-
公开(公告)号：CN104679999A
公开(公告)日：2015-06-03
申请号：CN201510067712.X
申请日：2015-02-09
申请人： 广东电网有限责任公司佛山供电局 , 上海交通大学
IPC分类号： G06F19/00
摘要： 一种基于支持向量机理论的XLPE电缆局部放电信号特征优化方法，包括：步骤1，输入XLPE电缆局部放电信号的特征向量集合；步骤2，将XLPE电缆局部放电信号特征向量集合进行初始化操作；步骤3，根据特征获取新的训练样本矩阵X＝X0(:,s)；步骤4，训练分类器；步骤5，根据排序准则计算各特征代价分数c；步骤6寻找最小代价分数特征：f＝argmin(c)；步骤7，更新特征排序向量：r＝[s(f),r]；步骤8，消去得到最小代价分数的特征：s＝s(1:f-1,f+1:length(s))；步骤9，返回步骤3，重复循环，直到s为空集；步骤10，输出优化后的XLPE电缆局部放电信号的特征向量集合。本发明可构造出最优超平面，达到最大的泛化能力；且具有结构简单、全局最优及泛化能力好的特点，适合解决小样本、非线性及高维模式识别问题。
-
公开(公告)号：CN104699949B
公开(公告)日：2017-08-25
申请号：CN201510022905.3
申请日：2015-01-16
申请人： 广东电网有限责任公司佛山供电局 , 上海交通大学
摘要： 一种基于混沌退火小波硬阈值法XLPE电缆局部放电消噪方法：S1，输入XLPE电缆的局部放电信号；S2，选择db5小波基函数，分解层次J设置为5层，小波分解得到低频系数C(j,n)和高频系数W(j,n)；S3，采用广义交叉验证准则作为选取阈值的评估条件；S4，运用混沌优化方法进行全局粗搜索，采用Logistic映射作为混沌优化序列；S5，运用模拟退火原理进行细搜索，采用渐进收缩扰动方式，将有效的促进算法收敛；S6，根据混沌退火算法选取最优硬阈值，对小波系数进行硬阈值处理，得处理后的小波系数为W(j,n)’，进行小波重构；S7，对消噪效果进行评估，采用消噪后的信噪比(SNR)和均方根误差(RMSE)作为标准；S8，输出消噪后的XLPE电缆局部放电信号。本发明能实现智能化消噪。
-
公开(公告)号：CN104679999B
公开(公告)日：2018-01-30
申请号：CN201510067712.X
申请日：2015-02-09
申请人： 广东电网有限责任公司佛山供电局 , 上海交通大学
IPC分类号： G06F19/00
摘要： 一种基于支持向量机理论的XLPE电缆局部放电信号特征优化方法，包括：步骤1，输入XLPE电缆局部放电信号的特征向量集合；步骤2，将XLPE电缆局部放电信号特征向量集合进行初始化操作；步骤3，根据特征获取新的训练样本矩阵X＝X0(:,s)；步骤4，训练分类器；步骤5，根据排序准则计算各特征代价分数c；步骤6寻找最小代价分数特征：f＝argmin(c)；步骤7，更新特征排序向量：r＝[s(f),r]；步骤8，消去得到最小代价分数的特征：s＝s(1:f‑1,f+1:length(s))；步骤9，返回步骤3，重复循环，直到s为空集；步骤10，输出优化后的XLPE电缆局部放电信号的特征向量集合。本发明可构造出最优超平面，达到最大的泛化能力；且具有结构简单、全局最优及泛化能力好的特点，适合解决小样本、非线性及高维模式识别问题。
-
公开(公告)号：CN104699949A
公开(公告)日：2015-06-10
申请号：CN201510022905.3
申请日：2015-01-16
申请人： 广东电网有限责任公司佛山供电局 , 上海交通大学
摘要： 一种基于混沌退火小波硬阈值法XLPE电缆局部放电消噪方法：S1，输入XLPE电缆的局部放电信号；S2，选择db5小波基函数，分解层次J设置为5层，小波分解得到低频系数C(j,n)和高频系数W(j,n)；S3，采用广义交叉验证准则作为选取阈值的评估条件；S4，运用混沌优化方法进行全局粗搜索，采用Logistic映射作为混沌优化序列；S5，运用模拟退火原理进行细搜索，采用渐进收缩扰动方式，将有效的促进算法收敛；S6，根据混沌退火算法选取最优硬阈值，对小波系数进行硬阈值处理，得处理后的小波系数为W(j,n)’，进行小波重构；S7，对消噪效果进行评估，采用消噪后的信噪比(SNR)和均方根误差(RMSE)作为标准；S8，输出消噪后的XLPE电缆局部放电信号。本发明能实现智能化消噪。
-
公开(公告)号：CN110309865A
公开(公告)日：2019-10-08
申请号：CN201910530052.2
申请日：2019-06-19
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： 本发明涉及一种无人机巡视输电线路销钉缺陷分级图像识别方法，包括：S0、利用巡视采集图像对区域推荐卷积神经网络和SVM分类器进行预训练；S1、巡视采集图像送入区域推荐卷积神经网络；S2、利用区域推荐卷积神经网络对销钉进行定位，输出销钉定位矩形框图像；S3、对销钉定位矩形框图像上采样并作灰度化处理；S4、提取步骤S3处理后图像的SIFT特征；S5、对图像SIFT特征采用K-means算法聚类并制作成词袋模型；S6、词袋模型送入SVM分类器判断销钉是否存在缺陷。有益效果是简化了输电线路巡检人员的工作量，提高了输电线路销钉缺陷的检出率。
-
公开(公告)号：CN110516551B
公开(公告)日：2023-04-07
申请号：CN201910686677.8
申请日：2019-07-29
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： G06V20/17 , G06V10/25 , G06V10/774 , G05D1/12
摘要： 本发明提供了一种基于视觉的巡线位置偏移识别系统，包括：特征提取网络、电力线识别模块、电力塔架及部件识别模块；各个部分相互配合，在无人机巡线时实时执行当前位置识别，并在无人机偏离巡线目标时发出信号。特征提取网络负责提取图像的各级特征，用于后续的识别工作。电力线识别模块在训练时仅需类别标签，大大降低了样本标注的工作量。电力塔架及部件识别模块基于目标检测算法，在电力线识别模块识别到电力线形状变化时开始识别此处的部件类型，根据识别框的大小及位置确定无人机当前位置是否偏移。同时提供了一种识别方法和无人机。本发明实现了对巡线无人机的位置识别，并在位置偏移时发出信号，可用于辅助操控或无人机自动巡线等工作。
-
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：CN110334612A
公开(公告)日：2019-10-15
申请号：CN201910529984.5
申请日：2019-06-19
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： 本发明涉及具有自学习能力的电力巡检图像目标检测方法，包括：将含有目标对象的图片样本、目标对象位置标注文件送入Context CNN，训练Context模型；基于Context模型对输入的背景图片、扩充的目标对象图片进行图像融合处理得到扩充的图片样本及目标对象位置标注文件；基于送入Faster R-CNN的图片样本、位置标注文件训练目标检测模型1、目标检测模型2；Faster R-CNN基于目标检测模型1、和/或目标检测模型2输出采集的图片样本中是、否含有目标对象的检测结果。有益效果是克服电力行业应用图像识别技术存在的训练数据集不足的情况，在使用过程中自动提升识别性能。
-
公开(公告)号：CN110503135A
公开(公告)日：2019-11-26
申请号：CN201910698625.2
申请日：2019-07-31
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： G06K9/62
摘要： 本发明提供了一种用于电力设备边缘侧识别的深度学习模型压缩方法，通过直接修改已训练完成的深度学习模型，实现相关识别模型的压缩和加速，包括：批量归一化层融合：将批量归一化层与其之前的卷积层进行融合；针对全连接层的奇异值分解：基于矩阵的奇异值分解算法，在全连接层之前加入中间层，对全连接层的参数进行压缩；模型权重的量化：采用权值共享方法，根据深度学习模型的冗余性，对参数进行量化转换。各步骤既可独立使用，也可相互配合工作。同时提供了一种压缩系统。本发明实现对已训练完成的深度学习模型的压缩和加速，在当前电力公司积极推进泛在电力物联网的环境下，有着广泛的应用前景。
-
-
-
-
-
-
-
-
-
搜索结果
425 条记录 (耗时 0.063 秒)