一种特高压设备局部放电检测数据的判别方法

    公开(公告)号:CN109856517B

    公开(公告)日:2021-02-23

    申请号:CN201910247454.1

    申请日:2019-03-29

    IPC分类号: G01R31/12

    摘要: 本发明公开了一种特高压设备局部放电检测数据的判别方法,包括:将连续的超声波频率信号经采样降至人耳可听到的连续声波频率信号;连续截取一个设定时间长度的帧声波频率信号;提取帧声波频率信号的梅尔频率倒谱系数作为待识别故障放电特征;将提取的待识别故障放电特征送入CNN卷积神经网络,经CNN卷积神经网络分析进入CNN卷积神经网络输出分类层的故障分类器;CNN卷积神经网络根据事先对已知故障放电特征学习形成的故障分类器,识别待识别故障放电特征并输出待识别故障放电类型。本发明直接用卷积神经网络CNN对故障类型进行模式学习和识别,提高了识别的准确率,减少或者避免了人工干预。

    一种特高压设备局部放电检测数据的判别方法

    公开(公告)号:CN109856517A

    公开(公告)日:2019-06-07

    申请号:CN201910247454.1

    申请日:2019-03-29

    IPC分类号: G01R31/12

    摘要: 本发明公开了一种特高压设备局部放电检测数据的判别方法,包括:将连续的超声波频率信号经采样降至人耳可听到的连续声波频率信号;连续截取一个设定时间长度的帧声波频率信号;提取帧声波频率信号的梅尔频率倒谱系数作为待识别故障放电特征;将提取的待识别故障放电特征送入CNN卷积神经网络,经CNN卷积神经网络分析进入CNN卷积神经网络输出分类层的故障分类器;CNN卷积神经网络根据事先对已知故障放电特征学习形成的故障分类器,识别待识别故障放电特征并输出待识别故障放电类型。本发明直接用卷积神经网络CNN对故障类型进行模式学习和识别,提高了识别的准确率,减少或者避免了人工干预。