CN117708760A - 基于多模型融合的开关柜多源局放模式识别方法及*** - Google Patents
基于多模型融合的开关柜多源局放模式识别方法及*** Download PDFInfo
- Publication number
- CN117708760A CN117708760A CN202410160777.8A CN202410160777A CN117708760A CN 117708760 A CN117708760 A CN 117708760A CN 202410160777 A CN202410160777 A CN 202410160777A CN 117708760 A CN117708760 A CN 117708760A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- source partial
- discharge signal
- source
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 137
- 230000004927 fusion Effects 0.000 title claims abstract description 37
- 238000010586 diagram Methods 0.000 claims abstract description 56
- 238000012706 support-vector machine Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000013145 classification model Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 41
- 239000013598 vector Substances 0.000 claims description 31
- 238000000605 extraction Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 27
- 230000014509 gene expression Effects 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 241000764238 Isis Species 0.000 claims description 2
- 238000004138 cluster model Methods 0.000 claims description 2
- 239000002131 composite material Substances 0.000 claims description 2
- 238000007599 discharging Methods 0.000 claims 1
- 238000001228 spectrum Methods 0.000 description 16
- 239000000523 sample Substances 0.000 description 11
- 238000003909 pattern recognition Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 230000003595 spectral effect Effects 0.000 description 5
- 101150022093 PDPR gene Proteins 0.000 description 4
- 102100037284 Pyruvate dehydrogenase phosphatase regulatory subunit, mitochondrial Human genes 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000001052 transient effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012567 pattern recognition method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Landscapes
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种基于多模型融合的开关柜多源局放模式识别方法及***,方法包括:根据预设的图像分类模型对各个放电相位分布图进行识别,得到与各个放电相位分布图相对应的第一分类标签;根据预设的多源局放聚类模型对至少一个多源局放信号进行聚类分割,得到与至少一个多源局放信号对应的各个单源局放信号;分别对各个单源局放信号进行特征提取,得到与单源局放信号对应的特征信息;采用改进的支持向量机特征分析方法对各个单源局放信号的特征信息进行分析,得到与各个单源局放信号相对应的第二分类标签;将第一分类标签以及第二分类标签进行融合,得到多源局放信号最终的局放类型。经过模型融合判断,降低了误判的可能性。
Description
技术领域
本发明属于电力开关柜设备局放故障检测技术领域,尤其涉及一种基于多模型融合的开关柜多源局放模式识别方法及***。
背景技术
开关柜局放模式识别是电力设备故障预警和状态评估中的重要研究领域,早期的开关柜局放模式识别主要采用传统的特征提取和监测方法,例如使用频谱分析、时域分析和幅度分析等手段来提取局部放电信号的特征参数,并通过定量判据或经验规则进行故障诊断。
随着机器学习和模式识别算法的发展,逐渐将这些算法引入到开关柜局放模式识别中。包括支持向量机(SVM)、人工神经网络(ANN)、模糊逻辑等算法被广泛应用于局放特征的分类和识别中,提高了开关柜局放检测的准确性和可靠性。
由于开关柜局放信号具有多种特征和多种传感器的获取方式,研究者们开始将多模态数据进行融合,如声音、电流、红外等信息,以提高局放检测的综合判别能力。同时,也在模式识别算法中引入了评估指标,对不同的故障模式进行定量评估,提高了***的可靠性和稳定性。
目前,国内外研究人员对开关柜局放检测主要有下列方法:暂态对地电压法:当开关柜中出现局部放电时,会产生瞬态电流信号,这些信号就会在开关柜内部的绕组和金属结构上产生一定的电压响应,形成局限于开关柜内部的暂态电场。由于局限性较强,因此需要通过在开关柜外表面接地的探头对外界感应电场进行检测,通过电压响应的变化来诊断开关柜内是否存在局部放电现象。超声波检测法:利用超声波传感器在开关柜内部或外部进行探头测量,检测开关柜内不同部位的声波信号,然后将数据上传至计算机,通过特定软件进行处理和分析。在分析过程中,通常需要参考开关柜内不同元器件的结构和材料等因素,确定局部放电声波的特征和模式。
在实际应用中,开关柜可能存在多个局放源同时放电的现象,且上述方法在开关柜局放检测时受到开关柜内严重电气干扰,导致局放信号较弱,信噪比低,难以准确识别放电特征和放电模式。此外,由于部分缺陷局放量小,容易淹没在噪声中,在图像中不易显现明显特征,单采用图像识别的方法产生漏判难以准确识别放电特征和放电模式问题,所有目前的检测技术对信号处理和模式识别的准确性仍有待提高。为了提高特征量全面性和准确性,需要进一步优化和改进现有的检测技术。
发明内容
本发明提供一种基于多模型融合的开关柜多源局放模式识别方法及***,用于解决在开关柜局放检测时受到开关柜内严重电气干扰,导致局放信号较弱,信噪比低,难以准确识别放电特征和放电模式的技术问题。
第一方面,本发明提供一种基于多模型融合的开关柜多源局放模式识别方法,包括:
获取电力开关柜设备的多源局放数据,所述多源局放数据中包含至少一个多源局放信号以及所述至少一个多源局放信号中的各个放电相位分布图;
根据预设的图像分类模型对所述各个放电相位分布图进行识别,得到与所述各个放电相位分布图相对应的第一分类标签;
根据预设的多源局放聚类模型对所述至少一个多源局放信号进行聚类分割,得到与所述至少一个多源局放信号对应的各个单源局放信号;
分别对所述各个单源局放信号进行特征提取,得到与单源局放信号对应的特征信息,所述特征信息包括时域特征信息、频域特征信息以及相位特征信息;
采用改进的支持向量机特征分析方法对所述各个单源局放信号的特征信息进行分析,得到与所述各个单源局放信号相对应的第二分类标签,其中,所述各个单源局放信号与所述各个放电相位分布图存在唯一对应关系;
将与所述各个放电相位分布图相对应的第一分类标签以及与所述各个单源局放信号相对应的第二分类标签进行融合,得到多源局放信号最终的局放类型,其中,对所述第一分类标签和所述第二分类标签进行融合的表达式为:
,
式中,为多源局放信号最终的局放类型,/>为放电相位分布图相对应的第一分类标签,/>为单源局放信号相对应的第二分类标签,/>为输出放电相位分布图相对应的第一分类标签的概率,/>为输出单源局放信号相对应的第二分类标签的概率。
第二方面,本发明提供一种基于多模型融合的开关柜多源局放模式识别***,包括:
获取模块,配置为获取电力开关柜设备的多源局放数据,所述多源局放数据中包含至少一个多源局放信号以及所述至少一个多源局放信号中的各个放电相位分布图;
识别模块,配置为根据预设的图像分类模型对所述各个放电相位分布图进行识别,得到与所述各个放电相位分布图相对应的第一分类标签;
分割模块,配置为根据预设的多源局放聚类模型对所述至少一个多源局放信号进行聚类分割,得到与所述至少一个多源局放信号对应的各个单源局放信号;
提取模块,配置为分别对所述各个单源局放信号进行特征提取,得到与单源局放信号对应的特征信息,所述特征信息包括时域特征信息、频域特征信息以及相位特征信息;
分析模块,配置为采用改进的支持向量机特征分析方法对所述各个单源局放信号的特征信息进行分析,得到与所述各个单源局放信号相对应的第二分类标签,其中,所述各个单源局放信号与所述各个放电相位分布图存在唯一对应关系;
融合模块,配置为将与所述各个放电相位分布图相对应的第一分类标签以及与所述各个单源局放信号相对应的第二分类标签进行融合,得到多源局放信号最终的局放类型,其中,对所述第一分类标签和所述第二分类标签进行融合的表达式为:
,
式中,为多源局放信号最终的局放类型,/>为放电相位分布图相对应的第一分类标签,/>为单源局放信号相对应的第二分类标签,/>为输出放电相位分布图相对应的第一分类标签的概率,/>为输出单源局放信号相对应的第二分类标签的概率。
第三方面,提供一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例的基于多模型融合的开关柜多源局放模式识别方法的步骤。
第四方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述程序指令被处理器执行时,使所述处理器执行本发明任一实施例的基于多模型融合的开关柜多源局放模式识别方法的步骤。
本申请的基于多模型融合的开关柜多源局放模式识别方法及***,具有以下有益效果:
1、针对开关柜存在多源局部放电,且局放信号信噪比低,难以准确识别放电特征和放电模式问题,本发明从图像处理和原始信号处理两个角度出发,构建多源局放分类模型,对多源局放进行分配标签,进而将不同局放信号分割开来,实现对单源局放的信噪比增强及模式识别。再对分割后的信号采用改进小波变换(Wavelet)技术,对局放信号进行去噪处理,从而提高了局放信号的信噪比,以提高故障诊断的准确性和可靠性。对比之下,而本申请构造多模型对局放信号进行分配标签并注重于局放信号的预处理和优化,旨在为后续的特征提取和模式识别提供更准确、可靠的数据基础;
2、在对去噪后的局放信号进行特征提取后,采用改进的支持向量机(SVM)特征分析方法进行局放模式的识别,改进SVM算法引入了核函数和惩罚因子,增强了SVM对非线性数据的分类能力,在SVM模式识别之后,通过两模型融合判断验证,进一步确认局放的最终模式,相较于传统特征提取和监测方法,本申请的特征提取方法更能够深入挖掘局放信号中的有用信息,同时经过模型融合判断,降低了误判的可能性,提高局放模式识别的准确性和可靠性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种基于多模型融合的开关柜多源局放模式识别方法的流程图;
图2为本发明一实施例提供的一种基于多模型融合的开关柜多源局放模式识别***的结构框图;
图3是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其示出了本申请的一种基于多模型融合的开关柜多源局放模式识别方法的流程图。
如图1所示,基于多模型融合的开关柜多源局放模式识别方法具体包括以下步骤:
步骤S101,获取电力开关柜设备的多源局放数据,所述多源局放数据中包含至少一个多源局放信号以及所述至少一个多源局放信号中的各个放电相位分布图。
步骤S102,根据预设的图像分类模型对所述各个放电相位分布图进行识别,得到与所述各个放电相位分布图相对应的第一分类标签。
在本步骤中,对所述各个放电相位分布图进行图像预处理,其中预处理包括:根据双边滤波器对所述各个放电相位分布图进行去噪,保留所述各个放电相位分布图的边缘信息,其中,去噪的表达式为:
,
式中,为去噪后的放电相位分布图,/>为原始的放电相位分布图,为归一化因子,/>、/>分别为第i个像素的水平坐标和垂直坐标,/>为强度差异函数,/>为空间距离函数,/>像素/>和像素/>之间的亮度差异,/>为原始图像在第/>行第/>列的像素值;
根据直方图均值化去噪后的各个放电相位分布图,其中,均值化的表达式为:
,
式中,为增强后的放电相位分布图,为亮度级的像素数,为放
电相位分布图中的总像素;
根据改进sobel边缘检测算法提取预处理后的各个放电相位分布图的图像边缘,其中,提取预处理后的各个放电相位分布图的图像边缘的表达式为:
,
式中,、/>分别为放电相位分布图在水平方向和垂直方向上的梯度,/>、/>分别为像素在水平方向和垂直方向上相对于当前像素点的位置偏移,/>、/>分别为改进sobel算子在水平方向和垂直方向上的核;
计算梯度幅值和梯度方向,其中,计算梯度幅值和梯度方向的表达式为:
,
式中,为梯度幅值,/>为梯度方向;
对提取的各个放电相位分布图的图像边缘进行优化,其中,对提取的各个放电相位分布图的图像边缘进行优化的表达式为:
,
式中,为优化的放电相位分布图,/>和/>分别为梯度幅值的权重系数、增强后的放电相位分布图的权重系数;
根据改进多标签分类法对优化后的各个放电相位分布图进行计算得分,并根据得分对各个放电相位分布图进行分类,得到与所述各个放电相位分布图相对应的第一分类标签,其中,所述改进多标签分类法设定的分类规则的表达式为:
,
式中,为放电相位分布图的面积特征、/>分别为放电相位分布图面积的最小值,/>分别为放电相位分布图/>面积的最大值,为放电相位分布图的形状特征,/>为放电相位分布图的纹理特征,
计算各个放电相位分布图得分的表达式为:
,
,
式中,为第个规则中的综合得分,为与第i个放电相位分布图相对
应的第一分类标签,N为规则总数,分别为第个规则中的面积特征的权重、第
个规则中的形状特征的权重、第个规则中的纹理特征的权重,为第个规则中的
面积特征,为第个规则中的形状特征,为第个规则中的纹理特
征。
步骤S103,根据预设的多源局放聚类模型对所述至少一个多源局放信号进行聚类分割,得到与所述至少一个多源局放信号对应的各个单源局放信号。
在本步骤中,适应局放信号的时变性和多源性,提高聚类的准确性和稳定性,采用改进EDstream算法进行聚类,改进EDstream算法引入一个时间窗口w和过期集合E,用于判断聚类是否过期并存储过期聚类,从而动态的调整聚类的数量和质量,将不同的局放源信号分割开来,并给每个聚类分配一个标签,执行过程如下:
对所述至少一个多源局放信号进行信号预处理,其中信号预处理包括:
对所述至少一个多源局放信号进行去噪处理,并提取去噪处理后的至少一个多源局放信号的原始局放幅值、频率和相位特征,并对原始局放幅值、频率和相位特征进行归一化后,构建三维特征向量,其中,构建三维特征向量的表达式为:
,
,
式中,为t时刻的局放幅值特征,/>为t时刻的局放频率特征,/>为t时刻的局放相位特征,/>为t时刻的特征向量,/>为特征向量的最小值,/>为特征向量的最大值,/>为局放信号的快速傅里叶变换,即在不同频率上的电压幅值,/>为在频率区间内的最小值,/>为/>在频率区间内的最大值,/>为t时刻的多源局放信号与电压波形之间的相位差,/>为/>在时间区间内的最小值,/>为在时间区间内的最大值;
根据改进EAOstream算法对所述三维特征向量进行数据流聚类;
对聚类后的各个三维特征向量类别进行分配标签,得到与所述至少一个多源局放信号对应的各个单源局放信号。
需要说明的是,所述根据改进EAOstream算法对所述三维特征向量进行数据流聚类包括:
初始化聚类集合C为空,过期集合E为空,一个聚类编号n=0,一个时间窗口w为预设值,一个过期时间t=0;
计算特征向量与初始化聚类集合C中所有聚类的距离,找出距离最小的聚类,记为/>,计算公式为:
,
式中,为的第个分量,为的第个分量,为聚类算法中的一个聚
类,下标i表示聚类的编号,为输入的特征向量与的欧氏距离;
计算的半径和距离的表达式为:
,
,
式中,为/>的半径,即/>中所有特征向量与/>的中心的最大距离,为/>的距离,即输入的特征向量/>与C中距离最小的聚类/>的欧氏距离,为/>的第j个分量;
若的距离小于/>的半径,且/>的时间戳与/>的最后更新时间的差值不大于w,则将/>划分到/>中,更新/>的数量、中心和半径,最后更新时间,其中更新的公式为:
,
,
,
,
式中,为/>的数量,/>为更新后/>的数量,/>为更新后/>的半径,/>为/>的半径,/>为/>的最后更新时间,/>为更新后/>的中心坐标,/>为特征向量的时间戳;
否则,创建一个新的聚类,将/>划分到/>中,初始化/>的数量为1,中心为,半径为0,最后更新时间为/>的时间戳,聚类编号为n+1,然后将/>加入到初始化聚类集合C中,更新n的值;
对于初始化聚类集合C中的每一个聚类,检查其最后更新时间是否小于等于t-w,若是,则将该聚类从初始化聚类集合C中移除,加入到过期集合E中,表示该聚类已经过期,并更新t的值为的时间戳,表示当前的时间点;
对于过期集合E中的每一个聚类,检查其最后更新时间是否小于等于t-2w,若是,则将该聚类从过期集合E中删除,表示该聚类已经失效。
步骤S104,分别对所述各个单源局放信号进行特征提取,得到与单源局放信号对应的特征信息,所述特征信息包括时域特征信息、频域特征信息以及相位特征信息。
在本步骤中,分别对所述各个单源局放信号进行特征提取,提取这些特征向量能够反映单源局放信号的质量和特征,为后续的局放缺陷模式识别提供数据基础。本申请局放特征提取采用时域(TRPD)、频域和相位信息(PDPR)相结合的方法。这些特征向量能够反映局放信号的质量和特征,为后续的模式识别提供数据基础。
(1)时域特征提取
时域特征提取主要利用局放在时间上的分布规律,***放信号在不同时段内的放电次数和放电量,得到时间-幅值分布图(TRPD),TRPD可以反映局放信号的强度和周期性,对于不同类型的局放信号,TRPD具有不同的形态。本发明采用三相电压同步法,将局放信号分为三个相位区间,分别为A相(0°-120°)、B相(120°-240°)和C相(240°- 360°),并在每个相位区间内***放次数、局放幅值和局放能量。具体步骤如下:
对去噪后的局放信号进行全波整流,得到正半波信号。全波整流的公式如下:
,
式中,为全波整流后的信号,/>为去噪后的局放信号。
对半波信号进行阈值判断,大于阈值的部分视为局放脉冲,小于阈值的视为噪声干扰。本申请阈值的选择依据最大值和最小值动态确认,取最大值与最小值的10%作为阈值,判断公式如下:
,
其中:为阈值判断后的信号,/>为时域特征提取时阈值。
对阈值判断后的信号进行时域特征提取,得到每个相位区间内的局放次数、局放幅值和局放能量。本申请时域特征提取的公式如下:
,
式中,为第j个相位区间内的局放次数,/>为第j个相位区间内的平均局放幅值,/>为第j个相位区间内的平均局放能量,/>为第j个相位区间内第i个采样点是否存在局放脉冲的指示函数,如果存在则为1,否则为0。
(2)频域特征提取
频域特征提取是利用局放信号在频率上的分布规律,计算出一些频谱参数,如谱峰频率、谱宽、谱均方根等。这些频谱参数能够反映局放信号的频率特性和形态特征。本发明采用快速傅里叶变换(FFT)对去噪后的局放信号进行频域转换,得到局放信号的频谱,并在频谱上提取频域特征。具体步骤为:
对去噪后的局放信号进行快速傅里叶变换(FFT),得到局放信号的频谱。快速傅里叶变换的公式为:
,
式中,为局放信号的频谱,/>为去噪后的局放信号,/>为虚数单位。
对局放信号的频谱进行归一化处理,使其幅值在0到1之间。归一化处理的公式为:,
其中:为归一化后的频谱,/>为频谱的最大幅值。
对归一化后的频谱进行频域特征提取,得到谱峰频率、谱宽和谱均方根。频域特征提取的公式为:
,
,
,
其中:为谱峰频率,即频谱幅值最大的那个频率点,/>为谱宽,即频谱能量集中的范围,/>为谱均方根,即频谱能量的平均水平。
相位信息特征提取
相位信息特征提取是利用局放信号在相位上的分布规律,绘制出相位差图(PDPR),并从中提取出一些几何参数,如形状因子、偏心率、面积等。这些几何参数能够反映局放信号的相位特性和形状特征。本发明采用三相电压同步法,将局放信号分为三个相位区间,并在每个相位区间内计算局放脉冲与电压波形之间的相位差。具体步骤为:
对阈值判断后的信号进行相位差计算,得到每个相位区间内每个局放脉冲与电压波形之间的相位差。相位差计算的公式为:
,
其中:为第j个相位区间内第k个局放脉冲与电压波形之间的相位差,/>为第j个相位区间内第k个局放脉冲的幅值,/>为第j个相位区间内第k个局放脉冲对应的电压波形的幅值。
对相位差进行归一化处理,使其在0到1之间。归一化处理的公式为:
,
其中:为归一化后的相位差,/>和/>分别为第j个相位区间内最小和最大的相位差。
对归一化后的相位差进行PDPR绘制,得到每个相位区间内局放脉冲与电压波形之间的相位差图,对PDPR进行几何参数提取后,得到每个相位区间内的形状因子、偏心率和面积。
在一个具体实施例中,如果信号中的噪声是高频的,且与局放信号在频率中有重叠,会导致分配标签后的单源局放信号中含有噪声成分,需进一步对两个模型中各类局放信号进行去噪处理。因此采用改进Wavelet去噪算法进行去噪处理。改进Wavelet去噪算法考虑局放信号的特性和噪声的频率特性,选取Daubechies小波基函数,Daubechies小波可有效分析局放的细节特征,其一般形式为dbN,N表示滤波器阶数,并提出采用自适应法确定分解层数和采用最小均方误差的阈值处理法根据信号和噪声的统计特性确定最优阈值。具体步骤为:
在分别对所述各个单源局放信号进行特征提取,得到与单源局放信号对应的特征信息之前,再根据改进Wavelet去噪算法对所述各个单源局放信号进行去噪处理,其中,去噪处理具体包括:
对单源局放信号进行小波分解,得到不同尺度的小波系数,设单源局放信号为,分解公式为:
,
式中,为第j层第k个近似系数,/>为第j层第k个细节系数,/>为j层第k个Daubechies小波基函数在第i个采样点处的函数值,/>为第j层第k个Daubechies尺度函数在第i个采样点处的函数值,/>为小波系数的个数;
对不同尺度的小波系数进行信息熵计算,选择信息熵最大的分解层数作为最优的分解层数,计算信息熵的表达式为:
,
式中,为第j层的信息熵,/>为第j层第i个小波系数的能量占比;
对不同尺度的小波系数进行阈值处理,去除噪声成分,其中,进行阈值处理的表达式为:
,
,
式中,为第j层第k个近似系数经过阈值处理后的值,/>为第j层第k个细节系数经过阈值处理后的值,/>为第j层第k个近似系数,/>为第j层第k个细节系数,/>为小波去噪阈值,/>为符号函数,/>表示取正整数部分,/>为原始信号的小波系数,/>为去噪后的小波系数;
对阈值处理后的小波系数进行重构,得到去噪后的单源局放信号,重构公式如下:
,/>
式中,为去噪后的第i个单源局放信号,/>为最底层近似系数经过阈值处理后的值,/>为最底层尺度函数。
步骤S105,采用改进的支持向量机特征分析方法对所述各个单源局放信号的特征信息进行分析,得到与所述各个单源局放信号相对应的第二分类标签,其中,所述各个单源局放信号与所述各个放电相位分布图存在唯一对应关系。
在本步骤中,改进的支持向量机特征分析方法的目标函数为:
,
式中,、/>均为超平面参数,/>为松弛变量,/>为第i个样本的松弛变量,/>为惩罚因子;
改进的支持向量机特征分析方法的约束条件为:
,
式中,为第i个样本的真实标签,/>为第i个样本的特征向量。
为使得原本不可分的数据在高维空间中变得可分,引入核函数将原始数据映射到高维空间,使得原本不可分的数据在高维空间中变得可分,公式为:
,
其中,为核函数,/>为核函数的参数,控制核函数的高度,利用核函数,改进支持向量的目标函数和约束条变为:
,
其中,和/>为拉格朗日乘子,/>为惩罚因子,通过求解得到最优/>,利用KKT条件,得到最优/>和/>,公式为:
,
其中,和/>为超平面参数,/>为特征向量,为真实标签,为任意一个支持向量的下标,即满足/>的样本下标。
对改进的支持向量机输出概率进行分类,得到局放类型。分类策略公式如下:
,
其中,为第i个样本的局放类型,/>为第i个样本属于第j种局放类型的概率。
步骤S106,将与所述各个放电相位分布图相对应的第一分类标签以及与所述各个单源局放信号相对应的第二分类标签进行融合,得到多源局放信号最终的局放类型。
在本步骤中,为提高局放模式识别的准确性,进一步通过模型融合比较两个模型分配的标签,如果两个模型标签的局放类型一致,则该局放类型为最终局放模式,如果类型不一致,则根据该模型的局放在识别后的局放类型概率,选择概率较高的模型标签作为最终的局放类型,其中,对所述第一分类标签和所述第二分类标签进行融合的表达式为:
,
式中,为多源局放信号最终的局放类型,/>为放电相位分布图相对应的第一分类标签,/>为单源局放信号相对应的第二分类标签,/>为输出放电相位分布图相对应的第一分类标签的概率,/>为输出单源局放信号相对应的第二分类标签的概率。
综上,针对开关柜存在多源局部放电,且部分缺陷局放量小、局放信号信噪比低,在图像中不易显现明显特征、采用图像识别的方法产生漏判难以准确识别放电特征和放电模式问题,提出一种基于多模型融合开关柜多源局放模式识别方法。该方法通过基于图像识别法的改进多标签分类模型和改进数据流聚类(EDstream)模型实现对多源局放进行分割和添加标签,进而将不同局放信号分割开来,实现对单源局放的信噪比增强及模式识别,随后采用基于小波变换(Wavelet)的局放信号去噪算法提高了局放信噪比,并采用改进的支持向量机(SVM)特征分析方法进行局放模式的识别,最后两者模型融合互相验证,最终确定多源局放的模式。
请参阅图2,其示出了本申请的一种基于多模型融合的开关柜多源局放模式识别***的结构框图。
如图2所示,开关柜多源局放模式识别***200,包括获取模块210、识别模块220、分割模块230、提取模块240、分析模块250以及融合模块260。
其中,获取模块210,配置为获取电力开关柜设备的多源局放数据,所述多源局放数据中包含至少一个多源局放信号以及所述至少一个多源局放信号中的各个放电相位分布图;识别模块220,配置为根据预设的图像分类模型对所述各个放电相位分布图进行识别,得到与所述各个放电相位分布图相对应的第一分类标签;分割模块230,配置为根据预设的多源局放聚类模型对所述至少一个多源局放信号进行聚类分割,得到与所述至少一个多源局放信号对应的各个单源局放信号;提取模块240,配置为分别对所述各个单源局放信号进行特征提取,得到与单源局放信号对应的特征信息,所述特征信息包括时域特征信息、频域特征信息以及相位特征信息;分析模块250,配置为采用改进的支持向量机特征分析方法对所述各个单源局放信号的特征信息进行分析,得到与所述各个单源局放信号相对应的第二分类标签,其中,所述各个单源局放信号与所述各个放电相位分布图存在唯一对应关系;融合模块260,配置为将与所述各个放电相位分布图相对应的第一分类标签以及与所述各个单源局放信号相对应的第二分类标签进行融合,得到多源局放信号最终的局放类型,其中,对所述第一分类标签和所述第二分类标签进行融合的表达式为:,式中,/>为多源局放信号最终的局放类型,/>为放电相位分布图相对应的第一分类标签,/>为单源局放信号相对应的第二分类标签,/>为输出放电相位分布图相对应的第一分类标签的概率,/>为输出单源局放信号相对应的第二分类标签的概率。
应当理解,图2中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作和特征以及相应的技术效果同样适用于图2中的诸模块,在此不再赘述。
在另一些实施例中,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序指令被处理器执行时,使所述处理器执行上述任意方法实施例中的基于多模型融合的开关柜多源局放模式识别方法;
作为一种实施方式,本发明的计算机可读存储介质存储有计算机可执行指令,计算机可执行指令设置为:
获取电力开关柜设备的多源局放数据,所述多源局放数据中包含至少一个多源局放信号以及所述至少一个多源局放信号中的各个放电相位分布图;
根据预设的图像分类模型对所述各个放电相位分布图进行识别,得到与所述各个放电相位分布图相对应的第一分类标签;
根据预设的多源局放聚类模型对所述至少一个多源局放信号进行聚类分割,得到与所述至少一个多源局放信号对应的各个单源局放信号;
分别对所述各个单源局放信号进行特征提取,得到与单源局放信号对应的特征信息,所述特征信息包括时域特征信息、频域特征信息以及相位特征信息;
采用改进的支持向量机特征分析方法对所述各个单源局放信号的特征信息进行分析,得到与所述各个单源局放信号相对应的第二分类标签,其中,所述各个单源局放信号与所述各个放电相位分布图存在唯一对应关系;
将与所述各个放电相位分布图相对应的第一分类标签以及与所述各个单源局放信号相对应的第二分类标签进行融合,得到多源局放信号最终的局放类型,其中,对所述第一分类标签和所述第二分类标签进行融合的表达式为:
,
式中,为多源局放信号最终的局放类型,/>为放电相位分布图相对应的第一分类标签,/>为单源局放信号相对应的第二分类标签,/>为输出放电相位分布图相对应的第一分类标签的概率,/>为输出单源局放信号相对应的第二分类标签的概率。
计算机可读存储介质可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据基于多模型融合的开关柜多源局放模式识别***的使用所创建的数据等。此外,计算机可读存储介质可以包括高速随机存取存储器,还可以包括存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,计算机可读存储介质可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至基于多模型融合的开关柜多源局放模式识别***。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图3是本发明实施例提供的电子设备的结构示意图,如图3所示,该设备包括:一个处理器310以及存储器320。电子设备还可以包括:输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接,图3中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例基于多模型融合的开关柜多源局放模式识别方法。输入装置330可接收输入的数字或字符信息,以及产生与基于多模型融合的开关柜多源局放模式识别***的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
作为一种实施方式,上述电子设备应用于基于多模型融合的开关柜多源局放模式识别***中,用于客户端,包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够:
获取电力开关柜设备的多源局放数据,所述多源局放数据中包含至少一个多源局放信号以及所述至少一个多源局放信号中的各个放电相位分布图;
根据预设的图像分类模型对所述各个放电相位分布图进行识别,得到与所述各个放电相位分布图相对应的第一分类标签;
根据预设的多源局放聚类模型对所述至少一个多源局放信号进行聚类分割,得到与所述至少一个多源局放信号对应的各个单源局放信号;
分别对所述各个单源局放信号进行特征提取,得到与单源局放信号对应的特征信息,所述特征信息包括时域特征信息、频域特征信息以及相位特征信息;
采用改进的支持向量机特征分析方法对所述各个单源局放信号的特征信息进行分析,得到与所述各个单源局放信号相对应的第二分类标签,其中,所述各个单源局放信号与所述各个放电相位分布图存在唯一对应关系;
将与所述各个放电相位分布图相对应的第一分类标签以及与所述各个单源局放信号相对应的第二分类标签进行融合,得到多源局放信号最终的局放类型,其中,对所述第一分类标签和所述第二分类标签进行融合的表达式为:
,
式中,为多源局放信号最终的局放类型,/>为放电相位分布图相对应的第一分类标签,/>为单源局放信号相对应的第二分类标签,/>为输出放电相位分布图相对应的第一分类标签的概率,/>为输出单源局放信号相对应的第二分类标签的概率。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于多模型融合的开关柜多源局放模式识别方法,其特征在于,包括:
获取电力开关柜设备的多源局放数据,所述多源局放数据中包含至少一个多源局放信号以及所述至少一个多源局放信号中的各个放电相位分布图;
根据预设的图像分类模型对所述各个放电相位分布图进行识别,得到与所述各个放电相位分布图相对应的第一分类标签;
根据预设的多源局放聚类模型对所述至少一个多源局放信号进行聚类分割,得到与所述至少一个多源局放信号对应的各个单源局放信号;
分别对所述各个单源局放信号进行特征提取,得到与单源局放信号对应的特征信息,所述特征信息包括时域特征信息、频域特征信息以及相位特征信息;
采用改进的支持向量机特征分析方法对所述各个单源局放信号的特征信息进行分析,得到与所述各个单源局放信号相对应的第二分类标签,其中,所述各个单源局放信号与所述各个放电相位分布图存在唯一对应关系;
将与所述各个放电相位分布图相对应的第一分类标签以及与所述各个单源局放信号相对应的第二分类标签进行融合,得到多源局放信号最终的局放类型,其中,对所述第一分类标签和所述第二分类标签进行融合的表达式为:
,
式中,为多源局放信号最终的局放类型,/>为放电相位分布图相对应的第一分类标签,/>为单源局放信号相对应的第二分类标签,/>为输出放电相位分布图相对应的第一分类标签的概率,/>为输出单源局放信号相对应的第二分类标签的概率。
2.根据权利要求1所述的一种基于多模型融合的开关柜多源局放模式识别方法,其特征在于,所述根据预设的图像分类模型对所述各个放电相位分布图进行识别,得到与所述各个放电相位分布图相对应的第一分类标签包括:
根据改进多标签分类法对优化后的各个放电相位分布图进行计算得分,并根据得分对各个放电相位分布图进行分类,得到与所述各个放电相位分布图相对应的第一分类标签,其中,所述改进多标签分类法设定的分类规则的表达式为:
,
式中,为放电相位分布图的面积特征、/>分别为放电相位分布图/>面积的最小值,/>分别为放电相位分布图/>面积的最大值,/>为放电相位分布图的形状特征,/>为放电相位分布图的纹理特征,
计算各个放电相位分布图得分的表达式为:
,
,
式中,为第/>个规则中的综合得分,/>为与第i个放电相位分布图相对应的第一分类标签,N为规则总数,/>分别为第/>个规则中的面积特征的权重、第/>个规则中的形状特征的权重、第/>个规则中的纹理特征的权重,/>为第/>个规则中的面积特征,/>为第/>个规则中的形状特征,/>为第/>个规则中的纹理特征。
3.根据权利要求1所述的一种基于多模型融合的开关柜多源局放模式识别方法,其特征在于,所述根据预设的多源局放聚类模型对所述至少一个多源局放信号进行聚类分割,得到与所述至少一个多源局放信号对应的各个单源局放信号包括:
对所述至少一个多源局放信号进行信号预处理,其中信号预处理包括:
对所述至少一个多源局放信号进行去噪处理,并提取去噪处理后的至少一个多源局放信号的原始局放幅值、频率和相位特征,并对原始局放幅值、频率和相位特征进行归一化后,构建三维特征向量,其中,构建三维特征向量的表达式为:
,
,
式中,为t时刻的局放幅值特征,/>为t时刻的局放频率特征,/>为t时刻的局放相位特征,/>为t时刻的特征向量,/>为特征向量的最小值,/>为特征向量的最大值,/>为局放信号的快速傅里叶变换,即在不同频率上的电压幅值,/>为在频率区间内的最小值,/>为/>在频率区间内的最大值,/>为t时刻的多源局放信号与电压波形之间的相位差,/>为/>在时间区间内的最小值,/>为/>在时间区间内的最大值;
根据改进EAOstream算法对所述三维特征向量进行数据流聚类;
对聚类后的各个三维特征向量类别进行分配标签,得到与所述至少一个多源局放信号对应的各个单源局放信号。
4.根据权利要求3所述的一种基于多模型融合的开关柜多源局放模式识别方法,其特征在于,所述根据改进EAOstream算法对所述三维特征向量进行数据流聚类包括:
初始化聚类集合C为空,过期集合E为空,一个聚类编号n=0,一个时间窗口w为预设值,一个过期时间t=0;
计算特征向量与初始化聚类集合C中所有聚类的距离,找出距离最小的聚类,记为,计算公式为:
,
式中,为/>的第/>个分量,/>为/>的第/>个分量,/>为聚类算法中的一个聚类,下标i表示聚类的编号,/>为输入的特征向量/>与/>的欧氏距离;
计算的半径和距离的表达式为:
,
,
式中,为/>的半径,即/>中所有特征向量与/>的中心的最大距离,/>为/>的距离,即输入的特征向量/>与C中距离最小的聚类/>的欧氏距离,/>为/>的第j个分量;
若的距离小于/>的半径,且/>的时间戳与/>的最后更新时间的差值不大于w,则将/>划分到/>中,更新/>的数量、中心和半径,最后更新时间,其中更新的公式为:
,
,
,
,
式中,为/>的数量,/>为更新后/>的数量,/>为更新后/>的半径,/>为/>的半径,/>为/>的最后更新时间,/>为更新后/>的中心坐标,/>为特征向量的时间戳;
否则,创建一个新的聚类,将/>划分到/>中,初始化/>的数量为1,中心为/>,半径为0,最后更新时间为/>的时间戳,聚类编号为n+1,然后将/>加入到初始化聚类集合C中,更新n的值;
对于初始化聚类集合C中的每一个聚类,检查其最后更新时间是否小于等于t-w,若是,则将该聚类从初始化聚类集合C中移除,加入到过期集合E中,表示该聚类已经过期,并更新t的值为的时间戳,表示当前的时间点;
对于过期集合E中的每一个聚类,检查其最后更新时间是否小于等于t-2w,若是,则将该聚类从过期集合E中删除,表示聚类已经失效。
5.根据权利要求1所述的一种基于多模型融合的开关柜多源局放模式识别方法,其特征在于,在分别对所述各个单源局放信号进行特征提取,得到与单源局放信号对应的特征信息之前,所述识别方法还包括:
根据改进Wavelet去噪算法对所述各个单源局放信号进行去噪处理,其中,去噪处理具体包括:
对单源局放信号进行小波分解,得到不同尺度的小波系数,设单源局放信号为,分解公式为:
,
式中,为第j层第k个近似系数,/>为第j层第k个细节系数,/>为j层第k个Daubechies小波基函数在第i个采样点处的函数值,/>为第j层第k个Daubechies尺度函数在第i个采样点处的函数值,/>为小波系数的个数;
对不同尺度的小波系数进行信息熵计算,选择信息熵最大的分解层数作为最优的分解层数,计算信息熵的表达式为:
,
式中,为第j层的信息熵,/>为第j层第i个小波系数的能量占比;
对不同尺度的小波系数进行阈值处理,去除噪声成分,其中,进行阈值处理的表达式为:
,
,
式中,为第j层第k个近似系数经过阈值处理后的值,/>为第j层第k个细节系数经过阈值处理后的值,/>为第j层第k个近似系数,近似系数表示局放信号在第j层的平均或低频部分,/>为第j层第k个细节系数,细节系数表示局放信号在第j层的波动或高频部分,为小波去噪阈值,/>为符号函数,/>表示取正整数部分,/>为原始信号的小波系数,/>为去噪后的小波系数;
对阈值处理后的小波系数进行重构,得到去噪后的单源局放信号,重构公式如下:
,
式中,为去噪后的第i个单源局放信号,/>为最底层近似系数经过阈值处理后的值,/>为最底层尺度函数。
6.根据权利要求1所述的一种基于多模型融合的开关柜多源局放模式识别方法,其特征在于,其中,改进的支持向量机特征分析方法的目标函数为:
,
式中,、/>均为超平面参数,/>为松弛变量,/>为第i个样本的松弛变量,/>为惩罚因子;
改进的支持向量机特征分析方法的约束条件为:
,
式中,为第i个样本的真实标签,/>为第i个样本的特征向量。
7.一种基于多模型融合的开关柜多源局放模式识别***,其特征在于,包括:
获取模块,配置为获取电力开关柜设备的多源局放数据,所述多源局放数据中包含至少一个多源局放信号以及所述至少一个多源局放信号中的各个放电相位分布图;
识别模块,配置为根据预设的图像分类模型对所述各个放电相位分布图进行识别,得到与所述各个放电相位分布图相对应的第一分类标签;
分割模块,配置为根据预设的多源局放聚类模型对所述至少一个多源局放信号进行聚类分割,得到与所述至少一个多源局放信号对应的各个单源局放信号;
提取模块,配置为分别对所述各个单源局放信号进行特征提取,得到与单源局放信号对应的特征信息,所述特征信息包括时域特征信息、频域特征信息以及相位特征信息;
分析模块,配置为采用改进的支持向量机特征分析方法对所述各个单源局放信号的特征信息进行分析,得到与所述各个单源局放信号相对应的第二分类标签,其中,所述各个单源局放信号与所述各个放电相位分布图存在唯一对应关系;
融合模块,配置为将与所述各个放电相位分布图相对应的第一分类标签以及与所述各个单源局放信号相对应的第二分类标签进行融合,得到多源局放信号最终的局放类型,其中,对所述第一分类标签和所述第二分类标签进行融合的表达式为:
,
式中,为多源局放信号最终的局放类型,/>为放电相位分布图相对应的第一分类标签,/>为单源局放信号相对应的第二分类标签,/>为输出放电相位分布图相对应的第一分类标签的概率,/>为输出单源局放信号相对应的第二分类标签的概率。
8.一种电子设备,其特征在于,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至6任一项所述的方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410160777.8A CN117708760B (zh) | 2024-02-05 | 2024-02-05 | 基于多模型融合的开关柜多源局放模式识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410160777.8A CN117708760B (zh) | 2024-02-05 | 2024-02-05 | 基于多模型融合的开关柜多源局放模式识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117708760A true CN117708760A (zh) | 2024-03-15 |
CN117708760B CN117708760B (zh) | 2024-07-05 |
Family
ID=90153812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410160777.8A Active CN117708760B (zh) | 2024-02-05 | 2024-02-05 | 基于多模型融合的开关柜多源局放模式识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117708760B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118130983A (zh) * | 2024-05-08 | 2024-06-04 | 山东信友电器有限公司 | 一种配电柜异常检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077402A (zh) * | 2012-12-28 | 2013-05-01 | 湖北省电力公司电力科学研究院 | 基于奇异值分解算法的变压器局部放电模式识别方法 |
WO2015070513A1 (zh) * | 2013-11-14 | 2015-05-21 | 国家电网公司 | 一种三相共筒式超高压gis局部放电的模式识别方法 |
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 |
CN111476093A (zh) * | 2020-03-06 | 2020-07-31 | 国网江西省电力有限公司电力科学研究院 | 一种电缆终端局部放电模式识别方法及*** |
CN112686333A (zh) * | 2021-01-19 | 2021-04-20 | 科润智能控制股份有限公司 | 一种基于深度子域适配迁移网络的开关柜局部放电模式识别方法 |
CN114943256A (zh) * | 2022-05-31 | 2022-08-26 | 常州大学 | 一种基于时频特征和改进cnn的局部放电识别方法及装置 |
CN115169418A (zh) * | 2022-08-03 | 2022-10-11 | 国网上海市电力公司 | 基于改进小波阈值法的开关柜局部放电识别方法和*** |
CN117371515A (zh) * | 2023-10-09 | 2024-01-09 | 华中科技大学 | 一种基于多层级逐步迁移学习的局放模式识别方法 |
-
2024
- 2024-02-05 CN CN202410160777.8A patent/CN117708760B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077402A (zh) * | 2012-12-28 | 2013-05-01 | 湖北省电力公司电力科学研究院 | 基于奇异值分解算法的变压器局部放电模式识别方法 |
WO2015070513A1 (zh) * | 2013-11-14 | 2015-05-21 | 国家电网公司 | 一种三相共筒式超高压gis局部放电的模式识别方法 |
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 |
CN111476093A (zh) * | 2020-03-06 | 2020-07-31 | 国网江西省电力有限公司电力科学研究院 | 一种电缆终端局部放电模式识别方法及*** |
CN112686333A (zh) * | 2021-01-19 | 2021-04-20 | 科润智能控制股份有限公司 | 一种基于深度子域适配迁移网络的开关柜局部放电模式识别方法 |
CN114943256A (zh) * | 2022-05-31 | 2022-08-26 | 常州大学 | 一种基于时频特征和改进cnn的局部放电识别方法及装置 |
CN115169418A (zh) * | 2022-08-03 | 2022-10-11 | 国网上海市电力公司 | 基于改进小波阈值法的开关柜局部放电识别方法和*** |
CN117371515A (zh) * | 2023-10-09 | 2024-01-09 | 华中科技大学 | 一种基于多层级逐步迁移学习的局放模式识别方法 |
Non-Patent Citations (2)
Title |
---|
MIN WU ET AL: "Multi-source partial discharge pattern recognition algorithm based on DCGAN-Yolov5", 《IEEE TRANSACTIONS ON POWER DELIVERY ( EARLY ACCESS )》, 30 December 2022 (2022-12-30), pages 1 - 10 * |
吴闽等: "基于改进SSD的GIS多源局放模式识别", 《高电压技术》, vol. 49, no. 2, 28 February 2023 (2023-02-28), pages 812 - 821 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118130983A (zh) * | 2024-05-08 | 2024-06-04 | 山东信友电器有限公司 | 一种配电柜异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117708760B (zh) | 2024-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10671833B2 (en) | Analyzing digital holographic microscopy data for hematology applications | |
CN117708760B (zh) | 基于多模型融合的开关柜多源局放模式识别方法及*** | |
CN111044570A (zh) | 电力设备的缺陷识别及预警方法、装置及计算机设备 | |
CN106295124A (zh) | 利用多种图像检测技术综合分析基因子图相似概率量的方法 | |
He et al. | Robust eyelid, eyelash and shadow localization for iris recognition | |
CN110930424A (zh) | 器官轮廓分析方法及装置 | |
Liang et al. | Automatic defect detection of texture surface with an efficient texture removal network | |
Song et al. | A novel self-learning weighted fuzzy local information clustering algorithm integrating local and non-local spatial information for noise image segmentation | |
CN110673208B (zh) | 一种机器学习框架下高维特征约束的初至拾取方法及*** | |
CN106447686A (zh) | 一种基于快速有限剪切波变换的图像边缘检测方法 | |
CN107045624B (zh) | 一种基于最大加权团的脑电信号预处理与分类方法 | |
Liu et al. | A novel dual-attention optimization model for points classification of power quality disturbances | |
CN112330562B (zh) | 一种异构遥感图像变换方法及*** | |
Li et al. | Pavement crack detection using progressive curvilinear structure anisotropy filtering and adaptive graph-cuts | |
CN109271902B (zh) | 复杂背景下基于时域经验模态分解的红外弱小目标检测方法 | |
CN117115675A (zh) | 一种跨时相轻量化空谱特征融合高光谱变化检测方法、***、设备及介质 | |
CN115186772B (zh) | 一种电力设备的局部放电的检测方法、装置及设备 | |
Nie et al. | Machine vision-based apple external quality grading | |
Wang et al. | Comparison and Analysis of Several Clustering Algorithms for Pavement Crack Segmentation Guided by Computational Intelligence | |
Liang et al. | Abnormal data cleaning for wind turbines by image segmentation based on active shape model and class uncertainty | |
Gao et al. | Target classification by constructing fuzzy automata system | |
CN112378942B (zh) | 一种基于核磁共振指纹图谱的白酒等级分类识别方法 | |
Wan et al. | Spectral-spatial hyperspectral image classification combining multi-scale bi-exponential edge-preserving filtering and susan edge detector | |
Kaur et al. | A survey of K means Clustering with modified gradient magnitude region growing technique for lesion segmentation | |
CN103839082B (zh) | 一种基于小波特征低秩表示的sar图像目标聚类方法 |
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 | ||
GR01 | Patent grant |