CN114545158A - 自动分离局部放电信号和噪声信号 - Google Patents

自动分离局部放电信号和噪声信号 Download PDF

Info

Publication number
CN114545158A
CN114545158A CN202111335648.0A CN202111335648A CN114545158A CN 114545158 A CN114545158 A CN 114545158A CN 202111335648 A CN202111335648 A CN 202111335648A CN 114545158 A CN114545158 A CN 114545158A
Authority
CN
China
Prior art keywords
signal
amplitudes
features
bin
signals
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
CN202111335648.0A
Other languages
English (en)
Inventor
郭甜甜
林琰庭
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.)
Space Pte Ltd
Original Assignee
Space Pte 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 Space Pte Ltd filed Critical Space Pte Ltd
Publication of CN114545158A publication Critical patent/CN114545158A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本公开涉及自动分离局部放电信号和噪声信号。本发明涉及用于从数字信号中分离局部放电信号和噪声信号的系统和方法。该系统包括数据收集模块和数据处理模块，数据收集模块被配置成记录由传感器测量的电磁信号并将其转换成数字信号，数据处理模块被配置成：从数据收集模块接收数字信号；针对数字信号中的每一个从时域生成特征；针对数字信号中的每一个从频域生成多个特征；对针对所有数字信号所生成的特征应用聚类算法以识别多个不同的聚类；以及在相位分辨局部放电(PRPD)图表上显示每个不同的聚类。

Description

自动分离局部放电信号和噪声信号
技术领域
本发明涉及用于处理局部放电数据的系统和方法。具体地，本发明涉及利用时域中的算术编码和频域中的幅度分布来分离局部放电和噪声信号的系统和方法。
背景技术
在2个导电电极之间的局部绝缘区域上发生放电，并可能严重损坏电气装备或导致工作场所事故，例如由于电弧闪光而死亡。大量的研究论文提出了可用于测量局部放电信号的方法和若干工业解决方案，例如Techimp、Omicron Energy、EA Technology等。这些提议的方法和实施的解决方案主要基于时域中的启发式技术来设计用于分离的统计特征，例如峰值和宽度的平均值、最大值、最小值和标准偏差等。
发明内容
根据本发明的系统和方法解决了上述和其他问题，并且在本领域中取得了进步。根据本发明的系统和方法的第一个优点在于该系统和方法能够对任何信号进行压缩而不丢失其原始波形信息。这增加了局部放电信号与噪声信号之间的分离精确度。根据本发明的系统和方法的第二个优点在于该系统和方法通过准确地识别局部放电损坏的电气资产并对其采取早期纠正和预防措施来使局部放电损坏的电气资产的影响和成本最小化。根据本发明的系统和方法的第三个优点在于该系统和方法可以用于将有用信号与背景噪声分离的任何工业应用，其中信号的波形被收集和处理以进行故障检测和诊断，例如机械的、热的、化学的等。根据本发明的系统和方法的第四个优点在于该系统和方法可以被集成在就地部署的DAQ单元中是可本地访问的，或者通过调用我们在云上运行的应用编程接口(API)服务来远程访问该系统和方法。
本公开内容的第一方面描述了一种用于分离局部放电信号和噪声信号的方法。该方法包括：接收数字信号，该数字信号由从源收集的信号的波形转换而来；针对数字信号中的每一个从时域生成特征；针对数字信号中的每一个从频域生成多个特征；对所生成的特征应用聚类算法以识别多个不同的聚类；以及在相位分辨局部放电(PRPD)图表上显示每个不同的聚类。
在本公开内容的第一方面的实施方式中，源是来自数据收集模块，该数据收集模块包括传感器和获取装置，传感器用于测量环境中的宽带电磁信号，获取装置用于记录由传感器测量的电磁信号并将其转换成数字信号。
在本公开内容的第一方面的实施方式中，针对数字信号中的每一个从时域生成特征的步骤包括：针对数字信号中的所有测量振幅确定直方图仓宽度和仓数；将所有测量振幅与其相应仓值相关联；构建全局概率表；以及对全局概率表中的信息进行编码以生成特征。
在本公开内容的第一方面的实施方式中，经由弗里德曼-戴康尼斯(Freedman-Diaconis，FD)规则来确定直方图仓宽度和仓数。
在本公开内容的第一方面的实施方式中，构建全局概率表的步骤包括确定每个仓中的测量振幅相对于其余测量振幅的概率以构建全局概率表。
在本公开内容的第一方面的实施方式中，经由算术编码来编码全局概率表中的信息。
在本公开内容的第一方面的实施方式中，针对数字信号中的每一个从频域生成多个特征的步骤包括：对每个数字信号应用快速傅立叶变换(FFT)，以将数字信号从N个测量振幅的时域变换到(N/2)+1个幅度的频域；将幅度根据相应频率进行分组；将每个频率下的幅度进行标准化以使幅度成为统一的格式；基于全局最大幅度值和全局最小幅度值对经标准化的幅度进行归一化；针对每个频率下的所有归一化的幅度确定直方图仓宽度和仓数；将所有归一化的幅度与其相应的仓值相关联；以及将每个仓中的缩放幅度缩放为在0与1之间以生成(N/2)+1个特征。
本公开内容的第二方面描述了一种用于分离局部放电信号和噪声信号的系统，该系统包括数据收集模块和数据处理模块，数据收集模块被配置成记录由传感器测量的电磁信号并将其转换成数字信号，数据处理模块被配置成：从数据收集模块接收数字信号；针对数字信号中的每一个从时域生成特征；针对数字信号中的每一个从频域生成多个特征；对所生成的特征应用聚类算法以识别多个不同的聚类；以及在相位分辨局部放电(PRPD)图表上显示每个不同的聚类。
在本公开内容的第二方面的实施方式中，数据收集模块包括：传感器，其用于测量电磁信号；以及获取装置，其用于记录由传感器测量的电磁信号并将其转换成数字信号。
在本公开内容的第二方面的实施方式中，数据处理模块被配置为通过以下操作针对数字信号中的每一个从时域生成特征：针对数字信号中的所有测量振幅确定直方图仓宽度和仓数；将所有测量振幅与其相应的仓值相关联；构建全局概率表；以及对全局概率表中的信息进行编码以生成特征。
在本公开内容的第二方面的实施方式中，经由弗里德曼-戴康尼斯(FD)规则来确定直方图仓宽度和仓数。
在本公开内容的第二方面的实施方式中，数据处理模块被配置成通过以下操作来构建全局概率表：确定每个仓中的测量振幅相对于其余测量振幅的概率以构建全局概率表。
在本公开内容的第二方面的实施方式中，经由算术编码来编码全局概率表中的信息。
在本公开内容的第二方面的实施方式中，数据处理模块被配置成通过以下操作针对数字信号中的每一个从频域生成多个特征：对每个数字信号应用快速傅立叶变换(FFT)，以将数字信号从N个测量振幅的时域变换到(N/2)+1个幅度的频域；将幅度根据相应频率进行分组；将每个频率下的幅度进行标准化以使幅度成为统一的格式；基于全局最大幅度值和全局最小幅度对标准化的幅度进行归一化；针对每个频率下的所有归一化幅度确定直方图仓宽度和仓数；将所有归一化的幅度与其相应的仓值相关联；以及将每个仓中的缩放幅度缩放为在0与1之间以生成(N/2)+1个特征。
附图说明
根据本发明的上述及其他特征和优点在下面的具体实施方式中描述，并在附图中示出：
图1示出了根据本发明的实施方式的用于分离来自源的局部放电信号和噪声信号的系统；
图2示出了根据本发明的实施方式的由图1中的数据处理模块执行的用于将局部放电信号和噪声信号与数字信号分离的处理流；
图3.1示出了根据本发明的实施方式的关于在时域中提取特征的处理的处理流；
图3.2示出了根据本发明的实施方式的构建全局概率表的处理；
图3.3示出了根据本发明的实施方式的全局概率表的结果；
图4示出了根据本发明的实施方式的关于在频域中提取若干特征的处理的处理流；
图5示出了包括局部放电信号和噪声信号的聚类的总体信号PRPD图表；
图6示出了图5的总体信号PRPD图表的局部放电信号的聚类；
图7示出了图5的总体信号PRPD图表的噪声信号的聚类；
图8.1示出了图6中的聚类PD信号的波形的一些示例；
图8.2示出了图6中的聚类PD信号的波形的一些其他示例；
图9.1示出了图7中的聚类噪声信号的波形的一些示例；以及
图9.2示出图7中的聚类噪声信号的波形的一些其他示例。
具体实施方式
本发明涉及用于处理局部放电数据的系统和方法。具体地，本发明涉及在时域中使用算术编码和在频域中使用幅度(magnitude)分布来分离局部放电信号和噪声信号的系统和方法。
图1示出了根据本发明的实施方式的用于分离来自源的局部放电信号和噪声信号的系统100。系统100包括数据收集模块110和数据处理模块120。
数据收集模块110
数据收集模块110是收集信号波形的任何装置。在一个实施方式中，数据收集模块110包括用于测量环境中的宽带电磁信号的传感器和用于记录从传感器测量的电磁信号并将其转换为用于数据处理模块120的数字信号的获取装置。在本实施方式的实施方式中，数据收集模块110的传感器是高频电流互感器(HFCT)传感器，其附接至开关装置的接地线缆以测量环境中的宽带电磁信号。数据采集模块110的获取装置是数据获取(DAQ)装置，其用于记录相位角并将模拟信号转换为数字信号，该数字信号将被传送到数据处理模块120以进行进一步分析并且分离局部放电信号和噪声信号。采样速率(例如每秒S兆样本)和在DAQ装置中配置的每个信号的测量振幅(amplitude)的数目(例如每个信号N个振幅)确定捕获的信号持续时间，例如每个信号N/S微秒。出于本讨论的目的，S是100并且N是200。
实质上，数据收集模块110用于收集来自诸如环境的源的各种波形的信号，并将收集的信号转换为数字信号。然后，将数字信号传送到数据处理模块120，用于进一步分析，以从收集的信号中分离出局部放电信号和噪声信号。
数据处理模块120
数据处理模块120处理从收集模块110接收的数字信号。具体地，使用由HFCT传感器在时域和频域二者中捕获的数字信号来得出用于分离局部放电信号和噪声信号的有用特征。
数据处理模块120包括用于执行根据本发明的处理的处理单元。处理单元是典型的计算系统，其包括处理器、存储器以及存储在存储器上并可由处理器执行的指令。处理器可以是处理器、微处理器、微控制器、专用集成电路、数字信号处理器(DSP)、可编程逻辑电路或执行指令以执行根据本发明的处理的其他数据处理装置。处理器具有执行存储在存储器中的各种应用的能力。存储器可以包括只读存储器(ROM)、随机存取存储器(RAM)、电可擦除可编程ROM(EEPROM)、闪存卡或任何存储介质。指令是存储在存储器上并可由处理器执行以执行根据本发明的处理的计算代码、软件应用。这样的计算系统在本领域中是公知的，因此本文中仅简要描述。这些指令可以用C++语言(或任何其他已知的编程语言)开发，并且可以在如树莓Pi(Raspberry Pi)的片上系统(SoC)或/和如蜂窝电话或平板PC的移动设备上运行。
图2示出了由数据处理模块120的处理单元的指令执行的、用于将局部放电信号和噪声信号与从数据收集模块110接收的数字信号分离的处理流200。
处理200开始于步骤205，以针对每个数字信号在时域中根据数字信号生成1个有用特征。关于如何在时域中根据数字信号生成有用特征的更多细节将在下面参照图3进行描述。
在步骤210中，处理200针对每个数字信号在频域中根据数字信号生成若干有用特征。关于如何在频域中根据数字信号生成有用特征的更多细节将在下面参照图4进行描述。实质上，在时域中根据振幅生成的特征是基于无损数据压缩技术，而在频域中根据幅度生成的特征是基于每个频率和整个频率范围中的幅度分布。
在从时域和频域得出有用特征之后，处理200在步骤215中应用聚类算法来针对所生成的特征形成不同的聚类以识别不同的组。具体地，在针对所有数字信号得出所生成的特征(例如，每个数字信号对应N/2+2个特征(来自频域的N/2+1个特征和来自时域的1个特征))之后，对所生成的特征应用具有多个聚类的K均值聚类算法，以识别所生成的特征中的不同组。K均值聚类是一种流行的无监督机器学习算法。K均值聚类旨在将n个观察(observation)划分为k个聚类，其中每个观察属于具有最近质心(centroid)的聚类，所述最近质心是表示聚类中心的虚或实位置。换言之，K均值算法识别k个质心，并将每个数据点分配给最近的聚类，同时保持质心尽可能小。K均值聚类算法是识别数据集中的不同组的公知的方法，因此，为了简洁起见，省略了确切的细节。
聚类数(k)是K均值聚类中最重要的参数。确定k的最优值的一种方法是通过最高间隔统计差值。间隔统计估计数据集中的聚类的数目。该技术使用任何聚类算法(例如K均值)的输出，将聚类内分散的变化与在适当的参考零分布下预期的变化进行比较。将间隔统计与K均值聚类算法一起使用，并重复若干次以改进对所生成特征的聚类。
确定k的最优值的另一方法是轮廓法(Silhouette method)。该轮廓法计算每个观察的轮廓，该轮廓度量与其他聚类相比该观察与其自己的聚类相似的程度。轮廓法计算每个观察的轮廓系数，并针对所有观察将轮廓系数进行平均以获得轮廓得分。轮廓得分是对与其他聚类相比对象与其自己的聚类相似的程度的量度。轮廓的值的范围在[1,-1]之间，其中高的值指示对象与其自己的聚类良好匹配且与相邻聚类不良匹配。如果大多数对象具有高的值，则聚类配置是适当的。如果许多点具有低或负的值，则聚类配置可能具有太多或太少的聚类。对具有最佳轮廓得分的聚类的数目进行挑选(shortlist)。由于轮廓得分仅适用于多于1个的聚类，因此针对1个聚类计算间隔统计并且针对选定数目的聚类通过最佳轮廓得分。为K均值聚类算法选择的最终聚类数由更高间隔统计确定。
在步骤225中，处理200显示聚类中的每一个。具体地，对于信号的每个聚类，在相位分辨局部放电(Phase-Resolved Partial Discharge，PRPD)图表上将其可视化。PRPD图案是相对于AC周期的360度的局部放电活动的视觉表示。PRPD曲线图示出了相对于每个放电事件的相位角(x轴)绘制的它们的振幅(y轴)。图5示出了包括两个聚类(包括局部放电聚类和噪声信号聚类)的总体信号PRPD图。图6示出了图5的PRPD图表中的部分放电聚类。图7示出了图5的PRPD图表中的噪声信号聚类。图8.1和图8.2示出了图6中的聚类PD信号的波形的一些示例。图8.1指示总共存在1050个信号并且这些1050个信号中的450个信号属于聚类0。图9.1和图9.2示出了图7中的聚类噪声信号的波形的一些示例。图9.1指示总共存在1050个信号并且这些1050个信号中的600个信号属于聚类1。图5至图9.2示出了具有通过K均值聚类算法识别的2个聚类的一组生成特征。本领域技术人员将认识到，聚类的数目取决于所接收的数字信号，而且在不脱离本公开内容的情况下，可以通过本公开内容的处理来识别多于2个聚类。
图3示出了关于针对每个数字信号在时域中根据振幅生成1个有用特征的处理的处理流300。处理300开始于步骤305：确定数字信号中所有测量振幅的最优直方图仓(bin)。振幅是从数字化信号转换的模拟值。假设存在1000个数字信号并且每个数字信号具有N个振幅，振幅的总数是1000N。为了确定最优直方图仓，应用基于弗里德曼-戴康尼斯(Freedman-Diaconis，FD)规则的估计器来确定所有测量振幅的最佳直方图仓。在统计中，可以使用弗里德曼-戴康尼斯(FD)规则来选择要在直方图中使用的仓的宽度。FD规则的一般等式是：
Figure BDA0003350391750000071
其中IQR(x)是距数据集的中间50％的最大值与最小值之间的数据集四分位距，以及n是样本x中的观察数。在该示例中，数据集是指振幅的总数。简而言之，FD估计器用于确定数据集的仓宽度。一旦确定了仓宽度，就能够确定数据集的仓的数量，即，仓的数量＝(最大振幅-最小振幅)/仓宽度。
在步骤310中，处理300将所有测量振幅与由估计器确定的它们各自的仓值相关联，并且随后构建用于步骤315中的算术编码的全局概率表。全局概率表是出现在各个仓中的每个值的概率。在该步骤中，将使用各个仓值中的测量振幅来构建全局概率表，而不是使用所有1000N个测量振幅。具体地，将测量的振幅分组在各个仓中。相对于1000N个测量振幅中的其余测量振幅来确定每个仓中的测量振幅的概率，以构建全局概率表。可以使用以下示例来说明全局概率表：“ARBER”。
(1)针对每个字符(ch)基于出现(occurence)来确定概率p。
符号 次数 P
A 1 0.2
B 1 0.2
E 1 0.2
R 2 0.4
(2)将(0，1)分成子部分，将每个部分分类并关联到概率为p的ch，如图3.2所示。
(3)起始部分为[0,1)，设定I＝0，h＝1
(4)对于每个输入ch，找到ch属于[L,H)的部分，更新：
I＝I+(h-I)*L
h＝I+(h-I)*H
因此，可以得出如下全局概率表，并且其也在图3.3中示出。
Figure BDA0003350391750000081
Figure BDA0003350391750000091
在步骤315中，处理300使用算术编码将步骤310中构建的全局概率表中的信息编码为0与1之间的唯一分数值以生成特征。算术编码是用于无损数据压缩中的一种形式的熵编码。例如，通常，如在ASCII码中那样，使用每个字符固定数目的比特来表示字符串。当将串转换为算术编码时，频繁使用的字符将以较少的比特来存储，而不那么频繁出现的字符将以较多的比特来存储，从而致使总共使用较少的比特。
处理300还可以使用时域中的以下示例来示出。
假设输入：N个信号(例如1000个信号)并且每个信号具有相同的持续时间(例如2us)并且以M采样(例如200个采样点)，这可以由Xij,i∈[0,N),j∈[0,M)表示。输出将为：当将输入应用于以下算法时为ti。
1.弗里德曼-戴康尼斯(FD)估计器确定所有测量振幅(例如200k个振幅)的最佳直方图仓。
2.将所有测量振幅与它们相应的仓值(通过FD估计器获得)相关联以构建全局概率表。
3.对于每个信号，应用算术编码以将来自步骤2的全局概率表中的相关联信号信息编码为0与1之间的唯一分数值。
图4示出了关于在频域中提取若干有用特征的处理的处理流400。可以从频域中提取的有用特征的数目取决于每个信号的测量振幅的数目。具体地，可用以下表达式表达有用特征的数目：来自每个数字信号的N/2+1个特征。
处理400从步骤405开始：对每个数字信号应用快速傅立叶变换(FFT)，以将数字信号从N个测量振幅的时域变换到针对每秒S兆样本的采样率的(N/2)+1个得出幅度的频域。根据1000个数字信号，总共存在1000((N/2)+1)个幅度。如上所述，在DAQ装置中配置的每秒S兆样本的采样率和每个信号的测量振幅数(每个信号N个振幅)确定捕获信号持续时间，例如，每个信号N/S微秒。出于本讨论的目的，S是100并且N是200。因此，存在101,000个幅度。
在步骤410中，将1000(N/2+1)个幅度根据其自身的频率进行分组。然后，对每个分组中的幅度进行标准化，以使幅度成为统一格式。此后，处理基于全局最大值和全局最小幅度值将1000(N/2+1)个标准化幅度进行归一化。步骤410实质上将所有幅度根据相应频率进行分组，并且在基于全局最大幅度值和全局最小幅度值对所有幅度进行归一化之前对每个频率中的幅度进行归一化。
在步骤410中，处理400使用估计器来确定每个频率中1000(N/2+1)个归一化幅度的最佳直方图仓。具体地，处理400使用弗里德曼-戴康尼斯(FD)估计器来确定每个频率中的归一化幅度的最优直方图仓。如上所述，弗里德曼-戴康尼斯(FD)规则可以用于选择将在直方图中使用的仓的宽度。用于FD规则的一般等式是：
Figure BDA0003350391750000101
其中IQR(x)是距数据集的中间50％的全局最大值与全局最小值之间的数据集四分位距，并且n是样本x中的观察数。在这个例子中，数据集指归一化幅度的总数，1000(N/2+1)。简而言之，FD估计器用于确定数据集的仓宽度。一旦确定了仓宽度，就能够确定数据集的仓数，即，仓数＝(最大幅度－最小幅度)/仓宽度。
在步骤415中，处理400将所有归一化幅度与它们各自的仓值相关联。在该步骤中，不是使用N/2+1个标准化幅度，而是将使用1000((N/2)+1)个归一化幅度以将它们分组在相应的仓值中。然后，将仓值缩放为在0与1之间。具体地，将每个仓中的幅度缩放为在0与1之间，以针对每个数字信号生成N/2+1个特征。处理400在步骤415之后结束。
在时域中，处理300使用无损数据压缩技术来将原始波形信息保存为特征，而不是使用启发式技术来基于数字信号中的测量振幅对统计特征进行设计改变。在频域中，处理400将各个频率分量视为特征，而不是利用熵值表示信号。换句话说，处理400在将幅度重新分布在由FD估计器确定的各个仓值中之前，简单地将每个频率中的幅度进行分布和标准化。
时域中的统计特征是用于分离的对信号的抽象。这些特征没有捕获到波形的时间演变，这可能导致不精确的信号分离。将熵值用于分离会掩盖较高频带的幅度的重要性，这也会导致不精确的信号分离。
以上是根据本公开的系统和方法的示例性实施方式的描述。可预见的是，本领域技术人员能够并且将基于本公开来设计替选系统和方法。

Claims (14)

1.一种用于分离局部放电信号和噪声信号的方法，所述方法包括：
接收数字信号，所述数字信号由从源收集的信号的波形转换而来；
针对所述数字信号中的每一个从时域生成特征；
针对所述数字信号中的每一个从频域生成多个特征；
对针对所有数字信号所生成的特征应用聚类算法，以识别多个不同的聚类；以及
在相位分辨局部放电(PRPD)图表上显示每个不同的聚类。
2.根据权利要求1所述的方法，其中，所述源是数据收集模块，所述数据收集模块包括传感器和获取装置，所述传感器用于测量环境中的宽带电磁信号，所述获取装置用于记录由所述传感器测量的电磁信号并将所述电磁信号转换成所述数字信号。
3.根据权利要求1所述的方法，其中，针对所述数字信号中的每一个从时域生成特征的步骤包括：
针对所述数字信号中的所有测量振幅确定直方图仓宽度和仓数；
将所有测量振幅与其相应仓值相关联；
构建全局概率表；以及
对所述全局概率表中的信息进行编码以生成所述特征。
4.根据权利要求3所述的方法，其中，经由弗里德曼-戴康尼斯(FD)规则来确定所述直方图仓宽度和所述仓数。
5.根据权利要求4所述的方法，其中，构建全局概率表的步骤包括：
确定每个仓中的测量振幅相对于其余测量振幅的概率以构建所述全局概率表。
6.根据权利要求5所述的方法，其中，经由算术编码来编码所述全局概率表中的信息。
7.根据权利要求6所述的方法，其中，针对所述数字信号中的每一个从频域生成多个特征的步骤包括：
对每个数字信号应用快速傅立叶变换(FFT)，以将所述数字信号从N个测量振幅的时域变换到(N/2)+1个幅度的频域；
将所述幅度根据相应频率进行分组；
将每个频率下的幅度进行标准化以使所述幅度成为统一的格式；
基于全局最大幅度值和全局最小幅度值对经标准化的幅度进行归一化；
针对每个频率下的所有归一化的幅度确定直方图仓宽度和仓数；
将所有归一化的幅度与其相应的仓值相关联；以及
将每个仓中的缩放幅度缩放为在0与1之间以生成(N/2)+1个特征。
8.一种用于分离局部放电信号和噪声信号的系统，包括：
数据收集模块，其被配置成记录由传感器测量的电磁信号并将所述电磁信号转换成数字信号；以及
数据处理模块，其被配置成：
从所述数据收集模块接收数字信号；
针对所述数字信号中的每一个从时域生成特征；
针对所述数字信号中的每一个从频域生成多个特征；
对针对所有数字信号所生成的特征应用聚类算法，以识别多个不同的聚类；以及
在相位分辨局部放电(PRPD)图表上显示每个不同的聚类。
9.根据权利要求8所述的系统，其中，所述数据收集模块包括：
传感器，其用于测量所述电磁信号；以及
获取装置，其用于记录由所述传感器测量的电磁信号并将所述电磁信号转换成所述数字信号。
10.根据权利要求8所述的系统，其中，所述数据处理模块被配置成通过以下操作针对所述数字信号中的每一个从时域生成特征：
针对所述数字信号中的所有测量振幅确定直方图仓宽度和仓数；
将所有测量振幅与其相应的仓值相关联；
构建全局概率表；以及
对所述全局概率表中的信息进行编码以生成所述特征。
11.根据权利要求10所述的系统，其中，经由弗里德曼-戴康尼斯(FD)规则来确定所述直方图仓宽度和所述仓数。
12.根据权利要求11所述的系统，其中，所述数据处理模块被配置成通过以下操作来构建所述全局概率表：
确定每个仓中的测量振幅相对于其余测量振幅的概率以构建所述全局概率表。
13.根据权利要求12所述的系统，其中，经由算术编码来编码所述全局概率表中的信息。
14.根据权利要求13所述的系统，其中，所述数据处理模块被配置成通过以下操作针对所述数字信号中的每一个从频域生成多个特征：
对每个数字信号应用快速傅立叶变换(FFT)，以将所述数字信号从N个测量振幅的时域变换到(N/2)+1个幅度的频域；
将所述幅度根据相应频率进行分组；
将每个频率下的幅度进行标准化以使所述幅度成为统一的格式；
基于全局最大幅度值和全局最小幅度值对经标准化的幅度进行归一化；
针对每个频率下的所有归一化的幅度确定直方图仓宽度和仓数；
将所有归一化的幅度与其相应的仓值相关联；以及
将每个仓中的缩放幅度缩放为在0与1之间以生成(N/2)+1个特征。
CN202111335648.0A 2020-11-11 2021-11-11 自动分离局部放电信号和噪声信号 Pending CN114545158A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
SG10202011194Y 2020-11-11
SG10202011194Y 2020-11-11

Publications (1)

Publication Number Publication Date
CN114545158A true CN114545158A (zh) 2022-05-27

Family

ID=81214567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111335648.0A Pending CN114545158A (zh) 2020-11-11 2021-11-11 自动分离局部放电信号和噪声信号

Country Status (4)

Country Link
US (1) US20220147777A1 (zh)
EP (1) EP4001936A1 (zh)
CN (1) CN114545158A (zh)
AU (1) AU2021266273A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116682128A (zh) * 2023-06-02 2023-09-01 中央民族大学 水书单字的数据集构建、识别方法、装置、设备及介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6594512B2 (en) * 2000-11-21 2003-07-15 Siemens Medical Solutions Usa, Inc. Method and apparatus for estimating a physiological parameter from a physiological signal
US7483711B2 (en) * 2002-10-24 2009-01-27 Bbn Technologies Corp Spectrum-adaptive networking
US7756350B2 (en) * 2006-11-13 2010-07-13 Global Ip Solutions, Inc. Lossless encoding and decoding of digital data
ES2512040B1 (es) * 2013-03-22 2015-08-11 Universidad Carlos Iii De Madrid Método y dispositivo para la diferenciación de descargas parciales y ruido eléctrico
US9491070B2 (en) * 2013-04-12 2016-11-08 Symantec Corporation Apparatus and method for utilizing fourier transforms to characterize network traffic
EP3588108B1 (en) * 2018-06-29 2022-09-14 ABB Schweiz AG Method and device for use of multiple frequencies prpd pattern to reduce noise or select suitable frequency ranges for partial discharge measurements

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116682128A (zh) * 2023-06-02 2023-09-01 中央民族大学 水书单字的数据集构建、识别方法、装置、设备及介质

Also Published As

Publication number Publication date
AU2021266273A1 (en) 2022-05-26
EP4001936A1 (en) 2022-05-25
US20220147777A1 (en) 2022-05-12

Similar Documents

Publication Publication Date Title
CN108957251B (zh) 一种电缆接头局部放电模式识别方法
Chan et al. Time-frequency sparsity map on automatic partial discharge sources separation for power transformer condition assessment
CN104198898A (zh) 基于脉冲序列分析的局部放电发展过程诊断方法
CN103968937B (zh) 一种基于emd样本熵和fcm的配电开关机械状态诊断方法
CA2918679A1 (en) Pattern recognition method for partial discharge of three-phase cylinder type ultrahigh voltage gis
CN108693448B (zh) 一种应用于电力设备局部放电模式识别系统
CN109188211B (zh) 一种高压设备绝缘故障诊断方法和系统
CN112732748B (zh) 一种基于自适应特征选择的非侵入式家电负荷识别方法
FI107081B (fi) Menetelmä ja järjestely osittaispurkauslähteiden lukumäärän selvittämiseksi
Misák et al. A complex classification approach of partial discharges from covered conductors in real environment
JP2019516084A (ja) 飛行時間型質量分析に基づく信号処理方法およびシステム並びに電子機器
CN114545158A (zh) 自动分离局部放电信号和噪声信号
Xue et al. Application of feature extraction method based on 2D—LPEWT in cable partial discharge analysis
CN112285494A (zh) 一种电力电缆局部放电模式识别分析系统
CN114167237A (zh) 一种gis局部放电故障识别方法、系统、计算机设备、存储介质
CN117330906A (zh) 设备电弧故障检测方法、装置、设备及存储介质
Belkov et al. Advanced approach for automatic PRPD pattern recognition in monitoring of HV assets
CN117172601A (zh) 一种基于残差全卷积神经网络的非侵入式负荷监测方法
CN109508350B (zh) 一种对数据进行采样的方法和装置
CN113219333B (zh) 一种电机故障诊断时的频谱参数处理方法
CN112014821B (zh) 一种基于雷达宽带特征的未知车辆目标识别方法
CN114492543A (zh) 一种基于时频域特征的局部放电分类识别方法
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
Chen et al. Texture features and unsupervised learning-incorporated rain-contaminated region identification from X-band marine radar images
CN112633333A (zh) 一种局部放电缺陷识别的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40069176

Country of ref document: HK

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination