-
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
申请人: 上海交通大学 , 上海交通大学烟台信息技术研究院
IPC分类号: G06Q10/0635 , G06Q10/0639 , G06Q50/06 , G06F18/214 , G01R31/12
摘要: 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
申请人: 上海交通大学 , 上海交通大学烟台信息技术研究院
摘要: 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
申请人: 上海交通大学 , 上海交通大学烟台信息技术研究院
摘要: 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:CN110334948A
公开(公告)日:2019-10-15
申请号:CN201910602681.1
申请日:2019-07-05
申请人: 上海交通大学 , 上海交通大学烟台信息技术研究院
摘要: 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:CN110334865A
公开(公告)日:2019-10-15
申请号:CN201910602682.6
申请日:2019-07-05
申请人: 上海交通大学 , 上海交通大学烟台信息技术研究院
摘要: 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:CN110334865B
公开(公告)日:2023-04-18
申请号:CN201910602682.6
申请日:2019-07-05
申请人: 上海交通大学 , 上海交通大学烟台信息技术研究院
IPC分类号: G06Q10/04 , G06Q10/0635 , G06Q10/20 , G06Q50/06 , G06F18/243 , G06F18/2415 , G06F18/214 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084
摘要: 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
申请人: 上海交通大学烟台信息技术研究院 , 上海交通大学
摘要: 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:CN211206562U
公开(公告)日:2020-08-07
申请号:CN201921041657.7
申请日:2019-07-05
申请人: 上海交通大学烟台信息技术研究院 , 上海交通大学
IPC分类号: G01R1/04
摘要: 本实用新型公开了一种用于特高频局部放电传感器检测的辅助装置,其包括:夹具组件,夹具组件包括:固定底座,其用于放置特高频局部放电传感器,固定底座上设有用以容置特高频局部放电传感器输出接头的孔洞;夹块组件,其与丝杆的一端端部连接;丝杆还与固定底座螺纹连接,丝杆的端部设有手柄,转动手柄以调节固定底座与夹块组件之间的间距;夹块组件包括至少一个夹块,夹块包括拼接在一起的第一L型夹块和第二L型夹块,第一L型夹块和第二L型夹块之间形成有丝杆孔,与该夹块连接的丝杆通过该丝杆孔实现与夹块的连接;夹块与固定底座之间还连接有与丝杆平行的导向销;连接件,其与固定底座连接;手柄,其与连接件连接。
-
公开(公告)号:CN211043557U
公开(公告)日:2020-07-17
申请号:CN201921041778.1
申请日:2019-07-05
申请人: 上海交通大学烟台信息技术研究院 , 上海交通大学
IPC分类号: G01R31/12
摘要: 本实用新型公开了一种用于特高频局部放电传感器的信号耦合天线,其包括:圆锥形的绝缘载体,其采用绝缘材料制成;圆锥形的绝缘载体的外表面上螺旋缠绕有金属线,位于圆锥形的绝缘载体尖端的金属线的端部用于与外设的接头连接。此外,本实用新型还公开了一种新型的特高频局部放电传感器,其包括:一端开敞的金属壳体;上述的信号耦合天线,其设于金属壳体内;接头,其设于金属壳体上,接头与信号耦合天线的金属线连接。所述的信号耦合天线灵敏度高,特高频信号接收能力强,抗干扰性强。此外,所述的新型的特高频局部放电传感器便携性能良好,捆绑及拆解操作方便。
-
公开(公告)号:CN118096631A
公开(公告)日:2024-05-28
申请号:CN202211498519.8
申请日:2022-11-28
申请人: 复旦大学 , 上海交通大学 , 上海驹电电气科技有限公司
摘要: 本发明提供了一种基于NSST和图像能量算法的电力设备缺陷实时监测方法及系统,其包括步骤:(1)采集电力设备的可见光图像以及与该可见光图像对应的红外图像;(2)采用能量图像算法将红外图像分割为若干模块,确定分割后的各模块的温度特征,并将各模块的温度特征标注在红外图像上;(3)将经过标注的红外图像和与之对应的可见光图像分别进行NSST分解,以分别得到各自的低频子带图和高频子带图;(4)将各低频子带图进行融合得到融合低频子带图;将各高频子带图融合,得到融合高频子带图;(5)基于融合低频子带图和融合高频子带图进行NSST逆变换,得到融合图像;(6)基于融合图像判断电力设备的缺陷位置。
-
-
-
-
-
-
-
-
-