CN110261749A - 一种gis局部放电故障识别模型构建方法、装置及故障识别方法 - Google Patents
一种gis局部放电故障识别模型构建方法、装置及故障识别方法 Download PDFInfo
- Publication number
- CN110261749A CN110261749A CN201910673662.8A CN201910673662A CN110261749A CN 110261749 A CN110261749 A CN 110261749A CN 201910673662 A CN201910673662 A CN 201910673662A CN 110261749 A CN110261749 A CN 110261749A
- Authority
- CN
- China
- Prior art keywords
- fault
- sample data
- identification model
- discharge
- fault identification
- 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
- 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
- G01R31/12—Testing 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
- G01R31/1227—Testing 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本申请提供了一种GIS局部放电故障识别模型构建方法、装置及故障识别方法,其中的模型构建方法包括:通过超高频监测法,获取GIS设备局部放电故障时的故障样本数据;根据故障样本数据,生成与故障样本数据相对应的PRPD二维谱图,并从PRPD二维谱图提取故障样本数据的局部放电特征参数;通过卷积神经网络对局部放电特征参数进行训练,得到局部放电故障识别模型。基于本申请建立的局部放电故障识别模型,通过将采集到的GIS设备的局部放电信号对应的PRPD二维谱图作为输入量,输入至局部放电故障识别模型中,由局部放电故障识别模型自动进行分析识别故障类型,避免了人为主观意识对判断结果的影响,解决了现有的GIS设备故障识别结果不准确的技术问题。
Description
技术领域
本申请涉及电力故障识别技术领域,尤其涉及一种GIS局部放电故障识别模型构建方法、装置及故障识别方法。
背景技术
GIS(Gas Insulated Substation,气体绝缘全封闭组合电器)广泛应用于电力系统,其故障率直接影响到整个电网的供电可靠性,随着时间的推移,GIS的绝缘老化会进一步加剧,由此而引起的电网故障将更加频繁,这将严重威胁电网的安全运行,因此,GIS设备的运维管理对于电网安全的重要性不言而喻。
现有的GIS故障处理都是通过维修人员根据故障现场判断GIS设备的故障情况,在针对故障情况进行维修,但是这种运维方式对维修人员的维修经验的依赖程度很高,导致了现有的GIS设备故障识别依赖于维修人员的主观判断,使得故障识别结果不准确。
发明内容
本申请提供了一种GIS局部放电故障识别模型构建方法、装置及故障识别方法,用于解决现有的GIS设备故障识别结果不准确的技术问题。
有鉴于此,本申请第一方面提供了一种GIS局部放电故障识别模型构建方法,包括:
通过超高频监测法,获取GIS设备局部放电故障时的故障样本数据;
根据所述故障样本数据,生成与所述故障样本数据相对应的PRPD二维谱图,并从所述PRPD二维谱图提取所述故障样本数据的局部放电特征参数;
通过卷积神经网络对所述局部放电特征参数进行训练,得到局部放电故障识别模型。
优选地,所述通过卷积神经网络对所述局部放电特征参数进行训练,得到局部放电故障识别模型具体包括:
将所述局部放电特征参数输入至卷积神经网络模型,通过所述卷积神经网络模型中预置的前向传播算法进行训练,得到局部放电故障识别模型。
优选地,所述将所述局部放电特征参数输入至卷积神经网络模型,通过前向传播算法进行训练,得到局部放电故障识别模型之后还包括:
当所述局部放电故障识别模型的输出结果与预置的期望值的误差大于预置的第一阈值时,则通过预置的反向传播算法更新所述局部放电故障识别模型的权值矩阵。
优选地,所述故障样本数据具体包括:尖端放电故障样本数据、悬浮放电故障样本数据、沿面放电故障样本数据、内部放电故障样本数据以及颗粒放电故障样本数据中的一种或多种。
优选地,所述局部放电特征参数具体包括:所述PRPD二维谱图中的平面二维像素点参数和RGB通道参数。
本申请第二方面提供了一种GIS局部放电故障识别模型构建装置,包括:
样本获取模块,用于通过超高频监测法,获取GIS设备局部放电故障时的故障样本数据;
特征提取模块,用于根据所述故障样本数据,生成与所述故障样本数据相对应的PRPD二维谱图,并从所述PRPD二维谱图提取所述故障样本数据的局部放电特征参数;
模型训练模块,用于通过卷积神经网络对所述局部放电特征参数进行训练,得到局部放电故障识别模型。
优选地,所述模型训练模块具体用于:
将所述局部放电特征参数输入至卷积神经网络模型,通过所述卷积神经网络模型中预置的前向传播算法进行训练,得到局部放电故障识别模型。
优选地,还包括:
误差修正模块,用于当所述局部放电故障识别模型的输出结果与预置的期望值的误差大于预置的第一阈值,则通过预置的反向传播算法更新所述局部放电故障识别模型的权值矩阵。
优选地,所述故障样本数据具体包括:尖端放电故障样本数据、悬浮放电故障样本数据、沿面放电故障样本数据、内部放电故障样本数据以及颗粒放电故障样本数据中的一种或多种;
所述局部放电特征参数具体包括:所述PRPD二维谱图中的平面二维像素点参数和RGB通道参数。
本申请第三方面提供了一种GIS局部放电故障识别方法,包括:
通过超高频监测法,获取GIS设备的局部放电信号;
根据所述局部放电信号,生成与所述局部放电信号相对应的PRPD二维谱图,并从所述PRPD二维谱图提取所述局部放电信号的局部放电特征参数;
将所述局部放电特征参数输入至局部放电故障识别模型,由所述局部放电故障识别模型进行故障判别,并输出判定结果;
其中,所述局部放电故障识别模型具体通过本申请第一方面所述的GIS局部放电故障识别模型构建方法得到。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请提供了一种GIS局部放电故障识别模型构建方法,包括:通过超高频监测法,获取GIS设备局部放电故障时的故障样本数据;根据所述故障样本数据,生成与所述故障样本数据相对应的PRPD二维谱图,并从所述PRPD二维谱图提取所述故障样本数据的局部放电特征参数;通过卷积神经网络对所述局部放电特征参数进行训练,得到局部放电故障识别模型。
基于本申请建立的局部放电故障识别模型,通过将采集到的GIS设备的局部放电信号对应的PRPD二维谱图作为输入量,输入至局部放电故障识别模型中,由局部放电故障识别模型自动进行分析识别故障类型,避免了人为主观意识对判断结果的影响,解决了现有的GIS设备故障识别结果不准确的技术问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本申请提供的一种GIS局部放电故障识别模型构建方法的第一个实施例的流程示意图;
图2为本申请提供的一种GIS局部放电故障识别模型构建方法的第二个实施例的流程示意图;
图3为本申请提供的一种GIS局部放电故障识别模型构建装置的第一个实施例的结构示意图;
图4为本申请提供的一种GIS局部放电故障识别方法的第一个实施例的流程示意图。
具体实施方式
本申请实施例提供了一种GIS局部放电故障识别模型构建方法、装置及故障识别方法,用于解决现有的GIS设备故障识别结果不准确的技术问题。
为使得本申请的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本申请一部分实施例,而非全部的实施例。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它实施例,都属于本申请保护的范围。
请参阅图1,本申请实施例提供了一种GIS局部放电故障识别模型构建方法,包括:
步骤101、通过超高频监测法,获取GIS设备局部放电故障时的故障样本数据。
需要说明的是,在建立GIS局部放电故障识别模型前,需要先通过超高频监测法,获取GIS设备在局部放电故障时的故障样本数据。
步骤102、根据故障样本数据,生成与故障样本数据相对应的PRPD二维谱图,并从PRPD二维谱图提取故障样本数据的局部放电特征参数。
需要说明的是,在获取到故障样本数据后,再通过对故障样本数据进行处理,得到与该故障样本数据相对应PRPD二维谱图,并从PRPD二维谱图提取故障样本数据的局部放电特征参数,以便用于训练卷积神经网络。
步骤103、通过卷积神经网络对局部放电特征参数进行训练,得到局部放电故障识别模型。
需要说明的是,针对已知故障类型的局部放电样本数据处理得到的PRPD二维谱图,进行卷积神经网络训练和优化,得到最佳分类器模型,即局部放电故障识别模型。
最后,基于本实施例建立的局部放电故障识别模型,通过将采集到的GIS设备的局部放电信号对应的PRPD二维谱图作为输入量,输入至局部放电故障识别模型中,由局部放电故障识别模型自动进行分析识别故障类型,避免了人为主观意识对判断结果的影响,解决了现有的GIS设备故障识别结果不准确的技术问题。
以上是本申请提供的一种GIS局部放电故障识别模型构建方法的第一个实施例的详细说明,下面为本申请提供的一种GIS局部放电故障识别模型构建方法的第二个实施例的详细说明。
请参阅图2,本申请实施例提供了一种GIS局部放电故障识别模型构建方法,包括:
步骤201、通过超高频监测法,获取GIS设备局部放电故障时的故障样本数据。
需要说明的是,在建立GIS局部放电故障识别模型前,需要先通过采用超高频监测法来进行有效测量特定故障状态下的GIS局部放电信号,超高频监测法通过对高于传统测量频率的GIS局部放电的电磁信号进行准确提取,从而得到GIS设备在局部放电故障时的故障样本数据,其中,故障样本数据具体包括:尖端放电故障样本数据、悬浮放电故障样本数据、沿面放电故障样本数据、内部放电故障样本数据以及颗粒放电故障样本数据中的一种或多种。
步骤202、根据故障样本数据,生成与故障样本数据相对应的PRPD二维谱图,并从PRPD二维谱图提取故障样本数据的局部放电特征参数。
需要说明的是,基于超高频监测法将上述通过步骤201得到的五种不同故障样本数据,每一类故障样本数据中包含每种故障类型多个模型样品(如不同的样品位置、结构、材料、尺寸等)的GIS局部放电数据,以保证样品数据对各种故障的覆盖全面性。
通过对故障类型局部放电样本数据进行分析处理,形成PRPD二维谱图,即横坐标为0-360°相位信息,纵坐标为各相位所对应的幅值信息,将每个样本的局部放电故障类型和状态及其形成的PRPD二维谱图相对应起来,优选地,还可以将得到的PRPD二维谱图进行分类和汇总,组成故障样本数据的PRPD二维谱图库。
接着,从每个PRPD二维谱图提取对应的三维数据,即每个PRPD二维谱图的局部放电特征参数。
其中,局部放电特征参数具体包括:PRPD二维谱图中的平面二维像素点参数和RGB通道参数。
步骤203、将局部放电特征参数输入至卷积神经网络模型,通过卷积神经网络模型中预置的前向传播算法进行训练,得到局部放电故障识别模型。
需要说明的是,将局部放电特征参数输入至卷积神经网络模型,通过卷积神经网络模型中预置的前向传播算法进行训练,具体地,输入的图形数据经过多层卷积层,通过卷积核对输入数据进行卷积操作;将卷积层提取的特征作为输入传到下采样层,通过下采样层的池化操作,降低数据的维度,可以避免过拟合;将提取出来的特征传到全连接层中,通过全连接层,进行分类,获得分类器模型,即局部放电故障识别模型。
步骤204、判断局部放电故障识别模型的输出结果与预置的期望值的误差是否大于预置的第一阈值,若是,则执行步骤205,若否,则执行步骤206。
步骤205、通过预置的反向传播算法更新局部放电故障识别模型的权值矩阵。
可选地,当通过卷积神经网络中的前向传播算法训练出的结果与期望值不符时,可以基于反向传播算法,通过计算输出值与相应的实际输出的误差,将误差一层一层的返回,进行权值更新,根据极小化误差的方法反向传播训练权值矩阵,实现对局部放电故障识别模型优化。
步骤206、输出模型训练完成信息。
最后,基于本实施例建立的局部放电故障识别模型,通过将采集到的GIS设备的局部放电信号对应的PRPD二维谱图作为输入量,输入至局部放电故障识别模型中,由局部放电故障识别模型自动进行分析识别故障类型,避免了人为主观意识对判断结果的影响,解决了现有的GIS设备故障识别结果不准确的技术问题。
以上是本申请提供的一种GIS局部放电故障识别模型构建方法的第二个实施例的详细说明,下面为本申请提供的一种GIS局部放电故障识别模型构建装置的第一个实施例的详细说明。
请参阅图3,本申请实施例提供了一种GIS局部放电故障识别模型构建装置,包括:
样本获取模块301,用于通过超高频监测法,获取GIS设备局部放电故障时的故障样本数据;
特征提取模块302,用于根据故障样本数据,生成与故障样本数据相对应的PRPD二维谱图,并从PRPD二维谱图提取故障样本数据的局部放电特征参数;
模型训练模块303,用于通过卷积神经网络对局部放电特征参数进行训练,得到局部放电故障识别模型。
更具体地,模型训练模块303具体用于:
将局部放电特征参数输入至卷积神经网络模型,通过卷积神经网络模型中预置的前向传播算法进行训练,得到局部放电故障识别模型。
更具体地,还包括:
误差修正模块304,用于当局部放电故障识别模型的输出结果与预置的期望值的误差大于预置的第一阈值,则通过预置的反向传播算法更新局部放电故障识别模型的权值矩阵。
更具体地,故障样本数据具体包括:尖端放电故障样本数据、悬浮放电故障样本数据、沿面放电故障样本数据、内部放电故障样本数据以及颗粒放电故障样本数据中的一种或多种;
局部放电特征参数具体包括:PRPD二维谱图中的平面二维像素点参数和RGB通道参数。
另外,本申请实施例还提供了一种GIS局部放电故障识别方法,包括:
步骤401、通过超高频监测法,获取GIS设备的局部放电信号。
步骤402、根据局部放电信号,生成与局部放电信号相对应的PRPD二维谱图,并从PRPD二维谱图提取局部放电信号的局部放电特征参数。
步骤403、将局部放电特征参数输入至局部放电故障识别模型,由局部放电故障识别模型进行故障判别,并输出判定结果。
其中,局部放电故障识别模型具体通过本申请第一方面的GIS局部放电故障识别模型构建方法得到。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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,以便这里描述的本申请的实施例例如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。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种GIS局部放电故障识别模型构建方法,其特征在于,包括:
通过超高频监测法,获取GIS设备局部放电故障时的故障样本数据;
根据所述故障样本数据,生成与所述故障样本数据相对应的PRPD二维谱图,并从所述PRPD二维谱图提取所述故障样本数据的局部放电特征参数;
通过卷积神经网络对所述局部放电特征参数进行训练,得到局部放电故障识别模型。
2.根据权利要求1所述的方法,其特征在于,所述通过卷积神经网络对所述局部放电特征参数进行训练,得到局部放电故障识别模型具体包括:
将所述局部放电特征参数输入至卷积神经网络模型,通过所述卷积神经网络模型中预置的前向传播算法进行训练,得到局部放电故障识别模型。
3.根据权利要求1所述的方法,其特征在于,所述将所述局部放电特征参数输入至卷积神经网络模型,通过前向传播算法进行训练,得到局部放电故障识别模型之后还包括:
当所述局部放电故障识别模型的输出结果与预置的期望值的误差大于预置的第一阈值时,则通过预置的反向传播算法更新所述局部放电故障识别模型的权值矩阵。
4.根据权利要求1所述的方法,其特征在于,所述故障样本数据具体包括:尖端放电故障样本数据、悬浮放电故障样本数据、沿面放电故障样本数据、内部放电故障样本数据以及颗粒放电故障样本数据中的一种或多种。
5.根据权利要求1所述的方法,其特征在于,所述局部放电特征参数具体包括:所述PRPD二维谱图中的平面二维像素点参数和RGB通道参数。
6.一种GIS局部放电故障识别模型构建装置,其特征在于,包括:
样本获取模块,用于通过超高频监测法,获取GIS设备局部放电故障时的故障样本数据;
特征提取模块,用于根据所述故障样本数据,生成与所述故障样本数据相对应的PRPD二维谱图,并从所述PRPD二维谱图提取所述故障样本数据的局部放电特征参数;
模型训练模块,用于通过卷积神经网络对所述局部放电特征参数进行训练,得到局部放电故障识别模型。
7.根据权利要求6所述的装置,其特征在于,所述模型训练模块具体用于:
将所述局部放电特征参数输入至卷积神经网络模型,通过所述卷积神经网络模型中预置的前向传播算法进行训练,得到局部放电故障识别模型。
8.根据权利要求6所述的装置,其特征在于,还包括:
误差修正模块,用于当所述局部放电故障识别模型的输出结果与预置的期望值的误差大于预置的第一阈值,则通过预置的反向传播算法更新所述局部放电故障识别模型的权值矩阵。
9.根据权利要求6所述的装置,其特征在于,所述故障样本数据具体包括:尖端放电故障样本数据、悬浮放电故障样本数据、沿面放电故障样本数据、内部放电故障样本数据以及颗粒放电故障样本数据中的一种或多种;
所述局部放电特征参数具体包括:所述PRPD二维谱图中的平面二维像素点参数和RGB通道参数。
10.一种GIS局部放电故障识别方法,其特征在于,包括:
通过超高频监测法,获取GIS设备的局部放电信号;
根据所述局部放电信号,生成与所述局部放电信号相对应的PRPD二维谱图,并从所述PRPD二维谱图提取所述局部放电信号的局部放电特征参数;
将所述局部放电特征参数输入至局部放电故障识别模型,由所述局部放电故障识别模型进行故障判别,并输出判定结果;
其中,所述局部放电故障识别模型具体通过权利要求1至5任一项所述的GIS局部放电故障识别模型构建方法得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910673662.8A CN110261749A (zh) | 2019-07-24 | 2019-07-24 | 一种gis局部放电故障识别模型构建方法、装置及故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910673662.8A CN110261749A (zh) | 2019-07-24 | 2019-07-24 | 一种gis局部放电故障识别模型构建方法、装置及故障识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110261749A true CN110261749A (zh) | 2019-09-20 |
Family
ID=67928123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910673662.8A Pending CN110261749A (zh) | 2019-07-24 | 2019-07-24 | 一种gis局部放电故障识别模型构建方法、装置及故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110261749A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110931045A (zh) * | 2019-12-20 | 2020-03-27 | 重庆大学 | 基于卷积神经网络的音频特征生成方法 |
CN112149549A (zh) * | 2020-09-18 | 2020-12-29 | 国网山东省电力公司泰安供电公司 | 一种基于深度残差网络的gis局部放电类型识别方法 |
CN112287789A (zh) * | 2020-10-20 | 2021-01-29 | 国网四川省电力公司电力科学研究院 | 基于深度学习的gis特高频法局部放电图谱识别方法 |
CN113064032A (zh) * | 2021-03-26 | 2021-07-02 | 云南电网有限责任公司电力科学研究院 | 一种基于图谱特征和信息融合的局部放电模式识别方法 |
CN113283579A (zh) * | 2021-04-27 | 2021-08-20 | 国网山东省电力公司烟台供电公司 | 一种通过卷积神经网络识别局部放电故障类型的方法 |
CN113514743A (zh) * | 2021-08-03 | 2021-10-19 | 广东电网有限责任公司 | 一种基于多维特征的gis局部放电模式识别系统构建方法 |
CN113533921A (zh) * | 2021-09-15 | 2021-10-22 | 北京普源瑞新仿真科技有限公司 | 局部放电检测方法及局部放电检测装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103048593A (zh) * | 2012-12-12 | 2013-04-17 | 安徽省电力公司亳州供电公司 | 一种气体绝缘开关设备绝缘缺陷种类的识别方法 |
CN104573980A (zh) * | 2015-01-26 | 2015-04-29 | 国家电网公司 | 一种架空输电线路弧垂实时评估及预警方法 |
CN105354568A (zh) * | 2015-08-24 | 2016-02-24 | 西安电子科技大学 | 基于卷积神经网络的车标识别方法 |
CN105606966A (zh) * | 2015-12-21 | 2016-05-25 | 安徽理工大学 | 基于混合神经网络算法的局部放电模式识别方法 |
CN105740349A (zh) * | 2016-01-25 | 2016-07-06 | 重庆邮电大学 | 一种结合Doc2vec和卷积神经网络的情感分类方法 |
CN105868774A (zh) * | 2016-03-24 | 2016-08-17 | 西安电子科技大学 | 基于选择性搜索和卷积神经网络的车标识别方法 |
CN107274067A (zh) * | 2017-05-22 | 2017-10-20 | 国网江西省电力公司电力科学研究院 | 一种配电变压器过载风险评估方法 |
CN107944349A (zh) * | 2017-11-07 | 2018-04-20 | 武汉大学 | 基于粒子群‑支持向量机的gis局部放电类型模式识别方法 |
CN108573225A (zh) * | 2018-03-30 | 2018-09-25 | 国网天津市电力公司电力科学研究院 | 一种局部放电信号模式识别方法及系统 |
CN108710913A (zh) * | 2018-05-21 | 2018-10-26 | 国网上海市电力公司 | 一种基于深度学习的开关柜图像开关状态自动识别方法 |
-
2019
- 2019-07-24 CN CN201910673662.8A patent/CN110261749A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103048593A (zh) * | 2012-12-12 | 2013-04-17 | 安徽省电力公司亳州供电公司 | 一种气体绝缘开关设备绝缘缺陷种类的识别方法 |
CN104573980A (zh) * | 2015-01-26 | 2015-04-29 | 国家电网公司 | 一种架空输电线路弧垂实时评估及预警方法 |
CN105354568A (zh) * | 2015-08-24 | 2016-02-24 | 西安电子科技大学 | 基于卷积神经网络的车标识别方法 |
CN105606966A (zh) * | 2015-12-21 | 2016-05-25 | 安徽理工大学 | 基于混合神经网络算法的局部放电模式识别方法 |
CN105740349A (zh) * | 2016-01-25 | 2016-07-06 | 重庆邮电大学 | 一种结合Doc2vec和卷积神经网络的情感分类方法 |
CN105868774A (zh) * | 2016-03-24 | 2016-08-17 | 西安电子科技大学 | 基于选择性搜索和卷积神经网络的车标识别方法 |
CN107274067A (zh) * | 2017-05-22 | 2017-10-20 | 国网江西省电力公司电力科学研究院 | 一种配电变压器过载风险评估方法 |
CN107944349A (zh) * | 2017-11-07 | 2018-04-20 | 武汉大学 | 基于粒子群‑支持向量机的gis局部放电类型模式识别方法 |
CN108573225A (zh) * | 2018-03-30 | 2018-09-25 | 国网天津市电力公司电力科学研究院 | 一种局部放电信号模式识别方法及系统 |
CN108710913A (zh) * | 2018-05-21 | 2018-10-26 | 国网上海市电力公司 | 一种基于深度学习的开关柜图像开关状态自动识别方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110931045A (zh) * | 2019-12-20 | 2020-03-27 | 重庆大学 | 基于卷积神经网络的音频特征生成方法 |
CN112149549A (zh) * | 2020-09-18 | 2020-12-29 | 国网山东省电力公司泰安供电公司 | 一种基于深度残差网络的gis局部放电类型识别方法 |
CN112287789A (zh) * | 2020-10-20 | 2021-01-29 | 国网四川省电力公司电力科学研究院 | 基于深度学习的gis特高频法局部放电图谱识别方法 |
CN113064032A (zh) * | 2021-03-26 | 2021-07-02 | 云南电网有限责任公司电力科学研究院 | 一种基于图谱特征和信息融合的局部放电模式识别方法 |
CN113064032B (zh) * | 2021-03-26 | 2022-08-02 | 云南电网有限责任公司电力科学研究院 | 一种基于图谱特征和信息融合的局部放电模式识别方法 |
CN113283579A (zh) * | 2021-04-27 | 2021-08-20 | 国网山东省电力公司烟台供电公司 | 一种通过卷积神经网络识别局部放电故障类型的方法 |
CN113514743A (zh) * | 2021-08-03 | 2021-10-19 | 广东电网有限责任公司 | 一种基于多维特征的gis局部放电模式识别系统构建方法 |
CN113514743B (zh) * | 2021-08-03 | 2024-01-30 | 广东电网有限责任公司 | 一种基于多维特征的gis局部放电模式识别系统构建方法 |
CN113533921A (zh) * | 2021-09-15 | 2021-10-22 | 北京普源瑞新仿真科技有限公司 | 局部放电检测方法及局部放电检测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110261749A (zh) | 一种gis局部放电故障识别模型构建方法、装置及故障识别方法 | |
CN110995475B (zh) | 一种基于迁移学习的电力通信网故障检测方法 | |
WO2021184630A1 (zh) | 基于知识图谱定位排污对象的方法及相关设备 | |
CN103076547B (zh) | 基于支持向量机的gis局部放电故障类型模式识别方法 | |
CN111507376B (zh) | 一种基于多种无监督方法融合的单指标异常检测方法 | |
CN112034310A (zh) | 一种组合电器局部放电缺陷诊断方法及系统 | |
CN108304567B (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
CN112580678A (zh) | 一种构造云化网络告警根因关系树模型方法和装置 | |
CN109501834A (zh) | 一种道岔转辙机故障预测方法及装置 | |
CN107909118A (zh) | 一种基于深度神经网络的配电网工况录波分类方法 | |
CN110441500A (zh) | 一种基于长短期记忆网络的变压器油中溶解气体浓度预测方法 | |
CN112949715A (zh) | 一种基于svm的轨道交通故障诊断方法 | |
CN109872003A (zh) | 对象状态预测方法、系统、计算机设备及存储介质 | |
CN105974265A (zh) | 一种基于svm分类技术的电网故障原因诊断方法 | |
CN109507535A (zh) | 变电站接地网运行阶段及运行寿命预测方法及装置 | |
CN109241169A (zh) | 配电网运行信息多源异构数据融合数据库集成方法 | |
CN110019519A (zh) | 数据处理方法、装置、存储介质和电子装置 | |
CN111126820A (zh) | 反窃电方法及系统 | |
CN107784395A (zh) | 一种基于lstm人工神经网络的输电线路覆冰厚度预测方法 | |
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 | |
CN114580829A (zh) | 基于随机森林算法的用电安全感知方法、设备及介质 | |
CN109634820A (zh) | 一种云端移动端协同的故障预警方法、相关设备及系统 | |
CN117854013A (zh) | 用于电气设备的火灾监控系统及方法 | |
CN110020637A (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
CN111143835B (zh) | 基于机器学习的电力计量系统业务逻辑非侵入式防护方法 |
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: 20190920 |