[go: up one dir, main page]

CN119150008A - 设备信号的分离方法、装置、计算机程序产品及电子设备 - Google Patents

设备信号的分离方法、装置、计算机程序产品及电子设备 Download PDF

Info

Publication number
CN119150008A
CN119150008A CN202411186137.0A CN202411186137A CN119150008A CN 119150008 A CN119150008 A CN 119150008A CN 202411186137 A CN202411186137 A CN 202411186137A CN 119150008 A CN119150008 A CN 119150008A
Authority
CN
China
Prior art keywords
time domain
signal
domain pulse
signals
pulse signal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202411186137.0A
Other languages
English (en)
Inventor
刘弘景
何楠
刘宏亮
苗旺
刘可文
曹保勤
方烈
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Beijing Electric Power Co Ltd
State Grid Corp of China SGCC
Original Assignee
State Grid Beijing Electric Power Co Ltd
State Grid Corp of China SGCC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Beijing Electric Power Co Ltd, State Grid Corp of China SGCC filed Critical State Grid Beijing Electric Power Co Ltd
Priority to CN202411186137.0A priority Critical patent/CN119150008A/zh
Publication of CN119150008A publication Critical patent/CN119150008A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本申请公开了一种设备信号的分离方法、装置、计算机程序产品及电子设备。涉及信号监测领域或其他相关领域，该方法包括：接收电力机房在预设时间段内的M个时域脉冲信号，并计算每个时域脉冲信号的时域特征，得到M组时域特征，其中，每个时域脉冲信号包含N个子脉冲信号；将M组时域特征输入稀疏表示模型，输出稀疏系数矩阵，并将稀疏系数矩阵和M组时域特征输入聚类模型，输出Y个目标簇，其中，稀疏表示模型用于对M个时域脉冲信号进行信号分离处理；根据Y个目标簇确定Y个目标时域脉冲信号。通过本申请，解决了相关技术中对脉冲信号进行分离操作时存在处理精确度低、处理效率低的问题。

Description

设备信号的分离方法、装置、计算机程序产品及电子设备
技术领域
本申请涉及信号监测领域或其他相关领域，具体而言，涉及一种设备信号的分离方法、装置、计算机程序产品及电子设备。
背景技术
随着电力系统规模的不断扩大和复杂程度的增加，保障电力系统安全稳定运行的需求日益迫切。开关柜设备作为电力系统中的关键设备之一，在电力系统中扮演着重要的角色，其可靠性和稳定性直接影响到整个电网的安全运行。然而，由于开关柜设备在设计、制造、安装和运行维护过程中可能受到工艺限制、处理不当以及外部原因如雷电过电压、污秽、绝缘薄弱等因素的影响，开关柜设备在实际运行中可能会出现不同程度的缺陷或隐患，这些缺陷和隐患可能引发设备故障或异常情况，如外绝缘闪络击穿、内绝缘闪络击穿、相间绝缘闪络击穿和套管闪络击穿等，这些故障不仅会导致设备损坏，还可能由于开关柜设备跳闸造成电网安全稳定性破坏，进而引发电网安全稳定性问题，造成大面积停电事故，给用户用电和经济带来严重损失。
为了及时发现和诊断开关柜设备的故障，多源信号识别技术在开关柜设备的监测和故障诊断中发挥着重要作用。传统的开关柜监测方法主要依赖于时域特征的分析，但在高频电流监测中，往往会受到环境干扰和多源放电信号的影响，导致对环境干扰和局部放电信号的区分变得困难，为了有效地分离出多源信号，并对每个信号进行精准的识别和分类，传统的信号处理方法往往局限于基于时域的特征提取和简单的分类方法，例如，处理方法可以为通过观察信号波形的形状、幅度和持续时间等特征来判断信号的性质的波形分析；可以为将信号转换到频域，分析信号的频率成分，以识别信号的来源的频域分析方法；还可以为同时获取信号的时间和频率信息，以提高信号识别的准确性的时域分析，但这些方法往往在信号复杂性和噪声干扰较大的情况下，也无法很好地区分不同的局放信号类型，并且在信号识别和分类过程中依赖于人工经验和主观判断，导致结果的一致性和可重复性较差，处理速度较慢，无法满足实时性要求。
针对相关技术中对脉冲信号进行分离操作时存在处理精确度低、处理效率低的问题，目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种设备信号的分离方法、装置、计算机程序产品及电子设备，以解决相关技术中对脉冲信号进行分离操作时存在处理精确度低、处理效率低的问题。
为了实现上述目的，根据本申请的一个方面，提供了一种设备信号的分离方法。该方法包括：接收电力机房在预设时间段内的M个时域脉冲信号，并计算每个时域脉冲信号的时域特征，得到M组时域特征，其中，电力机房包括多个开关柜设备，每个时域脉冲信号是指电力机房发出的多个开关柜设备混合后的时域脉冲信号，每个时域脉冲信号包含N个子脉冲信号，M大于等于2，M、N为正整数；将M组时域特征输入稀疏表示模型，输出稀疏系数矩阵，并将稀疏系数矩阵和M组时域特征输入聚类模型，输出Y个目标簇，其中，稀疏表示模型用于对M个时域脉冲信号进行信号分离处理，稀疏系数矩阵是指M组时域特征对应稀疏表示的系数向量，Y为正整数；根据Y个目标簇确定Y个目标时域脉冲信号，其中，Y个目标时域脉冲信号是指对M个时域脉冲信号进行分离后得到的信号。
进一步地，接收电力机房在预设时间段内的M个时域脉冲信号包括：实时获取电力机房的高频电流时域信号，在高频电流时域信号的幅值大于触发阈值的情况下，向采集设备发送脉冲捕捉信号，其中，采集设备接收到脉冲捕捉信号的情况下，启动时域脉冲捕捉操作；在接收到采集设备反馈的M个高频电流时域信号的情况下，获取N个脉冲时长，根据N个脉冲时长对M个高频电流时域信号进行捕捉处理，得到M个时域脉冲信号。
进一步地，每组时域特征至少包括以下之一：信号均值、信号标准差、信号峰值、脉冲宽度、波形跃变率以及幅度变化率，计算每个时域脉冲信号的时域特征至少包括以下之一：对于一个时域脉冲信号，获取时域脉冲信号在N个脉冲时长中的数位点，根据数位点确定开始索引时间以及结束索引时间，计算结束索引时间与开始索引时间的差值，得到时域脉冲信号的脉冲宽度；对于一个时域脉冲信号，计算时域脉冲信号中相邻两个子脉冲信号差值的绝对值，得到N-1个第一差值绝对值，并计算N-1个第一差值绝对值的平均值，得到时域脉冲信号的波形跃变率；对于一个时域脉冲信号，计算时域脉冲信号中相邻两个子脉冲信号的比值与预设参数的差值绝对值，得到N-1个第二差值绝对值，计算N-1个第二差值绝对值的平均值，得到时域脉冲信号的幅度变化率；对于一个时域脉冲信号，计算时域脉冲信号关联的N个子脉冲信号的均值和标准差，得到时域脉冲信号的信号均值以及信号标准差；对于一个时域脉冲信号，获取时域脉冲信号关联的N个子脉冲信号的信号幅值，从N个信号幅值中筛选出数值最大的信号幅值，将数值最大的信号幅值确定为时域脉冲信号的信号峰值。
进一步地，将M组时域特征输入稀疏表示模型，输出稀疏系数矩阵包括：获取M个时域脉冲信号的字典矩阵；利用每个时域脉冲信号以及每个脉冲信号关联的时域特征构建信号向量，得到M个信号向量；利用字典矩阵以及M个信号向量计算预设重构误差，得到M个预设重构误差，其中，预设重构误差是指每个时域脉冲信号与每个时域脉冲信号稀疏表示的重构误差；根据M个预设重构误差确定M个候选稀疏系数矩阵，并对M个候选稀疏系数矩阵进行筛选，得到稀疏系数矩阵。
进一步地，对M个候选稀疏系数矩阵进行筛选，得到稀疏系数矩阵包括：计算每个预设重构误差对应的候选稀疏系数矩阵的稀疏性惩罚项，得到M个稀疏性惩罚项；获取权衡系数，计算每个稀疏性惩罚项与权衡系数的乘积，得到M个权衡乘积；计算每个权衡乘积与每个预设重构误差的总和，得到M个预设总和，从M个预设总和中筛选出数值最小的预设总和，并将数值最小的预设总和关联的候选稀疏系数矩阵确定为稀疏系数矩阵。
进一步地，将稀疏系数矩阵和M组时域特征输入聚类模型，输出Y个目标簇包括：获取带宽参数，其中，带宽参数用于控制聚类模型中核函数的宽度；根据带宽参数分别计算每个时域脉冲信号中任意两个时域脉冲信号的高斯核函数，得到M个高斯核函数，其中，高斯核函数用于表征每两个时域脉冲信号之间的相似度；计算M个高斯核函数的均值，得到密度估计值，根据密度估计值确定聚类中心的初始值，得到Y个初始聚类中心，基于Y个初始聚类中心确定Y个目标簇。
进一步地，根据密度估计值确定聚类中心的初始值，得到Y个初始聚类中心，基于Y个初始聚类中心确定Y个目标簇包括：对于一个时域脉冲信号，计算时域脉冲信号与Y个初始聚类中心的距离，得到一组簇标签，根据一组簇标签将时域脉冲信息进行簇分配，得到Y个簇中心，根据Y个簇中心确定Y个第一更新后的聚类中心；对于每个第一更新后的聚类中心，计算第一更新后的聚类中心包含的时域脉冲信号的均值，得到中心均值，根据中心均值对第一更新后的聚类中心进行更新，得到第二更新后的聚类中心；对Y个第二更新后的聚类中心进行迭代处理，在Y个第二更新后的聚类中心不变化的情况下，根据Y个第二更新后的聚类中心确定为Y个目标簇。
为了实现上述目的，根据本申请的另一方面，提供了一种设备信号的分离装置。该装置包括：接收单元，用于接收电力机房在预设时间段内的M个时域脉冲信号，并计算每个时域脉冲信号的时域特征，得到M组时域特征，其中，电力机房包括多个开关柜设备，每个时域脉冲信号是指电力机房发出的多个开关柜设备混合后的时域脉冲信号，每个时域脉冲信号包含N个子脉冲信号，M大于等于2，M、N为正整数；输入单元，用于将M组时域特征输入稀疏表示模型，输出稀疏系数矩阵，并将稀疏系数矩阵和M组时域特征输入聚类模型，输出Y个目标簇，其中，稀疏表示模型用于对M个时域脉冲信号进行信号分离处理，稀疏系数矩阵是指M组时域特征对应稀疏表示的系数向量，Y为正整数；确定单元，用于根据Y个目标簇确定Y个目标时域脉冲信号，其中，Y个目标时域脉冲信号是指对M个时域脉冲信号进行分离后得到的信号。
根据本发明实施例的另一方面，还提供了一种电子设备，包含一个或多个处理器和存储器；存储器中存储有计算机可读指令，处理器用于运行计算机可读指令，其中，计算机可读指令运行时执行一种设备信号的分离方法。
根据本发明实施例的另一方面，还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时执行一种设备信号的分离方法。
通过本申请，采用以下步骤：接收电力机房在预设时间段内的M个时域脉冲信号，并计算每个时域脉冲信号的时域特征，得到M组时域特征，其中，电力机房包括多个开关柜设备，每个时域脉冲信号是指电力机房发出的多个开关柜设备混合后的时域脉冲信号，每个时域脉冲信号包含N个子脉冲信号，M大于等于2，M、N为正整数；将M组时域特征输入稀疏表示模型，输出稀疏系数矩阵，并将稀疏系数矩阵和M组时域特征输入聚类模型，输出Y个目标簇，其中，稀疏表示模型用于对M个时域脉冲信号进行信号分离处理，稀疏系数矩阵是指M组时域特征对应稀疏表示的系数向量，Y为正整数；根据Y个目标簇确定Y个目标时域脉冲信号，其中，Y个目标时域脉冲信号是指对M个时域脉冲信号进行分离后得到的信号，解决了相关技术中对脉冲信号进行分离操作时存在处理精确度低、处理效率低的问题，通过接收电力机房在预设时间段内的多个时域脉冲信号，并计算其时域特征，利用时域特征输入稀疏表示模型，进而输出稀疏系数矩阵，然后再将稀疏系数矩阵和时域特征输入聚类模型，输出多个目标簇，最后基于目标簇确定多个目标时域脉冲信号，进而达到了快速并准确分离时域脉冲信号的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例提供的设备信号的分离方法的流程图；
图2是根据本申请实施例提供的可选的设备信号的分离方法的示意图；
图3是根据本申请实施例提供的设备信号的分离装置的示意图；
图4是根据本申请实施例提供的电子设备的示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，本公开所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。例如，本系统和相关用户或机构间设置有接口，在获取相关信息之前，需要通过接口向前述的用户或机构发送获取请求，并在接收到前述的用户或机构反馈的同意信息后，获取相关信息。
需要说明的是，本申请中所使用到的采集的信息是经用户授权或经过各方充分授权的信息和数据，并且相关数据的收集、存储、使用、加工、传输、提供、公开和应用等处理，均遵守相关地区的相关法律法规和标准、采取了必要保密措施，不违背公序良俗，并提供有相应的操作入口，供用户选择授权使用或者拒绝使用。
下面结合优选的实施步骤对本发明进行说明，图1是根据本申请实施例提供的设备信号的分离方法的流程图，如图1所示，该方法包括如下步骤：
步骤S101，接收电力机房在预设时间段内的M个时域脉冲信号，并计算每个时域脉冲信号的时域特征，得到M组时域特征，其中，电力机房包括多个开关柜设备，每个时域脉冲信号是指电力机房发出的多个开关柜设备混合后的时域脉冲信号，每个时域脉冲信号包含N个子脉冲信号，M大于等于2，M、N为正整数。
具体地，电力机房是指设置有多个开关柜设备的机房，由于在信号复杂性和噪声干扰较大的情况下，无法很好地区分电力机房发出的不同的局放信号类型，因此，为了有效地分理出电力机房输出的多源信号，并对每个信号进行精准识别，此时可以接收在预设时间段内电力机房内多个开关柜发出的混合的时域脉冲信号，然后计算每个时域脉冲信号的时域特征，得到多组时域特征，最后利用时域特征进行信号的分离操作，其中，时域特征可以包括信号均值、信号标准差、信号峰值、脉冲宽度、波形跃变率以及幅度变化率等多种。
步骤S102，将M组时域特征输入稀疏表示模型，输出稀疏系数矩阵，并将稀疏系数矩阵和M组时域特征输入聚类模型，输出Y个目标簇，其中，稀疏表示模型用于对M个时域脉冲信号进行信号分离处理，稀疏系数矩阵是指M组时域特征对应稀疏表示的系数向量，Y为正整数。
具体地，在计算得到每个时域脉冲信号的时域特征后，可以利用稀疏表示方法对时域特征进行处理，充分地利用信号的结构信息，从而提高稀疏表示的准确性和区分性，此时可以将时域特征输入稀疏表示模型，由模型根据字典学习等技术输出稀疏系数矩阵。
进一步地，将上述稀疏系数矩阵和时域特征一起作为输入，利用聚类模型确定时域脉冲信号之间的潜在模式，由模型输出多个簇，其中，聚类模型可以采用由K-means聚类算法构成的模型。
步骤S103，根据Y个目标簇确定Y个目标时域脉冲信号，其中，Y个目标时域脉冲信号是指对M个时域脉冲信号进行分离后得到的信号。
具体地，在由稀疏表示模型和聚类模型对时域特征进行处理得到多个簇后，可以根据这些簇确定目标时域脉冲信号，进而可以实现多源信号分离的效果。进一步还可以利用分离的脉冲信号确定电力机房中存在故障的开关柜设备，例如，在根据目标簇确定多个目标时域脉冲信号后，可以根据确定的目标时域脉冲信号确定存在故障的开关柜设备，进而能够快速准确确定存在故障的设备，从而减少故障处理时间和维修成本，为电力系统的可靠性和稳定性提供了强有力的支持。
本申请实施例提供的设备信号的分离方法，通过接收电力机房在预设时间段内的M个时域脉冲信号，并计算每个时域脉冲信号的时域特征，得到M组时域特征，其中，电力机房包括多个开关柜设备，每个时域脉冲信号是指电力机房发出的多个开关柜设备混合后的时域脉冲信号，每个时域脉冲信号包含N个子脉冲信号，M大于等于2，M、N为正整数；将M组时域特征输入稀疏表示模型，输出稀疏系数矩阵，并将稀疏系数矩阵和M组时域特征输入聚类模型，输出Y个目标簇，其中，稀疏表示模型用于对M个时域脉冲信号进行信号分离处理，稀疏系数矩阵是指M组时域特征对应稀疏表示的系数向量，Y为正整数；根据Y个目标簇确定Y个目标时域脉冲信号，其中，Y个目标时域脉冲信号是指对M个时域脉冲信号进行分离后得到的信号，解决了相关技术中对脉冲信号进行分离操作时存在处理精确度低、处理效率低的问题，通过接收电力机房在预设时间段内的多个时域脉冲信号，并计算其时域特征，利用时域特征输入稀疏表示模型，进而输出稀疏系数矩阵，然后再将稀疏系数矩阵和时域特征输入聚类模型，输出多个目标簇，最后基于目标簇确定多个目标时域脉冲信号，进而达到了快速并准确分离时域脉冲信号的效果。
时域脉冲信号是通过触发式采集方式采集得到的，可选地，在本申请实施例提供的设备信号的分离方法中，接收电力机房在预设时间段内的M个时域脉冲信号包括：实时获取电力机房的高频电流时域信号，在高频电流时域信号的幅值大于触发阈值的情况下，向采集设备发送脉冲捕捉信号，其中，采集设备接收到脉冲捕捉信号的情况下，启动时域脉冲捕捉操作；在接收到采集设备反馈的M个高频电流时域信号的情况下，获取N个脉冲时长，根据N个脉冲时长对M个高频电流时域信号进行捕捉处理，得到M个时域脉冲信号。
具体地，采集设备可以为与计算机相连的采集卡，时域脉冲信号可以通过触发式采集的方式获取，在采集之前首先需要实时检测电力机房内的高频电流时域信号，同时监测设备内部设置有用于触发采集卡操作的触发阈值，当电流时域信号的幅值达到或超过这一触发阈值时，触发脉冲捕捉信号，并向采集设备发送该捕捉信号。
在采集设备接收到脉冲捕捉信号后，启动时域脉冲捕捉操作，开始采集高频电流时域信号，并将这些信号返回至计算机。此时在接收到多个高频电流时域信号后，根据设定的脉冲时长对时域信号进行捕捉处理，例如，当脉冲时长设置为N，此时可以根据脉冲时长从触发时刻t0起捕捉距离触发时刻满足t-t0<＝N的时域信号作为时域脉冲信号，此时可以得到多个时域脉冲信号，并且每个时域脉冲信号可以为x＝[x1，x2，...，xN]，其中，xN表示子脉冲信号。本实施例通过利用采集设备以及触发式采集的方式获取时域脉冲信号，将这些信号作为原始数据源，为进行设备状态监测与维护提供数据支持。
时域特征包括多种，可选地，在本申请实施例提供的设备信号的分离方法中，每组时域特征至少包括以下之一：信号均值、信号标准差、信号峰值、脉冲宽度、波形跃变率以及幅度变化率，计算每个时域脉冲信号的时域特征至少包括以下之一：对于一个时域脉冲信号，获取时域脉冲信号在N个脉冲时长中的数位点，根据数位点确定开始索引时间以及结束索引时间，计算结束索引时间与开始索引时间的差值，得到时域脉冲信号的脉冲宽度；对于一个时域脉冲信号，计算时域脉冲信号中相邻两个子脉冲信号差值的绝对值，得到N-1个第一差值绝对值，并计算N-1个第一差值绝对值的平均值，得到时域脉冲信号的波形跃变率；对于一个时域脉冲信号，计算时域脉冲信号中相邻两个子脉冲信号的比值与预设参数的差值绝对值，得到N-1个第二差值绝对值，计算N-1个第二差值绝对值的平均值，得到时域脉冲信号的幅度变化率；对于一个时域脉冲信号，计算时域脉冲信号关联的N个子脉冲信号的均值和标准差，得到时域脉冲信号的信号均值以及信号标准差；对于一个时域脉冲信号，获取时域脉冲信号关联的N个子脉冲信号的信号幅值，从N个信号幅值中筛选出数值最大的信号幅值，将数值最大的信号幅值确定为时域脉冲信号的信号峰值。
具体地，在获取到多个时域脉冲信号后，可以根据时域脉冲信号中的子脉冲信号确定时域特征，首先可以计算一组子脉冲信号的均值，进而得到反映时域脉冲信号的整体水平的平均值，该信号均值可以描述信号的中心位置，可以通过下式计算得到：
其中，N为子脉冲信号的数量，xi表示第i个子脉冲信号。
此外，还可以利用子脉冲信号计算用于描述信号的波动性和稳定性的信号标准差，从而确定信号值偏离均值的程度，可以通过下式计算得到信号标准差： 其中，Amean表示均值，N为子脉冲信号的数量，xi表示第i个子脉冲信号。
在计算用于描述信号的最大幅值的信号峰值时，可以通过捕获子脉冲信号的突出波峰得到，也即由下式确定：Apeak＝max(x)。
此外，在计算时域特征中的脉冲宽度时：可以通过获取时域脉冲信号在脉冲时长中的数位点，从中找出开始索引时间以及结束索引时间，然后利用结束索引时间与开始索引时间的差值得到时域脉冲信号的脉冲宽度，需要说明的是，脉冲宽度能够描述信号脉冲的持续时间，反映局部放电的时域特征，可以通过下式计算得到：
Awidth＝tend-tstart；
其中，tend是x的结束索引，tstart是x的开始索引。
在计算时域特征中的波形跃变率时，可以计算时域脉冲信号中每两个子脉冲信号差值的绝对值，然后计算这些绝对值的均值，进而计算得到波形跃变率，其中，波形跃变率能够捕获信号的不连续性和快速变化，它衡量了信号在短时间内的波形变化速率，可以通过下式计算得到：其中，N为子脉冲信号的数量，xi表示第i个子脉冲信号。
最后在计算幅度变化率时，可以利用时域脉冲信号中相邻两个子脉冲信号的比值与预设参数的差值绝对值确定，也即可以通过计算相邻的两个子脉冲信号的差值与前一个子脉冲信号的比值确定，该时域特征能够衡量信号幅度在时间上的变化速率，反映了信号振幅的快速变化情况，可以通过下式计算得到：其中，N为子脉冲信号的数量，xi表示第i个子脉冲信号。本实施例通过利用每个时域脉冲信号的子脉冲信号计算时域特征，为后续分离信号奠定基础。
为了确定时域脉冲信号的稀疏表示，可选地，在本申请实施例提供的设备信号的分离方法中，将M组时域特征输入稀疏表示模型，输出稀疏系数矩阵包括：获取M个时域脉冲信号的字典矩阵；利用每个时域脉冲信号以及每个脉冲信号关联的时域特征构建信号向量，得到M个信号向量；利用字典矩阵以及M个信号向量计算预设重构误差，得到M个预设重构误差，其中，预设重构误差是指每个时域脉冲信号与每个时域脉冲信号稀疏表示的重构误差；根据M个预设重构误差确定M个候选稀疏系数矩阵，并对M个候选稀疏系数矩阵进行筛选，得到稀疏系数矩阵。
具体地，字典矩阵是一个将键和值一一对应存储在一个矩阵中的数据结构，每个键对应矩阵的一行或一列，而值则对应矩阵的另一行或另一列，该结构可以用于快速查找键对应的值，通常使用哈希表或其他快速查找算法来实现。在利用稀疏表示模型对时域脉冲信号进行稀疏表示时，首先获取该时域脉冲信号的字典矩阵D＝[d1，d2，...，dM]，该字典矩阵可以提供信号的原子集合，进而在信号重构中起到关键作用，其中，di表示字典中的第i列，i＝1，2，...，M。
进一步地，可以利用每个时域脉冲信号的时域特征来构建信号向量，通过将这些时域特征组合起来，进而为每个脉冲信号生成一个信号向量，例如，信号向量可以为Xi＝[xi，Amean，Astd，Apeak，Awidth，AjumpRate，AchangeRate]，其中，xi表示时域脉冲信号，Amean，Astd，Apeak，Awidth，AjumpRate，AchangeRate分别表示时域脉冲信号对应的时域特征，Amean表示信号均值，Astd表示信号标准差、Apeak表示信号峰值、Awidth表示脉冲宽度、AjumpRate表示波形跃变率以及AchangeRate表示幅度变化率。
再进一步地，可以利用字典矩阵和上述信号向量计算预设重构误差其中，该重构误差是通过将每个时域脉冲信号的信号向量与其稀疏表示(即用字典矩阵中的列向量线性组合得到的近似)进行比较而得到的。最后基于计算得到的预设重构误差可以确定稀疏系数矩阵，其中，每个稀疏系数矩阵对应一个特定的信号向量，包含了对应于字典矩阵中各列的权重或系数，并且这些系数表明了每个原子在重构原始信号时的贡献程度。在得到上述多个候选稀疏系数矩阵之后，对这些候选稀疏系数矩阵进行筛选，以确定较优的稀疏系数矩阵，进而可以利用该系数矩阵来进行信号的稀疏表示。本实施例通过利用字典矩阵和信号向量构建重构误差，进而利用重构误差确定稀疏系数矩阵，最后为实现信号的聚类奠定基础。
可选地，在本申请实施例提供的设备信号的分离方法中，对M个候选稀疏系数矩阵进行筛选，得到稀疏系数矩阵包括：计算每个预设重构误差对应的候选稀疏系数矩阵的稀疏性惩罚项，得到M个稀疏性惩罚项；获取权衡系数，计算每个稀疏性惩罚项与权衡系数的乘积，得到M个权衡乘积；计算每个权衡乘积与每个预设重构误差的总和，得到M个预设总和，从M个预设总和中筛选出数值最小的预设总和，并将数值最小的预设总和关联的候选稀疏系数矩阵确定为稀疏系数矩阵。
具体地，在计算得到候选稀疏系数矩阵C之后，可以基于候选稀疏系数矩阵计算稀疏性惩罚项，也即通过计算候选稀疏系数矩阵的范数得到稀疏性惩罚项Ω(C)。在获取到用于调节稀疏性惩罚项和重构误差之间的重要性的权衡系数γ之后，计算稀疏性惩罚项与权衡系数的乘积γ·Ω(C)，得到权衡乘积，最后计算权衡乘积和预设重构误差的总和，并找出数值最小的总和，进而基于该总和确定稀疏系数矩阵，也即可以通过下式计算得到数值最小的预设总和：minD，其中，信号向量Xi＝[xi，Amean，Astd，Apeak，Awidth，AjumpRate，AchangeRate]，D＝[d1，d2，...，dM]为字典矩阵，di表示字典中的第i列，i＝1，2，...，M，C＝[c1，c2，...，cM]为候选稀疏系数矩阵，ci表示信号xi对应的稀疏系数向量，i＝1，2，...，M，表示第i个信号与其稀疏表示的预设重构误差，γ是权衡参数，Ω(C)是稀疏性惩罚项。本实施例通过利用候选稀疏系数矩阵筛选出稀疏系数矩阵，为后续利用聚类模型分离信号提供数据支持。
为了实现对时域脉冲信号的有效分离，可选地，在本申请实施例提供的设备信号的分离方法中，将稀疏系数矩阵和M组时域特征输入聚类模型，输出Y个目标簇包括：获取带宽参数，其中，带宽参数用于控制聚类模型中核函数的宽度；根据带宽参数分别计算每个时域脉冲信号中任意两个时域脉冲信号的高斯核函数，得到M个高斯核函数，其中，高斯核函数用于表征每两个时域脉冲信号之间的相似度；计算M个高斯核函数的均值，得到密度估计值，根据密度估计值确定聚类中心的初始值，得到Y个初始聚类中心，基于Y个初始聚类中心确定Y个目标簇。
在根据稀疏表示模型输出稀疏系数矩阵后，可以将稀疏系数矩阵和时域特征输入由聚类算法构建的聚类模型中，由模型确定聚类后的簇，具体地，首先可以进行聚类中心的初始化处理，此时可以获取用于控制核函数宽度的带宽参数h，然后基于带宽参数计算每个时域脉冲信号中任意两个时域脉冲信号的高斯核函数，可以通过下式计算得到高斯核函数K(xi，xj)：
其中，h是带宽参数，xi以及xj分别表示每个时域脉冲信号中任意两个时域脉冲信号。进一步地，利用高斯核函数的均值确定密度估计值，可以通过下式计算得到密度估计值p(x)：
其中，M是脉冲时域信号的总数，K(xi，xj)是高斯核函数。最后可以根据密度估计值对脉冲时域信号进行脉冲分配，进而得到多个初始聚类中心，最后基于初始聚类中心确定对应的目标簇。本实施例通过利用稀疏系数矩阵计算目标簇，能够将时域脉冲信号有效地划分为多个有意义的簇，为进一步的分析和研究奠定基础。
可选地，在本申请实施例提供的设备信号的分离方法中，根据密度估计值确定聚类中心的初始值，得到Y个初始聚类中心，基于Y个初始聚类中心确定Y个目标簇包括：对于一个时域脉冲信号，计算时域脉冲信号与Y个初始聚类中心的距离，得到一组簇标签，根据一组簇标签将时域脉冲信息进行簇分配，得到Y个簇中心，根据Y个簇中心确定Y个第一更新后的聚类中心；对于每个第一更新后的聚类中心，计算第一更新后的聚类中心包含的时域脉冲信号的均值，得到中心均值，根据中心均值对第一更新后的聚类中心进行更新，得到第二更新后的聚类中心；对Y个第二更新后的聚类中心进行迭代处理，在Y个第二更新后的聚类中心不变化的情况下，根据Y个第二更新后的聚类中心确定为Y个目标簇。
具体地，在根据高斯核函数计算密度估计值后，利用该密度估计值确定初始聚类中心，然后再计算每个时域脉冲信号与初始聚类中心的距离，为每个时域脉冲信号进行分配，将其分配至距离最近的簇中，也即可以通过下式计算簇标签label(xi)：
label(xi)＝argmin||xi-μk||2；
其中，μk表示第k个初始聚类中心，xi表示时域脉冲信号。在根据簇标签确定簇中心，进一步确定第一更新后的聚类中心后，可以再计算第一更新后的聚类中心包含的时域脉冲信号的均值，进而对聚类中心进行更新，可以通过下式计算均值：
其中，Ck表示第k个第一更新后的聚类中心。在重复上述步骤实现第二更新后的聚类中心进行迭代处理后，判断第二更新后的聚类中心是否还会发生变化，或者迭代此时是否已达到预设次数，若第二更新后的聚类中心不再变化，此时可以根据第二更新后的聚类中心确定多个目标簇，从而实现多源信号分离的目标。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种设备信号的分离方法，图2是根据本申请实施例提供的可选的设备信号的分离方法的示意图，如图2所示，该方法包括：
为了实现开关柜设备的信号的分离，首先可以实时获取电力机房的高频电流时域信号，并对该高频电流时域信号进行幅值检测，在高频电流时域信号的幅值大于触发阈值的情况下，通过触发式采集的方式采集时域脉冲信号，也即根据脉冲时长对高频电流时域信号进行捕捉处理，得到多个时域脉冲信号。
进一步地，可以通过时域脉冲信号中的子脉冲信号计算对应的时域特征，从而得到例如信号均值、信号标准差、信号峰值、脉冲宽度、波形跃变率以及幅度变化率组成的时域特征，然后基于改进的稀疏表示方法对计算出的时域特征进行计算，从而得到每个时域脉冲信号的稀疏系数。在计算出稀疏系数后，将稀疏系数和时域特征共同构建聚类模型，由模型输出多个簇，最后基于簇实现多源时域脉冲信号的分离。
本实施例通过接收电力机房在预设时间段内的多个时域脉冲信号，并计算其时域特征，利用时域特征输入稀疏表示模型，进而输出稀疏系数矩阵，然后再将稀疏系数矩阵和时域特征输入聚类模型，输出多个目标簇，最后基于目标簇确定多个目标时域脉冲信号，进而达到了快速并准确分离时域脉冲信号的效果。
本申请实施例还提供了一种设备信号的分离装置，需要说明的是，本申请实施例的设备信号的分离装置可以用于执行本申请实施例所提供的用于设备信号的分离方法。以下对本申请实施例提供的设备信号的分离装置进行介绍。
图3是根据本申请实施例提供的设备信号的分离装置的示意图，如图3所示，该装置包括：接收单元30、输入单元31、确定单元32。
接收单元30，用于接收电力机房在预设时间段内的M个时域脉冲信号，并计算每个时域脉冲信号的时域特征，得到M组时域特征，其中，电力机房包括多个开关柜设备，每个时域脉冲信号是指电力机房发出的多个开关柜设备混合后的时域脉冲信号，每个时域脉冲信号包含N个子脉冲信号，M大于等于2，M、N为正整数；
输入单元31，用于将M组时域特征输入稀疏表示模型，输出稀疏系数矩阵，并将稀疏系数矩阵和M组时域特征输入聚类模型，输出Y个目标簇，其中，稀疏表示模型用于对M个时域脉冲信号进行信号分离处理，稀疏系数矩阵是指M组时域特征对应稀疏表示的系数向量，Y为正整数；
确定单元32，用于根据Y个目标簇确定Y个目标时域脉冲信号，其中，Y个目标时域脉冲信号是指对M个时域脉冲信号进行分离后得到的信号。
本申请实施例提供的设备信号的分离装置，通过接收单元30接收电力机房在预设时间段内的M个时域脉冲信号，并计算每个时域脉冲信号的时域特征，得到M组时域特征，其中，电力机房包括多个开关柜设备，每个时域脉冲信号是指电力机房发出的多个开关柜设备混合后的时域脉冲信号，每个时域脉冲信号包含N个子脉冲信号，M大于等于2，M、N为正整数；输入单元31将M组时域特征输入稀疏表示模型，输出稀疏系数矩阵，并将稀疏系数矩阵和M组时域特征输入聚类模型，输出Y个目标簇，其中，稀疏表示模型用于对M个时域脉冲信号进行信号分离处理，稀疏系数矩阵是指M组时域特征对应稀疏表示的系数向量，Y为正整数；确定单元32根据Y个目标簇确定Y个目标时域脉冲信号，其中，Y个目标时域脉冲信号是指对M个时域脉冲信号进行分离后得到的信号，解决了相关技术中对脉冲信号进行分离操作时存在处理精确度低、处理效率低的问题，通过接收电力机房在预设时间段内的多个时域脉冲信号，并计算其时域特征，利用时域特征输入稀疏表示模型，进而输出稀疏系数矩阵，然后再将稀疏系数矩阵和时域特征输入聚类模型，输出多个目标簇，最后基于目标簇确定多个目标时域脉冲信号，进而达到了快速并准确分离时域脉冲信号的效果。
可选地，在本申请实施例提供的设备信号的分离装置中，接收单元30包括：第一获取模块，用于实时获取电力机房的高频电流时域信号，在高频电流时域信号的幅值大于触发阈值的情况下，向采集设备发送脉冲捕捉信号，其中，采集设备接收到脉冲捕捉信号的情况下，启动时域脉冲捕捉操作；第二获取模块，用于在接收到采集设备反馈的M个高频电流时域信号的情况下，获取N个脉冲时长，根据N个脉冲时长对M个高频电流时域信号进行捕捉处理，得到M个时域脉冲信号。
可选地，在本申请实施例提供的设备信号的分离装置中，接收单元30包括：第三获取模块，用于对于一个时域脉冲信号，获取时域脉冲信号在N个脉冲时长中的数位点，根据数位点确定开始索引时间以及结束索引时间，计算结束索引时间与开始索引时间的差值，得到时域脉冲信号的脉冲宽度；第一计算模块，用于对于一个时域脉冲信号，计算时域脉冲信号中相邻两个子脉冲信号差值的绝对值，得到N-1个第一差值绝对值，并计算N-1个第一差值绝对值的平均值，得到时域脉冲信号的波形跃变率；第二计算模块，用于对于一个时域脉冲信号，计算时域脉冲信号中相邻两个子脉冲信号的比值与预设参数的差值绝对值，得到N-1个第二差值绝对值，计算N-1个第二差值绝对值的平均值，得到时域脉冲信号的幅度变化率；第三计算模块，用于对于一个时域脉冲信号，计算时域脉冲信号关联的N个子脉冲信号的均值和标准差，得到时域脉冲信号的信号均值以及信号标准差；第四获取模块，用于对于一个时域脉冲信号，获取时域脉冲信号关联的N个子脉冲信号的信号幅值，从N个信号幅值中筛选出数值最大的信号幅值，将数值最大的信号幅值确定为时域脉冲信号的信号峰值。
可选地，在本申请实施例提供的设备信号的分离装置中，输入单元31包括：第五获取模块，用于获取M个时域脉冲信号的字典矩阵；构建模块，用于利用每个时域脉冲信号以及每个脉冲信号关联的时域特征构建信号向量，得到M个信号向量；第四计算模块，用于利用字典矩阵以及M个信号向量计算预设重构误差，得到M个预设重构误差，其中，预设重构误差是指每个时域脉冲信号与每个时域脉冲信号稀疏表示的重构误差；确定模块，用于根据M个预设重构误差确定M个候选稀疏系数矩阵，并对M个候选稀疏系数矩阵进行筛选，得到稀疏系数矩阵。
可选地，在本申请实施例提供的设备信号的分离装置中，确定单元31包括：第五计算模块，用于计算每个预设重构误差对应的候选稀疏系数矩阵的稀疏性惩罚项，得到M个稀疏性惩罚项；第六获取模块，用于获取权衡系数，计算每个稀疏性惩罚项与权衡系数的乘积，得到M个权衡乘积；第六计算模块，用于计算每个权衡乘积与每个预设重构误差的总和，得到M个预设总和，从M个预设总和中筛选出数值最小的预设总和，并将数值最小的预设总和关联的候选稀疏系数矩阵确定为稀疏系数矩阵。
可选地，在本申请实施例提供的设备信号的分离装置中，输入单元31包括：第七获取模块，用于获取带宽参数，其中，带宽参数用于控制聚类模型中核函数的宽度；第七计算模块，用于根据带宽参数分别计算每个时域脉冲信号中任意两个时域脉冲信号的高斯核函数，得到M个高斯核函数，其中，高斯核函数用于表征每两个时域脉冲信号之间的相似度；第八计算模块，用于计算M个高斯核函数的均值，得到密度估计值，根据密度估计值确定聚类中心的初始值，得到Y个初始聚类中心，基于Y个初始聚类中心确定Y个目标簇。
可选地，在本申请实施例提供的设备信号的分离装置中，输入单元31包括：第九计算模块，用于对于一个时域脉冲信号，计算时域脉冲信号与Y个初始聚类中心的距离，得到一组簇标签，根据一组簇标签将时域脉冲信息进行簇分配，得到Y个簇中心，根据Y个簇中心确定Y个第一更新后的聚类中心；第十计算模块，用于对于每个第一更新后的聚类中心，计算第一更新后的聚类中心包含的时域脉冲信号的均值，得到中心均值，根据中心均值对第一更新后的聚类中心进行更新，得到第二更新后的聚类中心；迭代模块，用于对Y个第二更新后的聚类中心进行迭代处理，在Y个第二更新后的聚类中心不变化的情况下，根据Y个第二更新后的聚类中心确定为Y个目标簇。
上述设备信号的分离装置包括处理器和存储器，上述的接收单元30、输入单元31、确定单元32等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决相关技术中对脉冲信号进行分离操作时存在处理精确度低、处理效率低的问题。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机存储介质，计算机存储介质用于存储程序，其中，程序运行时控制计算机存储介质所在的设备执行一种设备信号的分离方法。
图4是根据本申请实施例提供的电子设备的示意图，如图4所示，本发明实施例提供了一种电子设备，电子设备40包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器用于运行计算机可读指令，其中，计算机可读指令运行时执行一种设备信号的分离方法。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现本申请各个实施例中一种设备信号的分离方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种设备信号的分离方法，其特征在于，包括：
接收电力机房在预设时间段内的M个时域脉冲信号，并计算每个时域脉冲信号的时域特征，得到M组时域特征，其中，所述电力机房包括多个开关柜设备，每个时域脉冲信号是指所述电力机房发出的所述多个开关柜设备混合后的时域脉冲信号，每个时域脉冲信号包含N个子脉冲信号，M大于等于2，M、N为正整数；
将所述M组时域特征输入稀疏表示模型，输出稀疏系数矩阵，并将所述稀疏系数矩阵和所述M组时域特征输入聚类模型，输出Y个目标簇，其中，所述稀疏表示模型用于对所述M个时域脉冲信号进行信号分离处理，所述稀疏系数矩阵是指所述M组时域特征对应稀疏表示的系数向量，Y为正整数；
根据所述Y个目标簇确定Y个目标时域脉冲信号，其中，所述Y个目标时域脉冲信号是指对所述M个时域脉冲信号进行分离后得到的信号。
2.根据权利要求1所述的方法，其特征在于，接收电力机房在预设时间段内的M个时域脉冲信号包括：
实时获取所述电力机房的高频电流时域信号，在所述高频电流时域信号的幅值大于触发阈值的情况下，向采集设备发送脉冲捕捉信号，其中，所述采集设备接收到所述脉冲捕捉信号的情况下，启动时域脉冲捕捉操作；
在接收到所述采集设备反馈的M个高频电流时域信号的情况下，获取N个脉冲时长，根据所述N个脉冲时长对所述M个高频电流时域信号进行捕捉处理，得到所述M个时域脉冲信号。
3.根据权利要求1所述的方法，其特征在于，每组时域特征至少包括以下之一：信号均值、信号标准差、信号峰值、脉冲宽度、波形跃变率以及幅度变化率，计算每个时域脉冲信号的时域特征至少包括以下之一：
对于一个时域脉冲信号，获取所述时域脉冲信号在N个脉冲时长中的数位点，根据所述数位点确定开始索引时间以及结束索引时间，计算所述结束索引时间与所述开始索引时间的差值，得到所述时域脉冲信号的脉冲宽度；
对于一个时域脉冲信号，计算所述时域脉冲信号中相邻两个子脉冲信号差值的绝对值，得到N-1个第一差值绝对值，并计算所述N-1个第一差值绝对值的平均值，得到所述时域脉冲信号的波形跃变率；
对于一个时域脉冲信号，计算所述时域脉冲信号中相邻两个子脉冲信号的比值与预设参数的差值绝对值，得到N-1个第二差值绝对值，计算所述N-1个第二差值绝对值的平均值，得到所述时域脉冲信号的幅度变化率；
对于一个时域脉冲信号，计算所述时域脉冲信号关联的N个子脉冲信号的均值和标准差，得到所述时域脉冲信号的信号均值以及信号标准差；
对于一个时域脉冲信号，获取所述时域脉冲信号关联的N个子脉冲信号的信号幅值，从N个信号幅值中筛选出数值最大的信号幅值，将所述数值最大的信号幅值确定为所述时域脉冲信号的信号峰值。
4.根据权利要求1所述的方法，其特征在于，将所述M组时域特征输入稀疏表示模型，输出稀疏系数矩阵包括：
获取所述M个时域脉冲信号的字典矩阵；
利用每个时域脉冲信号以及每个脉冲信号关联的时域特征构建信号向量，得到M个信号向量；
利用所述字典矩阵以及所述M个信号向量计算预设重构误差，得到M个预设重构误差，其中，所述预设重构误差是指每个时域脉冲信号与每个时域脉冲信号稀疏表示的重构误差；
根据所述M个预设重构误差确定M个候选稀疏系数矩阵，并对所述M个候选稀疏系数矩阵进行筛选，得到所述稀疏系数矩阵。
5.根据权利要求4所述的方法，其特征在于，对所述M个候选稀疏系数矩阵进行筛选，得到所述稀疏系数矩阵包括：
计算每个预设重构误差对应的候选稀疏系数矩阵的稀疏性惩罚项，得到M个稀疏性惩罚项；
获取权衡系数，计算每个稀疏性惩罚项与所述权衡系数的乘积，得到M个权衡乘积；
计算每个权衡乘积与每个预设重构误差的总和，得到M个预设总和，从所述M个预设总和中筛选出数值最小的预设总和，并将所述数值最小的预设总和关联的候选稀疏系数矩阵确定为所述稀疏系数矩阵。
6.根据权利要求1所述的方法，其特征在于，将所述稀疏系数矩阵和所述M组时域特征输入聚类模型，输出Y个目标簇包括：
获取带宽参数，其中，所述带宽参数用于控制所述聚类模型中核函数的宽度；
根据所述带宽参数分别计算每个时域脉冲信号中任意两个时域脉冲信号的高斯核函数，得到M个高斯核函数，其中，所述高斯核函数用于表征每两个时域脉冲信号之间的相似度；
计算所述M个高斯核函数的均值，得到密度估计值，根据所述密度估计值确定聚类中心的初始值，得到Y个初始聚类中心，基于所述Y个初始聚类中心确定所述Y个目标簇。
7.根据权利要求6所述的方法，其特征在于，根据所述密度估计值确定聚类中心的初始值，得到Y个初始聚类中心，基于所述Y个初始聚类中心确定所述Y个目标簇包括：
对于一个时域脉冲信号，计算所述时域脉冲信号与所述Y个初始聚类中心的距离，得到一组簇标签，根据所述一组簇标签将所述时域脉冲信息进行簇分配，得到Y个簇中心，根据所述Y个簇中心确定Y个第一更新后的聚类中心；
对于每个第一更新后的聚类中心，计算所述第一更新后的聚类中心包含的时域脉冲信号的均值，得到中心均值，根据所述中心均值对所述第一更新后的聚类中心进行更新，得到第二更新后的聚类中心；
对Y个第二更新后的聚类中心进行迭代处理，在所述Y个第二更新后的聚类中心不变化的情况下，根据所述Y个第二更新后的聚类中心确定为所述Y个目标簇。
8.一种设备信号的分离装置，其特征在于，包括：
接收单元，用于接收电力机房在预设时间段内的M个时域脉冲信号，并计算每个时域脉冲信号的时域特征，得到M组时域特征，其中，所述电力机房包括多个开关柜设备，每个时域脉冲信号是指所述电力机房发出的所述多个开关柜设备混合后的时域脉冲信号，每个时域脉冲信号包含N个子脉冲信号，M大于等于2，M、N为正整数；
输入单元，用于将所述M组时域特征输入稀疏表示模型，输出稀疏系数矩阵，并将所述稀疏系数矩阵和所述M组时域特征输入聚类模型，输出Y个目标簇，其中，所述稀疏表示模型用于对所述M个时域脉冲信号进行信号分离处理，所述稀疏系数矩阵是指所述M组时域特征对应稀疏表示的系数向量，Y为正整数；
确定单元，用于根据所述Y个目标簇确定Y个目标时域脉冲信号，其中，所述Y个目标时域脉冲信号是指对所述M个时域脉冲信号进行分离后得到的信号。
9.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任意一项所述的设备信号的分离方法。
10.一种电子设备，其特征在于，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至7中任意一项所述的设备信号的分离方法。
CN202411186137.0A 2024-08-27 2024-08-27 设备信号的分离方法、装置、计算机程序产品及电子设备 Pending CN119150008A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411186137.0A CN119150008A (zh) 2024-08-27 2024-08-27 设备信号的分离方法、装置、计算机程序产品及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411186137.0A CN119150008A (zh) 2024-08-27 2024-08-27 设备信号的分离方法、装置、计算机程序产品及电子设备

Publications (1)

Publication Number Publication Date
CN119150008A true CN119150008A (zh) 2024-12-17

Family

ID=93814762

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411186137.0A Pending CN119150008A (zh) 2024-08-27 2024-08-27 设备信号的分离方法、装置、计算机程序产品及电子设备

Country Status (1)

Country Link
CN (1) CN119150008A (zh)

Similar Documents

Publication Publication Date Title
Wu et al. Defect recognition and condition assessment of epoxy insulators in gas insulated switchgear based on multi-information fusion
CN114325256A (zh) 一种电力设备局部放电识别方法、系统、设备及存储介质
Wang et al. A low-rank matrix approach for the analysis of large amounts of power system synchrophasor data
CN114595746B (zh) 配电网故障原因的分类方法、装置、设备及存储介质
CN112486137A (zh) 有源配电网故障特征库构建方法、系统及故障诊断方法
CN114978877A (zh) 一种异常处理方法、装置、电子设备及计算机可读介质
CN118962318B (zh) 基于分段Teager-Kaiser能量算子的电缆早期故障检测方法
CN117272143A (zh) 基于格拉姆角场与残差网络的输电线故障辨识方法和装置
CN108647626B (zh) 电能质量事件与事件成因的关联关系确定方法和装置
CN116298509B (zh) 一种电力系统谐波谐振的在线识别方法
CN120847514A (zh) 基于多源数据分析的逆变器老化检测方法及装置
CN120408298A (zh) 配电网故障触发因素的分类方法及装置、电子设备
CN119150008A (zh) 设备信号的分离方法、装置、计算机程序产品及电子设备
Kumar et al. Classification of PD faults using features extraction and K-means clustering techniques
CN118033409B (zh) 一种gcb灭弧室开关电阻测试方法
Petladwala et al. Canonical correlation based feature extraction with application to anomaly detection in electric appliances
CN117409816B (zh) 一种基于声音信号的设备故障检测方法及系统
CN119474962A (zh) 信号源分类方法、装置、非易失性存储介质和电子设备
CN119165300A (zh) 开关柜的局部放电位置确定方法及其装置、电子设备
CN113657623B (zh) 电力设备状态诊断效果确定方法、装置、终端及存储介质
CN117390511A (zh) 一种电能质量扰动信号的信号类型识别方法
Fan et al. Research on partial discharge identification of power transformer based on chaotic characteristics extracted by GP algorithm
Anguswamy et al. Distribution network power quality insights with optimally placed micro-PMUs incorporating synthetic and real field data
CN115825602A (zh) 一种综合多元信息相似性分析的负荷辨识方法及系统
CN120908605B (zh) 一种配电网早期故障的录波启动特征选取方法和录波启动判断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination