CN112305388A - 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 - Google Patents
一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 Download PDFInfo
- Publication number
- CN112305388A CN112305388A CN202011197314.7A CN202011197314A CN112305388A CN 112305388 A CN112305388 A CN 112305388A CN 202011197314 A CN202011197314 A CN 202011197314A CN 112305388 A CN112305388 A CN 112305388A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- data
- sample
- model
- insulation
- 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.)
- Granted
Links
- 238000009413 insulation Methods 0.000 title claims abstract description 56
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000004804 winding Methods 0.000 title claims abstract description 18
- 238000003745 diagnosis Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000002265 prevention Effects 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 10
- 230000007547 defect Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 8
- 238000007405 data analysis Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 230000016507 interphase Effects 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
- 238000012806 monitoring device Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method 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
- 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
- G01R31/1263—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 of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/72—Testing of electric windings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Power Engineering (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Relating To Insulation (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
Abstract
本发明公开了一种发电机定子绕组绝缘局部放电故障在线监测诊断方法，包括如下步骤：局部放电在线监测数据转换，局部放电数据图像化表示；建立绝缘局部放电特征数据库；诊断模型建模、训练；模型应用。本发明为人工诊断提供客观的数据支撑，降低人工诊断经验要求的门槛，在目前状态检修的大环境中有较大的应用价值和推广意义。
Description
技术领域
本发明涉及发电机领域，尤其涉及一种发电机定子绕组绝缘局部放电故障在线监测诊断方法。
背景技术
水轮发电机核心部件定子绕组通过电磁感应原理进行能量交换，工作中需承受不断变化的机械力、电场、热力作用，定子绕组绝缘性能、寿命也在缓慢发生变化。定子绕组绝缘由于生产制造工艺、使用绝缘材料不同和现场安装工艺差异等会在发电机定子绕组绝缘内部或表面造成不同的绝缘小缺陷，如绝缘内部间隙、绕组端部绑扎造成的间隙毛刺、相间距离过小、二次引线与绕组端部距离较近、线棒槽内电晕、端部电晕、表面脏污、绝缘受潮等，由此发电机运行状态下绝缘总是存在局部放电。一般是不同缺陷相互叠加，很少只存在一种缺陷，因此局部放电也是相互叠加每台机各不相同。
随着运行年限增加某些缺陷发展恶化其缺陷表征的局部放电图谱就更加明显。通过检测水轮发电机定子绝缘的局部放电并诊断识别绝缘中存在主要缺陷，监测缺陷的发展，并在检修中加以控制是必要的。
目前的水轮发电机局部放电在线监测主要是通过传感器采集绝缘中的局部放电信号，通过软件记录存储、统计和图形展示并不具备诊断能力，故障的识别、诊断仍需要专业人员通过经验来识别，但局部放数据复杂、波动大也没有对应的故障图谱，人工诊断较困难。
发明内容
为了克服现有水轮发电机绝缘局部放电在线检测装置只检测记录数据无分析诊断能力，局放数据复杂，人工诊断分析困难。本发明在现有发电机绝缘局部放电在线检测数据基础上，采用大数据分析方法，结合深度学习，构建模型训练并运用于现有局部放电在线检测数据的分析诊断，确定发电机绝缘存在的故障，提出一种发电机定子绕组绝缘局部放电故障在线监测诊断方法。
本发明补充现有发电机绝缘局部放电在线检测***只检测记录数据无分析诊断能力的不足，也为人工诊断提供客观的数据支撑，简化人工分析，降低人工诊断经验要求的门槛。
本发明的技术方案具体如下：
一种发电机定子绕组绝缘局部放电故障在线监测诊断方法，包括如下步骤：
步骤（1）、局部放电在线监测数据转换，局部放电数据图像化表示
从局部放电在线监测***导出局部放电原始数据，从中逐一提取样本正局部放电幅值、正局部放电相位、正局部放电数量数据集d1，负局部放电幅值、负局部放电相位、负局部放电数量数据集d2，将数据d1、d2合并成具有正负局部放电幅值、正负局部放电相位、正负局部放电数量的局部放电样本原始数据集；
将样本原始数据集转换为灰度图，在灰度图同一坐标下画出50HZ正玄波曲线，得到局部放电样本图像；
步骤（2）、建立绝缘局部放电特征数据库
从局部放电在线监测***导出局部放电原始数据，从中逐一提样本取采集时间、样本号、测量状态、厂站、发电机信息构成样本信息数据，从中逐一提样本取正负放电量Qm、正负放电数量NQN数据构成样本局部放电综合数据；将发电机绝缘故障按0-9顺序标号形成样本故障代码表，将局放样本对应发电机绝缘故障编码按样本顺序逐一添加构成样本标签数据；
将上述样本信息数据、样本局部放电综合数据、局部放电原始数据、样本标签数据打包构成绝缘局部放电特征数据集，后续根据发电机绝缘状态不同不断采集新的样本加入，构成绝缘局部放电特征数据库；
步骤（3）、诊断模型建模、训练
通过卷积神经网络建立深度学习模型A，将绝缘局部放电特征数据库中局部放电原始数据、样本标签数据输入A模型，对模型进行学习训练；
模型A训练：采样多分类损失函数，自适应学习率优化算法，监控指标准确率，通过多轮、多批次学习训练得到模型参数A.h5；
步骤（4）、模型应用
将未知故障的样本原始数据输入学习训练好的模型A，经过模型A及参数A.h5计算后输出样本的故障类型百分比概率。
进一步地，步骤（1）中，灰度图以相位0到360度为x轴坐标、幅值-30到30为y轴坐标，灰度图像素点所在x轴位置代表放电所在的相位，灰度图像素点所在y轴位置代表放电的幅度值，像素点值颜色深度代表放电数量。
进一步地，步骤（3）中，建立模型A具体是通过卷积神经网络构建的局放数据图像诊断识别模型。
进一步地，步骤（3）中，建立模型A时，模型输入30*100*1图像数据，网络中进行2次卷积计算，第1次卷积核尺寸3X3卷积核个数32，第2次卷积核尺寸3X3卷积核个数64，4个防止过拟合概率层参数均为0.25；结构依次为输入、卷积、概率、池化、卷积、概率、池化、转换、概率、全连接、概率、输出。
与现有技术相比，本发明的有益效果为：
1.本发明建立了一种局部放电在线监测数据转换、局部放电数据图像化表示方法，完整保留了局部放电样本包含的局部放电特征信息，为局部放电大数据分析提供了分析基础。
所述发明在现有发电机绝缘局部放电在线检测数据基础上采用大数据分析方法构建模型训练并运用于现有局部放电在线检测数据的分析诊断，确定发电机绝缘存在的故障。本发明补充现有发电机绝缘局部放电在线检测***只检测记录数据无分析诊断能力的不足，也为人工诊断提供客观的数据支撑，降低人工诊断经验要求的门槛。在目前状态检修的大环境中有较大的应用价值和推广意义。
2.本发明可随着现场发电机绝缘故障发展变化，追加新的特征样本，有利于特征数据库样本多性，建立丰富的样本库。
3.本发明通过深度学习卷积神经网络建立模型，通过图像化局部放电数据训练模型，使用中可随着特征数据库更新，重新训练模型，提高识别故障的种类、准确度。
4.本发明补充现有发电机绝缘局部放电在线检测***只检测记录数据无分析诊断能力的不足，也为人工诊断提供客观的数据支撑，简化人工分析，降低人工诊断经验要求的门槛。
附图说明
图1为局部放电数据图像，灰度图像素点所在x轴位置代表放电所在的相位，灰度图像素点所在y轴位置代表放电的幅度值，像素点值颜色深度代表放电数量。
图2为A模型结构图。
图3为模型训练结果，其中，上图为训练过程准确度提升曲线，下图为训练过程损失下降曲线。
图4为实施例输入样本和经模型诊断后输出的诊断结果。
具体实施方式
下面将结合本申请实施例中的附图，对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。
除非另外定义，本申请实施例中使用的技术术语或者科学术语应当为所属领域内具有一般技能的人士所理解的通常意义。本实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。“上”、“下”、“左”、“右”、“横”以及“竖”等仅用于相对于附图中的部件的方位而言的，这些方向性术语是相对的概念，它们用于相对于的描述和澄清，其可以根据附图中的部件所放置的方位的变化而相应地发生变化。
本实施例采用python3.7编程语言、 keras深度学习库构建模型、模型训练、应用。
本实施例的发电机定子绕组绝缘局部放电故障在线监测诊断方法，包括如下步骤：
步骤（1）、局部放电在线监测数据转换，局部放电数据图像化表示
从局部放电在线监测***导出局部放电数据文件，从中逐一提取样本正局部放电幅值、正局部放电相位、正局部放电数量数据集d1，负局部放电幅值、负局部放电相位、负局部放电数量数据集d2，将数据d1、d2合并成具有正负局部放电幅值、正负局部放电相位、正负局部放电数量的局部放电样本原始数据集，数据集是具有新的幅值、相位、数量表示的完整数据文件，如表1所示局部放电特征数据中样本原始数据c。
表1局部放电特征数据集
表1为本发明中发电机绝缘在线监测装置采集的局部放电数据样本，其中样本信息数据a包含采集时间、样本号、测量状态、厂站、发电机相；样本标签数据b，代表样本故障类型的编码系列；样本原始数据c，在局部放电在线监测***数据中提取的局部放电特征数据，数据形式30*100矩阵其中包含有放电幅值、数量、相位信息；样本局部放电综合数据d，包含局部放电幅值+-Qm、数量+-NQN数据即***计算出的最大放电幅值，总的放电数量。
将样本原始数据c转换为灰度图以相位0到360度为x轴坐标、幅值-30到30为y轴坐标，灰度图像素点所在x轴位置代表放电所在的相位，灰度图像素点所在y轴位置代表放电的幅度值，像素点值颜色深度代表放电数量，在灰度图同一坐标下画出50HZ正玄波曲线，得到图1所示局部放电数据图像。
步骤（2）、建立绝缘局部放电特征数据库
从数据文件中逐一提样本取采集时间、样本号、测量状态、厂站、发电机相信息构成如表1所示局部放电特征数据中样本信息数据a。
从数据文件中逐一提样本取正负Qm、正负NQN数据构成如表1所示局部放电特征数据中样本局部放电综合数据d。将发电机绝缘故障按0-9顺序标号形成故障代码表，将局放样本对应发电机绝缘故障编码按样本顺序逐一添加构成如表1所示局部放电特征数据中样本标签数据b。
将上述a、b、c、d数据打包构成绝缘局部放电特征数据集，后续根据发电机绝缘状态不同不断采集新的样本加入构成绝缘局部放电特征数据库。
步骤（3）、诊断模型建模、训练。
按图2所示结构参数建立模型A，将表1所示标签数据b转为onehot编码b1，将b1、c数据集输入A模型。
图2中，结构依次为输入、卷积、概率、池化、卷积、概率、池化、转换、概率、全连接、概率、输出。模型输入30*100*1图像数据，网络中2次卷积计算，第1次卷积核尺寸3X3卷积核个数32，第2次卷积核尺寸3X3卷积核个数64，4个防止过拟合概率层参数均为0.25。
模型训练，损失函数：多分类损失函数（categorical_crossentropy），优化器：自适应学习率优化算法（adam），监控指标：准确率（accuracy），每批次100个样本训练30个循环。训练结果如图3得到模型A及参数文件A.h5。
目前使用3种故障类型数据输出为3分类概率。
步骤（4）、模型应用
将未知故障的样本原始数据输入学习训练好的模型A，经过模型A及参数A.h5计算后输出样本的故障类型百分比概率。
本实施例针对某电厂水轮发电机进行故障诊断，具体如下：
将某电厂发电机线棒端部槽口低阻防晕段严重电晕的在线监测数据样本1100个、存在监测数据严重干扰数据样本980个、同时存在电晕和绝缘异常数据样本2400个，输入模型训练，训练结果如图3所示，将在线监测装置中测试ID：8917样本，按本实施例的方法提取的c形式数据输入模型诊断结果如图4所示。
结果如下：8917 预测故障类别: 电晕和绝缘异常；槽口低阻电晕概率:0.000000028；数据异常概率:0.000005493；电晕和绝缘异常概率:0.999994516。
尽管已经对本发明的技术方案做了较为详细的阐述和列举，应当理解，对于本领域技术人员来说，对上述实施例做出修改或者采用等同的替代方案，这对本领域的技术人员而言是显而易见，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (4)
1.一种发电机定子绕组绝缘局部放电故障在线监测诊断方法，其特征在于：包括如下步骤：
步骤（1）、局部放电在线监测数据转换，局部放电数据图像化表示
从局部放电在线监测***导出局部放电原始数据，从中逐一提取样本正局部放电幅值、正局部放电相位、正局部放电数量数据集d1，负局部放电幅值、负局部放电相位、负局部放电数量数据集d2，将数据d1、d2合并成具有正负局部放电幅值、正负局部放电相位、正负局部放电数量的局部放电样本原始数据集；
将样本原始数据集转换为灰度图，在灰度图同一坐标下画出50HZ正玄波曲线，得到局部放电样本图像；
步骤（2）、建立绝缘局部放电特征数据库
从局部放电在线监测***导出局部放电原始数据，从中逐一提样本取采集时间、样本号、测量状态、厂站、发电机信息构成样本信息数据，从中逐一提样本取正负放电量Qm、正负放电数量NQN数据构成样本局部放电综合数据；将发电机绝缘故障按0-9顺序标号形成样本故障代码表，将局放样本对应发电机绝缘故障编码按样本顺序逐一添加构成样本标签数据；
将上述样本信息数据、样本局部放电综合数据、局部放电原始数据、样本标签数据打包构成绝缘局部放电特征数据集，后续根据发电机绝缘状态不同不断采集新的样本加入，构成绝缘局部放电特征数据库；
步骤（3）、诊断模型建模、训练
通过卷积神经网络建立深度学习模型A，将绝缘局部放电特征数据库中局部放电原始数据、样本标签数据输入A模型，对模型进行学习训练；
模型A训练：采样多分类损失函数，自适应学习率优化算法，监控指标准确率，通过多轮、多批次学习训练得到模型参数A.h5；
步骤（4）、模型应用
将未知故障的样本原始数据输入学习训练好的模型A，经过模型A及参数A.h5计算后输出样本的故障类型百分比概率。
2.根据权利要求1所述的发电机定子绕组绝缘局部放电故障在线监测诊断方法，其特征在于：步骤（1）中，灰度图以相位0到360度为x轴坐标、幅值-30到30为y轴坐标，灰度图像素点所在x轴位置代表放电所在的相位，灰度图像素点所在y轴位置代表放电的幅度值，像素点值颜色深度代表放电数量。
3.根据权利要求1所述的发电机定子绕组绝缘局部放电故障在线监测诊断方法，其特征在于：步骤（3）中，建立模型A具体是通过卷积神经网络构建的局放数据图像诊断识别模型。
4.根据权利要求3所述的发电机定子绕组绝缘局部放电故障在线监测诊断方法，其特征在于：步骤（3）中，建立模型A时，模型输入30*100*1图像数据，网络中进行2次卷积计算，第1次卷积核尺寸3X3卷积核个数32，第2次卷积核尺寸3X3卷积核个数64，4个防止过拟合概率层参数均为0.25；结构依次为输入、卷积、概率、池化、卷积、概率、池化、转换、概率、全连接、概率、输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011197314.7A CN112305388B (zh) | 2020-10-30 | 2020-10-30 | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011197314.7A CN112305388B (zh) | 2020-10-30 | 2020-10-30 | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112305388A true CN112305388A (zh) | 2021-02-02 |
| CN112305388B CN112305388B (zh) | 2024-03-08 |
Family
ID=74333372
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011197314.7A Active CN112305388B (zh) | 2020-10-30 | 2020-10-30 | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112305388B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113933660A (zh) * | 2021-08-31 | 2022-01-14 | 华能澜沧江水电股份有限公司 | 一种基于局部放电特征的发电机绝缘故障劣化监测方法 |
| CN113945848A (zh) * | 2021-10-15 | 2022-01-18 | 哈尔滨电机厂有限责任公司 | 一种发电机定子绕组闪络放电路径的确定方法 |
| CN115343617A (zh) * | 2022-09-22 | 2022-11-15 | 南通万成机电有限公司 | 一种电机定子绕组的局放在线监测辨识方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE3543927A1 (de) * | 1985-12-12 | 1987-06-19 | Kraftwerk Union Ag | Verfahren zur teilentladungserfassung und abreissfunkenmessung bei dynamoelektrischen hochspannungsmaschinen sowie einrichtung zu seiner durchfuehrung |
| US6064172A (en) * | 1997-02-11 | 2000-05-16 | Power Superconductor Applications Corporation | Method and apparatus for detection, classification and reduction of internal electrical faults in alternating current propulsion machinery using synchronous detection scheme |
| CN102323526A (zh) * | 2011-08-15 | 2012-01-18 | 重庆大学 | 基于大电机局部放电超声分布特性的传感器设置分析方法 |
| CN105403820A (zh) * | 2015-12-03 | 2016-03-16 | 三峡大学 | 一种发电机定子绕组局部放电信号在线检测方法 |
| 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*** |
| CN109100627A (zh) * | 2018-10-31 | 2018-12-28 | 红相股份有限公司 | 一种基于端到端模式的电力设备局部放电故障诊断方法 |
| US20190101521A1 (en) * | 2017-10-04 | 2019-04-04 | Hitachi, Ltd. | Diagnosing Device for On-Load Tap Changing Apparatus, Diagnosing Method for On-Load Tap Changing Apparatus, and Diagnosing Device for Transformer |
| CN110514975A (zh) * | 2019-10-14 | 2019-11-29 | 云南电网有限责任公司电力科学研究院 | 一种gis设备的局部放电类型分类方法 |
| CN111175621A (zh) * | 2020-01-07 | 2020-05-19 | 岭东核电有限公司 | 核电站中、高压旋转电机绝缘缺陷检测方法、***及设备 |
| CN111458612A (zh) * | 2020-05-29 | 2020-07-28 | 国网陕西省电力公司电力科学研究院 | 一种油浸式套管电气绝缘性能的状态监测及缺陷模拟*** |
| CN111562466A (zh) * | 2019-12-06 | 2020-08-21 | 雅砻江流域水电开发有限公司 | 一种用于大型水轮发电机定子绕组局部放电的检测方法 |
| CN115327304A (zh) * | 2022-07-14 | 2022-11-11 | 成都恒锐智科数字技术有限公司 | 一种基于深度学习的变压器局部放电类型识别方法及*** |
-
2020
- 2020-10-30 CN CN202011197314.7A patent/CN112305388B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE3543927A1 (de) * | 1985-12-12 | 1987-06-19 | Kraftwerk Union Ag | Verfahren zur teilentladungserfassung und abreissfunkenmessung bei dynamoelektrischen hochspannungsmaschinen sowie einrichtung zu seiner durchfuehrung |
| US6064172A (en) * | 1997-02-11 | 2000-05-16 | Power Superconductor Applications Corporation | Method and apparatus for detection, classification and reduction of internal electrical faults in alternating current propulsion machinery using synchronous detection scheme |
| CN102323526A (zh) * | 2011-08-15 | 2012-01-18 | 重庆大学 | 基于大电机局部放电超声分布特性的传感器设置分析方法 |
| CN105403820A (zh) * | 2015-12-03 | 2016-03-16 | 三峡大学 | 一种发电机定子绕组局部放电信号在线检测方法 |
| 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*** |
| US20190101521A1 (en) * | 2017-10-04 | 2019-04-04 | Hitachi, Ltd. | Diagnosing Device for On-Load Tap Changing Apparatus, Diagnosing Method for On-Load Tap Changing Apparatus, and Diagnosing Device for Transformer |
| CN109100627A (zh) * | 2018-10-31 | 2018-12-28 | 红相股份有限公司 | 一种基于端到端模式的电力设备局部放电故障诊断方法 |
| CN110514975A (zh) * | 2019-10-14 | 2019-11-29 | 云南电网有限责任公司电力科学研究院 | 一种gis设备的局部放电类型分类方法 |
| CN111562466A (zh) * | 2019-12-06 | 2020-08-21 | 雅砻江流域水电开发有限公司 | 一种用于大型水轮发电机定子绕组局部放电的检测方法 |
| CN111175621A (zh) * | 2020-01-07 | 2020-05-19 | 岭东核电有限公司 | 核电站中、高压旋转电机绝缘缺陷检测方法、***及设备 |
| CN111458612A (zh) * | 2020-05-29 | 2020-07-28 | 国网陕西省电力公司电力科学研究院 | 一种油浸式套管电气绝缘性能的状态监测及缺陷模拟*** |
| CN115327304A (zh) * | 2022-07-14 | 2022-11-11 | 成都恒锐智科数字技术有限公司 | 一种基于深度学习的变压器局部放电类型识别方法及*** |
Non-Patent Citations (3)
| Title |
|---|
| CHEN Y-T: "Partial discharge detection for stator winding insulation of motors using artificial neural network", ADVANCES IN MECHANICAL ENGINEERING, vol. 10, no. 7 * |
| 李传扬: "高压电机定子绕组局部放电指纹库建立方法及放电模式识别技术研究", 中国优秀硕士学位论文全文数据库工程科技II辑, no. 2 * |
| 杨增杰: "基于深度学习的水轮发电机定子绕组绝缘故障诊断", 电力大数据, vol. 25, no. 1 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113933660A (zh) * | 2021-08-31 | 2022-01-14 | 华能澜沧江水电股份有限公司 | 一种基于局部放电特征的发电机绝缘故障劣化监测方法 |
| CN113945848A (zh) * | 2021-10-15 | 2022-01-18 | 哈尔滨电机厂有限责任公司 | 一种发电机定子绕组闪络放电路径的确定方法 |
| CN113945848B (zh) * | 2021-10-15 | 2023-12-22 | 哈尔滨电机厂有限责任公司 | 一种发电机定子绕组闪络放电路径的确定方法 |
| CN115343617A (zh) * | 2022-09-22 | 2022-11-15 | 南通万成机电有限公司 | 一种电机定子绕组的局放在线监测辨识方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112305388B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110361176B (zh) | 一种基于多任务特征共享神经网络的智能故障诊断方法 | |
| CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
| CN112305388B (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
| CN107220469B (zh) | 一种风机状态估计的方法及*** | |
| CN110376522B (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
| CN111340238A (zh) | 一种工业***的故障诊断方法、装置、设备及存储介质 | |
| CN111721535A (zh) | 一种基于卷积多头自注意力机制的轴承故障检测方法 | |
| CN107909118A (zh) | 一种基于深度神经网络的配电网工况录波分类方法 | |
| CN112665852B (zh) | 一种基于深度学习的变工况行星齿轮箱故障诊断方法及装置 | |
| CN109444667A (zh) | 基于卷积神经网络的配电网早期故障分类方法及装置 | |
| CN113076834A (zh) | 旋转机械故障信息处理方法、处理***、处理终端、介质 | |
| CN115238785A (zh) | 基于图像融合和集成网络的旋转机械故障诊断方法和*** | |
| CN111795819B (zh) | 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法 | |
| CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
| CN116956215A (zh) | 一种传动***故障诊断方法及*** | |
| CN117056865B (zh) | 一种基于特征融合的机泵设备运行故障诊断方法及装置 | |
| CN112763215B (zh) | 一种基于模块化联邦深度学习的多工况在线故障诊断方法 | |
| CN113449618A (zh) | 一种基于特征融合和混类增强进行深度学习滚动轴承故障诊断方法 | |
| CN113610119A (zh) | 基于卷积神经网络识别输电线路发展性故障的方法 | |
| CN113092044A (zh) | 一种基于加权水平可见图的旋转机械故障诊断方法 | |
| CN116975389A (zh) | 一种变电站故障分析方法及装置 | |
| CN116610990A (zh) | 一种基于特征空间差异化的断路器隐患识别方法及装置 | |
| CN111523557A (zh) | 基于大数据的风电智能化故障诊断方法 | |
| CN115017828A (zh) | 基于双向长短时记忆网络的电力电缆故障识别方法及*** | |
| CN113723592A (zh) | 一种基于风电齿轮箱监测***的故障诊断方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210208 Address after: 100031 A312, 3rd floor, building 6, fuxingmennei street, Xicheng District, Beijing Applicant after: Huaneng Group R&D Center Co., Ltd. Address before: No.1, shijichengzhong Road, Kunming, Yunnan, 650214 Applicant before: HUANENG LANCANG RIVER HYDROPOWER Inc. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210226 Address after: No.1, shijichengzhong Road, Kunming, Yunnan, 650214 Applicant after: HUANENG LANCANG RIVER HYDROPOWER Inc. Applicant after: Huaneng Group R&D Center Co., Ltd. Address before: No.1, shijichengzhong Road, Kunming, Yunnan, 650214 Applicant before: HUANENG LANCANG RIVER HYDROPOWER Inc. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210304 Address after: No.1, shijichengzhong Road, Guandu District, Kunming City, Yunnan Province Applicant after: HUANENG LANCANG RIVER HYDROPOWER Inc. Applicant after: Huaneng Group R&D Center Co., Ltd. Address before: No.1, shijichengzhong Road, Kunming, Yunnan, 650214 Applicant before: HUANENG LANCANG RIVER HYDROPOWER Inc. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |