-
公开(公告)号：CN118861812A
公开(公告)日：2024-10-29
申请号：CN202410893170.0
申请日：2024-07-04
Applicant: 湖南大学
IPC: G06F18/241 , G06F18/10 , G06F18/2431 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于改进变分量子阴影学习的电力变压器故障诊断方法，包括：采集变压器油中溶解气体数据，与预设变压器状态信息组成第一数据集；将第一数据集预处理得到第二数据集；将第二数据集按预设比例划分得到训练集和测试集；根据训练集对第一模型进行预设次数的训练，并在每次训练后根据测试集对第一模型进行性能评估；当性能评估结果不满足预设条件时调整第一模型的超参数后再进入下次训练；第一模型包括基于改进的VQSL框架的模型，改进的VQSL框架包括将参数共享的局部量子电路并行作用于与局部量子电路具有相同宽度的量子比特子集的第一模块；训练完成后得到第二模型；根据第二模型对变压器进行故障分类，完成变压器的故障诊断。
-
公开(公告)号：CN114140440B
公开(公告)日：2025-04-18
申请号：CN202111468285.8
申请日：2021-12-03
Applicant: 湖南大学
IPC: G06T7/00 , G06V10/774
Abstract: 本发明公开了一种吸波涂层缺陷检测模型训练方法、缺陷检测方法及系统，对吸波涂层进行微波加热，并获取热图像序列，由于正常区域与含有缺陷区域的热图像不同，因此可提取正常区域和缺陷区域的特征信息，再根据特征信息对热图像序列中每个像素点的时间‑温度曲线进行缺陷标记，利用由时间‑温度曲线和缺陷标记构成的训练样本对缺陷检测模型进行训练，最后利用训练后的缺陷检测模型实现对吸波涂层的智能化检测，最大检测深度达0.3mm，径深比值最小为1.5，实现吸波涂层的像素级检测；采用谐振腔+微波加热技术保证了微波在谐振腔内保持均匀场强，在对试件或吸波涂层加热时，实现大面积均匀加热，提高了加热效率和加热效果。
-
公开(公告)号：CN114444972A
公开(公告)日：2022-05-06
申请号：CN202210177110.X
申请日：2022-02-24
Applicant: 湖南大学
Abstract: 本发明涉及人工智能及电力领域。公开了一种基于图神经网络的电力变压器健康状态评估方法，全面考虑了多指标及指标间复杂关系，并通过主客观赋权法实现健康状态评估；本发明提出的评估方法从变压器的基本信息、运行信息、试验信息和故障检修信息中选取多个关键性评估指标构建健康状态评估体系；由于底层指标众多，通过层次分析法和健康指数法获得相应综合指标的健康指数；利用综合指标关系图构建图神经网络，再通过故障检修信息进行修正，最终实现变压器健康状态的评估；利用建立的变压器样本集对模型进行训练，将训练好的健康状态评估模型应用于实例验证，实验结果表明该方法能够更准确地得到变压器的健康状态。
-
公开(公告)号：CN112348255A
公开(公告)日：2021-02-09
申请号：CN202011232819.2
申请日：2020-11-06
Applicant: 湖南大学
Abstract: 本发明公开了一种基于小波时频图像化的超短期风电功率预测方法，包括获取原始输入数据集，并对原始输入数据集的输入数据进行预处理；对处理后的输入数据进行小波时频分析，提取历史时间序列的时域特征和频域特征，生成对应的时频图；根据时频图的特性、原始输入数据集的大小、硬件平台的条件，搭建神经网络预测模型；并根据图像特征提取结果、训练误差结果和最终预测结果对神经网络预测模型的参数进行调整，以获取最优预测结果。这种方法一方面可充分利用时间序列的时频信息，另一方面可充分利用二维卷积优良特性，实现对风电功率的时间序列精准的超短期预测。
-
公开(公告)号：CN112348255B
公开(公告)日：2024-04-09
申请号：CN202011232819.2
申请日：2020-11-06
Applicant: 湖南大学
IPC: G06F18/27 , G06F18/2131 , G06N3/0464 , G06N3/084 , H02J3/00 , H02J3/38 , G06Q10/04 , G06Q50/06 , G06F123/02
Abstract: 本发明公开了一种基于小波时频图像化的超短期风电功率预测方法，包括获取原始输入数据集，并对原始输入数据集的输入数据进行预处理；对处理后的输入数据进行小波时频分析，提取历史时间序列的时域特征和频域特征，生成对应的时频图；根据时频图的特性、原始输入数据集的大小、硬件平台的条件，搭建神经网络预测模型；并根据图像特征提取结果、训练误差结果和最终预测结果对神经网络预测模型的参数进行调整，以获取最优预测结果。这种方法一方面可充分利用时间序列的时频信息，另一方面可充分利用二维卷积优良特性，实现对风电功率的时间序列精准的超短期预测。
-
Patent Agency Ranking
公开(公告)号：CN114140440A
公开(公告)日：2022-03-04
申请号：CN202111468285.8
申请日：2021-12-03
Applicant: 湖南大学
IPC: G06T7/00 , G06K9/62 , G06V10/774
Abstract: 本发明公开了一种吸波涂层缺陷检测模型训练方法、缺陷检测方法及系统，对吸波涂层进行微波加热，并获取热图像序列，由于正常区域与含有缺陷区域的热图像不同，因此可提取正常区域和缺陷区域的特征信息，再根据特征信息对热图像序列中每个像素点的时间‑温度曲线进行缺陷标记，利用由时间‑温度曲线和缺陷标记构成的训练样本对缺陷检测模型进行训练，最后利用训练后的缺陷检测模型实现对吸波涂层的智能化检测，最大检测深度达0.3mm，径深比值最小为1.5，实现吸波涂层的像素级检测；采用谐振腔+微波加热技术保证了微波在谐振腔内保持均匀场强，在对试件或吸波涂层加热时，实现大面积均匀加热，提高了加热效率和加热效果。
-
公开(公告)号：CN113780420A
公开(公告)日：2021-12-10
申请号：CN202111064277.7
申请日：2021-09-10
Applicant: 湖南大学
Abstract: 基于GRU‑GCN的变压器油中溶解气体浓度预测方法包括：先对变压器油中溶解气体浓度历史数据进行预处理，得到气体浓度数据和气体关联拓扑图；其次构建基于GRU‑GCN的变压器油中溶解气体浓度预测模型，该模型用GRU网络提取气体浓度数据时间特征，用改进GCN从各气体时间特征提取关联特征；将气体浓度数据分为训练集和测试集，对模型进行训练；对训练后的模型进行评估、调整，得到最优模型；最后，将数据输入最优模型中得到预测结果。本发明GRU网络可以有效提取各气体浓度时间特征，避免模型训练时“长期依赖”问题，且网络参数少，便于训练；改进GCN可更有效地提取气体关联特征。本发明可有效提高气体浓度预测结果的可靠性和准确度。
-
公开(公告)号：CN113780420B
公开(公告)日：2023-11-07
申请号：CN202111064277.7
申请日：2021-09-10
Applicant: 湖南大学
IPC: G06F18/214 , G06N3/0442 , G06N3/0464 , G01N33/28
Abstract: 基于GRU‑GCN的变压器油中溶解气体浓度预测方法包括：先对变压器油中溶解气体浓度历史数据进行预处理，得到气体浓度数据和气体关联拓扑图；其次构建基于GRU‑GCN的变压器油中溶解气体浓度预测模型，该模型用GRU网络提取气体浓度数据时间特征，用改进GCN从各气体时间特征提取关联特征；将气体浓度数据分为训练集和测试集，对模型进行训练；对训练后的模型进行评估、调整，得到最优模型；最后，将数据输入最优模型中得到预测结果。本发明GRU网络可以有效提取各气体浓度时间特征，避免模型训练时“长期依赖”问题，且网络参数少，便于训练；改进GCN可更有效地提取气体关联特征。本发明可有效提高气体浓度预测结果的可靠性和准确度。
-
公开(公告)号：CN103699947A
公开(公告)日：2014-04-02
申请号：CN201410019270.7
申请日：2014-01-16
Applicant: 湖南大学
Abstract: 本发明公开了一种基于元学习的电力系统负荷组合预测方法。本发明的有益效果如下：(1)元学习是在学习结果的基础上进行多次学习得到最终结果。它利用前一层模型的输出结果和预测序列的特征属性作为下一层学习的输入信息，使得前一次的学习能够充分应用于后面的归纳过程，从而发现并纠正所使用的学习算法中的系统偏差，提高学习精度。(2)元学习通过设定均方误差最小，通过判定条件调整门控网络参数，从而获得最优权值，为优化确定负荷组合预测模型的权重提供参考依据。
-
公开(公告)号：CN114444972B
公开(公告)日：2024-06-18
申请号：CN202210177110.X
申请日：2022-02-24
Applicant: 湖南大学
Abstract: 本发明涉及人工智能及电力领域。公开了一种基于图神经网络的电力变压器健康状态评估方法，全面考虑了多指标及指标间复杂关系，并通过主客观赋权法实现健康状态评估；本发明提出的评估方法从变压器的基本信息、运行信息、试验信息和故障检修信息中选取多个关键性评估指标构建健康状态评估体系；由于底层指标众多，通过层次分析法和健康指数法获得相应综合指标的健康指数；利用综合指标关系图构建图神经网络，再通过故障检修信息进行修正，最终实现变压器健康状态的评估；利用建立的变压器样本集对模型进行训练，将训练好的健康状态评估模型应用于实例验证，实验结果表明该方法能够更准确地得到变压器的健康状态。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.014 seconds)
