CN115880871A - 基于深度学习的高压断路器状态预警方法、系统、设备 - Google Patents
基于深度学习的高压断路器状态预警方法、系统、设备 Download PDFInfo
- Publication number
- CN115880871A CN115880871A CN202211517489.0A CN202211517489A CN115880871A CN 115880871 A CN115880871 A CN 115880871A CN 202211517489 A CN202211517489 A CN 202211517489A CN 115880871 A CN115880871 A CN 115880871A
- Authority
- CN
- China
- Prior art keywords
- state
- circuit breaker
- voltage circuit
- early warning
- parameter group
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012544 monitoring process Methods 0.000 claims abstract description 56
- 238000009413 insulation Methods 0.000 claims abstract description 20
- 230000009471 action Effects 0.000 claims description 57
- 239000013598 vector Substances 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 14
- 238000003745 diagnosis Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000013136 deep learning model Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 238000005299 abrasion Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本申请公开一种基于深度学习的高压断路器状态预警方法，包括：集高压断路器运行中反映运行状态信息的状态参数组；状态参数组包括：反映机械特性的第一参数组；反映电气特性的第二参数组；反映绝缘特性的第三参数组；当采集时间段内采集的高压断路器工作状态与状态监测模型监测得到的工作状态误差超出误差包容区间时，迭代状态参数组形成新状态参数组；根据原有状态参数组和迭代后状态参数组对监测模型进行刷新；采用刷新后的监测模型对高压断路器状态进行监测预警。本发明相较于现有技术而言，可以提高高压断路器运行状态预警的精确度。本申请还涉及基于深度学习的高压断路器状态预警系统和电子设备，同样具有上述有益效果。
Description
技术领域
本发明涉及智慧电网技术领域，特别是一种基于深度学习的高压断路器状态预警方法，本申请还涉及基于深度学习的高压断路器状态预警系统和电子设备。
背景技术
高压断路器的可靠性直接关系到电力系统整体运行的安全，电力系统故障是很高概率是由高压断路器引起的，高压断路器开关对接触点造成一定的磨损，一旦达到寿命极限，则会造成断路器的故障或事故，因此对高压断路器的运行状态监测预警不可或缺。然而，现有技术中对高压断路器运行状态预警的精确度存在明显不足。
因此，如何提供一种基于深度学习的高压断路器状态预警方法，其能够克服上述技术问题，提高高压断路器运行状态预警的精确度，已经成为本领域技术人员亟待解决的技术问题。
发明内容
为解决上述技术问题，本申请提供一种基于深度学习的高压断路器状态预警方法，其能够克服上述技术问题，提高高压断路器运行状态预警的精确度。本申请还涉及基于深度学习的高压断路器状态预警系统和电子设备，同样具有上述有益效果。
本申请提供的一个技术方案如下：
本申请提供一种基于深度学习的高压断路器状态预警方法，包括：采集高压断路器运行中反映运行状态信息的状态参数组；
所述状态参数组包括：反映机械特性的第一参数组；反映电气特性的第二参数组；反映绝缘特性的第三参数组；
根据高压断路器的状态参数组和对应的采集时间建立特征向量；
根据特征向量对深度学习模型进行训练，建立高压断路器的状态监测模型；
