CN112307969B - 一种脉冲信号的分类辨识方法、装置及计算机设备 - Google Patents
一种脉冲信号的分类辨识方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN112307969B CN112307969B CN202011193883.4A CN202011193883A CN112307969B CN 112307969 B CN112307969 B CN 112307969B CN 202011193883 A CN202011193883 A CN 202011193883A CN 112307969 B CN112307969 B CN 112307969B
- Authority
- CN
- China
- Prior art keywords
- pulse
- radio frequency
- signal
- cluster
- clusters
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 98
- 230000009467 reduction Effects 0.000 claims abstract description 88
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000005070 sampling Methods 0.000 claims description 35
- 238000001228 spectrum Methods 0.000 claims description 34
- 230000015654 memory Effects 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 238000010183 spectrum analysis Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 2
- 230000036961 partial effect Effects 0.000 abstract description 52
- 238000001514 detection method Methods 0.000 abstract description 51
- 230000005764 inhibitory process Effects 0.000 abstract description 3
- 208000028659 discharge Diseases 0.000 description 56
- 230000000875 corresponding effect Effects 0.000 description 19
- 238000001914 filtration Methods 0.000 description 16
- 238000009826 distribution Methods 0.000 description 13
- 238000012544 monitoring process Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 230000008878 coupling Effects 0.000 description 10
- 238000010168 coupling process Methods 0.000 description 10
- 238000005859 coupling reaction Methods 0.000 description 10
- 230000002829 reductive effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000001360 synchronised effect Effects 0.000 description 9
- 238000009413 insulation Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000004927 fusion Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000001629 suppression Effects 0.000 description 5
- 230000000704 physical effect Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000004224 protection Effects 0.000 description 3
- 238000011946 reduction process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000003750 conditioning effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 208000032365 Electromagnetic interference Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种脉冲信号的分类辨识方法、装置及计算机设备,其中,该方法包括:获取射频脉冲信号的目标样本数据,目标样本数据为多维度高保真的样本数据;对射频脉冲信号的目标样本数据进行降噪处理,生成第一射频脉冲信号;对第一射频脉冲信号进行聚类分组,生成多个初始脉冲簇;对各初始脉冲簇进行带外降噪及带内降噪处理,生成多个目标脉冲簇;根据目标脉冲簇,分别生成多个相应的特征集;根据特征集,确定目标脉冲簇的类型。结合对射频脉冲信号进行识别提取、聚类分组、合理降噪以及分类辨识,实现了对脉冲型信号的有效抑制,提高了局放检测以及信号源定位的准确性,避免虚警以及误报。
Description
技术领域
本发明涉及面向电力设备状态监测的智能传感和量测技术领域,具体涉及一种脉冲信号的分类辨识方法、装置及计算机设备。
背景技术
对电网设备的健康状况和运行状态进行监测是保证电网安全运行的重要保证。电网设备中存在多种绝缘保护,在长期的机械、电、热、化学作用下上述绝缘保护逐渐老化,在电场强度较高的区域,电荷在绝缘较弱的部位定向移动,形成局部放电但不击穿绝缘。因此,局部放电是电网设备可能出现故障的早期征兆。对局放信号进行检测和定位也非常必要。
相关技术中,目前主要是基于空间耦合的局放宽带射频脉冲检测方法,但是对于开放空间中的局放宽带射频脉冲信号来说,容易引入各类电磁干扰信号,导致局放检测的虚警和误报。具体地,在变电站强电磁环境中,常见电磁干扰信号,有周期性窄带干扰(例如无线电广播、移动通信载波等)、脉冲型干扰(如电晕放电、电磁开关操作或电力电子器件产生的随机脉冲)和白噪声干扰。由于脉冲型干扰与局放脉冲信号具有相似的时频特性,以及白噪声干扰覆盖脉冲检测的全频段且在时域上持续存在,叠加在局放信号之后,降低其信噪比,导致与脉冲型干扰信号在时域波形上更趋于相似,导致无法基于波形特征准确区分干扰信号以及局部放电信号,引起局部放电信号的误差以及错判,使局放检测的准确性降低。
发明内容
有鉴于此,本发明实施例提供了一种脉冲信号的分类辨识方法、装置及计算机设备,以解决现有的局放信号检测过程中,由于存在多种电磁干扰导致局放检测的可靠性降低的问题。
根据第一方面,本发明实施例提供了一种脉冲信号的分类辨识方法,包括:获取射频脉冲信号的目标样本数据,所述目标样本数据为多维度高保真的样本数据;对所述射频脉冲信号的目标样本数据进行降噪处理,生成第一射频脉冲信号;对所述第一射频脉冲信号进行聚类分组,生成多个初始脉冲簇;对各初始脉冲簇进行带外降噪及带内降噪处理,生成多个目标脉冲簇;根据所述目标脉冲簇,分别生成多个相应的特征集;根据所述特征集,确定所述目标脉冲簇的类型。
结合第一方面,在第一方面第一实施方式中,所述对各初始脉冲簇进行带外降噪及带内降噪处理,生成多个目标脉冲簇的步骤,具体包括:对各初始脉冲簇进行带外降噪及带内降噪处理,生成多个第一脉冲簇及其定位结果;根据所述定位结果对所述第一脉冲簇进行聚类优化,生成多个目标脉冲簇。
结合第一方面第一实施方式,在第一方面第二实施方式中,所述对各初始脉冲簇进行带外降噪及带内降噪处理,生成多个第一脉冲簇的步骤,具体包括:对所述初始脉冲簇进行频谱分析,确定所述初始脉冲簇的带外降噪频带范围;根据所述带外降噪频带范围,生成第二脉冲簇;根据预设主成分分析算法,确定所述第二脉冲簇的主维度;根据第二脉冲簇的主维度,分别在各所述第二脉冲簇中降维去噪生成多个第一脉冲簇。
结合第一方面第二实施方式,在第一方面第三实施方式中,生成多个第一脉冲簇的定位结果的步骤,具体包括:分别获取多个第一脉冲簇到达各传感器的信号强度比和/或到达时间差;根据所述信号强度比和/或到达时间差,生成多个第一脉冲簇的定位结果。
结合第一方面第三实施方式,在第一方面第四实施方式中,所述根据所述定位结果对所述第一脉冲簇进行聚类优化,生成多个目标脉冲簇,具体包括:根据所述第一脉冲簇的定位结果,分别确定所述第一脉冲簇的信号源位置;当所述第一脉冲簇的信号源位置均相同时,所述第一脉冲簇即为目标脉冲簇;和/或,当所述第一脉冲簇的信号源位置不同时,根据信号源位置,生成多个子脉冲簇,所述子脉冲簇即为目标脉冲簇;和/或,当不同的第一脉冲簇的信号源位置相同时,根据所述信号源位置,生成超脉冲簇,所述超脉冲簇即为目标脉冲簇;
结合第一方面,在第一方面第五实施方式中,所述获取射频脉冲信号的目标样本数据的步骤,具体包括:获取符合目标频带范围,且符合目标信号强度范围的模拟射频信号;获取所述模拟射频信号的最高频率,根据所述最高频率确定采样频率;根据所述采样频率、采样垂直分辨率以及采样时钟同步精度对所述模拟射频信号进行采样,生成射频信号的样本数据;在所述射频信号的样本数据中,提取符合预设脉冲信号特征的样本数据,生成射频脉冲信号的目标样本数据。
结合第一方面,在第一方面第六实施方式中,所述对所述射频脉冲信号的目标样本数据进行降噪处理,生成第一射频脉冲信号,具体包括:对所述目标样本数据进行频谱分析,确定所述目标样本数据的频带范围;根据所述频带范围以及所述目标样本数据,生成第一射频脉冲信号。
结合第一方面,在第一方面第七实施方式中,所述对所述第一射频脉冲信号进行聚类分组,生成多个初始脉冲簇,具体包括:根据所述第一射频脉冲信号的传感器标识信息,将所述第一射频脉冲信号划分为多个第二射频脉冲信号;根据各第二射频脉冲信号的波形特征以及频谱特征,分别生成多个初始脉冲簇。
结合第一方面第七实施方式,在第一方面第八实施方式中,该方法还包括:根据所述第二射频脉冲信号对应的多个初始脉冲簇,计算生成各所述第二射频脉冲信号的第一重合比率;根据所述第一重合比率确定各所述第二射频脉冲信号的第一聚类分组结果;当所述第一聚类分组结果的一致性大于或等于第一预设阈值时,根据多个第二射频脉冲信号,生成目标特征向量,根据所述目标特征向量调整其他第二射频脉冲信号,生成与所述重合比率相符合的多个初始脉冲簇;当所述第一聚类分组结果的一致性小于所述第一预设阈值时,调整波形特征以及频谱特征,重新执行所述根据各第二射频脉冲信号的波形特征以及频谱特征,分别生成多个初始脉冲簇的步骤。
结合第一方面第八实施方式,在第一方面第九实施方式中,该方法还包括:当重新执行所述根据各第二射频脉冲信号的波形特征以及频谱特征,分别生成多个初始脉冲簇的步骤之后,计算生成各所述第二射频脉冲信号的第二重合比率;根据所述第二重合比率确定各所述第二射频脉冲信号的第二聚类分组结果的一致性;当所述第二聚类分组结果的一致性仍然小于第一预设阈值时,维持所述根据各第二射频脉冲信号的波形特征以及频谱特征,分别生成多个初始脉冲簇的步骤中生成的初始脉冲簇不变。
根据第二方面,本发明实施例提供了一种脉冲信号的分类辨识装置,包括:目标样本数据获取模块,用于获取射频脉冲信号的目标样本数据,所述目标样本数据为多维度高保真的样本数据;第一射频脉冲信号生成模块,用于对所述射频脉冲信号的目标样本数据进行降噪处理,生成第一射频脉冲信号;初始脉冲簇生成模块,用于对所述第一射频脉冲信号进行聚类分组,生成多个初始脉冲簇;目标脉冲簇生成模块,用于对各初始脉冲簇进行带外降噪及带内降噪处理,生成多个目标脉冲簇;特征集提取模块,用于根据所述目标脉冲簇,分别生成多个相应的特征集;类型确定模块,用于根据所述特征集,确定所述目标脉冲簇的类型。
根据第三方面,本发明实施例提供了一种计算机设备/移动终端/服务器,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行第一方面或者第一方面的任意一种实施方式中所述的脉冲信号的分类辨识的方法。
根据第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行第二方面或者第二方面的任意一种实施方式中所述的脉冲信号的分类辨识的方法。
本发明技术方案,具有如下优点:
本发明提供的一种脉冲信号的分类辨识方法、装置及计算机设备,其中,该方法包括:获取射频脉冲信号的目标样本数据,所述目标样本数据为多维度高保真的样本数据;对所述射频脉冲信号的目标样本数据进行降噪处理,生成第一射频脉冲信号;对所述第一射频脉冲信号进行聚类分组,生成多个初始脉冲簇;对各初始脉冲簇进行带外降噪及带内降噪处理,生成多个目标脉冲簇;根据所述目标脉冲簇,分别生成多个相应的特征集;根据所述特征集,确定所述目标脉冲簇的类型。结合多维度高保真的目标样本数据,确定时域、频域以及空域详细的信号特征信息,以及对射频脉冲信号进行识别提取、聚类分组、合理降噪以及分类辨识,解决了现有的局放信号检测过程检测可靠性降低的问题,实现了对脉冲型信号的有效抑制,提高了局放检测以及信号源定位的准确性,避免虚警以及误报。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中脉冲信号的分类辨识方法的一个具体示例的流程图;
图2为本发明实施例中脉冲信号的分类辨识方法的另一个具体示例的流程图;
图3为本发明实施例中脉冲信号的分类辨识方法中生成多个第一脉冲簇的具体示例的流程图;
图4为本发明实施例中脉冲信号的分类辨识方法中生成多个第一脉冲簇的定位结果的具体示例的流程图;
图5为本发明实施例中脉冲信号的分类辨识方法中脉冲簇定位结果的分布在同一个中心点的示意图;
图6为本发明实施例中脉冲信号的分类辨识方法中脉冲簇定位结果的分布在两个中心点的示意图;
图7为本发明实施例中脉冲信号的分类辨识方法中脉冲簇定位结果的分布在多个中心点的示意图;
图8为本发明实施例中脉冲信号的分类辨识方法中脉冲簇定位结果的无序分布示意图;
图9为本发明实施例中脉冲信号的分类辨识方法中确定目标脉冲簇的具体示例的流程图;
图10为本发明实施例中脉冲信号的分类辨识方法中生成目标样本数据的具体示例的流程图;
图11为本发明实施例中脉冲信号的分类辨识方法的一个示意图;
图12为本发明实施例中脉冲信号的分类辨识方法的另一个示意图图;
图13为本发明实施例中脉冲信号的分类辨识方法进行分类辨识的示意图;
图14为本发明实施例中脉冲信号的分类辨识装置的一个具体示例的原理框图;
图15为本发明实施例中计算机设备的一个具体示例图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
电网设备中存在多种绝缘保护,在电场强度较高的区域,电荷在绝缘较弱的部位定向移动,形成局部放电但不击穿绝缘。因此,需要对局放信号进行检测以及定位,目的是为了对电网设备状态的监测和预测性维护。相关技术中主要依靠人工巡检实现监测,以及对部分单一设备基于内置或表贴式传感器实现在线监测,导致成本投入较高且检测效率低,且不适用于监测变电设备全站。
基于空间耦合的局放宽带射频脉冲检测方法适用于对变电设备进行全覆盖式连续在线监测。但对局放宽带射频脉冲信号在开放空间进行高灵敏的耦合接收需要配置宽带或超宽带的射频传感天线,易引入各类电磁干扰信号,导致局放检测的虚警和误报,造成不必要的停工维修,影响监测效率。
具体地,在变电站的强电磁环境中,通过宽带天线进行空间耦合局放检测遇到的常见电磁干扰信号,按其时频特征可分为周期性窄带干扰(例如无线电广播、移动通信载波等)、脉冲型干扰(例如电晕放电、电磁开关操作或电力电子器件产生的随机脉冲)和白噪声干扰。周期性窄带干扰信号的时域波形特征明显区别于局放脉冲信号,易识别,且可以通过模拟滤波或数字滤波进行有效抑制。而脉冲型干扰,由于与局放脉冲信号具有相似的时频特性,较难基于简单的波形特性(例如宽度、幅值等)进行辨识,导致经常引起误判,影响局放检测的可靠性。目前也没有成熟可靠的方法可以对变电站现场的脉冲型干扰信号达到较为理想的抑制效果。白噪声覆盖局放检测的全频段且在时域上持续存在,叠加在局放信号上会降低局放信号的信噪比,使局放信号与脉冲型干扰信号在时域波形上更趋于相似,导致增加对局放信号的辨识难度并影响其信号源的定位精度。现有的白噪声抑制方法,如小波变换,在降低噪声的同时也容易因为参数设置不当而对局放信号的能量和波形造成衰减,对后续局放辨识、定位及诊断工作造成困难。
另外,对于多传感器同步检测的空间耦合式局放监测系统,对脉冲信号源的定位也是辅助进行脉冲分类辨识的一类重要信息。现有的车载式空间耦合局放监测系统,由于四个传感器天线彼此之间距离太近,只能对脉冲信号源进行大致的方向角定位,很难通过其获得的定位信息来辅助分类和辨识脉冲,导致其局放检测的可靠性不高,影响了该类系统的应用和推广。
综合来看,降噪和抗脉冲干扰是目前基于空间耦合的局放宽带射频脉冲检测所面临的主要难题,也是该方法能否在电网设备状态监测中进行推广应用的关键。由于局放信号和脉冲型干扰信号都具备时间短、频谱宽的特征,因此在时域上重叠概率较低。基于此,本发明实施例提供了一种脉冲信号的分类辨识方法、装置及计算机设备,结合多维度信号特征信息,通过数字信号、机器学习和特征挖掘等数据分析手从多个层次对宽带射频脉冲信号进行识别提取、聚类分组、合理降噪和分类辨识,目的是实现对脉冲型干扰信号的有效抑制,从而提高局放检测和定位的准确性。
本发明实施例提供了一种脉冲信号的分类辨识方法,如图1所示,该脉冲信号的分类辨识方法包括:
步骤S11:获取射频脉冲信号的目标样本数据,目标样本数据为多维度高保真的样本数据;在本实施例中,射频脉冲信号可以是宽带或者超宽带射频脉冲信号,目标样本数据可以是符合目标频带范围以及目标信号强度范围的脉冲信号;多维度包括时域、频域以及空域;具体地,在被监测的电力设备周边分布式地部署预设数量(例如,4个)的高精度宽带射频同步检测传感器,继而结合采样、脉冲检测和提取等手段实现在在变电站的强磁环境中获取射频脉冲信号的目标样本数据。
步骤S12:对射频脉冲信号的目标样本数据进行降噪处理,生成第一射频脉冲信号;在本实施例中,进行降噪处理的方法可以是数字滤波;根据射频脉冲信号的目标样本数据的能量分布确定其主要频带范围,继而根据主要频带范围,通过数字滤波方法对上述射频脉冲信号的目标样本数据进行筛选以及提取,生成第一射频脉冲信号。本发明对滤波方法不作具体限定,例如,也可以使用小波降噪方法,本领域技术人员可以根据实际应用场景具体确定。
由于上述步骤中检测传感器所设置的目标频带范围实际上远大于射频脉冲信号的实际频带范围,而过宽的射频信号接收频带范围会引入更多的噪声和干扰,因此,本步骤中的对目标样本数据进行降噪,可以增高射频脉冲信号的信噪比,降低后续步骤对不同来源脉冲信号进行聚类分组的难度,提高局放信号检测的效率。
步骤S13:对第一射频脉冲信号进行聚类分组,生成多个初始脉冲簇;在本实施例中,首先按不同传感器对各自获得的宽带射频脉冲信号进行聚类分组,继而根据多元特征信息进行融合聚类分组,生成多个初始脉冲簇。由于所述第一射频脉冲信号为多维度高保真的样本数据,保留了宽带射频脉冲信号的详细波形和频谱特征,因此可以根据不同特征量以及算法进行聚类分组。例如,可以根据全波形或全频谱样本数值进行互相关分析,进而计算不同脉冲之间的相似度距离,将相似度距离作为特征量进行聚类分组,得到多个初始脉冲簇。
步骤S14:对各初始脉冲簇进行带外降噪及带内降噪处理,生成多个目标脉冲簇;在本实施例中,对生成每一个初始脉冲簇分别进行带外降噪以及带内降噪。对不同传感器获得的初始脉冲簇分别进行降噪处理。带外降噪的处理过程可以是针对于聚类后生成的各初始脉冲簇,分别重新进行能量分析确定主要频带范围,再根据数字滤波工具去除主要频带范围外的噪声。在经过带外降噪后,再次进行带内降噪,对已经进行带外去噪的各初始脉冲簇进行持续学习,确定每组初始脉冲簇的子空间,根据所述子空间进行带内去噪,去除与脉冲信号在同一频率范围内且相互正交的噪声分量。目标脉冲簇可以是来自于同一个物理位置且由相同物理效应所产生的脉冲信号;根据进行带外去噪以及带内去噪处理之后初始脉冲簇,计算脉冲源定位结果,继而根据脉冲源定位结果进行聚类优化,生成目标脉冲簇。
步骤S15:根据目标脉冲簇,分别生成多个相应的特征集;在本实施例中,特征集可以是脉冲信号特征集合,上述脉冲信号特征集合可以包括:局放相位分布谱图(phase-resolved partial discharge pattern,PRPD)、脉冲间隔时间、脉冲强度、频谱、波形以及脉冲源位置等信息,其中,脉冲源位置可以是根据信号强度比和/或到达时间差获得的设备定位信息,也可以是根据设备内部脉冲信号传播频谱特性差异定位出的设备本体或套管内的某几个位置区间,本发明对此不做限制。具体地,根据生成的多个目标脉冲簇,根据预设特征集列表,对应提取各目标脉冲簇的特征,生成对应特征集。本领域技术人员可以根据实际应用场景确定脉冲信号特征集合包括的脉冲信号特征种类,本发明对此不做限制。
步骤S16:根据特征集,确定目标脉冲簇的类型。在本实施例中,目标脉冲簇的类型可以包括疑似局放信号、典型脉冲型干扰信号、被误检为脉冲的噪声信号以及未知信号。根据预设局放信号特征以及预设典型脉冲信号特征以及生成的各目标脉冲簇的特征集,对各目标脉冲簇进行分类以及辨识。
本发明提供的一种脉冲信号的分类辨识方法,包括:获取射频脉冲信号的目标样本数据,所述目标样本数据为多维度高保真的样本数据;对所述射频脉冲信号的目标样本数据进行降噪处理,生成第一射频脉冲信号;对所述第一射频脉冲信号进行聚类分组,生成多个初始脉冲簇;对各初始脉冲簇进行带外降噪及带内降噪处理,生成多个目标脉冲簇;根据所述目标脉冲簇,分别生成多个相应的特征集;根据所述特征集,确定所述目标脉冲簇的类型。结合多维度高保真的目标样本数据,确定时域、频域以及空域详细的信号特征信息,以及对射频脉冲信号进行识别提取、聚类分组、合理降噪以及分类辨识,解决了现有的局放信号检测过程检测可靠性降低的问题,实现了对脉冲型信号的有效抑制,提高了局放检测以及信号源定位的准确性,避免虚警以及误报。
作为本发明一个可选的实施方式,如图2所示,上述步骤S14对各初始脉冲簇进行带外降噪及带内降噪处理,生成多个目标脉冲簇的步骤,具体包括:
步骤S141:对各初始脉冲簇进行带外降噪及带内降噪处理,生成多个第一脉冲簇及其定位结果;在本实施例中,带外降噪处理可以通过数字滤波实现,带内去噪处理可以通过主成分分析工具(Principal Component Analysis,PCA),根据已经进行带外去噪的各初始脉冲簇,进而去除在相同频带范围内的噪声分量,根据已经进行带外及带内去噪的各初始脉冲簇,及第一脉冲簇,进而根据第一脉冲簇,分别计算相应的定位结果,即第一脉冲簇中各脉冲信号的信号源的物理位置信息。
步骤S142:对根据定位结果对第一脉冲簇进行聚类优化,生成多个目标脉冲簇。在本实施例中,目标脉冲簇中的脉冲信号是来自于同一个物理位置的信号源,以及由相同的物理效应生成的。而第一脉冲簇的分类标准为波形特征以及频谱特征较为相似,而波形特征以及频谱特征较为相似的脉冲信号可以来自于不同物理位置的脉冲信号源,一方面,波形特征或频谱相似的脉冲信号可能是由相同的物理效应生成,相似的传播信道传播,但是脉冲信号源的物理位置可能不同,此时需要根据各第一脉冲簇的定位结果对各第一脉冲簇进行再次聚类优化,生成多个目标脉冲簇;另一方面,波形特征或频谱特征不相似的多个第一脉冲簇,可以是来自于相同物理位置的脉冲信号源,以及经过相似的传播信道生成的,此时,需要将各脉冲簇进行关联。例如,由于电晕效应产生的脉冲信号一部分发生在电压的正峰值而另一部分发生在电压的负峰值,此时,结合脉冲源定位结果对通过上述实施例所述的步骤获得的多个第一脉冲簇进行融合,生成获得目标脉冲簇并进行相互关联。在本实施例中,可以是逐个对不同传感器上获得的第一脉冲簇进行聚类优化的。
作为本发明一个可选的实施方式,如图3所示,上述执行步骤S141中,对各初始脉冲簇进行带外降噪及带内降噪处理,生成多个第一脉冲簇的过程,具体包括:
步骤S21:对初始脉冲簇进行频谱分析,确定初始脉冲簇的带外降噪频带范围;在本实施例中,带外降噪频带范围可以是对各初始脉冲簇进行能量分析,进而确定的初始脉冲簇的主要频带范围;对聚类后的每个初始脉冲簇都进行带外降噪处理。
步骤S22:根据带外降噪频带范围,生成第二脉冲簇;在本实施例中,根据上述带外降噪频带范围,在初始脉冲簇进行筛选,通过数字滤波去除带外降噪频带范围之外的噪声信号以及干扰信号,生成第二脉冲簇。
步骤S23:根据预设主成分分析算法,确定第二脉冲簇的主维度;在本实施例中,一方面,可以根据预设主成分分析算法(Principal Component Analysis,PCA),进行无监督持续学习,扩展第二脉冲簇的脉冲信号子空间,以及确定第二脉冲簇的主维度;也可以根据预设主成分分析算法,进行有监督持续学习,限制脉冲信号子空间及噪声分量维度的增长,实现学习过程的快速收敛,确定各第二脉冲簇的主维度。
步骤S24:根据第二脉冲簇的主维度,分别在各第二脉冲簇中降维去噪生成多个第一脉冲簇。在本实施例中,根据各第二脉冲簇的主维度,去除主维度之外的带内噪声分量,生成多个第一脉冲簇。
由于聚类分组前是根据混合的脉冲信号的能量分布确定主要频带范围,而不同分组初始脉冲簇信号之间会存在频带差异,因此滤波降噪效果并不明显,本发明实施例所提供的一种脉冲信号的分类辨识方法,针对于不同传感器分别进行聚类分组后,得到的脉冲簇进行带外降噪处理,可以去除脉冲信号主要频带范围之外的噪声和干扰信号,有针对性地应用数字滤波去除主要频带范围之外的噪声,达到了最佳的带外去噪效果。通过带内去噪处理,去除和脉冲簇在同一频率范围内且又相互正交的噪声分量。也就是说,通过对聚类后每个脉冲簇的信号进行基于带宽数字滤波的带外去噪和基于机器学习的带内去噪,可以最大程度地去除对脉冲信号的噪声干扰(例如白噪声)。同时,基于统计脉冲数据逐步收敛的机器学习过程保证了不会对原有的脉冲信号(例如局放信号)的能量和波形细节造成严重损害。
作为本发明一个可选的实施方式,如图4所示,上述步骤S141中,生成多个第一脉冲簇的定位结果的执行过程,具体包括:
步骤S31:分别获取多个第一脉冲簇到达各传感器的信号强度比和/或到达时间差;在本实施例中,各第一脉冲簇到达相应传感器的信号强度比可以是在相应传感器端接收到的第一脉冲簇的信号强度;第一脉冲簇到达各传感器的到达时间差可以是根据各信号接收点(例如传感器端)的射频脉冲信号(即第一脉冲簇)之间的到达时间差。具体地,存在三种情况:
第一种情况,仅仅获取多个第一脉冲簇到达各传感器的信号强度比;第二种情况,仅仅获取第一脉冲簇到达各传感器的到达时间差;第三种情况,获取多个第一脉冲簇到达各传感器的信号强度比以及第一脉冲簇到达各传感器的到达时间差。
步骤S32:根据信号强度比和/或到达时间差,生成多个第一脉冲簇的定位结果。在本实施例中,根据上述实施例所述方法获得的各种参数,确定各第一脉冲簇的定位结果;具体地,第一脉冲簇的定位结果可以需要四个传感器同步接收到同一信号才能得到准确定位结果。在变电站的实际应用场景中,并非预设数量的传感器均可以同时检测到来自预设信号源发出的脉冲信号,因此当只有少于预设数量的传感器同时检测到某一脉冲源发出的脉冲信号时,确定粗略定位结果,即把脉冲信号源定位至某条线或者某个方向。
具体地,第一脉冲簇是基于波形特征或频谱特征聚类获得的脉冲簇,其中的信号可以是由相同的物理效应生成,相似的传播信道传播,但是脉冲信号源的物理位置不同。在确定第一脉冲簇的信号源的定位结果时,可以根据上述第一脉冲簇中的所有脉冲信号定位结果的统计分布情况来确定对应的主要脉冲源的个数。例如,如图5所示,如果某一第一脉冲簇内所有脉冲信号的信号源定位结果以第一概率密度集中分布在某一个中心点附近,则此第一脉冲簇中的脉冲信号可以认为是来自于同一脉冲信号源,根据所有脉冲信号的定位结果的均值或统计分布确定此第一脉冲簇的定位结果,可以提高信号源的定位精度。
例如,如图6以及图7所示,如果某一第一脉冲簇内所有脉冲信号的信号源定位结果以第二概率密度集中分布在多个中心点附近,则此第一脉冲簇中的脉冲信号可以认为是来自于多个不同的脉冲信号源,此时,以不同的中心点为参考选取对应的信号进行数值平均计算或统计计算,确定此第一脉冲簇的定位结果,可以降低对不同脉冲源的定位误差。
例如,如图8所示,某一第一脉冲簇中所有脉冲信号的信号源的定位结果也可以呈无规律分布,此时不能简单对所有信号进行数值平均或统计计算,此时,可以说明第一脉冲簇的聚类分组过程出现误差,可以重新执行步骤S11-S14的过程。
具体地,存在三种情况:
第一种情况,根据多个第一脉冲簇到达各传感器的信号强度比,确定第一脉冲簇的定位结果;可以根据各传感器接收到的信号强度比例计算与脉冲信号源距离的比例关系,继而根据预设三边定位法确定脉冲信号源的物理位置。当脉冲信号源距各个传感器距离较近时,仅仅基于信号强度比获得的定位结果的定位精度较高,对传感器的复杂度和成本要求较低,适用于短距离定位,但易受到信号衰减模型的影响。
第二种情况,根据多个第一脉冲簇到达各传感器的到达时间差,确定第一脉冲簇的定位结果;可以仅根据到达时间差得到定位结果,也就是确定脉冲信号源的物理位置;可以根据各信号接收点(即传感器)的射频脉冲信号之间的到达时间差,计算跟脉冲信号源的距离差关系,从而确定脉冲信号源位置(即局放源位置)。由于到达时间差异会直接转化为距离差异,因此适用于不同传感器节点的同步精度较高的实际应用场景中,如果局放检测传感器的灵敏度和检测距离足够高,可以基于分布式部署的少量传感器在较广的覆盖范围内实现对局放源的准确定位,是对局放源进行设备级初定位的有效手段。变电站是电磁干扰复杂区域,任何无线干扰或噪声源都会造成高速电磁波信号时间差的计算误差,因此使用时间差法进行定位的关键是要有行之有效的干扰抑制和去噪手段。这也是本发明一再强调去噪和干扰抑制的原因。
第三种情况,根据多个第一脉冲簇到达各传感器的信号强度比以及多个第一脉冲簇到达各传感器的到达时间差,确定第一脉冲簇的定位结果;根据不同传感器同步接收脉冲的信号强度比和到达时间差进行定位。根据高保真数据,计算得到信号强度比和到达时间差,继而得到定位击结果,实现优势互补,提升定位的精度和鲁棒性。
作为本发明一个可选的实施方式,如图9所示,上述步骤S142,根据定位结果对第一脉冲簇进行聚类优化,生成多个目标脉冲簇,具体包括:
步骤S41:根据第一脉冲簇的定位结果,分别确定第一脉冲簇的信号源位置;在本实施例中,第一脉冲簇的信号源位置可以是产生第一脉冲簇的各脉冲信号的信号源,也就是信号源的物理位置。
步骤S42:当第一脉冲簇的信号源位置均相同时,第一脉冲簇即为目标脉冲簇;在本实施例中,当某一第一脉冲簇中的脉冲信号的信号源均在同一物理位置时,此时不需要对第一脉冲簇基重新进行聚类分组,此时,第一脉冲簇即为目标脉冲簇。
步骤S43:和/或,当第一脉冲簇的信号源位置不同时,根据信号源位置,生成多个子脉冲簇,所述子脉冲簇即为目标脉冲簇;在本实施例中,当某一第一脉冲簇中的脉冲信号的信号源分布在不同的物理位置时,此时需要根据不同的物理位置对第一脉冲簇基重新进行聚类分组;例如,经过上述实施例所述的步骤S13,生成多个第一脉冲簇{A,B,C,D,…},此时,例如第一脉冲簇A中的脉冲信号的信号源分布在两个位置,需根据两个位置重新划分第一脉冲簇A,得到两个子脉冲簇A1、A2,脉冲簇A1和A2为脉冲簇A的子脉冲簇,脉冲簇A定义为可分脉冲簇,子脉冲簇A1、A2为最小可分脉冲簇;此时多个脉冲目标簇为{A,A1,A2,B,C,D,…}。
步骤S44:和/或,当不同的第一脉冲簇的信号源位置相同时,根据信号源位置,生成超脉冲簇,所述超脉冲簇即为目标脉冲簇;在本实施例中,当多个不同的第一脉冲簇中的脉冲信号的信号源分布在相同的物理位置时,此时需要将多个第一脉冲簇进行并集;例如,经过上述实施例所述的步骤S13,生成多个第一脉冲簇{A,B,C,D,…},此时,例如第一脉冲簇C中的脉冲信号的信号源与第一脉冲簇D中的脉冲信号的信号源分布在同一物理位置,此时,得到超脉冲簇C∪D,脉冲簇C∪D为脉冲簇C和D的超脉冲簇,脉冲簇C∪D定义为可分脉冲簇,此时多个目标脉冲簇为{A,B,C,D,C∪D,…}。
示例性地,当某一传感器上的所有脉冲信号生成多个第一脉冲簇,为{A,B,C,D,…},此时,根据第一脉冲簇,生成目标脉冲簇的过程可以是上述步骤S42、步骤S42以及步骤S44中的一种或多种,无法穷举,仅列举三种情况。
第一种情况,第一脉冲簇A中的脉冲信号的信号源均为第一物理位置,第一脉冲簇B中的脉冲信号的信号源均为第二物理位置,第一脉冲簇C中的脉冲信号的信号源均为第三物理位置;第一脉冲簇D中的脉冲信号的信号源均为第四物理位置,…,此时,多个目标脉冲簇为{A,B,C,D,…}。
第二种情况,第一脉冲簇A中的脉冲信号的信号源为第一物理位置以及第二物理位置,第一脉冲簇B中的脉冲信号的信号源为第三物理位置以及第四物理位置,第一脉冲簇C中的脉冲信号的信号源为第四物理位置以及第五物理位置;第一脉冲簇D中的脉冲信号的信号源为第六物理位置以及第七物理位置,…,此时,多个目标脉冲簇为{A,A1,A2,B,B1,B2,C,C1,C2,D,D1,D2,…}。
第三种情况,第一脉冲簇A中的脉冲信号的信号源为第一物理位置,第一脉冲簇B中的脉冲信号的信号源为第一物理位置,第一脉冲簇C中的脉冲信号的信号源为第一物理位置,第一脉冲簇D中的脉冲信号的信号源均为第一物理位置,…,此时,多个目标脉冲簇为{A,B,C,D,…,A∪B∪C∪D∪…}。
进一步地,脉冲信号源的定位结果可以用来校验S13步骤获得的多个第一脉冲簇。通过对S13步骤获得的每个第一脉冲簇所包含脉冲信号进行定位,如果聚类结果合理,正常情况下可以获得有一定分布规律的定位结果,例如以某个点或某几个点为中心呈规律分布,具体参考图5、图6以及图7。反之,如果同一分组脉冲簇所含信号的定位结果呈无规律分布,参考图8,这种情况可能对应多种原因:(1)可能是S13步骤中不合理的聚类分组导致的,可以重复S13步骤迭代优化脉冲聚类分组,直至通过校验;(2)可能该脉冲簇是被误检为脉冲的噪声信号,该情况可以结合该脉冲簇其他特征进行辨识,进而去掉噪声分量。
进一步地,如果同一脉冲簇所包含信号源的定位结果对应分布在很多个中心点的周边,如图7所示,则很可能是步骤S13中用于聚类分组的相似度距离阈值选取过大,导致分组不够精细。例如可以设定定位结果分布在三个中心点以上即认为聚类分组不够精细。此时可以重复S13步骤迭代优化聚类分组,并和本步骤中使用定位位置信息的聚类优化结果进行互相校验,直至信号源分布位置在两个中心点附近为止。
作为本发明一个可选的实施方式,如图10所示,上述步骤S11,获取射频脉冲信号的目标样本数据的步骤,具体包括:
步骤S111:获取符合目标频带范围,且符合目标信号强度范围的模拟射频信号;在本实施例中,目标频带范围可以是通过可调滤波,监测现场具体情况确定的局放检测频带,目标频带范围和目标信号强度范围可以根据局放检测的现场实际情况而定,例如受监控电力设备及其主要绝缘故障的类型、传感器部署方式及距离潜在局部放电信号源的远近、周边主要电磁干扰信号的频带范围等,通过上述设置可以排除主要窄带干扰信号所在的频段,例如无线电调频广播干扰所在的88~108MHz频段、无线电电视广播干扰所在的VHF频段48.5MHz~223MHz以及UHF频段470MHz~566MHz和606MHz~798MHz、无线手机通信干扰所在的900MHz频段等。可以根据窄带干扰的信号强度、频次和所在频段的脉冲信号能量分布,确定目标频带范围,也就是确定在某个或某几个频段应用滤波以去除窄带干扰。可以在抑制窄带干扰的同时,不会对脉冲信号的能量和波形造成损失,便于后续对宽带射频脉冲信号的分类和辨识。
由于通过空间耦合接收到的射频脉冲信号的具体频带范围由于受到上述所述多个因素的影响,现场设置的目标频带范围很难做到与实际需求准确,往往采用较为保守的配置。目标频带范围一般会远大于实际接收到的射频脉冲信号的频带范围。
步骤S112:获取模拟射频信号的最高频率,根据最高频率确定采样频率;在本实施例中,对模拟射频信号的采样率可以是所述模拟射频信号最高频率的二倍以上,以三倍或以上为佳。
步骤S113:根据采样频率、采样垂直分辨率以及采样时钟同步精度对模拟射频信号进行采样,生成射频信号的样本数据;在本实施例中,采样垂直分辨率与脉冲信号的动态检测范围有关,根据所述采样垂直分辨率和采样率确定后续脉冲信号检测和提取的时延误差;根据不同传感器的采样时钟同步精度计算确定对脉冲信号抵达各个传感器时间差,一般需要小于1纳秒。根据采样率、垂直分辨率和不同传感器的采样时钟同步精度影响基于多传感器脉冲信号抵达时间差的定位精度。具体采样率、垂直分辨率和采样时钟同步精度的选择视现场情况而定,在此不做专门限制。
具体地,高精度数字化采样可通过单个高速ADC芯片实现,也可以通过基于多个低速ADC芯片进行时间交织采样实现,在此不做专门限制。不同传感器之间的采样同步,可以通过共用同一主板上的某个采样时钟源来实现,也可以通过同轴电缆、光纤、GPS或无线信标等与某个外部参考时钟源保持同步来实现,在此也不做专门限制。
具体地,通过单个传感器对模拟射频信号进行的连续的高精度数字化采样,可以确保能从获得的样本数据中高度还原出原始模拟射频信号所包含的详细的时域和频域特征信息,包括波形和频谱特征以及射频信号在时域上的出现规律和演变。通过多个分布式部署的高精度传感器对同一模拟射频信号进行连续的同步采样,则可以从空间域的维度补充该射频信号源的位置信息。通过本步骤获得的高分辨率样本数据,可以从时域、频域和空域三个维度提供射频信号的详细特征信息,是后续信号处理和数据分析的基础和前提。
步骤S114:在射频信号的样本数据中,提取符合预设脉冲信号特征的样本数据,生成射频脉冲信号的目标样本数据。具体地,在上一步骤获得的高分辨率样本数据中,包含了所有脉冲型和非脉冲型的射频信号,因此根据所采集的射频信号的样本数据,提取出波形符合脉冲信号特征的样本数据。脉冲信号的检测可以通过预设降噪算法以提升对弱脉冲信号的检测能力,在检测到脉冲信号所在的位置后可对包含该信号的整段原始样本数据进行提取和保存。另外,脉冲信号的检测和提取可在不同传感器上独立进行,也可对多个传感器进行同步触发后进行相互关联的脉冲检测和提取。
在本实施例中,可以通过多种算法实现对符合脉冲信号特征的样本数据的提取,具体地,在本发明实施例中,可以通过移动窗口(例如平均窗口)对射频信号的底部噪声以及能量突变进行比对检测,也可通过预先确定的波形特征集或特定脉冲特征集进行匹配检测,具体算法在此不做专门限制。
作为本发明一个可选的实施方式,上述对射频脉冲信号的目标样本数据进行降噪处理,生成第一射频脉冲信号,具体包括:对目标样本数据进行频谱分析,确定目标样本数据的频带范围;根据频带范围以及目标样本数据,生成第一射频脉冲信号。在本实施例中,可以通过数字滤波实现,脉冲信号的主要频带范围可根据能量分布来确定。具体地,可以通过95百分位数,即在所确定频带范围内至少包含95%的脉冲信号能量;也可以在一定脉冲能量百分位数范围内使用局部信噪比最大化逼近准则,例如在90%~100%脉冲能量范围内,选取某个目标频带范围以实现信噪比最大化。在实际应用中,应根据具体情况来选择脉冲信号能量范围和最佳滤波频带,在此不做专门限制。
在本发明中,如果在某个或某几个包含较高脉冲能量密度的频带附近同时存在较强能量的窄带干扰信号,则应视具体情况而定,例如,若对S13步骤中聚类分组的结果影响有限,在该步骤可先不予滤波去除,留待聚类分组后的后续步骤予以去除;反之,若这些窄带干扰叠加在脉冲信号上严重影响了S13步骤中聚类分组的效果,则可在该步骤部分或全部去除,此时可以将所述窄带干扰进行备份保留。
作为本发明一个可选的实施方式,上述对第一射频脉冲信号进行聚类分组,生成多个初始脉冲簇的步骤,具体包括:首先,根据第一射频脉冲信号的传感器标识信息,将第一射频脉冲信号划分为多个第二射频脉冲信号;其次,根据各第二射频脉冲信号的波形特征以及频谱特征,分别生成多个初始脉冲簇。在本实施例中,将所述第一射频脉冲信息基于接收传感器的不通过,分为不同传感器设备接收到的射频脉冲信号。继而根据第二射频脉冲信号的波形特征以及频谱特征,将每一个第二射频脉冲信号划分为多个初始脉冲簇。特征可以是全波形或全频谱样本数值,继而进行聚类分组。也可以根据具体情况,只选择截取部分波形或频段的样本数值作为特征来计算不同脉冲之间的相似度距离。例如为了降低聚类的计算资源开销、提高聚类效率等,在聚类具有较好评估结果的前提下,也可只选择波形的某几个特征值(如最大幅值、宽度、上升时间、下降时间等)来衡量不同脉冲之间的相似度距离,继而根据相似度距离这一特征对各第二射频脉冲信号进行聚类分组,生成多个初始脉冲簇。
作为本发明一个可选的实施方式,该脉冲信号的分类辨识方法,还包括:
在对各个传感器获取的宽带射频脉冲信号(即第一射频脉冲信号)分别进行聚类分组的基础上,可使用多个传感器同步采样所提供的多元特征信息向量进行融合聚类分组和相互校验。由于信号传播信道以及与脉冲信号源距离的不同,不同传感器接收到的同一个脉冲信号的波形和频谱特征也会有不一致性,因此在不同传感器上单独进行的脉冲聚类分组可能会获得不同结果。在进行多传感器融合聚类分组前,应充分评估不同传感器上聚类分组结果的一致性程度。对于聚类结果与其他大多数传感器上结果的一致性较差的传感器,不应纳入多传感器融合聚类分组,以免对融合聚类效果产生不利的影响。评估过程如下:
首先,根据第二射频脉冲信号对应的多个初始脉冲簇,计算生成各第二射频脉冲信号的第一重合比率;在本实施例中,假设两个同步检测的传感器上,对应第二射频脉冲信号中的所有脉冲被分为4个初始脉冲簇,分别标记为{A1,B1,C1,D1}和{A2,B2,C2,D2}。根据脉冲时间戳计算第一重合比率,也就是A1∩A2,B1∩B2,C1∩C2,D1∩D2的重合比率。
其次,根据第一重合比率确定各第二射频脉冲信号的第一聚类分组结果的一致性;在本实施例中,根据第一重合比率确定第一聚类分组结果的一致性,当第一重合比率高于或等于门限值时,说明一致性较好,此时第一聚类分组结果的一致性大于或等于第一预设阈值。当第一重合比率低于门限值时,说明一致性较差,此时第一聚类分组结果的一致性小于于第一预设阈值。
具体地,假设两个同步检测的传感器上,对应第二射频脉冲信号中的所有脉冲被分为4个初始脉冲簇,分别标记为{A1,B1,C1,D1}和{A2,B2,C2,D2}。如果根据脉冲时间戳计算出的A1∩A2,B1∩B2,C1∩C2,D1∩D2的第一重合比率都在80%以上,则可认为两个传感器的聚类分组结果一致性较好。需要说明的是,这只是本发明实施的一个举例,对不同传感器聚类结果一致性的定义,在此不做专门限制。
一方面,当第一聚类分组结果的一致性大于或等于第一预设阈值时,根据多个第二射频脉冲信号,生成目标特征向量,根据目标特征向量调整其他第二射频脉冲信号,生成与重合比率相符合的多个初始脉冲簇;在本实施例中,当存在N个传感器时,对应具备N个第二射频脉冲信号,当N个传感器的聚类分组结果的一致性均大于或等于第一预设阈值,说明一致性较高,可将基本的聚类特征(例如波形),按传感器的数目组成一个N元的目标特征向量进行融合聚类分组,根据所述目标特征向量纠正其他个别传感器上的聚类分组的结果。
另一方面,当第一聚类分组结果的一致性小于第一预设阈值时,调整波形特征以及频谱特征,重新执行根据各第二射频脉冲信号的波形特征以及频谱特征,分别生成多个初始脉冲簇的步骤。在本实施例中,当存在N个传感器时,对应具备N个第二射频脉冲信号,当N个传感器的聚类分组结果的一致性小于第一预设阈值,说明一致性较差,也就是说,N个传感器中存在M个传感器上的聚类分组结果(即生成的多个初始脉冲簇)与其他传感器一致性较低,此时需要调整波形特征以及频谱特征,进而对这部M个传感器上的第二射频脉冲信号进行重新聚类。也就是重新执行根据各第二射频脉冲信号的波形特征以及频谱特征,分别生成多个初始脉冲簇的步骤。
作为本发明一个可选的实施方式,该脉冲信号的分类辨识方法,还包括:
首先,当重新执行根据各第二射频脉冲信号的波形特征以及频谱特征,分别生成多个初始脉冲簇的步骤之后,计算生成各第二射频脉冲信号的第二重合比率;根据第二重合比率确定各第二射频脉冲信号的第二聚类分组结果的一致性;当第二聚类分组结果的一致性仍然小于第一预设阈值时,维持根据各第二射频脉冲信号的波形特征以及频谱特征,分别生成多个初始脉冲簇的步骤中生成的初始脉冲簇不变。在本实施例中,当通过上述实施例所述的方法,重新执行根据各第二射频脉冲信号的波形特征以及频谱特征,分别生成多个初始脉冲簇的步骤后,仍然存在M个传感器无法与其他N-M个传感器的聚类结果达到较高一致性,则维持这M个传感器上各自的聚类分组结果,只用聚类结果一致性较高的N-M个传感器的特征形成N-M元的目标特征向量做融合聚类分组。具体地,融合聚类获得的分组结果可作为聚类结果一致性较差的M个传感器进行重新聚类的依据,具体地需要根据M/N比例进行决策,可以是去除,或者是重新聚类。如果M个传感器的分组结果经聚类参数迭代调整后其一致性仍然较差,则保持原来各传感器的聚类分组结果,在此可不做多传感器融合聚类。
需要说明的是,该实施例中并没有详尽地列出不同情况下的所有措施,只是罗列几种典型情况,目的是说明多传感器同步采样所提供的多元特征信息向量对提高聚类分组有效性和鲁棒性的促进作用。对不同传感器聚类结果一致性的具体定义以及不同情况下应采取的具体措施,在此不做专门限制。
具体地,多个传感器接收到同一脉冲信号的幅值比例和时间差也可作为聚类分组的特征信息。根据具体情况,如果单独基于波形或频谱特征信息获得的聚类分组结果评估较差,可选择在该步骤中结合幅值比例和时间差来优化聚类分组;反之,如果单独基于波形或频谱特征信息获得的聚类分组本身已具有较好的评估结果,则可选择在后续步骤中再行使用,以对聚类分组结果进行优化和外部校验。一般来说,同一个脉冲簇的信号样本间的相似度距离越小,不同脉冲簇的信号样本间的相似度距离越大,对聚类分组的评估结果越好。在本发明中,可使用现有的各种聚类性能内部指标对结果进行评估,例如DB指数、Dunn指数等,在此不做专门限制。
在本发明中,对宽带射频脉冲信号进行聚类分组时,根据具体选择的聚类特征,可用各种距离函数来衡量不同脉冲信号之间的相似度,例如欧式距离、曼哈顿距离、余弦距离等,在此不做专门限制;在对不同类的脉冲分组进行合并时,可使用不同的距离计算方法,例如最短距离法、最长距离法、中间距离法、重心法、类平均法等,在此也不做专门限制。
具体实施和应用中对脉冲聚类算法的选择也视使用的聚类特征、数据量以及对计算资源和效率的要求而定。不失一般性的,可以使用不同的层次化(Hierarchical)聚类算法、划分式(Partitional)聚类算法以及其他传统或新发展的聚类算法,在此不做专门限制。
以下结合图11详细描述本发明实施例所提供的一种脉冲信号的分类辨识方法,首先由宽带天线和模拟调理单元组成的传感器阵列对射频电磁信号进行空间耦合接收,接着输出的射频模拟信号在数据采集单元中进行高精度同步采样,然后通过运行在数据采集单元的逻辑电路上的固件进行实时的脉冲检测和提取,最终获得的多维度高保真样本数据通过有线或无线通信方式传输到数据分析单元,作为脉冲分类辨识软件模块的输入,也就是进行脉冲信号的分类辨识,脉冲信号的检测和提取也可以在工控机、边缘服务器或远程服务器等专用或通用计算机上实现。
以下结合图12详细描述本发明实施例所提供的一种脉冲信号的分类辨识方法,首先由宽带天线和模拟调理单元组成的传感器阵列对射频电磁信号进行空间耦合接收,接着在数据采集单元对射频模拟信号进行高精度同步采样,之后将样本数据直接通过有线或无线通信方式传输到基于专用或通用处理器的数据分析单元,再通过软件方式进行脉冲检测和提取。这一实施方式对脉冲检测和提取算法没有严格的时延和资源限制,允许应用各种信号处理手段来优化对微弱脉冲信号的检测。但由于是软件实现,计算效率较慢且对数据采集单元和数据分析单元之间的数据传输带宽有较高要求。在本发明的具体实施和应用中,可以将上述两种实施方式互补结合以获得更佳的脉冲样本数据获取效果。
对于来自多个传感器的射频信号样本数据,可以基于每个传感器各自的数据进行独立触发的脉冲检测和提取,此时,可以结合图11所述的方法以及图12所示的方法,混合使用,实现同步触发的脉冲检测和提取。后者可以更好地保证在同一时间戳上获得来自所有传感器的信号数据,给后续分析提供更好的数据基础,但同步触发脉冲检测也可能提取出与脉冲信号不相关的数据,增加数据量和通信带宽。具体实施中需根据现场情况和系统模式做选择配置,在此不做专门限制。
以下结合图13详细描述本发明实施例所提供的一种脉冲信号的分类辨识方法,在该实施例中,首先对宽带射频脉冲信号样本数据进行分组前降噪以提升信噪比,紧着通过聚类分组获得不同的脉冲簇分组{A,B,…,M},然后再对每个脉冲簇分组进行同类降噪和脉冲信号源定位,并基于定位结果对之前的脉冲簇进行聚类优化和校验以获得新的脉冲簇分组{A',B',…,N},最后对每个脉冲簇分组进行特征挖掘提取并根据其特征集和局放诊断领域知识进行脉冲的分类辨识。
本发明实施例提供了一种脉冲信号的分类辨识装置,如图14所示,包括:
目标样本数据获取模块51,用于获取射频脉冲信号的目标样本数据,目标样本数据为多维度高保真的样本数据;详细实施内容可参见上述方法实施例中步骤S11的相关描述。
第一射频脉冲信号生成模块52,用于对射频脉冲信号的目标样本数据进行降噪处理,生成第一射频脉冲信号;详细实施内容可参见上述方法实施例中步骤S12的相关描述。
初始脉冲簇生成模块53,用于对第一射频脉冲信号进行聚类分组,生成多个初始脉冲簇;详细实施内容可参见上述方法实施例中步骤S13的相关描述。
目标脉冲簇生成模块54,用于对各初始脉冲簇进行带外降噪及带内降噪处理,生成多个目标脉冲簇;详细实施内容可参见上述方法实施例中步骤S14的相关描述。
特征集提取模块55,用于根据目标脉冲簇,分别生成多个相应的特征集;详细实施内容可参见上述方法实施例中步骤S15的相关描述。
类型确定模块56,用于根据特征集,确定目标脉冲簇的类型。详细实施内容可参见上述方法实施例中步骤S16的相关描述。
本发明提供的一种脉冲信号的分类辨识装置,包括:目标样本数据获取模块,用于获取射频脉冲信号的目标样本数据,所述目标样本数据为多维度高保真的样本数据;第一射频脉冲信号生成模块,用于对所述射频脉冲信号的目标样本数据进行降噪处理,生成第一射频脉冲信号;初始脉冲簇生成模块,用于对所述第一射频脉冲信号进行聚类分组,生成多个初始脉冲簇;目标脉冲簇生成模块,用于对各初始脉冲簇进行带外降噪及带内降噪处理,生成多个目标脉冲簇;特征集提取模块,用于根据所述目标脉冲簇,分别生成多个相应的特征集;类型确定模块,用于根据所述特征集,确定所述目标脉冲簇的类型。结合多维度高保真的目标样本数据,确定时域、频域以及空域详细的信号特征信息,以及对射频脉冲信号进行识别提取、聚类分组、合理降噪以及分类辨识,解决了现有的局放信号检测过程检测可靠性降低的问题,可以在不损害脉冲信号波形特征的前提下显著提高其信噪比,实现了对脉冲型信号的有效抑制,提高了局放检测以及信号源定位的准确性,避免虚警以及误报,降低电网设备维护费用,保障电网稳定安全运行,满足安全、可靠和全面覆盖的局放检测需求。
本发明实施例还提供了一种计算机设备,如图15所示,该计算机设备可以包括处理器61和存储器62,其中处理器61和存储器62可以通过总线60或者其他方式连接,图8中以通过总线60连接为例。
处理器61可以为中央处理器(Central Processing Unit,CPU)。处理器61还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器62作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的脉冲信号的分类辨识方法对应的程序指令/模块。处理器61通过运行存储在存储器62中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的脉冲信号的分类辨识方法。
存储器62可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器61所创建的数据等。此外,存储器62可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器62可选包括相对于处理器61远程设置的存储器,这些远程存储器可以通过网络连接至处理器61。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器62中,当被所述处理器61执行时,执行如图1至图10所示实施例中的脉冲信号的分类辨识方法。
上述计算机设备具体细节可以对应参阅上述各图所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
本发明实施例还提供了一种非暂态计算机可读介质,非暂态计算机可读存储介质存储计算机指令,计算机指令用于使计算机执行如上述实施例中任意一项描述的脉冲信号的分类辨识方法,其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。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。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (11)
1.一种脉冲信号的分类辨识方法,其特征在于,包括:
获取射频脉冲信号的目标样本数据,所述目标样本数据为多维度高保真的样本数据;
对所述射频脉冲信号的目标样本数据进行降噪处理,生成第一射频脉冲信号;
对所述第一射频脉冲信号进行聚类分组,生成多个初始脉冲簇;
对各初始脉冲簇进行带外降噪及带内降噪处理,生成多个目标脉冲簇;
根据所述目标脉冲簇,分别生成多个相应的特征集;
根据所述特征集,确定所述目标脉冲簇的类型;
所述对各初始脉冲簇进行带外降噪及带内降噪处理,生成多个目标脉冲簇的步骤,具体包括:
对各初始脉冲簇进行带外降噪及带内降噪处理,生成多个第一脉冲簇及其定位结果;
根据所述定位结果对所述第一脉冲簇进行聚类优化,生成多个目标脉冲簇;
所述对所述第一射频脉冲信号进行聚类分组,生成多个初始脉冲簇,具体包括:
根据所述第一射频脉冲信号的传感器标识信息,将所述第一射频脉冲信号划分为多个第二射频脉冲信号;
根据各第二射频脉冲信号的波形特征以及频谱特征,分别生成多个初始脉冲簇。
2.根据权利要求1所述的方法,其特征在于,所述对各初始脉冲簇进行带外降噪及带内降噪处理,生成多个第一脉冲簇的步骤,具体包括:
对所述初始脉冲簇进行频谱分析,确定所述初始脉冲簇的带外降噪频带范围;
根据所述带外降噪频带范围,生成第二脉冲簇;
根据预设主成分分析算法,确定所述第二脉冲簇的主维度;
根据第二脉冲簇的主维度,分别在各所述第二脉冲簇中降维去噪生成多个第一脉冲簇。
3.根据权利要求2所述的方法,其特征在于,生成多个第一脉冲簇的定位结果的步骤,具体包括:
分别获取多个第一脉冲簇到达各传感器的信号强度比和/或到达时间差;
根据所述信号强度比和/或到达时间差,生成多个第一脉冲簇的定位结果。
4.根据权利要求3所述的方法,其特征在于,所述根据所述定位结果对所述第一脉冲簇进行聚类优化,生成多个目标脉冲簇,具体包括:
根据所述第一脉冲簇的定位结果,分别确定所述第一脉冲簇的信号源位置;
当所述第一脉冲簇的信号源位置均相同时,所述第一脉冲簇即为目标脉冲簇;
和/或,当所述第一脉冲簇的信号源位置不同时,根据信号源位置,生成多个子脉冲簇,所述子脉冲簇即为目标脉冲簇;
和/或,当不同的第一脉冲簇的信号源位置相同时,根据所述信号源位置,生成超脉冲簇,所述超脉冲簇即为目标脉冲簇。
5.根据权利要求1所述的方法,其特征在于,所述获取射频脉冲信号的目标样本数据的步骤,具体包括:
获取符合目标频带范围,且符合目标信号强度范围的模拟射频信号;
获取所述模拟射频信号的最高频率,根据所述最高频率确定采样频率;
根据所述采样频率、采样垂直分辨率以及采样时钟同步精度对所述模拟射频信号进行采样,生成射频信号的样本数据;
在所述射频信号的样本数据中,提取符合预设脉冲信号特征的样本数据,生成射频脉冲信号的目标样本数据。
6.根据权利要求1所述的方法,其特征在于,所述对所述射频脉冲信号的目标样本数据进行降噪处理,生成第一射频脉冲信号,具体包括:
对所述目标样本数据进行频谱分析,确定所述目标样本数据的频带范围;
根据所述频带范围以及所述目标样本数据,生成第一射频脉冲信号。
7.根据权利要求1所述的方法,其特征在于,还包括:
根据所述第二射频脉冲信号对应的多个初始脉冲簇,计算生成各所述第二射频脉冲信号的第一重合比率;
根据所述第一重合比率确定各所述第二射频脉冲信号的第一聚类分组结果;
当所述第一聚类分组结果的一致性大于或等于第一预设阈值时,根据多个第二射频脉冲信号,生成目标特征向量,根据所述目标特征向量调整其他第二射频脉冲信号,生成与所述重合比率相符合的多个初始脉冲簇;
当所述第一聚类分组结果的一致性小于所述第一预设阈值时,调整波形特征以及频谱特征,重新执行所述根据各第二射频脉冲信号的波形特征以及频谱特征,分别生成多个初始脉冲簇的步骤。
8.根据权利要求7所述的方法,其特征在于,还包括:
当重新执行所述根据各第二射频脉冲信号的波形特征以及频谱特征,分别生成多个初始脉冲簇的步骤之后,计算生成各所述第二射频脉冲信号的第二重合比率;
根据所述第二重合比率确定各所述第二射频脉冲信号的第二聚类分组结果的一致性;
当所述第二聚类分组结果的一致性仍然小于第一预设阈值时,维持所述根据各第二射频脉冲信号的波形特征以及频谱特征,分别生成多个初始脉冲簇的步骤中生成的初始脉冲簇不变。
9.一种脉冲信号的分类辨识装置,其特征在于,包括:
目标样本数据获取模块,用于获取射频脉冲信号的目标样本数据,所述目标样本数据为多维度高保真的样本数据;
第一射频脉冲信号生成模块,用于对所述射频脉冲信号的目标样本数据进行降噪处理,生成第一射频脉冲信号;
初始脉冲簇生成模块,用于对所述第一射频脉冲信号进行聚类分组,生成多个初始脉冲簇;
目标脉冲簇生成模块,用于对各初始脉冲簇进行带外降噪及带内降噪处理,生成多个目标脉冲簇;
特征集提取模块,用于根据所述目标脉冲簇,分别生成多个相应的特征集;
类型确定模块,用于根据所述特征集,确定所述目标脉冲簇的类型;
目标脉冲簇生成模块具体用于:对各初始脉冲簇进行带外降噪及带内降噪处理,生成多个第一脉冲簇及其定位结果;根据所述定位结果对所述第一脉冲簇进行聚类优化,生成多个目标脉冲簇;
初始脉冲簇生成模块具体用于:根据所述第一射频脉冲信号的传感器标识信息,将所述第一射频脉冲信号划分为多个第二射频脉冲信号;根据各第二射频脉冲信号的波形特征以及频谱特征,分别生成多个初始脉冲簇。
10.一种计算机设备,其特征在于,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行权利要求1-8中任一项所述的脉冲信号的分类辨识方法的步骤。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述的脉冲信号的分类辨识方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011193883.4A CN112307969B (zh) | 2020-10-30 | 2020-10-30 | 一种脉冲信号的分类辨识方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011193883.4A CN112307969B (zh) | 2020-10-30 | 2020-10-30 | 一种脉冲信号的分类辨识方法、装置及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112307969A CN112307969A (zh) | 2021-02-02 |
CN112307969B true CN112307969B (zh) | 2024-03-12 |
Family
ID=74333068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011193883.4A Active CN112307969B (zh) | 2020-10-30 | 2020-10-30 | 一种脉冲信号的分类辨识方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112307969B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361435A (zh) * | 2021-06-16 | 2021-09-07 | 中国农业大学 | 一种卷积神经网络实现的信号曲线自动解卷积方法 |
CN113240057B (zh) * | 2021-07-12 | 2021-09-28 | 武汉中原电子信息有限公司 | 一种基于电力数据采集的高精度误差检测方法及系统 |
CN113721219B (zh) * | 2021-10-08 | 2023-07-04 | 中国电子科技集团公司第三十八研究所 | 一种基于多参数聚类的雷达信号分选方法和系统 |
CN115603800B (zh) * | 2022-12-14 | 2023-03-14 | 成都川美新技术股份有限公司 | 一种基于多维特征发现与识别卫星弱信号的方法 |
CN117155746B (zh) * | 2023-10-31 | 2024-02-23 | 中孚安全技术有限公司 | 电磁信号的合并处理方法、系统及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7397415B1 (en) * | 2006-02-02 | 2008-07-08 | Itt Manufacturing Enterprises, Inc. | System and method for detecting and de-interleaving radar emitters |
WO2016019666A1 (zh) * | 2014-08-07 | 2016-02-11 | 国家电网公司 | 电缆局部放电的检测方法及装置 |
CN107942210A (zh) * | 2017-11-14 | 2018-04-20 | 国网上海市电力公司 | 变压器脉冲电流局部放电波形的分类和去噪方法及系统 |
CN109901031A (zh) * | 2019-02-27 | 2019-06-18 | 西安电子科技大学 | 用于局部放电信号的信噪分离方法、信息数据处理终端 |
-
2020
- 2020-10-30 CN CN202011193883.4A patent/CN112307969B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7397415B1 (en) * | 2006-02-02 | 2008-07-08 | Itt Manufacturing Enterprises, Inc. | System and method for detecting and de-interleaving radar emitters |
WO2016019666A1 (zh) * | 2014-08-07 | 2016-02-11 | 国家电网公司 | 电缆局部放电的检测方法及装置 |
CN107942210A (zh) * | 2017-11-14 | 2018-04-20 | 国网上海市电力公司 | 变压器脉冲电流局部放电波形的分类和去噪方法及系统 |
CN109901031A (zh) * | 2019-02-27 | 2019-06-18 | 西安电子科技大学 | 用于局部放电信号的信噪分离方法、信息数据处理终端 |
Also Published As
Publication number | Publication date |
---|---|
CN112307969A (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112307969B (zh) | 一种脉冲信号的分类辨识方法、装置及计算机设备 | |
CN110031729B (zh) | 局部放电信号源的检测方法、系统及数据融合分析单元 | |
CN103267932B (zh) | 一种gis局部放电检测系统及方法 | |
Evagorou et al. | Feature extraction of partial discharge signals using the wavelet packet transform and classification with a probabilistic neural network | |
CN103197218B (zh) | 一种高压电缆绝缘缺陷局放带电检测诊断方法 | |
CN102298685B (zh) | 基于虚拟仪器的汽车电子射频识别参数检测系统 | |
CN109799434A (zh) | 局部放电模式识别系统及方法 | |
CN102510363A (zh) | 一种强干扰源环境下的lfm信号检测方法 | |
CN103558529A (zh) | 一种三相共筒式超高压gis局部放电的模式识别方法 | |
CN104869630A (zh) | 基于离线指纹库的伪基站快速定位方法与系统 | |
CN108337645B (zh) | 网格化无线电信号监测系统架构及干扰信号联合检测方法 | |
CN111175614A (zh) | 一种局部放电采集定位方法、装置及系统 | |
Mishra et al. | Self-organizing feature map based unsupervised technique for detection of partial discharge sources inside electrical substations | |
CN105429719A (zh) | 基于功率谱和多尺度小波变换分析强干扰信号检测方法 | |
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 | |
KR102377939B1 (ko) | Uhf 및 hfct 전기신호를 이용한 배전반 부분방전 감시진단 시스템 | |
CN113406441B (zh) | 基于聚类和迭代算法的柔性直流电网故障测距方法 | |
CN114113943A (zh) | 基于电流和超声信号的变压器局放检测系统、方法及设备 | |
CN108594156B (zh) | 一种改进的电流互感器饱和特性识别方法 | |
Hamid et al. | Spectrum sensing through spectrum discriminator and maximum minimum eigenvalue detector: A comparative study | |
CN114584227B (zh) | 自动化突发信号检测方法 | |
JP2003307539A (ja) | ガス絶縁機器の部分放電診断装置 | |
CN111024239B (zh) | 一种基于图像识别技术的红外检测数据自动采集工具 | |
CN114675143A (zh) | 一种局部放电测量方法及装置 | |
CN114201991A (zh) | 一种基于超声传感器阵列的局放信号检测方法和系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |