CN110596541A - 一种基于指纹图的局部放电定位方法与*** - Google Patents
一种基于指纹图的局部放电定位方法与*** Download PDFInfo
- Publication number
- CN110596541A CN110596541A CN201810604468.XA CN201810604468A CN110596541A CN 110596541 A CN110596541 A CN 110596541A CN 201810604468 A CN201810604468 A CN 201810604468A CN 110596541 A CN110596541 A CN 110596541A
- Authority
- CN
- China
- Prior art keywords
- discharge
- fingerprint
- fingerprint map
- matrix
- map
- 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 36
- 230000009467 reduction Effects 0.000 claims abstract description 46
- 238000005259 measurement Methods 0.000 claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 66
- 238000012545 processing Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 230000001131 transforming effect Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 230000004807 localization Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000009413 insulation Methods 0.000 description 6
- 238000003909 pattern recognition Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Collating Specific Patterns (AREA)
- Measurement Of Length, Angles, Or The Like Using Electric Or Magnetic Means (AREA)
Abstract
本发明涉及一种基于指纹图的局部放电定位方法与***,包括:将无线特高频传感器采集的待测放电指纹与预先设定的放电指纹图在BP神经网络中进行相似度识别,获得相似度最高值;根据所述相似度最高值在待测放电指纹图中对应的测量点确定放电定位点。本申请提供一种基于指纹图的局部放电定位方法与***,将无线特高频传感器采集的待测放电指纹经与所述训练好的放电指纹图在BP神经网络中进行相似度识别,获得相似度最高值,根据相似度最高值在所述待测放电降维指纹图对应的测量点确定为放电定位点可以有效地提高定位的精确度,提高变电站电力设备的检修效率。
Description
技术领域
本发明属于电力***输变电设备运行维护领域,具体涉及一种基于指纹图的局部放电定位方法与***。
背景技术
在电力***中,对电力设备进行在线监测和和故障检测是非常重要的环节。有效的监测可以及时发现电力设备的故障,便于检修人员对其进行快速检修,有效地遏制了事故的蔓延,避免重大事故的发生。在变电站中,由于电压等级较高,电力设备的故障大都是绝缘不良导致的,而导致设备绝缘性能下降的原因主要是设备的制造缺陷、设备表面的油污杂质以及设备的老化等。绝缘不良通常会导致局部区域的电场过强,这就会导致局部的绝缘击穿,最终表现为局部放电,而局部放电反过来会加剧绝缘的劣化,最终造成大的绝缘击穿,最终会引发设备故障,甚至严重的事故。因此,对局部放电进行快速的检测预定位能够找出设备故障,提高检修效率,是电力设备的安全运行的重要保证。局部放电的发生式,通常会产生光、热、超声波、化学反应以及特高频电磁波等。其中特高频电磁波由于其在较强的抗干扰性、较快的传播速度、以及较高的灵敏度,非常适合用于变电站局部放电的检测与定位。
传统的基于特高频电磁波的定位方法主要有基于到达时间差(Time Differenceof Signals,TDOS)、基于到达时间(Time of Arrival,TOA)、基于到达角度(Angle ofArrival,AOA)以及基于接收信号强度(Received Signal Strength Indicator,RSSI)等。TDOS、TOA、AOA三种方法已有较多应用,但是实现上有一定难度。其中,TDOS、TOA两种方法需要对特高频信号进行采样,实现起来硬件成本高,而AOA方法在非视距定位时精度会受到影响,应用范围有限,也给变电站电力设备的检修带来一定的困难。
发明内容
为解决局部放电定位精度不准确,应用范围有限,给变电站电力设备检修带来一定困难的问题,本申请提供一种基于指纹图的局部放电定位方法,所述方法包括:
将无线特高频传感器采集的待测放电指纹与预先设定的放电指纹图在BP神经网络中进行相似度识别,获得相似度最高值;
根据所述相似度最高值在待测放电指纹图中对应的测量点确定放电定位点;
其中,所述预先建立的放电指纹图通过所有测量点的放电强度进行确定。
优选的,所述预先建立的放电指纹图通过所有测量点的放电强度进行确定,包括:
使用特高频传感器进行特高频信号采集各测量点的放电强度;
对所述各测量点进行多次测量取各测量点的放电强度的均值,设定为所述测量点的放电指纹;
由所有测量点的放电指纹组成放电指纹图。
优选的,所述测量点的放电指纹按下式计算:
其中,表示局放源在测量点j处时传感器i第τ次测量的放电强度,p表示在每个测量点的测量次数,为测量点的放电指纹。
优选的,所述放电指纹图用如下式矩阵表示:
其中,Ψ为放电指纹图矩阵;表示通过传感器L在测量点N处测量的放电强指纹。
优选的,所述由所有测量点的放电指纹组成放电指纹图之后还包括:
将放电指纹图进行噪声分量滤除处理,使得所述放电指纹图由高维降为低维。
优选的,所述将放电指纹图进行噪声分量滤除处理,使得所述放电指纹图由高维降为低维包括:
根据所述放电指纹图的列向量定义矩阵,并对所述矩阵进行奇异值分解,得到正交矩阵;
将所述正交矩阵进行变换然后与放电指纹图矩阵进行处理得到放电降维指纹图。
优选的,所述放电指纹图的列向量定义矩阵如下所示:
式中,Q为在放电指纹图矩阵Ψ的所有传感器测量的放电指纹;rj是在放电指纹图矩阵Ψ的第j个测量点测量的放电指纹,N为表示测量点个数;rj T为rj转置;
按下式对所述矩阵进行奇异值分解:
Q=VΔVT
式中,V为正交矩阵,且V=(v1,v2,…vl);VT为V的转置矩阵。
优选的,所述放电降维指纹图如下式所示:
F=ΦΨ
F:局部放电降维指纹图;Φ:变换矩阵。
优选的,所述根据所述相似度最高值在待测放电降维指纹图中对应的测量点确定最终放电定位点包括:
根据相似度最高值确定放电降维指纹图中所对应的测量点的坐标,并将所述测量点的坐标作为局部放电信号的定位结果。
优选的,所述在BP神经网络中进行相似度识别前还包括:对预先建立的放电指纹图进行BP神经网络训练。
一种基于指纹图的局部放电定位***,包括:
识别模块:用于将无线特高频传感器采集的待测放电指纹与预先建立的放电指纹图在BP神经网络中进行相似度识别,获得相似度最高值;
定位模块:用于根据所述相似度最高值在待测放电降维指纹图对应的测量点为放电定位点。
优选的,还包括放电指纹图生成模块;
所述放电指纹图生成模块用于根据采集的各测量点的放电强度生成放电指纹图。
优选的,所述放电指纹图生成模块包括处理子模块;
所述处理子模块用于将放电指纹图进行噪声分量滤除处理使得所述放电指纹图由高维降为低维,包括根据所述放电指纹图的列向量定义矩阵,并对所述矩阵进行奇异值分解,得到正交矩阵;将所述正交矩阵进行变换然后与放电指纹图矩阵进行处理得到放电降维指纹图。
况且与最接近的现有技术相比,本申请还具有如下有益效果:
1、本申请提供一种基于指纹图的局部放电定位方法与***,将无线特高频传感器采集的待测放电指纹经与预先设定的放电指纹图在BP神经网络中进行相似度识别,获得相似度最高值,根据相似度最高值在所述待测放电降维指纹图对应的测量点确定为放电定位点,可以有效地提高定位的精确度,提高变电站电力设备的检修效率;
2、本申请提供一种基于指纹图的局部放电定位方法与***,保证了电力***的安全运行,同时,本发明便于推广到其他电气设备,并建立相对应的模型,具有很好的可扩展性。
附图说明
附图1为本发明的方法流程示意图;
附图2为本发明的现场测量图;
附图3-a为本发明的被测区域的局部放电指纹图1;
附图3-b为本发明的被测区域的局部放电指纹图2;
附图3-c为本发明的被测区域的局部放电指纹图3;
附图3-d为本发明的被测区域的局部放电指纹图4;
附图4-a为本发明的被测区域的局部放电降维指纹图1;
附图4-b为本发明的被测区域的局部放电降维指纹图2;
附图4-c为本发明的被测区域的局部放电降维指纹图3;
具体实施例
为了更好地理解本发明,下面结合说明书附图和实例对本发明的内容做进一步的说明。
实施例1:本发明提供一种基于指纹图的局部放电定位方法,如图1所示:
步骤1:将无线特高频传感器采集的待测放电指纹与所述训练好的BP(backpropagation)神经网络中进行相似度识别,获得相似度最高值;
步骤2:根据所述相似度最高值在所述待测放电降维指纹图对应的测量点为放电定位点;其中,所述预先建立的放电指纹图包括:所有测量点的放电强度。
其中,在BP神经网络中进行相似度识别前还包括对预先建立的放电指纹图进行BP神经网络训练。
对上述步骤的解释具体如下:
步骤1的说明具体包括:
1-1局部放电指纹图的建立
在被测区域中使用标准局部放电源在各个测量点(测量点个数为N)进行放电,使用L个特高频传感器进行特高频信号采集,测量各测量点的放电强度,即放电指纹。假设RPj点发生局部放电,传感器APi测得的放电强度值为 其中p代表测量次数,则反映被测环境中RSSI特性的指纹图Ψ:
其中L表示传感器个数,N表示测量点个数,p表示在每个测量点的测量次数,表示局放源在j个测量点RPj处时第i个传感器APi测得的放电指纹(放电强度均值),表示局放源在测量点j处时传感器i第τ次测量的放电强度,p表示在每个测量点的测量次数。
以四个无线特高频传感器为例,现场测量图如图2所示,被测区域的局部放电指纹图如图3-a、3-b、3-c、3-d所示。
1-2模式识别算法
本定位***的局部放电定位通过BP(back propagation)神经网络模式识别算法实现。首先,使用事先建立好的被测区域的局部放电降维指纹图对BP(back propagation)神经网络进行训练。然后,在对变电站中的局部放电信号进行定位时,用特高频传感器阵列测量局部放电信号,得到该次局部放电的放电指纹。然后对其进行降维处理后得到该局部放电的降维指纹。最后,将其输入到训练好的BP(back propagation)神经网络进行模式识别。
1-3局部放电指纹图降维处理
局部放电指纹中包含的噪声分量会降低模式识别的精度。因此,本文提出对局部放电指纹图进行降维处理。在降维的过程中,大部分的噪声分量被留在了高维空间,而投影到低维空间的则是有用的信息。此过程相当于一个滤波的过程,滤除了噪声分量,得到了更加紧凑、有效的局部放电降维指纹图。降维的过程如下所述。
定义矩阵Q:
rj是指纹图矩阵Ψ的列向量,为在放电指纹图矩阵Ψ的所有传感器测量的放电指纹;rj是在放电指纹图矩阵Ψ的第j个测量点测量的放电指纹,N为表示测量点个数;rj T为rj转置;
对Q进行奇异值分解(Singular Value Decomposition,SVD),可得:
Q=VΔVT (4)
其中,V=(V1,V2,…Vl)是一个正交矩阵,Vi(i=1,2,…,L)是其中的L×1的向量,Δ=diag(λ1,λ2,…λL),λ1≥λ2≥…≥λL,L为传感器个数,即矩阵Ψ的行数。
设变换矩阵Φ为:
Φ=[V1,V2,...,Vd]T (5)
则局部放电指纹图降维操作为:
ΦΨ(t)=F(t) (6)
F即为局部放电降维指纹图,维数从L维降为d维,将被用于模式识别环节。
步骤2的具体解释为:在局部放电降维指纹图中与该降维指纹最相似的一个降维指纹所对应的测量点的坐标就是该局部放电信号的定位结果。
其中,步骤2中的模式识别算法进行现场应用验证具体如下:
为了验证算法的有效性,在变电站现场进行了实验验证,实验场地的大小为25m*25m。
测试分离线阶段和在线阶段。首先离线阶段进行局部放电降维指纹图的建立和BP神经网络的训练。使用标准的局部放电源在每一个测量点放电20次,将4个特高频传感器接收到的局部放电信号全部记录下来,一共为20*625=12500组数据,以此生成4维的局部放电指纹图,然后对其进行降维处理,将指纹图的维度由4维降为3维。在线阶段测试定位算法。在每个测量点使用标准局部放电源进行1次局部放电,将特高频传感器测得的局部放电指纹进行相同的降维处理,然后将其输入到训练好的BP(back propagation)神经网络中,通过模式识别得到定位结果,在线阶段定位完成。
对应于被测区域的局部放电降维指纹图如图4-a、4-b、4-c所示;本定位算法的定位结果如表1所示,列出了降维指纹和原始指纹的定位性能对比。
被测区域的局部放电降维指纹图建立结果
定位结果
综上结果可知,基于降维指纹图的局部放电定位法定位误差为1.87m,93.4%的定位误差小于5m,满足了变电站现场的定位要求。对比与原始指纹,本方法提出的降维指纹显著地提高了局部放电的定位精度,验证了本方法的有效性。
实施例:2:
基于同一种发明构思,本发明还提供一种基于指纹图的局部放电定位***:
包括:
识别模块:用于将无线特高频传感器采集的待测放电指纹与预先建立的放电指纹图在BP(back propagation)神经网络中进行相似度识别,获得相似度最高值;
定位模块:用于根据所述相似度最高值在待测放电降维指纹图对应的测量点为放电定位点;
放电指纹图生成模块:用于根据采集的各测量点的放电强度生成放电指纹图;
还包括有训练模块:用于将预先建立的放电指纹图进行BP(back propagation)神经网络训练;
放电指纹图生成模块包括处理子模块;
所述处理子模块用于将放电指纹图进行噪声分量滤除处理使得所述放电指纹图由高维降为低维,包括根据所述放电指纹图的列向量定义矩阵,并对所述矩阵进行奇异值分解,得到正交矩阵;将所述正交矩阵进行变换然后与放电指纹图矩阵进行处理得到放电降维指纹图。
处理子模块包括放电指纹计算单元、放电指纹图计算单元、放电降维指纹图计算单元和正交矩阵计算单元;
所述放电指纹计算单元用于按下式计算放电指纹:
其中表示局放源在测量点RPj处时传感器APi测得的局放信号强度均值,p表示在每个测量点的测量次数,为测量点的放电指纹;
放电指纹图计算单元用于按下式计算放电指纹图:
其中,L表示传感器个数,N表示测量点个数,Ψ为放电指纹图矩阵;表示通过传感器L在测量点N处测量的放电指纹;
放电降维指纹图计算单元中放电降维指纹图计算如下:
F=ΦΨ式中,F:为局部放电降维指纹图;Φ:为变换矩阵,Φ=[V1,V2,...,Vd]T式中,V:为正交矩阵;
正交矩阵计算单元中正交矩阵的计算如下:
定义矩阵:其中,rj是指纹图矩阵Ψ的列向量,Q为在放电指纹图矩阵Ψ的所有传感器测量的放电指纹;rj是在放电指纹图矩阵Ψ的第j个测量点测量的放电指纹,N为表示测量点个数;rj T为rj转置;
对Q进行奇异值分解,可得:Q=VΔVT其中,V=(v1,v2,…vl)是一个正交矩阵,Vi(i=1,2,…,L)是其中的L×1的向量;Δ=diag(λ1,λ2,…λL),λ1≥λ2≥…≥λL,L为传感器个数,即矩阵Ψ的行数。
显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、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设备上,使得在计算机或其他可编程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。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (13)
1.一种基于指纹图的局部放电定位方法,其特征在于,所述方法包括:
将无线特高频传感器采集的待测放电指纹与预先设定的放电指纹图在BP神经网络中进行相似度识别,获得相似度最高值;
根据所述相似度最高值在待测放电指纹图中对应的测量点确定放电定位点;
其中,所述预先设定的放电指纹图通过所有测量点的放电强度进行确定。
2.如权利要求1所述的一种基于指纹图的局部放电定位方法,其特征在于,所述预先设定的放电指纹图通过所有测量点的放电强度进行确定,包括:
使用特高频传感器进行特高频信号采集各测量点的放电强度;
对所述各测量点进行多次测量取各测量点的放电强度的均值,设定为所述测量点的放电指纹;
由所有测量点的放电指纹组成放电指纹图。
3.如权利要求2所述的一种基于指纹图的局部放电定位方法,其特征在于,所述测量点的放电指纹按下式计算:
其中,表示局放源在测量点j处时传感器i第τ次测量的放电强度,p表示在每个测量点的测量次数,为测量点的放电指纹。
4.如权利要求3所述的一种基于指纹图的局部放电定位方法,其特征在于,
所述放电指纹图用如下式矩阵表示:
其中,Ψ为放电指纹图矩阵;表示通过传感器L在测量点N处测量的放电指纹。
5.如权利要求4所述的一种基于指纹图的局部放电定位方法,其特征在于,所述由所有测量点的放电指纹组成放电指纹图之后还包括:
将放电指纹图进行噪声分量滤除处理,使得所述放电指纹图由高维降为低维。
6.如权利要求5所述的一种基于指纹图的局部放电定位方法,其特征在于,所述将放电指纹图进行噪声分量滤除处理,使得所述放电指纹图由高维降为低维包括:
根据所述放电指纹图的列向量定义矩阵,并对所述矩阵进行奇异值分解,得到正交矩阵;
将所述正交矩阵进行变换然后与放电指纹图矩阵进行处理得到放电降维指纹图。
7.如权利要求6所述的一种基于指纹图的局部放电定位方法,其特征在于,所述放电指纹图的列向量定义矩阵如下所示:
式中,Q为在放电指纹图矩阵Ψ的所有传感器测量的放电指纹;rj是在放电指纹图矩阵Ψ的第j个测量点测量的放电指纹,N为表示测量点个数;rj T为rj转置;
按下式对所述矩阵进行奇异值分解:
Q=VΔVT
式中,V为正交矩阵,且V=(v1,v2,…vl);VT为V的转置矩阵。
8.如权利要求7所述的一种基于指纹图的局部放电定位方法,其特征在于,所述放电降维指纹图如下式所示:
F=ΦΨ
F:局部放电降维指纹图;Φ:变换矩阵。
9.如权利要求1所述的一种基于指纹图的局部放电定位方法,其特征在于,所述根据所述相似度最高值在待测放电降维指纹图中对应的测量点确定最终放电定位点包括:
根据相似度最高值确定放电降维指纹图中所对应的测量点的坐标,并将所述测量点的坐标作为局部放电信号的定位结果。
10.如权利要求1所述的一种基于指纹图的局部放电定位方法,其特征在于,所述在BP神经网络中进行相似度识别前还包括:对预先建立的放电指纹图进行BP神经网络训练。
11.一种基于指纹图的局部放电定位***,其特征在于,包括:
识别模块:用于将无线特高频传感器采集的待测放电指纹与预先建立的放电指纹图在BP神经网络中进行相似度识别,获得相似度最高值;
定位模块:用于根据所述相似度最高值在待测放电降维指纹图对应的测量点为放电定位点。
12.如权利要求11所述的一种基于指纹图的局部放电定位***,其特征在于,还包括放电指纹图生成模块;
所述放电指纹图生成模块用于根据采集的各测量点的放电强度生成放电指纹图。
13.如权利要求12所述的一种基于指纹图的局部放电定位***,其特征在于,所述放电指纹图生成模块包括处理子模块;
所述处理子模块用于将放电指纹图进行噪声分量滤除处理使得所述放电指纹图由高维降为低维,包括根据所述放电指纹图的列向量定义矩阵,并对所述矩阵进行奇异值分解,得到正交矩阵;将所述正交矩阵进行变换然后与放电指纹图矩阵进行处理得到放电降维指纹图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810604468.XA CN110596541B (zh) | 2018-06-13 | 2018-06-13 | 一种基于指纹图的局部放电定位方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810604468.XA CN110596541B (zh) | 2018-06-13 | 2018-06-13 | 一种基于指纹图的局部放电定位方法与*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110596541A true CN110596541A (zh) | 2019-12-20 |
CN110596541B CN110596541B (zh) | 2024-01-19 |
Family
ID=68848854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810604468.XA Active CN110596541B (zh) | 2018-06-13 | 2018-06-13 | 一种基于指纹图的局部放电定位方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110596541B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112147471A (zh) * | 2020-09-03 | 2020-12-29 | 上海交通大学 | 一种gil局部放电源定位方法和*** |
CN112147470A (zh) * | 2020-09-03 | 2020-12-29 | 上海交通大学 | 一种gil局部放电源定位方法和*** |
CN112881868A (zh) * | 2021-01-11 | 2021-06-01 | 西安交通大学 | 一种变压器局部放电空间定位方法 |
CN113866569A (zh) * | 2021-04-01 | 2021-12-31 | 全球能源互联网研究院有限公司 | 一种基于宽带射频检测的多局放源指纹定位方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10170596A (ja) * | 1996-12-09 | 1998-06-26 | Hitachi Ltd | 絶縁機器診断システム及び部分放電検出法 |
CN101004436A (zh) * | 2007-01-22 | 2007-07-25 | 西南交通大学 | 大容量高压电力设备的高灵敏度直流局部放电检测*** |
CN101702002A (zh) * | 2009-12-07 | 2010-05-05 | 上海市电力公司 | 局部放电声电联合检测定位***及其定位方法 |
CN105629136A (zh) * | 2015-12-28 | 2016-06-01 | 国网甘肃省电力公司金昌供电公司 | 电缆绝缘状态在线自动监测与诊断*** |
CN106291281A (zh) * | 2016-08-08 | 2017-01-04 | 国网上海市电力公司 | 一种变电站设备局部放电定位***及其方法 |
CN205910298U (zh) * | 2016-08-03 | 2017-01-25 | 国网甘肃省电力公司电力科学研究院 | 一种超高频局部放电信号模拟源装置 |
-
2018
- 2018-06-13 CN CN201810604468.XA patent/CN110596541B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10170596A (ja) * | 1996-12-09 | 1998-06-26 | Hitachi Ltd | 絶縁機器診断システム及び部分放電検出法 |
CN101004436A (zh) * | 2007-01-22 | 2007-07-25 | 西南交通大学 | 大容量高压电力设备的高灵敏度直流局部放电检测*** |
CN101702002A (zh) * | 2009-12-07 | 2010-05-05 | 上海市电力公司 | 局部放电声电联合检测定位***及其定位方法 |
CN105629136A (zh) * | 2015-12-28 | 2016-06-01 | 国网甘肃省电力公司金昌供电公司 | 电缆绝缘状态在线自动监测与诊断*** |
CN205910298U (zh) * | 2016-08-03 | 2017-01-25 | 国网甘肃省电力公司电力科学研究院 | 一种超高频局部放电信号模拟源装置 |
CN106291281A (zh) * | 2016-08-08 | 2017-01-04 | 国网上海市电力公司 | 一种变电站设备局部放电定位***及其方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112147471A (zh) * | 2020-09-03 | 2020-12-29 | 上海交通大学 | 一种gil局部放电源定位方法和*** |
CN112147470A (zh) * | 2020-09-03 | 2020-12-29 | 上海交通大学 | 一种gil局部放电源定位方法和*** |
CN112147470B (zh) * | 2020-09-03 | 2021-07-20 | 上海交通大学 | 一种gil局部放电源定位方法和*** |
CN112881868A (zh) * | 2021-01-11 | 2021-06-01 | 西安交通大学 | 一种变压器局部放电空间定位方法 |
CN113866569A (zh) * | 2021-04-01 | 2021-12-31 | 全球能源互联网研究院有限公司 | 一种基于宽带射频检测的多局放源指纹定位方法及装置 |
WO2022205834A1 (zh) * | 2021-04-01 | 2022-10-06 | 全球能源互联网研究院有限公司 | 一种基于宽带射频检测的多局放源指纹定位方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110596541B (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110596541B (zh) | 一种基于指纹图的局部放电定位方法与*** | |
US8352204B2 (en) | Method of detecting system function by measuring frequency response | |
CN109638862B (zh) | 一种基于ceemdan算法的电力***低频振荡模式辨识方法 | |
KR100729107B1 (ko) | 부분방전 원인 자동 추론용 신경망 회로의 입력벡터생성방법 | |
CN106841949B (zh) | 三相异步交流电机定子绝缘在线监测方法和装置 | |
CN104200236A (zh) | 基于dpm的快速目标检测方法 | |
CN104614653A (zh) | 基于天线阵列的局放检测装置的多局放点定位和分辨方法 | |
DE602004025599D1 (de) | Erkennung von fehlern von systemkomponenten in einem kontinuierlichen prozess | |
CN111241904B (zh) | 一种基于盲源分离技术的欠定情况下运行模态识别方法 | |
CN107966638A (zh) | 校正误差的方法和装置、存储介质及处理器 | |
CN105277826A (zh) | 阵列天线故障诊断*** | |
CN109596951A (zh) | 一种局部放电源定位方法及*** | |
CN105866636B (zh) | 基于时差定位的变电站定位方法 | |
KR970002345A (ko) | GTEM(Giga-Hertz transverse electromagnetic)셀의 복사에미션 측정방법 | |
CN102981160B (zh) | 一种确定空中目标航迹的方法及装置 | |
CN112688324B (zh) | 基于FastICA与TLS-ESPRIT的电力***低频振荡模态辨识方法 | |
CN111398433B (zh) | 一种基于线性加权最小二乘法的声发射源定位方法及*** | |
CN112284704A (zh) | 一种基于测试矩阵的旋转设备故障诊断方法、***及可读存储介质 | |
Zarei et al. | Broken rotor bars detection via Park's vector approach based on ANFIS | |
CN114578197A (zh) | 基于平面uhf传感器的变压器套管局放三维定位方法及*** | |
CN102914763A (zh) | 一种水工混凝土损伤声发射源定位方法 | |
CN103245839B (zh) | 电力绝缘设备性能测量及电流传感器固有相移测量方法 | |
Tjen et al. | Ensemble of the Distance Correlation-Based and Entropy-Based Sensor Selection for Damage Detection | |
CN114839482A (zh) | 低压综合配电箱的工频耐压击穿位置定位方法及装置 | |
CN103763050B (zh) | 一种微弱信号的提取方法和装置 |
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 |