CN114219146A - 一种电力调度故障处理操作量预测方法 - Google Patents

一种电力调度故障处理操作量预测方法 Download PDF

Info

Publication number
CN114219146A
CN114219146A CN202111520565.9A CN202111520565A CN114219146A CN 114219146 A CN114219146 A CN 114219146A CN 202111520565 A CN202111520565 A CN 202111520565A CN 114219146 A CN114219146 A CN 114219146A
Authority
CN
China
Prior art keywords
power
data
fault
operation amount
handling operation
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
Application number
CN202111520565.9A
Other languages
English (en)
Inventor
戚焕兴
廖云
黄莹璇
罗添允
蔡宛达
杨加意
潘连荣
袁亚湘
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangxi Power Grid Co Ltd
Beihai Power Supply Bureau of Guangxi Power Grid Co Ltd
Original Assignee
Guangxi Power Grid Co Ltd
Beihai Power Supply Bureau of Guangxi Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangxi Power Grid Co Ltd, Beihai Power Supply Bureau of Guangxi Power Grid Co Ltd filed Critical Guangxi Power Grid Co Ltd
Priority to CN202111520565.9A priority Critical patent/CN114219146A/zh
Publication of CN114219146A publication Critical patent/CN114219146A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开一种电力调度故障处理操作量预测方法，包括：获取电网故障历史数据；对电网故障历史数据进行量化处理，对气象数据和电力负荷进行标签化处理；对量化处理后的数据进行样本平衡；基于平衡后的数据搭建线性拟合模型，根据数据权重甄选关键的训练数据类型；确定并搭建DBN模型；利用电网故障历史数据对DBN模型进行训练；利用DBN模型预测将来一段时间内的电力调度故障处理操作量。本发明可对未来7天内电力调度故障处理操作量进行有效预测。作为电力调度值班计划的依据，在预先预测知晓故障处理操作量多的情况下提前安排加强值班。为电力调度运行的提前风险管控有重大意义，改变了现有事后应急处理的窘境。

Description

一种电力调度故障处理操作量预测方法
技术领域
本发明涉及电网调度控制技术领域，特别涉及一种电力调度故障处理操作量预测方法。
背景技术
电力调度值班应合理安排值班人数，以满足值班工作量的要求。目前，广西电网调度值班方式主要依据计划工作量安排，在故障多发期间因调度值班人员不足导致的故障处理时间长、人员过劳，工作量堵塞等问题长期存在。电力调度故障处理操作量的可靠预测是实现合理调度潮汐值班的前提条件，如果无法提前预测调度故障处理操作量，将不能很好地提前做好值班人员的排班安排，因此有必要对现有技术进行改进。
发明内容
本发明的目的是提供一种电力调度故障处理操作量预测方法，可以解决现有技术中不能提前预测调度故障处理操作量而导致的在故障多发期间因调度值班人员不足导致的故障处理时间长、人员过劳、工作量堵塞等问题。
本发明的目的是通过以下技术方案实现的：
本发明提供一种电力调度故障处理操作量预测方法，包括以下步骤：
步骤S1、获取电网故障历史数据；
步骤S2、对电网故障历史数据进行量化处理，形成电力调度故障处理操作量数据，对气象数据和电力负荷进行标签化处理；
步骤S3、对量化处理后的数据按SMOTE算法进行样本平衡；
步骤S4、基于平衡后的数据搭建线性拟合模型，根据数据权重甄选关键的训练数据类型；
步骤S5、确定并搭建DBN模型；
步骤S6、调节网络参数、选择适宜训练算法，利用电网故障历史数据对DBN 模型进行训练；
步骤S7、利用DBN模型预测将来一段时间内的电力调度故障处理操作量。
进一步的，所述对电网故障历史数据进行量化处理包括：
步骤S201、以某一时间单位作为区间划分，将该某一时间单位内的每一项电网故障类型赋予分值，同一类电网故障类型分值相同，电网故障将转化为直观反映调度故障处理操作量的分值；
步骤S202、统计该某一时间单位内同一类电网故障类型出现的次数，计算同一类电网故障类型的总分值，形成量化的电网故障操作数据。
进一步的，所述时间单位按小时或天为单位。
进一步的，所述同一类电网故障类型的总分值＝每一项电网故障类型的单一分值×该电网故障类型出现的次数。
进一步的，所述关键的训练数据类型包括气温、降雨量、云量、气压、风速、电力负荷。
进一步的，所述电网故障历史数据包括故障时的气象数据、电力负荷。
本发明提出了一种应用于调度潮汐排班的电网故障处理操作量预测算法，可对未来7天内电力调度故障处理操作量进行有效预测。作为电力调度值班计划的依据，在预先预测知晓故障处理操作量多的情况下提前安排加强值班。可以提前合理地安排具体时段的值班人员数量，有效避免故障多发期因调度人员不足导致的一系列问题。将实现对未来短期内的电力调度故障处理操作量预测，为电力调度运行的提前风险管控有重大意义，改变了现有事后应急处理的窘境。
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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的电力调度故障处理操作量预测方法的流程图；
图2为SMOTE算法思路示意图；
图3为基于LIME算法的关键影响数据甄选流程示意图；
图4为利用DBN模型预测故障处理量过程示意图；
图5为训练DBN模型的流程示意图；
图6为深度置信网络模型结构示意图；
图7为利用本发明的方法预测北海网区电力调度故障处理操作量与实际值对比图；
图8为利用本发明的方法预测桂林网区电力调度故障处理操作量与实际值对比图；
图9为利用本发明的方法预测玉林网区电力调度故障处理操作量与实际值对比图；
图10为利用本发明的方法预测柳州网区电力调度故障处理操作量与实际值对比图；
图11为电力调度故障量预测准确率统计图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
本发明的电力调度故障处理操作量预测方法，包括以下步骤：
步骤S1、获取电网故障历史数据。
电网故障历史数据包括故障时的气象数据、电力负荷及其它预测数据。
步骤S2、对电网故障历史数据进行量化处理，形成电力调度故障处理操作量数据，对气象数据和电力负荷进行标签化处理。
进一步的，对电网故障历史数据进行量化处理包括：
步骤S201、以某一时间单位作为区间划分，时间单位一般按小时、天为单位，将该某一时间单位内的每一项电网故障类型赋予分值，同一类电网故障类型分值相同，电网故障将转化为直观反映调度故障处理操作量的分值，如表1 所示。
Figure BDA0003407171780000041
Figure BDA0003407171780000051
表1
电网故障类型根据实际情况进行设定，并不局限于表1给出的几种类型，表1只是给出示例进行说明本发明的具体过程。
步骤S202、统计该某一时间单位内同一类电网故障类型出现的次数，计算同一类电网故障类型的总分值，形成量化的电网故障操作数据，如表2所示。
同一类电网故障类型的总分值＝每一项电网故障类型的单一分值×该电网故障类型出现的次数。
Figure BDA0003407171780000061
Figure BDA0003407171780000071
表2
步骤S3、对量化处理后的数据按SMOTE算法进行样本平衡。
由于电力调度故障处理操作量分布时段不均匀，导致历史样本数据不平衡，会导致模型难以收敛，故采用SMOTE(synthetic minority oversampling technique,)算法，按故障处理操作量级平衡样本数。以广西北海网区为例，无故障日占总数的34.6％，样本的不平衡将导致模型训练难以收敛，因此，需要对所采集样本进行少数类样本过采样以平衡样本，将通过SMOTE算法实现，其核心思想是通过KNN(临近分类器)使少数类样本在特征空间中生成多个临近样本。算法思路见图2。
步骤S4、基于平衡后的数据搭建线性拟合模型，根据数据权重甄选关键的训练数据类型(LIME算法)。
训练数据类型的选择：预测信息与预测目标的耦合度从根本上决定预测准确率的上限，为准确评估电力调度故障处理操作量的影响因素，将通过可解释性模型(localinterpretable Model-agnostic explanation,LIME)算法建立线性拟合模型，进行多个样本的解释，最终，甄选出气温、降雨量、云量、气压、风速、电力负荷等数据作为电力调度故障处理操作量的关键影响信息。LIME算法样本甄选过程见图3，模型数据样本类型见表3。
Figure BDA0003407171780000081
表3
步骤S5、确定并搭建DBN模型(确定深度与广度)。
电力调度故障处理操作量预测的变化可视作一个时间序列模型，但由于其数据离散度较高，随机性更强，样本分布极不均匀，以广西北海网区为例，无故障日占总数的34.6％，因此需要对样本进行SMOTE过采样以平衡样本，而样本的过采样将破坏序列性，因此并不适用于LSTM、GRU等循环神经网络。综上，模型类型采用支持预训练的DBN建模，模型的拓扑结构见图4。在此模型中，DBN将接收降雨量、风电、负荷等经预处理后的多维信息，计算输出电力调度故障处理操作量预测值。
步骤S6、调节网络参数、选择适宜训练算法，利用电网故障历史数据对DBN 模型进行训练。
为便于理解，深度置信网络训练原理如下：
DBN是由多个受限玻尔兹曼机(restricted boltzmann machine,RBM)首尾堆叠而成的多层神经网络，其架构如图6所示。相较于传统多层感知器，DBN的优势主要体现于其可支持对各RBM进行逐层预训练，从而大大降低了深层网络的训练难度，并且，经预训练的DBN在正式训练中将更易于收敛，而不易于局限于次优解，DBN后连接Softmax层进行训练时，DBN可应用于可模式识别。
与传统BP神经网络不同，DBN是一个基于能量定义的模型，其训练过程是基于能量驱动的。
DBN的能量函数可表示为：
Figure RE-GDA0003514351710000091
式中，wij是连接权重，bi是可见神经元的偏置，cj是隐藏神经元的偏置，θ 是所有连接权重和偏置的参数集合。可见神经元vi和隐藏神经元hj的乘积即表示 两者之间的相关程度，其与连接权重wij一致时，能够得到θ的最大似然估计量。
且DBN中神经元的激活是基于概率分布的，(v,h)状态的联合概率分布可表示为：
Figure BDA0003407171780000092
式中，Z(θ)为归一化函数，其目的是使所有概率分布的总和等于1，可表达为：
Z(θ)＝∑v,he-E(v,h丨θ) (3)
DBN内各可见神经元及隐藏神经元的激活概率可表示为：
P(vi＝1|h,θ)＝σ(bi+∑jhjwij) (4)
P(hj＝1丨v,θ)＝σ(cj+∑iviwij) (5)
其中，σ(·)为激活函数，该文中取sigmoid函数
Figure BDA0003407171780000101
DBN模型的训练过程可分为以下两个部分：
步骤S601、采用CD算法，对各RBM层进行无监督的逐层初始化训练，获取适宜的RBM层内权重及偏置，此为DBN的预训练过程，体现如下：
步骤S6011、初始化权重、偏置及其他网络参数；
步骤S6012、令训练数据(输入数据)为vi，根据式(5)计算对应隐层节点的 概率，并从这一概率分布中获取隐层节点激活向量数据hj；
步骤S6013、运算vi和hj的外积，此为“正梯度”；
步骤S6014、根据式(4)，从hj返回并获取一个重构的可见层节点的激活向 量数据v’i；再根据式(31)，从v’i再次获得隐层节点的激活向量数据h′j(若步骤 1-3过程循环K次，即为CD-K算法)；
步骤S6015、运算v’i和h′j的外积，此为“负梯度”；
步骤S6016、根据正、负梯度，计算KL散度，以一定学习率ε修正权重及 偏置，如
Figure RE-GDA0003514351710000102
步骤S6017、判断能量函数是否到达训练目标值，若到达，训练结束；否则重复步骤S6016。
步骤S602、首尾相接堆叠各RBM构成DBN，采用反向传播算法，对DBN进行有监督的训练，具体实现步骤为：
步骤S6021、按batch加入训练数据(输入数据与输出数据)；
步骤S6022、根据输入数据与激活函数σ(·)对神经元进行激活，得到对应的DBN输出值；
步骤S6023、计算DBN输出与所加入输出数据的损失函数(交叉熵)，即
Figure BDA0003407171780000111
Figure BDA0003407171780000112
步骤S6024、根据交叉熵的梯度等，修正权重及偏置，如
Figure BDA0003407171780000113
(梯度下降法)；
步骤S6025、判断损失函数L是否到达所设定的目标精度，若到达，训练结束；否则重复步骤步骤S6021至步骤S6024。
DBN的逐层预训练过程提升了对于复杂模型中关键特征的提取能力，相当程度上降低了深度网络的训练难度。完成训练后，DBN即具备训练数据特性，可根据输入的预测信息，辨识并输出恰当的类别。
步骤S7、利用DBN模型预测将来一段时间内的电力调度故障处理操作量。
基于深度置信网络(deep belief network,DBN)建立电力调度故障处理操作量逐日预测模型，此部分设计深度学习理论：经建模后，DBN模型接收输入的气温、降雨量、云量、气压、风速、电力负荷等预报气象数据，能够预测输出经过未来短期内的电力调度故障处理操作量。
为了说明本发明的有益效果，以下结合具体实验数据进行说明：
目前，本发明方法的有效性已在北海、玉林、桂林、柳州、钦州等多个网区实践检验。以下进行预测展示，建模数据时间范围是2017年1月1日至2020 年12月31日数据，模型对北海、桂林、玉林、柳州等多个网区对进行了电力调度故障处理操作量的预测，预测时间范围是2021年2-5月。预测效果见图7 至图10。预测准确率见表4和图11。
Figure BDA0003407171780000114
Figure BDA0003407171780000121
表4
由以上附图和表格可见，电力调度故障处理操作量预测值与实际值拟合度高，各网区平均预测准确率均在80％左右，DBN模型已具备良好预测能力。尤其，在恶劣天气期间，能对异常电力调度故障处理操作量有良好的预警作用。能够作为应急值班的预警依据。
以上仅为说明本发明的实施方式，并不用于限制本发明，对于本领域的技术人员来说，凡在本发明的精神和原则之内，不经过创造性劳动所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种电力调度故障处理操作量预测方法，其特征在于，包括以下步骤：
步骤S1、获取电网故障历史数据；
步骤S2、对电网故障历史数据进行量化处理，形成电力调度故障处理操作量数据，对气象数据和电力负荷进行标签化处理；
步骤S3、对量化处理后的数据按SMOTE算法进行样本平衡；
步骤S4、基于平衡后的数据搭建线性拟合模型，根据数据权重甄选关键的训练数据类型；
步骤S5、确定并搭建DBN模型；
步骤S6、调节网络参数、选择适宜训练算法，利用电网故障历史数据对DBN模型进行训练；
步骤S7、利用DBN模型预测将来一段时间内的电力调度故障处理操作量。
2.根据权利要求1所述的电力调度故障处理操作量预测方法，其特征在于，所述对电网故障历史数据进行量化处理包括：
步骤S201、以某一时间单位作为区间划分，将该某一时间单位内的每一项电网故障类型赋予分值，同一类电网故障类型分值相同，电网故障将转化为直观反映调度故障处理操作量的分值；
步骤S202、统计该某一时间单位内同一类电网故障类型出现的次数，计算同一类电网故障类型的总分值，形成量化的电网故障操作数据。
3.根据权利要求2所述的电力调度故障处理操作量预测方法，其特征在于，所述时间单位按小时或天为单位。
4.根据权利要求2所述的电力调度故障处理操作量预测方法，其特征在于，所述同一类电网故障类型的总分值＝每一项电网故障类型的单一分值×该电网故障类型出现的次数。
5.根据权利要求1所述的电力调度故障处理操作量预测方法，其特征在于，所述关键的训练数据类型包括气温、降雨量、云量、气压、风速、电力负荷。
6.根据权利要求1所述的电力调度故障处理操作量预测方法，其特征在于，所述电网故障历史数据包括故障时的气象数据、电力负荷。
CN202111520565.9A 2021-12-13 2021-12-13 一种电力调度故障处理操作量预测方法 Pending CN114219146A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111520565.9A CN114219146A (zh) 2021-12-13 2021-12-13 一种电力调度故障处理操作量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111520565.9A CN114219146A (zh) 2021-12-13 2021-12-13 一种电力调度故障处理操作量预测方法

Publications (1)

Publication Number Publication Date
CN114219146A true CN114219146A (zh) 2022-03-22

Family

ID=80701535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111520565.9A Pending CN114219146A (zh) 2021-12-13 2021-12-13 一种电力调度故障处理操作量预测方法

Country Status (1)

Country Link
CN (1) CN114219146A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190138731A1 (en) * 2016-04-22 2019-05-09 Lin Tan Method for determining defects and vulnerabilities in software code
CN111639817A (zh) * 2020-06-05 2020-09-08 山东大学 一种面向电网气象灾害的应急物资需求预测方法及系统
CN112749904A (zh) * 2021-01-14 2021-05-04 国网湖南省电力有限公司 基于深度学习的配电网故障风险预警方法及系统
CN113222035A (zh) * 2021-05-20 2021-08-06 浙江大学 基于强化学习和知识蒸馏的多类别不平衡故障分类方法
CN113361663A (zh) * 2021-08-09 2021-09-07 国网浙江省电力有限公司金华供电公司 基于人工智能的电网事件诊断自主学习方法及系统
CN113361108A (zh) * 2021-06-08 2021-09-07 国电南瑞科技股份有限公司 基于实时与预测数据的电力系统未来时段仿真方法及系统
US20210278478A1 (en) * 2020-03-02 2021-09-09 Wuhan University Deep parallel fault diagnosis method and system for dissolved gas in transformer oil

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190138731A1 (en) * 2016-04-22 2019-05-09 Lin Tan Method for determining defects and vulnerabilities in software code
US20210278478A1 (en) * 2020-03-02 2021-09-09 Wuhan University Deep parallel fault diagnosis method and system for dissolved gas in transformer oil
CN111639817A (zh) * 2020-06-05 2020-09-08 山东大学 一种面向电网气象灾害的应急物资需求预测方法及系统
CN112749904A (zh) * 2021-01-14 2021-05-04 国网湖南省电力有限公司 基于深度学习的配电网故障风险预警方法及系统
CN113222035A (zh) * 2021-05-20 2021-08-06 浙江大学 基于强化学习和知识蒸馏的多类别不平衡故障分类方法
CN113361108A (zh) * 2021-06-08 2021-09-07 国电南瑞科技股份有限公司 基于实时与预测数据的电力系统未来时段仿真方法及系统
CN113361663A (zh) * 2021-08-09 2021-09-07 国网浙江省电力有限公司金华供电公司 基于人工智能的电网事件诊断自主学习方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WANG, JINXUAN 等: "Ice detection and voice alarm of wind turbine blades based on belief network", 《INTERNATIONAL JOURNAL OF SPEECH TECHNOLOGY》, 18 October 2021 (2021-10-18), pages 1 - 10 *
魏艳霞 等: "基于深度信念网络的配变台区跳闸预测", 《智慧电力》, vol. 48, no. 06, 20 June 2020 (2020-06-20), pages 119 - 124 *

Similar Documents

Publication Publication Date Title
CN112241608B (zh) 一种基于lstm网络和迁移学习的锂电池寿命预测方法
CN109711620B (zh) 一种基于gru神经网络和迁移学习的短期电力负荷预测方法
CN111736084B (zh) 基于改进lstm神经网络的阀控铅酸蓄电池健康状态预测方法
CN112070128B (zh) 一种基于深度学习的变压器故障诊断方法
CN110674999A (zh) 基于改进聚类和长短期记忆深度学习的小区负荷预测方法
CN113554466B (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN109766745B (zh) 强化学习三态组合长短时记忆神经网络系统及训练和预测方法
CN109002781B (zh) 一种储能变流器故障预测方法
CN103793887B (zh) 基于自适应增强算法的短期电力负荷在线预测方法
CN109934375A (zh) 一种电力负荷预测方法
CN112329990A (zh) 一种基于lstm-bp神经网络的用户用电负荷预测方法
CN110866640A (zh) 一种基于深度神经网络的电力负荷预测方法
CN111079926B (zh) 基于深度学习的具有自适应学习率的设备故障诊断方法
CN113887786A (zh) 基于pso-lstm的一次调频能力评估与预测系统
CN113095477B (zh) 基于de-bp神经网络的风电功率预测方法
Yan et al. An improved hybrid backtracking search algorithm based T–S fuzzy model and its implementation to hydroelectric generating units
CN110837915A (zh) 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法
CN112734002A (zh) 一种基于数据层和模型层联合迁移学习的寿命预测方法
CN114266201B (zh) 一种基于深度学习的自注意力电梯困人预测方法
CN111612227A (zh) 一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法
CN113449912B (zh) 一种基于人工智能技术的空间负荷态势感知方法
Xu et al. Short-term electricity consumption forecasting method for residential users based on cluster classification and backpropagation neural network
CN113112085A (zh) 一种基于bp神经网络的新能源场站发电负荷预测方法
CN114219146A (zh) 一种电力调度故障处理操作量预测方法
Xu et al. A classified identification deep-belief network for predicting electric-power load

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