CN116304979A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116304979A CN116304979A CN202310189632.6A CN202310189632A CN116304979A CN 116304979 A CN116304979 A CN 116304979A CN 202310189632 A CN202310189632 A CN 202310189632A CN 116304979 A CN116304979 A CN 116304979A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- discharge
- phi
- fusion
- statistical
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000007246 mechanism Effects 0.000 title claims abstract description 22
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000011176 pooling Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000007599 discharging Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 0.000 description 1
Images
Classifications
-
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了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,属于电子信息技术领域,包含步骤一:通过特高频法采集变压器局部放电故障信号数据;步骤二:由采集的变压的局部放电故障信号数据构造局部放电灰度图谱(PRPD图谱);步骤三:提取PRPD图谱统计特征构成向量S;步骤四:将变压器的PRPD图谱以及统计特征S输入基于注意力机制的多特征融合分类网络,对不同局部放电进行分类。本发明可根据不同的局部放电类型,通过多层注意力机制网络融合特征结合局部放电图谱统计特征实现分类网络的特征提取及自我学习,最终实现对不同的放电类型进行分类,进而实现对于不同故障类型的判断。
Description
技术领域
本发明涉及电子信息技术领域,特别涉及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。
背景技术
目前针对变压器局部放电模式识别的方法和技术多种多样,有传统方法,业内专家根据其积累的实际经验和相关知识来进行操作的,这种方法的结果通常是很主观的,故存在非常大的局限性;人工神经网络方法,通过学习大量的样本数据,然后来调整神经网络隐藏层中的权值和阈值,使其获得最小误差,得到最优解。此方法在数据规模较少的情况下训练误差较高;当处理大样本数据时,由于其结构难以确定,计算量大,参数容易出现振荡,陷入局部最优或难以收敛等问题;支持向量机SVM,与人工神经网络不同,SVM 在确保统计理论和结构风险最小化的基础上实现分类识别,保证了其良好的泛化能力。但是局部放电模式识别为多分类问题,而SVM分类器主要为二分类算法存在分类重叠、不可分类、需要构建较多分类器以及误差累计等问题。
现如今深度学习方法应用于各个领域,对大量数据进行处理,采用逐层训练的方式提取样本要表达的深层次特征,在特征表达、数据降维、分类预测等方面有着非常突出的表现,其卷积神经网络可以自动提取特征此行为可以避开特征提取的主观性。但是卷积神经网络提取特征更新参数是看不见的,若是提取的特征不够明显,其分类准确度还是得不到提升。
发明内容
本发明目的就在于为了解决上述的问题,而提供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。
为实现上述目的,本发明采取的技术方案为:
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,包括
步骤一:通过特高频法采集变压器局部放电故障信号数据;
步骤二:由采集的变压器的局部放电故障信号数据构造局部放电灰度图谱(PRPD图谱);
步骤三:提取PRPD图谱统计特征构成向量S;
步骤四:将变压器的PRPD图谱以及统计特征S输入基于注意力机制的多特征融合分类网络,对不同局部放电进行分类;
进一步在于,步骤二中所述构造局部放电灰度图谱具体步骤为:
S1:通过无线电采集设备收集变压器的局部放电信号;
S2:根据测定的基础噪声设定阈值,然后按照极大值原则提取大于阈值的放电脉冲,并按照标定参数标定放电幅值;
S3:以工频相位φ轴,放电量q轴构成φ-q平面;
S4:统计φ-q平面上各小区间内的放电次数,得到H n (q,φ)空间曲面;
S5:H n (q,φ)根据空间曲面最小值和最大值分别对应于最小灰度级和最大灰度级的原则,构造局部放电H n (q,φ)灰度图像;
进一步在于,步骤三中所述提取PRPD图谱统计特征构成向量V具体如下:
S1:对一个周期的局部放电信号进行统计方法计算获取3种基本量:φ(放电相位)、q(放电电量)、n(放电次数);
S2:对一个周期的局部放电信号相位窗平均化分为N个,再对每一个相位窗计算其φ、q、n值,得到[φi],[qi],[ni]序列,此序列作为放电信号的底层特征量;
S3:提取局部放电的5个统计特征量:偏斜度Sk,陡峭度Ku,放电因素Q,互相关系数CC,相位不对称度Ψ;
S4:由5个统计特征量得到综合统计特征向量S;
进一步在于,步骤四中所述多特征融合方法的具体实现过程:
S1:PRPD图谱数据输入分类网络,经5层双注意力模块得到多层融合特征;
S2:多层融合特征以及统计特征输入全连接层;
S3:全连接层输出融合特征并输入Softmax层进行识别分类;
与现有技术相比,本发明具有如下有益效果:
目前的局放信号监测装置分类效率不佳,类别不多,此方法可以有效提高局部放电信号的放电分类效率以及识别多种局部放电信号。通常情况下,通过无线电采集装置采集的信号并非PRPD图谱数据,而PRPD图谱从颜色、纹理和形状等方面可以直观地反映了各类缺陷的差异,卷积神经网络不需要人为设计特征,直接将图像作为输入,黑箱式地自动提取特征,只要训练样本较多且参数设置合理,便可以提取到更全面更抽象的图像特征,同时可以节省传统方法在特征工程上耗费的时间,提高识别效率。所以将采集到的数据转换为PRPD图谱数据很有必要。对于提取特征不明显情况,最终造成变压局部放电识别率低,进而导致变压器故障造成经济损失。而基于注意力机制的多特征融合网络可以很好解决这难题。在卷积神经网络中引入双注意力模块,网络提取特征的能力将加强,通过5层含有注意力模块的网络层提取特征并进行多层特征融合,由浅及深地提取到更全面更深层的特征。多层融合特征经两层全连接层后结合局部放电图谱统计特征再一次加强网络特征提取能力。将最终融合的特征输入Softmax层进行局部放电分类。图谱数据经网路分类输出以后,进行自我监督学习,回溯网络的判断过程,根据损失函数优化节点参数,从而提高网络的分类性能,同时结合放电次数放电量等信息综合判断每种不同的放电类型的故障情况,从而实现对于不同类型的故障发生情况进行监测和预警功能。
附图说明
图1为本发明实施例的流程示意图;
图2为本发明实施例的基于注意力机制的多特征融合网络示意图;
图3为本发明实施例的通道注意力、空间注意力模块示意图;
图4为本发明实施例的双注意力模块示意图;
图5为本发明实施例的4种不同放电类型PRPD图谱的示意图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
如图1-5所示,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,具体操作如下:
步骤一:通过特高频法采集变压器局部放电故障信号数据;
步骤二:由采集的变压的局部放电故障信号数据构造局部放电灰度图谱(PRPD图谱);
S1:通过无线电采集设备收集变压器的局部放电信号;
S2:根据测定的基础噪声设定阈值,然后按照极大值原则提取大于阈值的放电脉冲,并按照标定参数标定放电幅值;
S3:将工频相位φ轴按照0-360°划分为256个小φ轴按照0-360°划分为256个区间;
S4:将放电量q轴按照0-100mV划分成128个小区间,φ-q平面划分成256×128个小区间;统计φ-q平面上各小区间内的放电次数,得到H n (q,φ)空间曲面;
S5:将H n (q,φ)空间曲面按照工频正半波和工频负半波等份(相位φ分别对应于0-180°和180-360°)得到H+ n(q,φ)和H- n(q,φ),二者φ-q平面被划分成128×128个小区间;
S6:H n (q,φ))根据空间曲面最小值和最大值分别对应于最小灰度级和最大灰度级的原则,构造局部放电H n (q,φ)灰度图像,灰度图像的灰度级0-255,各象素点的灰度值为:
mi,j为H n (q,φ)图像象素点灰度;ni,j为H n (q,φ)空间曲面放电次数;nmax为H n (q,φ)空间曲面最大放电次数;
步骤三:提取PRPD图谱统计特征构成向量S;
S1:对一个周期的局部放电信号进行统计方法计算获取3种基本量:φ(放电相位)、q(放电电量)、n(放电次数);
S2:对一个周期的局部放电信号相位窗平均化分为N个,再对每一个相位窗计算其φ、q、n值,得到[φi],[qi],[ni]序列,此序列作为放电信号的底层特征量;
S3:提取局部放电的 5 个统计特征量:偏斜度Sk,陡峭度Ku,放电因素Q,互相关系数CC,相位不对称度Ψ;
偏斜度Sk可以描述PRPD图谱的形状差异,表示图形的偏斜程度。其计算公式为:
N表示PRPD图谱半工频周期内相位开窗的个数;φi表示PRPD图谱中第i个相窗的相位;Δφ表示相位宽度;参数μ,Pi和σ分别表示以φi为变量时 PRPD图谱中第i个相窗内局放缺陷发生的均值、概率密度和方差;
陡峭度Ku可以描述PRPD图谱形状与正态分布相比,图谱形状分布的突起程度。其计算公式为:
放电因素Q能够反应PRPD图谱在正负工频半周期放电量的差异性,其计算公式为:
q+ s和q- s分别表示相位正半周和负半周放电量总和; n+ s和n- s分别表示相位正半周和负半周的放电次数总和;
互相关系数CC可以描述PRPD图谱在正负工频半周形状轮廓的相似程度。其计算公式为:
q+ i和 q- i分别表示PRPD图谱中第i个相窗内正、负半周的平均放电量;
相位不对称度Ψ表示统计谱图正负半周期放电起始相位的差别。其计算公式为:
φ+和 φ-分别表示PRPD图谱在相位正、负半工频周期的起始放电相位;
S4:得到综合统计特征向量S,其计算公式为:
步骤四:将变压器的PRPD图谱以及统计特征S输入基于注意力机制的多特征融合分类网络,对不同局部放电进行分类;
S1:PRPD图谱数据输入分类网络,经5层双注意力模块得到多层融合特征;
本发明实施例的分类网络为基于注意力机制的多特征融合的卷积神经网络,可以将局部放电信号的不同缺陷信号进行分类,这是目前的局放信号监测装置所不具备的功能。通常情况下,使用特高频法、无线电采集装置收集到的局部放电信号并不是单一的,它是由不同的局部放电缺陷信号组成的,如何可以识别采集到不同局部放电缺陷信号,对变压器故障分类是一个非常重要的技术问题,而基于注意力机制的多特征融合的卷积神经网络可以很好的解决这一难题;
本发明实施例分类网络中注意力机制由通道注意力模块和空间注意力模块组成,如图3所示。通道注意力模块:将输入特征分别经过全局平均池化和全局最大池化后获得全局描述特征;再由2层结构的感知器进行特征连接,将由多层感知器输出的特征进行元素加权、融合;最后,将Mc特征和输入特征F进行元素相乘得到最终的特征。其平均池化和最大池化如下:
Favg、Fmax分别为具有输入特征映射F的全局平均和全局最大池化结果;H、W分别为输入特征的高、宽;
通道注意力Mc的计算公式如下:
W0,W1为多层感知器中的全连接结构,W0层起降维作用,W1层将输入特征恢复至原始尺度。为了降低模型的复杂度,采用含2个全连接层的瓶颈式结构σ表示Sigmoid操作;
空间注意力模块:对输入特征F的通道进行轴向全局平均池化和全局最大池化;然后,将池化结果连接生成一个有效的特征描述符;最后,经过卷积降维生成空间注意力图Ms(F),其计算公式如下:
σ表示Sigmoid操作,7×7为卷积核大小;
S2:多层融合特征以及统计特征输入全连接层;
S3:全连接层输出融合特征并输入Softmax层进行识别分类;
由通道注意力模块和空间注意力模块构成双注意力模块如图4所示;对于每个卷积块的特征图A,添加2个连续的注意力模块(通道、空间),并将处理后的特征B传递给下一个卷积模块;基于注意力机制的多特征融合的卷积神经网络由双注意力模块、Flatten层、全连接层、Softmax层组成,如图2所示;输入由采集的变压的局部放电故障信号数据构造局部放电灰度图谱即局部放电PRPD灰度图谱,M1-M6均为双注意力模块,每层都提取特征,经6层注意力模块特征融合得到多层融合特征输入至Flatten层,实现从卷积层到全连接层的过渡;然后经过两个全连接层提取特征结合提取的局部放电图谱统计特征S得到融合特征输出至Softmax层,最后进行局部放电类型识别分类;多层特征融合有浅及深的提取了特征使得特征更加明显,而统计特征则是对放电相位、放电量以及放电次数3个底层特征量在统计学上分布特征的描述,它描述了统计图谱的形状差异和图谱正负半周轮廓差异,分类网络特征提取时在多层特征融合后的结果又结合了图谱统计特征,可以极大提高识别特征丰富度,进而增加识别率和鲁棒性;
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (4)
1.一种基于注意力机制的多特征融合局部放电类型识别方法,其特征在于,包含以下步骤:
步骤一:通过特高频法采集变压器局部放电故障信号数据;
步骤二:由采集的变压器的局部放电故障信号数据构造局部放电灰度图谱(PRPD图谱);
步骤三:提取PRPD图谱统计特征构成向量S;
步骤四:将变压器的PRPD图谱以及统计特征S输入基于注意力机制的多特征融合分类网络,对不同局部放电进行分类。
2.根据权利要求1所述的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,其特征在于:步骤二中所述构造局部放电灰度图谱具体步骤为:
S1:通过无线电采集设备收集变压器的局部放电信号;
S2:根据测定的基础噪声设定阈值,然后按照极大值原则提取大于阈值的放电脉冲,并按照标定参数标定放电幅值;
S3:以工频相位φ轴,放电量q轴构成φ-q平面;
S4:统计φ-q平面上各小区间内的放电次数,得到H n (q,φ)空间曲面;
S5:H n (q,φ)根据空间曲面最小值和最大值分别对应于最小灰度级和最大灰度级的原则,构造局部放电H n (q,φ)灰度图像。
3.根据权利要求1所述的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,其特征在于:步骤三中所述提取PRPD图谱统计特征构成向量V具体如下:
S1:对一个周期的局部放电信号进行统计方法计算获取3种基本量:φ(放电相位)、q(放电电量)、n(放电次数);
S2:对一个周期的局部放电信号相位窗平均化分为N个,再对每一个相位窗计算其φ、q、n值,得到[φi],[q i],[n i]序列,此序列作为放电信号的底层特征量;
S3:提取局部放电的5个统计特征量:偏斜度Sk,陡峭度Ku,放电因素Q,互相关系数CC,相位不对称度Ψ;
S4:由5个统计特征量得到综合统计特征向量S。
4.根据权利要求1所述的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,其特征在于:步骤四中所述多特征融合方法的具体步骤为:
S1:PRPD图谱数据输入分类网络,经5层双注意力模块得到多层融合特征;
S2:多层融合特征以及统计特征输入全连接层;
S3:全连接层输出融合特征并输入Softmax层进行识别分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310189632.6A CN116304979A (zh) | 2023-03-02 | 2023-03-02 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310189632.6A CN116304979A (zh) | 2023-03-02 | 2023-03-02 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116304979A true CN116304979A (zh) | 2023-06-23 |
Family
ID=86826753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310189632.6A Pending CN116304979A (zh) | 2023-03-02 | 2023-03-02 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116304979A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117347803A (zh) * | 2023-10-25 | 2024-01-05 | 爱科特科技(海南)有限公司 | 一种局部放电检测方法、系统、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008026291A1 (fr) * | 2006-09-01 | 2008-03-06 | Mitsubishi Electric Corporation | Procédé de détection des décharges partielles et dispositif de détection des décharges partielles |
KR20090107770A (ko) * | 2008-04-10 | 2009-10-14 | 엘에스산전 주식회사 | 전력기기의 위험도 분석 시스템 및 그 방법 |
CN108765189A (zh) * | 2018-05-15 | 2018-11-06 | 国网江苏省电力有限公司电力科学研究院 | 基于智能诊断算法的开放式局部放电大数据管理系统 |
CN109116203A (zh) * | 2018-10-31 | 2019-01-01 | 红相股份有限公司 | 基于卷积神经网络的电力设备局部放电故障诊断方法 |
CN112686093A (zh) * | 2020-12-02 | 2021-04-20 | 重庆邮电大学 | 一种基于ds证据理论的融合局部放电类型识别方法 |
CN213957539U (zh) * | 2020-10-23 | 2021-08-13 | 兰州交通大学 | 一种高压电器设备局部放电模拟试验装置 |
CN113884822A (zh) * | 2021-08-11 | 2022-01-04 | 国网天津市电力公司电力科学研究院 | 一种局部放电特高频信号的分类识别方法 |
CN113884844A (zh) * | 2021-11-18 | 2022-01-04 | 国网山东省电力公司电力科学研究院 | 一种变压器局部放电类型识别方法及系统 |
-
2023
- 2023-03-02 CN CN202310189632.6A patent/CN116304979A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008026291A1 (fr) * | 2006-09-01 | 2008-03-06 | Mitsubishi Electric Corporation | Procédé de détection des décharges partielles et dispositif de détection des décharges partielles |
KR20090107770A (ko) * | 2008-04-10 | 2009-10-14 | 엘에스산전 주식회사 | 전력기기의 위험도 분석 시스템 및 그 방법 |
CN108765189A (zh) * | 2018-05-15 | 2018-11-06 | 国网江苏省电力有限公司电力科学研究院 | 基于智能诊断算法的开放式局部放电大数据管理系统 |
CN109116203A (zh) * | 2018-10-31 | 2019-01-01 | 红相股份有限公司 | 基于卷积神经网络的电力设备局部放电故障诊断方法 |
CN213957539U (zh) * | 2020-10-23 | 2021-08-13 | 兰州交通大学 | 一种高压电器设备局部放电模拟试验装置 |
CN112686093A (zh) * | 2020-12-02 | 2021-04-20 | 重庆邮电大学 | 一种基于ds证据理论的融合局部放电类型识别方法 |
CN113884822A (zh) * | 2021-08-11 | 2022-01-04 | 国网天津市电力公司电力科学研究院 | 一种局部放电特高频信号的分类识别方法 |
CN113884844A (zh) * | 2021-11-18 | 2022-01-04 | 国网山东省电力公司电力科学研究院 | 一种变压器局部放电类型识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
王彦彪; 陈振勇; 郭文萍; 王宗宝; 黄银汉: "基于双注意力机制优化CNN架构的GIS局部放电模式识别", 电力科学与技术学报, pages 2 - 7 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117347803A (zh) * | 2023-10-25 | 2024-01-05 | 爱科特科技(海南)有限公司 | 一种局部放电检测方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | A survey of DNN methods for blind image quality assessment | |
CN105224872B (zh) | 一种基于神经网络聚类的用户异常行为检测方法 | |
CN111091233A (zh) | 一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法 | |
CN103323749A (zh) | 多分类器信息融合的局部放电诊断方法 | |
CN111899254A (zh) | 基于半监督学习自动标注工业产品外观缺陷图像的方法 | |
Su et al. | Small sample fault diagnosis method for wind turbine gearbox based on optimized generative adversarial networks | |
CN112686093A (zh) | 一种基于ds证据理论的融合局部放电类型识别方法 | |
CN113114400B (zh) | 基于时序注意力机制和lstm模型的信号频谱空洞感知方法 | |
CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN116304979A (zh) | 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 | |
CN116307212B (zh) | 一种空气质量预测方法及系统 | |
CN112330158B (zh) | 基于自回归差分移动平均-卷积神经网络的识别交通指数时间序列的方法 | |
CN116565863A (zh) | 一种基于时空相关性的短期光伏出力预测方法 | |
CN114998638A (zh) | 基于动静态卷积融合神经网络的多视图三维点云分类方法 | |
CN114488069A (zh) | 基于图神经网络的雷达高分辨率距离像识别方法 | |
CN113987910A (zh) | 一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置 | |
Li et al. | Automation recognition of pavement surface distress based on support vector machine | |
CN110866840A (zh) | 基于知识图谱的电力负荷特征量训练的数据库建模方法 | |
Qi et al. | Multigranularity semantic labeling of point clouds for the measurement of the rail tanker component with structure modeling | |
Zhu et al. | An improved FCM algorithm for ripe fruit image segmentation | |
Pan et al. | A kernel-based probabilistic collaborative representation for face recognition | |
CN115841167A (zh) | 基于多维度交叉注意力机制的光伏数据预测方法 | |
CN115062686A (zh) | 基于多角度特征的多元kpi时序异常检测方法和系统 | |
CN114758224A (zh) | 一种基于深度学习的垃圾分类检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230623 |
|
RJ01 | Rejection of invention patent application after publication |