CN117473289B - 基于储备池计算的小样本变压器局部放电模式识别方法 - Google Patents
基于储备池计算的小样本变压器局部放电模式识别方法 Download PDFInfo
- Publication number
- CN117473289B CN117473289B CN202310542406.1A CN202310542406A CN117473289B CN 117473289 B CN117473289 B CN 117473289B CN 202310542406 A CN202310542406 A CN 202310542406A CN 117473289 B CN117473289 B CN 117473289B
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- small sample
- calculation
- hilbert
- feature vector
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 14
- 239000013598 vector Substances 0.000 claims abstract description 26
- 238000001228 spectrum Methods 0.000 claims abstract description 12
- 238000012567 pattern recognition method Methods 0.000 claims abstract description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 239000000654 additive Substances 0.000 claims 1
- 230000000996 additive effect Effects 0.000 claims 1
- 230000010354 integration Effects 0.000 claims 1
- 238000012549 training Methods 0.000 abstract description 7
- 238000003909 pattern recognition Methods 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 5
- 239000011159 matrix material Substances 0.000 abstract description 4
- 230000003068 static effect Effects 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 3
- 238000009413 insulation Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—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
-
- 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
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/245—Classification techniques relating to the decision surface
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)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
针对变压器局部放电信号数据量较少的现实问题，本发明设计了基于储备池计算的小样本变压器局部放电模式识别方法，将下一代储备池计算(Next Generation Reservoir Computing，储备池计算)运用到了静态的局部放电模式识别当中。首先，提取局部放电信号VMD‑Hilbert边际谱图像的图像Hu矩特征作为特征向量的线性部分；其次，利用低阶多项式构造出特征向量的非线性部分；最后，训练得到输出权重矩阵的参数，并对测试集进行分类性能比较。本发明的方法没有复杂的神经网络结构，其所需要设置的参数较少，结构简单，对学习率不敏感，适合于小样本的数据集，而且，其只需要非常小的运算量即可得到较理想的分类效果。
Description
技术领域
本发明涉及一种针对小样本变压器局部放电模式识别方法，特别涉及一种应用于静态模式识别的储备池计算算法，属于电力设备故障诊断技术领域。
背景技术
局部放电是由于局部电场大于该部分的介电耐受能力而引起的部分绝缘系统的闪络，其中整个绝缘系统仍然能够承受所施加的电场。局部放电的持续时间通常比较短，电流脉冲的能量较低，但会对绝缘产生负面的影响，并最终导致灾难性故障。在工程实际当中，对于高压和中压的变压器设备，85％的破坏性故障与局部放电的活动有关。局部放电的模式识别是指对监测到的局放信号进行类型的确定。这有利于及时掌握可能出现的故障，并为检修提供相应的参考，一般而言，提前预防越早，维护或干预的成本越低，能够取得很好的经济效益。
虽然对变压器局部放电的模式识别已有过很多研究，但变压器的类型不同，运行的环境更是复杂多样，再加上局部放电本身的复杂性，使得变压器的局部放电模式识别依然是一个难题。
目前，深度网络常常被用于模式识别的研究当中，例如卷积神经网络，但是卷积神经网络主要是用来处理图片数据的，深度网络普遍存在的问题是参数调整困难，训练模型所需要的数据量巨大，同时运算量大，网络效率低下。张聪聪等人采用VGG-16卷积模型对GIS局部放电缺陷进行模式分类，采用迁移学习对模型的参数进行初始化，但是VGG-16的模型结构是非常复杂的，模型的可解释性差，其有几万个神经元，几亿个连接，上千万的参数，要想训练好这一个模型，所需要的样本量是巨大的，而由于变压器的特殊性，目前对于变压器局部放电的数据是难以获取的，有标签的数据更是弥足珍贵。数据量过少，其直接影响就是容易过拟合，模型的泛化性能差，即使可以通过正则化等方法进行一定程度的改进，但是又引入了新的参数，进一步将问题变得更为复杂。虽然卷积网络能够自动地提取特征，但是仍然需要人为地设置卷积核的大小和步长，而且对于图像特征的提取主要在于数值信息，对图像的位置信息表达不足，同时，对于卷积层和池化层参数的调整也是一个问题。
储备池计算解决了传统递归神经网络存在的训练困难的问题，对于储备池部分的权值，一经产生便不再改变，网络的训练只需要求解一个线性回归问题即可，而且其应用领域得到了扩展。
Gauthier等人提出了下一代储备池计算的概念，其证明了非线性自回归与储层计算的等价性，通过一个非常低阶的多项式替代了原来的水库部分，即取消了原网络中的神经元，使得储备池计算的运算量大为减少，其只需要优化一个线性层的权重即可得到与深层网络相同的表现性能。其不需要大量的参数调优，而且它所需要非常小的训练数据集，使用线性优化，所需要的计算资源也是非常小的，重要的是，它具有很好的可解释性。
本发明方法将储备池计算进行了改进，使其可以应用于静态的局部放电模式识别当中，储备池计算算法没有复杂的神经网络结构，其所需要设置的参数较少，结构简单，对学习率不敏感，适合于小样本的数据集，而且，其只需要非常小的运算量即可得到较理想的分类效果。
发明内容
本发明要解决的技术问题是提供基于储备池计算的小样本变压器局部放电模式识别方法。
为解决上述不足，本发明采用的技术路线是：
基于储备池计算的小样本变压器局部放电模式识别方法，包括以下步骤：
S110：ICEEMDAN分解：使用ICEEMDAN对利用脉冲电流法采集到的局部放电信号进行模态分解，得到n个子模态分量；
S120：提取局部放电信号ICEEMDAN-Hilbert边际谱图像的图像Hu矩特征作为特征向量的线性部分；
S130：利用低阶多项式构造出特征向量的非线性部分；
S140：利用带L2正则化的Softmax回归，训练得到输出权重矩阵的参数。
采用上述技术方案所取得的技术效果在于：
1、本发明提出了基于Hu矩的变压器局部放电类型特征提取方法，可用于对。该模型在测试阶段，将学习的记忆固定下来，从选取的几条正常数据的记忆记录中获得重构。因此，重建将趋向于接近正常样本。从而加强了对异常的重构误差的检测。这在一定程度上解决了自编码对异常区域有时也重构地很好的问题。
2、本发明利用Hu矩提取到的局部放电特征向量构造新的特征向量，新的特征向量由线性部分与非线性部分两部分构成；
3、本发明利用低阶多项式构造出特征向量的非线性部分，并与线性部分进行结合，构造完整的局部放电特征向量，并使用Softmax层进行分类；
附图说明
图1为本发明的总体流程图；
图2为储备池计算的示意图；
图3为非线性特征的构造；
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
本发明提供了一种面向开放环境的变压器局部放电模式识别方法，包括以下步骤：
步骤S110：ICEEMDAN分解：使用ICEEMDAN算法分解局部放电信号；
ICEEMDAN是对CEEMDAN的改进，区别在于在提取第k层的模态分量时，ICEEMDAN加入的噪声是被EMD分解高斯白噪声后所得到的第k层IMF分量。其不仅能够大大降低各模态分量当中的剩余噪声问题，而且解决了CEEMDAN的均值问题。
定义x为待分解信号，Ek(·)表示由EMD分解产生的k阶模态分量，N(·)表示产生信号的局部均值，w(i)代表i组高斯白噪声。
首先，构造一个局放信号序列，表达式如下
x(i)＝x+ε0E(w(i))
其中，ε0表示高斯噪声的权值系数。
从而，计算得到第一个模态分量，表达式如下：
d1＝x-N(xi)
继续添加白噪声，第k个模态分量的表达式：
dk＝Rk-1-N(Rk-1+εk-1E(w(i)))
直到计算分解结束，得到所有的模态与残差量。
S120：利用Hu矩提取边际谱图像的特征；
下面是利用Hu矩提取边际谱图像的特征的具体步骤：
图像矩特征能够很好的用来描述整个图像，常被用来进行图像的特征提取，图像不变矩是高度浓缩的图像特征，具有平移、灰度、尺度、旋转不变性，常用的矩特征有Hu不变矩和Zernike矩，本文选用Hu矩，即提取每个样本的VMD-Hilbert边际谱的七个不变矩作为样本的特征。
对于一幅M*N大小的图像f(i，j)，其p+q阶几何阶mpq和中心矩upq的表达式为：
式中，f(i，j)为图像在坐标点(i，j)处的灰度值，m00零阶矩可以看作是图像的灰度质量，一阶矩可以看作物体的质心，二阶矩表示物体的旋转半径，三阶矩用来形容物体的方向。(m10/m00，m01/m00)为图像的质心坐标，中心矩反映的是图像灰度相对于其灰度质心的分布情况。
为消除尺度变化对于中心矩的影响，进行归一化处理：
从而，可以推导出7个Hu不变矩的表达式：
Φ1＝η20+η02
Φ3＝(η20-3η12)2+3(η21-η03)2
Φ4＝(η30+η12)2+(η21+η03)2
Φ5＝(η30+3η12)(η30+η12)[(η30+η12)2-3(η12+η03)2]+(3η21-η03)(η12+η03)×[3(η30+η12)2-(η21+η03)2]
Φ6＝(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)
Φ7＝(3η21-η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]+(3η21-η03)(η21+η03)×[3(η30+η12)2-(η21+η03)2]
S130：构造特征向量的非线性部分：利用低阶多项式对提取到的边际谱图像的Hu矩特征进行构造，如图2所示；
储备池计算不需要神经网络，直接从离散样本输入数据创建特征向量，特征向量主要分为线性与非线性两个部分，其表达式为：
其中表示向量的连接操作，c表示的是常数，取为常数1，Φlin表示特征向量的线性部分，Φnonlin表示非线性部分。
对于第i步时间序列的线性特征Φlin，i，它是由当前的特征和k-1步前的特征组成的，这两者之间的时间间隔用s表示，s-1表示连续观测之间跳过的步数，若当前的特征表示为一个d维的向量：
Xi＝[x1，i，x2，i，...，xd，i]Y
不同于一般的逼近器，实践表明，小的k值也可以在预测任务中提供良好的性能。对于储备池计算的一个重要方面，它的预热期只包含(s*k)时间步长就可以为要处理的第一个点创建特征向量，相比于传统的储备池计算，这大大缩短了预热时间。例如图2所示的例子，s＝1，k＝2的情况，只需要两个预热数据点即可。
不同于一般的逼近器，实践表明，小的k值也可以在预测任务中提供良好的性能。对于储备池计算的一个重要方面，它的预热期只包含(s*k)时间步长就可以为要处理的第一个点创建特征向量，相比于传统的储备池计算，这大大缩短了预热时间。例如图2所示的例子，s＝1，k＝2的情况，只需要两个预热数据点即可。
特征向量的非线性部分是线性部分的非线性函数，在选择非线性泛函方面有很大的灵活性，其中，利用低阶多项式足以获得很好的预测性能。储备池计算中二阶多项式特征向量由中(d*k)(d*k+1)/2个独一无二的单项组成，即由外积张量的上三角元素给出，符号/>表示两个向量的张量积，/>是一个对称矩阵，有(d*k)2个元素。
定义为收集向量中唯一单项式的运算符。对于p阶多项式的特征向量，其表达式如下：
式中，Φlin出现p次，储备池计算的输出层与储备池计算相同，表示为特征向量的线性变换，其表达式为：
Yi+1＝WoutΦtotal，i+1
其中，Wout为输出权重矩阵，Yi+1为输出向量。
S140：带L2正则化的Softmax回归。
为解决多分类的问题，本文选用Softmax分类器，对于标签数据采用one-hot编码，目的是寻找到Wout的最佳参数，也可以用θ表示，损失函数的表达式如下：
其中，y为目标的输出，加入L2正则化后，损失函数的表达式为
对其求导，得到：
本发明方法利用随机梯度下降算法(SGD)来更新参数θ。
Claims (3)
1.基于储备池计算的小样本变压器局部放电模式识别方法，其特征在于：
包括以下步骤：
步骤S110：ICEEMDAN分解：使用ICEEMDAN算法分解采集到的局部放电信号，得到n个模态分量；对所述n个模态分量分别采用Hilbert变换，得到n个Hilbert谱；对所述n个Hilbert谱进行时间积分，得到各局部放电信号的Hilbert边际谱；
步骤S120：基于Hu矩的局部放电边际谱图像特征提取：
选用Hu矩，提取每个局部放电信号的Hilbert边际谱的七个不变矩作为各局部放电信号的特征；
步骤S130：利用低阶多项式构造特征向量的非线性部分，并与线性特征构造新的特征向量；其中，所述特征向量包括非线性部分和线性部分；所述非线性部分为所述线性部分的低阶多项式；所述线性部分为Hilbert边际谱的七个不变矩的特征；
步骤S140：带L2正则化的Softmax回归：
在Softmax函数的原损失函数的基础上，添加与权重系数的平方和成正比的正则项。
2.根据权利要求1所述的基于储备池计算的小样本变压器局部放电模式识别方法，其特征在于：步骤S110所采用的ICEEMDAN，附加噪声标准差与Y标准差之比为0.2，对信号的平均次数为50，最大迭代次数为100。
3.根据权利要求1所述的基于储备池计算的小样本变压器局部放电模式识别方法，其特征在于：步骤S130所构造的新的特征向量为常数1连接线性部分与非线性部分，非线性部分为二阶多项式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310542406.1A CN117473289B (zh) | 2023-05-10 | 2023-05-10 | 基于储备池计算的小样本变压器局部放电模式识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310542406.1A CN117473289B (zh) | 2023-05-10 | 2023-05-10 | 基于储备池计算的小样本变压器局部放电模式识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117473289A CN117473289A (zh) | 2024-01-30 |
| CN117473289B true CN117473289B (zh) | 2024-05-24 |
Family
ID=89629988
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310542406.1A Active CN117473289B (zh) | 2023-05-10 | 2023-05-10 | 基于储备池计算的小样本变压器局部放电模式识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117473289B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101532920A (zh) * | 2009-04-22 | 2009-09-16 | 北京工业大学 | 一种基于混沌的低速重载设备微弱信号检测方法 |
| CN109254274A (zh) * | 2018-11-23 | 2019-01-22 | 哈尔滨工程大学 | 一种基于特征融合的雷达辐射源辨识方法 |
| CN113608259A (zh) * | 2021-07-16 | 2021-11-05 | 长江大学 | 一种基于iceemdan约束广义s变换的地震薄层检测方法 |
| CN114266008A (zh) * | 2021-12-23 | 2022-04-01 | 石家庄铁道大学 | 桥梁损伤识别方法、装置及终端设备 |
| WO2023075601A1 (en) * | 2021-10-29 | 2023-05-04 | Stichting Radboud Universiteit | A method of reservoir computing and a reservoir computing system |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220041433A1 (en) * | 2020-08-04 | 2022-02-10 | Nutech Ventures | Artificial intelligence-based analog sensors and wearable devices incorporating the same |
-
2023
- 2023-05-10 CN CN202310542406.1A patent/CN117473289B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101532920A (zh) * | 2009-04-22 | 2009-09-16 | 北京工业大学 | 一种基于混沌的低速重载设备微弱信号检测方法 |
| CN109254274A (zh) * | 2018-11-23 | 2019-01-22 | 哈尔滨工程大学 | 一种基于特征融合的雷达辐射源辨识方法 |
| CN113608259A (zh) * | 2021-07-16 | 2021-11-05 | 长江大学 | 一种基于iceemdan约束广义s变换的地震薄层检测方法 |
| WO2023075601A1 (en) * | 2021-10-29 | 2023-05-04 | Stichting Radboud Universiteit | A method of reservoir computing and a reservoir computing system |
| CN114266008A (zh) * | 2021-12-23 | 2022-04-01 | 石家庄铁道大学 | 桥梁损伤识别方法、装置及终端设备 |
Non-Patent Citations (4)
| Title |
|---|
| Next generation reservoir computing;Daniel J. Gauthier 等;NATURE COMMUNICATIONS;20210921;1-8 * |
| Pattern Recognition of Partial Discharge Based on VMD-CWD Spectrum and Optimized CNN With Cross-Layer Feature Fusion;ANGRAN GAO 等;IEEE Access;20200827;第08卷;151296-151306 * |
| 基于改进变分模态分解和Hilbert变换的变压器局部放电信号特征提取及分类;朱永利 等;电工技术学报;20170531;第32卷(第09期);221-235 * |
| 基于边际谱图像和深度残差网络的 变压器局部放电模式识别;高盎然 等;电网技术;20210630;第45卷(第06期);2433-2441 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117473289A (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113496262B (zh) | 数据驱动的有源配电网异常状态感知方法及系统 | |
| CN110109015B (zh) | 一种基于深度学习的异步电动机故障监测与诊断方法 | |
| CN107066759B (zh) | 一种汽轮机转子振动故障诊断方法及装置 | |
| CN110929765B (zh) | 一种基于批次图像化的卷积自编码故障监测方法 | |
| CN114219147B (zh) | 一种基于联邦学习的配电站故障预测方法 | |
| CN108446589B (zh) | 复杂环境下基于低秩分解和辅助字典的人脸识别方法 | |
| CN110726898B (zh) | 一种配电网故障类型识别方法 | |
| CN111695611B (zh) | 一种蜂群优化核极限学习和稀疏表示机械故障识别方法 | |
| CN114355240A (zh) | 配电网接地故障诊断方法及装置 | |
| CN111626312A (zh) | 基于快速多分离字典学习的风力机轴承故障诊断方法 | |
| CN112596016A (zh) | 基于多个一维卷积神经网络集成的互感器故障诊断方法 | |
| Kong et al. | Semi-supervised classification of wafer map based on ladder network | |
| CN113221614A (zh) | 一种基于混合神经网络的电网绝缘子破损图像识别方法 | |
| CN114139639B (zh) | 一种基于自步邻域保持嵌入的故障分类方法 | |
| CN117473289B (zh) | 基于储备池计算的小样本变压器局部放电模式识别方法 | |
| CN112287862A (zh) | 基于小波卷积神经网络的故障诊断方法 | |
| CN116776245A (zh) | 一种基于机器学习的三相逆变器设备故障诊断方法 | |
| CN117148034A (zh) | 基于经验小波变换及图注意力网络的配电网故障选线方法 | |
| Saenz et al. | Dimensionality-reduction of climate data using deep autoencoders | |
| Zhou et al. | JCS: An explainable surface defects detection method for steel sheet by joint classification and segmentation | |
| CN114139577A (zh) | 基于一维卷积自编码网络的故障电弧识别方法及装置 | |
| CN114137915A (zh) | 一种工业设备的故障诊断方法 | |
| CN112051040A (zh) | 一种有载分接开关机械故障智能识别方法 | |
| CN113341890A (zh) | 面向自适应调度与无人生产线协同的智能诊断方法和系统 | |
| Gonzalez-Abreu et al. | Novelty detection on power quality disturbances monitoring |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| DD01 | Delivery of document by public notice | ||
| DD01 | Delivery of document by public notice |
Addressee: Ou Rongpan Document name: Notification of Qualified Preliminary Examination of Invention Patent Application |
|
| 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 |