-
公开(公告)号：CN109239527A
公开(公告)日：2019-01-18
申请号：CN201811044386.0
申请日：2018-09-07
Applicant: 福州大学
IPC: G01R31/08
Abstract: 本发明涉及一种基于深度置信网络的配电网故障识别方法，包括以下步骤：步骤S1:采集故障工况下主变低压母线三相电压、零序电压、主变低压侧三相电流的信号波形数据；步骤S2：分别对主变低压母线三相电压和零序电压、主变低压侧三相电流的信号波形数据进行预处理，得到预处理后的波形数据；步骤S3:构建4个深度置信网络模型，对每个受限波尔兹曼机进行无监督训练,并利用误差反向传播原则微调所有层的参数，得到已训练的深度置信网络模型；步骤S4:将预处理后的波形数据输入至4个已训练的深度置信网络模型；并根据4个已训练的深度置信网络模型输出结果进行组合，并与预先设定的故障类型标签进行对照，完成配电网的故障识别。
-
公开(公告)号：CN109241944A
公开(公告)日：2019-01-18
申请号：CN201811175194.3
申请日：2018-10-10
Applicant: 福州大学
Abstract: 本发明涉及一种基于改进多分类支持向量机的配电网故障识别方法，其特征在于：包括以下步骤：步骤S1：采集故障后一周波的主变低压侧三相电流和母线零序电压仿真波形数据，作为输入信号；步骤S2:对输入信号进行小波分解处理，并重构低频分量，得到重构信号；步骤S3:采用求取均方根与欧式距离的方法，提取重构信号的特征向量；步骤S4:构建多级支持向量模型，并基于径向基核函数寻找最优参数，得到训练后的多级支持向量机模型；步骤S5:将重构信号的特征向量输入至训练后的多级支持向量机模型，得到故障分类。本发明基于改进多分类支持向量机，极大的提高了故障分类的准确率，故障识别率。
-
公开(公告)号：CN109325526A
公开(公告)日：2019-02-12
申请号：CN201811029500.2
申请日：2018-09-05
Applicant: 福州大学
Abstract: 本发明涉及一种采用卷积深度置信网络的配电网故障分类方法，首先采集主变低压母线的三相电压、零序电压和主变低压侧三相电流，对各类故障工况分别截取故障前后各一周波的信号波形数据作为训练样本；接着采用离散小波包变换对步骤S1的训练样本数据进行时频分解，求取时频矩阵，进而构造时频谱图的像素矩阵，并构造时频谱图，作为后续CDBN模型的输入；然后构建CDBN模型，以无监督学习方式训练两个卷积受限玻尔兹曼机，在第2个CRBM后添加softmax分类器，训练网络模型，实现故障特征的有效提取及自动分类；最后采用训练好的模型实现配电网故障分类。本发明能够实现准确的故障定位。
-
-
Search Results
3
records
(took 0.018 seconds)
