CN109409444A - 一种基于先验概率的多元电网故障类型的判别方法 - Google Patents
一种基于先验概率的多元电网故障类型的判别方法 Download PDFInfo
- Publication number
- CN109409444A CN109409444A CN201811603356.9A CN201811603356A CN109409444A CN 109409444 A CN109409444 A CN 109409444A CN 201811603356 A CN201811603356 A CN 201811603356A CN 109409444 A CN109409444 A CN 109409444A
- Authority
- CN
- China
- Prior art keywords
- failure
- feature
- data sample
- failure modes
- probability
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 38
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000012544 monitoring process Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 23
- 230000015572 biosynthetic process Effects 0.000 claims description 11
- 238000003786 synthesis reaction Methods 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 4
- 230000004069 differentiation Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于先验概率的多元电网故障类型的判别方法，包括以下步骤：步骤1，从多元电网数据库中获取历史故障数据，对历史故障数据进行特征提取；步骤2，计算步骤1提取的每类历史故障数据的特征分类输出的先验概率；步骤3，对测试数据样本进行特征提取，根据步骤2获得的先验概率计算获得测试数据样本特征与历史故障数据特征对应的故障分类概率输出；步骤4，将每类故障中测试数据样本特征的概率输出进行加权处理，加权结果最大的故障分类作为最终判决故障分类的结果进行输出。本发明的判别方法可降低数据运算的维度，能够提高系统的判别效率。
Description
技术领域
本发明属于智能电网技术领域，特别涉及一种基于先验概率的多元电网故障类型的判别方法。
背景技术
多元电网具有电源类型多以及电网运行干扰因素多的特征，对于多元电网的监测越来越受到重视。随着智能电网的建设和发展，从电网运行数据层面对电网监测得到了很大的发展。SCADA系统所综合的数据业务多，目前已经成为电网数据监测过程中非常重要的设备。SCADA系统强大的数据存储能力，使其能够在电网稳态运行时辅助调度员监控电力系统，也能够在故障时为调度员提供故障数据信息。
目前在电网运行过程中，当电网发生故障时，SCADA系统虽然能够为工作人员提供开关信息和保护的出口动作信息，但这些远远不能满足故障分类的需求。系统强大的数据给故障诊断和分类提供了很多可行的办法。神经网络算法的应用越来越多，在电网故障诊断方面也做出了很多的尝试。但基于神经网络算法的故障诊断方法需要大量的故障数据进行样本训练，又需要通过大量实时监测数据进行故障的判断，对于系统数据的运算能力要求很高，亟需一种新型的故障类型判别方法。
发明内容
本发明的目的在于提供一种基于先验概率的多元电网故障类型的判别方法，以解决上述存在的技术问题。本发明的判别方法可降低数据运算的维度，能够提高系统的判别效率。
为达到上述目的，本发明采用以下技术方案：
一种基于先验概率的多元电网故障类别分类方法，包括以下步骤：
步骤1，从多元电网数据库中获取历史故障数据，将历史故障数据分为k类，对每类历史故障数据进行特征提取；
步骤2，计算步骤1提取的每类历史故障数据的特征分类输出的先验概率；
步骤3，对测试数据样本进行特征提取，根据步骤2获得的先验概率计算获得监测数据样本特征与历史故障数据特征对应的故障分类概率输出；
步骤4，计算测试数据样本提取的每个特征输出的故障分类对应的权值，将每类故障中测试数据样本特征的概率输出进行加权处理，加权结果最大的故障分类作为最终判决故障分类的结果进行输出。
进一步的，步骤1中，从历史数据库中的故障数据库提取历史故障数据，将历史故障数据分为k类；相同类型的故障提取故障发生时以及预设时间段内故障发生前和故障发生后的数据，建立历史故障数据样本库，提取历史故障数据的特征，并建立历史故障数据训练样本特征库。
进一步的，步骤3中，根据实时监测数据得到测试数据样本；测试数据样本与历史故障数据的格式相同。
进一步的，故障类型记为k类故障标签，每一类历史故障数据提取m种特征；
步骤3中，测试数据样本提取m种特征，测试数据样本特征对应的故障分类概率输出记为Pij(C＝i|input)，其中i表示第i类故障分类标签，j表示第j种特征，其中i＝1,2,…,k，j＝1,2,…,m；
其中，第j组故障类型判决结果对应的概率输出为该组故障分类所有故障标签概率输出的最大值，表达式为：
进一步的，步骤4中，测试数据样本每个特征输出的故障分类标签对应的权值计算式为：
将每组故障分类中测试数据样本特征的概率输出进行加权处理，加权结果最大的故障分类作为最终判决故障分类的结果进行输出，表达式为：
进一步的，还包括步骤5；
步骤5，根据测试数据样本特征权值与故障分类概率输出获得综合权值概率输出，通过综合权值概率输出确定最终故障分类。
进一步的，故障类型记为k个故障分类，测试数据样本提取m种特征，概率输出矩阵的表达式为：
矩阵中的元素Pij表示第i个故障分类对第j种测试数据样本特征的概率输出；
测试数据样本特征权值的向量表达式为：
wc＝(λc1,λc2,…,λcm)
将所有k类故障分类对应的权值表示为向量形式：
wl＝(λl1,λl2,…,λlk)
将k类故障分类标签所对应的权值wl与wl特征权值向量wc以矩阵乘的方式进行运算，得到综合权值矩阵，表达式为：
式中，元素λi,j表示第i个故障分类标签中第j测试数据样本特征的综合权值；
将矩阵WT与矩阵P相乘，有：
Φ＝WTP
则Φ为k×k阶矩阵，其对角线元素，有：
其中1≤i≤k，表示第j类测试数据样本特征的综合权值概率输出；
第j类测试数据样本特征的综合权值概率输出最大时，得到对应的第i个故障分类标签，确定最终故障分类；
第j类测试数据样本特征的综合权值概率输出最大的表达式为：
进一步的，故障分类对多元电网的影响因子越大，则其所对应的故障分类权值就越大。
与现有技术相比，本发明具有以下有益效果：
本发明的基于先验概率的多元电网故障类型的判别方法，将历史故障数据样本与监测数据样本进行特征提取分类，通过概率统计先验概率的方法确定特征与故障类型的概率关系，算法上容易实现，可降低数据运算的维度；进一步的，引入综合权值矩阵，可较大程度上提高故障分类判别的准确度和可靠性。
附图说明
图1是本发明的一种基于先验概率的多元电网故障类型的判别方法的流程示意框图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明，以使本领域技术人员能够更加清楚地理解本发明的方案，但并不因此限制本发明的保护范围。
请参阅图1，图1为本发明实施例的一种基于先验概率的多元电网故障类别分类方法的流程图。
本发明的一种基于先验概率的多元电网故障类型的判别方法，包括以下步骤：
步骤1、从多元电网数据库中获取故障数据，并对故障数据进行特征提取。
步骤1具体包括：
多元电网中历史数据库中存储整个多元电网中监测的所有数据，故障发生时所监测到的数据为历史故障数据。历史数据库中包括历史故障数据，历史故障数据为故障发生前、故障发生时、故障发生后多元电网所监测到的异常数据。
为了便于说明，具体方式为，在多元电网中有k种类型故障；k为正整数。
从历史数据库中的故障数据库提取历史故障数据，由于多元电网中相同类型故障可能发生多次，建立历史故障数据样本库，用于存储k种类型故障中的每一种类型故障的历史故障数据，每一次故障发生时的历史故障数据为一个历史故障数据样本，并对所有历史故障数据样本进行训练。
将每一个待训练的历史故障数据样本进行特征进取，提取为m种不同特征。
对于每一个历史故障数据样本的m个特征，其不同的特征与所有故障类型在先验概率统计上存在一定的概率关系。通过数学统计的方法，对于历史故障数据样本特征与对应的故障类型进行统计，每一组历史故障数据样本特征对应的故障类型的先验概率输出记为Pij(C＝i|input)，其中i表示第i类故障分类标签，j表示第j种特征，则Pij(C＝i|input)该结果为第j组特征分类输出的故障分类的先验概率，其中i＝1,2,…,k，j＝1,2,…,m。
步骤2、从多元电网数据库中获取实时监测数据，对实时监测数据进行预处理，并进行特征提取。
在多元电网中，为了进行故障诊断，从多元电网数据库中获取实时监测数据，对实时监测数据进行预处理，进行特征提取，提取特征数与历史故障数据提取特征数相同，均为m种不同特征，且特征提取的方法相同。
步骤3、计算监测数据样本m种特征与历史故障数据m种特征对应的故障分类输出概率。
故障类型分为k类，每一类历史故障数据样本提取m种特征，监测数据样本有m种特征。
根据历史故障数据样本特征对应的故障类型的先验概率，每一组监测数据样本特征对应的故障分类的概率输出记为Pij(C＝i|input)，其中i表示第i类故障分类标签，j表示第j种特征，则Pij(C＝i|input)表示第j组特征分类输出的故障分类的先验概率。
其中i＝1,2,…,k，j＝1,2,…,m。
对于任意一个监测数据样本，第j组故障类型判决结果所对应的概率输出，即为该组故障分类所有故障类型标签概率输出的最大值，有：
由概率特性可知，所述Pj取值越大，说明监测数据样本该组特征分类对于历史故障数据特征对应的故障分类判决的准确度越高，判决越准确，则与对应的故障分类越接近。
步骤4、引入权值，计算监测数据样本每个提取特征输出的故障分类标签对应的权值，判断故障分类。
为了便于说明，对于监测数据样本每个提取特征，本发明所述方法引入权值的概念，所述权值计算如下所述：
其中为所有故障类型的故障类型标签概率输出之和。
对于监测数据样本m个特征分类，每组分类都会有k个故障分类标签的概率输出，所以m组分类器共有k×m个故障分类标签概率输出。
计算出监测数据样本每个特征输出的故障分类标签对应的权值。
将每组故障分类中每个监测数据样本特征的概率输出进行加权处理，加权结果最大的故障分类作为最终判决故障分类的结果进行输出，则有：
加权结果
步骤5、引入综合权值矩阵，确定监测数据样本的最终故障分类。
在多元电网，由于每个故障类型在电网中影响因子不同，且在分类的过程中，每个特征对应的故障分类所输出的先验概率不同，这种不同会出现非对称性问题，造成故障分类准确度不高。为了解决非对称性问题，提高故障分类的准确度，引入综合权值。
引入综合权值，将监测数据样本特征权值与故障分类的概率输出进行综合考虑。
对于k种故障分类，对于m种监测数据样本特征对应的故障类型进行分类时，其概率输出可以表示为概率输出矩阵的形式，矩阵中的元素Pij表示第i个故障分类对第j种监测数据样本特征标签的概率输出。
监测数据样本特征权值可以表示为向量的形式，用wc表示，因为有m种监测数据样本特征，通过计算：
wc＝(λc1,λc2,…,λcm)
对于非对称问题，故障分类标签权值λl，第k类故障分类对多元电网的影响因子越大，则其所对应的故障分类标签权值λlk就越大，将所有k类故障分类标签所对应的权值表示为向量形式，用wl表示，通过计算：
wl＝(λl1,λl2,…,λlk)
所述表示故障分类的权值。
然后，k类故障分类标签所对应的权值wl与wl特征权值向量wc综合考虑，以矩阵乘的方式进行运算，得到综合权值矩阵，即：
式中，元素λi,j表示第i个故障分类标签中第j监测数据样本特征的综合权值。
将矩阵WT与矩阵P相乘，有：
Φ＝WTP
则Φ为k×k阶矩阵，其对角线元素，有：
其中1≤i≤k，表示第j类监测数据样本特征的综合权值概率输出。
输出结果为：
第j类监测数据样本特征的综合权值概率输出最大时，得到对应的第i个故障分类标签，即最终故障分类。
综上，本发明为了能够保证诊断的准确，提出了新的诊断信息源和诊断方法。本发明是基于先验概率的多元电网故障类别分类方法，在电网中应用时，电网运行数据实时进行监测，对于故障数据时刻电网运行数据进行存储，便于故障的分类。本发明减少每个特征的数据量，降低了数据运算的维度，提高了系统的效率，计算相对简单有效。
以上仅是对本发明的实施方式进行了描述，并不将本发明的技术方案限制于此，本领域技术人员在本发明的主要技术构思的基础上所作的任何公知变形都属于本发明所要保护的技术范畴，本发明具体的保护范围以权利要求书的记载为准。
Claims (8)
1.一种基于先验概率的多元电网故障类型的判别方法，其特征在于，包括以下步骤：
步骤1，从多元电网数据库中获取历史故障数据，将历史故障数据分为k类，对每类历史故障数据进行特征提取；
步骤2，计算步骤1提取的每类历史故障数据的特征分类输出的先验概率；
步骤3，对测试数据样本进行特征提取，根据步骤2获得的先验概率计算获得测试数据样本特征与历史故障数据特征对应的故障分类概率输出；
步骤4，计算测试数据样本提取的每个特征输出的故障分类对应的权值，将每类故障中测试数据样本特征的概率输出进行加权处理，加权结果最大的故障分类作为最终判决故障分类的结果进行输出。
2.根据权利要求1所述的一种基于先验概率的多元电网故障类型的判别方法，其特征在于，步骤1中，从历史数据库中的故障数据库提取历史故障数据，将历史故障数据分为k类；相同类型的故障提取故障发生时以及预设时间段内故障发生前和故障发生后的数据，建立历史故障数据样本库，提取历史故障数据的特征，并建立历史故障数据训练样本特征库。
3.根据权利要求1所述的一种基于先验概率的多元电网故障类型的判别方法，其特征在于，步骤3中，根据实时监测数据得到测试数据样本；测试数据样本与历史故障数据的格式相同。
4.根据权利要求1所述的一种基于先验概率的多元电网故障类型的判别方法，其特征在于，故障类型记为k类故障标签，每一类历史故障数据提取m种特征；
步骤3中，测试数据样本提取m种特征，测试数据样本特征对应的故障分类概率输出记为Pij(C＝i|input)，其中i表示第i类故障分类标签，j表示第j种特征，其中i＝1,2,…,k，j＝1,2,…,m；
其中，第j组故障类型判决结果对应的概率输出为该组故障分类所有故障标签概率输出的最大值，表达式为：
5.根据权利要求4所述的一种基于先验概率的多元电网故障类型的判别方法，其特征在于，步骤4中，测试数据样本每个特征输出的故障分类标签对应的权值计算式为：
将每组故障分类中测试数据样本特征的概率输出进行加权处理，加权结果最大的故障分类作为最终判决故障分类的结果进行输出，表达式为：
6.根据权利要求1至5中任一项所述的一种基于先验概率的多元电网故障类型的判别方法，其特征在于，还包括步骤5；
步骤5，根据测试数据样本特征权值与故障分类概率输出获得综合权值概率输出，通过综合权值概率输出确定最终故障分类。
7.根据权利要求6所述的一种基于先验概率的多元电网故障类型的判别方法，其特征在于，故障类型记为k个故障分类，测试数据样本提取m种特征，概率输出矩阵的表达式为：
矩阵中的元素Pij表示第i个故障分类对第j种测试数据样本特征的概率输出；
测试数据样本特征权值的向量表达式为：
wc＝(λc1,λc2,…,λcm)
将所有k类故障分类对应的权值表示为向量形式：
wl＝(λl1,λl2,…,λlk)
将k类故障分类标签所对应的权值wl与wl特征权值向量wc以矩阵乘的方式进行运算，得到综合权值矩阵，表达式为：
式中，元素λi,j表示第i个故障分类标签中第j测试数据样本特征的综合权值；
将矩阵WT与矩阵P相乘，有：
Φ＝WTP
则Φ为k×k阶矩阵，其对角线元素，有：
其中1≤i≤k，表示第j类测试数据样本特征的综合权值概率输出；
第j类测试数据样本特征的综合权值概率输出最大时，得到对应的第i个故障分类标签，确定最终故障分类；
第j类测试数据样本特征的综合权值概率输出最大的表达式为：
8.根据权利要求7所述的一种基于先验概率的多元电网故障类型的判别方法，其特征在于，故障分类对多元电网的影响因子越大，则其所对应的故障分类权值就越大。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811603356.9A CN109409444B (zh) | 2018-12-26 | 2018-12-26 | 一种基于先验概率的多元电网故障类型的判别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811603356.9A CN109409444B (zh) | 2018-12-26 | 2018-12-26 | 一种基于先验概率的多元电网故障类型的判别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109409444A true CN109409444A (zh) | 2019-03-01 |
| CN109409444B CN109409444B (zh) | 2020-10-23 |
Family
ID=65461814
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811603356.9A Active CN109409444B (zh) | 2018-12-26 | 2018-12-26 | 一种基于先验概率的多元电网故障类型的判别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109409444B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110349289A (zh) * | 2019-06-21 | 2019-10-18 | 东软集团股份有限公司 | 故障预测方法、装置、存储介质和电子设备 |
| CN110879373A (zh) * | 2019-12-12 | 2020-03-13 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种神经网络和决策融合的油浸式变压器故障诊断方法 |
| CN111124918A (zh) * | 2019-12-24 | 2020-05-08 | 中国银行股份有限公司 | 测试数据预测方法及装置、处理设备 |
| CN111985708A (zh) * | 2020-08-17 | 2020-11-24 | 云南电网有限责任公司电力科学研究院 | 一种基于贝叶斯算法的高压断路器拒动概率预测方法及装置 |
| CN112817800A (zh) * | 2019-11-15 | 2021-05-18 | 上海联影医疗科技股份有限公司 | 交互设备的测试方法、装置、计算机设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103454516A (zh) * | 2013-05-06 | 2013-12-18 | 国家电网公司 | 智能化变电站二次设备健康状态诊断方法 |
| US20150160296A1 (en) * | 2013-12-06 | 2015-06-11 | Kari Saarinen | Method And System For Multi-Ied Event Classification In An Electrical Grid |
| CN108121796A (zh) * | 2017-12-20 | 2018-06-05 | 国网湖南省电力有限公司 | 基于可信度的电能计量装置故障分析方法及装置 |
| CN108287327A (zh) * | 2017-12-13 | 2018-07-17 | 广西电网有限责任公司电力科学研究院 | 基于贝叶斯分类的计量自动化终端故障诊断方法 |
| CN109001596A (zh) * | 2018-10-17 | 2018-12-14 | 广东电网有限责任公司 | 一种电网故障诊断与输电线路参数辨识系统 |
-
2018
- 2018-12-26 CN CN201811603356.9A patent/CN109409444B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103454516A (zh) * | 2013-05-06 | 2013-12-18 | 国家电网公司 | 智能化变电站二次设备健康状态诊断方法 |
| US20150160296A1 (en) * | 2013-12-06 | 2015-06-11 | Kari Saarinen | Method And System For Multi-Ied Event Classification In An Electrical Grid |
| CN108287327A (zh) * | 2017-12-13 | 2018-07-17 | 广西电网有限责任公司电力科学研究院 | 基于贝叶斯分类的计量自动化终端故障诊断方法 |
| CN108121796A (zh) * | 2017-12-20 | 2018-06-05 | 国网湖南省电力有限公司 | 基于可信度的电能计量装置故障分析方法及装置 |
| CN109001596A (zh) * | 2018-10-17 | 2018-12-14 | 广东电网有限责任公司 | 一种电网故障诊断与输电线路参数辨识系统 |
Non-Patent Citations (2)
| Title |
|---|
| BAOYI WANG ET AL.: "Fault Diagnosis for Power Grid Systems Based on Rough Set and Bayesian Network", 《PROCEEDINGS OF THE 2015 3RD INTERNATIONAL CONFERENCE ON MACHINERY, MATERIALS AND INFORMATION TECHNOLOGY APPLICATIONS》 * |
| 吴泓灏: "基于贝叶斯网的电力系统故障诊断方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110349289A (zh) * | 2019-06-21 | 2019-10-18 | 东软集团股份有限公司 | 故障预测方法、装置、存储介质和电子设备 |
| CN112817800A (zh) * | 2019-11-15 | 2021-05-18 | 上海联影医疗科技股份有限公司 | 交互设备的测试方法、装置、计算机设备及存储介质 |
| CN110879373A (zh) * | 2019-12-12 | 2020-03-13 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种神经网络和决策融合的油浸式变压器故障诊断方法 |
| CN111124918A (zh) * | 2019-12-24 | 2020-05-08 | 中国银行股份有限公司 | 测试数据预测方法及装置、处理设备 |
| CN111124918B (zh) * | 2019-12-24 | 2023-09-05 | 中国银行股份有限公司 | 测试数据预测方法及装置、处理设备 |
| CN111985708A (zh) * | 2020-08-17 | 2020-11-24 | 云南电网有限责任公司电力科学研究院 | 一种基于贝叶斯算法的高压断路器拒动概率预测方法及装置 |
| CN111985708B (zh) * | 2020-08-17 | 2023-09-22 | 云南电网有限责任公司电力科学研究院 | 一种基于贝叶斯算法的高压断路器拒动概率预测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109409444B (zh) | 2020-10-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109409444A (zh) | 一种基于先验概率的多元电网故障类型的判别方法 | |
| Nagi et al. | Nontechnical loss detection for metered customers in power utility using support vector machines | |
| Xu et al. | A classification approach for power distribution systems fault cause identification | |
| CN113156917B (zh) | 基于人工智能的电网设备故障诊断方法及系统 | |
| Nagi et al. | Detection of abnormalities and electricity theft using genetic support vector machines | |
| CN111738462B (zh) | 电力计量装置故障抢修主动服务预警方法 | |
| CN109492857A (zh) | 一种配电网故障风险等级预测方法和装置 | |
| CN108537394B (zh) | 一种智能电网实时安全预警方法和装置 | |
| CN110309884A (zh) | 基于泛在电力物联网体系的用电数据异常识别系统 | |
| CN110739686A (zh) | 一种基于总表异常分析的台区线损治理方法及系统 | |
| CN116824517B (zh) | 基于可视化的变电站运维安全管控系统 | |
| Rizvi et al. | Data-driven short-term voltage stability assessment using convolutional neural networks considering data anomalies and localization | |
| AU2021335237A1 (en) | Method for detecting abnormality of automatic verification system of smart watt-hour meter based on transductive support vector machine (TSVM) model | |
| CN114091549A (zh) | 一种基于深度残差网络的设备故障诊断方法 | |
| CN109901476A (zh) | 一种基于多变量数据段相似性的异常工况监控方法及系统 | |
| CN111143835B (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 | |
| CN116128467A (zh) | 用电系统维护方法、装置、计算机设备和存储介质 | |
| CN117390546A (zh) | 一种面向即时反窃电检测的多模数据库融合存算模型 | |
| CN116702473A (zh) | 基于聚类算法的变压器温度异常预警方法及系统 | |
| Zhang et al. | Vibration signal-based defect detection method for railway signal relay using parameter-optimized VMD and ensemble feature selection | |
| CN116070140B (zh) | 一种配电变电站安全运行状态监测系统及方法 | |
| CN108510002A (zh) | 卷铁心牵引变压器绕组抗短路冲击能力的检测方法 | |
| CN109784777B (zh) | 基于时序信息片段云相似度度量的电网设备状态评估方法 | |
| CN112036496A (zh) | 一种核动力装置故障诊断方法及系统 | |
| Lu et al. | Time series power anomaly detection based on Light Gradient Boosting Machine |
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 |