CN115408944A - 一种干式平波电抗器的热点温度预测方法 - Google Patents
一种干式平波电抗器的热点温度预测方法 Download PDFInfo
- Publication number
- CN115408944A CN115408944A CN202211064108.8A CN202211064108A CN115408944A CN 115408944 A CN115408944 A CN 115408944A CN 202211064108 A CN202211064108 A CN 202211064108A CN 115408944 A CN115408944 A CN 115408944A
- Authority
- CN
- China
- Prior art keywords
- reactor
- hot spot
- temperature
- spot temperature
- neural network
- 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
- 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
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- 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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Physiology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Genetics & Genomics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种干式平波电抗器的热点温度预测方法,该方法以BP神经网络模型为基础,采用GA遗传算法对BP神经网络模型进行优化,建立GA‑BP神经网络平波电抗器热点温度预测模型。该模型以环境温度H、平波电抗器输入直流电流Iz、典型谐波电流IL1、IL2、IL3、电抗器本体最外层上、中、下三处器壁温度Iq1、Iq2、Iq3为特征输入变量,电抗器热点温度K为输出量。通过试验分析,该方法预测平波电抗器热点温度的精度较高,可操作性较强,稳定可控。
Description
技术领域
本发明涉及特高压直流输电技术领域,尤其涉及一种干式平波电抗器的热点温度预测方法。
背景技术
干式平波电抗器是特高压直流输电工程的最重要设备之一,对于限制逆变侧电压崩溃时的过电流、平抑传输直流电流中的纹波、防止沿直流线路入侵到换流站的过电压等具有重要作用。平波电抗器用于整流以后的直流回路中,整流电路的脉波数总是有限的,在输出的直流电压中总是有纹波的,这种纹波往往是有害的,需要由平波电抗器加以抑制。
在平波电抗器的运行过程中,温升是影响其绝缘材料老化的主要原因,同时也是检验干式空心平波电抗器长期稳定运行的重要设计指标之一。平波电抗器的各种电流损耗是电抗器温升产生的最主要热源,因其绕组结构和杂散电容等原因,会导致电压和温度分布的不均,在局部位置形成温度的极值点,简称“热点”。热点位置和温度决定了其绝缘设计和散热结构。得到平波电抗器的热点温度和各种电流损耗之间的映射关系,准确地得到电抗器的热点温度对干式空心电抗器的优化设计,有效监测电抗器温升以及预防过热故障具有重要指导意义。
目前,针对干式平波电抗器的相关研究主要集中在电感计算、布置方式、场域分析、损耗分析、过电压研究等方面。在干式平波电抗器损耗和温升的研究方面,主要关注直流损耗以及在直流损耗作用下电抗器温升研究,而对交流损耗以及其对热点温度的影响并没有足够的重视。实际运行中,平波电抗器承受的交流谐波损耗会引起热点温度的改变。
当前获取干式平波电抗器热点温度的方法主要有直接测量法和模型仿真的方法。直接测量方法主要是在电抗器的各个包封层之间布置温度传感器,直接测量得到热点温度。但是该方法存在步骤繁琐、试验费用高以及在运行电抗器安装温度传感器困难等不足。模型仿真的方法是通过建立干式平波电抗器温度场耦合计算模型来获取电抗器的热点温度。但是该方法没有对电抗器的损耗与热点温升进行综合分析,导致得到的电抗器热点温度与实际电抗器热点温度相差较大。
发明内容
本发明提供了一种干式平波电抗器的热点温度预测方法,用以解决当前获取干式平波电抗器热点温度对设备要求高、操作复杂;可控性、可重复性和准确度差的技术问题。
为解决上述技术问题,本发明提出的技术方案为:
一种干式平波电抗器的热点温度预测方法,包括以下步骤:
获取环境温度H、平波电抗器输入直流电流Iz、典型谐波电流IL1、IL2和IL3,其中,IL1表示6次谐波电流分量,IL2表示12次谐波电流分量,IL3表示18次谐波电流分量;电抗器本体最外层上、中和下三处器壁温度Iq1、Iq2和Iq3,输入电抗器热点温度预测模型,输出预测得到的对应的电抗器热点温度;
电抗器热点温度预测模型,通过以下步骤训练得到:
通过平波电抗器温升试验,获取环境温度H、平波电抗器输入直流电流Iz、典型谐波电流IL1、IL2、IL3、电抗器本体最外层上、中和下三处器壁温度Iq1、Iq2和Iq3,作为输入量,通过平波电抗器温升试验测得的电抗器热点温度,作为输出量,训练得到基于GA-BP神经网络的电抗器热点温度预测模型。
优选地,基于GA-BP(GA,Genetic Algorithm,遗传算法;BP,back propagation,神经网络中的一种)神经网络的电抗器热点温度预测模型中的GA算法的4个运行参数取值范围如下:种群规模取20-100;进化次数取100-500;交叉概率取0.4-0.9;变异概率取0.01-0.03。
优选地,基于GA-BP神经网络的电抗器热点温度预测模型中的BP神经网络采用三层结构:
输入层节点数为8,分别对应输入量的环境温度H、平波电抗器输入直流电流Iz、典型谐波电流IL1、IL2、IL3电抗器本体最外层上、中、下三处器壁温度Iq1、Iq2、Iq3;
输出层节点数为1,对应电抗器热点温度值;
优选地,隐含层节点数为9。
优选地,电抗器热点温度预测模型训练时,包括以下步骤:
数据样本归一化:在建立BP神经网络模型前对训练集和预测集样本归一化到[0,1]区间,计算公式为x'=(x-min(x))/(max(x)-min(x)),式中x和x'分别为归一化前、后的值;
GA优化BP神经网络模型:将训练集样本作为控制量仿真,进行二进制编码并创建初始种群,将在交叉验证意义下训练集的MSE(均方误差)作为GA的适应度函数并对适应度定标;进行选择、交叉、变异操作,判断是否满足终止精度或当前迭代次数是否等于最大迭代次数,若满足则解码输出,否则重新进行遗传操作,将训练集训练得到的模型对预测集样本回归预测并对数据反归一化处理。
评价:评价预测模型性能指标MSE(均方误差)、MAPE(平均相对误差)、R(相关系数);如果不符合要求则转至GA优化BP神经网络模型的步骤,重新设定遗传算法参数;
比较:比较真实值和预测值,得到对应模型的指标MSE、MAPE和R。
本发明还提供一种计算机***,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述任一方法的步骤。
本发明具有以下有益效果:
本发明的干式平波电抗器的热点温度预测方法,可简化平波电抗器热点温度的获取。提高平波电抗器热点温度的计算精度。可操作性较强,稳定可控。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照附图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明优选实施例的干式平波电抗器的热点温度预测方法的流程示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
干式平波电抗器由n个同轴包封组成,每个包封都是由一根或多根并联的换位导线绕制而成;每根换位导线都是由多股单丝圆导线组合而成;包封之间由气道和撑条间隔,撑条起固定作用,气道则用来提高电抗器的散热性能。一般来说,流过平波电抗器的直流电流和各次谐波电流由其所在***条件决定,即给定的平波电抗器设计输入条件;而平波电抗器各层包封的设计则决定了电流在各层包封中的分布。电流损耗是平波电抗器的主要损耗,因此可以通过建立相关特征电流与电抗器热点温度之间的拟合关系进而建立基于GA-BP神经网络热点温度预测模型。
基于上述分析,参见图1,本发明实施例的一种干式平波电抗器的热点温度预测方法,包括以下步骤:
S1:获取环境温度H、平波电抗器输入直流电流Iz、典型谐波电流IL1、IL2、IL3、电抗器本体最外层上、中和下三处器壁温度Iq1、Iq2和Iq3;
S2:输入电抗器热点温度预测模型,
S3:输出预测得到的对应的电抗器热点温度。
其中,电抗器热点温度预测模型,通过以下步骤训练得到:
通过平波电抗器温升试验,获取环境温度H、平波电抗器输入直流电流Iz、典型谐波电流IL1、IL2、IL3、电抗器本体最外层上、中和下三处器壁温度Iq1、Iq2和Iq3,作为输入量,通过平波电抗器温升试验测得的电抗器热点温度,作为输出量,训练得到基于GA-BP神经网络的电抗器热点温度预测模型。
实施例1:
本实施例的一种干式平波电抗器的热点温度预测方法,包括以下步骤:
通过平波电抗器温升试验,获取环境温度H、平波电抗器输入直流电流Iz、典型谐波电流IL1、IL2、IL3、电抗器本体最外层上、中和下三处器壁温度Iq1、Iq2和Iq3,作为输入量,通过平波电抗器温升试验测得的电抗器热点温度K,作为输出量,训练得到基于GA-BP神经网络的电抗器热点温度预测模型。
由于BP神经网络优秀的非线性映射能力,在进行数据预测时无需建立精准的数学模型,且具有较高的预测精度,因此在数据预测方面有着较为广泛的应用。
标准BP神经网络主要分为两方面:一方面是向前的信息传递,即对于输入的信息按照输入层、隐含层和输出层进行正向传递;另一方面是反向的信号传播,即根据实际值与预测值的误差进行反向传播修改各层连接的权值。BP神经网络的初始权值和阈值是随机产生的且利用梯度下降的方法进行修正,这样工作机制使BP神经网络对初始权值异常敏感,增加了算法的求解难度和收敛时间。针对BP神经网络存在的不足,实施例中使用GA遗传算法优化BP网络的初始权值和阈值,进一步提高BP神经网络预测的稳定性和准确性。
遗传算法是一种借鉴生物界自然选择和进化机制发展起来的高度并行、自适应的全局优化概率搜索算法,其主要步骤是编码、初始群体的生成、适应性值评估、选择、交叉、变异。本实施例中的遗传算法的4个运行参数取值范围:种群规模一般取20-100;进化次数一般取100-500;交叉概率一般取0.4-0.9;变异概率一般取0.01-0.03。采用均方误差MSE、平均相对误差MAPE和相关系数R三个指标来评价模型的性能和预测效果。
GA遗传算法优化BP网络的核心思想是在BP网络局部寻优能力基础上,利用GA的全局寻优能力对BP网络的泛化能力和学习性能进行优化,根据GA算法迭代寻优过程中的进化改变对应于BP神经网络学习过程中权值和阈值的更新过程,寻找最合适的初始连接权值和阈值,提高BP网络的预测能力和预测效率。
其基本方法是:首先将初始个体视作BP神经网络的权值和阈值,用实际值和预测值的误差绝对值之和作为GA算法的适应度函数;然后通过GA迭代寻优代替BP网络中的梯度修正;最后将最优个体作为BP网络的初始权值和阈值。
GA-BP神经网络电抗器热点温度预测模型的预测步骤:
本实施例使用的实验数据由平波电抗器温升试验中得到,实验数据包括环境温度、平波电抗器输入直流电流、典型谐波电流、电抗器本体最外层上、中、下三处器壁温度,用以表征电抗器不同的电流损耗,电抗器的热点温度值由温升试验中直接测得。温升试验得到大致300组试验数据,随机分成275组训练集样本和25组测试集样本。预测模型的输入量为x=(H,IZ,IL1,IL2,IL3,Iq1,Iq2,Iq3),输出量K为电抗器热点温度。
本实施例中的GA-BP神经网络热点温度预测模型中BP神经网络采用3层结构,其输入层节点数为8,分别对应输入数据的环境温度H、平波电抗器输入直流电流Iz、典型谐波电流IL1、IL2、IL3电抗器本体最外层上、中、下三处器壁温度Iq1、Iq2、Iq3;输出层节点数为1,对应电抗器热点温度值。隐含层节点数的选取一般根据经验式进行试凑,式中h,u,v分别代表隐含层、输入层和输出层节点数。通过误差计算,确定隐含层节点数为9。设置GA-BP模型的最大迭代次数为200,种群规模为50,搜索半径r∈[0.1,5],学习速率为0.02,目标误差为0.0001。
本实施例中,电抗器热点温度预测模型,训练步骤如下:
(1)、数据样本归一化。由于数据样本中各变量差异较大,具有不同的量纲,在建立BP神经网络模型前对训练集和预测集样本归一化到[0,1]区间,计算公式为x'=(x-min(x))/(max(x)-min(x)),式中x和x'分别为归一化前、后的值。
(2)、GA优化BP神经网络模型。将训练集样本作为控制量仿真,进行二进制编码并创建初始种群,将在交叉验证意义下训练集的MSE作为GA的适应度函数并对适应度定标;进行选择、交叉、变异操作,判断是否满足终止精度或当前迭代次数是否等于最大迭代次数,若满足则解码输出,否则重新进行遗传操作,将训练集训练得到的模型对预测集样本回归预测并对数据反归一化处理。
(3)、评价预测模型性能指标MSE、MAPE、R。如果不符合要求则转至第(2)步,重新设定遗传算法参数。
(4)、比较真实值和预测值,得到对应最优模型的指标MSE、MAPE和R。
通过训练集样本数据训练后的GA-BP神经网络模型用来对测试集样本数据进行预测,得到的预测结果为MSE为0.0415、MAPE为2.28%,预测精度达到了预期效果。
实施例2:
本实施例以一台±800kV/4000A干式空心平波电抗器为实例计算对象,包封层数为24层,包封高度为H为3.985米。电感75mH,额定直流电流4000A,最大连续运行直流电流4497A,允许4731A直流下2h过载,可承受30kA短时电流峰值。
本实施例的一种干式平波电抗器的热点温度预测方法,包括以下步骤:
在设置GA-BP神经网络热点温度预测模型时,将数据使用二进制编码,选择算子采用随机遍历抽样,交叉算子采用单点交叉算子,变异算子采用基本位变异算子,种群规模设为20,最大进化次数200,交叉概率为0.6,变异概率为0.03,判断终止精度为10-4。设置BP神经网络的输入层、隐含层、输出层的节点数分别为8、13、1,隐含层传递函数选用tansig函数,输出层传递函数选用logsig函数,训练函数选用levenberg-Marquardt算法,学***波电抗器温升试验现场,测得环境温度H为19.5℃,平波电抗器运行中主要损耗热源为直流电阻损耗和各次谐波电流的电阻性损耗,加载温升试验时等效直流电流4600A,将等效计算得到的典型谐波电流值、电抗器本体最外层上、中、下三处温度值,均输入到已经训练完成的GA-BP神经网络热点温度预测模型中去,得到热点温度为81℃。
为验证该预测结果的可靠性,对该论述的平波电抗器进行温升试验,受试验条件的制约,温升试验中施加等效直流电流。实验中电抗器加装隔声罩,防雨罩等装置;每层包封均匀布置3个测温点,每个测温点位于每层包封的外表面,距离包封上表面20cm。试验开始时,采用分级增加流的方式,直至等效温升试验电流:第一级施加2000A直流电流4小时;第二级施加3000A直流电流;第三级施加4600A直至温升数据稳定。读取每层包封所有测温点的温升,取其平均值作为该层包封的温升值,温升试验环境温度为19.5℃,试验中得到的电抗器的热点温度为84.4℃。
试验结果与GA-BP神经网络预测模型的结果最大相对误差12.1%,平均相对误差3.9%,预测结果与试验结果比较吻合。
实施例3:
本实施例提供一种计算机***,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述任一实施例的步骤。
综上可知,本发明的干式平波电抗器的热点温度预测方法,可简化平波电抗器热点温度的获取。提高平波电抗器热点温度的计算精度。可操作性较强,稳定可控。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种干式平波电抗器的热点温度预测方法,其特征在于,包括以下步骤:
获取环境温度H、平波电抗器输入直流电流Iz、典型谐波电流IL1、IL2、IL3、电抗器本体最外层上、中和下三处器壁温度Iq1、Iq2和Iq3,输入电抗器热点温度预测模型,输出预测得到的对应的电抗器热点温度;
所述电抗器热点温度预测模型,通过以下步骤训练得到:
通过平波电抗器温升试验,获取环境温度H、平波电抗器输入直流电流Iz、典型谐波电流IL1、IL2和IL3,其中,IL1表示6次谐波电流分量,IL2表示12次谐波电流分量,IL3表示18次谐波电流分量;电抗器本体最外层上、中和下三处器壁温度Iq1、Iq2和Iq3,作为输入量,通过平波电抗器温升试验测得的电抗器热点温度,作为输出量,训练得到基于GA-BP神经网络的电抗器热点温度预测模型。
2.根据权利要求1所述的干式平波电抗器的热点温度预测方法,其特征在于,基于GA-BP神经网络的电抗器热点温度预测模型中的GA算法的4个运行参数取值范围如下:种群规模取20-100;进化次数取100-500;交叉概率取0.4-0.9;变异概率取0.01-0.03。
4.根据权利要求3所述的干式平波电抗器的热点温度预测方法,其特征在于,所述隐含层节点数为9。
5.根据权利要求1至4中任一项所述的干式平波电抗器的热点温度预测方法,其特征在于,所述电抗器热点温度预测模型训练时,包括以下步骤:
数据样本归一化:在建立BP神经网络模型前对训练集和预测集样本归一化到[0,1]区间,计算公式为x'=(x-min(x))/(max(x)-min(x)),式中x和x'分别为归一化前、后的值;
GA优化BP神经网络模型:将训练集样本作为控制量仿真,进行二进制编码并创建初始种群,将在交叉验证意义下训练集的均方误差作为GA的适应度函数并对适应度定标;进行选择、交叉、变异操作,判断是否满足终止精度或当前迭代次数是否等于最大迭代次数,若满足则解码输出,否则重新进行遗传操作,将训练集训练得到的模型对预测集样本回归预测并对数据反归一化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211064108.8A CN115408944A (zh) | 2022-08-31 | 2022-08-31 | 一种干式平波电抗器的热点温度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211064108.8A CN115408944A (zh) | 2022-08-31 | 2022-08-31 | 一种干式平波电抗器的热点温度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115408944A true CN115408944A (zh) | 2022-11-29 |
Family
ID=84164128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211064108.8A Pending CN115408944A (zh) | 2022-08-31 | 2022-08-31 | 一种干式平波电抗器的热点温度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115408944A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117725780A (zh) * | 2023-12-01 | 2024-03-19 | 国网宁夏电力有限公司电力科学研究院 | 一种平波电抗器的绝缘故障概率评估方法 |
-
2022
- 2022-08-31 CN CN202211064108.8A patent/CN115408944A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117725780A (zh) * | 2023-12-01 | 2024-03-19 | 国网宁夏电力有限公司电力科学研究院 | 一种平波电抗器的绝缘故障概率评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110632545B (zh) | 基于回归神经网络电子式互感器误差风险评估方法和装置 | |
CN113792495B (zh) | 一种基于在线监测数据的避雷器运行状态识别方法、装置 | |
CN105550472A (zh) | 一种基于神经网络的变压器绕组热点温度的预测方法 | |
CN115408944A (zh) | 一种干式平波电抗器的热点温度预测方法 | |
CN111666711B (zh) | 一种基于多维信息的变压器顶层油温异常监测方法 | |
CN115062668B (zh) | 基于RAdam优化宽度学习的谐波参数检测方法和*** | |
Nosratian Ahour et al. | Modified transformer winding ladder network model to assess non‐dominant frequencies | |
Van Lanen et al. | Simulation of interstrand coupling loss in cable-in-conduit conductors with JackPot-AC | |
CN114626769B (zh) | 一种电容式电压互感器运维方法及*** | |
CN110969306A (zh) | 基于深度学习的配电低压台区负荷预测方法及装置 | |
CN108416148A (zh) | 一种基于多项式混沌展开的高空电磁脉冲场线耦合不确定度获取方法 | |
Bocanegra et al. | Sine-cosine optimization approach applied to the parametric estimation in single-phase transformers by considering voltage and current measures | |
Cao et al. | Lightning protection with a differentiated arrester configuration for distribution networks using a multi-objective optimization procedure | |
Bayadi | Parameter identification of ZnO surge arrester models based on genetic algorithms | |
CN107895078A (zh) | 强电磁脉冲对长电力输电线路耦合响应的宏模型构建方法 | |
CN117347916A (zh) | 一种基于参数辨识的绕组结构故障定位方法及装置 | |
CN110826255B (zh) | 一种电力装备中绕组线圈部件的建模方法 | |
CN112803402A (zh) | 含不良数据预处理的辐射网前推回代抗差状态估计方法 | |
CN117250490A (zh) | 一种基于lstm的剩余电流动作断路器寿命预测方法 | |
Ren et al. | Ladder network parameters identification of an isolated winding by combining the intelligent optimisation algorithm and GNIA | |
CN115878963A (zh) | 电容式电压互感器计量误差预测方法、***、终端及介质 | |
CN116307800A (zh) | 基于二阶模态灵敏度的光伏并网环流谐振分析方法和*** | |
CN111366783A (zh) | 一种基于物联网的变压器运行参数在线监测***及方法 | |
CN113655285B (zh) | 一种输电线路杆塔接地电阻测量方法、装置及存储介质 | |
CN118261066A (zh) | 电缆附件的外表面温度预测方法、装置及电子设备 |
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 |