CN107832782A - 一种基于证据理论的电力运维告警数据融合方法 - Google Patents

一种基于证据理论的电力运维告警数据融合方法 Download PDF

Info

Publication number
CN107832782A
CN107832782A CN201710985728.8A CN201710985728A CN107832782A CN 107832782 A CN107832782 A CN 107832782A CN 201710985728 A CN201710985728 A CN 201710985728A CN 107832782 A CN107832782 A CN 107832782A
Authority
CN
China
Prior art keywords
mrow
msub
evidence
mtr
mtd
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
Application number
CN201710985728.8A
Other languages
English (en)
Inventor
李星南
曾瑛
李伟坚
付佳佳
黄宇
亢中苗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Original Assignee
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
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 Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd filed Critical Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Priority to CN201710985728.8A priority Critical patent/CN107832782A/zh
Publication of CN107832782A publication Critical patent/CN107832782A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques

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)
  • Nitrogen And Oxygen Or Sulfur-Condensed Heterocyclic Ring Systems (AREA)

Abstract

本发明涉及电力运维告警的技术领域，更具体地，涉及一种基于证据理论的电力运维告警数据融合方法。包括如下步骤：S1、根据证据置信水平得到基本概率分配BPA；S2、根据改进融合规则对数据进行融合并得到融合结果。通过引入置信水平和使用巴氏距离，对BPA进行调整，同时改进了D‑S组合规则，提出新的融合规则对数据进行融合处理。此方法较好地解决了D‑S证据理论中的证据冲突问题，没有忽视冲突证据包含的信息，提高了融合结果的准确性，提高了电力通信网故障诊断速度和故障处理的效率。

