基于数据降维和深度学习的开关柜局部放电模式识别方法

    公开(公告)号:CN115792527A

    公开(公告)日:2023-03-14

    申请号:CN202211480120.7

    申请日:2022-11-24

    Abstract: 一种基于数据降维和深度学习的开关柜局部放电模式识别方法,属于电力设备在线监测与故障诊断的技术领域。本发明的目的是采用开关柜局部放电监测数据,进行主成分分析法进行降维后,得到的输入矩阵输入至卷积神经网络中进行训练和分类识别的基于数据降维和深度学习的开关柜局部放电模式识别方法。本发明的步骤是:确定开关柜的典型局部放电类型,获得开关柜不同局部放电状态的PRPS监测样本数据,设置不同局部放电类型对应的CNN数据标签,对所有训练集数据进行PCA降维,将训练集数据和标签输入至CNN识别模型中进行迭代训练,更新模型参数,将测试集数据输入至训练完成的模型中,并将所得结果与真实局部放电状态进行对比。本发明可以及时发现开关柜的局部放电现象、确定局部放电模式,保证开关柜运行的可靠性和稳定性。

    面向联邦学习的模型剪枝方法及系统

    公开(公告)号:CN115983366A

    公开(公告)日:2023-04-18

    申请号:CN202211570645.X

    申请日:2022-12-08

    Abstract: 本发明提供一种面向联邦学习的模型剪枝方法及系统,属于联邦学习技术领域,计算神经网络模型每层卷积层中的卷积核重要性指标,将重要性指标低于阈值的卷积核进行卷积核数目剪枝,计算剩余的卷积核内部每个向量的L1范数,基于预设的阈值对卷积核进行剪枝,完成卷积核尺寸剪枝,从而对卷积核尺寸进行降维。本发明实现了对冗余参数的充分裁剪,极大地提高了模型压缩效率;提出的动态阈值模型剪枝框架在每轮训练中动态调整剪枝范围,使得剪枝率的设置更为合理,并且对模型的敏感层和非敏感层以不同的压缩率进行动态剪枝,达到更好地控制剪枝过程中模型各部分剪枝力度、提高模型性能的目的,并且有利于恢复剪枝后模型的精度。

    一种物料分离用新型结晶器

    公开(公告)号:CN214319179U

    公开(公告)日:2021-10-01

    申请号:CN202022885659.3

    申请日:2020-12-03

    Abstract: 本实用新型是一种物料分离用新型结晶器,包括结晶器壳体,结晶器壳体顶部设有排气口且底部设有晶体排出口,结晶器壳体内从上到下依次设有除雾装置、预热装置、导流加热蒸发装置,预热装置包括上下设置在结晶器壳体内壁之间的两个隔板,两个隔板之间安装有若干贯穿的气液混合物通道,上面的隔板连有第一进液管道且下面的隔板上设有液体出口,导流加热蒸发装置包括从上到下交错设置在结晶器壳体两侧内壁上的倾斜向下设置的导流加热板,导流加热板内部为空腔结构且填充有相变均温介质,导流加热板内安装有若干电连接的加热棒,预热装置、导流加热蒸发装置之间设有第二进液管道。本实用新型有利于控温结晶,回收利用热量,减少能源浪费。

Patent Agency Ranking