CN113987294A - 一种基于遗传优化gru神经网络的cvt在线故障诊断方法 - Google Patents
一种基于遗传优化gru神经网络的cvt在线故障诊断方法 Download PDFInfo
- Publication number
- CN113987294A CN113987294A CN202111326035.0A CN202111326035A CN113987294A CN 113987294 A CN113987294 A CN 113987294A CN 202111326035 A CN202111326035 A CN 202111326035A CN 113987294 A CN113987294 A CN 113987294A
- Authority
- CN
- China
- Prior art keywords
- neural network
- gru neural
- data
- fault diagnosis
- cvt
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 78
- 238000003745 diagnosis Methods 0.000 title claims abstract description 44
- 230000002068 genetic effect Effects 0.000 title claims abstract description 29
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000005540 biological transmission Effects 0.000 title abstract description 3
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 10
- 239000003990 capacitor Substances 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000007667 floating Methods 0.000 claims description 2
- 230000035772 mutation Effects 0.000 claims description 2
- 210000004205 output neuron Anatomy 0.000 claims description 2
- 108090000623 proteins and genes Proteins 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims 1
- 238000013024 troubleshooting Methods 0.000 abstract description 5
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/02—Testing or calibrating of apparatus covered by the other groups of this subclass of auxiliary devices, e.g. of instrument transformers according to prescribed transformation ratio, phase angle, or wattage rating
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于遗传优化GRU神经网络的CVT在线故障诊断方法，包括以下步骤：收集大量的CVT在运时状态参数数据及其对应的故障类型并编码；采用遗传算法优化GRU神经网络的参数，在解空间中搜索最优组合参数；在网络训练阶段，将遗传算法得到的组合参数用于GRU神经网络的初始化，并输入归一化后的训练集；将训练完善的神经网络用于CVT在线故障诊断，计算输出故障类型。本发明将遗传算法优化的GRU神经网络用于CVT的在线故障诊断，通过诊断结果能够更好的用于故障排查和检修，进而保证电网安全。
Description
技术领域
本发明涉及一种基于遗传优化GRU神经网络的电容式电压互感器(CVT)在线故障诊断方法，属于CVT故障诊断技术领域。
背景技术
CVT是由电容分压器和电磁单元组成的一种电压互感器，在电力交易计量系统中因其冲击绝缘强度高、结构简单、成本低等优点，正在逐步取代电磁式电压互感器。作为电力系统中信号采集的关键设备之一，CVT的准确性直接关系到电力交易的公正与公平。国家计量检定规程规定，电磁电流、电压互感器检定周期不超过10年，CVT检定周期不超过4年。为了评估电压互感器的运行性能，电力公司通常采用计划停电的定期验证方式。近年来，年久失修的CVT出现了很多故障，例如一、二次线圈部分短路、补偿电抗器部分短路、局部放电故障、过热故障、受潮与老化故障以及漏油故障等。然而，由于停电困难、工作量大等阻碍，导致CVT故障检定工作效率低下、缺陷检测不及时，影响了电力系统的安全运行和电能计量的公平性。因此，针对在运的CVT进行快速的故障排查对电网安全具有重要意义。
