CN113780308A - 基于核主元分析与神经网络的gis局部放电模式识别方法及*** - Google Patents

基于核主元分析与神经网络的gis局部放电模式识别方法及*** Download PDF

Info

Publication number
CN113780308A
CN113780308A CN202110995882.XA CN202110995882A CN113780308A CN 113780308 A CN113780308 A CN 113780308A CN 202110995882 A CN202110995882 A CN 202110995882A CN 113780308 A CN113780308 A CN 113780308A
Authority
CN
China
Prior art keywords
neural network
partial discharge
principal component
component analysis
gis
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
CN202110995882.XA
Other languages
English (en)
Inventor
葛志成
陈捷元
刘赫
金鑫
于群英
黄涛
翟冠强
赵天成
张赛鹏
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.)
State Grid Jilin Electric Power Supply Co Materials Co
Electric Power Research Institute of State Grid Jilin Electric Power Co Ltd
Original Assignee
State Grid Jilin Electric Power Supply Co Materials Co
Electric Power Research Institute of State Grid Jilin Electric Power Co Ltd
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 State Grid Jilin Electric Power Supply Co Materials Co, Electric Power Research Institute of State Grid Jilin Electric Power Co Ltd filed Critical State Grid Jilin Electric Power Supply Co Materials Co
Priority to CN202110995882.XA priority Critical patent/CN113780308A/zh
Publication of CN113780308A publication Critical patent/CN113780308A/zh
Pending legal-status Critical Current

Links

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
    • G01R31/1254—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
    • 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
    • G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
    • G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
    • G01R31/3275—Fault detection or status indication
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明公开了一种基于核主元分析与神经网络的GIS局部放电模式识别方法，其包括步骤：(1)采用特高频传感器采集GIS设备内部的典型缺陷的局部放电信号；(2)对局部放电信号的幅值进行归一化处理后，绘制局部放电信号的三维PRPS图谱；(3)对三维PRPS图谱进行Gabor变换，得变换子图，提取变换子图的纹理特征向量和形状特征向量，以构成原始特征向量；(4)采用核主元分析法对原始特征向量进行降维处理，获得特征向量训练集；(5)构建多层BP神经网络，使用特征向量训练集训练多层BP神经网络；(6)采用训练好的多层BP神经网络对特高频传感器采集实际检测到的GIS局部放电信号进行识别，输出识别结果。此外，本发明还公开了一种GIS局部放电模式识别***。

Description

基于核主元分析与神经网络的GIS局部放电模式识别方法及 ***
技术领域
本发明涉及一种局部放电诊断方法，尤其涉及一种局部放电模式识别方法。
背景技术
气体绝缘组合电器(Gas Insulated Switchgear,GIS)是电力***中重要的电气设备，其具有占地面积小、运行可靠性高、配置灵活、维护方便等优点。GIS可以有效缓解电网建设对土地资源的耗费，随着城市电网建设的发展，GIS变电站的数目不断增加，其在电力***中的应用越来越广泛。
但是，由于GIS的全封闭特性，其故障定位及检修比较困难，检修工作繁杂，事故后平均停电检修时间比常规设备长，还需投入大量人力物力，费时费力。此外，多种电气元件的封装也使得GIS故障检修常涉及非故障元件，停电范围比较大。因此，做好对GIS设备的状态评估与检修，及时发现绝缘件潜在或已发生的故障并做出及时的故障预防或处理，对变电站乃至电网的稳定运行具有重要的意义。
局部放电是GIS绝缘劣化的主要表现形式，局部放电检测是目前对电力设备绝缘状态常用的在线监测方式之一，当有局部放电发生时立刻采取预警与行动可以有效预防严重事故的发生。绝缘劣化机理的不同会导致不同类型的放电形式，进而对GIS绝缘造成的不同程度的损伤，因此对GIS局部放电进行模式识别是对GIS状态评估方面的重要部分。
基于此，本发明期望获得一种基于核主元分析与神经网络的GIS局部放电模式识别方法及***，其可以通过对局部放电信号的三维PRPS图谱进行Gabor变换，并提取变换后的子图特征量，通过核主元分析法降维，基于多层BP神经网络，实现GIS故障的局部放电缺陷类型识别，提高电力***故障诊断的智能化水平。
发明内容
本发明的目的之一在于提供一种基于核主元分析与神经网络的GIS局部放电模式识别方法，该GIS局部放电模式识别方法可以对局部放电信号的三维PRPS图谱进行Gabor变换，并提取变换后的子图特征量，通过核主元分析法降维，基于多层BP神经网络，实现GIS故障的局部放电缺陷类型识别，提高电力***故障诊断的智能化水平。
基于上述目的，本发明提出了一种基于核主元分析与神经网络的GIS局部放电模式识别方法，其包括步骤：
(1)采用特高频传感器采集GIS设备内部的典型缺陷的局部放电信号；
(2)对局部放电信号的幅值进行归一化处理后，绘制局部放电信号的三维PRPS图谱；
(3)对三维PRPS图谱进行Gabor变换，得到变换子图，提取变换子图的纹理特征向量和形状特征向量，以构成原始特征向量；
(4)采用核主元分析法对原始特征向量进行降维处理，获得特征向量训练集；
(5)构建多层BP神经网络，使用特征向量训练集对多层BP神经网络进行训练；
(6)采用训练好的多层BP神经网络对特高频传感器采集实际检测到的GIS局部放电信号进行识别，输出识别结果。
在本发明的上述技术方案中，采用特高频传感器可以采集GIS设备内部的典型缺陷的局部放电信号，对采集到的局部放电信号进行处理可以进一步绘制局部放电脉冲序列分布(Phase Resolved Pulse Sequence,PRPS)三维图谱，随后利用常被应用于图像处理领域中的Gabor变换，对三维PRPS图谱进行滤波，利用变换系数实现不同尺度和方向的有效分解，可以得到变换子图；并对分解得到的变换子图进行特征量的提取，以构成原始特征向量。
由于GIS局部放电数据特征空间维数较高，其在后续的计算量很大，也可能导致识别率下降，因此本发明使用核主元分析法(Kernel Principal Component Analysis，KPCA)对原始特征向量进行降维处理，以获得特征向量训练集。
面对海量数据和迅猛增长的运维工作需求，为了提高放电故障识别诊断的效率，提高运检维护的智能化水平，需要借助人工智能算法。因此，本发明构建了多层BP神经网络，并使用特征向量训练集对其进行训练，采用训练好的多层BP神经网络可以对实际检测到的GIS局部放电信号进行识别，输出识别结果，实现对GIS局部放电缺陷类型的识别。
需要说明的是，在本发明中，在上述步骤(6)中，可以采用特高频传感器再采集GIS设备的实测局部放电信号。而后，将实测局部放电信号的幅值进行归一化处理，绘制局部放电信号的三维PRPS图谱。
由实测局部放电信号绘制的三维PRPS图谱经Gabor变换后，得到变换子图，提取变换子图的特征向量。相应地，采用核主元分析法对获得的特征向量进行降维处理，降维处理后得到的特征向量可以作为输入量输入到已经训练好的多层BP神经网络中，得到输出量，基于输出量可以得到识别结果，从而实现GIS局部放电缺陷的识别。
进一步地，在本发明所述的基于核主元分析与神经网络的GIS局部放电模式识别方法中，所述典型缺陷包括悬浮电位放电、金属针尖放电和金属微粒放电。
在本发明的上述技术方案中，GIS设备内部的典型缺陷可以包括悬浮电位放电、金属针尖放电和金属微粒放电。针对悬浮电位放电、金属针尖放电和金属微粒放电3种典型GIS设备内部局部放电缺陷，本发明采用特高频传感器，使用特高频检测法检测其局部放电信号。
特高频检测法(ultra high frequency,UHF)可以在设备不停电的情况下实现带电检测或者在线监测，其抗干扰能力较强，可以有效地抑制一些频率较低的背景噪声。局部放电在很小范围内发生时将产生持续时间仅为ns级的脉冲电流，该脉冲电流具有极陡的上升沿，同时激发起高达数GHz的电磁波向四周辐射。
对于GIS设备内部的不同种缺陷，为了避免出现由于放电信号的幅值数量级不同而造成误差，在本发明所述GIS局部放电模式识别方法的步骤(2)中，需要对局部放电信号的幅值进行归一化处理。
在某些实施方式中，可以将每一种典型缺陷采集60组信号，每一组信号可以包含50个工频周期，对0°～360°相位开窗，每个周期可以分为100个相位窗口；随后，可以绘制得到局部放电信号的幅值-相位-周期三维PRPS图谱。
进一步地，在本发明所述的基于核主元分析与神经网络的GIS局部放电模式识别方法中，在步骤(3)中，进行Gabor变换时采用高斯函数作为窗函数。
在本发明的上述技术方案中，在步骤(3)中，Gabor变换是一种短时Fourier变换，相比于传统的Fourier变换，Gabor小波具有良好的时频局部化特性且对图像的边缘十分敏感，因此常被应用于纹理识别。根据Heisenberg测不准原理，任意测量精度都不能同时在时域和频域都获得，其下界是时域窗口可以达到的最小面积，高斯函数即在此极限值。
因此，在上述技术方案中，选择高斯函数作为窗函数可以使得Gabor变换平衡时域和频域分辨率的矛盾，从而同时获得二者的较高值。
需要说明的是，在本发明所述的步骤(3)中，对处理得到的三维PRPS图谱进行二维Gabor变换，可以包括θ＝0°、45°、90°三种方向的Gabor变换，每一个三维PRPS图谱可以转换为3幅变换子图，得到GIS设备内部各缺陷模型局放图像的分解图。
选用统计法提取变换子图的Tamura纹理特征与灰度-梯度共生矩阵，可以对图像的纹理特征进行描述，得到粗糙度、对比度、方向性、线性度、规则性和粗略度共6个Tamura纹理特征向量。同时，再进一步根据灰度共生矩阵指图像中两个像素出现的联合频率分布，可以求取15个对于反映图像纹理有帮助的统计量：自相关、对比、相关、集群突出、簇遮蔽、差异性、能量、熵、均匀性、最大概率、平方和、总和平均值、总和方差、总和熵和差异方差。由此，每一幅变换子图可以获得共21个描述纹理的纹理特征向量。
针对形状特征方面，可以同时求取局放图谱的Hu不变矩获取7个特征量和6个Zernike矩特征量；由此，每一幅变换子图可以获得共13个描述形状的形状特征向量。每一个三维PRPS图谱可以转换为3幅变换子图，这样对于每个局部放电信号的三维PRPS图谱可以获得共计102个特征量。
需要说明的是，基于人类对纹理的视觉感知的心理学的研究，Tamura等人提出了纹理特征的表达。Tamura纹理特征的六个分量可以对应于心理学角度上纹理特征的六种属性，分别是粗糙度(coarseness)、对比度(contrast)、方向度(directionality)、线性度(linelikeness)、规整度(regularity)和粗略度(roughness)。
相应地，可以对Zernike矩进行补充说明，Zernike矩是基于Zernike多项式的正交化函数，所利用的正交多项式集是1个在单位圆内的完备正交集。当计算1幅图像的Zernike矩时，以该图像的形心(也称作重心)为原点，把像素坐标映射到单位圆内。Zernike矩是复数矩，一般把Zernike矩的模作为特征来描述物体形状。1个目标对象的形状特征可以用1组很小的Zernike矩特征向量很好的表示，低阶矩特征向量描述的是1幅图像目标的整体形状，高阶矩特征向量描述的是图像目标的细节。Zernike矩有着和傅里叶变换十分相像的基本思想，它们的原理都是将波形或信号展开，以获取完备正交集。但与傅里叶变换的区别在于，Zernike矩的完备正交集是在单位圆内。当计算Zernike矩时无需将图像的边界信息纳入考量范围，则在面对形状较为复杂且边界信息不太明确的图像时，选择Zernike矩更加合适，且Zernike矩本身具有旋转不变性是其一大优势。
进一步地，在本发明所述的基于核主元分析与神经网络的GIS局部放电模式识别方法中，在步骤(4)中，采用高斯函数作为核主成分分析的核函数。
进一步地，在本发明所述的基于核主元分析与神经网络的GIS局部放电模式识别方法中，在步骤(4)中，采用核主元分析法对原始特征向量进行降维处理时，选取贡献率最高的前11个主成分作为降维后的特征向量。
进一步地，在本发明所述的基于核主元分析与神经网络的GIS局部放电模式识别方法中，在步骤(4)中，采用多项式核函数作为核主成分分析的核函数。
进一步地，在本发明所述的基于核主元分析与神经网络的GIS局部放电模式识别方法中，在步骤(4)中，采用核主元分析法对原始特征向量进行降维处理时，选取贡献率最高的前5个主成分作为降维后的特征向量。
进一步地，在本发明所述的基于核主元分析与神经网络的GIS局部放电模式识别方法中，所述多层BP神经网络具有3个隐含层。
在本发明的上述技术方案中，在步骤(5)中，可以构建5层BP神经网络，确定BP神经网络的隐含层神经元个数、激活函数等参数，使用特征向量训练集对多层BP神经网络进行训练。
需要说明的是，BP神经网络(反向传播神经网络)是一种基于误差反向传播的多层前馈神经网络，由于BP神经网络成功地解决了求解非线性连续函数的多层前馈神经网络权重调整问题，使得在人工神经网络的实际应用中较多神经网络模型都是采用BP神经网络和它的变化形式，其已经成为了目前应用最广泛的神经网络模型之一。
在本发明的上述技术方案中，5层BP神经网络可以包含1个输入层、3个隐含层和1个输出层，其中每一层之间的神经元的连接方式可以为全连接，层内各种神经元无连接。
进一步地，在本发明所述的基于核主元分析与神经网络的GIS局部放电模式识别方法中，所述多层BP神经网络为5层结构，其还具有一个输入层和一个输出层，每一层之间的神经元之间的连接方式为全连接，层内各神经元无连接。
相应地，本发明的另一目的在于提供一种基于核主元分析与神经网络的GIS局部放电模式识别***，该GIS局部放电模式识别***可以用于实施本发明上述的GIS局部放电模式识别方法，其可以有效识别GIS故障的局部放电缺陷类型，提高电力***故障诊断的智能化水平，具有良好的应用前景。
基于上述目的，本发明还提出了一种基于核主元分析与神经网络的GIS局部放电模式识别***，其包括：
特高频传感器，其采集GIS设备内部的典型缺陷的局部放电信号作为样本数据，并采集GIS设备的实测局部放电信号；
识别模块，其执行如权利要求1-9中任意一项所述的基于核主元分析与神经网络的GIS局部放电模式识别方法的步骤(2)-(6)。
与现有技术相比，本发明所述的基于核主元分析与神经网络的GIS局部放电模式识别方法及***具有以下优点以及有益效果：
本发明所述的基于核主元分析与神经网络的GIS局部放电模式识别方法可以对局部放电信号的三维PRPS图谱进行Gabor变换，并提取变换后的子图特征量，通过核主元分析法降维，基于多层BP神经网络，实现GIS故障的局部放电缺陷类型识别，提高电力***故障诊断的智能化水平。
相应地，本发明所述的基于核主元分析与神经网络的GIS局部放电模式识别***能够用于实施本发明上述的GIS局部放电模式识别方法，其同样具有上述的优点以及有益效果。
附图说明
图1示意性地显示了本发明所述的基于核主元分析与神经网络的GIS局部放电模式识别方法在一种实施方式下的步骤流程图。
图2示意性地显示了本发明所述的基于核主元分析与神经网络的GIS局部放电模式识别方法在一种实施方式下的BP神经网络的神经元模型。
图3示意性地显示了本发明所述的基于核主元分析与神经网络的GIS局部放电模式识别方法在一种实施方式下的BP神经网络的网络结构。
图4示意性地显示了本发明所述的基于核主元分析与神经网络的GIS局部放电模式识别方法在另一种实施方式下的步骤流程图。
图5示意性地显示了本发明所述的基于核主元分析与神经网络的GIS局部放电模式识别方法在另一种实施方式下的BP神经网络的神经元模型。
具体实施方式
下面将结合说明书附图和具体的实施例对本发明所述的基于核主元分析与神经网络的GIS局部放电模式识别方法及***做进一步的解释和说明，然而该解释和说明并不对本发明的技术方案构成不当限定。
图1示意性地显示了本发明所述的基于核主元分析与神经网络的GIS局部放电模式识别方法在一种实施方式下的步骤流程图。
如图1所示，在本实施方式中，本发明所述的基于核主元分析与神经网络的GIS局部放电模式识别方法可以包括下述步骤(1)-步骤(6)：
(1)采用特高频传感器采集GIS设备内部的典型缺陷的局部放电信号。
参阅图1可以看出，在本实施方式中，GIS设备内部典型缺陷可以包括：悬浮电位放电、金属针尖放电和金属微粒放电。针对悬浮电位放电、金属针尖放电、金属微粒放电3种GIS设备内部典型缺陷，本发明采用特高频传感器，使用特高频检测法可以采集这三种GIS设备内部典型缺陷的局部放电信号。
(2)对局部放电信号的幅值进行归一化处理后，绘制局部放电信号的三维PRPS图谱。
在本发明的上述步骤(2)中，对于GIS设备内部的不同种缺陷，为了避免出现由于放电信号的幅值数量级不同而造成误差，还需要进一步地对局部放电信号的幅值进行归一化处理。
在某些实施方式中，针对悬浮电位放电、金属针尖放电和金属微粒放电3种典型缺陷，可以将每一种典型缺陷采集60组信号，每一组信号可以包含50个工频周期，对0°～360°相位开窗，每个周期可以分为100个相位窗口；随后，可以绘制得到局部放电信号的幅值-相位-周期三维PRPS图谱。
(3)对三维PRPS图谱进行Gabor变换，得到变换子图，提取变换子图的纹理特征向量和形状特征向量，以构成原始特征向量。
在上述步骤(3)中，Gabor变换是一种短时Fourier变换，相比于传统的Fourier变换，Gabor小波具有良好的时频局部化特性且对图像的边缘十分敏感，因此常被应用于纹理识别。根据Heisenberg测不准原理，任意测量精度都不能同时在时域和频域都获得，其下界是时域窗口可以达到的最小面积，高斯函数即在此极限值。因此，在上述技术方案中，进行Gabor变换时采用高斯函数作为窗函数可以使得Gabor变换平衡时域和频域分辨率的矛盾，从而同时获得二者的较高值。
需要说明的是，在本发明所述的步骤(3)中，对处理得到的三维PRPS图谱进行二维Gabor变换，可以包括θ＝0°、45°、90°三种方向的Gabor变换，每一个三维PRPS图谱可以转换为3幅变换子图，得到GIS设备内部各缺陷模型局放图像的分解图。
选用统计法提取变换子图的Tamura纹理特征与灰度-梯度共生矩阵，可以对图像的纹理特征进行描述，得到粗糙度、对比度、方向性、线性度、规则性和粗略度共6个Tamura纹理特征向量。同时，再进一步根据灰度共生矩阵指图像中两个像素出现的联合频率分布，可以求取15个对于反映图像纹理有帮助的统计量：自相关、对比、相关、集群突出、簇遮蔽、差异性、能量、熵、均匀性、最大概率、平方和、总和平均值、总和方差、总和熵和差异方差。由此，每一幅变换子图可以获得共21个描述纹理的纹理特征向量。
针对形状特征方面，可以同时求取局放图谱的Hu不变矩获取7个特征量和6个Zernike矩特征量；由此，每一幅变换子图可以获得共13个描述形状的形状特征向量。每一个三维PRPS图谱可以转换为3幅变换子图，这样对于每个局部放电信号的三维PRPS图谱可以获得共计102个特征量。
(4)采用核主元分析法对原始特征向量进行降维处理，选取贡献率最高的前11个主成分作为降维后的特征向量，获得特征向量训练集。
由于GIS局部放电数据特征空间维数较高，不仅有包含冗余特征量的可能，影响识别效果，还会为后续识别过程增加任务量，带来较大的负担。因此，有必要对原始特征向量进行降维处理，在上述步骤(4)中，本发明使用核主元分析法对原始特征向量进行降维处理，核主成分分析法可实现数据的非线性降维，适用于用于处理线性不可分的数据集。
该核主成分分析法可以利用核函数(kernel)思想把原始数据通过非线性的方式从低维映射到高维空间，得到线性数据后进行特征提取处理，在保留原始数据特征的前提下，达到降低数据维度的目的。
本发明所述的核主成分分析法的具体实现过程可以表示为：
例如，对于一组数据x1,x2，…，xR∈Rr，存在：
Figure BDA0003234102450000091
可以引入非线性函数Ф，并将上述一组数据映射到特征空间F中，以获得Ф(x1),Ф(x2),…,Ф(xR)，且还能满足下述公式(2)：
Figure BDA0003234102450000092
由此，可以获得特征空间F中的协方差矩阵C为：
Figure BDA0003234102450000093
在上述公式(3)中，j＝1,2,…，R(R表示样本个数)；Ф(xj)表示原始数据xj在特征空间F中的映射；Ф(xj)T表示Ф(xj)的转置矩阵。
假设λ为上述公式(3)所示的协方差矩阵C的特征值，v为协方差矩阵C的特征向量，则可以存在下述公式(4)：
λv＝Cv (4)
其中λ≥0，则存在参数ai(i＝1,2…,R)使得下述公式(5)成立：
Figure BDA0003234102450000101
在上述公式(5)中，i＝1,2,…，R；Ф(xi)表示原始数据xi在特征空间F中的映射；ai是一个常系数。
将上述公式(4)与Ф(xk)作内积，可得：
Figure BDA0003234102450000102
综合上式可得：
Figure BDA0003234102450000103
在上述公式(7)中，k＝1,2,…，R，Ф(xk)表示xk在特征空间F中的映射；
定义核矩阵K为R*R维，其可以表示为下述公式(8)：
Kij＝(Φ(xi)Φ(xj)) (8)
对Ф(x)在特征向量Vk上的投影为：
Figure BDA0003234102450000104
在上述公式(9)中，Ф(x)表示原始数据x在特征空间F中的映射；
Figure BDA0003234102450000105
表示核矩阵K的特征值λk对应的特征向量的第i个元素。
gk(x)对应于Ф(x)的第k个主成分，将内积利用核函数替换，得到：
Figure BDA0003234102450000106
在上述公式(10)中，Vk表示特征空间F中映射数据的协方差阵的特征向量V的第k个元素；K(x，xi)表示运算得到的一个量。
根据主元贡献率，可以计算出每个主成分的单个贡献率wi：
Figure BDA0003234102450000111
在上述公式(11)中，λi为样本协方差矩阵的第i个特征值；λt表示样本协方差矩阵的第t个特征值。
相应地，将每个主成分的单个贡献率进行累加，即可得到累积贡献率。
需要说明的是，在本发明所述GIS局部放电模式识别方法的步骤(4)中，可以采用高斯函数或多项式核函数作为核主成分分析的核函数。
参阅图1可以看出，在本实施方式中，本发明采用高斯函数作为核主成分分析的核函数，在采用核主元分析法对原始特征量进行降维处理时，可以选取贡献率最高的前11个主成分作为降维后的特征向量。
相应地，在某些其他的实施方式中，也可以采用多项式核函数作为核主成分分析的核函数，当采用多项式核函数作为核主成分分析的核函数时，在采用核主元分析法对原始特征量进行降维处理时，可以选取贡献率最高的前5个主成分作为降维后的特征向量。
在采用多项式核函数作为核主成分分析的核函数时，本发明所述的基于核主元分析与神经网络的GIS局部放电模式识别方法的步骤流程图可以参阅图4。此时所采用的的BP神经网络的神经元模型可以参阅图5。
(5)构建具有3个隐含层的BP神经网络，确定网络的参数，使用特征向量训练集对BP神经网络进行训练。
神经网络(Neural Network，NN)是指一类在模仿人脑结构和某些工作机制基础上建立起来的一种数学模型，其简单计算单元为神经元，神经元连成的网络能反映人脑功能的许多基本特征，如并行、分布式存储和处理、自组织、自适应和自学习能力，特别适用于处理需要同时考虑诸多因素和条件的、不精确和模糊的信息处理问题。三层和三层以上的神经网络具有对任何非线性函数自适应的逼近能力，其已被广泛应用于局部放电模式识别模式分类器的设计工作中。
图2示意性地显示了神经网络的神经元模型。
如图2所示，x1，x2，…，xq为神经网络的输入；w为可变的权值，其可以包括w1，w2，…，wq；b为神经网络的偏置；f为激活函数；神经元的输出则为a＝f(wx+b)。
相应地，BP神经网络是一种基于误差反向传播的多层前馈神经网络，由于BP神经网络成功地解决了求解非线性连续函数的多层前馈神经网络权重调整问题，使得在人工神经网络的实际应用中较多的神经网络模型都是采用BP神经网络和它的变化形式，其已经成为了应用最广泛的神经网络模型之一。
需要说明的是，在图1所示的实施方式中，本发明所述的BP神经网络可以设为5层结构，其具有1个输入层、3个隐含层和1个输出层，该5层结构的BP神经网络的网络结构可以参阅图3。图3示意性地显示了本发明所述的基于核主元分析与神经网络的GIS局部放电模式识别方法在一种实施方式下的BP神经网络的网络结构。
如图3所示，在本实施方式中，多层BP神经网络为5层结构，其具有1个输入层、3个隐含层和1个输出层，每一层之间的神经元之间的连接方式为全连接，层内各神经元无连接。
由于降维后的特征向量训练集有11个特征向量，所以设置BP神经网络的输入层神经元个数为11。多层BP神经网络的层数越多，则分类精度就越高；但如果BP神经网络层数过多，则不但网络更复杂，且网络的分类精度反而降低，因此设置隐含层的层数为3。
此外，BP神经网络的隐含层的节点数也是影响网络性能最主要的因素之一。BP神经网络中隐含层的节点数越少，则网络获取的信息就越少，则分类精度就越低，网络收敛速度就越慢；BP神经网络中隐含层的节点数越多，则分类精度就越高。但需要注意的是，隐含层的节点数过多也会引起BP神经网络的拓扑结构过于复杂，导致学习时间过长，使网络过度训练，使容错性变差，识别误差反而增加。因此，降维后的特征向量的个数和维度，可以选取每一层隐含层中的神经元个数为10，并选取输出层的神经元个数为1。
在本实施方式中，具有5层结构的BP神经网络的输出为放电缺陷的类别，其能够以1、2、3分别表示金属微粒放电、悬浮电位放电、金属针尖放电。
需要说明的是，典型的BP神经网络采用的是梯度下降算法，在采用BP神经网络进行预测前，需要首先对多层BP神经网络进行训练，通过训练调整其权阈值使BP神经网络具有联想记忆和预测能力。由此，在本发明所述GIS局部放电模式识别方法的步骤(5)中，需要使用特征向量训练集对多层BP神经网络进行训练。
在本发明中，使用特征向量训练集对多层BP神经网络进行训练的过程可以包括以下几个步骤：
a)网络初始化：为输入层与隐含层之间的连接权值、隐含层间的连接权值、隐含层与输出层之间的连接权值、隐含层和输出层各个神经元的阈值设置初始值，给定网络的学习速率、停止训练条件等参数。
b)隐含层输出计算：将经过降维后的11个特征向量作为BP神经网络的输入量，根据输入向量X，输入层与隐含层间的连接权值w以及隐含层偏置b，计算隐含层输出a＝f(wX+b)。
c)输出层输出计算：根据隐含层输出a，隐含层与输出层之间的连接权值w和输出层偏置b，计算BP神经网络的输出。BP神经网络的输出均可以转化为数字1、2、3，数字1、2、3分别表征金属微粒放电、悬浮电位放电、金属针尖放电。
d)误差计算：根据BP神经网络的输出与期望输出，计算网络的预测误差，使用均方误差作为衡量网络性能的指标。
e)参数更新：根据网络预测的误差，使用BP算法按照最速梯度下降法，不断修正更新网络的参数：权值w和偏置b，直至BP神经网络的总误差达到最小或符合预期。BP神经网络是一种多层网络的逆推式学习算法，在反向学习阶段，若在输出层未能得到期望的输出值，则逐层递归地计算误差并修改每一层的权值和阈值。
需要说明的是，在本实施方式中，BP神经网络的参数选取可以如下述表1所示，表1列出了具有3个隐含层的BP神经网络的参数选取。
表1.
参数类型 参数取值
隐含层1激活函数f 双曲正切
隐含层2激活函数f 双曲正切
隐含层3激活函数f 双曲正切
输出层激活函数 双曲正切
隐含层1神经元个数 10
隐含层2神经元个数 10
隐含层3神经元个数 10
(6)采用训练好的多层BP神经网络对特高频传感器采集实际检测到的GIS局部放电信号进行识别，输出识别结果。
在本发明中，在上述步骤(6)中，可以采用特高频传感器采集GIS设备的实测局部放电信号。而后，将实测局部放电信号的幅值进行归一化处理，绘制局部放电信号的三维PRPS图谱。
由实测局部放电信号绘制的三维PRPS图谱经Gabor变换后，得到变换子图，提取变换子图的纹理特征向量和形状特征向量，以构成原始特征向量。相应地，采用以构成原始特征向量核主元分析法对原始特征量进行降维处理，降维处理后得到的特征向量作为输入量输入到训练好的多层BP神经网络中，得到输出量1、2、3其中的一个数字，分别表征金属微粒放电、悬浮电位放电和金属针尖放电，从而实现GIS局部放电缺陷的识别。
图4示意性地显示了本发明所述的基于核主元分析与神经网络的GIS局部放电模式识别方法在另一种实施方式下的步骤流程图。
图5示意性地显示了本发明所述的基于核主元分析与神经网络的GIS局部放电模式识别方法在另一种实施方式下的BP神经网络的神经元模型。
如图4和图5所示，在本发明所述的GIS局部放电模式识别方法中，在步骤(4)中，不同于上述图1和图3所示实施方式采用高斯函数作为核主成分分析的核函数，图4和图5所示的实施方式采用的是多项式核函数作为核主成分分析的核函数。
如图4所示，在采用多项式核函数作为核主成分分析的核函数时，本发明所述的GIS局部放电模式识别方法的步骤流程实际上是不发生改变的，其同样需要经过步骤(1)-步骤(6)。在本实施方式中，采用多项式核函数作为核主成分分析的核函数时，可以选取贡献率最高的前5个主成分作为降维后的特征向量，其余流程操作与上述图1-图3大致相同，此处不再赘述。
如图5所示，在本实施方式中，在采用核主元分析法对原始特征量进行降维处理时，所采用的BP神经网络仍然为5层结构，其具有1个输入层、3个隐含层和1个输出层，每一层之间的神经元之间的连接方式为全连接，层内各神经元无连接。
由于降维后的特征向量只有5个，所以设置BP神经网络的输入层神经元个数为5。相应地，设置BP神经网络的隐含层神经元个数为10，输出层神经元个数为1。
当然，为了合理的实施本发明上述的基于核主元分析与神经网络的GIS局部放电模式识别方法，本发明还提出了一种基于核主元分析与神经网络的GIS局部放电模式识别***。该GIS局部放电模式识别***可以用于实施本发明上述的GIS局部放电模式识别方法。
在本发明中，本发明所述的GIS局部放电模式识别***可以包括：特高频传感器和识别模块。其中，特高频传感器可以用于采集GIS设备内部的典型缺陷的局部放电信号作为样本数据，并采集GIS设备的实测局部放电信号。
相应地，本发明所述的识别模块可以执行本发明所述的基于核主元分析与神经网络的GIS局部放电模式识别方法的步骤(2)-(6)。
综上所述可以看出，采用本发明所述的基于核主元分析与神经网络的GIS局部放电模式识别方法可以对局部放电信号的三维PRPS图谱进行Gabor变换，并提取变换后的子图特征量，通过核主元分析法降维，基于多层BP神经网络，实现GIS故障的局部放电缺陷类型识别，提高电力***故障诊断的智能化水平。
相应地，本发明所述的基于核主元分析与神经网络的GIS局部放电模式识别***能够用于实施本发明上述的GIS局部放电模式识别方法，其同样具有上述的优点以及有益效果。
需要说明的是，本发明的保护范围中现有技术部分并不局限于本申请文件所给出的实施例，所有不与本发明的方案相矛盾的现有技术，包括但不局限于在先专利文献、在先公开出版物，在先公开使用等等，都可纳入本发明的保护范围。
此外，本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式，本案记载的所有技术特征可以以任何方式进行自由组合或结合，除非相互之间产生矛盾。
还需要注意的是，以上所列举的实施例仅为本发明的具体实施例。显然本发明不局限于以上实施例，随之做出的类似变化或变形是本领域技术人员能从本发明公开的内容直接得出或者很容易便联想到的，均应属于本发明的保护范围。

Claims (10)

1.一种基于核主元分析与神经网络的GIS局部放电模式识别方法，其特征在于，包括步骤：
(1)采用特高频传感器采集GIS设备内部的典型缺陷的局部放电信号；
(2)对局部放电信号的幅值进行归一化处理后，绘制局部放电信号的三维PRPS图谱；
(3)对三维PRPS图谱进行Gabor变换，得到变换子图，提取变换子图的纹理特征向量和形状特征向量，以构成原始特征向量；
(4)采用核主元分析法对原始特征向量进行降维处理，获得特征向量训练集；
(5)构建多层BP神经网络，使用特征向量训练集对多层BP神经网络进行训练；
(6)采用训练好的多层BP神经网络对特高频传感器采集实际检测到的GIS局部放电信号进行识别，输出识别结果。
2.如权利要求1所述的基于核主元分析与神经网络的GIS局部放电模式识别方法，其特征在于，所述典型缺陷包括悬浮电位放电、金属针尖放电和金属微粒放电。
3.如权利要求1所述的基于核主元分析与神经网络的GIS局部放电模式识别方法，其特征在于，在步骤(3)中，进行Gabor变换时采用高斯函数作为窗函数。
4.如权利要求1所述的基于核主元分析与神经网络的GIS局部放电模式识别方法，其特征在于，在步骤(4)中，采用高斯函数作为核主成分分析的核函数。
5.如权利要求4所述的基于核主元分析与神经网络的GIS局部放电模式识别方法，其特征在于，在步骤(4)中，采用核主元分析法对原始特征向量进行降维处理时，选取贡献率最高的前11个主成分作为降维后的特征向量。
6.如权利要求1所述的基于核主元分析与神经网络的GIS局部放电模式识别方法，其特征在于，在步骤(4)中，采用多项式核函数作为核主成分分析的核函数。
7.如权利要求6所述的基于核主元分析与神经网络的GIS局部放电模式识别方法，其特征在于，在步骤(4)中，采用核主元分析法对原始特征向量进行降维处理时，选取贡献率最高的前5个主成分作为降维后的特征向量。
8.如权利要求1所述的基于核主元分析与神经网络的GIS局部放电模式识别方法，其特征在于，所述多层BP神经网络具有3个隐含层。
9.如权利要求8所述的基于核主元分析与神经网络的GIS局部放电模式识别方法，其特征在于，所述多层BP神经网络为5层结构，其还具有一个输入层和一个输出层，每一层之间的神经元之间的连接方式为全连接，层内各神经元无连接。
10.一种基于核主元分析与神经网络的GIS局部放电模式识别***，其特征在于，包括：
特高频传感器，其采集GIS设备内部的典型缺陷的局部放电信号作为样本数据，并采集GIS设备的实测局部放电信号；
识别模块，其执行如权利要求1-9中任意一项所述的基于核主元分析与神经网络的GIS局部放电模式识别方法的步骤(2)-(6)。
CN202110995882.XA 2021-08-27 2021-08-27 基于核主元分析与神经网络的gis局部放电模式识别方法及*** Pending CN113780308A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110995882.XA CN113780308A (zh) 2021-08-27 2021-08-27 基于核主元分析与神经网络的gis局部放电模式识别方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110995882.XA CN113780308A (zh) 2021-08-27 2021-08-27 基于核主元分析与神经网络的gis局部放电模式识别方法及***

Publications (1)

Publication Number Publication Date
CN113780308A true CN113780308A (zh) 2021-12-10

Family

ID=78839575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110995882.XA Pending CN113780308A (zh) 2021-08-27 2021-08-27 基于核主元分析与神经网络的gis局部放电模式识别方法及***

Country Status (1)

Country Link
CN (1) CN113780308A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117630611A (zh) * 2024-01-22 2024-03-01 南京卓煊电力科技有限公司 全带宽高频局放prpd谱图捕获生成方法及***

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7443154B1 (en) * 2003-10-04 2008-10-28 Seektech, Inc. Multi-sensor mapping omnidirectional sonde and line locator
CN101853304A (zh) * 2010-06-08 2010-10-06 河海大学 基于特征选择和半监督学习的遥感图像检索方法
CN108052975A (zh) * 2017-12-12 2018-05-18 浙江大学宁波理工学院 一种基于核主元和神经网络的车辆运行实时工况预测方法
CN108921230A (zh) * 2018-07-25 2018-11-30 浙江浙能嘉华发电有限公司 基于类均值核主元分析和bp神经网络的故障诊断方法
CN108919067A (zh) * 2018-05-28 2018-11-30 黔南民族师范学院 一种用于gis局部放电模式的识别方法
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
CN109102012A (zh) * 2018-07-30 2018-12-28 上海交通大学 一种局部放电信号的缺陷识别方法及***
CN109116203A (zh) * 2018-10-31 2019-01-01 红相股份有限公司 基于卷积神经网络的电力设备局部放电故障诊断方法
CN109342909A (zh) * 2018-12-14 2019-02-15 中国测试技术研究院电子研究所 一种基于slle的电缆附件局部放电模式识别方法
CN109683066A (zh) * 2018-11-08 2019-04-26 山东康威通信技术股份有限公司 电力电缆典型缺陷局部放电信号识别方法
CN109871746A (zh) * 2018-12-30 2019-06-11 国网辽宁省电力有限公司电力科学研究院 一种基于gis绝缘缺陷诊断的模式识别方法
CN109932627A (zh) * 2019-04-30 2019-06-25 国网山东省电力公司烟台供电公司 一种gis耐压试验局部放电的定位方法及***
CN110309010A (zh) * 2019-06-05 2019-10-08 国网江苏省电力有限公司电力科学研究院 用于电力设备相位分辩的局放网络训练方法及装置
CN111220882A (zh) * 2019-12-31 2020-06-02 国网辽宁省电力有限公司电力科学研究院 一种gis光学局放图谱的特征量提取方法
CN112070104A (zh) * 2020-07-10 2020-12-11 国网浙江平阳县供电有限责任公司 主变压器局部放电识别方法
CN112287953A (zh) * 2019-07-24 2021-01-29 国网山东省电力公司济南供电公司 一种用于gis绝缘缺陷类别识别的方法及***
CN112305379A (zh) * 2019-07-24 2021-02-02 国网山东省电力公司济南供电公司 一种用于gis绝缘缺陷的模式识别方法及***
CN112462137A (zh) * 2020-09-18 2021-03-09 国网辽宁省电力有限公司电力科学研究院 基于小波包和Hilbert包络谱分析的设备故障特征提取方法
CN113065522A (zh) * 2021-04-26 2021-07-02 哈尔滨理工大学 基于深度神经网络的变压器局部放电类型识别方法

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7443154B1 (en) * 2003-10-04 2008-10-28 Seektech, Inc. Multi-sensor mapping omnidirectional sonde and line locator
CN101853304A (zh) * 2010-06-08 2010-10-06 河海大学 基于特征选择和半监督学习的遥感图像检索方法
CN108052975A (zh) * 2017-12-12 2018-05-18 浙江大学宁波理工学院 一种基于核主元和神经网络的车辆运行实时工况预测方法
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
CN108919067A (zh) * 2018-05-28 2018-11-30 黔南民族师范学院 一种用于gis局部放电模式的识别方法
CN108921230A (zh) * 2018-07-25 2018-11-30 浙江浙能嘉华发电有限公司 基于类均值核主元分析和bp神经网络的故障诊断方法
CN109102012A (zh) * 2018-07-30 2018-12-28 上海交通大学 一种局部放电信号的缺陷识别方法及***
CN109116203A (zh) * 2018-10-31 2019-01-01 红相股份有限公司 基于卷积神经网络的电力设备局部放电故障诊断方法
CN109683066A (zh) * 2018-11-08 2019-04-26 山东康威通信技术股份有限公司 电力电缆典型缺陷局部放电信号识别方法
CN109342909A (zh) * 2018-12-14 2019-02-15 中国测试技术研究院电子研究所 一种基于slle的电缆附件局部放电模式识别方法
CN109871746A (zh) * 2018-12-30 2019-06-11 国网辽宁省电力有限公司电力科学研究院 一种基于gis绝缘缺陷诊断的模式识别方法
CN109932627A (zh) * 2019-04-30 2019-06-25 国网山东省电力公司烟台供电公司 一种gis耐压试验局部放电的定位方法及***
CN110309010A (zh) * 2019-06-05 2019-10-08 国网江苏省电力有限公司电力科学研究院 用于电力设备相位分辩的局放网络训练方法及装置
CN112287953A (zh) * 2019-07-24 2021-01-29 国网山东省电力公司济南供电公司 一种用于gis绝缘缺陷类别识别的方法及***
CN112305379A (zh) * 2019-07-24 2021-02-02 国网山东省电力公司济南供电公司 一种用于gis绝缘缺陷的模式识别方法及***
CN111220882A (zh) * 2019-12-31 2020-06-02 国网辽宁省电力有限公司电力科学研究院 一种gis光学局放图谱的特征量提取方法
CN112070104A (zh) * 2020-07-10 2020-12-11 国网浙江平阳县供电有限责任公司 主变压器局部放电识别方法
CN112462137A (zh) * 2020-09-18 2021-03-09 国网辽宁省电力有限公司电力科学研究院 基于小波包和Hilbert包络谱分析的设备故障特征提取方法
CN113065522A (zh) * 2021-04-26 2021-07-02 哈尔滨理工大学 基于深度神经网络的变压器局部放电类型识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
NAN HE: "Gas-insulated Switchgear Discharge Pattern Recognition Based on KPCA and Multilayer Neural Network", INTERNATIONAL CONFERENCE ON COMMUNICATION, IMAGE AND SIGNAL PROCESSING, vol. 3, pages 208 - 213 *
李宾宾;张健;柯艳国;田宇;杨为;朱胜龙;: "基于暂态地电压的开关柜局放特征提取及类型识别方法研究", 高压电器, no. 03, pages 43 - 50 *
董晨晔;钱勇;钟勇;许永鹏;盛戈;江秀臣;: "基于EEMD和二维Gabor变换的GIS局放特征融合识别方法", 电气自动化, no. 05, pages 25 - 28 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117630611A (zh) * 2024-01-22 2024-03-01 南京卓煊电力科技有限公司 全带宽高频局放prpd谱图捕获生成方法及***
CN117630611B (zh) * 2024-01-22 2024-04-12 南京卓煊电力科技有限公司 全带宽高频局放prpd谱图捕获生成方法及***

Similar Documents

Publication Publication Date Title
Raymond et al. Partial discharge classifications: Review of recent progress
CN105574534B (zh) 基于稀疏子空间聚类和低秩表示的显著性目标检测方法
Sahoo et al. Trends in partial discharge pattern classification: a survey
Liu et al. Deep learning and recognition of radar jamming based on CNN
Wu et al. A hybrid support vector regression approach for rainfall forecasting using particle swarm optimization and projection pursuit technology
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
CN111044570A (zh) 电力设备的缺陷识别及预警方法、装置及计算机设备
CN104299232B (zh) 一种基于自适应窗方向波域和改进fcm的sar图像分割方法
CN109919241A (zh) 基于概率模型和深度学习的高光谱未知类别目标检测方法
CN111950406A (zh) 一种手指静脉识别方法、装置及存储介质
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
Baumann et al. Impulse test fault diagnosis on power transformers using Kohonen's self-organizing neural network
CN116154972B (zh) 一种分布式电网电能质量监测方法及***
CN110458189A (zh) 压缩感知和深度卷积神经网络电能质量扰动分类方法
CN112464876A (zh) 电力设备的故障诊断方法、装置、计算机设备和存储介质
CN113780308A (zh) 基于核主元分析与神经网络的gis局部放电模式识别方法及***
CN113514743B (zh) 一种基于多维特征的gis局部放电模式识别***构建方法
CN103345739B (zh) 一种基于纹理的高分辨率遥感影像建筑区指数计算方法
CN115236272A (zh) 多工况条件下的气体传感器故障诊断方法、装置及存储介质
He et al. Partial discharge pattern recognition algorithm based on sparse self-coding and extreme learning machine
CN115291103A (zh) 基于嵌入hd-rcf的gr-swpt小波包算法的电动机故障诊断方法
Jiang et al. Recurrence plot quantitative analysis-based fault recognition method of rolling bearing
CN113935413A (zh) 一种基于卷积神经网的配网录波文件波形识别方法
Long et al. Recognition of Internal Overvoltage in Distribution Network Based on Convolutional Neural Network.
CN108985445A (zh) 一种基于机器学习理论的sar目标方位鉴别方法

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