CN109165472A - 一种基于变拓扑自组织网络的电源健康评估方法 - Google Patents
一种基于变拓扑自组织网络的电源健康评估方法 Download PDFInfo
- Publication number
- CN109165472A CN109165472A CN201811183944.1A CN201811183944A CN109165472A CN 109165472 A CN109165472 A CN 109165472A CN 201811183944 A CN201811183944 A CN 201811183944A CN 109165472 A CN109165472 A CN 109165472A
- Authority
- CN
- China
- Prior art keywords
- network
- power supply
- neuron
- value
- health
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种基于变拓扑自组织网络的电源健康评估方法,步骤如下:一:建立电源仿真模型,确定能表示电源健康度的可监测特征参数;二:采集退化数据,作为网络的测试输入;三:获得各个神经元的权值向量,使输出层的各个神经元能很好地描述数据集的分布特征;四:计算权值向量与输入向量的欧式距离,将最小的欧式距离作为最小量化误差Emin;五:将值进行归一化处理,通过对HV设定多个阈值,将系统的退化状态分为正常、轻微退化、严重退化、故障四个阶段;本发明实现了GCS网络对复杂高维数据的灵活、有效地处理,克服了标准的SOM网络输出拓扑结构不变的局限性,克服了普通特征映射网络的固定网格拓扑不能很好地反映输入空间的结构这一问题。
Description
技术领域:
本发明提供一种基于变拓扑自组织网络的电源健康评估方法,它具体为一种基于增长型神经网络的电源健康状态评估方法,属于电源健康状态评估技术领域。
背景技术:
电源在运行中往往要承受高低温循环冲击、恒定极值温度冲击、电应力冲击等各种环境应力和工作应力,应力会导致电源内部组成元器件发生老化进而使得电源系统发生退化失效。随着科技社会的发展,我们对电源工作的要求越来越高,除了电源需具备的固有的性能以外,我们希望电源能够在承受各种应力的条件下也能稳定、可靠地工作。健康评估技术可以实现对电源现有的状态的确定和对剩余寿命的预测,通过健康评估,可以提前采取措施延长电源的使用寿命,从而有望解决电源使用时可靠性不足的问题。
现有许多针对各种系统和元器件做健康评估的研究,但未涉及到对电源做健康评估,更未出现使用变种的SOM网络做电源健康评估。我们都知道,SOM的主要优点是聚类的形成使用一个自组织过程来帮助将输入空间演绎为代表性特征空间,因此潜在的拓扑结构将得以保持,面空间的维数亦可降低。但它有一些局限性,举例来说,SOM使用的是固定拓扑的网络结构,即神经处理单元的数目及排列方法必须事先在训练前加以确定,这限制了SOM网络对动态、增量样本集的学习适应能力,对于较大的输入模式而言,要确定一个产生满意结果的网络拓扑远非易事。同时,输入空间的拓扑也要匹配有待表达的输出空间拓扑的选择,领域保持特性取决于输出空间的拓扑选择。然而,对现实的数据模式而言,输入空间所需的合适维数事先不知道,而输出格栅必须在学习前给定,这样一来,输出格栅很难与输入空间的数据结构相匹配。
发明内容:
本发明为了解决使用SOM网络做健康评估时存在需要事先定义映射的网络大小尺寸及聚类边界检测的问题,提出一种基于变拓扑自组织网络的电源健康评估方法。
本发明提供一种电源健康状态评估方法,具体为一种基于增长型神经网络(GCS,growing cell structure)的电源健康状态评估方法,即一种基于变拓扑自组织网络的电源健康评估方法,该方法具体步骤如下:
步骤一:建立电源仿真模型,确定影响电源健康的关键元器件及退化模型,确定能表示电源健康度的可监测特征参数;
步骤二:选取电源正常状态下的特征参数输出作为训练样本,监测关键元器件的特征参数的退化情况,采集退化数据,作为网络的测试输入;
步骤三:利用GCS网络对训练样本进行学习和分类,获得各个神经元的权值向量,使输出层的各个神经元能很好地描述数据集的分布特征;
步骤四:将步骤二中所获得退化数据作为GCS网络的测试输入向量,计算权值向量与输入向量的欧式距离,将最小的欧式距离作为最小量化误差Emin;
步骤五:将值进行归一化处理,转换为表示健康的值,用HV表示;通过对HV设定多个阈值,将系统的退化状态分为正常、轻微退化、严重退化、故障四个阶段;
通过以上步骤,获得仿真数据并对GCS网络进行训练,由于GCS网络本身变拓扑的特性,使得训练后的GCS网络不但适配神经元的权矢量,而且使输入空间对输出空间的拓扑本身进行适配;从而实现GCS网络对复杂高维数据的灵活、有效地处理,克服了标准的SOM网络输出拓扑结构不变的局限性,克服了普通特征映射网络的固定网格拓扑不能很好地反映输入空间的结构这一问题。
其中,在步骤一中所述的“建立电源仿真模型,确定影响电源健康的关键元器件及退化模型,确定能表示电源健康度的可监测特征参数”,其做法如下:根据电源工作原理建立仿真模型确定影响电源健康的关键元器件为电容、电阻和电感,确定能表示电源健康度的特征参数有电容的等效串联电阻(ESR,equivalent series resistance)、电阻的阻值、电感的电感值变化。
其中,在步骤二中所述的“选取电源正常状态下的特征参数输出作为训练样本,监测关键元器件的特征参数的退化情况,采集退化数据,作为网络的测试输入”,其具体做法为:分别监测电源正常状态和退化状态下的电容的输出纹波,电阻的温度和电感的电感值作为网络的训练输入和测试输入。
其中,在步骤三中所述的“利用GCS网络对训练样本进行学习和分类,获得各个神经元的权值向量,使输出层的各个神经元能很好地描述数据集的分布特征”,其做法如下:用电源正常状态的数据训练GCS网络,获得各个神经元的权重向量ω和表现数据分布的网络拓扑结构。
其中,在步骤四中所述的“将步骤二中所获得退化数据作为GCS网络的测试输入向量,计算权值向量与输入向量的欧式距离,将最小的欧式距离作为最小量化误差Emin”,其做法如下:对采集到的电容纹波、电阻阻值、电感的电感值进行融合作为m维状态监测特征数据,并作为GCS网络的数据输入向量X,输入向量X的表示法如下:
X=(x1,x2,x3,...,xm)T
式中,xi(1<i<m)代表网络输入层的第i个神经元;X表示网络输入向量;
计算输入向量X与第j个神经元的权重向量的欧式距离dj的公式如下:
式中:X代表输入向量,ωj表示映射层第j个神经元,xi(1<i<m)代表网络输入层的第i个神经元,ωij为输入层的第i个神经元和映射层的j神经元之间的权值;
将最小欧式距离作为最小量化误差(Emin),其计算公式如下:
式中:Emin代表最小量化误差,X代表输入向量,ωj表示映射层第j个神经元。
其中,在步骤五中所述的“将值进行归一化处理,转换为表示健康的值,用HV表示;通过对HV设定多个阈值,将系统的退化状态分为正常、轻微退化、严重退化、故障四个阶段”,其做法如下:将值用极大极小值法进行归一化处理,转换为表示健康的值,用HV表示;其中0表示失效状态,1表示健康状态,用0-1之间的一个数表示系统当前的状态;值的归一化方法如下所示:
式中,xk第k个HV值,xmax代表最大的HV值,xmin表示最小的HV值;根据HV值划定四个状态,S1、S2、S3、S4对于的健康状态分别为:正常状态、初始退化阶段、严重退化阶段、严重退化阶段。
本发明提供一种基于变拓扑自组织神经网络的电源健康评估方法,它具体为一种基于增长型神经网络的电源健康状态评估方法,本发明具有如下优点与积极效果:
增长型神经网络在训练过程中既能优化神经元的权重,也能优化输出空间的拓扑结构,且计算速度不受输入数据量大小的影响,节点被增量地添加到规则的二维网格中,该网格在任何时候都是可绘制的,而不管输入空间的维度如何,因此,训练后的GCS网络能更好地匹配网络的输入数据,这非常适合对大规模数据的处理。自组织神经网络需要预先给定竞争层网络单元数目及结构形状,这限制了SOM网络对动态、增量样本集的学习适应能力,而GCS网络可以持续学习网络的输入特征,在竞争训练中适时调整神经元网络的拓扑结构,自适应性好则弥补了SOM网络的不足。
附图说明:
图1为本发明所述方法的基本流程图。
图中序号、符号、代号说明如下:
图1中,GCS表示增长型神经网络
具体实施方式:
下面结合附图说明本发明的实施方式;
本发明所述的一种基于变拓扑自组织网络的电源健康评估方法,即一种基于增长型神经网络的电源健康状态评估方法,见附图1所示,其具体实施步骤如下:
步骤一:根据电源工作原理建立仿真模型,根据电源仿真模型及该电源预期所处环境条件及使用状况,确定影响电源健康的关键元器件为电容、电阻和电感。由于电容的失效主要表现为电容等效串联电阻(ESR,equivalent series resistance)的增大和输出纹波的变化,电阻退化的主要表现为温度升高和阻值变化,电感退化表现为电感值的变化,因此确定电容的纹波、电阻的阻值和电感值为需要监测的特征参数。
步骤二:选取电源正常状态下的电容的输出纹波v,电阻的阻值R和电感的电感值L作为网络的训练输入X,则X=(v,R,L)T。然后每隔时间t监测电源退化状态时的特征参数输出,总共记录n次退化状态,分别计为vk、Rk、Lk,其中0<k<n,则测试输入Y=(Y1,Y2,...Yn)T,其中Yk=(vk,Rk,Lk)。
步骤三:利用GCS网络对训练样本X=(v,R,L)T进行学习和分类,获得网络拓扑结构,其中我们可以观察到该网络结构总共有N个节点,每个节点表示一个神经元,每个神经元与其余神经元相连接,总共有M种连接方式,神经元与神经元之间的连接的权值向量为ωγ(0<γ<M),在GCS网络结构中,拓扑结构的节点分布是不规则的,节点处连线越密集的地方,说明该处的权值越大,节点连接越稀疏的地方其权值越小。SOM网络通过拓扑结构图中的单元颜色深浅来表示连接权重的大小,但它每个节点的位置是固定的,这就限制了SOM网络对输入空间的匹配程度。因此,GCS网络的输出层的各个神经元能更好地描述数据集的分布特征,具有很好的可视性。
步骤四:利用GCS网络,将步骤二中获取的退化数据Yk作为GCS网络的数据测试输入向量,计算权值向量与输入向量的欧式距离,将最小的欧式距离作为最小量化误差(Emin)。
计算输入向量Yk与第j个神经元ωj的欧式距离dj的公式如下:
式中,Yk代表第k个输入向量,其中0<k<n,ωj表示映射层第j个神经元,yi(1<i<λ)代表网络输入向量的第i个神经元,λ表示一个输入向量中的神经元个数,ωij为输入层的第i个神经元和映射层的j神经元之间的权值。
将最小欧式距离作为最小量化误差(Emin),计算公式如下:
Emin(k)=min{||Yk-ωj||}
式中:Emin代表最小量化误差,Emin(k)表示第k个最小量化误差,Yk代表第k个输入向量,ωj表示映射层第j个神经元。
然后求取所有测试输入向量的最小量化误差,总共有n个。
步骤五:将值进行归一化处理,转换为表示健康的值,用HV表示。其中0表示失效状态,1表示健康状态,用0-1之间的一个数表示系统当前的状态。值的归一化方法如下所示:
式中,xk第k个HV值,xmax代表最大的HV值,xmin表示最小的HV值。可以自适应的调节HV值表示;根据HV值划定四个状态,S1、S2、S3、S4对于的健康状态分别为:正常状态、初始退化阶段、严重退化阶段、失效,如表2所示。
表2
阶段 | 类型 | 判定标准 |
S1 | 正常状态 | S1<HV<1 |
S2 | 初始退化阶段 | S2<HV<S1 |
S3 | 严重退化阶段 | S3<HV<S2 |
S4 | 失效状态 | HV<S3 |
。
Claims (6)
1.一种基于变拓扑自组织网络的电源健康评估方法,即一种基于增长型神经网络的电源健康状态评估方法,其特征在于:该方法具体步骤如下:
步骤一:建立电源仿真模型,确定影响电源健康的关键元器件及退化模型,确定能表示电源健康度的可监测特征参数;
步骤二:选取电源正常状态下的特征参数输出作为训练样本,监测关键元器件的特征参数的退化情况,采集退化数据,作为网络的测试输入;
步骤三:利用GCS网络对训练样本进行学习和分类,获得各个神经元的权值向量,使输出层的各个神经元能很好地描述数据集的分布特征;
步骤四:将步骤二中所获得退化数据作为GCS网络的测试输入向量,计算权值向量与输入向量的欧式距离,将最小的欧式距离作为最小量化误差Emin;
步骤五:将值进行归一化处理,转换为表示健康的值,用HV表示;通过对HV设定复数个阈值,将系统的退化状态分为正常、轻微退化、严重退化、故障四个阶段;
通过以上步骤,获得仿真数据并对GCS网络进行训练,由于GCS网络本身变拓扑的特性,使得训练后的GCS网络不但适配神经元的权矢量,而且使输入空间对输出空间的拓扑本身进行适配;从而实现GCS网络对复杂高维数据的灵活、有效地处理,克服了标准的SOM网络输出拓扑结构不变的局限性,克服了普通特征映射网络的固定网格拓扑不能很好地反映输入空间的结构这一问题。
2.根据权利要求1所述的一种基于变拓扑自组织网络的电源健康评估方法,即一种基于增长型神经网络的电源健康状态评估方法,其特征在于:
在步骤一中所述的“建立电源仿真模型,确定影响电源健康的关键元器件及退化模型,确定能表示电源健康度的可监测特征参数”,其做法如下:根据电源工作原理建立仿真模型确定影响电源健康的关键元器件为电容、电阻和电感,确定能表示电源健康度的特征参数有电容的等效串联电阻即ESR电阻的阻值、电感的电感值变化。
3.根据权利要求1所述的一种基于变拓扑自组织网络的电源健康评估方法,即一种基于增长型神经网络的电源健康状态评估方法,其特征在于:
在步骤二中所述的“选取电源正常状态下的特征参数输出作为训练样本,监测关键元器件的特征参数的退化情况,采集退化数据,作为网络的测试输入”,其具体做法为:分别监测电源正常状态和退化状态下的电容的输出纹波,电阻的温度和电感的电感值作为网络的训练输入和测试输入。
4.根据权利要求1所述的一种基于变拓扑自组织网络的电源健康评估方法,即一种基于增长型神经网络的电源健康状态评估方法,其特征在于:
在步骤三中所述的“利用GCS网络对训练样本进行学习和分类,获得各个神经元的权值向量,使输出层的各个神经元能很好地描述数据集的分布特征”,其做法如下:用电源正常状态的数据训练GCS网络,获得各个神经元的权重向量ω和表现数据分布的网络拓扑结构。
5.根据权利要求1所述的一种基于变拓扑自组织网络的电源健康评估方法,即一种基于增长型神经网络的电源健康状态评估方法,其特征在于:
在步骤四中所述的“将步骤二中所获得退化数据作为GCS网络的测试输入向量,计算权值向量与输入向量的欧式距离,将最小的欧式距离作为最小量化误差Emin”,其做法如下:对采集到的电容纹波、电阻阻值、电感的电感值进行融合作为m维状态监测特征数据,并作为GCS网络的数据输入向量X,输入向量X的表示法如下:
X=(x1,x2,x3,...,xm)T
式中,xi(1<i<m)代表网络输入层的第i个神经元;X表示网络输入向量;
计算输入向量X与第j个神经元的权重向量的欧式距离dj的公式如下:
式中:X代表输入向量,ωj表示映射层第j个神经元,xi(1<i<m)代表网络输入层的第i个神经元,ωij为输入层的第i个神经元和映射层的j神经元之间的权值;
将最小欧式距离作为最小量化误差即Emin,其计算公式如下:
式中:Emin代表最小量化误差,X代表输入向量,ωj表示映射层第j个神经元。
6.根据权利要求1所述的一种基于变拓扑自组织网络的电源健康评估方法,即一种基于增长型神经网络的电源健康状态评估方法,其特征在于:
在步骤五中所述的“将值进行归一化处理,转换为表示健康的值,用HV表示;通过对HV设定复数个阈值,将系统的退化状态分为正常、轻微退化、严重退化、故障四个阶段”,其做法如下:将值用极大极小值法进行归一化处理,转换为表示健康的值,用HV表示;其中0表示失效状态,1表示健康状态,用0-1之间的一个数表示系统当前的状态;值的归一化方法如下所示:
式中,xk第k个HV值,xmax代表最大的HV值,xmin表示最小的HV值;根据HV值划定四个状态,S1、S2、S3、S4对于的健康状态分别为:正常状态、初始退化阶段、严重退化阶段、严重退化阶段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811183944.1A CN109165472A (zh) | 2018-10-11 | 2018-10-11 | 一种基于变拓扑自组织网络的电源健康评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811183944.1A CN109165472A (zh) | 2018-10-11 | 2018-10-11 | 一种基于变拓扑自组织网络的电源健康评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109165472A true CN109165472A (zh) | 2019-01-08 |
Family
ID=64877897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811183944.1A Pending CN109165472A (zh) | 2018-10-11 | 2018-10-11 | 一种基于变拓扑自组织网络的电源健康评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109165472A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368971A (zh) * | 2020-02-19 | 2020-07-03 | 中国人民解放军军事科学院国防科技创新研究院 | 一种无人机集群协同降落排序方法及系统 |
CN112816884A (zh) * | 2021-03-01 | 2021-05-18 | 中国人民解放军国防科技大学 | 卫星锂离子电池的健康状态监测方法、装置和设备 |
CN117196267A (zh) * | 2023-11-07 | 2023-12-08 | 浙江正泰中自控制工程有限公司 | 一种基于设备健康分析技术的智能巡检方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6018696A (en) * | 1996-12-26 | 2000-01-25 | Fujitsu Limited | Learning type position determining device |
US20040076984A1 (en) * | 2000-12-07 | 2004-04-22 | Roland Eils | Expert system for classification and prediction of generic diseases, and for association of molecular genetic parameters with clinical parameters |
CN102156425A (zh) * | 2010-12-20 | 2011-08-17 | 北京航空航天大学 | 一种对数字集成电路焊点健康状态实时监测的装置 |
CN103675525A (zh) * | 2013-11-14 | 2014-03-26 | 南京航空航天大学 | 基于多svdd模型的dc-dc变换器健康监测与故障预测方法 |
CN104820747A (zh) * | 2015-05-06 | 2015-08-05 | 北京航空航天大学 | 一种基于仿真的dc-dc开关电源故障预测方法 |
CN105160422A (zh) * | 2015-08-10 | 2015-12-16 | 北京工业大学 | 基于自组织级联神经网络的污水处理出水总磷预测方法 |
CN106918789A (zh) * | 2017-05-10 | 2017-07-04 | 成都理工大学 | 一种soc‑soh联合在线实时估计和在线修正方法 |
CN109120535A (zh) * | 2018-09-28 | 2019-01-01 | 国网安徽省电力有限公司蚌埠供电公司 | 一种自组织拓扑的光通信网络及其拓扑自组织方法 |
-
2018
- 2018-10-11 CN CN201811183944.1A patent/CN109165472A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6018696A (en) * | 1996-12-26 | 2000-01-25 | Fujitsu Limited | Learning type position determining device |
US20040076984A1 (en) * | 2000-12-07 | 2004-04-22 | Roland Eils | Expert system for classification and prediction of generic diseases, and for association of molecular genetic parameters with clinical parameters |
CN102156425A (zh) * | 2010-12-20 | 2011-08-17 | 北京航空航天大学 | 一种对数字集成电路焊点健康状态实时监测的装置 |
CN103675525A (zh) * | 2013-11-14 | 2014-03-26 | 南京航空航天大学 | 基于多svdd模型的dc-dc变换器健康监测与故障预测方法 |
CN104820747A (zh) * | 2015-05-06 | 2015-08-05 | 北京航空航天大学 | 一种基于仿真的dc-dc开关电源故障预测方法 |
CN105160422A (zh) * | 2015-08-10 | 2015-12-16 | 北京工业大学 | 基于自组织级联神经网络的污水处理出水总磷预测方法 |
CN106918789A (zh) * | 2017-05-10 | 2017-07-04 | 成都理工大学 | 一种soc‑soh联合在线实时估计和在线修正方法 |
CN109120535A (zh) * | 2018-09-28 | 2019-01-01 | 国网安徽省电力有限公司蚌埠供电公司 | 一种自组织拓扑的光通信网络及其拓扑自组织方法 |
Non-Patent Citations (6)
Title |
---|
BERND FRITZKE: "Growing Cell Structures—A Self-Organizing Network for Unsupervised and Supervised Learning", 《NEURAL NETWORKS》 * |
JI WU .ETAL: "A novel state of health estimation method of Li-ion battery using group method of data handling", 《JOURNAL OF POWER SOURCES》 * |
V. BURZEVSKI .ETAL: "Hierarchical growing cell structures", 《PROCEEDINGS OF INTERNATIONAL CONFERENCE ON NEURAL NETWORKS (ICNN"96)》 * |
汪加才 等: "一种新的自组织神经网络动态生成算法", 《模式识别与人工智能》 * |
潘永雄 编: "《开关电源技术与设计》", 28 February 2016, 西安电子科技大学出版社 * |
程国建: "《神经计算与生长自组织网络》", 31 October 2008, 西安交通大学出版社 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368971A (zh) * | 2020-02-19 | 2020-07-03 | 中国人民解放军军事科学院国防科技创新研究院 | 一种无人机集群协同降落排序方法及系统 |
CN112816884A (zh) * | 2021-03-01 | 2021-05-18 | 中国人民解放军国防科技大学 | 卫星锂离子电池的健康状态监测方法、装置和设备 |
CN117196267A (zh) * | 2023-11-07 | 2023-12-08 | 浙江正泰中自控制工程有限公司 | 一种基于设备健康分析技术的智能巡检方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108038300B (zh) | 基于改进的隶属度函数结合神经网络的光纤状态评估方法 | |
CN109871976B (zh) | 一种基于聚类及神经网络的含分布式电源配电网电能质量预测方法 | |
CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN107846014B (zh) | 一种基于随机特征和级数计算的电网概率脆弱性评估方法 | |
Tong et al. | Detection and classification of transmission line transient faults based on graph convolutional neural network | |
CN109165472A (zh) | 一种基于变拓扑自组织网络的电源健康评估方法 | |
CN110943453B (zh) | 面向迁移学习的电力系统故障样本生成和模型构建方法 | |
CN110455537A (zh) | 一种轴承故障诊断方法及系统 | |
CN108919059A (zh) | 一种电网故障诊断方法、装置、设备及可读存储介质 | |
CN111652479A (zh) | 一种针对电力系统动态安全评估的数据驱动方法 | |
CN113255236B (zh) | 基于孪生网络的非侵入式负荷自适应识别方法 | |
Bastos et al. | Machine learning-based prediction of distribution network voltage and sensor allocation | |
CN110458189A (zh) | 压缩感知和深度卷积神经网络电能质量扰动分类方法 | |
CN104021315A (zh) | 基于bp神经网络的电厂厂用电率计算方法 | |
Shi et al. | Study of wind turbine fault diagnosis and early warning based on SCADA data | |
CN110147827A (zh) | 一种基于iaalo-svm与相似性度量的故障预测方法 | |
CN117421994A (zh) | 一种边缘应用健康度的监测方法和监测系统 | |
CN110244216B (zh) | 基于云模型优化pnn的模拟电路故障诊断方法 | |
CN117349614A (zh) | 基于自注意力机制和时空图卷积网络的频率稳定预测方法 | |
CN115659258A (zh) | 一种基于多尺度图卷积孪生网络的配电网故障检测方法 | |
CN112737422B (zh) | 一种基于云计算的电机设备调速控制方法 | |
CN114035120A (zh) | 基于改进cnn的三电平逆变器开路故障诊断方法及系统 | |
CN114372418A (zh) | 一种风电功率时空态势描述模型建立方法 | |
CN114048819A (zh) | 基于注意力机制和卷积神经网络的配电网拓扑辨识方法 | |
CN113705888A (zh) | 基于皮尔逊相关性和神经网络的工业蒸汽生成量预测方法和系统 |
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 |