-
公开(公告)号：CN104699949B
公开(公告)日：2017-08-25
申请号：CN201510022905.3
申请日：2015-01-16
Applicant: 广东电网有限责任公司佛山供电局 , 上海交通大学
Abstract: 一种基于混沌退火小波硬阈值法XLPE电缆局部放电消噪方法：S1，输入XLPE电缆的局部放电信号；S2，选择db5小波基函数，分解层次J设置为5层，小波分解得到低频系数C(j,n)和高频系数W(j,n)；S3，采用广义交叉验证准则作为选取阈值的评估条件；S4，运用混沌优化方法进行全局粗搜索，采用Logistic映射作为混沌优化序列；S5，运用模拟退火原理进行细搜索，采用渐进收缩扰动方式，将有效的促进算法收敛；S6，根据混沌退火算法选取最优硬阈值，对小波系数进行硬阈值处理，得处理后的小波系数为W(j,n)’，进行小波重构；S7，对消噪效果进行评估，采用消噪后的信噪比(SNR)和均方根误差(RMSE)作为标准；S8，输出消噪后的XLPE电缆局部放电信号。本发明能实现智能化消噪。
-
公开(公告)号：CN104699949A
公开(公告)日：2015-06-10
申请号：CN201510022905.3
申请日：2015-01-16
Applicant: 广东电网有限责任公司佛山供电局 , 上海交通大学
Abstract: 一种基于混沌退火小波硬阈值法XLPE电缆局部放电消噪方法：S1，输入XLPE电缆的局部放电信号；S2，选择db5小波基函数，分解层次J设置为5层，小波分解得到低频系数C(j,n)和高频系数W(j,n)；S3，采用广义交叉验证准则作为选取阈值的评估条件；S4，运用混沌优化方法进行全局粗搜索，采用Logistic映射作为混沌优化序列；S5，运用模拟退火原理进行细搜索，采用渐进收缩扰动方式，将有效的促进算法收敛；S6，根据混沌退火算法选取最优硬阈值，对小波系数进行硬阈值处理，得处理后的小波系数为W(j,n)’，进行小波重构；S7，对消噪效果进行评估，采用消噪后的信噪比(SNR)和均方根误差(RMSE)作为标准；S8，输出消噪后的XLPE电缆局部放电信号。本发明能实现智能化消噪。
-
公开(公告)号：CN104679999A
公开(公告)日：2015-06-03
申请号：CN201510067712.X
申请日：2015-02-09
Applicant: 广东电网有限责任公司佛山供电局 , 上海交通大学
IPC: G06F19/00
Abstract: 一种基于支持向量机理论的XLPE电缆局部放电信号特征优化方法，包括：步骤1，输入XLPE电缆局部放电信号的特征向量集合；步骤2，将XLPE电缆局部放电信号特征向量集合进行初始化操作；步骤3，根据特征获取新的训练样本矩阵X＝X0(:,s)；步骤4，训练分类器；步骤5，根据排序准则计算各特征代价分数c；步骤6寻找最小代价分数特征：f＝argmin(c)；步骤7，更新特征排序向量：r＝[s(f),r]；步骤8，消去得到最小代价分数的特征：s＝s(1:f-1,f+1:length(s))；步骤9，返回步骤3，重复循环，直到s为空集；步骤10，输出优化后的XLPE电缆局部放电信号的特征向量集合。本发明可构造出最优超平面，达到最大的泛化能力；且具有结构简单、全局最优及泛化能力好的特点，适合解决小样本、非线性及高维模式识别问题。
-
公开(公告)号：CN104679999B
公开(公告)日：2018-01-30
申请号：CN201510067712.X
申请日：2015-02-09
Applicant: 广东电网有限责任公司佛山供电局 , 上海交通大学
IPC: G06F19/00
Abstract: 一种基于支持向量机理论的XLPE电缆局部放电信号特征优化方法，包括：步骤1，输入XLPE电缆局部放电信号的特征向量集合；步骤2，将XLPE电缆局部放电信号特征向量集合进行初始化操作；步骤3，根据特征获取新的训练样本矩阵X＝X0(:,s)；步骤4，训练分类器；步骤5，根据排序准则计算各特征代价分数c；步骤6寻找最小代价分数特征：f＝argmin(c)；步骤7，更新特征排序向量：r＝[s(f),r]；步骤8，消去得到最小代价分数的特征：s＝s(1:f‑1,f+1:length(s))；步骤9，返回步骤3，重复循环，直到s为空集；步骤10，输出优化后的XLPE电缆局部放电信号的特征向量集合。本发明可构造出最优超平面，达到最大的泛化能力；且具有结构简单、全局最优及泛化能力好的特点，适合解决小样本、非线性及高维模式识别问题。
-
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：CN110334865B
公开(公告)日：2023-04-18
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
IPC: G06Q10/04 , G06Q10/0635 , G06Q10/20 , G06Q50/06 , G06F18/243 , G06F18/2415 , G06F18/214 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084
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：CN112307851A
公开(公告)日：2021-02-02
申请号：CN201910710454.0
申请日：2019-08-02
Applicant: 上海交通大学烟台信息技术研究院 , 上海交通大学
Abstract: 本发明公开了一种电力铁塔上鸟巢的识别方法，其包括训练步骤和识别步骤，训练步骤包括：S100：采集电力铁塔二维案例图像；S200：构建卷积神经网络并对其进行训练，以使卷积神经网络进行数据简化处理；S300：构建采用多个限制玻尔兹曼机堆叠形成的深度信念网络，将二维数据降维到含有电力铁塔图像特征的一维数据输入深度信念网络，采用一维数据对深度信念网络进行训练，以使深度信念网络输出识别结果；识别步骤包括：D100：将待识别的电力铁塔二维图像输入经过训练的卷积神经网络，卷积神经网络输出经过数据简化的二维数据；D200：将二维数据降维至一维数据输入经过训练的深度信念网络；D300：深度信念网络输出识别结果。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
236
records
(took 0.068 seconds)
