CN109102508B - 基于局部放电图像特征的交流电缆绝缘缺陷的识别方法 - Google Patents
基于局部放电图像特征的交流电缆绝缘缺陷的识别方法 Download PDFInfo
- Publication number
- CN109102508B CN109102508B CN201811009403.7A CN201811009403A CN109102508B CN 109102508 B CN109102508 B CN 109102508B CN 201811009403 A CN201811009403 A CN 201811009403A CN 109102508 B CN109102508 B CN 109102508B
- Authority
- CN
- China
- Prior art keywords
- classifier
- discharge
- partial discharge
- color
- features
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G01R31/1263—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 solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1272—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 solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Testing Relating To Insulation (AREA)
Abstract
Description
技术领域
本发明涉及一种用于电力设备缺陷的识别方法,尤其涉及一种交流电缆绝缘缺陷的识别方法。
背景技术
近年来,电气、机械以及热稳定上均性能表现优越的交联聚乙烯(以下简称XLPE)交流电缆在电力线路中占的比例不断上升,其十分适用于大功率电能的分配、传输过程。然而由于电缆敷设环境复杂乃至恶劣,因此在电力工程的各个环节与过程中,电缆都有可能产生故障,甚至于在严重的情况下会极其影响生产生活,并且还需要额外大量资源消耗于故障的查找与修复停电上。由于XLPE电缆的局部放电与它的绝缘状况关系十分密切,因此,可以通过XLPE电缆的局部放电信号对进行故障分析。
然而,在现有技术中,并没有对XLPE电缆绝缘缺陷的有效识别,现有技术无法对XLPE电缆的绝缘缺陷识别进行有效识别,尤其是无法有效提取局部放电下的局部放电特征。
发明内容
本发明的目的在于提供一种基于局部放电图像特征的XLPE交流电缆绝缘缺陷的识别方法,其能够有效提取局部放电信号的相关特征,并根据特征进行分类识别,从而实现对绝缘缺陷的类型的识别。该识别方法对电力设备尤其是XLPE进行运行维护以及故障分析修复具有重要的指导意义,十分有利于实现检测系统的智能化水平。
基于上述目的,本发明提出了一种基于局部放电图像特征的XLPE交流电缆绝缘缺陷的识别方法,其包括步骤:
(1)获取XLPE交流电缆的若干种绝缘缺陷放电模型;
(4)基于能量熵值分布图,选取能量占比最多的两个子图作为特征提取对象,提取特征提取对象的下述各项至少其中之一的特征:(a)颜色特征;(b)纹理特征;(c)形状特征;以及(d)颜色特征、纹理特征和形状特征的综合特征;
(5)将上述各特征的其中之一输入分类器中进行训练和测试;
(6)将待识别局部放电信号输入经过训练和测试的分类器中,以从分类器的输出获得识别结果。
在本发明所述的技术方案中,在建立了绝缘缺陷放电模型后,通过采集绝缘缺陷放电模型的放电信号,获得相应的信号图,并根据该信号图进行小波变换,得到若干子图,随后对所得到的子图图像进行分析,提取得到能量熵值分布。根据能量熵值分布图选取特征提取对象,从而提取到特征,特征包括颜色特征、纹理特征、形状特征以及综合特征。将上述特征分别输入分类器中进行训练和测试,最终将需要识别的待识别局部放电信号输入经过训练和测试的分类器中,以从分类器的输出获得识别结果。
需要说明的是,在本案中,分类器通过对样本(即作为特征提取对象的子图)进行分析与特征提取,得到一系列特征的特征向量,并通过这些向量对绝缘缺陷放电模型赋予类别标记,也即是对标记信号的一种监督学习过程。将得到的特征向量的特征参数分别输入到分类器中进行绝缘缺陷分类。
此外,对于本案而言,在步骤(3)中采用小波变换是由于小波变换具有多分辨率分析的有点,可以将信号、图像分别分解为不同频率的通道,并够通过这些通道来重构信号和图像。
进一步地,在本发明所述的识别方法中,所述绝缘缺陷模型至少包括绝缘气隙放电模型、高压电晕放电模型、悬浮电极放电模型和沿面放电模型。
进一步地,在本发明所述的识别方法中,在步骤(2)中,采用高频电流耦合法采集局部放电信号。
进一步地,在本发明所述的识别方法中,当提取颜色特征时,所述颜色特征包括颜色聚合向量和改进的颜色聚合向量。
在上述方案中,颜色特征是一种表面的、每个物体都有的一种重要视觉特征,而颜色聚合向量基于颜色直方图并能够结合空间信息来比较图像,它将每个像素根据它是否是一个大同色区来分类进一个相干或不相干的颜色簇,一个颜色聚合向量储存着每种颜色中相干与不相干的像素的数目。因此,通过将相干与不相干的像素分离,颜色聚合向量能够比颜色直方图更好地区别图像。改进的颜色聚合向量将图像中连通的区域和聚合像素、非连通的区域和未聚合的像素建立了一一对应的关系,因而能够更加精确地表现图像色彩分部。因此,在一些优选的实施方式中,通过颜色聚合向量和改进的颜色聚合向量来实现颜色特征集的提取。
进一步地,在本发明所述的识别方法中,在步骤(5)中,当提取形状特征时,所述形状特征包括Hu不变矩和Zernike矩。
在上述方案中,由于在二维空间中,形状是图像中的一个边缘封闭的区域,因此可以通过轮廓边界及包围区域来描述形状特征,而在一些优选的实施方式中,采用Hu不变矩和相对矩来表征图像的形状特征,尤其是采用Hu不变矩和Zernike矩来表征图像的形状特征,这是因为:Zernike矩的原理是将目标波形、目标信号等进行展开,从而得到一系列构成它的正交基,由于在本案对图像的处理可以不需要获得图像的边界信息,因此,在优选的实施方式中,Zernike矩十分适用于本案的复杂形状的描述。
进一步地,在本发明所述的识别方法中,当提取纹理特征时,所述纹理特征包括Tamura纹理特征的分量和灰度-梯度共生矩阵的分量。
在上述方案中,图像的纹理特征是全局的,它在局部小范围内不规则,但在宏观尺寸下可以发现其规律,因此,在一些优选的实施方式中,可以通过Tamura纹理特征分量例如:粗糙度、对比度、方向性、线相似性、规则性、粗略度和灰度-梯度共生矩阵的分量例如自相关、对比、相关、集群突出、簇遮蔽来表征纹理特征。
进一步地,在本发明所述的识别方法中,所述分类器为反向传播神经网络分类器、K近邻法分类器、决策树分类器和支持向量机分类器的其中之一。
在上述方案中,反向传播神经网络分类器将输入空间进行一定的变换从而将其转换进一个高维空间中,随后在新的空间里进行求解,从而对缺陷类型进行分类,在本案中,反向传播神经网络分类器可以采用多项式核函数对样本进行分类;
K近邻法基于最近邻法,其通过找到跟没有经过分类的样本之间距离最近的k(奇数)个样本,并判定这个样本的分类和这k个样本所属类别最多的一类相同,从而对缺陷类型进行分类。最近邻法的决策规则如下:已知存在各个不同模式w1,w2,...,wc,其中有Ni个样本类别已知,则判别函数:其中表示wi的第k个样本。决策规则为:如果gj(x)=minigi(x)(i=1,2,...,c),则决策x∈wj。而K近邻法则对其进行了改进,改进为取x的K个近邻,将x归为这些近邻多数属于的一类。
决策树分类器通过基于信息论理论的C4.5算法生成,在生成决策树的过程中,寻找可以使信息增益率达到最大值的特征,以便划分连续、离散的样本空间,从而对绝缘缺陷进行分类。
反向传播神经网络是一种多层前馈神经网络,其输出层采用S形传输函数。
进一步地,在本发明所述的识别方法中,在步骤(4)中至少提取颜色特征;在步骤(5)中,将颜色特征输入到支持向量机分类器中进行训练和检验。
本发明所述的基于局部放电图像特征的XLPE交流电缆绝缘缺陷的识别方法具有如下有意效果:
所述的基于局部放电图像特征的XLPE交流电缆绝缘缺陷的识别方法有效提取局部放电信号的相关特征,并根据特征进行分类识别,从而实现对绝缘缺陷的类型的识别。该识别方法对电力设备尤其是XLPE进行运行维护以及故障分析修复具有重要的指导意义,十分有利于实现检测系统的智能化水平。
此外,本发明所述的基于局部放电图像特征的XLPE交流电缆绝缘缺陷的识别方法识别结果正确率高。
附图说明
图1示意性显示了本发明所述的基于局部放电图像特征的XLPE交流电缆绝缘缺陷的识别方法在一种实施方式下的用于绝缘缺陷的直流局部放电试验的回路接线图。
图2为本发明所述的基于局部放电图像特征的XLPE交流电缆绝缘缺陷的识别方法在一种实施方式下的流程示意图。
图7显示了图3采用尺度为1时的低频图像。
图8显示了图3采用尺度为1时的高频图像的水平部分。
图9显示了图3采用尺度为1时的高频图像的垂直部分。
图10显示了图3采用尺度为1时的高频图像的对角部分。
图11显示了图3采用尺度为2时的低频图像。
图12显示了图3采用尺度为2时的高频图像的水平部分。
图13显示了图3采用尺度为2时的高频图像的垂直部分。
图14显示了图3采用尺度为2时的高频图像的对角部分。
图15显示了本发明所述的基于局部放电图像特征的XLPE交流电缆绝缘缺陷的识别方法在一种实施方式下的能量熵值分布图。
具体实施方式
下面将根据具体实施例及说明书附图对本发明所述的基于局部放电图像特征的XLPE交流电缆绝缘缺陷的识别方法作进一步说明,但是该说明并不构成对本发明技术方案的不当限定。
为了验证采用本案的基于局部放电图像特征的XLPE交流电缆绝缘缺陷的识别方法能够较好辨识不同的直流电缆典型缺陷,因而,选取了四种类型的直流电缆的绝缘缺陷,并在直流电缆上模拟该四种类型的绝缘缺陷进行直流局部放电试验,并接入电路中进行测试。
图1示意性显示了本发明所述的基于局部放电图像特征的XLPE交流电缆绝缘缺陷的识别方法在一种实施方式下的用于绝缘缺陷的直流局部放电试验的回路接线图。
如图1所示,用于绝缘缺陷的直流局部放电试验的回路包括用于测试的电缆1,其一端为油终端11,另一端与耦合电容8、限流电阻9连接,电缆1与耦合电容8、限流电阻9连接端还包括接地屏蔽层12,并且在接地屏蔽层12上设有用于测量电缆1电压的电压计3。耦合电容8一端与限流电阻9连接,另一端与检测阻抗7连接,限流电阻9起到保护电路的作用。检测阻抗7的一端与耦合电容8连接,另一端与无局部放电的电源10。而无局部放电的电源10一端与限流电阻9连接,另一端与检测阻抗7连接,无局部放电电源10采用380V交流电,回路电源通过无局部放电电源10和升压变压器控制。
此外,在检测阻抗7的两端还接入了高频电流耦合检测支路,高频电流耦合检测支路与检测阻抗7并联连接,其包括与一端与检测阻抗7连接,另一端与高频电流放大器4的高频电流传感器6、与高频电流放大器4串联的局部放电检测仪2以及一端与局部放电检测仪2连接、另一端与检测阻抗7连接的检测阻抗放大器5。
在本实施方式中,该四种类型的绝缘缺陷包括绝缘气隙放电、高压电晕放电、悬浮电极放电和沿面放电,该四种绝缘类型的制作过程如下所述:
绝缘气隙放电:使用针尖物扎进电缆1的主绝缘层后退出,从而模拟在绝缘内形成的气隙;
高压端电晕放电:在高压端挂接细铜丝,以此来模拟线芯毛刺;
悬浮电极放电模:在主绝缘外紧贴小面积铜片,与高压和接地端均不接触,模拟主绝缘表面的金属异物;
沿面放电:在高压导体上连接铜丝并紧贴在主绝缘层上,在主绝缘外表面上诱导放电发生,模拟电缆1绝缘的沿面闪络。随后将电缆1的两端做绝缘处理,近端浸入油终端11中,通过油终端11的接线端对电缆1中的导体施加高压;电缆1远端作空载处理,并浸入油终端11中以与外界绝缘。
需要指出的是,上述绝缘缺陷仅为对本案的识别方法作示意性解释说明,并不构成对本案技术方案的不当限定,本领域内的技术人员可以根据实施方式的具体情况选择若干种绝缘缺陷,并且对该若干种绝缘缺陷进行识别,而不局限于上述的四种绝缘缺陷。
采用如图2所示的识别方法对绝缘缺陷进行识别。图2为本发明所述的基于局部放电图像特征的XLPE交流电缆绝缘缺陷的识别方法在一种实施方式下的流程示意图。
在本实施方式中,基于局部放电图像特征的XLPE交流电缆绝缘缺陷的识别方法包括步骤:
步骤100:获取XLPE交流电缆的若干种绝缘缺陷放电模型。
步骤200:向各种绝缘缺陷放电模型施加电压,以采集其局部放电信号,形成各自的信号图,其中表征工频相位,Q表征放电量,n表征平面被划分成若干个小区间中的每个小区间内发生的局部放电次数,采用高频电流耦合法采集局部放电信号。
步骤400:基于能量熵值分布图,选取能量占比最多的两个子图作为特征提取对象,提取特征提取对象的下述各项至少其中之一的特征:(a)颜色特征;(b)纹理特征;(c)形状特征;以及(d)颜色特征、纹理特征和形状特征的综合特征,其中,颜色特征包括颜色聚合向量和改进的颜色聚合向量,形状特征包括Hu不变矩和Zernike矩,纹理特征包括Tamura纹理特征的分量和灰度-梯度共生矩阵的分量。
步骤500:将上述各特征的其中之一输入分类器中进行训练和测试。
步骤600:将待识别局部放电信号输入经过训练和测试的分类器中,以从分类器的输出获得识别结果。
需要说明的是,上述识别方法中,对实验环境中的基础噪声进行测定,根据它的数值设置一个阈值,该阈值本领域内技术人员可以根据实施方式的具体情况进行设定。从步骤(2)中得到的绝缘缺陷放电模型得到局部放电信号数据中提取大于阈值的脉冲。将工频相位轴划分为按0~360°排列的256个区间,将放电量Q中同样划分为256个区间,如此将平面划分成了由256×256个小区间构成的平面。统计放电在每个小区间里发生的次数,记为n,得到各个绝缘放电模型的信号图,信号图具体情况如图3至图6所示,其中,图3显示了本发明所述的基于局部放电图像特征的XLPE交流电缆绝缘缺陷的识别方法在一种实施方式下的采用绝缘气隙放电模型所获得的信号图;图4显示了本发明所述的基于局部放电图像特征的XLPE交流电缆绝缘缺陷的识别方法在一种实施方式下的采用高压电晕放电模型所获得的信号图;图5显示了本发明所述的基于局部放电图像特征的XLPE交流电缆绝缘缺陷的识别方法在一种实施方式下的采用悬浮电极放电模型所获得的信号图;图6显示了本发明所述的基于局部放电图像特征的XLPE交流电缆绝缘缺陷的识别方法在一种实施方式下的采用沿面放电模型所获得的信号图。
为了更便于理解本发明所述的技术方案,以绝缘气隙放电模型为例,说明信号图进行小波变换所获得的图形。对于本案的技术方案而言,小波变换中,小波系数对应高通滤波器,尺度函数对应低通滤波器。本实施方式通过二维Mallat算法对图像进行分解。分解所得图形可以参见图7至图14。
分解尺度选择为3时,对应的图像分别是尺度为0、尺度为1和尺度为2。尺度为0对应原图,其中,图3显示了原图图像,图7显示了图3采用尺度为1时的低频图像。图8显示了图3采用尺度为1时的高频图像的水平部分。图9显示了图3采用尺度为1时的高频图像的垂直部分。图10显示了图3采用尺度为1时的高频图像的对角部分。图11显示了图3采用尺度为2时的低频图像。图12显示了图3采用尺度为2时的高频图像的水平部分。图13显示了图3采用尺度为2时的高频图像的垂直部分。图14显示了图3采用尺度为2时的高频图像的对角部分。
图15显示了本发明所述的基于局部放电图像特征的XLPE交流电缆绝缘缺陷的识别方法在一种实施方式下的能量熵值分布图。
如图15所示,图中I表示绝缘气隙放电模型,II表示高压电晕放电模型,III表示沿面放电模型,IV表示悬浮电极放电模型。其中,HL1表示采用尺度为1时的高频图像的水平部分;LH1表示采用尺度为1时的高频图像的垂直部分;HH1表示采用尺度为1时的高频图像的对角部分;HL2表示采用尺度为2时的高频图像的水平部分;LH2表示采用尺度为2时的高频图像的垂直部分;HH2表示采用尺度为2时的高频图像的对角部分。
由图15可以看出,II中的LH2以及HH2能量占比最多,因此选择这两个子图作为特征提取对象。
最终的测试结果进行收集和统计,以识别成功率表征识别效果,在所用训练样本分别为总样本数的5%、10%和15%时,得出不同特征集(包括颜色特征集、纹理特征集、形状特征集及这三者结合而成的综合特征集)。表1显示了不同分类器的识别效果。
表1.
注:表1中SVM表示支持向量机分类器、KNN表示K近邻法分类器、DT表示决策树分类器、BPNN表示反向传播神经网络分类器。
通过对表1中数据进行分析,可见训练样本较多(例如15%)时,识别效果最好的为SVM与颜色特征集的组合,识别准确率达到了97%;其次为SVM与综合特征集的组合,识别效果为96.5%。而训练样本较少(5%)时,识别效果普遍较低,仅SVM与颜色特征集(识别准确率为88.5%)效果尚可。总体看来,在四种特征集与四种分类器的组合中,SVM与颜色特征集的组合识别效果更好。
结合图1至图15可以看出,本发明所述的基于局部放电图像特征的XLPE交流电缆绝缘缺陷的识别方法有效提取局部放电信号的相关特征,并根据特征进行分类识别,从而实现对绝缘缺陷的类型的识别。该识别方法对电力设备尤其是XLPE进行运行维护以及故障分析修复具有重要的指导意义,十分有利于实现检测系统的智能化水平。
此外,本发明所述的基于局部放电图像特征的XLPE交流电缆绝缘缺陷的识别方法识别结果正确率高。
需要说明的是,本发明的保护范围中现有技术部分并不局限于本申请文件所给出的实施例,所有不与本发明的方案相矛盾的现有技术,包括但不局限于在先专利文献、在先公开出版物,在先公开使用等等,都可纳入本发明的保护范围。
另外,还需要说明的是,本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式,本案所记载的所有技术特征可以以任何方式进行自由组合或结合,除非相互之间产生矛盾。
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之内。
Claims (10)
1.一种基于局部放电图像特征的交流电缆绝缘缺陷的识别方法,其特征在于,包括步骤:
(1)获取XLPE交流电缆的若干种绝缘缺陷放电模型;
(4)基于能量熵值分布图,选取能量占比最多的两个子图作为特征提取对象,提取特征提取对象的下述各项特征:(a)颜色特征;(b)纹理特征;(c)形状特征;以及(d)颜色特征、纹理特征和形状特征的综合特征;
(5)将上述各特征的其中之一输入分类器中进行训练和测试;
(6)将待识别局部放电信号输入经过训练和测试的分类器中,以从分类器的输出获得识别结果。
2.如权利要求1所述的识别方法,其特征在于,所述绝缘缺陷放电 模型至少包括绝缘气隙放电模型、高压电晕放电模型、悬浮电极放电模型和沿面放电模型。
3.如权利要求1所述的识别方法,其特征在于,在步骤(2)中,采用高频电流耦合法采集局部放电信号。
6.如权利要求1所述的识别方法,其特征在于,当提取颜色特征时,所述颜色特征包括颜色聚合向量和改进的颜色聚合向量。
7.如权利要求1所述的识别方法,其特征在于,在步骤(5)中,当提取形状特征时,所述形状特征包括Hu不变矩和Zernike矩。
8.如权利要求1所述的识别方法,其特征在于,当提取纹理特征时,所述纹理特征包括Tamura纹理特征的分量和灰度-梯度共生矩阵的分量。
9.如权利要求1所述的识别方法,其特征在于,所述分类器为反向传播神经网络分类器、K近邻法分类器、决策树分类器和支持向量机分类器的其中之一。
10.如权利要求1-9中任意一项所述的识别方法,其特征在于,在步骤(4)中至少提取颜色特征;在步骤(5)中,将颜色特征输入到支持向量机分类器中进行训练和检验。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811009403.7A CN109102508B (zh) | 2018-08-31 | 2018-08-31 | 基于局部放电图像特征的交流电缆绝缘缺陷的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811009403.7A CN109102508B (zh) | 2018-08-31 | 2018-08-31 | 基于局部放电图像特征的交流电缆绝缘缺陷的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109102508A CN109102508A (zh) | 2018-12-28 |
CN109102508B true CN109102508B (zh) | 2022-02-25 |
Family
ID=64864449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811009403.7A Active CN109102508B (zh) | 2018-08-31 | 2018-08-31 | 基于局部放电图像特征的交流电缆绝缘缺陷的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109102508B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109085468A (zh) * | 2018-07-27 | 2018-12-25 | 上海交通大学 | 一种电缆局部放电绝缘缺陷的识别方法 |
CN112305379A (zh) * | 2019-07-24 | 2021-02-02 | 国网山东省电力公司济南供电公司 | 一种用于gis绝缘缺陷的模式识别方法及系统 |
CN112287953A (zh) * | 2019-07-24 | 2021-01-29 | 国网山东省电力公司济南供电公司 | 一种用于gis绝缘缺陷类别识别的方法及系统 |
CN111220882A (zh) * | 2019-12-31 | 2020-06-02 | 国网辽宁省电力有限公司电力科学研究院 | 一种gis光学局放图谱的特征量提取方法 |
CN111929546A (zh) * | 2020-07-31 | 2020-11-13 | 广东电网有限责任公司 | 一种多维内置式局放检测系统及其检测方法 |
TWI786988B (zh) * | 2021-12-10 | 2022-12-11 | 國立勤益科技大學 | 結合演算法進行電力電纜瑕疵故障檢測之方法 |
CN116502051B (zh) * | 2023-06-26 | 2023-09-26 | 广东电网有限责任公司珠海供电局 | 一种海底电缆局部缺陷识别方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106338674A (zh) * | 2016-08-24 | 2017-01-18 | 上海交通大学 | 基于改进ecoc分类器的直流电缆接头绝缘故障诊断方法及系统 |
CN107067041A (zh) * | 2017-05-16 | 2017-08-18 | 国网四川省电力公司电力科学研究院 | 一种基于高频局放信号图的电缆绝缘缺陷状态评估方法 |
-
2018
- 2018-08-31 CN CN201811009403.7A patent/CN109102508B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106338674A (zh) * | 2016-08-24 | 2017-01-18 | 上海交通大学 | 基于改进ecoc分类器的直流电缆接头绝缘故障诊断方法及系统 |
CN107067041A (zh) * | 2017-05-16 | 2017-08-18 | 国网四川省电力公司电力科学研究院 | 一种基于高频局放信号图的电缆绝缘缺陷状态评估方法 |
Non-Patent Citations (2)
Title |
---|
基于2D-LPEWT的特征提取方法在电缆局部放电分析中的应用;秦雪 等;《网络首发论文》;20180528;正文第1-4节 * |
基于图像特征的GIS局部放电严重程度评估的研究;于乐;《中国优秀硕士学位论文全文数据库 信息科技辑》;20110915;正文第5、21-37页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109102508A (zh) | 2018-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109102508B (zh) | 基于局部放电图像特征的交流电缆绝缘缺陷的识别方法 | |
Duan et al. | Identification of partial discharge defects based on deep learning method | |
CN108957251B (zh) | 一种电缆接头局部放电模式识别方法 | |
Wang et al. | Fault diagnosis for power cables based on convolutional neural network with chaotic system and discrete wavelet transform | |
Sahoo et al. | Trends in partial discharge pattern classification: a survey | |
CN109164362B (zh) | 一种直流电缆局部放电缺陷故障的识别方法及系统 | |
CN109085468A (zh) | 一种电缆局部放电绝缘缺陷的识别方法 | |
Wang et al. | Optimal features selected by NSGA-II for partial discharge pulses separation based on time-frequency representation and matrix decomposition | |
Chang et al. | Application of pulse sequence partial discharge based convolutional neural network in pattern recognition for underground cable joints | |
Guo et al. | Fault diagnosis based on multiscale texture features of cable terminal on EMU of high-speed railway | |
CN106503612A (zh) | 基于压缩感知理论的直流电缆局部放电信号模式识别方法及系统 | |
Hunter et al. | Comparison of two partial discharge classification methods | |
Xu et al. | DC cable feature extraction based on the PD image in the non-subsampled contourlet transform domain | |
Chang et al. | Application of fuzzy entropy to improve feature selection for defect recognition using support vector machine in high voltage cable joints | |
Darabad et al. | An efficient diagnosis method for data mining on single PD pulses of transformer insulation defect models | |
Morette et al. | Partial discharges and noise classification under HVDC using unsupervised and semi-supervised learning | |
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 | |
Uckol et al. | Partial Discharge pattern classification based on deep learning for defect identification in MV cable terminations | |
CN116243115A (zh) | 基于时序拓扑数据分析的高压电缆模式识别方法及装置 | |
Javandel et al. | Multiple partial discharge sources separation using a method based on laplacian score and correlation coefficient techniques | |
Chang et al. | Assessment of the insulation status aging in power cable joints using support vector machine | |
Uckol et al. | Identification of corona discharges based on wavelet scalogram images with deep convolutional neural networks | |
Ye et al. | A corona recognition method based on visible light color and machine learning | |
Xu et al. | Classification of partial discharge images within DC XLPE cables in contourlet domain | |
Babnik et al. | Data mining on a transformer partial discharge data using the self-organizing map |
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 |