CN112051493A - 一种配电网设备的隐患类型识别方法及装置 - Google Patents
一种配电网设备的隐患类型识别方法及装置 Download PDFInfo
- Publication number
- CN112051493A CN112051493A CN202010981629.4A CN202010981629A CN112051493A CN 112051493 A CN112051493 A CN 112051493A CN 202010981629 A CN202010981629 A CN 202010981629A CN 112051493 A CN112051493 A CN 112051493A
- Authority
- CN
- China
- Prior art keywords
- category
- characteristic information
- distribution network
- network equipment
- hidden danger
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G01R31/1209—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 using acoustic measurements
-
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开一种配电网设备的隐患类型识别方法及装置,通过获取对配电网设备采集到的超声波数据,将超声波数据的原始声波频率转换成人耳能够收听到的声波频率,以获得目标超声波数据,以及将目标超声波数据保存为音频文件,提取音频文件的特征信息进行识别出配电网设备的隐患类型,能够识别隐患类型,进而提供有效的规避措施。
Description
技术领域
本发明涉及配电网技术领域,更具体地,涉及一种配电网设备的隐患类型识别方法及装置。
背景技术
电能在工业领域和日常生活中的作用越来越重要,这也要求电力系统要更加的安全、稳定。电力系统一旦发生故障,检修时间长、困难大,影响范围比较广。对电力系统而言,配电网直接面对终端用户,直接关系到人民群众的生产生活质量,如何在确保电网安全稳定运行的前提下,快速查找和排除线路故障,进一步提高配电网供电可靠性,是供电公司持续关注的重点问题。
关于线路故障排查,针对配电网设备的排查最为棘手。由于配电网设备的架空线路受气候因素影响,易老化损耗,且线路走廊环境恶劣,容易引发线路故障造成停电。目前,配电网设备的巡检主要采用人工观察结合热成像等技术,在实际工作中存在隐患难以发现的问题,而且目前主要采用肉眼、望远镜观察及热成像技术,检测范围小,且易受外部条件影响,很难准确地判断故障点的位置。
基于此,现有技术中也有出现一些基于超声波技术的巡检方法,如在中国申请的专利“一种超声波可视化检测方法及超声波可视化检测仪”(公开日2019.03.19,公开号CN109490723A)所公开的技术方案,提出了在显示界面上展示摄像头的摄像画面,当超声波信号强度超过阈值时,在显示界面上对超声波传感器的探测点进行提示。但是该方法旨在直观、快速地确定故障点,却依然难以识别隐患类型,进而提供有效的规避措施。
发明内容
本发明为克服上述现有技术的缺陷,提供一种配电网设备的隐患类型识别方法及装置,能够识别隐患类型,进而提供有效的规避措施。
为解决上述技术问题,本发明的技术方案如下:
本发明第一方面公开一种配电网设备的隐患类型识别方法,包括以下步骤:
包括以下步骤:
S1:获取对所述配电网设备采集到的超声波数据;
S2:将所述超声波数据的原始声波频率转换成人耳能够收听到的声波频率,以获得目标超声波数据;
S3:将所述目标超声波数据保存为音频文件;
S4:提取所述音频文件的特征信息;
S5:根据所述特征信息识别出所述配电网设备的隐患类型。
进一步地,所述步骤S5包括以下步骤:
S5.1:分别计算所述特征信息与每个类别中每个特征信息样本的第一距离,其中,每个所述类别包括若干特征信息样本,每个所述类别对应有一个类标签,所述类别的数量有多个;
S5.2:针对每个所述类别,在其所包括的若干特征信息样本中确定出所述第一距离较小的指定数量个近邻特性信息样本;
S5.3:获取每个所述类别中所述指定数量个近邻特征信息样本的均值;
S5.4:分别计算所述特征信息与每个所述类别中所述指定数量个近邻特征信息样本的均值的第二距离;
S5.5:获取每个所述类别的预设权重系数与该类别对应的第二距离的乘积;
S5.6:将所述乘积最大的类别所对应的类标签作为所述特征信息的隐患类型。
进一步地,所述的所述每个所述类别的预设权重系数具体为该类别所包括的特征信息样本数量与所有所述类别包括的特征信息样本总数量的占比。
进一步地,步骤S5.1之前,还可以包括以下步骤:
获取若干特征信息样本,对每一所述特征信息样本进行打标签;
将属于相同标签的特征信息样本归为相同的类别,以获得多个类别;
将每个所述类别所包括的若干特征信息样本所属的标签作为类标签。
进一步地,步骤S4包括以下步骤:
S4.1:提取所述音频文件的时域振幅特征;
S4.2:对所述时域振幅特征进行FFT变换得到FFT频谱特征;
S4.3:将所述FFT频谱特征作为所述音频文件的特征信息。
本发明第二方面公开一种配电网设备的隐患类型识别装置,包括:
数据获取单元,用于获取对所述配电网设备采集到的超声波数据;
声波转换单元,用于将所述超声波数据的原始声波频率转换成人耳能够收听到的声波频率,以获得目标超声波数据;
保存单元,用于将所述目标超声波数据保存为音频文件;
特征提取单元,用于提取所述音频文件的特征信息;
识别单元,用于根据所述特征信息识别出所述配电网设备的隐患类型。
进一步地,所述识别单元包括:
第一距离模块,用于分别计算所述特征信息与每个类别中每个特征信息样本的第一距离,其中,每个所述类别包括若干特征信息样本,每个所述类别对应有一个类标签,所述类别的数量有多个;
近邻样本确定模块,用于针对每个所述类别,在其所包括的若干特征信息样本中确定出所述第一距离较小的指定数量个近邻特性信息样本;
均值获取模块,用于获取每个所述类别中所述指定数量个近邻特征信息样本的均值;
第二距离模块,用于分别计算所述特征信息与每个所述类别中所述指定数量个近邻特征信息样本的均值的第二距离;
乘积获取模块,用于获取每个所述类别的预设权重系数与该类别对应的第二距离的乘积;
识别模块,用于将所述乘积最大的类别所对应的类标签作为所述特征信息的隐患类型。
进一步地,所述的所述每个所述类别的预设权重系数具体为该类别所包括的特征信息样本数量与所有所述类别包括的特征信息样本总数量的占比。
进一步地,还包括:
标记单元,用于在所述第一距离模块分别计算所述特征信息与每个类别中每个特征信息样本的第一距离之前,获取若干特征信息样本,对每一所述特征信息样本进行打标签;
归类单元,用于将属于相同标签的特征信息样本归为相同的类别,以获得多个类别;
类标记单元,用于将每个所述类别所包括的若干特征信息样本所属的标签作为类标签。
进一步地,所述特征提取单元包括:
提取模块,用于提取所述音频文件的时域振幅特征;
变换模块,用于对所述时域振幅特征进行FFT变换得到FFT频谱特征;
确定模块,用于将所述FFT频谱特征作为所述音频文件的特征信息。
与现有技术相比,本发明技术方案的有益效果是:本发明公开一种配电网设备的隐患类型识别方法及装置,通过获取对配电网设备采集到的超声波数据,将超声波数据的原始声波频率转换成人耳能够收听到的声波频率,以获得目标超声波数据,以及将目标超声波数据保存为音频文件,提取音频文件的特征信息进行识别出配电网设备的隐患类型,能够识别隐患类型,进而提供有效的规避措施,进一步提升配电网设备的巡检工作质量及安全管理水平。
附图说明
图1为实施例1配电网设备的隐患类型识别方法的流程图。
图2为实施例2配电网设备的隐患类型识别装置的示意图。
其中:201、数据获取单元;202、声波转换单元;203、保存单元;204、特征提取单元;205、识别单元。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示,本实施例提供一种配电网设备的隐患类型识别方法,包括如下步骤:
S1:获取对配电网设备采集到的超声波数据。
其中,配电网设备又称配电网电力设备,可以通过配网超声波检测仪贴近配电网设备附近对配电网设备进行数据采集,具体地,检测配电网设备内部局部放电所产生的超声波信号作为超声波数据。
S2:将超声波数据的原始声波频率转换成人耳能够收听到的声波频率,以获得目标超声波数据。
S3:将目标超声波数据保存为音频文件。
其中,可以以音频文件方式保存目标超声波数据,所存储的音频格式为WAV格式。
S4:提取音频文件的特征信息。
其中,音频文件的特征信息可以是时域特征信息或频域特征信息。
需要说明的是,音频文件的音频信号有时在时域上很难区分,于是可以将时域信号转成频域信号来识别。那么,步骤S4可以包括以下步骤:先提取音频文件的时域振幅特征。然后对时域振幅特征进行FFT变换得到FFT频谱特征,最后将FFT频谱特征作为音频文件的特征信息。
S5:根据特征信息识别出配电网设备的隐患类型。
需要说明的是,可以根据knn算法对特征信息进行识别,其中,knn算法是经典的可用于分类的机器学习算法,理论成熟,思想简单,准确度高。但是,当knn算法的训练样本分布不均匀时,knn算法很容易出现类偏向现象,使得分类准确率比较低。
基于此,本发明实施例中,可以针对knn算法进行改进,通过计算特征信息到每个类别中指定数量个近邻样本的均值的距离,同时,给每个类别赋予权重系数,解决了训练样本分布不均匀时分类准确率比较低的技术问题,进一步提高分类准确率。具体地,步骤S5可以包括以下步骤:
S5.1:分别计算特征信息与每个类别中每个特征信息样本的第一距离,其中,每个类别包括若干特征信息样本,每个类别对应有一个类标签,类别的数量有多个。
可选地,步骤S5.1之前,还可以包括以下步骤:获取若干特征信息样本,对每一特征信息样本进行打标签,将属于相同标签的特征信息样本归为相同的类别,以获得多个类别,将每个类别所包括的若干特征信息样本所属的标签作为类标签。
其中,假设有c个类别,类别可表示为:Zi(i=1,2,Λ,c),其中,Zi表示第i个类别。
S5.2:针对每个类别,在其所包括的若干特征信息样本中确定出第一距离较小的指定数量个近邻特性信息样本。
其中,指定数量可以是根据实际需求进行设定的。假设指定数量为k,那么每个类别中k个近邻特性信息样本可以通过以下公式表示:
S5.3:获取每个类别中指定数量个近邻特征信息样本的均值。
假设每个类别中k个近邻特性信息样本的均值为Mi,那么c个类别的均值集合M为:M={M1,M2,Λ,Mc}。
S5.4:分别计算特征信息与每个类别中指定数量个近邻特征信息样本的均值的第二距离。
假设特征信息到第i个类别中k个近邻特性信息样本的均值的第二距离为hi,那么c个类别的第二距离集合h为:h={h1,h2,Λ,hc}。
其中,第一距离和第二距离均具体可以为欧式距离。
S5.5:获取每个类别的预设权重系数与该类别对应的第二距离的乘积。
可选地,每个类别的预设权重系数具体可以为该类别所包括的特征信息样本数量与所有类别包括的特征信息样本总数量的占比。
S5.6:将乘积最大的类别所对应的类标签作为特征信息的隐患类型。
本实施例提供一种配电网设备的隐患类型识别方法,通过获取对配电网设备采集到的超声波数据,将超声波数据的原始声波频率转换成人耳能够收听到的声波频率,以获得目标超声波数据,以及将目标超声波数据保存为音频文件,提取音频文件的特征信息进行识别出配电网设备的隐患类型,能够识别隐患类型,进而提供有效的规避措施,进一步提升配电网设备的巡检工作质量及安全管理水平。
实施例2
如图2所示,本实施例提供一种配电网设备的隐患类型识别装置,包括数据获取单元201、声波转换单元202、保存单元203、特征提取单元204和识别单元205;其中:
数据获取单元201,用于获取对配电网设备采集到的超声波数据。
声波转换单元202,用于将超声波数据的原始声波频率转换成人耳能够收听到的声波频率,以获得目标超声波数据。
保存单元203,用于将目标超声波数据保存为音频文件。
特征提取单元204,用于提取音频文件的特征信息。
识别单元205,用于根据特征信息识别出配电网设备的隐患类型。
可选地,识别单元205包括以下未图示的模块:
第一距离模块,用于分别计算特征信息与每个类别中每个特征信息样本的第一距离,其中,每个类别包括若干特征信息样本,每个类别对应有一个类标签,类别的数量有多个;
近邻样本确定模块,用于针对每个类别,在其所包括的若干特征信息样本中确定出第一距离较小的指定数量个近邻特性信息样本;
均值获取模块,用于获取每个类别中指定数量个近邻特征信息样本的均值;
第二距离模块,用于分别计算特征信息与每个类别中指定数量个近邻特征信息样本的均值的第二距离;
乘积获取模块,用于获取每个类别的预设权重系数与该类别对应的第二距离的乘积;
识别模块,用于将乘积最大的类别所对应的类标签作为特征信息的隐患类型。
可选地,每个类别的预设权重系数具体为该类别所包括的特征信息样本数量与所有类别包括的特征信息样本总数量的占比。
可选地,图2所示的配电网设备的隐患类型识别装置还包括未图示的单元:
标记单元,用于在第一距离模块分别计算特征信息与每个类别中每个特征信息样本的第一距离之前,获取若干特征信息样本,对每一特征信息样本进行打标签;
归类单元,用于将属于相同标签的特征信息样本归为相同的类别,以获得多个类别;
类标记单元,用于将每个类别所包括的若干特征信息样本所属的标签作为类标签。
可选地,特征提取单元204包括以下未图示的模块:
提取模块,用于提取音频文件的时域振幅特征。
变换模块,用于对时域振幅特征进行FFT变换得到FFT频谱特征。
确定模块,用于将FFT频谱特征作为音频文件的特征信息。
本实施例提供一种配电网设备的隐患类型识别装置,通过获取对配电网设备采集到的超声波数据,将超声波数据的原始声波频率转换成人耳能够收听到的声波频率,以获得目标超声波数据,以及将目标超声波数据保存为音频文件,提取音频文件的特征信息进行识别出配电网设备的隐患类型,能够识别隐患类型,进而提供有效的规避措施,进一步提升配电网设备的巡检工作质量及安全管理水平。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种配电网设备的隐患类型识别方法,其特征在于,包括以下步骤:
S1:获取对所述配电网设备采集到的超声波数据;
S2:将所述超声波数据的原始声波频率转换成人耳能够收听到的声波频率,以获得目标超声波数据;
S3:将所述目标超声波数据保存为音频文件;
S4:提取所述音频文件的特征信息;
S5:根据所述特征信息识别出所述配电网设备的隐患类型。
2.根据权利要求1所述的一种配电网设备的隐患类型识别方法,其特征在于,所述步骤S5包括以下步骤:
S5.1:分别计算所述特征信息与每个类别中每个特征信息样本的第一距离,其中,每个所述类别包括若干特征信息样本,每个所述类别对应有一个类标签,所述类别的数量有多个;
S5.2:针对每个所述类别,在其所包括的若干特征信息样本中确定出所述第一距离较小的指定数量个近邻特性信息样本;
S5.3:获取每个所述类别中所述指定数量个近邻特征信息样本的均值;
S5.4:分别计算所述特征信息与每个所述类别中所述指定数量个近邻特征信息样本的均值的第二距离;
S5.5:获取每个所述类别的预设权重系数与该类别对应的第二距离的乘积;
S5.6:将所述乘积最大的类别所对应的类标签作为所述特征信息的隐患类型。
3.根据权利要求2所述的一种配电网设备的隐患类型识别方法,其特征在于,所述每个所述类别的预设权重系数具体为该类别所包括的特征信息样本数量与所有所述类别包括的特征信息样本总数量的占比。
4.根据权利要求2所述的一种配电网设备的隐患类型识别方法,其特征在于,步骤S5.1之前,还可以包括以下步骤:
获取若干特征信息样本,对每一所述特征信息样本进行打标签;
将属于相同标签的特征信息样本归为相同的类别,以获得多个类别;
将每个所述类别所包括的若干特征信息样本所属的标签作为类标签。
5.根据权利要求1至4任一项所述的一种配电网设备的隐患类型识别方法,其特征在于,步骤S4包括以下步骤:
S4.1:提取所述音频文件的时域振幅特征;
S4.2:对所述时域振幅特征进行FFT变换得到FFT频谱特征;
S4.3:将所述FFT频谱特征作为所述音频文件的特征信息。
6.一种配电网设备的隐患类型识别装置,其特征在于,包括:
数据获取单元,用于获取对所述配电网设备采集到的超声波数据;
声波转换单元,用于将所述超声波数据的原始声波频率转换成人耳能够收听到的声波频率,以获得目标超声波数据;
保存单元,用于将所述目标超声波数据保存为音频文件;
特征提取单元,用于提取所述音频文件的特征信息;
识别单元,用于根据所述特征信息识别出所述配电网设备的隐患类型。
7.根据权利要求6所述的一种配电网设备的隐患类型识别装置,其特征在于,所述识别单元包括:
第一距离模块,用于分别计算所述特征信息与每个类别中每个特征信息样本的第一距离,其中,每个所述类别包括若干特征信息样本,每个所述类别对应有一个类标签,所述类别的数量有多个;
近邻样本确定模块,用于针对每个所述类别,在其所包括的若干特征信息样本中确定出所述第一距离较小的指定数量个近邻特性信息样本;
均值获取模块,用于获取每个所述类别中所述指定数量个近邻特征信息样本的均值;
第二距离模块,用于分别计算所述特征信息与每个所述类别中所述指定数量个近邻特征信息样本的均值的第二距离;
乘积获取模块,用于获取每个所述类别的预设权重系数与该类别对应的第二距离的乘积;
识别模块,用于将所述乘积最大的类别所对应的类标签作为所述特征信息的隐患类型。
8.根据权利要求7所述的一种配电网设备的隐患类型识别装置,其特征在于,所述每个所述类别的预设权重系数具体为该类别所包括的特征信息样本数量与所有所述类别包括的特征信息样本总数量的占比。
9.根据权利要求7所述的一种配电网设备的隐患类型识别装置,其特征在于,还包括:
标记单元,用于在所述第一距离模块分别计算所述特征信息与每个类别中每个特征信息样本的第一距离之前,获取若干特征信息样本,对每一所述特征信息样本进行打标签;
归类单元,用于将属于相同标签的特征信息样本归为相同的类别,以获得多个类别;
类标记单元,用于将每个所述类别所包括的若干特征信息样本所属的标签作为类标签。
10.权利要求6至9任一项所述的一种配电网设备的隐患类型识别装置,其特征在于,所述特征提取单元包括:
提取模块,用于提取所述音频文件的时域振幅特征;
变换模块,用于对所述时域振幅特征进行FFT变换得到FFT频谱特征;
确定模块,用于将所述FFT频谱特征作为所述音频文件的特征信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010981629.4A CN112051493A (zh) | 2020-09-17 | 2020-09-17 | 一种配电网设备的隐患类型识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010981629.4A CN112051493A (zh) | 2020-09-17 | 2020-09-17 | 一种配电网设备的隐患类型识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112051493A true CN112051493A (zh) | 2020-12-08 |
Family
ID=73603901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010981629.4A Pending CN112051493A (zh) | 2020-09-17 | 2020-09-17 | 一种配电网设备的隐患类型识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112051493A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116665423A (zh) * | 2023-07-27 | 2023-08-29 | 国网山东省电力公司滨州市滨城区供电公司 | 一种电缆通道施工监测预警系统及方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040019601A1 (en) * | 2002-07-25 | 2004-01-29 | International Business Machines Corporation | Creating taxonomies and training data for document categorization |
JP2007226662A (ja) * | 2006-02-24 | 2007-09-06 | Nagasaki Univ | パターン識別方法、パターン識別装置及びプログラム |
CN203054173U (zh) * | 2013-02-20 | 2013-07-10 | 广州南方电力集团技术有限公司 | 一种基于超声波技术的开关柜绝缘缺陷智能检测仪 |
CN203658525U (zh) * | 2013-12-27 | 2014-06-18 | 国家电网公司 | 带电检测和诊断电力设备缺陷的装置 |
CN106546892A (zh) * | 2016-11-10 | 2017-03-29 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电超声音频识别方法及系统 |
CN107422232A (zh) * | 2017-06-20 | 2017-12-01 | 国网山东省电力公司诸城市供电公司 | 一种配电网终端设备的数字式带电检测工具 |
CN108896878A (zh) * | 2018-05-10 | 2018-11-27 | 国家电网公司 | 一种基于超声波的局部放电检测方法 |
CN109543739A (zh) * | 2018-11-15 | 2019-03-29 | 杭州安恒信息技术股份有限公司 | 一种日志分类方法、装置、设备及可读存储介质 |
CN109856517A (zh) * | 2019-03-29 | 2019-06-07 | 国家电网有限公司 | 一种特高压设备局部放电检测数据的判别方法 |
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 |
CN110647924A (zh) * | 2019-09-05 | 2020-01-03 | 国网河北省电力有限公司电力科学研究院 | 一种基于支持向量描述与k近邻算法的gis设备状态评估方法 |
CN111027609A (zh) * | 2019-12-02 | 2020-04-17 | 武汉大学 | 一种图像数据加权分类方法和系统 |
CN111369384A (zh) * | 2019-12-23 | 2020-07-03 | 国网河南省电力公司郑州供电公司 | 变电运维隐患全过程管控系统 |
CN111626153A (zh) * | 2020-05-13 | 2020-09-04 | 电子科技大学 | 一种基于集成学习的局放故障状态识别方法 |
-
2020
- 2020-09-17 CN CN202010981629.4A patent/CN112051493A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040019601A1 (en) * | 2002-07-25 | 2004-01-29 | International Business Machines Corporation | Creating taxonomies and training data for document categorization |
JP2007226662A (ja) * | 2006-02-24 | 2007-09-06 | Nagasaki Univ | パターン識別方法、パターン識別装置及びプログラム |
CN203054173U (zh) * | 2013-02-20 | 2013-07-10 | 广州南方电力集团技术有限公司 | 一种基于超声波技术的开关柜绝缘缺陷智能检测仪 |
CN203658525U (zh) * | 2013-12-27 | 2014-06-18 | 国家电网公司 | 带电检测和诊断电力设备缺陷的装置 |
CN106546892A (zh) * | 2016-11-10 | 2017-03-29 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电超声音频识别方法及系统 |
CN107422232A (zh) * | 2017-06-20 | 2017-12-01 | 国网山东省电力公司诸城市供电公司 | 一种配电网终端设备的数字式带电检测工具 |
CN108896878A (zh) * | 2018-05-10 | 2018-11-27 | 国家电网公司 | 一种基于超声波的局部放电检测方法 |
CN109543739A (zh) * | 2018-11-15 | 2019-03-29 | 杭州安恒信息技术股份有限公司 | 一种日志分类方法、装置、设备及可读存储介质 |
CN109856517A (zh) * | 2019-03-29 | 2019-06-07 | 国家电网有限公司 | 一种特高压设备局部放电检测数据的判别方法 |
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 |
CN110647924A (zh) * | 2019-09-05 | 2020-01-03 | 国网河北省电力有限公司电力科学研究院 | 一种基于支持向量描述与k近邻算法的gis设备状态评估方法 |
CN111027609A (zh) * | 2019-12-02 | 2020-04-17 | 武汉大学 | 一种图像数据加权分类方法和系统 |
CN111369384A (zh) * | 2019-12-23 | 2020-07-03 | 国网河南省电力公司郑州供电公司 | 变电运维隐患全过程管控系统 |
CN111626153A (zh) * | 2020-05-13 | 2020-09-04 | 电子科技大学 | 一种基于集成学习的局放故障状态识别方法 |
Non-Patent Citations (2)
Title |
---|
邱文默: "基于局部多均值的近邻模式分类", 《CNKI优秀硕士学位论文全文库》 * |
邱文默: "基于局部多均值的近邻模式分类", 《CNKI优秀硕士学位论文全文库》, 15 December 2019 (2019-12-15), pages 7 - 8 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116665423A (zh) * | 2023-07-27 | 2023-08-29 | 国网山东省电力公司滨州市滨城区供电公司 | 一种电缆通道施工监测预警系统及方法 |
CN116665423B (zh) * | 2023-07-27 | 2023-10-31 | 国网山东省电力公司滨州市滨城区供电公司 | 一种电缆通道施工监测预警系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110826538B (zh) | 一种用于电力营业厅的异常离岗识别系统 | |
CN105654461A (zh) | 一种多分裂导线间隔棒断裂的机器视觉检测方法 | |
CN113124929A (zh) | 一种变电站多参数信号采集综合分析系统和方法 | |
CN103886294B (zh) | 基于图像的换流站用避雷器动作次数的识别方法以及系统 | |
CN104994334A (zh) | 基于实时视频的变电站自动监控方法 | |
CN109443190B (zh) | 基于暂态行波的变压器绕组变形在线监测方法及装置 | |
CN110738289A (zh) | 电力作业标准化的多维联动综合研判装置及其使用方法 | |
CN108596196B (zh) | 一种基于绝缘子图像特征词典的污秽状态评估方法 | |
CN111127445A (zh) | 基于深度学习的配网线路高温区域检测方法与系统 | |
CN117274722A (zh) | 基于红外图像的配电箱智能检测方法 | |
CN114371353A (zh) | 一种基于声纹识别的电力设备异常监测方法及系统 | |
CN115811138A (zh) | 配电自动化主站设备异常监测系统 | |
CN116184265A (zh) | 一种基于多分类svm的避雷器泄漏电流检测方法和系统 | |
CN112051493A (zh) | 一种配电网设备的隐患类型识别方法及装置 | |
WO2024119983A1 (zh) | 一种轨道车辆电缆终端的异常检测方法及装置 | |
CN114694050A (zh) | 一种基于红外图像的电力设备运行状态探测方法 | |
CN117367589A (zh) | 基于ai技术的变电站主设备全天候辅助测温系统 | |
CN117134490A (zh) | 一种基于云平台的智能电涌保护器监测系统及其方法 | |
CN111428987A (zh) | 一种基于人工智能的继保装置图像识别方法和系统 | |
CN115761644A (zh) | 基于深度学习和帧差法的输电导线异物检测方法 | |
CN111105395B (zh) | 一种用于输电运行监测的ai智能云台 | |
CN113640624A (zh) | 一种输电线路绝缘缺陷预放电风险预警系统及方法 | |
CN113702786B (zh) | 一种基于K-means的多参量悬式绝缘子绝缘状态评估方法 | |
LU503644B1 (en) | A voltage monitoring and early warning method and system for an offshore wind farm | |
CN110196152A (zh) | 基于机器视觉的大型景观灯组的故障诊断方法与系统 |
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 |