Nothing Special   »   [go: up one dir, main page]

CN114492543A - 一种基于时频域特征的局部放电分类识别方法 - Google Patents

一种基于时频域特征的局部放电分类识别方法 Download PDF

Info

Publication number
CN114492543A
CN114492543A CN202210376831.3A CN202210376831A CN114492543A CN 114492543 A CN114492543 A CN 114492543A CN 202210376831 A CN202210376831 A CN 202210376831A CN 114492543 A CN114492543 A CN 114492543A
Authority
CN
China
Prior art keywords
frequency
partial discharge
frequency domain
time
coefficient
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
CN202210376831.3A
Other languages
English (en)
Inventor
高永强
李文杰
王文成
刘剑宁
孙永健
王银忠
李永彬
郑昱
赵军
张小奇
张秋瑞
耿志慧
季兴龙
安时运
伦晓娟
王琳
张志东
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.)
Dongying Power Industry Bureau Of State Grid Shandong Electric Power Co
Original Assignee
Dongying Power Industry Bureau Of State Grid Shandong Electric Power 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 Dongying Power Industry Bureau Of State Grid Shandong Electric Power Co filed Critical Dongying Power Industry Bureau Of State Grid Shandong Electric Power Co
Priority to CN202210376831.3A priority Critical patent/CN114492543A/zh
Publication of CN114492543A publication Critical patent/CN114492543A/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (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时频域特征的局部放电分类识别方法，属于电力设备局部放电检测技术领域，本发明提出了一种新的频域特征表示法用来对局部放电模式进行识别分类。提出了倍频力矩系数OFMC、倍频倒谱系数OFCC以及由小波分析获得的时频域系数TFDC。主要包括以下步骤：步骤一，获取配电网传感器局部放电原始数据；步骤二，从局部放电信号进行提取特征值并建立特征值向量；步骤三，计算时频域系数，用信号增强技术对小波系数进行去噪；步骤四，学习训练局部放电分类识别特征向量构造特征空间，利用时频域系数与概率神经网络PNN判断局部放电模式。本发明将时频域系数TFDC特征与PNN分类器同时使用，具有较高的稳健性和精度。

Description

一种基于时频域特征的局部放电分类识别方法
技术领域
本发明属于电气设备检测技术领域，尤其涉及一种基于时频域特征的局部放电分类识别方法。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
配电网的稳定运行和组成电力系统的电气设备的状态密切相关，在电力系统的实际运行中，电气设备存在的安全隐患一直是威胁电网稳定可靠运行的主要因素，电气设备绝缘优劣是电气设备状态是否良好的关键因素。局部放电是造成电气设备绝缘劣化的重要征兆以及表现形式，有时甚至能使绝缘击穿。在电力设备运行时，应加强对电力设备的状态监测，及时发现电力设备劣化甚至损坏，以便及时进行检修。定期对电力设备进行状态监测和健康评估，排查故障/设备缺陷与维护电网安全、降低停电概率有着重要而深远的意义。
在局部放电检测系统开发中，局部放电模式的识别是分析的关键。由于直接应用配电网的局部放电检测对于局部放电分类识别的性能不稳健并且误报率高，而频域/频谱特征相对具有更高的稳健性和准确性，因此基于配电网检测数据提出了一种新的频域特征表示法来对局部放电模式进行识别分类。将时频域系数TFDC特征与概率神经网络PNN分类器同时使用，不需要大量的数据训练就可以实现局部放电信号的分类识别，并且有着很好的效果。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种基于时频域特征的局部放电分类识别方法。结合配电网的传感器原始数据，利用时频域特征进行局部放电分类识别，利用时频域系数TFDC特征与概率神经网络PNN分类器，提高了局部放电检测方法的精确性和适用性。当所有类别都有少量的训练数据时，概率神经网络PNN分类器并不需要大量的训练数据也能分类效果良好，能够利用计算机快速实现局部放电信号的分类识别。
为了实现上述目的，本发明采用如下技术方案：
本发明提供了一种基于时频域特征的局部放电分类识别方法，能够利用计算机算法快速实现局部放电信号的模式识别。
基于配电网局部放电检测数据，利用一种新的频域特征表示法来对局部放电模式进行识别分类；
一种基于时频域特征的局部放电分类识别方法，该方法的实现包括以下步骤：
步骤一：获取配电网传感器局部放电原始数据；
步骤二：从局部放电信号进行提取特征值并建立特征值向量；
步骤三：计算时频域系数，用信号增强技术对小波系数进行去噪；
步骤四：学习训练局部放电分类识别特征向量构造特征空间，利用时频域系数与概率神经网络PNN判断局部放电模式；
进一步地，所述步骤二从局部放电信号提取倍频力矩系数和倍频倒谱系数两种局部放电频域特征并建立特征值向量；
所述倍频力矩系数OFMC的计算过程为：
第一步：计算第k个子带的总频谱矩
Figure 10647DEST_PATH_IMAGE001
：
Figure 131050DEST_PATH_IMAGE002
式中，i表示第i个变换系数，k代表第k个子带，
Figure 973104DEST_PATH_IMAGE003
表示第k个子带中的频率槽，
Figure 696209DEST_PATH_IMAGE004
是对应于其频率槽的频谱幅度，
Figure 844337DEST_PATH_IMAGE005
是最低频率槽，
Figure 729116DEST_PATH_IMAGE006
是最高频率槽,
Figure 58466DEST_PATH_IMAGE005
≤i≤
Figure 585263DEST_PATH_IMAGE006
。
第二步：计算第k个子带的频谱质心频率
Figure 316458DEST_PATH_IMAGE007
：
Figure 513085DEST_PATH_IMAGE008
第三步：计算第k个子带的频谱质心幅度
Figure 595310DEST_PATH_IMAGE009
；
Figure 394639DEST_PATH_IMAGE010
第四步：计算第k个子带的合量谱矩
Figure 980341DEST_PATH_IMAGE011
；
Figure 206923DEST_PATH_IMAGE012
第五步：计算倍频力矩系数
Figure 776444DEST_PATH_IMAGE013
；
L倍频子带产生L合成谱矩，可以进一步处理合成谱矩，获得可以表示局部放电的特征。用对数函数对L合成谱矩进行缩放，以适应宽范围的振幅。可以使用离散余弦变换将这些对数振幅修匀，从而计算出变换系数；
Figure 379464DEST_PATH_IMAGE014
式中，
Figure 819673DEST_PATH_IMAGE015
是第i个变换系数，且0≤i≤L-1，k代表第k个子带，L是倍频子带的总数量，且0≤k≤L-1。
所述倍频倒谱系数OFCC的计算过程为：
第一步:计算第k个倍频子带的平均频谱幅度
Figure 217156DEST_PATH_IMAGE016
，
Figure 273974DEST_PATH_IMAGE017
式中，i表示第i个变换系数，P是每个子带的频率槽的总数量，
Figure 680684DEST_PATH_IMAGE004
是对应于其频率槽
Figure 240979DEST_PATH_IMAGE018
的频谱幅度。
第二步：计算倍频倒谱系数
Figure 826941DEST_PATH_IMAGE019
；
Figure 839897DEST_PATH_IMAGE020
Figure 50298DEST_PATH_IMAGE021
是第i个变换系数，且0≤i≤P-1，k代表第k个子带，且0≤k≤P-1。
电晕放电信号的频谱能量，在去噪后，其能量分布在7个子带中，低频带能量最高。
进一步地，所述步骤三为时频域系数的计算；
时频域系数TFDC代表局部放电信号的特征，是利用离散小波变换，将局部放电信号转换成一系列小波系数，时频域系数的计算过程为：
第一步：计算子带的平均幅度
Figure 199520DEST_PATH_IMAGE016
；
用信号增强技术对小波系数进行去噪，计算每个子带中的能量，并使用每个带中的去噪小波系数：
Figure 469964DEST_PATH_IMAGE022
式中，N是每个子带中的小波系数的数目，
Figure 970216DEST_PATH_IMAGE023
是第k个子带中的第i个小波系数。
第二步：使用离散余弦变换修匀对数平均幅度，计算时频域系数
Figure 453150DEST_PATH_IMAGE024
：
Figure 988036DEST_PATH_IMAGE025
式中，L是子带的数量，k=0,1,....L-1。
进一步地，所述步骤四学习训练样本信号提取的局部放电模式识别特征向量构造特征空间，利用时频域系数TFDC与概率神经网络PNN分类器判断局部放电模式；
所述概率神经网络是一种适用于分类问题的径向基网络，对每一类训练数据的概率密度函数进行估计，所述概率神经网络有两层：径向基层和竞争层，具体在径向基层和竞争层中实现。
当输入向量Lx1出现时，径向基层计算从输入向量到所有5类别训练向量Qx1的向量距离。这一块输出的是向量Qx1，其元素指示输入与训练集向量的接近程度。这些距离中的每一个都乘以一个偏差b，然后通过径向基函数，产生输出向量a，偏差的目的是调整径向基函数的敏感度。
竞争层将每类径向基层的输出相加，产生概率为n的总输出向量。然后使用竞争层函数来分析净输出向量概率，并选择概率的最大值。对应于最大值的类别产生1，所有其他类产生0。
PNN存储每个类别的所有训练向量，用于计算。最大似然训练用于根据训练数据计算PNN的参数，可以减少节点数量，加快计算速度。
与现有技术相比，本发明的有益效果是：
本发明提供了一种基于时频域特征的局部放电分类识别方法，结合配电网局部放电原始数据，对配电网的局部放电信号的时域特征和频域特征进行分析，时频域系数TFDC特征与PNN分类器结合使用，使用线性加权技术对分类器进行融合，实现对局部放电模式的精确识别。
本发明专利中提出的倍频力矩系数OFMC和倍频倒谱系数OFCC两个特征在局部放电信号分类方面具有明显的优势，时频域系数TFDC特征与PNN分类器结合使用具有更高的应用价值，提高了局部放电检分类识别的精确性和适用性。当所有类别都有少量的训练数据时，概率神经网络PNN分类器并不需要大量的训练数据也能分类效果良好，能够利用计算机快速实现局部放电信号的分类识别。能够及时发现配电网电力设备绝缘是否发生损坏，有效地监测设备的健康状态，发现正在使用设备的早期故障和存在缺陷，同时预防配电网电气设备损坏和保证配电网安全运行。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明一种基于时频域特征的局部放电分类识别方法实现流程图；
图2是本发明一个滤波器组的第k个子带；
图3是本发明倍频力矩系数OFMC的特征提取过程；
图4是本发明电晕放电信号的子带能量和相应倍频倒谱系数；
图5是本发明实时频域系数的提取过程；
图6是本发明概率神经网络的过程。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。
如附图1所示，本发明提供了一种基于时频域特征的局部放电分类识别方法，该方法的具体实现步骤如下：
步骤一：获取配电网局部放电原始数据；
步骤二：从局部放电信号提取倍频力矩系数和倍频倒谱系数两种局部放电频域特征，并建立特征值向量；
所述倍频力矩系数OFMC的计算过程为：
（1）计算第k个子带的总频谱矩
Figure 163803DEST_PATH_IMAGE001
：
Figure 292296DEST_PATH_IMAGE002
式中，i表示第i个变换系数，k代表第k个子带，
Figure 844500DEST_PATH_IMAGE018
表示第k个子带中的频率槽，
Figure 968313DEST_PATH_IMAGE004
是对应于其频率槽的频谱幅度，
Figure 314981DEST_PATH_IMAGE005
是最低频率槽，
Figure 55404DEST_PATH_IMAGE006
是最高频率槽,
Figure 145720DEST_PATH_IMAGE005
≤i≤
Figure 655199DEST_PATH_IMAGE006
。一个滤波器组的第k个子带如图2。
（2）计算第k个子带的频谱质心频率
Figure 907188DEST_PATH_IMAGE007
：
Figure 875187DEST_PATH_IMAGE008
（3）计算第k个子带的频谱质心幅度
Figure 503615DEST_PATH_IMAGE026
；
Figure 8546DEST_PATH_IMAGE010
（4）计算第k个子带的合量谱矩
Figure 697016DEST_PATH_IMAGE011
；
Figure 146452DEST_PATH_IMAGE012
（5）计算倍频力矩系数
Figure 844149DEST_PATH_IMAGE027
；
Figure 797062DEST_PATH_IMAGE014
式中，
Figure 656433DEST_PATH_IMAGE015
是第i个变换系数，且0≤i≤L-1，k代表第k个子带，L是倍频子带的总数量，且0≤k≤L-1。倍频力矩系数OFMC的特征提取过程如图3。
所述倍频倒谱系数OFCC的计算过程为：
（1）计算第k个倍频子带的平均频谱幅度
Figure 593165DEST_PATH_IMAGE016
；
Figure 969920DEST_PATH_IMAGE017
式中，i表示第i个变换系数，P是每个子带的频率槽的总数量，
Figure 42918DEST_PATH_IMAGE004
是对应于其频率槽
Figure 338771DEST_PATH_IMAGE018
的频谱幅度。
（2）计算倍频倒谱系数
Figure 762799DEST_PATH_IMAGE019
；
将倍频倒谱系数定义为子带的对数平均频谱幅度的离散余弦变换:
Figure 536720DEST_PATH_IMAGE020
Figure 464224DEST_PATH_IMAGE021
是第i个变换系数，且0≤i≤P-1，k代表第k个子带，且0≤k≤P-1。所述倍频倒谱系数OFCC的特征提取过程为如图3，电晕放电信号的子带能量和相应倍频倒谱系数OFCC如图4。
步骤三：时频域系数的计算；
时频域系数TFDC代表局部放电信号的特征，是利用离散小波变换，将局部放电信号转换成一系列小波系数，时频域系数的计算过程为：
（1）计算子带的平均幅度
Figure 930978DEST_PATH_IMAGE016
；
用信号增强技术对小波系数进行去噪，计算每个子带中的能量，并使用每个带中的去噪小波系数：
Figure 576723DEST_PATH_IMAGE022
式中，N是每个子带中的小波系数的数目，
Figure 888755DEST_PATH_IMAGE028
是第k个子带中的第i个小波系数。
（2）使用离散余弦变换修匀对数平均幅度，计算时频域系数
Figure 77291DEST_PATH_IMAGE024
:
Figure 443507DEST_PATH_IMAGE025
式中，L是子带的数量，k=0,1,....L-1。时频域系数的提取过程如图5。
步骤四：学习训练样本信号提取的局部放电模式识别特征向量构造特征空间，利用时频域系数TFDC与概率神经网络PNN分类器判断局部放电模式，具体在径向基层和竞争层中实现。
当输入向量Lx1出现时，径向基层计算从输入向量到所有5类别训练向量Qx1的向量距离。这一块输出的是向量Qx1，其元素指示输入与训练集向量的接近程度。这些距离中的每一个都乘以一个偏差b，然后通过径向基函数，产生输出向量a。
竞争层将每类径向基层的输出相加，产生概率为n的总输出向量。然后使用竞争层函数来分析净输出向量概率，并选择概率的最大值。对应于最大值的类别产生1，所有其他类产生0。
PNN存储每个类别的所有训练向量，用于计算。最大似然训练用于根据训练数据计算PNN的参数。对每一类训练数据的概率密度函数进行估计，概率神经网络的过程如图6。

Claims (4)

1.一种基于时频域特征的局部放电分类识别方法，其特征在于，该方法的实现包括以下步骤：
步骤一：获取配电网局部放电原始数据；
步骤二：提取倍频力矩系数和倍频倒谱系数两种局部放电频域特征；
步骤三：计算时频域系数，用信号增强技术对小波系数进行去噪；
步骤四：学习训练从样本信号提取的局部放电分类识别特征向量，构造特征空间，利用时频域系数与概率神经网络PNN判断局部放电模式。
2.如权利要求1所述的基于时频域特征的局部放电分类识别方法，其特征在于，所述步骤二提取倍频力矩系数和倍频倒谱系数两种局部放电频域特征的过程为：
倍频力矩系数OFMC的计算过程为：
第一步：计算第k个子带的总频谱矩
Figure DEST_PATH_IMAGE001
：
Figure DEST_PATH_IMAGE003
式中，i表示第i个变换系数，k代表第k个子带，
Figure 869641DEST_PATH_IMAGE004
表示第k个子带中的频率槽，
Figure DEST_PATH_IMAGE005
是对应于其频率槽的频谱幅度，
Figure 927726DEST_PATH_IMAGE006
是最低频率槽，
Figure DEST_PATH_IMAGE007
是最高频率槽,
Figure 550206DEST_PATH_IMAGE006
≤i≤
Figure 86361DEST_PATH_IMAGE007
；
第二步：计算第k个子带的频谱质心频率
Figure 228630DEST_PATH_IMAGE008
：
Figure 583517DEST_PATH_IMAGE010
第三步：计算第k个子带的频谱质心幅度
Figure DEST_PATH_IMAGE011
；
Figure DEST_PATH_IMAGE013
第四步：计算第k个子带的合量谱矩
Figure 896555DEST_PATH_IMAGE014
；
Figure 892193DEST_PATH_IMAGE016
第五步：计算倍频力矩系数
Figure DEST_PATH_IMAGE017
；
Figure DEST_PATH_IMAGE019
式中，
Figure 13602DEST_PATH_IMAGE020
是第i个变换系数，且0≤i≤L-1，k代表第k个子带，L是倍频子带的总数量，且0≤k≤L-1；
所述倍频倒谱系数OFCC的计算过程为：
第一步:计算第k个倍频子带的平均频谱幅度
Figure DEST_PATH_IMAGE021
，
Figure DEST_PATH_IMAGE023
式中，i表示第i个变换系数，P是每个子带的频率槽的总数量，
Figure 944649DEST_PATH_IMAGE005
是对应于其频率槽
Figure 10563DEST_PATH_IMAGE004
的频谱幅度，
Figure 809891DEST_PATH_IMAGE006
是最低频率槽，
Figure 880747DEST_PATH_IMAGE007
是最高频率槽；
第二步：计算倍频倒谱系数
Figure 372908DEST_PATH_IMAGE024
；
Figure 931977DEST_PATH_IMAGE026
Figure DEST_PATH_IMAGE027
是第i个变换系数，且0≤i≤P-1，k代表第k个子带，且0≤k≤P-1。
3.如权利要求1所述的基于时频域特征的局部放电分类识别方法，其特征在于，所述步骤三时频域系数的计算过程为：
第一步：计算子带的平均幅度
Figure 82467DEST_PATH_IMAGE021
；
用信号增强技术对小波系数进行去噪，计算每个子带中的能量，并使用每个带中的去噪小波系数：
Figure DEST_PATH_IMAGE029
式中，N是每个子带中的小波系数的数目，
Figure 99839DEST_PATH_IMAGE030
是第k个子带中的第i个小波系数；
第二步：使用离散余弦变换修匀对数平均幅度，计算时频域系数
Figure DEST_PATH_IMAGE031
:
Figure DEST_PATH_IMAGE033
式中，L是子带的数量，k=0,1,....L-1。
4.如权利要求1所述的基于时频域特征的局部放电分类识别方法，其特征在于，所述步骤四训练学习并进行局部放电信号的分类识别判断的过程为：
学习训练样本信号提取的局部放电模式识别特征向量构造特征空间，利用时频域系数TFDC与概率神经网络PNN类器判断局部放电模式；
当输入向量Lx1现时，径向基层计算从输入向量到所有5类别训练向量Qx1向量距离，这一块输出的是向量Qx1,其元素指示输入与训练集向量的接近程度，这些距离中的每一个都乘以一个偏差b，然后通过径向基函数，产生输出向量a；
竞争层将每类径向基层的输出相加，产生概率为n的总输出向量，然后使用竞争层函数来分析净输出向量概率，并选择概率的最大值，对应于最大值的类别产生1，所有其他类产生0。
CN202210376831.3A 2022-04-12 2022-04-12 一种基于时频域特征的局部放电分类识别方法 Pending CN114492543A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210376831.3A CN114492543A (zh) 2022-04-12 2022-04-12 一种基于时频域特征的局部放电分类识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210376831.3A CN114492543A (zh) 2022-04-12 2022-04-12 一种基于时频域特征的局部放电分类识别方法

Publications (1)

Publication Number Publication Date
CN114492543A true CN114492543A (zh) 2022-05-13

Family

ID=81488604

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210376831.3A Pending CN114492543A (zh) 2022-04-12 2022-04-12 一种基于时频域特征的局部放电分类识别方法

Country Status (1)

Country Link
CN (1) CN114492543A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116203365A (zh) * 2023-05-05 2023-06-02 南昌工程学院 基于野马算法优化pnn的gis设备局部放电检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106526434A (zh) * 2016-10-11 2017-03-22 国网上海市电力公司 一种局部放电模式的识别方法和装置
CN107765153A (zh) * 2017-11-02 2018-03-06 广东电网有限责任公司珠海供电局 一种基于小波变换模极大值的电缆局部放电信号特征向量提取方法
CN111044814A (zh) * 2019-11-28 2020-04-21 中国电力科学研究院有限公司 一种对变压器直流偏磁异常进行辨识的方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106526434A (zh) * 2016-10-11 2017-03-22 国网上海市电力公司 一种局部放电模式的识别方法和装置
CN107765153A (zh) * 2017-11-02 2018-03-06 广东电网有限责任公司珠海供电局 一种基于小波变换模极大值的电缆局部放电信号特征向量提取方法
CN111044814A (zh) * 2019-11-28 2020-04-21 中国电力科学研究院有限公司 一种对变压器直流偏磁异常进行辨识的方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
RAJI AMBIKAIRAJAH ET AL.: "Spectral features for the classification of partial discharge signals from selected insulation defect models", 《IET SCIENCE, MEASUREMENT AND TECHNOLOGY》 *
张波云: "《基于监督学习的病毒检测技术研究》", 31 December 2017, 武汉大学出版社 *
董仕: "《基于流记录的网络流量识别关键技术研究》", 31 July 2017, 科学技术文献出版社 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116203365A (zh) * 2023-05-05 2023-06-02 南昌工程学院 基于野马算法优化pnn的gis设备局部放电检测方法

Similar Documents

Publication Publication Date Title
CN111626153B (zh) 一种基于集成学习的局放故障状态识别方法
Su et al. Performance analysis of multiple aggregated acoustic features for environment sound classification
Atal et al. A pattern recognition approach to voiced-unvoiced-silence classification with applications to speech recognition
CN110120230B (zh) 一种声学事件检测方法及装置
CN113325277A (zh) 一种局部放电处理方法
CN111044814A (zh) 一种对变压器直流偏磁异常进行辨识的方法及系统
CN103852525B (zh) 基于ar-hmm的声发射信号识别方法
CN115510909A (zh) 一种dbscan进行异常声音特征的无监督算法
CN114492543A (zh) 一种基于时频域特征的局部放电分类识别方法
CN116778956A (zh) 一种变压器声学特征提取及故障识别方法
CN115410599A (zh) 一种基于声纹感知的变压器运行状态识别的方法及系统
CN115310477A (zh) 基于分形特征和捕食者算法的泵机设备故障声音检测方法及其系统
CN115376526A (zh) 一种基于声纹识别的电力设备故障检测方法及系统
CN117219124B (zh) 一种基于深度神经网络的开关柜声纹故障检测方法
Marchi et al. Audio onset detection: A wavelet packet based approach with recurrent neural networks
CN118091341A (zh) 一种基于多声纹特征谱图识别的电缆局放检测方法及系统
CN115061094B (zh) 一种基于神经网络与svm的雷达目标识别方法
Khan et al. Hybrid BiLSTM-HMM based event detection and classification system for food intake recognition
CN114121025A (zh) 一种面向变电站设备的声纹故障智能检测方法及装置
CN112232329A (zh) 入侵信号识别的多核svm训练、报警方法、装置及系统
CN110689875A (zh) 一种语种识别方法、装置及可读存储介质
Kim et al. Enhancing Sound-Based Anomaly Detection Using Deep Denoising Autoencoder
CN114970647B (zh) 基于概率神经网络的电磁数据识别方法及系统
CN114781460B (zh) 面向与通信信号耦合的干扰信号检测与识别方法及装置
Zhang Dynamic Feature Extraction Method of Phone Speakers Based on Deep Learning

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20220513

WD01 Invention patent application deemed withdrawn after publication