CN116526969A - 基于线性调频z变换和小波包分解的光伏故障电弧检测方法 - Google Patents
基于线性调频z变换和小波包分解的光伏故障电弧检测方法 Download PDFInfo
- Publication number
- CN116526969A CN116526969A CN202310356102.6A CN202310356102A CN116526969A CN 116526969 A CN116526969 A CN 116526969A CN 202310356102 A CN202310356102 A CN 202310356102A CN 116526969 A CN116526969 A CN 116526969A
- Authority
- CN
- China
- Prior art keywords
- fault
- transformation
- wavelet
- arc
- frequency
- 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
- 230000009466 transformation Effects 0.000 title claims abstract description 37
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000001228 spectrum Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 238000000034 method Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000010891 electric arc Methods 0.000 claims description 2
- 239000003990 capacitor Substances 0.000 claims 1
- 238000013461 design Methods 0.000 claims 1
- 230000004807 localization Effects 0.000 claims 1
- 238000013507 mapping Methods 0.000 claims 1
- 238000012549 training Methods 0.000 claims 1
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000012795 verification Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 6
- 230000009471 action Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H1/00—Details of emergency protective circuit arrangements
- H02H1/0007—Details of emergency protective circuit arrangements concerning the detecting means
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H1/00—Details of emergency protective circuit arrangements
- H02H1/0092—Details of emergency protective circuit arrangements concerning the data processing means, e.g. expert systems, neural networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H1/00—Details of emergency protective circuit arrangements
- H02H1/04—Arrangements for preventing response to transient abnormal conditions, e.g. to lightning or to short duration over voltage or oscillations; Damping the influence of dc component by short circuits in ac networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
- H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了基于线性调频Z变换和小波包分解的光伏故障电弧检测方法,所述方法包括:对采集的电流互感器两端电压信号小波降噪处理,然后进行傅里叶变换得到正常信号和故障信号的频谱,分析正常信号与电弧信号的差异,得到故障信号的特征频段,然后通过线性调频变换(CZT变换)放大故障信号的特征,计算出故障频段的方差和均值。为了提取故障电弧高频精细成分,同时也从电流信号多尺度分析的角度出发,对信号进行3层复小波变换获取各节点小波包系数模极大值及节点能量谱,最后进一步结合极限学习机(ELM)进行故障电弧识别。并且基于该算法设计了一种基于stm32嵌入式平台的光伏系统直流电弧检测装置。
Description
技术领域
本发明涉及直流故障电弧检测技术领域。
背景技术
由于全球可用能源的下降,太阳能光伏发电系统得到了更大规模的应用,但由于系统所在的环境恶劣,极易直流电弧故障,这既降低了系统发电效率,也危及系统和整个电网的安全。因此,识别直流电弧故障,及时采取有效措施,以保障系统稳定运行,具有重要的意义。
当电路中产生直流故障电弧时,电弧信号和正常信号在波形上会有明显不同的特征,可以构建电弧模型,调制电弧模型的参数来分析电弧特性。大部分学者都是利用时频域和信号处理技术来分析故障电弧。一些学者测试不同场景下的直流电弧的电器特性,利用电流信号的时域变化和时频域分析的小波变换来检测故障电弧。也有通过小波变换分析电弧信号的时频域特征,同时结合SVD分解去分析直流电弧特性。也有学者对信号的频域进行分析,提取特征量,用现代算法检测光伏系统故障。也有学者针对特定的航空场景进行了直流电弧实验,利用小波包分解得到信号的时频域信息,同时结信息熵和傅里叶变换来分析故障电弧。也有学者通过对采集到的电流信号的特征分析,并提取不同的特征量,研究一种针对多场景的方法,采用机器学习对故障电弧进行分析。
虽然国内外相关学者在串联直流电弧故障识别方面取得了一定的成果,然而,目前针对直流电弧的检测方法仍存在着一些不足。传统的传感器和测量方法主要采用回路电压和电流信号来检测物理量,但这种方法容易受到环境因素的影响,而且对传感器的要求也很高,导致精度较低。基于时域的电压、电流波形检测方法对电弧故障检测有一定的局限性,不易排除干扰的影响。在实际应用中,电弧故障检测主要采用阈值法,通过提取线路电流、电压特征与设定阈值进行比较,这类保护需要提前提取故障特征值,其动作阈值无法实现随环境的自适应变化。因此文中提出一种基于线性调频Z变换和小波包分解的光伏故障电弧检测方法,并根据算法设计了基于嵌入式的故障检测装置,实验结果表明文中所提方法较现有特征识别方法具有更高的识别准确率,测装置也能够准确区分开关动作等系统正常操作,该方法克服了传统单一频段单一指标检测方法的不稳定性,能够有效检测直流电弧故障。
发明内容
本发明旨在解决以上现有技术的问题,本发明基于线性调频Z变换和小波包分解的光伏故障电弧检测方法,该方法克服了传统单一频段单一指标检测方法的不稳定性,能够有效检测直流电弧故障,提高检测的准确性,并在光伏系统中验证了检测方法的通用性。检测方法对保障低压直流系统的安全稳定运行具有重要的应用价值。
本发明采取的技术方案为:
基于线性调频Z变换和小波包分解的光伏故障电弧检测方法,包括以下步骤:
S1:初始化电弧故障电弧检测装置,使用stm32的ADC采集模块对互感器两端的电压实时采集,对采集的信号进行预处理。
S2:对处理后的数据进行快速傅里叶变换(FFT),分析得到故障信号和正常信号差距最大的一段或者几段频谱作为故障电弧的特征频段。
S3:对故障特征频段进行线性调频Z变换(CZT变换)放大故障信号的特征频段,然后提取特获赠频段的均值和方差。
S4:从电流信号多尺度分析的角度出发,同时也对预处理之后的信号做三层小波包分解得到八层小波系数,提取前四层小波系数的模极大值和能量占比作为特征值。
S5:将线性调频Z变换后特征频段的均值和方差以及通过小波包分解后提取的模极大值和能量占比作为极限学习机神经网络的输入,通过神经网络判断电路是否产生电弧。或者通过阈值来判断是否产生电弧。
S6:如果通过神经网络判断出电路产生故障电弧,通过网络模块向云端报警,如果通过神经网络判断出电路正常,则继续执行步骤一。
进一步,所述步骤S1具体为:stm32的ADC采集模块对互感器两端的电压实时采集,对采集的电流数据进行预处理,利用小波变换进行降噪。首先用db小波基对信号进行2层小波分解,分解得到三层小波系数,采用软阈值降噪。其函数表达式如下:
式中:soft(x,t)为阈值处理后的信号,x为信号分解后的小波系数。T为给定的阈值,sgn为符号函数。使用此阈值处理各个小波分解细节系数,近似系数不做处理,也就是采用全局阈值处理进行信号重构得到去噪后的信号。然后对重构的信号就行分析。
进一步,在所述步骤S1中所述的电流包括正常与故障电流的采集,其特征在于,在实验室场景下搭建直流故障电弧电路,通过互感器对电路中的电阻负载,电容负载,逆变器负载,以及组合负载进行电流信号的采集,也对逆变器的启动过程和电路负载突变等场景下的电流机型采集。也对光伏场景使用同样的方法进行数据的采集,形成不同场景、不同负载电流样本集。
进一步,所述步骤S3具体为:在所述步骤S2中,特征频段应选择正常信号的频段和故障频谱差距最大的一段,首先对故障信号和正常信号分别快速傅里叶变换(FFT),找到相比于正常信号,故障信号的特有的一个或几个频段,该频段长度不能大于最高频率,且该频段幅度的均值要大于正常频段,基于以上要求,选取一到三个特征频段。
进一步,所述步骤S4具体为:其特征在于,在所述步骤S3中对特征频段进行线性调频Z变换细化频谱,增加频谱的分辨率,进而放大故障频段的特征。同时利用特征量均值方差和均值来刻画特征频段,方差度量了随机变量和其数学期望(即均值)之间的偏离程度。
进一步,所述步骤S5具体为:为了得出信号全频率特点,通过对小波包分解将信号高频分量和低频分量都进行分解,得到每一层的小波系数,对比正常信号和故障信号的系数差,选出别具最大的四组系数,然后提取每一层小波的模极大值作为特征量,同时对选取的四层小波分别重构,计算出每一层的能量值,进而得到每一层的能量占比,将能量占比同样作为特征量。
进一步,所述步骤S6具体为:特征在于,在所述步骤S6中通过极限学习机神经网络来判断是否产生故障。首先将训练好的网络导入stm32故障电弧检测装置,训练的好神经网络包括隐藏层矩阵IW,输出权重矩阵B,输出矩阵LLW,以及激活函数,将小波变换以后得到的特征量小波系数模极大值和能量占比以及线性调频Z变换得到均值和方差特征量构成神经网络的输入x,将x到输入神经网络来判断电路是否产生故障。
本发明的有益效果在于:
1.通过对直流电弧特征分析,得到直流电弧具有一定的频段特性,线性调制Z变换的特征频段能准确区分故障电弧状态。小波包系数模极大值、第二个节点能量占比均可在不同程度上反映正常和电弧信号差异性。通过特征判据,利用极限学习机(ELM)神经网络算法可实现对直流电弧高准确率的检测。
2.基于算法设计了一种故障电弧检测装置,最快可在0.1s内检测到故障电弧,在实验室场景下和光伏现场分别验证了该装置的可行性,并且能够准确识别在光伏系统正常运行时由于逆变器等负载由于开关动作引起回路电流突变,克服了以往单一频段单一指标检测方法的不稳定性,提高了检测的准确性。
附图说明
图1:基于线性调频Z变换和小波包分解的光伏故障电弧检测装置流程图
图2:经过线性调频Z变换后正常信号和故障信号特征频段对比图
图3:极限学习神经网络结构示意图
具体实施方式
为使本发明的目的、技术方案和优点表达得更加清楚明白,下面结合附图及具体实施例对本发明作进一步详细的说明。
本发明提供了线性调频Z变换和小波包分解的光伏故障电弧检测方法,其实现装置步骤流程图如图一所示,其实施步骤包括:
S1:初始化电弧故障电弧检测装置,使用stm32的ADC采集模块对互感器两端的电压实时采集,对采集的信号进行预处理。首先用db小波基对信号进行2层小波分解,分解得到三层小波系数,采用软阈值降噪。其函数表达式如下:
式中:为阈值处理后的信号,为信号分解后的小波系数。为给定的阈值,sgn为符号函数。使用此阈值处理各个小波分解细节系数,近似系数不做处理,也就是采用全局阈值处理进行信号重构得到去噪后的信号。然后对重构的信号就行分析。
S2:对处理后的数据进行快速傅里叶变换(FFT),分析得到故障信号和正常信号差距最大的一段或几段频谱作为故障电弧的特征频段。
S3:对故障特征频段进行线性调频Z变换(CZT变换)放大故障信号的特征频段。同时利用特征量均值方差和均值来刻画特征频段,方差度量了随机变量和其数学期望(即均值)之间的偏离程度。图2经过线性调频Z变换后正常信号和故障信号特征频段对比图,故障信号和正常信号的差异很明显。
S4:从电流信号多尺度分析的角度出发,同时也对预处理之后的信号做三层小波包分解得到八层小波系数,选出别具最大的四组系数,然后提取每一层小波的模极大值作为特征量,同时对选取的四层小波分别重构,计算出每一层的能量值,进而得到每一层的能量占比,将能量占比同样作为特征量。
S5:极限学习机神经网络结构示意图如图3所示,将线性调频Z变换后特征频段的均值和方差以及通过小波包分解后提取的模极大值和能量占比作为极限学习机神经网络的输入,将正常信号的输入量映射为1,将电弧信号的输入量映射为-1,如果输出矩阵y的值大于零就判定为正常状态,如果输出矩阵y的值小于零就判定为故障状态。
S6:如果通过神经网络判断出电路产生故障电弧,通过网络模块向云端报警,如果通过神经网络判断出电路正常,则继续执行步骤一。
Claims (7)
1.基于线性调频Z变换和小波包分解的光伏故障电弧检测方法,其特征在于,包含正常与故障电流的采集、线性调频Z变换、小波包分解、极限学习机算法原理及验证、检测系统各模块设计及实现;包括以下步骤:
S1:初始化电弧故障电弧检测装置,用stm32的ADC采集模块对互感器两端的电压实时采集,对采集的信号进行预处理。
S2:对处理后的数据进行快速傅里叶变换(FFT),分析得到故障信号和正常信号差距最大的一段频谱作为故障电弧的特征频段。
S3:对故障特征频段进行线性调频Z变换(CZT变换)放大故障信号的特征频段,然后提取特征频段的均值和方差。
S4:从电流信号多尺度分析的角度出发,同时也对预处理之后的信号做三层小波包分解得到八层小波系数,提取前四层小波系数的模极大值和能量占比作为特征值。
S5:将线性调频Z变换后特征频段的均值和方差以及通过小波包分解后提取的模极大值和能量占比作为极限学习机神经网络的输入,通过神经网络判断电路是否产生电弧。
S6:如果通过神经网络判断出电路产生故障电弧,通过网络模块向云端或者其他方式报警,如果通过神经网络判断出电路正常,则继续执行步骤一。
2.如权利要求1所述的基于线性调频Z变换和小波包分解的光伏故障电弧检测方法,其特征在于,在所述步骤S1中对电路的电流进行实时采集,并通过小波降噪去除回路中的高频噪声。
(1)将原始数据进行小波变换,定义小波变换系数的降噪准则。
(2)根据降噪准则对小波变换系数进行重新组建,将降噪后的系数逆变换恢复原始信号。
3.如权利要求1所述的线性调频Z变换和小波包分解的光伏故障电弧检测方法其特征在于,在所述步骤S1中所述的电流包括正常与故障电流的采集,其特征在于,在实验室场景下搭建直流故障电弧电路,通过互感器对电路中的电阻负载,电容负载,逆变器负载,以及组合负载进行电流信号的采集,也对逆变器的启动过程和电路负载突变等场景下的电流进行采集。同时也对光伏场景使用同样的方法进行数据的采集,形成不同场景、不同负载电流样本集。
4.如权利要求1所述的线性调频Z变换和小波包分解的光伏故障电弧检测方法,特征在于,在所述步骤S2中,特征频段应选择正常信号的频段和故障频谱差距最大的一段或几段,首先对故障信号和正常信号分别快速傅里叶变换(FFT),找到相比于正常信号,故障信号的特有的一个或几个频段,该频段长度不能大于最高频率的,且该频段幅度的均值要大于正常频段,基于以上要求,选取一到三个特征频段。
5.如权利要求1所述的线性调频Z变换和小波包分解的光伏故障电弧检测方法,其特征在于,在所述步骤S3中使用特征频段进行线性调频Z变换细化频谱,增加频谱的分辨率,进而放大故障频段的特征。
6.如权利要求1所述的线性调频Z变换和小波包分解的光伏故障电弧检测方法,其特征在于,在所述步骤S4中,通过小波包分解将信号高频分量和低频分量都进行分解,比小波变换划分更加精细和全面,更能体现出信号全频率特点,特征向量能够自适应选择频带,具有时频局部化特点,能够提高信号的时频分辨率。
7.如权利要求1所述的线性调频Z变换和小波包分解的光伏故障电弧检测方法,其特征在于,在所述步骤S6中通过极限学习机神经网络或者使用阈值来判断是否产生故障。将小波包分解后提取的特征量和线性调制Z变换后提取的特征组合成神经网络的输入向量x,将x输入到神经网络会得到输出矩阵y,训练时已经明确对应的映射关系,将正常信号的输入量映射为1,将电弧信号的输入量映射为-1,如果输出矩阵y的值大于零就判定为正常状态,如果输出矩阵y的值小于零就判定为故障状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310356102.6A CN116526969A (zh) | 2023-04-04 | 2023-04-04 | 基于线性调频z变换和小波包分解的光伏故障电弧检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310356102.6A CN116526969A (zh) | 2023-04-04 | 2023-04-04 | 基于线性调频z变换和小波包分解的光伏故障电弧检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116526969A true CN116526969A (zh) | 2023-08-01 |
Family
ID=87393089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310356102.6A Pending CN116526969A (zh) | 2023-04-04 | 2023-04-04 | 基于线性调频z变换和小波包分解的光伏故障电弧检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116526969A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117076933A (zh) * | 2023-10-16 | 2023-11-17 | 锦浪科技股份有限公司 | 电弧判断模型的训练、光伏直流电弧检测方法及计算设备 |
CN118112416A (zh) * | 2024-04-28 | 2024-05-31 | 中国长江电力股份有限公司 | 一种水轮发电机组碳刷打火检测方法、系统及存储介质 |
-
2023
- 2023-04-04 CN CN202310356102.6A patent/CN116526969A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117076933A (zh) * | 2023-10-16 | 2023-11-17 | 锦浪科技股份有限公司 | 电弧判断模型的训练、光伏直流电弧检测方法及计算设备 |
CN117076933B (zh) * | 2023-10-16 | 2024-02-06 | 锦浪科技股份有限公司 | 电弧判断模型的训练、光伏直流电弧检测方法及计算设备 |
CN118112416A (zh) * | 2024-04-28 | 2024-05-31 | 中国长江电力股份有限公司 | 一种水轮发电机组碳刷打火检测方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116526969A (zh) | 基于线性调频z变换和小波包分解的光伏故障电弧检测方法 | |
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 | |
CN107132443B (zh) | 一种三电平statcom智能故障诊断方法 | |
CN111289796B (zh) | 一种高比例可再生能源电力系统次同步振荡的检测方法 | |
CN110648088B (zh) | 一种基于鸟群算法与svm的电能质量扰动源判断方法 | |
Mishra et al. | A universal high impedance fault detection technique for distribution system using S-transform and pattern recognition | |
CN112462193B (zh) | 一种基于实时故障滤波数据的配电网自动重合闸判断方法 | |
CN111308260A (zh) | 一种基于小波神经网络的电能质量监测和电器故障分析系统及其工作方法 | |
Zhu et al. | Complex disturbances identification: A novel PQDs decomposition and modeling method | |
CN107356843A (zh) | 基于分层阈值同步挤压小波的变压器局部放电故障诊断方法 | |
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 | |
Chen et al. | Reliable detection method of variable series arc fault in building integrated photovoltaic systems based on nonstationary time series analysis | |
Wang et al. | An on-line detection method and device of series arc fault based on lightweight CNN | |
CN112255495B (zh) | 一种微电网高阻故障检测方法 | |
CN113514743A (zh) | 一种基于多维特征的gis局部放电模式识别系统构建方法 | |
Wang et al. | Transmission line fault diagnosis based on wavelet packet analysis and convolutional neural network | |
CN116338402A (zh) | 电弧故障的检测方法和装置、存储介质及电子设备 | |
Zhu et al. | Aiming to Complex Power Quality Disturbances: A Novel Decomposition and Detection Framework | |
Lu et al. | A new series arc fault identification method based on wavelet transform | |
CN114720818A (zh) | 一种基于时频特征筛选的交流串联故障电弧检测方法 | |
CN116488574A (zh) | 基于信息熵自适应特征频段的光伏故障电弧检测方法 | |
Zhuzhang et al. | Method for detecting high independence grounding fault phase in distribution network based on wavelet transform and neural Network | |
Zhang et al. | A fast fault detection method for controlled fault interruption based on wavelet singularities and BP neural network | |
Chu et al. | Series DC arc fault detection in photovoltaic system based on multi-feature fusion and SVM | |
Huang et al. | AC Arc Fault Detection Method of Internet of Things Terminal Based on Support Vector Machine |
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 |