CN107449994A - 基于cnn‑dbn网络的局放故障诊断方法 - Google Patents

基于cnn‑dbn网络的局放故障诊断方法 Download PDF

Info

Publication number
CN107449994A
CN107449994A CN201710536255.3A CN201710536255A CN107449994A CN 107449994 A CN107449994 A CN 107449994A CN 201710536255 A CN201710536255 A CN 201710536255A CN 107449994 A CN107449994 A CN 107449994A
Authority
CN
China
Prior art keywords
partial discharge
data
degree
networks
learning network
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
CN201710536255.3A
Other languages
English (en)
Inventor
贾骏
胡成博
周志成
陶风波
谢天喜
徐阳
陈舒
徐长福
徐家园
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 Corp of China SGCC
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
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 Corp of China SGCC, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201710536255.3A priority Critical patent/CN107449994A/zh
Publication of CN107449994A publication Critical patent/CN107449994A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1227Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
    • G01R31/1254Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of gas-insulated power appliances or vacuum gaps
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/088Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明公开了一种基于CNN‑DBN网络的局放故障诊断方法,包括构建基于深度卷积神经网络以及受限玻尔兹曼机模型的深信度学习网络;采集局放仿真数据和实测局放数据,将部分局放仿真数据和实测局放数据混合作为训练样本集,将剩余的局放仿真数据和实测局放数据混合作为测试样本集;利用训练样本集,对深信度学习网络进行无监督训练,提取跨模式特征;将跨模式特征送入逻辑回归分类器,利用测试样本集,对回归分类器进行监督训练,得到训练完成的深信度学习网络;将待测的局放数据输入训练完成的深信度学习网络,得到局放故障诊断结果。本发明提高了故障诊断的准确率。

Description

基于CNN-DBN网络的局放故障诊断方法
技术领域
本发明涉及一种基于CNN-DBN网络的局放故障诊断方法,具体涉及一种基于CNN-DBN网络的GIS组合电器设备局放故障诊断方法,属于设备故障诊断领域。
背景技术
现代电力系统中,GIS组合电器的出现,为输配电站的建设提供了新的解决方案,一个GIS组合电器中可以封装断路器、隔离开关、压变、流变、避雷器、母线、套管等多种电气设备,并通过六氟化硫气体缩短绝缘距离,节约场地。由于可靠性高、其占地面积小、检修周期长的特点、广泛用于各个电压等级的输变电设备中。
可是,正因为GIS设备全封闭的特点,其制造的工艺要求更为严格,细小的瑕疵也会导致严重的故障,而且,GIS组合电气整体封装在六氟化硫密闭室里,不易检修。因此,通过有效的方法对GIS组合电气进行缺陷检测与识别具有极其重要的意义。现有的方法必须依赖一定的数据特征提取,如小波变换模型以及Hilbert-Huang能量变换模型,GIS组合电气局放信号中含有大量高频分量,而小波变换、Hilbert-Huang变换等对噪声均有一定的敏感性。并且,基于特征提取的方法所提取的特征并不一定反映实际缺陷。
发明内容
为了解决上述技术问题,本发明提供了一种基于CNN-DBN网络的局放故障诊断方法。
为了达到上述目的,本发明所采用的技术方案是:
基于CNN-DBN网络的局放故障诊断方法,包括,
构建基于深度卷积神经网络以及受限玻尔兹曼机模型的深信度学习网络;
采集局放仿真数据和实测局放数据,将部分局放仿真数据和实测局放数据混合作为训练样本集,将剩余的局放仿真数据和实测局放数据混合作为测试样本集;
利用训练样本集,对深信度学习网络进行无监督训练,提取跨模式特征;
将跨模式特征送入逻辑回归分类器,利用测试样本集,对回归分类器进行监督训练,得到训练完成的深信度学习网络;
将待测的局放数据输入训练完成的深信度学习网络,得到局放故障诊断结果。
深信度学习网络包括依次连接的若干层卷积神经网络、若干层深度信念网络和若干层BP网络。
卷积神经网络有6层,深度信念网络有4层,BP网络有2层。
卷积神经网络中,每一层网络的激活函数采用ReLu函数,每一层BP网络的激活函数采用sigmoid函数。
在进行训练深信度学习网络之前,需要对采集局放仿真数据和实测局放数据进行预处理,得到符合深信度学习网络输入的数据。
根据公式得到局放故障诊断结果,其中为局放故障诊断结果,p(X|Z)为故障分布的似然模型,Z为已经训练好的各种故障发生的概率,X为待测的局放数据输入深信度学习网络后的输出值。
本发明所达到的有益效果:1、本发明基于深信度学习网络(CNN-DBN网络)进行GIS组合电器设备局放故障诊断,深信度学习网络在处理数据过程中隐藏了特征提取过程,特征提取由深度网络在训练与学习过程中自行生成,即使在部分数据特征被噪声淹没的极端情况下也能取得较好的识别率,提高了故障诊断的准确率;2、在实际诊断过程中,实测数据的数量不够,不能满足样本的数量要求,如果全部采用仿真数据,则会出现过拟合,因此本发明将将仿真数据和实测数据相结合,既能获取足够的样本数量也能保证的正确率。
附图说明
图1为深信度学习网络的结构示意图;
图2为深度信念网络模型。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
基于CNN-DBN网络的局放故障诊断方法,包括以下步骤:
步骤1,构建基于深度卷积神经网络以及受限玻尔兹曼机模型的深信度学习网络。
深信度学习网络包括依次连接的若干层卷积神经网络、若干层深度信念网络和若干层BP网络。结合运行速度和准确率,经过优化设计及验证后,最优的深信度学习网络如图1所示,包括6层卷积神经网络(CNN网络),4层无监督的深度信念网络(RBM)以及2层BP网络;卷积神经网络中,每一层网络的激活函数采用ReLu函数,每一层BP网络的激活函数采用sigmoid函数。
卷积神经网络用于抽取局放波谱图中的特征模式,深度信念网络用于抽取信号中的特征进行模式识别;BP网络用于对深度信念网络的结果进行特征抽取与分类,从而得到最终结果。
卷积神经网络中,一个卷积层的特征maps被一个可学习的卷积核进行卷积,然后通过一个激活函数,就可以得到输出特征map。每一个输出特征map可能是组合卷积多个输入maps的值,神经元表达式为f()为激活函数,xi表示前一层第i个神经元的输出,Mj表示从前一层第i个神经元节点到本层j个神经元节点的集合,wij为权重,bi表示偏移量,y表示输出。
一个深度信念网络模型由m输入单元V=(V1,…,Vm)和n个隐藏单元H=(H1,…,Hn)来获取变量之间特征关系。随机变量(V,H)的取值为(v,h)∈{0,1}m+n,v和h分别表示V和H中的元素,具体关系表示如下图2所示图中c和b均表示隐含变量,深度信念网络模型下的联合概率分布由具有能量函数的吉布斯分布给出,Z′为一常数,它的能量函数表示为:
根据贝叶斯理论,
因此,输出可由如下推导得来
即深度信念网络的表达式为
每个BP网络的表达式为y=f(∑wixi),xi表示前一层第i个神经元的输出,wi表示对应的权重。
步骤2,采集局放仿真数据和实测局放数据,将部分局放仿真数据和实测局放数据混合作为训练样本集,将剩余的局放仿真数据和实测局放数据混合作为测试样本集;局放仿真数据和实测局放数据均为局放波谱图像。
步骤3,对采集局放仿真数据和实测局放数据进行预处理,得到符合深信度学习网络输入的数据。
预处理过程为:先通过卡尔曼滤波器去除噪声,进而对图像进行resize处理。
步骤4,利用训练样本集,对深信度学习网络进行无监督训练,提取跨模式特征,即提取各个参数的权值。
步骤5,将跨模式特征送入逻辑回归分类器,利用测试样本集,对回归分类器进行监督训练,得到训练完成的深信度学习网络。
监督训练过程,是将测试样本集中的数据输入深信度学习网络,将得到的结果与已知的结果进行比较,得到误差,从而调整各个参数的权值,然后再输入测试样本集中的数据,得到新的误差,再调整各个参数的权值,如此循环,直到误差小于设定的阈值。
步骤6,将待测的局放数据输入训练完成的深信度学习网络,得到局放故障诊断结果。
利用深信度学习网络算法理论中的公式,即计算所有可能故障发生的概率,取概率最大的结果为局放故障诊断结果,其中为局放故障诊断结果,p(X|Z)为故障分布的似然模型,Z为已经训练好的各种故障发生的概率,X为待测的局放数据输入深信度学习网络后的输出值。
上述方法基于深信度学习网络(CNN-DBN网络)进行GIS组合电器设备局放故障诊断,深信度学习网络在处理数据过程中隐藏了特征提取过程,特征提取由深度网络在训练与学习过程中自行生成,即使在部分数据特征被噪声淹没的极端情况下也能取得较好的识别率,提高了故障诊断的准确率;上述方法将将仿真数据和实测数据相结合,既能获取足够的样本数量也能保证的正确率。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。

Claims (6)

1.基于CNN-DBN网络的局放故障诊断方法,其特征在于:包括,
构建基于深度卷积神经网络以及受限玻尔兹曼机模型的深信度学习网络;
采集局放仿真数据和实测局放数据,将部分局放仿真数据和实测局放数据混合作为训练样本集,将剩余的局放仿真数据和实测局放数据混合作为测试样本集;
利用训练样本集,对深信度学习网络进行无监督训练,提取跨模式特征;
将跨模式特征送入逻辑回归分类器,利用测试样本集,对回归分类器进行监督训练,得到训练完成的深信度学习网络;
将待测的局放数据输入训练完成的深信度学习网络,得到局放故障诊断结果。
2.根据权利要求1所述的基于CNN-DBN网络的局放故障诊断方法,其特征在于:深信度学习网络包括依次连接的若干层卷积神经网络、若干层深度信念网络和若干层BP网络。
3.根据权利要求2所述的基于CNN-DBN网络的局放故障诊断方法,其特征在于:卷积神经网络有6层,深度信念网络有4层,BP网络有2层。
4.根据权利要求3所述的基于CNN-DBN网络的局放故障诊断方法,其特征在于:卷积神经网络中,每一层网络的激活函数采用ReLu函数,每一层BP网络的激活函数采用sigmoid函数。
5.根据权利要求1所述的基于CNN-DBN网络的局放故障诊断方法,其特征在于:在进行训练深信度学习网络之前,需要对采集局放仿真数据和实测局放数据进行预处理,得到符合深信度学习网络输入的数据。
6.根据权利要求1所述的基于CNN-DBN网络的局放故障诊断方法,其特征在于:根据公式得到局放故障诊断结果,其中为局放故障诊断结果,p(X|Z)为故障分布的似然模型,Z为已经训练好的各种故障发生的概率,X为待测的局放数据输入深信度学习网络后的输出值。
CN201710536255.3A 2017-07-04 2017-07-04 基于cnn‑dbn网络的局放故障诊断方法 Pending CN107449994A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710536255.3A CN107449994A (zh) 2017-07-04 2017-07-04 基于cnn‑dbn网络的局放故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710536255.3A CN107449994A (zh) 2017-07-04 2017-07-04 基于cnn‑dbn网络的局放故障诊断方法

Publications (1)

Publication Number Publication Date
CN107449994A true CN107449994A (zh) 2017-12-08

Family

ID=60487662

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710536255.3A Pending CN107449994A (zh) 2017-07-04 2017-07-04 基于cnn‑dbn网络的局放故障诊断方法

Country Status (1)

Country Link
CN (1) CN107449994A (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108446451A (zh) * 2018-02-27 2018-08-24 天津大学 一种基于elm的低噪声放大器温度特性建模方法
CN108519768A (zh) * 2018-03-26 2018-09-11 华中科技大学 一种基于深度学习和信号分析的故障诊断方法
CN108664690A (zh) * 2018-03-24 2018-10-16 北京工业大学 基于深度信念网络的多应力下长寿命电子器件可靠性寿命评估方法
CN109164362A (zh) * 2018-09-25 2019-01-08 上海交通大学 一种直流电缆局部放电缺陷故障的识别方法及系统
CN109635931A (zh) * 2018-12-14 2019-04-16 吉林大学 一种基于深度信念网的设备运行状态评价方法
CN109635928A (zh) * 2018-12-06 2019-04-16 华北电力大学 一种基于深度学习模型融合的电压暂降原因识别方法
CN110006645A (zh) * 2019-05-10 2019-07-12 北京航空航天大学 一种多源融合的高压断路器机械故障诊断方法
CN110334782A (zh) * 2019-06-28 2019-10-15 西安理工大学 多卷积层驱动的深度信念网络书法风格识别方法
CN110389570A (zh) * 2018-04-19 2019-10-29 株洲中车时代电气股份有限公司 一种机车牵引系统故障诊断装置及方法
CN111368888A (zh) * 2020-02-25 2020-07-03 重庆邮电大学 基于深度动态贝叶斯网络的服务功能链故障诊断方法
CN111553297A (zh) * 2020-05-06 2020-08-18 东华大学 一种基于2d-cnn和dbn的涤纶长丝生产故障诊断方法和系统
EP3699614A1 (en) * 2019-02-22 2020-08-26 Ormazabal Corporate Technology, A.I.E. Method and system of partial discharge recognition for diagnosing electrical networks
CN111722145A (zh) * 2020-06-12 2020-09-29 华北电力大学(保定) 一种同步电机励磁绕组匝间短路轻度故障诊断方法
CN112307851A (zh) * 2019-08-02 2021-02-02 上海交通大学烟台信息技术研究院 一种电力铁塔上鸟巢的识别方法及系统
CN112527547A (zh) * 2020-12-17 2021-03-19 中国地质大学(武汉) 一种基于自动卷积神经网络的机械智能故障预测方法
IT202000004303A1 (it) * 2020-03-02 2021-09-02 St Microelectronics Srl Circuito per rilevare scariche parziali, dispositivo, sistema e procedimento corrispondenti
CN113655348A (zh) * 2021-07-28 2021-11-16 国网湖南省电力有限公司 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质
CN115480134A (zh) * 2022-09-02 2022-12-16 国网安徽省电力有限公司电力科学研究院 一种基于设备局部放电数据图的故障识别方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102735999A (zh) * 2012-07-02 2012-10-17 山东电力集团公司电力科学研究院 Gis局部放电在线监测系统及其故障模式识别方法
CN106291234A (zh) * 2016-07-29 2017-01-04 武汉大学 一种基于卷积神经网络的输电线路区内外故障判断及故障选相方法
CN106291351A (zh) * 2016-09-20 2017-01-04 西安工程大学 基于卷积神经网络算法的高压断路器故障检测方法
CN106326899A (zh) * 2016-08-18 2017-01-11 郑州大学 一种基于高光谱图像和深度学习算法的烟叶分级方法
CN106556781A (zh) * 2016-11-10 2017-04-05 华乘电气科技(上海)股份有限公司 基于深度学习的局部放电缺陷图像诊断方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102735999A (zh) * 2012-07-02 2012-10-17 山东电力集团公司电力科学研究院 Gis局部放电在线监测系统及其故障模式识别方法
CN106291234A (zh) * 2016-07-29 2017-01-04 武汉大学 一种基于卷积神经网络的输电线路区内外故障判断及故障选相方法
CN106326899A (zh) * 2016-08-18 2017-01-11 郑州大学 一种基于高光谱图像和深度学习算法的烟叶分级方法
CN106291351A (zh) * 2016-09-20 2017-01-04 西安工程大学 基于卷积神经网络算法的高压断路器故障检测方法
CN106556781A (zh) * 2016-11-10 2017-04-05 华乘电气科技(上海)股份有限公司 基于深度学习的局部放电缺陷图像诊断方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张新伯 等: ""用于局部放电模式识别的深度置信网络方法"", 《电网技术》 *
王俊淑 等: ""高光谱遥感图像DE-self-training 半监督分类算法"", 《农业机械学报》 *
石鑫 等: ""基于深度信念网络的电力变压器的故障分类建模"", 《电力系统保护与控制》 *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108446451A (zh) * 2018-02-27 2018-08-24 天津大学 一种基于elm的低噪声放大器温度特性建模方法
CN108664690A (zh) * 2018-03-24 2018-10-16 北京工业大学 基于深度信念网络的多应力下长寿命电子器件可靠性寿命评估方法
CN108519768A (zh) * 2018-03-26 2018-09-11 华中科技大学 一种基于深度学习和信号分析的故障诊断方法
CN110389570A (zh) * 2018-04-19 2019-10-29 株洲中车时代电气股份有限公司 一种机车牵引系统故障诊断装置及方法
CN109164362A (zh) * 2018-09-25 2019-01-08 上海交通大学 一种直流电缆局部放电缺陷故障的识别方法及系统
CN109164362B (zh) * 2018-09-25 2021-01-08 上海交通大学 一种直流电缆局部放电缺陷故障的识别方法及系统
CN109635928A (zh) * 2018-12-06 2019-04-16 华北电力大学 一种基于深度学习模型融合的电压暂降原因识别方法
CN109635931A (zh) * 2018-12-14 2019-04-16 吉林大学 一种基于深度信念网的设备运行状态评价方法
EP3699614A1 (en) * 2019-02-22 2020-08-26 Ormazabal Corporate Technology, A.I.E. Method and system of partial discharge recognition for diagnosing electrical networks
CN110006645A (zh) * 2019-05-10 2019-07-12 北京航空航天大学 一种多源融合的高压断路器机械故障诊断方法
CN110006645B (zh) * 2019-05-10 2020-07-03 北京航空航天大学 一种多源融合的高压断路器机械故障诊断方法
CN110334782A (zh) * 2019-06-28 2019-10-15 西安理工大学 多卷积层驱动的深度信念网络书法风格识别方法
CN112307851A (zh) * 2019-08-02 2021-02-02 上海交通大学烟台信息技术研究院 一种电力铁塔上鸟巢的识别方法及系统
CN111368888A (zh) * 2020-02-25 2020-07-03 重庆邮电大学 基于深度动态贝叶斯网络的服务功能链故障诊断方法
CN111368888B (zh) * 2020-02-25 2022-07-01 重庆邮电大学 基于深度动态贝叶斯网络的服务功能链故障诊断方法
IT202000004303A1 (it) * 2020-03-02 2021-09-02 St Microelectronics Srl Circuito per rilevare scariche parziali, dispositivo, sistema e procedimento corrispondenti
CN111553297B (zh) * 2020-05-06 2022-03-15 东华大学 一种基于2d-cnn和dbn的涤纶长丝生产故障诊断方法和系统
CN111553297A (zh) * 2020-05-06 2020-08-18 东华大学 一种基于2d-cnn和dbn的涤纶长丝生产故障诊断方法和系统
CN111722145A (zh) * 2020-06-12 2020-09-29 华北电力大学(保定) 一种同步电机励磁绕组匝间短路轻度故障诊断方法
CN112527547B (zh) * 2020-12-17 2022-05-17 中国地质大学(武汉) 一种基于自动卷积神经网络的机械智能故障预测方法
CN112527547A (zh) * 2020-12-17 2021-03-19 中国地质大学(武汉) 一种基于自动卷积神经网络的机械智能故障预测方法
CN113655348A (zh) * 2021-07-28 2021-11-16 国网湖南省电力有限公司 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质
CN113655348B (zh) * 2021-07-28 2023-12-08 国网湖南省电力有限公司 一种基于深度孪生网络的电力设备局部放电故障诊断方法、系统终端及可读存储介质
CN115480134A (zh) * 2022-09-02 2022-12-16 国网安徽省电力有限公司电力科学研究院 一种基于设备局部放电数据图的故障识别方法及系统
CN115480134B (zh) * 2022-09-02 2024-06-14 国网安徽省电力有限公司电力科学研究院 一种基于设备局部放电数据图的故障识别方法及系统

Similar Documents

Publication Publication Date Title
CN107449994A (zh) 基于cnn‑dbn网络的局放故障诊断方法
Du et al. Single line-to-ground faulted line detection of distribution systems with resonant grounding based on feature fusion framework
CN110262463B (zh) 一种基于深度学习的轨道交通站台门故障诊断系统
CN110514924A (zh) 深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位方法
CN102707256B (zh) 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法
CN104809722B (zh) 一种基于红外热像的电气设备故障诊断方法
CN109308522B (zh) 一种基于循环神经网络的gis故障预测方法
CN107766816A (zh) 一种基于lvq神经网络的高压断路器机械故障识别方法
CN109933881A (zh) 一种基于优化深度信念网络的电力电子电路故障诊断方法
CN108732528A (zh) 一种基于深度置信网络的数字化电能表故障诊断方法
CN108520301A (zh) 一种基于深度置信网络的电路间歇故障诊断方法
CN110161343A (zh) 一种智能列车外部受电装置的非侵入式实时动态监测方法
CN103530620A (zh) 一种输电线路杆塔鸟巢的识别方法
CN104808107A (zh) 一种xlpe电缆局部放电缺陷类型识别方法
CN109141847A (zh) 一种基于mscnn深度学习的飞机系统故障诊断方法
CN103995237A (zh) 一种卫星电源系统在线故障诊断方法
TC et al. Enhanced deep convolutional neural network for fault signal recognition in the power distribution system
CN104318485A (zh) 一种基于神经网络和模糊逻辑的输电线路故障判别方法
Omar et al. Fault classification on transmission line using LSTM network
CN109061391B (zh) 一种基于计算机视觉潮流图的电网故障诊断方法及系统
CN106338674A (zh) 基于改进ecoc分类器的直流电缆接头绝缘故障诊断方法及系统
Sima et al. Edge–cloud collaboration detection approach for small-sample imbalanced faults in power lines
CN116127856A (zh) 一种基于深层神经网络的永磁同步电机故障诊断方法
CN113610119B (zh) 基于卷积神经网络识别输电线路发展性故障的方法
CN113392773A (zh) 基于图谱信息融合的卷积神经网络的变压器故障诊断系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20171208