CN112101617A - 基于层次图卷积的电网故障严重程度预测方法 - Google Patents
基于层次图卷积的电网故障严重程度预测方法 Download PDFInfo
- Publication number
- CN112101617A CN112101617A CN202010800767.8A CN202010800767A CN112101617A CN 112101617 A CN112101617 A CN 112101617A CN 202010800767 A CN202010800767 A CN 202010800767A CN 112101617 A CN112101617 A CN 112101617A
- Authority
- CN
- China
- Prior art keywords
- power grid
- fault
- severity
- state
- fault severity
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000010276 construction Methods 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims 1
- 238000012417 linear regression Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000003475 lamination Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect 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
- G06N3/045—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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于电力系统安全防护技术领域,具体为一种基于层次图卷积的电网故障严重程度预测方法。本发明依据电网拓扑结构构建描述电网连接关系的连通图结构,并据此结合图卷积计算构建电网故障严重程度预测模型,使用电网状态‑故障严重程度值对作为样本进行训练模型;最后通过将电网状态输入故障严重程度预测模型,计算并输出电网在各类故障条件下的故障严重程度值。相比于现有电网故障严重程度预测方法,本发明所提出的方法在预测准确率和计算速度上都有较大提升,进一步增强了电网安全保护系统的可靠性。
Description
技术领域
本发明属于电力系统安全防护技术领域,具体涉及一种基于层次图卷积的电网故障严重程度预测方法。
背景技术
随着科技的不断进步和社会的迅速发展,对电力的需求越来越大,人们在生产和生活中越来越重视电力系统的安全性和可靠性,对其要求也变得越发的严格。因此,电力系统安全防护技术对于国家和社会也有着非常重要的战略意义。
对电网状态的危险程度进行识别和分析是实施电力系统安全防护的前提和基础,电网故障严重程度预测技术,是指在给定电网状态条件下,预测出电网在不同故障条件下的故障严重程度,该技术要解决的主要问题包括:电网拓扑难以建模,计算所需时间较长、预测准确率不高等。
电网故障严重程度的预测传统上依赖于潮流计算与暂稳计算等仿真方法,这类方法的最大问题在于其计算量很大,所需的时间较多。在机器学习领域,可以通过基于线性回归的方法,通过建立线性回归模型来实现电网状态和故障严重度值之间的映射,但是这类方法无法较好的拟合具有高度非线性的电网状态与故障严重度之间的映射关系。基于神经网络的方法(如:多层感知机)通常先构建神经网络模型,通过在模型中引入非线性的成分来提升模型拟合的效果,但是这类方法不能利用电网本身存在的结构拓扑信息,在预测准确率上存在一定缺陷。
发明内容
针对现有技术存在的问题,本发明提供了一种新的电网故障严重程度的识别方法。该方法是基于深度学习方法,是针对当前深度学习模型仅能适用于欧式空间的数据这一缺陷进行的改进。本发明提出基于层次图卷积的电网故障严重程度预测方法,能快速、准确地预测出给定电网状态条件的各类故障严重程度值,能够为电力安全防护系统评估电网安全态势、做出安全防护决策提供依据,增强电网安全防护系统的可靠性。
本发明的技术方案具体介绍如下。
一种基于层次图卷积的电网故障严重程度预测方法,其分为3个阶段:构建电网节点层次图结构、训练电网故障严重程度模型和预测电网故障严重程度三个阶段;其中:构建电网节点层次图结构阶段,根据电网中交流线和母线的连接关系,以交流线为顶点,连接关系为边构造连通的电网节点层次图结构;
训练故障严重程度预测模型阶段,以电网节点层次图结构为基础进行图卷积运算,建立故障严重度识别模型,并使用电网状态和故障严重度值作为训练样本,对故障严重程度预测模型进行训练;
预测电网故障严重程度阶段,将待预测电网状态输入故障严重程度预测模型,模型运算后输出发生各类故障的严重程度预测值。
E={(vp,vq)|vp与vq关联,vp∈V,vq∈V,p≠q},
即,vp有一侧的母线是与vq中一侧的母线是相同的;
通过以上步骤,即可完成电网节点层次图结构G的构建,步骤③、④中新增的顶点统称为虚拟顶点;
优选的,在训练故障严重程度预测模型阶段,对故障严重程度预测模型进行训练的具体步骤如下:
①构建网络
整个网络包括9层,从第一层到第九层依次为第一图卷积层、第一线性整流层、第二图卷积层、第二线性整流层、第三图卷积层、DropOut层、全局池化层、第一全连接层、第二全连接层;其中,对于每个图卷积层,其计算过程表示为H′=AHW,其中输入H是一个n×d的矩阵,n为电网节点层次图结构G中的顶点个数,d是输入的电网节点状态数据维度,W是待学习的参数矩阵,A是图结构G的邻接矩阵,H′即为图卷积层的输出;对于第二全连接层,其包括K个神经元,K和电网故障集的数量相同;
②训练网络
网络的训练样本集为N表示为样本数量,Ti=(Si,mi)表示样本集中的第i个样本,其中电网状态Si是一个大小为n×d的矩阵,n为电网节点层次图结构G中的顶点个数,d=5,即为输入的电网节点状态数据维度,Si的第j行Sij表示图结构G的第j个顶点的状态,如果顶点j为图结构构建过程中产生的虚拟顶点,则Sij全部设为0,即Sij是一个5维的零向量;如果顶点j不是虚拟顶点,则是电网节点的状态向量,其中表示交流线的i侧母线连接状态,其值为0时表示与母线连接,为1表示与母线断开;表示交流线的j侧母线连接状态,其值为0时表示与母线连接,为1表示与母线断开;和分别表示交流线的电阻、电抗和充电电纳值;mi是一个K维的故障严重度向量,其每一维表示电网状态Si条件下一种故障的严重程度,K和电网故障集的数量相同;
网络训练时,采用以下损失函数:
优选的,在预测电网故障严重程度阶段中,基于训练故障严重程度预测模型阶段训练得到故障严重度预测模型进行故障严重程度的预测,具体步骤如下:
①将电网节点状态数据组织成大小为n×d的矩阵Q,n为电网节点层次图结构G中的顶点个数,d为5,即输入的电网节点状态数据维度;
②将矩阵Q输入模型计算后得到一个K维的故障严重度向量M,M的每一维代表一种故障的严重程度预测值。
和现有技术相比,本发明的有益效果如下:
本发明采用的层次图卷积结构能够对电网拓扑结构进行层次化建模,有效地解决了复杂电网拓扑结构中存在不连通的子图导致图卷积运算无法进行的问题。本发明提出的深度学习模型对给定的电网状态,能够一次性输出多种故障条件下的故障严重度预测值,在保障预测准确率的前提下降低了计算量,减少了计算时间。
附图说明
图1是本发明中的基于层次图卷积的电网故障严重程度预测方法的流程图。
具体实施方式
以下结合附图和实施例对本发明的技术方案进行详细阐述。
实施例1
本发明提出一种基于层次图卷积的电网故障严重程度预测方法,其流程图如图1所示,可分为3个部分:构建电网节点层次图结构、训练故障严重程度预测模型和预测电网故障严重程度。具体如下:
1.构建电网节点层次图结构
E={(vp,vq)|vp与vq关联,vp∈V,vq∈V,p≠q}
即,vp有一侧的母线是与vq中一侧的母线是相同的。
通过以上步骤,即可完成电网节点层次图结构G的构建。步骤(3)、(4)中新增的顶点统称为虚拟顶点。
2.训练故障严重程度预测模型
(1)构建网络
整个网络包括9层,其具体结构见表1。
表1网络各层设置
序号 | 层类型 | 参数 |
1 | 图卷积层 | 64个卷积核 |
2 | 线性整流层 | |
3 | 图卷积层 | 128个卷积核 |
4 | 线性整流层 | |
5 | 图卷积层 | 256个卷积核 |
6 | DropOut层 | DropOut率为0.5 |
7 | 全局池化层 | |
8 | 全连接层 | 1024个神经元 |
9 | 全连接层 | K个神经元,K和电网故障集的数量相同 |
对于每个图卷积层,其计算过程可以表示为H′=AHW,其中输入H是一个n×d的矩阵,n为电网节点层次图结构G中的顶点个数,d是输入的电网节点状态数据维度,W是待学习的参数矩阵,A是图结构G的邻接矩阵,H′即为图卷积层的输出。
(2)训练网络
网络的训练样本集为N表示为样本数量,Ti=(Si,mi)表示样本集中的第i个样本,其中电网状态Si是一个大小为n×d的矩阵,n为电网节点层次图结构G中的顶点个数,d=5(输入的电网节点状态数据维度),Si的第j行Sij表示图结构G的第j个顶点的状态,如果顶点j为图结构构建过程中产生的虚拟顶点,则Sij全部设为0(即Sij是一个5维的零向量);如果顶点j不是虚拟顶点,则是电网节点的状态向量,其中表示交流线的i侧母线连接状态,其值为0时表示与母线连接,为1表示与母线断开;表示交流线的j侧母线连接状态,其值为0时表示与母线连接,为1表示与母线断开;和分别表示交流线的电阻、电抗和充电电纳值。mi是一个K维的故障严重度向量,其每一维表示电网状态Si条件下一种故障的严重程度,K和电网故障集的数量相同。
网络训练时,采用以下损失函数:
网络训练过程中采用Adam算法作为优化策略,批大小batch_size设为32。权重衰减因子设为0.0005。学习速率在训练开始时设为0.01,在第100个epoch时调整为0.001,在第200个epoch时调整维0.0001,整个训练过程终止于第300个epoch。
3.预测电网故障严重程度
训练得到故障严重度预测模型之后,即可用来进行电网故障严重程度的预测。具体做法是:
(1)将电网节点状态数据组织成大小为n×5的矩阵Q,n为电网节点层次图结构G中的顶点个数,矩阵Q的组织过程和本说明书“故障严重程度预测模型训练阶段”部分的步骤(2)中所描述的相同。
(2)将矩阵Q输入模型计算后得到一个K维的故障严重度向量M,M的每一维代表一种故障的严重程度预测值。
为验证本发明所提方法的有效性,进行了对照实验,实验结果见表2。作为对照的方法有两种,选取主流的PCA结合线性回归法以及多层感知机法。三种方法使用相同的训练集和测试集,其中训练集包含120000个样本,测试集包含2000个样本。衡量指标包括平均误差率和处理时间两项,其中,平均误差率定义如下:
用以衡量预测值和真实值的相对差异程度;处理时间是指对一个电网状态样本进行故障严重度预测所需的时间;这两项指标分别用于衡量各类方法的准确性和速度。从实验结果来看,本发明所提方法在所有指标上均为最优。
表2对照实验结果
PCA+线性回归 | 多层感知机 | 本发明方法 | |
平均误差率(%) | 5 | 2 | 0.14 |
处理时间(秒) | 1.46 | 5.99 | 0.68 |
Claims (4)
1.一种基于层次图卷积的电网故障严重程度预测方法,其特征在于,其分为3个阶段:构建电网节点层次图结构、训练电网故障严重程度模型和预测电网故障严重程度三个阶段;其中:
构建电网节点层次图结构阶段,根据电网中交流线和母线的连接关系,以交流线为顶点,连接关系为边构造连通的电网节点层次图结构;
训练故障严重程度预测模型阶段,以电网节点层次图结构为基础进行图卷积运算,建立故障严重度识别模型,并使用电网状态和故障严重度值作为训练样本,对故障严重程度预测模型进行训练;
预测电网故障严重程度阶段,将待预测电网状态输入故障严重程度预测模型,模型运算后输出发生各类故障的严重程度预测值。
2.根据权利要求1所述的电网故障严重程度预测方法,其特征在于,构建电网节点层次图结构阶段中,给定交流线与母线的连接关系其中t表示交流线的编号,Nac表示交流线的数量,表示交流线与母线的连接关系,表示交流线的i侧母线编号,表示j侧母线编号;
E={(vp,vq)|vp与vq关联,vp∈V,vq∈V,p≠q},
即,vp有一侧的母线是与vq中一侧的母线是相同的;
通过以上步骤,即可完成电网节点层次图结构G的构建,步骤③、④中新增的顶点统称为虚拟顶点。
3.根据权利要求1所述的电网故障严重程序预测方法,其特征在于,在训练故障严重程度预测模型阶段,对故障严重程度预测模型进行训练的具体步骤如下:
①构建网络
整个网络包括9层,从第一层到第九层依次为第一图卷积层、第一线性整流层、第二图卷积层、第二线性整流层、第三图卷积层、DropOut层、全局池化层、第一全连接层、第二全连接层;其中,对于每个图卷积层,其计算过程表示为H′=AHW,其中输入H是一个n×d的矩阵,n为电网节点层次图结构G中的顶点个数,d是输入的电网节点状态数据维度,W是待学习的参数矩阵,A是图结构G的邻接矩阵,H′即为图卷积层的输出;对于第二全连接层,其包括K个神经元,K和电网故障集的数量相同;
②训练网络
网络的训练样本集为N表示为样本数量,Ti=(Si,mi)表示样本集中的第i个样本,其中电网状态Si是一个大小为n×d的矩阵,n为电网节点层次图结构G中的顶点个数,d=5,即为输入的电网节点状态数据维度,Si的第j行Sij表示图结构G的第j个顶点的状态,如果顶点j为图结构构建过程中产生的虚拟顶点,则Sij全部设为0,即Sij是一个5维的零向量;如果顶点j不是虚拟顶点,则是电网节点的状态向量,其中表示交流线的i侧母线连接状态,其值为0时表示与母线连接,为1表示与母线断开;表示交流线的j侧母线连接状态,其值为0时表示与母线连接,为1表示与母线断开; 和分别表示交流线的电阻、电抗和充电电纳值;mi是一个K维的故障严重度向量,其每一维表示电网状态Si条件下一种故障的严重程度,K和电网故障集的数量相同;
网络训练时,采用以下损失函数:
4.根据权利要求1所述的电网故障严重程序预测方法,其特征在于,在预测电网故障严重程度阶段中,基于训练故障严重程度预测模型阶段训练得到故障严重度预测模型进行故障严重程度的预测,具体步骤如下:
①将电网节点状态数据组织成大小为n×d的矩阵Q,n为电网节点层次图结构G中的顶点个数,d为5,即输入的电网节点状态数据维度;
②将矩阵Q输入模型计算后得到一个K维的故障严重度向量M,M的每一维代表一种故障的严重程度预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010800767.8A CN112101617B (zh) | 2020-08-11 | 2020-08-11 | 基于层次图卷积的电网故障严重程度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010800767.8A CN112101617B (zh) | 2020-08-11 | 2020-08-11 | 基于层次图卷积的电网故障严重程度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112101617A true CN112101617A (zh) | 2020-12-18 |
CN112101617B CN112101617B (zh) | 2024-03-08 |
Family
ID=73752858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010800767.8A Active CN112101617B (zh) | 2020-08-11 | 2020-08-11 | 基于层次图卷积的电网故障严重程度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101617B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113162904A (zh) * | 2021-02-08 | 2021-07-23 | 国网重庆市电力公司电力科学研究院 | 一种基于概率图模型的电力监控系统网络安全告警评估方法 |
CN115166415A (zh) * | 2022-06-27 | 2022-10-11 | 山东华科信息技术有限公司 | 一种自适应图卷积神经网络的配电网故障诊断方法及系统 |
Citations (4)
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 |
CN110263280A (zh) * | 2019-06-11 | 2019-09-20 | 浙江工业大学 | 一种基于多视图的动态链路预测深度模型及应用 |
CN110995475A (zh) * | 2019-11-20 | 2020-04-10 | 国网湖北省电力有限公司信息通信公司 | 一种基于迁移学习的电力通信网故障检测方法 |
CN111461392A (zh) * | 2020-01-23 | 2020-07-28 | 华中科技大学 | 一种基于图神经网络的电力故障预测方法及系统 |
-
2020
- 2020-08-11 CN CN202010800767.8A patent/CN112101617B/zh active Active
Patent Citations (4)
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 |
CN110263280A (zh) * | 2019-06-11 | 2019-09-20 | 浙江工业大学 | 一种基于多视图的动态链路预测深度模型及应用 |
CN110995475A (zh) * | 2019-11-20 | 2020-04-10 | 国网湖北省电力有限公司信息通信公司 | 一种基于迁移学习的电力通信网故障检测方法 |
CN111461392A (zh) * | 2020-01-23 | 2020-07-28 | 华中科技大学 | 一种基于图神经网络的电力故障预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
吴倩红;韩蓓;冯琳;李国杰;江秀臣;: ""人工智能+"时代下的智能电网预测分析", 上海交通大学学报, no. 10 * |
孙翠英 等: ""基于神经网络的输电线路故障识别方法"", 《科学技术与工程》, vol. 19, no. 20 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113162904A (zh) * | 2021-02-08 | 2021-07-23 | 国网重庆市电力公司电力科学研究院 | 一种基于概率图模型的电力监控系统网络安全告警评估方法 |
CN115166415A (zh) * | 2022-06-27 | 2022-10-11 | 山东华科信息技术有限公司 | 一种自适应图卷积神经网络的配电网故障诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112101617B (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106850254B (zh) | 一种电力通信网中关键节点识别方法 | |
CN111337768A (zh) | 变压器油中溶解气体的深度并行故障诊断方法及系统 | |
CN110542819B (zh) | 一种基于半监督dbnc的变压器故障类型诊断方法 | |
CN104318482A (zh) | 一套智能配电网综合评估体系和方法 | |
CN112101617B (zh) | 基于层次图卷积的电网故障严重程度预测方法 | |
CN105376156A (zh) | 一种基于多属性决策的电力骨干传输网路由规划方法 | |
CN111199252A (zh) | 一种电力通信网络智能运维系统的故障诊断方法 | |
CN110689162B (zh) | 一种基于用户侧分类的母线负荷预测方法、装置及系统 | |
CN111507422B (zh) | 基于cqfpa-wnn的变压器故障诊断方法 | |
CN114006370B (zh) | 一种电力系统暂态稳定分析评估方法及系统 | |
CN105447646A (zh) | 一种配电系统健康指数评估方法 | |
LU500551B1 (en) | Virtual load dominant parameter identification method based on incremental learning | |
CN107622360A (zh) | 一种综合考虑主客观因素的关键线路识别方法 | |
CN115293454A (zh) | 一种考虑拓扑变化的电力系统可靠性快速优化方法 | |
CN111814284A (zh) | 基于相关性检测与改进随机森林的在线电压稳定评估方法 | |
CN114997566A (zh) | 考虑节点连通度损失的电网阻塞风险评估方法及系统 | |
CN110348540A (zh) | 基于聚类的电力系统暂态功角稳定故障筛选方法及装置 | |
CN114266475A (zh) | 一种基于多属性决策的电力网络关键节点识别方法 | |
CN107086565B (zh) | 一种基于聚合理论的预想事故自动选择方法 | |
CN112103950A (zh) | 一种基于改进gn分裂算法的电网分区方法 | |
CN111812450B (zh) | 一种电网危险故障的识别方法 | |
CN112287494B (zh) | 一种船舶直流供配电系统网络结构优化设计的方法 | |
CN116432077A (zh) | 基于优化bp神经网络的智能站二次系统故障定位方法 | |
CN114118592B (zh) | 一种智能电网用电端短期能耗预测系统 | |
CN116401572A (zh) | 一种基于cnn-lstm的输电线路故障诊断方法及系统 |
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 |