CN113780427A - 一种基于机器学习的中压配网巡视周期自动化方法及系统 - Google Patents
一种基于机器学习的中压配网巡视周期自动化方法及系统 Download PDFInfo
- Publication number
- CN113780427A CN113780427A CN202111073925.5A CN202111073925A CN113780427A CN 113780427 A CN113780427 A CN 113780427A CN 202111073925 A CN202111073925 A CN 202111073925A CN 113780427 A CN113780427 A CN 113780427A
- Authority
- CN
- China
- Prior art keywords
- data
- line
- patrol
- historical
- machine learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000009826 distribution Methods 0.000 title claims description 58
- 238000010801 machine learning Methods 0.000 title claims description 40
- 230000007547 defect Effects 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 28
- 238000007689 inspection Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 18
- 238000013473 artificial intelligence Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000012954 risk control Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 2
- 238000003066 decision tree Methods 0.000 claims description 2
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract 6
- 239000012212 insulator Substances 0.000 abstract 4
- 238000001514 detection method Methods 0.000 abstract 2
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 239000000126 substance Substances 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
- G06F18/21—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种电缆附件主绝缘体施工缺陷检测方法,包括实时获取电缆附件主绝缘体施工的视频,从视频中提取电缆附件主绝缘体施工图片;将施工图片输入预先训练的缺陷识别网络,识别电缆附件主绝缘体施工缺陷。同时公开了相应的系统。本发明从实时视频中提取施工图片,采用缺陷识别网络进行缺陷识别,相较于人工识别,效率高且不存在漏检情况。
Description
技术领域
本发明涉及一种基于机器学习的中压配网巡视周期自动化方法及系统,属于中压配电网线路巡视周期诊断技术领域。
背景技术
配网巡视是配电运维单位结合配电网设备、设施运行状况和气候、环境变化情况以及上级运维管理部门的要求,开展标准化的巡视工作。采用线路差异化运维策略模型,考虑频繁停电、多因素故障、缺陷和隐患等多源信息,科学定制线路巡视任务,合理制定巡视计划,将人工经验处理初步向数据驱动分析转变。
因此,中压配电网巡视周期自动化方法是一个重要的研究课题,研究成果可以帮助运行人员提前合理安排线路巡视计划,维护线路处于正常运行状态。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种基于机器学习的中压配网巡视周期自动化方法及系统,可用于预测任意规模的配电网线路巡视周期,该方法计算简单,原理明确,可帮助配网运行人员及时安排并调整线路运行状态,保证线路处于最佳供电状态。
为解决上述技术问题,本发明提供一种基于机器学习的中压配网巡视周期自动化方法,包括:
获取实际配电网线路及对应巡视班组基础信息;
基于获取的实际配电网线路及对应巡视班组基础信息,以班组为单位提取各线路对应区域重要程度、巡视数据、对应配变数据、消缺数据、停电数据、外力成因故障数据;
对提取的数据进行缺失值处理,得到补全后的提取数据;
从补全后的提取数据提取各线路线路等级、线路状态、线路风险管控级别、历史停电次数、历史外力因素故障次数、对应班组历史巡视承载力共6项特征值;
将所述6项特征值输入到预先训练好的基于机器学习的人工智能模型,输出各线路对应巡视周期。
进一步的,所述基于机器学习的人工智能模型的训练过程包括:
从营销系统内获取历史的配电网线路及对应巡视班组基础信息;
基于获取的配电网线路及对应巡视班组基础信息,以班组为单位取各线路对应区域重要程度、巡视数据、对应配变数据、消缺数据、停电数据、外力成因故障数据,并对数据进行缺失值处理,得到补全后的提取数据;
从补全后的提取数据提取各线路线路等级、线路状态、线路风险管控级别、历史停电次数、历史外力因素故障次数、对应班组历史巡视承载力共6项特征值作为机器学习数据特征,并加入获取的历史数据中各线路的巡视周期数据;
根据机器学习数据特征和历史数据中与机器学习数据特征对应的各线路的巡视周期数据确定数据集;
对数据集进行划分,确定训练集和测试集;
利用训练集和机器学习集成算法XGBoost训练人工智能模型,利用测试集对训练后的人工智能模型进行验证,不断训练和调优直到达到训练效果,得到训练好的基于机器学习的人工智能模型。
进一步的,所述从营销系统内获取历史的配电网线路及对应巡视班组基础信息,包括:
选取某地市,取该地市下所有配电网线路及其对应的巡视班组信息。
进一步的,所述缺失值处理,包括:
针对所获取的数据中缺失值,分别采用线性插值的方法,对数值进行补全处理。
进一步的,所述从补全后的提取数据提取各线路线路等级、线路状态、线路风险管控级别、历史停电次数、历史外力因素故障次数、对应班组历史巡视承载力共6项特征值作为机器学习数据特征,并加入获取的历史数据中各线路的巡视周期数据,包括:
依据线路下配变情况及线路所含区域重要程度进行划分,得到线路等级指标;
依据线路消缺数据进行划分,得到线路状态指标;
依据线路等级、线路状态进行划分,得到线路风险管控级别指标;
依据近三月内线路对应停电次数,得到线路历史停电指标;
依据线路对应近三年内因外力因素引起故障次数,得到外力因素故障指标;
依据线路对应班组在近一个月内所巡视的线路条次数,得到班组历史巡视承载力;
基于历史数据加入各线路历史巡视周期。
进一步的,所述对数据集进行划分,确定训练集和测试集,包括:
对数据集按7:3进行划分,70%作为训练集训练人工智能模型,30%作为验证集测试模型训练效果及模型调优。
进一步的,所述学习集成算法XGBoost为:
采用决策树作为基学习器,并对若干基学习器进行组合形成强学习器,其模型评价指标为R2值。
一种基于机器学习的中压配网巡视周期自动化系统,包括:
获取模块,用于获取实际配电网线路及对应巡视班组基础信息;
第一提取模块,用于基于获取的实际配电网线路及对应巡视班组基础信息,以班组为单位提取各线路对应区域重要程度、巡视数据、对应配变数据、消缺数据、停电数据、外力成因故障数据;
预处理模块,用于对提取的数据进行缺失值处理,得到补全后的提取数据;
第二提取模块,用于从补全后的提取数据提取各线路线路等级、线路状态、线路风险管控级别、历史停电次数、历史外力因素故障次数、对应班组历史巡视承载力共6项特征值;
模型处理模块,用于将所述6项特征值输入到预先训练好的基于机器学习的人工智能模型,输出各线路对应巡视周期。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行所述的方法中的任一方法。
一种计算设备,包括,
一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。
本发明所达到的有益效果:
(1)本发明以数据驱动方式学习了历史海量线路巡视周期数据特征,提取了影响线路巡视周期的6项特征值,避免了人为无头绪安排巡视。
(2)本发明能够根据线路巡视中各影响因素赋予合理影响权重,科学合理地为运行人员安排巡视线路。
(3)本发明计算简单,原理明确,可帮助配网运行人员及时安排线路巡视并最大程度保证线路运行状态正常,具有良好的应用前景。
附图说明
图1是本发明的基于机器学习的中压配网巡视周期自动化方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
下面结合附图对本发明的应用原理作详细的描述。
实施例1
如图1所示,本发明实施例中提供了一种基于机器学习的中压配网巡视周期自动化方法,包括以下步骤:
步骤(A)从营销系统内取线路、对应巡视班组基础信息;
在本发明实施例的一种具体实施方式中,所述步骤(A)具体实现过程为:
选取某地市,取该地市下所有线路及其对应的巡视班组信息,并以班组为单位,生成线路集合L={L1,L2,…,Lm},其中m为各班组需安排巡视周期的线路数量。
步骤(B)基于获取的线路及对应班组信息,以班组为单位取各线路对应区域重要程度、巡视数据、对应配变数据、消缺数据、停电数据、外力成因故障数据,并对数据进行数据预处理,主要包括缺失值处理,包括以下步骤:
在本发明实施例的一种具体实施方式中,所述步骤(B)具体包括以下子步骤:
步骤1:提取数据后查看导出的线路对应数据是否存在缺失值,若存在则进入步骤2,若不存在则进入下一个步骤;
步骤2:若数据存在缺失情况,则采用线性插值方法对原始采集的线路数据作补全处理,获得数据补全后的线路数据,。
所述采用线性插值方法对原始采集的数据作补全处理,其基本思想是使插值函数能近似代替原始函数,其插值函数为一次多项式类,要求在各插值节点上插值的误差为0。设已知原始数据f(xi),其中xi(i=0,1,2,3,…,n),n为采样的原始数据的长度,现线性插值构造了一函数使得误差的绝对值|R(x)|在整个原始数据区间上比较小,即:
步骤(C)提取各线路线路等级、线路状态、线路风险管控级别、历史停电次数、历史外力因素故障次数、对应班组历史巡视承载力共6项特征值作为机器学习数据特征,并加入历史数据中各线路的巡视周期数据,包括以下步骤;
在本发明实施例的一种具体实施方式中,所述步骤(C)具体包括以下步骤:
线路等级指标:
主要依据线路下配变情况及所覆盖区域重要程度情况;
先获取线路下对应配电变压器及所属行业;
若配电对应行业为“国家行政机构”、“其他国家机构”、“各类医院”、“城市公共交通运输”、“基层医疗卫生服务”、“国家权力机构”、“人民法院和人民检察院”、“专业公共卫生服务”、“社会保障”、“铁路旅客运输”、“中国共产党机关”、“有线广播电视传输服务”、“电视”、“广播电视集成播控”、“'新闻业”、“地震服务”、“人民政协”其中之一,则认为该线路等级为1级;
若线路对应区域重要程度为A+级,则认为该线路等级为1级;若线路对应区域重要程度为A或B级,则认为该线路等级为2级;若线路对应区域重要程度为B或C级,则认为该线路等级为3级;其余线路其等级则为4级;
线路状态指标:
主要依据线路消缺数据进行划分,线路历史消缺次数<2则线路状态等级为4级,线路历史消缺次数在[2,5]范围内则线路状态等级为3级,线路历史消缺次数>5或当日存在严重消缺情况,则线路状态等级为1级;
线路风险管控级别指标:
主要依据线路等级、线路状态进行划分;当线路状态为1级时,风险管控级别为紧急;当线路状态为2级且线路等级在[1,2]范围内、或者线路状态及等级均为3级时,风险管控级别为1级;当线路状态为2级且线路等级为3级、或者线路状态为3级且线路等级为2级、或者线路状态为4级且线路等级为1级时,风险管控级别为2级;当线路状态为2级且线路等级为4级、或者线路状态为3级且线路等级为3级、或者线路状态为4级且线路等级为2级时,风险管控级别为3级;其余情况则线路风险管控级别为4级;
四是线路历史停电指标:
即为近三月内各线路对应停电次数;
五为外力因素故障指标:
即为线路对应近三年内因外力因素引起故障次数;
六为班组历史巡视承载力:
即为线路对应班组在近一个月内所巡视的线路条次数;
最终加入历史数据中各线路巡视周期数据,形成样本集
步骤(D)对数据集按7:3进行划分,70%作为训练集训练人工智能模型,30%作为验证集测试模型训练效果及模型调优;
步骤(E)采用机器学习中集成算法XGBoost进行模型训练,并对训练好的模型进行模型评价;
在本发明实施例的一种具体实施方式中,所述步骤(E)具体包括以下步骤:
指标评价指标为R2,其计算方法为:
步骤(F)利用训练好的模型对实际配电网线路巡视周期进行批量预测;
在本发明实施例的一种具体实施方式中,所述步骤(F)具体包括以下步骤:
模型预测准确率满足要求后,利用训练好的模型对实际中压配电网中线路巡视周期进行批量预测,即对各线路数据进行批量处理并提取所需特征值,送入模型进行计算,最终输出各线路及其对应巡视周期。
相应的本发明还提供一种基于机器学习的中压配网巡视周期自动化系统,包括:
获取模块,用于获取实际配电网线路及对应巡视班组基础信息;
第一提取模块,用于基于获取的实际配电网线路及对应巡视班组基础信息,以班组为单位提取各线路对应区域重要程度、巡视数据、对应配变数据、消缺数据、停电数据、外力成因故障数据;
预处理模块,用于对提取的数据进行缺失值处理,得到补全后的提取数据;
第二提取模块,用于从补全后的提取数据提取各线路线路等级、线路状态、线路风险管控级别、历史停电次数、历史外力因素故障次数、对应班组历史巡视承载力共6项特征值;
模型处理模块,用于将所述6项特征值输入到预先训练好的基于机器学习的人工智能模型,输出各线路对应巡视周期。
相应的本发明还提供一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行所述的方法中的任一方法。
相应的本发明还提供一种计算设备,包括,
一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于机器学习的中压配网巡视周期自动化方法,其特征在于,包括:
获取实际配电网线路及对应巡视班组基础信息;
基于获取的实际配电网线路及对应巡视班组基础信息,以班组为单位提取各线路对应区域重要程度、巡视数据、对应配变数据、消缺数据、停电数据、外力成因故障数据;
对提取的数据进行缺失值处理,得到补全后的提取数据;
从补全后的提取数据提取各线路线路等级、线路状态、线路风险管控级别、历史停电次数、历史外力因素故障次数、对应班组历史巡视承载力共6项特征值;
将所述6项特征值输入到预先训练好的基于机器学习的人工智能模型,输出各线路对应巡视周期。
2.根据权利要求1所述的基于机器学习的中压配网巡视周期自动化方法,其特征在于,所述基于机器学习的人工智能模型的训练过程包括:
从营销系统内获取历史的配电网线路及对应巡视班组基础信息;
基于获取的配电网线路及对应巡视班组基础信息,以班组为单位取各线路对应区域重要程度、巡视数据、对应配变数据、消缺数据、停电数据、外力成因故障数据,并对数据进行缺失值处理,得到补全后的提取数据;
从补全后的提取数据提取各线路线路等级、线路状态、线路风险管控级别、历史停电次数、历史外力因素故障次数、对应班组历史巡视承载力共6项特征值作为机器学习数据特征,并加入获取的历史数据中各线路的巡视周期数据;
根据机器学习数据特征和历史数据中与机器学习数据特征对应的各线路的巡视周期数据确定数据集;
对数据集进行划分,确定训练集和测试集;
利用训练集和机器学习集成算法XGBoost训练人工智能模型,利用测试集对训练后的人工智能模型进行验证,不断训练和调优直到达到训练效果,得到训练好的基于机器学习的人工智能模型。
3.根据权利要求2所述的基于机器学习的中压配网巡视周期自动化方法,其特征在于,所述从营销系统内获取历史的配电网线路及对应巡视班组基础信息,包括:
选取某地市,取该地市下所有配电网线路及其对应的巡视班组信息。
4.根据权利要求2所述的基于机器学习的中压配网巡视周期自动化方法,其特征在于,所述缺失值处理,包括:
针对所获取的数据中缺失值,分别采用线性插值的方法,对数值进行补全处理。
5.根据权利要求1所述的基于机器学习的中压配网巡视周期自动化方法,其特征在于,所述从补全后的提取数据提取各线路线路等级、线路状态、线路风险管控级别、历史停电次数、历史外力因素故障次数、对应班组历史巡视承载力共6项特征值作为机器学习数据特征,并加入获取的历史数据中各线路的巡视周期数据,包括:
依据线路下配变情况及线路所含区域重要程度进行划分,得到线路等级指标;
依据线路消缺数据进行划分,得到线路状态指标;
依据线路等级、线路状态进行划分,得到线路风险管控级别指标;
依据近三月内线路对应停电次数,得到线路历史停电指标;
依据线路对应近三年内因外力因素引起故障次数,得到外力因素故障指标;
依据线路对应班组在近一个月内所巡视的线路条次数,得到班组历史巡视承载力;
基于历史数据加入各线路历史巡视周期。
6.根据权利要求2所述的基于机器学习的中压配网巡视周期自动化方法,其特征在于,所述对数据集进行划分,确定训练集和测试集,包括:
对数据集按7:3进行划分,70%作为训练集训练人工智能模型,30%作为验证集测试模型训练效果及模型调优。
7.根据权利要求2所述的基于机器学习的中压配网巡视周期自动化方法,其特征在于,所述学习集成算法XGBoost为:
采用决策树作为基学习器,并对若干基学习器进行组合形成强学习器,其模型评价指标为R2值。
8.一种基于机器学习的中压配网巡视周期自动化系统,其特征在于,包括:
获取模块,用于获取实际配电网线路及对应巡视班组基础信息;
第一提取模块,用于基于获取的实际配电网线路及对应巡视班组基础信息,以班组为单位提取各线路对应区域重要程度、巡视数据、对应配变数据、消缺数据、停电数据、外力成因故障数据;
预处理模块,用于对提取的数据进行缺失值处理,得到补全后的提取数据;
第二提取模块,用于从补全后的提取数据提取各线路线路等级、线路状态、线路风险管控级别、历史停电次数、历史外力因素故障次数、对应班组历史巡视承载力共6项特征值;
模型处理模块,用于将所述6项特征值输入到预先训练好的基于机器学习的人工智能模型,输出各线路对应巡视周期。
9.一种存储一个或多个程序的计算机可读存储介质,其特征在于,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1至7所述的方法中的任一方法。
10.一种计算设备,其特征在于,包括,
一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1至7所述的方法中的任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111073925.5A CN113780427A (zh) | 2021-09-14 | 2021-09-14 | 一种基于机器学习的中压配网巡视周期自动化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111073925.5A CN113780427A (zh) | 2021-09-14 | 2021-09-14 | 一种基于机器学习的中压配网巡视周期自动化方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113780427A true CN113780427A (zh) | 2021-12-10 |
Family
ID=78843569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111073925.5A Pending CN113780427A (zh) | 2021-09-14 | 2021-09-14 | 一种基于机器学习的中压配网巡视周期自动化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780427A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117192312A (zh) * | 2023-11-07 | 2023-12-08 | 云南电网有限责任公司 | 基于机器学习的二次交流电缆绝缘异常监测方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107730088A (zh) * | 2017-09-20 | 2018-02-23 | 国网山东省电力公司济宁供电公司 | 一种基于配网大数据的配电设备巡检方案生成方法及装置 |
-
2021
- 2021-09-14 CN CN202111073925.5A patent/CN113780427A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107730088A (zh) * | 2017-09-20 | 2018-02-23 | 国网山东省电力公司济宁供电公司 | 一种基于配网大数据的配电设备巡检方案生成方法及装置 |
Non-Patent Citations (7)
Title |
---|
刘燕德;: "基于注意力LSTM网络的电力线路故障智能检测", 中国有线电视, no. 06 * |
叶杨;方慧霆;赵永良;许寒婷;马宝娟;汤国龙;: "5G切片在智能电网中的应用", 电力信息与通信技术, no. 08 * |
张宇泽等: "基于自组织特征映射的变电站巡视周期分类研究", 《科技创新与应用》, no. 14, pages 64 - 68 * |
李伟;王丽霞;李广野;车轶锋;: "基于极限梯度提升树的输电线路缺陷风险预报", 控制工程, no. 07 * |
李宁;郑仟;谢贵文;陈炜;: "基于无人机图像识别技术的输电线路缺陷检测", 电子设计工程, no. 10 * |
杨英仪;: "深度学习赋能电网智能巡检新装备", 人工智能, no. 03 * |
麦俊佳;曾懿辉;胡壮丽;冼世平;: "基于深度学习的输电线路航拍照片目标检测应用", 广东电力, no. 09 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117192312A (zh) * | 2023-11-07 | 2023-12-08 | 云南电网有限责任公司 | 基于机器学习的二次交流电缆绝缘异常监测方法及系统 |
CN117192312B (zh) * | 2023-11-07 | 2024-04-19 | 云南电网有限责任公司 | 基于机器学习的二次交流电缆绝缘异常监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105894177B (zh) | 一种基于决策树算法的电力设备运行风险分析评估方法 | |
CN112179691B (zh) | 基于对抗学习策略的机械装备运行状态异常检测系统和方法 | |
CN110009208B (zh) | 一种基于混合智能算法的柱上开关成套设备健康状态评估方法及装置 | |
CN107798395A (zh) | 一种电网事故信号自动诊断方法及系统 | |
CN206312210U (zh) | 一种配电网设备的状态评估系统 | |
CN110728457A (zh) | 一种考虑配电网多层级薄弱环节的运行风险态势感知方法 | |
CN109782124B (zh) | 一种基于梯度下降算法的主配用一体化故障定位方法及系统 | |
CN107436277A (zh) | 基于相似距离判别的单指标数据质量控制方法 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
CN111400505A (zh) | 一种用电信息采集系统匹配故障消缺方案的方法及系统 | |
CN112150304A (zh) | 电网运行状态轨迹稳定性预判方法、系统及存储介质 | |
CN113780427A (zh) | 一种基于机器学习的中压配网巡视周期自动化方法及系统 | |
CN103942251A (zh) | 基于多种质控方法的高空气象资料入库方法和入库系统 | |
CN117614137A (zh) | 基于多源数据融合的配电网优化系统 | |
CN116862867A (zh) | 基于改进AnoGAN的小样本变电站设备视觉缺陷检测方法及系统 | |
Liu et al. | Dynamic security assessment of western Danish power system based on ensemble decision trees | |
CN114266370A (zh) | 一种台风气象环境电网设备故障处置预案在线生成方法、系统及存储介质 | |
CN113361730B (zh) | 一种检修计划的风险预警方法、装置、设备和介质 | |
Jain et al. | Training machine learning models to characterize temporal evolution of disadvantaged communities | |
Dai et al. | Transmission line condition assessment technology based on multi-source Parameter Fusion | |
CN117172558B (zh) | 一种电力电网故障风险等级评定方法 | |
Zhou et al. | Research on Data Classification and Risk Level Perception of Weak Distribution Network | |
CN116502156B (zh) | 一种换流站光ct异常状态智能辨识方法及系统 | |
CN117113267B (zh) | 基于大数据的预测模型训练方法、光伏发电性能检测方法 | |
CN116823230B (zh) | 一种基于调度数据网的配电网故障状态提取方法 |
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 |