CN110210606A - 一种基于bp神经网络的输电线路泄漏电流预测方法、系统及存储介质 - Google Patents
一种基于bp神经网络的输电线路泄漏电流预测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN110210606A CN110210606A CN201910481430.2A CN201910481430A CN110210606A CN 110210606 A CN110210606 A CN 110210606A CN 201910481430 A CN201910481430 A CN 201910481430A CN 110210606 A CN110210606 A CN 110210606A
- Authority
- CN
- China
- Prior art keywords
- neural network
- leakage current
- transmission line
- time periods
- power transmission
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 32
- 230000005540 biological transmission Effects 0.000 title claims abstract description 28
- 230000005611 electricity Effects 0.000 title abstract 2
- 238000003062 neural network model Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 5
- 239000012212 insulator Substances 0.000 description 26
- 238000010586 diagram Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 7
- 229920006395 saturated elastomer Polymers 0.000 description 5
- 238000011109 contamination Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000009422 external insulation Methods 0.000 description 3
- 238000009413 insulation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于BP神经网络的输电线路泄漏电流预测方法、系统及存储介质,包括获取待预测线路当前环境的空气相对湿度、温差和是否存在降雨作为特征输入量,根据当前预测时间,将特征输入量输入至训练好的对应时间段BP神经网络模型,输出泄漏电流预测值。将不同线路得到的运行数据按照季度进行分类,并将其分别用于神经网络模型的训练过程,消除了预测过程中不同地区、不同季度污秽变化带来的影响。
Description
技术领域
本发明涉及输电线路泄漏电流预测技术领域,尤其涉及一种基于BP神经网络的输电线路泄漏电流预测方法、系统及存储介质。
背景技术
绝缘子表面积累的污秽在湿润条件下有可能会引发闪络,进而造成污闪事故的发生。由于污闪造成的事故重合闸成功率低,因而很容易造成系统失去稳定,进而造成大面积停电事故发生,对人民的生命财产安全造成重大影响。目前我国大气环境污染问题依然十分严峻,且随着输电线路电压等级的不断提高,污闪事故依然是维持输电系统安全稳定运行中不可忽视的问题。为了预防污闪事故的发生,需要对输电线路的绝缘状态做出准确的判断,进而在危害出现之前采取必要的措施。泄漏电流能够实现连续在线监测,且泄漏电流最大值与污闪电压之间具有一定的关系,利用泄漏电流便于连续在线监测的优点,可以通过泄漏电流折合得到表面电导率来表征绝缘子表面绝缘状况。
发明CN103135033A公开了一种无温差条件下绝缘子饱和受潮最大泄漏电流预测方法,主要基于人工污秽试验的研究结果,通过研究不同污秽程度的绝缘子在不同湿度条件下充分受潮之后的泄漏电流最大值,建立绝缘子泄漏电流与环境湿度及污秽程度之间的关系。在测得绝缘子在某一环境湿度和该湿度条件下泄漏电流最大值之后,利用线性插值的方法可以求得绝缘子在饱和受潮条件下的泄漏电流。可以供线路运行人员判断运行安全裕度,在可能出现污闪的时候给出污闪预警信息,提高线路运行安全性。
发明CN105137265A涉及一种绝缘子泄露电流预测方法,包括泄露电流测量系统、湿度测量系统和运行电压测量系统,建立以等效阻抗和相对湿度为输入、以饱和湿度下的等效阻抗为输出的神经网络模型,泄露电流测量系统、湿度测量系统和运行电压测量系统采集的初始数据作为神经网络的训练样本,将非饱和湿度下的泄漏电流值归算到饱和湿度下的泄漏电流值。该发明通过建立以等效阻抗和相对湿度为输入、以饱和湿度下的等效阻抗为输出的神经网络模型,研究潮湿度与泄露电流的关系,来预测绝缘子泄露电流。
发明CN103076548A公开了一种用表面电导率和泄漏电流预测闪络电压的方法,测量绝缘子表面电导率,以绝缘子表面电导率作为输入参数,结合绝缘子形状系数参数,建立动态电弧模型,计算泄漏电流发展趋势,得到绝缘子串的最低闪络电压,基于最低闪络电压判断该绝缘子的绝缘裕度及外绝缘水平。
发明CN107515362A公开了一种基于泄漏电流特性的绝缘子污秽度监测及预警方法,属于高电压绝缘子污秽度预测领域,首先由采集设备采集现场泄漏电流波形,根据信噪比选择去噪方式,以有效值50mA和150mA作为阈值划分安全区、预报区和危险区,利用泄漏电流有效值I、三次谐波和基波的幅值比K、高频能量与总能量之比α进行绝缘子重污状态下的监测预警,提取泄漏电流有效值的最大值I'emmax、泄漏电流有效值的均值I'em、泄漏电流有效值与均值的标准差σ'输入微机系统,进行安全区绝缘子污秽度的在线监测。
上述方法存在以下缺陷:
(1)已有的泄漏电流预测方法所测得的泄漏电流数值容易受到地区、环境等因素的影响,一方面使得测量试验常常不具备可重复性,另一方面由某一地区所测得的数据得到的结论在其他地区难以适用,参考性不佳。
(2)已有的泄漏电流预测方法对影响泄漏电流的因素考虑得较为单一,而影响输电线路漏电流的因素是多方面的,温度、湿度、气压等因素的改变都会使得泄漏电流产生较大变化。
发明内容
为解决现有技术中存在的问题,本发明提出一种基于BP神经网络的输电线路泄漏电流预测方法、系统及存储介质,提高输电线路泄漏电流预测的准确性。
本发明所采用的技术方案是:一种基于BP神经网络的输电线路泄漏电流预测方法,包括:获取待预测线路当前环境的空气相对湿度、温差和是否存在降雨作为特征输入量,根据当前预测时间,将特征输入量输入至训练好的对应时间段BP神经网络模型,输出泄漏电流预测值。
进一步的所述对应时间段BP神经网络模型的训练包括:
获取各时间段的训练样本:将同地区的各线路的历史数据根据时间段进行分类,得到多个时间段的历史数据;选取对应时间段的历史数据作为该地区的对应时间段BP神经网络模型的训练样本,所述各线路的历史数据包括各线路在历史环境下的空气相对湿度、温差和是否存在降雨;
分别将对应时间段的训练样本输入至对应时间段BP神经网络模型进行迭代训练,得到各训练好的对应时间段BP神经网络模型。
进一步的,所述空气相对湿度为监测周期内最大泄漏电流值所处时刻的前一个单位时间内的空气相对湿度取平均值;
所述温差为监测周期内的最大气温与最低气温之差;
在监测周期内,若存在降雨时,则取1作为特征输入量降雨的值,否则取0作为特征输入量降雨的值。
进一步的,所述将线路历史数据根据时间段进行分类为将线路数据按照12月-2月、3月-5月、6月-8月、9月-11月四个时间段进行分类。
进一步的,所述对应时间段BP神经网络模型包括输入层、若干隐藏层和输出层;
所述隐藏层之间的传递函数为:
其中x为输入信号,f(x)为输出信号。
进一步的,对应时间段BP神经网络模型进行迭代训练,采用拟牛顿算法进行训练。
本发明还公开了一种基于BP神经网络的输电线路泄漏电流预测系统,所述系统包括网络接口、存储器和处理器;其中,
所述网络接口,用于在与其他外部网元之间进行收发信息过程中,信号的接收和发送;
所述存储器,用于存储能够在所述处理器上运行的计算机程序指令;
所述处理器,用于在运行所述计算机程序指令时,执行所述的一种基于BP神经网络的输电线路泄漏电流预测方法的步骤。
本发明还公开了一种计算机存储介质,所述计算机存储介质存储有基于BP神经网络的输电线路泄漏电流预测方法的程序,所述基于BP神经网络的输电线路泄漏电流预测方法的程序被至少一个处理器执行时实现所述的一种基于BP神经网络的输电线路泄漏电流预测方法的步骤。
有益效果:本发明具有以下优点:
1)将不同线路得到的运行数据按照时间段进行分类,并将其分别用于神经网络模型的训练过程,消除了预测过程中不同地区、不同季度污秽变化带来的影响。
2)应用实际运行过程中得到的绝缘子表面泄漏电流值对神经网络模型进行了验证,结果表明,当泄漏电流值较大时,预测模型准确率很高;当泄漏电流值较小时,预测值与实际值之间会有一定偏差,但是该偏差并不会影响到对绝缘子外绝缘状况的判断,因而认定该神经网络模型是准确有效的。
附图说明
图1为本发明的BP神经网络预测模型;
图2为本发明的神经网络训练数据分类;
图3为本发明的预测流程图。
具体实施方式
下面结合附图和实施例进一步阐述本发明。
神经网络是一个高度复杂的非线性系统,能够用其进行许多因素和条件的、不精确和模糊的信息处理。其中神经网络模型应用最广泛的是BP神经网络模型,它能够在输入与输出之间建立起任意非线性映射关系。
实施例1:
本实施例的泄漏电流的预测模型基于BP神经网络构建的,所建立的预测模型结构如图1所示,该结构共有4层,分别为输入层,两个隐藏层以及输出层。
(a)输入层
本实施例将空气相对湿度、温差、降雨作为预测时的特征输入量。考虑到绝缘子表面污秽受潮需要一定的时间,因此在考虑空气相对湿度时,以一个小时为单位,将该一小时内的相对湿度取平均值。在利用神经网络进行泄漏电流值预测时,以一天为单位,对一天数据进行处理,找到一天之内最大泄漏电流值所处时刻,取该时刻前一个小时内的相对湿度作为神经网络的特征输入量。当该日存在降雨时,特征输入量降雨取值为1,没有降雨情况下取值为0。另外取一天内的最大气温与最低气温之差作为特征输入量温差的值。
根据输入变量的个数选取输入层的神经元个数为3层。
(b)输出层
考虑到本实施例是对泄漏电流进行预测,因而只需选取泄漏电流值作为输出即可,所以输出层神经元只有一个。输出层的传递函数为线性传递函数。
(c)隐藏层
隐藏层的设置对于BP神经网络来说十分重要,当隐藏层神经元选取过少时,会导致连接权组合数不够,进而导致神经网络的性能较差。当隐藏层神经元数选取过多时,会导致系统容易出现过度拟合的现象。
本实施例通过多次试验比较结果,确定了隐藏层个数为2个,第一隐藏层神经元个数为5个,第二隐藏层神经元个数为6个。
隐藏层之间的传递函数为:
其中x为输入信号,f(x)为输出信号。
BP神经网络的训练过程就是不断对各神经元之间权值调整的过程,该过程直接关系到泄漏电流的预测精度。
本实施例采取的训练算法为拟牛顿算法。选取的最大训练次数为2000次,学习率为0.05,目标精度为0.00001,最大失败次数为5次。
综合泄漏电流影响因素分析可以看到,不同地区泄漏电流值一般存在差异,也就是不同地区绝缘子表面积污程度存在差异。同一地区,在不同时间段内的泄漏电流值也存在不同,一般在夏、冬两季泄漏电流值较大。某些重大节日也可能在线路上造成污秽的快速积累。因而在利用历史数据进行泄漏电流值预测时,将不同线路数据分开,同时将同一线路数据按照季度进行分类,即将数据按照12月-2月、3月-5月、6月-8月、9月-11月这四个时间段进行分类。具体示意图如图2所示。同一地区的线路数据可采用相同的神经网络模型。
在进行预测时,以同一线路对应季度的数据对神经网络模型进行训练,并以此模型对未来年份该季度的泄漏电流进行预测,即可消除泄漏电流预测时不同地区、不同时间段内污秽变化带来的影响。
通过对训练数据的分类,可以消除不同地区污秽随时间变化带来的影响。此时,为了实现对全年泄漏电流值进行预测,则需要根据分类后的训练数据得到四个BP神经网络模型。根据气象预报,在有了相对湿度、温差、降雨这三个输入特征量的预测值之后,选取对应季度的BP神经网络模型,即可对泄漏电流值进行预测。在得到新的绝缘子表面泄漏电流运行数据之后,可以对BP神经网络模型进行再次训练,以增加模型的准确性。过程如图3所示。
应用实际运行过程中得到的绝缘子表面泄漏电流值对神经网络模型进行了验证,结果表明,当泄漏电流值较大时,预测模型准确率很高;当泄漏电流值较小时,预测值与实际值之间会有一定偏差,但是该偏差并不会影响到对绝缘子外绝缘状况的判断,因而认定该神经网络模型是准确有效的。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (8)
1.一种基于BP神经网络的输电线路泄漏电流预测方法,其特征在于:包括
获取待预测线路当前环境的空气相对湿度、温差和是否存在降雨作为特征输入量,根据当前预测时间,将特征输入量输入至训练好的对应时间段BP神经网络模型,输出泄漏电流预测值。
2.根据权利要求1所述的一种基于BP神经网络的输电线路泄漏电流预测方法,其特征在于:所述对应时间段BP神经网络模型的训练包括:
获取各时间段的训练样本:将同地区的各线路的历史数据根据时间段进行分类,得到多个时间段的历史数据;选取对应时间段的历史数据作为该地区的对应时间段BP神经网络模型的训练样本,所述各线路的历史数据包括各线路在历史环境下的空气相对湿度、温差和是否存在降雨;
分别将对应时间段的训练样本输入至对应时间段BP神经网络模型进行迭代训练,得到各训练好的对应时间段BP神经网络模型。
3.根据权利要求2所述的一种基于BP神经网络的输电线路泄漏电流预测方法,其特征在于:
所述空气相对湿度为监测周期内最大泄漏电流值所处时刻的前一个单位时间内的空气相对湿度取平均值;
所述温差为监测周期内的最大气温与最低气温之差;
在监测周期内,若存在降雨时,则取1作为特征输入量降雨的值,否则取0作为特征输入量降雨的值。
4.根据权利要求1所述的一种基于BP神经网络的输电线路泄漏电流预测方法,其特征在于:所述将线路历史数据根据时间段进行分类为将线路数据按照12月-2月、3月-5月、6月-8月、9月-11月四个时间段进行分类。
5.根据权利要求1所述的一种基于BP神经网络的输电线路泄漏电流预测方法,其特征在于:所述对应时间段BP神经网络模型包括输入层、若干隐藏层和输出层;
所述隐藏层之间的传递函数为:
其中x为输入信号,f(x)为输出信号。
6.根据权利要求2所述的一种基于BP神经网络的输电线路泄漏电流预测方法,其特征在于:对应时间段BP神经网络模型进行迭代训练,采用拟牛顿算法进行训练。
7.一种基于BP神经网络的输电线路泄漏电流预测系统,其特征在于,所述系统包括网络接口、存储器和处理器;其中,
所述网络接口,用于在与其他外部网元之间进行收发信息过程中,信号的接收和发送;
所述存储器,用于存储能够在所述处理器上运行的计算机程序指令;
所述处理器,用于在运行所述计算机程序指令时,执行权利要求1至6任一项所述的一种基于BP神经网络的输电线路泄漏电流预测方法的步骤。
8.一种计算机存储介质,其特征在于,所述计算机存储介质存储有基于BP神经网络的输电线路泄漏电流预测方法的程序,所述基于BP神经网络的输电线路泄漏电流预测方法的程序被至少一个处理器执行时实现权利要求1至6任一项所述的一种基于BP神经网络的输电线路泄漏电流预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910481430.2A CN110210606A (zh) | 2019-06-04 | 2019-06-04 | 一种基于bp神经网络的输电线路泄漏电流预测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910481430.2A CN110210606A (zh) | 2019-06-04 | 2019-06-04 | 一种基于bp神经网络的输电线路泄漏电流预测方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110210606A true CN110210606A (zh) | 2019-09-06 |
Family
ID=67790567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910481430.2A Pending CN110210606A (zh) | 2019-06-04 | 2019-06-04 | 一种基于bp神经网络的输电线路泄漏电流预测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110210606A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111127816A (zh) * | 2019-12-27 | 2020-05-08 | 江苏昂内斯电力科技股份有限公司 | 电气火灾联网监测预警、报警及应急控制系统、方法 |
CN111141996A (zh) * | 2019-11-22 | 2020-05-12 | 国网江苏省电力有限公司电力科学研究院 | 一种基于广义极值理论的瓷绝缘子红外检测阈值优化方法、系统及存储介质 |
CN112557946A (zh) * | 2020-11-20 | 2021-03-26 | 台州学院 | 一种基于数字滤波与人工神经网络的低压spd智能在线检测装置 |
CN114021297A (zh) * | 2021-11-18 | 2022-02-08 | 吉林建筑科技学院 | 基于回声状态网络的复杂管网泄漏定位方法 |
CN115640918A (zh) * | 2022-12-26 | 2023-01-24 | 电子科技大学中山学院 | 电缆温度异常预测方法、装置、介质及设备 |
CN116401961A (zh) * | 2023-06-06 | 2023-07-07 | 广东电网有限责任公司梅州供电局 | 绝缘子污秽等级的确定方法、装置、设备及存储介质 |
CN116643205A (zh) * | 2023-05-24 | 2023-08-25 | 湖南城市学院 | 一种输电电路的漏电流检测方法、系统及介质 |
CN117195083A (zh) * | 2023-11-08 | 2023-12-08 | 福建南方路面机械股份有限公司 | 基于电流曲线的坍落度预测方法、装置及可读介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105137265A (zh) * | 2015-08-26 | 2015-12-09 | 芜湖市凯鑫避雷器有限责任公司 | 绝缘子泄露电流预测方法 |
CN112394266A (zh) * | 2020-11-23 | 2021-02-23 | 国家电网有限公司 | 一种基于神经网络的输电线路绝缘子污秽等级判定方法 |
-
2019
- 2019-06-04 CN CN201910481430.2A patent/CN110210606A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105137265A (zh) * | 2015-08-26 | 2015-12-09 | 芜湖市凯鑫避雷器有限责任公司 | 绝缘子泄露电流预测方法 |
CN112394266A (zh) * | 2020-11-23 | 2021-02-23 | 国家电网有限公司 | 一种基于神经网络的输电线路绝缘子污秽等级判定方法 |
Non-Patent Citations (1)
Title |
---|
SONG GAO等: "Prediction method of leakage current of insulators on the transmission line based on BP neural network", 《IEEE XPLORE》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111141996A (zh) * | 2019-11-22 | 2020-05-12 | 国网江苏省电力有限公司电力科学研究院 | 一种基于广义极值理论的瓷绝缘子红外检测阈值优化方法、系统及存储介质 |
CN111141996B (zh) * | 2019-11-22 | 2022-06-14 | 国网江苏省电力有限公司电力科学研究院 | 一种基于广义极值理论的瓷绝缘子红外检测阈值优化方法、系统及存储介质 |
CN111127816B (zh) * | 2019-12-27 | 2021-09-28 | 江苏昂内斯电力科技股份有限公司 | 电气火灾联网监测预警、报警及应急控制系统、方法 |
CN111127816A (zh) * | 2019-12-27 | 2020-05-08 | 江苏昂内斯电力科技股份有限公司 | 电气火灾联网监测预警、报警及应急控制系统、方法 |
CN112557946A (zh) * | 2020-11-20 | 2021-03-26 | 台州学院 | 一种基于数字滤波与人工神经网络的低压spd智能在线检测装置 |
CN114021297B (zh) * | 2021-11-18 | 2023-12-01 | 吉林建筑科技学院 | 基于回声状态网络的复杂管网泄漏定位方法 |
CN114021297A (zh) * | 2021-11-18 | 2022-02-08 | 吉林建筑科技学院 | 基于回声状态网络的复杂管网泄漏定位方法 |
CN115640918A (zh) * | 2022-12-26 | 2023-01-24 | 电子科技大学中山学院 | 电缆温度异常预测方法、装置、介质及设备 |
CN116643205A (zh) * | 2023-05-24 | 2023-08-25 | 湖南城市学院 | 一种输电电路的漏电流检测方法、系统及介质 |
CN116643205B (zh) * | 2023-05-24 | 2023-12-01 | 湖南城市学院 | 一种输电电路的漏电流检测方法、系统及介质 |
CN116401961B (zh) * | 2023-06-06 | 2023-09-08 | 广东电网有限责任公司梅州供电局 | 绝缘子污秽等级的确定方法、装置、设备及存储介质 |
CN116401961A (zh) * | 2023-06-06 | 2023-07-07 | 广东电网有限责任公司梅州供电局 | 绝缘子污秽等级的确定方法、装置、设备及存储介质 |
CN117195083A (zh) * | 2023-11-08 | 2023-12-08 | 福建南方路面机械股份有限公司 | 基于电流曲线的坍落度预测方法、装置及可读介质 |
CN117195083B (zh) * | 2023-11-08 | 2024-03-12 | 福建南方路面机械股份有限公司 | 基于电流曲线的坍落度预测方法、装置及可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110210606A (zh) | 一种基于bp神经网络的输电线路泄漏电流预测方法、系统及存储介质 | |
CN108429254B (zh) | 一种非侵入式用电负荷识别方法 | |
CN110082640B (zh) | 一种基于长短时记忆网络的配网单相接地故障辨识方法 | |
Xu et al. | Real-time transient stability assessment model using extreme learning machine | |
CN111222698A (zh) | 面向物联网的基于长短时记忆网络的积水水位预测方法 | |
CN104318347A (zh) | 一种基于多传感器信息融合的输电线路覆冰状态评估方法 | |
CN107274067B (zh) | 一种配电变压器过载风险评估方法 | |
CN111401657B (zh) | 一种基于支持向量回归算法的变压器热点温度时序预测方法 | |
CN107808105A (zh) | 一种智能电网中基于预测的虚假数据检测方法 | |
CN108133225A (zh) | 一种基于支持向量机的覆冰闪络故障预警方法 | |
CN112149873A (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN107103184A (zh) | 一种高压电缆接头温度预测方法 | |
CN112149877B (zh) | 多元复杂城市电网多源数据驱动的故障预测方法及其系统 | |
CN115220133B (zh) | 一种多气象要素降雨预测方法、装置、设备及存储介质 | |
CN115760484A (zh) | 一种配电台区隐患辨识能力提升方法、装置、系统及存储介质 | |
CN105719094A (zh) | 一种输电设备状态评估方法 | |
CN114252103B (zh) | 融合电站运行故障预测方法 | |
CN114580829A (zh) | 基于随机森林算法的用电安全感知方法、设备及介质 | |
CN111680712B (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
CN104502410A (zh) | 最小二乘支持向量机与遗传算法的绝缘子等值盐密及灰度预测方法 | |
CN113295700A (zh) | 一种基于物联网的输电线路外绝缘状态监测方法及系统 | |
CN108764550A (zh) | 基于输电线路信息数据的雷电预警方法及系统 | |
CN113689053B (zh) | 一种基于随机森林的强对流天气架空线停电预测方法 | |
CN104732107B (zh) | 以介质参数为评估参量的变压器套管剩余寿命预测方法 | |
CN117409529B (zh) | 一种多场景电气火灾在线监测方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190906 |
|
RJ01 | Rejection of invention patent application after publication |