共查询到12条相似文献,搜索用时 62 毫秒
1.
2.
3.
4.
针对常规的输电线路故障判别方法准确率低、通用性差、依赖人工干预的问题,提出一种基于深度神经网络的故障判别方法。该方法采用实际行波波形和自动仿真生成的故障波形作为输入,使用小波变换滤噪,训练并构建双向长短期记忆与注意力机制结合的神经网络,利用该神经网络可以根据分布式故障诊断系统终端上送的行波数据辨识故障原因。将多种判别方法应用于由4 800个故障行波构成的测试集,以识别4种常见的输电线路故障,判别结果表明,所提方法的准确率相较常规判别方法提高了9.85%。将所提方法应用于分布式故障诊断系统,可以提升故障判别的准确率至96.79%,为巡检工作提供精确指导。 相似文献
5.
电网故障信息系统中的一次故障建模与识别 总被引:1,自引:3,他引:1
一次故障信息建模是电网继电保护故障信息系统的基础。首先提出一次故障信息模型,该模型由电网、变电站、间隔、IED等4层组成,IED的一次故障信息模型是其基础。并对模型的关联和参数,结合继电保护装置和故障录波器的信息输出特点,提出了具体的识别方法。该方法已在浙江省电网继电保护故障信息系统进行了应用。 相似文献
6.
7.
针对军事航空维修领域命名实体识别训练数据少,标注成本高的问题,改进提出一种基于预训练BERT的命名实体识别方法,借鉴远程监督思想,对字符融合远程标签词边界特征得到特征融合向量,送入BERT生成动态字向量表示,连接CRF模型得到序列的全局最优结果,在自建数据集上进行实验,F1值达到0.861。为压缩模型参数,使用训练好的BERT-CRF模型生成伪标签数据,结合知识蒸馏技术指导参数量较少的学生模型BiGRU-CRF进行训练。实验结果表明,与教师模型相比,学生模型以损失2%的F1值为代价,参数量减少了95.2%,运算推理时间缩短了47%。 相似文献
8.
通过实时数字仿真器(RTDS)对多种工况下输电线路短路故障模型进行仿真,获得了故障辨识时所需的各种类型的故障信号.采用双向长短期记忆网络,利用采集的短路故障电流暂态量数据进行输电线路短路故障辨识.在利用双向长短期记忆网络辨识短路故障类型过程中,先将预处理后用于训练的5500种工况下输电线路双端短路电流暂态量时间序列传入... 相似文献
9.
针对电力领域语音转写文本质量差,不能很好解决电网领域命名实体识别问题,以电网信息通信(information and communications technology,ICT)系统语音转写文本数据为研究对象,构建了一种基于双向长短期记忆(bi-directional long short-term memory,BiLSTM)神经网络融合条件随机场(conditional random field,CRF)面向电力文本特征的实体识别算法。通过与循环神经网络(recurrent neural network,RNN)等神经网络算法的对比验证:BiLSTM-CRF在电网ICT领域实体识别准确率达79%,F1值达80%,优于LSTM(long short-term memory)和其他RNN算法,并能较好地识别转写错误实体。该算法有效提升了领域语音转写文本的实体识别准确率,同时降低了领域语音识别技术成本,为电网客服领域信息检索、智能问答、个性化推荐等自然语言处理应用提供了高质量非结构化样本数据。 相似文献
10.
电动汽车的规模化发展以及充电设施的持续建设将给电网带来重要影响,严重威胁到了电力系统频率稳定性。结合电动汽车充电负荷数据特点,在深度学习方法的基础上提出基于融合注意力机制(attention mechanism,AM)改进的双向长短时记忆网络模型(long short-term memory network, LSTM),实现对电动汽车的优化调度。通过使用实测电动汽车充电负荷数据,比较了所提方法与已有方法的性能。结果表明,在LSTM和(bidirectional long short-term memory network, BiLSTM)分别添加了注意力机制的(long short-term memory attention network,LSTMA)和(bidirectional long short-term memory attention network,BiLSTMA)模型相对于已有方法,在预测结果评价指标上都有明显的提升,证明了注意力机制在电动汽车充电负荷序列预测上的有效性。 相似文献
11.
预测变压器潜伏性故障对评估其健康状态至关重要.提出一种新型变压器故障预测方法,首先以LSTM网络为载体搭建时间注意力机制预测框架,并采用IALO算法优化其参数;其次利用优化的模型预测变压器油中溶解气体;然后采用MPA算法优化的SVM模型对气体预测结果进行故障诊断;最后统计诊断结果并与实际运行状态对比验证模型.实验结果显示在第42~58天内运行状态异常次数最多为29次,未来两个月内运行异常几率为86.89%,其中中温过热故障占比最高为88.67%,与实际情况误差仅为2.46%和1.29%,预测结果与实际运行情况符合较高,证明了所提方法在准确预测变压器运行状态异常时间点和故障类型中的可行性. 相似文献