CN110533064A - 一种gis设备的局部放电图谱模式识别方法和*** - Google Patents
一种gis设备的局部放电图谱模式识别方法和*** Download PDFInfo
- Publication number
- CN110533064A CN110533064A CN201910645731.4A CN201910645731A CN110533064A CN 110533064 A CN110533064 A CN 110533064A CN 201910645731 A CN201910645731 A CN 201910645731A CN 110533064 A CN110533064 A CN 110533064A
- Authority
- CN
- China
- Prior art keywords
- map
- image
- pso
- neural network
- shelf depreciation
- 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
- G01R31/1254—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 gas-insulated power appliances or vacuum gaps
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种GIS设备的局部放电图谱模式识别方法和***,具体为对根据局部放电原始信号生成的PRPS图谱和PRPD图谱进行预处理,得到统计特征参数与规格化灰度图像;对规格化灰度图像分别进行基于像素的图形变换操作,得到图像形态学特征参数;构建PSO‑BP神经网络,将统计特征参数、图像形态学特征参数、预设绝缘缺陷的类别序号输入PSO‑BP神经网络,根据经验公式计算PSO‑BP神经网络的隐层节点数量;将已知缺陷类别的样本数据对PSO‑BP神经网络进行网络优化,得到图谱模式识别模型;将未知缺陷类别的待测数据输入图谱模式识别模型,得到分类结果。通过上述处理解决了目前的局部放电信号检测方法判据单一、准确率较低且移植和兼容性较差的问题,还解决了人工图谱目测方式效率较低的问题。
Description
技术领域
本申请涉及电力输送技术领域,更具体地说,涉及一种GIS设备的局部放 电图谱模式识别方法和***。
背景技术
GIS设备(Gas Insulated Switchgear,气体绝缘金属封闭开关设备)作为 输变电关键设备,以其结构紧凑、运行安全可靠、检修周期长、不受外界环 境影响等优势,在电力***中得到广泛应用。GIS设备制造、运输、安装、运 行过程中产生的各类绝缘缺陷能够以不同程度、形式的局部放电信号表征, 而局部放电现象又会加剧绝缘劣化,因此,准确可靠的识别诊断结果是监测 ***有效运行、作出正确维护建议以避免突发故障的关键。
目前来说,特高频法凭借其较高的灵敏度、实时性以及数据可辨识度, 业已发展成为国内外主流的局部放电信号检测方法。除此以外,还有基于人 工智能的神经网络、支持向量机、K值聚类等智能检测算法也在识别分类环 节展现出各自的优势。
然而,上述检测方法由于缺乏统一规范的诊断理论依据,如何选取与构 造兼具代表性、信息量、分类性能的放电特征向量仍处于探索与优化阶段, 人们对庞杂的放电数据的宏观特征提炼尚局限于各种初步的数理统计变换。 类型迥异的输入特征格式难以互相兼容,进一步局限了已知缺陷放电样本的 获取途径,诊断建议的参考价值大打折扣。导致目前的局部放电信号检测方 法判据单一、准确率较低且移植和兼容性较差,大量变电站的局部放电监测 仍停留在人工图谱目测方式,虽能够部分解决上述问题但存在效率较低的问 题。
发明内容
有鉴于此,本申请提供一种GIS设备的局部放电图谱模式识别方法和系 统,用于解决目前的局部放电信号检测方法判据单一、准确率较低且移植和 兼容性较差的问题,还用于解决人工图谱目测方式效率较低的问题。
为了实现上述目的,现提出的方案如下:
一种GIS设备的局部放电图谱模式识别方法,包括步骤:
根据局部放电原始信号生成PRPS图谱和PRPD图谱,对所述PRPS图谱 和所述PRPD图谱进行预处理,得到统计特征参数与规格化灰度图像;
对所述规格化灰度图像分别进行基于像素的图形变换操作,得到衍生图 像,并根据所述衍生图像提取图像形态学特征参数;
构建PSO-BP神经网络,将所述统计特征参数与所述图像形态学特征参数 作为输入层向量、将预设绝缘缺陷的类别序号作为输出层向量输入所述 PSO-BP神经网络,根据经验公式计算所述PSO-BP神经网络的隐层节点数量;
将已知缺陷类别的样本数据分为两部分,分别为训练样本和泛化样本, 利用所述训练样本对所述PSO-BP神经网络进行网络优化,将所述泛化样本对 优化后的PSO-BP神经网络进行一致性验证,并进行分类迭代得到图谱模式识 别模型;
将未知缺陷类别的待测数据输入所述图谱模式识别模型,得到分类结果。
可选的,所述预处理包括消除图谱背景网格线、消除网格面积及长宽比 分布不均、插值、彩色像素灰度化。
可选的,所述统计特征参数包括放电峰值、放电均值、放电频次、最大 周期计数率、前半周占比和极性区占比中的部分或全部。
可选的,所述形态学特征参数包括Hu不变矩、闭运算增幅、开运算衰减、 边缘占比和角点占比;所述根据所述衍生图像提取图像形态学特征参数,包 括:
根据像素灰度值计算0到2阶原点矩、中心矩,并经过规范化与线性组 合,导出一个7维向量,即所述Hu不变矩,所述Hu不变矩体现所述衍生图 像的宏观格局特征;
以米字型模板,对所述衍生图像中所有像素先后进行一次膨胀操作与腐 蚀操作,随后进行二值化分割,得到所述闭运算增幅;
以米字型模板,对所述衍生图像中所有像素先后进行一次腐蚀操作与膨 胀操作,随后进行二值化分割,得到所述开运算衰减;
计算所述衍生图像的各像素横向与纵向的一阶梯度值,使用Sobel微分检 测算子标注边缘像素,使用Moravec角点检测算子标注角点像素,得到所述 边缘占比和所述角点占比。
可选的,所述预设绝缘缺陷包括尖端电晕、悬浮电极、内部气隙、自由 微粒、荧光干扰、手机干扰、马达干扰和雷达干扰。
一种GIS设备的局部放电图谱模式识别***,包括:
图谱处理模块,被配置为根据局部放电原始信号生成PRPS图谱和PRPD 图谱,对所述PRPS图谱和所述PRPD图谱进行预处理,得到统计特征参数与 规格化灰度图像;
图形变换模块,被配置为对所述规格化灰度图像分别进行基于像素的图 形变换操作,得到衍生图像,并根据所述衍生图像提取图像形态学特征参数;
模型构建模块,被配置为构建PSO-BP神经网络,将所述统计特征参数与 所述图像形态学特征参数作为输入层向量、将预设绝缘缺陷的类别序号作为 输出层向量输入所述PSO-BP神经网络,根据经验公式计算所述PSO-BP神经 网络的隐层节点数量;
模型训练模块,被配置为将已知缺陷类别的样本数据分为两部分,分别 为训练样本和泛化样本,利用所述训练样本对所述PSO-BP神经网络进行网络 优化,将所述泛化样本对优化后的PSO-BP神经网络进行一致性验证,并进行 分类迭代得到图谱模式识别模型;
分类识别模块,被配置为将未知缺陷类别的待测数据输入所述图谱模式 识别模型,得到分类结果。
可选的,所述预处理包括消除图谱背景网格线、消除网格面积及长宽比 分布不均、插值、彩色像素灰度化。
可选的,所述统计特征参数包括放电峰值、放电均值、放电频次、最大 周期计数率、前半周占比和极性区占比中的部分或全部。
可选的,所述形态学特征参数包括Hu不变矩、闭运算增幅、开运算衰减、 边缘占比和角点占比;所述图形变换模块包括:
第一处理单元,被配置为根据像素灰度值计算0到2阶原点矩、中心矩, 并经过规范化与线性组合,导出一个7维向量,即所述Hu不变矩,所述Hu 不变矩体现所述衍生图像的宏观格局特征;
第二处理单元,被配置为以米字型模板,对所述衍生图像中所有像素先 后进行一次膨胀操作与腐蚀操作,随后进行二值化分割,得到所述闭运算增 幅;
第三处理单元,被配置为以米字型模板,对所述衍生图像中所有像素先 后进行一次腐蚀操作与膨胀操作,随后进行二值化分割,得到所述开运算衰 减;
第四处理单元,被配置为计算所述衍生图像的各像素横向与纵向的一阶 梯度值,使用Sobel微分检测算子标注边缘像素,使用Moravec角点检测算子 标注角点像素,得到所述边缘占比和所述角点占比。
可选的,所述预设绝缘缺陷包括尖端电晕、悬浮电极、内部气隙、自由 微粒、荧光干扰、手机干扰、马达干扰和雷达干扰。
从上述的技术方案可以看出,本申请公开了一种GIS设备的局部放电图 谱模式识别方法和***,具体为根据局部放电原始信号生成PRPS图谱和 PRPD图谱,对PRPS图谱和PRPD图谱进行预处理,得到统计特征参数与规 格化灰度图像;对规格化灰度图像分别进行基于像素的图形变换操作,得到 衍生图像,并根据衍生图像提取图像形态学特征参数;构建PSO-BP神经网络, 将统计特征参数与图像形态学特征参数作为输入层向量、将预设绝缘缺陷的 类别序号作为输出层向量输入PSO-BP神经网络,根据经验公式计算PSO-BP 神经网络的隐层节点数量;将已知缺陷类别的样本数据分为两部分,分别为 训练样本和泛化样本,利用训练样本对PSO-BP神经网络进行网络优化,将泛 化样本对优化后的PSO-BP神经网络进行一致性验证,并进行分类迭代得到图 谱模式识别模型;将未知缺陷类别的待测数据输入图谱模式识别模型,得到 分类结果。通过上述处理,解决了目前的局部放电信号检测方法判据单一、 准确率较低且移植和兼容性较差的问题,还解决了人工图谱目测方式效率较 低的问题。
另外,本申请的模式识别方法基于PRPS图谱、PRPD图谱的统计学特 征与图像形态学特征。选用两种图谱,兼顾了时序特征与时域累加特征;仅 保留主成分分析贡献率较高的几项统计特征,避免了输入向量元素过多可能 导致的“维数灾难”及数据冗余;跳出现有常用算法局限,利用计算机视觉 技术,将图谱的图像形态学特征纳入识别判据,有利于充分发掘放电样本的 多元异构信息。事实上,当现场发生局部放电预警后,工程运维人员及领域 专家通过观测图图谱像,绝大多数情况下能够凭借丰富的目测经验给出正确 的绝缘缺陷类型判断,准确率甚至高于配套的状态监测***,这也是现场运 行迟迟无法实现完全自动化的原因之一,但也恰恰体现了图图谱像特征对于 放电模式识别,有着常规统计特征无法替代的重要价值。
还有,本申请的模式识别方法主要利用两方面的特征,其中,图像形态 学特征可以直接从图片获取,而保留的数项统计特征由于只需要相对值,也 可以从经过预处理的规格化灰度图像矩阵中反向导出。因此,本方法所需样 本,可以不依赖原始放电信号、避免格式兼容限制。从网络、文献等渠道收 集的公开图片文件经过简单的颜色、灰度空间归一化调整后,即可直接用于 算法训练与泛化,充分拓展了样本的数量与样式,提升算法的鲁棒性。本方 法即使移植到其他监测软件中,或适配陌生工况、第三方GIS设备与传感器 采集单元,也可保证较为理想的识别分类性能。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实 施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面 描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲, 在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例的一种GIS设备的局部放电图谱模式识别方法的流 程图;
图2为本申请实施例的PRPS图谱和PRPD图谱;
图3为本申请实施例的另一种GIS设备的局部放电图谱模式识别方法的 流程图;
图4为本申请实施例的一种GIS设备的局部放电图谱模式识别***的框 图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行 清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而 不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作 出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
GIS:Gas Insulated Switchgear,气体绝缘金属封闭开关设备。是电力系 统关键设备。
局部放电:导体间绝缘仅被部分桥接的电气放电,这种放电可以在导体 附近发生,也可以不在导体附近发生。
PRPS:Phase Resolved Pulse Sequence,脉冲序列相位分布。x轴为相位, 取值范围取决于一个工频周期(0.02秒)的被等分数;y轴为50个周期;z 轴为放电幅值。PRPS图谱被认为包含了1秒局部放电信号的全部信息(为了 避免三维柱状图的遮挡现象,以二维俯视图形式呈现,z轴以颜色或灰度深浅 代替了柱高)。
PRPD:Phase Resolved Partial Discharge,局部放电相位分布。x轴为相 位,y轴为放电幅值范围(以dbm为单位,通常取-80到0),z轴为给定时 间段内,对应相位发生对应幅值放电的频次。PRPD图谱被认为包含了任意尺 度时间区间下的放电累加特征(为了避免三维柱状图的遮挡现象,以二维俯 视图形式呈现,z轴以颜色或灰度深浅代替了柱高)。
HU不变矩:具有平移、旋转、尺度不变性的图像区域几何特征。是由 Hu提出,用于描述灰度图像宏观特征的一组特征向量,包含7个参数。
闭运算:图像的非背景部分先膨胀(沿边缘向外扩张)1个单位,再腐蚀 (沿边缘向内收缩)1个单位,以增强区域联通性、消除孤立空洞。
开运算:图像的非背景部分先腐蚀1个单位,再膨胀1个单位,以消除 孤立的噪点与细线。
角点:角点是图像局部特别突出的点,具体表现为该点附近多个方向颜 色或灰度变化明显。角点邻域也是图像信息丰富的区域,用于图像识别、配 准。
PSO-BP:粒子群算法(PSO)、反向传播算法(BP),是机器学习与人 工智能领域成熟应用的两种算法,常用于神经网络分类拟合中,分别适合全 局与局部。
实施例一
图1为本申请实施例的一种GIS设备的局部放电图谱模式识别方法的流 程图。
如图1所示,本实施例提供的GIS设备的局部放电图谱模式识别方法具 体包括如下步骤:
S1、对根据局部放电原始信号生成的PRPS图谱和PRPD图谱进行预处理, 得到统计特征参数与规格化灰度图像。
当待处理数据为原始放电数值矩阵时,只需将每个单位数值由检测值域 按比例映射到0至255的灰度空间并占用一个像素的位置,即形成规格化灰 度图像。
当待处理数据为图图谱像时,由于背景网格与点状数据对比度通常较为 明显,可采用颜色空间对比与阶跃检测的方式先消除网格线干扰;再根据单 位网格的长和宽设置扫描步进,根据图谱中各网格可能出现的形状、面积分 布不均,设置扫描裕度;当图像相位划分与预设模板不一致时,进行抽值或 插值操作;最后根据图例对应的幅值与RGB颜色向量转换规则,将每个单位 网格的归一化数值重新映射到0至255的灰度空间并占用一个像素的位置, 即形成规格化灰度图像。若RGB转换规则未知,可采用经验公式:
Gray=0.299R+0.587G+0.114B
由于PRPS图谱的俯视图已包含1秒内原始放电数据的全部信息,而PRPD 图谱以抛弃时序特征为代价,换取了任意时间尺度下的累加特征,因此,当 获得了对应的灰度图像与二维数组,后续计算可不再依赖局部放电信号的原 始数据。
PRPS图谱和PRPD图谱如图2所示。
S2、对规格化灰度图像分别进行基于像素的图形变换操作,并提取图像 形态学特征参数。
具体为首先对规格化灰度图像进行基于像素的图形变换操作,得到相应 的衍生图像,再跟进该衍生图像提取图像形态学特征参数,这里的形态学特 征包括Hu不变矩、闭运算增幅、开运算衰减、边缘占比和角点占比。
本实施例中通过下面的步骤进行图像形态学特征参数的提取:
首先,根据像素灰度值计算0到2阶原点矩、中心矩,并经过规范化与 线性组合,导出一个7维向量,即所述Hu不变矩,所述Hu不变矩体现所述 衍生图像的宏观格局特征;
Hu不变矩是一种高度提炼的宏观图像面特征,并对伸缩、平移、旋转等 图形畸变不敏感。假设f(x,y)是点(x,y)处像素的灰度值,则图像的(p+q)阶 原点矩如下式所示:
为保证旋转平移不变性,反映图像灰度相对于质心的分布.,求其中心矩 如下:
为了消除图像缩放带来的影响,对上式规范化,如下式所示:
对二阶、三阶规格化中心矩进行线性组合,可以导出图像的Hu不变矩:
φ1=η20+η02
φ2=(η20-η02)2+4η11 2
φ3=(η30-3η12)2+(3η21-η03)2
φ4=(η30+η12)2+(η21+η03)2
φ5=(η30-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]+ (3η21-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]
φ6=(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)
φ7=(3η21-η02)(η30+η12)[(η30+η12)2-3(η21+η03)2]+ (3η12-η30)(η21+η03)[3(η30+η12)2-(η21+η03)2]
由于放电图图谱像的7个不变矩量纲差异巨大且正负性相对稳定,采用 如下公式将各数值映射至0到1,以代替线性归一化。
然后,以米字型模板,对衍生图像中所有像素先后进行一次膨胀操作与腐 蚀操作,随后进行二值化分割,得到该闭运算增幅。
闭运算,即以米字型模板,对图像中所有像素先后进行一次膨胀操作与腐 蚀操作,以增强区域联通性、消除孤立空洞。随后使用最大类间方差法(OTSU) 进行二值化分割,类间方差公式如下式所示,使得g取最大值的前景、背景 界限为最佳阈值。
g=ω0ω1(μ0-μ1)2
式中:ω0——前景像素点数占整幅图像比例;μ0——前景部分平均 灰度;ω1与μ1则分别对应背景部分。
再后,以米字型模板,对衍生图像中所有像素先后进行一次腐蚀操作与 膨胀操作,随后进行二值化分割,得到开运算衰减;
开运算,即以米字型模板,对图像中所有像素先后进行一次腐蚀操作与 膨胀操作,以消除孤立的噪点与连线,随后进行OTSU二值化分割;
最后,计算衍生图像的各像素横向与纵向的一阶梯度值,使用Sobel微分 检测算子标注边缘像素,使用Moravec角点检测算子标注角点像素,得到边 缘占比和角点占比。
计算各像素横向与纵向的一阶梯度值,使用Sobel微分检测算子标注边 缘像素,使用Moravec角点检测算子标注角点像素。
离散数字图像的梯度可通过有限差分的方式作近似处理,其模值反映了梯 度强度信息。对于3*3模板,一阶微分算子卷积核如下式所示。参数c为距 中心像元较近点的加权系数,当c取2时,就得到了Sobel算子模板。
梯度方向为:
θ=arctan(my/mx)
为了避免杂散效应,对所有达到检测阈值的点进行非极大值抑制,当某个 备选像素的梯度值与边缘方向法向相邻两个像素的梯度值相比并非最大时舍 弃。通过筛除的备选像素则被标注为边缘特征点。
Moravec算子将每个点四个主方向(0度与180度、45度与225度、90度 与270度、135度与315度)的相邻点灰度差平方和中的最小值作为该点的“兴 趣值”。若某个像素的兴趣值大于整个图像平均值的一定倍数且为局部极大 值,则判断其为角点。
S3、构建神经网络,将统计特征参数与图像形态学特征参数作为输入层 向量,将绝缘缺陷类别序号作为输出层向量输入该神经网络,并根据经验公 式计算隐层节点数量。
其中输入、输出向量明细与网络参数默认值如下表所示。
S4、将已知缺陷类别的样本数据分为两部分,一部分作为训练样本用于 网络优化,另一部分作为泛化样本用于一致性验证,先后、多次进行分类迭 代计算,得到图谱模式识别模型。
神经网络采用Sigmod型激励函数:
net=x1w1+x2w2+...+xnwn+b
首先进行PSO算法迭代,不断更新粒子群历史最优位置(pbest)与全局 最优位置(gbest)使输出向量位于近似全局最优点附近;再经过BP算法迭 代,利用梯度下降法达到迅速收敛。当均方误差与分类误差同时低于预期允 许值时,终止该阶段迭代。训练与泛化过程中,通过不断调整网络参数,可 使识别准确率趋于理想水平。保存此时的权值、阈值矩阵可用于对未知缺陷 类别的待测放电图谱进行分析识别。
本实施例整合来源于试验获取、客户提供、书籍软件等不同途径的已知 绝缘缺陷局部放电图谱样本共82组,其中58组数据用于训练,24组用于泛 化,两部分数据皆涵盖了上述8种输出类型。最终,训练环节正确率为57/58, 泛化环节正确率为23/24,模式识别效果理想,对不同来源、格式的放电数据 兼容性佳,具有较高的应用价值。
S5、将未知缺陷类别的待测数据输入图谱模式识别模型,输出分类结果。
在得到上述的图谱模式识别模型后,根据后续的需要,在得到相应的待 测数据后,将未知缺陷类型的待测数据输入到该模型,经过计算得到该待测 数据所对应的缺陷类别。
这里的缺陷类别分别为尖端电晕、悬浮电极、内部气隙、自由微粒、荧 光干扰、手机干扰、马达干扰或雷达干扰。
从上述技术方案可以看出,本实施例提供了一种GIS设备的局部放电图 谱模式识别方法,具体为根据局部放电原始信号生成PRPS图谱和PRPD图谱, 对PRPS图谱和PRPD图谱进行预处理,得到统计特征参数与规格化灰度图像; 对规格化灰度图像分别进行基于像素的图形变换操作,得到衍生图像,并根 据衍生图像提取图像形态学特征参数;构建PSO-BP神经网络,将统计特征参 数与图像形态学特征参数作为输入层向量、将预设绝缘缺陷的类别序号作为 输出层向量输入PSO-BP神经网络,根据经验公式计算PSO-BP神经网络的隐 层节点数量;将已知缺陷类别的样本数据分为两部分,分别为训练样本和泛 化样本,利用训练样本对PSO-BP神经网络进行网络优化,将泛化样本对优化 后的PSO-BP神经网络进行一致性验证,并进行分类迭代得到图谱模式识别模 型;将未知缺陷类别的待测数据输入图谱模式识别模型,得到分类结果。通 过上述处理,解决了目前的局部放电信号检测方法判据单一、准确率较低且 移植和兼容性较差的问题,还解决了人工图谱目测方式效率较低的问题。
另外,本申请的GIS设备的局部放电图谱模式识别方法的详细流程图如 图3所示。
实施例二
图4为本申请实施例的一种GIS设备的局部放电图谱模式识别***的框 图。
如图4所示,本实施例提供的GIS设备的局部放电图谱模式识别***具 体包括图谱处理模块10、图形变换模块20、模型构建模块30、模型训练模块 40和分类识别模块50。
图谱处理模块用于对根据局部放电原始信号生成的PRPS图谱和PRPD图 谱进行预处理,得到统计特征参数与规格化灰度图像。
当待处理数据为原始放电数值矩阵时,只需将每个单位数值由检测值域 按比例映射到0至255的灰度空间并占用一个像素的位置,即形成规格化灰 度图像。
当待处理数据为图图谱像时,由于背景网格与点状数据对比度通常较为 明显,可采用颜色空间对比与阶跃检测的方式先消除网格线干扰;再根据单 位网格的长和宽设置扫描步进,根据图谱中各网格可能出现的形状、面积分 布不均,设置扫描裕度;当图像相位划分与预设模板不一致时,进行抽值或 插值操作;最后根据图例对应的幅值与RGB颜色向量转换规则,将每个单位 网格的归一化数值重新映射到0至255的灰度空间并占用一个像素的位置, 即形成规格化灰度图像。若RGB转换规则未知,可采用经验公式:
Gray=0.299R+0.587G+0.114B
由于PRPS图谱的俯视图已包含1秒内原始放电数据的全部信息,而PRPD 图谱以抛弃时序特征为代价,换取了任意时间尺度下的累加特征,因此,当 获得了对应的灰度图像与二维数组,后续计算可不再依赖局部放电信号的原 始数据。
PRPS图谱和PRPD图谱如图2所示。
图形变换模块用于对规格化灰度图像分别进行基于像素的图形变换操 作,并提取图像形态学特征参数。
具体为首先对规格化灰度图像进行基于像素的图形变换操作,得到相应 的衍生图像,再跟进该衍生图像提取图像形态学特征参数,这里的形态学特 征包括Hu不变矩、闭运算增幅、开运算衰减、边缘占比和角点占比。
该模块具体包括第一处理单元、第二处理单元、第三处理单元和第四处 理单元。
第一处理单元用于根据像素灰度值计算0到2阶原点矩、中心矩,并经 过规范化与线性组合,导出一个7维向量,即所述Hu不变矩,所述Hu不变 矩体现所述衍生图像的宏观格局特征;
Hu不变矩是一种高度提炼的宏观图像面特征,并对伸缩、平移、旋转等 图形畸变不敏感。假设f(x,y)是点(x,y)处像素的灰度值,则图像的(p+q)阶 原点矩如下式所示:
为保证旋转平移不变性,反映图像灰度相对于质心的分布.,求其中心矩 如下:
为了消除图像缩放带来的影响,对上式规范化,如下式所示:
对二阶、三阶规格化中心矩进行线性组合,可以导出图像的Hu不变矩:
φ1=η20+η02
φ2=(η20-η02)2+4η11 2
φ3=(η30-3η12)2+(3η21-η03)2
φ4=(η30+η12)2+(η21+η03)2
φ5=(η30-3η12)(η30+η12)[(η30+η12)2-3(η21+η03)2]+ (3η21-η03)(η21+η03)[3(η30+η12)2-(η21+η03)2]
φ6=(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)
φ7=(3η21-η02)(η30+η12)[(η30+η12)2-3(η21+η03)2]+ (3η12-η30)(η21+η03)[3(η30+η12)2-(η21+η03)2]
由于放电图图谱像的7个不变矩量纲差异巨大且正负性相对稳定,采用 如下公式将各数值映射至0到1,以代替线性归一化。
第二处理单元用于以米字型模板,对衍生图像中所有像素先后进行一次膨 胀操作与腐蚀操作,随后进行二值化分割,得到该闭运算增幅。
闭运算,即以米字型模板,对图像中所有像素先后进行一次膨胀操作与腐 蚀操作,以增强区域联通性、消除孤立空洞。随后使用最大类间方差法(OTSU) 进行二值化分割,类间方差公式如下式所示,使得g取最大值的前景、背景 界限为最佳阈值。
g=ω0ω1(μ0-μ1)2
式中:ω0——前景像素点数占整幅图像比例;μ0——前景部分平均 灰度;ω1与μ1则分别对应背景部分。
第三处理单元用于以米字型模板,对衍生图像中所有像素先后进行一次 腐蚀操作与膨胀操作,随后进行二值化分割,得到开运算衰减;
开运算,即以米字型模板,对图像中所有像素先后进行一次腐蚀操作与 膨胀操作,以消除孤立的噪点与连线,随后进行OTSU二值化分割;
第四处理单元用于计算衍生图像的各像素横向与纵向的一阶梯度值,使 用Sobel微分检测算子标注边缘像素,使用Moravec角点检测算子标注角点像 素,得到边缘占比和角点占比。
计算各像素横向与纵向的一阶梯度值,使用Sobel微分检测算子标注边 缘像素,使用Moravec角点检测算子标注角点像素。
离散数字图像的梯度可通过有限差分的方式作近似处理,其模值反映了梯 度强度信息。对于3*3模板,一阶微分算子卷积核如下式所示。参数c为距 中心像元较近点的加权系数,当c取2时,就得到了Sobel算子模板。
梯度方向为:
θ=arctan(my/mx)
为了避免杂散效应,对所有达到检测阈值的点进行非极大值抑制,当某个 备选像素的梯度值与边缘方向法向相邻两个像素的梯度值相比并非最大时舍 弃。通过筛除的备选像素则被标注为边缘特征点。
Moravec算子将每个点四个主方向(0度与180度、45度与225度、90度 与270度、135度与315度)的相邻点灰度差平方和中的最小值作为该点的“兴 趣值”。若某个像素的兴趣值大于整个图像平均值的一定倍数且为局部极大 值,则判断其为角点。
模型构建模块用于构建PSO-BP神经网络,将统计特征参数与图像形态学 特征参数作为输入层向量,将绝缘缺陷类别序号作为输出层向量输入该神经 网络,并根据经验公式计算隐层节点数量。
其中输入、输出向量明细与网络参数默认值如下表所示。
模型训练模块用于将已知缺陷类别的样本数据分为两部分,一部分作为 训练样本用于网络优化,另一部分作为泛化样本用于一致性验证,先后、多 次进行分类迭代计算,得到图谱模式识别模型。
神经网络采用Sigmod型激励函数:
net=x1w1+x2w2+...+xnwn+b
首先进行PSO算法迭代,不断更新粒子群历史最优位置(pbest)与全局 最优位置(gbest)使输出向量位于近似全局最优点附近;再经过BP算法迭 代,利用梯度下降法达到迅速收敛。当均方误差与分类误差同时低于预期允 许值时,终止该阶段迭代。训练与泛化过程中,通过不断调整网络参数,可 使识别准确率趋于理想水平。保存此时的权值、阈值矩阵可用于对未知缺陷 类别的待测放电图谱进行分析识别。
本实施例整合来源于试验获取、客户提供、书籍软件等不同途径的已知 绝缘缺陷局部放电图谱样本共82组,其中58组数据用于训练,24组用于泛 化,两部分数据皆涵盖了上述8种输出类型。最终,训练环节正确率为57/58, 泛化环节正确率为23/24,模式识别效果理想,对不同来源、格式的放电数据 兼容性佳,具有较高的应用价值。
分类识别模块用于将未知缺陷类别的待测数据输入图谱模式识别模型, 输出分类结果。
在得到上述的图谱模式识别模型后,根据后续的需要,在得到相应的待 测数据后,将未知缺陷类型的待测数据输入到该模型,经过计算得到该待测 数据所对应的缺陷类别。
这里的缺陷类别分别为尖端电晕、悬浮电极、内部气隙、自由微粒、荧 光干扰、手机干扰、马达干扰或雷达干扰。
从上述技术方案可以看出,本实施例提供了一种GIS设备的局部放电图 谱模式识别***,该***具体用于根据局部放电原始信号生成PRPS图谱和 PRPD图谱,对PRPS图谱和PRPD图谱进行预处理,得到统计特征参数与规 格化灰度图像;对规格化灰度图像分别进行基于像素的图形变换操作,得到 衍生图像,并根据衍生图像提取图像形态学特征参数;构建PSO-BP神经网络, 将统计特征参数与图像形态学特征参数作为输入层向量、将预设绝缘缺陷的 类别序号作为输出层向量输入PSO-BP神经网络,根据经验公式计算PSO-BP 神经网络的隐层节点数量;将已知缺陷类别的样本数据分为两部分,分别为 训练样本和泛化样本,利用训练样本对PSO-BP神经网络进行网络优化,将泛 化样本对优化后的PSO-BP神经网络进行一致性验证,并进行分类迭代得到图 谱模式识别模型;将未知缺陷类别的待测数据输入图谱模式识别模型,得到 分类结果。通过上述处理,解决了目前的局部放电信号检测方法判据单一、 准确率较低且移植和兼容性较差的问题,还解决了人工图谱目测方式效率较 低的问题。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明 的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见 即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装 置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全 软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例 可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质 (包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产 品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(***)、和计算 机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实 现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图 中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专 用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一 个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指 令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个 方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终 端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存 储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流 程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备 上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算 机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于 实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定 的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦 得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以, 所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有 变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语 仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求 或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术 语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包 括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还 包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者 终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……” 限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中 还存在另外的相同要素。
以上对本发明所提供的技术方案进行了详细介绍,本文中应用了具体个 例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助 理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据 本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述, 本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种GIS设备的局部放电图谱模式识别方法,其特征在于,包括步骤:
根据局部放电原始信号生成PRPS图谱和PRPD图谱,对所述PRPS图谱和所述PRPD图谱进行预处理,得到统计特征参数与规格化灰度图像;
对所述规格化灰度图像分别进行基于像素的图形变换操作,得到衍生图像,并根据所述衍生图像提取图像形态学特征参数;
构建PSO-BP神经网络,将所述统计特征参数与所述图像形态学特征参数作为输入层向量、将预设绝缘缺陷的类别序号作为输出层向量输入所述PSO-BP神经网络,根据经验公式计算所述PSO-BP神经网络的隐层节点数量;
将已知缺陷类别的样本数据分为两部分,分别为训练样本和泛化样本,利用所述训练样本对所述PSO-BP神经网络进行网络优化,将所述泛化样本对优化后的PSO-BP神经网络进行一致性验证,并进行分类迭代得到图谱模式识别模型;
将未知缺陷类别的待测数据输入所述图谱模式识别模型,得到分类结果。
2.如权利要求1所述的局部放电图谱模式识别方法,其特征在于,所述预处理包括消除图谱背景网格线、消除网格面积及长宽比分布不均、插值、彩色像素灰度化。
3.如权利要求1所述的局部放电图谱模式设备方法,其特征在于,所述统计特征参数包括放电峰值、放电均值、放电频次、最大周期计数率、前半周占比和极性区占比中的部分或全部。
4.如权利要求1所述的局部放电图谱模式识别方法,其特征在于,所述形态学特征参数包括Hu不变矩、闭运算增幅、开运算衰减、边缘占比和角点占比;所述根据所述衍生图像提取图像形态学特征参数,包括:
根据像素灰度值计算0到2阶原点矩、中心矩,并经过规范化与线性组合,导出一个7维向量,即所述Hu不变矩,所述Hu不变矩体现所述衍生图像的宏观格局特征;
以米字型模板,对所述衍生图像中所有像素先后进行一次膨胀操作与腐蚀操作,随后进行二值化分割,得到所述闭运算增幅;
以米字型模板,对所述衍生图像中所有像素先后进行一次腐蚀操作与膨胀操作,随后进行二值化分割,得到所述开运算衰减;
计算所述衍生图像的各像素横向与纵向的一阶梯度值,使用Sobel微分检测算子标注边缘像素,使用Moravec角点检测算子标注角点像素,得到所述边缘占比和所述角点占比。
5.如权利要求1所述的局部放电图谱模式识别方法,其特征在于,所述预设绝缘缺陷包括尖端电晕、悬浮电极、内部气隙、自由微粒、荧光干扰、手机干扰、马达干扰和雷达干扰。
6.一种GIS设备的局部放电图谱模式识别***,其特征在于,包括:
图谱处理模块,被配置为根据局部放电原始信号生成PRPS图谱和PRPD图谱,对所述PRPS图谱和所述PRPD图谱进行预处理,得到统计特征参数与规格化灰度图像;
图形变换模块,被配置为对所述规格化灰度图像分别进行基于像素的图形变换操作,得到衍生图像,并根据所述衍生图像提取图像形态学特征参数;
模型构建模块,被配置为构建PSO-BP神经网络,将所述统计特征参数与所述图像形态学特征参数作为输入层向量、将预设绝缘缺陷的类别序号作为输出层向量输入所述PSO-BP神经网络,根据经验公式计算所述PSO-BP神经网络的隐层节点数量;
模型训练模块,被配置为将已知缺陷类别的样本数据分为两部分,分别为训练样本和泛化样本,利用所述训练样本对所述PSO-BP神经网络进行网络优化,将所述泛化样本对优化后的PSO-BP神经网络进行一致性验证,并进行分类迭代得到图谱模式识别模型;
分类识别模块,被配置为将未知缺陷类别的待测数据输入所述图谱模式识别模型,得到分类结果。
7.如权利要求6所述的局部放电图谱模式识别***,其特征在于,所述预处理包括消除图谱背景网格线、消除网格面积及长宽比分布不均、插值、彩色像素灰度化。
8.如权利要求6所述的局部放电图谱模式设备***,其特征在于,所述统计特征参数包括放电峰值、放电均值、放电频次、最大周期计数率、前半周占比和极性区占比中的部分或全部。
9.如权利要求6所述的局部放电图谱模式识别***,其特征在于,所述形态学特征参数包括Hu不变矩、闭运算增幅、开运算衰减、边缘占比和角点占比;所述图形变换模块包括:
第一处理单元,被配置为根据像素灰度值计算0到2阶原点矩、中心矩,并经过规范化与线性组合,导出一个7维向量,即所述Hu不变矩,所述Hu不变矩体现所述衍生图像的宏观格局特征;
第二处理单元,被配置为以米字型模板,对所述衍生图像中所有像素先后进行一次膨胀操作与腐蚀操作,随后进行二值化分割,得到所述闭运算增幅;
第三处理单元,被配置为以米字型模板,对所述衍生图像中所有像素先后进行一次腐蚀操作与膨胀操作,随后进行二值化分割,得到所述开运算衰减;
第四处理单元,被配置为计算所述衍生图像的各像素横向与纵向的一阶梯度值,使用Sobel微分检测算子标注边缘像素,使用Moravec角点检测算子标注角点像素,得到所述边缘占比和所述角点占比。
10.如权利要求6所述的局部放电图谱模式识别***,其特征在于,所述预设绝缘缺陷包括尖端电晕、悬浮电极、内部气隙、自由微粒、荧光干扰、手机干扰、马达干扰和雷达干扰。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910645731.4A CN110533064B (zh) | 2019-07-17 | 2019-07-17 | 一种gis设备的局部放电图谱模式识别方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910645731.4A CN110533064B (zh) | 2019-07-17 | 2019-07-17 | 一种gis设备的局部放电图谱模式识别方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110533064A true CN110533064A (zh) | 2019-12-03 |
CN110533064B CN110533064B (zh) | 2022-11-22 |
Family
ID=68661902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910645731.4A Active CN110533064B (zh) | 2019-07-17 | 2019-07-17 | 一种gis设备的局部放电图谱模式识别方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533064B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112034310A (zh) * | 2020-07-31 | 2020-12-04 | 国网山东省电力公司东营供电公司 | 一种组合电器局部放电缺陷诊断方法及*** |
CN112327115A (zh) * | 2020-10-30 | 2021-02-05 | 国网上海市电力公司 | 采用时频域波形主分量的局部放电脉冲特征参数提取方法 |
CN112651300A (zh) * | 2020-12-07 | 2021-04-13 | 彭浩明 | 利用神经网络进行电器类别判断的方法、装置及设备 |
CN113064032A (zh) * | 2021-03-26 | 2021-07-02 | 云南电网有限责任公司电力科学研究院 | 一种基于图谱特征和信息融合的局部放电模式识别方法 |
CN113156284A (zh) * | 2021-04-28 | 2021-07-23 | 西安西电开关电气有限公司 | 一种gis设备开关动作的干扰信号处理方法和装置 |
CN113625132A (zh) * | 2021-08-06 | 2021-11-09 | 国网上海市电力公司 | 一种基于相位对齐的电缆局部放电检测方法和*** |
CN114783011A (zh) * | 2022-06-22 | 2022-07-22 | 广东惠丰达电气设备有限公司 | 一种gis内部缺陷超声波成像识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103323755A (zh) * | 2013-06-17 | 2013-09-25 | 广东电网公司电力科学研究院 | Gis特高频局部放电信号识别方法及*** |
CN103440497A (zh) * | 2013-08-13 | 2013-12-11 | 上海交通大学 | 一种gis绝缘缺陷局部放电图谱模式识别方法 |
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 |
CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及*** |
-
2019
- 2019-07-17 CN CN201910645731.4A patent/CN110533064B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103323755A (zh) * | 2013-06-17 | 2013-09-25 | 广东电网公司电力科学研究院 | Gis特高频局部放电信号识别方法及*** |
CN103440497A (zh) * | 2013-08-13 | 2013-12-11 | 上海交通大学 | 一种gis绝缘缺陷局部放电图谱模式识别方法 |
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 |
CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及*** |
Non-Patent Citations (1)
Title |
---|
万书亭等: "基于BP神经网络的GIS缺陷图像识别***的研究", 《电力科学与工程》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112034310A (zh) * | 2020-07-31 | 2020-12-04 | 国网山东省电力公司东营供电公司 | 一种组合电器局部放电缺陷诊断方法及*** |
CN112327115A (zh) * | 2020-10-30 | 2021-02-05 | 国网上海市电力公司 | 采用时频域波形主分量的局部放电脉冲特征参数提取方法 |
CN112651300A (zh) * | 2020-12-07 | 2021-04-13 | 彭浩明 | 利用神经网络进行电器类别判断的方法、装置及设备 |
CN112651300B (zh) * | 2020-12-07 | 2023-12-12 | 彭浩明 | 利用神经网络进行电器类别判断的方法、装置及设备 |
CN113064032A (zh) * | 2021-03-26 | 2021-07-02 | 云南电网有限责任公司电力科学研究院 | 一种基于图谱特征和信息融合的局部放电模式识别方法 |
CN113064032B (zh) * | 2021-03-26 | 2022-08-02 | 云南电网有限责任公司电力科学研究院 | 一种基于图谱特征和信息融合的局部放电模式识别方法 |
CN113156284A (zh) * | 2021-04-28 | 2021-07-23 | 西安西电开关电气有限公司 | 一种gis设备开关动作的干扰信号处理方法和装置 |
CN113625132A (zh) * | 2021-08-06 | 2021-11-09 | 国网上海市电力公司 | 一种基于相位对齐的电缆局部放电检测方法和*** |
CN114783011A (zh) * | 2022-06-22 | 2022-07-22 | 广东惠丰达电气设备有限公司 | 一种gis内部缺陷超声波成像识别方法 |
CN114783011B (zh) * | 2022-06-22 | 2022-09-06 | 广东惠丰达电气设备有限公司 | 一种gis内部缺陷超声波成像识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110533064B (zh) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533064A (zh) | 一种gis设备的局部放电图谱模式识别方法和*** | |
CN114219147B (zh) | 一种基于联邦学习的配电站故障预测方法 | |
CN110943453B (zh) | 面向迁移学习的电力***故障样本生成和模型构建方法 | |
CN109190672A (zh) | 电力***运行工况无监督聚类方法及装置 | |
CN111064180B (zh) | 基于ami潮流匹配的中压配电网拓扑检测与辨识方法 | |
CN110794243A (zh) | 一种直流***故障诊断方法、***以及设备 | |
CN110363053A (zh) | 一种遥感影像居民地提取方法及装置 | |
CN106570790A (zh) | 一种计及风速数据分段特性的风电场出力数据修复方法 | |
CN114004155A (zh) | 考虑电力***拓扑结构特征的暂态稳定评估方法及装置 | |
CN115908407A (zh) | 基于红外图像温度值的电力设备缺陷检测方法及装置 | |
CN106093638A (zh) | 一种电压跌落均方根值与跌落频次估计的模式识别方法 | |
CN113406439A (zh) | 一种配电网故障定位方法 | |
CN116258282B (zh) | 一种基于云平台的智能电网资源调度分配方法 | |
CN112419243A (zh) | 一种基于红外图像分析的配电房设备故障识别方法 | |
CN107069710B (zh) | 计及新能源时空相关性的电力***状态估计方法 | |
JP7448745B2 (ja) | 電力グリッドにおける相接続の決定 | |
CN116256589A (zh) | 电泵井的智能诊断方法、装置、存储介质及服务器 | |
CN116109656A (zh) | 一种基于无监督学习的交互式图像分割方法 | |
Bhuiyan et al. | A deep neural network based robust intelligent strategy for microgrid fault diagnosis | |
Rongrong et al. | Fault diagnosis method of distribution equipment based on hybrid model of robot and deep learning | |
Streltsov et al. | Automated building energy consumption estimation from aerial imagery | |
Ramakrishna | Model-Based Machine Learning for the Power Grid | |
CN117150393B (zh) | 一种基于决策树的电力***薄弱支路辨识方法及*** | |
CN117437230B (zh) | 基于图像修复的光伏电站功率预测方法及*** | |
Majumdar et al. | Impact of Renewable Energy Penetration on PMU Based Grid Event Detection Using Machine Learning Framework |
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 |