CN107590455A - 一种基于小波分解的高频局放自适应滤波聚类方法及装置 - Google Patents
一种基于小波分解的高频局放自适应滤波聚类方法及装置 Download PDFInfo
- Publication number
- CN107590455A CN107590455A CN201710791175.2A CN201710791175A CN107590455A CN 107590455 A CN107590455 A CN 107590455A CN 201710791175 A CN201710791175 A CN 201710791175A CN 107590455 A CN107590455 A CN 107590455A
- Authority
- CN
- China
- Prior art keywords
- component
- low frequency
- high fdrequency
- signal
- noise ratio
- 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
Landscapes
- Testing Relating To Insulation (AREA)
Abstract
本发明涉及一种基于小波分解的高频局放自适应滤波聚类方法及装置，该滤波聚类方法包括：小波分解模块对采集的原始波形进行小波分解，得到高频分量和低频分量，并将其传输至分量信噪比计算模块；分量信噪比计算模块接收小波分解模块传输的高频分量和低频分量，分别计算高频分量和低频分量的信噪比，并将其传输至滤波模块；滤波模块接收分量信噪比计算模块传输的高频分量和低频分量的信噪比，提取信噪比最高的分量，将信噪比最高的分量的波形作为分析波形，并将分析波形传输至信号聚类模块；信号聚类模块接收滤波模块传输的分析波形，记录分析波形的分解系数，以将具有相同分解系数的原始波形分为一类信号。
Description
技术领域
本发明涉及高压电气设备局部放电检测技术领域，尤其涉及一种基于小波分解的高频局放自适应滤波聚类方法及装置。
背景技术
局部放电检测是发现高压绝缘设备潜在缺陷的重要手段，具有灵敏度高以及及时有效的特点。其中，高频电流局部放电检测是通过将设备接地线穿过罗氏线圈采集数据，对设备运行没有影响，便于安装和操作。近年来，高频法的检测频带进一步向频带宽方面发展，高频电流法反映的局部放电信号信息也更加丰富，并进而发展了多放电源的聚类分析的能力。
然而同时，对高频电流法而言，由于相对检测频率仍较低，一般低于100MHz，现场各种高频谐波、窄带干扰和地网中的噪声干扰会严重影响高频法检测的准确性。高压电气设备内部局部放电信号非常微弱，当检测信噪比较低时，噪声信号往往会湮灭局部放电信号，造成局放脉冲无法有效提取；而且现场的干扰源较多，干扰频率差异很大，如何实现对多种窄带干扰存在情况下自适应的噪声信号识别，并在检测过程中实时的予以抑制，成为高频局放检测的技术瓶颈。目前已经发展的各种干扰抑制方法，主要存在两个问题：一种是固定频率窄带滤波方法，这种处理方法自适应程度不够，对于存在多干扰频率的情况效果不佳；另一个问题就是对各类信号特征信息的认识不充分，滤波器系数的取舍缺乏针对性，导致滤波算法复杂、滤波效果不佳，而且计算量大，不能满足快速实时滤波的要求。
因此，需要一种通过小波分析的方法，分别表示不同频率的脉冲信号，将噪声信号以及局部放电脉冲信号根据信噪比的数值比较，获取局部放电脉冲信号，并根据提取的小波系数对不同原始信号进行聚类，以实现对原始数据的自动聚类分析并提高数据分析的准确性的基于小波分解的高频局放自适应滤波聚类方法及装置。
发明内容
根据本发明的一个方面，本发明提供的基于小波分解的高频局放自适应滤波聚类方法，包括：
S110，小波分解模块对采集的原始波形进行多次递进式分解：原始波形分解为高频分量和低频分量，分解得到的低频分量进一步分解为高频分量和低频分量，直至分解完成，并将得到的低频分量和所有高频分量传输至分量信噪比计算模块；
S120，分量信噪比计算模块接收小波分解模块传输的低频分量和所有高频分量，分别计算低频分量和所有高频分量的信噪比，并将低频分量和所有高频分量的信噪比传输至滤波模块；
S130，滤波模块接收并过滤分量信噪比计算模块传输的低频分量和所有高频分量的信噪比，将信噪比大于预定阈值的分量波形作为分析波形，并将分析波形传输至信号聚类模块；
S140，信号聚类模块接收滤波模块传输的分析波形，记录分析波形的分解系数，以将具有相同分解系数的分析波形分为一类。特别地，对已聚类的分析波形进行进一步的分析，能够进一步对原始波形进行聚类。
在步骤S110中，小波分解包括以下步骤：
S1101，原始波形分解单元将原始波形分解为一级高频分量和一级低频分量，将一级高频分量传输至分量存储模块，并将一级低频分量传输至低频分量分解模块；
S1102，低频分量分解单元接收原始波形分解单元传输的一级低频分量，将一级低频分量分解为二级高频分量和二级低频分量，将二级高频分量传输至分量存储模块，将二级低频分量分解为三级高频分量和三级低频分量，将三级高频分量传输至分量存储模块，进一步分解三级低频分量，直至得到n级高频分量和n级低频分量，将n级高频分量和n级低频分量传输至分量存储模块，n为正整数，例如，n可以为4到8；
S1103，分量存储单元接收原始波形分解模块和低频分量分解模块传输的低频分量和所有高频分量，并将高频分量和低频分量传输至分量信噪比计算模块。
在步骤S120中，信噪比的计算包括以下步骤：
S1201，分量系数峰值计算单元分别计算高频分量和低频分量的峰值，并将高频分量和低频分量的峰值传输至信噪比计算单元；
S1202，分量系数有效值计算单元分别计算高频分量和低频分量的均方根值，并将高频分量和低频分量的均方根值传输至信噪比计算单元；
S1203，信噪比计算单元分别接收分量系数峰值计算单元传输的高频分量和低频分量的峰值和分量系数有效值计算单元传输的高频分量和低频分量的均方根值，并根据高频分量和低频分量的峰值以及高频分量和低频分量的均方根值计算分量的信噪比。
在步骤S1201中，分量的峰值为分量系数的最大值；
在步骤S1202中，分量的均方根值为分量系数的均方根值；
在步骤S1203中，信噪比的计算为分量的峰值与分量的均方根值的比值。
根据本发明的另一个方面，本发明提供的基于小波分解的高频局放自适应滤波聚类装置，其特征在于，包括：
小波分解模块，用于对采集的原始波形进行小波分解，得到高频分量和低频分量，并将高频分量和低频分量传输至分量信噪比计算模块；
分量信噪比计算模块，用于接收小波分解模块传输的高频分量和低频分量，分别计算高频分量和低频分量的信噪比，并将高频分量和低频分量的信噪比传输至滤波模块；
滤波模块，用于接收和过滤分量信噪比计算模块传输的高频分量和低频分量的信噪比，将信噪比大于预定阈值的分量波形作为分析波形，并将分析波形传输至信号聚类模块；
信号聚类模块，用于接收滤波模块传输的分析波形，记录分析波形的分解系数，以将具有相同分解系数的分析波形分为一类。
小波分解模块包括：
原始波形分解单元，用于将原始波形分解为一级高频分量和一级低频分量，将一级高频分量传输至分量存储模块，并将一级低频分量传输至低频分量分解模块；
低频分量分解单元，用于将一级低频分量分解为二级高频分量和二级低频分量，将二级高频分量传输至分量存储模块，将二级低频分量分解为三级高频分量和三级低频分量，将三级高频分量传输至分量存储模块，进一步分解三级低频分量，直至得到n级高频分量和n级低频分量，将n级高频分量和n级低频分量传输至分量存储模块，n为正整数，例如，n可以为5；
分量存储单元，用于接收原始波形分解模块和低频分量分解模块传输的低频分量和所有高频分量，并将高频分量和低频分量传输至分量信噪比计算模块。
分量信噪比计算模块包括：
分量系数峰值计算单元，用于分别计算高频分量和低频分量的峰值，并将高频分量和低频分量的峰值传输至信噪比计算单元；
分量系数有效值计算单元，用于分别计算高频分量和低频分量的均方根值，并将高频分量和低频分量的均方根值传输至信噪比计算单元；
信噪比计算单元，用于分别接收分量系数峰值计算单元传输的高频分量和低频分量的峰值和分量系数有效值计算单元传输的高频分量和低频分量的均方根值，并根据高频分量和低频分量的峰值以及高频分量和低频分量的均方根值计算分量的信噪比。
在分量系数峰值计算单元中，分量的峰值为分量系数的最大值。
在分量系数有效值计算单元中，分量的均方根值为分量系数的均方根值。
在信噪比计算单元中，信噪比的计算为分量的峰值与分量的均方根值的比值。
本发明与现有技术相比，具有以下优点：
1.本发明的基于小波分解的高频局放自适应滤波聚类方法及装置通过对原始波形进行小波分解，并对小波进行滤波和聚类，从而获取局部放电脉冲信号的信息。
2.本发明的基于小波分解的高频局放自适应滤波聚类方法及装置通过对分析波形的进一步分析还能够实现对原始数据的自动聚类，以提高数据分析的准确性。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的设置。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本发明的基于小波分解的高频局放自适应滤波聚类方法流程图；
图2为本发明的小波分解包括5级时的算法流程图；
图3为本发明的小波分析效果图；
图4为本发明的高频分量和低频分量的信噪比示意图；
图5为本发明的基于小波分解的高频局放自适应滤波聚类装置的结构示意图；
图6为本发明的小波分解模块的结构示意图；
图7为本发明的分量信噪比计算模块的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所设置。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非被特定定义，否则不会用理想化或过于正式的含义来解释。
本发明为了在较高背景噪声情况(窄带干扰信号及白噪声干扰)下通过小波分析技术提高对局部放电脉冲信号提取的能力，提出了一种基于小波分解的高效自适应滤波的方法，根据判定原则实现对高频局部放电脉冲信号序列的聚类、多源多径信号的分离。
图1为本发明的基于小波分解的高频局放自适应滤波聚类方法流程图，如图1所示，本发明提供的基于小波分解的高频局放自适应滤波聚类方法，包括：
S110，小波分解模块对采集的原始波形进行多次递进式分解：原始波形分解为高频分量和低频分量，分解得到的低频分量进一步分解为高频分量和低频分量，直至分解完成，并将得到的低频分量和所有高频分量传输至分量信噪比计算模块；
S120，分量信噪比计算模块接收小波分解模块传输的低频分量和所有高频分量，分别计算低频分量和所有高频分量的信噪比，并将低频分量和所有高频分量的信噪比传输至滤波模块；
S130，滤波模块接收和过滤分量信噪比计算模块传输的低频分量和所有高频分量的信噪比，将信噪比大于预定阈值的分量波形作为分析波形，并将分析波形传输至信号聚类模块，将信噪比小于预定阈值的分量波形的小波系数全部置零，即去除分解后的噪声小波级，以达到减少数据量和降噪的目的，其中，预定阈值的设定如下：取10周波(时长为200ms)信号的均方根值RMS作为信号的背景噪声值，以2RMS值(两倍是最低值，在实际现场根据经验人工对这一阈值进行设定)作为预定阈值，另外，在将分析波形传输至信号聚类模块时，对分析波形可以采取两种算法：第一种，对于该小波系数，逐点与该预定阈值对比，以超过阈值的第一个点开始，截取总长度为256点，向前保留32点，向后保留224点，在该脉冲段的子序列内查找最大值，计算对应时间戳和相位，获得该段最大值，时间戳，连同小波分解层数一并上传；第二种，对于CA5、CD5、CD4、CD3、CD2和CD1每一级小波系数，不设定阈值，对数据进行均匀分段处理，每256个点分为1段，提取最大值和对应时间戳及相位，上传脉冲时间戳、相位、峰值及小波分解层数，第一种算法比第二种算法更好，这是因为，第一种算法在设定阈值后上传数据量大大减少，而第二种算法占用计算资源，算法时序也增大了程序开发难度；
S140，信号聚类模块接收滤波模块传输的分析波形，记录分析波形的分解系数，以将具有相同分解系数的分析波形分为一类。特别地，对已聚类的分析波形进行进一步的分析，能够进一步对原始波形进行聚类。
在步骤S110中，小波分解包括以下步骤：
S1101，原始波形分解单元将原始波形分解为一级高频分量和一级低频分量，将一级高频分量传输至分量存储模块，并将一级低频分量传输至低频分量分解模块，具体地，原始信号进行降采样运算，得到半长奇序列和半长偶序列，计算半长奇序列和半长偶序列与小波分解低通滤波DFL和高通滤波器DFH卷积，得小波系数cA1(i)和cD1(i)；
S1102，低频分量分解单元接收原始波形分解单元传输的一级低频分量，将一级低频分量分解为二级高频分量和二级低频分量，具体地，小波系数CA1(i)降采样得到其半长奇序列CA1A(i)和半长偶序列CA1D(i)，序列CA1A(i)和CA1D(i)分别与小波分解低通滤波器DFL和小波分解高通滤波器DFH卷积，得到小波分解系数CA2(i)和CD2(i)，将二级高频分量传输至分量存储模块，将二级低频分量分解为三级高频分量和三级低频分量，将三级高频分量传输至分量存储模块，进一步分解三级低频分量，其分解原理同二级低频分量分解原理相同，直至得到n级高频分量和n级低频分量，将n级高频分量和n级低频分量传输至分量存储模块，n为正整数，例如，n一般为4-8，这是因为：当n小于4时，分解后得到的波形图太少，导致该分解无意义，另一方面，当n的取值大于8时，分解后的波形图会因为点数过少，失真。具体地，当n为5时，原始波形的频率为50M Hz，一级高频分量为频率在26～50M Hz的波形，一级低频分量为频率在0～25M Hz的波形，二级高频分量为频率在13～25M Hz的波形，二级低频分量为频率在0～12M Hz的波形，三级高频分量频率在6～12M Hz的波形，三级低频分量频率在0～6M Hz的波形，四级高频分量频率在3～6M Hz的波形，四级低频分量频率在0～3M Hz的波形，五级高频分量频率在1～3M Hz的波形，五级低频分量频率在0～1M Hz的波形；
S1103，分量存储单元接收原始波形分解模块和低频分量分解模块传输的低频分量和所有高频分量，并将高频分量和低频分量传输至分量信噪比计算模块。
图2为本发明的小波分解包括5级时的算法流程图，如图2所示，对原始信号逐级分解，保留每一级的高频分量cD，对低频分量cA再次分解，最后呈现cD1-cD5以及cA5六类分量波形。
图3为本发明的小波分析效果图，如图3所示，cD1-cD5以及cA5六类分量波形具有相应的分量系数cD1-cD5以及cA5。
在步骤S120中，信噪比的计算包括以下步骤：
S1201，分量系数峰值计算单元分别计算高频分量和低频分量的峰值，并将高频分量和低频分量的峰值传输至信噪比计算单元；
S1202，分量系数有效值计算单元分别计算高频分量和低频分量的均方根值，并将高频分量和低频分量的均方根值传输至信噪比计算单元；
S1203，信噪比计算单元分别接收分量系数峰值计算单元传输的高频分量和低频分量的峰值和分量系数有效值计算单元传输的高频分量和低频分量的均方根值，并根据高频分量和低频分量的峰值以及高频分量和低频分量的均方根值计算分量的信噪比。
在步骤S1201中，分量的峰值为分量系数的最大值，以cA5系数为例，小
波分解系数即分量的峰值，按照以下公式计算：
Vp_cA5＝Max(cA5)；
在步骤S1202中，分量的均方根值为分量系数的均方根值，以cA5系数为例，按照以下公式计算：
其中，i＝1,2,...,N，N为小波系数长度；
在步骤S1203中，信噪比的计算为分量的峰值与分量的均方根值的比值，以cA5系数为例，按照以下公式计算：
SNRcA5＝Vp_cA5/RMScA5，
其中，SNRcA5为分量cA5的信噪比，Vp_cA5为分量cA5的峰值，RMScA5为分量cA5的均方根。
图4为本发明的高频分量和低频分量的信噪比示意图，如图4所示，采样点为2005点，此时CD1、CD2、CD3效果很好，而且信噪比均>6(平均为9)，CA5、CD5、CD4信噪比均<4。不同输入信号的情况下，不同小波级数的信噪比不固定，但根据上面的原则可以自动识别出信噪比高的分解信号，从而实现最优小波级数的选取。
图5为本发明的基于小波分解的高频局放自适应滤波聚类装置的结构示意图，如图5所示，本发明提供的基于小波分解的高频局放自适应滤波聚类装置，其特征在于，包括：
小波分解模块，用于对采集的原始波形进行小波分解，得到高频分量和低频分量，并将高频分量和低频分量传输至分量信噪比计算模块；
分量信噪比计算模块，用于接收小波分解模块传输的高频分量和低频分量，分别计算高频分量和低频分量的信噪比，并将高频分量和低频分量的信噪比传输至滤波模块；
滤波模块，用于接收和过滤分量信噪比计算模块传输的高频分量和低频分量的信噪比，将大于预定阈值的分量波形作为分析波形，并将分析波形传输至信号聚类模块；
信号聚类模块，用于接收滤波模块传输的分析波形，记录分析波形的分解系数，以将具有相同分解系数的原始波形分为一类信号。
图6为本发明的小波分解模块的结构示意图，如图6所示，小波分解模块包括：
原始波形分解单元，用于将原始波形分解为一级高频分量和一级低频分量，将一级高频分量传输至分量存储模块，并将一级低频分量传输至低频分量分解模块；
低频分量分解单元，用于将一级低频分量分解为二级高频分量和二级低频分量，将二级高频分量传输至分量存储模块，将二级低频分量分解为三级高频分量和三级低频分量，将三级高频分量传输至分量存储模块，进一步分解三级低频分量，直至得到n级高频分量和n级低频分量，将n级高频分量和n级低频分量传输至分量存储模块，n为正整数，例如，n可以为5；
分量存储单元，用于接收原始波形分解模块和低频分量分解模块传输的低频分量和所有高频分量，并将高频分量和低频分量传输至分量信噪比计算模块。
图7为本发明的分量信噪比计算模块的结构示意图，如图7所示，分量信噪比计算模块包括：
分量系数峰值计算单元，用于分别计算高频分量和低频分量的峰值，并将高频分量和低频分量的峰值传输至信噪比计算单元；
分量系数有效值计算单元，用于分别计算高频分量和低频分量的均方根值，并将高频分量和低频分量的均方根值传输至信噪比计算单元；
信噪比计算单元，用于分别接收分量系数峰值计算单元传输的高频分量和低频分量的峰值和分量系数有效值计算单元传输的高频分量和低频分量的均方根值，并根据高频分量和低频分量的峰值以及高频分量和低频分量的均方根值计算分量的信噪比。
在分量系数峰值计算单元中，分量的峰值为分量系数的最大值。
在分量系数有效值计算单元中，分量的均方根值为分量系数的均方根值。
在信噪比计算单元中，信噪比的计算为分量的峰值与分量的均方根值的比值。
本发明的基于小波分解的高频局放自适应滤波聚类方法及装置通过对原始波形进行小波分解，并对小波进行滤波和聚类，从而获取局部放电脉冲信号的信息。
本发明的基于小波分解的高频局放自适应滤波聚类方法及装置通过对分析波形的进一步分析还能够实现对原始数据的自动聚类，以提高数据分析的准确性。
本发明应用于高压电气设备局部放电检测，针对的是存在多种频率的窄带干扰和白噪声干扰情况下对不同小波分解系数单独处理实现聚类，并通过自适应阈值实现多放电源以及多耦合路径下局放脉冲信号准确提取并分离的方法。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于小波分解的高频局放自适应滤波聚类方法，其特征在于，包括：
S110，小波分解模块对采集的原始波形进行多次递进式分解：原始波形分解为高频分量和低频分量，分解得到的低频分量进一步分解为高频分量和低频分量，直至分解完成，并将得到的低频分量和所有高频分量传输至分量信噪比计算模块；
S120，分量信噪比计算模块接收所述小波分解模块传输的低频分量和所有高频分量，分别计算低频分量和所有高频分量的信噪比，并将所述低频分量和所有高频分量的信噪比传输至滤波模块；
S130，滤波模块接收并过滤所述分量信噪比计算模块传输的低频分量和所有高频分量的信噪比，将信噪比大于预定阈值的分量波形作为分析波形，并将所述分析波形传输至信号聚类模块；
S140，信号聚类模块接收所述滤波模块传输的分析波形，记录分析波形的分解系数，以将具有相同分解系数的分析波形分为一类。
2.根据权利要求1所述的基于小波分解的高频局放自适应滤波聚类方法基于小波分解的高频局放自适应滤波聚类方法，其特征在于，在步骤S110中，所述小波分解包括以下步骤：
S1101，原始波形分解单元将所述原始波形分解为一级高频分量和一级低频分量，将所述一级高频分量传输至分量存储模块，并将所述一级低频分量传输至低频分量分解模块；
S1102，低频分量分解单元接收所述原始波形分解单元传输的一级低频分量，将所述一级低频分量分解为二级高频分量和二级低频分量，将所述二级高频分量传输至分量存储模块，将所述二级低频分量分解为三级高频分量和三级低频分量，将所述三级高频分量传输至分量存储模块，进一步分解所述三级低频分量，直至得到n级高频分量和n级低频分量，将所述n级高频分量和所述n级低频分量传输至分量存储模块，n为正整数；
S1103，分量存储单元接收所述原始波形分解模块和所述低频分量分解模块传输的低频分量和所有高频分量，并将所述高频分量和所述低频分量传输至分量信噪比计算模块。
3.根据权利要求2所述的基于小波分解的高频局放自适应滤波聚类方法基于小波分解的高频局放自适应滤波聚类方法，其特征在于，n为4到8。
4.根据权利要求2所述的基于小波分解的高频局放自适应滤波聚类方法基于小波分解的高频局放自适应滤波聚类方法，其特征在于，在步骤S120中，信噪比的计算包括以下步骤：
S1201，分量系数峰值计算单元分别计算高频分量和低频分量的峰值，并将所述高频分量和所述低频分量的峰值传输至信噪比计算单元；
S1202，分量系数有效值计算单元分别计算高频分量和低频分量的均方根值，并将所述高频分量和所述低频分量的均方根值传输至信噪比计算单元；
S1203，信噪比计算单元分别接收所述分量系数峰值计算单元传输的高频分量和低频分量的峰值和所述分量系数有效值计算单元传输的高频分量和低频分量的均方根值，并根据所述高频分量和所述低频分量的峰值以及所述高频分量和所述低频分量的均方根值计算分量的信噪比。
5.根据权利要求4所述的基于小波分解的高频局放自适应滤波聚类方法，其特征在于，
在步骤S1201中，分量的峰值为分量系数的最大值；
在步骤S1202中，分量的均方根值为分量系数的均方根值；
在步骤S1203中，信噪比的计算为所述分量的峰值与所述分量的均方根值的比值。
6.一种基于小波分解的高频局放自适应滤波聚类装置，其特征在于，包括：
小波分解模块，用于对采集的原始波形进行小波分解，得到高频分量和低频分量，并将所述高频分量和所述低频分量传输至分量信噪比计算模块；
分量信噪比计算模块，用于接收所述小波分解模块传输的高频分量和低频分量，分别计算所述高频分量和所述低频分量的信噪比，并将所述高频分量和所述低频分量的信噪比传输至滤波模块；
滤波模块，用于接收并过滤所述分量信噪比计算模块传输的高频分量和低频分量的信噪比，将信噪比大于预定阈值的分量波形作为分析波形，并将所述分析波形传输至信号聚类模块；
信号聚类模块，用于接收所述滤波模块传输的分析波形，记录分析波形的分解系数，以将具有相同分解系数的分析波形分为一类。
7.根据权利要求6所述的基于小波分解的高频局放自适应滤波聚类装置，其特征在于，所述小波分解模块包括：
原始波形分解单元，用于将所述原始波形分解为一级高频分量和一级低频分量，将所述一级高频分量传输至分量存储模块，并将所述一级低频分量传输至低频分量分解模块；
低频分量分解单元，用于将所述一级低频分量分解为二级高频分量和二级低频分量，将所述二级高频分量传输至分量存储模块，将所述二级低频分量分解为三级高频分量和三级低频分量，将所述三级高频分量传输至分量存储模块，进一步分解所述三级低频分量，直至得到n级高频分量和n级低频分量，将所述n级高频分量和所述n级低频分量传输至分量存储模块，n为正整数；
分量存储单元，用于接收所述原始波形分解模块和所述低频分量分解模块传输的低频分量和所有高频分量，并将所述高频分量和所述低频分量传输至分量信噪比计算模块。
8.根据权利要求7所述的基于小波分解的高频局放自适应滤波聚类装置，其特征在于，n为4到8。
9.根据权利要求8所述的基于小波分解的高频局放自适应滤波聚类装置，其特征在于，所述分量信噪比计算模块包括：
分量系数峰值计算单元，用于分别计算高频分量和低频分量的峰值，并将所述高频分量和所述低频分量的峰值传输至信噪比计算单元；
分量系数有效值计算单元，用于分别计算高频分量和低频分量的均方根值，并将所述高频分量和所述低频分量的均方根值传输至信噪比计算单元；
信噪比计算单元，用于分别接收所述分量系数峰值计算单元传输的高频分量和低频分量的峰值和所述分量系数有效值计算单元传输的高频分量和低频分量的均方根值，并根据所述高频分量和所述低频分量的峰值以及所述高频分量和所述低频分量的均方根值计算分量的信噪比。
10.根据权利要求9所述的基于小波分解的高频局放自适应滤波聚类装置，其特征在于，
在所述分量系数峰值计算单元中，分量的峰值为分量系数的最大值；
在所述分量系数有效值计算单元中，分量的均方根值为分量系数的均方根值；
在所述信噪比计算单元中，信噪比的计算为所述分量的峰值与所述分量的均方根值的比值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710791175.2A CN107590455A (zh) | 2017-09-05 | 2017-09-05 | 一种基于小波分解的高频局放自适应滤波聚类方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710791175.2A CN107590455A (zh) | 2017-09-05 | 2017-09-05 | 一种基于小波分解的高频局放自适应滤波聚类方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107590455A true CN107590455A (zh) | 2018-01-16 |
Family
ID=61050259
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710791175.2A Pending CN107590455A (zh) | 2017-09-05 | 2017-09-05 | 一种基于小波分解的高频局放自适应滤波聚类方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107590455A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109670536A (zh) * | 2018-11-30 | 2019-04-23 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种多源放电及干扰叠加情况下的局部放电信号聚类方法 |
| CN112932497A (zh) * | 2021-03-10 | 2021-06-11 | 中山大学 | 一种不平衡单导联心电数据分类方法及系统 |
| CN113221615A (zh) * | 2020-12-31 | 2021-08-06 | 中国石油化工股份有限公司 | 一种基于降噪聚类的局部放电脉冲提取方法 |
| CN113947112A (zh) * | 2021-09-08 | 2022-01-18 | 天津大学 | 一种时序数据集的预处理方法及其应用 |
| CN115389888A (zh) * | 2022-10-28 | 2022-11-25 | 山东科华电力技术有限公司 | 一种基于高压电缆的局部放电实时监测系统 |
| CN116626408A (zh) * | 2023-07-25 | 2023-08-22 | 陕西威思曼高压电源股份有限公司 | 基于机器学习的电源纹波噪声检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104808107A (zh) * | 2015-04-16 | 2015-07-29 | 国家电网公司 | 一种xlpe电缆局部放电缺陷类型识别方法 |
| CN106771905A (zh) * | 2016-12-02 | 2017-05-31 | 国网四川省电力公司电力科学研究院 | 一种适用于高频电流局部放电检测的脉冲提取方法 |
-
2017
- 2017-09-05 CN CN201710791175.2A patent/CN107590455A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104808107A (zh) * | 2015-04-16 | 2015-07-29 | 国家电网公司 | 一种xlpe电缆局部放电缺陷类型识别方法 |
| CN106771905A (zh) * | 2016-12-02 | 2017-05-31 | 国网四川省电力公司电力科学研究院 | 一种适用于高频电流局部放电检测的脉冲提取方法 |
Non-Patent Citations (3)
| Title |
|---|
| EVAGOROU, D 等: "Feature extraction of partial discharge signals using the wavelet packet transform and classification with a probabilistic neural network", 《IET SCIENCE, MEASUREMENT & TECHNOLOGY》 * |
| 唐炬 等: "以复小波变换系数为特征量的局放模式识别", 《重庆大学学报（自然科学版）》 * |
| 李成榕 等: "基于聚类分析的变压器局部放电智能诊断的研究", 《华北电力大学学报》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109670536A (zh) * | 2018-11-30 | 2019-04-23 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种多源放电及干扰叠加情况下的局部放电信号聚类方法 |
| CN109670536B (zh) * | 2018-11-30 | 2023-05-30 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种多源放电及干扰叠加情况下的局部放电信号聚类方法 |
| CN113221615A (zh) * | 2020-12-31 | 2021-08-06 | 中国石油化工股份有限公司 | 一种基于降噪聚类的局部放电脉冲提取方法 |
| CN112932497A (zh) * | 2021-03-10 | 2021-06-11 | 中山大学 | 一种不平衡单导联心电数据分类方法及系统 |
| CN113947112A (zh) * | 2021-09-08 | 2022-01-18 | 天津大学 | 一种时序数据集的预处理方法及其应用 |
| CN115389888A (zh) * | 2022-10-28 | 2022-11-25 | 山东科华电力技术有限公司 | 一种基于高压电缆的局部放电实时监测系统 |
| CN115389888B (zh) * | 2022-10-28 | 2023-01-31 | 山东科华电力技术有限公司 | 一种基于高压电缆的局部放电实时监测系统 |
| CN116626408A (zh) * | 2023-07-25 | 2023-08-22 | 陕西威思曼高压电源股份有限公司 | 基于机器学习的电源纹波噪声检测方法 |
| CN116626408B (zh) * | 2023-07-25 | 2023-10-13 | 陕西威思曼高压电源股份有限公司 | 基于机器学习的电源纹波噪声检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107590455A (zh) | 一种基于小波分解的高频局放自适应滤波聚类方法及装置 | |
| Sharanreddy et al. | EEG signal classification for epilepsy seizure detection using improved approximate entropy | |
| CN106909784A (zh) | 基于二维时频图像深度卷积神经网络的癫痫脑电识别方法 | |
| CN108845352B (zh) | 基于vmd近似熵与多层感知机的沙漠地震信号去噪方法 | |
| 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 | |
| CA2455457A1 (en) | Wire fault detection | |
| CN108693448B (zh) | 一种应用于电力设备局部放电模式识别系统 | |
| CN108143409A (zh) | 睡眠阶段分期方法及装置 | |
| CN114081508B (zh) | 一种基于深度神经网络与cca特征融合的棘波检测方法 | |
| CN111000555B (zh) | 一种癫痫脑电信号的训练数据生成方法、自动识别模型建模方法和自动识别方法 | |
| CN108387887A (zh) | 一种水声信号的混合降噪方法 | |
| Yang et al. | A multiscale correlation of wavelet coefficients approach to spike detection | |
| CN107942214A (zh) | 一种变压器局部放电信号的特征提取方法、装置 | |
| Jahromi et al. | Comparative analysis of wavelet-based feature extraction for intramuscular EMG signal decomposition | |
| CN114343635A (zh) | 一种基于变分相幅耦合的情绪识别方法及装置 | |
| Aburakhia et al. | On the Intersection of Signal Processing and Machine Learning: A Use Case-Driven Analysis Approach | |
| Yang et al. | Robust spike classification based on frequency domain neural waveform features | |
| CN117421634A (zh) | 基于频谱联合图像分析的电磁干扰源快速辨识方法及装置 | |
| CN116482526A (zh) | 一种用于非故障相阻抗继电器的分析系统 | |
| CN107203009B (zh) | 一种基于小波特征向量提取的手机检测方法 | |
| CN114469137B (zh) | 基于空时特征融合模型的跨领域脑电情感识别方法及系统 | |
| Kalkan et al. | Classification of hazelnut kernels by using impact acoustic time-frequency patterns | |
| CN115067878A (zh) | 基于EEGNet的静息态脑电意识障碍分类方法及系统 | |
| Mourad et al. | Automatic correction of eye blink artifact in single channel EEG recording using EMD and OMP | |
| CN115399789A (zh) | 视觉眩晕脑电信号分类方法、装置、设备和介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180116 |
|
| RJ01 | Rejection of invention patent application after publication |