CN109188211A - 一种高压设备绝缘故障诊断方法和系统 - Google Patents
一种高压设备绝缘故障诊断方法和系统 Download PDFInfo
- Publication number
- CN109188211A CN109188211A CN201810852615.5A CN201810852615A CN109188211A CN 109188211 A CN109188211 A CN 109188211A CN 201810852615 A CN201810852615 A CN 201810852615A CN 109188211 A CN109188211 A CN 109188211A
- Authority
- CN
- China
- Prior art keywords
- depth
- noise reduction
- high voltage
- sparse noise
- voltage equipment
- 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.)
- Granted
Links
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Relating To Insulation (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明公开了一种高压设备绝缘故障诊断方法,其包括步骤:(1)获取表征高压设备若干种绝缘故障类型的局部放电信号的染噪训练样本,基于染噪训练样本提取其相位分辨脉冲序列数据,对相位分辨脉冲序列数据进行归一化处理;(2)通过归一化处理后的相位分辨脉冲序列数据对构建的深度稀疏降噪自编码器进行训练,得到经过训练的深度稀疏降噪自编码器;(3)将待识别的高压设备的染噪局部放电信号输入经过训练的深度稀疏降噪自编码器,基于该深度稀疏降噪自编码器输出分类层的输出以得到高压设备的缺陷类型。此外,本发明还公开了一种高压设备绝缘故障诊断系统,其包括数据预处理模块和故障识别模块。
Description
技术领域
本发明涉及一种故障诊断方法和系统,尤其涉及一种用于高压设备的故障诊断方法和系统。
背景技术
局部放电(PD)是引起高压设备故障的重要原因之一,长时间的PD累积会造成高压设备的一系列物理化学反应,加剧绝缘损坏,从而引起设备故障。PD状态检测是保障高压设备可靠运行的重要手段,而PD故障识别是局放检测的核心环节。近年来,神经网络诊断技术通过对故障样本的学习,以神经网络连接权值来表达所学故障诊断知识,具有对故障模糊匹配、相似归纳和联想记忆等能力。其中,较多采用的神经网络诊断技术为支持向量机(以下简称SVM),SVM建立在统计学习理论的VC维理论和结构风险最小原理基础上的,根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷,以获得最好的推广能力。
也就是说,现有的神经网络诊断技术在无干扰或干扰信号很小的数据作为样本时具有较好的识别能力,然而,由于变电站现场的电磁环境非常复杂,PD检测易受各种电磁干扰的影响。电磁干扰在多因素影响下其特征是动态变化的,从而增大了电磁干扰辨识和抑制的难度,大大降低了现有技术的识别正确率,出现误报漏报的情况。
基于此,期望获得一种故障诊断方法,其不同于现有技术,该故障诊断方法可以针对有干扰的局部放电信号数据进行故障诊断,并且故障识别的正确率较高。
发明内容
本发明的目的之一在于提供一种高压设备绝缘故障诊断方法,该高压设备绝缘诊断方法可以对带有干扰例如染噪的局部放电信号进行有效的故障识别,从而能够及时有效地获取高压设备的绝缘故障情况,及时消除隐患,避免重大事故的发生,对于高压设备的安全维护具有指导意义。
基于上述目的,本发明提出了一种高压设备绝缘故障诊断方法,包括步骤:
(1)获取表征高压设备若干种绝缘故障类型的局部放电信号的染噪训练样本,基于染噪训练样本提取其相位分辨脉冲序列数据,对相位分辨脉冲序列数据进行归一化处理;
(2)通过归一化处理后的相位分辨脉冲序列数据对构建的深度稀疏降噪自编码器进行训练,得到经过训练的深度稀疏降噪自编码器;
(3)将待识别的高压设备的染噪局部放电信号输入经过训练的深度稀疏降噪自编码器,基于该深度稀疏降噪自编码器输出分类层的输出以得到高压设备的缺陷类型。
在本发明所述的技术方案中,深度稀疏降噪自编码器由若干个稀疏降噪自编码器堆叠构成,其利用稀疏降噪自编码器添加了稀疏约束条件使得其自身拥有较好的鲁棒性和高效性,并且稀疏降噪自编码器通过去除输入数据的噪声,从而提高了稀疏降噪自编码器的泛化能力和鲁邦性,而深度稀疏降噪自编码器由于由若干个疏降噪自编码器构成,因而可以得到输入数据更深的信息量以及更多的特征。
进一步地,在本发明所述的高压设备绝缘故障诊断方法中,所述深度稀疏降噪自编码器包括输入层、隐含层和输出分类层。
进一步地,在本发明所述的高压设备绝缘故障诊断方法中,所述深度稀疏降噪自编码器具有4层隐含层。
进一步地,在本发明所述的高压设备绝缘故障诊断方法中,所述隐含层的神经元个数为25。
进一步地,在本发明所述的高压设备绝缘故障诊断方法中,所述深度稀疏降噪自编码器的输出分类层采用Softmax分类器。
进一步地,在本发明所述的高压设备绝缘故障诊断方法中,所述深度稀疏降噪自编码器的激活函数采用Sigmod函数。
进一步地,在本发明所述的高压设备绝缘故障诊断方法中,在步骤(2)中,采用随机梯度下降法对深度稀疏降噪自编码器进行训练,以对其参数进行迭代更新,得到最优化参数。
需要指出的是,在一些实施方式中,为了防止出现过拟合的情况,深度稀疏降噪自编码器可以采用交叉熵代价函数。
相应地,本发明的另一目的在于提供一种高压设备绝缘故障诊断系统,该高压设备绝缘故障诊断系统可以对带有干扰例如染噪的局部放电信号进行有效的故障识别,从而能够及时有效地获取高压设备的绝缘故障情况,及时消除隐患,避免重大事故的发生,对于高压设备的安全维护具有指导意义。
基于上述目的,本发明还提出了一种高压设备绝缘故障诊断系统,其包括:
数据预处理模块,其对表征高压设备若干种绝缘故障类型的局部放电信号的染噪数据进行预处理,以提取其相位分辨脉冲序列数据,并对相位分辨脉冲序列数据进行归一化处理;
故障识别模块,其构建深度稀疏降噪自编码器,并基于归一化处理后的相位分辨脉冲序列数据对构建的深度稀疏降噪自编码器进行训练;
其中,当需要对高压设备绝缘故障进行识别时,将待识别高压设备的染噪局部放电信号输入经过训练的深度稀疏降噪自编码器,以基于该深度稀疏降噪自编码器输出分类层的输出得到高压设备的缺陷类型。
进一步地,在本发明所述的高压设备绝缘故障诊断系统中,所述深度稀疏降噪自编码器包括输入层、隐含层和输出分类层,且深度稀疏降噪自编码器具有下述特征的至少其中之一:
其具有4层隐含层;
其激活函数采用Sigmod函数;
其输出分类层采用Softmax分类器。
进一步地,在本发明所述的高压设备绝缘故障诊断系统中,所述隐含层的神经元个数为25。
本发明所述的高压设备绝缘故障诊断方法和系统具有如下所述的优点及
有益效果:
所述的高压设备绝缘诊断方法以及系统可以对带有干扰例如染噪的局部放电信号进行有效的故障识别,从而能够及时有效地获取高压设备的绝缘故障情况,及时消除隐患,避免重大事故的发生,对于高压设备的安全维护具有指导意义。
此外,所述的高压设备绝缘故障诊断方法及系统的识别正确率较高,识别性能较优。
附图说明
图1为本发明所述的高压设备绝缘故障诊断系统在一种实施方式下的框架结构示意图。
图2为本发明所述的高压设备绝缘故障诊断方法在一种实施方式下的流程示意图。
图3显示了本发明所述的高压设备绝缘故障诊断方法在一种实施方式下的操作流程。
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高压设备绝缘故障诊断方法和系统作进一步说明,但是该说明并不构成对本发明技术方案的不当限定。
图1为本发明所述的高压设备绝缘故障诊断系统在一种实施方式下的框架结构示意图。
如图1所示,在本实施方式中,高压设备绝缘故障诊断系统包括数据预处理模块和故障识别模块。
其中,数据预处理模块对表征高压设备若干种绝缘故障类型的局部放电信号的染噪数据进行预处理,以提取其相位分辨脉冲序列数据,并对相位分辨脉冲序列数据进行归一化处理。
而故障识别模块构建深度稀疏降噪自编码器,并基于归一化处理后的相位分辨脉冲序列数据对构建的深度稀疏降噪自编码器进行训练。在本实施方式中,深度稀疏降噪自编码器具有包括输入层、隐含层和输出分类层,其中,隐含层为4层,隐含层内的神经元个数为25,激活函数采用Sigmod函数,并且输出分类层采用Softmax分类器。
当需要对高压设备绝缘故障进行识别时,将待识别高压设备的染噪局部放电信号输入经过训练的深度稀疏降噪自编码器,以基于该深度稀疏降噪自编码器输出分类层的输出得到高压设备的缺陷类型。
本实施方式的高压设备绝缘故障诊断系统进行故障识别的方法可以参考图2和图3,其中,图2为本发明所述的高压设备绝缘故障诊断方法在一种实施方式下的流程示意图。
如图2所示,本实施方式中的高压设备绝缘故障诊断方法包括以下步骤:
步骤100:获取表征高压设备若干种绝缘故障类型的局部放电信号的染噪训练样本,基于染噪训练样本提取其相位分辨脉冲序列数据,对相位分辨脉冲序列数据进行归一化处理;
步骤200:通过归一化处理后的相位分辨脉冲序列数据对构建的深度稀疏降噪自编码器进行训练,得到经过训练的深度稀疏降噪自编码器;
步骤300:将待识别的高压设备的染噪局部放电信号输入经过训练的深度稀疏降噪自编码器,基于该深度稀疏降噪自编码器输出分类层的输出以得到高压设备的缺陷类型。
需要指出的是,在步骤100中,表征高压设备若干种绝缘故障类型的局部放电信号的染噪训练样本可以通过局部放电模拟试验以及典型干扰实验,利用特高频检测法获取染噪训练样本,例如:通过数字局放仪、示波器以及便携式局部放电检测仪获取诸如尖端电晕缺陷、悬浮电位缺陷、气隙放电缺陷以及沿面放电缺陷的绝缘故障类型的染噪训练样本。
当然,本领域内的技术人员也可以通过其他方式采集获取染噪训练样本,并不限于通过局部放电模拟试验以及典型干扰实验采集获得,并且绝缘故障类型也并不局限于尖端电晕缺陷、悬浮电位缺陷、气隙放电缺陷以及沿面放电缺陷,本领域内技术人员可以根据实施方式的具体情况进行设置,因此,在此,不再赘述。
图3进一步显示了本发明所述的高压设备绝缘故障诊断方法在一种实施方式下的操作流程。
将获取的染噪训练样本根据相位分辨的脉冲序列((Phase Resolved PulseSequence,简称PRPS)图谱提取得到相位分辨脉冲序列数据。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,其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,不同来源的局部放电信号的数据在相位分辨率和幅值分辨率上会有所区别。而在本实施方式中,PRPS图谱周期维度为50,相位分辨度为5,相位尺寸为72,也就是说,相位分辨脉冲序列数据的尺寸为50×72,所获取的相位分辨脉冲序列数据采用下式进行归一化处理:
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,y表示样本幅值,大小介于ymin至ymax之间。
归一化处理后获得的相位分辨脉冲序列数据的维度转化为60×60。
在步骤200中,归一化处理后的相位分辨脉冲序列数据分为训练集以及测试集,例如总共800组相位分辨脉冲序列数据,随机将其中的700组数据分为训练集,剩余的100组数据则为测试集,训练时,利用训练集对深度稀疏降噪自编码器进行训练,计算样本数据的输出,计算输出与样本标签的误差,利用随机梯度下降法对深度稀疏降噪自编码器的参数进行迭代更新,得到最优化参数。通过测试集最终验证深度稀疏降噪自编码器是否训练完成。深度稀疏降噪自编码器采用4层隐含层,隐含层神经元个数为25,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,输出分类层采用Softmax分类器。在训练过程中,为了防止出现过拟合的情况,深度稀疏降噪自编码器可以采用交叉熵代价函数。
在步骤300中,基于深度稀疏降噪自编码器模型确定待识别的高压设备的染噪局部放电信号的特征向量,并基于Softmax分类器进行模式识别。
为了验证本案的高压设备绝缘故障诊断方法的识别效果,将采用本案的高压设备绝缘故障诊断方法的实施例1与对比例1-2进行识别对比,对比结果列于表1。其中,对比例1采用的是基于统计特征的径向基函数(Radial Basis Function,简称RBF)支持向量机的识别方法,对比例2采用的是BP神经网络的识别方法。
表1.
由表1可以看出,虽然本案实施例1在部分局部放电绝缘缺陷类型的识别率低于对比例1或对比例2,但是本案实施例1整体表现稳定,针对不同的局部放电绝缘缺陷类型,实施例1识别率均高于85%,表现远远优于对比例1以及对比例2,由此说明了采用本案的高压设备绝缘故障诊断方法的实施例1具有更好的识别率以及更优的识别性能,非常适用于实际应用过程中对高压设备绝缘故进行识别。
综上所述,结合图1至图3以及表1可以看出,本发明所述的高压设备绝缘诊断方法以及系统可以对带有干扰例如染噪的局部放电信号进行有效的故障识别,从而能够及时有效地获取高压设备的绝缘故障情况,及时消除隐患,避免重大事故的发生,对于高压设备的安全维护具有指导意义。
此外,所述的高压设备绝缘故障诊断方法及系统的识别率较高,识别性能较优。
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)
1.一种高压设备绝缘故障诊断方法,其特征在于,包括步骤:
(1)获取表征高压设备若干种绝缘故障类型的局部放电信号的染噪训练样本,基于染噪训练样本提取其相位分辨脉冲序列数据,对相位分辨脉冲序列数据进行归一化处理;
(2)通过归一化处理后的相位分辨脉冲序列数据对构建的深度稀疏降噪自编码器进行训练,得到经过训练的深度稀疏降噪自编码器;
(3)将待识别的高压设备的染噪局部放电信号输入经过训练的深度稀疏降噪自编码器,基于该深度稀疏降噪自编码器输出分类层的输出以得到高压设备的缺陷类型。
2.如权利要求1所述的高压设备绝缘故障诊断方法,其特征在于,所述深度稀疏降噪自编码器包括输入层、隐含层和输出分类层。
3.如权利要求2所述的高压设备绝缘故障诊断方法,其特征在于,所述深度稀疏降噪自编码器具有4层隐含层。
4.如权利要求3所述的高压设备绝缘故障诊断方法,其特征在于,所述隐含层的神经元个数为25。
5.如权利要求2所述的高压设备绝缘故障诊断方法,其特征在于,所述深度稀疏降噪自编码器的输出分类层采用Softmax分类器。
6.如权利要求1所述的高压设备绝缘故障诊断方法,所述深度稀疏降噪自编码器的激活函数采用Sigmod函数。
7.如权利要求1所述的高压设备绝缘故障诊断方法,其特征在于,在步骤(2)中,采用随机梯度下降法对深度稀疏降噪自编码器进行训练,以对其参数进行迭代更新,得到最优化参数。
8.一种高压设备绝缘故障诊断系统,其特征在于,包括:
数据预处理模块,其对表征高压设备若干种绝缘故障类型的局部放电信号的染噪数据进行预处理,以提取其相位分辨脉冲序列数据,并对相位分辨脉冲序列数据进行归一化处理;
故障识别模块,其构建深度稀疏降噪自编码器,并基于归一化处理后的相位分辨脉冲序列数据对构建的深度稀疏降噪自编码器进行训练;
其中,当需要对高压设备绝缘故障进行识别时,将待识别高压设备的染噪局部放电信号输入经过训练的深度稀疏降噪自编码器,以基于该深度稀疏降噪自编码器输出分类层的输出得到高压设备的缺陷类型。
9.如权利要求8所述的高压设备绝缘故障诊断系统,其特征在于,所述深度稀疏降噪自编码器包括输入层、隐含层和输出分类层,且深度稀疏降噪自编码器具有下述特征的至少其中之一:
其具有4层隐含层;
其激活函数采用Sigmod函数;
其输出分类层采用Softmax分类器。
10.如权利要求9所述的高压设备绝缘故障诊断系统,其特征在于,所述隐含层的神经元个数为25。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810852615.5A CN109188211B (zh) | 2018-07-30 | 2018-07-30 | 一种高压设备绝缘故障诊断方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810852615.5A CN109188211B (zh) | 2018-07-30 | 2018-07-30 | 一种高压设备绝缘故障诊断方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109188211A true CN109188211A (zh) | 2019-01-11 |
CN109188211B CN109188211B (zh) | 2021-02-05 |
Family
ID=64937871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810852615.5A Active CN109188211B (zh) | 2018-07-30 | 2018-07-30 | 一种高压设备绝缘故障诊断方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109188211B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109901020A (zh) * | 2019-04-08 | 2019-06-18 | 珠海妙微科技有限公司 | 稀疏自动编码器优化神经网路的输电线路故障识别方法 |
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 |
CN110334866A (zh) * | 2019-07-05 | 2019-10-15 | 上海交通大学 | 考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法及系统 |
CN110334948A (zh) * | 2019-07-05 | 2019-10-15 | 上海交通大学 | 基于特征量预测的电力设备局部放电严重程度评估方法及系统 |
CN110348489A (zh) * | 2019-06-19 | 2019-10-18 | 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 |
CN111144303A (zh) * | 2019-12-26 | 2020-05-12 | 华北电力大学(保定) | 基于改进去噪自编码器的电力线信道传输特性识别方法 |
CN113655348A (zh) * | 2021-07-28 | 2021-11-16 | 国网湖南省电力有限公司 | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105606977A (zh) * | 2016-03-11 | 2016-05-25 | 华乘电气科技(上海)股份有限公司 | 基于分层规则推理的局部放电prps图谱识别方法及系统 |
CN106503654A (zh) * | 2016-10-24 | 2017-03-15 | 中国地质大学(武汉) | 一种基于深度稀疏自编码网络的人脸情感识别方法 |
CN106874952A (zh) * | 2017-02-16 | 2017-06-20 | 中国人民解放军国防科学技术大学 | 基于栈式自编码器的特征融合方法 |
CN108334907A (zh) * | 2018-02-09 | 2018-07-27 | 哈尔滨工业大学(威海) | 一种基于深度学习的复杂装备点异常检测方法及系统 |
-
2018
- 2018-07-30 CN CN201810852615.5A patent/CN109188211B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105606977A (zh) * | 2016-03-11 | 2016-05-25 | 华乘电气科技(上海)股份有限公司 | 基于分层规则推理的局部放电prps图谱识别方法及系统 |
CN106503654A (zh) * | 2016-10-24 | 2017-03-15 | 中国地质大学(武汉) | 一种基于深度稀疏自编码网络的人脸情感识别方法 |
CN106874952A (zh) * | 2017-02-16 | 2017-06-20 | 中国人民解放军国防科学技术大学 | 基于栈式自编码器的特征融合方法 |
CN108334907A (zh) * | 2018-02-09 | 2018-07-27 | 哈尔滨工业大学(威海) | 一种基于深度学习的复杂装备点异常检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
JIEJIE DAI ET AL.: "Cleaning Method for Status Monitoring Data of Power Equipment Based on Stacked Denoising Autoencoders", 《IEEE ACCESS》 * |
郗晓光 等: "基于深度稀疏降噪自编码网络的局部放电模式识别", 《电气自动化》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109901020A (zh) * | 2019-04-08 | 2019-06-18 | 珠海妙微科技有限公司 | 稀疏自动编码器优化神经网路的输电线路故障识别方法 |
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 |
CN110348489A (zh) * | 2019-06-19 | 2019-10-18 | 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 |
CN110334866A (zh) * | 2019-07-05 | 2019-10-15 | 上海交通大学 | 考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法及系统 |
CN110334948A (zh) * | 2019-07-05 | 2019-10-15 | 上海交通大学 | 基于特征量预测的电力设备局部放电严重程度评估方法及系统 |
CN110334866B (zh) * | 2019-07-05 | 2022-11-11 | 上海交通大学 | 考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法及系统 |
CN110334948B (zh) * | 2019-07-05 | 2023-04-07 | 上海交通大学 | 基于特征量预测的电力设备局部放电严重程度评估方法及系统 |
CN111144303A (zh) * | 2019-12-26 | 2020-05-12 | 华北电力大学(保定) | 基于改进去噪自编码器的电力线信道传输特性识别方法 |
CN113655348A (zh) * | 2021-07-28 | 2021-11-16 | 国网湖南省电力有限公司 | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质 |
CN113655348B (zh) * | 2021-07-28 | 2023-12-08 | 国网湖南省电力有限公司 | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109188211B (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109188211A (zh) | 一种高压设备绝缘故障诊断方法和系统 | |
CN109102012A (zh) | 一种局部放电信号的缺陷识别方法及系统 | |
CN112327219B (zh) | 特征自动挖掘和参数自动寻优的配电变压器故障诊断方法 | |
Jiang et al. | A decentralized unsupervised structural condition diagnosis approach using deep auto‐encoders | |
CN106384092B (zh) | 面向监控场景的在线低秩异常视频事件检测方法 | |
CN103076547B (zh) | 基于支持向量机的gis局部放电故障类型模式识别方法 | |
CN108573225A (zh) | 一种局部放电信号模式识别方法及系统 | |
CN109102032A (zh) | 一种基于深度森林和自编码的泵站机组诊断方法 | |
CN109635928A (zh) | 一种基于深度学习模型融合的电压暂降原因识别方法 | |
CN110161388A (zh) | 一种高压设备的故障类型识别方法及其系统 | |
CN109858503A (zh) | 基于梯度提升决策树的牵引变流器故障诊断方法 | |
CN105487009A (zh) | 基于k均值的RBF神经网络算法的电机故障诊断方法 | |
CN111294237B (zh) | 基于pmc模型的2-阶段网络故障诊断方法 | |
CN106950475A (zh) | 一种基于小波变换的局部放电信号提取方法及装置 | |
CN106570790A (zh) | 一种计及风速数据分段特性的风电场出力数据修复方法 | |
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 | |
CN110261746A (zh) | 基于振荡波电压周期衰减特性的电缆缺陷检测方法 | |
Cheng et al. | Power system fault classification method based on sparse representation and random dimensionality reduction projection | |
CN115983374A (zh) | 基于优化sa-cacgan的电缆局放数据库样本扩充方法 | |
CN113610119B (zh) | 基于卷积神经网络识别输电线路发展性故障的方法 | |
CN109088744A (zh) | 电力通信网络异常入侵检测方法、装置、设备及存储介质 | |
CN113269041B (zh) | 一种应用于同期装置的信号异常检测方法 | |
Duan et al. | Serial transfer learning (STL) theory for processing data insufficiency: Fault diagnosis of transformer windings | |
Tagaris et al. | Putting together wavelet-based scaleograms and convolutional neural networks for anomaly detection in nuclear reactors | |
Ma et al. | Fractal‐based autonomous partial discharge pattern recognition method for MV motors |
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 |