CN113253063A - 基于长短时记忆网络深度学习的故障电弧检测***及方法 - Google Patents
基于长短时记忆网络深度学习的故障电弧检测***及方法 Download PDFInfo
- Publication number
- CN113253063A CN113253063A CN202011180115.5A CN202011180115A CN113253063A CN 113253063 A CN113253063 A CN 113253063A CN 202011180115 A CN202011180115 A CN 202011180115A CN 113253063 A CN113253063 A CN 113253063A
- Authority
- CN
- China
- Prior art keywords
- fault
- long
- time
- memory network
- current
- 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
- 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
- G01R31/1272—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 of cable, line or wire insulation, e.g. using partial discharge 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/083—Locating faults in cables, transmission lines, or networks according to type of conductors in cables, e.g. underground
-
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
-
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
基于长短时记忆网络深度学习的故障电弧检测***及方法,该***包括线缆电流传感器、抗混叠滤波器、A/D变换模块、处理器模块和故障标志显示模块,线缆电流传感器、抗混叠滤波器、A/D变换模块、处理器模块和故障标志显示模块依次连接。处理器模块用于通过长短时记忆网络对数字电流数据进行深度学习,并构建电弧故障检测长短时记忆网络模型,利用训练好的长短时记忆网络模型进行故障电弧得在线辨识。通过对线缆电流信号进行采集、抗混叠滤波、A/D转换以及长短时记忆网络的深度学习,构建长短时记忆网络模型并进行在线辨识,并对电弧故障进行显示。本发明的***操作简单便捷,方法所采用的算法复杂度低、稳定性好,提高了故障电弧检测的实时性和准确性。
Description
技术领域
本发明涉及电气线路检测技术领域,特别是故障电弧检测***及方法。
背景技术
随着我国社会的发展和人民生活水平的提高,商业、工业和民用的用电量越来越大,电路传输***中电缆的使用投入和电路间的连接也大幅增加。由于电路传输***的长距离设置或长时间工作,容易使得电路***出现线路绝缘老化、破损或者电气回路存在汇流盒连接松动等问题,导致电弧故障经常发生。电弧故障持续放电释放出的大量的热可能导致汇流箱与电缆等电气设备烧毁,进一步可能引燃电力***周边的易燃易爆物品,最终引起区域大面积停电及***或火灾事故。
现有进行电路故障电弧检测方法多通过设置阈值进行故障判断,并根据判断的故障结果进行相应的保护。例如中国专利公布号为CN109917241A的发明申请,公开了一种基于小波变换的故障电弧的检测方法,通过小波变换将电流信号分解为低频和高频信号,对低频信号的分析检测电流中的“零休”现象对故障电弧进行检测;中国专利授权公告号为CN107370124B的发明专利,公开了一种基于统计特征提取的电弧故障检测方法,能识别复杂负载环境下的正常工作电流和真实电弧故障信号,通过阈值的设置减少错判或者漏判的可能性。然而上述现有的方法多存在判断逻辑复杂、阈值依赖性强以及稳定性不高的问题。
发明内容
本发明的目的是克服现有技术的上述不足而提供一种基于长短时记忆网络深度学习的故障电弧检测***及方法,通过长短时记忆网络(Long Short Term MemoryNetwork, LSTM)对传输线缆中的电流采样序列及其傅里叶变换构成的特征序列进行深度学习,构建电弧故障检测LSTM模型并对其进行训练,利用训练后的LSTM模型故障电弧进行在线辨识。
本发明的技术方案是:基于长短时记忆网络深度学习的故障电弧检测***,包括线缆电流传感器、抗混叠滤波器、A/D变换模块、处理器模块和故障标志显示模块,线缆电流传感器、抗混叠滤波器、A/D变换模块、处理器模块和故障标志显示模块依次连接。
所述线缆电流传感器用于对传输线缆中的电流信号进行采集并传送至抗混叠滤波器。
所述抗混叠滤波器接收线缆电流传感器输出的电流信号,将该电流信号通过低通滤波器进行滤波预处理,滤除电流信号中包含的非特征分量。
所述A/D变换模块将滤波预处理后的电流信号转化为数字电流数据。
所述处理器模块用于通过长短时记忆网络对数字电流数据进行深度学习,并构建电弧故障检测长短时记忆网络模型,利用训练好的长短时记忆网络模型进行故障电弧得在线辨识。
所述故障标志显示模块根据处理器模块在线辨识的故障电弧的状态给出电弧故障标志。
本发明进一步的技术方案是:所述长短时记忆网络的拓扑结构包括依次连接的序列输入层、长短时记忆网络层、全连接层、softmax层和分类输出层。
本发明再进一步的技术方案是:所述线缆电流传感器选择为电流互感器;抗混叠滤波器选择为通带截止频率为2500赫兹的低通滤波器;A/D变换模块的采样频率为5000赫兹。
本发明的另一技术方案是:应用于前述基于长短时记忆网络深度学习的故障电弧检测***的方法,包括如下步骤:
步骤一,线缆电流信号的采集:设置电流互感器于线缆不同位置处,拾取线缆处的第一模拟电流信号。
步骤二,对获取的第一模拟电流信号进行抗混叠滤波预处理:将第一模拟电流信号通过抗混叠滤波器,得到滤波预处理后的第二模拟电流信号。
步骤三,将经过滤波预处理后的第二模拟电流信号转化为数字电流信号:根据奈奎斯特采样定理,用A/D变换模块对抗混叠滤波预处理后的第二模拟电流信号进行采样,得到相应的数字电流信号的电流数字序列数据。
步骤四,通过长短时记忆网络对数字电流信号的数字序列数据进行深度学习,构建电弧故障检测长短时记忆网络模型,训练电弧故障检测长短时记忆网络模型:通过对电流数字序列数据进行离散傅里叶变换得到故障电弧发生和未发生时线缆中电流的频谱特征数据,并据电流数字序列数据和计算出的频谱特征数据构建电流特征组合序列; 设置故障电弧发生和未发生时的电弧故障标识分别记为“”和“”,对应于每一个电流特征组合序列,依据其线缆电流信号各采集时段故障电弧的发生与否情况,构建对应的长度的电弧故障标识序列,每一个电流特征组合序列与对应的电弧故障标识序列构成一个可用于长短时记忆网络深度学习的训练样本,利用训练样本对长短时记忆网络进行深度学习训练。
步骤五,利用训练好的长短时记忆网络模型进行故障电弧的在线辨识:采集待测电缆处的实时电流信号,通过抗混叠滤波器、A/D转换和离散傅里叶变换得到电流组合特征序列,将该电流组合特征序列输入至该训练完成后的长短时记忆网络进行故障电弧辨识,并传送到故障标志显示模块进行电弧故障的显示。
本发明更进一步的技术方案是:所述长短时记忆网络结构中的长短时记忆网络层选取200个单元,学习训练周期数设置为60。
本发明与现有技术相比具有如下特点:
本发明的基于长短时记忆网络深度学习的故障电弧检测***构成简单,操作性强;进行故障电弧检测所采用的检测算法复杂度低、鲁棒性好,能够显著提高传输电路中故障电弧检测的实时性和准确性。
以下结合附图和具体实施方式对本发明的详细结构作进一步描述。
附图说明
图1为基于LSTM深度学习的故障电弧检测***的结构示意图;
图2为故障电弧检测LSTM的拓扑结构图;
图3为基于LSTM深度学习的故障电弧检测方法的流程图;
图4为电流传感器获取的线电流信号;
图5为线电流信号的频谱图;
图6为故障电弧检测LSTM的训练过程图;
图7为故障电弧检测LSTM对测试数据的响应过程图。
具体实施方式
实施例,如图1所示,基于长短时记忆网络深度学习的故障电弧检测***,包括线缆电流传感器、抗混叠滤波器、A/D变换模块、处理器模块和故障标志显示模块,线缆电流传感器、抗混叠滤波器、A/D变换模块、处理器模块和故障标志显示模块依次连接。
所述线缆电流传感器用于对传输线缆中的电流信号进行采集并传送至抗混叠滤波器。具体地,线缆电流传感器选择为电流互感器。
所述抗混叠滤波器接收线缆电流传感器输出的电流信号,将该电流信号通过低通滤波器进行滤波预处理,滤除电流信号中包含的非特征分量以适当降低A/D变换器的采样速率和后续的信号处理计算的复杂度。
所述A/D变换模块将滤波预处理后的电流信号转化为数字电流数据。
所述处理器模块用于通过长短时记忆网络对数字电流数据进行深度学习,并构建电弧故障检测长短时记忆网络模型,利用训练好的长短时记忆网络模型进行故障电弧得在线辨识。
如图2所示,所述长短时记忆网络的拓扑结构包括依次连接的序列输入层、长短时记忆网络层、全连接层、softmax层和分类输出层。
所述故障标志显示模块根据处理器模块在线辨识的故障电弧的状态给出对应的电弧故障标志,方便用户对发生的故障电弧进行下一步处理。
前述基于长短时记忆网络深度学习的故障电弧检测***进行故障检测的方法,如图3所示,包括如下步骤:
步骤一,线缆电流信号的采集:设置电流互感器于线缆不同位置处,拾取线缆处的第一模拟电流信号。具体地,分别选取阻性、感性和容性负载,获取不同负载情形下故障电弧发生和未发生时线缆电流信号变化的波形若干段,波形如图4所示,不同负载情形下故障电弧发生时线缆电流信号变化呈现整体上的周期性和局部激变发生的随机性。
具体地,我国交流电的频率为50赫兹,即采样得到的电流信号的频率为50赫兹,由于故障电弧与正常波形的主要差异在于瞬间突变信号,故障电弧引入的高频均在2500赫兹以内,故采用通带截止频率为2500赫兹的低通滤波器对拾取的电流信号进行抗混叠滤波预处理。
步骤三,将经过滤波预处理后的第二模拟电流信号转化为数字电流信号:具体地,根据奈奎斯特采样定理,用5000赫兹的采样频率对抗混叠滤波预处理后的第二模拟电流信号进行采样,得到相应数字电流信号的电流数字序列数据。
步骤四,构建样本对所述电弧故障检测长短时记忆网络进行训练,得到电弧故障检测长短时记忆网络模型:通过对电流数字序列数据进行离散傅里叶变换得到该电流序列的频谱特征数据,并据和构建电流特征组合序列,其中;设置故障电弧发生和未发生时的电弧故障标识分别记为“”和“”,对应于每一个上述特征组合序列,依据其线缆电流信号各采集时段故障电弧的发生与否情况,可构建对应长度的电弧故障标识序列。由所述电流特征组合序列和电弧故障标识序列构建二元组(特征组合序列,电弧故障标识)型的样本,以备长短时记忆网络深度学习训练使用。
具体地,将采集的不同负载情形下故障电弧发生和未发生时线缆电流信号的各4000个数据首尾衔接组合构建长度为8000的序列4个,对该4个序列分别做离散傅里叶变换得到如图5所示的同等长度的频谱序列4个,然后将各线缆电流信号的时域序列和对应的频谱序列首尾对齐组合成长度为8000通道宽度为2的特征组合序列;对应于每一个上述特征组合序列,依据其线缆电流信号各采集时段故障电弧的发生与否情况,构建对应的长度为8000的电弧故障标识序列。每一个上述特征组合序列与对应的电弧故障标识序列构成一个样本用做长短时记忆网络深度学习的训练样本。在本训练实例中,长短时记忆网络层选取200个单元,学习训练周期数设置为60,得到如图6所示的故障电弧检测长短时记忆网络的训练过程,从图6中能够看出,经过60周期的学习训练,网络输出故障电弧标识的准确度及信息损失均收敛到理想值。
步骤五,利用训练好的长短时记忆网络模型进行故障电弧得在线辨识:采集待测电缆处的实时电流信号,通过抗混叠滤波器、A/D转换和离散傅里叶变换得到电流组合特征序列,将该电流组合特征序列输入至该训练完成后的长短时记忆网络进行故障电弧辨识,并传送到故障标志显示模块进行电弧故障的显示。
具体地,训练结束后,输入长度为8000的组合测试数据至该长短时记忆网络,其对测试数据的响应过程如图7所示,从图7中能够看出,该响应与测试预期完全吻合,能够通过采集实时电流信号有效地检测出线缆中的故障电弧。
Claims (5)
1.基于长短时记忆网络深度学习的故障电弧检测***,其特征是:包括线缆电流传感器、抗混叠滤波器、A/D变换模块、处理器模块和故障标志显示模块,线缆电流传感器、抗混叠滤波器、A/D变换模块、处理器模块和故障标志显示模块依次连接;
所述线缆电流传感器用于对传输线缆中的电流信号进行采集并传送至抗混叠滤波器;
所述抗混叠滤波器接收线缆电流传感器输出的电流信号,将该电流信号通过低通滤波器进行滤波预处理,滤除电流信号中包含的非特征分量;
所述A/D变换模块将滤波预处理后的电流信号转化为数字电流数据;
所述处理器模块用于通过长短时记忆网络对数字电流数据进行深度学习,并构建电弧故障检测长短时记忆网络模型,利用训练好的长短时记忆网络模型进行故障电弧得在线辨识;
所述故障标志显示模块根据处理器模块在线辨识的故障电弧的状态给出电弧故障标志。
2.如权利要求1所述的基于长短时记忆网络深度学习的故障电弧检测***,其特征是:所述长短时记忆网络的拓扑结构包括依次连接的序列输入层、长短时记忆网络层、全连接层、softmax层和分类输出层。
3.如权利要求1或2所述的基于长短时记忆网络深度学习的故障电弧检测***,其特征是:所述线缆电流传感器选择为电流互感器;抗混叠滤波器选择为通带截止频率为2500赫兹的低通滤波器;A/D变换模块的采样频率为5000赫兹。
4.应用于权利要求1-3任一项所述的基于长短时记忆网络深度学习的故障电弧检测***的方法,其特征是,包括如下步骤:
步骤一,线缆电流信号的采集:设置电流互感器于线缆不同位置处,拾取线缆处的第一模拟电流信号;
步骤二,对获取的第一模拟电流信号进行抗混叠滤波预处理:将第一模拟电流信号通过抗混叠滤波器,得到滤波预处理后的第二模拟电流信号;
步骤三,将经过滤波预处理后的第二模拟电流信号转化为数字电流信号:根据奈奎斯特采样定理,用A/D变换模块对抗混叠滤波预处理后的第二模拟电流信号进行采样,得到相应的数字电流信号的电流数字序列数据;
步骤四,通过长短时记忆网络对数字电流信号的数字序列数据进行深度学习,构建电弧故障检测长短时记忆网络模型,训练电弧故障检测长短时记忆网络模型:通过对电流数字序列数据进行离散傅里叶变换得到故障电弧发生和未发生时线缆中电流的频谱特征数据,并据电流数字序列数据和计算出的频谱特征数据构建电流特征组合序列; 设置故障电弧发生和未发生时的电弧故障标识分别记为“”和“”,对应于每一个电流特征组合序列,依据其线缆电流信号各采集时段故障电弧的发生与否情况,构建对应的长度的电弧故障标识序列,每一个电流特征组合序列与对应的电弧故障标识序列构成一个可用于长短时记忆网络深度学习的训练样本,利用训练样本对长短时记忆网络进行深度学习训练;
步骤五,利用训练好的长短时记忆网络模型进行故障电弧的在线辨识:采集待测电缆处的实时电流信号,通过抗混叠滤波器、A/D转换和离散傅里叶变换得到电流组合特征序列,将该电流组合特征序列输入至该训练完成后的长短时记忆网络进行故障电弧辨识,并传送到故障标志显示模块进行电弧故障的显示。
5.如权利要求4所述的基于长短时记忆网络深度学习的故障电弧检测方法,其特征是:所述长短时记忆网络结构中的长短时记忆网络层选取200个单元,学习训练周期数设置为60。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011180115.5A CN113253063A (zh) | 2020-10-29 | 2020-10-29 | 基于长短时记忆网络深度学习的故障电弧检测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011180115.5A CN113253063A (zh) | 2020-10-29 | 2020-10-29 | 基于长短时记忆网络深度学习的故障电弧检测***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113253063A true CN113253063A (zh) | 2021-08-13 |
Family
ID=77180678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011180115.5A Pending CN113253063A (zh) | 2020-10-29 | 2020-10-29 | 基于长短时记忆网络深度学习的故障电弧检测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113253063A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113834998A (zh) * | 2021-08-28 | 2021-12-24 | 西安交通大学 | 一种基于电力线载波技术的飞机电缆故障检测识别方法 |
CN117491793A (zh) * | 2023-12-29 | 2024-02-02 | 国网浙江省电力有限公司电力科学研究院 | 一种氢电耦合***综合性能测试方法、装置及介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104237737A (zh) * | 2014-05-31 | 2014-12-24 | 三科电器集团有限公司 | 一种故障电弧频域检测装置 |
CN107064752A (zh) * | 2017-03-22 | 2017-08-18 | 北京航空航天大学 | 一种航空故障电弧检测的判别算法 |
CN110082640A (zh) * | 2019-05-16 | 2019-08-02 | 国网安徽省电力有限公司 | 一种基于长短时记忆网络的配网单相接地故障辨识方法 |
CN110188176A (zh) * | 2019-04-30 | 2019-08-30 | 深圳大学 | 深度学习神经网络及训练、预测方法、***、设备、介质 |
CN110417351A (zh) * | 2019-08-01 | 2019-11-05 | 上海理工大学 | 光伏***直流侧电弧故障检测***及检测方法 |
CN110488161A (zh) * | 2019-07-23 | 2019-11-22 | 南京航空航天大学 | 一种多负载串联电弧故障检测及定位方法 |
CN110568327A (zh) * | 2019-09-03 | 2019-12-13 | 复旦大学 | 一种基于机器学习的光伏***直流故障电弧检测方法 |
CN110726505A (zh) * | 2019-10-23 | 2020-01-24 | 上海电力高压实业有限公司 | 基于长短时记忆网络的输电杆塔螺栓紧固检测方法及*** |
CN110793693A (zh) * | 2019-11-04 | 2020-02-14 | 深圳蓝胖子机器人有限公司 | 基于力传感器滑动预测方法、装置、电子设备及存储介质 |
CN111123048A (zh) * | 2019-12-23 | 2020-05-08 | 温州大学 | 一种基于卷积神经网络的串联故障电弧检测装置及方法 |
CN111239569A (zh) * | 2020-03-12 | 2020-06-05 | 杭州电弧数据科技有限公司 | 电弧故障检测方法、装置、设备及存储介质 |
CN111273101A (zh) * | 2020-02-25 | 2020-06-12 | 江门市天一达电气科技有限公司 | 一种故障电弧检测方法、装置及存储介质 |
CN111681132A (zh) * | 2020-06-17 | 2020-09-18 | 四川大学 | 适用于海量类别不平衡负荷数据的典型用电模式提取方法 |
-
2020
- 2020-10-29 CN CN202011180115.5A patent/CN113253063A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104237737A (zh) * | 2014-05-31 | 2014-12-24 | 三科电器集团有限公司 | 一种故障电弧频域检测装置 |
CN107064752A (zh) * | 2017-03-22 | 2017-08-18 | 北京航空航天大学 | 一种航空故障电弧检测的判别算法 |
CN110188176A (zh) * | 2019-04-30 | 2019-08-30 | 深圳大学 | 深度学习神经网络及训练、预测方法、***、设备、介质 |
CN110082640A (zh) * | 2019-05-16 | 2019-08-02 | 国网安徽省电力有限公司 | 一种基于长短时记忆网络的配网单相接地故障辨识方法 |
CN110488161A (zh) * | 2019-07-23 | 2019-11-22 | 南京航空航天大学 | 一种多负载串联电弧故障检测及定位方法 |
CN110417351A (zh) * | 2019-08-01 | 2019-11-05 | 上海理工大学 | 光伏***直流侧电弧故障检测***及检测方法 |
CN110568327A (zh) * | 2019-09-03 | 2019-12-13 | 复旦大学 | 一种基于机器学习的光伏***直流故障电弧检测方法 |
CN110726505A (zh) * | 2019-10-23 | 2020-01-24 | 上海电力高压实业有限公司 | 基于长短时记忆网络的输电杆塔螺栓紧固检测方法及*** |
CN110793693A (zh) * | 2019-11-04 | 2020-02-14 | 深圳蓝胖子机器人有限公司 | 基于力传感器滑动预测方法、装置、电子设备及存储介质 |
CN111123048A (zh) * | 2019-12-23 | 2020-05-08 | 温州大学 | 一种基于卷积神经网络的串联故障电弧检测装置及方法 |
CN111273101A (zh) * | 2020-02-25 | 2020-06-12 | 江门市天一达电气科技有限公司 | 一种故障电弧检测方法、装置及存储介质 |
CN111239569A (zh) * | 2020-03-12 | 2020-06-05 | 杭州电弧数据科技有限公司 | 电弧故障检测方法、装置、设备及存储介质 |
CN111681132A (zh) * | 2020-06-17 | 2020-09-18 | 四川大学 | 适用于海量类别不平衡负荷数据的典型用电模式提取方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113834998A (zh) * | 2021-08-28 | 2021-12-24 | 西安交通大学 | 一种基于电力线载波技术的飞机电缆故障检测识别方法 |
CN117491793A (zh) * | 2023-12-29 | 2024-02-02 | 国网浙江省电力有限公司电力科学研究院 | 一种氢电耦合***综合性能测试方法、装置及介质 |
CN117491793B (zh) * | 2023-12-29 | 2024-05-10 | 国网浙江省电力有限公司电力科学研究院 | 一种氢电耦合***综合性能测试方法、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101673934B (zh) | 串联电弧故障断路器及其串联电弧故障保护的方法 | |
CN108181547B (zh) | 基于时间序列压缩的动态时间弯曲距离故障区段定位方法 | |
CN104808050B (zh) | 一种限压型电涌保护器阻性电流在线监测方法和装置 | |
CN110007197B (zh) | 串联电弧故障检测***及检测方法 | |
CN113253063A (zh) | 基于长短时记忆网络深度学习的故障电弧检测***及方法 | |
CN111521919A (zh) | 一种低压台区零线带电故障诊断装置及诊断与定位方法 | |
CN110261746B (zh) | 基于振荡波电压周期衰减特性的电缆缺陷检测方法 | |
CN103018629A (zh) | 一种基于马拉算法的电力***故障录波数据分析方法 | |
CN210111945U (zh) | 光伏***直流侧电弧故障检测*** | |
CN112069930A (zh) | 提升gis设备故障诊断准确率的振动信号处理方法及装置 | |
CN110703078A (zh) | 基于频谱能量分析与自组织竞争算法的gis故障诊断方法 | |
CN107525996A (zh) | 一种串补装置限压器泄漏电流在线监测方法及*** | |
CN201562949U (zh) | 串联电弧故障断路器 | |
CN113917294B (zh) | 基于小波分解的智能自适应电弧检测方法及其应用装置 | |
CN102680862A (zh) | 并联电容器局部放电在线监测装置及方法 | |
CN111679162B (zh) | 一种变电站电缆的绝缘监测方法及装置 | |
CN107632237A (zh) | 一种基于故障后小波特征量相关性的单相接地故障选线方法 | |
CN116842425A (zh) | 一种低压交流***中故障电弧的检测方法 | |
CN204666717U (zh) | 一种限压型电涌保护器阻性电流在线监测装置 | |
CN115808600B (zh) | 基于数学形态学和模式识别的直流电弧检测方法 | |
US20220376501A1 (en) | Anomaly detection in energy systems | |
CN112485715B (zh) | 一种基于电流零休暂态特征的可靠选线方法及装置 | |
CN113514720B (zh) | 一种边缘侧低压交流串联的电弧故障识别方法 | |
CN112986665B (zh) | 二次地网电压监测装置和方法 | |
CN202331144U (zh) | 一种防盗油气管线远程监控*** |
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: 20210813 |
|
RJ01 | Rejection of invention patent application after publication |