CN108573225B - 一种局部放电信号模式识别方法及系统 - Google Patents

一种局部放电信号模式识别方法及系统 Download PDF

Info

Publication number
CN108573225B
CN108573225B CN201810296033.3A CN201810296033A CN108573225B CN 108573225 B CN108573225 B CN 108573225B CN 201810296033 A CN201810296033 A CN 201810296033A CN 108573225 B CN108573225 B CN 108573225B
Authority
CN
China
Prior art keywords
partial discharge
layer
discharge signal
neural network
convolutional neural
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
Application number
CN201810296033.3A
Other languages
English (en)
Other versions
CN108573225A (zh
Inventor
何金
刘创华
郗晓光
张弛
满玉岩
曹梦
陈荣
张春晖
李松原
宋晓博
朱旭亮
张黎明
邢向上
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Tianjin Electric Power Co Ltd, Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201810296033.3A priority Critical patent/CN108573225B/zh
Publication of CN108573225A publication Critical patent/CN108573225A/zh
Application granted granted Critical
Publication of CN108573225B publication Critical patent/CN108573225B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • 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
    • G01R31/1227—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 of components, parts or materials
    • G01R31/1254—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 of components, parts or materials of gas-insulated power appliances or vacuum gaps
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明涉及一种局部放电信号模式识别方法及系统，其主要技术特点是：获取局部放电信号的大数据样本；构建深度卷积神经网络模型；基于局部放电信号的大数据样本训练深度卷积神经网络模型；基于经训练的所述深度卷积神经网络模型确定待识别的局部放电信号的模式。本发明设计合理，克服了现有技术在变电站现场GIS的局部放电检测中的不足，能够对变电站现场GIS数量庞大、来源复杂的局部放电进行模式识别，且可以获得更高的模式识别正确率，具有更好的识别性能，更适用于大数据平台下的工程应用。

Description

一种局部放电信号模式识别方法及系统
技术领域
本发明属于电力设备监控技术领域，尤其是一种局部放电信号模式识别方法及系统。
背景技术
GIS(气体绝缘组合电器)在当前的电力系统中已得到大量的应用，其设备的绝缘状态与电网安全息息相关。局部放电可以有效反映电力设备内部绝缘缺陷的主要特征之一，对GIS设备进行局部放电检测可以有效获取设备的绝缘状况，从而及时消除隐患，避免重大事故的发生。因此当前GIS局部放电检测技术得到了大力的推广，针对GIS的现场局部放电检测数据也呈海量增长的趋势。
不同的绝缘缺陷往往对应不同的局部放电信号模式，因此通常通过识别局部放电信号的模式来判断相应的设备绝缘缺陷，例如悬浮电位缺陷、沿面放电缺陷、尖端电晕缺陷、气隙放电缺陷和微粒放电缺陷等。
由于GIS设备现场运行环境复杂多样，变电站现场的局部放电检测数据中不可避免的包含各种类型的干扰信号，与实验检测信号存在较大差异。另外由于当前的局部放电检测设备多种多样，不同的检测设备在现场检测的局部放电数据也有所区别。因此，针对大数据情况下的局部放电模式识别，传统的分析方法已经难以满足需求。
当前国内外学者针对局部放电的模式识别做了大量研究，但研究的重点在局部放电信号的特征提取上。在模式识别方面，当前已有的研究主要应用了实验室实验数据，而很少针对来源复杂的现场局部放电信号大数据进行局部放电模式识别方法的研究。
发明内容
本发明的目的在于克服现有技术的不足，提供一种局部放电信号模式识别方法及系统，能够对不同来源、不同环境、不同时间以及不同检测通道的局部放电信号进行有效的模式识别，从而能够及时有效地获取设备的绝缘状况，及时消除隐患，避免重大事故的发生。
本发明解决其技术问题是采取以下技术方案实现的：
一种局部放电信号模式识别方法，包括以下步骤：
步骤1、获取局部放电信号的大数据样本；
步骤2、构建深度卷积神经网络模型；
步骤3、基于局部放电信号的大数据样本训练深度卷积神经网络模型；
步骤4、基于经训练的所述深度卷积神经网络模型确定待识别的局部放电信号的模式。
进一步，所述深度卷积神经网络模型至少包括1个输入层、第一卷积层及对应的第一池化层、第二卷积层及对应的第二池化层、第一全连接层、第二全连接层以及1个输出分类层。
进一步，所述第一卷积层至少包括6个3×3的卷积核；所述第二卷积层至少包括36个3×3的卷积核；所述第一池化层的参数为2，所述第二池化层的参数为11，采用最大池化操作；所述第一全连接层的神经元个数至少为36；所述第二全连接层的神经元个数至少为25；所述输入层被配置为适于PRPS格式数据输入；所述输出分类层采用Softmax分类器。
进一步，所述局部放电信号的大数据样本的来源包括局部放电模拟实验、变电站现场检测以及典型干扰实验中的一种或多种的组合；局部放电信号的大数据样本包括至少800组样本数据。
进一步，所述步骤3的具体实现包括：构建自编码器模型，基于所述局部放电信号的大数据样本对所述自编码器模型进行无监督训练，并利用所述自编码器模型所得的模型参数初始化所述深度卷积神经网络模型的卷积层初始参数；利用BP算法和随机梯度下降法对所述深度卷积神经网络模型的参数进行迭代更新，得到最优化参数。
一种实现局部放电信号模式识别方法的系统，包括相互数据连接的局部放电信号的大数据样本获取装置和数据处理与分析装置，所述大数据样本获取装置与局部放电信号检测通道相连接，所述局部放电信号的大数据样本获取装置包括数字局放仪、示波器以及便携式局部放电检测仪中的一种或多种的组合，数据处理与分析装置为安装有数据处理与分析软件的计算机。
进一步，所述局部放电信号检测通道包括UHF传感器、UHF放大器、耦合电容、测量阻抗和局放仪放大器，所述UHF传感器位于GIS腔体上并通过UHF放大器与示波器、IEC60270局放仪和PD便携检测装置相连接；耦合电容、测量阻抗、局放仪放大器连接在一起并与IEC60270局放仪和PD便携检测装置相连接；GIS腔体中的母线通过限流电阻与升压变压器T2连接，升压变压器T2与自耦变压器T1连接，自耦变压器T1的输入为380VAC。
本发明的优点和效果：
1、本发明基于自编码(AE)初始化的深度卷积网络对数量庞大且来源复杂的局部放电数据进行模式识别，与传统的深度卷积网络、支持向量机以及BP神经网络模式识别方法进行相比，在局部放电大数据平台的工程应用上，该方法具有更好的识别正确率和更优的识别性能。
2、本发明在处理包含多种数据来源(不同来源、不同环境、不同时间以及不同检测通道的局部放电信号)的样本集时有更好的识别效果，通过对多源局部放电大数据特征映射提取，有效提高了复杂场景海量局放数据的模式识别准确率，具有更好的泛化能力，更加适用于大数据平台的应用。
3、本发明克服了现有技术在变电站现场GIS的局部放电检测中的不足，能够对变电站现场GIS数量庞大、来源复杂的局部放电进行模式识别，且可以获得更高的模式识别正确率，具有更好的识别性能，更适用于大数据平台下的工程应用。
附图说明
图1是本发明的局部放电信号模式识别方法的处理流程图；
图2是本发明的大数据样本获取装置的连接结构图；
图3是本发明的局部放电信号模式识别系统的工作流程；
图4a是本发明在局部放电大数据平台的识别结果图；
图4b是传统支持向量机在局部放电大数据平台的识别结果图；
图4c是BP神经网络在局部放电大数据平台上的识别结果图；
图5是本发明与传统支持向量机识别、BP神经网络的对比效果图。
具体实施方式
以下结合附图对本发明实施例做进一步详述：
本发明提出的局部放电信号模式识别方法，是基于深度卷积神经网络(DeepConvolution Neural Network,DCNN)识别局部放电信号的模式。
深度学习(Deep Learning,DL)自2006年Hinton提出以来，与机器学习的其他方法比较在大数据特征提取、数据降维等方面表现出显著优势，目前已被广泛应用于图像处理、语音识别等领域。深度学习网络具有自主从海量数据中学习特征信息的特性，与传统人工特征选择方法相比，更有利于提取数据内在信息。其中深度卷积神经网络由于其在图像识别领域取得的优异表现，尤其在大图像处理上的优势，在当前应用最为广泛，是近年来深度学习领域的研究热点。电力设备例如GIS的局部放电检测分析中常用的PRPD(phaseresolved partial discharge，相位分辨的局部放电)图谱和PRPS(phase resolved pulsesequence，相位分辨的脉冲序列)图谱的数据，本质上都是尺寸较大的二维矩阵，与数字图像的数据格式具有一定的相似性。此外，由于不同来源、不同环境、不同时间以及不同检测通道等复杂条件的影响，该二维矩阵中的数据会出现相位偏移、幅值大小不一等情况，而深度卷积神经网络具有对于输入样本的平移、缩放、扭曲不变性。由此，本发明提出一种基于深度卷积神经网络的局部放电信号模式识别方法，其获取局部放电信号的大数据样本，并基于该大数据样本训练所述深度卷积神经网络，然后基于经训练的深度卷积神经网络确定待识别的局部放电信号的模式。其中，所述大数据是指不同来源、不同环境、不同时间以及不同检测通道的局部放电信号数据，其数据量以能有效训练所述深度卷积神经网络并有效确定待识别的局部放电信号的模式为基础标准。因此，本发明方法能对不同来源、不同环境、不同时间以及不同检测通道的局部放电信号进行有效的模式识别，从而能够及时有效地获取设备的绝缘状况，及时消除隐患，避免重大事故的发生。
如图1所示，一种局部放电信号模式识别方法包括以下步骤：
步骤1、获取局部放电信号的大数据样本。
在本实施例中，局部放电信号的大数据样本的来源包括局部放电模拟实验、变电站现场检测以及典型干扰实验中的一种或多种的组合。
局部放电信号的大数据样本包括至少800组样本数据。
步骤2、构建深度卷积神经网络模型。
在本实施例中，深度卷积神经网络模型至少包括1个输入层、第一卷积层及对应的第一池化层、第二卷积层及对应的第二池化层、第一全连接层、第二全连接层以及1个输出分类层。
第一卷积层至少包括6个3×3的卷积核。
第二卷积层至少包括36个3×3的卷积核。
第一池化层的参数为2，第二池化层的参数为11，采用最大池化操作。
第一全连接层的神经元个数至少为36，第二全连接层的神经元个数至少为25。
输出分类层采用Softmax分类器。
输入层被配置为适于PRPS格式数据输入。
激活函数采用Sigmod函数。
步骤3、基于局部放电信号的大数据样本训练深度卷积神经网络模型。其具体实施方法为：
(1)构建自编码器模型，基于局部放电信号的大数据样本对自编码器模型进行无监督训练，并利用自编码器模型所得的模型参数初始化深度卷积神经网络模型的卷积层初始参数。
(2)利用BP算法和随机梯度下降法对深度卷积神经网络模型的参数进行迭代更新，得到最优化参数。
步骤4、基于经训练的深度卷积神经网络模型确定待识别的局部放电信号的模式。
本发明的局部放电信号模式识别系统采用上述任一实施方式的方法对局部放电信号模式进行识别，该系统包括相互数据连接的局部放电信号的大数据样本获取装置和数据处理与分析装置，局部放电信号的大数据样本获取装置包括数字局放仪、示波器以及便携式局部放电检测仪中的一种或多种的组合，数据处理与分析装置采用安装有数据处理与分析软件的计算机，其中：局部放电信号的大数据样本获取装置实施步骤1，数据处理与分析装置实施步骤2至步骤4。
如图2所示，局部放电信号的大数据样本获取装置包括示波器1、IEC60270局放仪和PD便携检测装置2，其与UHF传感器3、UHF放大器4、耦合电容5、测量阻抗6、局放仪放大器7构成局部放电信号检测通道相连接，具体连接关系为：UHF传感器3位于GIS腔体8上并通过UHF放大器4与示波器1、IEC60270局放仪和PD便携检测装置2相连接；耦合电容5、测量阻抗6、局放仪放大器7连接在一起并与IEC60270局放仪和PD便携检测装置2相连接；GIS腔体8中的母线通过限流电阻9与升压变压器T2连接，升压变压器T2与自耦变压器T1连接，自耦变压器T1的输入为380VAC。
如图3所示，本发明的局部放电信号模式识别系统的工作流程为：
步骤110：获取局部放电信号的大数据样本。
在本步骤中，按照图2在变电站现场安装局部放电信号模式识别系统。设置5种典型的局部放电模型，包括悬浮电位缺陷模型、沿面放电缺陷模型、尖端电晕缺陷模型、气隙放电缺陷模型以及微粒放电缺陷模型。通过局部放电模拟实验、变电站现场检测以及典型干扰实验，使用数字局放仪、示波器、便携式局部放电检测仪等多种仪器获取多源局部放电大数据样本。
步骤120：构建深度卷积神经网络模型A。
在本步骤中，深度卷积神经网络模型A采用改进型经典卷积神经网络LeNet-5结构，包含1个输入层、第一卷积层及对应的第一池化层、第二卷积层及对应的第二池化层、第一全连接层、第二全连接层以及1个输出分类层。其中第一卷积层有6个3×3尺寸的卷积核，第二卷积层有36个3×3尺寸的卷积核，激活函数采用Sigmod函数。第一池化层的参数为2，第二池化层的参数为11，采用最大池化操作。第一全连接层的神经元个数为36，第二全连接层的神经元个数为25。输入层被配置为适于PRPS格式数据输入。输出分类层选用适应于非线性多分类问题的Softmax分类器。
基于局部放电信号的大数据样本训练深度卷积神经网络模型，包括步骤130至步骤160。
步骤130：绘制PRPS图谱，选取训练样本。
从局部放电信号的大数据样本中挑选1000左右组数据并绘制PRPS图谱，将其中约800组数据作为训练样本。局部放电的PRPS图谱表达了一条局部放电数据按照相位统计的局部放电脉冲幅值和脉冲个数的分布特征。该类型的数据可以由一个二维矩阵表示，其矩阵的两个维度分别代表相位和周期，矩阵的数值代表局部放电脉冲的幅值。不同来源的数据主要在相位分辨率和幅值分辨率上会有所区别。假设以1度为相位分辨率，则相位维度的尺寸为360，本发明以5度为相位分辨率，则相位维度的尺寸为72。
步骤140：对训练样本的PRPS数据进行归一化。
在本步骤中，将数据的维度归一化为72×50，对PRPS数据进行归一化处理。
Figure BDA0001618733270000071
式中，yR为归一化后的样本幅值，Rd为动态范围下限，Ru为动态范围上限，ymin为样本幅值的最小值，ymax为样本幅值的最大值。
步骤150：构建自编码器模型B，基于局部放电信号的大数据样本对自编码器模型B进行无监督训练，计算样本数据的输出，计算输出与样本标签的误差Σσ’，并利用自编码器模型B所得的模型参数初始化深度卷积神经网络模型A的卷积层初始参数。
步骤160：利用训练样本集数据对深度卷积神经网络A进行训练，计算样本数据的输出，计算输出与样本标签的误差Σσ，利用BP算法和随机梯度下降法对深度卷积神经网络模型A的参数进行迭代更新，得到最优化参数。
步骤170：基于经训练的深度卷积神经网络模型A确定待识别的局部放电信号的模式。
对余下的约200组待测试样本数据进行归一化，输入参数训练好的深度卷积神经网络模型A，迭代次数为200次，得到待测试样本数据模式识别结果。
下面分别对传统DCNN(深度卷积神经网络模型)、SVM(基于统计特征的RBF支持向量机)、BPNN(BP神经网络)进行模式识别，并与本发明的识别效果和性能对比。具体实施方法：
(a)比较该训练数据集和测试数据集下改进的DCNN与SVM、BPNN的识别正确率。
(b)逐步将样本数量从1000减小到400、200、100，按照1000:800的样本数量比例重复步骤110至步骤170，按照不同的训练样本数量，考察改进的DCNN与SVM、BPNN的识别效果变化。
(c)比较不同训练样本数据来源下的改进的DCNN与SVM、BPNN三种算法识别效果，使用200条实验室实验数据和200条现场检测数据对三种进行训练检测，得到识别结果。
(d)画出应用和不应用自编码对模型参数进行初始化时的误差收敛曲线图，比较本发明改进的DCNN与传统DCNN的识别性能。
本发明基于自编码初始化的深度卷积网络对数量庞大且来源复杂的局部放电数据进行模式识别，与传统的深度卷积网络、支持向量机以及BP神经网络模式识别方法进行相比，在局部放电大数据平台的工程应用上，该方法具有更好的识别正确率和更优的识别性能。
图4a、图4b、图4c给出了本发明的网络与传统的支持向量机以及BP神经网络在局部放电大数据平台上的对比结果。可以看出本发明在6类上的识别平均正确率为89.7％，支持向量机和BP神经网络方法的平均识别正确率分别为79.3％和72.4％，尤其在微粒放电类型的检测上，支持向量机和BP神经网络在8条测试样本上的输出全部识别为了干扰类型，气隙放电的识别率也较低。因此可以看出，深度网络可以提取出更优于一般统计特征的深层特征，因此可以获取更好的分类效果。提升效果如图5所示。
实践证明，本发明在处理包含多种数据来源的待测试样本数据时有更好的识别效果，具有更好的泛化能力，更加适用于大数据平台的应用。
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (3)

1.一种局部放电信号模式识别方法，其特征在于包括以下步骤：
步骤1、获取GIS设备局部放电信号的大数据样本；
步骤2、构建深度卷积神经网络模型；
步骤3、基于GIS设备局部放电信号的大数据样本训练深度卷积神经网络模型；
步骤4、基于经训练的所述深度卷积神经网络模型确定待识别的GIS设备局部放电信号的模式；
所述GIS设备局部放电信号的大数据样本的来源包括局部放电模拟实验、变电站现场检测以及典型干扰实验中的一种或多种的组合；GIS设备局部放电信号的大数据样本包括至少800组样本数据；所述数据格式为PRPS数据；
所述GIS设备局部放电信号的大数据样本是通过大数据样本获取装置及GIS设备局部放电信号检测通道获取的，该GIS设备局部放电信号检测通道包括UHF传感器、UHF放大器、耦合电容、测量阻抗和局放仪放大器，所述UHF传感器位于GIS腔体上并通过UHF放大器与示波器、IEC60270局放仪和PD便携检测装置相连接；
所述步骤3的具体实现包括：构建自编码器模型，基于所述GIS设备局部放电信号的大数据样本对所述自编码器模型进行无监督训练，并利用所述自编码器模型所得的模型参数初始化所述深度卷积神经网络模型的卷积层初始参数；利用BP算法和随机梯度下降法对所述深度卷积神经网络模型的参数进行迭代更新，得到最优化参数。
2.根据权利要求1所述的局部放电信号模式识别方法，其特征在于：所述深度卷积神经网络模型至少包括1个输入层、第一卷积层及对应的第一池化层、第二卷积层及对应的第二池化层、第一全连接层、第二全连接层以及1个输出分类层。
3.根据权利要求2所述的局部放电信号模式识别方法，其特征在于：所述第一卷积层至少包括6个3×3的卷积核；所述第二卷积层至少包括36个3×3的卷积核；所述第一池化层的参数为2，所述第二池化层的参数为11，采用最大池化操作；所述第一全连接层的神经元个数至少为36；所述第二全连接层的神经元个数至少为25；所述输入层被配置为适于PRPS格式数据输入；所述输出分类层采用Softmax分类器。
CN201810296033.3A 2018-03-30 2018-03-30 一种局部放电信号模式识别方法及系统 Active CN108573225B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810296033.3A CN108573225B (zh) 2018-03-30 2018-03-30 一种局部放电信号模式识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810296033.3A CN108573225B (zh) 2018-03-30 2018-03-30 一种局部放电信号模式识别方法及系统

Publications (2)

Publication Number Publication Date
CN108573225A CN108573225A (zh) 2018-09-25
CN108573225B true CN108573225B (zh) 2022-01-18

Family

ID=63574630

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810296033.3A Active CN108573225B (zh) 2018-03-30 2018-03-30 一种局部放电信号模式识别方法及系统

Country Status (1)

Country Link
CN (1) CN108573225B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109100627A (zh) * 2018-10-31 2018-12-28 红相股份有限公司 一种基于端到端模式的电力设备局部放电故障诊断方法
CN109116203A (zh) * 2018-10-31 2019-01-01 红相股份有限公司 基于卷积神经网络的电力设备局部放电故障诊断方法
CN109444604A (zh) * 2018-12-13 2019-03-08 武汉理工大学 一种基于卷积神经网络的dc/dc变换器故障诊断方法
CN109856517B (zh) * 2019-03-29 2021-02-23 国家电网有限公司 一种特高压设备局部放电检测数据的判别方法
CN110161389A (zh) * 2019-06-12 2019-08-23 国网河北省电力有限公司电力科学研究院 一种电力设备绝缘缺陷识别方法及aevb自编码器
CN110348489B (zh) * 2019-06-19 2021-04-06 西安理工大学 一种基于自编码网络的变压器局部放电模式识别方法
CN110261749A (zh) * 2019-07-24 2019-09-20 广东电网有限责任公司 一种gis局部放电故障识别模型构建方法、装置及故障识别方法
CN110415305B (zh) * 2019-08-30 2022-09-27 国网陕西省电力公司电力科学研究院 一种变压器局部放电检测系统及检测方法
CN110988631B (zh) * 2019-12-16 2021-03-19 深圳江行联加智能科技有限公司 局部放电定位检测方法、装置、可读存储介质及电气设备
CN111142001B (zh) * 2020-01-10 2022-04-22 三峡大学 基于平行特征域的变压器多源局部放电模式识别方法
CN111856224A (zh) * 2020-06-29 2020-10-30 国网河南省电力公司周口供电公司 一种高压开关柜的局部放电多源融合检测系统和方法
CN112034310A (zh) * 2020-07-31 2020-12-04 国网山东省电力公司东营供电公司 一种组合电器局部放电缺陷诊断方法及系统
CN111999614A (zh) * 2020-08-21 2020-11-27 国网河南省电力公司周口供电公司 一种面向高压开关柜的局部放电多源融合检测预警方法
CN112036320A (zh) * 2020-09-07 2020-12-04 华北电力大学（保定） 局部放电状态识别方法、装置、放电模拟器和识别设备
CN113378783A (zh) * 2021-07-02 2021-09-10 江西北斗变电科技协同创新有限公司 基于轻量级卷积神经网络的电力物联网系统
CN114692701A (zh) * 2022-05-31 2022-07-01 国网天津市电力公司电力科学研究院 一种电力设备缺陷的多元图像处理及模式识别方法
CN115993511A (zh) * 2023-03-22 2023-04-21 武汉纺织大学 一种局部放电类型高精度检测识别装置、方法和设备

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101458291A (zh) * 2009-01-09 2009-06-17 南京因泰莱配电自动化设备有限公司 变压器局部放电线上检测的数据采集装置及检测方法
CN102540023A (zh) * 2011-12-13 2012-07-04 上海电机系统节能工程技术研究中心有限公司 绝缘结构局部放电信号检测装置
CN103197212A (zh) * 2013-03-29 2013-07-10 国家电网公司 Gis局部放电在线监测校验仪及其配置验证方法
CN203811754U (zh) * 2014-02-24 2014-09-03 大连电力勘察设计院有限公司 一种封闭式气体绝缘组合电器局部放电检测设备
CN104049185A (zh) * 2014-05-22 2014-09-17 西安富邦科技实业有限公司 一种便携式局部放电检测系统及方法
CN105447569A (zh) * 2015-12-18 2016-03-30 北京柏惠维康科技有限公司 一种基于深度学习的乳腺癌细胞特征分析系统
CN106227341A (zh) * 2016-07-20 2016-12-14 南京邮电大学 基于深度学习的无人机手势交互方法及系统
CN106779065A (zh) * 2016-11-30 2017-05-31 北京理工大学珠海学院 一种光伏阵列的最大功率点跟踪方法及系统
CN107038421A (zh) * 2017-04-17 2017-08-11 杭州电子科技大学 基于稀疏堆栈自编码的调制样式识别方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5546353A (en) * 1995-05-26 1996-08-13 National Semiconductor Corporation Partitioned decode circuit for low power operation
CN102809718B (zh) * 2012-07-25 2015-07-01 华南理工大学 一种gis超高频局部放电信号识别方法
CN103323755A (zh) * 2013-06-17 2013-09-25 广东电网公司电力科学研究院 Gis特高频局部放电信号识别方法及系统
CN105680109B (zh) * 2016-03-25 2018-01-30 杭州电子科技大学 一种基于深度学习的动力电池配组方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101458291A (zh) * 2009-01-09 2009-06-17 南京因泰莱配电自动化设备有限公司 变压器局部放电线上检测的数据采集装置及检测方法
CN102540023A (zh) * 2011-12-13 2012-07-04 上海电机系统节能工程技术研究中心有限公司 绝缘结构局部放电信号检测装置
CN103197212A (zh) * 2013-03-29 2013-07-10 国家电网公司 Gis局部放电在线监测校验仪及其配置验证方法
CN203811754U (zh) * 2014-02-24 2014-09-03 大连电力勘察设计院有限公司 一种封闭式气体绝缘组合电器局部放电检测设备
CN104049185A (zh) * 2014-05-22 2014-09-17 西安富邦科技实业有限公司 一种便携式局部放电检测系统及方法
CN105447569A (zh) * 2015-12-18 2016-03-30 北京柏惠维康科技有限公司 一种基于深度学习的乳腺癌细胞特征分析系统
CN106227341A (zh) * 2016-07-20 2016-12-14 南京邮电大学 基于深度学习的无人机手势交互方法及系统
CN106779065A (zh) * 2016-11-30 2017-05-31 北京理工大学珠海学院 一种光伏阵列的最大功率点跟踪方法及系统
CN107038421A (zh) * 2017-04-17 2017-08-11 杭州电子科技大学 基于稀疏堆栈自编码的调制样式识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘兵 等.基于卷积神经网络的变压器局部放电模式识别.《高压电器》.2017,第53卷(第5期), *
基于卷积神经网络的变压器局部放电模式识别;刘兵 等;《高压电器》;20170516;第53卷(第5期);第70-81页 *

Also Published As

Publication number Publication date
CN108573225A (zh) 2018-09-25

Similar Documents

Publication Publication Date Title
CN108573225B (zh) 一种局部放电信号模式识别方法及系统
CN109118479B (zh) 基于胶囊网络的绝缘子缺陷识别定位装置及方法
CN108957251B (zh) 一种电缆接头局部放电模式识别方法
CN109145961B (zh) 一种非结构化局部放电数据的模式识别方法及系统
CN110161388B (zh) 一种高压设备的故障类型识别方法及其系统
CN111126332B (zh) 基于轮廓特征的跳频信号分类方法
CN110688942B (zh) 一种基于InResNet网络的心电信号联合识别模块及方法
WO2023213332A1 (zh) 一种多源混合型特高频局部放电图谱的分离识别方法
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
Chang et al. Application of pulse sequence partial discharge based convolutional neural network in pattern recognition for underground cable joints
CN114237046B (zh) 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法
CN112347910B (zh) 一种基于多模态深度学习的信号指纹识别方法
CN114417926A (zh) 一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法及系统
CN109191493B (zh) 一种基于RefineNet神经网络和稀疏光流的目标跟踪方法
CN112596016A (zh) 基于多个一维卷积神经网络集成的互感器故障诊断方法
CN112036450B (zh) 一种基于迁移学习的高压电缆局放模式识别方法及系统
CN113850330A (zh) 一种基于短时傅里叶变换和卷积神经网络的配电网故障原因检测方法
CN115114949A (zh) 一种基于水声信号的舰船目标智能识别方法及系统
CN111368648A (zh) 雷达辐射源个体识别方法、装置、电子设备及其存储介质
CN111242028A (zh) 基于U-Net的遥感图像地物分割方法
CN111289251A (zh) 一种滚动轴承细粒度故障识别方法
CN113987910A (zh) 一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置
CN108694375B (zh) 一种可用于多电子鼻平台的图像化白酒识别方法
CN111597925A (zh) 一种基于dcnn的电力系统暂态信号分析方法
CN111025100A (zh) 变压器特高频局部放电信号模式识别方法与装置

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
GR01 Patent grant
GR01 Patent grant
CP02 Change in the address of a patent holder

Address after: No. 8, Haitai Huake 4th Road, Huayuan Industrial Zone, High tech Zone, Binhai New Area, Tianjin, 300384

Patentee after: ELECTRIC POWER SCIENCE & RESEARCH INSTITUTE OF STATE GRID TIANJIN ELECTRIC POWER Co.

Patentee after: STATE GRID TIANJIN ELECTRIC POWER Co.

Patentee after: State Grid Corporation of China

Address before: No.8, Haitai Huake 4th Road, Xiqing District, Tianjin 300384

Patentee before: ELECTRIC POWER SCIENCE & RESEARCH INSTITUTE OF STATE GRID TIANJIN ELECTRIC POWER Co.

Patentee before: STATE GRID TIANJIN ELECTRIC POWER Co.

Patentee before: State Grid Corporation of China

CP02 Change in the address of a patent holder