迄今为止，由于CVT的物理特性限制，我国对于其维护与故障诊断一般是采用定期离线停电检修的方式。但带电校验技术停电困难，存在一定的安全隐患，也不适合量大而面广的CVT长期故障排查，该方法更适用于在有明确故障恶化情况下的定点精准排查。因此需要在不停电的条件下研究一种在线CVT故障排查方法。
随着信息技术及机器学习的发展，越来越多智能的方法被应用到故障诊断和预测中。基于深度学习算法的神经网络对大规模数据的处理有着强大的感知能力，能够根据系统当前的状态表现快速准确地判断出故障类型，提高系统故障诊断的容错性。
发明内容
本发明的目的是：利用遗传算法快速寻优的性能，搜索最优的神经网络参数组合，并用于GRU神经网络的训练，从而更加快速和精准的输出CVT故障类型。
为了达到上述目的，本发明的技术方案是提供了一种基于遗传优化GRU神经网络的CVT在线故障诊断方法，其特征在于，包括以下步骤：
S1、对电容式电压互感器的故障类型进行分析和编码，每个故障类型对应一个故障诊断编码，得到故障诊断编码表；
S2、采集影响电容式电压互感器运作状态的六个关键状态参数数据，分别是二次输出电压与母线电压比、相角差、中压电容电流与电磁单元电流比、总电容、高压电容、中压电容变化系数，记为数据集D＝{d1，d2，d3，d4，d5，d6}，其中di＝{dij}1≤j≤n表示第i个状态参数数据向量，dij为第i个状态参数数据向量的第j个数据，n为数据总量大小；
S3、数据预处理：
将收集的数据进行最大最小归一化，从而将GRU神经网络的输入数据保持在同一个量级，加快梯度下降求最优解的速度，利于GRU神经网络的训练；并已知故障诊断编码的归一化后的样本数据分成训练集和测试集；
S4、使用遗传算法在搜索空间优化GRU神经网络的三个相关参数，分别为GRU神经网络中隐藏层的数量、批数据大小(epochs)以及遗忘率(dropout)，确定最佳参数组合；
S5、设置GRU神经网络为训练模式，初始化GRU神经网络的权重及偏置参数，获取遗传算法优化后的最佳参数组合，输入归一化后的训练集进行网络训练；
S6、对训练完成的GRU神经网络输入归一化后的测试集进行测试，检测训练效果，若效果表现优异，则保存训练好的GRU神经网络，否则返回步骤S3；
S7、设置GRU神经网络为故障诊断模式，下载读取训练完善的GRU神经网络结构和各层参数，并实时采集数据集D后，对数据集D进行最大最小归一化处理，将归一化后的实时CVT状态参数数据输入训练完善的GRU神经网络，由GRU神经网络输出故障诊断编码；
S8、依据故障诊断编码查询故障诊断编码表得到对应的故障类型，获得故障诊断结果，并保存记录。
优选的，所述步骤S3中，通过最大最小归一化将原始数据映射到[0,1]之间，针对第i个状态参数数据向量di中的第j个数据dij，采用以下公式进行最大最小归一化：
式中，
为归一化后的数据，min1≤j≤n{dij}为第i个状态参数数据向量di中最小的数据，max1≤j≤n{dij}为第i个状态参数数据向量di中最大的数据。
优选的，所述步骤S3中，将归一化后的样本数据集按照8：2的比例划分为训练集和测试集。
优选的，所述步骤S4中，遗传优化算法将GRU神经网络的均方根误差的倒数作为适应度值，通过选择最大的适应度值，寻找出最优的隐藏层数、批量大小和遗忘率参数组合，用于优化GRU神经网络，具体的优化步骤如下：
S41、随机产生一个种群，作为参数优化问题的初代解；
S42、采用浮点编码法对种群中的个体进行编码；
S43、以GRU神经网络中的均方根误差的倒数作为适应度值，计算种群中每种参数组合所对应个体的适应度；
S44、遵照适应度越高、选择概率越大的原则，从种群中选择两个个体作为父方和母方；
S45、对被选出的父方和母方执行遗传操作，即复制父体与母体的基因，并采用交叉、变异等算子产生出子代；
S46、判断是否达到终止条件，若是，则找出所有子代中适应度最高的参数组合个体作为解返回并结束程序，否则返回步骤S43。
优选的，所述步骤S5中，将当前时刻的输入数据以及上一时刻的输出数据通过GRU神经网络的更新门和重置门筛选出保留信息，最后汇总输出神经元个数为7，当输出0时代表正常，输出1时代表故障。
优选的，所述步骤S5中，训练所述GRU神经网络时采用均方根误差(RMSE)计算损失函数，并用Adam算法优化训练。
优选的，所述步骤S6中，下载读取保存好的所述GRU神经网络的网络结构和参数，输入归一化后的测试集，将输出的编码结果对应故障编码表找出故障类型；将由所述GRU神经网络诊断的结果与真实故障进行比对，若所述GRU神经网络的正确率达到95％，则保存所述GRU神经网络用于电容式电压互感器故障诊断，否则，返回步骤S4。
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明中采用遗传算法对GRU神经网络进行优化，可以实现快速寻优功能，较快的搜索到神经网络中的最优参数组合，用于后期神经网络的训练，提高了训练的速度和精度；GRU作为一种改进的循环神经网络，不仅具有强大的泛化和感知能力，而且非常适合于挖掘过去的时间序列数据中的隐藏信息，能够更加准确的帮助判断CVT故障的类型。
附图说明
图1是本发明的CVT故障诊断方法流程图；
图2是本发明的CVT故障诊断编码表。
具体实施方式
下面结合具体实施例进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本实例公开了一种基于遗传优化GRU神经网络的CVT在线故障诊断方法，包括以下步骤：
1)对CVT的故障类型进行分析和编码，见图2。采集影响CVT运作状态的六个关键状态参数数据，分别是二次输出电压与母线电压比、相角差、中压电容电流与电磁单元电流比、总电容、高压电容、中压电容变化系数，记为数据集D＝{d1，d2，d3，d4，d5，d6}，其中di＝{dij}1≤j≤n表示第i个状态参数数据向量，dij为第i个状态参数数据向量的第j个数据，n为数据总量大小；
2)数据预处理，即将收集的数据进行最大最小归一化，并将其分成训练集和测试集；
3)使用遗传算法在搜索空间优化GRU神经网络的三个相关参数，分别为GRU神经网络中隐藏层的数量、批数据大小(epochs)以及遗忘率(dropout)，确定最佳参数组合；
4)设置GRU神经网络为训练模式，初始化GRU神经网络的权重及偏置参数，获取遗传算法优化后的最佳参数组合，输入归一化后的数据进行GRU神经网络训练；
5)对训练完成的GRU神经网络输入归一化后的测试数据集进行测试，检测训练效果，若效果表现优异，则保存训练好的网络模型，否则返回步骤3)；
6)设置GRU神经网络为故障诊断模式，下载读取训练完善的GRU神经网络结构和各层参数，实时采集数据集D后，对数据集D进行最大最小归一化处理，将归一化后的实时CVT状态参数数据输入训练完善的GRU神经网络，由GRU神经网络输出故障诊断编码；
7)根据故障诊断编码表查询故障诊断结果，并保存记录。
不难发现，相比于其他CVT故障诊断方法，本发明利用遗传算法优化GRU神经网络，根据输入CVT的六个关键状态参数来输出CVT的故障类型，具有端到端的特性，无需人工特征提取，具有良好的可行性和有效性。
本发明旨在上述详细描述被认为是例示性的而非限制性的，并且应当理解，以下权利要求(包括所有等同物)旨在限定本发明的精神和范围。以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (7)
1.一种基于遗传优化GRU神经网络的CVT在线故障诊断方法，其特征在于，包括以下步骤：
S1、对电容式电压互感器的故障类型进行分析和编码，每个故障类型对应一个故障诊断编码，得到故障诊断编码表；
S2、采集影响电容式电压互感器运作状态的六个关键状态参数数据，分别是二次输出电压与母线电压比、相角差、中压电容电流与电磁单元电流比、总电容、高压电容、中压电容变化系数，记为数据集D＝{d1，d2，d3，d4，d5，d6}，其中di＝{dij}1≤j≤n表示第i个状态参数数据向量，dij为第i个状态参数数据向量的第j个数据，n为数据总量大小；
S3、数据预处理：
将收集的数据进行最大最小归一化，从而将GRU神经网络的输入数据保持在同一个量级，加快梯度下降求最优解的速度，利于GRU神经网络的训练；并已知故障诊断编码的归一化后的样本数据分成训练集和测试集；
S4、使用遗传算法在搜索空间优化GRU神经网络的三个相关参数，分别为GRU神经网络中隐藏层的数量、批数据大小以及遗忘率，确定最佳参数组合；
S5、设置GRU神经网络为训练模式，初始化GRU神经网络的权重及偏置参数，获取遗传算法优化后的最佳参数组合，输入归一化后的训练集进行网络训练；
S6、对训练完成的GRU神经网络输入归一化后的测试集进行测试，检测训练效果，若效果表现优异，则保存训练好的GRU神经网络，否则返回步骤S3；
S7、设置GRU神经网络为故障诊断模式，下载读取训练完善的GRU神经网络结构和各层参数，并实时采集数据集D后，对数据集D进行最大最小归一化处理，将归一化后的实时CVT状态参数数据输入训练完善的GRU神经网络，由GRU神经网络输出故障诊断编码；
S8、依据故障诊断编码查询故障诊断编码表得到对应的故障类型，获得故障诊断结果，并保存记录。
2.根据权利要求1所述的一种基于遗传优化GRU神经网络的CVT在线故障诊断方法，其特征在于，所述步骤S3中，通过最大最小归一化将原始数据映射到[0，1]之间，针对第i个状态参数数据向量di中的第j个数据dij，采用以下公式进行最大最小归一化：
式中，
为归一化后的数据，min1≤j≤n{dij}为第i个状态参数数据向量di中最小的数据，max1≤j≤n{dij}为第i个状态参数数据向量di中最大的数据。
3.根据权利要求1所述的一种基于遗传优化GRU神经网络的CVT在线故障诊断方法，其特征在于，所述步骤S3中，将归一化后的样本数据集按照8：2的比例划分为训练集和测试集。
4.根据权利要求1所述的一种基于遗传优化GRU神经网络的CVT在线故障诊断方法，其特征在于，所述步骤S4中，遗传优化算法将GRU神经网络的均方根误差的倒数作为适应度值，通过选择最大的适应度值，寻找出最优的隐藏层数、批量大小和遗忘率参数组合，用于优化GRU神经网络，具体的优化步骤如下：
S41、随机产生一个种群，作为参数优化问题的初代解；
S42、采用浮点编码法对种群中的个体进行编码；
S43、以GRU神经网络中的均方根误差的倒数作为适应度值，计算种群中每种参数组合所对应个体的适应度；
S44、遵照适应度越高、选择概率越大的原则，从种群中选择两个个体作为父方和母方；
S45、对被选出的父方和母方执行遗传操作，即复制父体与母体的基因，并采用交叉、变异等算子产生出子代；
S46、判断是否达到终止条件，若是，则找出所有子代中适应度最高的参数组合个体作为解返回并结束程序，否则返回步骤S43。
5.根据权利要求1所述的一种基于遗传优化GRU神经网络的CVT在线故障诊断方法，其特征在于，所述步骤S5中，将当前时刻的输入数据以及上一时刻的输出数据通过GRU神经网络的更新门和重置门筛选出保留信息，最后汇总输出神经元个数为7，当输出0时代表正常，输出1时代表故障。
6.根据权利要求1所述的一种基于遗传优化GRU神经网络的CVT在线故障诊断方法，其特征在于，所述步骤S5中，训练所述GRU神经网络时采用均方根误差计算损失函数，并用Adam算法优化训练。
7.根据权利要求1所述的一种基于遗传优化GRU神经网络的CVT在线故障诊断方法，其特征在于，所述步骤S6中，下载读取保存好的所述GRU神经网络的网络结构和参数，输入归一化后的测试集，将输出的编码结果对应故障编码表找出故障类型；将由所述GRU神经网络诊断的结果与真实故障进行比对，若所述GRU神经网络的正确率达到95％，则保存所述GRU神经网络用于电容式电压互感器故障诊断，否则，返回步骤S4。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111326035.0A CN113987294A (zh) | 2021-11-10 | 2021-11-10 | 一种基于遗传优化gru神经网络的cvt在线故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111326035.0A CN113987294A (zh) | 2021-11-10 | 2021-11-10 | 一种基于遗传优化gru神经网络的cvt在线故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113987294A true CN113987294A (zh) | 2022-01-28 |
Family
ID=79747598
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111326035.0A Pending CN113987294A (zh) | 2021-11-10 | 2021-11-10 | 一种基于遗传优化gru神经网络的cvt在线故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113987294A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114357594A (zh) * | 2022-03-08 | 2022-04-15 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于sca-gru的桥梁异常监测方法、系统、设备及存储介质 |
| CN114492675A (zh) * | 2022-04-01 | 2022-05-13 | 武汉格蓝若智能技术有限公司 | 一种电容式电压互感器故障原因智能诊断方法 |
| CN115797710A (zh) * | 2023-02-08 | 2023-03-14 | 成都理工大学 | 基于隐藏层特征差异的神经网络图像分类性能提升方法 |
| CN117251957A (zh) * | 2023-11-16 | 2023-12-19 | 江苏千桐科技有限公司 | 用于锅炉配件工艺过程的仿真优化系统与方法 |
-
2021
- 2021-11-10 CN CN202111326035.0A patent/CN113987294A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114357594A (zh) * | 2022-03-08 | 2022-04-15 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于sca-gru的桥梁异常监测方法、系统、设备及存储介质 |
| CN114492675A (zh) * | 2022-04-01 | 2022-05-13 | 武汉格蓝若智能技术有限公司 | 一种电容式电压互感器故障原因智能诊断方法 |
| CN114492675B (zh) * | 2022-04-01 | 2022-07-12 | 武汉格蓝若智能技术有限公司 | 一种电容式电压互感器故障原因智能诊断方法 |
| CN115797710A (zh) * | 2023-02-08 | 2023-03-14 | 成都理工大学 | 基于隐藏层特征差异的神经网络图像分类性能提升方法 |
| CN115797710B (zh) * | 2023-02-08 | 2023-04-07 | 成都理工大学 | 基于隐藏层特征差异的神经网络图像分类性能提升方法 |
| CN117251957A (zh) * | 2023-11-16 | 2023-12-19 | 江苏千桐科技有限公司 | 用于锅炉配件工艺过程的仿真优化系统与方法 |
| CN117251957B (zh) * | 2023-11-16 | 2024-02-13 | 江苏千桐科技有限公司 | 用于锅炉配件工艺过程的仿真优化系统与方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113987294A (zh) | 一种基于遗传优化gru神经网络的cvt在线故障诊断方法 | |
| CN103678766A (zh) | 一种基于pso算法的异常用电客户检测方法 | |
| CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
| CN109597396B (zh) | 一种基于大数据流及迁移学习的配变故障在线诊断方法 | |
| CN108053148A (zh) | 一种电力信息系统故障高效诊断方法 | |
| CN103699668A (zh) | 基于数据断面一致性的配电网电气设备组合状态评估方法 | |
| WO2023065580A1 (zh) | 风电机组齿轮箱的故障诊断方法及装置 | |
| CN110865924A (zh) | 电力信息系统内部服务器健康度诊断方法与健康诊断框架 | |
| CN112115636A (zh) | 一种电力电缆绝缘老化寿命超前预测方法及系统 | |
| CN111179576B (zh) | 一种具有归纳学习的用电信息采集故障诊断方法及系统 | |
| CN117371207A (zh) | 一种特高压换流阀状态评价方法、介质及系统 | |
| CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
| CN113469409A (zh) | 一种基于高斯过程的电能量计量装置状态预测方法及装置 | |
| CN112345972A (zh) | 基于停电事件的配电网线变关系异常诊断方法、装置及系统 | |
| CN117113202A (zh) | 基于联合误差堆叠模型的电力回路能耗检测方法及设备 | |
| CN115146715A (zh) | 用电安全隐患诊断方法、装置、设备及存储介质 | |
| CN115713027A (zh) | 一种变压器状态评估方法、装置及系统 | |
| Sarma et al. | A long short-term memory based prediction model for transformer fault diagnosis using dissolved gas analysis with digital twin technology | |
| CN114581699A (zh) | 考虑多源信息时基于深度学习模型的变压器状态评估方法 | |
| CN114487643A (zh) | 一种特高压gil设备现场交接验收综合测试平台 | |
| CN111008779A (zh) | 一种基于多因素评估模型的变压器健康状态评估方法 | |
| KR102667861B1 (ko) | 딥러닝 기반의 고장 예측 모델을 이용한 중전기기 고장 진단 장치 및 그 방법 | |
| CN114219206B (zh) | 基于灰色层次分析的抽水蓄能机组油系统状态综合评估方法 | |
| CN115712064B (zh) | 一种基于lstm-cnn混合神经网络的励磁系统故障诊断方法 | |
| CN117560300B (zh) | 一种智能物联网流量预测与优化系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |