CN110530876B - 基于长短期记忆神经网络的绝缘子污秽度发展预测方法 - Google Patents

基于长短期记忆神经网络的绝缘子污秽度发展预测方法 Download PDF

Info

Publication number
CN110530876B
CN110530876B CN201910833968.5A CN201910833968A CN110530876B CN 110530876 B CN110530876 B CN 110530876B CN 201910833968 A CN201910833968 A CN 201910833968A CN 110530876 B CN110530876 B CN 110530876B
Authority
CN
China
Prior art keywords
insulator
hyperspectral
pollution
pollution degree
degree
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910833968.5A
Other languages
English (en)
Other versions
CN110530876A (zh
Inventor
吴广宁
邱彦
郭裕钧
张血琴
刘凯
高国强
杨泽锋
魏文赋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN201910833968.5A priority Critical patent/CN110530876B/zh
Publication of CN110530876A publication Critical patent/CN110530876A/zh
Application granted granted Critical
Publication of CN110530876B publication Critical patent/CN110530876B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Insulators (AREA)

Abstract

本发明公开了一种基于长短期记忆神经网络的绝缘子污秽度发展预测方法，其包括获取绝缘子局部区域拍摄的高光谱图像，并提取高光谱图像的高光谱谱线；将绝缘子的高光谱谱线输入已构建的相同污秽类型的绝缘子污秽度高光谱回归模型，得到绝缘子的污秽度；将绝缘子的污秽度和预测时间序列输入采用长短期记忆神经网络算法构建的相同污秽类型的污秽度高光谱发展预测模型中，得到工程要求的绝缘子预测污秽度。本方案通过污秽度高光谱发展预测模型与高光谱图像的结合能够准确预测绝缘子污秽发展，以解决现有技术存在的操作繁琐、人工干扰大，难以预测污秽度未来发展等问题。

Description

基于长短期记忆神经网络的绝缘子污秽度发展预测方法
技术领域
本发明属于输变电设备运行状态检修技术领域，具体涉及一种基于长短期记忆神经网络的绝缘子污秽度发展预测方法。
背景技术
输电线路绝缘子长期暴露在大气环境中，表面逐渐积累污秽。随着工农业的迅速发展，电压等级的提高，输电线路绝缘子将面临更严重的积污问题。绝缘子污秽在雾、露、雨等潮湿天气情况下受潮后电气性能降低，易发生闪络事故。污秽闪络一旦发生将导致大面积的停电事故，检修恢复时间长，不仅为人民生活和社会生产带来不便，还将带来巨大的经济损失和安全隐患，因此对绝缘子污秽度的准确预测，从而提前制定清扫计划，对减少污闪事故发生具有重要意义。
目前，对于线路绝缘子污秽度检测主要依靠人力巡检，需要电力工人登杆拆卸绝缘子，清洗后测量盐密，过滤、烘干、称重后测量灰密，从而得到当前的污秽度，过程繁琐且依赖人力易带来随机误差，无法预测未来时间的污秽发展状态。我国地域辽阔，地区差异大，按照工人经验和传统标准制定线路绝缘子清扫策略难以因地制宜，无法在最经济的情况下达到防治污闪的目的。
综上所述，现有的绝缘子污秽度检测方法有一定的条件限制，有鉴于此，有必要提供一种可以基于时间序列，准确预测绝缘子污秽度发展的方法。
发明内容
针对现有技术中的上述不足，本发明提供的基于长短期记忆神经网络的绝缘子污秽度发展预测方法解决了现有技术中检测绝缘子污秽度难度大的问题。
为了达到上述发明目的，本发明采用的技术方案为：
获取绝缘子局部区域拍摄的高光谱图像，并提取高光谱图像的高光谱谱线；
将绝缘子的高光谱谱线输入已构建的相同污秽类型的绝缘子污秽度高光谱回归模型，得到绝缘子的污秽度；
将绝缘子的污秽度和预测时间序列输入采用长短期记忆神经网络算法构建的相同污秽类型的污秽度高光谱发展预测模型中，得到工程要求的绝缘子预测污秽度。
进一步地，所述污秽度高光谱发展预测模型的构建方法包括：
A1、在同一污秽类型的污秽区域内，定期n次、定点m个绝缘子的局部区域拍摄高光谱图像，并提取每一张高光谱图像的高光谱谱线；
A2、当绝缘子完成第n次高光谱图像的拍摄后，取下、清洗绝缘子局部区域污秽并测量局部区域的污秽度；
A3、根据每个绝缘子第n次的高光谱谱线与绝缘子测量的污秽度，采用回归算法构建绝缘子污秽度高光谱回归模型；
A4、根据绝缘子污秽度高光谱回归模型和每个绝缘子第1～(n-1)次的高光谱谱线计算得到每个绝缘子第1～(n-1)次的污秽度；
A5、根据时间序列和所有绝缘子第1～n次的污秽度，采用长短期记忆神经网络算法构建得到污秽度高光谱发展预测模型。
进一步地，步骤A3进一步包括：
A31、将每个绝缘子第n次拍摄时得到的高光谱谱线作为数据源，测量的污秽度作为标签值，并将数据源按设定比例划分为第一训练集和第一测试集；
A32、采用标签值、第一训练集和回归算法构建形成绝缘子污秽度高光谱回归模型；
A33、将第一测试集输入污秽度高光谱回归模型对模型进行优化，得到污秽度高光谱回归模型。
进一步地，所述回归算法为偏最小二乘回归法或极限学习机算法。
进一步地，步骤A5进一步包括：
A51、采用所有绝缘子第1～(n-1)次的污秽度和时间序列作为第二训练集，所有绝缘子第n次测量的污秽度作为第二测试集；
A52、根据第二训练集和长短期记忆神经网络算法，构建污秽度高光谱发展预测模型；
A53、将第二测试集输入污秽度高光谱发展预测模型进行优化，得到最终的污秽度高光谱发展预测模型。
进一步地，在长短期记忆神经网络算法中，对于一个给定的输入时间序列x＝(x1，…，xt)，长短期记忆模块的输出为：
ht＝ot tanh(ct)
ot＝s(Wxoxt+Whoht-1+Wcoct+bo)
ct＝ftct-1+it tanh(Wxcxt+Whcht-1+bc)
其中，ht和ht-1分别为模型预测t和t-1时刻输出的污秽度；ot为t时刻的输出门的激发输出；ct和ct-1分别为第t和t-1个神经元的输出；S(·)为隐含层神经元的激发函数；Wco和Whc均为权重系数；b0和bc均为偏差向量；ft和it分别为遗忘门和输入门的激发输出。
进一步地，提取高光谱图像中的高光谱谱线之前还包括对高光谱图像进行黑白校正：
Figure BDA0002191626470000041
其中，Rci为黑白校正后的高光谱图像；Sampleci为原始光谱图像数据；darkci为全黑标定图像数据；Whiteci为全白标定图像数据。
进一步地，所述污秽类型为煤烟、盐碱、尘土或化工，且假设同一污秽类型地区盐、灰成分及比例相似。
进一步地，所述高光谱图像采用无人机搭载高光谱图像采集装置获得。
本发明的有益效果为：本方案将获取的绝缘子高光谱图像和采用长短期记忆神经网络算法构建的与绝缘子具有相同污秽类型的污秽度高光谱发展预测模型的相互结合，可基于不同的时间序列预测污秽度发展，以方便绝缘子在达到不同地区污秽严重阈值之前及时清扫，避免污闪事故的发生，提高了输电线路的可靠性和安全性。
本方案采用该种方式对污秽度进行预测同时还可以解决现有技术存在的操作繁琐、人工干扰大，难以预测污秽度未来发展等问题。另外，高光谱图像采集时，采用无人机搭载的采集装置进行绝缘子高光谱图像采集，可大大减少人力物力，减少人工操作，实现绝缘子污秽的智能检测。
附图说明
图1为基于长短期记忆神经网络的绝缘子污秽度发展预测方法的流程图。
图2为污秽度高光谱发展预测模型的构建方法的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
参考图1，图1示出了基于长短期记忆神经网络的绝缘子污秽度发展预测方法的流程图；如图1所示，该方法包括步骤101至步骤103。
在步骤101中，获取绝缘子局部区域拍摄的高光谱图像，并提取高光谱图像的高光谱谱线；本方案优选高光谱图像采用无人机搭载高光谱图像采集装置获得。
在步骤102中，将绝缘子的高光谱谱线输入已构建的相同污秽类型的绝缘子污秽度高光谱回归模型，得到绝缘子的污秽度；
其中的污秽类型为煤烟、盐碱、尘土或化工，且假设同一污秽类型地区盐、灰成分及比例相似，主要区别在于含量不同。
在步骤103中，将绝缘子的污秽度和预测时间序列输入采用长短期记忆神经网络算法构建的相同污秽类型的污秽度高光谱发展预测模型中，得到工程要求的绝缘子预测污秽度。
在本发明的一个实施例中，步骤103中的污秽度高光谱发展预测模型的构建方法包括步骤A1至步骤A5，具体参考图2。
在步骤A1中，在同一污秽类型的污秽区域内，定期n次、定点m个绝缘子的局部区域拍摄高光谱图像，并提取每一张高光谱图像的高光谱谱线；其中n和m的取值越大，则构建的污秽度高光谱发展预测模型的预测精度就越高。
步骤101和步骤A1中在提取高光谱图像的高光谱谱线之前，还包括对高光谱图像进行黑白校正：
Figure BDA0002191626470000061
其中，Rci为黑白校正后的高光谱图像；Sampleci为原始光谱图像数据；darkci为全黑标定图像数据；Whiteci为全白标定图像数据。
在步骤A2中，当绝缘子完成第n次高光谱图像的拍摄后，取下、清洗绝缘子局部区域污秽并测量局部区域的污秽度；
在步骤A3中，根据每个绝缘子第n次的高光谱谱线与绝缘子测量的污秽度，采用回归算法构建绝缘子污秽度高光谱回归模型；在步骤102中的绝缘子污秽度高光谱回归模型为采用步骤A1至步骤A3构建而成。
实施时，本方案优选步骤A3进一步包括：
A31、将每个绝缘子第n次拍摄时得到的高光谱谱线作为数据源，测量的污秽度作为标签值，并将数据源按设定比例划分为第一训练集和第一测试集；
A32、采用标签值、第一训练集和回归算法构建形成绝缘子污秽度高光谱回归模型；
A33、将第一测试集输入污秽度高光谱回归模型对模型进行优化，得到污秽度高光谱回归模型；本步骤优化的主要目的是剔除误差较大的数据。
步骤A32中构建绝缘子污秽度高光谱回归模型时用的回归算法可以为偏最小二乘回归法，也可以为极限学习机算法，但不局限于这两种。
当采用偏最小二乘回归法构建绝缘子污秽度高光谱回归模型时，其关键公式如下：
s＝aj1x1+...+ajnxn
式中，s为待测绝缘子污秽等值盐密的检测值；aj1、aj2、...、ajn为根据已知污秽盐密值得到的绝缘子污秽等值盐密检测模型求解参数；x1、x2、...、xn为n个波段处的标准化反射率。
在步骤A4中，根据绝缘子污秽度高光谱回归模型和每个绝缘子第1～(n-1)次的高光谱谱线计算得到每个绝缘子第1～(n-1)次的污秽度；
在步骤A5中，根据时间序列和所有绝缘子第1～n次的污秽度，采用长短期记忆神经网络算法构建得到污秽度高光谱发展预测模型。
在本发明的一个实施例中，步骤A5进一步包括：
A51、采用所有绝缘子第1～(n-1)次的污秽度和时间序列作为第二训练集，所有绝缘子第n次测量的污秽度作为第二测试集；
A52、根据第二训练集和长短期记忆神经网络算法，构建污秽度高光谱发展预测模型；
在长短期记忆神经网络算法中，对于一个给定的输入时间序列x＝(x1，…，xt)，长短期记忆模块的输出为：
ht＝ot tanh(ct)
ot＝s(Wxoxt+Whoht-1+Wcoct+bo)
ct＝ftct-1+it tanh(Wxcxt+Whcht-1+bc)
其中，ht和ht-1分别为模型预测t和t-1时刻输出的污秽度；ot为t时刻的输出门的激发输出；ct和ct-1分别为第t和t-1个神经元的输出；S(·)为隐含层神经元的激发函数；Wco和Whc均为权重系数；b0和bc均为偏差向量；ft和it分别为遗忘门和输入门的激发输出。
A53、将第二测试集输入污秽度高光谱发展预测模型进行优化，得到最终的污秽度高光谱发展预测模型；本步骤中，优化的主要目的是计算出更优的模型参数。
综上所述，本方案基于长短期记忆神经网络算法构建的污秽度高光谱发展预测模型，能够准确预测绝缘子污秽发展，以解决现有技术存在的操作繁琐、人工干扰大，难以预测污秽度未来发展等问题；本方法用于输电线路绝缘子污秽度发展预测，可以提前预知污秽度严重区域，而实现污秽绝缘子的提前性、精准性清扫。

Claims (8)

1.基于长短期记忆神经网络的绝缘子污秽度发展预测方法，其特征在于，包括：
获取绝缘子局部区域拍摄的高光谱图像，并提取高光谱图像的高光谱谱线；
将绝缘子的高光谱谱线输入已构建的相同污秽类型的绝缘子污秽度高光谱回归模型，得到绝缘子的污秽度；
将绝缘子的污秽度和预测时间序列输入采用长短期记忆神经网络算法构建的相同污秽类型的污秽度高光谱发展预测模型中，得到工程要求的绝缘子预测污秽度；
所述污秽度高光谱发展预测模型的构建方法包括：
A1、在同一污秽类型的污秽区域内，定期n次、定点m个绝缘子的局部区域拍摄高光谱图像，并提取每一张高光谱图像的高光谱谱线；
A2、当绝缘子完成第n次高光谱图像的拍摄后，取下、清洗绝缘子局部区域污秽并测量局部区域的污秽度；
A3、根据每个绝缘子第n次的高光谱谱线与绝缘子测量的污秽度，采用回归算法构建绝缘子污秽度高光谱回归模型；
A4、根据绝缘子污秽度高光谱回归模型和每个绝缘子第1～(n-1)次的高光谱谱线计算得到每个绝缘子第1～(n-1)次的污秽度；
A5、根据时间序列和所有绝缘子第1～n次的污秽度，采用长短期记忆神经网络算法构建得到污秽度高光谱发展预测模型。
2.根据权利要求1所述的绝缘子污秽度发展预测方法，其特征在于，步骤A3进一步包括：
A31、将每个绝缘子第n次拍摄时得到的高光谱谱线作为数据源，测量的污秽度作为标签值，并将数据源按设定比例划分为第一训练集和第一测试集；
A32、采用标签值、第一训练集和回归算法构建形成绝缘子污秽度高光谱回归模型；
A33、将第一测试集输入污秽度高光谱回归模型对模型进行优化，得到污秽度高光谱回归模型。
3.根据权利要求2所述的绝缘子污秽度发展预测方法，其特征在于，所述回归算法为偏最小二乘回归法或极限学习机算法。
4.根据权利要求1所述的绝缘子污秽度发展预测方法，其特征在于，步骤A5进一步包括：
A51、采用所有绝缘子第1～(n-1)次的污秽度和时间序列作为第二训练集，所有绝缘子第n次测量的污秽度作为第二测试集；
A52、根据第二训练集和长短期记忆神经网络算法，构建污秽度高光谱发展预测模型；
A53、将第二测试集输入污秽度高光谱发展预测模型进行优化，得到最终的污秽度高光谱发展预测模型。
5.根据权利要求1或4所述的绝缘子污秽度发展预测方法，其特征在于，在长短期记忆神经网络算法中，对于一个给定的输入时间序列x＝(x1，…，xt)，长短期记忆模块的输出为：
ht＝ot tanh(ct)
ot＝s(Wxoxt+Whoht-1+Wcoct+bo)
ct＝ftct-1+it tanh(Wxcxt+Whcht-1+bc)
其中，ht和ht-1分别为模型预测t和t-1时刻输出的污秽度；ot为t时刻的输出门的激发输出；ct和ct-1分别为第t和t-1个神经元的输出；S(·)为隐含层神经元的激发函数；Wco和Whc均为权重系数；bo 和bc均为偏差向量；ft和it分别为遗忘门和输入门的激发输出。
6.根据权利要求1所述的绝缘子污秽度发展预测方法，其特征在于，提取高光谱图像中的高光谱谱线之前还包括对高光谱图像进行黑白校正：
Figure FDA0002487684930000031
其中，Rci为黑白校正后的高光谱图像；Sampleci为原始光谱图像数据；darkci为全黑标定图像数据；Whiteci为全白标定图像数据。
7.根据权利要求1所述的绝缘子污秽度发展预测方法，其特征在于，所述污秽类型为煤烟、盐碱、尘土或化工，且假设同一污秽类型地区盐、灰成分及比例相似。
8.根据权利要求1所述的绝缘子污秽度发展预测方法，其特征在于，所述高光谱图像采用无人机搭载高光谱图像采集装置获得。
CN201910833968.5A 2019-09-04 2019-09-04 基于长短期记忆神经网络的绝缘子污秽度发展预测方法 Active CN110530876B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910833968.5A CN110530876B (zh) 2019-09-04 2019-09-04 基于长短期记忆神经网络的绝缘子污秽度发展预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910833968.5A CN110530876B (zh) 2019-09-04 2019-09-04 基于长短期记忆神经网络的绝缘子污秽度发展预测方法

Publications (2)

Publication Number Publication Date
CN110530876A CN110530876A (zh) 2019-12-03
CN110530876B true CN110530876B (zh) 2020-08-18

Family

ID=68667029

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910833968.5A Active CN110530876B (zh) 2019-09-04 2019-09-04 基于长短期记忆神经网络的绝缘子污秽度发展预测方法

Country Status (1)

Country Link
CN (1) CN110530876B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111289854B (zh) * 2020-02-26 2021-05-11 华北电力大学 基于紫外视频的3d-cnn和lstm的绝缘子绝缘状态评估方法
CN111257242A (zh) * 2020-02-27 2020-06-09 西安交通大学 绝缘子污秽成分高光谱识别方法
CN114187783B (zh) * 2021-12-06 2023-10-31 中国民航大学 一种用于机场飞行区潜在冲突分析预测的方法
CN115856550B (zh) * 2022-12-19 2024-01-16 华南理工大学 一种复合绝缘子盐雾闪络预测方法、装置和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108072667A (zh) * 2017-09-28 2018-05-25 江苏省电力试验研究院有限公司 基于高光谱的绝缘子污秽等级检测方法及***
CN108256626A (zh) * 2016-12-28 2018-07-06 中国科学院深圳先进技术研究院 时间序列的预测方法及装置
CN109612947A (zh) * 2019-01-17 2019-04-12 西南交通大学 基于偏最小二乘回归法的绝缘子污秽等值盐密检测方法
CN110096737A (zh) * 2019-03-21 2019-08-06 国网内蒙古东部电力有限公司电力科学研究院 绝缘子寿命预测方法、装置、计算机装置及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102520286B (zh) * 2011-12-15 2014-07-09 国网电力科学研究院 基于高光谱的复合绝缘子运行状态分类方法
US10417788B2 (en) * 2016-09-21 2019-09-17 Realize, Inc. Anomaly detection in volumetric medical images using sequential convolutional and recurrent neural networks
CN109799245A (zh) * 2019-03-29 2019-05-24 云南电网有限责任公司电力科学研究院 一种绝缘子污秽程度非接触式检测方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108256626A (zh) * 2016-12-28 2018-07-06 中国科学院深圳先进技术研究院 时间序列的预测方法及装置
CN108072667A (zh) * 2017-09-28 2018-05-25 江苏省电力试验研究院有限公司 基于高光谱的绝缘子污秽等级检测方法及***
CN109612947A (zh) * 2019-01-17 2019-04-12 西南交通大学 基于偏最小二乘回归法的绝缘子污秽等值盐密检测方法
CN110096737A (zh) * 2019-03-21 2019-08-06 国网内蒙古东部电力有限公司电力科学研究院 绝缘子寿命预测方法、装置、计算机装置及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting;Xingjian Shi等;《Proceedings of the 28th international conference on Neural Information Processing System》;20151231;第1卷;第802-810页 *
基于ARIMA-LSTM的架空线状态数据挖掘;钟令枢;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20170215;第45页第1段，第51页最后1段，第52页第2段，第53页第2段 *

Also Published As

Publication number Publication date
CN110530876A (zh) 2019-12-03

Similar Documents

Publication Publication Date Title
CN110530876B (zh) 基于长短期记忆神经网络的绝缘子污秽度发展预测方法
WO2022077605A1 (zh) 一种风力机叶片图像损伤检测和定位方法
US20190285517A1 (en) Method for evaluating health status of mechanical equipment
CN109784552B (zh) 一种基于Re-ESF算法的空间变系数PM2.5浓度估算模型的构建方法
Li et al. Intelligent fault pattern recognition of aerial photovoltaic module images based on deep learning technique
CN109087277B (zh) 一种空气细颗粒物pm2.5测量方法
CN105425123A (zh) 一种紫外成像与红外成像协同检测电力设备故障的方法及***
CN111539355A (zh) 一种基于深层神经网络的光伏板异物检测***及检测方法
Thanh et al. Insulator leakage current prediction using surface spark discharge data and particle swarm optimization based neural network
Zhang et al. Prediction of urban pm 2.5 concentration based on wavelet neural network
CN113108918B (zh) 一种极轨气象卫星热红外遥感数据反演气温方法
CN109799245A (zh) 一种绝缘子污秽程度非接触式检测方法及装置
CN116612098B (zh) 一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置
CN111008641A (zh) 一种基于卷积神经网络的输电线路杆塔外力破坏检测方法
CN112070783A (zh) 一种输电线路绝缘子串的风偏检测方法及装置
CN115170988A (zh) 基于深度学习的电网线路故障识别方法及***
CN114863361A (zh) 基于USRNet和YOLOv3的配电线路鸟巢检测方法
CN117252840A (zh) 一种光伏阵列缺陷消除评定方法、装置及计算机设备
CN110570022A (zh) 一种基于mGBDT的建筑能耗预测方法和***
CN113989209A (zh) 基于Faster R-CNN的电力线异物检测方法
CN114638417A (zh) 一种细粒度空气质量预测方法及***
CN113284103A (zh) 基于空间变换Faster R-CNN模型的变电站设备缺陷在线检测***
CN106570561B (zh) 一种绝缘子表面不可溶沉积物密度预测***及方法
Hong et al. Drainage network flow anomaly classification based on XGBoost
CN112381560B (zh) 一种共享设备产品市场预测***及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant