-
公开(公告)号：CN117152529A
公开(公告)日：2023-12-01
申请号：CN202311171065.8
申请日：2023-09-11
IPC分类号： G06V10/764 , G06V10/762 , G06V10/82 , G06V10/77 , G06V10/40 , G06N3/0464 , G06N3/088 , G06N3/084
摘要： 本发明提供了一种基于目标检测算法的电力系统故障诊断方法，通过对故障图片数据集进行处理并划分训练集、验证集和测试集；然后，建立YOLOv4故障识别网络模型；最后，训练模型并进行数据测试，得出结果对模型进行评价。YOLOv4故障识别网络模型为无人机巡检提供一种自动检测方法，采用基于目标检测算法的电力系统故障诊断方法能够提高诊断的准确性、效率和实时性，目标检测算法能够准确地定位和识别故障物体，可以实现对故障图片的自动识别和诊断，减少了人工操作的时间和成本，在电力系统故障诊断中能够提供更准确的结果，对电力系统的运行和安全具有积极的技术效果。
-
公开(公告)号：CN116821772A
公开(公告)日：2023-09-29
申请号：CN202310877333.1
申请日：2023-07-17
IPC分类号： G06F18/24 , G06F18/213 , G06N3/0464 , G06N3/048 , G06N3/084
摘要： 本发明提供了一种基于IHBA‑TCN的HVDC系统故障诊断方法及系统，通过搭建TCN对HVDC系统故障数据集故障特征进行初步提取，并改进激活函数对TCN进行优化，并引入了改进蜜獾算法对时间卷积神经网络进行参数智能寻优，来提升时间卷积神经网络对高压直流输电系统的故障辨识准确率，最后将HVDC系统故障样本集划分为训练集和测试集，并对IHBA‑TCN进行训练，直至达到预设故障识别精度，获得最终基于IHBA‑TCN的HVDC系统故障诊断模型用于对高压直流输电系统进行故障诊断。由于HVDC系统故障样本为时间序列数据，因此具有时间序列数据处理能力的时间卷积神经网络在训练过程中训练准确率更高、过程更稳定且训练时间更短，可以大幅提高HVDC系统故障诊断的诊断精度和速度。
-
公开(公告)号：CN116776250A
公开(公告)日：2023-09-19
申请号：CN202310912410.2
申请日：2023-07-24
IPC分类号： G06F18/2415 , G01R31/00 , G06F18/2431 , G06F18/15 , G06F18/213 , G06F18/214 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/047 , G06N3/048 , G06N3/09 , G06N3/094
摘要： 本发明提供一种基于GAN和CNN模型的电力系统故障诊断方法及系统，通过对高压直流系统实时监测数据的采集、预处理、生成对抗网络训练、卷积神经网络训练和系统故障诊断等步骤实现故障检测和诊断。通过将原始数据输入到1D‑GAN中进行模型训练，可以生成虚拟的故障数据以扩充训练数据集；通过将扩充的原始数据集划分为训练集和测试集，用训练集作为1D‑CNN的输入，进行模型训练，在训练完成后用测试集对模型的性能和准确性进行测试，建立最终的电力系统故障诊断模型。与传统的故障诊断方法相比，该方法具有更高的准确率和更快的响应速度。并且随着数据量的增加和模型的不断优化，1D‑CNN模型的分类准确率和诊断精度也将逐步提高。
-
-
搜索结果
3 条记录 (耗时 0.076 秒)
