CN110702966B - 一种基于概率神经网络的故障电弧检测方法、装置及系统 - Google Patents
一种基于概率神经网络的故障电弧检测方法、装置及系统 Download PDFInfo
- Publication number
- CN110702966B CN110702966B CN201910986155.XA CN201910986155A CN110702966B CN 110702966 B CN110702966 B CN 110702966B CN 201910986155 A CN201910986155 A CN 201910986155A CN 110702966 B CN110702966 B CN 110702966B
- Authority
- CN
- China
- Prior art keywords
- neural network
- probabilistic neural
- fault
- fault arc
- training
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 57
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000000513 principal component analysis Methods 0.000 claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 20
- 230000009467 reduction Effects 0.000 claims abstract description 18
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 2
- 239000013589 supplement Substances 0.000 claims 1
- 210000002569 neuron Anatomy 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/0046—Arrangements for measuring currents or voltages or for indicating presence or sign thereof characterised by a specific application or detail not covered by any other subgroup of G01R19/00
- G01R19/0061—Measuring currents of particle-beams, currents from electron multipliers, photocurrents, ion currents; Measuring in plasmas
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/25—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Plasma & Fusion (AREA)
- Probability & Statistics with Applications (AREA)
- Locating Faults (AREA)
Abstract
本发明公开了一种基于概率神经网络的故障电弧检测方法、装置及系统，方法包括：训练集预处理:采集不同负载下的故障电弧和正常电弧的电弧波形连续信号，作为连续信号样本集；对连续信号样本集进行ADC采样，获得离散信号样本集；对离散信号样本集进行PCA降维处理获得低维离散信号样本集；训练概率神经网络:将低维离散信号样本集作为概率神经网络的输入，构建概率神经网络框架，获得训练概率神经网络模型；所述训练概率神经网络模型可用于故障电弧检测。本发明可快速建立训练模型，实时准确分析判别出故障电弧，且具有良好的抗干扰、噪声能力，极大减小了误报情况的发生。
Description
技术领域
本发明涉及故障电弧检测领域，特别是涉及一种基于概率神经网络的故障电弧检测方法及装置。
背景技术
当前国内对故障电弧的检测算法还广泛处于研究阶段，常见辨别方法多根据电弧电学特性，包括光、热、电流变化率、小波频段等，但当负载类型较多时其判别难度加大。因受线路负载限制，其故障电流小，以至于现有体系无法实现对串联电弧故障保护，存在电气安全隐患。电弧发生时，会产生大量的热，易引燃周围的易燃物，从而引发火灾。与传统电气故障相比，故障电弧的电流幅值变化较小，传统的电气故障防护和保护装置难以识别，无法有效防护故障电弧的发生，使得故障电弧成为引发电气火灾的主要原因。
由此可见，上述现有的故障电弧检测在结构、方法及使用上，显然仍存在有不便与缺陷，而亟待改进。如何能创设一种判别准确率高、误报率低的故障电弧检测方法、装置及系统，成为当前业界急需改进的目标。
发明内容
本发明要解决的技术问题是提供一种判别准确率高、误报率的低故障电弧检测方法，从而解决现有故障电弧检测中因受线路负载限制，难以实现对串联电弧故障准确检测的问题。
为解决上述技术问题，本发明采用如下技术方案：
一方面，本发明提供了一种基于概率神经网络的故障电弧检测方法，包括：训练集预处理:采集不同负载下的故障电弧和正常电弧的电弧波形连续信号，作为连续信号样本集；对连续信号样本集进行ADC采样，获得离散信号样本集；对离散信号样本集进行PCA降维处理获得低维离散信号样本集；训练概率神经网络:将低维离散信号样本集作为概率神经网络的输入，构建概率神经网络框架，获得训练概率神经网络模型；所述训练概率神经网络模型可用于故障电弧检测。
作为本发明进一步地改进，获得训练概率神经网络模型后，还包括：待检测波形信号预处理：采集测试电弧波形连续信号；对测试电弧波形连续信号进行ADC采样，获得测试离散信号；对测试离散信号进行PCA降维处理获得低维测试离散信号；故障电弧在线检测：将获得的低维测试离散信号输入基于训练概率神经网络模型构建的概率神经网络硬件模型，进行故障电弧判别。
进一步地，所述PCA降维处理包括：
(1)数据映射到高维，并进行中心化操作，m个离散信号中心化后，以每个信号为一行，m个信号组成m行n列矩阵X；
(2)高维数据线性转换，计算X矩阵的协方差矩阵C；
(3)计算协方差矩阵C的特征值和特征向量；
(4)低维投影，依据特征值大小取k∈(0,n)个对应的特征行向量，组成投影矩阵P；在k值得选择中，通过交叉验证的方法，并设置下限阈值t＝0.96；
(5)Y＝PX即为降维到k维的数据。
进一步地，所述概率神经网络模型包括输入层、隐含层、求和层、输出层；整个结构依赖贝叶斯最小风险准则，将故障电弧的分析类别归为故障、非故障类型的二分类问题。
进一步地，所述训练概率神经网络阶段的处理结果与故障电弧在线检测阶段独立划分。
进一步地，还包括定时回传实时信号波形，将其补充到训练样本集中。
另一方面，本发明还提供了一种基于概率神经网络的故障电弧检测装置，包括一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述的基于概率神经网络的故障电弧检测方法。
再一方面，本发明还提供了一种基于概率神经网络的故障电弧检测系统，包括：在线连续信号输入接口，用于采集测试电弧波形连续信号；ADC采样模块，用于对测试电弧波形连续信号进行ADC采样，获得测试离散信号；PCA处理模块，用于对测试离散信号进行PCA降维处理获得低维测试离散信号；故障判定分析模块，其内置有上述获得的训练概率神经网络模型；用于根据获得的低维测试离散信号，进行故障电弧判别。
进一步地，还包括：显示单元模块，用于显示故障判定结果；报警单元模块，用于根据故障判定结果进行报警。
通过采用上述技术方案，本发明至少具有以下优点：
1、本发明在采集电流波形连续信号的基础上，没有直接对其进行基于连续信号的波形等相关特征提取，而是先将该连续信号通过ADC采样进行离散获得离散信号，再对大量的离散信号进行PCA降维处理后初步提取频域特征，相对于现有连续波形信号的检测方法，以保留重要信息的离散信号作为进一步处理的输入，在大数据量处理的背景下能够极大提高信号的处理效率，改善训练结果，是提高判别准确率的关键步骤之一；在此基础上与概率神经网络(PNN)相结合，可训练出更高效、便捷的网络模型，将该阶段处理结果与实时检测过程独立划分，使训练结果不受设备条件以及实时训练的严格条件限制。在线处理阶段，直接将训练好的网络模型导入故障电弧检测装置，从而实现在线快速检测。通过最终测试，故障电弧准确识别率高达98％，可靠性高，极大减小了误报情况的发生，表明了该方法的有效性。
2、本发明可快速建立训练模型，实时分析判别结果准确，且具有良好的抗干扰、噪声能力。
3、本发明改善了因受线路负载限制，故障电流小，现有体系难以实现对串联电弧故障准确检测的问题。
附图说明
上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明作进一步的详细说明。
图1是本发明实施例中的基于概率神经网络的故障电弧检测方法流程图；
图2是4层概率神经网络结构图；
图3是本发明实施例中的基于概率神经网络的故障电弧检测系统结构示意图。
具体实施方式
针对当前低压交流故障电弧发生时产生波形畸变，当负载类型过多时畸变类型多样，常规方法辨识故障电弧准确率低、误报率高的问题，本实施例提出了一种新的基于概率神经网络的故障电弧检测方法，如图1所示，该方法包括：
S11、训练集预处理步骤：
采集不同负载下的故障电弧和正常电弧的电弧波形连续信号，作为连续信号样本集；对连续信号样本集进行ADC采样，获得离散信号样本集；对离散信号样本集进行PCA降维处理获得低维离散信号样本集；具体预处理步骤如下；
1、采集训练样本。采集不同负载下的故障电弧和正常电弧的电弧波形连续信号，作为连续信号样本集(训练样本)。
2、采集训练样本添加标签。对采集到的故障电弧和正常电弧的电弧波形连续信号添加分类标签；
3、训练样本离散处理。对分类后的标签信号，通过ADC采样离散处理转化为离散信号；
4、将离散后的样本信号通过主成分分析(Principal Component Analysis，PCA)算法进行降维处理，保留最重要的特征，去除噪声等不重要特征，以提升后续数据的处理速度。在处理过程中视每一个信号为一行字段，同时选取多条信号作为一个处理矩阵单元。具体降维方式可通过以下步骤进行：
(1)数据映射到高维，并进行中心化操作，m个离散信号中心化后，以每个信号为一行，m个信号组成m行n列矩阵X；
(2)高维数据线性转换，计算X矩阵的协方差矩阵C；
(3)计算协方差矩阵C的特征值和特征向量；
(4)低维投影，依据特征值大小取k∈(0,n)个对应的特征行向量，组成投影矩阵P；在k值得选择中，通过交叉验证的方法，并设置下限阈值t＝0.96；
(5)Y＝PX即为降维到k维的数据。
S12、训练概率神经网络:将低维离散信号样本集作为概率神经网络的输入，构建概率神经网络框架，获得训练概率神经网络模型。
作为前馈径向基神经网络的一种，概率神经网络以指数函数替代神经网络中常用的S形激活函数，在径向基函数(radical basis function,RBF)基础上，融合密度函数估计和贝叶斯决策理论，构造计算非线性判别概率神经网络(Probabilistic neural network，PNN)，其判定边界接近于贝叶斯最佳判定面。包含4层神经网络能够把预处理后的离散信号输入映射到故障判别类别。在线判别阶段不断取得新数据的话，可以对新数据实时地修改判定边界，并完全并行运行的人工“神经元”。
该模型4层概率神经网络包括输入层、隐含层、求和层、输出层。其中整个结构依赖贝叶斯最小风险准则，将故障电弧的分析类别归为故障、非故障类型的二分类问题。对核心概率模型的训练过程，结合图2所示，各层级执行过程：
输入层：训练阶段输入为预处理后的样本向量，在线测试阶段的输入为预处理后的在线检测数据。假设给定输入向量x＝[x1,x2,x3···xm],输入向量的个数即为神经元个数；
隐含层:径向基层，每一个隐含层的神经元节点包含一个中心，接收输入层的输入后，计算输入向量与中心的距离，输出标量值至下一层。隐含层第i类与第j个神经元所确定的输入、输出，关系表示如下：
其中σ为平滑因子。
求和层:对遗憾层属于同一类的隐含神经元的输出做加权平均：
其中，
表示第i类类别的输出，L表示第i类的神经元个数。
输出层：以求和层中该类别概率值与对应加权系数相乘后的结果作为输出类别：
其中wi表示与
对应的权重。
在整体迭代训练过程中，训练样本依次通过隐含层、求和层，最终以概率结果作为输出，通过标签值与求和层后的结果反馈调节隐含层参数，使输出结果达到最优。即当输出对应值与标签对应结果出现偏差时，进行前馈调节输出层各类别权重wi、平滑因子σ、隐含层中心点、学习率α等参数，直到训练输出结果与预设标签结果具有良好一致后，训练结束。
通过采用概率神经网络模型的方式进行检测，可以满足实际应用中电弧检测的实时性、检测准确性的要求。
上述S11、S12属于离线预处理训练阶段，由该阶段获得的训练概率神经网络模型可用于故障电弧检测。
在获得训练概率神经网络模型后，还包括在在线检测阶段，其包括：
S21、待检测波形信号预处理：采集测试电弧波形连续信号；对测试电弧波形连续信号进行ADC采样，获得测试离散信号；对测试离散信号进行PCA降维处理获得低维测试离散信号；
S22、故障电弧在线检测：将获得的低维测试离散信号输入基于训练概率神经网络模型构建的概率神经网络硬件模型，进行故障电弧判别。故障电弧判别通过概率检测方式，故障判别概率P>0.5时，判别为故障电弧，P<0.5时，判别不是故障电弧，当检测到故障时，进行报警。
上述在线检测阶段可以利用已有的训练概率神经网络模型，训练阶段和在线检测阶段两者可以完全独立划分。
在现实应用中，负载情况多变，为了不断优化学习结果，将定期回传实时获取的信号波形扩充到学习训练样本集中，实现定时回传实时信号波形。
本实施例还提供了一种基于概率神经网络的故障电弧检测装置，包括一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述的基于概率神经网络的故障电弧检测方法。如离线预处理训练阶段和在线检测阶段可分别为两个程序，存储在两个不同的处理器中。
另外，结合图3所示，本实施例还提供了一种基于概率神经网络的故障电弧检测系统，包括：
在线连续信号输入接口，用于采集测试电弧波形连续信号；ADC采样模块，用于对测试电弧波形连续信号进行ADC采样，获得测试离散信号；PCA处理模块，用于对测试离散信号进行PCA降维处理获得低维测试离散信号；故障判定分析模块，其内置有第一阶段获得的训练概率神经网络模型；用于根据获得的低维测试离散信号，进行故障电弧判别；显示单元模块，用于显示故障判定结果；报警单元模块，用于根据故障判定结果进行报警。
本发明的故障电弧检测，采集正常、故障电弧波形连续信号并对其设定相应的标签，将具有标签的所有信号作为训练集；对该训练集先后进行离散、PCA降维预处理，将处理后的离散信号作为概率神经网络(PNN)的输入。现有技术中的基于波形连续信号的检测方法，对于多负载情况，其直接提取的波形连续信号特征(如波形斜率等)，难以准确判断故障情况，而本发明在采集电流波形连续信号的基础上，没有直接对其进行基于连续信号的波形等相关特征提取，而是先将该连续信号通过ADC采样进行离散获得离散信号，再对大量的离散信号进行PCA降维处理后初步提取频域特征，可以准确判断故障。另外，与现有技术相比，本发明可快速建立训练模型，实时准确分析判别出故障电弧，且具有良好的抗干扰、噪声能力；本发明改善了因受线路负载限制，故障电流小，现有体系难以实现对串联电弧故障准确检测的问题。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰，均落在本发明的保护范围内。
Claims (9)
1.一种基于概率神经网络的故障电弧检测方法，其特征在于，包括：
训练集预处理:采集不同负载下的故障电弧和正常电弧的电弧波形连续信号，作为连续信号样本集；对连续信号样本集进行ADC采样，获得离散信号样本集；对离散信号样本集进行PCA降维处理获得低维离散信号样本集；
训练概率神经网络:将低维离散信号样本集作为概率神经网络的输入，构建概率神经网络框架，获得训练概率神经网络模型；所述训练概率神经网络模型可用于故障电弧检测。
2.根据权利要求1所述的基于概率神经网络的故障电弧检测方法，其特征在于，获得训练概率神经网络模型后，还包括：
待检测波形信号预处理：采集测试电弧波形连续信号；对测试电弧波形连续信号进行ADC采样，获得测试离散信号；对测试离散信号进行PCA降维处理获得低维测试离散信号；
故障电弧在线检测：将获得的低维测试离散信号输入基于训练概率神经网络模型构建的概率神经网络硬件模型，进行故障电弧判别。
3.根据权利要求1或2所述的基于概率神经网络的故障电弧检测方法，其特征在于，所述PCA降维处理包括：
(1)数据映射到高维，并进行中心化操作，m个离散信号中心化后，以每个信号为一行，m个信号组成m行n列矩阵X；
(2)高维数据线性转换，计算矩阵X 的协方差矩阵C；
(3)计算协方差矩阵C的特征值和特征向量；
(4)低维投影，依据特征值大小取k∈(0,n)个对应的特征行向量，组成投影矩阵P；在k值得选择中，通过交叉验证的方法，并设置下限阈值t＝0.96；
(5)Y＝PX即为降维到k维的数据。
4.根据权利要求1或2所述的基于概率神经网络的故障电弧检测方法，其特征在于，所述概率神经网络模型包括输入层、隐含层、求和层、输出层；整个结构依赖贝叶斯最小风险准则，将故障电弧的分析类别归为故障、非故障类型的二分类问题。
5.根据权利要求2所述的基于概率神经网络的故障电弧检测方法，其特征在于，所述训练概率神经网络阶段的处理结果与故障电弧在线检测阶段独立划分。
6.根据权利要求2所述的基于概率神经网络的故障电弧检测方法，其特征在于，还包括定时回传实时信号波形，将其补充到训练样本集中。
7.一种基于概率神经网络的故障电弧检测装置，其特征在于，包括一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现根据权利要求1至6任意一项所述的基于概率神经网络的故障电弧检测方法。
8.一种基于概率神经网络的故障电弧检测系统，其特征在于，包括：
在线连续信号输入接口，用于采集测试电弧波形连续信号；
ADC采样模块，用于对测试电弧波形连续信号进行ADC采样，获得测试离散信号；
PCA处理模块，用于对测试离散信号进行PCA降维处理获得低维测试离散信号；
故障判定分析模块，其内置有权利要求1中获得的训练概率神经网络模型；用于根据获得的低维测试离散信号，进行故障电弧判别。
9.根据权利要求8所述的基于概率神经网络的故障电弧检测系统，其特征在于，还包括：
显示单元模块，用于显示故障判定结果；
报警单元模块，用于根据故障判定结果进行报警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910986155.XA CN110702966B (zh) | 2019-10-17 | 2019-10-17 | 一种基于概率神经网络的故障电弧检测方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910986155.XA CN110702966B (zh) | 2019-10-17 | 2019-10-17 | 一种基于概率神经网络的故障电弧检测方法、装置及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110702966A CN110702966A (zh) | 2020-01-17 |
| CN110702966B true CN110702966B (zh) | 2022-02-11 |
Family
ID=69201097
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910986155.XA Active CN110702966B (zh) | 2019-10-17 | 2019-10-17 | 一种基于概率神经网络的故障电弧检测方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110702966B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111239569A (zh) * | 2020-03-12 | 2020-06-05 | 杭州电弧数据科技有限公司 | 电弧故障检测方法、装置、设备及存储介质 |
| CN111366814A (zh) * | 2020-03-31 | 2020-07-03 | 上海电力大学 | 基于多源数据及多维故障编码空间的电网故障诊断方法 |
| CN114330452A (zh) * | 2021-12-31 | 2022-04-12 | 河北工业大学 | 训练方法、电弧故障检测方法、装置、电子设备及介质 |
| CN116298735A (zh) * | 2023-05-10 | 2023-06-23 | 广东电网有限责任公司湛江供电局 | 一种低压配电网交流电弧故障检测方法及相关装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108535589B (zh) * | 2018-05-21 | 2021-04-06 | 彭浩明 | 一种故障电弧检测方法及装置 |
| CN109975673B (zh) * | 2019-04-23 | 2021-03-16 | 辽宁工程技术大学 | 一种光伏微电网直流侧故障电弧识别方法 |
| CN110320452A (zh) * | 2019-06-21 | 2019-10-11 | 河南理工大学 | 一种串联故障电弧检测方法 |
-
2019
- 2019-10-17 CN CN201910986155.XA patent/CN110702966B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110702966A (zh) | 2020-01-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110702966B (zh) | 一种基于概率神经网络的故障电弧检测方法、装置及系统 | |
| CN109612708B (zh) | 基于改进卷积神经网络的电力变压器在线检测系统及方法 | |
| Khokhar et al. | A new optimal feature selection algorithm for classification of power quality disturbances using discrete wavelet transform and probabilistic neural network | |
| WO2022067562A1 (zh) | 一种故障电弧的诊断方法、装置和计算机可读存储介质 | |
| CN106251059B (zh) | 一种基于概率神经网络算法的电缆状态评估方法 | |
| CN108073158A (zh) | 基于pca和knn密度算法风电机组轴承故障诊断方法 | |
| CN112881942B (zh) | 基于小波分解与经验模态分解的异常电流诊断方法和系统 | |
| CN107219457A (zh) | 基于操作附件电流的框架式断路器故障诊断及程度评估方法 | |
| 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 | |
| CN108333468B (zh) | 一种有源配电网下不良数据的识别方法及装置 | |
| CN109409444B (zh) | 一种基于先验概率的多元电网故障类型的判别方法 | |
| CN113158722A (zh) | 基于多尺度深度神经网络的旋转机械故障诊断方法 | |
| CN115879048A (zh) | 一种基于wrfmda模型的串联电弧故障识别方法和系统 | |
| CN110766313A (zh) | 一种基于运维检修制度的电缆隧道综合状态评价方法 | |
| CN117272143A (zh) | 基于格拉姆角场与残差网络的输电线故障辨识方法和装置 | |
| CN108508297B (zh) | 一种基于突变系数和svm的故障电弧检测方法 | |
| CN110632455A (zh) | 一种基于配网同步量测大数据的故障检测定位方法 | |
| CN115600088A (zh) | 一种基于振动信号的配电变压器故障诊断方法 | |
| CN112434743A (zh) | 基于gil金属微粒局部放电时域波形图像的故障识别方法 | |
| CN115017828A (zh) | 基于双向长短时记忆网络的电力电缆故障识别方法及系统 | |
| CN113538037A (zh) | 监测电瓶车充电事件的方法及系统、设备、存储介质 | |
| CN111781467A (zh) | 一种基于多维全景数据的电网故障智能判别方法 | |
| CN113298124B (zh) | 一种基于参数匹配的多层次直流故障电弧检测方法 | |
| CN117171702A (zh) | 一种基于深度学习的多模态电网故障检测方法和系统 | |
| CN116087647A (zh) | 基于pca和麻雀算法优化随机森林的建筑电气故障诊断方法 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhao Hailong Inventor before: Zhao Hailong Inventor before: Yang Yuqing |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |