CN115166415A - 一种自适应图卷积神经网络的配电网故障诊断方法及系统 - Google Patents
一种自适应图卷积神经网络的配电网故障诊断方法及系统 Download PDFInfo
- Publication number
- CN115166415A CN115166415A CN202210738690.5A CN202210738690A CN115166415A CN 115166415 A CN115166415 A CN 115166415A CN 202210738690 A CN202210738690 A CN 202210738690A CN 115166415 A CN115166415 A CN 115166415A
- Authority
- CN
- China
- Prior art keywords
- power distribution
- graph
- distribution network
- graph convolution
- model
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 20
- 238000001228 spectrum Methods 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 238000010276 construction Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 47
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种自适应图卷积神经网络的配电网故障诊断方法及系统，方法包括将配电网的馈线作为图模型的节点，馈线的连接点作为图模型的边，构建配电网图卷积模型；将配电网图卷积模型的信号进行图傅里叶变换，在频谱域进行卷积，再进行图傅里叶逆变换，得到图卷积网络的输出；将图卷积网络的输出结果输入多层感知机故障预测模型，在预测模型训练至损失收敛时，输出配电网故障的诊断结果。配电网图卷积模型的构建方式简化了配网网络拓扑的复杂性。基于切比雪夫多项式提出自适应图卷积核，自适应提取配电网故障数据的特征信息，最后将特征参数输入到多层感知机MLP分类器中，得到配电网故障的诊断结果，有效提高了预测诊断的准确性和快速性。
Description
技术领域
本发明涉及电网故障诊断技术领域，尤其是一种自适应图卷积神经网络的配电网故障诊断方法及系统。
背景技术
电力工程是各领域及日常生活中尤为重要的基本成份，因此电力系统的稳定性至关重要。统计分析表明80％以上的断电安全事故是因配电网故障造成的。若在故障产生以前获得故障预警信息，查出故障位置并维护系统,可以合理的降低断电故障的产生,从而可以提高配电网的服务水平。
伴随着电网技术的不断提高，各类电网基础设施建设给电网带来了数据驱动的态势感知能力,这为评估配电网运行状态，并运用这些状态开展有关科学研究提供了条件。配电网故障的诊断是配电网运行的重要工作，但是故障原因、故障现象、故障过程错综复杂,这都是配电网故障诊断分析的难点。
目前，针对配电系统的故障诊断问题，主要集中在基于支持向量机SVM算法、ADABoost优化算法、人工神经网络ANN算法等机器学习算法领域。大多数方案都使用了经典的机器学习算法，并且预测诊断的故障对象集中在单一馈线上。针对每一条馈线建模诊断每条馈线会出现故障的概率,却忽略了相连馈线之间的互相影响，造成诊断结果不准确。
发明内容
本发明提供了一种自适应图卷积神经网络的配电网故障诊断方法及系统，用于解决现有在故障诊断时，未考虑馈线连接的影响，造成诊断结果不准确的问题。
为实现上述目的，本发明采用下述技术方案：
本发明第一方面提供了一种自适应图卷积神经网络的配电网故障诊断方法，所述方法包括以下步骤：
将配电网的馈线作为图模型的节点，馈线的连接点作为图模型的边，构建配电网图卷积模型，并获取配电网不同状态时的参数信息，将所述配电网图卷积模型用矩阵表示；
将配电网图卷积模型的信号进行图傅里叶变换，在频谱域进行卷积，再进行图傅里叶逆变换，得到图卷积网络的输出；
将图卷积网络的输出结果输入多层感知机故障预测模型，在预测模型训练至损失收敛时，输出配电网故障的诊断结果。
进一步地，所述配电网图卷积模型用拉普拉斯矩阵L表示，具体为：
L＝D-A
其中D和A分别代表度矩阵和邻接矩阵，所述邻接矩阵基于配电网系统正常状态和故障状态下数据采集器获取到的参数信息构建。
进一步地，所述方法还包括对所述拉普拉斯矩阵进行特征分解，具体为：
式中
是由单位特征向量组成的矩阵；Λ是拉普拉斯矩阵的特征值组成的对角矩阵。
进一步地，所述图傅里叶变换的矩阵形式具体为：
f是图模型的N维分量，UT是U的转置矩阵。
进一步地，图卷积的计算具体为：
式中，f*g表示函数f和g的卷积；UTf表示f的傅里叶变换；g(λ)表示卷积核；
根据拉普拉斯矩阵自身特性，则有(f*g)G＝U((UTg)⊙(UTf))，其中⊙为哈达马积，表示两个维度相同的向量进行对应位置的逐元素乘积运算；
图卷积网络的输出表示如下：
式中：x为输入特征；σ(·)为激活函数；gθ(λ)为图卷积核。
进一步地，所述方法还包括利用切比雪夫多项式拟合图卷积核，计算图卷积网络的输出。
进一步地，所述利用切比雪夫多项式拟合图卷积核，计算图卷积网络的输出，具体为：
式中，x为矩阵Λ定义所得的输入特征，σ(·)为激活函数，K为多项式中自适应参数，θk为切比雪夫多项式参数，k为可机器学习的参数。
进一步地，所述切比雪夫多项式为：
式中，βk表示切比雪夫多项式系数,k是可学习的参数，
λmax为矩阵U中单位特征向量的最大值，I为单位矩阵。
本发明第二方面提供了一种自适应图卷积神经网络的配电网故障诊断系统，所述系统包括：
图卷积模型构建单元，将配电网的馈线作为图模型的节点，馈线的连接点作为图模型的边，构建配电网图卷积模型，并获取配电网不同状态时的参数信息，将所述配电网图卷积模型用矩阵表示；
第一计算单元，将配电网图卷积模型的信号进行图傅里叶变换，在频谱域进行卷积，再进行图傅里叶逆变换，得到图卷积网络的输出；
故障诊断单元，将图卷积网络的输出结果输入多层感知机故障预测模型，在预测模型训练至损失收敛时，输出配电网故障的诊断结果。
进一步地，所述系统还包括第二计算单元，所述第二计算单元利用切比雪夫多项式拟合图卷积核，计算图卷积网络的输出。
本发明第二方面的所述配电网故障诊断系统能够实现第一方面及第一方面的各实现方式中的方法，并取得相同的效果。
发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：
本发明结合图卷积神经网络的思想，针对配电网的实际结构拓扑图进行建模，将配电网的馈线作为图模型中的节点，馈线的连接点作为图模型的边，简化了配网网络拓扑的复杂性。基于切比雪夫多项式提出自适应图卷积核，自适应提取配电网故障数据的特征信息，最后将特征参数输入到多层感知机MLP分类器中，得到配电网故障的诊断结果，有效提高了预测诊断的准确性和快速性。
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，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明所述方法实施例的流程示意图；
图2是本发明所述系统实施例的结构示意图。
具体实施方式
为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
本发明实施例提供了一种自适应图卷积神经网络的配电网故障诊断方法，包括以下步骤：
S1,将配电网的馈线作为图模型的节点，馈线的连接点作为图模型的边，构建配电网图卷积模型，并获取配电网不同状态时的参数信息，将所述配电网图卷积模型用矩阵表示；
S2,将配电网图卷积模型的信号进行图傅里叶变换，在频谱域进行卷积，再进行图傅里叶逆变换，得到图卷积网络的输出；
S3,将图卷积网络的输出结果输入多层感知机故障预测模型，在预测模型训练至损失收敛时，输出配电网故障的诊断结果。
步骤S1中，配电网图卷积模型构建。结合图卷积神经网络的思想，针对配电网的实际结构拓扑图进行建模，将配电网的馈线作为图模型中的节点，馈线的连接点作为图模型的边，简化了配网网络拓扑的复杂性。
在转换为图卷积模型时直接将馈线作为模型中的节点，每条馈线有起点和终点，起点用s(start)表示，终点用e(end)表示，在原始的电气拓扑图线路中连接情况是按照图模型中的s、e的连接情况来表示。通过基于如上内容建立的图模型，也就是网络拓扑结构的连接关系。
配电网图模型可以用拉普拉斯矩阵表示，即为L＝D-A，其中D和A分别代表度矩阵、邻接矩阵。基于配电网的电气图构建邻接矩阵，获取配电网数据具体是指获取配电网系统正常和故障状态下各类数据采集器采集到的相关参数信号。拉普拉斯矩阵可以按照如下公式进行特征分解：
式中，
是由单位特征向量组成的矩阵；Λ是拉普拉斯矩阵的特征值组成的对角矩阵。
步骤S2中，配电网频域图卷积。将图模型信号进行图傅里叶变换，在频谱域进行卷积，然后再对信号进行图傅里叶逆变换。其中，图傅里叶变换操作如下:
式中：f是图模型的N维分量，f(i)与图中的节点一一对应；ul(i)表示第l个特征向量的第i的分量，
表示ul(i)的共轭向量。
图模型傅里叶变换矩阵形式为
与之相对应的图傅里叶逆变换为：
所以图模型傅立叶逆变换矩阵为
根据卷积定理(即函数f和g两者的卷积是其函数傅立叶变换乘积的逆变换)，所以图卷积如下所示：
式中：f*g表示函数f和g的卷积；UTf表示f的傅里叶变换；g表示卷积核。根据拉普拉斯矩阵自身特性，则有(f*g)G＝U((UTg)⊙(UTf))，其中⊙为哈达马积，表示两个维度相同的向量进行对应位置的逐元素乘积运算。所以图卷积网络的输出可以表示如下：
式中：x为输入特征；σ(·)为激活函数；gθ(λ)为卷积核。
在进行步骤S3的操作之前，还包括如下操作：
自适应配电网图卷积层。本实施例中的自适应图卷积网络一共6层，其中包括2层自适应图卷积层，2层图池化层，以及2层全连接层。其中，自适应配电网图卷积层主要用于图模型节点与边的特征提取，全连接层主要用于特征压缩与故障分类。
图卷积操作的计算量非常大，计算消耗量为O(n2)。为了减少训练中的卷积核参数的计算量，采用切比雪夫多项式来拟合图卷积核。切比雪夫多项式执行递归运算，减少卷积过程中的计算量。具体公式如下：
式中：βk表示切比雪夫多项式系数，k是可学习的参数，卷积核只K个可学习的参数，一般来说K是远小于n的，参数的复杂度大大降低了，
λmax为矩阵U中单位特征向量的最大值，I为单位矩阵；
基于拉普拉斯矩阵自身特性，则有
因此在切比雪夫多项式的基础上，本实施例设计了一种自适应图卷积核操作，具体如下：
式中：x为矩阵A定义所得的特征输入图，σ(·)为激活函数，K为多项式中自适应参数。
步骤S3中，通过多层感知机MLP得到故障诊断结果。构建并训练多层感知机MLP，作为配电网故障预测诊断模型；将步骤S2中的结算结果作为输入，对多层感知机模型进行训练，直至损失收敛，此时多层感知机能够对配电网状态故障进行诊断。
如图2所示，一种自适应图卷积神经网络的配电网故障诊断系统，包括图卷积模型构建单元1、第一计算单元2、第二计算单元3和故障诊断单元4。
图卷积模型构建单元1将配电网的馈线作为图模型的节点，馈线的连接点作为图模型的边，构建配电网图卷积模型，并获取配电网不同状态时的参数信息，将所述配电网图卷积模型用矩阵表示；第一计算单元2将配电网图卷积模型的信号进行图傅里叶变换，在频谱域进行卷积，再进行图傅里叶逆变换，得到图卷积网络的输出；故障诊断单元4将图卷积网络的输出结果输入多层感知机故障预测模型，在预测模型训练至损失收敛时，输出配电网故障的诊断结果。
所述第二计算单元3利用切比雪夫多项式拟合图卷积核，计算图卷积网络的输出。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种自适应图卷积神经网络的配电网故障诊断方法，其特征是，所述方法包括以下步骤：
将配电网的馈线作为图模型的节点，馈线的连接点作为图模型的边，构建配电网图卷积模型，并获取配电网不同状态时的参数信息，将所述配电网图卷积模型用矩阵表示；
将配电网图卷积模型的信号进行图傅里叶变换，在频谱域进行卷积，再进行图傅里叶逆变换，得到图卷积网络的输出；
将图卷积网络的输出结果输入多层感知机故障预测模型，在预测模型训练至损失收敛时，输出配电网故障的诊断结果。
2.根据权利要求1所述自适应图卷积神经网络的配电网故障诊断方法，其特征是，所述配电网图卷积模型用拉普拉斯矩阵L表示，具体为：
L＝D-A
其中D和A分别代表度矩阵和邻接矩阵，所述邻接矩阵基于配电网系统正常状态和故障状态下数据采集器获取到的参数信息构建。
3.根据权利要求2所述自适应图卷积神经网络的配电网故障诊断方法，其特征是，所述方法还包括对所述拉普拉斯矩阵进行特征分解，具体为：
式中
是由单位特征向量组成的矩阵；Λ是拉普拉斯矩阵的特征值组成的对角矩阵。
4.根据权利要求3所述自适应图卷积神经网络的配电网故障诊断方法，其特征是，所述图傅里叶变换的矩阵形式具体为：
f是图模型的N维分量，UT是U的转置矩阵。
5.根据权利要求4所述自适应图卷积神经网络的配电网故障诊断方法，其特征是，图卷积的计算具体为：
式中，f*g表示函数f和g的卷积；UTf表示f的傅里叶变换；g(λ)表示卷积核；
根据拉普拉斯矩阵自身特性，则有(f*g)G＝U((UTg)⊙(UTf))，其中⊙为哈达马积，表示两个维度相同的向量进行对应位置的逐元素乘积运算；
图卷积网络的输出表示如下：
youtput＝σ(Ugθ(λ)UTx)
式中：x为输入特征；σ(·)为激活函数；gθ(λ)为图卷积核。
6.根据权利要求5所述自适应图卷积神经网络的配电网故障诊断方法，其特征是，所述方法还包括利用切比雪夫多项式拟合图卷积核，计算图卷积网络的输出。
7.根据权利要求6所述自适应图卷积神经网络的配电网故障诊断方法，其特征是，所述利用切比雪夫多项式拟合图卷积核，计算图卷积网络的输出，具体为：
式中，x为矩阵Λ定义所得的输入特征，σ(·)为激活函数，K为多项式中自适应参数，θk为切比雪夫多项式参数，k为可机器学习的参数。
8.根据权利要求6所述自适应图卷积神经网络的配电网故障诊断方法，其特征是，所述切比雪夫多项式为：
式中，βk表示切比雪夫多项式系数,
λmax为矩阵U中单位特征向量的最大值，I为单位矩阵。
9.一种自适应图卷积神经网络的配电网故障诊断系统，其特征是，所述系统包括：
图卷积模型构建单元，将配电网的馈线作为图模型的节点，馈线的连接点作为图模型的边，构建配电网图卷积模型，并获取配电网不同状态时的参数信息，将所述配电网图卷积模型用矩阵表示；
第一计算单元，将配电网图卷积模型的信号进行图傅里叶变换，在频谱域进行卷积，再进行图傅里叶逆变换，得到图卷积网络的输出；
故障诊断单元，将图卷积网络的输出结果输入多层感知机故障预测模型，在预测模型训练至损失收敛时，输出配电网故障的诊断结果。
10.根据权利要求9所述自适应图卷积神经网络的配电网故障诊断系统，其特征是，所述系统还包括第二计算单元，所述第二计算单元利用切比雪夫多项式拟合图卷积核，计算图卷积网络的输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210738690.5A CN115166415A (zh) | 2022-06-27 | 2022-06-27 | 一种自适应图卷积神经网络的配电网故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210738690.5A CN115166415A (zh) | 2022-06-27 | 2022-06-27 | 一种自适应图卷积神经网络的配电网故障诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115166415A true CN115166415A (zh) | 2022-10-11 |
Family
ID=83487704
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210738690.5A Pending CN115166415A (zh) | 2022-06-27 | 2022-06-27 | 一种自适应图卷积神经网络的配电网故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115166415A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117092917A (zh) * | 2023-09-26 | 2023-11-21 | 山东华科信息技术有限公司 | 一种电源效率自适应调节装置和调节方法 |
| CN117872038A (zh) * | 2024-03-11 | 2024-04-12 | 浙江大学 | 一种基于图论的直流微电网失稳故障源定位方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111965476A (zh) * | 2020-06-24 | 2020-11-20 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于图卷积神经网络的低电压诊断方法 |
| CN112101617A (zh) * | 2020-08-11 | 2020-12-18 | 复旦大学 | 基于层次图卷积的电网故障严重程度预测方法 |
| US20210116491A1 (en) * | 2018-05-07 | 2021-04-22 | Inhand Networks Inc. | System for locating fault in power distribution network based on mixed mode wave recording |
| CN113762625A (zh) * | 2021-09-09 | 2021-12-07 | 国网山东省电力公司经济技术研究院 | 一种基于图卷积网络的配电网状态评估方法和系统 |
| CN114266301A (zh) * | 2021-12-16 | 2022-04-01 | 郑州轻工业大学 | 基于图卷积神经网络的电力设备故障智能预测方法 |
| CN114646839A (zh) * | 2022-01-28 | 2022-06-21 | 国网河北省电力有限公司保定供电分公司 | 基于图卷积神经网络的配电网故障区段定位方法及装置 |
-
2022
- 2022-06-27 CN CN202210738690.5A patent/CN115166415A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210116491A1 (en) * | 2018-05-07 | 2021-04-22 | Inhand Networks Inc. | System for locating fault in power distribution network based on mixed mode wave recording |
| CN111965476A (zh) * | 2020-06-24 | 2020-11-20 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于图卷积神经网络的低电压诊断方法 |
| CN112101617A (zh) * | 2020-08-11 | 2020-12-18 | 复旦大学 | 基于层次图卷积的电网故障严重程度预测方法 |
| CN113762625A (zh) * | 2021-09-09 | 2021-12-07 | 国网山东省电力公司经济技术研究院 | 一种基于图卷积网络的配电网状态评估方法和系统 |
| CN114266301A (zh) * | 2021-12-16 | 2022-04-01 | 郑州轻工业大学 | 基于图卷积神经网络的电力设备故障智能预测方法 |
| CN114646839A (zh) * | 2022-01-28 | 2022-06-21 | 国网河北省电力有限公司保定供电分公司 | 基于图卷积神经网络的配电网故障区段定位方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 徐何军: "基于图神经网络的配电网故障诊断及重构优化研究" * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117092917A (zh) * | 2023-09-26 | 2023-11-21 | 山东华科信息技术有限公司 | 一种电源效率自适应调节装置和调节方法 |
| CN117872038A (zh) * | 2024-03-11 | 2024-04-12 | 浙江大学 | 一种基于图论的直流微电网失稳故障源定位方法及装置 |
| CN117872038B (zh) * | 2024-03-11 | 2024-05-17 | 浙江大学 | 一种基于图论的直流微电网失稳故障源定位方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115166415A (zh) | 一种自适应图卷积神经网络的配电网故障诊断方法及系统 | |
| WO2021088377A1 (zh) | 一种基于批次图像化的卷积自编码故障监测方法 | |
| WO2023138337A1 (zh) | 一种电机故障检测方法及装置 | |
| CN112215157B (zh) | 一种基于多模型融合的人脸特征降维提取方法 | |
| CN114266301A (zh) | 基于图卷积神经网络的电力设备故障智能预测方法 | |
| US20220253742A1 (en) | Quantum error correction decoding system and method, fault-tolerant quantum error correction system, and chip | |
| CN114355240A (zh) | 配电网接地故障诊断方法及装置 | |
| CN112729381A (zh) | 一种基于神经网络的高压断路器的故障诊断方法 | |
| CN115013298A (zh) | 污水泵的实时性能在线监测系统及其监测方法 | |
| CN114646839A (zh) | 基于图卷积神经网络的配电网故障区段定位方法及装置 | |
| CN116030537B (zh) | 基于多分支注意力图卷积的三维人体姿态估计方法 | |
| Pang et al. | A deep learning based multiple signals fusion architecture for power system fault diagnosis | |
| CN114897138A (zh) | 基于注意力机制和深度残差网络的系统故障诊断方法 | |
| CN116094758B (zh) | 一种大规模网络流量采集方法及系统 | |
| CN117192358A (zh) | 基于卷积神经网络的永磁同步电机匝间短路故障诊断方法 | |
| CN115001937B (zh) | 面向智慧城市物联网的故障预测方法及装置 | |
| Chung et al. | A binary weight convolutional neural network hardware accelerator for analysis faults of the CNC machinery on FPGA | |
| Tuo et al. | A deep learning model for bearing fault diagnosis based on convolution neural network with multi-channel and residual network | |
| CN113725853A (zh) | 基于主动性人在回路强化学习的电网拓扑控制方法和系统 | |
| CN114240999A (zh) | 一种基于增强图注意力与时间卷积网络的运动预测方法 | |
| Wang et al. | Reconstruction of complex network from time series data based on graph attention network and Gumbel Softmax | |
| CN114638555B (zh) | 基于多层正则化极限学习机的用电行为检测方法及系统 | |
| CN117151229B (zh) | 一种基于云边端架构的云端推理方法及系统 | |
| CN117404853B (zh) | 隧道掘进机外用循环水冷却系统及方法 | |
| CN116451587A (zh) | 一种深度神经网络模拟仿真运行曲线的方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221011 |
|
| RJ01 | Rejection of invention patent application after publication |