CN110147739A - 一种基于多重分形谱算法的电抗器故障识别方法 - Google Patents
一种基于多重分形谱算法的电抗器故障识别方法 Download PDFInfo
- Publication number
- CN110147739A CN110147739A CN201910353190.8A CN201910353190A CN110147739A CN 110147739 A CN110147739 A CN 110147739A CN 201910353190 A CN201910353190 A CN 201910353190A CN 110147739 A CN110147739 A CN 110147739A
- Authority
- CN
- China
- Prior art keywords
- signal
- reactor
- vibration
- neural network
- follows
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
本发明公开了一种基于多重分形谱算法的电抗器故障识别方法,其步骤如下:步骤1:采集电抗器正常状态与故障状态的振动信号;步骤2:利用小波分解对采集到信号进行去噪;步骤3:应用多重分形谱算法提取去噪后电抗器振动信号的特征量;步骤4:选取去燥后电抗器振动信号构成样本集;构建BP神经网络并对网络进行训练,将训练好的神经网络作为分类器;步骤5:采集需要进行故障识别的电抗器振动信号,执行步骤2和3,将提取的特征量作为分类器的输入参数,分类器进行分类识别,得到输出的故障信号编码,实现故障诊断。本发明可实时监测高压并联电抗器的工作状态,满足并联电抗器实时故障诊断的要求。为高抗检修提供数据支撑和理论依据。
Description
技术领域
本发明属于电力设备故障诊断领域,尤其涉及一种基于多重分形谱算法的电抗器故障识别方法。
背景技术
油浸式电抗器是电力系统中不可缺少的重要设备,正确诊断电抗器的潜伏性故障对提高电力系统运行安全性和可靠性具有重要意义。目前针对电抗器的诊断都是以油中溶解气体分析(DGA)为主的方法,该方法虽然实现简单,但准确性不高,具有片面性。传统的三比值法在实际应用中出现了编码不全、多故障无法诊断等诸多问题。
因此,为了确保电抗器安全可靠地运行,状态监测和故障诊断方法是目前主要研究方案。目前现有技术中电抗器故障在线监测方法其故障正确识别率不高,夹杂了信号局部特性的小波细节系数,因此数字信号识别的效率不高,在识别故障状态,如绕组松动、绝缘老化、铁芯松动等故障的区分度上没有明显的差异性和区分性,计算效率和精度都受影响。
发明内容
发明目的:针对以上问题,本发明提出一种基于多重分形谱算法的电抗器故障识别方法,解决现有技术中电抗器诊断方法不准确问题,本发明的电抗器故障诊断方法识别精度大大提高。
技术方案:为实现本发明的目的,本发明所采用的技术方案是:一种基于多重分形谱算法的电抗器故障识别方法,包括以下步骤:
步骤1:采集电抗器正常状态与故障状态的振动信号;
步骤2:利用小波分解对采集到的电抗器振动信号进行去噪,得到去噪后的电抗器振动信号;
步骤3:应用多重分形谱算法提取步骤2中去噪后电抗器振动信号的特征量;
步骤4:选取去燥后电抗器振动信号构成样本集;将样本集经过步骤3处理得到振动信号的特征量,将振动信号的特征量作为BP神经网络的输入参数;采用4位二进制加权码表示振动信号编码,将振动信号编码作为神经网络目标输出;对神经网络进行训练,将训练好的神经网络作为分类器;
步骤5:采集需要进行故障识别的电抗器振动信号,执行步骤2和步骤3,将提取的特征量作为分类器的输入参数,采用分类器进行分类识别,得到分类器输出的故障信号编码,即可实现故障诊断。
进一步,步骤2中,利用小波分解对采集到的电抗器振动信号进行去噪,得到去噪后的电抗器振动信号;方法如下:
对振动信号进行小波分解,选择一个dbN小波,并确定小波分解的层次为k,然后对信号进行k层小波分解,k=1,2,…,N;所述dbN是小波基函数,进行小波分解需要确定一个小波基函数,以此为基准进行小波分解;优选地,k=3或者k=4;
设振动信号f(t)=V0,根据多分辨分析(multiresolution)的定义可作如下分解:
式中,V0为信号空间,Vj为第j个尺度子空间,Wj为第j个小波子空间,j=1,2,…N,N为任意常数;
将振动信号f(t)分解为在小波子空间和尺度子空间的投影之和,表达式如下:
式中,t表示采样时间,gj(t)表示第j个尺度子空间的细节信号,fj(t)表示第j个尺度子空间的概貌信号;细节信号gj(t)和概貌信号fj(t),表达式如下:
式中,k表示小波分解层数,ψj,k(t)为小波函数,<f,ψj,k>为小波的展开系数,dj,k表示k层分解后对应的第j个小波细节系数;为尺度函数,为尺度展开系数,cj,k表示k层分解后对应的第j个小波近似系数;通过小波分解获得小波近似系数cj,k,通过小波近似系数描述电抗器振动信号的波形。
进一步,步骤3中,应用多重分形谱算法提取步骤2中去噪后电抗器振动信号的特征量,步骤如下:
步骤3.1:定义概率测度,得到第i个小盒子内平均灰度值的数值分布概率pi(ε),表达式如下:
式中,si(ε)为当盒子尺度为ε时第i个小盒子内所有像素点的灰度数值之和;
步骤3.2:对pi(ε)加权求和,计算分配函数Xq(ε),表达式如下:
Xq(ε)=∑pi(ε)q (6)
式中,q为权重因子,-∞<q<+∞;
步骤3.3:Xq(ε)<εr(q)时,计算质量指数τ(q),表达式如下:
式中,εr(q)表示权重因子为q时分配函数的有效取值范围,如果Xq(ε)≥εr(q),质量指数τ(q)没有定义;
步骤3.4:计算多重分形谱特征参数D(q)及f(a);D(q)表示q次信息维,f(a)是相同奇异性指数a的分形维数,用于表征奇异性指数a的统计分布情况;
定义q次信息维D(q),表达式如下:
通过勒让德变换可获得两组参数:
f(a)=qa-τ(a) (10)
式中,τ(a)表示质量指数,由式(8)-(10)可获得多重分形谱特征参数D(q)和f(a)。
进一步,步骤4所述训练神经网络,方法如下:
步骤4.1:选取去燥后的电抗器振动信号构成样本集,样本数量为M;将样本集分为训练样本集和测试样本集;训练样本数量为m,m<M,测试样本数量为M-m;所述样本包括铁芯松动,短路,脱落这三种电抗器常见故障信号;
步骤4.2:将样本集经过步骤3处理,得到振动信号的多重分形谱的特征值D(q)、f(a),将特征值D(q)、f(a)作为BP神经网络的输入参数;采用4位二进制加权码表示振动信号编码,将振动信号编码作为神经网络目标输出;通过取8421权值,将正常信号编码记为00,铁芯松动、短路、脱落三种故障信号编码依次记为01、10、11;故障信号及其编码可根据实际情况调整对应;
步骤4.3:选用三层结构的BP神经网络,其中,输入层采用a个节点,隐含层采用b个节点,输出层采用c个节点,所述输入层采用的节点数量和特征值的数量一致;
步骤4.4:使用训练样本集数据得到步骤4.2所述神经网络的输入参数和输出,对神经网络进行训练,得到训练后的神经网络;
步骤4.5:使用测试样本集数据得到步骤4.2所述神经网络的输入参数,将输入参数输入训练后的神经网络,得到网络输出值;将网络输出与期望输出进行比较,判断训练结果是否达到预期,如果未达到,则返回步骤4.4重新进行训练,直到网络输出值和期望输出之间的误差达到系统要求。
有益效果:与现有技术相比,本发明的技术方案具有以下有益的技术效果:
(1)本发明将现场采集的电抗器振动信号先采用小波降噪可以较好的再现振动信号特征,有效的提高故障识别率,再选择用db4小波对振动信号进行4层分解得到小波近似系数,该系数完整的描述了信号的波形,避免了信号局部特性的小波细节系数,简化了信号处理的步骤;
(2)本发明采用多重分形谱的方法在估计精确度和对电抗器(绕组松动,铁芯松动,绝缘老化,绝缘油泄露)等故障的区分度上都有明显的差异性和区分性,同时具有较高的计算效率,将其作为电抗器振动信号的特征提取手段,可以将信号样本库映射到多重分形谱特征样本库,有效地提取了波形特征;
(3)本发明采用编码化的BP神经网络算法和多重分形谱技术相结合对电抗器多种故障进行识别,对于单个故障的正确识别率达到了75%以上,具有很高的工程适用性,同时使识别结果在智能化和人性化得到了提高。
附图说明
图1是本发明的流程图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本发明所述的一种基于多重分形谱算法的电抗器故障识别方法,具体流程见图1,所述方法包括以下步骤:
步骤1:采集电抗器正常状态与故障状态的振动信号;
步骤2:利用小波分解对采集到的电抗器振动信号进行去噪,得到去噪后的电抗器振动信号;
步骤3:应用多重分形谱算法提取步骤2中去噪后电抗器振动信号的特征量;
步骤4:选取去燥后电抗器振动信号构成样本集;将样本集经过步骤3处理得到振动信号的特征量,将振动信号的特征量作为BP神经网络的输入参数;采用4位二进制加权码表示振动信号编码,将振动信号编码作为神经网络目标输出;对神经网络进行训练,将训练好的神经网络作为分类器;
步骤5:采集需要进行故障识别的电抗器振动信号,执行步骤2和步骤3,将提取的特征量作为分类器的输入参数,采用分类器进行分类识别,得到分类器输出的故障信号编码,即可实现故障诊断。
在步骤2中,利用小波分解对采集到的电抗器振动信号进行去噪,得到去噪后的电抗器振动信号;方法如下:
对振动信号进行小波分解,选择一个db4小波,并确定小波分解的层次为4,然后对信号进行4层小波分解;所述db4是小波基函数,进行小波分解需要确定一个小波基函数,以此为基准进行小波分解;
设振动信号f(t)=V0,根据多分辨分析(multiresolution)的定义可作如下分解:
式中,V0为信号空间,Vj为第j个尺度子空间,Wj为第j个小波子空间,j=1,2,…N,N为任意常数;
将振动信号f(t)分解为在小波子空间和尺度子空间的投影之和,表达式如下:
式中,t表示采样时间,gj(t)表示第j个尺度子空间的细节信号,fj(t)表示第j个尺度子空间的概貌信号;细节信号gj(t)和概貌信号fj(t),表达式如下:
式中,k表示小波分解层数,ψj,k(t)为小波函数,<f,ψj,k>为小波的展开系数,dj,k表示k层分解后对应的第j个小波细节系数;为尺度函数,为尺度展开系数,cj,k表示k层分解后对应的第j个小波近似系数;通过小波分解获得小波近似系数cj,k,通过小波近似系数描述电抗器振动信号的波形。
在步骤3中,应用多重分形谱算法提取步骤2中去噪后电抗器振动信号的特征量,步骤如下:
步骤3.1:定义概率测度,得到第i个小盒子内平均灰度值的数值分布概率pi(ε),表达式如下:
式中,si(ε)为当盒子尺度为ε时第i个小盒子内所有像素点的灰度数值之和;
步骤3.2:对pi(ε)加权求和,计算分配函数Xq(ε),表达式如下:
Xq(ε)=∑pi(ε)q (6)
式中,q为权重因子,-∞<q<+∞;
步骤3.3:Xq(ε)<εr(q)时,计算质量指数τ(q),表达式如下:
式中,εr(q)表示权重因子为q时分配函数的有效取值范围,如果Xq(ε)≥εr(q),质量指数τ(q)没有定义;
步骤3.4:计算多重分形谱特征参数D(q)及f(a);D(q)表示q次信息维,f(a)是相同奇异性指数a的分形维数,用于表征奇异性指数a的统计分布情况;
定义q次信息维D(q),表达式如下:
通过勒让德变换可获得两组参数:
f(a)=qa-τ(a) (10)
式中,τ(a)表示质量指数,由式(8)-(10)可获得多重分形谱特征参数D(q)和f(a)。
步骤4所述训练神经网络,方法如下:
步骤4.1:选取去燥后的电抗器振动信号构成样本集,样本数量为160个;将样本集分为训练样本集和测试样本集;训练样本数量为120个,测试样本数量为40个;所述样本包括铁芯松动,短路,脱落这三种电抗器常见故障信号;
步骤4.2:将样本集经过步骤3处理,得到振动信号的多重分形谱的特征值D(q)、f(a),将特征值D(q)、f(a)作为BP神经网络的输入参数;采用4位二进制加权码表示振动信号编码,将振动信号编码作为神经网络目标输出;通过取8421权值,将正常信号编码记为00,铁芯松动、短路、脱落三种故障信号编码依次记为01、10、11;故障信号及其编码可根据实际情况调整对应;
步骤4.3:选用三层结构的BP神经网络,其中,输入层采用2个节点,隐含层采用15个节点,输出层采用2个节点,所述输入层采用的节点数量和特征值的数量一致;
步骤4.4:使用训练样本集数据得到步骤4.2所述神经网络的输入参数和输出,对神经网络进行训练,得到训练后的神经网络;
步骤4.5:使用测试样本集数据得到步骤4.2所述神经网络的输入参数,将输入参数输入训练后的神经网络,得到网络输出值;将网络输出与期望输出进行比较,判断训练结果是否达到预期,如果未达到,则返回步骤4.4重新进行训练,直到网络输出值和期望输出之间的误差达到系统要求。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (5)
1.一种基于多重分形谱算法的电抗器故障识别方法,其特征在于:该方法包括以下步骤:
步骤1:采集电抗器正常状态与故障状态的振动信号;
步骤2:利用小波分解对采集到的电抗器振动信号进行去噪,得到去噪后的电抗器振动信号;
步骤3:应用多重分形谱算法提取步骤2中去噪后电抗器振动信号的特征量;
步骤4:选取去燥后电抗器振动信号构成样本集;将样本集经过步骤3处理得到振动信号的特征量,将振动信号的特征量作为BP神经网络的输入参数;采用4位二进制加权码表示振动信号编码,将振动信号编码作为神经网络目标输出;对神经网络进行训练,将训练好的神经网络作为分类器;
步骤5:采集需要进行故障识别的电抗器振动信号,执行步骤2和步骤3,将提取的特征量作为分类器的输入参数,采用分类器进行分类识别,得到分类器输出的故障信号编码,即可实现故障诊断。
2.根据权利要求1所述的一种基于多重分形谱算法的电抗器故障识别方法,其特征在于:步骤2中,利用小波分解对采集到的电抗器振动信号进行去噪,得到去噪后的电抗器振动信号;方法如下:
对振动信号进行小波分解,选择一个dbN小波,并确定小波分解的层次为k,然后对信号进行k层小波分解,k=1,2,…,N;所述dbN是小波基函数;
设振动信号f(t)=V0,根据多分辨分析(multiresolution)的定义可作如下分解:
式中,V0为信号空间,Vj为第j个尺度子空间,Wj为第j个小波子空间,j=1,2,…N,N为任意常数;
将振动信号f(t)分解为在小波子空间和尺度子空间的投影之和,表达式如下:
式中,t表示采样时间,gj(t)表示第j个尺度子空间的细节信号,fj(t)表示第j个尺度子空间的概貌信号;细节信号gj(t)和概貌信号fj(t),表达式如下:
式中,k表示小波分解层数,ψj,k(t)为小波函数,<f,ψj,k>为小波的展开系数,dj,k表示k层分解后对应的第j个小波细节系数;为尺度函数,为尺度展开系数,cj,k表示k层分解后对应的第j个小波近似系数;通过小波分解获得小波近似系数cj,k,通过小波近似系数描述电抗器振动信号的波形。
3.根据权利要求1所述的一种基于多重分形谱算法的电抗器故障识别方法,其特征在于:步骤3中,应用多重分形谱算法提取步骤2中去噪后电抗器振动信号的特征量,步骤如下:
步骤3.1:定义概率测度,得到第i个小盒子内平均灰度值的数值分布概率pi(ε),表达式如下:
式中,si(ε)为当盒子尺度为ε时第i个小盒子内所有像素点的灰度数值之和;
步骤3.2:对pi(ε)加权求和,计算分配函数Xq(ε),表达式如下:
Xq(ε)=∑pi(ε)q (6)
式中,q为权重因子,-∞<q<+∞;
步骤3.3:Xq(ε)<εr(q)时,计算质量指数τ(q),表达式如下:
式中,εr(q)表示权重因子为q时分配函数的有效取值范围;
步骤3.4:计算多重分形谱特征参数D(q)及f(a);D(q)表示q次信息维,f(a)是相同奇异性指数a的分形维数,用于表征奇异性指数a的统计分布情况;
定义q次信息维D(q),表达式如下:
通过勒让德变换可获得两组参数:
f(a)=qa-τ(a) (10)
式中,τ(a)表示质量指数,由式(8)-(10)可获得多重分形谱特征参数D(q)和f(a)。
4.根据权利要求1-3任一所述的一种基于多重分形谱算法的电抗器故障识别方法,其特征在于:步骤4所述训练神经网络,方法如下:
步骤4.1:选取去燥后的电抗器振动信号构成样本集,样本数量为M;将样本集分为训练样本集和测试样本集;训练样本数量为m,m<M,测试样本数量为M-m;所述样本包括铁芯松动,短路,脱落这三种电抗器常见故障信号;
步骤4.2:将样本集经过步骤3处理,得到振动信号的多重分形谱的特征值D(q)、f(a),将特征值D(q)、f(a)作为BP神经网络的输入参数;采用4位二进制加权码表示振动信号编码,将振动信号编码作为神经网络目标输出;
步骤4.3:选用三层结构的BP神经网络,其中,输入层采用a个节点,隐含层采用b个节点,输出层采用c个节点,所述输入层采用的节点数量和特征值的数量一致;
步骤4.4:使用训练样本集数据得到步骤4.2所述神经网络的输入参数和输出,对神经网络进行训练,得到训练后的神经网络;
步骤4.5:使用测试样本集数据得到步骤4.2所述神经网络的输入参数,将输入参数输入训练后的神经网络,得到网络输出值;将网络输出与期望输出进行比较,判断训练结果是否达到预期,如果未达到,则返回步骤4.4重新进行训练,直到网络输出值和期望输出之间的误差达到系统要求。
5.根据权利要求4所述的一种基于多重分形谱算法的电抗器故障识别方法,其特征在于:步骤4.2所述采用4位二进制加权码表示振动信号编码,方法如下:通过取8421权值,将正常信号编码记为00,铁芯松动、短路、脱落三种故障信号编码依次记为01、10、11。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910353190.8A CN110147739A (zh) | 2019-04-29 | 2019-04-29 | 一种基于多重分形谱算法的电抗器故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910353190.8A CN110147739A (zh) | 2019-04-29 | 2019-04-29 | 一种基于多重分形谱算法的电抗器故障识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110147739A true CN110147739A (zh) | 2019-08-20 |
Family
ID=67593842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910353190.8A Withdrawn CN110147739A (zh) | 2019-04-29 | 2019-04-29 | 一种基于多重分形谱算法的电抗器故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110147739A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110726957A (zh) * | 2019-11-05 | 2020-01-24 | 国网江苏省电力有限公司宜兴市供电分公司 | 一种干式电抗器的故障识别方法 |
CN113092083A (zh) * | 2021-02-03 | 2021-07-09 | 中国船级社 | 一种基于分形维数和神经网络的机泵故障诊断方法和装置 |
CN113311356A (zh) * | 2021-04-15 | 2021-08-27 | 西安交通大学 | 基于时频特征关联的高压并联电抗器故障在线监测方法 |
CN114279704A (zh) * | 2021-12-28 | 2022-04-05 | 德力佳传动科技(江苏)有限公司 | 一种风电齿轮箱行星级运行状态的监测方法及系统 |
-
2019
- 2019-04-29 CN CN201910353190.8A patent/CN110147739A/zh not_active Withdrawn
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110726957A (zh) * | 2019-11-05 | 2020-01-24 | 国网江苏省电力有限公司宜兴市供电分公司 | 一种干式电抗器的故障识别方法 |
CN113092083A (zh) * | 2021-02-03 | 2021-07-09 | 中国船级社 | 一种基于分形维数和神经网络的机泵故障诊断方法和装置 |
CN113311356A (zh) * | 2021-04-15 | 2021-08-27 | 西安交通大学 | 基于时频特征关联的高压并联电抗器故障在线监测方法 |
CN114279704A (zh) * | 2021-12-28 | 2022-04-05 | 德力佳传动科技(江苏)有限公司 | 一种风电齿轮箱行星级运行状态的监测方法及系统 |
CN114279704B (zh) * | 2021-12-28 | 2022-11-22 | 德力佳传动科技(江苏)有限公司 | 一种风电齿轮箱行星级运行状态的监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110147739A (zh) | 一种基于多重分形谱算法的电抗器故障识别方法 | |
CN111751763B (zh) | 一种基于GSMallat-NIN-CNN网络的电力变压器绕组故障诊断方法 | |
CN109685138B (zh) | 一种xlpe电力电缆局部放电类型识别方法 | |
CN109884459B (zh) | 一种电力变压器绕组变形智能在线诊断定位方法 | |
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 | |
CN107909118B (zh) | 一种基于深度神经网络的配电网工况录波分类方法 | |
CN109975665B (zh) | 一种电力设备局部放电信号放电类型识别方法 | |
CN109444656A (zh) | 一种变压器绕组变形位置的在线诊断方法 | |
CN106404399B (zh) | 基于自适应冗余提升小波包分解树的轴承故障诊断方法 | |
CN108921124A (zh) | 一种变压器有载分接开关机械故障在线监测方法 | |
CN112069930A (zh) | 提升gis设备故障诊断准确率的振动信号处理方法及装置 | |
CN112763871A (zh) | 一种局部放电分类识别方法 | |
CN112305388B (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
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 | |
CN114397569A (zh) | 基于vmd参数优化、样本熵的断路器故障电弧检测方法 | |
CN109557434B (zh) | 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法 | |
CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
CN114157023A (zh) | 一种配变预警信息获取方法 | |
CN109946597A (zh) | 基于机电信号的分接开关运行状态评估方法 | |
CN111999591A (zh) | 一种配电网一次设备异常状态的识别方法 | |
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 | |
CN111239344A (zh) | 一种基于小波分析的气体分解物评估方法 | |
CN112560674A (zh) | 一种声音信号质量的检测方法及系统 | |
CN112114215A (zh) | 基于误差反向传播算法的变压器老化评估的方法及系统 | |
CN116993322A (zh) | 一种基于卷积网络的故障诊断方法及系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190820 |