CN117786466B - 基于智能频谱感知的信号盲识别方法 - Google Patents
基于智能频谱感知的信号盲识别方法 Download PDFInfo
- Publication number
- CN117786466B CN117786466B CN202410203536.7A CN202410203536A CN117786466B CN 117786466 B CN117786466 B CN 117786466B CN 202410203536 A CN202410203536 A CN 202410203536A CN 117786466 B CN117786466 B CN 117786466B
- Authority
- CN
- China
- Prior art keywords
- signal
- identification
- partial discharge
- vector
- similarity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000001228 spectrum Methods 0.000 title claims abstract description 13
- 239000013598 vector Substances 0.000 claims abstract description 80
- 238000005070 sampling Methods 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 6
- 239000012212 insulator Substances 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Landscapes
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了基于智能频谱感知的信号盲识别方法,涉及电磁信号检测技术领域。通过获取时域周期T以内的变压器工作过程中的原始信号经带通滤波器,去工频且过滤频率小于kHz的信号作为初始识别信号进行采样,获取采样信号的分布模型,计算采样信号的信号能量,根据采样信号的分布模型是否符合判定模型对局部放电信号是否存在进行判决,且当判定局部放电信号不存在时,将原始信号经带通滤波器,去工频,过滤频率大于kHz的信号作为次级识别信号,大于kHz的信号作为对比识别信号,分别提取次级识别信号及对比识别信号的识别特征向量,计算识别特征向量的相似度,根据相似度的计算结果对局部放电信号是否存在进行再次判定。
Description
技术领域
本发明涉及电磁信号检测技术领域,特别涉及基于智能频谱感知的信号盲识别方法。
背景技术
局部放电是一种复杂的物理现象,通常情况下,针对高压电气设备的绝缘体局部放电问题,常将绝缘体缺陷放电类型大致分为表面放电、电晕放电和空穴放电。由于变压器局部放电是造成变压器绝缘损坏的重要原因之一,所以及时监测出变压器局部放电信号,发现故障并及时报警就显得尤为重要。
目前变压器局部放电信号的监测方法主要有电脉冲法,超声波监测法、射频监测法、化学监测法、超高频检测法等。其中超声波监测法是一种被广泛采用的一种方法。其原理为:据相关研究的测量数据可知,变压器局部放电信号的周期约为工频周期的一半,数值约为10ms,频率分布范围集中在20kHz~150kHz之间,放电量为50pC~30000pC,而干扰信号如铁心的磁噪声、电力设备的机械振动噪声和外界脉冲噪声是随机出现的,其频率大都在50kHz以下,采用具有高通特性的超声波传感器和外加的辅助电路来滤掉噪声使放电信号通过,从而可以实现局部放电信号的检出。
如上所述,变压器局部放电信号的频率与噪声频率的分布范围存在部分重叠,当变压器局部放电信号的频率处于重叠区域内时,现有的超声波监测法及目前广泛使用的超高频检测法便难以检出。为此,我们提出基于智能频谱感知的信号盲识别方法。
发明内容
本发明的主要目的在于提供基于智能频谱感知的信号盲识别方法,可以有效解决背景技术中的问题。
为实现上述目的,本发明采取的技术方案为,
基于智能频谱感知的信号盲识别方法,包括:
获取时域周期T以内的变压器工作过程中的原始信号,其中,时域周期T的取值范围为[0.1,λ),单位s,其中λ为动态常量,且λ≤1,所述动态常量λ根据局部放电信号检出频率及经验公式进行确定,具体为:
;
式中,为时域周期取值初始值,且/>,/>为连续未检出局部放电信号的时域周期个数,d为动态常量增长系数,且/>;
将所述原始信号经带通滤波器,去工频且过滤频率小于kHz的信号作为初始识别信号;
对所述初始识别信号进行采样,获取采样信号的分布模型,计算采样信号的信号能量,根据采样信号的分布模型是否符合判定模型对局部放电信号是否存在进行判决,判定模型的表达式为:
;
式中,G为信号能量,N为初始识别信号的采样数量,计算公式为:
;
式中,表示为/>时刻时的接收信号,/>为噪声方差,/>为局部放电信号的平均功率,H1表示局部放电信号存在,H0表示局部放电信号不存在;
当判定为H0时,将所述原始信号经带通滤波器,去工频,过滤频率大于kHz的信号作为次级识别信号,过滤频率大于/>kHz的信号作为对比识别信号,其中,/>和/>的取值范围为:
,/>;
对所述次级识别信号及所述对比识别信号进行采样,并提取采样的所述次级识别信号及所述对比识别信号的识别特征参数,根据获取的所述识别特征参数构建识别特征向量,记为和/>,其中,所述识别特征包括统计特征参数和波形特征参数,所述统计特征参数包括识别信号二维谱图的偏斜度/>、/>、/>;陡峭度/>、/>、/>、;互相关系数CC;放电量因数/>;修正的互相关系数mcc;局部峰数目/>、/>、、/>中的至少一种,其中,下标q和n,分别表示特征参数由/>或/>谱图计算得到;上标+和-表示放电正半周和负半周,所述波形特征参数包括识别信号波形的脉冲上升时间、下降时间、幅值脉冲持续时间、脉冲总持续时间中的至少一种;
对所述识别特征向量进行向量间相关性分析,计算向量间的相关性系数,根据相关性系数的计算结果对所述识别特征向量进行降维处理,获取降维后的识别特征向量,记为和/>,具体步骤为:
步骤1),根据识别特征向量和/>构建向量矩阵A和B,记为:
,/>,式中,/>为采样次数,/>为识别特征个数;
步骤2),根据公式分别计算向量矩阵A和B的向量间的相关性系数,计算公式为:
;
式中,为向量矩阵A/B中第/>列与第/>列元素间的相关性系数,为向量矩阵A/B中第/>列与第/>列元素的协方差,/>分别为向量矩阵A/B中第/>列与第/>列元素的标准差,/>为数据均值,/>为数学期望;
步骤3),根据向量间的相关性系数的计算结果构建向量矩阵A和B的相关系数矩阵PA和PB,具体为:以通过步骤2)中公式计算获取的向量矩阵A/B中第列与第/>列元素间的相关性系数作为矩阵PA和PB的元素,其中,
,/>;
步骤4),设定系数阈值U,判断相关系数矩阵PA和PB的上三角矩阵中各元素值和/>与系数阈值U的关系,若/>,则删除向量矩阵A/B中的第/>列或第/>列;
步骤5),遍历相关系数矩阵PA和PB的上三角矩阵中各元素值和/>与系数阈值U的关系,获取降维后的识别特征向量/>和/>,计算降维后识别特征向量的相似度/>,计算公式为:
;
式中,分别为降维后识别特征向量/>和降维后识别特征向量/>的模长;
根据所述识别特征向量的相似度的计算结果对局部放电信号是否存在进行判定,具体流程包括以下步骤:
步骤s1,获取多组识别特征向量的相似度值,利用相似度值/>的历史数据创建样本集,记作/>,/>为获取的样本总个数;
步骤s2,获取样本集中的均值和标准差,利用均值和标准差对数据进行标准化,标准化公式为,在此式中z为标准参量,σ为样本数据的方差,μ为样本数据的均值;
步骤s3,在完成标准化后,将标准参量利用将数值区间调整至[0,1]之间,利用f(k)的函数值对相似度值进行分类,分类的机制为:
当时,相似度值分类为一级;
当时,相似度值分类为二级;
当时,相似度值分类为三级;
其中,、/>分别为/>的函数值的最小值和最大值;
步骤s4,根据相似度值的分类结果对局部放电信号是否存在进行判定,判定原则为:
当相似度值分类为一级时,判定局部放电信号不存在;
当相似度值分类为二级时,判定局部放电信号可能存在;
当相似度值分类为三级时,判定局部放电信号一定存在。
本发明具有如下有益效果,
与现有技术相比,本发明技术方案通过获取时域周期T以内的变压器工作过程中的原始信号,将所述原始信号经带通滤波器,去工频且过滤频率小于kHz的信号作为初始识别信号,对所述初始识别信号进行采样,获取采样信号的分布模型,计算采样信号的信号能量,根据采样信号的分布模型是否满足判定模型对局部放电信号是否存在进行判决,当判定局部放电信号不存在时,将所述原始信号经带通滤波器,去工频,过滤频率大于/>kHz的信号作为次级识别信号,大于/>kHz的信号作为对比识别信号,分别提取所述次级识别信号及所述对比识别信号的识别特征向量,计算识别特征向量的相似度,根据所述识别特征向量的相似度的计算结果对局部放电信号是否存在进行判定,通过无源的方式感知变压器放电信号,采用两步识别判定方法,首先基于原始信号的能量分布模型对处于高频区间的局部放电信号是否存在进行判决,然后基于统计特征参数及波形特征参数对处于低频区间的局部放电信号是否存在进行判决,能够对当变压器局部放电信号的频率与噪声频率的分布范围处于重叠区域内时的智能感知识别。
附图说明
图1为本发明基于智能频谱感知的信号盲识别方法的流程图;
图2为识别特征向量降维处理的流程图;
图3为根据识别特征向量的相似度的计算结果对局部放电信号是否存在判定的流程图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明,其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制,为了更好地说明本发明的具体实施方式,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸。
实施例1
如图1所示的基于智能频谱感知的信号盲识别方法的流程图。
本发明技术方案的具体实施流程包括以下步骤:
步骤一,获取时域周期T以内的变压器工作过程中的原始信号,其中,时域周期T的取值范围为[0.1,λ),单位s,其中λ为动态常量,且λ≤1,动态常量λ根据局部放电信号检出频率及经验公式进行确定,具体为:
式中,为时域周期取值初始值,且/>,α为连续未检出局部放电信号的时域周期个数,d为动态常量增长系数,且/>,具体为,若动态常量增长系数d取0.01,第一个时域周期T取值为0.1,即T0=0.1,原始信号的采集时域长度为0.1s,若连续10个时域周期内均未检验出局部放电信号,则时域周期T取值变为,即为0.19s,需要说明的是,当检验出局部放电信号时,时域周期T则变化为初始值/>。
步骤二,将原始信号经带通滤波器,去工频且过滤频率小于kHz的信号作为初始识别信号,其中,/>,由于噪声频率大都在50kHz以下,通过此步骤可以将大部分噪声进行过滤,保留原始信号局部放电信号最可能出现的高频率分布范围。
步骤三,对初始识别信号进行采样,获取采样信号的分布模型,计算采样信号的信号能量,其中,信号能量的计算公式为:
;
式中,表示为/>时刻时的接收信号,根据采样信号的分布模型是否符合判定模型对局部放电信号是否存在进行判决,判定模型的表达式为:
;
式中,G为信号能量,N为初始识别信号的采样数量,为噪声方差,/>为局部放电信号的平均功率,H1表示采样信号中包含噪声信号和局部放电信号,则说明变压器局部放电信号存在,H0表示只包含噪声信号,则说明变压器的局部放电信号不存在;
步骤四,当判定为H0时,将原始信号经带通滤波器,去工频,过滤频率大于kHz的信号作为次级识别信号,过滤频率大于/>kHz的信号作为对比识别信号,通过此步骤,可以获取频率分布范围在/>kHz和/>kHz的识别信号。
步骤五,对次级识别信号及对比识别信号进行采样,并提取采样的次级识别信号及对比识别信号的识别特征参数,根据获取的识别特征参数构建识别特征向量,记为和/>,其中,识别特征包括统计特征参数和波形特征参数,统计特征参数包括识别信号二维谱图的偏斜度/>、/>、/>;陡峭度/>、/>、/>、/>;互相关系数CC;放电量因数/>;修正的互相关系数mcc;局部峰数目/>、/>、/>、/>中的至少一种,其中,下标q和n,分别表示特征参数由/>或/>谱图计算得到;上标+和-表示放电正半周和负半周,根据信号二维谱图计算特征参数,首先需要将谱图依据相位分为两部分,对应于放电的正负半周,计算中要将每一部分谱图都看成概率密度分布函数,φ代表随机变量,q、n代表概率密度,偏斜度SK和陡峭度KU的特征参数直接来源于正态分布统计特征量,用于描述半周谱图相对于正态分布的形状偏斜程度和凸起程度,互相关系数CC、放电量因数/>和修正的互相关系数mcc等特征参数用于比较放电正负半周的相似性,局部峰数目特征参数描述半周谱图的起伏情况,波形特征参数包括识别信号波形的脉冲上升时间、下降时间、幅值脉冲持续时间、脉冲总持续时间中的至少一种。
步骤六,对识别特征向量进行向量间相关性分析,计算向量间的相关性系数,根据相关性系数的计算结果对识别特征向量进行降维处理,获取降维后的识别特征向量,记为和/>,如图2所示,具体步骤为:
步骤61),根据识别特征向量和/>构建向量矩阵A和B,记为:
,/>,式中,/>为采样次数,/>为识别特征个数;
步骤62),根据公式分别计算向量矩阵A和B的向量间的相关性系数,计算公式为:
;
式中,为向量矩阵A/B中第/>列与第/>列元素间的相关性系数,为向量矩阵A/B中第/>列与第/>列元素的协方差,/>分别为向量矩阵A/B中第/>列与第/>列元素的标准差,/>为数据均值,/>为数学期望;
步骤63),根据向量间的相关性系数的计算结果构建向量矩阵A和B的相关系数矩阵PA和PB,具体为:以通过步骤2)中公式计算获取的向量矩阵A/B中第列与第/>列元素间的相关性系数作为矩阵PA和PB的元素,其中,
,/>;
步骤64),设定系数阈值U,判断相关系数矩阵PA和PB的上三角矩阵中各元素值和/>与系数阈值U的关系,若/>,则删除向量矩阵A/B中的第/>列或第/>列;
步骤65),遍历相关系数矩阵PA和PB的上三角矩阵中各元素值和/>与系数阈值U的关系,获取降维后的识别特征向量/>和/>,计算降维后识别特征向量的相似度/>,计算公式为:
;
式中,分别为降维后识别特征向量/>和降维后识别特征向量/>的模长;
步骤七,根据识别特征向量的相似度的计算结果对局部放电信号是否存在进行判定,如图3所示,具体流程包括以下步骤:
步骤s71,获取多组识别特征向量的相似度值,利用相似度值/>的历史数据创建样本集,记作/>,/>为获取的样本总个数;
步骤s72,获取样本集中的均值和标准差,利用均值和标准差对数据进行标准化,标准化公式为,在此式中z为标准参量,σ为样本数据的方差,μ为样本数据的均值;
步骤s73,在完成标准化后,将标准参量利用将数值区间调整至[0,1]之间,利用f(k)的函数值对相似度值进行分类,分类的机制为:
当时,相似度值分类为一级;
当时,相似度值分类为二级;
当时,相似度值分类为三级;
其中,、/>分别为/>的函数值的最小值和最大值;
步骤s74,根据相似度值的分类结果对局部放电信号是否存在进行判定,判定原则为:
当相似度值分类为一级时,判定局部放电信号不存在;
当相似度值分类为二级时,判定局部放电信号可能存在;
当相似度值分类为三级时,判定局部放电信号一定存在。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.基于智能频谱感知的信号盲识别方法,其特征在于,包括:
获取时域周期T以内的变压器工作过程中的原始信号;
将所述原始信号经带通滤波器,去工频且过滤频率小于kHz的信号作为初始识别信号;
对所述初始识别信号进行采样,获取采样信号的分布模型,计算采样信号的信号能量,根据采样信号的分布模型是否符合判定模型对局部放电信号是否存在进行判决,判定模型的表达式为:
;
式中,G为信号能量,N为初始识别信号的采样数量,为噪声方差,/>为局部放电信号的平均功率,H1表示局部放电信号存在,H0表示局部放电信号不存在;
当判定为H0时,将所述原始信号经带通滤波器,去工频,过滤频率大于kHz的信号作为次级识别信号,过滤频率大于/>kHz的信号作为对比识别信号;
对所述次级识别信号及所述对比识别信号进行采样,并提取采样的所述次级识别信号及所述对比识别信号的识别特征参数,根据获取的所述识别特征参数构建识别特征向量,记为和/>;
对所述识别特征向量进行向量间相关性分析,计算向量间的相关性系数,根据相关性系数的计算结果对所述识别特征向量进行降维处理,获取降维后的识别特征向量,记为和/>,计算降维后识别特征向量的相似度/>,计算公式为:
;
式中,分别为降维后识别特征向量/>和降维后识别特征向量/>的模长;
根据所述识别特征向量的相似度的计算结果对局部放电信号是否存在进行判定;
和/>的取值范围为:/>,/>;
所述识别特征包括统计特征参数和波形特征参数;
所述统计特征参数包括识别信号二维谱图的偏斜度、/>、/>;陡峭度/>、/>、、/>;互相关系数CC;放电量因数/>;修正的互相关系数mcc;局部峰数目/>、/>、、/>中的至少一种,其中,下标q和n,分别表示特征参数由/>或/>谱图计算得到;上标+和-表示放电正半周和负半周;
所述波形特征参数包括识别信号波形的脉冲上升时间、下降时间、幅值脉冲持续时间、脉冲总持续时间中的至少一种;
识别特征向量降维处理的具体步骤为:
步骤1),根据识别特征向量和/>构建向量矩阵A和B,记为:
,/>,式中,/>为采样次数,/>为识别特征个数;
步骤2),根据公式分别计算向量矩阵A和B的向量间的相关性系数,计算公式为:
;
式中,为向量矩阵A/B中第/>列与第/>列元素间的相关性系数,/>为向量矩阵A/B中第/>列与第/>列元素的协方差,/>,/>分别为向量矩阵A/B中第/>列与第/>列元素的标准差,/>为数据均值,/>为数学期望;
步骤3),根据向量间的相关性系数的计算结果构建向量矩阵A和B的相关系数矩阵和,其中,
,/>;
步骤4),设定系数阈值U,判断相关系数矩阵PA和PB的上三角矩阵中各元素值和/>与系数阈值U的关系,若/>,则删除向量矩阵A/B中的第/>列或第/>列;
步骤5),遍历相关系数矩阵PA和PB的上三角矩阵中各元素值和/>与系数阈值U的关系,获取降维后的识别特征向量/>和/>;
根据所述识别特征向量的相似度对局部放电信号是否存在进行判定的具体流程包括以下步骤:
步骤s1,获取多组识别特征向量的相似度值SAB,利用相似度值SAB的历史数据创建样本集,记作,/>为获取的样本总个数;
步骤s2,获取样本集中的均值和标准差,利用均值和标准差对数据进行标准化,标准化公式为,在此式中z为标准参量,σ为样本数据的方差,μ为样本数据的均值;
步骤s3,在完成标准化后,将标准参量利用将数值区间调整至[0,1]之间,利用f(k)的函数值对相似度值进行分类,分类的机制为:
当时,相似度值分类为一级;
当时,相似度值分类为二级;
当时,相似度值分类为三级;
其中,、/>分别为/>的函数值的最小值和最大值;
步骤s4,根据相似度值的分类结果对局部放电信号是否存在进行判定,判定原则为:
当相似度值分类为一级时,判定局部放电信号不存在;
当相似度值分类为二级时,判定局部放电信号可能存在;
当相似度值分类为三级时,判定局部放电信号一定存在。
2.根据权利要求1所述的基于智能频谱感知的信号盲识别方法,其特征在于,信号能量的计算公式为:
;
式中,表示为/>时刻时的接收信号。
3.根据权利要求1所述的基于智能频谱感知的信号盲识别方法,其特征在于,时域周期T的取值范围为[0.1,λ),单位s,其中λ为动态常量,且λ≤1。
4.根据权利要求3所述的基于智能频谱感知的信号盲识别方法,其特征在于,所述动态常量λ根据局部放电信号检出频率及经验公式进行确定,具体为:
;
式中,为时域周期取值初始值,且/>,/>为连续未检出局部放电信号的时域周期个数,/>为动态常量增长系数,且/>。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410203536.7A CN117786466B (zh) | 2024-02-23 | 2024-02-23 | 基于智能频谱感知的信号盲识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410203536.7A CN117786466B (zh) | 2024-02-23 | 2024-02-23 | 基于智能频谱感知的信号盲识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117786466A CN117786466A (zh) | 2024-03-29 |
CN117786466B true CN117786466B (zh) | 2024-04-26 |
Family
ID=90400332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410203536.7A Active CN117786466B (zh) | 2024-02-23 | 2024-02-23 | 基于智能频谱感知的信号盲识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117786466B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR19990025593A (ko) * | 1997-09-13 | 1999-04-06 | 이종규 | 부분방전 온-라인 진단시스템 |
WO2015070513A1 (zh) * | 2013-11-14 | 2015-05-21 | 国家电网公司 | 一种三相共筒式超高压gis局部放电的模式识别方法 |
CN115389888A (zh) * | 2022-10-28 | 2022-11-25 | 山东科华电力技术有限公司 | 一种基于高压电缆的局部放电实时监测系统 |
CN116662900A (zh) * | 2022-09-07 | 2023-08-29 | 国网浙江省电力有限公司电力科学研究院 | 一种低频电压的局部放电程度识别方法及系统 |
CN116992264A (zh) * | 2023-08-04 | 2023-11-03 | 南方电网科学研究院有限责任公司 | 一种高频方波电压下的局部放电信号处理方法及装置 |
-
2024
- 2024-02-23 CN CN202410203536.7A patent/CN117786466B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR19990025593A (ko) * | 1997-09-13 | 1999-04-06 | 이종규 | 부분방전 온-라인 진단시스템 |
WO2015070513A1 (zh) * | 2013-11-14 | 2015-05-21 | 国家电网公司 | 一种三相共筒式超高压gis局部放电的模式识别方法 |
CN116662900A (zh) * | 2022-09-07 | 2023-08-29 | 国网浙江省电力有限公司电力科学研究院 | 一种低频电压的局部放电程度识别方法及系统 |
CN115389888A (zh) * | 2022-10-28 | 2022-11-25 | 山东科华电力技术有限公司 | 一种基于高压电缆的局部放电实时监测系统 |
CN116992264A (zh) * | 2023-08-04 | 2023-11-03 | 南方电网科学研究院有限责任公司 | 一种高频方波电压下的局部放电信号处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117786466A (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105548832B (zh) | 高压电力电缆故障识别方法 | |
CN103048593B (zh) | 一种气体绝缘开关设备绝缘缺陷种类的识别方法 | |
Chan et al. | Time-frequency sparsity map on automatic partial discharge sources separation for power transformer condition assessment | |
Pinpart et al. | Differentiating between partial discharge sources using envelope comparison of ultra-high-frequency signals | |
CN108693448B (zh) | 一种应用于电力设备局部放电模式识别系统 | |
KR20090108711A (ko) | 고조파 유도 아크 검출기 | |
CN113325277A (zh) | 一种局部放电处理方法 | |
CN113608073A (zh) | 变频谐振下电缆局部放电脉冲分离方法 | |
CN110146922B (zh) | 高速铁路地震预警系统单双地震计干扰识别方法 | |
CN116453544A (zh) | 一种基于声纹识别的工业设备运行状态监测方法 | |
CN112332807A (zh) | 一种弱包络信号检测方法和系统 | |
CN117786466B (zh) | 基于智能频谱感知的信号盲识别方法 | |
CN112284707B (zh) | 一种断路器振动信号的处理方法 | |
CN114186596A (zh) | 一种谱图峰的多窗口识别方法、装置以及电子设备 | |
CN117590174A (zh) | 一种局部放电检测去噪方法、装置及可读存储介质 | |
CN117310404A (zh) | 换流变压器周期性脉动电磁干扰抑制方法和装置 | |
CN112834875A (zh) | 一种局部放电脉冲分割方法及系统 | |
CN104570118B (zh) | 一种基于双因素的自动识别与去除工业干扰的方法 | |
CN116754907A (zh) | 一种变压器故障分析方法和系统 | |
CN108008262B (zh) | 一种局部放电快速检测方法 | |
CN101996316A (zh) | 一种用于辨别拉深件裂纹的模糊识别方法 | |
CN116660691A (zh) | 光伏箱式变压器故障监测方法 | |
CN110988523A (zh) | 一种电力变压器绕组变形累积效应的检测方法及装置 | |
CN112927710B (zh) | 一种基于无监督方式的电力变压器工况噪声分离方法 | |
CN114492543A (zh) | 一种基于时频域特征的局部放电分类识别方法 |
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 |