CN108985465A - 一种换流站故障分类方法及系统 - Google Patents
一种换流站故障分类方法及系统 Download PDFInfo
- Publication number
- CN108985465A CN108985465A CN201810490019.7A CN201810490019A CN108985465A CN 108985465 A CN108985465 A CN 108985465A CN 201810490019 A CN201810490019 A CN 201810490019A CN 108985465 A CN108985465 A CN 108985465A
- Authority
- CN
- China
- Prior art keywords
- feature words
- fault
- converter station
- classification
- far
- 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
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
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种换流站故障分类方法及系统,属于电力系统自动化技术领域。本发明首先收集换流站故障分析报告,对换流站故障分析报告增加附属故障类别信息;然后对样本集进行自动分词并选择频次较高的词作为特征词;再利用特征词和对应的故障类别信息构成的样本集对分类模型进行训练,得到故障类别与特征词的对应关系;最后对待分类的故障分析报告进行特征词提取,将提取到的特征词输入到训练后的分类模型中,以确定待分类的故障分析报告的故障类型。
Description
技术领域
本发明涉及一种换流站故障分类方法及系统,属于电力系统自动化技术领 域。
背景技术
随着全球能源互联网的逐渐发展,特高压直流输电技术也有新的突破。其中, 换流站运维是重要的一环,虽然现代电力系统的理论和技术不断发展,但危及换 流站安全的故障仍然无法避免。针对换流站故障目前有很多识别方法,但大都是 基于换流站自身所采集的电流、电压等信息进行故障识别的。例如公告号为 CN105467261B的专利文件,该专利文件公开了一种基于MMC换流站信息融合技术 交流系统暂态故障识别方法,该方法通过获取直流母线电压,对其进行Renyi小 波包能量熵的运算,若交流输电线路发生单相接地短路故障,取MMC换流站中的 ABC三相下桥臂电流,进行DB4小波包变换,若交流输电线路发生多相故障,取 MMC换流站中的ABC三相上桥臂电流,对其进行DB4小波包变换。该方法虽然能够判断暂态故障,但是也仅能够针对一种故障进行识别。
此外,换流站运维过程中会产生故障分析报告,随着时间推移,大量的故障 分析报告堆积,人工查找比较繁琐,无法充分利用其价值。
发明内容
本发明的目的是提供一种换流站故障分类方法,以解决目前换流站故障识 别过程中仅能识别一种换流站故障导致对故障的识别不全面的问题;本发明还 提供了一种换流站故障分类系统。
本发明为解决上述技术问题而提供了一种换流站故障分类方法,该分类方法 包括以下步骤:
1)收集换流站故障分析报告,对换流站故障分析报告增加附属故障类别信 息;
2)对样本集进行自动分词并选择频次较高的词作为特征词;
3)利用特征词和对应的故障类别信息构成的样本集对分类模型进行训练, 得到故障类别与特征词的对应关系;
4)对待分类的故障分析报告进行特征词提取,将提取到的特征词输入到训 练后的分类模型中,以确定待分类的故障分析报告的故障类型。
本发明通过对换流站故障分析报告进行特征词提取,建立故障类型与特征词 之间的对应关系,利用该关系确定各故障分析报告中对应的故障类型。该方法充 分利用了故障分析报告,提高了换流站故障识别的全面性。
进一步地,所述步骤2)所选择的特征词还需经过筛选处理,将其中无意义 的词或特定场景下的词剔除。
本发明通过对特征词的进一步筛选,删除其中无意义的词,进一步提高了故 障识别的准确性。
进一步地,所述步骤3)中的分类模型为贝叶斯分类模型。
进一步地,所述的步骤3)在对贝叶斯分类模型进行训练时,需将样本集中 的特征词和故障类别进行编码。
进一步地,在对贝叶斯分类模型训练后,还需对训练后的分类模型进行验证, 若准确率低于设定值时,则对特征词和故障类别进行优化整合,以减少特征词个 数。本发明利用测试集对训练后的分类模型进行验证,保证了分类模型的分类精 度,提高了后续对故障分类的准确性。
进一步地,对特征词和故障类别进行优化整合包括以下方式中的至少一种:
A.去除出现频次较少的特征词;
B.对于一组特征词对应两个以上故障类别,则增加新的特征词进行区分;
C.将表达意思一致的特征词进行融合。
进一步地,所述的故障类别包括:一次设备故障、直流线路故障、保护设备 故障、站用电故障、极控VBE故障、阀塔及阀冷设备故障。
同时,本发明还提供了一种换流站故障分类系统,该分类系统包括存储器和 处理器,以及存储在所述存储器上并在所述处理器上运行的计算机程序,所述处 理器与所述存储器相耦合,所述处理器执行所述计算机程序时实现以下步骤:
1)收集换流站故障分析报告,对换流站故障分析报告增加附属故障类别信 息;
2)对样本集进行自动分词并选择频次较高的词作为特征词;
3)利用特征词和对应的故障类别信息构成的样本集对分类模型进行训练, 得到故障类别与特征词的对应关系;
4)对待分类的故障分析报告进行特征词提取,将提取到的特征词输入到训 练后的分类模型中,以确定待分类的故障分析报告的故障类型。
进一步地,所述步骤2)所选择的特征词还需经过筛选处理,将其中无意义 的词或特定场景下的词剔除。
进一步地,所述步骤3)中的分类模型为贝叶斯分类模型。
进一步地,所述的步骤3)在对贝叶斯分类模型进行训练时,需将样本集中 的特征词和故障类别进行编码。
进一步地,在对贝叶斯分类模型训练后,还需对训练后的分类模型进行验证, 若准确率低于设定值时,则对特征词和故障类别进行优化整合,以减少特征词个 数。
进一步地,对特征词和故障类别进行优化整合包括以下方式中的至少一种:
A.去除出现频次较少的特征词;
B.对于一组特征词对应两个以上故障类别,则增加新的特征词进行区分;
C.将表达意思一致的特征词进行融合。
进一步地,所述的故障类别包括:一次设备故障、直流线路故障、保护设备 故障、站用电故障、极控VBE故障、阀塔及阀冷设备故障。
附图说明
图1是本发明换流站故障分类方法的流程图;
图2是本发明实施例中换流站故障分析报告的故障分类结果示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的说明。
本发明的一种换流站故障分类方法的实施例
本发明的换流站故障分类方法首先收集换流站故障分析报告,并对换流站故 障分析报告增加附属故障类别信息;然后对收集的换流站分析报告进行自动分词 并选择频次较高的词作为特征词;再利用特征词和对应的故障类别信息构成的样 本集对分类模型进行训练,得到故障类别与特征词的对应关系;最后对待分类的 故障分析报告进行特征词提取,将提取到的特征词输入到训练后的分类模型中, 以确定待分类的故障分析报告的故障类型。该方法的流程如图1所示,具体实现 过程如下。
1.收集换流站故障分析报告,并对换流站故障分析报告增加附属故障类别 信息。
对于本实施例而言,收集楚雄换流站、普洱换流站以及肇庆换流站历年故障 分析报告,并对各报告样本添加相应的故障类别信息。目前换流站主要故障类别 包括:一次设备故障、直流线路故障、保护设备故障、站用电故障、极控VBE故 障、阀塔及阀冷设备故障,其中每一类故障又可包括其二级故障分类,如表1所 示。
表1
2.对收集的换流站分析报告进行自动分词并选择频次较高的词作为特征 词。
对收集的故障报告进行分词,具体的分词手段选用现有的分词软件即可,选 择出现频次较高的词作为该故障分析报告特征词。
仅通过上述方式选择出的特征词会存在一些没有意义的词,比如几乎每份故 障报告都会多次出现“直流”,这时就需要对这些无意义的词进行筛选,或者有 些词只是在某些特殊情况下才会出现,对于故障类型也没有实际意义,因此需要 将这些词语剔除掉。剔除方式可采用人工剔除,也可通过设置相应的数据库进行 自动筛选。比如,在筛选无意义的词时,开始可通过人工搜索确定无意义的词有 哪些,确定之后是可以建立相应数据库筛选的;另一方面随着换流站故障报告不 断增多,无意义的词也在不断增多,需要不断完善更新无意义词的数据库。
3.利用特征词和对应的故障类别信息构成的样本集对分类模型进行训练, 得到故障类别与特征词的对应关系。
本发明选用贝叶斯模型作为分类模型,在对贝叶斯模型进行训练前,需要对 特征词和对应的故障类别信息构成的样本集进行编码处理,以转变为贝叶斯模型 可识别的输入格式。对于特征词,如果出现在该故障分析报告中,则为1,否则 为0,对于故障类别,不同类别编码为a、b、c、d、e…,建立N×K维的特征词 矩阵A和N×1维故障类别向量B,其中N代表故障分析报告的份数,K表示特 征词的数量,如下式所示:
根据上述编码方式,从故障分析报告中提取出特征词矩阵A和故障类别矩阵 B,将形成的特征词矩阵A和故障类别矩阵B输入到贝叶斯模型中,即可对模型进 行训练。
经过一次训练得到的贝叶斯模型准确率一般不高,需要对特征词库以及故障 类别进行优化正整合。因此,需要对经过一次训练得到的贝叶斯模型进行测试, 测试所采用的测试集也是从故障分析报告中提取出来的,测试集的选取和编码过 程与样本集类似,只是所收集的故障分析报告不同。利用测试集对训练后的贝叶 斯模型进行测试,若准确率低于设定值时,则需要对选取的特征词进行优化整合, 若不低于设定值,可将该训练后的模型作为最终的分类模型。设定值的选取可根 据实际情况自行设定,本实施例中的设定值为90%。在对所选取的特征词进行优 化整合时,总的原则是尽可能减少特征词个数,可采用的措施如下:
1)去除出现频次较少的特征词。
例如,一次设备故障进行第一次贝叶斯训练时,对特征词出现的频次进行统 计发现,“双极全压”、“故障测距”等关键词出现频次均为0,即这三个关键词与 一次设备故障相关性很小,可去除掉这类频次较少的特征词。
2)检查是否出现同一个特征词组合对应多个故障类别的情况。
当出现某一组特征词对应两个以上故障类别,则需要考虑加入新的特征词进 行区分。
3)依据技术人员专业知识,对表达意思相近的特征词进一步融合,减少特 征词数量。
例如特征词“老化”、“锈蚀”、“变形”等均归类为“老化”。
4.最后对待分类的故障分析报告进行特征词提取,将提取到的特征词输入 到训练后的分类模型中,以确定待分类的故障分析报告的故障类型。
对于故障类别B和故障分析报告A,在已知一份故障分析报告A的前提下, 其为故障类别B的概率可以表示为P(B|A),根据贝叶斯公式,有:
假设一份故障分析报告A={A1,A2,A3…Am}可由m个特征词构成,故障类别 B={B1,B2,B3…Bn}可分成n类。那么,对于某一份故障分析报告,其属于第j类 故障类别的概率为:
根据式(2)可以计算出第i份故障分析报告对应第j种故障类别的概率,对n 种故障类别都应用(2)进行计算,此时概率最大的即为该故障分析报告属于的 故障类别。
对于式(2),由于分母P(A)对于所有类别都相等,因此为了求得数据所属类 别的最大值,只需最大化分子P(A|Bj)P(Bj)即可。
对于P(Bj),表示所有故障类别中第j种故障类别的概率。可通过下式求出:
其中N表示故障类别总量,N j表示第j类故障类别数量。
对于P(A|Bj),表示样本数据为第j类故障类别时其样本特征词分布概率,即:
P(A|Bj)=P(A1,A2...,Am|Bj) (4)
对于朴素贝叶斯模型,其假设故障分析报告的特征词{A1,A2...,Am}之间相互独立,则上式可表示为:
其中,k表示第k个特征量。
对于P(Xk|Yj),可由下式进行计算:
式中,N(K,j)表示j类故障分析报告中Xk出现的次数。
综上,联立式(2)—(6),即可求出给定某份故障分析报告其属于第j类故 障的概率P(Bj|A),并取概率最高的那一类作为输出,如表2所示:
表2
根据贝叶斯原理,故障分析报告测试数据对应的故障类别可按下式计算:
因此,故障分析报告测试1对应故障类别B1:一次设备故障。
从贝叶斯算法原理可看出,要对一份故障分析报告进行正确分类,需要对原 故障分析报告进行分词,以提取得到特征词库。对于本发明而言,每份故障分析 报告的特征词可由专业人员人工筛选关键词获取,也可通过设定的数据库进行自 动化筛选。
为了验证本发明提出换流站故障分类方法,对来自楚雄换流站、普洱换流站 以及肇庆换流站的几份故障分析报告进行测试,得到图2的结果,准确率达100%。
本发明的一种换流站故障分类系统的实施例
本发明的分类系统包括存储器和处理器,以及存储在存储器上并在处理器上 运行的计算机程序,处理器与存储器相耦合,处理器执行所述计算机程序时实现 以下步骤:
1)收集换流站故障分析报告,对换流站故障分析报告增加附属故障类别信 息;
2)对样本集进行自动分词并选择频次较高的词作为特征词;
3)利用特征词和对应的故障类别信息构成的样本集对分类模型进行训练, 得到故障类别与特征词的对应关系;
4)对待分类的故障分析报告进行特征词提取,将提取到的特征词输入到训 练后的分类模型中,以确定待分类的故障分析报告的故障类型。
上述步骤的具体实现方式与方法实施例中相同,这里不再赘述。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上 述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后, 对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由 所附的权利要求来限定。
Claims (10)
1.一种换流站故障分类方法,其特征在于,该分类方法包括以下步骤:
1)收集换流站故障分析报告,对换流站故障分析报告增加附属故障类别信息;
2)对样本集进行自动分词并选择频次较高的词作为特征词;
3)利用特征词和对应的故障类别信息构成的样本集对分类模型进行训练,得到故障类别与特征词的对应关系;
4)对待分类的故障分析报告进行特征词提取,将提取到的特征词输入到训练后的分类模型中,以确定待分类的故障分析报告的故障类型。
2.根据权利要求1所述的换流站故障分类方法,其特征在于,所述步骤2)所选择的特征词还需经过筛选处理,将其中无意义的词或特定场景下的词剔除。
3.根据权利要求1或2所述的换流站故障分类方法,其特征在于,所述步骤3)中的分类模型为贝叶斯分类模型。
4.根据权利要求3所述的换流站故障分类方法,其特征在于,所述的步骤3)在对贝叶斯分类模型进行训练时,需将样本集中的特征词和故障类别进行编码。
5.根据权利要求3所述的换流站故障分类方法,其特征在于,在对贝叶斯分类模型训练后,还需对训练后的分类模型进行验证,若准确率低于设定值时,则对特征词和故障类别进行优化整合,以减少特征词个数。
6.根据权利要求5所述的换流站故障分类方法,其特征在于,对特征词和故障类别进行优化整合包括以下方式中的至少一种:
A.去除出现频次较少的特征词;
B.对于一组特征词对应两个以上故障类别,则增加新的特征词进行区分;
C.将表达意思一致的特征词进行融合。
7.一种换流站故障分类系统,其特征在于,该分类系统包括存储器和处理器,以及存储在所述存储器上并在所述处理器上运行的计算机程序,所述处理器与所述存储器相耦合,所述处理器执行所述计算机程序时实现以下步骤:
1)收集换流站故障分析报告,对换流站故障分析报告增加附属故障类别信息;
2)对样本集进行自动分词并选择频次较高的词作为特征词;
3)利用特征词和对应的故障类别信息构成的样本集对分类模型进行训练,得到故障类别与特征词的对应关系;
4)对待分类的故障分析报告进行特征词提取,将提取到的特征词输入到训练后的分类模型中,以确定待分类的故障分析报告的故障类型。
8.根据权利要求7所述的换流站故障分类系统,其特征在于,所述步骤2)所选择的特征词还需经过筛选处理,将其中无意义的词或特定场景下的词剔除。
9.根据权利要求7或8所述的换流站故障分类系统,其特征在于,所述步骤3)中的分类模型为贝叶斯分类模型。
10.根据权利要求9所述的换流站故障分类系统,其特征在于,所述的步骤3)在对贝叶斯分类模型进行训练时,需将样本集中的特征词和故障类别进行编码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810490019.7A CN108985465A (zh) | 2018-05-21 | 2018-05-21 | 一种换流站故障分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810490019.7A CN108985465A (zh) | 2018-05-21 | 2018-05-21 | 一种换流站故障分类方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108985465A true CN108985465A (zh) | 2018-12-11 |
Family
ID=64542069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810490019.7A Pending CN108985465A (zh) | 2018-05-21 | 2018-05-21 | 一种换流站故障分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108985465A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111579936A (zh) * | 2020-06-30 | 2020-08-25 | 上海交通大学 | 一种适用于弧光接地故障的定位方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150112903A1 (en) * | 2013-02-28 | 2015-04-23 | Huawei Technologies Co., Ltd. | Defect prediction method and apparatus |
CN105677833A (zh) * | 2016-01-06 | 2016-06-15 | 云南电网有限责任公司电力科学研究院 | 一种基于文本挖掘技术提取断路器故障特征信息的方法 |
CN106056221A (zh) * | 2016-05-27 | 2016-10-26 | 大连楼兰科技股份有限公司 | 基于FP‑Tree序列模式挖掘和故障码分类的车辆远程诊断与备件检索的方法 |
CN106056154A (zh) * | 2016-05-27 | 2016-10-26 | 大连楼兰科技股份有限公司 | 故障码识别和分类的方法 |
CN106054858A (zh) * | 2016-05-27 | 2016-10-26 | 大连楼兰科技股份有限公司 | 基于决策树分类和故障码分类的车辆远程诊断与备件检索的方法 |
CN106067037A (zh) * | 2016-05-27 | 2016-11-02 | 大连楼兰科技股份有限公司 | 故障码识别和分类平台 |
CN106095785A (zh) * | 2016-05-27 | 2016-11-09 | 大连楼兰科技股份有限公司 | 基于决策树分类的故障码诊断车辆工项与备件检索方法 |
CN106503254A (zh) * | 2016-11-11 | 2017-03-15 | 上海智臻智能网络科技股份有限公司 | 语料分类方法、装置及终端 |
CN107229731A (zh) * | 2017-06-08 | 2017-10-03 | 百度在线网络技术(北京)有限公司 | 用于分类数据的方法和装置 |
CN107340766A (zh) * | 2017-07-10 | 2017-11-10 | 浙江大学 | 基于相似度的电力调度告警信号文本归类及故障诊断方法 |
CN107704892A (zh) * | 2017-11-07 | 2018-02-16 | 宁波爱信诺航天信息有限公司 | 一种基于贝叶斯模型的商品编码分类方法以及系统 |
CN107909116A (zh) * | 2017-12-07 | 2018-04-13 | 无锡小天鹅股份有限公司 | 洗衣机故障识别方法及装置 |
-
2018
- 2018-05-21 CN CN201810490019.7A patent/CN108985465A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150112903A1 (en) * | 2013-02-28 | 2015-04-23 | Huawei Technologies Co., Ltd. | Defect prediction method and apparatus |
CN105677833A (zh) * | 2016-01-06 | 2016-06-15 | 云南电网有限责任公司电力科学研究院 | 一种基于文本挖掘技术提取断路器故障特征信息的方法 |
CN106056221A (zh) * | 2016-05-27 | 2016-10-26 | 大连楼兰科技股份有限公司 | 基于FP‑Tree序列模式挖掘和故障码分类的车辆远程诊断与备件检索的方法 |
CN106056154A (zh) * | 2016-05-27 | 2016-10-26 | 大连楼兰科技股份有限公司 | 故障码识别和分类的方法 |
CN106054858A (zh) * | 2016-05-27 | 2016-10-26 | 大连楼兰科技股份有限公司 | 基于决策树分类和故障码分类的车辆远程诊断与备件检索的方法 |
CN106067037A (zh) * | 2016-05-27 | 2016-11-02 | 大连楼兰科技股份有限公司 | 故障码识别和分类平台 |
CN106095785A (zh) * | 2016-05-27 | 2016-11-09 | 大连楼兰科技股份有限公司 | 基于决策树分类的故障码诊断车辆工项与备件检索方法 |
CN106503254A (zh) * | 2016-11-11 | 2017-03-15 | 上海智臻智能网络科技股份有限公司 | 语料分类方法、装置及终端 |
CN107229731A (zh) * | 2017-06-08 | 2017-10-03 | 百度在线网络技术(北京)有限公司 | 用于分类数据的方法和装置 |
CN107340766A (zh) * | 2017-07-10 | 2017-11-10 | 浙江大学 | 基于相似度的电力调度告警信号文本归类及故障诊断方法 |
CN107704892A (zh) * | 2017-11-07 | 2018-02-16 | 宁波爱信诺航天信息有限公司 | 一种基于贝叶斯模型的商品编码分类方法以及系统 |
CN107909116A (zh) * | 2017-12-07 | 2018-04-13 | 无锡小天鹅股份有限公司 | 洗衣机故障识别方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111579936A (zh) * | 2020-06-30 | 2020-08-25 | 上海交通大学 | 一种适用于弧光接地故障的定位方法及系统 |
CN111579936B (zh) * | 2020-06-30 | 2021-12-03 | 上海交通大学 | 一种适用于弧光接地故障的定位方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110854807B (zh) | 基于ocr技术的新能源继电保护智能校核及预警系统 | |
CN106250934B (zh) | 一种缺陷数据的分类方法及装置 | |
CN109614488B (zh) | 基于文本分类和图像识别的配网带电作业条件判别方法 | |
CN108304567B (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
CN112905804B (zh) | 一种电网调度知识图谱的动态更新方法及装置 | |
CN110458240A (zh) | 一种三相桥式整流器故障诊断方法、终端设备及存储介质 | |
CN115954879A (zh) | 基于ao算法优化pnn的配电网线变关系精准辨识方法 | |
CN110598747A (zh) | 基于自适应k均值聚类算法的道路分类方法 | |
CN108985465A (zh) | 一种换流站故障分类方法及系统 | |
CN117495422A (zh) | 基于电力通信网建设的造价管理系统及其方法 | |
CN113160800A (zh) | 语音数据标注方法及电子设备、存储装置 | |
CN112420042A (zh) | 电力系统的控制方法及装置 | |
CN116739408A (zh) | 基于数据标签的电网调度安全监控方法、系统及电子设备 | |
CN117252459A (zh) | 一种基于深度学习的水果质量评估系统 | |
CN112036179A (zh) | 基于文本分类与语义框架的电力预案信息抽取方法 | |
CN115392710A (zh) | 一种基于数据过滤的风电机组运行决策方法及系统 | |
CN112329432B (zh) | 一种基于改进Apriori的配电网电压越限问题关联分析方法 | |
CN113486291B (zh) | 一种基于深度学习的石油钻机微电网故障预测方法 | |
CN115438190A (zh) | 一种配电网故障辅助决策知识抽取方法及系统 | |
CN114610882A (zh) | 一种基于电力短文本分类的异常设备编码检测方法和系统 | |
CN114418111A (zh) | 标签预测模型训练及样本筛选方法、装置、存储介质 | |
CN113987164A (zh) | 一种基于领域事件知识图谱的项目研判方法及装置 | |
CN110321425B (zh) | 一种电网缺陷类型的判断方法及装置 | |
CN113886592A (zh) | 一种电力信息通信系统运维数据的质量检测方法 | |
CN109257206A (zh) | 一种数据录入及评价诊断信息反馈的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181211 |