CN107356843A - 基于分层阈值同步挤压小波的变压器局部放电故障诊断方法 - Google Patents
基于分层阈值同步挤压小波的变压器局部放电故障诊断方法 Download PDFInfo
- Publication number
- CN107356843A CN107356843A CN201710249329.5A CN201710249329A CN107356843A CN 107356843 A CN107356843 A CN 107356843A CN 201710249329 A CN201710249329 A CN 201710249329A CN 107356843 A CN107356843 A CN 107356843A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- transformer
- swt
- signal
- formula
- 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
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
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明提供的基于分层阈值同步挤压小波的变压器局部放电故障诊断方法,具有这样的特征,包括以下步骤:步骤一,对变压器局部放电信号f(t)为进行SWT分解,得到SWT分解系数i=1,2,L,I;步骤二,利用公式估计噪声标准差σn;步骤三,对SWT第i层系数按固定步长对ca(i)逐步取值,通过均方误差公式计算均方误差的最小值,确定ca(i)的最优值;步骤四,计算分层阈值γa(i)=ca(i)σn,通过第i层SWT系数公式实现第i层SWT系数的消噪;步骤五,利用降噪公式对去噪后的各层系数进行重构,得到消噪后的消噪变压器局部放电信号y(t);以及步骤六,对去噪后的所述消噪变压器局部放电信号y(t)进行特征提取,根据所提取特征进行故障诊断。
Description
技术领域
本发明涉及电力***信号处理领域,特别涉及基于分层阈值同步挤压小波的变压器局部放电故障诊断方法。
背景技术
局部放电是指在电场作用下绝缘结构中只有局部区域发生放电,而不是大面积或贯穿整个导体的放电。大型电力变压器的绝缘结构比较复杂,使用的材料多种多样,整个绝缘***电场分布很不均匀。由于设计或制造工艺上不尽完善使绝缘***中含有气隙,或是在长期运行过程中绝缘受潮,水分在电场作用下发生分解产生气体而形成气泡。因为空气的介电常数比绝缘材料的介电常数小,即使绝缘材料在不太高的电场作用下,气隙、气泡部位承受的场强也会很高,当场强达到一定值以上时就会发生局部放电。另外绝缘内部存在缺陷或混入各种杂质,或者在绝缘结构中存在某些电气连接不良等,都会使局部电场集中,在电场集中的地方就有可能发生固体绝缘表面放电和悬浮电位放电。在电力变压器的油纸绝缘结构中,局部放电一方面使油分解出气体,另一方面又可能生成油泥沉积在固体绝缘材料上,在该处形成更剧烈的放电,并使该处成为过热点,促使绝缘损坏。
局部放电的持续发展将使绝缘的劣化损伤逐步扩大,最终使绝缘正常寿命缩短、短时绝缘强度降低,甚至可能使整个绝缘击穿。由于变压器是电力***中最为重要的设备,为了对变压器的绝缘状态实现在线监测及故障诊断,国内外对反映变压器绝缘状态的局部放电电气特征量进行了大量研究。但是局部放电信号十分微弱,而且由于变压器处在复杂的电磁干扰环境中,使得本来很微弱的局部放电信号淹没在很强的各种干扰当中,从而很难获得真正的有用信息,使得局部放电特征量的提取和模式识别十分困难,无法准确诊断设备真实的绝缘状况。变压器局放信号的特征提取是进行绝缘故障诊断的关键,而对局部放电信号进行去噪处理是局部放电特征准确提取的基础和前提。
当前,针对变压器局部放电信号,主要的去噪方法是小波阈值去噪法和经验模态分解(empirical mode decomposition)去噪法。小波阈值去噪法中,小波基的选择对去噪信号的畸变有着密切的关系,但对如何优化选择小波基尚没有明确的研究方法;而且利用阈值法去噪时,将幅值大于阈值的系数全部保留,幅值小于阈值的系数全部删除,不可避免的使得部分幅值较小的信号系数被删除,而部分幅值较大的噪声系数被保留,影响了变压器局部放电信号的去噪效果.而EMD去噪法通过迭代抽取去噪后的信号,导致速度很慢,时间花费较大;而且噪声较强时,EMD方法无法受干扰较大,去噪后信号的误差较大。由于这些缺点,使小波去噪法和EMD去噪法不能够适应不同类型的局部放电信号,不利于实际生产环境中变压器局放信号去噪的应用。
同步挤压小波变换(Synchrosqueezed Wavelet Transform,SWT)是在连续小波变换的基础上发展起来的一种新的时频分析方法.SWT通过对连续小波变换时频图在频率方向的挤压,可得到更高精度的时频曲线,而且所提取的时频曲线间不存在交叉项,有效改善了非线性复杂信号时频分析时的频谱混叠现象.SWT对噪声具有很强的鲁棒性,当信号被强噪声污染时, SWT仍可获得清晰的时频曲线和基本不变的分解结果。因此,SWT非常适合非线性信号的去噪,实验结果表明,与小波变换和EMD分解相比,SWT可获得效果更好的去噪结果。
但是,现有的研究只涉及到SWT单层阈值的去噪研究,针对SWT分层阈值的优化构造,尤其是将SWT分层阈值去噪应用于变压器局部放电故障诊断中,几乎没有相关的专利涉及。
发明内容
本发明是为了解决上述问题而进行的,目的在于提供一种扩展性强,自适应性强的,基于分层阈值同步挤压小波的变压器局部放电故障诊断方法。
本发明提供的基于分层阈值同步挤压小波的变压器局部放电故障诊断方法,具有这样的特征,包括以下步骤:
步骤一,对变压器局部放电信号f(t)为进行SWT分解,得到SWT分解系数
步骤二,利用公式估计噪声标准差σn;
步骤三,对SWT第i层系数按固定步长对ca(i)逐步取值,通过均方误差公式计算均方误差的最小值,确定ca(i)的最优值;
步骤四,计算分层阈值γa(i)=ca(i)σn,通过第i层SWT系数公式实现第i层SWT系数的消噪;
步骤五,利用降噪公式对去噪后的各层系数进行重构,得到消噪后的消噪变压器局部放电信号y(t);以及
步骤六,对去噪后的所述消噪变压器局部放电信号y(t)进行特征提取,根据所提取特征进行故障诊断。
本发明提供的基于分层阈值同步挤压小波的变压器局部放电故障诊断方法,还具有这样的特征:其中,所述步骤一,假设所述变压器局部放电信号f(t)为
fk(t)=Ak(t)cos[2πφk(t)],Ak(t)表示信号幅值,φk(t)表示信号相位,n(t)表示高斯白噪声,
首先,对所述变压器局部放电信号进行连续小波变换
ψ(t)表示所用的小波基函数,参数a表示小波变换时的尺度因子,参数b表示小波变换时的平移因子,
然后,在连续小波变换的基础上计算信号的瞬时频率
最后,对小波系数Wf(a,b)进行阈值为γ、精度为δ的同步挤压变化,同步挤压后的系数为
Aγ,f(b)={a∈R+;|Wf(a,b)|>γ}表示尺度集合。
本发明提供的基于分层阈值同步挤压小波的变压器局部放电故障诊断方法,还具有这样的特征:其中,所述均方误差公式为
本发明提供的基于分层阈值同步挤压小波的变压器局部放电故障诊断方法,还具有这样的特征:其中,所述第i层SWT系数公式为
本发明提供的基于分层阈值同步挤压小波的变压器局部放电故障诊断方法,还具有这样的特征:其中,所述降噪公式为
发明作用和效果
根据本发明所涉及基于分层阈值同步挤压小波的变压器局部放电故障诊断方法,具有很强的扩展性和自适应性,在强噪声环境下仍可获得较好的效果;在实现时无需人工干预,所有参数均可自适应计算;围绕变压器局部放电信号的去噪,整套方法具有完整的编码,可使用于不同情况下的变压器局部放电信号的去噪,有效改善变压器局部放电信号的特征提取和故障诊断效果,具有较广泛的推广价值。
附图说明
图1是本发明在实施例中的基于分层阈值同步挤压小波的变压器局部放电故障诊断方法的流程图;
图2是本发明在实施例中的模拟变压器局部放电信号经本专利方法去噪后的局放仿真信号图;
图3是本发明在实施例中的模拟变压器局部放电信号经本专利方法去噪后的含噪局放仿真信号图;
图4是本发明在实施例中的模拟变压器局部放电信号经本专利方法去噪后的传统SWT方法去噪图;
图5是本发明在实施例中的模拟变压器局部放电信号经本专利方法去噪后的模拟去噪图;
图6是本发明在实施例中的实测变压器局部放电信号经本文方法去噪后的实测局放信号图;
图7是本发明在实施例中的实测变压器局部放电信号经本文方法去噪后的传统SWT方法去噪图;以及
图8是本发明在实施例中的实测变压器局部放电信号经本文方法去噪后的实测去噪图。
具体实施方式
以下参照附图实及施例对本发明所涉及的基于分层阈值同步挤压小波的变压器局部放电故障诊断方法作详细的描述。
实施例
图1是本发明在实施例中的基于分层阈值同步挤压小波的变压器局部放电故障诊断方法的流程图。
如图1所示,基于分层阈值同步挤压小波的变压器局部放电故障诊断方法具有以下步骤:
步骤一:对变压器局部放电信号f(t)进行SWT分解,得到SWT分解系数进入步骤二。
假设变压器局部放电信号f(t)为
其中fk(t)=Ak(t)cos[2πφk(t)],Ak(t)表示信号幅值,φk(t)表示信号相位,n(t)表示高斯白噪声。
首先,对变压器局部放电信号进行连续小波变换
其中ψ(t)表示所用的小波基函数,参数a表示小波变换时的尺度因子,参数 b表示小波变换时的平移因子。
然后,在连续小波变换的基础上计算信号的瞬时频率
最后,对小波系数Wf(a,b)进行阈值为γ、精度为δ的同步挤压变化,同步挤压后的系数为
其中,Aγ,f(b)={a∈R+;|Wf(a,b)|>γ}表示尺度集合。
步骤二:利用公式估计噪声标准差σn,进入步骤三。
对于变压器局部放电信号f(t),其分量信号fk(t)可由SWT完全重构,因此可通过下式实现SWT对信号的降噪
在SWT在消噪过程中,即考虑了信号的幅值信息(|Wf(a,t)|<γ),又考虑了信号与主频率曲线φk′(t)间的相对关系(|ω(a,t)-φk′(t)|<ε)。
设SWT分解中连续小波变换所用的尺度为a={a(i),i=1,2,L,I},则含噪混沌信号经SWT变换后的第i层系数为
由上式可知,SWT根据信号系数的幅值信息以及与主频率曲线间的相对位置关系确定去噪后应保留的系数,即
其中γa(i)表示SWT去噪时的幅值阈值,ε表示去噪时的频率阈值.现有的SWT 去噪方法中,幅值阈值γa(i)的取值为全局阈值,即对每一层SWT系数,γa(i)都取相同的值:
γa(i)=γ=cσn (7)
其中,表示噪声标准差,N表示信号长度,为一常数.在SWT去噪中,采用式(7)中的阈值作为单一阈值存在两点不足:1) 变压器局部放电信号经SWT分解后,每一层系数中所含噪声的强度并不相同,采用相同的阈值抑制噪声,必然会影响消噪的效果;2)当局部放电信号长度N较大时,阈值γ会过大,而当N较小时,阈值γ又会过小,,缺少必要的自适应性。针对现有SWT去噪中单一幅值阈值的不足,本文从去噪后混沌信号的最小均方误差出发,根据信号系数和噪声系数的分布特性,构造具有一定自适应性的分层幅值阈值
γa(i)=ca(i)σn,i=1,2,L,I。
从而基于SWT的分层阈值变压器局部放电信号的去噪模型为:
步骤三:对SWT第i层系数按固定步长对ca(i)逐步取值,通过均方误差公式计算均方误差的最小值,确定ca(i)的最优值,进入步骤四。
变压器局部放电信号的SWT变换为其中 和分别表示含噪信号y、真实信号f和噪声n的SWT系数.设阈值去噪后的系数为
对混沌信号消噪的目的是使消噪后的信号尽可能的接近真实信号,也即使尽可能的接近因此发明的目的就是确定合适的ca(i),使得采用分层阈值γa(i)=ca (i)σn消噪后的系数与真实混沌信号系数间的均方误差达到最小,即达到最小,而
由于噪声与信号相互独立,因此所以上式可化简为
由消噪公式(6)可知,
因此,代入式(8)得
考虑到f(t)真实混沌信号,与消噪阈值参数ca(i)、ε无关,因此均方误差函数可以写为
SWT混沌消噪中,频率阈值ε取常数,因此即均方误差函数
步骤四:计算分层阈值γa(i)=ca(i)σn,通过第i层SWT系数公式实现第i层SWT系数的消噪,进入步骤五。
步骤五:利用降噪公式对去噪后的各层系数进行重构,得到消噪后的消噪变压器局部放电信号y(t),进入步骤六。
求最优幅值阈值γa(i)=ca(i)σn,相当于求e(ca(i))最小时ca(i)的值,即求
式(11)中可由SWT系数直接求出,为了求只需计算即可。由式(9)可知,当信号系数被置零时,噪声系数也被置零,假设中有k个点被置零,则相应的中也有k个点被置零,其余的点与的值相同.如果对和按照绝对值从小到大进行重排,则可知的前k个点为0,而后面的N-k与相同,因此
由于因此
当含噪信号系数时,噪声系数几乎处处成立,因此
由于噪声系数近似服从正态分布,而混合系数近似服从Laplace分布,即 Laplace(0,σy)所以
其中γa(i)=ca(i)σn,由式(11),(12),(13),(14)可知,
对于SWT分解后的第i层系数,利用式(15)计算不同ca(i)值时e(ca(i))的值,从而确定e(ca(i))达到最小时阈值参数ca(i)的值。本专利中,ca(i)的取值范围设定为ca(i)∈[1.5,6.5],按照0.01的步长依次取值。
步骤六:对去噪后的所述消噪变压器局部放电信号y(t)进行特征提取,根据所提取特征进行故障诊断。
利用SWT分层阈值法对局部放电信号的各层分量去噪后,在很大程度上排除了噪声对放电故障特征的干扰,本专利中对各层去噪后的信号进行熵特征提取,分别计算其6种同步挤压小波变换(SWT)熵,分别是:SWT能谱熵(SEE),SWT时间熵(STE),SWT奇异熵(SSE),SWT时频熵(STFE),SWT 平均熵(SAE),SWT距离熵(SDE)。由于变压器局部放电故障诊断特性复杂,所以特征提取后识别模型的选择尤为重要。本专利中我们选择带有反馈功能的Hopfield动态神经网络,在SWT熵特征的基础上对变压器局部放电故障进行诊断。Hopfield动态反馈神经网络更加接近***的实际过程,拥有动态性和记忆环节,对于复杂的多输入/多输出变压器局部放电故障进行辨识时,可获取更好的识别效果。
实施例的作用与效果
根据本实施例所涉及基于分层阈值同步挤压小波的变压器局部放电故障诊断方法,具有很强的扩展性和自适应性,在强噪声环境下仍可获得较好的效果;在实现时无需人工干预,所有参数均可自适应计算;围绕变压器局部放电信号的去噪,整套方法具有完整的编码,可使用于不同情况下的变压器局部放电信号的去噪,有效改善变压器局部放电信号的特征提取和故障诊断效果,具有较广泛的推广价值。
上述实施方式为本发明的优选案例,并不用来限制本发明的保护范围。
Claims (5)
1.一种基于分层阈值同步挤压小波的变压器局部放电故障诊断方法,其特征在于,包括以下步骤:
步骤一,对变压器局部放电信号f(t)为进行SWT分解,得到SWT分解系数i=1,2,L,I;
步骤二,利用公式估计噪声标准差σn;
步骤三,对SWT第i层系数按固定步长对ca(i)逐步取值,通过均方误差公式计算均方误差的最小值,确定ca(i)的最优值;
步骤四,计算分层阈值γa(i)=ca(i)σn,通过第i层SWT系数公式实现第i层SWT系数的消噪;
步骤五,利用降噪公式对去噪后的各层系数进行重构,得到消噪后的消噪变压器局部放电信号y(t);以及
步骤六,对去噪后的所述消噪变压器局部放电信号y(t)进行特征提取,根据所提取特征进行故障诊断。
2.根据权利要求1所述的基于分层阈值同步挤压小波的变压器局部放电故障诊断方法,其特征在于:
其中,所述步骤一,假设所述变压器局部放电信号f(t)为
fk(t)=Ak(t)cos[2πφk(t)],Ak(t)表示信号幅值,φk(t)表示信号相位,n(t)表示高斯白噪声,
首先,对所述变压器局部放电信号进行连续小波变换
ψ(t)表示所用的小波基函数,参数a表示小波变换时的尺度因子,参数b表示小波变换时的平移因子,
然后,在连续小波变换的基础上计算信号的瞬时频率
最后,对小波系数Wf(a,b)进行阈值为γ、精度为δ的同步挤压变化,同步挤压后的系数为
Aγ,f(b)={a∈R+;|Wf(a,b)|>γ}表示尺度集合。
3.根据权利要求1所述的基于分层阈值同步挤压小波的变压器局部放电故障诊断方法,其特征在于:
其中,所述均方误差公式为
4.根据权利要求1所述的基于分层阈值同步挤压小波的变压器局部放电故障诊断方法,其特征在于:
其中,所述第i层SWT系数公式为
5.根据权利要求1所述的基于分层阈值同步挤压小波的变压器局部放电故障诊断方法,其特征在于:
其中,所述降噪公式为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710249329.5A CN107356843B (zh) | 2017-04-17 | 2017-04-17 | 基于分层阈值同步挤压小波的变压器局放故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710249329.5A CN107356843B (zh) | 2017-04-17 | 2017-04-17 | 基于分层阈值同步挤压小波的变压器局放故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107356843A true CN107356843A (zh) | 2017-11-17 |
CN107356843B CN107356843B (zh) | 2020-05-08 |
Family
ID=60271486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710249329.5A Expired - Fee Related CN107356843B (zh) | 2017-04-17 | 2017-04-17 | 基于分层阈值同步挤压小波的变压器局放故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107356843B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108918994A (zh) * | 2018-06-11 | 2018-11-30 | 北京印刷学院 | 一种自适应拟合提升小波包降噪分析的电能质量扰动检测方法 |
CN108983051A (zh) * | 2018-07-25 | 2018-12-11 | 武汉科技大学 | 基于同步挤压小波变换的局部放电类型识别方法 |
CN110244202A (zh) * | 2019-06-21 | 2019-09-17 | 三峡大学 | 基于同步压缩小波变换域变压器局部放电去噪方法 |
CN111044865A (zh) * | 2019-12-30 | 2020-04-21 | 杭州国洲电力科技有限公司 | 一种直流气体绝缘电气设备局部放电小波去噪方法 |
CN112098102A (zh) * | 2020-09-04 | 2020-12-18 | 常州工学院 | 一种基于ewt-scwt的内燃机异响识别与诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6253175B1 (en) * | 1998-11-30 | 2001-06-26 | International Business Machines Corporation | Wavelet-based energy binning cepstal features for automatic speech recognition |
CN102129672B (zh) * | 2011-03-15 | 2013-06-12 | 西安电子科技大学 | 基于swt域改进粒子滤波的sar图像降斑方法 |
CN105572501A (zh) * | 2015-12-17 | 2016-05-11 | 西安理工大学 | 一种基于sst变换和ls-svm的电能质量扰动识别方法 |
CN105606892A (zh) * | 2015-12-17 | 2016-05-25 | 西安理工大学 | 一种基于sst变换的电网谐波与间谐波分析方法 |
CN105787655A (zh) * | 2016-02-24 | 2016-07-20 | 西安工业大学 | 超高层结构模态参数识别方法模态参数识别方法 |
-
2017
- 2017-04-17 CN CN201710249329.5A patent/CN107356843B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6253175B1 (en) * | 1998-11-30 | 2001-06-26 | International Business Machines Corporation | Wavelet-based energy binning cepstal features for automatic speech recognition |
CN102129672B (zh) * | 2011-03-15 | 2013-06-12 | 西安电子科技大学 | 基于swt域改进粒子滤波的sar图像降斑方法 |
CN105572501A (zh) * | 2015-12-17 | 2016-05-11 | 西安理工大学 | 一种基于sst变换和ls-svm的电能质量扰动识别方法 |
CN105606892A (zh) * | 2015-12-17 | 2016-05-25 | 西安理工大学 | 一种基于sst变换的电网谐波与间谐波分析方法 |
CN105787655A (zh) * | 2016-02-24 | 2016-07-20 | 西安工业大学 | 超高层结构模态参数识别方法模态参数识别方法 |
Non-Patent Citations (1)
Title |
---|
汪祥莉 等: "混沌背景下非平稳谐波信号的自适应同步挤压小波变换提取", 《物理学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108918994A (zh) * | 2018-06-11 | 2018-11-30 | 北京印刷学院 | 一种自适应拟合提升小波包降噪分析的电能质量扰动检测方法 |
CN108918994B (zh) * | 2018-06-11 | 2021-12-10 | 北京印刷学院 | 一种自适应拟合提升小波包降噪分析的电能质量扰动检测方法 |
CN108983051A (zh) * | 2018-07-25 | 2018-12-11 | 武汉科技大学 | 基于同步挤压小波变换的局部放电类型识别方法 |
CN108983051B (zh) * | 2018-07-25 | 2021-02-09 | 武汉科技大学 | 基于同步挤压小波变换的局部放电类型识别方法 |
CN110244202A (zh) * | 2019-06-21 | 2019-09-17 | 三峡大学 | 基于同步压缩小波变换域变压器局部放电去噪方法 |
CN110244202B (zh) * | 2019-06-21 | 2021-07-20 | 三峡大学 | 基于同步压缩小波变换域变压器局部放电去噪方法 |
CN111044865A (zh) * | 2019-12-30 | 2020-04-21 | 杭州国洲电力科技有限公司 | 一种直流气体绝缘电气设备局部放电小波去噪方法 |
CN112098102A (zh) * | 2020-09-04 | 2020-12-18 | 常州工学院 | 一种基于ewt-scwt的内燃机异响识别与诊断方法 |
CN112098102B (zh) * | 2020-09-04 | 2022-12-20 | 常州工学院 | 一种基于ewt-scwt的内燃机异响识别与诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107356843B (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107356843A (zh) | 基于分层阈值同步挤压小波的变压器局部放电故障诊断方法 | |
CN103728535B (zh) | 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法 | |
CN107832777B (zh) | 一种采用时域压缩多分辨率快速s变换特征提取的电能质量扰动识别方法 | |
CN103630808B (zh) | 一种基于提升小波变换的局部放电信号去噪方法 | |
Chen et al. | Intelligent transient overvoltages location in distribution systems using wavelet packet decomposition and general regression neural networks | |
CN103926509B (zh) | 基于谱峭度相对能量熵的配电网故障阶梯式选线方法 | |
CN111239549A (zh) | 一种基于离散小波变换的配电故障快速定位方法 | |
CN109164362A (zh) | 一种直流电缆局部放电缺陷故障的识别方法及*** | |
Hussein et al. | Denoising different types of acoustic partial discharge signals using power spectral subtraction | |
CN109212392A (zh) | 直流电缆局部放电缺陷故障的识别方法、***及Caffe卷积神经网络 | |
Tabatabaei et al. | A traveling-wave fault location technique for three-terminal lines based on wavelet analysis and recurrent neural network using GPS timing | |
CN114265010A (zh) | 基于麦克风阵列的变压器故障声源定位方法及*** | |
Liu et al. | Dual-channel convolutional network-based fault cause identification for active distribution system using realistic waveform measurements | |
CN111723684A (zh) | 一种海上风电场内部暂态过电压类型的识别方法 | |
CN110147739A (zh) | 一种基于多重分形谱算法的电抗器故障识别方法 | |
Zhu et al. | Complex disturbances identification: A novel PQDs decomposition and modeling method | |
CN113642417B (zh) | 一种基于改进小波算法的绝缘架空导线局部放电信号的去噪方法 | |
Chan et al. | Hybrid method on signal de‐noising and representation for online partial discharge monitoring of power transformers at substations | |
CN105893976A (zh) | 一种行波信号的参数化识别方法 | |
CN114157023B (zh) | 一种配变预警信息获取方法 | |
Geng et al. | Mechanical fault diagnosis of power transformer by GFCC time-frequency map of acoustic signal and convolutional neural network | |
CN105425172B (zh) | 基于多频段歪度分析的微网逆变器自适应故障诊断方法 | |
CN106093516B (zh) | 基于多频带分解的输电线路故障电流行波波形的重现方法 | |
CN113514743A (zh) | 一种基于多维特征的gis局部放电模式识别***构建方法 | |
CN117289013A (zh) | 用于脉冲电流测试的数据处理方法及*** |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200508 |
|
CF01 | Termination of patent right due to non-payment of annual fee |