CN110991376A - 一种局放类型识别的特征提取方法 - Google Patents

一种局放类型识别的特征提取方法 Download PDF

Info

Publication number
CN110991376A
CN110991376A CN201911260223.0A CN201911260223A CN110991376A CN 110991376 A CN110991376 A CN 110991376A CN 201911260223 A CN201911260223 A CN 201911260223A CN 110991376 A CN110991376 A CN 110991376A
Authority
CN
China
Prior art keywords
sequence
value
partial discharge
cycle
threshold
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
CN201911260223.0A
Other languages
English (en)
Other versions
CN110991376B (zh
Inventor
周鑫文
何川
张祖泷
张治新
于涵
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.)
Shanghai Oumai Electric Inspection Co ltd
Original Assignee
Shanghai Oumai Electric Inspection 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 Shanghai Oumai Electric Inspection Co ltd filed Critical Shanghai Oumai Electric Inspection Co ltd
Priority to CN201911260223.0A priority Critical patent/CN110991376B/zh
Publication of CN110991376A publication Critical patent/CN110991376A/zh
Application granted granted Critical
Publication of CN110991376B publication Critical patent/CN110991376B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G01R31/1254—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 of gas-insulated power appliances or vacuum gaps
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods

Landscapes

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

Abstract

本发明提供了一种局放类型识别的特征提取方法，用于对电力系统中的GIS设备多种绝缘缺陷同时发生时引发的UHF信号离散时间序列的特征提取，所述方法包括以下步骤：1、获取连续周期局放时间离散序列；2、对连续周期离散序列周期性概率做统计；3、对离散序列通过经验模态分解筛选，将原序列分解为1个或多个低频IMF序列；4、对分解的IMF序列做多特征提取。本发明方法对GIS设备出现多种局部放电同时发生时的情形下，实现对多种局放信号特征量进行提取。

Description

一种局放类型识别的特征提取方法
技术领域
本发明涉及电力系统行业，具体地，涉及一种由UHF天线耦合得到GIS组合开关局部放电信号的类型特征提取。
背景技术
气体绝缘开关设备(Gas Insulated Switchgear)，简称GIS设备，GIS设备局部放电特征提取对研究GIS设备局部放电类型分析意义重大。GIS组合开关绝缘内部出现的局部放电现象通常是GIS组合开关绝缘劣化的主要原因，通过UHF技术对GIS组合开关绝缘内部信号耦合，进而对UHF天线耦合的信号进行自动分析识别，分析识别的结果可预测GIS组合开关绝缘故障状态，提前及时发现绝缘缺陷，防止因绝缘缺陷严重而导致重大事故。
通过局部放电信号的合适的特征提取对UHF天线耦合的局部放电信号的自动分析识别准确性非常重要。通过对局部放电信号的特征提取，进而根据特征对放电类型进行识别。
现有常见的对GIS设备局部放电特征量提取方法中，没有对GIS设备出现多种局部放电同时发生时的情形下的信号的特征提取方法。另外，对局放信号提取的特征量不够完全。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种局放类型识别的特征提取方法，该方法对GIS设备出现多种局部放电同时发生时的情形下，实现对多种局放信号特征量进行提取。
本发明是采用以下技术方案来实现的：
一种局放类型识别的特征提取方法，用于对电力系统中的GIS设备多种绝缘缺陷同时发生时引发的UHF信号离散时间序列的特征提取，包括以下步骤：
步骤1、获取连续周期局放时间离散序列；
步骤2、对连续周期离散序列周期性概率做统计；
步骤3、对离散序列通过经验模态分解(EMD)筛选，将原序列分解为1个或多个低频IMF序列；
步骤4、对分解的IMF序列做多特征提取。
所述步骤1，对现场局放信号进行采样量化的数字信号根据采样周期和频率自适应技术得到原始M*N维周期性局放离散时间序列，所述M为周期数，N为单周期数据点数，M＝1～50，N＝100～1000。
所述步骤2，对原始M*N维周期性局放离散时间序列通过自相关计算获得序列的周期性，所述自相关计算步骤包括：
步骤1)、计算序列的梯度，记为g[M*N]；
步骤2)、对梯度值小于0的序号位置标记为1，对梯度值大于0的序号位置标记为-1，得到标记序号s[M*N]；
步骤3)、对s[M*N]再次做梯度计算，筛选梯度值为-2的序号，根据该序号从原始序列中找到峰值位置和峰值数值；
步骤4)、以第一个峰值的0.9到1.1倍作为筛选其他峰值阈值，对筛选后的峰值序列计算峰值相关特性，以0到1之间的数表示周期性概率To。
所述步骤3，通过周期性概率To＞0.8的筛选序列进行经验模态分解，具体包括：
步骤1)、确定序列中存在极大值点和极小值点，并确定是否满足本征模函数相关特性；
步骤2)、将极大值点和极小值点序列利用样条插值方法拟合上包络曲线A，下包络线B；
步骤3)、通过均值法得出A、B线的均值线L，由原序列减去L得到新的序列H，该序列依然是M*N维；
步骤4)、重复步骤1)-步骤3)，直到本征模函数全部分解完成。
对分解后的每个IMF序列做同步相位叠加处理,分别将M*N维数据降为一维序列Ql，对每个Ql提取特征。
本发明具有如下的有益效果：
在实际的UHF局部放电信号测量中，有时GIS组合开关绝缘内部不是同一种类型的放电信号，而是同时发生多种局部放电，对这种耦合的多种局部放电信号叠加的信号处理是一个难题。本发明提出的一种对GIS设备出现多种局部放电同时发生时的情形下的信号的特征提取方法，采用先分解再提取的思路，能够提取更多的特征量。
结果表明在多种局放信号叠加的情况下，通过周期性预判，分解，提取的方法提高了对局放信号的类型识别准确性。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明所提供的方法流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
图1所示，本发明提供一种局放类型识别的特征提取方法，用于对电力系统中的GIS设备多种绝缘缺陷同时发生时引发的UHF信号离散时间序列的特征提取，包括以下步骤：
步骤1、获取连续周期局放时间离散序列；
步骤2、对连续周期离散序列周期性概率做统计；
步骤3、对离散序列通过经验模态分解(EMD)筛选，将原序列分解为1个或多个低频IMF序列；
步骤4、对分解的IMF序列做多特征提取。
具体的，步骤1中，对现场局放信号进行采样量化的数字信号根据采样周期和频率自适应技术得到原始M*N维周期性局放离散时间序列，其中M为周期数，N为单周期数据点数，M＝1～50，N＝100～1000。
具体的，步骤2中，对原始M*N维周期性局放离散时间序列通过自相关计算获得序列的周期性，自相关计算步骤包括：
步骤1)、计算序列的梯度，记为g[M*N]；
步骤2)、对梯度值小于0的序号位置标记为1，对梯度值大于0的序号位置标记为-1，得到标记序号s[M*N]；
步骤3)、对s[M*N]再次做梯度计算，筛选梯度值为-2的序号，根据该序号从原始序列中找到峰值位置和峰值数值；
