CN109670536A - 一种多源放电及干扰叠加情况下的局部放电信号聚类方法 - Google Patents

一种多源放电及干扰叠加情况下的局部放电信号聚类方法 Download PDF

Info

Publication number
CN109670536A
CN109670536A CN201811452770.4A CN201811452770A CN109670536A CN 109670536 A CN109670536 A CN 109670536A CN 201811452770 A CN201811452770 A CN 201811452770A CN 109670536 A CN109670536 A CN 109670536A
Authority
CN
China
Prior art keywords
clustering
signal
cluster
algorithm
local discharge
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
Application number
CN201811452770.4A
Other languages
English (en)
Other versions
CN109670536B (zh
Inventor
吴德贯
黄和燕
周禹
李红元
潘凯
龙方宇
夏辉
许毅
邵成林
杨栋
金辉
王鑫
罗朋振
肖黄能
孙琨
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.)
Maintenance and Test Center of Extra High Voltage Power Transmission Co
Original Assignee
Maintenance and Test Center of Extra High Voltage Power Transmission Co
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 Maintenance and Test Center of Extra High Voltage Power Transmission Co filed Critical Maintenance and Test Center of Extra High Voltage Power Transmission Co
Priority to CN201811452770.4A priority Critical patent/CN109670536B/zh
Publication of CN109670536A publication Critical patent/CN109670536A/zh
Application granted granted Critical
Publication of CN109670536B publication Critical patent/CN109670536B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明属于电气设备局部放电信号状态检测领域，公开了一种多源放电及干扰叠加情况下的局部放电信号聚类方法，如下第1步：输入需要聚类的样本数据；第2步：设定初始聚类数c＝1，并输入该初始聚类数；第3步：在所述初始聚类数下，从模糊C均值聚类算法、高斯混合模型聚类算法、GK模糊聚类算法和模糊最大似然聚类算法这四种聚类算法中选出最优的聚类算法；第4步：继续设定聚类数为c+1，重复上述第2步和第3步，直到c+1＞5，然后进入第5步；第5步：选出上述聚类有效性指标最优的聚类数及聚类方法，根据该最优聚类数及聚类方法对样本数据进行分析，输出聚类结果，实现局部放电信号聚类算法及聚类个数的自动优化。

Description

一种多源放电及干扰叠加情况下的局部放电信号聚类方法
技术领域
本发明属于电气设备局部放电信号状态检测领域，公开了一种多源放电及干扰叠加情况下的局部放电信号聚类方法。
背景技术
局部放电是反映大型电力设备绝缘状态的重要参量之一，也是发现高压绝缘设备潜在缺陷的重要手段，具有灵敏度高以及及时有效的特点。目前，局部放电状态检测技术在变电站现场得到了广泛应用。同时，由于现场复杂电磁干扰环境的影响，使得局部放电检测长期面临电磁干扰的技术瓶颈，误报、漏报问题十分严重。
现有的一些局部放电信号检测的聚类方法主要针对高频电流法，通过放电信号的时频特征进行手动信号的分离，多用在专家型检测设备上。对于UHF局部放电检测手段而言，由于信号频率高达数GHz，因为成本原因难以对原始UHF信号进行直接采样，因此也无法采用时频特征进行多源局部放电信号的分离。
同时，现有常规的一些聚类方法对不同的问题适应性不同，存在着诸如聚类数需要人为确定，不能自动获得最优聚类个数；对初始聚类中心的选取比较敏感，不能对任意形状的数据簇进行聚类等不足，常导致分类错误或失败，因此尚且不能满足局部放电状态检测自动化、智能化的需求。
发明内容
针对上述技术问题，本发明提出了一种多源放电及干扰叠加情况下的局部放电信号聚类方法，采用多分频检测方式的智能动态聚类策略和综合优化聚类流程，实现局部放电信号聚类算法及聚类个数的自动优化。
为了解决上述技术问题，本发明采用了如下技术方案。
一种多源放电及干扰叠加情况下的局部放电信号聚类方法，该聚类方法包括如下步骤：
第1步：输入需要聚类的样本数据。
第2步：设定初始聚类数c＝1，并输入该初始聚类数c。
第3步：在所述初始聚类数下，从模糊C均值聚类算法FCM、高斯混合模型聚类算法GMM、GK模糊聚类算法GKFC和模糊最大似然聚类算法FML这四种聚类算法中选出最优的聚类算法，方法为分别计算该四种聚类算法的聚类有效性指标，包括划分系数PC和分类熵CE，其中PC值最大且CE值最小的聚类算法为最优的聚类算法。
第4步：继续设定聚类数为c+1，重复上述第2步和第3步,直到c+1＞5，然后进入第5步。
第5步：选出上述聚类有效性指标最优的聚类数及聚类方法，根据该最优聚类数及聚类方法对样本数据进行分析，输出聚类结果。
进一步地，所述聚类有效性指标包括划分系数PC和分类熵CE，其中划分系数PC用于评判分类簇c之间的分离程度；分类熵CE用于计算分类簇c的模糊度；所述划分系数PC和分类熵CE的计算公式如下：
其中，μij代表第j点和第i分类簇的隶属关系，N代表聚类样本个数；
进一步地，所述最优的聚类有效性指标是其中PC值最大且CE值最小。
进一步地，所述样本数据经过信号调理器处理，该信号调理器输出的能量分数作为样本数据聚类分析的特征量，用于局部放电信号的分离。
进一步地，所述信号调理器包括信号调理器包括PIN限幅器(11)，PIN限幅器(11)设置在该信号调理器的信号入口前端，原始射频信号输入后经PIN限幅器(11)进行超量程信号的限幅保护，然后通过带通滤波器(12)作宽带滤波，之后，经过带通滤波器(12)宽带滤波后的信号输入耦合器(13)，耦合器(13)调整数控衰减器(14)的衰减量，经过数控衰减器(14)的射频信号经过前置放大器(15)放大处理，并被单刀双掷开关(16)分为两路分支；第一分支为窄带混频调理模式，射频信号经过衰减器(17)，然后在混频器(18)中与三个本振信号混频运算，再经低通滤波、放大器(19)放大及检波处理后输出；第二分支经耦合器(20)后又分为两路，其中一路直接输出宽带射频信号，另一路进检波器(21)和放大器(22)放大后以宽带检波输出。
进一步地，所述信号调理器的动态工作范围为-70dBm～10dBm，最大灵敏度为-73dBm。
本发明的多源放电及干扰叠加情况下的局部放电信号聚类方法与现有技术相比所产生的有益效果是：本发明方法运用在局部放电特高频检测过程中，适应各种现场复杂的电磁干扰环境，对多放电和干扰源叠加情况下的多源信号进行自动的分离，以便对每个来源的信号进行“单独”的诊断，避免由于混入干扰信号而造成信号特征湮灭在干扰中，保证诊断的准确性。提高多源信号分离的适应性和可靠性，满足自动化、智能化的需求。
附图说明
图1为本发明多源放电及干扰叠加情况下的局部放电信号聚类方法的流程图。
图2为本发明的信号调理器结构示意图。
图3为本发明图2的信号调理器使用效果图。
图4为使用本发明的聚类方法进行试验的试验布置示意图。
图5是图4的试验效果图。
其中附图中的标号：11-PIN限幅器；12-带通滤波器；13-耦合器；14-数控衰减器；15-前置放大器；16-单刀双掷开关；17-衰减器；18-混频器；19-放大器；20-10dB耦合器；21-检波器；22-放大器。
具体实施方式
下面通过附图和实施例对本发明作进一步详细说明，但本发明的保护范围不局限于所述内容。
实施例1
如图1所示为本发明公开的一种多源放电及干扰叠加情况下的局部放电信号聚类方法的流程。
第1步：输入需要聚类的样本数据。
由于部分类型的局部放电特高频原始信号的时频特征出现严重叠加，难以进行有效的放电信号分离。同时利用局部放电特高频信号的时频特征进行放电脉冲分离对硬件的采样率要求高，数据处理效率低，难以进行工程应用，现有方法并不能有效解决多源局部放电特高频信号的分离问题，为此设计出基于动态分频检测技术的信号调理器，用于分频测量的局部放电特高频信号，输出的低、中、高能量分数可作为聚类分析的特征量，用于多源信号的分离。
该信号调理器采用3个独立的本振源，通过串口控制实现了以10MHz步进方式对特高频全频段进行扫描，来寻找信噪比较高的分频率中心，等效于3个程控可调带通滤波放大器，不仅可避开现场各种复杂的干扰，而且具备了通过动态分频检测方式利用信号频谱分布差异进行聚类的硬件基础。
如图2所示，所述信号调理器包括信号调理器包括PIN限幅器11，PIN限幅器11设置在该信号调理器的信号入口前端，原始射频信号输入后经PIN限幅器11进行超量程信号的限幅保护，然后通过带通滤波器12对输入信号作300M-1.8GHz的宽带滤波。
之后，经过带通滤波器12宽带滤波后的输入信号输入耦合器13，耦合器13用以根据输入信号强度的不同，通过自动增益控制(AGC)调整数控衰减器14的衰减量耦。经过数控衰减器14的输入信号经过前置放大器15放大处理，并被单刀双掷开关16分为两路分支，TTL1为1位数控开关量，通过计算机程控方式选取接收信号调理器的工作模式。
第一分支为窄带混频调理模式，输入信号经过衰减器17，然后在混频器18中与三个本振信号混频运算，再经低通滤波、放大器19中频放大及检波处理后输出。
第二分支为直接宽带检波工作模式，经耦合器20后又分为两路，其中一路直接输出宽带射频信号，另一路进检波器21和放大器22放大后以宽带检波输出。
信号调理器的动态工作范围为-70dBm～10dBm，最大灵敏度为-73dBm。前置放大器模拟带宽为300M～2GHz，中心频率从300MHz～1.8GHz连续可调，中频信号经100MHz低通滤波后放大输出。
该信号调理器的使用效果图效果如图3所示，输入信号经过该信号调理器动态选频后以分频检波输出，包括低、中、高三个频段。
分别定义低、中、高三个频段的归一化能量分数：
E1＝V1/(V1+V2+V3)；
E2＝V2/(V1+V2+V3)；
E3＝V3/(V1+V2+V3)；
将三维E(E1，E2，E3)数据映射至二维J(J1，J2)数据空间。以J(J1，J2)作为聚类分析的特征量。
第2步：设定初始聚类数c＝1，并输入该初始聚类数c。
第3步：在所述初始聚类数下，从模糊C均值聚类算法FCM、高斯混合模型聚类算法GMM、GK模糊聚类算法GKFC和模糊最大似然聚类算法FML这四种聚类算法中选出最优的聚类算法，方法为分别计算该四种聚类算法的聚类有效性指标，包括划分系数PC和分类熵CE，其中PC值最大且CE值最小的聚类算法为最优的聚类算法。
模糊C均值聚类算法FCM，是用隶属度确定每个数据点属于某个聚类的程度的一种聚类算法。FCM把n个向量xi(i＝1，2，…，n)分为c个模糊组，并求每组的聚类中心，使非相似性指标的价值函数达到最小。FCM的价值函数(或目标函数)如下公式所示：
这里uij介于0，1间；ci为模糊组I的聚类中心，dij＝||ci-xj||为第I个聚类中心与第j个数据点间的欧氏距离；且m∈[1,∞)是一个加权指数，如本实施例中m取值为2。
根据初始聚类数c＝1，初始化聚类原型C后，利用式
及式
迭代计算确定最佳模糊分类矩阵和聚类中心，根据最佳模糊分类矩阵将信号分成c类。
高斯混合模型聚类算法GMM假设样本数据分布符合高斯混合模型，通过给定数据的拟合，确定各个高斯部件的参数，并得到一个模糊聚类，即每个样本以不同概率属于每个高斯分布，概率值可由以上参数计算得到。
高斯混合模型被定义为M个高斯密度函数的线性组合：
其中Ni(x；πi,∑i)为均值为μI，协方差为∑i的高斯分布，πi是混合参数，看做第i个高斯分布的权重，表征先验概率。且
且0≤πi≤1
Ni(x；πi,∑i)的概率密度函数为
将高斯混合密度函数中所有待定的参数记为θ，则似然函数为：
为了使问题简化，求处如下公式的最大值。
GK模糊聚类算法GKFC设集合X＝{x1,x2,...,xN}中元素xk(1≤k≤N)有n个特征，即xk＝{xk1,xk2,...,xkN}，现要把该集合分为c类(1≤c＜N)。V＝{v1,v2,...,vc)是c个聚类中心；令U＝[uik]c×N表示隶属度矩阵，其中元素uik(0≤uik≤1)表示第k个元素属于第i类隶属度(0≤i≤c)，且聚类准则是通过迭代调整(U,V)，使得下列目标函数Jm达到最小：
其中，为距离范数：
其中：Ai为一个正定矩阵，由聚类协方差矩阵Fi决定，Fi定义为：
ρi是常数，m≥1是模糊指数。协方差矩阵的特征值和特征向量提供了关于聚类形状的信息。
利用Lagrange乘法来优化目标函数，得到使其具有最小值点的(U,V)条件。
和模糊最大似然聚类算法FML的前期数据预处理步骤与模糊C均值聚类算法FCM方法类似，后续步骤分为以下五步：
(1)计算聚类中心：
(2)计算类模糊协方差矩阵
(3)计算距离
其中，1≤i≤c,1≤k≤N
(4)更新模糊划分矩阵
其中，1≤i≤c,1≤k≤N，直到||U(l)-U(l-1)||＜ε终止。
选取聚类有效性指标包括划分系数PC(Partition Coefficient)和分类熵CE(Classification Entropy)来评价聚类结果的优劣，从而选出最优的聚类算法。
划分系数PC用于评判分类簇c之间的分离程度，在分类簇数目相同的情况下，PC值越大，分类效果越好。分类熵CE用于计算分类簇c的模糊度，在分类簇数目相同的情况下，CE值越小，分类效果越好。两个指标的计算方法分别如下面的公式。
其中，μij代表第j点和第i分类簇的隶属关系，N代表聚类样本个数。
第4步：继续设定聚类数为c+1，重复上述第2步和第3步,直到c+1＞5，然后进入第5步。
第5步：选出上述聚类有效性指标最优的聚类数及聚类方法，根据该最优聚类数及聚类方法对样本数据进行分析，输出聚类结果。其中所述最优的聚类有效性指标是其中PC值最大且CE值最小。
实施例2
如图4、图5所示，通过实验验证本发明的聚类效果。
通过在GIS实体模型腔体内布置多种放电缺陷模拟现场多源放电的情况来进行验证。放电缺陷为金属异物、沿面放电和金属颗粒放电。其中，金属异物和沿面放电模型设置在放电腔TC1，金属颗粒放电设置在放电腔TC2。经过前期试验确定金属异物、沿面、金属颗粒缺陷的起始放电电压分别为：50，45，31kV，试验电压为52kV，保证各个放电缺陷都能稳定放电。
通过程序控制信号调理器三个通道通过采集单元同步检测，三个选通频率分别为300M、700M和1.2GHz，同步检测三路脉冲信号幅值，进而计算三路分频信号的能量分数，绘制于三维视图中。为了提高运算速度，采用PCA方法进行二维视图转换，进而再采用本发明所述的聚类方法进行信号分离。图5中，(a)为所有信号能量分数分布图，(b)为二维视图，(c)为叠加的放电模式谱图，(d)为分离后的悬浮放电模式谱图，(e)为分离后的沿面放电模式谱图，(f)为分离后的金属异物放电模式谱图，可以看出采用本文方法成功实现了多源放电的分离。
以上实施例仅用以说明本发明的技术方案，而非对其进行限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员来说，仍然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。

Claims (6)

1.一种多源放电及干扰叠加情况下的局部放电信号聚类方法，其特征在于，该聚类方法包括如下步骤：
第1步：输入需要聚类的样本数据；
第2步：设定初始聚类数c＝1，并输入该初始聚类数c；
第3步：在所述初始聚类数下，从模糊C均值聚类算法FCM、高斯混合模型聚类算法GMM、GK模糊聚类算法GKFC和模糊最大似然聚类算法FML这四种聚类算法中选出最优的聚类算法，方法为分别计算该四种聚类算法的聚类有效性指标，包括划分系数PC和分类熵CE，其中PC值最大且CE值最小的聚类算法为最优的聚类算法；
第4步：继续设定聚类数为c+1，重复上述第2步和第3步,直到c+1＞5，然后进入第5步；
第5步：选出上述聚类有效性指标最优的聚类数及聚类方法，根据该最优聚类数及聚类方法对样本数据进行分析，输出聚类结果。
2.如权利要求1所述多源放电及干扰叠加情况下的局部放电信号聚类方法，其特征在于，所述聚类有效性指标包括划分系数PC和分类熵CE，其中划分系数PC用于评判分类簇c之间的分离程度；分类熵CE用于计算分类簇c的模糊度；所述划分系数PC和分类熵CE的计算公式如下：
其中，μij代表第j点和第i分类簇的隶属关系，N代表聚类样本个数。
3.如权利要求1所述多源放电及干扰叠加情况下的局部放电信号聚类方法，其特征在于，所述最优的聚类有效性指标是其中PC值最大且CE值最小。
4.如权利要求1所述多源放电及干扰叠加情况下的局部放电信号聚类方法，其特征在于，所述样本数据经过信号调理器处理，该信号调理器输出的能量分数作为样本数据聚类分析的特征量，用于局部放电信号的分离。
5.如权利要求4所述多源放电及干扰叠加情况下的局部放电信号聚类方法，其特征在于，所述信号调理器包括信号调理器包括PIN限幅器(11)，PIN限幅器(11)设置在该信号调理器的信号入口前端，原始射频信号输入后经PIN限幅器(11)进行超量程信号的限幅保护，然后通过带通滤波器(12)作宽带滤波，之后，经过带通滤波器(12)宽带滤波后的信号输入耦合器(13)，耦合器(13)调整数控衰减器(14)的衰减量，经过数控衰减器(14)的射频信号经过前置放大器(15)放大处理，并被单刀双掷开关(16)分为两路分支；第一分支为窄带混频调理模式，射频信号经过衰减器(17)，然后在混频器(18)中与三个本振信号混频运算，再经低通滤波、放大器(19)放大及检波处理后输出；第二分支经耦合器(20)后又分为两路，其中一路直接输出宽带射频信号，另一路进检波器(21)和放大器(22)放大后以宽带检波输出。
6.如权利要求4或5所述多源放电及干扰叠加情况下的局部放电信号聚类方法，其特征在于，所述信号调理器的动态工作范围为-70dBm～10dBm，最大灵敏度为-73dBm。
CN201811452770.4A 2018-11-30 2018-11-30 一种多源放电及干扰叠加情况下的局部放电信号聚类方法 Active CN109670536B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811452770.4A CN109670536B (zh) 2018-11-30 2018-11-30 一种多源放电及干扰叠加情况下的局部放电信号聚类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811452770.4A CN109670536B (zh) 2018-11-30 2018-11-30 一种多源放电及干扰叠加情况下的局部放电信号聚类方法

Publications (2)

Publication Number Publication Date
CN109670536A true CN109670536A (zh) 2019-04-23
CN109670536B CN109670536B (zh) 2023-05-30

Family

ID=66144657

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811452770.4A Active CN109670536B (zh) 2018-11-30 2018-11-30 一种多源放电及干扰叠加情况下的局部放电信号聚类方法

Country Status (1)

Country Link
CN (1) CN109670536B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110208658A (zh) * 2019-05-23 2019-09-06 国网天津市电力公司电力科学研究院 一种对局部放电诊断结果进行多元互补交叉验证的方法
CN111103517A (zh) * 2020-01-20 2020-05-05 云南电网有限责任公司玉溪供电局 一种真空度局部放电脉冲群分类识别方法
CN111429432A (zh) * 2020-03-24 2020-07-17 聚融医疗科技(杭州)有限公司 基于射频处理和模糊聚类的热消融区域监测方法及系统
CN112198399A (zh) * 2020-09-07 2021-01-08 红相股份有限公司 一种多源电磁波信号的识别方法及终端
CN113791318A (zh) * 2021-09-01 2021-12-14 上海交通大学 基于多光谱检测阵列的局部放电故障识别方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102645620A (zh) * 2012-05-17 2012-08-22 广东电网公司电力科学研究院 基于时频特征参数的变电站多源局部放电检测方法及装置
CN103646354A (zh) * 2013-11-28 2014-03-19 国家电网公司 基于有效指标fcm和rbf神经网络的变电站负荷特性分类方法
CN104155585A (zh) * 2014-08-12 2014-11-19 国家电网公司 基于gk模糊聚类的gis局部放电类型识别方法
CN104485113A (zh) * 2014-12-23 2015-04-01 长沙理工大学 一种多故障源声发射信号分离方法
CN105137297A (zh) * 2015-08-21 2015-12-09 国网浙江省电力公司电力科学研究院 变电设备多源局部放电信号的分离方法及装置
CN105425126A (zh) * 2015-12-16 2016-03-23 国家电网公司 一种多局部放电源分离方法及其三频率中心调理装置
CN105938578A (zh) * 2016-04-13 2016-09-14 合肥工业大学 一种基于聚类分析的大规模光伏电站等值建模方法
CN107203785A (zh) * 2017-06-02 2017-09-26 常州工学院 多路径高斯核模糊c均值聚类算法
CN107590455A (zh) * 2017-09-05 2018-01-16 北京华电智成电气设备有限公司 一种基于小波分解的高频局放自适应滤波聚类方法及装置
CN108132428A (zh) * 2017-11-24 2018-06-08 国网北京市电力公司 局部放电多源分离的方法、装置
CN108663608A (zh) * 2018-07-31 2018-10-16 中国南方电网有限责任公司超高压输电公司检修试验中心 一种多源局部放电信号自动聚类分离方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102645620A (zh) * 2012-05-17 2012-08-22 广东电网公司电力科学研究院 基于时频特征参数的变电站多源局部放电检测方法及装置
CN103646354A (zh) * 2013-11-28 2014-03-19 国家电网公司 基于有效指标fcm和rbf神经网络的变电站负荷特性分类方法
CN104155585A (zh) * 2014-08-12 2014-11-19 国家电网公司 基于gk模糊聚类的gis局部放电类型识别方法
CN104485113A (zh) * 2014-12-23 2015-04-01 长沙理工大学 一种多故障源声发射信号分离方法
CN105137297A (zh) * 2015-08-21 2015-12-09 国网浙江省电力公司电力科学研究院 变电设备多源局部放电信号的分离方法及装置
CN105425126A (zh) * 2015-12-16 2016-03-23 国家电网公司 一种多局部放电源分离方法及其三频率中心调理装置
CN105938578A (zh) * 2016-04-13 2016-09-14 合肥工业大学 一种基于聚类分析的大规模光伏电站等值建模方法
CN107203785A (zh) * 2017-06-02 2017-09-26 常州工学院 多路径高斯核模糊c均值聚类算法
CN107590455A (zh) * 2017-09-05 2018-01-16 北京华电智成电气设备有限公司 一种基于小波分解的高频局放自适应滤波聚类方法及装置
CN108132428A (zh) * 2017-11-24 2018-06-08 国网北京市电力公司 局部放电多源分离的方法、装置
CN108663608A (zh) * 2018-07-31 2018-10-16 中国南方电网有限责任公司超高压输电公司检修试验中心 一种多源局部放电信号自动聚类分离方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李锐鹏 等: "开关柜多源局部放电信号分离及聚类方法研究", 《高压电器》 *
王彩雄 等: "局部放电超高频检测抗干扰与多源放电信号分离方法", 《电网技术》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110208658A (zh) * 2019-05-23 2019-09-06 国网天津市电力公司电力科学研究院 一种对局部放电诊断结果进行多元互补交叉验证的方法
CN111103517A (zh) * 2020-01-20 2020-05-05 云南电网有限责任公司玉溪供电局 一种真空度局部放电脉冲群分类识别方法
CN111429432A (zh) * 2020-03-24 2020-07-17 聚融医疗科技(杭州)有限公司 基于射频处理和模糊聚类的热消融区域监测方法及系统
CN111429432B (zh) * 2020-03-24 2024-05-03 聚融医疗科技(杭州)有限公司 基于射频处理和模糊聚类的热消融区域监测方法及系统
CN112198399A (zh) * 2020-09-07 2021-01-08 红相股份有限公司 一种多源电磁波信号的识别方法及终端
CN112198399B (zh) * 2020-09-07 2023-12-19 红相股份有限公司 一种多源电磁波信号的识别方法及终端
CN113791318A (zh) * 2021-09-01 2021-12-14 上海交通大学 基于多光谱检测阵列的局部放电故障识别方法及系统

Also Published As

Publication number Publication date
CN109670536B (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN109670536A (zh) 一种多源放电及干扰叠加情况下的局部放电信号聚类方法
CN108387802A (zh) 一种整车接地系统的电磁兼容评估方法及装置
CN102735999B (zh) Gis局部放电在线监测系统及其故障模式识别方法
CN109740641A (zh) 一种基于主成分分析和k-means聚类的台区用户识别方法
CN110012428A (zh) 一种基于WiFi的室内定位方法
CN107729916B (zh) 一种基于isodata的干扰源分类识别算法
CN110188647A (zh) 一种基于变分模态分解雷达辐射源特征提取及其分类方法
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
CN109165604A (zh) 基于协同训练的非侵入式负荷识别方法及其测试系统
CN103323749A (zh) 多分类器信息融合的局部放电诊断方法
CN109709474A (zh) 一种射频混合信号集成电路测试系统与测试方法
CN106203478A (zh) 一种用于智能电表大数据的负荷曲线聚类方法
CN108924756A (zh) 基于WiFi双频带的室内定位方法
Wang et al. Dynamic modified chaotic particle swarm optimization for radar signal sorting
CN115993504B (zh) 一种电气设备的智能故障诊断方法及系统
CN109884407A (zh) 电磁屏蔽效能测量系统及测量方法
Ahmadi et al. Types of EMD algorithms
CN110764152B (zh) 一种无人机快速检测与识别的装置及方法
CN113706840B (zh) 局部放电特高频监测分级报警电路及其报警装置和方法
Zhang et al. Non-intrusive load identification method based on color encoding and improve R-FCN
CN110492610A (zh) 一种允许带电操作的拓扑识别系统
CN113627289A (zh) 一种基于深度学习的电力设备识别方法及其装置
CN113191224A (zh) 一种无人机信号提取和识别方法、系统
Huang et al. FM broadcast monitoring using artificial intelligence
CN107272048B (zh) 一种基于模糊决策树的复杂核素识别方法

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