CN109116196B - 一种电力电缆故障放电声智能识别方法 - Google Patents
一种电力电缆故障放电声智能识别方法 Download PDFInfo
- Publication number
- CN109116196B CN109116196B CN201810737476.1A CN201810737476A CN109116196B CN 109116196 B CN109116196 B CN 109116196B CN 201810737476 A CN201810737476 A CN 201810737476A CN 109116196 B CN109116196 B CN 109116196B
- Authority
- CN
- China
- Prior art keywords
- cable fault
- sound signal
- sound
- data
- fault 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000005236 sound signal Effects 0.000 claims abstract description 95
- 238000012706 support-vector machine Methods 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims abstract description 20
- 238000006243 chemical reaction Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 238000005070 sampling Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000010606 normalization Methods 0.000 description 6
- 239000000523 sample Substances 0.000 description 6
- 230000007547 defect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000005672 electromagnetic field Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
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
- G01R31/1209—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
- 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
- G01R31/1263—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 of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1272—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 of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Locating Faults (AREA)
- Testing Relating To Insulation (AREA)
Abstract
一种电力电缆故障放电声智能识别方法,属于电力电缆故障探测领域。其特征在于:包括如下步骤:步骤1,采样声音信号并进行模数转换;步骤2,数据预处理和特征提取;步骤3,将提取到的声音信号的特征向量送入支持向量机进行识别并得到判断结果;步骤4,当前声音信号如果是电缆故障放电声,顺序执行步骤5~步骤7,如果是非电缆故障放电声,执行步骤7;步骤5,保存当前声音信号的数据;步骤6,进行相关系数的计算;步骤7,显示判断结果及声音信号波形。在本电力电缆故障放电声智能识别方法中,基于支持向量机且能够自动识别电力电缆故障放电声音,摆脱长期以来依赖测试者个人经验的制约,大大提升电力电缆故障定点的工作效率。
Description
技术领域
一种电力电缆故障放电声智能识别方法,属于电力电缆故障探测领域。
背景技术
电力电缆在城市地下电网、工矿企业的内部供电线路和过江、过海的水下输电线路中有广泛的应用。电缆一旦发生故障,会给企业生产造成停电损失,给居民生活带来不便,因此电缆发生故障后需要尽快查找到故障进行修复。
查找电缆故障一般需要经过故障诊断、故障测距和故障定点三个步骤。故障诊断是用万用表等工具和设备检查电缆各相的连通性、故障相的绝缘阻值,目的是判明故障性质,为后续步骤选择合适的测试方法;故障测距是用仪器测出故障点与测试点之间电缆的长度,目的是大体确定电缆故障所在的区域,缩小故障查找的范围;故障定点是用仪器探测故障信号的强度或者到达时间,目的是逐渐接近并最终确认故障的位置。
目前在电缆故障定点环节,国内外主要通过探测电缆故障放电声音的方法查找故障点。该方法有两种实现方式:声测法和声磁同步法。
声测法的工作原理是利用置于地面的声测探头接收电缆故障点放电声音,声音信号由探头传递到主机,经过滤波、放大等处理,再由主机将处理后的声音信号传送到侦听耳机,供测试者侦听和识别,测试者通过分析比较不同位置故障放电声音的强弱变化,判断故障点的远近或者位置。
声磁同步法的工作原理是利用置于地面的声磁同步探测探头同步接收电缆故障点放电产生的声音信号和电磁场信号,声音和电磁场信号由探头传递到主机,主机对两种信号进行滤波、放大等处理,然后将声音信号送到侦听耳机,同时将声音和磁场波形以及两种信号到达时刻之间的差值(声磁延时)显示在屏幕上。测试者综合耳机侦听到的声音和主机显示的信息进行分析,识别故障放电声音,判断故障点的远近或者位置。
目前声测法和声磁同步法在故障放电声音识别方面仍然存在如下不足之处:(1)故障放电声音识别完全依靠测试者个人经验,经验不足的测试者很难准确识别故障放电声音。(2)由于测试现场存在大量的环境噪声和干扰,因此即使有经验的测试者往往也难以准确区分和识别故障放电声音。(3)人工识别故障放电声音的培训时间长,成本高,而且人工识别故障放电声音的经验和技能脱离现场环境难以传授和继承。
发明内容
本发明要解决的技术问题是:克服现有技术的不足,提供一种基于支持向量机且能够自动识别电力电缆故障放电声音,摆脱长期以来依赖测试者个人经验的制约,大大提升电力电缆故障定点工作效率的电力电缆故障放电声智能识别方法。
本发明解决其技术问题所采用的技术方案是:该电力电缆故障放电声智能识别方法,其特征在于:包括如下步骤:
步骤1,在电缆故障放电时刻开始采样声音信号并进行模数转换得到原始数据x0(i);
步骤2,对数字化的声音信号进行去直流处理,得到数据x1(i),然后对去直流处理的数据进行归一化处理,得到数据x2(i),最后提取得到声音信号的特征向量;
步骤3,将提取到的声音信号的特征向量送入支持向量机进行识别并得到判断结果;
步骤4,当前声音信号是否为电缆故障放电声,如果是电缆故障放电声,顺序执行步骤5~步骤7,如果是非电缆故障放电声,执行步骤7;
步骤5,保存当前声音信号的数据;
步骤6,进行第二次声音信号的采集并进行相关系数的计算;
步骤7,显示判断结果及声音信号波形。
优选的,步骤2中所述的特征向量包括:
根据数据x3(i)提取声音信号短时能量分布脉冲宽度特征z1:
根据数据x3(i)提取声音信号短时能量分布脉冲高宽比特征z2:
根据数据x3(i)提取声音信号短时能量分布脉冲位置特征z3:
根据数据x4(i)提取声音信号短时过零率特征z4:
其中:x3(i)为根据所述数据x2(i)计算得到的步长为D的声音信号数据短时能量分布;x4(i)为根据数据x3(i)计算得到的步长为D的声音信号数据短时过零率。
优选的,所述的步长为D的声音信号数据短时能量分布的数据x3(i)为:
其中:D表示步长。
优选的,所述的步长为D的声音信号数据短时过零率的数据x4(i)为:
其中:sign为符号函数,th表示大于零的阈值,i∈[1,2,…,n-D]。
优选的,步骤6中所述的相关系数的计算公式为:
其中:xk(i),xk+1(i),i∈[1,2,…,n]分别表示连续两次采集的声音信号数据。
优选的,步骤3中所述的支持向量机的训练过程包括如下步骤:
步骤3-1,各准备M条电缆故障放电声信号数据和非电缆故障放电声信号数据;
步骤3-2,分别对M条电缆故障放电声信号数据和非电缆故障放电声信号数据进行处理,得到特征矩阵zij,i∈[1,2,…,2M],j∈[1,2,3,4],
其中,i=[1,2,…,M]是电缆故障放电声信号特征向量,i=[M+1,M+2,…,2M]是非电缆故障放电声信号特征向量;
步骤3-3,赋值2M行的列向量s,其中第1至第M行赋值为1,表示电缆故障放电声,第M+1至第2M行赋值为0表示非电缆故障放电声;
步骤3-4,将矩阵zij和列向量s输入支持向量机训练函数,选择线性核进行训练。
与现有技术相比,本发明所具有的有益效果是:
在本电力电缆故障放电声智能识别方法中,基于支持向量机且能够自动识别电力电缆故障放电声音,摆脱长期以来依赖测试者个人经验的制约,大大提升电力电缆故障定点的工作效率。
由于电力电缆故障放电声智能识别方法能够自动识别电力电缆故障放电声音,因此大大降低了现场存在的大量环境噪声以及干扰的影响。
克服了现有技术中进行声磁同步法需要进行长时间培训的弊端,大大降低了企业的培训成本以及人工成本。
附图说明
图1为电力电缆故障放电声智能识别方法流程图。
图2为电力电缆故障放电声智能识别方法实例1电缆故障放电声原始波形图。
图3为电力电缆故障放电声智能识别方法实例1电缆故障放电声去直流波形图。
图4为电力电缆故障放电声智能识别方法实例1电缆故障放电声归一化波形图。
图5为电力电缆故障放电声智能识别方法实例1电缆故障放电声短时能量分布波形图。
图6为电力电缆故障放电声智能识别方法实例1电缆故障放电声短时过零率波形图。
图7为电力电缆故障放电声智能识别方法实例1电缆故障放电声二次采集波形图。
图8为电力电缆故障放电声智能识别方法实例2非电缆故障放电声原始波形图。
图9为电力电缆故障放电声智能识别方法实例2非电缆故障放电声去直流波形图。
图10为电力电缆故障放电声智能识别方法实例2非电缆故障放电声归一化波形图。
图11为电力电缆故障放电声智能识别方法实例2非电缆故障放电声短时能量分布波形图。
图12为电力电缆故障放电声智能识别方法实例2非电缆故障放电声短时过零率波形图。
图13为电力电缆故障放电声智能识别方法实例2非电缆故障放电声二次采集波形图。
具体实施方式
图1~13是本发明的最佳实施例,下面结合附图1~13对本发明做进一步说明。
如图1所示,一种电力电缆故障放电声智能识别方法,包括如下步骤:
步骤1,在电缆故障放电时刻开始采样声音信号并进行模数转换;
在电力电缆故障定点测试过程中,电缆故障点击穿时刻电缆全线会产生脉冲磁场信号,利用该信号触发声音信号数据采集,记录下从故障放电时刻开始时长为T的一段声音信号数据,并对该声音信号数据进行模数转换。
步骤2,对数字化的声音信号进行去直流、归一化以及特征提取等预处理。
多数情况下声音信号数据采集采用单极性A/D转换器,获得数据首先要做去直流量处理,对于N位A/D转换器输出的原始数据x0(i),i∈[1,2,…,n],去直流量处理后的数据x1(i)为:
x1(i)=x0(i)-2N-1,i∈[1,2,…,n]
然后对去直流量处理后的数据x1(i)进行归一化处理,得到归一化处理结果x2(i):
然后对归一化数据x2(i)进行处理,计算步长为D的声音信号数据短时能量分布x3(i):
对归一化数据x3(i)进行处理,计算步长为D的声音信号数据短时过零率x4(i):
其中,sign是符号函数,th是大于零的阈值。
最后对归一化的数据进行特征提取,具体包括:
(1)根据数据x3(i)提取声音信号短时能量分布脉冲宽度特征z1:
(2)根据数据x3(i)提取声音信号短时能量分布脉冲高宽比特征z2:
(3)根据数据x3(i)提取声音信号短时能量分布脉冲位置特征z3:
(4)根据数据x4(i)提取声音信号短时过零率特征z4:
上述的特征z1、z2、z3、z4构成声音信号特征向量z={z1、z2、z3、z4}。
步骤3,将提取到的声音信号的特征向量送入支持向量机进行识别并得到判断结果;
将步骤2中提取得到的声音特征信息送入支持向量机中,由支持向量机对声音特征信息进行判断,判断出当前声音信号是否属于电缆故障放电声。
在使用支持向量机进行声音特征信息识别之前,需要对支持向量机进行训练,具体训练过程包括如下步骤:
步骤3-1,按照前述声音信号数据采集要求,各准备M条电缆故障放电声信号数据和非电缆故障放电声信号数据。
步骤3-2,按照前述数据预处理和特征提取要求,分别对M条电缆故障放电声信号数据和非电缆故障放电声信号数据进行处理,得到特征矩阵zij,i∈[1,2,…,2M],j∈[1,2,3,4]。其中,i=[1,2,…,M]是电缆故障放电声信号特征向量,i=[M+1,M+2,…,2M]是非电缆故障放电声信号特征向量。
步骤3-3,赋值2M行的列向量s,其中第1至第M行赋值为1(表示是电缆故障放电声),第M+1至第2M行赋值为0(表示不是电缆故障放电声)。
步骤3-4,将矩阵zij和列向量s输入支持向量机训练函数,选择线性核进行训练。
步骤4,当前声音信号是否为电缆故障放电声,如果是电缆故障放电声,顺序执行步骤5~步骤7,如果是非电缆故障放电声,执行步骤7。
步骤5,保存当前声音信号的数据。
步骤6,进行第二次声音信号的采集并进行相关系数的计算;
重复执行步骤1和步骤2,进行第二次声音信号的采集,并在将第二次声音信号数字化后执行去直流、归一化处理,最后提取得到第二次声音信号的数据,并针对先后连续两次采集的声音信号数据计算两次声音信号数据xk(i),xk+1(i),i∈[1,2,…,n]的相关系数C:
计算得到当前两次声音信号数据的相关系数C后,将相关系数C与预设定的相关系数阈值C0进行比较,对第一次采集得到的声音信号是否为电缆故障放电声进行再次确认。
步骤7,显示判断结果及声音信号波形。
下面分别通过一个电缆故障放电声实例和一个非电缆故障放电声的实例对上述步骤进行详细说明。实例1:当声音信息为电缆故障放电声时:
步骤1,采集时长T为100ms的一端声音信号,并采用单极性分辨率N为12bit的A/D转换器,获取一组采样点数n为800的电缆故障放电声的原始数据x0(i),其波形如图2所示。
步骤2,对缆故障放电声的原始数据x0(i)进行去直流处理,得到去直流处理后的数据x1(i),如图3所示。然后对数据x1(i)进行归一化处理,得到数据x2(i),如图4所示。
利用归一化数据x2(i),计算步长D为50的声音信号数据短时能量分布x3(i)(如图5所示),计算阈值th为0.5的短时过零率x4(i),(如图6所示)。
利用短时能量分布数据x3(i),计算短时能量分布脉冲宽度特征z1=95,高宽比特征z2=0.0024,位置特征z3=121。利用短时过零率数据x4(i)计算短时过零率特征z4=500。z1、z2、z3、z4构成特征向量z={95,0.0024,121,500}。
步骤3~5,将特征向量z={95,0.0024,121,500}送入支持向量机,由支持向量机进判断后得到该声音信号为电缆故障放电声的结论,并保存当前声音信号的数据。
步骤6,再次采集时长为100ms的声音信号xk+1(i),其波形如图7所示,将该声音信号的数据与上次采集得到的声音信号的数据xk(i)(即x0(i),波形见图2)进行相关系数的计算,计算得到两个声音信号的相关系数C=0.954,最终确认当前声音信息为电缆故障放电声。
步骤7,将当前声音信息为电缆故障放电声的判断结果以及声音信息的波形进行显示。
实例2:当声音信息为非电缆故障放电声时:
步骤1,采集时长T为100ms的一端声音信号,并采用单极性分辨率N为12bit的A/D转换器,获取一组采样点数n为800的电缆故障放电声的原始数据x'0(i),其波形如图8所示。
步骤2,对缆故障放电声的原始数据x'0(i)进行去直流处理,得到去直流处理后的数据x'1(i),如图9所示。然后对数据x'1(i)进行归一化处理,得到数据x'2(i),如图10所示。
利用归一化数据x'2(i),计算步长D为50的声音信号数据短时能量分布x'3(i)(如图11所示),计算阈值th为0.5的短时过零率x'4(i),(如图12所示)。
利用短时能量分布数据x'3(i),计算短时能量分布脉冲宽度特征z1'=615,高宽比特征z'2=1.41×10-4,位置特征z'3=426。利用短时过零率数据x'4(i)计算短时过零率特征z'4=1826。z1’、z’2、z’3、z’4构成特征向量z'={615,1.41×10-4,426,1826}。
步骤3~4,将特征向量z'={615,1.41×10-4,426,1826}送入支持向量机,由支持向量机进判断后得到该声音信号为非电缆故障放电声的结论。
步骤7,将当前声音信息为非电缆故障放电声的判断结果以及声音信息的波形进行显示。
也可以通过步骤6对声音信号为非电缆故障放电声的结论进行验证:
再次采集时长为100ms的声音信号x’k+1(i),其波形如图13所示,将该声音信号的数据与上次采集得到的声音信号的数据x’k(i)(即x’0(i),波形见图8)进行相关系数的计算,计算得到两个声音信号的相关系数C’=0.025,最终确认当前声音信息为非电缆故障放电声。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (5)
1.一种电力电缆故障放电声智能识别方法,其特征在于:包括如下步骤:
步骤1,在电缆故障放电时刻开始采样声音信号并进行模数转换得到原始数据x0(i);
步骤2,对数字化的声音信号进行去直流处理,得到数据x1(i),然后对去直流处理的数据进行归一化处理,得到数据x2(i),最后提取得到声音信号的特征向量;
步骤3,将提取到的声音信号的特征向量送入支持向量机进行识别并得到判断结果;
步骤4,判断前声音信号是否为电缆故障放电声,如果是电缆故障放电声,顺序执行步骤5~步骤7,如果是非电缆故障放电声,执行步骤7;
步骤5,保存当前声音信号的数据;
步骤6,进行第二次声音信号的采集并进行相关系数的计算;
步骤7,显示判断结果及声音信号波形;
步骤2中所述的特征向量包括:
根据数据x3(i)提取声音信号短时能量分布脉冲宽度特征z1:
根据数据x3(i)提取声音信号短时能量分布脉冲高宽比特征z2:
根据数据x3(i)提取声音信号短时能量分布脉冲位置特征z3:
根据数据x4(i)提取声音信号短时过零率特征z4:
其中:x3(i)为根据所述数据x2(i)计算得到的步长为D的声音信号数据短时能量分布;x4(i)为根据数据x3(i)计算得到的步长为D的声音信号数据短时过零率。
5.根据权利要求1所述的电力电缆故障放电声智能识别方法,其特征在于:步骤3中所述的支持向量机的训练过程包括如下步骤:
步骤3-1,各准备M条电缆故障放电声信号数据和非电缆故障放电声信号数据;
步骤3-2,分别对M条电缆故障放电声信号数据和非电缆故障放电声信号数据进行处理,得到特征矩阵zij,i∈[1,2,…,2M],j∈[1,2,3,4],
其中,i=[1,2,…,M]是电缆故障放电声信号特征向量,i=[M+1,M+2,…,2M]是非电缆故障放电声信号特征向量;
步骤3-3,赋值2M行的列向量s,其中第1至第M行赋值为1,表示电缆故障放电声,第M+1至第2M行赋值为0表示非电缆故障放电声;
步骤3-4,将矩阵zij和列向量s输入支持向量机训练函数,选择线性核进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810737476.1A CN109116196B (zh) | 2018-07-06 | 2018-07-06 | 一种电力电缆故障放电声智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810737476.1A CN109116196B (zh) | 2018-07-06 | 2018-07-06 | 一种电力电缆故障放电声智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109116196A CN109116196A (zh) | 2019-01-01 |
CN109116196B true CN109116196B (zh) | 2020-09-25 |
Family
ID=64823074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810737476.1A Active CN109116196B (zh) | 2018-07-06 | 2018-07-06 | 一种电力电缆故障放电声智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109116196B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112013425B (zh) * | 2019-05-30 | 2021-12-03 | 宁波方太厨具有限公司 | 一种燃气灶具的电量检测方法及检测*** |
CN113327629A (zh) * | 2021-05-06 | 2021-08-31 | 上海交通大学 | 电力设备声音诊断方法及*** |
CN113759208A (zh) * | 2021-06-02 | 2021-12-07 | 青岛鼎信通讯股份有限公司 | 一种基于故障指示器的异常波形识别方法 |
CN113466616A (zh) * | 2021-06-22 | 2021-10-01 | 海南电网有限责任公司乐东供电局 | 一种电缆故障点快速定位方法以及装置 |
CN115762529A (zh) * | 2022-10-17 | 2023-03-07 | 国网青海省电力公司海北供电公司 | 一种利用声音识别感知算法预防电缆外破的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1821795A (zh) * | 2006-03-29 | 2006-08-23 | 保定天威集团有限公司 | 一种测定高压电气设备放电故障位置的方法及其装置 |
CN102426835A (zh) * | 2011-08-30 | 2012-04-25 | 华南理工大学 | 一种基于支持向量机模型的开关柜局部放电信号识别方法 |
CN102628917A (zh) * | 2012-04-25 | 2012-08-08 | 广州供电局有限公司 | 局部放电识别方法和*** |
KR101410733B1 (ko) * | 2013-01-10 | 2014-06-24 | 한국전기연구원 | 레퍼런스 마이크를 이용한 부분방전 측정 장치 및 방법 |
CN104409073A (zh) * | 2014-11-04 | 2015-03-11 | 贵阳供电局 | 一种变电设备声音与语音的识别方法 |
CN106782505A (zh) * | 2017-02-21 | 2017-05-31 | 南京工程学院 | 一种基于放电声音识别高压开关柜状态的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201432279A (zh) * | 2013-02-05 | 2014-08-16 | Tzu-Feng Wanglee | 運用聲能特徵判斷電力設備電弧放電及機械震動、異常位移類故障的方法 |
-
2018
- 2018-07-06 CN CN201810737476.1A patent/CN109116196B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1821795A (zh) * | 2006-03-29 | 2006-08-23 | 保定天威集团有限公司 | 一种测定高压电气设备放电故障位置的方法及其装置 |
CN102426835A (zh) * | 2011-08-30 | 2012-04-25 | 华南理工大学 | 一种基于支持向量机模型的开关柜局部放电信号识别方法 |
CN102628917A (zh) * | 2012-04-25 | 2012-08-08 | 广州供电局有限公司 | 局部放电识别方法和*** |
KR101410733B1 (ko) * | 2013-01-10 | 2014-06-24 | 한국전기연구원 | 레퍼런스 마이크를 이용한 부분방전 측정 장치 및 방법 |
CN104409073A (zh) * | 2014-11-04 | 2015-03-11 | 贵阳供电局 | 一种变电设备声音与语音的识别方法 |
CN106782505A (zh) * | 2017-02-21 | 2017-05-31 | 南京工程学院 | 一种基于放电声音识别高压开关柜状态的方法 |
Non-Patent Citations (2)
Title |
---|
"利用盲源分离技术提取地下电缆故障放电声的研究";陈志坚 等;《城市建设理论研究(电子版)》;20131115(第25期);1-5 * |
基于超声波信号的局部放电故障识别算法研究;周玲;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20140115(第 01 期);C042-261 * |
Also Published As
Publication number | Publication date |
---|---|
CN109116196A (zh) | 2019-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109116196B (zh) | 一种电力电缆故障放电声智能识别方法 | |
CN109782274B (zh) | 一种基于探地雷达信号时频统计特征的水损害识别方法 | |
CN104007374B (zh) | 换流变压器局部放电检测实验中抗干扰信号的方法 | |
CN108562821B (zh) | 一种基于Softmax确定配电网单相接地故障选线的方法及*** | |
CN106447040A (zh) | 基于异类多传感器数据融合的机械设备健康状态评估方法 | |
CN111007365A (zh) | 一种基于神经网络的超声波局部放电识别方法及*** | |
CN110568073B (zh) | 一种在噪声环境中拾取击打信号的方法 | |
CN111896616B (zh) | 基于声发射-bp神经网络的气液两相流流型识别方法 | |
CN106338237A (zh) | 基于频响阻抗法的变压器绕组变形检测方法 | |
CN114217164B (zh) | 一种基于放电波形智能识别的电缆故障测距方法及*** | |
CN105488520A (zh) | 基于多分辨奇异谱熵和svm的泄漏声发射信号识别方法 | |
CN113092946A (zh) | 一种配电网多分支架空-电缆混合线路接地故障定位方法及装置 | |
CN110954033A (zh) | 混凝土裂缝深度检测方法及其*** | |
CN113805018A (zh) | 一种配电网10kV电缆局部放电故障类型智能识别方法 | |
CN115255567B (zh) | 一种基于频域和时频域特征的焊偏实时检测方法及*** | |
CN109827081A (zh) | 一种基于声学主动检测的埋地排水管道堵塞故障及管道三通件诊断方法 | |
CN116776279A (zh) | 多模态数据协同的输电线路闪爆预警异常目标检测方法 | |
CN104977602B (zh) | 一种地震数据采集施工的控制方法及装置 | |
CN107192892B (zh) | 基于雷电电磁信号识别技术的雷声定位***自动触发方法 | |
CN106646138B (zh) | 基于多采样频率小波特征能量折算的配电网接地故障定位方法 | |
CN112215307A (zh) | 一种应用机器学习自动检测地震仪器信号异常的方法 | |
CN110716199B (zh) | 用于计算机自动辨别多类型缺陷的地质雷达标记方法 | |
CN115236385B (zh) | 一种高频脉冲电流波形极性的自动识别方法 | |
CN116660800A (zh) | 一种飞机线缆微弱故障诊断方法 | |
CN115144259B (zh) | 一种钢材抗形变性能检测方法及*** |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210727 Address after: No.16, Sanying Road, Zhangdian District, Zibo City, Shandong Province Patentee after: SHANDONG KEHUI POWER AUTOMATION Co.,Ltd. Patentee after: QINGDAO KEHUI ELECTRIC Co.,Ltd. Address before: No.16, Sanying Road, Zhangdian District, Zibo City, Shandong Province Patentee before: SHANDONG KEHUI POWER AUTOMATION Co.,Ltd. |
|
TR01 | Transfer of patent right |