CN109886306B - 一种电网故障诊断数据清洗方法 - Google Patents
一种电网故障诊断数据清洗方法 Download PDFInfo
- Publication number
- CN109886306B CN109886306B CN201910067012.9A CN201910067012A CN109886306B CN 109886306 B CN109886306 B CN 109886306B CN 201910067012 A CN201910067012 A CN 201910067012A CN 109886306 B CN109886306 B CN 109886306B
- Authority
- CN
- China
- Prior art keywords
- data
- remote signaling
- neural network
- fault diagnosis
- network
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000003745 diagnosis Methods 0.000 title claims abstract description 45
- 238000004140 cleaning Methods 0.000 title claims abstract description 38
- 230000011664 signaling Effects 0.000 claims abstract description 88
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 230000009471 action Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012937 correction Methods 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 7
- 240000002627 Cordeauxia edulis Species 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 abstract description 7
- 238000012423 maintenance Methods 0.000 abstract description 2
- 239000013589 supplement Substances 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 27
- 230000006870 function Effects 0.000 description 27
- 230000008569 process Effects 0.000 description 21
- 239000013598 vector Substances 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 210000002569 neuron Anatomy 0.000 description 10
- 230000008859 change Effects 0.000 description 4
- 210000004205 output neuron Anatomy 0.000 description 4
- 230000006386 memory function Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010926 purge Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000007781 signaling event Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Landscapes
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明涉及电网故障检修领域,特别公开了一种基于离散Hopfield神经网络的电网故障诊断数据清洗方法。它包括如下步骤:1)分为故障诊断类、保护动作诊断类和跳闸类型三大类;2)训练三个神经网络,得到每个网络的吸引域;3)即确立标准吸引子;4)剔除步骤2)虚假吸引子的数据;5)再次训练神经网络;6)按分组对应输入到训练好的三个神经网络模型中进行修正清洗。本发明首先对采集到的故障遥信数据进行清洗,对干扰误变位数据进行修正,对丢失数据进行补充,提高故障诊断的精度,查找差错数据从而查找数据误变位及丢失的原因。用清洗后的数据进行电网故障诊断可以解决部分遥信误报、漏报问题,使得诊断结果更加准确。
Description
技术领域
本发明涉及电网故障检修领域,特别涉及一种基于离散Hopfield神经网络的电网故障诊断数据清洗方法。
背景技术
目前利用遥信变位数据进行电网故障诊断的方法中,很少有利用遥信数据清洗的方法,即对遥信中的差错数据进行清洗,同时不影响正常数据的方法。现有故障诊断方法利用方法本身的容错机制对遥信误变位或丢失数据纠正,如Petri网、0-1规划、多维方程求解等方法。这些方法大多数通过复杂数学模型的求解,求解出在一定概率下的期望变位遥信数据,再和实际故障遥信数对比,检测出误变位或丢失的遥信数据。方法复杂、运算量大,建模方法对遥信差错数据的检测影响很大。其复杂的数学计算过程难以适应于电网大数据平台下,大量遥信变位数接入差错数据的检测和故障诊断方法的实现。
发明内容
本发明为了弥补现有技术的缺陷,提供了一种方法简单的基于离散Hopfield神经网络的电网故障诊断数据清洗方法。
本发明是通过如下技术方案实现的:
一种基于离散Hopfield神经网络的电网故障诊断数据清洗方法,其特征是,包括如下步骤:
1)把输电线路发生故障后产生的遥信数据分为故障诊断类、保护动作诊断类和跳闸类型这三大类;
2)利用穷举法列出三大类遥信数据组的所有可能,每组分别输入离散Hopfield神经网络,训练三个神经网络,得到每个网络的吸引域;
3)根据变电站历史遥信数据及人工分析,确定遥信数据的标准清洗模式,即确立标准吸引子;
4)根据步骤3)中的标准吸引子,剔除步骤2)穷举出来的数据中能引起训练结果为虚假吸引子的数据;
5)再次训练神经网络,得到最终三个神经网络模型;
6)将实际故障遥信数据,按照相关性进行分组,然后进行编码,化为神经网络所能识别的输入源,再按分组对应输入到训练好的三个神经网络模型中进行修正清洗,得出修正后的结果。
在步骤2)和步骤5)中,通过Hebb规则的外积法,计算网络的权值矩阵,确定离散Hopfield神经网络的参数。
本发明的有益效果是:在利用故障诊断算法前首先对采集到的故障遥信数据进行清洗,对干扰误变位数据进行修正,对丢失数据进行补充,提高故障诊断的精度,查找差错数据从而查找数据误变位及丢失的原因。用清洗后的数据进行电网故障诊断可以解决部分遥信误报、漏报问题,使得诊断结果更加准确。
附图说明
下面结合附图对本发明作进一步的说明:
图1为本发明提供的离散Hopfield神经网络图的结构图;
图2为本发明提供的基于DHNN的遥信数据清洗算法图;
图3为本发明提供的某市电网500kV输电线路区内故障图;
图4a、4b为本发明提供的故障过程遥信数据组的清洗图,其中图4a)为网络能量值,图4b)为记忆模式的吸引域;
图5为本发明提供的故障过程遥信数据吸引域图;
图6a、6b为本发明提供的保护动作遥信数据的清洗图,其中图6a)为能量函数值,图6b)为记忆模式的吸引域;
图7为本发明提供的保护动作遥信数据的吸引域图;
图8a、8b为本发明提供的跳闸遥信数据组的清洗图,其中图8a)为能量函数值,图8b)为记忆模式的吸引域;
图9为本发明提供的跳闸遥信数据吸引域图;
图10为遥信数据组的内容;
图11为几种可能的遥信数据组。
具体实施方式
附图为本发明的具体实施例。如图1至图11所示,该种基于离散Hopfield神经网络的电网故障诊断数据清洗方法,包括以下步骤:
1)把输电线路发生故障后产生的遥信数据分为故障诊断类、保护动作诊断类和跳闸类型这三大类;
2)利用穷举法列出三大类遥信数据组的所有可能,每组分别输入离散Hopfield神经网络,训练三个神经网络,得到每个网络的吸引域;具体为:通过Hebb规则的外积法,计算网络的权值矩阵,确定离散Hopfield神经网络的参数。
3)根据变电站历史遥信数据及人工分析,确定遥信数据的标准清洗模式,即确立标准吸引子;
4)根据步骤3)中的标准吸引子,剔除步骤2)穷举出来的数据中能引起训练结果为虚假吸引子的数据;
5)再次训练神经网络,得到最终三个神经网络模型;具体为:通过Hebb规则的外积法,计算网络的权值矩阵,确定离散Hopfield神经网络的参数;
6)将实际故障遥信数据,按照相关性进行分组,然后进行编码,化为神经网络所能识别的输入源,再按分组对应输入到训练好的三个神经网络模型中进行修正清洗,得出修正后的结果。
为了对故障诊断算法的前端数据进行清洗以提高诊断正确率,应对相关故障遥信数据进行分组分别进行清洗,固定记忆模式,把不同的模式修正为记忆模式。故障过程遥信数据组、保护动作遥信组和跳闸类型数据组的吸引域各不相同,跳闸类型数据组的吸引域只有一个点,只能反映记忆模式,保护动作遥信组吸引域最大,修正范围最大。所以应该按照修正范围对故障遥信数据进行过滤,避免误修正。无论修正域的大小,没有发生差错的遥信数据均能够正确反映,故障过程遥信数据组、保护动作遥信组数能够进行部分的修正。
以下为具体应用:
一:离散Hopfield神经网络(简称DHNN)对二进制数纠正的基本原理
离散Hopfield神经网络(DHNN)具有很强的记忆和联想功能,利用其联想功能可以对遥信二进制数进行数据清洗,其网络结构图如图1所示。
图1中,第0层为输入层,没有计算功能,第1层为输出层,含有神经元,具有计算功能。神经元计算函数为简单的阀值函数。其描述方程式为(1)~(3)。
其中,w ij 为神经元连接权值,x j 为神经元处理函数截距,θ j 为神经元处理函数阈值。神经网络的输出值为向量Y(t),为n个输出层神经元的输出状态。
DHNN的网络参数的训练就是利用训练样本,设定输出层神经网络的状态,采用最优的方法求解连接权值w ij 。不同的训练样本向量代表了不同的输入模式,通过不断的寻优过程,求出一组最优连接权值w ij ,完成了对样本模式的记忆功能。如果输入的模式不同于训练样本模式,则DHNN选取最接近的一组模式为输出,实现了其联想功能,即具有很好的纠错功能,把由于干扰出错的二进制数据进行纠正,还原其真实值。
当网络参数w ij 和θ j 确后DHNN就确定了,当输入一组Y(t)样本后,DHNN输出值不断变化,最终为稳定定值,即t+1时刻状态状态值Y(t+1)。 DHNN有两种工作方式:
(1)串行工作方式。在某一时刻只有一个输出神经元的状态改变。通过随机的方式改变下一个神经元的输出状态,所以神经元输出的变化次序是随机的。
(2)并行的工作方式。输出神经元状态的改变通过分组来实现,每次有一个组的输出神经元状态改变。
当满足Y(t)=Y(t+1)时,输出神经元状态不再改变,神经网络处于稳定状态。从图1可以看出,Hopfield网络模型是一个多输入、多输出、带阈值的输出状态为“0”和“1”非线性动力学系统。如果以能量函数来描述Hopfield网络的动力学行为,给定一组样本数据的情况,能量函数在网络运行过程中是不断降低,最后趋于稳定平衡状态的最小能量值。
如果输出层神经元的状态用vi表示,则能量函数可表示为:
其中n为输出层神经元的个数。
Hopfield网络输出状态变化后,网络能量函数的变化量为:
从中可以看出,DHNN模型在状态更新过程中,其能量函数E总是随状态变化而严格单调递减,最终稳定在某一确定状态。同时,DHNN模型的最终稳定输出状态和能量函数E的状态空间中的局部极小值点一一对应。所以,DHNN模型的计算过程就是给定权值w ij, 计算对应能量函数最小的输出状态的过程。
Hopfield网络的记忆功能就是给定样本作为其稳定的状态,通过网络的学习求合适的权矩阵W(对称阵)的过程。联想功能就是已知权矩阵W,寻找具有最小能量E的网络稳定状态。学习样本值对应能量函数状态空间的极小值点。
能量极小值点对应网络的一个稳定平衡点。如果将输入样本信息存储于不同的网络能量极小值点,则可以实现DHNN模型的记忆功能。如果输入数据和样本数据均不相同,则可以利用DHNN模型的联想功能,找出相应的记忆数据。
DHNN在学习训练的计算方法中有两种工作模式:学习记忆模式和计算工作模式。当处于学习工作模式时,网络的稳定状态和能量极小值是给定的,通过网络的学习求合适的权矩阵W(对称阵)。当处于计算工作模式时,其权矩阵W已知,求取对应网络能量极小点的状态。
权值设计的方法有外积法、伪逆法、正交设计法等。外积法(Hebb学习规则):是一种比较简单高效的方法,其公式如下:
在学习记忆模式下,已知样本向量,通过上述公式计算出连接权值W后,输入样本的K个模式实际上以存入接权值W中。在计算模式下,输入某组数据向量使得DHNN处于某种初始状态,通过输出状态的多次翻转,即网络方程动态运行,最终达到一个稳定的网络状态,如果和K个样本模式中的种模式相同,则实现了DHNN的联想功能。Hopfield网络用于联想记忆受其记忆容量和样本差异制约。当记忆的模式较少且模式之间的差异较大,则联想结果正确;而当需记忆的模式较多就容易引起混淆,网络到达的稳定状态往往不是已记忆的模式。此外当需记忆的模式之间较为相近时网络就不能辨别出正确的模式,甚至连自身都会联想错,即使用已记忆的模式作为联想模式(自联想),也可能出错。
二:DHNN作用域内遥信数纠正模式的选择
依据遥信数据为依据的故障诊断算法,依据其原理主要分为两类,一类是建立各设备的遥信量的数学方程,通过求解数学方程的方式,求取故障设备及丢失或误变位的遥信数据,Ptre网方法、0-1规划方法等;还有一类是基于故障模式的故障类型归类方法,采用聚类等大数技术,把电网中各种设备可能的遥信变位状态进行穷举,然后剔除不可能出现的组合类型,再聚类出各种需要诊断的故障类型。不论哪一种方法,都需要首先对有关联的遥信数据进行分组,然后把各组遥信数据加载到故障诊断算法中去运算,最后得出故障诊断的结果。所以,作为故障诊断算法的清洗方法,应该以相关联的遥信数组为单位进行清洗,对错误数据或丢失数据进行修正,便于故障诊断算法的正确判断。以线路的遥信数据故障诊断为例,依据大多数故障诊断方法的需要,本文把输电线路的故障后产生的遥信数据分为故障过程诊断类、保护动作诊断类和跳闸类型类三个类型。
以保护动作类型为例,其遥信数据组的内容如图10所示:
表中a1~a5为遥信数据位,其取值为0或1。由于通信干扰等原因可能出错或丢失。当遥信数据丢失时,故障诊断算法认为这一位遥信数据没有变位,其值为0。故障诊断清洗算法的目的就是对遥信数据中的差错进行修正,对遥信丢失数据进行修补,而没有发生差错的数不进行纠正,保持不变。根据以上分析,变电站内故障遥信数据有以下特点:
(1)变电站上传的遥信数据仅有少数数据位发生差错,由于监控系统或一次设备的原因,会经常发生某一位的数据丢失。所以待清洗的遥信数据组模式不会是数据组内部遥信位数的所有组合模式,仅需要对少数有限组模式进行校正。
(2)通过变电站内部历史故障遥信数据的差错或丢失情况,确定清洗数据的模式,其他没有出现的变电站数据模式可以剔除,减少算法的复杂度和数据清洗的正确性。
对于图10所示的保护动作类型遥信数据组,其所有位的组合方式有25个,但实际电网中可能出现的正确的方式只有几种。根据变电站历史遥信数据,大概可以确定模式,有远方跳闸遥信则不可能出现本地跳闸模式,几种可能的模式如图11所示:
图11对应了输电线路上故障的几种标准的遥信变位模式,其他的遥信数据模式要么属于数据差错,要么属于信息冗余。比如,线路区内故障正常情况下可能产生一套主保护、二套主保护和后备保护动作信号,但经常会发生只有一套主保护的动作遥信,没有后备保护动作遥信的情况,这些情况在数据清洗算法中都输入需要纠正的情况。所以,通过遥信数清洗算法可以将其他模式修正成以上四种标准模式。
图11中的遥信数据标准模式可以作为DHNN算法的记忆模式,即吸引子,用于训练网络。通过Hebb规则的外积法,计算网络的权值矩阵,确定DHNN网络的参数,然后故障诊断算法接收到故障遥信数据后,按相关性进行分组,然后输入到训练好的DHNN网络进行修正。
DHNN算法要求记忆模式数量小于状态位数,如果记忆模式数量太大,远大于神经网络状态数量,模型就会过拟合,模型成为接近线性的模型,记忆模式的吸引域非常小,几乎输入状态向量和输出状态向量一致,失去校正的作用。如果记忆模式较少,并且模式之间的距离较大,那么记忆模式的吸引域就较大,DHNN有较强的校正能力。但是吸引域太大,会把其他和记忆模式不相关的遥信状态组合归类到记忆模式中去,会造成故障诊断算法的误判。
记忆模式吸引域的求取采用穷举可能的输入数据状态的组合,输入DHNN算法,根据归类结果求取吸引域。DHNN模型实际上是一个非线性动力学模型,输入状态数据后在每次求解过程中不断变化,最终收敛于网络能量局部最小值。如果记忆模式向量相互正交,记忆模式对应的能量值都是局部最小值,输入不同的状态值最终都会收敛于记忆模式向量。如果输入模式向量不完全正交,网络的计算过程会陷入局部能量极小值点,对应的归类输出向量为伪记忆向量(伪吸引子),即输入状态向量会被归类到错误的状态向量上去。清洗算法流程图如图2所示。
三:仿真研究
某市电网500kV输电线路区内故障图如图3所示,A变电站和B变电站之间通过500kV输电线路连接,通过本文基于DHNN算法对A变电站的故障遥信变位数据进行清洗,满足故障诊断算法故障诊断正确性的要求。
输电线路上故障或电网其他设备上有故障,A变电站内会有故障遥信数上传到调度中心,为了便于故障诊断算法的处理,通常会把相关联的遥信数据进行分组。A变电站和输电线路AB相关的故障遥信数据可以分为三个组:故障过程遥信数据组、保护动作遥信组和跳闸类型数据组。故障过程遥信数据组={AB线路保护出口,断路器跳闸出口,线路保护重合闸出口,线路保护后加速出口,断路器跳闸出口},其中两次断路器跳闸出口表示重合闸前和重合闸后两次断路器跳闸遥信信息。保护动作遥信数据组={故障录波启动,一套主保护,二套主保护,后备保护,远方跳闸1 ,远方跳闸2}。跳闸类型数据组={A相跳闸,B相跳闸,C相跳闸,三相跳闸}。因为500kV输电线路只有单相跳合闸遥信和三相跳合闸遥信,所以没有两相故障的遥信动作信息。
对应的记忆模式为:故障过程遥信数据组为3个记忆模式{(1,1,0,0,0),(1,1,1,0,0),(1,1,1,1,1)},分别表示{无重合闸故障快速切除、瞬时故障重合成功,重合闸不成功永久故障切除}。保护动作遥信数据组为4个记忆模式{(1,1,1,1,0,0),(1,0,0,1,0,0),(1,0,0,0,1,0),(1,0,0,0,0,1)},分别表示{线路区内故障,线路区外故障,远方一套保护跳闸,远方二套保护跳闸}。跳闸遥信数据组为4个记忆模式{(1,0,0,0),(0,1,0,0),(0,0,1,0),(0,0,0,1)}
把三个数组的记忆模式分别训练三个不同的DHNN网络,通过外积法获得三个不同网络结构的权值矩阵W1、W2和W3。
把清洗数据组的遥信状态位数转化为十进制数进行网络模型的计算,如故障过程遥信数据组记忆模式1:(11000)2=(24)10。图5中的a)、b)中的横坐标输入DHNN模型的输入遥信状态位对应的十进制数,采用穷举法研究清洗模型的记忆模式吸引域,如故障过程遥信数据组有5个状态位,对应的状态位组合方式为25种,对应的十进制数据范围为0~32。该分析方法同样应用于以下的保护动作遥信数据、跳闸遥信数据组清洗的分析。DHNN模型算法为18次循环。网络能量值与记忆模式的吸引域如图4所示。
图4中的a)、b)中的横坐标为输入DHNN模型的状态位二进制数对应的十进制数。图5、a)为网络的能量函数值,收敛于6个最小能量函数值。图5、b)为输入所有状态位数据,DHNN模型的输出结果。从图中可以看出,收敛于8个吸引子,而故障过程遥信数据只有3个记忆模式,有5个为虚假记忆模式,如果不对待清洗数据进行滤除,模型有可能收敛到虚假的记忆模式上(修正错误),造成后续故障诊断算法的误诊断。收敛于3正确记忆模式的吸引域如图5所示。从图5可以看出,如果输入的数据为记忆的3种模式图中分别为24、28、31,输出不会改变。说明数据没有差错的情况下,数据清洗结果不受影响。其他3个点均为含有差错的数据,DHNN模型按照记忆模式对其进行了纠正,其吸引域只有4个点。
保护动作遥信数据的清洗算法的结果如图6、图7所示。由于保护动作遥信待清洗状态数据位为6位,因此有26种输入状态。图6、a)为DHNN模型收敛到吸引子后模型能量函数的局部最小点。从图6、b)吸引域可以看出清洗算法一共有8个收敛解,而记忆模式是4个,因此有4个吸引子为虚假收敛解,需要把收敛到虚假解的输入状态从输入数据中剔除,否则会出现虚假的修正结果。最后可得出保护动作遥信数据的吸引域,如图7所示,共有8个状态点。
跳闸数据的清洗如图8、图9所示。从图8、a)可以看出能量函数没有局部最下值,不同的输入状态值获得不同的能量函数值。图8、b)看出,DHNN模型几乎没有记忆模式,其图形为450的直线,说明输入什么状态输出即为什么状态。原因是训练数据向量矩阵(记忆模式)为对角阵,所含信息单一。其吸引域如图9所示,为单个转态点,即输入的几种模式,输出还是哪几种模式,网络没有修正作用。
所以,通过穷举法对故障过程遥信数据组、保护动作遥信数据和跳闸遥信数据组清洗过程的分析,3个清洗过程都会存在虚假吸引子,在运用清洗算法前,应该对处理的数据进行过滤,避免原始数据被修正到虚假吸引子上。3个清洗过程中,保护动作遥信数据的吸引域范围最大,为8种模式,跳闸遥信数据吸引域最小,为其本身,实际上已经失去数据修正能力。
除说明书所述技术特征外,其余技术特征均为本领域技术人员已知技术。
Claims (2)
1.一种基于离散Hopfield神经网络的电网故障诊断数据清洗方法,其特征是,包括如下步骤:
1)把输电线路发生故障后产生的遥信数据分为故障诊断类、保护动作诊断类和跳闸类型这三大类;
2)利用穷举法列出三大类遥信数据组的所有可能,每组分别输入离散Hopfield神经网络,训练三个神经网络,得到每个网络的吸引域;
3)根据变电站历史遥信数据及人工分析,确定遥信数据的标准清洗模式,即确立标准吸引子;
4)根据步骤3)中的标准吸引子,剔除步骤2)穷举出来的数据中能引起训练结果为虚假吸引子的数据;
5)再次训练神经网络,得到最终三个神经网络模型;
6)将实际故障遥信数据,按照相关性进行分组,然后进行编码,化为神经网络所能识别的输入源,再按分组对应输入到训练好的三个神经网络模型中进行修正清洗,得出修正后的结果。
2.根据权利要求1所述的基于离散Hopfield神经网络的电网故障诊断数据清洗方法,其特征是,在步骤2)和步骤5)中,通过Hebb规则的外积法,计算网络的权值矩阵,确定离散Hopfield神经网络的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910067012.9A CN109886306B (zh) | 2019-01-24 | 2019-01-24 | 一种电网故障诊断数据清洗方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910067012.9A CN109886306B (zh) | 2019-01-24 | 2019-01-24 | 一种电网故障诊断数据清洗方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109886306A CN109886306A (zh) | 2019-06-14 |
CN109886306B true CN109886306B (zh) | 2022-11-25 |
Family
ID=66926805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910067012.9A Active CN109886306B (zh) | 2019-01-24 | 2019-01-24 | 一种电网故障诊断数据清洗方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886306B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111366814A (zh) * | 2020-03-31 | 2020-07-03 | 上海电力大学 | 基于多源数据及多维故障编码空间的电网故障诊断方法 |
CN112988725A (zh) * | 2021-03-15 | 2021-06-18 | 广东电网有限责任公司清远供电局 | 一种输电线路数据清洗方法、系统、电子设备和存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5467427A (en) * | 1991-11-13 | 1995-11-14 | Iowa State University Research Foundation | Memory capacity neural network |
CN101814158A (zh) * | 2009-02-20 | 2010-08-25 | 北京联合大学生物化学工程学院 | 基于人工神经网络的实验数据分析处理方法 |
CN102749573A (zh) * | 2012-07-27 | 2012-10-24 | 重庆大学 | 基于小波包分析和Hopfield网络的模拟电路故障诊断方法 |
CN104238546A (zh) * | 2014-08-28 | 2014-12-24 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 基于混杂神经网络的直流主设备故障诊断方法 |
US9015093B1 (en) * | 2010-10-26 | 2015-04-21 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
CN104915715A (zh) * | 2015-06-24 | 2015-09-16 | 南京航空航天大学 | 多方法联合的航电系统故障诊断方法 |
CN105767122A (zh) * | 2016-03-18 | 2016-07-20 | 天津商业大学 | 一种超冰温贮藏虹鳟鱼的方法 |
CN105976049A (zh) * | 2016-04-28 | 2016-09-28 | 武汉宝钢华中贸易有限公司 | 基于混沌神经网络的库存预测模型及其构造方法 |
CN106228766A (zh) * | 2016-09-13 | 2016-12-14 | 国网山东省电力公司德州供电公司 | 变压器呼吸器显示预警系统 |
CN106485317A (zh) * | 2016-09-26 | 2017-03-08 | 上海新储集成电路有限公司 | 一种神经网络加速器以及神经网络模型的实现方法 |
CN108596212A (zh) * | 2018-03-29 | 2018-09-28 | 红河学院 | 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6678669B2 (en) * | 1996-02-09 | 2004-01-13 | Adeza Biomedical Corporation | Method for selecting medical and biochemical diagnostic tests using neural network-related applications |
-
2019
- 2019-01-24 CN CN201910067012.9A patent/CN109886306B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5467427A (en) * | 1991-11-13 | 1995-11-14 | Iowa State University Research Foundation | Memory capacity neural network |
CN101814158A (zh) * | 2009-02-20 | 2010-08-25 | 北京联合大学生物化学工程学院 | 基于人工神经网络的实验数据分析处理方法 |
US9015093B1 (en) * | 2010-10-26 | 2015-04-21 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
CN102749573A (zh) * | 2012-07-27 | 2012-10-24 | 重庆大学 | 基于小波包分析和Hopfield网络的模拟电路故障诊断方法 |
CN104238546A (zh) * | 2014-08-28 | 2014-12-24 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 基于混杂神经网络的直流主设备故障诊断方法 |
CN104915715A (zh) * | 2015-06-24 | 2015-09-16 | 南京航空航天大学 | 多方法联合的航电系统故障诊断方法 |
CN105767122A (zh) * | 2016-03-18 | 2016-07-20 | 天津商业大学 | 一种超冰温贮藏虹鳟鱼的方法 |
CN105976049A (zh) * | 2016-04-28 | 2016-09-28 | 武汉宝钢华中贸易有限公司 | 基于混沌神经网络的库存预测模型及其构造方法 |
CN106228766A (zh) * | 2016-09-13 | 2016-12-14 | 国网山东省电力公司德州供电公司 | 变压器呼吸器显示预警系统 |
CN106485317A (zh) * | 2016-09-26 | 2017-03-08 | 上海新储集成电路有限公司 | 一种神经网络加速器以及神经网络模型的实现方法 |
CN108596212A (zh) * | 2018-03-29 | 2018-09-28 | 红河学院 | 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109886306A (zh) | 2019-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Fault diagnosis for energy internet using correlation processing-based convolutional neural networks | |
CN110086168B (zh) | 一种基于多源数据融合的配电网运行拓扑辨识方法 | |
CN100367620C (zh) | 基于混成状态估计的电力网络拓扑错误辨识方法 | |
CN113486078A (zh) | 一种分布式配电网运行监控方法及系统 | |
CN112149554A (zh) | 故障分类模型的训练、故障检测方法及相关装置 | |
CN109886306B (zh) | 一种电网故障诊断数据清洗方法 | |
CN111060779B (zh) | 一种基于概率神经网络的电网分区故障诊断方法及系统 | |
Wang et al. | A hierarchical power grid fault diagnosis method using multi-source information | |
CN115062538B (zh) | 基于注意力机制和卷积nn的变换器故障诊断方法及系统 | |
CN112289329A (zh) | 一种基于gwo-kfcm的高压断路器故障诊断方法 | |
Tzafestas et al. | Fault diagnosis in complex systems using artificial neural networks | |
CN118040873B (zh) | 数据中心市电与备用柴油发电机组自动投退方法及系统 | |
CN110929835B (zh) | 一种新型碳化硅基航空功率变换器故障诊断方法及系统 | |
Bhuyan et al. | Convolutional neural network based fault detection for transmission line | |
CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
CN113052424A (zh) | 一种配电网的自动算法 | |
Bansal et al. | Automatic fault detection in a class of Wheatstone bridge-based transducer using ANNs in Verilog HDL | |
Wuming et al. | Analog circuit fault diagnosis based on RBF neural network optimized by PSO algorithm | |
CN113435575B (zh) | 基于不平衡数据的门图神经网络暂态稳定性评估方法 | |
CN115146827A (zh) | 一种考虑量测缺失的配电网在线优化方法 | |
JP3757722B2 (ja) | 多層ニューラルネットワークユニット数最適化方法及び装置 | |
Thanakodi et al. | Power plant fault detection using artificial neural network | |
Binu et al. | Multi-rider optimization-based neural network for fault isolation in analog circuits | |
Zhang et al. | Research on transformer fault diagnosis method based on rough set optimization BP neural network | |
Ahmed et al. | Efficient multiple lines outage detection in SmartGrid |
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 |