CN113239623B - 一种适用于电力装备的故障定位方法 - Google Patents

一种适用于电力装备的故障定位方法 Download PDF

Info

Publication number
CN113239623B
CN113239623B CN202110539549.8A CN202110539549A CN113239623B CN 113239623 B CN113239623 B CN 113239623B CN 202110539549 A CN202110539549 A CN 202110539549A CN 113239623 B CN113239623 B CN 113239623B
Authority
CN
China
Prior art keywords
transformer
inversion
power equipment
field
temperature
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
Application number
CN202110539549.8A
Other languages
English (en)
Other versions
CN113239623A (zh
Inventor
严英杰
刘亚东
江秀臣
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202110539549.8A priority Critical patent/CN113239623B/zh
Publication of CN113239623A publication Critical patent/CN113239623A/zh
Application granted granted Critical
Publication of CN113239623B publication Critical patent/CN113239623B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种适用于电力装备的故障定位方法，包括，基于多物理场仿真策略构建正演计算模型，通过正演计算模型对电力装备内部各单物理场进行正演仿真计算；根据监测***采集的变压器可观测数据进行反演计算，获得变压器内部的损耗分布；根据正演计算模型和损耗分布，构建电力装备反演模型；将变压器表面温度输入至电力装备反演模型中，采用遗传算法对变压器内部各部件的多点温度进行多物理场多参数反演寻优，得到变压器内部的温度场参数分布情况；根据变压器内部的温度场参数分布情况对电力装备进行故障定位；本发明能够及时且准确地预测电力装备故障异常，为运维人员处理异常现象提供重要的依据。

Description

一种适用于电力装备的故障定位方法
技术领域
本发明涉及的技术领域，尤其涉及一种适用于电力装备的故障定位方法。
背景技术
电力设备运行时，由于绝缘老化，接触不良等各种原因引起的设备发热故障，如常见的隔离开关发热，电阻损耗发热，导线线夹发热等，为电网运行安全带来重大隐患，严重时造成设备退出运行，甚至火灾。因此，电力设备的故障检测是电力设备安全研究的重要课题之一。
传统的电力设备故障检测采用停电检修的方式，费时费力，随着红外热成像仪的引进，如今的热故障检测方式普遍采用红外热像仪对电力设备进行检测。与传统方法相比，红外热像仪可以实现远距离，不取样，不触体，不断电，又具有准确，快速直观等特点。如今，固定式红外热成像探头已经在各变电站等场所普及，但仍需工作人员在数据接收端对故障进行人工判定，从而严重降低了整个智能诊断的准确性和效率。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种适用于电力装备的故障定位方法，能够解决现有技术中对电力设备故障定位不准确，检测难度大的问题。
为解决上述技术问题，本发明提供如下技术方案：包括，基于多物理场仿真策略构建正演计算模型，通过所述正演计算模型对电力装备内部各单物理场进行正演仿真计算；根据监测***采集的变压器可观测数据进行反演计算，获得变压器内部的损耗分布；根据所述正演计算模型和损耗分布，构建电力装备反演模型；将变压器表面温度输入至所述电力装备反演模型中，采用遗传算法对变压器内部各部件的多点温度进行多物理场多参数反演寻优，得到变压器内部的温度场参数分布情况；根据所述变压器内部的温度场参数分布情况对电力装备进行故障定位。
作为本发明所述的适用于电力装备的故障定位方法的一种优选方案，其中：所述正演计算模型包括，所述正演计算模型如下：
Figure BDA0003068321010000021
其中，t为流体表面温度，ρ为流体密度，V为流体速度，k为微元面积矢量dS外法线的单位矢量；F为单位质量流体所受到的质量力；Π为微元面积矢量dS的应力张量；c为流体的比热容；T为控制体的温度；λ为导热系数；Q为对应微元的生热量；▽为调和算子；x，y，z表示空间坐标系的三个轴；u，v，w分别为流体速度V在x，y，z方向上的速度分量。
作为本发明所述的适用于电力装备的故障定位方法的一种优选方案，其中：所述流体密度包括，
Figure BDA0003068321010000022
其中，g为流体的热导率。
作为本发明所述的适用于电力装备的故障定位方法的一种优选方案，其中：所述变压器可观测数据包括电压、电流以及负荷信息。
作为本发明所述的适用于电力装备的故障定位方法的一种优选方案，其中：所述反演计算包括，通过下式进行反演计算：
Figure BDA0003068321010000023
其中，H为磁场强度，J为电流密度，t为时间，D为电通量密度，E为电场强度，B为磁通量密度，σ为电荷密度。
作为本发明所述的适用于电力装备的故障定位方法的一种优选方案，其中：还包括，通过边界条件约束磁场场域边界值和场域法向倒数：
Figure BDA0003068321010000031
其中，Φ为边界区域势的分布，m为边界处的外法线矢量，Γ1和Γ2为诺伊曼边界。
作为本发明所述的适用于电力装备的故障定位方法的一种优选方案，其中：构建所述电力装备反演模型包括，
Figure BDA0003068321010000032
其中，f(x)为目标函数，cp为空气的恒压热容，T为变压器的温度，t为时间，x为节点温度，P为变压器的热功率。
作为本发明所述的适用于电力装备的故障定位方法的一种优选方案，其中：所述多物理场多参数反演寻优包括，在变量x的可行域内随机生成N个个体，获得种群规模N；设定x的可视域，步长，拥挤度因子δ和尝试次数；计算种群适应值，取最大的适应值赋给公告板；通过觅食行为、聚群行为、追尾行为更新x，生成新种群；若某个体优于所述公告板，则将所述公告板更新为该个体；当公告板上最优解达到满意误差界内，寻优结束；否则继续更新x。
作为本发明所述的适用于电力装备的故障定位方法的一种优选方案，其中：所述更新x包括，所述觅食行为：设节点温度x的当前状态为Xi，在所述可视域内随机选择一个状态Xj，若f(Xi)＞f(Xj)，则向该方向前进一步；否则，则重新随机选择状态Xj，判断是否满足前进条件；若判断次数达到所述尝试次数后，仍不满足前进条件，则随机移动一步；所述聚群行为：设节点温度x的当前状态为Xi，探索所述可视域内x的伙伴数目xf及中心位置Xc，若中心位置的目标函数f(Xc)大于当前位置的目标函数值f(Xi)，则朝中心位置Xc方向前进一步；否则执行所述觅食行为；所述追尾行为：探索所述可视域内的伙伴数目xf及最大的目标函数值f(Xj)，若所述最大的目标函数值f(Xj)大于所述当前位置的目标函数值f(Xi)，则朝伙伴的中心位置方向前进一步；否则执行觅食行为。
本发明的有益效果：本发明根据电力装备的历史运行数据以及内部温度场反演数据，构建预测精度高且适用于时滞特性预测的模型，能够及时预测电力装备故障异常，为运维人员处理异常现象提供重要的依据，并为故障的提前处理创造了宝贵的时间。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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它的附图。其中：
图1为本发明第一个实施例所述的一种适用于电力装备的故障定位方法的流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1，为本发明的第一个实施例，该实施例提供了一种适用于电力装备的故障定位方法，包括：
S1：基于多物理场仿真策略构建正演计算模型，通过正演计算模型对电力装备内部各单物理场进行正演仿真计算。
在进行温度场分析时，需要同时考虑流体、固体以及传热等多方面因素对温度的影响，基于多物理场仿真策略且满足质量守恒定律、动量守恒定律以及能量守恒定律，建立变压器内部温度场的正演计算模型：
Figure BDA0003068321010000051
流体密度ρ为：
Figure BDA0003068321010000052
其中，g为流体的热导率，t为流体表面温度，ρ为流体密度，V为流体速度，k为微元面积矢量dS外法线的单位矢量；F为单位质量流体所受到的质量力；Π为微元面积矢量dS的应力张量；c为流体的比热容；T为控制体的温度；λ为导热系数；Q为对应微元的生热量；▽为调和算子；x，y，z表示空间坐标系的三个轴；u，v，w分别为流体速度V在x，y，z方向上的速度分量。
S2：根据监测***采集的变压器可观测数据进行反演计算，获得变压器内部的损耗分布。
通过监测***采集变压器的电压、电流以及负荷信息，并通过麦克斯韦方程组进行反演计算：
Figure BDA0003068321010000061
其中，H为磁场强度，J为电流密度，t为时间，D为电通量密度，E为电场强度，B为磁通量密度，σ为电荷密度。
同时，根据狄利克莱边界条件(Dirichlet)和诺伊曼边界条件(Neumann)设定齐次边界条件约束磁场场域边界值和场域法向倒数；
狄利克莱边界条件：
Φ|Γ＝g(Γ)
诺伊曼边界条件：
Figure BDA0003068321010000062
齐次边界条件：
Figure BDA0003068321010000063
其中，Φ为边界区域势的分布，m为边界处的外法线矢量，Γ1和Γ2为诺伊曼边界。
S3：根据正演计算模型和损耗分布，构建电力装备反演模型。
为了保证反演计算的准确性，将变压器内部的损耗分布导入变压器内部温度场的正演计算模型，并建立目标函数和约束条件，获得电力装备反演模型。
目标函数和约束条件如下：
Figure BDA0003068321010000064
其中，f(x)为目标函数，cp为空气的恒压热容，T为变压器的温度，t为时间，x为节点温度，P为变压器的热功率。
S4：将变压器表面温度输入至电力装备反演模型中，采用遗传算法对变压器内部各部件的多点温度进行多物理场多参数反演寻优，得到变压器内部的温度场参数分布情况；根据变压器内部的温度场参数分布情况对电力装备进行故障定位。
多物理场多参数反演寻优的步骤如下：
(1)在变量x的可行域内随机生成N个个体，获得种群规模N；其中，变量x的可行域为：x≥0。
(2)设定x的可视域，步长，拥挤度因子δ和尝试次数；
具体的参数设置如表1所示。
参数 可视域 步长 拥挤度因子 尝试次数 个体数量
取值 [0，1] 0.1 0.618 100 200
(3)计算种群适应值，取最大的适应值赋给公告板；
通过下式计算适应度：
Figure BDA0003068321010000071
进一步的，将Fit(x)max赋给公告板，其中需要说明的是，公告板是记录f(x)最优值地方。
(4)通过觅食行为、聚群行为、追尾行为更新x，生成新种群；
①觅食行为：设节点温度x的当前状态为Xi，在可视域内随机选择一个状态Xj，若f(Xi)＞f(Xj)，则向该方向前进一个单位步长；否则，则重新随机选择状态Xj，判断是否满足前进条件f(Xi)＞f(Xj)；若判断次数达到100次后，仍不满足前进条件，则随机移动一个单位步长；
②聚群行为：设节点温度x的当前状态为Xi，探索可视域内x的伙伴数目xf及中心位置Xc，若中心位置的目标函数f(Xc)大于当前位置的目标函数值f(Xi)，即
Figure BDA0003068321010000072
则朝中心位置Xc方向前进一个单位步长；否则执行觅食行为；
③追尾行为：设节点温度x的当前状态为Xi，探索可视域内的伙伴数目xf及最大的目标函数值f(Xj)，若最大的目标函数值f(Xj)大于当前位置的目标函数值f(Xi)，即
Figure BDA0003068321010000081
则朝伙伴的中心位置方向前进一步；否则执行觅食行为。
(5)若某个体优于公告板，则将公告板更新为该个体；
每个个体在执行完一次迭代后将自身当前状态与公告板中记录的状态进行比较，若优于公告板中的状态则用自身状态更新，否则公告板的状态不变。
(6)当公告板上最优解达到满意误差界内，寻优结束；否则返回步骤(3)。
设置误差为0.01；当整个寻优迭代结束后，输出此时公告板的值，即为所求的目标函数最优解。
实施例2
为了对本方法中采用的技术效果加以验证说明，本实施例选择传统的电力设备故障定位方法和采用本方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
传统的电力设备故障定位方法对电力设备红外热像图进行简单的阈值分割或分水岭算法分割出发热部位，该方法分割出来的发热部位往往包含许多非感兴趣区域图像或丢失许多感兴趣区域图像，严重影响之后发热部位识别的准确性，严重降低了整个智能诊断的准确性和效率。
为验证本方法相对传统的电力设备故障定位方法具有较高的故障定位准确率，本实施例中将采用传统的电力设备故障定位方法和本方法分别对某变电站的电容柜进行故障定位。
采用传统的电力设备故障定位方法分别采集电容柜CC1、CC2和CCC3的红外热像图，通过阈值分割出发热部位，根据发热部位定位电容柜故障，并统计故障定位准确率；分别将电容柜CC1、CC2和CCC3的表面温度输入至本方法的电力装备反演模型中，获得故障定位结果，具体数据如下表。
表2：电容柜的故障定位结果对比。
Figure BDA0003068321010000082
由上表可见，本方法相较于传统的电力设备故障定位方法，故障定位准确率较高。
应说明的是，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精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种适用于电力装备的故障定位方法，其特征在于：包括，
基于多物理场仿真策略构建正演计算模型，通过所述正演计算模型对电力装备内部各单物理场进行正演仿真计算；
根据监测***采集的变压器可观测数据进行反演计算，获得变压器内部的损耗分布；
根据所述正演计算模型和损耗分布，构建电力装备反演模型；
将变压器表面温度输入至所述电力装备反演模型中，采用遗传算法对变压器内部各部件的多点温度进行多物理场多参数反演寻优，得到变压器内部的温度场参数分布情况；
根据所述变压器内部的温度场参数分布情况对电力装备进行故障定位；
所述正演计算模型包括，
所述正演计算模型如下：
Figure FDA0003799692760000011
其中，t为流体表面温度，ρ为流体密度，V为流体速度，k为微元面积矢量dS外法线的单位矢量；F为单位质量流体所受到的质量力；Π为微元面积矢量dS的应力张量；c为流体的比热容；T为控制体的温度；λ为导热系数；Q为对应微元的生热量；▽为调和算子；x，y，z表示空间坐标系的三个轴；u，v，w分别为流体速度V在x，y，z方向上的速度分量；
所述反演计算包括，
通过下式进行反演计算：
Figure FDA0003799692760000012
其中，H为磁场强度，J为电流密度，t为时间，D为电通量密度，E为电场强度，B为磁通量密度，σ为电荷密度；
构建所述电力装备反演模型包括，
Figure FDA0003799692760000021
s.t.x≥0
其中，f(x)为目标函数，cp为空气的恒压热容，T为变压器的温度，t为时间，x为节点温度，P为变压器的热功率。
2.如权利要求1所述的适用于电力装备的故障定位方法，其特征在于：所述流体密度包括，
Figure FDA0003799692760000022
其中，g为流体的热导率。
3.如权利要求1或2所述的适用于电力装备的故障定位方法，其特征在于：所述变压器可观测数据包括电压、电流以及负荷信息。
4.如权利要求3所述的适用于电力装备的故障定位方法，其特征在于：还包括，
通过边界条件约束磁场场域边界值和场域法向倒数：
Figure FDA0003799692760000023
其中，Φ为边界区域势的分布，m为边界处的外法线矢量，Γ1和Γ2为诺伊曼边界。
5.如权利要求4所述的适用于电力装备的故障定位方法，其特征在于：所述多物理场多参数反演寻优包括，
在变量x的可行域内随机生成N个个体，获得种群规模N；
设定x的可视域，步长，拥挤度因子δ和尝试次数；
计算种群适应值，取最大的适应值赋给公告板；
通过觅食行为、聚群行为、追尾行为更新x，生成新种群；
若某个体优于所述公告板，则将所述公告板更新为该个体；
当公告板上最优解达到满意误差界内，寻优结束；否则继续更新x。
6.如权利要求5所述的适用于电力装备的故障定位方法，其特征在于：所述更新x包括，
所述觅食行为：设节点温度x的当前状态为Xi，在所述可视域内随机选择一个状态Xj，若f(Xi)>f(Xj)，则向该方向前进一步；否则，则重新随机选择状态Xj，判断是否满足前进条件；若判断次数达到所述尝试次数后，仍不满足前进条件，则随机移动一步；
所述聚群行为：设节点温度x的当前状态为Xi，探索所述可视域内x的伙伴数目xf及中心位置Xc，若中心位置的目标函数f(Xc)大于当前位置的目标函数值f(Xi)，则朝中心位置Xc方向前进一步；否则执行所述觅食行为；
所述追尾行为：探索所述可视域内的伙伴数目xf及最大的目标函数值f(Xj)，若所述最大的目标函数值f(Xj)大于所述当前位置的目标函数值f(Xi)，则朝伙伴的中心位置方向前进一步；否则执行觅食行为。
CN202110539549.8A 2021-05-17 2021-05-17 一种适用于电力装备的故障定位方法 Active CN113239623B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110539549.8A CN113239623B (zh) 2021-05-17 2021-05-17 一种适用于电力装备的故障定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110539549.8A CN113239623B (zh) 2021-05-17 2021-05-17 一种适用于电力装备的故障定位方法

Publications (2)

Publication Number Publication Date
CN113239623A CN113239623A (zh) 2021-08-10
CN113239623B true CN113239623B (zh) 2022-11-18

Family

ID=77134891

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110539549.8A Active CN113239623B (zh) 2021-05-17 2021-05-17 一种适用于电力装备的故障定位方法

Country Status (1)

Country Link
CN (1) CN113239623B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114279573A (zh) * 2021-12-14 2022-04-05 国网电力科学研究院武汉南瑞有限责任公司 一种基于避雷器表面温升的内部故障反演检测方法
CN116413541A (zh) * 2023-03-28 2023-07-11 国网山东省电力公司德州供电公司 一种基于数字孪生和闭环寻优的变压器状态感知方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107273687A (zh) * 2017-06-16 2017-10-20 浙江大学 kbAFSA的超临界水氧化反应动力学模型参数估计方法
CN110687397A (zh) * 2019-09-30 2020-01-14 上海电力大学 一种基于改进人工鱼群算法的主动配电网故障定位方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106549394B (zh) * 2016-12-07 2018-11-27 东北大学 基于双鱼群算法的电力无功优化***及方法
CN112528546B (zh) * 2020-12-29 2022-02-15 中国地质大学（武汉） 一种非结构化网格的重磁数据三维正反演方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107273687A (zh) * 2017-06-16 2017-10-20 浙江大学 kbAFSA的超临界水氧化反应动力学模型参数估计方法
CN110687397A (zh) * 2019-09-30 2020-01-14 上海电力大学 一种基于改进人工鱼群算法的主动配电网故障定位方法

Also Published As

Publication number Publication date
CN113239623A (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
CN113239623B (zh) 一种适用于电力装备的故障定位方法
Illias et al. Estimation of transformer parameters from nameplate data by imperialist competitive and gravitational search algorithms
CN112149873B (zh) 一种基于深度学习的低压台区线损合理区间预测方法
CN113204922B (zh) 一种变压器运行状态监控与预测方法
CN115659799B (zh) 一种具备阈值自适应功能的锂电储能电站故障诊断方法
CN112180204A (zh) 一种基于电气量信息的电网线路故障诊断方法
CN108918111A (zh) 基于k-近邻贝叶斯多标签分类的断路器机械故障诊断方法
CN108181891A (zh) 基于智能核主元分析的工业大数据故障诊断方法
CN109918720A (zh) 基于磷虾群优化支持向量机的变压器故障诊断方法
CN114156916B (zh) 一种基于磁体状态预测的超导储能***控制方法及装置
CN114910756A (zh) 一种低压母线槽的绝缘性能评估方法及***
CN114186437A (zh) 一种面向电源***可靠性仿真分析的多物理场耦合退化模型降阶方法
CN116485049B (zh) 一种基于人工智能的电能计量误差预测与优化***
CN113378375A (zh) 一种变压器绝缘结构的故障预测方法、装置、设备及介质
CN115640732B (zh) 一种基于磁场分布的配电网电弧故障定位方法
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
CN107766660B (zh) 一种单根隧道电缆稳态温升快速获取方法
Luo et al. A Method for Hot Spot Temperature Monitoring of Oil-Immersed Transformers Combining Physical Simulation and Intelligent Neural Network
CN112507577B (zh) 基于模式识别的gis断路器触头稳态温度计算方法和***
Bai et al. Abnormal Detection Scheme of Substation Equipment based on Intelligent Fusion Terminal
Kejie et al. A Multi-sensor Fusion Approach for Susceptibility Analysis in Smart Substation based on Deep Bayesian Network
Selzer et al. Physics-guided machine learning techniques for improving temperature calculations of high-voltage transmission lines
Kou et al. Design of Electronic Voltage Transformer Error Pattern Recognition and Classification Algorithm Based on Data Mining
CN117725805B (zh) 一种优化的深度算子网络的磁场快速计算方法
Jiao et al. Real-time Evaluation Model Construction of GIS Conductor Thermal State Based on PSO-BP Neural Network

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