CN113064032A - 一种基于图谱特征和信息融合的局部放电模式识别方法 - Google Patents
一种基于图谱特征和信息融合的局部放电模式识别方法 Download PDFInfo
- Publication number
- CN113064032A CN113064032A CN202110326051.3A CN202110326051A CN113064032A CN 113064032 A CN113064032 A CN 113064032A CN 202110326051 A CN202110326051 A CN 202110326051A CN 113064032 A CN113064032 A CN 113064032A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- prpd
- discharge
- map
- information fusion
- 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.)
- Granted
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本申请公开了一种基于图谱特征和信息融合的局部放电模式识别方法，包括以下步骤：通过局部放电检测方法获取多个工频周期下不同缺陷类型下局部放电的PRPD图谱；获取PRPD图谱中的放电重复率特征矩阵；获取PRPD图谱的坡向编码特征；计算PRPD图谱积分特征；计算PRPD图谱二阶微分特征；构建各个局部放电故障缺陷的图谱特征参量化矩阵；将各个局部放电故障缺陷的参量化矩阵输入到基于变权的信息融合模型，计算得到各个局部放电故障缺陷的类型识别得分结果；建立类型识别得分区间范围与放电类型之间的对应关系数据库；计算待检测局部放电的类型识别得分，将得分输入数据库，输出相应的局部放电类型判断结果。
Description
技术领域
本申请涉及电力设备局部放电识别诊断技术领域，尤其涉及一种基于图谱特征和信息融合的局部放电模式识别方法。
背景技术
电力设备故障诊断是保障电力设备安全稳定运行的关键技术，由于电力设备在生产、运输、使用过程中不可避免地会由于部分导体尖端、划伤、悬浮、绝缘子表面污秽等绝缘缺陷造成绝缘损伤，这类绝缘损伤在电场作用下将引发局部放电进而发展为贯穿性击穿，因此通过开展局部放电检测来评估电力设备绝缘状态具有重要意义。
基于局部放电引起的电荷移动、电磁波传播、声波传播及光辐射等物理现象，形成了脉冲电流法、超(特)高频法、地电波法、超声法及光测法等多种局部放电测量方法。然而，在局部放电分析过程中，现有基于统计学分析方法的特征参量提取往往导致故障类型识别不准确，另一方面基于单一特征量的局部放电模式识别结果往往难以获得较高的置信度。
因此提出了一种基于图谱特征参量化的局部放电PRPD(phase-resolved partialdischarge)图谱处理方法，并且通过信息融合的方法实现了基于四类特征参量的局部放电模式识别。为实现电力设备的局部放电模式识别提供了新的思路。
发明内容
本申请提供了一种基于图谱特征和信息融合的局部放电模式识别方法，以解决现有技术中的局部放电模式识别方法故障类型识别不准确、识别结果置信度低的问题。
本申请采用的技术方案如下：
一种基于图谱特征和信息融合的局部放电模式识别方法，包括以下步骤：
通过局部放电检测方法获取多个工频周期下不同缺陷类型下局部放电的PRPD图谱；
获取所述PRPD图谱中的放电重复率特征矩阵N；
获取所述PRPD图谱的坡向编码特征SI；
计算PRPD图谱积分特征I；
计算PRPD图谱二阶微分特征D2；
针对各个局部放电故障缺陷根据依次得到的所述PRPD图谱的放电重复率特征矩阵N、坡向编码特征SI、积分特征I、二阶微分特征D2，构建各个所述局部放电故障缺陷的图谱特征参量化矩阵M＝[N SI I D2]；
将各个所述局部放电故障缺陷的所述参量化矩阵输入到基于变权的信息融合模型，完成信息融合，计算得到各个所述局部放电故障缺陷的类型识别得分结果；
根据各个所述局部放电故障缺陷的类型识别得分计算结果，建立类型识别得分区间范围与放电类型之间的对应关系数据库；
计算待检测局部放电的类型识别得分，将得分输入所述类型识别得分区间范围与放电类型之间的对应关系数据库，输出相应的局部放电类型判断结果。
优选地，所述局部放电检测方法，包括：
超高频法和脉冲电流法。
优选地，所述获取所述PRPD图谱中的放电重复率特征矩阵N，包括：
针对获取的所述PRPD图谱，确定表征放电重复率n的色度条中表示重复率的刻度范围，得到色度条所对应的放电重复率的刻度；
对所述PRPD图谱进行灰度化处理，得到色度条的灰度值；
将所述色度条的灰度值及对应放电重复率的刻度输入到BP神经网络中构建灰度值和放电重复率之间的对应关系；
获取局部放电的PRPD图谱中每一个设定相位区间内不同放电幅值对应的放电重复率值n，依次建立起放电重复率矩阵N。
优选地，所述对所述PRPD图谱进行灰度化处理，得到色度条的灰度值的计算公式为：
Y＝0.299*R+0.587*G+0.144*B
式中Y为色度条的灰度值，R为红色分量，G为绿色分量，B为蓝色分量。
优选地，所述每一个设定相位区间，包括：
以1°为一个相位区间。
优选地，所述获取所述PRPD图谱的坡向编码特征SI，包括：
获取每一个相位区间内放电幅值绝对值最大点的放电强度值Pi，i＝0,…,360；
依次使用直线连接获取的所述绝对值最大点的放电强度值Pi，并定义坡向指数SI来表示放电曲线的坡向，以直线斜率a的值为判据，获得不同相位区间内的坡向指数SIj：
j表示相位区间，以相位区间为顺序得到所述PRPD图谱的坡向编码特征：SI＝[SI1，…，SI360]。
优选地，所述计算PRPD图谱积分特征I，包括：
获取所述PRPD图谱积分特征I，计算公式如下，其中
为相位角，
表示放电幅值包络线与相位角之间的函数：
优选地，所述计算PRPD图谱二阶微分特征D2，包括：
获取所述PRPD图谱二阶微分特征D2，计算公式如下：
其中
表示放电幅值上包络线与相位角之间的函数，
表示放电幅值下包络线与相位角之间的函数。
优选地，所述将各个所述局部放电故障缺陷的所述参量化矩阵输入到基于变权的信息融合模型，完成信息融合，计算得到各个所述局部放电故障缺陷的类型识别得分结果，包括：
通过类内方差小和类间方差大准则衡量所述PRPD图谱特征N、SI、I和D2对局部放电故障类型的识别能力，并根据所述PRPD图谱特征N、SI、I和D2计算权重系数；
通过每个所述PRPD图谱特征N、SI、I和D2分别与相对应的权重系数的乘积之和，构建基于变权的信息融合模型；
将所述局部放电故障缺陷的所述参量化矩阵输入到所述基于变权的信息融合模型，完成信息融合，计算得到各个所述局部放电故障缺陷的类型识别得分结果，得分Score的计算公式如下：
Score＝K1*N+K2*SI+K3*I+K4*D2
式中K1为放电重复率特征N的权重系数，K2为坡向编码特征SI的权重系数，K3为积分特征I的权重系数，K4为二阶微分特征D2的权重系数。
优选地，所述通过类内方差小和类间方差大准则衡量所述PRPD图谱特征N、SI、I和D2对局部放电故障类型的识别能力，并根据所述PRPD图谱特征N、SI、I和D2的JF值计算权重系数，包括：
共有n个PRPD谱图样本，每一种放电类型下各有nt个样品，每一个样品均求取所述PRPD图谱的4个特征参量：放电重复率特征矩阵N、坡向编码特征SI、积分特征I和二阶微分特征D2，则第k(k＝1,2,3,4)个特征的类内方差
类间方差
可计算为：
其中x(k)是每个样本第k个特征的值，
为第t类的均值，m(k)为第k个特征所有样本的均值，ωt表示的放电类别；
第k类特征的方差比JF值计算公式为：
第k类特征权重系数的计算公式：
采用本申请的技术方案的有益效果如下：
本申请一种基于图谱特征参量化的局部放电PRPD图谱处理方法，解决了现有技术中的局部放电模式识别方法故障类型识别不准确、识别结果置信度低的问题，通过信息融合的方法实现了基于四类特征参量的局部放电模式识别，识别结果置信度高。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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为本申请中一种基于图谱特征和信息融合的局部放电模式识别方法流程图；
图2为本申请中放电重复率特征提取示意图；
图3为本申请中PRPD图谱的放电幅值连线图。
具体实施方式
下面将详细地对实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。
参见图1，为一种基于图谱特征和信息融合的局部放电模式识别方法流程图。
本申请提供的一种基于图谱特征和信息融合的局部放电模式识别方法，包括以下步骤：
通过局部放电检测方法获取多个工频周期下不同缺陷类型下局部放电的PRPD图谱；
获取所述PRPD图谱中的放电重复率特征矩阵N；
获取所述PRPD图谱的坡向编码特征SI；
计算PRPD图谱积分特征I；
计算PRPD图谱二阶微分特征D2；
针对各个局部放电故障缺陷根据依次得到的所述PRPD图谱的放电重复率特征矩阵N、坡向编码特征SI、积分特征I、二阶微分特征D2，构建各个所述局部放电故障缺陷的图谱特征参量化矩阵M＝[N SI I D2]；
将各个所述局部放电故障缺陷的所述参量化矩阵输入到基于变权的信息融合模型，完成信息融合，计算得到各个所述局部放电故障缺陷的类型识别得分结果；
根据各个所述局部放电故障缺陷的类型识别得分计算结果，建立类型识别得分区间范围与放电类型之间的对应关系数据库；
计算待检测局部放电的类型识别得分，将得分输入所述类型识别得分区间范围与放电类型之间的对应关系数据库，输出相应的局部放电类型判断结果。
所述局部放电检测方法，包括：
超高频法和脉冲电流法。
所述获取所述PRPD图谱中的放电重复率特征矩阵N，包括：
针对获取的所述PRPD图谱，确定表征放电重复率n的色度条中表示重复率的刻度范围，得到色度条所对应的放电重复率的刻度；
对所述PRPD图谱进行灰度化处理，得到色度条的灰度值；
将所述色度条的灰度值及对应放电重复率的刻度输入到BP神经网络中构建灰度值和放电重复率之间的对应关系；
获取局部放电的PRPD图谱中每一个设定相位区间内不同放电幅值对应的放电重复率值n，依次建立起放电重复率矩阵N。
所述对所述PRPD图谱进行灰度化处理，得到色度条的灰度值的计算公式为：
Y＝0.299*R+0.587*G+0.144*B
式中Y为色度条的灰度值，R为红色分量，G为绿色分量，B为蓝色分量。
所述每一个设定相位区间，包括：
以1°为一个相位区间。
所述获取所述PRPD图谱的坡向编码特征SI，包括：
获取每一个相位区间内放电幅值绝对值最大点的放电强度值Pi，i＝0,…,360；
依次使用直线连接获取的所述绝对值最大点的放电强度值Pi，并定义坡向指数SI来表示放电曲线的坡向，以直线斜率a的值为判据，获得不同相位区间内的坡向指数SIj：
j表示相位区间，以相位区间为顺序得到所述PRPD图谱的坡向编码特征：SI＝[SI1，…，SI360]。
所述计算PRPD图谱积分特征I，包括：
获取所述PRPD图谱积分特征I，计算公式如下，其中
为相位角，
表示放电幅值包络线与相位角之间的函数：
所述计算PRPD图谱二阶微分特征D2，包括：
获取所述PRPD图谱二阶微分特征D2，计算公式如下：
其中
表示放电幅值上包络线与相位角之间的函数，
表示放电幅值下包络线与相位角之间的函数。
所述将各个所述局部放电故障缺陷的所述参量化矩阵输入到基于变权的信息融合模型，完成信息融合，计算得到各个所述局部放电故障缺陷的类型识别得分结果，包括：
通过类内方差小和类间方差大准则衡量所述PRPD图谱特征N、SI、I和D2对局部放电故障类型的识别能力，并根据所述PRPD图谱特征N、SI、I和D2计算权重系数；
通过每个所述PRPD图谱特征N、SI、I和D2分别与相对应的权重系数的乘积之和，构建基于变权的信息融合模型；
将所述局部放电故障缺陷的所述参量化矩阵输入到所述基于变权的信息融合模型，完成信息融合，计算得到各个所述局部放电故障缺陷的类型识别得分结果，得分Score的计算公式如下：
Score＝K1*N+K2*SI+K3*I+K4*D2
式中K1为放电重复率特征N的权重系数，K2为坡向编码特征SI的权重系数，K3为积分特征I的权重系数，K4为二阶微分特征D2的权重系数。
所述通过类内方差小和类间方差大准则衡量所述PRPD图谱特征N、SI、I和D2对局部放电故障类型的识别能力，并根据所述PRPD图谱特征N、SI、I和D2的JF值计算权重系数，包括：
共有n个PRPD谱图样本，每一种放电类型下各有nt个样品，每一个样品均求取所述PRPD图谱的4个特征参量：放电重复率特征矩阵N、坡向编码特征SI、积分特征I和二阶微分特征D2，则第k(k＝1,2,3,4)个特征的类内方差
类间方差
可计算为：
其中x(k)是每个样本第k个特征的值，
为第t类的均值，m(k)为第k个特征所有样本的均值，ωt表示的放电类别；
第k类特征的方差比JF值计算公式为：
第k类特征权重系数的计算公式：
本实施例应用时：
一种基于图谱特征参量化和卷积神经网络的局部放电模式识别方法，如图1所示，具体包括以下步骤：
(1)通过局部放电检测方法(如超高频法，脉冲电流法等)获取200个工频周期下不同缺陷类型下局部放电的PRPD(phase-resolved partial discharge)图谱；
(2)针对步骤(1)中获取的PRPD图谱，获取PRPD图谱中放电重复率特征矩阵N，如图2所示，具体步骤如下：
(2.1)针对(1)中获取的PRPD图谱，确定表征放电重复率n的色度条中表示重复率的刻度范围；
(2.2)针对(1)中获取的PRPD图谱(包括色度图)进行灰度化处理，转换公式如下：
Y＝0.299*R+0.587*G+0.144*B (1)
(2.3)将色度条灰度值及对应放电重复率的刻度输入到BP神经网络中构建灰度值和放电重复率对应关系，获取局部放电的PRPD图谱中每一个相位区间内(以1°为区间)不同放电幅值对应的放电重复率值n，依次建立起放电重复率矩阵N；
(3)针对步骤(1)中获取的PRPD图谱，获取PRPD图谱坡向编码特征SI，具体步骤如下：
(3.1)选择每一个相位区间内放电幅值绝对值最大点放电强度值Pi，i＝0,…,360；
(3.2)如图3所示，依次使用直线连接步骤(3.1)中获得的Pi并定义坡向指数SI来表示放电曲线的坡向，以直线斜率a的值为判据，获得不同相位区间内的SIj：
(3.3)以相位区间为顺序得到坡向编码：SI＝[SI1，…，SI360]；
(4)针对步骤(1)中获取的PRPD图谱，获取PRPD图谱积分特征I，计算方法如下，其中
为相位角：
(5)针对步骤(1)中获取的PRPD图谱，获取PRPD图谱二阶微分特征D2，计算方法如下：
(6)针对悬浮缺陷、沿面缺陷等依次重复步骤(2)—(5)，构建各个所述局部放电故障缺陷的图谱特征参量化矩阵M针，M悬，M沿，
(7)将参量化矩阵M针，M悬，M沿输入到基于变权的信息融合模型，完成信息融合，具体步骤如下：
(7.1)应用类内方差小和类间方差大准则作为判断标准衡量4种图谱参量对3类局部放电故障类型识别的识别能力，并计算权重系数，具体步骤如下：
(7.1.1)假设数据集中共有n个PRPD谱图样本，每一种放电类型下各有nt个样品，每一个样品均按照步骤(2)-(5)求取4个图谱特征参量，则第k(k＝1，2,3,4)个特征的类内方差
类间方差
可计算为：
其中x(k)是每个样本第k个特征的值，
为第t类的均值，m(k)为第k个特征所有样本的均值。
(7.1.2)第k类特征的JF值可计算为：
(7.1.3)计算4类特征的权重系数：
(7.2)定义3种故障缺陷的得分分别为Score针，Score悬，Score沿，计算方法为：
(8)根据步骤(7)中Score针、Score悬、Score沿计算结果，建立不同缺陷类型下得分数据库及得分区间范围。
当获得未知局部放电缺陷类型的PRPD谱图，根据步骤(1)-(8)完成图谱特征参量化后，将输出放电类型判断结果。
本申请一种基于图谱特征参量化的局部放电PRPD图谱处理方法，通过信息融合的方法实现了基于四类特征参量的局部放电模式识别，识别结果置信度高。
本申请提供的实施例之间的相似部分相互参见即可，以上提供的具体实施方式只是本申请总的构思下的几个示例，并不构成本申请保护范围的限定。对于本领域的技术人员而言，在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。
Claims (10)
1.一种基于图谱特征和信息融合的局部放电模式识别方法，其特征在于，包括以下步骤：
通过局部放电检测方法获取多个工频周期下不同缺陷类型下局部放电的PRPD图谱；
获取所述PRPD图谱中的放电重复率特征矩阵N；
获取所述PRPD图谱的坡向编码特征SI；
计算PRPD图谱积分特征I；
计算PRPD图谱二阶微分特征D2；
针对各个局部放电故障缺陷根据依次得到的所述PRPD图谱的放电重复率特征矩阵N、坡向编码特征SI、积分特征I、二阶微分特征D2，构建各个所述局部放电故障缺陷的图谱特征参量化矩阵M＝[N SI I D2]；
将各个所述局部放电故障缺陷的所述参量化矩阵输入到基于变权的信息融合模型，完成信息融合，计算得到各个所述局部放电故障缺陷的类型识别得分结果；
根据各个所述局部放电故障缺陷的类型识别得分计算结果，建立类型识别得分区间范围与放电类型之间的对应关系数据库；
计算待检测局部放电的类型识别得分，将得分输入所述类型识别得分区间范围与放电类型之间的对应关系数据库，输出相应的局部放电类型判断结果。
2.根据权利要求1所述的一种基于图谱特征和信息融合的局部放电模式识别方法，其特征在于，所述局部放电检测方法，包括：
超高频法和脉冲电流法。
3.根据权利要求1所述的一种基于图谱特征和信息融合的局部放电模式识别方法，其特征在于，所述获取所述PRPD图谱中的放电重复率特征矩阵N，包括：
针对获取的所述PRPD图谱，确定表征放电重复率n的色度条中表示重复率的刻度范围，得到色度条所对应的放电重复率的刻度；
对所述PRPD图谱进行灰度化处理，得到色度条的灰度值；
将所述色度条的灰度值及对应放电重复率的刻度输入到BP神经网络中构建灰度值和放电重复率之间的对应关系；
获取局部放电的PRPD图谱中每一个设定相位区间内不同放电幅值对应的放电重复率值n，依次建立起放电重复率矩阵N。
4.根据权利要求3所述的一种基于图谱特征和信息融合的局部放电模式识别方法，其特征在于，所述对所述PRPD图谱进行灰度化处理，得到色度条的灰度值的计算公式为：
Y＝0.299*R+0.587*G+0.144*B
式中Y为色度条的灰度值，R为红色分量，G为绿色分量，B为蓝色分量。
5.根据权利要求3所述的一种基于图谱特征和信息融合的局部放电模式识别方法，其特征在于，所述每一个设定相位区间，包括：
以1°为一个相位区间。
6.根据权利要求1所述的一种基于图谱特征和信息融合的局部放电模式识别方法，其特征在于，所述获取所述PRPD图谱的坡向编码特征SI，包括：
获取每一个相位区间内放电幅值绝对值最大点的放电强度值Pi，i＝0,…,360；
依次使用直线连接获取的所述绝对值最大点的放电强度值Pi，并定义坡向指数SI来表示放电曲线的坡向，以直线斜率a的值为判据，获得不同相位区间内的坡向指数SIj：
j表示相位区间，以相位区间为顺序得到所述PRPD图谱的坡向编码特征：SI＝[SI1，…，SI360]。
7.根据权利要求1所述的一种基于图谱特征和信息融合的局部放电模式识别方法，其特征在于，所述计算PRPD图谱积分特征I，包括：
获取所述PRPD图谱积分特征I，计算公式如下，其中
为相位角，
表示放电幅值包络线与相位角之间的函数：
8.根据权利要求1所述的一种基于图谱特征和信息融合的局部放电模式识别方法，其特征在于，所述计算PRPD图谱二阶微分特征D2，包括：
获取所述PRPD图谱二阶微分特征D2，计算公式如下：
其中
表示放电幅值上包络线与相位角之间的函数，
表示放电幅值下包络线与相位角之间的函数。
9.根据权利要求1所述的一种基于图谱特征和信息融合的局部放电模式识别方法，其特征在于，所述将各个所述局部放电故障缺陷的所述参量化矩阵输入到基于变权的信息融合模型，完成信息融合，计算得到各个所述局部放电故障缺陷的类型识别得分结果，包括：
通过类内方差小和类间方差大准则衡量所述PRPD图谱特征N、SI、I和D2对局部放电故障类型的识别能力，并根据所述PRPD图谱特征N、SI、I和D2计算权重系数；
通过每个所述PRPD图谱特征N、SI、I和D2分别与相对应的权重系数的乘积之和，构建基于变权的信息融合模型；
将所述局部放电故障缺陷的所述参量化矩阵输入到所述基于变权的信息融合模型，完成信息融合，计算得到各个所述局部放电故障缺陷的类型识别得分结果，得分Score的计算公式如下：
Score＝K1*N+K2*SI+K3*I+K4*D2
式中K1为放电重复率特征N的权重系数，K2为坡向编码特征SI的权重系数，K3为积分特征I的权重系数，K4为二阶微分特征D2的权重系数。
10.根据权利要求9所述的一种基于图谱特征和信息融合的局部放电模式识别方法，其特征在于，所述通过类内方差小和类间方差大准则衡量所述PRPD图谱特征N、SI、I和D2对局部放电故障类型的识别能力，并根据所述PRPD图谱特征N、SI、I和D2的JF值计算权重系数，包括：
共有n个PRPD谱图样本，每一种放电类型下各有nt个样品，每一个样品均求取所述PRPD图谱的4个特征参量：放电重复率特征矩阵N、坡向编码特征SI、积分特征I和二阶微分特征D2，则第k(k＝1,2,3,4)个特征的类内方差
类间方差
可计算为：
其中x(k)是每个样本第k个特征的值，
为第t类的均值，m(k)为第k个特征所有样本的均值，ωt表示的放电类别；
第k类特征的方差比JF值计算公式为：
第k类特征权重系数的计算公式：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110326051.3A CN113064032B (zh) | 2021-03-26 | 2021-03-26 | 一种基于图谱特征和信息融合的局部放电模式识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110326051.3A CN113064032B (zh) | 2021-03-26 | 2021-03-26 | 一种基于图谱特征和信息融合的局部放电模式识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113064032A true CN113064032A (zh) | 2021-07-02 |
| CN113064032B CN113064032B (zh) | 2022-08-02 |
Family
ID=76563677
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110326051.3A Active CN113064032B (zh) | 2021-03-26 | 2021-03-26 | 一种基于图谱特征和信息融合的局部放电模式识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113064032B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113533921A (zh) * | 2021-09-15 | 2021-10-22 | 北京普源瑞新仿真科技有限公司 | 局部放电检测方法及局部放电检测装置 |
| CN113655348A (zh) * | 2021-07-28 | 2021-11-16 | 国网湖南省电力有限公司 | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1094323A2 (en) * | 1999-10-19 | 2001-04-25 | ABB Substation Automation Oy | Method and system for identifying cause of partial discharge |
| CN104535905A (zh) * | 2014-12-11 | 2015-04-22 | 国家电网公司 | 基于朴素贝叶斯分类的局部放电诊断方法 |
| CN104849633A (zh) * | 2015-05-15 | 2015-08-19 | 国家电网公司 | 一种开关柜局部放电模式识别方法 |
| CN105044567A (zh) * | 2015-06-29 | 2015-11-11 | 许继集团有限公司 | 一种gis局部放电在线监测模式识别方法及系统 |
| CN106771938A (zh) * | 2017-03-22 | 2017-05-31 | 广东工业大学 | 一种固体绝缘环网柜局部放电模式识别方法及装置 |
| CN107831409A (zh) * | 2017-09-22 | 2018-03-23 | 国网山东省电力公司电力科学研究院 | 特高频局放检测图谱特征参量提取的方法及异常检测方法 |
| CN107944349A (zh) * | 2017-11-07 | 2018-04-20 | 武汉大学 | 基于粒子群‑支持向量机的gis局部放电类型模式识别方法 |
| CN108693448A (zh) * | 2018-03-28 | 2018-10-23 | 西安博源电气有限公司 | 一种应用于电力设备局部放电模式识别系统 |
| CN109444682A (zh) * | 2018-11-02 | 2019-03-08 | 国网四川省电力公司广安供电公司 | 基于多信息融合的开关柜局部放电诊断系统的构建方法 |
| CN109596955A (zh) * | 2018-12-30 | 2019-04-09 | 国网北京市电力公司 | 局部放电状态确定方法及装置 |
| CN109685138A (zh) * | 2018-12-25 | 2019-04-26 | 东南大学 | 一种xlpe电力电缆局部放电类型识别方法 |
| CN110261749A (zh) * | 2019-07-24 | 2019-09-20 | 广东电网有限责任公司 | 一种gis局部放电故障识别模型构建方法、装置及故障识别方法 |
| CN110514975A (zh) * | 2019-10-14 | 2019-11-29 | 云南电网有限责任公司电力科学研究院 | 一种gis设备的局部放电类型分类方法 |
| CN110533064A (zh) * | 2019-07-17 | 2019-12-03 | 西安西电开关电气有限公司 | 一种gis设备的局部放电图谱模式识别方法和系统 |
| CN112014700A (zh) * | 2020-08-28 | 2020-12-01 | 武汉大学 | 基于局部放电多信息融合的gis绝缘子缺陷识别方法及系统 |
| CN112147474A (zh) * | 2020-10-30 | 2020-12-29 | 广东电网有限责任公司阳江供电局 | Xlpe电力电缆典型缺陷局部放电类型识别系统及方法 |
| CN112305379A (zh) * | 2019-07-24 | 2021-02-02 | 国网山东省电力公司济南供电公司 | 一种用于gis绝缘缺陷的模式识别方法及系统 |
| CN112485622A (zh) * | 2020-12-09 | 2021-03-12 | 西安华谱电力设备制造有限公司 | 基于ga-bpnn的局部放电模式识别方法 |
-
2021
- 2021-03-26 CN CN202110326051.3A patent/CN113064032B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1094323A2 (en) * | 1999-10-19 | 2001-04-25 | ABB Substation Automation Oy | Method and system for identifying cause of partial discharge |
| CN104535905A (zh) * | 2014-12-11 | 2015-04-22 | 国家电网公司 | 基于朴素贝叶斯分类的局部放电诊断方法 |
| CN104849633A (zh) * | 2015-05-15 | 2015-08-19 | 国家电网公司 | 一种开关柜局部放电模式识别方法 |
| CN105044567A (zh) * | 2015-06-29 | 2015-11-11 | 许继集团有限公司 | 一种gis局部放电在线监测模式识别方法及系统 |
| CN106771938A (zh) * | 2017-03-22 | 2017-05-31 | 广东工业大学 | 一种固体绝缘环网柜局部放电模式识别方法及装置 |
| CN107831409A (zh) * | 2017-09-22 | 2018-03-23 | 国网山东省电力公司电力科学研究院 | 特高频局放检测图谱特征参量提取的方法及异常检测方法 |
| CN107944349A (zh) * | 2017-11-07 | 2018-04-20 | 武汉大学 | 基于粒子群‑支持向量机的gis局部放电类型模式识别方法 |
| CN108693448A (zh) * | 2018-03-28 | 2018-10-23 | 西安博源电气有限公司 | 一种应用于电力设备局部放电模式识别系统 |
| CN109444682A (zh) * | 2018-11-02 | 2019-03-08 | 国网四川省电力公司广安供电公司 | 基于多信息融合的开关柜局部放电诊断系统的构建方法 |
| CN109685138A (zh) * | 2018-12-25 | 2019-04-26 | 东南大学 | 一种xlpe电力电缆局部放电类型识别方法 |
| CN109596955A (zh) * | 2018-12-30 | 2019-04-09 | 国网北京市电力公司 | 局部放电状态确定方法及装置 |
| CN110533064A (zh) * | 2019-07-17 | 2019-12-03 | 西安西电开关电气有限公司 | 一种gis设备的局部放电图谱模式识别方法和系统 |
| CN110261749A (zh) * | 2019-07-24 | 2019-09-20 | 广东电网有限责任公司 | 一种gis局部放电故障识别模型构建方法、装置及故障识别方法 |
| CN112305379A (zh) * | 2019-07-24 | 2021-02-02 | 国网山东省电力公司济南供电公司 | 一种用于gis绝缘缺陷的模式识别方法及系统 |
| CN110514975A (zh) * | 2019-10-14 | 2019-11-29 | 云南电网有限责任公司电力科学研究院 | 一种gis设备的局部放电类型分类方法 |
| CN112014700A (zh) * | 2020-08-28 | 2020-12-01 | 武汉大学 | 基于局部放电多信息融合的gis绝缘子缺陷识别方法及系统 |
| CN112147474A (zh) * | 2020-10-30 | 2020-12-29 | 广东电网有限责任公司阳江供电局 | Xlpe电力电缆典型缺陷局部放电类型识别系统及方法 |
| CN112485622A (zh) * | 2020-12-09 | 2021-03-12 | 西安华谱电力设备制造有限公司 | 基于ga-bpnn的局部放电模式识别方法 |
Non-Patent Citations (6)
| Title |
|---|
| C. CHANG 等: "Extraction of PD fingerprints using correlation learning", 《2000 INTERNATIONAL CONFERENCE ON ADVANCES IN POWER SYSTEM CONTROL, OPERATION AND MANAGEMENT》 * |
| C. CHANG 等: "Extraction of PD fingerprints using correlation learning", 《2000 INTERNATIONAL CONFERENCE ON ADVANCES IN POWER SYSTEM CONTROL, OPERATION AND MANAGEMENT》, 6 August 2003 (2003-08-06), pages 300 - 305 * |
| 张云娟: "绝缘缺陷的局部放电检测与放电类型识别", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
| 张云娟: "绝缘缺陷的局部放电检测与放电类型识别", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, no. 2, 15 February 2019 (2019-02-15), pages 042 - 939 * |
| 李宏波 等: "基于多层特征融合CNN 的变压器PＲPD 图谱识别", 《电测与仪表》 * |
| 李宏波 等: "基于多层特征融合CNN 的变压器PＲPD 图谱识别", 《电测与仪表》, vol. 57, no. 18, 25 September 2020 (2020-09-25), pages 63 - 68 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113655348A (zh) * | 2021-07-28 | 2021-11-16 | 国网湖南省电力有限公司 | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质 |
| CN113655348B (zh) * | 2021-07-28 | 2023-12-08 | 国网湖南省电力有限公司 | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质 |
| CN113533921A (zh) * | 2021-09-15 | 2021-10-22 | 北京普源瑞新仿真科技有限公司 | 局部放电检测方法及局部放电检测装置 |
| CN113533921B (zh) * | 2021-09-15 | 2021-12-17 | 北京普源瑞新仿真科技有限公司 | 局部放电检测方法及局部放电检测装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113064032B (zh) | 2022-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113064032B (zh) | 一种基于图谱特征和信息融合的局部放电模式识别方法 | |
| Salama et al. | Determination of neural-network topology for partial discharge pulse pattern recognition | |
| CN110188774B (zh) | 一种基于深度学习的电涡流扫描图像分类识别方法 | |
| CN103076547B (zh) | 基于支持向量机的gis局部放电故障类型模式识别方法 | |
| CN112014700B (zh) | 基于局部放电多信息融合的gis绝缘子缺陷识别方法及系统 | |
| CN107944349A (zh) | 基于粒子群‑支持向量机的gis局部放电类型模式识别方法 | |
| Chang et al. | Application of pulse sequence partial discharge based convolutional neural network in pattern recognition for underground cable joints | |
| CN106599777A (zh) | 一种基于能量百分比的电缆局部放电信号识别方法 | |
| CN106338674B (zh) | 基于改进ecoc分类器的直流电缆接头绝缘故障诊断方法及系统 | |
| CN106503612A (zh) | 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 | |
| CN114217164B (zh) | 一种基于放电波形智能识别的电缆故障测距方法及系统 | |
| CN109902638B (zh) | 基于2d-cnn的食用油横向弛豫信号特征提取方法 | |
| CN112418324B (zh) | 用于电气设备状态感知的跨模态数据融合方法 | |
| CN113514743A (zh) | 一种基于多维特征的gis局部放电模式识别系统构建方法 | |
| CN103745476A (zh) | 基于线扫描局部峰值分析的手机隔板砂粒检测方法 | |
| US9310419B2 (en) | Method for detecting defective electrodes in a micro-electrode matrix | |
| CN113642417B (zh) | 一种基于改进小波算法的绝缘架空导线局部放电信号的去噪方法 | |
| CN112147465B (zh) | 基于多重分形与极限学习机的gis局部放电光学诊断方法 | |
| CN113052249B (zh) | 基于支持向量机和电流偏差系数的变压器绕组故障类型识别方法 | |
| CN115047286A (zh) | 一种电缆缺陷检测方法、设备及介质 | |
| CN114838923A (zh) | 有载分接开关的故障诊断模型建立方法及故障诊断方法 | |
| CN114355125A (zh) | 基于电场分析的输电电缆缺陷判断装置及方法 | |
| CN112904088A (zh) | 一种宽频介损检测装置中的介质损耗角正切计算方法 | |
| JPH08220184A (ja) | 絶縁電線の絶縁被覆亀裂検知方法及び装置 | |
| Liu et al. | An Evaluation Method of Composite Insulator Aging Grade Based on Probabilistic Neural Network |
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 |