CN106251059B - 一种基于概率神经网络算法的电缆状态评估方法 - Google Patents
一种基于概率神经网络算法的电缆状态评估方法 Download PDFInfo
- Publication number
- CN106251059B CN106251059B CN201610602880.9A CN201610602880A CN106251059B CN 106251059 B CN106251059 B CN 106251059B CN 201610602880 A CN201610602880 A CN 201610602880A CN 106251059 B CN106251059 B CN 106251059B
- Authority
- CN
- China
- Prior art keywords
- information
- state
- cable
- factor
- neural network
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06N3/047—Probabilistic or stochastic networks
Abstract
本发明公开了一种基于概率神经网络算法的电缆状态评估方法,根据电缆设备基本信息、运行信息、运检信息、家族缺陷等多类别的信息源,构建多源信息数据库;运用因子分析法对不完备信息下的数据库进行预处理,提出基于概率神经网络的多源信息融合算法,对不完备信息条件下对电缆整体状态进行综合评估。本发明能够及时发现和准确判断电缆故障,并能全面反映电缆运行状态。
Description
技术领域
本发明属于电力系统技术领域,涉及一种电缆状态评估方法,特别涉及一种基于概率神经网络算法的电缆状态评估方法。
技术背景
电力电缆是电力系统中非常重要的设备,一旦发生故障,小则造成用户长时间停电,大则可能导致电缆线路关联设备发生连锁反应而发生故障,甚至导致配电系统部分的瘫痪。因此,及时发现电缆故障并对其检修显得尤为重要,但传统的计划检修已经不适应现代电力系统高可靠性的要求,目前正在发展的是以状态监测和故障诊断为基础的状态维修。状态维修是基于设备的状态评价的,而状态评价是根据检测或监测的设备的特征参数,根据一定的规则,评估设备所处的状态。我们有必要对电缆进行状态评估,一旦发现电缆的潜在隐患并作出及时的处理,减小由于电缆故障造成的损失,提高供电的可靠性。
在配电网的实际运行中,电缆监测设备的故障、信息记录的丢失等将导致部分状态量信息缺失,出现多源信息数据库信息不完备的情况,使得电缆综合状态评估结果的准确性和有效性都大大降低,甚至不能进行正常评估。因此,在研究电缆状态评估方法时,应将信息不完备的情况考虑在内。
目前,对输电电缆的状态评估方法和系统仍不够完善,缺乏表征电缆运行的多源信息数据库,对于不完备的信息系统,没有合适的信息融合技术对多源信息进行融合,缺乏完整的电缆状态评估体系,无法客观准确的对电缆的运行状态经行评估。
神经网络是人们在模仿人脑处理问题的过程中发展起来的一种新型智能信息处理理论,它通过大量成为神经元的简单处理单元构成非线性动力学系统。神经网络的高速并行处理、分布存储信息等特性,具有很强的自学习型、自组织性、容错性、高度非线性、联想记忆功能和推理意识功能强等特点。其特色在于信息的分布存储和并行协同处理,十分适用于基于多源信息融合的状态评估问题。
概率神经网络(Probabilistic Neutral Networks,PNN)由D.F.Specht博士首先提出,是一种常用于模式分类的神经网络。概率神经网络可以视为一种径向基神经网络(RBF),在RBF网络的基础上,融合了密度函数估计和贝叶斯决策理论,构造出能够计算非线性判别边界的概率神经网络,该判定边界接近于贝叶斯最佳判定面。它训练时间短、不易产生局部最优,而且它的分类正确率较高。无论分类问题多么复杂只要有足够多的训练数据,可以保证获得贝叶斯准则下的最优解。概率神经网络模型拓扑结构包括输入层(inputlayer)、隐含层(hide layer)、求和层(summation layer)和输出层(output layer)。
发明内容
本发明的目的在于提供一种基于概率神经网络对不完备信息下的电缆状态评估方法。
本发明所以采用的技术方案是:一种基于概率神经网络算法的电缆状态评估方法,其特征在于,包括以下步骤:
步骤1:利用电缆状态评价因素集建立电缆状态多源信息数据库,该数据库中包含M个状态量,及N组电缆状态历史数据构成的样本;将电缆的状态分为四种状态:正常状态、注意状态、异常状态和严重状态;
步骤2:根据所建立的电缆状态多源信息数据库,判断本次状态评估的状态量是否完备;对于完备信息的状态量,即不缺失任何状态量时,直接将众多的状态量提取为表征电缆状态信息的主因子;对不完备的信息的状态量,则先从多源息数据库中剔除所缺失的状态量,再将剩余的状态量提取为表征电缆状态信息的主因子;
步骤3:求因子得分;
步骤4:创建概率神经网络;
所述概率神经网络由输入层、隐含层、求和层和输出层组成,其中隐含层是径向基层,每一个隐含层的神经元节点拥有一个中心,该层接收输入层的样本输入,计算输入向量与中心的距离,最后返回一个标量值,神经元个数与输入训练样本个数相同;
步骤5:训练概率神经网络;
将步骤3所得的因子得分样本输入步骤4建立的概率神经网络,训练该网络,直到该网络收敛;
步骤6:在步骤5训练好的概率神经网络中输入本次状态评估的各状态量的具体值,输出本次评估结果。
作为优选,步骤1中所述电缆状态评价因素集,其中状态信息类别包括设备基本信息、运行信息、运检信息和家族缺陷信息;所述设备基本信息的状态参量包括额定电压信息、额定电流信息、线路长度信息和电力截面信息;所述运行信息的状态参量包括运行电压信息、运行电流信息、负荷信息和运行年限信息;所述运检信息的状态参量包括局部放电量信息、介质损耗信息、电缆线芯温度信息、主绝缘绝缘电阻信息、外护层绝缘电阻信息、电缆外观信息、中间接头温度信息、直接接地电流信息、护层保护侧电流信息、两端接地后护层循环电流信息、环境温度信息和环境湿度信息;所述家族缺陷信息的状态参量包括同类电缆的故障情况信息和生产厂家的产品质量统计信息。
作为优选,步骤2中所述将剩余的状态量提取为表征电缆状态信息的主因子,是采用因子分析法分析提取主因子;
每一个状态量都能表示成主因子的线性函数与特殊因子之和,即
Xi=ai1F1+ai2F2+…+aimFm+εi,(i=1,2,…,p) (1)
式中,F1,F2,…,Fm称为主因子,εi称为Xi的特殊因子,A=(aij):p×m称为因子载荷矩阵;
则式(1)能用矩阵表示为:
X=AF+ε (2)
式中
设:
采用主成分分析法求解因子载荷矩阵A,可得
其中,λi与Ti分别为样本数据的协差阵Σ的特征值与特征向量。
作为优选,步骤3中所述因子得分的计算公式为:
F=A'Σ-1X (5)
这就将含有p个状态量的样本通过因子分析法降维成只含有m个主因子的样本。
作为优选,步骤4中所述创建概率神经网络,向量x输入到隐含层,隐含层中第i类模式第j神经元所确定的输入\输出关系由下式定义:
式中,M为训练样本中的总类数,d为样本空间数据的维数,xij为第i类样本的第j个中心,σ为平滑参数,是公式中的一个调节参数;
求和层把隐含层中属于同一类的隐含神经元的输出做加权平均:
式中,vi表示第i类类别的输出,L表示第i类的神经元个数;求和层的神经元个数与类别数M相同;
输出层取求和层中最大的一个作为输出的类别:
y=argmax(vi) (8)。
本发明的有益效果是:
1.建立了表征电缆状态的多源信息数据库,包含状态量的种类和样本数据;
2.采用因子分析法对多源信息数据库处理,实现在不完备信息条件下对电缆状态的评估;
3.采用概率神经网络作为评估算法,其优势在于用线性学习学习算法来完成非线性学习算法所做的工作,同时保证非线性算法的高精度等特性;
4.本发明能够及时发现和准确判断电缆故障,并能全面反映电缆运行状态。
附图说明
图1是本发明实施例的流程图;
图2是本发明的神经网络结构示意图;
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
本发明根据电缆设备基本信息、运行信息、运检信息、家族缺陷等多类别的信息源,构建多源信息数据库;运用因子分析法对不完备信息下的数据库进行预处理,提出基于概率神经网络的多源信息融合算法,对不完备信息条件下对电缆整体状态进行综合评估。
请见图1,本发明提供的一种基于概率神经网络对不完备信息下的电缆状态评估方法,包括以下步骤。
步骤1:由表1所示的电缆状态评价因素集建立电缆状态多源信息数据库,该数据库中包含22个状态量,及100组电缆状态历史数据构成的样本。根据广东电网公司出台的《设备状态评价与风险评估技术导则》,将电缆的状态分为四种状态:正常状态、注意状态、异常状态和严重状态。
表1电缆状态评价因素集
步骤2:确定因子载荷矩阵。每一个状态量都可以表示成主因子的线性函数与特殊因子之和,即
Xi=ai1F1+ai2F2+…+aimFm+εi,(i=1,2,…,p) (1)
式中,F1,F2,…,Fm称为主因子,εi称为Xi的特殊因子,A=(aij):p×m称为因子载荷矩阵。该模型可用矩阵表示为:
X=AF+ε (2)
式中
通常假定
根据所建立的电缆多源信息数据库,判断本次状态评估的状态量是否完备。对于完备信息的状态量,即不缺失任何状态量时,直接采用因子分析法分析,将剩余的状态量提取为表征电缆状态信息的主因子;对不完备的信息的状态量,则先从多源息数据库中剔除所缺失的状态量,再采用因子分析法分析提取主因子。通常采用主成分分析法求解因子载荷矩阵A,可得
式中,λi与Ti分别为样本数据的协差阵Σ的特征值与特征向量。
步骤3:求因子得分。因子得分是因子分析的最终体现。当因子载荷阵确定以后,便可以计算各因子在每个样本上的具体数值,称为因子得分。得到了因子得分之后,就可以用因子得分来代替原始变量。因子得分的计算公式为:
F=A'Σ-1X (5)
这就将含有p个状态量的样本通过因子分析法降维成只含有m个主因子的样本。
步骤4:创建概率神经网络。概率神经网络由输入层、隐含层、求和层和输出层组成,其结构如图2所示。
其中隐含层是径向基层,每一个隐含层的神经元节点拥有一个中心,该层接收输入层的样本输入,计算输入向量与中心的距离,最后返回一个标量值,神经元个数与输入训练样本个数相同。向量x输入到隐含层,隐含层中第i类模式第j神经元所确定的输入\输出关系由下式定义:
式中,M为训练样本中的总类数,d为样本空间数据的维数,xij为第i类样本的第j个中心,σ为平滑参数,是公式中的一个调节参数;
求和层把隐含层中属于同一类的隐含神经元的输出做加权平均:
式中,vi表示第i类类别的输出,L表示第i类的神经元个数;求和层的神经元个数与类别数M相同。
输出层取求和层中最大的一个作为输出的类别:
y=argmax(vi) (8)
在电缆状态评估方法中,将电缆的状态分为四种,因此,PNN网络的求和层含有4个神经元。为了网络计算方便,分别另v1、v2、v3、v4输出状态值1、2、3、4来表示正常、注意、异常和严重四种不同的状态。
步骤5:训练概率神经网络。将步骤3所得的因子得分样本输入步骤4建立的PNN网络,训练该网络,直到该网络收敛。PNN网络的优势在于用线性学习学习算法来完成非线性学习算法所做的工作,同时保证非线性算法的高精度等特性。主要用于分类和模式识别领域,其中分类方面应用最为广泛。
步骤6:在步骤5训练好的神经网络中输入本次状态评估的各状态量的具体值,输出本次评估结果,输出结果中的1、2、3、4分别表示本次评估的电缆处于正常、注意、异常和严重状态。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (3)
1.一种基于概率神经网络算法的电缆状态评估方法,其特征在于,包括以下步骤:
步骤1:利用电缆状态评价因素集建立电缆状态多源信息数据库,该数据库中包含M个状态量,及N组电缆状态历史数据构成的样本;将电缆的状态分为四种状态:正常状态、注意状态、异常状态和严重状态;
步骤2:根据所建立的电缆状态多源信息数据库,判断本次状态评估的状态量是否完备;对于完备信息的状态量,即不缺失任何状态量时,直接将众多的状态量提取为表征电缆状态信息的主因子;对不完备的信息的状态量,则先从多源息数据库中剔除所缺失的状态量,再将剩余的状态量提取为表征电缆状态信息的主因子;
步骤2中所述将剩余的状态量提取为表征电缆状态信息的主因子,是采用因子分析法分析提取主因子;
每一个状态量都能表示成主因子的线性函数与特殊因子之和,即
Xi=ai1F1+ai2F2+…+aimFm+εi, (1)
式中,F1,F2,…,Fm称为主因子,εi称为Xi的特殊因子;
则式(1)能用矩阵表示为:
X=AF+ε (2)
式中
A=(aij):p×m称为因子载荷矩阵;i=1,2,…,p;
设:
采用主成分分析法求解因子载荷矩阵A,可得
其中,λi与Ti分别为样本数据的协差阵Σ的特征值与特征向量;
步骤3:求因子得分;
所述因子得分的计算公式为:
F=A'Σ-1X (5)
这就将含有p个状态量的样本通过因子分析法降维成只含有m个主因子的样本;
步骤4:创建概率神经网络;
所述概率神经网络由输入层、隐含层、求和层和输出层组成,其中隐含层是径向基层,每一个隐含层的神经元节点拥有一个中心,该层接收输入层的样本输入,计算输入向量与中心的距离,最后返回一个标量值,神经元个数与输入训练样本个数相同;
步骤5:训练概率神经网络;
将步骤3所得的因子得分样本输入步骤4建立的概率神经网络,训练该网络,直到该网络收敛;
步骤6:在步骤5训练好的概率神经网络中输入本次状态评估的各状态量的具体值,输出本次评估结果。
2.根据权利要求1所述的基于概率神经网络算法的电缆状态评估方法,其特征在于:步骤1中所述电缆状态评价因素集,其中状态信息类别包括设备基本信息、运行信息、运检信息和家族缺陷信息;所述设备基本信息的状态参量包括额定电压信息、额定电流信息、线路长度信息和电力截面信息;所述运行信息的状态参量包括运行电压信息、运行电流信息、负荷信息和运行年限信息;所述运检信息的状态参量包括局部放电量信息、介质损耗信息、电缆线芯温度信息、主绝缘绝缘电阻信息、外护层绝缘电阻信息、电缆外观信息、中间接头温度信息、直接接地电流信息、护层保护侧电流信息、两端接地后护层循环电流信息、环境温度信息和环境湿度信息;所述家族缺陷信息的状态参量包括同类电缆的故障情况信息和生产厂家的产品质量统计信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610602880.9A CN106251059B (zh) | 2016-07-27 | 2016-07-27 | 一种基于概率神经网络算法的电缆状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610602880.9A CN106251059B (zh) | 2016-07-27 | 2016-07-27 | 一种基于概率神经网络算法的电缆状态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106251059A CN106251059A (zh) | 2016-12-21 |
CN106251059B true CN106251059B (zh) | 2020-02-07 |
Family
ID=57604253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610602880.9A Active CN106251059B (zh) | 2016-07-27 | 2016-07-27 | 一种基于概率神经网络算法的电缆状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106251059B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107730117B (zh) * | 2017-10-17 | 2021-12-21 | 中国电力科学研究院 | 一种基于异质数据综合分析的电缆检修预警方法及系统 |
CN108090613A (zh) * | 2017-12-18 | 2018-05-29 | 南京航空航天大学 | 一种进近管制扇区管制员工作负荷预测方法 |
CN108734117A (zh) * | 2018-05-09 | 2018-11-02 | 国网浙江省电力有限公司电力科学研究院 | 基于yolo的电缆设备外部腐蚀破损识别方法 |
CN108919067A (zh) * | 2018-05-28 | 2018-11-30 | 黔南民族师范学院 | 一种用于gis局部放电模式的识别方法 |
CN109522755A (zh) * | 2018-10-09 | 2019-03-26 | 天津大学 | 基于概率神经网络的硬件木马检测方法 |
CN109919476A (zh) * | 2019-02-28 | 2019-06-21 | 深圳供电局有限公司 | 配网电缆运行状态的评估方法、装置 |
CN109940305A (zh) * | 2019-03-19 | 2019-06-28 | 天津大学 | 基于等离子体电信号的激光深熔焊智能监测系统及方法 |
CN110084502A (zh) * | 2019-04-19 | 2019-08-02 | 国网安徽省电力有限公司 | 一种电能质量治理设备运行状态评估方法及装置 |
CN110245446A (zh) * | 2019-06-21 | 2019-09-17 | 华中科技大学 | 一种配电电缆剩余寿命预测方法 |
CN110308375A (zh) * | 2019-06-26 | 2019-10-08 | 国网陕西省电力公司西安供电公司 | 一种基于神经网络集成的电缆绝缘状态评估方法 |
CN110286303A (zh) * | 2019-07-10 | 2019-09-27 | 国家电网有限公司 | 一种基于bp神经网络的同轴电缆绝缘老化状态评估方法 |
CN110646708B (zh) * | 2019-09-27 | 2020-07-17 | 中国矿业大学 | 基于双层长短时记忆网络的10kV单芯电缆早期状态识别方法 |
CN110693526A (zh) * | 2019-11-11 | 2020-01-17 | 深圳先进技术研究院 | 一种肌肉疾病评估方法、系统及电子设备 |
CN111007365A (zh) * | 2019-11-25 | 2020-04-14 | 国网四川省电力公司广安供电公司 | 一种基于神经网络的超声波局部放电识别方法及系统 |
CN111476380A (zh) * | 2020-04-07 | 2020-07-31 | 贵州电网有限责任公司输电运行检修分公司 | 一种电缆检修辅助测试平台 |
CN111798095B (zh) * | 2020-05-29 | 2023-01-20 | 广东电网有限责任公司广州供电局 | 一种基于神经网络电力电缆状态评价方法 |
CN111898092A (zh) * | 2020-06-28 | 2020-11-06 | 贵州电网有限责任公司 | 一种电缆运行状态评估决策分析方法及系统 |
CN112988843B (zh) * | 2021-03-26 | 2022-05-24 | 桂林电子科技大学 | 一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统 |
CN113111183A (zh) * | 2021-04-20 | 2021-07-13 | 通号(长沙)轨道交通控制技术有限公司 | 一种牵引供电设备缺陷等级分类方法 |
CN113379033A (zh) * | 2021-06-11 | 2021-09-10 | 国网湖北省电力有限公司黄石供电公司 | 基于时空网络增强深度学习的电缆健康状态智能预警方法 |
CN117368675B (zh) * | 2023-12-05 | 2024-03-19 | 广东环威电线电缆股份有限公司 | 电缆绝缘性能测试方法及相关装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1805234A (zh) * | 2005-12-21 | 2006-07-19 | 长沙理工大学 | 网络环境下基于模式匹配的电力系统继电保护信息安全防护方法 |
CN105701543A (zh) * | 2016-01-13 | 2016-06-22 | 济南大学 | 一种基于概率神经网络的传统互感器状态监测方法 |
-
2016
- 2016-07-27 CN CN201610602880.9A patent/CN106251059B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1805234A (zh) * | 2005-12-21 | 2006-07-19 | 长沙理工大学 | 网络环境下基于模式匹配的电力系统继电保护信息安全防护方法 |
CN105701543A (zh) * | 2016-01-13 | 2016-06-22 | 济南大学 | 一种基于概率神经网络的传统互感器状态监测方法 |
Non-Patent Citations (2)
Title |
---|
《基于矩特征与概率神经网络的局部放电模式识别》;周沙 等;《电力系统保护与控制》;20160201;第44卷(第3期);第98-102页 * |
《概率神经网络在母线故障识别中的应用研究》;纪叶生;《四川电力技术》;20131231;第36卷(第6期);第39-42页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106251059A (zh) | 2016-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106251059B (zh) | 一种基于概率神经网络算法的电缆状态评估方法 | |
CN111539515B (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
CN110829417B (zh) | 基于lstm双结构模型的电力系统暂态稳定预测方法 | |
CN113702895B (zh) | 一种电压互感器误差状态在线定量评估方法 | |
CN109472097B (zh) | 一种输电线路在线监测设备故障诊断方法 | |
CN108647707B (zh) | 概率神经网络创建方法、故障诊断方法及装置、存储介质 | |
CN111880044A (zh) | 一种含分布式电源配电网在线故障定位方法 | |
CN111798095A (zh) | 一种基于神经网络电力电缆状态评价方法 | |
Sun et al. | A novel life prediction method for railway safety relays using degradation parameters | |
Fang et al. | Fault diagnosis of electric transformers based on infrared image processing and semi-supervised learning | |
CN110879377A (zh) | 基于深度信念网络的计量装置故障溯源方法 | |
CN110705859A (zh) | 基于pca-自组织神经网络的中低压配电网运行状态评估方法 | |
CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和系统 | |
Guo et al. | Fault diagnosis of power transformers based on comprehensive machine learning of dissolved gas analysis | |
CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
CN105741184B (zh) | 一种变压器状态评估方法及装置 | |
CN114186639A (zh) | 基于双重加权朴素贝叶斯的电气事故分类方法 | |
Swarup et al. | Neural network approach to contingency screening and ranking in power systems | |
Zhou et al. | A new risk analysis approach to seek best production action during new product introduction | |
Xu et al. | An improved ELM-WOA–based fault diagnosis for electric power | |
ul Hassan et al. | Online static security assessment for cascading failure using stacked De-noising Auto-encoder | |
CN114565051A (zh) | 基于神经元影响程度的产品分类模型的测试方法 | |
Wang | Fault diagnosis for power systems based on neural networks | |
CN114692729A (zh) | 基于深度学习的新能源场站不良数据辨识与修正方法 | |
CN113591402A (zh) | 一种数字化电力互感器健康状态模糊综合评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |