CN110348615A - 基于蚁群优化支持向量机的电缆线路故障概率预测方法 - Google Patents
基于蚁群优化支持向量机的电缆线路故障概率预测方法 Download PDFInfo
- Publication number
- CN110348615A CN110348615A CN201910567613.6A CN201910567613A CN110348615A CN 110348615 A CN110348615 A CN 110348615A CN 201910567613 A CN201910567613 A CN 201910567613A CN 110348615 A CN110348615 A CN 110348615A
- Authority
- CN
- China
- Prior art keywords
- ant
- probability
- cable
- line fault
- sample
- 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
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 238000013277 forecasting method Methods 0.000 title claims abstract description 14
- 230000006870 function Effects 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000007257 malfunction Effects 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 230000036541 health Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 230000007704 transition Effects 0.000 claims description 7
- 230000001012 protector Effects 0.000 claims description 6
- 241000257303 Hymenoptera Species 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 101100001676 Emericella variicolor andK gene Proteins 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 229940088597 hormone Drugs 0.000 claims 1
- 239000005556 hormone Substances 0.000 claims 1
- 230000004044 response Effects 0.000 claims 1
- 238000012502 risk assessment Methods 0.000 abstract description 7
- 238000011002 quantification Methods 0.000 abstract description 3
- 239000003016 pheromone Substances 0.000 description 10
- 230000008439 repair process Effects 0.000 description 5
- 230000005611 electricity Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Testing Relating To Insulation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开的基于蚁群优化支持向量机的电缆线路故障概率预测方法,采集电缆线路的数据作为样本数据,然后建立SVM模型,将采集的样本划分为两部分,一部分用于SVM模型学习,作为训练样本;一部分用于SVM模型进行测试,为测试样本;然后,使用训练样本,通过蚁群算法对SVM模型进行优化训练,寻找最佳的惩罚因子c和高斯核函数参数σ,得到最佳故障概率预测模型;最后,根据故障概率预测模型对测试样本进行预测。本发明公开的方法中使用蚁群算法对SVM的惩罚参数c和高斯核函数参数σ进行寻优,提高了电缆线路故障发生概率预测的正确率,促使电缆线路风险评估更加定量化、客观和准确。
Description
技术领域
本发明属于电缆线路在线监测技术领域,具体涉及一种基于蚁群优化支持向量机(ACO-SVM)的电缆线路故障概率预测方法。
背景技术
目前电缆线路状态检修主要是按照电缆线路状态量与阈值进行比较,状态检修策略则是按照人工打分的方法来决定,因此所执行的规范和导则相比较简单、粗糙。该方法主要的缺点是只考虑了电缆线路单个功能,缺乏电缆线路状态检修对电网运转构成的影响。
基于此,国网公司对有效地用于安排检修时间和检修项目的状态检修提出了更高层次的要求。电缆线路风险评估是电缆线路状态检最主要的一部分,风险评估就是综合考虑电缆线路资产损失、电缆线路资产及电缆线路故障发生概率3方面的要素综合得到的,电缆线路故障发生概率具有层次性、相关性、模糊性等特点。现在针对电缆线路风险评估的故障发生概率的计算大都采用《输变电设备风险评估导则》给出的固定公式计算得到,该方法的最大弊端是只能做到当前时刻故障发生概的计算,而不能做到提前预测。其次,该方法只是考虑了当前时刻的电缆线路各部件的健康值,没有综合考虑历史故障数据,因此得到的故障发生概率不够客观、准确。目前针对电缆线路故障发生概率研究采用的RBF等算法模型进行故障发生概率预测需要大量数据对算法模型进行训练,而电缆线路只有6个组件且电缆线路进行检修的周期较长,因此可以提供的数据样本(健康值)较少。
支持向量机方法依赖的数据样本较少,收敛速度快,能充分利用电缆线路的实时运行状态信息对故障发生概率进行测算,促使电缆线路风险评估更加定量化、客观和准确。因此,本发明引入蚁群优化支持向量机(ACO-SVM),利用状态评估得出电缆线路各组件的健康值,对当前得到的健康值结合历史健康值与故障概率之间的统计数据进行训练,以实现对电缆线路故障发生概率的预测。再采用蚁群算法对支持向量机的两个重要参数(惩罚参数c和高斯核函数参数σ)进行寻优,可提高电缆线路故障发生概率预测的准确率。
发明内容
本发明的目的是提供一种基于蚁群优化支持向量机的电缆线路故障概率预测方法,解决了现有研究方法存在需要采集大量数据样本,预测故障概率准确率不高的问题。
本发明所采用的技术方案是,基于蚁群优化支持向量机的电缆线路故障概率预测方法,具体过程包括如下步骤:
步骤1,采集电缆线路的电缆本体、线路终端、附属设施、中间接头、过电压保护器和线路通道的健康值作为样本数据;
步骤2,建立SVM模型,将采集的样本划分为两部分,一部分用于SVM模型学习,作为训练样本;一部分用于SVM模型进行测试,为测试样本;
步骤3,使用训练样本通过蚁群算法对SVM模型进行优化训练,寻找最佳的惩罚因子c和高斯核函数参数σ,得到最佳故障概率预测模型;
步骤4,根据故障概率预测模型对测试样本进行预测。
本发明的其他特点还在于,
优选的,步骤2的具体过程如下:
SVM对数据进行优化的具体目标函数表达式为:
约束条件为:
式中,ω为超平面法线,用来确定超平面方向;2/||ω||为两样本之间的最大间隔;ξ为非负松弛因子,表示划分样本时对误差大小的允许程度;b为超平面的常数项;c为惩罚参数,根据对精确度的要求确定对数据分类误差的容忍程度;
选用适用性最广的高斯径向基核函数,径向基核函数如式(3)所示:
K(x,xi)=exp(-||x-xi||2/2σ2) (3)
式中,x为训练样本集,xi为测试样本集,σ为高斯核函数参数;
SVM分类器的决策函数如式(4)所示:
(i=1,2,...,N)(4)
式中,αi≥0且K(x,xi)为径向基核函数,b为偏置。
优选的,步骤3中每只蚂蚁随机得到一组惩罚因子c与核函数参数σ,通过不断迭代,达到最大迭代次数后,输出最优的惩罚因子c与核函数参数σ,得到最佳故障概率预测模型。
优选的,步骤3的具体过程如下:
步骤3.1,将蚂蚁的数目设为ant Num,初始时,每只蚂蚁随机得到一组惩罚因子c与核函数参数σ;
步骤3.2,设定初始时间t=0,循环次数N=0,最大次数itertor Num,开始集Lpi中的外激素为τ[Lpi(j),t],则当量i=1,t时刻第k只蚂蚁向下一个节点j行走的概率如下:
将其保存到数组AK;
步骤3.3,令变量i=i+1,进行迭代,i<3时执行步骤3.2;否则,执行步骤3.4;
步骤3.4,数组AK保存蚂蚁k所有的路径,即获得CK和σK,执行交叉验证的误差率作为适应度,保存最优参数;
步骤3.5,令t=t+2,N=N+1,τ[LPi(j),t+2]=ρ[LPi(j),t]+Δτ[LPi(j)],AK所有元素清零,当N<itertor Num,若所有蚂蚁不在同一条路径,执行步骤3.2;若在同一路径,优化结束,输出最优参数(σ,c)。
优选的,步骤4中将电缆线路的电缆本体、线路终端、附属设施、中间接头、过电压保护器和线路通道的状态评价值CIi为作为最佳故障预测模型输入,输出则为健康值对应的电缆线路故障发生的概率,实现电缆线路故障概率预测。
本发明的有益效果是,基于蚁群优化支持向量机的电缆线路故障概率预测方法,基于电缆线路各组件健康值CIi,有效地利用支持向量机(SVM)方法依赖的数据样本较少、收敛速度快,能充分利用电缆线路的实时运行状态信息对故障率进行测算;再引入蚁群算法对SVM的两个重要参数(惩罚参数c和高斯核函数参数σ)进行寻优,使得预测电缆线路故障发生概率的正确率显著提高;基于蚁群优化支持向量机(ACO-SVM)的电缆线路故障发生概率预测方法,促使电缆线路风险评估更加定量化、客观和准确。
附图说明
图1是本发明的基于蚁群优化支持向量机的电缆线路故障概率预测方法中支持向量机算法模型的体系结构图;
图2是本发明的基于蚁群优化支持向量机的电缆线路故障概率预测方法中蚁群优化支持向量机流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明的基于蚁群优化支持向量机的电缆线路故障概率预测方法,具体过程包括如下步骤:
步骤1,采集电缆线路的电缆本体、线路终端、附属设施、中间接头、过电压保护器和线路通道的健康值作为样本数据;
步骤2,建立SVM模型,将采集的样本数据划分为两部分,一部分用于SVM模型学习,作为训练样本;一部分用于SVM模型进行测试,为测试样本;
步骤2的具体过程如下:
两类样本可以被分类面ω·x+b=0正确无误的分开,通过引入非负松弛因子来降低机器学习的风险。
SVM对数据进行优化的具体目标函数表达式为:
约束条件为:
式中,ω为超平面法线,用来确定超平面方向;2/||ω||为测试样本和训练样本之间的最大间隔;ξ为非负松弛因子,表示划分样本时对误差大小的允许程度;b为超平面的常数项;c为惩罚参数,根据对精确度的要求来确定对数据分类误差的容忍程度;
选用适用性最广的高斯径向基核函数,径向基核函数如式(3)所示:
K(x,xi)=exp(-||x-xi||2/2σ2) (3)
式中,x为训练样本集,xi为测试样本集,σ为高斯核函数参数;
SVM分类器的决策函数如式(4)所示:
(i=1,2,...,N) (4)
式中,αi≥0且K(x,xi)为径向基核函数,b为偏置。
步骤3,采用训练样本,通过蚁群算法对SVM模型进行优化训练,寻找最佳的惩罚因子c和高斯核函数参数σ,得到最佳故障概率预测模型;
SVM模型的体系结构如图1所示,本发明以20组电缆线路的6个组件(电缆本体、线路终端、附属设施、中间接头、过电压保护器和线路通道)的状态评价值(健康值)CIi为输入,以健康值对应的电缆线路故障发生概率为输出,对基于蚁群优化支持向量机(ACO-SVM)算法模型进行训练,再以10组电缆线路6个组件CIi测试该算法模型。
蚁群算法从模拟自然界蚂蚁的觅食行为受到启发提出来的,蚁群算法优化推进的过程就是信息素的更新以及蚂蚁对路径的筛选过程一般步骤如下:
(1)设置初始参数:迭代的总次数itertor Num,每次迭代蚂蚁的数目ant Num,信息素矩阵pheromone Ma-trix,信息素衰减的比例p,信息素增加的比例q。
(2)解空间的构建:将蚂蚁随机的分配到各个节点,对每个蚂蚁计算信息素浓度最高的节点,该节点为蚂蚁访问的路径,直到所有蚂蚁访问的所有路径。
(3)信息素浓度的更新:将所有的信息素浓度降低p%,记录当前迭代次数种的最优解(最短路径),并将该条路径的信息素浓度提高q%。
(4)程序终止判定:若没有达到迭代的最大次数,则迭代次数加一,所有蚂蚁经过的路径全部清空,执行步骤2。否则,计算结束,输出全局最优解。
步骤3中每只蚂蚁随机得到一组惩罚因子c与核函数参数σ,通过不断迭代,达到最大迭代次数后,输出最优的惩罚因子c与核函数参数σ,得到最佳故障概率预测模型;
如图2所示,步骤3的具体过程如下:
步骤3.1,将蚂蚁的数目设为ant Num,初始时,每只蚂蚁随机得到一组惩罚因子c与核函数参数σ;
步骤3.2,设定初始时间t=0,循环次数N=0,最大次数itertor Num,开始集Lpi中的外激素为τ[Lpi(j),t],则当量i=1,t时刻第k只蚂蚁向下一个节点j行走的概率如下:
将其保存到数组AK;
步骤3.3,令变量i=i+1,进行迭代,i<3时执行步骤3.2;否则,执行步骤3.4;
步骤3.4,数组AK保存蚂蚁k所有的路径,即获得CK和σK,执行交叉验证的误差率作为适应度,保存最优参数;
步骤3.5,令t=t+2,N=N+1,τ[LPi(j),t+2]=ρ[LPi(j),t]+Δτ[LPi(j)],AK所有元素清零,当N<itertor Num,若所有蚂蚁不在同一条路径,执行步骤3.2;若在同一路径,优化结束,输出最优参数(σ,c);
步骤4,根据故障概率预测模型对测试样本进行预测;
步骤4中将电缆线路的电缆本体、线路终端、附属设施、中间接头、过电压保护器和线路通道的状态评价值CIi为作为最佳故障概率预测模型输入,输出则为健康值对应的电缆线路故障发生的概率,实现电缆线路故障概率预测。
Claims (5)
1.基于蚁群优化支持向量机的电缆线路故障概率预测方法,其特征在于,具体过程包括如下步骤:
步骤1,采集电缆线路的电缆本体、线路终端、附属设施、中间接头、过电压保护器和线路通道的健康值作为样本数据;
步骤2,建立SVM模型,将采集的样本划分为两部分,一部分用于SVM模型学习,作为训练样本;一部分用于SVM模型进行测试,为测试样本;
步骤3,使用训练样本通过蚁群算法对SVM模型进行优化训练,寻找最佳的惩罚因子c和高斯核函数参数σ,得到最佳故障概率预测模型;
步骤4,根据故障概率预测模型对测试样本进行预测。
2.如权利要求1所述的基于蚁群优化支持向量机的电缆线路故障概率预测方法,其特征在于,所述步骤2的具体过程如下:
SVM对数据进行优化的具体目标函数表达式为:
约束条件为:
式中,ω为超平面法线,用来确定超平面方向;2/||ω||为两样本之间的最大间隔;ξ为非负松弛因子,表示划分样本时对误差大小的允许程度;b为超平面的常数项;c为惩罚参数,根据对精确度的要求来确定对数据分类误差的容忍程度;
选用适用性最广的高斯径向基核函数,径向基核函数如式(3)所示:
K(x,xi)=exp(-||x-xi||/2σ2) (3)
式中,x为训练样本集,xi为测试样本集,σ为高斯核函数参数;
SVM分类器的决策函数如式(4)所示:
式中,αi≥0且K(x,xi)为径向基核函数,b为偏置。
3.如权利要求1所述的基于蚁群优化支持向量机的电缆线路故障概率预测方法,其特征在于,所述步骤3中每只蚂蚁随机得到一组惩罚因子c与核函数参数σ,通过不断迭代,达到最大迭代次数后,输出最优的惩罚因子c与核函数参数σ,得到最佳故障概率预测模型。
4.如权利要求1所述的基于蚁群优化支持向量机的电缆线路故障概率预测方法,其特征在于,所述步骤3的具体过程如下:
步骤3.1,将蚂蚁的数目设为ant Num,初始时,每只蚂蚁随机得到一组惩罚因子c与核函数参数σ;
步骤3.2,设定初始时间t=0,循环次数N=0,最大次数itertor Num,开始集Lpi中的外激素为τ[Lpi(j),t],则当量i=1,t时刻第k只蚂蚁向下一个节点j行走的概率如下:
将其保存到数组AK;
步骤3.3,令变量i=i+1,进行迭代,i<3时执行步骤3.2;否则,执行步骤3.4;
步骤3.4,数组AK保存蚂蚁k所有的路径,即获得CK和σK,执行交叉验证的误差率作为适应度,保存最优参数;
步骤3.5,令t=t+2,N=N+1,τ[LPi(j),t+2]=ρ[LPi(j),t]+Δτ[LPi(j)],AK所有元素清零,当N<itertor Num,若所有蚂蚁不在同一条路径,执行步骤3.2;若在同一路径,优化结束,输出最优参数(σ,c)。
5.如权利要求1所述的基于蚁群优化支持向量机的电缆线路故障概率预测方法,其特征在于,所述步骤4中将电缆线路的电缆本体、线路终端、附属设施、中间接头、过电压保护器和线路通道的状态评价值CIi为作为最佳故障概率预测模型输入,输出则为健康值对应的电缆线路故障发生的概率,实现电缆线路故障概率预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910567613.6A CN110348615B (zh) | 2019-06-27 | 2019-06-27 | 基于蚁群优化支持向量机的电缆线路故障概率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910567613.6A CN110348615B (zh) | 2019-06-27 | 2019-06-27 | 基于蚁群优化支持向量机的电缆线路故障概率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110348615A true CN110348615A (zh) | 2019-10-18 |
CN110348615B CN110348615B (zh) | 2023-05-16 |
Family
ID=68176761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910567613.6A Active CN110348615B (zh) | 2019-06-27 | 2019-06-27 | 基于蚁群优化支持向量机的电缆线路故障概率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110348615B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929888A (zh) * | 2019-11-06 | 2020-03-27 | 南京财经大学 | 一种基于随机紧凑高斯核函数的粮食作物病害预测方法 |
CN111008438A (zh) * | 2019-12-02 | 2020-04-14 | 中国海洋石油集团有限公司 | 一种脐带缆多阶段系统可靠性分析方法和装置 |
CN112461546A (zh) * | 2020-10-27 | 2021-03-09 | 江苏大学 | 基于改进二叉树支持向量机的泵轴承故障诊断模型的构建方法及诊断方法 |
CN112883639A (zh) * | 2021-02-03 | 2021-06-01 | 国网浙江省电力有限公司宁波供电公司 | 一种基于机器学习的gis设备寿命预测装置及方法 |
CN112926815A (zh) * | 2019-12-06 | 2021-06-08 | 财团法人工业技术研究院 | 具风险评估的取样参数搜寻系统、方法与图案化用户接口 |
CN113050426A (zh) * | 2021-03-22 | 2021-06-29 | 山东大学 | 一种融合遗传蚁群算法的热管理控制方法及系统 |
CN114091903A (zh) * | 2021-11-22 | 2022-02-25 | 支付宝(杭州)信息技术有限公司 | 资损评估模型的训练方法及装置、资损评估方法及装置 |
CN114925938A (zh) * | 2022-07-18 | 2022-08-19 | 武汉格蓝若智能技术有限公司 | 一种基于自适应svm模型的电能表运行状态预测方法、装置 |
CN115099531A (zh) * | 2022-08-19 | 2022-09-23 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于支持向量机的输电线路雷击预警方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1428153A1 (en) * | 2001-09-05 | 2004-06-16 | Pavilion Technologies, Inc. | System and method for on-line training of a support vector machine |
CN101251579A (zh) * | 2008-03-05 | 2008-08-27 | 湖南大学 | 一种基于支持向量机的模拟电路故障诊断方法 |
CN104616090A (zh) * | 2014-11-19 | 2015-05-13 | 南昌大学 | 基于风险评估的电缆检修策略方法 |
CN104899690A (zh) * | 2015-06-08 | 2015-09-09 | 江苏省电力公司苏州供电公司 | 基于历史故障信息和运行状态的电力电缆运行维护方法 |
EP3035314A1 (en) * | 2014-12-18 | 2016-06-22 | Be-Mobile NV | A traffic data fusion system and the related method for providing a traffic state for a network of roads |
CN106845544A (zh) * | 2017-01-17 | 2017-06-13 | 西北农林科技大学 | 一种基于粒子群与支持向量机的小麦条锈病预测方法 |
CN107230003A (zh) * | 2017-06-27 | 2017-10-03 | 扬州贝斯特新能源科技有限公司 | 一种新能源发电系统的功率预测方法 |
CN107644127A (zh) * | 2017-09-08 | 2018-01-30 | 西安工程大学 | 基于imabc优化支持向量机的变压器故障诊断方法 |
CN207653735U (zh) * | 2017-12-25 | 2018-07-27 | 谢东 | 一种用于计算机方面的路由器存放盒 |
CN109767036A (zh) * | 2018-12-28 | 2019-05-17 | 北京航空航天大学 | 基于自适应蚁狮优化的支持向量机故障预测方法 |
-
2019
- 2019-06-27 CN CN201910567613.6A patent/CN110348615B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1428153A1 (en) * | 2001-09-05 | 2004-06-16 | Pavilion Technologies, Inc. | System and method for on-line training of a support vector machine |
CN101251579A (zh) * | 2008-03-05 | 2008-08-27 | 湖南大学 | 一种基于支持向量机的模拟电路故障诊断方法 |
CN104616090A (zh) * | 2014-11-19 | 2015-05-13 | 南昌大学 | 基于风险评估的电缆检修策略方法 |
EP3035314A1 (en) * | 2014-12-18 | 2016-06-22 | Be-Mobile NV | A traffic data fusion system and the related method for providing a traffic state for a network of roads |
CN104899690A (zh) * | 2015-06-08 | 2015-09-09 | 江苏省电力公司苏州供电公司 | 基于历史故障信息和运行状态的电力电缆运行维护方法 |
CN106845544A (zh) * | 2017-01-17 | 2017-06-13 | 西北农林科技大学 | 一种基于粒子群与支持向量机的小麦条锈病预测方法 |
CN107230003A (zh) * | 2017-06-27 | 2017-10-03 | 扬州贝斯特新能源科技有限公司 | 一种新能源发电系统的功率预测方法 |
CN107644127A (zh) * | 2017-09-08 | 2018-01-30 | 西安工程大学 | 基于imabc优化支持向量机的变压器故障诊断方法 |
CN207653735U (zh) * | 2017-12-25 | 2018-07-27 | 谢东 | 一种用于计算机方面的路由器存放盒 |
CN109767036A (zh) * | 2018-12-28 | 2019-05-17 | 北京航空航天大学 | 基于自适应蚁狮优化的支持向量机故障预测方法 |
Non-Patent Citations (2)
Title |
---|
陈柏元等: "一种基于GA-BP的高压混合输电线路故障分类方法", 《重庆理工大学(自然科学)》 * |
黄新波: "风电母线槽热故障状态在线监测系统", 《电力系统保护与控制》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929888A (zh) * | 2019-11-06 | 2020-03-27 | 南京财经大学 | 一种基于随机紧凑高斯核函数的粮食作物病害预测方法 |
CN111008438A (zh) * | 2019-12-02 | 2020-04-14 | 中国海洋石油集团有限公司 | 一种脐带缆多阶段系统可靠性分析方法和装置 |
CN112926815A (zh) * | 2019-12-06 | 2021-06-08 | 财团法人工业技术研究院 | 具风险评估的取样参数搜寻系统、方法与图案化用户接口 |
US11769081B2 (en) | 2019-12-06 | 2023-09-26 | Industrial Technology Research Institute | Optimum sampling search system and method with risk assessment, and graphical user interface |
CN112461546A (zh) * | 2020-10-27 | 2021-03-09 | 江苏大学 | 基于改进二叉树支持向量机的泵轴承故障诊断模型的构建方法及诊断方法 |
CN112883639A (zh) * | 2021-02-03 | 2021-06-01 | 国网浙江省电力有限公司宁波供电公司 | 一种基于机器学习的gis设备寿命预测装置及方法 |
CN113050426A (zh) * | 2021-03-22 | 2021-06-29 | 山东大学 | 一种融合遗传蚁群算法的热管理控制方法及系统 |
CN114091903A (zh) * | 2021-11-22 | 2022-02-25 | 支付宝(杭州)信息技术有限公司 | 资损评估模型的训练方法及装置、资损评估方法及装置 |
CN114925938A (zh) * | 2022-07-18 | 2022-08-19 | 武汉格蓝若智能技术有限公司 | 一种基于自适应svm模型的电能表运行状态预测方法、装置 |
CN114925938B (zh) * | 2022-07-18 | 2022-10-04 | 武汉格蓝若智能技术有限公司 | 一种基于自适应svm模型的电能表运行状态预测方法、装置 |
CN115099531A (zh) * | 2022-08-19 | 2022-09-23 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于支持向量机的输电线路雷击预警方法及系统 |
CN115099531B (zh) * | 2022-08-19 | 2023-01-31 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于支持向量机的输电线路雷击预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110348615B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348615A (zh) | 基于蚁群优化支持向量机的电缆线路故障概率预测方法 | |
Kaur et al. | Soft computing approaches for prediction of software maintenance effort | |
CN106021771A (zh) | 一种故障诊断方法及装置 | |
CN105677791B (zh) | 用于分析风力发电机组的运行数据的方法和系统 | |
CN109217296B (zh) | 一种基于加权潮流熵和电压稳定的电网关键节点辨识方法 | |
CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
CN110535159B (zh) | 一种规模化储能电站运行单元故障预警的方法及系统 | |
CN103778467A (zh) | 一种选择电力系统暂态稳定评估输入特征量的方法 | |
CN108053128A (zh) | 一种基于elm和tf的电网暂态稳定快速评估方法 | |
CN112884008B (zh) | 一种电力信息采集系统运行状态的预测评估方法及装置 | |
CN104598968A (zh) | 变压器故障诊断方法 | |
CN115358347B (zh) | 一种针对不同子系统下智能电表的剩余寿命预测方法 | |
CN109861206A (zh) | 一种基于支持向量机的暂态功角稳定故障筛选系统及方法 | |
CN110321940A (zh) | 飞行器遥测数据特征提取与分级分类方法及装置 | |
CN113486291B (zh) | 一种基于深度学习的石油钻机微电网故障预测方法 | |
CN106355510A (zh) | 一种电力系统安全性判定方法 | |
CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
CN114548493A (zh) | 一种电能表电流过载预测方法与系统 | |
CN108446202A (zh) | 一种机房设备的安全状况的判断方法 | |
CN112036718A (zh) | 一种考虑新能源不确定性的电力系统安全风险评估方法 | |
CN107067024A (zh) | 高压断路器机械状态识别方法 | |
CN110348489A (zh) | 一种基于自编码网络的变压器局部放电模式识别方法 | |
CN105678456A (zh) | 一种电能计量装置运行状态自动评估方法及其系统 | |
CN114091329A (zh) | 基于反距离插值和极限学习机的区域光伏发电量计算方法 | |
CN115687034A (zh) | 一种业务系统平面可用性判定方法和装置 |
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 |