CN114252738A - 一种电缆接头典型缺陷局放表征特征挖掘及模式识别方法 - Google Patents
一种电缆接头典型缺陷局放表征特征挖掘及模式识别方法 Download PDFInfo
- Publication number
- CN114252738A CN114252738A CN202111597378.0A CN202111597378A CN114252738A CN 114252738 A CN114252738 A CN 114252738A CN 202111597378 A CN202111597378 A CN 202111597378A CN 114252738 A CN114252738 A CN 114252738A
- Authority
- CN
- China
- Prior art keywords
- features
- time
- pattern recognition
- feature
- cable joint
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明提出一种电缆接头典型缺陷局放表征特征挖掘及模式识别方法,包括以下步骤:通过实验获得电缆接头4种典型缺陷下的PD数据,对数据进行预处理;基于时间窗的动态调整在不同的时间尺度上进行PD特征构建,拟构建出PD的微秒级脉冲特征、分钟级特征和小时级特征;基于多时间尺度特征,进行特征变换以获得更多特征,对所有特征进行随机森林特征选择,筛选出能够有效表征PD新特征和模式识别最优输入特征;将获得的模式识别最优特征作为输入特征集,进行基于深度学习的模式识别训练和测试;得到多样性识别结果开展集成学习,形成最终的基于集成学习的PD识别模型,输出电缆接头典型缺陷PD识别结果。本发明能够有效提升电缆PD识别精度。
Description
技术领域
本发明涉及一种电缆接头典型缺陷局放表征特征挖掘及模式识别方法,属于局部放电识别技术领域。
背景技术
电缆接头的故障在电缆所有故障中占比超过80%,一方面是因为电缆接头结构比电缆本体更为复杂,另一方面是因为接头施工过程中,容易在电缆接头中留下典型缺陷。电缆接头在现场安装时对环境和操作水平要求高,在未严格按照施工工艺要求的情况下,容易在接头处尤其是接头复合绝缘界面处留下缺陷,如气隙、刀痕、金属杂质、半导电杂质等。这些典型缺陷在电场作用下更容易产生局部放电,并随运行时间发展、加剧,最终造成绝缘击穿。
电缆接头(含中间和终端接头)是电缆系统的最薄弱环节,更易发生故障,因此提升供电系统的安全性和可靠性十分重要,而PD检测正是提升电缆供电可靠性的有力手段。PD检测与诊断在电缆的型式试验、出厂检验、停电检修、带电检测、在线监测等领域得到了广泛的应用。然而现有技术的电缆局部放电模式识别准确率较低,因此提出有效的电缆接头典型缺陷局放组合识别方法能够有助于提高局部放电的识别精度,确保电力系统的稳定运行。
发明内容
本发明的目的是提供一种电缆接头典型缺陷局放表征特征挖掘及模式识别方法,以克服上述现有技术所述的电缆局部放电模式识别准确率较低的缺陷,提升局部放电模式识别的精度。本发明的局放为局部放电简称,缩写为PD。
本发明的目的由以下技术措施实现:
一种电缆接头典型缺陷局放表征特征挖掘及模式识别方法,其特征在于,包括以下步骤:
步骤1,通过实验获得电缆接头4种典型缺陷下的PD数据,对数据进行预处理;
步骤2,基于时间窗的动态调整在不同的时间尺度上对PD数据进行PD特征构建,拟构建出的微秒级PD脉冲特征、分钟级PD特征和小时级PD趋势特征;
所述的时间窗动态调整在不同的时间尺度上进行PD特征构建方法,在不同的时间尺度上统计特征参数和变化规律,有望发现新的PD有效表征特征,其具体流程如下:
通过PD统计结果反馈与温度和谐波物理参数变化周期相结合的方法,调整分钟级和小时级时间窗口,构建PD特征;把PD统计结果作为反馈条件,对每种典型缺陷的PD测试时间序列结果,通过统计计算若干次PD放电时间间隔的平均值,再乘以一个倍数,作为本阶段分钟级或小时级的PD统计时间窗口;同时该时间窗口还考虑与PD相关的温度和谐波物理参数的变化周期,时间窗口的调整过程中应考虑尽量不截断温度和谐波物理参数的变化周期;候选特征的构建,尤其是新特征的构建,对PD特征优选结果有很大的影响。下面从微秒级、分钟级、小时级三个时间尺度,对可构建的新特征展开论述。
(1)微秒级PD脉冲特征
所述的步骤(2)构建微秒级PD脉冲特征包括:已有研究中建立的PD脉冲特征的波形特征及函数分解特征、二元新特征和三元新特征,波形特征包括脉冲上升时间、脉冲下降时间和脉冲宽度,函数分解特征包括等效时宽T、等效频宽W、小波特征、经验模态分解(EMD)特征和变分模态分解(VMD)特征;二元新特征、三元新特征作为候选特征,二元新特征包括等效时间宽度/等效频率宽度(T/W)的比值特征、2个不同频段小波特征的比值特征、等效时间宽度/等效频率宽度(T/W)的比值特征的平方及2个不同频段小波特征的比值特征的平方;三元新特征包括小波特征、VMD特征、EMD特征的比值特征及比值特征的平方特征。
(2)分钟级PD特征
分钟级时间尺度上有多个PD脉冲,已有特征包括混沌特征、放电量q、放电重复率n分布统计特征和多种统计图谱的偏度、峰度、威布尔参数等统计特征;所述的步骤(2)构建分钟级PD脉冲特征包括:在该时间尺度上拟从统计特征、关联性特征、深度特征和小幅波动特征四个方面构建新的候选特征;(a)统计特征:构建二元特征的统计特征,构建前向与后向放电时间比值分布特征。(b)关联性特征:对比分析PD变化过程与谐波和温度物理量变化过程之间的关联性,构建PD与谐波和温度物理量之间的关联性特征;(c)深度特征:利用CNN和DBN深度学习方法将基础特征进行深度映射,形成深度特征;(d)小幅波动特征:在所测量的时间尺度内挖掘出变化幅度很小的特征,当波动变化率小于20%时,判断为小幅波动特征,即近似时不变特征,该类特征有助于PD类型的识别;在电缆的生命周期里会发生绝缘老化,因此不同阶段放电不一样,很多参数会随放电阶段的变化而变化,而小幅波动特征不随放电阶段变化而变化,因此可用于局部放电模式识别。
(3)小时级PD趋势特征
在以小时为单位的长时间尺度上计算PD的特征。相比微秒级与分钟级,小时级时间尺度包含的PD脉冲数更多,可以进行趋势特征的构建,包括统计特征、关联性特征、深度特征和小幅波动特征四个方面。(a)统计特征:构建更长时间尺度内的前向与后向放电时间比值分布特征,(b)关联性特征:对比分析PD变化过程与谐波和温度物理量变化过程之间的关联性,构建PD与谐波和温度物理量之间的关联性特征;(c)深度特征:利用CNN、DBN和SDAE深度学习方法将基础特征进行深度映射,形成深度特征;(d)小幅波动特征:在所测量的时间尺度内挖掘出变化幅度很小的特征,当波动变化率小于20%时,判断为小幅波动特征,即近似时不变特征。
步骤3,基于步骤2构建的多时间尺度PD特征,进行进一步的特征变换以获得更多高维特征;
步骤4,对所有特征进行随机森林特征选择,筛选出能够有效表征PD的新特征,对输入特征重要性进行排序,并对特征个数进行寻优,当识别精度≥90%时,输出模式识别最优输入特征;
步骤5,以步骤4获得的模式识别最优特征作为模式识别最优输入特征集,进行基于深度学习的模式识别训练和测试;
步骤6,基于深度学习得到的多样性识别结果开展集成学习,形成最终的基于集成学习的PD识别模型,输出电缆接头典型缺陷PD识别结果。
步骤(4)对所有特征进行随机森林特征选择,筛选出能够有效表征PD新特征和模式识别最优输入特征,具体为:在此基础上,通过随机森林特征知识挖掘与优选对输入特征重要性进行排序,并对输入特征个数进行寻优,当识别精度≥90%时,获取表征局放的核心特征集合得到模式识别最优输入特征集,进一步通过深度学习和集成学习,构建具有较强表征能力的局放模式识别组合方法,有望提升识别精度。
本发明达到的有益效果是:本发明方法提出了一种基于“多时间窗口特征-特征优选-深度学习-集成学习”的电缆接头典型缺陷局部放电表征特征挖掘及模式识别方法,有助于提高局部放电的识别精度,确保电力系统的稳定运行。
附图说明
图1为本发明的电缆接头典型缺陷PD表征特征挖掘及模式识别流程图。
图2为本发明构建不同时间尺度PD特征的流程图。
具体实施方式
下面结合本发明实施方式中的附图进行具体的描述,本发明的目的是提供一种“多时间窗口特征-特征优选-深度学习-集成学习”的电缆接头典型缺陷局放组合识别方法。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
如图1所示,一种电缆接头典型缺陷局放表征特征挖掘及模式识别方法,其特征在于,包括以下步骤:
步骤1,通过实验获得电缆接头4种典型缺陷下的PD数据,对数据进行预处理;
步骤2,基于时间窗的动态调整在不同的时间尺度上对PD数据进行PD特征构建,拟构建出的微秒级PD脉冲特征、分钟级PD特征和小时级PD趋势特征;
所述的时间窗动态调整在不同的时间尺度上进行PD特征构建方法,在不同的时间尺度上统计特征参数和变化规律,有望发现新的PD有效表征特征,其具体流程如下:
通过PD统计结果反馈与温度和谐波物理参数变化周期相结合的方法,调整分钟级和小时级时间窗口,构建PD特征;把PD统计结果作为反馈条件,对每种典型缺陷的PD测试时间序列结果,通过统计计算若干次PD放电时间间隔的平均值,再乘以一个倍数,作为本阶段分钟级或小时级的PD统计时间窗口;同时该时间窗口还考虑与PD相关的温度和谐波物理参数的变化周期,时间窗口的调整过程中应考虑尽量不截断温度和谐波物理参数的变化周期;候选特征的构建,尤其是新特征的构建,对PD特征优选结果有很大的影响。下面从微秒级、分钟级、小时级三个时间尺度,对可构建的新特征展开论述,如图2所示。
(1)微秒级PD脉冲特征
所述的步骤(2)构建微秒级PD脉冲特征包括:已有研究中建立的PD脉冲特征的波形特征及函数分解特征、二元新特征和三元新特征,波形特征包括脉冲上升时间、脉冲下降时间和脉冲宽度,函数分解特征包括等效时宽T、等效频宽W、小波特征、经验模态分解(EMD)特征和变分模态分解(VMD)特征;二元新特征、三元新特征作为候选特征,二元新特征包括等效时间宽度/等效频率宽度(T/W)的比值特征、2个不同频段小波特征的比值特征、等效时间宽度/等效频率宽度(T/W)的比值特征的平方及2个不同频段小波特征的比值特征的平方;三元新特征包括小波特征、VMD特征、EMD特征的比值特征及比值特征的平方特征。
(2)分钟级PD特征
分钟级时间尺度上有多个PD脉冲,已有特征包括混沌特征、放电量q、放电重复率n分布统计特征和多种统计图谱的偏度、峰度、威布尔参数等统计特征;所述的步骤(2)构建分钟级PD脉冲特征包括:在该时间尺度上拟从统计特征、关联性特征、深度特征和小幅波动特征四个方面构建新的候选特征;(a)统计特征:构建二元特征的统计特征,构建前向与后向放电时间比值分布特征。(b)关联性特征:对比分析PD变化过程与谐波和温度物理量变化过程之间的关联性,构建PD与谐波和温度物理量之间的关联性特征;(c)深度特征:利用CNN和DBN深度学习方法将基础特征进行深度映射,形成深度特征;(d)小幅波动特征:在所测量的时间尺度内挖掘出变化幅度很小的特征,当波动变化率小于20%时,判断为小幅波动特征,即近似时不变特征,该类特征有助于PD类型的识别;在电缆的生命周期里会发生绝缘老化,因此不同阶段放电不一样,很多参数会随放电阶段的变化而变化,而小幅波动特征不随放电阶段变化而变化,因此可用于局部放电模式识别。
(3)小时级PD趋势特征
在以小时为单位的长时间尺度上计算PD的特征。相比微秒级与分钟级,小时级时间尺度包含的PD脉冲数更多,可以进行趋势特征的构建,包括统计特征、关联性特征、深度特征和小幅波动特征四个方面。(a)统计特征:构建更长时间尺度内的前向与后向放电时间比值分布特征,(b)关联性特征:对比分析PD变化过程与谐波和温度物理量变化过程之间的关联性,构建PD与谐波和温度物理量之间的关联性特征;(c)深度特征:利用CNN、DBN和SDAE深度学习方法将基础特征进行深度映射,形成深度特征;(d)小幅波动特征:在所测量的时间尺度内挖掘出变化幅度很小的特征,当波动变化率小于20%时,判断为小幅波动特征,即近似时不变特征。
步骤3,基于步骤2构建的多时间尺度PD特征,进行进一步的特征变换以获得更多高维特征;
步骤4,对所有特征进行随机森林特征选择,筛选出能够有效表征PD的新特征,对输入特征重要性进行排序,并对特征个数进行寻优,当识别精度≥90%时,输出模式识别最优输入特征;
步骤5,以步骤4获得的模式识别最优特征作为模式识别最优输入特征集,进行基于深度学习的模式识别训练和测试;
步骤6,基于深度学习得到的多样性识别结果开展集成学习,形成最终的基于集成学习的PD识别模型,输出电缆接头典型缺陷PD识别结果。
步骤(4)对所有特征进行随机森林特征选择,筛选出能够有效表征PD新特征和模式识别最优输入特征,具体为:在此基础上,通过随机森林特征知识挖掘与优选对输入特征重要性进行排序,并对输入特征个数进行寻优,当识别精度≥90%时,获取表征局放的核心特征集合得到模式识别最优输入特征集,进一步通过深度学习和集成学习,构建具有较强表征能力的局放模式识别组合方法,有望提升识别精度。
上述实施例仅说明了本发明的几种实施方式,但并不是用来限制本发明。还要指出的是,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (6)
1.一种电缆接头典型缺陷局放表征特征挖掘及模式识别方法,其特征在于,包括以下步骤:(1)通过实验获得电缆接头4种典型缺陷下的PD数据,对数据进行预处理;(2)基于时间窗的动态调整在不同的时间尺度上对PD数据进行PD特征构建,拟构建出的微秒级PD脉冲特征、分钟级PD特征和小时级PD趋势特征;(3)基于步骤2构建的多时间尺度PD特征,进行进一步的特征变换以获得更多特征;(4)对所有特征进行随机森林特征选择,筛选出能够有效表征PD的新特征和模式识别最优输入特征;(5)以步骤4获得的模式识别最优特征作为模式识别最优输入特征集,进行基于深度学习的模式识别训练和测试;(6)基于深度学习得到的多样性识别结果开展集成学习,形成最终的基于集成学习的PD识别模型,输出电缆接头典型缺陷PD识别结果。
2.根据权利要求1所述的一种电缆接头典型缺陷局放表征特征挖掘及模式识别方法,其特征在于,所述的步骤(2)中时间窗动态调整在不同的时间尺度上进行PD特征构建方法具体流程如下:通过PD统计结果反馈与温度和谐波物理参数变化周期相结合的方法,调整分钟级和小时级时间窗口,构建PD特征;把PD统计结果作为反馈条件,对每种典型缺陷的PD测试时间序列结果,通过统计计算若干次PD放电时间间隔的平均值,再乘以一个倍数,作为本阶段分钟级或小时级的PD统计时间窗口;同时该时间窗口还考虑与PD相关的温度和谐波物理参数的变化周期;时间窗口的调整过程中应考虑尽量不截断温度和谐波物理参数的变化周期。
3.根据权利要求1所述的一种电缆接头典型缺陷局放表征特征挖掘及模式识别方法,其特征在于,在微秒级时间尺度上对单一PD脉冲进行特征构建;所述的步骤(2)构建微秒级PD脉冲特征包括:已有研究中建立的PD脉冲特征的波形特征及函数分解特征、二元新特征和三元新特征,波形特征包括脉冲上升时间、脉冲下降时间和脉冲宽度,函数分解特征包括等效时宽T、等效频宽W、小波特征、经验模态分解(EMD)特征和变分模态分解(VMD)特征;二元新特征、三元新特征作为候选特征,二元新特征包括等效时间宽度/等效频率宽度(T/W)的比值特征、2个不同频段小波特征的比值特征、等效时间宽度/等效频率宽度(T/W)的比值特征的平方及2个不同频段小波特征的比值特征的平方;三元新特征包括小波特征、VMD特征、EMD特征的比值特征及比值特征的平方特征。
4.根据权利要求1所述的一种电缆接头典型缺陷局放表征特征挖掘及模式识别方法,其特征在于,分钟级时间尺度上有多个PD脉冲,所述的步骤(2)构建分钟级PD脉冲特征包括:在该时间尺度上拟从的统计特征、关联性特征、深度特征和小幅波动特征四个方面构建新的候选特征,(a)统计特征:构建二元特征的统计特征,构建前向与后向放电时间比值分布特征,(b)关联性特征:对比分析PD变化过程与谐波和温度物理量变化过程之间的关联性,构建PD与谐波和温度物理量之间的关联性特征;(c)深度特征:利用CNN和DBN深度学习方法将基础特征进行深度映射,形成深度特征;(d)小幅波动特征:在所测量的时间尺度内挖掘出变化幅度很小的特征,当波动变化率小于20%时,判断为小幅波动特征,即近似时不变特征。
5.据权利要求1所述的一种电缆接头典型缺陷局放表征特征挖掘及模式识别方法,其特征在于,在以小时为单位的长时间尺度上计算PD的特征,小时级时间尺度包含的PD脉冲数更多,进行趋势特征的构建,所述的步骤(2)构建小时级PD趋势特征包括:统计特征、关联性特征、深度特征和小幅波动特征四个方面;(a)统计特征:构建更长时间尺度内的前向与后向放电时间比值分布特征,(b)关联性特征:对比分析PD变化过程与谐波和温度物理量变化过程之间的关联性,构建PD与谐波和温度物理量之间的关联性特征;(c)深度特征:利用CNN、DBN和SDAE深度学习方法将基础特征进行深度映射,形成深度特征;(d)小幅波动特征:在所测量的时间尺度内挖掘出变化幅度很小的特征,当波动变化率小于20%时,判断为小幅波动特征,即近似时不变特征。
6.据权利要求1所述的一种电缆接头典型缺陷局放表征特征挖掘及模式识别方法,其特征在于,步骤(4)对所有特征进行随机森林特征选择,筛选出能够有效表征PD新特征和模式识别最优输入特征,具体为:通过随机森林特征知识挖掘与优选对输入特征重要性进行排序,并对输入特征个数进行寻优,当识别精度≥90%时,获取表征局放的核心特征集合得到模式识别最优输入特征集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111597378.0A CN114252738B (zh) | 2021-12-24 | 2021-12-24 | 一种电缆接头典型缺陷局放表征特征挖掘及模式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111597378.0A CN114252738B (zh) | 2021-12-24 | 2021-12-24 | 一种电缆接头典型缺陷局放表征特征挖掘及模式识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114252738A true CN114252738A (zh) | 2022-03-29 |
CN114252738B CN114252738B (zh) | 2022-10-18 |
Family
ID=80797390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111597378.0A Active CN114252738B (zh) | 2021-12-24 | 2021-12-24 | 一种电缆接头典型缺陷局放表征特征挖掘及模式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114252738B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106227998A (zh) * | 2016-07-15 | 2016-12-14 | 华北电力大学 | 一种基于优化时间窗口的风资源评估方法 |
CN107728014A (zh) * | 2017-08-23 | 2018-02-23 | 国网山东省电力公司检修公司 | 基于多传感器信号特征识别设备绝缘缺陷的方法及系统 |
CN109212391A (zh) * | 2018-09-15 | 2019-01-15 | 四川大学 | 兼顾脉冲提取和信号去噪的局部放电信号处理方法及电力电缆局部放电定位方法 |
CN111796173A (zh) * | 2020-08-13 | 2020-10-20 | 广东电网有限责任公司 | 局部放电模式识别方法、计算机设备和存储介质 |
CN112881869A (zh) * | 2021-01-12 | 2021-06-01 | 国网山西省电力公司晋城供电公司 | 一种电缆接头局部放电超声波序列预测方法 |
CN113009290A (zh) * | 2021-02-05 | 2021-06-22 | 江苏大学 | 一种特高压gis设备局部放电种类识别和定位方法及系统 |
-
2021
- 2021-12-24 CN CN202111597378.0A patent/CN114252738B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106227998A (zh) * | 2016-07-15 | 2016-12-14 | 华北电力大学 | 一种基于优化时间窗口的风资源评估方法 |
CN107728014A (zh) * | 2017-08-23 | 2018-02-23 | 国网山东省电力公司检修公司 | 基于多传感器信号特征识别设备绝缘缺陷的方法及系统 |
CN109212391A (zh) * | 2018-09-15 | 2019-01-15 | 四川大学 | 兼顾脉冲提取和信号去噪的局部放电信号处理方法及电力电缆局部放电定位方法 |
CN111796173A (zh) * | 2020-08-13 | 2020-10-20 | 广东电网有限责任公司 | 局部放电模式识别方法、计算机设备和存储介质 |
CN112881869A (zh) * | 2021-01-12 | 2021-06-01 | 国网山西省电力公司晋城供电公司 | 一种电缆接头局部放电超声波序列预测方法 |
CN113009290A (zh) * | 2021-02-05 | 2021-06-22 | 江苏大学 | 一种特高压gis设备局部放电种类识别和定位方法及系统 |
Non-Patent Citations (4)
Title |
---|
WENBIN SONG ET AL.: "Improvement of insulation defect identification for DC XLPE cable by considering PD aging", 《RESEARCH ARTICLEFULL TEXT ACCESS》 * |
杨光垚: "基于特征寻优与深度学习的高压电缆局部放电模式识别研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
王辉等: "基于ReliefF的时频联合特征及随机森林的配电网电缆故障识别方法", 《南京师范大学学报(工程技术版)》 * |
白建社等: "基于移动时间窗的直流局部放电特征提取方法", 《电力系统自动化》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114252738B (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9200950B2 (en) | Pulsed plasma monitoring using optical sensor and a signal analyzer forming a mean waveform | |
CN111597759B (zh) | 变流装置igbt剩余使用寿命预测模型的构建方法 | |
CN107907799B (zh) | 基于卷积神经网络的局部放电缺陷类型的识别方法及系统 | |
CN101393234B (zh) | 波形自动量测系统及方法 | |
CN107092654B (zh) | 基于均值变化检测的报警正常与异常数据检测方法和装置 | |
CN110137947B (zh) | 一种基于itic曲线的电网电压暂降严重程度评估方法 | |
CN116859857A (zh) | 基于远程控制的燃油泵装配生产线智能管理系统 | |
CN110059845B (zh) | 基于时序演化基因模型的计量装置时钟误差趋势预测方法 | |
CN116660672B (zh) | 基于大数据的电网设备故障诊断方法及系统 | |
CN111126434B (zh) | 基于随机森林的微震初至波到时自动拾取方法及系统 | |
Balasooriya et al. | Competing causes of failure and reliability tests for Weibull lifetimes under type I progressive censoring | |
CN112924772B (zh) | 一种潮湿环境多脉冲影响的避雷器老化测评系统及方法 | |
CN117473253A (zh) | 一种电力采集数据质量评估方法 | |
EP1544726A1 (en) | Random number generator and random number generation method | |
CN114252738B (zh) | 一种电缆接头典型缺陷局放表征特征挖掘及模式识别方法 | |
CN117522380B (zh) | 基于热电运维的故障机理运维周期管理系统 | |
JP2003234788A (ja) | 二進パルスビットストリームの特性測定装置及び特性決定法 | |
CN114994264A (zh) | 基于区块链企业级台账的园区数字化监控平台 | |
CN110705900A (zh) | 一种输电线路树障风险等级评估方法 | |
CN117503204B (zh) | 一种超声ai数字诊疗系统 | |
CN115774841A (zh) | 一种基于组合谱特征提取的水轮机空化现象智能识别方法 | |
CN101229599A (zh) | 一种数字脉冲电源 | |
CN117849700B (zh) | 可控制测量的模块化电能计量系统 | |
CN111695543B (zh) | 一种基于行波时频特性的输电线路隐患放电类型辨识方法 | |
CN111678991B (zh) | 一种用于混凝土结构无损检测损伤识别的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |