申请/专利权人：国网安徽省电力有限公司电力科学研究院

申请日：2022-07-26

公开（公告）日：2023-01-06

公开（公告）号：CN115577236A

主分类号：G06F18/00

分类号：G06F18/00;G06N3/0464;G06N3/08;G01R31/12

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.01.24#实质审查的生效;2023.01.06#公开

摘要：一种卷积神经网络训练用学习率自调节方法及其在PRPD图谱识别的应用，属于GIS电气绝缘故障检测领域，通过现场检测以及积累，构建绝缘故障局放信号数据样本集，常见的信号类型主要包括尖端放电、沿面放电、悬浮放电、自由金属颗粒放电以及无故障的噪声信号；然后搭建卷积神经网络模型，通过网络训练获取模型，识别局放信号类别，实现绝缘故障类型的诊断。本发明采用自适应学习率CNN模型，对学习率进行了自动优化处理，具体是在每次迭代时求得学习率的最优值，并应用于下一次迭代的网络参数优化过程当中，实现学习率的自动调节，提升识别准确率，更加精准、快速的识别局部放电信号类型，提高绝缘故障检测的效率。

主权项：1.一种卷积神经网络训练用学习率自调节方法，其特征在于，包括如下步骤：①设置搜索区间[m,n]、初始学习率α、收敛精度ε1和收敛精度ε2；②在搜索区间[m,n]内产生初始点m1、m2，使用黄金分割法进行迭代，分别计算m1、m2和fm1、fm2；③比较fm1和fm2的值，并依据比较结果缩短搜索区间；④判断缩短后的搜索区间是否满足收敛精度ε1，若满足，执行步骤⑤，否则，返回步骤②，直至满足收敛条件，获得新的区间[m’,n’]；⑤采用二次插值法进行迭代计算，从而在新区间构建三个差值点；⑥计算二次差值函数的极小点mp；⑦判断极小点与新区间中点值之差的绝对值是否满足收敛精度ε2，若满足，执行步骤⑧，否则，返回步骤②；⑧取极小点对应的迭代步长作为学习率，参与卷积神经网络的训练。

全文数据：

权利要求：

百度查询： 国网安徽省电力有限公司电力科学研究院 一种卷积神经网络训练用学习率自调节方法及其在PRPD图谱识别的应用

免责声明
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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD