CN112016598A - 基于sdae的局部放电模式识别方法、计算机设备和存储介质 - Google Patents
基于sdae的局部放电模式识别方法、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112016598A CN112016598A CN202010810550.5A CN202010810550A CN112016598A CN 112016598 A CN112016598 A CN 112016598A CN 202010810550 A CN202010810550 A CN 202010810550A CN 112016598 A CN112016598 A CN 112016598A
- Authority
- CN
- China
- Prior art keywords
- sdae
- partial discharge
- training
- monitoring data
- reconstruction
- 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
- 238000012567 pattern recognition method Methods 0.000 title claims description 21
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000012544 monitoring process Methods 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000003909 pattern recognition Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 description 8
- 238000009413 insulation Methods 0.000 description 7
- 230000006378 damage Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000288673 Chiroptera Species 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明提出一种基于SDAE的局部放电模式识别方法、计算机设备和存储介质，其中识别方法包括以下步骤：采集获取高压电缆局部放电状态在线监测数据，对监测数据进行预处理，将完成预处理的监测数据划分为训练样本和测试样本；初始化SDAE，采用蝙蝠算法对SDAE中的隐藏层点数进行优化；将训练样本输入经过优化的SDAE中进行训练学习，获得最优训练参数及SDAE输出的训练样本的重构表示；基于训练样本的重构表示与训练样本的重构误差，确定重构误差的上限阈值；以最优训练参数更新SDAE参数，将测试样本输入参数更新后的SDAE中得到局部放电模式识别结果，能够进一步提高局部放电模式识别精度，有效过滤干扰数据。
Description
技术领域
本发明涉及局部放电识别技术领域，更具体地，涉及一种基于SDAE的局部放电模式识别方法、计算机设备和存储介质。
背景技术
高压电缆是电力系统重要的电力设备，其运行状态影响着电网供电的安全性与可靠性。然而由于设计缺陷、安装过程中的工艺缺陷、外力破坏等因素，电缆系统中不可避免地会产生绝缘缺陷。局部放电既是绝缘劣化的主要原因，又是电缆绝缘缺陷和绝缘老化的重要表征。电缆绝缘缺陷形式多样，不同缺陷类型引发的局部放电具有不同的表现形式，对设备安全运行的影响以及绝缘的危害程度也不同，因此准确识别出电缆局部放电模式对判断绝缘缺陷类型有着十分重要的意义。
目前现有的局部放电模式识别方法主要包括人工识别和机器学习算法识别，如公开号为CN109799434A(公开日：2019-05-24)提出的一种局部放电模式识别方法，其主要通过采集局部放电信号获得其三维图谱，然后输入识别模型中进行识别。然而，这种局放模式识别方法仅针对局部放电信号的三维图谱数据进行分析，没有考虑电缆局部放电数据的噪声等影响因素，存在电缆局部放电模式识别准确率较低的问题。
发明内容
本发明为克服上述现有技术所述的电缆局部放电模式识别准确率较低的缺陷，提供一种基于SDAE的局部放电模式识别方法，以及一种实现基于SDAE的局部放电模式识别方法的计算机设备和存储介质。
为解决上述技术问题，本发明的技术方案如下：
基于蝙蝠算法的局部放电模式识别方法，包括以下步骤：
S1：采集获取高压电缆局部放电状态在线监测数据，对监测数据进行预处理，将完成预处理的监测数据划分为训练样本和测试样本；
S2：初始化堆叠降噪自编码器SDAE，对SDAE中的隐藏层点数进行优化，得到经过优化的SDAE；
S3：将训练样本输入经过优化的SDAE中进行训练学习，获得最优训练参数及SDAE输出的训练样本的重构表示；
S4：基于训练样本的重构表示与训练样本的重构误差，确定重构误差的上限阈值；
S5：以最优训练参数更新SDAE参数，将测试样本输入参数更新后的SDAE中得到局部放电模式识别结果。
优选地，S1步骤中，对监测数据进行预处理的具体步骤包括：对高压电缆局部放电状态在线监测数据采用关联规则挖掘方法进行监测数据关联性计算，根据监测数据的关联性得到强相关监测数据序列。
优选地，S1步骤中，采用关联规则挖掘方法进行监测数据关联性计算的具体步骤包括：
S1.1：将连续的高压电缆局部放电状态在线监测数据进行离散化处理；
S1.2：根据离散化处理的监测数据，计算所有表征局部放电状态的状态参数经过划分后的支持度S，用于表示监测数据的关联性。
优选地，S2步骤中，采用蝙蝠算法对SDAE中的隐藏层点数进行优化，其具体步骤包括：
S2.1：初始化蝙蝠算法各项参数值，设置搜索频度r；
S2.2：获取当前种群中最优蝙蝠位置，更新蝙蝠的速度和位置；
S2.3：生成均匀分布随机数rand，判断当前rand是否大于r，若是，则对当前最优解进行随机扰动，产生一个新的解；若否，则随机选择一个解进行随机扰动，产生一个新的解；
S2.4：对新的解进行判断，若优于当前最优蝙蝠位置则将新的解作为当前最优蝙蝠位置，并更新蝙蝠的速度；
S2.5：判断是否满足预设的迭代条件，若否，则跳转执行S2.3步骤，若是，则输出最优解，并将其应用于对SDAE中的隐藏层点数进行优化。
优选地，S3步骤中，其具体步骤包括：
S3.1：在训练样本中添加噪声，将添加噪声的训练样本作为输入数据x输入经过优化的SDAE中进行训练学习；
S3.2：计算SDAE中染噪数据
的隐藏层特征y，其计算公式如下：
其中，θ＝(W,b)表示编码模型参数，W为d′×d维的编码权值矩阵，b为d′维的偏置向量，σ函数表示激活函数；
S3.3：对隐藏层特征y进行解码得到其重构表示z，其表达公式如下：
z＝gθ′(y)＝σ(W′y+b′)
其中，θ′＝(W′,b′)表示解码模型参数，W′为d′×d维的解码权值矩阵，b′为d维的偏置向量；
S3.4：根据输入数据x与重构表示z计算重构误差，通过最小化重构误差训练得到最优训练参数。
优选地，S3.1步骤中，在训练样本中添加的噪声包括0或白噪声。
优选地，S4步骤中，确定重构误差的上限阈值的具体步骤包括：对训练样本的重构误差进行和密度估计得到误差概率分布情况，根据误差概率分布情况取误差概率最大值作为重构误差的上限阈值。
优选地，S5步骤中，其具体步骤包括：以最优训练参数更新SDAE参数，将测试样本输入参数更新后的SDAE中得到测试样本的重构表示及测试样本的重构误差，比较重构误差与重构误差的上限阈值进行比较得到辨识结果，辨识结果即为局部放电模式识别结果。
本发明还提出了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，其中处理器执行计算机程序时实现上述任一技术方案提出的基于SDAE的局部放电模式识别方法的步骤。
本发明还提出了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一技术方案提出的基于SDAE的局部放电模式识别方法的步骤。
与现有技术相比，本发明技术方案的有益效果是：本发明采用堆叠降噪自编码器SDAE对局部放电数据进行局部放电模式识别，并融合蝙蝠算法对叠降噪自编码器SDAE的隐藏层节点数进行优化，能够进一步提高局部放电模式识别精度，有效过滤干扰数据，提高电缆局部放电模式识别准确率及数据分析效率，为检测对象的质量诊断体系提供保障。
附图说明
图1为本发明的基于SDAE的局部放电模式识别方法的流程图。
图2为本发明的基于SDAE的局部放电模式识别方法步骤2的流程图。
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；
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。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
本实施例提出一种基于SDAE的局部放电模式识别方法，如图1所示，为本实施例的基于SDAE的局部放电模式识别方法的流程图。
本实施例提出的基于SDAE的局部放电模式识别方法中，具体包括以下步骤：
S1：采集获取高压电缆局部放电状态在线监测数据，对监测数据进行预处理，将完成预处理的监测数据划分为训练样本和测试样本。
本步骤中，对监测数据进行预处理的具体步骤包括：对高压电缆局部放电状态在线监测数据采用关联规则挖掘方法进行监测数据关联性计算，根据监测数据的关联性得到强相关监测数据序列。其中，采用关联规则挖掘方法进行监测数据关联性计算的具体步骤包括：
S1.1：将连续的高压电缆局部放电状态在线监测数据进行离散化处理，从而实现局部放电状态在线监测数据的区段化映射；
S1.2：根据离散化处理的监测数据，计算所有表征局部放电状态的状态参数经过划分后的支持度S，用于表示监测数据的关联性，支持度S越大，则表示监测数据的关联性越强。
S2：初始化堆叠降噪自编码器SDAE，采用蝙蝠算法对SDAE中的隐藏层点数进行优化，得到经过优化的SDAE。
如图2所示，为本实施例中采用蝙蝠算法对SDAE中的隐藏层点数进行优化的流程图。
本步骤中，采用蝙蝠算法对SDAE中的隐藏层点数进行优化的具体步骤包括：
S2.1：初始化蝙蝠算法各项参数值，设置搜索频度r；
S2.2：获取当前种群中最优蝙蝠位置，更新蝙蝠的速度和位置；
S2.3：生成均匀分布随机数rand，判断当前rand是否大于r，若是，则对当前最优解进行随机扰动，产生一个新的解；若否，则随机选择一个解进行随机扰动，产生一个新的解；
S2.4：对新的解进行判断，若优于当前最优蝙蝠位置则将新的解作为当前最优蝙蝠位置，并更新蝙蝠的速度；
S2.5：判断是否满足预设的迭代条件，若否，则跳转执行S2.3步骤，若是，则输出最优解，并将其应用于对SDAE中的隐藏层点数进行优化。
S3：将训练样本输入经过优化的SDAE中进行训练学习，获得最优训练参数及SDAE输出的训练样本的重构表示。其具体步骤包括：
S3.1：在训练样本中添加噪声，将添加噪声的训练样本作为输入数据x输入经过优化的SDAE中进行训练学习；其中，添加的噪声包括0或白噪声，使得输入数据x中含有一定比例的染噪数据x～，进行破获污染得到，该比例成为数据破坏率；
S3.2：计算SDAE中染噪数据
的隐藏层特征y，其计算公式如下：
其中，θ＝(W,b)表示编码模型参数，W为d′×d维的编码权值矩阵，b为d′维的偏置向量，σ函数表示激活函数；
S3.3：对隐藏层特征y进行解码得到其重构表示z，其表达公式如下：
z＝gθ′(y)＝σ(W′y+b′)
其中，θ′＝(W′,b′)表示解码模型参数，W′为d′×d维的解码权值矩阵，b′为d维的偏置向量；
S3.4：根据输入数据x与重构表示z计算重构误差，通过最小化重构误差训练得到最优训练参数。
S4：基于训练样本的重构表示与训练样本的重构误差，确定重构误差的上限阈值。
本步骤中，确定重构误差的上限阈值的具体步骤包括：对训练样本的重构误差进行和密度估计得到误差概率分布情况，根据误差概率分布情况取误差概率最大值作为重构误差的上限阈值。
S5：以最优训练参数更新SDAE参数，将测试样本输入参数更新后的SDAE中得到局部放电模式识别结果。其具体步骤包括：以最优训练参数更新SDAE参数，将测试样本输入参数更新后的SDAE中得到测试样本的重构表示及测试样本的重构误差，比较重构误差与重构误差的上限阈值进行比较得到辨识结果，辨识结果即为局部放电模式识别结果。
本实施例中，融合了蝙蝠算法和堆叠降噪自编码器SDAE的有效性能，其中蝙蝠算法是一种基于迭代优化技术的新型群智能优化算法，采用蝙蝠算法优化堆叠降噪自编码器SDAE的隐藏层节点数能够得到很好的寻优结果，二者的有效性能互补能够进一步提高局部放电模式识别精度，有效过滤干扰数据，提高数据分析效率，为检测对象的质量诊断体系提供保障。
相同或相似的标号对应相同或相似的部件；
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；
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.基于SDAE的局部放电模式识别方法，其特征在于，包括以下步骤：
S1：采集获取高压电缆局部放电状态在线监测数据，对所述监测数据进行预处理，将完成预处理的监测数据划分为训练样本和测试样本；
S2：初始化堆叠降噪自编码器SDAE，对SDAE中的隐藏层点数进行优化，得到经过优化的SDAE；
S3：将训练样本输入所述经过优化的SDAE中进行训练学习，获得最优训练参数及SDAE输出的所述训练样本的重构表示；
S4：基于所述训练样本的重构表示与训练样本的重构误差，确定重构误差的上限阈值；
S5：以最优训练参数更新SDAE参数，将测试样本输入参数更新后的SDAE中得到局部放电模式识别结果。
2.根据权利要求1所述的局部放电模式识别方法，其特征在于，所述S1步骤中，对所述监测数据进行预处理的具体步骤包括：对所述高压电缆局部放电状态在线监测数据采用关联规则挖掘方法进行监测数据关联性计算，根据所述监测数据的关联性得到强相关监测数据序列。
3.根据权利要求2所述的局部放电模式识别方法，其特征在于，所述S1步骤中，采用关联规则挖掘方法进行监测数据关联性计算的具体步骤包括：
S1.1：将连续的高压电缆局部放电状态在线监测数据进行离散化处理；
S1.2：根据所述离散化处理的监测数据，计算所有表征局部放电状态的状态参数经过划分后的支持度S，用于表示监测数据的关联性。
4.根据权利要求1所述的局部放电模式识别方法，其特征在于，所述S2步骤中，采用蝙蝠算法对SDAE中的隐藏层点数进行优化，其具体步骤包括：
S2.1：初始化蝙蝠算法各项参数值，设置搜索频度r；
S2.2：获取当前种群中最优蝙蝠位置，更新蝙蝠的速度和位置；
S2.3：生成均匀分布随机数rand，判断当前rand是否大于r，若是，则对当前最优解进行随机扰动，产生一个新的解；若否，则随机选择一个解进行随机扰动，产生一个新的解；
S2.4：对新的解进行判断，若优于当前最优蝙蝠位置则将新的解作为当前最优蝙蝠位置，并更新蝙蝠的速度；
S2.5：判断是否满足预设的迭代条件，若否，则跳转执行S2.3步骤，若是，则输出最优解，并将其应用于对SDAE中的隐藏层点数进行优化。
5.根据权利要求1所述的局部放电模式识别方法，其特征在于，所述S3步骤中，其具体步骤包括：
S3.1：在所述训练样本中添加噪声，将添加噪声的训练样本作为输入数据x输入所述经过优化的SDAE中进行训练学习；
S3.2：计算SDAE中染噪数据
的隐藏层特征y，其计算公式如下：
其中，θ＝(W,b)表示编码模型参数，W为d′×d维的编码权值矩阵，b为d′维的偏置向量，σ函数表示激活函数；
S3.3：对隐藏层特征y进行解码得到其重构表示z，其表达公式如下：
z＝gθ′(y)＝σ(W′y+b′)
其中，θ′＝(W′,b′)表示解码模型参数，W′为d′×d维的解码权值矩阵，b′为d维的偏置向量；
S3.4：根据输入数据x与重构表示z计算重构误差，通过最小化重构误差训练得到最优训练参数。
6.根据权利要求5所述的局部放电模式识别方法，其特征在于，所述S3.1步骤中，在所述训练样本中添加的噪声包括0或白噪声。
7.根据权利要求5所述的局部放电模式识别方法，其特征在于，所述S4步骤中，确定重构误差的上限阈值的具体步骤包括：对训练样本的重构误差进行和密度估计得到误差概率分布情况，根据所述误差概率分布情况取误差概率最大值作为重构误差的上限阈值。
8.根据权利要求1所述的局部放电模式识别方法，其特征在于，所述S5步骤中，其具体步骤包括：以最优训练参数更新SDAE参数，将测试样本输入参数更新后的SDAE中得到测试样本的重构表示及测试样本的重构误差，比较重构误差与所述重构误差的上限阈值进行比较得到辨识结果，所述辨识结果即为局部放电模式识别结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的基于SDAE的局部放电模式识别方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的基于SDAE的局部放电模式识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010810550.5A CN112016598A (zh) | 2020-08-13 | 2020-08-13 | 基于sdae的局部放电模式识别方法、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010810550.5A CN112016598A (zh) | 2020-08-13 | 2020-08-13 | 基于sdae的局部放电模式识别方法、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112016598A true CN112016598A (zh) | 2020-12-01 |
Family
ID=73505966
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010810550.5A Pending CN112016598A (zh) | 2020-08-13 | 2020-08-13 | 基于sdae的局部放电模式识别方法、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112016598A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112686182A (zh) * | 2021-01-04 | 2021-04-20 | 华北电力大学（保定） | 局部放电模式识别方法及终端设备 |
| CN113205050A (zh) * | 2021-05-09 | 2021-08-03 | 西北工业大学 | 一种基于gru-ae网络的舰船辐射噪声线谱提取方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009141A (zh) * | 2019-03-22 | 2019-07-12 | 国网山东省电力公司经济技术研究院 | 基于sdae特征提取和svm分类模型的爬坡事件预测方法及系统 |
-
2020
- 2020-08-13 CN CN202010810550.5A patent/CN112016598A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009141A (zh) * | 2019-03-22 | 2019-07-12 | 国网山东省电力公司经济技术研究院 | 基于sdae特征提取和svm分类模型的爬坡事件预测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| PENG XIAOSHENG ET AL.: ""A Deep Learning Approach for Wind Power Prediction based on Stacked Denoising Auto Encoders Optimized by Bat Algorithm"", 《2018 CHINA INTERNATIONAL CONFERENCE ON ELECTRICITY DISTRIBUTION》, 19 September 2018 (2018-09-19), pages 945 - 948, XP033484321, DOI: 10.1109/CICED.2018.8592384 * |
| 郗晓光等: ""基于深度稀疏降噪自编码网络的局部放电模式识别"", 《电气自动化》, vol. 40, no. 4, 31 August 2018 (2018-08-31), pages 115 - 118 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112686182A (zh) * | 2021-01-04 | 2021-04-20 | 华北电力大学（保定） | 局部放电模式识别方法及终端设备 |
| CN112686182B (zh) * | 2021-01-04 | 2023-12-26 | 华北电力大学（保定） | 局部放电模式识别方法及终端设备 |
| CN113205050A (zh) * | 2021-05-09 | 2021-08-03 | 西北工业大学 | 一种基于gru-ae网络的舰船辐射噪声线谱提取方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112016598A (zh) | 基于sdae的局部放电模式识别方法、计算机设备和存储介质 | |
| CN112966879A (zh) | 环境试验箱故障预测方法、装置、计算机设备及存储介质 | |
| CN114626071B (zh) | 一种漏洞导向的模糊测试方法、系统和介质 | |
| CN111929548A (zh) | 放电和干扰信号样本生成方法、计算机设备和存储介质 | |
| CN115221516B (zh) | 恶意应用程序识别方法及装置、存储介质、电子设备 | |
| CN114692926A (zh) | 车用电池的安全评估方法、系统、设备及可读存储介质 | |
| CN112364704A (zh) | 一种基于时钟同步局部放电的聚类方法及系统 | |
| CN117111544A (zh) | 一种自动适配的楼宇物联网监控方法及系统 | |
| CN112926620B (zh) | 一种变压器套管局部放电的缺陷类型识别方法及系统 | |
| CN116307269B (zh) | 一种基于人工智能的光伏发电功率预测方法及装置 | |
| CN116611003A (zh) | 一种变压器故障诊断方法、装置、介质 | |
| CN117274212A (zh) | 一种桥梁水下结构裂缝检测方法 | |
| CN115831219B (zh) | 一种质量预测方法、装置、设备及存储介质 | |
| CN111770053A (zh) | 一种基于改进的聚类与自相似性的恶意程序检测方法 | |
| CN115953578A (zh) | 一种裂缝语义分割模型推理结果的评估方法及装置 | |
| CN115408927A (zh) | 用于预测岩体参数的数据处理方法和装置 | |
| CN114861858A (zh) | 一种路面异常数据检测方法、装置、设备及可读存储介质 | |
| CN113918723A (zh) | 一种设备信息的分类方法及装置 | |
| CN113408371A (zh) | 一种早期故障诊断方法及装置 | |
| CN116805045B (zh) | 气象预测模型修正方法、装置、设备及可读存储介质 | |
| CN114036948B (zh) | 一种基于不确定性量化的命名实体识别方法 | |
| CN116304846B (zh) | 一种基于自监督学习的cvt内部绝缘异常在线评估方法 | |
| CN117872039B (zh) | 一种基于改进rbf网络的线路故障测距方法及系统 | |
| CN115146258B (zh) | 请求处理方法、装置、存储介质及电子设备 | |
| CN115438452B (zh) | 一种时序网络信号的可靠性传输检测方法 |
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 |