CN112070322B - 基于长短期记忆网络的高压电缆线路运行状态预测方法 - Google Patents
基于长短期记忆网络的高压电缆线路运行状态预测方法 Download PDFInfo
- Publication number
- CN112070322B CN112070322B CN202011044473.3A CN202011044473A CN112070322B CN 112070322 B CN112070322 B CN 112070322B CN 202011044473 A CN202011044473 A CN 202011044473A CN 112070322 B CN112070322 B CN 112070322B
- Authority
- CN
- China
- Prior art keywords
- data
- sequence
- time window
- state
- state quantity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000015654 memory Effects 0.000 title claims abstract description 9
- 238000010606 normalization Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000009529 body temperature measurement Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 239000004020 conductor Substances 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G06N3/04—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
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提出一种基于长短期记忆网络的高压电缆线路运行状态预测方法,属于电力系统线路状态预测技术领域。该方法首先获取同一电缆上在同一采集点获取不同的状态量原始序列数据并进行预处理和归一化,利用时间窗将每个状态量的序列数据划分为多个子序列,并将所有的子序列组成输入序列并生成对应输出序列。利用输入序列和输出序列训练LSTM预测模型完毕后,利用训练完毕的模型即可预测任一状态量子序列对应的下一个时间窗的子序列预测值,通过反归一化,最终得到真实状态量数据的预测结果。本发明利用深度学习实现对单一节点的多状态量联合预测,提高电缆状态预测的准确度,保障高压输电电缆的运行可靠性。
Description
技术领域
本发明属于电力系统线路状态预测技术领域,特别提出一种基于长短期记忆网络的高压电缆线路运行状态预测方法。
背景技术
随着经济的发展,我国的电缆建设处于一个快速的发展时期。然而,不同电缆生产制造工艺不同、敷设条件不一,在运行中经受电、热、机械等联合作用,并同时受自然环境(气温、气压、湿度以及污秽等)的影响,电缆的长期运行将会引起绝缘老化、疲劳、磨损,从而使得电缆绝缘性能逐渐下降,设备运行可靠性逐渐降低,进而威胁电力系统的运行可靠性。为了保障电缆线路可靠运行,提高电缆运维检修水平,降低电缆故障停运的风险,必须对高压电缆线路本体及通道进行状态感知与状态预测。
得益于现代传感技术与通讯技术的发展,目前我国已有部分高压电缆输电线路实现状态感知,包括以局部放电、接地环流、电缆测温、载流量为主的电缆线路本体状态感知及通道气体、光栅测温、照明、水位为主的电缆通道状态感知,电气设备检修策略逐渐从定期检修向状态检修进行过渡。然而,面对高压电缆输电监测系统产生的海量数据,传统方法从中准确获取有效的信息,无法实现高压输电电缆设备状态的准确预测与评价。
近些年,随着国际上人工智能技术的飞速发展,以深度学习为代表的人工智能算法在图像识别、自然语言处理、语音识别等领域取得巨大的突破。其中,长短期记忆(LSTM,Long Short Term Memory)神经网络作为循环神经网络的一种,在文本序列分析上取得成功的应用,比循环神经网络和网络及隐马尔科夫模型等表现更好。
2018年广东电网提出一种基于马尔科夫链的电缆导体温度序列的预测方法,首先构建原始数据序列,基于原始数据序列,构建电缆导体温度预测模型,通过计算残差状态转移概率矩阵对电缆导体温度进行预测,模型简单,具有一定的预测精准度。
该方法的流程如图1所示,首先构建原始数据序列,以(x(0)(1),x(0)(2)…x(0)(n))表示时刻t=1,2,…,n时刻对应的高压电缆在线监测单一状态量,通过对原始序列进行累加,可以得到第一次的累加序列x(1),其中x(1)=(x(1)(1),x(1)(2)…x(1)(n)),对第一次累加的序列利用式(1-1)进行拟合,
拟合后得到相应的系数,此时便可以得到x(0)的初步预测值进而得到预测值和实际值的残差对残差进行累加便可以得到一次累加残差序列ε(1)(t)=(ε(1)(0),ε(1)(1)…,ε(1)(n)),利用同样的公式可以得到误差的预测值,把误差值代入公式(1-1)进行修正,可以得到改进后的原始序列预测值:
其中的x″(t)代表的是改进后的原始序列的预测值,u1,a1,u,a分别是修正模型中的常数。
sgn(t)被称为符号函数,如下所示:
根据t=n残差状态确定下一时刻的sgn(t)的取值,再带入原始数据即可得到t=n+1时刻的高压电缆在线监测状态量。
现有技术具有以下两方面的缺点:
1)采用简单的时间序列预测模型,无法针对电缆在线监测单一状态量时间序列中的数据时间相关性进行有效提取与建模,难以实现单一状态量的时间序列准确预测。
2)时间序列预测仅针对单一测量节点的单一状态量,而电缆监测的状态量很多,且状态量之间具有关联性,以上方法无法处理单个测量节点的多状态量时间序列,无法实现高压电缆线路单节点多状态运行状态推演。
发明内容
本发明的目的是为克服已有技术的不足之处,提出一种基于长短期记忆网络的高压电缆线路运行状态预测方法。本发明利用深度学习的方法实现对单一节点的多状态量联合预测,提高电缆状态预测的准确度,为高压电缆状态预测与评价提供技术支撑,保障高压输电电缆的运行可靠性。
本发明提出一种基于长短期记忆网络的高压电缆线路运行状态预测方法,其特征在于,该方法包括以下步骤:
1)获取同一电缆上不同的状态量原始数据;
在区域电力系统中选取任一单条电缆的任一个采集点,在该采集点采集不同状态量对应的一段时间内的序列数据作为原始数据,构建的原始数据集表示成s(t)=(s(1)(t),s(2)(t),…,s(n)(t)),其中的n为状态量的个数,s(i)(t)为第丁个状态量在t时间段的序列值;
2)对步骤1)采集的原始数据进行预处理,得到预处理完毕的数据;
3)对步骤2)每个预处理完毕的数据进行标准化处理,计算表达式如下:
4)数据集划分;
对步骤3)标准化处理完毕后得到的所有数据进行划分,设定时间窗的长度为T,每个状态量对应的序列数据上的时间窗大小相等,通过滑动时间窗将预处理完毕后的每个状态量的序列数据划分为m个的子序列,对预处理完毕后n个状态量的序列数据划分时间窗完毕后,得到更新后的n个状态量对应的时间窗序列数据F=(F(1),F(2),…,F(n)),其中,对每个状态量i的序列数据划分时间窗后,得到该状态量对应的时间窗序列其中的为第i个状态量的第j个时间窗的子序列;
5)构建长短期记忆LSTM预测模型,所述LSTM预测模型由依次连接的输入层、LSTM层和输出层组成;
6)利用步骤4)得到的输入序列和输出序列,对步骤5)建立的模型进行训练,得到训练完毕的LSTM预测模型;
7)将步骤4)得到的输入序列F中任意选取一个状态量下的子序列数据,将该子序列数据输入步骤6)中训练完毕的模型,得到该输入子序列对应的下一个时间窗的子序列预测值;
将输出的预测值进行反归一化处理,得到该预测值所在时间窗的真实状态量数据的预测结果;
对该预测值进行反归一化处理:
本发明的特点及有益效果:
本发明采用深度学习的方法,提出一种基于长短期记忆网络的高压电缆线路运行状态预测方法,针对以局部放电、接地环流、电缆测温、载流量为主的电缆线路本体状态感知量及通道气体、光栅测温、照明、水位为主的电缆通道状态感知量等连续型时间序列进行单一节点的多状态量联合预测,实现高压电缆多状态量的分析,提高电缆状态预测的准确度,为高压电缆状态推演与评价提供技术支撑,保障高压输电电缆的运行可靠性。
附图说明
图1是已有的一种基于马尔科夫链的电缆导体温度序列的预测方法的整体流程图。
图2是本发明方法的整体流程图。
图3是本发明中数据集的划分方法示意图。
图4是本发明中网络结构图。
具体实施方式
本发明提出一种基于长短期记忆网络的高压电缆线路运行状态预测方法,下面结合附图及具体实施例对本发明进一步详细说明如下。
本发明提出一种基于长短期记忆网络的高压电缆线路运行状态预测方法,整体流程如图2所示,包括以下步骤:
1)获取同一电缆上不同的状态量原始数据;
本发明采用的是在区域电力系统中选取的任一单条电缆的同一个采集点采集到的不同状态量对应的随同一段时间变化的序列数据作为原始数据,其中,所述状态量可以为局部放电、接地环流、电缆测温、载流量为主的电缆线路本体状态感知量及通道气体、光栅测温、照明、水位为主的电缆通道状态感知量,构建的原始数据集可以表示成s(t)=(s(1)(t),s(2)(t),…,s(n)(t)),其中的n为状态量的个数,S(i)(t)为第丁个状态量在t时间段的序列值。
2)数据清洗和预处理;
在步骤1)采集到的原始数据中,往往会受到来自各个方面因素的干扰,因此需要对原始数据进行相应的预处理,从而保证采集到的数据的有效性。其中,对电缆导体的温度需要进行连续时间序列建模,对于数据中的缺失值,采用的是埃尔米特插值法进行插值,此外对于噪声大的异常值,通常采用聚类方法进行剔除并且作为缺失值处理,然后利用频繁项填充空缺值。对所有原始数据预处理完毕后,得到预处理完毕的数据。
3)数据标准化处理;
为了防止由于不同的自变量的幅度的巨大差异引起的奇异解,并将输入变量进行线性服从标准高斯分布的数据,从而让数据适应S型和tanh激活功能。对每个预处理完毕的数据s进行标准化处理,计算表达式如下:
其中,s表示任一预处理完毕的数据,σ表示的是该数据对应的状态量下所有预处理完毕后数据的样本方差,μ表示的是该数据对应的状态量下所有预处理完毕后数据的均值,表示s归一化后的数据,进行该项处理之后,所有数据就按照同一个电缆的不同状态量进行标准化处理,便可以让数据服从标准高斯分布。
4)数据集划分;
本发明数据划分的过程如图3所示,对步骤3)标准化处理完毕后得到的所有数据进行划分,设定时间窗的长度为T,每个状态量对应的序列数据上的时间窗大小相等,通过滑动时间窗将预处理完毕后的每个状态量的序列数据划分为m个的子序列,对预处理完毕后n个状态量的序列数据划分时间窗完毕后,得到更新后的n个状态量对应的时间窗序列数据F=(F(1),F(2),…,F(n)),其中,对每个状态量i的序列数据划分时间窗后,得到该状态量对应的时间窗序列其中的为第i个状态量的第j个时间窗的子序列;
5)模型搭建;
构建LSTM预测模型,LSTM预测模型由依次连接的输入层,LSTM层和输出层组成,在进行模型搭建时需要确定模型中的隐藏层大小,然后设置优化算法。
6)对步骤5)建立的模型进行训练;
利用步骤4)得到的输入序列和输出序列,根据模型的输出结果和准确值的差异优化模型的参数,神经网络中常用的梯度下降法,这种方法又有很多衍生的方法,选择不同的方法可能找到不同的局部极值,但是这不影响最终我们需要的结果,最终得到训练完毕的LSTM预测模型,本发明网络的训练过程如图4所示。
7)模型预测;
将步骤4)得到的输入序列F中任意选取一个状态量下的子序列数据,将该子序列数据输入步骤6)中训练完毕的模型,可以得到该输入子序列对应的下一个时间窗的子序列预测值;
8)计算模型评价指标;
为了提高网络的准确度和模型的有效性,将均方误差和平均绝对误差作为预测的准确性指标,公式如下所示:
Claims (2)
1.一种基于长短期记忆网络的高压电缆线路运行状态预测方法,其特征在于,该方法包括以下步骤:
1)获取同一电缆上不同的状态量原始数据;
在区域电力系统中选取任一单条电缆的任一个采集点,在该采集点采集不同状态量对应的一段时间内的序列数据作为原始数据,构建的原始数据集表示成s(t)=(s(1)(t),s(2)(t),…,s(n)(t)),其中的n为状态量的个数,s(i)(t)为第i个状态量在t时间段的序列值;
2)对步骤1)采集的原始数据进行预处理,得到预处理完毕的数据;
3)对步骤2)每个预处理完毕的数据进行标准化处理,计算表达式如下:
4)数据集划分;
对步骤3)标准化处理完毕后得到的所有数据进行划分,设定时间窗的长度为T,每个状态量对应的序列数据上的时间窗大小相等,通过滑动时间窗将预处理完毕后的每个状态量的序列数据划分为m个的子序列,对预处理完毕后n个状态量的序列数据划分时间窗完毕后,得到更新后的n个状态量对应的时间窗序列数据F=(F(1),F(2),…,F(n)),其中,对每个状态量i的序列数据划分时间窗后,得到该状态量对应的时间窗序列其中的为第i个状态量的第j个时间窗的子序列;
5)构建长短期记忆LSTM预测模型,所述LSTM预测模型由依次连接的输入层、LSTM层和输出层组成;
6)利用步骤4)得到的输入序列和输出序列,对步骤5)建立的模型进行训练,得到训练完毕的LSTM预测模型;
7)将步骤4)得到的输入序列F中任意选取一个状态量下的子序列数据,将该子序列数据输入步骤6)中训练完毕的模型,得到该输入子序列对应的下一个时间窗的子序列预测值;
将输出的预测值进行反归一化处理,得到该预测值所在时间窗的真实状态量数据的预测结果;
对该预测值进行反归一化处理:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011044473.3A CN112070322B (zh) | 2020-09-28 | 2020-09-28 | 基于长短期记忆网络的高压电缆线路运行状态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011044473.3A CN112070322B (zh) | 2020-09-28 | 2020-09-28 | 基于长短期记忆网络的高压电缆线路运行状态预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112070322A CN112070322A (zh) | 2020-12-11 |
CN112070322B true CN112070322B (zh) | 2022-05-13 |
Family
ID=73682873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011044473.3A Active CN112070322B (zh) | 2020-09-28 | 2020-09-28 | 基于长短期记忆网络的高压电缆线路运行状态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070322B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257967B (zh) * | 2020-12-21 | 2021-04-16 | 中国电力科学研究院有限公司 | 电缆的状态量预测的方法、用于确定电缆的运行状态的方法及装置 |
CN112557856B (zh) * | 2020-12-23 | 2023-10-31 | 南方电网电力科技股份有限公司 | 高压电缆护套的监测方法、装置、存储介质及计算机设备 |
CN113379033A (zh) * | 2021-06-11 | 2021-09-10 | 国网湖北省电力有限公司黄石供电公司 | 基于时空网络增强深度学习的电缆健康状态智能预警方法 |
CN113469243A (zh) * | 2021-06-30 | 2021-10-01 | 国网浙江宁波市鄞州区供电有限公司 | 一种极端环境下电缆性能的预测方法 |
CN116976530B (zh) * | 2023-09-25 | 2023-12-08 | 国网上海市电力公司 | 一种电缆设备状态预测方法、装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182259A (zh) * | 2018-01-03 | 2018-06-19 | 华南理工大学 | 一种基于深度长短期记忆神经网络对多变量时间序列分类的方法 |
CN108181556A (zh) * | 2017-12-18 | 2018-06-19 | 国网浙江省电力有限公司检修分公司 | 基于铁帽温差时间序列分析的瓷质绝缘子零值检测方法 |
CN110646708A (zh) * | 2019-09-27 | 2020-01-03 | 中国矿业大学 | 基于双层长短时记忆网络的10kV单芯电缆早期状态识别方法 |
CN111241673A (zh) * | 2020-01-07 | 2020-06-05 | 北京航空航天大学 | 用于噪声环境工业设备的健康状态预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US12008456B2 (en) * | 2019-06-28 | 2024-06-11 | Intel Corporation | Methods, apparatus, systems and articles of manufacture for providing query selection systems |
-
2020
- 2020-09-28 CN CN202011044473.3A patent/CN112070322B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108181556A (zh) * | 2017-12-18 | 2018-06-19 | 国网浙江省电力有限公司检修分公司 | 基于铁帽温差时间序列分析的瓷质绝缘子零值检测方法 |
CN108182259A (zh) * | 2018-01-03 | 2018-06-19 | 华南理工大学 | 一种基于深度长短期记忆神经网络对多变量时间序列分类的方法 |
CN110646708A (zh) * | 2019-09-27 | 2020-01-03 | 中国矿业大学 | 基于双层长短时记忆网络的10kV单芯电缆早期状态识别方法 |
CN111241673A (zh) * | 2020-01-07 | 2020-06-05 | 北京航空航天大学 | 用于噪声环境工业设备的健康状态预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112070322A (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112070322B (zh) | 基于长短期记忆网络的高压电缆线路运行状态预测方法 | |
CN112101480B (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
CN111967688B (zh) | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 | |
CN114218872B (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
CN115293280A (zh) | 基于时空特征分割重构的动力装备系统异常检测方法 | |
CN115688579A (zh) | 一种基于生成对抗网络的流域多点水位预测预警方法 | |
CN112116198A (zh) | 数据驱动的流程工业状态感知网络关键节点筛选方法 | |
CN108435819A (zh) | 一种铝型材挤压机能耗异常检测方法 | |
CN114297907A (zh) | 温室环境空间分布预测方法及装置 | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
CN114048790A (zh) | 一种基于耦合双向lstm和卷积结构网络的道路基层应变分析方法 | |
CN115859777A (zh) | 一种多故障模式下产品系统寿命预测的方法 | |
CN115204362A (zh) | 一种机械设备剩余寿命区间预测方法 | |
CN114676622A (zh) | 基于自编码器深度学习模型的短期光伏功率预测方法 | |
CN111754033B (zh) | 一种基于循环神经网络的非平稳时序数据预测方法 | |
CN113673774A (zh) | 基于自编码器和时序卷积网络的航空发动机余寿预测方法 | |
CN117407675A (zh) | 基于多变量重构联合动态权重的避雷器泄漏电流预测方法 | |
CN115713044B (zh) | 一种多工况切换下的机电设备剩余寿命分析方法和装置 | |
CN117154704A (zh) | 一种基于多尺度时空图注意力卷积网络的光伏功率预测方法 | |
CN116008747A (zh) | 基于小波阈值去噪的Yogi-mLSTM电缆局放识别方法与诊断系统 | |
CN111863153A (zh) | 一种基于数据挖掘的废水中悬浮固体总量的预测方法 | |
CN116565850A (zh) | 一种基于qr-blstm的风电功率超短期预测方法 | |
CN117034169A (zh) | 基于时序因果关系网络的电网主变设备异常状态预测方法 | |
CN113468720B (zh) | 一种数模联动的随机退化设备寿命预测方法 | |
CN118427716B (zh) | 一种基于数字孪生技术的智慧园区监控方法 |
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 |