【CN110069886A】基于VMD和CNN的电缆早期故障识别与分类方法【专利】

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910303202.6(22)申请日 2019.04.16(71)申请人 沈阳工业大学地址 110870 辽宁省沈阳市铁西区经济技术开发区沈辽西路111号(72)发明人 崔嘉　刘思彤　杨俊友　葛维春　张宇献　于仁哲　刘云飞　郭海宇　(74)专利代理机构 沈阳智龙专利事务所(普通合伙) 21115代理人 周智博　宋铁军(51)Int.Cl.G06F 16/182(2019.01)G06F 16/215(2019.01)G06K 9/62(2006.01)(54)发明名称基于皮尔逊系数与MapReduce并行计算的电网尖峰负荷聚类提取法(57)摘要基于皮尔逊系数与MapReduce并行计算的电网尖峰负荷聚类提取法，该方法步骤如下：第一步：对负荷数据集进行数据清理以及异常数据修复，然后对负荷数据集进行降维；第二步：将降维后数据集按行存储在Hadoop分布式文件系统中，并将数据集分成各个切片形成子数据集；第三步：利用MapReduce计算架构读取第二步中的每一个切片子数据集，通过并行模型利用皮尔逊相关系数作为相似性判据选取初始聚类中心；第四步：再将聚类计算任务分配给MapReduce中的Map 任务节点，结合第三步中的初始聚类中心，完成数据集的并行聚类。

本发明更加适应越来越蓬勃发展信息时代衍生的电力负荷大数据处理。

权利要求书4页 说明书13页 附图3页CN 110069467 A 2019.07.30C N 110069467A1.基于皮尔逊系数与MapReduce并行计算的电网尖峰负荷聚类提取法，其特征在于：该方法步骤如下：第一步：对负荷数据集进行数据清理以及异常数据修复，然后对负荷数据集进行降维；第二步：将降维后数据集按行存储在Hadoop分布式文件系统中，并将数据集分成各个切片形成子数据集；第三步：利用MapReduce计算架构读取第二步中的每一个切片子数据集，通过并行模型利用皮尔逊相关系数作为相似性判据选取初始聚类中心；第四步：再将聚类计算任务分配给MapReduce中的Map任务节点，结合第三步中的初始聚类中心，完成数据集的并行聚类。

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910234071.0(22)申请日 2019.03.26(71)申请人 武汉大学地址 430072 湖北省武汉市武昌区珞珈山武汉大学申请人 国网青海省电力公司电力科学研究院　国网青海省电力公司(72)发明人 刘晓莉　张帅东　王学斌　曾祥晖　姚磊　邓长虹　龙志君　丁玉杰　邹佳芯　(74)专利代理机构 武汉科皓知识产权代理事务所(特殊普通合伙) 42222代理人 鲁力(51)Int.Cl.G06K 9/62(2006.01)(54)发明名称一种基于随机矩阵理论和模糊C均值聚类算法的PMU数据分类方法(57)摘要本发明公开一种基于随机矩阵理论和模糊C 均值聚类算法的PMU数据分类方法。

包括：步骤1)建立历史PMU数据随机矩阵模型，通过建立线性特征值统计量进行特征提取，得到特征数据集；步骤2)用模糊C均值聚类算法对特征数据集进行聚类，得到各类的聚类中心和隶属度矩阵；步骤3)将实时电网运行数据结合历史数据建立随机矩阵模型，通过建立线性特征值统计量进行特征提取，生成特征数据；步骤4)使用步骤2的结果进行初始化，对步骤3生成的特征数据进行模糊C均值聚类，判断实时数据的类别。

本发明可实现数据驱动下的PMU数据实时分类。

权利要求书3页 说明书5页 附图1页CN 110020680 A 2019.07.16C N 110020680A1.一种基于随机矩阵理论和模糊C均值聚类算法的PMU数据分类方法，其特征在于，包括：(1)获取电网各节点历史PMU数据，建立随机矩阵模型，利用滑动时间窗技术，求取每个窗矩阵特征值及其协方差矩阵的特征值，具体是：步骤1.1、获取电力系统各节点的历史PMU数据，从PMU数据中获取电压相量信息，得到原始数据矩阵模型S，同时确定滑动时间窗的长度和宽度，从原始数据矩阵模型S中提取每一个滑动时间窗矩阵S t ，对其进行标准化处理得到标准非Hermitian矩阵原始数据矩阵模型S为：式中，s N ,T 表示T时刻PMU的第N个量测值，N为PMU的量测值总数，T为时间序列总长度；当选取滑动时间窗的宽度为N w ，长度为T w 时，t i 时刻的时间窗矩阵S t为：式中，表示t i 时刻PMU的第N w 个量测值，N w 为当前选取量测值总数，T w 为当前选取时间窗口总长度；对S t进行标准化处理为：式中，表示标准化矩阵的第i行j列的元素，s i ,j 表示矩阵S t 第i行j列的量测值，N w 为选取的测量值总数，T w 为选取的历史时间段，μ(s i )和σ(s i )分别为矩阵S t 第i行的均值和标准差，和分别表示标准化后的矩阵第i行的均值和标准差，且步骤1.2、根据标准非Hermitian矩阵得到奇异值等价矩阵S u ，定义若干个奇异值等价矩阵S u 的乘积为矩阵积对其进行标准化，得到标准矩阵Z；的奇异值等价矩阵S u 可以通过得到；式中，表示标准化矩阵的共轭转置矩阵，U为Haar酉矩阵；矩阵积可以通过得到；式中，i＝1,2,3,…,L表示奇异值等价矩阵S u 的个数；标准矩阵Z的各元素可以通过得到；式中，i＝1,2,3,…,N表示矩阵积的行数，z i 表示标准矩阵Z的各行元素，表示矩阵积权　利　要　求　书1/3页2CN 110020680 A。

12
湖 南 工 业 大 学 学 报
2021 年
的两个功率管开路故障，例如 T1 和 T6，共 6 种。把 正常情况归为一类，则 IGBT 开路故障的类型为 22 种。
3 多模态信号分解与特征提取
3.1 经验模式分解
经 验 模 式 分 解（EMD）， 又 可 以 称 为 HilbertHuang 变换（Hilbert-Huang transform，HHT）[13]，它
Anhui 241000，China；3. Tongling Nonferrous Metals Tongguan Electric Co., Ltd.，Tongling Anhui 244001，China）
Abstract：As the core component of the photovoltaic inverter, insulated gate bipolar transistor (IGBT) will not only affect the stable operation of photovoltaic inverter system in case of an open circuit fault occurrence, but also damage the system equipment as well. In view of a reduction of the number of sensors and fuse multi-scale features, a new fault diagnosis method has thus been proposed for the photovoltaic inverter based on empirical mode decomposition (EMD) and two-dimensional convolution neural network (2D-CNN). The proposed method uses EMD to extract the intrinsic mode function component of current signal and the original signal so as to form two-dimensional feature data, with the data subsequently input into the 2D-CNN model for training, thus finally realizing the open circuit fault diagnosis of IGBT. Experimental results show that this method helps to improve the accuracy of fault diagnosis, characterized with a better performance of both effectiveness and robustness in a noisy environment.

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910287943.X(22)申请日 2019.04.11(71)申请人 东南大学地址 211102 江苏省南京市江宁区东南大学路2号(72)发明人 宋爱波　李峰　(74)专利代理机构 南京苏高专利商标事务所(普通合伙) 32204代理人 康燕文(51)Int.Cl.G01R 31/08(2006.01)(54)发明名称一种基于深度学习的自适应电网故障诊断方法(57)摘要本发明公开了一种基于深度学习的自适应电网故障诊断方法，首先，根据电网结构图设计新颖的电网结构知识表示；其次，设计T步迭代算法自适应地融合有效信息，并构造设备高级特征，从而实现设备的特征提取；最后，使用全连接神经网络融合设备高级特征，构造全网高级特征，综合全网高级特征和设备高级特征作为输入，实现电网的多故障诊断，从而有效提高模型的可移植性与多故障诊断性能。

本发明可实现复杂电网故障诊断功能，并显著提升电网故障诊断方法的可移植性和多故障诊断的性能。

权利要求书2页 说明书6页 附图3页CN 109932617 A 2019.06.25C N 109932617A1.一种基于深度学习的自适应电网故障诊断方法，其特征在于，包括以下步骤：(1)设计新颖的电网结构知识表示方式，将电网结构和保护系统转化为特别的无向图结构；(2)设计T步迭代算法实现设备高级特征提取：使用T步迭代特征提取算法自适应地融合设备自身和邻域的抽象化的故障信息到设备特征中，从而实现设备高级特征的提取；(3)根据步骤(2)中所提取的设备高级特征，使用全连接神经网络融合设备特征，构建全网高级特征，结合全网高级特征和设备高级特征作为输入，设计多故障诊断模型，判断电网故障状况。

2.根据权利要求1所述的一种基于深度学习的自适应电网故障诊断方法，其特征在于，步骤(1)所述电网结构使用独热编码方式编码。