CN112508089B - 一种用于局部放电信号压缩传输的自适应压缩感知方法 - Google Patents
一种用于局部放电信号压缩传输的自适应压缩感知方法 Download PDFInfo
- Publication number
- CN112508089B CN112508089B CN202011410004.9A CN202011410004A CN112508089B CN 112508089 B CN112508089 B CN 112508089B CN 202011410004 A CN202011410004 A CN 202011410004A CN 112508089 B CN112508089 B CN 112508089B
- Authority
- CN
- China
- Prior art keywords
- signal
- partial discharge
- dictionary
- block
- compressed
- 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 44
- 230000005540 biological transmission Effects 0.000 title claims abstract description 11
- 238000005070 sampling Methods 0.000 claims abstract description 35
- 238000007906 compression Methods 0.000 claims abstract description 33
- 230000006835 compression Effects 0.000 claims abstract description 33
- 238000011084 recovery Methods 0.000 claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 8
- 230000000903 blocking effect Effects 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 8
- 230000000737 periodic effect Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 230000008054 signal transmission Effects 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种用于局部放电信号压缩传输的自适应压缩感知方法，包括以下步骤：A、数据预处理，将低信噪比信号通过小波滤波转化为高信噪比信号；B、对高信噪比重叠分块后训练过完备字典，字典中原子仅和局放脉冲高度相关；C、判定信号块是否包含局放脉冲，如果包含则将其标签置为1，否则置为0；D、对于不同标签的信号块进行压缩采样；E、对于压缩采样后的信号进行稀疏重构，得到原始信号。本发明能够解决现有技术的不足，提高了压缩率，在保证良好恢复效果的同时可以有效地滤除现场采集噪声，节省了信号传输和存储成本。
Description
技术领域
本发明涉及电气设备异常检测技术领域，尤其是一种用于局部放电信号压缩传输的自适应压缩感知方法。
背景技术
局部放电信号可以指示电力设备中的异常情况，长时间的局部放电可能导致绝缘进一步退化。高压放电会使绝缘材料变质，使电气设备绝缘性能大幅下降。因此，对它们的监测至关重要。目前局部放电监测的应用已经应用于很多电气设备，如开关柜、GIS高压开关设备、变压器、发电机、埋地电缆、架空线等，主要的监测方法有特高频法、TEV法、超声波法、脉冲电流法等。其中TEV监测法因其不与放电体接触，灵敏度高等特点受到广泛关注。目前主要存在的问题为TEV局部放电信号频率较高，一般在几兆赫兹到几百兆赫兹之间，短时间内会产生海量的数据，当应用于工程领域的实时监测，会在短时间内产生大量的数据，对通信信道造成极大的压力，经济性极差。压缩感知技术是一种全新的信息采样理论，它基于信号的可压缩性,通过低维空间观测矩阵，对欠Nyquist采样数据的非相关观测来实现高维信号的感知。该技术的提出可以利用低于奈奎斯特采样率的数据量通过稀疏恢复算法恢复原始信号，极大的降低了信号存储及传输的成本。传统的压缩感知算法主要是状态滤波器算法，但是卡尔曼滤波器算法没有严密的数学验证，仅从经验角度判断支撑集中的哪些元素需要删除,使得估计结果具有一定随机性。该算法需要测量矩阵严格满足RIP才能精确重构稀疏信号,然而很多实际问题并不能满足上述条件,因此算法的性能会变得很差,导致较大判决误差。对于不采用滤波器的方法：最小l1范数法虽然是应用最为广泛的一种稀疏重构算法,但是除非满足一些严格的约束条件,其全局最小点并不是真正的最稀疏解.此外,当测量矩阵列向量间相关性增强,最小l1范数法的重构性能会严重下降。最后,最小l1范数法重建速度较慢。贝叶斯算法同样存在局限性,该算法要求时变稀疏信号的支撑集固定不变,仅支撑集对应的分量的幅值随时间发生变化,这种前提假设不符合实际情况。
发明内容
本发明要解决的技术问题是提供一种用于局部放电信号压缩传输的自适应压缩感知方法，能够解决现有技术的不足，提高了压缩率，在保证良好恢复效果的同时可以有效地滤除现场采集噪声，节省了信号传输和存储成本。
为解决上述技术问题，本发明所采取的技术方案如下。
一种用于局部放电信号压缩传输的自适应压缩感知方法，包括以下步骤：
A、数据预处理，将低信噪比信号通过小波滤波转化为高信噪比信号；
B、对高信噪比重叠分块后训练过完备字典，字典中原子仅和局放脉冲高度相关；
C、判定信号块是否包含局放脉冲，如果包含则将其标签置为1，否则置为0；
D、对于不同标签的信号块进行压缩采样；
E、对于压缩采样后的信号进行稀疏重构，得到原始信号。
作为优选，步骤A中，首先使用5阶高通巴特沃斯滤波器，滤波器截止频率为20kHz，滤除基波及部分低频噪声分量；然后通过小波滤波的方法滤除周期窄带噪声及白噪声，其中小波分解层数设为3层，小波函数为dB8小波，阈值采用硬阈值法；然后采用重叠分段的方法，对信号x重叠分块，各块长度为2L，第p块可表示为
且有，
其中，为第p块信号的第l个采样点，x(p-1)L+l为原信号第(p-1)L+l个采样点，且l＝1、2、...、2L；相邻两块信号重叠长度为L，且/>
作为优选，步骤B中，训练过完备字典包括以下步骤，
B1、字典初始化；给定一个字典，或根据联合数据样本进行初始化；
B2、稀疏编码；根据已知字典Ψ，利用跟踪算法求解每一个样本的稀疏系数向量xi即，
B3、字典更新，固定稀疏系数矩阵X，根据迭代次数或误差要求，更新字典直到得到最优字典为止。
作为优选，步骤C中，判定信号块是否包含局放脉冲包括以下步骤，
C1、对求取信号块L取绝对值，并求其极大值点Max
C2、求取每段信号的方差值Var；
C3、计算最大值点Max与方差值Var的差的绝对值，记为峰度差Pea
Pea＝|Max-Var|；
重复步骤C1-C3，依次求取同一周期信号内各块信号的峰度差，并按照降序方法排列，形成峰度差向量P的图像；
C4、峰值差快速下降区域所对应点表示存在局部放电脉冲，而缓慢下降区域则表示为噪声区域，连接图像首位两点，由该线段与P曲线差值最大处确定脉冲判定阈值ε；
C5、根据上述步骤选择多个周期实测数据，求取多个ε，最终判定阈值为
作为优选，步骤D中，对于不同标签的信号块进行压缩采样包括以下步骤，
D1、设定恢复误差率指标G，
其中，y表示原始采样信号，/>为算法恢复信号，当误差率小于0.1时，则认为恢复成功；
D2、设置不同的观测矩阵φ(M×N)中M的值改变压缩率，选取满足残差率要求的最低的M，记为临界采样率，其中有脉冲的临界采样率记为噪声信号块记为/>
D3、选择多个周期实测数据，求取多个临界采样率和/>最终各信号快临界采样率阈值分别为M1和M2，
D4、分别设定采样率阈值后，观测矩阵φ取为高斯随机矩阵，稀疏字典选择步骤B获得的自适应稀疏字典，通过OMP算法实现局部放电技术的压缩感知。
采用上述技术方案所带来的有益效果在于：
通过自适应识别信号快内局部放电脉冲信号的有无，自动设定采样率，实现了比普通压缩感知方法更大化压缩率的局放数据压缩，节省了信号传输和存储成本：
(1)：考虑了信号快内信息率的不同，由于局部放电信号在采集时会产生大量的冗余信息，在一个周期内，局放信号只占其中相当低的一部分，绝大多数信号为噪音，将局部放电分块后，按照信号块内局部放电信号的有无采取不同的压缩率，可以将关键信息准确恢复，将噪音信号消除。
(2)：由于根据不用信号块采取不用压缩率的策略，与传统采用统一压缩率压缩感知的方法相比，该方法可以极大的提高数据的压缩率，消除了大量冗余数据所占用的通信信道。而传统的统一压缩率的压缩感知方法，当需要恢复数据较为准确时无法保证较高的压缩率，当保持较高的压缩率时，数据恢复准确性会大幅度下降，本技术的自适应压缩感知方法相当于专门针对局部放电信号做出了优化，实现了较高压缩率的同时还能保证数据的有效稀疏去噪恢复。
附图说明
图1是VSB架空线路局部放电信号图。
图2是图1中所示信号经过高通滤波后的信号图。
图3是图2中所示信号经过小波滤噪后的信号图。
图4是峰度差向量P的图像。
图5是局部放电脉冲判定图。
图6是局部放电脉冲典型字典原子图。
图7是为原始含噪声信号图。
图8是图7所示信号经过自适应压缩感知恢复后的信号图。
图9是图7所示信号使用统一为75％压缩率的传统压缩感知恢复后的信号图。
图10是图7所示信号使用统一为15％压缩率的传统压缩感知恢复后的信号图。
具体实施方式
参照图1-5，本发明的一个具体实施方式包括以下步骤：
A、数据预处理，将低信噪比信号通过小波滤波转化为高信噪比信号；
B、对高信噪比重叠分块后训练过完备字典，字典中原子仅和局放脉冲高度相关；
C、判定信号块是否包含局放脉冲，如果包含则将其标签置为1，否则置为0；
D、对于不同标签的信号块进行压缩采样；
E、对于压缩采样后的信号进行稀疏重构，得到原始信号。
步骤A中，首先使用5阶高通巴特沃斯滤波器，滤波器截止频率为20kHz，滤除基波及部分低频噪声分量；然后通过小波滤波的方法滤除周期窄带噪声及白噪声，其中小波分解层数设为3层，小波函数为dB8小波，阈值采用硬阈值法；然后采用重叠分段的方法，对信号x重叠分块，各块长度为2L，第p块可表示为
且有，
其中，为第p块信号的第l个采样点，x(p-1)L+l为原信号第(p-1)L+l个采样点，且l＝1、2、...、2L；相邻两块信号重叠长度为L，且/>
步骤B中，训练过完备字典包括以下步骤，
B1、字典初始化；给定一个字典，或根据联合数据样本进行初始化；
B2、稀疏编码；根据已知字典Ψ，利用跟踪算法求解每一个样本的稀疏系数向量xi即，
B3、字典更新，固定稀疏系数矩阵X，根据迭代次数或误差要求，更新字典直到得到最优字典为止。
步骤C中，判定信号块是否包含局放脉冲包括以下步骤，
C1、对求取信号块L取绝对值，并求其极大值点Max
C2、求取每段信号的方差值Var；
C3、计算最大值点Max与方差值Var的差的绝对值，记为峰度差Pea
Pea＝|Max-Var|；
重复步骤C1-C3，依次求取同一周期信号内各块信号的峰度差，并按照降序方法排列，形成峰度差向量P的图像；
C4、峰值差快速下降区域所对应点表示存在局部放电脉冲，而缓慢下降区域则表示为噪声区域，连接图像首位两点，由该线段与P曲线差值最大处确定脉冲判定阈值ε；
C5、根据上述步骤选择多个周期实测数据，求取多个ε，最终判定阈值为
步骤D中，对于不同标签的信号块进行压缩采样包括以下步骤，
D1、设定恢复误差率指标G，
其中，y表示原始采样信号，/>为算法恢复信号，当误差率小于0.1时，则认为恢复成功；
D2、设置不同的观测矩阵φ(M×N)中M的值改变压缩率，选取满足残差率要求的最低的M，记为临界采样率，其中有脉冲的临界采样率记为噪声信号块记为/>
D3、选择多个周期实测数据，求取多个临界采样率和/>最终各信号快临界采样率阈值分别为M1和M2，
D4、分别设定采样率阈值后，观测矩阵φ取为高斯随机矩阵，稀疏字典选择步骤B获得的自适应稀疏字典，通过OMP算法实现局部放电技术的压缩感知。
数据估计结果分析
通过某现场实测TEV传感器局部放电数据对本技术提出的方法进行验证。
(1)通过任意选取200组局放周期数据，利用点到直线距离公式根据前述方法求取多个ε，确定判定阈值∑＝1.33，即当∑＞1.33时则表示信号块包含脉冲，将其标签label置为1，反之则无脉冲，将其标签置为0。
(2)任意选取200组局放周期数据训练稀疏字典，字典长度为200，字典个数为250，迭代次数为50，其部分原子如图6所示。
(3)分别选取200组含局放脉冲波信号信号块和无局放脉冲信号快，计算每组信号的临界采样率，按照前述方法分别求取临界采样阈值M1、M2，其中M1＝150、M2＝20。
(4)设计观测矩阵φ1、φ2，观测矩阵为高斯随机矩阵，其每列变量均符合高斯独立同分布条件，其中获得两种类型的观测信号y1、y2，x为实际信号：
y1＝φ1×x1
y2＝φ2×x2
(5)利用正交匹配追踪算法对传感器传回的观测信号y1、y2实现稀疏重构，求解稀疏稀疏θ1、θ2，并通过稀疏字典恢复原始信号，按顺序排列实现局方信号的稀疏重构。
x1＝D·θ1
x2＝D·θ2
x＝[x1，x2，x3，...xn]
计算结果分析
当采用本发明提出的自适应压缩感知方法后，分别选定临界采样阈值M1＝150、M2＝20，其中181块信号块含有局放脉冲信号，1819块信号快无局放脉冲信号，在VSB局部放电数据集中任意选取一组实现稀疏恢复，参照图8，自适应压缩感知方法压缩率CR为
当使用统一为75％压缩率的传统压缩感知方法时，其恢复效果如图9所示。当采用统一为15％压缩率的传统压缩感知方法时，其恢复效果如图10所示。
本发明提出的压缩感知恢复效果与75％压缩率时的传统压缩感知方法相近，但是本发明的压缩率只有15.89％，比传统方法压缩率增强了约5倍，且有效的滤除了现场传感器采集信号时产生的噪声。当传统方法采用15％的压缩率进行压缩感知时，其恢复效果极差，噪声非常明显，且丢失了大量的局放脉冲信息，准确率大幅下降。
本发明针对局部放电信号采集过程中存在大量无用冗余信息，对通信成本造成了极大的浪费的特点，提出了一种针对不同信号块内关键信息的有无自适应压缩的压缩感知方法，可以自适应的识别信号块中是否存在局部放电脉冲信号，将信号块分为两类，并根据信号块的种类自动确定压缩率，对于无脉冲信号的信号块采取高压缩率，对于含有局放信号的信号块采取低压缩率，实现了局部放电信号的压缩感知技术。该技术与传统方法相比极大的提高了压缩率，在保证良好恢复效果的同时可以有效地滤除现场采集噪声，具备广阔的应用前景。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“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，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。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.一种用于局部放电信号压缩传输的自适应压缩感知方法，其特征在于，包括以下步骤：
A、数据预处理，将低信噪比信号通过小波滤波转化为高信噪比信号；
B、对高信噪比重叠分块后训练过完备字典，字典中原子仅和局放脉冲高度相关；
C、判定信号块是否包含局放脉冲，如果包含则将其标签置为1，否则置为0；
D、对于不同标签的信号块进行压缩采样；
E、对于压缩采样后的信号进行稀疏重构，得到原始信号；
步骤D中，对于不同标签的信号块进行压缩采样包括以下步骤，
D1、设定恢复误差率指标G，
其中，y表示原始采样信号，/>为算法恢复信号，当误差率小于0.1时，则认为恢复成功；
D2、设置不同的观测矩阵φ(M×N)中M的值改变压缩率，选取满足残差率要求的最低的M，记为临界采样率，其中有脉冲的临界采样率记为噪声信号块记为/>
D3、选择多个周期实测数据，求取多个临界采样率和/>最终各信号快临界采样率阈值分别为M1和M2，
D4、分别设定采样率阈值后，观测矩阵φ取为高斯随机矩阵，稀疏字典选择步骤B获得的自适应稀疏字典，通过OMP算法实现局部放电技术的压缩感知。
2.根据权利要求1所述的用于局部放电信号压缩传输的自适应压缩感知方法，其特征在于：步骤A中，首先使用5阶高通巴特沃斯滤波器，滤波器截止频率为20kHz，滤除基波及部分低频噪声分量；然后通过小波滤波的方法滤除周期窄带噪声及白噪声，其中小波分解层数设为3层，小波函数为dB8小波，阈值采用硬阈值法；然后采用重叠分段的方法，对信号x重叠分块，各块长度为2L，第p块可表示为
且有，
其中，为第p块信号的第l个采样点，x(p-1)L+l为原信号第(p-1)L+l个采样点，且l＝1、2、...、2L；相邻两块信号重叠长度为L，且/>
3.根据权利要求2所述的用于局部放电信号压缩传输的自适应压缩感知方法，其特征在于：步骤B中，训练过完备字典包括以下步骤，
B1、字典初始化；给定一个字典，或根据联合数据样本进行初始化；
B2、稀疏编码；根据已知字典Ψ，利用跟踪算法求解每一个样本的稀疏系数向量xp即，
B3、字典更新，固定稀疏系数矩阵X，根据迭代次数或误差要求，更新字典直到得到最优字典为止。
4.根据权利要求3所述的用于局部放电信号压缩传输的自适应压缩感知方法，其特征在于：步骤C中，判定信号块是否包含局放脉冲包括以下步骤，
C1、对信号块P取绝对值，并求其极大值点Max
C2、求取每段信号的方差值Var；
C3、计算最大值点Max与方差值Var的差的绝对值，记为峰度差Pea
Pea＝|Max-Var|；
重复步骤C1-C3，依次求取同一周期信号内各块信号的峰度差，并按照降序方法排列，形成峰度差向量P的图像；
C4、峰值差快速下降区域所对应点表示存在局部放电脉冲，而缓慢下降区域则表示为噪声区域，连接图像首位两点，由该线段与P曲线差值最大处确定脉冲判定阈值ε；
C5、根据上述步骤选择多个周期实测数据，求取多个ε，最终判定阈值为
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011410004.9A CN112508089B (zh) | 2020-12-03 | 2020-12-03 | 一种用于局部放电信号压缩传输的自适应压缩感知方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011410004.9A CN112508089B (zh) | 2020-12-03 | 2020-12-03 | 一种用于局部放电信号压缩传输的自适应压缩感知方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112508089A CN112508089A (zh) | 2021-03-16 |
| CN112508089B true CN112508089B (zh) | 2023-10-31 |
Family
ID=74971772
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011410004.9A Active CN112508089B (zh) | 2020-12-03 | 2020-12-03 | 一种用于局部放电信号压缩传输的自适应压缩感知方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112508089B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105654530A (zh) * | 2016-03-08 | 2016-06-08 | 厦门大学 | 一种基于压缩感知的高鲁棒性图像自适应压缩方法 |
| CN105787970A (zh) * | 2016-03-01 | 2016-07-20 | 北京理工大学 | 基于稀疏度拟合的图像自适应压缩感知方法 |
| CN106385584A (zh) * | 2016-09-28 | 2017-02-08 | 江苏亿通高科技股份有限公司 | 基于空域相关性的分布式视频压缩感知自适应采样编码方法 |
| CN106503612A (zh) * | 2016-09-12 | 2017-03-15 | 国网浙江省电力公司舟山供电公司 | 基于压缩感知理论的直流电缆局部放电信号模式识别方法及系统 |
| CN107689795A (zh) * | 2017-07-10 | 2018-02-13 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于实时压缩感知的多地区电力控制方法 |
| WO2019006835A1 (zh) * | 2017-07-06 | 2019-01-10 | 清华大学深圳研究生院 | 一种基于压缩感知的目标识别方法 |
| CN109982090A (zh) * | 2019-03-21 | 2019-07-05 | 西安电子科技大学 | 一种结合灰度熵和盲反卷积的采样率自适应分块压缩感知方法 |
| CN110048724A (zh) * | 2019-04-11 | 2019-07-23 | 池州学院 | 一种电能质量信号压缩采样重构方法 |
| CN110175965A (zh) * | 2019-05-30 | 2019-08-27 | 齐齐哈尔大学 | 基于自适应采样及平滑投影的分块压缩感知方法 |
| CN111726766A (zh) * | 2019-12-19 | 2020-09-29 | 全球能源互联网研究院有限公司 | 一种变电设备状态监测信息采集方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007050593A2 (en) * | 2005-10-25 | 2007-05-03 | William Marsh Rice University | Method and apparatus for signal detection, classification, and estimation from compressive measurements |
| US8861588B2 (en) * | 2011-04-04 | 2014-10-14 | The United States Of America As Represented By The Secretary Of The Army | Apparatus and method for sampling and reconstruction of wide bandwidth signals below Nyquist rate |
-
2020
- 2020-12-03 CN CN202011410004.9A patent/CN112508089B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105787970A (zh) * | 2016-03-01 | 2016-07-20 | 北京理工大学 | 基于稀疏度拟合的图像自适应压缩感知方法 |
| CN105654530A (zh) * | 2016-03-08 | 2016-06-08 | 厦门大学 | 一种基于压缩感知的高鲁棒性图像自适应压缩方法 |
| CN106503612A (zh) * | 2016-09-12 | 2017-03-15 | 国网浙江省电力公司舟山供电公司 | 基于压缩感知理论的直流电缆局部放电信号模式识别方法及系统 |
| CN106385584A (zh) * | 2016-09-28 | 2017-02-08 | 江苏亿通高科技股份有限公司 | 基于空域相关性的分布式视频压缩感知自适应采样编码方法 |
| WO2019006835A1 (zh) * | 2017-07-06 | 2019-01-10 | 清华大学深圳研究生院 | 一种基于压缩感知的目标识别方法 |
| CN107689795A (zh) * | 2017-07-10 | 2018-02-13 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于实时压缩感知的多地区电力控制方法 |
| CN109982090A (zh) * | 2019-03-21 | 2019-07-05 | 西安电子科技大学 | 一种结合灰度熵和盲反卷积的采样率自适应分块压缩感知方法 |
| CN110048724A (zh) * | 2019-04-11 | 2019-07-23 | 池州学院 | 一种电能质量信号压缩采样重构方法 |
| CN110175965A (zh) * | 2019-05-30 | 2019-08-27 | 齐齐哈尔大学 | 基于自适应采样及平滑投影的分块压缩感知方法 |
| CN111726766A (zh) * | 2019-12-19 | 2020-09-29 | 全球能源互联网研究院有限公司 | 一种变电设备状态监测信息采集方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于故障高频电压稀疏量测的直流配电网双极短路故障定位;贾科;冯涛;赵其娟;王聪博;毕天姝;;电力系统自动化(01);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112508089A (zh) | 2021-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109557429B (zh) | 基于改进小波阈值去噪的gis局部放电故障检测方法 | |
| Seo et al. | Probabilistic wavelet transform for partial discharge measurement of transformer | |
| CN103630808A (zh) | 一种基于提升小波变换的局部放电信号去噪方法 | |
| CN106353649A (zh) | 一种基于提升小波变换的局部放电信号去噪方法 | |
| CN110147766B (zh) | 基于移不变稀疏编码的低频大地电磁信号去噪方法 | |
| CN111580161A (zh) | 基于多尺度卷积自编码神经网络的地震随机噪音压制方法 | |
| Hu et al. | Adaptive denoising algorithm using peak statistics-based thresholding and novel adaptive complementary ensemble empirical mode decomposition | |
| Qi et al. | Research on the image segmentation of icing line based on NSCT and 2-D OSTU | |
| CN114048771A (zh) | 基于自适应门限平稳小波变换的时序数据异常值处理方法 | |
| CN112508089B (zh) | 一种用于局部放电信号压缩传输的自适应压缩感知方法 | |
| CN114070326B (zh) | 一种用等效时间采样获取超高频信号的重建方法 | |
| CN110989005A (zh) | 基于标量磁力仪阵列的弱磁异常自适应实时探测方法 | |
| CN114098656A (zh) | 基于经验模态分解及位平面转化的信号降噪方法与系统 | |
| CN113589253A (zh) | 一种基于伪时域的小波变换算法对微弱回波信号进行检测的方法 | |
| CN109558857B (zh) | 一种混沌信号降噪方法 | |
| CN103839239A (zh) | 一种电缆瓷套终端红外图像自适应去噪方法 | |
| CN106707243A (zh) | 一种重构雷达信号的广义正则化正交匹配追踪方法 | |
| CN116223985A (zh) | 一种用于电气设备局部放电缺陷的诊断方法及系统 | |
| CN113705347B (zh) | 一种基于时频分析的空间电荷噪音抑制方法及设备 | |
| CN109884483A (zh) | 绝缘管型母线局部放电声学在线监测方法及装置 | |
| CN111723677B (zh) | 一种基于自适应阈值的小波去噪方法 | |
| CN115372764A (zh) | 一种基于全声频监测的开关柜绝缘类部件的故障诊断方法 | |
| Li et al. | Monitoring disturbances in smart grids using distributed sequential change detection | |
| CN117390570B (zh) | 一种电铲电动机绕组故障监测方法及系统 | |
| CN116109519B (zh) | 图像去噪方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210517 Address after: 048000 No. 1 East st street, Jincheng, Shanxi Applicant after: JINCHENG ELECTRIC POWER COMPANY OF SHANXI ELECTIRC POWER COPRPRATION OF STATE GRID CORPORATION OF CHINA Address before: 048000 No. 1 East st street, Jincheng, Shanxi Applicant before: JINCHENG ELECTRIC POWER COMPANY OF SHANXI ELECTIRC POWER COPRPRATION OF STATE GRID CORPORATION OF CHINA Applicant before: NORTH CHINA ELECTRIC POWER University (BAODING) |
|
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |