CN110232240A - 一种改进的变压器顶层油温预测方法 - Google Patents
一种改进的变压器顶层油温预测方法 Download PDFInfo
- Publication number
- CN110232240A CN110232240A CN201910505448.1A CN201910505448A CN110232240A CN 110232240 A CN110232240 A CN 110232240A CN 201910505448 A CN201910505448 A CN 201910505448A CN 110232240 A CN110232240 A CN 110232240A
- Authority
- CN
- China
- Prior art keywords
- oil temperature
- transformer
- layer
- neural network
- weight
- 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
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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
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)
- Measuring Temperature Or Quantity Of Heat (AREA)
Abstract
本发明公开了一种改进的变压器顶层油温预测方法,该方法为:从数据库服务器中读入变压器顶层油温的相关影响因素数据进行归一化处理作为神经网络的输入数据;将顶层油温划分为三种状态,采用Apriori算法分析变压器顶层油温相关影响因素与变压器油温状态的相关项,得到置信度;通过置信度获取BP神经网络输入层与隐藏层之间的初始权值以及隐藏层与输出层之间的初始权值;计算并生成权值矩阵,将关联规则确定的权值作为初始权值,赋给神经网络;通过关联规则改进的神经网络对训练数据集进行训练获得预测模型。本发明采用关联规则Apriori算法Apriori算法可以有效发掘不同特征量的关联度与置信度,将其作为权重值应用到预测环节,提高变压器顶层油温检测的精度。
Description
技术领域
本发明涉及一种改进的变压器顶层油温预测方法,属于变压器顶层油温预测技术领域。
背景技术
变压器是电力系统中重要的组成器件,变压器的内部过热问题对于整个变压器的绝缘等方面会产生不可逆转的影响。变压器绕组过热是其内部过热的常见原因之一,由绕组过热导致,即所谓的铜耗,变压器内部过热可表现为顶层油温的上升,由于对绕组温度的直接测量有一定难度,可选择通过对油温的测量来表征绕组温度的变化。变压器油的热点温度如超过允许限值,不仅会影响变压器使用寿命,还将对变压器安全运行造成威胁。为了能保证连续安全运行,应当关注不同情况下变压器的油温。
IEEE C5791标准提出了变压器顶层油温温升模型,采用了一阶导数模型计算顶层油温对环境温度的温升,得到变压器的稳态温升,但该模型将环境条件简化,并未考虑不同变压器所处地区环境条件的差异性。麻省理工学院对上述模型进行了改进,加入了环境温度对油温的影响,建立了一种用于在线检测与诊断系统的变压器顶层油温预测模型。该模型经验证能够满足变压器顶层油温在线监测的要求。同时现在还有许多研究将更多相关因素加入到变压器顶层油温模型中。
发明内容
本发明要解决的技术问题是:提供一种改进的变压器顶层油温预测方法,以解决现有技术中存在的问题。
本发明采取的技术方案为:一种改进的变压器顶层油温预测方法,该方法包括以下步骤:
(1)从数据库服务器中读入变压器顶层油温的相关影响因素数据,相关影响因素数据包括变压器油温日平均值、变压器油温日平均值最大值、变压器油温日平均值最小值、变压器负荷有功功率平均值、环境温度日平均值、环境温度日最大值和环境温度日最小值;
(2)选择sigmoid函数作为神经网络的激励函数,并由此对步骤(1)的相关影响因素数据样本进行归一化处理,作为BP神经网络的输入数据;
(3)将顶层油温划分为三种状态,即正常状态、预警状态和报警状态,采用Apriori算法分析变压器顶层油温相关影响因素与变压器油温状态,得到置信度:
Apriori算法用于挖掘关联规则,通过在一个数据集中,找出各项特征量之间没有在数据中直接表现的关联关系,其使用一种逐层搜索的迭代方法,利用“K-1项集”搜索“K项集”,直到无法找到频繁“K+1项集”为止,对应的频繁K项集的集合即为算法的输出结果;
对变量X和Y计算置信度,即计算事务集中已经包含X的情况下,包含Y的百分比,置信度以ConfXY表示,反映了各类输入参量与变压器顶层油温状态的关联关系,计算公式为:
Freq(Xn)为Xn项集的出项频率,即包含项集的事务数,Freq(Xn∩Yn)为包含Xn项集与Yn项集同时出现的事务数;
(4)通过置信度ConfXY获取BP神经网络输入层与隐藏层之间的初始权值ωij以及隐藏层与输出层之间的初始权值ωjk,
初始权值计算公式为:
ωnm为n节点至m节点的初始权值,Confnm为Xn与Ym两变量间的置信度;
(5)计算并生成权值矩阵,将关联规则确定的权值作为初始权值,赋给BP神经网络;
(6)通过关联规则改进的BP神经网络对训练数据集进行训练,输入信息x,即归一化处理后的变压器顶层油温相关影响因素,从输入层经由隐藏层的逐层加权处理,传向输出层,若输出层的实际输出与期望不符,则转入误差的反向传播,反向传播过程则为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,直至误差满足要求,得到预测模型。
步骤(3)中,正常状态为油温≤85℃、预警状态为85℃≤油温≤95℃和报警状态为95℃≤油温。
本发明的有益效果:与现有技术相比,本发明考虑到变压器顶层油温与各特征量的关联度以及各特征量之间的关联度,并且由于使用BP神经网络时初始权值为随机给定,导致算法收敛速度较慢等问题,需要对初始权值的选定进行优化,采用关联规则Apriori算法通过挖掘特征量资料集合中的高频项,揭示其间关联的关联规则。Apriori算法可以有效发掘不同特征量的关联度与置信度,将其作为权重值应用到预测环节,提高变压器顶层油温检测的精度。
附图说明
图1为三层BP神经网络原理示例图。
图2为基于改进关联规则的BP神经网络变压器油温预测方法原理示例图。
图3为某变电站变压器油温数据使用改进的变压器顶层油温预测方法的油温预测结果。
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,一种改进的变压器顶层油温预测方法,该方法包括以下步骤:
(1)从数据库服务器中读入变压器顶层油温的相关影响因素数据,相关影响因素数据包括变压器油温日平均值、变压器油温日平均值最大值、变压器油温日平均值最小值、变压器负荷有功功率平均值、环境温度日平均值、环境温度日最大值和环境温度日最小值如下表所示;
表1变压器相关数据
数据类型 | 数据名称 |
变压器油温 | 日平均值,最大值,最小值 |
变压器负荷 | 有功功率日平均值 |
环境温度 | 日平均值,最大值,最小值 |
(2)选择sigmoid函数作为神经网络的激励函数,需限制神经网络的输入与输出在[0,1]区间内,因此对步骤(1)的上述三种相关影响因素数据样本进行归一化处理,公式如下:
其中,yi为对实际输入数据归一化后的神经网络输入值,xi为读入数据,xmax为读入数据的最大值,xmin为读入数据的最小值,归一化处理后数据作为BP神经网络的输入数据,确认输入层节点数i=7;将上述三种顶层温度状态作为神经网络的输出量,因此确认输出层节点数j=3;对于隐藏层节点数h的选取,常通过经验公式或进行确定,其中,α是1—10之间的常数,根据经验公式,确定隐藏层节点数h=5;
(3)根据标准DL/T 572-2010,将顶层油温划分为三种状态,即正常状态(油温≤85℃)、预警状态(85℃≤油温≤95℃)和报警状态(95℃≤油温),采用Apriori算法分析变压器顶层油温相关影响因素与变压器油温状态,得到置信度;Apriori算法用于挖掘关联规则,通过在一个数据集中,找出各项特征量之间没有在数据中直接表现的关联关系,其使用一种逐层搜索的迭代方法,利用“K-1项集”搜索“K项集”,直到无法找到频繁“K+1项集”为止,对应的频繁K项集的集合即为算法的输出结果;
根据关联规则确定BP神经网络初始权值。将变压器顶层油温影响因素记为X,变压器的顶层油温状态记为Y,即:
Xn={第n种顶层油温影响因素}
Ym={第m种顶层油温状态}
从每种油温状态中得到权重计算公式,即BP神经网络的初始权值计算公式;
其中SupXY为支持度,表示X与Y同时出现的概率;
(4),通过ConfXY获取BP神经网络输入层与隐藏层之间的初始权值ωij以及隐藏层与输出层之间的初始权值ωjk,由各类顶层油温影响因素异常情况对应温度状态类型获取的权重计算公式,即BP神经网络初始权值计算公式为:
其中:ωnm为第n类变压器顶层油温影响因素异常时变压器出现第m类变压器顶层油温状态的权重,并生成权重矩阵;Confnm是第n类变压器顶层油温影响因素异常时变压器出现第m类变压器顶层油温状态的置信度;
(5)将权值矩阵中各元素作为初始权值,使用BP神经网络对训练数据集进行训练。BP神经网络的学习过程由信息正向传播和误差反向传播两部分组成:
A.正向传播过程:输入信息x通过隐层的层处理从输入层传输到输出层,如果输出层的实际输出与期望不匹配,则进行误差的反向传播;
1)输入层:输入层的输入值常为对系统模型有关键影响的自变量,本实施例中选变压器顶层油温各影响因素的数据作为输入值:
输入值为[x1,x2,x3,x4,x5,x6,x7]
2)隐藏层:隐藏层进行信息处理,隐藏层在j节点的输入值netj为上一层各节点输出值的加权和(Oj),即:
其中ωij为第i个输入节点至第j个神经元的连接权重,权重矩阵为:
隐藏层节点j处的输出值Oj为:
Oj=fs(netj)
其中,fs称为激励函数,用于定义神经元如何根据其他神经元的活动来改变自己的激励值,此处选择sigmoid函数为本专利中的激励函数;
3)输出层:输出层的输入值是
输出值是
Ok=fx(netk)
输出值即为模型所预测的油温值;
B.反向传播过程:应用链式导数定律,沿原连接路径返回连接权值对误差函数的导数,通过修改各层权值,减小误差函数;
将示例网络输入,即变压器顶层油温相关影响因素数据设置为x=xi,并将样本k对节点j的预期输出,即实际顶层油温设置为tpk,节点j对样本k的实际计算输出设置为Opk,均方误差函数为Ep:
对于所有的学习样本,系统的均方误差E为:
当网络输出层的所有输出节点均达到预期输出所要求的误差时,学习过程结束。否则,为达到算法学习的目的,提高学习算法的精度,需要通过误差函数不断调整网络的连接权值,输出层的权值调整公式为:
其中:为第l-1层节点i至节点j的连接权值,Δω为权值的修正量,η为学习率,0<η<1;
令即系统均方误差对输入的导数,则
对有
联立二式,可得
本实施例中采用Sigmoid函数作为激励函数,对其求导:
代入
计算出各隐藏层δ值,将所得δ代入隐藏层权重调整公示中,即可反向逐层推得各层的权重;
隐藏层权重调整公式为:
(6)通过关联规则改进的BP神经网络对训练数据集进行训练,输入信息x,即归一化处理后的变压器顶层油温相关影响因素数据,从输入层经由隐藏层的逐层加权处理,传向输出层,若输出层的实际输出与期望不符,则转入误差的反向传播,反向传播过程则为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,直至误差满足要求,得到预测模型;设定网络的训练次数为1000,训练目标为0.01,训练学习速率为0.1。经训练数据集训练后,对测试数据集进行变压器顶层油温预测的数据测试。直至输出值,即变压器顶层油温预测值与实际测量值之间的误差满足要求,即得到符合用户需求的变压器顶层油温的预测模型;
图3为使用本发明的方法的某变电站变压器油温预测结果,可以看到,油温预测结果符合预期,预测效果良好。
本发明专利可以和用户所需要的其他功能进行结合,如相关数据的采集存储功能、故障预警功能等等。
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 (2)
1.一种改进的变压器顶层油温预测方法,其特征在于:该方法包括以下步骤:
(1)从数据库服务器中读入变压器顶层油温的相关影响因素数据,相关影响因素数据包括变压器油温日平均值、变压器油温日平均值最大值、变压器油温日平均值最小值、变压器负荷有功功率平均值、环境温度日平均值、环境温度日最大值和环境温度日最小值;
(2)选择sigmoid函数作为神经网络的激励函数,并由此对步骤(1)的相关影响因素数据样本进行归一化处理,作为BP神经网络的输入数据;
(3)将顶层油温划分为三种状态,即正常状态、预警状态和报警状态,采用Apriori算法分析变压器顶层油温相关影响因素与变压器油温状态,得到置信度:
对变量X和Y计算置信度,即计算事务集中已经包含X项集的情况下,包含Y项集的百分比,置信度以ConfXY表示,计算公式为:
其中,Xn为第n种顶层油温影响因素,Ym为第m种顶层油温状态,Freq(Xn)为Xn项集的出项频率,即包含项集的事务数,Freq(Xn∩Yn)为包含Xn项集与Yn项集同时出现的事务数;
(4)通过置信度ConfXY获取BP神经网络输入层与隐藏层之间的初始权值ωij以及隐藏层与输出层之间的初始权值ωjk,
初始权值计算公式为:
其中:ωnm为第n类变压器顶层油温影响因素异常时变压器出现第m类变压器顶层油温状态的权重,并生成权重矩阵;Confnm是第n类变压器顶层油温影响因素异常时变压器出现第m类变压器顶层油温状态的置信度;
(5)计算并生成权值矩阵,将关联规则确定的权值作为初始权值,赋给BP神经网络;
(6)通过关联规则改进的BP神经网络对训练数据集进行训练,输入信息x,即归一化处理后的变压器顶层油温相关影响因素数据,从输入层经由隐藏层的逐层加权处理,传向输出层,若输出层的实际输出与期望不符,则转入误差的反向传播,反向传播过程则为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,直至误差满足要求,得到预测模型。
2.根据权利要求1所述的一种改进的变压器顶层油温预测方法,其特征在于:步骤(3)中,正常状态为油温≤85℃、预警状态为85℃≤油温≤95℃和报警状态为95℃≤油温。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910505448.1A CN110232240B (zh) | 2019-06-12 | 2019-06-12 | 一种改进的变压器顶层油温预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910505448.1A CN110232240B (zh) | 2019-06-12 | 2019-06-12 | 一种改进的变压器顶层油温预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110232240A true CN110232240A (zh) | 2019-09-13 |
CN110232240B CN110232240B (zh) | 2020-03-13 |
Family
ID=67859671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910505448.1A Active CN110232240B (zh) | 2019-06-12 | 2019-06-12 | 一种改进的变压器顶层油温预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110232240B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062170A (zh) * | 2019-12-03 | 2020-04-24 | 广东电网有限责任公司 | 一种变压器顶层油温预测方法 |
CN111579978A (zh) * | 2020-05-18 | 2020-08-25 | 刘柱华 | 一种基于人工智能技术实现继电器故障识别的系统及方法 |
CN111666711A (zh) * | 2020-05-12 | 2020-09-15 | 杭州安脉盛智能技术有限公司 | 一种基于多维信息的变压器顶层油温异常监测方法 |
CN111695288A (zh) * | 2020-05-06 | 2020-09-22 | 内蒙古电力(集团)有限责任公司电力调度控制分公司 | 一种基于Apriori-BP算法的变压器故障诊断方法 |
CN112115648A (zh) * | 2020-09-23 | 2020-12-22 | 贵州电网有限责任公司 | 一种基于改进深度学习方法的变压器顶层油温预测方法 |
CN112163377A (zh) * | 2020-10-13 | 2021-01-01 | 北京智芯微电子科技有限公司 | 变压器温度预警模型的获取方法和装置及温度预测方法 |
CN112541634A (zh) * | 2020-12-16 | 2021-03-23 | 国网江苏省电力有限公司检修分公司 | 一种顶层油温预测、误报火警判别方法、装置和存储介质 |
CN113640699A (zh) * | 2021-10-14 | 2021-11-12 | 南京国铁电气有限责任公司 | 微机控制型交直流电源系统故障判断方法、系统和设备 |
CN113705082A (zh) * | 2021-07-26 | 2021-11-26 | 南京邮电大学 | 一种基于改进bp神经网络的变压器热点温度预测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299057A (zh) * | 2014-10-17 | 2015-01-21 | 国家电网公司 | 基于多因素的油浸式变压器顶层油温预测方法 |
CN105550472A (zh) * | 2016-01-20 | 2016-05-04 | 国网上海市电力公司 | 一种基于神经网络的变压器绕组热点温度的预测方法 |
CN106055888A (zh) * | 2016-05-27 | 2016-10-26 | 国网上海市电力公司 | 基于误差预测修正的变压器顶层油温预测方法和装置 |
CN106126944A (zh) * | 2016-06-28 | 2016-11-16 | 山东大学 | 一种电力变压器顶层油温区间预测方法及系统 |
CN106327062A (zh) * | 2016-08-11 | 2017-01-11 | 中国南方电网有限责任公司电网技术研究中心 | 一种配电网设备的状态评估方法 |
CN106649479A (zh) * | 2016-09-29 | 2017-05-10 | 国网山东省电力公司电力科学研究院 | 一种基于概率图的变压器状态关联规则挖掘方法 |
CN107907778A (zh) * | 2017-10-31 | 2018-04-13 | 华北电力大学(保定) | 一种基于多特征参量的变压器综合故障诊断方法 |
CN108664682A (zh) * | 2017-11-30 | 2018-10-16 | 全球能源互联网研究院有限公司 | 一种变压器顶层油温的预测方法及其系统 |
CN109190314A (zh) * | 2018-10-30 | 2019-01-11 | 河海大学 | 基于Adam优化的神经网络的电力变压器顶层油温的预测方法 |
-
2019
- 2019-06-12 CN CN201910505448.1A patent/CN110232240B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299057A (zh) * | 2014-10-17 | 2015-01-21 | 国家电网公司 | 基于多因素的油浸式变压器顶层油温预测方法 |
CN105550472A (zh) * | 2016-01-20 | 2016-05-04 | 国网上海市电力公司 | 一种基于神经网络的变压器绕组热点温度的预测方法 |
CN106055888A (zh) * | 2016-05-27 | 2016-10-26 | 国网上海市电力公司 | 基于误差预测修正的变压器顶层油温预测方法和装置 |
CN106126944A (zh) * | 2016-06-28 | 2016-11-16 | 山东大学 | 一种电力变压器顶层油温区间预测方法及系统 |
CN106327062A (zh) * | 2016-08-11 | 2017-01-11 | 中国南方电网有限责任公司电网技术研究中心 | 一种配电网设备的状态评估方法 |
CN106649479A (zh) * | 2016-09-29 | 2017-05-10 | 国网山东省电力公司电力科学研究院 | 一种基于概率图的变压器状态关联规则挖掘方法 |
CN107907778A (zh) * | 2017-10-31 | 2018-04-13 | 华北电力大学(保定) | 一种基于多特征参量的变压器综合故障诊断方法 |
CN108664682A (zh) * | 2017-11-30 | 2018-10-16 | 全球能源互联网研究院有限公司 | 一种变压器顶层油温的预测方法及其系统 |
CN109190314A (zh) * | 2018-10-30 | 2019-01-11 | 河海大学 | 基于Adam优化的神经网络的电力变压器顶层油温的预测方法 |
Non-Patent Citations (4)
Title |
---|
QING HE 等: "Prediction of Top-Oil Temperature for Transformers Using Neural Networks", 《IEEE TRANSACTIONS ON POWER DELIVERY》 * |
刘浏: "基于RT-WAR算法的神经网络在隧道监控中的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
杨欢红 等: "基于热路和BP神经网络的变压器顶层油温预测研究", 《水电能源科学》 * |
谢龙君 等: "融合集对分析和关联规则的变压器故障诊断方法", 《中国电机工程学报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062170A (zh) * | 2019-12-03 | 2020-04-24 | 广东电网有限责任公司 | 一种变压器顶层油温预测方法 |
CN111695288A (zh) * | 2020-05-06 | 2020-09-22 | 内蒙古电力(集团)有限责任公司电力调度控制分公司 | 一种基于Apriori-BP算法的变压器故障诊断方法 |
CN111666711A (zh) * | 2020-05-12 | 2020-09-15 | 杭州安脉盛智能技术有限公司 | 一种基于多维信息的变压器顶层油温异常监测方法 |
CN111579978A (zh) * | 2020-05-18 | 2020-08-25 | 刘柱华 | 一种基于人工智能技术实现继电器故障识别的系统及方法 |
CN111579978B (zh) * | 2020-05-18 | 2024-01-02 | 珠海施诺电力科技有限公司 | 一种基于人工智能技术实现继电器故障识别的系统及方法 |
CN112115648B (zh) * | 2020-09-23 | 2023-12-01 | 贵州电网有限责任公司 | 一种基于改进深度学习方法的变压器顶层油温预测方法 |
CN112115648A (zh) * | 2020-09-23 | 2020-12-22 | 贵州电网有限责任公司 | 一种基于改进深度学习方法的变压器顶层油温预测方法 |
CN112163377A (zh) * | 2020-10-13 | 2021-01-01 | 北京智芯微电子科技有限公司 | 变压器温度预警模型的获取方法和装置及温度预测方法 |
CN112541634A (zh) * | 2020-12-16 | 2021-03-23 | 国网江苏省电力有限公司检修分公司 | 一种顶层油温预测、误报火警判别方法、装置和存储介质 |
CN112541634B (zh) * | 2020-12-16 | 2024-03-15 | 国网江苏省电力有限公司检修分公司 | 一种顶层油温预测、误报火警判别方法、装置和存储介质 |
CN113705082A (zh) * | 2021-07-26 | 2021-11-26 | 南京邮电大学 | 一种基于改进bp神经网络的变压器热点温度预测方法 |
CN113705082B (zh) * | 2021-07-26 | 2024-01-23 | 南京邮电大学 | 一种基于改进bp神经网络的变压器热点温度预测方法 |
CN113640699B (zh) * | 2021-10-14 | 2021-12-24 | 南京国铁电气有限责任公司 | 微机控制型交直流电源系统故障判断方法、系统和设备 |
CN113640699A (zh) * | 2021-10-14 | 2021-11-12 | 南京国铁电气有限责任公司 | 微机控制型交直流电源系统故障判断方法、系统和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110232240B (zh) | 2020-03-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232240A (zh) | 一种改进的变压器顶层油温预测方法 | |
Shao et al. | Nickel price forecast based on the LSTM neural network optimized by the improved PSO algorithm | |
CN109856969A (zh) | 一种基于bp神经网络模型的故障预测方法及预测系统 | |
Zhang et al. | Comparison of econometric models and artificial neural networks algorithms for the prediction of baltic dry index | |
Yan et al. | Transformer fault diagnosis based on BP‐Adaboost and PNN series connection | |
Mamun et al. | Artificial neural networks applied to long-term electricity demand forecasting | |
Sundararajan et al. | Regression and generalized additive model to enhance the performance of photovoltaic power ensemble predictors | |
CN116167527B (zh) | 纯数据驱动的电力系统静态安全运行风险在线评估方法 | |
Capuno et al. | Very Short‐Term Load Forecasting Using Hybrid Algebraic Prediction and Support Vector Regression | |
He et al. | A per‐unit curve rotated decoupling method for CNN‐TCN based day‐ahead load forecasting | |
CN110766320A (zh) | 一种机场智能电网运行安全评价方法及装置 | |
Cheng et al. | Power system transient stability assessment based on the multiple paralleled convolutional neural network and gated recurrent unit | |
Liu et al. | An Intelligent Fault Diagnosis Method for Transformer Based on IPSO‐gcForest | |
Ramos et al. | Identification and feature selection of non-technical losses for industrial consumers using the software weka | |
Rodrigues et al. | Machine learning PV system performance analyser | |
Gao et al. | Establishment of Economic Forecasting Model of High‐tech Industry Based on Genetic Optimization Neural Network | |
Schenkelberg et al. | Supervised machine learning for knowledge-based analysis of maintenance impact on profitability | |
Netisopakul et al. | AI-enhanced predictive maintenance in manufacturing processes | |
Tianjing et al. | Parallel deep reinforcement learning‐based power flow state adjustment considering static stability constraint | |
Zhang et al. | Market-Level Integrated Detection Against Cyber Attacks in Real-Time Market Operations By Self-Supervised Learning | |
Pasandidehpoor et al. | Predicting US Energy Consumption Utilizing Artificial Neural Network | |
Sayar et al. | Real-time prediction of electricity distribution network status using artificial neural network model: A case study in Salihli (Manisa, Turkey) | |
Arvanitidis et al. | Use of artificial neural networks for short term load forecasting | |
Olanrewaju et al. | Comparison of artificial intelligence techniques for energy consumption estimation | |
Panda et al. | Comparison of ANFIS and ANN techniques in fault classification and location in long transmission lines |
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 |