CN114034338A - 一种基于改进d-s证据理论的开关柜多源参量监测方法 - Google Patents
一种基于改进d-s证据理论的开关柜多源参量监测方法 Download PDFInfo
- Publication number
- CN114034338A CN114034338A CN202111285745.3A CN202111285745A CN114034338A CN 114034338 A CN114034338 A CN 114034338A CN 202111285745 A CN202111285745 A CN 202111285745A CN 114034338 A CN114034338 A CN 114034338A
- Authority
- CN
- China
- Prior art keywords
- evidence
- switch cabinet
- source
- layer
- monitoring 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
基于改进D‑S证据理论的开关柜多源参量监测方法。1)通过各类传感器获得在运开关柜的多源状态监测信号,双光谱红外热成像、超声波和TEV局放、分合闸线圈电流、振动及声学监测数据;2)通过卷积神经网络和支持向量机方法对各类监测数据分类,获得初步证据源;3)采用加权思想将分类器各分类的准确率作为自适应权重对证据源进行修正,并引入不确定区间;4)根据前面修正后的证据体求解出相似度矩阵,作为权重矩阵赋予证据体不同的权重,经归一化得到新证据体并通过合成规则进行融合处理,即将一致性和冲突性同时进行处理,修改证据源;5)选择和新证据相似度最大的原证据对新的合成结果的不确定区进行再分配,得出评价结果并计算误差。
Description
技术领域
本发明涉及高压开关柜状态监测技术领域,特别是一种基于改进D-S证据理论的开关柜多源参量监测方法。
背景技术
高压开关柜是变电站内的重要设备,开关柜也是电力系统的重要设备之一,高压开关柜内部绝缘闪络、异常发热及机构拒动故障等频发,对电网安全造成了严重的负面影响,其运行状态直接影响着电能质量和供电的可靠性。对开关柜进行检修是确保其安全可靠运行的必要手段,而现有的在线监测及带电检测手段局限于设备单一的状态量,未能实现基于多源信息的状态评估与故障诊断,且在不影响开关柜正常运行的情况下,获取开关柜的运行状态数据,利用这些监测数据对开关柜的运行状态进行评估,是对开关柜进行状态检修的必要前提。D-S证据理论在多源信息融合方面具有优势,但应用于开关柜的多源信息融合时,存在一些问题,在当证据间发生高度冲突时,采用D-S证据理论进行多证据融合时会出现合成规则失效的情况或得到与逻辑相违背的证据融合结果。这显著影响了评估精度和稳定性。
背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解,因此可能包含不构成本领域普通技术人员公知的现有技术的信息。
发明内容
鉴于上述问题,本发明的目的是为了克服上述现有技术存在的缺陷而提供一种基于改进D-S证据理论的开关柜多源参量监测方法,克服了以上问题,在多源信息融合方面具有优势,其能够不影响开关柜正常运行的情况下,实现多源信息监测评估开关柜运行状态,显著提高了评估精度。
本发明的目的是通过以下技术方案予以实现。
一种基于改进D-S证据理论的开关柜多源参量监测方法包括,
步骤一:通过传感器获得运行中开关柜的多源状态监测信号,其包括双光谱红外热成像、超声波和暂态地电位局放、分合闸线圈电流、及振动监测数据,其中双光谱红外热成像、超声波和TEV局放监测数据属于绝缘类监测数据,分合闸线圈电流和振动信号监测数据属于机械类监测数据;
步骤二:通过深度卷积神经网络方法对绝缘类监测数据进行模式识别分类,同时采用支持向量机方法对机械类监测数据进行初步识别,获得初步证据源;
步骤三:采用加权将分类器各分类的准确率作为自适应权重对所述初步证据源进行修正,并引入不确定区间;
步骤四:根据修正后的证据体求解相似度矩阵,以所述相似度矩阵作为权重矩阵赋予证据体不同的权重,经归一化得到新证据体并通过合成规则进行融合处理,将一致性和冲突性同时进行处理,修改得到证据源;
步骤五:选择和新证据相似度最大的原证据对所述证据源的不确定区间进行再分配,得出评价结果并计算误差。
所述的一种基于改进D-S证据理论的开关柜多源参量监测方法中,所述步骤一中,双光谱红外热成像采取双通道成像方式以双波段同步成像,所述温度分布包括基于背景图像的目标物体温度和周围物体的温度差,以及目标物体表面不同区域的温度差,并加入绝缘类监测数据。
所述的一种基于改进D-S证据理论的开关柜多源参量监测方法中,所述步骤一中,超声波传感器固定在被检测开关柜的外壳上,利用压电晶体作为声电转化元件,当其内部发生放电时,局部放电产生的声波信号传递到开关柜表面,由超声波传感器将超声信号转换为电信号,并将所述电信号作为监测数据加入绝缘类监测数据。
所述的一种基于改进D-S证据理论的开关柜多源参量监测方法中,所述步骤一中,分合闸线圈电流监测数据包括合闸时间同期性、分闸时间同期性、合闸线圈电流、触头接触电阻和断路器累积电磨损。
所述的一种基于改进D-S证据理论的开关柜多源参量监测方法中,所述步骤一中,所述振动信号包括平均分闸速度、平均合闸速度和合闸弹簧状态。
所述的一种基于改进D-S证据理论的开关柜多源参量监测方法中,所述步骤二中,所述深度卷积神经网络由卷积层和池化层交替组成一个多层的深度结构,然后通过一个或多个全连接层,最后在输出层通过一个分类器将结果输出,
卷积层由多个二维卷积核组成,每个卷积核均视为参数可训练学习的滤波器,输入样本数据通过卷积运算提取得到多个特征的特征子图,使卷积层中的每一个特征子图只与前一层的部分特征图连接,卷积阶段利用权值共享减少了权值数量,同时池化阶段利用图像局部相关性原理对特征图进行子抽样,,通过逐层卷积及池化,逐级提取隐藏在数据中的特征信息,
深度卷积网络的前馈计算中,下一层的输入为上一层的输出,并通过激活函数逐层传递,总体上网络的输出O表示为:
O=Fn(…(F2(F1(XW1)W2)…)Wn),
式中:W为网络各层的参数;X为输入数据;F为激活函数;下标n为网络总层数,
卷积层的计算中,每一个卷积核与上一层相连的若干个特征子图进行卷积计算,输出所得到的更多的特征子图,即卷积阶段的输入均为多个二维数组组成的三维数组,输出也为多个特征图组成的三维数组,然后将计算结果通过激活函数f,最终得到相应的特征子图xl为:
式中:*为二维离散卷积运算符;下标l为当前的网络层数;b为可训练的偏置项。
所述的一种基于改进D-S证据理论的开关柜多源参量监测方法中,所述步骤三中,采用加权思想将分类器各分类的准确率作为自适应权重对证据源进行修正,并引入不确定区间,步骤如下:
设识别框架为Θ,该框架下有多个证据表示为E1,E2,...,Ek,这些证据对应的基本信任分配函数表示为m1,m2,...,mk,各焦元表示为Ai(i=1,2,...,n),将分类器各分类的准确率作为权重对证据源进行修正,构造证据体的基本信任分配函数BPA:
式中,Rj是在证据Ei经分类器处理后焦元Ai的准确率,利用此对证据体进行加权处理,同时将不确定分配到Θ,表征其不确定区域。
所述的一种基于改进D-S证据理论的开关柜多源参量监测方法中,所述步骤四的步骤为:
1)计算证据体间的相似系数:
式中:Ak为证据Ei和证据Ej的焦元间的交集;
2)根据相似系数构造证据间的相似矩阵:
3)基于相似矩阵构造新的证据体矩阵:
m′=S·m
式中:
m=(mi(A1),mi(A2)…mi(An))k×n,i=1,2,…,k,
m为原先的证据体矩阵,为满足每个证据的BPA之和为一,故对新的证据体矩阵按行进行归一化处理,得到证据体矩阵m″,新的焦元为:
4)针对修正后的证据体矩阵m″,采用Dempster合成规则进行证据融合,求解出的证据融合结果用M表示,
5)结合原先的证据体对融合结果M进行修改:
式中:Ej为原先的证据体和新的证据体之间的相似系数最大的一个证据,即该证据是最合理的证据,mj为对应的基本概率分配,基于此对所述证据源的不确定区域进行再分配,提高了证据源的确定度。
与现有技术相比,本发明的有益效果是:
本发明的基于改进D-S证据理论的开关柜多源参量监测方法可以在不影响开关柜正常运行的情况下,实现多源信息监测评估开关柜运行状态。相较于普通D-S证据理论算法,本发明提出的改进D-S算法在保留了Dempster合成规则优点的基础上改善冲突问题并提高结果的确定度。基于改进D-S证据理论的开关柜多源参量监测方法具有成本低、操作简便、准确度高、稳定性优良等优点,适合对开关柜进行多状态参量在线监测和分析。·
附图说明
图1是本发明方法的流程示意图。
具体实施方式
下面结合附图1和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
一种基于改进D-S证据理论的开关柜多源参量监测方法包括如下步骤:
步骤一:通过各类传感器获得在运开关柜的多源状态监测信号,包括双光谱红外热成像、超声波和暂态地电位(TEV)局放、分合闸线圈电流、及振动监测数据。其中双光谱红外热成像、超声波和TEV局放监测数据属于绝缘类监测数据,分合闸线圈电流和振动信号监测数据属于机械类监测数据;
步骤二:通过深度卷积神经网络方法对绝缘类监测数据进行模式识别分类,获得初步证据源。同时采用支持向量机方法对机械类监测数据进行初步识别,获得初步证据源;
步骤三:采用加权思想将分类器各分类的准确率作为自适应权重对证据源进行修正,并引入不确定区间;
步骤四:根据前面修正后的证据体求解出相似度矩阵,以此作为权重矩阵赋予证据体不同的权重,经归一化得到新证据体并通过合成规则进行融合处理,即将一致性和冲突性同时进行处理,修改证据源;
步骤五:选择和新证据相似度最大的原证据对所述证据源的不确定区域进行再分配,得出评价结果并计算误差。
所述的一种基于改进D-S证据理论的开关柜多源参量监测方法的优选实施方式中,所述步骤一中,双光谱红外热成像采取双通道成像方式以双波段同步成像,所述温度分布包括基于背景图像的目标物体温度和周围物体的温度差,以及目标物体表面不同区域的温度差,并将上述监测数据加入数据集。
所述的一种基于改进D-S证据理论的开关柜多源参量监测方法的优选实施方式中所述步骤一中,超声波传感器固定在被检测开关柜的外壳上,利用压电晶体作为声电转化元件,当其内部发生放电时,局部放电产生的声波信号传递到开关柜表面,由超声波传感器将超声信号转换为电信号,并将所述电信号作为监测数据加入数据集。
所述的一种基于改进D-S证据理论的开关柜多源参量监测方法的优选实施方式中所述步骤一中,分合闸线圈电流监测数据包括合闸时间同期性、分闸时间同期性、合闸线圈电流、触头接触电阻和断路器累积电磨损。
所述的一种基于改进D-S证据理论的开关柜多源参量监测方法的优选实施方式中所述步骤一中,所述振动信号包括平均分闸速度、平均合闸速度和合闸弹簧状态。
所述的一种基于改进D-S证据理论的开关柜多源参量监测方法的优选实施方式中所述步骤二中,所述深度卷积神经网络由卷积层和池化层交替组成一个多层的深度结构,然后通过一个或多个全连接层,最后在输出层通过一个分类器将结果输出。
卷积层由多个二维卷积核组成,每个卷积核均可视为参数可训练学习的滤波器,输入样本数据通过卷积运算提取得到多个特征,一般称为特征子图。局部感受野方法使卷积层中的每一个特征子图只与前一层的部分特征图连接。卷积阶段利用权值共享减少了权值数量,降低了网络模型的复杂度。同时池化阶段利用图像局部相关性原理对特征图进行子抽样,在保留有效信息的同时减少数据处理量。通过逐层卷积及池化,逐级提取隐藏在数据中的特征信息。
深度卷积网络的前馈计算中,下一层的输入为上一层的输出,并通过激活函数逐层传递,因此总体上网络的输出O可表示为:
O=Fn(…(F2(F1(XW1)W2)…)Wn)
式中:W为网络各层的参数;X为输入数据;F为激活函数;下标n为网络总层数。
卷积层的计算中,每一个卷积核与上一层相连的若干个特征子图进行卷积计算,输出所得到的更多的特征子图,即卷积阶段的输入均为多个二维数组组成的三维数组,输出也为多个特征图组成的三维数组,然后将计算结果通过激活函数f,最终得到相应的特征子图xl为:
式中:*为二维离散卷积运算符;下标l为当前的网络层数;b为可训练的偏置项。
所述的一种基于改进D-S证据理论的开关柜多源参量监测方法的优选实施方式中所述步骤三中,采用加权思想将分类器各分类的准确率作为自适应权重对证据源进行修正,并引入不确定区间,具体步骤如下:
设识别框架为Θ,该框架下有多个证据表示为E1,E2,...,Ek,这些证据对应的基本信任分配函数表示为m1,m2,...,mk,各焦元表示为Ai(i=1,2,...,n),将分类器各分类的准确率作为权重对证据源进行修正,构造证据体的基本信任分配函数(Basic ProbabilityAssignment,BPA):
式中,Rj是在证据Ei经分类器处理后焦元Ai的准确率,利用此对证据体进行加权处理,同时将不确定分配到Θ,表征其不确定区域,也符合识别框架不能包含所有的状态的实际情况。
所述的一种基于改进D-S证据理论的开关柜多源参量监测方法的优选实施方式中所述步骤四的具体步骤为:
1)计算证据体间的相似系数:
式中:Ak为证据Ei和证据Ej的焦元间的交集。
2)根据相似系数构造证据间的相似矩阵:
3)基于相似矩阵构造新的证据体矩阵:
m′=S·m
式中:
m=(mi(A1),mi(A2)…mi(An))k×n,i=1,2,…,k
m为原先的证据体矩阵,为满足每个证据的BPA之和为一,故对新的证据体矩阵按行进行归一化处理,得到证据体矩阵m″,新的焦元为:
4)针对修正后的证据体矩阵m″,采用Dempster合成规则进行证据融合,求解出的证据融合结果用M表示。
5)结合原先的证据体对融合结果M进行修改:
式中:Ej为原先的证据体和新的证据体之间的相似系数最大的一个证据,即该证据是最合理的证据,mj为对应的基本概率分配。基于此对融合结果的不确定区域进行再分配,提高了融合结果的确定度。
上述实施例对本发明的原理仅是示意性的。应当理解,本文描述的布置和细节的修改和变型将对本领域技术人员来说显而易见。因此,意图是仅受专利权利要求的范围限制,而不受通过本文对实施例的描述和说明而提出的具体细节限制。
Claims (8)
1.一种基于改进D-S证据理论的开关柜多源参量监测方法,其特征在于,包括如下步骤:
步骤一:通过传感器获得运行中开关柜的多源状态监测信号,其包括双光谱红外热成像、超声波和暂态地电位局放、分合闸线圈电流、及振动监测数据,其中双光谱红外热成像、超声波和TEV局放监测数据属于绝缘类监测数据,分合闸线圈电流和振动信号监测数据属于机械类监测数据;
步骤二:通过深度卷积神经网络方法对绝缘类监测数据进行模式识别分类,同时采用支持向量机方法对机械类监测数据进行初步识别,获得初步证据源;
步骤三:采用加权将分类器各分类的准确率作为自适应权重对所述初步证据源进行修正,并引入不确定区间;
步骤四:根据修正后的证据体求解相似度矩阵,以所述相似度矩阵作为权重矩阵赋予证据体不同的权重,经归一化得到新证据体并通过合成规则进行融合处理,将一致性和冲突性同时进行处理,修改得到证据源;
步骤五:选择和新证据相似度最大的原证据对所述证据源的不确定区间进行再分配,得出评价结果并计算误差。
2.如权利要求1所述的一种基于改进D-S证据理论的开关柜多源参量监测方法,其特征在于,优选的,所述步骤一中,双光谱红外热成像采取双通道成像方式以双波段同步成像,所述温度分布包括基于背景图像的目标物体温度和周围物体的温度差,以及目标物体表面不同区域的温度差,并加入绝缘类监测数据。
3.如权利要求1所述的一种基于改进D-S证据理论的开关柜多源参量监测方法,其特征在于,所述步骤一中,超声波传感器固定在被检测开关柜的外壳上,利用压电晶体作为声电转化元件,当其内部发生放电时,局部放电产生的声波信号传递到开关柜表面,由超声波传感器将超声信号转换为电信号,并将所述电信号作为监测数据加入绝缘类监测数据。
4.如权利要求1所述的一种基于改进D-S证据理论的开关柜多源参量监测方法,其特征在于,所述步骤一中,分合闸线圈电流监测数据包括合闸时间同期性、分闸时间同期性、合闸线圈电流、触头接触电阻和断路器累积电磨损。
5.如权利要求1所述的一种基于改进D-S证据理论的开关柜多源参量监测方法,其特征在于,所述步骤一中,所述振动信号包括平均分闸速度、平均合闸速度和合闸弹簧状态。
6.如权利要求1所述的一种基于改进D-S证据理论的开关柜多源参量监测方法,其特征在于,所述步骤二中,所述深度卷积神经网络由卷积层和池化层交替组成一个多层的深度结构,然后通过一个或多个全连接层,最后在输出层通过一个分类器将结果输出,
卷积层由多个二维卷积核组成,每个卷积核均视为参数可训练学习的滤波器,输入样本数据通过卷积运算提取得到多个特征的特征子图,使卷积层中的每一个特征子图只与前一层的部分特征图连接,卷积阶段利用权值共享减少了权值数量,同时池化阶段利用图像局部相关性原理对特征图进行子抽样,通过逐层卷积及池化,逐级提取隐藏在数据中的特征信息,
深度卷积网络的前馈计算中,下一层的输入为上一层的输出,并通过激活函数逐层传递,总体上网络的输出O表示为:
O=Fn(…(F2(F1(XW1)W2)…)Wn),
式中:W为网络各层的参数;X为输入数据;F为激活函数;下标n为网络总层数,
卷积层的计算中,每一个卷积核与上一层相连的若干个特征子图进行卷积计算,输出所得到的更多的特征子图,即卷积阶段的输入均为多个二维数组组成的三维数组,输出也为多个特征图组成的三维数组,然后将计算结果通过激活函数f,最终得到相应的特征子图x1为:
式中:*为二维离散卷积运算符;下标l为当前的网络层数;b为可训练的偏置项。
8.如权利要求1所述的一种基于改进D-S证据理论的开关柜多源参量监测方法,其特征在于,所述步骤四的步骤为:
1)计算证据体间的相似系数:
式中:Ak为证据Ei和证据Ej的焦元间的交集;
2)根据相似系数构造证据间的相似矩阵:
3)基于相似矩阵构造新的证据体矩阵:
m′=S·m
式中:
m=(mi(A1),mi(A2)…mi(An))k×n,i=1,2,…,k,
m为原先的证据体矩阵,为满足每个证据的BPA之和为一,故对新的证据体矩阵按行进行归一化处理,得到证据体矩阵m″,新的焦元为:
4)针对修正后的证据体矩阵m″,采用Dempster合成规则进行证据融合,求解出的证据融合结果用M表示,
5)结合原先的证据体对融合结果M进行修改:
式中:Ej为原先的证据体和新的证据体之间的相似系数最大的一个证据,即该证据是最合理的证据,mj为对应的基本概率分配,基于此对融合结果的不确定区域进行再分配,提高了融合结果的确定度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111285745.3A CN114034338B (zh) | 2021-10-29 | 2021-10-29 | 一种基于改进d-s证据理论的开关柜多源参量监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111285745.3A CN114034338B (zh) | 2021-10-29 | 2021-10-29 | 一种基于改进d-s证据理论的开关柜多源参量监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114034338A true CN114034338A (zh) | 2022-02-11 |
CN114034338B CN114034338B (zh) | 2023-08-11 |
Family
ID=80135907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111285745.3A Active CN114034338B (zh) | 2021-10-29 | 2021-10-29 | 一种基于改进d-s证据理论的开关柜多源参量监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114034338B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1570628A (zh) * | 2004-04-30 | 2005-01-26 | 河海大学 | 多源监测数据信息融合处理方法 |
CN101064061A (zh) * | 2007-02-08 | 2007-10-31 | 上海交通大学 | 异类交通信息实时融合方法 |
CN101996157A (zh) * | 2010-10-23 | 2011-03-30 | 山东科技大学 | 证据高冲突环境下多源信息融合方法 |
US20150148997A1 (en) * | 2013-11-28 | 2015-05-28 | Airbus Operations (S.A.S.) | Method for fusing data from sensors using a consistency criterion |
CN106570851A (zh) * | 2016-10-27 | 2017-04-19 | 大连理工大学 | 一种基于加权分配d‑s证据理论的显著图融合方法 |
CN107796602A (zh) * | 2016-08-31 | 2018-03-13 | 华北电力大学(保定) | 一种声振信号融合处理的断路器故障诊断方法 |
CN107871138A (zh) * | 2017-11-01 | 2018-04-03 | 电子科技大学 | 一种基于改进d‑s证据理论的目标意图识别方法 |
CN109406972A (zh) * | 2018-12-12 | 2019-03-01 | 云南电网有限责任公司电力科学研究院 | 一种开关柜绝缘状态联合监测方法 |
CN109444682A (zh) * | 2018-11-02 | 2019-03-08 | 国网四川省电力公司广安供电公司 | 基于多信息融合的开关柜局部放电诊断系统的构建方法 |
CN111856224A (zh) * | 2020-06-29 | 2020-10-30 | 国网河南省电力公司周口供电公司 | 一种高压开关柜的局部放电多源融合检测系统和方法 |
CN111931798A (zh) * | 2019-05-13 | 2020-11-13 | 北京绪水互联科技有限公司 | 进行冷头状态分类检测和寿命预测的方法 |
CN217181103U (zh) * | 2021-10-29 | 2022-08-12 | 国网安徽省电力有限公司电力科学研究院 | 一种高压开关柜的监测系统 |
-
2021
- 2021-10-29 CN CN202111285745.3A patent/CN114034338B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1570628A (zh) * | 2004-04-30 | 2005-01-26 | 河海大学 | 多源监测数据信息融合处理方法 |
CN101064061A (zh) * | 2007-02-08 | 2007-10-31 | 上海交通大学 | 异类交通信息实时融合方法 |
CN101996157A (zh) * | 2010-10-23 | 2011-03-30 | 山东科技大学 | 证据高冲突环境下多源信息融合方法 |
US20150148997A1 (en) * | 2013-11-28 | 2015-05-28 | Airbus Operations (S.A.S.) | Method for fusing data from sensors using a consistency criterion |
CN107796602A (zh) * | 2016-08-31 | 2018-03-13 | 华北电力大学(保定) | 一种声振信号融合处理的断路器故障诊断方法 |
CN106570851A (zh) * | 2016-10-27 | 2017-04-19 | 大连理工大学 | 一种基于加权分配d‑s证据理论的显著图融合方法 |
CN107871138A (zh) * | 2017-11-01 | 2018-04-03 | 电子科技大学 | 一种基于改进d‑s证据理论的目标意图识别方法 |
CN109444682A (zh) * | 2018-11-02 | 2019-03-08 | 国网四川省电力公司广安供电公司 | 基于多信息融合的开关柜局部放电诊断系统的构建方法 |
CN109406972A (zh) * | 2018-12-12 | 2019-03-01 | 云南电网有限责任公司电力科学研究院 | 一种开关柜绝缘状态联合监测方法 |
CN111931798A (zh) * | 2019-05-13 | 2020-11-13 | 北京绪水互联科技有限公司 | 进行冷头状态分类检测和寿命预测的方法 |
CN111856224A (zh) * | 2020-06-29 | 2020-10-30 | 国网河南省电力公司周口供电公司 | 一种高压开关柜的局部放电多源融合检测系统和方法 |
CN217181103U (zh) * | 2021-10-29 | 2022-08-12 | 国网安徽省电力有限公司电力科学研究院 | 一种高压开关柜的监测系统 |
Non-Patent Citations (1)
Title |
---|
江金娜: "基于D-S证据理论的多传感器决策级图像融合的算法研究", 《中国优秀硕士学位论文全文数据库 信息科技》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114034338B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110515456B (zh) | 基于注意力机制的脑电信号情感判别方法及装置 | |
CN110426415A (zh) | 基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法 | |
CN108304864B (zh) | 深度对抗度量学习方法及装置 | |
CN110119713A (zh) | 基于d-s证据理论的高压断路器机械故障诊断方法 | |
CN104809722A (zh) | 一种基于红外热像的电气设备故障诊断方法 | |
CN113505655B (zh) | 面向数字孪生系统的轴承故障智能诊断方法 | |
CN115013298B (zh) | 污水泵的实时性能在线监测系统及其监测方法 | |
Zhou et al. | Deep feature alignment neural networks for domain adaptation of hyperspectral data | |
Sabrol et al. | Fuzzy and neural network based tomato plant disease classification using natural outdoor images | |
TC et al. | Enhanced deep convolutional neural network for fault signal recognition in the power distribution system | |
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 | |
CN116342516B (zh) | 基于模型集成的儿童手骨x光图像骨龄评估方法及系统 | |
CN114782423B (zh) | 干式变压器的低压线圈的成型质量检测系统及其检测方法 | |
CN113012811A (zh) | 一种结合深度卷积网络和图神经网络的中医证候诊断和健康评价方法 | |
CN217181103U (zh) | 一种高压开关柜的监测系统 | |
CN114648496A (zh) | 智慧医疗系统 | |
CN115456927A (zh) | 一种脑部医学图像合成方法、系统、电子设备及存储介质 | |
CN116467577A (zh) | 基于mtf和改进密集连接网络的风机齿轮箱故障诊断方法 | |
Sunil et al. | Empirical study on multi convolutional layer-based convolutional neural network classifier for plant leaf disease detection | |
CN114034338A (zh) | 一种基于改进d-s证据理论的开关柜多源参量监测方法 | |
Wang et al. | A novel hybrid meta-learning for few-shot gas-insulated switchgear insulation defect diagnosis | |
Mezenner et al. | Tomato plant leaf disease classification based on CNN features and support vector machines | |
KR102289212B1 (ko) | 인공지능 기반 고장 진단 장치 및 방법 | |
Blonda et al. | Feature extraction and pattern classification of remote sensing data by a modular neural system | |
CN108733806A (zh) | 一种多层次卷积神经网络的数据处理方法 |
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 |