CN114818830A - 一种基于图谱的放电类型识别方法、装置、设备及介质 - Google Patents
一种基于图谱的放电类型识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114818830A CN114818830A CN202210569740.1A CN202210569740A CN114818830A CN 114818830 A CN114818830 A CN 114818830A CN 202210569740 A CN202210569740 A CN 202210569740A CN 114818830 A CN114818830 A CN 114818830A
- Authority
- CN
- China
- Prior art keywords
- map
- pulse current
- current signal
- discharge type
- phase
- 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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N3/045—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
Abstract
本发明公开了一种基于图谱的放电类型识别方法、装置、设备及介质。该方法包括:获取处于上电状态待检测电力设备的脉冲电流信号;提取所述脉冲电流信号的相位图谱和时频特征图谱;对所述时频特征图谱进行聚类处理,根据所述时频特征图谱的聚类结果对所述相位图谱进行分类,得到至少两个相位图谱分组;将至少两个相位图谱分组输入局部放电识别模型,得到所述待检测电力设备的放电类型。本发明实施例可以实现对待检测电力设备局部放电类型的准确和高效确定。
Description
技术领域
本发明涉及电气设备检测技术领域,尤其涉及一种基于图谱的放电类型识别方法、装置、设备及介质。
背景技术
电力设备的绝缘在强电场作用下局部范围内发生的放电称为局部放电。在绝缘体中,局部电场畸变,从而导致绝缘介质局部范围内的气体放电或击穿,因此发生局部放电的现象。长期的局部放电会腐蚀绝缘材料,并最后导致绝缘击穿。实践证明,局部放电是造成高压电气设备最终发生绝缘击穿的主要原因,其中,中、高压设备中高达85%的破坏性故障是由局部放电引起的。
现有基于人工识别和经验的局部放电识别方式,无法应对大规模,高频次的识别需求,不仅识别效率低下,对于具体的多种放电类型,也同样难以保证区分的准确度。
发明内容
本发明提供了一种基于图谱的放电类型识别方法、装置、设备及介质,以实现对待检测电力设备局部放电类型的准确和高效确定。
根据本发明的一方面,提供了一种基于图谱的放电类型识别方法,包括:
获取处于上电状态待检测电力设备的脉冲电流信号;
提取所述脉冲电流信号的相位图谱和时频特征图谱;
对所述时频特征图谱进行聚类处理,根据所述时频特征图谱的聚类结果对所述相位图谱进行分类,得到至少两个相位图谱分组;
将至少两个相位图谱分组输入局部放电识别模型,得到所述待检测电力设备的放电类型。
根据本发明的另一方面,提供了一种基于图谱的放电类型识别装置,包括:
电流信号获取模块,用于获取处于上电状态待检测电力设备的脉冲电流信号;
信号图谱提取模块,用于提取所述脉冲电流信号的相位图谱和时频特征图谱;
信号图谱聚类模块,用于对所述时频特征图谱进行聚类处理,根据所述时频特征图谱的聚类结果对所述相位图谱进行分类,得到至少两个相位图谱分组;
放电类型确定模块,用于将至少两个相位图谱分组输入局部放电识别模型,得到所述待检测电力设备的放电类型。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的基于图谱的放电类型识别方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的基于图谱的放电类型识别方法。
本发明实施例提取脉冲电流信号的相位图谱和时频特征图谱,基于时频特征图谱对相位图谱进行分组,将更加有效的相位图谱分组输入局部放电识别模型得到待检测电力设备的局部放电类型,提高对待检测电力设备放电类型的识别准确性和效率。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明一实施例提供的一种基于图谱的放电类型识别方法的流程图;
图2是根据本发明又一实施例提供的一种基于图谱的放电类型识别方法的流程图;
图3是根据本发明又一实施例提供的一种基于图谱的放电类型识别装置的结构示意图;
图4是实现本发明实施例的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1为本发明一实施例提供的一种基于图谱的放电类型识别方法的流程图,本实施例可适用于通过检测电力设备的脉冲电流信号确定其局部放电类型的情况,该方法可以由基于图谱的放电类型识别装置来执行,该装置可以采用硬件和/或软件的形式实现,该装置可配置于具备相应数据处理能力的电子设备中。如图1所示,该方法包括:
S110、获取处于上电状态待检测电力设备的脉冲电流信号。
其中,上电状态指电力设备存在电力连接的不停电状态。
具体的,待检测电力设备中部署有脉冲电流信号采集装置,当接收到采集信号时,通过脉冲电流信号采集装置采集得到待检测电力设备的脉冲电流信号,脉冲电流信号中能表征待检测电流设备的局部放电类型。
S120、提取所述脉冲电流信号的相位图谱和时频特征图谱。
具体的,脉冲电流信号中过于嘈杂,难以免除各种噪声和无用信息的干扰,如果直接利用脉冲电流信号确定局部放电类型,通常无法实现较好的识别效果。本发明中在得到脉冲电流信号之后,先从脉冲电流信号中提取相位(PRPD)图谱和时频特征(TF)图谱,将该脉冲电流信号的PRPD图谱和TF图谱作为后续确定待检测电力设备放电类型的依据。
S130、对所述时频特征图谱进行聚类处理,根据所述时频特征图谱的聚类结果对所述相位图谱进行分类,得到至少两个相位图谱分组。
具体的,从脉冲电流信号得到数据集,并确定该数据集中的样本数和特征点,基于特征点和样本数的距离关系对时频特征图谱进行聚类,得到至少两个聚类结果。由于任一脉冲均同时对应PRPD图谱中的一个点和TF图谱中的一点,根据TF图谱聚类分离的结果,可以将原始PRPD图谱进行相应的分离,得到至少两个相位图谱分组,每个相位图谱分组对应一种放电类型或一种噪声类型。由于每个PRPD图分组仅包括一种放电或干扰的数据,因此相对使用数据混杂的PRPD图谱进行判断,该方法可以显著提高放电识别的准确率。
S140、将至少两个相位图谱分组输入局部放电识别模型,得到所述待检测电力设备的放电类型。
具体的,将至少两个相位图谱作为输入预先训练好的局部放电识别模型,以该局部放电识别模型输出的局部放电类型分类结果,作为待检测电力设备的放电类型。
本发明实施例提取脉冲电流信号的相位图谱和时频特征图谱,基于时频特征图谱对相位图谱进行分组,将更加有效的相位图谱分组输入局部放电识别模型得到待检测电力设备的局部放电类型,提高对待检测电力设备放电类型的识别准确性和效率。
图2为本发明又一实施例提供的一种基于图谱的放电类型识别方法的流程图,本实施例在上述实施例的基础上进行了优化改进。如图2所示,该方法包括:
S210、获取待检测电力设备的运行状态;若所述待检测电力设备处于上电状态,通过高频脉冲电流采集装置获取所述待检测电力设备的脉冲电流信号;
具体的,通过采集电力设备的实时电流值、电力输入输出状态、开关闭合状态等属性信息,确定待检测电力设备是否处于运行状态。如果待检测设备的运行状态为下电状态,此时所采集的脉冲电流信号无法反映出局部放电烈性,不对脉冲电流信号进行获取。如果待检测设备的运行状态为上电状态,通过高频脉冲电流(HFCT)传感器作为电流脉冲信号采集装置来获取所述待检测电力设备的脉冲电流信号。HFCT传感器具备安装简单、低噪声、安全等特点,可适用于各种不同类型的待检测电力设备,有效提高脉冲电流信号的采集能力。
S220、提取所述脉冲电流信号的脉冲信号,得到所述脉冲电流信号的相位图谱;对所述脉冲电流信号中的各脉冲信号进行时频分析,得到所述脉冲电流信号的时频特征图谱。
具体的,将脉冲电流信号等分为多个区间,计算各区间的平均值得到序列,对第一序列进行排序,取出第一序列中较小的区间,计算较小区间中的最大值作为提取脉冲阈值。基于移动窗口法和提取脉冲阈值得到脉冲电流信号中的完整脉冲。采集局部放电原始数据时应同步采集现场的工频电压作为同步信号,将各脉冲相对于工频信号的位置换算为0~360°的相位值,各脉冲的最高点作为幅值,以脉冲相位为横轴、脉冲幅值为纵轴,得到PRPD图谱。设定脉冲电流信号采集样本的采样值,进行归一化得到第二序列,分别定义局部放电脉冲信号的等效时间长度T和等效频率宽度F为特征参数,对每一个脉冲作时频分析得出T和F,以等效频率为横轴,等效时间为纵轴,得到TF图谱。
S230、对所述时频特征图谱进行聚类处理,根据所述时频特征图谱的聚类结果对所述相位图谱进行分类,得到至少两个相位图谱分组。
S240、将至少两个相位图谱分组输入局部放电识别模型,得到所述待检测电力设备的放电类型。
可选的,所述相位图谱分组的特征通过所述局部放电识别模型的卷积神经网络层提取。
具体的,局部放电识别模型中的神经网络架构中存在卷积神经网络(CNN)层,由神经网络架构中的CNN层对图谱的特征进行自动提取,并完成局部放电类型的分类,以提高模型对图谱信息的识别效率和能力。
本发明实施例通过高频脉冲电流(HFCT)传感器作为电流脉冲信号采集装置来获取所述待检测电力设备的脉冲电流信号,可适用于各种不同类型的待检测电力设备,有效提高脉冲电流信号的采集能力。
图3为本发明又一实施例提供的一种基于图谱的放电类型识别装置的结构示意图。如图3所示,该装置包括:
电流信号获取模块310,用于获取处于上电状态待检测电力设备的脉冲电流信号;
信号图谱提取模块320,用于提取所述脉冲电流信号的相位图谱和时频特征图谱;
信号图谱聚类模块330,用于对所述时频特征图谱进行聚类处理,根据所述时频特征图谱的聚类结果对所述相位图谱进行分类,得到至少两个相位图谱分组;
放电类型确定模块340,用于将至少两个相位图谱分组输入局部放电识别模型,得到所述待检测电力设备的放电类型
本发明实施例所提供的基于图谱的放电类型识别装置可执行本发明任意实施例所提供的基于图谱的放电类型识别方法,具备执行方法相应的功能模块和有益效果。
可选的,所述电流信号获取模块具体用于:
获取待检测电力设备的运行状态;若所述待检测电力设备处于上电状态,通过高频脉冲电流采集装置获取所述待检测电力设备的脉冲电流信号。
可选的,所述信号图谱提取模块具体用于:
提取所述脉冲电流信号的脉冲信号,得到所述脉冲电流信号的相位图谱;对所述脉冲电流信号中的各脉冲信号进行时频分析,得到所述脉冲电流信号的时频特征图谱。
可选的,所述相位图谱分组的特征通过所述局部放电识别模型的卷积神经网络层提取。
进一步说明的基于图谱的放电类型装置也可执行本发明任意实施例所提供的基于图谱的放电类型方法,具备执行方法相应的功能模块和有益效果。
图4示出了可以用来实施本发明的实施例的电子设备40的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备40包括至少一个处理器41,以及与至少一个处理器41通信连接的存储器,如只读存储器(ROM)42、随机访问存储器(RAM)43等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器41可以根据存储在只读存储器(ROM)42中的计算机程序或者从存储单元48加载到随机访问存储器(RAM)43中的计算机程序,来执行各种适当的动作和处理。在RAM 43中,还可存储电子设备40操作所需的各种程序和数据。处理器41、ROM 42以及RAM 43通过总线44彼此相连。输入/输出(I/O)接口45也连接至总线44。
电子设备40中的多个部件连接至I/O接口45,包括:输入单元46,例如键盘、鼠标等;输出单元47,例如各种类型的显示器、扬声器等;存储单元48,例如磁盘、光盘等;以及通信单元49,例如网卡、调制解调器、无线通信收发机等。通信单元49允许电子设备40通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器41可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器41的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器41执行上文所描述的各个方法和处理,例如基于图谱的放电类型方法。
在一些实施例中,基于图谱的放电类型方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元48。在一些实施例中,计算机程序的部分或者全部可以经由ROM 42和/或通信单元49而被载入和/或安装到电子设备40上。当计算机程序加载到RAM 43并由处理器41执行时,可以执行上文描述的基于图谱的放电类型方法的一个或多个步骤。备选地,在其他实施例中,处理器41可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行基于图谱的放电类型方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(AS I C)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种基于图谱的放电类型识别方法,其特征在于,所述方法包括:
获取处于上电状态待检测电力设备的脉冲电流信号;
提取所述脉冲电流信号的相位图谱和时频特征图谱;
对所述时频特征图谱进行聚类处理,根据所述时频特征图谱的聚类结果对所述相位图谱进行分类,得到至少两个相位图谱分组;
将至少两个相位图谱分组输入局部放电识别模型,得到所述待检测电力设备的放电类型。
2.根据权利要求1所述的方法,其特征在于,所述获取处于上电状态待检测电力设备的脉冲电流信号,包括;
获取待检测电力设备的运行状态;
若所述待检测电力设备处于上电状态,通过高频脉冲电流采集装置获取所述待检测电力设备的脉冲电流信号。
3.根据权利要求1所述的方法,其特征在于,所述提取所述脉冲电流信号的相位图谱和时频特征图谱,包括:
提取所述脉冲电流信号的脉冲信号,得到所述脉冲电流信号的相位图谱;
对所述脉冲电流信号中的各脉冲信号进行时频分析,得到所述脉冲电流信号的时频特征图谱。
4.根据权利要求1所述的方法,其特征在于,所述相位图谱分组的特征通过所述局部放电识别模型的卷积神经网络层提取。
5.一种基于图谱的放电类型识别装置,其特征在于,所述装置包括:
电流信号获取模块,用于获取处于上电状态待检测电力设备的脉冲电流信号;
信号图谱提取模块,用于提取所述脉冲电流信号的相位图谱和时频特征图谱;
信号图谱聚类模块,用于对所述时频特征图谱进行聚类处理,根据所述时频特征图谱的聚类结果对所述相位图谱进行分类,得到至少两个相位图谱分组;
放电类型确定模块,用于将至少两个相位图谱分组输入局部放电识别模型,得到所述待检测电力设备的放电类型。
6.根据权利要求5所述的装置,其特征在于,所述电流信号获取模块具体用于:
获取待检测电力设备的运行状态;
若所述待检测电力设备处于上电状态,通过高频脉冲电流采集装置获取所述待检测电力设备的脉冲电流信号。
7.根据权利要求5所述的装置,其特征在于,所述信号图谱提取模块具体用于:
提取所述脉冲电流信号的脉冲信号,得到所述脉冲电流信号的相位图谱;
对所述脉冲电流信号中的各脉冲信号进行时频分析,得到所述脉冲电流信号的时频特征图谱。
8.根据权利要求5所述的装置,其特征在于,所述相位图谱分组的特征通过所述局部放电识别模型的卷积神经网络层提取。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-4中任一项所述的基于图谱的放电类型识别方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-4中任一项所述的基于图谱的放电类型识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210569740.1A CN114818830A (zh) | 2022-05-24 | 2022-05-24 | 一种基于图谱的放电类型识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210569740.1A CN114818830A (zh) | 2022-05-24 | 2022-05-24 | 一种基于图谱的放电类型识别方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114818830A true CN114818830A (zh) | 2022-07-29 |
Family
ID=82516860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210569740.1A Pending CN114818830A (zh) | 2022-05-24 | 2022-05-24 | 一种基于图谱的放电类型识别方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114818830A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115526217A (zh) * | 2022-11-28 | 2022-12-27 | 陕西公众电气股份有限公司 | 一种基于嵌入式平台的局部放电模式识别方法及系统 |
-
2022
- 2022-05-24 CN CN202210569740.1A patent/CN114818830A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115526217A (zh) * | 2022-11-28 | 2022-12-27 | 陕西公众电气股份有限公司 | 一种基于嵌入式平台的局部放电模式识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766236A (zh) | 基于统计分析和深度学习的电力设备状态趋势预测方法 | |
CN114818830A (zh) | 一种基于图谱的放电类型识别方法、装置、设备及介质 | |
CN216848010U (zh) | 一种边缘计算的电缆局放在线监测装置 | |
WO2022142048A1 (zh) | 唤醒指标监测方法、装置及电子设备 | |
CN116069774B (zh) | 基于无线超时智能分析的数据清洗方法、装置及介质 | |
CN115951185A (zh) | 绝缘子闪络检测方法、装置、电子设备及存储介质 | |
CN113076932B (zh) | 训练音频语种识别模型的方法、视频检测方法及其装置 | |
CN112818972B (zh) | 兴趣点图像的检测方法、装置、电子设备及存储介质 | |
CN114861321A (zh) | 交通流仿真的问题场景提取方法、装置、设备及介质 | |
CN114414951A (zh) | 气体绝缘金属封闭开关设备绝缘缺陷诊断方法及系统 | |
CN112863548A (zh) | 训练音频检测模型的方法、音频检测方法及其装置 | |
US20230130399A1 (en) | Wakeup Indicator Monitoring Method, Apparatus and Electronic Device | |
CN116127326B (zh) | 一种复合绝缘子检测方法、装置、电子设备及存储介质 | |
CN116087345B (zh) | 复合绝缘子的轴向缺陷长度的计算方法、装置及介质 | |
CN116679167A (zh) | 一种电缆的局部放电定位方法、设备及存储介质 | |
CN117434403A (zh) | 电器的局部放电检测方法及装置 | |
CN117112816B (zh) | 安检图像的排序方法、装置、设备及存储介质 | |
CN114866437B (zh) | 一种节点检测方法、装置、设备及介质 | |
CN117131990A (zh) | 电网基建信息管理方法、装置、电子设备及存储介质 | |
CN116338391A (zh) | 一种绝缘子状态检测方法、装置、电子设备以及介质 | |
CN116468076A (zh) | 一种驾驶行为分析方法、装置、电子设备及存储介质 | |
CN116013360A (zh) | 一种开关分合闸到位检测方法、装置、设备及介质 | |
CN117764052A (zh) | 一种检验文本相似程度的方法、装置、设备及介质 | |
CN115050029A (zh) | 一种图像检测方法、装置、电子设备及存储介质 | |
CN115630068A (zh) | 一种异常数据表确定方法、装置、设备和存储介质 |
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 |