CN107016410B - 用电信息采集系统故障诊断方法及故障诊断装置 - Google Patents
用电信息采集系统故障诊断方法及故障诊断装置 Download PDFInfo
- Publication number
- CN107016410B CN107016410B CN201710186797.2A CN201710186797A CN107016410B CN 107016410 B CN107016410 B CN 107016410B CN 201710186797 A CN201710186797 A CN 201710186797A CN 107016410 B CN107016410 B CN 107016410B
- Authority
- CN
- China
- Prior art keywords
- data
- information acquisition
- acquisition system
- power information
- network topology
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种用电信息采集系统故障诊断方法及装置,其方法包括以下步骤:获取用电信息采集系统中的网络拓扑数据,网络拓扑数据至少包括用电信息采集系统中的元件以及元件之间的线路的相关特征;基于异质网络节点表示学习方法,对网络拓扑数据进行目标优化学习,将网络拓扑数据映射为可计算的数据空间中的数据分布,得到基于异质网络节点表示学习结果;基于预设的故障检测分类模型,并融合基于异质网络节点表示学习结果对用电信息采集系统进行故障诊断。本发明避免了大量的人工工作,降低了系统实现成本,提高了系统对于新数据的适应性;且在计算体系上,本方案设计的相关方法,兼容传统方法中的特征模块,大大提高了系统的性能。
Description
技术领域
本发明涉及故障诊断技术领域,尤其涉及一种用电信息采集系统故障诊断方法及装置。
背景技术
用电信息采集系统是对电力用户的用电信息进行采集、处理和实时监控的系统,实现用电信息的自动采集、计量异常检测、电能检测等功能。用电信息采集系统是智能电网的重要组成部分,也是智能用电服务环节的技术基础,其稳定可靠运行直接关系到智能电网“信息化、自动化、互动化”发展水平。其物理结构分为主站层、采集层、监控层等多个层次,涉及主站、通信信道、采集终端、采集点监控设备等等物理输出差别很大的一系列设备元件以及通信线路。
在用电信息采集系统故障诊断中,目前主要依赖运维人员和有关专家的经验对离散的故障事件进行分析评估、诊断处理。在此过程中,对于电网中的不同元件及线路,往往采用基于0-1的表示方法或者基于产生式的表示方法。以上方法较为直观,但是缺乏对于用电信息采集系统本身的知识挖掘,缺乏对用电信息采集系统中不同节点之间相似度的度量以及电网拓扑结构的学习,并且,对于大规模的用电信息采集系统结构,上述方法往往难以适用,需要配合相关采样技术才有可能应用于实际生产。因此,如何设计一种面向大规模用电信息采集系统的知识表示并用于用电信息采集系统故障检测,是一个亟待解决的问题。
发明内容
本发明的主要目的在于提供一种可面向大规模用电信息采集系统的知识表示的用电信息采集系统故障诊断方法及装置。
为实现上述目的,本发明提供一种用电信息采集系统故障诊断方法,包括以下步骤:
获取用电信息采集系统中的网络拓扑数据,所述网络拓扑数据至少包括用电信息采集系统中的元件以及元件之间的线路的相关特征;
基于异质网络节点表示学习方法,对所述网络拓扑数据进行目标优化学习,将所述网络拓扑数据映射为可计算的数据空间中的数据分布,得到基于异质网络节点表示学习结果;
基于预设的故障检测分类模型,并融合所述基于异质网络节点表示学习结果对所述用电信息采集系统进行故障诊断。
本发明的进一步的技术方案是,所述基于异质网络节点表示学习方法,对所述网络拓扑数据进行目标优化学习,将所述网络拓扑数据映射为可计算的数据空间中的数据分布,得到基于异质网络节点表示学习结果的步骤包括:
基于所述网络拓扑数据,采用预设的目标函数作为最小化学习目标进行目标优化学习,将所述网络拓扑数据映射为可计算的数据空间中的数据分布,获得节点拓扑表示,作为基于异质网络节点表示学习结果。
本发明的进一步的技术方案是,所述基于预设的故障检测分类模型,并融合所述基于异质网络节点表示学习结果对所述用电信息采集系统进行故障诊断的步骤包括:
对所述用电信息采集系统中的待检测线路,采用预设的特征提取函数,提取故障检测特征;
基于所述节点拓扑表示,利用数据连接操作,对所述故障检测特征进行特征融合,得到特征融合结果;
将所述特征融合结果输入预设的故障检测分类模型,进行故障诊断,得到分类结果。
本发明的进一步的技术方案是,所述元件至少包括但不限于:无线电台、载波通信单元、信息采集主站;所述元件之间的线路的相关特征包括元件之间的线路的权重,所述线路的权重包括但不限于:输出功率、输出电平、线路负荷、传输功率。
本发明的进一步的技术方案是,所述目标函数涉及的元素包括:网络拓扑结构上相连的元件集合、元件集合中元件个数、线路的权重。
本发明还提出一种用电信息采集系统故障诊断装置,包括:
获取模块,用于获取用电信息采集系统中的网络拓扑数据,所述网络拓扑数据至少包括用电信息采集系统中的元件以及元件之间的线路的相关特征;
学习模块,用于基于异质网络节点表示学习方法,对所述网络拓扑数据进行目标优化学习,将所述网络拓扑数据映射为可计算的数据空间中的数据分布,得到基于异质网络节点表示学习结果;
融合诊断模块,用于基于预设的故障检测分类模型,并融合所述基于异质网络节点表示学习结果对所述用电信息采集系统进行故障诊断。
本发明的进一步的技术方案是,所述学习模块,还用于基于所述网络拓扑数据,采用预设的目标函数作为最小化学习目标进行目标优化学习,将所述网络拓扑数据映射为可计算的数据空间中的数据分布,获得节点拓扑表示,作为基于异质网络节点表示学习结果。
本发明的进一步的技术方案是,所述融合诊断模块,还用于对所述用电信息采集系统中的待检测线路,采用预设的特征提取函数,提取故障检测特征;基于所述节点拓扑表示,利用数据连接操作,对所述故障检测特征进行特征融合,得到特征融合结果;将所述特征融合结果输入预设的故障检测分类模型,进行故障诊断,得到分类结果。
本发明的进一步的技术方案是,所述元件包括但不限于:无线电台、载波通信单元、信息采集主站;所述元件之间的线路的相关特征包括元件之间的线路的权重,所述线路的权重包括但不限于:输出功率、输出电平、线路负荷、传输功率。
本发明的进一步的技术方案是,所述目标函数涉及的元素包括:网络拓扑结构上相连的元件集合、元件集合中元件个数、线路的权重。
本发明的有益效果是:避免了大量的人工工作,降低了用电信息采集系统实现成本,提高了系统对于新数据的适应性;且在计算体系上,本方案设计的相关方法,兼容传统方法中的特征模块,大大提高了系统的性能。
附图说明
图1为本发明用电信息采集系统故障诊断方法较佳实施例的流程示意图;
图2为本发明实施例中一种网络拓扑结构示意图;
图3为本发明实施例中基于表示学习的用电信息采集系统故障检测流程;
图4为本发明用电信息采集系统故障诊断装置较佳实施例的功能模块示意图。
具体实施方式
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
为了使本发明的技术方案更加清楚、明了,下面将结合附图作进一步详述。
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
具体地,如图1所示,本发明较佳实施例提出一种用电信息采集系统故障诊断方法,包括以下步骤:
步骤S1,获取用电信息采集系统中的网络拓扑数据,所述网络拓扑数据至少包括用电信息采集系统中的元件以及元件之间的线路的相关特征;
本发明提出了一种基于异质网络节点表示学习的用电信息采集系统故障诊断方法,该方法将整个用电信息采集系统视为一个异质网络,将网络中的元件映射成低维可计算的向量,将元件之间的线路通过相关计算方法保留其拓扑特性。通过这种方式,将不可计算的网络结构数据映射为可计算的数据空间中的数据分布,并且可以服务于用电信息采集系统故障诊断以及相关任务。
对于一个大规模的用电信息采集系统结构,其中不同的节点代表无线电台、载波通信单元、信息采集主站等等元件,节点之间的边代表元件之间的线路,线路的权重则代表输出功率、输出电平、线路负荷、传输功率等数据知识,如图1所示,图1为一个包含权重的网络拓扑结构示意图。
因此,本发明中用电信息采集系统的网络拓扑数据可以包括上述特征:无线电台、载波通信单元、信息采集主站等等元件,元件之间的线路,线路的权重,比如输出功率、输出电平、线路负荷、传输功率等数据知识。
步骤S2,基于异质网络节点表示学习方法,对所述网络拓扑数据进行目标优化学习,将所述网络拓扑数据映射为可计算的数据空间中的数据分布,得到基于异质网络节点表示学习结果;
具体地,基于所述网络拓扑数据,采用预设的目标函数作为最小化学习目标进行目标优化学习,将所述网络拓扑数据映射为可计算的数据空间中的数据分布,获得节点拓扑表示,作为基于异质网络节点表示学习结果。
具体计算如下:
对于元件vi以及元件vj,定义条件概率如下:
其中,V表示元件vi在拓扑结构上相连的元件集合,上标T表示向量的转置操作,|V|为集合中元件个数。ui为vi的连续表示,uj为vj的连续表示。为了可以拟合原始拓扑结构,使用如下目标函数作为最小化学习目标:
这里,wij为元件vi以及元件vj之间的边的权重,E为异质网络中所有边组成的集合。
通过最小化上述优化目标,可以学习获得元件vi的数量表示ui。
由此,通过目标优化学习,将所述网络拓扑数据映射为可计算的数据空间中的数据分布,获得基于异质网络节点表示学习结果,如图2。
步骤S3,基于预设的故障检测分类模型,并融合所述基于异质网络节点表示学习结果对所述用电信息采集系统进行故障诊断。
具体地,对所述用电信息采集系统中的待检测线路,采用预设的特征提取函数,提取故障检测特征;
基于所述节点拓扑表示,利用数据连接操作,对所述故障检测特征进行特征融合,得到特征融合结果;
将所述特征融合结果输入预设的故障检测分类模型,进行故障诊断,得到分类结果。
在实际的用电信息采集系统故障诊断中,可以采用如图3所示的方法,在传统的故障检测分类模型的基础上,融合基于异质网络节点表示学习结果进行故障检测。
具体而言,对于传统的分类模型,往往以用电采集系统元件相关特征作为输入,例如电台节点的发射载波误差、通信单元的功率频谱密度、无线输出单元的输出功率等等,在此基础上训练分类器用于检测故障。
这里,假设其分类模型为这里为具体的分类模型,lij为待检测线路,为特征提取函数,可以将wij映射为一组特征值。在此基础上,采取以下方法进行特征融合:
假设特征提取函数的结果为:
这里,t为特征函数提取的特征个数。
元件vi以及元件vj的表示分别为:
这里,s为异质网络节点表示学习获得的映射空间的维度。
在此基础上,利用数据连接操作进行特征融合,其结果为:
此时,通过我们提出的相关方法,上述模型的分类结果则可以表
示为:
相比于目前的用电信息采集系统故障诊断方案,本方案有如下优点:
1、传统的基于人工设计特征的故障诊断方案,依赖人工特征模板,对于不同数据的适应性较差。本方案设计的诊断方案,避免了大量的人工工作,降低了系统实现成本,提高了系统对于新数据的适应性。
2、在计算体系上,本方案设计的相关方法,兼容传统方法中的特征模块,大大提高了系统的性能。
如图4所示,本发明较佳实施例提出一种用电信息采集系统故障诊断装置,包括:获取模块20、学习模块21以及融合诊断模块22,其中:
获取模块20,用于获取用电信息采集系统中的网络拓扑数据,所述网络拓扑数据至少包括用电信息采集系统中的元件以及元件之间的线路的相关特征;
学习模块21,用于基于异质网络节点表示学习方法,对所述网络拓扑数据进行目标优化学习,将所述网络拓扑数据映射为可计算的数据空间中的数据分布,得到基于异质网络节点表示学习结果;
融合诊断模块22,用于基于预设的故障检测分类模型,并融合所述基于异质网络节点表示学习结果对所述用电信息采集系统进行故障诊断。
进一步地,所述学习模块21,还用于基于所述网络拓扑数据,采用预设的目标函数作为最小化学习目标进行目标优化学习,将所述网络拓扑数据映射为可计算的数据空间中的数据分布,获得节点拓扑表示,作为基于异质网络节点表示学习结果。
所述融合诊断模块22,还用于对所述用电信息采集系统中的待检测线路,采用预设的特征提取函数,提取故障检测特征;基于所述节点拓扑表示,利用数据连接操作,对所述故障检测特征进行特征融合,得到特征融合结果;将所述特征融合结果输入预设的故障检测分类模型,进行故障诊断,得到分类结果。
具体地,本发明提出了一种基于异质网络节点表示学习的用电信息采集系统故障诊断方案,该方案将整个用电信息采集系统视为一个异质网络,将网络中的元件映射成低维可计算的向量,将元件之间的线路通过相关计算方法保留其拓扑特性。通过这种方式,将不可计算的网络结构数据映射为可计算的数据空间中的数据分布,并且可以服务于用电信息采集系统故障诊断以及相关任务。
对于一个大规模的用电信息采集系统结构,其中不同的节点代表无线电台、载波通信单元、信息采集主站等等元件,节点之间的边代表元件之间的线路,线路的权重则代表输出功率、输出电平、线路负荷、传输功率等数据知识,如图1所示,图1为一个包含权重的网络拓扑结构示意图。
因此,本发明中用电信息采集系统的网络拓扑数据可以包括上述特征:无线电台、载波通信单元、信息采集主站等等元件,元件之间的线路,线路的权重,比如输出功率、输出电平、线路负荷、传输功率等数据知识。
之后,基于异质网络节点表示学习方法,对所述网络拓扑数据进行目标优化学习,将所述网络拓扑数据映射为可计算的数据空间中的数据分布,得到基于异质网络节点表示学习结果;
具体地,基于所述网络拓扑数据,采用预设的目标函数作为最小化学习目标进行目标优化学习,将所述网络拓扑数据映射为可计算的数据空间中的数据分布,获得节点拓扑表示,作为基于异质网络节点表示学习结果。
具体计算如下:
对于元件vi以及元件vj,定义条件概率如下:
其中,V表示元件vi在拓扑结构上相连的元件集合,上标T表示向量的转置操作,|V|为集合中元件个数。ui为vi的连续表示,uj为vj的连续表示。为了可以拟合原始拓扑结构,使用如下目标函数作为最小化学习目标:
这里,wij为元件vi以及元件vj之间的边的权重。
通过最小化上述优化目标,可以学习获得元件vi的数量表示ui,E为异质网络中所有边组成的集合。
由此,通过目标优化学习,将所述网络拓扑数据映射为可计算的数据空间中的数据分布,获得基于异质网络节点表示学习结果。
最后,基于预设的故障检测分类模型,并融合所述基于异质网络节点表示学习结果对所述用电信息采集系统进行故障诊断。
具体地,对所述用电信息采集系统中的待检测线路,采用预设的特征提取函数,提取故障检测特征;
基于所述节点拓扑表示,利用数据连接操作,对所述故障检测特征进行特征融合,得到特征融合结果;
将所述特征融合结果输入预设的故障检测分类模型,进行故障诊断,得到分类结果。
在实际的用电信息采集系统故障诊断中,可以采用如图3所示的方法,在传统的故障检测分类模型的基础上,融合基于异质网络节点表示学习结果进行故障检测。
具体而言,对于传统的分类模型,往往以用电采集系统元件相关特征作为输入,例如电台节点的发射载波误差、通信单元的功率频谱密度、无线输出单元的输出功率等等,在此基础上训练分类器用于检测故障。
这里,假设其分类模型为这里为具体的分类模型,lij为待检测线路,为特征提取函数,可以将wij映射为一组特征值。在此基础上,采取以下方法进行特征融合:
假设特征提取函数的结果为:
这里,t为特征函数提取的特征个数。
元件vi以及元件vj的表示分别为:
这里,s为异质网络节点表示学习获得的映射空间的维度。
在此基础上,利用数据连接操作进行特征融合,其结果为:
此时,通过我们提出的相关方法,上述模型的分类结果则可以表
示为:
相比于目前的用电信息采集系统故障诊断方案,本方案有如下优点:
1、传统的基于人工设计特征的故障诊断方案,依赖人工特征模板,对于不同数据的适应性较差。本方案设计的诊断方案,避免了大量的人工工作,降低了系统实现成本,提高了系统对于新数据的适应性。
2、在计算体系上,本方案设计的相关方法,兼容传统方法中的特征模块,大大提高了系统的性能。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种用电信息采集系统故障诊断方法,其特征在于,包括以下步骤:
获取用电信息采集系统中的网络拓扑数据,所述网络拓扑数据至少包括用电信息采集系统中的元件以及元件之间的线路的相关特征;
基于异质网络节点表示学习方法,对所述网络拓扑数据进行目标优化学习,将所述网络拓扑数据映射为可计算的数据空间中的数据分布,得到基于异质网络节点表示学习结果;
基于预设的故障检测分类模型,并融合所述基于异质网络节点表示学习结果对所述用电信息采集系统进行故障诊断。
2.根据权利要求1所述的方法,其特征在于,所述基于异质网络节点表示学习方法,对所述网络拓扑数据进行目标优化学习,将所述网络拓扑数据映射为可计算的数据空间中的数据分布,得到基于异质网络节点表示学习结果的步骤包括:
基于所述网络拓扑数据,采用预设的目标函数作为最小化学习目标进行目标优化学习,将所述网络拓扑数据映射为可计算的数据空间中的数据分布,获得节点拓扑表示,作为基于异质网络节点表示学习结果。
3.根据权利要求2所述的方法,其特征在于,所述基于预设的故障检测分类模型,并融合所述基于异质网络节点表示学习结果对所述用电信息采集系统进行故障诊断的步骤包括:
对所述用电信息采集系统中的待检测线路,采用预设的特征提取函数,提取故障检测特征;
基于所述节点拓扑表示,利用数据连接操作,对所述故障检测特征进行特征融合,得到特征融合结果;
将所述特征融合结果输入预设的故障检测分类模型,进行故障诊断,得到分类结果。
4.根据权利要求1、2或3所述的方法,其特征在于,所述元件包括但不限于:无线电台、载波通信单元、信息采集主站;所述元件之间的线路的相关特征包括元件之间的线路的权重,所述线路的权重包括但不限于:输出功率、输出电平、线路负荷、传输功率。
5.根据权利要求2所述的方法,其特征在于,所述目标函数涉及的元素包括:网络拓扑结构上相连的元件集合、元件集合中元件个数、线路的权重。
6.一种用电信息采集系统故障诊断装置,其特征在于,包括:
获取模块,用于获取用电信息采集系统中的网络拓扑数据,所述网络拓扑数据至少包括用电信息采集系统中的元件以及元件之间的线路的相关特征;
学习模块,用于基于异质网络节点表示学习方法,对所述网络拓扑数据进行目标优化学习,将所述网络拓扑数据映射为可计算的数据空间中的数据分布,得到基于异质网络节点表示学习结果;
融合诊断模块,用于基于预设的故障检测分类模型,并融合所述基于异质网络节点表示学习结果对所述用电信息采集系统进行故障诊断。
7.根据权利要求6所述的装置,其特征在于,
所述学习模块,还用于基于所述网络拓扑数据,采用预设的目标函数作为最小化学习目标进行目标优化学习,将所述网络拓扑数据映射为可计算的数据空间中的数据分布,获得节点拓扑表示,作为基于异质网络节点表示学习结果。
8.根据权利要求7所述的装置,其特征在于,
所述融合诊断模块,还用于对所述用电信息采集系统中的待检测线路,采用预设的特征提取函数,提取故障检测特征;基于所述节点拓扑表示,利用数据连接操作,对所述故障检测特征进行特征融合,得到特征融合结果;将所述特征融合结果输入预设的故障检测分类模型,进行故障诊断,得到分类结果。
9.根据权利要求6、7或8所述的装置,其特征在于,所述元件包括但不限于:无线电台、载波通信单元、信息采集主站;所述元件之间的线路的相关特征包括元件之间的线路的权重,所述线路的权重包括但不限于:输出功率、输出电平、线路负荷、传输功率。
10.根据权利要求7所述的装置,其特征在于,所述目标函数涉及的元素包括:网络拓扑结构上相连的元件集合、元件集合中元件个数、线路的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710186797.2A CN107016410B (zh) | 2017-03-27 | 2017-03-27 | 用电信息采集系统故障诊断方法及故障诊断装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710186797.2A CN107016410B (zh) | 2017-03-27 | 2017-03-27 | 用电信息采集系统故障诊断方法及故障诊断装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107016410A CN107016410A (zh) | 2017-08-04 |
CN107016410B true CN107016410B (zh) | 2019-10-22 |
Family
ID=59446585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710186797.2A Active CN107016410B (zh) | 2017-03-27 | 2017-03-27 | 用电信息采集系统故障诊断方法及故障诊断装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107016410B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084448A (zh) * | 2018-01-24 | 2019-08-02 | 阿里巴巴集团控股有限公司 | 一种电力系统的分析方法、装置及其设备 |
CN112994940B (zh) * | 2019-05-29 | 2022-10-18 | 华为技术有限公司 | 一种网络异常检测方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102411715A (zh) * | 2010-09-21 | 2012-04-11 | 张云超 | 有监督学习功能的细胞图像自动分类方法和系统 |
CN103020713A (zh) * | 2012-11-19 | 2013-04-03 | 山东大学 | 一种结合拓扑与继电保护逻辑的智能变电站故障诊断方法 |
CN103439629A (zh) * | 2013-08-05 | 2013-12-11 | 国家电网公司 | 基于数据网格的配电网故障诊断系统 |
CN105548862A (zh) * | 2016-01-25 | 2016-05-04 | 合肥工业大学 | 一种基于广义多核支持向量机的模拟电路故障诊断方法 |
CN106372239A (zh) * | 2016-09-14 | 2017-02-01 | 电子科技大学 | 一种基于异质网络的社交网络事件关联分析方法 |
-
2017
- 2017-03-27 CN CN201710186797.2A patent/CN107016410B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102411715A (zh) * | 2010-09-21 | 2012-04-11 | 张云超 | 有监督学习功能的细胞图像自动分类方法和系统 |
CN103020713A (zh) * | 2012-11-19 | 2013-04-03 | 山东大学 | 一种结合拓扑与继电保护逻辑的智能变电站故障诊断方法 |
CN103439629A (zh) * | 2013-08-05 | 2013-12-11 | 国家电网公司 | 基于数据网格的配电网故障诊断系统 |
CN105548862A (zh) * | 2016-01-25 | 2016-05-04 | 合肥工业大学 | 一种基于广义多核支持向量机的模拟电路故障诊断方法 |
CN106372239A (zh) * | 2016-09-14 | 2017-02-01 | 电子科技大学 | 一种基于异质网络的社交网络事件关联分析方法 |
Non-Patent Citations (1)
Title |
---|
供电和供水系统关联失效动力学模型及修复策略;张超等;《系统管理学报》;20120724;第21卷(第4期);第1节 * |
Also Published As
Publication number | Publication date |
---|---|
CN107016410A (zh) | 2017-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103001328B (zh) | 一种智能变电站的故障诊断与评估方法 | |
CN109872003B (zh) | 对象状态预测方法、系统、计算机设备及存储介质 | |
CN105740975B (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
CN107895176A (zh) | 一种面向水电机群广域监测诊断的雾计算系统及方法 | |
CN108037415A (zh) | 基于多源异构数据的配电网故障信息挖掘与诊断方法 | |
CN109635928A (zh) | 一种基于深度学习模型融合的电压暂降原因识别方法 | |
CN105974232B (zh) | 一种适用于高压输电网的电网故障诊断方法 | |
CN109501834A (zh) | 一种道岔转辙机故障预测方法及装置 | |
CN106777984A (zh) | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 | |
CN106325252A (zh) | 多层大跨度面向大数据的电力设备状态监测与评估系统 | |
CN107145959A (zh) | 一种基于大数据平台的电力数据处理方法 | |
CN104125103B (zh) | 基于举证表的智能变电站过程层网络通信故障定位方法 | |
CN108366386A (zh) | 一种使用神经网络实现无线网络故障检测的方法 | |
CN104459378B (zh) | 一种智能变电站故障诊断方法 | |
CN110309884A (zh) | 基于泛在电力物联网体系的用电数据异常识别系统 | |
CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及系统 | |
CN103645716B (zh) | 一种变电站倒闸系统中的数据处理方法及装置 | |
CN102684902B (zh) | 基于探针预测的网络故障定位方法 | |
CN109902373A (zh) | 一种辖区变电站故障诊断、定位方法及系统 | |
CN107016410B (zh) | 用电信息采集系统故障诊断方法及故障诊断装置 | |
CN110837532A (zh) | 一种基于大数据平台对充电桩窃电行为的检测方法 | |
CN104535893B (zh) | 一种基于细粒度模型的电网故障处理装置及其处理方法 | |
CN109638826A (zh) | 一种基于cnn的电网拓扑辨识方法及系统 | |
CN111143835A (zh) | 基于机器学习的电力计量系统业务逻辑非侵入式防护方法 | |
CN111190072A (zh) | 集抄系统诊断模型建立方法、故障诊断方法及装置 |
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 |