CN116340812A - 一种变压器局部放电故障模式识别方法及系统 - Google Patents
一种变压器局部放电故障模式识别方法及系统 Download PDFInfo
- Publication number
- CN116340812A CN116340812A CN202310138741.5A CN202310138741A CN116340812A CN 116340812 A CN116340812 A CN 116340812A CN 202310138741 A CN202310138741 A CN 202310138741A CN 116340812 A CN116340812 A CN 116340812A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- hilbert
- training
- characteristic
- transformer
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 59
- 238000001228 spectrum Methods 0.000 claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 238000009826 distribution Methods 0.000 claims abstract description 14
- 230000009466 transformation Effects 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 230000007547 defect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002860 competitive effect Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 239000000725 suspension Substances 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 24
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000009413 insulation Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000012053 oil suspension Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 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
-
- 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
- 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)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种变压器局部放电故障模式识别方法及系统,该方法包括:利用传感器获取变压器不同时间段不同运行状态的局部放电信号,采用希尔伯特‑黄变换对训练集中的局部放电故障信号进行分解和重构,并最终表示为即Hilbert谱;对所述Hilbert谱按指数分布族提取能量特征值。变压器不同状态下的能量特征值构成特征向量,将特征向量构成特征矩阵,并将特征矩阵输入到PNN神经网络中进行训练,得到训练好的PNN神经网络。本发明通过希尔伯特能量图谱分析局部放电信号的信号特点,提出希尔伯特能量聚类算法,其提高了特征值自身的可分性,使分类效果更加明显。并结合PNN作为局部放电故障识别的分类器,具有更高的识别率,同时有着较好的扩展性。
Description
技术领域
本发明涉及变压器放电技术领域,具体涉及一种变压器局部放电故障模式识别方法及系统。
背景技术
局部放电故障类型是评估高压电力设备绝缘状态的重要技术指标之一,不仅反映绝缘状态水平,还可估算电力设备绝缘的使用寿命。因此对变压器局部放电故障识别算法的研究显得尤为重要。
近年来,对放电信号的处理分析大多由傅里叶变换转换为能够进行时频局域化分析的小波变换,这两种方法对平稳信号都有良好的处理效果,但是,这些算法不能随信号本身时间和频率的变化由自身做出调整,不能客观反映出真实的信号特性。
发明内容
发明目的:为了克服现有技术的不足,本发明提供一种变压器局部放电故障模式识别方法,该方法可以解决变压器局部放电特征提取过程中局部放电识别精度低的问题,本发明还提供一种变压器局部放电故障模式识别系统。
技术方案:本发明提供变压器局部放电故障模式识别方法,包括:
训练阶段:
样本采集:利用传感器获取变压器不同时间段不同运行状态的局部放电信号,形成不同种类局部放电故障信号的训练样本,并划分训练集和测试集;
特征提取:采用希尔伯特-黄变换对训练集中的局部放电故障信号进行分解和重构,并最终表示为幅值、频率和时间的函数,即Hilbert谱;
对所述Hilbert谱按指数分布族提取能量特征值;
网络训练:变压器不同状态下的能量特征值构成特征向量,将特征向量构成特征矩阵,并将特征矩阵输入到PNN神经网络中进行训练,得到训练好的PNN神经网络;
故障模式识别:将训练集特征提取后输入到训练好的PNN神经网络中进行故障模式识别;
测试阶段:
将测试集特征提取后输入到训练好的PNN神经网络中,最终输出故障识别结果。
进一步的,包括:
所述样本采集中,所述局部放电信号包括以下四种局放缺陷数据:油中悬浮放电、油中沿面放电、油中气隙放电和空气中针板放电。
进一步的,包括:
所述特征提取中,用希尔伯特-黄变换对局部放电信号进行分解和重构,具体包括以下步骤:
(1)结合经验模态分解从训练集中的局部放电故障信号中筛选出固有模态;
(2)对固有模态函数进行希尔波特变换后计算出瞬时频率,具体包括:对局部放电故障信号的时间序列X(t)进行希尔伯特变换,得到:
因此,X(t)和Y(t)组成了一个共轭复数对,根据欧拉公式,得到一个解析信号Z(t):
Z(t)=X(t)+iY(t)=a(t)eiθ(t)
且
其中,a(t)为瞬时振幅;θ(t)为相位函数,因此:
由此得到瞬时频率,即:
由HHT变换得来的放电信号进一步表示为幅值、频率和时间的函数,即Hilbert谱H(w,t),n为IMF分量的总数。
进一步的,包括:
所述对Hilbert谱按指数分布族提取能量特征值,具体包括以下步骤:
(3)将Hilbert谱汇总为边际谱;
(4)对时频谱按指数进行数据聚类,将时频图谱按频率从低到高的指数幂进行分裂,结合希尔伯特能量谱的计算公式,即希尔伯特能量聚类算法,则有:
式中,ES(w)为希尔伯特能量值,采样后对离散的点进行求和聚类,同时结合Hilbert能量谱,实现对Hilbert谱按指数分布族提取能量特征值。
进一步的,包括:
所述网络训练中,将变压器局部放电不同状态下的特征值构成特征向量,并输入到PNN神经网络中进行训练,将特征向量进行归一化处理后形成特征矩阵Xmn,m为特征值维数,特征维数包括幅值、频率,对应输入层有m个神经元,n为输入样本的个数;
模式层的核心是基于欧氏距离下的高斯核函数,将输入特征样本与训练样本的距离通过高斯核函数的径向基非线性映射后得到输出向量,表达式如下:
式中,δj为平滑因子,决定钟形曲线的不同形状;Wj是输入层到模式层连接的权值,X为输入的特征样本;
求和层是对模式层输出的同一类别的样本进行概率归总,因此,求和层神经元数目对应训练样本故障类别k,每个类别汇总采用Parzen窗的概率密度函数:
式中,fkn即为求和层概率汇总;nk为第k类训练样本的数目;Xmi是第i个输入向量;Xkj是故障模式k的第j个训练向量;
竞争层的神经元个数l取决于输出分类的种类或组合,竞争层将求和层得出的最大后验概率密度的一组种类作为网络的最终输出,进而得到训练好的PNN神经网络。
另一方面,本发明还提供一种变压器局部放电故障模式识别系统,包括:
样本采集模块,其利用传感器获取变压器不同时间段不同运行状态的局部放电信号,形成不同种类局部放电故障信号的训练样本,并划分训练集和测试集;
特征提取模块,其采用希尔伯特-黄变换对训练集中的局部放电故障信号进行分解和重构,并最终表示为幅值、频率和时间的函数,即Hilbert谱;并对所述Hilbert谱按指数分布族提取能量特征值;
网络训练模块,其用于将变压器不同状态下的能量特征值构成特征向量,将特征向量构成特征矩阵,并将特征矩阵输入到PNN神经网络中进行训练,得到训练好的PNN神经网络;
故障模式识别模块,其用于将训练集特征提取后输入到训练好的PNN神经网络中进行故障模式识别;
附图说明
图1为本发明提供的一种基于HHT和概率神经网络的变压器局部放电的故障诊断方法的流程示意图;
图2为本发明采用概率神经网络拓扑结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,并不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参阅图1和2所示,首先,本发明提供一种基于HHT和概率神经网络的变压器局部放电的故障诊断方法,包括:
利用传感器获取局部放电信号;形成不同种类局部放电故障信号的训练样本,并划分训练集和测试集。
且其中,对利用传感器获取局部放电信号,包括:利用高频局部放电信号采集装置采集油中悬浮放电、油中沿面放电、油中气隙放电、空气中针板放电4种典型局放缺陷数据。
采用希尔伯特-黄变换对局部放电信号进行分解和重构;
对Hilbert谱按指数分布族提取能量特征值;
计算该特征值为了提高诊断的精度,指数分布族对离散型数据可通过指数型数据聚类归纳出数据的特征,该能量特征值是采样后对离散的点进行求和聚类。希尔伯特能量聚类公式得到的为该特征值,随后将特征值作为PNN的输入量输入到分类网络中进行训练,并非输入到训练好的网络中。
将变压器局部放电不同状态下的特征向量构成特征矩阵,并输入到PNN神经网络中进行训练,得到训练好的PNN神经网络;
将局放信号特征提取后输入到训练好的PNN神经网络中进行故障模式识别。
其中,采用希尔伯特-黄变换对局部放电信号进行分解和重构,包括:
(1)结合经验模态分解从原始信号中筛选出固有模态;
原始信号就是局部放电的未经处理的原始信号,对原始信号进行Hilbert变换,然而单纯的Hilbert变换会过滤掉信号中的谐波,造成信号失真,因此本申请结合经验模态分解从原始信号筛选固有模态,即IMF分量,然后对固有模态进行Hilbert变换。
(2)对固有模态函数进行希尔波特变换后计算出瞬时频率,包括以下步骤:
对局部故障信号的时间序列X(t)进行希尔伯特变换,可得:
时间序列是其中一种故障信号序列数据,需要分别对4种故障信号进行变换处理得到特征值。
Z(t)=X(t)+iY(t)=a(t)eiθ(t)
其中:
式中a(t)为瞬时振幅;θ(t)为相位函数。由此可以得到瞬时频率,即:
因此,局部故障信号数据即可用时频函数表示为:
由HHT变换得来的放电信号可以进一步表示为幅值、频率和时间的函数,即Hilbert谱H(w,t)。
由于根据解析信号为一个共轭复数对,可以根据欧拉公式转换为Z(t)=X(t)+iY(t)=a(t)eiθ(t),而频率又是相位函数θ(t)对时间求导得来,所以对频率进行积分得到θ(t),这里的对n个解析信号求和实际上是原始信号分解为n个固有模态分量,对n个固有模态的解析信号求和从函数的参数可知X(t)是关于时间t的表达式,同样,频率和幅值大小也可以表示。
其中,所述对Hilbert谱按指数分布族提取能量特征值,包括:
(1)将Hilbert谱汇总为边际谱
(2)对时频谱按指数进行数据聚类,将时频图谱按频率从低到高的指数幂进行分裂,结合希尔伯特能量谱的计算公式,即希尔伯特能量聚类算法,则有:
式中,ES(w)为希尔伯特能量值,采样后对离散的点进行求和聚类。同时结合Hilbert能量谱,实现对Hilbert谱按指数分布族提取能量特征值;
其中,所述对变压器局部放电不同状态下的特征向量构成特征矩阵,并输入到PNN神经网络中进行训练,将原始数据进行归一化处理后形成特征矩阵Xmn,m为特征值维数,对应输入层有m个神经元,n为输入样本的个数。模式层的核心是基于欧氏距离下的高斯核函数,将输入特征样本与训练样本的距离通过高斯核函数的径向基非线性映射后得到输出向量,是实现PNN种非线性算法高精度特性的一个重要步骤,表达式如下:
式中,δj为平滑因子,决定钟形曲线的不同形状;Wj是输入层到模式层连接的权值,X为输入的特征样本。
求和层即对模式层输出的同一类别的样本进行概率归总,因此,求和层神经元数目对应训练样本故障类别k,每个类别汇总采用Parzen窗的概率密度函数:
式中,fkn即为求和层概率汇总;nk为第k类训练样本的数目;Xmi是第i个输入向量;Xkj是故障模式k的第j个训练向量。样本故障类别数=故障模式k(k=0、1...k)。
竞争层的神经元个数l取决于输出分类的种类或组合。竞争层将求和层得出的最大后验概率密度的一组种类作为网络的最终输出。
训练好网络以后采用测试集进行测试。
且针对上述训练方法,本发明的实施例具体采用以下步骤:得到训练好的PNN神经网络,包括:
(1)设置悬浮放电、油中沿面放电、油中气隙放电、空气中针板放电4种典型局放缺陷的类别向量,(1,0,0,0)对应悬浮放电状态,(0,1,0,0)对应油中沿面放电状态,(0,0,1,0)对应油中气隙放电状态,(0,0,0,1)对应空气中针板放电状态;
(2)利用Matlab中的newpnn函数构建PNN神经网络,该函数调用格式为net=newpnn(P,T,spread),其中P为输入矩阵,T为目标矩阵,spread为扩展速度,net为训练的神经网络模型;
(3)将局部放电信号四种状态的特征向量构成输入矩阵I,将相应的类别向量构成目标矩阵T,选取训练集对PNN神经网络进行训练,保存训练好的神经网络作为识别网络。
另一方面,本发明还提供一种变压器局部放电故障模式识别系统,包括:
样本采集模块,其利用传感器获取变压器不同时间段不同运行状态的局部放电信号,形成不同种类局部放电故障信号的训练样本,并划分训练集和测试集;
特征提取模块,其采用希尔伯特-黄变换对训练集中的局部放电故障信号进行分解和重构,并最终表示为幅值、频率和时间的函数,即Hilbert谱;并对所述Hilbert谱按指数分布族提取能量特征值;
网络训练模块,其用于将变压器不同状态下的能量特征值构成特征向量,将特征向量构成特征矩阵,并将特征矩阵输入到PNN神经网络中进行训练,得到训练好的PNN神经网络;
故障模式识别模块,其用于将训练集特征提取后输入到训练好的PNN神经网络中进行故障模式识别;
测试模块,其用于将测试集特征提取后输入到训练好的PNN神经网络中,最终输出故障识别结果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样,倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种变压器局部放电故障模式识别方法,其特征在于,包括:
训练阶段:
样本采集:利用传感器获取变压器不同时间段不同运行状态的局部放电信号,形成不同种类局部放电故障信号的训练样本,并划分训练集和测试集;
特征提取:采用希尔伯特-黄变换对训练集中的局部放电故障信号进行分解和重构,并最终表示为幅值、频率和时间的函数,即Hilbert谱;
对所述Hilbert谱按指数分布族提取能量特征值;
网络训练:变压器不同状态下的能量特征值构成特征向量,将特征向量构成特征矩阵,并将特征矩阵输入到PNN神经网络中进行训练,得到训练好的PNN神经网络;
故障模式识别:将训练集特征提取后输入到训练好的PNN神经网络中进行故障模式识别;
测试阶段:
将测试集特征提取后输入到训练好的PNN神经网络中,最终输出故障识别结果。
2.根据权利要求1所述的变压器局部放电故障模式识别方法,其特征在于,所述样本采集中,所述局部放电信号包括以下四种局放缺陷数据:油中悬浮放电、油中沿面放电、油中气隙放电和空气中针板放电。
3.根据权利要求2所述的变压器局部放电故障模式识别方法,其特征在于,所述特征提取中,用希尔伯特-黄变换对局部放电信号进行分解和重构,具体包括以下步骤:
(1)结合经验模态分解从训练集中的局部放电故障信号中筛选出固有模态;
(2)对固有模态函数进行希尔波特变换后计算出瞬时频率,具体包括:对局部放电故障信号的时间序列X(t)进行希尔伯特变换,得到:
因此,X(t)和Y(t)组成了一个共轭复数对,根据欧拉公式,得到一个解析信号Z(t):
Z(t)=X(t)+iY(t)=a(t)eiθ(t)
且
其中,a(t)为瞬时振幅;θ(t)为相位函数,由此得到瞬时频率,即:
因此,局部故障信号即可采用时频函数表示:
由HHT变换得来的放电信号进一步表示为幅值、频率和时间的函数,即Hilbert谱H(w,t),n为IMF分量的总数。
5.根据权利要求4所述的变压器局部放电故障模式识别方法,其特征在于,所述网络训练中,将变压器局部放电不同状态下的特征值构成特征向量,并输入到PNN神经网络中进行训练,将特征向量进行归一化处理后形成特征矩阵Xmn,m为特征值维数,特征维数包括幅值、频率,对应输入层有m个神经元,n为输入样本的个数;
模式层的核心是基于欧氏距离下的高斯核函数,将输入特征样本与训练样本的距离通过高斯核函数的径向基非线性映射后得到输出向量,表达式如下:
式中,δj为平滑因子,其决定钟形曲线的不同形状;Wj是输入层到模式层连接的权值,X为输入的特征样本;
求和层是对模式层输出的同一类别的样本进行概率归总,因此,求和层神经元数目对应训练样本故障类别k,每个类别汇总采用Parzen窗的概率密度函数:
式中,fkn即为求和层概率汇总;nk为第k类训练样本的数目,Xmi是第i个输入向量;Xkj是故障模式k的第j个训练向量;
竞争层的神经元个数l取决于输出分类的种类或组合,竞争层将求和层得出的最大后验概率密度的一组种类作为网络的最终输出,进而得到训练好的PNN神经网络。
6.一种变压器局部放电故障模式识别系统,其特征在于,包括:
样本采集模块,其利用传感器获取变压器不同时间段不同运行状态的局部放电信号,形成不同种类局部放电故障信号的训练样本,并划分训练集和测试集;
特征提取模块,其采用希尔伯特-黄变换对训练集中的局部放电故障信号进行分解和重构,并最终表示为幅值、频率和时间的函数,即Hilbert谱;并对所述Hilbert谱按指数分布族提取能量特征值;
网络训练模块,其用于将变压器不同状态下的能量特征值构成特征向量,将特征向量构成特征矩阵,并将特征矩阵输入到PNN神经网络中进行训练,得到训练好的PNN神经网络;
故障模式识别模块,其用于将训练集特征提取后输入到训练好的PNN神经网络中进行故障模式识别;
测试模块,其用于将测试集特征提取后输入到训练好的PNN神经网络中,最终输出故障识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310138741.5A CN116340812A (zh) | 2023-02-20 | 2023-02-20 | 一种变压器局部放电故障模式识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310138741.5A CN116340812A (zh) | 2023-02-20 | 2023-02-20 | 一种变压器局部放电故障模式识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116340812A true CN116340812A (zh) | 2023-06-27 |
Family
ID=86888507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310138741.5A Withdrawn CN116340812A (zh) | 2023-02-20 | 2023-02-20 | 一种变压器局部放电故障模式识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116340812A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117609831A (zh) * | 2023-11-21 | 2024-02-27 | 国网宁夏电力有限公司电力科学研究院 | 一种基于随机矩阵的变压器局放检测方法、介质及系统 |
-
2023
- 2023-02-20 CN CN202310138741.5A patent/CN116340812A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117609831A (zh) * | 2023-11-21 | 2024-02-27 | 国网宁夏电力有限公司电力科学研究院 | 一种基于随机矩阵的变压器局放检测方法、介质及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105275833B (zh) | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 | |
Oliveira et al. | Ultrasound-based identification of damage in wind turbine blades using novelty detection | |
CN108714026A (zh) | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 | |
CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
CN111476339B (zh) | 滚动轴承故障特征提取方法、智能诊断方法及系统 | |
CN106653032A (zh) | 低信噪比环境下基于多频带能量分布的动物声音检测方法 | |
CN110705456A (zh) | 一种基于迁移学习的微型电机异常检测方法 | |
CN102279358A (zh) | 一种基于mcskpca的神经网络模拟电路故障诊断方法 | |
CN110298085A (zh) | 基于XGBoost和随机森林算法的模拟电路故障诊断方法 | |
CN113295702B (zh) | 电气设备故障诊断模型训练方法和电气设备故障诊断方法 | |
CN112347910B (zh) | 一种基于多模态深度学习的信号指纹识别方法 | |
CN110020637A (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
CN116340812A (zh) | 一种变压器局部放电故障模式识别方法及系统 | |
CN117076955A (zh) | 一种高压变频器的故障检测方法及系统 | |
CN116842460A (zh) | 基于注意力机制与残差神经网络的咳嗽关联疾病识别方法和系统 | |
Salhi et al. | Voice disorders identification using hybrid approach: Wavelet analysis and multilayer neural networks | |
CN113796873B (zh) | 穿戴式动态心电信号分类方法及系统 | |
CN113076878B (zh) | 基于注意力机制卷积网络结构的体质辨识方法 | |
Zhao et al. | Bearing fault diagnosis based on mel frequency cepstrum coefficient and deformable space-frequency attention network | |
CN112798888B (zh) | 一种无人驾驶列车车载电气系统故障非侵入诊断方法 | |
CN117473414A (zh) | 一种基于少噪声时频图像的轴承故障位置识别方法 | |
CN108937922A (zh) | 一种adhd的诊断模型建立方法、存储模块以及处理设备 | |
CN110378229B (zh) | 一种基于filter–wrapper框架的电子鼻数据特征选择方法 | |
CN117312902A (zh) | 一种基于小波变化和卷积神经网络的电网电能质量在线状态估计方法 | |
CN110610203A (zh) | 基于dwt和极限学习机的电能质量扰动分类方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230627 |