CN112149731A - 基于id3算法的电力系统故障分类方法及系统 - Google Patents
基于id3算法的电力系统故障分类方法及系统 Download PDFInfo
- Publication number
- CN112149731A CN112149731A CN202011007031.1A CN202011007031A CN112149731A CN 112149731 A CN112149731 A CN 112149731A CN 202011007031 A CN202011007031 A CN 202011007031A CN 112149731 A CN112149731 A CN 112149731A
- Authority
- CN
- China
- Prior art keywords
- data set
- algorithm
- power system
- decision tree
- training data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003066 decision tree Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 42
- 238000003745 diagnosis Methods 0.000 abstract description 18
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 230000003287 optical effect Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000025274 Lightning injury Diseases 0.000 description 1
- 102000005877 Peptide Initiation Factors Human genes 0.000 description 1
- 108010044843 Peptide Initiation Factors Proteins 0.000 description 1
- 230000002159 abnormal effect 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
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008447 perception 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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于ID3算法的电力系统故障分类方法及系统，属于数据分析技术领域。本发明的方法为先获取数据集，再利用ID3算法对数据集进行处理得到决策树，之后根据决策树对数据集的数据进行分类得到分类结果。本发明的系统包括建树模块和分类模块，建树模块与分类模块连接，其中，建树模块用于根据数据集并利用ID3算法构建决策树。本发明克服了现有技术中，电力系统故障诊断的准确性较低且诊断效率不高的不足，提供了基于ID3算法的电力系统故障分类方法及系统，可以通过决策树对故障数据进行快速诊断分类，从而可以提高对电力系统故障的诊断效率，进一步可以提高对电力系统故障诊断的准确性。
Description
技术领域
本发明属于数据分析技术领域，更具体地说，涉及基于ID3算法的电力系统故障分类方法及系统。
背景技术
电力系统由发电机、变压器、母线、输配电线路及用电设备组成。各电气元件及系统通常处于正常运行状态，但也可能出现故障或异常运行状态。随着电力系统的规模越来越大，结构越来越复杂，故障产生不可避免。而在整个电力生产过程中，最常发生、危险最严重的故障是短路故障。短路故障发生的原因有电气设备绝缘材料老化或机械损伤，雷击引起过电压,自然灾害引起杆塔倒地或断线，鸟兽跨接导线引起短路、运行人员误操作等，给电力系统的安全运行带来了一些新的问题。
针对电力系统故障的诊断，现有技术一般采用数据模型进行分析，例如发明创造名称为：一种基于参数估计与业务识别的电力光网络故障诊断模型(申请日：2018年12月24日；申请号：201811585880.8)，该方案公开了一种基于参数估计与业务识别的电力光网络故障诊断模型包括以下步骤：步骤1：进行电力光网络链路节点的监测，将故障引发因子转化为光信噪比值；步骤2：电力业务端口识别，在电力光网络中进行端口识别以实现电力业务的感知并进行配电业务的区分；步骤3：电力光网络链路参数估计，通过链式加权计算，将链路节点的信噪比值乘以对应权值参数后累加并传至计算节点，以进行链路权值参数最小二乘估计；步骤4：链路与业务参数的判定，根据步骤3中电力光网络链路参数估计与电力业务参数动态融合，对电力光网络中的不同业务对应的链路参数进行加权，根据融合参数对电力光网络运行状态进行判别识别网络故障。但是该方案的不足之处在于：基于数学模型的诊断方法不能保证诊断的准确性和快速性。
综上所述，如何快速准确对电力系统故障进行诊断分类，是现有技术亟需解决的问题。
发明内容
1.要解决的问题
本发明克服了现有技术中，电力系统故障诊断的准确性较低且诊断效率不高的不足，提供了基于ID3算法的电力系统故障分类方法及系统，可以通过决策树对故障数据进行快速诊断分类，从而可以提高对电力系统故障的诊断效率，进一步可以提高对电力系统故障诊断的准确性。
2.技术方案
为了解决上述问题，本发明所采用的技术方案如下：
本发明的基于ID3算法的电力系统故障分类方法，其特征在于，先获取数据集，再利用ID3算法对数据集进行处理得到决策树，之后根据决策树对数据集的数据进行分类得到分类结果。
更进一步地，利用ID3算法对数据集进行处理得到决策树的具体过程为：步骤S100：从数据集中提取子集，并将子集作为训练数据集；步骤S200：利用ID3算法对训练数据集进行计算得到信息增益；步骤S300：根据信息增益得到节点，再根据节点生成决策树。
更进一步地，在得到决策树后，利用数据集中的数据对决策树进行测试。
更进一步地，步骤S200中计算得到信息增益的具体过程为：S210、若训练数据集S中的样本不属于同一类，则从训练数据集S中抽取指标集A，其中，指标集A包括n个指标；S220、从指标集A中任意选取一个指标，并根据该指标计算得到训练数据集S的信息熵；S230、从指标集A中依次选取指标作为根节点，根据训练数据集S的信息熵计算根节点的信息增益。
更进一步地，步骤S300中根据节点生成决策树的具体过程为：S240、根据信息增益选取最优划分特征生成节点；S250、将未生成节点的特征组成训练数据集S；循环步骤S210～S250，直至所有特征生成节点，再根据节点生成决策树。
更进一步地，步骤S210中若训练数据集S中的样本属于同一类，则根据训练数据集S中的样本生成节点。
更进一步地，步骤S220中计算得到训练数据集S的信息熵的具体过程为：
从指标集A中任意选取一个指标C，C＝{C1,C2,…,Cm}；设定Ci在训练数据集S的所有样本中出现的频率为pi(i＝1,2,3,…m)，则该训练数据集S的信息熵为：
更进一步地，选取最优划分特征生成节点的具体过程为：将指标各自对应的信息增益进行比较，选取最大信息增益对应的指标作为最优划分特征。
更进一步地，步骤S230中计算根节点的信息增益的具体过程为：
令选取的指标为B，将指标B作为根节点，先根据指标B对训练数据集S进行划分得到样本子集，再利用下列公式计算根节点的信息增益Gain(S,B)：
Gain(S,B)＝Entropy(S)-EntropyB(S)
其中，EntropyB(S)为样本子集的信息熵，|Si|为样本子集中包含的样本数，|S|为训练数据集S中包含的样本数。
本发明的基于ID3算法的电力系统故障分类系统，采用上述的基于ID3算法的电力系统故障分类方法，包括建树模块，该建树模块用于根据数据集并利用ID3算法构建决策树；分类模块，该分类模块与建树模块连接，该分类模块利用决策树对数据集的数据进行分类得到分类结果。
3.有益效果
相比于现有技术，本发明的有益效果为：
(1)本发明的基于ID3算法的电力系统故障分类方法，通过采用ID3算法可以对电力系统故障数据处理得到信息熵和信息增益，基于信息增益选取节点生成决策树，使得决策树的分类结果具有较好的解释性，并且提高了数据分类的准确性，进而实现了对电力系统故障的快速诊断，进一步提高了对电力系统故障的诊断效率以及诊断的准确性。
(2)本发明的基于ID3算法的电力系故障分类系统，通过设置建树模块100和分类模块200，从而可以基于ID3算法对电力系统故障数据进行处理得到决策树，进而可以实现对电力系统故障数据的快速、准确地分类，提高了对电力系统故障的诊断效率；进一步通过设置交互模块300，从而便于工作人员实时对故障数据进行分类并得到分类结果，大大提高了工作效率。
附图说明
图1为本发明方法的流程示意图；
图2为本发明系统的结构示意图。
标号说明：100、建树模块；110、数据模块；120、计算模块；200、分类模块；300、交互模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例；而且，各个实施例之间不是相对独立的，根据需要可以相互组合，从而达到更优的效果。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。
为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。
实施例1
如图1所示，本发明的基于ID3算法的电力系统故障分类方法，包括以下步骤：
1)获取数据
获取数据集；具体地，该数据集为电力系统故障数据的集合。
2)构建决策树
利用ID3算法对数据集进行处理得到决策树，具体过程如下：
步骤S100：从数据集中提取子集，并将子集作为训练数据集；值得说明的是，提取子集作为训练数据集，从而可以避免数据量过大不容易收敛的问题。
步骤S200：利用ID3算法对训练数据集进行计算得到信息增益；具体地，包括以下步骤：
S210、若训练数据集S中的样本不属于同一类，则从训练数据集S中抽取指标集A，其中，指标集A包括n个指标，A＝{A1,A2,…,An}。值得说明的是，若训练数据集S中的样本属于同一类，则根据训练数据集S中的样本生成节点，之后根据节点生成决策树。
S220、从指标集A中任意选取一个指标，并根据该指标计算得到训练数据集S的信息熵；具体地，从指标集A中任意选取一个指标C，C＝{C1,C2,…,Cm}；设定Ci在训练数据集S的所有样本中出现的频率为pi(i＝1,2,3,…m)，则该训练数据集S的信息熵Entropy(S)为：
值得说明的是，通过计算信息熵可以反映数据分布的混乱度，从而可以适用于高维数据的分类。
S230、从指标集A中依次选取指标作为根节点，根据训练数据集S的信息熵计算根节点的信息增益，即每个指标对应一个信息增益，具体地，令选取的指标为B，将指标B作为根节点，先根据指标B对训练数据集S进行划分得到样本子集，再利用下列公式计算根节点的信息增益Gain(S,B)：
Gain(S,B)＝Entropy(S)-EntropyB(S)
其中，EntropyB(S)为样本子集的信息熵，|Si|为样本子集中包含的样本数，|S|为训练数据集S中包含的样本数。值得说明的是，信息增益越大说明样本子集的同类性更高，更有利于分类。
步骤S300：根据信息增益得到节点，再根据节点生成决策树。具体地过程如下：
S240、根据信息增益选取最优划分特征生成节点；具体地，将指标各自对应的信息增益进行比较，选取最大信息增益对应的指标作为最优划分特征。值得说明的是，通过信息增益选取节点可以使得生成的决策树具有较好的分类效果。
S250、将未生成节点的特征组成训练数据集S；循环步骤S210～S250，直至所有特征生成节点，再根据节点生成决策树。
3)数据测试
在得到决策树后，利用数据集中的数据对决策树进行测试；若测试过程中有错误分类，则重新建立决策树。
4)数据分类
根据决策树对数据集的数据进行分类得到分类结果。
本发明的基于ID3算法的电力系统故障分类方法，通过采用ID3算法可以对电力系统故障数据处理得到信息熵和信息增益，基于信息增益选取节点生成决策树，使得决策树的分类结果具有较好的解释性，并且提高了数据分类的准确性，进而实现了对电力系统故障的快速诊断，进一步提高了对电力系统故障的诊断效率以及诊断的准确性。
结合图2所示，本发明的基于ID3算法的电力系统故障分类系统，采用上述的ID3算法的电力系统故障分类方法，包括建树模块100、分类模块200和交互模块300，建树模块100用于根据数据集并利用ID3算法构建决策树；具体地，建树模块100包括数据模块110和计算模块120，数据模块110与计算模块120连接；其中，数据模块110用于获取数据集，计算模块120用于根据数据集构建决策树，具体地，计算模块120根据数据集计算信息熵和信息增益，再根据信息增益选取节点生成决策树。
进一步地，分类模块200与建树模块100连接，该分类模块200利用决策树对数据集的数据进行分类得到分类结果。此外，建树模块100与分类模块200分别与交互模块300连接，该交互模块300用于数据可视化展示，包括web配置和应用程序配置，从而可以便于工作人员获取电力系统故障数据。
本发明的基于ID3算法的电力系故障分类系统，通过设置建树模块100和分类模块200，从而可以基于ID3算法对电力系统故障数据进行处理得到决策树，进而可以实现对电力系统故障数据的快速、准确地分类，提高了对电力系统故障的诊断效率；进一步通过设置交互模块300，从而便于工作人员实时对故障数据进行分类并得到分类结果，大大提高了工作效率。
在上文中结合具体的示例性实施例详细描述了本发明。但是，应当理解，可在不脱离由所附权利要求限定的本发明的范围的情况下进行各种修改和变型。详细的描述和附图应仅被认为是说明性的，而不是限制性的，如果存在任何这样的修改和变型，那么它们都将落入在此描述的本发明的范围内。此外，背景技术旨在为了说明本技术的研发现状和意义，并不旨在限制本发明或本申请和本发明的应用领域。
Claims (10)
1.基于ID3算法的电力系统故障分类方法，其特征在于，先获取数据集，再利用ID3算法对数据集进行处理得到决策树，之后根据决策树对数据集的数据进行分类得到分类结果。
2.根据权利要求1所述的基于ID3算法的电力系统故障分类方法，其特征在于，利用ID3算法对数据集进行处理得到决策树的具体过程为：
步骤S100：从数据集中提取子集，并将子集作为训练数据集；
步骤S200：利用ID3算法对训练数据集进行计算得到信息增益；
步骤S300：根据信息增益得到节点，再根据节点生成决策树。
3.根据权利要求1所述的基于ID3算法的电力系统故障分类方法，其特征在于，在得到决策树后，利用数据集中的数据对决策树进行测试。
4.根据权利要求2所述的基于ID3算法的电力系统故障分类方法，其特征在于，步骤S200中计算得到信息增益的具体过程为：
S210、若训练数据集S中的样本不属于同一类，则从训练数据集S中抽取指标集A，其中，指标集A包括n个指标；
S220、从指标集A中任意选取一个指标，并根据该指标计算得到训练数据集S的信息熵；
S230、从指标集A中依次选取指标作为根节点，根据训练数据集S的信息熵计算根节点的信息增益。
5.根据权利要求4所述的基于ID3算法的电力系统故障分类方法，其特征在于，步骤S300中根据节点生成决策树的具体过程为：
S240、根据信息增益选取最优划分特征生成节点；
S250、将未生成节点的特征组成训练数据集S；循环步骤S210～S250，直至所有特征生成节点，再根据节点生成决策树。
6.根据权利要求4所述的基于ID3算法的电力系统故障分类方法，其特征在于，步骤S210中若训练数据集S中的样本属于同一类，则根据训练数据集S中的样本生成节点。
7.根据权利要求4所述的基于ID3算法的电力系统故障分类方法，其特征在于，步骤S220中计算得到训练数据集S的信息熵的具体过程为：
从指标集A中任意选取一个指标C，C＝{C1,C2,…,Cm}；设定Ci在训练数据集S的所有样本中出现的频率为pi(i＝1,2,3,…m)，则该训练数据集S的信息熵为：
8.根据权利要求5所述的基于ID3算法的电力系统故障分类方法，其特征在于，选取最优划分特征生成节点的具体过程为：将指标各自对应的信息增益进行比较，选取最大信息增益对应的指标作为最优划分特征。
9.根据权利要求7所述的基于ID3算法的电力系统故障分类方法，其特征在于，步骤S230中计算根节点的信息增益的具体过程为：
令选取的指标为B，将指标B作为根节点，先根据指标B对训练数据集S进行划分得到样本子集，再利用下列公式计算根节点的信息增益Gain(S,B)：
Gain(S,B)＝Entropy(S)-EntropyB(S)
其中，EntropyB(S)为样本子集的信息熵，|Si|为样本子集中包含的样本数，|S|为训练数据集S中包含的样本数。
10.基于ID3算法的电力系统故障分类系统，其特征在于，采用权利要求1～9任意一项所述的基于ID3算法的电力系统故障分类方法，包括
建树模块，该建树模块用于根据数据集并利用ID3算法构建决策树；
分类模块，该分类模块与建树模块连接，该分类模块利用决策树对数据集的数据进行分类得到分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011007031.1A CN112149731A (zh) | 2020-09-23 | 2020-09-23 | 基于id3算法的电力系统故障分类方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011007031.1A CN112149731A (zh) | 2020-09-23 | 2020-09-23 | 基于id3算法的电力系统故障分类方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112149731A true CN112149731A (zh) | 2020-12-29 |
Family
ID=73897695
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011007031.1A Pending CN112149731A (zh) | 2020-09-23 | 2020-09-23 | 基于id3算法的电力系统故障分类方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112149731A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113589191A (zh) * | 2021-07-07 | 2021-11-02 | 江苏毅星新能源科技有限公司 | 一种电源故障诊断系统及方法 |
| CN114168651A (zh) * | 2021-12-02 | 2022-03-11 | 上海泽充生物技术有限公司 | 一种利用云计算统计干眼症患者分布群的系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104463706A (zh) * | 2014-12-10 | 2015-03-25 | 深圳供电局有限公司 | 一种用于电网检测电压暂降事件原因的方法和系统 |
| CN110766272A (zh) * | 2019-09-11 | 2020-02-07 | 国网浙江省电力有限公司杭州供电公司 | 基于id3决策树算法的电力业务协同分类方法及系统 |
| CN111046930A (zh) * | 2019-12-01 | 2020-04-21 | 国家电网有限公司客户服务中心 | 一种基于决策树算法的供电服务满意度影响因素识别方法 |
| CN111311859A (zh) * | 2020-02-24 | 2020-06-19 | 内蒙古电力（集团）有限责任公司乌兰察布电业局 | 基于声、光和视频联动的特种光纤围栏系统及警报方法 |
-
2020
- 2020-09-23 CN CN202011007031.1A patent/CN112149731A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104463706A (zh) * | 2014-12-10 | 2015-03-25 | 深圳供电局有限公司 | 一种用于电网检测电压暂降事件原因的方法和系统 |
| CN110766272A (zh) * | 2019-09-11 | 2020-02-07 | 国网浙江省电力有限公司杭州供电公司 | 基于id3决策树算法的电力业务协同分类方法及系统 |
| CN111046930A (zh) * | 2019-12-01 | 2020-04-21 | 国家电网有限公司客户服务中心 | 一种基于决策树算法的供电服务满意度影响因素识别方法 |
| CN111311859A (zh) * | 2020-02-24 | 2020-06-19 | 内蒙古电力（集团）有限责任公司乌兰察布电业局 | 基于声、光和视频联动的特种光纤围栏系统及警报方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113589191A (zh) * | 2021-07-07 | 2021-11-02 | 江苏毅星新能源科技有限公司 | 一种电源故障诊断系统及方法 |
| CN113589191B (zh) * | 2021-07-07 | 2024-03-01 | 郴州雅晶源电子有限公司 | 一种电源故障诊断系统及方法 |
| CN114168651A (zh) * | 2021-12-02 | 2022-03-11 | 上海泽充生物技术有限公司 | 一种利用云计算统计干眼症患者分布群的系统 |
| CN114168651B (zh) * | 2021-12-02 | 2024-01-05 | 上海泽充生物技术有限公司 | 一种利用云计算统计干眼症患者分布群的系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112858919B (zh) | 一种基于聚类分析的电池系统在线故障诊断方法和系统 | |
| CN107340456B (zh) | 基于多特征分析的配电网工况智能识别方法 | |
| CN109766952B (zh) | 基于偏最小二乘法和极限学习机的光伏阵列故障检测方法 | |
| CN112149731A (zh) | 基于id3算法的电力系统故障分类方法及系统 | |
| CN111160241B (zh) | 一种基于深度学习的配电网故障分类方法、系统和介质 | |
| CN112183606A (zh) | 基于c4.5算法的电力系统故障识别分类方法及系统 | |
| CN113676343B (zh) | 电力通信网故障源定位方法及装置 | |
| CN112364928A (zh) | 一种变电站故障数据诊断中的随机森林分类方法 | |
| CN108805295A (zh) | 一种基于决策树算法的故障诊断方法 | |
| CN115453267A (zh) | 一种电力信息系统故障诊断系统 | |
| 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 | |
| CN111999591A (zh) | 一种配电网一次设备异常状态的识别方法 | |
| CN111429043B (zh) | 基于场景构建的电压暂降特征量随机评估方法 | |
| CN111953531A (zh) | 网络故障分析方法及装置 | |
| CN116540015A (zh) | 一种基于暂态波形信号的配电网故障预警方法及系统 | |
| CN111308336A (zh) | 一种基于大数据的高压断路器快速检修方法及装置 | |
| CN116644361A (zh) | 一种架空输电线路故障诊断方法及计算机可读介质 | |
| CN116070140A (zh) | 一种配电变电站安全运行状态监测系统及方法 | |
| CN113570473B (zh) | 设备故障监测方法、装置、计算机设备和存储介质 | |
| CN109507468B (zh) | 一种基于关联特征的汇流箱支路电流检测方法及系统 | |
| CN115809761B (zh) | 一种基于低压台区的电压质量分析方法及系统 | |
| CN116032977B (zh) | 一种基于物联网的智慧电厂智能监控预警维护管理系统 | |
| CN110456231B (zh) | 一种非健全故障信息下的配电网多重故障诊断方法 | |
| CN117890719A (zh) | 一种基于dbscan与二叉决策树算法的短路故障定位方法 | |
| CN117310373A (zh) | 基于空洞卷积识别配网数据的方法及系统、设备、介质 |
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 |