CN115575811A - 一种断路器电寿命预测评估方法、系统、存储介质及设备 - Google Patents
一种断路器电寿命预测评估方法、系统、存储介质及设备 Download PDFInfo
- Publication number
- CN115575811A CN115575811A CN202211336667.XA CN202211336667A CN115575811A CN 115575811 A CN115575811 A CN 115575811A CN 202211336667 A CN202211336667 A CN 202211336667A CN 115575811 A CN115575811 A CN 115575811A
- Authority
- CN
- China
- Prior art keywords
- circuit breaker
- neural network
- network model
- predicting
- dimensional
- 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
- 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
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
- G01R31/3275—Fault detection or status indication
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种断路器电寿命预测评估方法、系统、存储介质及设备,包括以下步骤:获取断路器动作过程中的多维度信息,对获取的多维度信息进行时标对齐和特征提取,将提取的特征进行组合,形成多维度特征数据集,构建神经网络模型,并对神经网络模型进行训练,训练完成后将多维度特征数据集输送至训练后的神经网络中进行预测,并获取断路器电寿命预测结果。本发明公开的方法基于多源信号进行融合后分析诊断,结合神经网络模型,使得诊断的精确度和灵活性更高,可以消除一些不确定因素并提供准确的观测结果,训练后的神经网络模型还具有灵活性强,可边缘部署的功能,提高了对断路器电寿命在线评估的效率和准确率。
Description
技术领域
本发明属于电寿命预测技术领域,涉及一种断路器电寿命预测评估方法、系统、存储介质及设备。
背景技术
近年来,高压开关设备的电寿命预测领域通常针对单源信号进行监测诊断,或多源信号测量但各信号独立的分析诊断。然而,由于高压开关设备的触头发生烧蚀,多源信号往往同时受到影响。目前,单源信号的分析诊断通常存在诊断故障类型较少或分类精度较低的情况,而多源信号故障诊断缺少各信号特征参量筛选融合、分类算法及优化方案的选择等相关预测方法,使得断路器诊断的精确度和灵活性较低。
发明内容
本发明的目的在于解决现有技术中缺少通过多源信号对断路器故障进行诊断,导致现有方法出现诊断故障类型较少或分类精度较低的问题,提供一种断路器电寿命预测评估方法、系统、存储介质及设备,采集故障信号,提取特征并分析特征参量,并通过深度卷积神经网络对信息进行自适应的特征提取,具有很强的灵活性,有效实现了断路器电寿命的在线评估。
为达到上述目的,本发明采用以下技术方案予以实现:
一种断路器电寿命预测评估方法,包括以下步骤:
S1:获取断路器动作过程中的多维度信息;
S2:对获取的多维度信息进行时标对齐和特征提取;
S3:将提取的特征进行组合,形成多维度特征数据集;
S4:构建神经网络模型,并对神经网络模型进行训练,训练完成后将多维度特征数据集输送至训练后的神经网络中进行预测,并获取预测结果。
本发明的进一步改进在于:
所述步骤S1中,通过不同的设备对断路器动作过程中的多维度信息进行采集;
获取的多维度信息包括断路器动作行程信号、断路器分合闸线圈回路电流信号、断路器动作声信号、回路断口电压信号以及断路器主回路电流信号。
所述步骤S2包括以下步骤:
所述时标对齐包括当不同设备均采集同一信号时,将采集的数据在时间轴上平移后对齐。
所述特征提取包括将动作段的断路器动作声信号进行傅里叶变换,将时域信号分解为频域信号后,形成频域向量,作为断路器动作声信号的特征向量。
所述步骤S3包括以下步骤:
将断路器动作行程信号记作Xt,断路器分合闸线圈回路电流信号记作ICt,断路器动作声信号的傅里叶变换记作Sω,断路器主回路电流记作IMt;
拼接后得到组合特征:
所述步骤S4中,通过梯度下降反向传播算法对构建的神经网络模型模型进行训练。
所述步骤S4中,所述构建的神经网络模型使用卷积层对特征参数进行提取,卷积层大小分别为(11,11,96)、(5,5,384)和(3,3,256),卷积层后接全连接层,其输入层为长度4096的特征向量,中间层为1000的特征向量,输出层为长度为5的向量,后接softmax分类器进行分类;
具体对神经网络模型的训练过程包括:
对于输出为K维向量的网络,记输出向量为V=[V1,V2,...,VK]T则Vi的Softmax值为:
基于公式(1)得到的Softmax值pk与实际标签y(k)的qk值求交叉熵作为损失函数:
Δθ=-η·g·L (7)
θ=θ+Δθ
其中,η为学习率。
一种断路器电寿命预测评估系统,包括信息获取模块、特征提取模块、数据集模块和模型预测模块;
信息获取模块,用于获取断路器动作过程中的多维度信息;
特征提取模块,用于对获取的多维度信息进行时标对齐和特征提取;
数据集模块,用于将提取的特征进行组合,形成多维度特征数据集;
模型预测模块,用于构建神经网络模型,并对神经网络模型进行训练,训练完成后将多维度特征数据集输送至训练后的神经网络中进行预测,并获取预测结果。
一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明任一项所述方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明任一项所述方法的步骤。
与现有技术相比,本发明具有以下有益效果:
本发明公开了一种断路器电寿命预测评估方法,通过采集断路器的多维度信息,实现对多维度信息进行特征提取,形成数据集作为训练数据,进而对构建的神将网络模型进行训练,并基于训练好的模型进行预测和评估,本发明公开的方法基于多源信号进行融合后分析诊断,结合神经网络模型,诊断的精确度和灵活性更高,可以消除一些不确定因素并提供准确的观测结果,训练后的神经网络模型还具有灵活性强,并可以实现边缘部署,显著提高了对断路器电寿命在线评估的效率和准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明的预测评估方法流程图;
图2为本发明的线圈电流数据采集图;
图3为本发明的断口电压数据采集;
图4为本发明的柱回路电流数据采集图;
图5为本发明的特征提取流程图;
图6为本发明的模型训练预测流程图;
图7为本发明的构建的神经网络模型示意图;
图8为本发明的设备A采集的同源行程信号;
图9为本发明的设备B采集的同源行程信号;
图10为本发明的设备A与设备B采集的信号经过时标对齐后的效果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明实施例的描述中,需要说明的是,若出现术语“上”、“下”、“水平”、“内”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
此外,若出现术语“水平”,并不表示要求部件绝对水平,而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平,并不是表示该结构一定要完全水平,而是可以稍微倾斜。
在本发明实施例的描述中,还需要说明的是,除非另有明确的规定和限定,若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合附图对本发明做进一步详细描述:
参见图1,本发明实施例公开了一种断路器电寿命预测评估方法,获取与断路器触头相关的多参量信息,包括分合闸线圈回路电流信号、主回路电流信号、断口电压信号,将多种信号在不同时刻的特征进行提取后,形成特征向量并使用神经网络算法进行分类,获得弧触头的烧蚀程度,本发明通过多参量信息融合,可用于弧触头电寿命在线监测。
本发明实施例公开的方法具体包括以下步骤:
步骤1:获取断路器动作过程中的各维度信息;
在步骤S100的具体实施方式中,需要对多种数据进行采集,包括:断路器动作行程信号、断路器分合闸线圈回路电流信号、断路器动作声信号、回路断口电压信号以及断路器主回路电流信号,部分信号的形态如图2-图4所示。
步骤2:对各维度信息进行预处理,以及特征提取;
在步骤S200的具体实施方式中,需要对各项数据进行时标对齐和特征提取,时标对齐用于不同设备采集的数据之间,当两台设备都采集有同一信号源的信号时,将该信号进行对齐,进而实现多台设备采集数据的对齐。进一步地,特征提取过程包括对动作过程的截取,将断路器动作段的信号取出,并进行数据归一化,以适应后续的算法,具体的将动作段的断路器动作声信号进行傅里叶变换,将时域信号分解为频域信号后,形成频域向量,作为声信号的特征向量。
所述步骤S200的具体步骤包括:
本发明实施例由两台设备进行采集数据采集,其中,设备A采集的信息有:断路器动作行程信号、断路器分合闸线圈电流信号、断路器动作声信号;设备B采集的信息有:断路器动作行程信号、断路器主回路电流信号。
由于两台设备都采集有断路器动作的行程信号,可将给该行程信号在时间轴上平移后对齐,进一步将两组数据在时间上进行对齐。图8-图9分别展示了两台设备所采集的同源行程信号,图10展示了该信号通过时移对齐后的效果。断路器动作段可选择行程起点至终点段,在图8-图10中,大约为0~150ms的数据动作段数据。
以S200中预处理后的数据为例,将断路器行程信号记作Xt,分合闸线圈回路电流记作ICt,断路器动作声信号的傅里叶变换记作Sω,断路器主回路电流记作IMt,则将上述信号按行拼接后,可得到组合特征:
该组合特征数据被用于训练与预测。
步骤3:将多维度特征组合行成多维度特征数据集;
参见图7,构建数据集与神经网络模型并进行训练的实施过包括以下步骤:
步骤S301:对于训练过程,采用电路的断口信号作为回路通断信号;对于预测过程,采用主回路电流作为通断信号。
步骤S302:将分合闸线圈电流与断口电压信号以及主回路电流信号沿时间轴进行组合,形成多种信息组合的特征图,作为训练数据。
步骤4:构建神经网络模型,使用训练数据集进行训练,训练完成后,将待检测数据送入网络模型进行预测并得到结果。
待检测数据送入网络模型进行预测并得到结果的具体实施过程如图8-图10所示,具体包括:
步骤S401:构建神经网络模型并使用梯度下降反向传播算法对模型参数进行训练:
首先构建神经网络模型如图7所示,该神经网络使用卷积层对特征参数进行提取,卷积层大小分别为(11,11,96)、(5,5,384)、(3,3,256)。卷积层后接全连接层,其输入层为长度4096的特征向量,中间层为1000的特征向量,输出层为长度为5的向量,后接softmax分类器进行分类。
对于输出为K维向量的网络,记输出向量为V=[V1,V2,...,VK]T则Vi的Softmax值为:
对上述公式得到的softmax值pk与实际标签y(k)的qk值求交叉熵作为损失函数:
上式中,η为学习率。
步骤S402:利用训练完成的模型对实际环境中采集的信号进行识别。对测试集中的5种类别进行了计算,得到输出向量表1:
表1
由表1可知,对于5个等级的烧蚀程度,该模型均能给出准确有效的分类。本发明所述的方法使用梯度下降反向传播算法结合卷积神经网络模型,有效实现了对六氟化硫断路器电寿命的在线评估,与现有方法相比,本发明所述的方法可以融合多维度信息、多设备采集的信息、时域与频域等多尺度信息,通过深度卷积神经网络对信息进行自适应的特征提取,具有很强的灵活性,同时,对六氟化硫断路器电寿命的在线评估具有重要的实用意义。
本发明公开的方法将多维度信息融合,同时结合误差反向传播的弧触头烧蚀状态识别算法,能够对弧触头的烧蚀程度进行评估;本发明的信号处理方法通用性强,网络模型灵活高效,便于部署,适用于边缘终端计算,其灵活性和准确率均有良好表现。
本发明实施例还公开了一种断路器电寿命预测评估系统,包括信息获取模块、特征提取模块、数据集模块和模型预测模块;
信息获取模块,用于获取断路器动作过程中的多维度信息;
特征提取模块,用于对获取的多维度信息进行时标对齐和特征提取;
数据集模块,用于将提取的特征进行组合,形成多维度特征数据集;
模型预测模块,用于构建神经网络模型,并对神经网络模型进行训练,训练完成后将多维度特征数据集输送至训练后的神经网络中进行预测,并获取预测结果。
本发明一实施例提供的终端设备的示意图。该实施例的终端设备包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤。或者,所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。
所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器、存储器。
所述处理器可以是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述终端设备的各种功能。
所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也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个计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上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)
1.一种断路器电寿命预测评估方法,其特征在于,包括以下步骤:
S1:获取断路器动作过程中的多维度信息;
S2:对获取的多维度信息进行时标对齐和特征提取;
S3:将提取的特征进行组合,形成多维度特征数据集;
S4:构建神经网络模型,并对神经网络模型进行训练,训练完成后将多维度特征数据集输送至训练后的神经网络中进行预测,并获取预测结果。
2.根据权利要求1所述的一种断路器电寿命预测评估方法,其特征在于,所述步骤S1中,通过不同的设备对断路器动作过程中的多维度信息进行采集;
获取的多维度信息包括断路器动作行程信号、断路器分合闸线圈回路电流信号、断路器动作声信号、回路断口电压信号以及断路器主回路电流信号。
3.根据权利要求2所述的一种断路器电寿命预测评估方法,其特征在于,所述步骤S2包括以下步骤:
所述时标对齐包括当不同设备均采集同一信号时,将采集的数据在在时间轴上平移后对齐。
4.根据权利要求3所述的一种断路器电寿命预测评估方法,其特征在于,
所述特征提取包括将动作段的断路器动作声信号进行傅里叶变换,将时域信号分解为频域信号后,形成频域向量,作为断路器动作声信号的特征向量。
6.根据权利要求1所述的一种断路器电寿命预测评估方法,其特征在于,所述步骤S4中,通过梯度下降反向传播算法对构建的神经网络模型模型进行训练。
7.根据权利要求6所述的一种断路器电寿命预测评估方法,其特征在于,所述步骤S4中,所述构建的神经网络模型使用卷积层对特征参数进行提取,卷积层大小分别为(11,11,96)、(5,5,384)和(3,3,256),卷积层后接全连接层,其输入层为长度4096的特征向量,中间层为1000的特征向量,输出层为长度为5的向量,后接softmax分类器进行分类;
具体对神经网络模型的训练过程包括:
对于输出为K维向量的网络,记输出向量为V=[V1,V2,...,VK]T则Vi的Softmax值为:
基于公式(1)得到的Softmax值pk与实际标签y(k)的qk值求交叉熵作为损失函数:
其中,η为学习率。
8.根据权利要求1所述的一种断路器电寿命预测评估系统,其特征在于,包括信息获取模块、特征提取模块、数据集模块和模型预测模块;
信息获取模块,用于获取断路器动作过程中的多维度信息;
特征提取模块,用于对获取的多维度信息进行时标对齐和特征提取;
数据集模块,用于将提取的特征进行组合,形成多维度特征数据集;
模型预测模块,用于构建神经网络模型,并对神经网络模型进行训练,训练完成后将多维度特征数据集输送至训练后的神经网络中进行预测,并获取预测结果。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时,实现如权利要求1-7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211336667.XA CN115575811A (zh) | 2022-10-28 | 2022-10-28 | 一种断路器电寿命预测评估方法、系统、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211336667.XA CN115575811A (zh) | 2022-10-28 | 2022-10-28 | 一种断路器电寿命预测评估方法、系统、存储介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115575811A true CN115575811A (zh) | 2023-01-06 |
Family
ID=84586367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211336667.XA Pending CN115575811A (zh) | 2022-10-28 | 2022-10-28 | 一种断路器电寿命预测评估方法、系统、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115575811A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117590223A (zh) * | 2024-01-18 | 2024-02-23 | 南京飞腾电子科技有限公司 | 断路器的在线监测系统及其方法 |
CN117872124A (zh) * | 2024-03-12 | 2024-04-12 | 杭州布雷科电气有限公司 | 基于神经网络的断路器离线测试系统及方法 |
-
2022
- 2022-10-28 CN CN202211336667.XA patent/CN115575811A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117590223A (zh) * | 2024-01-18 | 2024-02-23 | 南京飞腾电子科技有限公司 | 断路器的在线监测系统及其方法 |
CN117590223B (zh) * | 2024-01-18 | 2024-04-30 | 南京飞腾电子科技有限公司 | 断路器的在线监测系统及其方法 |
CN117872124A (zh) * | 2024-03-12 | 2024-04-12 | 杭州布雷科电气有限公司 | 基于神经网络的断路器离线测试系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115575811A (zh) | 一种断路器电寿命预测评估方法、系统、存储介质及设备 | |
Wang et al. | ArcNet: Series AC arc fault detection based on raw current and convolutional neural network | |
CN106017879B (zh) | 基于振声信号特征融合的万能式断路器机械故障诊断方法 | |
Esfahanian et al. | On contour-based classification of dolphin whistles by type | |
CN114237046B (zh) | 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法 | |
CN114254668A (zh) | 基于绝缘开关设备放电信号的故障检测方法和装置 | |
CN114386537A (zh) | 基于CatBoost的锂电池故障诊断方法、装置及电子设备 | |
Zhao et al. | Interpretation of transformer winding deformation fault by the spectral clustering of FRA signature | |
CN108918111A (zh) | 基于k-近邻贝叶斯多标签分类的断路器机械故障诊断方法 | |
CN113111591A (zh) | 基于模块化配电终端内部故障自动诊断方法、装置及设备 | |
CN115600088A (zh) | 一种基于振动信号的配电变压器故障诊断方法 | |
CN115079052A (zh) | 一种变压器故障诊断方法和系统 | |
CN216848010U (zh) | 一种边缘计算的电缆局放在线监测装置 | |
CN117290730A (zh) | 一种个体情绪识别模型的优化方法 | |
Harish et al. | Fault detection and classification for wide area backup protection of power transmission lines using weighted extreme learning machine | |
US20220147777A1 (en) | Automatic Partial Discharge and Noise Signals Separation using Arithmetic Coding in Time Domain and Magnitude Distributions in Frequency Domain | |
Tehrani et al. | Frequency-based multi task learning with attention mechanism for fault detection in power systems | |
CN108496174A (zh) | 用于面部识别的方法和系统 | |
CN114743089A (zh) | 一种基于ssa-svm的图像识别gis故障诊断装置及方法 | |
CN116400244B (zh) | 储能电池的异常检测方法及装置 | |
CN105893790B (zh) | 针对质谱缺失蛋白质数据的分类方法 | |
CN116482526A (zh) | 一种用于非故障相阻抗继电器的分析系统 | |
CN116757870A (zh) | 一种能源物联网的智慧能源监控数据处理方法及系统 | |
Alsumaidaee et al. | Fault detection for medium voltage switchgear using a deep learning Hybrid 1D-CNN-LSTM model | |
CN116699400A (zh) | 一种发电机转子短路故障监测系统、方法及可读存储介质 |
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 |