CN112098760A - 基于卷积神经网络的电力故障信号检测方法 - Google Patents
基于卷积神经网络的电力故障信号检测方法 Download PDFInfo
- Publication number
- CN112098760A CN112098760A CN202010998054.7A CN202010998054A CN112098760A CN 112098760 A CN112098760 A CN 112098760A CN 202010998054 A CN202010998054 A CN 202010998054A CN 112098760 A CN112098760 A CN 112098760A
- Authority
- CN
- China
- Prior art keywords
- signal
- neural network
- power
- convolutional neural
- layer
- 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
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
-
- 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
- G01R31/088—Aspects of digital computing
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提出一种基于卷积神经网络的电力故障信号检测方法,解决现有故障信号检测的方式无法兼顾故障信号预判与过程设计简洁性的问题,首先采集具有故障且故障位置已知的电力信号及无故障的电力信号,构造预处理矩阵及与预处理矩阵匹配的输出训练矩阵,构建卷积神经网络模型,利用预处理矩阵输出训练矩阵训练卷积神经网络模型,得到电力故障信号检测模型,最后对待检测的电力信号进行检测,检测过程的设计复杂度低,而且基于已训练好的电力故障信号检测模型,可以提前对待检测的质量不佳的电力信号进行预判,可进一步提前通知工作人员提高对其的关注度,便于工作人员及时对电力系统运行状态掌控。
Description
技术领域
本发明涉及电力系统故障信号检测的技术领域,更具体地,涉及一种基于卷积神经网络的电力故障信号检测方法。
背景技术
目前,电力企业通常利用故障录波器在系统发生故障时,自动地、准确地记录故障前、后过程的各种电气量的变化情况,通过对这些电气量的分析、比较,对分析处理事故、判断保护是否正确动作、提高电力系统安全运行水平有着重要作用,但故障信号识别不能预判,工作人员只能在故障发生时,根据故障录波器的记录,掌握故障前后各种电气量信号的变化情况,这样不利于工作人员对电力系统运行状态的掌控。
此外,通过设计一些故障检测判断方法,也可以提高电力系统故障检测的性能,如公开号为CN110223195A,公开日为2019年9月10日的中国专利中公开了一种基于卷积神经网络的配电网故障检测方法,能够对配电网故障类型、相位和位置进行准确的判断,但是该方法实现故障信号识别的设计过程较复杂。
发明内容
为解决现有电力系统故障信号检测的方式无法兼顾故障信号预判与过程设计简洁性的问题,本发明提出了一种基于卷积神经网络的电力故障信号检测方法,过程简单,且可以及时对电力故障信号预判,提高运维效率。
为了达到上述技术效果,本发明的技术方案如下:
一种基于卷积神经网络的电力故障信号检测方法,至少包括:
S1.采集M条具有故障且故障位置已知的电力信号,N条无故障的电力信号;
S2.将每条电力信号以滑动窗T截取分段,形成电力信号截取段,将电力信号截取段表示为预处理矩阵S={S1,S2,…,Sn},其中,S1,S2,…,Sn表示以时间顺序排列的电力信号截取段,n表示总时间排列段数;Si={hi1,hi2,…,him}T,hi1,hi2,…,him表示以时间顺序排列的第i个电力信号截取段中的信号元素,m表示每个电力信号截取段中的信号元素数目,i表示1~n中的任意一个值;
S3.构造与预处理矩阵S匹配的输出训练矩阵Z'={Z1',Z2',…,Zn'},并获取输出训练矩阵Z'的信号元素值Zi',i表示1~n中的任意一个值;
S4.构造卷积神经网络模型J,将Si={hi1,hi2,…,him}T作为卷积神经网络模型J的输入,将Zi'作为卷积神经网络模型J的输出,对卷积神经网络模型J进行训练,得到电力故障信号检测模型;
S5.采集待检测的电力信号,输入至电力故障信号检测模型,电力故障信号检测模型对待检测的电力信号进行检测。
优选地,所述电力信号为电流信号或电压信号。
优选地,步骤S2所述的滑动窗T的滑动步长为0.1s—0.2s,窗体长度为1s—2s。
优选地,步骤S3所述的获取输出训练矩阵Z'的信号元素值Zi'的过程为:
S31.设Zi'={hi1',hi2',…,him'}T;
S32.对于Zi'中任意一个信号元素hij',找到与其匹配的Si={hi1,hi2,…,him}T中的第j个信号元素hij,j表示1~m中的任意一个值;
S33.确定与信号元素hij对应的以滑动窗T为度量的两个端点信号元素值hij1和hij2;
S34.判断信号元素hij对应的电力信号是否为故障发生位置的电力信号,若是,
hij'=max{hij1,hij2};否则,hij'=min{hij1,hij2}。
优选地,步骤S34所述的判断信号元素hij对应的电力信号是否为故障发生位置的电力信号的过程为:
S341.将Si={hi1,hi2,…,him}T中的信号元素hi1,hi2,hij,…,him,从小到大依次排序,获取hi1,hi2,hij,…,him的中值;
S342.判断Si={hi1,hi2,…,him}T中是否具有大于中值的局部最大值B的信号元素,若是,大于中值的局部最大值B的信号元素对应的电力信号为故障发生位置的电力信号;否则,Si={hi1,hi2,…,him}T中的信号元素为正常电力信号。
在此,由于具有故障且故障位置已知的电力信号以及无故障的电力信号经过滑动窗T截取分段预处理之后以时间序列排列,因此,对于分段后的信号是否为故障发生位置的电力信号需要进行判断。
优选地,步骤S342所述hi1,hi2,hij,…,him中值的局部最大值B通过find函数及sort函数获取。
优选地,步骤S3所述的卷积神经网络模型J包括:三个卷积层、两个池化层及一个全连接层,第一层为卷积层,包含20个滤波器,卷积核大小为(27,1),步长为1;第二层为池化层,池化窗大小为2;第三层为卷积层,包括12个滤波器,卷积核大小为(15,14),步长为1;第四层为池化层,池化窗大小为2;第五层为卷积层,包括25个滤波器,卷积核大小为(10,8),步长为1;第六层为全连接层,输出长度为300;所述两个池化层均采用maxpooling的池化方法池化。
优选地,全连接层的激励函数为sigmoid函数。
优选地,对卷积神经网络模型J进行训练的方法为随机梯度下降算法、Adam算法、RMSProp算法、Adagrad算法、Adadelta算法、Adamax算法中的任意一个,训练中以局部最大值B作为卷积神经网络模型的训练修正标准,加快训练速度,提高后续卷积神经网络模型识别电力故障信号的准确性。
与现有技术相比,本发明技术方案的有益效果是:
本发明提出一种基于卷积神经网络的电力故障信号检测方法,首先采集具有故障且故障位置已知的电力信号及无故障的电力信号,然后对以上电力信号进行预处理,构造预处理矩阵及与预处理矩阵匹配的输出训练矩阵,之后构建卷积神经网络模型,利用预处理矩阵及与预处理矩阵匹配的输出训练矩阵对卷积神经网络模型进行训练,得到电力故障信号检测模型,最后利用电力故障信号检测模型对待检测的电力信号进行检测,检测过程的设计复杂度低,而且基于已经训练好的电力故障信号检测模型,可以提前对待检测的质量不佳的电力信号进行预判,可进一步提前通知工作人员提高对其的关注度,避免传统的故障录波器识别记录故障信号不及时的缺陷,便于工作人员及时对电力系统运行状态掌控。
附图说明
图1表示本发明实施例中提出的基于卷积神经网络的电力故障信号检测方法的流程图。
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;
为了更好地说明本实施例,附图某些部位会有省略、放大或缩小,并不代表实际尺寸;
对于本领域技术人员来说,附图中某些公知内容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。
实施例1
如图1所示的一种基于卷积神经网络的电力故障信号检测方法的,至少包括:
S1.采集M条具有故障且故障位置已知的电力信号,N条无故障的电力信号;在具体实施时,具有故障且故障位置已知的电力信号条数及无故障的电力信号条数的采集尽可能充分多,在本实施例中,采集至少5000条具有故障且故障位置已知的电力信号,至少5000条无故障的电力信号;所述的电力信号可以为电压信号或者电流信号。
S2.将每条电力信号以滑动窗T截取分段,形成电力信号截取段,将电力信号截取段表示为预处理矩阵S={S1,S2,…,Sn},其中,S1,S2,…,Sn表示以时间顺序排列的电力信号截取段,n表示总时间排列段数;Si={hi1,hi2,…,him}T,hi1,hi2,…,him表示以时间顺序排列的第i个电力信号截取段中的信号元素,m表示每个电力信号截取段中的信号元素数目,i表示1~n中的任意一个值,滑动窗T的滑动步长为0.1s—0.2s,窗体长度为1s—2s,可以取端点,在本实施例中,滑动步长为0.15s,窗体长度为1.5s。
S3.构造与预处理矩阵S匹配的输出训练矩阵Z'={Z1',Z2',…,Zn'},并获取输出训练矩阵Z'的信号元素值Zi',i表示1~n中的任意一个值;获取输出训练矩阵Z'的信号元素值Zi'的过程为:
S31.设Zi'={hi1',hi2',…,him'}T;
S32.对于Zi'中任意一个信号元素hij',找到与其匹配的Si={hi1,hi2,…,him}T中的第j个信号元素hij,j表示1~m中的任意一个值;
S33.确定与信号元素hij对应的以滑动窗T为度量的两个端点信号元素值hij1和hij2;
S34.判断信号元素hij对应的电力信号是否为故障发生位置的电力信号,若是,
hij'=max{hij1,hij2};否则,hij'=min{hij1,hij2};
具体判断信号元素hij对应的电力信号是否为故障发生位置的电力信号的过程为:
S341.将Si={hi1,hi2,…,him}T中的信号元素hi1,hi2,hij,…,him,从小到大依次排序,获取hi1,hi2,hij,…,him的中值;
S342.判断Si={hi1,hi2,…,him}T中是否具有大于中值的局部最大值B的信号元素,局部最大值B通过find函数及sort函数获取,若是,大于中值的局部最大值B的信号元素对应的电力信号为故障发生位置的电力信号;否则,Si={hi1,hi2,…,him}T中的信号元素为正常电力信号。
S4.构造卷积神经网络模型J,将Si={hi1,hi2,…,him}T作为卷积神经网络模型J的输入,将Zi'作为卷积神经网络模型J的输出,对卷积神经网络模型J进行训练,得到电力故障信号检测模型;
S5.采集待检测的电力信号,输入至电力故障信号检测模型,电力故障信号检测模型对待检测的电力信号进行检测。
在本实施例中,步骤S3所述的卷积神经网络模型J包括:三个卷积层、两个池化层及一个全连接层,第一层为卷积层,包含20个滤波器,卷积核大小为(27,1),步长为1;第二层为池化层,池化窗大小为2;第三层为卷积层,包括12个滤波器,卷积核大小为(15,14),步长为1;第四层为池化层,池化窗大小为2;第五层为卷积层,包括25个滤波器,卷积核大小为(10,8),步长为1;第六层为全连接层,输出长度为300;所述两个池化层均采用maxpooling的池化方法池化,全连接层的激励函数为sigmoid函数。
对卷积神经网络模型J进行训练的方法为随机梯度下降算法、Adam算法、RMSProp算法、Adagrad算法、Adadelta算法、Adamax算法中的任意一个,在本实施例中,选用随机梯度下降算法对卷积神经网络模型J进行训练,训练中以局部最大值B作为卷积神经网络模型的训练修正标准,加快训练速度,提高后续卷积神经网络模型识别电力故障信号的准确性。
附图中描述位置关系的用于仅用于示例性说明,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)
1.一种基于卷积神经网络的电力故障信号检测方法,其特征在于,至少包括:
S1.采集M条具有故障且故障位置已知的电力信号,N条无故障的电力信号;
S2.将每条电力信号以滑动窗T截取分段,形成电力信号截取段,将电力信号截取段表示为预处理矩阵S={S1,S2,…,Sn},其中,S1,S2,…,Sn表示以时间顺序排列的电力信号截取段,n表示总时间排列段数;Si={hi1,hi2,…,him}T,hi1,hi2,…,him表示以时间顺序排列的第i个电力信号截取段中的信号元素,m表示每个电力信号截取段中的信号元素数目,i表示1~n中的任意一个值;
S3.构造与预处理矩阵S匹配的输出训练矩阵Z'={Z1',Z2',…,Zn'},并获取输出训练矩阵Z'的信号元素值Zi',i表示1~n中的任意一个值;
S4.构造卷积神经网络模型J,将Si={hi1,hi2,…,him}T作为卷积神经网络模型J的输入,将Zi'作为卷积神经网络模型J的输出,对卷积神经网络模型J进行训练,得到电力故障信号检测模型;
S5.采集待检测的电力信号,输入至电力故障信号检测模型,电力故障信号检测模型对待检测的电力信号进行检测。
2.根据权利要求1所述的基于卷积神经网络的电力故障信号检测方法,其特征在于,所述电力信号为电流信号或电压信号。
3.根据权利要求1所述的基于卷积神经网络的电力故障信号检测方法,其特征在于,步骤S2所述的滑动窗T的滑动步长为0.1s—0.2s,窗体长度为1s—2s。
4.根据权利要求3所述的基于卷积神经网络的电力故障信号检测方法,其特征在于,步骤S3所述的获取输出训练矩阵Z'的信号元素值Zi'的过程为:
S31.设Zi'={hi1',hi2',…,him'}T;
S32.对于Zi'中任意一个信号元素hij',找到与其匹配的Si={hi1,hi2,…,him}T中的第j个信号元素hij,j表示1~m中的任意一个值;
S33.确定与信号元素hij对应的以滑动窗T为度量的两个端点信号元素值hij1和hij2;
S34.判断信号元素hij对应的电力信号是否为故障发生位置的电力信号,若是,
hij'=max{hij1,hij2};否则,hij'=min{hij1,hij2}。
5.根据权利要求4所述的基于卷积神经网络的电力故障信号检测方法,其特征在于,步骤S34所述的判断信号元素hij对应的电力信号是否为故障发生位置的电力信号的过程为:
S341.将Si={hi1,hi2,…,him}T中的信号元素hi1,hi2,hij,…,him,从小到大依次排序,获取hi1,hi2,hij,…,him的中值;
S342.判断Si={hi1,hi2,…,him}T中是否具有大于中值的局部最大值B的信号元素,若是,大于中值的局部最大值B的信号元素对应的电力信号为故障发生位置的电力信号;否则,Si={hi1,hi2,…,him}T中的信号元素为正常电力信号。
6.根据权利要求5所述的基于卷积神经网络的电力故障信号检测方法,其特征在于,步骤S342所述hi1,hi2,hij,…,him中值的局部最大值B通过find函数及sort函数求取。
7.根据权利要求6所述的基于卷积神经网络的电力故障信号检测方法,其特征在于,步骤S3所述的卷积神经网络模型J包括:三个卷积层、两个池化层及一个全连接层,第一层为卷积层,包含20个滤波器,卷积核大小为(27,1),步长为1;第二层为池化层,池化窗大小为2;第三层为卷积层,包括12个滤波器,卷积核大小为(15 ,14),步长为1;第四层为池化层,池化窗大小为2;第五层为卷积层,包括25个滤波器,卷积核大小为(10,8),步长为1;第六层为全连接层,输出长度为300。
8.根据权利要求7所述的基于卷积神经网络的电力故障信号检测方法,其特征在于,所述两个池化层均采用maxpooling池化方法池化。
9.根据权利要求8所述的基于卷积神经网络的电力故障信号检测方法,其特征在于,全连接层的激励函数为sigmoid函数。
10.根据权利要求8所述的基于卷积神经网络的电力故障信号检测方法,其特征在于,对卷积神经网络模型J进行训练的方法为随机梯度下降算法、Adam算法、RMSProp算法、Adagrad算法、Adadelta算法、Adamax算法中的任意一个,训练中以局部最大值B作为卷积神经网络模型的训练修正标准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010998054.7A CN112098760A (zh) | 2020-09-21 | 2020-09-21 | 基于卷积神经网络的电力故障信号检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010998054.7A CN112098760A (zh) | 2020-09-21 | 2020-09-21 | 基于卷积神经网络的电力故障信号检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112098760A true CN112098760A (zh) | 2020-12-18 |
Family
ID=73754835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010998054.7A Pending CN112098760A (zh) | 2020-09-21 | 2020-09-21 | 基于卷积神经网络的电力故障信号检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112098760A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980073A (zh) * | 2017-05-23 | 2017-07-25 | 武汉大学 | 一种基于卷积神经网络的输电线路双端故障录波数据匹配方法 |
CN109359702A (zh) * | 2018-12-14 | 2019-02-19 | 福州大学 | 基于卷积神经网络的光伏阵列故障诊断方法 |
CN109614981A (zh) * | 2018-10-17 | 2019-04-12 | 东北大学 | 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统 |
CN110037691A (zh) * | 2019-04-22 | 2019-07-23 | 上海数创医疗科技有限公司 | 用于r波定位的改进卷积神经网络 |
CN110037690A (zh) * | 2019-04-22 | 2019-07-23 | 上海数创医疗科技有限公司 | 基于改进卷积神经网络的r波定位方法和装置 |
CN110398663A (zh) * | 2019-07-03 | 2019-11-01 | 东南大学 | 一种基于卷积神经网络的柔性直流电网故障识别方法 |
CN110929918A (zh) * | 2019-10-29 | 2020-03-27 | 国网重庆市电力公司南岸供电分公司 | 一种基于CNN和LightGBM的10kV馈线故障预测方法 |
US20200271714A1 (en) * | 2019-02-22 | 2020-08-27 | Ormazabal Corporate Technology, A.I.E. | Method and system of partial discharge recognition for diagnosing electrical networks |
-
2020
- 2020-09-21 CN CN202010998054.7A patent/CN112098760A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980073A (zh) * | 2017-05-23 | 2017-07-25 | 武汉大学 | 一种基于卷积神经网络的输电线路双端故障录波数据匹配方法 |
CN109614981A (zh) * | 2018-10-17 | 2019-04-12 | 东北大学 | 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统 |
CN109359702A (zh) * | 2018-12-14 | 2019-02-19 | 福州大学 | 基于卷积神经网络的光伏阵列故障诊断方法 |
US20200271714A1 (en) * | 2019-02-22 | 2020-08-27 | Ormazabal Corporate Technology, A.I.E. | Method and system of partial discharge recognition for diagnosing electrical networks |
CN110037691A (zh) * | 2019-04-22 | 2019-07-23 | 上海数创医疗科技有限公司 | 用于r波定位的改进卷积神经网络 |
CN110037690A (zh) * | 2019-04-22 | 2019-07-23 | 上海数创医疗科技有限公司 | 基于改进卷积神经网络的r波定位方法和装置 |
CN110398663A (zh) * | 2019-07-03 | 2019-11-01 | 东南大学 | 一种基于卷积神经网络的柔性直流电网故障识别方法 |
CN110929918A (zh) * | 2019-10-29 | 2020-03-27 | 国网重庆市电力公司南岸供电分公司 | 一种基于CNN和LightGBM的10kV馈线故障预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109765883B (zh) | 配电自动化终端运行状态评价与故障诊断方法 | |
CN109446187B (zh) | 基于注意力机制与神经网络的复杂装备健康状态监测方法 | |
CN111507376B (zh) | 一种基于多种无监督方法融合的单指标异常检测方法 | |
CN107797537A (zh) | 一种应用于自动化生产线的故障预测与健康管理方法 | |
CN107733357A (zh) | 一种大型光伏电站中电池面板的故障检测算法 | |
CN106411597A (zh) | 一种网络流量异常检测方法及系统 | |
CA2931624A1 (en) | Systems and methods for event detection and diagnosis | |
CN108562821B (zh) | 一种基于Softmax确定配电网单相接地故障选线的方法及系统 | |
WO2015121176A1 (en) | Method of identifying anomalies | |
CN107844067B (zh) | 一种水电站闸门在线状态监测控制方法及监测系统 | |
CN111898068B (zh) | 一种基于pert算法及仪表用量分析的异常检测方法 | |
CN111709465A (zh) | 大坝安全监测数据粗差智能识别方法 | |
CN116520236B (zh) | 一种智能电表的异常检测方法和系统 | |
CN108803555B (zh) | 一种基于性能监测数据的亚健康在线识别和诊断方法 | |
CN113010394A (zh) | 一种用于数据中心的机房故障检测方法 | |
CN117031201A (zh) | 一种配电网多场景拓扑异常识别方法及系统 | |
CN112098760A (zh) | 基于卷积神经网络的电力故障信号检测方法 | |
CN109784777B (zh) | 基于时序信息片段云相似度度量的电网设备状态评估方法 | |
CN117195451A (zh) | 一种基于图论的桥梁监测数据修复方法 | |
Li et al. | Meteorological radar fault diagnosis based on deep learning | |
CN115809805A (zh) | 基于边缘计算的电网多源数据处理方法 | |
CN113672658B (zh) | 基于复相关系数的电力设备在线监测错误数据识别方法 | |
CN114597886A (zh) | 基于区间二型模糊聚类分析的配电网运行状态评估方法 | |
CN113033845A (zh) | 一种电力传输资源共建共享的建设方法及装置 | |
CN113177484A (zh) | 基于lof自编码的机械故障智能诊断方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201218 |
|
RJ01 | Rejection of invention patent application after publication |