特性将分解后的振动信号分成N段,作为优选,本实施例中,N=10;并对每一段时间内的信号计算其能量:
其中,Ai(t)为第i分段信号的幅值,i=1,2,…,N;ti-1-ti为第i分段的起止时间点;
将信号的各个分段能量进行归一化处理,得到归一化值εj,k(i):
根据信息熵的基本理论,定义信号小波包分解的第j层k节点的小波包能谱熵为:
式中,Hj,k为信号小波包分解的第j层k节点的小波包能谱熵。
作为优选,采用db10小波进行3层小波包变换,分解得到8个频段,分别提取这8个频段的小波包能谱熵,进而以这8个小波包能谱熵为元素,组成能谱熵向量T,T=[H30,H31,H32,H33,H34,H35,H36,H37];
其中,H30为小波包分解的第3层第0个节点计算出的能谱熵值,其他依次类推。部分能谱熵的箱梁T数据见表1:
表1 部分能谱熵向量T数据
(4)利用置信度和神经网络相结合的方法进行故障模式识别。
在该步骤中,将小波包能谱熵向量T作为网络的输入特征向量,各特征元素对应于相应网络的输入神经元,神经网络模型的输出变量则是OLTC的某种状态模式编码Y=[Y0,Y1,Y2],如表2所示:
表2 OLTC故障类型编码
若以y=[y0,y1,y2]表示网络某个实际输出向量,Y=[Y0,Y1,Y2]为对应的标准编码,用β表示置信度,则:
式中:yi为实际输出量,Yi为标准编码。
具体的算法步骤如下:
首先将网络实际输出向量中的每个元素进行四舍五入法,得到一个标准编码;
然后根据式(5)计算每个输出向量的置信度β,若β大于阈值γ,则对应标准码进行故障类型判断;若β小于阈值γ,则判定该输出向量对应的模式类型为新未知类型,转为标准编码Y=[0,0,0],其中,作为优选,本实施例的阈值γ=0.8。
将步骤1采集的到80组数据其中的40组带入神经网络进行训练,还有40组进行测试,测试部分结果如表3所示:
表3 部分神经网络识别结果
同时统计40组测试数据的结果如表4所示:
表4 测试结果
从实验的结果来看本发明所提的方法识别故障率高,适合工程应用。
Claims (6)
1.一种基于小波包和神经网络结合的OLTC故障诊断方法,其特征在于,包括以下步骤:
(1)将振动检测探头贴敷在有载分接开关的箱壁顶端,分别采集有载分接开关正常状态、触头松动状态、触头磨损状态、触头烧毁状态下动作过程中产生的振动信号,且每个状态下分别采集多组振动信号;
(2)利用小波包分解原理将OLTC振动信号分解到不同频段中;
(3)计算各频段的能谱熵值,以此构造小波包能谱熵向量作为神经网络的输入向量;
(4)利用置信度和神经网络相结合的方法进行故障模式识别。
2.根据权利要求1所述的基于小波包和神经网络结合的OLTC故障诊断方法,其特征在于,所述步骤(2)中,将振动信号s(t)进行小波包分解,选择一个小波并确定一个小波分解的层次j,然后对振动信号进行j层小波包分解;具体的:
其中,k=2j-1为分解次数,j为分解层数j=0,1,2,…;fj,k(tk)是在小波包分解到相应节点(j,k)上的重构信号。
3.根据权利要求2所述的基于小波包和神经网络结合的OLTC故障诊断方法,其特征在于,所述步骤(3)中,根据信号的时间特性将分解后的振动信号分成N段,并对每一段时间内的信号计算其能量:
其中,Ai(t)为第i分段信号的幅值,i=1,2,…,N;ti-1-ti为第i分段的起止时间点;
将信号的各个分段能量进行归一化处理,得到归一化值εj,k(i):
根据信息熵的基本理论,定义信号小波包分解的第j层k节点的小波包能谱熵为:
式中,Hj,k为信号小波包分解的第j层k节点的小波包能谱熵。
4.根据权利要求3所述的基于小波包和神经网络结合的OLTC故障诊断方法,其特征在于,采用db10小波进行3层小波包变换,分解得到8个频段,分别提取这8个频段的小波包能谱熵,进而以这8个小波包能谱熵为元素,组成能谱熵向量T,T=[H30,H31,H32,H33,H34,H35,H36,H37];
其中,H30为小波包分解的第3层第0个节点计算出的能谱熵值;
H31为小波包分解的第3层第1个节点计算出的能谱熵值;
H32为小波包分解的第3层第2个节点计算出的能谱熵值;
H33为小波包分解的第3层第3个节点计算出的能谱熵值;
H34为小波包分解的第3层第4个节点计算出的能谱熵值;
H35为小波包分解的第3层第5个节点计算出的能谱熵值;
H36为小波包分解的第3层第6个节点计算出的能谱熵值;
H37为小波包分解的第3层第7个节点计算出的能谱熵值。
5.根据权利要求4所述的基于小波包和神经网络结合的OLTC故障诊断方法,其特征在于,所述步骤(4)中,将小波包能谱熵向量T作为网络的输入特征向量,各特征元素对应于相应网络的输入神经元,神经网络模型的输出变量则是OLTC的某种状态模式编码Y=[Y0,Y1,Y2];以y=[y0,y1,y2]表示网络某个实际输出向量,Y=[Y0,Y1,Y2]为对应的标准编码,用β表示置信度,则:
式中:yi为实际输出量,Yi为标准编码。
6.根据权利要求5所述的基于小波包和神经网络结合的OLTC故障诊断方法,其特征在于,具体算法步骤如下:
首先将网络实际输出向量中的每个元素进行四舍五入法,得到一个标准编码;
然后根据式(5)计算每个输出向量的置信度β,若β大于阈值γ,则对应标准码进行故障类型判断;若β小于阈值γ,则判定该输出向量对应的模式类型为新未知类型,转为标准编码Y=[0,0,0],其中,阈值γ=0.8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910454162.5A CN110132565A (zh) | 2019-05-28 | 2019-05-28 | 一种基于小波包和神经网络结合的oltc故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910454162.5A CN110132565A (zh) | 2019-05-28 | 2019-05-28 | 一种基于小波包和神经网络结合的oltc故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110132565A true CN110132565A (zh) | 2019-08-16 |
Family
ID=67582533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910454162.5A Pending CN110132565A (zh) | 2019-05-28 | 2019-05-28 | 一种基于小波包和神经网络结合的oltc故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110132565A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110703076A (zh) * | 2019-09-24 | 2020-01-17 | 河海大学 | 一种基于振动信号频域能量比的gis故障诊断方法 |
CN111220312A (zh) * | 2020-02-28 | 2020-06-02 | 中国铁道科学研究院集团有限公司 | 一种螺栓状态的诊断方法及*** |
CN111735533A (zh) * | 2020-06-08 | 2020-10-02 | 贵州电网有限责任公司 | 基于振动信号小波能谱特征的变压器直流偏磁判断方法 |
CN112365935A (zh) * | 2020-10-20 | 2021-02-12 | 燕山大学 | 一种基于多尺度深度网络的水泥游离钙软测量方法 |
CN112881006A (zh) * | 2021-01-12 | 2021-06-01 | 北华大学 | 一种齿轮故障诊断方法 |
WO2021103496A1 (zh) * | 2019-11-29 | 2021-06-03 | 国网天津市电力公司电力科学研究院 | 基于异常振动的气体绝缘组合开关设备机械故障诊断方法 |
CN113553930A (zh) * | 2021-07-14 | 2021-10-26 | 董跃周 | 变压器有载分接开关机械故障诊断方法 |
CN113916346A (zh) * | 2021-11-14 | 2022-01-11 | 广东电网有限责任公司江门供电局 | 一种具有三轴振动姿态数据判断功能的配电设备识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050165520A1 (en) * | 2004-01-28 | 2005-07-28 | Ariyur Kartik B. | Trending system |
WO2011003688A1 (en) * | 2009-07-08 | 2011-01-13 | Optimized Systems And Solutions Limited | Machine operation management |
CN103147972A (zh) * | 2013-03-19 | 2013-06-12 | 北京化工大学 | 一种基于多传感器信息融合的往复式压缩机故障诊断方法 |
CN107607303A (zh) * | 2017-09-13 | 2018-01-19 | 河海大学 | 基于小波包与som网络的高压断路器机械故障识别方法 |
CN109166094A (zh) * | 2018-07-11 | 2019-01-08 | 华南理工大学 | 一种基于深度学习的绝缘子故障定位识别方法 |
CN109753951A (zh) * | 2019-02-26 | 2019-05-14 | 河海大学 | 一种基于瞬时能量熵和svm的oltc故障诊断方法 |
-
2019
- 2019-05-28 CN CN201910454162.5A patent/CN110132565A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050165520A1 (en) * | 2004-01-28 | 2005-07-28 | Ariyur Kartik B. | Trending system |
WO2011003688A1 (en) * | 2009-07-08 | 2011-01-13 | Optimized Systems And Solutions Limited | Machine operation management |
CN103147972A (zh) * | 2013-03-19 | 2013-06-12 | 北京化工大学 | 一种基于多传感器信息融合的往复式压缩机故障诊断方法 |
CN107607303A (zh) * | 2017-09-13 | 2018-01-19 | 河海大学 | 基于小波包与som网络的高压断路器机械故障识别方法 |
CN109166094A (zh) * | 2018-07-11 | 2019-01-08 | 华南理工大学 | 一种基于深度学习的绝缘子故障定位识别方法 |
CN109753951A (zh) * | 2019-02-26 | 2019-05-14 | 河海大学 | 一种基于瞬时能量熵和svm的oltc故障诊断方法 |
Non-Patent Citations (5)
Title |
---|
任芳: "《煤岩截割状态识别方法研究》", 31 December 2017 * |
孙曙光: "基于振动信号样本熵和相关向量机的万能式断路器分合闸故障诊断", 《电工技术学报》 * |
常广: "高压断路器振动监测与故障诊断的研究", 《中国博士学位论文全文数据库(电子期刊)》 * |
张依东: "基于多尺度融合离散熵的齿轮故障诊断方法研究", 《中国博士学位论文全文数据库》 * |
郑小霞: "基于变分模态分解和排列熵的滚动轴承故障诊断", 《振动与冲击》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110703076A (zh) * | 2019-09-24 | 2020-01-17 | 河海大学 | 一种基于振动信号频域能量比的gis故障诊断方法 |
WO2021103496A1 (zh) * | 2019-11-29 | 2021-06-03 | 国网天津市电力公司电力科学研究院 | 基于异常振动的气体绝缘组合开关设备机械故障诊断方法 |
CN111220312A (zh) * | 2020-02-28 | 2020-06-02 | 中国铁道科学研究院集团有限公司 | 一种螺栓状态的诊断方法及*** |
CN111735533A (zh) * | 2020-06-08 | 2020-10-02 | 贵州电网有限责任公司 | 基于振动信号小波能谱特征的变压器直流偏磁判断方法 |
CN112365935A (zh) * | 2020-10-20 | 2021-02-12 | 燕山大学 | 一种基于多尺度深度网络的水泥游离钙软测量方法 |
CN112881006A (zh) * | 2021-01-12 | 2021-06-01 | 北华大学 | 一种齿轮故障诊断方法 |
CN112881006B (zh) * | 2021-01-12 | 2022-09-09 | 北华大学 | 一种齿轮故障诊断方法 |
CN113553930A (zh) * | 2021-07-14 | 2021-10-26 | 董跃周 | 变压器有载分接开关机械故障诊断方法 |
CN113916346A (zh) * | 2021-11-14 | 2022-01-11 | 广东电网有限责任公司江门供电局 | 一种具有三轴振动姿态数据判断功能的配电设备识别方法 |
CN113916346B (zh) * | 2021-11-14 | 2023-11-17 | 广东电网有限责任公司江门供电局 | 一种具有三轴振动姿态数据判断功能的配电设备识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110132565A (zh) | 一种基于小波包和神经网络结合的oltc故障诊断方法 | |
CN109753951A (zh) | 一种基于瞬时能量熵和svm的oltc故障诊断方法 | |
CN103713237B (zh) | 一种电力***输电线路短路故障诊断方法 | |
CN110146269A (zh) | 基于eemd的多尺度模糊熵的oltc故障诊断方法 | |
CN109612708A (zh) | 基于改进卷积神经网络的电力变压器在线检测***及方法 | |
CN107390097A (zh) | 一种gis声电联合局部放电仿真检测***及其检测方法 | |
CN202404166U (zh) | 一种变压器振动特性在线监测*** | |
CN109800740A (zh) | 一种基于样本熵和svm的oltc机械故障诊断方法 | |
CN101907437A (zh) | 一种基于小波差分算法的电缆故障测距方法 | |
CN103323718A (zh) | 一种容性高压设备绝缘老化诊断试验***及其工作方法 | |
CN102510044A (zh) | 基于小波变换和概率神经网络的励磁涌流鉴别方法 | |
CN103115789A (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN109933865A (zh) | 一种基于递归图和递归定量分析的oltc故障诊断方法 | |
CN110146268A (zh) | 一种基于均值分解算法的oltc故障诊断方法 | |
CN110132404A (zh) | 一种变压器有载分接开关机械故障在线监测方法 | |
CN108921124A (zh) | 一种变压器有载分接开关机械故障在线监测方法 | |
CN109443717A (zh) | 一种有载分接开关机械故障在线监测方法 | |
CN110703151A (zh) | 基于振动盲源分离和贝叶斯模型的变压器故障诊断方法 | |
CN111881594A (zh) | 一种核动力设备的非平稳信号状态监测方法及*** | |
CN110543730A (zh) | 一种变压器绕组变形故障判定方法 | |
CN110147739A (zh) | 一种基于多重分形谱算法的电抗器故障识别方法 | |
CN112444758B (zh) | 一种智能配电网线路故障诊断及分类评估方法 | |
CN109946597A (zh) | 基于机电信号的分接开关运行状态评估方法 | |
CN109375037A (zh) | 一种中压船舶电力***单相接地故障报警器设计方法 | |
CN110132566A (zh) | 一种基于模糊聚类的oltc故障诊断方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190816 |