CN112990445B - 一种配电网监控信息智能分析机器学习方法 - Google Patents
一种配电网监控信息智能分析机器学习方法 Download PDFInfo
- Publication number
- CN112990445B CN112990445B CN202110522617.XA CN202110522617A CN112990445B CN 112990445 B CN112990445 B CN 112990445B CN 202110522617 A CN202110522617 A CN 202110522617A CN 112990445 B CN112990445 B CN 112990445B
- Authority
- CN
- China
- Prior art keywords
- fault
- period
- curve
- contrast
- time
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 17
- 238000010801 machine learning Methods 0.000 title claims abstract description 15
- 238000012544 monitoring process Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 12
- 239000003086 colorant Substances 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 6
- 230000004069 differentiation Effects 0.000 abstract 2
- 238000012545 processing Methods 0.000 abstract 2
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Economics (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)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种配电网监控信息智能分析机器学习方法,方案通过将数据转化为图像并加以分段差异化处理,使神经网络不直接接触原始数据而是接触差异化处理后的图像数据,不但扩充了样本数,还保证了样本的有效性,不会导致扩充数据失真,同时体现了不同时期的权重差异,因此可以在样本数据偏少的情况下大幅提高训练效率和分析准确率。本发明通过对故障文档数据的扩展和高效利用,并借助机器学习模型实现故障分析,便于提高故障判断准确率和效率,减轻维修人员工作负担,提高维修便捷程度。
Description
技术领域
本发明涉及配电网故障分析技术领域,具体涉及一种配电网监控信息智能分析机器学习方法。
背景技术
配电网是指从输电网或地区发电厂接受电能,通过配电设施就地分配或按电压逐级分配给各类用户的电力网。是由架空线路、电缆、杆塔、配电变压器、隔离开关、无功补偿器及一些附属设施等组成的,在电力网中起重要分配电能作用的网络。配电网一般采用闭环设计、开环运行,其结构呈辐射状。采用闭环结构是为了提高运行的灵活性和供电可靠性;开环运行一方面是为了限制短路故障电流,防止断路器超出遮断容量发生爆炸,另一方面是控制故障波及范围,避免故障停电范围扩大。
伴随着大运行实施,用电客户增多及用电负荷大幅度增长,电网布局日趋复杂化,供电服务范围扩大,电网故障几率增加,使调控人员工作量大量增加,国网对供电可靠性的要求越来越高,但是由于电网的扩大,人员承载力日趋饱和,容易造成检修开工和完工不及时,严重影响故障处理效率。
现有技术中,如公开号CN110297479A的发明公开了一种基于卷积神经网络信息融合的水电机组故障诊断方法。该方法包括:获取机组开机过程低、中、高转速下稳定性数据;分别对低、中、高转速下机组数据进行预处理;分别将低、中、高转速下机组数据划分为相应转速下卷积神经网络的训练集和测试集;分别使用低、中、高转速下机组数据绘制机组轴心轨迹图,并将轴心轨迹图像转换为灰度图,将其余待融合信息对照轴心轨迹灰度图形成矩阵;使用低、中、高转速下机组数据分别建立卷积神经网络;使用低、中、高转速下机组数据分别训练对应卷积神经网络;使用训练完成的三个网络分别进行机组故障诊断,并将诊断结果融合以形成最终结论。
现有技术具有一定的故障判断功能,但由于过于依赖采集的数据本身,缺少数据扩充,因此在训练样本较少的情况下无法保证训练的有效性,而一旦以修改数据的方式进行数据扩充,将导致数据失真或无效,从而影响训练结果;同时,现有技术通常将每份故障数据当做一个整体处理,缺少对不同阶段的权重划分和差异化分析,因此故障判断准确率较低。
发明内容
针对现有技术缺少合适的数据扩充方式且故障判断准确率低的问题,本发明提供了一种配电网监控信息智能分析机器学习方法,通过将数据转化为图像并加以分段差异化处理,使神经网络不直接接触原始数据而是接触差异化处理后的图像数据,不但扩充了样本数,还保证了样本的有效性,不会导致扩充数据失真,同时体现了不同时期的权重差异,因此可以在样本数据偏少的情况下大幅提高训练效率和分析准确率。
以下是本发明的技术方案。
一种配电网监控信息智能分析机器学习方法,包括以下步骤:
S1:调取配电网监控系统中历史故障文档数据和对应的故障类型;
S2:根据每份历史故障文档数据中故障参数随时间的变化情况绘制曲线,并赋予每种曲线不同的颜色或不同粗细;
S3:将每份历史故障文档数据中所有曲线的幅值进行归一化并将曲线叠加至一幅图中,使每份历史故障文档数据对应一幅汇总曲线图;
S4:按时间轴对每幅汇总曲线图进行时间段划分,并对每个时期内的曲线进行差异化的对比度调整,使后故障时期和预故障时期的对比度低于故障起始时期,以进行数据扩充,得到若干子曲线图;
S5:将得到的子曲线图和对应的故障类型导入至神经网络训练模型中进行训练得到训练后的判断模型;
S6:将实时故障文档数据转化为汇总曲线图后输入至判断模型,得到故障类型。
本发明将传统故障识别技术中数据反映故障的逻辑进行了优化,转变为数据决定图像,图像反映故障,使得神经网络建立图像与故障的联系而不直接接触原始数据,为数据扩充提供了可操作的空间。与此同时,如果仅采用对整幅图像进行修改的方式扩充数据集并不能直观反映不同故障时期的对于故障本身的关联性差异,因此本方案进行了差异化调整,以实现扩充数据集的同时调整权重差异。
作为优选,步骤S4的过程包括:进行时间段划分,以故障发生时刻为基准节点,以基准节点为起始向后若干时长依次划分为故障起始时期和后故障时期,以基准节点为起始向前若干时长划为预故障时期,将后故障时期和预故障时期所对应的曲线段落进行多次对比度调整,每次调整后独立生成一幅子曲线图。
大多数情况下,故障发生时由于客观科学规律的存在,采集到的各参数情况通常特征较明显,而随着时间推移,故障作为一种不稳定的非常态化状态,可能会使得部分参数变化不可控且不可预测,因此在故障发生后的短时间内其参数的参考价值较大,而故障前以及后的数据将逐渐失去参考价值,这里通过调整后故障时期和预故障时期对应曲线的对比度,使得其与背景的相似度增加,变相减少训练过程中的权重,以更贴合实际,保证扩充的训练集具备信息的有效性和可靠性。
作为优选,所述将后故障时期和预故障时期所对应的曲线段落进行多次对比度调整,包括:将后故障时期和预故障时期以一定时间间隔等分为若干时间段,在每次对比度调整时,在汇总曲线图中将各个时间段的对比度以随机或渐变的方式设置为-100至0中的数值,每次调整结束后生成一幅子曲线图。得到的子曲线图中的曲线具有不同的对比度,显示为颜色深浅不一的情况。
作为优选,所述对比度如果以渐变的方式设置,则包括以下步骤:在后故障时期内,起始时间段的对比度标记为0,末尾时间段的对比度标记为-100,其中每隔若干段分别标记出三个时间段对比度为-25、-50和-75,其余时间段的对比度在与各自相邻的对比度标记所记录的数值之间随机生成;在预故障时期内,起始时间段的对比度标记为-100,末尾时间段的对比度标记为0,其中每隔若干段分别标记出三个时间段对比度为-75、-50和-25,其余时间段的对比度在与各自相邻的对比度标记所记录的数值之间随机生成。相比传统的渐变形式,这种渐变形式的设置更便捷,且自由度更高,由于扩充数据集的目的往往是需要生成大量数据,因此提高自由度可以显著提高扩充效率和扩充数量。
作为优选,所述神经网络训练模型为前馈神经网络模型。前馈神经网络模型是神经网络训练模型中较简单的一种,除此之外还可选择其他神经网络。
作为优选,步骤S2中,所述的赋予每种曲线不同的颜色,包括:将曲线设置为RGB值互不相同的曲线;或将曲线设置为灰度值不同的曲线。
本发明的具体特点体现在,如两份故障文档数据中,后故障时期和预故障时期的曲线都不相似,而两个故障起始时期的曲线较相似,这种情况下如仅比较数值数据,则容易判断为两者故障类型不同,但如果比较的是调整对比度之后的曲线图,由于后故障时期和预故障时期的曲线颜色较淡,曲线与背景的区别较小,使得故障起始时期的曲线将更为明显,间接增加了故障起始时期的权重,则结果会偏向于两者故障类型相同。因此利用本方案增加的扩充样本将显著影响训练结果,使其更符合判断常理。
本发明的实质性效果包括:本发明通过对故障文档数据的扩展和高效利用,并借助机器学习模型实现故障分析,便于提高故障判断准确率和效率,减轻维修人员工作负担,提高维修便捷程度。
附图说明
图1是本发明实施例的流程图。
具体实施方式
下面将结合实施例,对本申请的技术方案进行描述。另外,为了更好的说明本发明,在下文中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本发明同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未做详细描述,以便于凸显本发明的主旨。
实施例:
一种配电网监控信息智能分析机器学习方法,包括如图1所示的若干步骤。
S1:调取配电网监控系统中历史故障文档数据和对应的故障类型。
S2:根据每份历史故障文档数据中故障参数随时间的变化情况绘制曲线,并赋予每种曲线不同的颜色或不同粗细。即,将曲线设置为RGB值互不相同的曲线或设置为粗细不同的曲线。
S3:将每份历史故障文档数据中所有曲线的幅值进行归一化并将曲线叠加至一幅图中,使每份历史故障文档数据对应一幅汇总曲线图。
S4:按时间轴对每幅汇总曲线图进行时间段划分,并对每个时期内的曲线进行差异化的对比度调整,使后故障时期和预故障时期的对比度低于故障起始时期,以进行数据扩充,得到若干子曲线图;步骤S4的过程包括:进行时间段划分,以故障发生时刻为基准节点,以基准节点为起始向后若干时长依次划分为故障起始时期和后故障时期,以基准节点为起始向前若干时长划为预故障时期,将后故障时期和预故障时期所对应的曲线段落进行多次对比度调整,每次调整后独立生成一幅子曲线图。
其中多次对比度调整,包括:将后故障时期和预故障时期以一定时间间隔等分为若干时间段,在每次对比度调整时,在汇总曲线图中将各个时间段的对比度以渐变的方式设置为-100至0中的数值,每次调整结束后生成一幅子曲线图。得到的子曲线图中的曲线具有不同的对比度,显示为颜色深浅不一的情况。
本实施例的渐变方式较为特殊,包括以下步骤:在后故障时期内,起始时间段的对比度标记为0,末尾时间段的对比度标记为-100,其中每隔若干段分别标记出三个时间段对比度为-25、-50和-75,其余时间段的对比度在与各自相邻的对比度标记所记录的数值之间随机生成;在预故障时期内,起始时间段的对比度标记为-100,末尾时间段的对比度标记为0,其中每隔若干段分别标记出三个时间段对比度为-75、-50和-25,其余时间段的对比度在与各自相邻的对比度标记所记录的数值之间随机生成。相比传统的渐变形式,这种渐变形式的设置更便捷,且自由度更高,由于扩充数据集的目的往往是需要生成大量数据,因此提高自由度可以显著提高扩充效率和扩充数量。
大多数情况下,故障发生时由于客观科学规律的存在,采集到的各参数情况通常特征较明显,而随着时间推移,故障作为一种不稳定的非常态化状态,可能会使得部分参数变化不可控且不可预测,因此在故障发生后的短时间内其参数的参考价值较大,而故障前以及后的数据将逐渐失去参考价值,这里通过调整后故障时期和预故障时期对应曲线的对比度,使得其与背景的相似度增加,变相减少训练过程中的权重,以更贴合实际,保证扩充的训练集具备信息的有效性和可靠性。
S5:将得到的子曲线图和对应的故障类型导入至神经网络训练模型中进行训练得到训练后的判断模型。
本实施例采用前馈神经网络进行训练,需要说明的是,机器学习模型种类繁多,并不限于该种模型;本实施例的前馈神经网络包括输入单元、隐含层和输出层。其中预先将子曲线图的像素点的颜色和/或灰度转化为矩阵并归一化,像素点数量即为输入单元数量。
其中隐含层对应的神经元节点输出模型:Oj=f(∑Wij×Xi-qj); Wij为第i层第j个节点的权重;Xi为第i层的输入数据;qj是正则因子。
输出节点输出模型:Yk=f(∑Tjk×Oj-qk);其中Yk表示输出层的第k个节点;Tjk为隐含层节点j与输出层节点k之间连接的权重;Oj为输出节点j的计算输出;qk为正则因子;
本实施例误差计算模型的函数表达式为:
本实施例的权重调整公式为:△Wij(n+1)=h×Ep×Oj+a×△Wij(n),其中n表示迭代次数,训练时n+1次的权重由第n次迭代的权重以及输出值与期望值之间的差别得到;h为学习因子;Ep为输出节点i的计算误差;a为动量因子;△Wij(n)为第n次迭代时第i层第j个节点的权重变化量。
通过上述方式构建得到神经网络模型及参数,用于针对确定的故障进行训练,可以得到所需的判断模型。
S6:将实时故障文档数据转化为汇总曲线图后输入至判断模型,得到故障类型。
由于故障文档数据主要以数值的形式体现,虽然这种表现形式最为清楚直观,但由于数据是采集得到,无法直接进行数据扩充,如果贸然修改,会使得修改后的数据失真导致无效,进而影响训练效果,因此本实施例在不改变数值本身的情况下,修改不同时段的权重,以进行数据扩充。
本实施例的具体特点体现在,如两份故障文档数据中,后故障时期和预故障时期的曲线都不相似,而两个故障起始时期的曲线较相似,这种情况下如仅比较数值数据,则容易判断为两者故障类型不同,但如果比较的是调整对比度之后的曲线图,由于后故障时期和预故障时期的曲线颜色较淡,曲线与背景的区别较小,使得故障起始时期的曲线将更为明显,间接增加了故障起始时期的权重,则结果会偏向于两者故障类型相同。因此利用本方案增加的扩充样本将显著影响训练结果,使其更符合判断常理。
本实施例将传统故障识别技术中数据反映故障的逻辑进行了优化,转变为数据决定图像,图像反映故障,使得神经网络建立图像与故障的联系而不直接接触原始数据,为数据扩充提供了可操作的空间。与此同时,如果仅采用对整幅图像进行修改的方式扩充数据集并不能直观反映不同故障时期的对于故障本身的关联性差异,因此本方案进行了差异化调整,以实现扩充数据集的同时调整权重差异。
本实施例的实质性效果包括:本实施例通过对故障文档数据的扩展和高效利用,并借助机器学习模型实现故障分析,便于提高故障判断准确率和效率,减轻维修人员工作负担,提高维修便捷程度。
通过以上实施方式的描述,所属领域的技术人员可以了解到,为描述的方便和简洁,所揭露方法,可以通过其它的方式实现。例如既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上内容,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种配电网监控信息智能分析机器学习方法,其特征在于,包括以下步骤:
S1:调取配电网监控系统中历史故障文档数据和对应的故障类型;
S2:根据每份历史故障文档数据中故障参数随时间的变化情况绘制曲线,并赋予每种曲线不同的颜色或不同粗细;
S3:将每份历史故障文档数据中所有曲线的幅值进行归一化并将曲线叠加至一幅图中,使每份历史故障文档数据对应一幅汇总曲线图;
S4:按时间轴对每幅汇总曲线图进行时间段划分,并对每个时期内的曲线进行差异化的对比度调整,使后故障时期和预故障时期的对比度低于故障起始时期,以进行数据扩充,得到若干子曲线图;包括:进行时间段划分,以故障发生时刻为基准节点,以基准节点为起始向后若干时长依次划分为故障起始时期和后故障时期,以基准节点为起始向前若干时长划为预故障时期,将后故障时期和预故障时期所对应的曲线段落进行多次对比度调整,每次调整后独立生成一幅子曲线图;
S5:将得到的子曲线图和对应的故障类型导入至神经网络训练模型中进行训练得到训练后的判断模型;
S6:将实时故障文档数据转化为汇总曲线图后输入至判断模型,得到故障类型。
2.根据权利要求1所述的一种配电网监控信息智能分析机器学习方法,其特征在于,所述将后故障时期和预故障时期所对应的曲线段落进行多次对比度调整,包括:将后故障时期和预故障时期以一定时间间隔等分为若干时间段,在每次对比度调整时,在汇总曲线图中将各个时间段的对比度以随机或渐变的方式设置为-100至0中的数值,每次调整结束后生成一幅子曲线图。
3.根据权利要求2所述的一种配电网监控信息智能分析机器学习方法,其特征在于,所述对比度如果以渐变的方式设置,则包括以下步骤:在后故障时期内,起始时间段的对比度标记为0,末尾时间段的对比度标记为-100,其中每隔若干段分别标记出三个时间段对比度为-25、-50和-75,其余时间段的对比度在与各自相邻的标记所记录的数值之间随机生成;在预故障时期内,起始时间段的对比度标记为-100,末尾时间段的对比度标记为0,其中每隔若干段分别标记出三个时间段对比度为-75、-50和-25,其余时间段的对比度在与各自相邻的标记所记录的数值之间随机生成。
4.根据权利要求1所述的一种配电网监控信息智能分析机器学习方法,其特征在于,所述神经网络训练模型为前馈神经网络模型。
5.根据权利要求1所述的一种配电网监控信息智能分析机器学习方法,其特征在于,步骤S2中,所述的赋予每种曲线不同的颜色,包括:将曲线设置为RGB值互不相同的曲线;或将曲线设置为灰度值不同的曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110522617.XA CN112990445B (zh) | 2021-05-13 | 2021-05-13 | 一种配电网监控信息智能分析机器学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110522617.XA CN112990445B (zh) | 2021-05-13 | 2021-05-13 | 一种配电网监控信息智能分析机器学习方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112990445A CN112990445A (zh) | 2021-06-18 |
CN112990445B true CN112990445B (zh) | 2021-07-16 |
Family
ID=76337611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110522617.XA Active CN112990445B (zh) | 2021-05-13 | 2021-05-13 | 一种配电网监控信息智能分析机器学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990445B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116754022B (zh) * | 2023-08-22 | 2023-10-27 | 山东浪潮新基建科技有限公司 | 电缆隧道的在线检测应急预警方法及系统 |
CN117169657B (zh) * | 2023-11-03 | 2024-01-12 | 山东和兑智能科技有限公司 | 一种基于人工智能的高压电缆状态监测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102693502A (zh) * | 2012-06-04 | 2012-09-26 | 南京中兴软创科技股份有限公司 | 面向用户消费行为的时间推移数据分析模型的建立方法 |
CN110148285A (zh) * | 2019-05-15 | 2019-08-20 | 东营汉威石油技术开发有限公司 | 一种基于大数据技术的油井参数智能预警系统及其预警方法 |
CN111160582A (zh) * | 2019-12-31 | 2020-05-15 | 科大讯飞(苏州)科技有限公司 | 设备故障识别方法、装置及计算机可读存储介质 |
CN111860775A (zh) * | 2020-07-03 | 2020-10-30 | 南京航空航天大学 | 基于cnn和rnn融合的船舶故障实时诊断方法 |
CN112328588A (zh) * | 2020-11-27 | 2021-02-05 | 哈尔滨工程大学 | 一种工业故障诊断非平衡时序数据扩充方法 |
CN112711791A (zh) * | 2021-01-05 | 2021-04-27 | 浙江大学 | 基于神经网络弹性权重固化的建筑用能负荷实时预测方法 |
CN112733425A (zh) * | 2020-12-10 | 2021-04-30 | 东华理工大学 | 神经网络训练方法、装置、计算机设备及存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260595B (zh) * | 2015-04-02 | 2017-03-15 | 北京交通大学 | 道岔动作电流曲线的特征提取方法及道岔故障诊断方法 |
TW201915727A (zh) * | 2017-09-18 | 2019-04-16 | 元智大學 | 多元感測器之錯誤偵測與分類方法 |
EP3460496B1 (en) * | 2017-09-26 | 2022-06-08 | Siemens Aktiengesellschaft | A method and apparatus for automatic localization of a fault |
CN110046782A (zh) * | 2018-12-05 | 2019-07-23 | 国网江西省电力有限公司 | 一种电网事故跳闸监控信息问题的自动识别方法 |
CN110427311B (zh) * | 2019-06-26 | 2020-07-28 | 华中科技大学 | 基于时序特征处理与模型优化的磁盘故障预测方法和系统 |
CN110929853A (zh) * | 2019-12-11 | 2020-03-27 | 国网河南省电力公司洛阳供电公司 | 一种基于深度学习的配电网线路故障预测方法 |
CN111832617B (zh) * | 2020-06-05 | 2022-11-08 | 上海交通大学 | 发动机冷态测试故障诊断方法 |
CN112650660B (zh) * | 2020-12-28 | 2024-05-03 | 北京中大科慧科技发展有限公司 | 一种数据中心动力系统预警方法及装置 |
-
2021
- 2021-05-13 CN CN202110522617.XA patent/CN112990445B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102693502A (zh) * | 2012-06-04 | 2012-09-26 | 南京中兴软创科技股份有限公司 | 面向用户消费行为的时间推移数据分析模型的建立方法 |
CN110148285A (zh) * | 2019-05-15 | 2019-08-20 | 东营汉威石油技术开发有限公司 | 一种基于大数据技术的油井参数智能预警系统及其预警方法 |
CN111160582A (zh) * | 2019-12-31 | 2020-05-15 | 科大讯飞(苏州)科技有限公司 | 设备故障识别方法、装置及计算机可读存储介质 |
CN111860775A (zh) * | 2020-07-03 | 2020-10-30 | 南京航空航天大学 | 基于cnn和rnn融合的船舶故障实时诊断方法 |
CN112328588A (zh) * | 2020-11-27 | 2021-02-05 | 哈尔滨工程大学 | 一种工业故障诊断非平衡时序数据扩充方法 |
CN112733425A (zh) * | 2020-12-10 | 2021-04-30 | 东华理工大学 | 神经网络训练方法、装置、计算机设备及存储介质 |
CN112711791A (zh) * | 2021-01-05 | 2021-04-27 | 浙江大学 | 基于神经网络弹性权重固化的建筑用能负荷实时预测方法 |
Non-Patent Citations (4)
Title |
---|
Mechanical fault time series prediction by using EFMSAE-LSTM neural network;Jianwen Guo 等;《Measurement》;20210331;第173卷;1-12 * |
基于CNN深度算法改进及故障预测研究;陈彩虹 等;《计算机技术与发展》;20201031;第30卷(第10期);137-142 * |
基于卷积神经网络的轴承精细化诊断技术研究;蔡文波 等;《机械工程与自动化》;20210430(第2期);135-137 * |
计及保护和断路器告警信息可信度的电网故障诊断优化模型;陈家超 等;《电力系统保护与控制》;20210216;第49卷(第4期);28-36 * |
Also Published As
Publication number | Publication date |
---|---|
CN112990445A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Hierarchical deep learning machine for power system online transient stability prediction | |
CN111628499B (zh) | 一种计及多风险因素的配电网新能源消纳能力评估的方法 | |
CN112990445B (zh) | 一种配电网监控信息智能分析机器学习方法 | |
Ekonomou et al. | A short-term load forecasting method using artificial neural networks and wavelet analysis | |
Chen et al. | Interpretable time-adaptive transient stability assessment based on dual-stage attention mechanism | |
CN111092429A (zh) | 一种柔性互联配电网的优化调度方法、存储介质及处理器 | |
Li et al. | Maximum frequency deviation assessment with clustering based on metric learning | |
Kottick et al. | Neural-networks for predicting the operation of an under-frequency load shedding system | |
CN117951577A (zh) | 一种虚拟电厂能源状态感知方法 | |
Chen et al. | Optimal reactive power dispatch and distributed generation placement based on a hybrid co‐evolution algorithm and bi‐level programming | |
Lotfi et al. | Solving economic dispatch in competitive power market using improved particle swarm optimization algorithm | |
Hong et al. | Stochastic multi-objective dynamic optimal dispatch for combined heat and power microgrid | |
Gupta et al. | Particle swarm intelligence based dynamic economic dispatch with daily load patterns including valve point effect | |
Rouhi et al. | Unit commitment in power system t by combination of dynamic programming (DP), genetic algorithm (GA) and particle swarm optimization (PSO) | |
Salles et al. | Integrated volt/Var control in modern distribution power systems based on support vector machines | |
Zhang et al. | SFR Modeling for Hybrid Power Systems Based on Deep Transfer Learning | |
Xiao et al. | Deep learning for predicting the operation of under-frequency load shedding systems | |
Lai et al. | Practical application of evolutionary computing to reactive power planning | |
Mansouri et al. | Neural networks in electric load forecasting: a comprehensive survey | |
CN106451565A (zh) | 一种基于微扰理论的电厂优化送出在线分析方法 | |
Zhang et al. | Mining transient stability database for rule-based preventive control of power systems | |
Xiong et al. | Redundant Transmission Constraints Identification and Elimination for Transmission-constrained Unit Commitment Problem | |
Voropai et al. | Application of fuzzy logic power system stabilizers to transient stability improvement in a large electric power system | |
Sabo et al. | A Survey of the AVOA Metaheuristic Algorithm and its Suitability for Power System Optimization and Damping Controller Design | |
Ioaneş et al. | Optimum location and size of capacitor banks to reduce losses in power distribution networks using genetic algorithm |
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 |