[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN110516742A - 一种基于组合神经网络模型的配电终端故障判别方法及系统 - Google Patents

一种基于组合神经网络模型的配电终端故障判别方法及系统 Download PDF

Info

Publication number
CN110516742A
CN110516742A CN201910803104.9A CN201910803104A CN110516742A CN 110516742 A CN110516742 A CN 110516742A CN 201910803104 A CN201910803104 A CN 201910803104A CN 110516742 A CN110516742 A CN 110516742A
Authority
CN
China
Prior art keywords
training set
time
layer
distribution terminal
fault
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.)
Pending
Application number
CN201910803104.9A
Other languages
English (en)
Inventor
宋旭东
韩博文
张晓平
高雅
侯艾君
陈小军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Electric Power Research Institute of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Electric Power Research Institute of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd, Electric Power Research Institute of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN201910803104.9A priority Critical patent/CN110516742A/zh
Publication of CN110516742A publication Critical patent/CN110516742A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请具体涉及一种基于组合神经网络模型的配电终端故障判别方法及系统，通过对配电终端测量系统测得的时域的电气数据进行时域变换得到各数据的时频图谱并构成原始训练集，利用生成式对抗神经网络GAN对原始训练集生成扩容，根据随机数序列随机生成的新时频图谱与原始训练集构成新训练集，为卷积神经网络CNN提供更多更全面的训练样本；在GAN生成式扩容的基础上应用卷积神经网络CNN进行模型训练，大大提高了判别模型对未知故障类型的数据的判别准确度；本发明提供的方法和系统可以对故障类型在线判别，及时反馈配电终端的设备运行状态，无需在离线状态下到设备现场才能对设备检修获得故障类型，从而提高运维效率和减少运维工作量。

Description

一种基于组合神经网络模型的配电终端故障判别方法及系统
技术领域
本发明属于电力系统配电终端故障诊断技术领域，具体涉及一种基于组合神经网络模型的配电终端故障判别方法及系统。
背景技术
在电力系统中配电终端用于中压配电网的开闭锁、柱上开关、环网柜等处，是配电自动化中重要的监测与控制设备，当配电终端发生故障时其采集的电气数据会出现异常和误测，因此配电终端的可靠性直接影响电网运行状态的感知和控制效果。现有技术中对配电终端的故障判断多在完全失效离线的情况下进行，这种处理手段的缺陷在于不能及时排除故障，对故障的发现和检修被动滞后，不可避免地导致故障对配电网的影响后果加深，影响范围扩大。
因此，提供一种能及时判别配电终端故障类型的方法及系统对于确保配电终端设备的可靠性尤为重要。
发明内容
基于此，本发明旨在提供一种基于组合神经网络模型的配电终端故障判别方法及系统，把配电终端采集的电气数据转换成时频图，利用时频图对组合神经网络进行训练构建出故障判别模型，把实时在线采集的电气数据输入训练好的故障判别模型进行故障类型判别，从而解决现有技术中对故障的判别被动滞后的技术问题。
本发明一种基于组合神经网络模型的配电终端故障判别方法，包括：
对配电终端不同故障类型的电气数据进行时频变换，得到时频图谱构成原始训练集；
把原始训练集输入生成式对抗神经网络GAN进行生成式扩容，根据随机数序列随机生成新的时频图谱子集，与原始训练集一同构成新训练集，新训练集输入卷积神经网络CNN进行卷积和池化，在全连接层输出故障类型的编号，得到训练完毕的故障判别模型；
输入在线实时采集的电气数据，利用故障判别模型进行故障类型判别并输出判别结果。
优选地，对配电终端不同故障类型的电气数据进行时频变换之前还包括：
获取配电终端故障时测量系统所测量的电气数据。
优选地，电气数据进一步包括：
配电终端故障时所采集的电压、电流时域交流数据。
优选地，时频变换进一步包括：
短时傅里叶变换，如下公式作为短时傅里叶变换的窗函数
优选地，生成式对抗神经网络的目标函数如下，
其中，G表示GAN中的生成器G，用于生成新的时频图谱，
D表示GAN中的判别器D，用于区分原始时频图谱和生成的新时频图谱，
x为特征序列，z为随机数序列；pr表示原始数据时频特征图集；pg表示由GAN中的生成器G生成的新数据时频特征图集。
优选地，新训练集输入卷积神经网络CNN在卷积层和池化层进行卷积和池化包括：
对新训练集进行预处理和归一化。
优选地，新训练集输入卷积神经网络CNN在卷积层和池化层进行卷积和池化，在全连接层输出故障类型的编号进一步包括：
新训练集依次通过第一卷积层、第一池化层、第二卷积层、第二池化层、第一连接层、第二全连接层，经过各层的激活函数，对新训练集进行特征提取和降维，输出故障类型的编号；
其中，第一卷积层和第二卷积层使用相同的激活函数，第一池化层和第二池化层使用相同的激活函数，第一全连接层和第二全连接层使用相同的激活函数。
优选地，在第一卷积层和第二卷积层进行的卷积过程表达式如下，
其中，表示第l层第j个输出元素，表示该卷积层的一个卷积核，“*”表示卷积操作，表示该卷积层偏置；f(·)为激活函数。
一种基于组合神经网络模型的配电终端故障判别系统，包括：
时频变换处理模块，用于对配电终端不同故障类型的电气数据进行从时域到频域的变换，得到时频图谱构成原始训练集；
扩容模块，用于对原始训练集进行特征学习从而对原始训练集的样本容量扩容，得到新训练集；
模型训练模块，利用新训练集进行模型训练得到故障判别模型；
输出模块，用于输出故障类型判别结果。
优选地，该基于组合神经网络模型的配电终端故障判别系统进一步包括：
数据采集模块，用于采集配电终端故障时测量系统所测量的电气数据。
从以上技术方案可以看出，本发明具有以下优点：
本发明一种基于组合神经网络模型的配电终端故障判别方法及系统，通过对时域的电气数据进行时域变换得到时频图谱，把数据图像化，使得不同故障类型的数据的特征更为突出，方便了对数据的特征捕捉，提高数据处理效率；相比较于现有技术中以配电终端设备表面故障现象为判别标准，本发明把测量系统测得的时域的电气数据图像化，充分挖掘了电气数据隐含的信息潜力，判别结果更准确客观；利用生成式对抗神经网络GAN进行训练集生成扩容，提取平衡状态时GAN生成的新时频图谱与原始训练集构成新的训练集，能为卷积神经网络CNN提供更多更全面的训练样本，提高了故障判别模型的准确性；在GAN生成式扩容的基础上应用CNN进行训练，大大提高了判别模型对未知故障类型的数据的判别准确度；本发明提供的方法和系统可以对故障类型在线判别，及时反馈配电终端的设备运行状态，无需在离线状态下到设备现场才能对设备检修获得故障类型，从而提高运维效率和减少运维工作量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1本发明一种实施例基于组合神经网络模型的配电终端故障判别方法实施流程图
图2本发明一种实施例基于组合神经网络模型的配电终端故障判别系统结构示意图
图3a本发明一种实施例中经过时频变换后处于正常状态的电气数据的时频图谱
图3b本发明一种实施例中经过时频变换后处于大噪声故障状态的电气数据的时频图谱
图3c本发明一种实施例中经过时频变换后处于震荡衰减故障状态的电气数据的时频图谱
图3d本发明一种实施例中经过时频变换后处于谐波故障状态的电气数据的时频图谱
图4本发明另一种实施例中不同CNN训练方法的损失值对比示意图
图5本发明另一种实施例中不同CNN训练方法的判别准确率对比示意图
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
请参考图1和图2，本实施例提供一种基于组合神经网络模型的配电终端故障判别方法及系统，包括数据采集模块100、时频变换处理模块110、扩容模块120、模型训练模块130、输出模块140，本实施例中方法的具体实施如下步骤：
利用数据采集模块100获取配电终端发生不同类型故障时测量系统所测量的电气数据，包括电压和电流的时域交流数据，本实施例选取了4种故障类型包括正常状态、大噪声故障、震荡衰减故障、谐波故障，每种类型的样本量为200个，一共800个样本；
把4种类型的电气数据输入时频变换模块110进行时频变换，本实施例使用短时傅里叶变换，在MATLAB中利用分析函数Spectrogram进行变换，其中短时傅里叶变换过程如式(1)所示，
其中，f(t)为待变换的时域函数；g(t-τ)为中心位于τ时刻的窗函数，本实施例中窗函数表达式如式(2)所示，
请参考图3a至图3d，可以看出经过了时频变换，数据特征比在时域时更为突出明显，这有利于模型训练时对数据的特征捕捉。
时频变换后得到样本容量为800的原始训练集X，把原始训练集X输入扩容模块120，本实施例基于谷歌TensorFlow的深度学习框架，进行对时频图谱的裁剪、数据标准化等处理，之后搭建GAN网络架构，并设置相应的模型参数，具体参数如表1所示，
表1 DCGAN结构参数表
本实施例中对训练集X的扩容为根据随机数序列随机生成新的数据样本子集M，GAN生成新的4种故障类型数据样本时频图各100张，共400张时频图谱，则输出的新训练集N的样本量为(200+100)×4＝1200，GAN的目标函数如式(3)所示，
其中，G表示GAN中的生成器G，D表示GAN中的判别器D，x为特征序列，z为随机数序列；pr表示原始数据时频特征图集；pg表示由GAN中的生成器G生成的新数据时频特征图集。
把新训练集N输入模型训练模块130进行模型训练，利用CNN对数据进行预处理和归一化，依次通过第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层、第二全连接层，其中，第一卷积层和第二卷积层使用相同的激活函数，第一池化层和第二池化层使用相同的激活函数，第一全连接层和第二全连接层使用相同的激活函数，本实施例中卷积层的激活函数选用ReLU函数，全连接层的激活函数选用SoftMax函数，池化层选用最大池化法；
卷积的过程如式(4)所示，
其中，表示第l层第j个输出元素，表示该卷积层的一个卷积核，“*”表示卷积操作，表示该卷积层偏置；f(·)为激活函数。
本实施例选取的CNN网络结构为LeNet-5，其具体结构如表2所示，并采取Adam算法进行损失函数优化，设置全局学习率为0.0001，每个批次为20个样本。
表2 CNN的结构参数表
经过GAN和CNN的组合训练最终得到故障判别模型，把在线采集的电气数据输入故障判别模型，输出模块140将判别结果输出。
下面介绍另一个实施例，本实施例对一种基于组合神经网络模型的配电端故障判别方法进行验证，本实施例比较不同容量和不同扩容方式对故障判别模型的影响。选取三个训练集，每个训练集均包括4种数据类型。
训练集A为原始训练集，不经GAN扩容，样本中每个数据类型的样本量均为200，则训练集A的总样本量为800；
训练集B为经过GAN生成扩容的混合训练集，GAN对每种数据类型的数据进行随机生成，每个数据类型生成新的时频图谱100张，则训练集B的总样本量为(200+100)×4＝1200。
训练集C为在样本量为800的原始训练集基础上随机复制400张时频图，该种扩容方式为简单的随机复制，未生成具有新特征的数据样本，以此与原始训练集构成新的训练集，训练集C的总样本量为800+400＝1200。
对训练集A、训练集B、训练集C分别进行模型训练，对数据进行预处理和归一化，依次通过第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层、第二全连接层，其中，第一卷积层和第二卷积层使用相同的激活函数，第一池化层和第二池化层使用相同的激活函数，第一全连接层和第二全连接层使用相同的激活函数，本实施例中卷积层的激活函数选用ReLU函数，全连接层的激活函数选用SoftMax函数，池化层选用最大池化法，最后输出3个分别对应训练集A、训练集B、训练集C的故障判别模型。
比较3种故障判别模型在CNN训练过程中损失值，本实施例中的损失函数采用交叉熵函数如式(5)所示，
其中n为故障样本总数；y为真实值；为预测值，
请参考图4，可以看出在同等样本量情况下，本实施例的判别方法的故障判别模型损失值更低，而与没有扩容的相比，损失值更是大幅降低；
请参考图5，可以看出本实施例的判别方法的故障判别模型在判别准确率上比简单扩容和未扩容的判别模型都要高，则本实施例提供的一种基于组合神经网络模型的配电终端故障判别方法在提高故障识别效率和准确度上有明显优势，能取得有益效果。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

Claims (10)

1.一种基于组合神经网络模型的配电终端故障判别方法，其特征在于，包括：
对配电终端不同故障类型的电气数据进行时频变换，得到时频图谱构成原始训练集；
把所述原始训练集输入生成式对抗神经网络GAN进行生成式扩容，根据随机数序列随机生成新的时频图谱子集，与所述原始训练集一同构成新训练集，所述新训练集输入卷积神经网络CNN进行卷积和池化，在全连接层输出故障类型的编号，得到训练完毕的故障判别模型；
输入在线实时采集的待测数据，利用所述故障判别模型进行故障类型判别并输出判别结果。
2.根据权利要求1所述的一种基于组合神经网络模型的配电终端故障判别方法，其特征在于，所述对配电终端不同故障类型的电气数据进行时频变换之前还包括：
获取所述配电终端故障时测量系统所测量的电气数据。
3.根据权利要求1所述的一种基于组合神经网络模型的配电终端故障判别方法，其特征在于，所述电气数据进一步包括：
配电终端故障时所采集的电压、电流时域交流数据。
4.根据权利要求1所述的一种基于组合神经网络模型的配电终端故障判别方法，其特征在于，所述时频变换进一步包括：
短时傅里叶变换，所述短时傅里叶变换的窗函数如下公式表示
5.根据权利要求1所述的一种基于组合神经网络模型的配电终端故障判别方法，其特征在于，所述生成式对抗神经网络的目标函数如下，
其中，G表示GAN中的生成器G，用于生成新的时频图谱，
D表示GAN中的判别器D，用于区分原始时频图谱和生成的新时频图谱，
x为特征序列，z为随机数序列；pr表示原始数据时频特征图集；pg表示由GAN中的生成器G生成的新数据时频特征图集。
6.根据权利要求1所述的一种基于组合神经网络模型的配电终端故障判别方法，其特征在于，所述新训练集输入卷积神经网络CNN在卷积层和池化层进行卷积和池化还包括：
对所述新训练集进行预处理和归一化。
7.根据权利要求1所述的一种基于组合神经网络模型的配电终端故障判别方法，其特征在于，新训练集输入卷积神经网络CNN在卷积层和池化层进行卷积和池化，在全连接层输出故障类型的编号进一步包括：
新训练集依次通过第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层、第二全连接层，经过各层的激活函数，对所述新训练集进行特征提取和降维，输出故障类型的编号；
其中，所述第一卷积层和所述第二卷积层使用相同的激活函数，所述第一池化层和所述第二池化层使用相同的激活函数，所述第一全连接层和所述第二全连接层使用相同的激活函数。
8.根据权利要求7所述的一种基于组合神经网络模型的配电终端故障判别方法，其特征在于，
在所述第一卷积层和所述第二卷积层进行的卷积过程表达式如下，
其中，表示第l层第j个输出元素，表示该卷积层的一个卷积核，“*”表示卷积操作，表示该卷积层偏置；f(·)为激活函数。
9.一种基于组合神经网络模型的配电终端故障判别系统，其特征在于，包括：
时频变换处理模块，用于对配电终端不同故障类型的电气数据进行从时域到频域的变换，得到时频图谱构成原始训练集；
扩容模块，用于对所述原始训练集进行特征学习从而对所述原始训练集的样本容量扩容，得到新训练集；
模型训练模块，利用所述新训练集进行模型训练得到故障判别模型；
输出模块，用于输出故障类型判别结果。
10.根据权利要求9所述的一种基于组合神经网络模型的配电终端故障判别系统，其特征在于，所述系统进一步包括：
数据采集模块，用于采集所述配电终端故障时测量系统所测量的电气数据。
CN201910803104.9A 2019-08-28 2019-08-28 一种基于组合神经网络模型的配电终端故障判别方法及系统 Pending CN110516742A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910803104.9A CN110516742A (zh) 2019-08-28 2019-08-28 一种基于组合神经网络模型的配电终端故障判别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910803104.9A CN110516742A (zh) 2019-08-28 2019-08-28 一种基于组合神经网络模型的配电终端故障判别方法及系统

Publications (1)

Publication Number Publication Date
CN110516742A true CN110516742A (zh) 2019-11-29

Family

ID=68627608

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910803104.9A Pending CN110516742A (zh) 2019-08-28 2019-08-28 一种基于组合神经网络模型的配电终端故障判别方法及系统

Country Status (1)

Country Link
CN (1) CN110516742A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112001314A (zh) * 2020-08-25 2020-11-27 江苏师范大学 变速提升机的早期故障检测方法
CN113111591A (zh) * 2021-04-29 2021-07-13 南方电网电力科技股份有限公司 基于模块化配电终端内部故障自动诊断方法、装置及设备
CN113592181A (zh) * 2021-08-02 2021-11-02 广西大学 一种小水电群出力预测方法和系统
CN113687610A (zh) * 2021-07-28 2021-11-23 国网江苏省电力有限公司南京供电分公司 一种gan-cnn电力监测系统终端信息防护法方法
WO2023098753A1 (zh) * 2021-12-02 2023-06-08 广东电网有限责任公司江门供电局 一种配电终端故障诊断方法、系统、装置及存储介质
CN116776130A (zh) * 2023-08-23 2023-09-19 成都新欣神风电子科技有限公司 一种用于异常电路信号的检测方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109444604A (zh) * 2018-12-13 2019-03-08 武汉理工大学 一种基于卷积神经网络的dc/dc变换器故障诊断方法
CN210923872U (zh) * 2019-08-28 2020-07-03 广东电科院能源技术有限责任公司 一种配电终端故障在线判别系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109444604A (zh) * 2018-12-13 2019-03-08 武汉理工大学 一种基于卷积神经网络的dc/dc变换器故障诊断方法
CN210923872U (zh) * 2019-08-28 2020-07-03 广东电科院能源技术有限责任公司 一种配电终端故障在线判别系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
包萍等: ""不均衡数据集下基于生成对抗网络的改进深度模型故障识别研究"", 《电子测量与仪器学报》, vol. 33, no. 3, pages 176 - 183 *
李恒等: ""基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法"", 《振动与冲击》, vol. 37, no. 19, pages 124 - 131 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112001314A (zh) * 2020-08-25 2020-11-27 江苏师范大学 变速提升机的早期故障检测方法
CN113111591A (zh) * 2021-04-29 2021-07-13 南方电网电力科技股份有限公司 基于模块化配电终端内部故障自动诊断方法、装置及设备
CN113111591B (zh) * 2021-04-29 2022-06-21 南方电网电力科技股份有限公司 基于模块化配电终端内部故障自动诊断方法、装置及设备
CN113687610A (zh) * 2021-07-28 2021-11-23 国网江苏省电力有限公司南京供电分公司 一种gan-cnn电力监测系统终端信息防护法方法
CN113592181A (zh) * 2021-08-02 2021-11-02 广西大学 一种小水电群出力预测方法和系统
CN113592181B (zh) * 2021-08-02 2023-04-28 广西大学 一种小水电群出力预测方法和系统
WO2023098753A1 (zh) * 2021-12-02 2023-06-08 广东电网有限责任公司江门供电局 一种配电终端故障诊断方法、系统、装置及存储介质
CN116776130A (zh) * 2023-08-23 2023-09-19 成都新欣神风电子科技有限公司 一种用于异常电路信号的检测方法及装置
CN116776130B (zh) * 2023-08-23 2024-08-02 成都新欣神风电子科技有限公司 一种用于异常电路信号的检测方法及装置

Similar Documents

Publication Publication Date Title
CN110516742A (zh) 一种基于组合神经网络模型的配电终端故障判别方法及系统
Wang Partial discharge pattern recognition of current transformers using an ENN
CN106841949B (zh) 三相异步交流电机定子绝缘在线监测方法和装置
KR20200014129A (ko) 딥러닝을 이용한 변압기 진단 방법
CN112200694A (zh) 基于图神经网络的主导失稳模式识别模型构建及应用方法
CN112069727B (zh) 具备高可信度的电力系统暂态稳定智能化评估系统及方法
CN111308260B (zh) 一种基于小波神经网络的电能质量监测和电器故障分析系统及其工作方法
Rodriguez et al. Classification of power quality disturbances using hilbert huang transform and a multilayer perceptron neural network model
CN112648221A (zh) 一种基于小波-神经网络的风机故障诊断方法
CN113255458A (zh) 基于多视图关联特征学习的轴承故障诊断方法
CN110703151A (zh) 基于振动盲源分离和贝叶斯模型的变压器故障诊断方法
CN110363334B (zh) 基于灰色神经网络模型的光伏并网的电网线损预测方法
Wang et al. Coupled hidden Markov fusion of multichannel fast spectral coherence features for intelligent fault diagnosis of rolling element bearings
Kuo Artificial recognition system for defective types of transformers by acoustic emission
Gongora et al. Neural approach for bearing fault detection in three phase induction motors
CN115712871A (zh) 一种结合重采样和集成学习的电力电子系统故障诊断方法
Zarei et al. Broken rotor bars detection via Park's vector approach based on ANFIS
CN113761786A (zh) 一种基于神经网络模型的马达故障诊断装置及其方法
Wilson et al. Uncertainty Quantification of Capacitor Switching Transient Location Using Machine Learning
Fadzail et al. Stator winding fault detection of induction generator based wind turbine using ANN
CN110135021B (zh) 基于多源信号和rbf神经网络的atru系统故障分级诊断方法
Zhao et al. A fault diagnosis approach for rolling element bearing based on S-transform and artificial neural network
CN115270857A (zh) 基于数据融合的变电站故障诊断方法
CN109917245B (zh) 考虑相位差的超声检测局部放电信号模式识别方法
Guangquan et al. Analog circuit incipient fault diagnosis using deep neural Network

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