CN116226647B - 电力电缆局部放电模式的识别方法、装置、设备及介质 - Google Patents
电力电缆局部放电模式的识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116226647B CN116226647B CN202310499122.9A CN202310499122A CN116226647B CN 116226647 B CN116226647 B CN 116226647B CN 202310499122 A CN202310499122 A CN 202310499122A CN 116226647 B CN116226647 B CN 116226647B
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- power cable
- generator
- incident wave
- trained
- 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
Links
Classifications
-
- 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
-
- 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
- G01R31/1263—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 solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1272—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 solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本申请提供了一种电力电缆局部放电模式的识别方法、装置、设备及介质，涉及电力电缆技术领域，识别方法包括：获取待识别的目标电力电缆的局部放电信号；通过小波匹配追踪算法对目标电力电缆的局部放电信号进行入射波的提取，得到目标电力电缆的入射波；将目标电力电缆的入射波输入至训练好的识别模型中，得到与待识别的目标电力电缆对应的局部放电模式的识别结果。采用本申请提供的技术方案能够通过小波匹配追踪算法提取目标电力电缆的局部放电信号的入射波，将入射波输入至采用生成器和判别器进行对抗式训练得到的识别模型中，可以得到目标电力电缆局部放电信号的类型，避免了去噪导致的波形畸变，有效提高了局部放电模式识别的准确性。
Description
技术领域
本申请涉及电力电缆技术领域，尤其是涉及一种电力电缆局部放电模式的识别方法、装置、设备及介质。
背景技术
电力电缆的可靠运行直接关系到电网的稳定，据统计，绝大部分电力电缆故障均由绝缘缺陷引起，局部放电检测是实现电力电缆绝缘缺陷定位和绝缘状况判断的有效方法；相较于其他电力设备而言，电力电缆的运行环境和结构都更为复杂，不同类型的故障造成的电缆绝缘损坏程度各异，对维修的要求也不同。因此，准确识别电缆局部放电类型，对判断电缆绝缘状态，快速排除绝缘隐患，确保电网稳定运行具有重要的意义。
目前，局部放电模式识别主要针对局部放电信号的脉冲分布统计特征进行研究，从中提取出一些特征量，再通过机器学习的方法进行模式识别；这些方法的分类能力高度依赖局部放电特征的表征能力，但人工特征多为局放的浅层表征，并不能保证各模式间一直最大可分，且上述方法在样本不均衡时均有过拟合的风险。和机器学习相比，深度学习方法可以自主学习数据特征，不再需要人工提取特征，在电力设备局部放电模式识别领域具有广泛的应用，通过在训练时增加标签信息和辅助分类任务，在分类的同时又能生成新样本来提高模型的数据增强效果，但该方法将单次脉冲同步挤压小波变换后的时频谱图像作为输入，存在以下三个问题：（1）有噪声的情况下很难对局部放电信号进行脉冲分割；（2）同步挤压小波变换都是从中间向两边衰减的“鱼腹状”波形，用该方法处理会造成原始放电脉冲波形的畸变，并不适用于电力电缆这种单边振荡衰减的波形；（3）该方法主要针对变压器局部放电，由于不同放电源激发的脉冲波形具有各自独特的形态特征，所以在应用于电力电缆局部放电模式识别的情况下，会导致识别准确率降低；因此，如何识别电力电缆局部放电模式，成为了亟待解决的问题。
发明内容
有鉴于此，本申请的目的在于提供一种电力电缆局部放电模式的识别方法、装置、设备及介质，能够通过小波匹配追踪算法提取目标电力电缆的局部放电信号的入射波，将入射波输入至采用生成器和判别器进行对抗式训练得到的识别模型中，可以得到目标电力电缆局部放电信号的类型，避免了去噪导致的波形畸变，有效提高了局部放电模式识别的准确性。
本申请主要包括以下几个方面：
第一方面，本申请实施例提供了一种电力电缆局部放电模式的识别方法，所述识别方法包括：
获取待识别的目标电力电缆的局部放电信号；
通过小波匹配追踪算法对所述目标电力电缆的局部放电信号进行入射波的提取，得到所述目标电力电缆的入射波；
将所述目标电力电缆的入射波输入至训练好的识别模型中，得到与所述待识别的目标电力电缆对应的局部放电模式的识别结果；其中，所述识别模型包括生成器和判别器，所述训练好的识别模型是基于训练样本对所述生成器和所述判别器进行对抗式训练得到的模型。
进一步的，通过以下步骤得到训练好的识别模型：
获取电力电缆的不同类别的局部放电信号；
针对每个类别的局部放电信号，通过小波匹配追踪算法对该类别的局部放电信号进行入射波的提取，得到该类别局部放电信号的入射波；
将每个类别局部放电信号的入射波进行幅值归一化处理，得到每个类别局部放电信号处理后的入射波，将每个类别局部放电信号处理后的入射波按照第一预设比例随机分为第一样本和第二样本；
