CN111579947B - 应用于直流***的串联电弧多特征检测 - Google Patents
应用于直流***的串联电弧多特征检测 Download PDFInfo
- Publication number
- CN111579947B CN111579947B CN202010452200.6A CN202010452200A CN111579947B CN 111579947 B CN111579947 B CN 111579947B CN 202010452200 A CN202010452200 A CN 202010452200A CN 111579947 B CN111579947 B CN 111579947B
- Authority
- CN
- China
- Prior art keywords
- arc
- fault
- sensing module
- current
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title abstract description 20
- 238000003745 diagnosis Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000003287 optical effect Effects 0.000 claims abstract description 7
- 230000007547 defect Effects 0.000 claims abstract 2
- 238000003066 decision tree Methods 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 2
- 238000009413 insulation Methods 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims description 2
- 238000010891 electric arc Methods 0.000 abstract description 6
- 238000010276 construction Methods 0.000 abstract 1
- 230000005684 electric field Effects 0.000 description 5
- 239000004020 conductor Substances 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 229910001338 liquidmetal Inorganic materials 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 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
- 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
- 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
- G01R31/1218—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 optical methods; using charged particle, e.g. electron, beams or X-rays
-
- 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)
- Acoustics & Sound (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明涉及一种基于多维度传感的直流***串联电弧放电故障检测，利用故障电弧多个维度的特征构建模型来诊断故障，该故障检测方法包括电弧故障发生器单元、电源与负载单元、故障信息测量单元和多维特征数据处理单元。其中电源与负载单元包括高压直流电源和负载，多维特征数据处理单元将故障信息测量单元所检测的电、光、声三个维度故障特征构建故障电弧诊断模型，为稳定可靠的直流***用串联电弧故障诊断奠定基础。本发明提出的串联电弧放电故障检测方法适用于直流***，为保证直流***正常运行提供支撑，弥补传统的故障电弧特征单一的不足。
Description
技术领域
本发明涉及一种基于多维度传感的直流***串联电弧放电故障检测，属于在线监测以及故障检测技术领域。
背景技术
电弧放电是一种剧烈的气体自持放电，其发生条件是放电电极两端具有足够的电压差。电弧放电现象符合基本的气体放电理论。随着电极间距(放电间隙)的不断增加，电弧与电极接触面逐渐减小，电路中电流在狭小的接触面上通过，接触部位电流密度逐渐增大，金属强烈发热。当电极分开时，接触处的金属熔化形成液态金属桥，其中一些变成蒸汽，进入电极之间的放电间隙，促进电子的热发射。此时，由于电极间距离很小，间隙间电场强度较大，阴极表面电场很高，发射较多电子，称为高电场发射。热发射和高电场发射导致大量的电子进入电弧的放电间隙，在外加电压下，电场电离产生大量的电子和正离子。电子运动到阳极与阳极表明的正电荷发生复合作用，释放能量加热阳极表面，促进阳极的热发射，正离子运动到阴极进一步与电子复合释放能量，形成电弧。
在直流***中，根据故障电弧与负载连接方式的不同，可以划分为串联故障电弧和并联故障电弧。串联故障电弧的电弧电流流过带电导体并与负载串联，由于负载的限流作用，故障电弧的电流小于线路额定工作电流。并联电弧电流流过带电导体并与负载并联，故障电流大于线路额定工作电流，相当于线路发生短路故障。电气***中的线路出现断线或连接松弛，会引发串联故障电弧，即电极之间的接触不良而造成的故障电弧都属于串联故障电弧。在直流***中，由于连接插件或串联负载连接处，腐蚀氧化、连接损坏、电缆绝缘劣化、内部金属导体断裂等情况难以避免，由于串联电弧电流随着时间呈现下降趋势且没有过零点，不能被现有的熔断器、断路器、过电流保护装置检测，不易中断，在几秒内产生几千摄氏度的高温，损坏设备，危害安全。三种故障中除串联电弧故障外，均可以由传统的继电保护装置如零序电流互感器、空气开关、剩余电流断路器快速检测并排除。因此，针对直流***的串联电弧故障放电的研究十分必要。
国内外对直流串联电弧检测的都存在特征单一，可靠性较差的问题。对此，本发明借助多维检测手段，针对串联直流电弧故障多特征进行检测，为建立多维特征的直流串联电弧故障防护奠定基础。
发明内容
发明目的：
本发明的目的就在于解决上述问题，提供一种用于直流***的电弧检测方法，通过电、光、声三个维度的多维传感方式检测直流***的电弧故障。，提供一种多维度传感检测直流***的串联电弧故障的检测技术，为保证直流***正常运行提供支撑。
技术方案：
为实现上述目的，本发明提供一种应用于直流***的直流串联电弧故障测试与诊断***，包括：电弧故障发生器单元、电源与负载单元、故障信息测量单元和多维特征数据处理单元；
所述电弧故障发生单元包括固定端、滑块、电极、丝杆和步进电机；
所述电源和负载单元包括高压直流电源和负载；
所述故障信息测量单元包括电压传感模块、电流传感模块、弧声传感模块和弧光传感模块；
所述电弧故障发生单元的固定端与电源和负载单元的高压直流电源相连接，滑块与负载相连接；
所述电压传感模块、电流传感模块、弧声传感模块和弧光传感模块的数据输出分别和多维特征数据处理单元输入接口相连接；
所述的应用于直流***的直流串联电弧故障测试与诊断***，其特征在于，还包括多维特征数据处理单元还包括分类模型对多维电弧故障数据进行诊断。
根据本发明的一个方面，所述的电压传感模块通过连接到电气输出端的二次电路实现测量。
根据本发明的一个方面，所述的弧声传感模块是非耦合检测方法，具有精度高、不受负载影响的特点。
根据本发明的一个方面，所述的弧光传感模块的入光口置于距离故障电弧5cm-20cm范围内。
根据本发明的一个方面，所述的故障信息测量单元得到直流串联电弧的光、声、电特征，之后根据多维串联电弧故障特征构建决策树模型，其决策节点为多维特征的诊断条件，终端节点为直流***正常工作或发生电弧故障两类诊断结果，在确定决策特征及***准则之后，无需对多维故障特征实施预处理步骤，可迅速构建分类模型进行电弧故障诊断。
根据本发明的用于直流***的电弧检测方法的具体方案，实际能够取得以下技术效果：
(1)根据电弧故障本身的多个维度信息来进行故障诊断，保障了故障检测的准确性；
(2)多维度电弧故障特征中的声特征不受检测环境中负载的影响，而光特征，避免了电磁干扰，保障了电弧检测结果的可靠性。
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的前提下，还可以根据这些附图获得其他的附图。
附图1为本实施例的直流串联故障电弧诊断单元组成；
附图2为本实施例的直流电弧数据采集和故障诊断流程；
附图3为本实施例的直流串联电弧故障实验平台电路；
附图4为本实施例实验平台正常状态和故障电弧时的典型波形；
附图5为本实施例采用的CART分类决策树结构；
附图6为本实施例最终的CART分类决策树结果。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图对本申请的具体实施方式做详细的说明。
本发明涉及的一种实施例的直流串联故障电弧诊断单元组成如图1所示，诊断流程如图2所示，其中直流串联电弧信息库是在图3所示的直流***的直流串联电弧故障测试与诊断***的基础上建立的，在本发明中电弧故障发生单元1包括固定端101、滑块102、电极103、丝杆104和步进电机105；电源和负载单元2包括高压直流电源201和负载202；故障信息测量单元3包括电压传感模块301、电流传感模块302、弧声传感模块303和弧光传感模块304；电弧故障发生单元1的固定端101与电源和负载单元2的高压直流电源201相连接，滑块102与负载202相连接；电压传感模块301、电流传感模块302、弧声传感模块303和弧光传感模块304的数据输出分别和多维特征数据处理单元输入接口相连接；多维特征数据处理单元4还包括分类决策树模型对多维电弧故障数据进行诊断。
以下以一种具体实施方式说明本发明。
在直流***的直流串联电弧故障测试与诊断***的基础上，滑块装嵌不同的材料或直径的电极，通过控制步进电机和丝杠机构调节电极间的间距以模拟电力***中可能出现的故障电弧情况。在电弧故障发生器的通路状态下使电极闭合，然后控制电机匀速转动，使得电极间距不断增加，过程跨越弧前、弧中、弧后，采集故障电弧全过程的数据这种方式可以直接获取电弧的弧长分布特性，研究电弧的发展状态。但当前条件下单个弧长变化的动态电弧事件具有的特性难以代表当前条件下所有电弧放电的特性，因此需要不断采集故障电弧的多维度数据，同时考虑到包含光谱线宽度交点的光学传感器受到太阳光的干扰和故障的影响，在电气***中光弧检测模块的检测范围应该在紫外区域且覆盖铜的光谱波长。
在触发电弧故障时，通过控制电弧故障发生模块中固定端与滑块之间的距离来实现不同电弧间隔，采集正常及电弧间隔为1nm、2nm、4nm、6nm、8nm的直流串联电弧数据共6种状态的电弧数据，每种类别的数据各200组，每组2000个数据点，采样频率为50kHz。
传感器测量的正常状态和发生电极间距不改变的故障电弧时的典型波形如图4所示，图4中相对于正常波形，故障电弧的电压电流出现了波动，而光信号和声音信号出现了脉冲波，信号不再规则。故障电弧的出现提升了信号的不确定性。本发明利用多维传感器共同测量故障电弧，把每个传感器的响应看作一个随机变量***，则多维信息互相关联时，使用基尼增益作为分割属性选择的标准，选择基尼增益最大的决策节点作为当前数据集的分割属性，将6种状态的电弧数据作为CART分类决策树的原始数据，构建如图5所示的CART分类决策树模型，用于对直流***的串联故障电弧进行分类。
为了确定各个电弧特征属性之间的拓扑结构，需要对串联故障电弧信号进行属性选择度量，即选择决策特征及***准则，在某个节点按照某一类决策参数的不同划分构建不同的分支。针对多维度电弧特征，采用决策树来对多维度数据进行有无电弧产生的划分，决策特征即为各个多维传感器。决策树的树形结构表示基于特征对实例进行分类的过程，利用训练数据根据选择Gini增益最大原则建立决策树模型。
决策树的构建基于信号本身，为了确定各个电弧特征属性之间的拓扑结构，需要对串联故障电弧信号进行属性选择度量，即选择决策特征及***准则，在某个节点按照某一类决策参数的不同划分构建不同的分支。针对多维度电弧特征，采用CART决策树来对多维度数据进行有无电弧产生的划分，决策特征即为各个多维传感器。决策树的树形结构表示基于特征对实例进行分类的过程。学习时，利用训练数据，根据选择基尼增益最大原则建立决策树模型。据故障电弧的多维传感信息库，从根结点开始训练，递归地对每个结点进行以下操作，构建CART决策树，当故障电弧的样本个数小于预定阈值，故障电弧样本集的基尼系数小于预定阈值中任何一种情况时，算法停止计算和训练。否则算法按照步骤1至步骤5持续运行。
步骤1，预测：考虑所有可能的***的特性；
步骤2，选择提供预测和***的最佳分离数据：以基尼指数和为最小划分属性，使得基尼指数和最小的特征作为最优划分特征，以此决定该决策节点根据哪一个传感器测量的信号作为特征；
步骤3，***：求取该传感器数据的信息增益，经过已知类别的确定阈值，将数据分割为达到和未满足阈值条件的子集；
步骤4，对于每一个子集，考虑每个特性的所有可能的分割
步骤5，重复步骤2和步骤3，直到达到某个期望的数据纯度水平，获取终端节点，生成决策树。
根据上述步骤，得出图6所示的多维故障特征的基尼指数阈值和CART决策树中的决策节点，在根据多为特征的阈值和CART分类树上节点对应阈值下的终端节点代表的诊断结果来进行电弧故障诊断。
根据本发明的上述设置，实际能够取得以下技术效果：
(1)根据电弧故障本身的多个维度信息来进行故障诊断，保障了故障检测的准确性；
(2)多维度电弧故障特征中的声特征不受检测环境中负载的影响，而光特征，避免了电磁干扰，保障了电弧检测结果的可靠性。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员应当知道，在不脱离本发明构思的前提下，还可以做出若干简单推演或替代，都应当视为属于本发明的保护范围。
Claims (4)
1.一种应用于直流***的直流串联电弧故障测试与诊断***，其特征在于，包括：电弧故障发生单元(1)、电源与负载单元(2)、故障信息测量单元(3)和多维特征数据处理单元(4)；所述电弧故障发生单元(1)包括待测的直流电弧发生装置，是人为设置的电弧故障或绝缘缺陷引发的电弧现象；所述电源和负载单元(2)包括高压直流电源(201)和负载(202)；所述故障信息测量单元(3)包括电压传感模块(301)、电流传感模块(302)、弧声传感模块(303)和弧光传感模块(304)，或其中的任意一种及其组合形式；所述电弧故障发生单元(1)与电源和负载单元(2)相连接；所述电压传感模块(301)、电流传感模块(302)、弧声传感模块(303)和弧光传感模块(304)的数据输出分别和多维特征数据处理单元输入相连接；
包括以下步骤：步骤S1，故障信息测量单元(3)检测电弧故障的电、光、声三个维度的故障特征，同时获取弧前、弧中、弧后全过程电弧故障的数据，若需要确定故障的严重程度，还需获取不同程度的电弧故障数据；步骤S2，在无需对多维故障特征数据预处理的条件下，多维特征数据处理单元(4)构建分类模型，建立各维度特征在正常状态和电弧故障的阈值和诊断路径；步骤S3，根据分类模型中电压和电流特征数据的阈值和诊断路径来判断直流***初始状态，若处于正常状态，则根据弧光数据检测发生电弧故障的可能，一旦依据弧光数据发现故障的可能性，则重复步骤S3，若处于故障状态时需要进一步诊断其严重程度，进入步骤S4；步骤S4，依据分类模型中电压、电流、弧声和弧光多维度的阈值和诊断路径来综合判断电弧故障的严重程度，具体步骤为：
首先进行第一电压特征判断，根据第一电压特征判断结果，获得终端节点正常结论或者进行第二电压特征判断；根据第二电压特征判断结果，进行第一电流特征判断或进行第三电压特征判断；根据第一电流特征判断结果，获得终端节点电弧间隔d=8mm结论或者进行第四电压特征判断；根据第四电压特征判断结果，进行第五电压特征判断或者进行第一弧光特征判断；根据第五电压特征判断结果，获得终端节点电弧间隔d=1mm或者d=6mm结论；根据第一弧光判断结果，获得终端节点电弧间隔d=1mm或者d=2mm结论；根据第三电压特征判断结果，进行第二电流特征判断或者第六电压特征判断；根据第二电流特征判断结果，进行第三电流特征判断或者第七电压特征判断；根据第三电流判断结果，获得终端节点电弧间隔d=2mm结论或者进行第八电压特征判断；根据第八电压特征判断结果，获得终端节点电弧间隔d=6mm或者d=4mm结论；根据第七电压特征判断结果，获得终端节点d=1mm结论或者进行第九电压特征判断；根据第九电压特征判断结果，获得终端节点d=1mm或者d=4mm结论；根据第六电压特征判断结果，获得终端节点d=6mm或者进行第四电流特征判断；根据第四电流特征判断结果，获得终端节点d=6mm或者d=4mm结论；
构建CART分类决策树模型，用于对直流***的串联故障电弧进行分类；CART分类决策树模型学习时，利用训练数据，根据选择基尼增益最大原则建立决策树模型；根据故障电弧的多维传感信息库，从根结点开始训练，递归地对每个节点进行以下操作，构建CART决策树，当故障电弧的样本个数小于预定阈值，故障电弧样本集的基尼系数小于预定阈值中任何一种情况时，算法停止计算和训练，否则算法按照如下步骤持续进行：
步骤1，预测：考虑所有可能的***的特性；
步骤2，选择提供预测和***的最佳分离数据：以基尼指数和最小划分属性，使得基尼指数和最小的特征作为最优划分特征，以此决定该决策节点根据哪一个传感器测量的信号作为特征；
步骤3，***：求取该传感器数据的信息增益，经过已知类别的确定阈值，将数据分割为达到和未满足阈值条件的子集；
步骤4，对于每一个子集，考虑每个特性的所有可能的分割；
步骤5，重复步骤2和步骤3，直到达到某个期望的数据纯度水平，获取终端节点，生成决策树。
2.根据权利要求1所述的应用于直流***的直流串联电弧故障测试与诊断***，其特征在于，传感模块安装于直流母线或直流母线的接头处，并采用机械直接接触。
3.根据权利要求1所述的应用于直流***的直流串联电弧故障测试与诊断***，其特征在于，采用的弧光传感模块有效检测波长范围是300-330nm，弧光传感模块检测电弧故障的光特征，用于判断电气***中的电弧发生，可作为电弧故障发生时刻的参考信号；其中，所述光特征在电弧故障诊断中用来进一步确定电弧故障的严重程度。
4.根据权利要求1所述的应用于直流***的直流串联电弧故障测试与诊断***，其特征在于，弧声传感模块(303)和弧光传感模块(304)的组合形式，弧声传感模块(303)和弧光传感模块(304)检测得到的声特征和光特征可综合判断故障电弧的起始时刻和熄灭时刻，可作为单次电弧故障持续时长的参考，即电弧故障的严重程度的参考；其中，所述声特征在电弧故障诊断中也用来进一步确定电弧故障的严重程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010452200.6A CN111579947B (zh) | 2020-05-25 | 2020-05-25 | 应用于直流***的串联电弧多特征检测 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010452200.6A CN111579947B (zh) | 2020-05-25 | 2020-05-25 | 应用于直流***的串联电弧多特征检测 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111579947A CN111579947A (zh) | 2020-08-25 |
| CN111579947B true CN111579947B (zh) | 2021-11-23 |
Family
ID=72125434
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010452200.6A Active CN111579947B (zh) | 2020-05-25 | 2020-05-25 | 应用于直流***的串联电弧多特征检测 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111579947B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101210948A (zh) * | 2006-12-27 | 2008-07-02 | 通用电气公司 | 用于检测电气***中的串联电弧的方法和*** |
| CN102623967A (zh) * | 2012-04-07 | 2012-08-01 | 山东电力研究院 | 中低压母线电弧光保护方法及*** |
| CN104730439A (zh) * | 2015-04-03 | 2015-06-24 | 北京杜朗自动化***技术有限公司 | 一种电弧故障检测方法 |
| CN106063065A (zh) * | 2013-12-31 | 2016-10-26 | 西门子公司 | 用于电弧故障检测的装置和方法 |
| CN108761285A (zh) * | 2018-05-21 | 2018-11-06 | 安徽知库云端科技服务有限公司 | 一种具有抗电弧特性的电连接器电弧特性检测装置 |
| CN109633394A (zh) * | 2019-01-21 | 2019-04-16 | 安徽升隆电气有限公司 | 一种电弧探测器 |
| CN209231457U (zh) * | 2018-12-05 | 2019-08-09 | 国网辽宁省电力有限公司锦州供电公司 | 故障电弧预警装置 |
| CN110308377A (zh) * | 2019-07-23 | 2019-10-08 | 南京航空航天大学 | 一种用于多电飞机直流***的电弧检测方法 |
-
2020
- 2020-05-25 CN CN202010452200.6A patent/CN111579947B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101210948A (zh) * | 2006-12-27 | 2008-07-02 | 通用电气公司 | 用于检测电气***中的串联电弧的方法和*** |
| CN102623967A (zh) * | 2012-04-07 | 2012-08-01 | 山东电力研究院 | 中低压母线电弧光保护方法及*** |
| CN106063065A (zh) * | 2013-12-31 | 2016-10-26 | 西门子公司 | 用于电弧故障检测的装置和方法 |
| CN104730439A (zh) * | 2015-04-03 | 2015-06-24 | 北京杜朗自动化***技术有限公司 | 一种电弧故障检测方法 |
| CN108761285A (zh) * | 2018-05-21 | 2018-11-06 | 安徽知库云端科技服务有限公司 | 一种具有抗电弧特性的电连接器电弧特性检测装置 |
| CN209231457U (zh) * | 2018-12-05 | 2019-08-09 | 国网辽宁省电力有限公司锦州供电公司 | 故障电弧预警装置 |
| CN109633394A (zh) * | 2019-01-21 | 2019-04-16 | 安徽升隆电气有限公司 | 一种电弧探测器 |
| CN110308377A (zh) * | 2019-07-23 | 2019-10-08 | 南京航空航天大学 | 一种用于多电飞机直流***的电弧检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| Investigation on the characteristics of an atmospheric-pressure microplasma plume confined inside a long capillary tube;Shuqun WU，et al;《Plasma Science and Technology》;20181231;第1-8页 * |
| 矿井供电***串联型故障电弧数学模型及诊断方法研究;刘艳丽;《中国博士学位论文全文数据库 工程科技Ⅰ辑》;20190515(第05期);第B021-29页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111579947A (zh) | 2020-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101726514B (zh) | 基于回复电压的油浸式变压器固体绝缘含水量评估方法 | |
| CN109239517A (zh) | 一种新的光伏***直流电弧故障及类型的辨识方法 | |
| CN103901318B (zh) | 在能量转换***中定位接地故障和绝缘降级状况的方法 | |
| CN109831033A (zh) | 一种供电线路预警保护设备及分段监测预警*** | |
| JP2017529818A (ja) | 光起電力システムにおけるアークを検出するための方法およびアークの検出装置 | |
| CN109596956B (zh) | 直流串联电弧检测方法及装置 | |
| Strobl | Arc fault detection in DC microgrids | |
| CN107607847A (zh) | 基于极化去极化电流法的110kV高压电缆检测方法 | |
| Xu et al. | A comprehensive review of DC arc faults and their mechanisms, detection, early warning strategies, and protection in battery systems | |
| CN117520951B (zh) | 一种基于多特征量的变压器健康评估方法和*** | |
| CN106980051B (zh) | 一种间歇性串联型故障电弧识别方法 | |
| CN111579947B (zh) | 应用于直流***的串联电弧多特征检测 | |
| Kumari et al. | Fault detection in transmission line using ann | |
| Chen et al. | Detection method of low voltage series dc arc based on the pattern matching algorithm | |
| CN116010892A (zh) | 电缆绝缘劣化等效参数模型的样本数据库识别诊断方法 | |
| CN114156830A (zh) | 一种光电磁同步融合检测弧光保护方法及装置 | |
| Shafiq et al. | Characterization of corona and internal partial discharge under increasing electrical stress using time domain analysis | |
| Han et al. | Spectrum-Sensing Method for Arc Fault Detection in Direct Current System with Lithium Batteries | |
| Liu et al. | Research on Fault Identification Method of Series Arc in Electric Vehicle Charging System Based on Machine Learning | |
| Wang et al. | Noise in DC Systems and the Potential Influence on Arc Detection | |
| CN113410814B (zh) | 一种机械式直流断路器状态评估方法、***及介质 | |
| Kaya et al. | Series dc arc fault detection method | |
| Bauer et al. | Optimal threshold selection and efficacy evaluation for a generic dc series arc detection algorithm | |
| Al Khafaf et al. | Prediction of leakage current peak value | |
| CN109270412A (zh) | 高压电缆绝缘状态的移动式监测预警方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |