CN115187527B - 一种多源混合型特高频局部放电图谱的分离识别方法 - Google Patents

一种多源混合型特高频局部放电图谱的分离识别方法 Download PDF

Info

Publication number
CN115187527B
CN115187527B CN202210721508.5A CN202210721508A CN115187527B CN 115187527 B CN115187527 B CN 115187527B CN 202210721508 A CN202210721508 A CN 202210721508A CN 115187527 B CN115187527 B CN 115187527B
Authority
CN
China
Prior art keywords
partial discharge
map
prpd
discharge
detection
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.)
Active
Application number
CN202210721508.5A
Other languages
English (en)
Other versions
CN115187527A (zh
Inventor
赵洪义
沈道义
胡勇
钱大钊
何成文
李丽彬
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.)
Shanghai Global Technology Co ltd
Original Assignee
Shanghai Global Technology Co 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 Shanghai Global Technology Co ltd filed Critical Shanghai Global Technology Co ltd
Priority to CN202210721508.5A priority Critical patent/CN115187527B/zh
Publication of CN115187527A publication Critical patent/CN115187527A/zh
Application granted granted Critical
Publication of CN115187527B publication Critical patent/CN115187527B/zh
Priority to PCT/CN2023/101087 priority patent/WO2023213332A1/zh
Priority to CN202380010710.XA priority patent/CN117242487A/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • G01R31/1254—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 of gas-insulated power appliances or vacuum gaps
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明公开了一种多源混合型特高频局部放电图谱的分离识别方法，包括：获取特高频局部放电信号的PRPD图谱，进行标准化处理，构建并标注局部放电样本数据库，构建局部放电信号以及噪声信号的PRPD图谱数据集；确定深度学习网络作为检测模型，并输入检测模型参数；划分PRPD图谱数据集，并输入到深度学习网络检测模型训练，调整检测模型以及训练参数，保留并评估训练好的模型，选取效果最优的模型作为PRPD图谱检测模型；对待识别的图谱，使用选取的检测模型，对待逐个分析确认检测目标，保留最终检测和多源分离的结果。本发明解决了使用图像识别算法对GIS特高频PRPD图谱进行放电类型识别时，当实际存在多个局部放电信号时，无法将它们分别检出的问题。

Description

一种多源混合型特高频局部放电图谱的分离识别方法
技术领域
本发明属于局部放电信号识别领域，尤其涉及一种基于数字图像目标检测和配对技术的多源混合型特高频局部放电图谱的分离识别方法。
背景技术
气体绝缘组合电器(Gas Insulated Switchgear,GIS)设备自20世纪60年代实用化以来，不仅在高压、超高压领域被广泛应用，而且在特高压领域也被使用。但是在复杂的工作环境下，或者是在制造和安装的过程当中，不可避免会产生一些内部缺陷和安全隐患，如导体接触不良、导电微粒、金属尖端、绝缘件气隙等等，导致各种类型的局部放电，进而导致GIS绝缘故障和电力系统事故。因此，定期对运行中的GIS设备进行特高频局部放电检测，根据检测到的局部放电PRPD图谱分析和诊断GIS内部的局部放电，及时发现和消除GIS内部缺陷隐患，已成为GIS设备运行维护的重要组成部分。
局部放电的类型识别是GIS局部放电检测的重要环节，主要依据是局部放电PRPD图谱。目前对于GIS局部放电类型识别，除了依靠检修人员根据经验人为识别外，许多研究机构研究开发了基于图像识别技术的人工智能识别方法，以实现局部放电识别的自动化。这类方法存在如下问题：针对一条局部放电图谱数据只能根据图谱图像的整体特征进行识别，仅输出一个局部放电类型作为最终识别结果。而实际情况中经常出现的GIS内部多个局部放电信号共存、内部局部放电信号与外部噪声信号共存等情况，PRPD图谱呈现为多个局放信号图谱的混合叠加图像，导致图谱“四不像”，造成识别错误。即便正确识别了其中某个信号源的类型，也必定会遗漏其他共存的信号源。
发明内容
本发明目的是提供一种多源混合型特高频局部放电图谱的分离识别方法，用于解决现有方法对GIS特高频PRPD图谱进行类型识别时，对多个信号源共存的图谱无法逐一检测并识别出其中每个信号源的问题。
一种多源混合型特高频局部放电图谱的分离识别方法，包括以下步骤：
步骤一：使用特高频局部放电检测装置获取PRPD图谱，并处理转化为标准灰度图像，构建局部放电图谱样本数据库；
步骤二：标注样本数据库，对每条样本图像中的每个信号源所对应的图谱区域逐一进行框选并标注其对应的信号类型，形成PRPD图谱数据集；
步骤三：确定深度学习网络作为检测模型，并输入检测模型参数；
步骤四：划分PRPD图谱数据集，并输入到深度学习网络检测模型进行训练，调整检测模型以及训练参数，保留训练好的模型；
步骤五：评估训练好的模型，选取效果最优的模型作为局部放电信号的PRPD图谱检测模型；
步骤六：对待测图谱进行放电信号检测，并在对应灰度图内检测出各类局部放电及噪声干扰的目标；
步骤七：逐个分析确认检测目标，保留符合标准的检测目标作为最终检测和多源分离的结果。
优选的，所述步骤一中,使用特高频局部放电检测装置获取PRPD图谱，所述PRPD图谱包括：独立的局部放电信号和干扰噪声信号、以及若干混合局部放电和干扰噪声的信号；
将所述PRPD图谱转化为灰度图，每个像素的灰度值为在该位置的脉冲数标准化到[0,255]范围内，即脉冲数最大值标准化为255，其他脉冲数按相同比例标准化到[0,254]范围内的整数。
优选的，所述步骤二中，通过图像标注工具“labelme”进行局部放电样本数据的标注，其中：对于局部放电样本数据库中的每个图谱，采用矩形框分别标出每个局部放电信号和每个噪声信号在PRPD图谱中的区域，以及各自的信号类型；所述悬浮放电、固体绝缘放电和颗粒放电信号在PRPD图谱中为相位偏差180度的两簇聚集，采用2个矩形框进行分别标注；
所述PRPD图谱数据集包括：悬浮放电、固体绝缘放电、颗粒放电、尖端放电、干扰噪声5种待测目标。
优选的，所述步骤三中，所述深度学习检测模型是基于YOLOv3检测算法的。
优选的，所述步骤三中，采用darknet-53作为YOLOv3检测算法的骨干网络。
优选的，所述步骤三中，所述深度学习网络检测模型包括13*13、26*26、52*52像素的特征图，所述特征图使用的尺寸为K-means算法聚类出9类先验框的平均尺寸。
优选的，所述步骤四中，所述PRPD图谱数据集包括：训练集、验证集及测试集，其中：所述训练集、验证集及测试集比例为6：2：2。
优选的，所述步骤四中，设置batch(每次输入检测模型进行训练的图片数量)和初始学习率的参数，根据损失函数变化动态调整学习率；
所述保存训练好的模型条件为：损失函数的值在小范围附近波动并不再下降。
优选的，所述步骤五中,所述效果最优的模型为：在测试集上mAP最高的训练好的模型。
优选的，所述步骤七中，逐个分析确认检测目标具体为：对于悬浮放电、固体绝缘放电、颗粒放电的待测目标，在距离其相位偏移180度，幅值相差10dB以内的区域，若存在同类目标，进行配对后作为同一个检出的局部放电信号；若不存在同类目标，丢弃该目标。
本发明具有以下技术效果：
1、解决了使用图像识别算法对GIS特高频PRPD图谱进行放电类型识别时，当实际存在多个局部放电信号时，无法将它们分别检出的问题；
2、不仅可以准确地对多局部放电混合信号图谱进行多源分离，而且能够对分离后的信号分别进行类型识别；
