电力设备在线检测是指在不停电的情况下，对电力设备状况进行连续或周期自动检测监视。
与浅层学习算法相对，深度学习具有更深的架构，能够自动从样本中学习特征，卷积神经网络是典型的深度学习算法。本实验共采集正常和故障两种可听声信号，将以上两类声音信号进行提取特征后，分别放入SVM模型和卷积神经网络中进行分类。根据相关资料显示，绝缘劣化和接触不良
随着电网电压等级和输电容量的不断增大，特高压输变电装备绝缘可靠性要求也越来越严格[1,2]。局部放电是造成电力设备绝缘故障的主要原因，识别不同放电类型在工程实际中具有重要意义[3]。国内外对电气设备内部PD缺陷类型的诊断和识别进行了大量的研究工作。目前，常
1导语集合经验模态分解用于波形信号分析时面临计算和数据双重密集型问题，本文在Spark计算平台下设计实现了两种不同结构的并行EEMD算法，并用于局部放电信号的特征提取。与现有EEMD算法相比，节约了特征提取过程的耗时，计算效率更高。因此，EEMD算法存在两
1导语有效抑制周期性窄带干扰信号是局部放电在线监测中的重要环节，针对传统阈值法和盲分离法在局部放电周期性窄带干扰抑制过程中存在的波形畸变与不确定性问题，提出利用改进的FastICA算法对局部放电信号进行窄带干扰抑制。2研究背景所PD在线监测是实时评估电力设
安科网(Ancii)，中国第一极客网
Copyright © 2013 - 2019 Ancii.com
京ICP备18063983号-5 京公网安备11010802014868号