将所述第一样本中的训练样本与随机噪声输入至所述识别模型的生成器中，得到所述训练样本对应的生成数据；
将所述训练样本对应的生成数据与所述第二样本输入至所述识别模型的判别器中，得到与所述生成数据对应的预测类别和与所述第二样本对应的预测类别；
利用所述生成数据对应的预测类别与所述第二样本对应的预测类别之间的相似度对所述生成器与所述判别器进行对抗式训练，得到训练好的生成器和训练好的判别器；
将所述训练好的生成器和所述训练好的判别器的组合，确定为训练好的识别模型。
进一步的，通过以下步骤得到训练好的判别器：
确定所述生成数据对应的预测类别与所述第二样本对应的预测类别之间的相似度是否大于预设最大阈值；
若否 ，则调整所述判别器的参数，更新所述判别器，利用更新后的判别器的输出继续训练所述生成器；
若是，则得到训练好的判别器。
进一步的，通过以下步骤得到训练好的生成器：
确定所述判别器的输出对应于所述第二样本对应的预测类别和对应于所述生成数据对应的预测类别之间的相似度是否小于预设最小阈值；
若否， 则调整所述生成器的参数，更新所述生成器，将更新后的生成器输出的生成数据输入所述判别器中，继续训练所述判别器；
若是，则得到训练好的生成器。
进一步的，所述识别方法还包括：
将所述第一样本中的测试样本与随机噪声输入至所述训练好的生成器中，得到所述生成器生成的测试数据；其中，所述第一样本中的训练样本与测试样本是按照第二预设比例进行随机划分的；
将所述测试数据输入至训练好的判别器中，得到所述测试数据与所述测试样本的相似度；
若所述测试数据与所述测试样本的相似度大于预设相似度，则将所述识别模型的测试效果确定为成功。
进一步的，所述将所述目标电力电缆的入射波输入至训练好的识别模型中，得到与所述待识别的目标电力电缆对应的局部放电模式的识别结果的步骤，包括：
将所述目标电力电缆的入射波输入至训练好的识别模型的判别器中，得到所述判别器输出的所述入射波属于每个预设的局部放电信号的类别的概率；
在所述入射波属于每个预设的局部放电信号的类别的概率中，将数值最大的概率对应的局部放电信号的类别确定为所述入射波对应的局部放电模式的识别结果。
进一步的，所述通过小波匹配追踪算法对所述目标电力电缆的局部放电信号进行入射波的提取，得到所述目标电力电缆的入射波的步骤，包括：
通过小波匹配追踪算法，获取小波原子，并将所述小波原子在所述目标电力电缆的局部放电信号的整个时域内平移，确定每个时刻对应的所述小波原子与所述局部放电信号的内积；
在每个时刻对应的内积中，将所述内积大于预设阈值的时刻对应的局部放电信号确定为所述目标电力电缆的局部放电信号的入射波。
第二方面，本申请实施例还提供了一种电力电缆局部放电模式的识别装置，所述识别装置包括：
获取模块，用于获取待识别的目标电力电缆的局部放电信号；
提取模块，用于通过小波匹配追踪算法对所述目标电力电缆的局部放电信号进行入射波的提取，得到所述目标电力电缆的入射波；
识别模块，用于将所述目标电力电缆的入射波输入至训练好的识别模型中，得到与所述待识别的目标电力电缆对应的局部放电模式的识别结果；其中，所述识别模型包括生成器和判别器，所述训练好的识别模型是基于训练样本对所述生成器和所述判别器进行对抗式训练得到的模型。
第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的电力电缆局部放电模式的识别方法的步骤。
第四方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上述的电力电缆局部放电模式的识别方法的步骤。
本申请实施例提供的一种电力电缆局部放电模式的识别方法、装置、设备及介质，所述识别方法包括：获取待识别的目标电力电缆的局部放电信号；通过小波匹配追踪算法对所述目标电力电缆的局部放电信号进行入射波的提取，得到所述目标电力电缆的入射波；将所述目标电力电缆的入射波输入至训练好的识别模型中，得到与所述待识别的目标电力电缆对应的局部放电模式的识别结果；其中，所述识别模型包括生成器和判别器，所述训练好的识别模型是基于训练样本对所述生成器和所述判别器进行对抗式训练得到的模型。
这样，采用本申请提供的技术方案能够通过小波匹配追踪算法提取目标电力电缆的局部放电信号的入射波，将入射波输入至采用生成器和判别器进行对抗式训练得到的识别模型中，可以得到目标电力电缆局部放电信号的类型，避免了去噪导致的波形畸变，有效提高了局部放电模式识别的准确性。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种电力电缆局部放电模式的识别方法的流程图；
图2示出了本申请实施例所提供的另一种电力电缆局部放电模式的识别方法的流程图；
图3示出了本申请实施例所提供的一种训练识别模型的示意图；
图4示出了本申请实施例所提供的一种电力电缆局部放电模式的识别装置的结构图之一；
图5示出了本申请实施例所提供的一种电力电缆局部放电模式的识别装置的结构图之二；
图6示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中的附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请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申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例，都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“电力电缆局部放电模式的识别”，给出以下实施方式，对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。
本申请实施例下述方法、装置、电子设备或计算机可读存储介质可以应用于任何需要识别电力电缆局部放电模式的场景，本申请实施例并不对具体的应用场景作限制，任何使用本申请实施例提供的一种电力电缆局部放电模式的识别方法、装置、电子设备及存储介质的方案均在本申请保护范围内。
需要说明的是，对局部放电模式识别的研究，多集中在气体绝缘金属封闭开关设备和变压器领域，对电力电缆局部放电模式识别的研究较少；且由于电力电缆局部放电实验为破坏性实验，导致实验数据中放电脉冲数量少、类别不均衡，造成局部放电模式识别算法泛化能力不足，准确率较低。
目前，局部放电模式识别主要从局部放电信号的脉冲分布统计特征中提取出一些特征量（如偏斜度、陡峭度、起始放电相位等），再通过机器学习的方法（如BP神经网络、概率神经网络、支持向量机以及随机森林等）进行模式识别。这些方法的分类能力高度依赖局部放电特征的表征能力，但人工特征多为局放的浅层表征，并不能保证各模式间一直最大可分，且上述方法在样本不均衡时均有过拟合的风险。和机器学习相比，深度学习方法可以自主学习数据特征，不再需要人工提取特征，在电力设备局部放电模式识别领域具有广泛的应用。通过在训练时增加了标签信息和辅助分类任务，在分类的同时又能生成新样本来提高模型的数据增强效果。但该方法将单次脉冲同步挤压小波变换后的时频谱图像作为输入，存在三个问题：（1）有噪声的情况下很难对局部放电信号进行脉冲分割；（2）同步挤压小波变换常用的母小波如Haar小波、Morlet小波、Daubechies小波等都是从中间向两边衰减的“鱼腹状”波形，用该方法处理会造成原始放电脉冲波形的畸变，并不适用于电力电缆这种单边振荡衰减的波形；（3）该方法主要针对变压器局部放电，没有考虑电力电缆局部放电信号传输过程中由于色散、衰减和反射造成的脉冲时频谱特征的改变。同一类型缺陷的入射波和反射波的脉冲的时频谱并不相同，具有不同的形态特征，而通过时频谱图像进行混合局部放电源脉冲分离和识别的基础是，不同放电源激发的脉冲波形具有各自独特的形态特征，所以不考虑电缆的传输特性将导致识别准确率降低。因此，如何识别电力电缆局部放电模式，成为了亟待解决的问题。
基于此，本申请提出了一种电力电缆局部放电模式的识别方法、装置、设备及介质，所述识别方法包括：获取待识别的目标电力电缆的局部放电信号；通过小波匹配追踪算法对所述目标电力电缆的局部放电信号进行入射波的提取，得到所述目标电力电缆的入射波；将所述目标电力电缆的入射波输入至训练好的识别模型中，得到与所述待识别的目标电力电缆对应的局部放电模式的识别结果；其中，所述识别模型包括生成器和判别器，所述训练好的识别模型是基于训练样本对所述生成器和所述判别器进行对抗式训练得到的模型。
这样，采用本申请提供的技术方案能够通过小波匹配追踪算法提取目标电力电缆的局部放电信号的入射波，将入射波输入至采用生成器和判别器进行对抗式训练得到的识别模型中，可以得到目标电力电缆局部放电信号的类型，避免了去噪导致的波形畸变，有效提高了局部放电模式识别的准确性。
为便于对本申请进行理解，下面将结合具体实施例对本申请提供的技术方案进行详细说明。
请参阅图1，图1为本申请实施例所提供的一种电力电缆局部放电模式的识别方法的流程图，如图1中所示，所述识别方法包括：
S101、获取待识别的目标电力电缆的局部放电信号；
该步骤中，本实施例要克服电力电缆局部放电模式识别过程中由于样本不均衡和未考虑局放信号传输特性导致的分类准确率低的问题。首先，可以通过采集设备获取目标电力电缆的局部放电信号，例如，可以采用电缆振荡波测试系统对电力电缆局部放电信号的实时波形进行采集。
S102、通过小波匹配追踪算法对所述目标电力电缆的局部放电信号进行入射波的提取，得到所述目标电力电缆的入射波；
该步骤中，可以通过拉普拉斯（Laplace）小波匹配追踪算法实现局部放电信号入射波的提取。
需要说明的是，通过小波匹配追踪算法对目标电力电缆的局部放电信号进行入射波的提取，得到目标电力电缆的入射波的步骤，包括：
S1021、通过小波匹配追踪算法，获取小波原子，并将所述小波原子在所述目标电力电缆的局部放电信号的整个时域内平移，确定每个时刻对应的所述小波原子与所述局部放电信号的内积；
S1022、在每个时刻对应的内积中，将所述内积大于预设阈值的时刻对应的局部放电信号确定为所述目标电力电缆的局部放电信号的入射波。
在步骤S1021至步骤S1022中，作为示例，以Laplace小波实部为基函数，根据经验得到电力电缆局部放电信号入射波频率范围为5~15MHz之间，阻尼衰减系数为0.004～0.05之间，构建时频原子特征波形库；将小波原子在局部放电信号的整个时域内平移，分别计算每个小波原子和局部放电信号的内积。内积可以度量信号之间的相关性，内积出现极大值的时刻为局部放电信号和Laplace小波基最相似的时刻，即认为是局部放电发生的时刻。设采集到的局部放电信号为，用相关系数/>来量化/>和Laplace小波/>之间的相关程度：
其中，式中因子的作用为当信号/>和Laplace小波完全线性相关时使相关系数为1。相关系数最大值/>对应的时刻即为局部放电发生的时刻，/>，/>分别为对应的Laplace小波/>的频率和阻尼系数。若预先设定的相关系数阈值，即预设阈值为0.2，则提取大于0.2的局部放电信号作为入射波。
S103、将所述目标电力电缆的入射波输入至训练好的识别模型中，得到与所述待识别的目标电力电缆对应的局部放电模式的识别结果。
该步骤中，识别模型包括生成器和判别器，训练好的识别模型是基于训练样本对生成器和判别器进行对抗式训练得到的模型。
这里，识别模型可以采用分类生成式对抗网络（例如AC-GAN），识别结果可以是悬浮放电缺陷、半导电层损伤缺陷、绝缘表面划痕和气隙缺陷等故障类型。
需要说明的是，请参阅图2，图2为本申请实施例所提供另一种电力电缆局部放电模式的识别方法的流程图，如图2中所示，通过以下步骤得到训练好的识别模型：
S201、获取电力电缆的不同类别的局部放电信号；
该步骤中，可以通过试验或现场检测获得不同类别的局部放电信号时域数据。
S202、针对每个类别的局部放电信号，通过小波匹配追踪算法对该类别的局部放电信号进行入射波的提取，得到该类别局部放电信号的入射波；
该步骤中，提取入射波的方法与上述步骤S1021至步骤S1022的方法一致，在此不再赘述。
S203、将每个类别局部放电信号的入射波进行幅值归一化处理，得到每个类别局部放电信号处理后的入射波，将每个类别局部放电信号处理后的入射波按照第一预设比例随机分为第一样本和第二样本；
该步骤中，实验数据是一维时域数据，假设将原始时域波形等间隔采样，采样点为100个点，将所有入射波数据的维度都转化为（1，100），再将所有数据除以幅值最大值，完成归一化。
这里，对入射波进行幅值归一化处理后，将每个类别局部放电信号处理后的入射波的一维图按照第一预设比例（例如，6：4）分成第一样本和第二样本。还可以将第一样本按照第二预设比例（例如，4：1）随机分为训练样本与测试样本，训练样本用来训练辅助识别模型的生成器以实现样本增强的目的，测试样本用来测试样本增强的效果，测试步骤为下述步骤一至步骤三。也可以不考虑测试样本，将第一样本中的所有样本作为训练样本。
S204、将所述第一样本中的训练样本与随机噪声输入至所述识别模型的生成器中，得到所述训练样本对应的生成数据；
该步骤中，将训练样本和随机噪声作为生成器的输入得到不同类型局部放电信号时域波形的生成数据，即，生成器输出与训练样本相似的伪样本作为原始训练样本的扩充；这里，随机噪声可以采用高斯分布。
S205、将所述训练样本对应的生成数据与所述第二样本输入至所述识别模型的判别器中，得到与所述生成数据对应的预测类别和与所述第二样本对应的预测类别；
该步骤中，将第二样本和上述步骤S204中的生成数据作为辅助识别模型的判别器的输入，实现对电力电缆局部放电信号的模式预测。
S206、利用所述生成数据对应的预测类别与所述第二样本对应的预测类别之间的相似度对所述生成器与所述判别器进行对抗式训练，得到训练好的生成器和训练好的判别器；
需要说明的是，通过以下步骤得到训练好的判别器：
S20611、确定所述生成数据对应的预测类别与所述第二样本对应的预测类别之间的相似度是否大于预设最大阈值；
S20612、若否 ，则调整所述判别器的参数，更新所述判别器，利用更新后的判别器的输出继续训练所述生成器；
S20613、若是，则得到训练好的判别器。
在步骤S20611至步骤20613中，判别器的输入数据，即第二样本与生成器输出的生成数据，判别器的输出是输入数据对应的预测类别，即生成数据对应的预测类别和第二样本对应的预测类别，确定生成数据对应的预测类别与第二样本对应的预测类别之间的相似度，若相似度不大于预设最大阈值，则在预设范围内调整判别器的参数，更新判别器，通过在预设范围内调整参数的方式可以解决判别器训练过好，生成器训练效果不佳的情况；根据更新后的判别器继续训练生成器，再根据训练后的生成器继续训练判别器，不断更新生成器和判别器，直至相似度大于预设最大阈值时停止判别器的训练，得到训练好的判别器。
作为示例，判别器可以由三个一维卷积层、一个鉴别层、一个分类层组成，卷积层主要用于提取输入数据的特征，鉴别层主要用于基于提取出的特征鉴别输入数据属于伪样本（生成数据）的概率或者属于真实样本（第二样本）的概率，分类器主要用于对输入数据指示的局部放电模式进行分类。
需要说明的是，通过以下步骤得到训练好的生成器：
S20621、确定所述判别器的输出对应于所述第二样本对应的预测类别和对应于所述生成数据对应的预测类别之间的相似度是否小于预设最小阈值；
S20622、若否， 则调整所述生成器的参数，更新所述生成器，将更新后的生成器输出的生成数据输入所述判别器中，继续训练所述判别器；
S20623、若是，则得到训练好的生成器。
在步骤20621至步骤20623中，作为示例，请参阅图3，图3为本申请实施例所提供一种训练识别模型的示意图，如图3中所示，生成器主要作用是尽可能生成近似第一样本的生成数据，生成器的输入为第一样本和随机噪声，输出为生成图片（生成数据），将生成数据和第二样本输入判别器中，确定判别器输出的对应于第二样本对应的预测类别和对应于生成数据对应的预测类别之间的相似度，若相似度不小于预设最小阈值，则调整生成器的参数，更新生成器，再将更新后的生成器输出的生成数据输入判别器中，继续训练判别器，再根据训练后的判别器继续训练生成器，不断更新生成器和判别器，直至相似度小于预设最小阈值时停止生成器的训练，得到训练好的生成器。在生成器和判别器不断地的对抗回合中，使生成器输出越来越近似第一样本的生成数据。
示例性的，生成器可以由四个转置卷积层组成，具体如下表1所示：
表1-生成器组成表
这里，生成器和上述判别器的学习率可以均设置为 0.0002。
S207、将所述训练好的生成器和所述训练好的判别器的组合，确定为训练好的识别模型。
需要说明的是，识别方法还包括：
一、将所述第一样本中的测试样本与随机噪声输入至所述训练好的生成器中，得到所述生成器生成的测试数据；其中，所述第一样本中的训练样本与测试样本是按照第二预设比例进行随机划分的；
二、将所述测试数据输入至训练好的判别器中，得到所述测试数据与所述测试样本的相似度；
三、若所述测试数据与所述测试样本的相似度大于预设相似度，则将所述识别模型的测试效果确定为成功。
在步骤一至步骤三中，可以将第一样本按照第二预设比例（例如4：1）随机分为训练样本和测试样本，训练样本用于训练识别模型，得到训练好的识别模型，测试样本用于测试训练好的识别模型样本增强的效果，所以将测试样本与随机噪声输入至识别模型的生成器中，生成伪样本（测试数据），将伪样本输入至识别模型的判别器中，得到伪样本与真实样本（测试样本）的相似度以及伪样本对应的局部放电信号的类别（预测类别），当伪样本与真实样本的相似度大于预设相似度，则说明识别模型的样本增强效果成功。
在步骤S103中，将目标电力电缆的入射波输入至训练好的识别模型中，得到与待识别的目标电力电缆对应的局部放电模式的识别结果的步骤，包括：
S1031、将所述目标电力电缆的入射波输入至训练好的识别模型的判别器中，得到所述判别器输出的所述入射波属于每个预设的局部放电信号的类别的概率；
S1032、在所述入射波属于每个预设的局部放电信号的类别的概率中，将数值最大的概率对应的局部放电信号的类别确定为所述入射波对应的局部放电模式的识别结果。
在步骤S1031至步骤S1032中，是在得到训练好的识别模型后的应用过程，可以将提取的入射波直接输入至识别模型的判别器中，得到入射波对应的局部放电模式的识别结果，可以将入射波以及对应的识别结果进行存储，以便扩大数据集，增强训练样本的丰富性，可以在后续作为训练样本继续训练识别模型，得到更好的识别效果，提高电力电缆局部放电模式识别的准确性。
综上，本实施例采用识别模型（辅助分类生成式对抗网络）实现电力电缆局部放电样本的增强，有效地解决了样品数量少和样本不均衡的问题，避免多次进行电缆局部放电试验带来的成本负担；同时采用Laplace小波匹配追踪算法实现局部放电信号入射波的提取，避免了去噪导致的波形畸变，有效提高了局放类型识别的准确率。
本申请实施例提供的一种电力电缆局部放电模式的识别方法，所述识别方法包括：获取待识别的目标电力电缆的局部放电信号；通过小波匹配追踪算法对所述目标电力电缆的局部放电信号进行入射波的提取，得到所述目标电力电缆的入射波；将所述目标电力电缆的入射波输入至训练好的识别模型中，得到与所述待识别的目标电力电缆对应的局部放电模式的识别结果；其中，所述识别模型包括生成器和判别器，所述训练好的识别模型是基于训练样本对所述生成器和所述判别器进行对抗式训练得到的模型。
这样，采用本申请提供的技术方案能够通过小波匹配追踪算法提取目标电力电缆的局部放电信号的入射波，将入射波输入至采用生成器和判别器进行对抗式训练得到的识别模型中，可以得到目标电力电缆局部放电信号的类型，避免了去噪导致的波形畸变，有效提高了局部放电模式识别的准确性。
基于同一申请构思，本申请实施例中还提供了与上述实施例提供一种电力电缆局部放电模式的识别方法对应的一种电力电缆局部放电模式的识别装置，由于本申请实施例中的装置解决问题的原理与本申请上述实施例一种电力电缆局部放电模式的识别方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
请参阅图4、图5，图4为本申请实施例所提供的一种电力电缆局部放电模式的识别装置的结构图之一，图5为本申请实施例所提供的一种电力电缆局部放电模式的识别装置的结构图之二。如图4中所示，所述识别装置410包括：
获取模块411，用于获取待识别的目标电力电缆的局部放电信号；
提取模块412，用于通过小波匹配追踪算法对所述目标电力电缆的局部放电信号进行入射波的提取，得到所述目标电力电缆的入射波；
识别模块413，用于将所述目标电力电缆的入射波输入至训练好的识别模型中，得到与所述待识别的目标电力电缆对应的局部放电模式的识别结果；其中，所述识别模型包括生成器和判别器，所述训练好的识别模型是基于训练样本对所述生成器和所述判别器进行对抗式训练得到的模型。
可选的，如图5所示，所述识别装置410还包括训练模块414，所述训练模块414用于：
获取电力电缆的不同类别的局部放电信号；
针对每个类别的局部放电信号，通过小波匹配追踪算法对该类别的局部放电信号进行入射波的提取，得到该类别局部放电信号的入射波；
将每个类别局部放电信号的入射波进行幅值归一化处理，得到每个类别局部放电信号处理后的入射波，将每个类别局部放电信号处理后的入射波按照第一预设比例随机分为第一样本和第二样本；
将所述第一样本中的训练样本与随机噪声输入至所述识别模型的生成器中，得到所述训练样本对应的生成数据；
将所述训练样本对应的生成数据与所述第二样本输入至所述识别模型的判别器中，得到与所述生成数据对应的预测类别和与所述第二样本对应的预测类别；
利用所述生成数据对应的预测类别与所述第二样本对应的预测类别之间的相似度对所述生成器与所述判别器进行对抗式训练，得到训练好的生成器和训练好的判别器；
将所述训练好的生成器和所述训练好的判别器的组合，确定为训练好的识别模型。
可选的，所述训练模块414在用于得到训练好的判别器时，所述训练模块414具体用于：
确定所述生成数据对应的预测类别与所述第二样本对应的预测类别之间的相似度是否大于预设最大阈值；
若否 ，则调整所述判别器的参数，更新所述判别器，利用更新后的判别器的输出继续训练所述生成器；
若是，则得到训练好的判别器。
可选的，所述训练模块414在用于得到训练好的生成器时，所述训练模块414具体用于：
确定所述判别器的输出对应于所述第二样本对应的预测类别和对应于所述生成数据对应的预测类别之间的相似度是否小于预设最小阈值；
若否， 则调整所述生成器的参数，更新所述生成器，将更新后的生成器输出的生成数据输入所述判别器中，继续训练所述判别器；
若是，则得到训练好的生成器。
可选的，如图5所示，所述识别装置410还包括测试模块415，所述测试模块415用于：
将所述第一样本中的测试样本与随机噪声输入至所述训练好的生成器中，得到所述生成器生成的测试数据；其中，所述第一样本中的训练样本与测试样本是按照第二预设比例进行随机划分的；
将所述测试数据输入至训练好的判别器中，得到所述测试数据与所述测试样本的相似度；
若所述测试数据与所述测试样本的相似度大于预设相似度，则将所述识别模型的测试效果确定为成功。
可选的，所述识别模块413具体用于：
将所述目标电力电缆的入射波输入至训练好的识别模型的判别器中，得到所述判别器输出的所述入射波属于每个预设的局部放电信号的类别的概率；
在所述入射波属于每个预设的局部放电信号的类别的概率中，将数值最大的概率对应的局部放电信号的类别确定为所述入射波对应的局部放电模式的识别结果。
可选的，所述提取模块412具体用于：
通过小波匹配追踪算法，获取小波原子，并将所述小波原子在所述目标电力电缆的局部放电信号的整个时域内平移，确定每个时刻对应的所述小波原子与所述局部放电信号的内积；
在每个时刻对应的内积中，将所述内积大于预设阈值的时刻对应的局部放电信号确定为所述目标电力电缆的局部放电信号的入射波。
本申请实施例提供的一种电力电缆局部放电模式的识别装置，所述识别装置包括：获取模块，用于获取待识别的目标电力电缆的局部放电信号；提取模块，用于通过小波匹配追踪算法对所述目标电力电缆的局部放电信号进行入射波的提取，得到所述目标电力电缆的入射波；识别模块，用于将所述目标电力电缆的入射波输入至训练好的识别模型中，得到与所述待识别的目标电力电缆对应的局部放电模式的识别结果；其中，所述识别模型包括生成器和判别器，所述训练好的识别模型是基于训练样本对所述生成器和所述判别器进行对抗式训练得到的模型。
这样，采用本申请提供的技术方案能够通过小波匹配追踪算法提取目标电力电缆的局部放电信号的入射波，将入射波输入至采用生成器和判别器进行对抗式训练得到的识别模型中，可以得到目标电力电缆局部放电信号的类型，避免了去噪导致的波形畸变，有效提高了局部放电模式识别的准确性。
请参阅图6，图6为本申请实施例所提供的一种电子设备的结构示意图。如图6中所示，所述电子设备600包括处理器610、存储器620和总线630。
所述存储器620存储有所述处理器610可执行的机器可读指令，当电子设备600运行时，所述处理器610与所述存储器620之间通过总线630通信，所述机器可读指令被所述处理器610执行时，可以执行如上述图1以及图2所示方法实施例中的电力电缆局部放电模式的识别方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1以及图2所示方法实施例中的电力电缆局部放电模式的识别方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-OnlyMemory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种电力电缆局部放电模式的识别方法，其特征在于，所述识别方法包括：
获取待识别的目标电力电缆的局部放电信号；
通过小波匹配追踪算法对所述目标电力电缆的局部放电信号进行入射波的提取，得到所述目标电力电缆的入射波；
将所述目标电力电缆的入射波输入至训练好的识别模型中，得到与所述待识别的目标电力电缆对应的局部放电模式的识别结果；其中，所述识别模型包括生成器和判别器，所述训练好的识别模型是基于训练样本对所述生成器和所述判别器进行对抗式训练得到的模型；
通过以下步骤得到训练好的识别模型：
获取电力电缆的不同类别的局部放电信号；
针对每个类别的局部放电信号，通过小波匹配追踪算法对该类别的局部放电信号进行入射波的提取，得到该类别局部放电信号的入射波；
将每个类别局部放电信号的入射波进行幅值归一化处理，得到每个类别局部放电信号处理后的入射波，将每个类别局部放电信号处理后的入射波按照第一预设比例随机分为第一样本和第二样本；
将所述第一样本中的训练样本与随机噪声输入至所述识别模型的生成器中，得到所述训练样本对应的生成数据；
将所述训练样本对应的生成数据与所述第二样本输入至所述识别模型的判别器中，得到与所述生成数据对应的预测类别和与所述第二样本对应的预测类别；
利用所述生成数据对应的预测类别与所述第二样本对应的预测类别之间的相似度对所述生成器与所述判别器进行对抗式训练，得到训练好的生成器和训练好的判别器；
将所述训练好的生成器和所述训练好的判别器的组合，确定为训练好的识别模型。
2.根据权利要求1所述的识别方法，其特征在于，通过以下步骤得到训练好的判别器：
确定所述生成数据对应的预测类别与所述第二样本对应的预测类别之间的相似度是否大于预设最大阈值；
若否，则调整所述判别器的参数，更新所述判别器，利用更新后的判别器的输出继续训练所述生成器；
若是，则得到训练好的判别器。
3.根据权利要求1所述的识别方法，其特征在于，通过以下步骤得到训练好的生成器：
确定所述判别器的输出对应于所述第二样本对应的预测类别和对应于所述生成数据对应的预测类别之间的相似度是否小于预设最小阈值；
若否，则调整所述生成器的参数，更新所述生成器，将更新后的生成器输出的生成数据输入所述判别器中，继续训练所述判别器；
若是，则得到训练好的生成器。
4.根据权利要求1所述的识别方法，其特征在于，所述识别方法还包括：
将所述第一样本中的测试样本与随机噪声输入至所述训练好的生成器中，得到所述生成器生成的测试数据；其中，所述第一样本中的训练样本与测试样本是按照第二预设比例进行随机划分的；
将所述测试数据输入至训练好的判别器中，得到所述测试数据与所述测试样本的相似度；
若所述测试数据与所述测试样本的相似度大于预设相似度，则将所述识别模型的测试效果确定为成功。
5.根据权利要求1所述的识别方法，其特征在于，所述将所述目标电力电缆的入射波输入至训练好的识别模型中，得到与所述待识别的目标电力电缆对应的局部放电模式的识别结果的步骤，包括：
将所述目标电力电缆的入射波输入至训练好的识别模型的判别器中，得到所述判别器输出的所述入射波属于每个预设的局部放电信号的类别的概率；
在所述入射波属于每个预设的局部放电信号的类别的概率中，将数值最大的概率对应的局部放电信号的类别确定为所述入射波对应的局部放电模式的识别结果。
6.根据权利要求1所述的识别方法，其特征在于，所述通过小波匹配追踪算法对所述目标电力电缆的局部放电信号进行入射波的提取，得到所述目标电力电缆的入射波的步骤，包括：
通过小波匹配追踪算法，获取小波原子，并将所述小波原子在所述目标电力电缆的局部放电信号的整个时域内平移，确定每个时刻对应的所述小波原子与所述局部放电信号的内积；
在每个时刻对应的内积中，将所述内积大于预设阈值的时刻对应的局部放电信号确定为所述目标电力电缆的局部放电信号的入射波。
7.一种电力电缆局部放电模式的识别装置，其特征在于，所述识别装置包括：
获取模块，用于获取待识别的目标电力电缆的局部放电信号；
提取模块，用于通过小波匹配追踪算法对所述目标电力电缆的局部放电信号进行入射波的提取，得到所述目标电力电缆的入射波；
识别模块，用于将所述目标电力电缆的入射波输入至训练好的识别模型中，得到与所述待识别的目标电力电缆对应的局部放电模式的识别结果；其中，所述识别模型包括生成器和判别器，所述训练好的识别模型是基于训练样本对所述生成器和所述判别器进行对抗式训练得到的模型；
所述识别装置还包括训练模块，所述训练模块用于：
获取电力电缆的不同类别的局部放电信号；
针对每个类别的局部放电信号，通过小波匹配追踪算法对该类别的局部放电信号进行入射波的提取，得到该类别局部放电信号的入射波；
将每个类别局部放电信号的入射波进行幅值归一化处理，得到每个类别局部放电信号处理后的入射波，将每个类别局部放电信号处理后的入射波按照第一预设比例随机分为第一样本和第二样本；
将所述第一样本中的训练样本与随机噪声输入至所述识别模型的生成器中，得到所述训练样本对应的生成数据；
将所述训练样本对应的生成数据与所述第二样本输入至所述识别模型的判别器中，得到与所述生成数据对应的预测类别和与所述第二样本对应的预测类别；
利用所述生成数据对应的预测类别与所述第二样本对应的预测类别之间的相似度对所述生成器与所述判别器进行对抗式训练，得到训练好的生成器和训练好的判别器；
将所述训练好的生成器和所述训练好的判别器的组合，确定为训练好的识别模型。
8.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行如权利要求1至6任一所述的电力电缆局部放电模式的识别方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至6任一所述的电力电缆局部放电模式的识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310499122.9A CN116226647B (zh) | 2023-05-06 | 2023-05-06 | 电力电缆局部放电模式的识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310499122.9A CN116226647B (zh) | 2023-05-06 | 2023-05-06 | 电力电缆局部放电模式的识别方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116226647A CN116226647A (zh) | 2023-06-06 |
| CN116226647B true CN116226647B (zh) | 2023-07-28 |
Family
ID=86587607
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310499122.9A Active CN116226647B (zh) | 2023-05-06 | 2023-05-06 | 电力电缆局部放电模式的识别方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116226647B (zh) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2909903C (en) * | 2013-05-10 | 2020-11-24 | Prysmian S.P.A. | Partial discharge signal processing method and apparatus employing neural network |
| CN109685138B (zh) * | 2018-12-25 | 2023-04-07 | 东南大学 | 一种xlpe电力电缆局部放电类型识别方法 |
| DE102019215903A1 (de) * | 2019-10-16 | 2021-04-22 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Erzeugen von Trainingsdaten für ein Erkennungsmodell zum Erkennen von Objekten in Sensordaten eines Sensors insbesondere eines Fahrzeugs, Verfahren zum Trainieren und Verfahren zum Ansteuern |
| CN111985528B (zh) * | 2020-07-06 | 2024-04-23 | 国网天津市电力公司 | 一种基于pdgan的电缆局放数据增强方法 |
| CN112946432B (zh) * | 2020-12-29 | 2022-09-30 | 广东电网有限责任公司电力科学研究院 | 一种电缆局部放电测试信号的生成方法及其装置 |
-
2023
- 2023-05-06 CN CN202310499122.9A patent/CN116226647B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN116226647A (zh) | 2023-06-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tang et al. | Sparse classification of rotating machinery faults based on compressive sensing strategy | |
| Das et al. | Marine vessel classification based on passive sonar data: the cepstrum‐based approach | |
| Govindarajan et al. | Partial discharge random noise removal using Hankel matrix-based fast singular value decomposition | |
| CN105190751B (zh) | 键盘输入检测和抑制 | |
| Misák et al. | A complex classification approach of partial discharges from covered conductors in real environment | |
| Mota et al. | A comparison of cycle spinning versus stationary wavelet transform for the extraction of features of partial discharge signals | |
| Chen et al. | Automatic modulation classification of radar signals utilizing X-net | |
| CN109340586A (zh) | 一种供水管道泄露的检测方法及系统 | |
| Govindarajan et al. | Development of Hankel‐SVD hybrid technique for multiple noise removal from PD signature | |
| CN111680737A (zh) | 差异性信噪比条件下的雷达辐射源个体识别方法 | |
| Wang et al. | High quality impulse noise removal via non‐uniform sampling and autoregressive modelling based super‐resolution | |
| Wang et al. | Partial discharge detection with convolutional neural networks | |
| Zhang et al. | Partial discharge signal self-adaptive sparse decomposition noise abatement based on spectral kurtosis and S-transform | |
| Li et al. | Partial discharge signal denoising method based on frequency spectrum clustering and local mean decomposition | |
| CN116226647B (zh) | 电力电缆局部放电模式的识别方法、装置、设备及介质 | |
| Li et al. | Research on Signal Processing Technology of Ultrasonic Non‐Destructive Testing Based on EEMD Combined with Wavelet Packet | |
| Seo et al. | A novel signal extraction technique for online partial discharge (PD) measurement of transformers | |
| Ghaderi et al. | Automobile engine condition monitoring using sound emission | |
| Wu et al. | Classification of complex power quality disturbances based on modified empirical wavelet transform and light gradient boosting machine | |
| Moody et al. | Sparse classification of RF transients using chirplets and learned dictionaries | |
| CN111382790B (zh) | 一种基于小波变换的高压直流故障分类方法 | |
| Xie et al. | Denoising of partial discharge signal using rapid sparse decomposition | |
| US20220319022A1 (en) | Improving the resolution of a continuous wavelet transform | |
| Zhang et al. | Flaw classification in ultrasonic guided waves signal using Wavelet Transform and PNN classifier | |
| Tanwar et al. | Hard component detection of transient noise and its removal using empirical mode decomposition and wavelet‐based predictive filter |
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 |