CN117349781A - 一种变压器故障智能诊断方法及系统 - Google Patents
一种变压器故障智能诊断方法及系统 Download PDFInfo
- Publication number
- CN117349781A CN117349781A CN202311658709.6A CN202311658709A CN117349781A CN 117349781 A CN117349781 A CN 117349781A CN 202311658709 A CN202311658709 A CN 202311658709A CN 117349781 A CN117349781 A CN 117349781A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- sampling point
- abnormal
- voltage
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003745 diagnosis Methods 0.000 title claims abstract description 33
- 238000005070 sampling Methods 0.000 claims abstract description 247
- 230000002159 abnormal effect Effects 0.000 claims abstract description 167
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 230000000875 corresponding effect Effects 0.000 claims description 61
- 230000005856 abnormality Effects 0.000 claims description 45
- 238000010606 normalization Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 230000002596 correlated effect Effects 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002688 persistence Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明涉及变压器故障诊断技术领域,具体涉及一种变压器故障智能诊断方法及系统。获取变压器的三相电压时序数据,通过三相平衡的性质获得异常权重;将单项电压数据划分为数据段,根据数据段中数据值的波动情况,结合异常权重,获得采样点的波动特征值;基于数据段之间的数据分布结合异常权重,获得数据段对应的波动权重,将波动特征值与波动权重结合,获得采样点的初始异常值;对预设范围内所有变压器的同相电压数据进行分析,获得采样点的异常可信度调整初始异常值获得最终异常值;基于最终异常值获得自适应K值对采样点进行异常检测。由自适应K值获得的检测结果会更贴合数据的分布情况,因此可以提高变压器故障诊断的准确度。
Description
技术领域
本发明涉及变压器故障诊断技术领域,具体涉及一种变压器故障智能诊断方法及系统。
背景技术
变压器是一种重要的电力设备,变压器一旦发生故障不仅不利于人们日常生活,甚至会对人身安全造成威胁。因此需要预测、检测和诊断变压器的故障,从而提高电力系统的可靠性和安全性。
变压器的故障诊断可以通过对变压器电压的异常检测来完成,现有技术在采用局部离群因子算法(Local Outlier Factor,LOF)对异常数据进行检测时,通常设定固定K值来确定邻域大小,故不能准确反映数据的分布情况,从而不能准确筛选出异常数据,影响变压器故障诊断的准确度。
发明内容
为了解决现有技术采用LOF算法对异常数据检测时,采用固定K值确定邻域大小不能够准确反映数据的分布情况,导致不能准确筛选出异常数据,从而影响变压器故障诊断的准确度的技术问题,本发明的目的在于提供一种变压器故障智能诊断方法及系统,所采用的技术方案具体如下:
获取预设范围内所有变压器的三相电压时序数据,并将任意一相电压时序数据作为目标电压数据,将任意一个变压器作为目标变压器,将目标变压器的目标电压数据作为待测数据;
根据三相电压中三相平衡的性质获得待测数据中每个采样点的异常权重;基于预设时段对所述待测数据进行划分,获得电压数据段;根据每个所述电压数据段中数据值的波动情况和采样点的异常权重,获得每个采样点对应的波动特征值;
根据待测数据中所有电压数据段之间的数据值的变化情况以及异常权重的分布情况,获得每个电压数据段对应的波动权重;根据每个所述电压数据段中每个采样点对应的波动特征值和所述波动权重获得每个采样点的初始异常值;
根据所述预设范围内所有变压器的目标电压数据中数据值之间的差异以及分布情况,获得所述待测数据中每个采样点的异常可信度;根据待测数据中每个采样点的初始异常值和异常可信度获得每个采样点的最终异常值;
在所述待测数据中,根据每个采样点的最终异常值调整预设K值,获得每个采样点的自适应K值;根据所有采样点的所述自适应K值对采样点进行异常检测,判断目标变压器是否出现故障。
进一步地,所述异常权重的公式模型为:
;其中,/>表示待测数据/>中第/>个采样点的异常权重,/>表示待测数据/>中第/>个采样点对应的三相电压的代数和,/>表示以自然常数/>为底的指数函数,/>表示归一化函数,/>表示预设正整数。
进一步地,所述波动特征值的公式模型为:
;其中,/>表示待测数据/>中第/>个电压数据段中第/>个采样点对应的波动特征值,/>表示待测数据/>中第/>个电压数据段中第/>个采样点的数据值,/>表示待测数据/>中第/>个电压数据段中除第/>个采样点外的第/>个采样点的数据值,/>表示待测数据/>中第/>个电压数据段中除第/>个采样点外的第/>个采样点的异常权重,/>表示待测数据/>中第/>个电压数据段中的采样点总数,/>表示归一化函数。
进一步地,所述根据待测数据中所有电压数据段之间的数据值的变化情况以及异常权重的分布情况,获得每个电压数据段对应的波动权重,包括:
在所述待测数据中,将每个电压数据段中所有采样点的数据值的均值作为电压均值,将每个电压数据段中所有采样点的异常权重的均值作为异常因子;
将所述待测数据中任意一个电压数据段作为目标数据段,将所述目标数据段与其他每个电压数据段之间的电压均值的差异作为电压差异,将所述目标数据段与其他每个电压数据段之间的异常因子的差异进行负相关映射并归一化后的值,作为影响差异;根据所述目标数据段与其他每个电压数据段的电压差异和影响差异获得约束值,所述电压差异以及影响差异均与所述约束值呈正相关;
将所述目标数据段与其他所有电压数据段的约束值的均值进行归一化后的值,作为目标数据段的所述波动权重。
进一步地,所述根据每个所述电压数据段中每个采样点对应的波动特征值和所述波动权重获得每个采样点的初始异常值,包括:
将每个所述电压数据段中每个采样点对应的波动特征值和波动权重的乘积作为每个采样点的初始异常值。
进一步地,所述根据所述预设范围内所有变压器的目标电压数据中数据值之间的差异以及分布情况,获得所述待测数据中每个采样点的异常可信度,包括:
将所述预设范围内所有变压器的目标电压数据中每个采样点与其距离最近的极值点之间的距离作为每个采样点对应的间隔距离;
将所述待测数据与其他每个变压器的目标电压数据中同一时刻的采样点对应的间隔距离的差异进行负相关映射并归一化后的值,作为间隔相似值;将所述待测数据与其他每个变压器的目标电压数据中同一时刻的采样点的数据值的差异,作为幅值差异;
将所述待测数据与其他每个变压器的目标电压数据中同一时刻的采样点对应的间隔相似值与幅值差异相乘,获得待测数据中每个采样点的可信度因子;
将所述待测数据中每个采样点的所有可信度因子的均值进行归一化后的值,作为待测数据中每个采样点的异常可信度。
进一步地,所述根据待测数据中每个采样点的初始异常值和异常可信度获得每个采样点的最终异常值,包括:
在所述待测数据中,根据每个采样点的初始异常值和异常可信度获得每个采样点的最终异常值,所述初始异常值和所述异常可信度均与所述最终异常值呈正相关。
进一步地,所述在所述待测数据中,根据每个采样点的最终异常值调整预设K值,获得每个采样点的自适应K值,包括:
将每个采样点的最终异常值进行归一化并负相关映射后的值,作为调整系数,将所述调整系数与预设K值相乘后并向上取整,获得每个采样点的自适应K值。
进一步地,所述根据所有采样点的所述自适应K值对采样点进行异常检测,判断目标变压器是否出现故障,包括:
基于LOF算法根据待测数据中所有采样点的所述自适应K值对采样点进行异常检测,获得每个采样点的局部异常因子;
将局部异常因子大于预设异常阈值的采样点作为异常点,在异常点对应的时刻,目标变压器存在故障;
将局部异常因子小于或等于预设异常阈值的采样点作为正常点,在正常点对应的时刻,目标变压器正常工作。
本发明还提出了一种变压器故障智能诊断系统,所述系统包括:
存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时可实现任意一项所述方法的步骤。
本发明具有如下有益效果:
本发明首先获取预设范围内所有变压器的三相电压时序数据,由于仅对单相电压进行分析会存在一定偏差,故通过三相电压中三相平衡的性质获得异常权重,由此在分析单相电压时,能够消除偏差;由于变压器异常时,电压数据会存在较大波动,故对单项电压数据进行局部分析,划分电压数据段,然后根据数据段中电压数据值的波动情况,结合异常权重,获得每个采样点的波动特征值;然后基于电压数据段之间的数据分布情况,结合异常权重,获得每个电压数据段对应的波动权重,那么也就得到了每个采样点对应的波动权重;所以可将每个采样点的波动特征值与波动权重相结合,获得能够表征采样点异常程度的初始异常值;进一步地,考虑到实际情况中,天气影响或设备维护也会导致电压发生突变,因此为了消除该影响,通过对预设范围内所有变压器的同相电压数据的数据值的差异以及分布情况进行分析,获得每个采样点的初始异常值的异常可信度,最后用异常可信度调整初始异常值,即可获得准确的最终异常值;最后基于最终异常值调整预设K值获得自适应K值,然后再对采样点进行异常检测,由自适应K值获得的检测结果会更贴合数据的分布情况,因此也可以获得更加准确的异常检测结果,故提高了变压器故障诊断的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它附图。
图1为本发明一个实施例所提供的一种变压器故障智能诊断方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种变压器故障智能诊断方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种变压器故障智能诊断方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种变压器故障智能诊断方法的方法流程图,该方法包括以下步骤:
步骤S1:获取预设范围内所有变压器的三相电压时序数据,并将任意一相电压时序数据作为目标电压数据,将任意一个变压器作为目标变压器,将目标变压器的目标电压数据作为待测数据。
本发明实施例通过对变压器中的电压数据进行分析,用于判断变压器是否出现故障,首先获取预设范围内所有变压器的三相电压时序数据,将每个变压器的三相电压时序数据分别记为、/>、和/>。在本发明实施例中,只对其中一相电压时序数据进行分析,因此在三相电压时序数据中任选一相电压时序数据作为目标电压数据,同时,为了便于解释和说明,在本发明后续实施例中以任意一个变压器作为目标变压器,将目标变压器的目标电压数据作为待测数据,通过对目标变压器的目标电压数据,也即待测数据进行分析用于说明整个方案的步骤流程。三相电压的采集步骤为:可以在变压器的三相电压输出端安装电压互感器或电容式电压传感器,用于采集三相电压信号。需要说明的是,所有变压器的三相电压时序数据需进行同时采集,且采集的长度、采集的时间间隔都需相同,故预设范围内所有变压器的三相电压时序数据长度相等;数据的采集设备实施者可根据实施场景进行调整,在此不做限定;同时,预设范围在本发明实施例中设置为同一小区,或以任意一个变压器为中心,800米为半径的区域内,具体范围的设置实施者也可根据实施场景进行调整,在此不做限定;并且,在本发明该实施例中采集的长度设置为10分钟,每隔1秒采集一次数据,具体采集长度以及采集的时间间隔,也可根据实施场景进行调整,在此不做限定。
至此,完成了数据的采集,可在后续步骤中对数据进行分析,进行变压器的故障诊断。
步骤S2:根据三相电压中三相平衡的性质获得待测数据中每个采样点的异常权重;基于预设时段对待测数据进行划分,获得电压数据段;根据每个电压数据段中数据值的波动情况和采样点的异常权重,获得每个采样点对应的波动特征值。
由于在判断变压器是否存在故障时,本发明实施例通过变压器的一相电压数据的变化来进行判断,结果会存在误差,所以鉴于在三相交流电力系统中,三相电压之间的关系是通过三相电压的平衡来维持的,并且三个不同的相位之间的相位差为120度,由于这种相位差,三相电压的代数和为0;当变压器正常运行时,同一时刻下的三相电压的代数和为0,而变压器出现异常时,会打破这种平衡。所以基于这种特性,可以分析同一时刻下三相电压之间的关系,作为分析单相电压波波动情况的影响值,将其运用于后续分析电压的波动情况的过程中,可以提高结果的准确性。
优选地,本发明一个实施例中,根据三相电压中三相平衡的性质获得待测数据中每个采样点的异常权重,包括:
首先在目标变压器的三相电压时序数据中,将每个采样点对应的三相电压时序数据的数据值的代数和的绝对值进行负相关映射并归一化后的值,作为每个采样点对应的影响因子。
然后将预设正整数与每个采样点对应的影响因子的差值进行归一化后的值,作为每个采样点的异常权重。异常权重的公式模型为:
其中,表示待测数据/>中第/>个采样点的异常权重,/>表示待测数据/>中第/>个采样点对应的三相电压的代数和,/>表示以自然常数/>为底的指数函数,/>表示归一化函数,/>表示预设正整数。
在异常权重的公式模型中,基于上述分析可知,变压器正常运行时,同一时刻下的三相电压的代数和为0,所以在本发明该实施例中,对其使用/>进行负相关映射并归一化,此时,若某时刻下变压器正常运行时,该时刻,也即该采样点对应的影响因子/>的值应为1,若某时刻下变压器出现异常时,则该时刻,也即该采样点对应的影响因子/>的值则小于1,并且距离1越远,说明异常的可能性越高,故获取预设正整数/>与影响因子的差值,并对该差值进行归一化,获得异常权重;此时,某采样点异常的可能性越大时,异常权重也越大。需要说明的是,在本发明该实施例中预设正整数/>设置为1,具体数值实施者可随意调整为其他正整数,具体数值不做限定。
至此,根据三相电压中三相平衡的性质可以获得待测数据中每个采样点的异常权重,将异常权重运用到后续的分析过程中,可以有效避免分析仅单相电压时造成的结果偏差,能够提高最终结果的准确度。
由于变压器异常,通常会导致电压的幅值发生突变,发生较大的波动,因此为了便于分析电压数据的局部特征,以获取更加精确的信息,在本发明实施例中基于预设时段对目标变压器的目标电压数据,也即对待测数据进行了划分,可以获得多个电压数据段。通过对电压数据段中数据值的波动情况进行分析,并且结合上述过程中获得的异常权重,获得每个采样点的波动特征值。需要说明的是,预设时段可设置为2分钟,具体数值实施者可根据实施场景进行调整,在此不做限定;分段过程从待测数据的初始时刻开始,若最后一个电压数据段不够2分钟,则剩余部分作为一个电压数据段即可。
优选地,本发明一个实施例中,根据每个电压数据段中数据值的波动情况和采样点的异常权重,获得每个采样点对应的波动特征值,包括:
对待测数据进行局部分析,即在每个电压数据段中,可以通过每个采样点的数据值与当前电压数据段中其他采样点的数据值的差值,结合采样点的异常权重,获得波动特征值,用于确定每个采样点的波动情况,作为后续获得采样点异常情况的指标之一。波动特征值的公式模型为:
其中,表示待测数据/>中第/>个电压数据段中第/>个采样点对应的波动特征值,/>表示待测数据/>中第/>个电压数据段中第/>个采样点的数据值,/>表示待测数据/>中第/>个电压数据段中除第/>个采样点外的第/>个采样点的数据值,/>表示待测数据/>中第/>个电压数据段中除第/>个采样点外的第/>个采样点的异常权重,/>表示待测数据/>中第个电压数据段中的采样点总数,/>表示归一化函数。
在波动特征值的公式模型中,当一个电压数据段中某个采样点的数据值与当前电压数据段中其他采样点的数据值的差异越大时,说明当前电压数据段中数据值的波动情况较大,同时与其他采样点的异常权重相乘,由于异常权重越大时,也说明异常的可能性越大,所以当二者相乘的值/>越大时,说明第/>个采样点在当前电压数据段中与其他采样点的数据值分布的波动情况越大,那么第/>个采样点对应的数据值,也就是电压值的异常的可能性就越大,最后将第/>个采样与当前电压数据段中其他所有采样点进行综合分析并求均值,获得/>,然后对其进行归一化,获得第/>个采样对应的波动特征值,此时波动特征值越大,说明该采样点异常的可能性越大。
至此,通过上述步骤可以根据待测数据中每个电压数据段中数据值的波动情况,结合采样点的异常权重,获得每个采样点对应的波动特征值,可以用于后续的分析过程中。
步骤S3:根据待测数据中所有电压数据段之间的数据值的变化情况以及异常权重的分布情况,获得每个电压数据段对应的波动权重;根据每个电压数据段中每个采样点对应的波动特征值和波动权重获得每个采样点的初始异常值。
基于上述步骤可以获得待测数据中每个采样点的波动特征值,考虑实际情况中,变压器正常情况下,电压幅值较为稳定,变压器故障会导致电压的幅值发生异变,并且变压器出现故障导致的幅值异变具有时间上的持续性;所以基于此可以分析待测数据中所有电压数据段之间的数据值的变化情况,结合采样点的异常权重,得到每个电压数据段的电压异常的持续性约束情况,作为波动权重。
优选地,本发明一个实施例中,根据待测数据中所有电压数据段之间的数据值的变化情况以及异常权重的分布情况,获得每个电压数据段对应的波动权重,包括:
首先在待测数据中,将每个电压数据段中所有采样点的数据值的均值作为电压均值,将每个电压数据段中所有采样点的异常权重的均值作为异常因子。
然后为了便于解释和说明,将待测数据中任意一个电压数据段作为目标数据段,将该目标数据段与其他每个电压数据段之间的电压均值的差异作为电压差异,将该目标数据段与其他每个电压数据段之间的异常因子的差异进行负相关映射并归一化后的值,作为影响差异。
最后根据该目标数据段与其他每个电压数据段的电压差异和影响差异获得约束值,约束值和电压差异呈正相关,并且约束值和影响差异也呈正相关;
综合待测数据中所有电压数据段的约束值,将目标数据段与其他所有电压数据段的约束值的均值进行归一化后的值,作为目标数据段的波动权重。波动权重的公式模型具体可以例如为:
其中,表示待测数据/>中第/>个电压数据段的波动权重,/>表示待测数据/>中第/>个电压数据段的电压均值,/>表示待测数据/>中除第/>个电压数据段外第/>个电压数据段的电压均值,/>表示待测数据/>中第/>个电压数据段的异常因子,/>表示待测数据/>中除第/>个电压数据段外第/>个电压数据段的异常因子,/>表示待测数据/>中的电压数据段总数,/>表示以自然常数/>为底的指数函数,/>表示归一化函数。
在波动权重的公式模型中,首先在待测数据中,获取目标数据段与其他每个电压数据段之间的电压均值差异,将该差异作为电压差异,电压差异越大,说明目标数据段与其他电压数据段的振幅变化的差异程度越大,可以表征出目标数据段的异常程度越高;但是考虑变压器异常具有持续性,因此分析不同电压数据段中的电压的异常因子的差异,当目标数据段与其他电压数据段的异常因子的差异/>越小时,说明在一段时间内,电压的异常权重是相似的,那么出现异常的可能性就高,反之,当/>越大时,说明在一段时间内,电压的异常权重差异较大,那么表征电压差异的增大可能是某些正常使用情况导致的,故出现异常的可能性就会降低;所以对异常因子的差异进行负相关映射并归一化,实现逻辑关系矫正,获得影响差异/>,作为电压差异的权重,此时影响差异越大,说明出现异常的可能性就越高;最后将影响差异和电压差异进行相乘,获得约束值/>;此时约束值越大,说明电压数据变化较大的情况的持续性越久,也就是异常的可能性越高;最后将目标数据段与其他所有电压数据段的约束值的均值进行归一化,获得的值作为目标数据段的波动权重,波动权重越大,异常的可能性就越高。
至此,根据待测数据中所有电压数据段之间的数据值的变化情况结合异常权重的分布情况,获得了每个电压数据段的波动权重,那么也即获得了每个采样点对应的波动权重,其中,每个采样点对应的波动权重等于其所属电压数据段的波动权重。
通过将待测数据中每个采样点的波动权重对每个采样点的波动特征值进行调整,即可获得每个采样点的初始异常值。
优选地,本发明一个实施例中,根据每个电压数据段中每个采样点对应的波动特征值和波动权重获得每个采样点的初始异常值,包括:
基于上述分析可知,波动特征值越大,说明该采样点异常的可能性越大,同时波动权重越大,异常的可能性就越高。所以在本发明实施例中,将待测数据中每个电压数据段中每个采样点对应的波动特征值和波动权重相乘,将乘积作为每个采样点的初始异常值。初始异常值的公式模型为:
其中,表示待测数据/>中第/>个采样点的初始异常值,/>表示待测数据/>中第/>个采样点的波动特征值,/>表示待测数据/>中第/>个采样点的波动权重。
至此,获得的待测数据中每个采样点的初始异常值,可以基于此继续进行后续的分析,获得准确的最终异常值。
步骤S4:根据预设范围内所有变压器的目标电压数据中数据值之间的差异以及分布情况,获得待测数据中每个采样点的异常可信度;根据待测数据中每个采样点的初始异常值和异常可信度获得每个采样点的最终异常值。
在实际情况中,由于受到恶劣天气的影响或者设备统一维护时,也会产生变压器电压突变而被误判为变压器出现故障的情况,针对这一情况,则需要对预设范围内的所有变压器的目标电压数据进行综合分析,获得目标变压器的待测数据中每个采样点的异常可信度,用于降低这种情况对变压器故障诊断的干扰。
优选地,本发明一个实施例中,根据预设范围内所有变压器的目标电压数据中数据值之间的差异以及分布情况,获得待测数据中每个采样点的异常可信度,包括:
考虑到变压器正常运行时的电压时序数据的波形为正弦波,而当变压器产生故障时,波形和幅值会发生一定的变化,因此可以首先分析每个采样点到极值点之间的距离,用于评价不同变压器的波形之间的差异。故将预设范围内所有变压器的目标电压数据中每个采样点与其距离最近的极值点之间的采样时间上的距离作为每个采样点对应的间隔距离。然后将待测数据与其他每个变压器的目标电压数据中同一时刻的采样点对应的间隔距离的差异进行负相关映射并归一化后的值,作为间隔相似值。极值点的获取方法可以为:对目标电压数据,也即电压时序数据进行拟合,即可根据拟合曲线确定极值点。
然后,由于天气影响或统一维修时,针对的是同一区域,所以区域内所有变压器都会受到影响,那么同一区域内的变压器的电压之间的差异会较小,而某个变压器发生故障时,同一区域内的变压器的电压之间的差异会较大,所以分析预设范围内所有变压器之间的电压差异。将待测数据与预设范围内其他每个变压器的目标电压数据中同一时刻的采样点的数据值的差异,作为幅值差异。
最后将待测数据与其他每个变压器的目标电压数据中同一时刻的采样点对应的间隔相似值与幅值差异相乘,获得待测数据中每个采样点的可信度因子。将待测数据中每个采样点的所有可信度因子的均值进行归一化后的值,作为待测数据中每个采样点的异常可信度。异常可信度的公式模型具体可以例如为:
其中,表示待测数据/>中第/>个采样点的异常可信度,/>表示目标变压器/>的待测数据/>中第/>个采样点处的数据值,/>表示预设范围内除目标变压器/>外的第/>个变压器的目标电压数据/>中第/>个采样点处的数据值,/>表示目标变压器/>的待测数据/>中第/>个采样点对应的间隔距离,/>表示预设范围内除目标变压器/>外的第/>个变压器的目标电压数据/>中第/>个采样点对应的间隔距离,/>表示预设范围内变压器的总数,/>表示以自然常数/>为底的指数函数,/>表示归一化函数。
