CN113516190A - 一种鲁棒半监督网络的配电网故障分析方法 - Google Patents
一种鲁棒半监督网络的配电网故障分析方法 Download PDFInfo
- Publication number
- CN113516190A CN113516190A CN202110811541.2A CN202110811541A CN113516190A CN 113516190 A CN113516190 A CN 113516190A CN 202110811541 A CN202110811541 A CN 202110811541A CN 113516190 A CN113516190 A CN 113516190A
- Authority
- CN
- China
- Prior art keywords
- supervised
- network
- power distribution
- fault
- distribution network
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 51
- 238000004458 analytical method Methods 0.000 title claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000013501 data transformation Methods 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000009467 reduction Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 101710108306 Bifunctional dihydroflavonol 4-reductase/flavanone 4-reductase Proteins 0.000 description 1
- 101710170824 Dihydroflavonol 4-reductase Proteins 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (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
本发明公开了一种鲁棒半监督网络的配电网故障分析方法，包括：采集配电网故障录波数据并进行预处理；基于典型网络和半监督学习构建鲁棒半监督原型网络分类器，根据分类器以及预处理后的数据对配电网故障进行识别及分类；根据识别分类结果确定故障发生的根本原因，完成配电网故障分析。本发明避免了由于标记数据和未标记数据分布不同而导致的性能下降，选取的未标记样本可以使数据空间更加密集，有利于特征提取；模型对干扰具有较强的鲁棒性，并使模型具有更好的泛化性能，并可以更好地对新的类进行分类。
Description
技术领域
本发明涉及故障分析的技术领域，尤其涉及一种鲁棒半监督网络的配电网故障分析方法。
背景技术
配电网是将电力从配电系统输送给个人消费者的最后阶段，其安全和稳定的运行与每个消费者的利益直接相关。传统方案主要利用分布式数字故障记录器记录的故障电流和电压波形对配电网的故障根源进行了分类，一方面，准确快速的故障原因分类可为配电系统操作员(DSO)提供有用信息，缩小搜索区域，有效减少处理故障的时间，防止故障进一步扩展，另一方面，历史故障分析有助于故障预测和寻找配电网的薄弱环节，为制定更有效的维护计划提供了依据。然而，配电网中的故障原因分类是一个具有挑战性的问题，首先，该机制还不清楚，目前还没有快速、准确的手工分类方法；其次，由于缺乏标记数据(手工标记的带有根本故障原因的错误波形)，机器学习方法很难获得高精度和良好的泛化性能；第三，配网结构越来越复杂，在运行过程中可能不断发现新的故障类别，这需要分类器在线更新并扩展到新的类；然而，大多数现有的分类器都无法识别以前从未见过的类。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明解决的技术问题是：传统技术方案没有快速、准确的分工手法，由于缺乏标记数据，机器学习方法很难获得高精度和良好的泛化性能，大多数现有的分类器都无法识别以前从未见过的类。
为解决上述技术问题，本发明提供如下技术方案：采集配电网故障录波数据并进行预处理；基于典型网络和半监督学习构建鲁棒半监督原型网络分类器，根据所述分类器以及预处理后的数据对配电网故障进行识别及分类；根据识别分类结果确定故障发生的根本原因，完成配电网故障分析。
作为本发明所述的鲁棒半监督网络的配电网故障分析方法的一种优选方案，其中：所述配电网故障录波数据包括三相电流、中性点电流、三相电压。
作为本发明所述的鲁棒半监督网络的配电网故障分析方法的一种优选方案，其中：所述预处理过程包括，对所采集的数据进行数据清洗、数据变换以及数集合成；对已知故障信息进行标记。
作为本发明所述的鲁棒半监督网络的配电网故障分析方法的一种优选方案，其中：构建所述鲁棒半监督原型网络分类器包括，构建鲁棒半监督原型网络模型；生成训练集，对鲁棒半监督原型网络模型进行训练；当出现未标记的新类别故障时，所述鲁棒半监督原型网络模型根据故障信息进行在线微调，并基于所述新类别故障生成新的分类器。
作为本发明所述的鲁棒半监督网络的配电网故障分析方法的一种优选方案，其中：利用所述训练集对鲁棒半监督原型网络模型进行训练包括，采用未标记的数据和已知类别的标记数据来训练所述鲁棒半监督原型网络模型并获得学习的模型函数θT、T以及决策半径函数g。
作为本发明所述的鲁棒半监督网络的配电网故障分析方法的一种优选方案，其中：进一步包括，生成包含支持集S、查询集Q、未标记集U的小训练集Episode，并初始化嵌入函数h(x；θ)，所述使用支持集S计算每个类别的原型pc：
使用决策半径函数来计算决策半径rc，将落于决策半径内的无标签数据用于模型的更新，其计算公式为:
寻找落于决策半径内的无标签数据构成有效的无标签数据集Uc，并更新类的原型下公式：
wherezi，c＝1[yi＝c]，
利用全新的混合损失函数Lmixed来训练整个模型，Lmixed由监督损失Ls,伪监督损失Lp和无监督损失Lu构成。
作为本发明所述的鲁棒半监督网络的配电网故障分析方法的一种优选方案，其中：所述监督损失Ls由查询集Q上的交叉熵损失得到，其公式包括，
作为本发明所述的鲁棒半监督网络的配电网故障分析方法的一种优选方案，其中：所述伪监督损失Lp由有效的无标签数据集Uc上的交叉熵损失得到，其公式包括，
作为本发明所述的鲁棒半监督网络的配电网故障分析方法的一种优选方案，其中：所述无监督损失由无标签数据集上的一致性正则损失计算得到，其公式包括，
本发明的有益效果：本发明设计了一个基于MLP的决策半径函数，以选择合适的未标记数据来更新整个模型，从而避免了由于标记数据和未标记数据分布不同而导致的性能下降，选取的未标记样本可以使数据空间更加密集，有利于特征提取；其次，在本发明中加入一致性规则，即未标记数据的无监督丢失，在未标记的波形数据中加入随机高斯干扰和模型丢失后，通过映射函数使其在映射空间中的位置保持一致，从而使模型对干扰具有较强的鲁棒性，并使模型具有更好的泛化性能，同时，它可以学习数据固有的不变性和更一般的特征，使对波形的理解更全面，更好地对新的类进行分类；因此，本发明不仅可以利用标记数据学习重要的特征来区分标记数据上已有的类，还可以利用包含更多我们现在不了解的类的未标记数据，来学习更多有用的特征，以帮助更好地区分新的类。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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它的附图。其中：
图1为本发明一个实施例提供的一种鲁棒半监督网络的配电网故障分析方法的基本流程示意图；
图2为本发明一个实施例提供的一种鲁棒半监督网络的配电网故障分析方法的采用训练分类器并在线更新的流程图；
图3为本发明一个实施例提供的一种鲁棒半监督网络的配电网故障分析方法的模型训练过程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”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。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1～3，为本发明的一个实施例，提供了一种鲁棒半监督网络的配电网故障分析方法，包括：
S1：采集配电网故障录波数据并进行预处理；需要说明的是：
配电网故障录波数据包括三相电流、中性点电流、三相电压。
预处理过程包括：
对所采集的数据进行数据清洗、数据变换以及数集合成；
对已知故障信息进行标记。
S2：基于典型网络和半监督学习构建鲁棒半监督原型网络分类器，根据分类器以及预处理后的数据对配电网故障进行识别及分类；需要说明的是：
如图2所示，构建鲁棒半监督原型网络分类器包括：
构建鲁棒半监督原型网络模型；
生成训练集，对鲁棒半监督原型网络模型进行训练；
当出现未标记的新类别故障时，鲁棒半监督原型网络模型根据故障信息进行在线微调，并基于新类别故障生成新的分类器。
其中，利用训练集对鲁棒半监督原型网络模型进行训练包括：
采用未标记的数据和已知类别的标记数据来训练鲁棒半监督原型网络模型并获得学习的模型函数θT、T以及决策半径函数g，其训练框架为:
进一步包括：
生成包含支持集S、查询集Q、未标记集U的小训练集Episode，并初始化嵌入函数h(x；θ)，使用支持集S计算每个类别的原型pc：
使用决策半径函数来计算决策半径rc，将落于决策半径内的无标签数据用于模型的更新，其计算公式为:
寻找落于决策半径内的无标签数据构成有效的无标签数据集Uc，并更新类的原型下公式：
wherezi，c＝1[yi＝c]，
利用全新的混合损失函数Lmixed来训练整个模型，Lmixed由监督损失Ls,伪监督损失Lp和无监督损失Lu构成。
具体的，监督损失Ls由查询集Q上的交叉熵损失得到，其公式包括：
伪监督损失Lp由有效的无标签数据集Uc上的交叉熵损失得到，其公式包括：
无监督损失由无标签数据集上的一致性正则损失计算得到，其公式包括：
S3：根据识别分类结果确定故障发生的根本原因，完成配电网故障分析。
本发明，本文提出了一种新的鲁棒半监督原型网络(RSSPN)，即基于原型网络和半监督学习的配电系统中少镜头故障原因分类；该方法可以有利于具有挑战性的场景，包括一个小的标记数据集和一个大的未标记数据集(DFRs记录的错误波形，但没有标记为根本故障原因)，RSSPN的核心思想是从廉价的未标记数据中挖掘信息，并使用过去从旧任务中学习到的知识来指导新任务的学习，本方法不仅可以获得具有高精度和强泛化能力的分类器，还可以在线更新，并扩展到只有一个样本的新故障类，提高了分类精度以及电网的安全性和可靠性。
实施例2
本实施例为本发明另一个实施例，该实施例不同于第一个实施例的是，提供了一种鲁棒半监督网络的配电网故障分析方法，为对本方法中采用的技术效果加以验证说明，本实施例采用传统技术方案与本发明方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
传统的技术方案：分类精度低。为验证本方法相对传统方法具有较高分类精度。本实施例中将采用传统分类方法和本方法分别进行测试。
测试环境：在仿真平台模拟电网运行并模拟电网故障的发生，采用不同故障为测试样本，如表1所示，分别利用传统方法和本方法，开启自动化测试设备并运MATLB软件编程实现两种方法的仿真测试，根据实验结果得到仿真数据。结果如表2所示。
表1：各故障原因数据的数量表。
| NO. | 产品类型 | 产品数量 |
| 0 | 避雷器故障 | 24 |
| 1 | 变压器柔性电缆被烧毁 | 18 |
| 2 | 树 | 22 |
| 3 | 变压器弯头损坏 | 61 |
表2：实验结果对比表。
| Model | 4Class Acc(％) | 11Class Acc(％) |
| SVM | 28.56+-1.20 | 18.14+-0.48 |
| KNN | 21.24+-0.50 | 13.06+-0.52 |
| DecisionTree | 27.26+-1.37 | 14.91+-0.53 |
| MLP | 29.67+-1.69 | 17.93+-0.60 |
| CNN | 33.56+-1.64 | 22.92+-0.57 |
| Prototypical Network | 77.84+-1.58 | 43.83+-2.18 |
| Masked Soft k-Means | 83.35+-1.39 | 50.63+-1.65 |
| RSSPN(Ours) | 98.73+-0.14 | 93.95+-0.73 |
从实验结果可以看出本发明相较于传统技术方案有较好的分类效果。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种鲁棒半监督网络的配电网故障分析方法，其特征在于，包括：
采集配电网故障录波数据并进行预处理；
基于典型网络和半监督学习构建鲁棒半监督原型网络分类器，根据所述分类器以及预处理后的数据对配电网故障进行识别及分类；
根据识别分类结果确定故障发生的根本原因，完成配电网故障分析。
2.如权利要求1所述的鲁棒半监督网络的配电网故障分析方法，其特征在于：所述配电网故障录波数据包括三相电流、中性点电流、三相电压。
3.如权利要求1或2所述的鲁棒半监督网络的配电网故障分析方法，其特征在于：所述预处理过程包括，
对所采集的数据进行数据清洗、数据变换以及数集合成；
对已知故障信息进行标记。
4.如权利要求1所述的鲁棒半监督网络的配电网故障分析方法，其特征在于：构建所述鲁棒半监督原型网络分类器包括，
构建鲁棒半监督原型网络模型；
生成训练集，对鲁棒半监督原型网络模型进行训练；
当出现未标记的新类别故障时，所述鲁棒半监督原型网络模型根据故障信息进行在线微调，并基于所述新类别故障生成新的分类器。
5.如权利要求1或4所述的鲁棒半监督网络的配电网故障分析方法，其特征在于：利用所述训练集对鲁棒半监督原型网络模型进行训练包括，
采用未标记的数据和已知类别的标记数据来训练所述鲁棒半监督原型网络模型并获得学习的模型函数θT、T以及决策半径函数g。
6.如权利要求5所述的鲁棒半监督网络的配电网故障分析方法，其特征在于：进一步包括，
生成包含支持集S、查询集Q、未标记集U的小训练集Episode，并初始化嵌入函数h(x；θ)，所述使用支持集S计算每个类别的原型pc：
使用决策半径函数来计算决策半径rc，将落于决策半径内的无标签数据用于模型的更新，其计算公式为:
寻找落于决策半径内的无标签数据构成有效的无标签数据集Uc，并更新类的原型下公式：
wherezi，c＝1[yi＝c]，
利用全新的混合损失函数Lmixed来训练整个模型，Lmixed由监督损失Ls,伪监督损失Lp和无监督损失Lu构成。
7.如权利要求6所述的鲁棒半监督网络的配电网故障分析方法，其特征在于：所述监督损失Ls由查询集Q上的交叉熵损失得到，其公式包括，
8.如权利要求6所述的鲁棒半监督网络的配电网故障分析方法，其特征在于：所述伪监督损失Lp由有效的无标签数据集Uc上的交叉熵损失得到，其公式包括，
9.如权利要求6所述的鲁棒半监督网络的配电网故障分析方法，其特征在于：所述无监督损失由无标签数据集上的一致性正则损失计算得到，其公式包括，
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110811541.2A CN113516190A (zh) | 2021-07-19 | 2021-07-19 | 一种鲁棒半监督网络的配电网故障分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110811541.2A CN113516190A (zh) | 2021-07-19 | 2021-07-19 | 一种鲁棒半监督网络的配电网故障分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113516190A true CN113516190A (zh) | 2021-10-19 |
Family
ID=78068385
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110811541.2A Pending CN113516190A (zh) | 2021-07-19 | 2021-07-19 | 一种鲁棒半监督网络的配电网故障分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113516190A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114417931A (zh) * | 2022-01-21 | 2022-04-29 | 石家庄铁道大学 | 一种基于原型网络的轴承故障诊断方法 |
-
2021
- 2021-07-19 CN CN202110811541.2A patent/CN113516190A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114417931A (zh) * | 2022-01-21 | 2022-04-29 | 石家庄铁道大学 | 一种基于原型网络的轴承故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110132598B (zh) | 旋转设备滚动轴承故障噪声诊断算法 | |
| CN112327219B (zh) | 特征自动挖掘和参数自动寻优的配电变压器故障诊断方法 | |
| CN109684673B (zh) | 一种电力系统暂态稳定结果的特征提取和聚类分析方法 | |
| CN110084239B (zh) | 降低离线手写数学公式识别时网络训练过拟合的方法 | |
| US20230300159A1 (en) | Network traffic anomaly detection method and apparatus, and electronic apparatus and storage medium | |
| CN108363716B (zh) | 领域信息分类模型生成方法、分类方法、设备及存储介质 | |
| CN108957251A (zh) | 一种电缆接头局部放电模式识别方法 | |
| Liu et al. | Detecting outliers in species distribution data | |
| CN114913729B (zh) | 一种选题方法、装置、计算机设备和存储介质 | |
| CN111177402B (zh) | 基于分词处理的评价方法、装置、计算机设备及存储介质 | |
| CN111159377B (zh) | 属性召回模型训练方法、装置、电子设备以及存储介质 | |
| CN105786898B (zh) | 一种领域本体的构建方法和装置 | |
| CN112183590A (zh) | 一种基于OneclassSVM算法的变压器故障诊断方法 | |
| CN110019822B (zh) | 一种少样本关系分类方法及系统 | |
| CN114048327A (zh) | 一种基于知识图谱的主观题自动评分方法及系统 | |
| CN113946657A (zh) | 一种基于知识推理的电力业务意图自动识别方法 | |
| CN115269870A (zh) | 一种基于知识图谱实现数据中台数据链路故障分类预警的方法 | |
| CN115881238A (zh) | 模型训练方法、变压器故障诊断方法及相关装置 | |
| CN113516190A (zh) | 一种鲁棒半监督网络的配电网故障分析方法 | |
| CN109000924B (zh) | 一种基于k均值的滚珠丝杠副状态监测方法 | |
| CN115017828A (zh) | 基于双向长短时记忆网络的电力电缆故障识别方法及系统 | |
| CN111507534A (zh) | 基于学生学习数据的知识点掌握情况的预测分析算法 | |
| CN110321425B (zh) | 一种电网缺陷类型的判断方法及装置 | |
| CN111737993A (zh) | 一种配电网设备的故障缺陷文本提取设备健康状态方法 | |
| CN111863135A (zh) | 一种假阳性结构变异过滤方法、存储介质及计算设备 |
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 |