CN113156263B - 电缆状态监测方法及存储介质 - Google Patents

电缆状态监测方法及存储介质 Download PDF

Info

Publication number
CN113156263B
CN113156263B CN202110307924.6A CN202110307924A CN113156263B CN 113156263 B CN113156263 B CN 113156263B CN 202110307924 A CN202110307924 A CN 202110307924A CN 113156263 B CN113156263 B CN 113156263B
Authority
CN
China
Prior art keywords
cable
data
prediction
cable monitoring
monitoring
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
Application number
CN202110307924.6A
Other languages
English (en)
Other versions
CN113156263A (zh
Inventor
林培斌
戚远航
马沁柠
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.)
Guangdong Anheng Power Technology Co ltd
Original Assignee
Guangdong Anheng Power Technology Co ltd
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 Guangdong Anheng Power Technology Co ltd filed Critical Guangdong Anheng Power Technology Co ltd
Priority to CN202110307924.6A priority Critical patent/CN113156263B/zh
Publication of CN113156263A publication Critical patent/CN113156263A/zh
Priority to AU2021106675A priority patent/AU2021106675A4/en
Application granted granted Critical
Publication of CN113156263B publication Critical patent/CN113156263B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种电缆状态监测方法，包括：通过传感器获取电缆监测数据；构建电缆监测数据中每一个分量对应的第一SVM分类器；根据第一SVM分类器的分类精度的比值得到所述各分量的权重信息；根据电缆监测数据和权重信息计算第二SVM分类器的训练数据，对所述第二SVM分类器进行训练；构建所述电缆监测数据的每一个分量对应的LSTM预测神经模型，得到所述电缆监测数据对应的预测信息；根据所述预测信息和所述权重信息计算电缆监测预测数据；将所述电缆监测预测数据输入至训练好的第二SVM分类器，获取所述第二SVM分类器的输出结果作为电缆状态信息。本发明实现对电缆监测数据的预测和电缆运行状态的评估，有利于解决现技术对输电电缆进行监测时存在的故障定位不准确的问题。

Description

电缆状态监测方法及存储介质
技术领域
本发明涉及信息技术领域，尤其涉及一种电缆状态监测方法及存储介质。
背景技术
输电电缆的状态监测及评估对于电缆输电系统的稳定运行具有重要的意义。然而现有技术在实时监控输电电缆的运行状态得到电缆监测数据之后，未对数据进行预测以及电缆的运行状况进行评估，无法有效判断当前电缆是否存在异常，难以保证输电系统的稳定运行。
发明内容
本发明实施例提供了一种电缆状态监测方法及存储介质，以实现对电缆监测数据的预测和电缆运行状态的评估，有利于解决现技术对输电电缆进行监测时存在的故障定位不准确的问题。
一种电缆状态监测方法，包括：
通过传感器获取电缆监测数据；
构建电缆监测数据中每一个分量对应的第一SVM分类器；
计算每一个分量对应的第一SVM分类器的分类精度，根据所述分类精度的比值得到所述电缆监测数据各分量的权重信息；
根据所述电缆监测数据和所述权重信息计算第二SVM分类器的训练数据；
采用所述训练数据对所述第二SVM分类器进行训练；
构建所述电缆监测数据的每一个分量对应的LSTM预测神经模型，并根据每一分量对应的LSTM预测神经模型得到分量对应的预测值，组合每一个分量对应的预测值得到所述电缆监测数据对应的预测信息；
根据所述预测信息和所述权重信息计算电缆监测预测数据；
将所述电缆监测预测数据输入至训练好的第二SVM分类器，获取所述第二SVM分类器的输出结果作为电缆状态信息。
可选地，所述电缆监测数据包括至少一个电缆温度监测点的温度信息和电缆监测仪器的监测压力数据、监测震动数据。
可选地，所述第二SVM分类器的训练数据的计算公式为：
Figure GDA0003693320010000021
其中，X表示电缆监测数据，包括l个分量，X＝[x1,x2……xl]，W表示电缆监测数据的权重信息，W＝[w1,w2,……wl]，
Figure GDA0003693320010000022
表示训练数据，
Figure GDA0003693320010000023
可选地，所述LSTM预测神经模型中的隐含层层数为2，每一层隐含层的LSTM神经元个数为12个，隐含层之后连接3层全连接层FCL1、FCL2和FCL3，最后一层全连接层的输出值为预测值。
可选地，所述电缆监测预测数据的计算公式为：
Figure GDA0003693320010000024
其中，Xf表示电缆监测数据的预测信息，Xf＝[xf1,xf2……xfl]，W表示电缆监测数据的权重信息，W＝[w1,w2,……wl]，
Figure GDA0003693320010000025
表示电缆监测预测数据，
Figure GDA0003693320010000026
可选地，在构建所述电缆监测数据的每一个分量对应的LSTM预测神经模型之后，所述方法还包括：
计算所述LSTM预测神经模型的预测误差；
将所述预测误差与预设阈值进行比较，若所述预测误差在所述预设阈值范围内时，无需进行矫正，否则对所述LSTM预测神经模型进行自我矫正；
其中，所述预测误差的计算公式如下：
Figure GDA0003693320010000031
ei表示预测误差，xit表示LSTM预测神经模型在t时刻的预测值，yit表示分量在t时刻采集到的真实值，i＝1、2、……、l，l表示电缆监测数据的分量个数。
可选地，所述对所述LSTM预测神经模型进行自我矫正包括：
获取t-11时刻到t时刻的电缆监测数据作为LSTM预测神经模型的训练数据；
采用强化学习粒子群算法优化所述LSTM预测神经模型的全连接层的参数，对于隐含层神经元的参数不做更新，得到自我校正之后的LSTM预测神经模型；
其中，所述强化学习粒子群算法QLPSO的优化目标函数为：
Figure GDA0003693320010000032
其中xi为t-11时刻到t时刻的电缆监测数据；fi为t-11时刻到t时刻的LSTM预测神经模型的输出值。
可选地，所述采用强化学习粒子群算法优化所述LSTM预测神经模型的全连接层的参数包括：
S401：设置粒子的种群数量、粒子位置、速度的取值范围，其中，粒子位置的定义为p＝[WFCL1，WFCL2，WFCL3]，p为强化学习粒子群算法的编码粒子，WFCL1,WFCL2,WFCL3分别表示全连接层FCL1、FCL2和FCL3的权重值；
S402：初始化粒子的位置，随机生成粒子的速度，计算所有粒子的第一适应度，比较后得到全局最优粒子，初始化Q表为0，其中Q表为一个三维数组，表示为QTABLE[4][4][4]；
S403：根据每个粒子与全局最优粒子的空间距离，设置第一参数
Figure GDA0003693320010000041
S404：根据每个粒子与全局最优粒子的适应度的差值，设置第二参数
Figure GDA0003693320010000042
S405：比较
Figure GDA0003693320010000043
在第三参数q分别为1、2、3、4时数值的大小，获取最大值
Figure GDA0003693320010000044
根据所述最大值
Figure GDA0003693320010000045
对应的第三参数q获取惯性权重ζg、第一学习引子c1,g和第二学习引子c2,g；
S406：根据所述惯性权重ζg、第一学习引子c1,g和第二学习引子c2,g更新粒子的速度与位置；
S407：重新计算所有粒子的第二适应度；
S408：若粒子的第二适应度优于第一适应度，更新该粒子的历史最优解，
Figure GDA0003693320010000046
更新为
Figure GDA0003693320010000047
S409：若粒子的第二适应度差于第一适应度，
Figure GDA0003693320010000048
更新为
Figure GDA0003693320010000049
S410：若新粒子的适应度优于全局最优粒子，更新全局最优粒子；
S411：判断是否达到最大迭代次数，若否则返回步骤S403，若是则输出所述全局最优粒子，作为LSTM预测神经模型的全连接层的参数。
可选地，所述方法还包括：
按照改进最大偏差相似性算法对电缆监测历史数据进行聚类分析，计算两两电缆监测历史数据Xh1与Xh2对应时间点的绝对差值Sh1h2k、对应时间点的斜率的绝对差值Kh1h2k，其中，所述电缆监测历史数据包括n个m维的电缆监测历史数据，第h1个电缆监测历史数据为Xh1＝(xh11,xh12,……xh1m)，其中xh1k为第h1个电缆监测历史数据在第k个时间点的值，h1＝1,2,……,n，k＝1,2,……，m，第h2个电缆监测历史数据为Xh2＝(xh21,xh22,……xh2m)，其中xh2k为第h2个电缆监测历史数据在第k个时间点的值，h2＝1,2,……,n；
根据所述对应时间点的绝对差值Sh1h2k、对应时间点的斜率的绝对差值Kh1h2k计算相似点数nh1h2和最大连续偏离点数mh1h2；
根据所述相似点数nh1h2和最大连续偏离点数mh1h2判断两电缆监测历史数据对应曲线是否相似；
根据所述相似点数nh1h2和最大连续偏离点数mh1h2对所述电缆监测历史数据进行聚类分析，获取第一类别及其聚类中心；
按照改进最大偏差相似性算法对新采集预设天数内的电缆监测数据进行聚类分析，得到第二类别及其聚类中心；
从所得到的第一类别和第二类别中选择数据个数最多的若干个类别；
以所选择的若干个类别作为所述LSTM预测神经模型的训练数据，对所述LSTM预测神经模型进行自更新训练，更新所有层的参数，包括隐含层和全连接层的所有参数。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的电缆状态监测方法。
本发明实施例通过传感器获取电缆监测数据，为电缆监测数据中每一个分量单独构建对应的第一SVM分类器；将每一个分量对应的第一SVM分类器的分类精度的比值作为所述电缆监测数据各分量的权重信息；接着根据所述电缆监测数据和所述权重信息计算第二SVM分类器的训练数据，并采用所述训练数据对所述第二SVM分类器进行训练；然后构建所述电缆监测数据的每一个分量对应的LSTM预测神经模型，并根据每一分量对应的LSTM预测神经模型得到分量对应的预测值，进而得到所述电缆监测数据对应的预测信息；根据所述预测信息和所述权重信息计算电缆监测预测数据；将所述电缆监测预测数据输入至训练好的第二SVM分类器，获取所述第二SVM分类器的输出结果作为电缆状态信息；从而实现了对电缆监测数据的预测和电缆运行状态的评估，能够判断出当前电缆是否存在异常，有利于对电缆进行故障定位，针对可能出现异常的电缆进行故障定位，快速检查，能够有效避免故障的发生，保证输电系统的稳定运行。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中电缆状态监测方法的流程图；
图2是本发明一实施例中计算机设备的一示意图。
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作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。
本实施例提供了一种电缆状态监测方法。所述电缆状态监测方法首先使用电缆监测数据的每一分量单独构建第一SVM分类器，将各个第一SVM分类器的分类精度作为对应分量的权重值。接着构建第二SVM分类器，并根据所述权重值和所述电缆检测数据作为训练数据对对所述第二SVM分类器进行训练；然后构建LSTM预测神经模型，预测每一个分量的未来t个时刻的预测值，将预测值组合成特征向量，作为第二SVM分类器的输入变量，预测电缆在未来t个时刻的状态。同时本发明实施例还使用改进最大偏差相似性算法获取电缆运行数据的最相似数据，作为所述LSTM预测神经模型的训练数据，对其进行更新。以下对本实施例提供的电缆状态监测方法进行详细的描述，如图1所示，所述目标检测方法包括：
在步骤S101中，通过传感器获取电缆监测数据。
在这里，所述电缆检测数据X包括l个分量，X＝[x1,x2……xl]。
在本发明实施例中，所述电缆监测数据X包括至少一个电缆温度监测点的温度信息和电缆监测仪器的监测压力数据、监测震动数据。
在步骤S102中，构建电缆监测数据中每一个分量对应的第一SVM分类器。
本发明实施例根据电缆检测数据的每一个分量xi＝1、2、…l构建对应的第一SVM分类器，然后使用每一个分量xi＝1、2、…l的数据对第一SVM分类器进行训练，得到各个分量的正常-异常状态分类器，其中，所述第一SVM分类器的优化目标为：
Figure GDA0003693320010000081
s.t.yi(wTxi+b)≥1
可选地，作为本发明的一个优选实例，所述电缆监测数据X＝[x1,x2,x3,x4,x5]，其中x1表示电缆温度监测点1的温度数据；x2表示电缆温度监测点2的温度数据；x3表示电缆温度监测点3的温度数据；x4表示电缆监测仪器的监测压力数据；x5表示电缆监测仪器的监测震动数据。对每一个分量构建及训练对应的第一SVM分类器。
在步骤S103中，计算每一个分量对应的第一SVM分类器的分类精度，根据所述分类精度的比值得到所述电缆监测数据各分量的权重信息。
通过步骤S102之后得到每一个分量xi＝1、2、…l对应的第一SVM分类器，计算所述第一SVM分类器对应的分类精度以及计算所述分类精度的比值，从而得到所述电缆监测数据各分量的权重信息。令电缆监测信息的权重信息W＝[w1,w2,……wl]，若分量xi＝1、2、…l对应的第一SVM分类器的分类精度的比值为a1:a2:……:al，则分量xi＝1、2、l对应的第一SVM分类器的权重值分别为w1＝a1,w2＝a2……，wl＝al，以此获得所述电缆监测数据各分量的权重信息。
承接前文示例，若a1:a2:a3:a4:a5＝30％:40％:50％:70％:80％，则a1:a2:a3:a4:a5＝3:4:5:7:8，则w1＝3,w2＝4,w3＝5,w4＝7,w5＝8。
每一个分量对应的权重值表示该分量对电缆状态的影响程度。由于电缆监测数据有多个分量，每一个分量对电缆状态的影响程度不一，本发明实施例通过计算每一个分量对电缆状态的影响权重，有助于提高电缆监测数据的精度。
在步骤S104中，根据所述电缆监测数据和所述权重信息计算第二SVM分类器的训练数据。
在这里，所述第二SVM分类器的训练数据的计算公式为：
Figure GDA0003693320010000091
其中，X表示电缆监测数据，包括l个分量，X＝[x1,x2……xl]，W表示电缆监测数据的权重信息，W＝[w1,w2,……wl]，
Figure GDA0003693320010000092
表示训练数据，
Figure GDA0003693320010000093
承接前文实例，若所述电缆监测数据X＝[x1,x2,x3,x4,x5]，x1表示电缆温度监测点1的温度数据，x2表示电缆温度监测点2的温度数据，x3表示电缆温度监测点3的温度数据，x4表示电缆监测仪器的监测压力数据，x5表示电缆监测仪器的监测震动数据；若电缆监测信息的权重信息W＝[w1,w2,w3,w4,w5]，则所述第二SVM分类器的训练数据
Figure GDA0003693320010000094
在步骤S105中，采用所述训练数据对所述第二SVM分类器进行训练。
构建第二SVM分类器，所述第二SVM分类器为电缆状态分类器，采用上述得到训练数据对所述第二SVM分类器进行训练，其中所述第二SVM分类器的优化目标函数与所述第一SVM分类器的优化目标函数相同，此处不再赘述。
在步骤S106中，构建所述电缆监测数据的每一个分量对应的LSTM预测神经模型，并根据每一分量对应的LSTM预测神经模型得到分量对应的预测值，组合每一个分量对应的预测值得到所述电缆监测数据对应的预测信息。
在这里，本发明实施例对电缆监测数据X＝[x1,x2……xl]中的每一个分量构建相应的LSTM预测神经模型。本发明实施例采用基于增强型粒子群优化算法的LSTM预测神经模型，简称QLPSO-LSTM预测神经模型，其中的隐含层层数为2，每一层隐含层的LSTM神经元个数为12个，隐含层之后连接3层全连接层FCL1、FCL2和FCL3，最后一层全连接层的输出值为预测值xf。组合每一个分量对应的预测值xf，从而得到所述电缆监测数据的预测信息Xf＝[xf1,xf2……xfl]。
在步骤S107中，根据所述预测信息和所述权重信息计算电缆监测预测数据。
在这里，所述电缆监测预测数据为所述第二SVM分类器的输入数据。所述电缆监测预测数据的计算公式为：
Figure GDA0003693320010000101
其中，Xf表示电缆监测数据的预测信息，Xf＝[xf1,xf2……xfl]，W表示电缆监测数据的权重信息，W＝[w1,w2,……wl]，
Figure GDA0003693320010000102
表示电缆监测预测数据，
Figure GDA0003693320010000103
在步骤S108中，将所述电缆监测预测数据输入至训练好的第二SVM分类器，获取所述第二SVM分类器的输出结果作为电缆状态信息。
本发明实施例将步骤S107中计算得到的电缆监测预测数据
Figure GDA0003693320010000104
输入步骤S105中得到的第二SVM分类器，并获取所述第二SVM分类器的输出结果，作为当前电缆状态信息Sf。所述电缆状态信息中包括但不限于故障定位位置信息。
通过上述步骤，本发明实现了对电缆监测数据的预测和电缆运行状态的评估，能够判断出当前电缆是否存在异常，有利于后续对电缆进行故障定位，针对可能出现异常的电缆进行故障定位，快速检查，能够有效避免故障的发生，保证输电系统的稳定运行。
可选地，在实际监测环境中，LSTM预测神经模型的预测值不可能永远准确，存在一定的偏差，当偏差超过一定阈值的时候，LSTM预测神经模型需要进行自我校正。在构建所述电缆监测数据的每一个分量对应的LSTM预测神经模型之后，所述方法还包括：
在步骤S201中，计算所述LSTM预测神经模型的预测误差。
其中，所述预测误差的计算公式如下：
Figure GDA0003693320010000111
ei表示预测误差，xit表示LSTM预测神经模型在t时刻的预测值，yit表示分量在t时刻采集到的真实值。i＝1、2、……、l，l表示电缆监测数据的分量个数。
在步骤S202中，将所述预测误差与预设阈值进行比较，若所述预测误差在所述预设阈值范围内时，无需进行矫正，否则对所述LSTM预测神经模型进行自我矫正。
可选地，所述预测阈值为10％。若所述预测误差在所述预设阈值10％范围内时，无需对所述LSTM预测神经模型进行自我矫正，否则需要进行自我矫正。步骤S202所述的对所述LSTM预测神经模型进行自我矫正包括：
在步骤S301中，获取t-11时刻到t时刻的电缆监测数据作为LSTM预测神经模型的训练数据。
在步骤S302中，采用强化学习粒子群算法优化所述LSTM预测神经模型的全连接层的参数，对于隐含层神经元的参数不做更新，得到自我校正之后的LSTM预测神经模型；
其中，所述强化学习粒子群算法QLPSO的优化目标函数为：
Figure GDA0003693320010000112
其中xi为t-11时刻到t时刻的电缆监测数据；fi为t-11时刻到t时刻的LSTM预测神经模型的输出值。t-11时刻的数据为当前时刻t往前推11个时间间隔的数据。
本发明实施例使用强化学习粒子群算法QLPSO对LSTM预测神经模型的后三层全连接层进行参数训练、更新，得到自我更新后的LSTM预测神经模型。
可选地，所述采用强化学习粒子群算法优化所述LSTM预测神经模型的全连接层的参数包括：
S401：设置粒子的种群数量、粒子位置、速度的取值范围，其中，粒子位置的定义为p＝[WFCL1，WFCL2，WFCL3]，p为强化学习粒子群算法的编码粒子，WFCL1,WFCL2,WFCL3分别表示全连接层FCL1、FCL2和FCL3的权重值。
S402：初始化粒子的位置，随机生成粒子的速度，计算所有粒子的第一适应度，比较后得到全局最优粒子，初始化Q表为0，其中Q表为一个三维数组，表示为QTABLE[4][4][4]。
S403：根据每个粒子与全局最优粒子的空间距离，设置第一参数
Figure GDA0003693320010000121
在这里，本发明实施例通过计算每个粒子与全局最优粒子的空间距离dg，然后按照表1设置所述第一参数
Figure GDA0003693320010000122
Figure GDA0003693320010000123
表1
其中dg表示粒子g位置与全局最优粒子位置之间的距离。△G表示所有粒子位置中与全局最优粒子位置之间的最大距离。
S404：根据每个粒子与全局最优粒子的适应度的差值，设置第二参数
Figure GDA0003693320010000131
在这里，本发明实施例通过计算每个粒子与全局最优粒子的适应度的差值fg，然后按照表2设置所述第二参数
Figure GDA0003693320010000132
Figure GDA0003693320010000133
表2
其中fg表示粒子g的适应度与全局最优粒子的适应度之间的差值。△H是所有粒子的适应度中与全局最优粒子的适应度之间的最大差值。
S405：比较
Figure GDA0003693320010000134
在第三参数q分别为1、2、3、4时数值的大小，获取最大值
Figure GDA0003693320010000135
根据所述最大值
Figure GDA0003693320010000136
对应的第三参数q获取惯性权重ζg、第一学习因子c1,g和第二学习因子c2,g。
在确定第一参数和第二参数之后，比较
Figure GDA0003693320010000137
Figure GDA0003693320010000138
这4个数值的大小。假设
Figure GDA0003693320010000139
的数值最大，则根据第三参数q的值查询表3，获取惯性权重ζg、第一学习因子c1,g和第二学习因子c2,g。
q ζ<sub>g</sub> c<sub>1,g</sub> c<sub>2,g</sub>
1 1 2.5 0.5
2 0.8 1.5 1
3 0.6 1 1.5
4 0.2 0.5 2
表3
为了便于理解，以下给出一个具体示例。假设当前的QTABLE[1][1][3]是QTABLE[1][1][1]、QTABLE[1][1][2]、QTABLE[1][1][3]、QTABLE[1][1][4]的数值最大。则选中ζg＝0.6，c1,g＝1，c2,g＝1.5。
S406：根据所述惯性权重ζg、第一学习引子c1,g和第二学习引子c2,g更新粒子的速度与位置。
其中，更新粒子的速度与位置，可以表示为：
Figure GDA0003693320010000141
Figure GDA0003693320010000142
其中
Figure GDA0003693320010000143
表示第g个粒子在t时刻的速度；
Figure GDA0003693320010000144
表示当前粒子的历史最优位置；
Figure GDA0003693320010000145
表示所有粒子的历史最优位置，即全局最优值；r1和r2为[0,1]之间的随机数。
S407：重新计算所有粒子的第二适应度。
对于每一个粒子，重新计算其适应度，将重新计算得到的适应度记为第二适应度。
S408：若粒子的第二适应度优于第一适应度，更新该粒子的历史最优解，
Figure GDA0003693320010000146
更新为
Figure GDA0003693320010000147
在这里，对于每一个粒子，本发明实施例比较所述第二适应度和第一适应度。如果新粒子的适应度优于原来的，更新该粒子的历史最优解，
Figure GDA0003693320010000148
S409：若粒子的第二适应度差于第一适应度，
Figure GDA0003693320010000149
更新为
Figure GDA0003693320010000151
如果新粒子的适应度差于原来的，则
Figure GDA0003693320010000152
S410：若新粒子的适应度优于全局最优粒子，更新全局最优粒子。
S411：判断是否达到最大迭代次数，若否则返回步骤S403，若是则输出所述全局最优粒子，作为LSTM预测神经模型的全连接层的参数。
在这里，强化学习粒子群算法需要执行若干次迭代，如果还没达到最大迭代次数，则跳转至步骤S403，继续进行寻优；否则迭代结束，输出最佳的粒子，作为所述LSTM预测神经模型的后三层全连接层的最优参数。
使用QLPSO算法优化LSTM神经网络，相比于传统的反向传播算法训练LSTM神经网络，速度更快，可避免收敛至局部最优，训练效果更好。
可选地，在实际监测环境中，当新采集的数据达到30天的时候，需要对LSTM预测神经模型进行更新，以增强LSTM预测神经模型对当前运行环境的预测能力。若使用所有的历史数据对LSTM预测神经模型进行训练，耗时漫长，并且历史数据中存在着不能准确反映当前运行环境规律的数据。鉴于此，本发明实施例在历史数据中找出与当前新采集的30天数据的相似类别的数据进行训练，既能缩短LSTM预测神经模型的训练时间，又能提升其对当前环境的预测精度。所述方法还包括：
在步骤S501中，按照改进最大偏差相似性算法对电缆监测历史数据进行聚类分析，计算两两电缆监测历史数据Xh1与Xh2对应时间点的绝对差值Sh1h2k、对应时间点的斜率的绝对差值Kh1h2k。
在这里，本发明实施例对电缆监测历史数据进行改进最大偏差相似性算法聚类。假设有n个m维的电缆监测历史数据，第h1个电缆监测历史数据为Xh1＝(xh11,xh12,……xh1m)，其中xh1k为第h1个电缆监测历史数据在第k个时间点的值，h1＝1,2,……,n，k＝1,2,……，m。
假设Sh1h2k表示两电缆监测历史数据Xh1与Xh2对应时间点的绝对差值，h1,h2＝1,2,……，n，k＝1,2,……，m，其计算公式如下：
sijk＝|xik-xjk|Sh1h2k＝|xh1k-xh2k|
假设Kh1h2k表示两电缆监测历史数据Xh1与Xh2对应时间点的斜率Kh1k和Kh2k的绝对差值，h1,h2＝1,2,……，n，k＝1,2,……，m，其计算公式如下：
Kh1h2k＝|Kh1k-Kh2k|
其中电缆监测历史数据Xh1对应时间点k的斜率Kh1k的计算公式为：
Figure GDA0003693320010000161
其中k为时间点1,2,3,…,m，当k＝1的时候，Kh1k＝0。
在步骤S502中，根据所述对应时间点的绝对差值Sh1h2k、对应时间点的斜率的绝对差值Kh1h2k计算相似点数nh1h2和最大连续偏离点数mh1h2。
本发明实施例将分量看作曲线上的点，每个电缆监测历史数据对应一条曲线。计算两电缆监测历史数据对应曲线的相似点数nh1h2和最大连续偏离点数mh1h2。
设满足Sh1h2k≤γ并且Kh1h2k≤α的数据点个数为nh1h2，称nh1h2为两电缆监测历史数据Xh1与Xh2的相似点数；设连续满足γ<Sh1h2k<δ并且α≤Kh1h2k≤β的数据点最大个数为mh1h2，称mh1h2是两电缆监测历史数据Xh1与Xh2的最大连续偏离点数，h1,h2＝1,2,……，n，k＝1,2,……，m。其中，γ(0≤γ≤1)为预设常数，称最大偏差，它是衡量两个对应时间点负荷值相似性的阀值；δ为最大偏离点允许偏差；α(-2≤α≤2)为预设常数，称为斜率最大偏差；β为预设常数，称为斜率最大允许偏差；当Sh1h2k≤γ并且Kh1h2k≤α时，则认为xh1k与xh2k相似，否则不相似；若Sh1h2k>δ，则认为两曲线不相似；mh1h2的具体表达式如下:
Figure GDA0003693320010000171
Figure GDA0003693320010000172
可选地，作为本发明的一个优选示例，γ取值为0.5、δ取值为0.7、α取值为0.6、β取值为0.8。
在步骤S503中，根据所述相似点数nh1h2和最大连续偏离点数mh1h2判断两电缆监测历史数据对应曲线是否相似。
本发明实施例由改进最大偏差相似性准则判定两电缆监测历史数据对应曲线是否相似，具体地：
选定一个电缆监测历史数据Xi为对比中心，计算两电缆监测历史数据Xh1与Xh2之间的相似点数nh1h2和最大连续偏离点数mh1h2，h1,h2＝1,2,……，n，如果相似点数nh1h2和最大连续偏离点数mh1h2同时满足下列两个条件：
(1)nh1h2≥n0。其中n0＝[a×m],a(0≤a≤1)为预设常数，称为相似度；
(2)mh1h2≤m0。其中m0＝[b×m],b(0≤b≤1-a)为预设常数，称为连续偏离度，简称偏离度。
可选地，作为本发明的一个优选示例，a取值为0.75，b取值为0.25。
在步骤S504中，根据所述相似点数nh1h2和最大连续偏离点数mh1h2对所述电缆监测历史数据进行聚类分析，获取第一类别及其聚类中心。
本发明实施例由最大偏差相似性准则对电缆监测历史数据进行聚类。
对于一切h1,h2＝1,2,……，n，且h1≤h2，选定一个电缆监测历史数据Xh1为对比中心，把nh1h2、mh1h2分别与n0、m0比较，将所有满足改进最大偏差相似性准则的电缆监测历史数据Xh2分到S(Xh1)中，即令S(Xh1)＝S(Xh1)∪{Xh2}，并将电缆监测历史数据Xh2从原始负荷数据集合U中除去，其中S(Xh1)为与电缆监测历史数据Xh1相似的曲线集合，并按下式计算D(Xh1)：
Figure GDA0003693320010000181
若Xh1为令D(Xh1)取得最小值的电缆状态曲线，则Xh1为S(Xh1)类的类中心。
其中d(Xh1,Xh2)的计算公式为：
Figure GDA0003693320010000182
式中：h1,h2＝1,2,……，n。
在步骤S505中，按照改进最大偏差相似性算法对新采集预设天数内的电缆监测数据进行聚类分析，得到第二类别及其聚类中心。
所述预设天数根据具体设置，可以为30天，此处不做限制。
在步骤S506中，从所得到的第一类别和第二类别中选择数据个数最多的若干个类别。
假设对电缆监测历史数据和新采集的电缆监测数据进行聚类分析后，获得聚类中心c1,c2,c3,…,cn。每一类对应的数据个数为num1,num2,num3,…,numn。那么选取聚类数据最多的前三个类别的数据。例如若num1>num2>num3>,…,>numn，则选取的数据类别为c1,c2,c3。
在步骤S507中，以所选择的若干个类别作为所述LSTM预测神经模型的训练数据，对所述LSTM预测神经模型进行自更新训练，更新所有层的参数，包括隐含层和全连接层的所有参数。
将在步骤S506中获得的数据作为LSTM预测神经模型的训练数据，更新所有层的参数，包括隐含层和全连接层的所有参数。
可选地，作为本发明的一个优选示例，QLPSO-LSTM自更新过程中，使用反向传播算法训练整个网络参数。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图2所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电缆状态监测方法。
在一个实施例中，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的电缆状态监测方法：
通过传感器获取电缆监测数据；
构建电缆监测数据中每一个分量对应的第一SVM分类器；
计算每一个分量对应的第一SVM分类器的分类精度，根据所述分类精度的比值得到所述电缆监测数据各分量的权重信息；
根据所述电缆监测数据和所述权重信息计算第二SVM分类器的训练数据；
采用所述训练数据对所述第二SVM分类器进行训练；
构建所述电缆监测数据的每一个分量对应的LSTM预测神经模型，并根据每一分量对应的LSTM预测神经模型得到分量对应的预测值，组合每一个分量对应的预测值得到所述电缆监测数据对应的预测信息；
根据所述预测信息和所述权重信息计算电缆监测预测数据；
将所述电缆监测预测数据输入至训练好的第二SVM分类器，获取所述第二SVM分类器的输出结果作为电缆状态信息。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种电缆状态监测方法，其特征在于，包括：
通过传感器获取电缆监测数据；
构建电缆监测数据中每一个分量对应的第一SVM分类器；
计算每一个分量对应的第一SVM分类器的分类精度，根据所述分类精度的比值得到所述电缆监测数据各分量的权重信息；
根据所述电缆监测数据和所述权重信息计算第二SVM分类器的训练数据；
采用所述训练数据对所述第二SVM分类器进行训练；
构建所述电缆监测数据的每一个分量对应的LSTM预测神经模型，并根据每一分量对应的LSTM预测神经模型得到分量对应的预测值，组合每一个分量对应的预测值得到所述电缆监测数据对应的预测信息；
根据所述预测信息和所述权重信息计算电缆监测预测数据；
将所述电缆监测预测数据输入至训练好的第二SVM分类器，获取所述第二SVM分类器的输出结果作为电缆状态信息。
2.如权利要求1所述的电缆状态监测方法，其特征在于，所述电缆监测数据包括至少一个电缆温度监测点的温度信息和电缆监测仪器的监测压力数据、监测震动数据。
3.如权利要求2所述的电缆状态监测方法，其特征在于，所述第二SVM分类器的训练数据的计算公式为：
Figure FDA0003693318000000011
其中，X表示电缆监测数据，包括l个分量，X＝[x1,x2……xl]，W表示电缆监测数据的权重信息，W＝[w1,w2,……wl]，
Figure FDA0003693318000000021
表示训练数据，
Figure FDA0003693318000000022
4.如权利要求3所述的电缆状态监测方法，其特征在于，所述LSTM预测神经模型中的隐含层层数为2，每一层隐含层的LSTM神经元个数为12个，隐含层之后连接3层全连接层FCL1、FCL2和FCL3，最后一层全连接层的输出值为预测值。
5.如权利要求4所述的电缆状态监测方法，其特征在于，所述电缆监测预测数据的计算公式为：
Figure FDA0003693318000000023
其中，Xf表示电缆监测数据的预测信息，Xf＝[xf1,xf2……xfl]，W表示电缆监测数据的权重信息，W＝[w1,w2,……wl]，
Figure FDA0003693318000000024
表示电缆监测预测数据，
Figure FDA0003693318000000025
6.如权利要求4所述的电缆状态监测方法，其特征在于，在构建所述电缆监测数据的每一个分量对应的LSTM预测神经模型之后，所述方法还包括：
计算所述LSTM预测神经模型的预测误差；
将所述预测误差与预设阈值进行比较，若所述预测误差在所述预设阈值范围内时，无需进行矫正，否则对所述LSTM预测神经模型进行自我矫正；
其中，所述预测误差的计算公式如下：
Figure FDA0003693318000000026
ei表示预测误差，xit表示LSTM预测神经模型在t时刻的预测值，yit表示分量在t时刻采集到的真实值，i＝1、2、……、l，l表示电缆监测数据的分量个数。
7.如权利要求6所述的电缆状态监测方法，其特征在于，所述对所述LSTM预测神经模型进行自我矫正包括：
获取t-11时刻到t时刻的电缆监测数据作为LSTM预测神经模型的训练数据；
采用强化学习粒子群算法优化所述LSTM预测神经模型的全连接层的参数，对于隐含层神经元的参数不做更新，得到自我校正之后的LSTM预测神经模型；
其中，所述强化学习粒子群算法QLPSO的优化目标函数为：
Figure FDA0003693318000000031
其中xi为t-11时刻到t时刻的电缆监测数据；fi为t-11时刻到t时刻的LSTM预测神经模型的输出值。
8.如权利要求7所述的电缆状态监测方法，其特征在于，所述采用强化学习粒子群算法优化所述LSTM预测神经模型的全连接层的参数包括：
S401：设置粒子的种群数量、粒子位置、速度的取值范围，其中，粒子位置的定义为p＝[WFCL1，WFCL2，WFCL3]，p为强化学习粒子群算法的编码粒子，WFCL1,WFCL2,WFCL3分别表示全连接层FCL1、FCL2和FCL3的权重值；
S402：初始化粒子的位置，随机生成粒子的速度，计算所有粒子的第一适应度，比较后得到全局最优粒子，初始化Q表为0，其中Q表为一个三维数组，表示为QTABLE[4][4][4]；
S403：根据每个粒子与全局最优粒子的空间距离，设置第一参数
Figure FDA0003693318000000032
S404：根据每个粒子与全局最优粒子的适应度的差值，设置第二参数
Figure FDA0003693318000000033
S405：比较
Figure FDA0003693318000000034
在第三参数q分别为1、2、3、4时数值的大小，获取最大值
Figure FDA0003693318000000041
根据所述最大值
Figure FDA0003693318000000042
对应的第三参数q获取惯性权重ζg、第一学习引子c1,g和第二学习引子c2,g；
S406：根据所述惯性权重ζg、第一学习引子c1,g和第二学习引子c2,g更新粒子的速度与位置；
S407：重新计算所有粒子的第二适应度；
S408：若粒子的第二适应度优于第一适应度，更新该粒子的历史最优解，
Figure FDA0003693318000000043
更新为
Figure FDA0003693318000000044
S409：若粒子的第二适应度差于第一适应度，
Figure FDA0003693318000000045
更新为
Figure FDA0003693318000000046
S410：若新粒子的适应度优于全局最优粒子，更新全局最优粒子；
S411：判断是否达到最大迭代次数，若否则返回步骤S403，若是则输出所述全局最优粒子，作为LSTM预测神经模型的全连接层的参数。
9.如权利要求7或8所述的电缆状态监测方法，其特征在于，所述方法还包括：
按照改进最大偏差相似性算法对电缆监测历史数据进行聚类分析，计算两两电缆监测历史数据Xh1与Xh2对应时间点k的绝对差值Sh1h2k、对应时间点k的斜率的绝对差值Kh1h2k；其中，所述电缆监测历史数据包括n个m维的电缆监测历史数据，第h1个电缆监测历史数据为Xh1＝(xh11,xh12,……xh1m)，其中xh1k为第h1个电缆监测历史数据在第k个时间点的值，h1＝1,2,……,n，k＝1,2,……，m，第h2个电缆监测历史数据为Xh2＝(xh21,xh22,……xh2m)，其中xh2k为第h2个电缆监测历史数据在第k个时间点的值，h2＝1,2,……,n；
根据所述对应时间点的绝对差值Sh1h2k、对应时间点的斜率的绝对差值Kh1h2k计算相似点数nh1h2和最大连续偏离点数mh1h2；
根据所述相似点数nh1h2和最大连续偏离点数mh1h2判断两电缆监测历史数据对应曲线是否相似；
根据所述相似点数nh1h2和最大连续偏离点数mh1h2对所述电缆监测历史数据进行聚类分析，获取第一类别及其聚类中心；
按照改进最大偏差相似性算法对新采集预设天数内的电缆监测数据进行聚类分析，得到第二类别及其聚类中心；
从所得到的第一类别和第二类别中选择数据个数最多的若干个类别；
以所选择的若干个类别作为所述LSTM预测神经模型的训练数据，对所述LSTM预测神经模型进行自更新训练，更新所有层的参数，包括隐含层和全连接层的所有参数。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至9任一项所述的电缆状态监测方法。
CN202110307924.6A 2021-03-23 2021-03-23 电缆状态监测方法及存储介质 Active CN113156263B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110307924.6A CN113156263B (zh) 2021-03-23 2021-03-23 电缆状态监测方法及存储介质
AU2021106675A AU2021106675A4 (en) 2021-03-23 2021-08-23 Cable state monitoring method and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110307924.6A CN113156263B (zh) 2021-03-23 2021-03-23 电缆状态监测方法及存储介质

Publications (2)

Publication Number Publication Date
CN113156263A CN113156263A (zh) 2021-07-23
CN113156263B true CN113156263B (zh) 2022-07-26

Family

ID=76888186

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110307924.6A Active CN113156263B (zh) 2021-03-23 2021-03-23 电缆状态监测方法及存储介质

Country Status (2)

Country Link
CN (1) CN113156263B (zh)
AU (1) AU2021106675A4 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113868967B (zh) * 2021-12-03 2022-04-12 中铁第一勘察设计院集团有限公司 结构监测数据预测方法、装置及存储介质
CN115577643A (zh) * 2022-11-23 2023-01-06 广东电网有限责任公司中山供电局 一种电缆终端头的温度预测方法及装置
CN115640918B (zh) * 2022-12-26 2023-04-07 电子科技大学中山学院 电缆温度异常预测方法、装置、介质及设备
CN116704733B (zh) * 2023-08-02 2023-10-27 江苏国嘉导体技术科技有限公司 铝合金电缆的老化预警方法及系统
CN116976530B (zh) * 2023-09-25 2023-12-08 国网上海市电力公司 一种电缆设备状态预测方法、装置及存储介质
CN118282046A (zh) * 2024-04-16 2024-07-02 湖北世纪森源电力工程有限公司 基于智能电网的电缆状态预测方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101464964B (zh) * 2007-12-18 2011-04-06 同济大学 一种设备故障诊断的支持向量机模式识别方法
CN103324937B (zh) * 2012-03-21 2016-08-03 日电（中国）有限公司 标注目标的方法和装置
CN104463221A (zh) * 2014-12-22 2015-03-25 江苏科海智能系统有限公司 适用于支持向量机训练的不平衡样本加权方法
CN105046279B (zh) * 2015-08-07 2018-05-15 合肥工业大学 一种模拟电路故障模式分类方法
KR20170128023A (ko) * 2016-05-13 2017-11-22 한양대학교 산학협력단 데이터 뎁스를 활용한 기업 부도 예측 방법
CN109948825A (zh) * 2018-11-12 2019-06-28 中国石油大学(华东) 基于改进PSO与Adaboost结合的有利储层发育区预测方法
CN111209977B (zh) * 2020-01-16 2024-01-05 北京百度网讯科技有限公司 分类模型的训练和使用方法、装置、设备和介质

Also Published As

Publication number Publication date
CN113156263A (zh) 2021-07-23
AU2021106675A4 (en) 2021-11-11

Similar Documents

Publication Publication Date Title
CN113156263B (zh) 电缆状态监测方法及存储介质
CN110647042B (zh) 一种基于数据驱动的机器人鲁棒学习预测控制方法
CN111353631A (zh) 基于多层lstm的火电厂凝汽器真空度预测方法
CN114297779B (zh) 一种飞行器气动力系数快速预测方法、系统及设备
CN110504676B (zh) 一种基于apso-bp的配电网状态估计方法
CN106650918B (zh) 构建系统模型的方法和装置
CN113051769B (zh) 基于非对称损失与混合智能优化算法的功率曲线建模方法
Ghaeminezhad et al. Review on state of charge estimation techniques of lithium-ion batteries: A control-oriented approach
Yuan et al. Efficient procedure for failure probability function estimation in augmented space
JP2022014974A (ja) 評価装置、プラント制御支援システム、評価方法、及びプログラム
CN115902642A (zh) 电池荷电状态估算方法、装置、电子设备及存储介质
Yu et al. A Gaussian variational inference approach to motion planning
CN110851911B (zh) 终端状态计算模型训练方法、控制序列搜索方法及装置
CN112329995A (zh) 分布式储能集群的优化调度方法、装置和计算机设备
CN110779526A (zh) 一种路径规划方法、装置及存储介质
CN114186477A (zh) 一种基于Elman神经网络的轨道预测算法
CN113449914A (zh) 一种电力系统监测方法及系统
CN111524348A (zh) 一种长短期交通流预测模型及方法
CN118153438B (zh) 一种非独立低矮建筑风压场预测方法及设备
Mukherjee et al. Actor-Critic Methods using Physics-Informed Neural Networks: Control of a 1D PDE Model for Fluid-Cooled Battery Packs
Liu et al. A fusion prognostic approach based on multi-kernel relevance vector machine and Bayesian model averaging
CN117556172B (zh) 船舶操纵运动预报模型构建方法及船舶操纵运动预报方法
Sun et al. Data-Driven MPC for Linear Systems using Reinforcement Learning
CN114417248B (zh) 基于dcgan的线性轮廓过程质量异常监控方法和系统
CN115130762A (zh) 基于最小二乘支持向量机的负荷超短期预测方法及系统

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
GR01 Patent grant
GR01 Patent grant