设定采集时间段和误差包容区间；于采集时间段内实地采集高压断路器的工作状态；当采集时间段内采集的高压断路器工作状态与状态监测模型监测得到的工作状态误差超出误差包容区间时，迭代状态参数组形成新状态参数组；根据原有状态参数组和迭代后状态参数组对监测模型进行刷新；
采用刷新后的监测模型对高压断路器状态进行监测预警。
进一步地，在本发明一种优选的方式中，所述第一参数组包括：时间参数信息、速度参数信息、分合闸线圈信息、直流电阻信息。
进一步地，在本发明一种优选的方式中，所述第二参数组包括：开断磨损信息、最低动作电压信息、主回路电阻信息。
进一步地，在本发明一种优选的方式中，所述第三参数组包括绝缘介质信息、长时工频耐压试验信息、一次回路对地绝缘信息。
进一步地，在本发明一种优选的方式中， 还包括步骤：通过断路器历史动作预测未来动作数据；通过预测到的未来动作数据的机械动作数据对高压断路器进行潜在故障诊断。
进一步地，在本发明一种优选的方式中，步骤“通过断路器历史动作预测未来动作数据；通过预测到的未来动作数据的机械动作数据对高压断路器进行潜在故障诊断”具体为：通过前几次动作的触头行程和操作线圈电流曲线预测下一次或者后几次动作数据；通过预测到的未来动作数据的机械动作数据对高压断路器进行潜在故障诊断。
进一步地，在本发明一种优选的方式中，通过前10次动作的触头行程和操作线圈电流曲线预测后10次动作数据，且通过归一化、交叉验证、网格搜索处理以提高算法精度。
此外，本发明还涉及一种基于深度学习的高压断路器状态预警系统，包括：第一采集模块，用于采集反映机械特性的第一参数组；第二采集模块，用于采集反映电气特性的第二参数组；第三采集模块，用于采集反映绝缘特性的第三参数组；综合处理模块，用于根据高压断路器的状态参数组和对应的采集时间建立特征向量；模型训练模块，用于训练监测模型，根据特征向量对深度学习模型进行训练，建立高压断路器的状态监测模型；所述综合处理模块还用于于采集时间段内实地采集高压断路器的工作状态；当采集时间段内采集的高压断路器工作状态与状态监测模型监测得到的工作状态误差较大时，更新状态参数组形成新状态参数组；根据原有状态参数组和新状态参数组对监测模型进行更新；采用更新后的监测模型对高压断路器状态进行监测预警。
进一步地，在本发明一种优选的方式中，所述第一采集模块包括：时间参数信息采集单元、速度参数信息采集单元、分合闸线圈信息采集单元、直流电阻信息采集单元；所述第二采集模块包括：开断磨损信息采集单元、最低动作电压信息采集单元、主回路电阻信息采集单元；所述第三参数组包括绝缘介质信息采集单元、长时工频耐压试验信息采集单元、一次回路对地绝缘信息采集单元。
此外，本发明还涉及一种设备，包括：计算机程序，所述计算机程序用于执行如上所述的基于深度学习的高压断路器状态预警方法；存储器，所述存储器用于存储的计算机程序；处理器，所述处理器用于执行的计算机程序。
本发明提供的一种基于深度学习的高压断路器状态预警方法，与现有技术相比，包括：集高压断路器运行中反映运行状态信息的状态参数组；所述状态参数组包括：反映机械特性的第一参数组；反映电气特性的第二参数组；反映绝缘特性的第三参数组；根据高压断路器的状态参数组和对应的采集时间建立特征向量；根据特征向量对深度学习模型进行训练，建立高压断路器的状态监测模型；设定采集时间段和误差包容区间；于采集时间段内实地采集高压断路器的工作状态；当采集时间段内采集的高压断路器工作状态与状态监测模型监测得到的工作状态误差超出误差包容区间时，迭代状态参数组形成新状态参数组；根据原有状态参数组和迭代后状态参数组对监测模型进行刷新；采用刷新后的监测模型对高压断路器状态进行监测预警。本发明涉及的技术方案，其通过上述技术操作步骤相互有机配合，协调作业，相较于现有技术而言，其能够克服上述技术问题，提高高压断路器运行状态预警的精确度。本申请还涉及基于深度学习的高压断路器状态预警系统和电子设备，同样具有上述有益效果。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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申请的一些实施例，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为本发明实施例涉及的基于深度学习的高压断路器状态预警方法的流程示意图。
图2为本发明实施例涉及的基于深度学习的高压断路器状态预警系统的示意图。
具体实施方式
为了使本领域的技术人员更好地理解本申请中的技术方案，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，所描述的实施例仅仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，当元件被称为“固定于”或“设置于”另一个元件上，它可以直接在另一个元件上或者间接设置在另一个元件上；当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至另一个元件上。
需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“第一”、“第二”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”、“若干个”的含义是两个或两个以上，除非另有明确具体的限定。
须知，本说明书附图所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本申请可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本申请所能产生的功效及所能达成的目的下，均应仍落在本申请所揭示的技术内容得能涵盖的范围内。
请如图1至图2所示，本申请实施例提供一种基于深度学习的高压断路器状态预警方法，包括：集高压断路器运行中反映运行状态信息的状态参数组；所述状态参数组包括：反映机械特性的第一参数组；反映电气特性的第二参数组；反映绝缘特性的第三参数组；根据高压断路器的状态参数组和对应的采集时间建立特征向量；根据特征向量对深度学习模型进行训练，建立高压断路器的状态监测模型；设定采集时间段和误差包容区间；于采集时间段内实地采集高压断路器的工作状态；当采集时间段内采集的高压断路器工作状态与状态监测模型监测得到的工作状态误差超出误差包容区间时，迭代状态参数组形成新状态参数组；根据原有状态参数组和迭代后状态参数组对监测模型进行刷新；采用刷新后的监测模型对高压断路器状态进行监测预警。本发明涉及的技术方案，其通过上述技术操作步骤相互有机配合，协调作业，相较于现有技术而言，其能够克服上述技术问题，提高高压断路器运行状态预警的精确度。本申请还涉及基于深度学习的高压断路器状态预警系统和电子设备，同样具有上述有益效果。
具体地，在本发明的实施例中，所述第一参数组包括：时间参数信息、速度参数信息、分合闸线圈信息、直流电阻信息。
具体地，在本发明的实施例中，所述第二参数组包括：开断磨损信息、最低动作电压信息、主回路电阻信息。
具体地，在本发明的实施例中，所述第三参数组包括绝缘介质信息、长时工频耐压试验信息、一次回路对地绝缘信息。
具体地，在本发明的实施例中， 还包括步骤：通过断路器历史动作预测未来动作数据；通过预测到的未来动作数据的机械动作数据对高压断路器进行潜在故障诊断。
具体地，在本发明的实施例中，步骤“通过断路器历史动作预测未来动作数据；通过预测到的未来动作数据的机械动作数据对高压断路器进行潜在故障诊断”具体为：通过前几次动作的触头行程和操作线圈电流曲线预测下一次或者后几次动作数据；通过预测到的未来动作数据的机械动作数据对高压断路器进行潜在故障诊断。
具体地，在本发明的实施例中，通过前10次动作的触头行程和操作线圈电流曲线预测后10次动作数据，且通过归一化、交叉验证、网格搜索处理以提高算法精度。
实施例1
本申请实施例一提供一种基于深度学习的高压断路器状态预警方法，包括：集高压断路器运行中反映运行状态信息的状态参数组；所述状态参数组包括：反映机械特性的第一参数组；反映电气特性的第二参数组；反映绝缘特性的第三参数组；根据高压断路器的状态参数组和对应的采集时间建立特征向量；根据特征向量对深度学习模型进行训练，建立高压断路器的状态监测模型；设定采集时间段和误差包容区间；于采集时间段内实地采集高压断路器的工作状态；当采集时间段内采集的高压断路器工作状态与状态监测模型监测得到的工作状态误差超出误差包容区间时，迭代状态参数组形成新状态参数组；根据原有状态参数组和迭代后状态参数组对监测模型进行刷新；采用刷新后的监测模型对高压断路器状态进行监测预警。本发明涉及的技术方案，其通过上述技术操作步骤相互有机配合，协调作业，相较于现有技术而言，其能够克服上述技术问题，提高高压断路器运行状态预警的精确度。本申请还涉及基于深度学习的高压断路器状态预警系统和电子设备，同样具有上述有益效果。
实施例2
与上一实施例相比，本实施例存在的差别之处在于：在本发明的实施例中，所述第一参数组包括：时间参数信息、速度参数信息、分合闸线圈信息、直流电阻信息；所述第二参数组包括：开断磨损信息、最低动作电压信息、主回路电阻信息；所述第三参数组包括绝缘介质信息、长时工频耐压试验信息、一次回路对地绝缘信息。
实施例3
