CN117630611B - 全带宽高频局放prpd谱图捕获生成方法及*** - Google Patents
全带宽高频局放prpd谱图捕获生成方法及*** Download PDFInfo
- Publication number
- CN117630611B CN117630611B CN202410085528.7A CN202410085528A CN117630611B CN 117630611 B CN117630611 B CN 117630611B CN 202410085528 A CN202410085528 A CN 202410085528A CN 117630611 B CN117630611 B CN 117630611B
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- signal
- prpd
- signals
- frequency partial
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000013598 vector Substances 0.000 claims abstract description 57
- 230000001360 synchronised effect Effects 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 74
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 238000003909 pattern recognition Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims 6
- 238000007689 inspection Methods 0.000 abstract description 2
- 230000000737 periodic effect Effects 0.000 abstract description 2
- 238000011176 pooling Methods 0.000 description 9
- 230000004913 activation Effects 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000009666 routine test Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种全带宽高频局放PRPD谱图捕获生成方法及***，包括如下步骤：布设高频局放传感器并接收至少N个高频局放传感器的原始信号，并预处理，得到已处理信号；读取已处理信号并分析计算，得到全带宽高频局放PRPD图谱，并预存储；构建图谱识别模块，从全带宽高频局放PRPD图谱中提取特征向量；构建并训练集成学习模型，以特征向量为输入，获得高频局放类型；将全带宽高频局放PRPD图谱和高频局放类型送入显示模块进行显示。本发明提高了局放脉冲信息的检出率，没有捕获间歇期，可用于高压电缆的定期巡检，新建电缆耐压同步测局放等场景，具有广阔的应用前景。
Description
技术领域
本发明涉及高压电缆状态监测领域，尤其是一种全带宽高频局放PRPD谱图捕获生成方法及***。
背景技术
随着输电电网向智能化方向不断发展，过去一直采用的离线例行试验及定期维修的方法，因具有盲目性大、操作频繁以及过度维修等缺点，导致设备可靠性降低，日益显得与电网的发展不相符；另一方面，通过各研究部门、高等院校与使用单位的努力，使得电力设备状态检测技术不断进步，以此为基础的设备状态检修得到了国家电网公司的极大重视。电力电缆状态检测及风险评估的目的是基于状态检修手段，尽量提高电力***的供电可靠性与设备使用效率。
为此，技术人员进行了探索，提供了一些解决方案，但是仍然存在一些技术问题。比如，在高频局放谱图生成技术方面，目前常规的技术是先将脉冲波形采集捕获，标记其相位，然后组合成一个数据包上传至终端计算机，在计算机中解析脉冲，再从脉冲中获取峰值，将峰值及相位组合成PRPD谱图。由于高频局放信号频率范围是3~30MHz,通常ADC采样率为100MHz，以16位的ADC为例，单个数据点需要2个字节，100MHz满速采样的话，数据率将达到200MB/s，即1.6Gbit/s。而通常局放需要同时采集3个通道，其总的数据率会达到4.8Gbit/s。数据流量过大给后级处理电路及***带来了巨大压力，因此，常规做法是间歇性工作，即采集一段时间，然后传输一段时间，然后再次开启采集。这样的模式，可以兼顾后级处理压力，使***运行流畅。但是这样的处理方式，导致了设备对局放信号的检测存在盲区，即间歇期间发生的局放信号无法被采集到，从而使设备的有效性、实时性受到了严重影响。这种方式对偶发的局放信号无法及时采集，造成信号的遗漏，不但会降低设备的可靠性，在新建电缆同步耐压测局放时，信号的遗漏会直接导致电缆击穿时无法检测到局放信号，对故障电缆无法识别，从而导致击穿事故，对电缆***及运维人员安全造成严重影响。
因此，需要进一步的研发和创新，以解决现有技术存在的上述问题。
发明内容
发明目的，提供一种全带宽高频局放PRPD谱图捕获生成方法及***，以解决现有技术存在的上述问题。
技术方案，根据本申请的一个方面，全带宽高频局放PRPD谱图捕获生成方法，包括如下步骤：
步骤S1、布设高频局放传感器并接收至少N个高频局放传感器的原始信号，并预处理，得到已处理信号；N为自然数；
步骤S2、读取已处理信号并分析计算，得到全带宽高频局放PRPD图谱，并预存储；
步骤S3、构建图谱识别模块，从全带宽高频局放PRPD图谱中提取特征向量；
步骤S4、构建并训练集成学习模型，以特征向量为输入，获得高频局放类型；
步骤S5、将全带宽高频局放PRPD图谱和高频局放类型送入显示模块进行显示。
根据本申请的一个方面，所述步骤S1进一步为：
步骤S11、调用GIS模块和设计要求，生成高频局放传感器位置并布设；
步骤S12、根据信号特征设置采样阈值，根据采样阈值，形成信号段落，针对每个信号段落设置采样***参数，确定采样率和采样位数；所述信号特征包括幅值和频率；
步骤S13、针对每个信号段落，采集原始信号，并按时间片段进行分割,获取时域上连续的信号片段，按照预设的时域交织模式,重排信号片段的顺序，得到交织后的信号；
步骤S14、对于交织后的信号，以低采样率进行压缩感知采样，获取采样值，将低采样率采样值作为输入，利用OMP压缩感知重构算法，恢复宽带高频原始信号；
步骤S15、使用同步信号或时标信号对齐不同段落的信号，将各个段落的信号按照原始信号的顺序，重新拼接在一起，得到处理后的信号，将不同段落的信号重新组合，得到已处理信号。
根据本申请的一个方面，所述步骤S2进一步为：
步骤S21、针对每个信号段落，读取已处理信号，根据局部放电信号的特征和规律，分析计算信号参数，信号参数包括放电相位、放电幅值、放电次数和放电能量；
步骤S22、根据分析计算的信号参数生成PRPD图谱，其中，以放电相位为横坐标，放电幅值为纵坐标，放电次数或放电能量为颜色深浅，绘制局部放电信号的分布图；
步骤S23、根据PRPD图谱的数据格式和大小，选择预定的存储设备和方式，预存储PRPD图谱。
根据本申请的一个方面，所述步骤S3进一步为：
步骤S31、采用均值滤波对PRPD图谱进行平滑处理，基于局部极大值检测方法定位PRPD图谱中的特征点，并获得特征点坐标；
步骤S32、基于PRPD图谱和特征点，通过灰度共生矩阵方法提取PRPD图谱的特征矩阵；
步骤S33、计算特征矩阵的特征值，获得用以表示PRPD图谱特征的对比度、能量和熵的特征值及特征向量；
步骤S34：使用基于统计信号处理技术的局部放电波形特征分析方法，对特征向量进行分析和优化。
根据本申请的一个方面，所述步骤S4进一步为：
步骤S41、基于随机森林或梯度提升树构建集成学习模型；
步骤S42、使用预存储的局部放电数据作为训练集，使用交叉验证或网格搜索训练模型的参数；
步骤S43、使用局放数据的测试集，通过混淆矩阵或ROC曲线方法评估模型的性能，获得分类准确率、召回率和F1值；
步骤S44、以PRPD图谱的特征向量作为集成学习模型的收入，获得高频局放类型。
根据本申请的一个方面，所述步骤S5进一步为：
步骤S51、根据PRPD图谱和高频局放类型的数据格式和大小，以及显示模块的特性和要求，调用显示单元并设置显示参数；
步骤S52、根据设置好的显示参数，将PRPD图谱和高频局放类型输出到显示模块。
根据本申请的一个方面，所述步骤S21进一步为：
步骤S211、针对每个信号段落，将已处理信号以窗口长度进行分割，获取多个数据段；
步骤S212、对每个数据段,通过波峰波谷检测,提取特征波形,获取起始点和终止点；
步骤S213、对每个特征波形,计算正峰到下个负峰的相位角；
步骤S214、计算每个特征波形的相位角，并存储。
根据本申请的一个方面，所述步骤S34进一步为：
步骤S341、根据信号的波形数据，计算信号的统计特性，统计特性包括均值、方差、偏度和峰度；
步骤S342、根据信号的统计特性，对特征向量进行归一化，使其符合标准正态分布；
步骤S343、根据信号的特征重要性，对特征向量进行降维，去除冗余或无关的特征，保留主要的特征，以减少特征向量的维度和复杂度；
步骤S344、根据信号的分类目标，对特征向量进行选择，筛选出最有助于区分不同类型的局部放电信号的特征，获得最优特征子集。
根据本申请的一个方面，所述步骤S344中，获得最优特征子集的过程具体为：
步骤S34a、根据波形特征数据的维度和特点，选择信息增益或主成分分析法，获取局放类型相关性最高的特征向量；
步骤S34b、计算PRPD图谱中波形特征的每个特征向量的重要性；
步骤S34c、根据特征向量的重要性的数值和分布，选择特征子集；
步骤S34d、根据特征子集的维度和特点，评估特征子集的有效性和优化性，包括分类准确率、维度缩减率和特征冗余度；获得最优特征子集。
根据本申请的另一个方面，提供全带宽高频局放PRPD谱图捕获生成***，用以执行上述任一项技术方案所述的方法，包括高频局放传感器、工频同步传感器、可编程门阵列FPGA和PRPD显示模块。
有益效果，可以实现PRPD图谱的高速捕获及显示，提升了设备对电缆局放的检测能力，确保在设备工作过程中，不会遗漏任何一个局放脉冲信息，没有捕获间歇期，可用于高压电缆的定期巡检，新建电缆耐压同步测局放等场景，具有广阔的应用前景。
附图说明
图1是本发明的流程图。
图2是本发明步骤S1的流程图。
图3是本发明步骤S2的流程图。
图4是本发明步骤S3的流程图。
图5是本发明步骤S4的流程图。
图6是本发明的***架构拓扑图。
具体实施方式
如图1所示，根据本申请的一个方面，全带宽高频局放PRPD谱图捕获生成方法，包括如下步骤：
步骤S1、布设高频局放传感器并接收至少N个高频局放传感器的原始信号，并预处理，得到已处理信号；N为自然数，优选为大于等于2的自然数；
步骤S2、读取已处理信号并分析计算，得到全带宽高频局放PRPD图谱，并预存储；
步骤S3、构建图谱识别模块，从全带宽高频局放PRPD图谱中提取特征向量；
步骤S4、构建并训练集成学习模型，以特征向量为输入，获得高频局放类型；
步骤S5、将全带宽高频局放PRPD图谱和高频局放类型送入显示模块进行显示。
在本实施例中，利用高频局放传感器采集电力设备内部的局部放电信号，并通过一系列的信号处理和分析方法，生成全带宽高频局放PRPD图谱，从中提取局部放电的特征信息，并利用集成学习模型，对局部放电的类型进行识别，最后将PRPD图谱和局部放电类型显示出来，以便于对电力设备的状态进行评估和诊断。具体而言，通过采用压缩感知技术实现了对宽带高频局放信号的低采样率采样和重构，有效地降低了数据量和存储空间，同时保证了信号的完整性和质量。通过采用时域交织模式实现了对不同段落的信号的重排和拼接，有效地提高了信号的信噪比和分辨率，同时避免了信号的失真和干扰。通过采用了灰度共生矩阵方法实现了对PRPD图谱的特征矩阵的提取，有效地描述了PRPD图谱的纹理和结构特征，同时增强了特征的鲁棒性和稳定性。通过采用基于统计信号处理技术的局部放电波形特征分析方法，实现了对特征向量的分析和优化，有效地提取了局部放电信号的统计特性，同时减少了特征的维度和复杂度。通过采用基于随机森林或梯度提升树的集成学习模型，实现了对局部放电类型的分类，有效地提高了分类的准确率和效率，同时克服了单一模型的局限性和不足。
如图2所示，根据本申请的一个方面，所述步骤S1进一步为：
步骤S11、调用GIS模块和设计要求，生成高频局放传感器位置并布设；
调用GIS模块，输入电力设备的型号、规格、结构、位置等信息，生成电力设备的三维模型，并在模型上标注出可能发生局部放电的部位，如绝缘子、电缆接头、开关柜等。根据设计要求，选择合适的高频局放传感器，如超高频(UHF)传感器、超声波(US)传感器、高频电流(HFCT)传感器等，并确定传感器的数量、类型、灵敏度、频率响应等参数。根据GIS模块生成的三维模型和传感器的参数，使用优化算法，如遗传算法(GA)、粒子群算法(PSO)、蚁群算法(ACO)等，计算出传感器的最佳位置，并在模型上显示出来。根据计算出的传感器位置，实际布设传感器，并连接到信号采集和处理***，如数字示波器、信号分析仪、计算机等，并进行传感器的校准和测试，确保传感器能够正常工作，并能够有效地接收局部放电信号。该步骤达到的技术效果是：能够根据电力设备的三维模型，自动地生成传感器的位置，并实现传感器的布设和校准，减少人工干预和误差，提高工作效率和质量。
步骤S12、根据信号特征设置采样阈值，根据采样阈值，形成信号段落，针对每个信号段落设置采样***参数，确定采样率和采样位数；所述信号特征包括幅值和频率；
对于每个高频局放传感器，读取其接收到的局部放电信号，并计算其信号的幅值和频率的分布，如最大值、最小值、平均值、标准差、峰值频率、带宽等。
根据信号的幅值和频率的分布，使用基于压缩感知的采样方法，动态地调整采样阈值，以保证信号的稀疏性和完整性。具体地，根据信号的幅值的最大值和最小值，确定信号的动态范围，根据信号的频率的峰值频率和带宽，确定信号的频谱范围，然后根据信号的动态范围和频谱范围，计算出信号的稀疏度，即信号中非零元素的比例，以及信号的完整度，即信号中重要信息的比例。根据信号的稀疏度和完整度，设置采样阈值，使得采样后的信号能够保留信号的主要特征，同时减少信号的冗余和噪声。
根据采样阈值，对信号进行分段，将信号划分为多个信号段落，每个信号段落包含一定数量的信号样本，且每个信号段落的信号样本的幅值和频率都在采样阈值的范围内，以保证信号段落的均匀性和一致性。
针对每个信号段落，根据信号的幅值和频率的分布，设置采样***参数，确定采样率和采样位数。具体地，根据信号的幅值的最大值和最小值，确定信号的量化级数，即采样位数，以保证信号的量化精度；根据信号的频率的峰值频率和带宽，确定信号的采样频率，即采样率，以保证信号的频域分辨率。根据信号的量化级数和采样频率，设置采样***的参数，如模数转换器(ADC)的参考电压、时钟频率等。
能够根据信号的幅值和频率的分布，使用基于压缩感知的采样方法，动态地调整采样阈值，形成信号段落，针对每个信号段落，设置采样***参数，确定采样率和采样位数，实现对信号的低采样率采样和重构，有效地降低了数据量和存储空间，同时保证了信号的完整性和质量。
步骤S13、针对每个信号段落，采集原始信号，并按时间片段进行分割,获取时域上连续的信号片段，按照预设的时域交织模式,重排信号片段的顺序，得到交织后的信号；
针对每个信号段落，使用数字示波器或其他信号采集设备，根据设置好的采样***参数，采集原始信号，并将采集到的信号样本存储在内存或硬盘中，以便后续处理。
对于每个信号段落，按照预设的时间片段长度，将原始信号进行分割，获取多个时域上连续的信号片段，每个信号片段包含一定数量的信号样本，且每个信号片段的时间长度相同，以保证信号片段的同步性和可比性。
对于每个信号片段，按照预设的时域交织模式，重排信号片段的顺序，得到交织后的信号。具体地，根据信号的幅值和频率的分布，选择合适的时域交织模式，如随机交织、循环交织、分组交织等，并根据交织模式的规则，将信号片段的顺序进行打乱或重组，得到交织后的信号。交织的目的是为了提高信号的信噪比和分辨率，同时避免信号的失真和干扰。
能够根据信号的幅值和频率的分布，选择合适的时域交织模式，重排信号片段的顺序，得到交织后的信号，有效地提高了信号的信噪比和分辨率，同时避免了信号的失真和干扰。
步骤S14、对于交织后的信号，以低采样率进行压缩感知采样，获取采样值，将低采样率采样值作为输入，利用OMP压缩感知重构算法，恢复宽带高频原始信号；
对于每个交织后的信号，以低于奈奎斯特采样率的采样率，进行压缩感知采样，获取采样值。具体地，根据信号的稀疏度，确定压缩感知采样的采样率，使得采样率满足稀疏度的要求，即采样率大于信号中非零元素的比例，以保证信号的可重构性。然后，使用随机矩阵或其他压缩矩阵，对信号进行线性变换，得到压缩后的信号，即采样值。压缩感知采样的目的是为了减少信号的采样率，降低数据量和存储空间，同时保留信号的主要信息，利于信号的重构和分析。
将低采样率采样值作为输入，利用OMP压缩感知重构算法，恢复宽带高频原始信号。具体地，根据信号的稀疏基，如小波基、傅里叶基、字典基等，将信号表示为稀疏基的线性组合，即信号等于稀疏基乘以稀疏系数。然后，使用OMP算法，迭代地从稀疏基中选择最相关的基向量，更新稀疏系数，直到达到预设的重构误差或稀疏度，得到重构后的信号，即原始信号。OMP压缩感知重构算法的目的是为了从少量的采样值中，恢复出完整的信号，提高信号的质量和完整性，利于信号的分析和识别。
能够利用OMP压缩感知重构算法，从低采样率的采样值中，恢复出宽带高频的原始信号，有效地提高了信号的质量和完整性，同时减少了信号的数据量和存储空间。
步骤S15、使用同步信号或时标信号对齐不同段落的信号，将各个段落的信号按照原始信号的顺序，重新拼接在一起，得到处理后的信号，将不同段落的信号重新组合，得到已处理信号。
使用工频同步传感器或其他同步设备，采集电力设备的工频电压或电流信号，作为同步信号或时标信号，用于对齐不同段落的信号。具体地，根据工频信号的周期性和稳定性，确定同步信号或时标信号的采样率和采样位数，以保证同步信号或时标信号的精度和可靠性。然后，使用数字示波器或其他信号采集设备，采集同步信号或时标信号，并将采集到的同步信号或时标信号样本存储在内存或硬盘中，以便后续处理。
使用同步信号或时标信号对齐不同段落的信号，将各个段落的信号按照原始信号的顺序，重新拼接在一起，得到处理后的信号。具体地，根据同步信号或时标信号的周期性和稳定性，确定同步信号或时标信号的同步点，如零交叉点、峰值点等，作为信号的对齐参考点。然后，根据同步点，将不同段落的信号进行时间上的对齐，使得每个段落的信号的起始点和终止点与同步点相匹配，以保证信号的同步性和连续性。最后，将对齐后的各个段落的信号按照原始信号的顺序，重新拼接在一起，得到处理后的信号，即已处理信号。
能够利用同步信号或时标信号，对齐不同段落的信号，将各个段落的信号按照原始信号的顺序，重新拼接在一起，得到处理后的信号，有效地提高了信号的同步性和连续性，同时避免了信号的错位和断裂。
如图3所示，根据本申请的一个方面，所述步骤S2进一步为：
步骤S21、针对每个信号段落，读取已处理信号，根据局部放电信号的特征和规律，分析计算信号参数，信号参数包括放电相位、放电幅值、放电次数和放电能量；
将已处理信号按照一定的时间间隔分割为多个信号段落，每个信号段落包含一个或多个局部放电脉冲。
对每个信号段落，使用峰值检测算法或阈值判别法，识别出局部放电脉冲的峰值位置和幅值。
根据局部放电脉冲的峰值位置，计算出其对应的放电相位，即脉冲发生时的外加电压相位角。放电相位的范围为0°到360°，可以按照一定的精度进行分段或分组。
根据局部放电脉冲的幅值，计算出其对应的放电能量，即脉冲在单位时间内释放的电能。放电能量的计算公式为E=U2/R，其中U为脉冲幅值，R为测量电阻。
统计每个信号段落中的局部放电脉冲的个数，即放电次数。放电次数反映了局部放电的活跃程度。
步骤S22、根据分析计算的信号参数生成PRPD图谱，其中，以放电相位为横坐标，放电幅值为纵坐标，放电次数或放电能量为颜色深浅，绘制局部放电信号的分布图；
根据信号参数的范围和精度，确定PRPD图谱的横轴和纵轴的刻度和分辨率。例如，横轴可以按照12°或18°为一个区间，纵轴可以按照5 mV或10 mV为一个区间，将PRPD图谱划分为若干个小方格。
对每个信号段落，根据其放电相位和放电幅值，确定其在PRPD图谱中的位置，即对应的小方格。然后根据其放电次数或放电能量，确定其在PRPD图谱中的颜色，即对应的小方格的颜色深浅。颜色深浅可以按照一定的比例或分级进行映射，例如，放电次数或放电能量越大，颜色越深，反之越浅。
将所有信号段落的颜色叠加在PRPD图谱中，得到最终的局部放电信号的分布图。PRPD图谱可以反映局部放电的类型、强度和规律，对于局部放电的诊断和分析有重要的意义。
步骤S23、根据PRPD图谱的数据格式和大小，选择预定的存储设备和方式，预存储PRPD图谱。
将PRPD图谱的数据格式转换为适合存储的格式，例如，可以将PRPD图谱的颜色信息转换为灰度值或RGB值，然后将其保存为图像文件，如PNG或JPG格式；也可以将PRPD图谱的数据信息保存为文本文件，如TXT或CSV格式，其中每一行代表一个信号段落的参数，包括放电相位、放电幅值、放电次数或放电能量等。
根据PRPD图谱的数据大小，选择合适的存储设备和方式，例如，可以使用U盘、硬盘、光盘等物理介质进行存储，也可以使用云端、网络、数据库等虚拟介质进行存储。存储时应注意数据的安全性和完整性，避免数据的丢失或损坏。
为了方便后续的检索和使用，应对存储的PRPD图谱进行合理的命名和分类，例如，可以按照测试时间、测试对象、测试条件等信息进行命名和分类，也可以使用条形码、二维码等编码方式进行标识和管理。
如图4所示，根据本申请的一个方面，所述步骤S3进一步为：
步骤S31、采用均值滤波对PRPD图谱进行平滑处理，基于局部极大值检测方法定位PRPD图谱中的特征点，并获得特征点坐标；
将PRPD图谱作为一个二维矩阵，每个元素代表一个小方格的颜色深浅，即放电次数或放电能量。
对PRPD图谱的矩阵进行均值滤波，即用每个元素周围的元素的平均值替换该元素的值，以消除图谱中的噪声和细节，突出图谱中的主要特征。
对PRPD图谱的矩阵进行局部极大值检测，即找出矩阵中的局部最大值，即放电次数或放电能量最大的小方格，作为PRPD图谱中的特征点。
步骤S32、基于PRPD图谱和特征点，通过灰度共生矩阵方法提取PRPD图谱的特征矩阵；
如果使用基于深度学习的卷积神经网络，可以将PRPD图谱作为输入，经过多层的卷积、池化、激活、全连接等操作，得到图像的特征向量，该特征向量可以反映图像的全局和局部特征，以及不同层次的抽象程度。具体地，可以使用以下步骤：
将PRPD图谱转换为灰度图像，即将每个小方格的颜色深浅转换为灰度值，得到一个灰度矩阵。
使用一个卷积核，对灰度矩阵进行卷积运算，得到一个特征图，即卷积层的输出。卷积运算可以提取图像的边缘、纹理等低层次特征。
使用一个池化核，对特征图进行池化运算，得到一个池化图，即池化层的输出。池化运算可以降低图像的尺寸，减少计算量，同时保留图像的主要特征。
使用一个激活函数，对池化图进行激活运算，得到一个激活图，即激活层的输出。激活运算可以增加图像的非线性，增强图像的表达能力。
重复上述步骤，使用多个卷积核、池化核和激活函数，构建多个卷积层、池化层和激活层，形成一个深度的卷积神经网络。每一层的输出都可以作为下一层的输入，从而提取图像的不同层次的特征。
使用一个全连接层，对最后一层的输出进行全连接运算，得到一个特征向量，即全连接层的输出。全连接运算可以将图像的特征进行整合，得到一个固定长度的向量，作为图像的特征表示。
步骤S33、计算特征矩阵的特征值，获得用以表示PRPD图谱特征的对比度、能量和熵的特征值及特征向量；
对于每个特征提取方法，将得到的特征向量组成一个特征矩阵，每一行代表一个信号段落的特征向量，每一列代表一个特征维度。
对每个特征矩阵，使用奇异值分解(SVD)或其他特征值分解方法，计算出特征矩阵的特征值和特征向量。特征值反映了特征矩阵的主要信息，特征向量反映了特征矩阵的主要方向。
根据特征值和特征向量，计算出用以表示PRPD图谱特征的对比度、能量和熵的特征值及特征向量。具体地，对比度反映了PRPD图谱的灰度变化程度，能量反映了PRPD图谱的信号强度，熵反映了PRPD图谱的信号复杂度。对比度、能量和熵的计算公式如下：
对比度：C=sum{i,j}（p(i,j)(i-j)2），其中p(i,j)为特征矩阵的元素，i和j为特征维度的索引。
能量：E=sum{i,j}p(i,j) 2，其中p(i,j)为特征矩阵的元素，i和j为特征维度的索引。
熵：H=-sum{i,j}p(i,j)log（p(i,j)），其中p(i,j)为特征矩阵的元素，i和j为特征维度的索引。
步骤S34：使用基于统计信号处理技术的局部放电波形特征分析方法，对特征向量进行分析和优化。
如图5所示，根据本申请的一个方面，所述步骤S4进一步为：
步骤S41、基于随机森林或梯度提升树构建集成学习模型；
选择随机森林或梯度提升树作为基本分类器，根据局部放电数据的特征维度和类别数量，确定基本分类器的数量和类型。
对于每个基本分类器，从局部放电数据中随机抽取一部分样本和特征作为训练集，使用决策树算法构建分类模型，得到每个基本分类器的输出结果。
对于每个测试样本，将所有基本分类器的输出结果进行投票或加权平均，得到最终的集成学习模型的输出结果。
步骤S42、使用预存储的局部放电数据作为训练集，使用交叉验证或网格搜索训练模型的参数；将预存储的局部放电数据划分为训练集和验证集，根据集成学习模型的参数类型和范围，确定参数的搜索空间和步长。选择交叉验证或网格搜索作为参数优化方法，根据目标函数（例如分类准确率、召回率或F1值）和优化算法（例如贝叶斯优化、遗传算法或粒子群优化等），在参数的搜索空间中寻找最优的参数组合。
步骤S43、使用局放数据的测试集，通过混淆矩阵或ROC曲线方法评估模型的性能，获得分类准确率、召回率和F1值；使用训练好的集成学习模型，对局放数据的测试集进行预测，得到每个测试样本的预测标签和预测概率。根据预测标签和真实标签，构建混淆矩阵，计算分类准确率、召回率和F1值等评价指标，评估模型的性能。根据预测概率和真实标签，绘制ROC曲线，计算AUC值等评价指标，评估模型的性能。
步骤S44、以PRPD图谱的特征向量作为集成学习模型的收入，获得高频局放类型。对于每个局部放电信号，使用PRPD图谱的生成方法，将其转换为二维的图像数据，然后提取图像的特征向量，作为集成学习模型的输入。使用集成学习模型，对每个特征向量进行预测，得到其对应的局部放电类型的概率分布，根据概率值的大小，确定其高频局放类型。对于每个高频局放类型，统计其出现的次数和比例，分析其在不同工况下的变化规律，为故障诊断和预防提供依据。
根据本申请的一个方面，所述步骤S5进一步为：
步骤S51、根据PRPD图谱和高频局放类型的数据格式和大小，以及显示模块的特性和要求，调用显示单元并设置显示参数；
选择合适的显示模块，根据其规格参数确定其数据格式和大小，如8位或4位并行数据口、数据位数、数据编码等。根据PRPD图谱和高频局放类型的数据特点，如数据范围、数据精度、数据分辨率、数据变化率等，选择合适的显示参数，如显示模式、显示分辨率、显示颜色、显示对比度、显示亮度等。调用显示单元，将显示模块与数据源连接，如通过数据线、控制线等。设置显示参数，如通过写入控制命令、调节电位器等。
步骤S52、根据设置好的显示参数，将PRPD图谱和高频局放类型输出到显示模块。读取PRPD图谱和高频局放类型的数据，如通过读取数据线、读取数据寄存器等。将数据转换为显示模块所需的数据格式，如通过数据编码、数据压缩、数据缩放等。将数据写入显示模块，如通过写入数据线、写入数据寄存器等。在显示模块上显示PRPD图谱和高频局放类型，如通过点阵显示、图形显示等。
根据本申请的一个方面，所述步骤S21还可以采用如下方案，具体为：
步骤S211、针对每个信号段落，将已处理信号以窗口长度进行分割，获取多个数据段；
步骤S212、对每个数据段,通过波峰波谷检测,提取特征波形,获取起始点和终止点；
步骤S213、对每个特征波形,计算正峰到下个负峰的相位角；
步骤S214、计算每个特征波形的相位角，并存储。
基于相位角的局部放电信号提取和识别的方法，能够有效地消除噪声和干扰，提高局部放电信号的信噪比和分辨率。这个方法利用了局部放电信号的周期性和相位特征，通过波峰波谷检测和相位角计算，能够准确地提取出局部放电信号的特征波形，并将其转化为相位角分布图，从而实现局部放电信号的分类和识别。具有更高的灵敏度和鲁棒性，能够适应不同的局部放电类型和工况。同时，可以降低局部放电检测的成本和复杂度。只需要对局部放电信号进行基本的滤波、分割、检测和计算，因此可以节省计算资源和时间，提高局部放电检测的效率和准确性。能够及时地发现和定位局部放电的位置和类型，从而为电力设备的维护和修复提供依据，避免因为局部放电引起的故障和事故，保障电力***的正常运行和供电。能够延长电力设备的使用寿命和性能，减少电力损耗和污染，节约能源和资源，促进电力***的节能和环保。
根据本申请的一个方面，所述步骤S34进一步为：
步骤S341、根据信号的波形数据，计算信号的统计特性，统计特性包括均值、方差、偏度和峰度；
步骤S342、根据信号的统计特性，对特征向量进行归一化，使其符合标准正态分布；
步骤S343、根据信号的特征重要性，对特征向量进行降维，去除冗余或无关的特征，保留主要的特征，以减少特征向量的维度和复杂度；
步骤S344、根据信号的分类目标，对特征向量进行选择，筛选出最有助于区分不同类型的局部放电信号的特征，获得最优特征子集。
本实施例能够有效地降低数据的维度和复杂度，提高局部放电信号的分类性能。通过利用局部放电信号的波形数据，通过计算其均值、方差、偏度和峰度等统计特性，得到其特征向量，然后通过归一化、降维和选择等操作，优化其特征表示，从而实现局部放电信号的特征提取和选择。
根据本申请的一个方面，所述步骤S344中，获得最优特征子集的过程具体为：
步骤S34a、根据波形特征数据的维度和特点，选择信息增益或主成分分析法，获取局放类型相关性最高的特征向量；
步骤S34b、计算PRPD图谱中波形特征的每个特征向量的重要性；
步骤S34c、根据特征向量的重要性的数值和分布，选择特征子集；
步骤S34d、根据特征子集的维度和特点，评估特征子集的有效性和优化性，包括分类准确率、维度缩减率和特征冗余度；获得最优特征子集。
本实施例能够有效地降低数据的维度和复杂度，提高局部放电信号的分类性能。利用局部放电信号的波形数据，通过计算其均值、方差、偏度和峰度等统计特性，得到其特征向量，然后通过归一化、降维和选择等操作，优化其特征表示，从而实现局部放电信号的特征提取和选择，具有更高的灵敏度和鲁棒性。
如图6所示，根据本申请的另一个方面，提供全带宽高频局放PRPD谱图捕获生成***，用以执行上述任一项技术方案所述的方法，包括高频局放传感器、工频同步传感器、可编程门阵列FPGA和PRPD显示模块。
硬件部分主要包括：
本发明需要在电路中，设计3个100MHz采样率的高速局放采集通道，1个工频同步采集通道；经过高速ADC转换后的数字信号进入FPGA。在FPGA内部编程实现10us定时模块、峰值捕获模块、相位生成模块、数据融合模块、DMA控制器、RAM内部存储器、中央处理器、以太网控制器等。通过网口将编码后的谱图数据上传至终端计算机，在终端计算机中解码数据并在显示模块中进行显示。
10us定时模块设计：FPGA工作在100MHz频率下，每个周期为10ns，需要10us定时脉冲，只需要每隔1000个计数，产生一个脉冲即可。峰值捕获模块设计：寻找10us内的最大值（绝对值最大），在定时脉冲到来时，输出至下一个模块。相位生成模块设计：通过分析工频同步信号的周期，确定相位计数器相对周期计数器的比值，即可得到当前的相位，持续输出至数据融合模块。数据融合模块设计：将脉冲幅值及相位信息进行打包编码，整合成一个数据包。DMA控制器：负责将融合后的数据包搬移至RAM内部存储器中。RAM内部存储器：用于暂存数据包，可由CPU中央处理器直接读取。CPU中央处理器：负责控制DMA控制器，并读取RAM内部存储器的数据送入以太网控制器。网口：将以太网模块送入的数据发送至终端计算机。终端计算机：接收、解码数据包，送入全带宽PRPD显示模块进行显示。本发明对高频电流传感器（HFCT)的信号进行高速采集，每隔10us获取一次峰值及相位信息，获取后的数据使用DMA高速传输至CPU中央处理器，然后再上传至终端计算机。信号采集过程完全由FPGA编程实现，而FPGA的操作过程是多通道、流水线式的工作，使用RAM内部存储器作为数据缓冲，没有采集间歇期，规避了使用处理器直接采样的缺点。实现了高频局放信号的无间歇期采集，极大的提升了设备的检测能力，提高了设备的有效性。
配置在FPGA中各个模块中的算法模块，其工作流程与上述方法项一致，在此不再详述。
以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。
Claims (8)
1.全带宽高频局放PRPD谱图捕获生成方法，其特征在于，包括如下步骤：
步骤S1、布设高频局放传感器并接收至少N个高频局放传感器的原始信号，并预处理，得到已处理信号；N为自然数；
步骤S2、读取已处理信号并分析计算，得到全带宽高频局放PRPD图谱，并预存储；
步骤S3、构建图谱识别模块，从全带宽高频局放PRPD图谱中提取特征向量；
步骤S4、构建并训练集成学习模型，以特征向量为输入，获得高频局放类型；
步骤S5、将全带宽高频局放PRPD图谱和高频局放类型送入显示模块进行显示；
所述步骤S1进一步为：
步骤S11、调用GIS模块和设计要求，生成高频局放传感器位置并布设；
步骤S12、根据信号特征设置采样阈值，根据采样阈值，形成信号段落，针对每个信号段落设置采样***参数，确定采样率和采样位数；所述信号特征包括幅值和频率；
步骤S13、针对每个信号段落，采集原始信号，并按时间片段进行分割,获取时域上连续的信号片段，按照预设的时域交织模式,重排信号片段的顺序，得到交织后的信号；
步骤S14、对于交织后的信号，以低采样率进行压缩感知采样，获取采样值，将低采样率采样值作为输入，利用OMP压缩感知重构算法，恢复宽带高频原始信号；
步骤S15、使用同步信号或时标信号对齐不同段落的信号，将各个段落的信号按照原始信号的顺序，重新拼接在一起，得到处理后的信号，将不同段落的信号重新组合，得到已处理信号；
所述步骤S2进一步为：
步骤S21、针对每个信号段落，读取已处理信号，根据局部放电信号的特征和规律，分析计算信号参数，信号参数包括放电相位、放电幅值、放电次数和放电能量；
步骤S22、根据分析计算的信号参数生成PRPD图谱，其中，以放电相位为横坐标，放电幅值为纵坐标，放电次数或放电能量为颜色深浅，绘制局部放电信号的分布图；
步骤S23、根据PRPD图谱的数据格式和大小，选择预定的存储设备和方式，预存储PRPD图谱。
2.根据权利要求1所述的全带宽高频局放PRPD谱图捕获生成方法，其特征在于，所述步骤S3进一步为：
步骤S31、采用均值滤波对PRPD图谱进行平滑处理，基于局部极大值检测方法定位PRPD图谱中的特征点，并获得特征点坐标；
步骤S32、基于PRPD图谱和特征点，通过灰度共生矩阵方法提取PRPD图谱的特征矩阵；
步骤S33、计算特征矩阵的特征值，获得用以表示PRPD图谱特征的对比度、能量和熵的特征值及特征向量；
步骤S34：使用基于统计信号处理技术的局部放电波形特征分析方法，对特征向量进行分析和优化。
3.根据权利要求2所述的全带宽高频局放PRPD谱图捕获生成方法，其特征在于，所述步骤S4进一步为：
步骤S41、基于随机森林或梯度提升树构建集成学习模型；
步骤S42、使用预存储的局部放电数据作为训练集，使用交叉验证或网格搜索训练模型的参数；
步骤S43、使用局放数据的测试集，通过混淆矩阵或ROC曲线方法评估模型的性能，获得分类准确率、召回率和F1值；
步骤S44、以PRPD图谱的特征向量作为集成学习模型的收入，获得高频局放类型。
4.根据权利要求3所述的全带宽高频局放PRPD谱图捕获生成方法，其特征在于，所述步骤S5进一步为：
步骤S51、根据PRPD图谱和高频局放类型的数据格式和大小，以及显示模块的特性和要求，调用显示单元并设置显示参数；
步骤S52、根据设置好的显示参数，将PRPD图谱和高频局放类型输出到显示模块。
5.根据权利要求4所述的全带宽高频局放PRPD谱图捕获生成方法，其特征在于，所述步骤S21进一步为：
步骤S211、针对每个信号段落，将已处理信号以窗口长度进行分割，获取多个数据段；
步骤S212、对每个数据段,通过波峰波谷检测,提取特征波形,获取起始点和终止点；
步骤S213、对每个特征波形,计算正峰到下个负峰的相位角；
步骤S214、计算每个特征波形的相位角，并存储。
6.根据权利要求5所述的全带宽高频局放PRPD谱图捕获生成方法，其特征在于，所述步骤S34进一步为：
步骤S341、根据信号的波形数据，计算信号的统计特性，统计特性包括均值、方差、偏度和峰度；
步骤S342、根据信号的统计特性，对特征向量进行归一化，使其符合标准正态分布；
步骤S343、根据信号的特征重要性，对特征向量进行降维，去除冗余或无关的特征，保留主要的特征，以减少特征向量的维度和复杂度；
步骤S344、根据信号的分类目标，对特征向量进行选择，筛选出最有助于区分不同类型的局部放电信号的特征，获得最优特征子集。
7.根据权利要求6所述的全带宽高频局放PRPD谱图捕获生成方法，其特征在于，步骤S344中，获得最优特征子集的过程具体为：
步骤S34a、根据波形特征数据的维度和特点，选择信息增益或主成分分析法，获取局放类型相关性最高的特征向量；
步骤S34b、计算PRPD图谱中波形特征的每个特征向量的重要性；
步骤S34c、根据特征向量的重要性的数值和分布，选择特征子集；
步骤S34d、根据特征子集的维度和特点，评估特征子集的有效性和优化性，包括分类准确率、维度缩减率和特征冗余度；获得最优特征子集。
8.全带宽高频局放PRPD谱图捕获生成***，用以执行权利要求1至7任一项所述的方法，其特征在于，包括高频局放传感器、工频同步传感器、可编程门阵列FPGA和PRPD显示模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410085528.7A CN117630611B (zh) | 2024-01-22 | 2024-01-22 | 全带宽高频局放prpd谱图捕获生成方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410085528.7A CN117630611B (zh) | 2024-01-22 | 2024-01-22 | 全带宽高频局放prpd谱图捕获生成方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117630611A CN117630611A (zh) | 2024-03-01 |
| CN117630611B true CN117630611B (zh) | 2024-04-12 |
Family
ID=90035855
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410085528.7A Active CN117630611B (zh) | 2024-01-22 | 2024-01-22 | 全带宽高频局放prpd谱图捕获生成方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117630611B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117892067B (zh) * | 2024-03-15 | 2024-05-28 | 国网上海市电力公司 | 一种低频电流局放监测抗干扰方法、装置、设备及介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100853725B1 (ko) * | 2007-06-20 | 2008-08-22 | (주) 피에스디테크 | Ｐｒｐｓ 알고리즘을 이용한 가스절연부하개폐장치의부분방전 원인분석 방법 및 그 장치 |
| 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 |
| KR102007287B1 (ko) * | 2018-05-09 | 2019-08-06 | 한국전력공사 | 독립형 지중케이블 부분방전 신호 측정 방법 및 그 장치 |
| 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 |
| CN111967338A (zh) * | 2020-07-27 | 2020-11-20 | 广东电网有限责任公司广州供电局 | 基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法和*** |
| CN112034312A (zh) * | 2020-08-07 | 2020-12-04 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种电力设备绝缘缺陷模式识别方法 |
| CN112149549A (zh) * | 2020-09-18 | 2020-12-29 | 国网山东省电力公司泰安供电公司 | 一种基于深度残差网络的gis局部放电类型识别方法 |
| CN113780308A (zh) * | 2021-08-27 | 2021-12-10 | 吉林省电力科学研究院有限公司 | 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*** |
| KR102547467B1 (ko) * | 2022-12-23 | 2023-06-26 | 주식회사 솔라리치 | Uhf 고주파 신호를 이용한 지능형 부분방전 진단기능을 탑재한 배전반 |
| KR20230104526A (ko) * | 2021-12-30 | 2023-07-10 | 엘에스전선 주식회사 | 부분방전 모니터링 시스템 및 부분방전 모니터링 방법 |
| CN116910648A (zh) * | 2023-07-07 | 2023-10-20 | 湖南五凌电力科技有限公司 | Gis设备局部放电图谱分析方法、***及介质 |
| CN117242487A (zh) * | 2022-06-27 | 2023-12-15 | 上海格鲁布科技有限公司 | 一种多源混合型特高频局部放电图谱的分离识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2013208101A1 (en) * | 2012-01-11 | 2014-07-10 | Utilx Corporation | System for analyzing and locating partial discharges |
-
2024
- 2024-01-22 CN CN202410085528.7A patent/CN117630611B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100853725B1 (ko) * | 2007-06-20 | 2008-08-22 | (주) 피에스디테크 | Ｐｒｐｓ 알고리즘을 이용한 가스절연부하개폐장치의부분방전 원인분석 방법 및 그 장치 |
| KR102007287B1 (ko) * | 2018-05-09 | 2019-08-06 | 한국전력공사 | 독립형 지중케이블 부분방전 신호 측정 방법 및 그 장치 |
| 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 |
| 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 |
| CN111967338A (zh) * | 2020-07-27 | 2020-11-20 | 广东电网有限责任公司广州供电局 | 基于均值漂移聚类算法判别局部放电脉冲干扰信号的方法和*** |
| CN112034312A (zh) * | 2020-08-07 | 2020-12-04 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种电力设备绝缘缺陷模式识别方法 |
| CN112149549A (zh) * | 2020-09-18 | 2020-12-29 | 国网山东省电力公司泰安供电公司 | 一种基于深度残差网络的gis局部放电类型识别方法 |
| CN113780308A (zh) * | 2021-08-27 | 2021-12-10 | 吉林省电力科学研究院有限公司 | 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*** |
| KR20230104526A (ko) * | 2021-12-30 | 2023-07-10 | 엘에스전선 주식회사 | 부분방전 모니터링 시스템 및 부분방전 모니터링 방법 |
| CN117242487A (zh) * | 2022-06-27 | 2023-12-15 | 上海格鲁布科技有限公司 | 一种多源混合型特高频局部放电图谱的分离识别方法 |
| KR102547467B1 (ko) * | 2022-12-23 | 2023-06-26 | 주식회사 솔라리치 | Uhf 고주파 신호를 이용한 지능형 부분방전 진단기능을 탑재한 배전반 |
| CN116910648A (zh) * | 2023-07-07 | 2023-10-20 | 湖南五凌电力科技有限公司 | Gis设备局部放电图谱分析方法、***及介质 |
Non-Patent Citations (2)
| Title |
|---|
| An Investigation on PRPD Patterns Generated by the UHF Measurement Technique for Power Transformers;Mohammad Akbari Azirani等;2017 25th Iranian Conference on Electrical Engineering (ICEE);20171231;1144-1147 * |
| 基于放电图谱仿真的局部放电检测仪性能评估方法及***研制;胡岳;Chiampi M;Crotti G;张千千;;电气工程学报;20150525(第05期);91-97 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117630611A (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117630611B (zh) | 全带宽高频局放prpd谱图捕获生成方法及*** | |
| CN110792563B (zh) | 基于卷积生成对抗网络的风电机组叶片故障音频监测方法 | |
| CN108573225B (zh) | 一种局部放电信号模式识别方法及*** | |
| CN112034310A (zh) | 一种组合电器局部放电缺陷诊断方法及*** | |
| US11443137B2 (en) | Method and apparatus for detecting signal features | |
| CN110705456A (zh) | 一种基于迁移学习的微型电机异常检测方法 | |
| CN110161388A (zh) | 一种高压设备的故障类型识别方法及其*** | |
| CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
| CN113850330A (zh) | 一种基于短时傅里叶变换和卷积神经网络的配电网故障原因检测方法 | |
| CN113805018A (zh) | 一种配电网10kV电缆局部放电故障类型智能识别方法 | |
| CN116188433A (zh) | 一种绝缘子缺陷检测方法、装置和设备 | |
| CN117289067A (zh) | 一种变压器运行状态在线监测*** | |
| CN111860447A (zh) | 一种准确识别随机相移卫星遥测时序数据模式的方法 | |
| CN112881879A (zh) | 一种高压电缆终端局部放电模式识别方法、装置及设备 | |
| CN116660761B (zh) | 一种锂离子电池检测方法及*** | |
| CN117763494A (zh) | 基于多模态和多尺度融合网络的轴承诊断方法及*** | |
| CN114492146B (zh) | 基于迁移学习的螺栓群松动定位和定量分析方法及*** | |
| CN115586406A (zh) | 一种基于特高频信号的gis局部放电故障诊断方法及*** | |
| CN115659271A (zh) | 传感器异常检测方法、模型训练方法、***、设备及介质 | |
| CN111597957B (zh) | 基于形态学图像处理的变压器绕组故障诊断方法 | |
| Ahmed | Development of a continuous condition monitoring system based on probabilistic modelling of partial discharge data for polymeric insulation cables | |
| CN112880726A (zh) | 基于变分模态分解样本熵的传感器故障诊断方法和装置 | |
| CN112560674B (zh) | 一种声音信号质量的检测方法及*** | |
| Dopierała | Fault detection method for energy measurement systems equipped with a Rogowski coil using the coil's response to a unit voltage jump and a fully convolutional neural network | |
| CN117609874B (zh) | 基于集成深度学习的岩石断层摩擦微震检测方法和*** |
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 |