CN115389882A - 电晕放电状态评估方法、装置、计算机设备和存储介质 - Google Patents

电晕放电状态评估方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN115389882A
CN115389882A CN202211031099.2A CN202211031099A CN115389882A CN 115389882 A CN115389882 A CN 115389882A CN 202211031099 A CN202211031099 A CN 202211031099A CN 115389882 A CN115389882 A CN 115389882A
Authority
CN
China
Prior art keywords
corona discharge
pulse current
discharge state
principal component
image
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.)
Granted
Application number
CN202211031099.2A
Other languages
English (en)
Other versions
CN115389882B (zh
Inventor
黄家豪
张博
谢桂泉
王晨涛
周翔胜
邝建荣
石延辉
张文
梁家豪
杨洋
张思光
王清君
洪乐洲
胡忠山
袁海
赵明
朱云峰
张朝辉
罗宇航
张瑞
唐力
周文瑞
赵航航
王蒙
陈佳欢
张鹏
胡宇林
廖名洋
严伟
蔡斌
孔玮琦
许浩强
张先亮
陈朋辉
包威
叶林
姜旭
王翔宇
李泽
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.)
Guangzhou Bureau of Extra High Voltage Power Transmission Co
Original Assignee
Guangzhou Bureau of Extra High Voltage Power Transmission Co
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 Guangzhou Bureau of Extra High Voltage Power Transmission Co filed Critical Guangzhou Bureau of Extra High Voltage Power Transmission Co
Priority to CN202211031099.2A priority Critical patent/CN115389882B/zh
Publication of CN115389882A publication Critical patent/CN115389882A/zh
Application granted granted Critical
Publication of CN115389882B publication Critical patent/CN115389882B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12Testing 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
    • G01R31/1218Testing 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 using optical methods; using charged particle, e.g. electron, beams or X-rays
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features

Landscapes

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

Abstract

本申请涉及一种电晕放电状态评估方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:获取电气设备的图像特征数据;基于图像特征数据,并采用主成分分析法得到主成分特征;根据主成分特征以及预设电晕放电脉冲电流与图像特征拟合关系,得到脉冲电流数据;根据脉冲电流数据以及预设电晕放电状态区间,确定电气设备的电晕放电状态。整个方案通过获取电气设备的图像特征数据,并基于图像特征,计算得到脉冲电流数据,进而根据脉冲电流以及图像特征放电得分再次进行放电状态判断,通过多维度的特征进行多次评估,得到的电晕放电状态更加准确。

Description

电晕放电状态评估方法、装置、计算机设备和存储介质
技术领域
本申请涉及高压电气设备故障检测技术领域,特别是涉及一种电晕放电状态评估方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
电晕放电指带电体表面在气体介质中所发生局部自持性放电现象,其长期的累积效应会造成高电压电气设备表面的腐蚀和老化。随着电网系统中直流输电运维经验的不断丰富,高电压电气设备电晕放电对于设备运行安全所可能造成的不利影响,越来越得到运维部门高度重视。
目前,主要通过紫外检测技术来探测高电压电气设备内器件的表面放电情况。但是利用紫外检测方法只能检测到电晕放电现象,无法准确判断电晕放电状态。
发明内容
基于此,有必要针对上述技术问题,提供一种准确判断放电状态的电晕放电状态评估方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种电晕放电状态评估方法。该方法包括:
获取电气设备的图像特征数据;
基于图像特征数据,并采用主成分分析法得到主成分特征;
根据主成分特征以及预设电晕放电脉冲电流与图像特征拟合关系,得到脉冲电流数据;
根据脉冲电流数据以及预设电晕放电状态区间,确定电气设备的电晕放电状态。
在其中一个实施例中,根据脉冲电流数据以及预设电晕放电状态区间,确定电气设备的电晕放电状态包括:根据预设电晕放电状态区间,确定脉冲电流数据所属的放电状态区间;根据放电状态区间,确定电气设备的电晕放电状态。
在其中一个实施例中,预设电晕放电状态区间的确定过程包括:获取电晕放电的历史图像特征数据以及历史脉冲电流数据;根据主成分分析法对历史图像特征数据进行特征融合,得到主成分特征;根据主成分特征,得到图像特征综合评价指标;将图像特征综合评价指标与历史脉冲电流数据进行拟合,得到电晕放电脉冲电流与图像特征拟合关系;基于电晕放电脉冲电流与图像特征拟合关系,采用优劣解距离法进行区间划分,得到预设电晕放电状态区间。
在其中一个实施例中,根据主成分分析法对历史图像特征数据进行特征融合,得到主成分特征包括:根据历史图像特征数据,构建目标评估矩阵;对目标评估矩阵进行标准化处理,得到标准化矩阵;根据标准化矩阵,确定图像特征中的各成分贡献率;根据各成分贡献率,确定主成分特征。
在其中一个实施例中,根据主成分特征,得到图像特征综合评价指标包括:根据主成分特征的特征向量、标准化矩阵以及主成分特征中各成分贡献率进行计算,得到图像特征综合评价指标。
在其中一个实施例中,基于电晕放电脉冲电流与图像特征拟合关系,采用优劣解距离法进行区间划分,得到预设电晕放电状态区间包括:根据电晕放电脉冲电流与图像特征拟合关系以及历史脉冲电流数据,计算不同放电状态对应的脉冲电流峰值;根据不同放电状态对应的脉冲电流峰值,确定放电状态正理想解和负理想解;根据放电状态正理想解和负理想解进行距离计算,确定预设电晕放电状态区间。
第二方面,本申请还提供了一种电晕放电状态评估装置。该装置包括:
获取模块,用于获取电气设备的图像特征数据;
分析模块,用于基于图像特征数据,并采用主成分分析法得到主成分特征;
电流确定模块,用于根据主成分特征以及预设电晕放电脉冲电流与图像特征拟合关系,得到脉冲电流数据;
状态确定模块,用于根据脉冲电流数据以及预设电晕放电状态区间,确定电气设备的电晕放电状态。
在其中一个实施例中,状态确定模块还用于根据预设电晕放电状态区间,确定脉冲电流数据所属的放电状态区间;根据放电状态区间,确定电气设备的电晕放电状态。
在其中一个实施例中,电晕放电状态评估装置还包括训练模块,用于获取电晕放电的历史图像特征数据以及历史脉冲电流数据;根据主成分分析法对历史图像特征数据进行特征融合,得到主成分特征;根据主成分特征,得到图像特征综合评价指标;将图像特征综合评价指标与历史脉冲电流数据进行拟合,得到电晕放电脉冲电流与图像特征拟合关系;基于电晕放电脉冲电流与图像特征拟合关系,采用优劣解距离法进行区间划分,得到预设电晕放电状态区间。
在其中一个实施例中,训练模块还用于根据历史图像特征数据,构建目标评估矩阵;对目标评估矩阵进行标准化处理,得到标准化矩阵;根据标准化矩阵,确定图像特征中的各成分贡献率;根据各成分贡献率,确定主成分特征。
在其中一个实施例中,训练模块还用于根据主成分特征的特征向量、标准化矩阵以及主成分特征中各成分贡献率进行计算,得到图像特征综合评价指标。
在其中一个实施例中,训练模块还用于根据电晕放电脉冲电流与图像特征拟合关系以及历史脉冲电流数据,计算不同放电状态对应的脉冲电流峰值;根据不同放电状态对应的脉冲电流峰值,确定放电状态正理想解和负理想解;根据放电状态正理想解和负理想解进行距离计算,确定预设电晕放电状态区间。
第三方面,本申请还提供了一种计算机设备。该计算机设备包括存储器和处理器,该存储器存储有计算机程序,该处理器执行该计算机程序时实现以下步骤:
获取电气设备的图像特征数据;
基于图像特征数据,并采用主成分分析法得到主成分特征;
根据主成分特征以及预设电晕放电脉冲电流与图像特征拟合关系,得到脉冲电流数据;
根据脉冲电流数据以及预设电晕放电状态区间,确定电气设备的电晕放电状态。
第四方面,本申请还提供了一种计算机可读存储介质。该计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取电气设备的图像特征数据;
基于图像特征数据,并采用主成分分析法得到主成分特征;
根据主成分特征以及预设电晕放电脉冲电流与图像特征拟合关系,得到脉冲电流数据;
根据脉冲电流数据以及预设电晕放电状态区间,确定电气设备的电晕放电状态。
第五方面,本申请还提供了一种计算机程序产品。该计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取电气设备的图像特征数据;
基于图像特征数据,并采用主成分分析法得到主成分特征;
根据主成分特征以及预设电晕放电脉冲电流与图像特征拟合关系,得到脉冲电流数据;
根据脉冲电流数据以及预设电晕放电状态区间,确定电气设备的电晕放电状态。
上述电晕放电状态评估方法、装置、计算机设备、存储介质和计算机程序产品,获取电气设备的图像特征数据;基于图像特征数据,并采用主成分分析法得到主成分特征;根据主成分特征以及预设电晕放电脉冲电流与图像特征拟合关系,得到脉冲电流数据;根据脉冲电流数据以及预设电晕放电状态区间,确定电气设备的电晕放电状态。整个方案通过获取电气设备的图像特征数据,并基于图像特征,计算得到脉冲电流数据,进而根据脉冲电流以及图像特征放电得分再次进行放电状态判断,通过多维度的特征进行多次评估,得到的电晕放电状态更加准确。
附图说明
图1为一个实施例中电晕放电状态评估方法的应用环境图;
图2为一个实施例中电晕放电状态评估方法的流程示意图;
图3为一个实施例中预设电晕放电状态区间确定过程的流程示意图;
图4为一个实施例中电晕放电状态评估装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
目前,电力系统主要通过紫外检测法来判断电气设备的电晕放电状态,由于紫外检测设备输出结果的特征较多,现有的利用紫外检测评价电晕放电强度的方法大多选用单一的特征,具有较强的主观性,可能造成评价结果的不准确。
本申请实施例提供的电晕放电状态评估方法,可以应用于如图1所示的应用环境中。其中,其中,采集设备102通过网络与终端104进行通信。采集设备102采集换流阀电晕放电的紫外图像,将紫外图像传输至终端104,终端104获取电气设备的图像特征数据;基于图像特征数据,并采用主成分分析法得到主成分特征;根据主成分特征以及预设电晕放电脉冲电流与图像特征拟合关系,得到脉冲电流数据;根据脉冲电流数据以及预设电晕放电状态区间,确定电气设备的电晕放电状态。其中,终端104可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。
在一个实施例中,如图2所示,提供了一种电晕放电状态评估方法,以该方法应用于图1中的终端104为例进行说明,包括以下步骤:
步骤202,获取电气设备的图像特征数据。
其中,图像特征数据指的是电晕放电的紫外图像中提取得到的特征数据。图像特征数据包括紫外图像光子数、紫外光子数导数、紫外图像放电光斑面积和紫外图像最大放电光斑面积。
电晕放电指的是电气设备绝缘表面的局部放电会产生的一系列的光热等现象。紫外图像是由采集设备采集电气设备电晕放电图像得到的。采集设备可以为日盲紫外成像设备,由日盲紫外成像设备通过240~280nm的紫外线信号对现场运行的电气设备绝缘表面的局部放电现象进行检测。电气设备在放电初期弱放电阶段主要释放100nm-400nm的紫外光信号,紫外脉冲法利用紫外光电转换器将紫外光信号转变为电信号,因而光脉冲信号可作为监控绝缘子绝缘状态的特征参量。紫外成像仪采用双通道图像融合技术,其紫外探测通道由于采用了特殊的滤镜,只探测240-280nm波段的紫外光,避开了太阳光的干扰,因此在白天也可以清晰地看到放电现象。
具体地,紫外成像仪采集电气设备局部放电的紫外图像,并将紫外图像上传至终端。终端获取紫外成像仪采集的电晕放电紫外图像。终端对紫外成像仪拍摄的紫外图像进行灰度化得到灰度图像;利用阈值分割法将所述灰度图像二值化得到二值图像;利用数学形态学对所述二值图像消噪,进一步地,可以采用开运算提取二值图像上灰度值为零的白色噪点以及白色对焦窗口消噪;根据像素面积提取消噪后的二值图像的最大放电光斑;利用边缘梯度法对最大放电光斑进行轮廓提取;计算紫外图像的放电光斑面积和紫外图像的最大放电光斑面积。
通过紫外成像仪设备,可以直接获取紫外光子数,通过监视整个电晕放电过程,读取各个放电阶段的光子数,可以拟合出光子数变化图像,求解出光子数导数;紫外成像仪输出的图像和视频中有多个紫外放电光斑,可以计算出所有紫外光斑的面积,或通过图像处理技术筛选出最大放电光斑,计算其面积。
步骤204,基于图像特征数据,并采用主成分分析法得到主成分特征。
具体地,图像特征数据的各项指标中,紫外光子数、紫外光子数的导数、紫外光斑面积之间都存在着一定的关联,用这些指标来解释电晕放电脉冲电流时,会造成信息的重叠。主成分分析是对于原先提出的所有指标,将关系紧密的指标删去,建立尽可能少的新指标,这些新指标在反映信息方面尽可能保持原有的所有信息。
终端将图像特征数据输入预设主成分计算模型中进行计算,得到图像特征贡献率综合到达预设贡献率阈值的特征,即主成分特征。预设主成分计算模型中包含了图像特征中各成分特征的贡献系数,将贡献值高的多个特征进行提取,得到主成分特征。根据各成分特征的提取系数以及各成分特征数据计算,可得到主成分特征以及主成分特征中各特征对应的特征贡献率。终端对图像特征数据构建目标评估矩阵,对目标评估矩阵进行矩阵标准化处理,得到标准化矩阵,根据标准化矩阵计算相关系数矩阵,得到特征向量矩阵,根据特征向量矩阵进行特征贡献率计算,得到各特征对应的特征贡献率,根据各个成分的贡献度,选取贡献度最大的一项作为主成分,当某个主成分的贡献度大于90%时,可以认定它包含了大多数信息,当最大的一项不足90%时,选取随后的若干项作为主成分,直至其贡献度之和大于90%。
步骤206,根据主成分特征以及预设电晕放电脉冲电流与图像特征拟合关系,得到脉冲电流数据。
其中,预设电晕放电脉冲电流与图像特征拟合关系指的是图像综合特征与脉冲电流之间的拟合关系,根据确定的图像综合特征以及图像综合特征与脉冲电流之间的拟合关系,即可求得脉冲电流数据。脉冲电流指的是电气设备在电晕放电过程中脉冲电流的数值。电气设备电晕放电过程中,会产生重复脉冲式电流,随着电压升高,脉冲电流的幅值和频率都会随之升高,可以将脉冲电流作为判断电晕放电大小的直接指标,但由于工程中难以直接测量,本实施例通过预设电晕放电脉冲电流与图像特征拟合关系来计算脉冲电流。
具体地,终端根据主成分特征以及主成分特征中各特征对应的特征贡献率进行矩阵相乘,得到图像综合特征。终端将图像特征放电得分输入预设电晕放电脉冲电流与图像特征拟合表达式中进行计算,得到电气设备在电晕放电过程中的脉冲电流数据。
步骤208,根据脉冲电流数据以及预设电晕放电状态区间,确定电气设备的电晕放电状态。
其中,预设电晕放电状态区间基于主成分图像特征以及脉冲电流峰值以及优劣区间法分析得到。预设电晕放电状态区间包含电晕放电过程中不同状态对应的脉冲电流值以及图像特征。电晕放电状态表征电气设备在电晕放电过程中的放电强度。
具体地,终端根据脉冲电流数据以及图像特征放电得分,计算电气设备的脉冲电流数据对应的图像特征放电得分与电晕放电放电阶段中理想解的贴近度,将贴近度最近的状态区间作为电气设备的电晕放电状态。
上述电晕放电状态评估方法中,获取电气设备的图像特征数据;基于图像特征数据,并采用主成分分析法得到主成分特征;根据主成分特征以及预设电晕放电脉冲电流与图像特征拟合关系,得到脉冲电流数据;根据脉冲电流数据以及预设电晕放电状态区间,确定电气设备的电晕放电状态。整个方案通过获取电气设备的图像特征数据,并基于图像特征,计算得到脉冲电流数据,根据脉冲电流以及图像特征放电得分再次进行放电状态判断,通过多维度的特征进行多次评估,得到的电晕放电状态更加准确。
在一个可选的实施例中,根据脉冲电流数据以及预设电晕放电状态区间,确定电气设备的电晕放电状态包括:根据预设电晕放电状态区间,确定脉冲电流数据所属的放电状态区间;根据放电状态区间,确定电气设备的电晕放电状态。
具体地,终端根据脉冲电流数据确定脉冲电流区间,根据脉冲电流区间确定放电阶段,根据图像特征放电得分,计算电气设备的脉冲电流数据对应的图像特征放电得分与放电阶段中正理想解以及负理想解的贴近度,将贴近度最近的放电区间作为所属的放电状态区间,将所属的放电状态区间的放电状态作为电气设备的电晕放电状态。根据电晕放电状态还可以进一步对器件的运行状况进行评估。
本实施例中,通过脉冲电流数据首先确定脉冲电流区间,进而计算脉冲电流数据以及预设电晕放电状态区间与脉冲电流区间中不同放电阶段的理想解的贴近度,可以提高放电状态评估效率。
在一个可选的实施例中,如图3所示,预设电晕放电状态区间的确定过程包括:
步骤302,获取电晕放电的历史图像特征数据以及历史脉冲电流数据。
其中,历史图像特征数据指的是电晕放电的紫外图像中提取得到的特征数据。历史图像特征数据包括紫外图像光子数、紫外光子数导数、紫外图像放电光斑面积和紫外图像最大放电光斑面积。脉冲电流数据指的是电气设备在电晕放电过程中脉冲电流的数值。电气设备电晕放电过程中,会产生重复脉冲式电流,随着电压升高,脉冲电流的幅值和频率都会随之升高,可以将脉冲电流作为判断电晕放电大小的直接指标,但由于工程中难以直接测量,需要利用其他指标进行评价,可以通过高频罗氏线圈和示波器采集获得电晕放电脉冲电流。
具体地,终端采集电气设备电晕放电过程中的历史紫外图像,对紫外成像仪拍摄的历史紫外图像进行灰度化得到灰度图像;利用阈值分割法将所述灰度图像二值化得到二值图像;利用数学形态学对所述二值图像消噪,进一步地,可以采用开运算提取二值图像上灰度值为零的白色噪点以及白色对焦窗口消噪;根据像素面积提取消噪后的二值图像的最大放电光斑;利用边缘梯度法对最大放电光斑进行轮廓提取;计算紫外图像的放电光斑面积和紫外图像的最大放电光斑面积。通过紫外成像仪设备,可以直接获取紫外光子数,通过监视整个电晕放电过程,读取各个放电阶段的光子数,可以拟合出光子数变化图像,求解出光子数导数;紫外成像仪输出的图像和视频中有多个紫外放电光斑,可以计算出所有紫外光斑的面积,或通过图像处理技术筛选出最大放电光斑,计算其面积。。终端通过高频罗氏线圈和示波器采集获得电晕放电的脉冲电流数据。
步骤304,根据主成分分析法对历史图像特征数据进行特征融合,得到主成分特征。
具体地,终端根据主成分分析法确定历史图像特征数据中各特征与电晕放电之间的对应关系,根据各特征与电晕放电之间的对应关系进行主成分提取,得到主成分特征。
步骤306,根据主成分特征,得到图像特征综合评价指标。
具体地,终端根据主成分特征以及主成分特征贡献率进行计算,得到图像特征综合评价指标。进一步地,根据历史图像特征数据,构建目标评估矩阵;对目标评估矩阵进行标准化处理,得到标准化矩阵;将主成分特征中每一项特征向量与标准化矩阵中的每一行分别相乘,得到的和再乘以这一项贡献率,得到放电综合评价指标。
步骤308,将图像特征综合评价指标与历史脉冲电流数据进行拟合,得到电晕放电脉冲电流与图像特征拟合关系。
具体地,终端根据多组图像特征综合评价指标与历史脉冲电流数据进行相关性分析,利用数学关系拟合得到电晕放电脉冲电流与图像特征的拟合表达式。进一步地,终端从图像特征综合评价指标与历史脉冲电流数据中,获得在电晕放电起始、电晕放电不同阶段起始时、以及发生击穿前的综合评价指标和脉冲电流峰值,通过数学拟合得到两者的关系:I=f(Z)。
步骤310,基于电晕放电脉冲电流与图像特征拟合关系,采用优劣解距离法进行区间划分,得到预设电晕放电状态区间。
具体地,随着电气设备外施电压的提高,电晕放电可以根据脉冲电流峰值的大小和脉冲频率划分为不同阶段,每一个阶段可以找到一个典型的双指数脉冲电流波形,根据该波形电流的峰值,作为划分优劣区间的依据。
终端根据不同放电阶段的脉冲电流峰值,将电晕放电起始时的脉冲电流峰值对应的图像特征综合评价指标作为负理想解zi -,发生击穿前的电流峰值对应的评价指标作为正理想解zi +,并计算各放电阶段起始时刻对应的图像特征综合评价指标与理想解之间的贴近度,根据计算得到的各贴近度,作为优劣区间的边界,得到多个电晕放电状态区间。
在一个可选的实施例中,根据主成分分析法对历史图像特征数据进行特征融合,得到主成分特征包括:根据历史图像特征数据,构建目标评估矩阵;对目标评估矩阵进行标准化处理,得到标准化矩阵;根据标准化矩阵,确定图像特征中的各成分贡献率;根据各成分贡献率,确定主成分特征。
具体地,终端根据历史图像特征数据中每一项特征数据,构建目标评估矩阵X;对目标评估矩阵进行标准化处理,得到标准化矩阵Y,标准化处理公式如下:
Figure BDA0003817433880000101
其中,Yj为标准化后的向量,
Figure BDA0003817433880000102
为Xj的标准差,E为期望值。
计算相关系数矩阵R及其特征值,并求得对应的正则化特征向量,形成特征向量矩阵U。
确定各成分贡献度,假设主成分分析法所得主成分向量中共有n个主成分,则第k个主成分的贡献度可由下式确定:
Figure BDA0003817433880000111
根据各个成分的贡献度,选取贡献度最大的一项作为主成分,当某个主成分的贡献度大于90%时,可以认定它包含了大多数信息,当最大的一项不足90%时,选取随后的若干项作为主成分,直至其贡献度之和大于90%。
在一个可选的实施例中,根据主成分特征,得到图像特征综合评价指标包括:根据主成分特征的特征向量、标准化矩阵以及主成分特征中各成分贡献率进行计算,得到图像特征综合评价指标。
具体地,终端将主成分特征中每一项特征向量u1与标准化矩阵Y中的每一行分别相乘,相乘之后的结果进行累加,得到的和再乘以这一项贡献率b1,得到放电综合评价指标Z。
在一个可选的实施例中,基于电晕放电脉冲电流与图像特征拟合关系,采用优劣解距离法进行区间划分,得到预设电晕放电状态区间包括:根据电晕放电脉冲电流与图像特征拟合关系以及历史脉冲电流数据,计算不同放电状态对应的脉冲电流峰值;根据不同放电状态对应的脉冲电流峰值,确定放电状态正理想解和负理想解;根据放电状态正理想解和负理想解进行距离计算,确定预设电晕放电状态区间。
具体地,将电晕放电起始时的脉冲电流峰值对应的评价指标作为负理想解zi -,发生击穿前的电流峰值对应的评价指标作为正理想解zi +,划分优劣区间的过程如下:
计算各个放电阶段起始时的电流值对应的评价指标和正、负理想解之间的欧式距离,欧式距离计算公式为:
Figure BDA0003817433880000112
其中,zi +为各正理想解,zi -为各负理想解,zij为各评价标准。
计算各个放电阶段起始时的评价指标对应的贴近度,计算公式为:
Figure BDA0003817433880000121
由此可以进行优劣区间的划分:
(0,T1),(T1,T2),(T2,T3),…,(Tn-1,Tn)。
为了易于理解本申请实施例提供的技术方案,以完整的电晕放电状态评估过程对本申请实施例提供的电晕放电状态评估方法进行简要说明:
(1)获取电晕放电的历史图像特征数据以及历史脉冲电流数据。
(2)根据历史图像特征数据,构建目标评估矩阵;对目标评估矩阵进行标准化处理,得到标准化矩阵;根据标准化矩阵,确定图像特征中的各成分贡献率;根据各成分贡献率,确定主成分特征;根据主成分特征的特征向量、标准化矩阵以及主成分特征中各成分贡献率进行计算,得到图像特征综合评价指标。
(3)将图像特征综合评价指标与历史脉冲电流数据进行拟合,得到电晕放电脉冲电流与图像特征拟合关系。
(4)根据电晕放电脉冲电流与图像特征拟合关系以及历史脉冲电流数据,计算不同放电状态对应的脉冲电流峰值;根据不同放电状态对应的脉冲电流峰值,确定放电状态正理想解和负理想解;根据放电状态正理想解和负理想解进行距离计算,确定预设电晕放电状态区间。
(5)获取电气设备的图像特征数据;基于图像特征数据,并采用主成分分析法得到主成分特征;根据主成分特征以及预设电晕放电脉冲电流与图像特征拟合关系,得到脉冲电流数据;根据预设电晕放电状态区间,确定脉冲电流数据所属的放电状态区间;根据放电状态区间,确定电气设备的电晕放电状态。
本申请获取电晕放电评价指标;一方面将紫外检测图像包含的特征通过主成分分析法进行特征融合,计算综合评价指标;另一方面结合电晕放电的特点,将电晕放电脉冲电流值划分为不同区间;通过建立脉冲电流和综合指标之间的函数关系,利用优劣解距离法计算理想解和贴近度,进一步划分出优劣区间。有效避免紫外图像特征选择的主观性,提高电晕放电状态(即放电强度)判断的准确性。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的电晕放电状态评估方法的电晕放电状态评估装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个电晕放电状态评估装置实施例中的具体限定可以参见上文中对于电晕放电状态评估方法的限定,在此不再赘述。
在一个实施例中,如图4所示,提供了一种电晕放电状态评估装置,包括:获取模块402、分析模块404、电流确定模块406和状态确定模块408,其中:
获取模块402,用于获取电气设备的图像特征数据;
分析模块404,用于基于图像特征数据,并采用主成分分析法得到主成分特征;
电流确定模块406,用于根据主成分特征以及预设电晕放电脉冲电流与图像特征拟合关系,得到脉冲电流数据;
状态确定模块408,用于根据脉冲电流数据以及预设电晕放电状态区间,确定电气设备的电晕放电状态。
在一个实施例中,状态确定模块408还用于根据预设电晕放电状态区间,确定脉冲电流数据所属的放电状态区间;根据放电状态区间,确定电气设备的电晕放电状态。
在一个实施例中,电晕放电状态评估装置还包括训练模块,用于获取电晕放电的历史图像特征数据以及历史脉冲电流数据;根据主成分分析法对历史图像特征数据进行特征融合,得到主成分特征;根据主成分特征,得到图像特征综合评价指标;将图像特征综合评价指标与历史脉冲电流数据进行拟合,得到电晕放电脉冲电流与图像特征拟合关系;基于电晕放电脉冲电流与图像特征拟合关系,采用优劣解距离法进行区间划分,得到预设电晕放电状态区间。
在一个实施例中,训练模块还用于根据历史图像特征数据,构建目标评估矩阵;对目标评估矩阵进行标准化处理,得到标准化矩阵;根据标准化矩阵,确定图像特征中的各成分贡献率;根据各成分贡献率,确定主成分特征。
在一个实施例中,训练模块还用于根据主成分特征的特征向量、标准化矩阵以及主成分特征中各成分贡献率进行计算,得到图像特征综合评价指标。
在一个实施例中,训练模块还用于根据电晕放电脉冲电流与图像特征拟合关系以及历史脉冲电流数据,计算不同放电状态对应的脉冲电流峰值;根据不同放电状态对应的脉冲电流峰值,确定放电状态正理想解和负理想解;根据放电状态正理想解和负理想解进行距离计算,确定预设电晕放电状态区间。
上述电晕放电状态评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种电晕放电状态评估方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取电气设备的图像特征数据;
基于图像特征数据,并采用主成分分析法得到主成分特征;
根据主成分特征以及预设电晕放电脉冲电流与图像特征拟合关系,得到脉冲电流数据;
根据脉冲电流数据以及预设电晕放电状态区间,确定电气设备的电晕放电状态。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据脉冲电流数据以及预设电晕放电状态区间,确定电气设备的电晕放电状态包括:根据预设电晕放电状态区间,确定脉冲电流数据所属的放电状态区间;根据放电状态区间,确定电气设备的电晕放电状态。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:预设电晕放电状态区间的确定过程包括:获取电晕放电的历史图像特征数据以及历史脉冲电流数据;根据主成分分析法对历史图像特征数据进行特征融合,得到主成分特征;根据主成分特征,得到图像特征综合评价指标;将图像特征综合评价指标与历史脉冲电流数据进行拟合,得到电晕放电脉冲电流与图像特征拟合关系;基于电晕放电脉冲电流与图像特征拟合关系,采用优劣解距离法进行区间划分,得到预设电晕放电状态区间。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据主成分分析法对历史图像特征数据进行特征融合,得到主成分特征包括:根据历史图像特征数据,构建目标评估矩阵;对目标评估矩阵进行标准化处理,得到标准化矩阵;根据标准化矩阵,确定图像特征中的各成分贡献率;根据各成分贡献率,确定主成分特征。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据主成分特征,得到图像特征综合评价指标包括:根据主成分特征的特征向量、标准化矩阵以及主成分特征中各成分贡献率进行计算,得到图像特征综合评价指标。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于电晕放电脉冲电流与图像特征拟合关系,采用优劣解距离法进行区间划分,得到预设电晕放电状态区间包括:根据电晕放电脉冲电流与图像特征拟合关系以及历史脉冲电流数据,计算不同放电状态对应的脉冲电流峰值;根据不同放电状态对应的脉冲电流峰值,确定放电状态正理想解和负理想解;根据放电状态正理想解和负理想解进行距离计算,确定预设电晕放电状态区间。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取电气设备的图像特征数据;
基于图像特征数据,并采用主成分分析法得到主成分特征;
根据主成分特征以及预设电晕放电脉冲电流与图像特征拟合关系,得到脉冲电流数据;
根据脉冲电流数据以及预设电晕放电状态区间,确定电气设备的电晕放电状态。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据脉冲电流数据以及预设电晕放电状态区间,确定电气设备的电晕放电状态包括:根据预设电晕放电状态区间,确定脉冲电流数据所属的放电状态区间;根据放电状态区间,确定电气设备的电晕放电状态。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:预设电晕放电状态区间的确定过程包括:获取电晕放电的历史图像特征数据以及历史脉冲电流数据;根据主成分分析法对历史图像特征数据进行特征融合,得到主成分特征;根据主成分特征,得到图像特征综合评价指标;将图像特征综合评价指标与历史脉冲电流数据进行拟合,得到电晕放电脉冲电流与图像特征拟合关系;基于电晕放电脉冲电流与图像特征拟合关系,采用优劣解距离法进行区间划分,得到预设电晕放电状态区间。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据主成分分析法对历史图像特征数据进行特征融合,得到主成分特征包括:根据历史图像特征数据,构建目标评估矩阵;对目标评估矩阵进行标准化处理,得到标准化矩阵;根据标准化矩阵,确定图像特征中的各成分贡献率;根据各成分贡献率,确定主成分特征。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据主成分特征,得到图像特征综合评价指标包括:根据主成分特征的特征向量、标准化矩阵以及主成分特征中各成分贡献率进行计算,得到图像特征综合评价指标。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于电晕放电脉冲电流与图像特征拟合关系,采用优劣解距离法进行区间划分,得到预设电晕放电状态区间包括:根据电晕放电脉冲电流与图像特征拟合关系以及历史脉冲电流数据,计算不同放电状态对应的脉冲电流峰值;根据不同放电状态对应的脉冲电流峰值,确定放电状态正理想解和负理想解;根据放电状态正理想解和负理想解进行距离计算,确定预设电晕放电状态区间。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取电气设备的图像特征数据;
基于图像特征数据,并采用主成分分析法得到主成分特征;
根据主成分特征以及预设电晕放电脉冲电流与图像特征拟合关系,得到脉冲电流数据;
根据脉冲电流数据以及预设电晕放电状态区间,确定电气设备的电晕放电状态。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据脉冲电流数据以及预设电晕放电状态区间,确定电气设备的电晕放电状态包括:根据预设电晕放电状态区间,确定脉冲电流数据所属的放电状态区间;根据放电状态区间,确定电气设备的电晕放电状态。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:预设电晕放电状态区间的确定过程包括:获取电晕放电的历史图像特征数据以及历史脉冲电流数据;根据主成分分析法对历史图像特征数据进行特征融合,得到主成分特征;根据主成分特征,得到图像特征综合评价指标;将图像特征综合评价指标与历史脉冲电流数据进行拟合,得到电晕放电脉冲电流与图像特征拟合关系;基于电晕放电脉冲电流与图像特征拟合关系,采用优劣解距离法进行区间划分,得到预设电晕放电状态区间。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据主成分分析法对历史图像特征数据进行特征融合,得到主成分特征包括:根据历史图像特征数据,构建目标评估矩阵;对目标评估矩阵进行标准化处理,得到标准化矩阵;根据标准化矩阵,确定图像特征中的各成分贡献率;根据各成分贡献率,确定主成分特征。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据主成分特征,得到图像特征综合评价指标包括:根据主成分特征的特征向量、标准化矩阵以及主成分特征中各成分贡献率进行计算,得到图像特征综合评价指标。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于电晕放电脉冲电流与图像特征拟合关系,采用优劣解距离法进行区间划分,得到预设电晕放电状态区间包括:根据电晕放电脉冲电流与图像特征拟合关系以及历史脉冲电流数据,计算不同放电状态对应的脉冲电流峰值;根据不同放电状态对应的脉冲电流峰值,确定放电状态正理想解和负理想解;根据放电状态正理想解和负理想解进行距离计算,确定预设电晕放电状态区间。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种电晕放电状态评估方法,其特征在于,所述方法包括:
获取电气设备的图像特征数据;
基于所述图像特征数据,并采用主成分分析法得到主成分特征;
根据所述主成分特征以及预设电晕放电脉冲电流与图像特征拟合关系,得到脉冲电流数据;
根据所述脉冲电流数据以及预设电晕放电状态区间,确定所述电气设备的电晕放电状态。
2.根据权利要求1所述的方法,其特征在于,所述根据所述脉冲电流数据以及预设电晕放电状态区间,确定所述电气设备的电晕放电状态包括:
根据预设电晕放电状态区间,确定所述脉冲电流数据所属的放电状态区间;
根据所述放电状态区间,确定所述电气设备的电晕放电状态。
3.根据权利要求1所述的方法,其特征在于,所述预设电晕放电状态区间的确定过程,包括:
获取电晕放电的历史图像特征数据以及历史脉冲电流数据;
根据主成分分析法对所述历史图像特征数据进行特征融合,得到主成分特征;
根据所述主成分特征,得到图像特征综合评价指标;
将所述图像特征综合评价指标与历史脉冲电流数据进行拟合,得到电晕放电脉冲电流与图像特征拟合关系;
基于所述电晕放电脉冲电流与图像特征拟合关系,采用优劣解距离法进行区间划分,得到预设电晕放电状态区间。
4.根据权利要求3所述的方法,其特征在于,所述根据主成分分析法对所述历史图像特征数据进行特征融合,得到主成分特征包括:
根据所述历史图像特征数据,构建目标评估矩阵;
对所述目标评估矩阵进行标准化处理,得到标准化矩阵;
根据所述标准化矩阵,确定图像特征中的各成分贡献率;
根据所述各成分贡献率,确定主成分特征。
5.根据权利要求4所述的方法,其特征在于,所述根据所述主成分特征,得到图像特征综合评价指标包括:
根据所述主成分特征的特征向量、所述标准化矩阵以及所述主成分特征中各成分贡献率进行计算,得到图像特征综合评价指标。
6.根据权利要求3所述的方法,其特征在于,所述基于电晕放电脉冲电流与图像特征拟合关系,采用优劣解距离法进行区间划分,得到预设电晕放电状态区间包括:
根据所述电晕放电脉冲电流与图像特征拟合关系以及所述历史脉冲电流数据,计算不同放电状态对应的脉冲电流峰值;
根据所述不同放电状态对应的脉冲电流峰值,确定放电状态正理想解和负理想解;
根据所述放电状态正理想解和负理想解进行距离计算,确定预设电晕放电状态区间。
7.一种电晕放电状态评估装置,其特征在于,所述装置包括:
获取模块,用于获取电气设备的图像特征数据;
分析模块,用于基于所述图像特征数据,并采用主成分分析法得到图像特征;
电流确定模块,用于根据所述图像特征以及预设电晕放电脉冲电流与图像特征拟合关系,得到脉冲电流数据;
状态确定模块,用于根据所述脉冲电流数据以及预设电晕放电状态区间,确定所述电气设备的电晕放电状态。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202211031099.2A 2022-08-26 2022-08-26 电晕放电状态评估方法、装置、计算机设备和存储介质 Active CN115389882B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211031099.2A CN115389882B (zh) 2022-08-26 2022-08-26 电晕放电状态评估方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211031099.2A CN115389882B (zh) 2022-08-26 2022-08-26 电晕放电状态评估方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN115389882A true CN115389882A (zh) 2022-11-25
CN115389882B CN115389882B (zh) 2024-05-28

Family

ID=84121865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211031099.2A Active CN115389882B (zh) 2022-08-26 2022-08-26 电晕放电状态评估方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN115389882B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4882713A (en) * 1988-09-06 1989-11-21 Exxon Production Research Company Method for noise suppression in the stacking of seismic traces
CN103018640A (zh) * 2012-11-27 2013-04-03 华北电力大学(保定) 高压绝缘子表面电晕放电强度测试方法
CN103698676A (zh) * 2014-01-10 2014-04-02 深圳供电局有限公司 一种评估输变电设备电晕放电的方法及系统
CN106054032A (zh) * 2016-03-08 2016-10-26 华北电力大学(保定) 一种高压绝缘子沿面放电脉冲峰值的非接触式测量方法
CN110889435A (zh) * 2019-11-04 2020-03-17 国网河北省电力有限公司检修分公司 基于红外图像的绝缘子评估分类方法及其装置
CN111143169A (zh) * 2019-12-30 2020-05-12 杭州迪普科技股份有限公司 异常参数检测方法及装置、电子设备、存储介质
WO2020097834A1 (zh) * 2018-11-14 2020-05-22 北京比特大陆科技有限公司 一种特征处理方法及装置、存储介质及程序产品
CN111443264A (zh) * 2020-04-30 2020-07-24 国网江苏省电力有限公司电力科学研究院 一种基于电晕紫外成像设备的电晕放电强度识别方法、系统及存储介质
KR102140059B1 (ko) * 2020-03-05 2020-07-31 한국전력공사 지중송전선로 케이블 단말 접속부의 결함검출 시스템 및 검출 방법, 결함 검출을 위한 결함 센싱장치
CN114240014A (zh) * 2021-09-22 2022-03-25 广东电网有限责任公司 一种变压器状态的评估方法、装置、电子设备及存储介质
CN114528721A (zh) * 2022-04-24 2022-05-24 广东电网有限责任公司佛山供电局 一种电缆中间接头绝缘状态评估方法及系统
CN114529136A (zh) * 2022-01-06 2022-05-24 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) 基于主成分分析和Topsis的电子部组件评价方法和装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4882713A (en) * 1988-09-06 1989-11-21 Exxon Production Research Company Method for noise suppression in the stacking of seismic traces
CN103018640A (zh) * 2012-11-27 2013-04-03 华北电力大学(保定) 高压绝缘子表面电晕放电强度测试方法
CN103698676A (zh) * 2014-01-10 2014-04-02 深圳供电局有限公司 一种评估输变电设备电晕放电的方法及系统
CN106054032A (zh) * 2016-03-08 2016-10-26 华北电力大学(保定) 一种高压绝缘子沿面放电脉冲峰值的非接触式测量方法
WO2020097834A1 (zh) * 2018-11-14 2020-05-22 北京比特大陆科技有限公司 一种特征处理方法及装置、存储介质及程序产品
CN110889435A (zh) * 2019-11-04 2020-03-17 国网河北省电力有限公司检修分公司 基于红外图像的绝缘子评估分类方法及其装置
CN111143169A (zh) * 2019-12-30 2020-05-12 杭州迪普科技股份有限公司 异常参数检测方法及装置、电子设备、存储介质
US20210203683A1 (en) * 2019-12-30 2021-07-01 Hangzhou Dptech Technologies Co., Ltd. Abnormality detection
KR102140059B1 (ko) * 2020-03-05 2020-07-31 한국전력공사 지중송전선로 케이블 단말 접속부의 결함검출 시스템 및 검출 방법, 결함 검출을 위한 결함 센싱장치
CN111443264A (zh) * 2020-04-30 2020-07-24 国网江苏省电力有限公司电力科学研究院 一种基于电晕紫外成像设备的电晕放电强度识别方法、系统及存储介质
CN114240014A (zh) * 2021-09-22 2022-03-25 广东电网有限责任公司 一种变压器状态的评估方法、装置、电子设备及存储介质
CN114529136A (zh) * 2022-01-06 2022-05-24 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) 基于主成分分析和Topsis的电子部组件评价方法和装置
CN114528721A (zh) * 2022-04-24 2022-05-24 广东电网有限责任公司佛山供电局 一种电缆中间接头绝缘状态评估方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
孙欣宇等: "基于小缺陷扰动模型中压电缆附件综合绝缘性能评价方法", 南方电网技术, vol. 16, no. 8, 19 August 2022 (2022-08-19), pages 1 - 8 *
崔昊杨等: "电力设备多源信息检测技术", 31 July 2021, 上海交通大学出版社, pages: 123 - 124 *
解仑等: "智能机器人人工心理方法与应用", 31 March 2022, 国防工业出版社, pages: 57 *

Also Published As

Publication number Publication date
CN115389882B (zh) 2024-05-28

Similar Documents

Publication Publication Date Title
Lv et al. A VMD and LSTM based hybrid model of load forecasting for power grid security
CN112149285B (zh) 一种基于优化参数选择的滑坡预测方法
CN112380998A (zh) 一种基于矩阵补全的低压台区缺失数据补全方法
CN115329880A (zh) 气象特征提取方法、装置、计算机设备和存储介质
CN115906337A (zh) 一种工程结构分段式主余震韧性分析方法及系统
US20140324760A1 (en) Synthetic time series data generation
CN114446019A (zh) 告警信息处理方法、装置、设备、存储介质和产品
Zhong et al. Multi-factor intensity estimation for tropical cyclones in the western North Pacific based on the deviation angle variance technique
CN116739172B (zh) 一种基于爬坡识别的海上风电功率超短期预测方法及装置
Xi et al. Fault detection and classification on insulated overhead conductors based on MCNN‐LSTM
CN115389882B (zh) 电晕放电状态评估方法、装置、计算机设备和存储介质
Dwivedi Quantifying predictability of Indian summer monsoon intraseasonal oscillations using nonlinear time series analysis
CN116029425A (zh) 风机出力爬坡事件预测方法、装置和计算机设备
Al-Hilfi et al. Estimating generated power of photovoltaic systems during cloudy days using gene expression programming
CN113887676B (zh) 设备故障预警方法、装置、设备和存储介质
CN112698160A (zh) 开关柜局部放电故障识别方法、装置、计算机设备及存储介质
CN117933486A (zh) 水质参数预测方法、装置、设备、介质和计算机程序产品
CN115205246A (zh) 换流阀电晕放电紫外图像特征提取方法和装置
JP7177238B1 (ja) 故障判定システム、故障判定プログラム及び故障判定方法
CN116774064B (zh) 电池自放电检测方法、装置、设备和存储介质
CN117763407A (zh) 台区电能质量问题检测分类方法、装置和计算机设备
CN115759446A (zh) 面向新能源高精度预测的机器学习特征选择方法
CN117933082A (zh) 一种基于特征分解和深度学习的大坝变形预测方法及系统
CN117543606A (zh) 基于大数据推演的节点等效视在功率评估方法及装置
CN115829096A (zh) 一种电网近实时降雨量估测方法、系统、装置及存储介质

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
GR01 Patent grant