与上一实施例相比，本实施例存在的差别之处在于：在本发明的实施例中， 还包括步骤：通过断路器历史动作预测未来动作数据；通过预测到的未来动作数据的机械动作数据对高压断路器进行潜在故障诊断，具体为：通过预测到的未来动作数据的机械动作数据对高压断路器进行潜在故障诊断”具体为：通过前几次动作的触头行程和操作线圈电流曲线预测下一次或者后几次动作数据；通过预测到的未来动作数据的机械动作数据对高压断路器进行潜在故障诊断。
此外，本发明还涉及一种基于深度学习的高压断路器状态预警系统，包括：第一采集模块，用于采集反映机械特性的第一参数组；第二采集模块，用于采集反映电气特性的第二参数组；第三采集模块，用于采集反映绝缘特性的第三参数组；综合处理模块，用于根据高压断路器的状态参数组和对应的采集时间建立特征向量；模型训练模块，用于训练监测模型，根据特征向量对深度学习模型进行训练，建立高压断路器的状态监测模型；所述综合处理模块还用于于采集时间段内实地采集高压断路器的工作状态；当采集时间段内采集的高压断路器工作状态与状态监测模型监测得到的工作状态误差较大时，更新状态参数组形成新状态参数组；根据原有状态参数组和新状态参数组对监测模型进行更新；采用更新后的监测模型对高压断路器状态进行监测预警，此外，还包括预警提示模块，用于向值班人员发送预警信息。
具体地，在本发明的实施例中，所述第一采集模块包括：时间参数信息采集单元、速度参数信息采集单元、分合闸线圈信息采集单元、直流电阻信息采集单元；所述第二采集模块包括：开断磨损信息采集单元、最低动作电压信息采集单元、主回路电阻信息采集单元；所述第三参数组包括绝缘介质信息采集单元、长时工频耐压试验信息采集单元、一次回路对地绝缘信息采集单元。
此外，本发明还涉及一种设备，包括：计算机程序，所述计算机程序用于执行如上所述的基于深度学习的高压断路器状态预警方法；存储器，所述存储器用于存储的计算机程序；处理器，所述处理器用于执行的计算机程序。
需要说明的是，在多个不同示例性实施方案中示出的本申请的构造和布置仅是例示性的。尽管在此公开内容中仅详细描述了几个实施方案，但参阅此公开内容的人员应容易理解，在实质上不偏离该申请中所描述的主题的新颖教导和优点的前提下，许多改型是可能的（例如，各种元件的尺寸、尺度、结构、形状和比例、以及参数值（例如，温度、压力等）、安装布置、材料的使用、颜色、定向的变化等）。例如，示出为整体成形的元件可以由多个部分或元件构成，元件的位置可被倒置或以其它方式改变，并且分立元件的性质或数目或位置可被更改或改变。因此，所有这样的改型旨在被包含在本发明的范围内。可以根据替代的实施方案改变或重新排序任何过程或方法步骤的次序或顺序。在权利要求中，任何“装置加功能”的条款都旨在覆盖在本文中所描述的执行所述功能的结构，且不仅是结构等同而且还是等同结构。在不背离本发明的范围的前提下，可以在示例性实施方案的设计、运行状况和布置中做出其他替换、改型、改变和省略。因此，本发明不限制于特定的实施方案，而是扩展至仍落在所附的权利要求书的范围内的多种改型。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于深度学习的高压断路器状态预警方法，其特征在于，包括步骤：
采集高压断路器运行中反映运行状态信息的状态参数组；
所述状态参数组包括：反映机械特性的第一参数组；反映电气特性的第二参数组；反映绝缘特性的第三参数组；
根据高压断路器的状态参数组和对应的采集时间建立特征向量；
根据特征向量对深度学习模型进行训练，建立高压断路器的状态监测模型；
设定采集时间段和误差包容区间；于采集时间段内实地采集高压断路器的工作状态；当采集时间段内采集的高压断路器工作状态与状态监测模型监测得到的工作状态误差超出误差包容区间时，迭代状态参数组形成新状态参数组；根据原有状态参数组和迭代后状态参数组对监测模型进行刷新；
采用刷新后的监测模型对高压断路器状态进行监测预警。
2.根据权利要求1所述的基于深度学习的高压断路器状态预警方法，其特征在于，所述第一参数组包括：时间参数信息、速度参数信息、分合闸线圈信息、直流电阻信息。
3.根据权利要求2所述的基于深度学习的高压断路器状态预警方法，其特征在于，所述第二参数组包括：开断磨损信息、最低动作电压信息、主回路电阻信息。
4.根据权利要求3所述的基于深度学习的高压断路器状态预警方法，其特征在于，所述第三参数组包括绝缘介质信息、长时工频耐压试验信息、一次回路对地绝缘信息。
5.根据权利要求4所述的基于深度学习的高压断路器状态预警方法，其特征在于， 还包括步骤：通过断路器历史动作预测未来动作数据；通过预测到的未来动作数据的机械动作数据对高压断路器进行潜在故障诊断。
6.根据权利要求5所述的基于深度学习的高压断路器状态预警方法，其特征在于，步骤“通过断路器历史动作预测未来动作数据；通过预测到的未来动作数据的机械动作数据对高压断路器进行潜在故障诊断”具体为：通过前几次动作的触头行程和操作线圈电流曲线预测下一次或者后几次动作数据；通过预测到的未来动作数据的机械动作数据对高压断路器进行潜在故障诊断。
7.根据权利要求6所述的配网电容电流安全检测系统，其特征在于，通过前10次动作的触头行程和操作线圈电流曲线预测后10次动作数据，且通过归一化、交叉验证、网格搜索处理以提高算法精度。
8.一种基于深度学习的高压断路器状态预警系统，其特征在于，包括：第一采集模块，用于采集反映机械特性的第一参数组；第二采集模块，用于采集反映电气特性的第二参数组；第三采集模块，用于采集反映绝缘特性的第三参数组；综合处理模块，用于根据高压断路器的状态参数组和对应的采集时间建立特征向量；模型训练模块，用于训练监测模型，根据特征向量对深度学习模型进行训练，建立高压断路器的状态监测模型；所述综合处理模块还用于于采集时间段内实地采集高压断路器的工作状态；当采集时间段内采集的高压断路器工作状态与状态监测模型监测得到的工作状态误差较大时，更新状态参数组形成新状态参数组；根据原有状态参数组和新状态参数组对监测模型进行更新；采用更新后的监测模型对高压断路器状态进行监测预警。
9.根据权利要求8所述的基于深度学习的高压断路器状态预警系统，其特征在于，所述第一采集模块包括：时间参数信息采集单元、速度参数信息采集单元、分合闸线圈信息采集单元、直流电阻信息采集单元；所述第二采集模块包括：开断磨损信息采集单元、最低动作电压信息采集单元、主回路电阻信息采集单元；所述第三参数组包括绝缘介质信息采集单元、长时工频耐压试验信息采集单元、一次回路对地绝缘信息采集单元。
10.一种设备，其特征在于，包括：
计算机程序，所述计算机程序用于执行权利要求1~7中任意一项所述的基于深度学习的高压断路器状态预警方法；
存储器，所述存储器用于存储的计算机程序；
处理器，所述处理器用于执行的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211517489.0A CN115880871A (zh) | 2022-11-29 | 2022-11-29 | 基于深度学习的高压断路器状态预警方法、系统、设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211517489.0A CN115880871A (zh) | 2022-11-29 | 2022-11-29 | 基于深度学习的高压断路器状态预警方法、系统、设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115880871A true CN115880871A (zh) | 2023-03-31 |
Family
ID=85764819
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211517489.0A Pending CN115880871A (zh) | 2022-11-29 | 2022-11-29 | 基于深度学习的高压断路器状态预警方法、系统、设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115880871A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101825894A (zh) * | 2010-04-30 | 2010-09-08 | 北京航空航天大学 | 一种六氟化硫高压断路器状态智能监测与健康管理系统 |
| CN107015145A (zh) * | 2017-06-01 | 2017-08-04 | 湖州知维技术服务有限公司 | 高压断路器在线监测和状态评价系统 |
| US20180082568A1 (en) * | 2016-09-21 | 2018-03-22 | General Electric Technology Gmbh | Machine Protection and Diagnostic Systems and Methods |
| CN111145482A (zh) * | 2019-12-31 | 2020-05-12 | 南京南瑞继保工程技术有限公司 | 一种消防指挥控制系统 |
| CN114355182A (zh) * | 2021-12-03 | 2022-04-15 | 国网黑龙江省电力有限公司检修公司 | 高压断路器在线监测与故障诊断方法 |
| CN114355184A (zh) * | 2022-01-05 | 2022-04-15 | 国网江苏省电力有限公司宿迁供电分公司 | 一种基于在线学习的高压断路器状态监测预警系统及方法 |
-
2022
- 2022-11-29 CN CN202211517489.0A patent/CN115880871A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101825894A (zh) * | 2010-04-30 | 2010-09-08 | 北京航空航天大学 | 一种六氟化硫高压断路器状态智能监测与健康管理系统 |
| US20180082568A1 (en) * | 2016-09-21 | 2018-03-22 | General Electric Technology Gmbh | Machine Protection and Diagnostic Systems and Methods |
| CN107015145A (zh) * | 2017-06-01 | 2017-08-04 | 湖州知维技术服务有限公司 | 高压断路器在线监测和状态评价系统 |
| CN111145482A (zh) * | 2019-12-31 | 2020-05-12 | 南京南瑞继保工程技术有限公司 | 一种消防指挥控制系统 |
| CN114355182A (zh) * | 2021-12-03 | 2022-04-15 | 国网黑龙江省电力有限公司检修公司 | 高压断路器在线监测与故障诊断方法 |
| CN114355184A (zh) * | 2022-01-05 | 2022-04-15 | 国网江苏省电力有限公司宿迁供电分公司 | 一种基于在线学习的高压断路器状态监测预警系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113448763B (zh) | 全生命周期管理的可动态扩展分组告警服务方法 | |
| KR102079813B1 (ko) | 부분방전 진단 기능 및 ＩｏＴ 기술을 구비한 25.8 ｋＶ 친환경 개폐장치 | |
| CN108020781B (zh) | 一种断路器故障诊断方法 | |
| CN101702001A (zh) | 气体绝缘组合电器设备的放电严重程度评估方法及装置 | |
| CN116956639B (zh) | 一种基于数据分析的高散热性蓄电池评估方法及系统 | |
| CN114154728A (zh) | 一种故障预测方法、装置、电子设备及存储介质 | |
| CN102289582A (zh) | 一种配电网风险状态辨识方法 | |
| CN115880871A (zh) | 基于深度学习的高压断路器状态预警方法、系统、设备 | |
| CN105548873B (zh) | 用于在线监测装置实现开关设备健康诊断的方法 | |
| CN112600309B (zh) | 一种具有录波功能的低压配电智能诊断系统 | |
| CN106291158A (zh) | 实时负载监控及绝缘油劣化诊断方法和智能变压器 | |
| CN117411183B (zh) | 一种断路器的异常用电监控系统 | |
| CN116937758B (zh) | 一种家庭储能电源系统及其运行方法 | |
| CN112485630A (zh) | 一种基于参量变换的igbt健康状态监测方法 | |
| CN116298844B (zh) | 基于半动态布置的变电站高压断路器状态监测系统及方法 | |
| CN113805050B (zh) | 选相合闸角监测方法及装置、计算机设备和存储介质 | |
| CN116704731A (zh) | 一种基于电流指纹技术的安全用电预报警方法 | |
| CN117349710B (zh) | 一种真空灭弧室开断能力的预测方法、电子设备及介质 | |
| CN115800534A (zh) | 一种高压断路器状态实时综合管理系统 | |
| CN115905646A (zh) | 基于物联网技术的高压断路器故障判断方法、系统与设备 | |
| CN114444840A (zh) | 一种变电站运维安全生产风险预警方法 | |
| CN116402492B (zh) | 一种家电维修预警方法及其相关设备 | |
| CN117852093B (zh) | 一种电力工程数据关键信息保护方法 | |
| CN114035039B (zh) | 一种断路器动作状态的多维度分析方法 | |
| CN115219013B (zh) | 高压开关设备振动监测设备、系统及其监测方法和装置 |
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 |