CN114783152A - 基于气声信息融合的储能电站火灾告警方法及系统 - Google Patents
基于气声信息融合的储能电站火灾告警方法及系统 Download PDFInfo
- Publication number
- CN114783152A CN114783152A CN202210322191.8A CN202210322191A CN114783152A CN 114783152 A CN114783152 A CN 114783152A CN 202210322191 A CN202210322191 A CN 202210322191A CN 114783152 A CN114783152 A CN 114783152A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- sound
- storage cabin
- power station
- fire alarm
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/12—Alarms for ensuring the safety of persons responsive to undesired emission of substances, e.g. pollution alarms
- G08B21/16—Combustible gas alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Processing of the speech or voice signal to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
Abstract
本发明属于储能电站安全防护技术领域,特别涉及一种基于气声信息融合的储能电站火灾告警方法及系统,包含:一级告警中,利用设置在储能舱内的声音测量仪实时采集储能舱内声音信号,并依据采集的储能舱内声音信号来识别安全阀打开动作并对电池进行断电处理;二级告警中,利用储能舱内氢气传感器实时监测储能舱内氢气浓度,并在监测的储能舱内氢气浓度达到预设阈值时,对电池进行断电处理。本发明方案简单、合理,通过多层级预警手段来实现锂电池储能电站灵敏性、经济性兼具的预警效果,便于实际场景应用,便于实际场景应用。
Description
技术领域
本发明属于储能电站安全防护技术领域,特别涉及一种基于气声信息融合的储能电站火灾告警方法及系统。
背景技术
大力发展规模化电能存储技术,对智能电网的发展具有重要意义,除了可有效地解决发电与用电的时差矛盾问题,还可以削减光伏等间歇性可再生能源直接并网对电力系统的影响,提高电能质量。随着可再生能源在能源结构中占比的提高,储能技术未来将担负着保障电网安全、高效运行的使命,潜在市场巨大。目前,储能技术应用场景众多,涵盖新能源发电、电网侧、微电网等各领域,且还在不断拓展。储能电站规模在市场需求推动作用下在不断提高,最高已经增加到百兆瓦级。电化学储能的循环寿命长、能量密度高,因而可很好地满足现代储能相关需求,在储能项目中占有较大比重。然而,由于锂电池活性较高且当前缺乏有效的故障预警方法,锂电池储能电站火灾爆炸事故频发,使其应用与推广受到了严重制约。储能安全问题频出,除电池本身的活性问题外,从侧面反应了现有储能系统的智能化运维水平,故障预警、状态感知等技术手段不足,落实储能安全保障势在必行。
发明内容
为此,本发明提供一种基于气声信息融合的储能电站火灾告警方法及系统,通过多层级预警手段来实现锂电池储能电站灵敏性、经济性兼具的预警效果,便于实际场景应用。
按照本发明所提供的设计方案,一种基于气声信息融合的储能电站火灾告警方法,包含如下内容:
利用设置在储能舱内的声音测量仪实时采集储能舱内声音信号,并依据采集的储能舱内声音信号来识别安全阀打开动作并对电池进行断电处理;
利用储能舱内氢气传感器实时监测储能舱内氢气浓度,并在监测的储能舱内氢气浓度达到预设阈值时,对电池进行断电处理。
作为本发明基于气声信息融合的储能电站火灾告警方法,进一步地,所述声音测量仪采用具有模拟输出功能的通用音频采集器。
作为本发明基于气声信息融合的储能电站火灾告警方法,进一步地,识别安全阀打开动作中,首先对采集的储能舱内声音信号进行去噪预处理,然后,提取去噪预处理后的声音信号特征数据;针对声音信号特征数据,利用已训练的分类器模型来识别安全阀打开动作。
作为本发明基于气声信息融合的储能电站火灾告警方法,进一步地,利用小波阈值去噪法,选定预设层数的小波对声音信号进行小波分解,利用阈值函数对各层小波系数进行量化,以去除声音信号中的干扰噪声,利用量化后的小波系数重构声音信号。
作为本发明基于气声信息融合的储能电站火灾告警方法,进一步地,小波分解层数设置为N层,N大于1,且阈值函数采用硬阈值函数。
作为本发明基于气声信息融合的储能电站火灾告警方法,进一步地,利用梅尔倒谱系数方法在频率域提取去噪预处理后声音信号的多维梅尔倒谱特征系数,并构建对应多维梅尔倒谱特征系数的特征数据。
作为本发明基于气声信息融合的储能电站火灾告警方法,进一步地,提取声音信号的多维梅尔倒谱特征系数中,首先,对声音信号进行预加重处理,使信号频谱保持在整个频带中;然后,依据预设帧长大小将声音信号进行分帧和加窗操作,并利用快速傅里叶变换获取声音信号的功率谱;利用梅尔滤波器组进行功率谱能量汇总;取所有梅尔滤波器组能量的对数,并对对数进行逆傅里叶变换来获取梅尔倒谱特征系数。
作为本发明基于气声信息融合的储能电站火灾告警方法,进一步地,分类器模型采用支持向量机分类器模型。
进一步地,本发明还提供一种基于气声信息融合的储能电站火灾告警系统,包含:一级告警模块和二级告警模块,其中,
一级告警模块,用于利用设置在储能舱内的声音测量仪实时采集储能舱内声音信号,并依据采集的储能舱内声音信号来识别安全阀打开动作并对电池进行断电处理;
二级告警模块,用于利用储能舱内氢气传感器实时监测储能舱内氢气浓度,并在监测的储能舱内氢气浓度达到预设阈值时,对电池进行断电处理。
作为本发明基于气声信息融合的储能电站火灾告警系统,进一步地,储能舱内壁上间隔设置有多个传声器,以利用声音测量仪实时采集储能舱内各电池模组环境中的声音信号。
本发明的有益效果:
本发明采用多级预警方式来捕捉识别安全阀打开声音信号及锂离子电池过充产生氢气现象,及时断电,减小甚至避免火灾危险,通过H2气体捕获来检测锂离子电池中锂枝晶的生长,用于储能舱的早期安全预警,方法简单、可靠,能尽早并及时地感知储能舱安全问题,并以此作为预警信息,可以留出足够的时间进行安全防护措施处理,防止储能舱火灾或爆炸等安全事故的发生,以保护人员安全和设备的正常运行,具有较好的应用前景。
附图说明:
图1为实施例中基于气声信息融合的储能电站火灾告警方法流程示意;
图2为实施例中一级告警流程示意;
图3为实施例中安全阀打开声音产生及传播示意;
图4为实施例中声音识别流程示意;
图5为实施例中声音信号去噪预处理流程示意;
图6为实施例中声音信号特征提取流程示意;
图7为实施例中二级告警流程示意;
图8为实施例中二级告警安全预警实验示意。
具体实施方式:
为使本发明的目的、技术方案和优点更加清楚、明白,下面结合附图和技术方案对本发明作进一步详细的说明。
电化学储能的循环寿命长、能量密度高,因而可很好地满足现代储能相关需求,在储能项目中占有较大比重。然而,由于锂电池活性较高且当前缺乏有效的故障预警方法,锂电池储能电站火灾爆炸事故频发,使其应用与推广受到了严重制约。储能安全问题频出,也从侧面反应了现有储能系统的智能化运维水平,故障预警、状态感知等技术手段不足,落实储能安全保障势在必行。为此,本发明实施例,提供一种基于气声信息融合的储能电站火灾告警方法,参见图1所示,包含如下内容:
S101、利用设置在储能舱内的声音测量仪实时采集储能舱内声音信号,并依据采集的储能舱内声音信号来识别安全阀打开动作并对电池进行断电处理;
S102、利用储能舱内氢气传感器实时监测储能舱内氢气浓度,并在监测的储能舱内氢气浓度达到预设阈值时,对电池进行断电处理。
通过设置两种预警模式来有效捕捉识别安全阀打开声音信号及锂离子电池过充产生氢气现象,能够及时进行断电,避免储能舱热失控现象,降低火灾等安全事故发生率,有效保护人员安全和设备的正常运行。
进一步地,本案实施例中,所述声音测量仪可采用具有模拟输出功能的通用音频采集器,采样率设定为100kHz进行声音采集,可根据实际应用环境对采样率进行调整。进一步,可通过在储能舱内壁上间隔设置多个传声器,以利用声音测量仪实时采集储能舱内各电池模组环境中的声音信号,满足储能舱内各电池模组开关阀的声音动作识别。
进一步地,本案实施例中,识别安全阀打开动作中,首先对采集的储能舱内声音信号进行去噪预处理,然后,提取去噪预处理后的声音信号特征数据;针对声音信号特征数据,利用已训练的分类器模型来识别安全阀打开动作。
参见图3所示,电池正常运行状态安全阀处于关闭状态,当电池出现鼓包等异常时,触发安全阀打开,因此,需要及时收集储能舱内电池模组各安全阀动作及环境气体浓度来进行及时预警。储能舱内录制的声音成分复杂,包含电池舱内部冷却空调噪声、BMS运行噪声、电池充放电的电流声、PCS产生的噪声、检修人员活动噪声和开关舱门噪声等。图2和图4 所示,通过预先采集储能舱内运行环境声音,采用小波阈值去噪方案对声音信号进行预处理,去除噪音干扰;使用梅尔倒谱系数MFCC方法提取舱内声音信号特征,通过获取40维MFCC特征系数来构建基于特征系数的特征向量数据集,利用SVM算法结合10折交叉验证进行参数寻优训练后,将训练后的SVM分类器用于安全阀声音信号的判别中。当储能舱安全阀打开时,通过实时采集及分类器判别来及时发现安全阀打开的动作,进而可控制电池断电,避免出现热失控事件。
进一步地,本案实施例中,参见图5所示,利用小波阈值去噪法,选定预设层数的小波对声音信号进行小波分解,利用阈值函数对各层小波系数进行量化,以去除声音信号中的干扰噪声,利用量化后的小波系数重构声音信号。进一步地,小波分解层数设置为N层,N大于1,且阈值函数采用硬阈值函数。
小波阈值去噪中,信号产生的小波系数含有信号的重要信息,将信号经小波分解后小波系数较大,噪声的小波系数较小,并且噪声的小波系数要小于信号的小波系数,通过选取一个合适的阀值,大于阀值的小波系数被认为是有信号产生的,应予以保留,小于阀值的则认为是噪声产生的,置为零从而达到去噪的目的;其实质为抑制信号中无用的部分、增强有用部分。小波阈值去噪法相关参数可设置为:母小波:db6,sym6,coif5,bior6.8;分解层数: 2层;阈值选取规则:“Rigrsure”或“Minimaxi”;阈值重调方式:“仅对第一层的小波系数调节”或“对全部层的小波系数进行调节”。实际应用中可对参数进行相应调整。
进一步地,本发明实施例中,利用梅尔倒谱系数方法在频率域提取去噪预处理后声音信号的40维MFCC特征参数,构建对应多维梅尔倒谱特征系数的特征数据。如图6所示,具体步骤为:①使用图5所示的小波去噪方法对声音信号进行预处理;②将声音信号进行分帧和加窗操作,并利用快速傅里叶变换获取声音信号的功率谱;③利用梅尔滤波器组进行功率谱能量汇总;④取所有梅尔滤波器组能量的对数,并对对数进行逆傅里叶变换来获取40维MFCC 特征参数。
最后通过SVM对声音信号的40维MFCC特征参数进行分类,区分包含安全阀打开的声音与正常运行时的声音。依据安全阀打开的声音特征,SVM算法采用的径向基核函数,核函数参数g取值为0.022,误差惩罚参数c取值为2.1。
参见图7所示,当储能舱内锂电池安全阀打开时,其内部产生的氢气逸出,可利用储能舱中多处安装的氢气传感器来实时监测储能舱内氢气浓度,当监测到氢气浓度达到阈值时,可对电池进行断电处理,以避免出现热失控现象。图8中,通过装配有H2气体捕获装置的 LiFePO4电池簇进行安全预警实验,电池簇包含9个电池组,共79.2KWh。图中,(A) 为真实储能舱实验环境示意图,于不同距离处安装了三个气体传感器。(B)为LiFePO4电池簇过充期间电压变化曲线以及表面温度变化,充电电流率为0.5C。(C)为0-2500s 三个传感器检测H2浓度变化曲线。(D)为900-1150s三个传感器放大后的H2气体浓度曲线。(E)为t1=0s起始时刻与t2=994s捕捉到H2停止充电时刻两时刻的光学图像。
进一步地,基于上述的方法,本发明实施例还提供一种基于气声信息融合的储能电站火灾告警系统,包含:一级告警模块和二级告警模块,其中,
一级告警模块,用于利用设置在储能舱内的声音测量仪实时采集储能舱内声音信号,并依据采集的储能舱内声音信号来识别安全阀打开动作并对电池进行断电处理;
二级告警模块,用于利用储能舱内氢气传感器实时监测储能舱内氢气浓度,并在监测的储能舱内氢气浓度达到预设阈值时,对电池进行断电处理。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
基于上述的方法和/或系统,本发明实施例还提供一种服务器,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述的方法。
基于上述的方法和/或系统,本发明实施例还提供一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现上述的方法。
在这里示出和描述的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制,因此,示例性实施例的其他示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于气声信息融合的储能电站火灾告警方法,其特征在于,包含如下内容:
利用设置在储能舱内的声音测量仪实时采集储能舱内声音信号,并依据采集的储能舱内声音信号来识别安全阀打开动作并对电池进行断电处理;
利用储能舱内氢气传感器实时监测储能舱内氢气浓度,并在监测的储能舱内氢气浓度达到预设阈值时,对电池进行断电处理。
2.根据权利要求1所述的基于气声信息融合的储能电站火灾告警方法,其特征在于,所述声音测量仪采用具有模拟输出功能的通用音频采集器。
3.根据权利要求1或2所述的基于气声信息融合的储能电站火灾告警方法,其特征在于,识别安全阀打开动作中,首先对采集的储能舱内声音信号进行去噪预处理,然后,提取去噪预处理后的声音信号特征数据;针对声音信号特征数据,利用已训练的分类器模型来识别安全阀打开动作。
4.根据权利要求3所述的基于气声信息融合的储能电站火灾告警方法,其特征在于,利用小波阈值去噪法,选定预设层数的小波对声音信号进行小波分解,利用阈值函数对各层小波系数进行量化,以去除声音信号中的干扰噪声,利用量化后的小波系数重构声音信号。
5.根据权利要求4所述的基于气声信息融合的储能电站火灾告警方法,其特征在于,小波分解层数设置为N层,N大于1,且阈值函数采用硬阈值函数。
6.根据权利要求3所述的基于气声信息融合的储能电站火灾告警方法,其特征在于,利用梅尔倒谱系数方法在频率域提取去噪预处理后声音信号的多维梅尔倒谱特征系数,并构建对应多维梅尔倒谱特征系数的特征数据。
7.根据权利要求6所述的基于气声信息融合的储能电站火灾告警方法,其特征在于,提取声音信号的多维梅尔倒谱特征系数中,首先,对声音信号进行预加重处理,使信号频谱保持在整个频带中;然后,依据预设帧长大小将声音信号进行分帧和加窗操作,并利用快速傅里叶变换获取声音信号的功率谱;利用梅尔滤波器组进行功率谱能量汇总;取所有梅尔滤波器组能量的对数,并对对数进行逆傅里叶变换来获取梅尔倒谱特征系数。
8.根据权利要求3所述的基于气声信息融合的储能电站火灾告警方法,其特征在于,分类器模型采用支持向量机分类器模型。
9.一种基于气声信息融合的储能电站火灾告警系统,其特征在于,包含:一级告警模块和二级告警模块,其中,
一级告警模块,用于利用设置在储能舱内的声音测量仪实时采集储能舱内声音信号,并依据采集的储能舱内声音信号来识别安全阀打开动作并对电池进行断电处理;
二级告警模块,用于利用储能舱内氢气传感器实时监测储能舱内氢气浓度,并在监测的储能舱内氢气浓度达到预设阈值时,对电池进行断电处理。
10.根据权利要求9所述的基于气声信息融合的储能电站火灾告警系统,其特征在于,储能舱内壁上间隔设置有多个传声器,以利用声音测量仪实时采集储能舱内各电池模组环境中的声音信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210322191.8A CN114783152A (zh) | 2022-03-30 | 2022-03-30 | 基于气声信息融合的储能电站火灾告警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210322191.8A CN114783152A (zh) | 2022-03-30 | 2022-03-30 | 基于气声信息融合的储能电站火灾告警方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114783152A true CN114783152A (zh) | 2022-07-22 |
Family
ID=82425110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210322191.8A Pending CN114783152A (zh) | 2022-03-30 | 2022-03-30 | 基于气声信息融合的储能电站火灾告警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114783152A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117162789A (zh) * | 2023-11-03 | 2023-12-05 | 中国第一汽车股份有限公司 | 电池热安全的控制方法、存储介质、处理器及车辆 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050265629A1 (en) * | 2004-05-28 | 2005-12-01 | The Regents Of The University Of California | Signal processing method and system for noise removal and signal extraction |
CN106919662A (zh) * | 2017-02-14 | 2017-07-04 | 复旦大学 | 一种音乐识别方法及系统 |
CN109740523A (zh) * | 2018-12-29 | 2019-05-10 | 国网陕西省电力公司电力科学研究院 | 一种基于声学特征和神经网络的电力变压器故障诊断方法 |
CN110188737A (zh) * | 2019-06-18 | 2019-08-30 | 郑州大学 | 基于锂电池安全阀开启声信号检测的热失控预警方法 |
CN111554066A (zh) * | 2020-04-22 | 2020-08-18 | 国网江苏省电力有限公司电力科学研究院 | 一种储能电池舱火灾预警装置和方法 |
CN111833896A (zh) * | 2020-07-24 | 2020-10-27 | 北京声加科技有限公司 | 融合反馈信号的语音增强方法、系统、装置和存储介质 |
CN214042545U (zh) * | 2020-12-02 | 2021-08-24 | 郑州大学 | 一种锂电池储能电站早期预警系统 |
CN113314144A (zh) * | 2021-05-19 | 2021-08-27 | 中国南方电网有限责任公司超高压输电公司广州局 | 声音识别及电力设备故障预警方法、系统、终端及介质 |
CN214898553U (zh) * | 2021-04-07 | 2021-11-26 | 郑州大学 | 基于氢气探测的汽车动力电池早期安全预警装置 |
-
2022
- 2022-03-30 CN CN202210322191.8A patent/CN114783152A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050265629A1 (en) * | 2004-05-28 | 2005-12-01 | The Regents Of The University Of California | Signal processing method and system for noise removal and signal extraction |
CN106919662A (zh) * | 2017-02-14 | 2017-07-04 | 复旦大学 | 一种音乐识别方法及系统 |
CN109740523A (zh) * | 2018-12-29 | 2019-05-10 | 国网陕西省电力公司电力科学研究院 | 一种基于声学特征和神经网络的电力变压器故障诊断方法 |
CN110188737A (zh) * | 2019-06-18 | 2019-08-30 | 郑州大学 | 基于锂电池安全阀开启声信号检测的热失控预警方法 |
CN111554066A (zh) * | 2020-04-22 | 2020-08-18 | 国网江苏省电力有限公司电力科学研究院 | 一种储能电池舱火灾预警装置和方法 |
CN111833896A (zh) * | 2020-07-24 | 2020-10-27 | 北京声加科技有限公司 | 融合反馈信号的语音增强方法、系统、装置和存储介质 |
CN214042545U (zh) * | 2020-12-02 | 2021-08-24 | 郑州大学 | 一种锂电池储能电站早期预警系统 |
CN214898553U (zh) * | 2021-04-07 | 2021-11-26 | 郑州大学 | 基于氢气探测的汽车动力电池早期安全预警装置 |
CN113314144A (zh) * | 2021-05-19 | 2021-08-27 | 中国南方电网有限责任公司超高压输电公司广州局 | 声音识别及电力设备故障预警方法、系统、终端及介质 |
Non-Patent Citations (1)
Title |
---|
李涛: "数字图像处理之红外弱目标分割方法研究", 西南交通大学出版社, pages: 135 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117162789A (zh) * | 2023-11-03 | 2023-12-05 | 中国第一汽车股份有限公司 | 电池热安全的控制方法、存储介质、处理器及车辆 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Negi et al. | Event detection and its signal characterization in PMU data stream | |
CN112201260B (zh) | 一种基于声纹识别的变压器运行状态在线检测方法 | |
CN106934421A (zh) | 基于2dpca及svm的变电站电力变压器故障检测系统及检测方法 | |
CN103323749A (zh) | 多分类器信息融合的局部放电诊断方法 | |
Mao et al. | Anomaly detection for power consumption data based on isolated forest | |
CN102148032A (zh) | 应用于atm机的异常声音检测方法及系统 | |
CN114783152A (zh) | 基于气声信息融合的储能电站火灾告警方法及系统 | |
CN114217149A (zh) | 一种变压器声学指纹不停电检测及状态预警方法 | |
CN114371353A (zh) | 一种基于声纹识别的电力设备异常监测方法及系统 | |
CN116882164A (zh) | 基于Fisher比与改进LSSVM算法的阀冷设备故障诊断方法 | |
CN208076016U (zh) | 一种基于振动信号支持向量机的gil故障在线监测系统 | |
Zhu et al. | Optimization research on abnormal diagnosis of transformer voiceprint recognition based on improved wasserstein GAN | |
CN116565354A (zh) | 一种电化学储能系统故障分级诊断预警方法、系统及设备 | |
CN115911623A (zh) | 一种储能系统基于声信号的电池热失控诊断方法及系统 | |
CN115830516A (zh) | 一种用于电池爆燃检测的计算机神经网络图像处理方法 | |
Yao et al. | AdaBoost-CNN: a hybrid method for electricity theft detection | |
CN115410599A (zh) | 一种基于声纹感知的变压器运行状态识别的方法及系统 | |
CN114121025A (zh) | 一种面向变电站设备的声纹故障智能检测方法及装置 | |
CN114662576A (zh) | 基于有监督分类的非侵入式电瓶车充电检测方法及系统 | |
Yang et al. | Non-technical Loss detection using missing values’ pattern | |
CN116505106B (zh) | 一种锂电池储能站的可视化管理方法及系统 | |
Wang et al. | The Application Research of Deep Learning Based Method for Short-term Wind Speed Forecasting | |
Liu et al. | An Automatic Detection Framework for Electrical Anomalies in Electrified Rail Transit System | |
CN116995734B (zh) | 面向电网的分布式能源电能质量监测控制评价系统 | |
Jin et al. | Multisource Heterogenous Data Fusion for Fault Identification of Buried Substations |
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 |