Description

一种基于证据理论的电力运维告警数据融合方法
技术领域
本发明涉及电力运维告警的技术领域，更具体地，涉及一种基于证据理论的电力运维告警数据融合方法。
背景技术
目前，电力系统通信网已成为电力系统调度智能化和管理现代化不可或缺的一部分。其告警机制中告警采集、入库和分级等技术均已较成熟，但告警数据融合技术还有很多新的方法。告警数据融合是电力通信网故障诊断的重要任务，对管理和维护电力通信网具有重要意义。电力通信网具有一般通信网的特点，系统采集数据有延迟、不完备和不准确的情况，例如有时系统上报的告警并不准确，光缆被挖断系统只上报LOS告警，并无明确的光缆中断告警，路由器所在机房停电，该路由器无法上报TRAP，只能由其关联路由器发出的连接终端告警推断。任何一种极小概率的不完备不准确的可能性，在电力通信网百万级别的设备数量下，都会变成经常出现的情况。多源数据融合技术可以消除多源数据间可能存在的冗余和矛盾数据，降低信息的不确定性，形成对监测环境相对完整一致的感知描述，提高智能系统的决策准确性能，降低决策风险。但由于电力通信网采集提供的信息不可能完全精确，通常这些数据信息有不全面性、模糊性和不确切性，有时甚至具有矛盾性，数据信息融合中心只能凭借那些不完全确定的数据信息进行推理，以达到目标识别、属性判定或决策的目的。D-S证据理论作为一种不确定性推理的有效工具，广泛应用于多源数据融合领域。实践发现，D-S证据理论用于多源数据融合时，可能会出现不合常理甚至错误的结论，即当D-S证据理论所需要的各个证据合理时，利用D-S合成规则就能够得到理想的信息合成结果；相反，当各证据间存在冲突时，会得到有悖常理的信息合成结果。本文提出一种算法解决电力通信网中电力运维告警多元数据融合问题，并且在智慧城市、智能交通、自动驾驶等同样有多元数据问题的领域都有可能得到推广。
为了解现有技术的发展状况，对已有的专利和文献进行了检索、比较和分析，筛选出如下与本发明相关度比较高的技术信息：
专利方案1：201410765000.0基于D-S证据理论的多传感器信息融合方法
该专利提出一种基于D-S证据理论的多传感器信息融合方法。基于D-S证据理论的多传感器信息融合方法，首先获得证据集，根据设定的辨识框架将证据整理为证据数据；按基数从小到大进行排序，形成有序焦元集，对证据数据进行BPA确定化；然后得到融合权重函数，进行证据合成，得到全体证据集的合成结果，将其作为传感器的输出决策。本发明适用于多传感器信息融合，解决在证据合成中传统的证据融合方法的计算量大，存在一票否决的问题和合成结果不确定性的问题。
专利方案2：201410041254.8一种基于D-S证据理论的知识融合方法
该发明公开了一种基于D-S证据理论的知识融合方法,该知识融合方法首先获得每一个领域的样本数据；然后确定科学试验的辨识框架并确定每一个辨识元素在每一个领域发生的概率；接着计算得到每一个辨识元素在每一个领域的BPA值，计算得到任意一个辨识元素在任意两个领域的BPA值之间的相似度距离函数；然后计算得到任意一个辨识元素在任意两个领域的BPA值之间的相似性测度；计算得到任意一个辨识元素的支持度，由任意一个辨识元素的所有的支持度计算得到该辨识元素的可信度；最后由所有辨识元素的可信度计算得到每一个辨识元素的融合后的BPA值。该知识融合方法适用于知识种类繁多且具有不确定性、片面性的多推理结果知识的融合。
上述专利方案1的缺陷：该方案针对多传感器融合，减少了在证据合成中的计算量，解决了传统的证据融合方法存在一票否决的问题和合成结果不确定性的问题。但此方法对于传统D-S证据理论组合中证据冲突的问题没有很大的改善。
上述专利方案2的缺陷：该方案主要通过改进基本概率分配BPA对传统D-S方法进行改善，一定程度上解决了结果不确定的问题。但此方法没有考虑到识别框架不完整性带来的证据冲突和归一化步骤引入的矛盾。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷，提供一种基于证据理论的电力运维告警数据融合方法，该方法使得融合过程避免了证据冲突问题，提高数据融合的准确性。
为解决上述技术问题，本发明的技术方案如下：一种基于证据理论的电力运维告警数据融合方法，其特征在于，包括如下步骤：S1、根据证据间距离得到证据置信水平，根据证据置信水平得到调整后的基本概率分配BPA；S2、根据改进融合规则对调整后的基本概率分配数据进行融合并得到融合结果。
进一步地，步骤S1具体包括：
S11、计算证据mi和mj间的巴氏距离dBPA(mi，mj):
dBPA(mi，mj)＝dij＝-ln(BC(mi，mj)）
其中，BC(mi，mj)为证据mi和mj间的巴氏系数；
S12、由S11可以得到一个证据距离矩阵DM，表示两两证据之间的距离，根据此矩阵，按下式计算每个证据与其他证据之间距离之和ui：
S13、根据ui，计算置信水平：
S14、根据置信水平，按下式计算BPA，其中表示空集：
其中，Θ＝{A1，A2，A3，…，AM}为识别框架,，其中，M为识别框架的子集个数；m(A)，为m为Θ上的基本概率分配函数，m(A)表示证据对A的支持程度；α＝α1，α2，α3，…，αi，αi∈(0，1]度，n为n个为证据置信水平，αi为证据ei的置信水平；
S15、但由于此时对其进行归一化处理，按下式得到最终调整后的BPA：
进一步地，步骤S2具体包括：
S21、优化将局部冲突分配到局部命题，采用将全局冲突分配给所有命题的方式以减少计算量；按下式融合规则进行融合，其中表示空集：
S22、假设识别框架为Θ＝{A1，A2，A3，…，AM}，M为目标识别系统中的目标个数。当融合结果满足式下列两组公式时，得到融合结果为A1：
其中，ε1，ε2分别为两个预先设定的阈值。
进一步地，证据mi和mj间的巴氏系数的计算公式如下：
改进后的D-S组合规则将全局冲突按置信水平等级分配到相应的命题中，而不是忽略隐藏在冲突证据中的信息，从而增强了融合结果的可靠性和合理性。
与现有技术相比，有益效果是：通过引入置信水平和使用巴氏距离，对BPA进行调整，同时改进了D-S组合规则，提出新的融合规则对数据进行融合处理。此方法较好地解决了D-S证据理论中的证据冲突问题，没有忽视冲突证据包含的信息，提高了融合结果的准确性，提高了电力通信网故障诊断速度和故障处理的效率。
附图说明
图1是本发明整体流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。
实施例一：完全冲突证据：
假设识别框架为Θ＝{A，B，C}，现有四个证据源数据，BPA表示如下：
其中，证据m1和m2为完全冲突证据。在传统DS组合规则中，这种情况无法进行计算。但是根据本文方法进行计算，可得到融合结果为：
m(A)＝0.912，m(B)＝0.044，m(C)＝0.044。
实施例二：零信任悖论：
假设识别框架为Θ＝{A，B，C}，现有四个证据源数据，BPA表示如下：
通过计算，四个证据的总冲突系数为k＝0.99，运用DS组合规则进行融合，融合结果为：
m(A)＝0，m(B)＝0.727,m(C)＝0.273，
证据m2完全否定A命题，所以，不管其他几个证据对A命题的支持程度如何，所得到的合成结果中A命题的支持度始终为0。但是，通过本文方法进行融合，所得到的融合结果为：
m(A)＝0.5153，m(B)＝0.2363，m(C)＝0.2484。
实施例三：一信任悖论：
假设识别框架为Θ＝{A，B，C}，现有四个证据源数据，BPA表示如下：
通过计算，根据四个证据的总冲突系数为k＝0.9998，运用DS组合规则进行融合，融合结果为：
m(A)＝0，m(B)＝1，m(C)＝0，
可以看出，所有证据分配给命题B的BPA都很小，但是得到的结果却是完全支持命题B，这在实际应用中是违反常理的。通过本文的方法进行融合，得到的结果为：
m(A)＝0.070，m(B)＝0.061，m(C)＝0.869。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (4)

1.一种基于证据理论的电力运维告警数据融合方法，其特征在于，包括如下步骤：S1、根据证据间距离得到证据置信水平，根据证据置信水平得到调整后的基本概率分配BPA；S2、根据改进融合规则对调整后的基本概率分配数据进行融合并得到融合结果。
2.根据权利要求1所述的基于证据理论的电力运维告警数据融合方法，其特征在于，步骤S1具体包括：
S11、计算证据mi和mj间的巴氏距离dBPA(mi，mj):
dBPA(mi，mj)＝dij＝-ln(BC(mi，mj))
其中，BC(mi，mj)为证据mi和mj间的巴氏系数；
S12、由S11可以得到一个证据距离矩阵DM，表示两两证据之间的距离，根据此矩阵，按下式计算每个证据与其他证据之间距离之和ui：
<mrow> <msub> <mi>u</mi> <mi>i</mi> </msub> <mo>=</mo> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msub> <mi>d</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>;</mo> </mrow>
S13、根据ui，计算置信水平：
<mrow> <msub> <mi>&amp;alpha;</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mrow> <mn>1</mn> <mo>/</mo> <msub> <mi>u</mi> <mi>i</mi> </msub> </mrow> <mrow> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <mn>1</mn> <mo>/</mo> <msub> <mi>u</mi> <mi>j</mi> </msub> </mrow> </mfrac> <mo>;</mo> </mrow>
S14、根据置信水平，按下式计算BPA，其中表示空集：
其中，Θ＝{A1，A2，A3，…，AM}为识别框架,，其中，M为识别框架的子集个数；m(A)，为m为Θ上的基本概率分配函数，m(A)表示证据对A的支持程度；α＝α1，α2，α3，…，αi，αi∈(0，1]度，n为n个为证据置信水平，αi为证据ei的置信水平；
S15、但由于此时对其进行归一化处理，按下式得到最终调整后的BPA：
<mrow> <msup> <mi>m</mi> <mrow> <mo>&amp;prime;</mo> <mo>&amp;prime;</mo> </mrow> </msup> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <msup> <mi>m</mi> <mo>&amp;prime;</mo> </msup> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mo>&amp;Sigma;</mo> <mrow> <msub> <mi>A</mi> <mi>j</mi> </msub> <mo>&amp;SubsetEqual;</mo> <mi>&amp;Theta;</mi> </mrow> </msub> <msup> <mi>m</mi> <mo>&amp;prime;</mo> </msup> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <msub> <mi>A</mi> <mi>j</mi> </msub> <mo>&amp;SubsetEqual;</mo> <mi>&amp;Theta;</mi> <mo>.</mo> </mrow>
3.根据权利要求2所述的基于证据理论的电力运维告警数据融合方法，其特征在于，其中，步骤S2具体包括：
S21、优化将局部冲突分配到局部命题，采用将全局冲突分配给所有命题的方式以减少计算量；按下式融合规则进行融合，其中表示空集：
S22、假设识别框架为Θ＝{A1，A2，A3，…，AM}，M为目标识别系统中的目标个数。当融合结果满足式下列两组公式时，得到融合结果为A1：
<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>m</mi> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mo>{</mo> <mi>m</mi> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>,</mo> <msub> <mi>A</mi> <mi>i</mi> </msub> <mo>&amp;SubsetEqual;</mo> <mi>&amp;Theta;</mi> <mo>}</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>m</mi> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mi>max</mi> <mo>{</mo> <mi>m</mi> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>,</mo> <msub> <mi>A</mi> <mi>j</mi> </msub> <mo>&amp;SubsetEqual;</mo> <mi>&amp;Theta;</mi> <mo>,</mo> <msub> <mi>A</mi> <mi>j</mi> </msub> <mo>&amp;NotEqual;</mo> <msub> <mi>A</mi> <mn>1</mn> </msub> <mo>}</mo> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>;</mo> </mrow>
<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>m</mi> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mi>m</mi> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mo>&amp;GreaterEqual;</mo> <msub> <mi>&amp;epsiv;</mi> <mn>1</mn> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>m</mi> <mrow> <mo>(</mo> <mi>&amp;Theta;</mi> <mo>)</mo> </mrow> <mo>&amp;GreaterEqual;</mo> <msub> <mi>&amp;epsiv;</mi> <mn>2</mn> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>m</mi> <mrow> <mo>(</mo> <msub> <mi>A</mi> <mn>1</mn> </msub> <mo>)</mo> </mrow> <mo>&amp;GreaterEqual;</mo> <mi>m</mi> <mrow> <mo>(</mo> <mi>&amp;Theta;</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>;</mo> </mrow>
其中，ε1，ε2分别为两个预先设定的阈值。
4.根据权利要求2所述的基于证据理论的电力运维告警数据融合方法，其特征在于，其中，证据mi和mj间的巴氏系数的计算公式如下：
<mrow> <mi>B</mi> <mi>C</mi> <mrow> <mo>(</mo> <msub> <mi>m</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>m</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mo>&amp;Sigma;</mo> <msqrt> <mrow> <msub> <mi>m</mi> <mi>i</mi> </msub> <mo>&amp;CenterDot;</mo> <msub> <mi>m</mi> <mi>j</mi> </msub> </mrow> </msqrt> <mo>.</mo> </mrow>
CN201710985728.8A 2017-10-20 2017-10-20 一种基于证据理论的电力运维告警数据融合方法 Pending CN107832782A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710985728.8A CN107832782A (zh) 2017-10-20 2017-10-20 一种基于证据理论的电力运维告警数据融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710985728.8A CN107832782A (zh) 2017-10-20 2017-10-20 一种基于证据理论的电力运维告警数据融合方法

Publications (1)

Publication Number Publication Date
CN107832782A true CN107832782A (zh) 2018-03-23

Family

ID=61648582

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710985728.8A Pending CN107832782A (zh) 2017-10-20 2017-10-20 一种基于证据理论的电力运维告警数据融合方法

Country Status (1)

Country Link
CN (1) CN107832782A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108920426A (zh) * 2018-07-04 2018-11-30 西北工业大学 一种基于幂均算子和ds证据理论的故障诊断方法
CN109240920A (zh) * 2018-08-23 2019-01-18 北京航空航天大学 一种基于ds证据理论的组合加速静态分析方法
CN110555193A (zh) * 2019-08-14 2019-12-10 北京市天元网络技术股份有限公司 基于修正余弦相似度的冲突度量方法及设备
CN111723341A (zh) * 2020-06-15 2020-09-29 中国船舶重工集团公司第七0三研究所 一种用于锅炉故障诊断的多子集概率处理方法
CN115166748A (zh) * 2022-07-08 2022-10-11 上海埃威航空电子有限公司 一种基于信息融合的飞行目标识别方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108920426A (zh) * 2018-07-04 2018-11-30 西北工业大学 一种基于幂均算子和ds证据理论的故障诊断方法
CN109240920A (zh) * 2018-08-23 2019-01-18 北京航空航天大学 一种基于ds证据理论的组合加速静态分析方法
CN110555193A (zh) * 2019-08-14 2019-12-10 北京市天元网络技术股份有限公司 基于修正余弦相似度的冲突度量方法及设备
CN110555193B (zh) * 2019-08-14 2023-02-10 北京市天元网络技术股份有限公司 基于修正余弦相似度的冲突度量方法及设备
CN111723341A (zh) * 2020-06-15 2020-09-29 中国船舶重工集团公司第七0三研究所 一种用于锅炉故障诊断的多子集概率处理方法
CN115166748A (zh) * 2022-07-08 2022-10-11 上海埃威航空电子有限公司 一种基于信息融合的飞行目标识别方法

Similar Documents

Publication Publication Date Title
CN107832782A (zh) 一种基于证据理论的电力运维告警数据融合方法
CN107886073A (zh) 一种基于卷积神经网络的细粒度车辆多属性识别方法
CN111680745B (zh) 一种基于多源交通大数据融合的突发拥堵判别方法及系统
CN101819573A (zh) 一种自适应的网络舆情识别方法
CN112448836A (zh) 故障根因确定方法、装置、服务器和计算机可读介质
CN104408324A (zh) 基于d-s证据理论的多传感器信息融合方法
CN112217674B (zh) 基于因果网络挖掘和图注意力网络的告警根因识别方法
CN113344408B (zh) 民航交通管制运行多尺度态势感知流程的处理方法
US12010518B2 (en) System and method for securely defending against collusive attack under internet of vehicles
CN105045863A (zh) 一种用于实体匹配的方法及系统
CN117574321A (zh) 基于海量监测巡检信息融合模型的大坝安全评估方法
CN110287995B (zh) 全天高架交通拥堵情况分级的多特征学习网络模型方法
CN112950024A (zh) 基于水电站应急指挥的决策方法、存储介质及电子设备
CN111080005B (zh) 一种基于支持向量机的治安风险预警方法及系统
CN108761263A (zh) 一种基于证据理论的故障诊断系统
CN117595504A (zh) 一种电网运行状态的智能监测预警方法
CN113065580A (zh) 一种基于多信息融合的电厂设备管理方法及系统
CN113177164B (zh) 基于大数据的多平台协同新媒体内容监控管理系统
CN115409100A (zh) 电力事故应急方案生成方法、装置、介质及设备
DE112021005269T5 (de) Risikoverwaltungsvorrichtung, Risikoverwaltungsverfahren, und Risikoverwaltungssystem
CN113489602A (zh) 基于数据挖掘的通信故障定位方法及系统
Wen et al. Risk measurement model for vehicle group based on temporal and spatial similarities
CN104834972A (zh) 一种基于证据理论的小区安防状态评估方法
CN114895115B (zh) 特高压直流控保系统中基于启发式搜索分析的故障预测方法
Li et al. Research on Fault Diagnosis of ZPW-2000K Track Circuit Based on RS-BN Algorithm

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180323

RJ01 Rejection of invention patent application after publication