-
公开(公告)号：CN112240964B
公开(公告)日：2023-06-20
申请号：CN201910641524.1
申请日：2019-07-16
Applicant: 北京映翰通网络技术股份有限公司
IPC: G01R31/08 , G06F18/241 , G06N3/0464
Abstract: 本发明公开了一种用于配电网的故障类型识别方法，该方法利用故障定位器来识别暂态录波装置所获取的故障录波波形所对应的故障类型。针对目前原始暂态录波数据‑故障类型数据组数量不足以对故障定位器进行良好的训练的情况下，本发明提出了利用故障定位器的浅层结构帮助训练故障分类器，并同时通过设置第一、二故障波形生成器和第一、二故障波形辨别器进行对抗训练，以及第一、二辅助分类器获得充足的且能够与原始故障波形数据‑故障类型数据组相似的人工故障波形数据‑故障类型数据组，来用于故障分类器的训练。
-
公开(公告)号：CN110794255B
公开(公告)日：2022-01-18
申请号：CN201810866754.3
申请日：2018-08-01
Applicant: 北京映翰通网络技术股份有限公司
Abstract: 本发明公开了一种配电网故障预测方法，所述方法包括：对所需预测的配电网区段内的故障录波数据提取距前时间、数据密度、降采样波形和局部波形；将距前时间、数据密度、降采样波形和局部波形输入故障预测模型获得预测结果，所述故障预测模型包括深度卷积神经网络、掩蔽单元及长短时期记忆网络单元。
-
公开(公告)号：CN112101077A
公开(公告)日：2020-12-18
申请号：CN201910528483.5
申请日：2019-06-18
Applicant: 北京映翰通网络技术股份有限公司
Abstract: 本发明公开了一种配电网故障类型识别方法，所述方法包括：构建故障波形生成器模型和故障波形识别器模型用于为分类器训练提供故障波形‑故障类型数据组；构建辅助分类器模型，该辅助分类器模型用于识别输入的故障波形的时序为顺时序或逆时序；构建故障分类器模型，且该故障分类器模型与辅助分类器模型中的部分结构保持一致；利用实际故障波形‑故障类型数据组或由故障波形生成器生成的人工故障波形‑故障类型数据组，对故障分类器模型进行训练，从而获得故障分类器。
-
公开(公告)号：CN107609569B
公开(公告)日：2020-11-03
申请号：CN201710643117.5
申请日：2017-07-31
Applicant: 北京映翰通网络技术股份有限公司
Abstract: 本发明公开了一种基于多维特征向量的配电网接地故障定位方法以及基于该方法的定位检测系统。本发明的配电网接地故障定位方法根据由配电网检测终端所发送的故障特征向量结合主站辖区内配电网的拓扑结构及反馈的实际故障处理结果形成用于训练接地故障判定模型的机器学习条目，对现有的接地故障判定模型进行训练，使其不断完善，输出更为精确的故障定位结果。
-
公开(公告)号：CN110794254A
公开(公告)日：2020-02-14
申请号：CN201810865735.9
申请日：2018-08-01
Applicant: 北京映翰通网络技术股份有限公司
Abstract: 本发明公开了一种基于强化学习的配电网故障预测方法，所述方法包括：对所需预测的配电网区段内的故障录波数据提取距前时间、降采样波形和局部波形；将距前时间、降采样波形和局部波形输入故障预测模型获得预测结果，所述故障预测模型包括深度卷积神经网络及长短时期记忆网络单元。
-
Patent Agency Ranking
公开(公告)号：CN107909118A
公开(公告)日：2018-04-13
申请号：CN201711310398.9
申请日：2017-12-11
Applicant: 北京映翰通网络技术股份有限公司
CPC classification number: G06K9/6268 , G01R31/00 , G06K9/6256 , G06N3/0454
Abstract: 本发明公开了一种基于深度神经网络的配电网工况分类方法，所述配电网工况分类方法包括对工况录波进行波形预处理；构建包含卷积层区域和全连接区域的深度神经网络工况分类器框架；利用工况录波分类数据集对深度神经网络进行超参数机器训练以获得最优深度神经网络工况分类器模型；将预处理波形输入最优深度神经网络工况分类器模型以获得该工况录波的工况类型，本发明能够实现对波形本身简单预处理后直接建模识别，机器学习模型自身带有特征提取和工况分类的功能，此种端对端训练模型的方法能进一步提升识别正确率。
-
公开(公告)号：CN114076872B
公开(公告)日：2025-03-21
申请号：CN202010813399.0
申请日：2020-08-13
Applicant: 北京映翰通网络技术股份有限公司
Inventor： 戴义波
IPC: G01R31/08
Abstract: 本发明公开了一种配电网故障原因分析方法，所述方法包括：获取配电网故障波形；对所述故障波形进行压缩编码，所述压缩编码包括对所述故障波形进行相似性运算和阈值编码以得到故障波形的特征压缩码；将故障波形的特征压缩码输入模式分类模型得到模式标签；将模式标签与外部环境数据输入故障原因分类模型，最终得到故障原因。
-
公开(公告)号：CN107909118B
公开(公告)日：2022-02-22
申请号：CN201711310398.9
申请日：2017-12-11
Applicant: 北京映翰通网络技术股份有限公司
Abstract: 本发明公开了一种基于深度神经网络的配电网工况分类方法，所述配电网工况分类方法包括对工况录波进行波形预处理；构建包含卷积层区域和全连接区域的深度神经网络工况分类器框架；利用工况录波分类数据集对深度神经网络进行超参数机器训练以获得最优深度神经网络工况分类器模型；将预处理波形输入最优深度神经网络工况分类器模型以获得该工况录波的工况类型，本发明能够实现对波形本身简单预处理后直接建模识别，机器学习模型自身带有特征提取和工况分类的功能，此种端对端训练模型的方法能进一步提升识别正确率。
-
公开(公告)号：CN108107324B
公开(公告)日：2020-04-17
申请号：CN201711405417.6
申请日：2017-12-22
Applicant: 北京映翰通网络技术股份有限公司
IPC: G01R31/08
Abstract: 本发明公开了一种基于深度卷积神经网络的配电网故障定位方法，所述配电网故障定位方法包括：对各配电网监测终端的录波数据根据广域对时技术截取出波形的公共时间区段，并对所截取的公共时间区段波形进行预处理得到有效区域数据；随后对有效区域数据进行拼接处理。构建包含卷积层区域和全连接区域的深度卷积神经网络框架，所述卷积层区域包含卷积块。利用故障定位分类数据集对深度卷积神经网络模型进行超参数机器训练以获得最优深度卷积神经网络故障定位器模型。将各配电网监测终端的拼接后的有效区域数据输入最优深度卷积神经网络故障定位器模型以获得各配电网监测终端相对于故障点的相对位置。
-
公开(公告)号：CN110794255A
公开(公告)日：2020-02-14
申请号：CN201810866754.3
申请日：2018-08-01
Applicant: 北京映翰通网络技术股份有限公司
Abstract: 本发明公开了一种配电网故障预测方法，所述方法包括：对所需预测的配电网区段内的故障录波数据提取距前时间、数据密度、降采样波形和局部波形；将距前时间、数据密度、降采样波形和局部波形输入故障预测模型获得预测结果，所述故障预测模型包括深度卷积神经网络、掩蔽单元及长短时期记忆网络单元。
-
-
-
-
-
-
-
-
-
Search Results
40
records
(took 0.05 seconds)
