CN116223955A - 一种基于hpo-svm的电力变压器典型故障声纹诊断方法 - Google Patents

一种基于hpo-svm的电力变压器典型故障声纹诊断方法 Download PDF

Info

Publication number
CN116223955A
CN116223955A CN202310227896.6A CN202310227896A CN116223955A CN 116223955 A CN116223955 A CN 116223955A CN 202310227896 A CN202310227896 A CN 202310227896A CN 116223955 A CN116223955 A CN 116223955A
Authority
CN
China
Prior art keywords
voiceprint
svm
fault
hpo
hunter
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
Application number
CN202310227896.6A
Other languages
English (en)
Inventor
张�雄
董帆
李嘉禄
武文博
万书亭
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.)
North China Electric Power University
Original Assignee
North China Electric Power University
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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN202310227896.6A priority Critical patent/CN116223955A/zh
Publication of CN116223955A publication Critical patent/CN116223955A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • 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
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/62—Testing of transformers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

本发明公开了一种基于HPO‑SVM的电力变压器典型故障声纹诊断方法，包括以下步骤：S1，采集声纹数据输入分析计算机中；S2，对采集到的声纹信号进行CEEMDAN分解，然后进行包络谱峭度计算并筛选；S3，利用HPO算法对SVM中核函数的惩罚因子C与核函数参数g进行参数寻优，将最优位置的C与g值赋给SVM；S4，输入故障数据训练集到SVM中构建故障模型；S5，输入故障测试集检验HPO‑SVM算法对电力变压器声纹信号的诊断与分类能力。本发明采用上述一种基于HPO‑SVM的电力变压器典型故障声纹诊断方法，能够解决在处理存在故障特征重合的电力变压器声纹信号中存在分类结果混叠、收敛速度慢与分类效果差的问题。

Description

一种基于HPO-SVM的电力变压器典型故障声纹诊断方法
技术领域
本发明涉及电力变压器故障声纹诊断技术领域，尤其是涉及一种基于HPO-SVM的电力变压器典型故障声纹诊断方法。
背景技术
电力变压器作为电力传输与能量转换的枢纽，其运行状态是保证系统电力运行的关键。受到变电站环境与人为因素的影响，其在运行过程中经常会出现如局部放电、短路冲击等不同种类的故障，不仅影响了社会正常的用电需求，而且会造成不可估量的损失。及时对电力变压器进行故障监测与诊断对保障电网安全、稳定的运行具有重要意义。
相较于目前广泛应用的振动信号与油中溶解气体检测的方法，声纹信号的采集具有非接触、操作简单与安全可靠的优点，可以随时对电力变压器进行带电检测与诊断。随着机器学习领域的蓬勃发展，支持向量机因其具有较高的准确率与泛化性能而得到了广泛应用。文献“ZHOU Yang,LIU Yiying,WANG Na,et al.Partial discharge ultrasonicsignals pattern recognition in transformer using BSO-SVM based on microfibercoupler sensor[J].Measurement,2022,201.”提出了一种天牛须搜索和粒子群优化算法联合支持向量机的BSO-SVM分类算法，将微光纤耦合器传感器应用于局放超声信号的模式识别，对变压器局部放电故障进行了分类识别。文献“邱海枫,苏宁,田松林.改进支持向量机在电力变压器故障诊断中的应用研究[J].电测与仪表,2022,59(11):48-53.DOI:10.19753/j.issn1001-1390.2022.11.007.”提出了一种SVM-BFA的故障诊断方法，提高了SVM算法的准确性与寻优能力。文献“邵宇鹰,王枭,彭鹏,等.基于声场听觉感知的变压器故障诊断方法研究[J].中国测试,2021,47(03):92-97.”通过计算采集到声纹样本的基底膜位移响应的统计平均值构建特征向量并采用SVM算法对变压器状态进行了分类识别。研究表明以上算法对电力变压器故障信号具有一定的分类识别能力，但在训练过程中均未加入正常状态下的电力变压器信号，且使用的种群优化算法的训练速度和寻优能力还有提升空间。在实际应用中，正常状态的电力变压器产生的声纹信号缺乏明显的特征，在分类过程中容易与短路冲击等故障发生混叠现象，从而影响故障的分类诊断效果。因此解决分类问题中出现的混叠问题显得尤为重要。
发明内容
本发明的目的是提供一种基于HPO-SVM的电力变压器典型故障声纹诊断方法，解决上述背景技术中提到的方法。
为实现上述目的，本发明提供了一种基于HPO-SVM的电力变压器典型故障声纹诊断方法，包括以下步骤：
S1，采集声纹数据输入分析计算机中；
S2，对采集到的声纹信号进行CEEMDAN分解，然后进行包络谱峭度计算并筛选；
S3，利用HPO算法对SVM中核函数的惩罚因子C与核函数参数g进行参数寻优，将最优位置的C与g值赋给SVM；
S4，输入故障数据训练集到SVM中构建故障模型；
S5，输入故障测试集检验HPO-SVM算法对电力变压器声纹信号的诊断与分类能力。
优选的，S1中，在不同故障类型的电力变压器周围固定声学传感器，声学传感器通过数据采集装置与分析计算机相连接，设定数据采样和数据分析周期，采集故障信号并输送至分析计算机中。
优选的，S2中，对采集到的声纹信号进行CEEMDAN分解，将分解得到的IMF信号进行包络谱峭度计算，筛选包络谱峭度大的信号重组新的时间序列；
具体实现过程为：在原始信号中加入高斯噪声并通过多次叠加并平均的方式消除信号中的噪声干扰。具体运算公式为：
Figure BDA0004119082240000031
其中
Figure BDA0004119082240000035
代表第l次经EMD分解的模态分量，r(t)代表残余分量；
利用CEEMDAN将x(t)分解成若干个IMF分量xi(t)，则IMF分量的包络信号为：
Figure BDA0004119082240000032
其中
Figure BDA0004119082240000034
表示xi(t)的希尔伯特变换，其中i＝1,2,…,I，I为最大分解阶数，
计算包络信号的频谱，推导其包络谱峭度为：
Figure BDA0004119082240000033
其中En(t)代表包络信号的频谱，uE为En(t)的均值，N为信号的长度。
优选的，S3中，具体地，
S31：初始化种群位置，猎人或猎物在空间中随机生成，
xn＝rand(1,d).*(u-l)+l
其中xn表示种群成员的位置，d表示问题的维数，u与l分别代表问题变量的上界与下界。
优选的，S32：引入猎人搜索机制，猎人选择远离群体的猎物作为狩猎对象，
xi,j(t+1)＝xi,j(t)+0.5[(2CZPpos(j)-xi,j(t))+(2(1-C)Zτ(j)-xi,j(t))]
其中xi,j(t)代表猎人目前的位置，xi,j(t+1)即为猎人的下一个位置，Ppos(j)为目标猎物的位置，τ(j)代表猎人与猎物位置的均值，Z为自适应参数，C是算法探索中的平衡参数，其计算过程如下式：
Figure BDA0004119082240000041
其中t代表迭代次数，tmax代表最大迭代次数。
优选的，S33：引入猎物逃跑机制，猎物为逃脱猎人狩猎而移动到全局最优位置，躲避猎人的搜索，
xi,j(t+1)＝Tpos(j)+CZcos(2πR)×(Tpos(j)-xi,j(t))
其中：xi,j(t)代表猎物目前的位置，xi,j(t+1)即为猎物的下一个位置，Tpos(j)为猎物的目标位置，R为[-1,1]范围内随机数。
优选的，步骤S34：结合上述公式得到算法对猎人猎物行为的选择机制，设置一个调节参数δ，取[0,1]之间随机数R1与δ比较，如果R1小于δ，则执行猎人搜索机制，相反，则触发猎物逃跑机制，直到满足条件，寻优结束。
因此，本发明采用上述一种基于HPO-SVM的电力变压器典型故障声纹诊断方法，具有以下有益效果：
(1)变压器声纹信号在采集过程中易受到周围噪声干扰，本发明采用CEEMDAN分解结合包络谱峭度的方法对变压器声纹信号进行降噪处理，能够有效提取故障特征。
(2)采集到的短路冲击故障与正常状态下的变压器声纹信号特征具有较强的相似性，标准SVM对其分类效果不佳。本发明采用种群优化算法通过对SVM核函数C、g进行参数寻优，可以提升SVM对特征重合问题的诊断能力，具有良好的诊断效率。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明一种基于HPO-SVM的电力变压器典型故障声纹诊断方法的结构框架图；
图2为本发明猎人搜索行为示意图；
图3为本发明猎人逃跑行为示意图；
图4为本发明短路冲击信号时域图；
图5为本发明短路冲击信号频域图；
图6为本发明加噪声短路冲击信号时域图；
图7为本发明加噪声短路冲击信号频域图；
图8为本发明重构信号时域图；
图9为本发明重构信号频域图；
图10为本发明多分类器诊断效果图。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。术语“设置”、“安装”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
实施例
图1为本发明一种基于HPO-SVM的电力变压器典型故障声纹诊断方法的结构框架图；图2为本发明猎人搜索行为示意图；图3为本发明猎人逃跑行为示意图；图4为本发明短路冲击信号时域图；图5为本发明短路冲击信号频域图；图6为本发明加噪声短路冲击信号时域图；图7为本发明加噪声短路冲击信号频域图；图8为本发明重构信号时域图；图9为本发明重构信号频域图；图10为本发明多分类器诊断效果图。
本发明主要涉及对110kV变压器短路冲击、局部放电等故障故障信号声纹信息的识别与诊断。
如图1所示，本发明所述的一种基于HPO-SVM的电力变压器典型故障声纹诊断方法，包括以下步骤：
S1，采集声纹数据输入分析计算机中。
具体地，在不同故障类型的电力变压器周围固定声学传感器，频率响应范围10Hz～20kHz，采样频率16000Hz，采集环境为户外变电站环境，采集时受到鸟鸣、风噪等非周期性的噪声干扰，采集到短路冲击、局部放电与直流偏磁故障与正常状态下电力变压器的可听声纹信号。
S2，对采集到的声纹信号进行CEEMDAN分解，将分解得到的IMF信号进行包络谱峭度计算，筛选包络谱峭度大的信号重组新的时间序列。
具体实现过程为：在原始信号中加入高斯噪声并通过多次叠加并平均的方式消除信号中的噪声干扰。具体运算公式为：
Figure BDA0004119082240000061
其中fIMFl代表第l次经EMD分解的模态分量，r(t)代表残余分量。
利用CEEMDAN将x(t)分解成若干个IMF分量xi(t)，则IMF分量的包络信号为：
Figure BDA0004119082240000071
其中
Figure BDA0004119082240000073
表示xi(t)的希尔伯特变换，其中i＝1,2,…,I，I为最大分解阶数。
计算包络信号的频谱，推导其包络谱峭度为：
Figure BDA0004119082240000072
其中En(t)代表包络信号的频谱，uE为En(t)的均值，N为信号的长度。
图4至图9为短路冲击信号在纯净状态、添加噪声干扰与滤波后的时域与频域信号对比，能够看出CEEMDAN分解重构方法具有良好的效果。
S3：将重构后的时间序列输入到HPO-SVM模型中，利用HPO算法对SVM中核函数的惩罚因子C与核函数参数g进行参数寻优，将最优位置的C与g值赋给SVM。具体包括以下步骤：
S31：初始化种群位置，猎人或猎物在空间中随机生成。
xn＝rand(1,d).*(u-l)+l (4)
其中xn表示种群成员的位置，d表示问题的维数，u与l分别代表问题变量的上界与下界。
S32：引入猎人搜索机制，猎人选择远离群体的猎物作为狩猎对象，如图2。
xi,j(t+1)＝xi,j(t)+0.5[(2CZPpos(j)-xi,j(t))+(2(1-C)Zτ(j)-xi,j(t))] (5)
其中xi,j(t)代表猎人目前的位置，xi,j(t+1)即为猎人的下一个位置，Ppos(j)为目标猎物的位置，τ(j)代表猎人与猎物位置的均值，Z为自适应参数，C是算法探索中的平衡参数，其计算过程如下式：
Figure BDA0004119082240000081
其中t代表迭代次数，tmax代表最大迭代次数。
S33：引入猎物逃跑机制，猎物为逃脱猎人狩猎而移动到全局最优位置，躲避猎人的搜索，如图3。
xi,j(t+1)＝Tpos(j)+CZcos(2πR)×(Tpos(j)-xi,j(t)) (7)
式(7)中：xi,j(t)代表猎物目前的位置，xi,j(t+1)即为猎物的下一个位置，Tpos(j)为猎物的目标位置，R为[-1,1]范围内随机数。
S34：结合上述公式(5)和公式(7)得到算法对猎人猎物行为的选择机制，设置一个调节参数δ，取[0,1]之间随机数R1与δ比较，如果R1小于δ，则执行猎人搜索机制，相反，则触发猎物逃跑机制，直到满足条件，寻优结束。
S4，输入故障数据训练集到SVM中构建故障模型。
S5，输入故障测试集检验HPO-SVM算法对电力变压器声纹信号的诊断与分类能力，分类效果如图10所示。
因此，本发明采用上述一种基于HPO-SVM的电力变压器典型故障声纹诊断方法，能够解决在处理存在故障特征重合的电力变压器声纹信号中存在分类结果混叠、收敛速度慢与分类效果差的问题。
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进行限制，尽管参照较佳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：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。

Claims (7)

1.一种基于HPO-SVM的电力变压器典型故障声纹诊断方法，其特征在于：包括以下步骤：
S1，采集声纹数据输入分析计算机中；
S2，对采集到的声纹信号进行CEEMDAN分解，然后进行包络谱峭度计算并筛选；
S3，利用HPO算法对SVM中核函数的惩罚因子C与核函数参数g进行参数寻优，将最优位置的C与g值赋给SVM；
S4，输入故障数据训练集到SVM中构建故障模型；
S5，输入故障测试集检验HPO-SVM算法对电力变压器声纹信号的诊断与分类能力。
2.根据权利要求1所述的基于HPO-SVM的电力变压器典型故障声纹诊断方法，其特征在于：S1中，在不同故障类型的电力变压器周围固定声学传感器，声学传感器通过数据采集装置与分析计算机相连接，设定数据采样和数据分析周期，采集故障信号并输送至分析计算机中。
3.根据权利要求2所述的基于HPO-SVM的电力变压器典型故障声纹诊断方法，其特征在于：S2中，对采集到的声纹信号进行CEEMDAN分解，将分解得到的IMF信号进行包络谱峭度计算，筛选包络谱峭度大的信号重组新的时间序列；
具体实现过程为：在原始信号中加入高斯噪声并通过多次叠加并平均的方式消除信号中的噪声干扰，具体运算公式为：
Figure FDA0004119082210000011
其中
Figure FDA0004119082210000012
代表第l次经EMD分解的模态分量，r(t)代表残余分量；
利用CEEMDAN将x(t)分解成若干个IMF分量xi(t)，则IMF分量的包络信号为：
Figure FDA0004119082210000021
其中
Figure FDA0004119082210000022
表示xi(t)的希尔伯特变换，其中i＝1,2,…,I，I为最大分解阶数，
计算包络信号的频谱，推导其包络谱峭度为：
Figure FDA0004119082210000023
其中En(t)代表包络信号的频谱，uE为En(t)的均值，N为信号的长度。
4.根据权利要求3所述的基于HPO-SVM的电力变压器典型故障声纹诊断方法，其特征在于：S3中，具体地，
S31：初始化种群位置，猎人或猎物在空间中随机生成，
xn＝rand(1,d).*(u-l)+l
其中xn表示种群成员的位置，d表示问题的维数，u与l分别代表问题变量的上界与下界。
5.根据权利要求4所述的基于HPO-SVM的电力变压器典型故障声纹诊断方法，其特征在于：
S32：引入猎人搜索机制，猎人选择远离群体的猎物作为狩猎对象，
xi,j(t+1)＝xi,j(t)+0.5[(2CZPpos(j)-xi,j(t))+(2(1-C)Zτ(j)-xi,j(t))]
其中xi,j(t)代表猎人目前的位置，xi,j(t+1)即为猎人的下一个位置，Ppos(j)为目标猎物的位置，τ(j)代表猎人与猎物位置的均值，Z为自适应参数，C是算法探索中的平衡参数，其计算过程如下式：
Figure FDA0004119082210000024
其中t代表迭代次数，tmax代表最大迭代次数。
6.根据权利要求5所述的基于HPO-SVM的电力变压器典型故障声纹诊断方法，其特征在于：
S33：引入猎物逃跑机制，猎物为逃脱猎人狩猎而移动到全局最优位置，躲避猎人的搜索，
xi,j(t+1)＝Tpos(j)+CZcos(2πR)×(Tpos(j)-xi,j(t))
其中：xi,j(t)代表猎物目前的位置，xi,j(t+1)即为猎物的下一个位置，Tpos(j)为猎物的目标位置，R为[-1,1]范围内随机数。
7.根据权利要求6所述的基于HPO-SVM的电力变压器典型故障声纹诊断方法，其特征在于：
步骤S34：结合上述公式得到算法对猎人猎物行为的选择机制，设置一个调节参数δ，取[0,1]之间随机数R1与δ比较，如果R1小于δ，则执行猎人搜索机制，相反，则触发猎物逃跑机制，直到满足条件，寻优结束。
CN202310227896.6A 2023-03-10 2023-03-10 一种基于hpo-svm的电力变压器典型故障声纹诊断方法 Pending CN116223955A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310227896.6A CN116223955A (zh) 2023-03-10 2023-03-10 一种基于hpo-svm的电力变压器典型故障声纹诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310227896.6A CN116223955A (zh) 2023-03-10 2023-03-10 一种基于hpo-svm的电力变压器典型故障声纹诊断方法

Publications (1)

Publication Number Publication Date
CN116223955A true CN116223955A (zh) 2023-06-06

Family

ID=86569265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310227896.6A Pending CN116223955A (zh) 2023-03-10 2023-03-10 一种基于hpo-svm的电力变压器典型故障声纹诊断方法

Country Status (1)

Country Link
CN (1) CN116223955A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573355A (zh) * 2014-12-30 2015-04-29 北华大学 一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法
CN111272429A (zh) * 2020-03-04 2020-06-12 贵州大学 一种轴承故障诊断方法
CN114818780A (zh) * 2022-03-28 2022-07-29 南京航空航天大学 基于ceemdan和apso-svm的车辆轴承故障诊断方法
CN114881106A (zh) * 2022-03-28 2022-08-09 南京邮电大学 一种基于mpa-svm的变压器故障诊断方法及装置
CN115310477A (zh) * 2022-07-06 2022-11-08 安徽云磬科技产业发展有限公司 基于分形特征和捕食者算法的泵机设备故障声音检测方法及其系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573355A (zh) * 2014-12-30 2015-04-29 北华大学 一种采用参数寻优支持向量机基于光声光谱法的变压器故障诊断方法
CN111272429A (zh) * 2020-03-04 2020-06-12 贵州大学 一种轴承故障诊断方法
CN114818780A (zh) * 2022-03-28 2022-07-29 南京航空航天大学 基于ceemdan和apso-svm的车辆轴承故障诊断方法
CN114881106A (zh) * 2022-03-28 2022-08-09 南京邮电大学 一种基于mpa-svm的变压器故障诊断方法及装置
CN115310477A (zh) * 2022-07-06 2022-11-08 安徽云磬科技产业发展有限公司 基于分形特征和捕食者算法的泵机设备故障声音检测方法及其系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
TIANWEN ZHENG等: "《Sound Diagnosis Method of Power Transformer Discharge Fault Based on CEEMDAN-SVM》", 《2022 THE 6TH INTERNATIONAL CONFERENCE ON SMART GRID AND SMART CITIES》, 1 December 2022 (2022-12-01), pages 2 - 4 *

Similar Documents

Publication Publication Date Title
CN106443316B (zh) 一种电力变压器绕组形变状态多信息检测方法及装置
CN109635928B (zh) 基于深度学习模型融合的电压暂降原因识别方法
CN111160798B (zh) 一种基于蜂群算法的非侵入式家电负荷识别方法
CN109977920A (zh) 基于时频谱图及卷积神经网络的水轮机组故障诊断方法
CN112257530B (zh) 基于盲信号分离和支持向量机的滚动轴承故障诊断方法
CN111639586B (zh) 非侵入式负荷识别模型构建方法、负荷识别方法及系统
CN116524200A (zh) 一种基于图像识别的高压断路器故障诊断方法
CN112633098A (zh) 一种旋转机械故障诊断方法、系统及存储介质
Li et al. An intelligent fault diagnosis method of rolling bearings via variational mode decomposition and common spatial pattern-based feature extraction
CN115877205A (zh) 一种伺服电机的故障智能诊断系统及其诊断方法
CN114091504A (zh) 一种基于生成对抗网络的旋转机械小样本故障诊断方法
CN111881594A (zh) 一种核动力设备的非平稳信号状态监测方法及系统
CN117272143A (zh) 基于格拉姆角场与残差网络的输电线故障辨识方法和装置
Hu et al. Robust feature extraction and ensemble classification against cyber-physical attacks in the smart grid
CN116884432A (zh) 基于vmd-js散度的电力变压器故障声纹诊断方法
CN116223955A (zh) 一种基于hpo-svm的电力变压器典型故障声纹诊断方法
CN111588375B (zh) 一种基于栈式稀疏自编码模型的涟波和快速涟波检测方法
CN112285632A (zh) 一种基于vmd和样本熵的电磁式电流互感器故障诊断方法
CN111122160B (zh) 一种基于堆栈降噪自编码器的异常信号检测方法
CN116913316A (zh) 一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法
CN115456013A (zh) 基于运行数据的风电机组变流器功率模块故障诊断方法
Shiling et al. Research on method of mechanical state characteristics diagnosis based on STFT and RVM for transformer winding
Gu et al. Mechanical fault diagnosis of transformer on-load tap-changer based on improved variational mode decomposition and support vector machine
CN114091593A (zh) 一种基于多尺度特征融合的网络级电弧故障诊断方法
Xu et al. A graph convolutional shrinkage network-based fault diagnosis method for industrial process

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