在异常可信度的公式模型中,当待测数据中某一采样点的数据值与其他每个变压器的目标电压数据中同一时刻的采样点之间的幅值差异越大时,那么则可以说明待测数据所属的目标变压器出现异常的可能性越高;同时当两个变压器的目标电压数据中同一时刻的采样点对应的间隔距离的差异/>越小时,可以在一定程度上反映出该时刻的采样点在电压波形中的位置越接近,那么幅值差异/>的可信度就越高,所以对/>进行负相关映射并归一化,实现逻辑关系矫正,获得间隔相似值/>,此时当幅值差异越大,间隔相似值也越大时,二者相乘获得的可信度因子也就越大,说明目标变压器的待测数据中该时刻下的数据值的异常可能性越高,最后将待测数据中每个采样点的所有可信度因子的均值进行归一化,获得待测数据中每个采样点的异常可信度。
至此,通过分析预设范围内所有变压器的目标电压数据的数据值之间的差异以及分布情况,获得了待测数据中每个采样点的异常可信度,可用于调整每个采样点的初始异常值。
优选地,本发明一个实施例中,根据待测数据中每个采样点的初始异常值和异常可信度获得每个采样点的最终异常值,包括:
在所述待测数据中,基于每个采样点对应的异常可信度对每个采样点的初始异常值进行调整,即根据每个采样点的初始异常值和异常可信度获得每个采样点的最终异常值,并且最终异常值和初始异常值呈正相关,并且最终异常值和异常可信度也呈正相关。最终异常值的公式模型具体可以例如为:
其中,表示待测数据/>中第/>个采样点的最终异常值,/>表示待测数据/>中第/>个采样点的初始异常值,/>表示待测数据/>中第/>个采样点的异常可信度。
在最终异常值的公式模型中,基于上述分析可知,采样点的异常可信度的值越大,说明采样点的异常可能性越高,所以将采样点的异常可信度和初始异常值相乘,即可获得调整后的最终异常值,此时最终异常值更能代表采样点的异常情况。需要说明的是,在本发明其他实施例中,也可将采样点的异常可信度和初始异常值相加,获得最终异常值。
至此,获得了待测数据中每个采样点的最终异常值,由于最终异常值综合了电压的波动情况、三相电压中三相平衡的性质以及预设范围内所有电压之间的差异情况,因此最终异常值更具代表性,也更加的准确可靠;故基于最终异常值进行后续的过程也会有效提高结果的准确度。
步骤S5:在待测数据中,根据每个采样点的最终异常值调整预设K值,获得每个采样点的自适应K值;根据所有采样点的自适应K值对采样点进行异常检测,判断目标变压器是否出现故障。
基于上述步骤可以获得待测数据中每个采样点对应的最终异常值,在本发明实施例中,需要对待测数据中的采样点进行异常检测,用于判断目标变压器是否故障,选择使用局部离群因子算法(Local Outlier Factor,LOF)对待测数据中的采样点进行检测,但是由于固定的K值无法准确反映数据的分布情况,导致检测结果不够准确,所以可以根据最终异常值对每个采样点的第K距离邻域进行调整,也即调整每个采样点的预设K值,由此获得每个采样点的自适应K值。
优选地,本发明一个实施例中,在待测数据中,根据每个采样点的最终异常值调整预设K值,获得每个采样点的自适应K值,包括:
获取每个采样点的自适应K值,可以更好的衡量该采样点在局部邻域内的异常程度,并且对于越可能异常的采样点,降低K值可以减小对其K个最近邻居数据点的影响,K值越小,越可以拉大离群点和正常点之间的差异,从而能够更有效的识别出真实的异常点,从而更准确的反映出异常情况。所以将每个采样点的最终异常值进行归一化并负相关映射后的值,作为调整系数,然后将调整系数与预设K值相乘后并向上取整,获得每个采样点的自适应K值。自适应K值的公式模型具体可以例如为:
其中,表示待测数据/>中第/>个采样点的自适应K值,/>表示预设K值,/>表示待测数据/>中第/>个采样点的最终异常值,/>表示向上取整函数。
在自适应K值的公式模型中,对于越可能异常的采样点,越需要通过降低其K值来减小对K个最近邻居数据点的影响,便于减小其对整体数据的影响,拉大离群点和正常点之间的差异,可以更加准确的检测出异常点;由于采样点的最终异常值越大,说明越异常,所以在本发明该实施例中对最终异常值进行负相关映射,用于实现逻辑关系矫正获得调整系数,此时,越可能异常的采样点,调整系数越小;然后将调整系数与预设K值相乘后向上取整,获得每个采样点的自适应K值。需要说明的是,在本发明该实施例中,预设K值取值为8,具体数值实施者可根据实施场景进行调整,在此不做限定。
至此,获得了待测数据中每个采样点的自适应K值,可以更准确的衡量数据的异常程度,便于后续获得更加准确的检测结果。
基于待测数据中每个采样点的自适应K值,可对采样点进行异常检测,根据检测结果判断目标变压器是否出现故障。
优选地,本发明一个实施例中,根据所有采样点的自适应K值对采样点进行异常检测,判断目标变压器是否出现故障,包括:
基于LOF算法根据待测数据中所有采样点的自适应K值对采样点进行异常检测,可以获得每个采样点的局部异常因子,可以根据局部异常因子来判断采样点对应的时刻,变压器是否存在故障。
具体判断方法为:将待测数据中每个采样点的局部异常因子与预设异常阈值进行比较,若采样点的局部异常因子大于预设异常阈值,那么该采样点即为异常点,在异常点对应的时刻,目标变压器存在故障;若采样点的局部异常因子小于或等于预设异常阈值,那么该采样点即为正常点,在正常点对应的时刻,目标变压器正常工作。需要说明的是,LOF算法为本领域技术人员熟知的技术手段,在此不做赘述;在本发明该实施例中预设异常阈值设置为1,具体数值实施者可根据实施场景进行调整,在此不做限定。
基于上述过程,可以对预设范围内每个变压器都进行故障诊断。
本实施例还提供了一种变压器故障智能诊断系统,该系统包括存储器、处理器和计算机程序,其中存储器用于存储相应的计算机程序,处理器用于运行相应的计算机程序,计算机程序在处理器上运行时能够实现任意一项一种变压器故障智能诊断方法的步骤。
综上所述,本发明实施例首先获取预设范围内所有变压器的三相电压时序数据,由于仅对单相电压进行分析会存在一定偏差,故通过三相电压中三相平衡的性质获得异常权重,由此在分析单相电压时,能够消除偏差;由于变压器异常时,电压数据会存在较大波动,故对单项电压数据进行局部分析,划分电压数据段,然后根据数据段中电压数据值的波动情况,结合异常权重,获得每个采样点的波动特征值;然后基于电压数据段之间的数据分布情况,结合异常权重,获得每个电压数据段对应的波动权重,那么也就得到了每个采样点对应的波动权重;所以可将每个采样点的波动特征值与波动权重相合,获得能够表征采样点异常程度的初始异常值;进一步地,考虑到实际情况中,天气影响或设备维护也会导致电压发生突变,因此为了消除该影响,通过对预设范围内所有变压器的同相电压数据的数据值的差异以及分布情况进行分析,获得每个采样点的初始异常值的异常可信度,最后用异常可信度调整初始异常值,即可获得准确的最终异常值;最后基于最终异常值调整预设K值获得自适应K值,然后再对采样点进行异常检测,由自适应K值获得的检测结果会更贴合数据的分布情况,因此也可以获得更加准确的异常检测结果,故提高了变压器故障诊断的准确度。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种变压器故障智能诊断方法,其特征在于,所述方法包括:
获取预设范围内所有变压器的三相电压时序数据,并将任意一相电压时序数据作为目标电压数据,将任意一个变压器作为目标变压器,将目标变压器的目标电压数据作为待测数据;
根据三相电压中三相平衡的性质获得待测数据中每个采样点的异常权重;基于预设时段对所述待测数据进行划分,获得电压数据段;根据每个所述电压数据段中数据值的波动情况和采样点的异常权重,获得每个采样点对应的波动特征值;
根据待测数据中所有电压数据段之间的数据值的变化情况以及异常权重的分布情况,获得每个电压数据段对应的波动权重;根据每个所述电压数据段中每个采样点对应的波动特征值和所述波动权重获得每个采样点的初始异常值;
根据所述预设范围内所有变压器的目标电压数据中数据值之间的差异以及分布情况,获得所述待测数据中每个采样点的异常可信度;根据待测数据中每个采样点的初始异常值和异常可信度获得每个采样点的最终异常值;
在所述待测数据中,根据每个采样点的最终异常值调整预设K值,获得每个采样点的自适应K值;根据所有采样点的所述自适应K值对采样点进行异常检测,判断目标变压器是否出现故障。
2.根据权利要求1所述的一种变压器故障智能诊断方法,其特征在于,所述异常权重的公式模型为:
;其中,/>表示待测数据/>中第/>个采样点的异常权重,/>表示待测数据/>中第/>个采样点对应的三相电压的代数和,/>表示以自然常数/>为底的指数函数,/>表示归一化函数,/>表示预设正整数。
3.根据权利要求1所述的一种变压器故障智能诊断方法,其特征在于,所述波动特征值的公式模型为:
;其中,/>表示待测数据/>中第/>个电压数据段中第/>个采样点对应的波动特征值,/>表示待测数据/>中第/>个电压数据段中第/>个采样点的数据值,/>表示待测数据/>中第/>个电压数据段中除第/>个采样点外的第/>个采样点的数据值,/>表示待测数据/>中第/>个电压数据段中除第/>个采样点外的第/>个采样点的异常权重,/>表示待测数据/>中第/>个电压数据段中的采样点总数,/>表示归一化函数。
4.根据权利要求1所述的一种变压器故障智能诊断方法,其特征在于,所述根据待测数据中所有电压数据段之间的数据值的变化情况以及异常权重的分布情况,获得每个电压数据段对应的波动权重,包括:
在所述待测数据中,将每个电压数据段中所有采样点的数据值的均值作为电压均值,将每个电压数据段中所有采样点的异常权重的均值作为异常因子;
将所述待测数据中任意一个电压数据段作为目标数据段,将所述目标数据段与其他每个电压数据段之间的电压均值的差异作为电压差异,将所述目标数据段与其他每个电压数据段之间的异常因子的差异进行负相关映射并归一化后的值,作为影响差异;根据所述目标数据段与其他每个电压数据段的电压差异和影响差异获得约束值,所述电压差异以及影响差异均与所述约束值呈正相关;
将所述目标数据段与其他所有电压数据段的约束值的均值进行归一化后的值,作为目标数据段的所述波动权重。
5.根据权利要求1所述的一种变压器故障智能诊断方法,其特征在于,所述根据每个所述电压数据段中每个采样点对应的波动特征值和所述波动权重获得每个采样点的初始异常值,包括:
将每个所述电压数据段中每个采样点对应的波动特征值和波动权重的乘积作为每个采样点的初始异常值。
6.根据权利要求1所述的一种变压器故障智能诊断方法,其特征在于,所述根据所述预设范围内所有变压器的目标电压数据中数据值之间的差异以及分布情况,获得所述待测数据中每个采样点的异常可信度,包括:
将所述预设范围内所有变压器的目标电压数据中每个采样点与其距离最近的极值点之间的距离作为每个采样点对应的间隔距离;
将所述待测数据与其他每个变压器的目标电压数据中同一时刻的采样点对应的间隔距离的差异进行负相关映射并归一化后的值,作为间隔相似值;将所述待测数据与其他每个变压器的目标电压数据中同一时刻的采样点的数据值的差异,作为幅值差异;
将所述待测数据与其他每个变压器的目标电压数据中同一时刻的采样点对应的间隔相似值与幅值差异相乘,获得待测数据中每个采样点的可信度因子;
将所述待测数据中每个采样点的所有可信度因子的均值进行归一化后的值,作为待测数据中每个采样点的异常可信度。
7.根据权利要求1所述的一种变压器故障智能诊断方法,其特征在于,所述根据待测数据中每个采样点的初始异常值和异常可信度获得每个采样点的最终异常值,包括:
在所述待测数据中,根据每个采样点的初始异常值和异常可信度获得每个采样点的最终异常值,所述初始异常值和所述异常可信度均与所述最终异常值呈正相关。
8.根据权利要求1所述的一种变压器故障智能诊断方法,其特征在于,所述在所述待测数据中,根据每个采样点的最终异常值调整预设K值,获得每个采样点的自适应K值,包括:
将每个采样点的最终异常值进行归一化并负相关映射后的值,作为调整系数,将所述调整系数与预设K值相乘后并向上取整,获得每个采样点的自适应K值。
