CN111007365A - 一种基于神经网络的超声波局部放电识别方法及*** - Google Patents
一种基于神经网络的超声波局部放电识别方法及*** Download PDFInfo
- Publication number
- CN111007365A CN111007365A CN201911164754.XA CN201911164754A CN111007365A CN 111007365 A CN111007365 A CN 111007365A CN 201911164754 A CN201911164754 A CN 201911164754A CN 111007365 A CN111007365 A CN 111007365A
- Authority
- CN
- China
- Prior art keywords
- ultrasonic
- signal
- switch cabinet
- defect
- 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
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
- 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
- G01R31/1209—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 using acoustic measurements
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (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)
- Acoustics & Sound (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种基于神经网络的超声波局部放电识别方法及***,包括:建立开关柜试验平台;在开关柜柜体表面安装超声波传感器,利用超声波传感器采集各种类型缺陷的超声波信号组,从采集的超声波信号组中提取出训练样本;对超声波信号进行特征提取,提取获得的特征信息作为BP神经网络分类器的输入,以缺陷类型编码作为分类器的输出,利用训练样本和测试样本对分类器进行训练,获得训练后的分类器;利用超声波传感器获得待检测开关柜的待识别超声波信号,将待识别超声波信号输入训练后的分类器,获得检测开关柜的缺陷类型编码。实现能准确判断开关柜的缺陷类型的技术效果。
Description
技术领域
本发明涉及开关柜内部绝缘故障识别领域,具体地,涉及一种基于神经网络的超声波局部放电识别方法及***。
背景技术
目前针对开关柜的运维主要采用交流耐压试验、绝缘电阻、超声波局放检测、局放检测等手段来探测开关柜是否存在绝缘缺陷。由于现场试验人员缺乏对放电机理及发展过程、放电物理现象的深刻认识,使得即使设备中存有绝缘缺陷,仍难以检测发现,而判断其缺陷原因、缺陷状况及缺陷危害程度,以确定合理的检修措施。同时,由于这种周期性检测间隔时间较长,难以满足监控和保障开关柜安全的实时需要。
为了能够准确识别和评估开关柜内部绝缘故障,是保障开关柜安全和经济运行的基本需要,同时,开关柜不停电检修是开关柜状态监测的发展趋势,采用超声波检测的方式对开关柜内部绝缘故障进行准确的识别和正确的评估,具有重要的工程应用价值。因而,建立一种基于神经网络识别的超声波局部放电识别***成了一项重要的课题。
传统使用的局部放电检测技术,由于现场电磁环境的干扰,加之现场试验人员缺乏对放电机理及发展过程、放电物理现象的深刻认识,使得即使设备中存有绝缘缺陷,试验人员仍难以检测发现开关柜存在的缺陷,这样将导致开关柜缺陷进一步发展,最终,导致停电事故的发生。
发明内容
本发明提供了一种基于神经网络的超声波局部放电识别方法及***,目的是解决背景技术中存在的技术问题,实现能准确判断开关柜的缺陷类型的技术效果。
为实现上述发明目的,本申请一方面提供了一种基于神经网络的超声波局部放电识别方法,,所述方法包括:
建立开关柜试验平台,开关柜试验平台的开关柜中设置金属突出物、空气间隙、金属悬浮物、绝缘内部放电;其中,金属突出物用于模拟开关柜内某个部件有毛刺,存在尖端放电的现象的缺陷;空气间隙用于模拟相对地或相间距离不足的缺陷;金属悬浮物用于模拟螺丝未紧固或有松动的缺陷;绝缘内部放电用于模拟开关柜内支柱绝缘子有损坏的缺陷;
在开关柜试验平台的开关柜柜体表面安装超声波传感器,利用超声波传感器采集各种类型缺陷的超声波信号组,从采集的超声波信号组中提取出训练样本;
对超声波信号进行特征提取,提取获得的特征信息作为BP神经网络分类器的输入,以缺陷类型编码作为分类器的输出,利用训练样本和测试样本对分类器进行训练,获得训练后的分类器;
利用超声波传感器获得待检测开关柜的待识别超声波信号,将待识别超声波信号输入训练后的分类器,获得检测开关柜的缺陷类型编码。
优选的,对超声波信号进行特征提取,提取超声波信号的周期最大值、有效值、50Hz相关性和100Hz相关性数据。
优选的,金属突出物缺陷的编码为0001,金属悬浮物缺陷的编码0010,空气气隙缺陷的编码为0100,振动缺陷的编码为1000。
优选的,BP神经网络共包含三层,分别是输入层、隐含层和输出层,层与层之间通过神经元的连接权传递信息,同层内的神经元相互独立,输入层与超声波信号特征量一致,输出层与缺陷类型编码对应。
优选的,所述方法还包括从采集的超声波信号组中提取出测试样本,利用测试样本对分类器进行测试。
优选的,所述方法还包括采用时差定位法定位缺陷位置,具体包括:
在缺陷开关柜的两个不同位置分别安装第一超声波传感器和第二超声波传感器;
基于第一超声波传感器和第二超声波传感器采集的第一信号和第二信号,建立第一信号和第二信号的多周期图谱,其中多周期图谱中横坐标为时刻,纵坐标的信号值大小;
基于第一信号和第二信号的多周期图谱,获得第一信号和第二信号出现波动的起始时刻T1和T2;
判断T1与T2的大小,若T1大于T2,则缺陷位置位于第一超声波传感器侧,若T1小于T2,则缺陷位置位于第二超声波传感器侧。
另一方面,本发明还提供了一种基于神经网络的超声波局部放电识别***,所述***包括:
开关柜试验平台,开关柜试验平台的开关柜中设置金属突出物、空气间隙、金属悬浮物、绝缘内部放电;其中,金属突出物用于模拟开关柜内某个部件有毛刺,存在尖端放电的现象的缺陷;空气间隙用于模拟相对地或相间距离不足的缺陷;金属悬浮物用于模拟螺丝未紧固或有松动的缺陷;绝缘内部放电用于模拟开关柜内支柱绝缘子有损坏的缺陷;
若干超声波传感器,超声波传感器安装在开关柜试验平台的开关柜柜体表面,利用超声波传感器采集各种类型缺陷的超声波信号组,从采集的超声波信号组中提取出训练样本;
处理器,用于对对超声波信号进行特征提取,提取获得的特征信息作为BP神经网络分类器的输入,以缺陷类型编码作为分类器的输出,利用训练样本和测试样本对分类器进行训练,获得训练后的分类器;处理器还用于利用超声波传感器获得待检测开关柜的待识别超声波信号,将待识别超声波信号输入训练后的分类器,获得检测开关柜的缺陷类型编码。
进一步的,所述处理器还用于采用时差定位法定位缺陷位置,具体包括:
在缺陷开关柜的两个不同位置分别安装第一超声波传感器和第二超声波传感器;
基于第一超声波传感器和第二超声波传感器采集的第一信号和第二信号,建立第一信号和第二信号的多周期图谱,其中多周期图谱中横坐标为时刻,纵坐标的信号值大小;
基于第一信号和第二信号的多周期图谱,获得第一信号和第二信号出现波动的起始时刻T1和T2;
判断T1与T2的大小,若T1大于T2,则缺陷位置位于第一超声波传感器侧,若T1小于T2,则缺陷位置位于第二超声波传感器侧。
进一步的,处理器对超声波信号进行特征提取,提取超声波信号的周期最大值、有效值、50Hz相关性和100Hz相关性数据。
进一步的,BP神经网络共包含三层,分别是输入层、隐含层和输出层,层与层之间通过神经元的连接权传递信息,同层内的神经元相互独立,输入层与超声波信号特征量一致,输出层与缺陷类型编码对应。
进一步的,所述***还包括通讯模块,通讯模块与处理器的输出端连接,用于将处理器输出的缺陷类型编码发送到后台监控中心。
进一步的,所述***还包括通讯模块,通讯模块与处理器的输出端连接,用于将处理器输出的缺陷类型编码发送到后台监控中心,所述***还包括显示器,用于对处理器的输出进行显示。
本申请提供的一个或多个技术方案,至少具有如下技术效果或优点:
1、能准确判断开关柜的缺陷类型。
2、可以通过时差定位法,准确找到缺陷位置。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定;
图1是本申请中基于神经网络的超声波局部放电识别方法的流程示意图;
图2是本申请中基于神经网络的超声波局部放电识别***的组成示意图;
图3是BP神经网络的拓扑示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在相互不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述范围内的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
请参考图1,本发明实施例提供了一种基于神经网络的超声波局部放电识别方法,所述方法包括:
建立开关柜试验平台,开关柜试验平台的开关柜中设置金属突出物、空气间隙、金属悬浮物、绝缘内部放电;其中,金属突出物用于模拟开关柜内某个部件有毛刺,存在尖端放电的现象的缺陷;空气间隙用于模拟相对地或相间距离不足的缺陷;金属悬浮物用于模拟螺丝未紧固或有松动的缺陷;绝缘内部放电用于模拟开关柜内支柱绝缘子有损坏的缺陷;
在开关柜试验平台的开关柜柜体表面安装超声波传感器,利用超声波传感器采集各种类型缺陷的超声波信号组,从采集的超声波信号组中提取出训练样本;
对超声波信号进行特征提取,提取获得的特征信息作为BP神经网络分类器的输入,以缺陷类型编码作为分类器的输出,利用训练样本和测试样本对分类器进行训练,获得训练后的分类器;
利用超声波传感器获得待检测开关柜的待识别超声波信号,将待识别超声波信号输入训练后的分类器,获得检测开关柜的缺陷类型编码。
本发明设计的思路为:
(1)建立了开关柜试验平台,通过人工缺陷仿真技术设置模拟了金属突出物(模拟开关柜内某个部件有毛刺,存在尖端放电的现象)、空气间隙(模拟相对地、相间距离不足的情况)、金属悬浮物(模拟螺丝未紧固,有松动的现象)和绝缘内部放电(模拟开关柜内支柱绝缘子有损坏的情况)等典型缺陷;
(2)超声波法:采用超声波传感器在开关柜柜体表面检测金属板的振动信号,可以准确的检测空隙间隙的局部放电信号。但对于固体绝缘内部,由于安全距离、不可接触等原因,无法进行检测,且空气间隙中仅能传输纵波,固体绝缘内部纵波信号经固体气体分界面时,会大幅衰减。因此,超声波局部放电检测可有效发现金属悬浮放电、金属突出物、空气气隙放电,而难以探测绝缘内部的缺陷;
2.1.1在实际测量中,绝缘内部缺陷采用测量柜体振动信号,通过超声波检测仪生成的特征图谱。
2.1.2本方法采用BP神经网络(BPNN)作为超声波检测的识别分类器,请参考图3,图3为BP神经网络的拓扑示意图,将超声波信号的有效值、周期最大值、50Hz相关性和100Hz相关性作为识别分类器的输入,以缺陷类型编码作为分类器的输出,可以识别缺陷类型:其中(BPNN)神经网络共包含三层,分别是输入层,隐含层和输出层,层与层之间通过神经元的连接权传递信息,同层内的神经元相互独立,输入层与超声波信号特征量一致,输出层与缺陷类型编码对应)。
表2超声波信号连续模式特征参数
表3神经网络输出编码
2.1.3本设计采集各类绝缘缺陷的超声波信号1827组(含异常振动444组),随机选取其中的600组作为训练样本,其余作为测试样本。提取超声波信号的周期最大值、有效值、50Hz相关性、100Hz相关性数据,作为BP神经网络分类器的输入,以下,超声波识别的结果。
表4超声波TRPD特征的辨识结果
经统计,通过分类识别器处理后的平均识别率为96.23%。
请参考图2,本发明实施例还提供了一种基于神经网络的超声波局部放电识别***,所述***包括:
开关柜试验平台,开关柜试验平台的开关柜中设置金属突出物、空气间隙、金属悬浮物、绝缘内部放电;其中,金属突出物用于模拟开关柜内某个部件有毛刺,存在尖端放电的现象的缺陷;空气间隙用于模拟相对地或相间距离不足的缺陷;金属悬浮物用于模拟螺丝未紧固或有松动的缺陷;绝缘内部放电用于模拟开关柜内支柱绝缘子有损坏的缺陷;
若干超声波传感器,超声波传感器安装在开关柜试验平台的开关柜柜体表面,利用超声波传感器采集各种类型缺陷的超声波信号组,从采集的超声波信号组中提取出训练样本;
处理器,用于对对超声波信号进行特征提取,提取获得的特征信息作为BP神经网络分类器的输入,以缺陷类型编码作为分类器的输出,利用训练样本和测试样本对分类器进行训练,获得训练后的分类器;处理器还用于利用超声波传感器获得待检测开关柜的待识别超声波信号,将待识别超声波信号输入训练后的分类器,获得检测开关柜的缺陷类型编码。
本发明实施例中的方法及***均采用时差定位法定位缺陷位置,具体包括:
在缺陷开关柜的两个不同位置分别安装第一超声波传感器和第二超声波传感器;
基于第一超声波传感器和第二超声波传感器采集的第一信号和第二信号,建立第一信号和第二信号的波纹图,其中波纹图中横坐标为时刻,纵坐标的信号值大小;
基于第一信号和第二信号的波纹图,获得第一信号和第二信号出现波动的起始时刻T1和T2;
判断T1与T2的大小,若T1大于T2,则缺陷位置位于第一超声波传感器侧,若T1小于T2,则缺陷位置位于第二超声波传感器侧。
为了能准确判断开关柜的缺陷类型,并结合时差定位法准确找到缺陷位置。对开关柜进行局放诊断分析。将超声波传感器放置在955开关柜后仓玻璃观察窗位置,对普测得到的异常信号进行分析。获得955柜缺陷信号多周期图谱,该信号每工频周期多簇,每簇信号脉冲上下非均匀对称,信号幅值分部参差不齐。
为了定位缺陷位置,本发明采用时差定位法进行查找,其步骤如下:在开关柜外的两个位置分别放置传感器,获得所检测到的信号,经分析,若其中一个传感器的黄色通道超前另外一个传感器测得的红色通道,红色通道基本无信号。判断信号源位于黄色传感器位置附近。
更换位置放置传感器,检测信号,经分析,黄色通道超前红色通道,红色通道基本无信号。判断信号源位于955开关柜侧。
继续更换位置放置传感器,检测到的信号,经分析,黄色通道略超前红色通道1nS.判断信号源位于两传感器之间,略靠近黄色传感器侧,初步判断为断为955线开关柜与相邻开关柜之间穿墙套管存在绝缘缺陷。
经现场停电后,打开柜门,发现955线开关柜与相邻开关柜之间穿墙套管存在绝缘缺陷。
本发明的优点在于1、能准确判断开关柜的缺陷类型。2、可以通过时差定位法,准确找到缺陷位置。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于神经网络的超声波局部放电识别方法,其特征在于,所述方法包括:
建立开关柜试验平台,开关柜试验平台的开关柜中设置金属突出物、空气间隙、金属悬浮物、绝缘内部放电;其中,金属突出物用于模拟开关柜内某个部件有毛刺,存在尖端放电的现象的缺陷;空气间隙用于模拟相对地或相间距离不足的缺陷;金属悬浮物用于模拟螺丝未紧固或有松动的缺陷;绝缘内部放电用于模拟开关柜内支柱绝缘子有损坏的缺陷;
在开关柜试验平台的开关柜柜体表面安装超声波传感器,利用超声波传感器采集各种类型缺陷的超声波信号组,从采集的超声波信号组中提取出训练样本;
对超声波信号进行特征提取,提取获得的特征信息作为BP神经网络分类器的输入,以缺陷类型编码作为分类器的输出,利用训练样本和测试样本对分类器进行训练,获得训练后的分类器;
利用超声波传感器获得待检测开关柜的待识别超声波信号,将待识别超声波信号输入训练后的分类器,获得检测开关柜的缺陷类型编码。
2.根据权利要求1所述的基于神经网络的超声波局部放电识别方法,其特征在于,对超声波信号进行特征提取,提取超声波信号的周期最大值、有效值、50Hz相关性和100Hz相关性数据。
3.根据权利要求1所述的基于神经网络的超声波局部放电识别方法,其特征在于,金属突出物缺陷的编码为0001,金属悬浮物缺陷的编码0010,空气气隙缺陷的编码为0100,振动缺陷的编码为1000。
4.根据权利要求1所述的基于神经网络的超声波局部放电识别方法,其特征在于,BP神经网络共包含三层,分别是输入层、隐含层和输出层,层与层之间通过神经元的连接权传递信息,同层内的神经元相互独立,输入层与超声波信号特征量一致,输出层与缺陷类型编码对应。
5.根据权利要求1所述的基于神经网络的超声波局部放电识别方法,其特征在于,所述方法还包括从采集的超声波信号组中提取出测试样本,利用测试样本对分类器进行测试。
6.根据权利要求1所述的基于神经网络的超声波局部放电识别方法,其特征在于,所述方法还包括采用时差定位法定位缺陷位置,具体包括:
在缺陷开关柜的两个不同位置分别安装第一超声波传感器和第二超声波传感器;
基于第一超声波传感器和第二超声波传感器采集的第一信号和第二信号,建立第一信号和第二信号的多周期图谱,其中多周期图谱中横坐标为时刻,纵坐标的信号值大小;
基于第一信号和第二信号的多周期图谱,获得第一信号和第二信号出现波动的起始时刻T1和T2;
判断T1与T2的大小,若T1大于T2,则缺陷位置位于第一超声波传感器侧,若T1小于T2,则缺陷位置位于第二超声波传感器侧。
7.一种基于神经网络的超声波局部放电识别***,其特征在于,所述***包括:
开关柜试验平台,开关柜试验平台的开关柜中设置金属突出物、空气间隙、金属悬浮物、绝缘内部放电;其中,金属突出物用于模拟开关柜内某个部件有毛刺,存在尖端放电的现象的缺陷;空气间隙用于模拟相对地或相间距离不足的缺陷;金属悬浮物用于模拟螺丝未紧固或有松动的缺陷;绝缘内部放电用于模拟开关柜内支柱绝缘子有损坏的缺陷;
若干超声波传感器,超声波传感器安装在开关柜试验平台的开关柜柜体表面,利用超声波传感器采集各种类型缺陷的超声波信号组,从采集的超声波信号组中提取出训练样本;
处理器,用于对对超声波信号进行特征提取,提取获得的特征信息作为BP神经网络分类器的输入,以缺陷类型编码作为分类器的输出,利用训练样本和测试样本对分类器进行训练,获得训练后的分类器;处理器还用于利用超声波传感器获得待检测开关柜的待识别超声波信号,将待识别超声波信号输入训练后的分类器,获得检测开关柜的缺陷类型编码。
8.根据权利要求7所述的基于神经网络的超声波局部放电识别***,其特征在于,所述处理器还用于采用时差定位法定位缺陷位置,具体包括:
在缺陷开关柜的两个不同位置分别安装第一超声波传感器和第二超声波传感器;
基于第一超声波传感器和第二超声波传感器采集的第一信号和第二信号,建立第一信号和第二信号的多周期图谱,其中多周期图谱中横坐标为时刻,纵坐标的信号值大小;
基于第一信号和第二信号的波纹图,获得第一信号和第二信号出现波动的起始时刻T1和T2;
判断T1与T2的大小,若T1大于T2,则缺陷位置位于第一超声波传感器侧,若T1小于T2,则缺陷位置位于第二超声波传感器侧。
9.根据权利要求7所述的基于神经网络的超声波局部放电识别***,其特征在于,处理器对超声波信号进行特征提取,提取超声波信号的周期最大值、有效值、50Hz相关性和100Hz相关性数据。
10.根据权利要求7所述的基于神经网络的超声波局部放电识别***,其特征在于,BP神经网络共包含三层,分别是输入层、隐含层和输出层,层与层之间通过神经元的连接权传递信息,同层内的神经元相互独立,输入层与超声波信号特征量一致,输出层与缺陷类型编码对应。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911164754.XA CN111007365A (zh) | 2019-11-25 | 2019-11-25 | 一种基于神经网络的超声波局部放电识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911164754.XA CN111007365A (zh) | 2019-11-25 | 2019-11-25 | 一种基于神经网络的超声波局部放电识别方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111007365A true CN111007365A (zh) | 2020-04-14 |
Family
ID=70113274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911164754.XA Pending CN111007365A (zh) | 2019-11-25 | 2019-11-25 | 一种基于神经网络的超声波局部放电识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111007365A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113465664A (zh) * | 2021-06-17 | 2021-10-01 | 国网宁夏电力有限公司电力科学研究院 | 罐式电力设备内部异物检测与识别方法 |
CN113568353A (zh) * | 2021-07-30 | 2021-10-29 | 国网四川省电力公司电力科学研究院 | 基于精简状态特征集的开关柜局部放电监测预警方法 |
CN114113951A (zh) * | 2021-12-16 | 2022-03-01 | 国网山东省电力公司烟台供电公司 | 一种高压开关柜绝缘缺陷超声应力检测***与方法 |
CN114783011A (zh) * | 2022-06-22 | 2022-07-22 | 广东惠丰达电气设备有限公司 | 一种gis内部缺陷超声波成像识别方法 |
CN115453286A (zh) * | 2022-09-01 | 2022-12-09 | 珠海市伊特高科技有限公司 | Gis局部放电诊断方法、模型训练方法、装置及*** |
CN117312925A (zh) * | 2023-11-24 | 2023-12-29 | 江苏征途技术股份有限公司 | 一种基于改进aft算法优化bp神经网络的开关柜三合一局放模式识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106251059A (zh) * | 2016-07-27 | 2016-12-21 | 中国电力科学研究院 | 一种基于概率神经网络算法的电缆状态评估方法 |
CN109324270A (zh) * | 2018-08-07 | 2019-02-12 | 国网山东省电力公司淄博供电公司 | 一种高压开关柜智能在线监测*** |
CN110309010A (zh) * | 2019-06-05 | 2019-10-08 | 国网江苏省电力有限公司电力科学研究院 | 用于电力设备相位分辩的局放网络训练方法及装置 |
KR20190113097A (ko) * | 2018-03-27 | 2019-10-08 | 주식회사 제니스텍 | 전력 계통 운용을 위한 상호작용형 실시간 제어 및 진단 시스템 업데이트 방법 및 장치 |
CN110321585A (zh) * | 2019-04-09 | 2019-10-11 | 国网山西省电力公司电力科学研究院 | 基于ga-bp神经网络开关柜绝缘缺陷检测方法及*** |
-
2019
- 2019-11-25 CN CN201911164754.XA patent/CN111007365A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106251059A (zh) * | 2016-07-27 | 2016-12-21 | 中国电力科学研究院 | 一种基于概率神经网络算法的电缆状态评估方法 |
KR20190113097A (ko) * | 2018-03-27 | 2019-10-08 | 주식회사 제니스텍 | 전력 계통 운용을 위한 상호작용형 실시간 제어 및 진단 시스템 업데이트 방법 및 장치 |
CN109324270A (zh) * | 2018-08-07 | 2019-02-12 | 国网山东省电力公司淄博供电公司 | 一种高压开关柜智能在线监测*** |
CN110321585A (zh) * | 2019-04-09 | 2019-10-11 | 国网山西省电力公司电力科学研究院 | 基于ga-bp神经网络开关柜绝缘缺陷检测方法及*** |
CN110309010A (zh) * | 2019-06-05 | 2019-10-08 | 国网江苏省电力有限公司电力科学研究院 | 用于电力设备相位分辩的局放网络训练方法及装置 |
Non-Patent Citations (1)
Title |
---|
向平: "基于多信息融合的开关柜局部放电诊断技术研究及应用", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113465664A (zh) * | 2021-06-17 | 2021-10-01 | 国网宁夏电力有限公司电力科学研究院 | 罐式电力设备内部异物检测与识别方法 |
CN113568353A (zh) * | 2021-07-30 | 2021-10-29 | 国网四川省电力公司电力科学研究院 | 基于精简状态特征集的开关柜局部放电监测预警方法 |
CN114113951A (zh) * | 2021-12-16 | 2022-03-01 | 国网山东省电力公司烟台供电公司 | 一种高压开关柜绝缘缺陷超声应力检测***与方法 |
CN114113951B (zh) * | 2021-12-16 | 2023-09-05 | 国网山东省电力公司烟台供电公司 | 一种高压开关柜绝缘缺陷超声应力检测***与方法 |
CN114783011A (zh) * | 2022-06-22 | 2022-07-22 | 广东惠丰达电气设备有限公司 | 一种gis内部缺陷超声波成像识别方法 |
CN114783011B (zh) * | 2022-06-22 | 2022-09-06 | 广东惠丰达电气设备有限公司 | 一种gis内部缺陷超声波成像识别方法 |
CN115453286A (zh) * | 2022-09-01 | 2022-12-09 | 珠海市伊特高科技有限公司 | Gis局部放电诊断方法、模型训练方法、装置及*** |
CN115453286B (zh) * | 2022-09-01 | 2023-05-05 | 珠海市伊特高科技有限公司 | Gis局部放电诊断方法、模型训练方法、装置及*** |
CN117312925A (zh) * | 2023-11-24 | 2023-12-29 | 江苏征途技术股份有限公司 | 一种基于改进aft算法优化bp神经网络的开关柜三合一局放模式识别方法 |
CN117312925B (zh) * | 2023-11-24 | 2024-03-01 | 浙江大学 | 一种基于改进aft算法优化bp神经网络的开关柜三合一局放模式识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111007365A (zh) | 一种基于神经网络的超声波局部放电识别方法及*** | |
CN103645425B (zh) | 一种高压电缆绝缘缺陷局部放电在线监测诊断方法 | |
Cavallini et al. | A new methodology for the identification of PD in electrical apparatus: properties and applications | |
CN113124929A (zh) | 一种变电站多参数信号采集综合分析***和方法 | |
CN111024728B (zh) | 一种基于计算机视觉与超声波探伤的铁路检测方法和*** | |
CN103197218B (zh) | 一种高压电缆绝缘缺陷局放带电检测诊断方法 | |
CN106093722B (zh) | 一种电缆局部放电的定位和识别方法 | |
CN109613428A (zh) | 一种能像***及其在电机设备故障检测方法中的应用 | |
CN106771933A (zh) | 基于无线网络的电力电缆局部放电高频电流监测*** | |
CN108896872A (zh) | 基于sstdr的手持式电缆故障检测***及方法 | |
CN103983881B (zh) | 核探测器的故障诊断方法及装置 | |
CN109116196B (zh) | 一种电力电缆故障放电声智能识别方法 | |
CN109443190B (zh) | 基于暂态行波的变压器绕组变形在线监测方法及装置 | |
CN114252749B (zh) | 基于多传感器的变压器局部放电检测方法及装置 | |
CN107844067A (zh) | 一种水电站闸门在线状态监测控制方法及监测*** | |
CN110703078A (zh) | 基于频谱能量分析与自组织竞争算法的gis故障诊断方法 | |
CN111123044A (zh) | 一种sf6酸性分解物浓度判断gis局放量的方法及装置 | |
CN113805018A (zh) | 一种配电网10kV电缆局部放电故障类型智能识别方法 | |
CN202041614U (zh) | 一种超高压电缆线路绝缘缺陷局部放电信号识别装置 | |
CN204214974U (zh) | 高压电力电缆终端在线监测装置 | |
CN111767913A (zh) | 一种基于深度学习的动车组车辆故障动态图像检测方法 | |
CN113049920A (zh) | 一种开关柜局部放电和温度在线检测***及其检测方法 | |
CN112446320B (zh) | 一种模糊识别逻辑门多重互补局放判别装置及方法 | |
CN117761469A (zh) | 一种诊断配电网架空线路局部放电的巡检方法及*** | |
CN113109666A (zh) | 一种基于深度卷积神经网络的轨道电路故障诊断方法 |
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: 20200414 |