基于MA-DBN的GIS分解气体含量预测方法

    公开(公告)号:CN110309586B

    公开(公告)日:2023-01-03

    申请号:CN201910575744.9

    申请日:2019-06-28

    Abstract: 本发明公开的基于MA‑DBN的GIS分解气体含量预测方法,首先,采集国网对GIS设备监测到的一段时间内的SO2、SO2F2、SO2F2/SO2、气温、湿度以及海拔数据;然后,构建MA模型,将采集的气体数据作为该模型的输入,预测出未来时间段的气体数据;最后,构建DBN模型,将预测出的气体数据作为DBN模型的输入,通过DBN模型的修正后得到准确预测的未来时间段的气体数据。本发明公开的方法MA算法模型预测不精准的问题,具有收敛速度快且不易陷入局部最优的优点,通过本发明的方法能够在GIS开关设备发生故障之前,得以提前消除,减少了GIS设备故障带来的经济损失。

    一种基于深度信念网络的高压断路器故障诊断方法

    公开(公告)号:CN109086817B

    公开(公告)日:2022-04-26

    申请号:CN201810827990.4

    申请日:2018-07-25

    Inventor: 黄新波 王宁

    Abstract: 本发明公开了一种基于深度信念网络的高压断路器故障诊断方法,具体步骤为,步骤1:选取实验所需的数据样本,将统一标准化后的样本数据按照特定比例分为测试样本和训练样本。步骤2:搭建并初始化DBN深度信念网络故障诊断模型。步骤3:将预训练集中的大量无标签样本或去标签样本从模型底部输入,采用逐层无监督贪婪学习对模型中RBM进行预训练;步骤4:采用遗传算法对整个模型进行微调,步骤5,将训练获得的高压断路器故障诊断模型对步骤1中的测试集样本进行故障分类,得出故障分类结果,并统计模型诊断准确率。本发明的一种基于深度信念网络的高压断路器故障诊断方法,能够对大数据量样本进行训练,来实现高压断路器故障诊断功能。

    基于HPSO-TSVM的高压断路器故障诊断方法

    公开(公告)号:CN110703077B

    公开(公告)日:2021-10-15

    申请号:CN201910913509.8

    申请日:2019-09-25

    Abstract: 本发明公开了基于HPSO‑TSVM的高压断路器故障诊断方法,具体按以下步骤实施:步骤1:选取典型数据样本,按照4:1的比例分为训练样本和测试样本;步骤2:提取经步骤1所得的训练样本的输入特征向量,采用改进的F‑Score特征选择算法进行特征选择,得到一个最佳的特征子集;步骤3:对经步骤2得到最佳的特征子集样本作为HPSO‑TSVM的训练样本进行训练;步骤4:利用步骤3建立好的高压断路器故障诊断模型对故障数据集中的测试样本进行分类,统计其分类准确率。本发明的高压断路器故障诊断方法,能够准确实现高压断路器故障诊断。

    一种基于边缘检测的瓷质绝缘子裂缝特征检测方法

    公开(公告)号:CN108257138B

    公开(公告)日:2021-07-30

    申请号:CN201810078201.1

    申请日:2018-01-26

    Abstract: 本发明公开了一种基于边缘检测的瓷质绝缘子裂缝特征检测方法,具体按照以下步骤实施:步骤1:将采集到的彩色绝缘子图像分解为R、G、B三个通道,然后采用中值滤波去除图像在采集和传输过程中产生的噪声;步骤2:用改进的kirsch边缘检测算子分别对预处理后的三个单通道图像进行边缘检测;步骤3:采用最大类间方差法分割图像,提取得到绝缘子的裂缝区域;步骤4:计算裂缝与水平方向的夹角α,判断裂缝类型,然后分别计算R、G、B三个通道中裂缝的中心坐标、长度和面积,取其平均值作为最终检测到的绝缘子裂缝特征值。该方法能够通过边缘检测及拟合可以得到裂缝的中心坐标、面积、长度等特征,实现裂缝缺陷的非接触、在线监测。

    一种局部放电的异型波检测装置及检测方法

    公开(公告)号:CN110146790B

    公开(公告)日:2021-01-26

    申请号:CN201910372853.0

    申请日:2019-05-06

    Abstract: 本发明公开了局部放电的异型波检测装置,包括有任意信号发生器a、高压电源放大器a、高频分压器a、罗氏线圈、数据采集卡、前置微小信号放大器及PC机。该装置能够用于实验室检测绝缘缺陷局部放电的放电量和放电幅值。本发明还公开了局部放电的异型波检测方法,具体为:步骤1:制备电力设备典型绝缘缺陷试样,搭建局部放电的异型波检测装置;步骤2:设计异型波波形,并检测验证异型波性能,将所有已通过验证不存在畸变,且可以稳定用于局部放电研究的异型波保存;步骤3:应用步骤1所搭建的局部放电的异型波检测装置及步骤2所保存的无畸变且稳定的异型波为绝缘缺陷试样进行异型波局部放电实验操作,并为之匹配最佳的异型波。

    基于GHPSO-BP的高压断路器故障诊断方法

    公开(公告)号:CN109298330B

    公开(公告)日:2021-01-05

    申请号:CN201811418668.2

    申请日:2018-11-26

    Abstract: 本发明公开了一种基于GHPSO‑BP的高压断路器故障诊断方法,具体按以下步骤实施:步骤1:选取典型的数据样本,将归一化处理后的样本数据按照特定比例分为测试样本和训练样本;步骤2:对经步骤1归一化处理后所得的训练样本,对其条件属性约简特征信息并从中提取决策规则,构建约简决策表;步骤3:将经步骤2中构建的约简决策表中的约简特征信息作为构建GHPSO‑BP神经网络的输入,以此建立起基于GHPSO‑BP的高压断路器故障诊断模型;步骤4:将步骤3训练获得的高压断路器故障诊断模型对步骤1中的测试集样本进行故障分类,得出故障分类结果,并统计模型诊断准确率。本故障诊断方法能够准确实现高压断路器故障诊断。

    一种基于电场传感器的配电网运行电压检测方法

    公开(公告)号:CN111308162A

    公开(公告)日:2020-06-19

    申请号:CN202010197124.9

    申请日:2020-03-19

    Abstract: 本发明公开了一种基于电场传感器的配电网运行电压检测方法,其特征在于,步骤包括:1)首先在配电线路的正下方安装信号检测与处理单元;2)将电场传感器放入配电线路A相的正下方后,让电场传感器的测量方向与点电荷的电力线方向一致;3)以三相配电线路为例,设置三个电场传感器接收端,每个电场传感器接收到的信号都含有三个电场信号源的线性叠加,将步骤2采集的某个周期内的电场强度数据,获得观测信号的多项式表达式;4)电场传感器获得固定位置的电场变化观测信号后,通过算法将其分离得到三相配电线路原始电信号;5)计算得到配电网的运行电压。本发明方法显著降低对被测空间电场的畸变干扰,精度测量高。

    基于改进遗传算法的变压器样本选择方法

    公开(公告)号:CN107679615B

    公开(公告)日:2020-06-19

    申请号:CN201710791842.7

    申请日:2017-09-05

    Abstract: 本发明公开了基于改进遗传算法的变压器样本选择方法,具体按照以下步骤实施:步骤1、对训练样本进行二进制编码,并进行种群初始化,设置最大迭代数T,种群规模为N;步骤2、经步骤1后,将种群分为个体为n的子种群,称为探测块,在进化过程中产生一个包含较好个体的种群,称为开发块,将开发块与探测块结合对变压器样本进行选择;步骤3、待步骤2完成后,利用文化算法对多种群遗传算法进行改进提升,在相应的进化操作之下得到最终适应度最大的个体,完成基于改进遗传算法的变压器样本选择。本发明基于改进遗传算法的变压器样本选择方法,利用多种群遗传算法对变压器进行训练样本选优,并利用文化算法对其进行改进,能获得最佳样本。

    一种基于混合采样和集成学习的变压器状态识别方法

    公开(公告)号:CN111275204A

    公开(公告)日:2020-06-12

    申请号:CN202010117648.2

    申请日:2020-02-25

    Abstract: 本发明公开了一种基于混合采样和集成学习的变压器状态识别方法,具体为:步骤1:将收集到的变压器油中溶解气体数据分为两个数据集;步骤2:对步骤1得到的训练集进行SMOTE过采样,将进行SMOTE过采样后的数据集记为新故障训练数据集;步骤3:将得到的新正常训练数据集 与步骤2得到的新故障训练数据集组合产生新的均衡数据集;步骤4:以最小二乘支持向量机为基分类器,利用步骤3生成的q组均衡子数据集训练q个基分类器;步骤5:将步骤4训练得到的q个基分类器进行集成得到强分类器对变压器进行状态识别;通过组合得到的强分类器即为变压器状态识别最优模型,对模型进行测试。该方法能够对变压器状态进行准确的识别。

    基于GA-Bi-RNN的高压断路器故障诊断方法

    公开(公告)号:CN111060815A

    公开(公告)日:2020-04-24

    申请号:CN201911303417.4

    申请日:2019-12-17

    Abstract: 本发明公开了基于GA-Bi-RNN的高压断路器故障诊断方法,具体为:S1、利用分合闸线圈电流在线监测系统实时监测得到分合闸线圈电流数据,并将该数据分为训练集和测试集一同作为输入变量;S2、初始化权值,将训练集样本数据输入至Bi-RNN中,采用GA作为误差反传优化更新每一代的特征信息参量,并将其作为输入,以均方误差作为适应度,以一定迭代次数为模型终止条件,选择预测特征量最优组合,完成模型训练;S3、将得到的测试集样本数据输入至训练好的故障诊断模型中,由故障诊断模型对输入的分合闸线圈电流数据进行处理,完成高压断路器故障诊断分类。本方法能更加准确有效地判断断路器的故障类型,进而有效率的完成检修。

Patent Agency Ranking