9.根据权利要求1所述的一种变压器故障智能诊断方法,其特征在于,所述根据所有采样点的所述自适应K值对采样点进行异常检测,判断目标变压器是否出现故障,包括:
基于LOF算法根据待测数据中所有采样点的所述自适应K值对采样点进行异常检测,获得每个采样点的局部异常因子;
将局部异常因子大于预设异常阈值的采样点作为异常点,在异常点对应的时刻,目标变压器存在故障;
将局部异常因子小于或等于预设异常阈值的采样点作为正常点,在正常点对应的时刻,目标变压器正常工作。
10.一种变压器故障智能诊断系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~9任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311658709.6A CN117349781B (zh) | 2023-12-06 | 2023-12-06 | 一种变压器故障智能诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311658709.6A CN117349781B (zh) | 2023-12-06 | 2023-12-06 | 一种变压器故障智能诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117349781A true CN117349781A (zh) | 2024-01-05 |
CN117349781B CN117349781B (zh) | 2024-03-22 |
Family
ID=89367170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311658709.6A Active CN117349781B (zh) | 2023-12-06 | 2023-12-06 | 一种变压器故障智能诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117349781B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117805542A (zh) * | 2024-03-01 | 2024-04-02 | 张家港市升恒机械设备制造有限公司 | 一种矿用隔爆本质安全型变频器运行监控系统 |
CN117894491A (zh) * | 2024-03-15 | 2024-04-16 | 济南宝林信息技术有限公司 | 一种用于评估精神活动的生理监测数据处理方法 |
CN117991172A (zh) * | 2024-04-03 | 2024-05-07 | 山东德源电力科技股份有限公司 | 一种具有故障识别功能的电压互感器 |
CN118013636A (zh) * | 2024-04-07 | 2024-05-10 | 资阳建工建筑有限公司 | 一种砌体结构抗压性能检测设备及检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119493A (zh) * | 2019-04-09 | 2019-08-13 | 浙江大学 | 一种基于压缩pmu数据和局部离群因子的电力系统事件感知方法 |
CN111259317A (zh) * | 2020-05-06 | 2020-06-09 | 广东电网有限责任公司佛山供电局 | 一种基于熵值法的配电变压器运行动态评估方法 |
WO2022068645A1 (zh) * | 2020-09-30 | 2022-04-07 | 深圳前海微众银行股份有限公司 | 数据库故障发现方法、装置、电子设备及存储介质 |
CN114528921A (zh) * | 2022-01-20 | 2022-05-24 | 江苏大学 | 一种基于lof算法与混合采样的变压器故障诊断方法 |
US20220196760A1 (en) * | 2020-12-18 | 2022-06-23 | Wuhan University | Transformer fault diagnosis method and system using induced ordered weighted evidence reasoning |
CN116660667A (zh) * | 2023-07-26 | 2023-08-29 | 山东金科电气股份有限公司 | 一种变压器异常监控方法及系统 |
CN116879662A (zh) * | 2023-09-06 | 2023-10-13 | 山东华尚电气有限公司 | 基于数据分析的变压器故障检测方法 |
US11809517B1 (en) * | 2022-09-21 | 2023-11-07 | Southwest Jiaotong University | Adaptive method of cleaning structural health monitoring data based on local outlier factor |
CN117129790A (zh) * | 2023-10-26 | 2023-11-28 | 山西思极科技有限公司 | 一种电力系统故障诊断系统 |
-
2023
- 2023-12-06 CN CN202311658709.6A patent/CN117349781B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119493A (zh) * | 2019-04-09 | 2019-08-13 | 浙江大学 | 一种基于压缩pmu数据和局部离群因子的电力系统事件感知方法 |
CN111259317A (zh) * | 2020-05-06 | 2020-06-09 | 广东电网有限责任公司佛山供电局 | 一种基于熵值法的配电变压器运行动态评估方法 |
WO2022068645A1 (zh) * | 2020-09-30 | 2022-04-07 | 深圳前海微众银行股份有限公司 | 数据库故障发现方法、装置、电子设备及存储介质 |
US20220196760A1 (en) * | 2020-12-18 | 2022-06-23 | Wuhan University | Transformer fault diagnosis method and system using induced ordered weighted evidence reasoning |
CN114528921A (zh) * | 2022-01-20 | 2022-05-24 | 江苏大学 | 一种基于lof算法与混合采样的变压器故障诊断方法 |
US11809517B1 (en) * | 2022-09-21 | 2023-11-07 | Southwest Jiaotong University | Adaptive method of cleaning structural health monitoring data based on local outlier factor |
CN116660667A (zh) * | 2023-07-26 | 2023-08-29 | 山东金科电气股份有限公司 | 一种变压器异常监控方法及系统 |
CN116879662A (zh) * | 2023-09-06 | 2023-10-13 | 山东华尚电气有限公司 | 基于数据分析的变压器故障检测方法 |
CN117129790A (zh) * | 2023-10-26 | 2023-11-28 | 山西思极科技有限公司 | 一种电力系统故障诊断系统 |
Non-Patent Citations (1)
Title |
---|
严英杰 等: "基于滑动窗口和聚类算法的变压器状态异常检测", 《高电压技术》, vol. 42, no. 12, pages 4020 - 4025 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117805542A (zh) * | 2024-03-01 | 2024-04-02 | 张家港市升恒机械设备制造有限公司 | 一种矿用隔爆本质安全型变频器运行监控系统 |
CN117805542B (zh) * | 2024-03-01 | 2024-05-14 | 张家港市升恒机械设备制造有限公司 | 一种矿用隔爆本质安全型变频器运行监控系统 |
CN117894491A (zh) * | 2024-03-15 | 2024-04-16 | 济南宝林信息技术有限公司 | 一种用于评估精神活动的生理监测数据处理方法 |
CN117991172A (zh) * | 2024-04-03 | 2024-05-07 | 山东德源电力科技股份有限公司 | 一种具有故障识别功能的电压互感器 |
CN118013636A (zh) * | 2024-04-07 | 2024-05-10 | 资阳建工建筑有限公司 | 一种砌体结构抗压性能检测设备及检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117349781B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117349781B (zh) | 一种变压器故障智能诊断方法及系统 | |
CN116879662B (zh) | 基于数据分析的变压器故障检测方法 | |
CN111766462B (zh) | 一种基于v-i轨迹的非侵入式负荷识别方法 | |
CN116865269B (zh) | 一种风电机组高谐波补偿方法及系统 | |
CN114167838B (zh) | 一种伺服系统多尺度健康评估与故障预测方法 | |
CN109359665B (zh) | 一种基于支持向量机的家电负荷识别方法及装置 | |
CN104221475A (zh) | 用于照明控制的光传感器的故障检测、定位及性能监控 | |
CN113947017A (zh) | 一种滚动轴承剩余使用寿命预测方法 | |
CN112213687B (zh) | 基于伪异常点辨识的关口电能表数据异常检测方法及系统 | |
CN111856209A (zh) | 一种输电线路故障分类方法及装置 | |
CN113358993A (zh) | 一种多电平变换器igbt的在线故障诊断方法及系统 | |
CN115081331A (zh) | 一种基于状态参数重构误差的风电机组运行状态异常检测方法 | |
CN110852906A (zh) | 一种基于高维随机矩阵进行窃电嫌疑识别的方法和系统 | |
US20160266182A1 (en) | Operation apparatus | |
KR20210129453A (ko) | 전력계통 측정 데이터의 불량 데이터 검출 장치 및 방법 | |
CN117150244A (zh) | 基于电参数分析的智能配电柜状态监测方法及系统 | |
CN117235617A (zh) | 沙尘天气下基于ml-rfknn的光伏阵列故障诊断方法 | |
CN109840386B (zh) | 基于因子分析的损伤识别方法 | |
CN115683319A (zh) | 一种电力变压器绕组状态评估方法 | |
CN112269196B (zh) | 一种基于时频特征的铷钟异常诊断方法 | |
CN114609483A (zh) | 一种基于Hilbert变换的GIS局部放电信号特征提取方法 | |
CN113514776A (zh) | 一种异步电机的匝间短路故障诊断方法、装置、设备 | |
CN117420346B (zh) | 一种电路保护板过流值检测方法及系统 | |
CN114324974B (zh) | 一种单星辐射源无源监测目标运动属性判别方法 | |
CN117889965B (zh) | 一种中短波双色红外探测器的性能测试方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |