CN104535905B - 基于朴素贝叶斯分类的局部放电诊断方法 - Google Patents
基于朴素贝叶斯分类的局部放电诊断方法 Download PDFInfo
- Publication number
- CN104535905B CN104535905B CN201410768520.7A CN201410768520A CN104535905B CN 104535905 B CN104535905 B CN 104535905B CN 201410768520 A CN201410768520 A CN 201410768520A CN 104535905 B CN104535905 B CN 104535905B
- Authority
- CN
- China
- Prior art keywords
- collection
- discretization
- illustrative plates
- width
- attribute
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 208000028659 discharge Diseases 0.000 title claims abstract description 45
- 238000003745 diagnosis Methods 0.000 title abstract description 6
- 102100025142 Beta-microseminoprotein Human genes 0.000 claims abstract description 16
- 101000576812 Homo sapiens Beta-microseminoprotein Proteins 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000002405 diagnostic procedure Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 9
- 238000003909 pattern recognition Methods 0.000 claims description 8
- 239000012467 final product Substances 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 230000003750 conditioning effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 230000004888 barrier function Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002923 metal particle Substances 0.000 description 1
- 239000013528 metallic particle Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002407 reforming Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Landscapes
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种基于朴素贝叶斯分类的局部放电诊断方法，包括：进行数据采集，然后对采集的信号进行抗干扰处理；将处理后的信号转存为一个二维数组，根据PRPS图谱分别得到PRPD图谱、N‑P图谱和Q‑P图谱；分别在所述PRPD图谱、N‑P图谱和Q‑P图谱上进行特征提取；利用等宽离散化方法或者等频率离散化方法对特征提取后的数据进行离散化；利用朴素贝叶斯得到局部放电的故障类别。本发明有益效果：本发明的诊断方法正确率为80.5％，可以满足现场的实际应用。同时，对等宽和等频两类典型的无监督的离散化方法做了详细的研究，指出等频离散化方法优于等宽离散化方法，并给出了等频离散化方法最优的经验值。
Description
技术领域
本发明涉及自动化控制技术领域，尤其涉及一种基于朴素贝叶斯分类的局部放电诊断方法。
背景技术
局部放电是指因为电场不均匀，高压设备绝缘的局部区域发生的发电。由于局部放电具有重复性，虽然短时间内不会影响设备的正常运行但时间长了会形成电树枝，最终导致绝缘击穿。因为局部放电伴随有脉冲电波，超声波，电磁波，化学反应和发光，所以相应的局部放电检测的方法有传统的局放测量，超声波检测法，UHF检测法，化学法和光测法。
针对局部放电信号的采集和识别问题，国内外许多学者进行了深入研究。文献《基于神经网络GIS局部放电模式的识别》在全封闭气体绝缘开关设备上采集放电指纹数据，并提取出12种特征，利用复合神经网络来提高局部放电识别率；文献《基于主成分分析和概率神经网络的变压器局部放电模式识别》提出利用主成分分析的方法对变压器局部放电原始特征参数进行降维，并提取出新的主成分因子，通过概率神经网络分类器对降维前和降维后的特征向量进行训练和识别；文献《基于SVM算法的局部放电模式识别》利用超声波法提取局部放电信号，得到局放分布图谱，获得局部特征参数，通过支持向量机分类算法对典型缺陷信号进行模式识别。
这些文献针对局部放电诊断问题提出了很好的研究思路和解决策略，但较少涉及现场问题的建模和应用。现有的针对局部放电故障诊断的技术大部分是提出一种分类算法来解决局部放电类型的分类，没有一个放电信号接收，特征提取，数据离散化和分类算法分类的整体模型。针对局部放电故障诊断问题，信号的接收和数据的处理对分类器的分类有很大的影响,并且缺乏整体的指导,对诊断结果会有一定的影响。
发明内容
本发明的目的就是为了解决上述技术问题，提供了基于朴素贝叶斯分类的局部放电诊断方法，该方法利用基于电磁波的UHF检测法提取局部放电信号，得到局部放电图谱，进而进行特征提取，最终通过朴素贝叶斯分类算法进行模式识别 与故障诊断。
为了实现上述目的，本发明采用如下技术方案：
一种基于朴素贝叶斯分类的局部放电诊断方法，包括以下步骤：
(1)局部放电信号经UHF传感器和高频传输电缆，进入信号调理单元，被高频滤波、放大、检波后通过多路信号传输电缆传输到高速数据采集单元进行数据采集，然后对采集的信号进行抗干扰处理；
(2)将处理后的信号转存为一个二维数组，所述数组有三列，分别为相位区间、幅值区间和次数，所述数组的三列分别对应三维图的XYZ轴，得到PRPS图谱；根据PRPS图谱分别得到PRPD图谱、N-P图谱和Q-P图谱；
(3)分别在所述PRPD图谱、N-P图谱和Q-P图谱上进行特征提取；
(4)利用等宽离散化方法或者等频率离散化方法对特征提取后的数据进行离散化；
(5)利用朴素贝叶斯进行局部放电模式识别。
所述步骤(2)中根据三维图谱分别得到PRPD图谱、N-P图谱和Q-P图谱的方法为：
定义一个三维数组存放PRPS数据，即PRPS[i][j][k]；其中，k坐标为放电相位，取值范围为0～99；j坐标为放电强度，按照dB值或者百分比处理，取值范围为0～99；i坐标为放电周波序号，取值范围为1～50；
将PRPS每个i坐标累加即得PRPD图谱，其计算公式为：
将PRPD每个j坐标累加即得N-P图谱，其计算公式为：
将PRPD每个k坐标的统计最大值即得Q-P图谱，其计算公式为：
Qmax[k]＝max(j)。
所述步骤(3)中进行特征提取的方法具体为：
提取25个特征，其中前11个在PRPD图谱上提取，后14个分别在N-P图谱和Q-P图谱上提取。
所述步骤(4)中利用等宽离散化方法对特征提取后的数据进行离散化是将特 征的值域划分成具有相同宽度的区间，假定输入为：数据集合S，实例数n，属性个数m，类型个数k；输出为：离散化后的数据集合SS；具体离散化方法为：
1)根据数据集合求出各属性的最大值max和最小值min，max[i]和min[i]分别表示第i个属性的最大值和最小值；
2)给定离散区间数为L，计算各属性的离散化宽度为：
width[i]＝(max[i]-min[i])/L，width[i]表示第i个属性的离散化宽度；
3)得到切点集为：
gather[i]＝{min[i]+width[i],min[i]+2*width[i],...,min[i]+(L-1)*width[i]}，gather[i]表示第i个属性的切点集；
4)对数据集S离散化，对各属性有属性值在[min[i],min[i]+t*width[i]]就离散化为t，比如t为1就是离散化为1；输出离散化后的数据集SS。
所述步骤(4)中利用等频率离散化方法对特征提取后的数据进行离散化是将相同数量的对象放进每个区间，假定输入为：数据集合S，实例数n，属性个数m，类型个数k；输出为：离散化后的数据集合SS；具体离散化方法为：
a)统计实例数n的所有约数作为要分的份数，即为a1,a2,...,an，也是a1,a2,...,an份；
b)定义离散化宽度为width＝n/ai；
c)对数据集合S的前1到width行的值都改为1，width+1到2*width行的值都改为2，以此类推得：(ai-1)*width+1到ai*width行的值都改为ai；
d)输出离散化后的数据集SS。
所述步骤(5)中利用朴素贝叶斯进行局部放电模式识别的方法为：
朴素贝叶斯是通过训练集训练而归纳出的分类器；分类过程中，将事件的先验概率和后验概率联系起来，利用先验信息和样本数据确定事件的后验概率；朴素贝叶斯分类器在估计类条件概率时假设属性之间条件独立；
给定一个实例数据集E，E＝{X1,X2,X3......Xn,C}，其中X1,X2,X3......Xn,是属性变量，C是类型变量，其取值为{c1,c2,c3......cm}，Xi的取值为xi；则实例Ii＝{x1,x2......xn}属于cj的概率由贝叶斯表示为P(cj|x1,x2,...,xn)＝P(x1,x2,...,xn|cj)*P(cj)，
其中，P(cj)是类cj的先验概率，P(x1,x2,...,xn|cj)是类cj的条件概率，P(cj|x1,x2,...,xn)是类cj的后验概率；
经朴素贝叶斯选择后验概率最大的类cj为该实例Ii的类标签，即得到局部放电的故障类别。
本发明有益效果：
本发明的诊断方法正确率为80.5％，可以满足现场的实际应用。同时，对等宽和等频两类典型的无监督的离散化方法做了详细的研究，指出等频离散化方法优于等宽离散化方法，并给出了等频离散化方法最优的经验值。
附图说明
图1为基于朴素贝叶斯分类的局部放电诊断方法示意图；
图2为信号接收过程图；
图3为PRPS图谱；
图4为等宽离散化的折线图；
图5为等频率离散化的实验结果。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
针对局部放电故障诊断问题，本发明提出了一种基于朴素贝叶斯分类的局部放电诊断方法，并搭建了基于朴素贝叶斯分类的局部放电诊断模型，该模型由五部分组成：信号的接收及处理、图谱产生、特征提取、数据离散化、朴素贝叶斯分类。结合图1对本发明作进一步的说明，给出本发明技术方案中所涉及的各个细节问题的详细解释。
1.局部放电信号经UHF传感器和高频传输电缆，进入信号调理单元，被高频滤波、放大、检波后通过多路信号传输电缆传输到高速数据采集单元进行数据采集，然后对采集的信号进行抗干扰处理，过程如图2。
局部放电信号接收的关键是天线传感器，要求驻波比小、方向性系数高；采用带通滤波及选频放大技术和包络检波技术，实现了对信号的窄带化处理，有效抑制噪声，滤除UHF传感器输出信号的超高频成分，仅保留信号的幅值和相位信息，从而降低数据采集系统的要求和减少数据量的处理；数据采集单元要考虑采样率、模拟带宽、单\双通道、单通道最大存储能力等。
2.处理后的信号转存为一个二维数组，此数组有三列，分别为相位区间、幅值区间、次数，进而得到三维图谱，即为PRPS图谱如图3，数组的三列对应三 维图的XYZ轴。进一步可以得到PRPD图谱，其方法为：定义一个三维数组存放PRPS数据，即PRPS[i][j][k]，k坐标：放电相位，3.6度间隔，0～99；j坐标：放电强度，按照dB值或者百分比处理，取值范围0～99；i坐标：放电周波序号，1～50。相当于PRPS每个i坐标的累加即得PRPD图谱，其计算公式为
进而可得N-P图谱，其方法相当于PRPD每个j坐标的累加得N-P图谱，即：
进一步可得Q-P图谱，其方法相当于PRPD每个k坐标的统计最大值得Q-P图谱，
即：
Qmax[k]＝max(j)。
3.本发明的实验提取了25个特征，其中前11个在PRPD图上提取，后14个在N-P图和Q-P图上提取。如表1,2,3。
表1基于PRPD谱图提取的特征
表2基于N-P
表3基于Q-P
其中，灰度重心横坐标计算公式如下：
灰度重心纵坐标计算公式如下：
主轴方向特征参数:
计算时f(x,y)表示矩阵的第x行y列的数。
4.等宽离散化方法和等频率离散化方法是两类典型的无监督离散化方法。等宽离散化方法是将属性的值域划分成具有相同宽度的区间。等频率离散化方法是试图将相同数量的对象放进每个区间。
等宽离散化算法描述如下：
输入：数据集合S，实例数n，属性个数m，类型个数k；
输出：离散化后的数据集合SS；
1)根据数据集合求出各属性的最大值max和最小值min，max[i]和min[i]分别表示第i个属性的最大值和最小值；
2)给定离散区间数为L，计算各属性的离散化宽度为：
width[i]＝(max[i]-min[i])/L，width[i]表示第i个属性的离散化宽度；
3)得到切点集为：
gather[i]＝{min[i]+width[i],min[i]+2*width[i],...,min[i]+(L-1)*width[i]}，gather[i]表示第i个属性的切点集；
4)对数据集S离散化，对各属性有属性值在[min[i],min[i]+t*width[i]]就离散化为t，比如t为1就是离散化为1；
5)输出离散化后的数据集SS。
等频率离散化算法描述如下：
输入：数据集合S，实例数n，属性个数m，类型个数k；
输出：离散化后的数据集合SS；
1)统计实例数n的所有约数作为要分的份数，即为a1,a2,...,an，也是a1,a2,...,an份；
2)widt＝h/Ni；
3)对数据集合S的前1到width行的值都改为1，width+1到2*width行的值都改为2，以此类推得：(ai-1)*width+1到ai*width行的值都改为ai；
输出离散化后的数据集SS。
5.本发明的实验数据来自现场的63例放电数据，包括11种放电类型，分别为尖刺放电，绝缘子表面放电，均匀噪声，手机干扰，随机干扰，悬浮放电，沿面放电，噪声，噪声信号，金属颗粒和自由金属颗粒。为了保证实验的合理性，采用十次十折交叉法来求取诊断正确率的总平均值作为平均正确率。
表6展示了等宽离散化方法的最优份数和等频率离散化方法的最优份数。
表4等宽离散化的实验结果
表5等频离散化的实验结果
从表4和图4可以看出：
①等宽离散化时，最高平均正确率为73.333％，最低平均正确率为58.833％。
②等宽离散化时，份数的最优值为5份。
③等宽离散化时，局部放电类型识别的正确率随份数的增加逐渐的降低，但坡度比较小，幅度也比较小，变化比较平稳。
从表5和图5中可以看出：
①等频离散化时，最高平均正确率为80.500％，最低平均正确率为31.833％。
②等频率离散化时，份数的最优值为21份。
③等频率离散化时，局部放电类型识别的正确率出现震荡现象，而且震荡幅度较大，变化不稳定。
从表6中可以看出：等频离散化方法优于等宽离散化方法。
表6最优份数
实验证明，模型中等频离散化的最优的经验值为80.5％，等宽离散化的最优的经验值为73.3％。
朴素贝叶斯是通过训练集训练而归纳出的分类器；分类过程中，将事件的先 验概率和后验概率联系起来，利用先验信息和样本数据确定事件的后验概率；朴素贝叶斯分类器在估计类条件概率时假设属性之间条件独立；
给定一个实例数据集E，E＝{X1,X2,X3......Xn,C}，其中X1,X2,X3......Xn,是属性变量，C是类型变量，其取值为{c1,c2,c3......cm}，Xi的取值为xi；则实例Ii＝{x1,x2......xn}属于cj的概率由贝叶斯表示为P(cj|x1,x2,...,xn)＝P(x1,x2,...,xn|cj)*P(cj)，
其中，P(cj)是类cj的先验概率，P(x1,x2,...,xn|cj)是类cj的条件概率，P(cj|x1,x2,...,xn)是类cj的后验概率；
经朴素贝叶斯选择后验概率最大的类cj为该实例Ii的类标签。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (5)
1.一种基于朴素贝叶斯分类的局部放电诊断方法，其特征是，包括以下步骤：
(1)局部放电信号经UHF传感器和高频传输电缆，进入信号调理单元，被高频滤波、放大、检波后通过多路信号传输电缆传输到高速数据采集单元进行数据采集，然后对采集的信号进行抗干扰处理；采用带通滤波及选频放大技术和包络检波技术，实现了对信号的窄带化处理；
(2)将处理后的信号转存为一个二维数组，所述数组有三列，分别为相位区间、幅值区间和次数，所述数组的三列分别对应三维图的XYZ轴，得到PRPS图谱；根据PRPS图谱分别得到PRPD图谱、N-P图谱和Q-P图谱；
(3)分别在所述PRPD图谱、N-P图谱和Q-P图谱上进行特征提取；
(4)利用等宽离散化方法或者等频率离散化方法对特征提取后的数据进行离散化；
(5)利用朴素贝叶斯进行局部放电模式识别；
所述步骤(2)中根据三维图谱分别得到PRPD图谱、N-P图谱和Q-P图谱的方法为：
定义一个三维数组存放PRPS数据，即PRPS[i][j][k]；其中，k坐标为放电相位，取值范围为0～99；j坐标为放电强度，按照dB值或者百分比处理，取值范围为0～99；i坐标为放电周波序号，取值范围为1～50；
将PRPS每个i坐标累加即得PRPD图谱，其计算公式为：
将PRPD每个j坐标累加即得N-P图谱，其计算公式为：
将PRPD每个k坐标的统计最大值即得Q-P图谱，其计算公式为：
Qmax[k]＝max(j)。
2.如权利要求1所述的一种基于朴素贝叶斯分类的局部放电诊断方法，其特征是，所述步骤(3)中进行特征提取的方法具体为：
提取25个特征，其中前11个在PRPD图谱上提取，后14个分别在N-P图谱和Q-P图谱上提取。
3.如权利要求1所述的一种基于朴素贝叶斯分类的局部放电诊断方法，其特征是，所述步骤(4)中利用等宽离散化方法对特征提取后的数据进行离散化是将特征的值域划分成具有相同宽度的区间，假定输入为：数据集合S，实例数n，属性个数m，类型个数k；输出为：离散化后的数据集合SS；具体离散化方法为：
1)根据数据集合求出各属性的最大值max和最小值min，max[i]和min[i]分别表示第i个属性的最大值和最小值；
2)给定离散区间数为L，计算各属性的离散化宽度为：
width[i]＝(max[i]-min[i])/L，width[i]表示第i个属性的离散化宽度；
3)得到切点集为：
gather[i]＝{min[i]+width[i],min[i]+2*width[i],...,min[i]+(L-1)*width[i]}，gather[i]表示第i个属性的切点集；
4)对数据集S离散化，对各属性有属性值在[min[i],min[i]+t*width[i]]就离散化为t，比如t为1就是离散化为1；输出离散化后的数据集SS。
4.如权利要求1所述的一种基于朴素贝叶斯分类的局部放电诊断方法，其特征是，所述步骤(4)中利用等频率离散化方法对特征提取后的数据进行离散化是将相同数量的对象放进每个区间，假定输入为：数据集合S，实例数n，属性个数m，类型个数k；输出为：离散化后的数据集合SS；具体离散化方法为：
a)统计实例数n的所有约数作为要分的份数，即为a1,a2,...,an，也是a1,a2,...,an份；
b)定义离散化宽度为width＝n/ai；
c)对数据集合S的前1到width行的值都改为1，width+1到2*width行的值都改为2，以此类推得：(ai-1)*width+1到ai*width行的值都改为ai；
d)输出离散化后的数据集SS。
5.如权利要求1所述的一种基于朴素贝叶斯分类的局部放电诊断方法，其特征是，所述步骤(5)中利用朴素贝叶斯进行局部放电模式识别的方法为：
朴素贝叶斯是通过训练集训练而归纳出的分类器；分类过程中，将事件的先验概率和后验概率联系起来，利用先验信息和样本数据确定事件的后验概率；朴素贝叶斯分类器在估计类条件概率时假设属性之间条件独立；
给定一个实例数据集E，E＝{X1,X2,X3......Xn,C}，其中X1,X2,X3......Xn, 是属性变量，C是类型变量，其取值为{c1,c2,c3......cm}，Xi的取值为xi；则实例Ii＝{x1,x2......xn}属于cj的概率由贝叶斯表示为P(cj|x1,x2,...,xn)＝P(x1,x2,...,xn|cj)*P(cj)，其中，P(cj)是类cj的先验概率，P(x1,x2,...,xn|cj)是类cj的条件概率，P(cj|x1,x2,...,xn)是类cj的后验概率；经朴素贝叶斯选择后验概率最大的类cj为该实例Ii的类标签，即得到局部放电的故障类别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410768520.7A CN104535905B (zh) | 2014-12-11 | 2014-12-11 | 基于朴素贝叶斯分类的局部放电诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410768520.7A CN104535905B (zh) | 2014-12-11 | 2014-12-11 | 基于朴素贝叶斯分类的局部放电诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104535905A CN104535905A (zh) | 2015-04-22 |
| CN104535905B true CN104535905B (zh) | 2017-05-24 |
Family
ID=52851467
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410768520.7A Active CN104535905B (zh) | 2014-12-11 | 2014-12-11 | 基于朴素贝叶斯分类的局部放电诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104535905B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104807639A (zh) * | 2015-04-23 | 2015-07-29 | 广西大学 | 一种机车走行部滚动轴承故障诊断方法和装置 |
| CN105044567B (zh) * | 2015-06-29 | 2018-03-02 | 许继集团有限公司 | 一种gis局部放电在线监测模式识别方法及系统 |
| CN106501690B (zh) * | 2016-10-28 | 2019-02-15 | 国网辽宁省电力有限公司辽阳供电公司 | 一种xlpe电力电缆局部放电诊断方法及系统 |
| CN106845131B (zh) * | 2017-02-14 | 2019-03-26 | 吴笃贵 | 一种基于递归滤波算法的局部放电特征参数提取方法 |
| CN110514975B (zh) * | 2019-10-14 | 2021-04-30 | 云南电网有限责任公司电力科学研究院 | 一种gis设备的局部放电类型分类方法 |
| CN111239554B (zh) * | 2019-11-29 | 2021-04-13 | 深圳供电局有限公司 | 一种基于大数据的超声波局放检测分析模型 |
| CN111414943B (zh) * | 2020-03-11 | 2022-05-13 | 山东科技大学 | 一种基于混合隐朴素贝叶斯模型的异常检测方法 |
| CN111610407B (zh) * | 2020-05-18 | 2022-10-18 | 国网江苏省电力有限公司电力科学研究院 | 基于朴素贝叶斯的电缆老化状态评估方法和装置 |
| EP3916402B1 (en) * | 2020-05-25 | 2024-03-20 | ABB Schweiz AG | A method for monitoring the electric insulation status of a piece of equipment for mv or hv electric systems |
| CN111624985B (zh) * | 2020-06-10 | 2022-12-06 | 上海工业自动化仪表研究院有限公司 | 燃气轮机控制系统传感器故障诊断方法 |
| CN113064032B (zh) * | 2021-03-26 | 2022-08-02 | 云南电网有限责任公司电力科学研究院 | 一种基于图谱特征和信息融合的局部放电模式识别方法 |
| CN113625132A (zh) * | 2021-08-06 | 2021-11-09 | 国网上海市电力公司 | 一种基于相位对齐的电缆局部放电检测方法和系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101702002A (zh) * | 2009-12-07 | 2010-05-05 | 上海市电力公司 | 局部放电声电联合检测定位系统及其定位方法 |
| CN102854445A (zh) * | 2012-10-18 | 2013-01-02 | 上海市电力公司 | 一种局部放电脉冲电流的波形特征提取方法 |
| CN103091610A (zh) * | 2013-01-11 | 2013-05-08 | 辽宁省电力有限公司朝阳供电公司 | 一种变压器故障图形预警的方法 |
| CN103323749A (zh) * | 2013-05-16 | 2013-09-25 | 上海交通大学 | 多分类器信息融合的局部放电诊断方法 |
| CN103389430A (zh) * | 2013-08-06 | 2013-11-13 | 华北电力大学 | 一种基于贝叶斯判别理论的油浸式变压器故障检测方法 |
| CN103543392A (zh) * | 2013-10-16 | 2014-01-29 | 云南电力试验研究院（集团）有限公司电力研究院 | 一种针对gis局放缺陷识别和定位的联合检测方法 |
| CN103592587A (zh) * | 2013-12-02 | 2014-02-19 | 国家电网公司 | 基于数据挖掘的局部放电诊断方法 |
| CN103645425A (zh) * | 2013-11-15 | 2014-03-19 | 广东电网公司电力科学研究院 | 一种高压电缆绝缘缺陷局部放电在线监测诊断方法 |
-
2014
- 2014-12-11 CN CN201410768520.7A patent/CN104535905B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101702002A (zh) * | 2009-12-07 | 2010-05-05 | 上海市电力公司 | 局部放电声电联合检测定位系统及其定位方法 |
| CN102854445A (zh) * | 2012-10-18 | 2013-01-02 | 上海市电力公司 | 一种局部放电脉冲电流的波形特征提取方法 |
| CN103091610A (zh) * | 2013-01-11 | 2013-05-08 | 辽宁省电力有限公司朝阳供电公司 | 一种变压器故障图形预警的方法 |
| CN103323749A (zh) * | 2013-05-16 | 2013-09-25 | 上海交通大学 | 多分类器信息融合的局部放电诊断方法 |
| CN103389430A (zh) * | 2013-08-06 | 2013-11-13 | 华北电力大学 | 一种基于贝叶斯判别理论的油浸式变压器故障检测方法 |
| CN103543392A (zh) * | 2013-10-16 | 2014-01-29 | 云南电力试验研究院（集团）有限公司电力研究院 | 一种针对gis局放缺陷识别和定位的联合检测方法 |
| CN103645425A (zh) * | 2013-11-15 | 2014-03-19 | 广东电网公司电力科学研究院 | 一种高压电缆绝缘缺陷局部放电在线监测诊断方法 |
| CN103592587A (zh) * | 2013-12-02 | 2014-02-19 | 国家电网公司 | 基于数据挖掘的局部放电诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于朴素贝叶斯分类的变压器故障诊断;王芳等;《电力安全技术》;20131231;第15卷(第9期);32-34 * |
| 面向朴素贝叶斯算法的离散化方法研究;谢作将;《中国优秀硕士学位论文全文数据库 信息科技辑》;20080815(第8期);I140-58 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104535905A (zh) | 2015-04-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104535905B (zh) | 基于朴素贝叶斯分类的局部放电诊断方法 | |
| CN109116203A (zh) | 基于卷积神经网络的电力设备局部放电故障诊断方法 | |
| CN110197209B (zh) | 一种基于多特征融合的辐射源识别方法 | |
| CN109033780B (zh) | 一种基于小波变换和神经网络的边缘计算接入认证方法 | |
| CN104155585A (zh) | 基于gk模糊聚类的gis局部放电类型识别方法 | |
| CN106096660B (zh) | 基于独立成分分析算法的卷积神经网络 | |
| CN111461037B (zh) | 一种基于fmcw雷达的端到端手势识别方法 | |
| CN105701470A (zh) | 一种基于最优小波包分解的模拟电路故障特征提取方法 | |
| CN108073902A (zh) | 基于深度学习的视频总结方法、装置及终端设备 | |
| CN106950475A (zh) | 一种基于小波变换的局部放电信号提取方法及装置 | |
| CN108090462B (zh) | 一种基于盒维数的辐射源指纹特征提取方法 | |
| Zhang et al. | A new method for on-line monitoring discharge pulse in WEDM-MS process | |
| CN105447464A (zh) | 一种基于pso的电能质量扰动识别与分类方法 | |
| CN103149514A (zh) | 一种gis内多绝缘缺陷模式识别方法 | |
| CN105528072A (zh) | 一种动态停止策略下的脑-机接口拼写系统 | |
| CN107942214A (zh) | 一种变压器局部放电信号的特征提取方法、装置 | |
| Morette et al. | Partial discharges and noise classification under HVDC using unsupervised and semi-supervised learning | |
| CN112070788B (zh) | 基于分块梯度分割的快速统计形变孪晶的图像处理方法 | |
| CN107907807A (zh) | 一种气体绝缘组合电器局部放电模式识别方法 | |
| Zhang et al. | Kernel statistical uncorrelated optimum discriminant vectors algorithm for GIS PD recognition | |
| CN109472239B (zh) | 一种跳频电台个体识别方法 | |
| CN103308829A (zh) | 一种gis单次局放信号提取与触发时刻调整方法 | |
| CN106443625A (zh) | 基于高分辨一维像信息融合的目标识别方法 | |
| CN104361259B (zh) | 一种变压器越限运行特征分析方法 | |
| Xi et al. | Fault detection and classification on insulated overhead conductors based on MCNN‐LSTM |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |