CN111025100A - 变压器特高频局部放电信号模式识别方法与装置 - Google Patents
变压器特高频局部放电信号模式识别方法与装置 Download PDFInfo
- Publication number
- CN111025100A CN111025100A CN201911255273.XA CN201911255273A CN111025100A CN 111025100 A CN111025100 A CN 111025100A CN 201911255273 A CN201911255273 A CN 201911255273A CN 111025100 A CN111025100 A CN 111025100A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- frequency
- time
- spectrum
- ultrahigh frequency
- 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.)
- Pending
Links
- 230000036961 partial effect Effects 0.000 title claims abstract description 214
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000001228 spectrum Methods 0.000 claims abstract description 134
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 62
- 239000011159 matrix material Substances 0.000 claims abstract description 39
- 238000000926 separation method Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 31
- 238000001914 filtration Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 17
- 238000011176 pooling Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 239000000725 suspension Substances 0.000 claims description 12
- 238000003909 pattern recognition Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 230000000873 masking effect Effects 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 238000005311 autocorrelation function Methods 0.000 claims description 4
- 238000005314 correlation function Methods 0.000 claims description 4
- 230000008034 disappearance Effects 0.000 claims description 4
- 238000004880 explosion Methods 0.000 claims description 4
- 238000009432 framing Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012567 pattern recognition method Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 12
- 239000012141 concentrate Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000009413 insulation Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004587 chromatography analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000979 retarding effect Effects 0.000 description 1
- 230000005654 stationary process Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 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
- G01R31/1227—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
-
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开一种变压器特高频局部放电信号模式识别方法及装置。该方法包括：生成与采集的待识别特高频局部放电信号对应的原始时频谱W；基于相似矩阵的盲源分离方法，从所述原始时频谱W中提取出与所述待识别特高频局部放电信号对应的前景时频谱；将所述前景时频谱输入预先确定的卷积神经网络，获取所述前景时频谱属于预先确定的多种局部放电类型的概率，并确定最大概率对应的局部放电类型为待识别特高频局部放电信号的局部放电类型。该方法采用基于相似矩阵的盲源分离方式对变压器特高频局部放电时频谱进行预处理，使得深度学习网络能够专注于具有代表性的局部放电特征量，能够高效准确地识别局部放电类型。
Description
技术领域
本发明涉及高压电气设备局部放电异常辨识技术领域，尤其涉及一种变压器特高频局部放电信号模式识别方法与装置。
背景技术
对变压器内部局部放电信号的在线监测能及时反映其绝缘状况和绝缘性能的发展趋势，是预防变压器绝缘失效发生突发性事故的有效手段之一。
目前变压器局部放电监测常用的方法包括脉冲电流法、超声波检测法、油色谱法和特高频检测法等。长期的现场实践表明：脉冲电流法灵敏度高，但抗低频干扰性能差；变压器体外超声波法抗干扰能力强，但检测灵敏度低；油色谱法抗干扰力强，但检测的实时性较差，处理时间大于4个小时。这些方法目前都难以满足电力设备在线监测的需要。
基于特高频电磁波测量的超高频传感器，尤其是传感器内置的测试方式，能够接收300～3000MHz范围内的特高频电磁波信号，具有较强的抗外部干扰能力，灵敏度高、实时性好，获取信息量大，已经成为目前变压器局部放电监测的主要方法。
但是，目前，针对获得的特高频电磁波，目前的信号处理方法在针对多种放电模式进行分类时，分类准确性和分类效率均比较低。
发明内容
针对现有技术的不足，本发明提供一种变压器特高频局部放电信号模式识别方法与装置，以改善现有技术中变压器特高频局部放电信号模式识别准确性和效率偏低等问题。
第一方面，本发明提供一种变压器特高频局部放电信号模式识别方法，包括：
生成与采集的待识别特高频局部放电信号对应的原始时频谱W；
基于相似矩阵的盲源分离方法，从所述原始时频谱W中提取出与所述待识别特高频局部放电信号对应的前景时频谱；
将所述前景时频谱输入预先确定的卷积神经网络，获取所述前景时频谱属于预先确定的多种局部放电类型的概率，并确定最大概率对应的局部放电类型为待识别特高频局部放电信号的局部放电类型。
进一步地，所述生成与采集的待识别特高频局部放电信号对应的原始时频谱W，包括：
采集的待识别特高频局部放电信号的频率为300～3000MHz；
对采集的待识别特高频局部放电信号利用汉明窗进行分帧加窗，得到分帧加窗处理后的信号；
对所述分帧加窗处理后的信号进行短时离散傅里叶变换，得到与采集的待识别特高频局部放电信号对应的原始时频谱W。
进一步地，所述基于相似矩阵的盲源分离方法，从所述原始时频谱W中提取出与所述待识别特高频局部放电信号对应的前景时频谱，包括：
将原始时频谱W按列取距离范数并进行归一化后，计算每一帧信号之间的相似性，得到相似矩阵S，其中，相似矩阵S中的每一矩阵元素(i,k)对应时频谱W中第i帧与第k帧特征向量之间的余弦相似度：
其中，m为时频谱W中的帧序号，1≤m≤n，n为时频谱W中的总帧数；
对相似矩阵S中各频段进行中值滤波，得到重复谱V；
采用最小均方差滤波对重复谱V进行维纳滤波，得到滤波后的时频谱R：
其中，Rxs为期望信号与实际信号的互相关函数；Rxx为自相关函数；h为最小均方差下的最佳滤波系数；
对滤波后的时频谱R进行时频掩蔽，得到与所述待识别特高频局部放电信号对应的前景时频谱。
进一步地，所述多种局部放电类型为实验室条件下模拟的变压器特高频局部放电类型，包括针-板放电、锥-板放电、柱-板放电以及悬浮电位；
还包括：
采集(X+Y)组在实验室条件下模拟的针-板放电、锥-板放电、柱-板放电以及悬浮电位这4种类型的变压器特高频局部放电信号，并分别加入到测试集和训练集中，其中，训练集中包括X组针-板放电、锥-板放电、柱-板放电以及悬浮电位这4种类型的变压器特高频局部放电信号，测试集中包括Y组针-板放电、锥-板放电、柱-板放电以及悬浮电位这4种类型的变压器特高频局部放电信号；
针对所述(X+Y)组4种类型的变压器特高频局部放电信号，分别提取出与各特高频局部放电信号对应的前景时频谱；
利用所述X组4种类型的特高频局部放电信号对应的前景时频谱和预先指定的学习率，训练具有4个输出节点的卷积神经网络，以确定所述卷积神经网络的结构和参数；
利用所述Y组4种类型的特高频局部放电信号对应的前景时频谱，测试训练得到的卷积神经网络，在所述卷积神经网络对所述Y组4种类型的特高频局部放电信号对应的局部放电类型的识别率满足预先指定的学习率时，确定所述卷积神经网络为预先确定的卷积神经网络；
在所述卷积神经网络对所述Y组4种类型的特高频局部放电信号对应的局部放电类型的识别率不满足预先指定的学习率时，利用所述X组4种类型的特高频局部放电信号对应的前景时频谱和预先指定的学习率，训练具有4个输出节点的卷积神经网络，直到所述卷积神经网络对所述Y组4种类型的特高频局部放电信号对应的局部放电类型的识别率满足预先指定的学习率为止。
进一步地，在对全尺寸的时频谱图Xorigin进行训练时，先取全尺寸的时频谱图的部分区域Xpart进行训练，确定针对部分区域Xpart学习到的权重特征W′和偏置特征b′；
将针对部分区域Xpart学习到的权重特征W′和偏置特征b′作为滤波器，与所述全尺寸的时频谱图Xorigin作卷积运算，得到不同位置上的激活值f(W′Xorigin+b′)和特征映射。
进一步地，所述卷积神经网络包括多个卷积层；
在所述卷积神经网络的每一个卷积层之后，连接有一个池化层，用于对卷积后的特征进行聚合，以降低计算资源消耗和防止过拟合；
在所述卷积神经网络的每一个卷积层，选择线性整流函数作为激活函数，以防止梯度***和梯度消失。
进一步地，所述卷积神经网络包括设置在全部的卷积层之前的输入层、设置在全部的卷积层之后的输入全连接层、输出全连接层；
所述输入层之前设置一个批标准化层，以加速收敛；
所述输入全连接层之前设置一个批标准化层，以加速收敛；
所述输出全连接层之前设置一个批标准化层，以加速收敛。
进一步地，所述输入全连接层之前加入丢弃率为α的丢弃操作，以防治过拟合；
所述输出全连接层之前加入丢弃率为β的丢弃操作，以防治过拟合。
进一步地，所述输出全连接层采用Softmax分类器。
第二方面，本发明提供一种变压器特高频局部放电信号模式识别装置，包括：
原始时频谱生成单元，用于生成与采集的待识别特高频局部放电信号对应的原始时频谱W；
前景时频谱生成单元，用于基于相似矩阵的盲源分离方法，从所述原始时频谱W中提取出与所述待识别特高频局部放电信号对应的前景时频谱；
局部放电类型确定单元，用于将所述前景时频谱输入预先确定的卷积神经网络，获取所述前景时频谱属于预先确定的多种局部放电类型的概率，并确定最大概率对应的局部放电类型为待识别特高频局部放电信号的局部放电类型。
本发明提供的变压器特高频局部放电信号模式识别方法及装置采用基于相似矩阵的盲源分离方式对变压器特高频局部放电时频谱进行预处理，使得深度学习网络能够专注于具有代表性的局部放电特征量；处理后的信息作为深度学习的输入，结合卷积神经网络模型可有效获得局部放电信息的抽象特征，能够高效准确地识别局部放电类型。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为本发明优选实施方式的变压器特高频局部放电信号模式识别方法的流程示意图；
图2是本发明优选实施方式的变压器特高频局部放电信号模式识别装置的组成示意图；
图3为生成时频谱图的步骤示意图；
图4为本发明优选实施方式的不同电极类型的局部放电时频特征；
图5为本发明优选实施方式的特高频信号盲源分离的流程示意图；
图6为本发明优选实施方式的用于局放特高频信号识别的卷积神经网络的结构示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
得益于计算机硬件性能的发展，机器学习技术能够在信号识别领域实现不同信号的准确分类。尤其是深度学习技术，可以利用含有多个隐藏层的人工神经网络，可以训练出更强大的模型，能够从原始输入数据中抽象出其本质。
目前该领域的研究多集中于高压电缆、气体绝缘金属封闭开关设备(GasInsulated Switchgear，简称GIS)等设备中的放电识别。而深度学习在变压器特高频局部放电信号识别方面尚未有学者进行深入分析。
本发明提供的变压器特高频局部放电信号模式识别方法与装置从电网设备运检需求出发，结合运检专业特点和构建智能运检体系的发展趋势，采用基于相似矩阵的盲源分离(Blind Source Separation，简称BSS)方法对采集到的含噪特高频信号进行前景信号抽取，有效减少了无用信息并提高了识别效率。在实验室条件下采集不同类型的特高频局放信号，应用上述方法进行信号处理和数据处理，并采用卷积神经网络进行深度学习，实现了特高频局放信号类型的准确识别。
本发明提供的变压器特高频局部放电信号模式识别方法与装置，可为泛在电力物联网建设中的设备运维、检修和生产管理智能化提供支撑，实现设备智能化、运维智能化、检修智能化以及生产管理智能化。
如图1所示，本发明实施例的变压器特高频局部放电信号模式识别方法，包括：
步骤S100：生成与采集的待识别特高频局部放电信号对应的原始时频谱W；
步骤S200：基于相似矩阵的盲源分离方法，从所述原始时频谱W中提取出与所述待识别特高频局部放电信号对应的前景时频谱；
步骤S300：将所述前景时频谱输入预先确定的卷积神经网络，获取所述前景时频谱属于预先确定的多种局部放电类型的概率，并确定最大概率对应的局部放电类型为待识别特高频局部放电信号的局部放电类型。
进一步地，所述生成与采集的待识别特高频局部放电信号对应的原始时频谱W，包括：
采集的待识别特高频局部放电信号的频率为300～3000MHz；
对采集的待识别特高频局部放电信号利用汉明窗进行分帧加窗，得到分帧加窗处理后的信号；
对所述分帧加窗处理后的信号进行短时离散傅里叶变换，得到与采集的待识别特高频局部放电信号对应的原始时频谱W。
进一步地，所述基于相似矩阵的盲源分离方法，从所述原始时频谱W中提取出与所述待识别特高频局部放电信号对应的前景时频谱，包括：
将原始时频谱W按列取距离范数并进行归一化后，计算每一帧信号之间的相似性，得到相似矩阵S，其中，相似矩阵S中的每一矩阵元素(i,k)对应时频谱W中第i帧与第k帧特征向量之间的余弦相似度：
其中，m为时频谱W中的帧序号，1≤m≤n，n为时频谱W中的总帧数；
对相似矩阵S中各频段进行中值滤波，得到重复谱V；
采用最小均方差滤波对重复谱V进行维纳滤波，得到滤波后的时频谱R：
其中，Rxs为期望信号与实际信号的互相关函数；Rxx为期望信号的自相关函数；h为最小均方差下的最佳滤波系数；
对滤波后的时频谱R进行时频掩蔽，得到与所述待识别特高频局部放电信号对应的前景时频谱。
进一步地，所述多种局部放电类型为实验室条件下模拟的变压器特高频局部放电类型，包括针-板放电、锥-板放电、柱-板放电以及悬浮电位；
还包括：
采集(X+Y)组在实验室条件下模拟的针-板放电、锥-板放电、柱-板放电以及悬浮电位这4种类型的变压器特高频局部放电信号，并分别加入到测试集和训练集中，其中，训练集中包括X组针-板放电、锥-板放电、柱-板放电以及悬浮电位这4种类型的变压器特高频局部放电信号，测试集中包括Y组针-板放电、锥-板放电、柱-板放电以及悬浮电位这4种类型的变压器特高频局部放电信号；
针对所述(X+Y)组4种类型的变压器特高频局部放电信号，分别提取出与各特高频局部放电信号对应的前景时频谱；
利用所述X组4种类型的特高频局部放电信号对应的前景时频谱和预先指定的学习率，训练具有4个输出节点的卷积神经网络，以确定所述卷积神经网络的结构和参数；
利用所述Y组4种类型的特高频局部放电信号对应的前景时频谱，测试训练得到的卷积神经网络，在所述卷积神经网络对所述Y组4种类型的特高频局部放电信号对应的局部放电类型的识别率满足预先指定的学习率时，确定所述卷积神经网络为预先确定的卷积神经网络；
在所述卷积神经网络对所述Y组4种类型的特高频局部放电信号对应的局部放电类型的识别率不满足预先指定的学习率时，利用所述X组4种类型的特高频局部放电信号对应的前景时频谱和预先指定的学习率，训练具有4个输出节点的卷积神经网络，直到所述卷积神经网络对所述Y组4种类型的特高频局部放电信号对应的局部放电类型的识别率满足预先指定的学习率为止。
进一步地，在对全尺寸的时频谱图Xorigin进行训练时，先取全尺寸的时频谱图的部分区域Xpart进行训练，确定针对部分区域Xpart学习到的权重特征W′和偏置特征b′；
将针对部分区域Xpart学习到的权重特征W′和偏置特征b′作为滤波器，与所述全尺寸的时频谱图Xorigin作卷积运算，得到不同位置上的激活值f(W′Xorigin+b′)和特征映射。
进一步地，所述卷积神经网络包括多个卷积层；
在所述卷积神经网络的每一个卷积层之后，连接有一个池化层，用于对卷积后的特征进行聚合，以降低计算资源消耗和防止过拟合；
在所述卷积神经网络的每一个卷积层，选择线性整流函数作为激活函数，以防止梯度***和梯度消失。
进一步地，所述卷积神经网络包括设置在全部的卷积层之前的输入层、设置在全部的卷积层之后的输入全连接层、输出全连接层；
所述输入层之前设置一个批标准化层，以加速收敛；
所述输入全连接层之前设置一个批标准化层，以加速收敛；
所述输出全连接层之前设置一个批标准化层，以加速收敛。
进一步地，所述输入全连接层之前加入丢弃率为α的丢弃操作，以防治过拟合；
所述输出全连接层之前加入丢弃率为β的丢弃操作，以防治过拟合。
进一步地，所述输出全连接层采用Softmax分类器。
如图2所示，本发明实施例的变压器特高频局部放电信号模式识别装置，包括：
原始时频谱生成单元100，用于生成与采集的待识别特高频局部放电信号对应的原始时频谱W；
前景时频谱生成单元200，用于基于相似矩阵的盲源分离方法，从所述原始时频谱W中提取出与所述待识别特高频局部放电信号对应的前景时频谱；
局部放电类型确定单元300，用于将所述前景时频谱输入预先确定的卷积神经网络，获取所述前景时频谱属于预先确定的多种局部放电类型的概率，并确定最大概率对应的局部放电类型为待识别特高频局部放电信号的局部放电类型。
本发明实施例的变压器特高频局部放电信号模式识别装置是前述变压器特高频局部放电信号模式识别方法对应的装置，具有相同的技术方案和预期的技术效果，这里不再赘述。
本发明另一个实施例的变压器特高频局部放电信号模式识别方法，包括以下步骤：
1、预处理
1.1获取局放时频谱
时频谱图(spectrogram)是变压器特高频局部放电信号分析处理时重要的特征频率谱图，能够反映局部放电信号在不同时间下的频率能量分布。时频谱图的绘制步骤如图3所示。提取特高频时频谱图，有利于在后续采用卷积神经网络进行深度学习时实现更好的识别性能。
具体地，特高频局部放电信号为频率一般为300～3000MHz。在进行时频谱绘制时，需要对原始信号进行分帧加窗预处理。将非平稳过程的放电信号分割成短时平稳的信号片段进行二次处理，这些片段称为帧，分割的方式是通过有限长度的窗口进行移动加权。
优选地，使用具有较好的时间和频率聚集特性的汉明窗(Hamming)，能够有效减小因傅里叶变换产生的失真现象。对分帧加窗预处理后的信号进行短时离散傅里叶变换，即可获得时频谱图。
图4是实验室环境获取的空气中的针-板放电、锥-板放电、柱-板放电以及悬浮电位4种放电模型的一组特高频局部放电时频谱图。
这个步骤中，对原始特高频局部放电信号进行分帧加窗预处理，并采用短时离散傅里叶变换获得局放的时频谱图。
1.2盲源分离
为减少机器学习时的无用信息，提高局放信号类型的识别效率，需要对获取的时频谱进行特征抽取及优化。
变压器内部的周期性噪声信号虽然远小于外部干扰，但相较局部放电初期的微弱信号仍难以区分，因此，有效提取局放信号的关键信息是实现故障检测和诊断的重要一环。而传统的小波变换、经验模态分解等方法受特征量繁杂、参数选取的影响不具普遍适用性。盲源分离能够将原始信号中的局放特征最大化，剔除冗余的背景噪声信息，从而能够提高局放的识别效率。
由于现场各种设备和运行环境的影响，局放信号源并不唯一，各局部放电源的局放信号很难直接确定。盲源分离为在少量先验源信号的情况下从混叠信号中分离和提取各种源信号的方法。盲源分离能够将原始信号中的局放特征最大化，剔除冗余的背景噪声信息，从而提高局放的识别效率。
具体地，噪声信号多以自相似的背景混响与共振为主，在时频谱图上具有相似或重复的结构特点；而局部放电信号则为不平稳的信号，因此采用基于相似矩阵的盲源分离方法来抽取原始信号中的局部放电信号。
具体地，将时频谱W按列取距离范数并进行归一化后，计算每一帧信号之间的相似性得到相似矩阵S；其中，相似矩阵S中的每一矩阵元素(i,k)对应时频谱W中第i帧与第k帧特征向量之间的余弦相似度。
具体地，相似矩阵的计算公式如下：
上式中：变量m为时频谱W中的帧序号，1≤m≤n，n为时频谱W中的总帧数；
i对应时频谱W中第i帧特征向量，k对应时频谱W中的第k帧特征向量。
相似矩阵的优势在于能够计算帧与帧之间的信号的差异，而不受信号持续周期的影响。此外，非平稳的局放特高频信号具有稀疏性和波动性，利用相似矩阵可以实现前景信号与背景噪声剥离。
定义重复谱V为相似矩阵S中各频段的中值滤波值，重复谱代表了时频谱每一帧与其相似帧的向量相关度。
具体地，重复谱V应小于等于原频谱W，即
F＝min(V,W)
其中，W为时频谱，V为重复谱。
为更加准确地从噪声信号中分离得到局放信号，进一步地，采用维纳滤波法(即最小均方差滤波)对F进行改进。
维纳滤波法的标准方程为
上式中：Rxs为期望信号与实际信号的互相关函数；Rxx为自相关函数；h为最小均方差下的最佳滤波系数。
这里，实际信号是滤波前的，期望信号是滤波后的。
进一步地，使用时频掩蔽提取原始信号中的重复特征，即可分离出背景时频谱与前景时频谱。
盲源分离的操作过程如图5所示。经过基于相似矩阵盲源分离后的频谱序列，相比含噪序列的原始频谱效果好很多。
相似矩阵能够最大限度地对噪声进行抑制而不破坏非平稳局放信号，同时由于采用最小均方差滤波，使得前景与背景过渡平滑，适合后续建立局放特高频信号识别库。
该步骤中，利用相似矩阵分离局放信号和噪声信号，实现前景信号与背景信号剥离，；依次采用中值滤波和维纳滤波法(最小均方差滤波)对相似矩阵进行改进，从而更加准确地将噪声信号与局放信号分离；最后使用时频掩蔽提取原始信号中的重复特征，分离出背景时频谱与前景时频谱。
下一步，将前景时频谱交由CNN神经网络模型进一步处理。
应该理解为，将时频谱以图像的形式展示，即为时频谱图像。
2、特高频深度学习方法
深度学习神经网络具有强大的特征表征能力，容错性较好，且参数训练后方便保存调用，极大地提高了识别效率。而由卷积神经网络(Convolutional Neural Network，CNN)实现的深度学习模型在大规模图像样本识别方面取得突破性进展。
2.1卷积操作
局放特高频信号时频谱拥有其固有特性。以时频谱图像中的某一部分为例，其统计特征在其时间维度上存在相同部分，因此其学习到的权重参数W和偏置参数b同样适用于来学习时频谱图像的其他位置的特征。
具体地，对像素尺寸较大的时频谱图Xorigin(如，像素大小为m×n)，选取一部分区域Xpart(如，像素大小为p×q)进行先行训练，并将区域Xpart学习到的特征W′、b′作为滤波器，与全尺寸时频谱图作卷积运算，即可得到k个不同位置上的激活值f(W′Xorigin+b′)和特征映射k(m-p+1)(n-q+1)。
2.2、池化操作
对于高分辨率的时频谱图像来说，由于训练集过于庞大，若所有卷积提取到的特征全部输入到模型中进行训练，会对计算机造成较大的负担甚至导致训练时间过长而失去应用上的意义。因此，将时频谱的一部分特征进行聚合统计是降低计算资源、防止过拟合的解决办法之一，这种操作即为池化(pooling)。
2.3、网络结构与设置
为加速收敛，在CNN中引入批标准化(Batch Normalization，简称BN)。批标准化又叫批量归一化，是一种用于改善人工神经网络的性能和稳定性的技术。这是一种为神经网络中的任何层提供零均值/单位方差输入的技术。
输入图像像素为[1×720×540]维度的局放时频谱，输入的高度720代表局放信息包含的频段；宽度540代表了时间；每个像素点的颜色用灰度值(0～255)表示，灰度值越大，代表能量越强，表示当前时刻下该频段信息含量越丰富。
在CNN的卷积层使用32个滤波器，卷积核为5×5。池化核与池化步长均为2，池化方式为最大池化(max pooling)。一层卷积与池化后，原始输入的维度变为[32×360×270]，大幅降低了特征向量的维度和计算量，其中，32为卷积层使用的32个滤波器。
重复上述卷积结构，并在卷积操作结束后输入全连接层，最后使用softmax函数分类输出[1×1×4]的信息，代表该时频谱属于4种不同类型的局放类型的概率，整个结构示意图如图6所示，网络结构设置如表1所示。
表1 CNN网络结构设置(顺序)
| 网络层 | 通道数 | 核/移动步长 | 激活函数/池化类型/批标准化/丢弃 |
| 输入 | 4 | — | 批标准化 |
| 卷积层 | 32 | 5×5/1 | ReLU，批标准化 |
| 池化层 | 32 | 3×3/2 | 最大池化 |
| 卷积层 | 64 | 3×3/1 | ReLU |
| 池化层 | 64 | 2×2/2 | 最大池化,批标准化 |
| 全连接层 | 256 | — | 丢弃 |
| 全连接层 | 1024 | — | 丢弃，Softmax分类器 |
| 输出 | 4 | — | — |
在卷积神经网络中，为防止过拟合，在全连接层之前加入丢弃(dropout)操作，丢弃率为0.5。同时为防止梯度***和梯度消失，卷积层的激活函数(Activation Function)选择线性整流函数(Rectified Linear Unit，简称ReLU)，其表达式如下：
将大规模不同类型的局放信号作为CNN的样本进行深度学习，即可实现局放类型识别。
以上步骤在获得特高频局放信号并进行盲源分离生成前景声时频谱的基础上，使用包含更多隐含层的卷积神经网络，将不同类型的局放特高频信号时频谱的每一个像素点信息作为输入，对时频谱进行特征提取，从而对特高频局放信号进行分类。
以下以处理实验室条件下模拟的4种放电模型的局放信号为示例，对本发明实施例的局放信号模式识别方法进行说明。
0.1、特高频局放检测
采用DMS-IC43内置盘式特高频传感器进行局部放电监测，频带为500～1500MHz，配合LeCroy高速示波器，进行局部放电幅值、放电次数、相位等相关信息的采集。使用图形化编程语言LabVIEW对采集到的数据进行显示、存储和分析。
实验按照IEC60270标准开展。为考虑不同类型的局部放电故障情况，在实验室条件下模拟了空气中的针-板放电、锥-板放电、柱-板放电以及悬浮电位4种放电模型，背景噪声为实验室的环境底噪。试验前对电源-电极-试品***进行耐压与局部放电水平测试，确保放电量属于正常，不会干扰***的正常工作。4种局放类型的放电时频谱图如图6所示。
0.2、局放特征库的生成
各放电类型样本分布如表2所示。
表2 局放特高频信号库样本分布
| 故障样本 | 标签 | 训练集数量/个 | 测试集数量/个 |
| 针-板放电 | 1 | 120 | 30 |
| 锥-板放电 | 2 | 130 | 30 |
| 柱-板放电 | 3 | 120 | 30 |
| 悬浮电位 | 4 | 100 | 20 |
0.3、识别结果与分析
当训练集批量作为输入进入网络，卷积神经网络即对各类型时频谱进行特征学习交叉比对，随着训练数据不断输入，识别率逐渐升高。学习率(Learning Rate，LR)在机器学习中对模型准确率影响较大，训练样本在不同学习率下的训练速度与测试结果有着不同的表现：过大的学习率在特征的前期学习速度较快，但随着迭代次数的增加学习效率逐渐变差；过小的学习率会拖累训练速度，为达到同样的准确率耗时相对更长。
学***。
表3 不同学习率下的识别准确率
确定学***稳降低，最终识别准确率达到92.4％。
盲源分离后能够提取到更多有用的信号特征量，且预处理后的网络收敛速度更快，达到同样精度(50％正确率)的时间缩短了38.2％，错误率平均降低了34.5％。
综上所述，采用基于相似矩阵的CNN局部放电局放特高频信号识别模型，能够快速对已有类型的局部放电特征进行学习，在学习率为0.0001时测试集验证识别准确率可观，识别效率较高。
综上，采用基于相似矩阵的盲源分离方式对变压器特高频局放时频谱进行预处理，使得深度学习网络能够专注于具有代表性的局放特征量；处理后的信息作为深度学习的输入，结合卷积神经网络模型可有效获得局放信息的抽象特征，实现局部放电类型的识别。不同学习率对局放识别率影响较大，较大的学习率会使局放时频谱的特征学习不充分，较小的学习率会造成训练速度变慢；获得了模型的最优学习率，在学习率为0.0001时，局部放电识别率能够达到92.4％，满足工程应用要求。
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。
以上已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个//该[装置、组件等]”都被开放地解释为装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。
Claims (10)
1.一种变压器特高频局部放电信号模式识别方法，其特征在于，包括：
生成与采集的待识别特高频局部放电信号对应的原始时频谱W；
基于相似矩阵的盲源分离方法，从所述原始时频谱W中提取出与所述待识别特高频局部放电信号对应的前景时频谱；
将所述前景时频谱输入预先确定的卷积神经网络，获取所述前景时频谱属于预先确定的多种局部放电类型的概率，并确定最大概率对应的局部放电类型为待识别特高频局部放电信号的局部放电类型。
2.根据权利要求1所述的变压器特高频局部放电信号模式识别方法，其特征在于，
所述生成与采集的待识别特高频局部放电信号对应的原始时频谱W，包括：
采集的待识别特高频局部放电信号的频率为300～3000MHz；
对采集的待识别特高频局部放电信号利用汉明窗进行分帧加窗，得到分帧加窗处理后的信号；
对所述分帧加窗处理后的信号进行短时离散傅里叶变换，得到与采集的待识别特高频局部放电信号对应的原始时频谱W。
3.根据权利要求1所述的变压器特高频局部放电信号模式识别方法，其特征在于，
所述基于相似矩阵的盲源分离方法，从所述原始时频谱W中提取出与所述待识别特高频局部放电信号对应的前景时频谱，包括：
将原始时频谱W按列取距离范数并进行归一化后，计算每一帧信号之间的相似性，得到相似矩阵S，其中，相似矩阵S中的每一矩阵元素(i,k)对应时频谱W中第i帧与第k帧特征向量之间的余弦相似度：
其中，m为时频谱W中的帧序号，1≤m≤n，n为时频谱W中的总帧数；
对相似矩阵S中各频段进行中值滤波，得到重复谱V；
采用最小均方差滤波对重复谱V进行维纳滤波，得到滤波后的时频谱R：
其中，Rxs为期望信号与实际信号的互相关函数；Rxx为自相关函数；h为最小均方差下的最佳滤波系数；
对滤波后的时频谱R进行时频掩蔽，得到与所述待识别特高频局部放电信号对应的前景时频谱。
4.根据权利要求1所述的变压器特高频局部放电信号模式识别方法，其特征在于，
所述多种局部放电类型为实验室条件下模拟的变压器特高频局部放电类型，包括针-板放电、锥-板放电、柱-板放电以及悬浮电位；
还包括：
采集(X+Y)组在实验室条件下模拟的针-板放电、锥-板放电、柱-板放电以及悬浮电位这4种类型的变压器特高频局部放电信号，并分别加入到测试集和训练集中，其中，训练集中包括X组针-板放电、锥-板放电、柱-板放电以及悬浮电位这4种类型的变压器特高频局部放电信号，测试集中包括Y组针-板放电、锥-板放电、柱-板放电以及悬浮电位这4种类型的变压器特高频局部放电信号；
针对所述(X+Y)组4种类型的变压器特高频局部放电信号，分别提取出与各特高频局部放电信号对应的前景时频谱；
利用所述X组4种类型的特高频局部放电信号对应的前景时频谱和预先指定的学习率，训练具有4个输出节点的卷积神经网络，以确定所述卷积神经网络的结构和参数；
利用所述Y组4种类型的特高频局部放电信号对应的前景时频谱，测试训练得到的卷积神经网络，在所述卷积神经网络对所述Y组4种类型的特高频局部放电信号对应的局部放电类型的识别率满足预先指定的学习率时，确定所述卷积神经网络为预先确定的卷积神经网络；
在所述卷积神经网络对所述Y组4种类型的特高频局部放电信号对应的局部放电类型的识别率不满足预先指定的学习率时，利用所述X组4种类型的特高频局部放电信号对应的前景时频谱和预先指定的学习率，训练具有4个输出节点的卷积神经网络，直到所述卷积神经网络对所述Y组4种类型的特高频局部放电信号对应的局部放电类型的识别率满足预先指定的学习率为止。
5.根据权利要求4所述的变压器特高频局部放电信号模式识别方法，其特征在于，
在对全尺寸的时频谱图Xorigin进行训练时，先取全尺寸的时频谱图的部分区域Xpart进行训练，确定针对部分区域Xpart学习到的权重特征W′和偏置特征b′；
将针对部分区域Xpart学习到的权重特征W′和偏置特征b′作为滤波器，与所述全尺寸的时频谱图Xorigin作卷积运算，得到不同位置上的激活值f(W′Xorigin+b′)和特征映射。
6.根据权利要求4所述的变压器特高频局部放电信号模式识别方法，其特征在于，
所述卷积神经网络包括多个卷积层；
在所述卷积神经网络的每一个卷积层之后，连接有一个池化层，用于对卷积后的特征进行聚合，以降低计算资源消耗和防止过拟合；
在所述卷积神经网络的每一个卷积层，选择线性整流函数作为激活函数，以防止梯度***和梯度消失。
7.根据权利要求5所述的变压器特高频局部放电信号模式识别方法，其特征在于，所述卷积神经网络包括设置在全部的卷积层之前的输入层、设置在全部的卷积层之后的输入全连接层、输出全连接层；
所述输入层之前设置一个批标准化层，以加速收敛；
所述输入全连接层之前设置一个批标准化层，以加速收敛；
所述输出全连接层之前设置一个批标准化层，以加速收敛。
8.根据权利要求7所述的变压器特高频局部放电信号模式识别方法，其特征在于，
所述输入全连接层之前加入丢弃率为α的丢弃操作，以防治过拟合；
所述输出全连接层之前加入丢弃率为β的丢弃操作，以防治过拟合。
9.根据权利要求7所述的变压器特高频局部放电信号模式识别方法，其特征在于，
所述输出全连接层采用Softmax分类器。
10.一种变压器特高频局部放电信号模式识别装置，其特征在于，包括：
原始时频谱生成单元，用于生成与采集的待识别特高频局部放电信号对应的原始时频谱W；
前景时频谱生成单元，用于基于相似矩阵的盲源分离方法，从所述原始时频谱W中提取出与所述待识别特高频局部放电信号对应的前景时频谱；
局部放电类型确定单元，用于将所述前景时频谱输入预先确定的卷积神经网络，获取所述前景时频谱属于预先确定的多种局部放电类型的概率，并确定最大概率对应的局部放电类型为待识别特高频局部放电信号的局部放电类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911255273.XA CN111025100A (zh) | 2019-12-10 | 2019-12-10 | 变压器特高频局部放电信号模式识别方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911255273.XA CN111025100A (zh) | 2019-12-10 | 2019-12-10 | 变压器特高频局部放电信号模式识别方法与装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111025100A true CN111025100A (zh) | 2020-04-17 |
Family
ID=70205150
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911255273.XA Pending CN111025100A (zh) | 2019-12-10 | 2019-12-10 | 变压器特高频局部放电信号模式识别方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111025100A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111999607A (zh) * | 2020-07-20 | 2020-11-27 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种单通道信号下局部放电窄带干扰盲源分离方法及装置 |
| CN112036320A (zh) * | 2020-09-07 | 2020-12-04 | 华北电力大学（保定） | 局部放电状态识别方法、装置、放电模拟器和识别设备 |
| CN115932481A (zh) * | 2023-01-30 | 2023-04-07 | 国网江苏省电力有限公司南京供电分公司 | 一种架空配电线路局部放电故障定位方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140288928A1 (en) * | 2013-03-25 | 2014-09-25 | Gerald Bradley PENN | System and method for applying a convolutional neural network to speech recognition |
| CN105606966A (zh) * | 2015-12-21 | 2016-05-25 | 安徽理工大学 | 基于混合神经网络算法的局部放电模式识别方法 |
| CN107301381A (zh) * | 2017-06-01 | 2017-10-27 | 西安电子科技大学昆山创新研究院 | 基于深度学习和多任务学习策略的雷达辐射源识别方法 |
| CN109655720A (zh) * | 2018-12-18 | 2019-04-19 | 北京三听科技有限公司 | 基于二维传感器阵列的局放检测方法及装置 |
-
2019
- 2019-12-10 CN CN201911255273.XA patent/CN111025100A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140288928A1 (en) * | 2013-03-25 | 2014-09-25 | Gerald Bradley PENN | System and method for applying a convolutional neural network to speech recognition |
| CN105606966A (zh) * | 2015-12-21 | 2016-05-25 | 安徽理工大学 | 基于混合神经网络算法的局部放电模式识别方法 |
| CN107301381A (zh) * | 2017-06-01 | 2017-10-27 | 西安电子科技大学昆山创新研究院 | 基于深度学习和多任务学习策略的雷达辐射源识别方法 |
| CN109655720A (zh) * | 2018-12-18 | 2019-04-19 | 北京三听科技有限公司 | 基于二维传感器阵列的局放检测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 张重远 等: "基于相似矩阵盲源分离与卷积神经网络的局部放电超声信号深度学习模式识别方法", 《电网技术》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111999607A (zh) * | 2020-07-20 | 2020-11-27 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种单通道信号下局部放电窄带干扰盲源分离方法及装置 |
| CN111999607B (zh) * | 2020-07-20 | 2021-08-20 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种单通道信号下局部放电窄带干扰盲源分离方法及装置 |
| CN112036320A (zh) * | 2020-09-07 | 2020-12-04 | 华北电力大学（保定） | 局部放电状态识别方法、装置、放电模拟器和识别设备 |
| CN115932481A (zh) * | 2023-01-30 | 2023-04-07 | 国网江苏省电力有限公司南京供电分公司 | 一种架空配电线路局部放电故障定位方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103558529B (zh) | 一种三相共筒式超高压gis局部放电的模式识别方法 | |
| CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
| CN109116203A (zh) | 基于卷积神经网络的电力设备局部放电故障诊断方法 | |
| Liu et al. | Deep learning and recognition of radar jamming based on CNN | |
| CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
| CN108693448B (zh) | 一种应用于电力设备局部放电模式识别*** | |
| CN111476339B (zh) | 滚动轴承故障特征提取方法、智能诊断方法及*** | |
| CN112329914B (zh) | 地埋式变电站的故障诊断方法、装置及电子设备 | |
| CN113252322B (zh) | 一种含噪背景下的断路器机械故障诊断方法及装置 | |
| CN108847252B (zh) | 基于声信号语谱图纹理分布的声特征提取方法 | |
| CN114237046B (zh) | 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法 | |
| CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
| CN111665050B (zh) | 一种基于聚类k-svd算法的滚动轴承故障诊断方法 | |
| Mengyuan et al. | Research of circuit breaker intelligent fault diagnosis method based on double clustering | |
| CN113884844A (zh) | 一种变压器局部放电类型识别方法及*** | |
| CN115510909A (zh) | 一种dbscan进行异常声音特征的无监督算法 | |
| CN115147651A (zh) | 水电机组轴心轨迹的识别方法 | |
| CN117289013A (zh) | 用于脉冲电流测试的数据处理方法及*** | |
| Du et al. | Feature extraction and pattern recognition algorithm of power cable partial discharge signal | |
| CN112183260A (zh) | 一种基于总变差降噪与rqa的单向阀故障诊断方法 | |
| CN116340812A (zh) | 一种变压器局部放电故障模式识别方法及*** | |
| CN116482526A (zh) | 一种用于非故障相阻抗继电器的分析*** | |
| Olkhovskiy et al. | Impulse signals classification using one dimensional convolutional neural network | |
| CN115563500A (zh) | 基于数据增强技术的配电设备局部放电模式识别方法、装置及*** | |
| CN114997210A (zh) | 一种基于深度学习的机器异响识别检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200417 |