CN112290887A - 一种基于l-m算法改进的bp神经网络电弧检测模型 - Google Patents
一种基于l-m算法改进的bp神经网络电弧检测模型 Download PDFInfo
- Publication number
- CN112290887A CN112290887A CN202011005911.5A CN202011005911A CN112290887A CN 112290887 A CN112290887 A CN 112290887A CN 202011005911 A CN202011005911 A CN 202011005911A CN 112290887 A CN112290887 A CN 112290887A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- network
- model
- parameters
- neural network
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims abstract description 9
- 238000001228 spectrum Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 238000006243 chemical reaction Methods 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 14
- 238000002790 cross-validation Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 11
- 206010000369 Accident Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
- H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
-
- 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
-
- 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
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/10—Photovoltaic [PV]
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种基于L‑M算法改进的神经网络电弧检测模型，改进后的网络参数迭代算法为xk+1＝xk‑(Jk TJk+μI)‑1gk；其中，I为单位矩阵，μ为大于0的比例常数；包括以下步骤：步骤1、通过罗氏线圈电流传感器采集回路电流信号并通过FFT变换后得到电流频谱信号；步骤2、计算并提取出样本数据在时域和频域的特征量；步骤3、搭建基于L‑M算法改进的神经网络电弧模型，并通过计算得到的测试样本特征量对模型进行不断优化，得到的最优网络模型即为最终的电弧检测网络模型；步骤4、将待检测的电路电流经过特征提取后输入到电弧检测网络模型，判断电弧故障。本发明为一种针对光伏直流串联电弧故障的，基于L‑M算法改进的神经网络电弧检测方法。
Description
技术领域
本发明涉及光伏串联电弧故障检测领域，具体涉及一种基于L-M算法改进的BP神经网络电弧检测方法。
背景技术
近年来，光伏产业发展迅猛且应用成熟，很多的住宅、厂房、电站等都配备了光伏发电系统，相应地，光伏电气火灾事件发生频率越来越高，对国民生命财产安全造成了严重危害。经调查发现，光伏系统发生火灾事件的起因大多数归为电弧故障，它们通常是由光伏系统直流侧线路绝缘破损，光伏连接组件接触不良等造成的。同时，光伏系统发生的电弧故障类型绝大多数为串联电弧，光伏系统直流侧的串联电弧故障检测显得尤为重要。
传统的BP神经网络基于梯度下降法使代价函数不断减小，实现对模型参数的寻优，梯度下降法对参数的迭代公式如下：
xk+1＝xk-αgk
式中，xk和xk+1分别为迭代前和迭代后的权值或者阈值，α为算法的迭代步长，又称学习率，gk为负梯度方向。该算法的α是固定的，若此参数设置过大可能会使得参数过更新，导致参数远离最优值的情况；若此参数过小，则又会影响收敛速度，而且当训练误差较大的时候可能会使参数停止更新，局部极值。梯度下降算法不能根据代价函数的大小和变化情况对迭代步长进行调整，检测精度不高。
发明内容
本发明提出了一种基于L-M算法改进的BP神经网络检测模型的检测方法，解决了现有的梯度下降算法不能根据代价函数的大小和变化情况对迭代步长进行调整，检测精度不高的问题。
本发明的技术方案是这样实现的：
一种基于L-M算法改进的BP神经网络电弧检测模型，包括基于L-M算法改进的BP神经网络电弧检测模型为：光伏串联电弧的特征量为回路电流的时域标准差和频域中特征频段的谱积分；改进后的网络参数迭代算法为xk+1＝xk-(Jk TJk+μI)-1gk；其中，I为单位矩阵，μ为大于0的比例常数；
包括以下步骤：
步骤1、通过罗氏线圈电流传感器采集回路电流信号并通过FFT变换后得到电流频谱信号；
步骤2、计算并提取出样本数据在时域和频域的特征量：电流在固定时间内的标准差和电流在特征频段的谱积分；
步骤3、搭建基于L-M算法改进的神经网络电弧模型，并通过计算得到的测试样本特征量对模型进行不断优化，得到的最优网络模型即为最终的电弧检测网络模型；
步骤4、将待检测的电路电流经过特征提取后输入到电弧检测网络模型，判断电弧故障。
优选的，基于L-M算法改进算法的BP神经网络参数迭代算法，I为单位矩阵，μ为大于0的比例常数，所述Jk为雅克比矩阵，具体表达式如下。
优选的，基于L-M算法改进的BP神经网络电弧检测模型，样本数据集的划分是按照K折交叉验证划分的。
优选的，K折交叉验证中的K为样本数据随机划分的数据集组数，在采用基于L-M算法改进的BP神经网络电弧检测模型进行电弧故障诊断前，设置一套初始超参数作标准，用训练集对神经网络模型进行训练，对阈值和权值更新优化完毕后，得到K个由二次代价函数表示的误差，计算K个误差的平均值为网络误差eavg，并作为评价此套超参数的依据，接着再重新设置第二套超参数，得到第二套超参数的网络误差，以此类推，最后n套超参数得到的网络误差中，选取值最小对应的那一套作为最终选定超参数，这样参数和超参数的寻优完毕。
优选的，K折交叉验证的参数和超参数的寻优中的参数包括网络权值和网络阈值，超参数包括隐藏层数、代价函数、最大迭代次数、激活函数和收敛系数。
优选的，如权利要求1所述的基于L-M算法改进的BP神经网络电弧检测模型，其特征在于，对网络模型参数进行优化，具体包括以下步骤，初始化收敛系数μ＝μ0，然后输入样本数据进行迭代训练，判断得到的网络误差ei是否较迭代前减小，若减小则令μ＝μ0×0.1；若迭代后的网络误差增大，则令μ＝μ0×10，使算法更偏向于梯度下降法，直到更新后的收敛系数使得网络误差减小。
优选的，在采用基于L-M算法改进的BP神经网络检测模型的检测方法进行判断电弧故障之前，设置一套标准的参数以作判断，具体包括以下方法：设置一套初始超参数，按照K折交叉验证法对训练集进行训练，对阈值和权值更新优化完毕后，得到K个由二次代价函数表示的误差，计算K个误差的平均值为网络误差eavg，并作为评价此套超参数的依据，接着再重新设置第二套超参数，得到第二套超参数的网络误差，以此类推，最后n套超参数得到的网络误差中，选取值最小对应的那一套作为最终选定超参数，这样，参数和超参数的寻优完毕。
本发明的有益效果是，
本发明通过一种基于L-M算法改进的BP神经网络电弧检测模型；包括以下步骤：步骤1、通过罗氏线圈电流传感器采集回路电流信号并通过FFT变换后得到电流频谱信号；步骤2、计算并提取出样本数据在时域和频域的特征量：电流在固定时间内的标准差和电流在特征频段的谱积分；步骤3、搭建基于L-M算法改进的神经网络电弧模型，并通过计算得到的测试样本特征量对模型进行不断优化，得到的最优网络模型即为最终的电弧检测网络模型；步骤4、将待检测的电路电流经过特征提取后输入到电弧检测网络模型，判断电弧故障。本发明区别梯度下降算法提出一种基于L-M算法改进的BP神经网络电弧检测模型，通过光伏电弧的测试样本集分别对基于这两种算法的光伏串联电弧检测结果进行对比得出，基于L-M算法改进的BP神经网络电弧检测模型对光伏串联电弧故障的识别精度的提高和误报率的降低。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于L-M算法改进的BP神经网络检测算法原理框图。
具体实施方式
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。
参照图1，一种基于L-M算法改进的BP神经网络检测模型的检测方法，包括基于L-M算法改进的BP神经网络电弧检测模型为：光伏串联电弧的特征量为回路电流的时域标准差和频域中特征频段的谱积分；改进后的网络参数迭代算法为xk+1＝xk-(Jk TJk+μI)-1gk；其中，I为单位矩阵，μ为大于0的比例常数；包括以下步骤：
步骤1、通过罗氏线圈电流传感器采集回路电流信号并通过FFT变换后得到电流频谱信号；
步骤2、计算并提取出样本数据在时域和频域的特征量：电流在固定时间内的标准差和电流在特征频段的谱积分；
步骤3、搭建基于L-M算法改进的神经网络电弧模型，并通过计算得到的测试样本特征量对模型进行不断优化，得到的最优网络模型即为最终的电弧检测网络模型；
步骤4、将待检测的电路电流经过特征提取后输入到电弧检测网络模型，判断电弧故障。
基于L-M算法改进算法的BP神经网络参数迭代算法，其特征在于，I为单位矩阵，μ为大于0的比例常数，所述Jk为雅克比矩阵，具体表达式如下,
基于L-M算法改进的BP神经网络电弧检测模型中样本数据集的划分是按照K折交叉验证划分的。
K折交叉验证中的K为样本数据随机划分的数据集组数，在采用基于L-M算法改进的BP神经网络电弧检测模型进行电弧故障诊断前，设置一套初始超参数作标准，用训练集对神经网络模型进行训练，对阈值和权值更新优化完毕后，得到K个由二次代价函数表示的误差，计算K个误差的平均值为网络误差eavg，并作为评价此套超参数的依据，接着再重新设置第二套超参数，得到第二套超参数的网络误差，以此类推，最后n套超参数得到的网络误差中，选取值最小对应的那一套作为最终选定超参数，这样参数和超参数的寻优完毕。
K折交叉验证的参数和超参数的寻优，参数包括网络权值和网络阈值，所述超参数包括隐藏层数、代价函数、最大迭代次数、激活函数和收敛系数。
基于L-M算法改进的BP神经网络电弧检测模型对网络模型参数进行优化，具体包括以下步骤，初始化收敛系数μ＝μ0，然后输入样本数据进行迭代训练，判断得到的网络误差ei是否较迭代前减小，若减小则令μ＝μ0×0.1；若迭代后的网络误差增大，则令μ＝μ0×10，使算法更偏向于梯度下降法，直到更新后的收敛系数使得网络误差减小。
本申请通过电阻和逆变器作为光伏电源的两种不同负载对象，在不同大小电流运行时，分别采集起弧电路和正常电路的传导干扰电压和高频电流数据，实验样本采集分类情况如下表格：
在这里，对采样数据采用公式
y∈(0,1)进行归一化处理。
上述公式的归一化方法，将所有数据值归一到0～1之间，其中min为相应特征量中对应的最小值，max为相应特征量中对应的最大值，x为相应特征量实际大小，y为归一后的特征值。
另外，本模型采用的是K折交叉验证法来划分采样数据集，进而实现对网络参数的整定。上述表格中一共有600个样本，随机取出100个样本作为测试集预留，再把剩下的500个样本随机打乱，均分为10大组，每大组50个数据，轮流取其中的9大组数据作为训练集，剩下的1大组作为验证集，这样轮流训练结束后，实现参数寻优和10个网络误差，再对这10个网络误差取平均值，即最终用MSE(Mean Square Error，均方误差)作为评定所选超参数(学习率、迭代数、神经网络层数、激活函数等)下的网络模型性能的指标，接下来通过比较不同超参数下的网络误差平均值，选取对应最小的作为模型最优超参数。其中，MSE计算如下式，其中K为K折交叉验证的样本份数，本模型oi为第i个样本的预计输出值，oi为第i个样本的期望输出值。
最后确定隐藏节点数，根据公式
这里，m＝4，n＝1，此隐藏节点数的范围定在[2,13]，为了更精确地确定节点数，同时对比基于梯度下降法和L-M改进的两种神经网络模型，分别在这两种算法下设置不同的隐藏节点数，观察各自训练完成时的迭代数和网络误差。两种模型在不同隐藏节点数的训练结果见下表，可看出，当隐藏节点数在12的时候，两种算法的BP神经网络误差都达到最小，分别为0.00045和7.3951×10-8，所以确定本网络的隐藏节点数为12。同时由表格可以看出，基于L-M算法改进的BP神经网络模型的最终网络误差要明显优于传统的梯度下降模型，最终训练完成的迭代次数也少于梯度算法模型。
得到以下数据：
由数据看出基于L-M算法改进的神经网络模型在收敛速度和网络误差方面都要优于梯度下降算法。
对于检测结果的验证，如下表。
其中的样本数为600，按照K折交叉验证法预留测试集样本数为120，其中有电弧故障的样本和正常电路的样本数分别都为60个。用测试集样本对网络模型进行测试后。基于梯度下降算法和基于L-M算法改进的BP网络模型的电弧故障检出率分别为90％和96.7％，电路正常的检测率分别为95％和98.3％，说明基于L-M算法改进的BP神经网络模型，对光伏直流系统串联电弧故障的检测准确率要明显高于传统的梯度下降算法，且误报率也低于梯度下降算法，验证了所提基于L-M算法改进的神经网络模型对光伏电弧识故障别性能的提高。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于L-M算法改进的BP神经电弧检测模型，其特征在于，包括基于L-M算法改进的BP神经网络电弧检测模型为：光伏串联电弧的特征量为回路电流的时域标准差和频域中特征频段的谱积分；改进后的网络参数迭代算法为xk+1＝xk-(Jk TJk+μI)-1gk；其中，I为单位矩阵，μ为大于0的比例常数；
包括以下步骤：
步骤1、通过罗氏线圈电流传感器采集回路电流信号并通过FFT变换后得到电流频谱信号；
步骤2、计算并提取出样本数据在时域和频域的特征量：电流在固定时间内的标准差和电流在特征频段的谱积分；
步骤3、搭建基于L-M算法改进的神经网络电弧模型，并通过计算得到的测试样本特征量对模型进行不断优化，得到的最优网络模型即为最终的电弧检测网络模型；
步骤4、将待检测的电路电流经过特征提取后输入到电弧检测网络模型，判断电弧故障。
2.如权利要求1所述的基于L-M算法改进算法的BP神经网络参数迭代算法，其特征在于，I为单位矩阵，μ为大于0的比例常数，所述Jk为雅克比矩阵，具体表达式如下,
3.如权利要求1所述的基于L-M算法改进的BP神经网络电弧检测模型，其特征在于，所述基于L-M算法改进的BP神经网络电弧检测模型中样本数据集的划分是按照K折交叉验证划分的。
4.如权利要求3所述的K折交叉验证，其特征在于，K为样本数据随机划分的数据集组数，在采用基于L-M算法改进的BP神经网络电弧检测模型进行电弧故障诊断前，设置一套初始超参数作标准，用训练集对神经网络模型进行训练，对阈值和权值更新优化完毕后，得到K个由二次代价函数表示的误差，计算K个误差的平均值为网络误差eavg，并作为评价此套超参数的依据，接着再重新设置第二套超参数，得到第二套超参数的网络误差，以此类推，最后n套超参数得到的网络误差中，选取值最小对应的那一套作为最终选定超参数，这样参数和超参数的寻优完毕。
5.如权利要求4所述的K折交叉验证的参数和超参数的寻优，其特征在于，所述参数包括网络权值和网络阈值，所述超参数包括隐藏层数、代价函数、最大迭代次数、激活函数和收敛系数。
6.如权利要求1所述的基于L-M算法改进的BP神经网络电弧检测模型，其特征在于，对网络模型参数进行优化，具体包括以下步骤，初始化收敛系数μ＝μ0，然后输入样本数据进行迭代训练，判断得到的网络误差ei是否较迭代前减小，若减小则令μ＝μ0×0.1；若迭代后的网络误差增大，则令μ＝μ0×10，使算法更偏向于梯度下降法，直到更新后的收敛系数使得网络误差减小。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011005911.5A CN112290887A (zh) | 2020-09-23 | 2020-09-23 | 一种基于l-m算法改进的bp神经网络电弧检测模型 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011005911.5A CN112290887A (zh) | 2020-09-23 | 2020-09-23 | 一种基于l-m算法改进的bp神经网络电弧检测模型 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112290887A true CN112290887A (zh) | 2021-01-29 |
Family
ID=74422119
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011005911.5A Pending CN112290887A (zh) | 2020-09-23 | 2020-09-23 | 一种基于l-m算法改进的bp神经网络电弧检测模型 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112290887A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113514724A (zh) * | 2021-07-15 | 2021-10-19 | 阳光电源股份有限公司 | 光伏系统及其电弧检测方法、装置 |
| CN114034999A (zh) * | 2021-11-12 | 2022-02-11 | 阳光电源股份有限公司 | 拉弧的检测方法、装置、电子设备和用电系统 |
-
2020
- 2020-09-23 CN CN202011005911.5A patent/CN112290887A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113514724A (zh) * | 2021-07-15 | 2021-10-19 | 阳光电源股份有限公司 | 光伏系统及其电弧检测方法、装置 |
| CN114034999A (zh) * | 2021-11-12 | 2022-02-11 | 阳光电源股份有限公司 | 拉弧的检测方法、装置、电子设备和用电系统 |
| CN114034999B (zh) * | 2021-11-12 | 2023-10-31 | 阳光电源股份有限公司 | 拉弧的检测方法、装置、电子设备和用电系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116702081B (zh) | 基于人工智能的配电设备智能巡检方法 | |
| CN112505549B (zh) | 基于孤立森林算法的新能源汽车电池异常检测方法 | |
| CN108646149A (zh) | 基于电流特征提取的故障电弧识别方法 | |
| 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 | |
| CN109213121B (zh) | 一种风机制动系统卡缸故障诊断方法 | |
| CN107422266B (zh) | 一种大容量电池储能系统的故障诊断方法及装置 | |
| CN109284863A (zh) | 一种基于深度神经网络的电力设备温度预测方法 | |
| CN112290887A (zh) | 一种基于l-m算法改进的bp神经网络电弧检测模型 | |
| CN103558519A (zh) | 一种gis局部放电超声波信号识别方法 | |
| KR101025058B1 (ko) | 퍼지 알비에프 신경회로망 알고리즘을 이용한 저압선로의 탄화도전로 신호검출 방법 | |
| CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
| CN112478975A (zh) | 基于音频特征的电梯门故障检测方法 | |
| CN111429043B (zh) | 基于场景构建的电压暂降特征量随机评估方法 | |
| CN113705082A (zh) | 一种基于改进bp神经网络的变压器热点温度预测方法 | |
| CN112633315A (zh) | 一种电力系统扰动分类方法 | |
| CN113780432B (zh) | 基于增强学习的网络信息系统运维异常智能检测方法 | |
| CN116840765A (zh) | 一种基于多元时序分析的电压互感器误差状态评估方法 | |
| CN118035909A (zh) | 一种基于经验模态分解的台区负荷异常态势协同检测方法 | |
| CN112529066B (zh) | 一种基于bas-bp分类器模型的电压暂降源识别方法 | |
| CN113269041B (zh) | 一种应用于同期装置的信号异常检测方法 | |
| CN108446202B (zh) | 一种机房设备的安全状况的判断方法 | |
| CN114581699A (zh) | 考虑多源信息时基于深度学习模型的变压器状态评估方法 | |
| CN113536674A (zh) | 一种基于bp神经网络和改进scada数据的线路参数辨识方法 | |
| CN108092272A (zh) | 一种基于渐消卡尔曼滤波的电压稳定在线监测方法 | |
| CN112085043B (zh) | 一种变电站网络安全智能监控方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210129 |