CN109239553B - 一种基于局部放电脉冲局部密度的聚类方法 - Google Patents

一种基于局部放电脉冲局部密度的聚类方法 Download PDF

Info

Publication number
CN109239553B
CN109239553B CN201811080228.0A CN201811080228A CN109239553B CN 109239553 B CN109239553 B CN 109239553B CN 201811080228 A CN201811080228 A CN 201811080228A CN 109239553 B CN109239553 B CN 109239553B
Authority
CN
China
Prior art keywords
discharge pulse
partial discharge
pulse signals
local
pulse signal
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
CN201811080228.0A
Other languages
English (en)
Other versions
CN109239553A (zh
Inventor
韦瑞峰
陈永琴
赵荣普
陈欣
赵威
王清波
白双全
杨进
万子逸
周涛
张国志
王朝宇
李梦滔
朱有玉
魏敏敏
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.)
Kunming Power Supply Bureau of Yunnan Power Grid Co Ltd
Original Assignee
Kunming Power Supply Bureau of Yunnan Power Grid 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 Kunming Power Supply Bureau of Yunnan Power Grid Co Ltd filed Critical Kunming Power Supply Bureau of Yunnan Power Grid Co Ltd
Priority to CN201811080228.0A priority Critical patent/CN109239553B/zh
Publication of CN109239553A publication Critical patent/CN109239553A/zh
Application granted granted Critical
Publication of CN109239553B publication Critical patent/CN109239553B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明公开了一种基于局部放电脉冲局部密度的聚类方法，本发明首先利用局部放电脉冲信号的的等效时宽和等效的聚集性，获取局部放电脉冲信号的局部密度和距离，再根据局部放电脉冲信号的局部密度和距离两个参数对局部放电脉冲信号进行描述，实现对局部放电脉冲信号的聚类分析，减少了人为干预，提高了聚类分析的准确性，即使对特征量为非球面分布的局部放电脉冲信号仍能达到很好的聚类效果。

Description

一种基于局部放电脉冲局部密度的聚类方法
技术领域
本发明属于电通信诊断技术领域，涉及电力系统中的局部放电诊断技术，尤其涉及一种基于局部放电脉冲局部密度的聚类方法。
背景技术
局部放电(partial discharge，PD)(简称局放)是指电力设备局部区域存在放电的现象，其不仅是电力电缆绝缘老化的表现形式之一，同时也是电力电缆绝缘进一步劣化并导致绝缘失效的主要原因之一。如果不对电力设备的局部放电进行处理，该放电现象将会持续发展，最终导致电力设备绝缘失效，引发停电事故，造成大量人力、财力浪费。通过对电力电缆进行局部放电检测与分析，可为电力电缆绝缘诊断与监测提供可靠的评判依据。然而在实际局部放电检测中，采集到的局部放电脉冲信号通常包含多种缺陷类型的局部放电脉冲信号，因此为了准确有效的对单一类型的局部放电脉冲信号进行分析，需要首先对采集到的局部放电脉冲信号进行聚类，从而分离出不同缺陷类型的局部放电信号。
申请号为201410512284.2的专利申请文件公开了一种基于聚类算法和神经网络的变压器故障诊断方法，首先在原始样本中选取的故障样本集的特征量，然后利用k-means聚类方法对不同类型的放电进行聚类分离得到不同类型的局部放电信号，得到良好的神经网络训练样本，然后采用具有全局寻优能力的粒子群优化(PSO)算法与RBF神经网络学习相结合，实现对变压器故障类别的判断；由于该方法首先需要确定总的放电类型的数目且其与局部放电脉冲信号分布形状具有一定的关系，因此增加了工作量和不确定性，同时该聚类方法对非球面分布的特征量聚类结果较差。申请号为201410394763.9的专利申请文件公开了基于一种基于GK模糊聚类的GIS局部放电类型识别方法，该方法首先提取GIS局部放电灰度图像的分形特征，然后利用GK模糊聚类算法对提取的特征数据进行处理，隔离GIS现场干扰信号，再采用基于最小二乘支持向量机分类算法设计GIS局部放电模式识别器，识别GIS局部放电类型，通过该方法可实现不同类型局部放电脉冲的分离和噪声的抑制，但该方法中采用的GK模糊聚类算法仍需要对聚类总数进行事先预估，同样存在工作效率低和聚类效果难以保证的问题。
因此，开发一种实施方便、有效的局部放电脉冲聚类分离技术对于局部放电脉冲信号类型的正确判断及电力电缆局部放电监测具有十分重要的意义。
发明内容
针对目前局部放电聚类方法中存在的工作量大、准确性差等问题，本发明旨在提供一种基于局部放电脉冲局部密度的聚类方法，以实现对不同类型局部放电脉冲的准确分类。
本发明利用局部放电脉冲信号等效时宽和等效频宽的聚集性得到局部放电脉冲信号的局部密度，然后根据局部放电脉冲信号的局部密度和距离两个参数对每个局部放电脉冲信号进行描述，实现对局部放电信号的缺陷聚类分析。本发明提供的基于局部放电脉冲局部密度的聚类方法包括以下步骤：
(1)提取局部放电脉冲信号的等效时宽Tm和等效频宽Fm特征量；
(2)对局部放电脉冲信号的等效时宽和等效频宽进行标准化处理，得到标准化等效时宽Tm1和标准化等效频宽Fm1；
(3)计算两个局部放电信号脉冲由标准化等效时宽Tm1和标准化等效频宽Fm1产生的距离dmn，
Figure BDA0001801741670000021
其中m、n代表两个局部放电脉冲；
(4)按以下公式计算得到局部放电脉冲信号的局部密度ρm：
Figure BDA0001801741670000022
Figure BDA0001801741670000023
式中，Is\{m}为所有局部放电脉冲信号中除了第m个局部放电脉冲以外的索引集合，dc为大于0的截断距离，将所有dmn按升序排列，dc选取位于dmn总个数1％-2％处的dmn值；
(5)计算局部放电脉冲信号局部密度ρm与局部放电脉冲信号距离δm的乘积ρmδm，并将所有局部放电脉冲信号的ρmδm按降序排列，以大于0.02max(ρmδm)的个数作为局部放电脉冲信号的缺陷聚类类型数，然后按照当前局部放电脉冲信号的缺陷聚类类型与高于当前局部放电脉冲信号局部密度且距离最近的局部放电脉冲信号的缺陷聚类类型保持一致的原则将所有局部放电脉冲信号进行分配，完成对局部放电脉冲信号的聚类分析。
上述基于局部放电脉冲局部密度的聚类方法，所述局部放电脉冲信号由同一传感器在不同带宽、不同灵敏度条件对电力电缆进行测试得到的数据或由不同传感器对电力电缆进行测试得到的数据经反演(例如采用本领域常规的反卷积)到相同参考情况下得到。所述传感器为检测阻抗的阻抗传感器、高频电流传感器或超声探头等。
上述基于局部放电脉冲局部密度的聚类方法，步骤(1)中所述局部放电脉冲信号xm(ti)的等效时宽Tm和等效频宽Fm按以下公式计算：
Figure BDA0001801741670000031
Figure BDA0001801741670000032
式中，xm(ti)为第m个局部放电脉冲中第i个时刻ti采集的采样点，Xm(2πfi)为xm(ti)傅里叶变换后的第i个频率点fi对应的值，N为第m个局部放电脉冲中的采样点数，Δt为设定的采样间隔，Δf为设定的频率分辨率，t0、f0分别为时域中心和频域中心：
Figure BDA0001801741670000033
Figure BDA0001801741670000034
上述基于局部放电脉冲局部密度的聚类方法，步骤(2)中所述标准化等效时宽Tm1和标准化等效频宽Fm1按以下公式计算：
Figure BDA0001801741670000035
Figure BDA0001801741670000036
式中，mean()为均值函数，std()为标准差函数。
上述基于局部放电脉冲局部密度的聚类方法，步骤(5)中所述局部放电脉冲信号距离δm按以下公式计算：
Figure BDA0001801741670000037
当第m个局部放电脉冲的局部密度ρm最大(或者说第m个局部放电脉冲的局部密度大于等于其它所有局部放电脉冲的局部密度)时，δm取dmn中最大的；当除第m个局部放电脉冲以外的其它局部放电脉冲中的任一一个局部放电脉冲信号的局部密度大于ρm时，δm取所有大于局部密度ρm的局部放电脉冲信号中对应dmn最小的。
上述基于局部放电脉冲局部密度的聚类方法，为了减小聚类误差，该方法在局部放电脉冲信号聚类分析中，对于任一缺陷聚类类型的一个局部放电脉冲信号，在与其之间的距离小于设定值范围内存在属于其它缺陷聚类型的局部放电脉冲信号，则将该两个局部放电脉冲信号局部密度的平均值作为临时噪声阈值；遍历所有局部放电脉冲信号，将每一缺陷聚类型中的最大临时噪声阈值作为该缺陷聚类类型中的最终噪声阈值，将该缺陷聚类型内小于最终噪声阈值的局部放电脉冲信号划分为噪声。在优选的实施方式中，所述设定值为大于0的截断距离dc。
与现有技术相比，本发明提供的基于局部放电脉冲局部密度的聚类方法，具有如下十分突出的优点：
1、本发明首先利用局部放电脉冲信号的的等效时宽和等效的聚集性，获取局部放电脉冲信号的局部密度和距离，再根据局部放电脉冲信号的局部密度和距离两个参数对局部放电脉冲信号进行描述，实现对局部放电脉冲信号的自动选取与脉冲分离，完成聚类分析，由于不需要事先对大量样本数据进行学习，大大减少了工作量，实施起来较为容易。
2、本发明由于通过局部放电脉冲信号的局部谜底和距离便可直接实现对局部放电脉冲类别总数的判断，无需事先对缺陷类型总数进行预估，不仅减少了工作量，降低了聚类分析难度，而且减少了因预估带来的不确定，确保了聚类分析的准确性和有效性。
3、本发明由于利用局部放电脉冲信号的局部密度和距离实现对局部放电脉冲信号的聚类分析，与局部放电脉冲分布形状关系不大，因此即使对特征量为非球面分布的局部放电脉冲信号仍能达到很好的聚类效果。
4、本发明利用设定范围内的局部放电脉冲信号的平均密度为噪声阈值，实现对局部放电脉冲信号中的噪声和有效数据的划分，进一步减小了因人为设定阈值划分噪声(即人为干预)而造成的聚类不确定性，提高了局部放电脉冲信号聚类分析的准确性；此外，通过划分并剔除噪声，有望准确有效地对单一类型的局部放电脉冲信号进行分析，从而对电力电缆进行有效局部放电检测与分析，为电力电缆绝缘诊断与监测提供可靠的评判依据。
附图说明
图1为本发明基于局部放电脉冲局部密度的聚类方法流程示意图。
图2为本发明实施例1在35kV XLPE电力电缆上实际测试得到的不同类型的局部放电脉冲信号的等效时宽Tm和等效频宽Fm散点图。
图3为本发明实施例1基于局部放电脉冲局部密度的聚类分析中得到的局部密度与距离散点图。
图4为本发明实施例1基于局部放电脉冲局部密度的聚类分析中得到的局部放电脉冲信号局部密度与距离乘积图。
图5为本发明实施例1基于局部放电脉冲局部密度的聚类分析中得到的聚类结果图。
具体实施方式
以下将结合附图给出本发明实施例，并通过实施例对本发明的技术方案进行进一步的清楚、完整说明。显然，所述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。基于本发明内容，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
实施例1
本实施例针对的研究对象为35kV XLPE(YJV22-26/35-3×240)电力电缆，局部放电点位于电缆附件处，本实施例采用高频电流传感器对电力电缆附件上的不同类型缺陷产生的局部放电脉冲信号xm(ti)在地线上进行检测，xm(ti)为第m个局部放电脉冲中第i个时刻ti采集的采样点。
对上述采集的局部放大脉冲信号采用以下基于局部放电脉冲局部密度的聚类方法进行聚类分析，如图1所示，包括以下步骤：S1提取局部放电脉冲信号的等效时宽Tm和等效频宽Fm特征量，等效时宽Tm和等效频宽Fm按以下公式计算：
Figure BDA0001801741670000051
Figure BDA0001801741670000052
式中，Xm(2πfi)为xm(ti)傅里叶变换后的第i个频率点fi对应的值，N为第m个局部放电脉冲中的采样点数，本实施例中每个局部放电脉冲的采样点数均为1400，Δt为设定的采样间隔，取值为5ns，Δf为设定的频率分辨率，取值为357.14kHz，t0、f0分别为时域中心和频域中心：
Figure BDA0001801741670000061
Figure BDA0001801741670000062
提取的等效时宽Tm和等效频宽Fm特征量构成的局部放电脉冲信号散点图如图2所示。
S2对局部放电脉冲信号的等效时宽和等效频宽进行标准化处理，得到标准化等效时宽Tm1和标准化等效频宽Fm1，标准化等效时宽Tm1和标准化等效频宽Fm1按以下公式计算：
Figure BDA0001801741670000063
Figure BDA0001801741670000064
式中，mean()为均值函数，std()为标准差函数。
S3计算两个局部放电信号脉冲由标准化等效时宽Tm1和标准化等效频宽Fm1产生的距离dmn，
Figure BDA0001801741670000065
其中m、n为局部放电脉冲索引号，代表两个局部放电脉冲。
S4按以下公式计算得到局部放电脉冲信号的局部密度ρm：
Figure BDA0001801741670000066
Figure BDA0001801741670000067
式中，Is\{m}为所有局部放电脉冲信号中除了第m个局部放电脉冲以外的索引集合，dc为大于0的截断距离，将所有dmn按升序排列，dc选取位于dmn总个数2％处的dmn值。
S5按以下公式计算得到局部放电脉冲信号的距离δm：
Figure BDA0001801741670000071
当第m个局部放电脉冲的局部密度ρm最大(或者说第m个局部放电脉冲的局部密度大于等于其它所有局部放电脉冲的局部密度)时，δm取dmn中最大的；当除第m个局部放电脉冲以外的其它局部放电脉冲中的任一一个局部放电脉冲信号的局部密度大于ρm时，δm取所有大于局部密度ρm的局部放电脉冲信号中对应dmn最小的。
由局部放电脉冲信号局部密度ρm与局部放电脉冲信号距离δm构成的局部放电脉冲信号散点图如图3所示。
S6利用局部放电脉冲信号局部密度ρm与局部放电脉冲信号距离δm两个参数对局部放电脉冲信号进行聚类分析：计算局部放电脉冲信号局部密度ρm与局部放电脉冲信号距离δm的乘积ρmδm，并将所有局部放电脉冲信号的ρmδm按降序排列(如图4所示)，以大于0.02max(ρmδm)(本实施例中取0.02)的个数作为局部放电信号的缺陷聚类类型数，从图4中可以看出，大于0.02的点数为五个，因此本实施例中缺陷具体类型数为五个，与图2中给出的完全一致。图3中的点1、2、3、4、5所对应的局部放电脉冲分别代表五个缺陷聚类类型的聚类中心。非聚类中心的其它局部放电脉冲按照当前局部放电脉冲信号的缺陷聚类类型与高于当前局部放电信号局部密度且距离最近的局部放电脉冲信号的缺陷聚类类型保持一致的原则将所有局部放电脉冲信号进行分配(也即将一个局部放电脉冲信号局部密度与其周围的局部放电脉冲信号局部密度比较，首先选取比当前局部放电脉冲信号局部密度高的局部放电脉冲构成一个集合，再从该集合中选取与当前局部放电脉冲信号距离最近的局部放电脉冲，将当前局部放电脉冲信号与最终选取的局部放电脉冲信号归为同一缺陷聚类类型)，完成对局部放电信号的聚类分析。聚类分析结果如图5所示。
S7划分噪声：为了减小聚类误差，该方法在局部放电脉冲信号聚类分析中，对于任一缺陷聚类类型的一个局部放电脉冲信号，以其自身为中心，以截断距离dc为半径做圆，如图5所示，考察在该范围内(即与其之间的距离小于截断距离dc范围内)是否存在属于其它缺陷聚类型的局部放电脉冲信号，若存在则将该两个局部放电脉冲信号局部密度的平均值作为临时噪声阈值；遍历所有局部放电脉冲信号，将每一缺陷聚类型中的最大临时噪声阈值作为该缺陷聚类类型中的最终噪声阈值，将该缺陷聚类型内小于最终噪声阈值的局部放电脉冲信号划分为噪声。
从图5可以看出，通过本发明提供的基于局部放电脉冲局部密度的聚类方法能够有效分离不同类型的局部放电脉冲信号。

Claims (3)

1.一种基于局部放电脉冲局部密度的聚类方法，其特征在于包括以下步骤：
(1)提取局部放电脉冲信号的等效时宽Tm和等效频宽Fm特征量；
(2)对局部放电脉冲信号的等效时宽和等效频宽进行标准化处理，得到标准化等效时宽Tm1和标准化等效频宽Fm1；
(3)计算两个局部放电信号脉冲由标准化等效时宽Tm1和标准化等效频宽Fm1产生的距离dmn，
Figure FDA0002932739480000011
其中m、n代表两个局部放电脉冲；
(4)按以下公式计算得到局部放电脉冲信号的局部密度ρm：
Figure FDA0002932739480000012
Figure FDA0002932739480000013
式中，Is\{m}为所有局部放电脉冲信号中除了第m个局部放电脉冲以外的索引集合，dc为大于0的截断距离，将所有dmn按升序排列，dc选取位于dmn总个数1％-2％处的dmn值；
(5)计算局部放电脉冲信号局部密度ρm与局部放电脉冲信号距离δm的乘积ρmδm，并将所有局部放电脉冲信号的ρmδm按降序排列，以大于0.02max(ρmδm)的个数作为局部放电脉冲信号的缺陷聚类类型数，然后按照当前局部放电脉冲信号的缺陷聚类类型与高于当前局部放电脉冲信号局部密度且距离最近的局部放电脉冲信号的缺陷聚类类型保持一致的原则将所有局部放电脉冲信号进行分配，完成对局部放电脉冲信号的聚类分析；
步骤(1)中所述局部放电脉冲信号xm(ti)的等效时宽Tm和等效频宽Fm按以下公式计算：
Figure FDA0002932739480000014
Figure FDA0002932739480000015
式中，xm(ti)为第m个局部放电脉冲中第i个时刻ti采集的采样点，Xm(2πfi)为xm(ti)傅里叶变换后的第i个频率点fi对应的值，N为第m个局部放电脉冲中的采样点数，Δt为设定的采样间隔，Δf为设定的频率分辨率，t0、f0分别为时域中心和频域中心：
Figure FDA0002932739480000021
Figure FDA0002932739480000022
步骤(2)中所述标准化等效时宽Tm1和标准化等效频宽Fm1按以下公式计算：
Figure FDA0002932739480000023
Figure FDA0002932739480000024
式中，mean()为均值函数，std()为标准差函数；
步骤(5)中所述局部放电脉冲信号距离δm按以下公式计算：
Figure FDA0002932739480000025
2.根据权利要求1所述基于局部放电脉冲局部密度的聚类方法，其特征在于在局部放电脉冲信号聚类分析中，对于任一缺陷聚类类型的一个局部放电脉冲信号，在与其之间的距离小于设定值范围内若存在属于其它缺陷聚类类型的局部放电脉冲信号，则将该两个局部放电脉冲信号局部密度的平均值作为临时噪声阈值；遍历所有局部放电脉冲信号，将每一缺陷聚类类型中的最大临时噪声阈值作为该缺陷聚类类型中的最终噪声阈值，将该缺陷聚类类型内小于最终噪声阈值的局部放电脉冲信号划分为噪声。
3.根据权利要求2所述基于局部放电脉冲局部密度的聚类方法，其特征在于设定值为大于0的截断距离dc。
CN201811080228.0A 2018-09-17 2018-09-17 一种基于局部放电脉冲局部密度的聚类方法 Active CN109239553B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811080228.0A CN109239553B (zh) 2018-09-17 2018-09-17 一种基于局部放电脉冲局部密度的聚类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811080228.0A CN109239553B (zh) 2018-09-17 2018-09-17 一种基于局部放电脉冲局部密度的聚类方法

Publications (2)

Publication Number Publication Date
CN109239553A CN109239553A (zh) 2019-01-18
CN109239553B true CN109239553B (zh) 2021-04-02

Family

ID=65059521

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811080228.0A Active CN109239553B (zh) 2018-09-17 2018-09-17 一种基于局部放电脉冲局部密度的聚类方法

Country Status (1)

Country Link
CN (1) CN109239553B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110988619B (zh) * 2019-11-21 2022-05-10 苏州光格科技股份有限公司 一种多源放电信号分离方法以及分析判别方法
CN111444784B (zh) * 2020-03-11 2021-12-21 云领电气智能科技(苏州)有限公司 基于核主成分分析的电力设备放电信号分离分类方法
CN112308049A (zh) * 2020-12-04 2021-02-02 广微(中山)智能科技有限公司 基于电敏感区多类粒子的脉冲信号的特征提取识别方法
CN113325277A (zh) * 2021-04-30 2021-08-31 国能大渡河检修安装有限公司 一种局部放电处理方法
CN113406441B (zh) * 2021-07-27 2022-07-05 天津大学 基于聚类和迭代算法的柔性直流电网故障测距方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011033538A (ja) * 2009-08-04 2011-02-17 Mitsubishi Electric Corp ガス絶縁開閉装置の部分放電診断方法および部分放電診断装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105930862A (zh) * 2016-04-13 2016-09-07 江南大学 一种基于密度自适应距离的密度峰聚类算法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011033538A (ja) * 2009-08-04 2011-02-17 Mitsubishi Electric Corp ガス絶縁開閉装置の部分放電診断方法および部分放電診断装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Self-adaptive separation of multiple partial discharge sources based on optimized feature extraction of cumulative energy function;Ming-Xiao Zhu;《IEEE Transactions on Dielectrics and Electrical Insulation》;20170307;全文 *
电力设备监测数据的流式计算与动态可视化展示;李莉;《电力建设》;20170531;全文 *

Also Published As

Publication number Publication date
CN109239553A (zh) 2019-01-18

Similar Documents

Publication Publication Date Title
CN109239553B (zh) 一种基于局部放电脉冲局部密度的聚类方法
CN109146705B (zh) 一种用电特征指标降维与极限学习机算法进行窃电检测的方法
CN108520357B (zh) 一种线损异常原因的判别方法、装置及服务器
CN109816031B (zh) 一种基于数据不均衡度量的变压器状态评估聚类分析方法
CN114723704B (zh) 一种基于图像处理的纺织品质量评估方法
CN109359690B (zh) 基于卡口数据的车辆出行轨迹识别方法
CN113344134B (zh) 一种低压配电监控终端数据采集异常检测方法及系统
CN112949715A (zh) 一种基于svm的轨道交通故障诊断方法
DE112017007014T5 (de) Informationsverarbeitungsvorrichtung, Informationsverarbeitungsverfahren und Informationsverarbeitungsprogramm
CN115982602B (zh) 一种光伏变压器电故障检测方法
KR101255736B1 (ko) 단일편파 레이더를 이용한 기상 및 비기상 에코 분류 방법
CN112668612A (zh) 一种基于网格的局部放电信号聚类分析方法
CN112287980B (zh) 基于典型特征向量的动力电池筛选方法
CN113203954A (zh) 一种基于时频图像处理的电池故障诊断方法
CN114114039A (zh) 一种电池系统的单体电芯一致性的评估方法和装置
CN112462355A (zh) 一种基于时频三特征提取的对海目标智能检测方法
CN113805018A (zh) 一种配电网10kV电缆局部放电故障类型智能识别方法
CN108931463B (zh) 基于鞘流阻抗原理的血细胞脉冲识别方法及识别装置
CN117150244A (zh) 基于电参数分析的智能配电柜状态监测方法及系统
CN112801135A (zh) 一种基于特征量相关性的发电厂厂用电系统故障选线方法及设备
CN111507374A (zh) 一种基于随机矩阵理论的电网海量数据异常检测方法
CN116738261A (zh) 基于聚类分箱的数值型特征离散化归因分析方法及装置
CN113380318B (zh) 人工智能辅助流式细胞术40cd免疫表型检测方法及系统
CN112014821B (zh) 一种基于雷达宽带特征的未知车辆目标识别方法
CN113238128B (zh) 一种循环渐进式局部放电判别方法

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