CN113809747A - 一种配电网拓扑识别方法、电子设备及介质 - Google Patents
一种配电网拓扑识别方法、电子设备及介质 Download PDFInfo
- Publication number
- CN113809747A CN113809747A CN202111371966.2A CN202111371966A CN113809747A CN 113809747 A CN113809747 A CN 113809747A CN 202111371966 A CN202111371966 A CN 202111371966A CN 113809747 A CN113809747 A CN 113809747A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- voltage amplitude
- power distribution
- matrix
- node
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/045—Combinations of 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种配电网拓扑识别方法、电子设备及介质。首先基于历史的配电网电压幅值数据集形成配电网相邻节点对的电压幅值马尔可夫毯格式的电压幅值测量矩阵,构造能够压缩配电网节点电压幅值并用于配电网拓扑识别的马尔可夫毯图向量压缩神经网络的结构,然后进行迭代训练,得到最优的马尔可夫毯图向量压缩神经网络模型;最后根据实时的电压幅值测量对配电网进行拓扑识别,得到配电网实时的线路拓扑通断信息。本发明改进了传统的神经网络模型,能够适用大规模的配电网拓扑识别问题,同时提高计算效率,增强识别的准确度,能够与配电网稳定控制等算法相兼容。
Description
技术领域
本发明属于配电网拓扑识别领域,特别涉及一种基于马尔可夫毯图向量压缩神经网络的配电网拓扑识别方法、电子设备及介质。
背景技术
近年来,随着可再生能源,电动汽车,储能器等的集成化程度不断提高,配电网正在迅速发展,在这种情况下,双向潮流可能会流向电网,以反馈剩余的能量。这些变化需要加强对电网运行和控制的管理,其中的先决条件包括对电网拓扑的及时可靠的估计。在实践中,配电网的配置可能经常变化,有时甚至每小时变化几次。
对于配电网的拓扑识别算法,可分为不基于图理论的方法和基于图理论的方法。不基于图理论的方法主要是线性回归法,此方法忽略电压之间的非线性关联性,导致识别精度较低;基于图理论的方法主要有马尔可夫随机场方法,相互信息法和逆相关系数矩阵法。马尔可夫随机场方法需要训练大量的模型参数,不适用大规模电力系统;相互信息法需要遍历每一对节点,计算量极大,效率低;逆相关系数法矩阵法需要完备的网络阻抗信息和节点状态量信息,无法解决部分节点状态量缺失的问题。为了实现实时快速有效高效鲁棒的配电网拓扑识别,有必要利用人工智能强大的学习能力和实时应用能力,构建有效的拓扑数据压缩模型,进而得到实时的拓扑识别方法。
发明内容
为了克服目前配电网拓扑识别存在识别精度低、模型训练慢、效率低、参数要求高的技术问题,本发明提供一种效率高、兼容性好且识别精度高的基于马尔可夫毯图向量压缩神经网络的配电网拓扑识别方法、电子设备及介质。
为了实现上述目的,本发明的技术方案是:
一种配电网拓扑识别方法,包括以下步骤:
步骤1)根据配电网电压幅值的历史数据集中配电网的节点数目和电压幅值样本数建立第一矩阵,然后以相邻节点对的电压幅值并集作为相邻节点对的电压马尔可夫毯来建立第二矩阵,并基于第一矩阵和第二矩阵来建立配电网相邻节点对的电压幅值马尔可夫毯格式的电压幅值测量矩阵;其中节点的电压马尔可夫毯是指与节点相邻的节点的电压幅值的集合,则相邻节点对的电压幅值马尔可夫毯为配电网相邻节点对和的电压幅值马尔可夫毯的并集;
步骤2)基于配电网总的节点数和配电网电压幅值节点来建立作为马尔可夫毯图向量模型的矩阵,然后将矩阵分别与第二矩阵或相邻节点对中的节点对应于配电网中的位置来联合形成马尔可夫毯图向量压缩模型,再将马尔可夫毯图向量压缩模型作为神经网络中的图卷积层来形成马尔可夫毯图向量压缩神经网络;
步骤3)基于步骤1)的电压幅值测量矩阵对步骤2)的神经网络进行迭代训练,得到最优的马尔可夫毯图向量压缩神经网络模型;
步骤4)基于步骤3)的神经网络模型,根据实时的配电网节点电压幅值马尔可夫毯格式的电压幅值测量矩阵对配电网进行拓扑识别,得到配电网实时的线路拓扑通断信息。
所述的方法,所述的步骤1)中,第一矩阵通过以下方式建立:
将历史电压幅值储存为一个 行列的矩阵来作为第一矩阵;其中,表示配电网的节点数目,表示总的电压幅值样本数;配电网的节点编号为,配电网线路的编号为;其中,,分别表示第,个配电网节点的编号,表示配电网相邻节点对和之间的线路,,分别表示配电网节点本身。
所述的方法,所述的步骤1)中,第二矩阵通过以下方式建立:
所述的方法,所述的步骤1)中,配电网相邻节点对的电压幅值马尔可夫毯格式的电压幅值测量矩阵通过以下方式建立:
其中T表示矩阵转置符号。
所述的方法,所述的步骤2)中,马尔可夫毯图向量模型的矩阵通过以下方式建立:
构造马尔可夫毯图向量模型,其中,R表示实数空间;是大小为的二维矩阵,其中每一行向量代表一个配电网电压幅值节点,是大小为的二维矩阵,每一行向量代表一个配电网线路;表示配电网总的节点数,L表示配电网的线路总数,d表示行向量的维度。
所述的方法,所述的步骤2)中,马尔可夫毯图向量压缩模型通过以下方式建立:
其中,表示中第行第列对应的元素;表示配电网节点对的电压幅值马尔可夫毯中的电压幅值所对应的配电网节点;其中节点的电压马尔可夫毯是指与节点相邻的节点的电压幅值的集合,则相邻节点对的电压幅值马尔可夫毯为配电网相邻节点对和的电压幅值马尔可夫毯的并集;
所述的方法,所述的步骤2)中,马尔可夫毯图向量压缩神经网络通过以下方式构造:
所述的方法,所述的步骤3)包括以下过程:
用交叉熵建立损失函数:
式中,表示每次迭代的电压幅值的样本数目;表示第个样本电压幅值样本第个配电网线路即相邻节点对通过图向量压缩神经网络预测到的通断状态,大于0.5表示该线路预测正常运行,小于0.5表示该预测线路断开;表示第个样本电压幅值样本第个配电网线路即相邻节点对实际的通断状态,表示该配电网线路实际正常运行,表示该配电网实际线路断开。
一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现前述的方法。
一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现前述的方法。
本发明的技术效果在于,利用马尔可夫毯图向量压缩技术,通过提出压缩配电网电压幅值的马尔可夫毯图向量压缩模型和用于拓扑识别的图向量压缩神经网络模型,增强了该模型对大规模配电网的识别效率。本发明改进了传统的神经网络模型,能够适用大规模的配电网拓扑识别问题,同时提高计算效率,增强识别的准确度,能够与配电网稳定控制等算法相兼容。
附图说明
图1是本发明流程示意图。
图2是本发明具体实施例中IEEE 33节点配电网的节点图。
图3是本发明具体实施例中IEEE 33节点配电网系统中第33个线路的电压幅值马尔科夫毯。其中(a)是对应的电压幅值马尔可夫毯中的电压幅值所对应的配电网节点,(b)是对应的A l 矩阵和I l 向量。
具体实施方式
下面结合附图和具体实施方式对本发明的内容做进一步详细说明。
本实施例所提供的基于马尔可夫毯图向量压缩神经网络的配电网拓扑识别方法具体包括如下步骤:
S1、基于历史的配电网电压幅值数据集,形成配电网相邻节点对的电压幅值马尔可夫毯格式的电压幅值测量矩阵,具体如下:
本实施例中,配电网节点的电压幅值马尔可夫毯的定义是:节点的电压马尔可夫毯指的是该节点的相邻节点的电压幅值的集合。
然后基于这个定义提出配电网相邻节点对的电压幅值马尔可夫毯的概念,指的是一对配电网相邻节点对和的电压幅值马尔可夫毯的并集。
基于历史的配电网电压幅值数据集,是根据节点注入有功功率在一段时间的历史变化范围,用正态分布函数拟合其分布规律并得到其模型参数。根据建立的节点注入有功功率的概率分布模型,利用蒙特卡洛的方法随机生成负荷和拓扑,用matpower的潮流算法得到对应的配电网的节点电压幅值状态量。其中,随机生成的拓扑要满足辐射性网络结构的要求,利用深度优先搜索算法去除不符合要求的拓扑。
节点电压幅值和对应的拓扑形成了所提方法的历史数据,这些数据中百分之八十形成训练数据,百分之二十形成测试数据。
那么配电网相邻节点对的电压幅值马尔可夫毯格式的电压幅值测量矩阵的实现如下:
将历史电压幅值储存为一个行列的矩阵来作为第一矩阵;其中,表示配电网的节点数目,表示总的电压幅值样本数;配电网的节点编号为,配电网线路的编号为。其中,,分别表示第,个配电网节点的编号,表示配电网相邻节点对和之间的线路,,分别表示配电网节点本身。以下重复出现的符号皆一致,不再另外说明。
S2、构造能够压缩配电网节点电压幅值并用于配电网拓扑识别的马尔可夫毯图向量压缩神经网络的结构,该结构包括对配电网节点电压幅值进行压缩的马尔可夫毯图向量模型,将马尔可夫毯图向量模型嵌入神经网络,从而得到用于配电网拓扑识别的马尔可夫毯图向量压缩神经网络的结构,具体如下:
对马尔可夫毯图向量压缩模型涉及到的概念进行定义,马尔可夫毯图向量模型,其中,R表示实数空间;是大小为的二维矩阵,其中每一行向量代表一个配电网电压幅值节点,是大小为的二维矩阵,每一行向量代表一个配电网线路。表示配电网总的节点数,L表示配电网的线路总数,d表示行向量的维度。
马尔可夫毯图向量压缩模型与可以通过引入矩阵和向量,然后利用矩阵乘法计算得到。的意义在于保留了中与配电网相邻节点对的电压幅值马尔可夫毯里面所有配电网节点对应的行向量,其他元素置零;的意义在于保留了中与节点对应行向量,其他元素置零。其中,矩阵的维度为,的定义如上所述;
马尔可夫毯图向量压缩模型的公式:
接着,构造马尔可夫毯图向量压缩神经网络的结构:
将上述得到的马尔可夫毯图向量压缩模型作为神经网络中的图卷积层,构造马尔可夫毯图向量压缩神经网络的结构,具体如下:
其中,是电压幅值马尔可夫毯格式的电压幅值测量矩阵;和分别表示维度为和的偏置向量;是ReLU函数()。但实施中不仅限于这个函数,比如Leaky ReLU函数也同样可实现本方案。是sigmoid函数();是这个模型的输出,小于0.5表示线路断开,大于0.5表示线路正常运行。
S3、基于配电网相邻节点对的电压幅值马尔可夫毯格式的电压幅值测量矩阵对马尔可夫毯图向量压缩神经网络进行迭代训练,得到最优的马尔可夫毯图向量压缩神经网络模型。用交叉熵建立损失函数:
式中,表示每次迭代的电压幅值的样本数目。表示第个样本电压幅值样本第个配电网线路即相邻节点对通过图向量压缩神经网络预测到的通断状态,大于0.5表示该线路预测正常运行,小于0.5表示该预测线路断开;表示第个样本电压幅值样本第个配电网线路即相邻节点对实际的通断状态,表示该配电网线路实际正常运行,表示该配电网实际线路断开。
S4、根据所述的损失函数,通过反向传播的方式,对马尔可夫毯图向量压缩模型的参数进行不断的更新迭代直至拓扑识别的准确率达到预设的要求,并保存训练好的马尔可夫毯图向量压缩学习模型。在此迭代过程中,每一个配电网相邻节点对的损失函数只更新了该相邻节点对的马尔可夫毯图向量压缩模型里面的参数。并且,马尔可夫毯图向量压缩模型对于不同的配电网相邻节点对的参数是共享的,不需要为每一个相邻节点对设定特定的神经网络参数,只需要利用马尔可夫毯图向量压缩模型即可达到参数共享的目的。
S5、实时应用时将S3训练好的模型,输入实时的电压幅值的测量矩阵V,即可得到配电网的拓扑。
下面结合具体配电网数据样本来说明本发明的实施方案:
本发明使用含有环状的IEEE33节点低压配电系统为例。图2为本发明具体实施例中IEEE33节点配电网的节点图。图2中联络线可以闭合形成环状的网络结构。
S1首先,构造根据建立的节点注入有功功率的概率分布模型,利用蒙特卡洛的方法随机生成负荷和拓扑,用matpower的潮流算法得到对应的配电网的节点电压幅值状态量。每一个拓扑的电压幅值测量数据由交流潮流计算得到并添加±0.1%的测量噪音。其中,随机生成的拓扑要满足辐射性网络结构的要求,利用深度优先搜索算法去除不符合实际运行要求的含有孤岛的拓扑。IEEE33节点低压配电系统共产生2万个样本数据,其中每一个样本包括节点电压幅值和对应的拓扑。这些这些数据中百分之八十形成训练数据,百分之二十形成测试数据。接着构造电压幅值马尔可夫毯格式的电压幅值测量矩阵。
S2然后构造用于配电网拓扑识别的马尔可夫毯图向量学习模型的结构:
S3根据说明书中所诉的损失函数,通过反向传播的方式,对马尔可夫毯图向量模型的参数进行不断的更新迭代直至拓扑的识别准确率达到一定的阈值,比如0.99,并保存最优的马尔可夫毯图向量压缩神经网络模型。
S4实时应用时将训练好的模型,输入实时的电压幅值的测量矩阵,即可得到配电网的拓扑。下表1是IEEE33节点配电网的拓扑识别准确率和F1值(准确率和F1值是由混淆矩阵计算得到的指标)。该拓扑识别方法的参数d为100。
表1拓扑识别准确率和F1值
测试系统 | 准确率 | F1值 |
IEEE 33节点系统 | 0.9939 | 0.9964 |
根据本发明的实施例,本发明还提供了一种电子设备和一种计算机可读介质。
其中电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现前述的方法。
具体使用中,用户能够通过作为终端设备的电子设备并基于网络来与同样作为电子设备的服务器进行交互,实现接收或发送消息等功能。终端设备一般是设有显示装置、基于人机界面来使用的各种电子设备,包括但不限于智能手机、平板电脑、笔记本电脑和台式电脑等。其中终端设备上根据需要可安装各种具体的应用软件,包括但不限于网页浏览器软件、即时通信软件、社交平台软件、购物软件等。
服务器是用于提供各种服务的网络服务端,如对收到的从终端设备传输过来的配电网电压幅值的历史数据提供相应计算服务的后台服务器。以实现对接收到的配电网电压幅值的历史数据来训练模型,并进行当前配电网拓扑识别,并将识别结果返回至终端设备。
本实施例所提供的配电网拓扑识别方法一般由服务器执行,在实际运用中,在满足必要条件下,终端设备亦可直接执行配电网拓扑识别。
类似的,本发明的计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明实施例的一种配电网拓扑识别方法。
上述实施例只是为了说明本发明的技术构思及特点,其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰,都应涵盖在本发明的保护范围内。
Claims (10)
1.一种配电网拓扑识别方法,其特征在于,包括以下步骤:
步骤1)根据配电网电压幅值的历史数据集中配电网的节点数目和电压幅值样本数建立第一矩阵,然后以相邻节点对的电压幅值并集作为相邻节点对的电压马尔可夫毯来建立第二矩阵,并基于第一矩阵和第二矩阵来建立配电网相邻节点对的电压幅值马尔可夫毯格式的电压幅值测量矩阵;其中节点的电压马尔可夫毯是指与节点相邻的节点的电压幅值的集合,则相邻节点对的电压幅值马尔可夫毯为配电网相邻节点对和的电压幅值马尔可夫毯的并集;
步骤2)基于配电网总的节点数和配电网电压幅值节点来建立作为马尔可夫毯图向量模型的矩阵,然后将矩阵分别与第二矩阵或相邻节点对中的节点对应于配电网中的位置来联合形成马尔可夫毯图向量压缩模型,再将马尔可夫毯图向量压缩模型作为神经网络中的图卷积层来形成马尔可夫毯图向量压缩神经网络;
步骤3)基于步骤1)的电压幅值测量矩阵对步骤2)的神经网络进行迭代训练,得到最优的马尔可夫毯图向量压缩神经网络模型;
步骤4)基于步骤3)的神经网络模型,根据实时的配电网节点电压幅值马尔可夫毯格式的电压幅值测量矩阵对配电网进行拓扑识别,得到配电网实时的线路拓扑通断信息。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111371966.2A CN113809747B (zh) | 2021-11-19 | 2021-11-19 | 一种配电网拓扑识别方法、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111371966.2A CN113809747B (zh) | 2021-11-19 | 2021-11-19 | 一种配电网拓扑识别方法、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113809747A true CN113809747A (zh) | 2021-12-17 |
CN113809747B CN113809747B (zh) | 2022-02-15 |
Family
ID=78938368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111371966.2A Active CN113809747B (zh) | 2021-11-19 | 2021-11-19 | 一种配电网拓扑识别方法、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113809747B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115828481A (zh) * | 2022-11-22 | 2023-03-21 | 国网山东省电力公司潍坊供电公司 | 一种基于近似马尔科夫毯的配电网拓扑识别方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120215450A1 (en) * | 2011-02-23 | 2012-08-23 | Board Of Regents, The University Of Texas System | Distinguishing between sensor and process faults in a sensor network with minimal false alarms using a bayesian network based methodology |
CN103843000A (zh) * | 2011-08-26 | 2014-06-04 | 菲利普莫里斯生产公司 | 用于表征拓扑网络扰动的系统和方法 |
CN104882884A (zh) * | 2015-02-27 | 2015-09-02 | 国网河南省电力公司电力科学研究院 | 基于马尔可夫链-蒙特卡罗法的系统谐波概率评估方法 |
CN107666155A (zh) * | 2017-09-28 | 2018-02-06 | 河海大学 | 基于Markov模型的多能互补系统随机稳定性分析方法 |
WO2018140428A1 (en) * | 2017-01-25 | 2018-08-02 | Gonzalez Brenes Jose | Systems and methods for automatic bayesian network generation with user historical data |
CN109740976A (zh) * | 2019-03-11 | 2019-05-10 | 长沙理工大学 | 一种基于马尔可夫过程的综合能源系统连锁故障溯源方法 |
CN109934284A (zh) * | 2019-03-11 | 2019-06-25 | 长沙理工大学 | 一种基于故障耦合传播过程的综合能源系统负荷安全域交互特性生成方法 |
CN110190600A (zh) * | 2019-06-21 | 2019-08-30 | 国网天津市电力公司 | 一种基于ami量测近邻回归的三相配电网拓扑辨识方法 |
CN110601187A (zh) * | 2019-09-18 | 2019-12-20 | 浙江大学 | 一种基于连续离散函数的多状态电力系统优化构建方法 |
CN111295592A (zh) * | 2017-11-03 | 2020-06-16 | 3M创新有限公司 | 用于电力网络中的异常检测的系统和方法 |
CN111313403A (zh) * | 2020-02-26 | 2020-06-19 | 上海电力大学 | 一种基于马尔可夫随机场的低压配电系统网络拓扑识别方法 |
US20200356900A1 (en) * | 2019-05-07 | 2020-11-12 | Cerebri AI Inc. | Predictive, machine-learning, locale-aware computer models suitable for location- and trajectory-aware training sets |
-
2021
- 2021-11-19 CN CN202111371966.2A patent/CN113809747B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120215450A1 (en) * | 2011-02-23 | 2012-08-23 | Board Of Regents, The University Of Texas System | Distinguishing between sensor and process faults in a sensor network with minimal false alarms using a bayesian network based methodology |
CN103843000A (zh) * | 2011-08-26 | 2014-06-04 | 菲利普莫里斯生产公司 | 用于表征拓扑网络扰动的系统和方法 |
CN104882884A (zh) * | 2015-02-27 | 2015-09-02 | 国网河南省电力公司电力科学研究院 | 基于马尔可夫链-蒙特卡罗法的系统谐波概率评估方法 |
WO2018140428A1 (en) * | 2017-01-25 | 2018-08-02 | Gonzalez Brenes Jose | Systems and methods for automatic bayesian network generation with user historical data |
CN107666155A (zh) * | 2017-09-28 | 2018-02-06 | 河海大学 | 基于Markov模型的多能互补系统随机稳定性分析方法 |
CN111295592A (zh) * | 2017-11-03 | 2020-06-16 | 3M创新有限公司 | 用于电力网络中的异常检测的系统和方法 |
CN109740976A (zh) * | 2019-03-11 | 2019-05-10 | 长沙理工大学 | 一种基于马尔可夫过程的综合能源系统连锁故障溯源方法 |
CN109934284A (zh) * | 2019-03-11 | 2019-06-25 | 长沙理工大学 | 一种基于故障耦合传播过程的综合能源系统负荷安全域交互特性生成方法 |
US20200356900A1 (en) * | 2019-05-07 | 2020-11-12 | Cerebri AI Inc. | Predictive, machine-learning, locale-aware computer models suitable for location- and trajectory-aware training sets |
CN110190600A (zh) * | 2019-06-21 | 2019-08-30 | 国网天津市电力公司 | 一种基于ami量测近邻回归的三相配电网拓扑辨识方法 |
CN110601187A (zh) * | 2019-09-18 | 2019-12-20 | 浙江大学 | 一种基于连续离散函数的多状态电力系统优化构建方法 |
CN111313403A (zh) * | 2020-02-26 | 2020-06-19 | 上海电力大学 | 一种基于马尔可夫随机场的低压配电系统网络拓扑识别方法 |
Non-Patent Citations (6)
Title |
---|
MISHFAD VEEDU: "Topology Learning of Linear Dynamical Systems with Latent Nodes using Matrix Decomposition", 《 IEEE TRANSACTIONS ON AUTOMATIC CONTROL》 * |
TROY, NY等: "Hybrid Markov Blanket Discovery", 《2016 23RD INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR)》 * |
XIANGLIN YANG: "Three-Fast-Inter Incremental Association Markov Blanket learning algorithm", 《PATTERN RECOGNITION LETTERS》 * |
傅顺开等: "基于拓扑信息加速马尔科夫毯学习", 《计算机科学》 * |
谭翔元等: "基于马尔科夫毯约束的最优贝叶斯网络结构学习算法", 《电子学报》 * |
陈国炎等: "数据驱动的配电开关设备交互式诊断平台", 《电工电能新技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115828481A (zh) * | 2022-11-22 | 2023-03-21 | 国网山东省电力公司潍坊供电公司 | 一种基于近似马尔科夫毯的配电网拓扑识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113809747B (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pan et al. | Recursive coupled projection algorithms for multivariable output‐error‐like systems with coloured noises | |
Roy et al. | Quasi-oppositional biogeography-based optimization for multi-objective optimal power flow | |
Yoon et al. | Winning the l2rpn challenge: Power grid management via semi-markov afterstate actor-critic | |
Wang et al. | Improved BP neural network algorithm to wind power forecast | |
Yeh et al. | Simplex simplified swarm optimisation for the efficient optimisation of parameter identification for solar cell models | |
Dai et al. | Exponential consensus of non‐linear multi‐agent systems with semi‐Markov switching topologies | |
Ray et al. | Hybrid methodology for fault distance estimation in series compensated transmission line | |
CN107423839A (zh) | 一种基于深度学习的智能楼宇微网负荷预测的方法 | |
Cui et al. | Finite‐time cluster synchronisation of Markovian switching complex networks with stochastic perturbations | |
Wang et al. | From weighted potential game to weighted harmonic game | |
CN110390461B (zh) | 基于复杂网络的非线性模糊语言配电网节点脆弱性评价方法 | |
Yeh et al. | Simplified swarm optimisation for the solar cell models parameter estimation problem | |
CN113809747B (zh) | 一种配电网拓扑识别方法、电子设备及介质 | |
Wu et al. | A transformer fault diagnosis method based on hybrid improved grey wolf optimization and least squares‐support vector machine | |
Yang et al. | Fuzzified Choquet integral with a fuzzy-valued integrand and its application on temperature prediction | |
Xie et al. | Reliability evaluation of bulk power systems using the uniform design technique | |
Yu et al. | Equivalent model considering frequency characteristics and renewable uncertainties for probabilistic power flow | |
Smith et al. | Physics-informed implicit representations of equilibrium network flows | |
CN116523001A (zh) | 电网薄弱线路识别模型构建方法、装置和计算机设备 | |
Tiwari et al. | Power Flow Analysis Using Deep Neural Networks in Three-Phase Unbalanced Smart Distribution Grids | |
Wu et al. | Stabilisation of stochastic delay Markovian reaction‐diffusion systems via boundary control | |
Wang et al. | MDGN: Circuit design of memristor‐based denoising autoencoder and gated recurrent unit network for lithium‐ion battery state of charge estimation | |
Zhang et al. | Optimisation of offshore wind farm collection systems‐based on modified genetic algorithm | |
Abd Elrahman | Fully optimised charge simulation method by using particle swarm optimisation | |
Xie et al. | PPFGED: Federated learning for graphic element detection with privacy preservation in multi-source substation drawings |
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 |