一种基于深度学习的电力图像分类方法

    公开(公告)号:CN104680192B

    公开(公告)日:2017-12-12

    申请号:CN201510061576.3

    申请日:2015-02-05

    IPC分类号: G06K9/66 G06K9/62

    摘要: 本发明公开了一种基于深度学习的电力图像分类方法,步骤:采用乱序发射机制实现输入电力图像的逐类发射:在乱序发射机制中采用第一缓存区和第二缓存区,第一缓存区用于存储若干张待处理的图象,从第一缓存区中选取若干张图象存储到第二缓存区中,第二缓存区的图象排队等候发射;对电力图像进行区域提取;对区域提取后的图象进行增强处理;对增强处理后的图像的进行大小调整,并将该图象格式化使其满足分类器的输入;将数据输入到分类器中,选择不同的训练集大小和训练速度进行多次实验,并将分类准确率和效率进行对比分析,选出最优的训练参数,以获得最佳训练效果。本发明比传统技术有着明显的优势,训练的收敛速度较快并有较高的准确率。

    基于时间序列分析的输变电设备的状态监测数据清洗方法

    公开(公告)号:CN104537034B

    公开(公告)日:2017-11-10

    申请号:CN201410806481.5

    申请日:2014-12-22

    IPC分类号: G06F17/30 G06Q50/06

    CPC分类号: G06F17/30

    摘要: 本发明公开了基于时间序列分析的输变电设备的状态监测数据清洗方法,步骤如下:建立输变电设备状态数据的初始时间序列模型,通过初始时间序列模型估计初始拟合的残差序列和残差方差;利用初始时间序列模型,计算每个观测点的检验统计量;判断检验统计量的绝对值的最大值是否大于设定阈值;通过修正后的时间序列模型的模型残差计算每个观测点的检验统计量,根据检验统计量的绝对值的最大值是否大于设定阈值来判断是否存在新的噪声点,直到所有的噪声点都被识别出。本发明具有清洗效率高、保持了数据的完整性、避免数据有用信息丢失的优点。

    基于朴素贝叶斯分类的局部放电诊断方法

    公开(公告)号:CN104535905B

    公开(公告)日:2017-05-24

    申请号:CN201410768520.7

    申请日:2014-12-11

    IPC分类号: G01R31/12 G06F19/00

    摘要: 本发明公开了一种基于朴素贝叶斯分类的局部放电诊断方法,包括:进行数据采集,然后对采集的信号进行抗干扰处理;将处理后的信号转存为一个二维数组,根据PRPS图谱分别得到PRPD图谱、N‑P图谱和Q‑P图谱;分别在所述PRPD图谱、N‑P图谱和Q‑P图谱上进行特征提取;利用等宽离散化方法或者等频率离散化方法对特征提取后的数据进行离散化;利用朴素贝叶斯得到局部放电的故障类别。本发明有益效果:本发明的诊断方法正确率为80.5%,可以满足现场的实际应用。同时,对等宽和等频两类典型的无监督的离散化方法做了详细的研究,指出等频离散化方法优于等宽离散化方法,并给出了等频离散化方法最优的经验值。