追债盈门又爆人事震动 奥运前夕新浪遭遇多事之秋

"横幅门"事件的爆发,以及人事变动带来的影响。

基于相似矩阵盲源分离与卷积神经网络的局部放电超声信号深度学习模式识别方法

电气设备的故障类型与局部放电现象密切相关,有效提取和分析局部放电信号中的特征信息对故障类型判断和运维检修具有重要意义。针对局部放电超声信号的特点,提出了基于相似矩阵的盲源分离方法对原始超声信号进行预处理,有效提取局部放电的特征量。采用光纤传输的局部放电超声检测平台对4种类型的局部放电信号进行采集,并应用上述方法对信号数据预处理,将处理后的数据作为训练样本用于深度学习模式识别,选用卷积神经网络,最终识别准确率达到90%以上,提高了局部放电类型识别的准确性,为新一代电力系统的设备故障诊断提供了一种新方法。

基于50Hz倍频倒谱系数与门控循环单元的变压器偏磁声纹识别

电力变压器运行中的声音信号包含大量变压器运行状态信息。该文提出一种基于50Hz倍频倒谱系数和门控循环单元的变压器直流偏磁声纹识别模型。首先,利用基于相似矩阵的盲源分离算法、幅值相位波动性法分别去除原始声信号中的瞬时性干扰信号和持续强干扰信号;然后,针对变压器声信号的特点提出50Hz倍频倒谱系数,用于声信号特征量提取;最后,使用500kV敬亭变的直流偏磁声纹数据对深度神经网络中的门控循环单元网络进行训练和超参数优化。算例研究结果表明,相较于传统声信号识别算法,所提方法能更好地对直流偏磁状态进行识别。

基于Mel时频谱-卷积神经网络的变压器铁芯夹件松动故障声纹模式识别

铁芯的振动噪声与其紧固状况密切相关,对变压器铁芯松动故障进行声纹特性分析和故障诊断研究是实现电力变压器在线监测的重要内容。提出了一种基于Mel时频谱-卷积神经网络的变压器铁芯松动声纹识别方法。首先提出了基于Mel时频谱的噪声样本处理方法;然后搭建了铁芯夹件松动故障模型,对铁芯在不同松动程度与不同松动模式下的噪声信号进行研究,分析了噪声信号的频域特征;最后构建了Mel时频谱-卷积神经网络变压器铁芯松动声纹识别模型,以Mel时频谱降维处理后的噪声数据,作为深度学习的数据集,实现了铁芯松动故障的准确识别。可为变压器铁芯夹件松动故障诊断以及电网主设备的数据深度挖掘提供参考。

基于Mel时频谱-卷积神经网络的变压器铁芯声纹模式识别方法

为了实现变压器设备声学指纹的不停电检测,提出了一种基于Mel时频谱-卷积神经网络的变压器铁芯声纹识别模型。首先,通过铁芯模型振动与噪声试验平台,研究铁芯在不同工况下的振动声信号,将采集到的振动与声音数据进行了关联性分析和比对,验证了声信号同振动信号一样均能够有效反映铁芯的运行状态;然后,对采集到的声音数据进行Mel时频谱预处理降维,并将降维结果作为深度学习的数据集;最后构建了Mel时频谱-卷积神经网络变压器铁芯声纹模式识别模型,通过超参数调整和网络结构优化设计,实现不同运行工况声信号的准确识别。研究结果表明:该文提出的Mel时频谱-CNN识别模型对3种不同工况的声信号识别率达到了99.71%。论文研究可为电网主设备的数据深度挖掘提供参考。