CN108761287B - 一种变压器局部放电类型识别方法 - Google Patents
一种变压器局部放电类型识别方法 Download PDFInfo
- Publication number
- CN108761287B CN108761287B CN201810522817.3A CN201810522817A CN108761287B CN 108761287 B CN108761287 B CN 108761287B CN 201810522817 A CN201810522817 A CN 201810522817A CN 108761287 B CN108761287 B CN 108761287B
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- pulse current
- frequency distribution
- neural network
- energy
- 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 22
- 239000013598 vector Substances 0.000 claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000009413 insulation Methods 0.000 claims abstract description 13
- 238000009421 internal insulation Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 230000000630 rising effect Effects 0.000 claims abstract description 12
- 238000004088 simulation Methods 0.000 claims abstract description 7
- 238000001228 spectrum Methods 0.000 claims description 16
- 239000002245 particle Substances 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 230000007935 neutral effect Effects 0.000 claims description 3
- 239000000725 suspension Substances 0.000 claims description 3
- 238000004804 winding Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 21
- 238000012545 processing Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种变压器局部放电类型识别方法,包括步骤:步骤S1、搭建变压器内部绝缘介质局部放电模拟试验平台,设置典型的内部绝缘故障;步骤S2、采集不同绝缘故障下发生局部放电时的脉冲电流信号,分为训练样本和测试样本两类;步骤S3、计算每一类绝缘故障下采集的脉冲电流信号的上升沿、持续时间、能量频率分布和幅值频率分布作为局放信号特征;步骤S4、归一化训练样本特征向量,构建优化概率神经网络;步骤S5、对待检测局放脉冲电流信号提取特征向量,归一化后输入训练好的优化概率神经网络,识别出局放类型。实施本实施例,可以识别变压器的局放类型,且准确性高。
Description
技术领域
本发明属于变压器放电技术领域,具体涉及一种基于优化概率神经网络与单波特征提取的变压器局部放电类型识别方法。
背景技术
电力变压器是电网的关键设备之一,它的安全可靠运行对电力系统意义重大。据统计,内绝缘故障是电力变压器的主要故障,而局部放电的发展是最终引发内绝缘故障的主要原因。局部放电检测是及时发现变压器内绝缘潜在故障重要技术手段之一,而正确辨识局部放电类型对于及时制定恰当的运检措施以消除绝缘缺陷、确保变压器安全运行具有重要的指导意义。局部放电电流脉冲波形特点与局部放电的物理过程密切相关,因此,可根据对局部放电脉冲电流波形特征的分析对局放类型进行识别。
发明内容
本发明所要解决的技术问题在于,本发明提供变压器局部放电类型识别方法,基于优化概率神经网络与单波特征提取,准确性高。
为了解决上述技术问题,本发明的实施例的一种变压器局部放电类型识别方法,用于基于变压器局放脉冲电流信号分析对局放类型进行识别,其包括如下步骤:
步骤S1、搭建变压器内部绝缘介质局部放电模拟试验平台,设置典型的内部绝缘故障;
步骤S2、采集不同绝缘故障下发生局部放电时的脉冲电流信号,分为训练样本和测试样本两类;
步骤S3、计算每一类绝缘故障下采集的脉冲电流信号的上升沿、持续时间、能量频率分布和幅值频率分布作为局放信号特征;
步骤S4、归一化训练样本特征向量,构建优化概率神经网络;
步骤S5、对待检测局放脉冲电流信号提取特征向量,归一化后输入训练好的优化概率神经网络,识别出局放类型。
其中,所述步骤S1进一步包括:
搭建油中气隙、油楔、针板、悬浮四种内部绝缘故障时的局部放电模拟试验平台。
其中,所述步骤S2中进一步包括:
采用纯电阻作为检测阻抗,测量电阻串联在高压套管末屏与高压绕组中性点接地处,使用示波器采集采集所述测量电阻的脉冲电流获得不同绝缘故障下发生局部放电时的脉冲电流信号。
其中,所述步骤S3进一步包括:
截取所采集脉冲电流信号从开始到结束的部分,记作x(t),提取信号特征包括上升沿t1、持续时间t2、能量频率分布Ed和幅值频率分布Ad四个方面。
其中,在所述步骤S3中,在能量频率分布和幅值频率分布中均计算熵值作为特征,具体地包括如下步骤:
步骤S30、将脉冲电流信号x(t)分解为若干个固有模式函数分量,所述脉冲电流信号分解表达式为:
x(t)=∑ci(t)+r(t)
其中,ci(t)为模式函数分量,r(t)为剩余函数;
步骤S31、将分解所得模式函数分量ci(t)作希尔伯特变换,得到电流脉冲信号的希尔伯特谱H(ω,t)和希尔伯特能量谱H2(ω,t),希尔伯特谱和希尔伯特能量谱分别代表了脉冲电流信号幅值的时频分布以及信号能量的时频分布。
步骤S32、计算能量频率分布Ed:将希尔伯特能量谱对时间积分,得到能量随频率的变化函数记作E(ω),将频率范围平均分为N段,计算每一段频率与能量频率曲线围成的面积,记作
E=[E1,E2,...,EN-1,EN]
对E作归一化
En=E/sum(E)=[e1,e2,...,eN-1,eN]
计算能量频率分布
步骤S33、计算幅值频率分布Ad:将希尔伯特谱对时间积分,得到幅值随频率的变化函数记作A(ω),将频率范围平均分为N段,计算每一段频率与幅值频率曲线围成的面积,记作
A=[A1,A2,...,AN-1,AN]
对A作归一化
An=A/sum(A)=[a1,a2,...,aN-1,aN]
计算幅值频率分布
其中,步骤S4进一步包括:
使用优化概率神经网络对不同类型局放脉冲电流信号的训练样本进行训练,其中,信号样本的上升沿、持续时间、能量频率分布、幅值频率分布作为特征向量,记作
V=[t1,t2,Ed,Ad]=[v1,v2,v3,v4]
对训练用样本特征向量作归一化处理
式中,vimin为所有样本特征向量中第i维的最小值,vimax为所有样本特征向量中第i维的最大值;
选用径向基函数(RBF)概率神经网络,并使用粒子群算法对其平滑因子寻优,将训练样本特征向量作为优化概率神经网络的输入,对其进行训练,建立可识别四种局放类型的神经网络。
实施本发明实施例,具有如下有益效果:
本发明所述的变压器局部放电类型识别方法通过串联电阻法测量变压器内部发生局放时的脉冲电流信号,提取脉冲电流信号上升沿、持续时间、能量频率分布和幅值频率分布作为信号特征向量并进行归一化处理,根据不同类型放电脉冲电流信号样本建立优化的概率神经网络,对待检测脉冲电流信号进行识别,确定局部放电类型,准确性高。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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它的附图。
图1是本发明提供的一种变压器局部放电类型识别方法的一个实施例的主流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例,都属于本发明保护的范围。
在此,还需要说明的是,为了避免因不必要的细节而模糊了本发明,在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤,而省略了与本发明关系不大的其他细节。
如图1所示,示出了本发明提供的一种变压器局部放电类型识别方法的一个实施例的主流程示意图,在本实施例中,所述方法包括如下步骤:
本发明的实施例的一种变压器局部放电类型识别方法,用于基于变压器局放脉冲电流信号分析对局放类型进行识别,其包括如下步骤:
步骤S1、搭建变压器内部绝缘介质局部放电模拟试验平台,设置典型的内部绝缘故障;在一个实施例中,搭建油中气隙、油楔、针板、悬浮四种内部绝缘故障时的局部放电模拟试验平台。
步骤S2、采集不同绝缘故障下发生局部放电时的脉冲电流信号,分为训练样本和测试样本两类;在一个例子中,采用纯电阻作为检测阻抗,测量电阻串联在高压套管末屏与高压绕组中性点接地处,使用示波器采集采集所述测量电阻的脉冲电流获得不同绝缘故障下发生局部放电时的脉冲电流信号。例如在一个例子中,可以设置采样率为100MS/s,每种局放类型采集100组数据,60组用于训练,40组用于测试。
步骤S3、计算每一类绝缘故障下采集的脉冲电流信号的上升沿、持续时间、能量频率分布和幅值频率分布作为局放信号特征;
具体地,在一个例子中,截取所采集脉冲电流信号从开始到结束的部分,记作x(t),提取信号特征包括上升沿t1、持续时间t2、能量频率分布Ed和幅值频率分布Ad四个方面。
其中,在所述步骤S3中,在能量频率分布和幅值频率分布中均计算熵值作为特征,具体地包括如下步骤:
