CN113884844A - 一种变压器局部放电类型识别方法及系统 - Google Patents
一种变压器局部放电类型识别方法及系统 Download PDFInfo
- Publication number
- CN113884844A CN113884844A CN202111369869.XA CN202111369869A CN113884844A CN 113884844 A CN113884844 A CN 113884844A CN 202111369869 A CN202111369869 A CN 202111369869A CN 113884844 A CN113884844 A CN 113884844A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- transformer
- discharge type
- map
- type identification
- 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 45
- 238000000605 extraction Methods 0.000 claims abstract description 36
- 230000007246 mechanism Effects 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000002776 aggregation Effects 0.000 claims abstract description 10
- 238000004220 aggregation Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 208000028659 discharge Diseases 0.000 description 93
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000010291 electrical method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明属于电故障探测技术领域,提供了一种变压器局部放电类型识别方法及系统,包括:获取变压器至少两种类型的局部放电图谱;对获取的图谱进行预处理;将预处理后的图谱输入局部放电类型识别模型,得到变压器的局部放电类型;其中,局部放电类型识别模型的特征提取网络采用CBAM结构将注意力机制同时运用在通道层面和空间层面两个维度上,通道层面用于捕获不同类型的局部放电图谱的特征,空间层面用于捕获局部放电图谱的相位、幅度和周期的聚集关系,减少了无效特征的权重,提取出更有利于提高识别准确率的特征,提高了放电类型识别的准确率。
Description
技术领域
本发明属于电故障探测技术领域,尤其涉及一种变压器局部放电类型识别方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
对变压器内部局部放电的类型和严重程度进行有效识别能够及时发现其内部的一些潜伏性故障,为诊断和检修提供依据,保障系统的安全稳定运行。变压器局部放电诊断方法主要是通过利用各种传感器技术将局部放电信号转换为局部放电相位分布图谱(Phase Resolved Partial Discharge,PRPD)、脉冲序列相位分布图谱(Phase ResolvedPulse Sequence,PRPS)等统计图谱,对图谱进行分析就可以判断出变压器内部的放电类型和严重程度。
深度学习在提取数据关键信息,洞察微小特征方面具有很大优势。利用深度学习方法对局部放电的统计图谱、波形信号进行识别分类,为变压器局部放电模式识别开拓了新思路。
目前,深度学习在变压器局部放电模式识别领域的应用较少,其原因主要有二。一是传感器技术并没有在变压器上普遍应用,同时局部放电又是一种小概率事件,因此能够得到的局部放电数据十分有限;二是局部放电数据会因为变压器的类型不同、环境不同等因素而产生较大的差异。当前大部分研究所用的数据多是从实验室中得到的仿真数据,因此提取到的特征也大多是针对某一变压器的单一特征,但单一特征难以提取出有效特征。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供一种变压器局部放电类型识别方法及系统,实现了不同图谱间局限性的互补,提高了放电类型识别的准确率。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种变压器局部放电类型识别方法,其包括:
获取变压器至少两种类型的局部放电图谱;
对获取的图谱进行预处理;
将预处理后的图谱输入局部放电类型识别模型,得到变压器的局部放电类型;
其中,局部放电类型识别模型的特征提取网络采用CBAM结构将注意力机制同时运用在通道层面和空间层面两个维度上,通道层面用于捕获不同类型的局部放电图谱的特征,空间层面用于捕获局部放电图谱的相位、幅度和周期的聚集关系。
进一步的,所述特征提取网络的数量与获取的局部放电图谱的类型数量相同,每个特征提取网络用于提取一种类型的局部放电图谱的特征。
进一步的,所述每个特征提取网络的输出层在经过稀疏层和激活函数后,得到对应类型的局部放电图谱的变压器局部放电类型识别结果,该识别结果的损失作为特征提取网络的辅助损失。
进一步的,所述局部放电类型识别模型还包括特征图融合层,所述特征图融合层用于将所述每个特征提取网络所提取的局部放电图谱的特征进行融合,得到融合特征图。
进一步的,所述融合特征图经过卷积层后使用激活函数输出,该输出便是局部放电类型识别模型识别得到的变压器的局部放电类型。
进一步的,所述注意力机制具体包括:
获取输入信息,并给定一个查询向量;
计算查询向量和输入信息的相似度,得到权值,并进行权值归一化,得到注意力分布;
将注意力分布附加在输入信息进行加权,得到输出值。
进一步的,所述预处理包括:
对获取的图谱进行归一化处理;
对于归一化后的图谱在相位维度上进行偏移,得到预处理后的图谱。
本发明的第二个方面提供一种变压器局部放电类型识别系统,其包括:
数据获取模块,其被配置为:获取变压器至少两种类型的局部放电图谱;
预处理模块,其被配置为:对获取的图谱进行预处理;
局部放电类型识别模块,其被配置为:将预处理后的图谱输入局部放电类型识别模型,得到变压器的局部放电类型;
其中,局部放电类型识别模型的特征提取网络采用CBAM结构将注意力机制同时运用在通道层面和空间层面两个维度上,通道层面用于捕获不同类型的局部放电图谱的特征,空间层面用于捕获局部放电图谱的相位、幅度和周期的聚集关系。
本发明的第三个方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的一种变压器局部放电类型识别方法中的步骤。
本发明的第四个方面提供一种计算机设备,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,所述处理器执行所述程序时实现如上述所述的一种变压器局部放电类型识别方法中的步骤。
与现有技术相比,本发明的有益效果是:
本发明提供了一种变压器局部放电类型识别方法,其将注意力机制同时运用在通道层面和空间层面两个维度上,通道层面体现的是不同种类的特征,空间层面体现在图谱上便是反应在相位和幅度、周期的聚集关系上,综合通道层面和空间维度的特征,能够减少无效特征的权重,提取出更有利于提高识别准确率的特征。
本发明提供了一种变压器局部放电类型识别方法,其将放电过程中采集到的PRPD和PRPS图谱分别从不同维度进行特征提取,实现不同图谱间局限性的互补。PRPD图谱更注重描述局部放电在相位和幅度上的聚集程度,而PRPS图谱更注重表示不同周期内图谱的变化情况,据此,从相位和周期两个维度分别提取两种图谱的特征,再利用深度学习自学习的权重将两个特征融合,从而提高放电类型识别的准确率。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例一的局部放电类型识别模型的整体结构图;
图2是本发明实施例一的CBAM网络结构图;
图3是本发明实施例一的融合注意力机制的Resnet网络的结构图;
图4是本发明实施例一的注意力机制示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
如图1所示,本实施例提供了一种变压器局部放电类型识别方法,具体包括以下步骤:
步骤1、获取某变压器至少两种类型的局部放电图谱数据。
其中,变压器局部放电图谱的类型主要有PRPD图谱、PRPS图谱、放电次数图谱、放电相位图谱和时域波形图。
作为一种实施方式,获取变压器局部放电的PRPD图谱和PRPS图谱;其中,PRPD图谱表征的是在一定放电时间内相位-幅度-放电次数的关系;PRPS图谱表征的是周期-相位-幅度之间的关系。由此可知,PRPD图谱更注重描述局部放电在相位和幅度上的聚集程度,而PRPS图谱更注重表示不同周期内图谱的变化情况。据此,可以从相位和周期两个维度分别提取两种图谱的特征,再利用深度学习自学习的权重将两个特征融合,从而提高放电类型识别的准确率。
步骤2、对获取的图谱数据进行预处理,得到预处理后的图谱数据。
步骤201、为了减少信息的丢失,使用的数据是PRPD图谱和PRPS的原始图谱数据,首先对获取的图谱数据的值进行归一化处理,得到归一化后的图谱数据。
步骤202、为了减轻数据采集过程中相位偏移的影响,同时增强模型的健壮性,对于归一化后的图谱数据在相位维度上进行±10°的偏移,构造新的数据集,得到预处理后的图谱数据。
步骤3、将预处理后的图谱数据输入局部放电类型识别模型,得到该变压器的局部放电类型。
如图1所示,局部放电类型识别模型包括多个特征提取网络(每个特征提取网络均包括输入层、特征提取层和辅助输出层)、特征图融合层、卷积层和主输出层,特征提取网络的数量与获取的局部放电图谱数据的类型数量相同,每个特征提取网络用于提取一种类型的局部放电图谱数据的特征。
以获取变压器局部放电的PRPD图谱和PRPS图谱为例,此时,局部放电类型识别模型是一个具有两输入三输出神经网络,输入层分别输入PRPD图谱和PRPS图谱;输出层分别是:模型最后的主输出层负责输出最终识别结果和整个局部放电类型识别模型的损失,PRPD图谱的特征输出层和PRPS图谱的特征输出层是两个辅助输出层,主要是为各自的特征提取层插入辅助损失,这样即使在模型主损失很高的情况下两个特征提取模块也能够被平稳地训练。
每个特征提取网络的主体都是融合了注意力机制的Resnet网络。注意力机制是一种能让模型对重要信息重点关注并充分学习吸收的技术。如图4所示,注意力机制通过给定一个和任务相关的查询向量q,计算查询向量q与特征key的注意力分布并附加在value上进行加权,从而计算输出值Attention Value,key是用来提取权重,是先前输入用来训练的特征图,value是用来被加权,是查询向量query的特征图,其实现主要分为三步:
(1)获取输入信息,从输入信息中确定关键字特征Key和待预测值Value,并计算相似度:用X=[X1,X2,……XN]表示N个输入信息,Value和key都是输入信息X,令key=value=X,query和key进行相似度s(Xi,q)计算,得到权值。
(2)计算注意力分布α:利用softmax进行权值归一化,则可以给出注意力分布:
αi=softmax(s(keyi,q))=softmax(s(Xi,q)) (1)
其中,αi称之为注意力分布,s(Xi,q)为注意力打分机制,有以下几种打分机制:
(3)信息加权平均:注意力分布αi可以解释为在上下文查询q时,第i个信息受关注的程度,采用一种软性的信息选择机制对输入信息X进行编码为:
att(q,X)=∑αiXi (6)
本发明使用的特征提取网络便是使用了CBAM(Convolutional Block AttentionModule)结构来实现注意力机制,其结构图如图2所示,常规的注意力机制只在通道层面上关注哪些层会具有更强的反馈能力。而CBAM结构将注意力机制同时运用在通道层面和空间层面两个维度上,通道层面用于捕获不同类型的局部放电图谱数据的特征,空间层面用于捕获局部放电图谱数据的相位、幅度和周期的聚集关系,在不显著增加计算量的前提下提升特征提取网络的特征提取能力。
当F作为特征提取网络的输入时,CBAM主要对其进行以下两个运算
CBAM结构作为一种改进模型的技术,可以嵌入Resnet网络中,从而得到图3的特征提取网络。
每个特征提取网络的输出层在经过稀疏层和sigmoid激活函数后得到对应类型的局部放电图谱数据的变压器局部放电类型识别结果,该识别结果的损失作为特征提取网络的辅助损失;特征图融合层将每个特征提取网络所提取的局部放电图谱数据的特征进行融合,得到融合特征图;融合特征图经过经过一层的卷积层后使用激活函数输出,该输出便是局部放电类型识别模型识别得到的变压器的局部放电类型。
例如,两个特征提取网络的输出层在经过稀疏层和sigmoid激活函数后分别得到PRPD图谱和PRPS图谱的预测结果,此预测结果的损失可以作为各自特征提取网络的辅助损失。同时将两个N*1的局部放电图谱数据的特征融合为N*2的特征图,再经过一层1*1的卷积层后使用sigmoid激活函数输出,该输出便是整个模型的最终输出结果。
目前,对于局部放电的研究大多还是基于高压试验测量,常见的局部放电检测手段可以分为电测法和非电测法,其中电测法包括常规脉冲电流法、宽带脉冲电流法、特高频法,非电测法包括超声波检测法、色谱分析法、光测法等。通过以上方法可以将放电信号转化为统计图谱或时域波形从而进行分析。
在局部放电研究领域普遍使用的局部放电图谱主要有PRPD图谱、PRPS图谱、放电次数图谱、放电相位图谱、时域波形图等。近年来的研究大多是针对其中的某一个图谱进行研究,虽然目前对于不同类型局部放电产生和发展的机理研究已经有了较为丰硕的阶段性成果,但由于检测方法、变压器的类型、周围环境等因素的影响,即使是同种放电类型的放电图谱往往也有巨大差异,单一图谱难以提取出有效特征。本发明利用不同图谱描述不同特征的特点,从多维度视角提取数据的有效特征,提高模型的特征表述能力。
针对放电图谱特征不明显的特点,本发明采用了注意力机制来增强模型的特征提取能力,同时在通道和空间两个维度进行加权,相较于普通的卷积神经网络能够更有效地关注到有效信息。
本发明还具有很强的可拓展性。本文中使用的是PRPD、PRPS图谱特征融合的方法,在应用过程中,可以根据实际需要使用不同的图谱进行融合。
实施例二
本实施例提供了一种变压器局部放电类型识别系统,其具体包括如下模块:
数据获取模块,其被配置为:获取变压器至少两种类型的局部放电图谱;
预处理模块,其被配置为:对获取的图谱进行预处理;
局部放电类型识别模块,其被配置为:将预处理后的图谱输入局部放电类型识别模型,得到变压器的局部放电类型;
其中,局部放电类型识别模型的特征提取网络采用CBAM结构将注意力机制同时运用在通道层面和空间层面两个维度上,通道层面用于捕获不同类型的局部放电图谱的特征,空间层面用于捕获局部放电图谱的相位、幅度和周期的聚集关系。
此处需要说明的是,本实施例中的各个模块与实施例一中的各个步骤一一对应,其具体实施过程相同,此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例一所述的一种变压器局部放电类型识别方法中的步骤。
实施例四
本实施例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,所述处理器执行所述程序时实现如上述实施例一所述的一种变压器局部放电类型识别方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种变压器局部放电类型识别方法,其特征在于,包括:
获取变压器至少两种类型的局部放电图谱;
对获取的图谱进行预处理;
将预处理后的图谱输入局部放电类型识别模型,得到变压器的局部放电类型;
其中,局部放电类型识别模型的特征提取网络采用CBAM结构将注意力机制同时运用在通道层面和空间层面两个维度上,通道层面用于捕获不同类型的局部放电图谱的特征,空间层面用于捕获局部放电图谱的相位、幅度和周期的聚集关系。
2.如权利要求1所述的一种变压器局部放电类型识别方法,其特征在于,所述特征提取网络的数量与获取的局部放电图谱的类型数量相同,每个特征提取网络用于提取一种类型的局部放电图谱的特征。
3.如权利要求2所述的一种变压器局部放电类型识别方法,其特征在于,所述每个特征提取网络的输出层在经过稀疏层和激活函数后,得到对应类型的局部放电图谱的变压器局部放电类型识别结果,该识别结果的损失作为特征提取网络的辅助损失。
4.如权利要求2所述的一种变压器局部放电类型识别方法,其特征在于,所述局部放电类型识别模型还包括特征图融合层,所述特征图融合层用于将所述每个特征提取网络所提取的局部放电图谱的特征进行融合,得到融合特征图。
5.如权利要求4所述的一种变压器局部放电类型识别方法,其特征在于,所述融合特征图经过卷积层后使用激活函数输出,该输出便是局部放电类型识别模型识别得到的变压器的局部放电类型。
6.如权利要求1所述的一种变压器局部放电类型识别方法,其特征在于,所述注意力机制具体包括:
获取输入信息,并给定一个查询向量;
计算查询向量和输入信息的相似度,得到权值,并进行权值归一化,得到注意力分布;
将注意力分布附加在输入信息进行加权,得到输出值。
7.如权利要求1所述的一种变压器局部放电类型识别方法,其特征在于,所述预处理包括:
对获取的图谱进行归一化处理;
对于归一化后的图谱在相位维度上进行偏移,得到预处理后的图谱。
8.一种变压器局部放电类型识别系统,其特征在于,包括:
数据获取模块,其被配置为:获取变压器至少两种类型的局部放电图谱;
预处理模块,其被配置为:对获取的图谱进行预处理;
局部放电类型识别模块,其被配置为:将预处理后的图谱输入局部放电类型识别模型,得到变压器的局部放电类型;
其中,局部放电类型识别模型的特征提取网络采用CBAM结构将注意力机制同时运用在通道层面和空间层面两个维度上,通道层面用于捕获不同类型的局部放电图谱的特征,空间层面用于捕获局部放电图谱的相位、幅度和周期的聚集关系。
9.一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,该程序被处理器执行时实现如权利要求1-7中任一项所述的一种变压器局部放电类型识别方法中的步骤。
10.一种计算机设备,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,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种变压器局部放电类型识别方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111369869.XA CN113884844A (zh) | 2021-11-18 | 2021-11-18 | 一种变压器局部放电类型识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111369869.XA CN113884844A (zh) | 2021-11-18 | 2021-11-18 | 一种变压器局部放电类型识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113884844A true CN113884844A (zh) | 2022-01-04 |
Family
ID=79015740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111369869.XA Pending CN113884844A (zh) | 2021-11-18 | 2021-11-18 | 一种变压器局部放电类型识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113884844A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114089141A (zh) * | 2022-01-24 | 2022-02-25 | 杭州兆华电子股份有限公司 | 一种局部放电检测方法及局部放电检测装置 |
CN116304979A (zh) * | 2023-03-02 | 2023-06-23 | 兰州交通大学 | 一种基于注意力机制的多特征融合局部放电类型识别方法 |
CN116359682A (zh) * | 2023-02-28 | 2023-06-30 | 四川大唐国际甘孜水电开发有限公司 | 一种局部放电动态监测预警管理方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109614517A (zh) * | 2018-12-04 | 2019-04-12 | 广州市百果园信息技术有限公司 | 视频的分类方法、装置、设备及存储介质 |
CN110196946A (zh) * | 2019-05-29 | 2019-09-03 | 华南理工大学 | 一种基于深度学习的个性化推荐方法 |
CN110412431A (zh) * | 2019-08-05 | 2019-11-05 | 国网湖南省电力有限公司 | 一种电力设备的局部放电缺陷类型的诊断方法及诊断系统 |
CN110619382A (zh) * | 2019-07-22 | 2019-12-27 | 中国石油化工股份有限公司 | 适用于地震勘探的褶积深度网络构建方法 |
CN112034310A (zh) * | 2020-07-31 | 2020-12-04 | 国网山东省电力公司东营供电公司 | 一种组合电器局部放电缺陷诊断方法及系统 |
CN112070104A (zh) * | 2020-07-10 | 2020-12-11 | 国网浙江平阳县供电有限责任公司 | 主变压器局部放电识别方法 |
CN113569866A (zh) * | 2021-07-15 | 2021-10-29 | 桂林电子科技大学 | 一种基于深度学习识别hpv试纸的方法 |
CN113627377A (zh) * | 2021-08-18 | 2021-11-09 | 福州大学 | 基于Attention-Based CNN的认知无线电频谱感知方法及系统 |
-
2021
- 2021-11-18 CN CN202111369869.XA patent/CN113884844A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109614517A (zh) * | 2018-12-04 | 2019-04-12 | 广州市百果园信息技术有限公司 | 视频的分类方法、装置、设备及存储介质 |
CN110196946A (zh) * | 2019-05-29 | 2019-09-03 | 华南理工大学 | 一种基于深度学习的个性化推荐方法 |
CN110619382A (zh) * | 2019-07-22 | 2019-12-27 | 中国石油化工股份有限公司 | 适用于地震勘探的褶积深度网络构建方法 |
CN110412431A (zh) * | 2019-08-05 | 2019-11-05 | 国网湖南省电力有限公司 | 一种电力设备的局部放电缺陷类型的诊断方法及诊断系统 |
CN112070104A (zh) * | 2020-07-10 | 2020-12-11 | 国网浙江平阳县供电有限责任公司 | 主变压器局部放电识别方法 |
CN112034310A (zh) * | 2020-07-31 | 2020-12-04 | 国网山东省电力公司东营供电公司 | 一种组合电器局部放电缺陷诊断方法及系统 |
CN113569866A (zh) * | 2021-07-15 | 2021-10-29 | 桂林电子科技大学 | 一种基于深度学习识别hpv试纸的方法 |
CN113627377A (zh) * | 2021-08-18 | 2021-11-09 | 福州大学 | 基于Attention-Based CNN的认知无线电频谱感知方法及系统 |
Non-Patent Citations (1)
Title |
---|
李柯徵: "基于多模态神经网络的图像描述方法研究", 中国优秀硕士学位论文全文数据库·信息科技辑, pages 26 - 29 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114089141A (zh) * | 2022-01-24 | 2022-02-25 | 杭州兆华电子股份有限公司 | 一种局部放电检测方法及局部放电检测装置 |
CN116359682A (zh) * | 2023-02-28 | 2023-06-30 | 四川大唐国际甘孜水电开发有限公司 | 一种局部放电动态监测预警管理方法及系统 |
CN116304979A (zh) * | 2023-03-02 | 2023-06-23 | 兰州交通大学 | 一种基于注意力机制的多特征融合局部放电类型识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113884844A (zh) | 一种变压器局部放电类型识别方法及系统 | |
CN109685138B (zh) | 一种xlpe电力电缆局部放电类型识别方法 | |
CN113935460B (zh) | 类不平衡数据集下的机械故障智能诊断方法 | |
Shi et al. | Represent, compare, and learn: A similarity-aware framework for class-agnostic counting | |
CN109271975A (zh) | 一种基于大数据多特征提取协同分类的电能质量扰动识别方法 | |
CN103728551B (zh) | 一种基于级联集成分类器的模拟电路故障诊断方法 | |
CN103245907B (zh) | 一种模拟电路故障诊断方法 | |
CN108399248A (zh) | 一种时序数据预测方法、装置及设备 | |
CN105738109A (zh) | 基于稀疏表示与集成学习的轴承故障分类诊断方法 | |
CN108051660A (zh) | 一种变压器故障组合诊断模型建立方法及诊断方法 | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN110070102B (zh) | 用于电能质量扰动类型识别的序列对序列模型建立方法 | |
CN108305619A (zh) | 语音数据集训练方法和装置 | |
CN108921285A (zh) | 基于双向门控循环神经网络的序列中单一元素分类方法 | |
CN102279358A (zh) | 一种基于mcskpca的神经网络模拟电路故障诊断方法 | |
Zhu et al. | Adaptive fault diagnosis of HVCBs based on P-SVDD and P-KFCM | |
EP4050518A1 (en) | Generation of realistic data for training of artificial neural networks | |
Shajihan et al. | CNN based data anomaly detection using multi-channel imagery for structural health monitoring | |
Li et al. | Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy | |
Liu et al. | Dual-channel convolutional network-based fault cause identification for active distribution system using realistic waveform measurements | |
CN116403032A (zh) | 基于多域信息融合与深度学习的断路器故障评估方法 | |
CN116819423A (zh) | 关口电能计量装置运行状态异常检测方法及系统 | |
CN114218988A (zh) | 一种样本不均衡下的单向接地故障馈线识别方法 | |
CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
Manzari et al. | A robust network for embedded traffic sign recognition |
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 |