步骤4)、以第一个峰值的0.9到1.1倍作为筛选其他峰值阈值，对筛选后的峰值序列计算峰值相关特性，以0到1之间的数表示周期性概率To。
具体的，步骤3中，通过周期性概率To＞0.8的筛选序列进行经验模态分解，具体包括：
步骤1)、确定序列中存在极大值点和极小值点，并确定是否满足本征模函数相关特性；
步骤2)、将极大值点和极小值点序列利用样条插值方法拟合上包络曲线A，下包络线B；
步骤3)、通过均值法得出A、B线的均值线L，由原序列减去L得到新的序列H，该序列依然是M*N维；
步骤4)、重复步骤1)-步骤3)，直到本征模函数全部分解完成。
具体的，步骤4中，对分解后的每个IMF序列做同步相位叠加处理,分别将M*N维数据降为一维序列Ql，对每个Ql提取特征。
提取特征包括：数据稠密度Co、数据峰值Max、数据相对均值val、有效数据分布平均值Dval、归一化跨度Mm、最大陡度Mkm、陡度Mk、初始信号相位值PhiB、结束信号相位值PhiE、图谱形状与标准正态分布形状正极性偏斜度值以下简称SkP、图谱形状与标准正态分布形状负极性偏斜度值以下简称SkN、图谱形状与标准正态分布形状的正极性陡峭值以下简称KuP、图谱形状与标准正态分布形状的负极性陡峭值以下简称KuN、正负半周互相关系数以下简称CC、放电不对称度以下简称Qd。
对一维序列Ql取数值平均值V,选取数值平均值的适当倍数F作为阈值，将原来的Ql减去阈值F后形成Q[i]序列,其中i＝0,1,2,3,...N-1。
在Q[i]中通过排序法得到数据峰值Max，计算数值平均值
Figure BDA0002311406690000041
得到特征值为归一化相对均值val＝Value/Max。
计算正半周和
Figure BDA0002311406690000051
和负半周和
Figure BDA0002311406690000052
Q[i]中每一个点均为一个相窗，设x[i]表征各相窗相位，x[i]＝{1,2,3,…N}，通过概率计算得到正半周概率数组
Figure BDA0002311406690000053
和负半周概率数组
Figure BDA0002311406690000054
通过期望计算得到正半周期望
Figure BDA0002311406690000055
和负半周期望
Figure BDA0002311406690000056
Figure BDA0002311406690000057
通过标准差计算得到正半周标准差σp＝i＝0N/2(Pp[i]*x[i]-Qp)2和负半周标准差
Figure BDA0002311406690000058
由此得到特征值为：
图谱形状与标准正态分布形状正极性偏差
Figure BDA0002311406690000059
图谱形状与标准正态分布形状负极性偏差
Figure BDA00023114066900000510
图谱形状与标准正态分布形状的正极性陡峭差异
Figure BDA00023114066900000511
图谱形状与标准正态分布形状的负极性陡峭差异
Figure BDA00023114066900000512
由
Figure BDA00023114066900000513
得到正负半周互相关系数：
Figure BDA00023114066900000514
求Q[i]的梯度grads[i]，对grads[i]进行排序，找出10个最大的峰值，从小到大排列记为序列Pm，陡度Mk取Pm中十个陡度之间的平均值，并得到其中最大陡度Mkm位于Pm[9]中。
设定跨度阈值Ig＝Max/T，T为0到1之间的数，找出大于Ig阈值的有效数据序列Efl，通过Efl中各有效数据在Q[i]中的序列号，记录Q[i]中每Ms个数据中的有效数据个数Efn，通过搜寻得出Q[i]中有效数据个数保持不变的序号差Ms的组数，通过该组数得到有效数据分布平均值Dval。
对Efl中两个最值之间做差值并归一化，得到归一化跨度Mm。
数据稠密度Co＝Efn/N。
初始相位值PhiB为Efl中的第一个数在Q[i]中的位置，结束信号相位值Phi为Efl中的最后一个数在Q[i]中的位置。
第一步设定合适的幅值差阈值S,阈值取值范围为0<S<Max，取正负半周中根据幅值差小于等于S的数据做个数统计形成一维序列Qc[i]＝{Qc0,Qc1,Qc2,…Qci}，i＝0,1,2…N,其中，Qc0为Q[i]中与序列Q[0]相差S的序列个数，依次类推；第二步,以放电重复率的平方作为Q[i]加权值，通过正负半周序列分量的加权平均值之比得到放电量不对称度，其中，得到正半周的加权序列分量和
Figure BDA0002311406690000061
负半周的加权序列分量和
Figure BDA0002311406690000062
正半周的放电重复率和
Figure BDA0002311406690000063
以及负半周放电重复率的和
Figure BDA0002311406690000064
第三步，得到放电量不对称度Qd＝(Snqn/Snn)(Snqp/Snp)。

Claims (10)

1.一种局放类型识别的特征提取方法，用于对电力系统中的GIS设备多种绝缘缺陷同时发生时引发的UHF信号离散时间序列的特征提取，其特征在于，所述方法包括以下步骤：
步骤1、获取连续周期局放时间离散序列；
步骤2、对连续周期离散序列周期性概率做统计；
步骤3、对离散序列通过经验模态分解筛选，将原序列分解为1个或多个低频IMF序列；
步骤4、对分解的IMF序列做多特征提取。
2.根据权利要求1所述的局放类型识别的特征提取方法，其特征在于，所述步骤1，对现场局放信号进行采样量化的数字信号根据采样周期和频率自适应技术得到原始M*N维周期性局放离散时间序列，M为周期数，N为单周期数据点数，M＝1～50，N＝100～1000。
3.根据权利要求2所述的局放类型识别的特征提取方法，其特征在于，所述步骤2，对原始M*N维周期性局放离散时间序列通过自相关计算获得序列的周期性，所述自相关计算步骤包括：
步骤1)、计算序列的梯度，记为g[M*N]；
步骤2)、对梯度值小于0的序号位置标记为1，对梯度值大于0的序号位置标记为-1，得到标记序号s[M*N]；
步骤3)、对s[M*N]再次做梯度计算，筛选梯度值为-2的序号，根据该序号从原始序列中找到峰值位置和峰值数值；
步骤4)、以第一个峰值的0.9到1.1倍作为筛选其他峰值阈值，对筛选后的峰值序列计算峰值相关特性，以0到1之间的数表示周期性概率To。
4.根据权利要求3所述的局放类型识别的特征提取方法，其特征在于，所述步骤3，通过周期性概率To＞0.8的筛选序列进行经验模态分解，具体包括：
步骤1)、确定序列中存在极大值点和极小值点，并确定是否满足本征模函数相关特性；
步骤2)、将极大值点和极小值点序列利用样条插值方法拟合上包络曲线A，下包络线B；
步骤3)、通过均值法得出A、B线的均值线L，由原序列减去L得到新的序列H，该序列依然是M*N维；
步骤4)、重复步骤1)-步骤3)，直到本征模函数全部分解完成。
5.根据权利要求2所述的局放类型识别的特征提取方法，其特征在于，所述步骤4，对分解后的每个IMF序列做同步相位叠加处理,分别将M*N维数据降为一维序列Ql，对每个Ql提取特征。
6.根据权利要求5所述的局放类型识别的特征提取方法，其特征在于，对一维序列Ql取数值平均值V,选取数值平均值的适当倍数F作为阈值，将原来的Ql减去阈值F后形成Q[i]序列,其中i＝0,1,2,3,...N-1，在Q[i]中通过排序法得到数据峰值Max，
Figure FDA0002311406680000021
得到特征值为归一化相对均值val＝Value/Max。
7.根据权利要求5所述的局放类型识别的特征提取方法，其特征在于，对一维序列Ql取数值平均值V,选取数值平均值的适当倍数F作为阈值，将原来的Ql减去阈值F后形成Q[i]序列,其中i＝0,1,2,3,...N-1，计算正半周和
Figure FDA0002311406680000022
和负半周和
Figure FDA0002311406680000023
Q[i]中每一个点均为一个相窗，设x[i]表征各相窗相位，x[i]＝{1,2,3,…N}，通过概率计算得到正半周概率数组
Figure FDA0002311406680000024
和负半周概率数组
Figure FDA0002311406680000025
通过期望计算得到正半周期望
Figure FDA0002311406680000026
Figure FDA0002311406680000027
和负半周期望Qn＝i＝N/2NPni*x[i]，通过标准差计算得到正半周标准差
Figure FDA0002311406680000028
Figure FDA0002311406680000029
和负半周标准差
Figure FDA00023114066800000210
由此得到特征值为：
图谱形状与标准正态分布形状正极性偏差
Figure FDA00023114066800000211
图谱形状与标准正态分布形状负极性偏差
Figure FDA00023114066800000212
图谱形状与标准正态分布形状的正极性陡峭差异
Figure FDA00023114066800000213
图谱形状与标准正态分布形状的负极性陡峭差异
Figure FDA00023114066800000214
8.根据权利要求7所述的局放类型识别的特征提取方法，其特征在于，由
Figure FDA0002311406680000031
得到正负半周互相关系数：
Figure FDA0002311406680000032
9.根据权利要求5所述的局放类型识别的特征提取方法，其特征在于，对一维序列Ql取数值平均值V,选取数值平均值的适当倍数F作为阈值，将原来的Ql减去阈值F后形成Q[i]序列,其中i＝0,1,2,3,...N-1，求Q[i]的梯度grads[i]，对grads[i]进行排序，找出10个最大的峰值，从小到大依次排列记为序列Pm，陡度Mk取Pm中十个陡度之间的平均值，并得到其中最大陡度Mkm位于Pm[9]中；设定跨度阈值Ig＝Max/T，T为0到1之间的数，找出大于Ig阈值的有效数据序列Efl，通过Efl中各有效数据在Q[i]中的序列号，记录Q[i]中每Ms个数据中的有效数据个数Efn，通过搜寻得出Q[i]中有效数据个数保持不变的序号差Ms的组数，通过该组数得到有效数据分布平均值Dval；对Efl中两个最值之间做差值并归一化，得到归一化跨度Mm；数据稠密度Co＝Efn/N；初始相位值PhiB为Efl中的第一个数在Q[i]中的位置，结束信号相位值Phi为Efl中的最后一个数在Q[i]中的位置。
10.根据权利要求5所述的局放类型识别的特征提取方法，其特征在于，对一维序列Ql取数值平均值V,选取数值平均值的适当倍数F作为阈值，将原来的Ql减去阈值F后形成Q[i]序列,其中i＝0,1,2,3,...N-1，第一步设定合适的幅值差阈值S,阈值取值范围为0<S<Max，取正负半周中根据幅值差小于等于S的数据做个数统计形成表征放电重复率的一维序列Qc[i]＝{Qc0,Qc1,Qc2,…Qci}，i＝0,1,2…N,其中，Qc0为Q[i]中与序列Q[0]相差S的序列个数，依次类推；第二步,以放电重复率的平方作为Q[i]加权值，通过正负半周序列分量的加权平均值之比得到放电量不对称度，其中，得到正半周的加权序列分量和
Figure FDA0002311406680000033
负半周的加权序列分量和
Figure FDA0002311406680000034
正半周的放电重复率和
Figure FDA0002311406680000035
以及负半周放电重复率的和
Figure FDA0002311406680000036
第三步，得到放电量不对称度Qd＝(Snqn/Snn)(Snqp/Snp)。
CN201911260223.0A 2019-12-10 2019-12-10 一种局放类型识别的特征提取方法 Active CN110991376B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911260223.0A CN110991376B (zh) 2019-12-10 2019-12-10 一种局放类型识别的特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911260223.0A CN110991376B (zh) 2019-12-10 2019-12-10 一种局放类型识别的特征提取方法

Publications (2)

Publication Number Publication Date
CN110991376A true CN110991376A (zh) 2020-04-10
CN110991376B CN110991376B (zh) 2024-03-19

Family

ID=70092037

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911260223.0A Active CN110991376B (zh) 2019-12-10 2019-12-10 一种局放类型识别的特征提取方法

Country Status (1)

Country Link
CN (1) CN110991376B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111638428A (zh) * 2020-06-08 2020-09-08 国网山东省电力公司电力科学研究院 一种基于gis特高频局部放电数据的处理方法及系统
CN112380249A (zh) * 2020-11-24 2021-02-19 中国矿业大学(北京) 一种采煤工作面周期来压分析方法、装置及电子设备
CN112508395A (zh) * 2020-12-03 2021-03-16 中国科学院东北地理与农业生态研究所 面向频数分布对称性的生态系统属性组分组成结构量化法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103323755A (zh) * 2013-06-17 2013-09-25 广东电网公司电力科学研究院 Gis特高频局部放电信号识别方法及系统
WO2015070513A1 (zh) * 2013-11-14 2015-05-21 国家电网公司 一种三相共筒式超高压gis局部放电的模式识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103323755A (zh) * 2013-06-17 2013-09-25 广东电网公司电力科学研究院 Gis特高频局部放电信号识别方法及系统
WO2015070513A1 (zh) * 2013-11-14 2015-05-21 国家电网公司 一种三相共筒式超高压gis局部放电的模式识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
林伟;王昕;郑益慧;李立学;: "基于概率神经网络的局部放电信号特征提取与识别研究" *
董晨晔;钱勇;钟勇;许永鹏;盛戈;江秀臣;: "基于EEMD和二维Gabor变换的GIS局放特征融合识别方法" *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111638428A (zh) * 2020-06-08 2020-09-08 国网山东省电力公司电力科学研究院 一种基于gis特高频局部放电数据的处理方法及系统
CN111638428B (zh) * 2020-06-08 2022-09-20 国网山东省电力公司电力科学研究院 一种基于gis特高频局部放电数据的处理方法及系统
CN112380249A (zh) * 2020-11-24 2021-02-19 中国矿业大学(北京) 一种采煤工作面周期来压分析方法、装置及电子设备
CN112380249B (zh) * 2020-11-24 2023-05-30 中国矿业大学(北京) 一种采煤工作面周期来压分析方法、装置及电子设备
CN112508395A (zh) * 2020-12-03 2021-03-16 中国科学院东北地理与农业生态研究所 面向频数分布对称性的生态系统属性组分组成结构量化法
CN112508395B (zh) * 2020-12-03 2022-04-19 中国科学院东北地理与农业生态研究所 面向频数分布对称性的生态系统属性组分组成结构量化法

Also Published As

Publication number Publication date
CN110991376B (zh) 2024-03-19

Similar Documents

Publication Publication Date Title
CN110991376A (zh) 一种局放类型识别的特征提取方法
CN108804731B (zh) 基于重要点双重评价因子时间序列趋势特征提取方法
CN109726649B (zh) 遥感影像云检测方法、系统及电子设备
CN102676633A (zh) 一种菌落自动计数方法
CN111624570B (zh) 基于二维卷积神经网络的雷达目标识别方法
CN109259764B (zh) 一种确定动态脑功能网络阈值方法
CN107230214B (zh) 基于递归otsu算法的sar图像水域自动检测方法
CN108549078B (zh) 一种雷达脉冲信号跨信道合并及检测方法
CN109409442A (zh) 迁移学习中卷积神经网络模型选择方法
CN108470163B (zh) 轨道道岔板离缝病害检测方法及终端设备
CN101587189A (zh) 用于合成孔径雷达图像的纹理基元特征提取方法
CN110838095A (zh) 一种基于循环密集神经网络的单幅图像去雨方法和系统
CN115526885A (zh) 一种产品图像缺陷检测方法、系统、装置及介质
CN112232011B (zh) 一种集成电路的宽频段电磁响应自适应确定方法及系统
CN116432052B (zh) 一种新能源汽车模具用夹具质量检测方法
CN116777917B (zh) 一种光缆生产用缺陷检测方法及系统
CN110632563B (zh) 一种基于短时傅里叶变换的脉内频率编码信号参数测量方法
CN104573339A (zh) 页岩气储层的地质参数确定方法和装置
CN109544614B (zh) 一种基于图像低频信息相似度的匹配图像对识别的方法
CN115980689A (zh) 基于点云检测的辐射源信号分选方法、装置、设备及介质
CN113837003B (zh) 识别局部放电类型方法、装置、存储介质及电子装置
CN114970601A (zh) 一种电力设备局部放电类型识别方法、设备及存储介质
CN110956675B (zh) 技术成熟度曲线自动生成方法及装置
CN109389134B (zh) 一种肉制品加工生产线监控信息系统的图像处理方法
CN114184886A (zh) 一种量化输电线路故障行波复杂度的方法

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