CN109784276A - 一种基于dbn的电压暂降特征提取与暂降源辨识方法 - Google Patents
一种基于dbn的电压暂降特征提取与暂降源辨识方法 Download PDFInfo
- Publication number
- CN109784276A CN109784276A CN201910039570.4A CN201910039570A CN109784276A CN 109784276 A CN109784276 A CN 109784276A CN 201910039570 A CN201910039570 A CN 201910039570A CN 109784276 A CN109784276 A CN 109784276A
- Authority
- CN
- China
- Prior art keywords
- dbn
- data
- feature extraction
- model
- voltage dip
- 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
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于DBN的电压暂降特征提取与暂降源辨识方法,包括:数据获取:采集了由各种短路故障、变压器投切及电动机启动引起的电压暂降数据;数据预处理:将待匹配暂降波形进行滤波、消噪并提取凹陷域,统一时间序列长度,进行标准化计算,将所有暂降数据划分为训练集和测试集;训练DBN模型:将训练集数据与训练集标签批量输入模型,训练DBN的特征提取能力与分类能力;暂降源类型识别:将测试集数据输入DBN模型,利用训练好的模型对测试集数据进行特征提取与电压暂降源辨识。本发明在特征提取能力上具有更高的优越性,在暂降源识别能力上具有更高的准确性,精简了暂降源辨识模型的结构框架,提高了暂降源辨识效率,应用价值和前景巨大。
Description
技术领域
本发明属于电能质量扰动源识别领域,尤其涉及一种基于DBN的电压暂降特征提取与暂降源辨识方法。
背景技术
随着工业装备、建筑电气自动化及智能化水平越来越高,电压暂降问题对于工商业大用户的生产经营影响也越来越显著,特别是半导体制造、精密仪器加工、汽车制造等大量应用电力电子设备的工业,对电压暂降十分敏感,当电压有效值低于90%持续时间达到1~2周波以上时就会跳闸停运。电压暂降是一种常见的电能质量问题,电动机启动、变压器投切、短路故障等都会引起电压暂降现象,因电压暂降干扰而导致的生产中断和延缓呈明显的上升趋势,由此带来的直接及间接经济损失日趋严重,这对供电质量提出了更高要求。不同暂降源引起的电压波形特征是不同的,准确识别暂降源能有针对性地对当地的电压暂降情况进行分析、补偿和抑制,同时可作为电力供应部门和用户之间协调纠纷的依据,是治理电压暂降问题中必不可少的步骤。
电压暂降源辨识方法作为目前的研究热点,吸引了众多国内外学者参与相关研究。目前电压暂降源识别方法主要包括信息采集、特征提取、样本训练和分类辨识这几个主要步骤,主要针对电压暂降的波形特征展开研究,通过提取合理特征量,对大量样本进行训练进行电压暂降源识别,并获得众多成果。算法基本思想为利用双小波变换、Prony法、S变换等方法将暂降时域特性转变为频域特性,依据人为设定特征项进行特征量提取,再采用神经网络、支持向量机算法等分类模型进行暂降源识别。现有的一些电压暂降源识别方法目前存在的问题有:在时频转换过程中无法避免部分周期性不强的波形信息丢失,这直接导致了特征提取和电压暂降源辨识的不准确性。人工设定特征需建立在对待提取数据有一定理解的基础上,先依靠专家经验选择希望提取的目标特征,再使用各种手段对暂降特征进行针对性的提取,而随着新型设备逐渐渗透电网,给电网造成越来越多未知影响,依赖专家经验的人工设定特征显然不具备普适性。现阶段大量研究已证明浅层机器学习模型的局限性在于有限样本和计算单元情况下对复杂函数的表示能力有限,针对复杂分类问题其泛化能力受到一定制约,而电压暂降实际波形易受外界因素影响这使得浅层机器模型的暂降源辨识能力在准确度上仍有所欠缺。
针对以上问题,一种不过度依赖专家经验进行特征提取、能够良好地适应现代电网复杂环境、识别效率更高、识别正确率更高的电压暂降源识别方法是亟需解决的问题。
发明内容
技术问题:本发明针对现阶段电压暂降源识别方面研究的不足,提出了一种基于DBN的电压暂降特征提取与暂降源辨识方法。本发明所阐述的辨识方法充分利用DBN特征提取能力,将人工设定特征提取转变为自动生成特征提取,集特征提取器与分类器于一体,既解决了人工提取特征过度依赖专家经验,受未知特征影响较大不具备一般性的问题,又精简了暂降源辨识模型的结构框架,提高暂降源辨识效率,应用价值和前景巨大。
技术方案:为实现上述目的,本发明所采用的技术方案具体为:。
一种基于DBN的电压暂降特征提取与暂降源辨识方法,具体包括如下步骤:
步骤一,数据获取:采集由各种短路故障、变压器投切及电动机启动引起的电压暂降数据;
步骤二,数据预处理:将待匹配暂降波形进行滤波、消噪并提取凹陷域,统一时间序列长度,进行标准化计算,将所有暂降数据划分为训练集和测试集;
步骤三,训练DBN模型:将训练集数据与训练集标签批量输入模型,训练DBN的特征提取能力与分类能力;
步骤四,暂降源类型识别:将测试集数据输入DBN模型,利用训练好的模型对测试集数据进行特征提取与电压暂降源辨识。
作为本发明基于DBN的电压暂降特征提取与暂降源辨识方法的进一步优选方案,在步骤1中,获得电动机启动、变压器投切以及短路故障,其中,单相接地、两相短路、三相短路等不同类型的短路故障引起的电压暂降时域监测信号,按照不同暂降源划分为5类波形。
作为本发明基于DBN的电压暂降特征提取与暂降源辨识方法的进一步优选方案,在步骤2中,将所得暂降波形数据进行滤波、消噪,利用小波变换提取电压暂降凹陷域,将所得数据进行标准化,为下一步做准备;
作为本发明基于DBN的电压暂降特征提取与暂降源辨识方法的进一步优选方案,在步骤3中,使用训练集正向无监督学习输入数据的特征,使用各暂降波形所对应的正确分类标签对训练样本进行反向有监督微调,完成对DBN的训练,包括如下步骤:
步骤,31,建立一个多隐含层的DBN模型,根据数据维度确定各可视层、隐含层节点数;
步骤3.2,将电压暂降波形的时域数据进行预处理,批量输入模型;
步骤3.3,DBN模型中的每层RBM正向无监督学习输入数据的特征,根据逐贪婪算法逐层更新各层每单元的偏置值与隐含层之间的权重;
步骤3.4,依次输入各暂降波形所对应的正确分类标签;
步骤3.5,利用DBN模型中最后一次BP神经网络对训练样本进行反向有监督微调,完成对DBN的训练。
作为本发明基于DBN的电压暂降特征提取与暂降源辨识方法的进一步优选方案,在步骤4中,将待辨识波形数据输入DBN模型,利用训练好的模型对电压暂降数据的时域信号进行特征提取与分类,实现电压暂降源辨识。
有益效果:1、将人工设定特征提取转变为自动生成特征提取,减少了对传统信号处理技术中人为影响的依赖,能够从大量数据中自动提取特征,降低了传统方法中由于特征提取不当所造成的辨识错误率;2、无需进行时频转换,直接使用时域数据进行训练与辨识,保证了实时监测信息的完整性;3、DBN模型可以更有效反映暂降波形与暂降源之间的映射关系,更适用于现代大数据背景下时效性、实用性、多样性、通用性的暂降源辨识需求;4、基于DBN的模型集特征提取器与分类器于一体精简了暂降源辨识模型的结构框架,提高暂降源辨识效率。
附图说明
图1是本发明方法流程示意图;
图2是本发明方法拟定的各暂降类型的典型波形图;
图3是本发明DBN模型结构;
图4是本发明DBN提取特征的二维投影;
图5是本发明S变换提取特征的二维投影;
图6是本发明不同电压暂降源辨识方法辨识结果。
具体实施方式
以下结合附图和具体实施实例进一步描述。
如图1所示,本发明阐述的是一种基于DBN的电压暂降特征提取与暂降源辨识方法,包括以下步骤:
步骤一,数据获取。采集了由各种短路故障、变压器投切及电动机启动引起的电压暂降数据;
步骤二,数据预处理。将待匹配暂降波形进行滤波、消噪并提取凹陷域,统一时间序列长度,进行标准化计算,将所有暂降数据划分为训练集和测试集;
步骤三,训练DBN模型。将训练集数据与训练集标签批量输入模型,训练DBN的特征提取能力与分类能力;
步骤四,暂降源类型识别。将测试集数据输入DBN模型,利用训练好的模型对测试集数据进行特征提取与电压暂降源辨识。
上述步骤1中,获得电动机启动、变压器投切以及短路故障,其中单相接地、两相短路、三相短路等不同类型的短路故障引起的电压暂降时域监测信号,按照不同暂降源划分为5类波形,典型暂降波形有效值图如图2所示;
上述步骤2中,将所得暂降波形数据进行滤波、消噪,利用小波变换提取电压暂降凹陷域,将所得数据进行标准化,将所有暂降数据划分为训练集和测试集,为下一步做准备;
上述步骤3中,使用训练集正向无监督学习输入数据的特征,使用各暂降波形所对应的正确分类标签对训练样本进行反向有监督微调,完成对DBN的训练,包括如下步骤:
1、建立一个多隐含层的DBN模型(其中最后一层为BP神经网络),根据数据维度确定各可视层、隐含层节点数,根据最佳参数的仿真实验已确定模型参数。通过不断调整隐含层层数与隐含层单元数,计算不同情况下所提取到的特征的离散距离D,通过比较特征离散距离D的大小选取最佳隐含层层数与单元数。通过不断调整学习率,计算DBN在不同学习率下每次迭代后的误差损失率e%,通过比较误差损失率e%的大小选取合适的学习率并设置模型的最大迭代次数。
2、将经过预处理后的训练样本输入DBN模型进行特征提取与分类训练。
3、DBN模型中的每层RBM正向无监督学习输入数据的特征,根据逐贪婪算法逐层更新各层每单元的偏置值与隐含层之间的权重。DBN结构如图3所示,算法原理如下:
对于一组给定的状态(v,h),RBM可见层单元与隐含层单元的联合配置能量函数[25]为:
式中:θ=(w,a,b)为RBM模型的参数;vi、ai分别是第i个可见层单元的状态和偏置;hj、bj分别是第j个隐含层单元的状态和偏置;wij则为第i个可见层单元和第j个隐含层单元间的权重。n、m分别为该RBM可见层单元个数与隐含层单元个数。
由于RBM的状态概率服从正则分布,那么对于任意一组(v,h)的联合概率分布可表示为:
式中为配分函数。
可见层第i个单元和隐含层第j个单元的激活概率分别为:
式中为sigmoid激活函数。
将S={v1,v2,···,vs}(容量为s)作为训练样本,通过最大化RBM在样本上的对数似然函数L(θ)得到模型参数θ并拟合训练样本,则隐含层可看作可视层输入数据的特征。
将对数似然函数采用比散度(contrastive divergence,CD)算法[26]对θ求导。如wij:
采用吉布斯采样来确定训练样本的期望<vihj>data和RBM模型定义的期望<vihj>model。
至此wij可进行如下更新:
式中:θ为动量;η为学习率。同理ai和bj也可通过该方式进行更新。
4、依次输入各暂降波形所对应的正确分类标签
5、利用DBN模型中最后一次BP神经网络对训练样本进行反向有监督微调,完成对DBN的训练;
上述步骤4中,将经过预处理的测试集数据输入DBN模型,利用训练好的模型对电压暂降数据的时域信号进行特征提取与分类,实现电压暂降源辨识。
实施例
本发明提出的方法基于DBN模型,充分利用DBN特征提取能力,将人工设定特征提取转变为自动生成特征提取,集特征提取器与分类器于一体,实现电压暂降源辨识。从数据准备、网络构建、特征提取到暂降源辨识,层层处理数据、呈现有效结果。首先监测得到由各种短路故障、变压器投切及电动机启动引起的电压暂降数据。将待匹配暂降波形进行滤波、消噪并提取凹陷域,统一时间序列长度,进行标准化计算,并划分为训练集和测试集。然后将训练集数据与训练集标签批量输入模型,训练DBN的特征提取能力与分类能力。最后将测试集数据输入DBN模型,利用训练好的模型对测试集数据进行特征提取与电压暂降源辨识。
本发明实施例中的DBN模型参数按照最佳参数仿真实验结果选取,具体参数如下:
输入层包含单元个数即为电压暂降监测采样点个数;隐含层共5层,且每个隐含层单元个数均设为10;输出层单元个数即为电压暂降源类别个数。本算例所建立的DBN模型为7层模型,节点数为128-10-10-10-10-10-9;RBM最大迭代次数50,学习率0.1,动量参数为1。
将训练集600组电压暂降实测波形数据(包含115组三相短路电压暂降、115组单相接地电压暂降、115组两相短路电压暂降、115组变压器投切电压暂降、140组电动机启动电压暂降)经过预处理后输入DBN模型进行训练。将测试集350组电压暂降实测波形数据(包含50组三相短路电压暂降、50组单相接地电压暂降、50组两相短路电压暂降、100组变压器投切电压暂降、100组电动机启动电压暂降)经过预处理后输入DBN模型进行特征提取与分类。测试集电压暂降源辨识方法正确率如表1所示。由实验结果可知,利用DBN模型提取特征向量并进行分类的暂降源辨识方法正确率为98.57%,其中单相接地故障、变压器投切和电动机启动的辨识准确率可达100%。
表1
暂降源类别 | 测试样本数量 | 辨识正确数量 | 正确率 |
三相短路 | 50 | 46 | 92% |
单相接地 | 50 | 50 | 100% |
两相短路 | 50 | 49 | 98% |
变压器投切 | 100 | 100 | 100% |
电动机启动 | 100 | 100 | 100% |
总和 | 350 | 345 | 98.57% |
为了验证一种基于DBN的电压暂降特征提取方法在提取特征方面的优越性,将DBN特征提取结果与S变换特征提取结果进行对比,为方便对比DBN及其自动提取特征能力与S变换人工提取特征能力,使用PCA算法将两种方法所提取的特征向量投影至二维平面进行比较。DBN提取特征的二维投影与的二维投影如图4、图5所示。可以看出DBN提取特征的投影分界线更加分明,而且每个类型之间的分布距离远大于S变换方法提取的特征,更容易区分并且无过拟合问题。
将S变换人工提取特征值经SVM分类的结果、S变换人工提取特征值经DBN分类的结果与本文提出的直接使用DBN提取特征并分类的方法进行实验结果对比,如表2、图6所示。使用S变换提取特征向量后使用SVM进行分类的暂降源辨识方法正确率为83.43%;使用S变换提取特征向量后使用DBN模型进行分类的暂降源辨识方法正确率为88.86%;直接将时域数据输入DBN模型,利用DBN模型提取特征向量并进行分类的暂降源辨识方法正确率为98.57%,正确率远高于另外两种充电方法。图中蓝色标记代表测试样本的正确分类标签,红色标记代表采用各方面进行辨识的结果中辨识错误的类别,可以清晰看出,直接使用DBN提取特征并分类的方法所辨识的结果正确率最高。
表2
电压暂降源类别 | 测试样本数量 | S变换-SVM | S变换-DBN | DBN-DBN |
三相短路 | 50 | 68% | 72% | 92% |
单相接地 | 50 | 78% | 82% | 100% |
两相短路 | 50 | 78% | 76% | 98% |
变压器投切 | 100 | 91% | 97% | 100% |
电动机启动 | 100 | 89% | 99% | 100% |
总和 | 350 | 83.43% | 88.86% | 98.57% |
综上所述,基于测试数据与测试结果的比对,本发明所提出的一种基于DBN的电压暂降特征提取与暂降源辨识方法的识别结果总体正确率高达98.57%,证明该方法确实合理有效。与传统方法的优越性主要体现在:1、将人工设定特征提取转变为自动生成特征提取,减少了对传统信号处理技术中人为影响的依赖,能够从大量数据中自动提取特征,降低了传统方法中由于特征提取不当所造成的辨识错误率;2、无需进行时频转换,直接使用时域数据进行训练与辨识,保证了实时监测信息的完整性;3、DBN模型可以更有效反映暂降波形与暂降源之间的映射关系,更适用于现代大数据背景下时效性、实用性、多样性、通用性的暂降源辨识需求;4、基于DBN的模型集特征提取器与分类器于一体精简了暂降源辨识模型的结构框架,提高暂降源辨识效率。今后将对本方法做进一步一优化,在智能化、精确化方面做更深层次的研究。
Claims (5)
1.一种基于DBN的电压暂降特征提取与暂降源辨识方法,其特征在于:具体包括如下步骤:
步骤一,数据获取:采集由各种短路故障、变压器投切及电动机启动引起的电压暂降数据;
步骤二,数据预处理:将待匹配暂降波形进行滤波、消噪并提取凹陷域,统一时间序列长度,进行标准化计算,将所有暂降数据划分为训练集和测试集;
步骤三,训练DBN模型:将训练集数据与训练集标签批量输入模型,训练DBN的特征提取能力与分类能力;
步骤四,暂降源类型识别:将测试集数据输入DBN模型,利用训练好的模型对测试集数据进行特征提取与电压暂降源辨识。
2.根据权利要求1所述的基于DBN的电压暂降特征提取与暂降源辨识方法,其特征在于:在步骤1中,获得电动机启动、变压器投切以及短路故障,其中,单相接地、两相短路、三相短路等不同类型的短路故障引起的电压暂降时域监测信号,按照不同暂降源划分为5类波形。
3.根据权利要求2所述的基于DBN的电压暂降特征提取与暂降源辨识方法,其特征在于:在步骤2中,将所得暂降波形数据进行滤波、消噪,利用小波变换提取电压暂降凹陷域,将所得数据进行标准化,为下一步做准备。
4.根据权利要求3所述的基于DBN的电压暂降特征提取与暂降源辨识方法,其特征在于:在步骤3中,使用训练集正向无监督学习输入数据的特征,使用各暂降波形所对应的正确分类标签对训练样本进行反向有监督微调,完成对DBN的训练,包括如下步骤:
步骤,31,建立一个多隐含层的DBN模型,根据数据维度确定各可视层、隐含层节点数;
步骤3.2,将电压暂降波形的时域数据进行预处理,批量输入模型;
步骤3.3,DBN模型中的每层RBM正向无监督学习输入数据的特征,根据逐贪婪算法逐层更新各层每单元的偏置值与隐含层之间的权重;
步骤3.4,依次输入各暂降波形所对应的正确分类标签;
步骤3.5,利用DBN模型中最后一次BP神经网络对训练样本进行反向有监督微调,完成对DBN的训练。
5.根据权利要求4所述的基于DBN的电压暂降特征提取与暂降源辨识方法,其特征在于:在步骤4中,将待辨识波形数据输入DBN模型,利用训练好的模型对电压暂降数据的时域信号进行特征提取与分类,实现电压暂降源辨识。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910039570.4A CN109784276A (zh) | 2019-01-16 | 2019-01-16 | 一种基于dbn的电压暂降特征提取与暂降源辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910039570.4A CN109784276A (zh) | 2019-01-16 | 2019-01-16 | 一种基于dbn的电压暂降特征提取与暂降源辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109784276A true CN109784276A (zh) | 2019-05-21 |
Family
ID=66500715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910039570.4A Pending CN109784276A (zh) | 2019-01-16 | 2019-01-16 | 一种基于dbn的电压暂降特征提取与暂降源辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109784276A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110808580A (zh) * | 2019-10-25 | 2020-02-18 | 国网天津市电力公司电力科学研究院 | 基于小波变换和极限学习机的电压暂降源快速辨识方法 |
CN111488968A (zh) * | 2020-03-03 | 2020-08-04 | 国网天津市电力公司电力科学研究院 | 综合能源计量数据特征提取方法及系统 |
CN112036318A (zh) * | 2020-09-01 | 2020-12-04 | 海南电网有限责任公司电力科学研究院 | 电压暂降源同质集成辨识方法 |
CN112114232A (zh) * | 2020-09-22 | 2020-12-22 | 福州大学 | 基于小波分解和dbn的单极接地故障测距方法 |
CN112529066A (zh) * | 2020-12-07 | 2021-03-19 | 南京工程学院 | 一种基于bas-bp分类器模型的电压暂降源识别方法 |
CN112684284A (zh) * | 2020-11-30 | 2021-04-20 | 西安理工大学 | 将注意力机制与深度学习融合的电压暂降扰动源定位方法 |
CN113076892A (zh) * | 2021-04-09 | 2021-07-06 | 国电南瑞科技股份有限公司 | 一种基于深度学习sdae-bp的暂降类型识别方法、装置和系统 |
CN113191419A (zh) * | 2021-04-27 | 2021-07-30 | 河海大学 | 一种基于轨迹关键点匹配及区域划分的暂降同源事件检测、类型辨识方法 |
WO2022183698A1 (zh) * | 2021-03-05 | 2022-09-09 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于输电线路暂态波形的人工智能故障辨识系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729678A (zh) * | 2013-12-12 | 2014-04-16 | 中国科学院信息工程研究所 | 一种基于改进dbn模型的水军检测方法及系统 |
CN106198909A (zh) * | 2016-06-30 | 2016-12-07 | 中南大学 | 一种基于深度学习的水产养殖水质预测方法 |
CN107272644A (zh) * | 2017-06-21 | 2017-10-20 | 哈尔滨理工大学 | 潜油往复抽油机的dbn网络故障诊断方法 |
CN108388762A (zh) * | 2018-03-07 | 2018-08-10 | 武汉科技大学 | 基于深度置信网络的烧结矿化学成分预测方法 |
CN109086817A (zh) * | 2018-07-25 | 2018-12-25 | 西安工程大学 | 一种基于深度信念网络的高压断路器故障诊断方法 |
-
2019
- 2019-01-16 CN CN201910039570.4A patent/CN109784276A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729678A (zh) * | 2013-12-12 | 2014-04-16 | 中国科学院信息工程研究所 | 一种基于改进dbn模型的水军检测方法及系统 |
CN106198909A (zh) * | 2016-06-30 | 2016-12-07 | 中南大学 | 一种基于深度学习的水产养殖水质预测方法 |
CN107272644A (zh) * | 2017-06-21 | 2017-10-20 | 哈尔滨理工大学 | 潜油往复抽油机的dbn网络故障诊断方法 |
CN108388762A (zh) * | 2018-03-07 | 2018-08-10 | 武汉科技大学 | 基于深度置信网络的烧结矿化学成分预测方法 |
CN109086817A (zh) * | 2018-07-25 | 2018-12-25 | 西安工程大学 | 一种基于深度信念网络的高压断路器故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
FEI MEI等: "Online Recognition Method for Voltage Sags Based on a Deep Belief Network", 《ENERGIES,MDPI,OPEN ACCESS JOURNAL》 * |
朱乔木等: "基于深度置信网络的电力系统暂态稳定评估方法", 《中国电机工程学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110808580A (zh) * | 2019-10-25 | 2020-02-18 | 国网天津市电力公司电力科学研究院 | 基于小波变换和极限学习机的电压暂降源快速辨识方法 |
CN110808580B (zh) * | 2019-10-25 | 2023-07-28 | 国网天津市电力公司电力科学研究院 | 基于小波变换和极限学习机的电压暂降源快速辨识方法 |
CN111488968A (zh) * | 2020-03-03 | 2020-08-04 | 国网天津市电力公司电力科学研究院 | 综合能源计量数据特征提取方法及系统 |
CN112036318A (zh) * | 2020-09-01 | 2020-12-04 | 海南电网有限责任公司电力科学研究院 | 电压暂降源同质集成辨识方法 |
CN112036318B (zh) * | 2020-09-01 | 2023-10-20 | 海南电网有限责任公司电力科学研究院 | 电压暂降源同质集成辨识方法 |
CN112114232A (zh) * | 2020-09-22 | 2020-12-22 | 福州大学 | 基于小波分解和dbn的单极接地故障测距方法 |
CN112684284A (zh) * | 2020-11-30 | 2021-04-20 | 西安理工大学 | 将注意力机制与深度学习融合的电压暂降扰动源定位方法 |
CN112529066A (zh) * | 2020-12-07 | 2021-03-19 | 南京工程学院 | 一种基于bas-bp分类器模型的电压暂降源识别方法 |
CN112529066B (zh) * | 2020-12-07 | 2024-04-16 | 南京工程学院 | 一种基于bas-bp分类器模型的电压暂降源识别方法 |
WO2022183698A1 (zh) * | 2021-03-05 | 2022-09-09 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于输电线路暂态波形的人工智能故障辨识系统及方法 |
CN113076892A (zh) * | 2021-04-09 | 2021-07-06 | 国电南瑞科技股份有限公司 | 一种基于深度学习sdae-bp的暂降类型识别方法、装置和系统 |
CN113191419A (zh) * | 2021-04-27 | 2021-07-30 | 河海大学 | 一种基于轨迹关键点匹配及区域划分的暂降同源事件检测、类型辨识方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784276A (zh) | 一种基于dbn的电压暂降特征提取与暂降源辨识方法 | |
CN108984745A (zh) | 一种融合多知识图谱的神经网络文本分类方法 | |
CN102324038B (zh) | 一种基于数字图像的植物种类识别方法 | |
CN106485262A (zh) | 一种母线负荷预测方法 | |
CN107817404A (zh) | 一种便携式计量自动化终端故障诊断装置及其诊断方法 | |
CN106548013B (zh) | 利用改进不完全s变换的电压暂降源识别方法 | |
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 | |
CN110443302A (zh) | 基于特征融合与深度学习的负荷辨识方法及其应用 | |
CN109598451A (zh) | 一种基于pca与lstm神经网络的非侵入式负荷辨识方法 | |
CN103136587A (zh) | 基于支持向量机的配电网运行状态分类识别方法 | |
CN109190890A (zh) | 一种基于用户电力消费数据的用户行为分析方法 | |
CN110070102B (zh) | 用于电能质量扰动类型识别的序列对序列模型建立方法 | |
CN105022021A (zh) | 一种基于多智能体的关口电能计量装置的状态识别方法 | |
CN109828184A (zh) | 一种基于互近似熵的电压暂降源识别方法 | |
CN110909977A (zh) | 基于adasyn-dhsd-et的电网故障诊断方法 | |
CN108345906B (zh) | 一种基于Boost模型的非侵入式用电器识别方法 | |
CN107153845A (zh) | 一种基于机器学习的自适应并网光伏系统的孤岛检测法 | |
CN112633658A (zh) | 一种基于cnn-lstm的低压台区拓扑关系识别方法 | |
CN110738232A (zh) | 一种基于数据挖掘技术的电网电压越限成因诊断方法 | |
CN110321555A (zh) | 一种基于循环神经网络模型的电网信号分类方法 | |
CN115659254A (zh) | 一种双模态特征融合的配电网电能质量扰动分析方法 | |
CN116484299A (zh) | 基于梯度提升树与多层感知机融合的充电桩故障诊断方法 | |
CN113659564B (zh) | 基于电压波动特征聚类的低压配电网拓扑识别方法及系统 | |
CN111562541A (zh) | 一种应用cart算法实现电能表检测数据管理的软件平台 | |
CN110059737A (zh) | 基于集成深度神经网络的配电变压器连接关系辨识方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190521 |