CN111666912A - 计及电气特征量与图形特征的局部放电融合特征提取方法 - Google Patents
计及电气特征量与图形特征的局部放电融合特征提取方法 Download PDFInfo
- Publication number
- CN111666912A CN111666912A CN202010541980.1A CN202010541980A CN111666912A CN 111666912 A CN111666912 A CN 111666912A CN 202010541980 A CN202010541980 A CN 202010541980A CN 111666912 A CN111666912 A CN 111666912A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- electrical
- feature
- characteristic
- characteristic quantity
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 40
- 230000004927 fusion Effects 0.000 title claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 40
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 230000009467 reduction Effects 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000013139 quantization Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 230000005484 gravity Effects 0.000 description 6
- 238000003909 pattern recognition Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000009413 insulation Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (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
本公开提出了计及电气特征量与图形特征的局部放电融合特征提取方法,包括:将电气设备局部放电电气特征量与图像特征量进行组合得到新的完备特征向量;对完备特征向量进行权重评估,再进行权重评估之后,将所得完备特征向量进行降维处理,提取局部放电最优特征量。避免了单一种类特征量以及单一方式降维方式对特征量提取造成的信息缺失以及由于特征量信息不足对电气设备局部放电模式识别误判的情况。
Description
技术领域
本公开属于电气设备局部放电信号检测技术领域,尤其涉及计及电气特征量与图形特征的局部放电融合特征提取方法。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
高压电气设备在生产、制造以及使用过程中,难免造成毛刺或绝缘老化、劣化情况。局部放电是电气设备绝缘介质在电压作用下发生的局部非贯通放电现象,长期的局部放电会加速电气设备的绝缘劣化从而导致击穿。但同时局部放电也是反映绝缘状态的一个重要现象。
目前,用于电气设备局部放电模式识别的特征量有很多,有直接利用其测量数据进行模式识别的方法,也有基于局部放电PRPD谱图进行图像信息提取的方法,如提取其矩特性、纹理特性等信息。
对于局部放电而言,其电气特征量大多反映其放电强度、放电频率等信息,而对于其频谱图上的分布情况描述不够具体,且此类特征量信息集中性强,细节描绘较为粗糙,不利于局部放电模式识别的精确度。
针对于一般采用脉冲电流法等实验方法获得的局部放电PRPD谱图即局部放电相位分布谱图进行的图像信息特征提取方法,从图像处理角度进行模式识别,能较好描绘其放电谱图的细节,但是对于局部放电本身所具有的特性考虑不够,有一定的局限性。而且对于主成分分析法进行特征参量降维,不利于每一个特征量所蕴含信息量的考察,目前电气设备局部放电特征量的提取方法不能够客观、全面反映出局部放电特性,容易造成局部放电模式识别的误判。
发明内容
为克服上述现有技术的不足,本公开提供了计及电气特征量与图形特征的局部放电融合特征提取方法,适用于电气设备发生多种模式局部放电信号的特征量提取,同时对电气设备局部放电融合特征量进行权重分析,将高维特征向量按照其相关性进行降维,有利于降低模式识别方法的复杂性。
为实现上述目的,本公开的一个或多个实施例提供了如下技术方案:
一方面,公开了计及电气特征量与图形特征的局部放电融合特征提取方法,包括:
将电气设备局部放电电气特征量与图像特征量进行组合得到新的完备特征向量;
对完备特征向量进行权重评估,再进行权重评估之后,将所得完备特征向量进行降维处理,提取局部放电最优特征量。
另一方面,公开了计及电气特征量与图形特征的局部放电融合特征提取系统,包括:
完备特征向量获得模块,被配置为将电气设备局部放电电气特征量与图像特征量进行组合得到新的完备特征向量;
最优特征量提取模块,被配置为对完备特征向量进行权重评估,再进行权重评估之后,将所得完备特征向量进行降维处理,提取局部放电最优特征量。
以上一个或多个技术方案存在以下有益效果:
本公开技术方案的局部放电信号融合特征量提取方法,通过电气特征量计算方法以及图像部分特征量提取方法的融合,实现了局部放电的电气特征与PRPD谱图图像特征的联合提取,避免了单一种类特征量以及单一方式降维方式对特征量提取造成的信息缺失以及由于特征量信息不足对电气设备局部放电模式识别误判的情况。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是本公开实施例子计及电气特征量与图形特征参数的局部放电联合特征提取方法流程图;
图2是本公开实施例子基于局部图结构优化的灰度图像特征量提取方法流程图;
图3是本公开实施例子融合特征量选优融合方法流程图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例公开了计及电气特征量与图形特征的局部放电融合特征提取方法,如图1所示,该方法包括以下步骤:
步骤一、通过脉冲电流法采集n组局部放电脉冲信号以及PRPD谱图并测量其视在放电量、放电时刻、放电相位放电次数、放电幅值等信息,对局放信号进行了预处理。
具体的,脉冲时域波形需要示波器采集,PRPD谱图为根据统计信息获得的,此处n大于1,为同时段采集到的n组局放信号。
在该实施例子中,预处理为利用基于小波变换的局放时域波形小波软阈值去噪方法对局部放电脉冲信号进行去噪。
首先对局部放电脉冲信号进行小波变换,将小波变换得到的各分量的尺度系数,再从各尺度上的小波系数进行阈值量化处理,并根据实际情况选择合适阈值p。
选取软阈值去噪法,采用阈值函数为:
将阈值处理后的小波分解信号进行小波重构,得到去噪后的信号。
步骤二、通过降噪后的局部放电信号时域波形以及放电数据提取其电气特征量,包括:视在放电量、高频放电量、放电时刻、放电相位、放电次数、放电幅值等。高频放电量为放电次数最高的放电量,其最能反映放电量的分布情况。
通过测量时记录的局放时域波形l(t)计算来计算局部放电等效时间与等效频率,并提取其视在放电量、高频放电量、平均脉冲重复率、放电最大时间间隔。
通过下式计算等效时间Teq以及等效频率Feq
其中,T为局放脉冲实际宽度。
将以上电气特征量组合得到局部放电电气特征向量D。
如图2,步骤三、将PRPD谱图进行灰度处理,并利用基于局部图结构优化方法提取其灰度图像纹理特性以及矩特性、熵、能量、逆差矩、惯性矩特征量,共同构成图像特征向量。本公开实施例子提取纹理特征的时候计算了其每个单位区域变化最快的方向。
其中,对灰度化处理后的图像,利用PRPD灰度图进行矩特性特征量提取,同时,计算PRPD灰度图的方向变化权重,选取其中变化最快方,基于灰度变化最快方向选择结果生成灰度共生矩阵并提取其纹理特性特征量,将矩特性向量与纹理特性向量组合形成图形特征量。
具体步骤中,首先对PRPD谱图进行灰度化处理,具体方法如下所示:
根据测量设备的相位精度将PRPD谱图进行网格划分,以每个网格中放电次数为依据,将每个网格按照灰度级范围为[0,255]进行归一化划分,完成灰度处理。则每个网格的灰度为:
n每个网格代表的的值。
首先进行灰度图像矩特性的提取,用以反映灰度区域整体特性
将灰度处理后的图形进行原点矩的计算,对于处理后的灰度图像H(x,y)的a+b阶原点矩为
灰度图像重心(x0,y0)的计算方法为:
得到灰度图像重心后计算其中心矩;
其二阶中心矩分别表示其灰度特征的垂直与水平特性,采用两中心距比值为其矩特征
通过以上方法计算其正周期灰度重心、负周期灰度重心及整体灰度重心,作为矩特征参数,并形成矩特征参数向量J。
利用局部图结构优化的方法提取PRPD谱图的纹理特性,对比度、熵特性。
对于局部放电PRPD谱图纹理特性一般基于其灰度级进行计算,通过权重优化算法对其纹理变化特性进行简化计算。PRPD谱图有有较为明显的局部特性,即放电主要集中在某一频率、幅值范围内进行,因此从全局进行计算其特征量过程复杂,纹理特性本身反映其图像变化规律。对于每个灰度网格区域其信息变化一般是有四个方向,即0度方向、45度方向、90度方向、135度方向。
采用灰度共生矩阵等效提取其纹理特性,在提取时,需要计算其偏移量,该量由距离和倾角决定,对于每一个点,只需要计算其周围附近的变化规律,因此采用局部优化改良算法进行距离与偏移角的选择,因为图像有明显的聚集性,一般聚集起来的时候证明绝缘状态较好,很分散的时候其状态很差,因此大部分时候不需要全局计算,进行局部集中分析可以使其加快计算速度,降低不必要的计算。
以某一网格点0度方向为例,从目标网格点左侧开始,以顺时针方向进行结构计算,选取其左侧三个点,将其中首部大于尾部的路径设为1,小于尾部的路径设为0,因此可以得到一个长度为8位的二进制数,将次二进制数转换为十进制。
通过此方法可得到其四个不同方向的特征值,取其中特征值最大的方向作为该点纹理变化最速方向,即方格位置方向上它的值变化的最快的,并以此作为灰度共生矩阵计算方向,其余方向偏移量忽略不计,通过此方法来简化灰度图像纹理特性的提取。
在得到网格点的纹理变化最速方向后,其灰度共生矩阵中坐标为(i,j)的元素计算公式为
其中px,y是灰度图像中(x,y)点的灰度值,pa,b为(a,b)点的灰度值。a,b分别是距离和倾角的偏移量,此时根据最快变化方向角来确定偏移量,对于无偏移量的方向取该点为0。
a=x+dcos(θ),
b=y+dcos(θ)。
通过计算得到的灰度共生矩阵提取以下特征信息
对比度:
能量特性
熵特性
将上述提取到的局放特征量组合,形成图像特征量向量T=(W,J)
步骤四、如图3所示,将电气特征向量与图像特征量进行组合,得到完备特征向量,并使用主成分分析与改进熵特性方法进行融合特征量提取方法进行权重评估,再进行权重评估之后,将所得完备特征量进行降维处理,实现局部放电最优特征量的提取。
本公开实施例进行融合特征量提取方法进行权重评估,避免单一提取方法所带来的特征量权重计算误差。主成分分析主要看谁的影响最大。改进熵特性看谁携带的信息更多。这样可以兼顾影响力与信息量。
其中,求解完备特征量的内中数据之和,用每种特征量除以其数据之和,进行数据标准化处理,然后,对标准化处理后的数据求解特征量矩阵的协方差矩阵,根据特征向量矩阵的协方差矩阵计算其特征值和特征向量,同时对标准化处理后的数据计算每组特征值的信息熵,根据信息熵计算每种特征量的权重,根据融合方法所得权重系数按照相同比重相加,根据所得每种特征值的权重系统进行降维,选取其权重较大的部分。
具体为:将采集到的n组数据所提取的特征量按顺序排列,并使用融合特征量提取方法进行权重分析,实现完备特征向量的降维,完成特征提取。
对于完备特征向量,将其按行排列形成完备矩阵Q;
Q={D,W,J}
将完备矩阵W进行标准化,成为标准完备矩阵W0,使其均值为0;
Q0={D0,W0,J0}
第一步,利用主成分分析法进行优势特征量提取,方法如下:
计算标准完备矩阵的协方差矩阵Cov(Q0)
利用协方差矩阵求取特征根Q以及特征向量q,利用特征根计算每个特征量的权重系数α
得到其优势系数为:
Y={α1,α2,...,α12]
第二步,利用熵信息法,综合考量每一个特征量所蕴含信息量。
将所测得的n组特征量,进行归一化处理之后,排成如下形式,以三维为例
计算信息熵:
在各种情况下取其权重,其权重如下所示:
因此,该模式下的特征向量所占权重为
通过联合权重系数计算实现完备特征向量的权重评估:
Z=(z1,z2,...,z12)
选取其中权重较重的特征量提取,完成特征量的提取。
本发明避免了单一种类特征量提取方法对局放模式识别造成的误判情况,特征提取方法具有较强的抗噪能力。
基于同样的发明构思,本实施例的目的是提供一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述实施例子中所述方法的步骤。
基于同样的发明构思,本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时执行上述实施例子中所述方法的步骤。
基于同样的发明构思,本实施例的目的是提供计及电气特征量与图形特征的局部放电融合特征提取系统,包括:
完备特征向量获得模块,被配置为将电气设备局部放电电气特征量与图像特征量进行组合得到新的完备特征向量;
最优特征量提取模块,被配置为对完备特征向量进行权重评估,再进行权重评估之后,将所得完备特征向量进行降维处理,提取局部放电最优特征量。
以上实施例的装置中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质;还应当被理解为包括任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本公开中的任一方法。
本领域技术人员应该明白,上述本公开的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本公开不限制于任何特定的硬件和软件的结合。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.计及电气特征量与图形特征的局部放电融合特征提取方法,其特征是,包括:
将电气设备局部放电电气特征量与图像特征量进行组合得到新的完备特征向量;
对完备特征向量进行权重评估,再进行权重评估之后,将所得完备特征向量进行降维处理,提取局部放电最优特征量。
2.如权利要求1所述的计及电气特征量与图形特征的局部放电融合特征提取方法,其特征是,将电气设备局部放电电气特征量与图像特征量进行组合得到新的完备特征向量之前还包括电气设备局部放电电气特征量的提取步骤。
3.如权利要求2所述的计及电气特征量与图形特征的局部放电融合特征提取方法,其特征是,所述电气设备局部放电电气特征量的提取步骤包括:
采集n组局部放电脉冲信号并对局放信号进行降噪预处理;
基于降噪后的局部放电信号时域波形,提取电气设备局部放电电气特征量。
4.如权利要求3所述的计及电气特征量与图形特征的局部放电融合特征提取方法,其特征是,对局放信号进行降噪预处理包括:
对局放信号进行小波变换;
将小波变换得到各分量的尺度系数,再从各尺度上的小波系数进行阈值量化处理;
将阈值处理后的小波分解信号进行小波重构,得到去噪后的信号。
5.如权利要求1所述的计及电气特征量与图形特征的局部放电融合特征提取方法,其特征是,将电气设备局部放电电气特征量与图像特征量进行组合得到新的完备特征向量之前还包括电气设备局部放电图像特征量的提取步骤。
6.如权利要5所述的计及电气特征量与图形特征的局部放电融合特征提取方法,其特征是,电气设备局部放电图像特征量的提取步骤为:
将电气设备局部放电谱图进行灰度处理,并利用基于局部图结构优化方法提取其灰度图像纹理特性以及矩特性、熵、能量、逆差矩、惯性矩特征量,共同构成图像特征向量。
7.如权利要1所述的计及电气特征量与图形特征的局部放电融合特征提取方法,其特征是,针对组合得到新的完备特征向量,进行权重评估:
对于完备特征向量,将其按行排列形成完备矩阵;
将完备矩阵进行标准化;
对标准化的完备矩阵,利用主成分分析法进行优势特征量提取;
利用熵信息法,综合考量每一个特征量所蕴含信息量,提取其中权重较重的特征量,完成特征量的提取。
8.计及电气特征量与图形特征的局部放电融合特征提取系统,其特征是,包括:
完备特征向量获得模块,被配置为将电气设备局部放电电气特征量与图像特征量进行组合得到新的完备特征向量;
最优特征量提取模块,被配置为对完备特征向量进行权重评估,再进行权重评估之后,将所得完备特征向量进行降维处理,提取局部放电最优特征量。
9.一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征是,所述处理器执行所述程序时实现权利要求1-7任一所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征是,该程序被处理器执行时执行权利要求1-7任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010541980.1A CN111666912B (zh) | 2020-06-15 | 2020-06-15 | 计及电气特征量与图形特征的局部放电融合特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010541980.1A CN111666912B (zh) | 2020-06-15 | 2020-06-15 | 计及电气特征量与图形特征的局部放电融合特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111666912A true CN111666912A (zh) | 2020-09-15 |
CN111666912B CN111666912B (zh) | 2024-01-23 |
Family
ID=72388027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010541980.1A Active CN111666912B (zh) | 2020-06-15 | 2020-06-15 | 计及电气特征量与图形特征的局部放电融合特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111666912B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112147474A (zh) * | 2020-10-30 | 2020-12-29 | 广东电网有限责任公司阳江供电局 | Xlpe电力电缆典型缺陷局部放电类型识别系统及方法 |
CN112763871A (zh) * | 2020-12-30 | 2021-05-07 | 珠海华网科技有限责任公司 | 一种局部放电分类识别方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103344887A (zh) * | 2013-05-30 | 2013-10-09 | 国家电网公司 | 一种适用于gis设备局部放电检测的试验方法 |
CN104361238A (zh) * | 2014-11-17 | 2015-02-18 | 北京信息科技大学 | 一种基于信息熵改进pca的故障敏感特征提取方法 |
CN106157232A (zh) * | 2016-06-30 | 2016-11-23 | 广东技术师范学院 | 一种数字图像特征感知的通用隐写分析方法 |
CN106447115A (zh) * | 2016-10-08 | 2017-02-22 | 华北电力科学研究院有限责任公司 | 区域电网的风电功率预测的评价方法 |
CN107895227A (zh) * | 2017-11-02 | 2018-04-10 | 上海电力学院 | 一种移动焊接机器人运行方案的综合评价方法 |
CN109063780A (zh) * | 2018-08-10 | 2018-12-21 | 国网上海市电力公司 | 基于粒子群优化核近邻传播算法的变压器局部放电识别方法 |
CN109066819A (zh) * | 2018-09-25 | 2018-12-21 | 中国人民解放军军事科学院国防工程研究院 | 一种基于案件推理的配电网的无功优化方法 |
CN109444682A (zh) * | 2018-11-02 | 2019-03-08 | 国网四川省电力公司广安供电公司 | 基于多信息融合的开关柜局部放电诊断系统的构建方法 |
CN109557429A (zh) * | 2018-11-07 | 2019-04-02 | 国网浙江省电力有限公司电力科学研究院 | 基于改进小波阈值去噪的gis局部放电故障检测方法 |
CN109685138A (zh) * | 2018-12-25 | 2019-04-26 | 东南大学 | 一种xlpe电力电缆局部放电类型识别方法 |
CN110275094A (zh) * | 2019-05-05 | 2019-09-24 | 电子科技大学 | 一种高压电缆局部放电声光联合检测方法及系统 |
CN110531228A (zh) * | 2019-09-03 | 2019-12-03 | 国网湖南省电力有限公司 | 基于主成分降维与聚类分析的gis局放严重程度判断方法、系统及介质 |
CN111178388A (zh) * | 2019-12-05 | 2020-05-19 | 上海交通大学 | 基于nsct光电融合图谱的局部放电相位分布检测方法 |
-
2020
- 2020-06-15 CN CN202010541980.1A patent/CN111666912B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103344887A (zh) * | 2013-05-30 | 2013-10-09 | 国家电网公司 | 一种适用于gis设备局部放电检测的试验方法 |
CN104361238A (zh) * | 2014-11-17 | 2015-02-18 | 北京信息科技大学 | 一种基于信息熵改进pca的故障敏感特征提取方法 |
CN106157232A (zh) * | 2016-06-30 | 2016-11-23 | 广东技术师范学院 | 一种数字图像特征感知的通用隐写分析方法 |
CN106447115A (zh) * | 2016-10-08 | 2017-02-22 | 华北电力科学研究院有限责任公司 | 区域电网的风电功率预测的评价方法 |
CN107895227A (zh) * | 2017-11-02 | 2018-04-10 | 上海电力学院 | 一种移动焊接机器人运行方案的综合评价方法 |
CN109063780A (zh) * | 2018-08-10 | 2018-12-21 | 国网上海市电力公司 | 基于粒子群优化核近邻传播算法的变压器局部放电识别方法 |
CN109066819A (zh) * | 2018-09-25 | 2018-12-21 | 中国人民解放军军事科学院国防工程研究院 | 一种基于案件推理的配电网的无功优化方法 |
CN109444682A (zh) * | 2018-11-02 | 2019-03-08 | 国网四川省电力公司广安供电公司 | 基于多信息融合的开关柜局部放电诊断系统的构建方法 |
CN109557429A (zh) * | 2018-11-07 | 2019-04-02 | 国网浙江省电力有限公司电力科学研究院 | 基于改进小波阈值去噪的gis局部放电故障检测方法 |
CN109685138A (zh) * | 2018-12-25 | 2019-04-26 | 东南大学 | 一种xlpe电力电缆局部放电类型识别方法 |
CN110275094A (zh) * | 2019-05-05 | 2019-09-24 | 电子科技大学 | 一种高压电缆局部放电声光联合检测方法及系统 |
CN110531228A (zh) * | 2019-09-03 | 2019-12-03 | 国网湖南省电力有限公司 | 基于主成分降维与聚类分析的gis局放严重程度判断方法、系统及介质 |
CN111178388A (zh) * | 2019-12-05 | 2020-05-19 | 上海交通大学 | 基于nsct光电融合图谱的局部放电相位分布检测方法 |
Non-Patent Citations (1)
Title |
---|
王磊: "基于主成分分析与信息熵的电能质量综合评估" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112147474A (zh) * | 2020-10-30 | 2020-12-29 | 广东电网有限责任公司阳江供电局 | Xlpe电力电缆典型缺陷局部放电类型识别系统及方法 |
CN112763871A (zh) * | 2020-12-30 | 2021-05-07 | 珠海华网科技有限责任公司 | 一种局部放电分类识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111666912B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gazor et al. | Speech probability distribution | |
CN111666912A (zh) | 计及电气特征量与图形特征的局部放电融合特征提取方法 | |
CN110503075B (zh) | 基于pso-eemd方法的行星齿轮箱故障诊断方法及系统 | |
CN113325277A (zh) | 一种局部放电处理方法 | |
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 | |
CN114237046B (zh) | 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法 | |
CN107092805B (zh) | 磁共振并行成像装置 | |
CN113109289A (zh) | 最优小波去噪组合的选取方法及THz光谱去噪方法 | |
Li et al. | Correlated SVD and its application in bearing fault diagnosis | |
CN114399483A (zh) | 皮层靶点确定方法、装置、电子设备及存储介质 | |
CN113642439B (zh) | 一种有载分接开关的机械状态异常检测方法、装置及设备 | |
CN116756594A (zh) | 一种电网数据异常点检测方法、系统、设备及介质 | |
CN107292847B (zh) | 一种数据降噪方法及系统 | |
CN116296243B (zh) | 一种基于大尺寸核稠密块的气动识别方法 | |
CN111965499A (zh) | 基于经验模态分解的局部放电数据去噪方法和系统 | |
CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
Lu et al. | A method combining fractal analysis and single channel ICA for vibration noise reduction | |
CN111142134B (zh) | 一种坐标时间序列处理方法及装置 | |
CN114692693A (zh) | 基于分形理论的分布式光纤信号识别方法、装置、存储介质 | |
CN113341283A (zh) | 一种变压器套管局部放电模式识别方法 | |
CN113655534A (zh) | 基于多线性奇异值张量分解核磁共振fid信号噪声抑制方法 | |
CN113785214A (zh) | 用于对mri测量数据进行多分量分析的方法 | |
CN111027587A (zh) | 一种交直流电网运行数据的属性标定方法及系统 | |
CN110688981A (zh) | 一种振动信号去噪的模态混叠消除方法 | |
CN116226647B (zh) | 电力电缆局部放电模式的识别方法、装置、设备及介质 |
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 |