3、改变了传统的GIS放电信号检测方式，实现自动化检测以及多源分离，并且采用K-means聚类算法对初始候选框的参数进行改进，有效提高了识别速度能够，并且在测试集上的mAP达到了95％以上，能够更准确更有效率的对GIS放电信号进行实时的监测。
附图说明
图1为本发明流程示意图；
图2为本发明PRPD图谱标准化以及数据集标注示意图；
图中：(a)-(e)为PRPD图谱标准化过后的灰度图示意图，(f)-(j)为数据集标注示意图；
图3为本发明YOLOv3目标检测算法网络结构示意图；
图4为本发明待测图谱检测流程示意图。
具体实施方式
下面结合实施例及附图对本发明的技术方案作进一步阐述。
PRPD图谱，即相位分辨局部放电图谱(Phase Resolved Partial Discharge)，由局部放电检测仪器采集一段时间内的多个局部放电特高频脉冲，同时采集和记录每个脉冲采集时的电网工频相位(0～360°)，形成的统计图谱。图谱为散点状的二维坐标平面图，横坐标为脉冲的电网工频相位(0～360°)，纵坐标为脉冲的功率(范围一般为-80～0dBm)，每个散点的值为该坐标处在采集时间段内出现的脉冲个数。
本实施例提供了一种多源混合型特高频局部放电图谱的分离识别方法，包括以下步骤：
步骤一：使用特高频局部放电检测装置获取PRPD图谱，并处理转化为标准灰度图像，构建局部放电图谱样本数据库；
步骤二：标注样本数据库，对每条样本图像中的每个信号源所对应的图谱区域逐一进行框选并标注其对应的信号类型，形成PRPD图谱数据集；
步骤三：确定深度学习网络作为检测模型，并输入检测模型参数；
步骤四：划分PRPD图谱数据集，并输入到深度学习网络检测模型进行训练，调整检测模型以及训练参数，保留训练好的模型；
步骤五：评估训练好的模型，选取效果最优的模型作为局部放电信号的PRPD图谱检测模型；
步骤六：对待测图谱进行放电信号检测，并在对应灰度图内检测出各类局部放电及噪声干扰的目标；
步骤七：逐个分析确认检测目标，保留符合标准的检测目标作为最终检测和多源分离的结果。
本实施例进一步的实施方式，步骤一中,使用特高频局部放电检测装置获取PRPD图谱，PRPD图谱包括：四个种类独立的局部放电信号图谱、各类外部干扰信号图谱以及各类局部放电、外部干扰混合的信号图谱；
将PRPD图谱转化为灰度图，一共获取五万张PRPD图谱对应的灰度图，其中，四种独立局部放电信号的灰度图各一万张，混合局部放电信号的灰度图一万张；横坐标和纵坐标分别量化为416份，每个像素的灰度值为在该位置的脉冲数标准化到[0,255]范围内，即脉冲数最大值标准化为255，其他脉冲数按相同比例标准化到[0,254]范围内的整数。
本实施例进一步的实施方式，步骤二中，通过图像标注工具“labelme”进行局部放电样本数据的标注，生成包含标注信息的xml文件，其中：对于局部放电样本数据库中的每个图谱，采用矩形框分别标出每个局部放电信号和每个噪声信号在PRPD图谱中的区域，以及各自的信号类型；悬浮放电、固体绝缘放电和颗粒放电信号在PRPD图谱中为相位偏差180度的两簇聚集，采用2个矩形框进行分别标注；
PRPD图谱数据集包括：悬浮放电、固体绝缘放电、颗粒放电、尖端放电、干扰噪声5种待测目标。
本实施例进一步的实施方式，步骤三中，深度学习检测模型基于YOLOv3检测算法，输入图片的尺寸参数为416*416像素，Yolo是一种目标检测算法，目标检测的任务是从图片中找出物体并给出其类别和位置，它将单个卷积神经网络(CNN)应用于整个图像，将图像分成网格，并预测每个网格的类概率和边界框。
本实施例进一步的实施方式，步骤三中，采用darknet-53作为YOLOv3检测算法的骨干网络，darknet-53包括53层卷积，前52层卷积设置为主体网络，最后一层为全连接层。
本实施例进一步的实施方式，步骤三中，深度学习网络检测模型包括13*13、26*26、52*52像素的特征图，特征图使用的尺寸为K-means算法聚类出9类先验框的平均尺寸。
先验框的数量为13*13*3+26*26*3+52*52*3＝10647，每一个预测均为10维向量(4+1+5＝10)，10维向量包括：边框坐标(4个数值)，边框置信度(1个数值)，对象类别的概率(4种放电信号+1种噪声信号)；
每一个特征图最后输出的深度是：3*(4+1+5)＝30；
损失函数包括：中心坐标误差、宽高坐标误差、置信度误差以及类别误差。
本实施例进一步的实施方式，步骤四中，PRPD图谱数据集包括：训练集、验证集及测试集，其中：训练集、验证集及测试集比例为6：2：2，数量分别为30000、10000和10000。
本实施例进一步的实施方式，步骤四中，设置batch为64，表示每训练64个样本进行一次正向传播进行网络参数的更新，总迭代次数设置为400000次，初始学习率为0.001，根据损失函数变化动态调整学习率，迭代到200000次时，学习率衰减十倍，迭代到300000次时，学习率在前一个学习率的基础上再衰减十倍；
保存训练好的模型条件为：损失函数的值在小范围附近波动并不再下降，保存模型数量为5。
本实施例进一步的实施方式，步骤五中,对五个训练好的模型分别在测试集上进行测试，计算mAP(五类目标的平均准确率)，选取mAP最高的模型作为最终的检测模型。
本实施例进一步的实施方式，步骤七中，逐个分析确认检测目标具体为：对于尖端放电信号和干扰噪声信号的待测目标，检测出仅两种目标，保留检测结果；对于悬浮放电、固体绝缘放电、颗粒放电的待测目标，在距离其相位偏移180度，幅值相差10dB以内的区域(对应在灰度图上为横向平移208个像素，纵向相差52个像素)，若存在同类目标，进行配对后作为同一个检出的局部放电信号；若不存在同类目标，丢弃该目标。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种多源混合型特高频局部放电图谱的分离识别方法，其特征在于，包括以下步骤：
步骤一：获取GIS局部放电信号的PRPD图谱，并对PRPD图谱进行标准化处理，构建局部放电样本数据库；
步骤二：标注局部放电样本数据库，构建放电信号以及噪声信号的PRPD图谱数据集；
步骤三：确定深度学习网络作为检测模型，并输入检测模型参数；
步骤四：划分PRPD图谱数据集，并输入到深度学习网络检测模型进行训练，调整检测模型以及训练参数，保留训练好的模型；
步骤五：评估训练好的模型，选取效果最优的模型作为局部放电信号的PRPD图谱检测模型；
步骤六：对待测图谱进行放电信号检测，并在对应灰度图内检测出各类局部放电及噪声干扰的目标；
步骤七：逐个分析确认检测目标，保留符合标准的检测目标作为最终检测和多源分离的结果；
所述PRPD图谱数据集包括：悬浮放电、固体绝缘放电、颗粒放电、尖端放电、干扰噪声的待测目标；所述步骤二中，通过图像标注工具进行局部放电样本数据库的标注，其中：对于局部放电样本数据库中的每个图谱，采用矩形框分别标出局部放电信号和干扰噪声信号在PRPD图谱中的位置，以及信号类型；所述悬浮放电、固体绝缘放电和颗粒放电信号在PRPD图谱中为相位偏差180度的两簇聚集，采用2个矩形框进行分别标注；
所述步骤七中，逐个分析确认检测目标具体为：对于悬浮放电、固体绝缘放电、颗粒放电的待测目标，在距离其相位偏移180度，幅值相差10dB以内的区域，若存在同类目标，进行配对后作为同一个检出的局部放电信号；若不存在同类目标，丢弃该目标。
2.根据权利要求1所述的多源混合型特高频局部放电图谱的分离识别方法，其特征在于，所述步骤一中,使用特高频局部放电检测装置获取PRPD图谱，所述PRPD图谱包括：独立的局部放电信号和干扰噪声信号、以及若干混合局部放电和干扰噪声的信号；
将所述PRPD图谱转化为灰度图，每个像素在该位置脉冲数归一化的灰度值的范围为[0,255]。
3.根据权利要求1所述的多源混合型特高频局部放电图谱的分离识别方法，其特征在于，所述步骤三中，所述深度学习检测模型是基于YOLOv3检测算法的。
4.根据权利要求3所述的多源混合型特高频局部放电图谱的分离识别方法，其特征在于，所述步骤三中，采用darknet-53作为YOLOv3检测算法的骨干网络。
5.根据权利要求4所述的多源混合型特高频局部放电图谱的分离识别方法，其特征在于，所述步骤三中，所述深度学习网络检测模型包括3类像素的特征图，所述特征图使用的尺寸为K-means算法聚类出9类先验框的平均尺寸。
6.根据权利要求1所述的多源混合型特高频局部放电图谱的分离识别方法，其特征在于，所述步骤四中，所述PRPD图谱数据集包括：训练集、验证集及测试集，其中：所述训练集、验证集及测试集比例为6：2：2。
7.根据权利要求1所述的多源混合型特高频局部放电图谱的分离识别方法，其特征在于，所述步骤四中，设置每次输入检测模型进行训练的图片数量和初始学习率，根据损失函数变化动态调整学习率；
所述训练好的模型条件为：损失函数的值在小范围附近波动并不再下降。
8.根据权利要求1所述的多源混合型特高频局部放电图谱的分离识别方法，其特征在于，所述步骤五中,所述效果最优的模型为：在测试集上mAP最高的训练好的模型。
CN202210721508.5A 2022-06-27 2022-06-27 一种多源混合型特高频局部放电图谱的分离识别方法 Active CN115187527B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202210721508.5A CN115187527B (zh) 2022-06-27 2022-06-27 一种多源混合型特高频局部放电图谱的分离识别方法
PCT/CN2023/101087 WO2023213332A1 (zh) 2022-06-27 2023-06-19 一种多源混合型特高频局部放电图谱的分离识别方法
CN202380010710.XA CN117242487A (zh) 2022-06-27 2023-06-19 一种多源混合型特高频局部放电图谱的分离识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210721508.5A CN115187527B (zh) 2022-06-27 2022-06-27 一种多源混合型特高频局部放电图谱的分离识别方法

Publications (2)

Publication Number Publication Date
CN115187527A CN115187527A (zh) 2022-10-14
CN115187527B true CN115187527B (zh) 2023-04-07

Family

ID=83515178

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202210721508.5A Active CN115187527B (zh) 2022-06-27 2022-06-27 一种多源混合型特高频局部放电图谱的分离识别方法
CN202380010710.XA Pending CN117242487A (zh) 2022-06-27 2023-06-19 一种多源混合型特高频局部放电图谱的分离识别方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202380010710.XA Pending CN117242487A (zh) 2022-06-27 2023-06-19 一种多源混合型特高频局部放电图谱的分离识别方法

Country Status (2)

Country Link
CN (2) CN115187527B (zh)
WO (1) WO2023213332A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115187527B (zh) * 2022-06-27 2023-04-07 上海格鲁布科技有限公司 一种多源混合型特高频局部放电图谱的分离识别方法
CN116091501B (zh) * 2023-04-07 2023-06-23 武汉纺织大学 高压电气设备局部放电类型识别方法、装置、设备及介质
CN117630611B (zh) * 2024-01-22 2024-04-12 南京卓煊电力科技有限公司 全带宽高频局放prpd谱图捕获生成方法及系统
CN117607642B (zh) * 2024-01-23 2024-03-26 中铁电气化铁路运营管理有限公司 一种轨道交通数据分析方法和系统
CN117786521B (zh) * 2024-02-23 2024-04-19 兰州交通大学 基于智能频谱感知的信号分类方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110794264A (zh) * 2019-10-14 2020-02-14 浙江浙能技术研究院有限公司 一种基于时域脉冲特征的发电机局部放电类型识别方法
CN110850244A (zh) * 2019-11-11 2020-02-28 国网湖南省电力有限公司 基于深度学习的局放缺陷时域图谱诊断方法、系统及介质
CN111142001A (zh) * 2020-01-10 2020-05-12 三峡大学 基于平行特征域的变压器多源局部放电模式识别方法
CN114386499A (zh) * 2021-12-30 2022-04-22 重庆邮电大学 一种基于gis多源局部放电信号数据流聚类分离方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103558529B (zh) * 2013-11-14 2016-11-23 国家电网公司 一种三相共筒式超高压gis局部放电的模式识别方法
CN104198899B (zh) * 2014-08-04 2017-01-25 西安交通大学 一种多放电源情况下变压器局部放电类型识别方法
CN105807190B (zh) * 2014-12-29 2019-06-18 国家电网公司 一种gis局部放电超高频带电检测方法
CN106556781A (zh) * 2016-11-10 2017-04-05 华乘电气科技（上海）股份有限公司 基于深度学习的局部放电缺陷图像诊断方法及系统
ES2780448A1 (es) * 2019-02-22 2020-08-25 Ormazabal Corp Technology Aie Método y sistema de reconocimiento de descargas parciales para diagnóstico de redes eléctricas
KR102389439B1 (ko) * 2019-04-01 2022-04-22 명지대학교 산학협력단 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 장치 및 그 방법
CN112198399B (zh) * 2020-09-07 2023-12-19 红相股份有限公司 一种多源电磁波信号的识别方法及终端
CN112149549A (zh) * 2020-09-18 2020-12-29 国网山东省电力公司泰安供电公司 一种基于深度残差网络的gis局部放电类型识别方法
CN114186589A (zh) * 2021-12-08 2022-03-15 国网上海市电力公司 一种基于残差网络Resnet50的超导电缆局部放电模式识别方法
CN114417926A (zh) * 2022-01-19 2022-04-29 山东大学 一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法及系统
CN115187527B (zh) * 2022-06-27 2023-04-07 上海格鲁布科技有限公司 一种多源混合型特高频局部放电图谱的分离识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110794264A (zh) * 2019-10-14 2020-02-14 浙江浙能技术研究院有限公司 一种基于时域脉冲特征的发电机局部放电类型识别方法
CN110850244A (zh) * 2019-11-11 2020-02-28 国网湖南省电力有限公司 基于深度学习的局放缺陷时域图谱诊断方法、系统及介质
CN111142001A (zh) * 2020-01-10 2020-05-12 三峡大学 基于平行特征域的变压器多源局部放电模式识别方法
CN114386499A (zh) * 2021-12-30 2022-04-22 重庆邮电大学 一种基于gis多源局部放电信号数据流聚类分离方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于t-SNE与CFSFDP算法的多源局部放电脉冲分类技术";史强;《中国电力》;20220531;第1-7页 *

Also Published As

Publication number Publication date
CN115187527A (zh) 2022-10-14
WO2023213332A1 (zh) 2023-11-09
CN117242487A (zh) 2023-12-15

Similar Documents

Publication Publication Date Title
CN115187527B (zh) 一种多源混合型特高频局部放电图谱的分离识别方法
US11586913B2 (en) Power equipment fault detecting and positioning method of artificial intelligence inference fusion
CN111797890A (zh) 一种用于检测输电线路设备缺陷的方法及系统
CN113344134B (zh) 一种低压配电监控终端数据采集异常检测方法及系统
CN112034310A (zh) 一种组合电器局部放电缺陷诊断方法及系统
CN109685117B (zh) 一种气液固三相体系中流动参数的图像测量方法
CN111553303A (zh) 基于卷积神经网络的遥感正射影像密集建筑物提取方法
CN112949715A (zh) 一种基于svm的轨道交通故障诊断方法
CN115982602B (zh) 一种光伏变压器电故障检测方法
CN112085071A (zh) 一种基于边缘计算的配电房设备故障分析预判方法及装置
CN111881970A (zh) 一种基于深度学习的外破图像智能识别方法
CN112668612A (zh) 一种基于网格的局部放电信号聚类分析方法
CN110660049A (zh) 一种基于深度学习的轮胎缺陷检测方法
CN115599844A (zh) 一种飞机翼面连接件错装漏装可视化检测方法
CN110672988A (zh) 一种基于分层式诊断的局部放电模式识别方法
CN116466408B (zh) 一种基于航磁数据的人工神经网络超基性岩识别方法
CN116977807A (zh) 基于多传感器融合的冷库智能监控系统及方法
CN113781436B (zh) 一种基于摄像机和角度测量的高压开关状态监测方法
CN111737993A (zh) 一种配电网设备的故障缺陷文本提取设备健康状态方法
CN109636194B (zh) 一种输变电项目重大变动多源协同检测方法与系统
CN115082444B (zh) 一种基于图像处理的铜管焊缝缺陷检测方法及系统
CN113960700B (zh) 区域数值预报结果的客观检验、统计及分析系统
CN115586406A (zh) 一种基于特高频信号的gis局部放电故障诊断方法及系统
CN112508946B (zh) 一种基于对抗神经网络的电缆隧道异常检测方法
CN114494240A (zh) 基于多尺度协作深度学习的无砟轨道板裂缝测量方法

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