CN115905835B - 一种融合多维特征的低压交流电弧故障诊断方法 - Google Patents
一种融合多维特征的低压交流电弧故障诊断方法 Download PDFInfo
- Publication number
- CN115905835B CN115905835B CN202211424482.4A CN202211424482A CN115905835B CN 115905835 B CN115905835 B CN 115905835B CN 202211424482 A CN202211424482 A CN 202211424482A CN 115905835 B CN115905835 B CN 115905835B
- Authority
- CN
- China
- Prior art keywords
- features
- feature
- arc fault
- fault
- sensitivity
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 50
- 230000035945 sensitivity Effects 0.000 claims abstract description 43
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 230000001052 transient effect Effects 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000010238 partial least squares regression Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims 1
- 238000012216 screening Methods 0.000 abstract description 3
- 230000007613 environmental effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种融合多维特征的低压交流电弧故障诊断方法,涉及电力***技术领域;包括以下步骤:在m个场景样本的电弧故障电气量信号中提取n个故障特征,并提取时域特征和频域特征;根据时域特征和频域特征的时间序列,构建对应的暂态特征矩阵和稳态特征矩阵;构建已知环境参数集、构建相关系数矩阵、构建灵敏度系数矩阵;筛除大于或等于相关性阈值的特征、筛除灵敏度系数小于灵敏度阈值的特征,以获得主导特征集;建立回归模型,并得到稳态电弧故障电流预测值并计算预测误差;将稳态特征的时序信号作为LSTM网络的输入,进行模型训练与计算,并根据计算误差与LSTM网络输出值,判定故障是否发生。本发明解决了在低压电弧故障诊断时特征维数灾问题。
Description
技术领域
本发明涉及电力***技术领域,具体涉及一种融合多维特征的低压交流电弧故障诊断方法。
背景技术
电弧是一种导体间的高温等离子体放电现象,经常出现于隔离开关、输/配电线路故障点、故障的电气设备中,对人身安全、设备安全甚至环境安全带来巨大的威胁。因此,电弧故障的快速诊断是保证电力***安全稳定运行的重要工作之一。
常见的电弧故障诊断方法主要分为两种类型:基于声\光\温等因电弧现象的非电气物理特征的电弧故障诊断、基于电流\电压等电气量物理特征的电弧故障诊断。其中,基于非电气物理特征的诊断方法需要在监测位置加装各类传感器,监测范围有限,且容易受到环境中声/光/温干扰,因此常应用于一些需要重点监控的设备中。依据电气量特性的电弧故障诊断方法具有较大的监测范围,不需要加装额外的传感器,但由于交流电弧弧柱等效电阻为受多种环境参数的非线性电阻,电弧故障电气量具有变化的非线性和随机性特征,对故障识别带来了挑战。
而常见的依据电气量特性的电弧故障识别方法主要依据提取显著的燃弧特征、应用分类算法进行分类这一路径,但交流电弧燃弧电气量特征具有特征维度多、数据量大等问题,影响后续诊断算法的运算效率与运算精度。同时,进行电弧故障在线诊断时,故障特征为随窗口滑动的时间序列,常见基于整定值的交流电弧故障诊断方法无法兼顾特征演变趋势。
因此,构建针对交流电弧故障诊断的高准确性、高鲁棒性方法具有很强的研究意义。
发明内容
本发明提供了一种融合多维特征的低压交流电弧故障诊断方法,利用相关系数与灵敏度系数对低压电弧故障特征进行筛选,有效的解决了在低压电弧故障诊断时特征维数灾问题,降低了低压电弧故障诊断计算开销。
本发明通过下述技术方案实现:
本发明提供了一种融合多维特征的低压交流电弧故障诊断方法,包括以下步骤:
S10、在m个场景样本的电弧故障电气量信号中提取n个故障特征,其中,m与n均为大于零的整数;
S20、从所述故障特征中提取时域特征和频域特征;
S30、根据所述时域特征和所述频域特征的时间序列,构建对应的暂态特征矩阵和稳态特征矩阵;
S40、根据已知环境参数,构建已知环境参数集;
S50、根据所述时域特征间的相关系数构建相关系数矩阵,并根据所述已知环境参数集和故障特征集间的灵敏度构建灵敏度系数矩阵;
S60、遍历所述相关系数矩阵筛除大于或等于相关性阈值的特征、遍历所述相关系数矩阵筛除灵敏度系数小于灵敏度阈值的特征,以获得主导特征集;
S70、根据所述主导特征集,建立回归模型;
S80、将所述主导特征中的暂态特征输入所述回归模型,得到稳态电弧故障电流预测值并计算预测误差;
S90、将所述主导特征集中的稳态特征的时序信号作为LSTM网络(长短期记忆单元网络)的输入,进行模型训练与计算,并根据计算误差是否处于置信区间与LSTM网络输出值,判定故障是否发生。
本发明提供的融合多维特征的低压交流电弧故障诊断方法,根据m个场景样本构造低压交流电弧故障电气量时域与频域的故障特征集,并利用相关系数描述故障特征间的相关性程度,利用灵敏度系数描述故障特征受场景参数扰动的敏感程度,据此选择出低相关性、高灵敏度的特征作为进行故障诊断的主导特征,降低了参与故障诊断计算的特征维度,避免维数灾造成的低压电弧故障诊断计算开销过大。最后通过稳态电弧故障电流回归模型与LSTM网络实现主导特征数值大小与变化趋势的双重判定,提高低压电弧故障诊断精度。
在一具体的实施方式中,所述时域特征包括电弧故障电流和电压信号在相同窗函口大小内的均方值、极值数量、零休程度以及最大值。
在一具体的实施方式中,所述零休程度的计算模型为
在一具体的实施方式中,所述频域特征为电弧故障电气量信号通过快速傅里叶变换得到的,信号在相同窗口大小内的直流、工频分量、各次谐波的大小和畸变程度。
在一具体的实施方式中,所述稳态特征矩阵为Fkxg,式中:
k为特征数量n*场景样本数量m;
g为滑动窗口次数。
在一具体的实施方式中,所述已知环境参数集为[Xm,Ym],式中:
X为故障电流;
Y为短路间隙。
在一具体的实施方式中,步骤S50中,依次计算输入所述稳态特征矩阵特中特征间的相关系数以形成所述相关系数矩阵;
所采用的计算公式为:其中E(.)表示特征时序的期望。
在一具体的实施方式中,在步骤S60中,遍历所述相关系数矩阵的特征节点为S(i),其中1<i<n,并判断S(i)与已选择的主导特征在所述相关系数矩阵中的相关性大小,若小于设定相关性阈值则选择为主导特征。
在一具体的实施方式中,在步骤S60中,由灵敏度系数从大到小的方向遍历所述灵敏度系数矩阵,并去掉灵敏度系数小于灵敏度阈值的特征。
在一具体的实施方式中,所述回归模型基于偏最小二乘回归建立。
本发明与现有技术相比,具有如下的优点和有益效果:
1、本发明提供的融合多维特征的低压交流电弧故障诊断方法,根据m个场景样本构造低压交流电弧故障电气量时域与频域的故障特征集,并利用相关系数描述故障特征间的相关性程度,利用灵敏度系数描述故障特征受场景参数扰动的敏感程度,据此选择出低相关性、高灵敏度的特征作为进行故障诊断的主导特征,降低了参与故障诊断计算的特征维度,避免维数灾造成的低压电弧故障诊断计算开销过大,有效的解决了在低压电弧故障诊断时特征维数灾问题,降低了低压电弧故障诊断计算开销。
2、本发明提供的融合多维特征的低压交流电弧故障诊断方法,将低压交流电弧主导故障特征时间序列作为LSTM网络的输入,相比于基于特征点值的SVM与人工神经网络,提取了主导特征的演变趋势,同时通过判断稳态燃弧电流回归模型的预测误差,提高了低压交流电弧故障识别的可靠性。
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。
在附图中:
图1为本发明实施例融合多维特征的低压交流电弧故障诊断方法的流程示意图;
图2为本发明实施例融合多维特征的低压交流电弧故障诊断方法的特征相关性分析结果示意图;
图3为本发明实施例融合多维特征的低压交流电弧故障诊断方法的特征灵敏性分析结果示意图;
图4为本发明实施例融合多维特征的低压交流电弧故障诊断方法,经过特征选择与未经过特征选择的,低压交流电弧故障诊断训练速度精度与误差比对示意图;
图5为本发明实施例融合多维特征的低压交流电弧故障诊断方法,低压交流电弧故障稳态电流估计误差分布图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。
实施例
结合图1,本实施例提供了一种融合多维特征的低压交流电弧故障诊断方法,包括以下步骤:
S10、在m个场景样本的电弧故障电气量信号中提取n个故障特征,其中,m与n均为大于零的整数。
S20、从所述故障特征中提取时域特征和频域特征。
具体来说,故障特征包括电弧故障电流、电压信号在相同窗函口大小内的均方值、极值数量、零休程度、最大值等时域特征。并通过FFT(快速傅里叶变换)得到信号在相同窗口大小内的直流、工频分量、各次谐波的大小,畸变程度等频域特征。
也就是说,所述时域特征包括电弧故障电流和电压信号在相同窗函口大小内的均方值、极值数量、零休程度以及最大值。
在本实施例中:
所述直流的计算模型为:
所述均方值的计算模型为:
所述极值数量的计算模型为:
所述零休程度的计算模型为:
所述最大值的计算模型为:
相应的,所述频域特征为电弧故障电气量信号通过快速傅里叶变换得到的,信号在相同窗口大小内的直流、工频分量、各次谐波的大小和畸变程度。
在本实施例中:
所述各次谐波大小的计算模型为:
所述畸变程度的计算模型为:
另外,在本实施例中为保证在线计算时的实时性,窗口大小设置为两个周波,窗口滑动距离设置为10个采样点。而滑动窗口将使得所述时域特征与所述频域特征变化为时序分量。
S30、根据所述时域特征和所述频域特征的时间序列,构建对应的暂态特征矩阵和稳态特征矩阵。
具体而言,将步骤S20中到的特征时序分量构成暂态特征矩阵Tkxg与稳态特征矩阵Fkxg,其中,k为特征数量m*场景样本数量n,g为滑动窗口次数。
S40、根据已知环境参数,构建已知环境参数集。
具体的,将已知环境参数表示为环境参数矩阵,即所述已知环境参数集为[Xm,Ym],式中:
X为故障电流;
Y为短路间隙。
S50、根据所述时域特征间的相关系数构建相关系数矩阵,并根据所述已知环境参数集和故障特征集间的灵敏度构建灵敏度系数矩阵。
具体而言,将稳态特征矩阵与环境参数矩阵[Xm,Ym]作为输入,依次计算输入所述稳态特征矩阵特中特征间的相关系数以形成所述相关系数矩阵Ckxk;
所采用的计算公式为:其中E(.)表示特征时序的期望。
同时,将环境参数矩阵[Xm,Ym]作为因变量、稳态特征矩阵作为自变量,基于偏最小二乘回归计算各特征对环境变量的灵敏程度,并形成灵敏系数矩阵[Sxn,Syn]。
S60、遍历所述相关系数矩阵筛除大于或等于相关性阈值的特征、遍历所述相关系数矩阵筛除灵敏度系数小于灵敏度阈值的特征,以获得主导特征集。
具体而言,遍历所述相关系数矩阵的特征节点为S(i),其中1<i<n,并判断S(i)与已选择的主导特征在所述相关系数矩阵中的相关性大小,若小于设定相关性阈值则选择为主导特征。
同时,由灵敏度系数从大到小的方向遍历所述灵敏度系数矩阵,并去掉灵敏度系数小于灵敏度阈值的特征,从而将剩下的数据组成主导特征集。
S70、根据所述主导特征集,建立回归模型。
在本实施例中,基于偏最小二乘回归,建立主导特征中暂态特征与稳态电弧故障电流的回归模型。将稳态燃弧电流RMS作为因变量,主导特征集中的暂态特征矩阵作为自变量,基于偏最小二乘回归建立稳态燃弧电流与暂态特征间的回归模型表示为IRMS=f(T(k))。即所述回归模型基于偏最小二乘回归建立,
S80、将所述主导特征中的暂态特征输入所述回归模型,得到稳态电弧故障电流预测值并计算预测误差。
具体而言,根据预测故障电流RMS与实际故障电流RMS得到误差分布模型为Perror。
S90、将所述主导特征集中的稳态特征的时序信号作为LSTM网络(长短期记忆单元网络)的输入,进行模型训练与计算,并根据计算误差是否处于置信区间与LSTM网络输出值,判定故障是否发生。
需要说明的是,诊断时,将主导特征中集的暂态特征时序分量输入至回归模型PRMS中,电弧故障发生时,电气量波形首先进入暂态阶段,通过回归模型IRMS计算出预测的电弧电流RMS。随后电气量波形进入稳态阶段,可计算预测电流误差Ie,输出Ie是否处于误差分布模型为Perror的95%置信区间内的判定结果B1。
同时,将主导特征集中的稳态特征时序分量输入至LSTM网络,LSTM网络中的长短期记忆单元可提取特征演变趋势,更有助于时序特征分类,此时LSTM网络输出结果为B2。
然后,判定B1与B2比较的结果,若结果为1,则判定为交流电弧故障。
可以理解的是,本实施例提供的融合多维特征的低压交流电弧故障诊断方法,根据m个场景样本构造低压交流电弧故障电气量时域与频域的故障特征集,并利用相关系数描述故障特征间的相关性程度,利用灵敏度系数描述故障特征受场景参数扰动的敏感程度,据此选择出低相关性、高灵敏度的特征作为进行故障诊断的主导特征,降低了参与故障诊断计算的特征维度,避免维数灾造成的低压电弧故障诊断计算开销过大。最后通过稳态电弧故障电流回归模型与LSTM网络实现主导特征数值大小与变化趋势的双重判定,提高了低压电弧故障诊断精度。
为便于进一步理解本实施提供的融合多维特征的低压交流电弧故障诊断方法,以IEEE-1584进行的标准化实验中为例,其电压等级为0.208kV、0.6kV、13.8kV,燃弧间隙为0.55英寸、1.25英寸与2英寸,短路电流为10kA、28kA、40kA等实验场景,共计116组电弧故障数据为数据样本,进行基于本实施例提供方法的低压交流电弧故障诊断。
其中的59组数据作为用样本集,另外57组数据作为方法校验的测试集。完成的特征相关性结果如图2所示、灵敏性结果如图3所示,特征选择前与选择后的LSTM网络训练损失与精度对比如图4所示,低压交流电弧故障稳态电流估计误差分布如图5所示。
总结来说,本实施例提供的融合多维特征的低压交流电弧故障诊断方法,利用相关系数与灵敏度系数的低压电弧故障特征筛选方法,有效的解决了在低压电弧故障诊断时特征维数灾问题,降低了低压电弧故障诊断计算开销。同时本实施例将低压交流电弧主导故障特征时间序列作为LSTM网络的输入,相比于基于特征点值的SVM与人工神经网络,提取了主导特征的演变趋势,同时通过判断稳态燃弧电流回归模型的预测误差,提高低压交流电弧故障识别的可靠性。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种融合多维特征的低压交流电弧故障诊断方法,其特征在于,包括以下步骤:
S10、在m个场景样本的电弧故障电气量信号中提取n个故障特征,其中,m与n均为大于零的整数;
S20、从所述故障特征中提取时域特征和频域特征;
S30、根据所述时域特征和所述频域特征的时间序列,构建对应的暂态特征矩阵和稳态特征矩阵;
S40、根据已知环境参数,构建已知环境参数集,所述已知环境参数集为[Xm,Ym],式中:X为故障电流,Y为短路间隙;
S50、根据所述时域特征间的相关系数构建相关系数矩阵,并根据所述已知环境参数集和故障特征集间的灵敏度构建灵敏度系数矩阵;
所述灵敏度系数矩阵为:由所述已知环境参数集作为因变量、稳态特征矩阵作为自变量,基于偏最小二乘回归计算各特征对环境变量的灵敏程度而获得;
S60、遍历所述相关系数矩阵筛除大于或等于相关性阈值的特征、遍历所述相关系数矩阵筛除灵敏度系数小于灵敏度阈值的特征,以获得主导特征集;
S70、根据所述主导特征集,建立回归模型;
S80、将所述主导特征集中的暂态特征输入所述回归模型,得到稳态电弧故障电流预测值并计算预测误差;
S90、将所述主导特征集中的稳态特征的时序信号作为LSTM网络的输入,进行模型训练与计算,并根据计算误差是否处于置信区间与LSTM网络输出值,判定故障是否发生。
2.根据权利要求1所述的融合多维特征的低压交流电弧故障诊断方法,其特征在于,所述时域特征包括电弧故障电流和电压信号在相同窗函口大小内的均方值、极值数量、零休程度以及最大值。
3.根据权利要求2所述的融合多维特征的低压交流电弧故障诊断方法,其特征在于,所述零休程度的计算模型为
4.根据权利要求1或2所述的融合多维特征的低压交流电弧故障诊断方法,其特征在于,所述频域特征为电弧故障电气量信号通过快速傅里叶变换得到的,信号在相同窗口大小内的直流、工频分量、各次谐波的大小和畸变程度。
5.根据权利要求1所述的融合多维特征的低压交流电弧故障诊断方法,其特征在于,所述稳态特征矩阵为Fkxg,式中:
k为特征数量n*场景样本数量m;
g为滑动窗口次数。
6.根据权利要求5所述的融合多维特征的低压交流电弧故障诊断方法,其特征在于,步骤S50中,依次计算输入所述稳态特征矩阵特中特征间的相关系数以形成所述相关系数矩阵;
所采用的计算公式为:其中,E(.)表示特征时序的期望。
7.根据权利要求1所述的融合多维特征的低压交流电弧故障诊断方法,其特征在于,在步骤S60中,遍历所述相关系数矩阵的特征节点为S(i),其中1<i<n,并判断S(i)与已选择的主导特征在所述相关系数矩阵中的相关性大小,若小于设定相关性阈值则选择为主导特征。
8.根据权利要求1或7所述的融合多维特征的低压交流电弧故障诊断方法,其特征在于,在步骤S60中,由灵敏度系数从大到小的方向遍历所述灵敏度系数矩阵,并去掉灵敏度系数小于灵敏度阈值的特征。
9.根据权利要求1所述的融合多维特征的低压交流电弧故障诊断方法,其特征在于,所述回归模型基于偏最小二乘回归建立。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211424482.4A CN115905835B (zh) | 2022-11-15 | 2022-11-15 | 一种融合多维特征的低压交流电弧故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211424482.4A CN115905835B (zh) | 2022-11-15 | 2022-11-15 | 一种融合多维特征的低压交流电弧故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115905835A CN115905835A (zh) | 2023-04-04 |
CN115905835B true CN115905835B (zh) | 2024-02-23 |
Family
ID=86490817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211424482.4A Active CN115905835B (zh) | 2022-11-15 | 2022-11-15 | 一种融合多维特征的低压交流电弧故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115905835B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117454166B (zh) * | 2023-10-11 | 2024-05-10 | 国网四川省电力公司电力科学研究院 | 基于EffNet轻量化模型的致火电弧故障识别方法 |
CN117076933B (zh) * | 2023-10-16 | 2024-02-06 | 锦浪科技股份有限公司 | 电弧判断模型的训练、光伏直流电弧检测方法及计算设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353482A (zh) * | 2020-05-25 | 2020-06-30 | 天津开发区精诺瀚海数据科技有限公司 | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 |
CN112051481A (zh) * | 2020-08-12 | 2020-12-08 | 华中科技大学 | 一种基于lstm的交直流混联电网故障区域诊断方法和*** |
CN112904156A (zh) * | 2021-01-19 | 2021-06-04 | 重庆邮电大学 | 一种基于频域分类的故障电弧检测方法 |
CN113255771A (zh) * | 2021-05-26 | 2021-08-13 | 中南大学 | 基于多维异构差异分析的故障诊断方法及*** |
CN114077846A (zh) * | 2021-10-14 | 2022-02-22 | 国网安徽省电力有限公司电力科学研究院 | 一种基于rf-lstm的故障电流多域识别方法及存储介质 |
CN114609475A (zh) * | 2022-03-18 | 2022-06-10 | 中国民航大学 | 一种交流故障电弧检测方法和*** |
-
2022
- 2022-11-15 CN CN202211424482.4A patent/CN115905835B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353482A (zh) * | 2020-05-25 | 2020-06-30 | 天津开发区精诺瀚海数据科技有限公司 | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 |
CN112051481A (zh) * | 2020-08-12 | 2020-12-08 | 华中科技大学 | 一种基于lstm的交直流混联电网故障区域诊断方法和*** |
CN112904156A (zh) * | 2021-01-19 | 2021-06-04 | 重庆邮电大学 | 一种基于频域分类的故障电弧检测方法 |
CN113255771A (zh) * | 2021-05-26 | 2021-08-13 | 中南大学 | 基于多维异构差异分析的故障诊断方法及*** |
CN114077846A (zh) * | 2021-10-14 | 2022-02-22 | 国网安徽省电力有限公司电力科学研究院 | 一种基于rf-lstm的故障电流多域识别方法及存储介质 |
CN114609475A (zh) * | 2022-03-18 | 2022-06-10 | 中国民航大学 | 一种交流故障电弧检测方法和*** |
Non-Patent Citations (2)
Title |
---|
基于相关理论及零休特征融合的串联故障电弧检测方法;赵怀军;秦海燕;刘凯;朱凌建;;仪器仪表学报;41(04);第218-228页 * |
局部二值模式直方图匹配的串联故障电弧检测及选线;郭凤仪;高洪鑫;唐爱霞;王智勇;;电工技术学报;35(08);第1653-1661页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115905835A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115905835B (zh) | 一种融合多维特征的低压交流电弧故障诊断方法 | |
Wang et al. | ArcNet: Series AC arc fault detection based on raw current and convolutional neural network | |
Brown et al. | Characterizing and quantifying noise in PMU data | |
CN105425118B (zh) | 一种多信息融合故障电弧检测方法及装置 | |
Izadi et al. | A synchronized lissajous-based method to detect and classify events in synchro-waveform measurements in power distribution networks | |
Sekar et al. | High impedance fault detection using wavelet transform | |
CN117849691B (zh) | 一种电容式电压互感器多维协同运行监测预警***和方法 | |
Huang et al. | BIT-based intermittent fault diagnosis of analog circuits by improved deep forest classifier | |
CN117748507A (zh) | 基于高斯回归模型的配网谐波接入不确定性评估方法 | |
CN117668751B (zh) | 一种高低压电力***故障诊断方法及装置 | |
CN113030616A (zh) | 基于电压暂降监测数据的敏感负荷识别方法 | |
Naderi et al. | Modeling and detection of transformer internal incipient fault during impulse test | |
Rizvi et al. | Real-time ZIP load parameter tracking using adaptive window and variable elimination with realistic synthetic synchrophasor data | |
Wilson et al. | Uncertainty Quantification of Capacitor Switching Transient Location Using Machine Learning | |
Gao et al. | Advancing high impedance fault localization via adaptive transient process calibration and multiscale correlation analysis in active distribution networks | |
CN115308644A (zh) | 基于电流偏移比差分析的变压器绕组故障检测方法及*** | |
CN114114001A (zh) | 一种gis设备隔离开关机械状态监测方法及*** | |
Zhang et al. | A fast fault detection method for controlled fault interruption based on wavelet singularities and BP neural network | |
CN114297569B (zh) | 一种振动传感器的开关故障检测算法 | |
Sundaram et al. | Assessment of power quality disturbances in the distribution system using Kalman filter and fuzzy expert system | |
CN113884864B (zh) | 一种基于特征值分解的模拟电路故障测试生成方法 | |
Kumar et al. | Fault diagnostic in the transformer winding by sweep frequency response analysis | |
CN114019321B (zh) | 一种基于归一化标准差和小波熵的直流串联电弧故障检测方法及装置 | |
CN118091326B (zh) | 基于电流变化特征的接地故障判断方法及*** | |
CN111505420B (zh) | 一种线路避雷器状态的在线监测与诊断方法及*** |
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 |