CN114781608B - 一种基于数字孪生的煤矿供电系统故障预警方法 - Google Patents
一种基于数字孪生的煤矿供电系统故障预警方法 Download PDFInfo
- Publication number
- CN114781608B CN114781608B CN202210410802.4A CN202210410802A CN114781608B CN 114781608 B CN114781608 B CN 114781608B CN 202210410802 A CN202210410802 A CN 202210410802A CN 114781608 B CN114781608 B CN 114781608B
- Authority
- CN
- China
- Prior art keywords
- neuron
- output
- hidden
- pulse
- power supply
- 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
Links
- 239000003245 coal Substances 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims abstract description 15
- 210000002569 neuron Anatomy 0.000 claims abstract description 64
- 210000004205 output neuron Anatomy 0.000 claims abstract description 61
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000002964 excitative effect Effects 0.000 claims description 35
- 230000002401 inhibitory effect Effects 0.000 claims description 18
- 230000000946 synaptic effect Effects 0.000 claims description 16
- 210000002364 input neuron Anatomy 0.000 claims description 14
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims description 10
- 230000001242 postsynaptic effect Effects 0.000 claims description 9
- 238000010304 firing Methods 0.000 claims description 6
- 210000000225 synapse Anatomy 0.000 claims description 6
- 206010001497 Agitation Diseases 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000001934 delay Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06N3/045—Combinations of 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
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
Abstract
本发明公开了一种基于数字孪生的煤矿供电系统故障预警方法包括以下步骤:获取供电网络各个节点正常和故障情况下的电量数据;构建脉冲神经网络,所述脉冲神经网络包括输入层、隐藏层和输出层;基于获取的电量数据对脉冲神经网络进行训练,得到训练后的脉冲神经网络;通过训练后的脉冲神将网络构建供电网络的数字孪生模型;通过数字孪生模型对供电系统故障进行预警。通过采集实际煤矿供电网络节点上的正常运行和故障情况下的电量数据,将其送入多个脉冲神经网络,根据提出的公式训练输出神经元和隐藏神经元进而构建煤矿供电网络的数字孪生模型,基于该模型实现对煤矿供电系统故障的实时预警。
Description
技术领域
本发明涉及故障预警技术领域,更具体的说是涉及一种基于数字孪生的煤矿供电系统故障预警方法。
背景技术
目前,稳定供电是煤矿正常运行的重要条件之一。煤矿机械化生产的正常进行需要以供电系统稳定运行为基础。
因此,及时感知供电系统的安全隐患,防范可能存在的风险,进而满足煤矿供电的需求是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于数字孪生的煤矿供电系统故障预警方法,通过采集实际煤矿供电网络节点上的正常运行和故障情况下的电量数据,将其送入多个脉冲神经网络,根据提出的公式训练输出神经元和隐藏神经元进而构建煤矿供电网络的数字孪生模型,基于该模型实现对煤矿供电系统故障的实时预警。
为了实现上述目的,本发明采用如下技术方案:
一种基于数字孪生的煤矿供电系统故障预警方法,包括以下步骤:
S1、获取供电网络各个节点正常和故障情况下的电量数据;
S2、构建脉冲神经网络,所述脉冲神经网络包括输入层、隐藏层和输出层,所述隐藏层设置有兴奋性隐藏神经元和抑制性隐藏神经元,所述输出层设置有输出神经元;
S3、基于S1获取的电量数据对脉冲神经网络进行训练,得到训练后的脉冲神经网络;
S4、通过训练后的脉冲神经网络构建供电网络的数字孪生模型;
S5、通过数字孪生模型对供电系统故障进行预警。
优选的,所述步骤S1中的电量数据为电压和电流的时间序列。
优选的,所述步骤S3包括:
S31、对所述兴奋性隐藏神经元的权值进行训练,第i个输入神经元和第h个兴奋性隐藏神经元之间的突触权重用whi表示,忽略当前网络中的延迟,所述突触权重whi表示为:
其中,ti是当前时间t时刻或之前第i个输入脉冲的最后触发时间;woh第h个输入神经元和第o个兴奋性隐藏神经元之间的突触权重,为在第o个输出神经元的第f个期望峰值时调整权重,/>为在第o个输出神经元的第f个实际输出峰值时调整权重;∑o表示所有输出神经元的权重调整值之和,Ψ(t-ti)为时间窗口;
其中,μoh是第h个抑制性隐藏神经元和第o个输出神经元之间的延迟,是对应于第i个输入神经元和第h个抑制性隐藏神经元之间连接的脉冲轨迹,/>是与第h个抑制性隐藏神经元和第o个输出神经元之间的连接有关的脉冲轨迹,woh第h个输入神经元和第o个兴奋性隐藏神经元之间的突触权重;
S33、延迟调整配合权重调整训练输出神经元在所需时间增加其突触后电位,以产生实际输出脉冲,并且调整输出神经元在不期望的脉冲时间减少其突触后电位来移除不期望的实际输出脉冲,通过以下等式对输出神经元权重进行训练:
式中,woh和doh分别是与第h个隐藏神经元和第o个输出神经元之间的连接相关的权重和延迟;和/>分别是第o个输出神经元期望和实际输出脉冲序列;sh是由第h个隐藏神经元触发的脉冲序列;a是一个常数,可以加快学习速度,s为时间脉冲序列;
Ψ(s)是一个指数函数:
其中,τ和A分别是指数衰减时间常数和学习窗口的振幅;
xoh(t)用于训练与连接第h个兴奋性隐藏神经元和第o个输出神经元的突触的延迟:
εoh的调整值由下式计算:
其中,是第f个期望脉冲的时间;/>是第o个输出神经元第f个实际输出脉冲的时间;xom(t)是在当前时间t连接到第o个输出神经元的兴奋性隐藏神经元的轨迹之间的最大值,xoh(t)为对应于第h个兴奋性隐藏神经元和第o个输出神经元之间的连接轨迹;Δtom(t)是一个延迟位移由下式计算:
Δtom=t-tm-εom=-τxln(xom(t)/A)
其中,tm为当前时间t之前第m个兴奋性隐藏神经元的激发时间;εom是第m个兴奋性隐藏神经元和第o个输出神经元之间的延迟。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于数字孪生的煤矿供电系统故障预警方法,通过采集实际煤矿供电网络节点上的正常运行和故障情况下的电量数据,将其送入多个脉冲神经网络,根据提出的公式训练输出神经元和隐藏神经元进而构建煤矿供电网络的数字孪生模型,基于该模型实现对煤矿供电系统故障的实时预警。
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简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的预警方法流程结构示意图。
图2附图为本发明提供的SNN结构示意图。
图3附图为本发明提供的测试供电系统结构示意图。
图4附图为本发明提供的节点3瞬态故障示意图。
图5附图为本发明提供的SNN输出预警信号示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种基于数字孪生的煤矿供电系统故障预警方法,包括以下步骤:
S1、获取供电网络各个节点正常和故障情况下的电量数据;
S2、构建脉冲神经网络,脉冲神经网络包括输入层、隐藏层和输出层,隐藏层设置有兴奋性隐藏神经元和抑制性隐藏神经元,输出层设置有输出神经元;
S3、基于S1获取的电量数据对脉冲神经网络进行训练,得到训练后的脉冲神经网络;
S4、通过训练后的脉冲神经网络构建供电网络的数字孪生模型;
S5、通过数字孪生模型对供电系统故障进行预警。
为进一步优化上述技术方案,步骤S1中的电量数据为电压和电流的时间序列。
为进一步优化上述技术方案,步骤S3包括:
S31、对兴奋性隐藏神经元的权值进行训练,第i个输入神经元和第h个兴奋性隐藏神经元之间的突触权重用whi表示,忽略当前网络中的延迟,突触权重whi表示为:
其中,ti是当前时间t时刻或之前第i个输入脉冲的最后触发时间;woh第h个输入神经元和第o个兴奋性隐藏神经元之间的突触权重,为在第o个输出神经元的第f个期望峰值时调整权重,/>为在第o个输出神经元的第f个实际输出峰值时调整权重;∑o表示所有输出神经元的权重调整值之和,Ψ(t-ti)为时间窗口;
其中,μoh是第h个抑制性隐藏神经元和第o个输出神经元之间的延迟,是对应于第i个输入神经元和第h个抑制性隐藏神经元之间连接的脉冲轨迹,/>是与第h个抑制性隐藏神经元和第o个输出神经元之间的连接有关的脉冲轨迹,woh第h个输入神经元和第o个兴奋性隐藏神经元之间的突触权重;
S33、延迟调整配合权重调整训练输出神经元在所需时间增加其突触后电位,以产生实际输出脉冲,并且调整输出神经元在不期望的脉冲时间减少其突触后电位来移除不期望的实际输出脉冲,通过以下等式对输出神经元权重进行训练:
式中,woh和doh分别是与第h个隐藏神经元和第o个输出神经元之间的连接相关的权重和延迟;和/>分别是第o个输出神经元期望和实际输出脉冲序列;sh是由第h个隐藏神经元触发的脉冲序列;a是一个常数,可以加快学习速度,s为时间脉冲序列;
Ψ(s)是一个指数函数:
其中,τ和A分别是指数衰减时间常数和学习窗口的振幅;
xoh(t)用于训练与连接第h个兴奋性隐藏神经元和第o个输出神经元的突触的延迟:
εoh的调整值由下式计算:
其中,是第f个期望脉冲的时间;/>是第o个输出神经元第f个实际输出脉冲的时间;xom(t)是在当前时间t连接到第o个输出神经元的兴奋性隐藏神经元的轨迹之间的最大值,xoh(t)为对应于第h个兴奋性隐藏神经元和第o个输出神经元之间的连接轨迹;Δtom(t)是一个延迟位移由下式计算:
Δtom=t-tm-εom=-τxln(xom(t)/A)
其中,tm为当前时间t之前第m个兴奋性隐藏神经元的激发时间;εom是第m个兴奋性隐藏神经元和第o个输出神经元之间的延迟。
采用修改后的IEEE 30-bus供电系统用来测试本发明所提故障预警方法的有效性。图3显示了测试系统的单相线路图,其中标有绿色圆圈的为智能电表,其提供相应节点的电压、电流信号。每0.1ms采集相应节点的三相电压、电流信号,将得到的信号进行脉冲序列编码(BSA),经过编码处理后得到适合脉冲神经网络输入的脉冲信号,将这些脉冲信号送入已训练完成的脉冲神经网络,如果发生故障则脉冲神经网络输出信号否则无输出信号。
图4说明了节点3处的模拟瞬态故障(A相电压跌落),该故障发生在0.02秒,持续时间为4个周期(即0.1s恢复正常)。图3中节点1和4处的SNN会发出预警信号。从图5可以看出,当节点3发生故障时,SNN能够迅速发出故障预警信号,表示在图3中红色虚线范围内的线路发生故障。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (2)
1.一种基于数字孪生的煤矿供电系统故障预警方法,其特征在于,包括以下步骤:
S1、获取供电网络各个节点正常和故障情况下的电量数据;
S2、构建脉冲神经网络,所述脉冲神经网络包括输入层、隐藏层和输出层,所述隐藏层设置有兴奋性隐藏神经元和抑制性隐藏神经元,所述输出层设置有输出神经元;
S3、基于S1获取的电量数据对脉冲神经网络进行训练,得到训练后的脉冲神经网络;
S4、通过训练后的脉冲神经网络构建供电网络的数字孪生模型;
S5、通过数字孪生模型对供电系统故障进行预警;
所述步骤S3包括:
S31、对所述兴奋性隐藏神经元的权值进行训练,第i个输入神经元和第h个兴奋性隐藏神经元之间的突触权重用whi表示,忽略当前网络中的延迟,对突触权重的调节表示为:
其中,ti是当前时间t时刻之前第i个输入脉冲的最后触发时间;woh是第h个输入神经元和第o个兴奋性隐藏神经元之间的突触权重,代表在第o个输出神经元的第f个期望峰值时调整权重的触发时间;/>代表在第o个输出神经元的第f个实际输出峰值时调整权重的触发时间;∑o表示所有输出神经元的权重调整值之和,Ψ(t-ti)为时间窗口;A代表学习窗口的振幅;
其中,μoh是第h个抑制性隐藏神经元和第o个输出神经元之间的延迟,是对应于第i个输入神经元和第h个抑制性隐藏神经元之间连接的脉冲轨迹,/>是与第h个抑制性隐藏神经元和第o个输出神经元之间的连接有关的脉冲轨迹,woh是第h个输入神经元和第o个兴奋性隐藏神经元之间的突触权重;A代表学习窗口的振幅;/>代表在第o个输出神经元的第f个期望峰值时调整权重的触发时间;/>代表在第o个输出神经元的第f个实际输出峰值时调整权重的触发时间;
S33、延迟调整配合权重调整训练输出神经元在所需时间增加其突触后电位,以产生实际输出脉冲,并且调整输出神经元在不期望的脉冲时间减少其突触后电位来移除不期望的实际输出脉冲,通过以下等式对输出神经元权重进行训练:
式中,woh是第h个输入神经元和第o个兴奋性隐藏神经元之间的突触权重,doh是第h个隐藏神经元和第o个输出神经元之间的延迟;和/>分别是第o个输出神经元期望和实际输出脉冲序列;sh是由第h个隐藏神经元触发的脉冲序列;a是一个常数,可以加快学习速度,s为时间脉冲序列;
Ψ(s)是一个指数函数:
其中,τ和A分别是指数衰减时间常数和学习窗口的振幅;
xoh(t)用于训练与连接第h个兴奋性隐藏神经元和第o个输出神经元的突触的延迟:
εoh的调整值由下式计算:
其中,代表在第o个输出神经元的第f个期望峰值时调整权重的触发时间;/>代表在第o个输出神经元的第f个实际输出峰值时调整权重的触发时间;xom(t)是在当前时间t连接到第o个输出神经元的兴奋性隐藏神经元的轨迹之间的最大值,xoh(t)为对应于第h个兴奋性隐藏神经元和第o个输出神经元之间的连接轨迹;Δtom(t)是一个延迟位移由下式计算:
Δtom=t-tm-εom=-τln(xom(t)/A)
其中,tm为当前时间t之前第m个兴奋性隐藏神经元的激发时间;εom是第m个兴奋性隐藏神经元和第o个输出神经元之间的延迟,xom(t)是在当前时间t连接到第o个输出神经元的兴奋性隐藏神经元的轨迹之间的最大值;A为学习窗口的振幅。
2.根据权利要求1所述的一种基于数字孪生的煤矿供电系统故障预警方法,其特征在于,所述步骤S1中的电量数据为电压和电流的时间序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210410802.4A CN114781608B (zh) | 2022-04-19 | 2022-04-19 | 一种基于数字孪生的煤矿供电系统故障预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210410802.4A CN114781608B (zh) | 2022-04-19 | 2022-04-19 | 一种基于数字孪生的煤矿供电系统故障预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114781608A CN114781608A (zh) | 2022-07-22 |
CN114781608B true CN114781608B (zh) | 2023-06-20 |
Family
ID=82431600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210410802.4A Active CN114781608B (zh) | 2022-04-19 | 2022-04-19 | 一种基于数字孪生的煤矿供电系统故障预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114781608B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529176A (zh) * | 2020-12-03 | 2021-03-19 | 鹏城实验室 | 一种加速脉冲神经网络的训练方法、终端及存储介质 |
CN113792857A (zh) * | 2021-09-10 | 2021-12-14 | 中国人民解放军军事科学院战争研究院 | 一种基于膜电位自增机制的脉冲神经网络训练方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130151449A1 (en) * | 2011-12-07 | 2013-06-13 | Filip Ponulak | Apparatus and methods for implementing learning for analog and spiking signals in artificial neural networks |
US9195935B2 (en) * | 2012-04-30 | 2015-11-24 | The Regents Of The University Of California | Problem solving by plastic neuronal networks |
US9477926B2 (en) * | 2012-11-20 | 2016-10-25 | Qualcomm Incorporated | Piecewise linear neuron modeling |
US10976429B1 (en) * | 2017-10-16 | 2021-04-13 | Hrl Laboratories, Llc | System and method for synthetic aperture radar target recognition utilizing spiking neuromorphic networks |
WO2019125418A1 (en) * | 2017-12-19 | 2019-06-27 | Intel Corporation | Reward-based updating of synpatic weights with a spiking neural network |
CN109139115B (zh) * | 2018-10-16 | 2024-02-20 | 煤炭科学技术研究院有限公司 | 一种井下数据采集终端、处理系统及处理方法 |
CN111639754A (zh) * | 2020-06-05 | 2020-09-08 | 四川大学 | 一种神经网络的构建、训练、识别方法和系统、存储介质 |
CN114167204A (zh) * | 2021-11-19 | 2022-03-11 | 广东电网有限责任公司电力调度控制中心 | 一种配变运行异常的识别预警方法 |
-
2022
- 2022-04-19 CN CN202210410802.4A patent/CN114781608B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529176A (zh) * | 2020-12-03 | 2021-03-19 | 鹏城实验室 | 一种加速脉冲神经网络的训练方法、终端及存储介质 |
CN113792857A (zh) * | 2021-09-10 | 2021-12-14 | 中国人民解放军军事科学院战争研究院 | 一种基于膜电位自增机制的脉冲神经网络训练方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114781608A (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108448610B (zh) | 一种基于深度学习的短期风功率预测方法 | |
Liu et al. | Accurate prediction scheme of water quality in smart mariculture with deep Bi-S-SRU learning network | |
CN110766143A (zh) | 基于人工神经网络的设备故障智能诊断方法 | |
CN110826054B (zh) | 一种基于报文数据场特征的车载can总线入侵检测方法 | |
CN111639754A (zh) | 一种神经网络的构建、训练、识别方法和系统、存储介质 | |
US10147035B2 (en) | Neural integrated circuit with biological behaviors | |
CN104318485A (zh) | 一种基于神经网络和模糊逻辑的输电线路故障判别方法 | |
US20200257973A1 (en) | Inference method and device using spiking neural network | |
CN114781608B (zh) | 一种基于数字孪生的煤矿供电系统故障预警方法 | |
CN112651519A (zh) | 一种基于深度学习理论的二次设备故障定位方法及系统 | |
CN109615027B (zh) | 一种高速铁路沿线风速特征提取智能预测方法 | |
RU169425U1 (ru) | Устройство прогнозирования электропотребления на основе многослойной нейронной сети | |
CN105334472A (zh) | 矿用本安电源在线剩余寿命预测方法 | |
CN111756352B (zh) | 脉冲阵列时域滤波方法、装置、设备及存储介质 | |
CN106872894B (zh) | 一种三相电机的故障检测方法及装置 | |
CN109784478A (zh) | 一种基于bp神经网络的配电系统传感器故障诊断方法 | |
CN110633741B (zh) | 一种基于改进脉冲神经网络的时间序列分类方法 | |
Goh et al. | Complex-valued estimation of wind profile and wind power | |
CN108228977A (zh) | 一种基于飞行状态参数的直升机振动特征折算方法 | |
CN112052551A (zh) | 一种风机喘振运行故障识别方法及系统 | |
CN113033695B (zh) | 一种电子器件故障的预测方法 | |
CN115600669A (zh) | 基于局部分类器的高效深层脉冲神经网络学习方法 | |
Suttisinthong et al. | Selection of proper activation functions in back-propagation neural network algorithm for single-circuit transmission line | |
Obst et al. | Improving recurrent neural network performance using transfer entropy | |
CN115494353A (zh) | 基于全息数据结合超声波信号诊断的开关柜安全监测方法 |
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 |