CN112098715B - 基于5g和修正gcn图神经网络的电能监控与预警系统 - Google Patents
基于5g和修正gcn图神经网络的电能监控与预警系统 Download PDFInfo
- Publication number
- CN112098715B CN112098715B CN202010984052.2A CN202010984052A CN112098715B CN 112098715 B CN112098715 B CN 112098715B CN 202010984052 A CN202010984052 A CN 202010984052A CN 112098715 B CN112098715 B CN 112098715B
- Authority
- CN
- China
- Prior art keywords
- current
- node
- factory
- production
- monitoring
- 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
- G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
- G01R22/061—Details of electronic electricity meters
- G01R22/063—Details of electronic electricity meters related to remote communication
-
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/4185—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by the network communication
- G05B19/41855—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by the network communication by local area network [LAN], network structure
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2639—Energy management, use maximum of cheap power, keep peak load low
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本发明公开了基于5G和修正GCN图神经网络的电能监控与预警系统,包括智能电表、服务器终端,所述智能电表通过互感器采集流经线路的电流值,智能电表内置5G模块,将采集的电流信息传输到服务器端;服务器端对工厂、生产车间、生产线、关键设备电流数据进行汇聚,并结合工厂生产数据进行综合分析。本发明采用互感器对流经电线的电流值进行监测,并首次使用5G网络将监测到的数据发送到云端服务器,该方式避免了工厂布线问题,解决了工厂用电测量、监控等环节的互相孤立问题,实现了工厂用电监测集中监控、集中管理。
Description
技术领域
本发明涉及技术电能监控领域,具体是指基于5G和修正GCN图神经网络的电能监控与预警系统。
背景技术
随着智能制造的深入发展,制造业电能需求也持续增加,大量的能源消耗不仅造成工厂产品成本的增加,而且不利于国家节能减排战略的开展。面对工厂如何节能,运用何种节能方式,验证节能成效等需求,需要建立一套针对工厂电能监控的系统。目前工厂电能监控主要在于工厂关口变电站安装一块总表,对于各个车间、生产线、主设备均没有二次计量设备,这种方式对成本核算、节能减排无法做更细致化分析。
当前这种粗放式的电能监控方式主要存在着以下几点不足:1)工厂对用电设备的测量、监控和信息互联等环节互相“孤立”,没有达到集成化和规范化的程度,缺乏统一集中监控系统;2)无法实现对关键设备、生产线、车间的电能监控,因此对成本核算、节能减排无法做更细致化分析;3)无法在工厂设备老化异常时,通过用电数据主动分析的手段,完成工厂异常用电行为的预警,更无法在生产出现问题时,通过数据分析,快速定位问题车间、生产线和设备。
发明内容
本发明要解决的技术问题是克服以上技术缺陷,提供基于5G和修正GCN图神经网络的电能监控与预警系统,对工厂中的单个车间、单条生产线甚至单个关键设备,进行电流监控,然后通过网络回传到服务器。由于电力载波传输,于工厂而言,会出现谐波干扰、电压波动和闪变频率异常等问题,造成工厂的配电控制设备误动作,因而采用5G网络进行数据传输避免了类似问题。对于服务器端,将各个车间、生产线、设备等用电数据,送入修正GCN神经网络中,分析每个周期的用电情况,并结合生产数据和测量结果,提供工厂用电正常与否的判断依据。
为了达到上述发明目的,本发明采用的技术方案为:基于5G和修正GCN图神经网络的电能监控与预警系统,包括智能电表、服务器终端,所述智能电表通过互感器采集流经线路的电流值,智能电表内置5G模块,将采集的电流信息传输到服务器端;服务器端对工厂、生产车间、生产线、关键设备电流数据进行汇聚,并结合工厂生产数据进行综合分析,具体步骤如下:
(1)对所述工厂、生产车间、生产线、关键设备进行编号,工厂编号为0,生产车间编号为1,...,M1(M1表示工厂内的生产车间数量),生产线编号为M1+1,...,M1+M2(M2表示工厂内的生产线条数),关键设备编号为M1+M2+1,...,M1+M2+M3(M3表示工厂内的关键设备数量);
向量化,如下所示:
(3)定义节点归属关系,采用树结构进行表示;
当设备k属于生产线m,生产线m属于车间n,车间n属于工厂0,则定义归属关系如下:k∈m,m∈n,n∈0
(4)根据各个节点之间的归属关系生成邻接矩阵A,如下所示:
其中
(5)将各个节点的电流值重排为矩阵形式作为网络输入值,如下:
其中N=1+M1+M2+M3表示节点总数量,K表示节点输入向量长度,即最大保留K周期之前的电流值作为当前网络的输入;
其中J表示所述产品类别数;
(7)将各类产品的产能重排为矩阵形式作为网络另一组输入值,如下:
其中J表示产品总类别数,K表示节点输入向量长度,即最大保留K周期之前的产能作为当前网络的输入;
(8)将节点电流矩阵和产品产能矩阵输入网络中,计算网络输出,判断工厂是否存在用电隐患。
进一步的,步骤(3)中在树结构图的基础上,构建运用树中的父子节点关系构建图的邻接矩阵,用于构建图卷积神经网络。
进一步的,服务器端采用图卷积神经网络GCN联合工厂生产数据,对输入的电流信息进行综合分析与判断,具体流程如下:
a)前向计算:
其中,Hl表示网络第l层,本发明中网络总层数为3即输入层、隐藏层和输出层,H0=X表示输入层,A表示图中的邻接矩阵,W0 l为节点隐患概率和监控电流之间的第l层权重参数矩阵,W1为节点监控电流和工厂产品产能之间的权重参数矩阵,W2为节点隐患概率和节点监控电流与预测电流差值之间的权重参数矩阵,[]t表示矩阵转置,σ(.)表示非线性激活函数,隐藏层使用Relu函数,输出层使用Sigmoid函数,输出值为[p0,p1,...,pN],表示各个节点用电隐患的概率;
常规图卷积神经网络前向计算如下:
前向计算在输出层设置一项修正输入λ·σ(Xt-QtW1)t·W2,使节点用电隐患概率不仅同节点监控的电流值有关,同时也同工厂产品产能相关;当pk>0.45时,服务器发出节点k用电隐患报警信号;
b)Loss定义:
使用交叉熵作为用电安全隐患的函数,如下所示:
使用MSE作为用电正常场景下工厂监控电流和预测电流之间的损失函数,如下所示:
总损失函数,如下所示:
loss=loss0+γ·loss1
MSE损失函数,仅在用电正常场景下有效,用于预测电流和工厂产品产能之间权重系数的更新;
c)反向传播与权重更新:
采用动量梯度下降法,即MSGD算法对Loss进行优化,实现模型的参数自动更新,直到Loss不再减小时,停止更新。
本发明的有益效果为:本发明采用互感器对流经电线的电流值进行监测,并首次使用5G网络将监测到的数据发送到云端服务器,该方式避免了工厂布线问题,解决了工厂用电测量、监控等环节的互相孤立问题,实现了工厂用电监测集中监控、集中管理。
本发明中采用修正图卷积神经网络,相比于常规图卷积网络,首先本发明首次在网络输出层的输入部分增加一组修正输入,完善了节点用电隐患概率和工厂各类产品产能之间的关系,提升了用电隐患识别准确率;其次,在网络训练过程中,首次引入双损失函数到图卷积网络中,不仅优化节点用电隐患概率和监测电流之间的权重系数,同时优化用电正常场景下节点预测电流和工厂产品产能之间的权重系数,从而通过预测电流和监测电流的之间的差值,进一步提升用电隐患识别准确率。
本发明对各个工厂、生产车间、生产线甚至关键生产设备的电能使用情况进行了全面监控,实现了工厂用电场景的细致化监测,从而可对生产产品的用电成本进行核算,甚至可对产品的不同工艺过程的用电成本进行核算,从而可对工厂生产的产品进行更细致化的成本核算。
附图说明
图1是本发明的流程框图。
图2是本发明定义节点归属关系的树结构表示图。
具体实施方式
下面将结合本发明实施例,对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
基于5G和修正GCN图神经网络的电能监控与预警系统,包括智能电表、服务器终端,首先智能电表通过互感器采集流经线路的电流值,包括连接关键设备如机床的输电线、给生产线、生产车间、工厂送电的输电线;智能电表通过内置5G模块将采集的电流信息传输到服务器端;服务器端对工厂、生产车间、生产线、关键设备电流数据进行汇聚,并结合工厂生产数据进行综合分析,提出了基于当前生产数据的修正GCN神经网络,提升了工厂隐患预警的准确率,同时缩短了工厂出现故障时的故障点定位时间。
服务器端结合工厂生产数据对设备电流数据信息进行综合分析,具体流程如下:
(1)对所述工厂、生产车间、生产线、关键设备进行编号,如工厂编号为0,生产车间编号为1,...,M1(M1表示工厂内的生产车间数量),生产线编号为M1+1,...,M1+M2(M2表示工厂内的生产线条数),关键设备编号为M1+M2+1,...,M1+M2+M3(M3表示工厂内的关键设备数量);
(3)定义节点归属关系,采用树结构进行表示,如图2所示:
若设备k属于生产线m,生产线m属于车间n,车间n属于工厂0,则定义归属关系如下:k∈m,m∈n,n∈0
(4)根据各个节点之间的归属关系生成邻接矩阵A,如下所示:
其中
(5)将各个节点的电流值重排为矩阵形式作为网络输入值,如下:
其中N=1+M1+M2+M3表示节点总数量,K表示节点输入向量长度,即最大保留K周期之前的电流值作为当前网络的输入。
其中J表示所述产品类别数。
(7)将各类产品的产能重排为矩阵形式作为网络另一组输入值,如下:
其中J表示产品总类别数,K表示节点输入向量长度,即最大保留K周期之前的产能作为当前网络的输入。
(8)将节点电流矩阵和产品产能矩阵输入网络中,计算网络输出,判断工厂是否存在用电隐患。
本发明利用5G低延迟、高容量特性,实时对工厂内的各个车间、生产线、关键设备电能使用情况进行实时监测,并结合生成数据在服务器端完成综合分析判断;本发明中采用树图表示设备、生产线、生产车间、工厂的归属关系,并在树图的基础上首次构建运用树中的父子节点关系构建图的邻接矩阵,用于构建图卷积神经网络。
服务器端采用修正图卷积神经网络GCN联合工厂生产数据,对输入的电流信息进行综合分析与判断,具体流程如下:
a)前向计算:
其中,Hl表示网络第l层,本发明中网络总层数为3即输入层、隐藏层和输出层,H0=X表示输入层,A表示图中的邻接矩阵,W0 l为节点隐患概率和监控电流之间的第l层权重参数矩阵,W1为节点监控电流和工厂产品产能之间的权重参数矩阵,W2为节点隐患概率和节点监控电流与预测电流差值之间的权重参数矩阵,[]t表示矩阵转置,σ(·)表示非线性激活函数,本发明中隐藏层使用Relu函数,输出层使用Sigmoid函数,输出值为[p0,p1,...,pN],表示各个节点用电隐患的概率。
常规图卷积神经网络前向计算如下:
前向计算在输出层设置一项修正输入λ·σ(Xt-QtW1)t·W2,使节点用电隐患概率不仅同节点监控的电流值有关,同时也同工厂产品产能相关,进一步提升了工厂用电隐患预测准确率。推理使用时,当pk>0.45时,服务器发出节点k用电隐患报警信号。
b)Loss定义:
使用交叉熵作为用电安全隐患的函数,如下所示:
使用MSE作为用电正常场景下工厂监控电流和预测电流(通过工厂产品产能进行预测)之间的损失函数,如下所示:
总损失函数,如下所示:
loss=loss0+γ·loss1
常规图卷积神经网络损失函数只包含loss0,本发明相比于常规图卷积神经网络,增加了一项MSE损失函数,仅在用电正常场景下有效,用于预测电流和工厂产品产能之间权重系数的更新,从而根据预测电流和监测电流之间的差异,提升用电隐患预测的准确率。
c)反向传播与权重更新:本发明中采用动量梯度下降法即MSGD算法对Loss进行优化,实现模型的参数自动更新,直到Loss不再减小时,停止更新。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,只是本发明的实施方式之一,实际的实施方式并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (3)
1.基于5G和修正GCN图神经网络的电能监控与预警系统,包括智能电表、服务器终端,其特征在于:所述智能电表通过互感器采集流经线路的电流值,智能电表内置5G模块,将采集的电流信息传输到服务器端;服务器端对工厂、生产车间、生产线、关键设备电流数据进行汇聚,并结合工厂生产数据进行综合分析,具体步骤如下:
(1)对所述工厂、生产车间、生产线、关键设备进行编号,工厂编号为0,生产车间编号为1,...,M1(M1表示工厂内的生产车间数量),生产线编号为M1+1,...,M1+M2(M2表示工厂内的生产线条数),关键设备编号为M1+M2+1,...,M1+M2+M3(M3表示工厂内的关键设备数量);
(3)定义节点归属关系,采用树结构进行表示;
当设备k属于生产线m,生产线m属于车间n,车间n属于工厂0,则定义归属关系如下:
k∈m,m∈n,n∈0
(4)根据各个节点之间的归属关系生成邻接矩阵A,如下所示:
其中
(5)将各个节点的电流值重排为矩阵形式作为网络输入值,如下:
其中N=1+M1+M2+M3表示节点总数量,K表示节点输入向量长度,即最大保留K周期之前的电流值作为当前网络的输入;
其中J表示产品类别数;
(7)将各类产品的产能重排为矩阵形式作为网络另一组输入值,如下:
其中J表示产品总类别数,K表示节点输入向量长度,即最大保留K周期之前的产能作为当前网络的输入;
(8)将节点电流矩阵和产品产能矩阵输入网络中,计算网络输出,判断工厂是否存在用电隐患。
2.根据权利要求1所述的基于5G和修正GCN图神经网络的电能监控与预警系统,其特征在于:步骤(3)中在树结构图的基础上,构建运用树中的父子节点关系构建图的邻接矩阵,用于构建图卷积神经网络。
3.根据权利要求2所述的基于5G和修正GCN图神经网络的电能监控与预警系统,其特征在于:服务器端采用图卷积神经网络GCN联合工厂生产数据,对输入的电流信息进行综合分析与判断,具体流程如下:
a)前向计算:
其中,Hl表示网络第L层,本发明中网络总层数为3即输入层、隐藏层和输出层,H0=X表示输入层,A表示图中的邻接矩阵,W0 l为节点隐患概率和监控电流之间的第l层权重参数矩阵,W1为节点监控电流和工厂产品产能之间的权重参数矩阵,W2为节点隐患概率和节点监控电流与预测电流差值之间的权重参数矩阵,[]t表示矩阵转置,σ(.)表示非线性激活函数,隐藏层使用Relu函数,输出层使用Sigmoid函数,输出值为[p0,p1,...,pN],表示各个节点用电隐患的概率;
常规图卷积神经网络前向计算如下:
前向计算在输出层设置一项修正输入λ·σ(Xt-QtW1)t·W2,使节点用电隐患概率不仅同节点监控的电流值有关,同时也同工厂产品产能相关;当pk>0.45时,服务器发出节点k用电隐患报警信号;
b)Loss定义:
使用交叉熵作为用电安全隐患的函数,如下所示:
使用MSE作为用电正常场景下工厂监控电流和预测电流之间的损失函数,如下所示:
总损失函数,如下所示:
loss=loss0+γ·loss1
MSE损失函数,仅在用电正常场景下有效,用于预测电流和工厂产品产能之间权重系数的更新;
c)反向传播与权重更新:
采用动量梯度下降法,即MSGD算法对Loss进行优化,实现模型的参数自动更新,直到Loss不再减小时,停止更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010984052.2A CN112098715B (zh) | 2020-09-18 | 2020-09-18 | 基于5g和修正gcn图神经网络的电能监控与预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010984052.2A CN112098715B (zh) | 2020-09-18 | 2020-09-18 | 基于5g和修正gcn图神经网络的电能监控与预警系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112098715A CN112098715A (zh) | 2020-12-18 |
CN112098715B true CN112098715B (zh) | 2023-06-06 |
Family
ID=73758968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010984052.2A Active CN112098715B (zh) | 2020-09-18 | 2020-09-18 | 基于5g和修正gcn图神经网络的电能监控与预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112098715B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077043B (zh) * | 2021-03-17 | 2022-05-20 | 华中科技大学 | 基于改进图卷积网络的机床刀尖动力学特征预测方法 |
CN114237154B (zh) * | 2021-11-26 | 2023-06-30 | 重庆大学 | 基于ont-gcn时空模型的热误差预测模型及建模方法和霾-边-雾-云误差补偿系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN106779069A (zh) * | 2016-12-08 | 2017-05-31 | 国家电网公司 | 一种基于神经网络的异常用电检测方法 |
CN109784471A (zh) * | 2018-10-24 | 2019-05-21 | 浙江华云信息科技有限公司 | 一种基于多预测模型的95598话务工单预测与异动预警方法 |
CN110188826A (zh) * | 2019-05-31 | 2019-08-30 | 湖南科技大学 | 基于智能电表数据的家用电器运行状态非侵入式检测方法 |
CN110782019A (zh) * | 2019-10-28 | 2020-02-11 | 中国科学院自动化研究所 | 基于分解和剪枝的卷积神经网络压缩方法、系统、装置 |
CN110929115A (zh) * | 2019-11-21 | 2020-03-27 | 和远智能科技股份有限公司 | 一种基于用电特性的用电安全监测方法及系统 |
CN110968701A (zh) * | 2019-11-05 | 2020-04-07 | 量子数聚(北京)科技有限公司 | 用于图神经网络的关系图谱建立方法以及装置、设备 |
CN112200263A (zh) * | 2020-10-22 | 2021-01-08 | 国网山东省电力公司电力科学研究院 | 一种应用于配电物联网的自组织联邦聚类方法 |
-
2020
- 2020-09-18 CN CN202010984052.2A patent/CN112098715B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN106779069A (zh) * | 2016-12-08 | 2017-05-31 | 国家电网公司 | 一种基于神经网络的异常用电检测方法 |
CN109784471A (zh) * | 2018-10-24 | 2019-05-21 | 浙江华云信息科技有限公司 | 一种基于多预测模型的95598话务工单预测与异动预警方法 |
CN110188826A (zh) * | 2019-05-31 | 2019-08-30 | 湖南科技大学 | 基于智能电表数据的家用电器运行状态非侵入式检测方法 |
CN110782019A (zh) * | 2019-10-28 | 2020-02-11 | 中国科学院自动化研究所 | 基于分解和剪枝的卷积神经网络压缩方法、系统、装置 |
CN110968701A (zh) * | 2019-11-05 | 2020-04-07 | 量子数聚(北京)科技有限公司 | 用于图神经网络的关系图谱建立方法以及装置、设备 |
CN110929115A (zh) * | 2019-11-21 | 2020-03-27 | 和远智能科技股份有限公司 | 一种基于用电特性的用电安全监测方法及系统 |
CN112200263A (zh) * | 2020-10-22 | 2021-01-08 | 国网山东省电力公司电力科学研究院 | 一种应用于配电物联网的自组织联邦聚类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112098715A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112098715B (zh) | 基于5g和修正gcn图神经网络的电能监控与预警系统 | |
CN102819813B (zh) | 一种智能变电站自动化系统的安全风险评估方法 | |
CN102931625B (zh) | 一种继电保护在线状态检修智能决策分析装置和其信号处理方法及其应用 | |
CN110543696B (zh) | 一种未建模小机组参与电力市场出清和安全校核的方法 | |
CN105071399A (zh) | 基于主、配电网互动协调的电压无功综合控制系统 | |
CN109993665B (zh) | 电力系统在线安全稳定评估方法、装置及系统 | |
CN107871202A (zh) | 一种计及多电压等级的电网可靠性评估方法 | |
CN103441495A (zh) | 电力系统元件参数和功率修正系数的辨识方法及系统 | |
Wang et al. | A load modeling algorithm for distribution system state estimation | |
CN107622360A (zh) | 一种综合考虑主客观因素的关键线路识别方法 | |
CN105743108A (zh) | 一种具有三相不平衡监测功能的10kV低压智能配电网系统 | |
CN103617447B (zh) | 智能变电站的评价系统及评价方法 | |
CN110412417B (zh) | 基于智能电力监测仪表的微电网数据故障诊断方法 | |
Guo et al. | Evidence-based approach to power transmission risk assessment with component failure risk analysis | |
CN106849064B (zh) | 一种基于气象数据的区域电网负荷预测管理系统 | |
CN113740666B (zh) | 一种数据中心电力系统告警风暴根源故障的定位方法 | |
CN109581115B (zh) | 一种配电网低电压诊断系统和诊断方法 | |
Zelensky et al. | Development of a distributed multi-agent system monitoring and control networks of 0.4–35 kV | |
CN112905670A (zh) | 用于户内停电故障研判的电能表系统、户内停电故障研判方法 | |
CN102611085B (zh) | 一种连锁跳闸仿真分析方法 | |
CN116014741B (zh) | 基于数据处理的柔性控制器与配电网运行适配系统及方法 | |
CN116345687A (zh) | 电力监控系统用户行为安全预警系统 | |
CN115395643A (zh) | 基于全数据采集和状态感知的低压配电网故障预警定位装置及系统 | |
CN114969010A (zh) | 一种配电网络监控处理方法及装置 | |
CN103258114A (zh) | 一种基于多中心性测度的最小断点集脆弱性分析方法 |
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 |