CN112363050A - 基于动态接触电阻信号的sf6断路器弧触头状态评估方法 - Google Patents

基于动态接触电阻信号的sf6断路器弧触头状态评估方法 Download PDF

Info

Publication number
CN112363050A
CN112363050A CN202011042182.0A CN202011042182A CN112363050A CN 112363050 A CN112363050 A CN 112363050A CN 202011042182 A CN202011042182 A CN 202011042182A CN 112363050 A CN112363050 A CN 112363050A
Authority
CN
China
Prior art keywords
contact resistance
circuit breaker
dynamic contact
state
signals
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
Application number
CN202011042182.0A
Other languages
English (en)
Inventor
陈道品
黄静
陈斯翔
武利会
陈邦发
何子兰
梁家盛
刘益军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Foshan Power Supply Bureau of Guangdong Power Grid Corp
Original Assignee
Guangdong Power Grid Co Ltd
Foshan Power Supply Bureau of Guangdong Power Grid Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd, Foshan Power Supply Bureau of Guangdong Power Grid Corp filed Critical Guangdong Power Grid Co Ltd
Priority to CN202011042182.0A priority Critical patent/CN112363050A/zh
Publication of CN112363050A publication Critical patent/CN112363050A/zh
Pending legal-status Critical Current

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
    • G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
    • G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
    • G01R27/20—Measuring earth resistance; Measuring contact resistance, e.g. of earth connections, e.g. plates
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Driving Mechanisms And Operating Circuits Of Arc-Extinguishing High-Tension Switches (AREA)

Abstract

本发明提供一种基于动态接触电阻信号的SF6断路器弧触头状态评估方法，该方法通过基于动态接触电阻信号与小波分析相结合的方法，选择合适的小波基函数分析SF6断路器分闸过程中的动态接触电阻信号；经过信号的分解与重构后，得到高频段不同分解层下的能量熵；对该能量熵作主成分分析，实现数据降维，将经过主成分分析后的能量熵向量作为弧触头状态特征量输入支持向量机模型中，实现基于动态接触电阻信号的SF6断路器弧触头状态评估。

Description

基于动态接触电阻信号的SF6断路器弧触头状态评估方法
技术领域
本发明涉及SF6断路器技术领域，更具体地，涉及一种基于动态接触电阻信号的SF6断路器弧触头状态评估方法。
背景技术
SF6断路器是电力***中一个重要的部件，电网中SF6断路器的运行状态对电力***的安全运行具有重要意义，常应用于电力***无功补偿领域，由于频繁投切电容器组进行无功补偿，合闸过程中的关合涌流及分闸过程中的容性电流会严重烧蚀弧触头，因此需要根据实际运行工况检修设备，常规的检修方法为定期检修，但该方法需要拆卸SF6断路器极大浪费人力物力财力。断路器动态接触电阻曲线可以有效表征断路器触头的状态，且易于测量，故为了实现SF6断路器弧触头的状态检测评估，选择分析SF6断路器动态接触电阻信号。
动态接触电阻信号分析是一种非侵入式的检测方法，这种信号不具有周期性，属于瞬时非平稳信号，信号持续时间取决于断路器分闸速度。通过动态接触电阻信号与小波分析相结合的方法，经过小波分解与重构后得到动态接触电阻信号在不同分解层下的高频信号分量，可以获得更为丰富的触头状态信息。能量熵是在一定状态下对***的一种测度，它是对***无序程度的一种量度，但该信号具有大量的噪声和冗余，不利于后续的触头状态评估。主成分分析可以有效的找出数据中最主要的元素和结构，去除噪声和冗余，将原有的复杂数据降维，有利于后续的触头状态评估，故选择主成分分析后的能量熵向量作为弧触头状态评估的状态特征向量。
申请号为201610919706.7的专利说明书中公开了一种一种SF6断路器弧触头失效检测方法，本申请SF6断路器弧触头包括动弧触头和静弧触头，动弧触头和静弧触头相套接触，所述SF6断路器弧触头失效分别包括弧触头接触电阻大于设定电阻阈值和弧触头接触行程减小阈值；所述设定电阻阈值由径向辅助测量验证方法获取；所述设定接触行程减小阈值由轴向辅助测量验证方法验证；本发明可以准确的判断断路器弧触头的失效，该方法根据动态接触电阻分析，同时采用侵蚀前后比对的方法评价断路器弧触头的接触行程；根据该方法的实验数据指导制定断路器检修决策。然而，该专利无法通过选择合适的小波基函数和分解层，重构出反映弧触头状态的频域信息，有效地评估了SF6断路器弧触头的状态。
发明内容
本发明提供一种基于动态接触电阻信号的SF6断路器弧触头状态评估方法，该方法通过选择合适的小波基函数和分解层，重构出反映弧触头状态的频域信息，有效地评估了SF6断路器弧触头的状态。
为了达到上述技术效果，本发明的技术方案如下：
一种基于动态接触电阻信号的SF6断路器弧触头状态评估方法，包括以下步骤：
S1：采集断路器分闸过程中的动态接触电阻信号；
S2：通过基于动态接触电阻信号与小波分析相结合的方法，选用合适的小波基函数对步骤S1采集到的动态接触电阻信号进行小波分解与重构；将各个分解层下的高频信号及最后一层的低频信号绘制在时频幅值谱中；计算各分解层下信号的能量熵，将动态接触电阻信号各分解层下的能量熵组合到一起构成动态接触电阻信号特征向量；
S3：对步骤S2得到的动态接触电阻信号特征向量进行主成分分析，实现数据降维，得到表征原信号的状态特征向量；
S4：将步骤S3计算的状态特征向量输入到训练好的支持向量机模型中，支持向量机模型对触头动态接触电阻状态特征向量进行分类，评估弧触头状态，实现断路器弧触头状态评估。
进一步地，步骤S2中的小波基函数选择db3，分解层选择8层。
进一步地，所述弧触头状态包括正常状态、注意状态、异常状态、严重状态。
进一步地，支持向量机模型采用径向基函数作为核函数，支持向量机模型采用网格搜索算法实现参数寻优。
进一步地，步骤S2中能量熵的计算方法为：
将信号x(t)按照等时间分段的方式分为N段，并按照下式计算每段的能量Wk(i)，k为小波分解对应的分解层，i＝1,2,…,N；
Figure BDA0002706978290000021
式中：
ti-第i段的结束时间点；
ti-1-第i段的开始时间点；
将每段的能量进行归一化处理，得到能量归一化值；
Figure BDA0002706978290000031
信号x(t)在第k层的能量熵为：
Figure BDA0002706978290000032
进一步地，步骤S3中主成分分析的具体方法为：计算由式(3)得到的原信号特征向量的协方差矩阵，然后求解协方差矩阵的特征值和特征向量，并将特征值按从大到小进行排列，选取特征值大于λm的特征向量构成主向量，求得前m个主分量的累计方差贡献率；
由式(3)得到的原始信号特征向量为：
Hk＝(h1k,h2k,L,hnk)T (10)
式中：
n为特征向量维度；
Hk的协方差矩阵为：
Figure BDA0002706978290000033
式中：
Figure BDA0002706978290000034
为各样本特征向量均值；
前m个主分量的累计方差贡献率：
Figure BDA0002706978290000035
进一步地，选取累计方差贡献率大于95％的前m个主分量表征原始信息，作为状态特征向量输入支持向量机。
进一步地，将各个状态下的接触电阻状态特征向量输入到支持向量机模型中进行训练获得训练完成的支持向量机模型；支持向量机模型采用径向基函数作为核函数，采用网格搜索算法实现参数寻优。
与现有技术相比，本发明技术方案的有益效果是：
本发明基于动态接触电阻信号与小波分析相结合的方法评估SF6断路器弧触头的状态，通过选择合适的小波基函数和分解层，重构出反映弧触头状态的频域信息，有效地评估了SF6断路器弧触头的状态；实验中采集到的断路器动态接触电阻信号包括许多噪声和冗余，本发明所采用的主成分分析方法有效地去除了原始信号中的噪声和冗余，实现数据降维，有利于支持向量机模型对弧触头状态开展评估；本发明所采用的支持向量机模型相比于神经网络、人工免疫网络更适合于小样本分类，且结合主成分分析法提高了运行效率和分类准确率。
附图说明
图1为本发明支持向量机训练框图；
图2位本发明弧触头状态评估框图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
如图1、2所示，本发明基于动态接触电阻信号的SF6断路器弧触头状态评估方法包括以下步骤：
1)采集断路器分闸过程中的动态接触电阻信号；
2)通过基于动态接触电阻信号与小波分析相结合的方法，选用合适的小波基函数对步骤1)采集到的动态接触电阻信号进行小波分解与重构；将各个分解层下的高频信号及最后一层的低频信号绘制在时频幅值谱中；计算各分解层下信号的能量熵，将动态接触电阻信号各分解层下的能量熵组合到一起构成动态接触电阻信号特征向量；
3)对步骤2)得到的动态接触电阻信号特征向量进行主成分分析，实现数据降维，得到表征原信号的状态特征向量；
4)将步骤3)计算的状态特征向量输入到训练好的支持向量机模型中，支持向量机模型对触头动态接触电阻状态特征向量进行分类，评估弧触头状态，将弧触头状态分为正常状态、注意状态、异常状态、严重状态；
支持向量机的训练包括以下步骤：
a)实验测量得到触头不同状态下的动态接触电阻信号；
b)对步骤a)采集到的动态接触电阻信号进行小波分解与重构，其中小波基函数选择db3，分解层选择8层；对分解后的信号在各分解层上进行重构；
c)计算小波分解后各层的能量熵，将动态接触电阻信号各分解层的能量熵组合成原信号的特征向量；
能量熵的计算方法为：
将信号x(t)按照等时间分段的方式分为N段，并按照下式计算每段的能量Wk(i)，k为小波分解对应的分解层，i＝1,2,…,N；
Figure BDA0002706978290000051
式中：
ti—第i段的结束时间点；
ti-1—第i段的开始时间点；
将每段的能量进行归一化处理，得到能量归一化值；
Figure BDA0002706978290000052
信号x(t)在第k层的能量熵为：
Figure BDA0002706978290000053
d)对动态接触电阻原信号的特征向量进行主成分分析，实现数据降维，得到表征原信号的状态特征向量；
主成分分析的具体方法为：计算由式(3)得到的原信号特征向量的协方差矩阵，然后求解协方差矩阵的特征值并将特征值按从大到小进行排列，选取特征值大于λm的特征向量构成主向量，求得前m个主分量的累计方差贡献率；
由式(3)得到的原始信号特征向量为：
Hk＝(h1k,h2k,L,hnk)T (16)
式中：
k为分解层；
n为特征向量维度；
Hk的协方差矩阵为：
Figure BDA0002706978290000061
式中：
Figure BDA0002706978290000062
为各样本特征向量均值；
前m个主分量的累计方差贡献率：
Figure BDA0002706978290000063
保留累计方差贡献率大于95％的原始数据信息，即95％以上的原始数据信息保留在前m个主分量中，将前m个主分量作为支持向量机的状态特征量。
e)将各个状态下的接触电阻状态特征向量输入到支持向量机模型中进行训练获得训练完成的支持向量机模型；支持向量机模型采用径向基函数作为核函数，采用网格搜索算法实现参数寻优。
通过基于动态接触电阻信号与小波分析相结合的方法，选择合适的小波基函数分析SF6断路器分闸过程中的动态接触电阻信号；经过信号的分解与重构后，得到高频段不同分解层下的能量熵；对该能量熵作主成分分析，实现数据降维，将经过主成分分析后的能量熵向量作为弧触头状态特征量输入支持向量机模型中，实现基于动态接触电阻信号的SF6断路器弧触头状态评估。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种基于动态接触电阻信号的SF6断路器弧触头状态评估方法，其特征在于，包括以下步骤：
S1：采集断路器分闸过程中的动态接触电阻信号；
S2：通过基于动态接触电阻信号与小波分析相结合的方法，选用合适的小波基函数对步骤S1采集到的动态接触电阻信号进行小波分解与重构；将各个分解层下的高频信号及最后一层的低频信号绘制在时频幅值谱中；计算各分解层下信号的能量熵，将动态接触电阻信号各分解层下的能量熵组合到一起构成动态接触电阻信号特征向量；
S3：对步骤S2得到的动态接触电阻信号特征向量进行主成分分析，实现数据降维，得到表征原信号的状态特征向量；
S4：将步骤S3计算的状态特征向量输入到训练好的支持向量机模型中，支持向量机模型对触头动态接触电阻状态特征向量进行分类，评估弧触头状态，实现断路器弧触头状态评估。
2.根据权利要求1所述的基于动态接触电阻信号的SF6断路器弧触头状态评估方法，其特征在于，步骤S2中的小波基函数选择db3。
3.根据权利要求2所述的基于动态接触电阻信号的SF6断路器弧触头状态评估方法，其特征在于，步骤S2中的小波的分解层选择8层。
4.根据权利要求2所述的基于动态接触电阻信号的SF6断路器弧触头状态评估方法，其特征在于，所述弧触头状态包括正常状态、注意状态、异常状态、严重状态。
5.根据权利要求4所述的基于动态接触电阻信号的SF6断路器弧触头状态评估方法，其特征在于，支持向量机模型采用径向基函数作为核函数。
6.根据权利要求5所述的基于动态接触电阻信号的SF6断路器弧触头状态评估方法，其特征在于，支持向量机模型采用网格搜索算法实现参数寻优。
7.根据权利要求6所述的基于动态接触电阻信号的SF6断路器弧触头状态评估方法，其特征在于，步骤S2中能量熵的计算方法为：
将信号x(t)按照等时间分段的方式分为N段，并按照下式计算每段的能量Wk(i)，k为小波分解对应的分解层，i＝1,2,…,N；
Figure FDA0002706978280000021
式中：
ti-第i段的结束时间点；
ti-1-第i段的开始时间点；
将每段的能量进行归一化处理，得到能量归一化值；
Figure FDA0002706978280000022
信号x(t)在第k层的能量熵为：
Figure FDA0002706978280000023
8.根据权利要求7所述的基于动态接触电阻信号的SF6断路器弧触头状态评估方法，其特征在于，步骤S3中主成分分析的具体方法为：计算由式(3)得到的原信号特征向量的协方差矩阵，然后求解协方差矩阵的特征值和特征向量，并将特征值按从大到小进行排列，选取特征值大于λm的特征向量构成主向量，求得前m个主分量的累计方差贡献率；
由式(3)得到的原始信号特征向量为：
Hk＝(h1k,h2k,L,hnk)T (4)
式中：
n为特征向量维度；
Hk的协方差矩阵为：
Figure FDA0002706978280000024
式中：
Figure FDA0002706978280000025
为各样本特征向量均值；
前m个主分量的累计方差贡献率：
Figure FDA0002706978280000026
9.根据权利要求8所述的基于动态接触电阻信号的SF6断路器弧触头状态评估方法，其特征在于，选取累计方差贡献率大于95％的前m个主分量表征原始信息，作为状态特征向量输入支持向量机。
10.根据权利要求9所述的基于动态接触电阻信号的SF6断路器弧触头状态评估方法，其特征在于，将各个状态下的接触电阻状态特征向量输入到支持向量机模型中进行训练获得训练完成的支持向量机模型；支持向量机模型采用径向基函数作为核函数，采用网格搜索算法实现参数寻优。
CN202011042182.0A 2020-09-28 2020-09-28 基于动态接触电阻信号的sf6断路器弧触头状态评估方法 Pending CN112363050A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011042182.0A CN112363050A (zh) 2020-09-28 2020-09-28 基于动态接触电阻信号的sf6断路器弧触头状态评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011042182.0A CN112363050A (zh) 2020-09-28 2020-09-28 基于动态接触电阻信号的sf6断路器弧触头状态评估方法

Publications (1)

Publication Number Publication Date
CN112363050A true CN112363050A (zh) 2021-02-12

Family

ID=74508030

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011042182.0A Pending CN112363050A (zh) 2020-09-28 2020-09-28 基于动态接触电阻信号的sf6断路器弧触头状态评估方法

Country Status (1)

Country Link
CN (1) CN112363050A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116482526A (zh) * 2023-04-28 2023-07-25 国网重庆市电力公司市北供电分公司 一种用于非故障相阻抗继电器的分析***
WO2023246455A1 (zh) * 2022-06-23 2023-12-28 华能龙开口水电有限公司 大型发电机gcb接触电阻在线监测方法及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103308292A (zh) * 2013-05-16 2013-09-18 国家电网公司 基于振动信号分析的真空断路器机械状态检测方法
CN106814255A (zh) * 2015-11-27 2017-06-09 中国电力科学研究院 一种sf6断路器动态接触电阻检测装置
CN107680835A (zh) * 2017-10-13 2018-02-09 中国电力科学研究院 一种基于神经网络的断路器弧触头烧蚀状态评估方法
CN109061463A (zh) * 2018-09-29 2018-12-21 华南理工大学 一种高压断路器机械状态监测和故障诊断方法
CN109946597A (zh) * 2019-02-26 2019-06-28 国网江苏省电力有限公司南京供电分公司 基于机电信号的分接开关运行状态评估方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103308292A (zh) * 2013-05-16 2013-09-18 国家电网公司 基于振动信号分析的真空断路器机械状态检测方法
CN106814255A (zh) * 2015-11-27 2017-06-09 中国电力科学研究院 一种sf6断路器动态接触电阻检测装置
CN107680835A (zh) * 2017-10-13 2018-02-09 中国电力科学研究院 一种基于神经网络的断路器弧触头烧蚀状态评估方法
CN109061463A (zh) * 2018-09-29 2018-12-21 华南理工大学 一种高压断路器机械状态监测和故障诊断方法
CN109946597A (zh) * 2019-02-26 2019-06-28 国网江苏省电力有限公司南京供电分公司 基于机电信号的分接开关运行状态评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘北阳等: "基于ＢＰ神经网络的弧触头烧蚀状态评估方法", 《电力科学与技术学报》 *
樊浩等: "基于主成分分析—支持向量机优化模型的断路器故障诊断方法研究", 《高压电器》 *
蓝磊等: "SF6断路器动态电阻测量、分析与诊断***", 《高压电器》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023246455A1 (zh) * 2022-06-23 2023-12-28 华能龙开口水电有限公司 大型发电机gcb接触电阻在线监测方法及存储介质
CN116482526A (zh) * 2023-04-28 2023-07-25 国网重庆市电力公司市北供电分公司 一种用于非故障相阻抗继电器的分析***

Similar Documents

Publication Publication Date Title
Abid et al. Distinct bearing faults detection in induction motor by a hybrid optimized SWPT and aiNet-DAG SVM
CN111089726B (zh) 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法
CA2918679C (en) Pattern recognition method for partial discharge of three-phase cylinder type ultrahigh voltage gis
Wang et al. Fault diagnosis for power cables based on convolutional neural network with chaotic system and discrete wavelet transform
CN111460956B (zh) 一种基于数据增强与损失加权的不平衡心电样本分类方法
CN112363050A (zh) 基于动态接触电阻信号的sf6断路器弧触头状态评估方法
Gao et al. Mechanical faults diagnosis of high-voltage circuit breaker via hybrid features and integrated extreme learning machine
CN103308292A (zh) 基于振动信号分析的真空断路器机械状态检测方法
Yang et al. Fault identification for circuit breakers based on vibration measurements
CN111476339B (zh) 滚动轴承故障特征提取方法、智能诊断方法及***
CN116226646B (zh) 轴承健康状态及剩余寿命的预测方法、***、设备及介质
CN115166393A (zh) 一种变压器的智能诊断及状态评估方法
CN117390408B (zh) 一种电力变压器运行故障检测方法及***
CN115600088A (zh) 一种基于振动信号的配电变压器故障诊断方法
CN113391244A (zh) 一种基于vmd的变压器合闸振动信号特征频率计算方法
CN103528820B (zh) 一种基于距离评估因子势能函数的滚动轴承故障诊断方法
CN111588375B (zh) 一种基于栈式稀疏自编码模型的涟波和快速涟波检测方法
Zhang et al. Fault diagnosis based on optimized node entropy using lifting wavelet packet transform and genetic algorithms
Khan Weighted entropy and modified MDL for compression and denoising data in smart grid
CN116577612A (zh) 一种基于vmd希尔伯特边际谱多特征融合的串联故障电弧检测方法
Belkov et al. Advanced approach for automatic PRPD pattern recognition in monitoring of HV assets
Liu et al. Bearing performance degradation assessment using linear discriminant analysis and coupled HMM
CN115389888B (zh) 一种基于高压电缆的局部放电实时监测***
Shuangli et al. Application of improved wavelet packet energy entropy and GA-SVM in rolling bearing fault diagnosis
CN112329628A (zh) 换流变压器振动信号多特征融合的特征提取方法及装置

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: 20210212

RJ01 Rejection of invention patent application after publication