CN113705695A - 一种基于卷积神经网络的配电网故障数据辨识方法 - Google Patents
一种基于卷积神经网络的配电网故障数据辨识方法 Download PDFInfo
- Publication number
- CN113705695A CN113705695A CN202111013512.8A CN202111013512A CN113705695A CN 113705695 A CN113705695 A CN 113705695A CN 202111013512 A CN202111013512 A CN 202111013512A CN 113705695 A CN113705695 A CN 113705695A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- network
- power distribution
- fault 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 32
- 230000001052 transient effect Effects 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 29
- 238000013145 classification model Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000011176 pooling Methods 0.000 claims description 23
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013024 troubleshooting 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于卷积神经网络的配电网故障数据辨识方法,属于电力技术领域。该方法包括:S1:获取配电网暂态故障数据,并对其进行预处理;S2:利用多层1DCAE搭建故障特征提取网络,并输入预处理后的暂态故障数据训练优化故障特征提取网络,得到低维故障特征;S3:利用多层1DCNN搭建故障特征分类模型,并输入低维故障特征训练优化故障特征分类模型,完成暂态故障数据的不同类型识别。本发明具有自动特征提取能力和较好的容错能力,更适用于配电网中的海量故障数据识别。
Description
技术领域
本发明属于电力技术领域,涉及一种基于卷积神经网络的配电网故障数据辨识方法。
背景技术
电力系统向智能化和透明化迈进的过程中,配电网的结构日趋复杂,检测设备更加繁多,运行过程中发生各种故障的概率激增。故障发生后,为避免故障的再次恶化与扩散,需要快速准确的进行故障定位、网络重构、故障融合、故障事件分析与排查检修等工作,而故障诊断与辨识是以上工作的前提。
目前针对配电网故障诊断与分类方法总体可以归为三大类:
第一类为基于知识分析的传统故障识别方法,长期应用于电力系统故障识别领域,但仍存在容错能力弱、操作难度大、识别效率低下等问题。
第二类为传统故障诊断手段与新一代人工智能结合的复合故障分类识别模型,其中又分两种常见结合类型:一种为沿用经典故障信号处理方法进行特征提取后结合人工智能深度学习模型进行故障分类识别;另一种为利用神经网络的数据特征自学习能力提取故障特征,再结合传统浅层分类网络进行故障诊断。该类方法一定程度上提高了分类性能,但人工进行特征分析与提取,耗费大量的时间,模型容易受到人为因素影响,且对于多类型差异性小的故障样本人工特征提取面临更大困难。
第三类为数据特征处理与特征分类器均采用深度学习框架进行故障类型识别,该类全深度学习模型更适用于配电网中的海量故障数据识别,但此模型研究尚未完善,且适应性较弱。
因此,亟需一种能够解决传统人工特征提取方法存在的低容错、识别效率低下,以及SVM、ANN和CNN辨识精度低的问题的配电网故障数据辨识方法。
发明内容
有鉴于此,本发明的目的在于提供一种基于卷积神经网络的配电网故障数据辨识方法,解决实测暂态故障数据特征自提取的难点,进而将提取的数据特征输入到一维卷积神经网络,智能、高效地实现故障数据端到端辨识的目标。相比于现有方法,具有自动特征提取能力和较好的容错能力,更适用于配电网中的海量故障数据识别。
为达到上述目的,本发明提供如下技术方案:
一种基于卷积神经网络的配电网故障数据辨识方法,具体包括以下步骤:
S1:获取配电网暂态故障数据,并对其进行预处理;
S2:利用多层一维卷积自编码器(1-dimension convolutional auto-encoder,1DCAE)搭建故障特征提取网络,并输入预处理后的暂态故障数据训练优化故障特征提取网络,得到低维故障特征;
S3:利用多层一维卷积神经网络(1-dimension convolutional neural network,1DCNN)搭建故障特征分类模型,并输入低维故障特征训练优化故障特征分类模型,完成暂态故障数据的不同类型识别。
进一步,步骤S1具体包括:获取主站的海量录波文件中记录的故障线路电气量信息,即配电网暂态故障数据;预处理阶段是截取故障点附近最能反映故障特征的电气量信息,作为网络的训练数据样本。
进一步,步骤S1中,预处理具体包括:获取的配电网暂态故障数据是由故障时刻前后256个三相电压采样数据拼接组成,以准确获取故障时刻的三相电压变化特征;并对其进行一定的平移、加噪等数据样本扩展。
进一步,步骤S2具体包括:通过堆叠多层1DCAE搭建故障特征提取网络,并将预处理后的不同类型的暂态故障数据统一用于网络编码和解码训练,调节网络参数优化网络权重与偏差使网络具有最佳的特征提取效果,然后从编码器输出低维故障特征,用于步骤S3的故障数据分类识别。
进一步,步骤S2中,所述1DCAE由卷积层、池化层、反池化层和反卷积层组成;利用卷积的空间信息保持特性将卷积池化后的数据经过反卷积反池化进行重构,再通过优化重构数据与原始数据的最小误差对其模型进行求解,最后提取编码后的低维有效特征。
进一步,步骤S3具体包括:通过对步骤S2得到的低维故障特征进行再学习,训练得出网络的最佳参数;然后经卷积网络Softmax分类器层对故障特征进行分类,完成暂态故障数据的不同类型识别。
进一步,步骤S3中,所述1DCNN由一维卷积层、一维池化层、全连接层及分类层组成,配合激活函数、正则化、优化器等完成训练模型调优。
进一步,步骤S3中,所述1DCNN中的全连接层是经过卷积池化后的数据块被一维化生成全连接层,在其前面加入dropout方法随机删除部分神经元来抑制模型过拟合,配合分类器可完成数据的多分类。
进一步,步骤S3中,所述全连接层输出为:
所述分类器是使用Softmax分类器配合全连接层完成数据多分类,表达式为:
其中,yj为第j个输出神经元,n为神经元的个数。
本发明的有益效果在于:本发明网络架构从故障数据预处理到故障数据特征提取再到故障特征分类,全程使用人工智能深度学习自动进行诊断分析,减少了人为因素干扰,直接从原始录波故障数据中获取故障类型与故障特征间的映射关系,从而避免传统的人工分析故障数据环节。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为1DCAE结构示意图;
图2为1DCNN结构示意图;
图3为端到端暂态故障数据分类识别框架图;
图4为数据特征可视化结果;
图5为本发明1DCAE-1DCNN分类模型与1DCNN分类模型的对比训练结果。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
请参阅图1~图5,为一种基于卷积神经网络的配电网故障数据辨识方法,主要包括以下三部分:
1)故障数据预处理
由于暂态录波型故障指示器在记录故障时会对故障点前4后8个周期的电气量信息进行记录,且故障点周围数据点最能反映故障信息,故选取样本数据由故障时刻前后256个三相电压采样数据拼接组成,以准确获取故障时刻的三相电压变化特征。考虑到数据集中所选故障类型样本量不足,对其进行一定的平移、加噪等数据样本扩展,形成六种故障数据集共1800条。根据故障指示器的采样频率,每条入网训练样本数据维度为768维。
2)多层1DCAE搭建故障特征提取网络
1DCAE即是利用卷积层代替普通全连接层,其结构如图1,由卷积层、池化层、反池化层、反卷积层组成。其思想是利用卷积的空间信息保持特性将卷积池化后的数据经过反卷积反池化进行重构,再通过优化重构数据与原始数据的最小误差对其模型进行求解,最后提取编码后的低维有效特征。在特征提取过程中,其局部感知和权值共享特性可以使模型获取更精准的数据特征和拥有更高效的计算效率。配电网一维暂态录波故障数据具有一定的局部空间联系和较高的维度,所以1DCAE更适用于暂态故障数据特征的高效提取。
3)多层1DCNN搭建的故障特征分类模型
卷积神经网络受哺乳动物视觉感受野传递视网膜视觉信息启发产生,通过堆叠多个卷积层、池化层层级结构,来模仿动物多层感受野激发状态所建立的一种深度学习模型。图2为1DCNN结构,由一维卷积层、一维池化层、全连接层及分类层组成,配合激活函数、正则化、优化器等完成训练模型调优。卷积神经网络局部感知特性使每个神经元专注响应自己感受野内的特征信息,以致卷积核对输入数据的空间局部模式具有最好的响应;其权值共享特性使卷积层内不同特征面共享统一卷积核,优化了网络各层间的数据连接,降低了网络结构的复杂度与权值数量。
全连接层:经过卷积池化后的数据块被一维化生成全连接层,通常在其前面加入dropout方法随机删除部分神经元来抑制模型过拟合,配合分类器可完成数据的多分类。全连接层输出为:
分类器:使用Softmax分类器配合全连接层完成数据多分类,表达式为:
其中,yj为第j个输出神经元,n为神经元的个数。
实施例1:
本实施例提供一种基于双卷积神经网络的端到端暂态故障数据分类识别方法,该方法的原理框架如图3所示,整个架构主要由三部分组成。
第一部分为对配电网暂态录波故障数据的预处理阶段。传入主站的海量录波文件记录了故障线路电气量信息,预处理阶段是截取故障点附近最能反映故障特征的电气量信息,作为入网训练数据样本。
第二部分通过堆叠多层1DCAE搭建故障特征提取网络。在故障数据集中,不同类型的暂态故障数据统一用于网络编码和解码训练,调节网络参数优化网络权重与偏差使网络具有最佳的特征提取效果,之后从编码器输出低维故障特征用于第三部分的数据分类识别。
第三部分为利用多层1DCNN搭建的故障特征分类模型。通过对原故障数据的低维故障特征进行再学习,训练得出网络的最佳参数。然后经卷积网络Softmax分类器层对故障特征进行分类,完成暂态故障数据的不同类型识别。
仿真实验:
1)故障数据特征提取
以某变电站故障录波数据为例,利用1DCAE对故障数据样本进行特征提取。实验使用谷歌第二代机器学习系统TensorFlow,开发语言使用Python,计算机配置为Inter Corei7-10700CPU@2.9GHz,内存为8GB。首先在TensorFlow框架中搭建一维卷积自编码数据流图,得到卷积编码层与解码层。其次导入训练数据样本,编译卷积模型,并进行网络结构参数调优。最终确定一维卷积自编码网络参数如表1所示,其结构包含一个输入层、两个卷积池化层、两个反卷积池化层和一个输出层,实验过程两层网络已可以获取样本数据的抽象特征,由于数据本身噪声较低,网络中卷积核尺寸选择较小,网络具有良好的特征提取能力。
表1 网络结构参数
1DCAE的编码特征提取层是自编码的重要阶段,为了深入了解1DCAE的特征提取效果及其对暂态故障数据特征提取的有效性,进行1DCAE特征可视化网络构建。如图4所示,分别对样本数据中6类故障数据进行可视化展示,首先对各类数据的768维原始数据进行主成分分析(Principal Component Analysis,PCA),通过PCA技术把原始数据降至2维。可以看出原始数据分布散乱,同类标签数据聚类特征不明显;其次通过把原始数据导入一维卷积自编码网络后提取到低维特征,再利用PCA技术降至2维。与原始数据2维可视化特征对比,可以看出经编码后的数据特征较原始数据分布更具有规律性,同类标签数据呈类簇聚集,各类故障特征更加突出。选择故障特征更加突出的数据进行后端分类识别,不仅可以提高网络的运算效率同时提高网络的识别准确率。
2)故障数据分类研究
基于同样的实验环境,搭建1DCNN分类框架并导入数据进行训练,1DCNN参数如表2,其包含一个输入层、三个卷积层、三个池化层、一个输出层。把原始768维数据按8:2的比例划分为训练集和测试集进行入网训练,训练过程的损失函数如图5(a),可以看出当训练次数达到350次时,均方误差已经趋于平稳,网络结构参数趋于稳定,故选取350为训练停止条件。训练过程的准确率如图5(b),当训练次数达到96次后,其准确率超过87%,随着训练迭代次数的增加准确率上升速度缓慢,最终原始数据分类准确率达到了88.6%。把原始数据通过1DCAE网络提取故障数据的低维特征,把降维后的特征数据按同样比例划分训练集和测试集进行喂入1DCNN,即利用后端卷积神经网络对低维特征数据进行分类研究。训练过程的识别准确率如图5(b),可以看出当训练次数达到180次时,识别准确率已经超过了91%,随着训练次数的增加,卷积神经网络的最终识别准确率达到了93.75%。对比两模型训练过程参数可知,在训练前期(训练次数在0-161次之间),1DCNN模型收敛较快,识别准确率高于1DCAE-1DCNN模型准确率;在训练后期(训练次数在161-350次之间),1DCAE-1DCNN模型收敛速度明显快于1DCNN模型,且识别准确率超过1DCNN模型。
表2 网络结构参数
3)对比实验分析
基于同样的实验环境和同样的数据样本,将端到端双卷积神经网络分类模型与传统分类方法如决策树、SVM、ANN、SAE-CNN模型进行比较。
表3 不同模型识别准确率对比
如表3所示,为本发明模型与决策树、SVM、ANN、CNN、SAE-CNN对测试数据的识别准确率统计结果。可以看出传统机器学习模型对暂态故障数据的识别率较低;模型中使用卷积神经网络可以提高对复杂数据样本的辨识率,且识别率均在88%以上;在分类模型前端加上特征提取网络可以提高模型的识别准确率;在不同分类模型中1DCAE-1DCNN对暂态故障数据辨识准确率明显优于其他模型,其识别准确率达到了93.8%。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种基于卷积神经网络的配电网故障数据辨识方法,其特征在于,该方法具体包括以下步骤:
S1:获取配电网暂态故障数据,并对其进行预处理;
S2:利用多层1DCAE搭建故障特征提取网络,并输入预处理后的暂态故障数据训练优化故障特征提取网络,得到低维故障特征;其中1DCAE表示一维卷积自编码器;
S3:利用多层1DCNN搭建故障特征分类模型,并输入低维故障特征训练优化故障特征分类模型,完成暂态故障数据的不同类型识别;其中1DCNN表示一维卷积神经网络。
2.根据权利要求1所述的配电网故障数据辨识方法,其特征在于,步骤S1具体包括:获取主站的海量录波文件中记录的故障线路电气量信息,即配电网暂态故障数据;预处理阶段是截取故障点附近最能反映故障特征的电气量信息,作为网络的训练数据样本。
3.根据权利要求2所述的配电网故障数据辨识方法,其特征在于,步骤S1中,预处理具体包括:获取的配电网暂态故障数据是由故障时刻前后256个三相电压采样数据拼接组成;并对其进行样本扩展。
4.根据权利要求1所述的配电网故障数据辨识方法,其特征在于,步骤S2具体包括:通过堆叠多层1DCAE搭建故障特征提取网络,并将预处理后的不同类型的暂态故障数据统一用于网络编码和解码训练,调节网络参数优化网络权重与偏差使网络具有最佳的特征提取效果,然后从编码器输出低维故障特征,用于步骤S3的故障数据分类识别。
5.根据权利要求1或4所述的配电网故障数据辨识方法,其特征在于,步骤S2中,所述1DCAE由卷积层、池化层、反池化层和反卷积层组成;利用卷积的空间信息保持特性将卷积池化后的数据经过反卷积反池化进行重构,再通过优化重构数据与原始数据的最小误差对其模型进行求解,最后提取编码后的低维有效特征。
6.根据权利要求1所述的配电网故障数据辨识方法,其特征在于,步骤S3具体包括:通过对步骤S2得到的低维故障特征进行再学习,训练得出网络的最佳参数;然后经卷积网络Softmax分类器层对故障特征进行分类,完成暂态故障数据的不同类型识别。
7.根据权利要求1或6所述的配电网故障数据辨识方法,其特征在于,步骤S3中,所述1DCNN由一维卷积层、一维池化层、全连接层及分类层组成,配合激活函数、正则化、优化器完成训练模型调优。
8.根据权利要求7所述的配电网故障数据辨识方法,其特征在于,步骤S3中,所述1DCNN中的全连接层是经过卷积池化后的数据块被一维化生成全连接层,在其前面加入dropout方法随机删除部分神经元来抑制模型过拟合,配合分类器可完成数据的多分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111013512.8A CN113705695A (zh) | 2021-08-31 | 2021-08-31 | 一种基于卷积神经网络的配电网故障数据辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111013512.8A CN113705695A (zh) | 2021-08-31 | 2021-08-31 | 一种基于卷积神经网络的配电网故障数据辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113705695A true CN113705695A (zh) | 2021-11-26 |
Family
ID=78658098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111013512.8A Pending CN113705695A (zh) | 2021-08-31 | 2021-08-31 | 一种基于卷积神经网络的配电网故障数据辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705695A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114354185A (zh) * | 2021-12-29 | 2022-04-15 | 重庆邮电大学 | 一种基于解耦网络的齿轮箱故障诊断方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108595643A (zh) * | 2018-04-26 | 2018-09-28 | 重庆邮电大学 | 基于多分类节点卷积循环网络的文本特征提取及分类方法 |
CN108959732A (zh) * | 2018-06-15 | 2018-12-07 | 西安科技大学 | 一种基于卷积神经网络的输电线路故障类型识别方法 |
CN109635677A (zh) * | 2018-11-23 | 2019-04-16 | 华南理工大学 | 基于多标签分类卷积神经网络的复合故障诊断方法及装置 |
CN110033021A (zh) * | 2019-03-07 | 2019-07-19 | 华中科技大学 | 一种基于一维多路卷积神经网络的故障分类方法 |
CN110555479A (zh) * | 2019-09-05 | 2019-12-10 | 北京工业大学 | 基于1dcnn与gru融合的故障特征学习与分类方法 |
AU2020103923A4 (en) * | 2020-12-07 | 2021-02-11 | Ocean University Of China | Fault diagnosis method and system for gear bearing based on multi-source information fusion |
US20210048487A1 (en) * | 2019-08-12 | 2021-02-18 | Wuhan University | Power transformer winding fault positioning method based on deep convolutional neural network integrated with visual identification |
CN113112000A (zh) * | 2021-03-29 | 2021-07-13 | 太原科技大学 | 一种多层次卷积神经网络模型的构建方法及应用 |
-
2021
- 2021-08-31 CN CN202111013512.8A patent/CN113705695A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108595643A (zh) * | 2018-04-26 | 2018-09-28 | 重庆邮电大学 | 基于多分类节点卷积循环网络的文本特征提取及分类方法 |
CN108959732A (zh) * | 2018-06-15 | 2018-12-07 | 西安科技大学 | 一种基于卷积神经网络的输电线路故障类型识别方法 |
CN109635677A (zh) * | 2018-11-23 | 2019-04-16 | 华南理工大学 | 基于多标签分类卷积神经网络的复合故障诊断方法及装置 |
CN110033021A (zh) * | 2019-03-07 | 2019-07-19 | 华中科技大学 | 一种基于一维多路卷积神经网络的故障分类方法 |
US20210048487A1 (en) * | 2019-08-12 | 2021-02-18 | Wuhan University | Power transformer winding fault positioning method based on deep convolutional neural network integrated with visual identification |
CN110555479A (zh) * | 2019-09-05 | 2019-12-10 | 北京工业大学 | 基于1dcnn与gru融合的故障特征学习与分类方法 |
AU2020103923A4 (en) * | 2020-12-07 | 2021-02-11 | Ocean University Of China | Fault diagnosis method and system for gear bearing based on multi-source information fusion |
CN113112000A (zh) * | 2021-03-29 | 2021-07-13 | 太原科技大学 | 一种多层次卷积神经网络模型的构建方法及应用 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114354185A (zh) * | 2021-12-29 | 2022-04-15 | 重庆邮电大学 | 一种基于解耦网络的齿轮箱故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109639739B (zh) | 一种基于自动编码器网络的异常流量检测方法 | |
CN111832647A (zh) | 异常流量检测系统及方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN110929847A (zh) | 一种基于深度卷积神经网络的换流变压器故障诊断方法 | |
CN109635928A (zh) | 一种基于深度学习模型融合的电压暂降原因识别方法 | |
CN104992223A (zh) | 基于深度学习的密集人数估计方法 | |
CN115293280A (zh) | 基于时空特征分割重构的动力装备系统异常检测方法 | |
CN109829916A (zh) | 一种基于cnn的变压器故障诊断方法 | |
CN114176607B (zh) | 一种基于视觉Transformer的脑电信号分类方法 | |
CN112557826A (zh) | 一种船舶电力系统故障诊断方法 | |
CN110726898A (zh) | 一种配电网故障类型识别方法 | |
CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和系统 | |
CN108986091A (zh) | 基于深度哈希网络的铸件缺陷图像检测方法 | |
CN114283285A (zh) | 交叉一致性自训练遥感图像语义分割网络训练方法及装置 | |
CN115269870A (zh) | 一种基于知识图谱实现数据中台数据链路故障分类预警的方法 | |
CN113705695A (zh) | 一种基于卷积神经网络的配电网故障数据辨识方法 | |
CN114519293A (zh) | 基于小样本机器学习模型的电缆本体故障识别方法 | |
CN113486935A (zh) | 基于dpi和cnn的区块链应用流量识别方法 | |
CN117372144A (zh) | 应用于小样本场景的风控策略智能化方法及系统 | |
CN117272230A (zh) | 一种基于多任务学习模型的非侵入式负荷监测方法和系统 | |
CN117252459A (zh) | 一种基于深度学习的水果质量评估系统 | |
CN115659258B (zh) | 一种基于多尺度图卷积孪生网络的配电网故障检测方法 | |
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 | |
CN115880472A (zh) | 一种电力红外图像数据智能诊断分析系统 | |
CN116032790A (zh) | 调度自动化系统海量数据流异常辨识、诊断和预测方法、装置和系统 |
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 |