-
公开(公告)号：CN114186379B
公开(公告)日：2024-09-24
申请号：CN202111184970.8
申请日：2021-10-12
Applicant: 武汉大学
IPC: G06F30/20 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于泄露积分回声网络和深度残差神经网络的变压器健康状态评估方法，包括以下步骤：采集各变电站中的监测信息；对采集到的监测信息进行数据滤波、数据清洗和数据归一化处理，得到输入矩阵；将输入矩阵输入泄露积分回声网络，生成可训练的人工数据，将人工数据按比例划分为训练集和验证集；构建基于压缩激励网络的深度残差神经网络，输入训练集和验证集进行网络训练；结合实际测试数据进行健康状态评估和网络更新。本发明考虑深度学习神经网络需要大量数据，利用泄露积分回声网络生成人工训练数据。并引入深度残差网络和压缩激励网络构建深度学习神经网络，提高神经网络的特征提取能力。该评估方法具备较高的准确率和较强的鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN115146739B
公开(公告)日：2024-11-05
申请号：CN202210884861.5
申请日：2022-07-26
IPC: G06F18/2431 , G06F18/243 , G06F18/2415 , G01N33/28 , G06N3/0442 , G06N3/084 , G06N3/0985 , G06N5/01 , G06N20/20 , G06F18/27 , G06F123/02
Abstract: 本发明公开了一种基于堆叠时间序列网络的电力变压器故障诊断方法，包括：采集各变电站中变压器的油中气体；对采集的数据进行z‑score归一化，得到归一化矩阵；将归一化矩阵按比例划分为训练集和测试集；构建基于Xgboost和双向门控循环神经网络的堆叠时间序列网络，输入训练集和测试集进行网络训练；利用实时采集的数据经过归一化后得到可训练的数据，进行故障预测和网络参数的更新。本发明利用Xgboost和门控神经网络对油中气体数据进行预测，由元学习器从两个时间序列网络中获得电力变压器预测数据，并通过Softmax层得到变压器的故障诊断结果。该神经网络具有准确的故障诊断性能和稳定的鲁棒性。
-
公开(公告)号：CN115146739A
公开(公告)日：2022-10-04
申请号：CN202210884861.5
申请日：2022-07-26
Abstract: 本发明公开了一种基于堆叠时间序列网络的电力变压器故障诊断方法，包括：采集各变电站中变压器的油中气体；对采集的数据进行z‑score归一化，得到归一化矩阵；将归一化矩阵按比例划分为训练集和测试集；构建基于Xgboost和双向门控循环神经网络的堆叠时间序列网络，输入训练集和测试集进行网络训练；利用实时采集的数据经过归一化后得到可训练的数据，进行故障预测和网络参数的更新。本发明利用Xgboost和门控神经网络对油中气体数据进行预测，由元学习器从两个时间序列网络中获得电力变压器预测数据，并通过Softmax层得到变压器的故障诊断结果。该神经网络具有准确的故障诊断性能和稳定的鲁棒性。
-
公开(公告)号：CN117648674A
公开(公告)日：2024-03-05
申请号：CN202311362193.0
申请日：2023-10-18
Applicant: 国网湖北省电力有限公司直流公司 , 武汉大学
Abstract: 本发明公开了一种基于IOMA‑ARIMA的电力变压器振动信号预测方法，利用ADF检验对变压器原始振动信号进行平稳性检验，若不平稳则进行差分处理直至信号平稳；其次，在OMA算法中引入周期突变机制，使改进后的优化算法在解空间中能够进行较大范围的周期性跳跃，以实现算法更为充分的寻优；最后，利用IOMA算法对ARIMA模型参数p和q进行定阶，实现对变压器振动信号的预测。本发明充分考虑了电力变压器振动信号因非平稳特性而导致难以预测的问题，所构建的模型能够直接对非平稳的振动信号进行平稳化处理，且改进后的优化算法能够帮助模型更精确的预测变压器振动信号，对维护电力变压器安全稳定运行具有重要意义。
-
公开(公告)号：CN117494037A
公开(公告)日：2024-02-02
申请号：CN202311356012.3
申请日：2023-10-18
Applicant: 国网湖北省电力有限公司直流公司 , 武汉大学
IPC: G06F18/25 , G06F18/214 , G06F18/241 , G06N3/0442 , G06N3/0464 , G06N3/0455 , G06N3/0985
Abstract: 本发明公开了一种基于变权VAE与双通道特征融合的变压器故障诊断方法，包括以下步骤：收集不同故障类型下待诊变压器的油中气体含量数据，并使用改进的熵权法计算每种故障类型中各类气体的权重，获取待分析变权数据集；采用VAE网络对油中气体含量数据进行数据降维和数据扩充，得到变权数据集；构建具有卷积神经网络和双LSTM网络的双通道特征融合的故障诊断模型，用于提取局部特征和捕捉时间序列的长期依赖关系，并采用注意力机制对不同通道的信息进行加权融合分析，进行模型训练，更新模型参数；最后结合实际监测数据进行变压器故障诊断。本发明可以有效改善变压器故障数据样本少、样本不平衡而导致故障诊断准确率低的问题，具备较高的准确率和泛化性。
-
公开(公告)号：CN114186379A
公开(公告)日：2022-03-15
申请号：CN202111184970.8
申请日：2021-10-12
Applicant: 武汉大学
Abstract: 本发明公开了一种基于泄露积分回声网络和深度残差神经网络的变压器健康状态评估方法，包括以下步骤：采集各变电站中的监测信息；对采集到的监测信息进行数据滤波、数据清洗和数据归一化处理，得到输入矩阵；将输入矩阵输入泄露积分回声网络，生成可训练的人工数据，将人工数据按比例划分为训练集和验证集；构建基于压缩激励网络的深度残差神经网络，输入训练集和验证集进行网络训练；结合实际测试数据进行健康状态评估和网络更新。本发明考虑深度学习神经网络需要大量数据，利用泄露积分回声网络生成人工训练数据。并引入深度残差网络和压缩激励网络构建深度学习神经网络，提高神经网络的特征提取能力。该评估方法具备较高的准确率和较强的鲁棒性。
-
-
-
-
-
Search Results
6
records
(took 0.019 seconds)
