CN113269146A - 局部放电模式识别方法、装置、设备及存储介质 - Google Patents

局部放电模式识别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113269146A
CN113269146A CN202110698680.9A CN202110698680A CN113269146A CN 113269146 A CN113269146 A CN 113269146A CN 202110698680 A CN202110698680 A CN 202110698680A CN 113269146 A CN113269146 A CN 113269146A
Authority
CN
China
Prior art keywords
partial discharge
spectrogram
image
discharge spectrogram
geometric
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
Application number
CN202110698680.9A
Other languages
English (en)
Other versions
CN113269146B (zh
Inventor
李斯盟
刘志华
卜泽伟
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202110698680.9A priority Critical patent/CN113269146B/zh
Publication of CN113269146A publication Critical patent/CN113269146A/zh
Application granted granted Critical
Publication of CN113269146B publication Critical patent/CN113269146B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • 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)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种局部放电模式识别方法、装置、设备及存储介质，所述方法包括：获取油浸纸板的局部放电谱图；提取局部放电谱图对应的图像特征；其中，图像特征包括局部放电谱图的几何特征；将局部放电谱图对应的图像特征，输入至预设神经网络模型中进行学习，识别出局部放电谱图对应的局部放电模式。本申请实施例提供的技术方案可以提高对油浸纸板的局部放电模式识别的适应性与灵活性。

Description

局部放电模式识别方法、装置、设备及存储介质
技术领域
本申请涉及电力系统技术领域，特别是涉及一种局部放电模式识别方法、装置、设备及存储介质。
背景技术
大型油浸式电力变压器作为电力系统的枢纽设备，其绝缘状态直接关系到电力系统的安全稳定运行。油浸式电力变压器主要采用油浸纸板来进行绝缘，油浸纸板的绝缘性能直接决定电力变压器的安全性能。因此，对油浸纸板的绝缘性能进行诊断评估具有重要的工程意义。
油浸纸板产生的局部放电是引起油浸纸板绝缘性能劣化的主要原因。绝缘性能劣化甚至损伤与局部放电类型存在一定的相关性，通过识别局部放电模式可以及时预测或者发现绝缘故障。传统的，在识别油浸纸板的局部放电模式时，通常是利用局部放电检测仪获取到油浸纸板的原始放电数据后，再运用自回归模型对该原始放电数据进行拟合，将拟合所得的模型系数作为局部放电模式识别的特征向量，然后根据该特征向量得到油浸纸板的局部放电模式。
然而，部分局部放电检测仪不能直接导出油浸纸板的原始放电数据，也就无法直接采用上述方法提取特征向量，进而得到油浸纸板的局部放电模式。因此，传统的，针对油浸纸板的局部放电模式识别方法的适应性窄、灵活性差。
发明内容
基于此，本申请实施例提供了一种局部放电模式识别方法、装置、设备及存储介质，可以提高对油浸纸板的局部放电模式识别的适应性与灵活性。
第一方面，提供了一种局部放电模式识别方法，应用于油浸式变压器，油浸式变压器包括油浸纸板，该方法包括：
获取油浸纸板的局部放电谱图；提取局部放电谱图对应的图像特征；其中，图像特征包括局部放电谱图的几何特征；将局部放电谱图对应的图像特征，输入至预设神经网络模型中进行学习，识别出局部放电谱图对应的局部放电模式。
在其中一个实施例中，提取局部放电谱图对应的图像特征，包括：
对局部放电谱图进行预处理，生成预处理后的局部放电谱图；获取预处理后的局部放电谱图上各个像素点的二维坐标，将二维坐标转换为极坐标，得到极坐标系下的局部放电谱图；通过小波变换计算极坐标系下的局部放电谱图对应的几何特征。
在其中一个实施例中，对局部放电谱图进行预处理，生成预处理后的局部放电谱图，包括：
对局部放电谱图进行二值化处理，生成局部放电谱图对应的原始二值化图像；获取原始二值化图像的重心；基于原始二值化图像的重心，将原始二值化图像进行投影变换生成新的二值化图像上；新的二值化图像的尺寸大于原始二值化图像的尺寸。
在其中一个实施例中，几何特征包括几何矩；通过小波变换计算极坐标系下的局部放电谱图对应的几何特征，包括：
获取极坐标系下的局部放电谱图上像素点的极坐标；根据像素点的极坐标，计算极坐标系下的局部放电谱图的几何矩；采用预设的小波基函数对几何矩进行小波变换，生成小波变换后的几何矩。
在其中一个实施例中，采用预设的小波基函数对几何矩进行小波变换，生成小波变换后的几何矩，包括：
获取预设的小波基函数的尺度因子集和位移因子集；根据尺度因子集和位移因子集，生成多个目标小波基函数；通过各目标小波基函数对几何矩进行小波变换，生成小波变换后的几何矩。
在其中一个实施例中，预设神经网络模型为非线性分类器；将局部放电谱图对应的图像特征，输入至预设神经网络模型中进行学习，识别出局部放电谱图对应的局部放电模式，包括：
将局部放电谱图对应的图像特征，输入至非线性分类器中进行分类，生成局部放电谱图对应的局部放电模式。
在其中一个实施例中，该方法还包括：
初始化粒子群算法的参数；参数包括初始正则化参数、初始标准化参数、最大迭代次数；根据样本集、初始正则化参数及初始标准化参数，计算初始非线性分类器的局部放电模式预测值；样本集包括局部放电谱图对应的图像特征；基于局部放电模式预测值、预设的局部放电模式标准值与预设适应度函数，对初始正则化参数及初始标准化参数进行迭代更新，直至达到最大迭代次数，生成新的正则化参数及新的标准化参数；根据新的正则化参数及新的标准化参数，生成非线性分类器。
第二方面，提供了一种局部放电模式识别装置，该装置包括：
获取模块，用于获取油浸纸板的局部放电谱图；
提取模块，用于提取局部放电谱图对应的图像特征；其中，图像特征包括局部放电谱图的几何特征；
识别模块，用于将局部放电谱图对应的图像特征，输入至预设神经网络模型中进行学习，识别出局部放电谱图对应的局部放电模式。
第三方面，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时实现上述第一方面任一实施例中的方法步骤。
第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述第一方面任一实施例中的方法步骤。
上述局部放电模式识别方法、装置、设备及存储介质，通过获取油浸纸板的局部放电谱图；根据获取到的局部放电谱图提取局部放电谱图对应的图像特征；再将局部放电谱图对应的图像特征，输入至预设神经网络模型中进行学习，识别出局部放电谱图对应的局部放电模式。在本申请实施例提供的技术方案中，由于可以直接对获取到的局部放电谱图进行识别与分析，不需要通过局部放电检测仪导出油浸纸板的原始放电数据，从而提高了对油浸纸板的局部放电模式识别的适应性与灵活性；然后，将图像特征输入至预设神经网络模型中进行学习，从而识别出局部放电谱图对应的局部放电模式。
附图说明
图1为本申请实施例提供的一种计算机设备的框图；
图2为本申请实施例提供的一种局部放电模式识别方法的流程图；
图3为本申请实施例提供的一种局部放电模式识别方法的流程图；
图4为本申请实施例提供的一种局部放电模式识别方法的流程图；
图5为本申请实施例提供的一种局部放电模式识别方法的流程图；
图6为本申请实施例提供的一种局部放电模式识别方法的流程图；
图7为本申请实施例提供的一种局部放电模式识别方法的流程图；
图8为本申请实施例提供的一种标准样品在1.2倍起晕电压下的PRPD谱图和TRPD谱图；
图9为本申请实施例提供的一种受潮样品在1.2倍起晕电压下的PRPD谱图和TRPD谱图；
图10为本申请实施例提供的一种未充分浸油样品在1.2倍起晕电压下的PRPD谱图和TRPD谱图；
图11为本申请实施例提供的一种标准样品在1.5倍起晕电压下的PRPD谱图和TRPD谱图；
图12为本申请实施例提供的一种受潮样品在1.5倍起晕电压下的PRPD谱图和TRPD谱图；
图13为本申请实施例提供的一种未充分浸油样品在1.5倍起晕电压下的PRPD谱图和TRPD谱图；
图14为本申请实施例提供的一种局部放电模式识别结果的示意图；
图15为本申请实施例提供的一种局部放电模式识别装置的框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
本申请提供的局部放电模式识别方法可以应用于计算机设备中，计算机设备可以是服务器，也可以是终端，其中，服务器可以为一台服务器也可以为由多台服务器组成的服务器集群，本申请实施例对此不作具体限定，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
以计算机设备是服务器为例，图1示出了一种服务器的框图，如图1所示，服务器可以包括通过系统总线连接的处理器和存储器。其中，该服务器的处理器用于提供计算和控制能力。该服务器的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序以及数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机程序被处理器执行时以实现一种局部放电模式识别方法。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的服务器的限定，可选地服务器可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
需要说明的是，本申请实施例的执行主体可以是计算机设备，也可以是局部放电模式识别装置，下述方法实施例中就以计算机设备为执行主体进行说明。
在一个实施例中，如图2所示，其示出了本申请实施例提供的一种局部放电模式识别方法的流程图，该方法可以包括以下步骤：
步骤220、获取油浸纸板的局部放电谱图。
其中，油浸纸板是油浸式变压器的绝缘组件，局部放电谱图是用于描述油浸纸板局部放电量的图像，局部放电谱图通常可以包括基于相位分辨的局部放电谱图(PhaseResolved Partial Discharge Pattern，PRPD)、基于时间分辨的局部放电谱图(TimeResolved Partial Discharge Pattern，TRPD)、等效时频谱图等，油浸纸板的局部放电谱图可以通过局部放电检测仪获取到。
步骤240、提取局部放电谱图对应的图像特征；其中，图像特征包括局部放电谱图的几何特征。
其中，局部放电谱图的图像信息可以通过其对应的图像特征描述，图像特征可以包括局部放电谱图的几何特征。局部放电谱图的几何特征可以是局部放电谱图的位置特征、大小特征、分布特征、几何矩特征等，当然还可以是其他几何特征。可以通过图像处理技术提取局部放电谱图对应的图像特征，例如，图像处理技术可以包括边界特征算法、傅里叶形状描述符算法、小波变换算法、几何参数算法、形状不变矩算法等，还可以是其他图像处理技术提取图像特征，本实施例对此不作具体限定。
步骤260、将局部放电谱图对应的图像特征，输入至预设神经网络模型中进行学习，识别出局部放电谱图对应的局部放电模式。
其中，获取到局部放电谱图对应的图像特征后，可以将该图像特征输入至预设神经网络模型中进行学习，从而识别出局部放电谱图对应的局部放电模式。预设的神经网络模型是根据局部放电谱图的图像特征与其对应的局部放电模式训练得到的。局部放电模式用于表征油浸纸板的当前状态，油浸纸板的当前状态可以包括正常状态、未充分浸油状态、潮湿状态等。在识别出局部放电谱图对应的局部放电模式后，还可以通过对局部放电模式进行分析，从而对油浸纸板是否发生故障进行判断，以保证油浸式变压器的安全运行。
本实施例中，通过获取油浸纸板的局部放电谱图；根据获取到的局部放电谱图提取局部放电谱图对应的图像特征；再将局部放电谱图对应的图像特征，输入至预设神经网络模型中进行学习，识别出局部放电谱图对应的局部放电模式。由于可以直接对获取到的局部放电谱图进行分析与识别，不需要通过局部放电检测仪导出油浸纸板的原始放电数据，从而提高了对油浸纸板的局部放电模式识别的适应性与灵活性；然后，将图像特征输入至预设神经网络模型中进行学习，从而识别出局部放电谱图对应的局部放电模式。
在一个实施例中，如图3所示，其示出了本申请实施例提供的一种局部放电模式识别方法的流程图，具体涉及的是提取图像特征的一种可能的过程，该方法可以包括以下步骤：
步骤320、对局部放电谱图进行预处理，生成预处理后的局部放电谱图。
其中，在获取到油浸纸板的局部放电谱图后，还可以先对局部放电谱图进行预处理，从而生成预处理后的局部放电谱图，预处理可以是图像的去噪处理、灰度化处理、尺寸缩放处理等中的一种或多种处理过程。
步骤340、获取预处理后的局部放电谱图上各个像素点的二维坐标，将二维坐标转换为极坐标，得到极坐标系下的局部放电谱图。
其中，在提取局部放电谱图对应的几何特征时，可以通过小波变换算法计算得到，具体地，可以先获取到预处理后的局部放电谱图上各个像素点的二维坐标，再对获取到的二维坐标进行极坐标转换，从而将二维坐标转化为极坐标，从而根据该极坐标得到极坐标系下的局部放电谱图。以(x0,y0)作为预处理后的局部放电谱图的图像中心，r＝0,1,2,…,Ns/2为半径，△θ＝2π/(4Ns)为相角间隔，再根据公式(1)进行极坐标转换。
Figure BDA0003128852010000071
其中，θ＝t·Δθ；Ns为预处理后的局部放电谱图上横向或纵向像素点数目；fr(r,θ)为极坐标形式。
步骤360、通过小波变换计算极坐标系下的局部放电谱图对应的几何特征。
其中，通过小波变换能够充分突出预处理后的局部放电谱图的特征，能对时间或空间频率的局部化分析，通过伸缩平移运算对预处理后的局部放电谱图逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可以基于小波变换计算得到极坐标系下的局部放电谱图对应的几何特征。
本实施例中，通过对局部放电谱图进行预处理，生成预处理后的局部放电谱图；获取预处理后的局部放电谱图上各个像素点的二维坐标，将二维坐标转换为极坐标，得到极坐标系下的局部放电谱图；最后通过小波变换计算极坐标系下的局部放电谱图对应的几何特征。通过小波变换计算局部放电谱图对应的几何特征，可以提取出局部放电谱图的全局特征与局部特征，从而最大限度地提高了局部放电谱图的信息利用率，进而提高了对油浸纸板的局部放电模式识别的准确度。
在一个实施例中，如图4所示，其示出了本申请实施例提供的一种局部放电模式识别方法的流程图，具体涉及的是对局部放电谱图进行预处理的一种可能的过程，该方法可以包括以下步骤：
步骤420、对局部放电谱图进行二值化处理，生成局部放电谱图对应的原始二值化图像。
步骤440、获取原始二值化图像的重心。
步骤460、基于原始二值化图像的重心，将原始二值化图像进行投影变换生成新的二值化图像上；新的二值化图像的尺寸大于原始二值化图像的尺寸。
其中，在对局部放电谱图进行预处理时，可以先对局部放电谱图进行二值化处理，从而生成局部放电谱图对应的原始二值化图像，还可以将原始二值化图像的灰度值进行归一化。再根据公式(2)获取原始二值化图像的重心(x0,y0)，原始二值化图像的重心可以通过图像的几何矩确定，图像的几何矩可以通过公式(3)计算得到。
Figure BDA0003128852010000081
Figure BDA0003128852010000082
其中，m00为原始二值化图像的零阶矩，表示图像面积；m10与m01为图像的两个一阶矩，分别表示原始二值化图像像素点在横轴与纵轴上的累计值；原始二值化图像的尺寸为M×N；p、q＝0,1,2,…。
再基于原始二值化图像的重心，将原始二值化图像进行投影变换生成新的二值化图像上，新的二值化图像的尺寸大于原始二值化图像的尺寸。具体地，可以将原始二值化图像的重心作为新的二值化图像的中心，对原始二值化图像进行平移标准化，设定新的二值化图像的尺寸为Ns×Ns，新的二值化图像的尺寸可以根据原始二值化图像的尺寸设定，例如，原始二值化图像的尺寸为560×420，新的二值化图像的尺寸可以设定为1024×1024，因而，可以将原始二值化图像的重心作为新的二值化图像的中心(512，512)处，并根据公式(4)得到新的二值化图像的中各个像素值。
Figure BDA0003128852010000091
本实施例中，通过对局部放电谱图进行二值化处理，生成局部放电谱图对应的原始二值化图像；获取原始二值化图像的重心；基于原始二值化图像的重心，将原始二值化图像进行投影变换生成新的二值化图像上。通过将原始二值化图像进行投影变换，从而将原始二值化图像放置到大尺寸的新的二值化图像上，对原始二值化图像的边缘部分进行了扩展，保证能够给更加准确地提取到局部放电谱图的所有几何特征。
在一个实施例中，如图5所示，其示出了本申请实施例提供的一种局部放电模式识别方法的流程图，具体涉及的是计算局部放电谱图对应的几何特征的一种可能的过程，该方法可以包括以下步骤：
步骤520、获取极坐标系下的局部放电谱图上像素点的极坐标。
步骤540、根据像素点的极坐标，计算极坐标系下的局部放电谱图的几何矩。
步骤560、采用预设的小波基函数对几何矩进行小波变换，生成小波变换后的几何矩。
其中，几何特征可以包括局部放电谱图的几何矩，对局部放电谱图上像素点的二维坐标进行极坐标转换后，可以获取到极坐标系下的局部放电谱图上像素点的极坐标，根据像素点的极坐标，通过公式(5)计算极坐标系下的局部放电谱图的几何矩Mpq。
Fpq＝∫∫f(r,θ)gp(r)ejqθrdrdθ (5)
其中，gp(r)为变换核的径向分量；ejpθ为变换核的角分量。
为了使局部放电谱图特征提取问题简化至一维，可以将公式(5)改写为公式(6)的形式。
Fpq＝∫Sq(r)gp(r)rdr (6)
Sq(r)＝∫f(r,θ)ejqθdθ (7)
其中，Sq(r)为f(r,θ)在相位空间[0,2π]内的第q个(阶)特征。
最后采用预设的小波基函数对几何矩进行小波变换，生成小波变换后的几何矩，预设的小波基函数可以选用如公式(8)所示的小波函数族。
Figure BDA0003128852010000101
其中，a(a∈R+)为尺度因子；b(b∈R)为位移因子，随上述两个因子的变化，ψa,b(r)可表示不同频率分量下的特征值。
由于3次B样条小波函数在频域空间具有最优的局部特性，通常可以选取如公式(9)所示的3次B样条小波函数对几何矩进行小波变换。
Figure BDA0003128852010000102
其中，n＝3；α＝0.697066；f0＝0.409177；σω 2＝0.561145。
小波变换后的几何矩
Figure BDA0003128852010000103
定义如公式(10)所示，：
Figure BDA0003128852010000104
本实施例中，通过获取极坐标系下的局部放电谱图上像素点的极坐标；根据像素点的极坐标，计算极坐标系下的局部放电谱图的几何矩；采用预设的小波基函数对几何矩进行小波变换，生成小波变换后的几何矩。局部放电谱图的几何矩可以有效描述图像中所用像素点的整体分布情况；并且，局部放电谱图的几何矩对图像色彩无要求；局部放电谱图的几何矩满足位移不变性、旋转不变性、放缩不变性，极大地提高了其适应性与普遍性。将小波变换与局部放电谱图的几何矩相结合，生成小波变换后的几何矩，也即小波矩不变量，因为小波变换可以描述几何矩在时域与频域的特征信息，从而可以提取出局部放电谱图的全局特征与局部特征，从而最大限度地提高了局部放电谱图的信息利用率，进而提高了对油浸纸板的局部放电模式识别的准确度。
在一个实施例中，如图6所示，其示出了本申请实施例提供的一种局部放电模式识别方法的流程图，具体涉及的是对几何矩进行小波变换的一种可能的过程，该方法可以包括以下步骤：
步骤620、获取预设的小波基函数的尺度因子集和位移因子集。
步骤640、根据尺度因子集和位移因子集，生成多个目标小波基函数。
步骤660、通过各目标小波基函数对几何矩进行小波变换，生成小波变换后的几何矩。
其中，在实际应用中，ψa,b(r)需要格栅化离散，意味着连续的尺度因子a与位移因子b需要整数离散化，尺度因子a离散为：a＝a0 m，其中m为整数且a0<1或a0>1，位移因子b离散为：b＝nb0a0 m，其中n为整数且b0>0。当图像的像素尺寸归一化至r∈[0,1]的范围内，则a0与b0均可设置为0.5，而参数m与n的取值限制如公式(9)：
Figure BDA0003128852010000111
因此，在任意角度沿径向的离散小波函数定义为公式(10)的形式，从而使上述小波函数在几何矩计算过程中旋转扫描所有角方向，则根据不同的m与n值生成预设的小波基函数的尺度因子集和位移因子集，根据尺度因子集和位移因子集，通过公式(10)生成多个目标小波基函数，得到灰度图像的全局特征量与局部特征量。
Figure BDA0003128852010000112
Figure BDA0003128852010000113
从而通过各目标小波基函数对几何矩进行小波变换，基于公式(10)和公式(11)计算小波变换后的几何矩
Figure BDA0003128852010000114
定义为公式(12)的形式。
Figure BDA0003128852010000115
为避免维数灾难并使小波矩不变量尽可能多地涵盖局放谱图特征，通过多次尝试比较，最终可以设定q＝0,1,2；m＝0,1；n＝0,1,2,…,2m+1。因此，每个局放谱图样本可提取24个特征值，特征值即为小波变换后的几何矩。
本实施例中，通过获取预设的小波基函数的尺度因子集和位移因子集；根据尺度因子集和位移因子集，生成多个目标小波基函数；通过各目标小波基函数对几何矩进行小波变换，生成小波变换后的几何矩。由于可以根据不同的m与n值生成预设的小波基函数的尺度因子集和位移因子集，再根据尺度因子集和位移因子集就可以生成多个目标小波基函数，从而就得到灰度图像的全局特征量与局部特征量，进而提高了对油浸纸板的局部放电模式识别的准确度。
在一个实施例中，所述预设神经网络模型为非线性分类器；所述将所述局部放电谱图对应的图像特征，输入至预设神经网络模型中进行学习，识别出所述局部放电谱图对应的局部放电模式，包括：
将局部放电谱图对应的图像特征，输入至非线性分类器中进行分类，生成局部放电谱图对应的局部放电模式。非线性分类器可以是最小二乘支持向量机，非线性分类器可以基于粒子群优化对样本进行训练。最小二乘支持向量机求解非线性方程可表示为：
Figure BDA0003128852010000121
其中，
Figure BDA0003128852010000122
为对应高维输入空间的非线性方程；b为误差项；w∈RN为系数向量；ej为第j个训练样本实际输出与估计输出的误差项。通过求解如下方程组可得到支持向量机分类结果：
Figure BDA0003128852010000123
公式(14)中惩罚因子γ，也即正则化参数控制数据适应性与求解稳定性的关系。定义拉格朗日方程：
Figure BDA0003128852010000124
设置所有微分等式为零，得到如下方程组：
Figure BDA0003128852010000131
通过消除w和ej，问题可简化为：
Figure BDA0003128852010000132
其中，I＝[1,1,…,1]；Y＝[y1,y2,…,yN]；α＝[α1,α2,…,αN]；Ω为核矩阵。选用径向基核函数RBF构建核矩阵，核矩阵如下：
Figure BDA0003128852010000133
其中，σ为定义核广度的常数，也即标准化参数。σ与惩罚因子γ利用粒子群算法优化得到。因此，通过求解线性方程(17)，可以实现非线性分类器对局部放电模式的分类与识别。
非线性分类器是预先训练好的，可选地，生成非线性分类器可以如图7所示，其示出了本申请实施例提供的一种局部放电模式识别方法的流程图，具体涉及的是生成非线性分类器的一种可能的过程，该方法可以包括以下步骤：
步骤720、初始化粒子群算法的参数；参数包括初始正则化参数、初始标准化参数、最大迭代次数。
步骤740、根据样本集、初始正则化参数及初始标准化参数，计算初始非线性分类器的局部放电模式预测值；样本集包括局部放电谱图对应的图像特征。
步骤760、基于局部放电模式预测值、预设的局部放电模式标准值与预设适应度函数，对初始正则化参数及初始标准化参数进行迭代更新，直至达到最大迭代次数，生成新的正则化参数及新的标准化参数。
步骤780、根据新的正则化参数及新的标准化参数，生成非线性分类器。
其中，粒子群算法是一种基于迭代的优化算法，系统初始化为一组随机解，通过迭代搜寻σ与γ的最优值，可以通过产生随机数的方式对粒子群算法的参数进行初始化。再获取训练样本集和测试样本集，训练样本集和测试样本集均包括局部放电谱图对应的图像特征。根据训练样本集、初始正则化参数及初始标准化参数，计算初始非线性分类器的偏差量和拉格朗日乘子，初始非线性分类器为参数初始化后的非线性分类器。再根据测试样本集、偏差量及拉格朗日乘子，计算初始非线性分类器的局部放电模式预测值。根据计算到的局部放电模式预测值与预先存储的局部放电模式标准值，代入预设的适应度函数中，计算得到初始正则化参数及初始标准化参数对应的适应度。基于适应度对初始正则化参数及初始标准化参数进行更新，从而生成新的正则化参数及新的标准化参数，直至达到最大迭代次数后，根据更新后的正则化参数及标准化参数，生成非线性分类器。
本实施例中，通过初始化粒子群算法的参数；根据样本集、初始正则化参数及初始标准化参数，计算初始非线性分类器的局部放电模式预测值；基于局部放电模式预测值、预设的局部放电模式标准值与预设适应度函数，对初始正则化参数及初始标准化参数进行迭代更新，直至达到最大迭代次数，生成新的正则化参数及新的标准化参数；根据新的正则化参数及新的标准化参数，生成非线性分类器。通过局部放电模式预测值与预设的局部放电模式标准值，对非线性分类器的参数进行更新，提高了对非线性分类器的训练效率，并根据预先训练好的非线性分类器对局部放电模式进行识别，提高了识别的准确性与识别效率。
在一个实施例中，本申请在不同的实验条件下(针板电极、球板电极；标准样品、受潮样品、未充分浸油样品；试验电压为工频)，样品代表油浸纸板，每种实验条件下进行了三组实验，每组实验包含十张局部放电谱图作为训练样本。图8～图10为球板电极三种油浸纸板分别在1.2倍起晕电压下的局部放电谱图；图11～图13为球板电极三种油浸纸板分别在1.5倍起晕电压下的局部放电谱图。左图为PRPD谱图，横轴为相位，纵轴为放电量；右图为TRPD谱图，横轴为时间，纵轴为放电量。
可以看出，球板电极下的局部放电不仅会发生在电压上升沿，也会发生在电压峰值附近，且不存在极性效应。对于标准样品，无论在1.2倍PDIV还是1.5倍PDIV作用下，PRPD谱图中均未出现电压过零点放电现象，TRPD谱图中均出现间歇放电现象，低电压等级下间歇时间长，高电压等级下间歇时间短但频繁。对于受潮样品，PRPD谱图中出现过零点放电，TRPD谱图中出现明显的间歇性局放簇。对于未充分浸油样品，1.2倍PDIV时仅出现低放电量的过零点局放，当电压升高，会出现两类放电，一类为微气隙放电，幅值仍然较低，但逐渐由电压过零点处向全相位蔓延，另一类是楔形油隙放电，出现在电压上升沿，类似于标准样品的放电。
样本训练完成后，对一组目标样本进行模式识别，以球板电极模型为例，识别结果如图14所示，可以得出，基于PRPD谱图的识别率为94.4％，基于等效时频谱图的识别率为83.3％。
应该理解的是，虽然图2-7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-7中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
请参考图15，其示出了本申请实施例提供的一种局部放电模式识别装置1500的框图。如图15所示，该局部放电模式识别装置1500可以包括：获取模块1502、提取模块1504和识别模块1506，其中：
获取模块1502，用于获取所述油浸纸板的局部放电谱图；
提取模块1504，用于提取所述局部放电谱图对应的图像特征；其中，所述图像特征包括所述局部放电谱图的几何特征；
识别模块1506，用于将所述局部放电谱图对应的图像特征，输入至预设神经网络模型中进行学习，识别出所述局部放电谱图对应的局部放电模式。
在一个实施例中，上述提取模块1504包括预处理单元、获取单元和计算单元，其中，预处理单元用于对所述局部放电谱图进行预处理，生成预处理后的局部放电谱图；获取单元用于获取所述预处理后的局部放电谱图上各个像素点的二维坐标，将所述二维坐标转换为极坐标，得到极坐标系下的局部放电谱图；计算单元用于通过小波变换计算所述极坐标系下的局部放电谱图对应的几何特征。
在一个实施例中，上述预处理单元具体用于对所述局部放电谱图进行二值化处理，生成所述局部放电谱图对应的原始二值化图像；获取所述原始二值化图像的重心；基于所述原始二值化图像的重心，将所述原始二值化图像进行投影变换生成新的二值化图像上；所述新的二值化图像的尺寸大于所述原始二值化图像的尺寸。
在一个实施例中，所述几何特征包括几何矩；上述计算单元具体用于获取所述极坐标系下的局部放电谱图上像素点的极坐标；根据所述像素点的极坐标，计算所述极坐标系下的局部放电谱图的几何矩；采用预设的小波基函数对所述几何矩进行小波变换，生成小波变换后的几何矩。
在一个实施例中，上述计算单元还用于获取所述预设的小波基函数的尺度因子集和位移因子集；根据所述尺度因子集和所述位移因子集，生成多个目标小波基函数；通过各所述目标小波基函数对所述几何矩进行小波变换，生成所述小波变换后的几何矩。
在一个实施例中，所述预设神经网络模型为非线性分类器；上述识别模块1506包括生成单元，其中，生成单元用于将所述局部放电谱图对应的图像特征，输入至所述非线性分类器中进行分类，生成所述局部放电谱图对应的局部放电模式。
在一个实施例中，上述局部放电模式识别装置1500还包括初始化模块15015、计算模块1510、更新模块1512和生成模块1514，其中，初始化模块用于初始化粒子群算法的参数；所述参数包括初始正则化参数、初始标准化参数、最大迭代次数；计算模块1510用于根据样本集、所述初始正则化参数及所述初始标准化参数，计算所述初始非线性分类器的局部放电模式预测值；所述样本集包括所述局部放电谱图对应的图像特征；更新模块1512用于基于所述局部放电模式预测值、预设的局部放电模式标准值与预设适应度函数，对所述初始正则化参数及所述初始标准化参数进行迭代更新，直至达到所述最大迭代次数，生成新的正则化参数及新的标准化参数；生成模块1514用于根据所述新的正则化参数及所述新的标准化参数，生成所述非线性分类器。
关于局部放电模式识别装置的具体限定可以参见上文中对于局部放电模式识别方法的限定，在此不再赘述。上述局部放电模式识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块的操作。
在本申请的一个实施例中，提供了一种计算机设备，该计算机设备包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取油浸纸板的局部放电谱图；提取局部放电谱图对应的图像特征；其中，图像特征包括局部放电谱图的几何特征；将局部放电谱图对应的图像特征，输入至预设神经网络模型中进行学习，识别出局部放电谱图对应的局部放电模式。
在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：
对局部放电谱图进行预处理，生成预处理后的局部放电谱图；获取预处理后的局部放电谱图上各个像素点的二维坐标，将二维坐标转换为极坐标，得到极坐标系下的局部放电谱图；通过小波变换计算极坐标系下的局部放电谱图对应的几何特征。
在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：
对局部放电谱图进行二值化处理，生成局部放电谱图对应的原始二值化图像；获取原始二值化图像的重心；基于原始二值化图像的重心，将原始二值化图像进行投影变换生成新的二值化图像上；新的二值化图像的尺寸大于原始二值化图像的尺寸。
在本申请的一个实施例中，几何特征包括几何矩；
处理器执行计算机程序时还实现以下步骤：
获取极坐标系下的局部放电谱图上像素点的极坐标；根据像素点的极坐标，计算极坐标系下的局部放电谱图的几何矩；采用预设的小波基函数对几何矩进行小波变换，生成小波变换后的几何矩。
在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取预设的小波基函数的尺度因子集和位移因子集；根据尺度因子集和位移因子集，生成多个目标小波基函数；通过各目标小波基函数对几何矩进行小波变换，生成小波变换后的几何矩。
在本申请的一个实施例中，预设神经网络模型为非线性分类器；
处理器执行计算机程序时还实现以下步骤：
将局部放电谱图对应的图像特征，输入至非线性分类器中进行分类，生成局部放电谱图对应的局部放电模式。
在本申请的一个实施例中，处理器执行计算机程序时还实现以下步骤：
初始化粒子群算法的参数；参数包括初始正则化参数、初始标准化参数、最大迭代次数；根据样本集、初始正则化参数及初始标准化参数，计算初始非线性分类器的局部放电模式预测值；样本集包括局部放电谱图对应的图像特征；基于局部放电模式预测值、预设的局部放电模式标准值与预设适应度函数，对初始正则化参数及初始标准化参数进行迭代更新，直至达到最大迭代次数，生成新的正则化参数及新的标准化参数；根据新的正则化参数及新的标准化参数，生成非线性分类器。
本申请实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在本申请的一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取油浸纸板的局部放电谱图；提取局部放电谱图对应的图像特征；其中，图像特征包括局部放电谱图的几何特征；将局部放电谱图对应的图像特征，输入至预设神经网络模型中进行学习，识别出局部放电谱图对应的局部放电模式。
在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对局部放电谱图进行预处理，生成预处理后的局部放电谱图；获取预处理后的局部放电谱图上各个像素点的二维坐标，将二维坐标转换为极坐标，得到极坐标系下的局部放电谱图；通过小波变换计算极坐标系下的局部放电谱图对应的几何特征。
在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对局部放电谱图进行二值化处理，生成局部放电谱图对应的原始二值化图像；获取原始二值化图像的重心；基于原始二值化图像的重心，将原始二值化图像进行投影变换生成新的二值化图像上；新的二值化图像的尺寸大于原始二值化图像的尺寸。
在本申请的一个实施例中，几何特征包括几何矩；
计算机程序被处理器执行时还实现以下步骤：
获取极坐标系下的局部放电谱图上像素点的极坐标；根据像素点的极坐标，计算极坐标系下的局部放电谱图的几何矩；采用预设的小波基函数对几何矩进行小波变换，生成小波变换后的几何矩。
在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取预设的小波基函数的尺度因子集和位移因子集；根据尺度因子集和位移因子集，生成多个目标小波基函数；通过各目标小波基函数对几何矩进行小波变换，生成小波变换后的几何矩。
在本申请的一个实施例中，预设神经网络模型为非线性分类器；
计算机程序被处理器执行时还实现以下步骤：
将局部放电谱图对应的图像特征，输入至非线性分类器中进行分类，生成局部放电谱图对应的局部放电模式。
在本申请的一个实施例中，计算机程序被处理器执行时还实现以下步骤：
初始化粒子群算法的参数；参数包括初始正则化参数、初始标准化参数、最大迭代次数；根据样本集、初始正则化参数及初始标准化参数，计算初始非线性分类器的局部放电模式预测值；样本集包括局部放电谱图对应的图像特征；基于局部放电模式预测值、预设的局部放电模式标准值与预设适应度函数，对初始正则化参数及初始标准化参数进行迭代更新，直至达到最大迭代次数，生成新的正则化参数及新的标准化参数；根据新的正则化参数及新的标准化参数，生成非线性分类器。
本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种局部放电模式识别方法，其特征在于，应用于油浸式变压器，所述油浸式变压器包括油浸纸板，所述方法包括：
获取所述油浸纸板的局部放电谱图；
提取所述局部放电谱图对应的图像特征；其中，所述图像特征包括所述局部放电谱图的几何特征；
将所述局部放电谱图对应的图像特征，输入至预设神经网络模型中进行学习，识别出所述局部放电谱图对应的局部放电模式。
2.根据权利要求1所述的方法，其特征在于，所述提取所述局部放电谱图对应的图像特征，包括：
对所述局部放电谱图进行预处理，生成预处理后的局部放电谱图；
获取所述预处理后的局部放电谱图上各个像素点的二维坐标，将所述二维坐标转换为极坐标，得到极坐标系下的局部放电谱图；
通过小波变换计算所述极坐标系下的局部放电谱图对应的几何特征。
3.根据权利要求2所述的方法，其特征在于，所述对所述局部放电谱图进行预处理，生成预处理后的局部放电谱图，包括：
对所述局部放电谱图进行二值化处理，生成所述局部放电谱图对应的原始二值化图像；
获取所述原始二值化图像的重心；
基于所述原始二值化图像的重心，将所述原始二值化图像进行投影变换生成新的二值化图像上；所述新的二值化图像的尺寸大于所述原始二值化图像的尺寸。
4.根据权利要求2或3所述的方法，其特征在于，所述几何特征包括几何矩；所述通过小波变换计算所述极坐标系下的局部放电谱图对应的几何特征，包括：
获取所述极坐标系下的局部放电谱图上像素点的极坐标；
根据所述像素点的极坐标，计算所述极坐标系下的局部放电谱图的几何矩；
采用预设的小波基函数对所述几何矩进行小波变换，生成小波变换后的几何矩。
5.根据权利要求4所述的方法，其特征在于，所述采用预设的小波基函数对所述几何矩进行小波变换，生成小波变换后的几何矩，包括：
获取所述预设的小波基函数的尺度因子集和位移因子集；
根据所述尺度因子集和所述位移因子集，生成多个目标小波基函数；
通过各所述目标小波基函数对所述几何矩进行小波变换，生成所述小波变换后的几何矩。
6.根据权利要求1所述的方法，其特征在于，所述预设神经网络模型为非线性分类器；所述将所述局部放电谱图对应的图像特征，输入至预设神经网络模型中进行学习，识别出所述局部放电谱图对应的局部放电模式，包括：
将所述局部放电谱图对应的图像特征，输入至所述非线性分类器中进行分类，生成所述局部放电谱图对应的局部放电模式。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
初始化粒子群算法的参数；所述参数包括初始正则化参数、初始标准化参数、最大迭代次数；
根据样本集、所述初始正则化参数及所述初始标准化参数，计算所述初始非线性分类器的局部放电模式预测值；所述样本集包括所述局部放电谱图对应的图像特征；
基于所述局部放电模式预测值、预设的局部放电模式标准值与预设适应度函数，对所述初始正则化参数及所述初始标准化参数进行迭代更新，直至达到所述最大迭代次数，生成新的正则化参数及新的标准化参数；
根据所述新的正则化参数及所述新的标准化参数，生成所述非线性分类器。
8.一种局部放电模式识别装置，其特征在于，所述装置包括：
获取模块，用于获取所述油浸纸板的局部放电谱图；
提取模块，用于提取所述局部放电谱图对应的图像特征；其中，所述图像特征包括所述局部放电谱图的几何特征；
识别模块，用于将所述局部放电谱图对应的图像特征，输入至预设神经网络模型中进行学习，识别出所述局部放电谱图对应的局部放电模式。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7任一项所述的方法的步骤。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法的步骤。
CN202110698680.9A 2021-06-23 2021-06-23 局部放电模式识别方法、装置、设备及存储介质 Active CN113269146B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110698680.9A CN113269146B (zh) 2021-06-23 2021-06-23 局部放电模式识别方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110698680.9A CN113269146B (zh) 2021-06-23 2021-06-23 局部放电模式识别方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113269146A true CN113269146A (zh) 2021-08-17
CN113269146B CN113269146B (zh) 2023-04-28

Family

ID=77235791

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110698680.9A Active CN113269146B (zh) 2021-06-23 2021-06-23 局部放电模式识别方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113269146B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120130693A1 (en) * 2009-08-07 2012-05-24 Mehmet Deniz Ertas Methods to Estimate Downhole Drilling Vibration Amplitude From Surface Measurement
CN104808107A (zh) * 2015-04-16 2015-07-29 国家电网公司 一种xlpe电缆局部放电缺陷类型识别方法
CN109063780A (zh) * 2018-08-10 2018-12-21 国网上海市电力公司 基于粒子群优化核近邻传播算法的变压器局部放电识别方法
CN109975665A (zh) * 2019-03-22 2019-07-05 华南理工大学 一种电力设备局部放电信号放电类型识别方法
CN111157864A (zh) * 2020-03-12 2020-05-15 广东电网有限责任公司 一种局部放电超声波信号及图谱识别系统及其方法
US20200249268A1 (en) * 2017-09-20 2020-08-06 Siemens Aktiengesellschaft Method and arrangement for detecting partial discharges in an electric operating means
CN112016516A (zh) * 2020-09-11 2020-12-01 深兰科技（上海）有限公司 掌脉识别方法、掌脉识别装置
CN112686093A (zh) * 2020-12-02 2021-04-20 重庆邮电大学 一种基于ds证据理论的融合局部放电类型识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120130693A1 (en) * 2009-08-07 2012-05-24 Mehmet Deniz Ertas Methods to Estimate Downhole Drilling Vibration Amplitude From Surface Measurement
CN104808107A (zh) * 2015-04-16 2015-07-29 国家电网公司 一种xlpe电缆局部放电缺陷类型识别方法
US20200249268A1 (en) * 2017-09-20 2020-08-06 Siemens Aktiengesellschaft Method and arrangement for detecting partial discharges in an electric operating means
CN109063780A (zh) * 2018-08-10 2018-12-21 国网上海市电力公司 基于粒子群优化核近邻传播算法的变压器局部放电识别方法
CN109975665A (zh) * 2019-03-22 2019-07-05 华南理工大学 一种电力设备局部放电信号放电类型识别方法
CN111157864A (zh) * 2020-03-12 2020-05-15 广东电网有限责任公司 一种局部放电超声波信号及图谱识别系统及其方法
CN112016516A (zh) * 2020-09-11 2020-12-01 深兰科技（上海）有限公司 掌脉识别方法、掌脉识别装置
CN112686093A (zh) * 2020-12-02 2021-04-20 重庆邮电大学 一种基于ds证据理论的融合局部放电类型识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KEYVAN FIRUZI等: "Partial Discharges Pattern Recognition of Transformer Defect Model by LBP & HOG Features", 《IEEE TRANSACTIONS ON POWER DELIVERY》 *
李振恩等: "基于小波包变换的局部放电包络信号模式识别", 《工业仪表与自动化装置》 *

Also Published As

Publication number Publication date
CN113269146B (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
CN111860670B (zh) 域自适应模型训练、图像检测方法、装置、设备及介质
CN109873812B (zh) 异常检测方法、装置及计算机设备
US10878173B2 (en) Object recognition and tagging based on fusion deep learning models
Sarıyanidi et al. Local Zernike Moments: A new representation for face recognition
CN110738236B (zh) 图像匹配方法、装置、计算机设备及存储介质
CN111044570A (zh) 电力设备的缺陷识别及预警方法、装置及计算机设备
CN109886719B (zh) 基于网格的数据挖掘处理方法、装置和计算机设备
CN114254668A (zh) 基于绝缘开关设备放电信号的故障检测方法和装置
CN111062324A (zh) 人脸检测方法、装置、计算机设备和存储介质
Masoumi et al. Shape classification using spectral graph wavelets
Wang et al. Mobile plant leaf identification using smart-phones
CN113447771A (zh) 一种基于sift-lda特征的局部放电模式识别方法
Zhao et al. Image quality assessment based on complementary local feature extraction and quantification
CN112464876A (zh) 电力设备的故障诊断方法、装置、计算机设备和存储介质
Shan et al. Study on a poisson's equation solver based on deep learning technique
JP2017129990A (ja) 画像認識装置、画像認識方法、及び画像認識プログラム
CN113592030B (zh) 基于复值奇异谱分析的图像检索方法和系统
CN113269146B (zh) 局部放电模式识别方法、装置、设备及存储介质
CN111382767B (zh) 电力线点识别方法、装置、设备、计算机设备和存储介质
Thakare et al. A combined feature extraction model using SIFT and LBP for offline signature verification system
Lazzaretti et al. New trends in power quality event analysis: novelty detection and unsupervised classification
Le et al. Multiple distribution data description learning method for novelty detection
CN115471705A (zh) 一种探地雷达的输电线路走廊隐性病害识别方法
Raghuwanshi et al. A novel technique for content based image retrieval based on region-weight assignment
Di Ruberto Histogram of Radon transform and texton matrix for texture analysis and classification

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