CN110969194A - 基于改进型卷积神经网络的电缆早期故障定位方法 - Google Patents

基于改进型卷积神经网络的电缆早期故障定位方法 Download PDF

Info

Publication number
CN110969194A
CN110969194A CN201911151117.9A CN201911151117A CN110969194A CN 110969194 A CN110969194 A CN 110969194A CN 201911151117 A CN201911151117 A CN 201911151117A CN 110969194 A CN110969194 A CN 110969194A
Authority
CN
China
Prior art keywords
neural network
convolutional neural
fault
improved convolutional
early
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
Application number
CN201911151117.9A
Other languages
English (en)
Other versions
CN110969194B (zh
Inventor
李胜辉
王刚
孙峰
白雪
付尧
张佳斌
赵清松
张冠锋
齐全
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
Original Assignee
State Grid Corp of China SGCC
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 filed Critical State Grid Corp of China SGCC
Priority to CN201911151117.9A priority Critical patent/CN110969194B/zh
Publication of CN110969194A publication Critical patent/CN110969194A/zh
Application granted granted Critical
Publication of CN110969194B publication Critical patent/CN110969194B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/083—Locating faults in cables, transmission lines, or networks according to type of conductors in cables, e.g. underground
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Locating Faults (AREA)
  • Monitoring And Testing Of Transmission In General (AREA)

Abstract

本发明涉及配电网设备故障诊断领域，尤其涉及一种基于改进型卷积神经网络的电缆早期故障定位方法。包括：利用小波变换提取不同故障距离监测数据的波形统计特征；利用人工鱼群算法分析提取到的波形统计特征，得到最优的特征；改进型卷积神经网络的构造,得到监测数据的高层次特征；基于学习到的高层次特征的电缆早期故障识别。本发明采用的小波变换具有良好的时频特性，能够准确提取不同故障距离的故障特征。采用人工鱼群算法从提取的初始特征集中进一步选择最优的特征，将最优的特征输入到改进的卷积神经网络，深入地学习数据中的非线性映射关系，得到不同故障距离数据的深层特征，有利于准确识别电缆故障位置。

Description

基于改进型卷积神经网络的电缆早期故障定位方法
技术领域
本发明涉及配电网设备故障诊断领域，尤其涉及一种基于改进型卷积神经网络的电缆早期故障定位方法，具体是一种对电缆早期故障定位的方法。
背景技术
随着城市配电网供电可靠性和城市美观的要求，地下电缆在城市配电网中得到了广泛应用，电缆具有不易受环境影响，低维护率，安全等诸多优势。但由于电缆长时间埋在地下，在发生故障后，对故障位置的确定十分困难，可能导致长时间断电，影响供电可靠性，还可能导致巨大的经济损失。电力电缆的早期故障不同于其他永久性故障，它是在永久性故障发生之前的一种故障状态，由于持续时间短或幅值低，不会引起保护装置动作。目前对在发生故障跳闸来再来确定故障位置，为了提高供电可靠性和减少停电带来的经济损失，对电缆早期故障的准确定位具有重要意义。
发明内容
针对上述现有技术中存在的问题，本发明提供一种基于改进型卷积神经网络的电缆早期故障定位方法，其目的是为了在永久性故障之前实现准确定位电缆故障位置，降低故障进一步扩大的风险，从而提高供电可靠性。
为了实现上述发明目的，本发明是采用如下技术方案来实现的：
基于改进型卷积神经网络的电缆早期故障定位方法，包括以下步骤：
步骤1.利用小波变换提取不同故障距离监测数据的波形统计特征；
步骤2.利用人工鱼群算法分析提取到的波形统计特征，得到最优的特征；
步骤3.改进型卷积神经网络的构造,得到监测数据的高层次特征；
步骤4.基于学习到的高层次特征的电缆早期故障识别。
所述利用小波变换提取不同故障距离监测数据的波形统计特征，包括：
通过选取适当的母小波对不同故障位置的电流数据进行小波变换，由于故障特征反映在分解得到的高频细节系数中，对这些高频细节系数进行特征提取；小波变换模极大值点与信号的突变点存在非线性映射关系，将小波变换模极大值点作为一个特征进行分析，提取原始故障信号的能量、均值、方差、有效值、峰值因数、偏度、峭度、信息熵、奇异熵、总谐波含有率和总谐波畸变率，得到波形统计特征集，以建立故障信号到故障距离的对应关系。
所述适当的母小波指：具有良好的时频特性，用于分析电缆早期故障这一类非平稳信号的母小波。
所述利用人工鱼群算法分析提取到的波形统计特征，得到最优的特征，包括：在提取不同位置的波形统计特征后，由于所选择的特征可能存在一定的冗余，可能影响最后的故障定位精度和算法效率；利用人工鱼群算法来分析这些故障特征，通过鱼群的搜索过程，得到最优的特征，并将其作为下一步改进卷积神经网络的输入。
所述改进型卷积神经网络的构造,得到监测数据的高层次特征，包括：
步骤(1)：训练数据；
步骤(2)：改进型的卷积神经网络的构造；
步骤(3)：训练完成的改进型卷积神经网络。
所述训练数据，包括：将经过人工鱼群进行最优特征选择后的特征输入到改进型卷积神经网络，通过这些输入数据来训练神经网络，从而学习到输入数据的高层次特征。
所述改进的卷积神经网络的构造，包括：
卷积神经网络作为一种仿生模型，基本架构通常包括特征提取器和分类器，由卷积层、采样层和全连接层组成；其中卷积层和采样层不仅可以有效地对输入的原始特征矩阵进行更深层次的特征学习，通过权值共享能够减少神经元个数，简化网络的复杂程度；全连接层作为一个分类器，输入卷积和采样之后的特征，输出分类类别；
卷积神经网络的构造包括前向传导的预训练和反向传导的微调，在进行反向传导之前需要定义一个损失函数，常用的误差函数有平方差损失函数和交叉熵损失函数，本发明选择选择交叉熵损失函数：
Figure BDA0002283571350000021
其中，n表示样本个数，y_表示期望输出，y表示实际输出，W表示卷积神经网络的权重，b表示卷积神经网络的偏置，x表示输入数据；
在卷积神经网络训练过程中，学习率会影响着卷积神经网络的学习速率和收敛情况，学习率过大易造成卷积神经网络的权值在最优点处振荡，学习率过低则造成训练时间过长；采用自适应的学习率，构造改进型卷积神经网络，即：
Figure BDA0002283571350000031
其中，lr(l)表示第l轮的学习率，dr表示学习衰减率，n表示每轮学习的步数，lr(l-1)表示第l-1轮的学习率。
所述训练完成的改进型卷积神经网络，包括：
通过改进型卷积神经网络的前向传导和反向传导过程，最后可以得到输入数据的高层次特征，这些高层次特征包含输入数据的信息，可区分性强，有利于准确识别不同故障距离的数据。
所述基于学习到的高层次特征的电缆早期故障识别，包括：
步骤(1)：输入测试数据到训练好的改进型卷积神经网络；
步骤(2)：输出故障距离类别。
所述输入测试数据到训练好的改进型卷积神经网络，包括：通过步骤1-步骤3建立一个训练好的改进型卷积神经网络，学习输入数据的高层次特征；在本步骤中将新的测试数据输入到训练好的改进型卷积神经网络中，以测试所提出方法的性能；
所述输出故障距离类别，包括：将电缆早期故障定位问题考虑为一个多分类问题，将发生在不同故障距离上的电缆早期故障事件分为不同的类别；在将测试数据输入到训练好的改进型卷积神经网络后，通过改进型卷积神经网络学习高层次特征，建立电缆早期故障与故障距离之间的映射关系实现电缆早期故障的定位，并输出故障距离类别。
本发明的优点及有益效果是：
本发明采用的小波变换具有良好的时频特性，能够准确提取不同故障距离的故障特征。但由于所提取的特征存在一定的冗余，会影响算法的效率和准确性，因此采用了人工鱼群算法从提取的初始特征集中进一步选择最优的特征，最后将这些最优的特征输入到改进的卷积神经网络。改进的卷积神经网络采用自适应的学习率，在训练过程中一直优化网络参数的权重，提高网络的泛化能力。利用改进的卷积神经网络对输入数据进行学习，能够深入地学习数据中的非线性映射关系，得到不同故障距离数据的深层特征，有利于准确识别电缆故障位置。
附图说明
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及具体实施方式对本发明作进一步的详细描述，以下实施例用于说明本发明，但应当理解本发明的保护范围并不受具体实施方式的限制。
图1是本发明方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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其他实施例，都属于本发明保护的范围。
本发明是一种基于改进型卷积神经网络的电缆早期故障定位方法，如图1所示，图1是本发明方法的流程图。
下面按照流程图依次对本发明的方法进行详细的解释：
基于改进型卷积神经网络的电缆早期故障定位方法，包括以下步骤：
步骤1.利用小波变换提取不同故障距离监测数据的波形统计特征；
步骤2.利用人工鱼群算法分析提取到的波形统计特征，得到最优的特征；
步骤3.改进型卷积神经网络的构造,得到监测数据的高层次特征；
步骤4.基于学习到的高层次特征的电缆早期故障识别。
所述步骤1中利用小波变换提取不同故障距离监测数据的波形统计特征，包括：
通过选取适当的母小波对不同故障位置的电流数据进行小波变换，由于故障特征多反映在分解得到的高频细节系数中，可对这些高频细节系数进行特征提取。由于小波变换模极大值点与信号的突变点存在非线性映射关系，故将小波变换模极大值点作为一个特征进行分析，还提取了原始故障信号的能量、均值、方差、有效值、峰值因数、偏度、峭度、信息熵、奇异熵、总谐波含有率和总谐波畸变率，得到波形统计特征集，以建立故障信号到故障距离的对应关系。
所述适当的母小波指：具有良好的时频特性，能够用于分析电缆早期故障这一类非平稳信号的母小波。
所述步骤2中利用人工鱼群算法分析提取到的波形统计特征，得到最优的特征，包括：
在提取不同位置的波形统计特征后，由于所选择的特征可能存在一定的冗余，可能影响最后的故障定位精度和算法效率。利用人工鱼群算法来分析这些故障特征，通过鱼群的搜索过程，得到最优的特征，并将其作为下一步改进卷积神经网络的输入。
所述步骤3中步骤3.改进型卷积神经网络的构造,得到监测数据的高层次特征，包括：
步骤(1)：训练数据；
步骤(2)：改进型的卷积神经网络的构造；
步骤(3)：训练完成的改进型卷积神经网络。
所述步骤(1)：训练数据；
将经过人工鱼群进行最优特征选择后的特征输入到改进型卷积神经网络，通过这些输入数据来训练神经网络，从而学习到输入数据的高层次特征。
步骤(2)：改进的卷积神经网络的构造，包括：
卷积神经网络作为一种仿生模型，基本架构通常包括特征提取器和分类器，由卷积层、采样层和全连接层组成。其中卷积层和采样层不仅可以有效地对输入的原始特征矩阵进行更深层次的特征学习，而且通过权值共享可以减少神经元个数，简化网络的复杂程度；全连接层作为一个分类器，输入卷积和采样之后的特征，输出分类类别。
卷积神经网络的构造包括前向传导的预训练和反向传导的微调。在进行反向传导之前需要定义一个损失函数，常用的误差函数有平方差损失函数和交叉熵损失函数，本发明选择选择交叉熵损失函数：
Figure BDA0002283571350000051
其中，n表示样本个数，y_表示期望输出，y表示实际输出，W表示卷积神经网络的权重，b表示卷积神经网络的偏置，x表示输入数据。
在卷积神经网络训练过程中，学习率会影响着卷积神经网络的学习速率和收敛情况，学习率过大易造成卷积神经网络的权值在最优点处振荡，学习率过低则造成训练时间过长，因此本发明采用自适应的学习率，构造改进型卷积神经网络，即：
Figure BDA0002283571350000061
其中，lr(l)表示第l轮的学习率，dr表示学习衰减率，n表示每轮学习的步数，lr(l-1)表示第l-1轮的学习率。
步骤(3)：训练完成的改进型卷积神经网络，包括：
通过改进型卷积神经网络的前向传导和反向传导过程，最后可以得到输入数据的高层次特征，这些高层次特征包含输入数据的信息，可区分性强，有利于准确识别不同故障距离的数据。
所述步骤4中基于学习到的高层次特征的电缆早期故障识别，包括：
步骤(1)：输入测试数据到训练好的改进型卷积神经网络；
步骤(2)：输出故障距离类别
所述步骤(1)：输入测试数据到训练好的改进型卷积神经网络
通过步骤1-步骤3可以建立一个训练好的改进型卷积神经网络，能够学习输入数据的高层次特征。在本步骤中将新的测试数据输入到训练好的改进型卷积神经网络中，以测试所提出方法的性能。
所述步骤(2)：输出故障距离类别
将电缆早期故障定位问题考虑为一个多分类问题，将发生在不同故障距离上的电缆早期故障事件分为不同的类别。在将测试数据输入到训练好的改进型卷积神经网络后，通过改进型卷积神经网络学习高层次特征，建立电缆早期故障与故障距离之间的映射关系实现电缆早期故障的定位，并输出故障距离类别。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.基于改进型卷积神经网络的电缆早期故障定位方法，其特征是：包括以下步骤：
步骤1.利用小波变换提取不同故障距离监测数据的波形统计特征；
步骤2.利用人工鱼群算法分析提取到的波形统计特征，得到最优的特征；
步骤3.改进型卷积神经网络的构造,得到监测数据的高层次特征；
步骤4.基于学习到的高层次特征的电缆早期故障识别。
2.根据权利要求1所述的基于改进型卷积神经网络的电缆早期故障定位方法，其特征是：所述利用小波变换提取不同故障距离监测数据的波形统计特征，包括：
通过选取适当的母小波对不同故障位置的电流数据进行小波变换，由于故障特征反映在分解得到的高频细节系数中，对这些高频细节系数进行特征提取；小波变换模极大值点与信号的突变点存在非线性映射关系，将小波变换模极大值点作为一个特征进行分析，提取原始故障信号的能量、均值、方差、有效值、峰值因数、偏度、峭度、信息熵、奇异熵、总谐波含有率和总谐波畸变率，得到波形统计特征集，以建立故障信号到故障距离的对应关系。
3.根据权利要求2所述的基于改进型卷积神经网络的电缆早期故障定位方法，其特征是：所述适当的母小波指：具有良好的时频特性，用于分析电缆早期故障这一类非平稳信号的母小波。
4.根据权利要求1所述的基于改进型卷积神经网络的电缆早期故障定位方法，其特征是：所述利用人工鱼群算法分析提取到的波形统计特征，得到最优的特征，包括：在提取不同位置的波形统计特征后，由于所选择的特征可能存在一定的冗余，可能影响最后的故障定位精度和算法效率；利用人工鱼群算法来分析这些故障特征，通过鱼群的搜索过程，得到最优的特征，并将其作为下一步改进卷积神经网络的输入。
5.根据权利要求1所述的基于改进型卷积神经网络的电缆早期故障定位方法，其特征是：所述改进型卷积神经网络的构造,得到监测数据的高层次特征，包括：
步骤(1)：训练数据；
步骤(2)：改进型的卷积神经网络的构造；
步骤(3)：训练完成的改进型卷积神经网络。
6.根据权利要求5所述的基于改进型卷积神经网络的电缆早期故障定位方法，其特征是：所述训练数据，包括：将经过人工鱼群进行最优特征选择后的特征输入到改进型卷积神经网络，通过这些输入数据来训练神经网络，从而学习到输入数据的高层次特征。
7.根据权利要求5所述的基于改进型卷积神经网络的电缆早期故障定位方法，其特征是：所述改进的卷积神经网络的构造，包括：
卷积神经网络作为一种仿生模型，基本架构通常包括特征提取器和分类器，由卷积层、采样层和全连接层组成；其中卷积层和采样层不仅可以有效地对输入的原始特征矩阵进行更深层次的特征学习，通过权值共享能够减少神经元个数，简化网络的复杂程度；全连接层作为一个分类器，输入卷积和采样之后的特征，输出分类类别；
卷积神经网络的构造包括前向传导的预训练和反向传导的微调，在进行反向传导之前需要定义一个损失函数，常用的误差函数有平方差损失函数和交叉熵损失函数，本发明选择选择交叉熵损失函数：
Figure FDA0002283571340000021
其中，n表示样本个数，y_表示期望输出，y表示实际输出，W表示卷积神经网络的权重，b表示卷积神经网络的偏置，x表示输入数据；
在卷积神经网络训练过程中，学习率会影响着卷积神经网络的学习速率和收敛情况，学习率过大易造成卷积神经网络的权值在最优点处振荡，学习率过低则造成训练时间过长；采用自适应的学习率，构造改进型卷积神经网络，即：
Figure FDA0002283571340000022
其中，lr(l)表示第l轮的学习率，dr表示学习衰减率，n表示每轮学习的步数，lr(l-1)表示第l-1轮的学习率。
8.根据权利要求5所述的基于改进型卷积神经网络的电缆早期故障定位方法，其特征是：所述训练完成的改进型卷积神经网络，包括：
通过改进型卷积神经网络的前向传导和反向传导过程，最后可以得到输入数据的高层次特征，这些高层次特征包含输入数据的信息，可区分性强，有利于准确识别不同故障距离的数据。
9.根据权利要求1所述的基于改进型卷积神经网络的电缆早期故障定位方法，其特征是：所述基于学习到的高层次特征的电缆早期故障识别，包括：
步骤(1)：输入测试数据到训练好的改进型卷积神经网络；
步骤(2)：输出故障距离类别。
10.根据权利要求9所述的基于改进型卷积神经网络的电缆早期故障定位方法，其特征是：所述输入测试数据到训练好的改进型卷积神经网络，包括：通过步骤1-步骤3建立一个训练好的改进型卷积神经网络，学习输入数据的高层次特征；在本步骤中将新的测试数据输入到训练好的改进型卷积神经网络中，以测试所提出方法的性能；
所述输出故障距离类别，包括：将电缆早期故障定位问题考虑为一个多分类问题，将发生在不同故障距离上的电缆早期故障事件分为不同的类别；在将测试数据输入到训练好的改进型卷积神经网络后，通过改进型卷积神经网络学习高层次特征，建立电缆早期故障与故障距离之间的映射关系实现电缆早期故障的定位，并输出故障距离类别。
CN201911151117.9A 2019-11-21 2019-11-21 基于改进型卷积神经网络的电缆早期故障定位方法 Active CN110969194B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911151117.9A CN110969194B (zh) 2019-11-21 2019-11-21 基于改进型卷积神经网络的电缆早期故障定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911151117.9A CN110969194B (zh) 2019-11-21 2019-11-21 基于改进型卷积神经网络的电缆早期故障定位方法

Publications (2)

Publication Number Publication Date
CN110969194A true CN110969194A (zh) 2020-04-07
CN110969194B CN110969194B (zh) 2023-12-19

Family

ID=70031192

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911151117.9A Active CN110969194B (zh) 2019-11-21 2019-11-21 基于改进型卷积神经网络的电缆早期故障定位方法

Country Status (1)

Country Link
CN (1) CN110969194B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111707908A (zh) * 2020-07-29 2020-09-25 中国科学技术大学先进技术研究院 多负载回路串联故障电弧检测方法、装置以及存储介质
CN112946425A (zh) * 2021-02-08 2021-06-11 长沙理工大学 一种利用深度学习挖掘行波时-频域特征的故障定位方法
CN113203914A (zh) * 2021-04-08 2021-08-03 华南理工大学 基于dae-cnn的地下电缆早期故障检测和识别方法
CN114217164A (zh) * 2021-11-19 2022-03-22 山东大学 一种基于放电波形智能识别的电缆故障测距方法及系统
CN115993507A (zh) * 2023-03-23 2023-04-21 成都交大运达电气有限公司 一种电气化铁道牵引供电系统的故障测距方法
CN116148599A (zh) * 2023-04-19 2023-05-23 天津滨电电力工程有限公司 基于峭度和偏度系数的高阻接地故障诊断保护方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108062572A (zh) * 2017-12-28 2018-05-22 华中科技大学 一种基于DdAE深度学习模型的水电机组故障诊断方法与系统
CN108120900A (zh) * 2017-12-22 2018-06-05 北京映翰通网络技术股份有限公司 一种配电网故障定位方法及系统
CN108426713A (zh) * 2018-02-26 2018-08-21 成都昊铭科技有限公司 基于小波变换和深度学习的滚动轴承微弱故障诊断方法
CN108681628A (zh) * 2018-04-28 2018-10-19 国网山东省电力公司莱芜供电公司 基于改进鱼群算法的电力线信道分布参数辨识方法及系统
CN109560770A (zh) * 2018-10-29 2019-04-02 西安交通大学 基于自适应核函数和瞬时频率估计的光伏系统故障电弧检测方法
US20190242936A1 (en) * 2018-02-05 2019-08-08 Wuhan University Fault diagnosis method for series hybrid electric vehicle ac/dc converter
CN110261746A (zh) * 2019-07-08 2019-09-20 清华大学深圳研究生院 基于振荡波电压周期衰减特性的电缆缺陷检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108120900A (zh) * 2017-12-22 2018-06-05 北京映翰通网络技术股份有限公司 一种配电网故障定位方法及系统
CN108062572A (zh) * 2017-12-28 2018-05-22 华中科技大学 一种基于DdAE深度学习模型的水电机组故障诊断方法与系统
US20190242936A1 (en) * 2018-02-05 2019-08-08 Wuhan University Fault diagnosis method for series hybrid electric vehicle ac/dc converter
CN108426713A (zh) * 2018-02-26 2018-08-21 成都昊铭科技有限公司 基于小波变换和深度学习的滚动轴承微弱故障诊断方法
CN108681628A (zh) * 2018-04-28 2018-10-19 国网山东省电力公司莱芜供电公司 基于改进鱼群算法的电力线信道分布参数辨识方法及系统
CN109560770A (zh) * 2018-10-29 2019-04-02 西安交通大学 基于自适应核函数和瞬时频率估计的光伏系统故障电弧检测方法
CN110261746A (zh) * 2019-07-08 2019-09-20 清华大学深圳研究生院 基于振荡波电压周期衰减特性的电缆缺陷检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李胜辉;白雪;董鹤楠;刘宁;: "基于小波与栈式稀疏自编码器的电力电缆早期故障定位方法研究" *
雒宝鹏;王仲生;: "一种改进的灰色网络算法在早期故障预测中的应用" *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111707908A (zh) * 2020-07-29 2020-09-25 中国科学技术大学先进技术研究院 多负载回路串联故障电弧检测方法、装置以及存储介质
CN112946425A (zh) * 2021-02-08 2021-06-11 长沙理工大学 一种利用深度学习挖掘行波时-频域特征的故障定位方法
CN113203914A (zh) * 2021-04-08 2021-08-03 华南理工大学 基于dae-cnn的地下电缆早期故障检测和识别方法
CN114217164A (zh) * 2021-11-19 2022-03-22 山东大学 一种基于放电波形智能识别的电缆故障测距方法及系统
CN115993507A (zh) * 2023-03-23 2023-04-21 成都交大运达电气有限公司 一种电气化铁道牵引供电系统的故障测距方法
CN116148599A (zh) * 2023-04-19 2023-05-23 天津滨电电力工程有限公司 基于峭度和偏度系数的高阻接地故障诊断保护方法及装置
CN116148599B (zh) * 2023-04-19 2023-08-18 天津滨电电力工程有限公司 基于峭度和偏度系数的高阻接地故障诊断保护方法及装置

Also Published As

Publication number Publication date
CN110969194B (zh) 2023-12-19

Similar Documents

Publication Publication Date Title
CN110969194A (zh) 基于改进型卷积神经网络的电缆早期故障定位方法
CN109946389B (zh) 基于总体经验模态分解与卷积神经网络的结构损伤识别法
CN111046581B (zh) 一种输电线路故障类型识别方法及系统
Wang et al. On multi-event co-calibration of dynamic model parameters using soft actor-critic
CN110108992B (zh) 基于改进随机森林算法的电缆局放故障识别方法、系统
CN110726898A (zh) 一种配电网故障类型识别方法
CN116401532B (zh) 一种电力系统受扰后频率失稳识别方法及系统
Ganjun et al. Partial discharge pattern recognition of high voltage cables based on the stacked denoising autoencoder method
CN109583497B (zh) 一种对抗生成网络智能判断的数据质量规则自动生成方法及系统
CN114722923A (zh) 一种轻量型的机电设备故障诊断方法
CN107765259B (zh) 一种基于提升小波改进阈值的输电线路激光测距信号去噪方法
CN113804997A (zh) 基于双向WaveNet深度学习的电压暂降源定位方法
CN115795360A (zh) 基于人工神经网络的电缆故障检测方法
CN116070158A (zh) 一种基于改进深度森林的智能bit设计方法
CN113625101B (zh) 基于果蝇算法与随机共振的行波信号处理方法
CN115630612A (zh) 一种基于vae与wgan的软件度量缺陷数据增广方法
CN112016684B (zh) 一种深度并行柔性发射网络的电力终端指纹识别方法
CN115877068A (zh) 基于深度学习的区域电网的电压暂降传播轨迹识别方法
CN114545147A (zh) 计及时变拓扑时基于深度学习的电压暂降源定位方法
CN109639319B (zh) 一种基于复杂电力线拓扑环境下的多源端噪声建模方法
CN112183191A (zh) 一种基于对抗训练的检测输电线路中鸟巢的方法
CN113469467B (zh) 基于带通滤波的风电超短期预测方法及装置
CN109657404A (zh) 基于混沌修正群智能寻优的采煤机故障自动诊断系统
CN117216485B (zh) 一种基于客观赋权的输电录波鸟害故障判别方法及系统
CN115828719B (zh) 基于生成对抗网络的电力系统次同步振荡数据生成方法

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
GR01 Patent grant
GR01 Patent grant