CN110161330A - 基于灰度理论的变压器运行状态的振声检测方法以及装置 - Google Patents
基于灰度理论的变压器运行状态的振声检测方法以及装置 Download PDFInfo
- Publication number
- CN110161330A CN110161330A CN201910391520.2A CN201910391520A CN110161330A CN 110161330 A CN110161330 A CN 110161330A CN 201910391520 A CN201910391520 A CN 201910391520A CN 110161330 A CN110161330 A CN 110161330A
- Authority
- CN
- China
- Prior art keywords
- data
- data sequence
- transformer
- entropy
- indicate
- 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
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Abstract
本发明的实施例公开一种基于灰度理论的变压器运行状态的振声检测方法和装置,所述方法包括:步骤1,输入实测的变压器的振声信号的数据序列;步骤2,估计所述数据序列的分布概率Fm;步骤3,根据所述分布概率Fm,计算所述数据序列中每个数据所对应的熵值;步骤4,根据所述数据的熵值由大到小的顺序,重新排列所述数据序列;步骤5,根据重新排列的所述数据序列,逐点计算灰度矢量;步骤6,根据所述灰度矢量,判断变压器的运行状态。
Description
技术领域
本发明涉及变压器领域,尤其涉及一种基于灰度理论的变压器运行状态的振声检测方法以及装置。
背景技术
随着智能电网的高速发展,电力设备安全稳定运行显得尤其重要。目前,对超高压及以上电压等级的电力设备开展运行状态检测,尤其是对异常状态的检测显得愈加重要和迫切。电力变压器作为电力系统的重要组成部分,是变电站中最重要的电气设备之一,其可靠运行关系到电网的安全。一般而言,变压器的异常状态可分为铁芯异常与绕组异常。铁芯异常主要表现为铁芯饱和,绕组异常通常包括绕组变形、绕组松动等。
变压器异常状态检测的基本原理是提取变压器运行中的各特征量,分析、辨识并跟踪特征量以此监测变压器的异常运行状态。检测方法按照接触程度可分为侵入式检测和非侵入式检测;按照是否需停机检测可分为带电检测和停电检测;按照检测量类型可以分为电气量法和非电气量法等。相比而言,非侵入式检测可移植性强,安装更方便;带电检测不影响变压器运行;非电气量法与电力系统无电气连接,更为安全。当前变压器运行状态的常用检测方法中,包括检测局部放电的脉冲电流法和超声波检测法、检测绕组变形的频率响应法以及检测机械及电气故障的振动检测法等。这些检测方法主要检测变压器绝缘状况及机械结构状况,其中以变压器振动信号(振声)的检测最为全面,对于大部分变压器故障及异常状态均能有所反应。
变压器在运行过程中,铁芯硅钢片的磁致伸缩与绕组电动力引起的振动会向四周辐射不同幅值和频率的振声信号。变压器正常运行时对外发出的是均匀的低频噪声;如果发出不均匀声音,则属不正常现象。变压器在不同运行状态下会发出有区别性的声音,可通过对其发出声音的检测,掌握变压器的运行状况。值得关注的是,对变压器不同运行状态下发出声音的检测不仅可以检测很多种引起电气量变化的严重故障,还可以检测许多并未危及绝缘的没有引起电气量变化的异常状态,比如变压器内外部零部件松动等。
现有检测方法的不足:
由于振声检测方法利用了变压器发出的振动信号,很容易受到环境噪声的影响,所以此方法在实际工作环境中应用时常常得不到令人满意的结果。
发明内容
有鉴于此,本发明实施例提供一种基于灰度理论的变压器运行状态的振声检测方法和装置,能够提高检测精度。
一种基于灰度理论的变压器运行状态的振声检测方法,包括:
步骤1,输入实测的变压器的振声信号的数据序列;
S=[S1,S2,…,SN]
其中,S表示实测振声信号数据序列,长度为N;
Si表示序号为i的实测振声信号;
i=1,2,…,N;
步骤2,估计所述数据序列的分布概率Fm;
步骤3,根据所述分布概率Fm,计算所述数据序列中每个数据所对应的熵值;
步骤4,根据所述数据的熵值由大到小的顺序,重新排列所述数据序列;
其中,SH表示根据熵值Hn由大到小重新排列的数据序列;
Hn表示序号,Hn∈{1,2,…,N},n=1,2,…,N;
记录数据原来的序号,即
步骤5,根据重新排列的所述数据序列,逐点计算灰度矢量;
步骤6,根据所述灰度矢量,判断变压器的运行状态。
一种基于灰度理论的变压器运行状态的振声检测装置,包括:
获取单元,输入实测的变压器的振声信号的数据序列;
S=[S1,S2,…,SN]
其中,S表示实测振声信号数据序列,长度为N;
Si表示序号为i的实测振声信号;
i=1,2,…,N;
估计单元,估计所述数据序列的分布概率Fm;
第一计算单元,根据所述分布概率Fm,计算所述数据序列中每个数据所对应的熵值;
排列单元,根据所述数据的熵值由大到小的顺序,重新排列所述数据序列;
其中,SH表示根据熵值Hn由大到小重新排列的数据序列;
Hn表示序号,Hn∈{1,2,…,N},n=1,2,…,N;
记录数据原来的序号,即
第二计算单元,根据重新排列的所述数据序列,逐点计算灰度矢量;
判断单元,根据所述灰度矢量,判断变压器的运行状态。
本发明提出一种新的基于灰度理论的变压器运行状态振声检测方案,利用灰度值判断数据的突变从而确定检测信号的连续性,提高了状态监测的性能。所提出的方法具有较好的鲁棒性,计算简单。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明的实施例基于灰度理论的变压器运行状态的振声检测方法的示意图;
图2为本发明应用场景的基于灰度理论的变压器运行状态的振声检测方法的示意图;
图3为本发明的实施例基于灰度理论的变压器运行状态的振声检测装置的连接示意图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
应当明确,所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
为了描述的方便,描述以上装置是以功能分为各种单元/模块分别描述。当然,在实施本发明时可以把各单元/模块的功能在同一个或多个软件和/或硬件中实现。
如图1所示,为本发明所述的一种基于灰度理论的变压器运行状态的振声检测方法,包括:
步骤1,输入实测的变压器的振声信号的数据序列;
S=[S1,S2,…,SN]
其中,S表示实测振声信号数据序列,长度为N;
Si表示序号为i的实测振声信号;
i=1,2,…,N;
步骤2,估计所述数据序列的分布概率Fm;所述步骤2包括:
步骤21,确定所述数据的分布范围;
最大值最小值
分布范围Ω:Ω=[SMIN SMAX]
步骤22,确定区间个数;
计算相邻数据点的间隔:δi=Si+1-Si,i=1,2,…,N-1
计算间隔的最小值:
计算间隔的个数:
计算最佳的间隔个数:
步骤23,计算样本数据的分布概率。
所述步骤23包括:
步骤231,将分布范围Ω划分为M个区间,每个区间的分布范围为:
步骤232,统计落入区间Ωm的训练数据个数Cm,并计算分布概率Fm:
步骤3,根据所述分布概率Fm,计算所述数据序列中每个数据所对应的熵值;所述步骤3包括:步骤31,确定每个数据所在的区间:
如果
则Sn∈Ωm(m=1,2,…,M,n=1,2,…,N);
记为In=m,表示第n个数据点Sn位于第m个区间Ωm中;
步骤32,计算每个数据所对应的熵值:
Hn表示第n个数据点Sn所对应的熵值;
如果j≤0或者j>M:Cj=0,Cjlog2Cj=0。
步骤4,根据所述数据的熵值由大到小的顺序,重新排列所述数据序列;
其中,SH表示根据熵值Hn由大到小重新排列的数据序列;
Hn表示序号,Hn∈{1,2,…,N},n=1,2,…,N;
记录数据原来的序号,即
步骤5,根据重新排列的所述数据序列,逐点计算灰度矢量;所述步骤5包括:
其中:an表示第n点的二维灰度矢量;
zn=0.5SH(n)+0.5SH(n-1)
SH(n)表示数据序列SH中的第n点,即
步骤6,根据所述灰度矢量,判断变压器的运行状态。
所述步骤6包括:
ρn表示灰度比值;||*||2表示矢量*的L2模;
如果则变压器在时刻处于正常运行状态;
如果则变压器在时刻处于异常运行状态。
其中:
表示第n点根据熵值重新排序之前所对应的序号。
如图2所示,以下描述本发明的应用场景。包括:
1.输入实测的振声信号数据序列
S=[S1,S2,…,SN]
其中:
S:实测振声信号数据序列,长度为N
Si,i=1,2,…,N:序号为i的实测振声信号
2.估计数据序列的分布概率
(1)确定数据数据的分布范围
最大值SMAX:
最小值SMIN:
分布范围Ω:Ω=[SMIN SMAX]
(2)确定区间个数
计算相邻数据点的间隔:
δi=Si+1-Si,i=1,2,…,N-1
间隔的最小值:
间隔的个数
最佳的间隔个数
(3)计算样本数据的分布概率
将分布范围Ω划分为M个区间,每个区间的分布范围:
统计落入区间Ωm的训练数据个数Cm,并计算分布概率Fm:
3.计算数据序列中每个数据所对应的熵值
确定每个数据所在的区间:
如果
则Sn∈Ωm(m=1,2,…,M,n=1,2,…,N)。
记为In=m,意思是:
第n个数据点Sn位于第m个区间Ωm中。
计算每个数据所对应的熵值:
Hn表示第n个数据点Sn所对应的熵值。
如果j≤0或者j>M:Cj=0,Cjlog2Cj=0
4.根据数据点的熵值重新排列数据
按照熵值由大到小的顺序,重新排列数据
其中:
SH:根据熵值Hn由大到小重新排列的数据序列
Hn,n=1,2,…,N:序号,Hn∈{1,2,…,N}
记录下数据点原来的序号,即
5.逐点计算灰度矢量
an=[BnBn T]-1Bn TYn,n=2,3,…,N
其中:
an:第n点的二维灰度矢量
zn=0.5SH(n)+0.5SH(n-1)
SH(n):数据序列SH中的第n点,即SH(n)=SHn
6.判断变压器运行状态
ρn:灰度比值
||*||2:矢量*的L2模
如果则变压器在时刻处于正常运行状态
如果则变压器在时刻处于异常运行状态
其中:
第n点根据熵值重新排序之前多对应的序号
如图3所示,为本发明所述的一种基于灰度理论的变压器运行状态的振声检测装置,包括:
获取单元31,输入实测的变压器的振声信号的数据序列;
S=[S1,S2,…,SN]
其中,S表示实测振声信号数据序列,长度为N;
Si表示序号为i的实测振声信号;
i=1,2,…,N;
估计单元32,估计所述数据序列的分布概率Fm;
第一计算单元33,根据所述分布概率Fm,计算所述数据序列中每个数据所对应的熵值;
排列单元34,根据所述数据的熵值由大到小的顺序,重新排列所述数据序列;
其中,SH表示根据熵值Hn由大到小重新排列的数据序列;
Hn表示序号,Hn∈{1,2,…,N},n=1,2,…,N;
记录数据原来的序号,即
第二计算单元35,根据重新排列的所述数据序列,逐点计算灰度矢量;
判断单元36,根据所述灰度矢量,判断变压器的运行状态。
由于振声检测方法利用了变压器发出的振动信号,很容易受到环境噪声的影响,所以此方法在实际工作环境中应用时常常得不到令人满意的结果。
针对此问题,本专利提出一种新的基于灰度理论的变压器运行状态振声检测方法。所提出的方法利用灰度值判断数据的突变从而确定检测信号的连续性,提高了状态监测的性能。所提出的方法具有较好的鲁棒性,计算简单。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种基于灰度理论的变压器运行状态的振声检测方法,其特征在于,包括:
步骤1,输入实测的变压器的振声信号的数据序列;
S=[S1,S2,…,SN]
其中,S表示实测振声信号数据序列,长度为N;
Si表示序号为i的实测振声信号;
i=1,2,…,N;
步骤2,估计所述数据序列的分布概率Fm;
步骤3,根据所述分布概率Fm,计算所述数据序列中每个数据所对应的熵值;
步骤4,根据所述数据的熵值由大到小的顺序,重新排列所述数据序列;
其中,SH表示根据熵值Hn由大到小重新排列的数据序列;
Hn表示序号,Hn∈{1,2,…,N},n=1,2,…,N;
记录数据原来的序号,即
步骤5,根据重新排列的所述数据序列,逐点计算灰度矢量;
步骤6,根据所述灰度矢量,判断变压器的运行状态。
2.根据权利要求1所述的方法,其特征在于,所述步骤2包括:
步骤21,确定所述数据的分布范围;
最大值最小值
分布范围Ω:Ω=[SMIN SMAX]
步骤22,确定区间个数;
计算相邻数据点的间隔:δi=Si+1-Si,i=1,2,…,N-1
计算间隔的最小值:
计算间隔的个数:
计算最佳的间隔个数:
步骤23,计算样本数据的分布概率。
3.根据权利要求2所述的方法,其特征在于,所述步骤23包括:
步骤231,将分布范围Ω划分为M个区间,每个区间的分布范围为:
步骤232,统计落入区间Ωm的训练数据个数Cm,并计算分布概率Fm:
4.根据权利要求3所述的方法,其特征在于,所述步骤3包括:
步骤31,确定每个数据所在的区间:
如果
则Sn∈Ωm(m=1,2,…,M,n=1,2,…,N);
记为In=m,表示第n个数据点Sn位于第m个区间Ωm中;
步骤32,计算每个数据所对应的熵值:
Hn表示第n个数据点Sn所对应的熵值;
如果j≤0或者j>M:Cj=0,Cjlog2Cj=0。
5.根据权利要求4所述的方法,其特征在于,所述步骤5包括:
an=[BnBn T]-1Bn TYn,n=2,3,…,N;
其中:an表示第n点的二维灰度矢量;
zn=0.5SH(n)+0.5SH(n-1)
SH(n)表示数据序列SH中的第n点,即
6.根据权利要求5所述的方法,其特征在于,所述步骤6包括:
ρn表示灰度比值;||*||2表示矢量*的L2模;
如果则变压器在时刻处于正常运行状态;
如果则变压器在时刻处于异常运行状态;
其中:
表示第n点根据熵值重新排序之前所对应的序号。
7.一种基于灰度理论的变压器运行状态的振声检测装置,其特征在于,包括:
获取单元,输入实测的变压器的振声信号的数据序列;
S=[S1,S2,…,SN]
其中,S表示实测振声信号数据序列,长度为N;
Si表示序号为i的实测振声信号;
i=1,2,…,N;
估计单元,估计所述数据序列的分布概率Fm;
第一计算单元,根据所述分布概率Fm,计算所述数据序列中每个数据所对应的熵值;
排列单元,根据所述数据的熵值由大到小的顺序,重新排列所述数据序列;
其中,SH表示根据熵值Hn由大到小重新排列的数据序列;
Hn表示序号,Hn∈{1,2,…,N},n=1,2,…,N;
记录数据原来的序号,即
第二计算单元,根据重新排列的所述数据序列,逐点计算灰度矢量;
判断单元,根据所述灰度矢量,判断变压器的运行状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910391520.2A CN110161330B (zh) | 2019-05-10 | 2019-05-10 | 基于灰度理论的变压器运行状态的振声检测方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910391520.2A CN110161330B (zh) | 2019-05-10 | 2019-05-10 | 基于灰度理论的变压器运行状态的振声检测方法以及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110161330A true CN110161330A (zh) | 2019-08-23 |
CN110161330B CN110161330B (zh) | 2021-06-11 |
Family
ID=67634409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910391520.2A Expired - Fee Related CN110161330B (zh) | 2019-05-10 | 2019-05-10 | 基于灰度理论的变压器运行状态的振声检测方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110161330B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5995910A (en) * | 1997-08-29 | 1999-11-30 | Reliance Electric Industrial Company | Method and system for synthesizing vibration data |
RU2318194C1 (ru) * | 2006-06-05 | 2008-02-27 | Анатолий Захарович Багерман | Устройство для контроля и диагностирования состояния подшипников качения и других элементов газотурбинного двигателя |
CN102496163A (zh) * | 2011-11-03 | 2012-06-13 | 长安大学 | 一种基于灰度极值的背景重构方法 |
CN103914856A (zh) * | 2014-04-14 | 2014-07-09 | 贵州电网公司输电运行检修分公司 | 一种基于熵值的运动目标检测方法 |
CN103945217A (zh) * | 2014-04-17 | 2014-07-23 | 四川九洲电器集团有限责任公司 | 基于熵的复小波域半盲图像质量评测方法和系统 |
CN104523295A (zh) * | 2014-07-22 | 2015-04-22 | 陕西师范大学 | 一种利用超声图像熵特性检测肌肉疲劳进程的系统及方法 |
CN105021334A (zh) * | 2014-06-11 | 2015-11-04 | 南通大学 | 基于多权值神经网络的风机能耗监测识别方法 |
CN106443379A (zh) * | 2016-09-22 | 2017-02-22 | 广州供电局有限公司 | 变压器局部放电故障类型的识别方法和装置 |
CN106503660A (zh) * | 2016-10-31 | 2017-03-15 | 天津大学 | 基于图像微结构频数分析的时间序列复杂度测算方法 |
CN108062514A (zh) * | 2017-11-28 | 2018-05-22 | 西安理工大学 | 一种基于三维谱图分析的胶印机墨辊故障诊断方法 |
CN109150136A (zh) * | 2018-08-24 | 2019-01-04 | 广东石油化工学院 | 一种功率信号中的有色噪声滤除方法及系统 |
CN109145825A (zh) * | 2018-08-24 | 2019-01-04 | 广东石油化工学院 | 一种相干噪声滤除方法及系统 |
CN109241950A (zh) * | 2018-10-19 | 2019-01-18 | 杭州电子科技大学 | 一种基于焓值分布熵的人群恐慌状态识别方法 |
CN109657612A (zh) * | 2018-12-19 | 2019-04-19 | 苏州纳智天地智能科技有限公司 | 一种基于人脸图像特征的质量排序系统及其使用方法 |
-
2019
- 2019-05-10 CN CN201910391520.2A patent/CN110161330B/zh not_active Expired - Fee Related
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5995910A (en) * | 1997-08-29 | 1999-11-30 | Reliance Electric Industrial Company | Method and system for synthesizing vibration data |
RU2318194C1 (ru) * | 2006-06-05 | 2008-02-27 | Анатолий Захарович Багерман | Устройство для контроля и диагностирования состояния подшипников качения и других элементов газотурбинного двигателя |
CN102496163A (zh) * | 2011-11-03 | 2012-06-13 | 长安大学 | 一种基于灰度极值的背景重构方法 |
CN103914856A (zh) * | 2014-04-14 | 2014-07-09 | 贵州电网公司输电运行检修分公司 | 一种基于熵值的运动目标检测方法 |
CN103945217A (zh) * | 2014-04-17 | 2014-07-23 | 四川九洲电器集团有限责任公司 | 基于熵的复小波域半盲图像质量评测方法和系统 |
CN105021334A (zh) * | 2014-06-11 | 2015-11-04 | 南通大学 | 基于多权值神经网络的风机能耗监测识别方法 |
CN104523295A (zh) * | 2014-07-22 | 2015-04-22 | 陕西师范大学 | 一种利用超声图像熵特性检测肌肉疲劳进程的系统及方法 |
CN106443379A (zh) * | 2016-09-22 | 2017-02-22 | 广州供电局有限公司 | 变压器局部放电故障类型的识别方法和装置 |
CN106503660A (zh) * | 2016-10-31 | 2017-03-15 | 天津大学 | 基于图像微结构频数分析的时间序列复杂度测算方法 |
CN108062514A (zh) * | 2017-11-28 | 2018-05-22 | 西安理工大学 | 一种基于三维谱图分析的胶印机墨辊故障诊断方法 |
CN109150136A (zh) * | 2018-08-24 | 2019-01-04 | 广东石油化工学院 | 一种功率信号中的有色噪声滤除方法及系统 |
CN109145825A (zh) * | 2018-08-24 | 2019-01-04 | 广东石油化工学院 | 一种相干噪声滤除方法及系统 |
CN109241950A (zh) * | 2018-10-19 | 2019-01-18 | 杭州电子科技大学 | 一种基于焓值分布熵的人群恐慌状态识别方法 |
CN109657612A (zh) * | 2018-12-19 | 2019-04-19 | 苏州纳智天地智能科技有限公司 | 一种基于人脸图像特征的质量排序系统及其使用方法 |
Non-Patent Citations (2)
Title |
---|
GUI-QIN ZHANG等: "Transformer substation construction project postevaluation base on improved Gray Fuzzy theory", 《2011 INTERNATIONAL CONFERENCE ON ELECTRIC TECHNOLOGY AND CIVIL ENGINEERING (ICETCE)》 * |
苏世玮 等: "基于卷积神经网络的变压器振动信号分析", 《广东电力》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110161330B (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3100757B2 (ja) | 監視診断装置 | |
US10408879B2 (en) | Method and apparatus for diagnosing a fault condition in an electric machine | |
Ghate et al. | Optimal MLP neural network classifier for fault detection of three phase induction motor | |
CN110031089A (zh) | 一种变压器运行状态振声检测信号的滤波方法和装置 | |
CN108398252A (zh) | 基于itd与svm的oltc机械故障诊断方法 | |
CN110703149B (zh) | 一种利用字符间距的变压器运行状态振声检测方法和系统 | |
CN110017894B (zh) | 变压器运行状态振声检测中随机噪声的滤除方法和装置 | |
CN110161330A (zh) | 基于灰度理论的变压器运行状态的振声检测方法以及装置 | |
CN110161351B (zh) | 一种振荡波下变压器绕组故障试验系统和诊断方法 | |
CN116592994A (zh) | 一种变压器运行监测方法、装置和电子设备 | |
ÖZGÖNENEL et al. | A complete motor protection algorithm based on PCA and ANN: a real time study | |
CN110545086A (zh) | 一种利用全局优化的变压器振声信号滤波方法和系统 | |
CN115828144A (zh) | 一种信号稀疏表示与融合检测方法、存储介质及电子装置 | |
CN110017892A (zh) | 一种变压器的异常状态振声的检测方法和装置 | |
CN110320433A (zh) | 变压器异常状态振声检测的信号滤波方法和装置 | |
CN110286289B (zh) | 一种变压器振声检测信号滤波方法 | |
CN110081968B (zh) | 一种变压器振动信号的模拟方法和装置 | |
CN111141384A (zh) | 一种利用Frechet正则化的变压器状态振声检测信号重构方法和系统 | |
CN110286287A (zh) | 一种基于小波变换的变压器运行状态振声检测信号滤波方法和系统 | |
KR102369192B1 (ko) | 부분 방전 판정 시스템, 방법, 및 저장 매체 | |
CN110286291A (zh) | 一种利用主成分的变压器运行状态振声检测方法和系统 | |
CN110161363A (zh) | 基于主频表征量的变压器运行状态振声检测方法和系统 | |
CN110646691A (zh) | 一种利用拉伸变换的变压器振声信号滤波方法和系统 | |
Yu et al. | Energy efficiency design for generator slot wedge inspection based on compressive sensing | |
CN110703145A (zh) | 一种利用多优化理论的变压器振声信号重构方法和系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210611 |