国网江西省电力有限公司经济技术研究院;江西腾达电力设计院有限公司田冬冬获国家专利权
买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
龙图腾网获悉国网江西省电力有限公司经济技术研究院;江西腾达电力设计院有限公司申请的专利基于深度学习网络的电力设备故障检测方法及系统获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN119397404B 。
龙图腾网通过国家知识产权局官网在2025-07-08发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202411975142.X,技术领域涉及:G06F18/2415;该发明授权基于深度学习网络的电力设备故障检测方法及系统是由田冬冬;姚明侠;胡国辉;郭泉辉;章小枫;徐鹏;薄明明;舒娇设计研发完成,并于2024-12-31向国家知识产权局提交的专利申请。
本基于深度学习网络的电力设备故障检测方法及系统在说明书摘要公布了:本发明提供了一种基于深度学习网络的电力设备故障检测方法及系统,该方法包括:获取电力设备在观测时段内的状态参数数据,并根据状态参数数据形成第一多维时间序列,将第一多维时间序列输入至深度学习模型,得到与每个时间节点分别对应的故障概率预测值;根据所有时间节点的故障概率预测值获取故障系数,并根据故障系数判断电力设备是否存在故障;若电力设备存在故障,则将与每一时间节点分别对应的故障概率预测值输入到故障分类模型中,得到与观测时段对应的故障类别集合,并根据故障类别集合获取当前时间节点的故障类别。本发明能够避免通过单一维度的数据进行故障判断造成因数据异常导致诊断结果不准确的情况,提高了故障诊断准确度。
本发明授权基于深度学习网络的电力设备故障检测方法及系统在权利要求书中公布了:1.一种基于深度学习网络的电力设备故障检测方法,其特征在于,所述方法包括: 构建由记忆模块、卷积神经网络组成的深度学习模型,并基于卷积神经网络构建故障分类模型; 将时间点t的隐藏状态代入卷积神经网络中,所述卷积神经网络设置为两层; 在第一层卷积神经网络中,采用以下公式对时间点t的隐藏状态进行卷积后进行非线性变化,得到输出值: ; ; 式中,为第一层卷积神经网络的可学习参数,为第一卷积值,A为输出值,为激活函数; 在第二层卷积神经网络中,采用以下公式对输出值进行卷积操作并基于softmax函数将卷积值转化为故障概率预测值: ; ; 式中,为第二层卷积神经网络的可学习参数,为第二卷积值,p为故障概率预测值; 在记忆模块、卷积神经网络训练过程中,将目标函数定义为: 式中,为样本总数,为电力设备的实际状态,为经过深度学习模型得出的故障概率预测值,表示时间点t的电力设备的实际状态正常,表示时间点t的电力设备的实际状态异常; 选取观测时段,以获取电力设备在所述观测时段内的状态参数数据,并根据所述状态参数数据形成第一多维时间序列,所述第一多维时间序列包含当前时间节点以及过去至少一个时间节点的状态参数数据,将所述第一多维时间序列输入至所述深度学习模型,得到与每个时间节点分别对应的故障概率预测值; 根据所有时间节点的故障概率预测值获取故障系数,并根据所述故障系数判断所述电力设备是否存在故障; 根据以下公式获取故障系数: ; 式中,为第t个时间点的故障概率预测值,T表示观测时段,Y表示观测时段下的故障系数; 判断所述观测时段下的故障系数是否大于预设故障系数阈值; 若所述观测时段下的故障系数大于预设故障系数阈值,则判定所述电力设备存在故障; 若所述电力设备存在故障,则将与每一时间节点分别对应的故障概率预测值输入到所述故障分类模型中,得到与所述观测时段对应的故障类别集合,并根据所述故障类别集合获取当前时间节点的故障类别; 基于卷积神经网络在每个时间点的故障概率预测值通过全连接层映射到故障类别参数u: ; 式中,和均为全连接层的参数,p为故障概率预测值; 从同一时间点下的所有故障概率中筛选出最大故障概率,并以与所述最大故障概率对应的故障类别为该时间点的最终故障类别; 输出观测时段下所有时间点的最终故障概率。
如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人国网江西省电力有限公司经济技术研究院;江西腾达电力设计院有限公司,其通讯地址为:330000 江西省南昌市南昌高新技术产业开发区青山湖大道999号1#楼第20层;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。