CN113780060A - 一种基于多模态深度学习的高压开关柜态势感知方法 - Google Patents
一种基于多模态深度学习的高压开关柜态势感知方法 Download PDFInfo
- Publication number
- CN113780060A CN113780060A CN202110844588.9A CN202110844588A CN113780060A CN 113780060 A CN113780060 A CN 113780060A CN 202110844588 A CN202110844588 A CN 202110844588A CN 113780060 A CN113780060 A CN 113780060A
- Authority
- CN
- China
- Prior art keywords
- switch cabinet
- attention
- time
- partial discharge
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多模态深度学习的高压开关柜态势感知方法,属于电力预警系统技术领域。针对开关柜在线监测信息量庞大且由于冗余数据和环境噪声等因素的影响,往往无法由单一的传感信息判断其运行状态、不同类型传感器采集的数据具有异构性,传统的数据融合方法无法直接应用等问题,提出了一种基于多模态深度学习的特征层数据融合方法,并将其应用于开关柜的健康状态评价,通过时空双重注意力机制调节不同传感器在不同时刻测量值的权重系数,相对完整地表达出开关柜的健康状态,实现了对开关柜健康态势的实时感知。
Description
技术领域
本发明涉及电力预警系统技术领域,特别是涉及一种基于多模态深度学习的高压开关柜态势感知方法。
背景技术
10kV开关柜是直接面向配网和用户的关键配电设备,关系到电网的整体供电质量和服务水平,对配电网的安全稳定运行有着重要意义。然而,开关柜内部空间狭小、结构复杂、绝缘间隙小,且较变压器、GIS等全封闭设备而言,更容易受凝露、粉尘的影响而发生局部放电现象。利用在线监测装置科学有效地感知开关柜的健康状态有助于及时发现开关柜的绝缘缺陷、预防其潜伏性故障,对推动电网运维策略从传统定期检修到状态检修的转型,完善开关柜的故障预测与健康状态管理(PHM)体系有着重要意义。
2011年,国家电网公司颁布了《配网设备状态评价导则》,通过收集开关柜的各个状态量,并对其得分进行加权求和,得出开关柜健康状态的综合评价结果。但该导则选取的状态指标过多,工程实际中很多状态参量难以获取,且以人工带电检测的方法收集开关柜的状态量费时费力,给开关柜的健康状态研究带来了极大的挑战。近年来,随着传感器技术、存储技术和人工智能的发展,电力设备的状态检修技术步入了新的阶段,数据驱动的设备健康状态评估方法成为了PHM研究的主流。文献“基于多分类最小二乘支持向量机和改进粒子群优化算法的电力变压器故障诊断方法”提出一种结合最小二乘支持向量机(LS-SVM)和改进粒子群(PSO)优化的变压器诊断方法;文献“基于相似矩阵盲源分离与卷积神经网络的局部放电超声信号深度学习模式识别方法”将局放超声信号的声纹图谱输入卷积神经网络进行故障诊断。但上述研究多针对变压器等大型设备,目前开关柜的在线监测装置还未全面普及,以往对于开关柜健康状态的研究仍主要依靠人工带电检测获取特征量,未能充分利用开关柜的在线监测数据。同时,在线监测数据具有多类型、多维度的特点,传统的深度学习网络结构无法同时提取一维时间序列数据和二维图像数据的特征,因此,不同模态的信息融合方法是目前电力设备态势感知技术的一大难题。
本发明针对以上问题,综合了10kV开关柜进线电缆接头处的超声波和暂态地电压(TEV)局放在线监测信号、开关柜电缆室的红外热成像在线监测图像数据,以及温度、湿度等环境信息,分别基于一维卷积核与二维卷积核提取局放时间序列信号和红外热成像图像的特征,构建能够融合多种模态特征的神经网络;在处理时间序列数据(一维网格数据)和图像数据(二维网格数据)等方面有着优异的表现的传统卷积神经网络(CNN)模型的基础上,采用时空双层注意力模块代替了池化层,通过在不同时间框架下对比观测信号,避免局部干扰信号对整体评价的影响,同时避免了池化过程中重要特征的丢失;通过对健康、注意、异常、严重四类标签样本的训练,学习和优化神经网络的权值;通过计算平均识别正确率、精确率和召回率三个性能指标值,验证本发明方法的有效性。
发明内容
本发明的目的是提供一种基于多模态深度学习的高压开关柜态势感知方法,将基于多模态深度学习的特征层数据融合方法应用于开关柜的健康状态评价,通过时空双重注意力机制调节不同传感器在不同时刻测量值的权重系数,相对完整地表达出开关柜的健康状态,实现了对开关柜健康态势的实时感知。
为实现上述目的,本发明提供了如下方案:
一种基于多模态深度学习的高压开关柜态势感知方法,该方法包括以下步骤:
S1,根据10kV开关柜在线检测数据以及温度、湿度等环境信息,通过自适应阈值检测获取发生局部放电的多传感信息时间序列切片,建立包含不同程度局放的状态监测量数据集;
S2,对状态监测数据进行预处理,修正局放信号的异常值并应用直方图均衡化算法实现红外热成像图像的增强,分别采用一维卷积核与二维卷积核提取局放时间序列信号和红外热成像图像的特征,构建能够融合多种模态特征的神经网络;
S3,在传统卷积神经网络(CNN)模型的基础上,采用时空双层注意力模块代替了池化层,通过在不同时间框架下对比观测信号,避免局部干扰信号对整体评价的影响,同时避免了池化过程中重要特征的丢失;
S4,通过对健康、注意、异常、严重四类标签样本的训练,学习和优化神经网络的权值;
S5,计算平均识别正确率、精确率和召回率三个性能指标,验证本发明方法的有效性。
可选的,所述步骤S1中,根据10kV开关柜在线检测数据以及温度、湿度等环境信息,通过自适应阈值检测获取发生局部放电的多传感信息时间序列切片,建立包含不同程度局放的状态监测量数据集,所述10kV开关柜在线检测数据包括:进线电缆接头处的超声波信号、暂态地电压(TEV)局放在线监测信号和开关柜电缆室的红外热成像在线监测图像数据。
可选的,所述步骤S2中,对状态监测量数据进行预处理,修正局放信号的异常值并应用直方图均衡化算法实现红外热成像图像的增强,分别采用一维卷积核与二维卷积核提取局放时间序列信号和红外热成像图像的特征,构建能够融合多种模态特征的神经网络,具体包括:
S202,根据超声波、TEV传感器、温度及湿度传感器测得的一维时间序列信号,选用一维卷积作为卷积层构建适用于局放时间序列信号特征提取的一维卷积神经网络,对于给定的长度为的时间序列,,其中是维向量,通过个尺寸为的卷积核在时间域滑动提取特征,并设置padding参数保持卷积层的输出特征的长度不变,从而通过卷积层形成张大小为的特征图,第个卷积核的运算过程如下:
采用Dropout丢弃部分神经元,使剩余神经元得到更好的优化,避免出现过拟合并减少对局部特征的依赖,增强模型的泛化能力;
S203,构建二维卷积层提取红外热成像图像的特征,采用尺寸为的二维卷积核代替一维卷积核,输入层通过二维卷积核进行互相关运算提取图像中每个局部区域的特征,卷积层输出的二维数组为图像各个通道的输入在空间维度上的表征;同时,通过池化层对二维图像特征经过卷积层提取后产生的特征图进行下采样实现特征降维。
可选的,所述步骤S3中,在传统卷积神经网络(CNN)模型的基础上,采用时空双层注意力模块代替了池化层,通过在不同时间框架下对比观测信号,避免局部干扰信号对整体评价的影响,同时避免了池化过程中重要特征的丢失,具体包括:
S301,构建变量注意力模块,变量注意力模块在训练的过程中优化网络参数计算出变量的注意力得分,将注意力分值转化为权重系数再分配给对应的变量,从而加强对重要变量的关注,并忽略无关的变量。t时刻的注意力得分由下式得到:
S302,构建时间注意力模块,时间注意模块的目的是识别信号的关键时间片段,对前一层的输出特征在时间尺度上进行加权,在保留重要特征的同时对先前提取的特征进行进一步降维,经过时间注意力模块,各个特征消除了时间上的相关性,初步实现了从低层特征到高层特征的映射。时间注意力得分由下式得到:
可选的,所述步骤S4中,通过对健康、注意、异常、严重四类标签样本的训练,学习和优化神经网络的权值,所述优化过程采用Adam算法,算法策略为:
可选的,所述步骤S5中,计算平均识别正确率、精确率和召回率三个性能指标,验证本发明方法的有效性,具体包括:
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明的目的是提供一种基于多模态深度学习的高压开关柜态势感知方法,根据10kV开关柜在线检测数据以及温度、湿度等环境信息,分别基于一维卷积核与二维卷积核提取局放时间序列信号和红外热成像图像的特征,构建能够融合多种模态特征的神经网络;并在传统卷积神经网络(CNN)模型的基础上,采用时空双层注意力模块代替池化层,通过在不同时间框架下对比观测信号,避免了池化过程中重要特征的丢失;通过对健康、注意、异常、严重四类标签样本的训练,学习和优化神经网络的权值;通过计算平均识别正确率、精确率和召回率三个性能指标验证本发明方法的有效性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提出的多模态深度学习网络结构。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于多模态深度学习的高压开关柜态势感知方法,将基于多模态深度学习的特征层数据融合方法应用于开关柜的健康状态评价,通过时空双重注意力机制调节不同传感器在不同时刻测量值的权重系数,相对完整地表达出开关柜的健康状态,实现了对开关柜健康态势的实时感知。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明提出的多模态深度学习网络结构,如图1所示,本发明提供的基于多模态深度学习的高压开关柜态势感知方法,包括以下步骤:
S1,根据10kV开关柜在线检测数据以及温度、湿度等环境信息,通过自适应阈值检测获取发生局部放电的多传感信息时间序列切片,建立包含不同程度局放的状态监测量数据集;
S2,对状态监测数据进行预处理,修正局放信号的异常值并应用直方图均衡化算法实现红外热成像图像的增强,分别采用一维卷积核与二维卷积核提取局放时间序列信号和红外热成像图像的特征,构建能够融合多种模态特征的神经网络;
S3,在传统卷积神经网络(CNN)模型的基础上,采用时空双层注意力模块代替了池化层,通过在不同时间框架下对比观测信号,避免局部干扰信号对整体评价的影响,同时避免了池化过程中重要特征的丢失;
S4,通过对健康、注意、异常、严重四类标签样本的训练,学习和优化神经网络的权值;
S5,计算平均识别正确率、精确率和召回率三个性能指标,验证本发明方法的有效性。
其中,所述步骤S1中,根据10kV开关柜在线检测数据以及温度、湿度等环境信息,通过自适应阈值检测获取发生局部放电的多传感信息时间序列切片,建立包含不同程度局放的状态监测量数据集,所述10kV开关柜在线检测数据包括:通过超声波传感器采集的进线电缆接头处的超声波信号、通过TEV传感器采集的暂态地电压(TEV)局放在线监测信号和红外热成像装置采集发开关柜电缆室的红外热成像在线监测图像数据,其中,所述超声波传感器采用超声波法通过接收局部放电产生的超声波信号实现对局部放电的检测;所述TEV传感器采用暂态地电位法通过容性传感器探头测量部放电过程中设备表面的暂态对地电压脉冲,找出顺势脉冲路径的方向,从而实现局部放电的检测。
所述步骤S2中,对状态监测量数据进行预处理,修正局放信号的异常值并应用直方图均衡化算法实现红外热成像图像的增强,分别采用一维卷积核与二维卷积核提取局放时间序列信号和红外热成像图像的特征,构建能够融合多种模态特征的神经网络,具体包括:
S202,根据超声波、TEV传感器、温度及湿度传感器测得的一维时间序列信号,选用一维卷积作为卷积层构建适用于局放时间序列信号特征提取的一维卷积神经网络,对于给定的长度为的时间序列,,其中是维向量,通过个尺寸为的卷积核在时间域滑动提取特征,并设置padding参数保持卷积层的输出特征的长度不变,从而通过卷积层形成张大小为的特征图,第个卷积核的运算过程如下:
采用Dropout丢弃部分神经元,使剩余神经元得到更好的优化,避免出现过拟合并减少对局部特征的依赖,增强模型的泛化能力;
S203,构建二维卷积层提取红外热成像图像的特征,采用尺寸为的二维卷积核代替一维卷积核,输入层通过二维卷积核进行互相关运算提取图像中每个局部区域的特征,卷积层输出的二维数组为图像各个通道的输入在空间维度上的表征;同时,通过池化层对二维图像特征经过卷积层提取后产生的特征图进行下采样实现特征降维。
所述步骤S3中,在传统卷积神经网络(CNN)模型的基础上,采用时空双层注意力模块代替了池化层,通过在不同时间框架下对比观测信号,避免局部干扰信号对整体评价的影响,同时避免了池化过程中重要特征的丢失,具体包括:
S301,构建变量注意力模块,变量注意力模块在训练的过程中优化网络参数计算出变量的注意力得分,将注意力分值转化为权重系数再分配给对应的变量,从而加强对重要变量的关注,并忽略无关的变量。t时刻的注意力得分由下式得到:
S302,构建时间注意力模块,时间注意模块的目的是识别信号的关键时间片段,对前一层的输出特征在时间尺度上进行加权,在保留重要特征的同时对先前提取的特征进行进一步降维,经过时间注意力模块,各个特征消除了时间上的相关性,初步实现了从低层特征到高层特征的映射。时间注意力得分由下式得到:
所述步骤S4中,通过对健康、注意、异常、严重四类标签样本的训练,学习和优化神经网络的权值,所述优化过程采用Adam算法,算法策略为:
所述步骤S5中,计算平均识别正确率、精确率和召回率三个性能指标,验证本发明方法的有效性,具体包括:
本发明的实施例基于山西省陵川县100余面开关柜在线监测信息进行,实验数据为2020年6月至2021年7月的实际数据,筛选出1500个局部放电超声波、TEV信号以及与之对应的红外热成像图像,每个局放信号包含3分钟内共计9000个TEV和超声波测量值。将其中1000个信号作为训练集,500个信号作为测试集。实验步骤如本发明所示,本发明采用Python3.7语言编写程序,基于Tensorflow2.0框架搭建神经网络模型。一维卷积核大小为15,二维卷积核大小为33;二维CNN的池化层选择平均池化方法;Dropout设为0.5;优化器选择Adam。实验结果如表1所示。由表1可得,本发明提出的基于多模态深度学习的高压开关柜态势感知方法拥有较高的精确度和召回率,在样本数据特征比较复杂的情况下,本发明提出的方法具有较好的泛化性能。
表1实验结果
本发明提供的基于多模态深度学习的高压开关柜态势感知方法,
根据10kV开关柜在线检测数据以及温度、湿度等环境信息,分别基于一维卷积核与二维卷积核提取局放时间序列信号和红外热成像图像的特征,构建能够融合多种模态特征的神经网络;并在传统卷积神经网络(CNN)模型的基础上,采用时空双层注意力模块代替池化层,通过在不同时间框架下对比观测信号,避免了池化过程中重要特征的丢失;通过训练标签样本,学习和优化神经网络的权值;最终通过计算平均识别正确率、精确率和召回率三个性能指标验证本发明方法的有效性,综上所述,本方法易于计算机部署和实施,应用效果较好。
本发明中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于多模态深度学习的高压开关柜态势感知方法,其特征在于,包括以下步骤:
S1,根据10kV开关柜在线检测数据以及温度、湿度等环境信息,通过自适应阈值检测获取发生局部放电的多传感信息时间序列切片,建立包含不同程度局放的状态监测量数据集;
S2,对状态监测数据进行预处理,修正局放信号的异常值并应用直方图均衡化算法实现红外热成像图像的增强,分别采用一维卷积核与二维卷积核提取局放时间序列信号和红外热成像图像的特征,构建能够融合多种模态特征的神经网络;
S3,在传统卷积神经网络(CNN)模型的基础上,采用时空双层注意力模块代替了池化层,通过在不同时间框架下对比观测信号,避免局部干扰信号对整体评价的影响,同时避免了池化过程中重要特征的丢失;
S4,通过对健康、注意、异常、严重四类标签样本的训练,学习和优化神经网络的权值;
S5,计算平均识别正确率、精确率和召回率三个性能指标,验证本发明方法的有效性。
2.根据权利要求1所述的基于多模态深度学习的高压开关柜态势感知方法,其特征在于,所述步骤S1中,根据10kV开关柜在线检测数据以及温度、湿度等环境信息,通过自适应阈值检测获取发生局部放电的多传感信息时间序列切片,建立包含不同程度局放的状态监测量数据集,所述10kV开关柜在线检测数据包括:进线电缆接头处的超声波信号、暂态地电压(TEV)局放在线监测信号和开关柜电缆室的红外热成像在线监测图像数据。
3.根据权利要求1所述的基于多模态深度学习的高压开关柜态势感知方法,其特征在于,所述步骤S2中,对状态监测量数据进行预处理,修正局放信号的异常值并应用直方图均衡化算法实现红外热成像图像的增强,分别采用一维卷积核与二维卷积核提取局放时间序列信号和红外热成像图像的特征,构建能够融合多种模态特征的神经网络,具体包括:
S202,根据超声波、TEV传感器、温度及湿度传感器测得的一维时间序列信号,选用一维卷积作为卷积层构建适用于局放时间序列信号特征提取的一维卷积神经网络,对于给定的长度为的时间序列,,其中是维向量,通过个尺寸为的卷积核在时间域滑动提取特征,并设置padding参数保持卷积层的输出特征的长度不变,从而通过卷积层形成张大小为的特征图,第个卷积核的运算过程如下:
采用Dropout丢弃部分神经元,使剩余神经元得到更好的优化,避免出现过拟合并减少对局部特征的依赖,增强模型的泛化能力;
4.根据权利要求1所述的基于多模态深度学习的高压开关柜态势感知方法,其特征在于,所述步骤S3中,在传统卷积神经网络(CNN)模型的基础上,采用时空双层注意力模块代替了池化层,通过在不同时间框架下对比观测信号,避免局部干扰信号对整体评价的影响,同时避免了池化过程中重要特征的丢失,具体包括:
S301,构建变量注意力模块,变量注意力模块在训练的过程中优化网络参数计算出变量的注意力得分,将注意力分值转化为权重系数再分配给对应的变量,从而加强对重要变量的关注,并忽略无关的变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110844588.9A CN113780060A (zh) | 2021-07-26 | 2021-07-26 | 一种基于多模态深度学习的高压开关柜态势感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110844588.9A CN113780060A (zh) | 2021-07-26 | 2021-07-26 | 一种基于多模态深度学习的高压开关柜态势感知方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113780060A true CN113780060A (zh) | 2021-12-10 |
Family
ID=78836109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110844588.9A Pending CN113780060A (zh) | 2021-07-26 | 2021-07-26 | 一种基于多模态深度学习的高压开关柜态势感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780060A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115471505A (zh) * | 2022-11-14 | 2022-12-13 | 华联机械集团有限公司 | 基于视觉识别的封箱机智能调控方法 |
CN116610998A (zh) * | 2023-05-24 | 2023-08-18 | 武汉恒达电气有限公司 | 一种基于多模态数据融合的开关柜故障诊断方法和系统 |
CN117292716A (zh) * | 2023-11-24 | 2023-12-26 | 国网山东省电力公司济南供电公司 | 基于声纹与红外特征融合的变压器故障诊断方法与系统 |
CN117708685A (zh) * | 2024-02-05 | 2024-03-15 | 国网江西省电力有限公司电力科学研究院 | 一种开关柜潜伏性局放缺陷识别方法及系统 |
CN117951585A (zh) * | 2024-03-27 | 2024-04-30 | 国网山东省电力公司曲阜市供电公司 | 一种电力设备运行状态实时检测方法及系统 |
-
2021
- 2021-07-26 CN CN202110844588.9A patent/CN113780060A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115471505A (zh) * | 2022-11-14 | 2022-12-13 | 华联机械集团有限公司 | 基于视觉识别的封箱机智能调控方法 |
CN116610998A (zh) * | 2023-05-24 | 2023-08-18 | 武汉恒达电气有限公司 | 一种基于多模态数据融合的开关柜故障诊断方法和系统 |
CN117292716A (zh) * | 2023-11-24 | 2023-12-26 | 国网山东省电力公司济南供电公司 | 基于声纹与红外特征融合的变压器故障诊断方法与系统 |
CN117292716B (zh) * | 2023-11-24 | 2024-02-06 | 国网山东省电力公司济南供电公司 | 基于声纹与红外特征融合的变压器故障诊断方法与系统 |
CN117708685A (zh) * | 2024-02-05 | 2024-03-15 | 国网江西省电力有限公司电力科学研究院 | 一种开关柜潜伏性局放缺陷识别方法及系统 |
CN117708685B (zh) * | 2024-02-05 | 2024-06-04 | 国网江西省电力有限公司电力科学研究院 | 一种开关柜潜伏性局放缺陷识别方法及系统 |
CN117951585A (zh) * | 2024-03-27 | 2024-04-30 | 国网山东省电力公司曲阜市供电公司 | 一种电力设备运行状态实时检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113780060A (zh) | 一种基于多模态深度学习的高压开关柜态势感知方法 | |
CN108647716B (zh) | 一种基于复合信息的光伏阵列故障诊断方法 | |
CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
CN104809722B (zh) | 一种基于红外热像的电气设备故障诊断方法 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
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 | |
CN110829417A (zh) | 基于lstm双结构模型的电力系统暂态稳定预测方法 | |
Wang et al. | Prediction model of natural gas pipeline crack evolution based on optimized DCNN-LSTM | |
CN116524200A (zh) | 一种基于图像识别的高压断路器故障诊断方法 | |
CN112087442A (zh) | 基于注意力机制的时序相关网络入侵检测方法 | |
CN113191429A (zh) | 一种电力变压器套管故障诊断方法及装置 | |
CN113780401A (zh) | 基于主成分分析法的复合绝缘子故障检测方法及系统 | |
CN109617526A (zh) | 一种基于小波多分辨分析和svm的光伏发电阵列故障诊断和分类的方法 | |
Jia et al. | Validity evaluation of transformer DGA online monitoring data in grid edge systems | |
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 | |
CN116008731A (zh) | 配电网高阻故障辨识方法、装置和电子设备 | |
CN117272102A (zh) | 一种基于双注意力机制的变压器故障诊断方法 | |
CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
CN114581699A (zh) | 考虑多源信息时基于深度学习模型的变压器状态评估方法 | |
CN117407770A (zh) | 基于神经网络的高压开关柜故障模式分类及预测方法 | |
CN117520809A (zh) | 一种基于EEMD-KPCA-CNN-BiLSTM的变压器故障诊断方法 | |
CN117409529A (zh) | 一种多场景电气火灾在线监测方法及系统 | |
CN116298725A (zh) | 故障电弧检测方法、系统及存储介质 | |
Raymond et al. | Novel data augmentation for improved insulation fault diagnosis under nonideal condition | |
Zhang et al. | Fault line selection method based on transfer learning depthwise separable convolutional neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |