CN110728195A - 基于yolo算法的电能质量扰动检测方法 - Google Patents
基于yolo算法的电能质量扰动检测方法 Download PDFInfo
- Publication number
- CN110728195A CN110728195A CN201910881278.7A CN201910881278A CN110728195A CN 110728195 A CN110728195 A CN 110728195A CN 201910881278 A CN201910881278 A CN 201910881278A CN 110728195 A CN110728195 A CN 110728195A
- Authority
- CN
- China
- Prior art keywords
- power quality
- quality disturbance
- training
- setting
- disturbance signal
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- G06N3/045—Combinations of 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本发明涉及电能质量扰动信号检测技术,具体涉及基于YOLO算法的电能质量扰动检测方法,包括建立电能质量扰动信号数学模型,使用MATLAB实现电能质量扰动信号的构建,遍历扰动信号参数矩阵,生成电能质量扰动样本数据集;将样本集Imagenet输入全卷积神经网络Darknet‑53,经过训练得到网络初始权重参数;设置训练参数;采用多分辨率训练策略,将标记好的电能质量扰动样本数据集输入全卷积神经网络Darknet‑53进行训练,更新网络权重参数,得到电能质量扰动信号检测模型;随机生成电能质量扰动信号,将扰动信号转为二维图像后输入检测模型,得到检测结果。该方法检测精度高,适用范围广,速度满足实时监测,能够准确辨识各类电能质量扰动信号。
Description
技术领域
本发明属于电能质量扰动信号检测技术领域,尤其涉及基于YOLO算法的电能质量扰动检测方法。
背景技术
人们对电能质量重要性的认识伴随着电力系统的发展逐渐加深。早期电力系统中的用电负荷主要由线性负荷组成,因此使用频率偏移和电压偏移来评价电能质量。随着新能源与电力电子技术的大量投入使用,电网内部非线性、不对称性、冲击性的负荷突增,使得电能质量扰动的频率与种类增多,促使着人们越来越重视电能质量问题。
电能质量扰动信号检测的基本思想是,在电能质量扰动发生时,通过分析线路继电保护装置安装处录波所得的电压信号,采用不同的特征提取方法提取扰动特征,再与分类器相结合来解决电能质量扰动识别和分类问题。对电能质量扰动的检测有利于提高电力系统运行的稳定性,保证用电负荷的平稳和安全,改善用电环境,维持用电秩序。目前,行业内的专家和学者对于检测不同类型的电能质量扰动提出了大量的方法,这些检测方法包括:时域仿真法、频域分析法、傅里叶变换(FT)、短时傅里叶变换(FFT)、Prony分析法、人工神经网络、决策树等方法。傅里叶变换(FT)进行采样时需要保证采样频率达到最高信号频率的两倍或以上,且可能造成“频谱混叠”和“频谱泄露”效应;短时傅里叶变换(FFT)不适用于多尺度的分析过程,不适应信号高低频率变换对于时间窗的要求;Prony分析法很少被应用来实时分析信号数据,因为其计算耗时太久,只适合用作离线的电能质量扰动分析方法;人工神经网络然得到了广泛的应用,但也存在着可能陷入局部最优、训练时间较长等缺点;决策树虽然具有可反复使用、易读性好的优点,但其算法本身导致了当训练数据过量或者不足时,容易陷入局部最优或过度拟合。
现有的电能质量扰动检测方法对扰动信号的门槛阈值要求较高,分析参数难以设置恰当,这些因素造成电能质量扰动检测的难度增大,且电能质量扰动信号本身存在着随机性大、种类繁多、持续时间短,特征复杂且边缘容易重叠的问题。
发明内容
本发明的目的是提供一种采用仿真产生的扰动信号样本集训练Darknet-53神经网络,并通过深度学习与无监督训练提取波形特征,完成自适应的扰动识别方法。
为实现上述目的,本发明采用的技术方案是:基于YOLO算法的电能质量扰动检测方法,包括以下步骤:
步骤1:建立电能质量扰动信号数学模型,使用MATLAB实现电能质量扰动信号的构建,遍历扰动信号参数矩阵,生成电能质量扰动样本数据集;
步骤2:将样本集Imagenet输入全卷积神经网络Darknet-53,经过训练得到网络初始权重参数;
步骤3:设置训练参数;
步骤4:采用多分辨率训练策略,将标记好的电能质量扰动样本数据集输入全卷积神经网络Darknet-53进行训练,更新网络权重参数,得到电能质量扰动信号检测模型;
步骤5、随机生成电能质量扰动信号,将扰动信号转为二维图像后输入检测模型,得到检测结果。
在上述的基于YOLO算法的电能质量扰动检测方法中,步骤1的实现包括以下具体步骤:
步骤1.1、通过MATLAB程序遍历电压暂升、电压暂降、电压中断、谐波畸变、电压闪变、暂态振荡和瞬态冲击7种典型电能质量扰动参数表,生成10734张电能质量扰动样本数据集,其中电压暂升1634张、电压暂降1540张、电压中断1550张、谐波畸变1500张、电压闪变1540张、暂态振荡1450张、瞬态冲击1520张;
步骤1.2、将电能质量扰动样本数据集分为训练集和测试集,其中训练集包含7234张信号图片,测试集包含3500张信号图片。
在上述的基于YOLO算法的电能质量扰动检测方法中,步骤3所述设置训练参数包括动量设置为0.9,权重衰减系数设置为0.005,饱和度设置为1.5,曝光度设置为1.5,色调设置为0.1,初始学习率设置为0.001,学习率控制参数设置为1000,学习率策略选择多分布式,并设置学习率变动步长为40000,45000,学习率变动因子为0.1。
在上述的基于YOLO算法的电能质量扰动检测方法中,步骤4所述对全卷积神经网络Darknet-53进行训练包括:设置每经50批次图片设定为新的随机分辨率进行训练,图片原始分辨率为875×656,随机尺寸变动间隔为32,变动范围从320×320到608×608。
本发明的有益效果:1、本发明引入深度学习算法,利用其对于图像处理的速度快,精度高的优点,避免了繁琐的人工特征提取过程,最终实现扰动分类。
2、本发明对于输入信号的门槛要求较低,探测速度满足实时监测要求,时间定位的准确度高,具有一定抗噪能力。
3、本发明提高了扰动检测的准确性与检测速度,且具有很高的普适性。具有适用范围广、检测精度高、速度满足实时检测、能够准确辨识各类电能质量扰动信号、抗噪性能强等特点。
附图说明
图1为本发明一个实施例的流程示意图。
图2为本发明一个实施例YOLOv3网络预测值示意图;
图3为本发明一个实施例中Darknet-53网络结构图;
图4(a)为本发明一个实施例电压暂升扰动信号检测结果图;
图4(b)为本发明一个实施例电压暂降扰动信号检测结果图;
图4(c)为本发明一个实施例电压中断扰动信号检测结果图;
图4(d)为本发明一个实施例谐波畸变扰动信号检测结果图;
图4(e)为本发明一个实施例电压闪变扰动信号检测结果图;
图4(f)为本发明一个实施例暂态振荡扰动信号检测结果图;
图4(g)为本发明一个实施例瞬态冲击扰动信号检测结果图;
图5(a)为本发明一个实施例中模型训练交并比IOU的收敛曲线图;
图5(b)为本发明一个实施例中模型参数训练过程中损失值loss的变化曲线;
具体实施方式
下面结合附图对本发明的实施方式进行详细描述。
本实施例弥补了现有电能质量扰动检测方法存在的缺陷,提供了一种新的普适性的电能质量扰动检测方法,基于YOLO算法的电能质量扰动检测方法,使用仿真产生的扰动信号样本集训练Darknet-53神经网络,并通过深度学习与无监督训练提取波形特征,完成自适应的扰动识别。
本实施例是通过以下技术方案来实现的,基于YOLO算法的电能质量扰动检测方法,包括以下步骤:如图1所示,
S1:建立电能质量扰动信号数学模型,并使用MATLAB编写程序,代码上实现电能质量扰动信号的构建,并遍历扰动信号参数矩阵,生成电能质量扰动样本数据集;
S2:使用网络开源图像样本集Imagenet训练全卷积神经网络Darknet-53,并得到网络初始权重参数;
S3:设置权重衰减系数、初始学习率、学习率变动步长等训练参数;
S4:采用多分辨率训练策略,将标记好的电能质量扰动样本数据集输入全卷积神经网络Darknet-53进行训练,更新网络权重参数,进而使模型更适合电能质量扰动信号检测;
S5:随机生成电能质量扰动信号,将扰动信号转为二维图像后输入模型,验证算法模型对于扰动信号的检测准确率。
并且,S5中电能质量扰动信号检测的具体方法为:
S5.1、根据电能质量扰动产生原因不同,建立7种电能质量扰动信号数学模型,并通过MATLAB进行仿真建模,遍历参数生成完备的信号数据集,输入Darknt-53网络进行训练;
S5.2、将输电线路采集到的一维电压信号转化为二维波形图像,将其输入训练好的算法模型,模型自动输出检测结果。
并且,S5中关于电能质量扰动信号检测的说明如下:
S5中所述7种电能质量扰动信号具体为:电压暂升、电压暂降、电压中断、谐波畸变、电压闪变、暂态振荡、瞬态冲击。
S5中所述网络模型Darknet-53属于全卷积神经网络,其拥有53层卷积层,在层与层之间使用残差结构进而降低网络训练难度,使用尺寸为1×1的卷积核和尺寸为3×3步长为2的卷积核替代最大池化层。
并且,本实施例方法适用但不仅适用于所提出的7种典型电能质量扰动,具有很高的普适性。
具体实施时,一种基于YOLO算法的电能质量扰动检测方法,具体实施步骤如下:
1、建立7种电能质量扰动信号数学模型,并使用MATLAB编写程序,编程实现电能质量扰动信号的构建,遍历扰动信号参数矩阵,生成电能质量扰动样本数据集,包含10734张图片;
2、将样本集Imagenet输入全卷积神经网络Darknet-53,经过训练得到网络初始权重参数;
3、,设置动量为0.9,权重衰减系数设置为0.005,饱和度设置为1.5,曝光度设置为1.5,色调设置为0.1,初始学习率设置为0.001,学习率控制参数设置为1000,学习率策略选择多分布式,并设置学习率变动步长为40000,45000,学习率变动因子为0.1;
4、将标记好的电能质量扰动样本数据集输入Darknet-53进行训练,设置每经50批次将图片设定为新的随机分辨率进行训练,图片原始分辨率为875×656,随机尺寸变动间隔为32,变动范围从320×320到608×608,通过训练更新网络权重参数,进而使模型更适合电能质量扰动信号检测;
5、随机生成3500张电能质量扰动信号测试图片,输入训练好的模型,验证算法模型对于扰动信号的检测准确率。
5.1、根据扰动信号产生原因不同,设置基波频率为50Hz,采样频率为3.1kHz,遍历信号参数,生成7类10734张样本图片。
表一电能质量扰动信号模型表
表二样本信号参数表
7类电能质量扰动信号检测结果如图4(a)、图4(b)、图4(c)、图4(d)、图4(e)、图4(f)、图4(g)所示。
5.2、Darknet-53属于全卷积神经网络,不含全连接层,层与层之间大量使用残差网络的跳层连接。卷积神经网络的层数越深,就越能提取到深层次的特征,更好的表征目标,实现更优秀的分类与探测效果,但深层次的网络结构也使得训练时模型的收敛变得更难。而类残差网络的跳层连接使得网络在提取深层次特征时,网络参数仍能收敛,保证了模型训练的连续性。
本实施例步骤5中采用基于YOLO算法的电能质量扰动检测方法具体操作方式如下:
a)YOLO算法
YOLO(You Only Look Once,Real-Time Objection Detection)算法在2015年便被Joseph Redmon作为一种基于单个神经网络的目标探测系统提出。作为一种端对端的目标探测算法,它的探测速度远超同类算法,但作为第一代算法,其探测边缘特征相互重叠或者距离较近的目标的能力较差,往往存在漏检目标的问题,并且泛化性差。为了解决以上算法不成熟的地方,YOLOv2、YOLO9000和YOLOv3作为迭代算法相继被提出。作为YOLO系列算法的最新版本,YOLOv3在之前算法的基础上增加了一系列应用性的改进,主要包括类似FPN的多尺度预测,多标签分类以及新的残差神经网络模型Darknet-53。这些原理上的改进,使得YOLOv3克服了之前版本不擅长检测小目标的缺点,在保证速度与高准确率的同时成为了当前效果最理想的目标检测算法。
YOLO算法的基本思想是将目标探测问题转换为一个回归问题然后求解,样本图像输入模型后,便可以输出图像中所有目标的位置、种类以及相应置信度。YOLOv3算法具体实现过程为:首先将样本图片尺寸归一化为416×416,再经过类FPN金字塔结构网络处理,将样本图像根据特征尺度分割为n×n个大小一样的单元格,同时在三个特征图尺寸互不相同的尺度上提取特征,并通过上采样层在尺度间传递特征图。每种尺度的单元格通过三个锚点框(anchor box)预测三个边界框(bounding box),得到9个聚类中心。其中面积相对较大的锚点框分配给尺寸相对较小的特征图所在尺度。接着,YOLOv3网络会为三种尺度上的每个单元格的三个边界框生成预测值。如图2所示,预测值包含边界框中心坐标与边界框的宽和高,可以记作tx、ty、tw、th。如果目标中心存在相对偏移(cx,cy),且锚点框宽和高分别为pw,ph,这时需要对边界框进行修正:
训练过程中,YOLOv3算法将误差平方和设置为损失。由最小化损失函数就可以求出梯度值,即其中,为真实坐标值,t*为预测坐标值。接着,通过逻辑回归,YOLOv3将输出一个锚点框中包含目标的概率。其概率计算方法为:如果锚点框与目标真实边界框的重叠面积大于其他锚点框,则此锚点框概率记为1;如果锚点框与目标真实边界框的重叠面积在50%以上,但存在其它锚点框重叠面积大于它,则忽略此次预测。训练时,每一个物体会被分配一个锚点框,不包含目标的锚点框不会影响损失函数。相对于目标探测算法通常采用的Softmax分类,YOLOv3采用逻辑回归与二元交叉熵损失实现目标分类,这保证了算法对于目标的多标签标记能力。
b)Darknet-53网络结构:
YOLOv3算法借鉴了ResNet网络提出了一个全新的网络结构Darknet-53,其拥有53层卷积层,在层与层之间使用残差结构进而降低网络训练难度,相对于常用网络模型中的最大池化层,Darknet-53用尺寸为1×1的卷积核和尺寸为3×3步长为2的卷积核替代,减少了模型参数数量。因此Darknet-53相对于常用的目标检测特征提取网络VGG-16,在保证了网络复杂程度的同时,提高了检测的准确率。Darknet-53其网络基本结构如图3所示。
Darknet-53属于全卷积神经网络,不含全连接层,层与层之间大量使用残差网络的跳层连接。卷积神经网络的层数越深,就越能提取到深层次的特征,更好的表征目标,实现更优秀的分类与探测效果,但深层次的网络结构也使得训练时模型的收敛变得更难。而类残差网络的跳层连接使得网络在提取深层次特征时,网络参数仍能收敛,保证了模型训练的连续性。
本实施例步骤5在信号图片中检测扰动信号的具体操作方式如下:
a)生成预测边界框以及相应的置信度得分,提前设置阈值以消除交并比非最大的预测边界框;
b)根据置信度得分对同一目标位置的所有预测边界框进行由高至低的排序;
c)将置信度得分最高的预测边界框输入到模型最终输出向量里;
d)计算置信度得分最高的预测边界框与其它边界框的交并比;
e)如果预测边界框的置信度得分大于提前设置的阈值,则删除该预测框;
f)遍历所有预测边界框,重复上述过程直到剩下最佳预测边界框。
为验证本实施例方法的有效性和可靠性,进行以下的仿真实验:
根据样本信号参数表生成电能质量扰动样本数据集。数据集包含10734个样本,其中电压暂升1634张、电压暂降1540张、电压中断1550张、谐波畸变1500张、电压闪变1540张、暂态振荡1450张、瞬态冲击1520张。将样本数据库分为训练集和测试集,其中训练集包含7234张信号图片,测试集包含3500张信号图片。
根据电力系统实际环境,在不同的信噪比下,分别对7类电能质量扰动信号进行了分类效果测试,其辨识准确率见表三。
表三仿真结果
改进的YOLOv3算法在不同噪声强度下对于电能质量扰动的辨识均取得了理想的效果,其平均准确率最低为98.3%,表明了此种算法对于扰动信号的辨识与分类具有优秀的噪声鲁棒性。但从单一扰动类型来看,改进的YOLOv3算法对于电压暂升、谐波畸变、电压闪变、暂态振荡、瞬态冲击这5类扰动辨识效果最好,准确率为98.5%~100%,但对于电压暂降与电压中断的辨识效果稍有欠缺,在30dB的信噪比条件下,最低准确率为92.5%。
图5(a)为模型训练交并比IOU的收敛曲线图,纵坐标为交并比IOU,横坐标为模型训练次数。由图得出如下结论:随着训练次数的不断增长,模型预测框与目标真实框的重叠率越来越接近于1,在训练达到10000次后,IOU波动幅度显著减小,逐渐稳定趋向于1。
图5(b)为模型参数训练过程中损失值loss的变化曲线,纵坐标为损失值loss,横坐标为迭代次数,单位十次,设置最大迭代次数为20200次。由图可知,随着模型迭代次数的逐渐增加,损失值逐渐收敛,当迭代次数超过10000次时,损失值基本在0.1左右波动,达到了很好的训练效果。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
虽然以上结合附图描述了本发明的具体实施方式,但是本领域普通技术人员应当理解,这些仅是举例说明,可以对这些实施方式做出多种变形或修改,而不背离本发明的原理和实质。本发明的范围仅由所附权利要求书限定。
Claims (4)
1.基于YOLO算法的电能质量扰动检测方法,其特征是,包括以下步骤:
步骤1:建立电能质量扰动信号数学模型,使用MATLAB实现电能质量扰动信号的构建,遍历扰动信号参数矩阵,生成电能质量扰动样本数据集;
步骤2:将样本集Imagenet输入全卷积神经网络Darknet-53,经过训练得到网络初始权重参数;
步骤3:设置训练参数;
步骤4:采用多分辨率训练策略,将标记好的电能质量扰动样本数据集输入全卷积神经网络Darknet-53进行训练,更新网络权重参数,得到电能质量扰动信号检测模型;
步骤5、随机生成电能质量扰动信号,将扰动信号转为二维图像后输入检测模型,得到检测结果。
2.如权利要求1所述的基于YOLO算法的电能质量扰动检测方法,其特征是,步骤1的实现包括以下具体步骤:
步骤1.1、通过MATLAB程序遍历电压暂升、电压暂降、电压中断、谐波畸变、电压闪变、暂态振荡和瞬态冲击7种典型电能质量扰动参数表,生成10734张电能质量扰动样本数据集,其中电压暂升1634张、电压暂降1540张、电压中断1550张、谐波畸变1500张、电压闪变1540张、暂态振荡1450张、瞬态冲击1520张;
步骤1.2、将电能质量扰动样本数据集分为训练集和测试集,其中训练集包含7234张信号图片,测试集包含3500张信号图片。
3.如权利要求1所述的基于YOLO算法的电能质量扰动检测方法,其特征是,步骤3所述设置训练参数包括动量设置为0.9,权重衰减系数设置为0.005,饱和度设置为1.5,曝光度设置为1.5,色调设置为0.1,初始学习率设置为0.001,学习率控制参数设置为1000,学习率策略选择多分布式,并设置学习率变动步长为40000,45000,学习率变动因子为0.1。
4.如权利要求2所述的基于YOLO算法的电能质量扰动检测方法,其特征是,步骤4所述对全卷积神经网络Darknet-53进行训练包括:设置每经50批次图片设定为新的随机分辨率进行训练,图片原始分辨率为875×656,随机尺寸变动间隔为32,变动范围从320×320到608×608。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910881278.7A CN110728195B (zh) | 2019-09-18 | 2019-09-18 | 基于yolo算法的电能质量扰动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910881278.7A CN110728195B (zh) | 2019-09-18 | 2019-09-18 | 基于yolo算法的电能质量扰动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110728195A true CN110728195A (zh) | 2020-01-24 |
CN110728195B CN110728195B (zh) | 2022-04-01 |
Family
ID=69219215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910881278.7A Active CN110728195B (zh) | 2019-09-18 | 2019-09-18 | 基于yolo算法的电能质量扰动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110728195B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563557A (zh) * | 2020-05-12 | 2020-08-21 | 山东科华电力技术有限公司 | 一种电力电缆隧道内目标检测的方法 |
CN111931900A (zh) * | 2020-05-29 | 2020-11-13 | 西安电子科技大学 | 基于残差网络与多尺度特征融合的gis放电波形检测方法 |
CN112699730A (zh) * | 2020-12-01 | 2021-04-23 | 贵州电网有限责任公司 | 一种基于yolo及卷积-循环网络的机房人物重识别方法 |
CN113270707A (zh) * | 2021-06-01 | 2021-08-17 | 苏州芯迈智能科技有限公司 | 一种介质滤波器的智能辅助调试方法及装置 |
CN113486965A (zh) * | 2021-07-14 | 2021-10-08 | 西南交通大学 | 一种车网电气耦合数据的异常辨识模型的训练方法 |
CN116049448A (zh) * | 2023-03-31 | 2023-05-02 | 国网冀北电力有限公司 | 基于知识图谱的电能质量扰动识别模型的构建和识别方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104459398A (zh) * | 2014-12-08 | 2015-03-25 | 东北电力大学 | 一种采用二维形态学降噪的电能质量复合扰动识别方法 |
CN106778923A (zh) * | 2017-03-23 | 2017-05-31 | 广东电网有限责任公司珠海供电局 | 一种电能质量扰动信号分类方法及装置 |
CN107808138A (zh) * | 2017-10-31 | 2018-03-16 | 电子科技大学 | 一种基于FasterR‑CNN的通信信号识别方法 |
CN107832777A (zh) * | 2017-10-12 | 2018-03-23 | 吉林化工学院 | 一种采用时域压缩多分辨率快速s变换特征提取的电能质量扰动识别方法 |
CN108562811A (zh) * | 2018-03-12 | 2018-09-21 | 西安理工大学 | 基于双向长短期记忆的复杂电能质量扰动分析方法 |
CN108664950A (zh) * | 2018-05-22 | 2018-10-16 | 天津大学 | 一种基于深度学习的电能质量扰动识别与分类方法 |
CN108680910A (zh) * | 2018-05-15 | 2018-10-19 | 河海大学 | 基于波形认知的调频广播外辐射源雷达目标检测方法 |
CN108710861A (zh) * | 2018-05-23 | 2018-10-26 | 河海大学文天学院 | 一种电网扰动信号检测识别方法 |
CN109034277A (zh) * | 2018-09-17 | 2018-12-18 | 吉林大学 | 基于多特征融合的电能质量扰动分类方法及系统 |
CN109101890A (zh) * | 2018-07-16 | 2018-12-28 | 中国科学院自动化研究所 | 基于小波变换的电能质量扰动识别方法及装置 |
US20190049525A1 (en) * | 2017-08-10 | 2019-02-14 | United States Of America As Represented By Secretary Of The Navy | Methods and Systems for Classifying Optically Detected Power Quality Disturbances |
CN109359693A (zh) * | 2018-10-24 | 2019-02-19 | 国网上海市电力公司 | 一种电能质量扰动分类方法 |
CN110161370A (zh) * | 2019-04-25 | 2019-08-23 | 国网辽宁省电力有限公司 | 一种基于深度学习的电网故障检测方法 |
CN110210463A (zh) * | 2019-07-03 | 2019-09-06 | 中国人民解放军海军航空大学 | 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法 |
-
2019
- 2019-09-18 CN CN201910881278.7A patent/CN110728195B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104459398A (zh) * | 2014-12-08 | 2015-03-25 | 东北电力大学 | 一种采用二维形态学降噪的电能质量复合扰动识别方法 |
CN106778923A (zh) * | 2017-03-23 | 2017-05-31 | 广东电网有限责任公司珠海供电局 | 一种电能质量扰动信号分类方法及装置 |
US20190049525A1 (en) * | 2017-08-10 | 2019-02-14 | United States Of America As Represented By Secretary Of The Navy | Methods and Systems for Classifying Optically Detected Power Quality Disturbances |
CN107832777A (zh) * | 2017-10-12 | 2018-03-23 | 吉林化工学院 | 一种采用时域压缩多分辨率快速s变换特征提取的电能质量扰动识别方法 |
CN107808138A (zh) * | 2017-10-31 | 2018-03-16 | 电子科技大学 | 一种基于FasterR‑CNN的通信信号识别方法 |
CN108562811A (zh) * | 2018-03-12 | 2018-09-21 | 西安理工大学 | 基于双向长短期记忆的复杂电能质量扰动分析方法 |
CN108680910A (zh) * | 2018-05-15 | 2018-10-19 | 河海大学 | 基于波形认知的调频广播外辐射源雷达目标检测方法 |
CN108664950A (zh) * | 2018-05-22 | 2018-10-16 | 天津大学 | 一种基于深度学习的电能质量扰动识别与分类方法 |
CN108710861A (zh) * | 2018-05-23 | 2018-10-26 | 河海大学文天学院 | 一种电网扰动信号检测识别方法 |
CN109101890A (zh) * | 2018-07-16 | 2018-12-28 | 中国科学院自动化研究所 | 基于小波变换的电能质量扰动识别方法及装置 |
CN109034277A (zh) * | 2018-09-17 | 2018-12-18 | 吉林大学 | 基于多特征融合的电能质量扰动分类方法及系统 |
CN109359693A (zh) * | 2018-10-24 | 2019-02-19 | 国网上海市电力公司 | 一种电能质量扰动分类方法 |
CN110161370A (zh) * | 2019-04-25 | 2019-08-23 | 国网辽宁省电力有限公司 | 一种基于深度学习的电网故障检测方法 |
CN110210463A (zh) * | 2019-07-03 | 2019-09-06 | 中国人民解放军海军航空大学 | 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法 |
Non-Patent Citations (4)
Title |
---|
SHOUXIANG WANG等: "A novel deep learning method for the classification of power quality disturbances using deep convolutional neural network", 《APPLIED ENERGY》 * |
吴靓 等: "基于PSO改进原子分解法的电压扰动检测方法", 《中国农村水利水电》 * |
瞿合祚 等: "基于卷积神经网络的电能质量扰动分类", 《武汉大学学报(工学版)》 * |
黄文清: "电能质量扰动在线监测方法研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563557A (zh) * | 2020-05-12 | 2020-08-21 | 山东科华电力技术有限公司 | 一种电力电缆隧道内目标检测的方法 |
CN111563557B (zh) * | 2020-05-12 | 2023-01-17 | 山东科华电力技术有限公司 | 一种电力电缆隧道内目标检测的方法 |
CN111931900A (zh) * | 2020-05-29 | 2020-11-13 | 西安电子科技大学 | 基于残差网络与多尺度特征融合的gis放电波形检测方法 |
CN111931900B (zh) * | 2020-05-29 | 2023-09-19 | 西安电子科技大学 | 基于残差网络与多尺度特征融合的gis放电波形检测方法 |
CN112699730A (zh) * | 2020-12-01 | 2021-04-23 | 贵州电网有限责任公司 | 一种基于yolo及卷积-循环网络的机房人物重识别方法 |
CN113270707A (zh) * | 2021-06-01 | 2021-08-17 | 苏州芯迈智能科技有限公司 | 一种介质滤波器的智能辅助调试方法及装置 |
CN113486965A (zh) * | 2021-07-14 | 2021-10-08 | 西南交通大学 | 一种车网电气耦合数据的异常辨识模型的训练方法 |
CN116049448A (zh) * | 2023-03-31 | 2023-05-02 | 国网冀北电力有限公司 | 基于知识图谱的电能质量扰动识别模型的构建和识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110728195B (zh) | 2022-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728195B (zh) | 基于yolo算法的电能质量扰动检测方法 | |
Maatallah et al. | Recursive wind speed forecasting based on Hammerstein Auto-Regressive model | |
Bürger et al. | Downscaling extremes—An intercomparison of multiple statistical methods for present climate | |
CN110111015A (zh) | 一种基于变分模态分解多尺度排列熵的电能质量分析方法 | |
CN111310968A (zh) | 一种基于互信息的lstm神经网络循环水文预报方法 | |
CN110728360A (zh) | 一种基于bp神经网络的微能源器件能量识别方法 | |
CN107462785A (zh) | 基于ga‑svm的电能质量多扰动信号分类识别方法 | |
CN111563893A (zh) | 基于航拍图像的均压环缺陷检测方法、装置、介质和设备 | |
CN110046764A (zh) | 预测客流量的方法及装置 | |
CN110808580B (zh) | 基于小波变换和极限学习机的电压暂降源快速辨识方法 | |
Qin et al. | Radar waveform recognition based on deep residual network | |
CN112200038B (zh) | 一种基于cnn的电力系统振荡类型的快速辨识方法 | |
CN111368892A (zh) | 一种广义s变换和svm的电能质量扰动高效识别方法 | |
Wang et al. | Transient stability evaluation model based on SSDAE with imbalanced correction | |
CN116008731B (zh) | 配电网高阻故障辨识方法、装置和电子设备 | |
CN114006369A (zh) | 区域风光场站功率联合预测方法、装置、电子设备和存储介质 | |
CN109583344A (zh) | 一种基于深度学习的电力设备红外图像处理方法 | |
CN111310963A (zh) | 电站的发电数据预测方法、装置、计算机设备和存储介质 | |
Ye et al. | Single pole‐to‐ground fault location method for mmc‐hvdc system using wavelet decomposition and dbn | |
Wei et al. | Fault line detection method based on the improved SVD de‐noising and ideal clustering curve for distribution networks | |
Dadashizadeh Samakosh et al. | Experimental‐based models for predicting the flashover voltage of polluted SiR insulators using leakage current characteristics | |
Saad et al. | Single-phase auto-reclosing scheme using particle filter and convolutional neural network | |
CN113111592A (zh) | 一种基于emd-lstm的短期风电功率预测方法 | |
Wang et al. | Multi‐harmonic sources location based on sparse component analysis and complex independent component analysis | |
Bueno-Barrachina et al. | Inception 1D-convolutional neural network for accurate prediction of electrical insulator leakage current from environmental data during its normal operation using long-term recording |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |