CN110412431A - 一种电力设备的局部放电缺陷类型的诊断方法及诊断*** - Google Patents
一种电力设备的局部放电缺陷类型的诊断方法及诊断*** Download PDFInfo
- Publication number
- CN110412431A CN110412431A CN201910717073.5A CN201910717073A CN110412431A CN 110412431 A CN110412431 A CN 110412431A CN 201910717073 A CN201910717073 A CN 201910717073A CN 110412431 A CN110412431 A CN 110412431A
- Authority
- CN
- China
- Prior art keywords
- shelf depreciation
- map
- power equipment
- diagnostic
- discharge
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种电力设备局部放电缺陷类型诊断方法法及诊断***,该诊断方法包括:从历史数据中提取电力设备各类局部放电缺陷对应的局部放电数据;对局部放电数据进行处理得到电力设备各类局部放电缺陷对应的局部放电图谱;利用电力设备的局部放电图谱以及局部放电缺陷类型标签训练深度卷积神经网络得到局部放电诊断模型;其中,局部放电诊断模型的输入数据为电力设备的局部放电图谱,输出数据为电力设备的局部放电诊断结果,诊断结果包括是否存在局部放电以及局部放电缺陷类型;采集待诊断电力设备的局部放电图谱输入至局部放电诊断模型中得到局部放电诊断结果。本发明通过该方法实现放电类型的自动诊断,利用神经网络提高了诊断结果的可靠性。
Description
技术领域
本发明属于电气设备局部放电检测技术领域,具体涉及一种电力设备的局部放电缺陷类型的诊断方法及诊断***。
背景技术
随着电力设备状态检修工作的不断开展,局部放电作为电力设备状态检测的重要手段越来越多的应用到电力设备日常维护中。目前大部分局部放电检测工作仍然依靠运维人员通过带电检测仪器完成,单纯依靠人员进行带电检测在实际的操作过程中存在以下问题未能有效解决:
1、部分局部放电检测装置并无数据诊断功能,检测过程需要检测人员自行对数据进行分析判断,而局部放电的诊断往往需要经过长久的经验积累才能做到准确判断,局部放电带电检测工作对检测人员专业技能要求较高,不利于局部放电带电检测工作在电网基层的开展。
2、部分局部放电检测装置中自带的诊断功能无法满足现场实际应用的需要。实际应用中虽然能够比较准确的判断实验室中的缺陷类型,但在现场应用中,由于局部放电缺陷类型的表现形式复杂多样,同时还存在大量干扰,检测装置自带的诊断功能很难准确识别缺陷类型,在使用过程中会产生误判,给带电检测人员的判断及后续的检修策略造成误导。
发明内容
本发明的目的是提供一种电力设备的局部放电缺陷类型的诊断方法及诊断***,其通过局部传感器对电力设备进行局部放电的数据采集得到局部放电图谱,并通过深度学习玩玩够了训练深度卷积神经网络得到局部放电缺陷类型诊断结果,进而实现了电力设备上局部放电缺陷类型的自动诊断与识别,其通过训练神经网络提高了诊断结果的可靠性。
一方面,本发明提供一种电力设备的局部放电缺陷类型的诊断方法,包括如下步骤:
步骤S1:从历史现场测试和或解体过程数据中提取电力设备各类局部放电缺陷对应的局部放电图谱;
所述局部放电图谱用于表示局部放电特征,所述局部放电特征与局部放电缺陷类型相对应;
步骤S2:利用步骤S1中电力设备的局部放电图谱以及局部放电缺陷类型标签训练深度卷积神经网络得到局部放电诊断模型;
其中,局部放电诊断模型的输入数据为电力设备的局部放电图谱,输出数据为电力设备的局部放电诊断结果,所述诊断结果包括是否存在局部放电以及局部放电缺陷类型;
步骤S3:采集待诊断电力设备的所述局部放电图谱;
步骤S4:将步骤S3的所述局部放电图谱输入至步骤S2的局部放电诊断模型中得到局部放电诊断结果。
进一步优选,按照预设比例将步骤2中采集的电力设备的局部放电图谱以及局部放电缺陷类型标签进行划分得到训练集和验证集,训练集和验证集中每个样本均对应电力设备的一组局部放电图谱以及局部放电缺陷类型标签,其中,利用训练集的训练深度卷积神经网络得到步骤S2中的局部放电诊断模型。
进一步优选,所述局部放电缺陷类型包括金属界面与金属界面之间的放电、金属尖端放电、金属界面与绝缘界面之间的放电、绝缘界面与绝缘界面之间的放电、固体绝缘与气体绝缘交界处的沿面放电、固体绝缘与液体绝缘交界处的沿面放电,固体绝缘内部的放电,液体绝缘内部的放电、金属微粒放电。
进一步优选,电力设备的一组所述局部放电图谱至少包括特高频PRPD&PRPS图谱、高频PRPD&PRPS图谱、超声波PRPD&PRPS图谱、超声波脉冲图谱。
进一步优选,所述局部放电特征至少包括局部放电幅值-相位特征、局部放电脉冲数量-相位特征、局部放电幅值-时间特征、局部放电脉冲数量-时间特征、局部放电幅值-脉冲的飞行时间。
进一步优选,步骤S1中的局部放电图谱是利用局放传感器采集的局部放电数据生成的,所述局放传感器包括特高频传感器、接触式超声波传感器、非接触式超声传感器、高频传感器。
另一方面,本发明还提供一种上述方法的诊断***,包括依次连接的局放传感器、局部放电带电检测装置以及云平台;
其中,局放传感器用于采集电力设备的各类局部放电对应的局部放电数据;
所述局部放电带电检测装置包括数据采集模块、数据综合处理模块、数据通讯模块,其中,数据采集模从局放传感器获取局部放电数据,所述数据综合处理模块用于对局部放电数据进行处理得到电力设备各类局部放电缺陷类型对应的局部放电图谱;
所述云平台,用于构建局部放电诊断模型以及利用所述局部放电诊断模型对电力设备实时进行局部放电缺陷类型诊断,并将诊断结果传送给所述局部放电带电检测装置,所述局部放电带电检测装置通过数据通讯模块接收诊断结果。
进一步优选,所述局放传感器与局部放电带电检测装置有线或无线连接,所述局部放电带电检测装置与云平台通过4G通讯网络连接。
有益效果
1、本发明利用深度卷积神经网络训练模型得到局部放电诊断模型,其提高了电力设备局部放电诊断结果的可靠性,实现了电力设备的局部放电缺陷类型诊断自动化,可以有效降低对现场带电检测人员的技术要求,使检测人员无需积累相关经验即可完成局部放电检测及诊断工作,便于局部放电带电检测工作在基层的推广。
2、本发明利用局部放电诊断模型实现的实时诊断,可以大幅提高局部放电带电检测效率,有效提高现场数据诊断的实时性。
3、本发明同时利用了特高频PRPD&PRPS图谱、高频PRPD&PRPS图谱、超声波PRPD&PRPS图谱、超声波脉冲图谱这几类数据,尤其是从各类PRPD&PRPS图谱是同时将PRPD图及PRPS图在一张图谱进行联合展示,能够同时对局部放电幅值-相位特征、局部放电脉冲数量-相位特征、局部放电幅值-时间特征、局部放电脉冲数量-时间特征进行更加直观的展示,能够更加准确的对局部放电类型进行分析判断。本发明同时利用这几类图谱,选用卷积神经网络将其结合于一体,进而提高了诊断结果的可靠性。
附图说明
图1是本发明提供的一种电力设备局部放电缺陷类型诊断***的架构示意图;
图2是本发明提供的基于诊断***的诊断流程示意图;
图3是本发明提供的一种电力设备局部放电缺陷类型诊断方法的流程示意图。
具体实施方式
下面将结合实施例对本发明做进一步的说明。
如图1所示,本发明提供的一种电力设备局部放电缺陷类型诊断***包括依次连接的局放传感器、局部放电带电检测装置以及云平台。其中,局放传感器与局部放电带电检测装置无线或有线连接,局部放电带电检测装置与云平台通过4G网络通讯连接。
本实施例中,局放传感器包括特高频传感器、接触式超声波传感器、非接触式超声传感器、高频传感器。本发明利用局放传感器采集局部放电数据,具体的,特高频传感器采集特高频PRPD/PRPS图谱的数据,接触式超声波、非接触式超声波传感器采集超声波PRPD/PRPS图谱的数据、超声波脉冲图谱的数据,高频传感器采集PRPD/PRPS图谱的数据,本发明通过设置多类传感器采集各类局部放电数据,进而在局部放电带电检测装置中生成局部放电图谱,本实施例中,一组局部放电图谱包括特高频PRPD&PRPS图谱、高频PRPD&PRPS图谱、超声波PRPD&PRPS图谱、超声波脉冲图谱。其中,PRPD&PRPS图谱是指同时将PRPD图及PRPS图在一张图谱进行联合展示,能够同时对局部放电幅值-相位特征、局部放电脉冲数量-相位特征、局部放电幅值-时间特征、局部放电脉冲数量-时间特征进行更加直观的展示。脉冲图谱是指局部放电幅值-脉冲的飞行时间。本发明中对局部放电异常进行检测时,均同时采集特高频PRPD&PRPS图谱、高频PRPD&PRPS图谱、超声波PRPD&PRPS图谱、超声波脉冲图谱,将四张图谱按预设顺序组合成一张图谱,利用该组合图谱去鉴别局部放电缺陷类型。
本发明中涉及的特高频、高频PRPD&PRPS图谱能够有效反应金属界面与金属界面之间的放电、金属尖端放电、金属界面与绝缘界面之间的放电、绝缘界面与绝缘界面之间的放电、固体绝缘与液体绝缘交界处的沿面放电,固体绝缘内部的放电,液体绝缘内部的放电情况;超声波PRPD&PRPS图谱能够有效反应金属界面之间的放电、金属尖端放电、金属界面与绝缘界面之间的放电、绝缘界面与绝缘界面之间的放电、固体绝缘与气体绝缘交界处的沿面放电、固体绝缘与液体绝缘交界处的沿面放电情况。超声波脉冲图谱能够有效反映金属微粒放电情况。通过上述四种类型图谱的综合应用,可以弥补单一手段检测局部放电异常类型的局限性,实现局部放电异常类型诊断的全覆盖。
本实施例中,局部放电带电检测装置包括数据采集模块、数据综合处理模块、数据通讯模块、数据显示模块以及数据存储模块。其中,数据采集模块从局放传感器获取局部放电数据。数据综合处理模块对局部放电数据进行处理得到电力设备的局部放电图谱。
数据存储模块用于存储局部放电图谱以及云平台反馈的诊断结果,数据显示模块用于显示诊断结果或显示其他关键性信息。
如图2所示,云平台,用于采用本发明一种电力设备局部放电缺陷类型诊断方法法构建局部放电诊断模型,并对实时获取的局部放电图谱进行诊断得到诊断结果。最后将诊断结果通过数据通讯模块下发至局部放电带电检测装置,使现场带电检测人员能够第一时间掌握检测结果及设备运行状态,无需带电检测人员自身进行数据诊断,降低现场局部放电带电检测对人员本身技能的要求,能够有效提高现场工作效率。
如图3所示,本发明提供的一种电力设备局部放电缺陷类型诊断方法,包括如下步骤:
步骤S1:从历史现场测试和或解体过程数据中提取电力设备各类局部放电缺陷对应的局部放电图谱;
其中,通过局放传感器采集局部放电数据,并生成局部放电图谱。其中,本实施例中,按照80%,10%,10%比例划分采集的电力设备的局部放电图谱以对应局部放电缺陷类型标签得到训练集、验证集和测试集。其中,训练集、验证集和测试集中每个样本均对应电力设备的一组局部放电图谱和局部放电缺陷类型标签。训练集数据用于训练深度卷积神经网络,验证机数据用于调节训练集训练后的网络,并进行过拟合调节。测试集数据用于判断得到局部放电诊断模型的质量。其他可行的实施例中,可以按照其他比例来划分上述集合,同时也可以仅存在训练集或者仅存在训练集与验证集。本发明对此不进行具体的限定。
步骤S2:利用步骤S1训练集中电力设备的局部放电图谱以及局部放电缺陷类型标签训练深度卷积神经网络得到局部放电诊断模型;
其中,局部放电诊断模型的输入数据为电力设备的局部放电图谱,输出数据为电力设备的局部放电诊断结果,所述诊断结果包括是否存在局部放电以及局部放电缺陷类型。本实施例中局部放电诊断模型的生成过程包括两大部分,分别是利用训练集训练深度卷积神经网络,其次利用验证集调节训练出的神经网络得到局部放电诊断模型。
其中,在训练深度卷积神经网络时,设定训练10组,每组训练1000次,每次完成训练后卷积层自动利用反向传播算法修改权重更新深度卷积神经网络,并进行下一次训练。记录每次训练得出模型的准确率,按组分别输出当前组内准确率最高的模型,对比10组模型取准确率最高的作为最终算法输出模型。通过多轮训练,使准确率达到98%以上。其中,本发明采用的现有训练方式来训练深度卷积神经网络,不涉及其训练算法的内部逻辑的调整,因此对其过程不进行具体的描述。譬如:训练过程如下:
利用训练集训练时,在前向传播过程中,输入的图形数据经过多层卷积层的卷积和池化处理,提出特征向量,并将特征向量传入全连接层得到分类识别结果;根据分类识别结果得到局部放电诊断结果,并将局部放电诊断结果与期望结果比较,进行反向传播过程,根据局部放电诊断结果与期望值的误差对各层进行权重修改得到更新的深度卷积神经网络,再进行下一次训练。
譬如:利用训练集对训练好的深度卷积神经网络进行正确率验证:将验证集中各个样本的局部放电图谱输入训练后的深度卷积神经网络得到电力设备的局部放电诊断结果;并基于样本对应的局部放电缺陷类型标签鉴别局部放电诊断结果是否正确得到验证集的准确率;再根据准确率调节模型参数得到局部放电诊断模型。
步骤S3:采集待诊断电力设备的局部放电数据,并进行预处理得到局部放电图谱;
步骤S4:将步骤S3的局部放电图谱输入至步骤S2的局部放电诊断模型中得到局部放电诊断结果。
通过上述方法,可以实时得到局部放电诊断结果,并传输送局部放电带电检测装置,以便带电检测人员及时提供判断依据,使现场带电检测人员能够第一时间掌握检测结果和设备运行状态。应用于诊断***时,本发明将局部放电诊断模型应用到云平台,封装为诊断接口,生成动态库。云平台通过调用该接口,为网络中传递过来的各种图谱文件提供诊断服务。
需要强调的是,本发明所述的实例是说明性的,而不是限定性的,因此本发明不限于具体实施方式中所述的实例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,不脱离本发明宗旨和范围的,不论是修改还是替换,同样属于本发明的保护范围。
Claims (8)
1.一种电力设备的局部放电缺陷类型的诊断方法,其特征在于:包括如下步骤:
步骤S1:从历史现场测试和或解体过程数据中提取电力设备各类局部放电缺陷对应的局部放电图谱;
所述局部放电图谱用于表示局部放电特征,所述局部放电特征与局部放电缺陷类型相对应;
步骤S2:利用步骤S1中电力设备的局部放电图谱以及局部放电缺陷类型标签训练深度卷积神经网络得到局部放电诊断模型;
其中,局部放电诊断模型的输入数据为电力设备的局部放电图谱,输出数据为电力设备的局部放电诊断结果,所述诊断结果包括是否存在局部放电以及局部放电缺陷类型;
步骤S3:采集待诊断电力设备的所述局部放电图谱;
步骤S4:将步骤S3的所述局部放电图谱输入至步骤S2的局部放电诊断模型中得到局部放电诊断结果。
2.根据权利要求1所述的方法,其特征在于:按照预设比例将步骤2中采集的电力设备的局部放电图谱以及局部放电缺陷类型标签进行划分得到训练集和验证集,训练集和验证集中每个样本均对应电力设备的一组局部放电图谱以及局部放电缺陷类型标签,其中,利用训练集的训练深度卷积神经网络得到步骤S2中的局部放电诊断模型。
3.根据权利要求1所述的方法,其特征在于:所述局部放电缺陷类型包括金属界面与金属界面之间的放电、金属尖端放电、金属界面与绝缘界面之间的放电、绝缘界面与绝缘界面之间的放电、固体绝缘与气体绝缘交界处的沿面放电、固体绝缘与液体绝缘交界处的沿面放电,固体绝缘内部的放电,液体绝缘内部的放电、金属微粒放电。
4.根据权利要求1所述的方法,其特征在于:电力设备的一组所述局部放电图谱至少包括特高频PRPD&PRPS图谱、高频PRPD&PRPS图谱、超声波PRPD&PRPS图谱、超声波脉冲图谱。
5.根据权利要求4所述的方法,其特征在于:所述局部放电特征至少包括局部放电幅值-相位特征、局部放电脉冲数量-相位特征、局部放电幅值-时间特征、局部放电脉冲数量-时间特征、局部放电幅值-脉冲的飞行时间。
6.根据权利要求1所述的方法,其特征在于:步骤S1中的局部放电图谱是利用局放传感器采集的局部放电数据生成的,所述局放传感器包括特高频传感器、接触式超声波传感器、非接触式超声传感器、高频传感器。
7.一种基于权利要求1-6任一项所述方法的诊断***,其特征在于:包括依次连接的局放传感器、局部放电带电检测装置以及云平台;
其中,局放传感器用于采集电力设备的各类局部放电对应的局部放电数据;
所述局部放电带电检测装置包括数据采集模块、数据综合处理模块、数据通讯模块,其中,数据采集模从局放传感器获取局部放电数据,所述数据综合处理模块用于对局部放电数据进行处理得到电力设备各类局部放电缺陷类型对应的局部放电图谱;
所述云平台,用于构建局部放电诊断模型以及利用所述局部放电诊断模型对电力设备实时进行局部放电缺陷类型诊断,并将诊断结果传送给所述局部放电带电检测装置,所述局部放电带电检测装置通过数据通讯模块接收诊断结果。
8.根据权利要求7所述的诊断***,其特征在于:所述局放传感器与局部放电带电检测装置有线或无线连接,所述局部放电带电检测装置与云平台通过4G通讯网络连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910717073.5A CN110412431A (zh) | 2019-08-05 | 2019-08-05 | 一种电力设备的局部放电缺陷类型的诊断方法及诊断*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910717073.5A CN110412431A (zh) | 2019-08-05 | 2019-08-05 | 一种电力设备的局部放电缺陷类型的诊断方法及诊断*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110412431A true CN110412431A (zh) | 2019-11-05 |
Family
ID=68365721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910717073.5A Pending CN110412431A (zh) | 2019-08-05 | 2019-08-05 | 一种电力设备的局部放电缺陷类型的诊断方法及诊断*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110412431A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112034310A (zh) * | 2020-07-31 | 2020-12-04 | 国网山东省电力公司东营供电公司 | 一种组合电器局部放电缺陷诊断方法及*** |
CN113055270A (zh) * | 2021-03-09 | 2021-06-29 | 山东鲁能软件技术有限公司 | 一种基于人工神经网络的局放图谱分析***、方法及装置 |
CN113378960A (zh) * | 2021-06-25 | 2021-09-10 | 海南电网有限责任公司电力科学研究院 | 局部放电检测模型的训练方法、检测信息确定方法及装置 |
CN113391172A (zh) * | 2021-05-31 | 2021-09-14 | 国网山东省电力公司电力科学研究院 | 一种基于时序集成的多源超声检测的局放诊断方法及*** |
CN113655348A (zh) * | 2021-07-28 | 2021-11-16 | 国网湖南省电力有限公司 | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、***终端及可读存储介质 |
CN113884844A (zh) * | 2021-11-18 | 2022-01-04 | 国网山东省电力公司电力科学研究院 | 一种变压器局部放电类型识别方法及*** |
CN115267462A (zh) * | 2022-09-30 | 2022-11-01 | 丝路梵天(甘肃)通信技术有限公司 | 一种基于自适应标签生成的局部放电类型识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104569745A (zh) * | 2013-10-24 | 2015-04-29 | 国家电网公司 | 局部放电带电检测装置和方法 |
WO2015070513A1 (zh) * | 2013-11-14 | 2015-05-21 | 国家电网公司 | 一种三相共筒式超高压gis局部放电的模式识别方法 |
CN105629144A (zh) * | 2016-03-11 | 2016-06-01 | 华乘电气科技(上海)股份有限公司 | 基于指纹库的高压开关设备局部放电诊断方法及*** |
CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及*** |
CN109116203A (zh) * | 2018-10-31 | 2019-01-01 | 红相股份有限公司 | 基于卷积神经网络的电力设备局部放电故障诊断方法 |
CN109685138A (zh) * | 2018-12-25 | 2019-04-26 | 东南大学 | 一种xlpe电力电缆局部放电类型识别方法 |
-
2019
- 2019-08-05 CN CN201910717073.5A patent/CN110412431A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104569745A (zh) * | 2013-10-24 | 2015-04-29 | 国家电网公司 | 局部放电带电检测装置和方法 |
WO2015070513A1 (zh) * | 2013-11-14 | 2015-05-21 | 国家电网公司 | 一种三相共筒式超高压gis局部放电的模式识别方法 |
CN105629144A (zh) * | 2016-03-11 | 2016-06-01 | 华乘电气科技(上海)股份有限公司 | 基于指纹库的高压开关设备局部放电诊断方法及*** |
CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及*** |
CN109116203A (zh) * | 2018-10-31 | 2019-01-01 | 红相股份有限公司 | 基于卷积神经网络的电力设备局部放电故障诊断方法 |
CN109685138A (zh) * | 2018-12-25 | 2019-04-26 | 东南大学 | 一种xlpe电力电缆局部放电类型识别方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112034310A (zh) * | 2020-07-31 | 2020-12-04 | 国网山东省电力公司东营供电公司 | 一种组合电器局部放电缺陷诊断方法及*** |
CN113055270A (zh) * | 2021-03-09 | 2021-06-29 | 山东鲁能软件技术有限公司 | 一种基于人工神经网络的局放图谱分析***、方法及装置 |
CN113391172A (zh) * | 2021-05-31 | 2021-09-14 | 国网山东省电力公司电力科学研究院 | 一种基于时序集成的多源超声检测的局放诊断方法及*** |
CN113378960A (zh) * | 2021-06-25 | 2021-09-10 | 海南电网有限责任公司电力科学研究院 | 局部放电检测模型的训练方法、检测信息确定方法及装置 |
CN113655348A (zh) * | 2021-07-28 | 2021-11-16 | 国网湖南省电力有限公司 | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、***终端及可读存储介质 |
CN113655348B (zh) * | 2021-07-28 | 2023-12-08 | 国网湖南省电力有限公司 | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、***终端及可读存储介质 |
CN113884844A (zh) * | 2021-11-18 | 2022-01-04 | 国网山东省电力公司电力科学研究院 | 一种变压器局部放电类型识别方法及*** |
CN115267462A (zh) * | 2022-09-30 | 2022-11-01 | 丝路梵天(甘肃)通信技术有限公司 | 一种基于自适应标签生成的局部放电类型识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110412431A (zh) | 一种电力设备的局部放电缺陷类型的诊断方法及诊断*** | |
CN104569688B (zh) | 一种配电终端自动化测试***及方法 | |
CN110411580B (zh) | 一种电力设备发热缺陷的诊断方法以及诊断*** | |
CN108008287A (zh) | 基于移频信号的轨道电路故障监测平台及其监测方法 | |
CN114640173A (zh) | 一种基于多特征量的变压器和发电机的预警模型 | |
CN106443326A (zh) | 配电网故障定位装置测试***及测试方法 | |
CN108333547A (zh) | 一种配电线路故障指示器自动检测***及方法 | |
CN109649432A (zh) | 基于导波技术的云端平台钢轨完整性监测***及方法 | |
CN109212378A (zh) | 中低压配电网络故障定位方法 | |
CN107942210A (zh) | 变压器脉冲电流局部放电波形的分类和去噪方法及*** | |
CN107450440A (zh) | 智能发油监控***及其监控方法 | |
WO2023284127A1 (zh) | 一种基于振动信号的gil缺陷在线监测***及方法 | |
CN108073722A (zh) | 一种新建变电站主子站图形和模型的自动校验装置及方法 | |
CN104655179B (zh) | 应力应变测试方法、装置及*** | |
CN108303962A (zh) | 一种超声波熔接数据监测装置及方法 | |
CN116298684A (zh) | 一种配电网用故障研判定位*** | |
CN110888007B (zh) | 电动汽车无线充电互操作性测试评价***及其方法 | |
CN107478997A (zh) | 一种基站蓄电池评估方法及装置 | |
CN114062839A (zh) | 一种铁路电力线路故障定位装置及其方法 | |
CN106526460A (zh) | 一种电路故障定位方法及装置 | |
CN116415849A (zh) | 基于人工智能的动态工程监理***及方法 | |
CN105867356B (zh) | 一种水泵控制器测试***及ip地址设定方法 | |
CN109116118A (zh) | 一种接地导通自动测量装置及其应用方法 | |
CN107507657A (zh) | Rpi棒位探头线圈测试***及方法 | |
CN107227665A (zh) | 无缝线路应力放散状态监控方法、装置及*** |
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: 20191105 |