-
题名高电压电气设备绝缘及检测技术研究
被引量:1
- 1
-
-
作者
田阳普
-
机构
红相股份有限公司
-
出处
《产业科技创新》
2019年第18期63-64,共2页
-
文摘
文章以高电压电气设备绝缘检测为探讨主题,针对当前高压电气设备的实际应用情况,分析电压、湿度与误差等影响设备绝缘性能的主要因素,从发现绝缘问题、指导设施整改、以及提升安全系数等三方面阐述绝缘检测的作用,总结红外线诊断技术、实时在线监测技术、调试技术、绝缘子电压分布实验与高频震荡波实验等检测高电压电气设备绝缘性能方法的具体应用。
-
关键词
高电压电气设备
绝缘
检测技术
-
分类号
TM855
[电气工程—高电压与绝缘技术]
-
-
题名基于自编码网络的局部放电信号特征提取与识别
被引量:6
- 2
-
-
作者
李玉杰
田阳普
赵科
刘成宝
王林杰
毛恒
-
机构
国家电网有限公司GIS设备运维检修技术实验室(国网江苏省电力有限公司电力科学研究院)
红相股份有限公司
国网江苏省电力有限公司检修分公司
-
出处
《电力工程技术》
北大核心
2021年第3期148-152,共5页
-
基金
国家电网有限公司科技项目“基于多源大数据融合分析的GIS设备状态检测与异常诊断技术研究”。
-
文摘
气体绝缘金属封闭开关设备(GIS)的状态影响电力系统运行的可靠性,而局部放电是设备潜伏性绝缘故障的重要表现之一。传统局部放电模式识别方法依赖专家经验选取局部放电特征,主观性强且不确定度高。针对这一问题,文中提出将深度学习技术引入局部放电模式识别领域,运用卷积神经网络及其扩展自编码网络提取局部放电信号特征,充分发挥自编码网络的特征抽取能力。同时,将所提取的特征与经典分类器进行衔接,有机结合传统机器学习方法与深度学习方法,实现局部放电信号的基本参数提取、统计特征计算与放电类型识别。实验结果表明,文中所提方法提取的特征相较传统的人工特征可明显提高局部放电的分类准确率和分类效率,具有广阔的工程应用前景。
-
关键词
局部放电
特征提取
自编码网络
分类器
模式识别
-
Keywords
partial discharge
feature extraction
auto-encoder network
classifier
pattern recognition
-
分类号
TM591
[电气工程—电器]
-