CN117148076A - 一种多特征融合的高压开关柜局部放电识别方法及*** - Google Patents
一种多特征融合的高压开关柜局部放电识别方法及*** Download PDFInfo
- Publication number
- CN117148076A CN117148076A CN202311422063.1A CN202311422063A CN117148076A CN 117148076 A CN117148076 A CN 117148076A CN 202311422063 A CN202311422063 A CN 202311422063A CN 117148076 A CN117148076 A CN 117148076A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- partial discharge
- cabinet
- identification
- voltage switch
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 claims abstract description 378
- 238000004458 analytical method Methods 0.000 claims abstract description 46
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 230000035945 sensitivity Effects 0.000 claims description 24
- 238000005065 mining Methods 0.000 claims description 18
- 230000006698 induction Effects 0.000 claims description 15
- 230000007613 environmental effect Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000010206 sensitivity analysis Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 238000012512 characterization method Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 101000856246 Arabidopsis thaliana Cleavage stimulation factor subunit 77 Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- LSJNBGSOIVSBBR-UHFFFAOYSA-N thionyl fluoride Chemical compound FS(F)=O LSJNBGSOIVSBBR-UHFFFAOYSA-N 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
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
- 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
- G01R31/1209—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 using acoustic measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本申请公开了一种多特征融合的高压开关柜局部放电识别方法及***，涉及电力设备检测技术领域，所述方法包括：获得目标高压开关柜；获得预设放电监测三元配置；对目标高压开关柜进行监测特征分析，搭建包括多个局放监测单元的柜体局放监测子模块；基于多个局放监测单元对目标高压开关柜进行实时监测，获得多个实时信号监测结果；进行监测环境干扰补偿融合，获得多个特征融合监测结果；基于局放识别敏感分析函数，构建柜体局部放电识别通道；基于多个特征融合监测结果，根据柜体局部放电识别通道执行目标高压开关柜的局部放电识别，获得柜体局部放电识别报告。本申请具有识别效率高、识别准确度置信度好的技术效果。
Description
技术领域
本发明涉及电力设备检测技术领域，特别涉及一种多特征融合的高压开关柜局部放电识别方法及***。
技术背景
开关柜广泛应用于电力***与电力网络中，用于控制、分配和保护电力***中的电能，局部放电是开关柜的一种常见故障，它可能导致设备的损坏，甚至引发火灾或***等危险情况。放电量不同，对开关柜的可靠性影响程度也不尽相同。开关柜局部放电检测方法主要包括超声波检测、地电波检测和超高频检测。现有的基于单一检测方法或多种监测方法的局部放电识别存在识别效率低、识别准确度置信度差的技术问题。
发明内容
本申请的目的在于提供一种多特征融合的高压开关柜局部放电识别方法及***。用以解决现有技术中识别效率低、识别准确度置信度差的技术问题。
鉴于以上技术问题，本申请提供了一种多特征融合的高压开关柜局部放电识别方法及***。
第一方面，本申请提供了一种多特征融合的高压开关柜局部放电识别方法，其中，所述方法包括：
获得目标高压开关柜；获得预设放电监测三元配置，其中，所述预设放电监测三元配置包括多个柜体放电监测硬件，所述多个柜体放电监测硬件包括超声波监测硬件、脉冲电流监测硬件和气体监测硬件；基于柜体监测特征挖掘算法，根据所述预设放电监测三元配置对所述目标高压开关柜进行监测特征分析，搭建柜体局放监测子模块，其中，所述柜体局放监测子模块包括多个局放监测单元；基于所述多个局放监测单元对所述目标高压开关柜进行实时监测，获得多个实时信号监测结果，其中，每个实时信号监测结果包括超声波监测信号集、脉冲电流监测信号集和气体监测特征集；遍历所述多个实时信号监测结果进行监测环境干扰补偿融合，获得多个特征融合监测结果；基于局放识别敏感分析函数，构建柜体局部放电识别通道；基于所述多个特征融合监测结果，根据所述柜体局部放电识别通道执行所述目标高压开关柜的局部放电识别，获得柜体局部放电识别报告。
第二方面，本申请还提供了一种多特征融合的高压开关柜局部放电识别***，其中，所述***包括：
目标获取模块，所述目标获取模块用于获得目标高压开关柜；配置获取模块，所述配置获取模块用于获得预设放电监测三元配置，其中，所述预设放电监测三元配置包括多个柜体放电监测硬件，所述多个柜体放电监测硬件包括超声波监测硬件、脉冲电流监测硬件和气体监测硬件；局放监测配置模块，所述局放监测配置模块用于基于柜体监测特征挖掘算法，根据所述预设放电监测三元配置对所述目标高压开关柜进行监测特征分析，搭建柜体局放监测子模块，其中，所述柜体局放监测子模块包括多个局放监测单元；实时监测模块，所述实时监测模块用于基于所述多个局放监测单元对所述目标高压开关柜进行实时监测，获得多个实时信号监测结果，其中，每个实时信号监测结果包括超声波监测信号集、脉冲电流监测信号集和气体监测特征集；特征融合模块，所述特征融合模块用于遍历所述多个实时信号监测结果进行监测环境干扰补偿融合，获得多个特征融合监测结果；识别构建模块，所述识别构建模块用于基于局放识别敏感分析函数，构建柜体局部放电识别通道；局部放电识别模块，所述局部放电识别模块用于基于所述多个特征融合监测结果，根据所述柜体局部放电识别通道执行所述目标高压开关柜的局部放电识别，获得柜体局部放电识别报告。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过获得目标高压开关柜；获得预设放电监测三元配置；基于柜体监测特征挖掘算法，对目标高压开关柜进行监测特征分析，搭建柜体局放监测子模块，其中，柜体局放监测子模块包括多个局放监测单元；基于多个局放监测单元对目标高压开关柜进行实时监测，获得多个实时信号监测结果；遍历多个实时信号监测结果进行监测环境干扰补偿融合，获得多个特征融合监测结果；基于局放识别敏感分析函数，构建柜体局部放电识别通道；基于多个特征融合监测结果，根据柜体局部放电识别通道执行目标高压开关柜的局部放电识别，获得柜体局部放电识别报告。进而达成识别效率高、识别准确度置信度好的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚阐明本申请的技术手段，进而可依照说明书的内容予以实施，并且为了让本申请的上述及其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
本发明的实施例及后述简单说明结合图示予以说明，附图说明如下：
图1为本申请一种多特征融合的高压开关柜局部放电识别方法的流程示意图；
图2为本申请一种多特征融合的高压开关柜局部放电识别方法中基于局放识别敏感分析函数，构建柜体局部放电识别通道的流程示意图；
图3为本申请一种多特征融合的高压开关柜局部放电识别***的结构示意图。
附图标记说明：目标获取模块11、配置获取模块12、局放监测配置模块13、实时监测模块14、特征融合模块15、识别构建模块16、局部放电识别模块17。
具体实施方式
本申请通过提供一种多特征融合的高压开关柜局部放电识别方法和***，解决了现有技术面临的识别效率低、识别准确度置信度差的技术问题。
本技术实施例中的方案，为解决上述问题，所采用的整体思路如下：
首先，获取目标高压开关柜；接着，获取预设放电监测三元配置；而后，通过柜体监测特征挖掘算法，对目标高压开关柜进行监测特征分析，并建立柜体局放监测子模块，该子模块包含多个局放监测单元；进而利用多个局放监测单元对目标高压开关柜进行实时监测，获取多个实时信号监测结果；然后，对多个实时信号监测结果进行环境干扰补偿融合，得到多个特征融合监测结果；此外，创建柜体局部放电识别通道，基于局放识别敏感分析函数，为目标高压开关柜构建该通道；最后，使用多个特征融合监测结果，结合柜体局部放电识别通道，执行对目标高压开关柜的局部放电识别，生成柜体局部放电识别报告。进而达成识别效率高、识别准确度置信度好的技术效果。
为更好理解上述技术方案，下面将结合说明书附图和具体的实施方式来对上述技术方案进行详细的说明，需要说明的是，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。基于本发明的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部。
实施例一
如图1所示，本申请提供了一种多特征融合的高压开关柜局部放电识别方法，所述方法包括：
S100：获得目标高压开关柜；
其中开关柜是一种用于控制、分配和保护电力***中的电能的电力电网设备。获得目标高压开关柜，首先明确进行局部放电识别的高压开关柜对象，作为后续步骤的操作对象。获得目标高压开关柜，包括确定要监测的高压开关柜的位置、型号、参数等信息，以便后续的监测和识别工作能够有针对性地进行。
可选的，目标高压开关柜包括一个独立的高压开关柜个体、一电力网络中的多个同型号高压开关柜集群，或多种高压开关柜构成的集群网络。
S200：获得预设放电监测三元配置，其中，所述预设放电监测三元配置包括多个柜体放电监测硬件，所述多个柜体放电监测硬件包括超声波监测硬件、脉冲电流监测硬件和气体监测硬件；
可选的，对开关柜进行局部放电监测，局部放电监测方法包括：脉冲电流法（视在放电量法）、超高频（UHF）检测法、暂态地电压（TEV）检测法、超声波检测法（AE)、SF6气体组分测试法。
超声波监测硬件基于超声波检测法（AE）进行监测，包括多个超声波检测仪。电气击穿发生在空气间隙，瞬间就可以完成放电，此时电能在一瞬间转化为热能，放电中心的气体受到热能的作用会发生膨胀，通过声波向外传播。因为局部放电的区域相对较小，所以局放声源即为点声源。通过监测超声波得以实现对开关柜的局放检测，且可以实现放电源的准确定位。此外，超声波监测还存在不受电气上的干扰、超声波的衰减和折反射对检测结果造成干扰的技术特点，进而由预设放电监测三元配置中其他监测硬件予以补足。
脉冲电流监测硬件基于脉冲电流法（视在放电量法）进行监测，包括多个脉冲电流监测仪。在局部放电发生时，会产生非常短暂的脉冲电流，其宽度一般在纳秒级别。这些电流脉冲会引发瞬态电磁波辐射，并通过电缆传输。在高压开关柜处于稳定状态时，三相电缆的电流在接头处叠加后总电流为零；而在没有局部放电事件发生时，接头处只会监测到均匀的噪声电流信号。若在接头处检测到异常的脉冲电流信号，这些信号符合局部放电的特征，即可确定高压开关柜中发生了一起局部放电事件。脉冲电流监测仪通过测量脉冲电流，检测局部放电的发生。此外，脉冲电流监测具有灵敏度高、实时性好、可测得放电量、放电重复率、平均电流、容易被噪声干扰甚至湮没信噪比低的技术特点。进而由预设放电监测三元配置中其他监测硬件予以补足。
气体监测硬件基于SF6气体组分测试法进行监测，包括多个SF6气体组分测试仪。在高压开关柜中，SF6气体充满内部腔体充当绝缘介质，高压开关柜在经受局部放电后，在高压电弧的作用下，SF6气体会发生部分分解，高压开关柜气室会出现异常分解物。SF6的主要电分解产物有：HF、SO2、SOF2、CuF2、WO3等。通过检测相关气室的SF6组分，得以实现对局部放电的检测和定位。
S300：基于柜体监测特征挖掘算法，根据所述预设放电监测三元配置对所述目标高压开关柜进行监测特征分析，搭建柜体局放监测子模块，其中，所述柜体局放监测子模块包括多个局放监测单元；
可选的，局放监测单元包括超声波检测仪、脉冲电流监测仪、SF6气体监测仪。多个局放监测单元对应目标高压开关柜监测特征分析结果的多个局放监测点位，形成柜体局放监测子模块。其中，根据预设放电监测三元配置对目标高压开关柜进行监测特征分析，用于基于目标高压开关柜的材料，结构等组成，获取局放监测单元的布设位置。
进一步的，基于柜体监测特征挖掘算法，根据所述预设放电监测三元配置对所述目标高压开关柜进行监测特征分析，搭建柜体局放监测子模块，步骤S300包括：
获得所述目标高压开关柜的柜体基础属性特征；
获得所述目标高压开关柜的实时柜体环境特征，并基于所述实时柜体环境特征进行局部放电诱导分析，获得柜体环境局放诱导系数；
对所述目标高压开关柜进行局部放电空域特征挖掘，获得柜体放电空域特征分布；
基于所述预设放电监测三元配置，根据所述柜体基础属性特征和所述柜体环境局放诱导系数和所述柜体放电空域特征分布对所述目标高压开关柜进行监测传感器布设，获得所述柜体局放监测子模块。
可选的，目标高压开关柜的柜体基础属性特征包括尺寸和形状、材料构造、电压等级、绝缘等级、安全特性、接入方式、负荷容量等。柜体基础属性特征反映了目标高压开关柜的基础特点，提供了对目标高压开关柜的标准化描述。
目标高压开关柜的实时柜体环境特征是指目标开关柜内部的环境特征，用于反映目标开关柜内部的实时环境状态，可选的，实时柜体环境特征包括环境温度特征、环境湿度特征、电场强度特征等。基于上述实时柜体环境特征进行局部放电诱导分析，通过识别可能导致局部放电的因素实现。柜体环境局放诱导系数用于量化柜体环境对局部放电的影响程度的指标。
可选的，实时环境状态基于目标高压开关柜中多个实时环境状态传感器获取。包括环境温度传感器、环境湿度传感器、环境电场传感器等。
可选的，局部放电诱导分析通过局部放电诱导分析通路进行。示例性的，获取历史局部放电监测记录，以局部放电强度及局部放电频次为特征匹配响应特征、以实时柜体环境特征为特征匹配约束特征，构建实时柜体环境特征与局部放电事件的响应关系，获取局部放电诱导分析通路。
此外，布设放电监测传感器，并连接到监测***中。传感器可以通过有线或无线方式与监测***进行连接，将检测到的放电信号传输到监测***中进行分析和处理。
进一步的，对所述目标高压开关柜进行局部放电空域特征挖掘，获得柜体放电空域特征分布，步骤还包括：
获得所述目标高压开关柜的局部放电位置记录库；
对所述局部放电位置记录库进行局部放电位置聚类，获得多个局放位置聚类结果；
基于所述多个局放位置聚类结果进行局部放电触发度计算，获得多个局放位置触发度；
基于预设位置触发度对所述多个局放位置触发度进行筛选，获得大于所述预设位置触发度的多个标识局放位置触发度；
基于所述目标高压开关柜进行多个位置的局部放电影响性分析，获得多个局放位置影响度；
基于预设位置影响度对所述多个局放位置影响度进行筛选，获得大于所述预设位置影响度的多个标识局放位置影响度；
基于所述多个标识局放位置触发度和所述多个标识局放位置影响度执行所述目标高压开关柜的并集位置标识，获得所述柜体放电空域特征分布。
可选的，局部放电位置记录库基于局部放电事件日志构建，通过调用局部放电事件日志，基于数据挖掘技术原理，提取局部放电事件日志中多次局部放电事件的放电位置记录，将多个放电位置记录添加至局部放电位置记录库。
局部放电位置聚类用于对多个局部放电位置记录进行基于放电位置的聚类分析，获取多个局放位置聚类结果。多个局放位置聚类结果反映了目标高压开关柜发生过局部放电事件的多个位置。
可选的，基于局部放电事件的监测数据和特征，计算获取局部放电触发度。监测数据和特征包括：局部放电信号的幅值特征、放电频率、局部放电类型、局部放电持续时间等。局放位置触发度用于反映局放位置的局放事件触发概率。大于预设位置触发度的多个标识局放位置触发度对应的局放位置，触发局放事件的可能性较高。
标识局放位置影响度用于量化多个局放位置聚类发生局放事件对目标高压开关柜的影响程度。可选的，局部放电影响性分析根据局部放电位置与目标高压开关柜内部结构功能分区的对应关系实现。示例性的，局部放电位置邻域电路集中、距离重要程度高的功能分区距离近，则局部放电影响性大，局放位置影响度高。
通过综合多个标识局放位置触发度和多个标识局放位置影响度，进行目标高压开关柜的并集位置标识，获取柜体放电空域特征分布。实现了目标高压开关柜高风险关键放电空域的标记识别，便于后续根据柜体放电空域特征分布进行针对性监测。
S400：基于所述多个局放监测单元对所述目标高压开关柜进行实时监测，获得多个实时信号监测结果，其中，每个实时信号监测结果包括超声波监测信号集、脉冲电流监测信号集和气体监测特征集；
可选的，实时监测为连续在线监测，多个局放监测单元对目标高压开关柜进行实时监测，并通过数据连接通道，将经过数据编码的多个实时信号监测结果传输至本申请的一种多特征融合的高压开关柜局部放电识别***。其中，数据编码通过以特定的编码办法和编码格式，实现多个实时信号监测结果的压缩，便于数据传输。
可选的，获得多个实时信号监测结果后，对多个实时信号监测结果进行数据校验，进而确保接收到的检测结果数据的完整、准确，提高局部放电识别的准确性。
S500：遍历所述多个实时信号监测结果进行监测环境干扰补偿融合，获得多个特征融合监测结果；
进一步的，遍历所述多个实时信号监测结果进行监测环境干扰补偿融合，获得多个特征融合监测结果，步骤S500还包括：
遍历所述多个实时信号监测结果，获得第一实时信号监测结果，其中，所述第一实时信号监测结果包括第一超声波监测信号集、第一脉冲电流监测信号集和第一气体监测特征集；
基于第一超声波监测信号集进行监测环境干扰补偿融合，获得第一补偿超声波监测信号集；
基于所述第一脉冲电流监测信号集进行监测环境干扰补偿融合，获得第一补偿脉冲电流监测信号集；
基于所述第一气体监测特征集进行监测环境干扰补偿融合，获得第一补偿气体监测特征集；
集成所述第一补偿超声波监测信号集、所述第一补偿脉冲电流监测信号集和所述第一补偿气体监测特征集，生成所述第一实时信号监测结果对应的第一特征融合监测结果，并将所述第一特征融合监测结果添加至所述多个特征融合监测结果。
在局部放电监测中，环境干扰可能会影响超声波监测信号的准确性，因此需要进行补偿和融合以提高监测的可靠性。监测环境干扰补偿融合用于减少环境噪音对超声波监测的影响。
可选的，监测环境干扰补偿融合方法包括：噪音滤除，通过采用滤波器或信号处理技术，去除来自环境噪音的信号成分。示例性的，对于超声波监测信号，引入小波变换的方法，在不改变信号可评估性的同时提高信噪比；信号增强，对被监测的超声波信号进行增强放大，以突出其中的特征或模式；多传感器融合，通过多个传感器进行监测采集，将它们的监测结果融合在一起，以提高对局部放电的检测性能。融合可以采用加权平均、特征融合等方法。
其中，第一特征融合监测结果是指对经过环境补偿处理获取的第一补偿超声波监测信号集、第一补偿脉冲电流监测信号集和第一补偿气体监测特征集进行特征融合关联存储后获取的特征集。
此外，需理解的是，基于获得第一补偿超声波监测信号集同样的方法原理，对上述第一脉冲电流监测信号集进行监测环境干扰补偿融合，获得第一补偿脉冲电流监测信号集；对上述第一气体监测特征集进行监测环境干扰补偿融合，获得第一补偿气体监测特征集；为了说明书的简介，在此不做进一步的展开说明。
进一步的基于第一超声波监测信号集进行监测环境干扰补偿融合，获得第一补偿超声波监测信号集，步骤还包括：
采集所述第一超声波监测信号集的实时硬件传感环境信息，获得多个实时传感环境指标；
基于所述多个实时传感环境指标进行环境影响度分析，获得多个传感环境影响度；
若所述多个传感环境影响度中任意一个传感环境影响度大于/等于预设环境影响度，生成第一超声波传感补偿指令，并根据所述第一超声波传感补偿指令对所述第一超声波监测信号集进行监测环境干扰补偿，获得所述第一补偿超声波监测信号集；
若所述多个传感环境影响度均小于所述预设环境影响度，生成第一超声波传感融合指令，并根据所述第一超声波传感融合指令将所述第一超声波监测信号集输出为所述第一补偿超声波监测信号集。
其中，实时传感环境指标是指实时的环境噪声值，体现了的实时环境特征的原始值。可选的，环境影响度分析通过计算噪声对超声波监测信号的信噪比的影响程度进行。其中，信噪比的计算公式为：
；
其中，Signal Power表示信号的功率，Noise Power表示噪声的功率。根据计算得到的信噪比值，对信号的质量进行分析。信噪比越高，表示信号质量越好，环境噪声对超声波监测信号影响越小，反之亦然。
可选的，若传感环境影响度大于/等于预设环境影响度，即实时信噪比不高于预设的监测信号信噪比要求，说明该环境对局部放电监测***造成了较大的影响，基于第一超声波传感补偿指令进行第一超声波监测信号集的监测环境干扰补偿。若传感环境影响度小于预设环境影响度，即实时信噪比高于预设的监测信号信噪比要求，说明该环境对局部放电监测***造成影响较轻微，无需进行监测环境干扰补偿。
S600：基于局放识别敏感分析函数，构建柜体局部放电识别通道；
进一步的，如图2所示，基于局放识别敏感分析函数，构建柜体局部放电识别通道，步骤S600还包括：
基于所述目标高压开关柜，获得多个同族高压开关柜，并对所述多个同族高压开关柜进行局部放电识别记录采集，获得同族局部放电识别记录库；
基于所述目标高压开关柜进行局部放电识别记录采集，获得主体局部放电识别记录库；
基于所述同族局部放电识别记录库，训练局部放电识别网络；
基于所述主体局部放电识别记录库对所述局部放电识别网络进行测试，获得局放识别准确率和局放识别损失率；
将所述局放识别准确率和所述局放识别损失率输入所述局放识别敏感分析函数，获得局放识别敏感指数；
判断所述局放识别敏感指数是否小于预设敏感指数；
若所述局放识别敏感指数大于/等于预设敏感指数，获得网络映射指令，并根据所述网络映射指令，将所述局部放电识别网络添加至所述柜体局部放电识别通道。
其中，同族高压开关柜是指与目标高压开关柜同类型或同系列的高压开关柜，具有相似的柜体基础属性特征。通过采集多个同族高压开关柜的局部放电识别记录，获得同族局部放电识别记录库。并以同族局部放电识别记录库作为训练数据集，训练局部放电识别网络，实现了确保样本与目标高压开关柜适配度的同时，丰富了训练集的样本数量，进而确保局部放电识别网络的训练效果。
可选的，局部放电识别网络基于深度学习网络构建，包括卷积神经网络（CNN）或循环神经网络（RNN），用于从局部放电数据中提取特征并进行分类。其中，局部放电识别网络以特征融合监测结果为输入特征、局部放电识别结果为相应特征。
可选的，局部放电识别准确率用于表示正确识别局部放电的比例。通过将网络的输出与测试数据的真实标签进行比较来计算。局部放电识别损失率表示在识别局部放电时所产生的错误。基于损失函数获取，用于量化测量网络的预测结果与实际标签之间的差异。
其中，若局放识别敏感指数大于/等于预设敏感指数，则说明局部放电识别网络性能表现满足预设的高压开关柜局部放电识别需求。
进一步的，所述方法还包括：
所述局放识别敏感分析函数为：
；
其中，Psen表征局放识别敏感指数，X1表征局放识别准确率，X2表征局放识别损失率。
S700：基于所述多个特征融合监测结果，根据所述柜体局部放电识别通道执行所述目标高压开关柜的局部放电识别，获得柜体局部放电识别报告。
可选的，柜体局部放电识别报告包含了局部放电识别结果，用于量化战术局部放电事件的发生情况。柜体局部放电识别报告包含有关局部放电事件的信息，包括局部放电事件的位置、局部放电强度、持续时间等。进而为运维人员了解高压开关柜的状态，进一步分析和处理提供数据支持。
综上所述，本发明所提供的一种多特征融合的高压开关柜局部放电识别方法具有如下技术效果：
通过获得目标高压开关柜；获得预设放电监测三元配置；基于柜体监测特征挖掘算法，对目标高压开关柜进行监测特征分析，搭建柜体局放监测子模块，其中，柜体局放监测子模块包括多个局放监测单元；基于多个局放监测单元对目标高压开关柜进行实时监测，获得多个实时信号监测结果；遍历多个实时信号监测结果进行监测环境干扰补偿融合，获得多个特征融合监测结果；基于局放识别敏感分析函数，构建柜体局部放电识别通道；基于多个特征融合监测结果，根据柜体局部放电识别通道执行目标高压开关柜的局部放电识别，获得柜体局部放电识别报告。进而达成识别效率高、识别准确度置信度好的技术效果。
实施例二
基于与所述实施例中一种多特征融合的高压开关柜局部放电识别方法同样的构思，如图3所示，本申请还提供了一种多特征融合的高压开关柜局部放电识别***，所述***包括：
目标获取模块11，用于获得目标高压开关柜；
配置获取模块12，用于获得预设放电监测三元配置，其中，所述预设放电监测三元配置包括多个柜体放电监测硬件，所述多个柜体放电监测硬件包括超声波监测硬件、脉冲电流监测硬件和气体监测硬件；
局放监测配置模块13，用于基于柜体监测特征挖掘算法，根据所述预设放电监测三元配置对所述目标高压开关柜进行监测特征分析，搭建柜体局放监测子模块，其中，所述柜体局放监测子模块包括多个局放监测单元；
实时监测模块14，用于基于所述多个局放监测单元对所述目标高压开关柜进行实时监测，获得多个实时信号监测结果，其中，每个实时信号监测结果包括超声波监测信号集、脉冲电流监测信号集和气体监测特征集；
特征融合模块15，用于遍历所述多个实时信号监测结果进行监测环境干扰补偿融合，获得多个特征融合监测结果；
识别构建模块16，所述识别构建模块用于基于局放识别敏感分析函数，构建柜体局部放电识别通道；
局部放电识别模块17，用于基于所述多个特征融合监测结果，根据所述柜体局部放电识别通道执行所述目标高压开关柜的局部放电识别，获得柜体局部放电识别报告。
进一步的，局放监测配置模块13还包括：
同族记录采集单元，用于基于所述目标高压开关柜，获得多个同族高压开关柜，并对所述多个同族高压开关柜进行局部放电识别记录采集，获得同族局部放电识别记录库；
主体记录采集单元，用于基于所述目标高压开关柜进行局部放电识别记录采集，获得主体局部放电识别记录库；
识别网络训练单元，用于基于所述同族局部放电识别记录库，训练局部放电识别网络；
识别网络测试单元，用于基于所述主体局部放电识别记录库对所述局部放电识别网络进行测试，获得局放识别准确率和局放识别损失率；
敏感指数单元，用于将所述局放识别准确率和所述局放识别损失率输入所述局放识别敏感分析函数，获得局放识别敏感指数；
敏感指数判别单元，用于判断所述局放识别敏感指数是否小于预设敏感指数；
网络映射单元，用于若所述局放识别敏感指数大于/等于预设敏感指数，获得网络映射指令，并根据所述网络映射指令，将所述局部放电识别网络添加至所述柜体局部放电识别通道。
进一步的，敏感指数单元还包括敏感分析函数单元：
局放识别敏感分析函数为：
；
其中，Psen表征局放识别敏感指数，X1表征局放识别准确率，X2表征局放识别损失率。
进一步的，特征融合模块15还包括：
监测结果提取单元，用于遍历所述多个实时信号监测结果，获得第一实时信号监测结果，其中，所述第一实时信号监测结果包括第一超声波监测信号集、第一脉冲电流监测信号集和第一气体监测特征集；
补偿超声波单元，用于基于第一超声波监测信号集进行监测环境干扰补偿融合，获得第一补偿超声波监测信号集；
补偿脉冲电流单元，用于基于所述第一脉冲电流监测信号集进行监测环境干扰补偿融合，获得第一补偿脉冲电流监测信号集；
补偿气体单元，用于基于所述第一气体监测特征集进行监测环境干扰补偿融合，获得第一补偿气体监测特征集；
监测特征融合单元，用于集成所述第一补偿超声波监测信号集、所述第一补偿脉冲电流监测信号集和所述第一补偿气体监测特征集，生成所述第一实时信号监测结果对应的第一特征融合监测结果，并将所述第一特征融合监测结果添加至所述多个特征融合监测结果。
进一步的，补偿超声波监测单元还包括：
环境信息单元，用于采集所述第一超声波监测信号集的实时硬件传感环境信息，获得多个实时传感环境指标；
环境影响度分析单元，用于基于所述多个实时传感环境指标进行环境影响度分析，获得多个传感环境影响度；
干扰补偿单元，用于若所述多个传感环境影响度中任意一个传感环境影响度大于/等于预设环境影响度，生成第一超声波传感补偿指令，并根据所述第一超声波传感补偿指令对所述第一超声波监测信号集进行监测环境干扰补偿，获得所述第一补偿超声波监测信号集；
传感融合单元，用于若所述多个传感环境影响度均小于所述预设环境影响度，生成第一超声波传感融合指令，并根据所述第一超声波传感融合指令将所述第一超声波监测信号集输出为所述第一补偿超声波监测信号集。
进一步的，识别构建模块16还包括：
属性获取单元，用于获得所述目标高压开关柜的柜体基础属性特征；
放电诱导分析单元，用于获得所述目标高压开关柜的实时柜体环境特征，并基于所述实时柜体环境特征进行局部放电诱导分析，获得柜体环境局放诱导系数；
特征挖掘单元，用于对所述目标高压开关柜进行局部放电空域特征挖掘，获得柜体放电空域特征分布；
传感器布设单元，用于基于所述预设放电监测三元配置，根据所述柜体基础属性特征和所述柜体环境局放诱导系数和所述柜体放电空域特征分布对所述目标高压开关柜进行监测传感器布设，获得所述柜体局放监测子模块。
进一步的，特征挖掘单元还包括：
位置记录获取单元，用于获得所述目标高压开关柜的局部放电位置记录库；
位置聚类单元，用于对所述局部放电位置记录库进行局部放电位置聚类，获得多个局放位置聚类结果；
触发度计算单元，用于基于所述多个局放位置聚类结果进行局部放电触发度计算，获得多个局放位置触发度；
触发度筛选单元，用于基于预设位置触发度对所述多个局放位置触发度进行筛选，获得大于所述预设位置触发度的多个标识局放位置触发度；
放电影响性分析单元，用于基于所述目标高压开关柜进行多个位置的局部放电影响性分析，获得多个局放位置影响度；
影响度筛选单元，用于基于预设位置影响度对所述多个局放位置影响度进行筛选，获得大于所述预设位置影响度的多个标识局放位置影响度；
并集位置标识单元，用于基于所述多个标识局放位置触发度和所述多个标识局放位置影响度执行所述目标高压开关柜的并集位置标识，获得所述柜体放电空域特征分布。
应当理解的是，本说明书中所提及的实施例重点在其与其他实施例的不同，前述实施例一中的具体实施例，同样适用于实施例二所述的一种多特征融合的高压开关柜局部放电识别***，为了说明书的简洁，在此不做进一步的展开。
应当理解的是，本申请所公开的实施例及上述说明，可以使得本领域的技术人员运用本申请实现本申请。同时本申请不被限制于上述所提到的这部分实施例，对本申请提到的实施例进行显而易见的修改、变种，也属于本申请原理范围之内。
Claims (8)
1.一种多特征融合的高压开关柜局部放电识别方法，其特征在于，所述方法包括：
获得目标高压开关柜；
获得预设放电监测三元配置，其中，所述预设放电监测三元配置包括多个柜体放电监测硬件，所述多个柜体放电监测硬件包括超声波监测硬件、脉冲电流监测硬件和气体监测硬件；
基于柜体监测特征挖掘算法，根据所述预设放电监测三元配置对所述目标高压开关柜进行监测特征分析，搭建柜体局放监测子模块，其中，所述柜体局放监测子模块包括多个局放监测单元；
基于所述多个局放监测单元对所述目标高压开关柜进行实时监测，获得多个实时信号监测结果，其中，每个实时信号监测结果包括超声波监测信号集、脉冲电流监测信号集和气体监测特征集；
遍历所述多个实时信号监测结果进行监测环境干扰补偿融合，获得多个特征融合监测结果；
基于局放识别敏感分析函数，构建柜体局部放电识别通道；
基于所述多个特征融合监测结果，根据所述柜体局部放电识别通道执行所述目标高压开关柜的局部放电识别，获得柜体局部放电识别报告。
2.如权利要求1所述的方法，其特征在于，基于局放识别敏感分析函数，构建柜体局部放电识别通道，包括：
基于所述目标高压开关柜，获得多个同族高压开关柜，并对所述多个同族高压开关柜进行局部放电识别记录采集，获得同族局部放电识别记录库；
基于所述目标高压开关柜进行局部放电识别记录采集，获得主体局部放电识别记录库；
基于所述同族局部放电识别记录库，训练局部放电识别网络；
基于所述主体局部放电识别记录库对所述局部放电识别网络进行测试，获得局放识别准确率和局放识别损失率；
将所述局放识别准确率和所述局放识别损失率输入所述局放识别敏感分析函数，获得局放识别敏感指数；
判断所述局放识别敏感指数是否小于预设敏感指数；
若所述局放识别敏感指数大于/等于预设敏感指数，获得网络映射指令，并根据所述网络映射指令，将所述局部放电识别网络添加至所述柜体局部放电识别通道。
3.如权利要求2所述的方法，其特征在于，所述方法包括：
所述局放识别敏感分析函数为：
；
其中，Psen表征局放识别敏感指数，X1表征局放识别准确率，X2表征局放识别损失率。
4.如权利要求1所述的方法，其特征在于，遍历所述多个实时信号监测结果进行监测环境干扰补偿融合，获得多个特征融合监测结果，包括：
遍历所述多个实时信号监测结果，获得第一实时信号监测结果，其中，所述第一实时信号监测结果包括第一超声波监测信号集、第一脉冲电流监测信号集和第一气体监测特征集；
基于第一超声波监测信号集进行监测环境干扰补偿融合，获得第一补偿超声波监测信号集；
基于所述第一脉冲电流监测信号集进行监测环境干扰补偿融合，获得第一补偿脉冲电流监测信号集；
基于所述第一气体监测特征集进行监测环境干扰补偿融合，获得第一补偿气体监测特征集；
集成所述第一补偿超声波监测信号集、所述第一补偿脉冲电流监测信号集和所述第一补偿气体监测特征集，生成所述第一实时信号监测结果对应的第一特征融合监测结果，并将所述第一特征融合监测结果添加至所述多个特征融合监测结果。
5.如权利要求4所述的方法，其特征在于，基于第一超声波监测信号集进行监测环境干扰补偿融合，获得第一补偿超声波监测信号集，包括：
采集所述第一超声波监测信号集的实时硬件传感环境信息，获得多个实时传感环境指标；
基于所述多个实时传感环境指标进行环境影响度分析，获得多个传感环境影响度；
若所述多个传感环境影响度中任意一个传感环境影响度大于/等于预设环境影响度，生成第一超声波传感补偿指令，并根据所述第一超声波传感补偿指令对所述第一超声波监测信号集进行监测环境干扰补偿，获得所述第一补偿超声波监测信号集；
若所述多个传感环境影响度均小于所述预设环境影响度，生成第一超声波传感融合指令，并根据所述第一超声波传感融合指令将所述第一超声波监测信号集输出为所述第一补偿超声波监测信号集。
6.如权利要求1所述的方法，其特征在于，基于柜体监测特征挖掘算法，根据所述预设放电监测三元配置对所述目标高压开关柜进行监测特征分析，搭建柜体局放监测子模块，包括：
获得所述目标高压开关柜的柜体基础属性特征；
获得所述目标高压开关柜的实时柜体环境特征，并基于所述实时柜体环境特征进行局部放电诱导分析，获得柜体环境局放诱导系数；
对所述目标高压开关柜进行局部放电空域特征挖掘，获得柜体放电空域特征分布；
基于所述预设放电监测三元配置，根据所述柜体基础属性特征和所述柜体环境局放诱导系数和所述柜体放电空域特征分布对所述目标高压开关柜进行监测传感器布设，获得所述柜体局放监测子模块。
7.如权利要求6所述的方法，其特征在于，对所述目标高压开关柜进行局部放电空域特征挖掘，获得柜体放电空域特征分布，包括：
获得所述目标高压开关柜的局部放电位置记录库；
对所述局部放电位置记录库进行局部放电位置聚类，获得多个局放位置聚类结果；
基于所述多个局放位置聚类结果进行局部放电触发度计算，获得多个局放位置触发度；
基于预设位置触发度对所述多个局放位置触发度进行筛选，获得大于所述预设位置触发度的多个标识局放位置触发度；
基于所述目标高压开关柜进行多个位置的局部放电影响性分析，获得多个局放位置影响度；
基于预设位置影响度对所述多个局放位置影响度进行筛选，获得大于所述预设位置影响度的多个标识局放位置影响度；
基于所述多个标识局放位置触发度和所述多个标识局放位置影响度执行所述目标高压开关柜的并集位置标识，获得所述柜体放电空域特征分布。
8.一种多特征融合的高压开关柜局部放电识别***，其特征在于，所述***包括：
目标获取模块，所述目标获取模块用于获得目标高压开关柜；
配置获取模块，所述配置获取模块用于获得预设放电监测三元配置，其中，所述预设放电监测三元配置包括多个柜体放电监测硬件，所述多个柜体放电监测硬件包括超声波监测硬件、脉冲电流监测硬件和气体监测硬件；
局放监测配置模块，所述局放监测配置模块用于基于柜体监测特征挖掘算法，根据所述预设放电监测三元配置对所述目标高压开关柜进行监测特征分析，搭建柜体局放监测子模块，其中，所述柜体局放监测子模块包括多个局放监测单元；
实时监测模块，所述实时监测模块用于基于所述多个局放监测单元对所述目标高压开关柜进行实时监测，获得多个实时信号监测结果，其中，每个实时信号监测结果包括超声波监测信号集、脉冲电流监测信号集和气体监测特征集；
特征融合模块，所述特征融合模块用于遍历所述多个实时信号监测结果进行监测环境干扰补偿融合，获得多个特征融合监测结果；
识别构建模块，所述识别构建模块用于基于局放识别敏感分析函数，构建柜体局部放电识别通道；
局部放电识别模块，所述局部放电识别模块用于基于所述多个特征融合监测结果，根据所述柜体局部放电识别通道执行所述目标高压开关柜的局部放电识别，获得柜体局部放电识别报告。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311422063.1A CN117148076B (zh) | 2023-10-31 | 2023-10-31 | 一种多特征融合的高压开关柜局部放电识别方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311422063.1A CN117148076B (zh) | 2023-10-31 | 2023-10-31 | 一种多特征融合的高压开关柜局部放电识别方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117148076A true CN117148076A (zh) | 2023-12-01 |
| CN117148076B CN117148076B (zh) | 2024-01-26 |
Family
ID=88899139
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311422063.1A Active CN117148076B (zh) | 2023-10-31 | 2023-10-31 | 一种多特征融合的高压开关柜局部放电识别方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117148076B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117538710A (zh) * | 2023-12-14 | 2024-02-09 | 四川大唐国际甘孜水电开发有限公司 | 用于局部动态放电监测的智能预警方法及*** |
| CN118091344A (zh) * | 2024-04-25 | 2024-05-28 | 北京迪赛奇正科技有限公司 | 一种电源变换器检测方法及*** |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009047663A (ja) * | 2007-08-23 | 2009-03-05 | Chubu Electric Power Co Inc | 電気機器の部分放電検出方法とその装置 |
| CN102435922A (zh) * | 2011-10-26 | 2012-05-02 | 上海交通大学 | Gis局部放电的声电联合检测***和定位方法 |
| CN208445119U (zh) * | 2018-05-25 | 2019-01-29 | 南通豪强电器设备有限公司 | 一种防护型开关柜 |
| CN112085084A (zh) * | 2020-08-24 | 2020-12-15 | 宁波大学 | 一种基于多特征融合共同向量的变压器故障诊断方法 |
| CN112748317A (zh) * | 2021-03-23 | 2021-05-04 | 国网河南省电力公司电力科学研究院 | 基于多种监测数据的开关柜局部放电故障检测方法及*** |
| CN115598476A (zh) * | 2022-10-18 | 2023-01-13 | 广东电网有限责任公司广州供电局（Cn） | 一种环网箱多参量融合绝缘状态监测方法、装置及介质 |
| CN116338399A (zh) * | 2023-05-04 | 2023-06-27 | 华北电力大学 | 一种基于多参量联合的gis局部放电检测*** |
| CN116452542A (zh) * | 2023-04-19 | 2023-07-18 | 华北电力大学（保定） | 一种基于神经监督决策树的gis局部放电缺陷诊断方法 |
-
2023
- 2023-10-31 CN CN202311422063.1A patent/CN117148076B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009047663A (ja) * | 2007-08-23 | 2009-03-05 | Chubu Electric Power Co Inc | 電気機器の部分放電検出方法とその装置 |
| CN102435922A (zh) * | 2011-10-26 | 2012-05-02 | 上海交通大学 | Gis局部放电的声电联合检测***和定位方法 |
| CN208445119U (zh) * | 2018-05-25 | 2019-01-29 | 南通豪强电器设备有限公司 | 一种防护型开关柜 |
| CN112085084A (zh) * | 2020-08-24 | 2020-12-15 | 宁波大学 | 一种基于多特征融合共同向量的变压器故障诊断方法 |
| CN112748317A (zh) * | 2021-03-23 | 2021-05-04 | 国网河南省电力公司电力科学研究院 | 基于多种监测数据的开关柜局部放电故障检测方法及*** |
| CN115598476A (zh) * | 2022-10-18 | 2023-01-13 | 广东电网有限责任公司广州供电局（Cn） | 一种环网箱多参量融合绝缘状态监测方法、装置及介质 |
| CN116452542A (zh) * | 2023-04-19 | 2023-07-18 | 华北电力大学（保定） | 一种基于神经监督决策树的gis局部放电缺陷诊断方法 |
| CN116338399A (zh) * | 2023-05-04 | 2023-06-27 | 华北电力大学 | 一种基于多参量联合的gis局部放电检测*** |
Non-Patent Citations (3)
| Title |
|---|
| XUEYOU HUANG 等: "Partial Discharge Identification of Distribution Cable Based on Multi-Feature Machine Learning", 《2022 7TH INTERNATIONAL CONFERENCE ON COMMUNICATION, IMAGE AND SIGNAL PROCESSING (CCISP)》, pages 1 - 5 * |
| YUN WANG 等: "Acoustic Detection and Decision Fusion Recognition of PD in Power Cable", 《2021 IEEE 2ND CHINA INTERNATIONAL YOUTH CONFERENCE ON ELECTRICAL ENGINEERING (CIYCEE)》, pages 1 - 6 * |
| 李先锋 等: "基于多特征融合的GIS隔离开关接触状态评估方法", 《热力发电》, pages 1 - 7 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117538710A (zh) * | 2023-12-14 | 2024-02-09 | 四川大唐国际甘孜水电开发有限公司 | 用于局部动态放电监测的智能预警方法及*** |
| CN117538710B (zh) * | 2023-12-14 | 2024-07-23 | 四川大唐国际甘孜水电开发有限公司 | 用于局部动态放电监测的智能预警方法及*** |
| CN118091344A (zh) * | 2024-04-25 | 2024-05-28 | 北京迪赛奇正科技有限公司 | 一种电源变换器检测方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117148076B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117148076B (zh) | 一种多特征融合的高压开关柜局部放电识别方法及*** | |
| CN109444682A (zh) | 基于多信息融合的开关柜局部放电诊断***的构建方法 | |
| CN107942206B (zh) | 一种gis局部放电定位方法 | |
| CN105676085A (zh) | 基于多传感器信息融合的特高压gis局部放电检测方法 | |
| KR101519923B1 (ko) | Ａｅ센서를 구비한 수배전반의 부분방전 검출 시스템 | |
| CN109001997B (zh) | 一种防干扰的环境信息采集*** | |
| CN114576566B (zh) | 燃气管道预警方法、装置、设备及存储介质 | |
| JP2015078882A (ja) | 絶縁診断装置 | |
| CN110673075B (zh) | 一种特高频局部放电检测仪抗电磁干扰性能的评价方法 | |
| CN114252749B (zh) | 基于多传感器的变压器局部放电检测方法及装置 | |
| CN108051364A (zh) | 一种epr核能电缆剩余寿命评估方法与预测epr核能电缆剩余使用寿命方法 | |
| CN109507556A (zh) | Mds型开关柜故障检测告警装置 | |
| CN115993511A (zh) | 一种局部放电类型高精度检测识别装置、方法和设备 | |
| CN211452424U (zh) | 一种基于多种无线传感器的带电检测*** | |
| CN205581259U (zh) | 一种具有微气象监测的gis局部放电在线监测*** | |
| EP2725367A1 (en) | Method and device for monitoring partial discharges | |
| CN117538710B (zh) | 用于局部动态放电监测的智能预警方法及*** | |
| CN116660703B (zh) | 基于数据分析的配网***绝缘故障在线监测*** | |
| CN113625133A (zh) | 一种配电设备局部放电的在线监测反馈***及方法 | |
| CN107991593A (zh) | 一种噪声及局部放电定位gis绝缘状态在线监测*** | |
| Judd et al. | Investigation of radiometric partial discharge detection for use in switched HVDC testing | |
| CN110261741A (zh) | 高压开关设备的放电位置定位方法、装置及终端设备 | |
| CN112487714B (zh) | 一种电缆竖井火灾状态识别决策树模型的生成方法 | |
| CN209356622U (zh) | Mds型开关柜故障检测告警装置 | |
| CN106093728A (zh) | 一种局放定位仪 |
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 |