CN108536648B - 基于多超声波传感器的局部放电非线性模型转换求解与优化方法 - Google Patents
基于多超声波传感器的局部放电非线性模型转换求解与优化方法 Download PDFInfo
- Publication number
- CN108536648B CN108536648B CN201810297996.5A CN201810297996A CN108536648B CN 108536648 B CN108536648 B CN 108536648B CN 201810297996 A CN201810297996 A CN 201810297996A CN 108536648 B CN108536648 B CN 108536648B
- Authority
- CN
- China
- Prior art keywords
- ultrasonic
- sample
- ultrasonic sensors
- clustering
- partial discharge
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
-
- 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
- G01R31/1209—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 using acoustic measurements
-
- 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
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Acoustics & Sound (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
基于多超声波传感器的局部放电非线性模型转换求解与优化方法,包括以下步骤:(1)在变压器内建立空间直角坐标系,设置各超声波传感器位置;(2)基于到达时间定位法建立定位模型,得到求解局部放电源位置的非线性定位方程组;(3)通过消除二阶项将非线性定位方程组转换为线性方程组;(4)得到局部放电源坐标的多样本初值;(5)筛选得到有效的多样本初值;(6)采用改进的K‑means算法对有效的多样本初值进行聚类处理;(7)选取聚类元素最多的类,对该类元素求平均值,最终确定最优局部放电源坐标。本发明有效解决目前非线性模型求解时出现的迭代算法的选择困难、迭代不收敛、运算时间长、对到时误差敏感等问题。
Description
技术领域
本发明属于高电压技术领域,涉及一种基于多超声波传感器的局部放电非线性模型转换求解与优化方法。
背景技术
电网绝大多数故障是由电气绝缘缺陷引起的,局部放电(Partial Discharge,PD)是电气绝缘缺陷产生的一种放电现象。PD定位检测是设备绝缘状态评估的重要手段,确定PD源的准确位置能更精确地反映设备的绝缘状况并制定维修策略,从而延长设备的使用寿命及运行可靠性。PD定位的检测通常可以通过电气法、特高频电磁波、超声波等方法实现。电气法确定的是PD发生的电气位置而非空间位置,因此在实际中很少采用;电磁波的传播速度极快,仅稍低于真空中的光速,获得直达波并对时延精确测量十分困难;超声波抗电磁干扰能力强,声速较慢,对到达时间的精确度要求不是很高,超声波传感器价格低廉,易用于在线监测。目前,基于超声波的PD定位法是在到达时间定位法的基础上建立定位模型,得到求解PD源位置的非线性定位方程组。非线性方程组的求解难度与迭代算法的选择有关,求解过程含有平方根运算导致解不唯一,运算时间长,迭代不收敛导致方程组无解。而在实际监测中,测量超声波信号到达传感器的时间受到各种干扰因素的影响,会导致不能精确获取超声波信号到达传感器的时间,进一步影响定位的精度。
发明内容
本发明要解决的技术问题是,针对现有局部放电超声波定位方法存在的上述不足,提供了一种基于多超声波传感器的局部放电非线性模型转换求解与优化方法,满足更高定位精度的要求,该方法通用性强,避免了求解方程组对迭代算法选择的依赖,运算时间短,不会出现迭代不收敛;有效解决了因到时误差导致定位结果较差的难题。
本发明为解决上述技术问题所采用的技术方案是:
基于多超声波传感器的局部放电非线性模型转换求解与优化方法,包括以下步骤:
(1)在变压器内建立空间直角坐标系,设置各超声波传感器位置;
(2)基于到达时间定位法建立定位模型,得到求解局部放电源位置的非线性定位方程组;
(3)通过消除二阶项将非线性定位方程组转换为线性方程组;
(4)获取超声波从局部放电源到达各超声波传感器的时间,将超声波从局部放电源到达各超声波传感器的时间和各传感器坐标代入线性方程组并求解,得到局部放电源坐标的多样本初值;
(5)将多样本初值进行筛选,去除不合理的数据,得到有效的多样本初值;
(6)采用改进的K-means算法对有效的多样本初值进行聚类处理;
(7)选取聚类元素最多的类,对该类元素求平均值,最终确定最优的局部放电源坐标。
按上述方案,所述步骤(1)中,建立空间直角坐标系是指以变压器底部的一个顶点为空间直角坐标系的原点,以与该顶点相连的三条棱为空间直角坐标系的x轴、y轴和z轴;
设置各超声波传感器的位置是指在已建立的空间直角坐标系下,在变压器内部放置多个超声波传感器,多个超声波传感器中,参考传感器的位置在原点,其他超声波传感器的位置满足,所有超声波传感器不全部在一个平面上。
按上述方案,所述步骤(2)中,到达时间定位法是指通过多传感器接收信号的时间信息,构建求解局部放电源位置的非线性定位方程组;
非线性定位方程组的表达式为:
式中,n为超声波传感器的个数,参考传感器的位置(x0,y0,z0)在原点,即x0=y0=z0=0,xi(i=1,2,...,n-1)为其他n-1个超声波传感器的x轴坐标,yi(i=1,2,...,n-1)为其他n-1个超声波传感器的y轴坐标,zi(i=1,2,...,n-1)为其他n-1个超声波传感器的z轴坐标,t为局部放电发生时间,ti(i=0,1,2,...,n-1)为超声波从局部放电源到达各超声波传感器的时间,v为超声波等值波速。
按上述方案,所述步骤(3)中,消除二阶项是指将非线性定位方程组中各式进行展开作差,得到线性方程组AX=B,其中
按上述方案,所述步骤(4)中,多样本初值是指使用超过6个超声波传感器进行局部放电定位,将每6个超声波传感器的坐标和到达时间ti代入线性方程组AX=B即得到局部放电源坐标的一个样本初值,这样即得到局部放电源坐标的多样本初值。
按上述方案,所述步骤(5)中,不合理的数据是指在步骤(3)中求解线性方程组时,计算得到的部分超声波等值波速为虚数或者明显大于或小于正常波速的数值。
按上述方案,所述步骤(6)中,改进的K-means算法具体包括如下步骤:
1)在N个样本点中,按照下式计算样本点的评价指标Q
评价指标Q与样本点平均值的欧式距离成正相关,根据样本点的Q值从小到大进行排序,将样本等分为k类,k=N/3~N/2;选取每类的中心样本作为该类的初始聚类中心点;
2)若两个初始聚类中心点的距离小于预定的阈值θ,其中θ<5cm,剔除其中一个聚类中心点,更新聚类数目,记为k*;
3)计算每个样本点Pi到所有聚类中心的欧式距离,如果满足下式,则将样本点Pi划分到类Cl中:
||Pi-cl||<||Pi-cm|| (20)
式中:l=1,2,...,k;m=1,2,...,k;i=1,2,...,N,且l≠m;cl为类Cl的聚类中心,cm为类Cm的聚类中心;
4)根据新的聚类关系,重新计算新的聚类中心(如此循环迭代,直至满足收敛条件);
5)如果改进的K-means算法满足收敛条件则结束,否则返回步骤2),进行下一次迭代计算;收敛条件有:
①两次迭代中的聚类中心点距离的变化小于一个阈值ε,其中ε<0.0001;
②下式中E不再改变:
式中,E为样本点中所有对象的误差平方的总和,Pj是Ci类的样本点,ci为Ci类的聚类中心,||·||2表示平方欧式距离。
按上述方案,为了防止步骤5)的结束条件不满足而出现死循环,在算法执行时给出一个固定的最大迭代次数,当迭代次数到达最大迭代次数时,聚类结束。
按上述方案,所述步骤(7)中,求平均值是指步骤(6)聚类处理后,选取聚类元素最多的类中的所有初值,分别对所有初值的x轴坐标、y轴坐标和z轴坐标取平均值,得到最终的局部放电源坐标。
本发明与现有技术相比,具有如下有益效果:采用基于多超声波传感器的局部放电非线性模型转换求解与优化,该方法通用性强,避免了求解方程组对迭代算法选择的依赖,运算时间短,不会出现迭代不收敛;有效解决了因到时误差导致定位结果较差的难题。
附图说明
图1为本发明基于多超声波传感器的局部放电非线性模型转换求解与优化方法流程图;
图2为本发明实施例有噪声时的定位初值误差示意图;
图3为本发明实施例e=1%时定位误差与迭代次数曲线图;
图4为本发明实施例e=3%时定位误差与迭代次数曲线图。
具体实施方式
以下结合附图和实施例对本发明作进一步说明。
参照图1,本发明基于多超声波传感器的局部放电非线性模型转换求解与优化方法,包括以下步骤:
