CN114814501A - 一种电容式电压互感器电容击穿故障在线诊断方法 - Google Patents
一种电容式电压互感器电容击穿故障在线诊断方法 Download PDFInfo
- Publication number
- CN114814501A CN114814501A CN202210758583.9A CN202210758583A CN114814501A CN 114814501 A CN114814501 A CN 114814501A CN 202210758583 A CN202210758583 A CN 202210758583A CN 114814501 A CN114814501 A CN 114814501A
- Authority
- CN
- China
- Prior art keywords
- capacitor
- cvt
- breakdown
- samples
- voltage
- 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
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/02—Testing or calibrating of apparatus covered by the other groups of this subclass of auxiliary devices, e.g. of instrument transformers according to prescribed transformation ratio, phase angle, or wattage rating
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本申请涉及一种电容式电压互感器电容击穿故障在线诊断方法,包括以下具体步骤:S1.CVT在线监测***收集同母线上同相同一型号CVT的二次电压幅值数据,构建数据集并贴上相应标签;S2.利用组间幅值比参量构造特征向量集,对经过预处理后的数据集进行特征提取;S3.采用KNN机器学习的方式,训练KNN模型,调整相应超参数,输出最优KNN模型;S4.将CVT在线监测***中的二次电压幅值数据输入最优KNN模型,对待测CVT的电容击穿状态进行实时诊断。本发明对CVT电容击穿故障进行在线诊断,实时反馈CVT中电容所处状态,进而保证电网运行的稳定性及安全性能。
Description
技术领域
本申请涉及电容击穿故障在线诊断领域,具体涉及一种电容式电压互感器电容击穿故障在线诊断方法。
背景技术
电容式电压互感器(CVT)相较于传统电磁式互感器具有抗铁磁谐振能力强,制造成本低,体积小,重量轻等特点。然而因为CVT内部结构复杂,运行状态易受环境因素影响,在长期运行过程中容易出现误差超差及绝缘性能劣化等异常状态,从而影响电能计量的准确性及电力***的安全性。其中,作为影响CVT状态的一个主要因素,绝缘性能的状态主要由CVT内绝缘结构中的电容和绝缘介质状态决定。相较于存在许多成熟的表征状态方法的绝缘介质,目前没有一个准确的方法能够在线表征电容状态。 而对电容状态进行实时在线监测,能够对CVT的状态做出及时的判断,方便相关运行维护人员进行检修维护工作。如果不能及时发现电容状态异常,将导致互感器状态异常,从而影响电网运行,甚至引起***造成人员安全问题。为避免二次信息***信息源的不准确,并减少电能计量的损失和保证测控保护装置的正常运行,如何准确进行CVT电容击穿故障在线诊断是一项技术难题。
发明内容
本申请实施例的目的在于提供一种电容式电压互感器电容击穿故障在线诊断方法,对CVT电容击穿故障进行在线诊断,实时反馈CVT中电容所处状态,进而保证电网运行的稳定性及安全性能。
为实现上述目的,本申请提供如下技术方案:
本申请实施例提供一种电容式电压互感器电容击穿故障在线诊断方法,包括以下具体步骤:
S1.CVT在线监测***收集同母线上同相同一型号CVT的二次电压幅值数据,构建数据集并贴上相应标签;
S2.利用组间幅值比参量构造特征向量集,对经过预处理后的数据集进行特征提取;
S3.采用KNN机器学习的方式,训练KNN模型,调整相应超参数,输出最优KNN模型;
S4.将CVT在线监测***中的二次电压幅值数据输入最优KNN模型,对待测CVT的电容击穿状态进行实时诊断。
所述构建数据集的具体方法为,从在线监测***中筛选一条母线上的所有采用同种接线方式的同种型号且同相的CVT的二次电压幅值和计量误差的历史数据,根据电容击穿和CVT变比的关系可将各时刻样本数据进行人工分类,电容击穿状态类别为,其中表示电容未击穿,表示单个高压电容击穿,表示两个高压电容击穿,表示单个中压电容击穿,表示两个中压电容击穿,将其中一个CVT作为电容击穿故障诊断的待测CVT,从选取的数据集合中选取只有待测CVT发生电容异常状态或者所有CVT都处于正常状态的样本作为后续电容击穿在线诊断的数据集D。
所述利用组间幅值比参量构造特征向量集,对经过预处理后的数据集进行特征提取具体为,
将数据集D拆分为训练集和测试集;
对训练集中的样本进行归一化处理;
根据组间幅值比参量构建CVT电容击穿在线诊断的特征向量用以消除一次电压对电容击穿在线诊断结果产生的影响。
将数据集D拆分为训练集和测试集具体方法是,设置训练集和测试集的样本比例为7:3,若数据集D的样本数量为,则训练集的样本数量为,测试集的样本数量为,从数据集D中随机无放回的抽取样本至训练样本集中,一共抽取次,数据集D中剩余样本构成测试集。
所述对训练集中的样本进行归一化处理具体为,
将形式转换后的比差公式代入组间幅值比参量
由于两个CVT接入同一母线上,且为同一型号,表征同一相,可以认为其一次电压和额定变比相同,即上式可以简化为
即近似认为两个组间CVT的二次电压值与两个CVT的比差相关,从而消除一次电压值的影响,在同一条母线中,假设存在n组同一型号的CVT,,则对于n组CVT中位于同相的CVT而言,选择其中一个CVT进行电容击穿在线诊断,将该CVT记为G,则同母线下的各组同相CVT的集合可记为,据此设置的单个样本的组间幅值比参量的特征向量集为
将该特征向量集合,作为电容击穿在线诊断的特征向量集,对完成归一化操作后的训练集进行特征向量集提取后,则训练集的样本为,对应的类别为,测试集的样本使用归一化处理的训练集对应的和进行对应归一化得到训练集和对应类别。
所述采用KNN机器学习的方式,训练KNN模型,调整相应超参数,输出最优KNN模型具体为,
S32.从测试集中选取一个样本,计算其与所有训练样本的距离,其中使用的距离度量是闵式距离
与现有技术相比,本发明的有益效果是:
提出了一种基于KNN的电容式电压互感器电容击穿故障在线诊断的方案。根据组间幅值比参量构造特征向量,利用KNN构造电容式电压互感器电容击穿在线诊断模型。将CVT在线监测***实时数据输入训练好的KNN模型,对当前CVT电容击穿故障状态进行实时诊断。对CVT电容击穿故障进行在线诊断,实时反馈CVT中电容所处状态,进而保证电网运行的稳定性及安全性能。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1是本申请实施例方法流程示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明第一方面提供了一种电容式电压互感器电容击穿故障在线诊断方法,如图1所示,
Step1:数据集的采集
通过CVT在线监测***采集二次电压幅值信息。具体方式是从在线监测***中筛选一条母线上的所有采用同种接线方式的同种型号且同相的CVT的二次电压幅值和计量误差的历史数据,根据电容击穿和CVT变比的关系可将各时刻样本数据进行人工分类,电容击穿状态类别为,其中表示电容未击穿,表示单个高压电容击穿,表示两个高压电容击穿,表示单个中压电容击穿,表示两个中压电容击穿,将其中一个CVT作为电容击穿故障诊断的待测CVT,从选取的数据集合中选取只有待测CVT发生电容异常状态或者所有CVT都处于正常状态的样本作为后续电容击穿在线诊断的数据集D。
Step2:数据预处理
Step2.1 数据集拆分
将step1收集的CVT历史数据集合拆分为训练集和测试集。具体方法是,设置训练集和测试集的样本比例为7:3,若数据集D的样本数量为,则训练集的样本数量为,测试集的样本数量为,从数据集D中随机无放回的抽取样本至训练样本集中,一共抽取次,数据集D中剩余样本构成测试集。
Step2.2 归一化处理
Step2.3 特征向量的构建
将形式转换后的比差公式代入组间幅值比参量
由于两个CVT接入同一母线上,且为同一型号,表征同一相,可以认为其一次电压和额定变比相同,即上式可以简化为
即近似认为两个组间CVT的二次电压值与两个CVT的比差相关,从而消除一次电压值的影响,在同一条母线中,假设存在n组同一型号的CVT,,则对于n组CVT中位于同相的CVT而言,选择其中一个CVT进行电容击穿在线诊断,将该CVT记为G,则同母线下的各组同相CVT的集合可记为,据此设置的单个样本的组间幅值比参量的特征向量集为
将该特征向量集合,作为电容击穿在线诊断的特征向量集,对完成归一化操作后的训练集进行特征向量集提取后,则训练集的样本为,对应的类别为,测试集的样本使用归一化处理的训练集对应的和进行对应归一化得到训练集和对应类别。
Step3:采用KNN对CVT进行电容击穿在线诊断的分类
Step3.2 从测试集中选取一个样本,计算其与所有训练样本的距离。其中使用的距离度量是闵式距离
Step4: 采用KNN对CVT进行电容击穿在线诊断的分类
本申请的具体应用实例:
一、构建仿真电路实验平台,在110kV的母线上连接6组三相四线的同一类型的CVT,选取A相,按秒记录各组A相CVT的二次电压幅值,共15000个样本。
对每个样本按如下规律进行了标记:
标签1:电容未击穿时对应的比差变化约0
标签2:当单个高压电容击穿时对应的比差变化约为0.4%:;
标签3:两个高压电容击穿时对应的比差变化约为0.8%;
标签4:单个中压电容击穿时对应的比差变化约为-0.4%;
标签5:两个中压电容击穿时对应的比差变化约为-0.8%。
即每个采集样本包含六个CVT的二次电压幅值及对应标签。采集数据集合分析如下表所示
采集样本数据集中包括600个正常样本,2400个仅1号CVT发生故障的样本(四个异常状态的样本各600个),2400个仅2号CVT发生故障的样本(四个异常状态的样本各600个),2400个仅3号CVT发生故障的样本(四个异常状态的样本各600个),2400个仅4号CVT发生故障的样本(四个异常状态的样本各600个),2400个仅5号CVT发生故障的样本(四个异常状态的样本各600个),2400个仅6号CVT发生故障的样本(四个异常状态的样本各600个)。
二、对故障CVT进行在线监测的分析,即构造六个数据集,
数据集包含正常样本和1号CVT故障的样本,共3000个。数据集包含正常样本和2号CVT故障的样本,共3000个。数据集包含正常样本和3号CVT故障的样本,共3000个。数据集包含正常样本和4号CVT故障的样本,共3000个。数据集包含正常样本和5号CVT故障的样本,共3000个。数据集包含正常样本和6号CVT故障的样本,共3000个。将各个数据集按照7:3的比例分为训练集,测试集。对各个数据集进行归一化操作,再提取基于组间电压比差量的数据特征集合。
本申请实施例提出了一种基于KNN的电容式电压互感器电容击穿故障在线诊断的方案。根据组间幅值比参量构造特征向量,利用KNN构造电容式电压互感器电容击穿在线诊断模型。将CVT在线监测***实时数据输入训练好的KNN模型,对当前CVT电容击穿故障状态进行实时诊断。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (8)
1.一种电容式电压互感器电容击穿故障在线诊断方法,其特征在于,包括以下具体步骤:
S1.CVT在线监测***收集同母线上同相同一型号CVT的二次电压幅值数据,构建数据集并贴上相应标签;
S2.利用组间幅值比参量构造特征向量集,对经过预处理后的数据集进行特征提取;
S3.采用KNN机器学习的方式,训练KNN模型,调整相应超参数,输出最优KNN模型;
S4.将CVT在线监测***中的二次电压幅值数据输入最优KNN模型,对待测CVT的电容击穿状态进行实时诊断。
3.根据权利要求2所述的一种电容式电压互感器电容击穿故障在线诊断方法,其特征在于,所述利用组间幅值比参量构造特征向量集,对经过预处理后的数据集进行特征提取具体为,
将数据集D拆分为训练集和测试集;
对训练集中的样本进行归一化处理;
根据组间幅值比参量构建CVT电容击穿在线诊断的特征向量用以消除一次电压对电容击穿在线诊断结果产生的影响。
将形式转换后的比差公式代入组间幅值比参量
由于两个CVT接入同一母线上,且为同一型号,表征同一相,可以认为其一次电压和额定变比相同,即上式可以简化为
即近似认为两个组间CVT的二次电压值与两个CVT的比差相关,从而消除一次电压值的影响,在同一条母线中,假设存在n组同一型号的CVT,,则对于n组CVT中位于同相的CVT而言,选择其中一个CVT进行电容击穿在线诊断,将该CVT记为G,则同母线下的各组同相CVT的集合可记为,据此设置的单个样本的组间幅值比参量的特征向量集为
7.根据权利要求5所述的一种电容式电压互感器电容击穿故障在线诊断方法,其特征在于,所述采用KNN机器学习的方式,训练KNN模型,调整相应超参数,输出最优KNN模型具体为,
S32.从测试集中选取一个样本,计算其与所有训练样本的距离,其中使用的距离度量是闵式距离
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210758583.9A CN114814501B (zh) | 2022-06-30 | 2022-06-30 | 一种电容式电压互感器电容击穿故障在线诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210758583.9A CN114814501B (zh) | 2022-06-30 | 2022-06-30 | 一种电容式电压互感器电容击穿故障在线诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114814501A true CN114814501A (zh) | 2022-07-29 |
CN114814501B CN114814501B (zh) | 2022-09-16 |
Family
ID=82523552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210758583.9A Active CN114814501B (zh) | 2022-06-30 | 2022-06-30 | 一种电容式电压互感器电容击穿故障在线诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114814501B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115267641A (zh) * | 2022-09-22 | 2022-11-01 | 武汉格蓝若智能技术有限公司 | 同塔双回输电线路中电流互感器误差异常识别方法、*** |
CN117169669A (zh) * | 2023-11-02 | 2023-12-05 | 国网江西省电力有限公司供电服务管理中心 | 击穿电容监测方法、装置、电子设备及可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096076A (zh) * | 2016-05-26 | 2016-11-09 | 国网江苏省电力公司检修分公司 | 基于pscad的电容式电压互感器运行故障模拟方法 |
US20200309829A1 (en) * | 2019-04-01 | 2020-10-01 | Dake He | On-line monitoring system for the performance of the measurement equipment in the entire power grid based on wide-area synchronous measurement |
CN113447783A (zh) * | 2021-08-30 | 2021-09-28 | 武汉格蓝若智能技术有限公司 | 一种电压互感器绝缘故障辨识模型构建方法及装置 |
CN114492675A (zh) * | 2022-04-01 | 2022-05-13 | 武汉格蓝若智能技术有限公司 | 一种电容式电压互感器故障原因智能诊断方法 |
CN114548188A (zh) * | 2022-04-21 | 2022-05-27 | 武汉格蓝若智能技术有限公司 | 一种变电站内电容式电压互感器运行模式识别方法 |
CN114757305A (zh) * | 2022-06-13 | 2022-07-15 | 华中科技大学 | 一种基于集成学习的电压互感器绝缘故障辨识方法及*** |
CN114779029A (zh) * | 2022-06-16 | 2022-07-22 | 武汉格蓝若智能技术有限公司 | 融合群体冗余关联和结构参数的cvt内绝缘在线评估方法 |
-
2022
- 2022-06-30 CN CN202210758583.9A patent/CN114814501B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096076A (zh) * | 2016-05-26 | 2016-11-09 | 国网江苏省电力公司检修分公司 | 基于pscad的电容式电压互感器运行故障模拟方法 |
US20200309829A1 (en) * | 2019-04-01 | 2020-10-01 | Dake He | On-line monitoring system for the performance of the measurement equipment in the entire power grid based on wide-area synchronous measurement |
CN113447783A (zh) * | 2021-08-30 | 2021-09-28 | 武汉格蓝若智能技术有限公司 | 一种电压互感器绝缘故障辨识模型构建方法及装置 |
CN114492675A (zh) * | 2022-04-01 | 2022-05-13 | 武汉格蓝若智能技术有限公司 | 一种电容式电压互感器故障原因智能诊断方法 |
CN114548188A (zh) * | 2022-04-21 | 2022-05-27 | 武汉格蓝若智能技术有限公司 | 一种变电站内电容式电压互感器运行模式识别方法 |
CN114757305A (zh) * | 2022-06-13 | 2022-07-15 | 华中科技大学 | 一种基于集成学习的电压互感器绝缘故障辨识方法及*** |
CN114779029A (zh) * | 2022-06-16 | 2022-07-22 | 武汉格蓝若智能技术有限公司 | 融合群体冗余关联和结构参数的cvt内绝缘在线评估方法 |
Non-Patent Citations (2)
Title |
---|
席佳伟 等: "330KV电容式电压互感器分压电容击穿故障原因分析及预控措施", 《变压器》 * |
邹林等: "基于相对比较法的容性设备绝缘监测方法", 《电力与电工》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115267641A (zh) * | 2022-09-22 | 2022-11-01 | 武汉格蓝若智能技术有限公司 | 同塔双回输电线路中电流互感器误差异常识别方法、*** |
CN115267641B (zh) * | 2022-09-22 | 2023-01-17 | 武汉格蓝若智能技术有限公司 | 同塔双回输电线路中电流互感器误差异常识别方法、*** |
CN117169669A (zh) * | 2023-11-02 | 2023-12-05 | 国网江西省电力有限公司供电服务管理中心 | 击穿电容监测方法、装置、电子设备及可读存储介质 |
CN117169669B (zh) * | 2023-11-02 | 2024-03-12 | 国网江西省电力有限公司供电服务管理中心 | 击穿电容监测方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114814501B (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114814501B (zh) | 一种电容式电压互感器电容击穿故障在线诊断方法 | |
CN109164343B (zh) | 基于特征信息量化与加权knn的变压器故障诊断方法 | |
Zhang et al. | Feature selection for high-dimensional machinery fault diagnosis data using multiple models and radial basis function networks | |
CN113435652B (zh) | 一种一次设备缺陷诊断与预测方法 | |
CN109460618A (zh) | 一种滚动轴承剩余寿命在线预测方法及*** | |
CN107505133A (zh) | 基于自适应mrvm的滚动轴承故障概率性智能诊断方法 | |
CN111722145A (zh) | 一种同步电机励磁绕组匝间短路轻度故障诊断方法 | |
CN109670242B (zh) | 基于椭圆包络线的变压器绕组变形无监督在线监测方法 | |
Li et al. | Condition assessment of power transformers using a synthetic analysis method based on association rule and variable weight coefficients | |
CN109298225B (zh) | 一种电压量测数据异常状态自动识别模型***及方法 | |
CN109375010A (zh) | 基于振动分布特征模型的电力变压器绕组故障诊断方法 | |
CN109657720B (zh) | 一种电力变压器匝间短路故障的在线诊断方法 | |
CN110197222A (zh) | 一种基于多分类支持向量机变压器故障诊断的方法 | |
CN109376626A (zh) | 一种基于辐射电场特征参数支持向量机的gis开关缺陷诊断方法 | |
CN114966295A (zh) | 一种基于大数据的超级电容运行电力调频检测*** | |
CN113987294A (zh) | 一种基于遗传优化gru神经网络的cvt在线故障诊断方法 | |
Pandarakone et al. | Frequency spectrum investigation and analytical diagnosis method for turn-to-turn short-circuit insulation failure in stator winding of low voltage induction motor | |
Mao et al. | Winding type recognition through supervised machine learning using frequency response analysis (FRA) data | |
CN115511387A (zh) | 基于多源信息融合的油浸变压器状态评估方法及*** | |
CN117131786B (zh) | 一种电压互感器绝缘故障在线辨识方法 | |
CN112801135B (zh) | 一种基于特征量相关性的发电厂厂用电***故障选线方法及设备 | |
CN116520068B (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
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 | |
Nandi et al. | Diagnosis of induction motor faults using frequency occurrence image plots—a deep learning approach | |
CN115759761A (zh) | 一种用于电能计量装置的运行数据智能管理*** |
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 |