CN111985528A - 一种基于pdgan的电缆局放数据增强方法 - Google Patents
一种基于pdgan的电缆局放数据增强方法 Download PDFInfo
- Publication number
- CN111985528A CN111985528A CN202010637861.6A CN202010637861A CN111985528A CN 111985528 A CN111985528 A CN 111985528A CN 202010637861 A CN202010637861 A CN 202010637861A CN 111985528 A CN111985528 A CN 111985528A
- Authority
- CN
- China
- Prior art keywords
- pdgan
- partial discharge
- generator
- data enhancement
- discriminator
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000009826 distribution Methods 0.000 claims abstract description 19
- 238000003909 pattern recognition Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 230000006872 improvement Effects 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 67
- 238000012549 training Methods 0.000 claims description 26
- 230000004913 activation Effects 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 5
- 230000000630 rising effect Effects 0.000 claims description 5
- 238000011160 research Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 8
- 230000007547 defect Effects 0.000 description 7
- 238000009413 insulation Methods 0.000 description 4
- 230000003190 augmentative effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000003416 augmentation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 229920003020 cross-linked polyethylene Polymers 0.000 description 2
- 239000004703 cross-linked polyethylene Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- 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
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)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明涉及一种基于PDGAN的电缆局放数据增强方法,具体步骤如下:⑴标准GAN数据增强;⑵PDGAN数据增强及改进;⑶特征提取与模式识别。本发明在现有局放模式识别的基础上,将PDGAN应用在局部放电类型识别的数据增强任务中,研究了数据增强对局部放电类型识别准确率的影响。经过PDGAN扩充的数据与原始数据的统计量基本一致,有效学习到了原始数据的分布,而且分类器因为有了大量的样本,从而能够更好识别不同局放类型的差异,显著提升准确率,解决了电缆局放任务中样本数量少、样本不平衡和多样性不足的问题,为进一步解决电缆局放模式识别任务提供了理论依据。
Description
技术领域
本发明涉及一种电缆局放数据增强方法,特别是涉及了一种基于PDGAN算法的电缆局放数据增强研究方法。
背景技术
随着电网规模的不断扩大,对电缆运行的安全性和稳定性要求不断提高。但因电缆安装时的工艺缺陷、外力破坏、设计缺陷等问题,电缆系统中无法避免地会存在或产生一些绝缘缺陷。在长时间运行下,电缆绝缘缺陷处可能产生局部放电。电缆的绝缘缺陷类型多种多样,不同缺陷类型引起的局部放电表现差异较大,并且对设备安全运行的影响以及危害程度不同,及时准确地判断出电缆局部放电类型有利于相关技术人员迅速反应处理相关状况,避免事故发生。
在电缆局部放电的模式识别问题上,传统的特征工程方法已被深度学习算法超越,但深度学习算法并没有完全发挥出所有的潜力,有如下几点原因:训练样本的数据量不足:深度学习模型往往具有相对较大的模型容量,若训练样本数据量比较小,会导致模型参数估计偏差较大,无法正确学习到局放数据分布与类型分布的映射,造成模型欠拟合。训练样本的类别不平衡:类别不平衡的现象使得不同的局放类别在损失函数中的占有权重相差较大,分类器在训练时偏袒样本数量比较多的类别,从而影响分类效果。训练样本的多样性差:多样性较差使得训练数据集的分布与局放的真实数据集分布有偏离,训练完成的模型可能在训练数据集上产生较小的损失函数值,但在测试集上准确率不够高,泛化性能不足。
本发明提出一种基于PDGAN(Partial Discharge GAN)的数据增强方式,对局部放电样本进行数量上的扩充,达到样本数量充足、类别平衡的目的,在验证有效性时,对数据增强前后的局放数据分布进行对比,扩充后的数据集与原数据集的分布基本保持一致,且多样性有所提高,再使用扩充前后的训练集训练分类器,分别在支持向量机、全连接神经网络、k-NN 和卷积神经网络四个分类器上进行测试对比,分类器的准确率均得到了提升。
发明内容
本发明在现有局放模式识别的基础上,将PDGAN应用在局部放电类型识别的数据增强任务中,研究了数据增强对局部放电类型识别准确率的影响。经过PDGAN扩充的数据与原始数据的统计量基本一致,有效学习到了原始数据的分布,而且分类器因为有了大量的样本,从而能够更好识别不同局放类型的差异,显著提升准确率,解决了电缆局放任务中样本数量少、样本不平衡和多样性不足的问题,为进一步解决电缆局放模式识别任务提供了理论依据。
本发明解决其技术问题是采取以下技术方案实现的:
一种基于PDGAN的电缆局放数据增强方法,其具体步骤为:
1、标准GAN数据增强方法
GAN由生成器和判别器组成,分别使用G和D表示,生成器的输入为噪声z,通常选择为正态分布,判别器的输入为生成器生成的样本或训练数据集中样本,输出为一个0至1之间的标量值。D的损失函数为:
其中,θD为判别器的神经网络参数。对于生成器G,其目标函数为:
其中,θG为生成器的神经网络参数。
2、PDGAN数据增强方法
PDGAN对输入空间(即隐空间)进行了分解,将其分解为普通噪声输入z和标签信息y,两者作为输入一起被送入生成器中G;对于判别器D,生成器生成的样本x和标签信息y也一起被送入判别器中。对应地,判别器的目标函数为:
其中,θD为判别器的神经网络参数。生成器G的目标函数为:
其中,θG为生成器的神经网络参数。
3、特征提取与模式识别
在特征提取时,对每个局放瞬时波形提取峰值电压、均值电压、平均电压、电压标准差、脉冲宽度、上升时间、下降时间、偏度、峰度、波峰因数、形状因子、主频、脉冲极性等13个特征量,并将这些特征量组成一个13维特征向量,用该特征向量来表示一个瞬时脉冲波形。
PDGAN(Partial Discharge GAN)首先对目标函数或激活函数进行了相应改进。有两种方案:
(1)在生成器G的目标函数中添加正则项,生成器的目标函数变为:
(2)将生成器第13维的激活函数选择为tanh函数。根据tanh函数的性质,其取值范围为[-1,+1],且在-1和+1很快即可进入饱和,即在定义域大部分区间激活函数值几乎为+1或-1,PDGAN通过学习可将极性值控制在饱和区,使数值尽量接近于-1和+1,形成tanh和ReLU激活函数。
PDGAN对网络结构进行了改进。为了消除不同特征的单位、幅值差异,将13维特征按量纲和幅值大小大体分为5组:(1)峰值电压、均值电压、平均电压、电压标准差(2)脉冲宽度、上升时间、下降时间(3)偏度、峰度、波峰因数、形状因子(4)主频(5)脉冲极性,根据实际经验每组的量纲和数值幅度基本是接近的。
考虑到判别器的本质是学习两个分布间距离的度量,故PDGAN将判别器分解为两部分,第一部分由5个子判别器构成,每个子判别器对不同的特征组进行距离度量的学习,可消除特征量幅值差异带来的影响,第二个部分由全连接层构成,使得不同的特征组可以特征共享,避免不同特征组彼此独立,从而判别器无法综合考虑所有维度的特征作出判断。训练生成器时,为了加强各特征组之间的交互,直接采用全连接方式。
生成器G接受噪声z和类别信息c作为输入,其中z为4维的正态分布噪声,输出样本x,样本维度为13。生成器的中间隐层为4层全连接层,中间层激活函数均选用ReLU函数,输出层前12维也选择ReLU函数,第13维选择tanh函数。判别器D接受样本x和类别信息 c作为输入,输出判别结果,其中第一部分的子判别器均为3层全连接层,输出一维向量,第二部分的为2层全连接层,激活函数均选用ReLU函数。PDGAN通过对不同的特征进行分组、使用子判别器分组处理的方式,成功解决了不同特征维度量纲、数值幅度不一致的问题。
本发明的优点和积极效果是:
高压电缆局放的模式识别对电网安全和维修有重要意义,但目前分类器的准确率无法令人满意,主要原因是训练样本的数据量不足、类别不平衡以及样本多样性差,影响模型的泛化能力,本发明使用基于PDGAN(Partial Discharge GAN)的数据增强技术解决了这个问题,其具体的有益效果如下:
1、提出了一种基于PDGAN的电缆局放数据增强方法,这种方法在保持原有训练数据分布状况的基础上,提升了样本数据的多样性,有利于提高局部放电模式识别的准确率。
2、选取实际电力系统中应用的220kV交联聚乙烯电缆进行局部放电试验,采集原始放电数据后利用PDGAN方法进行数据增强,对训练数据集和增广数据集的一阶、二阶统计量进行对比,发现PDGAN产生的数据与训练数据基本一致,且多样性有所提升;再使用支持向量机、全连接神经网络、k-NN和卷积神经网络四个分类器测试数据增强后模式识别的准确率,发现准确率均有所提升,从而表明PDGAN方法可以有效增强电缆局放数据。
附图说明
图1 GAN对抗生成网络;
图2 PDGAN算法流程图;
图3 tanh和ReLU激活函数;
图4 PDGAN生成器和判别器结构。
具体实施方式
下面通过具体实施例对本发明作进一步详述,以下实施例只是描述性的,不是限定性的,不能以此限定本发明的保护范围。
一种基于PDGAN的电缆局放数据增强方法,其具体步骤为:
1、标准GAN数据增强方法
GAN是一种隐式概率密度无监督生成模型,被广泛用在数据增强任务上,其网络结构如图1所示。相比于其他数据增强方法,GAN直接对局部放电训练数据分布进行建模,隐式地学习到局放数据的真实概率分布,从概率分布层次上进行样本扩充,并且消耗计算资源较小。
GAN通常由生成器和判别器组成,分别使用G和D表示,生成器的输入为噪声z,通常选择为正态分布,判别器的输入为生成器生成的样本或训练数据集中样本,输出为一个0至1 之间的标量值。D的损失函数为:
其中,θD为判别器的神经网络参数。对于生成器G,其目标函数为:
其中,θG为生成器的神经网络参数。
2、PDGAN数据增强方法
由于局放类型识别的复杂性,标准GAN数据增强方法效果不佳。PDGAN对输入空间(即隐空间)进行了分解,将其分解为普通噪声输入z和标签信息y,两者作为输入一起被送入生成器中G;对于判别器D,生成器生成的样本x和标签信息y也一起被送入判别器中。对应地,判别器的目标函数为:
其中,θD为判别器的神经网络参数。生成器G的目标函数为:
其中,θG为生成器的神经网络参数。PDGAN的生成器和判别器均考虑了局放类型标签信息,自动捕捉不同类型局放特征之间的区别和联系,提升了样本生成质量。另外,PDGAN只需要训练一次便可产生N种类型的局放数据,在几乎不增加计算开销的基础上显著提升了算法效率。
PDGAN算法流程图如图2所示。
3、特征提取与模式识别
在特征提取时,对每个局放瞬时波形提取峰值电压、均值电压、平均电压、电压标准差、脉冲宽度、上升时间、下降时间、偏度、峰度、波峰因数、形状因子、主频、脉冲极性等13个特征量,并将这些特征量组成一个13维特征向量,用该特征向量来表示一个瞬时脉冲波形。但在局部放电特征向量中存在以下问题:(1)每一维特征量的数值类型并不相同,例如第13 维特征脉冲极性为离散数值(+1或-1)而其他维度均为连续数值,GAN使用ReLu作为激活函数,而ReLu函数取值范围为[0,∞],不仅无法取到-1值且不能保证正数值只取+1,这样的产生的样本不仅不符合取值要求,且会使得GAN浪费大量计算步骤用于学习极性数值。(2) 不同的特征量具有不同的单位,例如取峰值电压等特征单位为mV,脉冲宽度等特征单位为ns,而偏度、峰度等无量纲。不同的特征量的数值大小差异非常大,例如峰值电压等特征一般为几十甚至几百毫伏,脉冲宽度等特征一般为几纳秒,而波峰因数和形状因子仅为零点几。训练时,前向计算损失函数时数值幅度较小的特征可能会被数值幅度较大的特征“湮没”,导致生成器只关注数值幅度较大的特征,而无法学习到数值幅度较小的特征,极有可能出现生成样本的峰值电压、均值电压等特征量非常“逼真”但同时形状因子等特征量失真。
对第一个问题,PDGAN(Partial Discharge GAN)首先对目标函数或激活函数进行了相应改进。有两种方案:
(1)在生成器G的目标函数中添加正则项,生成器的目标函数变为:
这样可通过正则项添加软约束,使生成样本的脉冲极性的平方值接近于1,当脉冲极性的平方值大于或小于1时均会受到惩罚,从而使极性接近-1或+1,通过调整λ的数值大小来控制惩罚程度;
(2)将生成器第13维的激活函数选择为tanh函数。根据tanh函数的性质,其取值范围为[-1,+1],且在-1和+1很快即可进入饱和,即在定义域大部分区间激活函数值几乎为+1或-1,PDGAN通过学习可将极性值控制在饱和区,使数值尽量接近于-1和+1,tanh和ReLU 激活函数如图3所示。
针对第二个问题,PDGAN对网络结构进行了改进。为了消除不同特征的单位、幅值差异,将13维特征按量纲和幅值大小大体分为5组:(1)峰值电压、均值电压、平均电压、电压标准差(2)脉冲宽度、上升时间、下降时间(3)偏度、峰度、波峰因数、形状因子(4)主频 (5)脉冲极性,根据实际经验每组的量纲和数值幅度基本是接近的。考虑到判别器的本质是学习两个分布间距离的度量,故PDGAN将判别器分解为两部分,第一部分由5个子判别器构成,每个子判别器对不同的特征组进行距离度量的学习,可消除特征量幅值差异带来的影响,第二个部分由全连接层构成,使得不同的特征组可以特征共享,避免不同特征组彼此独立,从而判别器无法综合考虑所有维度的特征作出判断。训练生成器时,为了加强各特征组之间的交互,直接采用全连接方式。PDGAN生成器和判别器结构如图4所示。
生成器G接受噪声z和类别信息c作为输入,其中z为4维的正态分布噪声,输出样本x,样本维度为13。生成器的中间隐层为4层全连接层,中间层激活函数均选用ReLU函数,输出层前12维也选择ReLU函数,第13维选择tanh函数。判别器D接受样本x和类别信息 c作为输入,输出判别结果,其中第一部分的子判别器均为3层全连接层,输出一维向量,第二部分的为2层全连接层,激活函数均选用ReLU函数。PDGAN通过对不同的特征进行分组、使用子判别器分组处理的方式,成功解决了不同特征维度量纲、数值幅度不一致的问题。
在本发明的一个具体的实施例中,使用PDGAN方法增强了电缆局放数据,其具体的步骤为:
1、对220kV交联聚乙烯电缆进行局部放电试验:
实验采用无缺陷电缆构建5种典型的电缆绝缘缺陷,然后进行局部放电试验,采集的原始数据数量见表1。
表1原始数据数量
2、采用PDGAN方法对原始局放数据进行增强处理
选择上述的13个特征作为波形信号的表征特征,计算得到每个瞬时脉冲波形样本的特征后,将80%的样本作为训练集St,将剩下的20%作为验证集Sv,使用训练集St训练PDGAN,在每种类型的局放中生成噪声,将噪声和类别信息送入生成器即可得到数据增强样本,并将有显著错误的样本丢弃,同时使用GAN、CGAN以及mixup数据增强方式进行对照试验,扩充后的样本数量如表2所示。
表2数据增强后的样本数量
3、数据增强的效果评价
(1)数据分布及多样性
对训练集St和PDGAN生成的增广集Sa的均值、方差统计量进行比较,如表3所示。可以发现,增广集Sa相比于训练集St,其均值几乎不变,方差普遍有增加,这表明PDGAN生成样本的数据分布pg(x)与训练集的数据分布pdata(x)是基本一致的,且多样性有所增加。
表3训练集和增广集的特征均值、方差
(2)数据增强后模式识别的准确率
使用训练集St分别训练分类器,并在验证集上测试计算各局放类型的分类正确率;再使用使用训练集St和PDGAN增广集Sa同时训练分类器,并在验证集上测试各局放类型计算分类正确率。分类器中,支持向量机的核函数选择为高斯核函数;全连接神经网络设置为4层结构;CNN采用4层结构,卷积核的大小为3x3。使用GAN、CGAN以及mixup数据增强方式进行同样对照试验,结果如表4所示。可以发现,如果不进行数据增强,存在类别不平衡的问题,导致分类器对第一类和第五类局放识别的准确率较低,使用数据增强技术后,类别不平衡的问题得到缓解,且整体准确率得到提升。
表4 PDGAN数据增强前后各类型的识别准确率
为了充分说明PDGAN效果,考察了不同数据增强算法对准确率影响,结果如表5所示。实验结果表明PDGAN相比其他数据增强算法,能更多地提升模式识别准确率。
表5不同数据增强算法的识别准确率
尽管为说明目的公开了本发明的实施例,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换、变化和修改都是可能的,因此,本发明的范围不局限于实施例所公开的内容。
Claims (7)
1.一种基于PDGAN的电缆局放数据增强方法,其特征在于:具体步骤如下:
⑴标准GAN数据增强
GAN由生成器和判别器组成,分别使用G和D表示,生成器的输入为噪声z,为正态分布,判别器的输入为生成器生成的样本或训练数据集中样本,输出为一个0至1之间的标量值;
⑵PDGAN数据增强及改进
PDGAN对输入空间进行分解,将其分解为普通噪声输入z和标签信息y,两者作为输入一起被送入生成器G中;对于判别器D,生成器生成的样本x和标签信息y也一起被送入判别器中,PDGAN对目标函数或激活函数进行改进;
⑶特征提取与模式识别
在特征提取时,对每个局放瞬时波形提取峰值电压、均值电压、平均电压、电压标准差、脉冲宽度、上升时间、下降时间、偏度、峰度、波峰因数、形状因子、主频、脉冲极性特征量,并将这些特征量组成一个多维特征向量,用该特征向量来表示一个瞬时脉冲波形。
5.根据权利要求1所述一种基于PDGAN的电缆局放数据增强方法,其特征在于:步骤⑵中另一改进方案为:将13维特征按量纲和幅值大小大体分为5组:(1)峰值电压、均值电压、平均电压、电压标准差(2)脉冲宽度、上升时间、下降时间(3)偏度、峰度、波峰因数、形状因子(4)主频(5)脉冲极性;
PDGAN将判别器分解为两部分,第一部分由5个子判别器构成,每个子判别器对不同的特征组进行距离度量的学习;第二个部分由全连接层构成,使得不同的特征组可以特征共享,避免不同特征组彼此独立。
6.根据权利要求4所述一种基于PDGAN的电缆局放数据增强方法,其特征在于:生成器直接采用全连接方式。
7.根据权利要求4或6所述一种基于PDGAN的电缆局放数据增强方法,其特征在于:生成器G接受噪声z和类别信息c作为输入,其中z为4维的正态分布噪声,输出样本x,样本维度为13,生成器的中间隐层为4层全连接层,中间层激活函数均选用ReLU函数,输出层前12维也选择ReLU函数,第13维选择tanh函数,判别器D接受样本x和类别信息c作为输入,输出判别结果,其中第一部分的子判别器均为3层全连接层,输出一维向量,第二部分的为2层全连接层,激活函数均选用ReLU函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010637861.6A CN111985528B (zh) | 2020-07-06 | 2020-07-06 | 一种基于pdgan的电缆局放数据增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010637861.6A CN111985528B (zh) | 2020-07-06 | 2020-07-06 | 一种基于pdgan的电缆局放数据增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111985528A true CN111985528A (zh) | 2020-11-24 |
CN111985528B CN111985528B (zh) | 2024-04-23 |
Family
ID=73438266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010637861.6A Active CN111985528B (zh) | 2020-07-06 | 2020-07-06 | 一种基于pdgan的电缆局放数据增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111985528B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114609493A (zh) * | 2022-05-09 | 2022-06-10 | 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 |
CN116070695A (zh) * | 2023-04-03 | 2023-05-05 | 中国科学技术大学 | 图像检测模型的训练方法、图像检测方法及电子设备 |
CN116226647A (zh) * | 2023-05-06 | 2023-06-06 | 北京云道智造科技有限公司 | 电力电缆局部放电模式的识别方法、装置、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160116520A1 (en) * | 2013-05-10 | 2016-04-28 | Prysmian S.P.A. | Partial discharge signal processing method and apparatus employing neural network |
CN109685138A (zh) * | 2018-12-25 | 2019-04-26 | 东南大学 | 一种xlpe电力电缆局部放电类型识别方法 |
CN110111236A (zh) * | 2019-04-19 | 2019-08-09 | 大连理工大学 | 基于渐进式对抗生成网络的多目标草图生成图像的方法 |
-
2020
- 2020-07-06 CN CN202010637861.6A patent/CN111985528B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160116520A1 (en) * | 2013-05-10 | 2016-04-28 | Prysmian S.P.A. | Partial discharge signal processing method and apparatus employing neural network |
CN109685138A (zh) * | 2018-12-25 | 2019-04-26 | 东南大学 | 一种xlpe电力电缆局部放电类型识别方法 |
CN110111236A (zh) * | 2019-04-19 | 2019-08-09 | 大连理工大学 | 基于渐进式对抗生成网络的多目标草图生成图像的方法 |
Non-Patent Citations (2)
Title |
---|
杨帆 等: "基于卷积神经网络的高压电缆局部放电模式识别", 电力自动化设备, pages 123 - 128 * |
黄洪逸: "典型局部放电微观过程仿真与脉冲信号分析", CNKI, pages 46 - 57 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114609493A (zh) * | 2022-05-09 | 2022-06-10 | 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 |
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 |
CN116070695A (zh) * | 2023-04-03 | 2023-05-05 | 中国科学技术大学 | 图像检测模型的训练方法、图像检测方法及电子设备 |
CN116226647A (zh) * | 2023-05-06 | 2023-06-06 | 北京云道智造科技有限公司 | 电力电缆局部放电模式的识别方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111985528B (zh) | 2024-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiao et al. | Domain adaptive motor fault diagnosis using deep transfer learning | |
CN111985528A (zh) | 一种基于pdgan的电缆局放数据增强方法 | |
EP3832553A1 (en) | Method for identifying energy of micro-energy device on basis of bp neural network | |
CN113935406B (zh) | 基于对抗流模型的机械设备无监督故障诊断方法 | |
CN110070060B (zh) | 一种轴承设备的故障诊断方法 | |
CN113923104B (zh) | 基于小波神经网络的网络故障诊断方法、设备及存储介质 | |
CN107830996B (zh) | 一种飞行器舵面系统故障诊断方法 | |
CN111353373A (zh) | 一种相关对齐域适应故障诊断方法 | |
CN111275108A (zh) | 基于生成对抗网络对局部放电数据进行样本扩展的方法 | |
CN111862065B (zh) | 基于多任务深度卷积神经网络的输电线路诊断方法和系统 | |
Cui et al. | Detection and classification of multiple power quality disturbances using stockwell transform and deep learning | |
CN110726898A (zh) | 一种配电网故障类型识别方法 | |
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 | |
CN112000084A (zh) | 一种基于1d-cnn和gru-svm的控制器模块智能bit设计方法 | |
CN112734031A (zh) | 神经网络模型训练方法、识别方法、存储介质以及设备 | |
CN114444620A (zh) | 一种基于生成式对抗神经网络的示功图故障诊断方法 | |
CN115781136B (zh) | 一种焊接热输入异常智能识别及优化反馈方法 | |
CN109975634A (zh) | 一种基于原子稀疏分解的变压器绕组故障诊断方法 | |
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 | |
CN113514743A (zh) | 一种基于多维特征的gis局部放电模式识别系统构建方法 | |
CN110610203A (zh) | 基于dwt和极限学习机的电能质量扰动分类方法 | |
CN111898446A (zh) | 基于多算法归一化分析的单相接地故障研判方法 | |
CN111884236A (zh) | 一种电网智能暂态稳定评估系统 | |
CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及系统 | |
CN116150687A (zh) | 一种基于多分类g-wlstsvm模型的流体管道泄漏识别方法 |
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 |