CN116257737A - 基于自动编码器的新型输电线路高频故障信号降噪方法 - Google Patents
基于自动编码器的新型输电线路高频故障信号降噪方法 Download PDFInfo
- Publication number
- CN116257737A CN116257737A CN202310249809.7A CN202310249809A CN116257737A CN 116257737 A CN116257737 A CN 116257737A CN 202310249809 A CN202310249809 A CN 202310249809A CN 116257737 A CN116257737 A CN 116257737A
- Authority
- CN
- China
- Prior art keywords
- signal
- layer
- matrix
- noise
- tchebichef
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000009467 reduction Effects 0.000 title claims abstract description 31
- 230000006870 function Effects 0.000 claims abstract description 26
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000001629 suppression Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 58
- 230000014509 gene expression Effects 0.000 claims description 36
- 238000005070 sampling Methods 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000004043 dyeing Methods 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 8
- 238000007906 compression Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 5
- 230000000996 additive effect Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明提供基于自动编码器的新型输电线路高频故障信号降噪方法,该方法利用自动编码器的噪声学习能力对局放信号进行噪声抑制;同时,采用分数阶导数提高自动编码器训练时权重反向传播的效率;引入随机奇异值分解算法对自动编码器网络层之间的权重压缩,减少了权重的冗余信息;使用Tchebichef矩函数将信号转化至离散正交空间,提升自动编码器识别局放信号能力,进一步加强自动编码器的降噪性能。
Description
技术领域
本发明涉及信号降噪技术领域,尤其涉及基于自动编码器的新型输电线路高频故障信号降噪方法。
背景技术
输电线路作为电力系统中的重要一环,其绝缘系统长期处于高电压强电场环境,容易发生局部放电故障。而进行局部放电故障检测时,其信号容易受到环境噪声影响,从而降低故障诊断的精度。噪声问题不仅是局部放电检测时亟需解决的问题,也是信号处理领域的重要挑战。局部放电信号噪声抑制主要分为三类方法:信号分解类、时频分析类和深度学习类。信号分解类算法主要运用现今主流的模态分解类算法,如经验模态分解(Empirical Mode Decomposition,EMD)、变分模态分解(Variational ModeDecomposition,VMD)、集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)等。该类型方法对非平稳信号处理效果较差,而局部放电信号具有衰减振荡特性,属于非平稳信号,因此该类方法不适用于局部放电信号降噪领域。小波变换作为理想的信号时频分析工具,能够处理波形特征各异的非平稳信号。主流的小波阈值降噪方法有通用阈值、VisuShrink阈值、SureShrink阈值、BayesShrink阈值等。其作为经典的信号处理方法,虽然降噪能力强,但其小波类型、小波分解层数、软、硬阈值的选择问题上,仍需要花费较多精力进行筛选,降低了该算法的降噪能力。深度学习具有强大的特征学习能力,其代表性算法为降噪自动编码器,该算法能够自适应识别不同信号的波形特征,降噪能力强于传统方法,去噪后信号失真程度低,信号特征完整。但深度学习算法由于信号样本量大,网络层之间权重冗余信息过多,导致信号降噪效果较差。
因此,提出一种基于自动编码器的新型输电线路高频故障信号降噪方法就显得尤为重要。
发明内容
鉴以此,本发明的目的在于提供基于自动编码器的新型输电线路高频故障信号降噪方法,以至少解决以上问题。
本发明采用的技术方案如下:
基于自动编码器的新型输电线路高频故障信号降噪方法,所述方法包括以下步骤:
S1、当输电线路发生局部放电故障时,通过将高频电流信号传感器安装在与该输电线路的接地线上,用于接收局部放电产生的高频信号,并通过信号采集卡将信号传输至电脑端进行数据集的构造;
S2、构造的数据集通过分数阶压缩自动编码器网络中的输入层、隐藏层和输出层进行数据训练;
S3、通过对训练的数据进行权重更新,并且使用测试集对染噪局部放电信号进行噪声抑制,当染噪信号经过隐藏层计算后,输出层输出降噪信号的Tchebichef矩形式,并且通过逆运算求解出一维时域降噪信号。
进一步的,在步骤S1中,当输电线路发生局部放电故障时,局部放电脉冲具有正极性脉冲、负极性脉冲和双极性脉冲等脉冲波形特征,则输电线路工况环境中多为加性噪声,其与纯净局部放电信号的间的关系如下所示:
y(n)=x(n)+ζ(n)
其中,x(n)为纯净信号,y(n)为染噪信号,ζ(n)为噪声信号,参数n为信号的采样点;
使用Tchebichef矩函数将一维时域信号转换成具有离散正交特性的序列其表达式为:
tm(n)=α1(2n+1-N)tm-1(n)+α2tm-2(n)
其中,tm(n)为Tchebichef多项式,m,n=0,1,2,…,N-1,tm-1(n)为前项Tchebichef多项式,tm-2(n)为前两项Tchebichef多项式,参数α1和α2为运算系数,其表达式如下所示:
其中,N为信号x的采样点数目,n为任意采样点,m为Tchebichef矩的阶,而Tchebichef多项式tm(n)的初始迭代条件如下所示:
其中,N为信号采样点数目,当遍历x(n)的所有采样点后,Tchebichef多项式矩阵,该矩阵的表达式如下所示:
其中,F即为Tchebichef多项式矩阵,并且Tchebichef多项式矩阵与采样点数目有关,则通过该矩阵即可求得信号x(n)的Tchebichef矩形式,其表达式为:
Tm(X)=XFT
其中,X为信号x(n)一维向量形式。
进一步的,在步骤S2中,当输入信号经过Tchebichef变换后成为输入层,输入层中每个神经元的数值即为Tchebichef矩序列中对应的值,则训练的过程为求解每层网络层的神经元数值,其表达式如下所示:
A[l]=g[l](W[l]A[l-1]+B[l])
其中,参数A[l]为第l层网络层的神经元数值,参数W[l]为第l-1层网络层与第l层网络层之间的权重,参数B[l]为第l层的网络偏置,函数g[l]为网络层之间的激活函数,反向传播则逐步更新网络层之间的权重,在训练过程中,输出结果根据损失函数进行评估,评估损失函数表达式如下所示:
其中,M为训练样本个数,TN(x)为染噪信号的Tchebichef矩形式,为去噪信号的Tchebichef矩形式,参数λ为正则化参数,权重参数和偏置参数(W,B)通过分数阶导数反向传播至输入层,以达到更新权重和偏置,权重和偏置的更新迭代过程如下所示:
W[l]=W[l]-ηDαW[l]
B[l]=B[l]-ηdB[l]
其中,DαW[l]为第l层网络的权重梯度,dB[l]为第l层网络的偏置梯度,η为学习率,权重梯度和偏置梯度的表达式如下所示:
其中,J为损失函数,Γ(·)为伽马函数,参数Z[l]的表达式如下所示:
Z[l]=W[l]A[l-1]+B[l]
其中,A[l-1]为第l-1层网络层神经元数值。
在训练的过程中需要对权重进行压缩,去除网络层间权重的冗余信息,通过随机奇异值分解对权重进行压缩,随机奇异值分解将第l层网络层权重矩阵W[l]分解为较小的随机子矩阵C,矩阵C的表达式为:
其中,Q为正交基矩阵,p为子空间迭代次数,正交基矩阵Q的迭代初始条件如下所示:
Q0=W[l]O
正交基Q的迭代规则为:
Qi=qr(W[l]Gi)
其中,qr(·)为分解运算函数,将矩阵分解为正交矩阵和上三角矩阵,Gi为分解出的正交矩阵,i=1,2,3,…,p,当求解得到随机子矩阵C后,再利用奇异值分解算法对该矩阵进行分解,其表达式如下所示:
[Ur,Sr,Vr]=SVD(C)
将Ur更新为:
k=(1-CR)*rank(W[l])
其中CR为压缩率,更新后的权重矩阵表达式为:
进一步的,在步骤S3中,通过对训练的数据进行权重更新,并且使用测试集对染噪局部放电信号进行噪声抑制,当染噪信号经过隐藏层计算后,输出层输出降噪信号的Tchebichef矩形式,并且通过逆运算求解出一维时域降噪信号,其表达式如下所示:
X=Tm(X)F。
与现有技术相比,本发明的有益效果是:
1、本发明技术方案以自动编码器为核心,可学习不同地区、工况环境下的噪声干扰。搭配该算法后期可构建局部放电数据的云服务器,既能提升不同区域输电线路局部放电信号降噪效果,又能促进输电线路故障检测数字化进程。
2、本发明技术方案所引入的Tchebichef矩函数改变了信号的输入形式,将信号转换成具有正交特性的序列,提升了自动编码器识别性能。同时采用的分数阶导数,提升了网络训练时反向传播的效率,增强了网络对信号噪声的学习能力。引入的随机奇异值分解能较好的减少权重的冗余信息,提升网络的降噪能力。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的优选实施例,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的附图。
图1是本发明实施例提供的基于自动编码器的新型输电线路高频故障信号降噪方法的流程示意图。
图2是本发明实施例提供的基于自动编码器的新型输电线路高频故障信号降噪方法的局部放电故障高频信号采集示意图。
图3是本发明实施例提供的基于自动编码器的新型输电线路高频故障信号降噪方法的Tchebichef多项式矩阵示意图。
图4是本发明实施例提供的基于自动编码器的新型输电线路高频故障信号降噪方法的分数阶压缩自动编码器网络示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所列举实施例只用于解释本发明,并非用于限定本发明的范围。
参照图1至图4,本发明提供一种基于自动编码器的新型输电线路高频故障信号降噪方法,所述方法包括以下步骤:
S1、当输电线路发生局部放电故障时,通过将高频电流信号传感器安装在与该输电线路的接地线上,用于接收局部放电产生的高频信号,并通过信号采集卡将信号传输至电脑端进行数据集的构造;
S2、构造的数据集通过分数阶压缩自动编码器网络中的输入层、隐藏层和输出层进行数据训练;
S3、通过对训练的数据进行权重更新,并且使用测试集对染噪局部放电信号进行噪声抑制,当染噪信号经过隐藏层计算后,输出层输出降噪信号的Tchebichef矩形式,并且通过逆运算求解出一维时域降噪信号。
在步骤S1中,当输电线路发生局部放电故障时,局部放电脉冲具有正极性脉冲、负极性脉冲和双极性脉冲等脉冲波形特征,则输电线路工况环境中多为加性噪声,其与纯净局部放电信号的间的关系如下所示:
y(n)=x(n)+ζ(n)
其中,x(n)为纯净信号,y(n)为染噪信号,ζ(n)为噪声信号,参数n为信号的采样点;
使用Tchebichef矩函数将一维时域信号转换成具有离散正交特性的序列其表达式为:
tm(n)=α1(2n+1-N)tm-1(n)+α2tm-2(n)
其中,tm(n)为Tchebichef多项式,m,n=0,1,2,…,N-1,tm-1(n)为前项Tchebichef多项式,tm-2(n)为前两项Tchebichef多项式,参数α1和α2为运算系数,其表达式如下所示:
其中,N为信号x的采样点数目,n为任意采样点,m为Tchebichef矩的阶,而Tchebichef多项式tm(n)的初始迭代条件如下所示:
其中,N为信号采样点数目,当遍历x(n)的所有采样点后,Tchebichef多项式矩阵,该矩阵的表达式如下所示:
其中,F即为Tchebichef多项式矩阵,并且Tchebichef多项式矩阵与采样点数目有关,则通过该矩阵即可求得信号x(n)的Tchebichef矩形式,其表达式为:
Tm(X)=XFT
其中,X为信号x(n)一维向量形式。
示例性地,由Tchebichef多项式矩阵得出,Tchebichef多项式矩阵只与采样点数目有关,当采样点为600时,Tchebichef多项式矩阵图如图2所示
在步骤S2中,当输入信号经过Tchebichef变换后成为输入层,输入层中每个神经元的数值即为Tchebichef矩序列中对应的值,则训练的过程为求解每层网络层的神经元数值,其表达式如下所示:
A[l]=g[l](W[l]A[l-1]+B[l])
其中,参数A[l]为第l层网络层的神经元数值,参数W[l]为第l-1层网络层与第l层网络层之间的权重,参数B[l]为第l层的网络偏置,函数g[l]为网络层之间的激活函数,反向传播则逐步更新网络层之间的权重,在训练过程中,输出结果根据损失函数进行评估,评估损失函数表达式如下所示:
其中,M为训练样本个数,TN(x)为染噪信号的Tchebichef矩形式,为去噪信号的Tchebichef矩形式,参数λ为正则化参数,权重参数和偏置参数(W,B)通过分数阶导数反向传播至输入层,以达到更新权重和偏置,权重和偏置的更新迭代过程如下所示:
W[l]=W[l]-ηDαW[l]
B[l]=B[l]-ηdB[l]
其中,DαW[l]为第l层网络的权重梯度,dB[l]为第l层网络的偏置梯度,η为学习率,权重梯度和偏置梯度的表达式如下所示:
其中,J为损失函数,Γ(·)为伽马函数,参数Z[l]的表达式如下所示:
Z[l]=W[l]A[l-1]+B[l]
其中,A[l-1]为第l-1层网络层神经元数值。
在训练的过程中需要对权重进行压缩,去除网络层间权重的冗余信息,通过随机奇异值分解对权重进行压缩,随机奇异值分解将第l层网络层权重矩阵W[l]分解为较小的随机子矩阵C,矩阵C的表达式为:
其中,Q为正交基矩阵,p为子空间迭代次数,正交基矩阵Q的迭代初始条件如下所示:
Q0=W[l]O
正交基Q的迭代规则为:
Qi=qr(W[l]Gi)
其中,qr(·)为分解运算函数,将矩阵分解为正交矩阵和上三角矩阵,Gi为分解出的正交矩阵,i=1,2,3,…,p,当求解得到随机子矩阵C后,再利用奇异值分解算法对该矩阵进行分解,其表达式如下所示:
[Ur,Sr,Vr]=SVD(C)
将Ur更新为:
k=(1-CR)*rank(W[l])
其中CR为压缩率,更新后的权重矩阵表达式为:
示例性地,分数阶压缩自动编码器网络由编码器网络和解码器网络构成,整个网络由分为输入层、隐藏层和输出层,网络结构如图4所示。
在步骤S3中,通过对训练的数据进行权重更新,并且使用测试集对染噪局部放电信号进行噪声抑制,当染噪信号经过隐藏层计算后,输出层输出降噪信号的Tchebichef矩形式,并且通过逆运算求解出一维时域降噪信号,其表达式如下所示:
X=Tm(X)F。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.基于自动编码器的新型输电线路高频故障信号降噪方法,其特征在于,所述方法包括以下步骤:
S1、当输电线路发生局部放电故障时,通过将高频电流信号传感器安装在与该输电线路的接地线上,用于接收局部放电产生的高频信号,并通过信号采集卡将信号传输至电脑端进行数据集的构造;
S2、构造的数据集通过分数阶压缩自动编码器网络中的输入层、隐藏层和输出层进行数据训练;
S3、通过对训练的数据进行权重更新,并且使用测试集对染噪局部放电信号进行噪声抑制,当染噪信号经过隐藏层计算后,输出层输出降噪信号的Tchebichef矩形式,并且通过逆运算求解出一维时域降噪信号。
2.根据权利要求1所述的基于自动编码器的新型输电线路高频故障信号降噪方法,其特征在于,在步骤S1中,当输电线路发生局部放电故障时,局部放电脉冲具有正极性脉冲、负极性脉冲和双极性脉冲等脉冲波形特征,则输电线路工况环境中多为加性噪声,其与纯净局部放电信号的间的关系如下所示:
y(n)=x(n)+ζ(n)
其中,x(n)为纯净信号,y(n)为染噪信号,ζ(n)为噪声信号,参数n为信号的采样点;
使用Tchebichef矩函数将一维时域信号转换成具有离散正交特性的序列其表达式为:
tm(n)=α1(2n+1-N)tm-1(n)+α2tm-2(n)
其中,tm(n)为Tchebichef多项式,m,n=0,1,2,…,N-1,tm-1(n)为前项Tchebichef多项式,tm-2(n)为前两项Tchebichef多项式,参数α1和α2为运算系数,其表达式如下所示:
其中,N为信号x的采样点数目,n为任意采样点,m为Tchebichef矩的阶,而Tchebichef多项式tm(n)的初始迭代条件如下所示:
其中,N为信号采样点数目,当遍历x(n)的所有采样点后,Tchebichef多项式矩阵,该矩阵的表达式如下所示:
其中,F即为Tchebichef多项式矩阵,并且Tchebichef多项式矩阵与采样点数目有关,则通过该矩阵即可求得信号x(n)的Tchebichef矩形式,其表达式为:
Tm(X)=XFT
其中,X为信号x(n)一维向量形式。
3.根据权利要求2所述的基于自动编码器的新型输电线路高频故障信号降噪方法,其特征在于,在步骤S2中,当输入信号经过Tchebichef变换后成为输入层,输入层中每个神经元的数值即为Tchebichef矩序列中对应的值,则训练的过程为求解每层网络层的神经元数值,其表达式如下所示:
A[l]=g[l](W[l]A[l-1]+B[l])
其中,参数A[l]为第l层网络层的神经元数值,参数W[l]为第l-1层网络层与第l层网络层之间的权重,参数B[l]为第l层的网络偏置,函数g[l]为网络层之间的激活函数,反向传播则逐步更新网络层之间的权重,在训练过程中,输出结果根据损失函数进行评估,评估损失函数表达式如下所示:
其中,M为训练样本个数,TN(x)为染噪信号的Tchebichef矩形式,为去噪信号的Tchebichef矩形式,参数λ为正则化参数,权重参数和偏置参数(W,B)通过分数阶导数反向传播至输入层,以达到更新权重和偏置,权重和偏置的更新迭代过程如下所示:
W[l]=W[l]-ηDαW[l]
B[l]=B[l]-ηdB[l]
其中,DαW[l]为第l层网络的权重梯度,dB[l]为第l层网络的偏置梯度,η为学习率,权重梯度和偏置梯度的表达式如下所示:
其中,J为损失函数,Γ(·)为伽马函数,参数Z[l]的表达式如下所示:
Z[l]=W[l]A[l-1]+B[l]
其中,A[l-1]为第l-1层网络层神经元数值。
在训练的过程中需要对权重进行压缩,去除网络层间权重的冗余信息,通过随机奇异值分解对权重进行压缩,随机奇异值分解将第l层网络层权重矩阵W[l]分解为较小的随机子矩阵C,矩阵C的表达式为:
其中,Q为正交基矩阵,p为子空间迭代次数,正交基矩阵Q的迭代初始条件如下所示:
Q0=W[l]O
正交基Q的迭代规则为:
Qi=qr(W[l]Gi)
其中,qr(·)为分解运算函数,将矩阵分解为正交矩阵和上三角矩阵,Gi为分解出的正交矩阵,i=1,2,3,…,p,当求解得到随机子矩阵C后,再利用奇异值分解算法对该矩阵进行分解,其表达式如下所示:
[Ur,Sr,Vr]=SVD(C)
将Ur更新为:
k=(1-CR)*rank(W[l])
其中CR为压缩率,更新后的权重矩阵表达式为:
4.根据权利要求3所述的基于自动编码器的新型输电线路高频故障信号降噪方法,其特征在于,在步骤S3中,通过对训练的数据进行权重更新,并且使用测试集对染噪局部放电信号进行噪声抑制,当染噪信号经过隐藏层计算后,输出层输出降噪信号的Tchebichef矩形式,并且通过逆运算求解出一维时域降噪信号,其表达式如下所示:
X=Tm(X)F。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310249809.7A CN116257737A (zh) | 2023-03-14 | 2023-03-14 | 基于自动编码器的新型输电线路高频故障信号降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310249809.7A CN116257737A (zh) | 2023-03-14 | 2023-03-14 | 基于自动编码器的新型输电线路高频故障信号降噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116257737A true CN116257737A (zh) | 2023-06-13 |
Family
ID=86679216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310249809.7A Pending CN116257737A (zh) | 2023-03-14 | 2023-03-14 | 基于自动编码器的新型输电线路高频故障信号降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116257737A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117890740A (zh) * | 2024-03-14 | 2024-04-16 | 云南电投绿能科技有限公司 | 一种发电站电缆的局放定位方法、装置、设备及存储介质 |
-
2023
- 2023-03-14 CN CN202310249809.7A patent/CN116257737A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117890740A (zh) * | 2024-03-14 | 2024-04-16 | 云南电投绿能科技有限公司 | 一种发电站电缆的局放定位方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110361778B (zh) | 一种基于生成对抗网络的地震数据重建方法 | |
CN109557429B (zh) | 基于改进小波阈值去噪的gis局部放电故障检测方法 | |
CN113094993B (zh) | 基于自编码神经网络的调制信号去噪方法 | |
CN111914705A (zh) | 提升电抗器健康状态评估准确率的信号生成方法及装置 | |
CN109523486A (zh) | 噪声环境下基于鲁棒压缩感知的多通道脑电信号重构方法 | |
CN113642484B (zh) | 一种基于bp神经网络的大地电磁信号噪声压制方法及系统 | |
CN116257737A (zh) | 基于自动编码器的新型输电线路高频故障信号降噪方法 | |
CN113269082A (zh) | 一种基于改进变分模态分解的局部放电阈值去噪方法 | |
CN114492538A (zh) | 一种城市中压配电电缆局部放电信号去噪方法 | |
CN113723171A (zh) | 基于残差生成对抗网络的脑电信号去噪方法 | |
CN114358093A (zh) | 一种电力设备中局部放电的检测方法及设备 | |
CN110428848B (zh) | 一种基于公共空间语音模型预测的语音增强方法 | |
CN113782044B (zh) | 一种语音增强方法及装置 | |
Lei et al. | High voltage shunt reactor acoustic signal denoising based on the combination of VMD parameters optimized by coati optimization algorithm and wavelet threshold | |
CN117318671B (zh) | 一种基于快速傅里叶变换的自适应滤波方法 | |
CN113255532B (zh) | 一种基于层间相关系数的小波双阈值去噪方法 | |
CN114417920A (zh) | 一种基于de优化小波参数的信号去噪方法及装置 | |
CN112735466B (zh) | 一种音频检测方法及装置 | |
CN116863959B (zh) | 一种基于生成对抗网络的海豚叫声生成方法 | |
CN116299219B (zh) | 一种干扰深度特征距离度量联合检测与抑制方法 | |
CN116667920A (zh) | 结合主成分分析与希尔伯特-黄变换的瞬态信号检测方法 | |
CN109558857B (zh) | 一种混沌信号降噪方法 | |
CN116167007A (zh) | 基于门控递归单元自编码神经网络的模拟电路检测方法 | |
CN114722854A (zh) | 一种电力设备电流信号降噪方法及装置 | |
CN113726318A (zh) | 基于wm的局部放电白噪声自适应抑制方法 |
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 |