基于小波变换和灰度-梯度共生矩阵的局部放电特征提取及识别.pdf

投稿网址:2023 年 第23 卷 第27 期2023,23(27):11673-08科 学 技 术 与 工 程Science Technology and EngineeringISSN 16711815CN 114688/T引用格式:杨攀烁,贾文阁,刘森,等.基于小波变换和灰度-梯度共生矩阵的局部放电特征提取及识别J.科学技术与工程,2023,23(27):11673-11680.Yang Panshuo,Jia Wenge,Liu Sen,et al.Feature extraction and recognition of partial discharge based on wavelet transform and GGCMJ.Science Technology and Engineering,2023,23(27):11673-11680.基于小波变换和灰度-梯度共生矩阵的局部放电特征提取及识别杨攀烁1,贾文阁2,刘森2,李吉生3,张平2,李旭2,李彬4,安国庆1,安琪1,韩晓慧1(1.河北科技大学电气工程学院,石家庄 050018;2.中广核工程有限公司,深圳 518124;3.大亚湾核电运营管理有限责任公司,深圳 518124;4.保定天威新域科技发展有限公司,保定 071056)摘 要 为了能够充分利用局部放电(partial discharge,PD)信号中包含的特征信息,提高变压器内部局部放电类型的识别率,提出了一种基于小波变换(wavelet transform,WT)和灰度-梯度共生矩阵(gray-gradient co-occurrence matrix,GGCM)算法的局部放电类型识别方法。结合变压器内部结构特点,设计四种局部放电缺陷类型,在实验室搭建变压器局部放电实验检测平台,通过脉冲电流法采集局部放电高频电流信号。运用小波变换对非平稳信号处理时的灵活性对局部放电信号脉冲构建时频谱图;然后结合 GGCM 算法提取时频谱图的15 维纹理特征组成特征向量;将特征向量输入到支持向量机(support vector ma-chine,SVM)分类器进行模式识别。结果表明,小波变换和 GGCM 算法结合的识别方法能够有效地对不同局部放电缺陷类型进行识别。关键词 局部放电;故障诊断;小波变换;灰度梯度共生矩阵;支持向量机;模式识别中图法分类号 TM85;文献标志码 A收稿日期:2022-12-26;修订日期:2023-07-06基金项目:河北省重点研发计划(20312101D)第一作者:杨攀烁(1999),男,汉族,河北石家庄人,硕士研究生。研究方向:电气设备状态检测。E-mail:。通信作者:安琪(1987),女,汉族,河北石家庄人,博士,讲师。研究方向:电力线缆和设备在线监测。E-mail:an-。Feature Extraction and Recognition of Partial Discharge Based onWavelet Transform and GGCMYANG Pan-shuo1,JIA Wen-ge2,LIU Sen2,LI Ji-sheng3,ZHANG Ping2,LI Xu2,LI Bin4,AN Guo-qing1,AN Qi1,HAN Xiao-hui1(1.School of Electrical Engineering,Hebei University of Science and Technology,Shijiazhuang 050018,China;2.CGN Nuclear Engineering Co.,Ltd.,Shenzhen 518124,China;3.Daya Bay Nuclear Power Operation and Management Co.,Ltd.,Shenzhen 518124,China;4.Baoding Tianwei Xinyu Technology Development Co.,Ltd.,Baoding 071056,China)Abstract In order to make full use of the characteristic information contained in the partial discharge(PD)signal and improve therecognition rate of the partial discharge type in the transformer,a partial discharge type recognition method based on wavelet transform(WT)and gray-gradient co-occurrence matrix(GGCM)algorithm was proposed.According to the internal structure characteristics ofthe transformer,four