CN113050037B - 一种变电站设备异常声源定位方法及系统 - Google Patents
一种变电站设备异常声源定位方法及系统 Download PDFInfo
- Publication number
- CN113050037B CN113050037B CN202110308037.0A CN202110308037A CN113050037B CN 113050037 B CN113050037 B CN 113050037B CN 202110308037 A CN202110308037 A CN 202110308037A CN 113050037 B CN113050037 B CN 113050037B
- Authority
- CN
- China
- Prior art keywords
- particle
- sound
- sound source
- transformer substation
- maximum value
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
- G01S5/20—Position of source determined by a plurality of spaced direction-finders
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
Description
技术领域
本发明涉及一种定位方法及系统,尤其涉及一种声源定位方法及系统。
背景技术
众所周知,变电站中的高压电力设备较多,这些高压电力设备的可靠性能够直接关系到电网能否安全、高效地运行,它们担负着十分重要的使命。
目前,电力设备在运行过程中由于机械振动会产生均匀的声音,这种正常运行下的声音具有一定的规律性。当电力设备发生某种故障后,由于运行状态的改变,其所发出的声音也会随着改变。通过声音的特征变化可以判断电力设备是否处于不正常运行状态,甚至可以判别故障的类型和严重程度。对电力设备的故障定位是故障隔离、排除、恢复供电的基础和前提,对变电站中的异常声源进行主动定位可以快速确定故障区段,减小搜索范围。利用声音传感器阵列的便携式装置可以实现这一功能,且具有非接触式测量、定位范围广、操作简单的优势。
在现有技术中,常用的声源定位方法有多重信号分类方法(multiple signalclassification,MUSIC),该方法虽然有较高的分辨率,但其定位精度受谱峰搜索步长影响,采用这种方法进行定位的计算量较高,且计算量会伴随着传感器阵列的个数的增加而显著增加。
基于此,针对现有技术中的缺陷与不足,本发明期望获得一种变电站设备异常声源定位方法及系统,其通过引入变异思想的改进粒子群优化方法(mutantparticle swarmoptimization,MPSO),可以有效解决采用多重信号分类方法(MUSIC)时计算量较大的问题,进而快速且准确地对变电站设备异常声源进行定位,其定位准确率高且适用性十分广泛,具有良好的推广前景和应用价值。
发明内容
本发明的目的之一在于提供一种变电站设备异常声源定位方法,该变电站设备异常声源定位方法通过引入变异思想的改进粒子群优化方法(MPSO),可以有效解决采用多重信号分类方法(MUSIC)时计算量较大的问题,进而快速且准确地对变电站设备异常声源进行定位,其定位准确率高且适用性十分广泛,具有良好的推广前景和应用价值。
基于上述目的,本发明提出了一种变电站设备异常声源定位方法,其包括步骤:
(1)采集变电站声音信号;
(2)基于变电站声音信号建立变电站声音阵列的空间谱函数;
进一步地,在本发明所述的变电站设备异常声源定位方法中,所述步骤(3)中采用改进的粒子群算法对空间谱函数进行极大值搜索包括步骤:
基于下述粒子的速度和位置计算式搜索粒子个体最优解和群体最优解:
vid(t+1)=ωvid(t)+c1r1(pid(t)-xid(t))+c2r2(pgd(t)-xid(t))
xid(t+1)=xid(t)+vid(t+1)
其中,t表示当前搜索次数,xid表示第i个粒子的第d维的位置,vid表示第i个粒子的第d维速度,d=1,2;i=1,2,……,m;m表示粒子群内粒子的个数;c1和c2为加速度常数,分别为认知参数和社会参数;r1和r2表示区间[0,1]上的随机数;pid和pgd分别表示粒子群在历史搜索中的个体最优解和群体最优解;ω为随机权重。
基于粒子个体最优解和群体最优解,不断更新粒子速度和粒子位置,每次最优粒子位置更新后,将粒子个体最优位置赋予1个随机信任度值P,当随机信任度值P小于变异信任度阈值时,实施变异,计算新粒子个体位置的适应度函数值,若其优于变异前的位置,则用变异后的粒子个体位置代替之前的粒子个体位置,否则粒子个体位置不变。
进一步地,在本发明所述的变电站设备异常声源定位方法中,随机权重ω的表达式为:
在该式中,N(0,1)是服从正态分布的随机数;μmax和μmin分别为惯性权重μ的最大值和最小值;σ为随机权重方差;r是0~1之间均匀分布的随机数。
进一步地,在本发明所述的变电站设备异常声源定位方法中,采用布谷鸟算法实施变异。
相应地,本发明的另一目的在于提供一种变电站设备异常声源定位系统,该变电站设备异常声源定位系统可以用于实施本发明上述的变电站设备异常声源定位方法,其可以在低信噪比环境(例如变电站现场环境下)对变电站设备异常声源进行准确定位。
基于上述目的,本发明还提出了一种变电站设备异常声源定位系统,其包括:
声音传感器阵列,其采集变电站声音信号;
处理和定位模块,其执行下述步骤:
(1)基于变电站声音信号建立变电站声音阵列的空间谱函数;
进一步地,在本发明所述的变电站设备异常声源定位方法中,所述步骤(3)中采用改进的粒子群算法对空间谱函数进行极大值搜索包括步骤:
基于下述粒子的速度和位置计算式搜索粒子个体最优解和群体最优解:
vid(t+1)=ωvid(t)+c1r1(pid(t)-xid(t))+c2r2(pgd(t)-xid(t))
xid(t+1)=xid(t)+vid(t+1)
其中,t表示当前搜索次数,xid表示第i个粒子的第d维的位置,vid表示第i个粒子的第d维速度,d=1,2;i=1,2,……,m;m表示粒子群内粒子的个数;c1和c2为加速度常数,分别为认知参数和社会参数;r1和r2表示区间[0,1]上的随机数;pid和pgd分别表示粒子群在历史搜索中的个体最优解和群体最优解;ω为随机权重;
基于粒子个体最优解和群体最优解,不断更新粒子速度和粒子位置,每次最优粒子位置更新后,将粒子个体最优位置赋予1个随机信任度值P,当随机信任度值P小于变异信任度阈值时,实施变异,计算新粒子个体位置的适应度函数值,若其优于变异前的位置,则用变异后的粒子个体位置代替之前的粒子个体位置,否则粒子个体位置不变。
进一步地,在本发明所述的变电站设备异常声源定位方法中,随机权重ω的表达式为:
在该式中,N(0,1)是服从正态分布的随机数;μmax和μmin分别为惯性权重μ的最大值和最小值;σ为随机权重方差;r是0~1之间均匀分布的随机数。
进一步地,在本发明所述的变电站设备异常声源定位方法中,采用布谷鸟算法实施变异。
本发明所述的变电站设备异常声源定位方法及系统具有以下优点以及有益效果:
本发明所述的变电站设备异常声源定位方法通过引入变异思想的改进粒子群优化方法(MPSO),可以有效解决采用多重信号分类方法(MUSIC)时计算量较大的问题,进而快速且准确地对变电站设备异常声源进行定位,其定位准确率高且适用性十分广泛,具有良好的推广前景和应用价值。
相应地,本发明所述的变电站设备异常声源定位系统能够用于实施上述的变电站设备异常声源定位方法,其同样具有上述的优点以及有益效果。
附图说明
图1示意性地显示了声音传感器均匀面阵模型的立体图。
图2示意性地显示了声音传感器均匀面阵模型的投影图。
图3示意性地显示了本发明所述的变电站设备异常声源定位方法在一种实施方式下的MPSO-MUSIC算法流程图。
图4示意性地显示了本发明所述的变电站设备异常声源定位系统在一种实施方式下的系统构成图。
图5示意性地显示了本发明所述的变电站设备异常声源定位系统在一种实施方式下的声音传感器阵列所采集的时域声音信号图。
具体实施方式
下面将结合说明书附图和具体的实施例对本发明所述的变电站设备异常声源定位方法及系统做进一步的解释和说明,然而该解释和说明并不对本发明的技术方案构成不当限定。
图1示意性地显示了声音传感器均匀面阵模型的立体图。
图2示意性地显示了声音传感器均匀面阵模型的投影图。
本发明所述的变电站设备异常声源定位方法可以包括以下步骤:
(1)采集变电站声音信号;
(2)基于变电站声音信号建立变电站声音阵列的空间谱函数:
在本发明所述的变电站设备异常声源定位方法中,可以采用M×M个声音传感器组成的方形矩阵采集变电站声音信号,上述M×M个声音传感器组成的方形矩阵可以组成声音传感器阵列。
如图1和图2所示,在组成的声音传感器阵列中,相邻阵元的间距可以表示为d,声音传感器接收到的变电站声音信号可以表示为y(t),则可以得到下述公式(1):
进一步参阅图1可以看出,在本发明中,声音传感器所接收到的变电站声音信号y(t)存在入射方向W,其中为入射方位角,θ为入射俯仰角。入射方位角是从x轴正半轴开始,逆时针返回x轴正半轴,其范围可以在0~360°之间;入射俯仰角θ是从z轴正半轴起始至x正半轴,其范围可以在0~90°之间。
在上述公式(2)中,ax和ay分别表示x轴和y轴的方向向量;j表示虚部;ω=2πf=2πc/λ,c为声速,f为入射声音信号的频率,λ为入射声音信号的波长;dx和dy分别表示相邻两个声音传感器在x轴方向和y轴方向的间距;(.)T表示矩阵的转置。
进一步参阅图2可以看出,在本发明所述的声音传感器阵列中,子阵列1的方向向量为ax,其余子阵列需考虑y轴方向上的偏移,则方向向量分别表示为:
在上述公式(3)中,ay(1)表示矩阵ay的第1个分量;ay(2)表示矩阵ay的第2个分量;相应地,ay(M)表示矩阵ay的第M个分量。
在本发明中,本发明所述变电站设备异常声源定位方法的步骤(2)中需要利用多重信号分类方法(MUSIC),以基于采集的变电站声音信号建立变电站声音阵列的空间谱函数,其具体过程可以如下所述:
在本发明中,声音传感器接收到的变电站声音信号y(t)的协方差矩阵可以为:
R=E[yyH]=aE[ssH]aH+E[nnH]=aRSSaH+δ2I (4)
在上述公式(4)中,Rss是入射声音信号的协方差矩阵;a表示阵列的方向向量;δ2表示噪声信号功率;I表示M2×M2阶单位矩阵;E[·]表示期望值;y表示接收到的声音信号;s表示入射声音信号;n表示噪声信号;(·)H表示共轭转置。
因为,入射声音信号和环境噪声信号之间互不相关,因此,y(t)的协方差矩阵可以分解为信号子空间和噪声子空间,由此对R进行特征值分解,可得:
在上述公式(5)中,U=[US,UN],UH表示U的共轭转置;UN表示噪声子空间,表示噪声子空间UN的共轭转置;US表示信号子空间,US H表示信号子空间US的共轭转置;Σ表示由特征值构成的对角矩阵,即:
在上述公式(6)中,λi为协方差矩阵进行特征分解,并将特征值由大到小排列之后第i个特征值(i=1,2,……,M),US是由前K个较大的特征值对应的特征向量组成的信号子空间,K表示为入射声音信号个数,UN是由第K+1个到第M个小的特征值对应的特征向量组成的噪声子空间;噪声子空间UN的特征值为δ2。
又由,噪声信号功率δ2和噪声子空间UN是矩阵R的一部分特征值和与之相对应的特征向量,所以:
RUN=δ2UN (7)
将上述公式(7)中的内容代入公式(4)可得到:
δ2UN=aRSSaHUN+δ2UN (8)
aRSSaHUN=0 (9)
因为入射信号之间是相互独立的,则Rss是对角阵,矩阵上对角线上的元素表示每个入射声音信号的功率,因此Rss是一个满秩阵,非奇异矩阵,则可以对矩阵求逆。由此,可以将上述公式(9)转换为:
aHUN=0 (11)
需要说明的是,空间谱函数是指阵列输出功率关于入射角的函数,变化入射角,在空间谱中进行函数的极大值搜索,谱峰对应的即为变电站声音信号源方向的估计值。若要获得更精确的定位结果,需要将搜索步长减小,但同时将大大增加算法的运算量,因此需要引入改进的粒子群算法(MPSO)进行极大值搜索。
图3示意性地显示了本发明所述的变电站设备异常声源定位方法在一种实施方式下的MPSO-MUSIC算法流程图。
粒子群算法(particle swarm optimization,PSO)是一种模拟鸟群觅食行为的群智能优化算法,其具有搜索功能强,寻优效果好和收敛性能强等优点。
在本发明中,本发明所述的变电站设备异常声源定位方法通过利用并引入变异思想的改进粒子群方法(MPSO),以解决多重信号分类方法(MUSIC)计算量较大的问题。
如图3所示,在本实施方式中,本发明所述的变电站设备异常声源定位方法中采用了MPSO-MUSIC算法,MPSO-MUSIC算法表示:使用了改进粒子群方法(MPSO)与多重信号分类方法(MUSIC)的算法。
在本发明中,基于变电站声音信号建立变电站声音阵列的空间谱函数后,本发明可以采用改进的粒子群方法(MPSO)对空间谱函数进行极大值搜索,并基于该极大值获得与其对应的入射方位角和入射俯仰角θ的估计值,以对变电站设备异常声源进行定位。
需要说明的是,在本发明步骤(3)中采用改进的粒子群算法对空间谱函数进行极大值搜索可以包括以下内容:
将建立变电站声音阵列的空间谱函数作为粒子群算法的适应度函数,以计算适应度函数的值;其中设粒子群算法的搜索空间为分别表征声音入射俯仰角θ和声音入射方位角的2维空间,粒子群算法内的粒子对应不同的俯仰角θ和方位角
基于下述粒子的速度和位置计算式搜索粒子个体最优解和群体最优解:
vid(t+1)=ωvid(t)+c1r1(pid(t)-xid(t))+c2r2(pgd(t)-xid(t)) (13)
xid(t+1)=xid(t)+vid(t+1) (14)
其中,t表示当前搜索次数,xid表示第i个粒子的第d维的位置,vid表示第i个粒子的第d维速度,d=1,2;i=1,2,……,m;m表示粒子群内粒子的个数;c1和c2为加速度常数,分别为认知参数和社会参数;r1和r2表示区间[0,1]上的随机数;pid和pgd分别表示粒子群在历史搜索中的个体最优解和群体最优解;ω为随机权重。
在本发明中,可以基于粒子个体最优解和群体最优解,不断更新粒子速度和粒子位置,每次最优粒子位置更新后,将粒子个体最优位置赋予1个随机信任度值P,当随机信任度值P小于变异信任度阈值时,实施变异,计算新粒子个体位置的适应度函数值,若其优于变异前的位置,则用变异后的粒子个体位置代替之前的粒子个体位置,否则粒子个体位置不变。
需要说明的是,本发明采用的这种方法并未改变当前有序的寻优过程,但可使粒子跳出停滞,提高了全局搜索的能力。
相应地,在本发明中还可以采用布谷鸟算法实施变异。当随机信任度值P小于变异信任度阈值Pth时,即P<Pth时,采用布谷鸟算法实施变异,得:
pbest_id(t)=pid(t)+r(pkd(t)-pld(t)) (15)
在上述公式(15)中,pbest_id为变异后的粒子个体位置;p为变异前的粒子个体位置,下标k和l表示随机抽取的粒子编号;d是粒子维度。
变异信任度阈值Pth反映粒子最优位置的变异程度,过大会使算法的搜索广度较大,过小意味着粒子变异范围很小,使变异操作失去意义,通过对阈值的调整,在某些实施方式中变异信任度阈值Pth可以取0.45。
在本发明中,为了避免算法陷入局部最优,同时提高搜索效率,本发明采用的是随机权重ω。随机权重ω较大有利于全局搜索,适合在搜索初期使用;随机权重ω较小有利于局部搜索,适合在搜索后期使用。
随机权重ω的表达式可以如下所述:
在上述公式(16)中,N(0,1)是服从正态分布的随机数;μmax和μmin分别为惯性权重μ的最大值和最小值;σ为随机权重方差;r是0~1之间均匀分布的随机数。
图4示意性地显示了本发明所述的变电站设备异常声源定位系统在一种实施方式下的系统构成图。
为了更好地说明本发明所述的变电站设备异常声源定位方法的有效性,本发明通过现场测试,采集某变电站声音信号样本进行实验,以进行进一步说明。
如图4所示,在本实施方式中,该变电站设备异常声源定位系统可以包括:声音传感器阵列和处理和定位模块。其中,处理和定位模块可以包括:预处理单元、同步采集系统和计算机。
需要说明的是,在本实施方式中,系统中的声音传感器阵列为阵元间距为7cm的4×4均匀面阵,其可以采集变电站声音信号样本;处理和定位模块可以基于变电站声音信号样本,建立变电站声音阵列的空间谱函数,而后采用改进的粒子群算法对空间谱函数进行极大值搜索,并基于该极大值获得与其对应的入射方位角和入射俯仰角θ的估计值,以对变电站设备异常声源进行定位。
相应地,在本实施方式中,测试人员可以距离本发明所述系统中的声音传感器阵列3m,使用手持式静电枪放电,进行测试。此时手持式静电枪放电产生的时域声音信号如图5所示。
图5示意性地显示了本发明所述的变电站设备异常声源定位系统在一种实施方式下的声音传感器阵列所采集的时域声音信号图。
如图5所示,现场测试放电声音信号的信噪比约为5dB,图5分别表示了16路声音传感器所采集的时域声音信号,其可以分别表示为CH1-CH16。
相应地,完成采集变电站声音信号后,可以基于多重信号分类方法(MUSIC)建立变电站声音阵列的空间谱函数,而后配合采用改进的粒子群算法(MPSO)以对变电站设备异常声源进行定位。
为了证明本发明所采用的MPSO-MUSIC算法的优越性,在本发明中,基于16个声音传感器组成的声音传感器阵列所采集变电站声音信号样本,可以分别采用PSO-MUSIC算法(标准PSO算法)、MPSO-MUSIC算法(本发明算法)和多重信号分类方法(MUSIC)这三种截然不同的方法进行试验,对变电站设备异常声源进行定位,得出对应试验数据结果。相关试验数据结果可以如下述表1所示。
表1列出了分别采用MPSO-MUSIC算法、PSO-MUSIC算法和MUSIC算法进行现场声源定位的结果。
表1.
从表1中可以看出,采用传统的MUSIC算法对现场声源进行定位的均方误差在1.6°左右;采用PSO-MUSIC算法对现场声源进行定位的均方误差约为1.8°,这是因为标准的PSO方法容易陷入局部最优无法跳出,进而会导致最终结果误差较大。
相应地,本发明中所采用的MPSO-MLE算法对现场声源进行定位的均方误差在1.0°左右,且收敛速度较快,因此本发明所采用的MPSO-MLE算法不仅可以减小计算量,还可以有效提高定位精度。
综上所述可以看出,本发明所述的变电站设备异常声源定位方法通过引入变异思想的改进粒子群优化方法(MPSO),可以有效解决采用多重信号分类方法(MUSIC)时计算量较大的问题,进而快速且准确地对变电站设备异常声源进行定位,其定位准确率高且适用性十分广泛,具有良好的推广前景和应用价值。
相应地,本发明所述的变电站设备异常声源定位系统能够用于实施上述的变电站设备异常声源定位方法,其同样具有上述的优点以及有益效果。
需要说明的是,本发明的保护范围中现有技术部分并不局限于本申请文件所给出的实施例,所有不与本发明的方案相矛盾的现有技术,包括但不局限于在先专利文献、在先公开出版物,在先公开使用等等,都可纳入本发明的保护范围。
此外,本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式,本案记载的所有技术特征可以以任何方式进行自由组合或结合,除非相互之间产生矛盾。
还需要注意的是,以上所列举的实施例仅为本发明的具体实施例。显然本发明不局限于以上实施例,随之做出的类似变化或变形是本领域技术人员能从本发明公开的内容直接得出或者很容易便联想到的,均应属于本发明的保护范围。
Claims (8)
1.一种变电站设备异常声源定位方法,其特征在于,包括步骤:
(1)采集变电站声音信号;
(2)基于变电站声音信号建立变电站声音阵列的空间谱函数:
其中所述步骤(3)中采用改进的粒子群算法对空间谱函数进行极大值搜索包括步骤:
基于下述粒子的速度和位置的计算式搜索粒子个体最优解和群体最优解:
vid(t+1)=ωvid(t)+c1r1(pid(t)-xid(t))+c2r2(pgd(t)-xid(t))
xid(t+1)=xid(t)+vid(t+1)
其中,t表示当前搜索次数,xid表示第i个粒子的第d维的位置,vid表示第i个粒子的第d维速度,d=1,2;i=1,2,……,m;m表示粒子群内粒子的个数;c1和c2为加速度常数,分别为认知参数和社会参数;r1和r2表示区间[0,1]上的随机数;pid和pgd分别表示粒子群在历史搜索中的个体最优解和群体最优解;ω为随机权重;
基于粒子个体最优解和群体最优解,不断更新粒子速度和粒子位置,每次最优粒子位置更新后,将粒子个体最优位置赋予1个随机信任度值P,当随机信任度值P小于变异信任度阈值时,实施变异,计算新粒子个体位置的适应度函数值,若其优于变异前的位置,则用变异后的粒子个体位置代替之前的粒子个体位置,否则粒子个体位置不变。
4.如权利要求1所述的变电站设备异常声源定位方法,其特征在于,采用布谷鸟算法实施变异。
5.一种变电站设备异常声源定位系统,其特征在于,包括:
声音传感器阵列,其采集变电站声音信号;
处理和定位模块,其执行下述步骤:
(1)基于变电站声音信号建立变电站声音阵列的空间谱函数:
其中所述步骤(2)中采用改进的粒子群算法对空间谱函数进行极大值搜索包括步骤:
基于下述粒子的速度和位置的计算式搜索粒子个体最优解和群体最优解:
vid(t+1)=ωvid(t)+c1r1(pid(t)-xid(t))+c2r2(pgd(t)-xid(t))
xid(t+1)=xid(t)+vid(t+1)
其中,t表示当前搜索次数,xid表示第i个粒子的第d维的位置,vid表示第i个粒子的第d维速度,d=1,2;i=1,2,……,m;m表示粒子群内粒子的个数;c1和c2为加速度常数,分别为认知参数和社会参数;r1和r2表示区间[0,1]上的随机数;pid和pgd分别表示粒子群在历史搜索中的个体最优解和群体最优解;ω为随机权重;
基于粒子个体最优解和群体最优解,不断更新粒子速度和粒子位置,每次最优粒子位置更新后,将粒子个体最优位置赋予1个随机信任度值P,当随机信任度值P小于变异信任度阈值时,实施变异,计算新粒子个体位置的适应度函数值,若其优于变异前的位置,则用变异后的粒子个体位置代替之前的粒子个体位置,否则粒子个体位置不变。
8.如权利要求5所述的变电站设备异常声源定位系统,其特征在于,采用布谷鸟算法实施变异。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110308037.0A CN113050037B (zh) | 2021-03-23 | 2021-03-23 | 一种变电站设备异常声源定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110308037.0A CN113050037B (zh) | 2021-03-23 | 2021-03-23 | 一种变电站设备异常声源定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113050037A CN113050037A (zh) | 2021-06-29 |
CN113050037B true CN113050037B (zh) | 2022-10-04 |
Family
ID=76514375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110308037.0A Active CN113050037B (zh) | 2021-03-23 | 2021-03-23 | 一种变电站设备异常声源定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113050037B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114783462A (zh) * | 2022-05-11 | 2022-07-22 | 安徽理工大学 | 一种基于cs-music矿井提升机故障源定位分析方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616059A (zh) * | 2015-01-29 | 2015-05-13 | 无锡职业技术学院 | 一种基于量子粒子群的波达方向估计方法 |
CN104614653A (zh) * | 2015-02-09 | 2015-05-13 | 国家电网公司 | 基于天线阵列的局放检测装置的多局放点定位和分辨方法 |
CN106950529A (zh) * | 2017-03-21 | 2017-07-14 | 陕西理工大学 | 声矢量近场源esprit和music参数估计方法 |
CN107884743A (zh) * | 2017-11-03 | 2018-04-06 | 中国人民解放军陆军炮兵防空兵学院 | 适用于任意结构声音阵列的波达方向智能估计方法 |
CN107942212A (zh) * | 2017-11-17 | 2018-04-20 | 国网天津市电力公司 | 一种基于空间谱无模糊估计的变电站局部放电定位方法 |
CN108520195A (zh) * | 2018-01-31 | 2018-09-11 | 湖北工业大学 | 一种基于引力搜索算法的music谱峰搜索方法 |
CN111123192A (zh) * | 2019-11-29 | 2020-05-08 | 湖北工业大学 | 一种基于圆形阵列和虚拟扩展的二维doa定位方法 |
CN111308424A (zh) * | 2020-02-26 | 2020-06-19 | 国网上海市电力公司 | 一种基于相加求和与music联合算法的变电站设备可听声源定位方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5931661B2 (ja) * | 2012-09-14 | 2016-06-08 | 本田技研工業株式会社 | 音源方向推定装置、音源方向推定方法、及び音源方向推定プログラム |
KR101534781B1 (ko) * | 2014-01-02 | 2015-07-08 | 경상대학교산학협력단 | 음원 방향 추정 장치 |
-
2021
- 2021-03-23 CN CN202110308037.0A patent/CN113050037B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616059A (zh) * | 2015-01-29 | 2015-05-13 | 无锡职业技术学院 | 一种基于量子粒子群的波达方向估计方法 |
CN104614653A (zh) * | 2015-02-09 | 2015-05-13 | 国家电网公司 | 基于天线阵列的局放检测装置的多局放点定位和分辨方法 |
CN106950529A (zh) * | 2017-03-21 | 2017-07-14 | 陕西理工大学 | 声矢量近场源esprit和music参数估计方法 |
CN107884743A (zh) * | 2017-11-03 | 2018-04-06 | 中国人民解放军陆军炮兵防空兵学院 | 适用于任意结构声音阵列的波达方向智能估计方法 |
CN107942212A (zh) * | 2017-11-17 | 2018-04-20 | 国网天津市电力公司 | 一种基于空间谱无模糊估计的变电站局部放电定位方法 |
CN108520195A (zh) * | 2018-01-31 | 2018-09-11 | 湖北工业大学 | 一种基于引力搜索算法的music谱峰搜索方法 |
CN111123192A (zh) * | 2019-11-29 | 2020-05-08 | 湖北工业大学 | 一种基于圆形阵列和虚拟扩展的二维doa定位方法 |
CN111308424A (zh) * | 2020-02-26 | 2020-06-19 | 国网上海市电力公司 | 一种基于相加求和与music联合算法的变电站设备可听声源定位方法 |
Non-Patent Citations (1)
Title |
---|
《基于MPSO-MLS的变电站设备异常声源定位方法》;张瑶 等;《高电压技术》;20200930;第46卷(第9期);第3145-3153页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113050037A (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110164446A (zh) | 语音信号识别方法和装置、计算机设备和电子设备 | |
CN103529364B (zh) | 基于超声稀疏阵列传感器的油中多局部放电源定位方法 | |
CN102520389B (zh) | 一种二维空间谱谱峰搜索方法 | |
CN111175698A (zh) | 一种基于声振结合的变压器噪声源定位方法、系统和装置 | |
CN103235286B (zh) | 一种对电噪声源的高精度定位方法 | |
CN108181557B (zh) | 一种确定特高频局部放电信号方位的方法 | |
CN113050037B (zh) | 一种变电站设备异常声源定位方法及系统 | |
Liu et al. | UHF antenna array arrangement optimization for partial discharge direction finding in air-insulted substation based on phased array theory | |
CN110095755B (zh) | 一种声源定位方法 | |
CN107884743A (zh) | 适用于任意结构声音阵列的波达方向智能估计方法 | |
Huang et al. | A spatial spectrum estimation algorithm based on adaptive beamforming nulling | |
Li et al. | Performance analysis for focused beamformers in passive underwater acoustic localization | |
Secmen et al. | Radar target classification method with reduced aspect dependency and improved noise performance using multiple signal classification algorithm | |
Xu et al. | Impact feature recognition method for non-stationary signals based on variational modal decomposition noise reduction and support vector machine optimized by whale optimization algorithm | |
CN112883628A (zh) | 一种变电站设备异常声源定位方法及系统 | |
Chen et al. | Direction of arrival estimation using distributed circular microphone arrays | |
JP2004144579A (ja) | 音源探査方法及び装置 | |
CN112906579B (zh) | 基于k均值聚类与svm的海杂波弱目标分类方法及系统 | |
Zhao et al. | Large array DOA estimation based on extreme learning machine and random matrix theory | |
Wang et al. | Maximum likelihood DOA estimation based on improved invasive weed optimization algorithm and application of MEMS vector hydrophone array | |
Li et al. | Conformal cylindrical array sound source localization at the presence of shadowed elements | |
Zhang et al. | A two-stage method for DOA estimation using spherical arrays | |
CN113050038A (zh) | 一种基于虚拟阵列扩展的变电站声源定位方法及系统 | |
Pan et al. | Extensions of the orthogonal beamforming to identify multiple multipole sources | |
Li et al. | Simulation of PD location in power transformer based on Root Multiple Signal Classification method |
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 |