CN104766175A - 一种基于时间序列分析的电力系统异常数据辨识与修正方法 - Google Patents

一种基于时间序列分析的电力系统异常数据辨识与修正方法 Download PDF

Info

Publication number
CN104766175A
CN104766175A CN201510182225.8A CN201510182225A CN104766175A CN 104766175 A CN104766175 A CN 104766175A CN 201510182225 A CN201510182225 A CN 201510182225A CN 104766175 A CN104766175 A CN 104766175A
Authority
CN
China
Prior art keywords
data
time series
identification
abnormal data
abnormal
Prior art date
Application number
CN201510182225.8A
Other languages
English (en)
Inventor
蒋浩
王珂
苏大威
徐春雷
余璟
杨志强
袁丁
Original Assignee
东南大学
国家电网公司
江苏省电力公司
江苏省电力公司徐州供电公司
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 东南大学, 国家电网公司, 江苏省电力公司, 江苏省电力公司徐州供电公司 filed Critical 东南大学
Priority to CN201510182225.8A priority Critical patent/CN104766175A/zh
Publication of CN104766175A publication Critical patent/CN104766175A/zh

Links

Abstract

本发明公开了一种基于时间序列分析的电力系统异常数据辨识与修正方法,包括数据预处理,时间序列建模,异常数据辨识和异常数据修正四个部分。数据预处理包括辨识和修正待检测数据中的缺失数据以及突变为零值的数据。时间序列建模包括对预处理后的待检测的数据进行时间序列分析,根据时间序列建立模型的步骤,采用差分自回归移动平均模型对待检测的数据进行建模。异常数据辨识通过对建立的差分自回归移动平均模型的拟合残差序列的分析,设定误差置信区间,辨识异常数据。异常数据修正采用神经网络法建立对异常数据修正的预测模型,通过对异常数据所在时刻的数据值进行预测,实现对异常数据的修正。本发明方法简单易行,准确度高。

