CN111046581A - 一种输电线路故障类型识别方法及系统 - Google Patents
一种输电线路故障类型识别方法及系统 Download PDFInfo
- Publication number
- CN111046581A CN111046581A CN201911373921.1A CN201911373921A CN111046581A CN 111046581 A CN111046581 A CN 111046581A CN 201911373921 A CN201911373921 A CN 201911373921A CN 111046581 A CN111046581 A CN 111046581A
- Authority
- CN
- China
- Prior art keywords
- fault
- transmission line
- training
- model
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种输电线路故障类型识别方法和系统,利用输电线路故障仿真模型生成目标线路各类型的故障时序数据,对故障时序数据进行处理,产生面向卷积神经网络CNN的目标域数据样本;利用目标域数据样本对预训练模型进行卷积核迁移训练,形成目标域模型;采用目标域模型对目标线路的故障类型进行识别。本方法能够实现利用少量数据对深度模型进行迁移,生成适用于目标线路的深度学习模型,避免了针对各个线路单独训练深度学习模型,提高了深度学习模型的泛化能力。
Description
技术领域
本发明涉及一种输电线路故障类型识别方法,属于电力系统保护领域。
背景技术
故障类型识别作为电力系统故障诊断的重要环节,传统故障类型识别方法主要基于故障时的电气量,分为暂态量选相、稳态量选相或两者相结合选相三种。基于电气量的选相方法实现较为简单,但容易受负荷电流、系统运行方式、故障位置、过渡电阻及故障相角等因素限制其有效性,且不同类型的故障需要使用不同类型的选相元件。
电网数据采集系统和故障信息系统的建立,可以提供故障期间的事件信息和录波数据,为人工智能算法的应用奠定了数据基础。相关研究者已提出将传统人工智能算法应用到故障类型识别,然而传统浅层学习算法均包含特征参数提取环节和分类识别环节两部分,其识别效果很大程度上依赖人工设计的特征参数提取环节,特征参数选择的优劣会直接影响整个模型的识别效果。深度学习不依赖于人工设计特征提取环节,通过海量数据训练,构建深层神经网络,自动提取输入数据特征并进行归纳分类,在故障类型识别方面具有巨大应用潜力。目前,已有部分国内外学者将深度学习应用到输电线路的故障类型识别。然而,深度学习模型构建过程需要海量训练数据,面临数据量不足或数据缺失等问题,且训练出的模型只适用于特定线路,难以针对每条输电线路构建特定的深度学习模型。
发明内容
本发明所要解决的技术问题:
当输电线路发生故障时,线路两端的电压、电流等电气量会发生相应变化,当前的故障类型识别方法主要基于单个电气量的变化特征对故障类型进行判别,由于过渡电阻、电源强弱和故障类型的影响会影响判别灵敏度或正确率。基于深度学习的输电线路故障类型识别方法可以综合各电气量的变化特征对输电线路的故障类型进行判别,但单个模型需要大量完整带标签的训练数据,且训练成功的模型仅能用于特定线路,无法迁移应用到其他线路。因此,如何将训练成功的模型迁移至其他类似线路是本发明主要解决的技术问题。
为解决上述技术问题,本发明采用以下技术方案:
一种输电线路故障类型识别方法,包括以下步骤:
利用预先构建的输电线路故障仿真模型生成目标线路各类型的故障时序数据,对故障时序数据进行处理,产生面向卷积神经网络CNN的目标域数据样本;
利用目标域数据样本对预先构建的预训练模型进行卷积核迁移训练,形成目标域模型;
采用目标域模型对目标线路的故障类型进行识别。
进一步地,所述预训练模型的构建步骤为:
利用预先构建的输电线路故障仿真模型生成源线路的各类型的故障时序数据,对该源线路的故障时序数据进行处理,产生面向卷积神经网络CNN的源域数据样本;
构建初始卷积神经网络,输入源域数据样本对初始卷积神经网络进行预训练,得到预训练模型。
进一步地,输电线路故障仿真模型的构建步骤为:
构建单条输电线路故障仿真模型;
设置输电线路参数遍历表,对不同参数故障期间的电气量进行遍历采集,产生可用于预训练和迁移训练的输电线路两端三相电压和三相电流的时序数据。
进一步地,参数遍历表中包含的输电线路参数有电压、频率、故障位置、负荷、过渡电阻和故障类型。
进一步地,对故障时序数据进行处理的步骤包括:
等间隔采样、二维数据矩阵构建和归一化的步骤。
进一步地,预训练时,以识别率和训练时间为优化目标,确定最优深度网络参数。
进一步地,最优深度网络参数包括迭代次数、卷积核维度和池化核维度。
进一步地,迁移训练时,优化的参数为迁移训练迭代次数。
一种输电线路故障类型识别系统,包括:
故障数据生成模块:利用预先构建的输电线路故障仿真模型生成目标线路各类型的故障时序数据;
数据处理模块:对故障时序数据进行处理,产生面向卷积神经网络CNN的目标域数据样本;
迁移训练模块:利用目标域数据样本对预先构建的预训练模型进行卷积核迁移训练,形成目标域模型;
故障类型识别模块:采用目标域模型对目标线路的故障类型进行识别。
进一步包括:
仿真模型构建模块,用于预先构建单条输电线路故障仿真模型;设置输电线路参数遍历表,对不同参数故障期间的电气量进行遍历采集,产生可用于预训练和迁移训练的输电线路两端三相电压和三相电流的时序数据,得到输电线路故障仿真模型;
预训练模型构建模块,用于利用预先构建的输电线路故障仿真模型生成源线路的各类型的故障时序数据,对该源线路的故障时序数据进行处理,产生面向卷积神经网络CNN的源域数据样本;构建初始卷积神经网络,输入源域数据样本对初始卷积神经网络进行预训练,得到预训练模型。
本发明所达到的有益效果:
本发明提出了一种基于迁移学习和深度学习的输电线路故障类型识别方法和系统。利用大量源域数据对初始卷积神经网络CNN进行预训练,获取适用于源线路的预训练模型;将预训练模型的网络结构迁移到目标域模型;输入少量目标域数据对卷积核进行迁移训练,获取目标域模型。本发明提供的输电线路故障类型识别方法和系统能够实现利用少量数据对深度模型进行迁移,生成适用于目标线路的深度学习模型,避免了针对各个线路单独训练深度学习模型,提高了深度学习模型的泛化能力。
附图说明
图1基于迁移学习和深度学习的输电线路故障类型识别方法流程图;
图2故障期间线路两端三相电压电流时序数据;
图3不同CNN网络结构下识别率和训练时间;
图4预训练模型测试结果;
图5目标域模型测试结果。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例1
为构建输电线路故障类型识别深度学习模型,并将其迁移至其他线路,本实施例提出了一种基于迁移学习和深度学习的输电线路故障类型识别方法。迁移学习能够充分利用现有模型的有效特征,将已有特征迁移应用到新的目标,可以解决数据量少、标注缺失等问题。
基于迁移学习和深度学习的输电线路故障类型识别方法,利用目标域数据对预训练深度学习模型进行微调迁移训练,将单一线路深度学习模型迁移至其他线路,实现了深度学习模型的迁移应用,提高了深度学习模型的泛化能力。
1)基本结构框架
基于迁移学习和深度学习的输电线路故障类型识别方法流程如图1所示,主要由数据生成、源域预训练、目标域迁移训练三个步骤组成。首先,分别构建源线路和目标线路故障仿真模型,产生大量面向卷积神经网络CNN的源域数据样本和少量的目标域数据样本;随后,利用源域数据对CNN进行预训练,获取适用于源线路的预训练模型;最后,将预训练模型的网络结构迁移到目标域模型,输入少量目标域数据对卷积核进行微调训练,获取目标域模型。相对于传统的卷积神经网络,基于迁移学习和深度学习的输电线路故障类型识别模型的优势在于,在目标线路故障数据不足或数据缺失的情况下,利用具备类似特征的源线路故障数据获取预训练模型,对预训练模型网络结构进行迁移应用,仅需少量目标域数据对预训练模型进行微调,即可构建试用于目标线路的深度模型。
2)测试系统的基本功能、要求和实现方式
基于迁移学习和深度学习的输电线路故障类型识别方法应具备源域与目标域数据生成功能,时序数据等间隔采样、归一化和二维数据样本构建功能。预训练模型可以对源域数据实现高准确度故障类型识别,最终的目标域模型可以对目标线路故障数据实现高准确度故障类型识别。
(1)源域与目标域数据生成
输电线路发生不同类型故障期间,两端电压和电流包含对应特征,据此可实现对线路故障类型的识别。通过构建输电线路故障仿真模型生成模型训练所需的大量故障数据样本。首先构建单条输电线路故障仿真模型;随后,结合实际输电线路参数波动设置参数遍历表,如表1所示,对不同参数下故障期间的电气量进行遍历采集;最后产生满足预训练、微调训练和测试要求的线路两端三相电压和三相电流,共12个电气量的时序数据,如图2所示。图2中,共计12幅子图,每幅子图对应一个电气量;图中每条曲线为某个电气量的时序数据,每条曲线均为12维数列,即12个采样点;此外,每图有25000条曲线,即进行了25000次仿真实验。
表1仿真模型参数表
参数 | 取值范围 |
电压 | 0.9pu-1.1pu |
频率 | 0.98f<sub>0</sub>-1.02f<sub>0</sub> |
故障位置 | 0-l<sub>0</sub> |
负荷 | 0.8L<sub>0</sub>-1.2L<sub>0</sub> |
过渡电阻 | 0-R<sub>0</sub> |
故障类型 | ABC,AB,AC,BC,ABG,ACG,BCG,AG,BG,CG |
(2)时序数据二维化和归一化
仿真模型生成的故障时序数据量很大,且由于各电气量单位不同,数值大小差异很大。因此,对时序数据进行等间隔采样、归一化,构成12维电气量矩阵,因此本方法包括对时序故障数据的二维化和归一化步骤。首先对时序数据进行等间隔采样,选取故障前后等间隔的若干数据点;随后以二维矩阵形式对数据进行排列,构建12×12的二维数据矩阵;最后对数据进行分别归一化,最终生成面向CNN的数据样本。
(3)源域和目标域故障类型识别及测试
利用大量的源域数据样本对CNN进行参数预训练,产生预训练模型。进一步的,利用少量目标域数据样本对CNN进行卷积核迁移训练,使其卷积核向目标域微调,最终形成目标域模型,从而可应用于目标线路故障类型判别。随着训练的进行,深度学习模型对输入样本的特征提取趋于准确,相应的特征趋于明显,分类结果趋于正确。图3显示了各种网络结构下的故障识别正确率和训练时间,选取识别率较高且训练时间较短的网络结构进行进一步迁移训练;利用仿真产生的1250组测试数据对预训练模型和目标域模型进行测试,测试结果可视化结果如图4、图5所示。源域测试数据的测试结果显示,1250组测试样本中有0组识别错误,错误率为0.0%,如图4所示;目标域模型测试结果显示,1250组测试样本中,经过微调训练的模型有5组识别错误,错误率为0.4%,如图5所示;可以看出,经少量目标域故障数据样本微调的预训练模型可以准确识别目标线路的故障类型,即目标线路的故障相别。
4)具体实现
根据上述表述,基于迁移学习和深度学习的输电线路故障类型识别方法的实现步骤如下:
步骤1:构建输电线路故障仿真模型,生成各类型的故障时序数据,设置不同线路参数,分别产生源域数据和目标域数据。
步骤2:对时序数据进行等间隔采样、归一化、二维样本矩阵构建,产生面向CNN的样本数据。
步骤3:构建初始CNN,输入源域数据,对CNN结构进行预训练。
以提高识别率和缩短训练时间为目标,优化迭代次数、卷积核维度、池化核维度等深度网络参数,确定最优网络结构及参数。
步骤4:利用目标域数据样本对预训练模型进行卷积核迁移训练,形成目标域模型;
步骤5:优化迁移训练迭代次数,提高目标域测试准确率。
当目标域数据测试准确率满足要求后,生成最后的目标域模型。
上述步骤可以实现基于迁移学习和深度学习的输电线路故障类型识别方法。
实施例2
本实施例提供一种输电线路故障类型识别系统,包括:
故障数据生成模块:利用预先构建的输电线路故障仿真模型生成目标线路各类型的故障时序数据;
数据处理模块:对故障时序数据进行处理,产生面向卷积神经网络CNN的目标域数据样本;
迁移训练模块:利用目标域数据样本对预先构建的预训练模型进行卷积核迁移训练,形成目标域模型;
故障类型识别模块:采用目标域模型对目标线路的故障类型进行识别。
进一步包括:
仿真模型构建模块,用于预先构建单条输电线路故障仿真模型;设置输电线路参数遍历表,对不同参数故障期间的电气量进行遍历采集,产生可用于预训练和迁移训练的输电线路两端三相电压和三相电流的时序数据,得到输电线路故障仿真模型;
预训练模型构建模块,用于利用预先构建的输电线路故障仿真模型生成源线路的各类型的故障时序数据,对该源线路的故障时序数据进行处理,产生面向卷积神经网络CNN的源域数据样本;构建初始卷积神经网络,输入源域数据样本对初始卷积神经网络进行预训练,得到预训练模型。
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。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种输电线路故障类型识别方法,其特征是,包括以下步骤:
利用预先构建的输电线路故障仿真模型生成目标线路各类型的故障时序数据,对故障时序数据进行处理,产生面向卷积神经网络CNN的目标域数据样本;
利用目标域数据样本对预先构建的预训练模型进行卷积核迁移训练,形成目标域模型;
采用目标域模型对目标线路的故障类型进行识别。
2.根据权利要求1所述的一种输电线路故障类型识别方法,其特征是,所述预训练模型的构建步骤为:
利用预先构建的输电线路故障仿真模型生成源线路的各类型的故障时序数据,对该源线路的故障时序数据进行处理,产生面向卷积神经网络CNN的源域数据样本;
构建初始卷积神经网络,输入源域数据样本对初始卷积神经网络进行预训练,得到预训练模型。
3.根据权利要求1或2所述的一种输电线路故障类型识别方法,其特征是,输电线路故障仿真模型的构建步骤为:
构建单条输电线路故障仿真模型;
设置输电线路参数遍历表,对不同参数故障期间的电气量进行遍历采集,产生可用于预训练和迁移训练的输电线路两端三相电压和三相电流的时序数据。
4.根据权利要求3所述的一种输电线路故障类型识别方法,其特征是,参数遍历表中包含的输电线路参数有电压、频率、故障位置、负荷、过渡电阻和故障类型。
5.根据权利要求1或2所述的一种输电线路故障类型识别方法,其特征是,对故障时序数据进行处理的步骤包括:
等间隔采样、二维数据矩阵构建和归一化的步骤。
6.根据权利要求2所述的一种输电线路故障类型识别方法,其特征是,预训练时,以识别率和训练时间为优化目标,确定最优深度网络参数。
7.根据权利要求6所述的一种输电线路故障类型识别方法,其特征是,最优深度网络参数包括迭代次数、卷积核维度和池化核维度。
8.根据权利要求1所述的一种输电线路故障类型识别方法,其特征是,迁移训练时,优化的参数为迁移训练迭代次数。
9.一种输电线路故障类型识别系统,其特征是,包括:
故障数据生成模块:利用预先构建的输电线路故障仿真模型生成目标线路各类型的故障时序数据;
数据处理模块:对故障时序数据进行处理,产生面向卷积神经网络CNN的目标域数据样本;
迁移训练模块:利用目标域数据样本对预先构建的预训练模型进行卷积核迁移训练,形成目标域模型;
故障类型识别模块:采用目标域模型对目标线路的故障类型进行识别。
10.根据权利要求9所述的一种输电线路故障类型识别系统,其特征是,进一步包括:
仿真模型构建模块,用于预先构建单条输电线路故障仿真模型;设置输电线路参数遍历表,对不同参数故障期间的电气量进行遍历采集,产生可用于预训练和迁移训练的输电线路两端三相电压和三相电流的时序数据,得到输电线路故障仿真模型;
预训练模型构建模块,用于利用预先构建的输电线路故障仿真模型生成源线路的各类型的故障时序数据,对该源线路的故障时序数据进行处理,产生面向卷积神经网络CNN的源域数据样本;构建初始卷积神经网络,输入源域数据样本对初始卷积神经网络进行预训练,得到预训练模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911373921.1A CN111046581B (zh) | 2019-12-27 | 2019-12-27 | 一种输电线路故障类型识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911373921.1A CN111046581B (zh) | 2019-12-27 | 2019-12-27 | 一种输电线路故障类型识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111046581A true CN111046581A (zh) | 2020-04-21 |
CN111046581B CN111046581B (zh) | 2022-10-04 |
Family
ID=70240526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911373921.1A Active CN111046581B (zh) | 2019-12-27 | 2019-12-27 | 一种输电线路故障类型识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111046581B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881971A (zh) * | 2020-07-24 | 2020-11-03 | 成都理工大学 | 一种基于深度学习lstm模型的输电线路故障类型识别方法 |
CN112036450A (zh) * | 2020-08-12 | 2020-12-04 | 国家电网有限公司 | 一种基于迁移学习的高压电缆局放模式识别方法及系统 |
CN112330488A (zh) * | 2020-11-05 | 2021-02-05 | 贵州电网有限责任公司 | 基于迁移学习的电网频率态势预测方法 |
CN113077049A (zh) * | 2021-06-04 | 2021-07-06 | 国网浙江省电力有限公司金华供电公司 | 移动终端智能调控方法 |
CN113283532A (zh) * | 2021-06-09 | 2021-08-20 | 重庆大学 | 基于深度迁移学习的冷水机组故障诊断方法 |
CN113484685A (zh) * | 2021-07-16 | 2021-10-08 | 西华大学 | 一种基于时序组织型p系统的电网故障诊断方法 |
CN113554010A (zh) * | 2021-09-22 | 2021-10-26 | 广东电网有限责任公司东莞供电局 | 一种电网线路故障识别模型训练方法 |
CN113610119A (zh) * | 2021-07-19 | 2021-11-05 | 西安交通大学 | 基于卷积神经网络识别输电线路发展性故障的方法 |
CN114354744A (zh) * | 2021-12-03 | 2022-04-15 | 国网河南省电力公司商丘供电公司 | 一种电力电缆防外破监测方法、系统及装置 |
CN114926303A (zh) * | 2022-04-26 | 2022-08-19 | 广东工业大学 | 一种基于迁移学习的窃电检测方法 |
CN115932484A (zh) * | 2023-02-15 | 2023-04-07 | 重庆大学 | 输电线路故障辨识与故障测距方法、装置和电子设备 |
CN116256602A (zh) * | 2023-05-15 | 2023-06-13 | 广东电网有限责任公司中山供电局 | 一种低压配电网状态异常的识别方法和系统 |
CN117975208A (zh) * | 2024-04-01 | 2024-05-03 | 泉州装备制造研究所 | 一种基于无监督领域适应算法的输电线检测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108959732A (zh) * | 2018-06-15 | 2018-12-07 | 西安科技大学 | 一种基于卷积神经网络的输电线路故障类型识别方法 |
CN109947086A (zh) * | 2019-04-11 | 2019-06-28 | 清华大学 | 基于对抗学习的机械故障迁移诊断方法及系统 |
-
2019
- 2019-12-27 CN CN201911373921.1A patent/CN111046581B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108959732A (zh) * | 2018-06-15 | 2018-12-07 | 西安科技大学 | 一种基于卷积神经网络的输电线路故障类型识别方法 |
CN109947086A (zh) * | 2019-04-11 | 2019-06-28 | 清华大学 | 基于对抗学习的机械故障迁移诊断方法及系统 |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881971A (zh) * | 2020-07-24 | 2020-11-03 | 成都理工大学 | 一种基于深度学习lstm模型的输电线路故障类型识别方法 |
CN112036450A (zh) * | 2020-08-12 | 2020-12-04 | 国家电网有限公司 | 一种基于迁移学习的高压电缆局放模式识别方法及系统 |
CN112036450B (zh) * | 2020-08-12 | 2024-02-23 | 国家电网有限公司 | 一种基于迁移学习的高压电缆局放模式识别方法及系统 |
CN112330488B (zh) * | 2020-11-05 | 2022-07-05 | 贵州电网有限责任公司 | 基于迁移学习的电网频率态势预测方法 |
CN112330488A (zh) * | 2020-11-05 | 2021-02-05 | 贵州电网有限责任公司 | 基于迁移学习的电网频率态势预测方法 |
CN113077049A (zh) * | 2021-06-04 | 2021-07-06 | 国网浙江省电力有限公司金华供电公司 | 移动终端智能调控方法 |
CN113283532A (zh) * | 2021-06-09 | 2021-08-20 | 重庆大学 | 基于深度迁移学习的冷水机组故障诊断方法 |
CN113283532B (zh) * | 2021-06-09 | 2022-09-09 | 重庆大学 | 基于深度迁移学习的冷水机组故障诊断方法 |
CN113484685B (zh) * | 2021-07-16 | 2023-08-18 | 西华大学 | 一种基于时序组织型p系统的电网故障诊断方法 |
CN113484685A (zh) * | 2021-07-16 | 2021-10-08 | 西华大学 | 一种基于时序组织型p系统的电网故障诊断方法 |
CN113610119A (zh) * | 2021-07-19 | 2021-11-05 | 西安交通大学 | 基于卷积神经网络识别输电线路发展性故障的方法 |
CN113610119B (zh) * | 2021-07-19 | 2023-10-27 | 西安交通大学 | 基于卷积神经网络识别输电线路发展性故障的方法 |
CN113554010A (zh) * | 2021-09-22 | 2021-10-26 | 广东电网有限责任公司东莞供电局 | 一种电网线路故障识别模型训练方法 |
CN114354744A (zh) * | 2021-12-03 | 2022-04-15 | 国网河南省电力公司商丘供电公司 | 一种电力电缆防外破监测方法、系统及装置 |
CN114354744B (zh) * | 2021-12-03 | 2023-08-29 | 国网河南省电力公司商丘供电公司 | 一种电力电缆防外破监测方法、系统及装置 |
CN114926303A (zh) * | 2022-04-26 | 2022-08-19 | 广东工业大学 | 一种基于迁移学习的窃电检测方法 |
CN115932484A (zh) * | 2023-02-15 | 2023-04-07 | 重庆大学 | 输电线路故障辨识与故障测距方法、装置和电子设备 |
CN116256602A (zh) * | 2023-05-15 | 2023-06-13 | 广东电网有限责任公司中山供电局 | 一种低压配电网状态异常的识别方法和系统 |
CN116256602B (zh) * | 2023-05-15 | 2023-07-11 | 广东电网有限责任公司中山供电局 | 一种低压配电网状态异常的识别方法和系统 |
CN117975208A (zh) * | 2024-04-01 | 2024-05-03 | 泉州装备制造研究所 | 一种基于无监督领域适应算法的输电线检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111046581B (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111046581B (zh) | 一种输电线路故障类型识别方法及系统 | |
CN112488395A (zh) | 一种配电网线损预测方法及系统 | |
CN112348292A (zh) | 一种基于深度学习网络的短期风电功率预测方法和系统 | |
CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
CN111475909B (zh) | 一种基于长短期记忆网络的风电机组出力相关性映射建模方法 | |
LU500551B1 (en) | Virtual load dominant parameter identification method based on incremental learning | |
CN115147012B (zh) | 一种基于神经网络模型的碳排放量核算方法及装置 | |
CN110969194A (zh) | 基于改进型卷积神经网络的电缆早期故障定位方法 | |
CN114819374A (zh) | 区域新能源超短期功率预测方法及系统 | |
CN114839492A (zh) | 一种基于mobilenetv3的gis局部放电类型识别方法及装置 | |
CN117434384A (zh) | 一种配电网绝缘故障辨识方法及相关装置 | |
CN109921462B (zh) | 一种基于lstm的新能源消纳能力评估方法及系统 | |
CN116706992A (zh) | 一种分布式光伏集群的自适应功率预测方法、装置和设备 | |
CN116629416A (zh) | 光伏电站功率预测方法及装置 | |
CN112947080B (zh) | 一种基于场景参数变换的智能决策模型性能评估系统 | |
CN116087692B (zh) | 一种配电网树线放电故障识别方法、系统、终端及介质 | |
CN115659844B (zh) | 基于风电场动态模型的仿真方法、装置和计算机设备 | |
CN117272184A (zh) | 一种基于issa-rf算法的光伏发电系统故障分类方法 | |
CN111695631A (zh) | 基于sae的检定故障特征提取方法、装置、设备以及介质 | |
CN116070384A (zh) | 基于电网特征排列重要性的暂态稳定评估方法及系统 | |
CN113991752B (zh) | 一种电网准实时智能控制方法及系统 | |
CN113722951B (zh) | 基于神经网络的散射体三维有限元网格优化方法 | |
CN116049156A (zh) | 一种基于大数据技术的电量数据采集优化方法及系统 | |
CN114744631A (zh) | 一种基于非pmu配电网的数据驱动电压估计方法 | |
CN103994858B (zh) | 基于生物地理学智能优化支持向量机算法的动平衡检测控制方法 |
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 |