-
公开(公告)号：CN109212392B
公开(公告)日：2021-01-08
申请号：CN201811114341.6
申请日：2018-09-25
Applicant: 上海交通大学 , 国网浙江省电力有限公司舟山供电公司
Abstract: 本发明公开了直流电缆局部放电缺陷故障的识别方法，包括步骤：(1)采集直流电缆的若干种绝缘缺陷放电模型的q‑Δt‑n局部放电信号图；(2)将q‑Δt‑n局部放电信号图进行归一化处理，以得到训练样本；(3)构建Caffe卷积神经网络；(4)采用训练样本训练Caffe卷积神经网络；(5)将待识别局部放电信号图输入经过训练的Caffe卷积神经网络中，获得识别结果。此外，本发明还公开了用于直流电缆局部放电缺陷故障识别的Caffe卷积神经网络。另外，本发明还公开了直流电缆局部放电缺陷故障的识别系统，包括：信号采集模块、预处理模块以及Caffe卷积神经网络。该识别方法进行直流电缆的故障识别，以保证供电可靠。
-
公开(公告)号：CN109212392A
公开(公告)日：2019-01-15
申请号：CN201811114341.6
申请日：2018-09-25
Applicant: 上海交通大学 , 国网浙江省电力有限公司舟山供电公司
Abstract: 本发明公开了直流电缆局部放电缺陷故障的识别方法，包括步骤：(1)采集直流电缆的若干种绝缘缺陷放电模型的q-Δt-n局部放电信号图；(2)将q-Δt-n局部放电信号图进行归一化处理，以得到训练样本；(3)构建Caffe卷积神经网络；(4)采用训练样本训练Caffe卷积神经网络；(5)将待识别局部放电信号图输入经过训练的Caffe卷积神经网络中，获得识别结果。此外，本发明还公开了用于直流电缆局部放电缺陷故障识别的Caffe卷积神经网络。另外，本发明还公开了直流电缆局部放电缺陷故障的识别系统，包括：信号采集模块、预处理模块以及Caffe卷积神经网络。该识别方法进行直流电缆的故障识别，以保证供电可靠。
-
公开(公告)号：CN109164362B
公开(公告)日：2021-01-08
申请号：CN201811113943.X
申请日：2018-09-25
Applicant: 上海交通大学 , 国网浙江省电力有限公司舟山供电公司
IPC: G01R31/12
Abstract: 本发明公开了一种直流电缆局部放电缺陷故障的识别方法，其包括步骤：(1)采集直流电缆的若干种绝缘缺陷放电模型的局部放电脉冲波形信号；(2)提取局部放电脉冲波形信号的有效信息，以得到训练样本；(3)构建基于受限玻尔兹曼机的深度信念网络，采用训练样本对所述深度信念网络进行无监督训练，以得到网络参数；(4)对所述深度信念网络进行有监督训练，以优化网络参数；(5)将待识别局部放电脉冲波形信号输入经过训练的所述深度信念网络中，以从其输出获得识别结果。此外，本发明还公开了一种直流电缆局部放电缺陷故障的识别系统，包括：信号采集模块、预处理模块以及信号处理模块。直流电缆局部放电缺陷故障的识别方法及系统准确率高。
-
公开(公告)号：CN109164362A
公开(公告)日：2019-01-08
申请号：CN201811113943.X
申请日：2018-09-25
Applicant: 上海交通大学 , 国网浙江省电力有限公司舟山供电公司
IPC: G01R31/12
CPC classification number: G01R31/1272
Abstract: 本发明公开了一种直流电缆局部放电缺陷故障的识别方法，其包括步骤：(1)采集直流电缆的若干种绝缘缺陷放电模型的局部放电脉冲波形信号；(2)提取局部放电脉冲波形信号的有效信息，以得到训练样本；(3)构建基于受限玻尔兹曼机的深度信念网络，采用训练样本对所述深度信念网络进行无监督训练，以得到网络参数；(4)对所述深度信念网络进行有监督训练，以优化网络参数；(5)将待识别局部放电脉冲波形信号输入经过训练的所述深度信念网络中，以从其输出获得识别结果。此外，本发明还公开了一种直流电缆局部放电缺陷故障的识别系统，包括：信号采集模块、预处理模块以及信号处理模块。直流电缆局部放电缺陷故障的识别方法及系统准确率高。
-
公开(公告)号：CN110334948A
公开(公告)日：2019-10-15
申请号：CN201910602681.1
申请日：2019-07-05
Applicant: 上海交通大学 , 上海交通大学烟台信息技术研究院
Abstract: 本发明公开了一种基于特征量预测的电力设备局部放电严重程度评估方法，其包括训练步骤和评估步骤，其中：训练步骤包括：(1)收集电力设备的案例PRPS图谱数据；(2)对收集的案例PRPS图谱数据进行预处理；(3)采用自编码器提取的案例PRPS图谱数据的局部放电特征向量；(4)构建门控循环单元模块，输入局部放电特征向量以对其进行训练，以使其输出预测局部放电特征向量；(5)构建基于卷积神经网络的故障二分类模块，采用预测局部放电特征向量作为输入以对其进行训练，以使其基于预测局部放电特征向量所表征的故障概率值而输出该预测局部放电特征向量是否表征电力设备故障的判断。
-
Patent Agency Ranking
公开(公告)号：CN110334865A
公开(公告)日：2019-10-15
申请号：CN201910602682.6
申请日：2019-07-05
Applicant: 上海交通大学 , 上海交通大学烟台信息技术研究院
Abstract: 本发明公开了一种基于卷积神经网络的电力设备故障率预测方法，其包括训练步骤和预测步骤，其中，训练步骤包括：(1)收集电力设备的案例PRPS图谱；(2)对收集的案例PRPS图谱数据进行预处理；(3)构建第一卷积神经网络模块，并对第一卷积神经网络模块进行训练，以使其输出为案例PRPS图谱数据对应的缺陷类型；(4)基于缺陷类型构建各个缺陷类型的数据集；(5)对应各个缺陷类型分别构建各自的故障二分类子模块，其中每一个故障二分类子模块均基于第二卷积神经网络模块而构建；训练第二卷积神经网络，以使各故障二分类子模块基于案例PRPS图谱数据所得到发生故障的概率值，而输出电力设备是否发生故障的判断。
-
公开(公告)号：CN110008964A
公开(公告)日：2019-07-12
申请号：CN201910241551.X
申请日：2019-03-28
Applicant: 上海交通大学 , 上海交通大学烟台信息技术研究院
IPC: G06K9/46
Abstract: 本发明公开了一种高效的异源图像的角点特征提取与描述方法，对于特征相似度较低的异源图像，先采用FAST方法提取图像中的结构性特征较为显著的角点，再采用PIIFD特征描述符考虑异源图像的梯度翻转效应，对角点特征进行统一的描述。本发明技术解决方案简单，鲁棒性高，实用性强，不易受图像品质的影响，能克服异源图像特征差异较大、特征较为模糊、图像噪声干扰较大等问题，可以很好地解决目前主要特征提取方法在处理异源图像时特征提取准确率低、特征显著性低、计算复杂度高、可靠性差的问题。
-
公开(公告)号：CN110334948B
公开(公告)日：2023-04-07
申请号：CN201910602681.1
申请日：2019-07-05
Applicant: 上海交通大学 , 上海交通大学烟台信息技术研究院
IPC: G06Q10/0635 , G06Q10/0639 , G06Q50/06 , G06F18/214 , G01R31/12
Abstract: 本发明公开了一种基于特征量预测的电力设备局部放电严重程度评估方法，其包括训练步骤和评估步骤，其中：训练步骤包括：(1)收集电力设备的案例PRPS图谱数据；(2)对收集的案例PRPS图谱数据进行预处理；(3)采用自编码器提取的案例PRPS图谱数据的局部放电特征向量；(4)构建门控循环单元模块，输入局部放电特征向量以对其进行训练，以使其输出预测局部放电特征向量；(5)构建基于卷积神经网络的故障二分类模块，采用预测局部放电特征向量作为输入以对其进行训练，以使其基于预测局部放电特征向量所表征的故障概率值而输出该预测局部放电特征向量是否表征电力设备故障的判断。
-
公开(公告)号：CN110334866B
公开(公告)日：2022-11-11
申请号：CN201910602683.0
申请日：2019-07-05
Applicant: 上海交通大学 , 上海交通大学烟台信息技术研究院
Abstract: 本发明公开了一种考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法，其包括步骤：(1)采集电力设备的PRPS图谱数据并对其进行预处理；(2)基于经过预处理的PRPS图谱数据提取局部放电特征；(3)将局部放电特征输入经过训练的卷积神经网络，经过训练的卷积神经网络输出电力设备具有某类绝缘缺陷的概率值P(Dk)；并且还将局部放电特征输入经过训练的长短时记忆神经网络，经过训练的长短时记忆神经网络输出电力设备在Dk的条件下发生故障的概率P(F|Dk)；(4)基于下述公式获得电力设备的最终故障概率P(F)：此外，本发明还公开了一种电力设备故障概率预测系统。
-
公开(公告)号：CN110334866A
公开(公告)日：2019-10-15
申请号：CN201910602683.0
申请日：2019-07-05
Applicant: 上海交通大学 , 上海交通大学烟台信息技术研究院
Abstract: 本发明公开了一种考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法，其包括步骤：(1)采集电力设备的PRPS图谱数据并对其进行预处理；(2)基于经过预处理的PRPS图谱数据提取局部放电特征；(3)将局部放电特征输入经过训练的卷积神经网络，经过训练的卷积神经网络输出电力设备具有某类绝缘缺陷的概率值P(Dk)；并且还将局部放电特征输入经过训练的长短时记忆神经网络，经过训练的长短时记忆神经网络输出电力设备在Dk的条件下发生故障的概率P(F|Dk)；(4)基于下述公式获得电力设备的最终故障概率P(F)：此外，本发明还公开了一种电力设备故障概率预测系统。
-
-
-
-
-
-
-
-
-
Search Results
154
records
(took 0.052 seconds)
