CN111537853A - 基于多源异构数据分析的开关柜局部放电智能检测方法 - Google Patents
基于多源异构数据分析的开关柜局部放电智能检测方法 Download PDFInfo
- Publication number
- CN111537853A CN111537853A CN202010607236.7A CN202010607236A CN111537853A CN 111537853 A CN111537853 A CN 111537853A CN 202010607236 A CN202010607236 A CN 202010607236A CN 111537853 A CN111537853 A CN 111537853A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- network model
- switch cabinet
- data set
- dimensional data
- 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
- G01R31/1227—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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种基于多源异构数据分析的开关柜局部放电智能检测方法,获取多台已经投入运行的高压开关柜的历史运行数据,作为开关柜局部放电相关的多源异构数据;对历史运行数据提取特征向量并进行归一化处理,获得对应的高维数据集;利用深度学习对总特征向量进行降维处理,将原高维数据集降为低维数据集;利用低维数据集训练局部放电识别网络模型,对开关柜局部放电识别检测。本发明提供的基于多源异构数据分析的开关柜局部放电智能检测方法,通过分析开关柜的历史运行数据、电流、电压、温湿度、超声波、暂态对地电压数据,利用深度学习算法实现局部放电的智能识别,以及时发现开关柜故障隐患,提高开关柜的安全稳定性。
Description
技术领域
本发明涉及电力设备检测技术领域,特别是涉及一种基于多源异构数据分析的开关柜局部放电智能检测方法。
背景技术
开关柜是电力***中最重要也是最复杂的设备之一,在电力***的供配电***中,开关柜主要是用于关合及开断电力线路,从而输送及倒换电力负荷,以及从电力***中退出故障设备和线段,以保证***安全运行的重要设备。关于开关柜的局部放电检测方法,目前主要有特高频法、超声检测法、脉冲电流法、暂时对地电压法等。这些方法都是通过检测局部放电产生的不同信号,如高频电磁波、脉冲电流、超声波等,从而判断局部放电发生与否。但局部放电发生类型多样,发生位置也不固定,同时现场复杂的电磁环境,导致实际的检测受到各种干扰的影响,检测效果难以满足实际要求。随着智能电网的不断发展,大数据时代的到来,大量电气设备的各种方面的信息都将唾手可得,这些数据可以从不同侧面反映出设备运行状态信息,为局部放电的检测提供多方面的辨识特性。但是如此大量的数据无疑增加了数据处理难度,如果没有适合的算法分析处理就无法充分利用这一宝贵财富。
智能电网大数据具有多源异构性,影响局部放电的多方面因素中包括当地的大气温湿度即气象数据,也包括此时开关柜的母排电流大小即用电负荷量,同时更与此台开关柜设备绝缘老化程度即投入运行时长有关。而这些数据的存储部门、数据类型均不相同,因此具有多源异构性。如何处理好多源异构数据对提高开关柜局部放电检测效果将起到重要作用。
近年来,深度学习成为大数据处理的重要算法之一,它不仅可以自动提取数据的特征量,减轻人工提取的工作量,而且在识别分类方面准确率很高,可以充分利用大量多源异构数据的优势,提高开关柜局部放电检测效果。
发明内容
本发明的目的是提供一种基于多源异构数据分析的开关柜局部放电智能检测方法,通过分析开关柜的历史运行数据、电流、电压、温湿度、超声波、暂态对地电压数据,利用深度学习算法实现局部放电的智能识别,以及时发现开关柜故障隐患,提高开关柜的安全稳定性。
为实现上述目的,本发明提供了如下方案:
一种基于多源异构数据分析的开关柜局部放电智能检测方法,该方法包括以下步骤:
步骤一,获取多台已经投入运行的高压开关柜的历史运行数据,作为开关柜局部放电相关的多源异构数据,所述历史运行数据包括电流、电压、温湿度、超声波、暂态对地电压数据及局部放电发生情况;
步骤二,对历史运行数据提取特征向量并进行归一化处理,得到高维特征向量,获得对应的高维数据集;
步骤三,利用深度学习对总特征向量进行降维处理,将原高维数据集降为低维数据集;
步骤四,利用低维数据集训练局部放电识别网络模型,利用局部放电识别网络模型对开关柜局部放电识别检测。
可选的,所述步骤一中,所述电流、电压、温湿度、超声波、暂态对地电压数据分别由设置在开关柜中的电流互感器、电压互感器、温湿度传感器、超声传感器、暂态地电压传感器采集得到。
可选的,所述步骤三中,利用深度学习对总特征向量进行降维处理,将原高维数据集降为低维数据集,具体包括:
搭建编码网络模型和解码网络模型,利用高维数据集对编码网络模型和解码网络模型进行训练;
利用训练完成的编码网络模型将步骤二的高维数据集降维成低维数据集。
可选的,利用高维数据集对编码网络模型和解码网络模型训练至少50轮。
可选的,所述步骤四中,利用低维数据集训练局部放电识别网络模型,利用局部放电识别网络模型对开关柜局部放电识别检测,具体包括:
搭建一个局部放电识别网络模型,利用训练好的编码网络模型产生的低维数据集训练局部放电识别网络模型;
将待检测开关柜的实时运行数据输入到训练好的局部放电识别网络模型中,进行局部放电识别检测。
可选的,利用训练好的编码网络模型产生的低维数据集对局部放电识别网络模型训练至少20轮。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的基于多源异构数据分析的开关柜局部放电智能检测方法,获得开关柜局部放电相关多源异构数据,包括开关柜的历史运行数据电流、电压、温湿度、超声波、暂态对地电压数据及局部放电发生情况;对各种数据提取特征向量并进行归一化处理造成数据集;利用深度学***了道路,而且充分考虑了多种影响因素,使得局部放电识别更加准确,可更及时发现开关柜绝缘问题,提高电力***变电站运行稳定性。
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他的附图。
图1为本发明实施例基于多源异构数据分析的开关柜局部放电智能检测方法的流程图;
图2为本发明实施例编码网络模型和解码网络模型;
图3为本发明实施例局部放电识别网络模型。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于多源异构数据分析的开关柜局部放电智能检测方法,通过分析开关柜的历史运行数据、电流、电压、温湿度、超声波、暂态对地电压数据,利用深度学习算法实现局部放电的智能识别,以及时发现开关柜故障隐患,提高开关柜的安全稳定性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例基于多源异构数据分析的开关柜局部放电智能检测方法的流程图,如图1所示,本发明实施例提供的基于多源异构数据分析的开关柜局部放电智能检测方法,包括以下步骤:
步骤一,获取多台已经投入运行的高压开关柜的历史运行数据,作为开关柜局部放电相关的多源异构数据,所述历史运行数据包括电流、电压、温湿度、超声波、暂态对地电压数据及局部放电发生情况;
步骤二,对历史运行数据提取特征向量并进行归一化处理,得到高维特征向量,获得对应的高维数据集;
步骤三,利用深度学习对总特征向量进行降维处理,将原高维数据集降为低维数据集;
步骤四,利用低维数据集训练局部放电识别网络模型,利用局部放电识别网络模型对开关柜局部放电识别检测。
其中,所述步骤一中,所述电流、电压、温湿度、超声波、暂态对地电压数据分别由设置在开关柜中的电流互感器、电压互感器、温湿度传感器、超声传感器、暂态地电压传感器采集得到。
所述步骤二中,从开关柜内选出M件绝缘设备,并对每件设备的已投运时长数据进行归一化处理(投运时长除以设备统计平均寿命);温湿度数据进行线性归一化处理,如式(1)所示;由电压互感器得到母线电压并除以开关柜额定电压值,由电流互感器得到电流值除以额定容量对应的额定电流值;由超声、暂态地电压传感器获得超声和放电波形,利用放电脉冲形状提取特征参数,分别由式1.2~1.5求取均值ν、标准差σ、陡峭度Ku、偏斜度Sk。综合以上各特征参数得到高维特征向量,并获得对应的数据集。高维特征向量包括M维设备运行时长、2维温湿度、2维运行电压电流、4维超声波形特征参数、4维暂态地电压波形特征参数,共计M+12维。
式(1)中,x为温湿度数据,min(x)和max(x)为其最小值和最大值,x’为处理后的温湿度。式(2)中,偏斜度SK是用于描述局部放电脉冲形状的分布相对于正态分布形状的偏斜程度,式(5)中,陡峭度Ku用于描述局部放电脉冲形状的分布对比于正态分布形状的突出程度。其中ν、σ、pj分别表示在相窗j内的波形幅值的均值、标准差、概率。均值和标准差分别为式(3)和式(4),其中φj为相窗相位,m为相窗数,yj为第j个相窗的幅值,Δy为相邻相窗幅值差。
所述步骤三中,利用深度学习对总特征向量进行降维处理,将原高维数据集降为低维数据集,具体包括:
搭建编码网络模型和解码网络模型,利用高维数据集对编码网络模型和解码网络模型进行训练;
利用训练完成的编码网络模型将步骤二的高维数据集降维成低维数据集。
其中,编码网络模型和解码网络模型,分别用于将原高维特征向量降维成低维特征向量和将低维恢复成原高维特征向量。
编码神经网络模型包括输入层、隐藏层和输出层。如图2所示,输入层为单层神经元,且包括M+12个输入神经元,指步骤二中的高维特征向量。隐藏层可以为若干层神经元构成,本方法设置为2层,第一隐藏层含20个神经元,第二隐藏层含10个神经元。输出层为单层神经元,包括5个输出神经元,表示低维特征向量。初始化各个神经元之间权重w=0,隐藏层的激活函数为tanh,输出层则为线性激活函数。tanh函数如式(6)所示,学习率lr设置为0.01。
解码神经网络模型包括输入层、隐藏层和输出层。如图2所示,输入层为单层神经元,且包括5个输入神经元,指步骤三中的低维特征向量。隐藏层可以为若干层神经元构成,本方法设置为2层,第一隐藏层含10个神经元,第二隐藏层含20个神经元。输出层为单层神经元,包括M+12个输出神经元,表示高维特征向量。初始化各个神经元之间权重w=0,隐藏层的激活函数为tanh,输出层则为sigmoid激活函数。tanh函数如式(6)所示,sigmoid函数如式(7)所示。学习率lr设置为0.01。
利用步骤二的高维特征向量数据集输入对步骤三的编码网络和解码网络进行训练,将训练数据集输入编码网络模型的输入层中,进行前向传播,即根据前层神经元输出值xi、两层之间的权值wij加权计算出该层的输入值zj,如式1.8所示,而该层的输出值yj要该层输入值经激活函数f处理,如式(9)所示,依此类推最终计算出编码网络输出层的输出值,即为低维数据。接着将编码网络输出层的输出值输入解码网络的输入层,同样前向传播进行计算,直到解码网络的输出层,计算出的输出层输出值yl会与高维训练数据集yt存在误差,
zj=∑wijxi (8)
yj=f(zj) (9)
利用高维数据集对编码网络模型和解码网络模型训练至少50轮。
所述步骤四中,利用低维数据集训练局部放电识别网络模型,利用局部放电识别网络模型对开关柜局部放电识别检测,具体包括:
搭建一个局部放电识别网络模型,利用训练好的编码网络模型产生的低维数据集训练局部放电识别网络模型;
将待检测开关柜的实时运行数据输入到训练好的局部放电识别网络模型中,进行局部放电识别检测。
局部放电识别网络模型包括输入层、隐藏层和输出层。如图3所示,输入层为单层神经元,且包括5个输入神经元,指低维特征向量。隐藏层可以为若干层神经元构成,本方法设置为3层,每层均含10个神经元。输出层为单层神经元,包括1个输出神经元,表示发生局部放电的概率。初始化各个神经元之间权重w=0,隐藏层的激活函数为relu,输出层则为sigmoid激活函数。relu函数如式(10)所示,sigmoid函数如式(7)所示。学习率lr设置为0.01。
将低维数据集作为训练数据集输入局部放电识别模型的输入层中,进行前向传播和误差反向传播。
其中,利用训练好的编码网络模型产生的低维数据集对局部放电识别网络模型训练至少20轮。
将步骤三、步骤四训练好的编码网络模型和局部放电识别网络模型部署于实际开关柜中,如步骤二所示提取开关柜实时运行数据的高维特征向量形成高维数据集,并输入编码网络模型中得到低维特征向量和数据集,再输入局部放电识别网络模型,最终得出识别结果。
本发明提供的基于多源异构数据分析的开关柜局部放电智能检测方法,首先获得多台已经投入运行的高压开关柜的历史运行数据,处理各种数据并综合特征参数得到高维特征向量,获得对应的数据集;搭建编码和解码网络模型,利用高维特征向量数据集对编码和解码网络进行训练;搭建一个局部放电识别网络模型,利用训练好的编码网络产生的低维数据集训练局部放电识别网络;将训练好的编码网络和局部放电识别网络部署于实际开关柜中,利用模型完成对开关柜实时数据的局部放电识别。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于多源异构数据分析的开关柜局部放电智能检测方法,其特征在于,包括以下步骤:
步骤一,获取多台已经投入运行的高压开关柜的历史运行数据,作为开关柜局部放电相关的多源异构数据,所述历史运行数据包括电流、电压、温湿度、超声波、暂态对地电压数据及局部放电发生情况;
步骤二,对历史运行数据提取特征向量并进行归一化处理,得到高维特征向量,获得对应的高维数据集;
步骤三,利用深度学习对总特征向量进行降维处理,将原高维数据集降为低维数据集;
步骤四,利用低维数据集训练局部放电识别网络模型,利用局部放电识别网络模型对开关柜局部放电识别检测。
2.根据权利要求1所述的基于多源异构数据分析的开关柜局部放电智能检测方法,其特征在于,所述步骤一中,所述电流、电压、温湿度、超声波、暂态对地电压数据分别由设置在开关柜中的电流互感器、电压互感器、温湿度传感器、超声传感器、暂态地电压传感器采集得到。
3.根据权利要求1所述的基于多源异构数据分析的开关柜局部放电智能检测方法,其特征在于,所述步骤三中,利用深度学习对总特征向量进行降维处理,将原高维数据集降为低维数据集,具体包括:
搭建编码网络模型和解码网络模型,利用高维数据集对编码网络模型和解码网络模型进行训练;
利用训练完成的编码网络模型将步骤二的高维数据集降维成低维数据集。
4.根据权利要求3所述的基于多源异构数据分析的开关柜局部放电智能检测方法,其特征在于,利用高维数据集对编码网络模型和解码网络模型训练至少50轮。
5.根据权利要求1所述的基于多源异构数据分析的开关柜局部放电智能检测方法,其特征在于,所述步骤四中,利用低维数据集训练局部放电识别网络模型,利用局部放电识别网络模型对开关柜局部放电识别检测,具体包括:
搭建一个局部放电识别网络模型,利用训练好的编码网络模型产生的低维数据集训练局部放电识别网络模型;
将待检测开关柜的实时运行数据输入到训练好的局部放电识别网络模型中,进行局部放电识别检测。
6.根据权利要求5所述的基于多源异构数据分析的开关柜局部放电智能检测方法,其特征在于,利用训练好的编码网络模型产生的低维数据集对局部放电识别网络模型训练至少20轮。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010607236.7A CN111537853A (zh) | 2020-06-29 | 2020-06-29 | 基于多源异构数据分析的开关柜局部放电智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010607236.7A CN111537853A (zh) | 2020-06-29 | 2020-06-29 | 基于多源异构数据分析的开关柜局部放电智能检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111537853A true CN111537853A (zh) | 2020-08-14 |
Family
ID=71976510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010607236.7A Pending CN111537853A (zh) | 2020-06-29 | 2020-06-29 | 基于多源异构数据分析的开关柜局部放电智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111537853A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112630562A (zh) * | 2020-12-04 | 2021-04-09 | 国网四川省电力公司广安供电公司 | 一种基于深度神经网络的开关柜故障识别方法及其装置 |
CN112748317A (zh) * | 2021-03-23 | 2021-05-04 | 国网河南省电力公司电力科学研究院 | 基于多种监测数据的开关柜局部放电故障检测方法及*** |
CN112881812A (zh) * | 2021-01-11 | 2021-06-01 | 中国气象科学研究院 | 基于机器学习编码的全闪实时定位方法及装置 |
CN115355942A (zh) * | 2022-08-16 | 2022-11-18 | 华珑(沈阳)智能电气有限公司 | 适用于kyn开关柜的健康管理方法 |
CN116026403A (zh) * | 2022-11-09 | 2023-04-28 | 国能四川西部能源股份有限公司 | 开关柜故障预警方法、装置、介质和电子设备 |
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 (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102628917A (zh) * | 2012-04-25 | 2012-08-08 | 广州供电局有限公司 | 局部放电识别方法和*** |
CN104849633A (zh) * | 2015-05-15 | 2015-08-19 | 国家电网公司 | 一种开关柜局部放电模式识别方法 |
CN106503689A (zh) * | 2016-11-14 | 2017-03-15 | 哈尔滨理工大学 | 基于粒子群算法的神经网络局部放电信号模式识别方法 |
CN107831409A (zh) * | 2017-09-22 | 2018-03-23 | 国网山东省电力公司电力科学研究院 | 特高频局放检测图谱特征参量提取的方法及异常检测方法 |
CN109596955A (zh) * | 2018-12-30 | 2019-04-09 | 国网北京市电力公司 | 局部放电状态确定方法及装置 |
CN110147806A (zh) * | 2018-10-08 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 图像描述模型的训练方法、装置及存储介质 |
CN110244204A (zh) * | 2019-06-27 | 2019-09-17 | 国网湖南省电力有限公司 | 一种多特征值的开关柜故障诊断方法、***及介质 |
CN110826934A (zh) * | 2019-11-21 | 2020-02-21 | 广州供电局有限公司 | 中压开关柜健康度评价方法、装置及*** |
CN110988631A (zh) * | 2019-12-16 | 2020-04-10 | 深圳江行联加智能科技有限公司 | 局部放电定位检测方法、装置、可读存储介质及电气设备 |
-
2020
- 2020-06-29 CN CN202010607236.7A patent/CN111537853A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102628917A (zh) * | 2012-04-25 | 2012-08-08 | 广州供电局有限公司 | 局部放电识别方法和*** |
CN104849633A (zh) * | 2015-05-15 | 2015-08-19 | 国家电网公司 | 一种开关柜局部放电模式识别方法 |
CN106503689A (zh) * | 2016-11-14 | 2017-03-15 | 哈尔滨理工大学 | 基于粒子群算法的神经网络局部放电信号模式识别方法 |
CN107831409A (zh) * | 2017-09-22 | 2018-03-23 | 国网山东省电力公司电力科学研究院 | 特高频局放检测图谱特征参量提取的方法及异常检测方法 |
CN110147806A (zh) * | 2018-10-08 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 图像描述模型的训练方法、装置及存储介质 |
CN109596955A (zh) * | 2018-12-30 | 2019-04-09 | 国网北京市电力公司 | 局部放电状态确定方法及装置 |
CN110244204A (zh) * | 2019-06-27 | 2019-09-17 | 国网湖南省电力有限公司 | 一种多特征值的开关柜故障诊断方法、***及介质 |
CN110826934A (zh) * | 2019-11-21 | 2020-02-21 | 广州供电局有限公司 | 中压开关柜健康度评价方法、装置及*** |
CN110988631A (zh) * | 2019-12-16 | 2020-04-10 | 深圳江行联加智能科技有限公司 | 局部放电定位检测方法、装置、可读存储介质及电气设备 |
Non-Patent Citations (4)
Title |
---|
刘玉良 等: "《深度学习》", 31 January 2020 * |
曾文 等: "基于深度学习技术的海量科技文献向量表示方法研究", 《2017年北京科学技术情报学会年会--"科技情报发展助力科技创新中心建设"论坛》 * |
桑塔努•帕塔纳雅克 等: "《TensorFlow深度学习:数学原理与Python实战进阶》", 30 April 2020 * |
贵州电网有限责任公司: "《GIS变电站运维中绝缘关键技术》", 31 December 2017 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112630562A (zh) * | 2020-12-04 | 2021-04-09 | 国网四川省电力公司广安供电公司 | 一种基于深度神经网络的开关柜故障识别方法及其装置 |
CN112881812A (zh) * | 2021-01-11 | 2021-06-01 | 中国气象科学研究院 | 基于机器学习编码的全闪实时定位方法及装置 |
CN112881812B (zh) * | 2021-01-11 | 2022-02-22 | 中国气象科学研究院 | 基于机器学习编码的全闪实时定位方法及装置 |
CN112748317A (zh) * | 2021-03-23 | 2021-05-04 | 国网河南省电力公司电力科学研究院 | 基于多种监测数据的开关柜局部放电故障检测方法及*** |
CN112748317B (zh) * | 2021-03-23 | 2022-03-25 | 国网河南省电力公司电力科学研究院 | 基于多种监测数据的开关柜局部放电故障检测方法及*** |
CN115355942A (zh) * | 2022-08-16 | 2022-11-18 | 华珑(沈阳)智能电气有限公司 | 适用于kyn开关柜的健康管理方法 |
CN116026403A (zh) * | 2022-11-09 | 2023-04-28 | 国能四川西部能源股份有限公司 | 开关柜故障预警方法、装置、介质和电子设备 |
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 |
---|---|---|
CN111537853A (zh) | 基于多源异构数据分析的开关柜局部放电智能检测方法 | |
Mishra et al. | A novel fault classification scheme for series capacitor compensated transmission line based on bagged tree ensemble classifier | |
Khamis et al. | Islanding detection in a distributed generation integrated power system using phase space technique and probabilistic neural network | |
Sarlak et al. | High impedance fault detection using combination of multi-layer perceptron neural networks based on multi-resolution morphological gradient features of current waveform | |
Zhengyou et al. | Study of a new method for power system transients classification based on wavelet entropy and neural network | |
CN103323755A (zh) | Gis特高频局部放电信号识别方法及*** | |
Zhang et al. | Fault diagnosis of power grid based on variational mode decomposition and convolutional neural network | |
Luo et al. | Stacked auto-encoder based fault location in VSC-HVDC | |
Xiao et al. | High-impedance fault detection method based on one-dimensional variational prototyping-encoder for distribution networks | |
CN103941163A (zh) | 利用模糊k均值聚类的谐振接地***故障选线方法 | |
Ferreira et al. | Probabilistic transmission line fault diagnosis using autonomous neural models | |
Menezes et al. | Intelligent islanding detection with grid topology adaptation and minimum non-detection zone | |
CN110609477A (zh) | 一种基于深度学习的电力***暂态稳定性判别***及方法 | |
CN115564331A (zh) | 配电网典型故障风险感知方法、配电网、设备及存储介质 | |
CN110068748A (zh) | 基于深度卷积神经网络的10kV单芯电缆早期状态辨识方法 | |
Li et al. | Forecasting of wind capacity ramp events using typical event clustering identification | |
Kanwal et al. | Artificial intelligence based faults identification, classification, and localization techniques in transmission lines-a review | |
Jiang et al. | A new method for recognition and classification of power quality disturbances based on IAST and RF | |
Du et al. | A hierarchical power system transient stability assessment method considering sample imbalance | |
Luo et al. | Stacked auto-encoder-based transients recognition in VSC-HVDC | |
Liu et al. | Classification and identification of electric shock current for safety operation in power distribution network | |
Abohagar et al. | Back propagation neural network aided wavelet transform for high impedance fault detection and faulty phase selection | |
Muzzammel et al. | Wavelet multiscale principal components and traveling waves enabled machine learning technique for protection of MT-HVDC systems | |
CN115600754A (zh) | 用户用电安全隐患的预测方法、***、设备及存储介质 | |
Wei et al. | Deep Belief network based faulty feeder detection of single-phase ground fault |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20201120 Address after: 274000 north side of Zhonghua East Road, Heze, Shandong Applicant after: Heze Power Supply Company of State Grid Shandong Electric Power Company Applicant after: STATE GRID CORPORATION OF CHINA Address before: 274000 north side of Zhonghua East Road, Heze, Shandong Applicant before: Heze Power Supply Company of State Grid Shandong Electric Power Company |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200814 |
|
RJ01 | Rejection of invention patent application after publication |