CN111929548B - 放电和干扰信号样本生成方法、计算机设备和存储介质 - Google Patents

放电和干扰信号样本生成方法、计算机设备和存储介质 Download PDF

Info

Publication number
CN111929548B
CN111929548B CN202010810563.2A CN202010810563A CN111929548B CN 111929548 B CN111929548 B CN 111929548B CN 202010810563 A CN202010810563 A CN 202010810563A CN 111929548 B CN111929548 B CN 111929548B
Authority
CN
China
Prior art keywords
model
training
function
discriminant
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.)
Active
Application number
CN202010810563.2A
Other languages
English (en)
Other versions
CN111929548A (zh
Inventor
王干军
吴毅江
陈岸
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.)
Guangdong Power Grid Co Ltd
Zhongshan Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Zhongshan Power Supply Bureau of Guangdong Power Grid 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 Guangdong Power Grid Co Ltd, Zhongshan Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202010810563.2A priority Critical patent/CN111929548B/zh
Publication of CN111929548A publication Critical patent/CN111929548A/zh
Application granted granted Critical
Publication of CN111929548B publication Critical patent/CN111929548B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
    • G01R35/005—Calibrating; Standards or reference devices, e.g. voltage or resistance standards, "golden" references
    • G01R35/007—Standards or reference devices, e.g. voltage or resistance standards, "golden references"

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明提出一种放电和干扰信号样本生成方法，包括以下步骤：采集高压电缆局部放电和干扰数据，得到训练数据；提取训练数据的噪声信号特征；构建基于GAN的生成模型和基于GAN的判别模型，将噪声信号特征及训练数据输入生成模型和判别模型中进行训练；将训练数据输入完成训练的生成模型和判别模型中，分别输出得到局放样本信号和干扰样本信号。本发明还提出了一种实现上述方法的计算机设备和计算机可读存储介质。本发明利用GAN的信息填补和信息生成能力，通过有限的信号数据进行无监督学习，将有限的信号数据扩展至大量的样本数据，对高压电缆局放的研究和模式识别深度学习训练起重要作用。

Description

放电和干扰信号样本生成方法、计算机设备和存储介质
技术领域
本发明涉及电缆局部信号生成技术领域，更具体地，涉及一种放电和干扰信号样本生成方法、计算机设备和存储介质。
背景技术
局部放电检测是目前电气设备绝缘状态评估最有效且使用最为广泛的方法，当局部放电长期存在时，会产生绝缘损坏、造成高压电缆的击穿和损坏，因此及时检测到局部放电信号并及时做出判断非常重要。目前主要采用UHF局部放电传感器采集放电信号，如公开号为CN105785236A(公开日：2016-07-20)提出的一种GIS局放检测外部干扰信号排除方法，主要利用UHF局放检测设备获取被测GIS设备UHF放电信号。
然而，在高压设备运行过程中，电磁干扰普遍存在，当局放信号比较微弱时，检测设备难以分离干扰信号和局放信号，可能会产生错误的评判结果。此外，局放类型的识别多是在大量的监测数据的基础进行的，对于经验积累有较大的依赖性。目前，局部放电也多通过机器学习的方式进行模式识别，因此，需要大量的信号样本输入，提高机器学习的能力，以达到更加准确的判断局放模式的目的。
发明内容
本发明为克服上述现有技术所述的采用机器学习方式进行局部放电模式识别需要大量的信号样本输入的缺陷，提供一种放电和干扰信号样本生成方法、计算机设备和存储介质。
为解决上述技术问题，本发明的技术方案如下：
一种放电和干扰信号样本生成方法，包括以下步骤：
S1：采集高压电缆局部放电和干扰数据，得到训练数据；
S2：提取训练数据的噪声信号特征；
S3：构建基于GAN的生成模型和基于GAN的判别模型，将噪声信号特征及训练数据输入生成模型和判别模型中进行训练；
S4：将训练数据输入完成训练的生成模型和判别模型中，分别输出得到局放样本信号和干扰样本信号。
优选地，S1步骤中，训练数据包括通过现场采集数据获得高压电缆局部放电和干扰数据，以及通过采集实验室试验数据获得高压电缆局部放电和干扰数据。
优选地，S1步骤中，还包括以下步骤：将通过采集实验室试验数据获得的高压电缆局部放电和干扰数据进行划分，其中70％为生成模型训练数据集，30％为判别模型训练数据集；将通过现场采集数据获得的高压电缆局部放电和干扰数据加入判别模型训练数据集。
优选地，S3步骤中，其具体步骤包括：将从生成模型训练数据集提取得到的噪声信号特征输入基于GAN的生成模型中进行训练，将判别模型训练数据集输入基于GAN的判别模型中进行训练，然后通过迭代的方式依次将生成模型得到的生成结果输入判别模型中进行训练，将判别模型得到的判别结果输入生成模型中进行训练，得到完成训练的生成模型和判别模型。
优选地，S3步骤中，其具体步骤包括：
S3.1：将从生成模型训练数据集提取得到的噪声信号特征输入基于GAN的生成模型中进行训练，得到生成函数G(x)，其中G(x)为0～1范围内的实数，0表示生成结果为“假”，1表示生成结果为“真”；
S3.2：将判别模型训练数据集输入基于GAN的判别模型中进行训练，得到判别函数D(x)，其中D(x)为0～1范围内的实数，0表示判别结果为“假”，1表示判别结果为“真”；
S3.3：定义损失函数loss为：
loss＝1-D(x)；
将S3.1步骤中训练生成的局放信号输入完成训练的判别模型中，更新判别函数D(x)，然后计算损失函数loss；
S3.4：将损失函数loss输入完成训练的生成模型中生成新局放信号，更新生成函数G(x)，使G(x)→1，即基于GAN的生成模型生成结果趋向于为“真”；
S3.5：将S3.4步骤中生成的新局放信号输入S3.2步骤中完成训练的判别模型中，更新判别函数D(x)，使D(x)→0，即基于GAN的判别模型输出的判别结果趋向于“假”；
S3.6：跳转执行S3.4步骤，优化基于GAN的生成模型和基于GAN的判别模型内部参数，并更新生成函数G(x)和判别函数D(x)，至满足下式：
Figure BDA0002630840520000031
其中，V(D,G)表示衡量函数
Figure BDA0002630840520000032
和Ez～pz(z)[·]之间差距程度的函数，当给定生成函数G(x)时，选择一个判别函数D(x)，使得D(x)最大，即
Figure BDA0002630840520000033
也最大，
Figure BDA0002630840520000034
与Ez～pz(z)[@]之间的差距最大；当给定判别函数D(x)时，选择一个生成函数G(x)，使G(x)最小，即Ez～pz(z)[@]最小；
Figure BDA0002630840520000035
表示优化训练后模型的判别函数D(x)的取值，使其趋向于“0”，判别为“假”，Ez～pz(z)[@]表示训练后生成函数G(x)的取值，使其趋向于“1”，生成为“真”；
S3.7：判断生成函数G(x)和判别函数D(x)是否达到纳什平衡：若是，则得到完成训练的生成模型和判别模型，若否，则跳转执行S3.1步骤。
优选地，S3.7步骤中，判判断生成函数G(x)和判别函数D(x)是否满足纳什平衡的表达公式为：G(x)＝D(x)＝0.5。
优选地，S4步骤中作为输入的训练数据为S1步骤中通过采集实验室试验数据获得高压电缆局部放电和干扰数据。
优选地，S4步骤的具体步骤如下：
S4.1：将训练数据划分为第一数据集、第二数据集，然后分别输入完成训练的生成模型和判别模型中，分别输出得到生成结果和判别结果；
S4.2：根据S4.1步骤得到的判别结果计算损失函数loss，将损失函数loss输入完成训练的生成模型中进一步输出生成结果；将S4.1步骤得到的生成结果输入完成训练的判别模型中进一步输出判别结果；完成训练的生成模型和判别模型分别输出的生成结果和判别结果即为局放样本信号和干扰样本信号。
本发明还提出了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述放电和干扰信号样本生成方法的步骤。
本发明还提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的放电和干扰信号样本生成方法的步骤。
与现有技术相比，本发明技术方案的有益效果是：本发明利用生成对抗网络(GAN,Generative Adversarial Networks)的信息填补和信息生成能力，通过有限的信号数据进行无监督学习，将有限的信号数据扩展至大量的样本数据，对高压电缆局放的研究和模式识别深度学习训练起重要作用。
附图说明
图1为放电和干扰信号样本生成方法的流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
本实施例提出一种放电和干扰信号样本生成方法，如图1所示，为本实施例的放电和干扰信号样本生成方法的流程图。
本实施例提出的放电和干扰信号样本生成方法中，包括以下步骤：
S1：采集高压电缆局部放电和干扰数据，得到训练数据。
本步骤中，训练数据包括通过现场采集数据获得高压电缆局部放电和干扰数据，以及通过采集实验室试验数据获得高压电缆局部放电和干扰数据。完成训练数据采集后，将通过采集实验室试验数据获得的高压电缆局部放电和干扰数据进行划分，其中70％为生成模型训练数据集，30％为判别模型训练数据集；将通过现场采集数据获得的高压电缆局部放电和干扰数据加入判别模型训练数据集中。
S2：提取训练数据的噪声信号特征。
S3：构建基于GAN的生成模型和基于GAN的判别模型，将噪声信号特征及训练数据输入生成模型和判别模型中进行训练。
本步骤中，将从生成模型训练数据集提取得到的噪声信号特征输入基于GAN的生成模型中进行训练，将判别模型训练数据集输入基于GAN的判别模型中进行训练，然后通过迭代的方式依次将生成模型得到的生成结果输入判别模型中进行训练，将判别模型得到的判别结果输入生成模型中进行训练，得到完成训练的生成模型和判别模型。其具体步骤如下：
S3.1：将从生成模型训练数据集提取得到的噪声信号特征输入基于GAN的生成模型中进行训练，得到生成函数G(x)，其中G(x)为0～1范围内的实数，0表示生成结果为“假”，1表示生成结果为“真”；
S3.2：将判别模型训练数据集输入基于GAN的判别模型中进行训练，得到判别函数D(x)，其中D(x)为0～1范围内的实数，0表示判别结果为“假”，1表示判别结果为“真”；
S3.3：定义损失函数loss为：
loss＝1-D(x)；
将S3.1步骤中训练生成的局放信号输入完成训练的判别模型中，更新判别函数D(x)，然后计算损失函数loss；
S3.4：将损失函数loss输入完成训练的生成模型中生成新局放信号，更新生成函数G(x)，使G(x)→1，即基于GAN的生成模型生成结果趋向于为“真”；
S3.5：将S3.4步骤中生成的新局放信号输入S3.2步骤中完成训练的判别模型中，更新判别函数D(x)，使D(x)→0，即基于GAN的判别模型输出的判别结果趋向于“假”；
S3.6：跳转执行S3.4步骤，优化基于GAN的生成模型和基于GAN的判别模型内部参数，并更新生成函数G(x)和判别函数D(x)，至满足下式：
Figure BDA0002630840520000051
其中，V(D,G)表示衡量函数
Figure BDA0002630840520000052
和Ez～pz(z)[@]之间差距程度的函数，当给定生成函数G(x)时，选择一个判别函数D(x)，使得D(x)最大，即
Figure BDA0002630840520000053
也最大，
Figure BDA0002630840520000054
与Ez～pz(z)[@]之间的差距最大；当给定判别函数D(x)时，选择一个生成函数G(x)，使G(x)最小，即Ez～pz(z)[@]最小；
Figure BDA0002630840520000055
表示优化训练后模型的判别函数D(x)的取值，使其趋向于“0”，判别为“假”，Ez～pz(z)[@]表示训练后生成函数G(x)的取值，使其趋向于“1”，生成为“真”；
S3.7：判断生成函数G(x)和判别函数D(x)是否达到纳什平衡，即是否满足：
G(x)＝D(x)＝0.5
若是，则得到完成训练的基于GAN的生成模型和基于GAN的判别模型，若否，则跳转执行S3.1步骤。
S4：将训练数据输入完成训练的生成模型和判别模型中，分别输出得到局放样本信号和干扰样本信号；其具体步骤如下：
S4.1：将训练数据划分为第一数据集、第二数据集，然后分别输入完成训练的生成模型和判别模型中，分别输出得到生成结果和判别结果；其中作为输入的训练数据为S1步骤中通过采集实验室试验数据获得高压电缆局部放电和干扰数据。
S4.2：根据S4.1步骤得到的判别结果计算损失函数loss，将损失函数loss输入完成训练的生成模型中进一步输出生成结果；将S4.1步骤得到的生成结果输入完成训练的判别模型中进一步输出判别结果；完成训练的生成模型和判别模型分别输出的生成结果和判别结果即为局放样本信号和干扰样本信号。
本实施例中，采用GAN生成对抗网络构建样本信号生成模型和判别模型，可以在实验室和现场采集的有限数据的基础上，填补缺失信息，生成大量新的数据，对数据的研究和分析有极大作用。将数据用于GAN生成对抗网络的训练，并将实验室试验数据用于完成训练的基于GAN的生成模型和基于GAN的判别模型中，能够获取新的且大量的高压电缆局部放电信号和干扰信号
此外，本实施例还提出一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本实施例的放电和干扰信号样本生成方法的步骤。
本实施例还提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本实施例的放电和干扰信号样本生成方法的步骤。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (6)

1.放电和干扰信号样本生成方法，其特征在于，包括以下步骤：
S1：采集高压电缆局部放电和干扰数据，包括通过现场采集数据获得高压电缆局部放电和干扰数据，以及通过采集实验室试验数据获得高压电缆局部放电和干扰数据；
将所述通过采集实验室试验数据获得的高压电缆局部放电和干扰数据进行划分，其中70％为生成模型训练数据集，30％为判别模型训练数据集；将所述通过现场采集数据获得的高压电缆局部放电和干扰数据加入判别模型训练数据集；
S2：提取所述生成模型训练数据集的噪声信号特征；
S3：构建基于GAN的生成模型和基于GAN的判别模型，将从生成模型训练数据集提取的噪声信号特征输入所述生成模型中进行训练，将所述判别模型训练数据集输入所述判别模型中进行训练，然后通过迭代的方式依次将所述生成模型得到的生成结果输入所述判别模型中进行训练，以及将根据所述判别模型得到的判别结果计算的损失函数输入所述生成模型中进行训练，得到完成训练的生成模型和判别模型；
S4：采集实验室试验数据获得的高压电缆局部放电和干扰数据后输入完成训练的生成模型和判别模型中，分别输出得到局放样本信号和干扰样本信号。
2.根据权利要求1所述的放电和干扰信号样本生成方法，其特征在于，所述S3步骤中，其具体步骤包括：
S3.1：将从生成模型训练数据集提取得到的噪声信号特征输入所述基于GAN的生成模型中进行训练，得到生成函数G(x)，其中G(x)为0～1范围内的实数，0表示生成结果为“假”，1表示生成结果为“真”；
S3.2：将所述判别模型训练数据集输入所述基于GAN的判别模型中进行训练，得到判别函数D(x)，其中D(x)为0～1范围内的实数，0表示判别结果为“假”，1表示判别结果为“真”；
S3.3：定义损失函数loss为：
loss＝1-D(x)；
将所述S3.1步骤中训练生成的局放信号输入所述完成训练的判别模型中，更新判别函数D(x)，然后计算损失函数loss；
S3.4：将所述损失函数loss输入所述完成训练的生成模型中生成新局放信号，更新生成函数G(x)，使G(x)→1，即所述基于GAN的生成模型生成结果趋向于为“真”；
S3.5：将所述S3.4步骤中生成的新局放信号输入所述S3.2步骤中完成训练的判别模型中，更新判别函数D(x)，使D(x)→0，即所述基于GAN的判别模型输出的判别结果趋向于“假”；
S3.6：跳转执行S3.4步骤，优化基于GAN的生成模型和基于GAN的判别模型内部参数，并更新生成函数G(x)和判别函数D(x)，至满足下式：
Figure FDA0003211575890000021
其中，V(D,G)表示衡量函数
Figure FDA0003211575890000022
和Ez～pz(z)[·]之间差距程度的函数，当给定生成函数G(x)时，选择一个判别函数D(x)，使得D(x)最大，即
Figure FDA0003211575890000023
也最大，
Figure FDA0003211575890000024
与Ez～pz(z)[·]之间的差距最大；当给定判别函数D(x)时，选择一个生成函数G(x)，使G(x)最小，即Ez～pz(z)[·]最小；
Figure FDA0003211575890000025
表示优化训练后模型的判别函数D(x)的取值，使其趋向于“0”，判别为“假”，Ez～pz(z)[·]表示训练后生成函数G(x)的取值，使其趋向于“1”，生成为“真”；
S3.7：判断生成函数G(x)和判别函数D(x)是否达到纳什平衡：若是，则得到完成训练的生成模型和判别模型，若否，则跳转执行S3.1步骤。
3.根据权利要求2所述的放电和干扰信号样本生成方法，其特征在于，所述S3.7步骤中，判断生成函数G(x)和判别函数D(x)是否满足纳什平衡的表达公式如下：
G(x)＝D(x)＝0.5。
4.根据权利要求2所述的放电和干扰信号样本生成方法，其特征在于，所述S4步骤中，其具体步骤如下：
S4.1：将通过采集实验室试验数据获得的高压电缆局部放电和干扰数据划分为第一数据集、第二数据集，然后分别输入完成训练的生成模型和判别模型中，分别输出得到生成结果和判别结果；
S4.2：根据所述S4.1步骤得到的判别结果计算损失函数loss，将所述损失函数loss输入所述完成训练的生成模型中进一步输出生成结果；将所述S4.1步骤得到的生成结果输入所述完成训练的判别模型中进一步输出判别结果；所述完成训练的生成模型和判别模型分别输出的生成结果和判别结果即为局放样本信号和干扰样本信号。
5.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述的放电和干扰信号样本生成方法的步骤。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的放电和干扰信号样本生成方法的步骤。
CN202010810563.2A 2020-08-13 2020-08-13 放电和干扰信号样本生成方法、计算机设备和存储介质 Active CN111929548B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010810563.2A CN111929548B (zh) 2020-08-13 2020-08-13 放电和干扰信号样本生成方法、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010810563.2A CN111929548B (zh) 2020-08-13 2020-08-13 放电和干扰信号样本生成方法、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN111929548A CN111929548A (zh) 2020-11-13
CN111929548B true CN111929548B (zh) 2021-09-21

Family

ID=73311874

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010810563.2A Active CN111929548B (zh) 2020-08-13 2020-08-13 放电和干扰信号样本生成方法、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN111929548B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488294A (zh) * 2020-11-20 2021-03-12 北京邮电大学 一种基于生成对抗网络的数据增强系统、方法和介质
CN112946432B (zh) * 2020-12-29 2022-09-30 广东电网有限责任公司电力科学研究院 一种电缆局部放电测试信号的生成方法及其装置
CN113114408B (zh) * 2021-04-06 2022-06-24 电子科技大学 一种生成式欺骗干扰信号生成评估方法及装置
CN114167238A (zh) * 2021-12-03 2022-03-11 广东电网有限责任公司广州供电局 电缆局部放电的检测方法、装置、系统、设备及存储介质
CN114609493B (zh) * 2022-05-09 2022-08-12 杭州兆华电子股份有限公司 一种信号数据增强的局部放电信号识别方法
CN115460317A (zh) * 2022-09-05 2022-12-09 西安万像电子科技有限公司 一种情绪识别及语音反馈方法、装置、介质及电子设备

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609587A (zh) * 2017-09-11 2018-01-19 浙江工业大学 一种基于深度卷积生成对抗网络的多类别多视图数据生成方法
CN108304858A (zh) * 2017-12-28 2018-07-20 中国银联股份有限公司 对抗样本识别模型生成方法、验证方法及其系统
KR101958903B1 (ko) * 2018-05-31 2019-03-15 수원대학교산학협력단 RBFNNs 모델을 이용한 부분 방전 분류 시스템
CN109656878A (zh) * 2018-12-12 2019-04-19 中电健康云科技有限公司 健康档案数据生成方法及装置
CN110146792A (zh) * 2019-05-17 2019-08-20 西安工程大学 基于生成对抗网络的变压器局部放电图谱生成方法
CN110222901A (zh) * 2019-06-13 2019-09-10 河海大学常州校区 一种基于深度学习的Bi-LSTM的电负荷预测方法
US10509100B1 (en) * 2018-10-04 2019-12-17 Footmarks, Inc. Asset tracking
CN110703057A (zh) * 2019-11-04 2020-01-17 国网山东省电力公司电力科学研究院 基于数据增强和神经网络的电力设备局部放电诊断方法
CN111199531A (zh) * 2019-12-27 2020-05-26 中国民航大学 基于泊松图像融合及图像风格化的交互式数据扩展方法
CN111275108A (zh) * 2020-01-20 2020-06-12 国网山东省电力公司枣庄供电公司 基于生成对抗网络对局部放电数据进行样本扩展的方法
CN111340196A (zh) * 2020-03-10 2020-06-26 清华大学 对抗网络数据生成方法以及异常事件检测方法
CN111366820A (zh) * 2020-03-09 2020-07-03 广东电网有限责任公司电力科学研究院 局部放电信号的模式识别方法、装置、设备及存储介质
CN111524118A (zh) * 2020-04-22 2020-08-11 广东电网有限责任公司东莞供电局 变压器的运行状态检测方法、装置、计算机设备和存储介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609587A (zh) * 2017-09-11 2018-01-19 浙江工业大学 一种基于深度卷积生成对抗网络的多类别多视图数据生成方法
CN108304858A (zh) * 2017-12-28 2018-07-20 中国银联股份有限公司 对抗样本识别模型生成方法、验证方法及其系统
KR101958903B1 (ko) * 2018-05-31 2019-03-15 수원대학교산학협력단 RBFNNs 모델을 이용한 부분 방전 분류 시스템
US10509100B1 (en) * 2018-10-04 2019-12-17 Footmarks, Inc. Asset tracking
CN109656878A (zh) * 2018-12-12 2019-04-19 中电健康云科技有限公司 健康档案数据生成方法及装置
CN110146792A (zh) * 2019-05-17 2019-08-20 西安工程大学 基于生成对抗网络的变压器局部放电图谱生成方法
CN110222901A (zh) * 2019-06-13 2019-09-10 河海大学常州校区 一种基于深度学习的Bi-LSTM的电负荷预测方法
CN110703057A (zh) * 2019-11-04 2020-01-17 国网山东省电力公司电力科学研究院 基于数据增强和神经网络的电力设备局部放电诊断方法
CN111199531A (zh) * 2019-12-27 2020-05-26 中国民航大学 基于泊松图像融合及图像风格化的交互式数据扩展方法
CN111275108A (zh) * 2020-01-20 2020-06-12 国网山东省电力公司枣庄供电公司 基于生成对抗网络对局部放电数据进行样本扩展的方法
CN111366820A (zh) * 2020-03-09 2020-07-03 广东电网有限责任公司电力科学研究院 局部放电信号的模式识别方法、装置、设备及存储介质
CN111340196A (zh) * 2020-03-10 2020-06-26 清华大学 对抗网络数据生成方法以及异常事件检测方法
CN111524118A (zh) * 2020-04-22 2020-08-11 广东电网有限责任公司东莞供电局 变压器的运行状态检测方法、装置、计算机设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
采用改进生成式对抗网络的电力系统量测缺失数据重建方法;王守相 等;《中国电机工程学报》;20190105;第39卷(第1期);第56-65页 *

Also Published As

Publication number Publication date
CN111929548A (zh) 2020-11-13

Similar Documents

Publication Publication Date Title
CN111929548B (zh) 放电和干扰信号样本生成方法、计算机设备和存储介质
CN110414277B (zh) 基于多特征参数的门级硬件木马检测方法
CN111695620A (zh) 一种电力系统时间序列异常数据检测与修正方法及系统
CN109784096B (zh) 基于聚类算法的硬件木马检测和剔除方法
CN116520068B (zh) 一种电力数据的诊断方法、装置、设备及存储介质
CN116150757A (zh) 一种基于cnn-lstm多分类模型的智能合约未知漏洞检测方法
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
CN112016598B (zh) 基于sdae的局部放电模式识别方法、计算机设备和存储介质
CN112287752A (zh) 一种水力发电机转轴早期故障特征的提取方法
CN105353306B (zh) 电机故障诊断方法和装置及电器
CN112067298A (zh) 一种基于层次全局模糊熵的滚动轴承故障诊断方法
CN116484184A (zh) 一种电力设备局部放电缺陷样本增强方法及装置
CN115408927B (zh) 用于预测岩体参数的数据处理方法和装置
CN114710344B (zh) 一种基于溯源图的入侵检测方法
CN115455407A (zh) 一种基于机器学习的GitHub敏感信息泄露监控方法
CN115562981A (zh) 基于机器学习的软件质量评估方法
CN111929720B (zh) 中子探测器性能检测方法、装置、系统和计算机设备
CN111796173B (zh) 局部放电模式识别方法、计算机设备和存储介质
CN115422821A (zh) 用于岩体参数预测的数据处理方法和装置
CN114970600A (zh) 基于粒化散布熵和优化kelm的滚动轴承故障诊断方法、装置
KR101419646B1 (ko) 복합 컴포넌트 테스트를 위한 예상 결과 값 자동 생성 방법 및 장치
CN115480134B (zh) 一种基于设备局部放电数据图的故障识别方法及系统
JPH11258296A (ja) 部分放電自動判別方法
CN118657773B (zh) 违禁品检测及模型的训练方法、装置、设备、介质和产品
CN113963357B (zh) 基于知识图谱的敏感文本检测方法及系统

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