-
公开(公告)号:CN116522277A
公开(公告)日:2023-08-01
申请号:CN202310461785.1
申请日:2023-04-26
申请人: 华中科技大学 , 东方电气集团东方电机有限公司
IPC分类号: G06F18/25 , G06F18/214 , G01R31/34 , G01R31/12
摘要: 本发明公开一种基于特征融合词袋和并行孪生网络的发电机局放识别方法,在实验室采集发电机定子线棒局部放电数据和相位信号数据,获取对应的相位图谱,构建SIFT、LBP、HOG和Haar‑like多描述子特征检测的词袋单词本并检索相似局放图谱;基于实验室采集到的局放样本训练AlexNet、GoogLeNet、VGG‑16和ResNet神经网络,然后通过训练好的神经网络孪生,共享权值,利用全连接层交叉熵函数计算损失,选取损失最小的标签作为各通道识别结果;测试时基于图谱不同相位象限分割的多通道识别结果使用自适应融合策略整合,获取最终局放模式识别结果。本发明弥补了传统深度学习分类方法在数据不平衡和存在小样本数据无法训练的不足,解决了局放模式识别问题中存在的数据不平衡、小样本识别问题。
-
公开(公告)号:CN115586407A
公开(公告)日:2023-01-10
申请号:CN202211259783.6
申请日:2022-10-14
申请人: 华中科技大学 , 东方电气集团东方电机有限公司
摘要: 本发明公开一种基于并行CNN‑BiLSTM的发电机局放模式识别方法,在实验室环境下采集不同电压等级、不同缺陷类型的发电机定子线棒典型缺陷局放数据,绘制不同去噪系数的局放相位图谱、采集不同相位的电压信号、提取局放相位图谱特征和局放波形特征共十种参数,作为十通道并行CNN神经网络训练的输入参数,不同参数经过并行CNN网络对各特征进行卷积池化,送入分别与CNN特征输出层连接的BiLSTM神经网络,对BiLSTM神经网络进行训练,进行发电机局放典型缺陷的模式识别,十通道BiLSTM分别输出基于不同参数的模式识别结果,与现场样本进行结果对比,确定每个输出通道的权重完成对发电机定子线棒缺陷类型的判别。此方法基于多形式的输入训练多通道并行网络,提高模式识别的精确度。
-
公开(公告)号:CN115438701A
公开(公告)日:2022-12-06
申请号:CN202211109959.X
申请日:2022-09-13
申请人: 华中科技大学 , 东方电气集团东方电机有限公司
摘要: 本发明公开一种基于阈值图谱和轻量神经网络的发电机局放模式识别方法,在实验室环境下采集不同缺陷类型的发电机定子线棒放电数据和相位信号数据,获取已知的线棒绝缘缺陷对应的相位图谱,选择不同类型典型缺陷最优阈值参数并基于自适应阈值二值化方法优选阈值图谱特征;构建HOG、SHIF、SURF和MSER不同类型的图像特征,并进行多维特征融合;基于不同工业应用场景选择SqueezeNet、MobileNet、ShuffleNet以及Xception四种轻量级神经网络进行集成学习,将提取的多维融合特征对不同轻量级神经网络模型进行训练,通过权重调节对模式识别结果进行判断,输出发电机定子线棒缺陷类型的判别结果。此方法基于阈值谱图和轻量神经网络,提高了模式识别的精确性和实时性。
-
公开(公告)号:CN114252738B
公开(公告)日:2022-10-18
申请号:CN202111597378.0
申请日:2021-12-24
申请人: 华中科技大学
IPC分类号: G01R31/08
摘要: 本发明提出一种电缆接头典型缺陷局放表征特征挖掘及模式识别方法,包括以下步骤:通过实验获得电缆接头4种典型缺陷下的PD数据,对数据进行预处理;基于时间窗的动态调整在不同的时间尺度上进行PD特征构建,拟构建出PD的微秒级脉冲特征、分钟级特征和小时级特征;基于多时间尺度特征,进行特征变换以获得更多特征,对所有特征进行随机森林特征选择,筛选出能够有效表征PD新特征和模式识别最优输入特征;将获得的模式识别最优特征作为输入特征集,进行基于深度学习的模式识别训练和测试;得到多样性识别结果开展集成学习,形成最终的基于集成学习的PD识别模型,输出电缆接头典型缺陷PD识别结果。本发明能够有效提升电缆PD识别精度。
-
公开(公告)号:CN112949904B
公开(公告)日:2022-06-07
申请号:CN202110118904.4
申请日:2021-01-28
申请人: 华中科技大学
摘要: 本发明公开一种基于特征选择与多层级深度迁移学习的风电场短期功率预测方法,将采集到的的数据划分为两个数据集,分别作为迁移学习的目标风电场和源风电场,首先根据与目标风电场的相关程度对源风电场的数据样本进行了多层级划分,然后基于多层级的源风电场数据样本构建目标风电场的多层级深度迁移学习模型,最后采用特征选择的方法对多层级深度迁移学习模型进行优化,通过该方法预测可以减少数据训练规模,避免数据过度拟合,具有推广价值。
-
公开(公告)号:CN113792919A
公开(公告)日:2021-12-14
申请号:CN202111026927.9
申请日:2021-09-02
申请人: 华中科技大学 , 中国电力科学研究院有限公司 , 国网山东省电力公司电力科学研究院 , 国家电网有限公司
摘要: 本发明公开一种基于迁移学习深度学习相结合的风电功率预测方法,通过SCADA系统及数值天气预报,提取新建风电场及周边风电场的历史样本,使用新建风电场的少量历史样本训练BP‑NN,再对周边风电场的大量历史样本预测,根据预测结果计算周边风电场每个历史样本的相关系数;根据相关系数将周边风电场的大量历史样本为强相关样本、中相关样本及弱相关样本;分别使用顺序迁移、逆序迁移、无序迁移等三种模型迁移方法,构建用于新建风电场的预测模型并分别给出预测结果;最后使用B‑LSTM网络将三个预测结果集成,输出最终预测结果。本发明通过数据挖掘并结合深度学习算法,利用多层级模型迁移获得适用于新建风电场预测模型,提高新建风电场预测精度,具有推广价值。
-
公开(公告)号:CN112949904A
公开(公告)日:2021-06-11
申请号:CN202110118904.4
申请日:2021-01-28
申请人: 华中科技大学
摘要: 本发明公开一种基于特征选择与多层级深度迁移学习的风电场短期功率预测方法,将采集到的的数据划分为两个数据集,分别作为迁移学习的目标风电场和源风电场,首先根据与目标风电场的相关程度对源风电场的数据样本进行了多层级划分,然后基于多层级的源风电场数据样本构建目标风电场的多层级深度迁移学习模型,最后采用特征选择的方法对多层级深度迁移学习模型进行优化,通过该方法预测可以减少数据训练规模,避免数据过度拟合,具有推广价值。
-
公开(公告)号:CN106875033B
公开(公告)日:2020-06-02
申请号:CN201611215714.X
申请日:2016-12-26
摘要: 发明提供一种基于动态自适应的风电集群功率预测方法,按以下步骤进行:步骤1:收集历史数据,对风电集群进行划分;步骤2:根据划分的风电集群,建立时间序列预测模型、数值天气预报预测模型、空间资源匹配预测模型三个预测模型,并训练风电集群三个预测模型的功率预测;步骤3:根据三种模型的训练误差评价结果选择训练误差评价结果最佳的预测模型;步骤4:收集实时数值天气预报NWP数据和实时功率测量数据;步骤5:根据训练过程中选择的预测模型,代入实时NWP数据和实时功率测量数据,得到子集群预测结果,将子集群的功率预测结果相加,得到集群总体预测结果。本发明针对不同工况的风电集群选取最佳的预测模型,提升预测精度。
-
公开(公告)号:CN114091340B
公开(公告)日:2024-08-02
申请号:CN202111419800.3
申请日:2021-11-26
申请人: 华中科技大学
IPC分类号: G06F30/27 , G06N3/04 , G06N3/084 , G06N20/00 , G06F119/08 , G06F119/14
摘要: 本发明公开一种基于多物理场直流局部放电模型的构建与判别方法,通过AutoCAD构建仿真片状试样、MATLAB生成含谐波的直流电压、COMSOL软件对温度场和应力场进行参数设置,建立基于荷‑场‑热‑力多物理场仿真系统,同时通过空间电荷测量系统获取界面电荷随应力、温度和时空的变化规律,建立空间电荷分布特性数据库,并基于局放与谐波、应力和温度的数据建立局放判别器,进而将数据库中的空间电荷数据等效为静电场送入荷‑场‑热‑力多物理场仿真系统中,计算得出缺陷位置的电场、温度和应力参数,通过局放判别器判断缺陷位置是否达到局放产生条件。此方法将空间电荷因素加入局放的判别模型中,增加局放判别模型的数据类型,提高判别准确度,具有推广价值。
-
公开(公告)号:CN112633632A
公开(公告)日:2021-04-09
申请号:CN202011352009.0
申请日:2020-11-26
申请人: 华中科技大学 , 国网辽宁省电力有限公司电力科学研究院 , 国家电网有限公司 , 中国电力科学研究院有限公司
摘要: 本发明公开一种基于信号分解技术的集成短期风电集群功率预测方法,将采集的NWP数据及对应功率数据划分两个独立数据集,用于预测模型训练和测试;通过VMD和WT方法对训练数据进行数据预处理,预处理后数据再分别以SDAE、LSTM、BiLSTM、CNN为核心的模型进行预测得到子预测结果;子预测结果分别通过PLSR、BPNN、SVM网络型构建子预测模型,依据子预测模型子的准确性程度不同,为每项子预测结果分配权重,构成WPP预测模型;为WPP集成预测模型性能评判标准,选取最合适的集成预测模型,将S1的测试数据集输入选取的集成预测模型后进入预测,输出结果。通过本发明方法预测精度高,数据适用范围广,具有推广价值。
-
-
-
-
-
-
-
-
-