-
公开(公告)号：CN113219303A
公开(公告)日：2021-08-06
申请号：CN202110517076.1
申请日：2021-05-12
申请人： 广西大学
摘要： 本发明公开了一种小电流接地系统单相接地故障数据的提取方法，包括如下步骤：S1.调度主站向所有的变电站采集历史数据，并将该历史数据根据数据标识号分类成各变电站历史调度数据；S2.将所述各变电站历史调度数据中的无用数据剔除，并填补空缺数据，得到处理后的历史调度数据；S3.利用空间亚线性算法，对所述处理后的历史调度数据进行单相接地故障片段筛选，得到故障片段；S4.对所述故障片段进行标签标记，并生成样本集。本发明可从海量发电站历史调度数据中，提取故障片段，最终获取结构化的有标签样本集，实现流程化、高效率地获取单相接地故障数据。
-
公开(公告)号：CN114547172A
公开(公告)日：2022-05-27
申请号：CN202210167271.0
申请日：2022-02-23
申请人： 广西大学
摘要： 本发明公开了一种基于云监控与大数据平台的界面系统及其实现方法,包括：数据层、算法层和应用层，所述数据层是基于云数据库实现数据存储、数据整理和数据备份，所述算法层以C#语言构建Web服务接口实现Web应用与数据库的信息传递，响应网页操作读取数据库数据进行判断进而实现用户验证、信息录入、行为捕获和行为响应，所述应用层用于响应服务端反馈数据以及用户行为操作，体现界面系统网页服务进而实现网页可视化。本发明使具有不同功能且有上下级逻辑关系的功能模块分层次的展现出来，是一种美观、逻辑清晰、操作效率高的界面结构。
-
公开(公告)号：CN113721113A
公开(公告)日：2021-11-30
申请号：CN202111024902.5
申请日：2021-09-02
申请人： 广西大学
摘要： 本发明公开了一种基于半监督生成对抗网络的故障选线方法，包括如下步骤：S1.样本的采集以及数据预处理；S2.基于半监督深层对抗网络的故障选线模型构建；S3.半监督生成对抗网络模型的训练；S4.基于半监督生成对抗网络的故障选线模型的在线运行。本发明的方法能够仅使用少量有标签数据以及无标签数据进行训练，提取单相接地故障特征，即可获得较高的故障选线精度，解决了传统数据驱动故障选线方法在仅有少量样本的情况下训练困难的问题。
-
公开(公告)号：CN113721113B
公开(公告)日：2023-10-24
申请号：CN202111024902.5
申请日：2021-09-02
申请人： 广西大学
IPC分类号： G01R31/08 , G06F18/214 , G06N3/0475 , G06N3/045 , G06N3/094
摘要： 本发明公开了一种基于半监督生成对抗网络的故障选线方法，包括如下步骤：S1.样本的采集以及数据预处理；S2.基于半监督深层对抗网络的故障选线模型构建；S3.半监督生成对抗网络模型的训练；S4.基于半监督生成对抗网络的故障选线模型的在线运行。本发明的方法能够仅使用少量有标签数据以及无标签数据进行训练，提取单相接地故障特征，即可获得较高的故障选线精度，解决了传统数据驱动故障选线方法在仅有少量样本的情况下训练困难的问题。
-
公开(公告)号：CN112114231B
公开(公告)日：2023-10-10
申请号：CN202010987884.X
申请日：2020-09-18
申请人： 广西大学
IPC分类号： G01R31/08 , G06F18/241 , G06F18/27 , G06N3/0464 , G06N3/084
摘要： 本发明涉及电路系统技术领域，具体涉及具有连续学习能力的CNN故障选线方法，包括以下步骤：采集电力调度自动化系统中所有电站故障时段的实时遥测数据，构建多个一维时序矩阵作为原始样本；对原始样本进行空值填充和数据归一化；按照所属电站的不同，将处理后的样本数据进行标记；利用第一个电站的一维时序矩阵训练深度卷积神经网络分类器，保存卷积神经网络的权值参数；利用其余电站的一维时序矩阵依次训练上述卷积神经网络，并依据权值正交矩阵更新卷积神经网络的权值参数，直至所有电站数据都参与训练。本发明利用权值正交矩阵来更新权值，解决传统深度学习选线模型在小样本下准确率低，单个电站选线模型不能胜任其他电站选线任务的问题。
-
公开(公告)号：CN113219303B
公开(公告)日：2023-06-23
申请号：CN202110517076.1
申请日：2021-05-12
申请人： 广西大学
摘要： 本发明公开了一种小电流接地系统单相接地故障数据的提取方法，包括如下步骤：S1.调度主站向所有的变电站采集历史数据，并将该历史数据根据数据标识号分类成各变电站历史调度数据；S2.将所述各变电站历史调度数据中的无用数据剔除，并填补空缺数据，得到处理后的历史调度数据；S3.利用空间亚线性算法，对所述处理后的历史调度数据进行单相接地故障片段筛选，得到故障片段；S4.对所述故障片段进行标签标记，并生成样本集。本发明可从海量发电站历史调度数据中，提取故障片段，最终获取结构化的有标签样本集，实现流程化、高效率地获取单相接地故障数据。
-
公开(公告)号：CN112114231A
公开(公告)日：2020-12-22
申请号：CN202010987884.X
申请日：2020-09-18
申请人： 广西大学
摘要： 本发明涉及电路系统技术领域，具体涉及具有连续学习能力的CNN故障选线方法，包括以下步骤：采集电力调度自动化系统中所有电站故障时段的实时遥测数据，构建多个一维时序矩阵作为原始样本；对原始样本进行空值填充和数据归一化；按照所属电站的不同，将处理后的样本数据进行标记；利用第一个电站的一维时序矩阵训练深度卷积神经网络分类器，保存卷积神经网络的权值参数；利用其余电站的一维时序矩阵依次训练上述卷积神经网络，并依据权值正交矩阵更新卷积神经网络的权值参数，直至所有电站数据都参与训练。本发明利用权值正交矩阵来更新权值，解决传统深度学习选线模型在小样本下准确率低，单个电站选线模型不能胜任其他电站选线任务的问题。
-
-
-
-
-
-
搜索结果
7 条记录 (耗时 0.019 秒)
