CN118277942A - 一种智能开关柜状态在线监测系统 - Google Patents
一种智能开关柜状态在线监测系统 Download PDFInfo
- Publication number
- CN118277942A CN118277942A CN202410703569.8A CN202410703569A CN118277942A CN 118277942 A CN118277942 A CN 118277942A CN 202410703569 A CN202410703569 A CN 202410703569A CN 118277942 A CN118277942 A CN 118277942A
- Authority
- CN
- China
- Prior art keywords
- switch cabinet
- electromagnetic wave
- module
- fault
- unit
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 78
- 238000012545 processing Methods 0.000 claims abstract description 68
- 230000005236 sound signal Effects 0.000 claims description 84
- 239000013598 vector Substances 0.000 claims description 38
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 19
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 239000000725 suspension Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000037433 frameshift Effects 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 108010001267 Protein Subunits Proteins 0.000 claims 2
- 238000009432 framing Methods 0.000 claims 2
- 238000004148 unit process Methods 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 16
- 238000000034 method Methods 0.000 abstract description 15
- 230000008569 process Effects 0.000 abstract description 6
- 238000001228 spectrum Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 8
- 230000003321 amplification Effects 0.000 description 4
- 238000003199 nucleic acid amplification method Methods 0.000 description 4
- 241001416181 Axis axis Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 1
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003822 epoxy resin Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002923 metal particle Substances 0.000 description 1
- 229920000647 polyepoxide Polymers 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012795 verification 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
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Acoustics & Sound (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种智能开关柜状态在线监测系统，涉及开关柜故障监测技术领域，包括数据处理模块、训练模块、定位模块、判断模块和显示模块；所述数据处理模块用于处理信号，提取信号特征量，并将信号特征量传输到判断模块和训练模块；所述训练模块建立信号特征量与局部放电故障种类的第一对应关系，基于第一对应关系预测局部放电故障种类；所述定位模块用于对故障点定位，并将定位信息输入至显示模块。能够让检修人员清晰地知道开关柜发生故障的类型，从而提前规避开关柜的故障风险，对局部放电故障具体位置定位，减小检修工作量，全程不需要断电操作，对于用电设备的稳定性有提高，同时提高了检修的安全性。
Description
技术领域
本发明涉及开关柜故障监测技术领域，尤其涉及一种智能开关柜状态在线监测系统。
背景技术
近年来我国经济的高速发展，开关柜、箱变、环网柜、GIS和管母等电力设备逐年增多，总规模巨大。传统的监测技术由于监测周期太长、监测工作量大，往往难以及时掌握设备存在的缺陷。基于实际运行经验，由异常发热、绝缘降低等因素导致的开关柜故障在开关柜事故总占比较大，故需要在故障潜伏期内通过监测环境温湿度、设备本体温度、局部放电信号等变化，及早发现隐患并采取必要措施，进而提高供电可靠性。
目前,申请号为CN 115342865 A 的中国发明专利公开了一种非介入式开关柜在线监测系统，通过将UHF局放传感器配置为朝向其附近开关柜的泄压通道，以监测其附近开关柜内部发生局部放电时所辐射的电磁波，将红外测温传感器被配置为监测其附近开关柜的泄压通道处的温度，从而实现非介入式的开关柜内温度与局放监测；而且，监测主机基于UHF局放传感器和红外测温传感器对应的监测数据来判断所监测的开关柜是否存在异常发热，来确定所监测的开关柜中发生局部放电的开关柜范围，并识别出最有可能发生局部放电的开关柜。但是相关技术中未初步判断设备状态造成训练模块数据运算量大，未预测出开关柜具体的故障种类，无法提前规避开关柜的故障风险，难以对局部放电故障具体位置，致使检修工作量大，存在一定局限性。
发明内容
本发明解决的技术问题是：现有专利未初步判断设备状态造成判断模块工作的重复，未预测出开关柜具体的故障种类，无法提前规避开关柜的故障风险，难以对局部放电故障具体位置定位，致使检修工作量大的问题。
为解决上述技术问题，本发明提供如下技术方案：一种智能开关柜状态在线监测系统包括数据采集模块、数据处理模块、训练模块、定位模块、判断模块和显示模块；
所述数据采集模块用于采集开关柜运行时发出的第一声音信号和第一电磁波信号，并将所述第一声音信号和第一电磁波信号传输至数据处理模块进行预处理和特征提取；
所述数据处理模块包括第一处理单元和第二处理单元，所述第一处理单元用于对第一电磁波信号进行放大处理和滤波处理生成第二电磁波信号，提取所述第二电磁波信号的特征量，将所述第二电磁波信号的特征量传输至判断模块中进行传输路径选择，将所述第二电磁波信号的特征量传输至显示模块中生成频谱图；所述第二处理单元用于对第一声音信号进行预加重处理、过滤处理和分帧加窗处理生成第二声音信号，提取所述第二声音信号的特征量，将所述第二声音信号的特征量传输至判断模块；
所述第二电磁波信号的特征量包括幅值、相位、角频率和周期，所述第二声音信号的特征量包括声音幅值；
所述判断模块包括程序单元、储存单元和执行单元，所述程序单元用于根据所述第二声音信号的特征量判断开关柜的运行状态，并将开关柜的运行状态输入至显示模块，当开关柜的运行状态为异常状态或注意状态时，将所述第二电磁波信号的特征量传输至训练模块，当所述开关柜的运行状态为正常状态时，将所述第二电磁波信号的特征量储存在判断模块的储存单元中；
所述训练模块分为故障单元和训练单元，所述故障单元用于接收所述第二电磁波信号的特征量，基于所述第二电磁波信号的特征量的频谱图识别开关柜局部放电故障种类并统计开关柜局部放电次数，建立开关柜局部放电故障种类与发生所述故障种类的对应关系，称所述开关柜局部放电故障种类与发生所述开关柜局部放电故障种类的对应关系为第一对应关系并输入至训练单元中训练，所述训练单元输入信号为第二电磁波信号的特征量，输出信号为开关柜局部放电故障种类和所述开关柜局部放电故障种类发生的概率；
所述定位模块基于世界坐标系重构坐标系，用于对故障点定位，并将定位信息输入至显示模块；
所述显示模块用于显示开关柜的运行状态、局部放电故障种类、第二电磁波信号的特征量的频谱图和故障点的定位。
作为本发明所述的智能开关柜状态在线监测系统的一种优选方案，其中：所述数据采集模块包括特高频传感器和声音传感器；
所述特高频传感器采集第一电磁波信号，并将所述第一电磁波信号输入第一处理单元，声音传感器采集第一声音信号，并将所述第一声音信号输入第二处理单元；
所述数据处理模块包括第一处理单元和第二处理单元，所述第一处理单元用于对第一电磁波信号进行放大处理和滤波处理生成第二电磁波信号，提取所述第二电磁波信号的特征量，将所述第二电磁波信号的特征量传输至判断模块中进行传输路径选择，将所述第二电磁波信号的特征量传输至显示模块中生成频谱图；所述第二处理单元用于对第一声音信号进行预加重处理、过滤处理和分帧加窗处理生成第二声音信号，提取所述第二声音信号的特征量，将所述第二声音信号的特征量传输至判断模块。
作为本发明所述的智能开关柜状态在线监测系统的一种优选方案，其中：所述第二处理单元处理包括预加重子单元、滑窗子单元、放大子单元和滤波子单元；
所述预加重子单元用于对所述第一声音信号预加重处理，突出声音中的高频部分并传输至滑窗子单元；
所述滑窗子单元将声音交叠的百分比在40~80之间，用于将预加重子单元处理后的第一声音信号分帧交叠并将声音的交叠部分设定为帧移并传输至放大子单元；
所述放大子单元用于将滑窗子单元处理后的第一声音信号的噪声放大生成噪声信号，并将所述噪声信号和局部放电的音频信号叠加求和，并传输至滤波子单元；
所述滤波子单元用于将放大子单元处理后的第一声音信号基于LMS自适应线性滤波，生成第二声音信号并输出至判断模块。
作为本发明所述的智能开关柜状态在线监测系统的一种优选方案，其中：所述判断模块基于第二声音信号的幅度阈值判断开关柜的运行状态，所述开关柜的运行状态包括正常状态、注意状态和异常状态，所述判断模块将所述开关柜的运行状态输入至显示模块和储存单元，当开关柜的运行状态为注意状态或异常状态时，所述数据处理模块将第二电磁波信号的特征量传输至训练模块。
作为本发明所述的智能开关柜状态在线监测系统的一种优选方案，其中：所述判断模块包括程序单元、储存单元和执行单元；
所述程序单元将开关柜的运行状态为正常状态时的第二声音信号的幅度阈值设定为，将开关柜的运行状态为异常状态时的第二声音信号的幅度阈值为，所述程序单元接收所述数据处理模块传输的第二声音信号的声音幅值，所述第二声音信号的声音幅值输入所述程序单元，所述程序单元对第二声音信号的声音幅值基于第二声音信号的幅度阈值进行判断，获取开关柜的运行状态，并将所述开关柜的运行状态输入执行单元；
所述执行单元基于程序单元的输出的所述开关柜的运行状态，选择所述第二电磁波信号的特征量的传输路径；
当所述开关柜的运行状态为正常状态时，所述执行单元将所述正常状态输入显示模块，并将所述第二电磁波信号的特征量传输至储存单元；
当所述开关柜的运行状态为异常状态或注意状态时，所述执行单元将所述异常状态或注意状态输入显示模块，所述执行单元将第二电磁波特征量传输至训练模块。
作为本发明所述的智能开关柜状态在线监测系统的一种优选方案，其中：所述训练模块包括故障单元和训练单元，所述故障单元用于接收所述第二电磁波信号的特征量，基于所述第二电磁波信号的特征量的频谱图识别开关柜局部放电故障种类并统计开关柜局部放电次数，建立开关柜局部放电故障种类与发生所述故障种类的对应关系，称所述开关柜局部放电故障种类与发生所述开关柜局部放电故障种类的对应关系为第一对应关系并输入至训练单元中训练，所述训练单元输入信号为第二电磁波信号的特征量，输出信号为开关柜局部放电故障种类和所述开关柜局部放电故障种类发生的概率。
作为本发明所述的智能开关柜状态在线监测系统的一种优选方案，其中：所述第一对应关系为训练模块通过第二电磁波信号的特征量，在时域和频域对第二电磁波信号的频谱图进行加权，判断开关柜的局部放电故障种类。
对于内部空穴放电，其谱图也相对集中，分布均匀度相对较好；
对于沿面放电，其分布在两个不同的中心，一部分分布在到，分布不均匀度较高，而另一个中心位于频率范围内，时间跨度较小，分布均匀度好；
对于悬浮放电，放电信号主要集中在之间，大于频率范围内，信号幅值最大。
作为本发明所述的智能开关柜状态在线监测系统的一种优选方案，其中：所述训练模块接收所述幅值、所述相位和所述局部放电次数，并分别将所述幅值、所述相位和所述局部放电次数按比例分为训练集和测试集，基于所述第一对应关系判断所述局部放电故障种类，并基于神经网络预测所述局部放电故障种类的发生概率；
所述训练集的输入信号为历史第二电磁波信号的幅值和相位，对所述幅值归一化处理并输入至所述第一对应关系中，数据集的输入信号为所述幅值和所述相位，所述数据集包括内部空穴放电类型、沿面放电类型和悬浮放电类型，并分别建立内部空穴放电类型卷积神经网络模型、沿面放电类型卷积神经网络模型和悬浮放电类型卷积神经网络模型；
所述训练模块用于构建神经网络模型，基于交叉熵代价函数优化所述神经网络模型，所述数据集对训练样本集数据进行学习训练并在所述局部放电故障发生时输出所述局部放电故障种类的样本标签；
所述归一化处理计算的表达式为：
；
其中，神经网络模型包括第一卷积层、第二卷积层和第三卷积层，其中，第一卷积层和第二卷积层的卷积核尺寸为5×5，第三卷积层的卷积核尺寸为3×3，激活函数为不饱和非线性函数，池化层的尺寸为1×2，全连接的神经元个数为512，输出层为Softmax分类器，所述Softmax分类器输出所述局部放电故障种类的发生概率；
其中，为当前输入的幅值，为幅值的最大值，为幅值的最小值，为线性归一化后的幅值。
通过神经网络学习训练，对于开关柜故障类型发生的概率进行预测，及时规避开关柜发生故障的风险，有利于开关柜运行的稳定性。
作为本发明所述的智能开关柜状态在线监测系统的一种优选方案，其中：所述定位模块基于世界坐标系构建新的坐标系，并判断所述故障点的定位；
所述特高频传感器设置有三个，并分别位于开关柜不同的三个面上。
作为本发明所述的智能开关柜状态在线监测系统的一种优选方案，其中：基于世界坐标系，令特高频传感器A、特高频传感器B和特高频传感器C的空间坐标分别为、和，，原点连接特高频传感器A形成的向量为，原点连接特高频传感器B形成的向量为，原点连接特高频传感器C形成的向量为，特高频传感器C连接特高频传感器A形成的向量为，以特高频传感器A为原点，特高频传感器A到特高频传感器B的方向为新的x轴，记为轴，原世界坐标系的方向为轴，特高频传感器A与特高频传感器B连接，生成向量，特高频传感器A与特高频传感器C连接，生成向量，向量叉乘向量，生成新的向量，新的向量的方向为新的轴的方向，记新的轴为轴，故障点到新坐标系的原点形成的定位向量为，构造旋转矩阵，平移矩阵，所述故障点的定位向量的计算表达式为：
。
本发明的有益效果：初步判断开关柜的运行状态，将开关柜的运行状态初步分为正常状态、注意状态和异常状态，当开关柜的运行状态为异常状态和注意状态时，再将第二电磁波信号传输至训练模块中测试，避免训练模块数据运算量大，节省了数据传输消耗的电量，预测出开关柜具体的故障种类，能够让检修人员清晰地知道开关柜发生故障的类型，从而提前规避开关柜的故障风险，对局部放电故障具体位置定位，减小检修工作量，全程不需要断电操作，对于用电设备的稳定性有提高，同时提高了检修的安全性。
本发明实现对于开关柜的在线监测，全程不需要断电，通过神经网络实现对于开关柜局部放电故障类型发生概率的预测，并且通过显示模块反馈开关柜局部放电故障类型发生的概率和开关柜运行状态，通过lora网关传输显示模块中显示的开关柜运行状态和局部故障类型发生的概率的预测，检修人员实现远程监测。
附图说明
图1为本发明一个实施例提供的一种智能开关柜状态在线监测系统的基本流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。
实施例1：参照图1，为本发明的一个实施例，提供了一种智能开关柜状态在线监测系统，其特征在于，包括数据采集模块、数据处理模块、训练模块、定位模块、判断模块和显示模块；
所述数据采集模块用于采集开关柜运行时发出的第一声音信号和第一电磁波信号，并将所述第一声音信号和第一电磁波信号传输至数据处理模块进行预处理和特征提取；
所述数据处理模块包括第一处理单元和第二处理单元，所述第一处理单元用于对第一电磁波信号进行放大处理和滤波处理生成第二电磁波信号，提取所述第二电磁波信号的特征量，将所述第二电磁波信号的特征量传输至判断模块中进行传输路径选择，将所述第二电磁波信号的特征量传输至显示模块中生成频谱图；所述第二处理单元用于对第一声音信号进行预加重处理、过滤处理和分帧加窗处理生成第二声音信号，提取所述第二声音信号的特征量，将所述第二声音信号的特征量传输至判断模块；
所述第二电磁波信号的特征量包括幅值、相位、角频率和周期，所述第二声音信号的特征量包括声音幅值；
所述判断模块包括程序单元、储存单元和执行单元，所述程序单元用于根据所述第二声音信号的特征量判断开关柜的运行状态，并将开关柜的运行状态输入至显示模块，当开关柜的运行状态为异常状态或注意状态时，将所述第二电磁波信号的特征量传输至训练模块，当所述开关柜的运行状态为正常状态时，将所述第二电磁波信号的特征量储存在判断模块的储存单元中；
所述训练模块分为故障单元和训练单元，所述故障单元用于接收所述第二电磁波信号的特征量，基于所述第二电磁波信号的特征量的频谱图识别开关柜局部放电故障种类并统计开关柜局部放电次数，建立开关柜局部放电故障种类与发生所述故障种类的对应关系，称所述开关柜局部放电故障种类与发生所述开关柜局部放电故障种类的对应关系为第一对应关系并输入至训练单元中训练，所述训练单元输入信号为第二电磁波信号的特征量，输出信号为开关柜局部放电故障种类和所述开关柜局部放电故障种类发生的概率；
所述定位模块基于世界坐标系重构坐标系，用于对故障点定位，并将定位信息输入至显示模块；
所述显示模块用于显示开关柜的运行状态、局部放电故障种类、第二电磁波信号的特征量的频谱图和故障点的定位。
所述数据采集模块包括特高频传感器和声音传感器；
所述特高频传感器采集第一电磁波信号，并将所述第一电磁波信号输入第一处理单元，声音传感器采集第一声音信号，并将所述第一声音信号输入第二处理单元；
所述数据处理模块包括第一处理单元和第二处理单元，所述第一处理单元用于对第一电磁波信号进行放大处理和滤波处理生成第二电磁波信号，提取所述第二电磁波信号的特征量，将所述第二电磁波信号的特征量传输至判断模块中进行传输路径选择，将所述第二电磁波信号的特征量传输至显示模块中生成频谱图；所述第二处理单元用于对第一声音信号进行预加重处理、过滤处理和分帧加窗处理生成第二声音信号，提取所述第二声音信号的特征量，将所述第二声音信号的特征量传输至判断模块。
所述第二处理单元处理包括预加重子单元、滑窗子单元、放大子单元和滤波子单元；
所述预加重子单元用于对所述第一声音信号预加重处理，突出声音中的高频部分并传输至滑窗子单元；
所述滑窗子单元将声音交叠的百分比在40~80之间，用于将预加重子单元处理后的第一声音信号分帧交叠并将声音的交叠部分设定为帧移并传输至放大子单元；
所述放大子单元用于将滑窗子单元处理后的第一声音信号的噪声放大生成噪声信号，并将所述噪声信号和局部放电的音频信号叠加求和，并传输至滤波子单元；
所述滤波子单元用于将放大子单元处理后的第一声音信号基于LMS自适应线性滤波，生成第二声音信号并输出至判断模块。
所述判断模块基于第二声音信号的幅度阈值判断开关柜的运行状态，所述开关柜的运行状态包括正常状态、注意状态和异常状态，所述判断模块将所述开关柜的运行状态输入至显示模块和储存单元，当开关柜的运行状态为注意状态或异常状态时，所述数据处理模块将第二电磁波信号的特征量传输至训练模块。
所述判断模块包括程序单元、储存单元和执行单元；
所述程序单元将开关柜的运行状态为正常状态时的第二声音信号的幅度阈值设定为，将开关柜的运行状态为异常状态时的第二声音信号的幅度阈值为，所述程序单元接收所述数据处理模块传输的第二声音信号的声音幅值，所述第二声音信号的声音幅值输入所述程序单元，所述程序单元对第二声音信号的声音幅值基于第二声音信号的幅度阈值进行判断，获取开关柜的运行状态，并将所述开关柜的运行状态输入执行单元；
所述执行单元基于程序单元的输出的所述开关柜的运行状态，选择所述第二电磁波信号的特征量的传输路径；
当所述开关柜的运行状态为正常状态时，所述执行单元将所述正常状态输入显示模块，并将所述第二电磁波信号的特征量传输至储存单元；
当所述开关柜的运行状态为异常状态或注意状态时，所述执行单元将所述异常状态或注意状态输入显示模块，所述执行单元将第二电磁波特征量传输至训练模块。
所述训练模块包括故障单元和训练单元，所述故障单元用于接收所述第二电磁波信号的特征量，基于所述第二电磁波信号的特征量的频谱图识别开关柜局部放电故障种类并统计开关柜局部放电次数，建立开关柜局部放电故障种类与发生所述故障种类的对应关系，称所述开关柜局部放电故障种类与发生所述开关柜局部放电故障种类的对应关系为第一对应关系并输入至训练单元中训练，所述训练单元输入信号为第二电磁波信号的特征量，输出信号为开关柜局部放电故障种类和所述开关柜局部放电故障种类发生的概率。
所述第一对应关系为训练模块通过第二电磁波信号的特征量，在时域和频域对第二电磁波信号的频谱图进行加权，判断开关柜的局部放电故障种类。
对于内部空穴放电，其谱图也相对集中，分布均匀度相对较好；
对于沿面放电，其分布在两个不同的中心，一部分分布在到，分布不均匀度较高，而另一个中心位于频率范围内，时间跨度较小，分布均匀度好；
对于悬浮放电，放电信号主要集中在之间，大于频率范围内，信号幅值最大。
所述训练模块接收所述幅值、所述相位和所述局部放电次数，并分别将所述幅值、所述相位和所述局部放电次数按比例分为训练集和测试集，基于所述第一对应关系判断所述局部放电故障种类，并基于神经网络预测所述局部放电故障种类的发生概率；
所述训练集的输入信号为历史第二电磁波信号的幅值和相位，对所述幅值归一化处理并输入至所述第一对应关系中，数据集的输入信号为所述幅值和所述相位，所述数据集包括内部空穴放电类型、沿面放电类型和悬浮放电类型，并分别建立内部空穴放电类型卷积神经网络模型、沿面放电类型卷积神经网络模型和悬浮放电类型卷积神经网络模型；
所述训练模块用于构建神经网络模型，基于交叉熵代价函数优化所述神经网络模型，所述数据集对训练样本集数据进行学习训练并在所述局部放电故障发生时输出所述局部放电故障种类的样本标签；
所述归一化处理计算的表达式为：
；
其中，神经网络模型包括第一卷积层、第二卷积层和第三卷积层，其中，第一卷积层和第二卷积层的卷积核尺寸为5×5，第三卷积层的卷积核尺寸为3×3，激活函数为不饱和非线性函数，池化层的尺寸为1×2，全连接的神经元个数为512，输出层为Softmax分类器，所述Softmax分类器输出所述局部放电故障种类的发生概率；
其中，为当前输入的幅值，为幅值的最大值，为幅值的最小值，为线性归一化后的幅值。
所述定位模块基于世界坐标系构建新的坐标系，并判断所述故障点的定位；
所述特高频传感器设置有三个，并分别位于开关柜不同的三个面上。
基于世界坐标系，令特高频传感器A、特高频传感器B和特高频传感器C的空间坐标分别为、和，，原点连接特高频传感器A形成的向量为，原点连接特高频传感器B形成的向量为，原点连接特高频传感器C形成的向量为，特高频传感器C连接特高频传感器A形成的向量为，以特高频传感器A为原点，特高频传感器A到特高频传感器B的方向为新的x轴，记为轴，原世界坐标系的方向为轴，特高频传感器A与特高频传感器B连接，生成向量，特高频传感器A与特高频传感器C连接，生成向量，向量叉乘向量，生成新的向量，新的向量的方向为新的轴的方向，记新的轴为轴，故障点到新坐标系的原点形成的定位向量为，构造旋转矩阵，平移矩阵，所述故障点的定位向量的计算表达式为：
。
本发明通过判断模块初步判断开关柜的运行状态，将开关柜的运行状态初步分为正常状态、注意状态和异常状态，当开关柜的运行状态为异常状态和注意状态时，再将第二电磁波信号传输至训练模块中测试，避免训练模块数据运算量大，节省了数据传输消耗的电量，预测出开关柜具体的故障种类，能够让检修人员清晰地知道开关柜发生故障的类型，从而提前规避开关柜的故障风险，对局部放电故障具体位置定位，减小检修工作量，全程不需要断电操作，对于用电设备的稳定性有提高，同时提高了检修的安全性；判断模块通过程序单元基于第二声音信号幅值的阈值实现对开关柜运行状态的初步判断，执行单元实现第二电磁波信号的特征量的传输路径，减少训练模块运算的数据量，节约了芯片内存；所述训练模块包括故障单元和训练单元，所述故障单元基于第一对应关系判断所述局部放电故障种类，所述训练单元通过神经网络模型预测所述局部放电故障种类的发生概率；定位模块基于世界坐标系构建新坐标系，通过三个特高频传感器和原点生成向量，构建平移矩阵和旋转矩阵，通过向量和矩阵的综合表达式获取局部放电故障点的坐标，实现对于局部放电故障点的精准定位，减少检修人员排查故障的时间，便于检修人员维修；本发明实现对于开关柜的在线监测，全程不需要断电，通过神经网络实现对于开关柜局部放电故障类型发生概率的预测，并且通过显示模块反馈开关柜局部放电故障类型发生的概率和开关柜运行状态，通过lora网关传输显示模块中显示的开关柜运行状态和局部故障类型发生的概率的预测，检修人员实现远程监测。
实施例2：参照图1，为本发明另一个实施例，该实施例不同于第一个实施例的是，提供了一种智能开关柜状态在线监测系统的实验验证，为对本方法中采用的技术效果加以验证说明，本实施例采用传统技术方案与本发明方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
基于开关柜设备典型所述局部放电故障种类数据表明，开关柜在运行会有以下局部放电故障种类，如悬浮金属颗粒、断路器接头有缝隙、绝缘子表面污秽等；据此本文制作了内部空穴放电、沿面放电、悬浮放电3种典型故障模型；
本发明采用特高频传感器采集开关柜局部放电信号，并搭建了试验系统；试验系统主要由特高频传感器、故障模型、示波器、电阻、变压器、PC端采集软件组成；
所述第一对应关系是训练模块通过电磁波信号的特征量，基于短时傅里叶变换建立的数学关系，根据第一对应关系进行判断故障类型。
对于内部空穴放电类型，其谱图也相对集中，分布均匀度相对较好；
对于沿面放电类型，其分布在两个不同的中心，一部分分布在到，分布不均匀度较高，而另一个中心位于频率范围内，时间跨度较小，分布均匀度好；
对于悬浮放电类型，放电信号主要集中在之间，大于频率范围内，信号幅值最大。
本文基于第一对应关系，基于神经网络对故障类别发生的可能性进行预测，为验证本方法的有效性，做出测试；
试验中每种所述局部放电故障种类采集500组数据，按8：2的比例设置训练集和测试集；基于输出结果与实际发生的结果对比，得到数据：内部空穴放电的识别准确率最高，达到100％； 沿面放电的故障识别率为95％，其中2％识别为气缝放电，说明上下铜极板与环氧树脂材料连接中间存在缝隙；悬浮放电识别率达到96％；上述3种典型缺陷模型的平均识别准确率为97％。
应当认识到，本发明的实施例可以由计算机硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种智能开关柜状态在线监测系统，其特征在于，包括数据采集模块、数据处理模块、训练模块、定位模块、判断模块和显示模块；
所述数据采集模块用于采集开关柜运行时发出的第一声音信号和第一电磁波信号，并将所述第一声音信号和第一电磁波信号传输至数据处理模块进行预处理和特征提取；
所述数据处理模块包括第一处理单元和第二处理单元，所述第一处理单元用于对第一电磁波信号进行放大处理和滤波处理生成第二电磁波信号，提取所述第二电磁波信号的特征量，将所述第二电磁波信号的特征量传输至判断模块中进行传输路径选择，将所述第二电磁波信号的特征量传输至显示模块中生成频谱图；所述第二处理单元用于对第一声音信号进行预加重处理、过滤处理和分帧加窗处理生成第二声音信号，提取所述第二声音信号的特征量，将所述第二声音信号的特征量传输至判断模块；
所述第二电磁波信号的特征量包括幅值、相位、角频率和周期，所述第二声音信号的特征量包括声音幅值；
所述判断模块包括程序单元、储存单元和执行单元，所述程序单元用于根据所述第二声音信号的特征量判断开关柜的运行状态，并将开关柜的运行状态输入至显示模块，当开关柜的运行状态为异常状态或注意状态时，将所述第二电磁波信号的特征量传输至训练模块，当所述开关柜的运行状态为正常状态时，将所述第二电磁波信号的特征量储存在判断模块的储存单元中；
所述训练模块分为故障单元和训练单元，所述故障单元用于接收所述第二电磁波信号的特征量，基于所述第二电磁波信号的特征量的频谱图识别开关柜局部放电故障种类并统计开关柜局部放电次数，建立开关柜局部放电故障种类与发生所述故障种类的对应关系，称所述开关柜局部放电故障种类与发生所述开关柜局部放电故障种类的对应关系为第一对应关系并输入至训练单元中训练，所述训练单元输入信号为第二电磁波信号的特征量，输出信号为开关柜局部放电故障种类和所述开关柜局部放电故障种类发生的概率；
所述定位模块基于世界坐标系重构坐标系，用于对故障点定位，并将定位信息输入至显示模块；
所述显示模块用于显示开关柜的运行状态、局部放电故障种类、第二电磁波信号的特征量的频谱图和故障点的定位。
2.如权利要求1所述的智能开关柜状态在线监测系统，其特征在于：所述数据采集模块包括特高频传感器和声音传感器；
所述特高频传感器采集第一电磁波信号，并将所述第一电磁波信号输入第一处理单元，声音传感器采集第一声音信号，并将所述第一声音信号输入第二处理单元；
所述数据处理模块包括第一处理单元和第二处理单元，所述第一处理单元用于对第一电磁波信号进行放大处理和滤波处理生成第二电磁波信号，提取所述第二电磁波信号的特征量，将所述第二电磁波信号的特征量传输至判断模块中进行传输路径选择，将所述第二电磁波信号的特征量传输至显示模块中生成频谱图；所述第二处理单元用于对第一声音信号进行预加重处理、过滤处理和分帧加窗处理生成第二声音信号，提取所述第二声音信号的特征量，将所述第二声音信号的特征量传输至判断模块。
3.如权利要求2所述的智能开关柜状态在线监测系统，其特征在于：所述第二处理单元处理包括预加重子单元、滑窗子单元、放大子单元和滤波子单元；
所述预加重子单元用于对所述第一声音信号预加重处理，突出声音中的高频部分并传输至滑窗子单元；
所述滑窗子单元将声音交叠的百分比在40~80之间，用于将预加重子单元处理后的第一声音信号分帧交叠并将声音的交叠部分设定为帧移并传输至放大子单元；
所述放大子单元用于将滑窗子单元处理后的第一声音信号的噪声放大生成噪声信号，并将所述噪声信号和局部放电的音频信号叠加求和，并传输至滤波子单元；
所述滤波子单元用于将放大子单元处理后的第一声音信号基于LMS自适应线性滤波，生成第二声音信号并输出至判断模块。
4.如权利要求3所述的智能开关柜状态在线监测系统，其特征在于：所述判断模块基于第二声音信号的幅度阈值判断开关柜的运行状态，所述开关柜的运行状态包括正常状态、注意状态和异常状态，所述判断模块将所述开关柜的运行状态输入至显示模块和储存单元，当开关柜的运行状态为注意状态或异常状态时，所述数据处理模块将第二电磁波信号的特征量传输至训练模块。
5.如权利要求4所述的智能开关柜状态在线监测系统，其特征在于：所述判断模块包括程序单元、储存单元和执行单元；
所述程序单元将开关柜的运行状态为正常状态时的第二声音信号的幅度阈值设定为，将开关柜的运行状态为异常状态时的第二声音信号的幅度阈值为，所述程序单元接收所述数据处理模块传输的第二声音信号的声音幅值，所述第二声音信号的声音幅值输入所述程序单元，所述程序单元对第二声音信号的声音幅值基于第二声音信号的幅度阈值进行判断，获取开关柜的运行状态，并将所述开关柜的运行状态输入执行单元；
所述执行单元基于程序单元的输出的所述开关柜的运行状态，选择所述第二电磁波信号的特征量的传输路径；
当所述开关柜的运行状态为正常状态时，所述执行单元将所述正常状态输入显示模块，并将所述第二电磁波信号的特征量传输至储存单元；
当所述开关柜的运行状态为异常状态或注意状态时，所述执行单元将所述异常状态或注意状态输入显示模块，所述执行单元将第二电磁波特征量传输至训练模块。
6.如权利要求5所述的智能开关柜状态在线监测系统，其特征在于：所述训练模块包括故障单元和训练单元，所述故障单元用于接收所述第二电磁波信号的特征量，基于所述第二电磁波信号的特征量的频谱图识别开关柜局部放电故障种类并统计开关柜局部放电次数，建立开关柜局部放电故障种类与发生所述故障种类的对应关系，称所述开关柜局部放电故障种类与发生所述开关柜局部放电故障种类的对应关系为第一对应关系并输入至训练单元中训练，所述训练单元输入信号为第二电磁波信号的特征量，输出信号为开关柜局部放电故障种类和所述开关柜局部放电故障种类发生的概率。
7.如权利要求6所述的智能开关柜状态在线监测系统，其特征在于：所述第一对应关系为训练模块通过第二电磁波信号的特征量，在时域和频域对第二电磁波信号的频谱图进行加权，判断开关柜的局部放电故障种类。
8.如权利要求7所述的智能开关柜状态在线监测系统，其特征在于：所述训练模块接收所述幅值、所述相位和所述局部放电次数，并分别将所述幅值、所述相位和所述局部放电次数按比例分为训练集和测试集，基于所述第一对应关系判断所述局部放电故障种类，并基于神经网络预测所述局部放电故障种类的发生概率；
所述训练集的输入信号为历史第二电磁波信号的幅值和相位，对所述幅值归一化处理并输入至所述第一对应关系中，数据集的输入信号为所述幅值和所述相位，所述数据集包括内部空穴放电类型、沿面放电类型和悬浮放电类型，并分别建立内部空穴放电类型卷积神经网络模型、沿面放电类型卷积神经网络模型和悬浮放电类型卷积神经网络模型；
所述训练模块用于构建神经网络模型，基于交叉熵代价函数优化所述神经网络模型，所述数据集对训练样本集数据进行学习训练并在所述局部放电故障发生时输出所述局部放电故障种类的样本标签；
所述归一化处理计算的表达式为：
；
其中，神经网络模型包括第一卷积层、第二卷积层和第三卷积层，其中，第一卷积层和第二卷积层的卷积核尺寸为5×5，第三卷积层的卷积核尺寸为3×3，激活函数为不饱和非线性函数，池化层的尺寸为1×2，全连接的神经元个数为512，输出层为Softmax分类器，所述Softmax分类器输出所述局部放电故障种类的发生概率；
其中，为当前输入的幅值，为幅值的最大值，为幅值的最小值，为线性归一化后的幅值。
9.如权利要求8所述的智能开关柜状态在线监测系统，其特征在于：所述定位模块基于世界坐标系构建新的坐标系，并判断所述故障点的定位；
所述特高频传感器设置有三个，并分别位于开关柜不同的三个面上。
10.如权利要求9所述的智能开关柜状态在线监测系统，其特征在于：基于世界坐标系，令特高频传感器A、特高频传感器B和特高频传感器C的空间坐标分别为、和，，原点连接特高频传感器A形成的向量为，原点连接特高频传感器B形成的向量为，原点连接特高频传感器C形成的向量为，特高频传感器C连接特高频传感器A形成的向量为，以特高频传感器A为原点，特高频传感器A到特高频传感器B的方向为新的x轴，记为轴，原世界坐标系的方向为轴，特高频传感器A与特高频传感器B连接，生成向量，特高频传感器A与特高频传感器C连接，生成向量，向量叉乘向量，生成新的向量，新的向量的方向为新的轴的方向，记新的轴为轴，故障点到新坐标系的原点形成的定位向量为，构造旋转矩阵，平移矩阵，所述故障点的定位向量的计算表达式为：
。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410703569.8A CN118277942B (zh) | 2024-06-03 | 2024-06-03 | 一种智能开关柜状态在线监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410703569.8A CN118277942B (zh) | 2024-06-03 | 2024-06-03 | 一种智能开关柜状态在线监测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118277942A true CN118277942A (zh) | 2024-07-02 |
| CN118277942B CN118277942B (zh) | 2024-08-09 |
Family
ID=91648897
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410703569.8A Active CN118277942B (zh) | 2024-06-03 | 2024-06-03 | 一种智能开关柜状态在线监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118277942B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118818242A (zh) * | 2024-09-20 | 2024-10-22 | 珠海市科宏电子科技有限公司 | 一种开关柜局放在线监测数据管理系统及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102097244A (zh) * | 2010-11-27 | 2011-06-15 | 山东电力集团公司济宁供电公司 | 局部放电特高频电磁波信号检测传感器盒弧板 |
| CN106291270A (zh) * | 2016-07-22 | 2017-01-04 | 中国石油化工股份有限公司 | 基于无线通信的gis局部放电超声检测方法 |
| CN110244204A (zh) * | 2019-06-27 | 2019-09-17 | 国网湖南省电力有限公司 | 一种多特征值的开关柜故障诊断方法、系统及介质 |
| US20200249268A1 (en) * | 2017-09-20 | 2020-08-06 | Siemens Aktiengesellschaft | Method and arrangement for detecting partial discharges in an electric operating means |
-
2024
- 2024-06-03 CN CN202410703569.8A patent/CN118277942B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102097244A (zh) * | 2010-11-27 | 2011-06-15 | 山东电力集团公司济宁供电公司 | 局部放电特高频电磁波信号检测传感器盒弧板 |
| CN106291270A (zh) * | 2016-07-22 | 2017-01-04 | 中国石油化工股份有限公司 | 基于无线通信的gis局部放电超声检测方法 |
| US20200249268A1 (en) * | 2017-09-20 | 2020-08-06 | Siemens Aktiengesellschaft | Method and arrangement for detecting partial discharges in an electric operating means |
| CN110244204A (zh) * | 2019-06-27 | 2019-09-17 | 国网湖南省电力有限公司 | 一种多特征值的开关柜故障诊断方法、系统及介质 |
Non-Patent Citations (2)
| Title |
|---|
| WOJCIECH KOLTUNOWICZ 等: "Requirements for ultra-high frequency partial discharge monitoring systems for gas-insulated switchgear", E & I ELEKTROTECHNIK UND INFORMATIONSTECHNIK, vol. 140, 17 January 2023 (2023-01-17), pages 153 - 161 * |
| 庞松岭 等: "开关柜局部放电声音自动识别技术研究", 自动化应用, no. 8, 25 August 2021 (2021-08-25), pages 1 - 2 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118818242A (zh) * | 2024-09-20 | 2024-10-22 | 珠海市科宏电子科技有限公司 | 一种开关柜局放在线监测数据管理系统及方法 |
| CN118818242B (zh) * | 2024-09-20 | 2024-11-19 | 珠海市科宏电子科技有限公司 | 一种开关柜局放在线监测数据管理系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118277942B (zh) | 2024-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111562458B (zh) | 一种电力变压器故障诊断方法与电力变压器故障诊断装置 | |
| CN104849628B (zh) | 一种电缆附件故障分析检测方法 | |
| CN118277942B (zh) | 一种智能开关柜状态在线监测系统 | |
| CN111198309B (zh) | 一种海上平台干式变压器状态监测与故障预警方法 | |
| CN111239263B (zh) | 一种gis设备内部的异物缺陷的检测方法及系统 | |
| CN105973621A (zh) | 一种基于异常振动分析的gis机械故障诊断方法和系统 | |
| Zhong et al. | Mechanical defect identification for gas‐insulated switchgear equipment based on time‐frequency vibration signal analysis | |
| CN109029959B (zh) | 一种变压器绕组的机械状态检测方法 | |
| CN110347717A (zh) | 一种基于城市电力设备监测的大数据存储方法 | |
| CN108362966A (zh) | 一种油浸变压器高精度噪声在线监测方法和系统 | |
| CN110554284A (zh) | 基于gis设备的局放检测方式的相关性分析方法及系统 | |
| CN110320467A (zh) | 一种低压直流断路器故障诊断方法 | |
| CN108761320A (zh) | 开关柜综合在线监测分析平台 | |
| CN104777408A (zh) | 基于物联网的开关柜局部放电tev在线监测系统 | |
| CN109932053A (zh) | 一种用于高压并联电抗器的状态监测装置及方法 | |
| CN117992776B (zh) | 基于人工智能的电网设备健康状态实时预测方法 | |
| CN116910470A (zh) | 一种gis组合电器局部放电故障模式识别方法 | |
| CN111999614A (zh) | 一种面向高压开关柜的局部放电多源融合检测预警方法 | |
| CN117633611B (zh) | 一种危险用电器及用电行为识别方法及系统 | |
| CN117789766A (zh) | 一种水电机组放电和轴承故障风险声音的分类方法及系统 | |
| CN116994606A (zh) | 一种电力设备声音诊断方法 | |
| CN112729531B (zh) | 配电变压器设备故障研判方法及系统 | |
| Sun et al. | A Novel Fault Diagnosis of GIS Partial Discharge Based on Improved Whale Optimization Algorithm | |
| CN109297582A (zh) | 风扇异音的检测装置及检测方法 | |
| CN114239636A (zh) | 缺陷类型识别方法、装置、计算机设备、存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20241017 Address after: No. 4 Zhongshan Street, Deyang City, Sichuan Province, 618099 Patentee after: DEYANG POWER SUPPLY COMPANY, STATE GRID SICHUAN ELECTRIC POWER Corp. Country or region after: China Address before: No. 38 Tianyi Street, High tech Zone, Chengdu City, Sichuan Province, 610095 Patentee before: CHENGDU GONGBAILI AUTOMATION EQUIPMENT Co.,Ltd. Country or region before: China Patentee before: DEYANG POWER SUPPLY COMPANY, STATE GRID SICHUAN ELECTRIC POWER Corp. |