步骤S30、将脉冲电流信号x(t)分解为若干个固有模式函数分量,在一个例子中,分解算法使用EMD(Empirical Mode Decomposition,经验模态分解)算法,该算法为信号处理领域所公知,不作详细描述;所述脉冲电流信号分解表达式为:
x(t)=∑ci(t)+r(t)
其中,ci(t)为模式函数分量,r(t)为剩余函数;
步骤S31、将分解所得模式函数分量ci(t)作希尔伯特变换,得到电流脉冲信号的希尔伯特谱H(ω,t)和希尔伯特能量谱H2(ω,t),希尔伯特谱和希尔伯特能量谱分别代表了脉冲电流信号幅值的时频分布以及信号能量的时频分布。
步骤S32、计算能量频率分布Ed:将希尔伯特能量谱对时间积分,得到能量随频率的变化函数记作E(ω),将频率范围平均分为N段,根据经验,设置N为10,计算每一段频率与能量频率曲线围成的面积,记作
E=[E1,E2,...,EN-1,EN]
对E作归一化
En=E/sum(E)=[e1,e2,...,eN-1,eN]
计算能量频率分布
步骤S33、计算幅值频率分布Ad:将希尔伯特谱对时间积分,得到幅值随频率的变化函数记作A(ω),将频率范围平均分为N段,根据经验,设置N为10,计算每一段频率与幅值频率曲线围成的面积,记作
A=[A1,A2,...,AN-1,AN]
对A作归一化
An=A/sum(A)=[a1,a2,...,aN-1,aN]
计算幅值频率分布
步骤S4、归一化训练样本特征向量,构建优化概率神经网络;具体地,在一个例子中,使用优化概率神经网络对不同类型局放脉冲电流信号的训练样本进行训练,其中,信号样本的上升沿、持续时间、能量频率分布、幅值频率分布作为特征向量,记作
V=[t1,t2,Ed,Ad]=[v1,v2,v3,v4]
对训练用样本特征向量作归一化处理
式中,vimin为所有样本特征向量中第i维的最小值,vimax为所有样本特征向量中第i维的最大值;
选用径向基函数(RBF)概率神经网络,并使用粒子群算法对其平滑因子寻优,将训练样本特征向量作为优化概率神经网络的输入,对其进行训练,建立可识别四种局放类型的神经网络;
具体地,建立概率神经网络对样本信号训练,样本类别为K,此处K为4,概率神经网络分为三层,分别为输入层、隐含层和输出层,它的隐含层传递函数选用径向基核函数,输出层采用竞争输出,即最后概率最大的神经元为输出类别。将训练样本的特征向量输入概率神经网络训练,由于径向基核函数的平滑因子对训练结果的好坏影响很大,本发明使用粒子群算法对平滑因子寻优,将测试样本的均方误差作为寻优的适应度函数,当误差精度达到指定的临界值ε时停止,否则一直训练到最大迭代次数M,以最优的平滑因子建立概率神经网络。在一个例子中,对于粒子群寻优算法,设置粒子群大小为40,最大迭代次数为300,误差临界值为10-3,惯性权重为0.7,学习因子为2。以最优平滑因子结果建立概率神经网络。
步骤S5、对待检测局放脉冲电流信号提取特征向量,归一化后输入训练好的优化概率神经网络,识别出局放类型。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围内。
实施本发明实施例,具有如下的有益效果:
本发明所述的变压器局部放电类型识别方法通过串联电阻法测量变压器内部发生局放时的脉冲电流信号,提取脉冲电流信号上升沿、持续时间、能量频率分布和幅值频率分布作为信号特征向量并进行归一化处理,根据不同类型放电脉冲电流信号样本建立优化的概率神经网络,对待检测脉冲电流信号进行识别,确定局部放电类型,准确性高。
以上所述仅是本申请的具体实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (5)
1.一种变压器局部放电类型识别方法,用于基于变压器局放脉冲电流信号分析对局放类型进行识别,其特征在于,包括如下步骤:
步骤S1、搭建变压器内部绝缘介质局部放电模拟试验平台,设置典型的内部绝缘故障;
步骤S2、采集不同绝缘故障下发生局部放电时的脉冲电流信号,分为训练样本和测试样本两类;
步骤S3、计算每一类绝缘故障下采集的脉冲电流信号的上升沿、持续时间、能量频率分布和幅值频率分布作为局放信号特征;
步骤S4、归一化训练样本特征向量,构建优化概率神经网络;
步骤S5、对待检测局放脉冲电流信号提取特征向量,归一化后输入训练好的优化概率神经网络,识别出局放类型;
其中,在所述步骤S3中,在能量频率分布和幅值频率分布中均计算熵值作为特征,具体地包括如下步骤:
步骤S30、将脉冲电流信号x(t)分解为若干个固有模式函数分量,所述脉冲电流信号分解表达式为:
x(t)=∑ci(t)+r(t)
其中,ci(t)为模式函数分量,r(t)为剩余函数;
步骤S31、将分解所得模式函数分量ci(t)作希尔伯特变换,得到电流脉冲信号的希尔伯特谱H(ω,t)和希尔伯特能量谱H2(ω,t);
步骤S32、计算能量频率分布Ed:将希尔伯特能量谱对时间积分,得到能量随频率的变化函数记作E(ω),将频率范围平均分为N段,计算每一段频率与能量频率曲线围成的面积,记作
E=[E1,E2,...,EN-1,EN]
对E作归一化
En=E/sum(E)=[e1,e2,...,eN-1,eN]
计算能量频率分布
步骤S33、计算幅值频率分布Ad:将希尔伯特谱对时间积分,得到幅值随频率的变化函数记作A(ω),将频率范围平均分为N段,计算每一段频率与幅值频率曲线围成的面积,记作
A=[A1,A2,...,AN-1,AN]
对A作归一化
An=A/sum(A)=[a1,a2,...,aN-1,aN]
计算幅值频率分布
2.如权利要求1所述的方法,其特征在于,所述步骤S1进一步包括:
搭建油中气隙、油楔、针板、悬浮四种内部绝缘故障时的局部放电模拟试验平台。
3.根据权利要求2所述的方法,其特征在于,所述步骤S2中进一步包括:
采用纯电阻作为检测阻抗,测量电阻串联在高压套管末屏与高压绕组中性点接地处,使用示波器采集所述测量电阻的脉冲电流获得不同绝缘故障下发生局部放电时的脉冲电流信号。
4.根据权利要求3所述的方法,其特征在于,所述步骤S3进一步包括:
截取所采集脉冲电流信号从开始到结束的部分,记作x(t),提取信号特征包括上升沿t1、持续时间t2、能量频率分布Ed和幅值频率分布Ad四个方面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810522817.3A CN108761287B (zh) | 2018-05-28 | 2018-05-28 | 一种变压器局部放电类型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810522817.3A CN108761287B (zh) | 2018-05-28 | 2018-05-28 | 一种变压器局部放电类型识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108761287A CN108761287A (zh) | 2018-11-06 |
CN108761287B true CN108761287B (zh) | 2021-01-29 |
Family
ID=64002905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810522817.3A Active CN108761287B (zh) | 2018-05-28 | 2018-05-28 | 一种变压器局部放电类型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108761287B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110888025B (zh) * | 2019-11-27 | 2021-11-19 | 华东师范大学 | 一种基于机器学习的gis设备故障判断方法 |
WO2022067562A1 (zh) * | 2020-09-29 | 2022-04-07 | 西门子股份公司 | 一种故障电弧的诊断方法、装置和计算机可读存储介质 |
CN112834877B (zh) * | 2021-01-05 | 2022-05-13 | 国网浙江省电力有限公司电力科学研究院 | 一种变压器局部放电电气定位方法及设备 |
CN113156275B (zh) * | 2021-01-29 | 2022-01-04 | 西南交通大学 | 一种考虑差异性接线方式的变压器绝缘诊断方法 |
CN113406460A (zh) * | 2021-07-30 | 2021-09-17 | 江苏新亚高电压测试设备有限公司 | 一种电压互感器局部放电故障诊断方法、装置及电子设备 |
CN113848435B (zh) * | 2021-08-31 | 2023-12-15 | 四川大学 | 基于频谱能量分布概率的直流局部放电信号分类识别方法 |
CN116821591B (zh) * | 2023-04-04 | 2024-03-08 | 浙江万能弹簧机械有限公司 | 高频电源放电工况实时监控方法及其系统 |
CN116794553B (zh) * | 2023-04-07 | 2024-03-08 | 浙江万能弹簧机械有限公司 | 用于高频电源的智能故障诊断方法及其系统 |
CN116540041B (zh) * | 2023-06-30 | 2023-09-15 | 国网安徽省电力有限公司电力科学研究院 | 一种高压套管沿面放电故障的检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103207950B (zh) * | 2013-04-16 | 2016-08-10 | 郑州航空工业管理学院 | 一种基于rbf神经网络的变压器故障诊断的智能方法 |
CN103268516A (zh) * | 2013-04-16 | 2013-08-28 | 郑州航空工业管理学院 | 一种基于神经网络的变压器故障诊断方法 |
CN103218662A (zh) * | 2013-04-16 | 2013-07-24 | 郑州航空工业管理学院 | 一种基于bp神经网络的变压器故障诊断方法 |
-
2018
- 2018-05-28 CN CN201810522817.3A patent/CN108761287B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108761287A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108761287B (zh) | 一种变压器局部放电类型识别方法 | |
US11544917B2 (en) | Power electronic circuit fault diagnosis method based on optimizing deep belief network | |
Majidi et al. | Partial discharge pattern recognition via sparse representation and ANN | |
CN107909118B (zh) | 一种基于深度神经网络的配电网工况录波分类方法 | |
Dai et al. | Feature extraction of GIS partial discharge signal based on S‐transform and singular value decomposition | |
CN109633368A (zh) | 基于vmd和dfa的含分布式电源配电网电能质量扰动检测方法 | |
CN109188211B (zh) | 一种高压设备绝缘故障诊断方法和系统 | |
CN112149549A (zh) | 一种基于深度残差网络的gis局部放电类型识别方法 | |
CN109470985A (zh) | 一种基于多分辨奇异值分解的电压暂降源识别方法 | |
CN117748507B (zh) | 基于高斯回归模型的配网谐波接入不确定性评估方法 | |
CN106326918A (zh) | 一种变压器局部放电超高频信号多尺度能量特征线性识别方法 | |
Liu et al. | Dual-channel convolutional network-based fault cause identification for active distribution system using realistic waveform measurements | |
CN115600088A (zh) | 一种基于振动信号的配电变压器故障诊断方法 | |
Javandel et al. | Multiple partial discharge sources separation using a method based on laplacian score and correlation coefficient techniques | |
Illias et al. | Classification of multiple partial discharge sources in dielectric insulation material using Cepstrum analysis–artificial neural network | |
CN117420385A (zh) | 一种基于卷积的高压直流输电线路故障识别方法 | |
Rostaminia et al. | An efficient partial discharge pattern recognition method using texture analysis for transformer defect models | |
Gao et al. | Accurate identification partial discharge of cable termination for high-speed trains based on wavelet transform and convolutional neural network | |
CN112581940A (zh) | 基于边缘计算与神经网络的放电声音检测方法 | |
CN116975389A (zh) | 一种变电站故障分析方法及装置 | |
Bohórquez et al. | One-ended fault location method based on machine learning models | |
CN104102834A (zh) | 录音地点的识别方法 | |
CN114755529A (zh) | 一种基于深度学习的多特征融合单相接地故障类型辨识方法 | |
Liu et al. | Underdetermined blind source separation algorithm of 220kV substation noise based on SCA | |
CN113985733B (zh) | 一种基于自适应概率学习的配电网故障辨识方法 |
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 |