CN115169418A - 基于改进小波阈值法的开关柜局部放电识别方法和系统 - Google Patents
基于改进小波阈值法的开关柜局部放电识别方法和系统 Download PDFInfo
- Publication number
- CN115169418A CN115169418A CN202210928276.0A CN202210928276A CN115169418A CN 115169418 A CN115169418 A CN 115169418A CN 202210928276 A CN202210928276 A CN 202210928276A CN 115169418 A CN115169418 A CN 115169418A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- signal
- threshold
- wavelet
- function
- 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
- 238000000034 method Methods 0.000 title claims abstract description 80
- 230000006870 function Effects 0.000 claims abstract description 81
- 238000010801 machine learning Methods 0.000 claims abstract description 18
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002441 reversible effect Effects 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 2
- 230000010355 oscillation Effects 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000000354 decomposition reaction Methods 0.000 description 8
- 230000007547 defect Effects 0.000 description 6
- 238000009413 insulation Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 108010076504 Protein Sorting Signals Proteins 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明涉及一种基于改进小波阈值法的开关柜局部放电识别方法和系统,方法包括以下步骤:采集局部放电特高频信号,对该局部放电特高频信号进行离散采样后,采用改进小波阈值法进行局部放电信号的去噪,改进小波阈值法对小波阈值法的阈值函数进行改进,该改进后的阈值函数有高阶导数、为分段函数,且在阈值处连续;对去噪后的局部放电信号,根据局部放电相位分布谱图提取局部放电特征;通过预先构建并训练好的机器学习模型,根据提取的局部放电特征进行局部放电识别。与现有技术相比,本发明改进小波阈值法不会引起因阈值函数不连续而导致的信号重构振荡现象,有效提高了故障识别的准确率。
Description
技术领域
本发明涉及信号处理技术领域,尤其是涉及基于改进小波阈值法的开关柜局部放电识别方法和系统。
背景技术
开关柜是电力系统中起开断、隔离、灭弧作用的重要设备,其安全稳定对电网有着重要意义。随着我国电力系统工程的发展,开关柜凭借其设计紧凑、结构件通用性强、绝缘强度高等优势,得到了广泛的实际应用。在电力开关柜运行过程中,难免会发生各种各样的故障,大致有以下几类:绝缘故障、机械故障、线路故障等。据统计,开关柜内部的电弧故障不可避免,绝缘故障占总体故障80%左右,而局部放电(Partial discharge,PD)是影响设备发生绝缘的重要因素。研究开关柜内部的电弧故障和局部放电信号特征,可以有效降低开关柜内故障发生概率,提升开关柜运行稳定性与可靠性。
局放信号是具有非平稳特征的时变信号,通常在时域上表现为指数衰减函数或高斯函数的形式,需要采用合理的方式对噪声进行去除,提取可供机器进行分析的信号。在工业实践中,小波分析在局部放电去噪过程中得到广泛应用,小波函数可以寻找最优函数来抑制局部放电混频随机窄带噪声。多尺度小波变换可以把信号分解为多个尺度空间,该方法适合非稳态、高频以及暂态信号的去噪。开关柜特高频局放信号上升时间极短,数量级很小,小波分解可以实现局部放电噪声的部分去除。
如公开号为CN105223482A的发明提供的局部放电特高频信号波形的小波分解二值去噪方法,包括:1)在被检测的电力设备上安装局部放电特高频传感器,利用检测设备采集局部放电特高频信号;2)根据选取的母小波与分解层数,对局部放电信号进行多尺度小波分解,得到各尺度小波系数与信号波形;3)以减小局部放电信号波形畸变为目标,对小波分解系数进行处理:计算各尺度信号累积能量函数的数学形态学梯度,并计算数学形态学梯度的陡峭度;将陡峭度与某一阈值进行比较,若陡峭度大于该阈值认为该尺度包含局部放电信号,该尺度小波系数保持不变;否则该尺度仅包含噪声信号,将其小波系数置为零;4)根据处理后的小波系数进行小波重构,得到去噪后的局部放电特高频信号。
但传统的小波去噪技术存在处理后信号不连续、不平滑等问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于改进小波阈值法的开关柜局部放电识别方法,基于改进小波分解法对局部放电特高频信号进行变换,并选用改进阈值函数对小波系数进行局部放电信号进行信号处理,实现噪声滤除的功能,并对滤波后信号的特征采用神经网络进行训练,实现开关柜局部放电信号的故障模式识别。
本发明的目的可以通过以下技术方案来实现:
一种基于改进小波阈值法的开关柜局部放电识别方法,包括以下步骤:
采集局部放电特高频信号,对该局部放电特高频信号进行离散采样后,采用改进小波阈值法进行局部放电信号的去噪,所述改进小波阈值法对小波阈值法的阈值函数进行改进,该改进后的阈值函数有高阶导数、为分段函数,且在阈值处连续;
对去噪后的局部放电信号,根据局部放电相位分布谱图提取局部放电特征;
通过预先构建并训练好的机器学习模型,根据提取的局部放电特征进行局部放电识别。
进一步地,改进后的阈值函数的计算表达式为:
所述小波重构的计算表达式为:
进一步地,所述局部放电相位分布谱图包括最大放电量图谱、平均放电量图谱和放电次数图谱。
进一步地,提取局部放电特征包括从局部放电相位分布谱图中提取偏斜度、突出度和不对称度。
进一步地,所述偏斜度的计算表达式为:
式中,Sk为偏斜度,xi为信号的第i个序列数,N为信号的总序列数,μ表示信号序列数平均值,s(xi)为xi对应的局部放电信号;
所述突出度的计算表达式为:
式中,Ku为突出度;
所述不对称度的计算表达式为:
进一步地,所述机器学习模型为BiLSTM网络模型,该BiLSTM网络模型包括前向LSTM网络和后向LSTM网络,所述前向LSTM网络用于学习顺序输入的序列数据,所述后向LSTM网络用于学习倒序输入的序列数据,所述机器学习模型的输出的计算表达式为:
hω(xt)=σ(hLt+hRt)
式中,hω(xt)为机器学习模型的输出,σ为激活函数,hLt为正向LSTM最后一个细胞结构的输出,hRt为反向LSTM最后一个细胞结构的输出。
进一步地,所述机器学习模型的训练过程中,采用L1正则化的方式进行训练,所述机器学习模型训练过程中的损失函数为:
式中,L(x,y)为每次进行反向梯度传播时计算的损失函数,yi表示第i个实际分类标签的数值结果,hω(xt)为BiLSTM的模型输出值,n为识别结果的数量,ωj为第j个权重向量,λ为权重系数。
进一步地,所述机器学习模型的训练过程中,采用L2正则化的方式进行训练,所述机器学习模型训练过程中的损失函数为:
式中,L(x,y)为每次进行反向梯度传播时计算的损失函数,yi表示第i个实际分类标签的数值结果,hω(xt)为BiLSTM的模型输出值,n为识别结果的数量,ωj为第j个权重向量,λ为权重系数。
本发明还提供一种基于改进小波阈值法的开关柜局部放电识别系统,包括存储器和处理器,所述存储器存储有计算机程序,处理器调用所述计算机程序执行如上所述的方法的步骤。
与现有技术相比,本发明具有以下优点:
(1)本发明考虑到常用的小波变换采用硬、软阈值算法,对于软阈值函数来说,由于噪声干扰后的小波系数和预估出的小波系数的绝对值有差值λi,使重构后的信号准确度偏低,因此需要减小它们之间的差值对结果带来的影响。而硬阈值函数干扰后的小波系数与预估的小波系数间没有差值,并且不连续,重构后的信号也不理想;
通过分析局放信号与干扰噪声在小波空间的分布规律可知,局部放电信号的信息大部分都聚集在高尺度上,而干扰噪声主要是在低尺度上;本发明考虑在高尺度上采用近似硬阈值的算法尽可能降低局放信号能量的损失,在低尺度上运用近似软阈值的算法保证提取信号的平滑度,从而对传统的阈值函数重新构造;
重新构造的阈值函数与传统的阈值函数对比后发现,该函数有高阶导数,在初始信号与噪声信号间有平滑的过渡区间;分析阈值函数可知,此函数为奇函数,和传统的硬软阈值函数无差别。判断连续性,由于该函数为分段函数,且函数在阈值处连续,故函数不会引起因阈值函数不连续而导致的信号重构振荡现象。
(2)本发明通过计算最大放电量图谱、平均放电量图谱和放电次数图谱的各偏斜度、突出度和不对称度,因为部分局部放电信号在整体上有相似性,但是半周的突出度与偏斜度却存在差别,因此本发明可以更为细致的比较不同半周的信号差距,十分有利于识别整体相似但是存在微小差别的局部放电信号,可有效提高故障识别的准确率。
(3)本发明采用BiLSTM神经网络模型通过一定量的训练后可以准确地对开关柜绝缘缺陷类型进行分类,为开关柜内放电缺陷类型识别提出了参考依据。
附图说明
图1为本发明实施例中提供的一种基于改进小波阈值法的开关柜局部放电识别方法的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
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。
实施例1
如图1所示,本发明还提供一种基于改进小波阈值法的开关柜局部放电识别方法,包括以下步骤:
S1:采集局部放电特高频信号,对该局部放电特高频信号进行离散采样后,采用改进小波阈值法进行局部放电信号的去噪,所述改进小波阈值法对小波阈值法的阈值函数进行改进,该改进后的阈值函数有高阶导数、为分段函数,且在阈值处连续;
采集局部放电特高频信号,对该局部放电特高频信号进行离散采样后,采用改进小波阈值法进行局部放电信号的去噪,改进小波阈值法的阈值函数有高阶导数、为分段函数,且在阈值处连续;
S2:对去噪后的局部放电信号,根据局部放电相位分布谱图提取局部放电特征;
S3:通过预先构建并训练好的机器学习模型,根据提取的局部放电特征进行局部放电识别,实现开关柜局部放电信号的故障模式分类。
下面对各步骤进行详细描述。
一、步骤S1的具体方法
设局部放电特高频信号为f(t),f(t)=s(t)+n(t),s(t)为原始信号,n(t)为高斯白噪声。对f(t)进行离散采样,得到N点离散信号f(n),n=0,1,2,…,N-1,其小波变换为:
其中,j,k是0-N-1中的任意两个序号。ψ(x)为小波函数,一般很难找到显示表达式。C(j,k)即为小波系数。一般对小波系数的分析通过小波变换的递归实现方法。
S(j+1,k)=S(j,k)*h(j,k)
C(j+1,k)=S(j,k)*g(j,k)
其中h和g分别是小波函数ψ(t)对应的低通和高通滤波器。S(0,k)为原始信号,S(j,k)为递归后得到的尺度系数。
小波变换的分解与重构是采用滤波器函数,把信号进行抽取获得小波系数后,设计滤波器组对信号进行重构,但在传统二抽取的过程中仍存在部分缺陷,使得信号发生混叠,造成信号畸变,对原始信号的小波系数产生了较大影响。常用的硬、软阈值算法较为普及,但它们各自都有一定的局限性。
当Cjk小于某个临界阈值时,认为这时的Cj,k主要是由噪声引起的,应予以舍弃;当Cj,k大于这个临界阈值时,认为这时的小波系数主要是由信号引起的,就把这一部分的Cj,k直接保留下来(硬阈值方法)或者按某一个固定量向零收缩(软阈值方法)。
为了使分解系数与预估系数之间的偏差对重构信号的影响降低,本发明对硬软阈值进行改进,重新对阈值函数进行构造:
对于软阈值函数来说,由于噪声干扰后的小波系数和预估出的小波系数的绝对值有差值λi,使重构后的信号准确度偏低,因此需要减小它们之间的差值对结果带来的影响。而硬阈值函数干扰后的小波系数与预估的小波系数间没有差值,并且不连续,重构后的信号也不理想。
通过分析局放信号与干扰噪声在小波空间的分布规律可知,局部放电信号的信息大部分都聚集在高尺度上,而干扰噪声主要是在低尺度上,可考虑在高尺度上采用近似硬阈值的算法尽可能降低局放信号能量的损失,在低尺度上运用近似软阈值的算法保证提取信号的平滑度,可以通过这种思想来对传统的阈值函数重新构造,重新构造的阈值函数与传统的阈值函数对比后发现,该函数有高阶导数,在初始信号与噪声信号间有平滑的过渡区间。
分析阈值函数可知,此函数为奇函数,和传统的硬软阈值函数无差别。判断连续性,由于该函数为分段函数,且函数在阈值处连续,故函数不会引起因阈值函数不连续而导致的信号重构振荡现象。
接下来用新的小波系数进行小波重构得到去噪后的信号,相应的重构公式为
二、步骤S2的具体方法
特征提取是提取信号的关键信息,可以有效降低数据量,是模式识别的关键环节。特征参数选取是否恰当,将很大程度上决定识别结果的好坏。局部放电特高频检测法特征提取主要分为两类,一种是基于多脉冲统计的统计图谱法,另一种是基于单脉冲的波形分析法。局部放电特征量构造可分为统计特征参数,图像特征参数,分形特征参数,时域特征参数,频域特征参数。为了能较为准确的识别局部放电故障类型,在本发明中,基于多脉冲统计办法,分别从最大放电量图谱、平均放电量图谱和放电次数图谱三方面进行统计特征提取,为后续故障类型识别提供便利。
上位机接收的初始幅值-时间波形,该数据由密集的柱状数据组成,这些柱状数据对应着不同时刻采样点,可以发现难以直观地从该图得到有效特征信息,因此需要对该图进行统计处理。
幅值-时间图横坐标分成多个正弦周期,将多个周期叠加于一周期之内,根据幅值,统计一个周期的不同相位处的放电次数,平均放电量与最大放电量,对该类相位分布图谱进行特征提取。
最大放电量图谱是反映一段时间内局部放电脉冲信号幅值大小的图谱,将这一段时间内所有放电脉冲的最大幅值与其在放电周期内的相位信息进行统计,叠加到同一个周期内,以便观察信号的总体情况。平均放电量图谱是对一段时间内局部放电信号平均放电量的反映,将大量放电幅值集中于一个周期之内,统计一个周期内不同相位处所有幅值的平均大小。放电次数图谱是将叠加的一周期内的不同相位处的放电次数统计出来。
对统计好的图谱提取偏斜度,突出度,不对称度,相关度基本统计参数。从信号能量波动的角度提取突出度,偏斜度。从信号整体性的角度提取对称度,相关度,反应放电信号总体特征情况。对于步骤S1中提取到的局部放电离散信号s(n),具体算子如下:
偏斜度(Skewness,Sk):表示统计信号对称性,数值越大表示偏斜越严重。
突出度(Kurtosis,Ku):表示统计信号的突出程度,数值越大,表明信号幅值分布尖锐陡峭,越小表示信号幅值分布平坦。
不对称度(Asymmetry Degree,Q):描述统计类信号正负半周统计信号的对称性,越接近于1表示正负半周放电情况相似,否则表示左右半周不平衡。
利用以上算子计算最大放电量图谱,平均放电量图谱,放电次数图谱的各偏斜度,突出度,不对称度。因为部分局部放电信号在整体上有相似性,但是半周的突出度与偏斜度却存在差别,因此本文更为细致的比较不同半周的信号差距,十分有利于识别整体相似但是存在微小差别的局部放电信号,可有效提高故障识别的准确率。
三、步骤S3的具体方法:
利用双向长短时记忆单元(Bidirectional Long Short-term Memory Model,BiLSTM)实现对特征信号的模式识别功能。LSTM是循环神经网络中的一种,其主要由三个门控单元组成,即遗忘门、输入门和输出门。这三个门选择性地遗忘部分历史信息,加入部分当前输入信息,最终整合到当前状态并产生输出状态。遗忘门主要作用在LSTM状态向量c上面,用于控制上一个时间段的记忆ct-1对于当前时间段的影响。输入门用来控制LSTM对于输入的接受程度。首先通过对当前时间段的输入和上一个时间段的输出做非线性变换得到新的输入向量:
式中:Wc和bc为输入门的参数,xt为当前时间段的输入(步骤S2中得到的偏斜度、突出度等数据),tanh为激活函数,ht-1为上一个时间段的输出。
输入门控制变量gi决定了LSTM对于当前时间段的新输入ct的接受程度,经过输入门后,待写入Memory的向量为在LSTM内部,状态向量并不会全部输出,而是在输出门的作用下有选择地输出。而输出门的门控变量go的计算公式如下:
go=σ(Wo[ht-1,xt]+bo)
式中:Wo和bo为输入门的参数,σ为激活函数,一般为sigmod函数。故LSTM输出的计算公式为:
ht=go tanh(ct)
即内存向量ct经过tanh激活函数后与输入门作用,得到LSTM的输出。
BiLSTM在原前向LSTM的基础上加入了一个后向LSTM,对于前向LSTM,学习顺序输入的序列数据,而后向LSTM,则用来学习倒序输入的序列数据。等前向LSTM和后向LSTM都对数据学习完毕,在对两段LSTM学习结果进行叠加,得到最后的输出,其计算公式如下:
hω(xt0=σ(hLt+hRt)
式中:σ为激活函数,一般为sigmod函数,hLt表示正向LSTM最后一个细胞结构的输出,故hRt表示反向LSTM最后一个细胞结构的输出。
每一次训练过程中,对输入层、隐藏层和输出层的权重矩阵、隐藏层和输出层的偏移量等数据进行更新。为了防止数据的过拟合,可以在对程序进行训练时,加入正则化的过程,最常见的是采用L1或者L2正则化。L1正则化是将参数的绝对值之和加到损失函数中,这样可以让某些权重在训练的过程当中变为零,从而使得权重稀疏,其公式如下:
L2正则化则是将参数的平方和加到损失函数中,可以让某些不重要的权重变小,从而使得权重平滑,其公式如下:
式中,L(x,y)表示每次进行反向梯度传播时计算的损失函数,yi表示实际分类标签的数值结果,hω(xt)为BiLSTM的模型输出值。这样就使得每次网络学习的权值调整过程中,会对权值矩阵的一范数或二范数进行约束,进而防止过拟合的发生。
由不同原因导致的局部放电特征信号组成BiLSTM神经网络模式识别算法的训练样本,最后通过验证识别的准确度。进行神经网络算法的验证,其通过一定量的训练后可以准确地对开关柜绝缘缺陷类型进行分类,为开关柜内放电缺陷类型识别提出了参考依据。
本实施例还提供一种基于改进小波阈值法的开关柜局部放电识别系统,包括存储器和处理器,所述存储器存储有计算机程序,处理器调用所述计算机程序执行如上所述的方法的步骤。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于改进小波阈值法的开关柜局部放电识别方法,其特征在于,包括以下步骤:
采集局部放电特高频信号,对该局部放电特高频信号进行离散采样后,采用改进小波阈值法进行局部放电信号的去噪,所述改进小波阈值法对小波阈值法的阈值函数进行改进,该改进后的阈值函数有高阶导数、为分段函数,且在阈值处连续;
对去噪后的局部放电信号,根据局部放电相位分布谱图提取局部放电特征;
通过预先构建并训练好的机器学习模型,根据提取的局部放电特征进行局部放电识别。
4.根据权利要求1所述的一种基于改进小波阈值法的开关柜局部放电识别方法,其特征在于,所述局部放电相位分布谱图包括最大放电量图谱、平均放电量图谱和放电次数图谱。
5.根据权利要求1所述的一种基于改进小波阈值法的开关柜局部放电识别方法,其特征在于,提取局部放电特征包括从局部放电相位分布谱图中提取偏斜度、突出度和不对称度。
7.根据权利要求1所述的一种基于改进小波阈值法的开关柜局部放电识别方法,其特征在于,所述机器学习模型为BiLSTM网络模型,该BiLSTM网络模型包括前向LSTM网络和后向LSTM网络,所述前向LSTM网络用于学习顺序输入的序列数据,所述后向LSTM网络用于学习倒序输入的序列数据,所述机器学习模型的输出的计算表达式为:
hω(xt)=σ(hLt+hRt)
式中,hω(xt)为机器学习模型的输出,σ为激活函数,hLt为正向LSTM最后一个细胞结构的输出,hRt为反向LSTM最后一个细胞结构的输出。
10.一种基于改进小波阈值法的开关柜局部放电识别系统,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,处理器调用所述计算机程序执行如权利要求1至9任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210928276.0A CN115169418A (zh) | 2022-08-03 | 2022-08-03 | 基于改进小波阈值法的开关柜局部放电识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210928276.0A CN115169418A (zh) | 2022-08-03 | 2022-08-03 | 基于改进小波阈值法的开关柜局部放电识别方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115169418A true CN115169418A (zh) | 2022-10-11 |
Family
ID=83476426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210928276.0A Pending CN115169418A (zh) | 2022-08-03 | 2022-08-03 | 基于改进小波阈值法的开关柜局部放电识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115169418A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708760A (zh) * | 2024-02-05 | 2024-03-15 | 国网江西省电力有限公司电力科学研究院 | 基于多模型融合的开关柜多源局放模式识别方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101702002A (zh) * | 2009-12-07 | 2010-05-05 | 上海市电力公司 | 局部放电声电联合检测定位系统及其定位方法 |
CN105606966A (zh) * | 2015-12-21 | 2016-05-25 | 安徽理工大学 | 基于混合神经网络算法的局部放电模式识别方法 |
CN109557429A (zh) * | 2018-11-07 | 2019-04-02 | 国网浙江省电力有限公司电力科学研究院 | 基于改进小波阈值去噪的gis局部放电故障检测方法 |
CN113325277A (zh) * | 2021-04-30 | 2021-08-31 | 国能大渡河检修安装有限公司 | 一种局部放电处理方法 |
CN114065815A (zh) * | 2021-11-17 | 2022-02-18 | 国网山东省电力公司电力科学研究院 | 基于eemd与神经网络的变压器局部放电识别方法及系统 |
-
2022
- 2022-08-03 CN CN202210928276.0A patent/CN115169418A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101702002A (zh) * | 2009-12-07 | 2010-05-05 | 上海市电力公司 | 局部放电声电联合检测定位系统及其定位方法 |
CN105606966A (zh) * | 2015-12-21 | 2016-05-25 | 安徽理工大学 | 基于混合神经网络算法的局部放电模式识别方法 |
CN109557429A (zh) * | 2018-11-07 | 2019-04-02 | 国网浙江省电力有限公司电力科学研究院 | 基于改进小波阈值去噪的gis局部放电故障检测方法 |
CN113325277A (zh) * | 2021-04-30 | 2021-08-31 | 国能大渡河检修安装有限公司 | 一种局部放电处理方法 |
CN114065815A (zh) * | 2021-11-17 | 2022-02-18 | 国网山东省电力公司电力科学研究院 | 基于eemd与神经网络的变压器局部放电识别方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708760A (zh) * | 2024-02-05 | 2024-03-15 | 国网江西省电力有限公司电力科学研究院 | 基于多模型融合的开关柜多源局放模式识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110377984A (zh) | 一种工业设备剩余有效寿命预测方法、系统及电子设备 | |
CN113344295B (zh) | 基于工业大数据的设备剩余寿命预测方法、系统及介质 | |
Koskela et al. | Temporal sequence processing using recurrent SOM | |
CN112051480A (zh) | 基于变分模态分解的神经网络配电网故障诊断方法及系统 | |
Dash et al. | Mining for similarities in time series data using wavelet-based feature vectors and neural networks | |
CN112085111B (zh) | 一种负荷辨识方法和装置 | |
CN110263944A (zh) | 一种多变量故障预测方法和装置 | |
CN115169418A (zh) | 基于改进小波阈值法的开关柜局部放电识别方法和系统 | |
CN117272102A (zh) | 一种基于双注意力机制的变压器故障诊断方法 | |
CN115204231A (zh) | 基于eeg脑电多维特征的数字化人机界面认知负荷评估方法 | |
CN116647405B (zh) | 一种多路径quic异常流量检测方法、系统及设备 | |
CN112761843A (zh) | 一种共轨喷油器故障诊断方法 | |
CN110866840A (zh) | 基于知识图谱的电力负荷特征量训练的数据库建模方法 | |
CN115508618B (zh) | 一种基于时域Hermite插值的准同步谐波分析装置及方法 | |
CN116758922A (zh) | 一种用于变压器的声纹监测与诊断方法 | |
CN115733673B (zh) | 一种基于多尺度残差分类器的数据异常检测方法 | |
CN116628620A (zh) | 一种非侵入式负荷识别计算方法 | |
CN108509933B (zh) | 一种基于多小波基函数展开的锋电位时变格兰杰因果准确辨识方法 | |
CN115936196A (zh) | 基于时序卷积网络的月降水模型预测方法 | |
CN116226770A (zh) | 一种时间序列数据异常检测方法及装置 | |
CN115859702A (zh) | 一种基于卷积神经网络的永磁同步风力发电机退磁故障诊断方法及系统 | |
CN112116917A (zh) | 基于相位跃变度的电抗器本体与风机声信号分离方法 | |
CN114152454A (zh) | 基于ceemdan-cse模型的机械设备故障诊断方法及该模型的建立方法 | |
Li et al. | Fault feature extraction method based on EWT-SMF and MF-DFA for valve fault of reciprocating compressor | |
Chiam et al. | Global attention-based LSTM for noisy power quality disturbance classification |
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 |