-
公开(公告)号：CN117825599A
公开(公告)日：2024-04-05
申请号：CN202311580630.6
申请日：2023-11-23
Applicant: 三峡大学
IPC: G01N30/86 , G06N3/0442 , G06N3/049 , G06N3/048 , G06N3/084
Abstract: 本发明提供一种基于组合模态分解重构的变压器油色谱特征气体浓度预测方法，包括如下步骤：步骤一、将变压器油色谱特征气体浓度时间序列一次分解为多个子序列；步骤二、计算分解后的子序列的样本熵，选取不满足条件的一次分解分量；步骤三、将选取的分量二次分解；步骤四、计算经二次分解的子序列的样本熵以及一次分解和二次分解子序列与原始序列之间的相关系数；步骤五、重构分量的划分区间，并构造趋势分量、波动分量和噪声分量；步骤六、优化BiLSTM模型参数，通过优化BiLSTM模型对分量分别预测，叠加得到最终预测结果；步骤七、对预测模型结果进行评价。该方法提取原始序列中的趋势分量、波动分量和噪声分量，提高预测速度，降低偏差风险。
-
Patent Agency Ranking
公开(公告)号：CN117349786B
公开(公告)日：2024-08-09
申请号：CN202311166171.7
申请日：2023-09-11
Applicant: 国网湖北省电力有限公司宜昌供电公司 , 三峡大学
IPC: G06F18/25 , G06F18/214 , G06F18/23213 , G06F18/2411 , G06F18/243 , G06N5/01 , G06N20/20 , G01R31/62 , G01R31/00
Abstract: 本发明提供一种基于数据均衡的证据融合变压器故障诊断方法，包括如下步骤：步骤一、收集在线监测的油浸式变压器油中溶解气体含量数据，将带有状态标签的特征气体含量数据集划分训练集和测试集；步骤二、确定原始数据集中的小样本集，通过RO‑BSMOTE均衡规则对小样本数据集扩充；步骤三、分别构建多分类模型，均衡后的数据集及故障标签作为模型训练集；训练完成后，测试集输入分类模型，经PCR5规则的融合模型融合输出，得出诊断结果；步骤四、选择分类任务评价指标，实现对模型性能的综合评价。该方法对DGA数据均衡化处理，增强少数类数据携带的特征关系，考虑单结构分类模型的不足，引入证据融合理论，实现多分类器融合判别，以提高故障诊断精度。
-
公开(公告)号：CN117829138A
公开(公告)日：2024-04-05
申请号：CN202311634610.2
申请日：2023-11-29
Applicant: 三峡大学 , 国网湖北省电力有限公司宜昌供电公司
IPC: G06F40/279 , G06F40/30 , G06F16/31 , G06F16/35 , G06N3/0442 , G06N3/045 , G06N3/0499 , G06N7/01 , G06N5/022 , G06Q10/20 , G06Q50/06
Abstract: 本发明公开了一种基于深度学习的电力缺陷实体识别方法，通过提出融合基于全词掩码的预训练模型BERT与注意力机制的电力缺陷文本识别模型，通过BERT‑WWM模型生成上下文信息丰富的词向量表示，之后通过BiLSTM层和Attention层对这些词向量进行处理，最后利用CRF层进行序列标注；本方案解决了现有技术模型对电力专业文本及关键词和上下文理解能力较弱，需要手动构建词典，需要大量专业知识，依赖人工手动添加的问题，可以有效避免因字级别的遮罩而导致的模型学习偏差，提高处理复杂电力专业词汇时模型理解能力，并捕获各电力实体间复杂的依赖关系。
-
公开(公告)号：CN117972556A
公开(公告)日：2024-05-03
申请号：CN202311813977.0
申请日：2023-12-26
Applicant: 三峡大学 , 国网湖北省电力有限公司宜昌供电公司
IPC: G06F18/2415 , G06F18/243 , G06F18/2431 , G06N20/00
Abstract: 本发明公开了一种基于过采样的变压器故障诊断方法，该方法基于SMOTE均衡油中溶解特征气体数据，灰狼算法优化随机森林分类器超参数实现变压器故障诊断。针对实际运行工况下变压器正常运行样本较少，不利于随机森林分类器提取少数类样本特征的问题，采本发明采用合成少数类过采样算法均衡数据集，增强原始数据中少数类样本的特征信息；考虑到随机森林参数选取对分类结果影响较大，采用灰狼算法优化随机森林的超参数，增强随机森林对非线性故障特征提取能力，提高故障诊断模型诊断精度。
-
公开(公告)号：CN117408299A
公开(公告)日：2024-01-16
申请号：CN202311158819.6
申请日：2023-09-08
Applicant: 国网湖北省电力有限公司宜昌供电公司 , 三峡大学
IPC: G06N3/0442 , G06N3/045 , G06N3/0985 , G06N3/006 , G01N30/00
Abstract: 本发明提供一种基于深度学习的变压器油中溶解气体浓度预测方法，包括如下步骤：S1、在线监测系统对变压器油中溶解气体浓度进行监测，将各油中溶解气体浓度时间序列送入CEEMDAN分解模型进行模态分解；S2、将分解得到的各子序列输入DBO‑BiLSTM模型进行点预测；S3、将各子序列预测结果进行叠加拟合得到油中溶解气体浓度点预测结果并评价；S4、将拟合的点预测结果与原始序列相比较，得到的点预测误差序列；S5、选择点预测误差序列重复抽样次数，拟合不同置信度下的误差置信区间，结合点预测结果，得到不同置信水平下区间预测结果并评价。该方法在提高点预测精度的同时，考虑点预测模型误差生成不同置信度下的区间预测，提高预测的准确度。
-
公开(公告)号：CN117349786A
公开(公告)日：2024-01-05
申请号：CN202311166171.7
申请日：2023-09-11
Applicant: 国网湖北省电力有限公司宜昌供电公司 , 三峡大学
IPC: G06F18/25 , G06F18/214 , G06F18/23213 , G06F18/2411 , G06F18/243 , G06N5/01 , G06N20/20 , G01R31/62 , G01R31/00
Abstract: 本发明提供一种基于数据均衡的证据融合变压器故障诊断方法，包括如下步骤：步骤一、收集在线监测的油浸式变压器油中溶解气体含量数据，将带有状态标签的特征气体含量数据集划分训练集和测试集；步骤二、确定原始数据集中的小样本集，通过RO‑BSMOTE均衡规则对小样本数据集扩充；步骤三、分别构建多分类模型，均衡后的数据集及故障标签作为模型训练集；训练完成后，测试集输入分类模型，经PCR5规则的融合模型融合输出，得出诊断结果；步骤四、选择分类任务评价指标，实现对模型性能的综合评价。该方法对DGA数据均衡化处理，增强少数类数据携带的特征关系，考虑单结构分类模型的不足，引入证据融合理论，实现多分类器融合判别，以提高故障诊断精度。
-
-
-
-
-
Search Results
6
records
(took 0.013 seconds)
