-
公开(公告)号：CN113095019B
公开(公告)日：2022-11-11
申请号：CN202110359329.7
申请日：2021-04-02
Applicant: 上海交通大学 , 国网山东省电力公司枣庄供电公司
IPC: G06F30/36 , G06F119/08
Abstract: 本发明公开了一种局部放电信号仿真方法，其包括步骤：(1)构建等离子体流体模型；(2)采用等离子体流体模型对绝缘气隙局部放电的微观的粒子反应与运动过程进行局部放电仿真，以得到气隙电容值和感应电容值；(3)搭建模拟绝缘气隙局部放电的三电容实体模型；(4)将放电延迟时间、放电起始电压以及所述气隙电容值和感应电容值施加于所述三电容实体模型，并调整三电容实体模型的仿真参数，进行局部放电信号仿真。相应地，本发明还公开了与该方法对应的局部放电信号仿真系统。
-
公开(公告)号：CN111275109A
公开(公告)日：2020-06-12
申请号：CN202010064806.2
申请日：2020-01-20
Applicant: 国网山东省电力公司枣庄供电公司 , 上海交通大学
Abstract: 本发明公开了一种基于自编码器的电力设备状态数据特征选优方法，其包括：(1)采集电力设备的状态数据，并对其进行预处理以作为样本数据；(2)构建自编码器，输入样本数据以对自编码器进行训练，提取自编码器的隐层输出作为样本数据的特征量；(3)对特征量进行降维并进行聚类，经过聚类的特征量分别表征不同的电力设备缺陷类别；(4)分别计算表征电力设备相同缺陷类别的特征量的类内距离和表征电力设备不同缺陷类别的特征量的类间距离；基于类内距离和类间距离，调整自编码器的隐层输出的特征量的数量，循环进行步骤(2)至步骤(4)，直到类内距离与类间距离均达到预设的阈值。此外，本发明还公开了一种电力设备状态数据特征选优系统。
-
公开(公告)号：CN111275108A
公开(公告)日：2020-06-12
申请号：CN202010064775.0
申请日：2020-01-20
Applicant: 国网山东省电力公司枣庄供电公司 , 上海交通大学
Abstract: 本发明公开了一种基于生成对抗网络对局部放电数据进行样本扩展的方法，其包括：(1)采集局部放电数据；(2)对局部放电数据进行预处理，以得到真实样本数据；(3)构建生成对抗网络并采用生成对抗网络对局部放电数据进行样本扩展，生成对抗网络包括生成器、判别器和生成样本存储器；(4)采用生成样本存储器中的生成样本数据对真实样本数据进行扩展。此外，本发明还公开了一种对局部放电缺陷进行诊断的方法。另外，本发明还公开了一种基于生成对抗网络对局部放电数据进行样本扩展的系统。该方法可以综合考虑数据集的整体分布，分析数据的分布情况，通过生成对抗网络可以对局部放电数据中少量样本进行数据增强，降低样本不平衡。
-
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
Applicant: 上海交通大学 , 上海交通大学烟台信息技术研究院
Abstract: 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
Applicant: 上海交通大学烟台信息技术研究院 , 上海交通大学
IPC: G06V20/17 , G06V10/25 , G06V10/774 , G05D1/12
Abstract: 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。
-
Patent Agency Ranking
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
Applicant: 上海交通大学 , 上海交通大学烟台信息技术研究院
Abstract: 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
Applicant: 上海交通大学 , 上海交通大学烟台信息技术研究院
Abstract: 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
Applicant: 上海交通大学 , 上海交通大学烟台信息技术研究院
Abstract: 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
Applicant: 上海交通大学烟台信息技术研究院 , 上海交通大学
IPC: G06K9/62
Abstract: 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。
-
公开(公告)号：CN110334865B
公开(公告)日：2023-04-18
申请号：CN201910602682.6
申请日：2019-07-05
Applicant: 上海交通大学 , 上海交通大学烟台信息技术研究院
IPC: G06Q10/04 , G06Q10/0635 , G06Q10/20 , G06Q50/06 , G06F18/243 , G06F18/2415 , G06F18/214 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084
Abstract: 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。
-
-
-
-
-
-
-
-
-
Search Results
434
records
(took 0.06 seconds)