types of partial discharge defects were designed,and the transformer partial discharge experimental detection plat-form was built in the laboratory,and the high-frequency partial discharge current signal was collected by pulse current method.Theflexibility of wavelet transform in non-stationary signal processing was used to construct time-frequency spectrum of partial discharge sig-nal pulse.Then,combined with the GGCM algorithm,the 15-dimensional texture features of the time-frequency spectrum were extrac-ted to form the feature vector.Input the feature vector into the support vector machine(SVM)classifier for pattern recognition.The re-sults show that the recognition method combining wavelet transform and GGCM algorithm can effectively identify different types of partialdischarge defects.Keywords partial discharge;fault diagnosis;wavelet transform;gray gradient co-occurrence matrix;support vector machine;pat-tern recognition 变压器中绝缘介质局部区域击穿导致的放电现象被称为局部放电(简称“局放”)。变压器带电运行的过程中产生局放现象会对变压器的绝缘系统造成破坏,最终导致绝缘击穿以及设备损坏。局投稿网址:11674科 学 技 术 与 工 程Science Technology and Engineering2023,23(27)部放电现象的产生是变压器绝缘劣化的开始,不同局部放电类型会造成不同程度的劣化,通过对放电类型的准确识别可以有效地对变压器运行状态进行评估,避免变压器发生更严重的损坏1。对于绝缘缺陷局部放电类型的识别,首先要有能够准确描述放电类型的特征量。特征提取的方法主要分为相位分析和时频分析两类。相位分析主要运用局部放电相位图谱(phase resolved partialdis-charge,PRPD)方法,时频分析从信号时域和频域两个方面联合分析。由于局部放电信号是典型的非稳定信号,所以单一从时域或频域角度分析局部放电信号不能充分准确地描述其时变特征,采用时频分析方法可以同时描述非稳定信号在时间和频率两个方面的变化。常见的时频分析方法有 Ga-bor 变换、傅里叶变换(Fourier transform,FT)、短时傅里叶变换(short-time Fourier transform,STFT)、小波变换(wavelet transform,WT)等2-5。小波变换作为一种时频分析方法,具有多变率分析的特点,同时也具备时域和频域联合分析局部放电信号特征的能力。与傅里叶变换相比,小波变换是空间(时间)和频率的局部变换,因而能有效地从信号中提取信息。通过伸缩和平移等运算功能可对函数或信号进行多尺度的细化分析。小波变换继承和发展了短时傅里叶变换局部化的思想,同时又克服了窗口大小不随频率变化等缺点,能够提供一个随频率改变的“时间-频率”窗口,是进行信号时频分析和处理的理想工具。通过小波变换可以得到局部放电高频电流信号的时频图像,利用图像特征提取识别技术进行局部放电信号特征的提取6-10。在图像识别技术上通过纹理特征参数进行识别,灰度-梯度共生矩阵(gray-gradient co-occurrencematrix,GGCM)算法可以精确地反映信号的纹理特征,相比于灰度共生矩阵(gray-level co-occurrencematrix,GLCM)算法11,GGCM 的分类效果更好。因此,现将小波变换时频分析和图像纹理特征提取算法相结合进行局部放电高频电流信号特征提取,提高局部放电类型识别率。1 小波变换小波变换采用有限长可衰减的小波基,可伸缩平移的小波基函数不断与信号相乘。对应尺度下相乘的结果,可以理解为该信号在当前尺度下包含的频率成分。其表达式为WT(,)=1氜-氜f(t)t-()dt(1)式(1)中:f(t)为原始信号;t-()为小波变换的基函数,和 分别为尺度因子和位移量。由式(1)可知,小波变换是将窗函数(t)发生位移 后,在 尺度下进行伸缩,然后与原信号 f(t)进行内积。相较于傅里叶变换,小波变换多了尺度 和位移量,尺度 对应于频率,位移量 对应于时间 t。故小波变换可以很好地适应变化的信号,对于处理变压器局部放电信号是一个很好的选择12-13。2 灰度-梯度共生矩阵GGCM 模型集中反映了图像中两种基本要素(即图像像点的灰度和梯度)的相互关系。各图像像点的灰度是构成一副图像的基础,而梯度是构成图像边缘轮廓的要素。GGCM 的元素 H(i,j)定义为在归一的灰度图像 F(K,L)和归一的梯度图像G(K,L)中共同具有灰度值为 i 和梯度值为 j 的总像点数,故 GGCM 可反映图像灰度和梯度的分布规律,同时可体现各像点与其邻域像点之间的空间关系14。2.1 灰度、梯度归一化图形各像点的梯度值采用 3 3 窗口的 Sobel算子计算,即g(K,L)=(g2x+g2y)12(2)gx=f(K+1,L-1)+2f(K+1,L)+f(K+1,L+1)-F(K-1,L-1)-2f(K-1,L)-f(K-1,L+1)(3)gy=f(K-1,L+1)+2f(K,L+1)+f(K+1,L+1)-F(K-1,L+1)-2f(K,L-1)-f(K+1,L-1)(4)式中:K=1,2,M;L=1,2,N;M、N 为图形的行列数;g(K,L)为第(K,L)个像点的梯度值。灰度归一化公式为F(K,L)=INTf(K,L)NH/fM+1(5)式(5)中:INT 表示取整运算;fM为原图像中最大的灰度值;NH为归一后的最大灰度值。梯度归一化公式为G(K,L)=INTg(K,L)Ng/gM+1(6)式(6)中:gM为原图像中最大的梯度值;Ng为归一后的最大梯度值。通过归一化处理,可以把灰度阵的变化范围减小,得到 2 个矩阵 F(K,L)和 G(K,L)。在归一后的灰度图像 F(K,L)和梯度图 像G(K,L)中,统计同时使得 F(K,L)=i 和 G(K,L)=j 的像点对数,该值即共生矩阵 H 的第(i,j)个元素的值15-16。流程如图 1 所示。投稿网址:2023,23(27)杨攀烁,等:基于小波变换和灰度-梯度共生矩阵的局部放电特征提取及识别11675图 1 GGCM 流程Fig.1 GGCM process2.2 GGCM 纹理特征GGCM 可以反映图形的特征,基于规范化的GGCM,可以计算局部放电高频电流信号时频分布图像的纹理特征。具体可以表示如下。(1)小梯度优势:T1=ijH(i,j)j2ijH(i,j)(7)(2)大梯度优势:T2=ijj2H(i,j)ijH(i,j)(8)(3)灰度分布不均匀性:T3=ijH(i,j)2ijH(i,j)(9)(4)梯度分布不均匀性:T4=ijH(i,j)2ijH(i,j)(10)(5)能量:E=ijP(i,j)2(11)(6)灰度均值:1=iijP(i,j)(12)(7)梯度均值:2=jjiP(i,j)(13)(8)灰度标准差:1=ii-1()2jP(i,j)12(14)(9)梯度标准差:2=jj-2()2iP(i,j)12(15)(10)相关性:T5=112iji-1()(j-2)P(i,j)(16)(11)灰度熵:T6=-ijP(i,j)lgjP(i,j)(17)(12)梯度熵:T7=-jiP(i,j)lgiP(i,j)(18)(13)混合熵:T8=-ijP(i,j)lgP(i,j)(19)(14)差分矩:T9=ij(i-j)2P(i,j)(20)(15)逆差分矩:T10=ij11+(i-j)2P(i,j)(21)式(7)式(21)所表述的 15 维纹理特征可以组成灰度图形的纹理特征向量,即=T1,T2,T3,T4,E,1,2,1,2,T5,T6,T7,T8,T9,T10(22)3 算法流程基于小波变换和 GGCM 的局部放电高频电流信号模式识别的算法实现主要分为以下几步。(1)采用脉冲电流法采集四种变压器局部放电缺陷的高频电流信号。(2)对四种不同类型的局放信号运用小波变换处理,得到不同类型的局放时频谱图。(3)对时频谱图进行归一化和灰度化预处理,得到局部放电高频电流时频谱灰度图像。(4)对局部放电灰度图像运用 GGCM 算法提取15 维纹理特征,组成特征向量。(5)将提取的特征向量输入到支持向量机(support vector machine,SVM)分类器中,获得分类结果。算法的实现流程如图 2 所示。4 局部放电实验与分析4.1 实验数据采集根据变压器常见的绝缘故障特征以及局部放电信号的表现规律,为了尽可能模拟变压器实际运行情况下的局部放电信号,以油浸式变压器作为研究对象,结合变压器内部绝缘结构特点,在实验室设计了尖端放电、气隙放电、沿面放电和油中气泡放电四种人工放电模型,如图 3 所示。局放模型全长 50 mm,放电环境均为绝缘油。其中,图 3(a)为尖端放电,模型内部针电极采用的是直径为 3 mm投稿网址:11676科 学 技 术 与 工 程Science Technology and Engineering2023,23(27)图 2 算法实现流程Fig.2 Algorithm implementation flow图 3 四种局部放电模型Fig.3 Four kinds of partial discharge models的铝棒,主要考虑尖端在变压器油中的放电行为;图 3(b)为气隙放电,模型内部为厚度 1 mm 的圆形环氧树脂绝缘板;图 3(c)为沿面放电,模型采用柱板电极模拟;图 3(d)为油中气泡放电,模型内部在两个圆板电极中间存在气泡用来模拟变压器内部油中存在气泡时的放电情况17。为采集到真实可靠的局部放电高频电流信号,采用预制故障变压器模型作为实验平台,在模型内模拟故障进行试验。遵循标准 IEC602070 搭建变压器局部放电试验平台18,并采用脉冲电流法采集不同局部放电故障类型的放电信号19-20。为了得到高频电流信号,将高频电流传感器放置在变压器模型中性点接地处进行信号采集21。实验平台接线如图 4 所示。实验平台装置主要由高压试验变压器、高频电流传感器、检测阻抗、耦合电容以及局部放电模型组成。实验平台现场如图 5 所示。通过上述实验平台装置依次对四种放电模型图 4 实验平台接线示意图Fig.4 Experimental platform wiring diagram图 5 实验平台装置现场示意图Fig.5 Field diagram of experimental platform installation进行实验,示波器的采样率为 20(Mpointss-1),实验频带为 40 300 kHz。实验的一个工频周期为0.02 s,每个工频周期采集到的数据为一个实验样本,每种放电模型采集 50 组实验样本,共采集200 组实验样本,按照 7 3的比例划分训练集和测试集,其中 160 个为训练样本,40 个为测试样本。实验条件见表 1。表 1 放电模型实验条件Table 1 Experimental conditions of discharge model放电类型样本数量/个试验电压/kV尖端放电5018.6气隙放电5016.6沿面放电5013.5油中气泡放电5011.74.2 小波变换时频图为方便表达每种放电类型的特性及减少后续模型训练过程的工作量,通过提取脉冲可以得到每种放电类型的单次脉冲22。上述实验得到的四种局部放电类型的高频电流信号及其提取的单次脉冲波形,如图 6 所示。图 6 中(a)、(c)、(e)、(g)为采集的四种放电类型高频电流信号波形。观察原始波形可以看出采集到的样本数据庞大且信号分布集中不易分辨,通过对原始信号的脉冲提取可以得到其对应的脉冲波形如图 6 中(b)、(d)、(f)、(h)。通过观察单投稿网址:2023,23(27)杨攀烁,等:基于小波变换和灰度-梯度共生矩阵的局部放电特征提取及识别11677图 6 局部放电波形及其脉冲波形Fig.6 Partial discharge waveform and pulse waveform次脉冲信号可以看出不同放电类型下放电信号分布差异较大,波形区分度较明显,且数据量大幅降低23-24。四种放电类型单次脉冲通过小波变换得到的时频图,如图 7 所示。由图 7 可以看出不同放电类型的时频分布能量区域状态、分布范围以及能量大小都有着明显的差异。4.3 分类结果与分析根据 4.2 节中的方法获得 200 张单次脉冲的小波时频图,每种放电类型各有 50 张。在进行 GGCM算法提取时频图的纹理特征之前,先将得到的时频图进行灰度化处理,利用 GGCM 算法对处理后的灰度图像提取 15 维纹理特征,将提取到的特征向量代入到 SVM 分类器中进行分类识别25。分别利用短时傅里叶变换和小波变换对采集到的单次脉冲进行时频图的转换,运用 GGCM 算法提取纹理特征代入到 SVM 分类器中进行模式识别。其识别结果如表 2 所示。表 2 不同时频图提取方法下的识别率Table 2 Recognition rate under different simultaneousfrequency graph extraction methods算法不同放电类型的识别率/%尖端放电气隙放电沿面放电油中气泡放电平均识别率/%短时傅里叶变换+GGCM93.7587.5091.6793.7591.67小波变换+GGCM95.00100.0092.3192.8695.00 由表 2 可知运用小波变换处理后的图像识别结果比运用短时傅里叶变换处理的结果高出 3.33 个百分点。小波变换作为处理时域信号的一种方法,能够有效地克服短时傅里叶变换带来的窗口问题。对于时变的非平稳局部放电脉冲信号,小波变换能够更好地满足信号变化的频率的需求,能够更好地投稿网址:11678科 学 技 术 与 工 程Science Technology and Engineering2023,23(27)图 7 局部放电脉冲时频图Fig.7 Partial discharge pulse time-frequency diagram反映局部放电信号的时频特性26。GLCM 算法27是通过描述图像中 2 个像素灰度级联合分布的统计形式,可以描述出图像的纹理特征。通过不同的纹理特征提取办法对时频图的灰度图像进行处理后代入 SVM 分类器中进行模式识别,其识别结果如表 3 所示。表 3 不同纹理特征提取方法的识别率Table 3 Recognition rate of different texture featureextraction methods算法不同放电类型的识别率/%尖端放电气隙放电沿面放电油中气泡放电平均识别率/%小波变换+GLCM94.1293.7592.8692.3193.33小波变换+GGCM95.00100.0092.3192.8695.00 由表 3 可知运用 GGCM 算法提取纹理特征的识别率要比运用 GLCM 算法的识别率高出 1.67 个百分点。GLCM 算法统计保持一定距离的两个具有某灰度分布的像素,统计“灰度对”同时发生的概率,从而形成灰度共生矩阵。而 GGCM 不仅能表达图像中像素点灰度之间的关系,还能够反映像素点梯度之间的关系,可以给出图像内各像素点灰度与梯度的分布规律,以及像点与其领域内像点的空间关系,相比于 GLCM 能够更好地描绘图像的纹理特征,能够有效地提高图像分类识别率,更好地运用到变压器局部放电模式识别当中。5 结论(1)建立了预制故障变压器模型局部放电实验平台,制作了四种局放模型植入预制故障变压 器模型中,并采用脉冲电流法采集到四种局放缺陷的高频电流信号。运用脉冲分割法提取每种放电信号的有效信息部分,通过提取信号的单次脉冲从而有效地降低后续处理算法的运算数据量。(2)提出对局部放电信号单次脉冲运用小波变换得到时频谱图,通过小波变换在时频分析中对非平稳信号处理的灵活性可以有效地保留局部放电原始信号的信息特征;引入 GGCM 的方法得到不同信号时频谱图的纹理特征,组成最能表征不同局放信号之间差异信息的特征向量。(3)相比于短时傅里叶变换对时域信号的处理,运用小波变换进行信号处理后的结果提高了3.33 个百分点;运用小波变换和 GGCM 联合识别方法识别率达到 95%,相较于 GGLM 提升了 1.67 个百分点。通过上述识别效果验证了小波变换在处理非平稳信号的优越性,GGCM 算法对图像处理方面能够更好地表征出图像的信息。小波变换对局投稿网址:2023,23(27)杨攀烁,等:基于小波变换和灰度-梯度共生矩阵的局部放电特征提取及识别11679部放电信号单次脉冲的处理能够增强 GGCM 算法对局部放电信号纹理特征的表征能力,对局部放电信号时频图的特征表达更加的充分,有利于局部放电模式的识别。参考文献1 郭雪婷.变压器局部放电研究综述J.电声技术,2022,46(2):114-117.Guo Xueting.Review of research on partial discharge of transformerJ.Electroacoustic Technology,2022,46(2):114-117.2 李军浩,韩旭涛,刘泽辉,等.电气设备局部放电检测技术述评J.高电压技术,2015,41(8):2583-2601.Li Junhao,Han Xutao,Liu Zehui,et al.Review of partial dis-charge detection technology for electrical equipmentJ.High Volt-age Technology,2015,41(8):2583-2601.3 Fuhr J,Aschwanden T H.Localization of partial discharge sourcesin transformers by analysis of signals in time-and frequency-domainJ.Water and Energy International,2022,64(11):1-18.4 陈继明,许辰航,李鹏,等.基于时频分析与分形理论的 GIS局部放电模式识别特征提取方法J.高电压技术,2021,47(1):287-295.Chen Jiming,Xu Chenhang,Li Peng,et al.Feature extractionmethod of partial discharge pattern recognition in GIS based on time-frequency analysis and fractal theoryJ.High Voltage Technology,2021,47(1):287-295.5 郭灿新,勇明,徐敏骅,等.S 变换在电力电缆局部放电信号时频分析中的应用J.电工技术学报,2010,25(11):9-14.Guo Canxin,Yong Ming,Xu Minhua,et al.Application of S-transform in time-frequency analysis of partial discharge signals inpower cablesJ.Transactions of China Electrotechnical Society,2010,25(11):9-14.6 刘诣,谢雄杰,罗晓庆,等.计及信号传输特性的变压器套管末屏高频局部放电信号时频分析方法J.高电压技术,2020,46(2):594-602.Liu Yi,Xie Xiongjie,Luo Xiaoqing,et al.Time-frequency analysismethod of high frequency partial discharge signals on transformercasing end screen considering signal transmission characteristicsJ.High Voltage Technology,2020,46(2):594-602.7 段培超,周春平.基于小波变换和数学形态学的航空图像边缘检测J.河北科技大学学报,2006(2):158-161.Duan Peichao,Zhou Chunping.Aerial image edge detection basedonwavelet transform and mathematical morphologyJ.Journal ofHebei University of Science and Technology,2006(2):158-161.8 张凯.基于小波变换的时频分析方法研究及模块实现D.成都:电子科技大学,2022.Zhang Kai.Research and module implementation of time-frequencyanalysis method based on wavelet transformD.Chengdu:Univer-sity of Electronic Science and Technology,2022.9 于之靖,陶永奎,郑建文,等.基于小波变换与形态学的机场跑道异物检测算法J.科学技术与工程,2020,20(21):8690-8695.Yu Zhijing,Tao Yongkui,Zheng Jianwen,et al.Foreign object de-tection algorithm for airport runway based on wavelet transform andmorphologyJ.Science Technology and Engineering,2020,20(21):8690-869510 Shams M A,Anis H I,EI-Shahat M.Denoising of heavily con-taminated partial discharge signals in high-voltage cables usingmaximal overlap discrete wavelet transformJ.Energies,2021,14(20),6540.11 赵磊,朱永利,贾亚飞,等.基于 GLCM 和 LBP 的局部放电灰度图像特征提取J.电测与仪表,2017,54(1):77-82.Zhao Lei,Zhu Yongli,Jia Yafei,et al.Feature extraction of par-tial discharge gray image based on GLCM and LBPJ.ElectricalMeasurement and Instrument,2017,54(1):77-82.12 张宇辉,刘梦婕,黄南天,等.频率切片小波变换在局部放电信号分析中的应用J.高电压技术,2015,41(7):2283-2293.Zhang Yuhui,Liu Mengjie,Huang Nantian,et al.Application offrequency slice wavelet transform in partial discharge signal analy-sisJ.High Voltage Technology,2015,41(7):2283-2293.13 李平,田秋松,霍明,等.基于小波变换和 HOG 特征的变压器局部放电类型识别方法J.电气传动,2021,51(24):52-56,62.Li Ping,Tian Qiusong,Huo Ming,et al.Transformer partial dis-charge type recognition method based on wavelet transform andHOG featureJ.Electric Drive,2021,51(24):52-56,62.14 林龙.基于 S 变换和图像纹理信息的轴承故障智能诊断方法J.科学技术与工程,2014,14(6):26-30.Lin Long.Intelligent bearing fault diagnosis method based on Stransform and image texture informationJ.Science Technologyand Engineering,2014,14(6):26-30.15 田妍,刘宇舜,熊俊,等.基于时频分布图像纹理特征的局部放电特高频信号的特征参数提取方法J.高压电器,2017,53(7):30-37,44.Tian Yan,Liu Yushun,Xiong Jun,et al.Feature parameter ex-traction method of partial discharge uhf signal based on texture fea-ture of time-frequency distribution imageJ.High Voltage Appli-ance,2017,53(7):30-37,44.16 肖达,王润民,邹孝,等.基于 Gabor 变换和灰度梯度共生矩阵的超声无损测温研究J.传感技术学报,2017,30(11):1684-1688.Xiao Da,Wang Runmin,Zou Xiao,et al.Ultrasonic nondestruc-tive temperature measurement based on gabor transform and graygradient co-occurrence matrixJ.Journal of Sensor Technology,2017,30(11):1684-1688.17 张翼,朱永利.结合知识蒸馏和图神经网络的局部放电增量识别方法J.电工技术学报,2023,38(5):1390-1400.Zhang Yi,Zhu Yongli.Partial discharge incrementrecognitionmethod based on knowledge distillation and graph neural networkJ.Journal of Electrical Technology,2023,38(5):1390-1400.18 张翼,朱永利.基于深度-广度联合剪枝的电力设备局部放电轻量化诊断方法J.电工技术学报,2023,38(7):1935-1945,1955.Zhang Yi,Zhu Yongli.Lightweight diagnosis method for partialdischarge of power equipment based on depth-width joint pruningJ.Journal of Electrical Technology,2023,38(7):1935-1945,1955.19 黄辉,黄凤,李春龙,等.基于特高频无线传感器和模式识别算法的局部放电定位法J.科学技术与工程,2018,18(4):投稿网址:11680科 学 技 术 与 工 程Science Technology and Engineering2023,23(27)65-70.Huang Hui,Huang Feng,Li Chunlong,et al.Partial dischargelocation method based on UHF wireless sensor and pattern recogni-tion algorithmJ.Science Technology and Engineering,2018,18(4):65-70.20 Sun J H,Pan S Y,Deng J Z.Research status of partial dischargedetection of power transformer based on pulse current methodJ.Journal of Physics:Conference Series,2022,2195(1):1-8.21Dukanac D.Application of UHF method for partial dischargesource location in power transformersJ.IEEE Transactions onDielectrics and Electrical Insulation,2018,25(6):2266-2278.22 张翼,朱永利.图信号与图卷积网络相结合的局部放电模式识别方法J.中国电机工程学报,2021,41(18):6472-6481.Zhang Yi,Zhu Yongli.Partial discharge pattern recognition me-thod based on graph signal and graph convolution networkJ.Proceedings of the CSEE,2021,41(18):6472-6481.23 朱明晓,薛建议,邵先军,等.GIS 局部放电特高频信号波形分析与特征参量提取J.高电压技术,2017,43(12):4079-4087.Zhu Mingxiao,Xue Jianyi,Shao Xianjun,et al.Waveform analy-sis and feature parameter extraction