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！

申请/专利权人：上海交通大学

摘要：本发明公开了一种基于深度学习的瓷绝缘子故障分析方法及系统，涉及电力系统设备监测技术领域。包括：采集瓷绝缘子的多模态数据并进行数据预处理；利用卷积神经网络模型和循环神经网络模型进行数据特征提取；结合所述卷积神经网络模型和所述循环神经网络模型的输出，建立深度学习模型进行特征融合；通过所述深度学习模型的输出，建立瓷绝缘子故障预测模型，识别瓷绝缘子的故障。能够更精确地分析和识别瓷绝缘子的微小变化和早期故障迹象。这种深度学习方法使得故障检测不仅限于明显的损坏，还能识别到潜在的故障风险。有助于避免由故障引起的昂贵修复和停机成本。

主权项：1.一种基于深度学习的瓷绝缘子故障分析方法，其特征在于，包括：采集瓷绝缘子的多模态数据并进行数据预处理；利用卷积神经网络模型和循环神经网络模型进行数据特征提取；结合所述卷积神经网络模型和所述循环神经网络模型的输出，建立深度学习模型进行特征融合；通过所述深度学习模型的输出，建立瓷绝缘子故障预测模型，识别瓷绝缘子的故障；所述多模态数据包括，图像数据和时间序列数据；所述图像数据包括，瓷绝缘子的静态图片和动态视频录像；所述时间序列数据包括，温度、湿度、电压、电流；所述数据预处理包括，数据清洗、数据标准化、数据归一化和去噪声；所述卷积神经网络模型包括，卷积层，使用高斯核的权重矩阵Kxi,xj进行图像数据L的局部区域处理，提取图像的空间特征；激活层，应用非线性函数σ，实现非线性变换；池化层，降低特征维度，保持特征信息；归一化层，使用归一化因子Z，对卷积层的输出进行标准化处理，维持网络训练过程中的数值稳定性；输出层，根据从卷积层、激活层和池化层得到的特征输出最终的特征向量FL；所述循环神经网络模型包括，将采集的所述时间序列数据，整理为输入向量X,计算每个向量xt包括在时间t的所有测量值；对每个时间t，计算和更新隐藏状态并提取特征；计算最终的特征向量TX；所述建立深度学习模型进行特征融合包括，将特征向量FL和TX进行连接操作，形成综合特征向量；所述建立瓷绝缘子故障预测模型包括，应用时间加权技术，对综合特征向量进行时间加权积分；结合所得的时间加权特征整合结果，使用逻辑回归模型来预测瓷绝缘子的故障发生概率；所述识别瓷绝缘子的故障包括，将计算得到的故障概率与设定的阈值进行比较，进行故障风险判断；所述特征向量FL的计算公式为： 其中，表示双重求和操作，遍历图像L的所有像素位置i，j，N表示图像行数，M表示图像列数；表示高斯函数，用于在xi处对卷积核K进行加权，通过调整均值μ和标准差σ，调整周围像素对当前像素位置的贡献；gLij表示图像L在位置i，j的像素值经过卷积核K处理后的结果；dx表示积分变量；所述计算每个向量xt包括在时间t的所有测量值，公式为： 其中，θt表示在时间t的温度数据，μθ表示温度数据的平均值，σθ表示温度数据的标准差；Ht表示在时间t的湿度数据，V表示电压数据，maxV表示最大电压数据，Vt表示在时间t的电压数据，It表示在时间t的电流数据；∈表示常数，用于确保对数运算的数值稳定性；δ表示常数，用于确保开方运算的数值稳定性；设置循环神经网络的参数，包括权重矩阵W和U，偏直向量b，以及时间加权系数λ和初始化网络的隐藏状态h0；所述对每个时间t，计算和更新隐藏状态并提取特征的计算公式为：ht＝tanhW·ht-1+U·xt+b其中，tanh表示激活函数，用于引入非线性并限制输出在[-1,1]范围内；所述特征向量TX的计算公式为： 其中，P表示归一化常数，确保不同长度序列的特征提取结果具有可比性；T表示观察窗口的长度，ht表示在时间t的隐藏层状态。

全文数据：

权利要求：

百度查询： 上海交通大学 一种基于深度学习的瓷绝缘子故障分析方法及系统