CN109975665B - 一种电力设备局部放电信号放电类型识别方法 - Google Patents
一种电力设备局部放电信号放电类型识别方法 Download PDFInfo
- Publication number
- CN109975665B CN109975665B CN201910223196.3A CN201910223196A CN109975665B CN 109975665 B CN109975665 B CN 109975665B CN 201910223196 A CN201910223196 A CN 201910223196A CN 109975665 B CN109975665 B CN 109975665B
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- discharge signal
- time
- signal
- value
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种电力设备局部放电信号放电类型识别方法,该方法包括以下步骤:S1、获取已知类型的局部放电时域波形,建立局部放电类型指纹库;S2、运用小波包对局部放电信号进行去噪预处理;S3、对局部放电信号进行S变换,得到时频矩阵A;S4、对局部放电信号进行谱峭度分解,提取出时频矩阵B;S5、对时频矩阵B进行奇异值分解,选取合适的奇异值个数,并归一化奇异值作为特征向量;S6、将训练样本的特征向量作为遗传算法优化的概率神经网络输入,训练得到最优概率神经网络结构;S7、将检验样本特征向量输入最优概率神经网络结构,得到局部放电信号类型。本发明公开的方法识别速度快,识别精度高。
Description
技术领域
本发明涉及电力技术领域,具体涉及一种电力设备局部放电信号放电类型识别方法。
背景技术
电力设备的局部放电不仅是设备绝缘缺陷的表现形式,也是设备绝缘破坏的主要原因,故对设备进行局部放电检测是及时发现故障隐患、保障设备安全可靠运行的重要手段。不同来源的局部放电信号对设备造成的危害不一样,而目前局部放电在线监测系统对局部放电信号类型识别的能力较弱,给运维人员的检修安排造成极大的困扰,故研究局部放电特征提取与放电类型识别算法,对电网安全运行具有重大的意义。
现有技术,一般采用小波变换提取特征参数,结合基于BP神经网络的多层感知机对局部放电信号进行识别,虽然与传统φ-q-n参数比较,减少了信号特征向量的维数,提升了识别精度,但小波变换容易受噪声干扰,有时候在多个尺度下的分析结论会互相矛盾,而且BP神经网络不是专门用于分类的算法,分类结果主要是采用四舍五入进行表示,缺乏直观性,在算法优化方面时,需要优化的权值与阈值参数过多,可能得不到很好的分类结果,在网络构建方面,由于BP神经网络需要不断调试,才能得到最佳BP网络结构,步骤繁琐,耗时长。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷,提供一种电力设备局部放电信号放电类型识别方法,该方法具有识别速度快、识别精度高、实现简单的特点。
本发明的目的可以通过采取如下技术方案达到:
一种电力设备局部放电信号放电类型识别方法,所述的识别方法包括下列步骤:
S1、获取已知类型的局部放电时域波形,建立局部放电类型指纹库;
S2、运用小波包对局部放电信号进行去噪预处理;
S3、对局部放电信号进行S变换,得到时频矩阵A;
S4、对局部放电信号进行谱峭度分解,提取出时频矩阵B;
S5、对时频矩阵B进行奇异值分解,选取合适的奇异值个数,并归一化奇异值作为特征向量;
S6、将训练样本的特征向量作为遗传算法优化的概率神经网络输入,训练得到最优PNN网络结构;
S7、将检验样本特征向量输入最优PNN网络结构,得到局部放电信号类型。
进一步地,所述步骤S1中,局部放电类型采用十进制数字标记,建立指纹库。
进一步地,所述步骤S2包括以下步骤:
S21、将局部放电时域波形进行小波包分解,得到近似分量和细节分量;
S23、将处理后的小波包系数进行重构,得到去噪后的局部放电信号。
进一步地,所述步骤S3过程如下:
对局部放电信号进行S变换,其中,局部放电信号为离散信号,对离散信号进行S变换计算公式为:
式中i,m,n=0,1,...,N-1,T、N分别为采样间隔和采样点数,x((i+n)/NT)是离散局部放电信号,S(m T,n/NT)为经过S变换后得到的时频矩阵,记为时频矩阵A,时频矩阵A中,m T代表时间序列,n/NT代表频率值。
进一步地,所述步骤S4包括以下步骤:
S41、对离散局部放电信号进行短时傅里叶变换,
S43、根据谱峭度性质,周期性窄带干扰谱峭度接近-1,平稳随机干扰谱峭度接近0,从时频矩阵A中提取出局部放电信号所在的频带范围的时频矩阵B。
进一步地,所述窗函数选择汉明窗函数,窗口长度选择2n。
进一步地,所述步骤S5包括以下步骤:
D=diag(λ1,λ2,...,λr)(r=min(m,n)),
奇异值λi满足λ1≥λ2≥...≥λr>0,ui和vi表示m、n维列向量;
S52、选取前n个奇异值,并将其归一化后作为特征向量T
T=[λ1’,λ2’,...,λn’],
进一步地,所述步骤S6包括以下步骤:
S61、使用matlab自带PNN函数构建PNN网络,其中,PNN网络参数如下:种群个体数NIND=40,最大遗传代数MAXGEN=20,代沟GGAP=0.95,交叉概率px=0.7,变异概率pm=0.01;
S62、确定优化参数为平滑因子δ,以分类准确率acc=Y预测/Y实际为适应度值;
S63、将训练样本的特征向量作为遗传算法优化的概率神经网络输入;
S64、使用谢菲尔德大学的遗传工具箱的遗传算法得到acc最高时的平滑因子δ,获得最佳PNN网络结构。
进一步地,所述步骤S64包括以下步骤:
S641、初始化种群;根据平滑因子δ的区间[0,100]形成初始种群[δ1,δ2,...,δNIND],NIND为种群个体数;
S642、将种群个体分别代入PNN网络训练,以分类准确率acc为适应度值;
S643、对种群进行分配适应度值、选择、重组变异,得到子代适应度值;
S644、将子代重插入父代,得到新种群与子代适应度值;
S645、记录每代平滑因子δ与分类准确率acc最优值;
S646、若遗传代数未达到最大,则将得到的平滑因子δ最优值代入概率神经网络,转到步骤S643,继续寻优;若遗传代数达到最大,退出运行,得到最佳PNN模型。
本发明相对于现有技术具有如下的优点及效果:
(1)利用S变换结合了小波变换和短时傅里叶变换的优点,其时频变换结果较为直观,在高频部分的频域分辨率较小波更高;
(2)通过谱峭度算法提取出局部放电主要特征信息所在的时频矩阵B,减少了计算的数据量,去除了冗余信息,提高了特征量提取精度;
(3)利用遗传算法优化概率神经网络,相较于传统BP神经网络,其分类速度更快、识别精度更高、网络构建更简单。
附图说明
图1是本发明中电力设备局部放电信号放电类型识别方法的流程示意图;
图2是四种局部放电时域波形示意图;其中,图2(a)是电缆本体放电波形示意图,图2(b)是电缆终端头放电波形示意图,图2(c)是表面放电波形示意图,图2(d)是电晕放电波形示意图;
图3是小波包对一样本时域波形去噪前后对比图;其中,图3(a)是去噪前电缆终端头放电波形示意图,图3(b)是去噪后电缆终端头放电波形示意图;
图4是一样本经过谱峭度算法提取出的局部放电频带范围图;
图5是奇异值数量与奇异值大小图;
图6是准确率acc随遗传代数t变化。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,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前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
本实施例公开了电力设备局部放电信号放电类型识别方法,该实施例中数据来源于10kV配电电缆,如图1所示,是本发明电力设备局部放电信号放电类型识别方法流程示意图,包括以下步骤:
S1、获取已知类型的局部放电时域波形,建立局部放电类型指纹库;
在步骤S1中,如图2中图2(a)-图2(d)所示,配电电缆有四种局部放电波形样本,分别为电缆本体放电、电缆终端头放电、表面放电、电晕放电,其采样频率为100MHZ,1500个采样点,并且可以看到其仍有少量噪声干扰。局部放电类型采用十进制数字标记,将上述放电类型分别标记为1,2,3,4,建立指纹库。
S2、运用小波包对局部放电信号进行去噪预处理;
在步骤S2中,包括以下步骤:
S21、将局部放电时域波形进行小波包分解,得到近似分量和细节分量;
S23、将处理后的小波包系数进行重构,得到去噪后的局部放电信号;
如图3中图3(a)和图3(b)所示,一电缆终端头样本经过小波包分解后,噪声明显被去除,证明小波包分解的有效性。
S3、对局部放电信号进行S变换,得到时频矩阵A;
在步骤S3中,离散信号S变换计算公式为:
式中i,m,n=0,1,...,N-1,T、N分别为采样间隔和采样点数,x((i+n)/NT)是离散局部放电信号,S(m T,n/NT)为经过S变换后得到的时频矩阵,记为时频矩阵A,时频矩阵A中,m T代表时间序列,n/NT代表频率值。
S4、对局部放电信号进行谱峭度分解,提取出时频矩阵B;
在步骤S4中,包括以下步骤:
S41、对离散局部放电信号进行短时傅里叶变换,
示例性地,在步骤S41中选择汉明窗函数,窗口长度选择2n,本实施例中选择窗口长度为96。
其中,Sn(f)为信号n阶谱矩,E<.>为均值计算,|.|为取模计算;
S43、根据谱峭度性质,周期性窄带干扰谱峭度接近-1,平稳随机干扰(可看作白噪声)谱峭度接近0,设置最大峭度的5%作为阈值,谱峭度小于阈值可认为是噪声,故可以从时频矩阵A中提取出局部放电信号所在的频带范围的时频矩阵B。
如图4所示,一电缆终端头样本经过谱峭度算法后,超过阈值的部分是局部放电信号主要特征所在的频带,可以看出其频带处于[0 10]MHZ,可以从矩阵A中提取出电缆终端头放电主要特征所在矩阵B。
S5、对时频矩阵B进行奇异值分解,选取合适的奇异值个数,并归一化奇异值作为特征向量;
在步骤S5中,包括以下步骤:
D=diag(λ1,λ2,...,λr)(r=min(m,n)),奇异值λi满足λ1≥λ2≥...≥λr>0,ui和vi表示m、n维列向量。
S52、选取前n个奇异值,并将其归一化后作为特征向量T=[λ1',λ2',...,λn'],选取奇异值的个数原则是其要包含PD信号大部分信息。
如图5,电缆前10个奇异值占全部奇异值的比重均超过60%,包含了PD信号的大部分信息,可认为前10个奇异值已能够很好地表示出电缆局部放电类型的差异。
S6、将训练样本的特征向量作为遗传算法优化的概率神经网络输入,训练得到最优PNN网络结构;
在步骤S6中,包括以下步骤:
S61、使用matlab自带PNN函数构建PNN网络;PNN网络参数为:种群个体数NIND=40,最大遗传代数MAXGEN=20,代沟GGAP=0.95,交叉概率px=0.7,变异概率pm=0.01。
S62、确定优化参数为平滑因子δ,以分类准确率acc=Y预测/Y实际为适应度值;
S63、将训练样本的特征向量作为遗传算法优化的概率神经网络输入;
S64、使用谢菲尔德大学的遗传工具箱的遗传算法得到acc最高时的平滑因子δ,获得最佳PNN网络结构;
如图6所示,通过遗传算法经过遗传代数t=11代后达到最高训练样本准确率acc=100%,得到概率神经网络最佳平滑因子δ=0.01797。
在本实施例中,步骤S64包括以下步骤:
S641、初始化种群;根据平滑因子δ的区间[0,100]形成初始种群[δ1,δ2,...,δNIND],NIND为种群个体数。
S642、将种群个体分别代入PNN网络训练,以分类准确率acc为适应度值。
S643、对种群进行分配适应度值、选择、重组变异,得到子代适应度值。
S644、将子代重插入父代,得到新种群与子代适应度值。
S645、记录每代平滑因子δ与分类准确率acc最优值。
S646、若遗传代数未达到最大,则将得到的平滑因子δ最优值代入概率神经网络,转到步骤S643,继续寻优;若遗传代数达到最大,退出运行,得到最佳PNN模型。
S7、将检验样本特征向量输入最优PNN网络结构,得到局部放电信号类型。
在本实施例中,使用4种各30组共120组作为训练样本得到的特征向量,经过遗传算法优化的概率神经网络训练后,得到最佳概率神经网络结构。将4种20组作为检验样本带入训练后的概率神经网络,得到分类准确率,如表1所示。说明本发明的方法对局部放电类型识别是可行的,网络识别率达到100%。
表1.遗传算法优化的概率神经网络识别效果
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 (8)
1.一种电力设备局部放电信号放电类型识别方法,其特征在于,所述的识别方法包括下列步骤:
S1、获取已知类型的局部放电时域波形,建立局部放电类型指纹库;
S2、运用小波包对局部放电信号进行去噪预处理;
S3、对局部放电信号进行S变换,得到时频矩阵A;
S4、对局部放电信号进行谱峭度分解,提取出时频矩阵B,所述步骤S4包括以下步骤:
S41、对离散局部放电信号进行短时傅里叶变换,
S43、根据谱峭度性质,周期性窄带干扰谱峭度接近-1,平稳随机干扰谱峭度接近0,从时频矩阵A中提取出局部放电信号所在的频带范围的时频矩阵B;
S5、对时频矩阵B进行奇异值分解,选取合适的奇异值个数,并归一化奇异值作为特征向量;
S6、将训练样本的特征向量作为遗传算法优化的概率神经网络输入,训练得到最优PNN网络结构;
S7、将检验样本特征向量输入最优PNN网络结构,得到局部放电信号类型。
2.根据权利要求1所述的一种电力设备局部放电信号放电类型识别方法,其特征在于,所述步骤S1中,局部放电类型采用十进制数字标记,建立指纹库。
5.根据权利要求1所述的一种电力设备局部放电信号放电类型识别方法,其特征在于,所述窗函数选择汉明窗函数,窗口长度选择2n。
7.根据权利要求1所述的一种电力设备局部放电信号放电类型识别方法,其特征在于,所述步骤S6包括以下步骤:
S61、使用matlab自带PNN函数构建PNN网络,其中,PNN网络参数如下:种群个体数NIND=40,最大遗传代数MAXGEN=20,代沟GGAP=0.95,交叉概率px=0.7,变异概率pm=0.01;
S62、确定优化参数为平滑因子δ,以分类准确率acc=Y预测/Y实际为适应度值;
S63、将训练样本的特征向量作为遗传算法优化的概率神经网络输入;
S64、使用谢菲尔德大学的遗传工具箱的遗传算法得到acc最高时的平滑因子δ,获得最佳PNN网络结构。
8.根据权利要求7所述的一种电力设备局部放电信号放电类型识别方法,其特征在于,所述步骤S64包括以下步骤:
S641、初始化种群;根据平滑因子δ的区间[0,100]形成初始种群[δ1,δ2,...,δNIND],NIND为种群个体数;
S642、将种群个体分别代入PNN网络训练,以分类准确率acc为适应度值;
S643、对种群进行分配适应度值、选择、重组变异,得到子代适应度值;
S644、将子代重插入父代,得到新种群与子代适应度值;
S645、记录每代平滑因子δ与分类准确率acc最优值;
S646、若遗传代数未达到最大,则将得到的平滑因子δ最优值代入概率神经网络,转到步骤S643,继续寻优;若遗传代数达到最大,退出运行,得到最佳PNN模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910223196.3A CN109975665B (zh) | 2019-03-22 | 2019-03-22 | 一种电力设备局部放电信号放电类型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910223196.3A CN109975665B (zh) | 2019-03-22 | 2019-03-22 | 一种电力设备局部放电信号放电类型识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109975665A CN109975665A (zh) | 2019-07-05 |
CN109975665B true CN109975665B (zh) | 2020-06-19 |
Family
ID=67080142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910223196.3A Active CN109975665B (zh) | 2019-03-22 | 2019-03-22 | 一种电力设备局部放电信号放电类型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109975665B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7297575B2 (ja) * | 2019-07-16 | 2023-06-26 | 株式会社東芝 | 部分放電診断装置、部分放電診断方法、部分放電診断システム及びコンピュータプログラム |
CN110503135B (zh) * | 2019-07-31 | 2023-04-25 | 上海交通大学烟台信息技术研究院 | 用于电力设备边缘侧识别的深度学习模型压缩方法及系统 |
CN111191548B (zh) * | 2019-12-23 | 2024-01-23 | 广东电网有限责任公司 | 一种基于s变换的放电信号识别方法及识别系统 |
CN112001246A (zh) * | 2020-07-20 | 2020-11-27 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于奇异值分解的局部放电类型识别方法及装置 |
CN112305380A (zh) * | 2020-09-01 | 2021-02-02 | 华南理工大学 | 一种基于s变换与谱峭度的局部放电白噪声抑制方法 |
CN112405072B (zh) * | 2020-11-11 | 2022-04-26 | 上海交通大学 | 一种机床切削颤振的在线监测方法及装置 |
CN112834878B (zh) * | 2021-01-05 | 2022-07-01 | 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的缺陷类型识别方法及系统 |
CN113269146B (zh) * | 2021-06-23 | 2023-04-28 | 西安交通大学 | 局部放电模式识别方法、装置、设备及存储介质 |
CN113516066B (zh) * | 2021-07-05 | 2023-08-08 | 内蒙古工业大学 | 电能质量扰动信号分类方法、装置、存储介质和电子设备 |
CN116381429B (zh) * | 2023-03-29 | 2024-03-29 | 上海莫克电子技术有限公司 | 在线局部放电检测结果的矫正方法及其系统 |
CN116203365B (zh) * | 2023-05-05 | 2023-07-18 | 南昌工程学院 | 基于野马算法优化pnn的gis设备局部放电检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07181218A (ja) * | 1993-12-24 | 1995-07-21 | Tokyo Electric Power Co Inc:The | 部分放電検出法及びその装置 |
CN103675616A (zh) * | 2013-11-15 | 2014-03-26 | 华南理工大学 | 电缆在线局部放电检测信号识别方法 |
CN106291293A (zh) * | 2016-10-27 | 2017-01-04 | 西南石油大学 | 一种基于谱峭度与s变换的局放信号自适应去噪方法 |
CN108020759A (zh) * | 2016-11-03 | 2018-05-11 | 云南电网有限责任公司普洱供电局 | 一种基于psogsa神经网络的xlpe电缆振荡波故障识别方法 |
CN108919067A (zh) * | 2018-05-28 | 2018-11-30 | 黔南民族师范学院 | 一种用于gis局部放电模式的识别方法 |
-
2019
- 2019-03-22 CN CN201910223196.3A patent/CN109975665B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07181218A (ja) * | 1993-12-24 | 1995-07-21 | Tokyo Electric Power Co Inc:The | 部分放電検出法及びその装置 |
CN103675616A (zh) * | 2013-11-15 | 2014-03-26 | 华南理工大学 | 电缆在线局部放电检测信号识别方法 |
CN106291293A (zh) * | 2016-10-27 | 2017-01-04 | 西南石油大学 | 一种基于谱峭度与s变换的局放信号自适应去噪方法 |
CN108020759A (zh) * | 2016-11-03 | 2018-05-11 | 云南电网有限责任公司普洱供电局 | 一种基于psogsa神经网络的xlpe电缆振荡波故障识别方法 |
CN108919067A (zh) * | 2018-05-28 | 2018-11-30 | 黔南民族师范学院 | 一种用于gis局部放电模式的识别方法 |
Non-Patent Citations (3)
Title |
---|
An approach to classify transient disturbances with incomplete S-transform and Morlet wavelet spectral kurtosis;Wenhui Li 等;《2015 5th International Conference on Information Science and Technology (ICIST)》;20151005;第249-253页 * |
基于GST的谱峭度法及其在滚动轴承故障诊断中的应用;杨佳鑫 等;《科技创新与应用》;20130430(第11期);第1-2页 * |
基于相关系数矩阵和概率神经网络的局部放电模式识别;苑津莎 等;《电力系统保护与控制》;20130701;第41卷(第13期);第110-115页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109975665A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109975665B (zh) | 一种电力设备局部放电信号放电类型识别方法 | |
Boczar et al. | Application possibilities of artificial neural networks for recognizing partial discharges measured by the acoustic emission method | |
Zhang et al. | A high efficient compression method for power quality applications | |
CN108693448B (zh) | 一种应用于电力设备局部放电模式识别系统 | |
CN112014692A (zh) | 基于主成分分析的局部放电特高频信号盲源分离去噪方法 | |
CN110686767A (zh) | 一种基于时频法与数据序列法的gis振动异响联合特征提取方法 | |
CN110703078A (zh) | 基于频谱能量分析与自组织竞争算法的gis故障诊断方法 | |
Vos et al. | High-quality consistent analysis-synthesis in sinusoidal coding | |
Das et al. | Cross spectrum aided surface condition assessment of metal oxide surge arrester employing convolutional neural network | |
CN114397569A (zh) | 基于vmd参数优化、样本熵的断路器故障电弧检测方法 | |
CN113268924B (zh) | 基于时频特征的变压器有载分接开关故障识别方法 | |
Dang et al. | Fault diagnosis of power transformer by acoustic signals with deep learning | |
CN111695543B (zh) | 一种基于行波时频特性的输电线路隐患放电类型辨识方法 | |
CN113988130A (zh) | 一种脉冲电流波形双时双频参数提取方法及系统 | |
CN113391244A (zh) | 一种基于vmd的变压器合闸振动信号特征频率计算方法 | |
Chaudhuri et al. | Denoising of partial discharge signal using a hybrid framework of total variation denoising-autoencoder | |
CN109917245B (zh) | 考虑相位差的超声检测局部放电信号模式识别方法 | |
Wang et al. | Partial Discharge Pattern Recognition Based on Multiscale Features of Original Time Domain Signals | |
CN112611914A (zh) | 一种光伏直流并网点的电压波动分析方法和系统 | |
Hao et al. | Identification of multiple partial discharge sources | |
Phukan et al. | Acoustic partial discharge signal analysis using digital signal processing techniques | |
Antonova | The Wavelet Filters Recognising of Partial Discharge Location | |
Bonini et al. | Detecting deterioration stages in epoxy resins specimens under partial discharge process | |
Petri et al. | Partial discharge spectrogram data augmentation based on generative adversarial networks | |
Sridhar et al. | Performance Evaluation of CS Based Speech Enhancement using Adaptive and Sparse Dictionaries |
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 |