CN107784395A - 一种基于lstm人工神经网络的输电线路覆冰厚度预测方法 - Google Patents
一种基于lstm人工神经网络的输电线路覆冰厚度预测方法 Download PDFInfo
- Publication number
- CN107784395A CN107784395A CN201711056761.9A CN201711056761A CN107784395A CN 107784395 A CN107784395 A CN 107784395A CN 201711056761 A CN201711056761 A CN 201711056761A CN 107784395 A CN107784395 A CN 107784395A
- Authority
- CN
- China
- Prior art keywords
- data
- covering thickness
- ice
- artificial neural
- electric power
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 38
- 230000005540 biological transmission Effects 0.000 claims abstract description 29
- 230000004927 fusion Effects 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 abstract description 8
- 230000008859 change Effects 0.000 abstract description 4
- 239000000463 material Substances 0.000 abstract description 3
- 230000032683 aging Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 abstract description 2
- 230000007935 neutral effect Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000006403 short-term memory Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于LSTM人工神经网络的输电线路覆冰厚度预测方法，采用输电线路杆塔历史覆冰厚度数据、输电杆塔上设置的拉力终端监测数据、实时电压监测终端数据和气象终端监测数据，通过数据融合，利用LSTM人工神经网络算法技术，根据气象的实时变化，动态得预测输电线路上的覆冰厚度，并结合输电杆塔的设计承受覆冰厚度，对覆冰杆塔是否安全做出预警，相比起传统的人工观冰等方法既节省了人力物力，又有更好的时效性，又比摄像头监测资本投入小，维护成本低，可以更及时的发现存在安全隐患的输电杆塔。
Description
技术领域
本发明涉及电网中的输电线路导线以及地线覆冰厚度数据、输电杆塔上设置的拉力终端监测数据、实时电压监测终端数据和气象终端监测数据相融合的方法，用LSTM人工神经网络对历史覆冰厚度数据进行时间序列建模，并用训练好的模型对未来覆冰厚度进行预测的机器学习方法。
背景技术
目前，在输电线路覆冰的数据采集上，可以运用的方法极为有限：人工观冰将会消耗大量的人力物力，而且会对人员安全造成隐患，并且数据的实效性上也不足以达到覆冰灾害预测的要求；实时摄像则需要前期投入大量的实时监控设备，由于电网属于资产密集型企业，输电线路以及输电杆塔过多，大量的监控设备将消耗大量资源，而且摄像头类设备在可靠性上较差，在恶劣气象条件下故障率较高，在后期维护上会消耗大量人力物力。因此，通过现有的覆冰历史数据，结合一些高可靠性的监测终端设备，如拉力监测终端、气象监测终端，开发出一套成熟的覆冰厚度预测方法，不但可以解决数据采集的难题，同时在时效性上可以做到实时更新，并且资源投入很少，是一种经济有效的方法。
发明内容
本发明的目的正是为了克服上述现有覆冰厚度采集方法所存在的缺陷而提供一种基于数据分析，机器学习和人工神经网络的算法，来较为准确的便捷的预测输电线路覆冰厚度的方法，本发明基于现有的多条输电线路历史覆冰厚度数据、输电杆塔上设置的拉力终端监测数据、实时电压监测终端数据和气象终端监测数据，充分挖掘数据的价值，建立机器学习模型进行对未来各气象条件下输电线路覆冰厚度的预测。
从数据的采集来看，可以从数据库现有的输电线路历史覆冰相关数据进行提取，并把覆冰数据和监测终端所得到的拉力、电压、气象数据相融合关联，然后对融合后的数据进行结构分析、筛选、清洗、特征提取等，从而为算法与模型的建立、算法运算的准确性提供真实可信的数据。为了实现上述目的，本发明提供如下技术方案：
一种基于LSTM(Long Short-Term Memory)人工神经网络的输电线路覆冰厚度预测方法，包括以下步骤：
(1)、采用电网输电线路历史覆冰厚度数据、输电杆塔上设置的拉力终端监测数据、实时电压监测终端数据和气象终端监测数据存储至数据库，作为LSTM(Long Short-Term Memory)人工神经网络算法的基础；
(2)、将电网输电线路历史覆冰厚度数据、输电杆塔上设置的拉力终端监测数据、实时电压监测终端数据和气象终端监测数据进行数据融合关联，将历史覆冰厚度与相应杆塔地点最近的气象监测终端气象数据一一对应为完整连续的时间序列数据，并以80％，20％分为训练样本集和测试样本集，利用LSTM(LongShort-Term Memory)人工神经网络进行训练，并用测试样本集进行测试；
(3)、训练的结果即为输电线路覆冰厚度预测模型，可将以后的实时气象数据、拉力数据、电压数据输入模型，进行实时的输电线路覆冰厚度预测。
上述技术方案中：
(1)数据样本进行采集、筛选、分析、处理
利用已有的在线监测装置采集数据，以固定间隔时间(因为覆冰厚度变化不是高频过程，可以用长时间间隔标准，例如每2小时采集一次数据)提取，筛选导线电压、导线拉力、温度、空气湿度，作为训练样本基础数据，同时以间隔时间(如2个小时)加入输电线路覆冰厚度历史数据到训练样本库，让它们共同组成算法训练基础样本数据。然后对训练样本数据进行处理，将异常值，缺失值用拉格朗日插值法进行修补，最后在将数据输入模型前，还需要将数据标准化处理，以便消除不同维度数据数量级不同带来的权重差距过大，通常我们用以下公式来进行数据标准化：
数据处理流程见图1所示。
(2)LSTM(Long Short-Term Memory)人工神经网络算法
1)样本数据
样本数据经过处理后，就形成了可以运用LSTM人工神经网络算法进行计算的基础数据，包括导线电压、导线拉力、温度、空气湿度、覆冰厚度。样本数据格式如下表1：
表1样本数据格式
2)LSTM人工神经网络算法模型
LSTM神经网络是RNN(recurrent neural network)递归神经网络的一种变型。相比与普通神经网络的各计算节点及隐含层神经元之间互相独立的特点，RNN的每一次隐含层的计算结果都与当前输入以及上一层隐含层结果相关，通过这种方法，RNN的计算结果便具备了记忆之前计算结果的功能。
RNN神经网络的工作流程如图2：
右侧为计算时为了理解记忆的展开结构，x为输入层，o为输出层，h为隐含层，t指第几步运算，V,W,U为各个层的权重，那么计算第t步隐含层结果时就是ht＝f(U*Xt+W*ht-1)。
RNN神经网络的局限是如果想要实现n阶长期记忆，则要将前n层的计算结果都和现阶段关联起来，即ht＝f(U*Xt+W1*ht-1+W2*ht-2+…+Wn*ht-n),这样会使计算量呈指数增长，导致模型训练时间过长。而LSTM神经网络在RNN神经网络的结构上添加了各层的阀门节点。阀门有3类：遗忘阀门，输入阀门和输出阀门。通过这些阀门的开关来判断当前层的输出结果是否达到阀值从而加入到下一层的计算中。
LSTM神经网络运用sigmoid函数作为阀门的运算函数。Sigmoid函数：将变量映射到0-1之间,我们可以自行设定0-1之间的数值作为阀值，如果输出结果达到阀值则将该阀门输出与当前层的计算结果相乘作为下一层的输入；如果没有达到阀值则将阀门关闭，将结果遗忘掉。
3)LSTM人工神经网络算法步骤
LSTM人工神经网络构建的步骤：
a.开始时，把所有变量的记录(导线电压，导线拉力，温度，空气湿度)作为初始数据，建立第一层神经网络，及输入层，输入层包含4个节点，用来接收4个类型的数据；
b.然后将输入层的数据带入第二层神经网络，及循环层，在循环层中,利用sigmoid函数进行阀值计算，决定下一步循环所需的节点计算结果；
c.接下来进行模型误差回溯调参数阶段，及如何确定U,V,W，一步步预测出o1,o2,....ot-1,ot,ot+1.....，用输出层的误差，求解各个权重的梯度然后利用梯度下降法更新各个权重。如果总的误差为E＝∑tet，我们的目标就是要求： 此时停止递归。
d.下一步将测试样本集输入训练好的模型，通过对比历史覆冰厚度数据，对模型的准确性作出判断；
(3)输电线路覆冰厚度预测
利用已有的在线监测装置采集数据，以固定间隔时间(因为覆冰厚度变化不是高频过程，可以用长时间间隔标准，例如每2小时采集一次数据)提取，筛选导线电压、导线拉力、温度、空气湿度，作为训练样本基础数据，同时以间隔时间(如2个小时)加入输电线路覆冰厚度历史数据到训练样本库，让它们共同组成算法训练基础样本数据。将数据输入LSTM神经网络，直到训练出足够准确的覆冰厚度预测模型。
本发明的有益效果是，改变目前输电线路覆冰厚度采集主要靠人工观冰时效性差，人工资源浪费的缺点，以及摄像头摄像设备资金投入大，运维资金投入大的缺点，将之前的已经收集到的覆冰数据充分利用，并通过其他间接易采集数据进行覆冰厚度预测，有效预测覆冰灾害的方法，提升输电线路的可靠性。
附图说明
图1为数据处理流程图；
图2为循环神经网络工作流程图。
具体实施方式
见图1，图2，一种基于LSTM人工神经网络算法的输电线路覆冰厚度预测方法，本发明特征包括以下步骤：
(1)、采用电网输电线路历史覆冰厚度数据、输电杆塔上设置的拉力终端监测数据、实时电压监测终端数据和气象终端监测数据存储至数据库，作为LSTM(Long Short-Term Memory)人工神经网络算法的基础；
(2)、将电网输电线路历史覆冰厚度数据、输电杆塔上设置的拉力终端监测数据、实时电压监测终端数据和气象终端监测数据进行数据融合关联，将历史覆冰厚度与相应杆塔地点最近的气象监测终端气象数据一一对应为完整连续的时间序列数据，并以80％，20％分为训练样本集和测试样本集，利用LSTM(LongShort-Term Memory)人工神经网络进行训练，并用测试样本集进行测试；
(3)、训练的结果即为输电线路覆冰厚度预测模型，可将以后的实时气象数据、拉力数据、电压数据输入模型，进行实时的输电线路覆冰厚度预测。
实施例
1)采用在线监测装置取得固定间隔时间(如2个小时)的输电线路覆冰厚度数据、输电杆塔上设置的拉力终端监测数据、实时电压监测终端数据和气象终端监测数据(温度、空气湿度)，作为训练样本基础数据；
2)采用拉格朗日插值法对训练样本数据进行异常值、缺失值处理。得到可以输入LSTM人工神经网络算法进行计算的可靠数据，包括覆冰厚度、导线电压、导线拉力、温度、空气湿度；
3)将样本数据输入LSTM人工神经网络进行循环递归计算，直到误差值达到最小；
4)将训练好的LSTM神经网路模型作为以后预测输电线路覆冰厚度的核心算法模型。
Claims (1)
1.一种基于LSTM人工神经网络的输电线路覆冰厚度预测方法，其特征包括以下步骤：
(1)、采用电网输电线路覆冰厚度历史数据、输电杆塔上设置的拉力终端监测数据、实时电压监测终端数据和气象终端监测数据存储至数据库，作为LSTM人工神经网络算法的基础；
(2)、采用电网输电线路覆冰厚度历史数据、输电杆塔上设置的拉力终端监测数据、实时电压监测终端数据和气象终端监测数据进行数据融合关联，一一对应为完整连续的时间序列数据，并以80％，20％分为训练样本集和测试样本集，利用LSTM人工神经网络进行训练；
(3)、训练的结果即为输电线路覆冰厚度预测模型，根据以后的实时电压、拉力、气象数据输入模型，进行实时的输电线路覆冰厚度预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711056761.9A CN107784395A (zh) | 2017-10-27 | 2017-10-27 | 一种基于lstm人工神经网络的输电线路覆冰厚度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711056761.9A CN107784395A (zh) | 2017-10-27 | 2017-10-27 | 一种基于lstm人工神经网络的输电线路覆冰厚度预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107784395A true CN107784395A (zh) | 2018-03-09 |
Family
ID=61432618
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711056761.9A Pending CN107784395A (zh) | 2017-10-27 | 2017-10-27 | 一种基于lstm人工神经网络的输电线路覆冰厚度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107784395A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108343566A (zh) * | 2018-03-28 | 2018-07-31 | 长沙理工大学 | 一种基于风电机组运行状态的叶片覆冰故障在线监测方法及系统 |
| CN109360372A (zh) * | 2018-12-14 | 2019-02-19 | 国家电网有限公司 | 一种绝缘子覆冰预警方法 |
| CN109492823A (zh) * | 2018-11-26 | 2019-03-19 | 南京大学 | 一种对输电线路覆冰厚度的预测方法 |
| CN110458317A (zh) * | 2019-05-21 | 2019-11-15 | 广东电网有限责任公司 | 一种输电线路覆冰灾害发展趋势预测的方法及系统 |
| CN112183897A (zh) * | 2020-11-02 | 2021-01-05 | 成都卡普数据服务有限责任公司 | 基于深度学习的架空输电线路覆冰厚度的长时间预测方法 |
| CN112504141A (zh) * | 2020-11-24 | 2021-03-16 | 水利部南京水利水文自动化研究所 | 全场景冰厚智能监测方法及系统 |
| CN113344297A (zh) * | 2021-06-30 | 2021-09-03 | 广东电网有限责任公司 | 一种泥石流灾害的预测方法、系统、终端和存储介质 |
| CN113553772A (zh) * | 2021-08-09 | 2021-10-26 | 贵州电网有限责任公司 | 一种基于深度混合建模的覆冰拉力预测方法 |
| CN115797708A (zh) * | 2023-02-06 | 2023-03-14 | 南京博纳威电子科技有限公司 | 一种输配电同步数据采集方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102789447A (zh) * | 2012-07-09 | 2012-11-21 | 贵州电网公司输电运行检修分公司 | 基于灰多元线性回归的覆冰与气象关系的分析方法 |
| CN103020740A (zh) * | 2012-12-25 | 2013-04-03 | 临安市供电局 | 一种基于微气象数据的电力线路覆冰厚度预测方法 |
| CN104318347A (zh) * | 2014-09-30 | 2015-01-28 | 上海电力学院 | 一种基于多传感器信息融合的输电线路覆冰状态评估方法 |
| CN105139274A (zh) * | 2015-08-16 | 2015-12-09 | 东北石油大学 | 基于量子粒子群与小波神经网络的输电线路覆冰预测方法 |
| CN106682771A (zh) * | 2016-12-14 | 2017-05-17 | 云南电网有限责任公司电力科学研究院 | 一种基于微气象信息的输电线路覆冰厚度预测方法 |
-
2017
- 2017-10-27 CN CN201711056761.9A patent/CN107784395A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102789447A (zh) * | 2012-07-09 | 2012-11-21 | 贵州电网公司输电运行检修分公司 | 基于灰多元线性回归的覆冰与气象关系的分析方法 |
| CN103020740A (zh) * | 2012-12-25 | 2013-04-03 | 临安市供电局 | 一种基于微气象数据的电力线路覆冰厚度预测方法 |
| CN104318347A (zh) * | 2014-09-30 | 2015-01-28 | 上海电力学院 | 一种基于多传感器信息融合的输电线路覆冰状态评估方法 |
| CN105139274A (zh) * | 2015-08-16 | 2015-12-09 | 东北石油大学 | 基于量子粒子群与小波神经网络的输电线路覆冰预测方法 |
| CN106682771A (zh) * | 2016-12-14 | 2017-05-17 | 云南电网有限责任公司电力科学研究院 | 一种基于微气象信息的输电线路覆冰厚度预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 罗毅等: "高寒高海拔地区输电线路覆冰在线监测系统的研究", 《西南师范大学学报（自然科学版）》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108343566A (zh) * | 2018-03-28 | 2018-07-31 | 长沙理工大学 | 一种基于风电机组运行状态的叶片覆冰故障在线监测方法及系统 |
| CN108343566B (zh) * | 2018-03-28 | 2019-07-09 | 长沙理工大学 | 一种基于风电机组运行状态的叶片覆冰故障在线监测方法及系统 |
| CN109492823A (zh) * | 2018-11-26 | 2019-03-19 | 南京大学 | 一种对输电线路覆冰厚度的预测方法 |
| CN109492823B (zh) * | 2018-11-26 | 2021-04-30 | 南京大学 | 一种对输电线路覆冰厚度的预测方法 |
| CN109360372A (zh) * | 2018-12-14 | 2019-02-19 | 国家电网有限公司 | 一种绝缘子覆冰预警方法 |
| CN110458317A (zh) * | 2019-05-21 | 2019-11-15 | 广东电网有限责任公司 | 一种输电线路覆冰灾害发展趋势预测的方法及系统 |
| CN112183897A (zh) * | 2020-11-02 | 2021-01-05 | 成都卡普数据服务有限责任公司 | 基于深度学习的架空输电线路覆冰厚度的长时间预测方法 |
| CN112504141A (zh) * | 2020-11-24 | 2021-03-16 | 水利部南京水利水文自动化研究所 | 全场景冰厚智能监测方法及系统 |
| CN112504141B (zh) * | 2020-11-24 | 2022-03-29 | 水利部南京水利水文自动化研究所 | 全场景冰厚智能监测方法及系统 |
| CN113344297A (zh) * | 2021-06-30 | 2021-09-03 | 广东电网有限责任公司 | 一种泥石流灾害的预测方法、系统、终端和存储介质 |
| CN113553772A (zh) * | 2021-08-09 | 2021-10-26 | 贵州电网有限责任公司 | 一种基于深度混合建模的覆冰拉力预测方法 |
| CN115797708A (zh) * | 2023-02-06 | 2023-03-14 | 南京博纳威电子科技有限公司 | 一种输配电同步数据采集方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107784395A (zh) | 一种基于lstm人工神经网络的输电线路覆冰厚度预测方法 | |
| CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
| CN106991666B (zh) | 一种适用于多尺寸图片信息的病害图像识别方法 | |
| CN109978234A (zh) | 墒情预测、灌溉决策方法和装置 | |
| CN116451879B (zh) | 一种干旱风险预测方法、系统及电子设备 | |
| CN108733966A (zh) | 一种基于决策树群的多维电能表现场状态检验方法 | |
| 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 | |
| CN112285807B (zh) | 一种气象信息预测方法及装置 | |
| CN109782124B (zh) | 一种基于梯度下降算法的主配用一体化故障定位方法及系统 | |
| CN111460990A (zh) | 一种基于大数据的高寒牧区草原虫害监测预警系统及方法 | |
| CN108876163A (zh) | 综合因果分析与机器学习的暂态功角稳定快速评估方法 | |
| CN105719094A (zh) | 一种输电设备状态评估方法 | |
| CN103914740B (zh) | 一种基于数据驱动的输电线路覆冰预测与自校正方法 | |
| CN109376863A (zh) | 基于miv-bp神经网络的光伏功率短期分类预测方法 | |
| CN115642706A (zh) | 一种电网内配电负荷监控系统 | |
| CN113671421A (zh) | 一种变压器状态评估与故障预警方法 | |
| CN109035223A (zh) | 一种用于卫星遥感图像可用度的智能评估方法 | |
| CN109815959A (zh) | 一种冬小麦产量预测方法及装置 | |
| CN116050599A (zh) | 一种线路覆冰故障预测方法、系统、存储介质及设备 | |
| CN116418117A (zh) | 一种用于智能电网的设备检测系统 | |
| CN115186964A (zh) | 计及主观评估数据的配电网线路风险预测系统及方法 | |
| CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
| CN106934373A (zh) | 一种图书馆图书损坏评定方法及系统 | |
| CN106529816B (zh) | 电力线信道的调整方法和系统 | |
| CN112036682A (zh) | 一种频繁停电的预警方法及装置 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180309 |