Description

-种基于时间序列分析的电力系统异常数据辨识与修正方 法
技术领域
[0001] 本发明涉及电力系统异常数据辨识与修正技术领域,尤其涉及一种基于时间序列 分析的异常数据辨识与修正方法。
背景技术
[0002] 随着社会经济的快速发展和科学技术水平的不断提高,现代电力系统发展的越来 越快,社会对电网智能化的要求也越来越提高。由于电网规模的不断扩大、电力系统结构和 运行模式的日益复杂,电力系统中大量的实时数据对系统的安全性、稳定性和可靠性的影 响越来越大。
[0003] 所谓异常数据,是指在实际的电力系统运行中测量误差很大的量测量。电力系统 运行过程中由于通道错误、远程终端单元故障以及外在条件变化等原因,都可能造成数据 的产生较大的误差,产生异常数据。异常数据的存在可能会影响电力系统的正常运行,甚至 威胁整个电力系统的安全,因此电力系统中异常数据的辨识对于促进电网安全优质运行具 有重要价值。
[0004] 目前对电力系统中异常数据的辨识的研宄越来越多,主要分为基于状态估计法、 基于新息图法和基于数据挖掘法的异常数据辨识方法,其中基于数据挖掘的异常数据的辨 识方法主要有模糊数学法、神经网络法、聚类分析法和间隙统计法。由于电力系统中的数据 可以看成是既包含规律性又具有随机性的时间序列,因此可以采用时间序列分析法实现对 电力系统中异常数据的辨识;又由于神经网络法能够以任意精度逼近任何非线性映射,因 此适合描述具有复杂非线性特点的电力系统数据的预测模型。所以采用一种基于时间序列 分析和神经网络的方法,有效地实现了对电力系统异常数据的辨识与修正。
发明内容
[0005] 为了辨识与修正电力系统的异常数据,提高网络的运行控制能力,保证电力系统 安全、稳定和经济运行,本发明提供一种基于时间序列分析的异常数据辨识与修正方法,可 以有效辨识与修正异常数据。
[0006] 为实现上述目的,本发明采用的技术方案为:
[0007] -种基于时间序列分析的异常数据辨识与修正方法,包括数据预处理,时间序列 建模,异常数据辨识和异常数据修正四个部分。数据预处理包括辨识和修正待检测数据中 的缺失数据以及突变为零值的数据。时间序列建模根据建立时间序列模型的步骤,对待检 测数据建立时间序列模型。异常数据辨识通过对建立的时间序列模型的拟合残差序列进行 分析,辨识异常数据。异常数据修正采用神经网络法实现对异常数据的修正。
[0008] 具体的,基于时间序列分析的异常数据辨识与修正方法的详细步骤包括:对待检 测数据中的缺失数据和突变为零值的数据进行辨识,采用拉格朗日插值算法对辨识出的数 据进行填补和修正;对预处理后的待检测数据进行时间序列分析,根据Box-Jenkins建模 的思想,采用数据的平稳化处理、模型识别、参数估计和模型检验的时间序列建立模型的步 骤,对预处理后的数据建立差分自回归移动平均模型;对建立的差分自回归移动平均模型 的数据,实现对异常数据的辨识;对于辨识出的异常数据,采用RBF神经网络实拟合残差序 列进行分析,设定误差置信区间,在置信区间外的数据则为异常现对异常数据修正,即建立 RBF神经网络预测模型,利用非异常数据形成的样本集对所述预测模型进行训练,根据训练 好的预测模型实现对异常数据的逐点修正。
[0009] 相对于现有技术,本发明具有如下有益效果:本发明提供的基于时间序列分析的 异常数据辨识与修正方法,该方法采用时间序列分析法对待检测数据建立相应的时间序列 模型,实现对数据统计规律性的描述;对建立好的模型中的残差序列进行分析,建立误差置 信区间,实现待检测数据中异常数据的辨识;采用RBF神经网络法,实现对电力系统中异常 数据的逐点修正。本发明根据电力系统数据的时序特性,有效地实现了对电力系统异常数 据的辨识,采用神经网络和纵向均值法分别对不连续的异常数据和连续的异常数据进行修 正,提高了修正的精度,促进电网安全优质运行。
附图说明
[0010] 图1为本发明基于时间序列分析的异常数据辨识与修正方法的流程图。
具体实施方式
[0011] 下面结合附图对本发明作更进一步的说明。
[0012] 如图1所示,本发明的方法具体包括以下步骤:
[0013] 1)对待检测据数据进行预处理,辨识待检测据数据中的缺失数据和突变为零值的 数据,采用拉格朗日(Lagrange)插值方法对辨识出的缺失以及突变为零的数据进行填补 和修正。
[0014] Lagrange插值的方法是对给定的η个插值节点X1, X2,…Xn,以及对应的函数值 yi,y;E,…yn,利用η次Lagrange插值多项式,则对插值区间任意的X的函数值y可以通过 Ln(X)来求解,Ln(X)的表达式为:
Figure CN104766175AD00041
[0016] 其中Ii(X) (i = 0, 1,2, ···,]!)是插值基函数,其表达式为:
Figure CN104766175AD00042
[0018] 2)对预处理后的待检测数据进行时间序列分析,根据时间序列建立模型的步骤, 对数据建立采用差分自回归移动平均ARIMA模型。ARIMA模型是由Box和Jenkins于70年 代初提出的著名时间序列方法,指将非平稳时间序列转化为平稳时间序列,然后将因变量 对它的滞后值及随机误差项的现值和滞后值进行回归所建立的模型。
[0019] ARIMA模型表达式为:
Figure CN104766175AD00043
[0021] 其中Adyt表示y t经过d次差分转换后形成的时间序列,且Λ dyt = Ji = 1,2,…,p)和Θ」(j = 1,2,…,q)为模型的待估计参数,p和q为 模型的阶;ε 1是t时刻的时间序列的随机误差,它们是相互独立的白噪声序列。
[0022] 根据Box-Jenkins建模的思想,建立时间序列ARIMA (p,d,q)模型的步骤为:
[0023] (1)数据的平稳化处理。对数据进行平稳化检验,一般采用单位根检验法。如果数 据序列是非平稳的,如存在一定的增长或下降趋势等,可以差分变换对数据进行平稳化处 理,然后再判断经过处理后序列的平稳性。。
[0024] (2)模型识别。根据平稳时间序列的样本自相关函数(ACF)和偏自相关函数 (PACF)初步确定p和q的值,然后通过赤池信息量(AIC)准则对多组p、q值进行对比与筛 选,选出最优的时间序列模型,其中AIC准则的定义为:
Figure CN104766175AD00051
(4)
[0026] 其中δ是拟合残差的方差,p、q为模型的阶数,N是参与估计的样本个数。
[0027] (3)参数估计和模型检验。采用最小二乘法(OLS)对模型参数进行估计,然后对估 计的参数进行显著性检验和对残差序列进行白噪声检验,判断所建模型是否可取,如果模 型中的某些参数不能通过显著性检验,则需要对模型进行重新识别。其中最小二乘法是一 种数学优化技术,它通过最小化误差的平方和寻找数据的最佳函数匹配。
[0028] (4)利用具有合适参数的模型进行预测。
[0029] 3)根据建立的差分自回归移动平均模型,获得模型的拟合残差序列并对其进行分 析,由于异常数据一般是指与其他数据产生的条件有明显不同的数据,所以异常数据的残 差一般会较大,因此采用设定置信区间方法辨识异常数据。假设预处理后的待检测数据为 yt,建立的差分自回归移动平均ARIMA模型的拟合值为κ,则残差序列为,误差 Λ 百分比为
Figure CN104766175AD00052
,如果a t在[-c,+c]置信区间内,则认为是正常数据,如果α 1在[-c, +c]置信区间外,则认为异常数据,其中c是预先确定的阈值。
[0030] 4)采用RBF神经网络法实现对异常数据的逐点修正。
[0031] 步骤4-1 :对于辨识出的异常数据,采用RBF神经网络建立异常数据所在时刻的预 测模型,其中RBF是径向基神经网络算法。基于RBF神经网络修正异常数据的步骤如下:
[0032] (1)建立一个RBF神经网络,输入层、隐含层和输出层节点的个数以及输入向量和 输出向量的具体形式可以根据所描述的问题而具体设定;
[0033] (2)利用归一化后的非异常数据训练RBF神经网络;
[0034] (3)将输入向量输入到已经完成训练的RBF网络中,得到一组相应的输出值,用这 组输出值来替代检测出的异常数据。
[0035] 步骤4-2 :采用相对误差对异常数据修正结果的准确度进行评价,评估RBF神经网 络法和纵向均值法对异常据修正的能力。
Figure CN104766175AD00053
[0037] 上式中,i为时间,PiS i时刻时间的值,pfi为i时刻修正后的值。
[0038] 5)实例分析
[0039] 利用本发明方法对本文对某地区SCADA系统中采集的96点日负荷数据作为样本 进行实例分析。
[0040] (1)采用Lagrange插值方法对样本数据集中有缺失点和突变为零的点进行填补 和修正。
[0041] (2)为了验证辨识和修正异常数据方法的可行性和有效性,在待检测日负荷数据 样本中人为制异常数据,异常数据的编号分别是47、71。对预处理后的日负荷数据进行时间 序列分析,根据时间序列建立模型的步骤,对日负荷数据建立的差分自回归移动平均模型 为 ARIMA(1, 1,2)。
[0042] (3)根据建立的差分自回归移动平均ARIMA (1,1,2)模型,获得模型的拟合残差序 列^,求出误差百分比at,设定阈值c = 10. 5%,由于编号为47和71的数据的误差百分 比均在置信区间之外,如表1所示,所以编号为47和71的日负荷值为异常数据,与人为设 定的异常数据的编号一致。
[0043] 表 1
[0044]
Figure CN104766175AD00061
[0045] (4)采用RBF神经网络法修正异常数据。由于负荷时间序列自身是高度自相关的, 所以建立一个输入量为预测时刻的前若干个时刻的数据值,输出量为预测时刻的数据值的 RBF神经网络。
[0046] (5)采用相对误差对异常数据修正结果的准确度进行评价,修正负荷值与实际负 荷值的相对误差如表2所示。
[0047] 表 2
[0048]
Figure CN104766175AD00062
[0049] 从实例分析中可以看出本发明方法可以有效地辨识和修正异常数据,且修正的精 度较高,满足电网运行使用的要求。
[0050] 综上所述,本发明提供的基于时间序列分析的异常数据辨识与修正方法,根据电 力系统数据的时序特性,采用建立自回归移动平均模型的方法对数据进行拟合,对拟合残 差序列设定误差置信区间,实现对异常数据的有效辨识,采用神经网络和纵向均值法分别 对不连续的异常数据和连续的异常数据进行修正,提高了修正的精度,促进电网安全优质 运行。
[0051] 以上所述仅是用来说明本发明的技术方案,不用于限制本发明,本发明的保护范 围由权利要求限定。应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理 的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1. 一种基于时间序列分析的电力系统异常数据辨识与修正方法,其特征在于:包括数 据预处理,时间序列建模,异常数据辨识和异常数据修正四个部分; 数据预处理,包括辨识和修正待检测数据中的缺失数据以及突变为零值的数据; 时间序列建模,根据建立时间序列模型的步骤,对待检测数据建立时间序列模型; 异常数据辨识,通过对建立的时间序列模型的拟合残差序列进行分析,辨识异常数 据; 异常数据修正,采用神经网络法实现对异常数据的修正。
2. 根据权利要求1所述的基于时间序列分析的异常数据辨识与修正方法,其特征在 于:对待检测数据中的缺失数据和突变为零值的数据进行辨识,采用拉格朗日插值算法对 辨识出的数据进行填补和修正。
3. 根据权利要求1所述的基于时间序列分析的异常数据辨识与修正方法,其特征在 于:对预处理后的待检测数据进行时间序列分析,根据Box-Jenkins建模的思想,采用数据 的平稳化处理、模型识别、参数估计和模型检验的时间序列建立模型的步骤,对预处理后的 数据建立差分自回归移动平均模型。
4. 根据权利要求1所述的基于时间序列分析的异常数据辨识与修正方法,其特征在 于:对建立的差分自回归移动平均模型的拟合残差序列进行分析,设定误差置信区间,在置 信区间外的数据则为异常数据,实现对异常数据的辨识。
5. 根据权利要求1所述的基于时间序列分析的异常数据辨识与修正方法,其特征在 于:对于辨识出的异常数据,采用RBF神经网络实现对异常数据修正,即建立RBF神经网络 预测模型,利用非异常数据形成的样本集对所述预测模型进行训练,根据训练好的预测模 型实现对异常数据的逐点修正。
CN201510182225.8A 2015-04-16 2015-04-16 一种基于时间序列分析的电力系统异常数据辨识与修正方法 CN104766175A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510182225.8A CN104766175A (zh) 2015-04-16 2015-04-16 一种基于时间序列分析的电力系统异常数据辨识与修正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510182225.8A CN104766175A (zh) 2015-04-16 2015-04-16 一种基于时间序列分析的电力系统异常数据辨识与修正方法

Publications (1)

Publication Number Publication Date
CN104766175A true CN104766175A (zh) 2015-07-08

Family

ID=53647989

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510182225.8A CN104766175A (zh) 2015-04-16 2015-04-16 一种基于时间序列分析的电力系统异常数据辨识与修正方法

Country Status (1)

Country Link
CN (1) CN104766175A (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105005939A (zh) * 2015-07-09 2015-10-28 国网天津市电力公司 基于点对点倍比法的电网跳跃运行数据甄别与修正方法
CN105069535A (zh) * 2015-08-19 2015-11-18 中国电力科学研究院 一种基于arima模型的配电网运行可靠性的预测方法
CN106055918A (zh) * 2016-07-26 2016-10-26 天津大学 一种电力系统负荷数据辨识及修复方法
CN106095895A (zh) * 2016-06-07 2016-11-09 百度在线网络技术(北京)有限公司 信息推送方法和装置
CN106528565A (zh) * 2015-09-11 2017-03-22 北京邮电大学 监测系统的数据处理方法和装置
CN106570790A (zh) * 2016-11-10 2017-04-19 甘肃省电力公司风电技术中心 一种计及风速数据分段特性的风电场出力数据修复方法
CN106649832A (zh) * 2016-12-29 2017-05-10 北京奇艺世纪科技有限公司 一种基于缺失数据的预估方法及装置
CN106709816A (zh) * 2016-11-29 2017-05-24 国网陕西省电力公司电力科学研究院 基于非参数回归分析的电力负荷异常数据识别与修正方法
CN106933691A (zh) * 2017-03-09 2017-07-07 深圳市彬讯科技有限公司 一种针对季节性时序数据序列中异常点的识别方法及系统
CN107067100A (zh) * 2017-01-25 2017-08-18 国网冀北电力有限公司 风电功率异常数据辨识方法及辨识装置
CN107689015A (zh) * 2017-08-11 2018-02-13 国家电网公司 一种改进的电力系统不良数据辨识方法
CN108038040A (zh) * 2017-12-08 2018-05-15 上海市信息网络有限公司 计算机集群性能指标检测方法、电子设备及存储介质
CN109633369A (zh) * 2018-12-08 2019-04-16 国网山东省电力公司德州供电公司 一种基于多维数据相似性匹配的电网故障诊断方法
CN109726503A (zh) * 2019-01-12 2019-05-07 国电联合动力技术有限公司 缺失数据填补方法及装置
CN109753049A (zh) * 2018-12-21 2019-05-14 国网江苏省电力有限公司南京供电分公司 一种源网荷互动工控系统的异常指令检测方法
CN109784042A (zh) * 2018-12-29 2019-05-21 北京奇安信科技有限公司 时间序列中异常点的检测方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102968669A (zh) * 2011-08-31 2013-03-13 富士通株式会社 对负荷进行预测的方法和装置
CN103020166A (zh) * 2012-11-26 2013-04-03 宁波电业局 一种电力实时数据异常检测方法
CN103412941A (zh) * 2013-08-22 2013-11-27 国家电网公司 一种数据校正方法及装置
CN104166718A (zh) * 2014-08-18 2014-11-26 国家电网公司 一种适用于大电网的不良数据检测与辨识方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102968669A (zh) * 2011-08-31 2013-03-13 富士通株式会社 对负荷进行预测的方法和装置
CN103020166A (zh) * 2012-11-26 2013-04-03 宁波电业局 一种电力实时数据异常检测方法
CN103412941A (zh) * 2013-08-22 2013-11-27 国家电网公司 一种数据校正方法及装置
CN104166718A (zh) * 2014-08-18 2014-11-26 国家电网公司 一种适用于大电网的不良数据检测与辨识方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
潘轶彪 等: "基于多层感知器的异常数据实时检测方法", 《上海交通大学学报》 *
白璇: "地基GPS电离层异常探测研究", 《中国优秀硕士学位论文全文数据库》 *
蒋雯倩 等: "改进FCM算法及其在电力负荷坏数据处理的应用", 《电力系统及其自动化学报》 *

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105005939A (zh) * 2015-07-09 2015-10-28 国网天津市电力公司 基于点对点倍比法的电网跳跃运行数据甄别与修正方法
CN105069535B (zh) * 2015-08-19 2020-07-24 中国电力科学研究院 一种基于arima模型的配电网运行可靠性的预测方法
CN105069535A (zh) * 2015-08-19 2015-11-18 中国电力科学研究院 一种基于arima模型的配电网运行可靠性的预测方法
WO2017028632A1 (zh) * 2015-08-19 2017-02-23 中国电力科学研究院 一种配电网运行可靠性的预测方法
US10825112B2 (en) 2015-08-19 2020-11-03 China Electric Power Research Institute Company Limited Method of predicting distribution network operation reliability
CN106528565A (zh) * 2015-09-11 2017-03-22 北京邮电大学 监测系统的数据处理方法和装置
CN106528565B (zh) * 2015-09-11 2019-08-06 北京邮电大学 监测系统的数据处理方法和装置
CN106095895A (zh) * 2016-06-07 2016-11-09 百度在线网络技术(北京)有限公司 信息推送方法和装置
CN106095895B (zh) * 2016-06-07 2019-12-10 百度在线网络技术(北京)有限公司 信息推送方法和装置
CN106055918B (zh) * 2016-07-26 2020-02-21 天津大学 一种电力系统负荷数据的辨识及修正方法
CN106055918A (zh) * 2016-07-26 2016-10-26 天津大学 一种电力系统负荷数据辨识及修复方法
CN106570790A (zh) * 2016-11-10 2017-04-19 甘肃省电力公司风电技术中心 一种计及风速数据分段特性的风电场出力数据修复方法
CN106709816A (zh) * 2016-11-29 2017-05-24 国网陕西省电力公司电力科学研究院 基于非参数回归分析的电力负荷异常数据识别与修正方法
CN106709816B (zh) * 2016-11-29 2020-04-21 国网陕西省电力公司电力科学研究院 基于非参数回归分析的电力负荷异常数据识别与修正方法
CN106649832B (zh) * 2016-12-29 2020-04-17 北京奇艺世纪科技有限公司 一种基于缺失数据的预估方法及装置
CN106649832A (zh) * 2016-12-29 2017-05-10 北京奇艺世纪科技有限公司 一种基于缺失数据的预估方法及装置
CN107067100A (zh) * 2017-01-25 2017-08-18 国网冀北电力有限公司 风电功率异常数据辨识方法及辨识装置
CN107067100B (zh) * 2017-01-25 2020-12-04 国网冀北电力有限公司 风电功率异常数据辨识方法及辨识装置
CN106933691B (zh) * 2017-03-09 2020-11-10 深圳市彬讯科技有限公司 一种针对季节性时序数据序列中异常点的识别方法及系统
CN106933691A (zh) * 2017-03-09 2017-07-07 深圳市彬讯科技有限公司 一种针对季节性时序数据序列中异常点的识别方法及系统
CN107689015A (zh) * 2017-08-11 2018-02-13 国家电网公司 一种改进的电力系统不良数据辨识方法
CN108038040A (zh) * 2017-12-08 2018-05-15 上海市信息网络有限公司 计算机集群性能指标检测方法、电子设备及存储介质
CN109633369B (zh) * 2018-12-08 2020-12-04 国网山东省电力公司德州供电公司 一种基于多维数据相似性匹配的电网故障诊断方法
CN109633369A (zh) * 2018-12-08 2019-04-16 国网山东省电力公司德州供电公司 一种基于多维数据相似性匹配的电网故障诊断方法
CN109753049A (zh) * 2018-12-21 2019-05-14 国网江苏省电力有限公司南京供电分公司 一种源网荷互动工控系统的异常指令检测方法
CN109784042A (zh) * 2018-12-29 2019-05-21 北京奇安信科技有限公司 时间序列中异常点的检测方法、装置、电子设备及存储介质
CN109726503A (zh) * 2019-01-12 2019-05-07 国电联合动力技术有限公司 缺失数据填补方法及装置

Similar Documents

Publication Publication Date Title
Carpinone et al. Markov chain modeling for very-short-term wind power forecasting
Ferreira et al. On the block maxima method in extreme value theory: PWM estimators
CN102496069B (zh) 基于模糊层次分析法的电缆多状态安全运行评估方法
Yu et al. PaToPa: A data-driven parameter and topology joint estimation framework in distribution grids
CN103986156B (zh) 一种考虑风电接入的动态概率潮流计算方法
CN103730006B (zh) 一种短时交通流量的组合预测方法
Wu et al. An efficient computational method for global sensitivity analysis and its application to tree growth modelling
Carpinone et al. Very short-term probabilistic wind power forecasting based on Markov chain models
Paulus et al. Algorithm for automating the selection of a temperature dependent change point model
CN104064023B (zh) 一种基于时空关联的动态交通流预测方法
CN103279804B (zh) 超短期风电功率的预测方法
CN105320727A (zh) 用于检测实时序列中的异常的方法
Yang et al. Interpolation of missing wind data based on ANFIS
CN101620045B (zh) 基于时间序列的步进应力加速退化试验可靠性评估方法
US20150302313A1 (en) Method of predicating ultra-short-term wind power based on self-learning composite data source
CN104125112B (zh) 基于物理‑信息模糊推理的智能电网攻击检测方法
CN102721941B (zh) 一种基于som和d-s理论的电表电路故障信息融合和诊断方法
US20150154504A1 (en) Support vector machine enhanced models for short-term wind farm generation forecasting
CN103268519B (zh) 基于改进Lyapunov指数的电力系统短期负荷预测方法及装置
CN104166787A (zh) 一种基于多阶段信息融合的航空发动机剩余寿命预测方法
CN103413023A (zh) 一种多状态系统动态可靠度评估方法
CN102868157B (zh) 一种基于最大指数绝对值目标函数的抗差状态估计方法
CN103177188B (zh) 一种基于特征映射的电力系统负荷动特性分类方法
CN102252898A (zh) 基于“寿命-应力”模型的电子产品加速寿命试验方法
CN105138717A (zh) 一种动态变异粒子群优化神经网络的变压器状态评估方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
EXSB Decision made by sipo to initiate substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20150708