CN117169657B - 一种基于人工智能的高压电缆状态监测方法及*** - Google Patents
一种基于人工智能的高压电缆状态监测方法及*** Download PDFInfo
- Publication number
- CN117169657B CN117169657B CN202311450376.8A CN202311450376A CN117169657B CN 117169657 B CN117169657 B CN 117169657B CN 202311450376 A CN202311450376 A CN 202311450376A CN 117169657 B CN117169657 B CN 117169657B
- Authority
- CN
- China
- Prior art keywords
- higher harmonic
- data
- temperature
- current
- artificial intelligence
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000005856 abnormality Effects 0.000 claims abstract description 12
- 238000002372 labelling Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 20
- 230000005611 electricity Effects 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 7
- 238000004040 coloring Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 abstract description 5
- 238000010422 painting Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 239000003086 colorant Substances 0.000 description 4
- 238000010183 spectrum analysis Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 239000011810 insulating material Substances 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method 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
- 238000005485 electric heating Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
Landscapes
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明提供一种基于人工智能的高压电缆状态监测方法及***,包括:第一步绘制电网拓扑图,收集电网每一相电每一检测点每一上报周期的历史电压信号、电流信号、温度数据,确定高次谐波比率及温度增加值;根据温度增加值改变拓扑图中线段的粗细,根据高次谐波比率对拓扑图进行涂色,对图像进行异常标注;以历史监测图像集进行神经网络训练,收集当前周期的实时数据,得到当前监测图像;将所述当前监测图像输入至第一模型,检测是否有异常。通过上述方案可以不用建立复杂的数学模型从而实现对多分支电网进行监测。
Description
技术领域
本发明涉及高压电缆状态监测领域,具体而言涉及一种基于人工智能的高压电缆状态监测方法及***。
背景技术
高压电缆状态监测是指对电力***中使用的高压电缆进行实时监测,以确保其正常运行和安全性能。高压电缆在输送电能的过程中承受着高电压和大电流,因此其状态的监测对于预防故障、保障电网稳定运行至关重要。
随着高压电缆绝缘材料的老化、损伤、电场强度过大、尖端电晕等因素的积累,很容易出现局部放电的问题。局部放电会在绝缘材料内部产生电流,产生电弧和放电现象。局部放电是电缆绝缘材料中的小规模放电现象,可能是潜在故障的指示。通过监测局部放电,可以提前发现电缆绝缘的问题,防止继续发展成大规模故障。
现有技术中通常使用局部放电传感器进行局部放电监测,这些传感器被安装在电缆上,用于捕捉局部放电产生的信号。传感器通常包括电磁传感器、电容传感器、超声传感器等,用来检测电场、电压、电流、声音等信号,在采集到相应的信号之后使用数学方法对信息进行高频电流变压分析、频谱分析等,以定位具体的故障点。
然而,现有技术中的方法通常需要复杂的数学处理过程,因此一般只针对单一线缆进行分析,对于多分支多相电需要建立复杂的数学模型,使用现有技术分析前需要提前进行人工粗定位至单一线缆,很难直接使用现有技术中的方法进行无人工参与的快速求解。
发明内容
为了解决现有技术中的问题,本发明提供一种基于人工智能的高压电缆状态监测方法及***。
在本发明的一个方面,提供一种基于人工智能的高压电缆状态监测方法,其特征在于所述方法包括如下步骤:步骤一,根据多分支电网实际分布绘制拓扑图;步骤二,收集所述多分支电网每一相电每一检测点每一上报周期的历史电压信号、电流信号、温度数据;步骤三,对于同一个上报周期的数据,根据电压信号以及电流信号确定高次谐波比率;根据温度数据确定最低温度,并将其它温度减去所述最低温度得到温度增加值;步骤四,根据所述温度增加值改变拓扑图中线段的粗细,根据三相电的各自的高次谐波比率确定RGB值,并根据确定的RGB值对所述拓扑图进行涂色,得到监测图像;步骤五,如果当前周期内有异常状态,则在监测图像上异常位置进行标注;步骤六,重复步骤三至五,处理全部历史数据,得到历史监测图像集;以历史监测图像集进行神经网络训练,得到第一模型;步骤七,收集当前周期的实时数据;根据步骤三至五处理当前周期的实时数据,得到当前监测图像;将所述当前监测图像输入至第一模型,检测是否有异常。
进一步地,所述温度增加值改变拓扑图中线段的粗细包括:新线粗=原始线粗*(1+温度增加值/5)。
进一步地,对两个检测点之间的温度进行线性插值。
进一步地,根据三相电的各自的高次谐波比率确定RGB值包括:采用Min-Max缩放,将三相电中的每一相的高次谐波比率转换为0-255的数据,将转换后的三个数据分别对应RGB值中的三个数。
进一步地,对两个检测点之间的像素颜色进行线性插值。
另一方面,本发明还提供一种基于人工智能的高压电缆状态监测***,其特征在于所述***包括如下模块:绘制模块,用于根据多分支电网实际分布绘制拓扑图;第一收集模块,用于收集所述多分支电网每一相电每一检测点每一上报周期的历史电压信号、电流信号、温度数据;计算模块,用于对于同一个上报周期的数据,根据电压信号以及电流信号确定高次谐波比率;根据温度数据确定最低温度,并将其它温度减去所述最低温度得到温度增加值;图像处理模块,用于根据所述温度增加值改变拓扑图中线段的粗细,根据三相电的各自的高次谐波比率确定RGB值,并根据确定的RGB值对所述拓扑图进行涂色,得到监测图像;标注模块,用于如果当前周期内有异常状态,则在监测图像上异常位置进行标注;训练模块,用于运行计算模块、图像处理模块、标注模块,处理全部历史数据,得到历史监测图像集;以历史监测图像集进行神经网络训练,得到第一模型;检测模块,用于收集当前周期的实时数据;根据步骤三至五处理当前周期的实时数据,得到当前监测图像;将所述当前监测图像输入至第一模型,检测是否有异常。
进一步地,所述根据所述温度增加值改变拓扑图中线段的粗细包括:新线粗=原始线粗*(1+温度增加值/5)。
进一步地,对两个检测点之间的温度进行线性插值。
进一步地,根据三相电的各自的高次谐波比率确定RGB值包括:采用Min-Max缩放,将三相电中的每一相的高次谐波比率转换为0-255的数据,将转换后的三个数据分别对应RGB值中的三个数。
进一步地,对两个检测点之间的像素颜色进行线性插值。
本发明通过上述技术方案,可以产生如下有益效果:
将电网的检测数据转化为可视化的图像数据,从而方便使用机器学习模型识别出图像中的异常点位。通过机器学习自动学习推导,避免人工建立数学模型,从而可对复杂的多分支网络进行异常识别。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1是本发明方法的流程图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做出进一步描述。
本实施例通过如下步骤解决上术问题:
在一个实施例中,参考图1,本发明提供一种基于人工智能的高压电缆状态监测方法,具体包括:
步骤一,根据多分支电网实际分布绘制拓扑图。
多分支电网是指电力***中存在多个分支或支路的电网结构。在电力***中,电能通常通过多条线路和变压器传输和分配,形成分支连接的复杂网络。由于在多分支电网中,被检测信号通常跨过多个节点,导致不同线段之间的检测信号相互干扰,数学模型复杂,难以建模,现有技术中通常以单线缆进行检测,而本实施例可直接应用于多分支网络。由于本实施例只关心线缆问题,因此在根据电网实际分布绘制拓扑图时,可只绘制线缆结构,并且将三相电视为一条线段。
步骤二,收集所述多分支电网每一相电每一检测点每一上报周期的历史电压信号、电流信号、温度数据。
每一相电指的是三相交流电***中的每个电相。三相电***是一种常用于电力传输和分配的方式,它具有较高的效率和稳定性,在三相电***中,电能通过三条相互偏移120度的电缆线路传输,每条电缆线路被称为一个电相。这三个电相分别为A相、B相和C相,每一相电都承载着电力***中的一部分负载,相互之间呈120度相位差,以平衡电力***中的负荷和电流。因此,在监测高压电缆或进行电力***分析时,会考虑到每一相电的电流、电压和其他参数,以确保电力***的正常运行和故障检测。
为了对电网进行实时监测,可在电网中每隔一段距离设置检测点,在多分支电网中的每一相电的每个检测点安装电压传感器、电流传感器和温度传感器,以捕捉电压、电流和温度数据。使用适当的数据采集设备连接传感器,以采集实时的电压、电流和温度数据。电网传感器已在现有电网中广泛使用,可根据现有的任意技术采集电压信号、电流信号、温度数据。进一步地,为了方便数据分析还需要确定数据上报的频率,由于电网信号通常需要进行时序分析,每一个上报周期为一个时序,对上报周期内的数据进行分析。上报周期可以是每天、每小时或更频繁,可根据需要进行调整,本实施例不做具体限定。
示例性地,在电网的每一相电中,每隔200米设置一组传感器,每1小时上报一次1小时内采集到的数据,电压、电流可为1小时内的时序数据,温度可以为1小时内的平均值或最大值。
进一步地,为了后续的数据分析,将采集到的数据记录在数据库中,包括时间戳、数值、检测点编号等。数据存储可以采用数据库***,如SQL数据库等。
步骤三,对于同一个上报周期的数据,根据电压信号以及电流信号确定高次谐波比率;根据温度数据确定最低温度,并将其它温度减去所述最低温度得到温度增加值。
同一个上报周期的数据是指待分析电网的在一个收集周期中的全部检测点位的数据,同一个周期的数据反应了电网在上报周期中的状态。
高次谐波成分在诊断局部放电问题时可以提供重要的信息,局部放电通常会产生高频成分和脉冲信号,这些信号会体现在电流和电压的高次谐波成分中,高次谐波比率可以用于定量评估高次谐波成分的存在,当这个比率较高时,可能表示局部放电,因此,本实施例选择高次谐波比率为检测指标。
确定高次谐波比率涉及对电压信号和电流信号进行频谱分析,以识别不同谐波成分的存在并计算其比率。对采集到的信号进行预处理,包括去除直流分量、滤波等,以准备进行频谱分析。将电压信号和电流信号进行傅里叶变换,将时域信号转换为频域信号,分析傅里叶变换后的频谱,识别出各个谐波成分的频率和幅度。高次谐波通常指的是3次谐波及以上,即基频频率的3倍及以上。在频谱中找到对应的谐波频率,并计算其幅度;计算高次谐波的比率是将特定高次谐波的幅度与基频(中国为50Hz)的幅度进行比较。高次谐波比率可以表示为:高次谐波比率=高次谐波幅度/基频幅度,这样可以得到高次谐波相对于基频的幅度比例。
当存在局部放电时,由于电热作用温度会增加,温度增加是最能反应局部放电的指标之一,但由于温度外界影响较大,单独使用温度检测误差很大,通常不单独作为定位指标;高次谐波比率受到不同分支、不同相位的影响,也不能完全准确地定位到异常位置;因此本实施例使用谐波与温度结合定位。
由于在不同的时间段线缆的温度随环境温度变化,为了去除环境温度的影响。根据温度数据确定最低温度,也就是当前上报周期内的最低温度,最低温度可以看成是无发热影响时的温度,近似为环境温度,并将其它温度减去所述最低温度得到温度增加值。
示例性地,在一上报周期中,有若干检测点的温度为23,23,22,22,22,24……,其中22度为最底温度,则温度增加值分为1,2,0,0,0,2……。
步骤四,根据所述温度增加值改变拓扑图中线段的粗细,根据三相电的各自的高次谐波比率确定RGB值,并根据确定的RGB值对所述拓扑图进行涂色,得到监测图像。
温度增加是最能反应局部放电的指标之一,为了方便对温度进行可视化分析,本实施以温度增加值代表拓扑图中线段的粗细。将温度无增加的位置确定为原始线粗,将温度增加的位置根据温度增加值进行一定比例的放大。示例性地,新线粗=原始线粗*(1+温度增加值/5);其中新线粗为调整后的线段粗细,原始线粗为原始拓扑图的线段粗细。
进一步地,由于传感器之间有一定的距离,为了对全部线段进行调整,对两个检测点之间的温度进行线性插值。
谐波是电压或电流信号中频率为基波频率的整数倍的成分。在三相电***中,各相之间存在相位差,会导致谐波在不同相之间产生相互作用和影响,其很类似三元色之间的混合。因此,为了对三相谐波进行可视化,本实施将三相谐波的高次谐波比率转换为RGB色,示例性地,将A相的高次谐波比率映射至R色,将B相的高次谐波比率映射至G色,将C相的高次谐波比率映射至B色。
在将高次谐波比率转换为RGB色时,首先需要对进行标准化转换,优选地,本实施例采用Min-Max缩放,将高次谐波比率转换为0-255的数据。Min-Max缩放数据处理中的常规方法,本实施例不再详述其原理。
通过Min-Max缩放后,高次谐波比率被转换为像素颜色,也就是三相电,每一相电对应一个0-255的数,而这三个数又对应RGB中的三个数,从而生成一个像素点的颜色值,通过像素颜色对检测位置的像素进行赋值。
进一步地,由于传感器之间有一定的距离,为了对全部线段进行调整,对两个检测点之间的像素颜色进行线性插值。
步骤五,如果当前周期内有异常状态,则在监测图像上异常位置进行标注。
从历史数据中可以确定出线缆出现局部放电异常的时间以及位置,如果当前周期内有异常状态,则通过人工的方式在监测图像上异常位置进行标注,使用标注工具提供的框图工具框选出出现异常的位置。可使用现有技术中的任意方式进行标注。如使用LabelImg、VGG Image Annotator (VIA)等工具。很显然地,如果没有异常,则不需要标注。标注后的图像可供机器学习模型进行学习,以便进行图像识别,无标注的图像也可供机器学习模型进行验证。
步骤六,重复步骤三至五,处理全部历史数据,得到历史监测图像集;以历史监测图像集进行神经网络训练,得到第一模型。
为了得到足够数量的训练图像,对全部的历史数据进行如步骤三至五的处理,对有异常的图像进行标注,从而得到历史监测图像集做为训练样本。
使用历史监测图像集进行神经网络训练可使用现有技术中的任意手段,训练过程也可使用现有技术中的任意手段,如对训练数据进行训练集、验证集分类、设置损失函数、选择优化器、验证和调参等,上述手段均属于现有技术中的常规技术手段,本实施例不做具体的限定。
进一步地,由于本实施例需要处理图像以及图像颜色,优选使用卷积神经网络(CNN)或其各种变体,如ResNet、VGG、Inception等。
步骤七,收集当前周期的实时数据;根据步骤三至五处理当前周期的实时数据,得到当前监测图像;将所述当前监测图像输入至第一模型,检测是否有异常。
在训练完模型之后即可将模型应用于实际的检测中,通过传感器网维收集当前周期的实时数据,并且前述的步骤三至五处理当前周期的实时数据,得到当前监测图像(使用温度对拓扑的线粗进行调整,使用谐波数据对颜色进行调整);第一模型已具有识别图像中异常位置的能力,当将所述当前监测图像输入至第一模型后,如果有局部放电异常,第一模型可自动对图像进行标注,从而识别出异常的位置。
本实施例通过上述步骤,将电网的检测数据转化为可视化的图像数据,从而方便使用机器学习模型识别出图像中的异常点位。通过机器学习自动学习推导,避免人工建立数学模型,从而可对复杂的多分支网络进行异常识别。
另一方面,本发明还提供一种基于人工智能的高压电缆状态监测***,其特征在于所述***包括如下模块:
绘制模块,用于根据多分支电网实际分布绘制拓扑图;
第一收集模块,用于收集所述多分支电网每一相电每一检测点每一上报周期的历史电压信号、电流信号、温度数据;
计算模块,用于对于同一个上报周期的数据,根据电压信号以及电流信号确定高次谐波比率;根据温度数据确定最低温度,并将其它温度减去所述最低温度得到温度增加值;
图像处理模块,用于根据所述温度增加值改变拓扑图中线段的粗细,根据三相电的各自的高次谐波比率确定RGB值,并根据确定的RGB值对所述拓扑图进行涂色,得到监测图像;
标注模块,用于如果当前周期内有异常状态,则在监测图像上异常位置进行标注;
训练模块,用于运行计算模块、图像处理模块、标注模块,处理全部历史数据,得到历史监测图像集;以历史监测图像集进行神经网络训练,得到第一模型;
检测模块,用于收集当前周期的实时数据;根据步骤三至五处理当前周期的实时数据,得到当前监测图像;将所述当前监测图像输入至第一模型,检测是否有异常。
进一步地,上述所述的一种基于人工智能的高压电缆状态监测***具体的实现方法均与一种基于人工智能的高压电缆状态监测方法相同,一种基于人工智能的高压电缆状态监测方法中的全部进一步的技术方案均完全引入一种基于人工智能的高压电缆状态监测***中。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于人工智能的高压电缆状态监测方法,其特征在于所述方法包括如下步骤:
步骤一,根据多分支电网实际分布绘制拓扑图;
步骤二,收集所述多分支电网每一相电每一检测点每一上报周期的历史电压信号、电流信号、温度数据;
步骤三,对于同一个上报周期的数据,根据电压信号以及电流信号确定高次谐波比率;根据温度数据确定最低温度,并将其它温度减去所述最低温度得到温度增加值;其中,高次谐波指的是3次谐波及以上,即基频频率的3倍及以上,在频谱中找到对应的谐波频率,并计算其幅度,计算高次谐波的比率是将高次谐波的幅度与基频的幅度进行比较,高次谐波比率表示为:高次谐波比率=高次谐波幅度/基频幅度;
步骤四,根据所述温度增加值改变拓扑图中线段的粗细,根据三相电的各自的高次谐波比率确定RGB值,并根据确定的RGB值对所述拓扑图进行涂色,得到监测图像;
步骤五,如果当前周期内有异常状态,则在监测图像上异常位置进行标注;
步骤六,重复步骤三至五,处理全部历史数据,得到历史监测图像集;以历史监测图像集进行神经网络训练,得到第一模型;
步骤七,收集当前周期的实时数据;根据步骤三至五处理当前周期的实时数据,得到当前监测图像;将所述当前监测图像输入至第一模型,检测是否有异常。
2.根据权利要求1所述的一种基于人工智能的高压电缆状态监测方法,其特征在于所述根据所述温度增加值改变拓扑图中线段的粗细包括:新线粗=原始线粗*(1+温度增加值/5)。
3.根据权利要求2所述的一种基于人工智能的高压电缆状态监测方法,其特征在于:对两个检测点之间的温度进行线性插值。
4.根据权利要求1所述的一种基于人工智能的高压电缆状态监测方法,其特征在于根据三相电的各自的高次谐波比率确定RGB值包括:采用Min-Max缩放,将三相电中的每一相的高次谐波比率转换为0-255的数据,将转换后的三个数据分别对应RGB值中的三个数。
5.根据权利要求4所述的一种基于人工智能的高压电缆状态监测方法,其特征在于:对两个检测点之间的像素颜色进行线性插值。
6.一种基于人工智能的高压电缆状态监测***,其特征在于所述***包括如下模块:
绘制模块,用于根据多分支电网实际分布绘制拓扑图;
第一收集模块,用于收集所述多分支电网每一相电每一检测点每一上报周期的历史电压信号、电流信号、温度数据;
计算模块,用于对于同一个上报周期的数据,根据电压信号以及电流信号确定高次谐波比率;根据温度数据确定最低温度,并将其它温度减去所述最低温度得到温度增加值;其中,高次谐波指的是3次谐波及以上,即基频频率的3倍及以上,在频谱中找到对应的谐波频率,并计算其幅度,计算高次谐波的比率是将高次谐波的幅度与基频的幅度进行比较,高次谐波比率表示为:高次谐波比率=高次谐波幅度/基频幅度;
图像处理模块,用于根据所述温度增加值改变拓扑图中线段的粗细,根据三相电的各自的高次谐波比率确定RGB值,并根据确定的RGB值对所述拓扑图进行涂色,得到监测图像;
标注模块,用于如果当前周期内有异常状态,则在监测图像上异常位置进行标注;
训练模块,用于运行计算模块、图像处理模块、标注模块,处理全部历史数据,得到历史监测图像集;以历史监测图像集进行神经网络训练,得到第一模型;
检测模块,用于收集当前周期的实时数据;根据步骤三至五处理当前周期的实时数据,得到当前监测图像;将所述当前监测图像输入至第一模型,检测是否有异常。
7.根据权利要求6所述的一种基于人工智能的高压电缆状态监测***,其特征在于所述根据所述温度增加值改变拓扑图中线段的粗细包括:新线粗=原始线粗*(1+温度增加值/5)。
8.根据权利要求7所述的一种基于人工智能的高压电缆状态监测***,其特征在于:对两个检测点之间的温度进行线性插值。
9.根据权利要求6所述的一种基于人工智能的高压电缆状态监测***,其特征在于根据三相电的各自的高次谐波比率确定RGB值包括:采用Min-Max缩放,将三相电中的每一相的高次谐波比率转换为0-255的数据,将转换后的三个数据分别对应RGB值中的三个数。
10.根据权利要求9所述的一种基于人工智能的高压电缆状态监测***,其特征在于:对两个检测点之间的像素颜色进行线性插值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311450376.8A CN117169657B (zh) | 2023-11-03 | 2023-11-03 | 一种基于人工智能的高压电缆状态监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311450376.8A CN117169657B (zh) | 2023-11-03 | 2023-11-03 | 一种基于人工智能的高压电缆状态监测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117169657A CN117169657A (zh) | 2023-12-05 |
CN117169657B true CN117169657B (zh) | 2024-01-12 |
Family
ID=88939870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311450376.8A Active CN117169657B (zh) | 2023-11-03 | 2023-11-03 | 一种基于人工智能的高压电缆状态监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117169657B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117435947A (zh) * | 2023-12-20 | 2024-01-23 | 山东和兑智能科技有限公司 | 一种避雷器状态监测***和方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194058A (zh) * | 2011-05-16 | 2011-09-21 | 中国电力科学研究院 | 基于广域测量***wams的电网安全稳定可视化方法 |
CN110703006A (zh) * | 2019-09-04 | 2020-01-17 | 国网浙江省电力有限公司金华供电公司 | 一种基于卷积神经网络的三相电能质量扰动检测方法 |
CN111079861A (zh) * | 2019-12-31 | 2020-04-28 | 国网北京市电力公司 | 一种基于图像快速处理技术的配电网电压异常诊断方法 |
CN111426406A (zh) * | 2020-06-02 | 2020-07-17 | 国家电网有限公司 | 基于电缆涂层感温变色的电缆检测装置及其检测方法 |
CN112990445A (zh) * | 2021-05-13 | 2021-06-18 | 国网浙江省电力有限公司金华供电公司 | 一种配电网监控信息智能分析机器学习方法 |
CN113554010A (zh) * | 2021-09-22 | 2021-10-26 | 广东电网有限责任公司东莞供电局 | 一种电网线路故障识别模型训练方法 |
KR20220147911A (ko) * | 2021-04-28 | 2022-11-04 | 주식회사 파인브이티 | 하네스 케이블 제작 공정에서 산출되는 케이블의 불량 여부를 판단하기 위한 공정 모니터링 장치 및 그 동작 방법 |
CN115470811A (zh) * | 2022-07-25 | 2022-12-13 | 温州大学 | 一种用电***的非侵入式负荷异常识别方法及*** |
CN116524200A (zh) * | 2023-05-05 | 2023-08-01 | 东南大学 | 一种基于图像识别的高压断路器故障诊断方法 |
CN116679159A (zh) * | 2023-05-24 | 2023-09-01 | 广州番禺电缆集团(新兴)有限公司 | 一种电缆线路历史异常节点管理***及方法 |
CN116778856A (zh) * | 2023-08-18 | 2023-09-19 | 深圳市巴科光电科技股份有限公司 | 一种应用于电力***的智能化led显示装置及方法 |
CN116846059A (zh) * | 2023-03-07 | 2023-10-03 | 云南电网有限责任公司玉溪供电局 | 一种用于电网巡检和监控的边缘检测*** |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334740A (zh) * | 2019-06-05 | 2019-10-15 | 武汉大学 | 人工智能推理融合的电力设备故障检测定位方法 |
CN110514924B (zh) * | 2019-08-12 | 2021-04-27 | 武汉大学 | 深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位方法 |
CN112418722B (zh) * | 2020-12-08 | 2021-09-10 | 浙江大学 | 基于v-i轨迹图和神经网络的非侵入式负荷识别方法 |
CN112710969B (zh) * | 2020-12-18 | 2021-11-09 | 武汉大学 | 一种单相半桥五电平逆变器开关管开路故障诊断方法 |
CN113920438B (zh) * | 2021-12-14 | 2022-03-04 | 武汉大学 | 联合ICESat-2和吉林一号影像的输电线附近树木隐患排查方法 |
-
2023
- 2023-11-03 CN CN202311450376.8A patent/CN117169657B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194058A (zh) * | 2011-05-16 | 2011-09-21 | 中国电力科学研究院 | 基于广域测量***wams的电网安全稳定可视化方法 |
CN110703006A (zh) * | 2019-09-04 | 2020-01-17 | 国网浙江省电力有限公司金华供电公司 | 一种基于卷积神经网络的三相电能质量扰动检测方法 |
CN111079861A (zh) * | 2019-12-31 | 2020-04-28 | 国网北京市电力公司 | 一种基于图像快速处理技术的配电网电压异常诊断方法 |
CN111426406A (zh) * | 2020-06-02 | 2020-07-17 | 国家电网有限公司 | 基于电缆涂层感温变色的电缆检测装置及其检测方法 |
KR20220147911A (ko) * | 2021-04-28 | 2022-11-04 | 주식회사 파인브이티 | 하네스 케이블 제작 공정에서 산출되는 케이블의 불량 여부를 판단하기 위한 공정 모니터링 장치 및 그 동작 방법 |
CN112990445A (zh) * | 2021-05-13 | 2021-06-18 | 国网浙江省电力有限公司金华供电公司 | 一种配电网监控信息智能分析机器学习方法 |
CN113554010A (zh) * | 2021-09-22 | 2021-10-26 | 广东电网有限责任公司东莞供电局 | 一种电网线路故障识别模型训练方法 |
CN115470811A (zh) * | 2022-07-25 | 2022-12-13 | 温州大学 | 一种用电***的非侵入式负荷异常识别方法及*** |
CN116846059A (zh) * | 2023-03-07 | 2023-10-03 | 云南电网有限责任公司玉溪供电局 | 一种用于电网巡检和监控的边缘检测*** |
CN116524200A (zh) * | 2023-05-05 | 2023-08-01 | 东南大学 | 一种基于图像识别的高压断路器故障诊断方法 |
CN116679159A (zh) * | 2023-05-24 | 2023-09-01 | 广州番禺电缆集团(新兴)有限公司 | 一种电缆线路历史异常节点管理***及方法 |
CN116778856A (zh) * | 2023-08-18 | 2023-09-19 | 深圳市巴科光电科技股份有限公司 | 一种应用于电力***的智能化led显示装置及方法 |
Non-Patent Citations (2)
Title |
---|
基于DCNN的输电线路隐患区域图像识别方法;居一峰,等;《电子设计工程》;第31卷(第19期);全文 * |
基于强化学习和Transformer的输电线路缺陷智能检测方法研究;李帷韬,等;《高电压技术》;第49卷(第8期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117169657A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mohsenian-Rad et al. | Distribution synchrophasors: Pairing big data with analytics to create actionable information | |
Bíscaro et al. | Integrated fault location and power-quality analysis in electric power distribution systems | |
CN117169657B (zh) | 一种基于人工智能的高压电缆状态监测方法及*** | |
CN108683180B (zh) | 一种三相低压配电网拓扑重建方法 | |
CN109444667B (zh) | 基于卷积神经网络的配电网早期故障分类方法及装置 | |
EP3757583B1 (en) | System for determining electric parameters of an electric power grid | |
CN109406949B (zh) | 基于支持向量机的配电网早期故障检测方法及装置 | |
US20150137990A1 (en) | Method for Analyzing the Electricity Consumption of a Site Provided with a plurality of Electrical Devices | |
CN110618314B (zh) | 一种配电***抗短路故障干扰的谐波责任划分方法 | |
CN110988600B (zh) | 一种配电网断线故障区间定位方法 | |
CN107942192A (zh) | 一种配电设备ct自动测试方法及*** | |
CN113050017A (zh) | 一种电子式互感器误差状态智能监测及故障诊断*** | |
Music et al. | Integrated power quality monitoring system and the benefits of integrating smart meters | |
CN108318732B (zh) | 一种变压器铁芯接地电流在线监测装置及方法 | |
CN111999695B (zh) | 一种变电站计量装置状态评估与异常诊断方法 | |
CN110058127B (zh) | 非有效接地配电网单相接地故障点识别方法 | |
CN112505610A (zh) | 一种35kV及以下计量用电压互感器绝缘及计量性能一体化试验装置及方法 | |
CN114720765A (zh) | 一种基于态势感知的主动配电网的谐波算法及其控制*** | |
CN207675919U (zh) | 一种配电设备ct自动测试装置 | |
CN107144761A (zh) | 一种基于采样模块的接线故障检测***及方法 | |
CN109507468B (zh) | 一种基于关联特征的汇流箱支路电流检测方法及*** | |
CN109782064B (zh) | 一种风电场输出阻抗频率特性测试分析方法 | |
CN112816836A (zh) | 一种故障检测***、局部放电在线监测装置及方法 | |
Li et al. | Cable Fault on-Line Monitoring Based on Transient Traveling Wave Signal Analysis Technology | |
CN117394311B (zh) | 一种基于多源信息融合的配电网韧性评估及紧急控制方法 |
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 |