CN113935858A - 一种基于神经网络的电力通信设备状态检修的预测方法 - Google Patents
一种基于神经网络的电力通信设备状态检修的预测方法 Download PDFInfo
- Publication number
- CN113935858A CN113935858A CN202111305090.1A CN202111305090A CN113935858A CN 113935858 A CN113935858 A CN 113935858A CN 202111305090 A CN202111305090 A CN 202111305090A CN 113935858 A CN113935858 A CN 113935858A
- Authority
- CN
- China
- Prior art keywords
- equipment
- neural network
- data
- power communication
- algorithm
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 58
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012423 maintenance Methods 0.000 title claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 50
- 230000003068 static effect Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000005540 biological transmission Effects 0.000 claims abstract description 6
- 230000015556 catabolic process Effects 0.000 claims abstract description 6
- 238000006731 degradation reaction Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 27
- 238000012795 verification Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000011158 quantitative evaluation Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 239000002699 waste material Substances 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
- 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
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于神经网络的电力通信设备状态检修的预测方法,包括以下步骤:构建电力通信网络传输设备资源相关联的关系模型;获取设备相关的静态数据、动态数据作为样本数据,静态数据包括设备、板卡,动态数据包括告警、性能、业务;对所述设备相关数据的运行年限、告警数量、性能劣化程度、承载业务类型及数量等进行数值化处理。本发明采用BP神经网络算法,构建电力通信系统传输设备资源的关系模型,研究分析设备固有属性及实时运行状态,基于电力通信设备的状态,便于快速、全面预测并提供设备的检修建议。
Description
技术领域
本发明涉及电力技术领域,具体是一种基于神经网络的电力通信设备状态检修的预测方法。
背景技术
随着国家电网公司信息通信调度集约化的实施,信息通信网络及其承载的业务系统得到迅猛发展,网络规模不断扩大、设备类别快速增多、拓扑结构日趋复杂、业务数量不断增长,对信息通信设备的运维管理水平提出了更高要求。
目前对于电力通信网络运维管理中对设备的检修方式主要为计划检修和临时检修,对于网络规模大的电力通信网络设备检修缺乏针对性的手段,亟需研制电力通信传输网设备状态检修分析工具,实现对通信设备提前状态预警、主动检修。目前电力通信设备检修主要存在如下几方面的问题:
(1)计划检修:采用统一标准对所有设备按一定的时间间隔周期性的进行检修,存在针对性不强、无检修重点、人力资源浪费等问题。
(2)临时检修:当通信设备出现故障时,需紧急对设备进行检修维护,消除设备缺陷。临时检修属于事后检修,不能及时处理通信设备的潜在隐患。
人工神经网络是一种模仿生物神经网络的结构和功能的数学模型或计算模型。神经网络由大量的人工神经元联结进行计算。是一种非线性统计性数据建模工具,常用来对输入和输出间复杂的关系进行建模,或用来探索数据的模式。具有大规模并行处理、分布式存储、弹性拓扑、高度冗余和非线性运算等特点,因而具有很髙的运算速度,很强的联想能力,很强的适应性,很强的容错能力和自组织能力。这些特点和能力构成了人工神经网络模拟智能活动的技术基础,并在广阔的领域获得了重要的应用。
BP神经网络是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。
发明内容
本发明的目的在于提供一种基于神经网络的电力通信设备状态检修的预测方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于神经网络的电力通信设备状态检修的预测方法,包含以下步骤:
步骤A、构建电力通信网络传输设备资源相关联的关系模型;
步骤B、获取设备相关的静态数据、动态数据作为样本数据,对所述设备相关数据的运行年限、告警数量、性能劣化程度、承载业务类型及数量进行数值化处理;以所述数值化处理后的值作为训练样本数据;
步骤C、然后使用误差逆传播算法训练的多层前馈网络即BP神经网络初始模型的学习训练,训练过程中使用梯度下降法来逐步调整各层间的输入权重和偏置,直到BP神经网络初始模型的预测精度达到要求,得到BP神经网络最终模型;
步骤D、根据BP神经网络最终模型对电力通信设备进行状态检修预测。
作为本发明的进一步技术方案,所述静态数据包括设备、板卡,动态数据包括告警、性能、业务;对所述设备相关数据的运行年限、告警数量、性能劣化程度、承载业务类型及数量。
作为本发明的进一步技术方案,所述BP神经网络最终模型通过设备状态评估算法实现。
作为本发明的进一步技术方案,所述设备状态评估算法具体是:获取设备相关的静态数据、动态数据作为样本数据,经数值化处理后的值作为训练样本数据,人工分析样本数据确定该样本中需进行检修的设备集合作为验证结果,将样本数据输入到三层BP神经网络初始模型进行学习训练,将算法输出的结果与验证结果比对,并算法反馈,重复训练过程,直到BP神经网络初始模型的预测精度达到要求,得到采用BP神经网络进行设备状态检修预测的最终模型。
作为本发明的进一步技术方案,所述设备状态评估算法包含以下步骤:
步骤1、选取电力通信网络中具有典型性的两组局部网络,构建电力通信设备资源相关联的数据模型;根据以上数据经人工分析出两种数据中需进行检修的设备集合作为验证期望结果;
步骤2、将步骤a中选取的数据根据资源数据状态风险量化评估方法进行数值化处理,一组作为训练样本数据,另一组作为测试样本数据;将设备相关联的静动态数据:投运时间、告警、性能、业务、检修记录等作为输入层为:P=[P1,P2…Pm],其中P为样本输入层,Pm为电力通信设备关联的资源数据;
步骤3、将步骤2中的训练样本数据作为输入,设定初始权值和学习效率,进行BP神经网络初始模型的学习训练;
算法模型预测的最终输出为:T=[T1,T2,…Tm]
其中T为设备状态检修预测结果集合,Tn为每台通信设备状态检修的预测结果;
样本数据的验证期望结果:R=[R1,R2…Rm],其中R为样本数据的验证期望结果集合,Rn为每台通信设备状态检修的验证值;
对与给定m个设备样本,定义误差函数为:ΔE=(ΔE1+ΔE2+ΔE3+…+ΔEm)/m,其中ΔEm为单单台设备预测值与期望值的差值;
设定本层初始权值,基于单台设备资源量化计算各关联资源的风险值。中间隐含层的输出:Y=[Y1,Y2,Y3…Yn],其中Y代表各关联资源的风险计算结果;
步骤4、采用梯度下降优化BP神经网络算法,在更新参数时使用所有的样本来进行更新,不断调整网络的权值和阈值,使网络的误差平方和最小;按照以下方式对权值、阈值进行反馈。α为学习速率,它的取值范围为(0,1)。
Wj=Wj-α*ΔE/ΔWj
bi=bi-α*ΔE/Δbi
步骤5、算法计算一次后,判断算法是否满足要求,直到BP神经网络算法的预测精度达到要求,得到电力通信系统可靠性评估模型算法;
步骤6、将步骤2中的测试样本数据输入到步骤4中得到的电力通信设备状态检修预测算法,进行算法验证。
与现有技术相比,本发明的有益效果是:本发明采用BP神经网络算法,构建电力通信系统传输设备资源的关系模型,研究分析设备固有属性及实时运行状态,基于电力通信设备的状态,便于快速、全面预测并提供设备的检修建议。
附图说明
图1是本发明的系统图。
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。
请参阅图1所示,一种基于神经网络的电力通信设备状态检修的预测方法,包含资源评估模型构建和采用神经网络算法实现通信设备状态检修预测算法两个环节。
a)资源评估模型构建
(1)构建电力通信设备相关联资源的关联模型:
电力通信设备静态数据包括设备、板卡,动态数据包括告警、性能、业务;对所述设备相关数据的运行年限、告警数量、性能劣化程度、承载业务类型及数量等。选取电力通信网络中局部网络做为样本数据。如下表所示:
表1、样本数据关键属性表:
(2)资源数据量化评估:
下表列出了单个资源对象的主要评估指标:
设定K为量化指标项的值,资源对象的初始风险系数为kn(kn≤1)表2:单个资源对象的主要评估指标数据表:
其中:Qnv+Qnt+Qct+Qar+Qaf+Qt+Qg+Qw+Qy+Qj=1
通过以上方法对电力通信设备相关联资源的关联模型中的静动态数据进行风险量化。
设备状态风险量化值Kn计算公式:
Kn=Knv*Qnv+Knt*Qnt+Kct*Qct+Kar*Qar+Kaf*Qaf+Kt*Qt+Kg*Qg+Kw*Qw+Ky*Qy+Kj*Qj。
b)设备状态评估算法
获取设备相关的静态数据、动态数据作为样本数据,经数值化处理后的值作为训练样本数据,人工分析样本数据确定该样本中需进行检修的设备集合作为验证结果。将样本数据输入到三层BP神经网络初始模型进行学习训练,将算法输出的结果与验证结果比对,并算法反馈,重复训练过程,直到BP神经网络初始模型的预测精度达到要求,得到采用BP神经网络进行设备状态检修预测的最终模型。使用样本数据越丰富,训练出的算法更科学、实用性更强。
实施例2,在实施例1的基础上,BP神经网络最终模型通过设备状态评估算法实现。设备状态评估算法具体是:获取设备相关的静态数据、动态数据作为样本数据,经数值化处理后的值作为训练样本数据,人工分析样本数据确定该样本中需进行检修的设备集合作为验证结果,将样本数据输入到三层BP神经网络初始模型进行学习训练,将算法输出的结果与验证结果比对,并算法反馈,重复训练过程,直到BP神经网络初始模型的预测精度达到要求,得到采用BP神经网络进行设备状态检修预测的最终模型,使用样本数据越丰富,训练出的算法更科学、实用性更强。
实施例3,在实施例2的基础上,设备状态评估算法包含以下步骤:
步骤1、选取电力通信网络中具有典型性的两组局部网络,构建电力通信设备资源相关联的数据模型;根据以上数据经人工分析出两种数据中需进行检修的设备集合作为验证期望结果;
步骤2、将步骤a中选取的数据根据资源数据状态风险量化评估方法进行数值化处理,一组作为训练样本数据,另一组作为测试样本数据;将设备相关联的静动态数据:投运时间、告警、性能、业务、检修记录等作为输入层为:P=[P1,P2…Pm],其中P为样本输入层,Pm为电力通信设备关联的资源数据;
步骤3、将步骤2中的训练样本数据作为输入,设定初始权值和学习效率,进行BP神经网络初始模型的学习训练;
算法模型预测的最终输出为:T=[T1,T2,…Tm]
其中T为设备状态检修预测结果集合,Tn为每台通信设备状态检修的预测结果;
样本数据的验证期望结果:R=[R1,R2…Rm],其中R为样本数据的验证期望结果集合,Rn为每台通信设备状态检修的验证值;
对与给定m个设备样本,定义误差函数为:ΔE=(ΔE1+ΔE2+ΔE3+…+ΔEm)/m,其中ΔEm为单单台设备预测值与期望值的差值;
设定本层初始权值,基于单台设备资源量化计算各关联资源的风险值。中间隐含层的输出:Y=[Y1,Y2,Y3…Yn],其中Y代表各关联资源的风险计算结果;
步骤4、采用梯度下降优化BP神经网络算法,在更新参数时使用所有的样本来进行更新,不断调整网络的权值和阈值,使网络的误差平方和最小;按照以下方式对权值、阈值进行反馈。α为学习速率,它的取值范围为(0,1)。
Wj=Wj-α*ΔE/ΔWj
bi=bi-α*ΔE/Δbi
步骤5、算法计算一次后,判断算法是否满足要求,直到BP神经网络算法的预测精度达到要求,得到电力通信系统可靠性评估模型算法;
步骤6、将步骤2中的测试样本数据输入到步骤4中得到的电力通信设备状态检修预测算法,进行算法验证。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (5)
1.一种基于神经网络的电力通信设备状态检修的预测方法,其特征在于,包含以下步骤:
步骤A、构建电力通信网络传输设备资源相关联的关系模型;
步骤B、获取设备相关的静态数据、动态数据作为样本数据,对所述设备相关数据的运行年限、告警数量、性能劣化程度、承载业务类型及数量进行数值化处理;以所述数值化处理后的值作为训练样本数据;
步骤C、然后使用误差逆传播算法训练的多层前馈网络即BP神经网络初始模型的学习训练,训练过程中使用梯度下降法来逐步调整各层间的输入权重和偏置,直到BP神经网络初始模型的预测精度达到要求,得到BP神经网络最终模型;
步骤D、根据BP神经网络最终模型对电力通信设备进行状态检修预测。
2.根据权利要求1所述的一种基于神经网络的电力通信设备状态检修的预测方法,其特征在于,所述静态数据包括设备、板卡,动态数据包括告警、性能、业务;对所述设备相关数据的运行年限、告警数量、性能劣化程度、承载业务类型及数量。
3.根据权利要求1所述的一种基于神经网络的电力通信设备状态检修的预测方法,其特征在于,所述BP神经网络最终模型通过设备状态评估算法实现。
4.根据权利要求3所述的一种基于神经网络的电力通信设备状态检修的预测方法,其特征在于,所述设备状态评估算法具体是:获取设备相关的静态数据、动态数据作为样本数据,经数值化处理后的值作为训练样本数据,人工分析样本数据确定该样本中需进行检修的设备集合作为验证结果,将样本数据输入到三层BP神经网络初始模型进行学习训练,将算法输出的结果与验证结果比对,并算法反馈,重复训练过程,直到BP神经网络初始模型的预测精度达到要求,得到采用BP神经网络进行设备状态检修预测的最终模型。
5.根据权利要求4所述的一种基于神经网络的电力通信设备状态检修的预测方法,其特征在于,所述设备状态评估算法包含以下步骤:
步骤1、选取电力通信网络中具有典型性的两组局部网络,构建电力通信设备资源相关联的数据模型;根据以上数据经人工分析出两种数据中需进行检修的设备集合作为验证期望结果;
步骤2、将步骤a中选取的数据根据资源数据状态风险量化评估方法进行数值化处理,一组作为训练样本数据,另一组作为测试样本数据;将设备相关联的静动态数据:投运时间、告警、性能、业务、检修记录等作为输入层为:P=[P1,P2…Pm],其中P为样本输入层,Pm为电力通信设备关联的资源数据;
步骤3、将步骤2中的训练样本数据作为输入,设定初始权值和学习效率,进行BP神经网络初始模型的学习训练;
算法模型预测的最终输出为:T=[T1,T2,…Tm]
其中T为设备状态检修预测结果集合,Tn为每台通信设备状态检修的预测结果;
样本数据的验证期望结果:R=[R1,R2…Rm],其中R为样本数据的验证期望结果集合,Rn为每台通信设备状态检修的验证值;
对与给定m个设备样本,定义误差函数为:ΔE=(ΔE1+ΔE2+ΔE3+…+ΔEm)/m,其中ΔEm为单单台设备预测值与期望值的差值;
设定本层初始权值,基于单台设备资源量化计算各关联资源的风险值。中间隐含层的输出:Y=[Y1,Y2,Y3…Yn],其中Y代表各关联资源的风险计算结果;
步骤4、采用梯度下降优化BP神经网络算法,在更新参数时使用所有的样本来进行更新,不断调整网络的权值和阈值,使网络的误差平方和最小;按照以下方式对权值、阈值进行反馈。α为学习速率,它的取值范围为(0,1)。
Wj=Wj-α*ΔE/ΔWj
bi=bi-α*ΔE/Δbi
步骤5、算法计算一次后,判断算法是否满足要求,直到BP神经网络算法的预测精度达到要求,得到电力通信系统可靠性评估模型算法;
步骤6、将步骤2中的测试样本数据输入到步骤4中得到的电力通信设备状态检修预测算法,进行算法验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111305090.1A CN113935858A (zh) | 2021-11-05 | 2021-11-05 | 一种基于神经网络的电力通信设备状态检修的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111305090.1A CN113935858A (zh) | 2021-11-05 | 2021-11-05 | 一种基于神经网络的电力通信设备状态检修的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113935858A true CN113935858A (zh) | 2022-01-14 |
Family
ID=79285790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111305090.1A Pending CN113935858A (zh) | 2021-11-05 | 2021-11-05 | 一种基于神经网络的电力通信设备状态检修的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113935858A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN105225020A (zh) * | 2015-11-11 | 2016-01-06 | 国家电网公司 | 一种基于bp神经网络算法的运行状态预测方法和系统 |
CN105447568A (zh) * | 2015-11-09 | 2016-03-30 | 广州供电局有限公司 | 基于bp神经网络的电力通信网故障分析方法 |
CN109292567A (zh) * | 2018-02-28 | 2019-02-01 | 武汉大学 | 一种基于bp神经网络的电梯故障预测方法 |
CN109856969A (zh) * | 2018-11-06 | 2019-06-07 | 皖西学院 | 一种基于bp神经网络模型的故障预测方法及预测系统 |
CN110677290A (zh) * | 2019-09-26 | 2020-01-10 | 国网安徽省电力有限公司信息通信分公司 | 基于退火算法及神经网络模型的电力通信运维风险预警方法 |
CN110766143A (zh) * | 2019-10-31 | 2020-02-07 | 上海埃威航空电子有限公司 | 基于人工神经网络的设备故障智能诊断方法 |
CN111798095A (zh) * | 2020-05-29 | 2020-10-20 | 广州供电局有限公司黄埔供电局 | 一种基于神经网络电力电缆状态评价方法 |
-
2021
- 2021-11-05 CN CN202111305090.1A patent/CN113935858A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN105447568A (zh) * | 2015-11-09 | 2016-03-30 | 广州供电局有限公司 | 基于bp神经网络的电力通信网故障分析方法 |
CN105225020A (zh) * | 2015-11-11 | 2016-01-06 | 国家电网公司 | 一种基于bp神经网络算法的运行状态预测方法和系统 |
CN109292567A (zh) * | 2018-02-28 | 2019-02-01 | 武汉大学 | 一种基于bp神经网络的电梯故障预测方法 |
CN109856969A (zh) * | 2018-11-06 | 2019-06-07 | 皖西学院 | 一种基于bp神经网络模型的故障预测方法及预测系统 |
CN110677290A (zh) * | 2019-09-26 | 2020-01-10 | 国网安徽省电力有限公司信息通信分公司 | 基于退火算法及神经网络模型的电力通信运维风险预警方法 |
CN110766143A (zh) * | 2019-10-31 | 2020-02-07 | 上海埃威航空电子有限公司 | 基于人工神经网络的设备故障智能诊断方法 |
CN111798095A (zh) * | 2020-05-29 | 2020-10-20 | 广州供电局有限公司黄埔供电局 | 一种基于神经网络电力电缆状态评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dong et al. | Short-term load forecasting in smart grid: A combined CNN and K-means clustering approach | |
Bee-Hua | Evaluating the performance of combining neural networks and genetic algorithms to forecast construction demand: the case of the Singapore residential sector | |
CN107169628B (zh) | 一种基于大数据互信息属性约简的配电网可靠性评估方法 | |
CN108241964A (zh) | 基于bp人工神经网络模型算法的基建现场管控移动应用平台 | |
CN107976934B (zh) | 一种基于无线传感器网络的油罐车油气泄漏速度智能预警系统 | |
Yan et al. | Research on the comprehensive evaluation of business intelligence system based on BP neural network | |
Hu et al. | Software project risk management modeling with neural network and support vector machine approaches | |
Yong et al. | A neural networks approach for software risk analysis | |
Kumar et al. | Applying soft computing approaches to predict defect density in software product releases: an empirical study | |
Wang et al. | The criticality of spare parts evaluating model using artificial neural network approach | |
Rajeshbabu et al. | Detection and classification of power quality events by expert system using analytic hierarchy method | |
CN115249081A (zh) | 一种对象类型的预测方法、装置、计算机设备和存储介质 | |
CN116112379B (zh) | 一种数据中心多维业务共享设备的有向链路动态预测方法 | |
CN113935858A (zh) | 一种基于神经网络的电力通信设备状态检修的预测方法 | |
Ma et al. | Highway construction investment risk evaluation using BP neural network model | |
Ramsami et al. | Neural Network Frameworks for Electricity Forecasting in Mauritius and Rodrigues Islands | |
Lin et al. | Neuro-fuzzy network for pm2. 5 prediction | |
Hassanzadeh et al. | Developing a new method using Artificial Immune System in order to High Productivity of Inefficient Units in Network DEA approach | |
Song et al. | TINet: multi-dimensional traffic data imputation via transformer network | |
CN113965467B (zh) | 一种基于神经网络的电力通信系统可靠性评估方法及系统 | |
CN116109211B (zh) | 基于设备数字化的设备运行水平分析方法及装置 | |
Huang et al. | Criticality evaluation for spare parts based on BP neural network | |
Sun | [Retracted] The Legal Regulation of Artificial Intelligence and Edge Computing Automation Decision‐Making Risk in Wireless Network Communication | |
Lei | Emergency information communication structure by using multimodel fusion and artificial intelligence algorithm | |
Wang et al. | Dynamic neural network based genetic algorithm optimizing for short term load forecasting |
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 |