(1)在变压器内建立空间直角坐标系,以变压器底部的一个顶点为空间直角坐标系的原点,以与该顶点相连的三条棱为空间直角坐标系的x轴、y轴和z轴;设置各超声波传感器的位置;以6个超声波传感器为例,在变压器内部放置6个超声波传感器,6个超声波传感器中,参考传感器的位置在原点,其他5个超声波传感器的位置满足,所有超声波传感器不全部在一个平面上;
(2)基于到达时间定位法建立定位模型,得到求解局部放电源位置的非线性定位方程组;要确定三维空间中局部放电源的位置,至少需要4个或更多的传感器同时检测局部放电源信号,假设超声波以等值波速从局部放电源向四周传播,通过测量超声波信号到达各传感器的时间,建立与之对应的双曲面方程组,其交点为局部放电源的坐标。设局部放电源的坐标为P(x,y,z),各个传感器的坐标为Si(xi,yi,zi)(i=1,2,…,n-1),参考传感器的坐标为S0(0,0,0),局部放电发生时间为t,超声波从局部放电源到达各超声波传感器的时间为ti,v为超声波等值波速,根据TDOA定位法,非线性定位方程组的表达式为:
xi(i=1,2...,5)为其他5个超声波传感器的x轴坐标,yi(i=1,2,...,5)为其他5个超声波传感器的y轴坐标,zi(i=1,2,...,5)为其他5个超声波传感器的z轴坐标;求解非线性定位方程组(1)可以得到局部放电源坐标;
(3)通过消除二阶项将非线性定位方程组转换为线性方程组
消除二阶项是指将非线性定位方程组中各式进行展开作差,得到线性方程组:
由方程组(1)得到如下一组方程:
(x-0)2+(y-0)2+(z-0)2=v2(t0-t)2 (2)
(x-x1)2+(y-y1)2+(z-z1)2=v2(t1-t)2 (3)
(x-x2)2+(y-y2)2+(z-z2)2=v2(t2-t)2 (4)
(x-x3)2+(y-y3)2+(z-z3)2=v2(t3-t)2 (5)
(x-x4)2+(y-y4)2+(z-z4)2=v2(t4-t)2 (6)
(x-x5)2+(y-y5)2+(z-z5)2=v2(t5-t)2 (7)
式(2)~(7)为球面方程,球面的中心为传感器的坐标,球面(2)~(7)中,任意2个球面相交于一个圆面,局部放电源坐标位于这些圆面上。
球面(2)与(3)相交的圆面方程可以通过式(2)和(3)作差得到,该方程为
同理,球面(2)和(4),球面(2)和(5),球面(2)和(6)以及球面(2)和(7)相交的圆面的方程可以通过分别求解式(2)与(4),式(2)与(5),式(2)与(6)以及式(2)与(7),得到,以上相交圆面的方程分别为
式中,
Ki为一组与传感器坐标相关的常量。
令G=v2,H=v2t,式(8)~(12)可以表示为
将式(13)~式(17)组合,可写成线性方程组AX=B的形式,其中
(4)获取超声波从局部放电源到达各超声波传感器的时间,将超声波从局部放电源到达各传感器的时间和各传感器坐标代入线性方程组(18)并求解,得到局部放电源坐标P(x,y,z)的多样本初值;
多样本初值是指使用超过6个超声波传感器进行局部放电定位,将每个超声波传感器的坐标和到达时间ti代入线性方程组AX=B即得到局部放电源坐标的一个样本初值,这样即可得到局部放电源坐标的多样本初值;
(5)将多样本初值进行筛选,去除不合理的数据,得到有效的多样本初值;不合理的数据是指在步骤(3)中求解线性方程组时,可能会出现部分波速为虚数或者明显大于(或小于)正常波速的数值,这是因为在反算波速时到时误差造成的,这些数据是不合理的;
(6)采用改进的K-means算法对有效的多样本初值进行聚类处理;
K-means算法是一种应用广泛的模式分类方法,假设有k个类别,选择k个样本作为初始聚类中心,计算所有样本到各初始聚类中心的距离,并将各个样本归入最近的聚类,然后计算聚类中心和评价指标并进行样本归类,如此循环,直至评价指标收敛,使各样本到其所在聚类中心的距离最小,各聚类中心是其所有样本的均值。
改进的K-means聚类算法首先建立样本点的评价指标Q如下:
由式(19)可知,评价指标Q与样本点平均值的欧式距离成正相关,根据样本点的Q值从小到大进行排序,将样本等分为k类,选取每类的中心样本作为该类的初始聚类中心点。
(7)选取聚类元素最多的类,对该类元素求平均值,求平均值是指步骤(6)聚类处理后,选取聚类元素最多的类中的所有初值,分别对所有初值的x轴坐标、y轴坐标和z轴坐标取平均值,最终确定最优的局部放电源坐标。
应用实施例:本发明方法适合在电力变压器内利用超声波传感器进行局部放电定位。为了验证本发明的有效性和准确性,分别在添加不同的随机噪声的情况下进行试验。
实施例中,精确到时是指在无噪声的情况下,超声波从局部放电源到超声波传感器的理论精确时间;加入随机噪声后的模拟时间是指在精确到时的基础上,人为在精确到时上加入[-1×e,1×e]ms(其中e=(0.1%,1%,3%))范围内的随机噪声。
为了说明的方便,下面以表1中e=1%时的情况进行设计说明。
表1 模拟实验参数设置
表2 e=1%时定位初值
当e=1%时,如图2和表2所示,定位初值中有个别几个点与实际放电点偏差较大,但是大部分定位初值均在实际放电点附近,超声波等值波速理论值为150cm/ms,计算得到的超声波等值波速应该在[130,170]cm/ms范围内,超过这个范围即为不合理数据,通过求解AX=B得到计算出的超声波等值波速中,去除波速明显不合理的数据(第3、8、12、16、17、18组),共有15组有效样本初值,这15组样本初值的平均值为(150.29,149.46,144.81)cm,误差为4.85cm。
对这15组样本初值进行聚类,类别数k=5,对同一个类个数多的解求平均值,如图3所示(横轴代表迭代次数,纵轴代表定位误差),分别进行了3次聚类(n为聚类次数),除了第3次聚类在迭代次数为50次时误差最小,第1次和第2次聚类均在迭代次数为100时误差最小。故e=1%时,迭代次数为100步时,聚类之后的定位结果为(150.20,150.31,138.37)cm,定位误差为1.67cm,定位精度有所提高。如图4所示(横轴代表迭代次数,纵轴代表定位误差),当e=3%时,迭代次数为100次时误差最小,聚类之后的定位误差约为3.2cm。
综合上述仿真结果及分析表明基于多超声波传感器的局部放电非线性模型转换求解与优化方法是可行的。
本领域的技术人员可以对本发明进行各种修改和变型,倘若这些修改和变型在本发明权利要求及其等同技术的范围之内,则这些修改和变型也在本发明的保护范围之内。说明书中未详细描述的内容为本领域技术人员公知的现有技术。
Claims (6)
1.基于多超声波传感器的局部放电非线性模型转换求解与优化方法,其特征在于,包括以下步骤:
(1)在变压器内建立空间直角坐标系,设置各超声波传感器位置;
(2)基于到达时间定位法建立定位模型,得到求解局部放电源位置的非线性定位方程组;
非线性定位方程组的表达式为:
式中,n为超声波传感器的个数,参考传感器的位置(x0,y0,z0)在原点,即x0=y0=z0=0,xi(i=1,2,...,n-1)为其他n-1个超声波传感器的x轴坐标,yi(i=1,2,...,n-1)为其他n-1个超声波传感器的y轴坐标,zi(i=1,2,...,n-1)为其他n-1个超声波传感器的z轴坐标,t为局部放电发生时间,ti(i=0,1,2,...,n-1)为超声波从局部放电源到达各超声波传感器的时间,v为超声波等值波速;
(3)通过消除二阶项将非线性定位方程组转换为线性方程组;
将非线性定位方程组中各式进行展开作差,得到线性方程组AX=B,其中
(4)获取超声波从局部放电源到达各超声波传感器的时间,将超声波从局部放电源到达各超声波传感器的时间和各传感器坐标代入线性方程组并求解,得到局部放电源坐标的多样本初值;
(5)将多样本初值进行筛选,去除不合理的数据,得到有效的多样本初值;
(6)采用改进的K-means算法对有效的多样本初值进行聚类处理,具体包括如下步骤:
1)在N个样本点中,按照下式计算样本点的评价指标Q
评价指标Q与样本点平均值的欧式距离成正相关,根据样本点的Q值从小到大进行排序,将样本等分为k类,k=N/3~N/2;选取每类的中心样本作为该类的初始聚类中心点;
2)若两个初始聚类中心点的距离小于预定的阈值θ,其中θ<5cm,剔除其中一个聚类中心点,更新聚类数目,记为k*;
3)计算每个样本点Pi到所有聚类中心的欧式距离,如果满足下式,则将样本点Pi划分到类Cl中:
||Pi-cl||<||Pi-cm|| (20)
式中:l=1,2,...,k;m=1,2,...,k;i=1,2,...,N,且l≠m;cl为类Cl的聚类中心,cm为类Cm的聚类中心;
4)根据新的聚类关系,重新计算新的聚类中心;
5)如果改进的K-means算法满足收敛条件则结束,否则返回步骤2),进行下一次迭代计算;收敛条件有:
①两次迭代中的聚类中心点距离的变化小于一个阈值ε,其中ε<0.0001;
②下式中E不再改变:
式中,E为样本点中所有对象的误差平方的总和,Pj是Ci类的样本点,ci为Ci类的聚类中心,||·||2表示平方欧式距离;
(7)选取聚类元素最多的类,对该类元素的位置求平均值,最终确定最优的局部放电源坐标。
2.根据权利要求1所述的基于多超声波传感器的局部放电非线性模型转换求解与优化方法,其特征在于,所述步骤(1)中,建立空间直角坐标系是指以变压器底部的一个顶点为空间直角坐标系的原点,以与该顶点相连的三条棱为空间直角坐标系的x轴、y轴和z轴;
设置各超声波传感器的位置是指在已建立的空间直角坐标系下,在变压器内部放置多个超声波传感器,多个超声波传感器中,参考传感器的位置在原点,其他超声波传感器的位置满足所有超声波传感器不全部在一个平面上。
3.根据权利要求1所述的基于多超声波传感器的局部放电非线性模型转换求解与优化方法,其特征在于,所述步骤(4)中,多样本初值是指使用超过6个超声波传感器进行局部放电定位,将每6个超声波传感器的坐标和到达时间ti代入线性方程组即得到局部放电源坐标的一个样本初值,这样即得到局部放电源坐标的多样本初值。
4.根据权利要求1所述的基于多超声波传感器的局部放电非线性模型转换求解与优化方法,其特征在于,所述步骤(5)中,不合理的数据是指在步骤(3)中求解线性方程组时,计算得到的部分超声波等值波速为虚数或者明显大于或小于正常波速的数值。
5.根据权利要求1所述的基于多超声波传感器的局部放电非线性模型转换求解与优化方法,其特征在于,为了防止步骤5)的结束条件不满足而出现死循环,在算法执行时给出一个固定的最大迭代次数,当迭代次数到达最大迭代次数时,聚类结束。
6.根据权利要求1所述的基于多超声波传感器的局部放电非线性模型转换求解与优化方法,其特征在于,所述步骤(7)中,求平均值是指步骤(6)聚类处理后,选取聚类元素最多的类中的所有初值,分别对所有初值的x轴坐标、y轴坐标和z轴坐标取平均值,得到最终的局部放电源坐标。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810297996.5A CN108536648B (zh) | 2018-03-30 | 2018-03-30 | 基于多超声波传感器的局部放电非线性模型转换求解与优化方法 |
US16/108,104 US10877084B2 (en) | 2018-03-30 | 2018-08-22 | Nonlinear model transformation solving and optimization method for partial discharge positioning based on multi-ultrasonic sensor |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810297996.5A CN108536648B (zh) | 2018-03-30 | 2018-03-30 | 基于多超声波传感器的局部放电非线性模型转换求解与优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108536648A CN108536648A (zh) | 2018-09-14 |
CN108536648B true CN108536648B (zh) | 2021-07-06 |
Family
ID=63483170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810297996.5A Active CN108536648B (zh) | 2018-03-30 | 2018-03-30 | 基于多超声波传感器的局部放电非线性模型转换求解与优化方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10877084B2 (zh) |
CN (1) | CN108536648B (zh) |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109212395B (zh) * | 2018-10-30 | 2020-10-16 | 国网河南省电力公司南阳供电公司 | 一种高压开关柜局部放电监测方法 |
CN109490728B (zh) * | 2018-11-30 | 2020-12-01 | 合肥工业大学 | 一种基于正则化的变电站局部放电定位方法 |
CN109917252B (zh) * | 2019-04-25 | 2022-02-01 | 国网山东省电力公司临沂供电公司 | 变压器内局部放电源定位方法、装置和服务器 |
CN109917257B (zh) * | 2019-04-27 | 2020-04-07 | 西南交通大学 | 一种变压器局部放电超声波定位方法 |
CN110837028B (zh) * | 2019-09-27 | 2021-08-31 | 中国船舶重工集团公司第七一九研究所 | 一种快速识别局部放电模式的方法 |
CN111102946B (zh) * | 2019-12-18 | 2021-11-23 | 湖北省电力勘测设计院有限公司 | 基于超声波的隧道变形监测方法 |
CN111121755B (zh) * | 2020-01-02 | 2023-06-20 | 广东博智林机器人有限公司 | 一种多传感器的融合定位方法、装置、设备及存储介质 |
CN111157864B (zh) * | 2020-03-12 | 2022-06-14 | 广东电网有限责任公司 | 一种局部放电超声波信号及图谱识别***及其方法 |
CN113705763B (zh) * | 2020-05-20 | 2024-02-20 | 贵州电网有限责任公司 | 一种基于神经计算棒的配网变压器实时检测方法及*** |
CN111983398B (zh) * | 2020-08-05 | 2024-01-30 | 国网江苏省电力有限公司电力科学研究院 | 一种考虑nlos条件下电力变压器局放tdoa定位方法及*** |
CN112255507B (zh) * | 2020-09-10 | 2022-07-22 | 深圳供电局有限公司 | 局部放电定位方法、装置、计算机设备和存储介质 |
CN112213585A (zh) * | 2020-10-10 | 2021-01-12 | 国网山东省电力公司枣庄供电公司 | 考虑温度场变化的高压开关柜局部放电定位方法及*** |
CN112964923B (zh) * | 2021-02-09 | 2022-07-19 | 华北电力大学 | 基于磁传感器阵列的非环绕式电流测量方法 |
CN113189456A (zh) * | 2021-04-21 | 2021-07-30 | 合肥工业大学 | 一种基于密度聚类的变压器局部放电定位方法及*** |
CN112862910B (zh) * | 2021-04-26 | 2021-07-27 | 广东电网有限责任公司东莞供电局 | 一种对变电站三维模型进行数据压缩的方法 |
CN113533910A (zh) * | 2021-06-10 | 2021-10-22 | 中国电力科学研究院有限公司 | 一种适用于换流变压器局部放电预警的方法及*** |
CN113504439A (zh) * | 2021-06-23 | 2021-10-15 | 华能随县界山风电有限责任公司 | 一种基于超声波定位技术的开关柜局部放电监测*** |
CN113674227B (zh) * | 2021-08-02 | 2023-08-08 | 上海工程技术大学 | 一种用于离子推力器栅极组件的层间距检测方法 |
CN113960531B (zh) * | 2021-08-24 | 2024-05-31 | 中南大学 | 一种基于改进msac的未知波速声发射源定位方法及*** |
CN113567822B (zh) * | 2021-09-01 | 2024-04-02 | 国网河南省电力公司南阳供电公司 | 一种用于电气设备局部放电的监测装置 |
CN114280435B (zh) * | 2021-12-24 | 2023-05-05 | 重庆科技学院 | 一种电力***开关柜的局部放电管理*** |
CN114295946B (zh) * | 2021-12-30 | 2023-07-04 | 国网河南省电力公司电力科学研究院 | 一种多特高频传感器组多样本信号逐次逼近求解方法 |
CN115270617B (zh) * | 2022-07-20 | 2024-04-26 | 中国人民解放军海军工程大学 | 一种水下恒定电流元定位方法、***、介质、设备及终端 |
CN115776724B (zh) * | 2023-02-10 | 2023-05-05 | 南京航空航天大学 | 面向电磁频谱地图测绘的传感器节点布局优化方法及*** |
CN116204756B (zh) * | 2023-04-28 | 2023-07-07 | 武汉大学 | 一种多分析中心精密站坐标产品综合方法及*** |
CN117665782B (zh) * | 2024-02-02 | 2024-04-26 | 山东科技大学 | 一种多探头多波束的实时声线弯曲改正方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2890942Y (zh) * | 2006-03-14 | 2007-04-18 | 保定天威集团有限公司 | 高压电气设备绝缘局部损伤定位探测器 |
CN101149430A (zh) * | 2006-09-19 | 2008-03-26 | 上海卓越睿新信息技术有限公司 | 一种依靠两种不同波速的波在小空间完成平面定位的*** |
CN101702000A (zh) * | 2009-11-26 | 2010-05-05 | 华北电力大学(保定) | 变压器局部放电的相控超声定位方法及*** |
CN104731916A (zh) * | 2015-03-24 | 2015-06-24 | 无锡中科泛在信息技术研发中心有限公司 | 数据挖掘中基于密度优化初始中心的k均值聚类方法 |
CN107145907A (zh) * | 2017-05-04 | 2017-09-08 | 云南大学 | 一种基于k均值样本预选的支持向量机主动学习方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4072200A (en) * | 1976-05-12 | 1978-02-07 | Morris Fred J | Surveying of subterranean magnetic bodies from an adjacent off-vertical borehole |
US4933640A (en) * | 1988-12-30 | 1990-06-12 | Vector Magnetics | Apparatus for locating an elongated conductive body by electromagnetic measurement while drilling |
US6564883B2 (en) * | 2000-11-30 | 2003-05-20 | Baker Hughes Incorporated | Rib-mounted logging-while-drilling (LWD) sensors |
WO2011151480A2 (es) * | 2010-05-31 | 2011-12-08 | Universidad Politecnica De Madrid (Upm) | Nuevo procedimiento para ensayar y diagnosticar en tiempo real las fuentes de descargas parciales que se produzcan en equipos e instalaciones de alta tensión en servicio o fuera de servicio y su sistema físico para la aplicación practica del procedimiento |
CN103077402B (zh) * | 2012-12-28 | 2016-05-11 | 国家电网公司 | 基于奇异值分解算法的变压器局部放电模式识别方法 |
US10459034B2 (en) * | 2014-12-26 | 2019-10-29 | Samsung Electronics Co., Ltd. | Method and apparatus for estimating state of health (SOH) of battery |
-
2018
- 2018-03-30 CN CN201810297996.5A patent/CN108536648B/zh active Active
- 2018-08-22 US US16/108,104 patent/US10877084B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2890942Y (zh) * | 2006-03-14 | 2007-04-18 | 保定天威集团有限公司 | 高压电气设备绝缘局部损伤定位探测器 |
CN101149430A (zh) * | 2006-09-19 | 2008-03-26 | 上海卓越睿新信息技术有限公司 | 一种依靠两种不同波速的波在小空间完成平面定位的*** |
CN101702000A (zh) * | 2009-11-26 | 2010-05-05 | 华北电力大学(保定) | 变压器局部放电的相控超声定位方法及*** |
CN104731916A (zh) * | 2015-03-24 | 2015-06-24 | 无锡中科泛在信息技术研发中心有限公司 | 数据挖掘中基于密度优化初始中心的k均值聚类方法 |
CN107145907A (zh) * | 2017-05-04 | 2017-09-08 | 云南大学 | 一种基于k均值样本预选的支持向量机主动学习方法 |
Non-Patent Citations (4)
Title |
---|
"Improving the Accuracy and Efficiency of the k-means Clustering Algorithm";K.A.Abdul Nazeer,M.P.Sebastian;《Proceedings of the World Congress on Engineering 2009》;20090703;全文 * |
"一种优化初始中心点的K-Means文本聚类算法";朱颢东等;《郑州大学学报》;20090615;第29-32页 * |
"多超声波传感器局部放电源定位方法的研究";孙云亭等;《电子测量与仪器学报》;20160331(第3期);第418-419页 * |
机器学习-KMeans聚类 K值以及初始类簇中心点的选取;kemaswill;《https://www.cnblogs.com/kemaswill/archive/2013/01/26/2877434.html》;20130126;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108536648A (zh) | 2018-09-14 |
US20190302169A1 (en) | 2019-10-03 |
US10877084B2 (en) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108536648B (zh) | 基于多超声波传感器的局部放电非线性模型转换求解与优化方法 | |
CN109963287B (zh) | 天线方向角优化方法、装置、设备及介质 | |
CN104703143B (zh) | 一种基于wifi信号强度的室内定位方法 | |
CN110493742B (zh) | 一种用于超宽带的室内三维定位方法 | |
CN110895333B (zh) | 一种基于多普勒频率的77g车载雷达数据快速聚类方法 | |
CN109490728B (zh) | 一种基于正则化的变电站局部放电定位方法 | |
CN114363808B (zh) | 一种基于rssi测距的室内定位方法 | |
CN103292773B (zh) | 一种基于最小区域的对称度误差评定方法 | |
CN103049596A (zh) | 一种提高叶轮零件逆向工程精度的方法 | |
CN103217211A (zh) | 一种基于合成孔径原理的变电站噪声源分布测量方法 | |
Xiaomao et al. | Data fusion of target characteristic in multistatic passive radar | |
CN106772237A (zh) | 长基线时差定位干涉仪测向辅助解模糊方法 | |
CN112333634A (zh) | 一种基于uav的混合节点定位方法 | |
CN106646413B (zh) | 一种雷达组网垂线交叉融合定位方法及误差解算方法 | |
CN105116393A (zh) | 一种基于位置指纹的高空目标飞行高度和雷达截面积估计方法 | |
CN109459723B (zh) | 一种基于元启发算法的纯方位被动定位方法 | |
CN111669702A (zh) | 基于wifi地址与场强的粗精匹配定位方法 | |
CN112784218B (zh) | 一种非高斯随机振动信号的峭度估计方法 | |
CN110096778B (zh) | 一种基于传输性能测试数据的引线搭焊互联点缺陷确定方法 | |
CN111222223B (zh) | 用于确定无线电波传播环境电磁参数的方法 | |
CN114781056A (zh) | 一种基于特征匹配的飞机整机外形测量方法 | |
CN113155959A (zh) | 一种基于相控阵检测的圆弧枞树型叶根图像识别方法 | |
CN114063012B (zh) | 应用于机场场面监视多点定位***的目标定位方法及*** | |
CN114295946B (zh) | 一种多特高频传感器组多样本信号逐次逼近求解方法 | |
CN113573231B (zh) | 一种基于改进三边测量法的室内rssi多点定位方法 |
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 |