CN114065815A - 基于eemd与神经网络的变压器局部放电识别方法及系统 - Google Patents

基于eemd与神经网络的变压器局部放电识别方法及系统 Download PDF

Info

Publication number
CN114065815A
CN114065815A CN202111362144.8A CN202111362144A CN114065815A CN 114065815 A CN114065815 A CN 114065815A CN 202111362144 A CN202111362144 A CN 202111362144A CN 114065815 A CN114065815 A CN 114065815A
Authority
CN
China
Prior art keywords
partial discharge
neural network
transformer
frequency
eemd
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
Application number
CN202111362144.8A
Other languages
English (en)
Inventor
刘萌
辜超
朱文兵
崔其会
杨祎
林颖
郑文杰
秦佳峰
朱庆东
王建
张峰达
李壮壮
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.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
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 State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202111362144.8A priority Critical patent/CN114065815A/zh
Publication of CN114065815A publication Critical patent/CN114065815A/zh
Pending legal-status Critical Current

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
    • G06F2218/02—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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本公开提供了提供了一种基于EEMD与神经网络的变压器局部放电识别方法及系统，包括：获取变压器高频局放信号，并进行相应预处理；利用集合经验模态分解方法，对高频局放信号进行初始特征提取；基于预先训练的神经网络模型及提取的初始特征，获得局部放电识别结果；其中，所述神经网络模型采用卷积神经网络与长短时记忆网络的结合，通过所述卷积神经网络从初始特征中提取局部局放特征，并通过所述长短时记忆网络从局部局放特征中提取整体局放特征。所述方案通过集合经验模态分解方法获取变压器局放高频信号主要特征，并将特征送入到CNN‑LSTM中进行学习，解决了传统深度学习方法依赖大量数据，准确度低，泛化能力不足的问题，提高了局放识别的准确性。

Description

基于EEMD与神经网络的变压器局部放电识别方法及系统
技术领域
本公开属于局部放电识别技术领域，尤其涉及一种基于EEMD与神经网络的变压器局部放电识别方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
局部放电是表征变压器状态的重要参量，目前变压器高频局部放电常用的诊断识别主要是利用高频信号的统计特征，主要有PRPS(Phase Resolved Pluse Sequence)、PRPD(Phase Resolved Partial Discharge)和等效时频图谱等，由于需要进行多次放电统计，对放电次数较少的低能放电信息较少，同时由于局放是动态发展过程，不同劣化程度统计特征也有差异，因此利用高频局放图谱进行诊断识别有局限性。时域信号包含局放最丰富的信息，因此本方法直接对高频局放时域信号进行分析诊断。
发明人发现，目前常用的识别方法主要有：小波分析法、SVD(Singular ValueDecomposition)、EMD(Empirical Mode Decomposition)、支持向量机以及深度学习方法等。其中，单纯地小波分析与SVD等算法，依赖于先验的基函数或人工经验，EMD算法可以实现对信号的自适应时频分析，但也会有模态混叠的问题；随着人工智能的发展，机器学习在局放诊断识别领域成为研究热点，对于支持向量机和深度学习等机器学习方法，在大量训练数据的支持下能得到令人满意的结果，但在变压器局放等数据量较少的情况下，识别准确率低，泛化能力差。
发明内容
本公开为了解决上述问题，提供了一种基于EEMD与神经网络的变压器局部放电识别方法及系统，所述方案通过集合经验模态分解方法获取变压器局放高频信号主要特征，并将特征送入到CNN-LSTM中进行学习，解决了传统深度学习方法依赖大量数据，准确度低，泛化能力不足的问题，有效提高了变压器局放诊断识别的准确性。
根据本公开实施例的第一个方面，提供了一种基于EEMD与神经网络的变压器局部放电识别方法，包括：
获取变压器高频局放信号，并进行相应预处理；
利用集合经验模态分解方法，对预处理后的高频局放信号进行初始特征提取；
基于预先训练的神经网络模型及提取的初始特征，获得局部放电识别结果；其中，所述神经网络模型采用卷积神经网络与长短时记忆网络的结合，通过所述卷积神经网络从初始特征中提取局部局放特征，并通过所述长短时记忆网络从局部局放特征中提取整体局放特征。
进一步的，所述对预处理后的高频局放信号进行初始特征提取，通过集合经验模态分解方法对预处理后的高频局放信号进行分解，选择高频局放信号的前3阶本征模态分量进行拼接，作为其初始特征。
进一步的，所述利用集合经验模态分解方法，分解过程包括：
步骤(1)：在高频局放信号中加入正态分布的白噪声；
步骤(2)：对加入白噪声的信号进行经验模态分解，获得若干本征模函数分量；
步骤(3)：重复预设次数的步骤(1)至(2)，每次加入重新生成的白噪声序列；
步骤(4)：将每次获得的本征模函数分量进行总体平均验算。
进一步的，所述预处理操作具体为：对获取的变压器高频局放信号进行小波分解，获得低频分量和高频分量；通过阈值处理去除高频分量中的噪声，并将处理后的高频分量与低频分量进行重构。
进一步的，所述获取变压器高频局放信号，具体采用高频电流互感器进行变压器局放信号的检测。
根据本公开实施例的第二个方面，提供了一种基于EEMD与神经网络的变压器局部放电识别系统，包括：
数据获取单元，其用于获取变压器高频局放信号，并进行相应预处理；
初始特征提取单元，其用于利用集合经验模态分解方法，对预处理后的高频局放信号进行初始特征提取；
局部放电识别单元，其用于基于预先训练的神经网络模型及提取的初始特征，获得局部放电识别结果；其中，所述神经网络模型采用卷积神经网络与长短时记忆网络的结合，通过所述卷积神经网络从初始特征中提取局部局放特征，并通过所述长短时记忆网络从局部局放特征中提取整体局放特征。
根据本公开实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的一种基于EEMD与神经网络的变压器局部放电识别方法。
根据本公开实施例的第四个方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的一种基于EEMD与神经网络的变压器局部放电识别方法。
与现有技术相比，本公开的有益效果是：
本公开提供了一种基于EEMD(Ensemble Empirical Mode Decomposition，即集合经验模态分解)与神经网络的变压器局部放电识别方法及系统，所述方案采用EEMD与CNN-LSTM联合方法进行变压器高频局放诊断识别，在检测过程中，首先通过小波变换对高频信号进行去噪，在通过EEMD方法获取高频信号主要特征，并将特征送入到CNN-LSTM进行学习，解决了传统深度学习方法依赖大量数据，准确度低，泛化能力不足的问题，大大提高了变压器局放诊断识别的准确性。对变压器高频局放在线检测数据进行自动检测识别，大大降低了作业人员的劳动强度和安全风险。
本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例一中所述的基于EEMD与神经网络的变压器局部放电识别方法流程图；
图2为本公开实施例一中所述的卷积神经网络结构示意图；
图3为本公开实施例一中所述的长短时记忆网络结构示意图。
具体实施方式
下面结合附图与实施例对本公开做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例一：
本实施例的目的是提供一种基于EEMD与神经网络的变压器局部放电识别方法。
一种基于EEMD与神经网络的变压器局部放电识别方法，包括：
获取变压器高频局放信号，并进行相应预处理；
利用集合经验模态分解方法，对预处理后的高频局放信号进行初始特征提取；
基于预先训练的神经网络模型及提取的初始特征，获得局部放电识别结果；其中，所述神经网络模型采用卷积神经网络与长短时记忆网络的结合，通过所述卷积神经网络从初始特征中提取局部局放特征，并通过所述长短时记忆网络从局部局放特征中提取整体局放特征。
具体的，为了便于理解，以下结合附图对本公开所述方案进行详细说明：
本公开所述方案的主要构思为：通过利用高频电流互感器(HighFrequencycircuit transformer，HFCT)进行变压器局放信号检测，采用小波变换(Wavelet)去噪、集合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)与卷积神经网络(Convolutional Neural Networks,CNN)与长短期记忆网络(Long short-term memory，LSTM)原理(以下称之为CNN-LSTM)进行局放特征提取与识别的方法，提高局部放电故障类型的分类效果，实现局部放电故障的自动诊断和准确识别。如图1所示，一种基于EEMD与神经网络的变压器局部放电识别方法，包括：
步骤1：利用高频电流互感器进行变压器局放信号检测，获得变压器高频局放信号；
步骤2：数据预处理，对变压器高频局放信号进行小波变换去噪；
其中，所述步骤2具体包括：
(1)利用具有正交性和紧支撑性的Daubechies5小波，对接收变压器高频局放信号进行一次小波分解，获得低频分量和高频分量；
(2)对其中的高频分量进行阈值处理(即去除超出预设阈值范围的高频分量)，将处理后的低频和高频分量进行重构；很明显，重构后的信号消除了波动和噪声影响，并保持了信号原有基本波形不变。
步骤3：初始特征提取，对变压器高频局放数据进行EEMD分解；
其中，所述步骤3具体包括：
(1)将正态分布的白噪声w(i)加到原始信号s(i):
x(i)＝s(i)+w(i)
(2)将加入白噪声的信号作为一个整体，然后进行EMD分解，得到各IMF分量；其中，所述EMD分解具体包括：
1)得到x(i)的极值(最大值与最小值)；
2)使用三次样条插值获取上下包络：emin(i)和emax(i)；
3)计算局部平均值：
R(i)＝(emin(i)+emax(i))/2
4)从原始信号中减去局部平均值
h1(i)＝x(i)-R(i)
5)根据标准差sd＝(0.2，0.3)判断是否为本征模函数(Intrinsic ModeFunctions，IMF)，如果不是，则用h(i)代替x(i)，重复以上步骤，直到满足标准差要求，则h(i)就是需要提取的IMF。
(3)重复步骤1和2，每次加入新的正态分布白噪声序列；
(4)将每次得到的IMF做集成平均处理后作为最终结果。
IMFavg(i)＝1/N(h1(i)+h2(i)+…+hN(i))
将高频局放信号的前3阶本征模态分量进行拼接合并，输入CNN网络。
如图2所示，为本实施例中采用的卷积神经网络结构示意图，所述卷积神经网络包括若干组(本实施例中设置为2组)顺序连接的卷积层、池化层及归一化层，最后经扁平层输出局部局放特征。假设其输入为x(即初始特征)，则输入第一层卷积层，池化层与归一化层后的输出为：
out(c1)＝LRN(pooling(ReLu(conv(x，kernel(c1))+b(c1))))
然后连接第二组卷积层、池化层和局部归一化层，则输出可以表示为：
out(c2)＝Flatten(LRN(pooling(ReLu(conv(out(c1)，kernel(c1))+b(c1)))))
然后输入到LSTM网络。
如图3所示，所述LSTM网络设置如下：
其输入为xt，则Ct＝ft×Ct-1+it×C’t
其中，ft为遗忘门：ft＝sigmoid(wf■[ht-1,xt]+bf)，it为输入门：it＝sigmoid(wi■[ht-1,xt]+bi)，
C’t为单元状态更新值计算方式：C’t＝tanh(wc■[ht-1,xt]+bC)，输出门ot＝sigmoid(wo[ht-1,xt]+bo)，最终输出ht＝ot*tanh(Ct)。
进一步的，所述LSTM网络的反向传播算法：
(1)前向计算每个神经元的输出值；
(2)反向计算每个神经元的误差项值；
(3)根据相应的误差项，计算每个权重的更新梯度。
原始高频局放信号预先经过小波变换去噪，经过EEMD方法提取特征，并在CNN-LSTM网络中进行训练，得到基于EEMD和CNN-LSTM的变压器高频局放识别模块。
进一步的，所述CNN-LSTM的训练具体为：预先获取历史数据中标记有是否发生局部放电的变压器高频局放数据的初始特征样本，构建训练集；利用所述训练集对CNN-LSTM网络进行训练，获得训练好的CNN-LSTM识别模型。
实施例二：
本实施例的目的是提供一种基于EEMD与神经网络的变压器局部放电识别系统。
一种基于EEMD与神经网络的变压器局部放电识别系统，包括：
数据获取单元，其用于获取变压器高频局放信号，并进行相应预处理；
初始特征提取单元，其用于利用集合经验模态分解方法，对预处理后的高频局放信号进行初始特征提取；
局部放电识别单元，其用于基于预先训练的神经网络模型及提取的初始特征，获得局部放电识别结果；其中，所述神经网络模型采用卷积神经网络与长短时记忆网络的结合，通过所述卷积神经网络从初始特征中提取局部局放特征，并通过所述长短时记忆网络从局部局放特征中提取整体局放特征。
在更多实施例中，还提供：
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例一中所述的方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一中所述的方法。
实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
上述实施例提供的一种基于EEMD与神经网络的变压器局部放电识别方法及系统可以实现，具有广阔的应用前景。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.基于EEMD与神经网络的变压器局部放电识别方法，其特征在于，包括：
获取变压器高频局放信号，并进行相应预处理；
利用集合经验模态分解方法，对预处理后的高频局放信号进行初始特征提取；
基于预先训练的神经网络模型及提取的初始特征，获得局部放电识别结果；其中，所述神经网络模型采用卷积神经网络与长短时记忆网络的结合，通过所述卷积神经网络从初始特征中提取局部局放特征，并通过所述长短时记忆网络从局部局放特征中提取整体局放特征。
2.如权利要求1所述的基于EEMD与神经网络的变压器局部放电识别方法，其特征在于，所述对预处理后的高频局放信号进行初始特征提取，通过集合经验模态分解方法对预处理后的高频局放信号进行分解，选择高频局放信号的前3阶本征模态分量进行拼接，作为其初始特征。
3.如权利要求1所述的基于EEMD与神经网络的变压器局部放电识别方法，其特征在于，所述利用集合经验模态分解方法，分解过程包括：
步骤(1)：在高频局放信号中加入正态分布的白噪声；
步骤(2)：对加入白噪声的信号进行经验模态分解，获得若干本征模函数分量；
步骤(3)：重复预设次数的步骤(1)至(2)，每次加入重新生成的白噪声序列；
步骤(4)：将每次获得的本征模函数分量进行总体平均验算。
4.如权利要求1所述的基于EEMD与神经网络的变压器局部放电识别方法，其特征在于，所述卷积神经网络包括若干组顺序连接的卷积层、池化层及归一化层，最后经扁平层输出局部局放特征。
5.如权利要求1所述的基于EEMD与神经网络的变压器局部放电识别方法，其特征在于，所述长短时记忆网络的输入为卷积神经网络的输出。
6.如权利要求1所述的基于EEMD与神经网络的变压器局部放电识别方法，其特征在于，所述预处理操作具体为：对获取的变压器高频局放信号进行小波分解，获得低频分量和高频分量；通过阈值处理去除高频分量中的噪声，并将处理后的高频分量与低频分量进行重构。
7.如权利要求1所述的基于EEMD与神经网络的变压器局部放电识别方法，其特征在于，所述获取变压器高频局放信号，具体采用高频电流互感器进行变压器局放信号的检测。
8.一种基于EEMD与神经网络的变压器局部放电识别系统，其特征在于，包括：
数据获取单元，其用于获取变压器高频局放信号，并进行相应预处理；
初始特征提取单元，其用于利用集合经验模态分解方法，对预处理后的高频局放信号进行初始特征提取；
局部放电识别单元，其用于基于预先训练的神经网络模型及提取的初始特征，获得局部放电识别结果；其中，所述神经网络模型采用卷积神经网络与长短时记忆网络的结合，通过所述卷积神经网络从初始特征中提取局部局放特征，并通过所述长短时记忆网络从局部局放特征中提取整体局放特征。
9.一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的一种基于EEMD与神经网络的变压器局部放电识别方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的一种基于EEMD与神经网络的变压器局部放电识别方法。
CN202111362144.8A 2021-11-17 2021-11-17 基于eemd与神经网络的变压器局部放电识别方法及系统 Pending CN114065815A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111362144.8A CN114065815A (zh) 2021-11-17 2021-11-17 基于eemd与神经网络的变压器局部放电识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111362144.8A CN114065815A (zh) 2021-11-17 2021-11-17 基于eemd与神经网络的变压器局部放电识别方法及系统

Publications (1)

Publication Number Publication Date
CN114065815A true CN114065815A (zh) 2022-02-18

Family

ID=80273272

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111362144.8A Pending CN114065815A (zh) 2021-11-17 2021-11-17 基于eemd与神经网络的变压器局部放电识别方法及系统

Country Status (1)

Country Link
CN (1) CN114065815A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115169418A (zh) * 2022-08-03 2022-10-11 国网上海市电力公司 基于改进小波阈值法的开关柜局部放电识别方法和系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115169418A (zh) * 2022-08-03 2022-10-11 国网上海市电力公司 基于改进小波阈值法的开关柜局部放电识别方法和系统

Similar Documents

Publication Publication Date Title
CN111914644A (zh) 一种基于双模态协同的弱监督时序动作定位方法及系统
CN108154519A (zh) 眼底图像中血管的分割方法、装置及存储介质
CN116184988B (zh) 基于多模态数据的故障预测方法、装置、设备及存储介质
CN111291727B (zh) 一种光体积变化描记图法信号质量检测方法和装置
DE102019115320A1 (de) Analysevorrichtung unter Verwendung eines erlernten Modells und Verfahren dafür
CN110458240A (zh) 一种三相桥式整流器故障诊断方法、终端设备及存储介质
CN112305379A (zh) 一种用于gis绝缘缺陷的模式识别方法及系统
CN112365551A (zh) 一种图像质量处理系统、方法、设备和介质
CN114065815A (zh) 基于eemd与神经网络的变压器局部放电识别方法及系统
CN111368648A (zh) 雷达辐射源个体识别方法、装置、电子设备及其存储介质
CN114821383A (zh) 基于轻量化网络的视频运动目标检测方法及系统
CN113487223A (zh) 一种基于信息融合的风险评估方法和评估系统
CN117110446A (zh) 识别车轴疲劳裂纹声发射信号方法
EP3696771A1 (en) System for processing an input instance, method, and medium
CN116030346A (zh) 基于马尔可夫判别器的非成对弱监督云检测方法及系统
Sharma et al. Robust and Uncertainty-Aware VAE (RU-VAE) for One-Class Classification
CN113364540A (zh) 基于堆栈降噪自编码的lte上行干扰分类方法及系统
CN116953808B (zh) 一种地磁信号噪声压制方法及系统
CN117290709B (zh) 用于连续动态意图解码的方法、系统、设备及存储介质
KR102611399B1 (ko) 1차원 오토인코더를 이용한 이상 탐지 장치
CN117994571B (zh) 一种基于自编码器的切粒机熔体异常检测方法及系统
CN112101077B (zh) 一种配电网故障类型的识别方法
CN114881369B (zh) 基于核化循环神经网络的风速预测方法及系统
CN117851942A (zh) 一种基于重构对抗训练的数据库系统异常检测方法和装置
CN116953808A (zh) 一种地磁信号噪声压制方法及系统

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