CN114897035A - 一种用于10kV电缆状态评估的多源数据特征融合方法 - Google Patents
一种用于10kV电缆状态评估的多源数据特征融合方法 Download PDFInfo
- Publication number
- CN114897035A CN114897035A CN202111179490.2A CN202111179490A CN114897035A CN 114897035 A CN114897035 A CN 114897035A CN 202111179490 A CN202111179490 A CN 202111179490A CN 114897035 A CN114897035 A CN 114897035A
- Authority
- CN
- China
- Prior art keywords
- matrix
- cable
- time
- data
- monitoring device
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 21
- 238000011156 evaluation Methods 0.000 title abstract description 13
- 239000013598 vector Substances 0.000 claims abstract description 46
- 239000011159 matrix material Substances 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000001228 spectrum Methods 0.000 claims abstract description 5
- 238000012806 monitoring device Methods 0.000 claims description 26
- 238000001453 impedance spectrum Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims 1
- 238000009434 installation Methods 0.000 claims 1
- 238000000844 transformation Methods 0.000 claims 1
- 230000009466 transformation Effects 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000003909 pattern recognition Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明涉及一种用于10kV电缆状态评估的多源数据特征融合方法,基于多传感器数据对10KV电缆进行状态评估。首先将多传感器时间序列数据经过构造高维随机矩阵计算其平均谱半径的方法进行特征提取;然后将三类传感器计算得到的特征向量按照参考向量统一维度,形成新的矩阵;最后将新的特征矩阵作为输入,已知的电缆状态作为输出,通过三层BP神经网络分类器进行模式识别。本发明充分利用了10KV电缆状态监测系统的多传感器数据,一定程度上解决了不同数据源权重赋予过程主观性强的问题。
Description
技术领域
本发明涉及10kV电缆状态评估方法的技术领域,尤其是涉及一种10kV 电缆状态评估的多传感器数据融合方法的技术领域。
背景技术
电力电缆作为电能传输的主要部件,被广泛应用在铁路、商业、居民 区等区域中,与我们的生活息息相关。随着我国广泛铺设,其重要性不言 而喻。无论是由于何种原因导致电缆发生故障,轻则停电,重则影响经济, 威胁人的生命安全和财产安全。由在线、离线监测数据得到电气设备的状 态这个过程就显得至关重要。
目前的电力系统关于电缆在运维检修方面的数据以载流量、谐波数据、 电缆阻抗谱数据为主。这些数据形态多样,关联性弱、状态量间的关联分 析挖掘能力不足,跨领域、多维度、长时间的数据多维数据综合分析与运 维研判能力缺失,相关技术实用化、智慧化程度较低,前后端融合薄弱。 数据之间所针对的故障类型多种多样。10kV电缆特征级融合能够充分利用 不同结构、类型、来源的数据,充分考虑数据类型特征,对10kV电缆多维 度大数据进行处理融合分析,检测出由于人工、环境等因素导致电缆异常 的状态,实现综合宏观与局部、时序与广域、知识逻辑与数据驱动相融合 的输电电缆智能化状态感知,对提升安全水平、专业管理效率及效益具有 重要的意义。
因此,基于10kV电缆的三种状态量载流量、谐波数据、电缆阻抗谱数 据,本发明提出了一种用于10kV电缆状态评估的多源数据特征融合方法。
发明内容
本发明主要解决现有10kV电缆状态评估方法仅依赖于决策级数据融合 方法,主观性强,信息量少的问题,提供了一种用于10kV电缆状态评估的 多源数据特征融合方法,主要针对结构化多传感器数据。
本发明为了解决上述技术问题而采用的技术解决方案如下:
一种用于10kV电缆状态评估的多源数据特征融合方法,包括以下步骤:
步骤1,将包括多传感器谐波监测装置、载流量监测装置和阻抗谱监测 装置的时序数据按照参数类型和不同节点构成高维矩阵;
步骤2,对每一个高维矩阵按照时间窗长度移动,计算所有时间窗矩阵 的平均谱半径,组成归一化特征向量;
步骤3,选取合适的向量维度作为参考,其余特征向量的维度按照参考 维度进行统一,得到新的列向量,将新的列向量排列形成矩阵,实现特征 融合;
步骤4,对步骤3最终形成的矩阵按行生成标签,然后以10kV电缆的 状态值为目标,对融合后的特征进行训练;
步骤5,重复步骤1-4,直到误差满足要求;
步骤6,对训练好的模型进行测试。
在上述用于10kV电缆状态评估的多源数据特征融合方法中,所述的步 骤1中谐波时序数据、载流量时序数据、电缆阻抗谱时序数据高维矩阵构 成的具体操作方法为:
式中,np、nc、no是装设谐波监测装置、载流量监测装置、电缆阻抗谱 监测装置的节点个数,pai表示节点i(i=1,2,…,np)的基波有效值的时间序 列列向量,pmi表示节点i的基波功率因数的时间序列列向量,ppi表示节点 i的总畸变率的时间序列列向量,Pa、Pm、Pp分别表示某段时间Tp内电缆np个装设谐波监测仪的节点采集到的基波有效值、基波功率因数、总畸变率 的时间序列的列向量构成的矩阵,
cAi表示节点i(i=1,2,…,nc)的A相载流量的时间序列列向量,cBi表示 节点i的B相载流量的时间序列列向量,cCi表示节点i的C相载流量的时 间序列列向量,CA、CB、CC分别表示某段时间TC内电缆nc个装设载流量监 测装置的节点采集到的三相载流量时间序列的列向量构成的矩阵,
osi表示节点i(i=1,2,…,no)的电缆阻抗谱数据的时间序列列向量,Os表示某段时间TO内电缆no个装设电缆阻抗谱数据监测装置的节点采集到的 电缆阻抗谱数据。
在上述用于10kV电缆状态评估的多源数据特征融合方法中,所述的步 骤2中,具体平均谱半径构成特征向量的计算操作步骤为:
如图1所示,图中矩阵M的构造方式如下:
M=M0 T+lAn×t
aij~N(0,1)
式中,M0为步骤1中时间窗截取的矩阵,t为时间窗长度,n为步骤1中装 置的节点数,An×t是n×t阶矩阵,且所有元素均服从均值为0方差为1的正 态分布,l∈(0.4,0.6),最终得到的Rj为特征值的一阶原点矩,为时间窗截取 矩阵所对应的平均谱半径,
在上述用于计算平均谱半径的方法中,涉及到矩阵标准化的具体操作 方法为:
AS的每个元素计算如下:
计算AS的所有平均谱半径。
在上述用于10kV电缆状态评估的多源数据特征融合方法中,所述的步 骤2中涉及特征向量的具体操作方法为:
设时间窗总共移动了m次,每次计算得到一个Rj,则R为特征向量
R=[R1,R2,…,Rm]T
在上述用于10kV电缆状态评估的多源数据特征融合方法中,所述的步 骤3的具体操作方法为:
如图2所示,可选择最短的特征值列向量的长度作为参考,其余特征 值列向量在近似均匀采样的情况下,按照比例取行数,当比例不是整数时, 通过多次均匀采样的方式删去多余特征值,图2是以采样点为4:10为例的 特征向量长度统一方式,当传感器起止采集时间设置为一致,并且进行均 匀采样,则采样长度为10的向量先均匀抽取1/5,由(10mod4)/得到, 然后再按比例减半,减半方法为每两个特征值取其一个,如此以保证统一 维度后的不同列向量的每一行都是在同一小段时间段内的数值。
在上述用于10kV电缆状态评估的多源数据特征融合方法中,所述的步 骤4的具体操作方法为:
X=(x1,x2,...,xm)T
O=(o1,o2,...,om)T
oi(i=1,2,...,m)是电缆状态。
在上述用于10kV电缆状态评估的多源数据特征融合方法中,所述的步 骤5的具体操作方法为:
各层参数数学表达形式及含义如图3所示,向网络提供训练例子,即 学习样本,包括输入和期望的输出,确定网络的实际输出和期望输出之间 允许的误差,改变网络中所有连接权值,使网络产生的输出更接近于期望 输出,直到满足确定的允许误差。本发明采取的BP神经网络模型:
隐含层神经元个数设置为15。
为保证输出变量取值在0到1之间有实际意义,选取单个神经元激发 函数为:
选取隐含层到输出层传递函数为:
误差计算:
算法权值计算:
在上述的用于10kV电缆状态评估的多源数据特征融合方法中,所述的 步骤6的具体操作方法为:将监测装置数据输入训练好的模型,进行测试。
附图说明
图1是本发明的框架图;
图2是本发明的谱半径计算流程图;
图3是本发明特征融合示例图;
图4是本发明三层BP神经网络图及其参数示意图;
图5是本发明实施例中监测装置类型及检测指标;
图6是本发明实施例中各模型的结果对比。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的 说明。
本发明实施例采用多传感器数据对10kV电缆进行状态评估,使用的数 据集包括三类,谐波监测装置在选定时间段内有9000个数据,载流量监测 装置在选定时间段内有7500个数据,阻抗谱监测装置在选定时间段内有 4320个数据。图5为传感器数据类别及其检测指标。将各检测指标对应数 据按照步骤进行特征提取以后,选取参考向量的长度为3735进行统一,用 于网络训练的数据为总数据的65%,即2428组;用于测量网络泛化的数据 为总数据的15%,即560组;用于网络测试,对网络参数没有影响的数据 为总数据的20%,即747组。为便于验证本发明所提方法,本实施例将10kV 电缆的状态分为两类,即有异常和无异常,异常情况为人为给谐波数据中 基波有效值增加较大的正弦干扰量。具体步骤如下所示:
步骤1,将包括多传感器时序数据按照谐波监测装置的基波有效值、基 波功率因数、总畸变率,载流量监测装置的A、B、C三相载流量,阻抗谱 测量装置的电缆阻抗谱数据构成7个高维矩阵。
步骤2,对7个高维矩阵按照时间窗长度移动,计算每一个时间窗矩阵 的平均谱半径,得到归一化特征向量。
步骤3,选取特征向量长度为3735作为参考,其余特征向量的维度按 照参考向量进行统一,得到新的列向量,将新的列向量排列形成矩阵X3735×8实现特征融合。
步骤4,对步骤3最终形成的矩阵按行生成标签O3735×1,然后以10kV电 缆的状态值为目标,对融合后的特征进行训练。
步骤5,重复步骤1-4,直到误差满足要求。
步骤6,对训练好的模型进行测试。
本实施案例用于网络训练的数据为总数据的65%,即2428组;用于测 量网络泛化的数据为总数据的15%,即560组;用于网络测试,对网络参 数没有影响的数据为总数据的20%,即747组。为便于评估,引入了查准 率、查全率、F-Measure及G-Mean四个评价指标进行模型测试的评价。测 试结果如图6所示。可见本发明所提用于10kV电缆状态评估的多源数据特 征融合方法能够较为准确地进行10kV电缆的状态评估,评估的F-Measure 和G-Mean分别为91.88%和98.45%。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明 所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或 补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权 利要求书所定义的范围。
Claims (5)
1.一种用于10kV电缆状态评估的多源数据特征融合方法,其特征在于,包括以下步骤:
步骤1,将包括多传感器谐波监测装置、载流量监测装置和阻抗谱监测装置的时序数据按照参数类型和不同节点构成高维矩阵;
步骤2,对每一个高维矩阵按照时间窗长度移动,计算所有时间窗矩阵的平均谱半径,组成归一化特征向量;
步骤3,选取合适的向量维度作为参考,其余特征向量的维度按照参考维度进行统一,得到新的列向量,将新的列向量排列形成矩阵,实现特征融合;
步骤4,对步骤3最终形成的矩阵按行生成标签,然后以10kV电缆已知状态为目标,对融合后的特征进行训练;
步骤5,重复步骤1-4,直到误差满足要求;
步骤6,对训练好的模型进行测试。
2.根据权利要求1所述的一种用于10kV电缆状态评估的多源数据特征融合方法,其特征在于,所述的步骤1中谐波监测装置时序数据、载流量监测装置时序数据、阻抗谱监测装置时序数据高维矩阵构成的具体操作方法为:
式中,np、nc、no是装设谐波监测装置、载流量监测装置、阻抗谱监测装置的节点个数,pai表示节点i(i=1,2,…,np)的基波有效值的时间序列列向量,pmi表示节点i的基波功率因数的时间序列列向量,ppi表示节点i的总畸变率的时间序列列向量,Pa、Pm、Pp分别表示某段时间Tp内电缆np个装设谐波监测仪的节点采集到的基波有效值、基波功率因数、总畸变率的时间序列的列向量构成的矩阵;
cAi表示节点i(i=1,2,…,nc)的A相载流量的时间序列列向量,cBi表示节点i的B相载流量的时间序列列向量,cCi表示节点i的C相载流量的时间序列列向量,CA、CB、CC分别表示某段时间TC内电缆nc个装设载流量监测装置的节点采集到的三相载流量时间序列的列向量构成的矩阵;
osi表示节点i(i=1,2,…,no)的阻抗谱数据的时间序列列向量,Os表示某段时间TO内电缆no个装设阻抗谱数据监测装置的节点采集到的电缆阻抗谱数据。
3.根据权利要求1所述的一种用于10kV电缆状态评估的多源数据特征融合方法,其特征在于,所述的步骤2中,具体平均谱半径构成特征向量的操作步骤为:
构造一个矩阵M,构造方式如下:
M=M0 T+lAn×t
aij~N(0,1)
式中,M0为时间窗截取步骤1中构造矩阵后形成的矩阵,t为时间窗长度,n为步骤1中装设装置的节点数,An×t是n×t阶矩阵,且所有元素均服从均值为0方差为1的正态分布,l∈(0.4,0.6),
对矩阵M作奇异值分解,得到奇异值等价矩阵S,并取方阵S1,然后生成两个haar酉矩阵P和Q,对矩阵S1作如下变换:
A1=PS1Q
对A1标准化,得到AS,AS的每个元素计算如下:
计算AS的一阶原点矩,即为平均谱半径,
设时间窗总共移动了m次,每次计算得到一个Rj,则R为特征向量
R=[R1,R2,…,Rm]T。
5.根据权利要求1所述的一种用于10kV电缆状态评估的多源数据特征融合方法,其特征在于,所述的步骤4的具体操作方法为:
X=(x1,x2,...,xm)T
O=(o1,o2,...,om)T
oi(i=1,2,...,m)是电缆状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111179490.2A CN114897035A (zh) | 2021-10-09 | 2021-10-09 | 一种用于10kV电缆状态评估的多源数据特征融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111179490.2A CN114897035A (zh) | 2021-10-09 | 2021-10-09 | 一种用于10kV电缆状态评估的多源数据特征融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114897035A true CN114897035A (zh) | 2022-08-12 |
Family
ID=82714229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111179490.2A Pending CN114897035A (zh) | 2021-10-09 | 2021-10-09 | 一种用于10kV电缆状态评估的多源数据特征融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114897035A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001067288A2 (en) * | 2000-03-07 | 2001-09-13 | Ut-Battelle, Llc | Condition assessment of nonlinear processes |
JP2009048641A (ja) * | 2007-08-20 | 2009-03-05 | Fujitsu Ltd | 文字認識方法および文字認識装置 |
US20160232403A1 (en) * | 2015-02-06 | 2016-08-11 | King Fahd University Of Petroleum And Minerals | Arabic sign language recognition using multi-sensor data fusion |
CN109086698A (zh) * | 2018-07-20 | 2018-12-25 | 大连理工大学 | 一种基于多传感器数据融合的人体动作识别方法 |
CN109193650A (zh) * | 2018-10-26 | 2019-01-11 | 湖北航天技术研究院总体设计所 | 一种基于高维随机矩阵理论的电网薄弱点评估方法 |
CN110095661A (zh) * | 2019-04-10 | 2019-08-06 | 浙江华云信息科技有限公司 | 一种配电变压器高压侧缺相故障抢修方法 |
CN110137944A (zh) * | 2019-04-24 | 2019-08-16 | 国网山东省电力公司莱芜供电公司 | 一种基于随机矩阵理论的电压稳定性扰动源定位方法 |
CN113051500A (zh) * | 2021-03-25 | 2021-06-29 | 武汉大学 | 一种融合多源数据的钓鱼网站识别方法及系统 |
CN116885702A (zh) * | 2023-06-25 | 2023-10-13 | 武汉大学 | 基于随机矩阵理论主成分分析的电网状态分析方法及系统 |
WO2023241326A1 (zh) * | 2022-06-14 | 2023-12-21 | 无锡隆玛科技股份有限公司 | 基于样本协方差矩阵最大特征值变化率的电网异常检测方法 |
-
2021
- 2021-10-09 CN CN202111179490.2A patent/CN114897035A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001067288A2 (en) * | 2000-03-07 | 2001-09-13 | Ut-Battelle, Llc | Condition assessment of nonlinear processes |
JP2009048641A (ja) * | 2007-08-20 | 2009-03-05 | Fujitsu Ltd | 文字認識方法および文字認識装置 |
US20160232403A1 (en) * | 2015-02-06 | 2016-08-11 | King Fahd University Of Petroleum And Minerals | Arabic sign language recognition using multi-sensor data fusion |
CN109086698A (zh) * | 2018-07-20 | 2018-12-25 | 大连理工大学 | 一种基于多传感器数据融合的人体动作识别方法 |
CN109193650A (zh) * | 2018-10-26 | 2019-01-11 | 湖北航天技术研究院总体设计所 | 一种基于高维随机矩阵理论的电网薄弱点评估方法 |
CN110095661A (zh) * | 2019-04-10 | 2019-08-06 | 浙江华云信息科技有限公司 | 一种配电变压器高压侧缺相故障抢修方法 |
CN110137944A (zh) * | 2019-04-24 | 2019-08-16 | 国网山东省电力公司莱芜供电公司 | 一种基于随机矩阵理论的电压稳定性扰动源定位方法 |
CN113051500A (zh) * | 2021-03-25 | 2021-06-29 | 武汉大学 | 一种融合多源数据的钓鱼网站识别方法及系统 |
WO2023241326A1 (zh) * | 2022-06-14 | 2023-12-21 | 无锡隆玛科技股份有限公司 | 基于样本协方差矩阵最大特征值变化率的电网异常检测方法 |
CN116885702A (zh) * | 2023-06-25 | 2023-10-13 | 武汉大学 | 基于随机矩阵理论主成分分析的电网状态分析方法及系统 |
Non-Patent Citations (7)
Title |
---|
LUAN LE等: "An operation reliability analysis method of distribution networks based on data and physical fusion models", 2020 IEEE SUSTAINABLE POWER AND ENERGY CONFERENCE (ISPEC), 18 February 2021 (2021-02-18) * |
REN ZUHUA等: "Voltage flicker detection based on multi-resolution S-transform", ELECTRIC POWER AUTOMATION EQUIPMENT, vol. 34, no. 1, 31 January 2014 (2014-01-31), pages 27 - 31 * |
严英杰;盛戈;王辉;刘亚东;陈玉峰;江秀臣;郭志红;: "基于高维随机矩阵大数据分析模型的输变电设备关键性能评估方法", 中国电机工程学报, no. 02, 20 January 2016 (2016-01-20), pages 121 - 131 * |
倪广县: "基于随机矩阵理论的滚动轴承异常状态检测算法研究", 中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑), no. 8, 15 August 2021 (2021-08-15), pages 029 - 104 * |
张伟: "基于随机矩阵理论的电网异常监测方法研究", 中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑), no. 5, 15 May 2023 (2023-05-15), pages 042 - 115 * |
程含渺等: "基于高维随机矩阵的系统状态评估方法研究", 电力工程技术, vol. 37, no. 01, 28 January 2018 (2018-01-28), pages 72 - 78 * |
罗鹏: "基于传感器信息融合的轨道交通变形监测", 信息技术, no. 06, 25 June 2022 (2022-06-25), pages 66 - 71 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113156917B (zh) | 基于人工智能的电网设备故障诊断方法及系统 | |
CN103886374B (zh) | 一种基于rbf神经网络的电缆接头导线温度预测方法 | |
CN110829417B (zh) | 基于lstm双结构模型的电力系统暂态稳定预测方法 | |
CN108038300A (zh) | 基于改进的隶属度函数结合神经网络的光纤状态评估方法 | |
CN106651169A (zh) | 基于模糊综合评价的配电自动化终端状态评价方法及系统 | |
CN109459669A (zh) | 10kV配电网单相接地故障区段定位方法 | |
CN104318347A (zh) | 一种基于多传感器信息融合的输电线路覆冰状态评估方法 | |
CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及系统 | |
CN114219147A (zh) | 一种基于联邦学习的配电站故障预测方法 | |
CN108761377A (zh) | 一种基于长短时记忆模型的电能计量装置异常检测方法 | |
CN112688431A (zh) | 一种基于大数据的配电网负荷过载可视化方法及系统 | |
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 | |
CN115642706A (zh) | 一种电网内配电负荷监控系统 | |
CN110443481B (zh) | 基于混合k-近邻算法的配电自动化终端状态评价系统及方法 | |
CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
CN117609841A (zh) | 一种基于神经网络算法的电缆故障预判分析方法 | |
CN112085043B (zh) | 一种变电站网络安全智能监控方法及系统 | |
CN114897035A (zh) | 一种用于10kV电缆状态评估的多源数据特征融合方法 | |
CN112098715A (zh) | 基于5g和修正gcn图神经网络的电能监控与预警系统 | |
CN110441725A (zh) | 基于自适应神经模糊推理的智能电表故障诊断方法及装置 | |
CN114760194A (zh) | 一种物联网设备的故障研判方法 | |
CN114791537A (zh) | 基于属性自适应的工业设备剩余使用寿命预测方法及系统 | |
Jing et al. | State evaluation of power cable based on RBF information fusion algorithm using multi-parameters | |
Zhang et al. | Electric vehicle charging fault diagnosis based on bp neural network | |
Gong et al. | State detection method of secondary equipment in smart substation based on deep belief network and trend prediction |
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 |