CN106203531A - 一种基于卷积稀疏自动编码器的输电线故障分类方法 - Google Patents
一种基于卷积稀疏自动编码器的输电线故障分类方法 Download PDFInfo
- Publication number
- CN106203531A CN106203531A CN201610578930.4A CN201610578930A CN106203531A CN 106203531 A CN106203531 A CN 106203531A CN 201610578930 A CN201610578930 A CN 201610578930A CN 106203531 A CN106203531 A CN 106203531A
- Authority
- CN
- China
- Prior art keywords
- convolution
- waveform
- vector
- training sample
- transmission line
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及一种基于卷积稀疏自动编码器的输电线故障分类方法,属于电工领域在线监测技术,该方法包括:1)获取输电线各类故障波形段组成训练样本集与测试样本集,从训练样本集波形段中随机取出波形块,对波形块进行白化处理;2)利用白化处理后的波形块训练稀疏自动编码器得到卷积特征,利用卷积特征对训练样本集中的波形段进行卷积与池化操作,获得池化卷积向量;3)利用池化卷积向量训练多元逻辑回归分类器;4)利用测试样本集对训练好的多元逻辑回归分类器进行测试。本发明利用卷积稀疏自动编码器算法从大量故障波形中自动提取出特征,加速输电线故障的识别与分类速度,提升分类准确率,能够帮助提升电力系统的稳定性与可靠性。
Description
技术领域
本发明属于涉及输电线故障分类方法,特别涉及一种基于卷积稀疏自动编码器的输电线故障分类方法,属于电工在线监测技术领域。
背景技术
众所周知,电力系统中发生的各类故障对电力系统的运行可靠性与安全性构成了极大的威胁,针对电力系统中各个组成部分的在线监测技术能够快速识别出故障类型与故障位置,对建设智能、稳定的电力网络具有重要意义。对于输电线上的各类短路故障而言,如果能够在故障发生后快速识别出故障的类型与故障发生的大致位置,则能及时对故障部分进行切除,也能极大地缩短故障维修所需的时间,从而减少故障带来的损失。随着大量智能传感设备在电力系统中的应用以及通讯技术的发展,输电线故障的在线监测技术正进一步朝着速度更快、结果更准确的目标发展。
国内外对输电线的故障分类技术进行了大量的研究,其实现途径主要可分为两个阶段:1)通过傅里叶变换、小波变换、模态变换等手段从故障相关的电压与电流波形中提取出若干特征;2)利用人工神经网络、支持向量机、模糊推理系统、决策树与随机森林等模式识别方法,利用之前提取的特征进行故障的分类。尽管相关的研究中已提出了大量的特征提取以及基于提取的特征进行分类的方法,但这些特征都需要人工进行特征设计,而这一过程需要反复检验,通常会耗费较长的时间;此外,人工设计的特征的推广性较差,当输电线系统中接入诸如串联补偿、并联补偿等设备时,由于系统特性变化,故需要重新进行特征的设计与选择。
与本发明内容相关的已有技术简介如下:
稀疏自动编码器是一种能够从数据中自动提取特征的人工神经网络结构,含有一个输入层、一个隐含层和一个输出层,每层均由一定数量的节点组成,相邻两层之间的节点之间互相连接。给定一输入向量x,定义输出向量:
h(x)=W2f(W1x+b1)+b2
其中f为sigmoid函数,其定义为f(z)=1/(1+exp(-z)),W1为输入层各节点与隐含层各节点之间的连接权值矩阵,b1为隐含层各节点的偏置值,W2为隐含层各节点与输出层各节点之间的连接权值矩阵,b2为输出层各节点的偏置值,稀疏自动编码器的输入为用于提取特征的原始数据,利用大量原始数据构成的训练样本集对稀疏自动编码器进行迭代训练实现输入数据特征的提取。以稀疏自动编码器提取出的特征为基础,可提高分类问题的分类准确率。稀疏自动编码器的稀疏性体现在:对于每一个隐含层节点,其关于所有输入数据的激活程度f(W1x+b1)的平均值被要求接近一较小的值ρ。进行稀疏自动编码器训练时,对于含有m个样本的训练样本集,定义代价函数:
其中x(i)为第i个训练样本,W由权值矩阵W1、W2合并得到,b由偏置向量b1、b2合并得到,m为训练样本集中的输入波形向量的数量,描述与ρ之间的相似程度,其计算方法为λ与β分别为权值衰减项与稀疏性惩罚项的系数。使用有限记忆拟牛顿法对整体代价函数进行优化,即可获得稀疏自动编码器的最优权值矩阵与最优偏置向量。
多元逻辑回归分类器是用于多分类问题的逻辑回归分类器,其通过使用非线性函数将对应每个分类类别的输出值限定在[0,1]范围内,并通过比较输出值的大小给出分类结果。在构建多元逻辑回归模型的代价函数后,可通过迭代的方法求得模型中的所有参数,实现可用于多分类问题的多元逻辑回归分类器。
发明内容
本发明目的在于提供一种基于卷积稀疏自动编码器的输电线故障分类方法,该方法能够自动实现电压与电流波形特征的提取,以解决现有技术中导致的上述缺陷。
为解决上述技术问题,本发明采用的技术方案是:一种基于卷积稀疏自动编码器的输电线故障分类方法,其方法包括以下步骤:
1)输电线各类故障电压与电流波形数据的获取与预处理:
1.1)通过输电线路安装的电压传感器和电流传感器获取输电线各类故障电压与电流波形数据,波形起止时间分别为故障发生前10ms与故障发生后20ms,波形的采样频率为20kHz,且一个周期对应400个采样点;从每个故障电压与电流波形数据中切出长度为200个采样点的波形段共十一段,起止点分别为[j-120,j+79]、[j-80,j+119]、[j-60,j+139]、[j-40,j+159]、[j-20,j+179]、[j,j+199]、[j+20,j+219]、[j+40,j+239]、[j+60,j+259]、[j+100,j+299]与[j+200,j+399],其中j用于指示故障发生瞬间所对应的采样点;每一段切出的波形为6×200的波形段,包含三相电压波形与三相电流波形;将波形数据切出的波形段按照7:3的比例随机分为训练样本集与测试样本集;对于训练样本集与测试样本集中的每个样本,均有一个标签值(取值为1至11的整数,代表十一个类别)与之对应;对于起止点分别为[j-120,j+79]的波形段,其标签均设定为“非故障状态”,其余波形段均按照实际故障类型设置标签;
1.2)从训练样本集中随机取出大量尺寸为6×30的波形块,并对这些波形块进行白化处理,使得波形块数据的每个维度之间不相关且具有相同方差;
2)利用白化后的波形块矩阵P训练稀疏自动编码器,获得卷积特征,利用卷积特征对训练样本集进行卷积与池化:
2.1)确定稀疏自动编码器的结构与参数:输入层180个节点,隐含层100个节点,输出层180个节点;λ、β与ρ分别设定为0.003、5和0.1;
2.2)利用白化后的波形块矩阵P作为训练样本集训练稀疏自动编码器,获得最优权值矩阵W1;对于第k个隐含层节点,其与输入层各节点相连的权值对应W1的第k行wk,将其作为第k个卷积特征;
2.3)对训练样本集中的每个波形段,使用100个卷积特征与其进行卷积操作,得到卷积向量;
2.4)对卷积向量进行池化,即将训练样本集中第i个波形段与第k个卷积特征进行卷积运算得到的1×171的卷积向量ci,k进行池化操作,取其每5个相邻元素的平均值,组成1×34的池化卷积向量pi,k;
3)利用卷积与池化后的训练样本集进行多元逻辑回归分类器的训练:
3.1)对池化卷积向量进行连接,即将训练样本集中第i个波形段所对应的100个池化卷积向量相连,组成1×3400的分类输入向量si,将所有训练样本集中波形段所对应分类输入向量合并为分类输入矩阵Strain;
3.2)利用训练样本集计算得到的分类输入矩阵Strain训练多元逻辑回归分类器,使其在输入一个1×3400的向量时能够给出1×11的输出向量r,r的第i个元素对应该输入向量被分类到第i类的概率,概率最大的一类为最终分类结果;
4)利用卷积特征对测试样本集进行卷积与池化,并利用卷积与池化后的测试样本集对步骤3.2)中训练得到的多元逻辑回归分类器进行测试:
4.1)对测试样本集,进行与步骤2.3)、步骤2.4)、步骤3.1)与步骤3.2)中的相应操作,得到测试样本集中波形段所对应的分类输入矩阵Stest;
4.2)将测试样本集计算得到的分类输入矩阵Stest中的每一行依次输入步骤3.2中训练得到的多元逻辑回归分类器,记录对应每一行的分类结果;将分类结果与测试样本集中每一波形段所对应的标签进行对比,得到分类准确率结果。
进一步的,在所述的步骤1.2)中,其白化处理步骤具体如下:
1.21)将每个6×30的波形块展成180×1的向量并组成波形块矩阵P;
1.22)用P*=WP替换P,其中W=UD-1/2U,U的每一列为P的协方差矩阵的一个特征向量(按特征值大小排列),且每个特征向量对应的特征值处于对角矩阵D的对角线上。
进一步的,在所述的步骤2.3)中,其卷积操作步骤具体如下:
2.31)每个波形块在卷积之前进行步骤1.2中所述的同一个W实现的白化处理;
2.32)第i个波形段的第j个波形块与第k个卷积特征进行卷积运算得到卷积向量ci,k的第j个元素,卷积运算计算波形块与卷积特征的内积,即相同位置元素乘积之和。
有益效果:与原有技术相比,发明利用卷积稀疏自动编码器算法从大量故障波形中自动提取出特征,加速输电线故障的识别与分类速度,提升分类准确率,能够帮助提升电力系统的稳定性与可靠性。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面通过实施例详细说明本发明提出的基于卷积稀疏自动编码器的输电线故障分类方法。需进行分类的输电线故障具体分为A相接地、B相接地、C相接地、AB相短路、AC相短路、BC相短路、AB相短路接地、AC相短路接地、BC相短路接地与ABC相短路接地十种,构建分类器的目标为区分十种故障状态与非故障状态,共十一个类别。为表述方便,将“非故障状态”也视为一种故障类别。
本实施例分类方法具体包括以下步骤:
步骤1,输电线各类故障电压与电流波形数据的获取与预处理:
步骤1.1,通过仿真软件获取输电线各类故障电压与电流波形数据共24948例,波形起止时间分别为故障发生前10ms与故障发生后20ms,波形的采样频率为20kHz,且一个周期对应400个采样点。从每个故障电压与电流波形数据中切出长度为200个采样点的波形段共十一段,起止点分别为[j-120,j+79]、[j-80,j+119]、[j-60,j+139]、[j-40,j+159]、[j-20,j+179]、[j,j+199]、[j+20,j+219]、[j+40,j+239]、[j+60,j+259]、[j+100,j+299]与[j+200,j+399],其中j用于指示故障发生瞬间所对应的采样点。每一段切出的波形为6×200的波形段,包含三相电压波形与三相电流波形。将24948例波形数据切出的274428个波形段按照7:3的比例随机分为训练样本集与测试样本集,其中训练样本集含有194199个波形段,测试样本集含有83229个波形段。对于训练样本集与测试样本集中的每个样本,均有一个标签值(取值为1至11的整数,代表十一个类别)与之对应。对于起止点分别为[j-120,j+79]的波形段,其标签均设定为“非故障状态”,其余波形段均按照实际故障类型设置标签。
步骤1.2,从训练样本集中随机取出250000个尺寸为6×30的波形块,并对这些波形块进行白化处理,使得波形块数据的每个维度之间不相关且具有相同方差。将每个6×30的波形块展成180×1的向量并组成180×250000的波形块矩阵P,并用P*=WP替换P,其中W=UD-1/2U,U的每一列为P的协方差矩阵的一个特征向量(按特征值大小排列),且每个特征向量对应的特征值处于对角矩阵D的对角线上。
步骤2,利用白化后的波形块矩阵P训练稀疏自动编码器,获得卷积特征,利用卷积特征对训练样本集进行卷积与池化:
步骤2.1,确定稀疏自动编码器的结构与参数:输入层180个节点,隐含层100个节点,输出层180个节点;λ、β与ρ分别设定为0.003、5和0.1。
步骤2.2,利用白化后的波形块矩阵P作为训练样本集训练稀疏自动编码器,获得最优权值矩阵W1。对于第k个隐含层节点,其与输入层各节点相连的权值对应W1的第k行wk,将其作为第k个卷积特征,100个隐含层节点共生成100个卷积特征,每个卷积特征可看作一个6×30的波形块。
步骤2.3,对训练样本集中的每个波形段,使用100个卷积特征与其进行卷积操作,得到100个卷积向量:一个6×200的波形段中包含171个6×30波形块,每个波形块在卷积之前进行步骤1.2中所述的同一个W实现的白化处理,第i个波形段的第j个波形块与第k个卷积特征进行卷积运算得到卷积向量ci,k的第j个元素,卷积运算计算波形块与卷积特征的内积,即相同位置元素乘积之和。卷积操作后,每个波形段有100个1×171的卷积向量与之对应。
步骤2.4,对卷积向量进行池化,即将训练样本集中第i个波形段与第k个卷积特征进行卷积运算得到的1×171的卷积向量ci,k进行池化操作,取其每5个相邻元素的平均值,组成1×34的池化卷积向量pi,k(第171个元素舍去)。池化操作后,每个波形段有100个1×34的池化卷积向量与之对应。
步骤3,利用卷积与池化后的训练样本集进行多元逻辑回归分类器的训练:
步骤3.1,对池化卷积向量进行连接,即将训练样本集中第i个波形段所对应的100个池化卷积向量相连,组成1×3400的分类输入向量si。将所有训练样本集中波形段所对应分类输入向量合并为分类输入矩阵Strain。
步骤3.2,利用训练样本集计算得到的分类输入矩阵Strain训练多元逻辑回归分类器,使其在输入一个1×3400的向量时能够给出1×11的输出向量r,r的第i个元素对应该输入向量被分类到第i类的概率,概率最大的一类为最终分类结果。
步骤4,利用卷积特征对测试样本集进行卷积与池化,并利用卷积与池化后的测试样本集对步骤3.2中训练得到的多元逻辑回归分类器进行测试:
步骤4.1,对测试样本集,进行与步骤2.3、步骤2.4、步骤3.1与步骤3.2中的相应操作,得到测试样本集中波形段所对应的分类输入矩阵Stest。
步骤4.2,将测试样本集计算得到的分类输入矩阵Stest中的每一行依次输入步骤3.2中训练得到的多元逻辑回归分类器,记录对应每一行的分类结果。将分类结果与测试样本集中每一波形段所对应的标签进行对比,得到分类准确率结果。
测试结果表明,本方法对于十一个故障类别能够实现99.5%以上的分类准确率。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
Claims (3)
1.一种基于卷积稀疏自动编码器的输电线故障分类方法,其方法包括以下步骤:
1)输电线各类故障电压与电流波形数据的获取与预处理:
1.1)通过输电线路安装的电压传感器和电流传感器获取输电线各类故障电压与电流波形数据,波形起止时间分别为故障发生前10ms与故障发生后20ms,波形的采样频率为20kHz,且一个周期对应400个采样点;从每个故障电压与电流波形数据中切出长度为200个采样点的波形段共十一段,起止点分别为[j-120,j+79]、[j-80,j+119]、[j-60,j+139]、[j-40,j+159]、[j-20,j+179]、[j,j+199]、[j+20,j+219]、[j+40,j+239]、[j+60,j+259]、[j+100,j+299]与[j+200,j+399],其中j用于指示故障发生瞬间所对应的采样点;每一段切出的波形为6×200的波形段,包含三相电压波形与三相电流波形;将波形数据切出的波形段按照7:3的比例随机分为训练样本集与测试样本集;对于训练样本集与测试样本集中的每个样本,均有一个标签值(取值为1至11的整数,代表十一个类别)与之对应;对于起止点分别为[j-120,j+79]的波形段,其标签均设定为“非故障状态”,其余波形段均按照实际故障类型设置标签;
1.2)从训练样本集中随机取出大量尺寸为6×30的波形块,并对这些波形块进行白化处理,使得波形块数据的每个维度之间不相关且具有相同方差;
2)利用白化后的波形块矩阵P训练稀疏自动编码器,获得卷积特征,利用卷积特征对训练样本集进行卷积与池化:
2.1)确定稀疏自动编码器的结构与参数:输入层180个节点,隐含层100个节点,输出层180个节点;λ、β与ρ分别设定为0.003、5和0.1;
2.2)利用白化后的波形块矩阵P作为训练样本集训练稀疏自动编码器,获得最优权值矩阵W1;对于第k个隐含层节点,其与输入层各节点相连的权值对应W1的第k行wk,将其作为第k个卷积特征;
2.3)对训练样本集中的每个波形段,使用100个卷积特征与其进行卷积操作,得到卷积向量;
2.4)对卷积向量进行池化,即将训练样本集中第i个波形段与第k个卷积特征进行卷积运算得到的1×171的卷积向量ci,k进行池化操作,取其每5个相邻元素的平均值,组成1×34的池化卷积向量pi,k;
3)利用卷积与池化后的训练样本集进行多元逻辑回归分类器的训练:
3.1)对池化卷积向量进行连接,即将训练样本集中第i个波形段所对应的100个池化卷积向量相连,组成1×3400的分类输入向量si,将所有训练样本集中波形段所对应分类输入向量合并为分类输入矩阵Strain;
3.2)利用训练样本集计算得到的分类输入矩阵Strain训练多元逻辑回归分类器,使其在输入一个1×3400的向量时能够给出1×11的输出向量r,r的第i个元素对应该输入向量被分类到第i类的概率,概率最大的一类为最终分类结果;
4)利用卷积特征对测试样本集进行卷积与池化,并利用卷积与池化后的测试样本集对步骤3.2)中训练得到的多元逻辑回归分类器进行测试:
4.1)对测试样本集,进行与步骤2.3)、步骤2.4)、步骤3.1)与步骤3.2)中的相应操作,得到测试样本集中波形段所对应的分类输入矩阵Stest;
4.2)将测试样本集计算得到的分类输入矩阵Stest中的每一行依次输入步骤3.2中训练得到的多元逻辑回归分类器,记录对应每一行的分类结果;将分类结果与测试样本集中每一波形段所对应的标签进行对比,得到分类准确率结果。
2.一种基于卷积稀疏自动编码器的输电线故障分类方法,其特征在于:所述的步骤1.2)中,其白化处理步骤具体如下:
1.21)将每个6×30的波形块展成180×1的向量并组成波形块矩阵P;
1.22)用P*=WP替换P,其中W=UD-1/2U,U的每一列为P的协方差矩阵的一个特征向量(按特征值大小排列),且每个特征向量对应的特征值处于对角矩阵D的对角线上。
3.一种基于卷积稀疏自动编码器的输电线故障分类方法,其特征在于:所述的步骤2.3)中,其卷积操作步骤具体如下:
2.31)每个波形块在卷积之前进行步骤1.2中所述的同一个W实现的白化处理;
2.32)第i个波形段的第j个波形块与第k个卷积特征进行卷积运算得到卷积向量ci,k的第j个元素,卷积运算计算波形块与卷积特征的内积,即相同位置元素乘积之和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610578930.4A CN106203531A (zh) | 2016-07-20 | 2016-07-20 | 一种基于卷积稀疏自动编码器的输电线故障分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610578930.4A CN106203531A (zh) | 2016-07-20 | 2016-07-20 | 一种基于卷积稀疏自动编码器的输电线故障分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106203531A true CN106203531A (zh) | 2016-12-07 |
Family
ID=57492120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610578930.4A Pending CN106203531A (zh) | 2016-07-20 | 2016-07-20 | 一种基于卷积稀疏自动编码器的输电线故障分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106203531A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106841923A (zh) * | 2017-02-27 | 2017-06-13 | 广州思泰信息技术有限公司 | 基于差值卷积分析法的配电网线路故障定位方法 |
CN107992897A (zh) * | 2017-12-14 | 2018-05-04 | 重庆邮电大学 | 基于卷积拉普拉斯稀疏编码的商品图像分类方法 |
CN109142976A (zh) * | 2018-09-10 | 2019-01-04 | 国网辽宁省电力有限公司电力科学研究院 | 电缆故障检测方法及装置 |
CN109901020A (zh) * | 2019-04-08 | 2019-06-18 | 珠海妙微科技有限公司 | 稀疏自动编码器优化神经网路的输电线路故障识别方法 |
CN110207997A (zh) * | 2019-07-24 | 2019-09-06 | 中国人民解放军国防科技大学 | 基于卷积自编码器的液体火箭发动机故障检测方法 |
CN111061151A (zh) * | 2019-11-21 | 2020-04-24 | 东北大学 | 一种基于多元卷积神经网络的分布式能源状态监测方法 |
CN111459205A (zh) * | 2020-04-02 | 2020-07-28 | 四川三联新材料有限公司 | 基于增强学习的加热器具控制系统 |
CN112001440A (zh) * | 2020-08-20 | 2020-11-27 | 苏州鸿哲智能科技有限公司 | 一种故障诊断逻辑算法及系统 |
CN112365463A (zh) * | 2020-11-09 | 2021-02-12 | 珠海市润鼎智能科技有限公司 | 高速图像中微小物体的实时检测方法 |
CN112379152A (zh) * | 2020-10-23 | 2021-02-19 | 国网山东省电力公司邹城市供电公司 | 一种电杆拉线带电警示装置、系统和方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103149514A (zh) * | 2013-03-01 | 2013-06-12 | 山东电力集团公司电力科学研究院 | 一种gis内多绝缘缺陷模式识别方法 |
CN105426839A (zh) * | 2015-11-18 | 2016-03-23 | 清华大学 | 基于稀疏自动编码器的电力系统过电压分类方法 |
-
2016
- 2016-07-20 CN CN201610578930.4A patent/CN106203531A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103149514A (zh) * | 2013-03-01 | 2013-06-12 | 山东电力集团公司电力科学研究院 | 一种gis内多绝缘缺陷模式识别方法 |
CN105426839A (zh) * | 2015-11-18 | 2016-03-23 | 清华大学 | 基于稀疏自动编码器的电力系统过电压分类方法 |
Non-Patent Citations (3)
Title |
---|
MINGFU XIONG ET AL.: "Deep Feature Representation via Multiple Stack Auto-Encoders", 《SPRING INTERNATIONAL PUBLISHING SWITZERLAND 2015》 * |
XIAOBING HAN ET AL.: "Unsupervised Hierarchical Convolutional Saprse Auto-encoder for High Spatial Resolution Imagery Scene Classification", 《2015 11TH INTERNATIONAL CONFERENCE ON NATURAL COMPUTATION》 * |
李祖贺 等: "YUV空间中基于稀疏自动编码器的无监督特征学习", 《电子与信息学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106841923A (zh) * | 2017-02-27 | 2017-06-13 | 广州思泰信息技术有限公司 | 基于差值卷积分析法的配电网线路故障定位方法 |
CN107992897A (zh) * | 2017-12-14 | 2018-05-04 | 重庆邮电大学 | 基于卷积拉普拉斯稀疏编码的商品图像分类方法 |
CN109142976A (zh) * | 2018-09-10 | 2019-01-04 | 国网辽宁省电力有限公司电力科学研究院 | 电缆故障检测方法及装置 |
CN109901020A (zh) * | 2019-04-08 | 2019-06-18 | 珠海妙微科技有限公司 | 稀疏自动编码器优化神经网路的输电线路故障识别方法 |
CN110207997A (zh) * | 2019-07-24 | 2019-09-06 | 中国人民解放军国防科技大学 | 基于卷积自编码器的液体火箭发动机故障检测方法 |
CN111061151A (zh) * | 2019-11-21 | 2020-04-24 | 东北大学 | 一种基于多元卷积神经网络的分布式能源状态监测方法 |
CN111459205A (zh) * | 2020-04-02 | 2020-07-28 | 四川三联新材料有限公司 | 基于增强学习的加热器具控制系统 |
CN111459205B (zh) * | 2020-04-02 | 2021-10-12 | 四川三联新材料有限公司 | 基于增强学习的加热器具控制系统 |
CN112001440A (zh) * | 2020-08-20 | 2020-11-27 | 苏州鸿哲智能科技有限公司 | 一种故障诊断逻辑算法及系统 |
CN112379152A (zh) * | 2020-10-23 | 2021-02-19 | 国网山东省电力公司邹城市供电公司 | 一种电杆拉线带电警示装置、系统和方法 |
CN112365463A (zh) * | 2020-11-09 | 2021-02-12 | 珠海市润鼎智能科技有限公司 | 高速图像中微小物体的实时检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106203531A (zh) | 一种基于卷积稀疏自动编码器的输电线故障分类方法 | |
CN110082640B (zh) | 一种基于长短时记忆网络的配网单相接地故障辨识方法 | |
CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
Zhang et al. | Novel fault location method for power systems based on attention mechanism and double structure GRU neural network | |
CN106548230A (zh) | 基于改进粒子群优化神经网络的变压器故障诊断方法 | |
CN106596116A (zh) | 一种风力发电机组振动故障诊断方法 | |
CN104052612B (zh) | 一种电信业务的故障识别与定位的方法及系统 | |
CN104155574A (zh) | 基于自适应神经模糊推理系统的配电网故障分类方法 | |
CN105354587A (zh) | 一种风力发电机组齿轮箱的故障诊断方法 | |
CN111553495A (zh) | 一种基于概率神经网络的小型断路器故障分析方法 | |
Ayyagari | Artificial neural network based fault location for transmission lines | |
CN106599777A (zh) | 一种基于能量百分比的电缆局部放电信号识别方法 | |
Moravej et al. | A new approach for fault classification and section detection in compensated transmission line with TCSC | |
CN110543921A (zh) | 一种基于波形学习的电缆早期故障识别方法 | |
CN109444667A (zh) | 基于卷积神经网络的配电网早期故障分类方法及装置 | |
Cortes-Robles et al. | Fast-training feedforward neural network for multi-scale power quality monitoring in power systems with distributed generation sources | |
CN109596942A (zh) | 一种基于深度置信网络的电压暂降原因识别方法 | |
CN106526370A (zh) | 一种基于化学反应算法的rvm变压器故障诊断方法 | |
CN106372724A (zh) | 一种人工神经网络算法 | |
CN108154223A (zh) | 基于网络拓扑及长时序信息的配电网工况录波分类方法 | |
CN106443380B (zh) | 一种配电电缆局部放电信号识别方法及装置 | |
CN110632455A (zh) | 一种基于配网同步量测大数据的故障检测定位方法 | |
CN112215279B (zh) | 一种基于免疫rbf神经网络的电网故障诊断方法 | |
CN116432112A (zh) | 基于小波包变换、残差卷积神经网络的电弧故障检测方法 | |
CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161207 |
|
RJ01 | Rejection of invention patent application after publication |