CN111860947B - 一种基于bp神经网络的输电杆塔鸟害发生概率预测方法 - Google Patents
一种基于bp神经网络的输电杆塔鸟害发生概率预测方法 Download PDFInfo
- Publication number
- CN111860947B CN111860947B CN202010529618.2A CN202010529618A CN111860947B CN 111860947 B CN111860947 B CN 111860947B CN 202010529618 A CN202010529618 A CN 202010529618A CN 111860947 B CN111860947 B CN 111860947B
- Authority
- CN
- China
- Prior art keywords
- neural network
- layer
- transmission tower
- bird
- occurrence probability
- 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
- 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
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及智能预测技术领域,具体是涉及提供了一种基于BP神经网络的输电杆塔鸟害发生概率预测方法,具体包括如下步骤:步骤(1),选取典型输电样线;选取能代表整个地区输电线路的典型输电样线;步骤(2),数据采集与预处理;采集输电杆塔的样本数据,把样本数据分为训练样本和测试样本;步骤(3),建立BP神经网络模型;步骤(4),初始化BP神经网络模型;初始化BP神经网络模型的基本参数;步骤(5),构建输电杆塔鸟害发生概率预测模型;步骤(6),优化神经网络参数配置。本发明克服了现有的鸟害安全预警方法只是给出鸟害故障风险等级,无法精确地计算出鸟害引发输电杆塔输电线故障的概率,得出的结果不够准确、实用性不强的现象问题。
Description
技术领域
本发明涉及智能预测技术领域,具体是涉及一种基于BP神经网络的输电杆塔鸟害发生概率预测方法。
背景技术
鸟类是人类较为亲密的朋友,也是生态系统的重要组成部分。但是随着鸟类繁衍数量不断增多,活动范围不断扩大,有的鸟类把鸟窝搭建在输电线路的输电杆塔上,导致输电线路闪络跳闸的现象呈逐年上升的趋势。因此,如何有效防范鸟害,成为我国电力部门研究的重点。
目前,人们通过鸟害故障风险分布图绘制系统对鸟害引发输电线故障作出安全预警的,包括以下步骤:收集基本资料;统计分析基本资料;绘制绿地图、绘制候鸟迁徙通道图及绘制鸟害故障分布图;根据所述的鸟害分布图和历史故障信息,将架空输电线路发生鸟害故障风险等级进行划分,如申请号为201711374930.3的一种输电线路鸟害风险等级评估方法。然而,现有的鸟害安全预警方法只是给出鸟害故障风险等级,无法精确地计算出鸟害引发输电杆塔输电线故障的概率,得出的结果不够准确,这些方法实用性不强。
发明内容
本发明为克服上述现有的鸟害安全预警方法只是给出鸟害故障风险等级,无法精确地计算出鸟害引发输电杆塔输电线故障的概率,得出的结果不够准确、实用性不强的现象问题,提供一种基于BP神经网络的输电杆塔鸟害发生概率预测方法。
在本技术方案中,提供了一种基于BP神经网络的输电杆塔鸟害发生概率预测方法,具体包括如下步骤:
步骤(1),选取典型输电样线;选取能代表整个地区输电线路的典型输电样线;
步骤(2),数据采集与预处理;采集输电杆塔的样本数据,把样本数据分为训练样本和测试样本;把采集的鸟害跳闸故障和鸟粪闪络发生的季节性、鸟害跳闸故障和鸟粪闪络发生的时段性、输电杆塔周围的地理特征、电压等级、输电杆塔类型、导线排列方式、绝缘子串型作为模型输入,鸟害跳闸故障数次和鸟粪闪络数次作为模型输出;
步骤(3),建立BP神经网络模型;其中,BP神经网络模型的拓扑结构包括输入层、隐含层和输出层;
步骤(4),初始化BP神经网络模型;初始化BP神经网络模型的基本参数;
步骤(5),构建输电杆塔鸟害发生概率预测模型;
利用python软件,将训练样本数据导入BP神经网络模型,对BP神经网络模型进行训练,构建输电杆塔鸟害发生概率预测模型;
步骤(6),优化神经网络参数配置;
将测试样本输入到已训练好的BP神经网络模型,根据训练样本与测试样本的识别正确率,通过调整隐含层节点数和迭代次数p优化训练算法,使用优化后的神经网络参数配置,对输电杆塔进行鸟害发生概率预测。
优选地,在步骤(1)中,样线选取基于以下原则,线路本身要具有代表性,输电杆塔类型要覆盖全面,样线所处位置是鸟害多发区域。
优选地,在步骤(1)中,选取本身具有代表性的样线,每条样线具有独特的地形地貌、气候条件和涉害鸟类分布情况。
优选地,在步骤(2)中,所述电压等级分为110kv和220kv;输电杆塔类型分为直线塔和耐张塔;导线排列方式分为水平、三角形和垂直;绝缘子分为v串和直线串。
优选地,在步骤(3)中,输入层的神经元个数为7,输出层的神经元个数为1,隐含层的神经元个数为G;任意输入层神经元为fi,i∈(1、2…7);任意隐含层神经元为Gj,j∈(1、2…G);任意输出层神经元为hk,k∈(1、2)。
优选地,在步骤(4)中,基本参数包括:学习速率μ、输入层到隐含层的权重wji、隐含层到输出层的权重wjk、输入层到隐含层的偏置数aj、隐含层到输出层的偏置数bk以及激励函数f(x);其中,输入层到隐含层的权重wji、隐含层到输出层的权重wjk、输入层到隐含层的偏置数aj、隐含层到输出层的偏置数bk初始化值为(-1,1)内的随机数
优选地,所述输入层到隐含层的偏置数aj含义为:各输入层神经元到任意的隐含层神经元gj的偏置数;所述隐含层到输出层的偏置数bk含义为:各隐含层神经元到任意的输出层神经元hk的偏置数。
优选地,在步骤(5)中,所述对BP神经网络模型进行训练具体步骤为:提供一组模型训练样本,对每个训练样本p循环;循环为逐层正向计算网络各节点的输入和输出,计算第q个样本的输出误差和网络的总误差E,当E小于允许误差ε或者达到指定的迭代次数p时,学习过程结束;否则进行误差反向传播,进而逐层计算网络各节点误差,修正网络连接权值。
与现有技术相比,有益效果是:
本发明基于BP神经网络的输电杆塔鸟害发生概率预测方法,克服了现有的鸟害安全预警方法只是给出鸟害故障风险等级,无法精确地计算出鸟害引发输电杆塔输电线故障的概率,得出的结果不够准确、实用性不强的现象问题;通过BP神经网络,把采集的鸟害跳闸故障和鸟粪闪络发生的季节性、鸟害跳闸故障和鸟粪闪络发生的时段性、输电杆塔周围的地理特征、电压等级、输电杆塔类型、导线排列方式、绝缘子串型作为模型输入,鸟害跳闸故障数次和鸟粪闪络数次作为模型输出,能够精确地预测鸟害引发输电杆塔输电线发生故障的概率。
附图说明
图1为本发明基于BP神经网络的输电杆塔鸟害发生概率预测方法的流程图;
图2为神经网络模型拓扑结构图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明,不能理解为对本专利的限制。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”“长”“短”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
下面通过具体实施例,并结合附图,对本发明的技术方案作进一步的具体描述:
实施例
如图1至图2为本发明一种基于BP神经网络的输电杆塔鸟害发生概率预测方法的实施例,具体包括如下步骤:
步骤(1),选取典型输电样线;选取能代表整个地区输电线路的典型输电样线;
步骤(2),数据采集与预处理;采集输电杆塔的样本数据,把样本数据分为训练样本和测试样本;把采集的鸟害跳闸故障和鸟粪闪络发生的季节性、鸟害跳闸故障和鸟粪闪络发生的时段性、输电杆塔周围的地理特征、电压等级、输电杆塔类型、导线排列方式、绝缘子串型作为模型输入,鸟害跳闸故障数次和鸟粪闪络数次作为模型输出;
步骤(3),建立BP神经网络模型;其中,BP神经网络模型的拓扑结构包括输入层、隐含层和输出层;
步骤(4),初始化BP神经网络模型;初始化BP神经网络模型的基本参数;
步骤(5),构建输电杆塔鸟害发生概率预测模型;
利用python软件,将训练样本数据导入BP神经网络模型,对BP神经网络模型进行训练,构建输电杆塔鸟害发生概率预测模型;
步骤(6),优化神经网络参数配置;
将测试样本输入到已训练好的BP神经网络模型,根据训练样本与测试样本的识别正确率,通过调整隐含层节点数和迭代次数p优化训练算法,使用优化后的神经网络参数配置,对输电杆塔进行鸟害发生概率预测。
其中,在步骤(1)中,样线选取基于以下原则,线路本身要具有代表性,输电杆塔类型要覆盖全面,样线所处位置是鸟害多发区域。
另外,在步骤(1)中,选取本身具有代表性的样线,每条样线具有独特的地形地貌、气候条件和涉害鸟类分布情况。
其中,在步骤(2)中,所述电压等级分为110kv和220kv;输电杆塔类型分为直线塔和耐张塔;导线排列方式分为水平、三角形和垂直;绝缘子分为v串和直线串。
另外,在步骤(3)中,输入层的神经元个数为7,输出层的神经元个数为1,隐含层的神经元个数为G;任意输入层神经元为fi,i∈(1、2…7);任意隐含层神经元为Gj,j∈(1、2…G);任意输出层神经元为hk,k∈(1、2)。
另外,在步骤(4)中,基本参数包括:学习速率μ、输入层到隐含层的权重wji、隐含层到输出层的权重wjk、输入层到隐含层的偏置数aj、隐含层到输出层的偏置数bk以及激励函数f(x);其中,输入层到隐含层的权重wji、隐含层到输出层的权重wjk、输入层到隐含层的偏置数aj、隐含层到输出层的偏置数bk初始化值为(-1,1)内的随机数
另外,所述输入层到隐含层的偏置数aj含义为:各输入层神经元到任意的隐含层神经元gj的偏置数;所述隐含层到输出层的偏置数bk含义为:各隐含层神经元到任意的输出层神经元hk的偏置数。
其中,在步骤(5)中,所述对BP神经网络模型进行训练具体步骤为:提供一组模型训练样本,对每个训练样本p循环;循环为逐层正向计算网络各节点的输入和输出,计算第q个样本的输出误差和网络的总误差E,当E小于允许误差ε或者达到指定的迭代次数p时,学习过程结束;否则进行误差反向传播,进而逐层计算网络各节点误差,修正网络连接权值。
另外,本实施中的基于BP神经网络的输电杆塔鸟害发生概率预测方法最后通过仿真实验,计算模型的预测精确度达到92.67%,验证本发明具有较高的使用价值,可以指导电网运维人员有针对性的进行鸟害防治。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于BP神经网络的输电杆塔鸟害发生概率预测方法,其特征在于,具体包括如下步骤:
步骤(1),选取典型输电样线;选取能代表整个地区输电线路的典型输电样线;
步骤(2),数据采集与预处理;采集输电杆塔的样本数据,把样本数据分为训练样本和测试样本;把采集的鸟害跳闸故障和鸟粪闪络发生的季节性、鸟害跳闸故障和鸟粪闪络发生的时段性、输电杆塔周围的地理特征、电压等级、输电杆塔类型、导线排列方式、绝缘子串型作为模型输入,鸟害跳闸故障数次和鸟粪闪络数次作为模型输出;
步骤(3),建立BP神经网络模型;其中,BP神经网络模型的拓扑结构包括输入层、隐含层和输出层;
步骤(4),初始化BP神经网络模型;初始化BP神经网络模型的基本参数;
步骤(5),构建输电杆塔鸟害发生概率预测模型;
利用python软件,将训练样本数据导入BP神经网络模型,对BP神经网络模型进行训练,构建输电杆塔鸟害发生概率预测模型;
步骤(6),优化神经网络参数配置;
将测试样本输入到已训练好的BP神经网络模型,根据训练样本与测试样本的识别正确率,通过调整隐含层节点数和迭代次数p优化训练算法,使用优化后的神经网络参数配置,对输电杆塔进行鸟害发生概率预测。
2.根据权利要求1所述的基于BP神经网络的输电杆塔鸟害发生概率预测方法,其特征在于,在步骤(1)中,样线选取基于以下原则,线路本身要具有代表性,输电杆塔类型要覆盖全面,样线所处位置是鸟害多发区域。
3.根据权利要求2所述的基于BP神经网络的输电杆塔鸟害发生概率预测方法,其特征在于,在步骤(1)中,选取本身具有代表性的样线,每条样线具有独特的地形地貌、气候条件和涉害鸟类分布情况。
4.根据权利要求1所述的基于BP神经网络的输电杆塔鸟害发生概率预测方法,其特征在于,在步骤(2)中,所述电压等级分为110kv和220kv;输电杆塔类型分为直线塔和耐张塔;导线排列方式分为水平、三角形和垂直;绝缘子分为v串和直线串。
5.根据权利要求1所述的基于BP神经网络的输电杆塔鸟害发生概率预测方法,其特征在于,在步骤(3)中,输入层的神经元个数为7,输出层的神经元个数为1,隐含层的神经元个数为G;任意输入层神经元为fi,i∈(1、2…7);任意隐含层神经元为Gj,j∈(1、2…G);任意输出层神经元为hk,k∈(1、2)。
7.根据权利要求1所述的基于BP神经网络的输电杆塔鸟害发生概率预测方法,其特征在于,在步骤(4)中,基本参数包括:学习速率μ、输入层到隐含层的权重wji、隐含层到输出层的权重wjk、输入层到隐含层的偏置数aj、隐含层到输出层的偏置数bk以及激励函数f(x);其中,输入层到隐含层的权重wji、隐含层到输出层的权重wjk、输入层到隐含层的偏置数aj、隐含层到输出层的偏置数bk初始化为(-1,1)内的随机数。
9.根据权利要求7所述的一种基于BP神经网络的输电杆塔鸟害发生概率预测方法,其特征在于,所述输入层到隐含层的偏置数aj含义为:各输入层神经元到任意的隐含层神经元gj的偏置数;所述隐含层到输出层的偏置数bk含义为:各隐含层神经元到任意的输出层神经元hk的偏置数。
10.根据权利要求1所述的一种基于BP神经网络的输电杆塔鸟害发生概率预测方法,其特征在于,在步骤(5)中,所述对BP神经网络模型进行训练具体步骤为:提供一组模型训练样本,对每个训练样本循环迭代p次;循环为逐层正向计算网络各节点的输入和输出,计算第q个样本的输出误差和网络的总误差E,当E小于允许误差ε或者达到指定的迭代次数p时,学习过程结束;否则进行误差反向传播,进而逐层计算网络各节点误差,修正网络连接权值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010529618.2A CN111860947B (zh) | 2020-06-11 | 2020-06-11 | 一种基于bp神经网络的输电杆塔鸟害发生概率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010529618.2A CN111860947B (zh) | 2020-06-11 | 2020-06-11 | 一种基于bp神经网络的输电杆塔鸟害发生概率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111860947A CN111860947A (zh) | 2020-10-30 |
CN111860947B true CN111860947B (zh) | 2023-01-24 |
Family
ID=72986085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010529618.2A Active CN111860947B (zh) | 2020-06-11 | 2020-06-11 | 一种基于bp神经网络的输电杆塔鸟害发生概率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860947B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627641A (zh) * | 2021-06-15 | 2021-11-09 | 宁波微能物联科技有限公司 | 一种基于多参数融合的人工智能虫情预测的方法 |
CN113407895B (zh) * | 2021-06-29 | 2023-01-20 | 广东电网有限责任公司 | 基于模拟退火算法的闪光驱鸟最优频率选择方法及系统 |
CN114136436B (zh) * | 2021-11-25 | 2023-06-23 | 国网山东省电力公司青岛供电公司 | 一种基于eskf和bp算法的输电杆塔大数据巡检系统及方法 |
CN114444798A (zh) * | 2022-01-27 | 2022-05-06 | 成都唐源电气股份有限公司 | 一种基于时空分布技术的接触网运维方法和装置 |
CN114548601A (zh) * | 2022-03-16 | 2022-05-27 | 国网河南省电力公司电力科学研究院 | 基于bp神经网络的配电网极端灾害下停电预测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108108877A (zh) * | 2017-11-29 | 2018-06-01 | 海南电网有限责任公司电力科学研究院 | 一种基于bp神经网络的输电线路雷害风险评估方法 |
CN110598726A (zh) * | 2019-07-16 | 2019-12-20 | 广东工业大学 | 一种基于随机森林的输电杆塔鸟害风险预测方法 |
-
2020
- 2020-06-11 CN CN202010529618.2A patent/CN111860947B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108108877A (zh) * | 2017-11-29 | 2018-06-01 | 海南电网有限责任公司电力科学研究院 | 一种基于bp神经网络的输电线路雷害风险评估方法 |
CN110598726A (zh) * | 2019-07-16 | 2019-12-20 | 广东工业大学 | 一种基于随机森林的输电杆塔鸟害风险预测方法 |
Non-Patent Citations (1)
Title |
---|
基于BP神经网络的农作物虫害预测系统的研究;陈涛等;《数字技术与应用》;20150115(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111860947A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860947B (zh) | 一种基于bp神经网络的输电杆塔鸟害发生概率预测方法 | |
CN109270407B (zh) | 基于多源信息融合的特高压直流输电线路故障原因辨识方法 | |
Péron et al. | The energy landscape predicts flight height and wind turbine collision hazard in three species of large soaring raptor | |
CN112285807B (zh) | 一种气象信息预测方法及装置 | |
CN112464566B (zh) | 一种基于遗传算法及bp神经网络的变压器油温预测方法 | |
CN110908014B (zh) | 舞动精细化订正预报方法及系统 | |
CN115329812B (zh) | 一种基于人工智能的桥梁基础设施异常监测方法 | |
CN112598883B (zh) | 基于贝叶斯网络的输电线路落雷概率预警方法及预警系统 | |
Gao et al. | Heuristic failure prediction model of transmission line under natural disasters | |
CN112819189A (zh) | 一种基于历史预测值的风力出力预测方法 | |
CN106650977A (zh) | 应用于新建风电场的短期功率预测方法 | |
CN114862278B (zh) | 一种基于配网雷击数据的输电线雷击风险评估方法及系统 | |
CN114548498A (zh) | 一种架空输电线路局部区域的风速预测方法及系统 | |
CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
Rohaimi et al. | 3 Hours ahead of time flood water level prediction using NNARX structure: Case study pahang | |
CN117313522A (zh) | 基于数模交互和联邦学习的油浸式变压器寿命预测方法 | |
CN107688862A (zh) | 基于ba‑grnn的绝缘子等值盐密积累速率预测方法 | |
CN113821895B (zh) | 输电线路覆冰厚度预测模型的构建方法、装置及存储介质 | |
CN116151015A (zh) | 一种气象预报降尺度算法 | |
CN116128307A (zh) | 基于多元数据传导网络输电线路舞动预警预警系统 | |
CN108509537A (zh) | 一种输电线路舞动概率预报系统及方法 | |
Tavakoli et al. | A metamodeling approach for leader progression model-based shielding failure rate calculation of transmission lines using artificial neural networks | |
Zheng et al. | Lightning risk assessment model for transmission lines with lift‐based improved analytic hierarchy process | |
Su et al. | Lightning Trip Warning Based on GA-BP Neural Network Technology | |
CN106570561B (zh) | 一种绝缘子表面不可溶沉积物密度预测系统及方法 |
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 |