CN111275109A - 基于自编码器的电力设备状态数据特征选优方法及系统 - Google Patents

基于自编码器的电力设备状态数据特征选优方法及系统 Download PDF

Info

Publication number
CN111275109A
CN111275109A CN202010064806.2A CN202010064806A CN111275109A CN 111275109 A CN111275109 A CN 111275109A CN 202010064806 A CN202010064806 A CN 202010064806A CN 111275109 A CN111275109 A CN 111275109A
Authority
CN
China
Prior art keywords
self
encoder
power equipment
class
data
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
Application number
CN202010064806.2A
Other languages
English (en)
Inventor
刘广辉
崔国栋
宋辉
张文斌
盛戈皞
王建军
罗林根
王磊
张冬冬
李长红
韩浩
王洋
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.)
Shanghai Jiaotong University
Zaozhuang Power Supply Co of State Grid Shandong Electric Power Co Ltd
Original Assignee
Shanghai Jiaotong University
Zaozhuang Power Supply Co of State Grid Shandong Electric Power Co Ltd
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 Shanghai Jiaotong University, Zaozhuang Power Supply Co of State Grid Shandong Electric Power Co Ltd filed Critical Shanghai Jiaotong University
Priority to CN202010064806.2A priority Critical patent/CN111275109A/zh
Publication of CN111275109A publication Critical patent/CN111275109A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于自编码器的电力设备状态数据特征选优方法，其包括：(1)采集电力设备的状态数据，并对其进行预处理以作为样本数据；(2)构建自编码器，输入样本数据以对自编码器进行训练，提取自编码器的隐层输出作为样本数据的特征量；(3)对特征量进行降维并进行聚类，经过聚类的特征量分别表征不同的电力设备缺陷类别；(4)分别计算表征电力设备相同缺陷类别的特征量的类内距离和表征电力设备不同缺陷类别的特征量的类间距离；基于类内距离和类间距离，调整自编码器的隐层输出的特征量的数量，循环进行步骤(2)至步骤(4)，直到类内距离与类间距离均达到预设的阈值。此外，本发明还公开了一种电力设备状态数据特征选优系统。

Description

基于自编码器的电力设备状态数据特征选优方法及系统
技术领域
本发明涉及电力系统中的选优方法及系统，尤其涉及一种电力设备数据的选优方法及系统。
背景技术
局部放电带电检测技术不断发展，通过局部放电带电检测技术可以得到电力设备的局部放电数据，从而分析设备的运行状态。而为了准确、全面分析电力设备的局部放电情况，需要输入能够表征设备局部放电特性的特征量，在降低模型复杂度的同时，提升系统性能，因此，如何对电力设备状态数据进行特征选优成为现有技术中急迫需要解决的问题。
在现有技术中，对于电力设备状态数据进行特征选优时，主要采用人工提取或是基于统计方法的简单机器提取，但上述方法具有一定局限性，无法自主进行。
基于此，期望获得一种电力设备状态数据特征选优方法，其可以基于大数据进行深度学习的数据分析，从而实现对电力设备状态数据特征的选优。
发明内容
本发明的目的之一是提供一种基于自编码器的电力设备状态数据特征选优方法，该电力设备状态数据特征选优方法可以深度学习自主对数据进行分析整理，完成对电力设备状态数据特征的选优。
根据上述发明目的，本发明提出一种基于自编码器的电力设备状态数据特征选优方法，其包括：
(1)采集电力设备的状态数据，并对状态数据进行预处理，以作为样本数据；
(2)构建自编码器，输入样本数据以对自编码器进行训练，提取自编码器的隐层输出作为样本数据的特征量；
(3)对特征量进行降维，并根据降维后的特征量进行聚类，经过聚类的特征量分别表征不同的电力设备缺陷类别；
(4)分别计算表征电力设备相同缺陷类别的特征量的类内距离和表征电力设备不同缺陷类别的特征量的类间距离；
基于类内距离和类间距离，调整自编码器的隐层输出的特征量的数量，循环进行步骤(2)至步骤(4)，直到类内距离与类间距离均达到预设的阈值。
在本发明所述的基于自编码器的电力设备状态数据特征选优方法中，本案本案发明人利用自编码器以作为一种无监督自主学习的神经网络，其可以从大量的数据尤其是无标签的数据中，自主学习，并利用自身的编码器实现数据压缩，再随后通过自身的解码器实现解压缩，从而实现了自主的电力设备状态数据特征的选优。
在本发明所述的技术方案中，通过采集电力设备的状态数据，并对这些状态数据进行预处理，随后利用自编码器对状态数据进行训练，训练时，提取自编码器的隐层输出作为样本数据的特征量，随后通过步骤(3)以及步骤(4)获得不同的特征量的聚类情况，修改自编码器隐层的特征量维度，以提高自编码器的学习性能和效果，循环进行步骤(2)至步骤(4)，直到类内距离与类间距离均达到预设的阈值。
通过本发明所述的电力设备状态数据特征选优方法可以基于大数据平台进行深度学习，自主获取电力设备状态数据特征，避免了传统的人工进行特征提取的不便，并且相较于现有技术中的基于统计方法的简单机器提取更为直观有效。
此外，本发明所述的电力设备状态数据特征选优方法可以考虑不同缺陷类型数据的类内相似性以及类间相似性，使得最终的结果更为准确，鲁棒性和有效性更佳。
另外，本发明所述的电力设备状态数据特征选优方法可以作为后续的诊断系统数据的基础，非常适合用于工程的实际应用中。
进一步地，在本发明所述的基于自编码器的电力设备状态数据特征选优方法中，电力设备的状态数据包括电力设备的局部放电数据。
进一步地，在本发明所述的基于自编码器的电力设备状态数据特征选优方法中，局部放电数据至少包括PRPS图谱数据。
进一步地，在本发明所述的基于自编码器的电力设备状态数据特征选优方法中，在步骤(1)中，预处理包括线性归一化处理。
进一步地，在本发明所述的基于自编码器的电力设备状态数据特征选优方法中，在步骤(2)中，先将输入自编码器的样本数据增加噪声，然后再输入自编码器中以对自编码器进行训练。
进一步地，在本发明所述的基于自编码器的电力设备状态数据特征选优方法中，在步骤(2)中，当采用样本数据以对自编码器进行训练时，使用梯度下降法进行微调，通过最小化误差对自编码器进行优化。
进一步地，在本发明所述的基于自编码器的电力设备状态数据特征选优方法中，在步骤(3)中，采用t-SNE对所述特征量进行降维，并进行可视化。
进一步地，在本发明所述的基于自编码器的电力设备状态数据特征选优方法中，在步骤(4)中，基于下述公式计算类内距离与类间距离：
Figure BDA0002375641790000032
Figure BDA0002375641790000031
式中，Sb为表征电力设备不同缺陷类别的特征量的类间散度矩阵；Sw为表征电力设备相同缺陷类别的特征量的类内散度矩阵；μ表示所有特征量的均值向量，μj表示第j类特征量的均值向量，Nj表示第j类特征量的个数；k表示类别总数；Xj表示第j类的特征量集合；Swj表示第j类的类内散度矩阵；T表示转置运算；x表示特征量集合。
进一步地，在本发明所述的基于自编码器的电力设备状态数据特征选优方法中，电力设备的缺陷类别至少包括悬浮放电、绝缘类放电、尖端电晕和微粒放电。
相应地，本发明的另一目的在于提供一种基于自编码器的电力设备状态数据特征选优系统，该电力设备状态数据特征选优系统可以实现对电力设备状态数据特征的自主选优。
根据上述发明目的，本发明还提出一种基于自编码器的电力设备状态数据特征选优系统，其实施上述的电力设备状态数据特征选优方法。
本发明所述的基于自编码器的电力设备状态数据特征选优方法及系统具有如下所述的优点以及有益效果：
通过本发明所述的电力设备状态数据特征选优方法可以基于大数据平台进行深度学习，自主获取电力设备状态数据特征，避免了传统的人工进行特征提取的不便，并且相较于现有技术中的基于统计方法的简单机器提取更为直观有效。
此外，本发明所述的电力设备状态数据特征选优方法可以考虑不同缺陷类型数据的类内相似性以及类间相似性，使得最终的结果更为准确，鲁棒性和有效性更佳。
另外，本发明所述的电力设备状态数据特征选优方法可以作为后续的诊断系统数据的基础，非常适合用于工程的实际应用中。
本发明所述的电力设备状态数据特征选优系统也同样具有上述的优点以及有益效果。
附图说明
图1为本发明所述的基于自编码器的电力设备状态数据特征选优方法在一些实施方式中的流程示意图。
图2为本发明所述的基于自编码器的电力设备状态数据特征选优系统的在一些实施方式中的原理示意图。
具体实施方式
下面将结合说明书附图和具体的实施例对本发明所述的基于自编码器的电力设备状态数据特征选优方法及系统做进一步的解释和说明，然而该解释和说明并不对本发明的技术方案构成不当限定。
图1为本发明所述的基于自编码器的电力设备状态数据特征选优方法的在一些实施方式中的流程示意图。
如图1所示，在本实施方式中，基于自编码器的电力设备状态数据特征选优方法包括：
(1)采集电力设备的状态数据，并对状态数据进行预处理，以作为样本数据；
(2)构建自编码器，输入样本数据以对自编码器进行训练，提取自编码器的隐层输出作为样本数据的特征量；
(3)对特征量进行降维，并根据降维后的特征量进行聚类，经过聚类的特征量分别表征不同的电力设备缺陷类别；
(4)分别计算表征电力设备相同缺陷类别的特征量的类内距离和表征电力设备不同缺陷类别的特征量的类间距离；
基于所述类内距离和类间距离，调整自编码器的隐层输出的特征量的数量，循环进行步骤(2)至步骤(4)，直到类内距离与类间距离均达到预设的阈值。
图2为本发明所述的基于自编码器的电力设备状态数据特征选优系统的在一些实施方式中的原理示意图。
如图2所示，在本实施方式中，电力设备状态数据特征选优系统实施了如图1所示的电力设备状态数据特征选优方法。
其中，在实施步骤(1)时，由于输入的电力设备的状态数据可以包括电力设备的局部放电数据，而局部放电数据可以至少包括PRPS图谱数据。
因此，在实施步骤(2)的数据预处理时，可以将PRPS图谱数据进行线性归一化处理，线性归一化处理采用如下公式：
Figure BDA0002375641790000051
式中：x表示矩阵中原始数据，xmin表示二维矩阵中最小值，xmax表示二维矩阵中最大值，x’表示线性归一化后的数据。
随后，构建自编码器，在本实施方式中，自编码器的各层的参量维度可以设置为例如3600-512-128-3600，其中，隐层的输出128可以作为样本数据的特征量。
输入自编码器的样本数据可以增加噪声(即图2所示的加噪)，然后再输入自编码器中以对自编码器进行训练。
在本案中，自编码器的编码器编码时，可以使用前向传播的方法，利用前向传播的方法获得每一层的激活值，激活函数选择sigmoid。而自编码器在解码时，使用反向传播求出最后输出层与输入的残差，使用梯度下降法更新权重进行微调，通过不断调整编码和编码过程的参数，使重构误差最小，完成优化。也就是说，当采用样本数据以对自编码器进行训练时，使用梯度下降法进行微调，通过最小化误差对自编码器进行优化。
而最小化误差所采用的损失函数JDAE(W)表达公式如下所述；
Figure BDA0002375641790000061
式中：
Figure BDA0002375641790000062
表示一个随机映射，其表示加噪后的损坏的输入信号
Figure BDA0002375641790000063
通过一个随机映射从干净的输入x获得，而E表示期望将所有样本对应的损失求和计算，L(x,y)表示定义的每个样本的损失。
此外，在一些实施方式中，在电力设备状态数据特征选优系统实施步骤(3)时，可以采用t-SNE对特征量进行降维，并进行可视化，具体来说：t-SNE可以将数据点之间的相似度转换为概率，因此，采用t-SNE降维并进行可视化后，随后根据降维后的特征量进行聚类，经过聚类的特征量分别表征不同的电力设备缺陷类别。
而在电力设备状态数据特征选优系统可以实施步骤(4)中的分别计算表征电力设备相同缺陷类别的特征量的类内距离和表征电力设备不同缺陷类别的特征量的类间距离时，可以基于下述公式计算类内距离与类间距离：
Figure BDA0002375641790000064
Figure BDA0002375641790000065
上式中，Sb为表征电力设备不同缺陷类别的特征量的类间散度矩阵；Sw为表征电力设备相同缺陷类别的特征量的类内散度矩阵；μ表示所有特征量的均值向量，μj表示第j类特征量的均值向量，Nj表示第j类特征量的个数；k表示类别总数；Xj表示第j类的特征量集合；Swj表示第j类的类内散度矩阵；T表示转置运算；x表示特征量集合。
最终，基于类内距离和类间距离，调整自编码器的隐层输出的特征量的数量，电力设备状态数据特征选优系统判断结果是否符合要求，当判断符合要求时，则结束选优，当判断不符合要求时，则循环进行实施步骤(2)至步骤(4)，直到类内距离与类间距离均达到预设的阈值。
需要说明的是，在本实施方式中，可以将类内距离的预设的阈值设定为所有样本数据与中心点的平均距离的百分之一，将类间距离的预设的阈值设定为所有样本数据与中心点的平均距离的十倍。其中，中心点是指所有样本数据在投影平面内的位置的横坐标和纵坐标的平均值所定义的点。
此外，需要说明的是，在本实施方式中，电力设备的缺陷类别至少包括悬浮放电、绝缘类放电、尖端电晕和微粒放电。
综上所述，通过本发明所述的电力设备状态数据特征选优方法可以基于大数据平台进行深度学习，自主获取电力设备状态数据特征，避免了传统的人工进行特征提取的不便，并且相较于现有技术中的基于统计方法的简单机器提取更为直观有效。
此外，本发明所述的电力设备状态数据特征选优方法可以考虑不同缺陷类型数据的类内相似性以及类间相似性，使得最终的结果更为准确，鲁棒性和有效性更佳。
另外，本发明所述的电力设备状态数据特征选优方法可以作为后续的诊断系统数据的基础，非常适合用于工程的实际应用中。
本发明所述的电力设备状态数据特征选优系统也同样具有上述的优点以及有益效果。
需要说明的是，本发明的保护范围中现有技术部分并不局限于本申请文件所给出的实施例，所有不与本发明的方案相矛盾的现有技术，包括但不局限于在先专利文献、在先公开出版物，在先公开使用等等，都可纳入本发明的保护范围。
此外，本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式，本案记载的所有技术特征可以以任何方式进行自由组合或结合，除非相互之间产生矛盾。
还需要注意的是，以上所列举的实施例仅为本发明的具体实施例。显然本发明不局限于以上实施例，随之做出的类似变化或变形是本领域技术人员能从本发明公开的内容直接得出或者很容易便联想到的，均应属于本发明的保护范围。

Claims (10)

1.一种基于自编码器的电力设备状态数据特征选优方法，其特征在于，包括：
(1)采集电力设备的状态数据，并对所述状态数据进行预处理，以作为样本数据；
(2)构建自编码器，输入所述样本数据以对所述自编码器进行训练，提取所述自编码器的隐层输出作为所述样本数据的特征量；
(3)对所述特征量进行降维，并根据降维后的特征量进行聚类，经过聚类的特征量分别表征不同的电力设备缺陷类别；
(4)分别计算表征电力设备相同缺陷类别的特征量的类内距离和表征电力设备不同缺陷类别的特征量的类间距离；
基于所述类内距离和类间距离，调整自编码器的隐层输出的特征量的数量，循环进行所述步骤(2)至步骤(4)，直到所述类内距离与类间距离均达到预设的阈值。
2.如权利要求1所述的基于自编码器的电力设备状态数据特征选优方法，其特征在于，所述电力设备的状态数据包括电力设备的局部放电数据。
3.如权利要求2所述的基于自编码器的电力设备状态数据特征选优方法，其特征在于，所述局部放电数据至少包括PRPS图谱数据。
4.如权利要求1所述的基于自编码器的电力设备状态数据特征选优方法，其特征在于，在步骤(1)中，所述预处理包括线性归一化处理。
5.如权利要求1所述的基于自编码器的电力设备状态数据特征选优方法，其特征在于，在步骤(2)中，先将输入自编码器的样本数据增加噪声，然后再输入自编码器中以对所述自编码器进行训练。
6.如权利要求1所述的基于自编码器的电力设备状态数据特征选优方法，其特征在于，在步骤(2)中，当采用所述样本数据以对自编码器进行训练时，使用梯度下降法进行微调，通过最小化误差对自编码器进行优化。
7.如权利要求1所述的基于自编码器的电力设备状态数据特征选优方法，其特征在于，在步骤(3)中，采用t-SNE对所述特征量进行降维，并进行可视化。
8.如权利要求1所述的基于自编码器的电力设备状态数据特征选优方法，其特征在于，在步骤(4)中，基于下述公式计算所述类内距离与所述类间距离：
Figure FDA0002375641780000021
Figure FDA0002375641780000022
式中，Sb为表征电力设备不同缺陷类别的特征量的类间散度矩阵；Sw为表征电力设备相同缺陷类别的特征量的类内散度矩阵；μ表示所有特征量的均值向量，μj表示第j类特征量的均值向量，Nj表示第j类特征量的个数；k表示类别总数；Xj表示第j类的特征量集合；Swj表示第j类的类内散度矩阵；T表示转置运算；x表示特征量集合。
9.如权利要求1所述的基于自编码器的电力设备状态数据特征选优方法，其特征在于，电力设备的缺陷类别至少包括悬浮放电、绝缘类放电、尖端电晕和微粒放电。
10.一种基于自编码器的电力设备状态数据特征选优系统，其特征在于，其实施如权利要求1-9中任意一项所述的电力设备状态数据特征选优方法。
CN202010064806.2A 2020-01-20 2020-01-20 基于自编码器的电力设备状态数据特征选优方法及系统 Pending CN111275109A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010064806.2A CN111275109A (zh) 2020-01-20 2020-01-20 基于自编码器的电力设备状态数据特征选优方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010064806.2A CN111275109A (zh) 2020-01-20 2020-01-20 基于自编码器的电力设备状态数据特征选优方法及系统

Publications (1)

Publication Number Publication Date
CN111275109A true CN111275109A (zh) 2020-06-12

Family

ID=71003379

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010064806.2A Pending CN111275109A (zh) 2020-01-20 2020-01-20 基于自编码器的电力设备状态数据特征选优方法及系统

Country Status (1)

Country Link
CN (1) CN111275109A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113506252A (zh) * 2021-06-29 2021-10-15 国家电网有限公司 一种基于t-SNE和核极限学习机的变压器套管典型缺陷类型识别方法
CN114723751A (zh) * 2022-06-07 2022-07-08 中国空气动力研究与发展中心设备设计与测试技术研究所 一种基于无监督的带钢表面缺陷在线检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103077402A (zh) * 2012-12-28 2013-05-01 湖北省电力公司电力科学研究院 基于奇异值分解算法的变压器局部放电模式识别方法
CN109102012A (zh) * 2018-07-30 2018-12-28 上海交通大学 一种局部放电信号的缺陷识别方法及系统
CN109558873A (zh) * 2018-12-03 2019-04-02 哈尔滨工业大学 一种基于变样本栈式自编码网络的模式识别方法
CN110146636A (zh) * 2019-04-30 2019-08-20 北京谷海天目生物医学科技有限公司 胃癌分型的蛋白标志物的筛选方法、筛选装置及其筛选的蛋白标志物的应用
CN110161389A (zh) * 2019-06-12 2019-08-23 国网河北省电力有限公司电力科学研究院 一种电力设备绝缘缺陷识别方法及aevb自编码器

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103077402A (zh) * 2012-12-28 2013-05-01 湖北省电力公司电力科学研究院 基于奇异值分解算法的变压器局部放电模式识别方法
CN109102012A (zh) * 2018-07-30 2018-12-28 上海交通大学 一种局部放电信号的缺陷识别方法及系统
CN109558873A (zh) * 2018-12-03 2019-04-02 哈尔滨工业大学 一种基于变样本栈式自编码网络的模式识别方法
CN110146636A (zh) * 2019-04-30 2019-08-20 北京谷海天目生物医学科技有限公司 胃癌分型的蛋白标志物的筛选方法、筛选装置及其筛选的蛋白标志物的应用
CN110161389A (zh) * 2019-06-12 2019-08-23 国网河北省电力有限公司电力科学研究院 一种电力设备绝缘缺陷识别方法及aevb自编码器

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NGUYEN M T ET AL: "Recurrent Neural Network for Partial Discharge Diagnosis in Gas-Insulated Switchgear", 《ENERGIES》, vol. 11, no. 5, 9 May 2018 (2018-05-09), pages 1 - 13 *
宋辉: "基于局部放电深度学习的GIS风险评估方法", 《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 01, 15 January 2020 (2020-01-15), pages 1 - 83 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113506252A (zh) * 2021-06-29 2021-10-15 国家电网有限公司 一种基于t-SNE和核极限学习机的变压器套管典型缺陷类型识别方法
CN114723751A (zh) * 2022-06-07 2022-07-08 中国空气动力研究与发展中心设备设计与测试技术研究所 一种基于无监督的带钢表面缺陷在线检测方法
CN114723751B (zh) * 2022-06-07 2022-09-23 中国空气动力研究与发展中心设备设计与测试技术研究所 一种基于无监督的带钢表面缺陷在线检测方法

Similar Documents

Publication Publication Date Title
CN111126386B (zh) 场景文本识别中基于对抗学习的序列领域适应方法
CN105975573B (zh) 一种基于knn的文本分类方法
CN110287983B (zh) 基于最大相关熵深度神经网络单分类器异常检测方法
CN109389171B (zh) 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法
CN111461322B (zh) 一种深度神经网络模型压缩方法
CN111461025B (zh) 一种自主进化的零样本学习的信号识别方法
CN110726898B (zh) 一种配电网故障类型识别方法
CN112557034B (zh) 一种基于pca_cnns的轴承故障诊断方法
CN109871749B (zh) 一种基于深度哈希的行人重识别方法和装置、计算机系统
CN110097096B (zh) 一种基于tf-idf矩阵和胶囊网络的文本分类方法
CN112732921B (zh) 一种虚假用户评论检测方法及系统
CN113378563B (zh) 一种基于遗传变异和半监督的案件特征提取方法及装置
CN113627544B (zh) 一种基于多源异构数据融合的机床铣刀状态识别方法
CN112101487B (zh) 一种细粒度识别模型的压缩方法和设备
CN112557826A (zh) 一种船舶电力系统故障诊断方法
CN111275109A (zh) 基于自编码器的电力设备状态数据特征选优方法及系统
Masood et al. Differential evolution based advised SVM for histopathalogical image analysis for skin cancer detection
Yuan et al. An improved initialization method of D-KSVD algorithm for bearing fault diagnosis
CN113283524A (zh) 一种基于对抗攻击的深度神经网络近似模型分析方法
CN112085062A (zh) 一种基于小波神经网络的异常能耗定位方法
CN114037001A (zh) 基于wgan-gp-c和度量学习的机械泵小样本故障诊断方法
CN113988178A (zh) 一种低压配电网窃电用户检测方法和装置
CN117219124A (zh) 一种基于深度神经网络的开关柜声纹故障检测方法
CN110288002B (zh) 一种基于稀疏正交神经网络的图像分类方法
CN116910506A (zh) 一种基于时空网络变分自编码器算法的负荷降维聚类的方法

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