CN113393165A - 一种具备可解释性的晶闸管换流阀运行状态评估方法 - Google Patents
一种具备可解释性的晶闸管换流阀运行状态评估方法 Download PDFInfo
- Publication number
- CN113393165A CN113393165A CN202110783326.6A CN202110783326A CN113393165A CN 113393165 A CN113393165 A CN 113393165A CN 202110783326 A CN202110783326 A CN 202110783326A CN 113393165 A CN113393165 A CN 113393165A
- Authority
- CN
- China
- Prior art keywords
- state
- converter valve
- model
- evaluating
- value
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000005540 biological transmission Effects 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 12
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 9
- 238000013210 evaluation model Methods 0.000 abstract description 8
- 238000012423 maintenance Methods 0.000 abstract description 8
- 230000002159 abnormal effect Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000001627 detrimental effect Effects 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Power Conversion In General (AREA)
Abstract
本发明公开一种具备可解释性的晶闸管换流阀运行状态评估方法,包括如下步骤:确定状态量与状态等级,输入换流阀运行状态数据集;训练CatBoost分类器,以全局准确率、召回率对结果进行评价;对换流阀运行状态进行实时评估,基于SHAP归因分析法解释评估模型的结果。本发明在对特高压直流输电晶闸管换流阀状态评估方面具有较高的准确率,算法简单易于实现,且能够解释评估模型的运算逻辑与真实推理过程,找出影响评估结果的关键因素,在一定程度上能帮助工程人员正确判断换流阀的运行状态,为检修决策的制定提供针对性的理论指导,应用价值和前景巨大。
Description
技术领域
本发明涉及晶闸管换流阀领域,具体的是一种具备可解释性的晶闸管换流阀运行状态评估方法。
背景技术
电力设备的良好运行状态是电力系统安全稳定运行的基础,设备故障引发的停电事故会严重影响电网的稳定运行与巨大的经济损失。因此,对于运行在复杂工况与恶劣环境中的设备,全面、及时、准确地对设备运行状态进行监测与分析是保障其安全稳定运行的重要措施。晶闸管换流阀作为特高压直流输电的核心设备,起着整流、逆变、开关等关键作用,若能对其进行准确的运行状态评估并提供可被理解的解释方案,则可以及时发现异常部件,降低故障率,提高电网的运行安全。
近年来,人工智能技术在预测、评估任务中的效率、精度、自学习能力等方面不断发展,这为换流阀的运维检修提供了一种全新的技术手段与研究思路。不过,现有的人工智能评估方法不能很好地表达输入特征对评估结果的影响程度,类似“黑箱”的评估模型无法将各指标与评估结果的关联关系直观地呈现在运维人员面前,使得检修策略无法有针对性地被制定,进而会对事故的分析效率以及换流阀的故障率产生影响。
发明内容
为解决上述背景技术中提到的不足,本发明的目的在于提供一种具备可解释性的晶闸管换流阀运行状态评估方法,本发明以有效避免传统方法中主观性强、可解释性不足等问题,在对晶闸管换流阀状态评估方面具有更高的准确率与更快的速度,算法简单易于实现,且能够解释评估模型的运算逻辑,找出影响评估结果的关键因素,在一定程度上帮助工程人员正确判断换流阀的运行状态等级,为晶闸管换流阀的检修决策提供针对性的理论指导,应用价值和前景巨大。
本发明的目的可以通过以下技术方案实现:
一种具备可解释性的晶闸管换流阀运行状态评估方法,包括以下步骤:
S1:确定晶闸管换流阀状态量与状态等级,获取换流阀运行状态数据集,将数据集分为训练集与测试集;
S2:以训练集训练CatBoost分类器并得到模型,通过模型对测试集内的数据进行评估,以全局准确率、召回率对评估结果进行评价;
S3:对换流阀运行状态进行实时评估,基于SHAP解释模型的输出结果。
进一步地,所述S1中状态量是基于《高压直流输电换流阀状态评价导则》,计及温度、相对湿度对换流阀运行的影响,共计选择41个表征运行状态的状态量,并对无明确数值的状态量量化至[0,1];0表示积极状态,1表示负面状态,将数据进行标准化:
式中:α为标准化前的数据,α*为与标准化后的数据,A为α所在的序列集合。
进一步地,所述S2具体为:
S21、选定需要寻优的三个参数:基分类器数目、最大深度、学习率,并设定各参数网格搜索的范围;
S22、逐个对CatBoost的参数进行网格搜索,结合K-fold交叉验证法,将K个实验的准确率进行平均作为此模型下的性能指标;
S23、对测试集数据进行评估,采用全局准确率与召回率评价模型的输出结果。
进一步地,所述CatBoost算法的具体步骤如下:
S221、对于训练集X中的每一个样本xi,CatBoost都会利用除它之外的全部样本训练并得到模型Mi;
S222、利用模型Mi计算样本xi的梯度估计,并重新对xi进行打分,形成一个基学习器;
S223、对基学习器进行加权处理,得到最终的强学习器。
进一步地,所述SHAP方法是用一个加性模型g(x)来拟合训练好的分类器f(x),如式(2)所示:
其中:n为特征数量;φ0为模型的预测基准值,即所有样本状态等级的均值;φi为模型的SHAP值;
模型对每个样本都产生一个预测值,SHAP值是样本中每个特征所分配到的数值,其计算公式如下:
本发明的有益效果:
1、采用CatBoost树模型进行换流阀状态评估,通过个别重要参数的网格寻优,能够得到准确率高、速度快的状态评估模型;
2、通过SHAP进行可解释性分析,能够从全局角度直观展现各状态量的重要程度及其与评估结果的正负关系,从个体角度明确找出影响各等级样本的关键因素,从而提升评估结果的可信度;
3、基于评估结果,可以及时反映故障原因,帮助工程人员快速且正确地判断晶闸管换流阀的运行状态,发现安全隐患,为制定换流阀检修决策提供针对性的理论指导,应用价值和前景巨大。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明的流程示意图;
图2为本发明换流阀状态评估结果的解释框架;
图3为本发明评估结果的混淆矩阵;
图4为本发明各特征的SHAP值全局分布;
图5为本发明特征s3的依赖图;
图6为本发明特征s10的依赖图;
图7为本发明某样本a的预测结果;
图8为本发明某样本b的预测结果。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
一种具备可解释性的晶闸管换流阀运行状态评估方法,如图1所示,其包括以下步骤:
步骤一,确定状态量与状态等级,输入换流阀运行状态数据集。
晶闸管换流阀主要由晶闸管组件、阀冷却组件以及阀避雷器三部分组成,各部件之间相互独立,每个部件都包含了原始资料、运行资料、检修试验资料等。本实施例基于《高压直流输电换流阀状态评价导则》,计及温度、相对湿度对换流阀运行的影响,共计选择41个表征运行状态的状态量,并对无明确数值的状态量量化至[0,1]。其中,0表示积极状态,有利于换流阀的稳定运行;1表示负面状态,不利于换流阀的正常运行。然后将数据进行标准化,计算方式见式(1)。
式中:α为标准化前的数据,α*为与标准化后的数据,A为α所在的序列集合。
依据《导则》,晶闸管换流阀的运行状态分为正常、注意、异常与严重四种状态,在数据集中分别用1、2、3、4表示。
步骤二,训练CatBoost分类器,以全局准确率、召回率对结果进行评价。
包括如下步骤:
21、选定需要寻优的三个参数:基分类器数目、最大深度、学习率,并设定各参数网格搜索的范围;
22、逐个对CatBoost的参数进行网格搜索,结合K-fold交叉验证法,将K个实验的准确率进行平均作为此模型下的性能指标;
CatBoost算法的具体步骤如下:
221、对于训练集X中的每一个样本xi,CatBoost都会利用除它之外的全部样本训练并得到模型Mi;
222、利用模型Mi计算样本xi的梯度估计,并重新对xi进行打分,形成一个基学习器;
223、对基学习器进行加权处理,得到最终的强学习器。
23、对测试集数据进行评估,采用全局准确率与召回率评价模型的输出结果。
步骤三,对换流阀运行状态进行实时评估,基于SHAP解释评估模型的输出结果。
SHAP的基本思想是用一个加性模型g(x)来拟合训练好的分类器f(x),如式(2)所示:
式中:n为特征数量;φ0为模型的预测基准值,即所有样本状态等级的均值;φi为模型的SHAP值。
在SHAP模型中,所有特征都是“贡献者”。对于每个样本,模型都将产生一个预测值,SHAP值就是该样本中每个特征所分配到的数值,其计算公式如下:
φi的正、负对应特征xi对模型输出有不同层面的影响;此外,φi绝对值越大,意味着该特征对模型输出的影响越大,反之,φi越接近0,则该特征对模型输出的影响越小。
作为归因分析方法,SHAP具有三个重要的特性:局部准确性(Local Accuracy)、缺失性(Missingness)与一致性(Consistency)。局部准确性等同于可加性,由式(2)描述,含义是特征的SHAP值之和总是等于模型的实际输出;缺失性的含义为样本中缺失的特征对模型的输出没有影响;一致性指的是改变模型不会对特征的重要度造成改变,这一性质保证了SHAP归因分析的结果能正确反映特征对模型输出的贡献。
将SHAP归因理论引入晶闸管换流阀状态评估结果的可解释性分析中,由于fx(S∪{xi})表示包含特征xi的状态等级预测值,fx(S)表示不包含特征xi的状态等级预测值,因此二者差值即可表示特征xi对评估结果的贡献程度,然后通过式(3)计算得到特征xi的贡献度均值。同理,可以计算出各个特征对结果的贡献度均值,即SHAP值。然后可从个体与全局两个角度对晶闸管换流阀的状态评估结果进行解释。个体方面,通过计算某一样本所有特征的SHAP值,能够了解影响该样本状态等级的主导特征,进而明确此状态是由哪些特征偏高或偏低引起的;全局方面,可用每个特征SHAP值的平均绝对值来衡量该特征的全局重要性。此外,通过挖掘每个特征SHAP值与其本身数值的分布,能够体现该特征数值大小与晶闸管换流阀评估结果的正负相关性。
基于SHAP分析方法晶闸管换流阀状态评估结果解释框架如图2所示。
基于上述本发明的技术方案,本实施例将本发明方法进行实例应用,具体如下:
取2018-2019年江苏省某换流站的1591组实测数据,包括查阅设备资料、巡视检查、带电检测、在线监测以及检修试验等。
在1591组数据中,正常状态904例,注意状态434例,异常状态185例,严重状态68例,类别间样本不平衡率最大为13.29,最小为2.08。对总样本集按照2:1的比例进行划分,得到训练集与测试集。
采用SMOTE对训练集数据进行扩充,得到4种状态数据各603组,这些数据将用作CatBoost模型的输入。
采用网格搜索法对CatBoost关键超参数进行寻优,寻优后取模型的基分类器数目为200,最大深度为7,学习率为0.15。评估结果可用图3的混淆矩阵表示。其中,纵坐标为换流阀的真实状态等级,横坐标为基于评估模型的预测结果。在531个用于测试的数据中,总准确率达到了98.5%,错分数为8例。这8例错分的样本与真实结果均相差1个状态等级,且属于不正常运行状态数据,如此细微的误差对最终的检修决策影响较小。
得到评估结果后,能够计算出各特征的SHAP值。依据SHAP值的平均绝对值进行排序,最重要的5个特征如图4所示。
图4中,每个点即代表一个样本的一个特征。纵坐标为特征编号,从上往下特征重要度依次降低;横坐标为特征的SHAP值。样本各特征值的大小用不同颜色深度表示,颜色越黑代表该特征值越大,而越灰则代表特征值越小,具体可参照图4右方的图注。
通过观察可以发现,图4中s3、s7的特征值分布与s1、s10、s26相反,前者特征值越大SHAP值越大,后者特征值越小SHAP值越大。基于图4绘制s3与s10的依赖图,如图5与图6所示。图中横坐标为特征本身的数值,纵坐标为该特征的SHAP值。
从图4、图5与图6可以看出,所有特征中,s10阀跳闸对结果的影响最大,与评估结果呈负相关。当从未发生过阀跳闸(特征值接近1)时,SHAP值为一个很小的负数,评估结果也会变小,即该特征值会促使结果趋于正常状态。s3晶闸管组件的本体温度对结果也具有很大的影响,与评估结果呈正相关。当本体温度增高时(特征值接近1)时,SHAP值为一个较大的正数,评估结果会增大,即该特征值会促使结果趋于异常、严重等非正常状态。从物理意义的角度来看,一旦发生了阀跳闸,换流站的整流逆变工作将会受到严重影响;此外,若晶闸管组件本体温度过高,将会导致器件性能恶化,换流阀及阀控设备的使用寿命减少。
综上可知,上述两个物理量对评估结果的影响与SHAP归因理论的全局分析结论一致,表明该方法的解释结果符合客观物理规律。同理,可用SHAP归因理论分析其他特征对评估结果的影响效果及正负关系。
随机选取测试集中两个预测正确的样本a与b,然后利用SHAP归因理论分析解释这两个样本的预测结果,如图7与图8所示,其中列出了对各样本影响因素较大的特征值及其SHAP值(图中用SV表示)。图中,黑色表示SHAP值为正,在评估过程中会增大预测值;灰色表示SHAP值为负,在评估过程中会减小预测值;面积越大,则特征SHAP值的平均绝对值越大。在本实施例中,换流阀平均状态等级(基准值)为1.7804068,即处在正常状态与注意状态之间。用基准值加上各特征的SHAP值,可得最终评估结果。
从图7可以看出,模型预测结果为1.01,靠近表征正常状态的数字1,因此认为其最终评估结果为正常。s7故障指示脉冲数量与s1的晶闸管组件家族性缺陷均有利于换流阀的运行,因此SV7与SV1均为负,促使评估结果向正常状态移动;而s10阀跳闸历史情况不利于换流阀的正常运行,因此SV10为正数,促使评估结果向非正常状态移动。同理,图8中模型的预测结果为3.09,接近表征异常状态的数字3,因此认为该样本的最终评估结果为异常。图中,s10阀跳闸历史情况、s1的晶闸管组件家族性缺陷、s26阀塔主水路渗漏情况、s40换流阀运行温度、s31阀避雷器家族性缺陷等状态量均为黑色,即SHAP值为正,不利于换流阀正常运行,促使评估结果向异常、严重状态移动。需要注意的是,这些因素具备进一步劣化的可能,需要重点关注。
因此,基于评估模型的个体解释,可以了解模型针对每个特定样本的决策过程和决策依据,及时反映出换流阀的故障原因,帮助运维人员发现安全隐患,然后通过更换劣化设备等措施,有效保证特高压直流工程的安全稳定运行。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”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。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (5)
1.一种具备可解释性的晶闸管换流阀运行状态评估方法,其特征在于,包括以下步骤:
S1:确定晶闸管换流阀状态量与状态等级,获取换流阀运行状态数据集,将数据集分为训练集与测试集;
S2:以训练集训练CatBoost分类器并得到模型,通过模型对测试集内的数据进行评估,以全局准确率、召回率对评估结果进行评价;
S3:对换流阀运行状态进行实时评估,基于SHAP解释模型的输出结果。
3.根据权利要求1所述的一种具备可解释性的晶闸管换流阀运行状态评估方法,其特征在于,所述S2具体为:
S21、选定需要寻优的三个参数:基分类器数目、最大深度、学习率,并设定各参数网格搜索的范围;
S22、逐个对CatBoost的参数进行网格搜索,结合K-fold交叉验证法,将K个实验的准确率进行平均作为此模型下的性能指标;
S23、对测试集数据进行评估,采用全局准确率与召回率评价模型的输出结果。
4.根据权利要求3所述的一种具备可解释性的晶闸管换流阀运行状态评估方法,其特征在于,所述CatBoost算法的具体步骤如下:
S221、对于训练集X中的每一个样本xi,CatBoost都会利用除它之外的全部样本训练并得到模型Mi;
S222、利用模型Mi计算样本xi的梯度估计,并重新对xi进行打分,形成一个基学习器;
S223、对基学习器进行加权处理,得到最终的强学习器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110783326.6A CN113393165A (zh) | 2021-07-12 | 2021-07-12 | 一种具备可解释性的晶闸管换流阀运行状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110783326.6A CN113393165A (zh) | 2021-07-12 | 2021-07-12 | 一种具备可解释性的晶闸管换流阀运行状态评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113393165A true CN113393165A (zh) | 2021-09-14 |
Family
ID=77625875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110783326.6A Pending CN113393165A (zh) | 2021-07-12 | 2021-07-12 | 一种具备可解释性的晶闸管换流阀运行状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113393165A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069727A (zh) * | 2020-08-20 | 2020-12-11 | 国网河南省电力公司经济技术研究院 | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 |
CN112508442A (zh) * | 2020-12-18 | 2021-03-16 | 湖南大学 | 基于自动化和可解释机器学习的暂态稳定评估方法及系统 |
-
2021
- 2021-07-12 CN CN202110783326.6A patent/CN113393165A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112069727A (zh) * | 2020-08-20 | 2020-12-11 | 国网河南省电力公司经济技术研究院 | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 |
CN112508442A (zh) * | 2020-12-18 | 2021-03-16 | 湖南大学 | 基于自动化和可解释机器学习的暂态稳定评估方法及系统 |
Non-Patent Citations (2)
Title |
---|
周挺等: "一种数据驱动的暂态电压稳定评估方法及其可解释性研究", 电网技术, pages 1 - 11 * |
李轩等: "基于多状态数据均衡与XGBoost 的特高压换流阀运行状态评估", 高电压技术, pages 1 - 10 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103605881A (zh) | 一种基于故障树和层次分析法的电力变压器状态评估方法 | |
CN109359894A (zh) | 一种基于rpn的电力计量设备风险评价方法及装置 | |
CN105242155A (zh) | 一种基于熵权法和灰色关联分析的变压器故障诊断方法 | |
CN105224782A (zh) | 一种基于故障模式的变电设备故障概率计算方法 | |
CN104020401A (zh) | 基于云模型理论的变压器绝缘热老化状态的评估方法 | |
Khalyasmaa et al. | Expert system for engineering assets' management of utility companies | |
CN106569069A (zh) | 电力变压器故障诊断方法 | |
CN108629491A (zh) | 一种换流变检修质量综合评估方法 | |
CN103440410A (zh) | 主变个体缺陷概率预测方法 | |
CN109596503A (zh) | 一种在役高含硫天然气管道材质适应性评价方法 | |
Gautam et al. | Identifying transformer oil criticality using fuzzy logic approach | |
Shutenko et al. | Using statistical decision methods to correct the maximum permissible values of transformer oils indicators | |
CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
CN113393165A (zh) | 一种具备可解释性的晶闸管换流阀运行状态评估方法 | |
CN106644436B (zh) | 一种断路器机械特性的评定方法 | |
CN112734201A (zh) | 基于预期故障概率的多台设备整体质量评价方法 | |
CN109376990B (zh) | 一种基于Siamese网络模型确定电力系统的临界切除时间的方法及系统 | |
CN112257224A (zh) | 汽轮发电机状态检修方法、系统以及终端 | |
CN111709495A (zh) | 一种基于nbc模型的变压器故障诊断方法 | |
CN116466067A (zh) | 一种基于灰色理论的复合绝缘子硅橡胶材料剩余寿命预警方法 | |
Zou et al. | Improved RCM method by AHP-FCE for the maintenance strategy of reciprocating compressor unit | |
Bondarenko et al. | Development of fuzzy neural network for the interpretation of the results of dissolved in oil gases analysis | |
CN115906602A (zh) | 一种基于深度学习Transformer自编码的风电机组塔筒倾倒监测评价方法 | |
Plumley et al. | Diagnostics and prognostics utilising dynamic Bayesian networks applied to a wind turbine gearbox | |
CN115345392A (zh) | 一种配电网异常态势研判与关键指标筛选方法 |
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 |