CN117493961A - 一种局部放电信号分离与识别方法、装置及存储介质 - Google Patents
一种局部放电信号分离与识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN117493961A CN117493961A CN202311471211.9A CN202311471211A CN117493961A CN 117493961 A CN117493961 A CN 117493961A CN 202311471211 A CN202311471211 A CN 202311471211A CN 117493961 A CN117493961 A CN 117493961A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- discharge signal
- frequency
- pulse
- signal separation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000000926 separation method Methods 0.000 title claims abstract description 25
- 238000001228 spectrum Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000010183 spectrum analysis 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2337—Non-hierarchical techniques using fuzzy logic, i.e. fuzzy clustering
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明涉及电力系统设备检修领域,尤其是涉及一种局部放电信号分离与识别方法、装置及存储介质。该方法对预处理后的局部放电信号脉冲波形进行时频分析后,基于时频分析结果,计算k阶时间特征参量与k阶频率特征参量,并获取相应的特征图谱,其中,k≥2且为预先设置的,接着基于特征图谱,对各脉冲波形进行模糊聚类,最后基于模糊聚类的结果,区分局部放电信号类型,实现局部放电信号的分离与识别。与现有技术相比,本发明具有提高局部放电信号类型的识别率和场景适应性等优点。
Description
技术领域
本发明涉及电力系统设备检修领域,尤其是涉及一种局部放电信号分离与识别方法、装置及存储介质。
背景技术
基于特高频传感器阵列的变电站局部放电检测是对变电站整体进行检测,而站内含有众多电力设备,可能的局部放电源涉及范围广,且电磁环境复杂,因此,在强干扰的情况下实现多局部放电源的分离与识别是提高变电站局部放电整体检测效果的关键。现有技术采用的局部放电信号分离与识别方法包括对信号进行频谱分析、协同处理多个传感器接收信号以估计放电源位置等。此外,由于不同局部放电源所产生的超高频放电信号在时域与频域的特征不同,对连续采集存储的局部放电特高频电磁波脉冲波形进行时频分析也是常用方法。但是,目前的分类与识别方法仍存在识别率不高、场景适应性较差的问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的识别率不高、场景适应性较差的缺陷而提供一种局部放电信号分离与识别方法、装置及存储介质。
本发明的目的可以通过以下技术方案来实现:
根据本发明的第一方面,提供一种局部放电信号分离与识别方法,该方法包括以下步骤:
S1,对预处理后的局部放电信号脉冲波形进行时频分析;
S2,基于所述时频分析结果,计算k阶时间特征参量与k阶频率特征参量,并获取相应的特征图谱,其中,k≥2且为预先设置的;
S3,基于所述特征图谱,对各脉冲波形进行模糊聚类;
S4,基于所述模糊聚类的结果,区分局部放电信号类型,实现局部放电信号的分离与识别。
作为优选的技术方案,所述时间特征参量为等效时间长度,所述频率特征参量为等效频率宽度。
作为优选的技术方案,所述特征图谱包括T-F图谱,其中,T为等效时间长度,F为等效频率宽度。
作为优选的技术方案,所述S4具体包括,基于所述模糊聚类的结果,生成每一类放电信号的原始PRPD图谱,并与已知放电类型的PRPD图谱对比,进而判断放电信号类型。
作为优选的技术方案,所述原始PRPD图谱的生成过程包括,获取每个脉冲产生时相对于工频信号的相位及幅值,以脉冲发生时的相位值为横轴、脉冲幅值为纵轴形成图谱。
作为优选的技术方案,所述与已知放电类型的PRPD图谱对比的过程包括,观测相应的统计特征,所述统计特征的基本参数包括放点量、放电次数和放电所在相位。
作为优选的技术方案,所述模糊聚类的初始聚类中心通过距离最大测度方法确定。
作为优选的技术方案,所述距离最大测度方法包括,计算重新排序前后相应的放电信号脉冲样本点之间的距离,选取最大距离及相应的特征点,将所述初始聚类中心修改为放电脉冲特征点与相应最大距离特征点的平均值。
根据本法发明的第二方面,提供一种局部放电信号分离与识别装置,包括存储器、处理器,以及存储于所述存储器中的程序,所述处理器执行所述程序时实现所述的方法。
根据本法发明的第三方面,提供一种存储介质,其上存储有程序,所述程序被执行时实现所述的方法。
与现有技术相比,本发明具有以下有益效果:
1、本发明采用基于高阶统计量k的时间特征参量和频率特征参量进行特高频局部放电信号多源分离与识别,k值越大,运算分析时间越长,分类准确性越高,相比于传统的一阶计算,能够有效提高局部放电信号类型的识别率和准确性;
2、本发明采用的高级统计量k是预先设置的,能够根据实际情况灵活调整k值大小,当变电站内局部放电频次较高时,可人工降低k值,以提高系统运算速度;当需要提高放电类型识别率时,适当增加k值,以满足实际应用中多变的电磁环境,提高局部放电信号分类识别方法的场景适应性。
附图说明
图1为本发明的方法流程示意图;
图2为本发明实施例中的局部放电T-F图谱。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例1
如图1所示,本实施例提供了一种局部放电信号分离与识别方法。该方法对特高频脉冲信号的波形进行时频分析后,利用高阶时频参量进行模糊聚类,能够兼顾信号处理速度与识别率,根据变电站内的实际情形有效实现局部放电信号与干扰信号的多源分离与识别。该方法的具体实施流程如下:
实施步骤S1,对预处理后的放电信号脉冲波形进行时频分析。具体而言,预处理的目的在于增强信号质量,获取更清晰的脉冲波形以便分析,对采集的特高频放电信号原始数据进行预处理后,对其中的每个脉冲信号进行等效时频分析,计算等效时间长度T和等效频率宽度F。等效时频分析的过程如下:
假设信号s(t)采集的样本数为K,s(ti)为ti时刻的采样值,则归一化处理表示为:
归一化后局部放电脉冲信号表达式为:
归一化后信号的重心t0表达式为:
在此基础上,分别定义局部放电脉冲信号的等效时间长度T和等效频率宽度F为时间特征参量和频率特征参量,即
其中,是/>的快速离散傅里叶变换。
为便于分析,对采集到的局部放电脉冲序列做如下处理:
式(6)中,j表示第j个脉冲;ai为第i个点的时域波形值,n表示脉冲由n个点组成;Δt为采样时间间隔;Δt(i-1)为第i个点对应的时间;pj(ti)为对应某一放电脉冲的第i个点的ai值。
对式(6)做离散傅里叶变换可得:
式(7)中,Ai为第i个点的频谱幅值;Δf(i-1)为第i个点的频率值;Pj(fi)为对应某一放电脉冲的第i个点的Ai值。
通过式(8)可求取信号的时间重心和频率重心/>
实施步骤S2,基于时频分析结果,根据式(9)计算k阶时间特征参量与k阶频率特征参量,并在此基础上对局部放电脉冲信号进行分类,以区分噪声、干扰和多源局部放电信号。维数越高计算量越大,在兼顾识别率及计算量的前提下,可以将k预先设置为3。
在式(9)中,k=2,3,…(k≥2)。通过对k取不同的值可以得到样本脉冲的特征序列。将单个局部放电脉冲信号按照式(1)~式(5)进行处理后,得到一组等效时间长度T和等效频率宽度F。当具有多组T-F向量后,投影到T-F构成的二维平面上,即可形成该局放脉冲的特征T-F图谱,如图2所示。
实施步骤S3,根据得到的特征T-F图谱,对各脉冲波形进行模糊聚类。传统的模糊C均值聚类(FCM)方法实现简单,但是存在一定局限性,如核函数参数δ以及初始聚类中心的设定,如果选择不当会陷入局部最优解,增加计算量。因此,在提取局部放电脉冲时间序列的时频特征基础上,本实施例采用改进的模糊聚类算法,即对初始聚类中心通过距离最大测度方法确定,以提高收敛速度和避免盲目性。具体步骤如下:
(1)假设局部放电的数据集X={x1,x2,...,xq},q表示局部放电脉冲序列样本数,其中xr(r=1,2,...,q)表示放电脉冲特征点。将特征点X分为c类,其中1<c<q,定义聚类中心为mr,将mr按照升序方式排列;
(2)重新排列向量X,记为X′={x′1,x′2,...,x′q},分为c类;
(3)计算各局部放电样本点之间的距离,在各组中选择距离最大者,假设第w类的最大距离为则第w类初始聚类中心修改为xr和距离最大者相应的特征点xr′的平均值,记为Mw。
基于步骤S1至步骤S3,特高频放电脉冲波形的数据已完成预处理,且从原始脉冲峰值-时间序列转换为T-F图谱,并通过模糊聚类实现放电类型的初步分类,可以对放电类型数量进行初步判断。
实施步骤S4,基于模糊聚类的分类结果,区分放电信号类型,实现局部放电信号的分离与识别。具体地,根据T-F图谱下的聚类结果,将每一类放电信号的原始数据提取,生成每一类放电信号的原始PRPD图谱,并与已知的典型局部放电缺陷的PRPD图谱进行对比,进而判断放电信号类型、排除干扰噪声。原始PRPD图谱的生成过程包括,获取每个脉冲产生时相对于工频信号的相位及幅值,以脉冲发生时的相位值为横轴、脉冲幅值为纵轴形成图谱。其中,放电量、放电次数和放电所在相位是局部放电的3个基本参数,将多个周期内的单次放电脉冲折算到一个工频周期内观测其统计特征,可突出放电的统计规律性,便于局部放电信号的观测与识别。
实施例2
本实施例提供一种变电站局部放电信号定位装置,包括存储器、处理器,以及存储于存储器中的程序,处理器执行程序时实现实施例1中的方法。该装置处理器包括中央处理单元(CPU),其可以根据存储在只读存储器(ROM)中的计算机程序指令或者从存储单元加载到随机访问存储器(RAM)中的计算机程序指令,来执行各种适当的动作和处理。在RAM中,还可以存储设备操作所需的各种程序和数据。CPU、ROM以及RAM通过总线彼此相连。输入/输出(I/O)接口也连接至总线。设备中的多个部件连接至I/O接口,包括:输入单元,例如键盘、鼠标等;输出单元,例如各种类型的显示器、扬声器等;存储单元,例如磁盘、光盘等;以及通信单元,例如网卡、调制解调器、无线通信收发机等。通信单元允许设备通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。处理单元执行上文所描述的各个方法和处理,例如前述实施例中的步骤S1~S4。例如,在一些实施例中,步骤S1~S4可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元。在一些实施例中,计算机程序的部分或者全部可以经由ROM和/或通信单元而被载入和/或安装到设备上。当计算机程序加载到RAM并由CPU执行时,可以执行上文描述的步骤S1~S4的一个或多个步骤。备选地,在其他实施例中,CPU可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法S1~S4。以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
实施例3
本实施例提供一种存储介质,其上存储有程序,程序被执行时实现实施例1中的方法。用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。在本发明的上下文中,计算机可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备或上述内容的任何合适组合。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种局部放电信号分离与识别方法,其特征在于,包括以下步骤:
S1,对预处理后的局部放电信号脉冲波形进行时频分析;
S2,基于所述时频分析结果,计算k阶时间特征参量与k阶频率特征参量,并获取相应的特征图谱,其中,k≥2且为预先设置的;
S3,基于所述特征图谱,对各脉冲波形进行模糊聚类;
S4,基于所述模糊聚类的结果,区分局部放电信号类型,实现局部放电信号的分离与识别。
2.根据权利要求1所述的局部放电信号分离与识别方法,其特征在于,所述时间特征参量为等效时间长度,所述频率特征参量为等效频率宽度。
3.根据权利要求2所述的局部放电信号分离与识别方法,其特征在于,所述特征图谱包括T-F图谱,其中,T为等效时间长度,F为等效频率宽度。
4.根据权利要求1所述的局部放电信号分离与识别方法,其特征在于,所述S4具体包括,基于所述模糊聚类的结果,生成每一类放电信号的原始PRPD图谱,并与已知放电类型的PRPD图谱对比,进而判断放电信号类型。
5.根据权利要求4所述的局部放电信号分离与识别方法,其特征在于,所述原始PRPD图谱的生成过程包括,获取每个脉冲产生时相对于工频信号的相位及幅值,以脉冲发生时的相位值为横轴、脉冲幅值为纵轴形成图谱。
6.根据权利要求4所述的局部放电信号分离与识别方法,其特征在于,所述与已知放电类型的PRPD图谱对比的过程包括,观测相应的统计特征,所述统计特征的基本参数包括放点量、放电次数和放电所在相位。
7.根据权利要求1所述的局部放电信号分离与识别方法,其特征在于,所述模糊聚类的初始聚类中心通过距离最大测度方法确定。
8.根据权利要求7所述的局部放电信号分离与识别方法,其特征在于,所述距离最大测度方法包括,计算重新排序前后相应的放电信号脉冲样本点之间的距离,选取最大距离及相应的特征点,将所述初始聚类中心修改为放电脉冲特征点与相应最大距离特征点的平均值。
9.一种局部放电信号分离与识别装置,包括存储器、处理器,以及存储于所述存储器中的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-8中任一所述的方法。
10.一种存储介质,其上存储有程序,其特征在于,所述程序被执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311471211.9A CN117493961A (zh) | 2023-11-07 | 2023-11-07 | 一种局部放电信号分离与识别方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311471211.9A CN117493961A (zh) | 2023-11-07 | 2023-11-07 | 一种局部放电信号分离与识别方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117493961A true CN117493961A (zh) | 2024-02-02 |
Family
ID=89667050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311471211.9A Pending CN117493961A (zh) | 2023-11-07 | 2023-11-07 | 一种局部放电信号分离与识别方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117493961A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118068132A (zh) * | 2024-04-17 | 2024-05-24 | 国网山西省电力公司太原供电公司 | 一种基于时频分析的电缆异常识别方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107942214A (zh) * | 2017-12-04 | 2018-04-20 | 囯网河北省电力有限公司电力科学研究院 | 一种变压器局部放电信号的特征提取方法、装置 |
CN112763871A (zh) * | 2020-12-30 | 2021-05-07 | 珠海华网科技有限责任公司 | 一种局部放电分类识别方法 |
-
2023
- 2023-11-07 CN CN202311471211.9A patent/CN117493961A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107942214A (zh) * | 2017-12-04 | 2018-04-20 | 囯网河北省电力有限公司电力科学研究院 | 一种变压器局部放电信号的特征提取方法、装置 |
CN112763871A (zh) * | 2020-12-30 | 2021-05-07 | 珠海华网科技有限责任公司 | 一种局部放电分类识别方法 |
Non-Patent Citations (1)
Title |
---|
周雄等: "特征图谱时频信号放电识别算法研究与现场应用", 《电气技术》, no. 6, 15 June 2020 (2020-06-15), pages 63 - 68 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118068132A (zh) * | 2024-04-17 | 2024-05-24 | 国网山西省电力公司太原供电公司 | 一种基于时频分析的电缆异常识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bazan et al. | Stator short-circuit diagnosis in induction motors using mutual information and intelligent systems | |
CN109085469A (zh) | 一种用于识别电缆局部放电信号的信号类型的方法及系统 | |
CN117493961A (zh) | 一种局部放电信号分离与识别方法、装置及存储介质 | |
CN111680642B (zh) | 一种地形分类方法及装置 | |
CN111626360B (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
CN110647951A (zh) | 基于机器学习算法的无线射频设备身份识别方法及系统 | |
CN117116290B (zh) | 基于多维特征的数控机床部件缺陷定位方法和相关设备 | |
CN115128345B (zh) | 一种基于谐波监测的电网安全预警方法及系统 | |
CN111103517A (zh) | 一种真空度局部放电脉冲群分类识别方法 | |
CN117076955A (zh) | 一种高压变频器的故障检测方法及系统 | |
CN112986870A (zh) | 基于振动法的分布式电力变压器绕组状态监测方法及系统 | |
CN117708760B (zh) | 基于多模型融合的开关柜多源局放模式识别方法及系统 | |
CN115510909A (zh) | 一种dbscan进行异常声音特征的无监督算法 | |
US20220147777A1 (en) | Automatic Partial Discharge and Noise Signals Separation using Arithmetic Coding in Time Domain and Magnitude Distributions in Frequency Domain | |
CN114167237A (zh) | 一种gis局部放电故障识别方法、系统、计算机设备、存储介质 | |
CN116681186B (zh) | 一种基于智能终端的用电质量分析方法及装置 | |
Monteiro et al. | Power quality disturbances diagnosis: A 2D densely connected convolutional network framework | |
CN112697270A (zh) | 故障检测方法、装置、无人设备及存储介质 | |
CN115310499B (zh) | 一种基于数据融合的工业设备故障诊断系统及方法 | |
CN114692693A (zh) | 基于分形理论的分布式光纤信号识别方法、装置、存储介质 | |
CN101996316A (zh) | 一种用于辨别拉深件裂纹的模糊识别方法 | |
CN117992931B (zh) | 一种直流信号特征库与参比信号模型建立系统及方法 | |
CN115979989A (zh) | 一种太赫兹检测方法、装置以及计算机可读存储介质 | |
CN116226647B (zh) | 电力电缆局部放电模式的识别方法、装置、设备及介质 | |
TWI762221B (zh) | 轉速檢測方法 |
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 |