CN116500379B - 一种sts装置电压跌落精准定位方法 - Google Patents
一种sts装置电压跌落精准定位方法 Download PDFInfo
- Publication number
- CN116500379B CN116500379B CN202310540802.0A CN202310540802A CN116500379B CN 116500379 B CN116500379 B CN 116500379B CN 202310540802 A CN202310540802 A CN 202310540802A CN 116500379 B CN116500379 B CN 116500379B
- Authority
- CN
- China
- Prior art keywords
- voltage
- feature vector
- classification
- abrupt
- waveform
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 239000013598 vector Substances 0.000 claims abstract description 185
- 238000005070 sampling Methods 0.000 claims abstract description 93
- 238000005457 optimization Methods 0.000 claims abstract description 27
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 26
- 230000008859 change Effects 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 4
- 238000001739 density measurement Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000001514 detection method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Current Or Voltage (AREA)
- Control Of Voltage And Current In General (AREA)
Abstract
公开了一种STS装置电压跌落精准定位方法。其首先对获取的电压突变波形信号进行基于采样窗的滑窗采样以得到多个电压突变波形信号采样窗，接着，将所述多个电压突变波形信号采样窗分别通过作为过滤器的卷积神经网络模型以得到多个电压突变局部波形特征向量，然后，将所述多个电压突变局部波形特征向量通过基于转换器的上下文编码器以得到分类特征向量，接着，对所述分类特征向量进行流形曲面优化以得到优化分类特征向量，最后，将所述优化分类特征向量通过分类器以得到用于表示电压跌落原因类型标签的分类结果。这样，可以提高STS装置的切换精度和可靠性。
Description
技术领域
本申请涉及智能检测领域，且更为具体地，涉及一种STS装置电压跌落精准定位方法。
背景技术
为实现输入失电、电压跌落、电源欠压等各种情况下，STS装置都能快读判断出故障并迅速切换到备用电源上，必须采用先进的断电检测方法，既保证切换的灵敏度实时性，又能避免交流电源因谐波或相位突变引起的波形不连续造成的误切换。因此需改进现有电压跌落的判据，使之适应现场实际需求并保证可靠性。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种STS装置电压跌落精准定位方法。其首先对获取的电压突变波形信号进行基于采样窗的滑窗采样以得到多个电压突变波形信号采样窗，接着，将所述多个电压突变波形信号采样窗分别通过作为过滤器的卷积神经网络模型以得到多个电压突变局部波形特征向量，然后，将所述多个电压突变局部波形特征向量通过基于转换器的上下文编码器以得到分类特征向量，接着，对所述分类特征向量进行流形曲面优化以得到优化分类特征向量，最后，将所述优化分类特征向量通过分类器以得到用于表示电压跌落原因类型标签的分类结果。这样，可以提高STS装置的切换精度和可靠性。
根据本申请的一个方面，提供了一种STS装置电压跌落精准定位方法，其包括：获取电压突变波形信号；对所述电压突变波形信号进行基于采样窗的滑窗采样以得到多个电压突变波形信号采样窗；将所述多个电压突变波形信号采样窗分别通过作为过滤器的卷积神经网络模型以得到多个电压突变局部波形特征向量；将所述多个电压突变局部波形特征向量通过基于转换器的上下文编码器以得到分类特征向量；对所述分类特征向量进行流形曲面优化以得到优化分类特征向量；以及
将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示电压跌落原因类型标签。
在上述的STS装置电压跌落精准定位方法中，对所述电压突变波形信号进行基于采样窗的滑窗采样以得到多个电压突变波形信号采样窗，包括：对所述电压突变波形信号进行基于采样窗的均匀地滑窗采样以得到所述多个电压突变波形信号采样窗。
在上述的STS装置电压跌落精准定位方法中，将所述多个电压突变波形信号采样窗分别通过作为过滤器的卷积神经网络模型以得到多个电压突变局部波形特征向量，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的卷积神经网络模型的最后一层输出所述多个电压突变局部波形特征向量，其中，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个电压突变波形信号采样窗。
在上述的STS装置电压跌落精准定位方法中，将所述多个电压突变局部波形特征向量通过基于转换器的上下文编码器以得到分类特征向量，包括：将所述多个电压突变局部波形特征向量进行一维排列以得到电压突变全局特征向量；计算所述电压突变全局特征向量与所述多个电压突变局部波形特征向量中各个电压突变局部波形特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述多个电压突变局部波形特征向量中各个电压突变局部波形特征向量进行加权以得到多个电压突变语义理解特征向量；以及
将所述多个电压突变语义理解特征向量进行级联以得到所述分类特征向量。
在上述的STS装置电压跌落精准定位方法中，对所述分类特征向量进行流形曲面优化以得到优化分类特征向量，包括：以如下优化公式对所述分类特征向量进行流形曲面优化以得到所述优化分类特征向量；其中，所述优化公式为：其中，是所述分类特征向量的第/>个位置的特征值，/>和/> 是所述分类特征向量的特征值集合的均值和标准差，且 /> 是所述优化分类特征向量的第/>个位置的特征值。
在上述的STS装置电压跌落精准定位方法中，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示电压跌落原因类型标签，包括：使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
与现有技术相比，本申请提供的STS装置电压跌落精准定位方法，其首先对获取的电压突变波形信号进行基于采样窗的滑窗采样以得到多个电压突变波形信号采样窗，接着，将所述多个电压突变波形信号采样窗分别通过作为过滤器的卷积神经网络模型以得到多个电压突变局部波形特征向量，然后，将所述多个电压突变局部波形特征向量通过基于转换器的上下文编码器以得到分类特征向量，接着，对所述分类特征向量进行流形曲面优化以得到优化分类特征向量，最后，将所述优化分类特征向量通过分类器以得到用于表示电压跌落原因类型标签的分类结果。这样，可以提高STS装置的切换精度和可靠性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述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申请的一些实施例，对于本领域普通技术人员而言，在没有做出创造性劳动的前提下，还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。
图1为根据本申请实施例的STS装置电压跌落精准定位方法的应用场景图。
图2为根据本申请实施例的STS装置电压跌落精准定位方法的流程图。
图3为根据本申请实施例的STS装置电压跌落精准定位方法的架构示意图。
图4为根据本申请实施例的STS装置电压跌落精准定位方法的子步骤S140的流程图。
图5为根据本申请实施例的STS装置电压跌落精准定位方法的子步骤S160的流程图。
图6为根据本申请实施例的STS装置电压跌落精准定位系统的框图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，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，也属于本申请保护的范围。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
电压跌落是由系统短路故障、过负荷或大型电机启动引起的电压短时快速下降。由于冲击性和非线性负荷的广泛应用，系统电压跌落现象时常出现，目前已成为最重要的电能质量问题，并给一些敏感负荷带来了严重影响和危害。电压跌落检测算法的性能直接影响设备改善电能质量的效果。
针对上述技术问题，本申请的技术构思是利用深度学习和人工智能技术，对电压突变波形信号进行特征提取，并通过分类器对电压跌落原因进行分类，从而实现对不同原因引起的电压跌落的快速识别和判断。
具体地，在本申请的技术方案中，首先，获取电压突变波形信号。考虑到不同原因引起的电压跌落有不同的特点，例如，电源失电会导致电压突然降为零，而电源欠压会导致电压缓慢下降。所述电压突变波形信号可以反映电压突变的幅度、方向、持续时间等信息，可作为后续的电压跌落原因分析与判断的重要依据。为获取所述电压突变波形信号，一个可行的方法是利用高速采样器或示波器，对电源输出的电压进行实时监测，当检测到电压发生变化时，触发采样器或示波器开始采样，并存储采样得到的数据。
接着，对所述电压突变波形信号进行基于采样窗的滑窗采样以得到多个电压突变波形信号采样窗。这里，通过对电压突变波形信号进行基于采样窗的滑窗采样，可以将一个长时间的波形信号分割成多个短时间的波形信号，每个短时间的波形信号都包含了一定的局部信息，例如，波形的极性、幅值、斜率、宽度等。
然后，将所述多个电压突变波形信号采样窗分别通过作为过滤器的卷积神经网络模型以得到多个电压突变局部波形特征向量。这里，所述卷积神经网络模型能够有效地提取电压突变波形信号的局部特征，如峰值、谷值、斜率、频率等，这些特征对于区分不同原因引起的电压跌落有重要的作用。
进一步地，将所述多个电压突变局部波形特征向量通过基于转换器的上下文编码器以得到分类特征向量。这里，所述基于转换器的上下文编码器可以有效地捕捉电压突变波形信号的长期依赖关系，从而提高分类特征向量的表达能力。也就是，基于转换器的上下文编码器可以利用自注意力机制，对不同位置的电压突变局部波形特征向量进行全局语义分析，从而提取出更有区分力的分类特征向量。
进而，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示电压跌落原因类型标签。如前所述，电压跌落的原因类型有多种，不同原因引起的电压跌落有不同的特点，如幅值、持续时间、相位偏移等。在本申请的技术方案中，为了实现对电压跌落的快速识别，需要对电压跌落的原因类型进行分类。这里，所述分类器可以根据输入的特征向量输出相应的类别标签。也就是，所述分类器的输出是一个表示电压跌落原因的类型标签，该类型标签可以用于指导STS装置进行相应的切换动作。
在本申请的技术方案中，在将所述多个电压突变波形信号采样窗分别通过作为过滤器的卷积神经网络模型得到所述多个电压突变局部波形特征向量时，由于所述多个电压突变波形信号采样窗内的电压突变波形图像的图像语义差异性，所述多个电压突变局部波形特征向量也会存在特征分布的差异性，尽管将所述多个电压突变局部波形特征向量通过基于转换器的上下文编码器进行了上下文关联编码，但仍然无法消除基于转换器的上下文编码器得到的所述多个上下文电压突变局部波形特征向量之间的特征分布的显式差异，导致其在分类器的类概率表达上也存在概率密度差异，因此直接将所述多个上下文电压突变局部波形特征向量级联关联得到的所述分类特征向量在分类器的类概率密度空间内的收敛性也会较差，影响其通过分类器得到的分类结果的准确性。
因此，本申请的申请人对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化，具体表示为：/>其中/>和/>是特征值集合/>的均值和标准差，且/>是优化后的所述分类特征向量的第/>个位置的特征值。
这里，所述高斯概率密度的流形曲面的基准线网化以所述分类特征向量的高维特征集合的统计特性，即均值和标准差作为概率密度度量的基准锚点，通过沿着流形曲面的局部线性嵌入方向进行线网化，以获得局部概率密度极值的邻域网络的低维约束表达，从而通过重构流形曲面的概率密度表达来基于邻域分布地约束高维特征的局部分布的基于基准的相对空间位置关系，这样，就提升了所述分类特征向量的高维特征的类概率密度的空间收敛性，也就是，提升了所述分类特征向量在概率密度空间内的概率密度表达的一致性，改进了所述分类特征向量通过分类器得到的分类结果的准确性。
本申请具有如下几点技术效果：1、提供了一种智能化的电压跌落原因识别与判断方案。
2、该方案能够实现对不同原因引起的电压跌落的快速识别和判断，从而提高STS装置的切换精度和可靠性，降低误切换的风险。
图1为根据本申请实施例的STS装置电压跌落精准定位方法的应用场景图。如图1所示，在该应用场景中，首先，获取电压突变波形信号（例如，图1中所示意的D），然后，将所述电压突变波形信号输入至部署有STS装置电压跌落精准定位算法的服务器中（例如，图1中所示意的S），其中，所述服务器能够使用所述STS装置电压跌落精准定位算法对所述电压突变波形信号进行处理以得到用于表示电压跌落原因类型标签的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
图2为根据本申请实施例的STS装置电压跌落精准定位方法的流程图。如图2所示，根据本申请实施例的STS装置电压跌落精准定位方法，包括步骤：S110，获取电压突变波形信号；S120，对所述电压突变波形信号进行基于采样窗的滑窗采样以得到多个电压突变波形信号采样窗；S130，将所述多个电压突变波形信号采样窗分别通过作为过滤器的卷积神经网络模型以得到多个电压突变局部波形特征向量；S140，将所述多个电压突变局部波形特征向量通过基于转换器的上下文编码器以得到分类特征向量；S150，对所述分类特征向量进行流形曲面优化以得到优化分类特征向量；以及，S160，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示电压跌落原因类型标签。
图3为根据本申请实施例的STS装置电压跌落精准定位方法的架构示意图。如图3所示，在该网络架构中，首先，获取电压突变波形信号；接着，对所述电压突变波形信号进行基于采样窗的滑窗采样以得到多个电压突变波形信号采样窗；然后，将所述多个电压突变波形信号采样窗分别通过作为过滤器的卷积神经网络模型以得到多个电压突变局部波形特征向量；接着，将所述多个电压突变局部波形特征向量通过基于转换器的上下文编码器以得到分类特征向量；然后，对所述分类特征向量进行流形曲面优化以得到优化分类特征向量；最后，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示电压跌落原因类型标签。
更具体地，在步骤S110中，获取电压突变波形信号。所述电压突变波形信号可以反映电压突变的幅度、方向、持续时间等信息，可作为后续的电压跌落原因分析与判断的重要依据。为获取所述电压突变波形信号，一个可行的方法是利用高速采样器或示波器，对电源输出的电压进行实时监测，当检测到电压发生变化时，触发采样器或示波器开始采样，并存储采样得到的数据。
更具体地，在步骤S120中，对所述电压突变波形信号进行基于采样窗的滑窗采样以得到多个电压突变波形信号采样窗。通过对电压突变波形信号进行基于采样窗的滑窗采样可以将一个长时间的波形信号分割成多个短时间的波形信号，每个短时间的波形信号都包含了一定的局部信息，例如，波形的极性、幅值、斜率、宽度等。
相应地，在一个具体示例中，对所述电压突变波形信号进行基于采样窗的滑窗采样以得到多个电压突变波形信号采样窗，包括：对所述电压突变波形信号进行基于采样窗的均匀地滑窗采样以得到所述多个电压突变波形信号采样窗。
更具体地，在步骤S130中，将所述多个电压突变波形信号采样窗分别通过作为过滤器的卷积神经网络模型以得到多个电压突变局部波形特征向量。所述卷积神经网络模型能够有效地提取电压突变波形信号的局部特征，如峰值、谷值、斜率、频率等，这些特征对于区分不同原因引起的电压跌落有重要的作用。
应可以理解，卷积神经网络(Convolutional Neural Network，CNN)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。
相应地，在一个具体示例中，将所述多个电压突变波形信号采样窗分别通过作为过滤器的卷积神经网络模型以得到多个电压突变局部波形特征向量，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的卷积神经网络模型的最后一层输出所述多个电压突变局部波形特征向量，其中，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个电压突变波形信号采样窗。
更具体地，在步骤S140中，将所述多个电压突变局部波形特征向量通过基于转换器的上下文编码器以得到分类特征向量。所述基于转换器的上下文编码器可以有效地捕捉电压突变波形信号的长期依赖关系，从而提高分类特征向量的表达能力。也就是，基于转换器的上下文编码器可以利用自注意力机制，对不同位置的电压突变局部波形特征向量进行全局语义分析，从而提取出更有区分力的分类特征向量。
应可以理解，通过上下文编码器，可以分析向量表示序列中的某个分词与其他分词之间的关系，以得到相应的特征信息。上下文编码器旨在挖掘得到词序列中上下文之间的隐藏模式，可选地，编码器包括：CNN(Convolutional Neural Network，卷积神经网络)、Recursive NN(RecursiveNeural Network，递归神经网络)、语言模型(Language Model)等。基于CNN的方法对于局部特征有比较好的提取效果，但其对于句子中的长程依赖(Long-term Dependency)问题效果欠佳，因此基于Bi-LSTM(Long Short- Term Memory，长短期记忆网络)的编码器被广泛使用。Recursive NN把句子当作树状结构而非序列进行处理，从理论上而言具有更强的表示能力，但其存在样本标注难度大、深层易梯度消失、难以并行计算等弱点，因此在实际应用中使用较少。Transformer是应用广泛的网络结构了，同时具有CNN和RNN的特性，对于全局特征有较好的提取效果，同时相较于RNN(RecurrentNeuralNetwork，循环神经网络)在并行计算上具有一定优势。
相应地，在一个具体示例中，如图4所示，将所述多个电压突变局部波形特征向量通过基于转换器的上下文编码器以得到分类特征向量，包括：S141，将所述多个电压突变局部波形特征向量进行一维排列以得到电压突变全局特征向量；S142，计算所述电压突变全局特征向量与所述多个电压突变局部波形特征向量中各个电压突变局部波形特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；S143，分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；S144，将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；S145，分别以所述多个概率值中各个概率值作为权重对所述多个电压突变局部波形特征向量中各个电压突变局部波形特征向量进行加权以得到多个电压突变语义理解特征向量；以及，S146，将所述多个电压突变语义理解特征向量进行级联以得到所述分类特征向量。
更具体地，在步骤S150中，对所述分类特征向量进行流形曲面优化以得到优化分类特征向量。在本申请的技术方案中，在将所述多个电压突变波形信号采样窗分别通过作为过滤器的卷积神经网络模型得到所述多个电压突变局部波形特征向量时，由于所述多个电压突变波形信号采样窗内的电压突变波形图像的图像语义差异性，所述多个电压突变局部波形特征向量也会存在特征分布的差异性，尽管将所述多个电压突变局部波形特征向量通过基于转换器的上下文编码器进行了上下文关联编码，但仍然无法消除基于转换器的上下文编码器得到的所述多个上下文电压突变局部波形特征向量之间的特征分布的显式差异，导致其在分类器的类概率表达上也存在概率密度差异，因此直接将所述多个上下文电压突变局部波形特征向量级联关联得到的所述分类特征向量在分类器的类概率密度空间内的收敛性也会较差，影响其通过分类器得到的分类结果的准确性。因此，本申请的申请人对所述分类特征向量进行高斯概率密度的流形曲面的基准线网化。
相应地，在一个具体示例中，对所述分类特征向量进行流形曲面优化以得到优化分类特征向量，包括：以如下优化公式对所述分类特征向量进行流形曲面优化以得到所述优化分类特征向量；其中，所述优化公式为：其中，/>是所述分类特征向量的第/>个位置的特征值，/>和/>是所述分类特征向量的特征值集合的均值和标准差，且/>是所述优化分类特征向量的第/>个位置的特征值。
这里，所述高斯概率密度的流形曲面的基准线网化以所述分类特征向量的高维特征集合的统计特性，即均值和标准差作为概率密度度量的基准锚点，通过沿着流形曲面的局部线性嵌入方向进行线网化，以获得局部概率密度极值的邻域网络的低维约束表达，从而通过重构流形曲面的概率密度表达来基于邻域分布地约束高维特征的局部分布的基于基准的相对空间位置关系，这样，就提升了所述分类特征向量的高维特征的类概率密度的空间收敛性，也就是，提升了所述分类特征向量在概率密度空间内的概率密度表达的一致性，改进了所述分类特征向量通过分类器得到的分类结果的准确性。
更具体地，在步骤S160中，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示电压跌落原因类型标签。所述分类器可以根据输入的特征向量输出相应的类别标签。也就是，所述分类器的输出是一个表示电压跌落原因的类型标签，该类型标签可以用于指导STS装置进行相应的切换动作。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
相应地，在一个具体示例中，如图5所示，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示电压跌落原因类型标签，包括：S161，使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，S162，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
综上，基于本申请实施例的STS装置电压跌落精准定位方法，其首先对获取的电压突变波形信号进行基于采样窗的滑窗采样以得到多个电压突变波形信号采样窗，接着，将所述多个电压突变波形信号采样窗分别通过作为过滤器的卷积神经网络模型以得到多个电压突变局部波形特征向量，然后，将所述多个电压突变局部波形特征向量通过基于转换器的上下文编码器以得到分类特征向量，接着，对所述分类特征向量进行流形曲面优化以得到优化分类特征向量，最后，将所述优化分类特征向量通过分类器以得到用于表示电压跌落原因类型标签的分类结果。这样，可以提高STS装置的切换精度和可靠性。
图6为根据本申请实施例的STS装置电压跌落精准定位系统100的框图。如图6所示，根据本申请实施例的STS装置电压跌落精准定位系统100，包括：信号获取模块110，用于获取电压突变波形信号；滑窗采样模块120，用于对所述电压突变波形信号进行基于采样窗的滑窗采样以得到多个电压突变波形信号采样窗；卷积编码模块130，用于将所述多个电压突变波形信号采样窗分别通过作为过滤器的卷积神经网络模型以得到多个电压突变局部波形特征向量；上下文编码模块140，用于将所述多个电压突变局部波形特征向量通过基于转换器的上下文编码器以得到分类特征向量；流形曲面优化模块150，用于对所述分类特征向量进行流形曲面优化以得到优化分类特征向量；以及，分类模块160，用于将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示电压跌落原因类型标签。
在一个示例中，在上述STS装置电压跌落精准定位系统100中，所述滑窗采样模块120，用于：对所述电压突变波形信号进行基于采样窗的均匀地滑窗采样以得到所述多个电压突变波形信号采样窗。
在一个示例中，在上述STS装置电压跌落精准定位系统100中，所述卷积编码模块130，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的卷积神经网络模型的最后一层输出所述多个电压突变局部波形特征向量，其中，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个电压突变波形信号采样窗。
在一个示例中，在上述STS装置电压跌落精准定位系统100中，所述上下文编码模块140，用于：将所述多个电压突变局部波形特征向量进行一维排列以得到电压突变全局特征向量；计算所述电压突变全局特征向量与所述多个电压突变局部波形特征向量中各个电压突变局部波形特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述多个电压突变局部波形特征向量中各个电压突变局部波形特征向量进行加权以得到多个电压突变语义理解特征向量；以及，将所述多个电压突变语义理解特征向量进行级联以得到所述分类特征向量。
在一个示例中，在上述STS装置电压跌落精准定位系统100中，所述流形曲面优化模块150，用于：以如下优化公式对所述分类特征向量进行流形曲面优化以得到所述优化分类特征向量；其中，所述优化公式为：其中，/>是所述分类特征向量的第/>个位置的特征值，/>和/> 是所述分类特征向量的特征值集合的均值和标准差，且 /> 是所述优化分类特征向量的第/>个位置的特征值。.
在一个示例中，在上述STS装置电压跌落精准定位系统100中，所述分类模块160，用于：使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
这里，本领域技术人员可以理解，上述STS装置电压跌落精准定位系统100中的各个模块的具体功能和操作已经在上面参考图1到图5的STS装置电压跌落精准定位方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的STS装置电压跌落精准定位系统100可以实现在各种无线终端中，例如具有STS装置电压跌落精准定位算法的服务器等。在一个示例中，根据本申请实施例的STS装置电压跌落精准定位系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该STS装置电压跌落精准定位系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该STS装置电压跌落精准定位系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该STS装置电压跌落精准定位系统100与该无线终端也可以是分立的设备，并且该STS装置电压跌落精准定位系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
进一步地，值得一提的是，检测单相电压跌落的方法有很多，常见的几种包括：有效值判别法，其通过计算全周或半周有效值来实现检测，运算量小，迭代方便，适合简单CPU使用，但无法确定暂降发生的起止时刻和相位跳变；缺损电压法，其将采样值和基准电压波形比较来实现检测，检测速度快，计算量小，但电压谐波、相位跳变时判据失效；傅氏算法，其通过滑动窗计算基波幅值，对噪声和谐波不敏感，但响应速度慢；小波变换法，其通过小波变换进行滤波，可以很好的去除噪声谐波影响，易于自适应算法，但计算量大，不适用于嵌入式硬件平台；瞬时d-q变换 法，其通过构造虚拟3相电路进行时域变换，速度快，不受相位突变等影响，但运算量大。
通过对上述算法的分析比较，结合现有硬件DSP内核的数据处理能力，可以采用两种算法互补的策略。采用缺损电压法先进行粗略判别，识别出电压跌落的可能性，同时启动放电加速回路；再由d-q变换算法精确判断出系统扰动的性质，决定是否进行切换。缺损电压法的本质上属于差分算法的一个特例。实际应用中是将前一周波的数据平移后，与当前波形进行计算比较，由于相近时间内电压波形频率一般不会突变，噪声也比较近似，因此引入的差分噪声会比较小，容易被算法滤除。
常见电压跌落算法中比较精确的是全周或半周有效值算法，受异常闪边影响最小。但由于判据计算窗较长，至少也要10~20mS。而目前很多快速切换应用都需要整体切换时间小于5mS，这样留给判据的时间只剩下2~3mS。因此本申请拟采用缺损电压法与瞬时d/q变换结合的方案。利用缺损电压法的快速性，结合d/q变换对相位突变的抑制能力，实现快速启动的目的。同时，利用电流突变波形分析算法，区分电压跌落属于短路还是断路，根据电流相位是否突变特征，实现精确定位电压跌落的目的。
本申请着重研究STS中的切换判断技术。采用新的切换策略，包括电流过零策略、强制关断策略以及带有LC谐振电路的切换策略。通过采用全新的切换逻辑，通过反向的晶闸管回收了电容的多余能量，很大程度上减轻了多余能量对负载的冲击，并且不需要在主电路中串联二极管，避免增加通态损耗。
本申请还可以通过优化电压跌落判据的响应速度和降低标准滤波器函数的处理精度以提升检测的效率。
通过本申请上述的方法和系统，可以在2mS识别出可能的电压跌落或缺损；在3~4mS准确判断出是否该执行切换逻辑，并启动放电加速过程；整体切换时间不大于5mS（阻性负载，负荷大于0.1倍额定电流时）；失压欠压精度优于2%；可抵御常见的干扰情况不发生误切换；以及，对输入，输出欠压以及装置内部故障可以通过外部指示灯以及告警接点进行告警。
根据本申请的另一方面，还提供了一种非易失性的计算机可读存储介质，其上存储有计算机可读的指令，当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”，通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如，各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信，如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如：从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台，或其他实现系统的计算机环境，或与提供目标检测所需要的信息相关的类似功能的系统。因此，另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接，例如光波、电波、电磁波等，通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备，也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质，其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (5)
1.一种STS装置电压跌落精准定位方法，其特征在于，包括：
获取电压突变波形信号；
对所述电压突变波形信号进行基于采样窗的滑窗采样以得到多个电压突变波形信号采样窗；
将所述多个电压突变波形信号采样窗分别通过作为过滤器的卷积神经网络模型以得到多个电压突变局部波形特征向量；
将所述多个电压突变局部波形特征向量通过基于转换器的上下文编码器以得到分类特征向量；
对所述分类特征向量进行流形曲面优化以得到优化分类特征向量；以及
将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示电压跌落原因类型标签；
其中，对所述分类特征向量进行流形曲面优化以得到优化分类特征向量，包括：
以如下优化公式对所述分类特征向量进行流形曲面优化以得到所述优化分类特征向量；
其中，所述优化公式为：
其中，vi是所述分类特征向量的第i个位置的特征值，μ和σ是所述分类特征向量的特征值集合的均值和标准差，且v'i是所述优化分类特征向量的第i个位置的特征值；
其中，高斯概率密度的流形曲面的基准线网化以所述分类特征向量的高维特征集合的统计特性，即均值和标准差作为概率密度度量的基准锚点，通过沿着流形曲面的局部线性嵌入方向进行线网化，以获得局部概率密度极值的邻域网络的低维约束表达，从而通过重构流形曲面的概率密度表达来基于邻域分布地约束高维特征的局部分布的基于基准的相对空间位置关系，这样，就提升了所述分类特征向量的高维特征的类概率密度的空间收敛性，也就是，提升了所述分类特征向量在概率密度空间内的概率密度表达的一致性。
2.根据权利要求1所述的STS装置电压跌落精准定位方法，其特征在于，对所述电压突变波形信号进行基于采样窗的滑窗采样以得到多个电压突变波形信号采样窗，包括：
对所述电压突变波形信号进行基于采样窗的均匀地滑窗采样以得到所述多个电压突变波形信号采样窗。
3.根据权利要求2所述的STS装置电压跌落精准定位方法，其特征在于，将所述多个电压突变波形信号采样窗分别通过作为过滤器的卷积神经网络模型以得到多个电压突变局部波形特征向量，包括：
使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的卷积神经网络模型的最后一层输出所述多个电压突变局部波形特征向量，其中，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个电压突变波形信号采样窗。
4.根据权利要求3所述的STS装置电压跌落精准定位方法，其特征在于，将所述多个电压突变局部波形特征向量通过基于转换器的上下文编码器以得到分类特征向量，包括：
将所述多个电压突变局部波形特征向量进行一维排列以得到电压突变全局特征向量；
计算所述电压突变全局特征向量与所述多个电压突变局部波形特征向量中各个电压突变局部波形特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；
分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；
将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；
分别以所述多个概率值中各个概率值作为权重对所述多个电压突变局部波形特征向量中各个电压突变局部波形特征向量进行加权以得到多个电压突变语义理解特征向量；以及
将所述多个电压突变语义理解特征向量进行级联以得到所述分类特征向量。
5.根据权利要求4所述的STS装置电压跌落精准定位方法，其特征在于，将所述优化分类特征向量通过分类器以得到分类结果，所述分类结果用于表示电压跌落原因类型标签，包括：
使用所述分类器的全连接层对所述优化分类特征向量进行全连接编码以得到编码分类特征向量；以及
将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310540802.0A CN116500379B (zh) | 2023-05-15 | 2023-05-15 | 一种sts装置电压跌落精准定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310540802.0A CN116500379B (zh) | 2023-05-15 | 2023-05-15 | 一种sts装置电压跌落精准定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116500379A CN116500379A (zh) | 2023-07-28 |
| CN116500379B true CN116500379B (zh) | 2024-03-08 |
Family
ID=87318155
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310540802.0A Active CN116500379B (zh) | 2023-05-15 | 2023-05-15 | 一种sts装置电压跌落精准定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116500379B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116678506B (zh) * | 2023-08-02 | 2023-10-10 | 国检测试控股集团南京国材检测有限公司 | 一种无线传输热损检测装置 |
| CN117375237B (zh) * | 2023-10-20 | 2024-05-24 | 浙江日新电气有限公司 | 基于数字孪生技术变电站运维方法及系统 |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102982556A (zh) * | 2012-11-01 | 2013-03-20 | 江苏科技大学 | 基于流形上粒子滤波算法的视频目标跟踪方法 |
| CN104392021A (zh) * | 2014-10-24 | 2015-03-04 | 山东大学 | 一种层次自由曲面的保角参数特性优化方法 |
| CN107085164A (zh) * | 2017-03-22 | 2017-08-22 | 清华大学 | 一种电网故障类型确定方法及装置 |
| CN107767453A (zh) * | 2017-11-01 | 2018-03-06 | 中北大学 | 一种基于规则约束的建筑物lidar点云重构优化方法 |
| CN110824292A (zh) * | 2018-08-08 | 2020-02-21 | 广州泰迪智能科技有限公司 | 一种基于特征分类的配电网失压故障智能识别方法 |
| CN111856209A (zh) * | 2020-07-23 | 2020-10-30 | 广东电网有限责任公司清远供电局 | 一种输电线路故障分类方法及装置 |
| WO2021247700A1 (en) * | 2020-06-02 | 2021-12-09 | Memorial Sloan Kettering Cancer Center | End-to-end part learning for image analysis |
| CN114624549A (zh) * | 2022-03-08 | 2022-06-14 | 广东电网有限责任公司江门供电局 | 一种配电终端模块故障分析方法及系统 |
| CN114825257A (zh) * | 2022-06-27 | 2022-07-29 | 江苏烨明光电有限公司 | Led灯检测的漏电保护装置及其漏电保护方法 |
| CN114981845A (zh) * | 2020-01-19 | 2022-08-30 | Oppo广东移动通信有限公司 | 图像扫描方法及装置、设备、存储介质 |
| CN114973099A (zh) * | 2022-06-16 | 2022-08-30 | 桂林电子科技大学 | 一种基于可回溯目标识别的智能寻物方法及系统 |
| CN115099285A (zh) * | 2022-07-12 | 2022-09-23 | 绍兴九樱纺织品有限公司 | 基于神经网络模型的智能检测方法及其系统 |
| CN115114958A (zh) * | 2022-06-28 | 2022-09-27 | 中国电子科技集团公司第十研究所 | 一种基于监督对比学习的电磁信号开集识别方法 |
| CN115329673A (zh) * | 2022-08-15 | 2022-11-11 | 宁波共振运动科技有限公司 | 运动文胸的聚拢性能优化设计系统及其方法 |
| CN115376321A (zh) * | 2022-08-24 | 2022-11-22 | 杭州超阳科技有限公司 | 智慧交通下的智能汽车的目标检测方法及其系统 |
| CN115719298A (zh) * | 2022-11-23 | 2023-02-28 | 浙江鸿屹智能装备科技有限公司 | 一种纺织加弹机 |
| CN115767427A (zh) * | 2022-11-15 | 2023-03-07 | 厦门大学 | 一种基于众包机制的多径辅助蓝牙aoa室内定位方法 |
| CN115857614A (zh) * | 2022-11-17 | 2023-03-28 | 弘正储能(上海)能源科技有限公司 | 多路光伏mppt交错式boost控制方法及其系统 |
| CN115951584A (zh) * | 2023-02-09 | 2023-04-11 | 浙江上洋机械股份有限公司 | 用于滚筒杀青机的温度控制系统及方法 |
| CN115982736A (zh) * | 2022-12-21 | 2023-04-18 | 南阳理工学院 | 用于计算机网络信息的数据加密方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210248504A1 (en) * | 2020-02-06 | 2021-08-12 | Qualcomm Technologies, Inc. | Gauge equivariant geometric graph convolutional neural network |
-
2023
- 2023-05-15 CN CN202310540802.0A patent/CN116500379B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102982556A (zh) * | 2012-11-01 | 2013-03-20 | 江苏科技大学 | 基于流形上粒子滤波算法的视频目标跟踪方法 |
| CN104392021A (zh) * | 2014-10-24 | 2015-03-04 | 山东大学 | 一种层次自由曲面的保角参数特性优化方法 |
| CN107085164A (zh) * | 2017-03-22 | 2017-08-22 | 清华大学 | 一种电网故障类型确定方法及装置 |
| CN107767453A (zh) * | 2017-11-01 | 2018-03-06 | 中北大学 | 一种基于规则约束的建筑物lidar点云重构优化方法 |
| CN110824292A (zh) * | 2018-08-08 | 2020-02-21 | 广州泰迪智能科技有限公司 | 一种基于特征分类的配电网失压故障智能识别方法 |
| CN114981845A (zh) * | 2020-01-19 | 2022-08-30 | Oppo广东移动通信有限公司 | 图像扫描方法及装置、设备、存储介质 |
| WO2021247700A1 (en) * | 2020-06-02 | 2021-12-09 | Memorial Sloan Kettering Cancer Center | End-to-end part learning for image analysis |
| CN111856209A (zh) * | 2020-07-23 | 2020-10-30 | 广东电网有限责任公司清远供电局 | 一种输电线路故障分类方法及装置 |
| CN114624549A (zh) * | 2022-03-08 | 2022-06-14 | 广东电网有限责任公司江门供电局 | 一种配电终端模块故障分析方法及系统 |
| CN114973099A (zh) * | 2022-06-16 | 2022-08-30 | 桂林电子科技大学 | 一种基于可回溯目标识别的智能寻物方法及系统 |
| CN114825257A (zh) * | 2022-06-27 | 2022-07-29 | 江苏烨明光电有限公司 | Led灯检测的漏电保护装置及其漏电保护方法 |
| CN115114958A (zh) * | 2022-06-28 | 2022-09-27 | 中国电子科技集团公司第十研究所 | 一种基于监督对比学习的电磁信号开集识别方法 |
| CN115099285A (zh) * | 2022-07-12 | 2022-09-23 | 绍兴九樱纺织品有限公司 | 基于神经网络模型的智能检测方法及其系统 |
| CN115329673A (zh) * | 2022-08-15 | 2022-11-11 | 宁波共振运动科技有限公司 | 运动文胸的聚拢性能优化设计系统及其方法 |
| CN115376321A (zh) * | 2022-08-24 | 2022-11-22 | 杭州超阳科技有限公司 | 智慧交通下的智能汽车的目标检测方法及其系统 |
| CN115767427A (zh) * | 2022-11-15 | 2023-03-07 | 厦门大学 | 一种基于众包机制的多径辅助蓝牙aoa室内定位方法 |
| CN115857614A (zh) * | 2022-11-17 | 2023-03-28 | 弘正储能(上海)能源科技有限公司 | 多路光伏mppt交错式boost控制方法及其系统 |
| CN115719298A (zh) * | 2022-11-23 | 2023-02-28 | 浙江鸿屹智能装备科技有限公司 | 一种纺织加弹机 |
| CN115982736A (zh) * | 2022-12-21 | 2023-04-18 | 南阳理工学院 | 用于计算机网络信息的数据加密方法及系统 |
| CN115951584A (zh) * | 2023-02-09 | 2023-04-11 | 浙江上洋机械股份有限公司 | 用于滚筒杀青机的温度控制系统及方法 |
Non-Patent Citations (4)
| Title |
|---|
| Feature augmentation based on manifold ranking and LSTM for image classification;Vanessa Helena Pereira-Ferrero;《Expert Systems With Applications》;第213卷;第1-16页 * |
| 基于降噪自动编码器的语种特征补偿方法;苗晓晓 等;《计算机研究与发展》;第56卷(第5期);第1082-1091页 * |
| 康维新 ; 彭喜元 ; .桩基缺陷特征的视窗提取及特征向量矩阵.哈尔滨理工大学学报.2010,(06),全文. * |
| 桩基缺陷特征的视窗提取及特征向量矩阵;康维新;彭喜元;;哈尔滨理工大学学报(06);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116500379A (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116500379B (zh) | 一种sts装置电压跌落精准定位方法 | |
| Afrasiabi et al. | Integration of accelerated deep neural network into power transformer differential protection | |
| Wang et al. | ArcNet: Series AC arc fault detection based on raw current and convolutional neural network | |
| Lin et al. | Power quality disturbance feature selection and pattern recognition based on image enhancement techniques | |
| Do et al. | Convolutional-neural-network-based partial discharge diagnosis for power transformer using UHF sensor | |
| Wang et al. | Transformer fault diagnosis using self-powered RFID sensor and deep learning approach | |
| Wan et al. | Fault diagnosis of high-voltage circuit breakers using mechanism action time and hybrid classifier | |
| CN116805061B (zh) | 基于光纤传感的泄漏事件判断方法 | |
| CN111695620A (zh) | 一种电力系统时间序列异常数据检测与修正方法及系统 | |
| CN116992226A (zh) | 一种水泵电机故障检测方法、系统 | |
| Afrasiabi et al. | Fast GRNN-based method for distinguishing inrush currents in power transformers | |
| CN110263944A (zh) | 一种多变量故障预测方法和装置 | |
| CN116299051B (zh) | 一种过流短路检测电路及检测保护系统 | |
| Zheng et al. | Recognition method of voltage sag causes based on two‐dimensional transform and deep learning hybrid model | |
| Todeschini et al. | An image-based deep transfer learning approach to classify power quality disturbances | |
| CN117578715A (zh) | 一种电力运维智能监测预警方法、系统及存储介质 | |
| KR20200116425A (ko) | 가스절연개폐장치를 위한 딥러닝 기반 부분 방전 진단 장치 및 그 방법 | |
| Chi et al. | A fault diagnosis method of double-layer LSTM for 10 kV single-core cable based on multiple observable electrical quantities | |
| CN115238733A (zh) | 一种高压断路器合分闸线圈运行状态评估方法及相关设备 | |
| Husodo et al. | Real-time power quality disturbance classification using convolutional neural networks | |
| Benetti et al. | Classification dynamic strain patterns in switching devices measured with Fiber Bragg Grating | |
| CN114841196A (zh) | 一种基于监督学习的机械设备智能故障检测方法及系统 | |
| Yan et al. | Few-Shot Mechanical Fault Diagnosis for a High-Voltage Circuit Breaker via a Transformer-Convolutional Neural Network and Metric Meta-learning | |
| Puliyadi Kubendran et al. | Detection and classification of power quality events using wavelet energy difference and support vector machine | |
| Murali et al. | Forecasting and Classification Of Power Quality Disturbance In Smart Grid Using Hybrid Networks |
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 |