CN116680623A - 特高压换流变压器状态监测方法及系统 - Google Patents
特高压换流变压器状态监测方法及系统 Download PDFInfo
- Publication number
- CN116680623A CN116680623A CN202310968553.5A CN202310968553A CN116680623A CN 116680623 A CN116680623 A CN 116680623A CN 202310968553 A CN202310968553 A CN 202310968553A CN 116680623 A CN116680623 A CN 116680623A
- Authority
- CN
- China
- Prior art keywords
- module
- channel
- state
- extra
- high voltage
- 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
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000012544 monitoring process Methods 0.000 title claims abstract description 67
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 34
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 32
- 230000005284 excitation Effects 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000001125 extrusion Methods 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims description 53
- 239000013598 vector Substances 0.000 claims description 43
- 238000011176 pooling Methods 0.000 claims description 41
- 230000004913 activation Effects 0.000 claims description 38
- 238000010586 diagram Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000012512 characterization method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 230000003213 activating effect Effects 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 9
- 239000004973 liquid crystal related substance Substances 0.000 description 8
- 230000015654 memory Effects 0.000 description 8
- 239000000284 extract Substances 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000004804 winding Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 208000013409 limited attention Diseases 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
Abstract
本发明公开一种特高压换流变压器状态监测方法及系统,方法包括采集特高压换流变压器的振动信号并输入至状态监测模型,状态监测模型包括多尺度卷积神经网络通道、双向门控循环单元通道和状态分类网络,所述多尺度卷积神经网络通道中每个卷积操作中加入卷积注意力模块,所述双向门控循环单元通道的输出连接有挤压激励模块;利用所述多尺度卷积神经网络通道提取所述振动信号在空间维度上的多尺度信息特征;利用所述双向门控循环单元通道提取所述振动信号在时间维度上的信息特征;利用所述状态分类网络对多尺度信息特征和时间维度上的信息特征进行状态分类,确定特高压换流变压器的状态;本发明设计的状态监测模型具有更好的状态监测性能。
Description
技术领域
本发明涉及设备状态监测技术领域,具体涉及一种特高压换流变压器状态监测方法及系统。
背景技术
直流输电系统是电力系统的重要组成部分,随着电气设备的更新换代与电力技术的快速发展,直流输电系统逐步得到了更广泛的应用。特高压换流变压器是直流输电系统的关键设备,与换流阀一起作为交、直流系统的连接枢纽,其运行状态对电网的安全和稳定运行有直接影响,随着特高压直流输电工程迅速发展,电力系统安全稳定运行将面临更大的挑战。
电力变压器振动主要来源于铁芯的磁致伸缩效应以及绕组的受迫振动,此外还受到电流、电压、功率因数等诸多因素影响。振动法是近年来评估电力变压器运行状态的有效方法,电力变压器所产生的振动信号中包含有表征电力变压器运行状态的有效信息,振动法是通过传感器采集电力变压器的振动信号,在对振动信号进行时频特征分析的基础上识别电力变压器的运行状态,从而有效实现电力变压器的状态监测。
特高压换流变压器与电力变压器的振动机理类似,因此振动法应用于特高压换流变压器运行状态识别同样具有可行性。针对特高压换流变压器的运行状态监测问题,振动法是近年来逐步发展并日趋完善的一种变压器状态监测方法,目前基于振动法的特高压换流变压器状态监测算法主要分为三种,分别是传统算法、基于机器学习的算法和基于深度学习的算法:
(1)传统算法主要以特高压换流变压器为研究对象搭建相应的振动模型,分析内部绕组和铁芯振动生成机理及多路径传导方式,并研究得到绕组振动及铁芯振动与变压器电压、电流的关联性,通过实验分析振动信号的影响因素。主要通过不同的算法提取特高压换流变压器振动信号的特征,这些算法包括短时傅里叶变换、小波变换和包络谱分析等,通过分析提取的时频特征监测特高压换流变压器的运行状态。
但传统算法中单一的频谱特征分析往往由于无法提取出信号中所包含的全部有效信息,导致无法准确识别出特高压换流变压器的运行状态。
(2)基于机器学习的算法通过支持向量机、K近邻、随机森林等方法完成对特高压换流变压器状态的监测,它和深度学习的方法都属于数据驱动。但机器学习算法运算繁琐,依赖一定的先验知识,不利于大数据处理。
(3)基于深度学习的算法主要使用卷积神经网络(Convolutional NeuralNetwork, CNN)、循环神经网络(Recurrent Neural Network, RNN)或两者的混合模型对变压器进行状态监测。采用单一模型性能有限,卷积神经网络CNN的原理启发于生物的感受野,因此善于挖掘数据空间上的局部重要的信息特征,是一种典型的前馈神经网络,具有挖掘深层次特征的能力,其由卷积层、池化层、全连接层以及输出层构成,其下层卷积核只对上层输出的特征图局部敏感,而池化层可以有效降低输入到下一层的数据维度,适用于学习和处理大量数据。此外,卷积神经网络的局部感知学习特点也与振动信号周期性出现的情况相契合。因此卷积神经网络适合应用到特高压换流变压器的振动信号数据中。然而特高压换流变压器的振动信号是时序的,并且其信号存在复杂的特性导致在时间维度上也蕴含着丰富的信息,CNN观察角度单一,无法充分挖掘振动信号的时间特征信息,存在信息损失。
循环神经网络RNN善于处理时序数据问题,但其只能体现信号的时间特征信息,通过提取变压器产生的振动信号时间序列的隐藏信息,从而监测特高压换流变压器的运行状态。在进行状态监测时RNN同样存在信息损失,RNN中应用最广泛的长短时记忆(Long ShortTerm Memory, LSTM)神经网络相对于RNN结构更复杂,导致训练的难度和时间增加。
现有的混合模型主要是让变压器数据先后经过CNN和RNN神经网络,特征提取完成后进行变压器状态监测。但变压器数据经过CNN的卷积和池化处理后,再通过RNN提取的特征信息会存在一定程度的空间特性丢失。
无论是哪一种基于深度学习的方法,它们一般都是通过训练特高压换流变压器的振动信号得到一个模型,然后通过这个模型去监测特高压换流变压器的运行状态。
由于特高压换流变压器的网侧绕组连接交流系统,阀侧绕组经整流装置与直流输电系统相连,在整流和逆变侧实现直流和交流的转换,与常规交流变压器不同的是:特高压换流变压器相比传统的电力变压器而言内部构造更加复杂,且特高压换流变压器由于其自身独特的效能在运行环境中时常会受到交、直流电磁场的共同作用,使得特高压换流变压器的振动信号表现出明显的非线性特性,同时会出现较多的直流偏磁现象,这些因素会增加其特征提取的难度。对于特高压换流变压器产生的非平稳非线性的振动信号,虽然现有的基于振动法的技术能够提取非平稳信号的特征,但应对复杂环境的能力明显还不够,因此在将振动法应用于特高压换流变压器运行状态监测时将面临新的挑战。
特高压换流变压器的稳定运行对于维护高压直流输电系统的安全运转至关重要,因此需要自动且准确的特高压换流变压器运行状态监测模型,实现特高压换流变压器的故障识别与预警。
发明内容
本发明所要解决的技术问题在于如何提升特高压换流变压器状态监测的准确率与鲁棒性。
本发明通过以下技术手段解决上述技术问题的:
一方面,本发明提出了一种特高压换流变压器状态监测方法,所述方法包括:
采集特高压换流变压器的振动信号并输入至状态监测模型,其中,所述状态监测模型包括多尺度卷积神经网络通道、双向门控循环单元通道和状态分类网络,所述多尺度卷积神经网络通道中每个卷积操作中加入卷积注意力模块,所述双向门控循环单元通道的输出连接有挤压激励模块;
利用所述多尺度卷积神经网络通道提取所述振动信号在空间维度上的多尺度信息特征;
利用所述双向门控循环单元通道提取所述振动信号在时间维度上的信息特征;
利用所述状态分类网络对多尺度信息特征和时间维度上的信息特征进行状态分类,确定特高压换流变压器的状态。
进一步地,所述多尺度卷积神经网络通道包括若干卷积核,每个所述卷积核之后接有批归一化层,批归一化层后接有所述卷积注意力模块。
进一步地,所述卷积注意力模块包括通道注意力子模块和空间注意力子模块,所述通道注意力子模块的输入特征图及其输出特征图中逐个元素相加后作为所述空间注意力子模块的输入特征图,所述空间注意力子模块的输入特征图及其输出特征图中逐个元素相加后作为所述卷积注意力模块的输出特征图;
所述通道注意力子模块,用于对输入的特征图进行处理,生成通道注意力特征权重向量,公式表示为:
式中,为通道注意力特征权重向量,/>为Sigmoid激活函数,/>为神经网络,/>为平均池化操作,/>为最大池化操作,/>为输入至通道注意力子模块的特征图;
所述空间注意力子模块,用于对输入的特征图进行处理,生成空间注意力特征权重向量,公式表示为:
式中,为空间注意力特征权重向量,/>为/>卷积神经网络,/>为输入至空间注意力子模块的特征图。
进一步地,所述卷积注意力模块用于根据所述通道注意力特征权重向量和空间注意力特征权重向量息生成权重,对特征图的重标定操作,公式表示为:
式中,表示两个函数中各自的元素相乘后再逐个相加;/>为输入至通道注意力子模块的特征图,/>表示输入至空间注意力子模块的特征图;/>表示求特征图的通道注意力特征权重向量,/>表示求特征图的空间注意力特征权重向量,/>是卷积注意力模块的输出结果。
进一步地,所述挤压激励模块包括包括平均池化层、最大池化层、第一Sigmoid激活函数、第一全连接层、ReLU激活函数、第二全连接层和第二Sigmoid激活函数;
所述双向门控循环单元通道的输出特征图分别输入至所述平均池化层和所述最大池化层,所述平均池化层的输出和所述最大池化层的输出经Add函数合并后输出至所述第一Sigmoid激活函数,所述第一Sigmoid激活函数的输出依次经第一全连接层、ReLU激活函数、第二全连接层连接至所述第二Sigmoid激活函数,所述第二Sigmoid激活函数的输出与输出特征图/>经挤压操作后的结果相乘。
进一步地,所述挤压激励模块的输出特征图为:
式中,表示挤压操作,/>为特征图通道数,/>,/>、/>代表特征图尺寸,为第/>通道中第/>行第/>列的值,/>表示为激励操作,/>表示/>行/>列的权重矩阵,/>表示/>行/>列的权重矩阵,/>代表缩放比例,/>是Sigmoid函数,/>是ReLU激活函数,/>代表通过计算每个通道上的特征图,/>代表通道权重向量,/>代表标量相乘。
进一步地,所述双向门控循环单元采用BiGRU。
进一步地,所述状态分类网络包括依次连接的合并层、第三全连接层和Softmax层;
所述多尺度卷积神经网络通道和所述双向门控循环单元通道的输出均连接所述合并层,所述合并层用于将所述多尺度信息特征和所述时间维度上的信息特征进行融合,得到融合特征图;
所述融合特征图经所述第三全连接层输入至所述Softmax层,得到特高压换流变压器的状态。
此外,本发明还提出了一种特高压换流变压器状态监测系统,所述系统中设置有采集模块和状态监测模型,其中:
所述采集模块,用于采集特高压换流变压器的振动信号并输入至状态监测模型,其中,所述状态监测模型包括多尺度卷积神经网络通道、双向门控循环单元通道和状态分类网络,所述多尺度卷积神经网络通道中每个卷积操作中加入卷积注意力模块,所述双向门控循环单元通道的输出连接有挤压激励模块;
所述多尺度卷积神经网络通道用于提取所述振动信号在空间维度上的多尺度信息特征;
所述双向门控循环单元通道用于提取所述振动信号在时间维度上的信息特征;
所述状态分类网络用于对多尺度信息特征和时间维度上的信息特征进行状态分类,确定特高压换流变压器的状态。
此外,本发明还提出了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如上所述的特高压换流变压器状态监测方法。
本发明的优点在于:
(1)本发明使用多尺度卷积神经网络(Multi-Scale Convolutional NeuralNetwork, MSCNN)及双向门控循环单元(Bidirectional Long Gate Recurrent Unit,BiGRU)的双通道并行挖掘数据的空间特征和时序特征,然后在双通道中分别引入改进的卷积注意力模块(Convolutional Block Attention Module, CBAM)及改进的挤压与激励模块(Squeeze And Excitation Module, SE);然后将双通道提取的特征向量合并成一个融合特征向量,输入到状态分类网络进行特高压换流变压器的状态监测;能够直接自适应地从振动信号中提取到空间特征和时序特征的融合特征信息,实现“端到端”的特高压换流变压器的状态监测,而且采用并行结构搭建双通道特征融合模型,将空间特征和时序特征进行融合,更完备的特征信息使得模型具有更好的状态监测性能,为大数据时代下特高压换流变压器的智能监测提供了一条有效的新途径。
(2)将改进的卷积注意力模块引入多尺度卷积神经网络,增强其对空间特征的提取能力;同时使用改进的挤压与激励模块对双向门控循环单元进行优化,以提取对变压器状态监测更重要的时序特征,抑制噪声干扰等无用特征;模型中引入注意力机制能够提升其对特高压换流变压器状态监测的准确率与鲁棒性。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
图1是本发明一实施例提出的一种特高压换流变压器状态监测方法的流程示意图;
图2是本发明一实施例中卷积注意力模块的结构示意图;
图3是本发明一实施例中空间注意力子模块的结构示意图;
图4是本发明一实施例中挤压激励模块的结构示意图;
图5是本发明一实施例中状态监测模型的结构示意图;
图6是本发明一实施例中特高压换流变压器振动信号的时域与频域的频谱图,(a)为时域频谱图,(b)为频域的频谱图;
图7是本发明一实施例提出的一种特高压换流变压器状态监测系统的结构示意图。
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,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。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。
如图1所示,本发明第一实施例提出了一种特高压换流变压器状态监测方法,所述方法包括以下步骤:
S10、采集特高压换流变压器的振动信号并输入至状态监测模型,其中,所述状态监测模型包括多尺度卷积神经网络通道、双向门控循环单元通道和状态分类网络,所述多尺度卷积神经网络通道中每个卷积操作中加入卷积注意力模块,所述双向门控循环单元通道的输出连接有挤压激励模块;
S20、利用所述多尺度卷积神经网络通道提取所述振动信号在空间维度上的多尺度信息特征;
S30、利用所述双向门控循环单元通道提取所述振动信号在时间维度上的信息特征;
S40、利用所述状态分类网络对多尺度信息特征和时间维度上的信息特征进行状态分类,确定特高压换流变压器的状态。
本实施例在多尺度卷积神经网络MSCNN通道中引入改进的卷积注意力模块CBAM,建立基于卷积注意力模块的多尺度卷积神经网络,其能够挖掘振动信号在数据空间上的局部重要信息特征;使用改进的挤压与激励模块SE对双向门控循环单元BIGRU的通道进行优化,其能够提取振动信号在时间维度上蕴含的丰富信息,将MSCNN与BIGRU按并列式的结构组成双通道,将空间特征和时序特征进行融合,进一步增强了模型的特征提取能力,更完备的特征信息使得模型具有更好的状态监测性能。
在一实施例中,如图5所示,所述多尺度卷积神经网络通道包括若干卷积核,每个所述卷积核之后接有批归一化层,批归一化层后接有所述卷积注意力模块。
在一实施例中,如图2所示,所述卷积注意力模块包括通道注意力子模块和空间注意力子模块,所述通道注意力子模块的输入特征图及其输出特征图中逐个元素相加后作为所述空间注意力子模块的输入特征图,所述空间注意力子模块的输入特征图及其输出特征图中逐个元素相加后作为所述卷积注意力模块的输出特征图;
通道注意力子模块利用通道相关性对通道注意力进行计算,首先需要对给定的特征图()进行挤压操作,然后同时利用平均池化层和最大池化层聚合特征图的空间信息,生成两个不同的空间上下文描述符,并将描述符传递到共享网络中,最后使其输出进行逐元素相加求和,生成通道注意力特征权重向量/>,其公式如下:
式中,为通道注意力特征权重向量,/>为Sigmoid激活函数,/>为神经网络,/>为平均池化操作,/>为最大池化操作,/>为输入至通道注意力子模块的特征图;
所述空间注意力子模块是对通道注意力子模块的补充,其能够获取重要特征的空间位置,实现对特征之间的空间相关性的描述。本实施例对CBAM中的空间注意力子模块进行改进,最大池化和平均池化虽然能很好地保留变压器振动信号的数据结构和细节信息,但不可避免地会丢失一些有意义的特征。因此,本实施例采用不同卷积核的卷积层替换最大池化和平均池化。卷积核越大,提取的全局特征越多,卷积核越小,提取的局部特征越多,不同大小的卷积核能获取不同尺寸感受野的特征,使得提取的特征信息更完备。
所述空间注意力子模块的结构如图3所示,其运算公式如下:
式中,为空间注意力特征权重向量,/>为/>卷积神经网络,/>为输入至空间注意力子模块的特征图。
在一实施例中,CBAM通过特征通道和空间两个维度的信息来生成权重,实现对原特征的重标定操作的具体过程如下:
为输入至通道注意力子模块的特征图,/>表示输入至空间注意力子模块的特征图,/>由/>通过/>运算得到,CBAM模块输出的结果/>由/>通过/>运算得到:
=/>
式中,表示两个函数中各自的元素相乘后再逐个相加;/>为输入至通道注意力子模块的特征图,/>表示输入至空间注意力子模块的特征图;/>表示求特征图的通道注意力特征权重向量,/>表示求特征图的空间注意力特征权重向量,/>是CBAM模块的输出结果。
需要说明的是,注意力机制能够依靠有限的注意力资源从待处理信息中得到关注焦点,从而快速获取更多重要的细节信息,同时屏蔽其他无关信息的干扰。
在一实施例中,如图4所示,所述挤压激励模块SE包括包括平均池化层、最大池化层、第一Sigmoid激活函数、第一全连接层、ReLU激活函数、第二全连接层和第二Sigmoid激活函数;
所述双向门控循环单元通道的输出特征图分别输入至所述平均池化层和所述最大池化层,所述平均池化层的输出和所述最大池化层的输出经Add函数合并后输出至所述第一Sigmoid激活函数,所述第一Sigmoid激活函数的输出依次经第一全连接层、ReLU激活函数、第二全连接层连接至所述第二Sigmoid激活函数,所述第二Sigmoid激活函数的输出与输出特征图/>经挤压操作后的结果相乘。
在一实施例中,所述挤压激励模块的工作过程为:
首先使用双通道化层将全局的时域特征压缩到一个通道维度上,建立通道之间的联系。输入特征为,经过挤压操作生成权重/>,第/>通道中的权重公式如下:
其中,表示挤压操作,/>为特征图通道数,/>,/>、/>代表特征图尺寸,为第/>通道中第/>行第/>列的值。
对输入特征图进行挤压操作得到全局描述特征,而激励操作用以获取通道间的相关性,并保留特征信息最大的通道,抑制信息量小的通道,激励操作后采用Sigmoid形式的门控机制得到归一化后的权重向量如下式所示:
其中,表示为激励操作,/>表示/>行/>列的权重矩阵,/>表示/>行/>列的权重矩阵,/>代表缩放比例,/>是Sigmoid函数,/>是ReLU激活函数。
将学习到的各个通道的权重向量乘以输出特征图上的原始特征,挤压激励模块SE的输出结果如下式:
其中,代表通过计算每个通道上的特征图,/>代表通道权重向量,/>代表标量相乘。
需要说明的是,挤压激励模块SE通过自动学习每个特征通道的权重分布,然后根据通道权重增激励重要信息,抑制无关信息,重新标定通道特征之间的关系。平均池化可以有效地减小数据量,因为它可以去除输入中的冗余信息。然而,平均池化的主要缺点是它可能会损失一些原始数据中重要的细节信息。最大池化的优点是它能够更好地保留输入数据的结构和重要特征,但也具有过度学习噪声的风险。
本实施例在挤压激励模块SE中将平均池化与最大池化相结合,采用双通道池化层的方式,这种方式能够获取更多的有效特征,避免无效特征,能更好地提取目标特征。改进的挤压激励模块SE的工作原理为:两个传入路径分别是最大池化和平均池化,之后使用Add函数将两部分的结果合并,最后使用Sigmoid激活函数来捕捉非线性因素,然后输出进入下一步操作。
在一实施例中,如图5所示,多尺度卷积神经网络CNN是由输入层、卷积层、池化层、全连接层和输出层组合而成的。其中,卷积层实现对数据的局部特征提取,池化层实现降采样操作,全连接层主要实现全连接以及分类预测。经卷积之后的输出公式为:
其中,是加权矩阵,/>是偏置矩阵,/>是输入数据,/>是卷积核的个数,使用ReLU激活函数的目的是为了克服梯度消失等问题。
由于特高压换流变压器振动信号具有非线性和非平稳特性,对其特征提取较为困难。因此,为了解决这一问题,本实施例采用了MSCNN结构,其包括一个多尺度卷积层,连接不同大小的卷积核,MSCNN能够从多个不同的尺度中提取特征信息,使得提取的空间特征信息更完备。
在一实施例中,如图5所示,门控循环单元GRU作为长短时记忆网络的变体,既可以解决循环网络中的长依赖问题,又具有结构简单、易收敛的特点。GRU将长短时记忆网络中的忘记门与输入门合并为更新门,更新门可以控制上一时刻的信息传递至当前结构;重置门控制当前门控循环单元对上一时刻信息的忽略程度。特征向量是根据序列由前向后的单向传播,但特高压换流变压器的振动信号是时间序列数据,门控循环单元在某时刻只能捕捉这一时刻之前的历史信息。BiGRU是门控循环单元的一个变体,既能提取振动信号的前后时间序列特征,又能解决长期依赖问题,适用于特高压换流变压器的状态监测。
BiGRU由输入层、前向隐藏层、后向隐藏层和输出层构成,BiGRU的网络结构表达式如下:
其中,GRU为传统的GRU网络运算过程;和/>分别为/>时刻前向隐藏层的状态与权重;/>和/>分别为/>时刻后向隐藏层状态与权重;/>是/>时刻隐藏层状态的偏置。
在一实施例中,所述状态分类网络包括依次连接的合并层、第三全连接层和Softmax层;
所述多尺度卷积神经网络通道和所述双向门控循环单元通道的输出均连接所述合并层,所述合并层用于将所述多尺度信息特征和所述时间维度上的信息特征进行融合,得到融合特征图;
所述融合特征图经所述第三全连接层输入至所述Softmax层,得到特高压换流变压器的状态。
本实施例中设计的状态监测模型主要分为上通道层、下通道层与识别层,将MSCNN作为上通道层,其利用3个不同尺寸的卷积核挖掘振动信号在空间维度上的多尺度信息特征,在每次卷积操作后使用批归一化层来加快训练、防止过拟合,同时在批归一化层后引入改进的CBAM模块,生成各个通道的权重并在训练过程中不断优化,更新网络参数;另外将改进的SE模块连接在BiGRU网络的输出处,并将其作为下通道层,下通道层通过更新门和重置门获取振动信号在时间维度上的信息特征。最后通过识别层将振动信号空间与时间维度上的信息特征进行融合,将Softmax层作为识别层对融合特征进行分类。
本实施例能够对特高压换流变压器的状态进行精确的监测,并且具有较好的稳定性,对噪声的鲁棒性较强,具有一定的泛化能力。该优势主要是因为算法同时考虑了振动信号的空间维度和时间维度信号的特征,并且将这些特征融合在一起,使得信号的状态特征信息更完备。
在一实施例中,本实施例采用的状态监测模型为预先训练得到的,其训练过程为:
1)采集特高压换流变压器振动信号的数据如图6所示,并将数据样本随机划分成训练集和测试集。
2)利用改进的CBAM模块优化后的MSCNN挖掘振动信号在空间维度上的多尺度信息特征;同时采用改进的SE模块优化后的BiGRU获取振动信号在时间维度上的信息特征。
3)将双通道提取的特征向量进行特征融合,将融合后的特征向量输入到Softmax层。
4)利用Softmax层实现对特高压换流变压器的状态分类,根据准确率的变化,对模型参数进行微调。
5)当模型训练完成后,将测试集数据输入到该模型,根据预测分类的输出结果,完成对特高压换流变压器的状态监测。
此外,如图7所示,本发明第二实施例公开了一种特高压换流变压器状态监测系统,所述系统中设置有采集模块10和状态监测模型20,其中:
所述采集模块10,用于采集特高压换流变压器的振动信号并输入至状态监测模型20,其中,所述状态监测模型20包括多尺度卷积神经网络通道、双向门控循环单元通道和状态分类网络,所述多尺度卷积神经网络通道中每个卷积操作中加入卷积注意力模块,所述双向门控循环单元通道的输出连接有挤压激励模块;
所述多尺度卷积神经网络通道用于提取所述振动信号在空间维度上的多尺度信息特征;
所述双向门控循环单元通道用于提取所述振动信号在时间维度上的信息特征;
所述状态分类网络用于对多尺度信息特征和时间维度上的信息特征进行状态分类,确定特高压换流变压器的状态。
在一实施例中,所述多尺度卷积神经网络通道包括若干卷积核,每个所述卷积核之后接有批归一化层,批归一化层后接有所述卷积注意力模块。
在一实施例中,所述卷积注意力模块包括通道注意力子模块和空间注意力子模块,所述通道注意力子模块的输入特征图及其输出特征图中逐个元素相加后作为所述空间注意力子模块的输入特征图,所述空间注意力子模块的输入特征图及其输出特征图中逐个元素相加后作为所述卷积注意力模块的输出特征图;
所述通道注意力子模块,用于对输入的特征图进行处理,生成通道注意力特征权重向量,公式表示为:
式中,为通道注意力特征权重向量,/>为Sigmoid激活函数,/>为神经网络,/>为平均池化操作,/>为最大池化操作,/>为输入至通道注意力子模块的特征图;
所述空间注意力子模块,用于对输入的特征图进行处理,生成空间注意力特征权重向量,公式表示为:
式中,为空间注意力特征权重向量,/>为/>卷积神经网络,/>为输入至空间注意力子模块的特征图。
在一实施例中,所述卷积注意力模块用于根据所述通道注意力特征权重向量和空间注意力特征权重向量息生成权重,对特征图的重标定操作,公式表示为:
式中,表示两个函数中各自的元素相乘后再逐个相加;/>为输入至通道注意力子模块的特征图,/>表示输入至空间注意力子模块的特征图;/>表示求特征图的通道注意力特征权重向量,/>表示求特征图的空间注意力特征权重向量,/>是卷积注意力模块的输出结果。
在一实施例中,所述挤压激励模块包括包括平均池化层、最大池化层、第一Sigmoid激活函数、第一全连接层、ReLU激活函数、第二全连接层和第二Sigmoid激活函数;
所述双向门控循环单元通道的输出特征图分别输入至所述平均池化层和所述最大池化层,所述平均池化层的输出和所述最大池化层的输出经Add函数合并后输出至所述第一Sigmoid激活函数,所述第一Sigmoid激活函数的输出依次经第一全连接层、ReLU激活函数、第二全连接层连接至所述第二Sigmoid激活函数,所述第二Sigmoid激活函数的输出与输出特征图/>经挤压操作后的结果相乘。
在一实施例中,所述挤压激励模块的输出特征图为:
式中,表示挤压操作,/>为特征图通道数,/>,/>、/>代表特征图尺寸,为第/>通道中第/>行第/>列的值,/>表示为激励操作,/>表示/>行/>列的权重矩阵,/>表示/>行/>列的权重矩阵,/>代表缩放比例,/>是Sigmoid函数,/>是ReLU激活函数,/>代表通过计算每个通道上的特征图,/>代表通道权重向量,/>代表标量相乘。/>
在一实施例中,所述双向门控循环单元采用BiGRU。
在一实施例中,所述状态分类网络包括依次连接的合并层、第三全连接层和Softmax层;
所述多尺度卷积神经网络通道和所述双向门控循环单元通道的输出均连接所述合并层,所述合并层用于将所述多尺度信息特征和所述时间维度上的信息特征进行融合,得到融合特征图;
所述融合特征图经所述第三全连接层输入至所述Softmax层,得到特高压换流变压器的状态。
本实施例将改进的卷积注意力模块引入多尺度卷积神经网络,增强其对空间特征的提取能力;同时使用改进的挤压与激励模块对双向门控循环单元进行优化,以提取对变压器状态监测更重要的时序特征,抑制噪声干扰等无用特征,模型中引入注意力机制能够提升其对特高压换流变压器状态监测的准确率与鲁棒性。采用并列式结构的双通道同时提取特高压换流变压器振动信号的空间特征向量和时序特征向量,建立双通道特征融合并行优化模型,双通道提取的特征向量融合后包含的特征信息更完备。
需要说明的是,本发明所述特高压换流变压器状态监测系统的其他实施例或具有实现方法可参照上述各方法实施例,此处不再赘余。
此外,本发明第三实施例还提出了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如上第一实施例所述的方法。
需要说明的是,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种特高压换流变压器状态监测方法,其特征在于,所述方法包括:
采集特高压换流变压器的振动信号并输入至状态监测模型,其中,所述状态监测模型包括多尺度卷积神经网络通道、双向门控循环单元通道和状态分类网络,所述多尺度卷积神经网络通道中每个卷积操作中加入卷积注意力模块,所述双向门控循环单元通道的输出连接有挤压激励模块;
利用所述多尺度卷积神经网络通道提取所述振动信号在空间维度上的多尺度信息特征;
利用所述双向门控循环单元通道提取所述振动信号在时间维度上的信息特征;
利用所述状态分类网络对多尺度信息特征和时间维度上的信息特征进行状态分类,确定特高压换流变压器的状态。
2.如权利要求1所述的特高压换流变压器状态监测方法,其特征在于,所述多尺度卷积神经网络通道包括若干卷积核,每个所述卷积核之后接有批归一化层,批归一化层后接有所述卷积注意力模块。
3.如权利要求1所述的特高压换流变压器状态监测方法,其特征在于,所述卷积注意力模块包括通道注意力子模块和空间注意力子模块,所述通道注意力子模块的输入特征图及其输出特征图中逐个元素相加后作为所述空间注意力子模块的输入特征图,所述空间注意力子模块的输入特征图及其输出特征图中逐个元素相加后作为所述卷积注意力模块的输出特征图;
所述通道注意力子模块,用于对输入的特征图进行处理,生成通道注意力特征权重向量,公式表示为:
式中,为通道注意力特征权重向量,/>为Sigmoid激活函数,/>为神经网络,为平均池化操作,/>为最大池化操作,/>为输入至通道注意力子模块的特征图;
所述空间注意力子模块,用于对输入的特征图进行处理,生成空间注意力特征权重向量,公式表示为:
式中,为空间注意力特征权重向量,/>为/>卷积神经网络,/>为输入至空间注意力子模块的特征图。
4.如权利要求3所述的特高压换流变压器状态监测方法,其特征在于,所述卷积注意力模块用于根据所述通道注意力特征权重向量和空间注意力特征权重向量息生成权重,对特征图的重标定操作,公式表示为:
式中,表示两个函数中各自的元素相乘后再逐个相加;/>为输入至通道注意力子模块的特征图,/>表示输入至空间注意力子模块的特征图;/>表示求特征图的通道注意力特征权重向量,/>表示求特征图的空间注意力特征权重向量,/>是卷积注意力模块的输出结果。
5.如权利要求1所述的特高压换流变压器状态监测方法,其特征在于,所述挤压激励模块包括包括平均池化层、最大池化层、第一Sigmoid激活函数、第一全连接层、ReLU激活函数、第二全连接层和第二Sigmoid激活函数;
所述双向门控循环单元通道的输出特征图分别输入至所述平均池化层和所述最大池化层,所述平均池化层的输出和所述最大池化层的输出经Add函数合并后输出至所述第一Sigmoid激活函数,所述第一Sigmoid激活函数的输出依次经第一全连接层、ReLU激活函数、第二全连接层连接至所述第二Sigmoid激活函数,所述第二Sigmoid激活函数的输出与输出特征图/>经挤压操作后的结果相乘。
6.如权利要求5所述的特高压换流变压器状态监测方法,其特征在于,所述挤压激励模块的输出特征图为:
式中,表示挤压操作,/>为特征图通道数,/>,/>、/>代表特征图尺寸,/>为第/>通道中第/>行第/>列的值,/>表示为激励操作,/>表示/>行/>列的权重矩阵,表示/>行/>列的权重矩阵,/>代表缩放比例,/>是Sigmoid函数,/>是ReLU激活函数,代表通过计算每个通道上的特征图,/>代表通道权重向量,/>代表标量相乘。
7.如权利要求1所述的特高压换流变压器状态监测方法,其特征在于,所述双向门控循环单元采用BiGRU。
8.如权利要求1所述的特高压换流变压器状态监测方法,其特征在于,所述状态分类网络包括依次连接的合并层、第三全连接层和Softmax层;
所述多尺度卷积神经网络通道和所述双向门控循环单元通道的输出均连接所述合并层,所述合并层用于将所述多尺度信息特征和所述时间维度上的信息特征进行融合,得到融合特征图;
所述融合特征图经所述第三全连接层输入至所述Softmax层,得到特高压换流变压器的状态。
9.一种特高压换流变压器状态监测系统,其特征在于,所述系统中设置有采集模块和状态监测模型,其中:
所述采集模块,用于采集特高压换流变压器的振动信号并输入至状态监测模型,其中,所述状态监测模型包括多尺度卷积神经网络通道、双向门控循环单元通道和状态分类网络,所述多尺度卷积神经网络通道中每个卷积操作中加入卷积注意力模块,所述双向门控循环单元通道的输出连接有挤压激励模块;
所述多尺度卷积神经网络通道用于提取所述振动信号在空间维度上的多尺度信息特征;
所述双向门控循环单元通道用于提取所述振动信号在时间维度上的信息特征;
所述状态分类网络用于对多尺度信息特征和时间维度上的信息特征进行状态分类,确定特高压换流变压器的状态。
10.一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,所述计算机程序被处理器执行时,实现如权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310968553.5A CN116680623B (zh) | 2023-08-03 | 2023-08-03 | 特高压换流变压器状态监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310968553.5A CN116680623B (zh) | 2023-08-03 | 2023-08-03 | 特高压换流变压器状态监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116680623A true CN116680623A (zh) | 2023-09-01 |
CN116680623B CN116680623B (zh) | 2023-10-27 |
Family
ID=87785872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310968553.5A Active CN116680623B (zh) | 2023-08-03 | 2023-08-03 | 特高压换流变压器状态监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116680623B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117630758A (zh) * | 2024-01-24 | 2024-03-01 | 国能大渡河检修安装有限公司 | 发电站变压器健康状态监测方法及系统 |
CN117633528A (zh) * | 2023-11-21 | 2024-03-01 | 元始智能科技(南通)有限公司 | 一种基于小样本数据修复与增强的制造车间能耗预测技术 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106443257A (zh) * | 2016-09-27 | 2017-02-22 | 河海大学 | 一种基于振动的特高压变压器状态监测系统 |
CN112307963A (zh) * | 2020-10-30 | 2021-02-02 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种基于振动信号的换流变压器运行状态识别方法 |
CN113503909A (zh) * | 2021-05-19 | 2021-10-15 | 湖南华电云通电力技术有限公司 | 一种特高压换流变压器在线监测装置及其方法 |
CN113537402A (zh) * | 2021-08-13 | 2021-10-22 | 重庆大学 | 一种基于振动信号的换流变压器多尺度融合特征提取方法 |
CN114465855A (zh) * | 2022-01-17 | 2022-05-10 | 武汉理工大学 | 一种基于注意力机制与多特征融合的自动调制识别方法 |
CN115392301A (zh) * | 2022-08-15 | 2022-11-25 | 中国南方电网有限责任公司超高压输电公司大理局 | 换流变压器状态识别方法、装置、设备、介质和程序产品 |
CN115700330A (zh) * | 2022-10-19 | 2023-02-07 | 中国计量大学 | 时空融合深度神经网络的锅炉再热器温度偏差预测方法 |
CN115828754A (zh) * | 2022-12-09 | 2023-03-21 | 辽宁石油化工大学 | 基于多尺度时空融合网络模型的刀具磨损状态监测方法 |
-
2023
- 2023-08-03 CN CN202310968553.5A patent/CN116680623B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106443257A (zh) * | 2016-09-27 | 2017-02-22 | 河海大学 | 一种基于振动的特高压变压器状态监测系统 |
CN112307963A (zh) * | 2020-10-30 | 2021-02-02 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种基于振动信号的换流变压器运行状态识别方法 |
CN113503909A (zh) * | 2021-05-19 | 2021-10-15 | 湖南华电云通电力技术有限公司 | 一种特高压换流变压器在线监测装置及其方法 |
CN113537402A (zh) * | 2021-08-13 | 2021-10-22 | 重庆大学 | 一种基于振动信号的换流变压器多尺度融合特征提取方法 |
CN114465855A (zh) * | 2022-01-17 | 2022-05-10 | 武汉理工大学 | 一种基于注意力机制与多特征融合的自动调制识别方法 |
CN115392301A (zh) * | 2022-08-15 | 2022-11-25 | 中国南方电网有限责任公司超高压输电公司大理局 | 换流变压器状态识别方法、装置、设备、介质和程序产品 |
CN115700330A (zh) * | 2022-10-19 | 2023-02-07 | 中国计量大学 | 时空融合深度神经网络的锅炉再热器温度偏差预测方法 |
CN115828754A (zh) * | 2022-12-09 | 2023-03-21 | 辽宁石油化工大学 | 基于多尺度时空融合网络模型的刀具磨损状态监测方法 |
Non-Patent Citations (3)
Title |
---|
LIJINGWANG 等: "Fault Diagnosis of Motor Vibration Signals by Fusion of Spatiotemporal Features", 《MACHINES》, vol. 10, no. 246, pages 151 - 168 * |
武雍烨: "基于振动法的换流变压器运行状态识别方法及实验研究", 《中国优秀硕士学位论文全文数据库 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》》, pages 042 - 270 * |
王彦彪 等: "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》, vol. 37, no. 2, pages 22 - 29 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117633528A (zh) * | 2023-11-21 | 2024-03-01 | 元始智能科技(南通)有限公司 | 一种基于小样本数据修复与增强的制造车间能耗预测技术 |
CN117630758A (zh) * | 2024-01-24 | 2024-03-01 | 国能大渡河检修安装有限公司 | 发电站变压器健康状态监测方法及系统 |
CN117630758B (zh) * | 2024-01-24 | 2024-05-03 | 国能大渡河检修安装有限公司 | 发电站变压器健康状态监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116680623B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116680623B (zh) | 特高压换流变压器状态监测方法及系统 | |
Zhou et al. | Battery health prognosis using improved temporal convolutional network modeling | |
CN115013298B (zh) | 污水泵的实时性能在线监测系统及其监测方法 | |
CN116628616B (zh) | 一种大功率充电能源的数据处理方法及系统 | |
Bian et al. | Robust state-of-charge estimation of Li-ion batteries based on multichannel convolutional and bidirectional recurrent neural networks | |
CN114495152A (zh) | 一种步态数据分类方法、计算机可读存储介质及装置 | |
Wang et al. | Yolox-BTFPN: An anchor-free conveyor belt damage detector with a biased feature extraction network | |
CN115587335A (zh) | 异常值检测模型的训练方法、异常值检测方法及系统 | |
EP3985574A1 (en) | Method and apparatus with neural network pruning | |
Sheikh et al. | A data-driven comparative analysis of lithium-ion battery state of health and capacity estimation | |
Zhao et al. | D-NMS: A dynamic NMS network for general object detection | |
CN116681885A (zh) | 输变电设备红外图像目标识别方法及系统 | |
CN116842459B (zh) | 一种基于小样本学习的电能计量故障诊断方法及诊断终端 | |
CN117406100A (zh) | 锂离子电池剩余寿命预测方法和系统 | |
CN116400244B (zh) | 储能电池的异常检测方法及装置 | |
CN112287752A (zh) | 一种水力发电机转轴早期故障特征的提取方法 | |
CN114372999A (zh) | 一种对象检测方法、装置、电子设备和存储介质 | |
CN117195105B (zh) | 基于多层卷积门控循环单元的齿轮箱故障诊断方法及装置 | |
Yin et al. | A lightweight algorithm for woven fabric defect detection | |
Zhang et al. | Using Improved YOLOX for Underwater Object Recognition | |
Zhang et al. | Differentiable sampling based efficient architecture search for automatic fault diagnosis | |
Liu et al. | Combined attention mechanism and CenterNet pedestrian detection algorithm | |
CN116541794B (zh) | 一种基于自适应图注意网络的传感器数据异常检测方法 | |
Rashedul Islam et al. | Multi-core accelerated discriminant feature selection for real-time bearing fault diagnosis | |
Li et al. | An Improved YOLO-v4 Algorithm for Recognition and Detection of Underwater Small Targets |
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 |