CN112287751B - 励磁涌流识别方法、装置、计算机设备和存储介质 - Google Patents
励磁涌流识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112287751B CN112287751B CN202010996441.7A CN202010996441A CN112287751B CN 112287751 B CN112287751 B CN 112287751B CN 202010996441 A CN202010996441 A CN 202010996441A CN 112287751 B CN112287751 B CN 112287751B
- Authority
- CN
- China
- Prior art keywords
- frequency domain
- time
- current data
- classification model
- layer
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000005284 excitation Effects 0.000 title claims abstract description 31
- 238000013145 classification model Methods 0.000 claims abstract description 168
- 230000009471 action Effects 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 97
- 238000011176 pooling Methods 0.000 claims description 85
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 2
- 230000005764 inhibitory process Effects 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000003062 neural network model Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000009849 deactivation Effects 0.000 description 2
- 230000002779 inactivation Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000012956 testing procedure Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种励磁涌流识别方法、装置、计算机设备和存储介质。所述方法包括：获取特定周期的差动电流数据；对所述差动电流数据进行预处理，得到预处理后的差动电流数据；提取所述预处理后的差动电流数据对应的时频域特征图集；将所述时频域特征图集输入预先训练好的分类模型中，利用所述分类模型对所述时频域特征图集进行识别，得到对应的识别结果；根据所述识别结果，确定是否触发差动保护动作。采用本方法能够快速有效的识别是否为励磁涌流，从而有效的提高了对励磁涌流分类识别的准确性，使得能够确保差动保护的准确性。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种基于神经网络的励磁涌流识别方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展，在智能电网的建设中，电力系统的规模的扩大和电压等级的提高，要求配置更大容量和更高电压等级的电力设备。大容量变压器的投入运行，对继电保护提出了更高要求。传统的差动保护方式中，差动保护长期以来一直作为变压器的主保护，长期的运行经验表明差动保护需要有效区分变压器内部故障和外部故障，保护的难点在于如何防止因励磁涌流造成的误动作。
然而，目前识别励磁涌流的方式中，由于电力系统的扩大及多种运行方式，导致更加难以区分差动电流是大容量变压器出现内部严重故障时产生的还是励磁涌流产生的，因而，容易导致励磁涌流的识别准确率较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高励磁涌流的识别准确率的基于神经网络的励磁涌流识别方法、装置、计算机设备和存储介质。
一种励磁涌流识别方法，所述方法包括：
获取特定周期的差动电流数据；
对所述差动电流数据进行预处理，得到预处理后的差动电流数据；
提取所述预处理后的差动电流数据对应的时频域特征图集；
将所述时频域特征图集输入预先训练好的分类模型中，利用所述分类模型对所述时频域特征图集进行识别，得到对应的识别结果；
根据所述识别结果，确定是否触发差动保护动作。
在其中一个实施例中，所述预先训练好的分类模型包括五层结构，所述五层结构包括两个卷积层、两个池化层以及一个全连接层；
所述利用所述分类模型对所述时频域特征图集进行识别，得到对应的识别结果包括：
对所述时频域特征图集进行卷积操作、池化操作，得到卷积操作、池化操作后的所述时频域特征图集；
将卷积操作、池化操作后的所述时频域特征图集输入全连接层，输出对应的识别结果。
在其中一个实施例中，所述利用所述分类模型对所述时频域特征图集进行识别，得到对应的识别结果包括：
对所述时频域特征图集进行第一层卷积操作，得到第一层卷积操作后的所述时频域特征图集；
对第一层卷积操作后的所述时频域特征图集进行第二层池化操作，得到第二层池化操作后的所述时频域特征图集；
对第二层池化操作后的所述时频域特征图集进行第三层卷积操作，得到第三层卷积操作后的所述时频域特征图集；
对第三层卷积操作后的所述时频域特征图集进行第四层池化操作，得到第四层池化操作后的所述时频域特征图集；
将第四层池化操作后的所述时频域特征图集输入第五层全连接层，输出对应的识别结果。
在其中一个实施例中，所述分类模型的训练方式包括：
获取电流数据训练集；
利用傅里叶函数提取所述电流数据训练集对应的时频域特征图集；
将所述时频域特征图集输入初始分类模型中，得到对应的识别结果；
获取所述电流数据训练集对应的监督值，将预测值与监督值进行比较，得到对应的损失值；
根据损失值调节所述初始分类模型的参数进行迭代训练，直到满足训练停止条件，得到训练完成的分类模型。
在其中一个实施例中，所述获取电流数据训练集包括：
获取单相变压器输出的电流数据集以及三相变压器输出的电流数据集；
将所述单相变压器输出的电流数据集以及所述三相变压器输出的电流数据集进行归一化处理，得到对应的电流数据训练集。
在其中一个实施例中，所述将所述时频域特征图集输入预先训练好的分类模型之前，所述方法还包括：
通过设置不同的卷积核数量、卷积核尺寸、池化层下采样率以及池化类型，构建不同的初始分类模型进行迭代训练，直到满足训练停止条件，得到训练完成的多个分类模型；
对多个所述训练完成的分类模型的分类准确率进行测试，选取多个所述训练完成的分类模型中分类准确率最大值对应的分类模型，将选取的所述分类模型作为所述训练好的分类模型。
在其中一个实施例中，所述方法还包括：
根据共享的卷积核参数对所述初始分类模型进行迭代训练，直到满足训练停止条件，得到训练完成的分类模型。
一种励磁涌流识别装置，所述装置包括：
获取模块，用于获取特定周期的差动电流数据；
处理模块，用于对所述差动电流数据进行预处理，得到预处理后的差动电流数据；
提取模块，用于提取所述预处理后的差动电流数据对应的时频域特征图集；
识别模块，用于将所述时频域特征图集输入预先训练好的分类模型中，利用所述分类模型对所述时频域特征图集进行识别，得到对应的识别结果；
确定模块，用于根据所述识别结果，确定是否触发差动保护动作。
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以下步骤：
获取特定周期的差动电流数据；
对所述差动电流数据进行预处理，得到预处理后的差动电流数据；
提取所述预处理后的差动电流数据对应的时频域特征图集；
将所述时频域特征图集输入预先训练好的分类模型中，利用所述分类模型对所述时频域特征图集进行识别，得到对应的识别结果；
根据所述识别结果，确定是否触发差动保护动作。
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以下步骤：
获取特定周期的差动电流数据；
对所述差动电流数据进行预处理，得到预处理后的差动电流数据；
提取所述预处理后的差动电流数据对应的时频域特征图集；
将所述时频域特征图集输入预先训练好的分类模型中，利用所述分类模型对所述时频域特征图集进行识别，得到对应的识别结果；
根据所述识别结果，确定是否触发差动保护动作。
上述励磁涌流识别方法、装置、计算机设备和存储介质，通过获取特定周期的差动电流数据，对差动电流数据进行预处理，得到预处理后的差动电流数据，相对于传统的励磁涌流识别的方式中，通过提取预处理后的差动电流数据对应的时频域特征图集，将时频域特征图集输入预先训练好的分类模型中，利用分类模型对时频域特征图集进行识别，得到对应的识别结果。根据识别结果，确定是否触发差动保护动作。由此使得，基于监督学习训练好的神经网络模型，能够快速有效的进行分类识别，从而有效的提高了对励磁涌流识别的准确性，使得能够确保差动保护的准确性。
附图说明
图1为一个实施例中励磁涌流识别方法的流程示意图；
图2A为一个实施例中利用分类模型对时频域特征图集进行识别，得到对应的识别结果步骤的流程示意图；
图2B为一个实施例中分类模型对应的网络结构示意图；
图3为一个实施例中分类模型训练方式步骤的流程示意图；
图4为一个实施例中获取电流数据训练集步骤的流程示意图；
图5A为一个实施例中对多个训练完成的分类模型的分类准确率进行测试步骤的流程示意图；
图5B为一个实施例中对多个分类模型对应的网络结构参数的示意图；
图6为一个实施例中励磁涌流识别装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种励磁涌流识别方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤102，获取特定周期的差动电流数据。
智能电网的建设中，电力系统的规模的扩大和电压等级的提高，要求配置更大容量和更高电压等级的电力设备。大容量变压器的投入运行，对继电保护提出了更高要求。当变压器正常运行时，差动电流近似为零；当发生内部故障或空载合闸产生励磁涌流时，差动电流不再为零，变压器的纵联差动保护需要判断差动电流是励磁涌流还是内部故障电流。差动保护是输入CT(电流互感器)的两端电流矢量差，当达到设定的动作值时启动动作元件。保护范围在输入CT的两端之间的设备(可以是线路，发电机，电动机，变压器等电气设备)。电流差动保护是继电保护中的一种保护。差动保护是根据“电路中流入节点电流的总和等于零”原理制成的。差动保护把被保护的电气设备看成是一个节点，那么正常时流进被保护设备的电流和流出的电流相等，差动电流等于零。当设备出现故障时，流进被保护设备的电流和流出的电流不相等，差动电流大于零。具体的，终端可以获取设备元件特定周期的差动电流数据。其中，差动电流数据是指计算设备元件首末两端电流的差值，差动电流数据可以是从不同类型的变压器工作状态下获取的差动电流数据。当差动电流大于差动保护装置的整定值时，上位机报警保护出口动作，将被保护设备的各侧断路器跳开，使故障设备断开电源。
步骤104，对差动电流数据进行预处理，得到预处理后的差动电流数据。
终端获取特定周期的差动电流数据之后，终端对获取到的差动电流数据进行预处理，得到预处理后的差动电流数据。预处理是指对差动电流数据进行归一化处理。终端对差动电流数据进行归一化处理可以包括去除冗余零值、截取特定范围内的数据、统一电流曲线图的大小等处理。因为获取到的图像原始信息冗余较多，且有用信息无法得到有效提取，因此需要对原始图像进行预处理以方便后续图像的使用需求。
步骤106，提取预处理后的差动电流数据对应的时频域特征图集。
终端对获取到的差动电流数据进行预处理，得到预处理后的差动电流数据之后，终端可以提取预处理后的差动电流数据对应的时频域特征图集。其中，频域(frequencydomain)是描述信号在频率方面特性时用到的一种坐标系。频域(频率域)的自变量是频率，即横轴是频率，纵轴是该频率信号的幅度，也就是通常说的频谱图。频谱图描述了信号的频率结构及频率与该频率信号幅度的关系。对信号进行时域分析时，有时一些信号的时域参数相同，但并不能说明信号就完全相同。因为信号不仅随时间变化，还与频率、相位等信息有关，这就需要进一步分析信号的频率结构，并在频率域中对信号进行描述。时域(Timedomain)是描述数学函数或物理信号对时间的关系。例如一个信号的时域波形可以表达信号随着时间的变化。时频域特征是指从预处理后的差动电流的混合域即时频域提取出的多个统计特征值。其中，时域图是指电流波形图，频域图是指时域图经过傅里叶变换之后得到的电流波形图。
步骤108，将时频域特征图集输入预先训练好的分类模型中，利用分类模型对时频域特征图集进行识别，得到对应的识别结果。
终端提取预处理后的差动电流数据对应的时频域特征图集之后，终端将时频域特征图集输入预先训练好的分类模型中，利用分类模型对时频域特征图集进行识别，得到对应的识别结果。其中，预先训练好的分类模型是指预先利用电流图像样本集对神经网络模型进行训练，直至满足训练停止条件时，得到训练完成的神经网络模型，该神经网络模型即训练好的分类模型。识别结果是指对输入分类模型中的时频域特征图集进行识别，得到的分类预测结果，即识别时频域特征图集的波形为励磁涌流波形还是内部故障电流。例如，某个变压器启动后，终端测量该变压器特定周期的差动电流，并对获取到的差动电流数据进行预处理，得到预处理后的差动电流数据。终端提取预处理后的差动电流数据对应的时频域特征图集，并将时频域特征图集输入预先训练好的分类模型中，利用分类模型对时频域特征图集进行识别，得到对应的分类预测值，根据该预测值可以确定识别结果为内部故障电流。
步骤110，根据识别结果，确定是否触发差动保护动作。
终端将时频域特征图集输入预先训练好的分类模型中，利用分类模型对时频域特征图集进行识别，得到对应的识别结果之后，终端根据识别结果，确定是否触发差动保护动作。其中，差动保护动作是指当差动电流大于差动保护装置的整定值时，上位机报警保护出口动作，将被保护设备的各侧断路器跳开，使故障设备断开电源。例如，终端将时频域特征图集输入预先训练好的分类模型中，利用分类模型对时频域特征图集进行识别，输出对应的识别结果之后，终端将该识别结果即输出的分类预测数值与预设阈值进行比较，确定是否触发差动保护动作。即分类模型自动对输入的时频域特征图集进行分类。若判断该时频域特征图集的波形为励磁涌流波形，则持续提取和识别该波形的后续波形；若判断分类模型识别出该波形为内部故障电流则触发差动保护，执行保护动作。
本实施例中，通过获取特定周期的差动电流数据，对差动电流数据进行预处理，得到预处理后的差动电流数据，相对于传统的励磁涌流识别的方式中，通过提取预处理后的差动电流数据对应的时频域特征图集，将时频域特征图集输入预先训练好的分类模型中，利用分类模型对时频域特征图集进行识别，得到对应的识别结果。根据识别结果，确定是否触发差动保护动作。由此使得，基于监督学习训练好的神经网络模型，能够快速有效的进行分类识别，从而有效的提高了对励磁涌流识别的准确性，使得能够确保差动保护的准确性。
在一个实施例中，预先训练好的分类模型包括五层结构，五层结构包括两个卷积层、两个池化层以及一个全连接层，利用分类模型对时频域特征图集进行识别，得到对应的识别结果的步骤，包括：
对时频域特征图集进行卷积操作、池化操作，得到卷积操作、池化操作后的时频域特征图集。
将卷积操作、池化操作后的时频域特征图集输入全连接层，输出对应的识别结果。
终端将时频域特征图集输入预先训练好的分类模型中，利用分类模型对时频域特征图集进行识别，得到对应的识别结果。具体的，预先训练好的分类模型包括五层结构，五层结构包括两个卷积层、两个池化层以及一个全连接层。终端将时频域特征图集输入预先训练好的分类模型中，终端利用预先训练好的分类模型对时频域特征图集进行卷积操作、池化操作，得到卷积操作、池化操作后的时频域特征图集。进一步的，终端将卷积操作、池化操作后的时频域特征图集输入全连接层，输出对应的识别结果。由此使得，通过构建五层的轻量化神经网络模型，能够使得神经网络模型快速有效的进行分类识别，从而有效的提高了对励磁涌流识别的准确性，以确保差动保护的准确性。
在其中一个实施例中，如图2A所示，利用预先训练好的分类模型对时频域特征图集进行识别，得到对应的识别结果的步骤，包括：
步骤202，对时频域特征图集进行第一层卷积操作，得到第一层卷积操作后的时频域特征图集。
步骤204，对第一层卷积操作后的时频域特征图集进行第二层池化操作，得到第二层池化操作后的时频域特征图集。
步骤206，对第二层池化操作后的时频域特征图集进行第三层卷积操作，得到第三层卷积操作后的时频域特征图集。
步骤208，对第三层卷积操作后的时频域特征图集进行第四层池化操作，得到第四层池化操作后的时频域特征图集。
步骤210，将第四层池化操作后的时频域特征图集输入第五层全连接层，输出对应的识别结果。
终端将时频域特征图集输入预先训练好的分类模型中，利用预先训练好的分类模型对时频域特征图集进行识别，得到对应的识别结果。具体的，终端利用分类模型对时频域特征图集进行第一层卷积操作，得到第一层卷积操作后的时频域特征图集之后，终端利用分类模型对第一层卷积操作后的时频域特征图集进行第二层池化操作，得到第二层池化操作后的时频域特征图集。进一步的，终端利用分类模型对第二层池化操作后的时频域特征图集进行第三层卷积操作，得到第三层卷积操作后的时频域特征图集。终端利用分类模型对第三层卷积操作后的时频域特征图集进行第四层池化操作，得到第四层池化操作后的时频域特征图集。终端利用分类模型将第四层池化操作后的时频域特征图集输入第五层全连接层，输出对应的分类预测值。例如，以预先训练好的分类模型A5-S2结构为例，该分类模型包括五层结构，五层结构包括两个卷积层、两个池化层以及一个全连接层。其中，第一层卷积层拥有6个需要训练的卷积核，第三层卷积层拥有12个需要训练的卷积核，卷积核的大小均为5×5。第二层池化层以及第四层池化层的下采样率均为2，即若输入池化层的特征图尺寸为16×16，经过池化后的特征图的大小为8×8。A5-S2采用最小池化的方式，取数据窗口中最小的元素值作为池化操作的输出。如图2B所示，为A5-S2分类模型的网络结构示意图。比如，将32×32的时频域特征图输入预先训练好的分类模型中，终端利用分类模型对该32×32的时频域特征图集进行第一层C1卷积操作，得到第一层C1卷积操作后的时频域特征图集，即得到6张32×32的时频域特征图集。终端利用分类模型对第一层C1卷积操作后的时频域特征图集进行第二层S2池化操作，得到第二层S2池化操作后的时频域特征图集，即得到6张16×16的时频域特征图集。进一步的，终端利用分类模型对第二层S2池化操作后的时频域特征图集进行第三层C3卷积操作，得到第三层C3卷积操作后的时频域特征图集，即得到12张16×16的时频域特征图集。终端利用分类模型对第三层C3卷积操作后的时频域特征图集进行第四层S4池化操作，得到第四层S4池化操作后的时频域特征图集。终端利用分类模型将第四层S4池化操作后的时频域特征图集输入第五层F5全连接层，即包含768个连接，输出对应的分类预测值。由此使得，通过构建五层的轻量化神经网络模型，使得神经网络模型快速有效的进行分类识别，从而有效的提高了对励磁涌流分类识别的准确性，以确保差动保护的准确性。
在一个实施例中，如图3所示，分类模型训练方式的步骤，包括：
步骤302，获取电流数据训练集。
步骤304，利用傅里叶函数提取电流数据训练集对应的时频域特征图集。
步骤306，将时频域特征图集输入初始分类模型中，得到对应的识别结果。
步骤308，获取电流数据训练集对应的监督值，将预测值与监督值进行比较，得到对应的损失值。
步骤310，根据损失值调节初始分类模型的参数进行迭代训练，直到满足训练停止条件，得到训练完成的分类模型。
终端将时频域特征图集输入预先训练好的分类模型中，利用分类模型对时频域特征图集进行识别，得到对应的识别结果。其中，终端可以预先对初始分类模型进行训练，得到训练完成的分类模型。具体的，终端可以获取电流数据训练集，终端利用傅里叶函数提取电流数据训练集对应的时频域特征图集。终端将时频域特征图集输入初始分类模型中，得到对应的识别结果。终端获取电流数据训练集对应的监督值，将预测值与监督值进行比较，得到对应的损失值。终端根据损失值调节初始分类模型的参数进行迭代训练，直到满足训练停止条件，得到训练完成的分类模型。相对于传统的励磁涌流识别方式中，基于频域分析方法提取电流数据的某个特征量，如间断角、尖顶波、二次谐波含量等，但是未能将电流波形的全部特征进行综合考虑，因而当特征值较为单一时，比如只用二次谐波含量来判断是否是励磁涌流，则无法准确识别是否是励磁涌流，导致保护拒动或者误动。而本申请中，通过将励磁涌流识别问题建模为二维信号的分类问题，采用深度卷积神经网络来解决由于特征量的选择与提取带来的识别率较低以及不准确的问题，即采用将一维电流信号转换为二维电流图像信号进行分类识别的方式，由于电流图像中包含了电流所有时域信息，因此，采用图像识别方法，可以最大程度的保留电流时域特征，从而有效的提高励磁涌流识别的准确率。
在其中一个实施例中，如图4所示，获取电流数据训练集的步骤，包括：
步骤402，获取单相变压器输出的电流数据集以及三相变压器输出的电流数据集。
步骤404，将单相变压器输出的电流数据集以及三相变压器输出的电流数据集进行归一化处理，得到对应的电流数据训练集。
终端预先对初始分类模型进行训练时，终端可以获取单相变压器输出的电流数据集以及三相变压器输出的电流数据集。终端将单相变压器输出的电流数据集以及三相变压器输出的电流数据集进行归一化处理，得到对应的电流数据训练集。比如，终端可以根据单相变压器试验与仿真电流数据以及三相变压器仿真电流数据，生成不同变压器工作状态下对应的差动电流数据集。终端对不同变压器工作状态下对应的差动电流数据集进行归一化处理，得到归一化处理后的训练样本数据集即电流数据训练集。终端提取归一化处理后的差动电流数据集即电流数据训练集对应的时频域特征图集，终端利用提取到的时频域特征图集对初始分类模型进行训练。由此使得，通过建立普适性的样本训练集，即利用不同变压器工作状态下对应的差动电流数据集对初始分类模型进行训练，使得本申请中训练好的分类模型可以适用于不同型号变压器，即在三相、单相变压器的工作状态下均能够快速有效的识别励磁涌流。
在一个实施例中，如图5A所示，将时频域特征图集输入预先训练好的分类模型之前，该方法还包括对多个训练完成的分类模型的分类准确率进行测试的步骤，具体包括：
步骤502，通过设置不同的卷积核数量、卷积核尺寸、池化层下采样率以及池化类型，构建不同的初始分类模型进行迭代训练，直到满足训练停止条件，得到训练完成的多个分类模型。
步骤504，对多个训练完成的分类模型的分类准确率进行测试，选取多个训练完成的分类模型中分类准确率最大值对应的分类模型，将选取的该分类模型作为训练好的分类模型。
终端将时频域特征图集输入预先训练好的分类模型中，利用分类模型对时频域特征图集进行识别，得到对应的识别结果。其中，终端可以预先对初始分类模型进行训练，得到训练完成的多个分类模型。A5-Net具有非常简洁的网络结构和高效的训练效率，本申请中可以将A5-Net作为基本网络结构，通过调整网络结构参数，设计多种不同的卷积神经网络结构。终端可以对多个训练完成的分类模型的分类准确率进行测试。即不同的卷积神经网络结构具有相同的五层结构和不同的网络参数，如卷积核数量、卷积核大小以及池化层下采样率大小等。具体的，终端通过设置不同的卷积核数量、卷积核尺寸、池化层下采样率以及池化类型，构建不同的初始分类模型进行迭代训练，直到满足训练停止条件，得到训练完成的多个分类模型。终端建立基于卷积神经网络的励磁涌流及内部故障电流的分类模型，该模型以差动电流时频域特征图为输入，输出为该电流曲线是励磁涌流还是内部故障电流的判断。可以预先根据分类数据的特点、复杂度等因素，设计最为适合的网络结构，当确定网络结构及参数分布后，采用反向传播算法即监督学习算法的方式对多个网络参数不同的初始分类模型进行迭代训练，直到满足训练停止条件，得到训练完成的多个分类模型。同时，通过使用交叉验证技术，实现对训练数据集的更高效的利用，不断的优化训练分类模型。当对多个不同网络参数的初始分类模型训练完成后，终端可以对多个训练完成的分类模型的分类准确率进行测试，选取多个训练完成的分类模型中分类准确率最大值对应的分类模型，将选取的该分类模型作为训练好的分类模型。如图5B所示，为A5-Net对应的多种网络结构参数的示意图，即为本申请中构建并测试的11种卷积神经网络结构的相关参数。以分类模型A5-S2结构为例，其中，第一层卷积层拥有6个需要训练的卷积核，第三层卷积层拥有12个需要训练的卷积核，卷积核的大小均为5×5。第二层池化层以及第四层池化层的下采样率均为为2，即若输入池化层的特征图尺寸为16×16，经过池化后的特征图的大小为8×8。A5-S2采用最小池化的方式，取数据窗口中最小的元素值作为池化操作的输出。比如，A5-S11是一种特殊的网络结构，由于卷积核的数量只有一个而且卷积核的尺寸为1×1，相当于输入A5-S11的数据直接与第五层全连接层直接相连，A5-S11可等效为一个传统的反向传播神经网络。由于A5-Net的网络结构可以使用GPU进行并行加速，本申请搭建了基于GPU的运算平台对卷积神经网络的训练和测试进行并行化处理和加速，提升整个识别系统训练和测试的效率。例如，终端对A5-Net的11种不同的深度卷积神经网络结构使用同样的数据集进行训练和测试，得到了基于不同网络结构的励磁涌流识别系统具有不同的测试分类准确率。除了A5-S11网络结构，其他的网络结构基本保持了一致的随着训练迭代次数增加识别准确率增加的趋势，并且在70～90次迭代的阶段收敛到稳定的状态。其中，A5-S2网络结构具有最高的分类准确率，由于A5-S11的数据直接与最终的全连接层相连，其可等效为一个传统的反向传播神经网络，所以A5-S11的分类准确率最低，终端可以选取A5-S2网络结构的分类模型作为训练好的分类模型。由此使得，通过对多个不同参数的分类模型的识别准确率进行测试并选取其中识别准确率最大的作为预先训练好的分类模型，使得本申请中建立的深度卷积神经网络A5-Net的识别准确率基本能达到97％以上，在识别准确率上远远优于传统的识别算法。基于深度卷积神经网络的分类识别方法具有更好的鲁棒性，能够更好的应对噪声和干扰，从而有效的提高励磁涌流识别的准确率。
在其中一个实施例中，终端根据共享的卷积核参数对初始分类模型进行迭代训练，直到满足训练停止条件，得到训练完成的分类模型。即终端在对不同参数的初始分类模型进行训练时，终端可以根据共享的卷积核参数对初始分类模型进行迭代训练，直到满足训练停止条件，得到训练完成的分类模型。此外，为了进一步提升分类模型的识别准确率和网络训练效率，降低出现数据过拟合的风险，对所有基于A5-Net的网络结构可以使用如下抑制过拟合技术：(1)随机失活。随机失活是指在任何时刻给神经网络一个训练样本，每个隐藏单元被跳过的概率都为1/2。即单位之间不存在互相依靠的关系，可以同时训练多个不同的网络。随机失活则是有效的模型集成方法，一旦神经元失活，输出为0，则禁止其参与反向传播。随机失活减少了过拟合，使收敛迭代次数增加一倍。(2)权重分享。权重分享是指同一层内的不同单元都使用相同的权重，即该层的每一个卷积核会遍历输入的特征图，而不需要针对特征图的不同区域训练不同的卷积核。即终端在对不同参数的初始分类模型进行训练时，终端可以根据共享的卷积核参数对初始分类模型进行迭代训练，直到满足训练停止条件，得到训练完成的分类模型。由此使得网络的复杂性被降低，缩短网络训练的时间。(3)重叠池化。卷积神经网络中的池化层实现的功能是对同一特征图中相邻的神经元组的输出求和，一般来说，相邻池化单元的范围是不重叠的。一个池化层可以看做由相隔s个元素的池化单元组成的网格结构，每个单元负责对相邻的z×z范围的中心区域求和。若s＝z，则为传统的局部池化方法；若s＜z，则为重叠池化。由于A5-Net的输入数据以及采用的卷积核的维度相对较小，采用重叠池化可以提升数据利用率，提升系统识别准确率，同时能让整个模型更不易出现过拟合的现象。
应该理解的是，虽然图1-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-5中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种励磁涌流识别装置，包括：获取模块602、处理模块604、提取模块606、识别模块608和确定模块610，其中：
获取模块602，用于获取特定周期的差动电流数据。
处理模块604，用于对差动电流数据进行预处理，得到预处理后的差动电流数据。
提取模块606，用于提取预处理后的差动电流数据对应的时频域特征图集。
识别模块608，用于将时频域特征图集输入预先训练好的分类模型中，利用分类模型对时频域特征图集进行识别，得到对应的识别结果。
确定模块610，用于根据识别结果，确定是否触发差动保护动作。
在一个实施例中，该装置还包括：输入模块。
输入模块用于对时频域特征图集进行卷积操作、池化操作，得到卷积操作、池化操作后的时频域特征图集，将卷积操作、池化操作后的时频域特征图集输入全连接层，输出对应的识别结果。
在一个实施例中，该装置还包括：卷积操作模块和池化操作模块。
卷积操作模块用于对时频域特征图集进行第一层卷积操作，得到第一层卷积操作后的时频域特征图集。池化操作模块用于对第一层卷积操作后的时频域特征图集进行第二层池化操作，得到第二层池化操作后的时频域特征图集。卷积操作模块还用于对第二层池化操作后的时频域特征图集进行第三层卷积操作，得到第三层卷积操作后的时频域特征图集。池化操作模块还用于对第三层卷积操作后的时频域特征图集进行第四层池化操作，得到第四层池化操作后的时频域特征图集。输入模块还用于将第四层池化操作后的时频域特征图集输入第五层全连接层，输出对应的识别结果。
在一个实施例中，该装置还包括：训练模块。
获取模块还用于获取电流数据训练集。提取模块还用于利用傅里叶函数提取电流数据训练集对应的时频域特征图集。输入模块还用于将时频域特征图集输入初始分类模型中，得到对应的识别结果。获取模块还用于获取电流数据训练集对应的监督值，将预测值与监督值进行比较，得到对应的损失值。训练模块用于根据损失值调节初始分类模型的参数进行迭代训练，直到满足训练停止条件，得到训练完成的分类模型。
在一个实施例中，获取模块还用于获取单相变压器输出的电流数据集以及三相变压器输出的电流数据集。处理模块还用于将单相变压器输出的电流数据集以及三相变压器输出的电流数据集进行归一化处理，得到对应的电流数据训练集。
在一个实施例中，该装置还包括：选取模块。
训练模块还用于通过设置不同的卷积核数量、卷积核尺寸、池化层下采样率以及池化类型，构建不同的初始分类模型进行迭代训练，直到满足训练停止条件，得到训练完成的多个分类模型。选取模块用于对多个训练完成的分类模型的分类准确率进行测试，选取多个训练完成的分类模型中分类准确率最大值对应的分类模型，将选取的分类模型作为训练好的分类模型。
在一个实施例中，训练模块还用于根据共享的卷积核参数对初始分类模型进行迭代训练，直到满足训练停止条件，得到训练完成的分类模型。
关于励磁涌流识别装置的具体限定可以参见上文中对于励磁涌流识别方法的限定，在此不再赘述。上述励磁涌流识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种励磁涌流识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述各个方法实施例的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种励磁涌流识别方法，所述方法包括：
获取特定周期的差动电流数据；
对所述差动电流数据进行预处理，得到预处理后的差动电流数据；
提取所述预处理后的差动电流数据对应的时频域特征图集；
将所述时频域特征图集输入预先训练好的分类模型中，所述预先训练好的分类模型包括五层结构，所述五层结构包括两个卷积层、两个池化层以及一个全连接层；所述预先训练好的分类模型是对A5-Net模型进行调整，并训练得到的；利用所述分类模型对所述时频域特征图集进行识别，得到对应的识别结果；
根据所述识别结果，确定是否触发差动保护动作，包括：当识别结果为所述时频域特征图集的波形是内部故障电流时，确定触发差动保护动作；
所述分类模型的训练方式包括：
获取单相变压器输出的电流数据集以及三相变压器输出的电流数据集；将所述单相变压器输出的电流数据集以及所述三相变压器输出的电流数据集进行归一化处理，得到对应的电流数据训练集；利用傅里叶函数提取所述电流数据训练集对应的时频域特征图集；将所述时频域特征图集输入初始分类模型中，得到对应的识别结果；获取所述电流数据训练集对应的监督值，将预测值与监督值进行比较，得到对应的损失值；根据损失值和共享的卷积核参数对所述初始分类模型的参数进行迭代训练，直到满足训练停止条件，得到训练完成的分类模型。
2.根据权利要求1所述的方法，其特征在于，所述利用所述分类模型对所述时频域特征图集进行识别，得到对应的识别结果包括：
对所述时频域特征图集进行第一层卷积操作，得到第一层卷积操作后的所述时频域特征图集；
对第一层卷积操作后的所述时频域特征图集进行第二层池化操作，得到第二层池化操作后的所述时频域特征图集；
对第二层池化操作后的所述时频域特征图集进行第三层卷积操作，得到第三层卷积操作后的所述时频域特征图集；
对第三层卷积操作后的所述时频域特征图集进行第四层池化操作，得到第四层池化操作后的所述时频域特征图集；
将第四层池化操作后的所述时频域特征图集输入第五层全连接层，输出对应的识别结果。
3.根据权利要求1所述的方法，其特征在于，所述对所述差动电流数据进行预处理包括去除冗余零值、截取特定范围内的数据和统一电流曲线图的大小。
4.根据权利要求1所述的方法，其特征在于，所述将所述时频域特征图集输入预先训练好的分类模型之前，所述方法还包括：
通过设置不同的卷积核数量、卷积核尺寸、池化层下采样率以及池化类型，构建不同的初始分类模型进行迭代训练，直到满足训练停止条件，得到训练完成的多个分类模型；
对多个所述训练完成的分类模型的分类准确率进行测试，选取多个所述训练完成的分类模型中分类准确率最大值对应的分类模型，将选取的所述分类模型作为所述训练好的分类模型。
5.根据权利要求4所述的方法，其特征在于，在构建不同的初始分类模型之后，所述方法还包括：
对构建的不同的初始分类模型进行过拟合抑制处理。
6.根据权利要求1所述的方法，其特征在于，时频域特征是指从预处理后的差动电流的时频域提取出的多个统计特征值。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
使用交叉验证技术对所述初始分类模型进行训练。
8.一种励磁涌流识别装置，其特征在于，所述装置包括：
获取模块，用于获取特定周期的差动电流数据；
处理模块，用于对所述差动电流数据进行预处理，得到预处理后的差动电流数据；
提取模块，用于提取所述预处理后的差动电流数据对应的时频域特征图集；
识别模块，用于将所述时频域特征图集输入预先训练好的分类模型中，所述预先训练好的分类模型包括五层结构，所述五层结构包括两个卷积层、两个池化层以及一个全连接层；所述预先训练好的分类模型是对A5-Net模型进行调整，并训练得到的；利用所述分类模型对所述时频域特征图集进行识别，得到对应的识别结果；
确定模块，用于根据所述识别结果，确定是否触发差动保护动作，包括：当识别结果为所述时频域特征图集的波形是内部故障电流时，确定触发差动保护动作；
该装置还包括：训练模块，用于获取单相变压器输出的电流数据集以及三相变压器输出的电流数据集；将所述单相变压器输出的电流数据集以及所述三相变压器输出的电流数据集进行归一化处理，得到对应的电流数据训练集；利用傅里叶函数提取所述电流数据训练集对应的时频域特征图集；将所述时频域特征图集输入初始分类模型中，得到对应的识别结果；获取所述电流数据训练集对应的监督值，将预测值与监督值进行比较，得到对应的损失值；根据损失值和共享的卷积核参数对所述初始分类模型的参数进行迭代训练，直到满足训练停止条件，得到训练完成的分类模型。
9.一种计算机设备，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7中任一项所述方法的步骤。
10.一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7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010996441.7A CN112287751B (zh) | 2020-09-21 | 2020-09-21 | 励磁涌流识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010996441.7A CN112287751B (zh) | 2020-09-21 | 2020-09-21 | 励磁涌流识别方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112287751A CN112287751A (zh) | 2021-01-29 |
| CN112287751B true CN112287751B (zh) | 2024-05-07 |
Family
ID=74421141
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010996441.7A Active CN112287751B (zh) | 2020-09-21 | 2020-09-21 | 励磁涌流识别方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112287751B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117452367B (zh) * | 2023-12-21 | 2024-03-26 | 西安电子科技大学 | 基于宽带成像雷达的sar载荷辐射信号提取方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08329032A (ja) * | 1995-05-31 | 1996-12-13 | Sanyo Electric Co Ltd | ニュ−ラルネット型パターン認識装置及びニュ−ラルネットの学習方法 |
| CN110188235A (zh) * | 2019-05-05 | 2019-08-30 | 平安科技（深圳）有限公司 | 音乐风格分类方法、装置、计算机设备及存储介质 |
| CN110598800A (zh) * | 2019-09-23 | 2019-12-20 | 山东浪潮人工智能研究院有限公司 | 一种基于人工智能的垃圾分类识别方法 |
| WO2020083073A1 (zh) * | 2018-10-23 | 2020-04-30 | 苏州科达科技股份有限公司 | 非机动车图像多标签分类方法、系统、设备及存储介质 |
-
2020
- 2020-09-21 CN CN202010996441.7A patent/CN112287751B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08329032A (ja) * | 1995-05-31 | 1996-12-13 | Sanyo Electric Co Ltd | ニュ−ラルネット型パターン認識装置及びニュ−ラルネットの学習方法 |
| WO2020083073A1 (zh) * | 2018-10-23 | 2020-04-30 | 苏州科达科技股份有限公司 | 非机动车图像多标签分类方法、系统、设备及存储介质 |
| CN110188235A (zh) * | 2019-05-05 | 2019-08-30 | 平安科技（深圳）有限公司 | 音乐风格分类方法、装置、计算机设备及存储介质 |
| CN110598800A (zh) * | 2019-09-23 | 2019-12-20 | 山东浪潮人工智能研究院有限公司 | 一种基于人工智能的垃圾分类识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于GRNN神经网络的变压器励磁涌流识别方法;张小钒;兰生;;电测与仪表;20161210(第23期);全文 * |
| 面向流媒体应用的实时可执行概率获取技术研究;李超;中国优秀硕士学位论文全文数据库 社会科学Ⅱ辑(月刊);20110715(第07期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112287751A (zh) | 2021-01-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112649198B (zh) | 类不平衡滚动轴承智能故障诊断方法、系统、设备及应用 | |
| CN112347854A (zh) | 滚动轴承故障诊断方法、系统、存储介质、设备及应用 | |
| CN111210024A (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
| Jee Keen Raymond et al. | Classification of partial discharge measured under different levels of noise contamination | |
| US20210064978A1 (en) | Information processing device, information processing method, and storage medium | |
| CN110726898A (zh) | 一种配电网故障类型识别方法 | |
| CN112085111B (zh) | 一种负荷辨识方法和装置 | |
| CN110610226A (zh) | 一种发电机故障预测方法及装置 | |
| CN112287751B (zh) | 励磁涌流识别方法、装置、计算机设备和存储介质 | |
| Jin et al. | Em-gan: Data-driven fast stress analysis for multi-segment interconnects | |
| CN115729796A (zh) | 基于人工智能的异常操作分析方法及大数据应用系统 | |
| CN112464876A (zh) | 电力设备的故障诊断方法、装置、计算机设备和存储介质 | |
| Karan et al. | Fault classification in microgrids using deep learning | |
| Wong et al. | Adaptive learning feature pyramid for object detection | |
| CN116754213A (zh) | 一种基于强噪声背景下的电动闸阀故障诊断方法、装置及设备 | |
| CN116699327A (zh) | 一种gis设备局部放电故障预测方法、系统及设备 | |
| US20220058530A1 (en) | Method and device for optimizing deep learning model conversion, and storage medium | |
| Alshumayri et al. | Distribution grid fault diagnostic employing Hilbert-Huang transform and neural networks | |
| CN115471705A (zh) | 一种探地雷达的输电线路走廊隐性病害识别方法 | |
| CN115545085A (zh) | 微弱故障电流的故障类型识别方法、装置、设备和介质 | |
| Kong et al. | Automatic online partial discharge diagnosis via deep learning | |
| CN113255927A (zh) | 逻辑回归模型训练方法、装置、计算机设备和存储介质 | |
| Jettanasen et al. | A novel probabilistic neural network‐based algorithm for classifying internal fault in transformer windings | |
| Harish et al. | A comparative evaluation of Stacked Auto-Encoder neural network and Multi-Layer Extreme Learning Machine for detection and classification of faults in transmission lines using WAMS data | |
| CN117763407A (zh) | 台区电能质量问题检测分类方法、装置和计算机设备 |
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 |