CN114636890B - 案例推理的故障定位方法以及系统、存储介质、电子设备 - Google Patents

案例推理的故障定位方法以及系统、存储介质、电子设备 Download PDF

Info

Publication number
CN114636890B
CN114636890B CN202210110203.0A CN202210110203A CN114636890B CN 114636890 B CN114636890 B CN 114636890B CN 202210110203 A CN202210110203 A CN 202210110203A CN 114636890 B CN114636890 B CN 114636890B
Authority
CN
China
Prior art keywords
information
case
fault
preset
attribute weight
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.)
Active
Application number
CN202210110203.0A
Other languages
English (en)
Other versions
CN114636890A (zh
Inventor
裴东锋
詹新明
李书旺
王鹏
卜明新
薛曙光
孙伟斌
侯帅
白梅娟
麻亮
李广源
周宝玉
冯艳敏
刘玉刚
郭素梅
赵鑫
董宇
岳海涛
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.)
State Grid Corp of China SGCC
Handan Power Supply Co of State Grid Hebei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Handan Power Supply Co of State Grid Hebei Electric Power 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 State Grid Corp of China SGCC, Handan Power Supply Co of State Grid Hebei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202210110203.0A priority Critical patent/CN114636890B/zh
Publication of CN114636890A publication Critical patent/CN114636890A/zh
Application granted granted Critical
Publication of CN114636890B publication Critical patent/CN114636890B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
    • 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
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/088—Aspects of digital computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Abstract

本申请涉及电力检测技术领域，提供了一种案例推理的故障定位方法以及系统、存储介质、电子设备，解决了现有技术输电线路故障诊断模型不能对输电线路的故障位置进行精准的预测或诊断的技术问题。通过获取故障案例信息，将获取的故障案例信息输入至预设录波测距模型，生成第一位置信息，以对故障案例信息进行初次的定位；再将故障案例信息输入至预设线路故障案例推理模型中得到补偿位置信息，该补偿位置信息用于对第一位置进行弥补，以得到故障案例的第二位置信息，该第二位置信息以能够对故障案例发生故障的位置进行精确定位，即实现对输电线路中发生故障的位置进行精确的定位。

Description

案例推理的故障定位方法以及系统、存储介质、电子设备
技术领域
本申请涉及电力检测技术领域，具体涉及一种案例推理的故障定位方法以及系统、存储介质、电子设备。
背景技术
输电线路是用变压器将发电机发出的电能升压后，再经断路器等控制设备接入输电线路来实现；输电线路是连接发电厂与终端用户的纽带，素有电力系统运行“大动脉”之称，其一旦发生故障，故障波及范围障波及范围动辄几百公里甚至更广。因此，故障诊断是保障输电线路运行的稳定的一项关键技术。为了使输电线路能够安全有效的运行需要要求相应的管理人员针对整个输电线路中出现的各种故障和安全隐患进行全面详细的排查和分析，以能够更好地保障输电线路运行的可靠性；实现将输电线路故障带来的危害降到最小，便于运行人员尽快找到故障线索，对输电线路的故障进行诊断，以判别故障类型，从而保障电力系统稳定、安全运行具有重要意义。
现有技术中，输电线路故障定位方法包括基于物理知识的物理模型诊断方法；其中，基于物理知识的物理模型诊断方法中该物理诊断模型能够对输电线路故障进行稳定的预测性能，但是其对输电线路的位置不能进行精准的预测或诊断。因此现有的输电线路故障诊断模型不能对输电线路的故障进行精准的定位。
发明内容
有鉴于此，本申请提供了一种案例推理的故障定位方法以及系统、存储介质、电子设备，解决了现有技术输电线路故障诊断模型不能对输电线路的故障位置进行精准的预测或诊断的技术问题。
根据本申请的一个方面，一种案例推理的故障定位方法，获取故障案例信息；根据所述故障案例信息以及预设录波测距模型，生成所述故障案例信息对应的第一位置信息；根据所述故障案例信息以及预设线路故障案例推理模型，生成所述故障案例信息对应的补偿位置信息；根据所述第一位置信息以及所述补偿位置信息，生成所述故障案例信息对应的第二位置信息。
在一种可能的实现方式中，所述预设线路故障案例推理模型包括：预设案例库；所述预设案例库包括：多个预设案例信息；其中，所述根据所述故障案例信息以及预设线路故障案例推理模型，生成所述故障案例信息对应的补偿位置信息包括：根据所述故障案例信息，获取所述故障案例信息的第一特征属性权重信息；基于改进差分优化算法对所述第一特征属性权重信息进行迭代优化，生成第二特征属性权重信息；将所述第二特征属性权重信息与所述预设案例库中的每个预设案例信息进行逐一比对，生成多个相似度数据信息；将所述多个相似度数据信息进行排名，生成所述故障案例信息对应的相似度排行数据信息；在所述相似度排行数据信息中选择至少一个所述相似度数据信息对应的预设案例；将至少一个预设案例对应的所述相似度数据信息进行平均，得到均差值信息，所述均差值信息作为所述故障案例信息对应的所述补偿位置信息。
在一种可能的实现方式中，所述基于改进差分优化算法对所述第一特征属性权重信息进行迭代优化，生成第二特征权重属信息包括：对所述第一特征属性权重信息进行变异操作，生成第一中间特征属性权重信息；对所述第一特征属性权重信息和所述第一中间特征属性权重信息执行交叉操作，生成第二中间特征属性权重信息；基于目标函数值对所述第一特征属性权重信息和所述第二中间特征属性权重信息执行选择操作，生成第三中间特征属性权重信息；迭代所述第一中间特征属性权重信息、所述第二中间特征属性权重信息、所述第三中间特征属性权重信息；当迭代后的第三中间特征属性权重信息对应的目标函数值大于预设目标函数阈值，且迭代次数等于预设迭代次数时，则所述第三中间特征属性权重信息作为所述第二特征属性权重信息。
在一种可能的实现方式中，所述对所述第一特征属性权重信息进行变异操作，生成第一中间特征属性权重信息包括：基于新颖度值、适应度函数对所述第一特征属性权重信息进行变异突变操作处理，生成所述第一中间特征权重属性信息。
在一种可能的实现方式中，根据所述故障案例信息，获取所述故障案例信息的第一特征属性权重信息包括：采用n位二进制编码对所述故障案例信息进行处理，生成所述故障案例的第一编码信息，所述第一编码信息作为所述故障案例的所述第一特征属性权重信息。
在一种可能的实现方式中，在根据所述第一位置信息以及所述补偿位置信息，生成所述故障案例信息对应的第二位置信息之后，所述故障定位方法还包括：基于密度峰值聚类将所述预设案例库中的预设案例信息进行聚类，得到第一聚类簇信息；基于密度峰值聚类将所述故障案例信息以及预设案例库中的预设案例信息进行聚类，得到第二聚类簇信息；当所述第二聚类簇信息大于所述第一聚类簇信息，则将所述故障案例信息添加至所述预设案例库中。
在一种可能的实现方式中，在所述根据密度峰值聚类将所述预设案例库中的预设案例信息进行聚类，得到第一聚类簇信息之后，所述故障定位方法还包括：当所述第一聚类簇信息中两个预设案例信息之间的相似度值大于预设案例相似度阈值时，则删除其中一个预设案例信息。
作为本申请的第二个方面，一种基于案例推理的故障定位系统，数据获取模块，用于获取故障案例信息；数据生成模块，用于根据所述故障案例信息以及预设录波测距模型，生成所述故障案例信息对应的第一位置信息；根据所述故障案例信息以及预设线路故障案例推理模型，生成所述故障案例信息对应的补偿位置信息；根据所述第一位置信息以及所述补偿位置信息，生成所述故障案例信息对应的第二位置信息。
作为本申请的第三个方面，一种电子设备，所述电子设备包括：处理器；以及用于存储所述处理器可执行信息的存储器；其中，所述处理器用于执行上述的故障定位方法。
作为本申请的第四个方面，一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述的故障定位方法。
本申请提供一种案例推理的故障定位方法以及系统、存储介质、电子设备，通过将获取的故障案例信息输入至预设录波测距模型，生成第一位置信息，以对故障案例信息进行初次的定位；再将故障案例信息输入至预设线路故障案例推理模型中得到补偿位置信息，该补偿位置信息用于对第一位置进行弥补，以得到故障案例的第二位置信息，该第二位置信息以能够对故障案例发生故障的位置进行精确定位，即实现对输电线路中发生故障的位置进行精确的定位。
附图说明
图1所示为本申请一实施例提供的基于案例推理的故障定位方法的流程示意图；
图2所示为本申请另一实施例提供的基于案例推理的故障定位方法的流程示意图；
图3所示为本申请另一实施例提供的基于案例推理的故障定位方法的流程示意图；
图4所示为本申请另一实施例提供的基于案例推理的故障定位方法的流程示意图；
图5所示为本申请另一实施例提供的基于案例推理的故障定位方法的流程示意图；
图6所示为本申请另一实施例提供的基于案例推理的故障定位方法的流程示意图；
图7所示为本申请另一实施例提供的基于案例推理的故障定位方法的流程示意图；
图8所示为本申请一实施例提供的基于案例推理的故障诊断系统的工作原理图；
图9所示为本申请一实施例提供的电子设备的工作原理图。
具体实施方式
本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。本申请实施例中所有方向性指示(诸如上、下、左、右、前、后、顶、底……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
另外，在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
图1所示为本申请一实施例提供的基于案例推理的故障定位方法的流程示意图，如图1所示，故障定位方法包括：
步骤S100，获取故障案例信息；
采集故障案例信息包括故障动作时间、电压等级、线路名称、线路长度、气象环境(例如：温度、风力、雨、雪)、保护动作情况、故障前电流、故障相别、线路型号等。
步骤S200，根据故障案例信息以及预设录波测距模型，生成故障案例信息对应的第一位置信息；
将采集的故障案例信息输入至预设录波测距模型中，生成故障案例信息对应的第一位置信息，该第一位置信息能够对故障案例的位置进行初次预测或诊断定位。
步骤S300，根据故障案例信息以及预设线路故障案例推理模型，生成故障案例信息对应的补偿位置信息；
将采集的故障案例信息输入至预设线路故障案例推理模型中，得到故障案例信息对应补偿位置信息，该补偿位置信息用于对第一位置信息的误差进行校正，即执行步骤S400。
步骤S400，根据第一位置信息以及补偿位置信息，生成故障案例信息对应的第二位置信息；
使用步骤S300的补偿位置信息对步骤S200的第一位置信息进行校正或者补偿，以弥补第一位置信息的偏差，生成第二位置信息，该第二位置信息能够故障案例的位置进行精确的定位，即实现对输电线路中的故障进行定位。
本申请提供的基于案例推理的故障定位方法，通过将获取的故障案例信息输入至预设录波测距模型，生成第一位置信息，以对故障案例信息进行初次的定位；再将故障案例信息输入至预设线路故障案例推理模型中得到补偿位置信息，该补偿位置信息用于对第一位置进行弥补，以得到故障案例的第二位置信息，该第二位置信息以能够对故障案例发生故障的位置进行精确定位，即实现对输电线路中发生故障的位置进行精确的定位。
在一种可能的实现方式中，图2所示为本申请另一实施例提供的基于案例推理的故障定位方法的流程示意图，如图2所示，预设线路故障案例推理模型包括：预设案例库；预设案例库包括：多个预设案例信息；
其中，步骤S300(根据故障案例信息以及预设线路故障案例推理模型，生成故障案例信息对应的补偿位置信息)包括：
步骤S301，根据故障案例信息，获取故障案例信息的第一特征属性权重信息；
根据采集的故障案例信息，获取故障案例信息的第一特征属性权重信息，例如故障动作时间、电压等级、线路长度、温度、保护动作情况、故障前电流、故障相别、线路型号等故障案例中的各特征的属性权重信息；即一个故障案例信息包括多个第一特征属性权重信息。
步骤S302，基于改进差分优化算法对第一特征属性权重信息进行迭代优化，生成第二特征属性权重信息；
采用改进差分优化算法对故障案例信息的第一特征属性权重信息进行迭代优化，则对故障案例的第一特征属性权重信息进行重新分配，以得到更加精确的第二特征属性权重信息。
步骤S303，将第二特征属性权重信息与预设案例库中的每个预设案例信息进行逐一比对，生成多个相似度数据信息；
将故障案例信息的第二特征属性权重信息与预设案例库中的每个预设案例信息进行逐一比对计算，则生成多个相似度数据信息，即通过该故障案例信息的第二特征属性权重信息与对预设案例库中的案例信息进行全局检索，得到故障案例信息与预设案例库中每个预设案例信息对应的相似度数据信息，该多个相似度数据信息用以表示输入的故障案例的信息与预设案例库中的每个预设案例的相似程度。
步骤S304，将多个相似度数据信息进行排名，生成故障案例信息对应的相似度排名数据信息；
将多个相似度数据信息进行排名，生成故障案例信息对应的相似度排名数据信息，例如按照相似度数据值的大小排名，相似度数据值大的排名在前，相似度数据值小的排名在后，其中，相似度数据值大的排名在前说明该预设案例信息与故障案例信息接近。
步骤S305，在相似度排行数据信息中选择至少一个相似度数据信息对应的预设案例，将至少一个预设案例对应的相似度数据进行平均，得到均差值信息，均差值信息作为故障案例信息对应的补偿位置信息。
将选取与故障案例接近的至少一个预设案例，并且将该至少一个预设案例对应相似度数据信息进行平均，得到均差值信息，该均差值信息作为故障案例信息对应的补偿位置信息，以确定故障案例信息所发生位置的误差率；该补偿位置信息与第一位置信息进行计算，以得到故障案例发生的精确位置，从而实现对输电线路中发生的故障进行精确的定位。
在一种可能的实现方式中，图3所示为本申请另一实施例提供的基于案例推理的故障定位方法的流程示意图，如图3所示，步骤S302中(基于改进差分优化算法对第一特征属性权重信息进行迭代优化，生成第二特征属性权重信息)包括：
步骤S3021，对第一特征属性权重信息进行变异操作，生成第一中间特征属性权重信息；
通过对第一特征属性权重信息进行变异操作，生成第一中间特征属性权重信息，该第一中间特征属性权重信息则为对第一特征属性信息进行扩展信息，进而以实现进一步能够对第一特征属性信息进行搜索。
步骤S3022，对第一特征属性权重信息和第一中间特征属性权重信息执行交叉操作，生成第二中间特征属性权重信息；
对第一特征属性权重信息和第一中间特征属性信息执行交叉操作，在第一特征属性信息和第一中间特征属性信息中选择符合条件的数据作为第二中间特征属性权重信息，以实现变异后进行执行交叉操作后第一特征属性权重信息和第一中间特征属性信息能够满足选择范围要求。
步骤S3023，基于目标函数值对第一特征属性权重信息和第二中间特征属性权重信息执行选择操作，生成第三中间特征属性权重信息；
基于目标函数值计算第一特征属性权重信息的目标函数值和第二中间特征属性权重信息的目标函数，当第一特征属性权重信息的目标函数值大于第二中间特征属性权重信息的目标函数，则选择该第一特征属性权重信息作为第三中间特征属性权重信息；当第一特征属性权重信息的目标函数值小于或等于第二中间特征属性权重信息的目标函数，则选择第二中间特征属性权重信息作为第三中间特征属性权重信息，因此，基于目标函数值选择合适的第一特征属性权重信息的目标函数值和第二中间特征属性权重信息作为第三中间特征属性权重信息。
步骤S3024，迭代第一中间特征属性权重信息、第二中间特征属性权重信息、第三中间特征属性权重信息；
将步骤S3021的第一中间特征属性权重信息，步骤S3022的第二中间特征属性权重信息、步骤S3023第三中间征属性权重信息进行迭代，以的得到故障案例信息最优的特征属性权重信息。
步骤S3025，判断迭代后的第三中间特征属性权重信息对应的目标函数值是否大于预设目标函数阈值；
当步骤S3025的判断结果为是时，则迭代后的第三中间特征属性权重信息对应的目标函数值大于预设目标函数阈值，则需要判断第一特征属性信息迭代次数是否等于预设迭代次数即执行步骤S3026。
当步骤S3025的判断结果为否时，则迭代后的第三中间特征属性权重信息对应的目标函数值小于或大于预设目标函数阈值，则不符合需要选择的最优迭代个体，则需返回步骤S3021重新对第一特征属性信息进行迭代。
步骤S3026，判断迭代次数是否等于预设迭代次数。
当步骤S3026的判断结果为是时，则迭代次数等于预设迭代次数，那么此次的第三中间特征属性权重信息则为第二特征属性权重信息，即执行步骤S3027；该第二特征属性权重信息则是对第一特征属性信息进行迭代后最优结果，进而提高对故障案例进行精准的定位。
当步骤S3026的判断结果为否时，则迭代次数小于预设迭代次数，那么此时还需要对该次第三中间特征属性权重信息进行迭代，以使得迭代次数满足预设迭代次数的要求之后，从而方可执行步骤S3027。
步骤S3027，迭代后的第三中间特征属性权重信息作为第二特征属性权重信息。
迭代后的第三中间特征属性权重信息作为第二特征属性权重信息，则该第二特征属性权重信息则是对第一特征属性信息进行迭代后最优结果，进而提高对故障案例进行精准的定位。
通过对第一特征属性信息进行变异、交叉、选择迭代后，选择最优的结果作为第二特征属性信息，该第二特征属性信息为实现对故障案例进行精准定位提供了有效的基础。
在一种可能的实现方式中，图4所示为本申请另一实施例提供的基于案例推理的故障定位方法的流程示意图，如图4所示，步骤S3021(对第一特征属性权重信息进行变异操作，生成第一中间特征属性权重信息)包括：
步骤S30211，基于新颖度值、适应度函数对第一特征属性权重信息进行变异突变操作处理，生成第一中间特征权重属性信息。
基于新颖度值对第一特征属性权重信息进行处理，以实现扩展到与第一特征属性权重信息相关联且新生成的数据信息，在基于适应度函数值，选择与第一特征属性权重信息关联性较高的数据后，在基于变异突变操作算法，生成第一中间特征权重属性信息，该第一中间特征权重属性信息既能满足数据值新颖性的要求，且能够与第一特征属性权重信息的关联性较大，以实现对第一特征属性信息进行扩展且能够实现满足全局搜索的要求。
在一种可能的实现方式中，图5所示为本申请另一实施例提供的基于案例推理的故障定位方法的流程示意图，如图5所示，步骤S301(根据故障案例信息，获取故障案例信息的第一特征属性权重信息)包括：
步骤S3011，采用n位二进制编码对故障案例信息进行处理，生成故障案例的第一编码信息，第一编码信息作为故障案例的第一特征属性权重信息；
在使用过程中，为了能够全面对故障案例信息进行处理，则采用n位二进制编码对故障案例信息进行处理，生成故障案例的第一编码信息，第一编码信息作为故障案例的第一特征属性权重信息；其中，第一特征属性权重信息表示为：
式中，ωi是故障案例的第i个特征属性的权重信息；ti是二进制的解码。
由于在步骤S3011中第一编码信息作为第一特征属性权重信息；那么，再此基础上对步骤S302(基于改进DE差分优化算法对所述第一特征属性权重信息进行迭代优化，生成第二特征属性权重信息)理解为：
基于基于改进DE差分优化算法对第一编码信息进行迭代优化，生成第二编码信息，第二编码信息作为第二特征属性权重信息。
具体地为，基于新颖度值、适应度函数对所述第一编码信息进行变异突变操作处理，生成第一中间编码信息，第一中间编码信息作为所述第一中间特征权重属性信息；其中，
突变公式为：
式中Vi g为g代的第i个第一中间编码信息个体，Xi g为g代第i个第一编码信息个体，和/>分别为从g代的前p最佳适应度函数第一编码信息个体和前p新颖度第一编码信息个体中随机选择的个体；F1,i g和F2,i g为g代缩放因子；
其中，前p新颖度第一编码信息个体，基于新颖度值计算公式计算第一编码信息；具体地，设定第一编码信息为个体Xi，基于新颖度值测量第一编码信息个体Xi与其最近邻K个个体之间的平均距离；新颖度值公式为：
式中，μj是Xi相对于距离度量dist的j个最近邻，衡量搜索空间中两个第一编码信息个体之间行为差异的领域依赖度量；dist表示μj和Xi之间的欧氏距离。
前p最佳适应度函数第一编码信息个体，基于均差公式进行计算，该均方差RMSE公式为：
式中，yi为训练样本案例的实际故障距离，是预测值，n为训练样本案例个数。其中，/>采用公式(5)进行计算：
Wnew为训练样本的预测值即为同时也为最近的N个预设案例的输出的平均值，即为计算出训练样本与预设案例最大相似度；Wk’是第N’个相似源案例的值。
需要说明的是，在计算训练样本与预设案例最大相似度时，则需要对训练样本的类别进行判断，具体可以理解为：设定预设案例库中N条预设案例，Xn(n＝1,2,...,n,...N)为预设案例库中的第n条源案例，设定引入的训练样本案例为X；其中预设案例和训练样本案例均有K个属性描述，则第n条训练样本案例的属性描述表示为Xn＝(x1,n,x2,n,x3,n,...,xk,n,...xK,n)；
训练样本案例X的类别进行判断，其判断的公式为：
X为训练样本案例和Xn为预设案例，mk为第k个特征属性的权重，xk为训练样本案例X的第k个属性值，xk,n为n个预设案例的第k个属性值；其中，并且mk≥≥0。
对第一编码信息以及第一中间编码信息进行交叉操作进行，生成第二中间编码信息，第二中间编码信息作为第二中间特征属性权重信息；
其中，交叉过程为：
式中，randj为均匀分布在[0,1]范围内的随机数；CR为交叉概率，jrand为在[1，D]范围内随机生成的整数。为变异的g代中第i个第一中间编码信息个体的第j个分量；为g代中第i个第一编码信息个体的第j个分量；j为常量。通过交叉公式(7)在第一编码信息以及第一中间编码信息进行交叉后，选择最优的数据作为第二中间编码信息，其中第二中间编码信息为第二中间特征属性权重信息。
基于目标函数值对第一编码信息和第二中间编码信息执行选择操作，生成第三中间编码信息，第三中间编码信息作为第三中间特征属性权重信息；其中，选择操作公式为：
式中，为g代中第i个第一编码信息个体；/>为g代中第i个第二中间编码信息个体；/>为g+1代的第i个第一编码信息个体；f为优化目标函数值。采用选择操作公式(8)计算第一编码信息的目标函数值和第二中间编码信息的目标函数值，并从中选择第一编码信息和第二中间编码信息，生成第三中间编码信息，第三中间编码信息作为第三中间特征属性权重信息。
当执行选择处理后的第三中间编码信息对应的目标函数值大于预设目标函数阈值，且此时迭代次数等于预设迭代次数时，则第三中间编码信息为第二特征属性权重信息。该第二特征属性权重信息为故障案例信息最优权重信息，以为能够对故障案例信息进行精确定位提供基础。
对比例
采集故障案例的数据，具体如表1所示，
表1 4个故障数据集信息表
采用录波测试模型、传统的案例推理模型、神经网络模型以及本申请的线路故障案例推理模型，其中，采用本申请的线路故障案例推理模型所得到故障采集数据中的误差最小，因此，采用本申请中的故障诊断系统能够对输电线路中所发生故障的具体位置进行精确定位，以方便工作人员能够寻找出故障所发生的位置，进而快速处理故障。
在一种可能的实现方式中，图6所示为本申请另一实施例提供的基于案例推理的故障定位方法的流程示意图，如图6所示，预设线路故障案例推理模型包括：预设案例库；预设案例库包括：多个预设案例信息；
其中，在步骤S400(根据第一位置信息以及补偿位置信息，生成故障案例信息对应的第二位置信息)之后，故障定位方法还包括：
步骤S500，根据密度峰值聚类将预设案例库中的预设案例信息进行聚类，得到第一聚类簇信息；
设预设案例信息为Xn基于密度峰值聚类将预设案例信息进行聚类，得到第一聚类簇信息的簇的个数为num个。
需要说明是，密度峰值聚类可将数据映射成2维，在并构建出数据之间的层次关系，其中密度高、且与其他密度更高区域相隔较远的数据点为密度峰值点，用来作为聚类中心。假设数据点xi的局部密度为ρi，数据点xi到局部密度比它大且距离最近的数据点xj的距离为δi，则具体定位ρi、δi的公式：
式中，dij为xi和xj之间的距离；dc为截断距离；χ(ο)为逻辑判断函数，(0)<0，x(o)<0，否则x(o)＝0。根据以上定义，通过构造δi相对于ρi的决策图，进行数据点分配和噪声点剔除，可以快速得到最终的聚类结果。
步骤S600，根据密度峰值聚类将故障案例信息以及预设案例库中的预设案例信息进行聚类，得到第二聚类簇信息；
将故障案例信息以及预设案例库中的预设案例信息进行聚类，输出的第二聚类簇信息的簇的个数为num′个。
步骤S700，判断第二聚类簇信息是否大于第一聚类簇信息；
当步骤S700的判断结果为是时，第二聚类簇信息大于第一聚类簇信息，则该故障案例未在预设案例库中，与预设案例库中的案例不同，则需要将故障案例作为新的案例源补入至预设案例库中，即执行步骤S800。
当步骤S700的判断结果为否时，第二聚类簇信息小于或等于第一聚类簇信息，则说明该故障案例在预设案例库中，则无需补入在预设案例库中。
步骤S800，将故障案例信息添加至预设案例库中。
当步骤S700的判断结果为是时，则将故障案例信息添加至预设案例库中，以实现对预设案例库的维护，以实现增大预设案例库中的案例源，以实现预设案例库后续能够全面覆盖所有故障案例，以提高预设案例库的全面性；进而提高对故障案例的进行全面的预测。
在一种可能的实现方式中，图7所示为本申请另一实施例提供的基于案例推理的故障定位方法工艺流程图，如图7所示，在步骤S500(根据密度峰值聚类将预设案例库中的预设案例信息进行聚类，得到第一聚类簇信息)之后，故障定位方法还包括：
步骤S901，判断第一聚类簇信息中两个预设案例信息之间的相似度值大于预设案例相似度阈值时；
当步骤S901的判断结果为是时，则第一聚类簇信息中两个预设案例信息之间的相似度值大于预设案例相似度阈值，则说明预设案例库中存在相似的案例，则需要对其中一个预设案例信息进行删除，即执行步骤S902。
当步骤S901的判断结果为否时，则第一聚类簇信息中两个预设案例信息之间的相似度值小于或等于预设案例相似度阈值，则说明书预设案例库中不存在相似案例，则无需执行其他操作。
需要说明的是，设定两个预设案例信息之间的相似度值为Sam，ψ为预设案例相似度阈值且ψ的值较大；则
Sam＞Ψ (11)。
步骤S902，删除其中一个预设案例信息。
当步骤S901判断结果为是时，则说明预设案例库中存在相对的案例，则步骤S902删除其中一个预设案例信息，以实现故障案例在与预设案例库中的预设案例进行搜索比对时，则降低搜索时间，提高搜索运行效率；进而避免预设案例库中存在大量冗余案例，以提高预设案例库中的准确性。
本申请的第二方面，图8为本申请提供的一种基于案例推理的故障诊断系统的工作原理图，如图8所示，故障诊断系统包括，数据获取模块11，数据获取模块11用于获取故障案例信息；数据生成模块12，数据生成模块12用于根据故障案例信息以及预设录波测距模型，生成故障案例信息对应的第一位置信息；根据故障案例信息以及预设线路故障案例推理模型，生成故障案例信息对应的补偿位置信息；根据第一位置信息以及补偿位置信息，生成故障案例信息对应的第二位置信息。通过数据获取模块11获取的故障案例信息；数据生成模块12用于根据故障案例信息以及预设录波测距模型，生成故障案例信息对应的第一位置信息；根据故障案例信息以及预设线路故障案例推理模型，生成故障案例信息对应的补偿位置信息；根据第一位置信息以及补偿位置信息，生成故障案例信息对应的第二位置信息。该第二位置信息以能够对故障案例发生故障的位置进行精确定位，即实现对输电线路中发生故障的位置进行精确的定位。
下面，参考图9来描述根据本申请实施例的电子设备。图9所示为本申请一实施例提供的电子设备的结构示意图。
如图9所示，电子设备600包括一个或多个处理器601和存储器602。
处理器601可以是中央处理单元(CPU)或者具有数据处理能力和/或信息执行能力的其他形式的处理单元，并且可以控制电子设备600中的其他组件以执行期望的功能。
存储器601可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序信息，处理器601可以运行所述程序信息，以实现上文所述的本申请的各个实施例的故障定位方法或者其他期望的功能。
在一个示例中，电子设备600还可以包括：输入装置603和输出装置604，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置603可以包括例如键盘、鼠标等等。
该输出装置604可以向外部输出各种信息。该输出装置604可以包括例如显示器、通信网络及其所连接的远程输出设备等等。
当然，为了简化，图9中仅示出了该电子设备600中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备600还可以包括任何其他适当的组件。
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序信息，所述计算机程序信息在被处理器运行时使得所述处理器执行本说明书中描述的根据本申请各种实施例的故障定位方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序信息，所述计算机程序信息在被处理器运行时使得所述处理器执行本说明书根据本申请各种实施例的故障定位方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此发明的原理和新颖的特征一致的最宽范围。
以上所述仅为本申请创造的较佳实施例而已，并不用以限制本申请创造，凡在本申请创造的精神和原则之内，所作的任何修改、等同替换等，均应包含在本申请创造的保护范围之内。

Claims (9)

1.一种案例推理的故障定位方法，其特征在于，
获取故障案例信息；
根据所述故障案例信息以及预设录波测距模型，生成所述故障案例信息对应的第一位置信息；
根据所述故障案例信息以及预设线路故障案例推理模型，生成所述故障案例信息对应的补偿位置信息；
根据所述第一位置信息以及所述补偿位置信息，生成所述故障案例信息对应的第二位置信息；
所述预设线路故障案例推理模型包括：预设案例库；所述预设案例库包括：多个预设案例信息；
其中，所述根据所述故障案例信息以及预设线路故障案例推理模型，生成所述故障案例信息对应的补偿位置信息包括：
根据所述故障案例信息，获取所述故障案例信息的第一特征属性权重信息；
基于改进差分优化算法对所述第一特征属性权重信息进行迭代优化，生成第二特征属性权重信息；
将所述第二特征属性权重信息与所述预设案例库中的每个预设案例信息进行逐一比对，生成多个相似度数据信息；
将所述多个相似度数据信息进行排名，生成所述故障案例信息对应的相似度排行数据信息；
在所述相似度排行数据信息中选择至少一个所述相似度数据信息对应的预设案例，将至少一个预设案例对应的所述相似度数据信息进行平均，得到均差值信息，所述均差值信息作为所述故障案例信息对应的所述补偿位置信息。
2.根据权利要求1所述故障定位方法，其特征在于，所述基于改进差分优化算法对所述第一特征属性权重信息进行迭代优化，生成第二特征属性权重信息包括：
对所述第一特征属性权重信息进行变异操作，生成第一中间特征属性权重信息；
对所述第一特征属性权重信息和所述第一中间特征属性权重信息执行交叉操作，生成第二中间特征属性权重信息；
基于目标函数值对所述第一特征属性权重信息和所述第二中间特征属性权重信息执行选择操作，生成第三中间特征属性权重信息；
迭代所述第一中间特征属性权重信息、所述第二中间特征属性权重信息、所述第三中间特征属性权重信息；
当迭代后的第三中间特征属性权重信息对应的目标函数值大于预设目标函数阈值，且迭代次数等于预设迭代次数时，则所述第三中间特征属性权重信息作为所述第二特征属性权重信息。
3.根据权利要求2所述故障定位方法，其特征在于，所述对所述第一特征属性权重信息进行变异操作，生成第一中间特征属性权重信息包括：
基于新颖度值、适应度函数对所述第一特征属性权重信息进行变异突变操作处理，生成所述第一中间特征权重属性信息。
4.根据权利要求2所述故障定位方法，其特征在于，根据所述故障案例信息，获取所述故障案例信息的第一特征属性权重信息包括：
采用n位二进制编码对所述故障案例信息进行处理，生成所述故障案例的第一编码信息，所述第一编码信息作为所述故障案例的所述第一特征属性权重信息。
5.根据权利要求1所述故障定位方法，其特征在于，在根据所述第一位置信息以及所述补偿位置信息，生成所述故障案例信息对应的第二位置信息之后，所述故障定位方法还包括：
基于密度峰值聚类将所述预设案例库中的预设案例信息进行聚类，得到第一聚类簇信息；
基于密度峰值聚类将所述故障案例信息以及预设案例库中的预设案例信息进行聚类，得到第二聚类簇信息；
当所述第二聚类簇信息大于所述第一聚类簇信息，则将所述故障案例信息添加至所述预设案例库中。
6.根据权利要求5所述故障定位方法，其特征在于，在所述根据密度峰值聚类将所述预设案例库中的预设案例信息进行聚类，得到第一聚类簇信息之后，所述故障定位方法还包括：
当所述第一聚类簇信息中两个预设案例信息之间的相似度值大于预设案例相似度阈值时，则删除其中一个预设案例信息。
7.一种基于案例推理的故障定位系统，其特征在于，
数据获取模块，用于获取故障案例信息；
数据生成模块，用于根据所述故障案例信息以及预设录波测距模型，生成所述故障案例信息对应的第一位置信息；根据所述故障案例信息以及预设线路故障案例推理模型，生成所述故障案例信息对应的补偿位置信息；根据所述第一位置信息以及所述补偿位置信息，生成所述故障案例信息对应的第二位置信息；
所述预设线路故障案例推理模型包括：预设案例库；所述预设案例库包括：多个预设案例信息；
其中，所述数据生成模块进一步配置为：
根据所述故障案例信息，获取所述故障案例信息的第一特征属性权重信息；
基于改进差分优化算法对所述第一特征属性权重信息进行迭代优化，生成第二特征属性权重信息；
将所述第二特征属性权重信息与所述预设案例库中的每个预设案例信息进行逐一比对，生成多个相似度数据信息；
将所述多个相似度数据信息进行排名，生成所述故障案例信息对应的相似度排行数据信息；
在所述相似度排行数据信息中选择至少一个所述相似度数据信息对应的预设案例，将至少一个预设案例对应的所述相似度数据信息进行平均，得到均差值信息，所述均差值信息作为所述故障案例信息对应的所述补偿位置信息。
8.一种电子设备，所述电子设备包括：处理器；以及用于存储所述处理器可执行信息的存储器；其中，所述处理器用于执行上述权利要求1-6任一项的故障定位方法。
9.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述的权利要求1-6任一项的故障定位方法。
CN202210110203.0A 2022-01-29 2022-01-29 案例推理的故障定位方法以及系统、存储介质、电子设备 Active CN114636890B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210110203.0A CN114636890B (zh) 2022-01-29 2022-01-29 案例推理的故障定位方法以及系统、存储介质、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210110203.0A CN114636890B (zh) 2022-01-29 2022-01-29 案例推理的故障定位方法以及系统、存储介质、电子设备

Publications (2)

Publication Number Publication Date
CN114636890A CN114636890A (zh) 2022-06-17
CN114636890B true CN114636890B (zh) 2023-10-10

Family

ID=81945920

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210110203.0A Active CN114636890B (zh) 2022-01-29 2022-01-29 案例推理的故障定位方法以及系统、存储介质、电子设备

Country Status (1)

Country Link
CN (1) CN114636890B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116973694B (zh) * 2023-09-22 2023-12-12 国网浙江宁波市鄞州区供电有限公司 配电网故障诊断优化方法及系统

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101487865A (zh) * 2008-01-16 2009-07-22 西门子公司 故障诊断方法和故障诊断系统
JP2010002386A (ja) * 2008-06-23 2010-01-07 Central Res Inst Of Electric Power Ind 故障点標定装置、故障点標定方法および故障点標定プログラム
KR20140024533A (ko) * 2012-08-20 2014-03-03 현대중공업 주식회사 유사도와 중요도를 이용한 통합 플랜트 사례기반 추론 방법
CN105158642A (zh) * 2015-09-21 2015-12-16 山东海兴电力科技有限公司 一种输电线路自动故障诊断和故障定位方法及系统
KR20170038348A (ko) * 2015-09-30 2017-04-07 한국전력공사 동적 설비의 결함 진단 시스템 및 결함 진단 방법
CN107016407A (zh) * 2017-03-07 2017-08-04 中国矿业大学 一种反馈式密度峰值聚类方法及系统
CN107168285A (zh) * 2017-05-26 2017-09-15 大连理工大学 一种结合主客观信息和云模型的汽车智能故障诊断与维修辅助方法及系统
CN107782917A (zh) * 2016-08-24 2018-03-09 联合汽车电子有限公司 车速传感器的故障诊断及处理方法
CN108090567A (zh) * 2018-01-19 2018-05-29 国家电网公司 电力通信系统故障诊断方法及装置
CN110531223A (zh) * 2019-10-14 2019-12-03 国网山东省电力公司莱芜供电公司 一种基于调度应用的35kV线路故障定位快速计算方法，设备及可读存储介质
CN111366814A (zh) * 2020-03-31 2020-07-03 上海电力大学 基于多源数据及多维故障编码空间的电网故障诊断方法
CN112215254A (zh) * 2020-09-03 2021-01-12 许继集团有限公司 一种基于改进案例推理的变电站故障诊断方法以及诊断装置
CN112444702A (zh) * 2020-12-18 2021-03-05 南方电网数字电网研究院有限公司 变压器故障类型判断方法、装置、计算机设备和存储介质
CN112911625A (zh) * 2021-02-04 2021-06-04 重庆邮电大学 一种确定性时隙通信传感节点的故障诊断方法
CN113495201A (zh) * 2021-06-30 2021-10-12 南京荣港电气技术有限公司 分布式输电线缆故障定位诊断系统及定位诊断方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101487865A (zh) * 2008-01-16 2009-07-22 西门子公司 故障诊断方法和故障诊断系统
JP2010002386A (ja) * 2008-06-23 2010-01-07 Central Res Inst Of Electric Power Ind 故障点標定装置、故障点標定方法および故障点標定プログラム
KR20140024533A (ko) * 2012-08-20 2014-03-03 현대중공업 주식회사 유사도와 중요도를 이용한 통합 플랜트 사례기반 추론 방법
CN105158642A (zh) * 2015-09-21 2015-12-16 山东海兴电力科技有限公司 一种输电线路自动故障诊断和故障定位方法及系统
KR20170038348A (ko) * 2015-09-30 2017-04-07 한국전력공사 동적 설비의 결함 진단 시스템 및 결함 진단 방법
CN107782917A (zh) * 2016-08-24 2018-03-09 联合汽车电子有限公司 车速传感器的故障诊断及处理方法
CN107016407A (zh) * 2017-03-07 2017-08-04 中国矿业大学 一种反馈式密度峰值聚类方法及系统
CN107168285A (zh) * 2017-05-26 2017-09-15 大连理工大学 一种结合主客观信息和云模型的汽车智能故障诊断与维修辅助方法及系统
CN108090567A (zh) * 2018-01-19 2018-05-29 国家电网公司 电力通信系统故障诊断方法及装置
CN110531223A (zh) * 2019-10-14 2019-12-03 国网山东省电力公司莱芜供电公司 一种基于调度应用的35kV线路故障定位快速计算方法，设备及可读存储介质
CN111366814A (zh) * 2020-03-31 2020-07-03 上海电力大学 基于多源数据及多维故障编码空间的电网故障诊断方法
CN112215254A (zh) * 2020-09-03 2021-01-12 许继集团有限公司 一种基于改进案例推理的变电站故障诊断方法以及诊断装置
CN112444702A (zh) * 2020-12-18 2021-03-05 南方电网数字电网研究院有限公司 变压器故障类型判断方法、装置、计算机设备和存储介质
CN112911625A (zh) * 2021-02-04 2021-06-04 重庆邮电大学 一种确定性时隙通信传感节点的故障诊断方法
CN113495201A (zh) * 2021-06-30 2021-10-12 南京荣港电气技术有限公司 分布式输电线缆故障定位诊断系统及定位诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NFDDE: A novelty-hybrid-fitness driving differential evolution algorithm;Xuewen Xia;Information Sciences;第579卷;第33-54页 *
基于故障录波的高压配电网混合线路阻抗测距实用化研究;卢圣财;《电力与能源》;第41卷(第3期);第312~315页 *

Also Published As

Publication number Publication date
CN114636890A (zh) 2022-06-17

Similar Documents

Publication Publication Date Title
CN113852603B (zh) 网络流量的异常检测方法、装置、电子设备和可读介质
CN103513983A (zh) 用于预测性警报阈值确定工具的方法和系统
CN111104306A (zh) 用于应用中的错误诊断的方法、装置和计算机存储介质
US9990268B2 (en) System and method for detection of duplicate bug reports
CN114636890B (zh) 案例推理的故障定位方法以及系统、存储介质、电子设备
Ul Banna et al. Data‐driven disturbance source identification for power system oscillations using credibility search ensemble learning
Han et al. Research on quality problems management of electric power equipment based on knowledge–data fusion method
CN113111305A (zh) 一种异常检测方法、装置、存储介质及电子设备
Aikhuele Intuitionistic fuzzy model for reliability management in wind turbine system
CN117347916A (zh) 一种基于参数辨识的绕组结构故障定位方法及装置
CN117332594A (zh) 基于样本信息共享的涡轮叶片系统失效概率函数求解方法
CN117269742A (zh) 一种高海拔环境下断路器健康状态评估方法、装置及介质
Khalid et al. An augmented formulation for robust design optimization of structures using stochastic simulation method
CN111161238A (zh) 图像质量评价方法及装置、电子设备、存储介质
Donat et al. Data visualization, data reduction and classifier fusion for intelligent fault diagnosis in gas turbine engines
CN113408816B (zh) 一种基于深度神经网络的电网灾情评估方法
Yu et al. Knowledge reasoning of transmission line component detection using CRITIC and TOPSIS approaches
JP6615892B2 (ja) 物理システムの経時変化プロファイリングエンジン
Ghasemi et al. Probability-based damage detection of structures using Kriging surrogates and enhanced ideal gas molecular movement algorithm
CN114862109A (zh) 一种用电异常监测方法、装置、电子设备及存储介质
CN114493070A (zh) 换电站充电电缆的热失控预警方法及系统
CN112749744A (zh) 基于观测模块的贝叶斯网络轨道客车牵引系统故障诊断方法及系统
Mollaiee et al. Novel continuous learning scheme for online static security assessment based on the weather‐dependent security index
CN114611575B (zh) 一种故障案例分类方法以及系统
Moradzadeh et al. Image processing-based data integrity attack detection in dynamic line rating forecasting applications

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
GR01 Patent grant
GR01 Patent grant