CN115526217A - 一种基于嵌入式平台的局部放电模式识别方法及系统 - Google Patents
一种基于嵌入式平台的局部放电模式识别方法及系统 Download PDFInfo
- Publication number
- CN115526217A CN115526217A CN202211495868.4A CN202211495868A CN115526217A CN 115526217 A CN115526217 A CN 115526217A CN 202211495868 A CN202211495868 A CN 202211495868A CN 115526217 A CN115526217 A CN 115526217A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- data
- neural network
- embedded platform
- discharge
- 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 25
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000012567 pattern recognition method Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000003750 conditioning effect Effects 0.000 claims abstract description 7
- 238000003909 pattern recognition Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000002054 transplantation Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 2
- 230000001939 inductive effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 10
- 238000005070 sampling Methods 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 229920003020 cross-linked polyethylene Polymers 0.000 description 2
- 239000004703 cross-linked polyethylene Substances 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- NIXOWILDQLNWCW-UHFFFAOYSA-N acrylic acid group Chemical group C(C=C)(=O)O NIXOWILDQLNWCW-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered 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
- 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
-
- 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
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
本发明公开了一种基于嵌入式平台的局部放电模式识别方法及系统,涉及局部放电技术领域。局部放电模式识别方法包括以下步骤,步骤1,通过HFCT感应局部放电信号;步骤2,对采集到的局部放电数据进行处理,获得局部放电数据的放电次数、幅值和相位,生成PRPD三维图谱;步骤3,针对PRPD三维图谱,降采样后将其转换为灰度图;步骤4,使用卷积神经网络训练模型;步骤5,将训练好的卷积神经网络模型利用神经网络转换器移植到嵌入式处理器。局部放电模式识别系统包括HFCT传感器、信号调理电路、单片机、显示屏及4G DTU。本发明的有益效果为,利用嵌入式平台上的卷积神经网络模型来对放电模式进行识别,运算量小、功耗低、成本低。
Description
技术领域
本发明涉及局部放电技术领域,尤其涉及一种基于嵌入式平台的局部放电模式识别方法及系统。
背景技术
电力设备的局部放电是设备绝缘破坏的主要原因,对电力设备进行局部放电监测是及时发现故障隐患、保障设备安全运行的重要手段。根据电缆故障机理不同,局部放电可分为不同的局部放电类型,不同的局部放电在频率、伏值放电频次、放电相位均具有不同特征。如果能针对这些特征,实现局部放电的模式识别,可以为电缆的维护和修理提供诊断依据,缩短工作时间,提高检修效率。
现有的局部放电检测方法,主要有两种,一种是基于相位分布模式的识别法;另一种是采用小波变换提取特征参数,结合基于BP神经网络的多层感知机对局部放电信号进行识别。
以上方法能够检测电缆的局部放电信号,但同时存在一定的问题:
(1)传统的局部放电相位分布统计PRPD谱图即n-q-φ谱图,需要工频信号的触发采集,经多次计算才能得到谱图,这就容易受到外界干扰造成相位延迟,进而造成局放模式识别错误;
(2)以往基于BP神经网络的多层感知机对模型降维不够,所需的存储容量、算法运算量大,只能运行于PC机或者服务器端,而无法在低成本、低功耗、存储容量和运算能力相对较小的嵌入式平台运行。
发明内容
本发明的目的之一是提供一种基于嵌入式平台的局部放电模式识别方法,利用放电数据生成灰度图,再经过卷积神经网络训练后形成模型,最后将模型进行转换并移植到嵌入式处理器中,来对局部放电信号对应的放电类型进行识别。
本发明的上述技术目的是通过以下技术方案得以实现的:
一种基于嵌入式平台的局部放电模式识别方法,包括以下步骤,
步骤1,通过HFCT感应局部放电信号,使用信号预处理模块和信号采集模块得到局部放电数据;
步骤2,对采集到的局部放电数据进行分段、最大值提取处理,获得局部放电数据的放电次数、幅值和相位,生成PRPD三维图谱;
步骤3,针对PRPD三维图谱,降采样后将其转换为灰度图;
步骤4,使用卷积神经网络训练模型;
步骤5,将训练好的卷积神经网络模型利用神经网络转换器移植到嵌入式处理器,进而识别局部放电信号对应放电类型。
本发明进一步设置为:步骤2中分段、最大值提取处理是由PRPD特征处理程序实现,具体过程包括,
步骤2.1,局部放电数据读取;
步骤2.2,数据降采样,将采样数据按时间区间等分,时间轴转换为相位轴;
步骤2.3,将单位区间内的数据点进行排序,选出相对极大值,作为放电点。
本发明进一步设置为:步骤2.2具体是将每次采集到的数据等分为360个区间,单位区间默认为1°,即可把时间轴转换为相位轴,得到局放信号的相位。
本发明进一步设置为:步骤2中选取15次的采集次数处理后进行叠加。
本发明进一步设置为:步骤3的过程具体为,
步骤3.1,将横轴相位轴与纵轴放电电压进行区间等分,将横轴相位轴与纵轴放电电压进行区间等分,相位轴对应图片的长,电压轴对应图片的宽,形成一个无符号整型数组,数组长度为图片长宽的乘积;
步骤3.2,每个像素点灰度表示单位像素内的放电点数量;
步骤3.3,生成png格式图片。
本发明进一步设置为:步骤4中使用卷积神经网络训练模型的具体过程为,
步骤4.1,将获取的各种局部放电数据生成的灰度图划分训练集和测试集;
步骤4.2,图片数据的读取、预处理及归一化处理;
步骤4.3,图片传入神经网络进行训练,该神经网络的网络层级经验证测试构建得到。
本发明进一步设置为:步骤5中CNN模型的移植需要使用神经网络转换器来实现,该转换器可将CNN训练生成的.h5格式的模型文件转换成C代码,用于在嵌入式平台上的部署。
本发明的目的之一是提供一种基于嵌入式平台的局部放电模式识别系统,利用嵌入式处理器来识别放电类型,降低了识别系统的成本及功耗。
本发明的上述技术目的是通过以下技术方案得以实现的:
一种基于嵌入式平台的局部放电模式识别系统,包括HFCT传感器、信号调理电路、单片机、显示屏及4G DTU。
综上所述,本发明的有益技术效果为:
(1)本发明通过对采集的局放数据处理得到PRPD三维图谱,然后将三维图谱转换为灰度图,数据量由原来的108000*15*8减少到60*50*8,模型大小降为原来的0.185%,占用存储空间降低、模型小,在保留放电特征信号的同时,也大大减轻了后续模型在嵌入式处理器上的运算压力。
(2)本发明使用X-CUBE-AI神经网络转换器,将卷积神经网络的权重参数等内容进行压缩,部署到嵌入式平台中,根据转换得到的灰度图快速提取特征并精准识别,可以对放电类型实时检测。
(3)本发明在局放数据采集时无需工频触发,所得获得的采样数据相位为相对于采样时刻的相对相位,并不是对应实际的工频相位,但通过CNN算法,仍然可以较为准确完成放电模式识别,从而降低了整个系统的复杂程度。
附图说明
图1是本发明实施例一局部放电模式识别方法的流程图;
图2是本发明实施例一放电数据图像转换流程示意图;
图3是本发明实施例一中三种放电模式的灰度图,其中a与b为板-板放电灰度图,c与d为球板放电灰度图,e与f为针-板放电灰度图;
图4为本发明实施例一中CNN训练流程图;
图5为本发明实施例一中样本占比数对准确率的影响图;
图6为本发明实施例一模拟使用的原理图;
图7为本发明实施例一加入绝缘介质后的模拟实用的原理图;
图8是本发明实施例二的系统框架图。
附图标记:1、亚克力盒;2、可调螺杆;3、尖端电极;4、板电极;5、绝缘介质。
具体实施方式
下面将结合实施例对本发明进行清楚、完整地描述。
实施例一:
参见附图1,一种基于嵌入式平台的局部放电模式识别方法,包括以下步骤:
步骤1,采集局部放电信号数据,并对该数据进行放大、检波等预处理。
步骤2,参见附图2,对采集到的局部放电信号数据使用分段最大值提取的方法来降采样,得到局部放电信号数据的放电次数n、幅值q和相位φ,具体过程如下:
步骤2.1,首先把采集到的放电数据从无符号整型转换为浮点型,转换后的108000个数据按照时间轴等分为360个区间,默认一个区间为1°,时间轴转换为相位轴;
步骤2.2,每个区间内进行快速排序,选出最大值进行保存,这样就将108000个数据压缩为360个数据。
为了强化放电特征且不会导致采集时间过长,经过实验测试,选择连续采集15次放电信号做上述的处理,将得到的图谱进行叠加,生成最终的PRPD三维图谱。
步骤3,将PRPD三维图转换为60*50像素的灰度图,转换方式为:
步骤3.1,将步骤2压缩后的360个区间进一步压缩为60个区间,每个区间包含6°相位的放电信息;
步骤3.2,纵轴幅值范围是0-2V,将纵轴等分为50个区间,每组电压间隔为0.04V;
步骤3.3,计算横轴单位区间即6个相位内的电压幅值经区间转换之后的数值,确定转换后放电点位于纵轴的哪个间隔区域;由此步骤能够得到一个长度为3000的无符号整型数组,数组内储存的放电次数作为灰度图的像素灰度值;
步骤3.4,将PRPD三维图谱进一步降采样,得到60*50大小的数组,大幅度降低了局放信号的数据量(原始局部放电数据量为15个周期采样数据,合计108000*15=1,620,000个值,压缩后为一幅50*60大小的png灰度图,合计3000个值),将放电幅值、放电相位对应于png像素的横、纵坐标,放电次数对应于像素的灰度,生成png格式图片。生成的png格式图片的算法运算量小,可以方便移植嵌入式平台。如图3便是测试转换后的三种放电信息灰度图。
步骤4,进行CNN的搭建,训练流程参见附图4,具体包括:
步骤4.1,对包含放电特征的灰度图进行训练集和测试集的划分,本实施例生成了260张灰度图,其中前200张做CNN的训练集,剩余的60张做网络的测试集;
步骤4.2,对图像数据进行编号排序处理,接着按顺序读取数据集,将读取的图片数据解码成原始像素数据,再通过归一化转换为0-1之间的浮点数;
步骤4.3,实例中神经网络的训练次数为1000次,每次训练随机选取训练集中的15张图片,最终得到训练结果。
本步骤中,分别对不同网络层级、训练样本数进行了测试,选取了训练结果最佳的网络模型进行移植。网络层级对训练结果的影响如表1所示,故实施例采用如下配置,网络层级选择4层卷积层和4层池化层,同时还有3层全连接层和1层dropout函数,第一层卷积层的卷积核个数为32,其余的卷积层的卷积核个数为64,激活函数选择的是relu,池化层采用的2*2的大小;样本占比数对准确率的影响如图5所示,实施例选择100%的样本进行训练。
表1 网络层级对训练结果的影响
网络层级数 | 计算准确率 | 占用Flash空间 | 占用RAM空间 |
3 | 96.37% | 1MB | 139.61KB |
4 | 98.44% | 946.01KB | 125.36KB |
5 | 97.88% | 922.97KB | 119.74KB |
6 | 98.04% | 918.74KB | 110.59KB |
7 | 97.96% | 910.48KB | 110.27KB |
步骤五,将训练好的CNN模型移植到嵌入式平台,具体步骤为:实施例中首先将训练的模型以.h5的格式保存到PC端,接着使用X-CUBE-AI神经网络转换器,将卷积神经网络的权重、初始化和运行函数转换为C代码,部署到嵌入式平台上。在转换时,还可以选择压缩方式,进一步减小网络体积。
本实施例搭建了专用实验平台,图6和图7为模拟使用的原理图,该实验平台包括一个亚克力盒1,该亚克力盒1的上下两侧均固定设置有可调螺杆2,其中靠上的可调螺杆2接通高压电源,靠下的可调螺杆2接地,可调螺杆2伸入到亚克力盒1内的一端均设置有电极,该电极包括可以相互替换的尖端电极3、板电极4、球电极,在两个电极之间还可以插入绝缘介质5,在本实施例中绝缘介质5为交联聚乙烯。
根据以上步骤,本实施例将转换后的CNN移植到单片机内,设置测试条件为8kV的电压、4.5mm厚度的交联聚乙烯,对三种放电模型进行100次的实际测试,计算出100次内系统的识别准确率,并于PC端的检测结果进行了对比,其数据如表2所示。
表2 PC和单片机计算结果对比
放电类型 | PC机准确率 | 单片机准确率 |
板-板放电 | 99.65% | 99% |
球-板放电 | 99.26% | 99% |
针-板放电 | 99.01% | 97% |
平均值 | 99.31% | 98.3% |
通过测试结果可以看出,经过4倍压缩后的CNN,在嵌入式平台上测得的准确率与PC端准确率差距较小为0.31%,因此移植到嵌入式平台的CNN并无较大损失。
本实施例的工作原理是:在本发明的局部放电类型识别中,先将采集到的局方信号数据从无符号整型转为浮点型,然后对其进行分段最大值提取处理,得到PRPD三维图;进行15次如上的处理后,将得到的数据叠加在一起,进行一次降采样,再将放电幅值、放电相位对应于png像素的横、纵坐标,放电次数对应于像素的灰度,生成png格式图片。最后把得到的图片传入训练好的神经网络模型中进行识别,判断局部放电类型。
实施例二:
参见附图8,一种基于嵌入式平台的局部放电模式识别系统,
包括HFCT传感器、信号调理电路、单片机、显示屏及4G DTU。
其中,HFCT传感器用于感应放电模型加压产生的局部放电信号;之后该局部放电信号被传输到信号调理电路,信号调理电路对局放信号进行放大、检波,将局部放电脉冲持续时间从ns量级拉宽至μs级。
之后,经过信号调理电路处理过的数据被传输到单片机,单片机作为嵌入式处理器,用来对接收到的数据进行采集、处理、识别,判断其放电类型。其自带ADC对电压进行循环采集,采样频率为5.4MHz,这样一个工频周期(20ms)能采集到108000个采样值。
显示屏及4G DTU用于输出识别结果。
以上所述,仅为本发明较佳的具体实施方式,并非依此限制本发明的保护范围,故:凡依本发明的结构、形状、原理所做的等效变化,均应涵盖于本发明的保护范围之内。
Claims (8)
1.一种基于嵌入式平台的局部放电模式识别方法,其特征在于:包括以下步骤,
步骤1,通过HFCT感应局部放电信号,使用信号预处理模块和信号采集模块得到局部放电数据;
步骤2,对采集到的局部放电数据进行分段、最大值提取处理,获得局部放电数据的放电次数、幅值和相位,生成PRPD三维图谱;
步骤3,针对PRPD三维图谱,降采样后将其转换为灰度图;
步骤4,使用卷积神经网络训练模型;
步骤5,将训练好的卷积神经网络模型利用神经网络转换器移植到嵌入式处理器,进而识别局部放电信号对应放电类型。
2.根据权利要求1所述的一种基于嵌入式平台的局部放电模式识别方法,其特征在于:步骤2中分段、最大值提取处理是由PRPD特征处理程序实现,具体过程包括,
步骤2.1,局部放电数据读取;
步骤2.2,数据降采样,将采样数据按时间区间等分,时间轴转换为相位轴;
步骤2.3,将单位区间内的数据点进行排序,选出相对极大值,作为放电点。
3.根据权利要求2所述的一种基于嵌入式平台的局部放电模式识别方法,其特征在于:步骤2.2具体是将每次采集到的数据等分为360个区间,单位区间默认为1°,即可把时间轴转换为相位轴,得到局放信号的相位。
4.根据权利要求1所述的一种基于嵌入式平台的局部放电模式识别方法,其特征在于:步骤2中选择连续采集15次放电数据做相同处理后进行叠加。
5.根据权利要求1所述的一种基于嵌入式平台的局部放电模式识别方法,其特征在于:步骤3的过程具体为,
步骤3.1,将横轴相位轴与纵轴放电电压进行区间等分,将横轴相位轴与纵轴放电电压进行区间等分,相位轴对应图片的长,电压轴对应图片的宽,形成一个无符号整型数组,数组长度为图片长宽的乘积;
步骤3.2,每个像素点灰度表示单位像素内的放电点数量;
步骤3.3,生成png格式图片。
6.根据权利要求1所述的一种基于嵌入式平台的局部放电模式识别方法,其特征在于:步骤4中使用卷积神经网络训练模型的具体过程为,
步骤4.1,将获取的各种局部放电数据生成的灰度图划分训练集和测试集;
步骤4.2,图片数据的读取、预处理及归一化处理;
步骤4.3,图片传入神经网络进行训练,该神经网络的网络层级经验证测试构建得到。
7.根据权利要求1所述的一种基于嵌入式平台的局部放电模式识别方法,其特征在于:步骤5中CNN模型的移植需要使用神经网络转换器来实现,该转换器可将CNN训练生成的.h5格式的模型文件转换成C代码,用于在嵌入式平台上的部署。
8.一种基于嵌入式平台的局部放电模式识别系统,其特征在于:包括HFCT传感器、信号调理电路、单片机、显示屏及4G DTU。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211495868.4A CN115526217A (zh) | 2022-11-28 | 2022-11-28 | 一种基于嵌入式平台的局部放电模式识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211495868.4A CN115526217A (zh) | 2022-11-28 | 2022-11-28 | 一种基于嵌入式平台的局部放电模式识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115526217A true CN115526217A (zh) | 2022-12-27 |
Family
ID=84705073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211495868.4A Pending CN115526217A (zh) | 2022-11-28 | 2022-11-28 | 一种基于嵌入式平台的局部放电模式识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115526217A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110850247A (zh) * | 2019-11-26 | 2020-02-28 | 国网辽宁省电力有限公司朝阳供电公司 | 一种局部放电监测系统 |
US20200271714A1 (en) * | 2019-02-22 | 2020-08-27 | Ormazabal Corporate Technology, A.I.E. | Method and system of partial discharge recognition for diagnosing electrical networks |
CN212229087U (zh) * | 2020-05-05 | 2020-12-25 | 保定华创电气有限公司 | 一种局部放电带电诊断及定位装置 |
CN112763871A (zh) * | 2020-12-30 | 2021-05-07 | 珠海华网科技有限责任公司 | 一种局部放电分类识别方法 |
CN113158968A (zh) * | 2021-05-10 | 2021-07-23 | 苏州大学 | 一种基于图像处理的嵌入式物体认知系统 |
CN114818830A (zh) * | 2022-05-24 | 2022-07-29 | 上海思源弘瑞自动化有限公司 | 一种基于图谱的放电类型识别方法、装置、设备及介质 |
-
2022
- 2022-11-28 CN CN202211495868.4A patent/CN115526217A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200271714A1 (en) * | 2019-02-22 | 2020-08-27 | Ormazabal Corporate Technology, A.I.E. | Method and system of partial discharge recognition for diagnosing electrical networks |
CN110850247A (zh) * | 2019-11-26 | 2020-02-28 | 国网辽宁省电力有限公司朝阳供电公司 | 一种局部放电监测系统 |
CN212229087U (zh) * | 2020-05-05 | 2020-12-25 | 保定华创电气有限公司 | 一种局部放电带电诊断及定位装置 |
CN112763871A (zh) * | 2020-12-30 | 2021-05-07 | 珠海华网科技有限责任公司 | 一种局部放电分类识别方法 |
CN113158968A (zh) * | 2021-05-10 | 2021-07-23 | 苏州大学 | 一种基于图像处理的嵌入式物体认知系统 |
CN114818830A (zh) * | 2022-05-24 | 2022-07-29 | 上海思源弘瑞自动化有限公司 | 一种基于图谱的放电类型识别方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
李峰: "基于卷积神经网络的矿用电缆局部放电模式识别", 《知网》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102445640B (zh) | 基于向量机和人工鱼群优化的gis设备智能识别方法 | |
CN109116203A (zh) | 基于卷积神经网络的电力设备局部放电故障诊断方法 | |
CN109858352B (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
CN108573225A (zh) | 一种局部放电信号模式识别方法及系统 | |
CN111044570A (zh) | 电力设备的缺陷识别及预警方法、装置及计算机设备 | |
KR100963685B1 (ko) | 기계 작동음 및 진동 신호의 영상 신호 변환을 통한 고장진단 장치 및 방법 | |
CN111401136B (zh) | 一种柱塞泵空化程度检测方法、装置及终端 | |
CN114417926A (zh) | 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 | |
CN110287806A (zh) | 一种基于改进ssd网络的交通标志识别方法 | |
CN108919067A (zh) | 一种用于gis局部放电模式的识别方法 | |
CN106526434A (zh) | 一种局部放电模式的识别方法和装置 | |
CN111916089B (zh) | 基于声信号特征分析的冰雹检测方法和装置 | |
CN114970326A (zh) | 一种基于改进胶囊神经网络的油井故障诊断方法 | |
CN113447771A (zh) | 一种基于sift-lda特征的局部放电模式识别方法 | |
CN116681962A (zh) | 基于改进YOLOv5的电力设备热图像检测方法及系统 | |
CN115728612A (zh) | 变压器放电故障诊断方法及装置 | |
CN115526217A (zh) | 一种基于嵌入式平台的局部放电模式识别方法及系统 | |
CN111597925A (zh) | 一种基于dcnn的电力系统暂态信号分析方法 | |
CN115293303A (zh) | 一种高压输电线网监测方法、系统、设备和介质 | |
CN113392773A (zh) | 基于图谱信息融合的卷积神经网络的变压器故障诊断系统 | |
CN111669183B (zh) | 一种压缩感知采样与重建方法、设备及存储介质 | |
Chen et al. | A New Approach for Power Signal Disturbances Classification Using Deep Convolutional Neural Networks | |
CN115292538A (zh) | 一种基于深度学习的地图线要素提取方法 | |
CN111597957B (zh) | 基于形态学图像处理的变压器绕组故障诊断方法 | |
CN117152548B (zh) | 一种抽油机井实测电功图工况识别方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221227 |