CN111476093A - 一种电缆终端局部放电模式识别方法及*** - Google Patents
一种电缆终端局部放电模式识别方法及*** Download PDFInfo
- Publication number
- CN111476093A CN111476093A CN202010149539.9A CN202010149539A CN111476093A CN 111476093 A CN111476093 A CN 111476093A CN 202010149539 A CN202010149539 A CN 202010149539A CN 111476093 A CN111476093 A CN 111476093A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- discharge
- algorithm
- polar coordinate
- lbp
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 239000013598 vector Substances 0.000 claims abstract description 18
- 230000009466 transformation Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000003909 pattern recognition Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012567 pattern recognition method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000009413 insulation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Testing Relating To Insulation (AREA)
Abstract
一种电缆终端局部放电模式识别方法及***，所述方法对所采集的局部放电信号进行预处理，对预处理后的局部放电信号进行坐标变换；以放电信号极坐标图作为特征图谱，采用旋转不变LBP算法对极坐标下的放电图谱进行特征提取；使用提取的局部放电特征向量对模式识别算法进行训练；将待测试数据输入训练好的模式识别算法中进行识别。所述***为一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序。
Description
技术领域
本发明涉及一种电缆终端局部放电模式识别方法及***，属电力电缆技术领域。
背景技术
与传统的架空线相比，电力电缆供电具有不受外界环境影响、节约用地、电气性能良好等优点。随着城市电网的发展，电力电缆的使用率不断提高，电缆运行的可靠性受到电力部门的关注。
当电缆发生绝缘缺陷时，往往会出现局部放电现象。局部放电现象指的是绝缘介质局部区域发生放电，但放电并未贯穿施加电压的导体之间的现象。局部放电包含大量的绝缘缺陷信息，通过对局部放电信号进行模式识别，可以确定引发此局部放电的绝缘缺陷类型。
目前局部放电模式识别的研究中，主流识别方法都需要通过工频相位的参考生成放电图谱来进行模式识别，通过工频参考信号触发局部放电信号的采样。但是在现场应用中，对于三相电缆终端，工频参考相位获取困难，无法应用传统的模式识别方案进行局部放电类型区分。电缆终端在三相电压作用下的局放信号分布复杂，难以确定采用A、B、C三相中的哪一项作为工频参考相位。现阶段采用环网柜的检修电源获取工频相位，虽然此方法为局放数据的采集提供了一个稳定的触发源,但是该信号的0度位置,并不一定是电缆工作电压的0度位置,会使采集的局放信号产生一个相位偏移，导致采集的放电波形不能与相位准确对应，无法开展模式识别。
现有局部放电模式识别方法在电缆终端局部放电模式识别的现场应用中，由于相位难以提取或者相位提取不准确导致局放模式识别开展困难。
发明内容
本发明的目的在于，为了克服现有技术的上述不足，提供一种电缆终端局部放电模式识别方法及***，在电缆终端模式识别现场应用中无需采集工频参考相位，并能够实现局部放电类型的区分。
本发明实现的技术方案如下，
一种电缆终端局部放电模式识别方法，所述方法对所采集的局部放电信号进行预处理，对预处理后的局部放电信号进行坐标变换；以放电信号极坐标图作为特征图谱，采用旋转不变LBP算法对极坐标下的放电图谱进行特征提取；使用提取的局部放电特征向量对模式识别算法进行训练；将待测试数据输入训练好的模式识别算法中进行识别。
所述局部放电信号包括针板放电、沿面放电和内部放电三种类型。
所述预处理，包括对局部放电信号的滤波以及归一化处理；所述滤波采用小波阈值滤波方法对所述局部放电信号进行滤波处理；所述归一化处理采用最值归一化方法，最值归一化方法的转换函数如下：
其中，x'为归一化后的数据；x为原始数据；xmax为原始数据集的最大值；xmin为原始数据集的最小值。
所述坐标变换是将预处理后的局部放电信号中，正的局部放电信号逐点映射到极坐标系中，映射过程中将采样的初始时刻角度定为极坐标中的0度位置；采样结束时刻对应极坐标中360度位置，使20ms局部放电信号在极坐标图中首尾相接。
所述旋转不变LBP算法所提取的特征不会因为图谱的旋转而改变，旋转不变LBP算法通过数学表达式表示为：
其中
gc为中心像素点，gp为邻域像素点，ROR(x,i)表示沿时钟方向将P位数X移动i次；
上式对于图像像素而言，就是将邻域集合按照时钟方向旋转很多次，直到当前旋转下构成的LBPP,R值最小。
所述旋转不变LBP算法一共有36种旋转不变的基元；统计不同放电类型极坐标图谱中旋转不变基元的直方图，将统计直方图作为不同放电类型的特征向量，每个放电图谱获得的36维放电特征向量为VLBP＝[LBP1,LBP2,…,LBP36]，其中LBP1为VLBP中第一维特征量，LBP2为VLBP中第2维特征量，LBP36为VLBP中第36维特征量；放电图谱的旋转不会改变LBP统计直方图的取值。
所述模式识别算法包括神经网络算法和支持向量机算法。
一种电缆终端局部放电模式识别方法的***，为一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时，实现以下步骤：
(1)使用AD采集卡采集各已知类型局部放电信号20ms。
(2)对所采集的局部放电信号进行预处理。
(3)将步骤(2)中的局部放电信号进行坐标变换。
(4)将放电信号极坐标图作为特征图谱，采用旋转不变LBP算法对所述极坐标下的放电图谱进行特征提取，将LBP统计直方图作为特征向量。
(5)使用提取的局部放电特征向量对模式识别算法进行训练。
(6)将待测试数据输入训练好的模式识别算法中进行识别。
本发明的有益效果如下，本发明采用局部放电极坐标作为模式识别图谱，并采用旋转不变LBP算子对局部放电极坐标图谱进行特征提取，可以在不提取工频参考相位的情况下实现局部放电的模式识别，解决了在某些测试现场无法获取局部放电信号的工频参考相位导致无法开展模式识别的问题。此外本发明所公开的方法可减少采集的复杂性和成本，并且可以避免采集工频参考信号所带来的危险，拓展了局部放电模式识别的应用场景并提高了模式识别的安全性。
附图说明
图1为本发明模式识别方法流程图；
图2为本发明实施例中沿面放电原始波形图；
图3为本发明实施例中内部放电原始波形图；
图4为本发明实施例中针板放电原始波形图；
图5为本发明实施例中沿面放电极坐标图谱；
图6为本发明实施例中内部放电极坐标图谱；
图7为本发明实施例中针板放电极坐标图谱；
图8为本发明实施例中不同类型放电特征差异对比图；
图9为本发明实施例中同一放电类型图谱经过旋转前后提取的特征差异对比图。
具体实施方式
图1所示为本实施例一种电缆终端局部放电模式识别方法的流程，步骤如下：
S1、使用AD采集卡采集已知类型的局部放电信号20ms。
在本实施例中采用TMS28335作为AD采集的处理器，分别采集三种类型的局部放电信号，采样时间为固定的20ms，即采样一个工频周期的时间。
已知放电类型具体为沿面放电、内部放电、针板放电。本实施例所述采集的局部放电信号经过降频处理，降频处理后的局部放电信号为原始局放信号的包络线。上述降频处理方案采用包络检波技术，此技术为公知技术方案，仅作为本发明的一种实施例，不限制本发明的具体使用范围。经DSP采集的沿面放电、内部放电、针板放电原始信号波形画于直角坐标系中，如图2、图3、图4所示。
S2、对所采集的局部放电信号进行预处理。
其中，上述S2步骤中的预处理包括对局部放电信号的滤波以及归一化处理，所述滤波采用小波阈值滤波方法对所述S1中采集的局部放电信号进行滤波处理，所述归一化处理采用最值归一化方法，最值归一化方法的转换函数如下：
其中，x'为归一化后的数据；x为原始数据；xmax为原始数据集的最大值；xmin为原始数据集的最小值。
S3、将所述局部放电信号进行坐标变换。
其中，所述S3中的坐标变换是将所述S2中预处理后的局部放电信号中正的局部放电信号逐点映射到极坐标系中，映射过程中将采样的初始时刻角度定为极坐标中的0度位置，采样结束时刻对应极坐标中360度位置，使20ms局部放电信号在极坐标图中收尾相接。坐标变换后沿面放电、内部放电、针板放电的极坐标图谱如图5、图6、图7所示。
S4、将不同放电类型的放电信号极坐标图作为特征图谱，采用旋转不变LBP算子对所述极坐标下的放电图谱进行特征提取，将LBP统计直方图作为特征向量。
进一步的，所述S4中的旋转不变LBP算法所提取的特征不会因为图谱的旋转而改变，旋转不变LBP算法通过数学表达式表示为：
其中
gc为中心像素点，gp为邻域像素点，ROR(x,i)表示沿时钟方向将P位数X移动i次。上式对于图像像素而言，就是将邻域集合按照时钟方向旋转很多次，直到当前旋转下构成的LBPP,R值最小。
进一步的，所述旋转不变LBP算法一共有36种旋转不变的基元，统计不同放电类型极坐标图谱中旋转不变基元的直方图，将统计直方图作为不同放电类型的特征向量，每个放电图谱均获得36维放电特征向量VLBP＝[LBP1,LBP2,…,LBP36]，放电图谱的旋转不会改变LBP统计直方图的取值。
进一步的，将沿面放电、内部放电、针板放电的所述LBP特征向量前35维特征向量VLBP＝[LBP1,LBP2,…,LBP36]绘于图8所示，由图可以看出不同类型的放电特征具有一定的区分程度。
进一步的，将针板放电类型的极坐标图旋转一定角度后按上述步骤提取LBP特征，将旋转前后的放电特征绘制于图9，由图9可以看出，放电图谱旋转一定角度后，LBP特征不变化，由此可说明，旋转不变LBP提取的特征与放电极坐标的旋转角度关系不大，即局部放电采集的起始时刻不同不会影响放电特征。
S5、使用提取的局部放电特征向量对模式识别算法进行训练。
所述S5中的模式识别算法包括：神经网络算法、支持向量机算法。具体地，本实施例中步骤S5的模式识别算法采用BP神经网络算法，将BP神经网络的期望输出分别设定，沿面放电为(0,0,1)，内部放电为(0,1,0)，针板放电(1,0,0)。将已知种类的局放信号特征向量训练设置好参数的BP神经网络。
S6、将待测试数据输入训练好的模式识别算法中进行识别。
本实施例中，按上述S1至S4的步骤获得待测试数据，将待测试数据将待测试数据输入训练好的神经网络中，根据所述BP神经网络输出值，与所述类别标记进行对比，得到待识别局部放电信号来源。具体地，当所述BP神经网络的某一输出节点的值在0到1之间时，将所述输出值进行四舍五入之后与所述设定期望输出进行比对，得到模式识别的结果。
本实施例提供一种电缆终端局部放电模式识别方法，采集的局部放电信号需为20ms，对采集的局部放电信号进行坐标变换，将局部放电信号的极坐标图谱用于放电类型的特征提取，通过旋转不变LBP算法对局部放电图谱进行特征提取，将LBP的统计直方图作为放电类型模式识别的特征向量，最后通过模式识别算法完成局部放电的模式识别。本实施例适用于电缆终端局部放电模式识别，在测试现场不易提供工频参考相位的情况下实现局部放电的模式识别，解决了在某些测试现场无法获取局部放电信号的工频参考相位导致无法开展模式识别的问题。此外本发明所公开的方法可减少采集的复杂性和成本，并且可以避免采集工频参考信号所带来的危险，拓展了局部放电模式识别的应用场景并提高了模式识别的安全性。
Claims (8)
1.一种电缆终端局部放电模式识别方法，其特征在于，所述方法对所采集的局部放电信号进行预处理，对预处理后的局部放电信号进行坐标变换；以放电信号极坐标图作为特征图谱，采用旋转不变LBP算法对极坐标下的放电图谱进行特征提取；使用提取的局部放电特征向量对模式识别算法进行训练；将待测试数据输入训练好的模式识别算法中进行识别。
2.根据权利要求1所述的一种电缆终端局部放电模式识别方法，其特征在于，所述局部放电信号包括针板放电、沿面放电和内部放电三种类型。
3.根据权利要求1所述的一种电缆终端局部放电模式识别方法，其特征在于，所述预处理，包括对局部放电信号的滤波以及归一化处理；所述滤波采用小波阈值滤波方法对所述局部放电信号进行滤波处理；所述归一化处理采用最值归一化方法，最值归一化方法的转换函数如下：
其中，x'为归一化后的数据；x为原始数据；xmax为原始数据集的最大值；xmin为原始数据集的最小值。
4.根据权利要求1所述的一种电缆终端局部放电模式识别方法，其特征在于，所述坐标变换是将预处理后的局部放电信号中，正的局部放电信号逐点映射到极坐标系中，映射过程中将采样的初始时刻角度定为极坐标中的0度位置；采样结束时刻对应极坐标中360度位置，使20ms局部放电信号在极坐标图中首尾相接。
5.根据权利要求1所述的一种电缆终端局部放电模式识别方法，其特征在于，所述旋转不变LBP算法所提取的特征不会因为图谱的旋转而改变，旋转不变LBP算法通过数学表达式表示为：
其中
gc为中心像素点，gp为邻域像素点，ROR(x,i)表示沿时钟方向将P位数X移动i次；
上式对于图像像素而言，就是将邻域集合按照时钟方向旋转很多次，直到当前旋转下构成的LBPP,R值最小。
6.根据权利要求1所述的一种电缆终端局部放电模式识别方法，其特征在于，所述旋转不变LBP算法一共有36种旋转不变的基元；统计不同放电类型极坐标图谱中旋转不变基元的直方图，将统计直方图作为不同放电类型的特征向量，每个放电图谱获得的36维放电特征向量为VLBP＝[LBP1,LBP2,…,LBP36]，其中LBP1为VLBP中第一维特征量，LBP2为VLBP中第2维特征量，LBP36为VLBP中第36维特征量；放电图谱的旋转不会改变LBP统计直方图的取值。
7.根据权利要求1所述的一种电缆终端局部放电模式识别方法，其特征在于，所述模式识别算法包括神经网络算法和支持向量机算法。
8.实现如权利要求1～7所述电缆终端局部放电模式识别方法的***，为一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时，实现以下步骤：
(1)使用AD采集卡采集各已知类型局部放电信号20ms；
(2)对所采集的局部放电信号进行预处理；
(3)将步骤(2)中的局部放电信号进行坐标变换；
(4)将放电信号极坐标图作为特征图谱，采用旋转不变LBP算法对所述极坐标下的放电图谱进行特征提取，将LBP统计直方图作为特征向量；
(5)使用提取的局部放电特征向量对模式识别算法进行训练；
(6)将待测试数据输入训练好的模式识别算法中进行识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010149539.9A CN111476093A (zh) | 2020-03-06 | 2020-03-06 | 一种电缆终端局部放电模式识别方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010149539.9A CN111476093A (zh) | 2020-03-06 | 2020-03-06 | 一种电缆终端局部放电模式识别方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111476093A true CN111476093A (zh) | 2020-07-31 |
Family
ID=71748132
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010149539.9A Pending CN111476093A (zh) | 2020-03-06 | 2020-03-06 | 一种电缆终端局部放电模式识别方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111476093A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112730984A (zh) * | 2021-03-31 | 2021-04-30 | 国网江西省电力有限公司供电服务管理中心 | 一种基于智能电表的低压配电网相位识别方法 |
| CN112881879A (zh) * | 2021-04-16 | 2021-06-01 | 国网黑龙江省电力有限公司大庆供电公司 | 一种高压电缆终端局部放电模式识别方法、装置及设备 |
| 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*** |
| CN114062873A (zh) * | 2021-11-17 | 2022-02-18 | 国网陕西省电力公司电力科学研究院 | 基于卷积神经网络的并联电抗器绝缘故障诊断方法和装置 |
| CN116381429A (zh) * | 2023-03-29 | 2023-07-04 | 上海莫克电子技术有限公司 | 在线局部放电检测结果的矫正方法及其*** |
| CN117708760A (zh) * | 2024-02-05 | 2024-03-15 | 国网江西省电力有限公司电力科学研究院 | 基于多模型融合的开关柜多源局放模式识别方法及*** |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001080176A (ja) * | 1999-09-17 | 2001-03-27 | Canon Inc | データ処理装置並びに画像記録装置並びにデータ処理装置の制御方法並びに画像記録装置の制御方法および記憶媒体 |
| CN103729654A (zh) * | 2014-01-22 | 2014-04-16 | 青岛新比特电子科技有限公司 | 基于改进sift算法的图像匹配检索*** |
| CN104237750A (zh) * | 2014-09-05 | 2014-12-24 | 中国西电电气股份有限公司 | 一种gis绝缘缺陷局部放电故障图谱绘制方法 |
| CN104849633A (zh) * | 2015-05-15 | 2015-08-19 | 国家电网公司 | 一种开关柜局部放电模式识别方法 |
| WO2016138838A1 (zh) * | 2015-03-02 | 2016-09-09 | 华为技术有限公司 | 基于投影极速学习机的唇语识别方法和装置 |
| CN107831409A (zh) * | 2017-09-22 | 2018-03-23 | 国网山东省电力公司电力科学研究院 | 特高频局放检测图谱特征参量提取的方法及异常检测方法 |
| CN108761279A (zh) * | 2018-03-23 | 2018-11-06 | 广东电网有限责任公司东莞供电局 | 一种用于局部放电源定位的极坐标网格搜索方法及*** |
| CN108957251A (zh) * | 2018-05-18 | 2018-12-07 | 深圳供电局有限公司 | 一种电缆接头局部放电模式识别方法 |
| CN109858353A (zh) * | 2018-12-26 | 2019-06-07 | 东华理工大学 | 基于迹变换与lbp的人脸图像特征提取方法 |
| CN110850244A (zh) * | 2019-11-11 | 2020-02-28 | 国网湖南省电力有限公司 | 基于深度学习的局放缺陷时域图谱诊断方法、***及介质 |
-
2020
- 2020-03-06 CN CN202010149539.9A patent/CN111476093A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001080176A (ja) * | 1999-09-17 | 2001-03-27 | Canon Inc | データ処理装置並びに画像記録装置並びにデータ処理装置の制御方法並びに画像記録装置の制御方法および記憶媒体 |
| CN103729654A (zh) * | 2014-01-22 | 2014-04-16 | 青岛新比特电子科技有限公司 | 基于改进sift算法的图像匹配检索*** |
| CN104237750A (zh) * | 2014-09-05 | 2014-12-24 | 中国西电电气股份有限公司 | 一种gis绝缘缺陷局部放电故障图谱绘制方法 |
| WO2016138838A1 (zh) * | 2015-03-02 | 2016-09-09 | 华为技术有限公司 | 基于投影极速学习机的唇语识别方法和装置 |
| CN104849633A (zh) * | 2015-05-15 | 2015-08-19 | 国家电网公司 | 一种开关柜局部放电模式识别方法 |
| CN107831409A (zh) * | 2017-09-22 | 2018-03-23 | 国网山东省电力公司电力科学研究院 | 特高频局放检测图谱特征参量提取的方法及异常检测方法 |
| CN108761279A (zh) * | 2018-03-23 | 2018-11-06 | 广东电网有限责任公司东莞供电局 | 一种用于局部放电源定位的极坐标网格搜索方法及*** |
| CN108957251A (zh) * | 2018-05-18 | 2018-12-07 | 深圳供电局有限公司 | 一种电缆接头局部放电模式识别方法 |
| CN109858353A (zh) * | 2018-12-26 | 2019-06-07 | 东华理工大学 | 基于迹变换与lbp的人脸图像特征提取方法 |
| CN110850244A (zh) * | 2019-11-11 | 2020-02-28 | 国网湖南省电力有限公司 | 基于深度学习的局放缺陷时域图谱诊断方法、***及介质 |
Non-Patent Citations (3)
| Title |
|---|
| 孙文星等: "基于小波矩特征信息的沿面放电阶段识别方法", 《广东电力》 * |
| 赵磊等: "基于GLCM和LBP的局部放电灰度图像特征提取", 《电测与仪表》 * |
| 黄健华: "局部放电的极坐标谱图及模式识别_黄健华", 《高压电器》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112730984A (zh) * | 2021-03-31 | 2021-04-30 | 国网江西省电力有限公司供电服务管理中心 | 一种基于智能电表的低压配电网相位识别方法 |
| CN112881879A (zh) * | 2021-04-16 | 2021-06-01 | 国网黑龙江省电力有限公司大庆供电公司 | 一种高压电缆终端局部放电模式识别方法、装置及设备 |
| 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*** |
| CN114062873A (zh) * | 2021-11-17 | 2022-02-18 | 国网陕西省电力公司电力科学研究院 | 基于卷积神经网络的并联电抗器绝缘故障诊断方法和装置 |
| CN116381429A (zh) * | 2023-03-29 | 2023-07-04 | 上海莫克电子技术有限公司 | 在线局部放电检测结果的矫正方法及其*** |
| CN116381429B (zh) * | 2023-03-29 | 2024-03-29 | 上海莫克电子技术有限公司 | 在线局部放电检测结果的矫正方法及其*** |
| CN117708760A (zh) * | 2024-02-05 | 2024-03-15 | 国网江西省电力有限公司电力科学研究院 | 基于多模型融合的开关柜多源局放模式识别方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111476093A (zh) | 一种电缆终端局部放电模式识别方法及*** | |
| CN108957251B (zh) | 一种电缆接头局部放电模式识别方法 | |
| CN109409385B (zh) | 一种指针式仪表自动识别方法 | |
| 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 | |
| CN106548013B (zh) | 利用改进不完全s变换的电压暂降源识别方法 | |
| CN111080105A (zh) | 基于电压时序数据的台区户变关系识别方法及*** | |
| CN109871686A (zh) | 基于图标表示和软件行为一致性分析的恶意程序识别方法及装置 | |
| CN112036450B (zh) | 一种基于迁移学习的高压电缆局放模式识别方法及*** | |
| CN108734691A (zh) | 一种输电线路缺陷图像识别方法 | |
| CN111220882A (zh) | 一种gis光学局放图谱的特征量提取方法 | |
| CN115690012A (zh) | 一种电能表接错线的检测方法 | |
| CN111289251A (zh) | 一种滚动轴承细粒度故障识别方法 | |
| US20220147777A1 (en) | Automatic Partial Discharge and Noise Signals Separation using Arithmetic Coding in Time Domain and Magnitude Distributions in Frequency Domain | |
| CN112285494A (zh) | 一种电力电缆局部放电模式识别分析*** | |
| Fu et al. | A noise-resistant superpixel segmentation algorithm for hyperspectral images | |
| CN104125050A (zh) | 超高频rfid读卡器协议一致性测试方法 | |
| CN107578016B (zh) | 一种基于稀疏表示的剩余电流波形自动识别方法 | |
| CN113283371A (zh) | 一种基于brisk特征的局部放电特征提取及分类方法 | |
| CN109598216B (zh) | 一种基于卷积的射频指纹特征提取方法 | |
| CN110719445A (zh) | 一种基于图像识别的远程抄表***及方法 | |
| CN114325072B (zh) | 基于格拉姆角场编码的铁磁谐振过电压识别方法及装置 | |
| CN115963350A (zh) | 一种直流配电网故障定位方法及装置 | |
| CN115293303A (zh) | 一种高压输电线网监测方法、***、设备和介质 | |
| CN110033082B (zh) | 一种识别ai设备中深度学习模型的方法 | |
| Li et al. | An improved adaptive threshold BRISK feature matching algorithm based on SURF |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200731 |