-
公开(公告)号：CN118818223A
公开(公告)日：2024-10-22
申请号：CN202310419529.6
申请日：2023-04-19
Applicant: 复旦大学 , 上海交通大学 , 上海驹电电气科技有限公司
IPC: G01R31/12 , G06F18/213 , G06F18/24 , G06F18/2431
Abstract: 本发明提供了一种GIS设备局部放电信号的定位方法，其包括步骤：搭建与实际GIS设备相匹配的GIS仿真模型，基于GIS仿真模型设置若干个模拟局部放电源，GIS仿真模型上对应于各光学传感器的位置设有探测点；基于各探测点接收的各模拟局部放电源的辐照度，构建光学仿真原始指纹库，其内包括若干条光学指纹样本，每一条光学指纹样本均含有该模拟局部放电源的位置坐标信息以及与该位置坐标对应的各探测点接收的辐照度向量；对光学仿真原始指纹库中的光学指纹样本进行扩容；基于扩容后的光学指纹样本，采用随机森林算法对各光学传感器接收的实测辐照度向量进行定位，获得局部放电源的实际位置坐标。
-
公开(公告)号：CN118096631A
公开(公告)日：2024-05-28
申请号：CN202211498519.8
申请日：2022-11-28
Applicant: 复旦大学 , 上海交通大学 , 上海驹电电气科技有限公司
Abstract: 本发明提供了一种基于NSST和图像能量算法的电力设备缺陷实时监测方法及系统，其包括步骤：(1)采集电力设备的可见光图像以及与该可见光图像对应的红外图像；(2)采用能量图像算法将红外图像分割为若干模块，确定分割后的各模块的温度特征，并将各模块的温度特征标注在红外图像上；(3)将经过标注的红外图像和与之对应的可见光图像分别进行NSST分解，以分别得到各自的低频子带图和高频子带图；(4)将各低频子带图进行融合得到融合低频子带图；将各高频子带图融合，得到融合高频子带图；(5)基于融合低频子带图和融合高频子带图进行NSST逆变换，得到融合图像；(6)基于融合图像判断电力设备的缺陷位置。
-
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。
-
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。
-
Patent Agency Ranking
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。
-
公开(公告)号：CN112307851A
公开(公告)日：2021-02-02
申请号：CN201910710454.0
申请日：2019-08-02
Applicant: 上海交通大学烟台信息技术研究院 , 上海交通大学
Abstract: 本发明公开了一种电力铁塔上鸟巢的识别方法，其包括训练步骤和识别步骤，训练步骤包括：S100：采集电力铁塔二维案例图像；S200：构建卷积神经网络并对其进行训练，以使卷积神经网络进行数据简化处理；S300：构建采用多个限制玻尔兹曼机堆叠形成的深度信念网络，将二维数据降维到含有电力铁塔图像特征的一维数据输入深度信念网络，采用一维数据对深度信念网络进行训练，以使深度信念网络输出识别结果；识别步骤包括：D100：将待识别的电力铁塔二维图像输入经过训练的卷积神经网络，卷积神经网络输出经过数据简化的二维数据；D200：将二维数据降维至一维数据输入经过训练的深度信念网络；D300：深度信念网络输出识别结果。
-
-
-
-
-
-
-
-
-
Search Results
441
records
(took 0.06 seconds)
