CN112364704A - 一种基于时钟同步局部放电的聚类方法及系统 - Google Patents

一种基于时钟同步局部放电的聚类方法及系统 Download PDF

Info

Publication number
CN112364704A
CN112364704A CN202011108925.XA CN202011108925A CN112364704A CN 112364704 A CN112364704 A CN 112364704A CN 202011108925 A CN202011108925 A CN 202011108925A CN 112364704 A CN112364704 A CN 112364704A
Authority
CN
China
Prior art keywords
clustering
partial discharge
time
frequency
algorithm
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
Application number
CN202011108925.XA
Other languages
English (en)
Inventor
赵庆冲
杨震威
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.)
Conway Communication Technology Co Ltd
Original Assignee
Conway Communication Technology 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 Conway Communication Technology Co Ltd filed Critical Conway Communication Technology Co Ltd
Priority to CN202011108925.XA priority Critical patent/CN112364704A/zh
Publication of CN112364704A publication Critical patent/CN112364704A/zh
Pending legal-status Critical Current

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
    • G06F2218/08—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
    • G01R31/1263—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 of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
    • G01R31/1272—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 of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明属于电力电缆局部放电领域，提供了一种基于时钟同步局部放电的聚类方法及系统。其中，基于时钟同步局部放电的聚类方法包括将基于时钟同步的局部放电脉冲群经等效时频变换转化为二维等效时频图谱中的时频信号点；基于鲸鱼优化算法的K均值聚类算法，将K均值算法的局部寻优能力与鲸鱼算法的全局寻优能力相结合对时频信号点进行聚类，根据信号点隶属不同放电源具有不同放电波形特性，从而实现基于时钟同步局部放电的放电源识别。其可以实现对单一缺陷的局部放电在线监测与识别，使电缆故障得及时排除，减少经济损失和社会影响，保障电力电缆的安全有效运行。

Description

一种基于时钟同步局部放电的聚类方法及系统
技术领域
本发明属于电力电缆局部放电领域，尤其涉及一种基于时钟同步局部放电的聚类方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
一般认为XLPE电力电缆在正常环境中的寿命为20-30年，然而由于电缆敷设在电缆沟或直接埋于地下，敷设环境与使用状态会极大的影响电缆的寿命。长期同土壤、水分、潮气接触，绝缘易受到腐蚀渗透，再加上电缆制造或安装时的局部缺陷，都可能造成故障。地下电缆一旦发生故障，寻找起来十分困难，不仅要浪费大量人力物力，而且还将带来难以估计的停电损失。如果故障得不到及时排除，将会造成严重的经济损失和社会影响。
局部放电类型与绝缘缺陷紧密相关，在线检测高压电器运行状态，实时采集绝缘局部放电信号并对其进行数理分析处理和属性分类，推断、预测绝缘缺陷部位、局放类型机器放电发展程度，可以预报预防事故发生。由于局部放电有多种类型，比如内部、沿面、电晕等，加上噪声的干扰，分别对应着不同的诊断和检修策略。放电信号识别的目的就是要准确找出信号类型，判断其危害性，进行有效应对措施。对放电信号类型进行识别首先需要对不同类型的放电信号进行分类，通常先对原始放电脉冲群进行等效时频变换处理，再对等效时频数据进行聚类分析，达到对不同放电类型数据分类的目的。
发明人发现，在对等效时频数据进行聚类的过程中，聚类算法中初始聚心是随机选择的，而且是通过迭代来获得的最优解，初始聚心不同，聚类结果也不同，这样导致聚类结果很不稳定，从而降低了电缆故障类型判断的准确性。
发明内容
为了解决上述问题，本发明提供一种基于时钟同步局部放电的聚类方法及系统，其可以实现对单一缺陷的局部放电在线监测与识别，使电缆故障得及时排除，减少经济损失和社会影响，保障电力电缆的安全有效运行。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种基于时钟同步局部放电的聚类方法。
一种基于时钟同步局部放电的聚类方法，包括：
将基于时钟同步的局部放电脉冲群经等效时频变换转化为二维等效时频图谱中的时频信号点；
基于鲸鱼优化算法的K均值聚类算法，将K均值算法的局部寻优能力与鲸鱼算法的全局寻优能力相结合对时频信号点进行聚类，根据信号点隶属不同放电源具有不同放电波形特性，从而实现基于时钟同步局部放电的放电源识别。
本发明的第二个方面提供一种基于时钟同步局部放电的聚类系统。
一种基于时钟同步局部放电的聚类系统，包括：
等效时频变换模块，其用于将基于时钟同步的局部放电脉冲群经等效时频变换转化为二维等效时频图谱中的时频信号点；
优化聚类模块，其用于基于鲸鱼优化算法的K均值聚类算法，将K均值算法的局部寻优能力与鲸鱼算法的全局寻优能力相结合对时频信号点进行聚类，根据信号点隶属不同放电源具有不同放电波形特性，从而实现基于时钟同步局部放电的放电源识别。
本发明的第三个方面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实现如上述所述的基于时钟同步局部放电的聚类方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，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如上述所述的基于时钟同步局部放电的聚类方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明将基于时钟同步的局部放电脉冲群经等效时频变换转化为二维等效时频图谱中的时频信号点，根据信号点隶属度实现不同放电波形特性信号的划分，从而实现混合放电信号的分离和放电源识别。
本发明基于鲸鱼优化算法的K均值聚类算法，将K均值算法的局部寻优能力与鲸鱼算法的全局寻优能力相结合，以克服传统K均值算法的局部性和对初始中心的敏感性，提高了电缆故障类型判断的准确性。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例的基于时钟同步局部放电的聚类方法流程图；
图2是本发明实施例的二维等效时频图谱；
图3是本发明实施例的鲸鱼优化算法。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明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发明的示例性实施方式。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。
实施例一
参照图1，本实施例的一种基于时钟同步局部放电的聚类方法，包括：
步骤S101：将基于时钟同步的局部放电脉冲群经等效时频变换转化为二维等效时频图谱中的时频信号点。
在具体实施过程中，二维等效时频图谱中的时频信号点为基于时钟同步的局部放电脉冲群的特征量点，特征量点的横坐标为等效时长，纵坐标为等效频率。二维等效时频图谱，如图2所示。
整个局部放电脉冲群的特征量点获取过程为：
基于局部放电脉冲群的时域信号和频域傅里叶变换后的信号，分别对应计算局部放电脉冲的时间重心和频率重心，得到脉冲波形的等效时宽和等效频宽；
基于脉冲波形的等效时宽和等效频宽，提取每个放电脉冲的特征量，得到整个局部放电脉冲群的特征量及其对应时频信号点。
具体地，对获取的基于时钟同步的局部放电脉冲群做如下处理：
Figure BDA0002727922340000051
式中：j为第j个脉冲；ai为第i个点的时域波形值；n为脉冲的点数；Δt为采样时间间隔；Δt(i-1)为第i个点对应的时间。同理，对脉冲波形进行快速傅里叶变换得到：
Figure BDA0002727922340000052
式中Ai为第i个点的频谱幅值；Δf(i-1)为第i个点的频率值。
利用等效时频法提取脉冲波形的特征量时需要对脉冲pj做如下处理：通过式(3)计算脉冲波形的时间重心T0 j和频率重心F0 j，再利用式(4)获得脉冲波形的等效时宽Tj和等效频宽Fj。
Figure BDA0002727922340000053
Figure BDA0002727922340000054
提取每一个放电脉冲的特征量(eTj,eFj)，即得整个脉冲群的特征向量(eTj,eFj),j＝1,2,...,N，N为脉冲个数。
步骤S102：基于鲸鱼优化算法的K均值聚类算法，将K均值算法的局部寻优能力与鲸鱼算法的全局寻优能力相结合对时频信号点进行聚类，根据信号点隶属不同放电源具有不同放电波形特性，从而实现基于时钟同步局部放电的放电源识别。
其中，鲸鱼优化算法(Whale Optimization Algorithm,WOA)是模仿座头鲸的狩猎行为进而提出的一种新型启发式优化算法。在WOA算法中，每只座头鲸的位置代表一个可行解。在海洋活动中，座头鲸有着一种特殊的狩猎方法，这种觅食行为称为bubble-net捕食策略，其狩猎行为如图3所示：
(1)包围猎物
座头鲸在狩猎的时候要包围猎物，为了描述这种行为，使用下面的数学模型。
D＝|CX*(t)-X(t)| (5)
X(t+1)＝X*(t)-A·D (6)
其中，t表示当前的迭代次数，A和C表示系数，X*(t)表示目前为止最好的鲸鱼位置向量，X(t)表示当前鲸鱼的位置向量，A和C由下面的公式得出：
A＝2a×r1-a (7)
C＝2×r2 (8)
r1和r2是(0,1)中的随机数，a的值从2到0线性下降，t表示当前的迭代次数，Tmax为最大迭代次数。
a＝2-2×t/Tmax (9)
(2)狩猎行为
根据座头鲸的狩猎行为，它是以螺旋运动游向猎物，故狩猎行为的数学模型如下：
X(t+1)＝X*(t)+Dp·ebl·cos(2πl) (10)
其中，Dp＝|X*(t)-X(t)|表示鲸鱼和猎物之间的距离，X*(t)表示目前为止最好的位置向量，b是一个常数，用来定义螺线的形状，l是(-1,1)中的随机数。
值得注意的是，鲸鱼以螺旋形状游向猎物的同时还要收缩包围圈。因此，在这种同步行为模型中，假设有Pi的概率选择收缩包围机制和1-Pi的概率选择螺旋模型来更新鲸鱼的位置，其数学模型如下：
Figure BDA0002727922340000071
攻击猎物时，在数学模型上靠近猎物设定了减小a的值，这样A的波动范围也随a下降。在迭代过程中当a的值从2到0下降时，A是在[-a,a]内的随机值，当A的值在[-1,1]内时，鲸鱼的下一个位置可以是它现在的位置和猎物的位置之间的任意位置，算法设定当A<1时，鲸鱼向猎物发起攻击。
(3)搜索猎物
在搜索猎物时，其数学模型如下：
D＝|CXrand-X(t)| (12)
X(t+1)＝Xrand-A·D (13)
其中，Xrand是随机选择的鲸鱼位置向量，算法设定当A≥1时，随机选择一个搜索代理，根据随机选择的鲸鱼位置来更新其它鲸鱼的位置，迫使鲸鱼偏离猎物，借此找到一个更合适的猎物，这样可以加强算法的勘探能力使WOA算法能够进行全局搜索。
基于鲸鱼优化算法的K均值聚类(Kmeans聚类)：
Kmeans聚类算法中，把数据集Ω＝{x1,x2,...,xn}划分为多个子集Cj(j＝1,2,...,k)，其中xi(i＝1,2,3,...,n)有m个属性，k即为聚类个数，同时满足以下约束条件(14)～(16)：
Figure BDA0002727922340000072
Figure BDA0002727922340000073
Figure BDA0002727922340000074
基于划分的聚类质量评估函数：
Figure BDA0002727922340000081
其中：nj是子类Cj中的样本总数；zj表示子类Cj的聚心，是该子类所含样本的均值
Figure BDA0002727922340000082
d(xi,zj)表示样本xi与所属子类Cj的中心zj的距离；J表示全部类内距离和，J的值越小，说明聚类效果越好。
基于鲸鱼算法优化Kmeans聚类方法，鲸鱼算法的目标是在搜索空间中对每个猎物搜索最佳位置以使聚类质量评估函数(式17)最小，则聚类效果越好。构造猎物适应度函数如式18所示，该适应度函数越大说明聚类效果越好：
fiti＝1/(1+J) (18)
采用基于聚心的编码方法，即K个聚心组成鲸鱼算法中的一个位置。若聚心是由m维向量构成，则每个鲸鱼位置Xi在鲸鱼算法中定义为：
Xi＝{xi1,xi2,...,xid},i∈[1,SN],d＝k*m
本实施例将基于时钟同步的局部放电脉冲群经等效时频变换转化为二维等效时频图谱中的时频信号点，根据信号点隶属度实现不同放电波形特性信号的划分，从而实现混合放电信号的分离和放电源识别。
本实施例基于鲸鱼优化算法的K均值聚类算法，将K均值算法的局部寻优能力与鲸鱼算法的全局寻优能力相结合，以克服传统K均值算法的局部性和对初始中心的敏感性，提高了电缆故障类型判断的准确性。
实施例二
本实施例提供了一种基于时钟同步局部放电的聚类系统，包括：
等效时频变换模块，其用于将基于时钟同步的局部放电脉冲群经等效时频变换转化为二维等效时频图谱中的时频信号点；
优化聚类模块，其用于基于鲸鱼优化算法的K均值聚类算法，将K均值算法的局部寻优能力与鲸鱼算法的全局寻优能力相结合对时频信号点进行聚类，根据信号点隶属不同放电源具有不同放电波形特性，从而实现基于时钟同步局部放电的放电源识别。
本实施例的一种基于时钟同步局部放电的聚类系统与实施例一所述的基于时钟同步局部放电的聚类方法中的步骤一一对应，其具体实施过程如实施例一所述，此处不再累述。
实施例三
本实施例提供了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实现如上述实施例一所述的基于时钟同步局部放电的聚类方法中的步骤。
实施例四
本实施例提供了一种计算机设备，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如上述实施例一所述的基于时钟同步局部放电的聚类方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于时钟同步局部放电的聚类方法，其特征在于，包括：
将基于时钟同步的局部放电脉冲群经等效时频变换转化为二维等效时频图谱中的时频信号点；
基于鲸鱼优化算法的K均值聚类算法，将K均值算法的局部寻优能力与鲸鱼算法的全局寻优能力相结合对时频信号点进行聚类，根据信号点隶属不同放电源具有不同放电波形特性，从而实现基于时钟同步局部放电的放电源识别。
2.如权利要求1所述的基于时钟同步局部放电的聚类方法，其特征在于，二维等效时频图谱中的时频信号点为基于时钟同步的局部放电脉冲群的特征量点，特征量点的横坐标为等效时长，纵坐标为等效频率。
3.如权利要求2所述的基于时钟同步局部放电的聚类方法，其特征在于，整个局部放电脉冲群的特征量点获取过程为：
基于局部放电脉冲群的时域信号和频域傅里叶变换后的信号，分别对应计算局部放电脉冲的时间重心和频率重心，得到脉冲波形的等效时宽和等效频宽；
基于脉冲波形的等效时宽和等效频宽，提取每个放电脉冲的特征量，得到整个局部放电脉冲群的特征量及其对应时频信号点。
4.如权利要求1所述的基于时钟同步局部放电的聚类方法，其特征在于，基于鲸鱼优化算法的K均值聚类算法对时频信号点进行聚类的过程为：
初始化聚类个数、鲸鱼种群规模大小、最大迭代次数及初始鲸鱼位置；
计算每一头鲸鱼相应的适应度值，根据适应度值的大小排序，并选取适应度值最大的个体位置作为最优位置；其中，适应度函数为全部类内距离和与1累加和的倒数；
根据狩猎行为和搜索猎物的相应模型来更新下一代的位置；若达到终止条件，则输出最优个体，即算法找到的最优解，猎物最优解输出作为聚心；否则，继续寻优。
5.如权利要求4所述的基于时钟同步局部放电的聚类方法，其特征在于，采用基于聚心的编码方法即K个聚心，组成鲸鱼算法中的一个位置。
6.如权利要求1所述的基于时钟同步局部放电的聚类方法，其特征在于，基于鲸鱼优化算法的K均值聚类算法的目标是在搜索空间中对每个猎物搜索最佳位置以使聚类质量评估函数最小，则聚类效果越好；其中，聚类质量评估函数采用全部类内距离和表示。
7.一种基于时钟同步局部放电的聚类系统，其特征在于，包括：
等效时频变换模块，其用于将基于时钟同步的局部放电脉冲群经等效时频变换转化为二维等效时频图谱中的时频信号点；
优化聚类模块，其用于基于鲸鱼优化算法的K均值聚类算法，将K均值算法的局部寻优能力与鲸鱼算法的全局寻优能力相结合对时频信号点进行聚类，根据信号点隶属不同放电源具有不同放电波形特性，从而实现基于时钟同步局部放电的放电源识别。
8.如权利要求7所述的基于时钟同步局部放电的聚类系统，其特征在于，二维等效时频图谱中的时频信号点为基于时钟同步的局部放电脉冲群的特征量点，特征量点的横坐标为等效时长，纵坐标为等效频率。
9.一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，该程序被处理器执行时实现如权利要求1-6中任一项所述的基于时钟同步局部放电的聚类方法中的步骤。
10.一种计算机设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一项所述的基于时钟同步局部放电的聚类方法中的步骤。
CN202011108925.XA 2020-10-16 2020-10-16 一种基于时钟同步局部放电的聚类方法及系统 Pending CN112364704A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011108925.XA CN112364704A (zh) 2020-10-16 2020-10-16 一种基于时钟同步局部放电的聚类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011108925.XA CN112364704A (zh) 2020-10-16 2020-10-16 一种基于时钟同步局部放电的聚类方法及系统

Publications (1)

Publication Number Publication Date
CN112364704A true CN112364704A (zh) 2021-02-12

Family

ID=74508134

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011108925.XA Pending CN112364704A (zh) 2020-10-16 2020-10-16 一种基于时钟同步局部放电的聚类方法及系统

Country Status (1)

Country Link
CN (1) CN112364704A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113253066A (zh) * 2021-04-27 2021-08-13 国网山东省电力公司烟台供电公司 一种局部放电特高频信号prpd/prps图谱相位同步方法
CN113447769A (zh) * 2021-05-31 2021-09-28 华东电力试验研究院有限公司 基于二维特征参数平面的pd脉冲群手动快速提取系统
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 (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107728018A (zh) * 2017-09-20 2018-02-23 国网浙江省电力公司绍兴供电公司 一种电力电缆现场局部放电信号的降噪方法
US20190130574A1 (en) * 2017-10-31 2019-05-02 Boe Technology Group Co., Ltd. Image processing method and image processing device
CN111103517A (zh) * 2020-01-20 2020-05-05 云南电网有限责任公司玉溪供电局 一种真空度局部放电脉冲群分类识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107728018A (zh) * 2017-09-20 2018-02-23 国网浙江省电力公司绍兴供电公司 一种电力电缆现场局部放电信号的降噪方法
US20190130574A1 (en) * 2017-10-31 2019-05-02 Boe Technology Group Co., Ltd. Image processing method and image processing device
CN111103517A (zh) * 2020-01-20 2020-05-05 云南电网有限责任公司玉溪供电局 一种真空度局部放电脉冲群分类识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周勇: "《复杂多源数据的知识获取与知识发现》", 31 October 2015, 中国矿业大学出版社 *
陈亚环: ""混合群智能算法及其在聚类分析中的应用研究"", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113253066A (zh) * 2021-04-27 2021-08-13 国网山东省电力公司烟台供电公司 一种局部放电特高频信号prpd/prps图谱相位同步方法
CN113253066B (zh) * 2021-04-27 2024-01-26 国网山东省电力公司烟台供电公司 一种局部放电特高频信号prpd/prps图谱相位同步方法
CN113447769A (zh) * 2021-05-31 2021-09-28 华东电力试验研究院有限公司 基于二维特征参数平面的pd脉冲群手动快速提取系统
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

Similar Documents

Publication Publication Date Title
CN112364704A (zh) 一种基于时钟同步局部放电的聚类方法及系统
CN112069061B (zh) 深度学习梯度指导变异的软件安全漏洞检测方法及系统
CN108957251B (zh) 一种电缆接头局部放电模式识别方法
CN108268777B (zh) 一种利用补丁信息进行未知漏洞发现的相似性检测方法
Arbin et al. Comparative analysis between k-means and k-medoids for statistical clustering
CN111914253B (zh) 一种入侵检测的方法、系统、设备及可读存储介质
CN111368892B (zh) 一种广义s变换和svm的电能质量扰动高效识别方法
CN114969995A (zh) 一种基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法
CN116451150A (zh) 一种基于半监督小样本的设备故障诊断方法
CN110108992A (zh) 基于改进随机森林算法的电缆局放故障识别方法、系统及介质
CN113364751A (zh) 网络攻击预测方法、计算机可读存储介质及电子设备
CN106228026A (zh) 一种基于最优退化特征量的剩余寿命预测算法
CN112069918A (zh) 一种行星齿轮箱的故障诊断方法和装置
CN112926620A (zh) 一种变压器套管局部放电的缺陷类型识别方法及系统
CN111400713B (zh) 基于操作码邻接图特征的恶意软件族群分类方法
KR101953479B1 (ko) 거리의 상대적 비율을 적용한 그룹 탐색 최적화 데이터 클러스터링 방법 및 시스템
CN113839926A (zh) 一种基于灰狼算法特征选择的入侵检测系统建模方法、系统及装置
CN112362292B (zh) 对风洞试验数据进行异常检测的方法
CN109116833B (zh) 基于改进果蝇-蝙蝠算法的机械故障诊断方法
CN117390411B (zh) 基于元迁移学习的变工况轴承故障诊断方法
CN112016598A (zh) 基于sdae的局部放电模式识别方法、计算机设备和存储介质
CN116430188A (zh) 基于改进白冠鸡优化算法的变压器故障声纹诊断方法
CN116432022A (zh) 一种基于doa-rf的变压器套管局部放电模式识别方法
CN116340869A (zh) 基于红狐优化算法的分布式CatB肌体检测方法及设备
CN115563500A (zh) 基于数据增强技术的配电设备局部放电模式识别方法、装置及系统

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