CN112834978A - 智能电能表故障的分析方法及分析装置 - Google Patents
智能电能表故障的分析方法及分析装置 Download PDFInfo
- Publication number
- CN112834978A CN112834978A CN202110213552.0A CN202110213552A CN112834978A CN 112834978 A CN112834978 A CN 112834978A CN 202110213552 A CN202110213552 A CN 202110213552A CN 112834978 A CN112834978 A CN 112834978A
- Authority
- CN
- China
- Prior art keywords
- fault
- electric energy
- energy meter
- intelligent electric
- model
- 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
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
Abstract
本申请公开了智能电能表故障的分析方法及分析装置,其中方法包括建立智能电能表的故障数据库;获取某一智能电能表的连续的特征参数样本;对特征参数样本的样本数据进行初始化和模糊处理,得到综合诊断网络;根据综合诊断网络和故障数据库进行判断,得到对应的分析结果。通过上述方式,本申请可以对智能电能表故障进行分析,及时反映故障原因,适用范围广。
Description
技术领域
本申请涉及智能电能表故障技术领域,尤其涉及智能电能表故障的分析方法及分析装置。
背景技术
智能电能表作为供电公司和用户进行互动结算的计量仪器,是智能电网的重要组成部分之一。故障会导致智能电能表不能正常使用,从而影响用户利益及安全问题。针对不同的故障会有不同的处理方案,因此当智能电能表出现问题时,需要及时反映故障原因,才能采取相应的对策处理。
然而,传统的质量管控只能通过智能电能表安装前的试验和安装后的运行抽检、周期检验来保证智能电能表的可靠运行,其缺点是实时性差,且用于管控分析的数据维度较少,难以及时、全面地掌握电能表运行状态。
发明内容
本申请提供智能电能表故障的分析方法及分析装置,以解决现有技术中智能电能表故障分析实时性差的问题。
为解决上述技术问题,本申请提出一种智能电能表故障的分析方法,包括建立智能电能表的故障数据库;获取某一智能电能表的连续的特征参数样本;对特征参数样本的样本数据进行初始化和模糊处理,得到综合诊断网络;根据综合诊断网络和故障数据库进行判断,得到对应的分析结果。
可选地,故障数据库包括若干条故障数据,每条故障数据包括输出波形特征的范围参数、故障判定结果和元器件故障模型组成的特征向量。
可选地,建立智能电能表的故障数据库,包括:建立智能电能表的电路功能仿真模型和元器件的故障模型,其中元器件故障模型包括元器件类型、位置及其失效模式;根据电路功能仿真模型和元器件故障模型,得出电路故障仿真模型;运行电路故障仿真模型,并以电路故障仿真模型中的元器件的故障模型作为节点选取故障测试节点,得到故障测试节点对应失效模式的输出波形,并提取波形特征的范围参数;对波形特征的范围参数进行判断,得到故障判定结果;根据波形特征的范围参数、故障判定结果和元器件故障模型组成的特征向量建立智能电能表的故障数据库。
可选地,对特征参数样本的样本数据进行初始化和模糊处理,得到综合诊断网络,包括:将样本数据输入自适应神经模糊推理系统,其中样本数据包括用电量、电气量和最大需量中的至少两个;使用第一级自适应神经模糊推理系统对各连续的特征参数构成的样本数据依次进行自适应神经模糊系统结构参数的初值化、确定训练参数、训练自适应神经模糊系统的处理,得出初始诊断网络;使用第二级自适应神经模糊推理系统对初始诊断网络进行自适应神经模糊系统的模糊处理,得到综合诊断网络。
可选地,自适应神经模糊推理系统的结构包括模糊化层、规则推理层、归一化层、逆模糊化层和输出层。
为解决上述技术问题,本申请提出一种智能电能表故障的分析装置,包括:故障数据库模块,用于建立并保存故障数据库;特征参数样本模块,用于获取某一智能电能表的连续的特征参数样本;处理模块,用于对特征参数样本的样本数据进行初始化和模糊处理,得到综合诊断网络,并根据综合诊断网络和故障数据库进行判断,得到对应的分析结果。
可选地,故障数据库包括若干条故障数据,每条故障数据包括输出波形特征的范围参数、故障判定结果和元器件故障模型组成的特征向量。
可选地,故障数据库模块还用于建立智能电能表的电路功能仿真模型和元器件的故障模型,其中元器件故障模型包括元器件类型、位置及其失效模式;根据电路功能仿真模型和元器件故障模型,得出电路故障仿真模型;运行电路故障仿真模型,并以电路故障仿真模型中的元器件的故障模型作为节点选取故障测试节点,得到故障测试节点对应失效模式的输出波形,并提取波形特征的范围参数;对波形特征的范围参数进行判断,得到故障判定结果;根据波形特征的范围参数、故障判定结果和元器件故障模型组成的特征向量建立智能电能表的故障数据库。
可选地,处理模块还用于将样本数据输入自适应神经模糊推理系统,其中样本数据包括用电量、电气量和最大需量中的至少两个;使用第一级自适应神经模糊推理系统对各连续的特征参数构成的样本数据依次进行自适应神经模糊系统结构参数的初值化、确定训练参数、训练自适应神经模糊系统的处理,得出初始诊断网络;使用第二级自适应神经模糊推理系统对初始诊断网络进行自适应神经模糊系统的模糊处理,得到综合诊断网络。
可选地,自适应神经模糊推理系统的结构包括模糊化层、规则推理层、归一化层、逆模糊化层和输出层。
本申请提出智能电能表故障的分析方法及分析装置,其中方法包括建立智能电能表的故障数据库;获取某一智能电能表的连续的特征参数样本;对特征参数样本的样本数据进行初始化和模糊处理,得到综合诊断网络;根据综合诊断网络和故障数据库进行判断,得到对应的分析结果。通过上述方式,本申请可以对智能电能表故障进行分析,及时反映故障原因,适用范围广。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施方式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申请的一些实施方式,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是本申请智能电能表故障的分析方法一实施例的流程示意图;
图2是本申请智能电能表故障的分析装置一实施例的结构示意图;
图3是本申请初始诊断网络和综合诊断网络关系的示意图。
具体实施方式
为使本领域的技术人员更好地理解本申请的技术方案,下面结合附图和具体实施方式对本申请所提供的智能电能表故障的分析方法及分析装置进一步详细描述。
请参阅图1,图1是本申请智能电能表故障的分析方法一实施例的流程示意图。在本实施例中,具体可以包括以下步骤:
S110:建立智能电能表的故障数据库。
故障数据库是用于判断智能电表是否出现故障、以及分析故障的原因。具体地,故障数据库可以包括若干条故障数据,每条故障数据包括输出波形特征的范围参数、故障判定结果和元器件故障模型组成的特征向量。
故障数据库可以包括历史电能表的故障数据,也可以包括通过仿真模型获得的故障数据。其中,通过仿真模型获得故障数据的步骤可以包括如下:
1)建立智能电能表的电路功能仿真模型和元器件的故障模型。
搭建电能表的电路功能仿真模型,从而完成电路在正常状态下的功能仿真,获得各测试节点处正常状态波形,通过波形分析,选定波形特征的范围参数,可以根据波形特征的范围参数建立故障判据。
2)根据电路功能仿真模型和元器件故障模型,得出电路故障仿真模型。
建立元器件的故障模型,通过向电路功能仿真模型注入元器件故障模型得出电路故障仿真模型。其中故障模型包括元器件类型、失效模式类型和元器件位置。
3)运行电路故障仿真模型,并以电路故障仿真模型中的元器件的故障模型作为节点选取故障测试节点,得到故障测试节点对应失效模式的输出波形,并提取波形特征的范围参数。
运行电路故障仿真模型,根据电路故障仿真模型中的元器件的故障模型选取故障测试节点,得到该故障测试节点对应失效模式的输出波形,并提取波形特征的范围参数。
4)对波形特征的范围参数进行判断,得到故障判定结果。
将步骤3)获得的波形特征的范围参数与步骤1)获得的波形特征的范围参数进行对比,步骤1)获得的波形特征的范围参数是正常状态波形,因此对于超出步骤1)获得的波形特征的范围参数的对应的节点,可以将其状态判定为故障,否则判定为正常,从而得到故障的判定结果。
5)根据波形特征的范围参数、故障判定结果和元器件故障模型组成的特征向量建立智能电能表的故障数据库。
S120:获取某一智能电能表的连续的特征参数样本。
智能电能表的用电信息会统一收集到用电信息采集系统,因此可以通过用电信息采集系统获取智能电能表的连续的特征参数样本。
S130:对特征参数样本的样本数据进行初始化和模糊处理,得到综合诊断网络。
可以将特征参数样本的样本数据输入自适应神经模糊推理系统(AdaptiveNetwork-based Fuzzy Inference System,ANFIS),从而进行初始化和模糊处理,得到综合诊断网络。
自适应神经模糊推理系统是一种基于Takagi-Sugeno模型的模糊推理系统,它将模糊控制的模糊化、模糊推理和反模糊化3个基本过程全部用神经网络来实现,利用神经网络的学习机制自动地从输入输出样本数据中抽取规则,构成自适应神经模糊控制器,通过离线训练和在线学习算法进行模糊推理控制规则的自调整,使其系统本身朝着自适应、自组织、自学习的方向发展。
在本实施例中,特征参数样本的样本数据可以包括用电量、电气量和最大需量中的至少两个。若只采用电量数据、电气量数据和最大需量数据中的两个,则以双输入单输出的自适应神经模糊推理系统进行运算;若上述三者都采用,则需要以三输入单输出的自适应神经模糊推理系统进行运算。
自适应神经模糊推理系统的学习算法采用通过梯度下降法和最小二乘法的混合学习算法来辨识系统的前件参数和后件参数,进而实现模糊模型的建立。对于混合算法,每个周期的学习过程都包含正向传递和反向传播两个部分。
在本实施例中,可以使用两级自适应模糊推理系统对特征参数样本的样本数据进行处理,从而得到综合诊断网络,具体地:
使用第一级自适应神经模糊推理系统对各连续的特征参数构成的样本数据所述样本数据依次进行自适应神经模糊系统结构参数的初值化、确定训练参数、训练自适应神经模糊系统的处理,得出初始诊断网络。使用第二级自适应神经模糊推理系统对初始诊断网络进行自适应神经模糊系统的模糊处理,最后得到综合诊断网络。
需要说明的是,训练自适应神经模糊推理系统后,会依据预设的判断条件确定训练过程是否结束,若符合预设的判断条件,则输出初始诊断网络,若否,则继续训练自适应神经模糊推理系统。
输入的用电量、电气量和最大需量等数据各自经自身的自适应神经模糊推理系统训练好的系统在经过自适应神经模糊推理系统得到综合诊断网络,最终结合故障数据库可以进行综合诊断,给出综合诊断结果。
可选地,自适应神经模糊推理系统的结构包括模糊化层、规则推理层、归一化层、逆模糊化层和输出层。
S140:根据综合诊断网络和故障数据库进行判断,得到对应的分析结果。
需要说明的是,初始诊断网络描述的是单个特征参数的多个特征(如用电量的累计值、随时间的波动特征、峰值、小于某值的时间等)与电表是否故障之间的关系。综合诊断网络在初始诊断网络的基础上,描述几个特征参数与电表是否故障之间的关系。如图3所示,图3是本申请初始诊断网络和综合诊断网络关系的示意图。
将电表反馈的特征参数进行特征提取,然后输入训练后的初始诊断网络和综合诊断网络,可得到智能电能表的分析结果,其中分析结果是故障诊断结果,用于判断智能电能表的故障与否。
对于诊断结果为故障的智能电能表,可以在故障数据库中查找与其特征参数匹配的特征向量,从而给出智能电能表可能的故障元器件及故障原因。
基于上述的智能电能表故障的分析方法,本申请还提出一种智能电能表故障的分析装置。请参阅图2,图2是本申请智能电能表故障的分析装置一实施例的结构示意图。在本实施例中,分析装置200可以包括故障数据库模块210、特征参数样本模块220和处理模块230。
故障数据库模块210可以用于建立并保存故障数据库;特征参数样本模块220可以用于获取某一智能电能表的连续的特征参数样本;处理模块230可以用于对特征参数样本的样本数据进行初始化和模糊处理,得到综合诊断网络,并根据综合诊断网络和故障数据库进行判断,得到对应的分析结果。
可选地,故障数据库包括若干条故障数据,每条故障数据包括输出波形特征的范围参数、故障判定结果和元器件故障模型组成的特征向量。
可选地,故障数据库模块210还用于建立智能电能表的电路功能仿真模型和元器件的故障模型,其中元器件的故障模型包括元器件类型、位置及其失效模式;根据电路功能仿真模型和元器件故障模型,得出电路故障仿真模型;运行电路故障仿真模型,并以电路故障仿真模型中的元器件的故障模型作为节点选取故障测试节点,得到故障测试节点对应失效模式的输出波形,并提取波形特征的范围参数;对波形特征的范围参数进行判断,得到故障判定结果;根据波形特征的范围参数、故障判定结果和元器件故障模型组成的特征向量建立智能电能表的故障数据库。
可选地,处理模块230还用于将样本数据输入自适应神经模糊推理系统,其中样本数据包括用电量、电气量和最大需量中的至少两个;使用第一级自适应神经模糊推理系统对各连续的特征参数构成的样本数据所述样本数据依次进行自适应神经模糊推理系统结构参数的初值化、确定训练参数、训练自适应神经模糊推理系统的处理,得出初始诊断网络;使用第二级自适应神经模糊推理系统对初始诊断网络进行自适应神经模糊推理系统的模糊处理,得到综合诊断网络。
可选地,自适应神经模糊推理系统的结构包括模糊化层、规则推理层、归一化层、逆模糊化层和输出层。
本申请提出智能电能表故障的分析方法及分析装置,其中方法包括建立智能电能表的故障数据库;获取智能电能表的连续的特征参数样本;对特征参数样本的样本数据进行初始化和模糊处理,得到综合诊断网络;根据综合诊断网络和故障数据库进行判断,得到智能电能表的分析结果。通过上述方式,本申请可以对智能电能表故障进行分析,及时反映故障原因,适用范围广。
可以理解的是,此处所描述的具体实施例仅用于解释本申请,而非对本申请的限定。另外为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。文中所使用的步骤编号也仅是为了方便描述,不对作为对步骤执行先后顺序的限定。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种智能电能表故障的分析方法,其特征在于,包括:
建立智能电能表的故障数据库;
获取某一智能电能表的连续的特征参数样本;
对所述特征参数样本的样本数据进行初始化和模糊处理,得到综合诊断网络;
根据所述综合诊断网络和所述故障数据库进行判断,得到对应的的分析结果。
2.根据权利要求1所述的分析方法,其特征在于,
所述故障数据库包括若干条故障数据,每条故障数据包括输出波形特征的范围参数、故障判定结果和元器件故障模型组成的特征向量。
3.根据权利要求2所述的分析方法,其特征在于,所述建立智能电能表的故障数据库,包括:
建立所述智能电能表的电路功能仿真模型和元器件的故障模型,其中所述元器件故障模型包括元器件类型、位置及其失效模式;
根据所述电路功能仿真模型和所述元器件故障模型,得出电路故障仿真模型;
运行所述电路故障仿真模型,并以所述电路故障仿真模型中的元器件的故障模型作为节点选取故障测试节点,得到所述故障测试节点对应失效模式的输出波形,并提取所述波形特征的范围参数;
对所述波形特征的范围参数进行判断,得到故障判定结果;
根据所述波形特征的范围参数、所述故障判定结果和所述元器件故障模型组成的特征向量建立所述智能电能表的故障数据库。
4.根据权利要求1所述的分析方法,其特征在于,所述对所述特征参数样本的样本数据进行初始化和模糊处理,得到综合诊断网络,包括:
将所述样本数据输入自适应神经模糊推理系统,其中所述样本数据包括用电量、电气量和最大需量中的至少两个;
使用第一级自适应神经模糊推理系统对各连续的特征参数构成的样本数据依次进行自适应神经模糊系统结构参数的初值化、确定训练参数、训练自适应神经模糊系统的处理,得出初始诊断网络;
使用第二级自适应神经模糊推理系统对所述初始诊断网络进行自适应神经模糊系统的模糊处理,得到综合诊断网络。
5.根据权利要求4所述的分析方法,其特征在于,所述自适应神经模糊推理系统的结构包括模糊化层、规则推理层、归一化层、逆模糊化层和输出层。
6.一种智能电能表故障的分析装置,其特征在于,包括:
故障数据库模块,用于建立并保存所述故障数据库;
特征参数样本模块,用于获取某一智能电能表的连续的特征参数样本;
处理模块,用于对所述特征参数样本的样本数据进行初始化和模糊处理,得到综合诊断网络,并根据所述综合诊断网络和所述故障数据库进行判断,得到对应的分析结果。
7.根据权利要求6所述的智能电能表故障的分析装置,其特征在于,
所述故障数据库包括若干条故障数据,每条故障数据包括输出波形特征的范围参数、故障判定结果和元器件故障模型组成的特征向量。
8.根据权利要求7所述的分析装置,其特征在于,
所述故障数据库模块还用于建立所述智能电能表的电路功能仿真模型和元器件的故障模型,其中所述元器件故障模型包括元器件类型、位置及其失效模式;
根据所述电路功能仿真模型和所述元器件故障模型,得出电路故障仿真模型;
运行所述电路故障仿真模型,并以所述电路故障仿真模型中的元器件的故障模型作为节点选取故障测试节点,得到所述故障测试节点对应失效模式的输出波形,并提取所述波形特征的范围参数;
对所述波形特征的范围参数进行判断,得到故障判定结果;
根据所述波形特征的范围参数、所述故障判定结果和所述元器件故障模型组成的特征向量建立所述智能电能表的故障数据库。
9.根据权利要求8所述的分析装置,其特征在于,
所述处理模块还用于将所述样本数据输入自适应神经模糊推理系统,其中所述样本数据包括用电量、电气量和最大需量中的至少两个;
使用第一级自适应神经模糊推理系统对各连续的特征参数构成的样本数据依次进行自适应神经模糊系统结构参数的初值化、确定训练参数、训练自适应神经模糊系统的处理,得出初始诊断网络;
使用第二级自适应神经模糊推理系统对所述初始诊断网络进行自适应神经模糊系统的模糊处理,得到综合诊断网络。
10.根据权利要求9所述的分析装置,其特征在于,
所述自适应神经模糊推理系统的结构包括模糊化层、规则推理层、归一化层、逆模糊化层和输出层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110213552.0A CN112834978A (zh) | 2021-02-25 | 2021-02-25 | 智能电能表故障的分析方法及分析装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110213552.0A CN112834978A (zh) | 2021-02-25 | 2021-02-25 | 智能电能表故障的分析方法及分析装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112834978A true CN112834978A (zh) | 2021-05-25 |
Family
ID=75933564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110213552.0A Pending CN112834978A (zh) | 2021-02-25 | 2021-02-25 | 智能电能表故障的分析方法及分析装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112834978A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103698734A (zh) * | 2013-10-25 | 2014-04-02 | 广西电网公司电力科学研究院 | 智能电表基于仿真的虚拟故障测试方法 |
CN103941207A (zh) * | 2014-03-03 | 2014-07-23 | 广州供电局有限公司 | 电力计量自动化终端检测方法及其系统 |
CN104793171A (zh) * | 2015-04-23 | 2015-07-22 | 广西电网有限责任公司电力科学研究院 | 一种基于故障仿真的智能电表故障检测方法 |
CN105510866A (zh) * | 2015-11-27 | 2016-04-20 | 江苏省电力公司电力科学研究院 | 一种电能表自动化检定线的故障监测方法 |
CN106682160A (zh) * | 2016-12-26 | 2017-05-17 | 中国航空工业集团公司西安飞机设计研究所 | 一种测试性试验可注入故障样本库建立方法 |
CN110441725A (zh) * | 2018-05-03 | 2019-11-12 | 国网安徽省电力有限公司电力科学研究院 | 基于自适应神经模糊推理的智能电表故障诊断方法及装置 |
-
2021
- 2021-02-25 CN CN202110213552.0A patent/CN112834978A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103698734A (zh) * | 2013-10-25 | 2014-04-02 | 广西电网公司电力科学研究院 | 智能电表基于仿真的虚拟故障测试方法 |
CN103941207A (zh) * | 2014-03-03 | 2014-07-23 | 广州供电局有限公司 | 电力计量自动化终端检测方法及其系统 |
CN104793171A (zh) * | 2015-04-23 | 2015-07-22 | 广西电网有限责任公司电力科学研究院 | 一种基于故障仿真的智能电表故障检测方法 |
CN105510866A (zh) * | 2015-11-27 | 2016-04-20 | 江苏省电力公司电力科学研究院 | 一种电能表自动化检定线的故障监测方法 |
CN106682160A (zh) * | 2016-12-26 | 2017-05-17 | 中国航空工业集团公司西安飞机设计研究所 | 一种测试性试验可注入故障样本库建立方法 |
CN110441725A (zh) * | 2018-05-03 | 2019-11-12 | 国网安徽省电力有限公司电力科学研究院 | 基于自适应神经模糊推理的智能电表故障诊断方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108520357B (zh) | 一种线损异常原因的判别方法、装置及服务器 | |
Mao et al. | Investigation of polymer electrolyte membrane fuel cell internal behaviour during long term operation and its use in prognostics | |
CN106529090A (zh) | 一种航天电子类产品可靠性评估方法 | |
CN105846780A (zh) | 一种基于决策树模型的光伏组件故障诊断方法 | |
CN112051481B (zh) | 一种基于lstm的交直流混联电网故障区域诊断方法和系统 | |
CN106779069A (zh) | 一种基于神经网络的异常用电检测方法 | |
CN109739214B (zh) | 工业过程间歇故障的检测方法 | |
CN111693931A (zh) | 智能电能表误差远程计算方法、装置和计算机设备 | |
CN103995237A (zh) | 一种卫星电源系统在线故障诊断方法 | |
CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及系统 | |
CN112215722B (zh) | 主导失稳模式判别模型构建方法、主导失稳模式判别方法 | |
CN107276072A (zh) | 一种利用稳态信息定量评估电力系统暂态稳定裕度的方法 | |
CN113902104A (zh) | 联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法 | |
CN110874685A (zh) | 基于神经网络的智能电能表运行状态判别方法及系统 | |
CN111983474A (zh) | 一种基于容量衰退模型的锂离子电池寿命预测方法和系统 | |
CN111273125A (zh) | 基于rst-cnn的电力电缆沟道故障诊断方法 | |
CN110045237A (zh) | 基于果蝇算法优化的变压器状态参量数据预测方法及系统 | |
CN108377209A (zh) | 基于scada的设备故障检测系统和检测方法 | |
CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
CN108459933A (zh) | 一种基于深度递归网络的大数据计算机系统故障检测方法 | |
CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
CN112101673A (zh) | 一种基于隐马尔可夫模型的电网发展趋势预测方法及系统 | |
CN112834978A (zh) | 智能电能表故障的分析方法及分析装置 | |
CN111241629A (zh) | 基于数据驱动的飞机液压泵性能变化趋势智能预测方法 | |
CN110441725A (zh) | 基于自适应神经模糊推理的智能电表故障诊断方法及装置 |
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: 20210525 |
|
RJ01 | Rejection of invention patent application after publication |