CN110083951B - 一种基于变压器相关运行数据的固体绝缘寿命预测方法 - Google Patents
一种基于变压器相关运行数据的固体绝缘寿命预测方法 Download PDFInfo
- Publication number
- CN110083951B CN110083951B CN201910363966.4A CN201910363966A CN110083951B CN 110083951 B CN110083951 B CN 110083951B CN 201910363966 A CN201910363966 A CN 201910363966A CN 110083951 B CN110083951 B CN 110083951B
- Authority
- CN
- China
- Prior art keywords
- data
- transformer
- solid insulation
- value
- input
- 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
Images
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于变压器相关运行数据的固体绝缘寿命预测方法,该方法包括以下步骤:1)获取变压器固体绝缘寿命预测的相关数据进行存储;2)读取相关数据进行编号;3)对数据进行预处理;4)利用蒙特卡洛方法获取最为接近的分布模型;5)利用BP神经网络对数据进行训练,获取预测模型;6)BP神经网络进行网络初始化;7)采用蒙特卡洛方法,随机选取调节参数,并通过调节该参数的一个小量,实现对损失函数的更新;8)通过蒙特卡洛方法对固体绝缘寿命预测模型损失函数进行更新,最终获得行变压器固体绝缘的寿命预测;本发明避免了BP神经网络陷入局部最小值的困境,同时具有构造简单、训练灵活的优势,有效提高变压器固体绝缘评估的准确性。
Description
技术领域
本发明属于电力变压器固体绝缘寿命预测技术领域,具体涉及一种基于变压器相关运行数据的固体绝缘寿命预测方法。
背景技术
电力变压器是电力系统最重要的设备,其运行状况直接关系到系统的安全运行。随着电力变压器的老化及剩余寿命的减少,各种故障会随之产生。因此,对变压器的老化状况及剩余寿命的预测,可以有效预防变压器故障的产生,提高设备的使用寿命,保障电力系统的稳定性。
变压器的老化及剩余寿命主要取决于固体绝缘的老化。随着固体绝缘老化程度的加深,其绝缘的机械及电气强度会下降,降低变压器的运行可靠性,影响其剩余寿命。目前用于变压器的固体绝缘寿命评估与故障诊断方法有很多种,主要分为两大类油的化学电气检测和固体绝缘的结构及电气检测。人工神经网络算法作为广泛使用的智能算法,已经被用于固体绝缘的寿命预测,但它存在着精度不足、易陷入局部最优的问题。而本发明提到的基于蒙特卡洛的人工神经网络方法,通过建立油浸式变压器固体绝缘寿命预测的模型,利用油色谱、油中糠醛含量、油质试验等数据,利用蒙特卡洛方法对输入样本进行随机模拟,给出最为接近的分布模型,在学习训练中可以避免神经网络陷入局部最优,提高预测精度,展示更好性能,实现对变压器固体绝缘的寿命预测。
发明内容
本发明要解决的技术问题是:提供一种基于变压器相关运行数据的固体绝缘寿命预测方法,以解决现有技术中存在的问题。
本发明采取的技术方案为:一种基于变压器相关运行数据的固体绝缘寿命预测方法,该方法包括以下步骤:
步骤(1),获取变压器固体绝缘寿命预测的相关数据,并存储在数据库中,相关数据包括:油色谱主要气体含量、变压器油质试验各因素、油中CO和CO2浓度、油中糠醛浓度及已运行年限;
步骤(2),从数据库服务器中读取变压器固体绝缘寿命预测的相关数据,包括油中CO和CO2浓度、油中糠醛浓度及运行年限,并对各类数据进行编号;
步骤(3),对步骤(2)的相关数据进行预处理,预处理包括数据清洗、缺失值填补及去噪,对相关数据进行归一化处理,采用的归一化方法为最大最小值法;
步骤(4),利用蒙特卡洛方法,对数据输入样本进行随机模拟,获取最为接近的分布模型,实现神经网络训练的优化;
步骤(5),采用一个三层网络结构的BP神经网络对数据进行训练,获取预测模型,选取三层BP神经网络的隐藏层节点数为10;
步骤(6),对步骤(5)中BP神经网络进行网络初始化;
步骤(7),采用蒙特卡洛方法,随机选取调节参数,并通过调节该参数的一个小量ε,实现对损失函数的更新,以期获取网络训练的更优结果;
步骤(8),将步骤(3)所获取的数据用于神经网络训练,获取变压器固体绝缘寿命预测模型,通过蒙特卡洛方法对其损失函数进行更新,最终实现输入所需数据,进行变压器固体绝缘的寿命预测。
本发明的有益效果:与现有技术相比,本发明对实际运行数据进行数据处理,利用人工神经网络模型,通过优化损失函数值进行参数调整,同时采用蒙特卡洛方法,对输入样本进行随机模拟,获取最为接近的分布模型,采用基于蒙特卡洛的人工神经网络的方法,避免了BP神经网络陷入局部最小值的困境,同时具有构造简单、训练灵活的优势,建立了基于变压器相关运行数据的变压器固体绝缘寿命预测模型,并对变压器固体绝缘寿命进行预测,可以有效提高变压器固体绝缘评估的准确性,具有良好的应用前景。
附图说明
图1是神经网络算法模型图;
图2是BP神经网络算法流程图;
图3是基于蒙特卡洛的神经网络变压器固体绝缘剩余寿命预测方法流程图。
具体实施方式
下面结合附图及具体的实施例对本发明进行进一步介绍。
实施例:如图1-3所示,一种基于变压器相关运行数据的固体绝缘寿命预测方法,该方法包括以下步骤:
步骤(1),获取变压器固体绝缘寿命预测的相关数据,并存储在数据库中。数据项目包括:油色谱主要气体含量(包括氢气、甲烷、乙烷、乙烯、乙炔等)、变压器油质试验各因素(包括酸度、击穿电压、微水、介质损耗)、油中CO和CO2浓度、油中糠醛浓度及已运行年限等;
步骤(2),从数据库服务器中读取变压器固体绝缘寿命预测的相关信息,包括油中CO和CO2浓度、油中糠醛浓度及运行年限,并对各类数据进行编号。具体数据内容、数据类型及数据编号如表1。
表1数据信息
步骤(3),对步骤(2)所述数据进行预处理,预处理内容包括数据清洗、缺失值填补及去噪;为更好实现神经网络训练,对数据进行归一化处理,采用的归一化方法为最大最小值法。采取的最大最小值归一法如下:
设输入数据为xn,经归一化后所得数据为an,则有
其中,xi是第i项输入数据,ai为该项数据归一化后的数据,xmax是输入数据xi的最大值,xmin是输入数据xi的最小值;
步骤(4),利用蒙特卡洛方法,对数据输入样本进行随机模拟,获取最为接近的分布模型,实现神经网络训练的优化,其中蒙特卡洛方法定义如下:
蒙特卡洛方法,又称统计模拟方法。它是一种一概率统计理论为指导的数值计算方法,使用随机抽样或统计模拟来解决非确定性问题。原理是构建一种随机模拟模型,对目标分布进行重复抽样试验,通过大量次数的模拟,依据大数定理以及中心极限定理,获取有价值的实验结果;
步骤(5),采用一个三层网络结构的BP神经网络对数据进行训练,获取预测模型,其中人工神经网络定义如下:
人工神经网络是由大量处理单元互联组成的非线性、自适应信息处理系统,试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络,是指具有非线性传递函数神经元构成的,采用误差反向传播算法的前馈网络。它通常是由输入层、隐含层(可能不止一层)和输出层组织。在同一层间,每个单元之间不存在相互连接,而层与层之间大多采取全互联方式。层间的连接权值和节点的阈值通过学习来调节;
选取三层BP神经网络,隐藏层节点数为10。具体神经网络预测模型如图1所示;
BP神经网络算法将学习过程分为信息的正向传播和误差的反向传播两个阶段。其中:
(1)正向传播过程:输入信息x从输入层经由隐含层的逐层处理,传向输出层的过程。若输出层的实际输出与期望不符,则转入误差的反向传播;
(2)反向传播过程:运用链导数法则将连接权关于误差函数的导数沿原来的连接通路返回,通过修改各层的权值使得误差函数减小;
选取的三层人工神经网络,包括输入层、隐含层以及输出层,是一个典型的全连接人工神经网络,假设输入层节点数为i,隐含层节点数为j,输出层节点数为k。网络计算方式为:
其中:ωij是输入层节点i与隐含层节点j间权值,Oi是输入层节点i的输出值,bj为节点j处偏置量;
隐含层节点j经激活函数激活的输出值Oj:Oj=fs(βj netj);
其中:fs为激励函数,βj为激励函数系数;
其中:ωjk是隐含层节点j与输出层节点k间权值,fx为输出层函数;
反向传播过程:运用链导数法则将连接权关于误差函数的导数沿原来的连接通路返回,通过修改各层的权值使得误差函数减小;
我们将网络输入模式样本设为x={xi},期望输出为{tpk},实际输出为{Opk}。则均方误差函数Ep为:
对于全部的学习样本P,系统的均方误差值E为:
对系统均方误差值E进行计算,判断其是否满足不大于预设阈值δ或达到最大迭代次数。其中,预设阈值δ根据训练样本及实际训练结果确定。若满足要求(小于设定阈值),则输出预测结果,即使用寿命T';若不满足要求,则按照权值、阈值更新公式对权值、阈值进行更新;
步骤(6),对步骤(5)中BP神经网络进行网络初始化;
在确定网络结构后,需要进一步确定激活函数,完成对激励函数的选取。采取随机方式,对步骤(5)所列写几项参数进行调整,包括:ωij,ωjk,bj,βj;其中,通常对ωij采取随机数赋值、ωjk固定的方式进行调整,bj和βj在自身区间随机初始化。BP神经网络流程图如图2所示。
步骤(7),采用蒙特卡洛方法,随机选取ωij、bj、βj中所含参数,使其增加一个量ε(ε→0),同时保证不超出阈值范围,实现对损失函数的更新,以期获取网络训练的更优结果;
步骤(8),将步骤(3)所获取的数据A、B、C、T作为基于蒙特卡洛方法的神经网络算法的输入,用于神经网络训练,获取变压器固体绝缘寿命预测模型,可以通过蒙特卡洛方法对其损失函数进行更新,最终实现输入所需数据,进行变压器固体绝缘的寿命预测。其流程图如图3。
所获取预测结果y,为归一化数据计算预测后获取的结果,需对其进行还原,获得变压器固体绝缘使用寿命值T',还原公式为:
T'i=yi(xmax-xmin)+xmin
用预测获得的变压器固体绝缘使用寿命值T'减去已使用寿命值,即可获取预测的变压器剩余使用寿命。
本发明对实际运行数据进行数据处理,利用人工神经网络模型,通过优化损失函数值进行参数调整,同时采用蒙特卡洛方法,对输入样本进行随机模拟,获取最为接近的分布模型。本方法采用基于蒙特卡洛的人工神经网络的方法,避免了BP神经网络陷入局部最小值的困境,同时具有构造简单、训练灵活的优势,建立了基于变压器相关运行数据的变压器固体绝缘寿命预测模型,并对变压器固体绝缘寿命进行预测,可以有效提高变压器固体绝缘评估的准确性,具有良好的应用前景。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内,因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (1)
1.一种基于变压器相关运行数据的固体绝缘寿命预测方法,其特征在于:该方法包括以下步骤:
步骤(1),获取变压器固体绝缘寿命预测的相关数据,并存储在数据库中,相关数据包括:油色谱气体含量、变压器油质试验各因素、油中CO和CO2浓度、油中糠醛浓度及已运行年限;
步骤(2),从数据库服务器中读取变压器固体绝缘寿命预测的相关数据,包括油中CO和CO2浓度、油中糠醛浓度及运行年限,并对各类数据进行编号;
步骤(3),对步骤(2)的相关数据进行预处理,预处理包括数据清洗、缺失值填补及去噪,对相关数据进行归一化处理,采用的归一化方法为最大最小值法;
采取的最大最小值归一法如下:
设输入数据为xn,经归一化后所得数据为an,则有
其中,xi是第i项输入数据,ai为该项数据归一化后的数据,xmax是输入数据xi的最大值,xmin是输入数据xi的最小值;
步骤(4),利用蒙特卡洛方法,对数据输入样本进行随机模拟,获取最为接近的分布模型;
步骤(5),采用一个三层网络结构的BP神经网络对数据进行训练,获取预测模型,选取三层BP神经网络的隐藏层节点数为10;
选取的三层人工神经网络,包括输入层、隐含层以及输出层,是一个典型的全连接人工神经网络,假设输入层节点数为i,隐含层节点数为j,输出层节点数为k;网络计算方式为:
其中:ωij是输入层节点i与隐含层节点j间权值,Oi是输入层节点i的输出值,bj为节点j处偏置量;
隐含层节点j经激活函数激活的输出值Oj:Oj=fs(βj·netj);
其中:fs为激励函数,βj为激励函数系数;
其中:ωjk是隐含层节点j与输出层节点k间权值,fx为输出层函数;
将网络输入模式样本设为x={xi},期望输出为{tpk},实际输出为{Opk};则均方误差函数Ep为:
对于全部的学习样本P,系统的均方误差值E为:
对系统均方误差值E进行计算,判断其是否满足不大于预设阈值δ或达到最大迭代次数;其中,预设阈值δ根据训练样本及实际训练结果确定;若满足要求,则输出预测结果,即使用寿命T';若不满足要求,则按照权值、阈值更新公式对权值、阈值进行更新;
步骤(6),对步骤(5)中BP神经网络进行网络初始化:在确定网络结构后,需要进一步确定激活函数,完成对激励函数的选取;采取随机方式,对步骤(5)所列写几项参数进行调整,包括:ωij,ωjk,bj,βj;其中,对ωij采取随机数赋值、ωjk固定的方式进行调整,bj和βj在自身区间随机初始化;
步骤(7),采用蒙特卡洛方法,随机选取调节参数ωij、bj和βj,并通过调节该参数的一个小量ε,实现对损失函数的更新;
步骤(8),将步骤(3)所获取的数据用于神经网络训练,获取变压器固体绝缘寿命预测模型,通过蒙特卡洛方法对其损失函数进行更新,最终实现输入所需数据,进行变压器固体绝缘的寿命预测;
所获取预测结果y,为归一化数据计算预测后获取的结果,需对其进行还原,获得变压器固体绝缘使用寿命值T',还原公式为:
T'i=yi(xmax-xmin)+xmin
用预测获得的变压器固体绝缘使用寿命值T'减去已使用寿命值,即可获取预测的变压器剩余使用寿命。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910363966.4A CN110083951B (zh) | 2019-04-30 | 2019-04-30 | 一种基于变压器相关运行数据的固体绝缘寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910363966.4A CN110083951B (zh) | 2019-04-30 | 2019-04-30 | 一种基于变压器相关运行数据的固体绝缘寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110083951A CN110083951A (zh) | 2019-08-02 |
CN110083951B true CN110083951B (zh) | 2023-06-02 |
Family
ID=67418325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910363966.4A Active CN110083951B (zh) | 2019-04-30 | 2019-04-30 | 一种基于变压器相关运行数据的固体绝缘寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110083951B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126550B (zh) * | 2019-12-25 | 2023-07-28 | 武汉科技大学 | 基于蒙特卡洛方法的神经网络钢水温度预报方法 |
CN111060221A (zh) * | 2019-12-31 | 2020-04-24 | 云领电气智能科技(苏州)有限公司 | 基于循环神经网络的变压器过热故障预警方法 |
CN113011103B (zh) * | 2021-04-06 | 2022-05-03 | 南京机电职业技术学院 | 一种多维信息融合的电力变压器寿命预测模型 |
CN113507601B (zh) * | 2021-04-22 | 2024-03-29 | 广东睿住智能科技有限公司 | 智慧屏的压力测试方法和系统 |
CN114252807B (zh) * | 2021-12-24 | 2023-07-14 | 国网湖北省电力有限公司经济技术研究院 | 一种基于寿命差异化现象的变压器寿命预测方法 |
CN116316429B (zh) * | 2023-01-10 | 2023-12-19 | 广东电网有限责任公司佛山供电局 | 基于绝缘油在线监测的配电变压器继电保护方法及装置 |
CN116227171B (zh) * | 2023-02-08 | 2024-02-06 | 广东电网有限责任公司佛山供电局 | 一种油浸式变压器剩余寿命评估方法及装置 |
CN117574091A (zh) * | 2023-12-11 | 2024-02-20 | 西南交通大学 | 一种基于改进蚁群优化bp神经网络干式变压器剩余寿命的预测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010135781A1 (en) * | 2009-05-27 | 2010-12-02 | Immunaid Pty Ltd | Methods of treating diseases |
CN103245519A (zh) * | 2013-04-17 | 2013-08-14 | 华北电力大学 | 变压器油纸绝缘老化评估与寿命预测的装置及其预测方法 |
CN104700153A (zh) * | 2014-12-05 | 2015-06-10 | 江南大学 | 基于模拟退火优化BP神经网络的pH值预测方法 |
CN104732107A (zh) * | 2015-04-09 | 2015-06-24 | 沈阳工业大学 | 以介质参数为评估参量的变压器套管剩余寿命预测方法 |
JP2015166962A (ja) * | 2014-03-04 | 2015-09-24 | 日本電気株式会社 | 情報処理装置、学習方法、及び、プログラム |
CN107748934A (zh) * | 2017-10-26 | 2018-03-02 | 国网新疆电力公司经济技术研究院 | 基于改进bp神经网络算法的配网电采暖负荷预测方法 |
WO2018098598A1 (en) * | 2016-12-02 | 2018-06-07 | Stack Fintech Inc. | Digital banking platform and architecture |
CN108241964A (zh) * | 2017-11-23 | 2018-07-03 | 贵州电网有限责任公司铜仁供电局 | 基于bp人工神经网络模型算法的基建现场管控移动应用平台 |
CN109002942A (zh) * | 2018-09-28 | 2018-12-14 | 河南理工大学 | 一种基于随机神经网络的短期负荷预测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103558482B (zh) * | 2013-11-16 | 2016-04-13 | 沈阳工业大学 | 一种变压器套管剩余寿命检测方法 |
CN104502488B (zh) * | 2015-01-06 | 2016-02-03 | 国家电网公司 | 一种油浸式电力变压器绝缘老化程度评估的方法 |
CN106484996A (zh) * | 2016-10-11 | 2017-03-08 | 东南大学 | 一种高压断路器零件的可靠性分析及优化方法 |
CN107085152B (zh) * | 2017-04-13 | 2019-05-31 | 国网天津市电力公司 | 一种基于广义极值分布的变压器寿命概率评价方法 |
CN107229787B (zh) * | 2017-05-24 | 2021-05-04 | 南京航空航天大学 | 一种基于近似系数与深度学习的伽马能谱分析方法 |
CN108520325B (zh) * | 2018-04-16 | 2021-08-31 | 北京航空航天大学 | 一种基于多变环境下加速退化数据的集成寿命预测方法 |
-
2019
- 2019-04-30 CN CN201910363966.4A patent/CN110083951B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010135781A1 (en) * | 2009-05-27 | 2010-12-02 | Immunaid Pty Ltd | Methods of treating diseases |
EP2982978A1 (en) * | 2009-05-27 | 2016-02-10 | Immunaid Pty Ltd | Methods of treating diseases |
CN103245519A (zh) * | 2013-04-17 | 2013-08-14 | 华北电力大学 | 变压器油纸绝缘老化评估与寿命预测的装置及其预测方法 |
JP2015166962A (ja) * | 2014-03-04 | 2015-09-24 | 日本電気株式会社 | 情報処理装置、学習方法、及び、プログラム |
CN104700153A (zh) * | 2014-12-05 | 2015-06-10 | 江南大学 | 基于模拟退火优化BP神经网络的pH值预测方法 |
CN104732107A (zh) * | 2015-04-09 | 2015-06-24 | 沈阳工业大学 | 以介质参数为评估参量的变压器套管剩余寿命预测方法 |
WO2018098598A1 (en) * | 2016-12-02 | 2018-06-07 | Stack Fintech Inc. | Digital banking platform and architecture |
CN107748934A (zh) * | 2017-10-26 | 2018-03-02 | 国网新疆电力公司经济技术研究院 | 基于改进bp神经网络算法的配网电采暖负荷预测方法 |
CN108241964A (zh) * | 2017-11-23 | 2018-07-03 | 贵州电网有限责任公司铜仁供电局 | 基于bp人工神经网络模型算法的基建现场管控移动应用平台 |
CN109002942A (zh) * | 2018-09-28 | 2018-12-14 | 河南理工大学 | 一种基于随机神经网络的短期负荷预测方法 |
Non-Patent Citations (3)
Title |
---|
Step-stress accelerated life testing to predict service life for space vehicle electrical system;Li Wenting;《2016 IEEE Chinese Guidance, Navigation and Control Conference》;20160814;1120-1125 * |
基于随机模糊理论和改进马尔科夫法的变压器寿命评估;赵飞;《电力系统保护与控制》;20140728;39-44 * |
电子式电能表可靠性预测方法的研究;张俊玮;《电力大数据》;20180121;71-74 * |
Also Published As
Publication number | Publication date |
---|---|
CN110083951A (zh) | 2019-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110083951B (zh) | 一种基于变压器相关运行数据的固体绝缘寿命预测方法 | |
CN108596212B (zh) | 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 | |
CN110262233B (zh) | 一种磁控镀膜仪工艺参数的优化方法 | |
CN111784061B (zh) | 一种电网工程造价预测模型的训练方法、装置和设备 | |
CN110824915A (zh) | 基于ga-dbn网络的废水处理智能监控方法及系统 | |
CN112508243A (zh) | 电力信息系统多故障预测网络模型的训练方法及装置 | |
Abdalla et al. | Optimizing the multilayer feed-forward artificial neural networks architecture and training parameters using genetic algorithm | |
CN111931983A (zh) | 一种降水量预测方法及系统 | |
CN114707712A (zh) | 一种发电机组备件需求的预测方法 | |
CN112288147A (zh) | 一种BP-Adaboost强预测器预测发电机定子绝缘状态的方法 | |
Gao et al. | Mechanical fault diagnosis of an on‐load tap changer by applying cuckoo search algorithm‐based fuzzy weighted least squares support vector machine | |
CN109540089B (zh) | 一种基于贝叶斯-克里金模型的桥面高程拟合方法 | |
CN110967471A (zh) | 一种变压器油中溶解气体浓度预测方法 | |
CN117407675A (zh) | 基于多变量重构联合动态权重的避雷器泄漏电流预测方法 | |
Al‐Alawi et al. | An artificial neural network model for predicting gas pipeline induced voltage caused by power lines under fault conditions | |
CN112488282A (zh) | 一种预测气体浓度的方法、系统、设备及其存储介质 | |
CN117076887A (zh) | 一种泵站机组运行状态预测和健康评估方法及系统 | |
CN116756939A (zh) | 一种基于anova-iwoa-svm混合模型的变压器故障诊断方法 | |
CN115389743A (zh) | 一种变压器油中溶解气体含量区间预测方法、介质及系统 | |
CN112329335B (zh) | 一种变压器油中溶解气体含量的长期预测方法 | |
CN115659851A (zh) | 一种电缆终端头的温升评价方法及装置 | |
CN115689358A (zh) | 一种基于数据降维的配电网状态估计方法及相关装置 | |
CN114966224A (zh) | 基于改进神经网络的模块化多电平变换器电容监测方法 | |
CN115345343A (zh) | 一种供水管网浊度的预测方法及预测装置 | |
Barbosa et al. | Estimation of the Pollution Critical Level on the Surface of Glass Insulators Based on Leakage Current |
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 |