CN111695543A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111695543A
CN111695543A CN202010579286.9A CN202010579286A CN111695543A CN 111695543 A CN111695543 A CN 111695543A CN 202010579286 A CN202010579286 A CN 202010579286A CN 111695543 A CN111695543 A CN 111695543A
Authority
CN
China
Prior art keywords
hidden danger
array
neural network
traveling wave
power transmission
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
CN202010579286.9A
Other languages
English (en)
Other versions
CN111695543B (zh
Inventor
曾华荣
毛先胤
黄欢
马晓红
卢金科
张强永
罗国强
张露忪
吴建蓉
邱实
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.)
Guizhou Power Grid Co Ltd
Original Assignee
Guizhou Power Grid 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 Guizhou Power Grid Co Ltd filed Critical Guizhou Power Grid Co Ltd
Priority to CN202010579286.9A priority Critical patent/CN111695543B/zh
Publication of CN111695543A publication Critical patent/CN111695543A/zh
Application granted granted Critical
Publication of CN111695543B publication Critical patent/CN111695543B/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
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06F2218/08—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

Abstract

本发明公开了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，它包括：步骤S1，将一次隐患放电行波波形数组滤除白噪声干扰，得到波形数组x[n]；步骤S2，通过x[n]构造4个特征数组；步骤S3，将4个特征数组归一化；步骤S4，将归一化后的4个数组各分成p块，每一块内求和，得到p*4个特征参量；步骤S5，构建BP神经网络，每一种隐患类型按照步骤S1‑S4各提取多组p*4个特征参量后输入神经网络进行训练，得到神经网络中间权重矩阵参数；步骤S6，将检验样本特征参量输入训练后的神经网络，通过输出层输出与预设期望结果进行对比，判断隐患放电类型，解决了目前无法准确辨识输电线路隐患放电类型的技术问题。

Description

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
技术领域
本发明属于输电线路放电类型识别领域，尤其涉及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。
背景技术
输电线路是电网的重要组成部分，研究及运行经验发现，输电线路部分故障在形成闪络前会存在隐患放电现象，这些隐患放电若不及时辨识并处理，将会对电力系统的安全运行带来不利影响。因此，对预放电进行监测及预警，并实现隐患类型的准确识别，将有助于及时排查隐患，制定针对性的防范措施，并防止输电线路形成跳闸故障。
目前已有基于放电电流的故障类型辨识研究或局部放电类型辨识方法。文献《输电线路故障类型辨识研究》中介绍了基于行波特征的雷击与非雷击、绕击及反击等几种常见故障的辨识方法，其采用的判别依据主要是行波幅值、波尾时间等波形参数。文献《GIS特高频局部放电特征量优选及类型识别研究》中介绍了一种不直接提取局部放电电流原始时频特征，采集大量局部放电脉冲，提取脉冲分布的统计规律，以此实现局部放电类型的识别。以上方法均不适用于隐患放电类型判断，主要原因有以下几点：一是故障行波幅值在数十安到数千安之间，而隐患放电行波幅值在数毫安到数安之间，故障行波幅值远大于隐患放电行波幅值；二是由于不同故障对应的闪络通道差异大，形成的行波在参数上存在较大的差异，而隐患放电本质上是一种弱放电，不同类型隐患放电电流时域参数差异并不显著；三是局部放电脉冲对应的电流多为nA～μA级，幅值上远弱于隐患放电，局部放电频次一般远高于隐患放电，在局部放电监测里可以短时间内提取海量的放电脉冲，以此实现有统计意义的特征参数提取，减少监测样本量过少带来的误差，实现准确识别，而隐患放电具有间歇性，放电频次远低于局部放电。另一方面，局部放电监测多针对电力设备，可以通过多种手段获取放电识别里一个关键特征参量，即脉冲相位，而输电线路隐患监测应用里，监测终端直接安装于输电导线上，难以获取准的工频电压，也无法计算脉冲放电的相位。因此使用以上方法会对输电线路隐患放电类型辨别存在严重的误判，无法有效辨识输电线路隐患放电类型。
发明内容
本发明要解决的技术问题是：提供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，以解决目前无法有效辨识输电线路隐患放电类型的技术问题。
本发明的技术方案是：
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，它包括：
步骤S1，将一次隐患放电行波波形数组a[n]滤除白噪声干扰，得到处理后的波形数组x[n]；
步骤S2，通过处理后的波形数组x[n]构造特征数组w1[n]、w2[n]、w3[n]和w4[n]；
步骤S3，将特征数组w1[n]、w2[n]、w3[n]和w4[n]归一化；
步骤S4，按向量维数p将归一化后的数组w1[n]、w2[n]、w3[n]和w4[n]各分成p块，并对每一块内求和，得到p*4个特征参量；
步骤S5，构建BP神经网络，对于每一种隐患类型，按照步骤S1-S4所述方法各提取一组以上p*4个特征参量；将一组以上特征参量输入到BP神经网络进行训练，得到神经网络中间权重矩阵参数v(i,h)和v(h,f)；
步骤S6，将未知类型的检验样本按照步骤S1-S4所述方法得到特征参量后，输入训练后的BP神经网络，通过权重矩阵映射得到隐含层输出结果和输出层输出结果，通过输出层输出与预设期望结果进行对比，判断该隐患放电类型判断隐患放电类型。
步骤S1所述得到去噪后的波形数组x[n]的方法包括：
S11、求取数组a[n]平均值μ，标准差δ；
S12、对数组a[n]中所有元素进行判断，若满足公式：
|a[i]-μ|＜k×δ，则将该a[i]元素置零，x[i]＝a[i]；
式中i＝1、2……n；
k为一正整数，取值范围[3,10]。
步骤S2中所述构造特征数组w1[n]的方法包括：
S21、将x[n]进行快速傅里叶变换；
S22、求取变换后的数组模值的平方，得到数组w1[n]。
步骤S2中所述构造特征数组w2[n]的方法包括：
将x[n]各元素分别求平方，得到数组w2[n]。
步骤S2中所述构造特征数组w3[n]的方法包括：
Figure BDA0002552566060000041
式中i＝1、2……n。
步骤S2中所述构造特征数组w4[n]的方法包括：
求取数组x[n]斜率，计算公式为：
w4[i]＝(x[i+1]-x[i])×fs；
式中i＝1、2……n-1；fs为采样频率，单位：Hz；
进一步计算得到
Figure BDA0002552566060000042
步骤S3所述归一化方法包括：
找到数组wi[n]中最大值，然后将wi[n]中各元素除以该最大值，得到归一化后数组wi[n]，式中i＝1、2、3、4。
步骤S4中所述p为一正整数，p的取值范围为[3,20]。
步骤S6中所述包括：
神经网络隐含层输出表达式为：
Figure BDA0002552566060000043
神经网络输出层输出表达式为：
Figure BDA0002552566060000044
式中f(x)为隐含层激励函数，使用sigmoid函数，表达式为：
Figure BDA0002552566060000045
xn是神经网络的输入量p*4个特征参量，v(i,h)和v(h,f)是神经网络中间权重矩阵参数,i，h和f分别为神经网络输入层，隐含层和输出层神经元个数。
本发明的有益效果：
本发明提供了一种全新的基于行波的时频参数提取方法，通过提取放电行波电流多维时域、频域特征参数，归一化处理后，结合神经网络算法，实现多种隐患放电类型的准确辨识。辨识结果有助于运维人员采取针对性的措施，提升运维运维效率，并大幅降低输电线路故障的发生概率。
本发明的优点：
1)基于行波特征，提取了多种维度下的矩阵，并将矩阵等长划分并计算，形成全面的评估指标，以此作为神经网络辨识算法的训练样本。
2)归一化处理数组，提升模型的收敛速度及精度。
3)充分的利用了监测数据的各种特征，消除偶然因素干扰，使得辨识准确率大幅提升。
4)利用BP神经网络高度自学习、自适应的能力以及容错能力，通过大量已知放电类型样本数据训练，实现多种隐患放电类型的准确辨识。
附图说明：
图1为待处理波形图；
图2为去除白噪声干扰后的波形图；
图3为神经网络结构图。
具体实施方式：
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，它包括：
步骤S1，将一次隐患放电行波波形数组a[n]滤除白噪声干扰，得到处理后的波形数组x[n]；
步骤S2，通过处理后的波形数组x[n]构造特征数组w1[n]、w2[n]、w3[n]和w4[n]；
步骤S3，将特征数组w1[n]、w2[n]、w3[n]和w4[n]归一化；
步骤S4，按向量维数p将归一化后的数组w1[n]、w2[n]、w3[n]和w4[n]各分成p块，并对每一块内求和，得到p*4个特征参量；
步骤S5，构建BP神经网络，对于每一种隐患类型，按照步骤S1-S4所述方法各提取一组以上p*4个特征参量；将一组以上特征参量输入到BP神经网络进行训练，得到神经网络中间权重矩阵参数v(i,h)和v(h,f)；
步骤S6，将未知类型的检验样本按照步骤S1-S4所述方法得到特征参量后，输入训练后的BP神经网络，通过权重矩阵映射得到隐含层输出结果和输出层输出结果，通过输出层输出与预设期望结果进行对比，判断该隐患放电类型判断隐患放电类型。
步骤S1所述得到去噪后的波形数组x[n]的方法包括：
S11、求取数组a[n]平均值μ，标准差δ；
S12、对数组a[n]中所有元素进行判断，若满足公式：
|a[i]-μ|＜k×δ，则将该a[i]元素置零，x[i]＝a[i]；
式中i＝1、2……n；
k为一正整数，取值范围[3,10]。
步骤S2中所述构造特征数组w1[n]的方法包括：
S21、将x[n]进行快速傅里叶变换；
S22、求取变换后的数组模值的平方，得到数组w1[n]。
步骤S2中所述构造特征数组w2[n]的方法包括：
将x[n]各元素分别求平方，得到数组w2[n]。
步骤S2中所述构造特征数组w3[n]的方法包括：
Figure BDA0002552566060000071
式中i＝1、2……n。
步骤S2中所述构造特征数组w4[n]的方法包括：
求取数组x[n]斜率，计算公式为：
w4[i]＝(x[i+1]-x[i])×fs；
式中i＝1、2……n-1；fs为采样频率，单位：Hz；
进一步计算得到
Figure BDA0002552566060000072
步骤S3所述归一化方法包括：
找到数组wi[n]中最大值，然后将wi[n]中各元素除以该最大值，得到归一化后数组wi[n]，式中i＝1、2、3、4。
步骤S4中所述p为一正整数，p的取值范围为[3,20]。
步骤S6中所述包括：
神经网络隐含层输出表达式为：
Figure BDA0002552566060000073
神经网络输出层输出表达式为：
Figure BDA0002552566060000081
式中f(x)为隐含层激励函数，使用sigmoid函数，表达式为：
Figure BDA0002552566060000082
xn是神经网络的输入量p*4个特征参量，v(i,h)和v(h,f)是神经网络中间权重矩阵参数,i，h和f分别为神经网络输入层，隐含层和输出层神经元个数。
以下将结合图1-图3对本发明的技术方案做进一步详细说明。
步骤S1，将一次隐患放电行波波形数组a[n]滤除白噪声干扰，得到处理后的波形数组x[n]；
步骤S2，通过处理后的波形数组x[n]构造特征数组w1[n]、w2[n]、w3[n]和w4[n]；
步骤S3，将特征数组w1[n]、w2[n]、w3[n]和w4[n]归一化；
步骤S4，按向量维数p将归一化后的数组w1[n]、w2[n]、w3[n]和w4[n]各分成p块，并对每一块内求和，得到p*4个特征参量；
本实施例中p＝3；
因此得到的特征参量总数为3*4＝12个，计算结果如下表所示：
数组 I II III
w1 0.985 1.442 1.765
w2 0.005 18.762 6.541
w3 0.002 7.543 1.954
w4 0.001 14.333 -6.525
树木放电特征参量计算结果
数组 I II III
w1 3.256 0.707 0.009
w2 0.003 11.252 9.535
w3 0.012 44.523 23.652
w4 0.004 -15.162 -1.336
污秽放电特征参量计算结果
步骤S5，构建BP神经网络，对于每一种隐患类型，按照步骤S1-S4所述方法各提取100组以上p*4个特征参量；将100组以上特征参量输入到BP神经网络进行训练，得到神经网络中间权重矩阵参数v(i,h)和v(h,f)；
步骤S6，将步骤S4中树木放电的12个参数以及污秽放电12个参数分别输入训练后的神经网络库进行匹配，经测试，示例树木放电波形辨识率为94％，污秽放电辨识率为92％，满足准确辨识的要求。

Claims (9)

1.一种基于行波时频特性的输电线路隐患放电类型辨识方法，它包括：
步骤S1，将一次隐患放电行波波形数组a[n]滤除白噪声干扰，得到处理后的波形数组x[n]；
步骤S2，通过处理后的波形数组x[n]构造特征数组w1[n]、w2[n]、w3[n]和w4[n]；
步骤S3，将特征数组w1[n]、w2[n]、w3[n]和w4[n]归一化；
步骤S4，按向量维数p将归一化后的数组w1[n]、w2[n]、w3[n]和w4[n]各分成p块，并对每一块内求和，得到p*4个特征参量；
步骤S5，构建BP神经网络，对于每一种隐患类型，按照步骤S1-S4所述方法各提取一组以上p*4个特征参量；将一组以上特征参量输入到BP神经网络进行训练，得到神经网络中间权重矩阵参数v(i,h)和v(h,f)；
步骤S6，将未知类型的检验样本按照步骤S1-S4所述方法得到特征参量后，输入训练后的BP神经网络，通过权重矩阵映射得到隐含层输出结果和输出层输出结果，通过输出层输出与预设期望结果进行对比，判断该隐患放电类型判断隐患放电类型。
2.根据权利要求1所述的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，其特征在于，步骤S1所述得到去噪后的波形数组x[n]的方法包括：
S11、求取数组a[n]平均值μ，标准差δ；
S12、对数组a[n]中所有元素进行判断，若满足公式：
|a[i]-μ|＜k×δ，则将该a[i]元素置零，x[i]＝a[i]；
式中i＝1、2……n；
k为一正整数，取值范围[3,10]。
3.根据权利要求1所述的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，其特征在于，步骤S2中所述构造特征数组w1[n]的方法包括：
S21、将x[n]进行快速傅里叶变换；
S22、求取变换后的数组模值的平方，得到数组w1[n]。
4.根据权利要求1所述的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，其特征在于，步骤S2中所述构造特征数组w2[n]的方法包括：
将x[n]各元素分别求平方，得到数组w2[n]。
5.根据权利要求1所述的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，其特征在于，步骤S2中所述构造特征数组w3[n]的方法包括：
Figure FDA0002552566050000021
式中i＝1、2……n。
6.根据权利要求1所述的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，其特征在于，步骤S2中所述构造特征数组w4[n]的方法包括：
求取数组x[n]斜率，计算公式为：
w4[i]＝(x[i+1]-x[i])×fs；
式中i＝1、2……n-1；fs为采样频率，单位：Hz；
进一步计算得到
Figure FDA0002552566050000031
7.根据权利要求1所述的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，其特征在于，步骤S3所述归一化方法包括：
找到数组wi[n]中最大值，然后将wi[n]中各元素除以该最大值，得到归一化后数组wi[n]，式中i＝1、2、3、4。
8.根据权利要求1所述的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，其特征在于，步骤S4中所述p为一正整数，p的取值范围为[3,20]。
9.根据权利要求1所述的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，其特征在于，步骤S6中所述包括：
神经网络隐含层输出表达式为：
Figure FDA0002552566050000032
神经网络输出层输出表达式为：
Figure FDA0002552566050000033
式中f(x)为隐含层激励函数，使用sigmoid函数，表达式为：
Figure FDA0002552566050000034
xn是神经网络输入量p*4个特征参量，v(i,h)和v(h,f)是神经网络中间权重矩阵参数,i，h和f分别为神经网络输入层，隐含层和输出层神经元个数。
CN202010579286.9A 2020-06-23 2020-06-23 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 Active CN111695543B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010579286.9A CN111695543B (zh) 2020-06-23 2020-06-23 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010579286.9A CN111695543B (zh) 2020-06-23 2020-06-23 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

Publications (2)

Publication Number Publication Date
CN111695543A true CN111695543A (zh) 2020-09-22
CN111695543B CN111695543B (zh) 2022-05-03

Family

ID=72483398

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010579286.9A Active CN111695543B (zh) 2020-06-23 2020-06-23 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

Country Status (1)

Country Link
CN (1) CN111695543B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112924810A (zh) * 2021-01-27 2021-06-08 国网山东省电力公司淄博供电公司 一种基于高频信号识别的电力电缆故障诊断方法及系统
CN113533913A (zh) * 2021-06-30 2021-10-22 通号（长沙）轨道交通控制技术有限公司 一种基于ap聚类算法的电缆局部放电诊断方法、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8744637B1 (en) * 2013-09-12 2014-06-03 Deepak Maragal Methods and apparatus for detecting the clearance of fault in shunt reactor compensated transmission lines
CN106501673A (zh) * 2016-10-21 2017-03-15 国网江苏省电力公司检修分公司 一种基于输电线路隐患放电实测电流行波的杂波判别方法
CN109270407A (zh) * 2018-11-16 2019-01-25 国网山东省电力公司电力科学研究院 基于多源信息融合的特高压直流输电线路故障原因辨识方法
CN109901020A (zh) * 2019-04-08 2019-06-18 珠海妙微科技有限公司 稀疏自动编码器优化神经网路的输电线路故障识别方法
CN110736893A (zh) * 2019-09-06 2020-01-31 贵州电网有限责任公司 一种输电线路行波监测终端的数据上传方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8744637B1 (en) * 2013-09-12 2014-06-03 Deepak Maragal Methods and apparatus for detecting the clearance of fault in shunt reactor compensated transmission lines
CN106501673A (zh) * 2016-10-21 2017-03-15 国网江苏省电力公司检修分公司 一种基于输电线路隐患放电实测电流行波的杂波判别方法
CN109270407A (zh) * 2018-11-16 2019-01-25 国网山东省电力公司电力科学研究院 基于多源信息融合的特高压直流输电线路故障原因辨识方法
CN109901020A (zh) * 2019-04-08 2019-06-18 珠海妙微科技有限公司 稀疏自动编码器优化神经网路的输电线路故障识别方法
CN110736893A (zh) * 2019-09-06 2020-01-31 贵州电网有限责任公司 一种输电线路行波监测终端的数据上传方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨旗等: "基于BP神经网络的输电线路隐患预放电识别研究", 《电力大数据》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112924810A (zh) * 2021-01-27 2021-06-08 国网山东省电力公司淄博供电公司 一种基于高频信号识别的电力电缆故障诊断方法及系统
CN113533913A (zh) * 2021-06-30 2021-10-22 通号（长沙）轨道交通控制技术有限公司 一种基于ap聚类算法的电缆局部放电诊断方法、设备及介质

Also Published As

Publication number Publication date
CN111695543B (zh) 2022-05-03

Similar Documents

Publication Publication Date Title
CN109685138B (zh) 一种xlpe电力电缆局部放电类型识别方法
US11402438B2 (en) Intelligent on-line diagnosis and positioning method for winding deformation of power transformers
Peng et al. Random forest based optimal feature selection for partial discharge pattern recognition in HV cables
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
CN109975665B (zh) 一种电力设备局部放电信号放电类型识别方法
CN109948597B (zh) 一种高压断路器机械故障诊断方法
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
CN109142851B (zh) 一种新型的配电网内部过电压识别方法
CN110415709B (zh) 基于声纹识别模型的变压器工作状态识别方法
CN107340456A (zh) 基于多特征分析的配电网工况智能识别方法
CN110208647B (zh) 一种基于随机矩阵的配电网单相接地故障区段定位方法
CN107037327A (zh) 局部放电故障判定特征提取方法及判定方法
CN110991481B (zh) 一种基于交叉小波变换的高压并联电抗器内部松动故障诊断方法
CN103091612A (zh) 一种变压器油纸绝缘多局部放电源信号的分离与识别算法
CN109444667A (zh) 基于卷积神经网络的配电网早期故障分类方法及装置
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
CN110147739A (zh) 一种基于多重分形谱算法的电抗器故障识别方法
CN106443380A (zh) 一种配电电缆局部放电信号识别方法及装置
CN115728612A (zh) 变压器放电故障诊断方法及装置
CN107977672A (zh) 基于海量数据并行运算的sf6设备二级故障诊断方法
CN111062569A (zh) 一种基于bp神经网络的小电流故障判别方法
CN114091549A (zh) 一种基于深度残差网络的设备故障诊断方法
CN111898446A (zh) 基于多算法归一化分析的单相接地故障研判方法
CN116559650A (zh) 一种基于多维熵距的自动转换开关故障识别方法
CN116298509A (zh) 一种电力系统谐波谐振的在线识别方法

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