CN114065814A - Gil局部放电的缺陷类型识别方法、装置 - Google Patents
Gil局部放电的缺陷类型识别方法、装置 Download PDFInfo
- Publication number
- CN114065814A CN114065814A CN202111354897.4A CN202111354897A CN114065814A CN 114065814 A CN114065814 A CN 114065814A CN 202111354897 A CN202111354897 A CN 202111354897A CN 114065814 A CN114065814 A CN 114065814A
- Authority
- CN
- China
- Prior art keywords
- signal data
- identification
- result
- partial discharge
- evidence
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000009826 distribution Methods 0.000 claims abstract description 61
- 238000013528 artificial neural network Methods 0.000 claims abstract description 43
- 238000004590 computer program Methods 0.000 claims abstract description 43
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 35
- 230000004927 fusion Effects 0.000 claims abstract description 26
- 238000003860 storage Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 43
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000015572 biosynthetic process Effects 0.000 claims description 10
- 238000003786 synthesis reaction Methods 0.000 claims description 10
- 238000005315 distribution function Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 239000013589 supplement Substances 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000009413 insulation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1272—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本申请涉及一种GIL局部放电的缺陷类型识别方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取不同的GIL局部放电的信号数据；根据奇异值分解法提取各信号数据的特征信息，得到各信号数据的特征信息数据；将特征信息数据输入训练好的BP神经网络中进行识别分类，得到局部放电缺陷类型的初步识别结果；将初步识别结果作为D‑S证据识别框架的证据体，获取各证据体的信度分配结果；对信度分配结果进行融合识别，得到局部放电缺陷类型的最终识别结果。采用本方法能够实现多种信号数据的特征信息的相互补充，保证识别的准确率。
Description
技术领域
本申请涉及电力技术领域，特别是涉及一种GIL局部放电的缺陷类型识别方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着科学技术的进步，电网的规模因此随之不断扩大，对输电线路的性能也提出了更高的要求，其中气体绝缘金属封闭输电线路(gas insulated line,GIL)具有电压等级高、输送容量大、安全可靠性高、可适用于恶劣环境的特点，已成为远距离大容量输电线路的经济解决方案。根据实际运行经验表明，气体绝缘金属封闭输电线路在制造、运输、安装等过程中产生的微小缺陷会在高场强作用下导致局部放电(局放)的发生，严重时甚至导致绝缘的击穿，造成GIL故障，其中导致GIL故障的主要缺陷是由其绝缘缺陷引起的，但是不同绝缘缺陷类型具有不同的放电特性，对设备产生的危害也不同，所以对GIL典型缺陷开展局部放电识别研究是很有必要的。
现有技术中，采用单一的暂态地电压法、超声波法或者是特高频法得到的单一信号数据去确定缺陷类型，需要分别去获取单一信号数据，不能最大限度的利用信号数据的丰富特征信息导致识别结果的精度有待提高。
可见，上述现有技术存在局部放电缺陷识别准确率较低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种准确的GIL局部放电的缺陷类型识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种GIL局部放电的缺陷类型识别方法。所述方法包括：
采集不同的GIL局部放电的信号数据；
根据奇异值分解法提取各信号数据的特征信息，得到各信号数据的特征信息数据；
将特征信息数据输入训练好的BP神经网络中进行识别分类，得到局部放电缺陷类型的初步识别结果；
将初步识别结果作为D-S证据识别框架的证据体，得到各证据体的信度分配结果；
对信度分配结果进行融合识别，得到局部放电缺陷类型的最终识别结果。
在其中一个实施例中，根据奇异值分解法提取各信号数据的特征，得到各信号数据的特征信息数据包括：
根据各信号数据，构造与各信号数据一一对应的矩阵；
对矩阵分别进行奇异值分解，得各矩阵的奇异值；
对奇异值进行降序排列，得到降序排列的奇异值序列；
根据降序排列的奇异值序列，得到各个信号数据的特征信息数据。
在其中一个实施例中，将初步识别结果作为D-S证据识别框架的证据体，得到各证据体的信度分配结果包括：
获取D-S证据识别框架；
根据初步识别结果，生成D-S证据识别框架的证据体；
根据基本概率分配函数，计算得到各证据体的基本概率赋值；
根据基本概率赋值，得到各证据体的信度分配结果。
在其中一个实施例中，获取不同的GIL局部放电的信号数据包括：
采集GIL局部放电的超声信号数据、特高频信号数据以及超声-特高频联合信号数据。
在其中一个实施例中，对信度分配结果进行融合识别，得到局部放电缺陷类型的最终识别结果包括：
获取各证据体的信度分配结果；
根据Dempster合成规则，将信度分配结果进行融合，得到共同识别结果；
根据决策规则对共同识别结果进行判断，得到局部放电缺陷类型的最终识别结果。
在其中一个实施例中，将特征信息数据分别输入训练好的BP神经网络中进行识别分类，得到缺陷类型的初步识别结果之前还包括：
获取训练信号数据；
对训练信号数据进行预处理，得到训练信号数据的特征信息数据；
将训练信号数据的特征信息数据输入至BP神经网络中进行训练，得到训练好的BP神经网络。
第二方面，本申请还提供了一种GIL局部放电的缺陷类型识别装置。所述装置包括：
数据采集模块，用于采集不同的GIL局部放电的信号数据；
特征提取模块，用于根据奇异值分解法提取各信号数据的特征信息，得到各信号数据的特征信息数据；
缺陷识别模块，用于将特征信息数据输入训练好的BP神经网络中进行识别分类，得到局部放电缺陷类型的初步识别结果；将初步识别结果作为D-S证据识别框架的证据体，获取各证据体的信度分配结果；对信度分配结果进行融合识别，得到局部放电缺陷类型的最终识别结果。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取不同的GIL局部放电的信号数据；
根据奇异值分解法提取各信号数据的特征信息，得到各信号数据的特征信息数据；
将特征信息数据输入训练好的BP神经网络中进行识别分类，得到局部放电缺陷类型的初步识别结果；
将初步识别结果作为D-S证据识别框架的证据体，获取各证据体的信度分配结果；
对信度分配结果进行融合识别，得到局部放电缺陷类型的最终识别结果。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取不同的GIL局部放电的信号数据；
根据奇异值分解法提取各信号数据的特征信息，得到各信号数据的特征信息数据；
将特征信息数据输入训练好的BP神经网络中进行识别分类，得到局部放电缺陷类型的初步识别结果；
将初步识别结果作为D-S证据识别框架的证据体，获取各证据体的信度分配结果；
对信度分配结果进行融合识别，得到局部放电缺陷类型的最终识别结果。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取不同的GIL局部放电的信号数据；
根据奇异值分解法提取各信号数据的特征信息，得到各信号数据的特征信息数据；
将特征信息数据输入训练好的BP神经网络中进行识别分类，得到局部放电缺陷类型的初步识别结果；
将初步识别结果作为D-S证据识别框架的证据体，获取各证据体的信度分配结果；
对信度分配结果进行融合识别，得到局部放电缺陷类型的最终识别结果。
上述GIL局部放电的缺陷类型识别方法、装置、计算机设备、存储介质和计算机程序产品，采集多种不同的信号数据，能得到比单一信号数据更加准确和全面的识别结果，同时根据奇异值分解法提取各信号数据的特征信息，能快速直观地提取出信号数据中的特征信息数据，除此之外，对得到的D-S证据识别框架各证据体信度分配结果进行融合识别，能够实现多种信号数据的特征信息的相互补充，保证识别的准确率。
附图说明
图1为一个实施例中GIL局部放电的缺陷类型识别方法的应用环境图；
图2为一个实施例中GIL局部放电的缺陷类型识别方法的流程示意图；
图3为一个实施例中S200的子流程示意图；
图4为另一个实施例中S400的子流程示意图；
图5为一个实施例中GIL局部放电的缺陷类型识别装置的结构框图；
图6为一个实施例中计算机设备的内部结构图；
