CN114359620A - 电网缺陷数据选取方法、装置、设备和介质 - Google Patents
电网缺陷数据选取方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN114359620A CN114359620A CN202111456516.3A CN202111456516A CN114359620A CN 114359620 A CN114359620 A CN 114359620A CN 202111456516 A CN202111456516 A CN 202111456516A CN 114359620 A CN114359620 A CN 114359620A
- Authority
- CN
- China
- Prior art keywords
- defect data
- power grid
- grid defect
- data selection
- network
- 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 157
- 238000010187 selection method Methods 0.000 title claims abstract description 12
- 230000007613 environmental effect Effects 0.000 claims abstract description 24
- 230000009471 action Effects 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 40
- 239000013598 vector Substances 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 12
- 230000000875 corresponding effect Effects 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 7
- 238000013145 classification model Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims 1
- 230000002787 reinforcement Effects 0.000 abstract description 5
- 235000005770 birds nest Nutrition 0.000 description 10
- 235000005765 wild carrot Nutrition 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 8
- 238000009826 distribution Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 239000012212 insulator Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电网缺陷数据处理技术领域，公开了电网缺陷数据选取方法，包括：采集电网缺陷数据，对电网缺陷数据进行处理得到少数缺陷类电网缺陷数据样本集；用环境状态作为输入以训练电网缺陷数据选取网络，得到目标网络；其中，环境状态即电网缺陷数据；测试目标网络的对电网缺陷数据的分类性能；本发明的选取电网缺陷数据的网络，采用强化学习算法，面对不同的当前环境状态，将是否选取样本视为离散动作，采取最合适的动作来转换状态使得回报函数最大化，提高电网缺陷数据分类的准确性。
Description
技术领域
本发明涉及电网缺陷数据处理技术领域，特别是涉及电网缺陷数据选取方法、装置、设备和介质。
背景技术
随着我国经济的高速发展，社会对电力的需求量越来越大。为保证输电线路的正常运行，对常见故障的正确分类具有重要意义。使用电力物联网技术以及无人机信息采集系统等技术对常见输电线路的故障进行采集，数据显示，由于输电线路故障发生的偶然性，导致了缺陷数据的有限性，且各类故障发生次数的不确定，导致各类故障数据量不均衡。针对输电线路故障的特点和现有故障分类技术的缺陷，研究更加有效的输电线路故障分类技术具有重要的研究价值。
不平衡数据分类问题的解决方法主要有两个方面：数据层面和算法层面。数据层面的方法包括上采样和下采样，通过改变数据分布，降低不平衡度，提高分类效果。算法层面，通过分析已有算法在处理不平衡数据时的缺陷，改进算法或提出新算法来提升分类正确率，例如代价敏感学习和集成学习。针对故障分类的不平衡样本数据，基于快速聚类和支持向量的旋转机械故障诊断算法，是通过快速聚类减少数据，平衡后利用支持向量机进行训练，有较好的分类结果。
综合上采样和特征学习的旋转机械不平衡数据故障诊断方法，用加权上采样法平衡数据分布，用增强的自动编码进行特征选择，可以更有效地分类故障样本。不平衡分类方法在故障分类领域已有较好的效果，但在输电线路故障分类领域应用较少。
目前研究不平衡数据，以SMOTE方法为基础的改进模型居多，但SMOTE方法容易造成少数类的生成样本重叠，因为生成样本是各少数类样本随机生成的，忽略了其临近样本的分布特点。而自适应合成上采样(Adaptive Synthetic Sampling Approach，ADASYN)生成样本数量，是根据各小类的密度分布计算得到的，在少数类样本聚集处生成较多样本，模型分类效果更好。SVMSMOTE采样基于SVM的超平面生成新样本，BorderlineSMOTE采样在少数类边界点附近生成样本。
上采样方法通过增加少数类样本的数量，来降低类之间的不平衡度。下采样指的是减少多数类样本的个数，来降低类之间的不平衡度，利用一些指标在多数类中选取与少数类样本个数相当的样本。发现下采样方法容易去除多数类样本上的重要样本，而目前的一些启发式方法还未能较好地保证只去除冗余样本和噪声样本。
因此，在数据层面解决不平衡分类问题时，衡量少数类与多数类之间数据分布的不平衡程度是重要的，需要增加有效的少数类样本数据和删除冗余的多数类样本数据。
由于，上述采样方法存在的技术缺陷，当应用在输电线路故障分类中时对电网缺陷数据分类准确率不高。
发明内容
本发明的目的是提供电网缺陷数据选取方法、装置、设备和介质，应用于电网缺陷数据分类中，提高电网缺陷数据分类准确率。
为了实现上述目的，
第一方面，本发明提供了电网缺陷数据选取方法，包括：
采集电网缺陷数据，对电网缺陷数据进行处理得到少数缺陷类电网缺陷数据样本集；
用环境状态作为输入以训练电网缺陷数据选取网络，得到目标网络；其中，环境状态即电网缺陷数据；
测试目标网络的对电网缺陷数据的分类性能。
第二方面，本发明提供了电网缺陷数据选取装置，其特征在于，包括：
制作电网缺陷数据样本集模块，用于采集电网缺陷数据，对电网缺陷数据进行处理得到少数缺陷类电网缺陷数据样本集；
训练电网缺陷数据选取网络模块，用于将环境状态作为输入以训练电网缺陷数据选取网络，得到目标网络；
目标网络性能测模块，用于测试目标网络的对电网缺陷数据的分类性能。
第三方面，本发明提供了一种电子设备，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现第一方面所述电网缺陷数据选取方法。
第四方面，本发明提供了一种计算机可读存储介质，存储有可执行指令，用于被处理器执行时，实现第一方面所述电网缺陷数据选取方法。
本发明实施例电网缺陷数据选取方法、装置、设备和介质与现有技术相比，其有益效果在于：
生成缺陷数据的质量参差不齐，部分生成样本会严重偏离原缺陷样本的分布。本发明的选取电网缺陷数据的网络，采用强化学习算法，将决策看作马尔科夫过程，用回报函数来评价每一个动作，面对不同的当前环境状态，将是否选取样本视为离散动作，采取最合适的动作来转换状态使得回报函数最大化。回报函数最大化与电网缺陷数据选取问题等价，从而通过动作调整使得回报函数最大化，对电网缺陷数据选取作出合适选择，提高电网缺陷数据分类的准确性。
附图说明
图1是本发明实施例的电网缺陷数据选取方法的流程图。
图2是本发明实施例采集电网缺陷数据的流程图。
图3是本发明实施例训练电网缺陷数据选取网络的流程图。
图4是本发明实施例训练电网缺陷数据选取网络以得到目标网络的流程图。
图5是本发明实施例遍历状态序列内的所有环境状态的流程图。
图6是本发明实施例测试目标网络的对电网缺陷数据的分类性能的流程图。
图7是本发明实施例鸟巢图。
图8是本发明实施例鸟巢图。
图9是本发明实施例绝缘子图。
图10是本发明实施例绝缘子图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
在本发明的描述中，应当理解的是，本发明中采用术语：
上采样：上采样方法通过增加少数类样本的数量，来降低类之间的不平衡度。
下采样：下采样指的是减少多数类样本的个数，来降低类之间的不平衡度。
贪婪法：贪婪法又名贪心算法，是寻找最优解问题的常用方法，这种方法模式一般将求解过程分成若干个步骤，但每个步骤都应用贪心原则，选取当前状态下最好/最优的选择(局部最有利的选择)，并以此希望最后堆叠出的结果也是最好/最优的解。
贪婪法的基本步骤：
步骤1：从某个初始解出发。
步骤2：采用迭代的过程，当可以向目标前进一步时，就根据局部最优策略，得到一部分解，缩小问题规模。
步骤3：将所有解综合起来。
电力物联网技术：电力物联网，就是围绕电力系统各环节，充分应用移动互联、人工智能等现代信息技术、先进通信技术，实现电力系统各环节万物互联、人机交互，具有状态全面感知、信息高效处理、应用便捷灵活特征的智慧服务系统。
分类器：分类是数据挖掘的一种方法，是在已有数据的基础上学会一个分类函数或构造出一个分类模型，该函数或模型能够把数据库中的数据纪录映射到给定类别中的某一个，从而可以应用于数据预测。
本发明实施例优选一种电网缺陷数据选取方法，包括：
参照图1，步骤S1：采集电网缺陷数据，对电网缺陷数据进行处理得到少数缺陷类电网缺陷数据样本集，包括：
参照图2，步骤S11：通过电力物联网技术和无人机信息采集系统采集输电线路的缺陷信息得到电网缺陷数据集。
其中，电网缺陷数据集X＝{xi|xi∈Rn,i＝1,2,…m}，电网缺陷数据所属类别为C＝{cl|l＝0,1}。
其中，c0为多数正常类，对应的电网缺陷数据的数量是m0。
其中，c1为少数缺陷类，对应的电网缺陷数据的数量是m1。
步骤S12：用上采样方法对电网缺陷数据集进行处理得到少数缺陷类电网缺陷数据样本集Dg。
其中，Dg中的电网缺陷数据样本的数量为|Dg|＝m0-m1。
其中，上采样方法通过增加少数缺陷类电网缺陷数据样本的数量来降低正常类和缺陷类之间的不平衡度。
本实施例中的电网缺陷数据处理方法选用的是DQN强化学习算法。
参照图7、图8、图9、图10，本实施例以鸟巢数据集和绝缘子数据集为例，验证电网缺陷数据处理方法的有效性。
其中，鸟巢数据集的正类为有鸟巢数据，鸟巢数据集的负类为无鸟巢数据；绝缘子数据集的正类为绝缘子破损数据，绝缘子数据集的负类为正常绝缘子数据。鸟巢数据集和绝缘子数据集的数据分布如下
表1所示。
| 数据集 | 正类样本数量 | 负类样本数量 |
| 鸟巢数据集 | 300 | 600 |
| 绝缘子数据集 | 100 | 150 |
表1
关于电网缺陷数据选取，由于采集得到的电网缺陷数据的质量参差不齐，部分电网缺陷数据会严重偏离真实的电网缺陷的分布，因此本实施例采用自动选取电网缺陷数据的网络来选择电网缺陷数据的样本。
本申请的自动选取电网缺陷数据的网络采用的是DQN强化学习算法，DQN强化学习算法将是否选择电网缺陷数据的决策过程看作马尔科夫过程，将是否选取电网缺陷数据视为离散动作，以电网缺陷数据作为环境状态，面对不同的环境状态(电网缺陷数据)，采取合适的动作(0或者1)来转换状态使得回报函数最大化，相应的确定是否选择该电网缺陷数据，即当回报函数最大化时，确定选择该电网缺陷数据。
例如，本实施例的DQN强化学习算法，以电网缺陷数据作为环境状态，其中环境状态St＝di∈Dg，t时刻采取的动作At∈{0,1}，用回报函数评价采取的动作，以确定是否选取该电网缺陷数据。即回报函数Q(t)最大时，动作At＝1，选择该电网缺陷数据。否则，At＝0，不选择该电网缺陷数据。
其中，回报函数Q(t)＝E(Rt+1+λRt+2+λ2Rt+3+…|St)。
其中，E是期望函数，λ是衰减因子。
其中，环境奖励Rt＝ave_losst-ave_losst+1。
其中，St是状态序列内的当前环境状态，St+1是状态序列内的当前环境状态的下一个环境状态，ave_loss为分类器的平均损失，本实施例的中分类器为多层感知机。多层感知是将输入的多个数据集映射到单一的输出的数据集上。
参照图3，步骤S2：用环境状态作为输入以训练电网缺陷数据选取网络，得到目标网络，包括：
步骤S21：随机初始化所有的环境状态和动作对应的电网缺陷数据选取网络的参数w和电网缺陷数据选择标识，并且清空经验回放集合D。
训练电网缺陷数据选取网络时的输入参数包括迭代轮数T，环境状态S，动作集A，衰减因子λ，探索率ε，批量梯度下降的样本数m，目标网络参数更新频率C。
其中，电网缺陷数据选择标识是Q值。
其中，电网缺陷数据选取网络是Q网络，对参数赋值w'＝w。
步骤S22：设置训练电网缺陷数据选取网络的方案的参数。
其中，批量数Batch设置为32，学习率设置为0.0001，探索率初值设置为0.1，网络更新频率设置为1000，迭代次数设置为100000次。
其中，测试电网缺陷数据选取网络时将Batch设置为1，即每次只处理一张图像。
参照图4，步骤S23：将各个环境状态依次输入到电网缺陷数据选取网络内以训练电网缺陷数据选取网络的参数，至到电网缺陷数据选取网络迭代结束或者收敛，使得回报函数Q(t)最大化，从而得到目标网络。具体包括如下步骤：
步骤S231：遍历状态序列内的所有环境状态，将得到的第一个特征向量(Φ(S))、第二个特征向量(Φ(S′))、环境奖励(R)和动作(A)组成一个数据组合，并且存入经验回放集合D，包括：
参照图5，步骤S2311：以状态序列内的第一个环境状态为当前环境状态。
步骤S2312：根据状态序列内的当前环境状态生成第一个特征向量Φ(S)。
步骤S2313：将第一个特征向量Φ(S)输入目标网络，得到电网缺陷数据选择标识，目标网络根据电网缺陷数据选择标识确定是否选择相应的电网缺陷数据。
步骤S2314：计算环境奖励Rt。
步骤S2315：状态序列内的当前环境状态之后的下一个环境状态是第二个环境状态，根据第二个环境状态生成第二个特征向量φ(S′)。
步骤S2316：基于ε-贪婪法，根据电网缺陷数据选择标识选择对应的动作A。动作A＝0或者动作A＝1，当动作A＝1时目标网络选择相应的电网缺陷数据，当动作A＝0时目标网络不选择相应的电网缺陷数据。
在循环执行过程中将产生的φ(S)、φ(S′)、A、R依次存入经验回放集合D。
步骤S2317：将第一个特征向量(φ(S))、第二个特征向量(φ(S′))、环境奖励(R)和动作(A)组成一个数据组合，并且存入经验回放集合D。
步骤S2318：以状态序列内的当前的第二个环境状态为当前环境状态，之后从步骤“根据状态序列内的当前环境状态生成第一个特征向量Φ(S)”循环执行，遍历状态序列内的所有环境状态。
步骤S232：从经验回放集合D中采样多个数据组合作为样本，以计算当前目标网络的值yj。
yj＝Rj+λmaxa′Q′(φ(S′j)，A′j，w′)。
其中，j＝1，2...m。
步骤S233：根据计算得到的目标网络的值yj，使用均方差损失函数
通过神经网络的梯度反向传播来更新目标网络的参数w。
步骤S234：如果当前环境状态在状态序列内的次序占据参数更新频率的百分比的数值为1，则更新目标网络的参数w′＝w。向目标网络内输入电网缺陷数据，得到的输出结果表明是否选择输入的电网缺陷数据。本申请对目标网络进行训练时，采用的实验环境为Ubuntu16.04操作系统，利用NVIDIA公司6GB显存的RTX 2060GPU进行电网缺陷数据选取网络的训练并利用CUDA进行训练的加速。
参照图6，步骤S3：测试目标网络的对电网缺陷数据的分类性能。
步骤S31：将实际为正类的样本分为预测为正类(TP)和预测为负类(FN)两部分，将实际为负类的样本分为预测为负类(TN)和预测为正类(FP)。
步骤S32：将正类的样本预测为正类、正类的样本正类预测为负类、负类的样本预测为负类和负类的样本预测为正类组合成混淆矩阵来评价分类模型。综合分类器的特异性和分类器的召回率来评价分类效果。
| 类别 | 预测为正类 | 预测为负类 |
| 正类 | TP | FN |
| 负类 | FP | TN |
表2
步骤S33：综合分类器的特异性和分类器的召回率来评价分类效果。
分类器的特异性、召回率和综合指标数值越大，则电网缺陷数据选择网络效果越好。在电网缺陷数据分类问题中，G_mean值越大，则电网缺陷数据选择网络的分类性能越好。鸟巢数据集在各算法上评价指标对比结果参照表3。绝缘子数据集在各算法上评价指标对比结果参照表4。
表3
表4
本实施例提供的一种电网缺陷数据选取装置，包括：
制作电网缺陷数据样本集模块，用于采集电网缺陷数据，对电网缺陷数据进行处理得到少数缺陷类电网缺陷数据样本集；
训练电网缺陷数据选取网络模块，用于将环境状态作为输入以训练电网缺陷数据选取网络，得到目标网络；
目标网络性能测模块，用于测试目标网络的对电网缺陷数据的分类性能。
本实施例提供的一种电子设备，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现所述电网缺陷数据选取方法。
本实施例提供的一种计算机可读存储介质，存储有可执行指令，用于被处理器执行时，实现权所述电网缺陷数据选取方法。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通计数人员来说，在不脱离本发明计数原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。
Claims (9)
1.一种电网缺陷数据选取方法，其特征在于，包括：
采集电网缺陷数据，对电网缺陷数据进行处理得到少数缺陷类电网缺陷数据样本集；
用环境状态作为输入以训练电网缺陷数据选取网络，得到目标网络；其中，环境状态即电网缺陷数据；
测试目标网络对电网缺陷数据的分类性能。
2.根据权利要求1所示电网缺陷数据选取方法，其特征在于，所述对电网缺陷数据进行处理得到少数缺陷类电网缺陷数据样本集，具体为：
用上采样方法对电网缺陷数据集进行处理得到少数缺陷类电网缺陷数据样本集。
3.根据权利要求1所示电网缺陷数据选取方法，其特征在于，所述用环境状态作为输入以训练电网缺陷数据选取网络，得到目标网络；包括：
随机初始化所有的环境状态和动作对应的电网缺陷数据选取网络的参数和电网缺陷数据选择标识，并且清空经验回放集合；
设置训练电网缺陷数据选取网络的方案的参数；
将各个环境状态依次输入到电网缺陷数据选取网络内以训练电网缺陷数据选取网络的参数，至到电网缺陷数据选取网络迭代结束或者收敛，使得回报函数最大化，从而得到目标网络。
4.根据权利要求3所示电网缺陷数据选取方法，其特征在于，
所述将各个环境状态依次输入到电网缺陷数据选取网络内以训练电网缺陷数据选取网络的参数，至到电网缺陷数据选取网络迭代结束或者收敛，使得回报函数最大化，从而得到目标网络包括：
遍历状态序列内的所有环境状态，将得到第一个特征向量、第二个特征向量、环境奖励和动组成一个数据组合，并且存入经验回放集合；
从经验回放集合中采样多个数据组合作为样本，以计算当前目标网络的值yj；
根据计算得到的目标网络的值，使用如公式(1)所示均方差损失函数，通过神经网络的梯度反向传播来更新目标网络的参数；
如果当前环境状态在状态序列内的次序占据参数更新频率的百分比的数值为1，则更新目标网络的参数。
5.根据权利要求4所示电网缺陷数据选取方法，其特征在于，
遍历状态序列内的所有环境状态，将得到第一个特征向量、第二个特征向量、环境奖励和动作组成一个数据组合，并且存入经验回放集合D，包括：
以状态序列内的第一个环境状态为当前环境状态；
根据状态序列内的当前环境状态生成第一个特征向量；
将第一个特征向量输入目标网络，得到电网缺陷数据选择标识，目标网络根据电网缺陷数据选择标识确定是否选择相应的电网缺陷数据；
计算环境奖励；
状态序列内的当前环境状态之后的下一个环境状态是第二个环境状态，根据第二个环境状态生成第二个特征向量；
根据电网缺陷数据选择标识选择对应的动作；
将第一个特征向量、第二个特征向量、环境奖励和动作组成一个数据组合，并且存入经验回放集合；
以状态序列内的当前的第二个环境状态为当前环境状态，之后从步骤根据状态序列内的当前环境状态生成第一个特征向量循环执行，遍历状态序列内的所有环境状态。
6.根据权利要求1所示电网缺陷数据选取方法，其特征在于，所述测试目标网络的对电网缺陷数据的分类性能包括：
将实际为正类的样本分为预测为正类和预测为负类两部分，将实际为负类的样本分为预测为负类和预测为正类；
将正类的样本预测为正类、正类的样本正类预测为负类、负类的样本预测为负类和负类的样本预测为正类组合成混淆矩阵来评价分类模型；
综合分类器的特异性和分类器的召回率来评价分类效果。
7.电网缺陷数据选取装置，其特征在于，包括：
制作电网缺陷数据样本集模块，用于采集电网缺陷数据，对电网缺陷数据进行处理得到少数缺陷类电网缺陷数据样本集；
训练电网缺陷数据选取网络模块，用于将环境状态作为输入以训练电网缺陷数据选取网络，得到目标网络；
目标网络性能测模块，用于测试目标网络的对电网缺陷数据的分类性能。
8.一种电子设备，其特征在于，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现权利要求1至6任一项所述电网缺陷数据选取方法。
9.一种计算机可读存储介质，其特征在于，存储有可执行指令，用于被处理器执行时，实现权利要求1至6任一项所述电网缺陷数据选取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111456516.3A CN114359620A (zh) | 2021-12-01 | 2021-12-01 | 电网缺陷数据选取方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111456516.3A CN114359620A (zh) | 2021-12-01 | 2021-12-01 | 电网缺陷数据选取方法、装置、设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114359620A true CN114359620A (zh) | 2022-04-15 |
Family
ID=81098226
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111456516.3A Pending CN114359620A (zh) | 2021-12-01 | 2021-12-01 | 电网缺陷数据选取方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114359620A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115577647A (zh) * | 2022-12-09 | 2023-01-06 | 南方电网数字电网研究院有限公司 | 电网故障类型识别方法与智能体构建方法 |
-
2021
- 2021-12-01 CN CN202111456516.3A patent/CN114359620A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115577647A (zh) * | 2022-12-09 | 2023-01-06 | 南方电网数字电网研究院有限公司 | 电网故障类型识别方法与智能体构建方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109947086B (zh) | 基于对抗学习的机械故障迁移诊断方法及系统 | |
| CN110488202B (zh) | 基于深度神经网络的车辆电池荷电状态估计方法 | |
| CN113034210B (zh) | 一种基于数据驱动场景下车辆行驶成本评价方法 | |
| KR20210054467A (ko) | 전지 관리 시스템, 전지 관리 방법, 및 세트 전지의 제조 방법 | |
| TWI835691B (zh) | 電池狀態判定方法及電池狀態判定裝置 | |
| TWI759027B (zh) | 電池性能評鑑方法及電池性能評鑑裝置 | |
| CN113740736A (zh) | 一种基于深度网络自适应的电动汽车锂电池soh估算方法 | |
| CN111597760A (zh) | 一种实现小样本条件下获取气路参数偏差值的方法 | |
| JP6569985B2 (ja) | 電力変換装置の診断方法 | |
| CN113125960A (zh) | 一种基于随机森林模型的车载锂离子电池荷电状态预测方法 | |
| CN111191824A (zh) | 一种动力电池容量衰减预测方法及系统 | |
| CN114359620A (zh) | 电网缺陷数据选取方法、装置、设备和介质 | |
| CN112784920A (zh) | 云边端协同的旋转部件对抗域自适应故障诊断方法 | |
| CN113642809A (zh) | 一种用电量预测方法、装置、计算机设备和存储介质 | |
| CN114881343B (zh) | 基于特征选择的电力系统短期负荷预测方法及装置 | |
| CN117009814A (zh) | 一种基于多源信息融合的发动机故障诊断方法及系统 | |
| CN116933152A (zh) | 一种基于多维emd-pso-lstm神经网络的海浪信息预测方法及系统 | |
| CN113657030A (zh) | 一种基于高斯过程回归的锂电池剩余使用寿命预测方法 | |
| CN115856641A (zh) | 一种电池剩余充电时间预测方法、装置及电子设备 | |
| CN107705160A (zh) | 一种结合计量经济学和启发式智能的汽车销量预测方法及系统 | |
| CN115409317A (zh) | 基于特征选择和机器学习的台区线损检测方法及装置 | |
| CN113610350B (zh) | 复杂工况故障诊断方法、设备、存储介质及装置 | |
| CN115630320A (zh) | 一种云边协同下基于深度迁移网络的配电台区异常工况诊断方法 | |
| CN111008584B (zh) | 一种模糊自组织神经网络的电能质量量测缺失修复方法 | |
| CN118070689B (zh) | 基于模型与数据混合驱动的无人艇集群博弈算法效能评估方法及系统 |
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 |