CN113341283A - 一种变压器套管局部放电模式识别方法 - Google Patents
一种变压器套管局部放电模式识别方法 Download PDFInfo
- Publication number
- CN113341283A CN113341283A CN202110628661.9A CN202110628661A CN113341283A CN 113341283 A CN113341283 A CN 113341283A CN 202110628661 A CN202110628661 A CN 202110628661A CN 113341283 A CN113341283 A CN 113341283A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- discharge
- svm
- sigma
- signal
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 241000282461 Canis lupus Species 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 13
- 239000000725 suspension Substances 0.000 claims description 9
- 238000003909 pattern recognition Methods 0.000 claims description 7
- 238000012567 pattern recognition method Methods 0.000 claims description 7
- 230000001629 suppression Effects 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 229910052573 porcelain Inorganic materials 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000012706 support-vector machine Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 10
- 230000007547 defect Effects 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 102100025142 Beta-microseminoprotein Human genes 0.000 description 1
- 101000576812 Homo sapiens Beta-microseminoprotein Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
-
- 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
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开一种变压器套管局部放电模式识别方法,本方法基于改进灰狼算法优化支持向量机,然后优化的支持向量机模型BGWO‑SVM进行放电模式识别。该方法可将四类故障判别准确率均提高至百分之九十以上,在工程应用中,该算法对小样本的识别精准度要高于传统支持向量机方法或BP神经网络法,且学习时间短,识别精度高,达到了小样本局部放电模式精准识别的目的。
Description
技术领域
本发明涉及变压器在线监测领域,具体涉及一种变压器套管局部放电模式识别方法。
背景技术
局部放电会对变压器的绝缘产生不同程度的影响,严重时会导致绝缘介质击穿、设备故障。变压器套管局部放电主要有套管顶部悬浮、末屏引线接触不良、下部均压环悬浮和下瓷套沿面放电4种常见缺陷。目前,局部放电模式的识别方法一般有统计模式识别、模糊模式识别和人工神经网络法,各类局部放电检测方法多通过局部放电相位分布(PRPD)、脉冲序列相位分布(PRPS)谱图、放电次数、幅值分布等特征量来进行局部放电展示和模式判断。BP神经网络法被广泛应用于局部放电模式识别领域,但该方法存在样本需求量大、训练周期长、易陷入局部最小等缺点。统计识别和模糊识别存在小样本识别准确度低的问题,工程应用常出现误报漏报现象。
发明内容
本发明要解决的技术问题是提供一种变压器套管放电模式识别方法,能够提高局部放电模式识别准确率,适用于小样本的精准识别,适合工程应用。
为了解决所述技术问题,本发明采样的技术方案是:一种变压器套管局部放电模式识别方法,包括以下步骤:
S01)、获取局部放电原始信号,进行信号干扰抑制处理,消除原始信号中的干扰和噪声;
S02)、对特定工频周期内的原始信号进行参数计算,得到局部放电最大放电量相位分布平均放电量相位分布放电次数相位分布及局部放电幅值分布Hn(q)的二维图谱,提取上述四个二维图谱的特征参数,特征参数作为放电特征量,用于模式识别判断;
S03)、将提取的特征参数进行归一化处理,消除特征参数间量纲差异;
S04)、将步骤S03处理后的数据送入SVM分类器,采用基于置信度评估法进行样本标注和判断,按一定比例挑选最优价值样本进行分类器训练,剩余样本放入测试样本集;
S05)、使用改进的灰狼优化算法进行SVM模型的参数优化,SVM根据初始的C和σ进行样本训练,以错误率最小化为目标,使用EGWO寻优算法对SVM分类器的C 和σ进行优化,优化目标函数f(x)即为局放模式预测值,达到最大允许迭代次数即输出EGWO的全局最优值,然后使用最优C和σ值构建EGWO-SVM预测模型,进行局部放电信号的模式识别匹配;C为SVM分类器惩罚因子,σ为SVM分类器的核函数宽度参数;
S06)、使用训练完的EGWO-SVM预测模型对测试样本集进行测试,完成放电模式识别。
进一步的,EGWO-SVM预测模型的构建过程为:
S51)、划分SVM的训练样本集和测试样本集;
S52)、初始化灰狼群数量、迭代次数及种群动态进化算子,初始化SVM分类器惩罚因子C,使用径向基函数作为分类器的核函数,设置核函数宽度参数σ的取值范围;
S53)、随机产生灰狼群个体分布,每个灰狼群个体位置向量包括C和σ;狼群所在位置为潜在解向量,猎物所在位置为全局最优解向量,通过有限次迭代优化获得潜在最优解向量作为全局最优解向量;
S54)、SVM根据初始的C和σ,对训练样本集进行学习,并计算每个灰狼适应度值Fg;
S55)、根据适应度划分灰狼群的α、β、δ、ω四个等级;
S56)、根据群动态进化算子更新灰狼群α、β、δ附近的劣势个体;
S57)、计算灰狼个体新位置适应度值Fg,与上一次迭代最优适应度值Fg比较,若优于上一次适应度值,则使用本适应度值替代群体最优适应度值,并用该灰狼个体位置代替Fg;否则保留原适应度值Fg;
S58)、若迭代次数超出最大允许迭代次数,训练结束,输出全局最优位置,其对应的C和σ即为SVM中C和σ的最优值;否则执行步骤S05至S07继续进行参数优化;
进一步的,对局部放电原始信号的干扰抑制处理为:采用平移不变小波迹法进行信号消噪处理,将原始信号经过小波分析得到尺度系数,再进行阈值处理和小波重构,去除混杂在局部放电信号中的干扰信号,采用循环平移方法对信号进行二次处理,消除随机振荡引入的噪声信号。
进一步的,步骤S02提取的特征参数包括偏斜度Sk、陡峭度Ku、局部峰个数Pe、中位中值M、放电量因数Q、相位不对称度Φ、互相关系数CC,步骤 S06识别出的放电模式故障包括套管顶部悬浮、末屏引线接触不良、下部均压环悬浮和下瓷套沿面放电。
进一步的,采用基于罗氏线圈原理的高频脉冲电流传感器,利用磁耦合方式测量套管末屏接地线的脉冲电流信号,脉冲电流信号就是步骤S01采集的局部放电原始信号。
进一步的,进行步骤S01之前,向变压器套管施加尖端放电、悬浮放电、沿面放电或者干扰信号,然后再获取局部放电原始信号。
进一步的,步骤S02中,对50~2000个工频周期新的信号进行参数计算。
本发明的有益效果:本发明提供了一种改进灰狼算法优化支持向量机 (BGWO-SVM)的局部放电模式识别方法,该方法可将四类故障判别准确率均提高至百分之九十以上,在工程应用中,该算法对小样本的识别精准度要高于传统支持向量机(SVM)方法或BP神经网络法,且学习时间短,识别精度高,达到了小样本局部放电模式精准识别的目的。
附图说明
图1为局部放电模式识别流程图;
图2为工程应用系统示意图;
图中:1、变压器套管,2、变压器,3、监测单元,4、局放监测系统。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1
本实施例公开一种变压器套管局部放电模式识别方式,本方法设计局放原始信号的干扰抑制和特征提取方法,并采用BGWO-SVM建立局部放电7种特征参数与四种放电模式之间的关系,选择适当采样函数挑选对SVM分类器最优价值的样本进行训练,达到匹配放电类型确认设备故障的目的。如图1所示,模式识别实现步骤如下:
S01)、获取局部放电原始信号,进行信号干扰抑制处理,采用平移不变小波迹法进行信号消噪处理,将原始信号经过小波分析得到尺度系数,再进行阈值处理和小波重构,去除混杂在局部放电信号中的干扰信号,采用循环平移方法对信号进行二次处理,消除随机振荡引入的噪声信号。
S02)、对特定工频周期内的原始信号进行参数计算,得到局部放电最大放电量相位分布平均放电量相位分布放电次数相位分布及局部放电幅值分布Hn(q)的二维图谱,提取上述四个二维图谱的特征参数,特征参数作为放电特征量,用于模式识别判断;
S03)、将提取的特征参数进行归一化处理,消除特征参数间量纲差异;
S04)、将步骤S03处理后的数据送入SVM分类器,采用基于置信度评估法进行样本标注和判断,按一定比例挑选最优价值样本进行分类器训练,剩余样本放入测试样本集;
S05)、使用改进的灰狼优化算法进行SVM模型的参数优化,SVM根据初始的 C和σ进行样本训练,以错误率最小化为目标,使用EGWO寻优算法对SVM分类器的C和σ进行优化,优化目标函数f(x)即为局放模式预测值,达到最大允许迭代次数即输出EGWO的全局最优值,然后使用最优C和σ值构建EGWO-SVM预测模型,进行局部放电信号的模式识别匹配;C为SVM分类器惩罚因子,σ为SVM 分类器的核函数宽度参数;
EGWO-SVM预测模型的构建过程为:
S51)、划分SVM的训练样本集和测试样本集;
S52)、初始化灰狼群数量、迭代次数及种群动态进化算子,初始化SVM分类器惩罚因子C,使用径向基函数作为分类器的核函数,设置核函数宽度参数σ的取值范围;
S53)、随机产生灰狼群个体分布,每个灰狼群个体位置向量包括C和σ;狼群所在位置为潜在解向量,猎物所在位置为全局最优解向量,通过有限次迭代优化获得潜在最优解向量作为全局最优解向量;
S54)、SVM根据初始的C和σ,对训练样本集进行学习,并计算每个灰狼适应度值Fg;
S55)、根据适应度划分灰狼群的α、β、δ、ω四个等级;
S56)、根据群动态进化算子更新灰狼群α、β、δ附近的劣势个体;
S57)、计算灰狼个体新位置适应度值Fg,与上一次迭代最优适应度值Fg比较,若优于上一次适应度值,则使用本适应度值替代群体最优适应度值,并用该灰狼个体位置代替Fg;否则保留原适应度值Fg;
S58)、若迭代次数超出最大允许迭代次数,训练结束,输出全局最优位置,其对应的C和σ即为SVM中C和σ的最优值;否则执行步骤S05至S07继续进行参数优化;
S06)、使用训练完的EGWO-SVM预测模型对测试样本集进行测试,完成放电模式识别。
本实施例中,步骤S02提取的特征参数包括偏斜度Sk、陡峭度Ku、局部峰个数Pe、中位中值M、放电量因数Q、相位不对称度Φ、互相关系数CC,步骤S06识别出的放电模式故障包括套管顶部悬浮、末屏引线接触不良、下部均压环悬浮和下瓷套沿面放电。
本实施例中采用基于罗氏线圈原理的高频脉冲电流传感器,利用磁耦合方式测量套管末屏接地线的脉冲电流信号,脉冲电流信号就是步骤S01采集的局部放电原始信号。
本实施例所需试验数据由110kV变压器套管施加尖端放电、悬浮放电、沿面放电、干扰信号等类型,进行数据采集和测试。即在进行步骤S01之前,向变压器套管施加尖端放电、悬浮放电、沿面放电或者干扰信号,然后再获取局部放电原始信号。
本实施例中,对1000个工频周期新的信号进行参数计算,在其他实施例中,工频周期范围为50~2000。
如图2所示,本实施例所述方法应用于变压器套管局部放电模式识别在线监测系统。在线监测系统包括变压器套管1、变压器2、传感单元、监测单元3和上位机局放监测系统4。
传感信号获取采用基于罗氏线圈原理的高频脉冲电流传感器,采用磁耦合方式测量套管末屏接地线的脉冲电流信号。监测单元3具备信号采集、滤波及处理等功能,通过网口输出数字信号至上位机。局部放电监测系统4具备数据采集、存储、处理、显示及故障识别等功能,其中,局部放电模式识别算法集成于上位机局放监测系统4中,算法实现步骤按照上述步骤实施。
以上描述的仅是本发明的基本原理和优选实施例,本领域技术人员根据本发明做出的改进和替换,属于本发明的保护范围。
Claims (7)
1.一种变压器套管局部放电模式识别方法,其特征在于:包括以下步骤:
S01)、获取局部放电原始信号,进行信号干扰抑制处理,消除原始信号中的干扰和噪声;
S02)、对特定工频周期内的原始信号进行参数计算,得到局部放电最大放电量相位分布平均放电量相位分布放电次数相位分布及局部放电幅值分布Hn(q)的二维图谱,提取上述四个二维图谱的特征参数,特征参数作为放电特征量,用于模式识别判断;
S03)、将提取的特征参数进行归一化处理,消除特征参数间量纲差异;
S04)、将步骤S03处理后的数据送入SVM分类器,采用基于置信度评估法进行样本标注和判断,按一定比例挑选最优价值样本进行分类器训练,剩余样本放入测试样本集;
S05)、使用改进的灰狼优化算法进行SVM模型的参数优化,SVM根据初始的C和σ进行样本训练,以错误率最小化为目标,使用EGWO寻优算法对SVM分类器的C和σ进行优化,优化目标函数f(x)即为局放模式预测值,达到最大允许迭代次数即输出EGWO的全局最优值,然后使用最优C和σ值构建EGWO-SVM预测模型,进行局部放电信号的模式识别匹配;C为SVM分类器惩罚因子,σ为SVM分类器的核函数宽度参数;
S06)、使用训练完的EGWO-SVM预测模型对测试样本集进行测试,完成放电模式识别。
2.根据权利要求1所述的变压器套管局部放电模式识别方法,其特征在于:EGWO-SVM预测模型的构建过程为:
S51)、划分SVM的训练样本集和测试样本集;
S52)、初始化灰狼群数量、迭代次数及种群动态进化算子,初始化SVM分类器惩罚因子C,使用径向基函数作为分类器的核函数,设置核函数宽度参数σ的取值范围;
S53)、随机产生灰狼群个体分布,每个灰狼群个体位置向量包括C和σ,狼群所在位置为潜在解向量,猎物所在位置为全局最优解向量,通过有限次迭代优化获得潜在最优解向量作为全局最优解向量;
S54)、SVM根据初始的C和σ,对训练样本集进行学习,并计算每个灰狼适应度值Fg;
S55)、根据适应度划分灰狼群的α、β、δ、ω四个等级;
S56)、根据群动态进化算子更新灰狼群α、β、δ附近的劣势个体;
S57)、计算灰狼个体新位置适应度值Fg,与上一次迭代最优适应度值Fg比较,若优于上一次适应度值,则使用本适应度值替代群体最优适应度值,并用该灰狼个体位置代替Fg;否则保留原适应度值Fg;
S58)、若迭代次数超出最大允许迭代次数,训练结束,输出全局最优位置,其对应的C和σ即为SVM中C和σ的最优值;否则执行步骤S05至S07继续进行参数优化;
本集进行预测,并对结果进行分析,其中ai、ai *为拉格朗日乘子,K(xi,x)为SVM分类器的核函数,b为预先设置的偏置向量。
3.根据权利要求1所述的变压器套管局部放电模式识别方法,其特征在于:对局部放电原始信号的干扰抑制处理为:采用平移不变小波迹法进行信号消噪处理,将原始信号经过小波分析得到尺度系数,再进行阈值处理和小波重构,去除混杂在局部放电信号中的干扰信号,采用循环平移方法对信号进行二次处理,消除随机振荡引入的噪声信号。
4.根据权利要求1所述的变压器套管局部放电模式识别方法,其特征在于:步骤S02提取的特征参数包括偏斜度Sk、陡峭度Ku、局部峰个数Pe、中位中值M、放电量因数Q、相位不对称度Φ、互相关系数CC,步骤S06识别出的放电模式故障包括套管顶部悬浮、末屏引线接触不良、下部均压环悬浮和下瓷套沿面放电。
5.根据权利要求1所述的变压器套管局部放电模式识别方法,其特征在于:采用基于罗氏线圈原理的高频脉冲电流传感器,利用磁耦合方式测量套管末屏接地线的脉冲电流信号,脉冲电流信号就是步骤S01采集的局部放电原始信号。
6.根据权利要求1所述的变压器套管局部放电模式识别方法,其特征在于:进行步骤S01之前,向变压器套管施加尖端放电、悬浮放电、沿面放电或者干扰信号,然后再获取局部放电原始信号。
7.根据权利要求1所述的变压器套管局部放电模式识别方法,其特征在于:步骤S02中,对50~2000个工频周期新的信号进行参数计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110628661.9A CN113341283A (zh) | 2021-06-04 | 2021-06-04 | 一种变压器套管局部放电模式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110628661.9A CN113341283A (zh) | 2021-06-04 | 2021-06-04 | 一种变压器套管局部放电模式识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113341283A true CN113341283A (zh) | 2021-09-03 |
Family
ID=77474275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110628661.9A Pending CN113341283A (zh) | 2021-06-04 | 2021-06-04 | 一种变压器套管局部放电模式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113341283A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114035007A (zh) * | 2021-11-22 | 2022-02-11 | 国家电网有限公司 | 一种非接触式变压器套管局部放电检测系统 |
CN115081483A (zh) * | 2022-07-01 | 2022-09-20 | 淮阴工学院 | 基于特征选择和gwo-bp的水轮发电机转子故障诊断方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103076547A (zh) * | 2013-01-24 | 2013-05-01 | 安徽省电力公司亳州供电公司 | 基于支持向量机的gis局部放电故障类型模式识别方法 |
CN103336226A (zh) * | 2013-05-08 | 2013-10-02 | 清华大学 | 一种气体绝缘变电站中多种局部放电源类型的辨识方法 |
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 |
CN105606966A (zh) * | 2015-12-21 | 2016-05-25 | 安徽理工大学 | 基于混合神经网络算法的局部放电模式识别方法 |
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 |
CN109085469A (zh) * | 2018-07-31 | 2018-12-25 | 中国电力科学研究院有限公司 | 一种用于识别电缆局部放电信号的信号类型的方法及系统 |
CN111967670A (zh) * | 2020-08-18 | 2020-11-20 | 浙江中新电力工程建设有限公司 | 一种基于改进灰狼算法的开关柜局放数据识别方法 |
CN112834878A (zh) * | 2021-01-05 | 2021-05-25 | 国网浙江省电力有限公司电力科学研究院 | 一种变压器局部放电的缺陷类型识别方法及系统 |
-
2021
- 2021-06-04 CN CN202110628661.9A patent/CN113341283A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103076547A (zh) * | 2013-01-24 | 2013-05-01 | 安徽省电力公司亳州供电公司 | 基于支持向量机的gis局部放电故障类型模式识别方法 |
CN103336226A (zh) * | 2013-05-08 | 2013-10-02 | 清华大学 | 一种气体绝缘变电站中多种局部放电源类型的辨识方法 |
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 |
CN105606966A (zh) * | 2015-12-21 | 2016-05-25 | 安徽理工大学 | 基于混合神经网络算法的局部放电模式识别方法 |
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 |
CN109085469A (zh) * | 2018-07-31 | 2018-12-25 | 中国电力科学研究院有限公司 | 一种用于识别电缆局部放电信号的信号类型的方法及系统 |
CN111967670A (zh) * | 2020-08-18 | 2020-11-20 | 浙江中新电力工程建设有限公司 | 一种基于改进灰狼算法的开关柜局放数据识别方法 |
CN112834878A (zh) * | 2021-01-05 | 2021-05-25 | 国网浙江省电力有限公司电力科学研究院 | 一种变压器局部放电的缺陷类型识别方法及系统 |
Non-Patent Citations (2)
Title |
---|
尚海昆: "电力变压器局部放电信号的特征提取与模式识别方法研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 * |
王辉东等: "基于EMD分解和GWO-SVM的开关柜局放信号识别", 《自动化博览》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114035007A (zh) * | 2021-11-22 | 2022-02-11 | 国家电网有限公司 | 一种非接触式变压器套管局部放电检测系统 |
CN115081483A (zh) * | 2022-07-01 | 2022-09-20 | 淮阴工学院 | 基于特征选择和gwo-bp的水轮发电机转子故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113341283A (zh) | 一种变压器套管局部放电模式识别方法 | |
CN112255538A (zh) | 一种多特征优化融合的高压断路器故障诊断方法 | |
CN109164362B (zh) | 一种直流电缆局部放电缺陷故障的识别方法及系统 | |
CN109255395B (zh) | 一种滚珠丝杠副的寿命预测方法 | |
CN112731260B (zh) | 基于概念漂移识别的电压互感器误差状态在线评估方法 | |
CN109239553B (zh) | 一种基于局部放电脉冲局部密度的聚类方法 | |
CN113325277A (zh) | 一种局部放电处理方法 | |
CN110568082A (zh) | 一种基于声发射信号的缆索断丝的判别方法 | |
CN113805018A (zh) | 一种配电网10kV电缆局部放电故障类型智能识别方法 | |
CN111753877B (zh) | 一种基于深度神经网络迁移学习的产品质量检测方法 | |
CN109490776B (zh) | 一种基于机器学习的手机振动马达良次品检测方法 | |
CN114397569A (zh) | 基于vmd参数优化、样本熵的断路器故障电弧检测方法 | |
CN113391244A (zh) | 一种基于vmd的变压器合闸振动信号特征频率计算方法 | |
CN117150244A (zh) | 基于电参数分析的智能配电柜状态监测方法及系统 | |
CN116484184A (zh) | 一种电力设备局部放电缺陷样本增强方法及装置 | |
CN116466408A (zh) | 一种基于航磁数据的人工神经网络超基性岩识别方法 | |
CN116361695A (zh) | 异常数据检测方法以及装置 | |
CN115239971A (zh) | Gis局部放电类型识别模型训练方法、识别方法及系统 | |
CN113408805A (zh) | 一种雷电地闪识别方法、装置、设备及可读存储介质 | |
CN114545167B (zh) | 一种基于t-SNE算法的电缆终端局放脉冲分类方法 | |
CN117786521B (zh) | 基于智能频谱感知的信号分类方法 | |
CN116626454B (zh) | 基于修正时频聚类的油纸绝缘uhf局放信号抗干扰识别及定位方法、装置 | |
CN111308281A (zh) | 一种局部放电脉冲提取方法 | |
CN110749650B (zh) | 基于支持向量机的锚杆锚固密实度等级评定方法 | |
CN117909769B (zh) | 一种果蔬加工过程中含水量检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210903 |