CN110794243A - 一种直流***故障诊断方法、***以及设备 - Google Patents
一种直流***故障诊断方法、***以及设备 Download PDFInfo
- Publication number
- CN110794243A CN110794243A CN201911113599.9A CN201911113599A CN110794243A CN 110794243 A CN110794243 A CN 110794243A CN 201911113599 A CN201911113599 A CN 201911113599A CN 110794243 A CN110794243 A CN 110794243A
- Authority
- CN
- China
- Prior art keywords
- fault
- waveform
- fault diagnosis
- diagnosis model
- neural network
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 20
- 230000009471 action Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000013024 troubleshooting Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009422 external insulation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000009421 internal insulation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种直流***故障诊断方法、***以及设备，方法包括以下步骤：获取故障波形以及故障类型；建立故障波形与故障类型的对应表；将故障波形划分为训练集以及测试集；采用训练集对故障诊断模型进行训练，并采用测试集进行测试；将实时的故障波形输入故障诊断模型中，故障诊断模型根据对应表输出对应故障波形图形的故障类别。本发明通过采用卷积神经网络对故障波形进行分析，从而识别出相应的故障类型，整个故障识别过程自动进行，不需要人为干预，计算过程高效准确，避免了需要人为进行故障诊断从而花费大量的时间成本以及人力成本，大大提高了工作效率。
Description
技术领域
本发明涉及电力诊断技术领域，尤其涉及一种直流***故障诊断方法、***以及设备。
背景技术
目前，在换流站中，当直流***发生异常出现时，在工作站顺序事件记录中会报出相关信息，然后通过故障录波装置调出波形进行人工分析并通过现场排查来找到故障类别。
然而，随着投运的直流***越来越多，电网结构也越来越复杂，通过人工方式来排查故障类别的方式存在一定的不足。如：多故障排查效果差，对故障排查人员的分析能力和现场经验要求高等问题，使得目前对直流***故障类别进行诊断存在着诊断效率低下的技术问题。
发明内容
本发明提供了一种直流***故障诊断方法、***以及设备，解决了目前对直流***进行故障诊断存在着诊断时间长，诊断效率低下的技术问题。
本发明提供的一种直流***故障诊断方法，包括以下步骤：
获取故障波形以及故障类型；
建立故障波形和故障类型的对应表；
将故障波形划分为训练集以及测试集；
建立故障诊断模型，采用训练集对故障诊断模型进行训练，并采用测试集进行测试；
将实时故障波形输入故障诊断模型中，故障诊断模型根据故障波形和故障类型的对应表输出故障波形的故障类别。
优选的，对每个故障波形标记保护动作类型，建立保护动作类型-故障类型对应表输入至故障诊断模型中，故障诊断模型根据保护动作类型直接输出故障类别。
优选的，将所述故障波形标准化为统一像素的图片，将图片灰度化后再变换为二值图片。
优选的，所述故障诊断模型由卷积神经网络构成，所述卷积神经网络由卷积层、池化层和输出层组成，在卷积神经网络中建立交叉熵误差作为损失函数，采用随机梯度下降法，通过反向传递误差修正卷积神经网络的权重参数。
优选的，所述卷积神经网络使用relu函数作为激活函数，输出层采用softmax函数。
优选的，所述故障波形以8:2的比例划分为训练集和测试集。
优选的，定期将故障波形进行审查并作为样本集，定期对现有的故障诊断模型利用样本集进行训练，更新现有故障诊断模型中卷积神经网络的权重参数。
优选的，所述保护动作类型包括：阀短路保护、直流低电压保护、换相失败保护以及阀组差动保护。
一种直流***故障诊断***，包括：故障波形获取模块、故障波形对应表生成模块、故障波形划分模块以及故障诊断模块；
所述故障波形获取模块用于获取故障波形以及故障类型；
所述故障波形对应表生成模块用于生成故障波形和故障类型的对应表；
所述故障波形划分模块用于将故障波形划分为训练集以及测试集；
所述故障诊断模块用于构建故障诊断模型，并通过故障波形识别故障类别。
一种直流***故障诊断设备，所述设备包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行上述的直流***故障诊断方法。
从以上技术方案可以看出，本发明具有以下优点：
本发明实施例通过获取故障波形以及建立故障波形和故障类型的对应表，通过故障诊断模型对故障波形文件进行分析，从而识别出相应的故障类型，对故障识别过程自动进行，通过故障波形可直接输出故障类别，不需要人为干预，计算过程高效准确，避免了需要人为对电力网络进行故障诊断从而花费大量的时间成本以及人力成本，大大提高了工作效率。
本发明的另一个实施例还具有以下优点：
本发明实施例通过定期将故障波形进行审查并标记好故障名称作为样本集对现有故障诊断模型进行训练，故障诊断模型不断的学习不同的故障类型，从而进一步更新故障诊断模型中的权重参数，使得故障诊断模型能够不断优化从而适用于大部分的故障类型。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种直流***故障诊断方法、***以及设备的方法流程图。
图2为本发明实施例提供的一种直流***故障诊断方法、***以及设备的Y桥阀短路(87SCY)，数字量VSCPY_TR信号有变化，对应三相线电压、三相线电流波形、直流极母线和数字量变化的示意图。
图3为本发明实施例提供的一种直流***故障诊断方法、***以及设备的直流低电压跳闸(27DC)，数字量UVP_TRIP信号发生变化，对应三相线电压、三相线电流波形、直流极母线和数字量变化的示意图。
具体实施方式
本发明实施例提供了一种直流***故障诊断方法、***以及设备，用于解决目前对直流***进行故障诊断存在着诊断时间长，诊断效率低下的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明实施例提供的一种直流***故障诊断方法、***以及设备的方法流程图。
本发明提供的一种直流***故障诊断方法，包括以下步骤：
获取换流站中的各类故障波形以及故障类型；
将故障波形作为学习样本，建立故障波形与故障类型的对应表；
按照一定的比例，将故障波形划分为训练集以及测试集；
建立故障诊断模型，采用训练集对故障诊断模型进行训练，以便故障诊断模型通过故障波形识别故障类别，并采用测试集对故障诊断模型进行测试，寻找故障诊断模型的最优参数，从而得到训练好的故障诊断模型。
将实时故障波形输入故障诊断模型中，故障诊断模型根据故障波形与故障类型的对应表输出对应故障波形的故障类别，为现场的检修人员提供参考。
作为一个优选的实施例，对每个故障波形标记保护动作类型，建立保护动作类型-故障类型对应表并输入至故障诊断模型中，故障诊断模型根据保护动作类型直接输出故障类别。譬如阀短路保护动作对应的故障类别是换流阀内部或外部绝缘损坏；换相失败保护动作对应的故障类别是交流***电压跌落、控制脉冲故障，依据此特征建立保护动作类型-故障类别对应表，从而快速进行故障排查。
作为一个优选的实施例，将故障波形标准化为统一像素的图片，由于无需关注图像中的颜色特征，因此将图片灰度化后再变换为二值图片从而便于卷积神经网络从故障波形中提取故障波形的二值图像特征，二值图片实质为灰度图像的0～255的简版，其中0表示白色，1表示黑色。
作为一个优选的实施例，故障诊断模型由卷积神经网络组成，卷积神经网络由卷积层、池化层和输出层组成，卷积神经网络通过建立交叉熵误差作为损失函数，采用随机梯度下降法，通过反向传递误差修正权重参数。
作为一个优选的实施例，卷积神经网络使用relu函数作为激活函数，输出层采用softmax函数，通过不断的迭代训练提高卷积神经网络的精度，以达到图像识别的目的。
作为一个优选的实施例，故障波形以8:2的比例划分为训练集和测试集。
作为一个优选的实施例，定期将故障波形进行审查并标记好故障名称作为样本集，并定期对现有故障诊断模型利用样本集进行训练，更新现有故障诊断模型的权重参数。故障诊断模型通过更新权重参数，使得故障诊断模型能够不断学习，最终适用于大部分故障类型。
作为一个优选的实施例，保护动作类型包括：阀短路保护、直流低电压保护、换相失败保护以及阀组差动保护。
一种直流***故障诊断***，包括：故障波形获取模块、故障波形对应表生成模块、故障波形划分模块以及故障诊断模块；
故障波形获取模块用于获取故障波形以及故障类型；
故障波形对应表生成模块用于生成故障波形和故障类型的对应表；
故障波形划分模块用于将故障波形划分为训练集以及测试集；
故障诊断模块用于构建故障诊断模型，并通过故障波形识别故障类别。
一种直流***故障诊断设备，设备包括处理器以及存储器；
存储器用于存储程序代码，并将程序代码传输给处理器；
处理器用于根据程序代码中的指令执行上述的直流***故障诊断方法。
本发明提供的另一个实施例如下：
步骤1：收集换流站的各类故障波形和相关的故障类型。
步骤2：将故障波形作为学习样本集，并建立故障波形与故障类型的对应表。
以图2、图3为例，图2代表Y桥阀短路(87SCY)，数字量VSCPY_TR信号有变化，对应三相线电压、三相线电流波形、直流极母线和数字量变化的示意图。
图3代表直流低电压跳闸(27DC)，数字量UVP_TRIP信号有变化，对应三相线电压、三相线电流波形、直流极母线和数字量变化的示意图。
表1列出了部分数字量变动对应的故障类型，当保护动作时，对应保护的数字量就会由0变为1的发脉冲信号，在对应的波形图中表现为深色的一横。
表1数字量变动对应的故障类型
对每个故障波形标记保护动作类型，分别将阀短路保护、直流低电压保护、换相失败保护、阀组差动保护等标记为{VSCPY_TR，UVP_TRIP，CFP_IND，CGDP_IND，...}，根据已知的保护动作建立故障原因对应表，譬如阀短路保护动作对应的故障原因是换流阀内部或外部绝缘损坏等；换相失败保护动作对应的故障原因是交流***电压跌落、控制脉冲故障等，就能够快速的进行故障排查。因此通过识别波形图中的VSCPY_TR，UVP_TRIP等字母和对应的电压、电流和数字量变化的波形图像，即可判断出故障的类型。
从图2中可以看出，当阀Y桥短路(87SCY)保护动作时，如图2(1)所示，交流网侧三相线电压UAC_L1、UAC_L2、UAC_L3波形从500kV变为0kV；如图2(2)所示，阀星侧三相电流IVY_L1、IVY_L2、IVY_L3波形从500A突变为1000A左右再逐渐变为0A；如图2(3)所示，直流极母线线路侧直流电流IDLH和直流中性母线接地极线侧直流电流IDLN电流从500A突然升高至2300A左右再逐渐回落至0A；如图2(4)所示，而从数字量的动作信号中代表阀Y桥短路(87SCY)的数字量VSCPY_TR从0变为1表示87SCY保护动作了，同时换流器交流侧开关动作跳闸，信号ACB_TRIP从0变1。
从图3中可以看出，当直流低电压跳闸(27DC)时，如图3(1)所示，交流网侧三相线电压UAC_L1、UAC_L2、UAC_L3波形从500kV变为0kV；如图3(2)所示，阀星侧三相电流IVY_L1、IVY_L2、IVY_L3波形从500A突变为0A；如图3(3)所示，直流极母线线路侧直流电流IDLH和直流中性母线接地极线侧直流电流IDLN电流从500A突降至0A；如图3(4)所示，而从数字量的动作信号中代表直流低电压跳闸(27DC)的数字量UVP_TRIP从0变为1表示27DC保护动作了，同时换流器交流侧开关动作跳闸，信号ACB_TRIP从0变1。
步骤3：按照一定的比例(譬如8:2)将大量的故障波形分为训练波形和测试波形。
步骤4：构建故障诊断模型，利用故障波形对故障诊断模型进行训练，以便故障诊断模型能够通过故障波形准确识别故障类别。在此步骤中，将故障波形标准化为统一像素的图片，因无需关注波形的颜色，因此将图片灰度化后再变换为二值图片(二值，即0和1，实质上灰度图像的0～255的简版，0表示白色，1表示黑色)，减少计算量，通过故障诊断模型中的卷积神经网络从训练故障波形中提取故障波形的二值图像特征，譬如VSCPY_TR，UVP_TRIP等特征量和对应的电压、电流波形和数字量变化的特征。
将故障波形转换成二值图像，并提取二值图像像素矩阵(在data3中)的python代码如下(以87SCY波形图像为例，其他图像类似)：
步骤5：用测试集对故障诊断模型进行测试并对模型参数进行优化，得到训练好的最优故障诊断模型。
步骤6：将新的故障波形输入到训练好的故障诊断模型中，输出对应故障波形图形的故障类别，为现场检修人员提供参考。
步骤7：定期将新的故障波形进行人工审查并标记好故障名称，存入样本集中，并定期对现有模型利用新的数据进行训练，更新现有故障诊断模型的权重参数，使得故障诊断模型能够不断学习，最终适用于大部分故障类型。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种直流***故障诊断方法，其特征在于，包括以下步骤：
获取故障波形以及故障类型；
建立所述故障波形和所述故障类型的对应表；
将所述故障波形划分为训练集以及测试集；
建立故障诊断模型，采用所述训练集对所述故障诊断模型进行训练，并采用所述测试集进行测试；
将实时故障波形输入所述故障诊断模型中，所述故障诊断模型根据所述故障波形和所述故障类型的对应表输出所述故障波形的故障类别。
2.根据权利要求1所述的一种直流***故障诊断方法，其特征在于，对每个故障波形标记保护动作类型，建立保护动作类型-故障类型对应表并输入至故障诊断模型中，故障诊断模型根据保护动作类型直接输出故障类别。
3.根据权利要求1所述的一种直流***故障诊断方法，其特征在于，将所述故障波形标准化为统一像素的图片，将图片灰度化后再变换为二值图片。
4.根据权利要求1所述的一种直流***故障诊断方法，其特征在于，所述故障诊断模型由卷积神经网络构成，所述卷积神经网络由卷积层、池化层和输出层组成，在卷积神经网络中建立交叉熵误差作为损失函数，采用随机梯度下降法，通过反向传递误差修正卷积神经网络的权重参数。
5.根据权利要求4所述的一种直流***故障诊断方法，其特征在于，所述卷积神经网络使用relu函数作为激活函数，输出层采用softmax函数。
6.根据权利要求5所述的一种直流***故障诊断方法，其特征在于，定期将故障波形进行审查并作为样本集，定期对现有的故障诊断模型利用样本集进行训练，更新现有故障诊断模型中卷积神经网络的权重参数。
7.根据权利要求1所述的一种直流***故障诊断方法，其特征在于，所述故障波形以8:2的比例划分为训练集和测试集。
8.根据权利要求2所述的一种直流***故障诊断方法，其特征在于，所述保护动作类型包括：阀短路保护、直流低电压保护、换相失败保护以及阀组差动保护。
9.一种直流***故障诊断***，其特征在于，包括：故障波形获取模块、故障波形对应表生成模块、故障波形划分模块以及故障诊断模块；
所述故障波形获取模块用于获取故障波形以及故障类型；
所述故障波形对应表生成模块用于生成故障波形和故障类型的对应表；
所述故障波形划分模块用于将故障波形划分为训练集以及测试集；
所述故障诊断模块用于构建故障诊断模型，并通过故障波形识别故障类别。
10.一种直流***故障诊断设备，其特征在于，所述设备包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-8任一项所述的直流***故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911113599.9A CN110794243A (zh) | 2019-11-14 | 2019-11-14 | 一种直流***故障诊断方法、***以及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911113599.9A CN110794243A (zh) | 2019-11-14 | 2019-11-14 | 一种直流***故障诊断方法、***以及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110794243A true CN110794243A (zh) | 2020-02-14 |
Family
ID=69444813
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911113599.9A Pending CN110794243A (zh) | 2019-11-14 | 2019-11-14 | 一种直流***故障诊断方法、***以及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110794243A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111476374A (zh) * | 2020-04-14 | 2020-07-31 | 重庆工业职业技术学院 | 基于神经网络的纯电动汽车电器故障诊断训练方法与装置 |
| CN112461289A (zh) * | 2020-10-27 | 2021-03-09 | 国网山东省电力公司昌邑市供电公司 | 一种环网柜故障监控方法、***、终端及存储介质 |
| CN113110389A (zh) * | 2021-04-21 | 2021-07-13 | 东方电气自动控制工程有限公司 | 一种基于智慧电厂监控***的故障录波数据的处理方法 |
| CN113189448A (zh) * | 2021-04-29 | 2021-07-30 | 广东电网有限责任公司清远供电局 | 一种输电线路故障类型的检测方法及装置 |
| CN113433856A (zh) * | 2021-06-17 | 2021-09-24 | 浙江齐安信息科技有限公司 | 设备状态监测方法、装置、***及存储介质 |
| CN115311493A (zh) * | 2022-08-04 | 2022-11-08 | 国网江苏省电力有限公司电力科学研究院 | 一种判断直流电路状态的方法、***、存储器及设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106526400A (zh) * | 2016-11-28 | 2017-03-22 | 株洲中车时代电气股份有限公司 | Dc600v列车供电***的接地故障诊断方法及装置 |
| CN107450016A (zh) * | 2017-07-24 | 2017-12-08 | 西安工程大学 | 基于rst‑cnn的高压断路器故障诊断方法 |
| 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 |
| CN109917205A (zh) * | 2019-03-13 | 2019-06-21 | 中南大学 | 一种基于特征提取和多层感知机的电磁阀故障诊断装置及方法 |
| CN110223195A (zh) * | 2019-05-22 | 2019-09-10 | 上海交通大学 | 基于卷积神经网络的配电网故障检测方法 |
-
2019
- 2019-11-14 CN CN201911113599.9A patent/CN110794243A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106526400A (zh) * | 2016-11-28 | 2017-03-22 | 株洲中车时代电气股份有限公司 | Dc600v列车供电***的接地故障诊断方法及装置 |
| CN107450016A (zh) * | 2017-07-24 | 2017-12-08 | 西安工程大学 | 基于rst‑cnn的高压断路器故障诊断方法 |
| 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 |
| CN109917205A (zh) * | 2019-03-13 | 2019-06-21 | 中南大学 | 一种基于特征提取和多层感知机的电磁阀故障诊断装置及方法 |
| CN110223195A (zh) * | 2019-05-22 | 2019-09-10 | 上海交通大学 | 基于卷积神经网络的配电网故障检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘学东: "基于图像分形的故障特征提取方法", 《北华航天工业学院学报》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111476374A (zh) * | 2020-04-14 | 2020-07-31 | 重庆工业职业技术学院 | 基于神经网络的纯电动汽车电器故障诊断训练方法与装置 |
| CN111476374B (zh) * | 2020-04-14 | 2022-09-27 | 重庆工业职业技术学院 | 基于神经网络的纯电动汽车电器故障诊断训练方法与装置 |
| CN112461289A (zh) * | 2020-10-27 | 2021-03-09 | 国网山东省电力公司昌邑市供电公司 | 一种环网柜故障监控方法、***、终端及存储介质 |
| CN113110389A (zh) * | 2021-04-21 | 2021-07-13 | 东方电气自动控制工程有限公司 | 一种基于智慧电厂监控***的故障录波数据的处理方法 |
| CN113189448A (zh) * | 2021-04-29 | 2021-07-30 | 广东电网有限责任公司清远供电局 | 一种输电线路故障类型的检测方法及装置 |
| CN113433856A (zh) * | 2021-06-17 | 2021-09-24 | 浙江齐安信息科技有限公司 | 设备状态监测方法、装置、***及存储介质 |
| CN115311493A (zh) * | 2022-08-04 | 2022-11-08 | 国网江苏省电力有限公司电力科学研究院 | 一种判断直流电路状态的方法、***、存储器及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110794243A (zh) | 一种直流***故障诊断方法、***以及设备 | |
| CN110514924B (zh) | 深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位方法 | |
| CN110909035B (zh) | 个性化复习题集生成方法、装置、电子设备及存储介质 | |
| CN111986172A (zh) | 一种面向电力设备的红外图像故障检测方法及装置 | |
| CN111967620B (zh) | 一种光伏组件诊断方法、装置、设备及可读存储介质 | |
| CN110533064A (zh) | 一种gis设备的局部放电图谱模式识别方法和*** | |
| CN114414942A (zh) | 基于暂态波形图像识别的输电线路故障辨识分类器、辨识方法及*** | |
| CN111914320A (zh) | 基于深度学习的无样本道岔故障诊断方法 | |
| CN115047322B (zh) | 一种用于智能医疗设备的故障芯片的标识方法及*** | |
| CN114359619A (zh) | 基于增量学习的电网缺陷检测方法、装置、设备和介质 | |
| CN109389178A (zh) | 一种维修厂评级方法、***及电子设备和存储介质 | |
| CN113947746A (zh) | 一种基于反馈机制监督下的配网安全质量管控方法 | |
| CN116008731A (zh) | 配电网高阻故障辨识方法、装置和电子设备 | |
| CN113866552A (zh) | 一种基于机器学习的中压配网用户用电异常诊断方法 | |
| CN113406439A (zh) | 一种配电网故障定位方法 | |
| CN109711434A (zh) | 获取和评估vqa***的训练数据的方法、装置、设备和介质 | |
| CN112113638A (zh) | 水表功能自检装置及方法 | |
| Nandi et al. | Diagnosis of induction motor faults using frequency occurrence image plots—a deep learning approach | |
| CN106803290A (zh) | 输配线路巡视记录方法和装置 | |
| CN114662394B (zh) | 一种基于yolo v3的高压交流线路保护行为评价方法及*** | |
| CN116338545A (zh) | 电流互感器计量误差状态识别方法、***、设备及介质 | |
| CN108802512B (zh) | 一种配电***测试方法及装置 | |
| CN111597957B (zh) | 基于形态学图像处理的变压器绕组故障诊断方法 | |
| CN113379279B (zh) | 基于不完整数据的深度强化学习短期电压稳定性评估方法 | |
| CN114113909A (zh) | 一种配电网单相接地故障选线方法及*** |
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 |
Application publication date: 20200214 |
|
| RJ01 | Rejection of invention patent application after publication |