排序方式: 共有5条查询结果,搜索用时 0 毫秒
1
1.
金属氧化物避雷器(metallic oxide arrester, MOA)的阻性电流是衡量避雷器运行状态的关键参数,传统的阻性电流测量方法易受到瞬时高频干扰信号、实际环境因素等影响,致使测量结果产生较大偏差,进而影响MOA的在线监测结果。为此,提出了一种基于多频点插值和三维曲面建模的MOA阻性电流测量方法。先对避雷器的电压和全泄漏电流频谱进行相位因子变换,通过多频点插值算法得到MOA的全电流参数和电流、电压相位差参数;再将计算出的全电流和相位差参数与温度、湿度参数进行三维曲面拟合建模,并求解模型得到消除环境因素影响的MOA阻性电流。研究结果表明:多组仿真试验和实测数据均验证了所提方法的准确性和有效性,其中220kV、110kV避雷器的阻性电流波动值分别降低了74%和67%。该方法消除了高频噪声信号、谐波和间谐波等干扰影响,解决了避雷器监测参数一直遭受环境温度、湿度因素干扰的难题,能满足实际工程测量要求,可实现MOA阻性电流的准确监测及异常甄别。 相似文献
2.
3.
4.
变电站存在大量干扰声音,高噪声环境会降低声纹识别的准确率。为此,提出一种基于重复模式提取(repeating pattern extraction technique, REPET)和高斯混合模型(Gaussian mixture model, GMM)的变压器故障声纹识别方法。首先,在真实的变压器油箱中模拟不同类型放电和机械故障声音。其次,针对变电站内非平稳性干扰声音,采用基于REPET的盲源分离算法将非稳定干扰声音从混合声音中分离。最后,针对主要由变压器冷却风扇声造成的持续性干扰声音,采用梅尔频率倒谱系数和基于GMM的声纹识别算法来降低风扇噪声对声纹识别系统的影响,并通过实验数据对该方法进行验证,实验室条件下对含噪声音的识别率可达100%。另外,GMM训练所需声音数据量少,针对实际变压器故障声音难以获取的情况,具有一定实用价值。 相似文献
5.
1