CN112507605A - 基于AnoGAN的配电网异常检测方法 - Google Patents

基于AnoGAN的配电网异常检测方法 Download PDF

Info

Publication number
CN112507605A
CN112507605A CN202011217937.6A CN202011217937A CN112507605A CN 112507605 A CN112507605 A CN 112507605A CN 202011217937 A CN202011217937 A CN 202011217937A CN 112507605 A CN112507605 A CN 112507605A
Authority
CN
China
Prior art keywords
power distribution
distribution network
anogan
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
Application number
CN202011217937.6A
Other languages
English (en)
Inventor
孙宏斌
王玥
唐文俊
郭烨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202011217937.6A priority Critical patent/CN112507605A/zh
Publication of CN112507605A publication Critical patent/CN112507605A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于AnoGAN的配电网异常检测方法，该基于AnoGAN的配电网异常检测方法包括以下步骤：S1，基于AnoGAN的配电网模型训练，包括对配电网模型中判别器和生成器的训练；S2，对完成训练的基于AnoGAN的配电网模型进行异常检测，包括通过正常样本训练模型得出正常测试数据，评估正常测试数据和实测数据之间的差异量，通过差异量判断实测数据是否满足要求；S3，对配电网模型进行子网络模型分区，并对并行的子网络模型AnoGANs进行异常检测；S4，通过十字绣单元法对子网络模型AnoGANs进行参数处理；S5，通过DCGAN的网络结构模式稳定子网络模型AnoGANs的训练。根据本发明的基于AnoGAN的配电网异常检测方法，提高了检测结果的精确度，具有更好的鲁棒性和适应性。

Description

基于AnoGAN的配电网异常检测方法
技术领域
本发明涉及智能电网技术领域，尤其是涉及一种基于AnoGAN的配电网异常检测方法。
背景技术
近年来，随着城市智能电网建设的快速发展，配电网在整个智能电网的安全稳定运行中所起到的作用日益重要，因此对配电网进行异常检测十分必要。例如配电网的短路故障发生时，故障点阻抗很小，电流瞬时升高，短路点以前的电压下降，对整个电力系统安全运行极其不利。此外，配电网中的断路、坏数据等异常情况都会导致安全事故的发生。
然而，在实际的生产作业场景中，对配电网的异常检测有很多亟待解决的问题。一方面，考虑到建设成本，无法在配电网中的每个节点安装足够多的智能电表等测量设备，因而无法获取充足的、高精度的量测数据，因此我们就无法使用传统的状态估计方法对其进行检测。另一方面，配电网异常事件发生率很低，收集到足够多的异常量测样本极其消耗人力物力，而且也无法通过先验知识涵盖所有的异常类别，这也是解决异常检测问题共有的难点。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明的一个目的在于提出一种基于AnoGAN的配电网异常检测方法，该基于AnoGAN的配电网异常检测方法，提高了检测结果的精确度，具有更好的鲁棒性和适应性。
本发明还提出了一种可存储和执行上述基于AnoGAN的配电网异常检测方法的非临时性可读存储介质。
根据本发明实施例的基于AnoGAN的配电网异常检测方法，包括以下步骤：
S1，基于AnoGAN的配电网模型训练，包括对配电网模型中判别器和生成器的训练；
S2，对完成训练的基于AnoGAN的配电网模型进行异常检测，包括通过正常样本训练模型得出正常测试数据，评估正常测试数据和实测数据之间的差异量，通过差异量判断实测数据是否满足要求；
S3，对配电网模型进行子网络模型分区，并对并行的子网络模型AnoGANs进行异常检测；
S4，通过十字绣单元法对子网络模型AnoGANs进行参数处理；
S5，通过DCGAN的网络结构模式稳定子网络模型AnoGANs的训练。
根据本发明的基于AnoGAN的配电网异常检测方法，通过对配电网模型进行子网络模型分区，并分析每个子网络之间的相关性，进而提高了生成量测的精度，从而具有更好的鲁棒性和适应性。
根据本发明一个实施例的基于AnoGAN的配电网异常检测方法，步骤S1包括：
S101，固定判别器参数，训练生成器；
S102，固定生成器参数，训练判别器；
S103，循环步骤S101和步骤S102，优化判别器参数和生成器参数。
根据本发明一个实施例的基于AnoGAN的配电网异常检测方法，判别器参数和生成器参数在训练中的目标函数如下：
Figure BDA0002761054860000021
其中V(·)代表训练过程中的目标函数，D(·)表示判别器的输出，即样本为正常样本的概率，G(·)表示生成器的输出，即模拟正常样本产生的数据。
根据本发明一个实施例的基于AnoGAN的配电网异常检测方法，步骤S2包括：
S201，根据测试数据
Figure BDA0002761054860000022
固定生成器和判别器的训练参数，初始z0以高斯分布随机采样，其中z0表示随机噪声的初始值；
S202，将初始值z0输入到生成器中，得到输出值G(z0)；
S203，定义损失函数：
Figure BDA0002761054860000023
测量
Figure BDA0002761054860000024
和G(z)之间的差异，其中γ表示第
Figure BDA0002761054860000025
次迭代，N是一个样本中的特征值的数量；
S204，通过迭代得到最接近测试数据
Figure BDA0002761054860000026
的G(z*)，其中G(z*)代表测试数据
Figure BDA0002761054860000027
在正常情况下的量测结果；
S205，预设阈值ε，通过损失函数的值来判断测试数据是否正常；
S206，定义最后一次迭代后损失函数的值为异常评分，如果该评分大于阈值ε，则测试数据
Figure BDA0002761054860000028
将被视为异常数据，反之，则为正常数据。
根据本发明一个实施例的基于AnoGAN的配电网异常检测方法，步骤S5包括：
S501，使用batch normalization对卷积层的输出进行规范化，加速训练；
S502，在判别器中使用Leaky-ReLU激活函数来防止梯度稀疏；
S503，用Adam优化器对子网络模型AnoGANs进行训练。
根据本发明的第二方面的非临时性可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一项的基于AnoGAN的配电网异常检测方法。该非临时性可读存储介质与上述的基于AnoGAN的配电网异常检测方法相对于现有技术所具有的优势相同，在此不再赘述。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本发明实施例的基于AnoGAN的配电网异常检测方法的结构示意图；
图2是根据本发明实施例的步骤S1的结构示意图；
图3是根据本发明实施例的步骤S2的结构示意图；
图4是根据本发明实施例的十字绣单元法对子网络模型AnoGANs进行参数处理的结构示意图；
图5是根据本发明实施例的步骤S5的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
下面参考图1-图5描述根据本发明实施例的基于AnoGAN的配电网异常检测方法。如图1所示，根据本发明实施例的基于AnoGAN的配电网异常检测方法，包括以下步骤：
S1，基于AnoGAN的配电网模型训练，包括对配电网模型中判别器和生成器的训练；
S2，对完成训练的基于AnoGAN的配电网模型进行异常检测，包括通过正常样本训练模型得出正常测试数据，评估正常测试数据和实测数据之间的差异量，通过差异量判断实测数据是否满足要求；
S3，对配电网模型进行子网络模型分区，并对并行的子网络模型AnoGANs进行异常检测；
S4，通过十字绣单元法对子网络模型AnoGANs进行参数处理；
S5，通过DCGAN的网络结构模式稳定子网络模型AnoGANs的训练。
根据本发明的基于AnoGAN的配电网异常检测方法，通过对配电网模型进行子网络模型分区，并分析每个子网络之间的相关性，进而提高了生成量测的精度，从而具有更好的鲁棒性和适应性。
根据本发明一个实施例的基于AnoGAN的配电网异常检测方法，如图2所示，步骤S1包括：
S101，固定判别器参数，训练生成器；具体地，生成器通过学习训练数据集的分布来生成足够接近训练样本的数据，以此混淆判别器，使判别器将之认定为和训练样本别无二致的真实数据。
S102，固定生成器参数，训练判别器；具体地，判别器的目标是将训练样本和生成数据区分开，它会给予训练样本一个较大的输出，以此表示其输入属于真实数据的概率，反之会给生成器的输出一个较低的输出概率。
S103，循环步骤S101和步骤S102，优化判别器参数和生成器参数，从而实现判别器和生成器性能的共同提高。
需要说明的是，在本发明一个具体实施例中，生成器包括两个全连接层和三个卷积层，判别器包括三个卷积层。
根据本发明一个实施例的基于AnoGAN的配电网异常检测方法，判别器参数和生成器参数在训练中的目标函数如下：
Figure BDA0002761054860000041
其中V(·)代表训练过程中的目标函数，D(·)表示判别器的输出，即样本为正常样本的概率，G(·)表示生成器的输出，即模拟正常样本产生的数据。
需要说明的是，生成器生成的数据和实际样本越接近，生成器的输出越接近1。因此，判别器的性能越高，生成器的生成效果越好。
根据本发明一个实施例的基于AnoGAN的配电网异常检测方法，如图3所示，步骤S2包括：
S201，根据测试数据
Figure BDA0002761054860000051
固定生成器和判别器的训练参数，初始z0以高斯分布随机采样，其中z0表示随机噪声的初始值；
S202，将初始值z0输入到生成器中，得到输出值G(z0)；
S203，定义损失函数：
Figure BDA0002761054860000052
测量
Figure BDA0002761054860000053
和G(z)之间的差异，其中γ表示第γth次迭代，N是一个样本中的特征值的数量；
S204，通过迭代得到最接近测试数据
Figure BDA0002761054860000054
的G(z*)，其中G(z*)代表测试数据
Figure BDA0002761054860000055
在正常情况下的量测结果；
S205，预设阈值ε，通过损失函数的值来判断测试数据是否正常；
S206，定义最后一次迭代后损失函数的值为异常评分，如果该评分大于阈值ε，则测试数据
Figure BDA0002761054860000056
将被视为异常数据，反之，则为正常数据。
进一步地，如图4所示，使用十字绣单元在并行AnoGANs的训练中挖掘子网络之间的内在关联，公式如下：
Figure BDA0002761054860000057
其中每个α都是一个矩阵，αAB和αBA代表不同任务的权重，而αAA和αBB是同一任务的权重。具体地，分别给定两个训练子任务中网络的输出xA和xB，训练十字绣单位的参数来寻找
Figure BDA0002761054860000058
和
Figure BDA0002761054860000059
线性组合，然后输入。需要说明的是，αAB和αBA采用人工预设的方法初始化，然后以较低的学习率进行微调。
根据本发明一个实施例的基于AnoGAN的配电网异常检测方法，如图5所示，步骤S5包括：
S501，使用batch normalization对卷积层的输出进行规范化，加速训练；
S502，在判别器中使用Leaky-ReLU激活函数来防止梯度稀疏；具体地，生成器输出层采用Tanh激活函数。进一步地，Leaky-ReLU函数定义为:f(x)＝max(x，αx)，Leaky-ReLU可以解决输入为负时ReLU一阶导数为0的问题，其中超参数α是函数在x<0时的斜率，例如，在一个具体的实施例中，超参数α设置为0.01。
S503，用Adam优化器对子网络模型AnoGANs进行训练。需要说明的是，Adam优化器通过计算梯度的一阶和二阶矩估计，可以对不同参数采用独立自适应学习率。
综上所述，根据本发明的基于AnoGAN的配电网异常检测方法，通过对配电网模型进行子网络模型分区，并分析每个子网络之间的相关性，进而提高了生成量测的精度，从而具有更好的鲁棒性和适应性。
根据本发明的第二方面的非临时性可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一项的基于AnoGAN的配电网异常检测方法。综上，该非临时性可读存储介质具有鲁棒性更高等优点。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (6)

1.一种基于AnoGAN的配电网异常检测方法，其特征在于，包括以下步骤：
S1，基于AnoGAN的配电网模型训练，包括对配电网模型中判别器和生成器的训练；
S2，对完成训练的基于AnoGAN的配电网模型进行异常检测，包括通过正常样本训练模型得出正常测试数据，评估正常测试数据和实测数据之间的差异量，通过差异量判断实测数据是否满足要求；
S3，对配电网模型进行子网络模型分区，并对并行的子网络模型AnoGANs进行异常检测；
S4，通过十字绣单元法对子网络模型AnoGANs进行参数处理；
S5，通过DCGAN的网络结构模式稳定子网络模型AnoGANs的训练。
2.根据权利要求1的基于AnoGAN的配电网异常检测方法，其特征在于，步骤S1包括：
S101，固定判别器参数，训练生成器；
S102，固定生成器参数，训练判别器；
S103，循环步骤S101和步骤S102，优化判别器参数和生成器参数。
3.根据权利要求2的基于AnoGAN的配电网异常检测方法，其特征在于，判别器参数和生成器参数在训练中的目标函数如下：
Figure FDA0002761054850000011
其中V(·)代表训练过程中的目标函数，D(·)表示判别器的输出，即样本为正常样本的概率，G(·)表示生成器的输出，即模拟正常样本产生的数据。
4.根据权利要求3的基于AnoGAN的配电网异常检测方法，其特征在于，步骤S2包括：
S201，根据测试数据
Figure FDA0002761054850000012
固定生成器和判别器的训练参数，初始z0以高斯分布随机采样，其中z0表示随机噪声的初始值；
S202，将初始值z0输入到生成器中，得到输出值G(z0)；
S203，定义损失函数：
Figure FDA0002761054850000013
测量
Figure FDA0002761054850000014
和G(z)之间的差异，其中γ表示第γth次迭代，N是一个样本中的特征值的数量；
S204，通过迭代得到最接近测试数据
Figure FDA0002761054850000021
的G(z*)，其中G(z*)代表测试数据
Figure FDA0002761054850000022
在正常情况下的量测结果；
S205，预设阈值ε，通过损失函数的值来判断测试数据是否正常；
S206，定义最后一次迭代后损失函数的值为异常评分，如果该评分大于阈值ε，则测试数据
Figure FDA0002761054850000023
将被视为异常数据，反之，则为正常数据。
5.根据权利要求4的基于AnoGAN的配电网异常检测方法，其特征在于，步骤S5包括：
S501，使用batch normalization对卷积层的输出进行规范化，加速训练；
S502，在判别器中使用Leaky-ReLU激活函数来防止梯度稀疏；
S503，用Adam优化器对子网络模型AnoGANs进行训练。
6.一种非临时性可读存储介质，其上存储有计算机程序，其特征在于，计算机程序被处理器执行时实现根据权利要求1-5中任一项的基于AnoGAN的配电网异常检测方法。
CN202011217937.6A 2020-11-04 2020-11-04 基于AnoGAN的配电网异常检测方法 Pending CN112507605A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011217937.6A CN112507605A (zh) 2020-11-04 2020-11-04 基于AnoGAN的配电网异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011217937.6A CN112507605A (zh) 2020-11-04 2020-11-04 基于AnoGAN的配电网异常检测方法

Publications (1)

Publication Number Publication Date
CN112507605A true CN112507605A (zh) 2021-03-16

Family

ID=74955182

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011217937.6A Pending CN112507605A (zh) 2020-11-04 2020-11-04 基于AnoGAN的配电网异常检测方法

Country Status (1)

Country Link
CN (1) CN112507605A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113128130A (zh) * 2021-05-13 2021-07-16 浙江大学 一种判断直流配电系统稳定性的实时监测方法及装置
CN113160190A (zh) * 2021-04-27 2021-07-23 西安交通大学 一种接触网紧固件异常检测方法、设备、检测装置及存储介质
CN115660037A (zh) * 2022-10-26 2023-01-31 广东东方思维科技有限公司 一种通过深度神经网络模型进行判别的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095919A (zh) * 2015-09-08 2015-11-25 北京百度网讯科技有限公司 图像识别方法和装置
CN111145042A (zh) * 2019-12-31 2020-05-12 国网北京市电力公司 一种采用全连接神经网络的配电网电压异常诊断方法
CN112036686A (zh) * 2020-07-20 2020-12-04 清华大学 基于理论线损区间计算的低压配电台区线损评价方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095919A (zh) * 2015-09-08 2015-11-25 北京百度网讯科技有限公司 图像识别方法和装置
CN111145042A (zh) * 2019-12-31 2020-05-12 国网北京市电力公司 一种采用全连接神经网络的配电网电压异常诊断方法
CN112036686A (zh) * 2020-07-20 2020-12-04 清华大学 基于理论线损区间计算的低压配电台区线损评价方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YUE WANG 等: "Distribution system anomaly detection based on on AnoGAN embedded with cross-stitch units", 《2020 IEEE 4TH CONFERENCE ON ENERGY INTERNET AND ENERGY SYSTEM INTEGRATION》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113160190A (zh) * 2021-04-27 2021-07-23 西安交通大学 一种接触网紧固件异常检测方法、设备、检测装置及存储介质
CN113128130A (zh) * 2021-05-13 2021-07-16 浙江大学 一种判断直流配电系统稳定性的实时监测方法及装置
CN113128130B (zh) * 2021-05-13 2022-05-17 浙江大学 一种判断直流配电系统稳定性的实时监测方法及装置
CN115660037A (zh) * 2022-10-26 2023-01-31 广东东方思维科技有限公司 一种通过深度神经网络模型进行判别的方法

Similar Documents

Publication Publication Date Title
Cadini et al. State-of-life prognosis and diagnosis of lithium-ion batteries by data-driven particle filters
CN112507605A (zh) 基于AnoGAN的配电网异常检测方法
Hong et al. Vehicle energy system active defense: a health assessment of lithium‐ion batteries
CN106021771A (zh) 一种故障诊断方法及装置
CN108919059A (zh) 一种电网故障诊断方法、装置、设备及可读存储介质
CN109800446B (zh) 一种锂离子电池放电过程电压不一致性估计方法及装置
CN110531732B (zh) 一种非线性网络化控制系统的随机故障检测方法
CN112966879A (zh) 环境试验箱故障预测方法、装置、计算机设备及存储介质
CN111814342B (zh) 一种复杂设备可靠性混合模型及其构建方法
CN113484813A (zh) 多环境应力下的智能电表故障率预估方法及系统
KR101733708B1 (ko) 시스템으로부터 획득되는 측정 값들을 평가하기 위한 방법 및 시스템
CN112816881A (zh) 电池压差异常检测方法、装置及计算机存储介质
CN112565187A (zh) 基于逻辑回归的电网攻击检测方法、系统、设备及介质
CN110929835B (zh) 一种新型碳化硅基航空功率变换器故障诊断方法及系统
CN113721182B (zh) 一种电力互感器性能在线监测结果可靠度评估方法及系统
CN116522594A (zh) 基于卷积神经网络的时间自适应暂态稳定预测方法及装置
CN117330963B (zh) 储能电站故障检测方法、系统及设备
CN112613191A (zh) 电缆健康状态评估方法、装置、计算机设备和存储介质
CN114462294A (zh) 一种两阶段代理模型辅助参数估计方法以及系统
CN111461329B (zh) 一种模型的训练方法、装置、设备及可读存储介质
CN116224091B (zh) 电池的电芯故障检测方法、装置、电子设备及存储介质
Zhang et al. A method for remaining discharge time prediction of lithium‐ion batteries under dynamic uncertainty
WO2023274121A1 (zh) 故障检测方法及装置、电子设备和计算机可读存储介质
CN114077922A (zh) 风电机组的故障预测方法、装置及电子设备
CN114386510A (zh) 一种电力系统量测错误辨识方法及系统

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210316