CN115115131A - 基于迁移学习的多中心电力系统故障预测方法及系统 - Google Patents

基于迁移学习的多中心电力系统故障预测方法及系统 Download PDF

Info

Publication number
CN115115131A
CN115115131A CN202210853287.7A CN202210853287A CN115115131A CN 115115131 A CN115115131 A CN 115115131A CN 202210853287 A CN202210853287 A CN 202210853287A CN 115115131 A CN115115131 A CN 115115131A
Authority
CN
China
Prior art keywords
fault
power system
model
data
prediction
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
CN202210853287.7A
Other languages
English (en)
Inventor
顾彬仕
黄霆
黄峰
袁健华
陈赛赛
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.)
Nantong Power Supply Co Of State Grid Jiangsu Electric Power Co
Original Assignee
Nantong Power Supply Co Of State Grid Jiangsu Electric Power Co
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 Nantong Power Supply Co Of State Grid Jiangsu Electric Power Co filed Critical Nantong Power Supply Co Of State Grid Jiangsu Electric Power Co
Priority to CN202210853287.7A priority Critical patent/CN115115131A/zh
Publication of CN115115131A publication Critical patent/CN115115131A/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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种基于迁移学习的多中心电力系统故障预测方法及系统,属于电力系统维护技术领域。方法包括：获取不同地区电力系统的故障数据；建立域对抗神经网络DANN模型，利用所述不同地区电力系统的故障数据对所述DANN模型进行迁移学习训练，得到满足预设条件的电力系统故障预测模型；将所述电力系统故障预测模型部署到电力系统监测平台中，若在监测过程中发现异常，则将异常数据作为输入，调用所述电力系统故障预测模型进行故障分类预测。本方法可以将各地区的数据同时加入模型训练，解决了单一地区数据量较小的问题，同时通过域自适应技术解决了各地区数据可能存在的异质性问题，在模型训练过程中还引入了对抗的思想，大大提高了预测模型的准确度。

Description

基于迁移学习的多中心电力系统故障预测方法及系统
技术领域
本发明属于电力系统维护技术领域，尤其涉及一种基于迁移学习的多中心电力系统故障预测方法及系统。
背景技术
随着我国社会经济的不断发展，能源消耗量也在与日俱增。由于我国幅员辽阔并且人口密度大，电力系统的持续安全运行面临着不小的挑战。
我国电力系统几乎遍及人民群众工作生活所在的每一处，若出现电力系统的故障，不光会影响人民群众的正常生活，更会直接造成众多企业和单位的经济损失。可以说，电力系统的安全直接关系着人民群众的生命财产安全，是不容回避的一个重大课题。
作为一个庞大且复杂的系统，电力传输过程中无可避免会产生各种问题，想要百分百保持电力系统安全平稳运行是不现实的。所以找到一种准确且高效的电力故障预测方法刻不容缓，有了好的故障预测方法，我们就可以准确识别出潜在的故障类型，包括短路故障、断相故障、复杂故障以及由自然灾害引发的故障等。在预测出潜在的故障类型之后，就可以及时安排相关人员在故障发生前进行检查与排除。预测结果的准确性越高，电力系统带来故障的损失也就越小。
然而，当前常用的预测方法往往只局限在某一个地区范围内，导致可用的故障数据集较小，可能不足以支撑起预测模型的训练，这也直接影响了模型的精确度。而使用仿真数据的话，又可能导致模型出现过拟合，使得模型在实际预测过程中效果不理想。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于迁移学习的多中心电力系统故障预测方法及系统，可以将各地区的数据同时加入模型训练，解决了单一地区数据量较小的问题，同时通过域自适应技术解决了各地区数据可能存在的异质性问题，在模型训练过程中还引入了对抗的思想，大大提高了预测模型的准确度。
根据本发明的一个方面，本发明提供了一种基于迁移学习的多中心电力系统故障预测方法，所述方法包括以下步骤：
S1：获取不同地区电力系统的故障数据，所述故障数据包括故障时电力发送端和接收端的电流、电压和阻抗；
S2：建立域对抗神经网络DANN模型，利用所述不同地区电力系统的故障数据对所述DANN模型进行迁移学习训练，得到满足预设条件的电力系统故障预测模型；
S3：将所述电力系统故障预测模型部署到电力系统监测平台中，若在监测过程中发现异常，则将异常数据作为输入，调用所述电力系统故障预测模型进行故障分类预测。
优选地，所述方法包括：
选取需要预测的地区，将所述需要预测的地区的故障数据作为目标域，其余地区的故障数据作为源域；
所述预设条件包括：通过最小化分类器误差和最大化判别器误差，使学习到的特征表达具有跨域不变性。
优选地，所述方法包括：
引入梯度反转层GRL，域分类器的域分类损失的梯度反向传播到特征提取器的参数之前自动进行梯度取反，从而实现对抗学习训练：
Rλ(x)＝x
Figure BDA0003736453640000031
其中，λ参数是动态变化的，其表达式如下：
Figure BDA0003736453640000032
上式中，p代表迭代进程相对值，即当前迭代次数与总迭代次数的比率；γ为常数10，x为输入，I为矩阵。
优选地，所述方法包括：
根据迭代进程动态变换所述DANN模型的学习率，其表达式如下：
Figure BDA0003736453640000033
其中μ0为初始学习率，α和β为超参数。
优选地，所述方法包括：
完成故障预测之后，将故障预测结果传输至发生异常区域的电网维护人员，将所述维护人员检查与维修结果作为相应异常数据的标注存储在故障数据集中，用于下次的模型训练。
根据本发明的另一个方面，本发明还提供了一种基于迁移学习的多中心电力系统故障预测系统，所述系统包括：
获取模块，用于获取不同地区电力系统的故障数据，所述故障数据包括故障时电力发送端和接收端的电流、电压和阻抗；
训练模块，用于建立域对抗神经网络DANN模型，利用所述不同地区电力系统的故障数据对所述DANN模型进行迁移学习训练，得到满足预设条件的电力系统故障预测模型；
预测模块，用于将所述电力系统故障预测模型部署到电力系统监测平台中，若在监测过程中发现异常，则将异常数据作为输入，调用所述电力系统故障预测模型进行故障分类预测。
优选地，所述训练模块用于：
选取需要预测的地区，将所述需要预测的地区的故障数据作为目标域，其余地区的故障数据作为源域；
所述预设条件包括：通过最小化分类器误差和最大化判别器误差，使学习到的特征表达具有跨域不变性。
优选地，所述训练模块用于：
引入梯度反转层GRL，域分类器的域分类损失的梯度反向传播到特征提取器的参数之前自动进行梯度取反，从而实现对抗学习训练：
Rλ(x)＝x
Figure BDA0003736453640000041
其中，λ参数是动态变化的，其表达式如下：
Figure BDA0003736453640000042
上式中，p代表迭代进程相对值，即当前迭代次数与总迭代次数的比率；γ为常数10，x为输入，I为矩阵。
优选地，所述训练模块用于：
根据迭代进程动态变换所述DANN模型的学习率，其表达式如下：
Figure BDA0003736453640000043
其中μ0为初始学习率，α和β为超参数。
优选地，所述预测模块用于：
完成故障预测之后，将故障预测结果传输至发生异常区域的电网维护人员，将所述维护人员检查与维修结果作为相应异常数据的标注存储在故障数据集中，用于下次的模型训练。
有益效果：本发明采用了多中心迁移学习算法，可以将各地区的数据同时加入模型训练，解决了单一地区数据量较小的问题。同时通过域自适应技术解决了各地区数据可能存在的异质性问题，在模型训练过程中还引入了对抗的思想，大大提高了预测模型的准确度。
通过参照以下附图及对本发明的具体实施方式的详细描述，本发明的特征及优点将会变得清楚。
附图说明
图1是基于迁移学习的多中心电力系统故障预测方法流程图；
图2是基于迁移学习的多中心电力系统故障预测系统示意图。
具体实施方式
下面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。
实施例1
图1是基于迁移学习的多中心电力系统故障预测方法流程图。如图1所示，本实施例提供了一种基于迁移学习的多中心电力系统故障预测方法，所述方法包括以下步骤：
S1：获取不同地区电力系统的故障数据，所述故障数据包括故障时电力发送端和接收端的电流、电压和阻抗。
优选地，所述方法包括：
选取需要预测的地区，将所述需要预测的地区的故障数据作为目标域，其余地区的故障数据作为源域。
具体地，获取各地方电力系统的故障数据，选取要预测的地区作为目标域，其余都作为源域；数据包括故障时电力发送端和接收端的电流、电压、阻抗等；需要有源域的故障类型标签以及源域与目标域数据集的域分类标签，不需要有目标域的故障类型标签。
S2：建立域对抗神经网络DANN模型，利用所述不同地区电力系统的故障数据对所述DANN模型进行迁移学习训练，得到满足预设条件的电力系统故障预测模型。
优选地，所述预设条件包括：通过最小化分类器误差和最大化判别器误差，使学习到的特征表达具有跨域不变性。
具体地，使用DANN(Domain-Adversarial Training of Neural Networks)，利用对抗的思想进行领域自适应，在学习分类器、特征提取器和域判别器的同时，通过最小化分类器误差和最大化判别器误差，使学习到的特征表达具有跨域不变性，具体步骤如下：
(a)通过特征提取器将输入x转化维一个D维的特征向量
Figure BDA0003736453640000061
用公式表示如下：
f＝Gf(x,wf)
(b)DANN分成两个分支即故障分类预测网络Gy(x,wy)和域分类网络Gd(x,wd)。源域数据输入对应的特征向量则会经过故障分类预测网络的映射获得对应的故障分类标签预测结果。同时不管是源域输入还是目标域输入的特征向量都会经过域分类网络得到每个输入的域分类结果。
(c)我们的目标是对目标域的数据集分类，实现此目标必须要让DANN把目标域数据视为源域数据。因此学习中要完成以下两个任务，一是实现源域数据集准确分类，即使得故障分类误差最小化；二是混淆源域数据集和目标域数据集，即使得域分类误差的最大化。综上，DANN的损失函数用公式表示如下：
Figure BDA0003736453640000071
DANN的相关参数的最优值可以表示为：
Figure BDA0003736453640000072
Figure BDA0003736453640000073
(d)使用随机梯度下降法(SGD)进行模型参数的优化：
Figure BDA0003736453640000074
Figure BDA0003736453640000075
Figure BDA0003736453640000076
优选地，所述方法包括：
引入梯度反转层GRL，域分类器的域分类损失的梯度反向传播到特征提取器的参数之前自动进行梯度取反，从而实现对抗学习训练：
Rλ(x)＝x
Figure BDA0003736453640000081
其中，λ参数是动态变化的，其表达式如下：
Figure BDA0003736453640000082
上式中，p代表迭代进程相对值，即当前迭代次数与总迭代次数的比率；γ为常数10，x为输入，I为矩阵。
具体地，GRL主要用在特征提取器与域分类器之间，那么在反向传播过程中，域分类器的域分类损失的梯度反向传播到特征提取器的参数之前会自动取反，进而实现了对抗的思想。在GRL中，参数λ并不是固定值，而是动态变化的。
优选地，所述方法包括：
根据迭代进程动态变换所述DANN模型的学习率，其表达式如下：
Figure BDA0003736453640000083
其中μ0为初始学习率，α和β为超参数。
S3：将所述电力系统故障预测模型部署到电力系统监测平台中，若在监测过程中发现异常，则将异常数据作为输入，调用所述电力系统故障预测模型进行故障分类预测。
本步骤中，将学习得到的模型部署到电力系统监测平台中，对监测过程中发现的异常数据进行故障预测分类，尽可能及时发现问题、排除隐患。
优选地，所述方法包括：
完成故障预测之后，将故障预测结果传输至发生异常区域的电网维护人员，将所述维护人员检查与维修结果作为相应异常数据的标注存储在故障数据集中，用于下次的模型训练。
具体地，完成故障预测之后，将故障预测结果通过即时通讯工具第一时间传达至发生异常区域辖区电网工作人员，交由其进行故障排查与设备检修；然后将工作人员检查与维修结果作为相应异常数据的标注存储在故障数据集中，用于下次的模型训练。
本实施例采用了多中心迁移学习算法，可以将各地区的数据同时加入模型训练，解决了单一地区数据量较小的问题。同时通过域自适应技术解决了各地区数据可能存在的异质性问题，在模型训练过程中还引入了对抗的思想，大大提高了预测模型的准确度。
实施例2
图2是基于迁移学习的多中心电力系统故障预测系统示意图。如图2所示，本实施例还提供了一种基于迁移学习的多中心电力系统故障预测系统，所述系统包括：
获取模块201，用于获取不同地区电力系统的故障数据，所述故障数据包括故障时电力发送端和接收端的电流、电压和阻抗；
训练模块202，用于建立域对抗神经网络DANN模型，利用所述不同地区电力系统的故障数据对所述DANN模型进行迁移学习训练，得到满足预设条件的电力系统故障预测模型；
预测模块203，用于将所述电力系统故障预测模型部署到电力系统监测平台中，若在监测过程中发现异常，则将异常数据作为输入，调用所述电力系统故障预测模型进行故障分类预测。
优选地，所述训练模块202用于：
选取需要预测的地区，将所述需要预测的地区的故障数据作为目标域，其余地区的故障数据作为源域；
所述预设条件包括：通过最小化分类器误差和最大化判别器误差，使学习到的特征表达具有跨域不变性。
优选地，所述训练模块202用于：
引入梯度反转层GRL，域分类器的域分类损失的梯度反向传播到特征提取器的参数之前自动进行梯度取反，从而实现对抗学习训练：
Rλ(x)＝x
Figure BDA0003736453640000101
其中，λ参数是动态变化的，其表达式如下：
Figure BDA0003736453640000102
上式中，p代表迭代进程相对值，即当前迭代次数与总迭代次数的比率；γ为常数10，x为输入，I为矩阵。
优选地，所述训练模块202用于：
根据迭代进程动态变换所述DANN模型的学习率，其表达式如下：
Figure BDA0003736453640000103
其中μ0为初始学习率，α和β为超参数。
优选地，所述预测模块203用于：
完成故障预测之后，将故障预测结果传输至发生异常区域的电网维护人员，将所述维护人员检查与维修结果作为相应异常数据的标注存储在故障数据集中，用于下次的模型训练。
本实施例2中各个模块所实现的功能的具体实施过程与实施例1中的各个步骤的实施过程相同，在此不再赘述。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (10)

1.一种基于迁移学习的多中心电力系统故障预测方法，其特征在于，所述方法包括以下步骤：
S1：获取不同地区电力系统的故障数据，所述故障数据包括故障时电力发送端和接收端的电流、电压和阻抗；
S2：建立域对抗神经网络DANN模型，利用所述不同地区电力系统的故障数据对所述DANN模型进行迁移学习训练，得到满足预设条件的电力系统故障预测模型；
S3：将所述电力系统故障预测模型部署到电力系统监测平台中，若在监测过程中发现异常，则将异常数据作为输入，调用所述电力系统故障预测模型进行故障分类预测。
2.根据权利要求1所述的方法，其特征在于，所述方法包括：
选取需要预测的地区，将所述需要预测的地区的故障数据作为目标域，其余地区的故障数据作为源域；
所述预设条件包括：通过最小化分类器误差和最大化判别器误差，使学习到的特征表达具有跨域不变性。
3.根据权利要求2所述的方法，其特征在于，所述方法包括：
引入梯度反转层GRL，域分类器的域分类损失的梯度反向传播到特征提取器的参数之前自动进行梯度取反，从而实现对抗学习训练：
Rλ(x)＝x
Figure FDA0003736453630000011
其中，λ参数是动态变化的，其表达式如下：
Figure FDA0003736453630000021
上式中，p代表迭代进程相对值，即当前迭代次数与总迭代次数的比率；γ为常数10，x为输入，I为矩阵。
4.根据权利要求3所述的方法，其特征在于，所述方法包括：
根据迭代进程动态变换所述DANN模型的学习率，其表达式如下：
Figure FDA0003736453630000022
其中μ0为初始学习率，α和β为超参数。
5.根据权利要求4所述的方法，其特征在于，所述方法包括：
完成故障预测之后，将故障预测结果传输至发生异常区域的电网维护人员，将所述维护人员检查与维修结果作为相应异常数据的标注存储在故障数据集中，用于下次的模型训练。
6.一种基于迁移学习的多中心电力系统故障预测系统，其特征在于，所述系统包括：
获取模块，用于获取不同地区电力系统的故障数据，所述故障数据包括故障时电力发送端和接收端的电流、电压和阻抗；
训练模块，用于建立域对抗神经网络DANN模型，利用所述不同地区电力系统的故障数据对所述DANN模型进行迁移学习训练，得到满足预设条件的电力系统故障预测模型；
预测模块，用于将所述电力系统故障预测模型部署到电力系统监测平台中，若在监测过程中发现异常，则将异常数据作为输入，调用所述电力系统故障预测模型进行故障分类预测。
7.根据权利要求6所述的系统，其特征在于，所述训练模块用于：
选取需要预测的地区，将所述需要预测的地区的故障数据作为目标域，其余地区的故障数据作为源域；
所述预设条件包括：通过最小化分类器误差和最大化判别器误差，使学习到的特征表达具有跨域不变性。
8.根据权利要求7所述的方法，其特征在于，所述训练模块用于：
引入梯度反转层GRL，域分类器的域分类损失的梯度反向传播到特征提取器的参数之前自动进行梯度取反，从而实现对抗学习训练：
Rλ(x)＝x
Figure FDA0003736453630000031
其中，λ参数是动态变化的，其表达式如下：
Figure FDA0003736453630000032
上式中，p代表迭代进程相对值，即当前迭代次数与总迭代次数的比率；γ为常数10，x为输入，I为矩阵。
9.根据权利要求8所述的方法，其特征在于，所述训练模块用于：根据迭代进程动态变换所述DANN模型的学习率，其表达式如下：
Figure FDA0003736453630000033
其中μ0为初始学习率，α和β为超参数。
10.根据权利要求9所述的系统，其特征在于，所述预测模块用于：完成故障预测之后，将故障预测结果传输至发生异常区域的电网维护人员，将所述维护人员检查与维修结果作为相应异常数据的标注存储在故障数据集中，用于下次的模型训练。
CN202210853287.7A 2022-07-08 2022-07-08 基于迁移学习的多中心电力系统故障预测方法及系统 Pending CN115115131A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210853287.7A CN115115131A (zh) 2022-07-08 2022-07-08 基于迁移学习的多中心电力系统故障预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210853287.7A CN115115131A (zh) 2022-07-08 2022-07-08 基于迁移学习的多中心电力系统故障预测方法及系统

Publications (1)

Publication Number Publication Date
CN115115131A true CN115115131A (zh) 2022-09-27

Family

ID=83334878

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210853287.7A Pending CN115115131A (zh) 2022-07-08 2022-07-08 基于迁移学习的多中心电力系统故障预测方法及系统

Country Status (1)

Country Link
CN (1) CN115115131A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115933531A (zh) * 2023-01-09 2023-04-07 广东工业大学 一种基于深度域对抗迁移的机床热误差建模方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109613372A (zh) * 2018-12-26 2019-04-12 国网陕西省电力公司电力科学研究院 一种基于多元电网数据库的电网故障诊断方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109613372A (zh) * 2018-12-26 2019-04-12 国网陕西省电力公司电力科学研究院 一种基于多元电网数据库的电网故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YAROSLAV GANIN ETC: ""Unsupervised Domain Adaptation by Backpropagation", ＡＲＸＩＶ *
丁津津: "基于迁移学习的卷积神经网络电网故障诊断", 科学技术与工程 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115933531A (zh) * 2023-01-09 2023-04-07 广东工业大学 一种基于深度域对抗迁移的机床热误差建模方法及系统
CN115933531B (zh) * 2023-01-09 2024-04-05 广东工业大学 一种基于深度域对抗迁移的机床热误差建模方法及系统

Similar Documents

Publication Publication Date Title
Kandaperumal et al. Resilience of the electric distribution systems: concepts, classification, assessment, challenges, and research needs
CN111967738B (zh) 一种电网信息能量融合系统的风险预警方法、系统和介质
CN111199354A (zh) 一种基于Hopfield神经网络的电力通信网运维工单调度方法
CN108876057A (zh) 一种微电网的故障预测方法、装置及电子设备
CN116308304B (zh) 基于元学习概念漂移检测的新能源智慧运维方法及系统
Liou Optimization analysis of the machine repair problem with multiple vacations and working breakdowns
CN113891342B (zh) 基站巡检方法、装置、电子设备及存储介质
CN115115131A (zh) 基于迁移学习的多中心电力系统故障预测方法及系统
CN117294617A (zh) 通信网络异常检测方法及装置
CN116993155A (zh) 一种发电厂用数字资源管理方法及系统
CN116308679A (zh) 供应链异常订单处理方法、装置、设备及存储介质
CN115454787A (zh) 告警分类方法、装置、电子设备及存储介质
CN114298413B (zh) 一种水电机组振摆趋势预测方法
CN112801815B (zh) 一种基于联邦学习的电力通信网络故障预警方法
CN114910740A (zh) 基于边缘计算的低压配电网故障预警与故障定位方法、设备、介质及系统
CN112733450A (zh) 一种电力网络中节点故障的分析方法及装置
Shan et al. Root Cause Analysis of Failures for Power Communication Network Based on CNN
CN118365476B (zh) 基于智慧燃气的企业信息监管方法、装置及物联网系统
CN117974166B (zh) 一种用电信息采集全链路异常监测及因果溯源方法及系统
CN117195126B (zh) 一种集装箱码头岸桥起重机的远程故障诊断系统
CN118175016A (zh) 一种用户负荷预警方法、装置、设备及介质
CN118568439A (zh) 一种基于多源数据挖掘的设备状态诊断方法、系统及介质
Leray et al. Diagnosis tools for telecommunication network traffic management
CN118860830A (zh) 故障预测方法、设备、介质及产品
Mi et al. A Combined LSTM-CNN Model for Abnormal Electricity Usage Detection

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220927