CN116381429B - 在线局部放电检测结果的矫正方法及其系统 - Google Patents
在线局部放电检测结果的矫正方法及其系统 Download PDFInfo
- Publication number
- CN116381429B CN116381429B CN202310324765.XA CN202310324765A CN116381429B CN 116381429 B CN116381429 B CN 116381429B CN 202310324765 A CN202310324765 A CN 202310324765A CN 116381429 B CN116381429 B CN 116381429B
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- signal
- signals
- detection result
- input signal
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012937 correction Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 208000028659 discharge Diseases 0.000 claims description 209
- 230000008859 change Effects 0.000 claims description 21
- 238000010801 machine learning Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000003595 spectral effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008676 import Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000002542 deteriorative effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000011810 insulating material Substances 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000011896 sensitive detection Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Relating To Insulation (AREA)
- Electrical Discharge Machining, Electrochemical Machining, And Combined Machining (AREA)
Abstract
本申请涉及一种在线局部放电检测结果的矫正方法及其系统,该方法包括以下步骤:基于局部放电检测系统采集得到输入信号,并对输入信号进行预处理,其中,输入信号包含局部放电信号和噪声信号;将预处理的输入信号输入到预训练好的模型中,并得到检测结果。本申请具有能够及时地检测和识别局部放电信号,有效地预测和矫正检测结果,从而提高了系统的可靠性和稳定性的优点。
Description
技术领域
本申请涉及电气工程的领域,尤其是涉及一种在线局部放电检测结果的矫正方法及其系统。
背景技术
局部放电是高压设备中常见的一种电气放电现象,它会导致设备内部的绝缘材料损坏,从而降低设备的性能甚至造成设备损坏。因此,及早检测局部放电信号对于设备的可靠运行至关重要。目前,已经有很多局部放电检测系统被研发出来,这些系统可以有效地监测设备中的局部放电信号,从而提高设备的可靠性和安全性。
然而,由于设备的物理结构和工作环境等因素的影响,局部放电信号往往会受到多种干扰,如电磁干扰、温度变化等。这些干扰信号会影响局部放电信号的准确检测,从而导致误判和漏判等问题。
发明内容
为了提高局部放电信号的检测准确度,本申请提供一种在线局部放电检测结果的矫正方法及其系统。
第一方面,本申请提供的一种在线局部放电检测结果的矫正方法,采用如下的技术方案:
一种在线局部放电检测结果的矫正方法,包括以下步骤:
基于局部放电检测系统采集得到输入信号,并对输入信号进行预处理,其中,输入信号包含局部放电信号和噪声信号;
将预处理的输入信号输入到预训练好的模型中,并得到检测结果。
通过采用上述技术方案,通过对预处理后的输入信号进行模型预测,得到初步的局部放电检测结果,然后对初步结果进行矫正,从而提高检测结果的准确性和可靠性,避免了由于噪声信号的干扰而导致的误判和漏判问题。通过对输入信号进行预处理和模型预测,该方法能够及时地检测和识别局部放电信号,有效地预测和矫正检测结果,从而提高了系统的可靠性和稳定性。
可选的,所述的将预处理的输入信号输入到预训练好的模型中,并得到检测结果的步骤,包括以下步骤:
收集局部放电信号和相关信息并生成数据集,其中,相关信息包括有对应于各局部放电信号的温度检测信号、湿度检测信号、GIS设备运行负荷水平信息、GIS设备的型号信息、传感器信号信息和设备工作时长信息;
对数据集内的数据进行基线漂移消除、噪声滤除和归一化;
对数据集内的数据进行特征提取;
基于相关系数、互信息、主成分分析和/或线性判别分析从提取的特征选择高区分度特征子集;
基于选定的特征组合得到特征矩阵,其中,特征矩阵的每行表示放电信号样本,每列对应一个特征值;
设定对应于特征举证的类别标签,以用于表示所属的局部放电类型;
训练机器学习模型,以用于输入类别标签和特征矩阵;
基于训练好的模型输入实际的局部放电信号并输出检测结果。
通过采用上述技术方案,通过对输入信号进行预处理和特征提取,得到高质量的特征矩阵,并通过机器学习模型对局部放电信号进行分类和识别,提高了检测结果的准确性和可靠性。通过选择高区分度特征子集和训练机器学习模型,降低了误检率和漏检率,避免了对设备的误判和漏判。通过收集多种相关信息,如温度检测信号、湿度检测信号、GIS设备运行负荷水平信息、GIS设备的型号信息、传感器信号信息和设备工作时长信息等,可以支持不同类型局部放电信号的检测。通过对数据进行自动化处理和机器学习模型的训练,实现了局部放电信号的自动化检测,提高了检测效率和自动化程度,减少了人工操作的成本和风险。
可选的,所述的收集局部放电信号和相关信息并生成数据集的步骤,包括:
基于GIS设备的型号、运行工况、环境条件、传感器类型进行组合得到不同类型;
采集在连续时间段内同一类型的局部放电信号,分析后并基于分析结果进行标记;
对采集的局部放电信号数据进行数据增强并收入数据集,其中,数据增强方法包括信号旋转,信号裁剪,和\或添加噪声。
通过采用上述技术方案,通过不同的条件进行组合,可以收集不同类型的局部放电信号数据,丰富数据集,提高数据集的代表性。同时,对数据集中采集的局部放电信号进行分析和标记,可以提高数据集的标记准确性和有效性,降低误标率和漏标率。通过采用数据增强方法,如信号旋转、信号裁剪和添加噪声等方法,可以增加数据集的规模,同时还可以提高数据集的质量,降低过拟合和欠拟合等问题,从而提高机器学习模型的训练效果和检测准确性。另外,对采集的数据进行准确分类,可以降低数据采集的成本和时间,避免了对数据的重复采集和不必要的浪费,提高了数据采集的效率和经济性。
可选的,所述的采集在连续时间段内同一类型的局部放电信号,分析后并基于分析结果进行标记的步骤,包括:
获取局部放电信号强度与时间的变化关系,以及频谱特征与时间的变化关系;
基于变化关系计算局部放电信号的统计特征;
基于变化关系和统计特征分析连续时间段内局部放电信号之间的相关性;
基于变化关系、统计特征和相关性对连续时间段内的局部放电信号进行聚类分析,以识别相似的信号模式,并基于识别结果进行标记。
通过采用上述技术方案,提高了局部放电信号的特征提取准确性和可靠性:通过获取局部放电信号强度与时间的变化关系和频谱特征与时间的变化关系,可以全面而准确地获取局部放电信号的特征,从而提高了局部放电信号的特征提取准确性和可靠性。同时,对局部放电信号进行相关性分析和聚类分析,可以自动识别相似的信号模式,并基于识别结果进行标记,从而降低了数据标记的人工成本和误差,提高了数据标记的准确性和可靠性,还可以识别出局部放电信号的相似模式,从而支持对连续时间段内局部放电信号的检测和识别。另外,通过相关性分析和聚类分析,实现了局部放电信号的自动化处理和分类,提高了局部放电检测系统的自动化程度和效率,降低了人工操作的成本和风险。
可选的,所述的基于局部放电检测系统采集得到输入信号,并对输入信号进行预处理的步骤,包括:
选择UHF传感器设置于局部放电风险区域,且清除信号传播路径上的障碍物,以减小信号衰减和反射;
提高传感器的采样率和分辨率,增加信号同步;
对采集的信号进行实时或离线去噪,并进行信号增强;
将采集到的数据进行类别标签。
通过采用上述技术方案,可以减小信号衰减和反射,提高了局部放电信号采集的准确性和可靠性。提高了局部放电信号的采样率和分辨率:通过提高传感器的采样率和分辨率,可以增加信号同步和提高信号质量,从而提高了局部放电信号的采集精度和分析效果。通过实时或离线去噪和信号增强,可以清除信号中的噪声和干扰,提高信号的清晰度和可读性,从而使得机器学习模型更加准确地识别和分类局部放电信号。通过将采集到的数据进行类别标签,可以方便后续的数据处理和分类,从而实现对局部放电信号的自动化处理和分析,提高了局部放电检测系统的自动化程度和效率。
第二方面,本申请提供的一种在线局部放电检测结果的矫正系统,采用如下的技术方案:
一种在线局部放电检测结果的矫正系统,包括:
信号获取模块,用于基于局部放电检测系统采集得到输入信号,并对输入信号进行预处理,其中,输入信号包含局部放电信号和噪声信号;
检测模块,用于将预处理的输入信号输入到预训练好的模型中,并得到检测结果。
第三方面,本申请提供的一种计算机设备,采用如下的技术方案:
一种计算机设备,其包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序配置用于:执行上述的在线局部放电检测结果的矫正方法.
第四方面,本申请提供的一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,存储有能够被处理器加载并执行如上的上述方法的计算机程序。
所述存储介质存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现:如上述的在线局部放电检测结果的矫正方法。
附图说明
图1绘示本发明一实施例中在线局部放电检测结果的矫正方法的应用环境示意图。
图2绘示本发明一实施例中一种在线局部放电检测结果的矫正方法的流程框图。
图3绘示本发明一实施例中S1子步骤的流程框图。
图4绘示本发明一实施例中S2子步骤的流程框图。
图5绘示本发明一实施例中S21子步骤的流程框图。
图6绘示本发明一实施例中S212子步骤的流程框图。
图7绘示本发明一实施例中计算机设备的示意图。
具体实施方式
以下结合附图,对本申请作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在以下描述中,为了解释的目的,阐述了很多具体细节,以便提供对发明构思的彻底理解。作为本说明书的一部分,本公开的附图中的一些附图以框图形式表示结构和设备,以避免使所公开的原理复杂难懂。为了清晰起见,实际具体实施的并非所有特征都有必要进行描述。此外,本公开中所使用的语言已主要被选择用于可读性和指导性目的,并且可能没有被选择为划定或限定本发明的主题,从而诉诸于所必需的权利要求以确定此类发明主题。在本公开中对“一个具体实施”或“具体实施”的提及意指结合该具体实施所述的特定特征、结构或特性被包括在至少一个具体实施中,并且对“一个具体实施”或“具体实施”的多个提及不应被理解为必然地全部是指同一具体实施。
除非明确限定,否则术语“一个”、“一种”和“该”并非旨在指代单数实体,而是包括其特定示例可以被用于举例说明的一般性类别。因此,术语“一个”或“一种”的使用可以意指至少一个的任意数目,包括“一个”、“一个或多个”、“至少一个”和“一个或不止一个”。术语“或”意指可选项中的任意者以及可选项的任何组合,包括所有可选项,除非可选项被明确指示是相互排斥的。短语“中的至少一者”在与项目列表组合时是指列表中的单个项目或列表中项目的任何组合。所述短语并不要求所列项目的全部,除非明确如此限定。
在电力领域中,局部放电(Partial Discharge,PD)是指电力设备中的局部电介质发生放电现象。局部放电检测是评估电力设备绝缘状况的重要方法,可以有效预防故障和延长设备寿命。在相关技术中,通常通过将输入信号和参考信号相乘,来检测输入信号中与参考信号相位相匹配的局部放电信号。这个过程有时也称为信号的相干检测。
举个具体例子:
假设有一个输入信号,包含局部放电信号和噪声信号:
输入信号 = 局部放电信号 + 噪声信号
还有一个参考信号,它是已知的局部放电信号:
参考信号 = 已知的局部放电信号
相位敏感的乘法操作指的是将输入信号与参考信号相乘:
乘法结果 = 输入信号 × 参考信号
当输入信号中的局部放电信号与参考信号相位匹配时,乘法结果将得到一个较大的输出值。而当输入信号中的噪声信号与参考信号不匹配时,乘法结果将趋于零。换句话说,相位敏感的乘法操作可以突出输入信号中与参考信号相匹配的局部放电信号,从而提高信噪比。
接下来,对乘法结果进行低通滤波处理,以去除高频噪声成分,保留与参考信号相位关联的输出信号。根据滤波后的输出信号,可以判断输入信号中是否存在局部放电信号。
这个过程有助于抑制输入信号中的随机噪声干扰,提高局部放电检测的灵敏度和准确性。然而,它需要事先获得参考信号,在实际应用中,获取与输入信号中局部放电信号相匹配的参考信号可能非常困难。参考信号通常通过实验或理论分析获得,但由于局部放电现象可能因设备类型、工况、放电类型和放电位置等多种因素而异,很难得到一个准确且通用的参考信号。具体可以体现为以下情况:
局部放电信号特性变化:局部放电信号的频率、幅值和相位可能随设备运行状态和环境条件发生变化。当参考信号无法实时适应这些变化时,相敏检测法的检测性能可能会受到影响。
多种放电类型共存:在实际应用中,设备内部可能存在多种类型的局部放电现象,它们的信号特性可能相互不同。对于这种情况,使用单一的参考信号可能无法满足检测要求。
参考信号误差:参考信号的获取可能受到实验条件、设备误差、环境干扰等因素的影响,导致参考信号的准确性和可靠性受限。这将直接影响相敏检测法的检测性能。
为了解决难以获取精确参考信号的问题,本申请实施例公开一种在线局部放电检测结果的矫正方法。本发明实施例提供的在线局部放电检测结果的矫正方法,可应用在如图1的应用环境中,该在线局部放电检测结果的矫正方法应用在在线局部放电检测结果的矫正系统中,该在线局部放电检测结果的矫正系统包括客户端和服务器,其中,客户端通过网络与服务器进行通信。客户端又称为用户端,是指与服务器相对应,为客户端提供本地服务的程序。进一步地,客户端为计算机端程序、智能设备的APP程序或嵌入其他APP的第三方小程序。该客户端可安装在但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备等计算机设备上。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
参照图2,该在线局部放电检测结果的矫正方法包括以下步骤S1和S2。
S1.基于局部放电检测系统采集得到输入信号,并对输入信号进行预处理,其中,输入信号包含局部放电信号和噪声信号。
在另外的实施例中,输入信号也可以包括局部放电信号和噪声信号、相应于局部放电信号的温度检测信号、湿度检测信号、GIS设备运行负荷水平信息、GIS设备的型号信息、传感器信号信息和设备工作时长信息。
具体的,参照图3,在某一实施例中,S1可以包括以下步骤:
S11.选择UHF传感器设置于局部放电风险区域,且清除信号传播路径上的障碍物,以减小信号衰减和反射。
对于GIS设备,局部放电主要发生在开关、母线、接头等部位。UHF传感器可以布置在这些部位的外壳上,或者安装在设备内部,以更接近局部放电源。在布置传感器时,尽量避免信号传播路径上的障碍物和反射面。合理布置传感器位置和数量可以提高信号的接收质量。避免传感器布置在信号传播路径上的障碍物附近,以减小信号衰减和反射对信号质量的影响。
S12.提高传感器的采样率和分辨率,增加信号同步。
使用较高的采样率和分辨率可以更准确地捕捉到信号的细节。
S13.对采集的信号进行实时或离线去噪,并进行信号增强。
这可以提高信号的信噪比,使得特征提取更加准确。
可选的,S14.将采集到的信号进行类别标签。
通过将采集到的数据进行类别标签,可以方便后续的数据处理和分类,从而实现对局部放电信号的自动化处理和分析,提高了局部放电检测系统的自动化程度和效率。
S2.将预处理的输入信号输入到预训练好的模型中,并得到检测结果。
实际中,可以事先收集好确定的局部放电信号,来作为预处理的输入信号,从中提取特征以用于训练机器学习模型。特征提取是将原始信号转换为具有代表性的特征值的过程。这些特征可以包括时域特征(如峰值、均值、标准差等)、频域特征(如频谱特征、能量分布等)和时频特征(如小波分析、短时傅里叶变换等)。
然后,通过需要选择一个合适的机器学习算法来训练模型,在不同实施例中,可以尝试多种分类器,例如支持向量机(SVM)、神经网络、随机森林、k-近邻等。通过交叉验证等方法,可以评估和比较不同模型的性能,选择最佳模型。
在模型训练完成后,可以将其应用于实际的局部放电信号检测。当新的输入信号进入系统时,模型可以自动识别并分类局部放电信号,而无需依赖预先获取的参考信号。这样,就可以在一定程度上克服参考信号获取困难的问题,提高检测精度和可靠性。
需要注意的是,机器学习和人工智能方法通常需要大量的训练数据以获得良好的性能。因此,在实际应用中,可能需要不断更新和扩展数据集,以适应不同设备和场景的需求。
具体的,参照图4,在某一实施例中,S21可以包括以下步骤S21-S28。
S21.收集局部放电信号和相关信息并生成数据集,其中,相关信息包括有对应于各局部放电信号的温度检测信号、湿度检测信号、GIS设备运行负荷水平信息、GIS设备的型号信息、传感器信号信息和设备工作时长信息。
每一组局部放电信号数据集包括不同类型的局部放电(例如表面放电、沿面放电和内部放电)以及噪声干扰。现在需要从这些信号中提取特征,以便训练机器学习模型。
需要注意的是,本实施例中数据集内重点加入了对应于局部放电信号的相关信息,以对于局部放电信号进行准确分类,这是由于不同的环境因素会对局部放电信号产生不同的影响。举个例子,温度对局部放电信号的传播和捕捉有一定影响,主要表现在以下几个方面:
对局部放电的影响:高温可能会导致绝缘材料的性能下降,增加局部放电的发生概率。同时,温度变化可能导致设备内部结构发生热膨胀或收缩,从而影响局部放电的强度和分布。
对信号传播的影响:温度对电磁波传播速度和衰减特性有影响。在局部放电检测中,这意味着温度变化可能导致信号传播时间和衰减程度的变化,从而影响信号在传感器处的接收强度。
对传感器性能的影响:温度变化可能影响传感器的性能。例如,某些传感器在高温下可能会出现漂移现象,导致信号的幅度和相位发生变化。此外,传感器的噪声特性也可能受到温度的影响。
对于特征向量的影响:
由于温度对局部放电信号的产生、传播和传感器性能有影响,因此可能导致提取到的特征值发生变化。例如,在不同温度下,局部放电信号的峰值、频谱特性和统计特征可能会有所不同。这可能导致机器学习模型的性能受到影响,降低检测准确性。
为了解决这个问题,可以将温度作为一个额外的特征纳入特征向量。这样,机器学习模型可以根据温度特征对不同温度下的信号进行更准确的分类。同时,在训练数据集中应包含不同温度下的样本,以帮助模型学习到温度对信号特征的影响。此外,在模型评估阶段,可以针对不同温度下的数据进行分析,以确保模型在各种温度条件下都具有较好的泛化能力。
具体的,参照图5,在某一实施例中,S21包括以下步骤:
S211.基于GIS设备的型号、运行工况、环境条件、传感器类型进行组合得到不同类型。
GIS设备的型号、运行工况、环境条件、传感器类型均可作为独立的变量,对这些不同的变量进行组合,以便于对局部放电信号的特性进行完整收集。
S212.采集在连续时间段内同一类型的局部放电信号,分析后并基于分析结果进行标记。
具体的,参照图6,S212在某一实施例中包括以下步骤:
S2121.获取局部放电信号强度与时间的变化关系,以及频谱特征与时间的变化关系。
观察局部放电信号强度(如峰值、均值等指标)随时间的变化。如果信号强度逐渐增加,可能表明局部放电情况正在恶化,需要密切关注设备的运行状况。反之,如果信号强度保持稳定或逐渐减小,表明局部放电情况可能得到控制或得到改善。
观察局部放电信号的频谱特征随时间的变化。例如,检查特定频率成分是否出现增强或减弱的趋势,有助于了解局部放电源的性质和可能的变化。
S2122.基于变化关系计算局部放电信号的统计特征。
在该步骤中计算局部放电信号的统计特征,如方差、偏度、峰度等,并观察这些特征随时间的变化。这可以提供关于局部放电信号分布和形态变化的信息。例如,如果局部放电信号的方差逐渐增大,可能表明放电强度的波动变大,这可能暗示局部放电情况恶化。
S2123.基于变化关系和统计特征分析连续时间段内局部放电信号之间的相关性。
通过该步骤,有助于了解局部放电是否具有周期性或规律性。如果存在明显的周期性,可以预测未来某个时间段内的局部放电趋势,从而更好地安排设备维护和检修。
S2124.基于变化关系、统计特征和相关性对连续时间段内的局部放电信号进行聚类分析,以识别相似的信号模式,并基于识别结果进行标记。
对连续时间段内的局部放电信号进行聚类分析,以识别相似的信号模式。这可以揭示局部放电信号在时间维度上的变化趋势。例如,如果某一类信号模式在时间上逐渐增多,可能表明局部放电的某种特定特征在发展或恶化。通过对比不同类别的信号模式,有助于更好地了解局部放电的性质和可能的演变过程。
S213.对采集的局部放电信号数据进行数据增强并收入数据集,其中,数据增强方法包括信号旋转,信号裁剪,和\或添加噪声。
数据增强可以增加数据集的规模和多样性,提高机器学习模型的泛化能力。
S22.对数据集内的数据进行基线漂移消除、噪声滤除和归一化。
为了获得更高的识别精度,需要对数据集进行预处理,例如去除基线漂移、滤波、归一化等。预处理可以降低数据的冗余度和噪声干扰,提高后续特征提取和模型训练的效果。
S23.对数据集内的数据进行特征提取。
从局部放电信号中提取多种特征,包括时域、频域和时频域特征。作为示例的,以下是一些建议的特征和相应的计算方法:
时域特征:
a. 峰值:信号的最大幅值。
b. 均值:信号的平均幅值。
c. 标准差:信号幅值的标准偏差。
d. 峰峰值:信号的最大幅值与最小幅值之差。
e. 脉冲数量:在一定时间内,信号幅值超过预设阈值的脉冲个数。
频域特征:
a. 使用快速傅里叶变换(FFT)将信号从时域转换到频域。
b. 频谱能量:计算频谱中各个频率分量的能量。
c. 频谱中心:频率分量能量的加权平均值,用于描述信号的重心。
d. 频谱宽度:频率分量能量的方差,用于描述信号的频谱扩散程度。
时频域特征:
a. 短时傅里叶变换(STFT):将信号分割成多个短时窗口,对每个窗口进行傅里叶变换,以获得信号的时频分布。
b. 小波变换:使用特定的小波基函数(如Morlet、Daubechies等),分析信号在不同尺度和位置的频率成分。
c. 能量分布:计算信号在各个时频区域的能量分布。
S24.基于相关系数、互信息、主成分分析和/或线性判别分析从提取的特征选择高区分度特征子集。
从上述提取的特征中选择对分类具有较高区分度的特征子集。可以使用不同的特征选择方法,例如相关系数、互信息、主成分分析(PCA)、线性判别分析(LDA)等。特征选择的目标是降低特征维数,减少冗余信息,同时保留对分类有用的信息。
S25.基于选定的特征组合得到特征矩阵,其中,特征矩阵的每行表示放电信号样本,每列对应一个特征值。
S26.设定对应于特征举证的类别标签,以用于表示所属的局部放电类型。
将选定的特征组合成一个特征矩阵,每行表示一个局部放电信号样本,每列对应一个特征值。同时,为每个样本分配一个类别标签,表示其所属的局部放电类型。特征矩阵和类别标签将作为机器学习模型的输入数据。
举个例子,假设已经从局部放电信号中提取了以下特征:峰值、均值、标准差、频谱中心和小波能量。对于每个局部放电信号样本,可以将这些特征组织成一个特征向量。比如,有100个局部放电信号样本,包括50个表面放电、30个沿面放电和20个内部放电。可以将这些样本的特征向量组合成一个100×5的特征矩阵,其中每行表示一个样本,每列对应一个特征值。同时,可以为每个样本分配一个类别标签,如表面放电为1,沿面放电为2,内部放电为3。类别标签可以组成一个100×1的向量。
S27.训练机器学习模型,以用于输入类别标签和特征矩阵。
利用构建好的特征矩阵和类别标签,选择合适的机器学习算法(例如支持向量机、神经网络、随机森林等)来训练分类模型。可以通过交叉验证等方法评估模型的性能,选择最优模型。
继续上面的例子,使用支持向量机(SVM)作为分类器。以下是使用Python的Scikit-learn库训练SVM模型的简单示例:
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import classification_report, confusion_matrix
# 假设已经构建好特征矩阵X和类别标签y
X = np.random.rand(100, 5) # 100个样本,5个特征,这里使用随机数代替实际特征值
y = np.random.randint(1, 4, size=(100,)) # 100个类别标签,取值范围为1-3
# 将数据集分割为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 创建SVM分类器,并设置相关参数
svm_classifier = SVC(kernel='linear', C=1)
# 使用训练集训练模型
svm_classifier.fit(X_train, y_train)
# 使用测试集评估模型性能
y_pred = svm_classifier.predict(X_test)
print(confusion_matrix(y_test, y_pred))
print(classification_report(y_test, y_pred))
在实际应用中,可以调整SVM的参数,如选择不同的核函数(例如rbf、poly等)和调整惩罚系数C,以获得更好的性能。此外,可以尝试其他分类器(如神经网络、随机森林等),并使用交叉验证等方法比较模型性能,选择最优模型。
通过以上步骤,可以使用特征矩阵和类别标签训练机器学习模型。在训练完成后,可以将模型应用于实际的局部放电信号检测任务。
S28.基于训练好的模型输入实际的局部放电信号并输出检测结果。
将训练好的模型应用于实际的局部放电信号检测。对于新的输入信号,模型可以自动识别并分类局部放电信号,无需依赖预先获取的参考信号。
继续上面的例子,当新的局部放电信号进入系统时,首先需要对其进行相同的预处理和特征提取步骤,以获得与训练数据相同格式的特征向量。然后,将特征向量输入训练好的SVM分类器(或其他选定的分类器)进行分类。分类器将输出一个类别标签,表示输入信号所属的局部放电类型(如表面放电、沿面放电或内部放电)。
以下是一个使用训练好的SVM分类器对新输入局部放电信号进行分类的Python示例:
def preprocess_and_extract_features(input_signal):
# 在这个函数中,对输入信号进行预处理和特征提取
# 假设已经实现了预处理和特征提取,并返回一个特征向量
extracted_features = np.random.rand(1, 5) # 这里使用随机数代替实际特征值
return extracted_features
# 假设有一个新的局部放电信号输入
input_signal = ... # 从传感器获取的局部放电信号
# 对输入信号进行预处理和特征提取
input_features = preprocess_and_extract_features(input_signal)
# 使用训练好的SVM分类器进行分类
predicted_label = svm_classifier.predict(input_features)
# 打印分类结果
print(f"预测的局部放电类型:{predicted_label}")
需要注意的是,这里的preprocess_and_extract_features函数需要根据实际情况实现,以确保与训练阶段的预处理和特征提取一致。
通过以上步骤,可以使用训练好的机器学习模型对实际的局部放电信号进行分类。这种方法可以克服参考信号获取困难的问题,并提高检测精度和可靠性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种在线局部放电检测结果的矫正装置,该在线局部放电检测结果的矫正装置与上述实施例中在线局部放电检测结果的矫正方法一一对应。该在线局部放电检测结果的矫正装置包括信号获取模块和检测模块。各功能模块详细说明如下:
信号获取模块,用于基于局部放电检测系统采集得到输入信号,并对输入信号进行预处理,其中,输入信号包含局部放电信号和噪声信号;
检测模块,用于将预处理的输入信号输入到预训练好的模型中,并得到检测结果。
关于在线局部放电检测结果的矫正装置的具体限定可以参见上文中对于在线局部放电检测结果的矫正方法的限定,在此不再赘述。上述在线局部放电检测结果的矫正装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于在线局部放电检测结果的矫正方法相关的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种在线局部放电检测结果的矫正方法。
在一实施例中,提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例在线局部放电检测结果的矫正方法,例如图2所示S1-S2。或者,处理器执行计算机程序时实现上述实施例中在线局部放电检测结果的矫正装置的各模块/单元的功能。为避免重复,此处不再赘述。
在一实施例中,提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例在线局部放电检测结果的矫正方法,例如图2所示S1-S2。或者,该计算机程序被处理器执行时实现上述装置实施例中在线局部放电检测结果的矫正装置中各模块/单元的功能。为避免重复,此处不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (5)
1.一种在线局部放电检测结果的矫正方法,其特征在于,包括以下步骤:
基于局部放电检测系统采集得到输入信号,并对输入信号进行预处理,其中,输入信号包含局部放电信号和噪声信号;
将预处理的输入信号输入到预训练好的模型中,并得到检测结果;
所述的将预处理的输入信号输入到预训练好的模型中,并得到检测结果的步骤,包括以下步骤:
收集局部放电信号和相关信息并生成数据集,其中,相关信息包括有对应于各局部放电信号的温度检测信号、湿度检测信号、GIS设备运行负荷水平信息、GIS设备的型号信息、传感器信号信息和设备工作时长信息;
对数据集内的数据进行基线漂移消除、噪声滤除和归一化;
对数据集内的数据进行特征提取;
基于相关系数、互信息、主成分分析和/或线性判别分析从提取的特征选择高区分度特征子集;
基于选定的特征组合得到特征矩阵,其中,特征矩阵的每行表示放电信号样本,每列对应一个特征值;
设定对应于特征举证的类别标签,以用于表示所属的局部放电类型;
训练机器学习模型,以用于输入类别标签和特征矩阵;
基于训练好的模型输入实际的局部放电信号并输出检测结果;
所述的收集局部放电信号和相关信息并生成数据集的步骤,包括:
基于GIS设备的型号、运行工况、环境条件、传感器类型进行组合得到不同类型;
采集在连续时间段内同一类型的局部放电信号,分析后并基于分析结果进行标记;
对采集的局部放电信号数据进行数据增强并收入数据集,其中,数据增强方法包括信号旋转,信号裁剪,和\或添加噪声;
所述的采集在连续时间段内同一类型的局部放电信号,分析后并基于分析结果进行标记的步骤,包括:
获取局部放电信号强度与时间的变化关系,以及频谱特征与时间的变化关系;
基于变化关系计算局部放电信号的统计特征;
基于变化关系和统计特征分析连续时间段内局部放电信号之间的相关性;
基于变化关系、统计特征和相关性对连续时间段内的局部放电信号进行聚类分析,以识别相似的信号模式,并基于识别结果进行标记。
2.根据权利要求1所述的在线局部放电检测结果的矫正方法,其特征在于,所述的基于局部放电检测系统采集得到输入信号,并对输入信号进行预处理的步骤,包括:
选择UHF传感器设置于局部放电风险区域,且清除信号传播路径上的障碍物,以减小信号衰减和反射;
提高传感器的采样率和分辨率,增加信号同步;
对采集的信号进行实时或离线去噪,并进行信号增强。
3.一种采用如权利要求1所述的在线局部放电检测结果的矫正方法的在线局部放电检测结果的矫正系统,其特征在于,包括:
信号获取模块,用于基于局部放电检测系统采集得到输入信号,并对输入信号进行预处理,其中,输入信号包含局部放电信号和噪声信号;
检测模块,用于将预处理的输入信号输入到预训练好的模型中,并得到检测结果。
4.一种计算机设备,其特征在于,其包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序配置用于:执行根据权利要求1至2任一项所述的在线局部放电检测结果的矫正方法。
5.一种计算机可读存储介质,其特征在于,所述存储介质存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现:如权利要求1至2任一项所述的在线局部放电检测结果的矫正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310324765.XA CN116381429B (zh) | 2023-03-29 | 2023-03-29 | 在线局部放电检测结果的矫正方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310324765.XA CN116381429B (zh) | 2023-03-29 | 2023-03-29 | 在线局部放电检测结果的矫正方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116381429A CN116381429A (zh) | 2023-07-04 |
CN116381429B true CN116381429B (zh) | 2024-03-29 |
Family
ID=86962819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310324765.XA Active CN116381429B (zh) | 2023-03-29 | 2023-03-29 | 在线局部放电检测结果的矫正方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116381429B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103181A (zh) * | 2009-12-17 | 2011-06-22 | 上海莫克电子技术有限公司 | Gis在线局部放电监测系统 |
CN105606975A (zh) * | 2016-03-09 | 2016-05-25 | 武汉华威众科电力有限公司 | 一种可定位的特高频电缆局部放电检测方法和装置 |
CN106546892A (zh) * | 2016-11-10 | 2017-03-29 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电超声音频识别方法及系统 |
CN109975665A (zh) * | 2019-03-22 | 2019-07-05 | 华南理工大学 | 一种电力设备局部放电信号放电类型识别方法 |
CN111239557A (zh) * | 2020-02-06 | 2020-06-05 | 云南电网有限责任公司电力科学研究院 | 基于在线校准的局部放电定位方法 |
CN111476093A (zh) * | 2020-03-06 | 2020-07-31 | 国网江西省电力有限公司电力科学研究院 | 一种电缆终端局部放电模式识别方法及系统 |
CN113283371A (zh) * | 2021-06-09 | 2021-08-20 | 上海交通大学 | 一种基于brisk特征的局部放电特征提取及分类方法 |
CN114254668A (zh) * | 2021-11-26 | 2022-03-29 | 南方电网数字电网研究院有限公司 | 基于绝缘开关设备放电信号的故障检测方法和装置 |
CN115239971A (zh) * | 2022-07-13 | 2022-10-25 | 国网江苏省电力有限公司 | Gis局部放电类型识别模型训练方法、识别方法及系统 |
-
2023
- 2023-03-29 CN CN202310324765.XA patent/CN116381429B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103181A (zh) * | 2009-12-17 | 2011-06-22 | 上海莫克电子技术有限公司 | Gis在线局部放电监测系统 |
CN105606975A (zh) * | 2016-03-09 | 2016-05-25 | 武汉华威众科电力有限公司 | 一种可定位的特高频电缆局部放电检测方法和装置 |
CN106546892A (zh) * | 2016-11-10 | 2017-03-29 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电超声音频识别方法及系统 |
CN109975665A (zh) * | 2019-03-22 | 2019-07-05 | 华南理工大学 | 一种电力设备局部放电信号放电类型识别方法 |
CN111239557A (zh) * | 2020-02-06 | 2020-06-05 | 云南电网有限责任公司电力科学研究院 | 基于在线校准的局部放电定位方法 |
CN111476093A (zh) * | 2020-03-06 | 2020-07-31 | 国网江西省电力有限公司电力科学研究院 | 一种电缆终端局部放电模式识别方法及系统 |
CN113283371A (zh) * | 2021-06-09 | 2021-08-20 | 上海交通大学 | 一种基于brisk特征的局部放电特征提取及分类方法 |
CN114254668A (zh) * | 2021-11-26 | 2022-03-29 | 南方电网数字电网研究院有限公司 | 基于绝缘开关设备放电信号的故障检测方法和装置 |
CN115239971A (zh) * | 2022-07-13 | 2022-10-25 | 国网江苏省电力有限公司 | Gis局部放电类型识别模型训练方法、识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
一种基于改进的WGAN 模型的电缆终端 局部放电识别准确率提升方法;傅尧等;电网技术;20220531;第46卷(第5期);2000-2008 * |
Also Published As
Publication number | Publication date |
---|---|
CN116381429A (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11243524B2 (en) | System and method for unsupervised root cause analysis of machine failures | |
US11138056B2 (en) | System and method for unsupervised prediction of machine failures | |
US20220300857A1 (en) | System and method for validating unsupervised machine learning models | |
US7613576B2 (en) | Using EMI signals to facilitate proactive fault monitoring in computer systems | |
US11442444B2 (en) | System and method for forecasting industrial machine failures | |
JP2020009411A (ja) | 多次元時系列におけるスパース・ニューラル・ネットワーク・ベース異常検出 | |
CN103703487A (zh) | 信息识别方法、程序产品以及系统 | |
US20210042585A1 (en) | Abnormality detection device, abnormality detection method and computer readable medium | |
KR102472637B1 (ko) | 시계열 데이터 분석 방법, 주영향 변수 결정 방법 및 그 방법들을 지원하는 장치 | |
US10288653B2 (en) | Time series analytics | |
CN114167838B (zh) | 一种伺服系统多尺度健康评估与故障预测方法 | |
Makki Alamdari et al. | Frequency domain decomposition‐based multisensor data fusion for assessment of progressive damage in structures | |
CN110858072B (zh) | 设备运行状态的确定方法及装置 | |
CN116451142A (zh) | 一种基于机器学习算法的水质传感器故障检测方法 | |
US20220058527A1 (en) | System and method for automated detection and prediction of machine failures using online machine learning | |
Sai et al. | A WOA-based algorithm for parameter optimization of support vector regression and its application to condition prognostics | |
CN116415126A (zh) | 用于造纸机的刮刀的异常检测的方法、装置和计算设备 | |
CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
WO2017127260A1 (en) | System and method for allocating machine behavioral models | |
CN116381429B (zh) | 在线局部放电检测结果的矫正方法及其系统 | |
Duan et al. | Bi-level bayesian control scheme for fault detection under partial observations | |
CN115587009A (zh) | 一种云平台时序数据异常检测方法、系统、设备和介质 | |
CN116363350A (zh) | 局部放电检测系统的平衡补偿方法及相关装置 | |
CN116660761B (zh) | 一种锂离子电池检测方法及系统 | |
Rigamonti et al. | AN ADVANCED EARLY FAULT DETECTION TOOL FOR PREDICTIVE MAINTENANCE OF A FLEET OF INDUSTRIAL GAS TURBINES |
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 |