System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于故障检测方法,涉及基于声信号的配用电设备故障检测方法。
技术介绍
1、配电设备运行工况复杂,隐患检测困难,导致安全事故时有发生。传统的监测方法需要专业人员将传感器置于待监测的设备内部,对传感器的布点放置要求较高。此外,传统监测方法还存在着监测点少、监测频率低、数据采集不及时、人为耳听式识别缺陷误差大等问题,导致识别准确率低,这些都给配电网的运行与维护带来了极大的挑战。
技术实现思路
1、本专利技术的目的是提供一种基于声信号的配用电设备故障检测方法,解决了现有技术中存在的识别准确率低的问题。
2、本专利技术所采用的技术方案是,基于声信号的配用电设备故障检测方法,包括以下步骤:
3、步骤1、采集配用电设备故障声信号,对故障声信号进行小波包分解,得到不同频带的频谱图;
4、步骤2、计算频谱图中每个频带的能量占比,得到每个频带的特征信息;
5、步骤3、建立bp神经网络模型,将每个频带的特征信息输入bp神经网络模型中进行训练,得到训练后的bp神经网络模型;
6、步骤4、对待测声信号进行步骤1-2的处理后,将其输入到训练后的bp神经网络模型中,输出预测值,根据预测值进行缺陷的识别。
7、本专利技术的特点还在于:
8、步骤1具体包括以下步骤:
9、步骤1.1、采集配用电设备故障声信号,利用matlab对故障声信号进行小波包分解,得到8个特征信号及对应频谱图;
10、步骤1.2
11、步骤2的计算方法为:
12、先通过帕塞瓦尔定理求出信号f(x)的小波包各频带成分的能量:
13、
14、再通过小波包各频带成分的能量计算各小波包系数的能量:
15、ei=||wi||2 (3);
16、则信号f(x)总的能量公式为:
17、
18、计算信号f(x)中各频带的小波包系数的能量占比:
19、
20、步骤3中采用levenberg-marquardt算法对bp神经网络模型进行训练。
21、levenberg-marquardt算法表示为:
22、xk+1=xk-[jt(xk)j(xk)+μki]-1jt(xk)v(xk) (6);
23、变换可得权值调整率公式为:
24、δxk=-[jt(xk)j(xk)+μki]-1jt(xk)v(xk) (7);
25、其中,j表示对于权重的误差的jacobian矩阵,μ是一个大于0的常数,v为误差向量。
26、本专利技术的有益效果是:本专利技术基于声信号的配用电设备故障检测方法,通过对配电柜间隙放电和电晕放电产生的声信号特点分析,采用提取声信号特征对配电设备局部放电缺陷智能识别,实现对配电设备局部放电缺陷更精确快速的识别;相比传统的监测方法具有不接触带电设备、检测灵敏度高、及时性强等优点。
本文档来自技高网...【技术保护点】
1.基于声信号的配用电设备故障检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于声信号的配用电设备故障检测方法,其特征在于,步骤1具体包括以下步骤:
3.根据权利要求1所述的基于声信号的配用电设备故障检测方法,其特征在于,步骤2的计算方法为:
4.根据权利要求1所述的基于声信号的配用电设备故障检测方法,其特征在于,步骤3中采用Levenberg-Marquardt算法对BP神经网络模型进行训练。
5.根据权利要求4所述的基于声信号的配用电设备故障检测方法,其特征在于,所述Levenberg-Marquardt算法表示为:
【技术特征摘要】
1.基于声信号的配用电设备故障检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于声信号的配用电设备故障检测方法,其特征在于,步骤1具体包括以下步骤:
3.根据权利要求1所述的基于声信号的配用电设备故障检测方法,其特征在于,步骤2的计算方法为:
...
【专利技术属性】
技术研发人员:王超,段勇,何鑫,涂彬,
申请(专利权)人:国网陕西省电力有限公司营销服务中心计量中心,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。