CN111382790A - 一种基于小波变换的高压直流故障分类方法 - Google Patents
一种基于小波变换的高压直流故障分类方法 Download PDFInfo
- Publication number
- CN111382790A CN111382790A CN202010154575.4A CN202010154575A CN111382790A CN 111382790 A CN111382790 A CN 111382790A CN 202010154575 A CN202010154575 A CN 202010154575A CN 111382790 A CN111382790 A CN 111382790A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- layer
- power
- point position
- decomposition
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000009466 transformation Effects 0.000 title claims abstract description 24
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 39
- 230000009467 reduction Effects 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims abstract description 13
- 238000011426 transformation method Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000013145 classification model Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 15
- 238000001035 drying Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 238000007791 dehumidification Methods 0.000 abstract description 3
- 238000012706 support-vector machine Methods 0.000 description 12
- 230000005540 biological transmission Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008909 emotion recognition Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tests Of Electronic Circuits (AREA)
- Complex Calculations (AREA)
Abstract
一种基于小波变换的高压直流故障分类方法，涉及故障探测技术领域。本发明包括如下步骤：步骤1,为保持原有的故障信号特征，利用软阈值去燥方法对断电点位数据进行去燥，去除断电点位中的噪声。步骤2，利用离散小波变换分别对断电点位和通电点位进行多尺度分解，提取出各频段的细节分量和近似分量。步骤3，提出一种自适应层数的小波包变换方法，对通电点位信号和断电点位信号进行充分分解，进一步提取高频特征，并对产生的特征进行降维处理。步骤4，将步骤2和步骤3产生的特征向量进行融合，并输入到训练好的SVM分类模型中进行识别检测。
Description
技术领域
本发明设计一种基于小波变换的高压直流故障分类方法，涉及故障探测技术领域。
背景技术
高压直流输电(Hvdc)具有分配时间长、控制速度快、控制灵活、损耗小、输电能力强等优点，作为交流输电的替代方式和提高电网整体稳定性和经济性的有效手段，在现代电力系统中得到越来越多的应用。随着电力电子技术和控制技术的飞速发展，高压直流输电技术在电力系统中扮演着越来越重要的角色。高压直流输电线路由于不能快速发现和排除故障，将破坏电力系统的稳定性，造成严重的社会和经济后果。因此，研究高压直流输电线路准确、快速的故障定位技术具有重要的意义和工程实用价值。
对于输电线路，人们做了大量的研究，研究出许多方法，但是不幸的是，这些方法大多针对交流电压的时序数据。不能用于检测高压直流时序数据。其他领域，例如脑电波数据，相关学者运用离散小波和多尺度熵进行情感识别。在其他领域，相关学者多运用小波分析进行X射线的故障诊断。小波分析在时序中体现了绝对的优势，但是目前已有的方法很难有效的提取Hvdc的故障特征。从而导致其分类及检测的效果差。
小波分析在时序中体现了绝对的优势，但是目前已有的方法很难有效的提取高压直流输电(Hvdc)的故障特征，故障诊断效果差。针对Hvdc故障特征，提供一种基于小波变换的高压直流故障分类方法，能够有效的对Hvdc进行判别，诊断准确率达92％以上。
发明内容
本发明的目的在于提供一种基于小波变换的高压直流故障分类方法。
为达到上述目的，本发明的技术方案如下：
一种基于小波变换的高压直流故障分类方法，其中，方法包括如下步骤：
步骤1,为保持原有的故障信号特征，利用软阈值去燥方法对断电点位数据进行去燥，去除断电点位中的噪声。
步骤2，利用离散小波变换分别对断电点位和通电点位进行多尺度分解，提取出各频段的细节分量和近似分量。
步骤3，提出一种自适应层数的小波包变换方法，对通电点位信号和断电点位信号进行充分分解，进一步提取高频特征，并对产生的特征进行降维处理。
步骤4，将步骤2和步骤3产生的特征向量进行融合，并输入到训练好的SVM分类模型中进行识别检测。
进一步，步骤1,为保持原有的故障信号特征，利用软阈值去燥方法对断电点位数据进行去燥，去除断电点位中的噪声。
所描述步骤1为保持原有的故障信号特征，需要软阈值去燥方法对断电点位数据进行去燥，去除断电点位中的噪声。软阈值去燥法的原理，通过阈值的方法降低噪声对阈值的影响。软阈值方法解释如下：
其中，
是小波基函数，λ表示阈值，
表示在小波函数
和阈值λ下选取的阈值参数，并且设置阈值为
N表示信号数据长度，σ表示噪声方差。
进一步，步骤2利用离散小波变换分别对断电点位和通电点位进行多尺度分解，提取出各频段的细节分量和近似分量，其具体特征如下：
首先，对高压直流信号进行5层离散小波变换。其中分解可得：
其中i＝5，Ai表示为第i层分解层数的近似分量，其对应的近似系数CAi，Dk为第i层分解层数细节分量，其对应的细节系数CDi。
进一步，步骤3提出一种自适应层数的小波包变换方法，对通电点位信号和断电点位信号进行充分分解，进一步提取高频特征，并对产生的特征进行降维处理。
小波包分析是比离散小波变换更为强大的一种分析方式，它不仅能对信号的低频部分进行分解，而且能够对高频部分也进行分解，从而提高了高频部分的分辨率。但是小波包变换需要提前针对指定分解层数，由于高压直流信号变化复杂多样，检测出的信号大小和振幅各不相同。分解层数过多，会丢失大量有用信息，分解次数过少，特征提取不到位。针对此类情况，提出一种自适应确定小波包层数的算法，其具体步步骤如下，其标示图：
(1)首先，从第1层开始，计算每层小波包变换能量熵，即：
其中di,j表示第i层第j个频道的频率值,其中n＝2i。
(2)计算第i层小波层分解能量的平均值Ei，即：
(3)除第一层外，若该层的能量平均值占上一层能量的平均值15％以上，则继续分解，返回(1)。否则则停止分解，执行步骤(4)。
(4)提取前i-1层不同不同频段的小波特征系数。由于不同样本的分解层数不同，其提取的小波包特征系数数量也不一定相同。需统计样本中最小的分解层数进行降维处理。以保证每个样本所采取样本特征维数一致。降维方法选用的PCA降维方法。
进一步，步骤4，将步骤2和步骤3产生的特征向量进行融合，并输入到训练好的SVM分类模型中进行识别检测。
将所有样本进行随机排序，训练集和测试集划分为1:1，将训练集输入到SVM分类器中进行训练，并且获得其最优模型参数，随后将测试集输入到训练好的模型中来，得到其检测结果。
本发明有益效果如下：
本发明涉及一种电源故障分类方法，本发明提供一种基于小波变换的高压直流故障分类方法。用于解决目前现有故障分类方法中小波包分析对原数据信号自适应分解能力差，从而导致高频信息分解不充分等相关问题发生。首先利用软阈值去燥方法对断电点位数据进行去燥，有效的保留原数据中的时频特征，其次，利用离散小波变换和自适应层数的小波包变换方法分别对高压直流信号中断电点位和通电点位信号进行特征提取。其中自适应层数的小波包变换方法，其思想是利用每层小波包变换能量平均比值变化进行包变换分解，其好处能够对不同信号样本进行充分分解。最后，根据特征提取获得信号的多维特征，输入到支持向量机(SVM)中进行分类，提高模型诊断精度及泛化能力，本发明可用于检测高压直流系统电源的工作状态，从而更好的保障设备的安全与运行。
本发明与现有故障检测方法相比，具有如下优点：
1.利用软阈值方法，能够保留原数据信号的数据特征；
2.合理运用离散小波变换和小波包变换方法，能够最大化的获取信号中各频段的信号特征，并且所提出的自适应层数的小波包变换方法，可以有效的控制信号分解层数大小。同时不会因为层数的原因导致信号特征维度不一致的问题发生。
3.在分类器选择上，选择基于结构风险最小化理论的SVM模型，作为故障的分类器。能够对输入的样本特征向量进行有效分类。其准确率能够达到92％以上。
附图说明
图1为本发明的一种基于小波变换的高压直流故障分类方法的流程图
图2为本发明的自适应层数的小波包变换方法的流程图
具体实施方式
为使本发明的目的、技术方案及效果更佳清楚明确，结合附图对本发明进一步详细说明。应当理解，此处所描述的具体实施仅仅用以解释本发明，并不用于限定本发明。
本发明提供了一种基于小波变换的高压直流故障分类方法的实施流程图,如图1所示，流程包括：
本发明的目的在于提供一种基于小波变换的高压直流故障分类方法。
为达到上述目的，本发明的技术方案如下：
一种基于小波变换的高压直流故障分类方法，其中，方法包括如下步骤：
步骤1,为保持原有的故障信号特征，利用软阈值去燥方法对断电点位数据进行去燥，去除断电点位中的噪声。
步骤2，利用离散小波变换分别对断电点位和通电点位进行多尺度分解，提取出各频段的细节分量和近似分量。
步骤3，提出一种自适应层数的小波包变换方法，对通电点位信号和断电点位信号进行充分分解，进一步提取高频特征，并对产生的特征进行降维处理。
步骤4，将步骤2和步骤3产生的特征向量进行融合，并输入到训练好的SVM分类模型中进行识别检测。
进一步，步骤1,为保持原有的故障信号特征，利用软阈值去燥方法对断电点位数据进行去燥，去除断电点位中的噪声。
所描述步骤1为保持原有的故障信号特征，需要软阈值去燥方法对断电点位数据进行去燥，去除断电点位中的噪声。软阈值去燥法的原理，通过阈值的方法降低噪声对阈值的影响。软阈值方法解释如下：
其中，
是小波基函数，λ表示阈值，
表示在小波函数
和阈值λ下选取的阈值参数，并且设置阈值为
N表示信号数据长度，σ表示噪声方差。
目前高压直流数据电位信号，大多每10分钟采集一次，一天的点位数据信号为144个左右，所以数据信号长度大小为N＝144。经过实验对比发现daubechies小波对断电点位数据有良好的去燥功能，小波系数选择daubechies。
进一步，步骤2利用离散小波变换分别对断电点位和通电点位进行多尺度分解，提取出各频段的细节分量和近似分量，其具体特征如下：
首先，对高压直流信号进行5层离散小波变换。其中分解可得：
其中i＝5,Ai为近似分量其对应的近似系数CAi，Dj为不同尺度下的细节分量其对应的细节系数CDi。
其中，利用离散小波变换分别对断电点位和通电点位进行离散小波5级分解，其中选择的小波基函数分别为symlets。具体的小波参数为sym15。
进一步，步骤3提出一种自适应层数的小波包变换方法，对通电点位信号和断电点位信号进行充分分解，进一步提取高频特征，并对产生的特征进行降维处理。
小波包分析是比离散小波变换更为强大的一种分析方式，它不仅能对信号的低频部分进行分解，而且能够对高频部分也进行分解，从而提高了高频部分的分辨率。但是小波包变换需要提前针对指定分解层数，由于高压直流信号变化复杂多样，检测出的信号大小和振幅各不相同。分解层数过多，会丢失大量有用信息，分解次数过少，特征提取不到位。针对此类情况，提出一种自适应确定小波包层数的算法，其具体步步骤如图2，其标示图：
(1)首先，从第1层开始，计算每层小波包变换能量熵，即：
其中di,j表示第i层第j个频道的频率值,其中n＝2i。
(2)计算第i层小波层分解能量的平均值Ei，即：
(3)除第一层外，若该层的能量平均值占上一层能量的平均值15％以上，则继续分解，返回(1)。否则则停止分解，执行步骤(4)。
(4)提取前i-1层不同不同频段的小波特征系数。由于不同样本的分解层数不同，其提取的小波包特征系数数量也不一定相同。需统计样本中最小的分解层数进行降维处理。以保证每个样本所采取样本特征维数一致。降维方法选用的PCA降维方法。
根据对比实验针对小波包分解的小波基函数选择daubechies，具体参数为db26。
进一步，步骤4，将步骤2和步骤3产生的特征向量进行融合，并输入到训练好的SVM分类模型中进行识别检测。
将所有样本进行随机排序，训练集和测试集划分为1:1，将训练集输入到SVM分类器中进行训练，其中SVM分类器核函数选择多项式核函数‘rbf’，其中惩罚系数C∈[0,100]其中步长为1，核函数系数gamma∈[0,1]其中步长为0.01，运用网格搜索法GridSearchCV进行参数训练，获得其最优模型参数，随后将测试集输入到训练好的模型中来，得到其检测结果。
选择样本492个，其中正样本和负样本数量为1:1。训练集和测试集划分为1:1，各为492个。
表1.不同分类器的比较
| 分类器 | SVM | BernoulliNB | GaussianNB | Perceptron | DecisionTree |
| 准确率 | 91％ | 87％ | 85％ | 87％ | 86％ |
| 召回率 | 94％ | 84％ | 84％ | 91％ | 87％ |
通过表1对比发现，该方法与SVM分类器结合效果较好，准确率和召回率都已经达到90％以上，同时也说明了该方法可以有效对Hvdc故障信号进行分类诊断。
以上述依据发明的理想实时例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (5)
1.一种基于小波变换的高压直流故障分类方法，其特征在于，包括以下步骤：
步骤1,为保持原有的故障信号特征，利用软阈值去燥方法对断电点位数据进行去燥，去除断电点位中的噪声；
步骤2，利用离散小波变换分别对断电点位和通电点位进行多尺度分解，提取出各频段的细节分量和近似分量；
步骤3，提出一种自适应层数的小波包变换方法，对通电点位信号和断电点位信号进行充分分解，进一步提取高频特征，并对产生的特征进行降维处理；
步骤4，将步骤2和步骤3产生的特征向量进行融合，并输入到训练好的SVM分类模型中进行识别检测。
2.根据权利要求1所述一种基于小波变换的高压直流故障分类方法的分类方法，其特征在于，步骤1具体如下：
其中，
是小波基函数，λ表示阈值，
表示在小波函数
和阈值λ下选取的阈值参数，并且设置阈值为
N表示信号数据长度，σ表示噪声方差。
3.根据权利要求1所述一种基于小波变换的高压直流故障分类方法的分类方法，其特征在于，
步骤2具体如下：
首先，对高压直流信号x(t)进行5层离散小波变换；其中分解可得：
其中i＝5，Ai表示为第i层分解层数的近似分量，其对应的近似系数CAi，Dk为第i层分解层数细节分量，其对应的细节系数CDi。
4.根据权利要求1所述一种基于小波变换的高压直流故障分类方法的分类方法，其特征在于，
步骤3具体如下：
(1)首先，从第1层开始，计算每层小波包变换能量熵，即：
其中di,j表示第i层第j个频道的频率值,其中n＝2i；
(2)计算第i层小波层分解能量的平均值Ei，即：
(3)除第一层外，若该层的能量平均值占上一层能量的平均值15％以上，则继续分解，返回(1)；否则则停止分解，执行步骤(4)；
(4)提取前i-1层不同不同频段的小波特征系数；由于不同样本的分解层数不同，其提取的小波包特征系数也不一定相同；需统计样本中最小的分解层数进行降维处理；以保证每个样本所采取样本特征维数一致；降维方法选用的PCA降维方法。
5.根据权利要求1所述一种基于小波变换的高压直流故障分类方法的分类方法，其特征在于，步骤4具体如下：
将所有样本进行随机排序，训练集和测试集划分为1:1，将训练集输入到SVM分类器中进行训练，并且获得其最优模型参数，随后将测试集输入到训练好的模型中来，得到其检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010154575.4A CN111382790B (zh) | 2020-03-07 | 2020-03-07 | 一种基于小波变换的高压直流故障分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010154575.4A CN111382790B (zh) | 2020-03-07 | 2020-03-07 | 一种基于小波变换的高压直流故障分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111382790A true CN111382790A (zh) | 2020-07-07 |
| CN111382790B CN111382790B (zh) | 2023-09-29 |
Family
ID=71215401
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010154575.4A Active CN111382790B (zh) | 2020-03-07 | 2020-03-07 | 一种基于小波变换的高压直流故障分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111382790B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112731051A (zh) * | 2020-12-18 | 2021-04-30 | 武汉大学 | 混合网络的高压直流输电线路的单端故障定位方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103398769A (zh) * | 2013-08-05 | 2013-11-20 | 国家电网公司 | 基于小波ggd特征和不均衡k-均值下采样集成svm的变压器在线故障检测方法 |
| CN104865499A (zh) * | 2015-05-11 | 2015-08-26 | 昆明理工大学 | 一种特高压直流输电线路区内外故障识别方法 |
| CN104881567A (zh) * | 2015-04-24 | 2015-09-02 | 浙江工业大学 | 一种基于统计模型的桥梁健康监测数据小波降噪方法 |
| CN106405339A (zh) * | 2016-11-11 | 2017-02-15 | 中国南方电网有限责任公司 | 基于高低频小波特征关联的输电线路故障原因辨识方法 |
| CN109470985A (zh) * | 2018-06-19 | 2019-03-15 | 国网浙江省电力有限公司湖州供电公司 | 一种基于多分辨奇异值分解的电压暂降源识别方法 |
| CN109784279A (zh) * | 2019-01-17 | 2019-05-21 | 西安电子科技大学 | 基于多小波分析及svm的x射线高压电源故障诊断方法 |
-
2020
- 2020-03-07 CN CN202010154575.4A patent/CN111382790B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103398769A (zh) * | 2013-08-05 | 2013-11-20 | 国家电网公司 | 基于小波ggd特征和不均衡k-均值下采样集成svm的变压器在线故障检测方法 |
| CN104881567A (zh) * | 2015-04-24 | 2015-09-02 | 浙江工业大学 | 一种基于统计模型的桥梁健康监测数据小波降噪方法 |
| CN104865499A (zh) * | 2015-05-11 | 2015-08-26 | 昆明理工大学 | 一种特高压直流输电线路区内外故障识别方法 |
| CN106405339A (zh) * | 2016-11-11 | 2017-02-15 | 中国南方电网有限责任公司 | 基于高低频小波特征关联的输电线路故障原因辨识方法 |
| CN109470985A (zh) * | 2018-06-19 | 2019-03-15 | 国网浙江省电力有限公司湖州供电公司 | 一种基于多分辨奇异值分解的电压暂降源识别方法 |
| CN109784279A (zh) * | 2019-01-17 | 2019-05-21 | 西安电子科技大学 | 基于多小波分析及svm的x射线高压电源故障诊断方法 |
Non-Patent Citations (3)
| Title |
|---|
| PANNALA KRISHNA MURTHY 等: "Wavelet Transform Approach for Detection and Location of Faults in HVDC System" * |
| YEW MING YEAP 等: "Analysis and Validation of Wavelet Transform Based DC Fault Detection in HVDC System" * |
| 杨冬锋 等: "基于自适应VMD和时频分段能量熵特征的过电压信号识别" * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112731051A (zh) * | 2020-12-18 | 2021-04-30 | 武汉大学 | 混合网络的高压直流输电线路的单端故障定位方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111382790B (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110728360B (zh) | 一种基于bp神经网络的微能源器件能量识别方法 | |
| CN109557429B (zh) | 基于改进小波阈值去噪的gis局部放电故障检测方法 | |
| Wang et al. | Fault diagnosis for power cables based on convolutional neural network with chaotic system and discrete wavelet transform | |
| Gao et al. | Power quality disturbance classification under noisy conditions using adaptive wavelet threshold and DBN-ELM hybrid model | |
| Dalai et al. | Cross-spectrum analysis-based scheme for multiple power quality disturbance sensing device | |
| CN111832462B (zh) | 一种基于深度神经网络的跳频信号检测与参数估计方法 | |
| CN107392123B (zh) | 一种基于相参积累消噪的射频指纹特征提取和识别方法 | |
| CN111476339B (zh) | 滚动轴承故障特征提取方法、智能诊断方法及系统 | |
| KR20180109658A (ko) | 영상 처리 방법과 장치 | |
| CN116626408A (zh) | 基于机器学习的电源纹波噪声检测方法 | |
| CN111680737A (zh) | 差异性信噪比条件下的雷达辐射源个体识别方法 | |
| Asman et al. | Identification of transient overvoltage using discrete wavelet transform with minimised border distortion effect and support vector machine | |
| CN107403618B (zh) | 基于堆叠基稀疏表示的音频事件分类方法及计算机设备 | |
| Liao | Enhanced RBF network for recognizing noise-riding power quality events | |
| CN111382790A (zh) | 一种基于小波变换的高压直流故障分类方法 | |
| Chen et al. | Gear compound fault detection method based on improved multiscale permutation entropy and local mean decomposition | |
| CN111091107A (zh) | 一种人脸区域边缘检测方法、装置及存储介质 | |
| De Aguiar et al. | ST-NILM: A Wavelet Scattering-Based Architecture for Feature Extraction and Multi-Label Classification in NILM Signals | |
| CN113920062A (zh) | 一种红外热成像电力设备故障检测方法 | |
| CN116660691A (zh) | 光伏箱式变压器故障监测方法 | |
| Wu et al. | Classification of complex power quality disturbances based on modified empirical wavelet transform and light gradient boosting machine | |
| Dovedi et al. | Diagnosis of Ball Bearing Faults Using Double Decomposition Technique. | |
| Ismail et al. | Classification of voltage sag using multi-resolution analysis and support vector machine | |
| Qian et al. | A classification method of frequency hopping signal based on Convolutional Neural Network | |
| CN113608084B (zh) | 一种串联故障电弧检测方法 |
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 |