CN113919198A - 一种基于生成对抗网络的电气火灾监测预警方法 - Google Patents
一种基于生成对抗网络的电气火灾监测预警方法 Download PDFInfo
- Publication number
- CN113919198A CN113919198A CN202111175817.9A CN202111175817A CN113919198A CN 113919198 A CN113919198 A CN 113919198A CN 202111175817 A CN202111175817 A CN 202111175817A CN 113919198 A CN113919198 A CN 113919198A
- Authority
- CN
- China
- Prior art keywords
- data
- fire
- fault
- model
- sample
- 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
Images
Classifications
-
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06N3/044—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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/06—Electric actuation of the alarm, e.g. using a thermally-operated switch
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (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)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于生成对抗网络的电气火灾监测预警方法,包括:获取正常用电时和火灾故障时的样本数据;通过生成对抗网络WGAN对火灾故障样本数据进行数据增强;将进行数据增强后的故障数据与原始火灾故障样本数据作为分时LSTM预测模型的训练样本,得到训练后的火灾预测模型;通过训练后的火灾预测模型,得到电力电缆PE线剩余电流值预测值,将预测值与预设的电气火灾风险预警阈值比较,通过比较结果推算火灾发生概率。本发明解决了实际运行中因火灾故障数据较少导致数据不平衡,深度学习网络准确度不高的问题,提高了LSTM神经网络的预测精度,且极大减少了系统对火灾识别的误报率,为电气火灾监测研究提供了一个更客观、全面的依据。
Description
技术领域
本发明涉及火灾监测技术领域,更具体的说是涉及一种基于生成对抗网络的电气火灾监测预警方法。
背景技术
电气火灾一般是指由于电气线路、用电设备、器具以及供配电设备出现故障性释放的热能;如高温、电弧、电火花以及非故障性释放的能量;如电热器具的炽热表面,在具备燃烧条件下引燃本体或其他可燃物而造成的火灾,也包括由雷电和静电引起的火灾。
在现有技术中,电气设备在进行电气火灾防护时,主要采用人工定期对电气设备进行检测,以及设置各种电气使用规范进行限制防火,效率较低,需要大量人力,且当工作人员出现漏检或错检时,则存在较大的安全隐患,同时所有的检测到的数据都是静态的,无法进行电气设备后期发展情况的预测。
因此,如何提供一种智能化的基于生成对抗网络的电气火灾监测预警方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于生成对抗网络的电气火灾监测预警方法,以解决现有技术中电气火灾监测预警可靠性差的问题。
为了实现上述目的,本发明采用如下技术方案:
一种基于生成对抗网络的电气火灾监测预警方法,包括:
S1.获取正常用电时和火灾故障时的样本数据,并对所述样本数据进行处理获得目标数据集;
S2.通过生成对抗网络WGAN对火灾故障样本数据进行数据增强;
S3.将进行数据增强后的故障数据与原始火灾故障样本数据作为分时LSTM预测模型的训练样本,得到训练后的火灾预测模型;
S4.通过训练后的所述火灾预测模型,得到电力电缆PE线剩余电流值预测值,将预测值与预设的电气火灾风险预警阈值比较,通过比较结果推算火灾发生概率。
优选的,所述样本数据包括:正常运行下及发生火灾故障前电力电缆PE线对应的电流值、端电压值、剩余电流值及导线温度状态。
优选的,S1中获取火灾故障时的样本数据的具体方法包括:
利用数据采集设备对监测对象进行火灾故障样本数据采集,得到预先获得的故障样本,或利用离线故障试验或仿真计算得到的故障样本;预先获得的故障样本与有限元仿真缺失故障样本共同构建火灾故障时的样本数据;
对火灾故障时的样本数据的采集过程中数据缺失或数据异常的情况的处理,包括:
数据异常的处理方法是采用相邻日期的同一时刻的剩余电流值数据:
inn(d,t)=α1*inn(d1,t)+α2*inn(d2,t)
式中:inn(d,t)为第d天的t时刻的缺失数据,inn(d1,t)和inn(d2,t)分别为与该日相邻两日t时刻剩余电流值数据,α1和α2分别为对应的系数。
优选的,S2的具体内容包括:
S21.基于生成对抗网络WGAN建立火灾故障数据生成模型,其中包括生成器模型G与判别器模型D,将随机噪声z和真实数据x分别作为所述生成器模型G与所述判别器模型D的输入;由所述生成器模型G以随机噪声z作为输入,通过迭代训练生成尽可能服从真实数据分布的故障数据,将生成的故障数据与真实故障数据共同送入所述判别器模型D,通过所述判别器模型D对输入数据进行实时数据和生成数据进行判别;所述生成器模型G与所述判别器模型D通过对抗学习不断优化,直至最终达到纳什平衡;
S22.生成对抗网络WGAN利用具备连续可用梯度的Wasserstein距离衡量生成的数据分布和真实的数据分布之间的差距Wasserstein距离为:
其中,x和y分别表示从真实样本分布Pγ和生成样本分布Pg中采样得到的样本,Π(Pγ-Pg)是指真实数据与生成数据的联合概率分布;
所述生成器模型G满足Lipschitz条件,利用KR对偶原理,将距离的度量用函数的形式表现为:
其中,Pθ表示生成的样本的数据分布,θ表示生成器需要优化的参数,||f||L≤1表示1-Lipschitz函数,用神经网络去优化距离函数,整个WGAN的优化目标为:
优选的,S22中,在优化过程中,使所述判别器模型D中的参数w满足K-Lipschitz条件,对参数进行权重剪裁,即对所述生成器模型G与所述判别器模型D中的所有权重w进行如下约束:
设置常数c,若权重w>c,则w=c;若权重w<c,则w=-c。
优选的,S3具体包括:
S31:加载数据增强后的故障数据与原始火灾故障样本数据数据集,对各变量进行相关性分析,分别找出与故障特征强相关的因素;
S32:提取故障特征和故障特征强相关因素的各个时刻数据,并对提取数据相互间再次进行相关性分析,由分析结果确认与预测时刻故障特征强相关时刻数据;
S33:将强相关时刻数据作为各个时刻模型输入数据,将输入数据划分为训练集与测试集;
S34:构造分时LSTM预测模型,训练集输入网络进行训练;
S35:进行预测模型准确度计算,重复S34,不断优化预测模型;
S36:利用训练好的LSTM网络进行预测,对待预测时刻的故障特征进行预测。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于生成对抗网络的电气火灾监测预警方法,本发明通过生成对抗网络对火灾故障数据增强,解决了实际运行中因火灾故障数据较少导致数据不平衡,深度学习网络准确度不高的问题;将生成的故障数据与原始数据,共同为LSTM预测网络提供训练样本,生成最优预测模型,提高了LSTM神经网络的预测精度,且极大减少了系统对火灾识别的误报率,为电气火灾监测研究提供了一个更客观、全面的依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的一种基于生成对抗网络的电气火灾监测预警方法流程示意图;
图2是本发明的实施例提供的一种基于生成对抗网络的电气火灾监测预警方法中基于生成对抗网络的数据增强流程图。
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做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。
本发明实施例公开了一种基于生成对抗网络的电气火灾监测预警方法,如图1所示,包括:
S1.获取正常用电时和火灾故障时的样本数据,并对样本数据进行处理获得目标数据集;
S2.通过生成对抗网络WGAN对火灾故障样本数据进行数据增强;
S3.将进行数据增强后的故障数据与原始火灾故障样本数据作为分时LSTM预测模型的训练样本,得到训练后的火灾预测模型;
S4.通过训练后的火灾预测模型,得到电力电缆PE线剩余电流值预测值,将预测值与预设的电气火灾风险预警阈值比较,通过比较结果推算火灾发生概率。
为了进一步实施上述技术方案,样本数据包括:正常运行下及发生火灾故障前电力电缆PE线对应的电流值、端电压值、剩余电流值及导线温度状态。
为了进一步实施上述技术方案,S1中获取火灾故障时的样本数据的具体方法包括:
利用数据采集设备对监测对象进行火灾故障样本数据采集,得到预先获得的故障样本,或利用离线故障试验或仿真计算得到的故障样本;预先获得的故障样本与有限元仿真缺失故障样本共同构建火灾故障时的样本数据;
对火灾故障时的样本数据的采集过程中数据缺失或数据异常的情况的处理,包括:
数据异常的处理方法是采用相邻日期的同一时刻的剩余电流值数据:
inn(d,t)=α1*inn(d1,t)+α2*inn(d2,t)
式中:inn(d,t)为第d天的t时刻的缺失数据,inn(d1,t)和inn(d2,t)分别为与该日相邻两日t时刻剩余电流值数据,α1和α2分别为对应的系数。
为了进一步实施上述技术方案,S2的具体内容包括:
S201,基于沃瑟斯坦生成对抗网络建立火灾故障数据生成模型,如图2所示,为WGAN网络的故障数据流程图,将随机噪声z和真实数据x分别作为生成器模型G与判别器模型D的输入。由生成器模型G生成的尽量服从真实数据分布Pdata的样本。生成器G以随机噪声z作为输入,通过迭代训练生成尽可能服从真实数据分布的故障数据,将生成的故障数据与真是故障数据共同送入判别器D,判别器为二输出模型,对于输入数据,若判别器判定为真,则输出1,若判定为生成数据,则输出为0。生成器与判别器通过对抗学习不断优化,生成器需生成能够以假乱真的故障数据,而判别器需要准确判定数据来源,两者最终达到纳什平衡。
S202,利用沃瑟斯坦生成对抗网络获得以假乱真的火灾故障数据集,包括:
沃瑟斯坦生成对抗网络(WGAN)指出,原始GAN生成器的目标函数是真实数据分布和生成数据分布的JS散度,由于JS散度存在不可导点,因此无法产生有用的梯度从而优化整个网络,导致了最终生成器的不稳定。为了解决损失函数不可导这一问题,WGAN提出利用具备连续可用梯度的Wasserstein距离衡量生成的数据分布和真实的数据分布之间的差距。Wasserstein距离:
其中,x和y分别表示从真实样本分布Pγ和生成样本分布Pg中采样得到的样本,Π(Pγ-Pg)是指真实数据与生成数据的联合概率分布。
生成器G满足Lipschitz条件,利用KR(Kantorovich-Rubinstein)对偶原理,将距离的度量用函数的形式表现出来,Wasserstein转化:
其中,Pθ表示生成的样本的数据分布,θ表示生成器需要优化的参数,||f||L≤1表示1-Lipschitz函数,加入Lipschitz函数可以保证f(x)的梯度变化不会过大,从而使得网络能够保持正常的梯度优化。此时,用神经网络去优化距离函数,整个WGAN的优化目标为:
为了进一步实施上述技术方案,S22中,在优化过程中,在优化过程中,为了保证判别器中的参数w满足K-Lipschitz条件,需要对参数进行权重剪裁(weight clipping),即,即对生成器模型G与判别器模型D中的所有权重w进行如下约束:
设置常数c,若权重w>c,则w=c;若权重w<c,则w=-c。
通过权重剪裁,WGAN的网络权重将会被限制在一定的范围内,网络的输出也将被限制在一定的范围内,那么将存在一个确定的K值,使得网络满足K-Lipschitz条件。
为了进一步实施上述技术方案,S3具体包括:
在利用WGAN网络获得完整的数据集后,需要选择准确度最高的框架作为最终的火灾预测模型。大部分情况下选择简单循环神经网络或单一LSTM预测模型,存在梯度消失,从而无法记忆长期信息而出现较大误差的缺陷。
本实施例的分时长短期记忆网络LSTM是一种改进的循环神经网络,通过自身特殊的结构设计,解决了常规循环神经网络训练过程中的梯度消失问题,使得其对信息能够长时间记忆保留,保证了很远的信息仍能进行,具有良好的泛化能力和容错能力。
本实施例中以剩余电流为例,基于分时LSTM的剩余电流预测具体步骤如下:
步骤1:加载数据集,包括线路电流、剩余电流值、端电压及导线温度,对各变量进行相关性分析,找出与剩余电流值强相关的因素;
步骤2:提取剩余电流和强相关因素的各个时刻数据,并对提取数据相互间再次进行相关性分析,由分析结果确认与预测时刻剩余电流值强相关时刻数据;
步骤3:将强相关时刻数据作为各个时刻模型输入数据,将输入数据划分为训练集与测试集;
步骤4:构造分时LSTM预测模型,训练集输入网络进行训练;
步骤5:进行预测模型准确度计算,重复步骤4,不断优化预测模型;
步骤6:利用训练好的LSTM网络进行预测,对待预测时刻剩余电流进行预测。
预测模型样本建立,由于所述具有时序性,预测模型样本包括以下几个部分,包括:
inn={(inn1,inn2,...inni),(inn2,inn3,...inni+1),...,(innk,innk+1,...innk+i)},称为输入样本集,包含k个前i个时刻的PE线剩余电流值。
Inn={Inn1,Inn2,...Innk},称为输出样本集,即下一时刻PE线剩余电流值的实际测量值,与训练样本集中的每个训练样本一一对应。
预测模型准确率计算,为了检验电气火灾预测模型的预测性能,模型预测值与训练值拟合程度评估指标以均方误差(mean square error,MSE)作为损失函数,若损失函数值越小,说明模型拟合的越好,计算公式为:
预测模型的误差计算指标为平均绝对误差(mean absolute error,MAE)、均方根误差(root mean square error,RMSE),计算公式如下所示:
式中:N为预测样本个数;inni为剩余电流预测值;Inni为剩余电流实际值。
本发明能够应用于海上油田电网等领域。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种基于生成对抗网络的电气火灾监测预警方法,其特征在于,包括:
S1.获取正常用电时和火灾故障时的样本数据,并对所述样本数据进行处理获得目标数据集;
S2.通过生成对抗网络WGAN对火灾故障样本数据进行数据增强;
S3.将进行数据增强后的故障数据与原始火灾故障样本数据作为分时LSTM预测模型的训练样本,得到训练后的火灾预测模型;
S4.通过训练后的所述火灾预测模型,得到电力电缆PE线剩余电流值预测值,将预测值与预设的电气火灾风险预警阈值比较,通过比较结果推算火灾发生概率。
2.根据权利要求1所述的一种基于生成对抗网络的电气火灾监测预警方法,其特征在于,所述样本数据包括:正常运行下及发生火灾故障前电力电缆PE线对应的电流值、端电压值、剩余电流值及导线温度状态。
3.根据权利要求1所述的一种基于生成对抗网络的电气火灾监测预警方法,其特征在于,S1中获取火灾故障时的样本数据的具体方法包括:
利用数据采集设备对监测对象进行火灾故障样本数据采集,得到预先获得的故障样本,或利用离线故障试验或仿真计算得到的故障样本;预先获得的故障样本与有限元仿真缺失故障样本共同构建火灾故障时的样本数据;
对火灾故障时的样本数据的采集过程中数据缺失或数据异常的情况的处理,包括:
数据异常的处理方法是采用相邻日期的同一时刻的剩余电流值数据:
inn(d,t)=α1*inn(d1,t)+α2*inn(d2,t)
式中:inn(d,t)为第d天的t时刻的缺失数据,inn(d1,t)和inn(d2,t)分别为与该日相邻两日t时刻剩余电流值数据,α1和α2分别为对应的系数。
4.根据权利要求1所述的一种基于生成对抗网络的电气火灾监测预警方法,其特征在于,S2的具体内容包括:
S21.基于生成对抗网络WGAN建立火灾故障数据生成模型,其中包括生成器模型G与判别器模型D,将随机噪声z和真实数据x分别作为所述生成器模型G与所述判别器模型D的输入;由所述生成器模型G以随机噪声z作为输入,通过迭代训练生成尽可能服从真实数据分布的故障数据,将生成的故障数据与真实故障数据共同送入所述判别器模型D,通过所述判别器模型D对输入数据进行实时数据和生成数据进行判别;所述生成器模型G与所述判别器模型D通过对抗学习不断优化,直至最终达到纳什平衡;
S22.生成对抗网络WGAN利用具备连续可用梯度的Wasserstein距离衡量生成的数据分布和真实的数据分布之间的差距Wasserstein距离为:
其中,x和y分别表示从真实样本分布Pγ和生成样本分布Pg中采样得到的样本,Π(Pγ-Pg)是指真实数据与生成数据的联合概率分布;
所述生成器模型G满足Lipschitz条件,利用KR对偶原理,将距离的度量用函数的形式表现为:
其中,Pθ表示生成的样本的数据分布,θ表示生成器需要优化的参数,||f||L≤1表示1-Lipschitz函数,用神经网络去优化距离函数,整个WGAN的优化目标为:
5.根据权利要求4所述的一种基于生成对抗网络的电气火灾监测预警方法,其特征在于,S22中,在优化过程中,使所述判别器模型D中的参数w满足K-Lipschitz条件,对参数进行权重剪裁,即对所述生成器模型G与所述判别器模型D中的所有权重w进行如下约束:
设置常数c,若权重w>c,则w=c;若权重w<c,则w=-c。
6.根据权利要求1所述的一种基于生成对抗网络的电气火灾监测预警方法,其特征在于,S3具体包括:
S31:加载数据增强后的故障数据与原始火灾故障样本数据数据集,对各变量进行相关性分析,分别找出与故障特征强相关的因素;
S32:提取故障特征和故障特征强相关因素的各个时刻数据,并对提取数据相互间再次进行相关性分析,由分析结果确认与预测时刻故障特征强相关时刻数据;
S33:将强相关时刻数据作为各个时刻模型输入数据,将输入数据划分为训练集与测试集;
S34:构造分时LSTM预测模型,训练集输入网络进行训练;
S35:进行预测模型准确度计算,重复S34,不断优化预测模型;
S36:利用训练好的LSTM网络进行预测,对待预测时刻的故障特征进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111175817.9A CN113919198A (zh) | 2021-10-09 | 2021-10-09 | 一种基于生成对抗网络的电气火灾监测预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111175817.9A CN113919198A (zh) | 2021-10-09 | 2021-10-09 | 一种基于生成对抗网络的电气火灾监测预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113919198A true CN113919198A (zh) | 2022-01-11 |
Family
ID=79238635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111175817.9A Pending CN113919198A (zh) | 2021-10-09 | 2021-10-09 | 一种基于生成对抗网络的电气火灾监测预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113919198A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115169506A (zh) * | 2022-09-06 | 2022-10-11 | 中铁第四勘察设计院集团有限公司 | 一种供变电关键设备故障快速诊断方法及系统 |
CN115880848A (zh) * | 2022-11-22 | 2023-03-31 | 辽宁东科电力有限公司 | 一种配电柜电气火灾及时预警与灭焰综合保护系统 |
-
2021
- 2021-10-09 CN CN202111175817.9A patent/CN113919198A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115169506A (zh) * | 2022-09-06 | 2022-10-11 | 中铁第四勘察设计院集团有限公司 | 一种供变电关键设备故障快速诊断方法及系统 |
CN115880848A (zh) * | 2022-11-22 | 2023-03-31 | 辽宁东科电力有限公司 | 一种配电柜电气火灾及时预警与灭焰综合保护系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kang et al. | A multi-fault diagnostic method based on an interleaved voltage measurement topology for series connected battery packs | |
CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及系统 | |
WO2020015277A1 (zh) | 一种基于全景信息的弧光故障识别装置及方法 | |
Wu et al. | Extreme learning machine-based state reconstruction for automatic attack filtering in cyber physical power system | |
CN109061504A (zh) | 同类型不同锂离子电池剩余使用寿命预测方法和系统 | |
Mamadou et al. | Definition of a state-of-energy indicator (SoE) for electrochemical storage devices: application for energetic availability forecasting | |
CN113919198A (zh) | 一种基于生成对抗网络的电气火灾监测预警方法 | |
Ferdowsi et al. | A scalable data-driven monitoring approach for distribution systems | |
Jiang et al. | Stochastic subspace identification‐based approach for tracking inter‐area oscillatory modes in bulk power system utilising synchrophasor measurements | |
CN114219147A (zh) | 一种基于联邦学习的配电站故障预测方法 | |
CN105719094A (zh) | 一种输电设备状态评估方法 | |
Gao et al. | Dynamic state estimation of new energy power systems considering multi-level false data identification based on LSTM-CNN | |
Wang et al. | Data-driven anomaly detection for power system generation control | |
Bai et al. | Frequency response of pv inverters toward high renewable penetrated distribution networks | |
Lin et al. | Li-ion battery state of health prediction based on long short-term memory recurrent neural network | |
Xu et al. | An Adaptive Neural Observer for Short Circuit Fault Estimation of Lithium-ion Batteries in Electric Vehicles | |
Ganjkhani et al. | Multi-Source Data Aggregation and Real-time Anomaly Classification and Localization in Power Distribution Systems | |
Mao et al. | A Method of Embedded Computer Degradation Trend Prediction | |
CN111199254A (zh) | 基于rbf神经网络和贝叶斯网络的高压电气设备实时检测方法 | |
Salehpour et al. | An RTDS-based Early-stage Attack Detection Mechanism for Smart Grid Networks | |
Cervantes et al. | Contingency ranking in power systems via reliability rates | |
Zhao et al. | Review of Lithium-Ion Battery Fault Features, Diagnosis Methods and Diagnosis Procedures | |
Song et al. | A Supervised Early Anomaly Detection Procedure for Industrial Process Using Pseudo System State to Bypass Manual Labeling | |
Zhengganzhe et al. | Risk forecast assessment of transmission line capacity increase under cyberattacks | |
Sankar et al. | Synchrophasor Data-Analytics for a More Resilient Electric Power System |
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 |