CN117786521A - 基于智能频谱感知的信号分类方法 - Google Patents
基于智能频谱感知的信号分类方法 Download PDFInfo
- Publication number
- CN117786521A CN117786521A CN202410203539.0A CN202410203539A CN117786521A CN 117786521 A CN117786521 A CN 117786521A CN 202410203539 A CN202410203539 A CN 202410203539A CN 117786521 A CN117786521 A CN 117786521A
- Authority
- CN
- China
- Prior art keywords
- signal
- discharge
- identification
- attribute
- type
- 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 85
- 238000001228 spectrum Methods 0.000 title claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000013145 classification model Methods 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 238000012795 verification Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000002923 metal particle Substances 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000012212 insulator Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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分类方法，涉及电磁信号检测技术领域。通过获取识别信号构建局部放电PRPD图谱样本，采集统计特征量，构建放电类型的所述统计特征量的识别权重矩阵，以获取的识别权重矩阵构建加权特征量，加入KNN算法模型进行训练获得判决分类模型，实时获取变压器工作过程中的过程信号，对所述过程信号进行采样，获取采样信号的分布模型，计算所述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，并当判定所述过程信号中存在局部放电信号时，获取局部放电信号作为待测信号，根据获取的所述判决分类模型对所述待测信号进行识别，确定变压器的放电类型。
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分类方法。
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检出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。通过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，再通过对局放信号放电特征进行提取分析来实现如尖端放电、气隙放电、悬浮电位放电及自由金属颗粒放电等常见的局部放电类型的识别。
由于局部放电的产生有很强的不确定性，在没有足够先验知识的基础上，现有的识别方法在初始状态下，对局部放电特征参数选择及处理往往存在一定的冗余性，难以选择出敏感性最佳的特征参数作为识别对象，不仅导致现有识别方法及模型的复杂程度较高，低敏感性的特征参数也无法充分体现变压器局部放电特性，造成放电类型识别的准确率偏低。为此，我们提出基于智能频谱感知的信号分类方法。
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分类方法，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分类方法，包括，
获取所述局部放电信号的原始信号作为识别信号，构建所述识别信号的局部放电PRPD图谱样本，采集所述图谱样本中的统计特征量，其中，所述统计特征量包括偏斜度、陡峭度、放电因素、互相关系数、相位不对称度中的至少两种，
其中，偏斜度用于表述PRPD图谱的具体形状区别，其表述图形详细的偏斜程度，若是实际的偏斜度数据为0，则图形表现为对称的状态，若是实际的偏斜度数据超过了0，表示出现图形正偏，偏斜方向处于相应的算术平均数左侧，若该部分的偏斜度数据低于0，代表存在图形反偏的现象，实际偏斜方位在平均数右侧，偏斜度/>的计算公式如下：
；
式中，N为PRPD图谱在工频半周期内相位窗的开窗数量，为PRPD图谱中第/>个相位窗的相位，/>为相位宽度，/>分别为以/>为变量时PRPD图谱中第/>个相位窗内局放缺陷发生的均值、概率密度和方差；
陡峭度用于表述相应的PRPD图谱状况和正态分布的数据进行对比分析，确认其中具体的突起状况，若该数据是0，代表实际形态和正态分布相同，若是实际参数归属于正值，就代表相比于正态分布，其有着尖锐陡峭的特征，若是实际的陡峭度数据归属于负值，那么代表对比正态分布，实际轮廓状况有更为平坦的特征，计算公式为：
；
放电因素反应出在一个周期中，PRPD图谱相应放电量之间的区别性，相关公式为：
；
式中，用于表述对应的相位正半周和负半周放电量总和，/>分别表示相位正半周和负半周的放电次数总和；
互相关系数CC用来表述PRPD图谱的轮廓在正半周和负半周之间的相似情况,如果CC数据更为接近 0，就代表其中的轮廓区别更加显著,如果CC更加接近1，就代表图谱正负半周形状轮廓越相似,其具体计算公式如下：
；
式中，分别表述 PRPD 图谱之中的第/>个相窗之中正、负半周的均值放电量数据；
相位不对称度用于表述对应的正半、负半周期，在实际放电过程中与起始相位的不一致性，计算公式如下：
；
式中，分别表示PRPD图谱在相位正、负半工频周期的起始放电相位；
构建放电类型的所述统计特征量的识别权重矩阵，矩阵表达式为：
；
式中，为第/>类放电类型的第/>个统计特征量，Lc为放电类型的所述统计特征量的识别权重矩阵，/>为第/>类放电类型统计特征量的识别权重矩阵，/>为第/>类放电类型的第/>个统计特征量的识别权重，其中，所述放电类型包括尖端放电、气隙放电、悬浮电位放电、自由金属颗粒放电；
构建所述统计特征量的加权特征量，其中，/>，以获取的所述加权特征量加入KNN算法模型进行训练获得判决分类模型，获取流程包括以下步骤：
S01，根据获取的所述统计特征量的加权特征量的样本量W,设置KNN算法模型的K值取值范围，其中，/>分别为K值的最小值和最大值，其中，/>的确定模型为：
；
式中，为修正系数，根据经验值确定；/>为对括号内的值进行向大取整操作；
S02,随机选取85%的样本量作为训练数据，其余15%的样本量作为验证数据；
S03，选取最大值作为模型初始化K值；
S04，任意选取所述验证数据中的任一样本点作为待分类点，计算所述待分类点到所述训练数据中各样本点的距离，其中，距离计算公式为：
；
式中，表示为验证数据中的第/>个样本点，/>表示为训练数据中的第v个样本点，表示为验证数据中的第q个样本点与训练数据中的第v个样本点的距离，选取距离最近的/>个样本，以/>个样本中同属性个数最多的类型作为所述待分类点的类别；
S05，计算验证数据样本点的分类准确率值；
S06，遍历K值取值范围，选取验证数据样本点的分类准确率值最大时的K值作为KNN算法模型的最佳值；
实时获取变压器工作过程中的过程信号，对所述过程信号进行采样，获取采样信号的分布模型，计算所述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；
当判定所述过程信号中存在局部放电信号时，获取局部放电信号作为待测信号，根据获取的所述判决分类模型对所述待测信号进行识别，确定变压器的放电类型，确定方法包括以下步骤：
S11，获取所述待测信号的加权特征量；
S12，计算所述待测信号的加权特征量与所述识别信号的加权特征量之间的距离；
S13，获取与所述待测信号的加权特征量距离最短的个所述识别信号的放电类型；
S14，以个所述识别信号中同属性最多的放电类型作为所述待测信号的类型属性；
S141，当个所述识别信号中同属性最多的放电类型不为一个时，通过比较相同属性放电类型中所述识别信号与所述待测信号的具有最大识别权重的加权特征量之间的距离，取距离更短的识别信号属性作为所述待测信号的类型属性；
S142，当相同属性放电类型中所述识别信号与所述待测信号的具有最大识别权重的加权特征量之间的距离相等时，依次比较具有次最大识别权重的加权特征量之间的距离，取距离更短的识别信号属性作为所述待测信号的类型属性；
S143，当个所述识别信号中同属性最多的放电类型不为一个时，且相同属性放电类型中所述识别信号与所述待测信号的各识别权重的加权特征量之间的距离均相等时，判定该所述待测信号的类型属性为双重类型属性或无类型属性。
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所述局部放电信号的原始信号作为识别信号，构建所述识别信号的局部放电PRPD图谱样本，采集所述图谱样本中的统计特征量，构建放电类型的所述统计特征量的识别权重矩阵，以获取的识别权重矩阵构建所述统计特征量的加权特征量，加入KNN算法模型进行训练获得判决分类模型，实时获取变压器工作过程中的过程信号，对所述过程信号进行采样，获取采样信号的分布模型，计算所述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，当判定所述过程信号中存在局部放电信号时，获取局部放电信号作为待测信号，根据获取的所述判决分类模型对所述待测信号进行识别，确定变压器的放电类型，首先基于能量分布的智能感知方式对变压器放电信号进行检出，再通过加入KNN决策分类算法，针对不同放电类型的特征构建加权特征量，选取敏感性最佳的特征参数作为识别对象，进而构建判决模型对待测信号的进行判定，从而确定变压器的放电类型，本方案提出的分类方法及模型的复杂程度低，识别过程简便易行，降低了数据处理的冗余性，从而提高识别结果的准确性。
附图说明
图1为本发明基于智能频谱感知的信号分类方法的流程图；
图2为本发明基于智能频谱感知的信号分类方法的判决分类模型的逻辑控制框图；
图3为本发明基于智能频谱感知的信号分类方法的变压器的放电类型的逻辑判断框图。
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
如图1所示的基于智能频谱感知的信号分类方法的流程图。
本发明技术方案的实施流程包括以下步骤：
步骤1），获取局部放电信号的原始信号作为识别信号，构建识别信号的局部放电PRPD图谱样本，采集图谱样本中的统计特征量，其中，统计特征量包括偏斜度、陡峭度、放电因素、互相关系数、相位不对称度中的至少两种，本实施例中，选取全部五项统计特征量进行说明，构建放电类型的统计特征量的识别权重矩阵，矩阵表达式为：
；
式中，为第/>类放电类型的第/>个统计特征量，Lc为放电类型的所述统计特征量的识别权重矩阵，/>为第/>类放电类型统计特征量的识别权重矩阵，/>为第/>类放电类型的第/>个统计特征量的识别权重，其中，放电类型包括尖端放电、气隙放电、悬浮电位放电、自由金属颗粒放电，
需要说明的是，对于不同额放电类型其统计特征量的识别权重不同，根据其特性进行确定，具体为：
对于尖端放电：其大部分情况是在正半周或者负半周呈现单极性谱图，随着信号幅值增大，逐步会呈现双极性谱图，但是其中一极信号相比另一极的信号幅值明显幅值较大，并且其中一极的放电次数也远远多于另外一极，说明其更为敏感性的识别特征为相位不对称度，故将相位不对称度的权重作为其识别的最大权重；
对于气隙放电：气隙放电缺陷放电相位特征稳定，即正半周和负半周的谱图对称且相对稳定，但放电幅值分散较广，即正负半周信号幅值不均等，呈现分散性大小不一，说明其更为敏感性的识别特征为互相关系数，故将互相关系数的权重作为其识别的最大权重；
对于悬浮电位放电：悬浮电位放电缺陷放电相位特征稳定，正半周和负半周的谱图对称且相对稳定，且放电幅值也相对稳定，正负半周信号幅值较均等，且信号发生时幅值较大，呈现悬浮状态，相邻脉冲的放电时间间隔基本一致，说明其更为敏感性的识别特征为陡峭度，故将陡峭度的权重作为其识别的最大权重；
对于自由金属颗粒放电：放电幅值较分散是自由金属颗粒出现相关放电问题的核心特性，同时实际的放电间隔也有着非常不稳定的现象，放电信号进一步弥散至整个的工频周期范围，但其也存在着相对偏弱的工频相位特性，说明其更为敏感性的识别特征为放电因素，故将放电因素的权重作为其识别的最大权重；
步骤2），根据分析结果构建统计特征量的加权特征量，其中，/>，以获取的加权特征量加入KNN算法模型进行训练获得判决分类模型，获取流程包括以下步骤：
S21，根据获取的统计特征量的加权特征量的样本量W,设置KNN算法模型的K值取值范围，其中，/>分别为K值的最小值和最大值，其中，/>的确定模型为：
；
式中，为修正系数，根据经验值确定；/>为对括号内的值进行向大取整操作；
S22,随机选取85%的样本量作为训练数据，其余15%的样本量作为验证数据；
S23，选取最大值作为模型初始化K值；
S24，任意选取验证数据中的任一样本点作为待分类点，计算待分类点到训练数据中各样本点的距离，其中，距离计算公式为：
；
式中，表示为验证数据中的第/>个样本点，/>表示为训练数据中的第/>个样本点，表示为验证数据中的第/>个样本点与训练数据中的第/>个样本点的距离，选取距离最近的/>个样本，以/>个样本中同属性个数最多的类型作为待分类点的类别；
S25，计算验证数据样本点的分类准确率值；
S26，遍历K值取值范围，选取验证数据样本点的分类准确率值最大时的K值作为KNN算法模型的最佳值；
步骤3），实时获取变压器工作过程中的过程信号，对过程信号进行采样，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；
步骤4），当判定过程信号中存在局部放电信号时，获取局部放电信号作为待测信号，根据获取的判决分类模型对待测信号进行识别，确定变压器的放电类型，确定方法包括以下步骤：
S41，获取待测信号的加权特征量；
S42，计算待测信号的加权特征量与识别信号的加权特征量之间的距离；
S43，获取与待测信号的加权特征量距离最短的个识别信号的放电类型；
S44，以个识别信号中同属性最多的放电类型作为待测信号的类型属性；
S441，当个识别信号中同属性最多的放电类型不为一个时，通过比较相同属性放电类型中识别信号与待测信号的具有最大识别权重的加权特征量之间的距离，取距离更短的识别信号属性作为待测信号的类型属性；
S442，当相同属性放电类型中识别信号与待测信号的具有最大识别权重的加权特征量之间的距离相等时，依次比较具有次最大识别权重的加权特征量之间的距离，取距离更短的识别信号属性作为待测信号的类型属性；
S443，当个识别信号中同属性最多的放电类型不为一个时，且相同属性放电类型中识别信号与待测信号的各识别权重的加权特征量之间的距离均相等时，判定该待测信号的类型属性为双重类型属性或无类型属性。
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 (9)
1.基于智能频谱感知的信号分类方法，其特征在于，包括，
获取所述局部放电信号的原始信号作为识别信号，构建所述识别信号的局部放电PRPD图谱样本，采集所述图谱样本中的统计特征量，构建放电类型的所述统计特征量的识别权重矩阵，矩阵表达式为：
式中，为第/>类放电类型的第/>个统计特征量，Lc为放电类型的所述统计特征量的识别权重矩阵，/>为第/>类放电类型统计特征量的识别权重矩阵，/>为第/>类放电类型的第个统计特征量的识别权重；
构建所述统计特征量的加权特征量，其中，/>，以获取的所述加权特征量加入KNN算法模型进行训练获得判决分类模型；
实时获取变压器工作过程中的过程信号，对所述过程信号进行采样，获取采样信号的分布模型，计算所述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；
当判定所述过程信号中存在局部放电信号时，获取局部放电信号作为待测信号，根据获取的所述判决分类模型对所述待测信号进行识别，确定变压器的放电类型。
2.根据权利要求1所述的基于智能频谱感知的信号分类方法，其特征在于，所述判决分类模型的获取流程包括以下步骤：
S01，根据获取的所述统计特征量的加权特征量的样本量W,设置KNN算法模型的K值取值范围，其中，/>分别为K值的最小值和最大值；
S02,随机选取85%的样本量作为训练数据，其余15%的样本量作为验证数据；
S03，选取最大值Kmax作为模型初始化K值；
S04，任意选取所述验证数据中的任一样本点作为待分类点，计算所述待分类点到所述训练数据中各样本点的距离，其中，距离计算公式为：
式中，表示为验证数据中的第q个样本点，/>表示为训练数据中的第v个样本点，表示为验证数据中的第/>个样本点与训练数据中的第v个样本点的距离，选取距离最近的/>个样本，以/>个样本中同属性个数最多的类型作为所述待分类点的类别；
S05，计算验证数据样本点的分类准确率值；
S06，遍历K值取值范围，选取验证数据样本点的分类准确率值最大时的K值作为KNN算法模型的最佳值。
3.根据权利要求1所述的基于智能频谱感知的信号分类方法，其特征在于，变压器的放电类型的确定方法包括以下步骤：
S11，获取所述待测信号的加权特征量；
S12，计算所述待测信号的加权特征量与所述识别信号的加权特征量之间的距离；
S13，获取与所述待测信号的加权特征量距离最短的个所述识别信号的放电类型；
S14，以个所述识别信号中同属性最多的放电类型作为所述待测信号的类型属性。
4.根据权利要求1所述的基于智能频谱感知的信号分类方法，其特征在于，所述放电类型包括尖端放电、气隙放电、悬浮电位放电、自由金属颗粒放电。
5.根据权利要求2所述的基于智能频谱感知的信号分类方法，其特征在于，步骤S01中，KNN算法模型的K值取值范围的最小值和最大值确定模型为：
式中，为修正系数，根据经验值确定；/>为对括号内的值进行向大取整操作。
6.根据权利要求3所述的基于智能频谱感知的信号分类方法，其特征在于，在步骤S14中，当个所述识别信号中同属性最多的放电类型不为一个时，通过比较相同属性放电类型中所述识别信号与所述待测信号的具有最大识别权重的加权特征量之间的距离，取距离更短的识别信号属性作为所述待测信号的类型属性。
7.根据权利要求6所述的基于智能频谱感知的信号分类方法，其特征在于，当相同属性放电类型中所述识别信号与所述待测信号的具有最大识别权重的加权特征量之间的距离相等时，依次比较具有次最大识别权重的加权特征量之间的距离，取距离更短的识别信号属性作为所述待测信号的类型属性。
8.根据权利要求6所述的基于智能频谱感知的信号分类方法，其特征在于，当个所述识别信号中同属性最多的放电类型不为一个时，且相同属性放电类型中所述识别信号与所述待测信号的各识别权重的加权特征量之间的距离均相等时，判定该所述待测信号的类型属性为双重类型属性或无类型属性。
9.根据权利要求1所述的基于智能频谱感知的信号分类方法，其特征在于，所述统计特征量包括偏斜度、陡峭度、放电因素、互相关系数、相位不对称度中的至少两种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410203539.0A CN117786521B (zh) | 2024-02-23 | 2024-02-23 | 基于智能频谱感知的信号分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410203539.0A CN117786521B (zh) | 2024-02-23 | 2024-02-23 | 基于智能频谱感知的信号分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117786521A true CN117786521A (zh) | 2024-03-29 |
| CN117786521B CN117786521B (zh) | 2024-04-19 |
Family
ID=90394762
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410203539.0A Active CN117786521B (zh) | 2024-02-23 | 2024-02-23 | 基于智能频谱感知的信号分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117786521B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112036450A (zh) * | 2020-08-12 | 2020-12-04 | 国家电网有限公司 | 一种基于迁移学习的高压电缆局放模式识别方法及系统 |
| CN115166446A (zh) * | 2022-07-28 | 2022-10-11 | 国网安徽省电力有限公司淮南供电公司 | 一种变压器局部放电识别方法 |
| CN116910470A (zh) * | 2023-06-28 | 2023-10-20 | 鞍钢股份有限公司 | 一种gis组合电器局部放电故障模式识别方法 |
| WO2023213332A1 (zh) * | 2022-06-27 | 2023-11-09 | 上海格鲁布科技有限公司 | 一种多源混合型特高频局部放电图谱的分离识别方法 |
-
2024
- 2024-02-23 CN CN202410203539.0A patent/CN117786521B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112036450A (zh) * | 2020-08-12 | 2020-12-04 | 国家电网有限公司 | 一种基于迁移学习的高压电缆局放模式识别方法及系统 |
| WO2023213332A1 (zh) * | 2022-06-27 | 2023-11-09 | 上海格鲁布科技有限公司 | 一种多源混合型特高频局部放电图谱的分离识别方法 |
| CN115166446A (zh) * | 2022-07-28 | 2022-10-11 | 国网安徽省电力有限公司淮南供电公司 | 一种变压器局部放电识别方法 |
| CN116910470A (zh) * | 2023-06-28 | 2023-10-20 | 鞍钢股份有限公司 | 一种gis组合电器局部放电故障模式识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117786521B (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112014700B (zh) | 基于局部放电多信息融合的gis绝缘子缺陷识别方法及系统 | |
| CN109596955B (zh) | 局部放电状态确定方法及装置 | |
| CN112255538A (zh) | 一种多特征优化融合的高压断路器故障诊断方法 | |
| CN109188211B (zh) | 一种高压设备绝缘故障诊断方法和系统 | |
| CN111929548B (zh) | 放电和干扰信号样本生成方法、计算机设备和存储介质 | |
| CN112180221B (zh) | 基于双测度监督规则的gis未知类别局部放电识别方法 | |
| CN112462355B (zh) | 一种基于时频三特征提取的对海目标智能检测方法 | |
| CN112732748B (zh) | 一种基于自适应特征选择的非侵入式家电负荷识别方法 | |
| CN111398798A (zh) | 基于振动信号区间特征提取的断路器储能状态辨识方法 | |
| CN110568082A (zh) | 一种基于声发射信号的缆索断丝的判别方法 | |
| CN106771938A (zh) | 一种固体绝缘环网柜局部放电模式识别方法及装置 | |
| CN112284707B (zh) | 一种断路器振动信号的处理方法 | |
| CN117786521B (zh) | 基于智能频谱感知的信号分类方法 | |
| CN113341283A (zh) | 一种变压器套管局部放电模式识别方法 | |
| CN116432054A (zh) | 一种基于聚类分析的局部放电严重程度识别方法 | |
| CN116736051A (zh) | Gis绝缘缺陷智能诊断方法、装置、设备及存储介质 | |
| CN116953435A (zh) | 一种基于录波文件的电缆瞬时放电异常识别方法 | |
| CN114970600B (zh) | 基于粒化散布熵和优化kelm的滚动轴承故障诊断方法、装置 | |
| KR100544366B1 (ko) | 퍼지추론을 이용한 가스 절연 개폐기내 고장점 검출시스템및 방법 | |
| CN113723207B (zh) | 一种基于直方图距离的声发射信号突变检测方法 | |
| CN109839334B (zh) | 面向单线圈磁感应式磨粒探测传感器的信号识别方法 | |
| CN113917409A (zh) | 一种基于实时频谱分析的宽带干扰识别方法 | |
| CN113177514A (zh) | 无人机信号检测方法、装置及计算机可读存储介质 | |
| Zhang et al. | Nondestructive incipient crack detection based on wavelet and Jensen-Shannon divergence in the NICA framework | |
| CN114742140B (zh) | 基于uhf与cg-bp算法的gis绝缘故障类型识别方法 |
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 |