CN113065522A - 基于深度神经网络的变压器局部放电类型识别方法 - Google Patents
基于深度神经网络的变压器局部放电类型识别方法 Download PDFInfo
- Publication number
- CN113065522A CN113065522A CN202110453216.3A CN202110453216A CN113065522A CN 113065522 A CN113065522 A CN 113065522A CN 202110453216 A CN202110453216 A CN 202110453216A CN 113065522 A CN113065522 A CN 113065522A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- discharge
- transformer
- neural network
- deep neural
- 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
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明涉及变压器放电识别技术领域,尤其涉及基于深度神经网络的变压器局部放电类型识别方法,包括以下步骤,S1:获取不同故障类型对应的变压器局部放电信号数据,根据每种故障类型对应的局部放电图谱确定样本对应的变压器故障类型标签;S2:将每组测量的局部放电图谱数据对应的统计算子数据以及对应标签输入基于深度神经网络的变压器局部放电类型识别网络,通过监督学习,训练得到变压器局部放电类型识别模型。本发明运用了三阶神经元,三阶神经元对于非线性函数的模拟增强,对于任意函数能更精确的模拟。基于三阶神经元的深度神经网络能够进一步地提升识别过程地准确率和识别速度,做到对电力变压器局部放电类型快速和精准识别。
Description
技术领域
本发明涉及电力***中高电压设备故障识别判断技术领域,尤其涉及基于深度神经网络的变压器局部放电类型识别方法。
背景技术
随着现代社会各方面的综合发展,全国用电量逐渐增加,国民用电量已经成为衡量社会经济的重要指标。近年来我国大容量、长距离、特高压输电技术的不断发展,电力***的安全运行由此显得极为重要。电力变压器作为电力***中改变电压等级与输送电能的关键枢纽型电气设备,其安全稳定运行与整个电力***的安全可靠息息相关,一旦发生事故,将会给地区甚至全国电力安全以及能源战略带来巨大的损害,严重影响正常的安全与生产。因此,电力变压器能够安全的运行是维护电力***可靠运行与供电安全的重要保障。
考虑到电网传输容量以及安全运行等原因,当前在输配电网络中大多数都是油浸式变压器。油浸式变压器具有良好的电气和机械性能,但在制造、运输和安装过程中难免会出现绝缘缺陷。缺陷中可能存在气泡、毛刺或悬浮颗粒,如果在油浸式变压器中出现气隙缺陷后,气隙部位的场强要高于绝缘油或者绝缘纸板的场强,但是气隙的击穿场强比较低,所以气隙部位最先产生局部放电的现象。除此之外,如果在油浸式变压器内部存在金属杂质,金属杂质在电场作用下会产生悬浮电位进而形成非常高的电位差,造成金属杂质部位的场强要高于绝缘油或者绝缘纸板的场强,最终也会导致局部放电的发生。局部放电会形成带电粒子以及化学物质等会导致绝缘的失效,缩短变压器的寿命。多起变压器事故显示,因绝缘损伤或老化造成的变压器故障占事故的百分之七十以上。因此,需采用合理的方法对电力变压器的局部放电信号进行检测与识别,以此对电力变压器的各种故障进行区别处理,进而能高效的预防与排除变压器发生故障的祸患。
局部放电信号包含着大量的相关信息与数据,其中的放电次数以及放电量等都与电力变压器的绝缘缺陷之间有所关联。但仅仅依靠运行人员通过经验进行判断,则难以做到快速而准确地判断出电力变压器故障类型,进而影响后续地故障应对处理。同时手动提取局部放电信号的特征这一方式严重依赖操作人员的主观经验,使得信号的识别与分类过程变得极为复杂繁琐。因此研究者们希望通过训练一个人工智能专家***来用于变压器局部放电类型的快速准确的识别与分类。近几年来新兴的深度学习方法因其具备较强的非线性运算能力与特征提取能力而被广泛运用于预测包括电力变压器在内的电气设备的寿命上,但鲜有运用于变压器局部放电类型区别上,因此如何利用深度神经网络对变压器局部放电类型进行快速准确的区别与分类是一个亟待解决的问题。
发明内容
有鉴于此,本发明的目的是提供基于深度神经网络的变压器局部放电类型识别方法,本发明提供了一种基于深度神经网络的变压器局部放电类型识别***,其目的在于将电力变压器具体的绝缘缺陷对应的局部放电信号的特征进行了提取、学习,并依次将电力变压器绝缘缺陷类型与相对应的绝缘缺陷的局部放电信号之间建立起了对应关系,并运用深度神经网络以提高识别率。为实现上述目的,按照本发明所述的,提供了一种基于深度神经网络的变压器局部放电类型识别***及其构建方法,主要包括以下两个步骤:
S1:获取不同故障类型对应的变压器局部放电信号数据,根据每种故障类型对应的局部放电图谱确定样本对应的变压器故障类型标签;
S2:将每组测量的局部放电图谱数据对应的统计算子数据以及对应标签输入基于深度神经网络的变压器局部放电类型识别网络,通过监督学习,训练得到变压器局部放电类型识别模型;
进一步,步骤S1包括:
S1.1运用脉冲电流法测量不同故障类型对应的变压器局部放电图谱并得到原始测量数据,包括放电量和放电次数,以及局部放电的放电量和放电次数对应的放电相位;
S1.2计算每组测量得到的原始测量数据的统计算子,并对计算得到原始测量数据的统计算子进行正则化处理,并采用K-Means算法对原始测量数据的统计算子进行初步分类。
进一步,步骤S1所述的变压器故障类型标签包括:无缺陷故障、含气隙缺陷故障和含金属杂质故障。
进一步,所述变压器局部放电类型识别***由深度神经网络构建,用于接收作为特征向量的局部放电图谱数据统计算子数据,并对每个样本对应的特征向量进行非线性运算,由此判定变压器局部放电类别。
进一步,所述的用于变压器局部放电类型识别***的深度神经网络包括一层输入层、一层输出层和五层隐含层,输入层的神经元数量为16,输出层神经元数量为3,五层隐含层的神经元数量从临近输入端到临近输出端为64–32–32–32–16。
进一步,所述的用于变压器局部放电类型识别***的深度神经网络的的隐含层的神经元为三阶神经元,三阶神经元的激活函数为Tanh激活函数和Relu激活函数。
进一步,所述的用于变压器局部放电类型识别***的深度神经网络通过对深度神经网络的参数进行优化,最终确定采用的损失函数为交叉熵损失函数、采用的误差优化算法为Adam算法、学习率设置为0.001。
本发明的基于深度神经网络的变压器局部放电类型识别方法,具有如下有益效果:
(1)本发明所构建的电力变压器局部放电类型识别***将电力变压器具体的绝缘缺陷对应的局部放电信号的特征进行了提取、学习,并依次与电力变压器具体的绝缘缺陷相对应,实现了对电力变压器局部放电类型的识别。
(2)本发明所构建的电力变压器局部放电类型识别***在深度神经网络中运用了三阶神经元,三阶神经元对于非线性函数的模拟增强,对于任意函数能更精确的模拟。
(3)本发明所构建的电力变压器局部放电类型识别***在深度神经网络的参数方面和结构方面进行了优化,能够进一步地提升识别过程地准确率和识别速度,做到对电力变压器局部放电类型快速和精准识别。
附图说明
图1是本发明的方法流程图;
图2是本发明的所使用的三阶神经元结构图。
具体实施方式
以下将结合附图和具体实施例对本发明进行详细说明,显然,所描述的实施例仅仅只是本申请一部分实施例,而不是全部的实施例,基于本申请中的实施例,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,都属于本申请保护的范围。
本实施例中,如图1所示,
为了达成背景技术所述的出现局部放电现象后快速准确判断局部放电类型,本发明引入了一种深度学习的方法,具体地,采用深度神经网络对局部放电信号的特征进行学习,并将学得的特征进行分类。该方法可以构建从局部放电信号原始数据到电力变压器故障的局部放电类型的复杂映射关系,训练良好的模型可以快速准确的判断出电力变压器的局部放电类型,有效的区分出无缺陷故障、含气隙缺陷故障和含金属杂质故障这三种局部放电类别,为后续制定紧急应对措施提供依据。
本实施例中,本发明提供的一种基于深度神经网络的变压器局部放电类型识别***的构建方法,如图1所示,包括:
步骤1、构建不同类型的电力变压器故障的局部放电类型,获得每个样本的局部放电信号的放电量与和放电次数以及放电量与放电次数对应的放电相位;
步骤2、计算出每个样本的局部放电信号的统计算子,根据每个样本的统计算子,标注对应的局部放电类型标签;
步骤3、获取足够多样本后,采用全监督学习对构建的深度神经网络进行训练,到变压器局部放电类型识别模型;
本实施例中,步骤1的具体过程是,采用脉冲电流法分别测量无缺陷故障的绝缘油纸、含气隙缺陷故障的绝缘油纸和含金属杂质故障的绝缘油纸的局部放电信号,得到局部放电信号的放电量-放电相位、放电次数-放电相位以及放电量-放电次数的图谱及其具体原始数据。
本实施例中,步骤2的具体过程是对无缺陷故障的绝缘油纸、含气隙缺陷故障的绝缘油纸和含金属杂质故障的绝缘油纸的局部放电信号,得到局部放电信号的放电量-放电相位、放电次数-放电相位以及放电量-放电次数的图谱及其具体原始数据,进行统计算子的运算,计算的统计算子包括:相位中值μ、偏斜度Sk、峭度Ku、不对称度Asy、互相关系数CC以及Weibull参数α、β。
相位中值μ判断局部放电的相位分布,如式(1);
μ=∑XiPi 式(1)
式中Xi为第i个相位窗口;Pi为出现Xi的概率。偏斜度Sk与峭度Ku分别代表图谱的偏斜程度和图谱分布特性,其公式如式(2)和式(3);
式中:xi代表着第i个放电窗口的相位值,其中μ为相位图谱中放电量的均值,σ代表着放电量或者放电次数相位图谱的标准差。
Asy代表着放电量相对于相位的不对称度:如式(4);
式中:K1和K2分别表示正负半周的相位窗数,ui ﹢和ui ﹣分别表示正负半周第i个相窗内的平均放电的幅值。
互相关系数CC用于评价图谱的正半周放电量或放电次数相位分布图形与负半周相位分布图形形状上的差异,如式(5);
式中:x+与x-分别是在正,负半周内其中一个相位窗口内的平均放电量,N代表正负半周的相位窗口的数目。
Weibull参数α、β。计算公式如式(6)与式(7)所示;
式中:α为图像的尺度参数,β为图像的形状参数,x代表随机变量,在此为放电次数,x0为放电量参数。
具体的提取的特征量类型如表1所示:
表1 局部放电特征量统计
随后采用计算的局部放电信号的特征量进行正则化与初始分类,采用正则化方法为如式(8);
式中:X为局部放电特征参数的集合,max和min分别为最大值和最小值函数,xk为数据集X中的第k个数。
由于原始数据不具有标签,人为给数据添加标签较为困难,因此本方法采用K-Means算法对原始数据进行分类。K-Means算法的目标函数表达式为式(9);
式中:x为局部放电特征参量等待分类的特征参量,E为最小平方误差函数,Ci为试样的分类数,μ为簇Ci的均值向量(或者称为质心),其中μ的表达式如式(10);
本实施例中,深度神经网络的构建步骤为:选用一种新型的三阶神经元,三阶神经元对于非线性函数的模拟增强,对于任意函数能更精确的模拟。三阶神经元的结构与表达式如式(11);
本实施例中,设置深度神经网络的参数和结构,为了实现对电力变压器的局部放电类型的快速准确识别,故对深度神经网络的参数与结构进行寻优,最终的结构选择为了一层输入层、一层输出层和五层隐含层,输入层的神经元数量为16,输出层神经元数量为3,五层隐含层的神经元数量从临近输入端到临近输出端为64–32–32–32–16。该结构相比于其他结构,采用该结构的损失函数下降更快更收敛,同时其结构相对更简单。最终的参数选择为交叉熵损失函数,交叉熵损失函数较常用的均方差损失函数在识别精度上更高且未使得深度神经网络未发生过拟合现象;采用的误差优化算法为Adam算法,Adam算法较梯度下降法与RMSProp算法在损失函数的下降过程中使得损失函数更快收敛且保证神经网络的识别准确率最高;学习率设置为0.001,该学习率相较于其他数值的学习率使得神经网络能更好的兼顾损失函数下降的收敛性与收敛速度。
需要说明的是,将所有组的原始量测数据对应的所有样本随机分为训练集、验证集、测试集三部分,搭建基于深度神经网络的变压器局部放电类型识别***,将训练集输入预判模型进行训练,根据验证集效果调节超参数,最后用测试集检验验证模型的性能。
用同样的输入数据,同时训练上述进行了参数优化且采用三阶神经元的深度神经网络和未进行参数结构寻优且采用单阶神经元的传统神经网络模型,测试结果列于表2中。测试结果表明,进行了参数优化且采用三阶神经元的基于深度神经网络的变压器局部放电类型识别***模型的判断精度相对于未进行参数结构寻优且采用单阶神经元的传统神经网络模型而言有明显的优势,体现了深度学习强大的特征学习能力,充分挖掘了各个参数与结构的优势,导致了更高的判断精度,此也是本发明的优势所在。
表2深层三阶神经网络与单阶传统神经网络分类的比对
以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。本发明未详细描述的技术、形状、构造部分均为公知技术。
Claims (8)
1.基于深度神经网络的变压器局部放电类型识别方法,其特征在于:包括以下步骤,
S1:获取不同故障类型对应的变压器局部放电信号数据,根据每种故障类型对应的局部放电图谱确定样本对应的变压器故障类型标签;
S2:将每组测量的局部放电图谱数据对应的统计算子数据以及对应标签输入基于深度神经网络的变压器局部放电类型识别网络,通过监督学习,训练得到变压器局部放电类型识别模型。
2.根据权利要求1所述的基于深度神经网络的变压器局部放电类型识别方法,其特征在于:所述变压器缺陷类型标签包括无缺陷故障、含气隙缺陷故障和含金属杂质故障,运用脉冲电流法测量不同放电类型对应的变压器局部放电图谱并得到原始测量数据,包括放电量和放电次数,以及局部放电的放电量和放电次数对应的放电相位,计算每组测量得到的原始测量数据的统计算子,并对计算得到原始测量数据的统计算子进行正则化处理,并采用K-Means算法对原始测量数据的统计算子进行初步分类。
3.根据权利要求1所述的基于深度神经网络的变压器局部放电类型识别方法,其特征在于:在步骤S1中,采用脉冲电流法分别测量无缺陷故障的绝缘油纸、含气隙缺陷故障的绝缘油纸和含金属杂质故障的绝缘油纸的局部放电信号,得到局部放电信号的放电量-放电相位、放电次数-放电相位以及放电量-放电次数的图谱及其具体原始数据。
4.根据权利要求3所述的基于深度神经网络的变压器局部放电类型识别方法,其特征在于:对无缺陷故障的绝缘油纸、含气隙缺陷故障的绝缘油纸和含金属杂质故障的绝缘油纸的局部放电信号,得到局部放电信号的放电量-放电相位、放电次数-放电相位以及放电量-放电次数的图谱及其具体原始数据,进行统计算子的运算,计算的统计算子包括:相位中值μ、偏斜度Sk、峭度Ku、不对称度Asy、互相关系数CC以及Weibull参数α、β;其中相位中值μ判断局部放电的相位分布:如式(1)所示:
μ=∑XiPi 式(1)
其中,式中Xi为第i个相位窗口;Pi为出现Xi的概率;
偏斜度Sk与峭度Ku分别代表图谱的偏斜程度和图谱分布特性,如式(2)和式(3)所示:
其中,式中xi代表着第i个放电窗口的相位值,其中μ为相位图谱中放电量的均值,σ代表着放电量或者放电次数相位图谱的标准差;
Asy代表着放电量相对于相位的不对称度,如式(4)所示:
其中:式中:K1和K2分别表示正负半周的相位窗数,ui﹢和ui﹣分别表示正负半周第i个相窗内的平均放电的幅值。
8.根据权利要求7所述的基于深度神经网络的变压器局部放电类型识别方法,其特征在于:再进行设置深度神经网络的参数和结构,使用一层输入层、一层输出层和五层隐含层,输入层的神经元数量为16,输出层神经元数量为3,五层隐含层的神经元数量从临近输入端到临近输出端为64–32–32–32–16,最终的参数选择为交叉熵损失函数,采用Adam算法做为误差优化算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110453216.3A CN113065522A (zh) | 2021-04-26 | 2021-04-26 | 基于深度神经网络的变压器局部放电类型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110453216.3A CN113065522A (zh) | 2021-04-26 | 2021-04-26 | 基于深度神经网络的变压器局部放电类型识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113065522A true CN113065522A (zh) | 2021-07-02 |
Family
ID=76567436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110453216.3A Pending CN113065522A (zh) | 2021-04-26 | 2021-04-26 | 基于深度神经网络的变压器局部放电类型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113065522A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780308A (zh) * | 2021-08-27 | 2021-12-10 | 吉林省电力科学研究院有限公司 | 基于核主元分析与神经网络的gis局部放电模式识别方法及*** |
CN114580973A (zh) * | 2022-04-28 | 2022-06-03 | 沈阳中变电气有限责任公司 | 一种变压器生产过程的质量监测方法及*** |
CN115267462A (zh) * | 2022-09-30 | 2022-11-01 | 丝路梵天(甘肃)通信技术有限公司 | 一种基于自适应标签生成的局部放电类型识别方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112147474A (zh) * | 2020-10-30 | 2020-12-29 | 广东电网有限责任公司阳江供电局 | Xlpe电力电缆典型缺陷局部放电类型识别***及方法 |
-
2021
- 2021-04-26 CN CN202110453216.3A patent/CN113065522A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112147474A (zh) * | 2020-10-30 | 2020-12-29 | 广东电网有限责任公司阳江供电局 | Xlpe电力电缆典型缺陷局部放电类型识别***及方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780308A (zh) * | 2021-08-27 | 2021-12-10 | 吉林省电力科学研究院有限公司 | 基于核主元分析与神经网络的gis局部放电模式识别方法及*** |
CN114580973A (zh) * | 2022-04-28 | 2022-06-03 | 沈阳中变电气有限责任公司 | 一种变压器生产过程的质量监测方法及*** |
CN114580973B (zh) * | 2022-04-28 | 2022-07-08 | 沈阳中变电气有限责任公司 | 一种变压器生产过程的质量监测方法及*** |
CN115267462A (zh) * | 2022-09-30 | 2022-11-01 | 丝路梵天(甘肃)通信技术有限公司 | 一种基于自适应标签生成的局部放电类型识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113065522A (zh) | 基于深度神经网络的变压器局部放电类型识别方法 | |
Tong et al. | Detection and classification of transmission line transient faults based on graph convolutional neural network | |
CN112070128B (zh) | 一种基于深度学习的变压器故障诊断方法 | |
CN110161388B (zh) | 一种高压设备的故障类型识别方法及其*** | |
CN109061426B (zh) | 变压器局部放电故障诊断方法及在线监测装置 | |
CN111239672B (zh) | 基于机器学习算法的光纤电流互感器渐变性故障预测方法 | |
CN112686093A (zh) | 一种基于ds证据理论的融合局部放电类型识别方法 | |
CN112200694A (zh) | 基于图神经网络的主导失稳模式识别模型构建及应用方法 | |
CN116595459A (zh) | 一种基于电场信号的污闪预警方法及*** | |
CN113435492A (zh) | 一种基于主动学习的电力***主导失稳模式判别方法 | |
CN112633315A (zh) | 一种电力***扰动分类方法 | |
CN112084709A (zh) | 基于遗传算法和径向基神经网络的大型发电机绝缘状态评估方法 | |
CN109711687B (zh) | 一种基于改进熵值法的绝缘子状态模糊评估方法 | |
CN112329868B (zh) | 基于clara聚类的制造加工设备群能效状态评价方法 | |
Yang et al. | Event detection, localization, and classification based on semi-supervised learning in power grids | |
CN113985156A (zh) | 一种基于变压器声纹大数据的智能故障识别方法 | |
CN114034997A (zh) | 一种基于多参量的绝缘子劣化程度预测方法及*** | |
CN117554271A (zh) | 一种复合绝缘子的老化识别方法及*** | |
CN109784777B (zh) | 基于时序信息片段云相似度度量的电网设备状态评估方法 | |
Behkam et al. | Detection of Transformer Defects in Smart Environment Using Frequency Response Analysis and Artificial Neural Network Based on Data-Driven Systems | |
CN112287953A (zh) | 一种用于gis绝缘缺陷类别识别的方法及*** | |
CN112147465B (zh) | 基于多重分形与极限学习机的gis局部放电光学诊断方法 | |
CN112505551B (zh) | 一种面向退役动力电池的筛选方法 | |
CN114838923A (zh) | 有载分接开关的故障诊断模型建立方法及故障诊断方法 | |
CN112183745A (zh) | 基于粒子群算法和dbn的高压电缆局部放电模式识别方法 |
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 |
Application publication date: 20210702 |
|
RJ01 | Rejection of invention patent application after publication |