图7为另一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的GIL局部放电的缺陷类型识别方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。终端102采集不同的GIL局部放电的信号数据，并将其通过网络发送给服务器104，服务器104根据奇异值分解法提取各信号数据的特征信息，得到各信号数据的特征信息数据再将述征信息数据输入BP神经网络中进行识别分类，得到缺陷类型的初步识别结果；将初步识别结果作为D-S证据识别框架的证据体，得到各证据体的信度分配结果对信度分配结果进行融合识别，得到局部放电缺陷类型的最终识别结果。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种GIL局部放电的缺陷类型识别方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
S100，采集不同的GIL局部放电的信号数据。
其中，信号数据是指的GIL发生局部放电的时候采集到的局放信号数据；具体地，当GIL发生局部放电的时候，使用不同的数据采集装备同时采集信号数据，得到不同的GIL局部放电的信号数据。
S200，根据奇异值分解法提取各信号数据的特征信息，得到各信号数据的特征信息数据；
其中，奇异值分解法指的是线性代数中一种重要的矩阵分解方法，用于提取一个矩阵最重要的特征。具体地，先构造出关于信号数据的矩阵，再通过奇异值分解将矩阵进行分解，得到矩阵的奇异值，选取适当的奇异值作为信号数据的特征信息数据。
S300，将特征信息数据输入训练好的BP神经网络中进行识别分类，得到局部放电缺陷类型的初步识别结果。
其中，BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络；具体的，每个信号数据都有对应的特征信息数据，将每个信号数据对应的特征信息作为输入数据分别输入到训练好的BP神经网络中，输出局部放电缺陷类型数据，根据局部放电缺陷类型数据初步确定局部放电的缺陷类型，得到局部放电缺陷类型的初步识别结果。
S400，将初步识别结果作为D-S证据识别框架的证据体，获取各证据体的信度分配结果；
其中，D-S证据是将多源信息融合处理的一种有效手段，通过数学推理方式对不确定和不完整的信息进行融合计算；具体地，将根据每个信号数据得到的识别结果作为D-S证据识别框架的证据体，通过计算对每个证据体的可信程度进行评估，得到各证据体的信度分配结果。
S500，对信度分配结果进行融合识别，得到局部放电缺陷类型的最终识别结果。
具体地，将得到各证据体的信度分配结果，按照一定的规则进行融合处理，融合得到一个共同的结论，再对这个共同的结论进行分析处理，得到局部放电缺陷类型的最终识别结果，从而确定最终的局部放电缺陷类型。
上述GIL局部放电的缺陷类型识别方法，通过采集不同的GIL局部放电的信号数据；根据奇异值分解法提取各信号数据的特征信息，得到各信号数据的特征信息数据；将特征信息数据输入训练好的BP神经网络中进行识别分类，得到缺陷类型的初步识别结果；将初步识别结果作为D-S证据识别框架的证据体，得到各证据体的信度分配结果；对信度分配结果进行融合识别，得到局部放电缺陷类型的最终识别结果。整个过程中，采集多种不同的信号数据，能得到比单一信号数据更加准确和全面的识别结果，同时根据奇异值分解法提取各信号数据的特征信息，能快速直观地提取出信号数据中的特征信息数据，除此之外，对得到的D-S证据识别框架各证据体信度分配结果进行融合识别，能够实现多种信号数据的特征信息的相互补充，保证识别的准确率。
在一个实施例中，如图3所示，S200包括：
S220，根据各信号数据，构造与各信号数据一一对应的矩阵；
S240，对矩阵分别进行奇异值分解，得各矩阵的奇异值；
S260，对奇异值进行降序排列，得到降序排列的奇异值序列；
S280，根据降序排列的奇异值序列，得到各个信号数据的特征信息数据。
具体地，获取多个信号数据h1(j)、h2(j)、h3(j)，将一维的信号数据h1(j)、h2(j)、h3(j)2分别转换为Hankel矩阵：
式中，1<n<N，m＝N-m+1，当N为偶数，
当N为奇数时，
通过奇异值分解法对得到的与信号数据一一对应的矩阵H分别进行奇异值分解，其中奇异值分解法可以用如下公式表示：
式中，矩阵U、V分别为m3m、n3m的正交矩阵，ui和vi表示m、n维列向量，λi表示奇异值。根据∑＝diag(λ1，λ2，……λr)(r＝min(m,n))得到奇异值，将得到的奇异值λi按照降序进行排列，得到降序排列的奇异值序列，即奇异值λi满足λ1≥λ2≥......≥λr>0，在每个奇异值序列中选择前五个奇异值作为各信号数据的特征信息数据。
在本实施例中，根据奇异值分解法提取各信号数据的特征信息，能够快速且直观地提取出信号数据中的特征信息数据，从而提高整个识别过程的识别效率。
在一个实施例中，如图4所示，S400包括：
S420，获取D-S证据识别框架；
S440，根据初步识别结果，生成D-S证据识别框架的证据体；
S460，根据基本概率分配函数，计算得到各证据体的基本概率赋值；
S480，根据基本概率赋值，得到各证据体的信度分配结果。
具体地，获取D-S证据识别框架Θ，将得到的初步识别结果作为D-S证据识别框架的证据体，即超声信号数据得到的识别结果A1，特高频信号数据得到的识别结果A2，超声-特高频联合信号数据得到的识别结果A3，不确定性θ；根据基本概率分配函数，计算上述各证据体的基本概率赋值BPA。
对于识别框架Θ，其基础概率分配m是从2Θ到区间[0,1]的一个映射(即m为2Θ)，它满足以下两个条件：
信任函数Bel(A)和m(B)之间满足：
，其中m(A)为矩阵A的基本概率，Bel(A)表示为A所有子集的BPA之和，其反映的是
对A的支持力度。由于各信息来源的可靠性不一，所以设置α∈[0,1]为可靠系数，这里以BP神经网络计算的识别率代替，即识别框架上各证据体的基本概率赋值BPA的计算方法为：
mi(Aj)＝αi·μij
i＝1,2,3；j＝1,2,3,4
上式中：mi(Aj)为第i个证据对于第j个对象的BPA；mI(θ)是第i个证据不确定性的BPA值：μij表示第i个证据对于输出j类缺陷的隶属度；αi为第i个证据源的可靠系数。根据得到的各证据体的基本概率赋值BPA，可以得到各证据体的信度分配结果。
在本实施例中，通过将各信号数据对应的初步识别结果作为D-S证据识别框架的证据体，根据基本概率分配函数，计算得到各证据体的基本概率赋值，从而得到各证据体的信度分配结果，为最终决策提供了非常有效的信息，有利于保证最终局部放电缺陷类型识别结果的准确性。
在一个实施例中，获取不同的GIL局部放电的信号数据包括：
采集GIL局部放电的超声信号数据、特高频信号数据以及超声-特高频联合信号数据。
具体地，采用特高频和超声传感器采集GIL局部放电的超声信号、特高频信号、超声-特高频联合信号序列h1(j)、h2(j)、h3(j)。
在本实施例中，通过采集超声信号数据、特高频信号数据以及超声-特高频联合信号数据三个不同类型的信号数据，对采集到的这3中信号数据进行分析处理能得到比单一信号数据更加准确和全面的局部放电缺陷类型识别结果，大幅提升识别的效果。
在一个实施例中，S500包括：
步骤1，获取各证据体的信度分配结果；
步骤2，根据Dempster合成规则，将信度分配结果进行融合，得到共同识别结果；
步骤3，根据决策规则对共同识别结果进行判断，得到局部放电缺陷类型的最终识别结果。
其中，Dempster合成规则是证据融合公式，也是D-S证据理论的核心，主要是通过将所有证据体的基本概率赋值BPA进行合成达到融合所有证据体的信度分配结果，实现多信息融合。具体地，获取各证据体的信度分配结果，将过将所有证据体的基本概率赋值BPA进行合成达到融合所有证据体的信度分配结果，实现多信息融合，计算方法如下：
上式中，
表示异或运算，K为归一化因子。通过上式合成的BPA，输出的结论即为基于3类信号数据得到的共同识别结论。根据如下决策规则对共同识别结果进行判断：
规则
m(Amax1)为其输出BPA的最大值。规则I说明作为整体表示结论的输出应该具有最大值的BPA。
规则II：m(Amax1)>m(θ)，规则II说明其输出的BPA最大值须大于不确定性θ。
规则III：m(Amax1)-m(Amax2)>ε，规则III说明只有当最终的输出足够突出时才能被接受。其中m(Amax2)为BPA的次大值，ε是DS证据理论中证据可信度常数，它的取值须结合信号源的辨识率以及综合识别的实际应用，选取ε＝0.40。根据上述规则判断后输出的结论，可以得到局部放电缺陷类型的最终识别结果。
在本实施例中，通过Dempster合成规则，将信度分配结果进行融合，得到共同识别结果，再根据决策规则对共同识别结果进行判断，能够达到多种信号数据的特征信息的相互补充，实现多信息融合，能够得到准确的局部放电缺陷类型识别结果，同时也能提高GIL局部放电的缺陷类型的识别率。
在一个实施例中，在将特征信息数据分别输入训练好的BP神经网络中进行识别分类，得到缺陷类型的初步识别结果之前包括：
步骤1，获取训练信号数据；
步骤2，对训练信号数据进行预处理，得到训练信号数据的特征信息数据；
步骤3，将训练信号数据的特征信息数据输入至BP神经网络中进行训练，得到训练好的BP神经网络。
具体地，采集大量的信号数据，选取3/4的信号数据作为训练信号数据用于对BP神经网络进行训练，先对获取的训练信号数据进行预处理，提取出训练信号数据中的特征信息数据，将得到的特征信号数据输入到BP神经网络中进行训练学习，当达到一定的预设条件时，完成训练，得到训练好的BP神经网络。
在本实施例中，通过将训练信号数据的进行预处理，得到训练信号数据的特征信息数据，并将其输入到BP神经网络中进行训练，得到训练好的BP神经网络，使得后续能够在将对局部放电缺陷类型进行识别分类时直接将信号数据的特征信息数据输入到训练好的BP神经网络中，能够快速得到初步识别结果，从而在一定程度上提高了整个识别过程的效率。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的GIL局部放电的缺陷类型识别方法的GIL局部放电的缺陷类型识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个GIL局部放电的缺陷类型识别装置实施例中的具体限定可以参见上文中对于GIL局部放电的缺陷类型识别方法的限定，在此不再赘述。
在一个实施例中，如图5所示，提供了一种GIL局部放电的缺陷类型识别装置，包括：数据采集模块100、特征提取模块200和缺陷识别模块300，其中：
数据采集模块100，用于采集多个的GIL局部放电的信号数据；
特征提取模块200，用于根据奇异值分解法提取各信号数据的特征信息，得到各信号数据的特征信息数据；
缺陷识别模块300，用于将特征信息数据输入训练好的BP神经网络中进行识别分类，得到局部放电缺陷类型的初步识别结果；将初步识别结果作为D-S证据识别框架的证据体，获取各证据体的信度分配结果；对信度分配结果进行融合识别，得到局部放电缺陷类型的最终识别结果。
上述GIL局部放电的缺陷类型识别装置，通过采集不同的GIL局部放电的信号数据；根据奇异值分解法提取各信号数据的特征信息，得到各信号数据的特征信息数据；将特征信息数据输入训练好的BP神经网络中进行识别分类，得到局部放电缺陷类型的初步识别结果；将初步识别结果作为D-S证据识别框架的证据体，获取各证据体的信度分配结果；对信度分配结果进行融合识别，得到局部放电缺陷类型的最终识别结果。整个过程中，采集多种不同的信号数据，能得到比单一信号数据更加准确和全面的识别结果，同时根据奇异值分解法提取各信号数据的特征信息，能快速直观地提取出信号数据中的特征信息数据，除此之外，对得到的D-S证据识别框架各证据体信度分配结果进行融合识别，能够实现多种信号数据的特征信息的相互补充，提高GIL局部放电的缺陷类型的识别效率的同时进一步保证识别的准确率。
在一个实施例中，数据采集模块200还用于采集GIL局部放电的超声信号数据、特高频信号数据以及超声-特高频联合信号数据。
在一个实施例中，特征提取模块200还用于根据各信号数据，构造与各信号数据一一对应的矩阵；对矩阵分别进行奇异值分解，得各矩阵的奇异值；对奇异值进行降序排列，得到降序排列的奇异值序列；根据降序排列的奇异值序列，得到各个信号数据的特征信息数据。
在一个实施例中，缺陷识别模块300还用于获取训练信号数据；对训练信号数据进行预处理，得到训练信号数据的特征信息数据；将训练信号数据的特征信息数据输入至BP神经网络中进行训练，得到训练好的BP神经网络。
在一个实施例中，缺陷识别模块300还用于获取D-S证据识别框架；根据初步识别结果，生成D-S证据识别框架的证据体；根据基本概率分配函数，计算得到各证据体的基本概率赋值；根据基本概率赋值，得到各证据体的信度分配结果。
在一个实施例中，缺陷识别模块300还用于获取各证据体的信度分配结果；根据Dempster合成规则，将信度分配结果进行融合，得到共同识别结果；根据决策规则对共同识别结果进行判断，得到局部放电缺陷类型的最终识别结果。
上述GIL局部放电的缺陷类型识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储XX数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种GIL局部放电的缺陷类型识别方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种GIL局部放电的缺陷类型识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6-7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取不同的GIL局部放电的信号数据；根据奇异值分解法提取各信号数据的特征信息，得到各信号数据的特征信息数据；将特征信息数据输入训练好的BP神经网络中进行识别分类，得到局部放电缺陷类型的初步识别结果；将初步识别结果作为D-S证据识别框架的证据体，获取各证据体的信度分配结果；对信度分配结果进行融合识别，得到局部放电缺陷类型的最终识别结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据各信号数据，构造与各信号数据一一对应的矩阵；对矩阵分别进行奇异值分解，得各矩阵的奇异值；对奇异值进行降序排列，得到降序排列的奇异值序列；根据降序排列的奇异值序列，得到各个信号数据的特征信息数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取D-S证据识别框架；根据初步识别结果，生成D-S证据识别框架的证据体；根据基本概率分配函数，计算得到各证据体的基本概率赋值；根据基本概率赋值，得到各证据体的信度分配结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
采集GIL局部放电的超声信号数据、特高频信号数据以及超声-特高频联合信号数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取各证据体的信度分配结果；根据Dempster合成规则，将信度分配结果进行融合，得到共同识别结果；根据决策规则对共同识别结果进行判断，得到局部放电缺陷类型的最终识别结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取训练信号数据对训练信号数据进行预处理，得到训练信号数据的特征信息数据；将训练信号数据的特征信息数据输入至BP神经网络中进行训练，得到训练好的BP神经网络。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取不同的GIL局部放电的信号数据；根据奇异值分解法提取各信号数据的特征信息，得到各信号数据的特征信息数据；将特征信息数据输入训练好的BP神经网络中进行识别分类，得到局部放电缺陷类型的初步识别结果；将初步识别结果作为D-S证据识别框架的证据体，获取各证据体的信度分配结果；对信度分配结果进行融合识别，得到局部放电缺陷类型的最终识别结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据各信号数据，构造与各信号数据一一对应的矩阵；对矩阵分别进行奇异值分解，得各矩阵的奇异值；对奇异值进行降序排列，得到降序排列的奇异值序列；根据降序排列的奇异值序列，得到各个信号数据的特征信息数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取D-S证据识别框架；根据初步识别结果，生成D-S证据识别框架的证据体；根据基本概率分配函数，计算得到各证据体的基本概率赋值；根据基本概率赋值，得到各证据体的信度分配结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
采集GIL局部放电的超声信号数据、特高频信号数据以及超声-特高频联合信号数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取各证据体的信度分配结果；根据Dempster合成规则，将信度分配结果进行融合，得到共同识别结果；根据决策规则对共同识别结果进行判断，得到局部放电缺陷类型的最终识别结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取训练信号数据；对训练信号数据进行预处理，得到训练信号数据的特征信息数据；将训练信号数据的特征信息数据输入至BP神经网络中进行训练，得到训练好的BP神经网络。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取不同的GIL局部放电的信号数据；根据奇异值分解法提取各信号数据的特征信息，得到各信号数据的特征信息数据；将特征信息数据输入训练好的BP神经网络中进行识别分类，得到局部放电缺陷类型的初步识别结果；将初步识别结果作为D-S证据识别框架的证据体，获取各证据体的信度分配结果；对信度分配结果进行融合识别，得到局部放电缺陷类型的最终识别结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据各信号数据，构造与各信号数据一一对应的矩阵对矩阵分别进行奇异值分解，得各矩阵的奇异值；对奇异值进行降序排列，得到降序排列的奇异值序列；根据降序排列的奇异值序列，得到各个信号数据的特征信息数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取D-S证据识别框架；根据初步识别结果，生成D-S证据识别框架的证据体；根据基本概率分配函数，计算得到各证据体的基本概率赋值；根据基本概率赋值，得到各证据体的信度分配结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
采集GIL局部放电的超声信号数据、特高频信号数据以及超声-特高频联合信号数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取各证据体的信度分配结果；根据Dempster合成规则，将信度分配结果进行融合，得到共同识别结果；根据决策规则对共同识别结果进行判断，得到局部放电缺陷类型的最终识别结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取训练信号数据；对训练信号数据进行预处理，得到训练信号数据的特征信息数据；将训练信号数据的特征信息数据输入至BP神经网络中进行训练，得到训练好的BP神经网络。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种GIL局部放电的缺陷类型识别方法，其特征在于，所述方法包括：
获取不同的GIL局部放电的信号数据；
根据奇异值分解法提取各所述信号数据的特征信息，得到各所述信号数据的特征信息数据；
将所述特征信息数据输入训练好的BP神经网络中进行识别分类，得到局部放电缺陷类型的初步识别结果；
将所述初步识别结果作为D-S证据识别框架的证据体，获取各所述证据体的信度分配结果；
对所述信度分配结果进行融合识别，得到局部放电缺陷类型的最终识别结果。
2.根据权利要求1所述的方法，其特征在于，所述根据奇异值分解法提取各所述信号数据的特征，得到各所述信号数据的特征信息数据包括：
根据各所述信号数据，构造与各所述信号数据一一对应的矩阵；
对所述矩阵分别进行奇异值分解，得各所述矩阵的奇异值；
对所述奇异值进行降序排列，得到降序排列的奇异值序列；
根据所述降序排列的奇异值序列，得到各个所述信号数据的特征信息数据。
3.根据权利要求1所述的方法，其特征在于，所述将所述初步识别结果作为D-S证据识别框架的证据体，得到各所述证据体的信度分配结果包括：
获取D-S证据识别框架；
根据所述初步识别结果，生成所述D-S证据识别框架的证据体；
根据基本概率分配函数，计算得到各所述证据体的基本概率赋值；
根据所述基本概率赋值，得到各所述证据体的信度分配结果。
4.根据权利要求1所述的方法，其特征在于，所述获取不同的GIL局部放电的信号数据包括：
采集GIL局部放电的超声信号数据、特高频信号数据以及超声-特高频联合信号数据。
5.根据权利要求1所述的方法，其特征在于，所述对所述信度分配结果进行融合识别，得到局部放电缺陷类型的最终识别结果包括：
获取各所述证据体的信度分配结果；
根据Dempster合成规则，将所述信度分配结果进行融合，得到共同识别结果；
根据决策规则对所述共同识别结果进行判断，得到局部放电缺陷类型的最终识别结果。
6.根据权利要求1所述的方法，其特征在于，所述将所述特征信息数据输入训练好的BP神经网络中进行识别分类，得到局部放电缺陷类型的初步识别结果之前还包括：
获取训练信号数据；
对所述训练信号数据进行预处理，得到训练信号数据的特征信息数据；
将所述训练信号数据的特征信息数据输入至BP神经网络中进行训练，得到训练好的BP神经网络。
7.一种GIL局部放电的缺陷类型识别装置，其特征在于，所述装置包括：
数据采集模块，用于采集不同的GIL局部放电的信号数据；
特征提取模块，用于根据奇异值分解法提取各信号数据的特征信息，得到各信号数据的特征信息数据；
缺陷识别模块，用于将特征信息数据输入训练好的BP神经网络中进行识别分类，得到局部放电缺陷类型的初步识别结果；将初步识别结果作为D-S证据识别框架的证据体，获取各证据体的信度分配结果；对信度分配结果进行融合识别，得到局部放电缺陷类型的最终识别结果。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111354897.4A CN114065814A (zh) | 2021-11-16 | 2021-11-16 | Gil局部放电的缺陷类型识别方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111354897.4A CN114065814A (zh) | 2021-11-16 | 2021-11-16 | Gil局部放电的缺陷类型识别方法、装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114065814A true CN114065814A (zh) | 2022-02-18 |
Family
ID=80272616
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111354897.4A Pending CN114065814A (zh) | 2021-11-16 | 2021-11-16 | Gil局部放电的缺陷类型识别方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114065814A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114817847A (zh) * | 2022-06-30 | 2022-07-29 | 广州兆和电力技术有限公司 | 一种基于多层前馈神经网络的储能电站智能监测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107271867A (zh) * | 2017-06-27 | 2017-10-20 | 国网河南省电力公司检修公司 | 基于d‑s证据理论的gis局部放电故障类型识别方法 |
| CN109444682A (zh) * | 2018-11-02 | 2019-03-08 | 国网四川省电力公司广安供电公司 | 基于多信息融合的开关柜局部放电诊断系统的构建方法 |
| CN109669087A (zh) * | 2019-01-31 | 2019-04-23 | 国网河南省电力公司 | 一种基于多源信息融合的电力变压器故障诊断方法 |
| CN112001246A (zh) * | 2020-07-20 | 2020-11-27 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于奇异值分解的局部放电类型识别方法及装置 |
| CN112434743A (zh) * | 2020-11-27 | 2021-03-02 | 国网江苏省电力有限公司检修分公司 | 基于gil金属微粒局部放电时域波形图像的故障识别方法 |
| CN113607271A (zh) * | 2021-07-15 | 2021-11-05 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于振动信号的gil缺陷在线监测系统及方法 |
-
2021
- 2021-11-16 CN CN202111354897.4A patent/CN114065814A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107271867A (zh) * | 2017-06-27 | 2017-10-20 | 国网河南省电力公司检修公司 | 基于d‑s证据理论的gis局部放电故障类型识别方法 |
| CN109444682A (zh) * | 2018-11-02 | 2019-03-08 | 国网四川省电力公司广安供电公司 | 基于多信息融合的开关柜局部放电诊断系统的构建方法 |
| CN109669087A (zh) * | 2019-01-31 | 2019-04-23 | 国网河南省电力公司 | 一种基于多源信息融合的电力变压器故障诊断方法 |
| CN112001246A (zh) * | 2020-07-20 | 2020-11-27 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于奇异值分解的局部放电类型识别方法及装置 |
| CN112434743A (zh) * | 2020-11-27 | 2021-03-02 | 国网江苏省电力有限公司检修分公司 | 基于gil金属微粒局部放电时域波形图像的故障识别方法 |
| CN113607271A (zh) * | 2021-07-15 | 2021-11-05 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于振动信号的gil缺陷在线监测系统及方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114817847A (zh) * | 2022-06-30 | 2022-07-29 | 广州兆和电力技术有限公司 | 一种基于多层前馈神经网络的储能电站智能监测方法 |
| CN114817847B (zh) * | 2022-06-30 | 2023-02-07 | 广州兆和电力技术有限公司 | 一种基于多层前馈神经网络的储能电站智能监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Younis et al. | Metamodelling and search using space exploration and unimodal region elimination for design optimization | |
| CN115795000A (zh) | 基于联合相似度算法对比的围标识别方法和装置 | |
| CN115564152A (zh) | 基于stirpat模型的碳排放量预测方法及装置 | |
| CN114064723A (zh) | 关联规则挖掘方法、装置、计算机设备和存储介质 | |
| CN114065814A (zh) | Gil局部放电的缺陷类型识别方法、装置 | |
| CN117435130A (zh) | 金融数据存储方法、装置、计算机设备和存储介质 | |
| CN116894721A (zh) | 一种指标预测方法、装置、计算机设备 | |
| CN116842171A (zh) | 文章推荐方法、装置、计算机设备和存储介质 | |
| CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
| CN115063658A (zh) | 目标检测方法、装置、设备、存储介质和程序产品 | |
| CN115186890A (zh) | 预警方法、装置、计算机设备和存储介质 | |
| CN115346616A (zh) | 晶体性质预测模型的训练方法、装置和计算机设备 | |
| CN114168787A (zh) | 音乐推荐方法、装置、计算机设备和存储介质 | |
| CN118171953A (zh) | 目标企业筛选方法、装置、计算机设备和存储介质 | |
| CN117437010A (zh) | 资源借调等级预测方法、装置、设备、存储介质和程序产品 | |
| CN115578186A (zh) | 授信额度预测方法、装置、计算机设备、存储介质和产品 | |
| CN116468467A (zh) | 电网设备材料代价预测方法、装置、设备、介质和产品 | |
| CN116757673A (zh) | 巡检装备布设方法、装置、设备、存储介质和产品 | |
| CN116127183A (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
| CN117290196A (zh) | 系统故障预测方法、模型训练方法、装置和计算机设备 | |
| CN115827977A (zh) | 用户偏好预测模型的训练方法、装置和计算机设备 | |
| CN114638305A (zh) | 数据的处理方法、装置、计算机设备和存储介质 | |
| CN115048436A (zh) | 基于可视图原理的高维金融时间序列的阶段划分方法 | |
| CN116894112A (zh) | 数据分类方法、装置、计算机设备及其存储介质 | |
| CN118152464A (zh) | 一种区域资源指标数据处理方法、装置、计算机设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220218 |
|
| RJ01 | Rejection of invention patent application after publication |