CN112001246A - 一种基于奇异值分解的局部放电类型识别方法及装置 - Google Patents

一种基于奇异值分解的局部放电类型识别方法及装置 Download PDF

Info

Publication number
CN112001246A
CN112001246A CN202010698430.0A CN202010698430A CN112001246A CN 112001246 A CN112001246 A CN 112001246A CN 202010698430 A CN202010698430 A CN 202010698430A CN 112001246 A CN112001246 A CN 112001246A
Authority
CN
China
Prior art keywords
partial discharge
singular value
neural network
value decomposition
signal
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
Application number
CN202010698430.0A
Other languages
English (en)
Inventor
罗新
刘春涛
黄学民
牛峥
李乾坤
陈为庆
齐向东
庄小亮
蒙泳昌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Bureau of Extra High Voltage Power Transmission Co
Original Assignee
Guangzhou Bureau of Extra High Voltage Power Transmission Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Bureau of Extra High Voltage Power Transmission Co filed Critical Guangzhou Bureau of Extra High Voltage Power Transmission Co
Priority to CN202010698430.0A priority Critical patent/CN112001246A/zh
Publication of CN112001246A publication Critical patent/CN112001246A/zh
Pending legal-status Critical Current

Links

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
    • G06F2218/08—Feature extraction
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明公开了一种基于奇异值分解的局部放电类型识别方法及装置，包括：S1、获取已知局部放电类型，建立局部放电类型库；S2、对局部放电信号进行小波包去噪预处理，截取去噪后的局部放电信号发生区域的信号构造Hankel矩阵，之后进行奇异值分解；S3选择合适数量的奇异值的能量百分比作为特征量T，将各类型的局部放电特征量分为训练样本Ttrain和检验样本Ttest；S4将Ttrain作为遗传算法优化的BP神经网络的输入，训练得到最佳BP神经网络；S5将Ttest作为训练好的BP神经网络的输入，得到局部放电信号类型。本发明通过截取局部放电发生区域进行奇异值分解，可用少量的奇异值代表局部放电的波形信息，大大减少了特征量的数据量，能够更快更好地识别放电的类型。

Description

一种基于奇异值分解的局部放电类型识别方法及装置
技术领域
本发明涉及电力技术领域，具体涉及一种基于奇异值分解的局部放电类型识别方法及装置。
背景技术
局部放电，是指仅在绝缘体中的局部区域发生，而没有形成贯穿性放电通道的放电现象。不同类型的局部放电产生的机理和发生的位置各不相同，对设备绝缘的破坏程度也有所不同。通过对PD信号特征量的提取和分析并进行模式识别工作，能及时且准确地掌握电缆绝缘故障的类型和特征，帮助检修人员合理制定检修计划，保证供电的可靠性与安全性，防止用电事故的发生。
PD信号的特征提取决定PD信号模式识别的方法和效果，目前PD信号特征提取主要有统计特征法和时域分析法。统计特征法是针对PD信号的各种统计分布图进行特征提取的方法，主要方法有：分形维数法、灰度图像法、Weibull分布法、PRPD图谱分析法、PRPS图谱分析法，统计特征参量包括：偏斜度Sk、陡峭度Ku、放电量因数Q、互相关系数CC、Weibull分布的尺度参数α和形状参数β等。但其运用于特征提取上参量众多，如何有效选取有代表性的特征量仍没有有效准则。时域分析法是根据PD信号的时域脉冲的波形特征或者相应的变换(Gabor变换、Wigner分布、FFT变换、小波变换)进行特征提取，但该种方法如何找到有代表性的特征量仍未得到解决。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提供一种基于奇异值分解的局部放电类型识别方法及装置，能用少量的奇异值代表局部放电的波形信息，大大减少了特征量的数据量，能够更快更好地识别局部放电的类型。
为实现上述目的，本发明的技术方案为：
一种基于奇异值分解的局部放电类型识别方法，所述的识别方法包括下列步骤：
S1、获取已知局部放电类型，建立局部放电类型库；
S2、对局部放电信号进行去噪预处理，截取去噪后的局部放电信号发生区域的信号构造Hankel矩阵，之后进行奇异值分解；
S3、选择合适数量的奇异值的能量百分比作为特征量T，将各类型的局部放电特征量分为训练样本Ttrain和检验样本Ttest；
S4、将Ttrain作为遗传算法优化的BP神经网络的输入，训练得到最佳BP神经网络；
S5、将Ttest作为训练好的BP神经网络的输入，得到局部放电信号类型。
本发明还提供一种基于奇异值分解的局部放电类型识别装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述识别方法的步骤。
本发明还提供一种计算机可读存储介质，所述的计算机可读存储介质存储有计算机程序，所述的计算机程序被处理器执行时实现上述识别方法的步骤。
与现有技术相比，本发明的有益效果在于：
1、通过截取局部放电发生区域进行奇异值分解，可用少量的奇异值代表局部放电的波形信息，大大减少了特征量的数据量，能够更快更好地识别放电的类型；
2、本发明利用相似度NCC比较，迭代可寻找到有效代表局部放电信号的奇异值个数p；
3、本发明利用奇异值具有的比例不变性，采用奇异值百分比作为特征量，能够很好地避免奇异值大小的不可预测性带来的预测失败。
附图说明
图1为本发明的一种基于奇异值分解的局部放电类型识别方法流程图。
图2为四种局部放电时域波形示意图。
图3是去噪前后电缆终端头放电波形图。
图4为重构Y(a)与
Figure BDA0002592124440000021
波形。
图5为典型的三层BP网络拓扑结构。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本实施例公开了一种基于奇异值分解的局部放电类型识别方法，将其用于电缆局部放电类型的识别，如图1所示，包括以下步骤：
S1、获取已知局部放电类型，建立局部放电类型库；
已知的局部放电类型有电缆本体PD、电缆终端头PD，开关柜中的电晕放电和表面放电四种局部放电信号，如图2所示，可看到其有少量噪声干扰。根据其类型使用1000,0100,0010,0001进行标记，并将这些局部放电数据分门别类放到同一个数据库中，建立局部放电类型库。
S2、对局部放电信号进行去噪预处理，截取去噪后的局部放电信号发生区域的信号构造Hankel矩阵，之后进行奇异值分解：
S3、选择合适数量的奇异值的能量百分比作为特征量T，将各类型的局部放电特征量分为训练样本Ttrain和检验样本Ttest：
S4、将Ttrain作为遗传算法优化的BP神经网络的输入，训练得到最佳BP神经网络；
S5、将Ttest作为训练好的BP神经网络的输入，得到局部放电信号类型。
进一步地，所述步骤S2包括以下步骤：
S21、对局部放电信号y(i)(i＝1,2,...,N)采用小波包方法进行去噪预处理，将局部放电信号分成一系列细节分量和近似分量，使用matlab封装好的阈值函数ddencmp获取y(i)局部放电的阈值THR，进而将THR代入封装好的小波包分解去噪函数wpdencmp函数对信号进行分解去噪，得到去噪后的局部放电信号
Figure BDA0002592124440000031
从图3可以看出，电缆终端头样本经过小波包分解后，噪声明显被去除。
函数的调用格式为：
THR＝ddencmp(’den’,’wp’,’y(i)’)；
Figure BDA0002592124440000032
其中，y(i)表示局部放电信号，den表示进行去噪，wp表示选择小波包，THR表示返回的阈值，'s'表示采用软阈值去噪，8表示分解层数，'db8'表示小波名称，'sure'表示熵标准，1表示不进行阈值量化处理，
Figure BDA0002592124440000033
表示去噪后的局部放电信号。
S22、截取
Figure BDA0002592124440000034
发生的区域[l1,l2]的信号
Figure BDA0002592124440000035
建立Hankel矩阵H。Hankel矩阵构造如下：
Figure BDA0002592124440000036
其中：l1<n'<l2，m'＝l2+l1-n'，如果l2+l1为偶数，
Figure BDA0002592124440000037
如果l2+l1为奇数，
Figure BDA0002592124440000041
S23、对H进行奇异值分解，奇异值分解如下所示：
Figure BDA0002592124440000042
其中：U、V分别表示为m×m、n×n的正交矩阵，D＝diag(λ1,λ2,...,λr)(r＝min(m,n))，ui和vi表示m、n维列向量。
进一步地，所述步骤S3包括以下步骤：
S31、当r＝1时，使用S23的公式进行奇异值重构，得到矩阵H*，取H*中的第一行和第n'列构成局部放电信号Y(a)(a＝l1,l1+1,...,l2)，然后进行相似度NCC评估，令z＝NCC。NCC公式为：
Figure BDA0002592124440000043
S32、r＝r+1，继续S31的步骤求得相似度NCCr。
S33、若z<NCCr，则令z＝NCCr，返回S32执行，如果z>NCCr，记录当前的r，令p＝r，退出运行。
经过运行发现当p＝8，退出运行z得到最大值，如图4所示，前8个奇异值重构Y(a)与
Figure BDA0002592124440000045
波形高度吻合，说明前8个奇异值能够很好的描述原始PD信号的波形特征。
S34、计算前p个奇异值的能量百分比作为特征量T。
令
Figure BDA0002592124440000044
第t个奇异值的λt的奇异值能量百分比是λt/λ∑，故特征向量T为：
T＝[λ1/λ∑,λ2/λ∑,...,λt/λ∑]
S35、将各类型的局部放电特征量分为训练样本Ttrain和检验样本Ttest。
进一步地，所述步骤S4包括以下步骤：
S41、确定BP神经网络拓扑结构，如图5所示，样本输出有4个，输入参数有16个，可以确定BP神经网络结构为：16×23×4，初始化BP神经网络的权值与阈值。
S42、采用遗传算法对初始化的BP神经网络的权值与阈值进行二进制编码，初始化种群，种群个体数NIND＝40，代沟GGAP＝0.95，交叉概率px＝0.7，变异概率pm＝0.01，最大遗传代数MAXGEN＝20。
S43、对种群个体进行选择、交叉、变异操作，将预测分类与实际分类之间的误差率err作为适应度函数，将Ttrain作为BP神经网络的输入，进行适应度评价，err越小，则其作为下一代遗传算子的可能性越大，进而不断优化BP神经网络的权值与阈值。
S44、判断是否达到最大遗传代数MAXGEN，若是，则退出运行，得到最优的权值与阈值，得到最佳BP神经网络，若否，则继续对BP神经网络的最优的权值与阈值进行优化。
在本实施例中，使用得到的4种各50组局部放电信号作为样本，共200组，使用每一类型的30组数据作为训练样本，共120组，20组是测试样本，共80组。采用上述方法后得到四种局部放电信号的平均识别率达到97.5％，如表1所示，证明了本文通过截取局部放电发生区域进行奇异值分解，可用少量的奇异值代表局部放电的波形信息，大大减少了特征量的数据量，能够更快更好地识别放电的类型。
表1 GA-BP神经网络识别效果
Figure BDA0002592124440000051
另外，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccess Memory)等。
上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰，都应涵盖在本发明的保护范围内。

Claims (7)

1.一种基于奇异值分解的局部放电类型识别方法，其特征在于：所述的识别方法包括下列步骤：
S1、获取已知局部放电类型，建立局部放电类型库；
S2、对局部放电信号进行去噪预处理，截取去噪后的局部放电信号发生区域的信号构造Hankel矩阵，之后进行奇异值分解；
S3、选择合适数量的奇异值的能量百分比作为特征量T，将各类型的局部放电特征量分为训练样本Ttrain和检验样本Ttest；
S4、将Ttrain作为遗传算法优化的BP神经网络的输入，训练得到最佳BP神经网络；
S5、将Ttest作为训练好的BP神经网络的输入，得到局部放电信号类型。
2.根据权利要求1所述一种基于奇异值分解的局部放电类型识别方法，其特征在于：所述步骤S1中，获取已知局部放电类型有g类，根据其类型使用二进制数进行标记，并将这些局部放电数据分门别类放到同一个数据库中，建立局部放电类型库。
3.根据权利要求1所述一种基于奇异值分解的局部放电类型识别方法，其特征在于：所述步骤S2包括以下步骤：
S21、对局部放电信号y(i)(i＝1,2,...,N)采用小波包方法进行去噪预处理，将局部放电信号分成一系列细节分量和近似分量，使用matlab封装好的阈值函数ddencmp获取y(i)局部放电的阈值THR，进而将THR代入封装好的小波包分解去噪函数wpdencmp函数对信号进行分解去噪，得到去噪后的局部放电信号
Figure FDA0002592124430000011
S22、截取
Figure FDA0002592124430000012
发生的区域[l1,l2]的信号
Figure FDA0002592124430000013
建立Hankel矩阵H，Hankel矩阵构造如下：
Figure FDA0002592124430000014
其中：l1<n'<l2，m'＝l2+l1-n'，如果l2+l1为偶数，
Figure FDA0002592124430000015
如果l2+l1为奇数，
Figure FDA0002592124430000016
S23、对H进行奇异值分解，奇异值分解如下所示：
Figure FDA0002592124430000021
其中：U、V分别表示为m×m、n×n的正交矩阵，D＝diag(λ1,λ2,...,λr)(r＝min(m,n))，ui和vi表示m、n维列向量。
4.根据权利要求1所述一种基于奇异值分解的局部放电类型识别方法，其特征在于：所述步骤S3包括以下步骤：
S31、当r＝1时，使用S23的公式进行奇异值重构，得到矩阵H*，取H*中的第一行和第n'列构成局部放电信号Y(a)(a＝l1,l1+1,...,l2)，然后进行相似度NCC评估，令z＝NCC，NCC公式为：
Figure FDA0002592124430000022
S32、r＝r+1，继续S31的步骤求得相似度NCCr；
S33、若z<NCCr，则令z＝NCCr，返回S32执行，如果z>NCCr，记录当前的r，令p＝r，退出运行；
S34、计算前p个奇异值的能量百分比作为特征量T：
令
Figure FDA0002592124430000023
第t个奇异值的λt的奇异值能量百分比是λt/λ∑，故特征向量T为：
T＝[λ1/λ∑,λ2/λ∑,...,λt/λ∑]
S35、将各类型的局部放电特征量分为训练样本Ttrain和检验样本Ttest。
5.根据权利要求1所述一种基于奇异值分解的局部放电类型识别方法，其特征在于：所述步骤S4包括以下步骤：
S41、确定BP神经网络拓扑结构，初始化BP神经网络的权值与阈值；
S42、遗传算法对初始化的BP神经网络的权值与阈值进行二进制编码，初始化种群，种群个体数NIND，代沟GGAP，交叉概率px，变异概率pm，最大遗传代数MAXGEN；
S43、对种群个体进行选择、交叉、变异操作，将预测分类与实际分类之间的误差率err作为适应度函数，将Ttrain作为BP神经网络的输入，进行适应度评价，err越小，则其作为下一代遗传算子的可能性越大，进而不断优化BP神经网络的权值与阈值；
S44、判断是否达到最大遗传代数MAXGEN，若是，则退出运行，得到最优的权值与阈值，得到最佳BP神经网络，若否，则继续对BP神经网络的最优的权值与阈值进行优化。
6.一种基于奇异值分解的局部放电类型识别装置，包括存储器、处理器以及存储在存储器中并可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如权利要求1-5任一识别方法的步骤。
7.一种计算机可读存储介质，所述的计算机可读存储介质存储有计算机程序，其特征在于，所述的计算机程序被处理器执行时实现如权利要求1-5任一识别方法的步骤。
CN202010698430.0A 2020-07-20 2020-07-20 一种基于奇异值分解的局部放电类型识别方法及装置 Pending CN112001246A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010698430.0A CN112001246A (zh) 2020-07-20 2020-07-20 一种基于奇异值分解的局部放电类型识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010698430.0A CN112001246A (zh) 2020-07-20 2020-07-20 一种基于奇异值分解的局部放电类型识别方法及装置

Publications (1)

Publication Number Publication Date
CN112001246A true CN112001246A (zh) 2020-11-27

Family

ID=73468230

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010698430.0A Pending CN112001246A (zh) 2020-07-20 2020-07-20 一种基于奇异值分解的局部放电类型识别方法及装置

Country Status (1)

Country Link
CN (1) CN112001246A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112578240A (zh) * 2020-12-04 2021-03-30 国网北京市电力公司 放电类型的确认方法及装置、存储介质及电子装置
CN112686182A (zh) * 2021-01-04 2021-04-20 华北电力大学（保定） 局部放电模式识别方法及终端设备
CN114065814A (zh) * 2021-11-16 2022-02-18 中国南方电网有限责任公司超高压输电公司广州局 Gil局部放电的缺陷类型识别方法、装置
CN117092206A (zh) * 2023-08-09 2023-11-21 国网四川省电力公司电力科学研究院 电缆铅封区域的缺陷检测方法、计算机设备及存储介质
CN117630679A (zh) * 2023-11-30 2024-03-01 湖北工业大学 一种电池故障诊断方法和***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101984463A (zh) * 2010-11-02 2011-03-09 中兴通讯股份有限公司 全景图合成方法及装置
CN106154344A (zh) * 2016-08-01 2016-11-23 湖南文理学院 一种基于组合滤波的大地电磁信号去噪方法
CN106599777A (zh) * 2016-11-02 2017-04-26 华南理工大学 一种基于能量百分比的电缆局部放电信号识别方法
CN107037327A (zh) * 2016-10-09 2017-08-11 中国电力科学研究院 局部放电故障判定特征提取方法及判定方法
CN109829412A (zh) * 2019-01-24 2019-05-31 三峡大学 基于动态模式分解分形特征的局部放电模式识别方法
CN109975665A (zh) * 2019-03-22 2019-07-05 华南理工大学 一种电力设备局部放电信号放电类型识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101984463A (zh) * 2010-11-02 2011-03-09 中兴通讯股份有限公司 全景图合成方法及装置
CN106154344A (zh) * 2016-08-01 2016-11-23 湖南文理学院 一种基于组合滤波的大地电磁信号去噪方法
CN107037327A (zh) * 2016-10-09 2017-08-11 中国电力科学研究院 局部放电故障判定特征提取方法及判定方法
CN106599777A (zh) * 2016-11-02 2017-04-26 华南理工大学 一种基于能量百分比的电缆局部放电信号识别方法
CN109829412A (zh) * 2019-01-24 2019-05-31 三峡大学 基于动态模式分解分形特征的局部放电模式识别方法
CN109975665A (zh) * 2019-03-22 2019-07-05 华南理工大学 一种电力设备局部放电信号放电类型识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
唐炬 等: "基于Hankel矩阵的复小波-奇异值分解法提取局部放电特征信息", 《中国电机工程学报》 *
谢敏 等: "一种基于短时奇异值分解的局部放电白噪声抑制方法"", 《中国电机工程学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112578240A (zh) * 2020-12-04 2021-03-30 国网北京市电力公司 放电类型的确认方法及装置、存储介质及电子装置
CN112686182A (zh) * 2021-01-04 2021-04-20 华北电力大学（保定） 局部放电模式识别方法及终端设备
CN112686182B (zh) * 2021-01-04 2023-12-26 华北电力大学（保定） 局部放电模式识别方法及终端设备
CN114065814A (zh) * 2021-11-16 2022-02-18 中国南方电网有限责任公司超高压输电公司广州局 Gil局部放电的缺陷类型识别方法、装置
CN117092206A (zh) * 2023-08-09 2023-11-21 国网四川省电力公司电力科学研究院 电缆铅封区域的缺陷检测方法、计算机设备及存储介质
CN117630679A (zh) * 2023-11-30 2024-03-01 湖北工业大学 一种电池故障诊断方法和***
CN117630679B (zh) * 2023-11-30 2024-06-07 湖北工业大学 一种电池故障诊断方法和***

Similar Documents

Publication Publication Date Title
CN112001246A (zh) 一种基于奇异值分解的局部放电类型识别方法及装置
Wang et al. Optimized feature extraction for learning-based image steganalysis
CN109975665B (zh) 一种电力设备局部放电信号放电类型识别方法
KR101664913B1 (ko) 영상의 멀티레벨 분해를 이용하여 영상에 대한 품질 측정을 결정하는 방법 및 시스템
CN110361778B (zh) 一种基于生成对抗网络的地震数据重建方法
CN109711283B (zh) 一种联合双字典和误差矩阵的遮挡表情识别方法
CN107194378B (zh) 一种基于混合字典学习的人脸识别方法及装置
CN109389171B (zh) 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法
CN106845516B (zh) 一种基于多样本联合表示的足迹图像识别方法
Ringrose Bootstrapping and correspondence analysis in archaeology
Bhateja et al. Fast SSIM index for color images employing reduced-reference evaluation
Yang et al. Wavelet-based EEG preprocessing for biometric applications
CN115546558A (zh) 一种电气设备绝缘故障状态分类方法、装置及存储介质
CN115792729A (zh) 一种变压器复合故障诊断方法、装置、设备和存储介质
CN114067286A (zh) 基于序列化可形变注意力机制的高位相机车辆重识别方法
CN115839847A (zh) 基于wdcnn-lstm的轴承故障诊断方法及***
CN106803105B (zh) 一种基于稀疏表示字典学习的图像分类方法
Wu et al. Reduced-reference image quality assessment with local binary structural pattern
CN114118177B (zh) 一种基于奇异谱分析的位平面降噪方法、***及存储介质
CN116028858A (zh) 基于预标签的自监督神经网络学习心拍分类方法及***
CN115496993A (zh) 基于频域融合的目标检测方法、装置、设备及存储介质
CN114862803A (zh) 一种基于快速傅里叶卷积的工业图像异常检测方法
CN114676593A (zh) 一种纺织设备的异常检测方法及相关装置
Bharathi et al. The significance of feature selection techniques in machine learning
CN117351988B (zh) 一种基于数据分析的远程音频信息处理方法及***

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201127

RJ01 Rejection of invention patent application after publication