CN115169234A - 一种基于大数据分析的电力网络可靠性评估方法 - Google Patents

一种基于大数据分析的电力网络可靠性评估方法 Download PDF

Info

Publication number
CN115169234A
CN115169234A CN202210838133.0A CN202210838133A CN115169234A CN 115169234 A CN115169234 A CN 115169234A CN 202210838133 A CN202210838133 A CN 202210838133A CN 115169234 A CN115169234 A CN 115169234A
Authority
CN
China
Prior art keywords
data
reliability
network
power network
power
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.)
Granted
Application number
CN202210838133.0A
Other languages
English (en)
Other versions
CN115169234B (zh
Inventor
卫立
徐金锋
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.)
Wuxi Geze Electric Co ltd
Original Assignee
Wuxi Geze Electric 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 Wuxi Geze Electric Co ltd filed Critical Wuxi Geze Electric Co ltd
Priority to CN202210838133.0A priority Critical patent/CN115169234B/zh
Publication of CN115169234A publication Critical patent/CN115169234A/zh
Application granted granted Critical
Publication of CN115169234B publication Critical patent/CN115169234B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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—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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供了一种基于大数据分析的电力网络可靠性评估方法，属于智能电网数据分析领域。本发明以电力网络基础运行数据为评价数据，并按照运行级别分为网络运行维度、电力运行数据、安全运行数据；通过采集得到的基础产生的大数据作为分析对象，引入深度评估分析模型，使得评估采用的信息更多，挖掘到的特征更为准确；针对高维度的电力网络输入数据，针对性的改进现有卷积网络，使得网络更加轻量化，改进型网络融合BN层以及改进后的残差网络让训练更加的稳定并防止过拟合、训练速度更快，且能获得优于传统评估方法的评估结果。

Description

一种基于大数据分析的电力网络可靠性评估方法
技术领域
本发明属于智能电网数据分析领域，具体涉及一种基于大数据分析的电力网络可靠性评估方法。
背景技术
随着我国社会经济发展与生活水平提高，人们对电能需求量也在日益增多，所以电网数据可谓“海量”。进行电力网络的可靠性评估的前提是采集好相关电网数据，但由于电网数据的“海量”特征，所以数据采集工作量非常庞大、工作难度非常高，很难实现对数据的全面、高效采集。不过，随着大数据在电网可靠性评估中的应用，这一问题迎刃而解。数据采集是大数据的最关键技术之一，利用大数据可以有效保障数据采集的完整性、数据埋点的规范性与准确性以及数据上报的实时性，从而减少错误发生率。
虽然通过大数据平台能够实现对“海量”电网数据的有效分析，但由于海量数据中包括很多无用数据，所以在开展数据分析工作前先要对数据进行有效的建模，并找到数据之间的准确规律，然后再利用数据网来进行数据分析和预算，以保证分析和预测的准确性。但现有技术不论是从评价指标以及数据分析准确性上都存在很大不足。在实际智能电网通信网的运行中，可靠性指标与可靠性准则之间、以及可靠性准则与可靠性度量之间的关系大部分为非线性。传统层次分析方法分析线性关系，导致可靠性评估与实际结果偏差较大。且经过指标计算后数据会因为指标评价方式严重失真，且可靠性评估做不到实时性。
发明内容
本发明的目的在于解决上述现有技术中存在的难题，提供一种基于大数据分析的电力网络可靠性评估方法，具体包含如下步骤：
步骤1，采集电力网络的多维度运行数据，包含通信网络数据、电力运行数据及安全运行数据；
其中，通信网络数据具体为采集电力网络数据包含速率、带宽、吞吐量、时延、时延带宽积、往返时间RTT和网络利用率；
电力运行数据，实时采集一定时间内的输电、各级配电网中电压、电流数据、频率数据，一次设备平均温度、二次设备平均温度数据；
安全运行数据，实时采集电力网络中负荷数据、输出功率数据、各级管理系统流量日志数据、IP访问量数据。
步骤2数据预处理，对上述采集的通信网络数据、电力运行数据及安全运行数据进行归一化处理；由于一定时间内数据维度较高，在归一化处理后进一步进行降维；本申请具体采用基于PCA主成分分析进行数据降维，将每个维度的数据降低为N*M维；具体对归一化后的所有特征进行中心化；求协方差矩阵C；求协方差矩阵C的特征值和相对应的特征向量；将原始特征投影到选取的特征向量上，得到降维后的各维度新特征F1、F2、F3；
步骤3深度特征提取及评估模型构建
分别提取不同可靠性级别下电力网络的多维度运行数据，得到带有可靠性级别标签的n个训练样本；之后降维后的数据按照维度分别进行深度特征提取，并进行评估模型的训练；本申请可靠性级别分为五级，分别为高可靠性、较高可靠性、一般可靠性、较低可靠性、极低可靠性。
具体本申请改进型深度特征提取网络结构为：将输入F1、F2、F3特征矩阵分别经过第1卷积层、BN层RELU函数层、BN层、输入F1、F2、F3特征还通过残差结构越接与BN输出层得到结果进行融合，之后经过3层残差结构以及最大池化层的深度特征提取，将三个输入分支得到的卷积特征进行全局平均池化融合(GAP)、最后经Softmax层进行可靠性评估结果输出。
步骤4实时采集上述多维运行数据，并进行上述步骤2以及步骤3处理得到待评估深度特征，利用步骤3构建的模型进行电力网络可靠性评估。
步骤5，输出可靠性评估结果，结果包括高可靠性、较高可靠性、一般可靠性、较低可靠性、极低可靠性其中之一。
与现有技术相比，本发明的有益效果是：本发明以电力网络基础运行数据为评价数据，并创新性将电力网络运行级别分为网络运行维度、电力运行数据、安全运行数据，以实际的运行数据作为直接分析数据；以往评价均是通过一些评价指标得到评价结果，并没有直接利用运行数据，本申请得到通过采集得到的多维度大数据作为直接分析对象，引入深度评估分析模型，使得评估采用的信息更多，挖掘到的特征更为准确；针对高维度的电力网络输入数据，针对性的改进现有卷积网络，使得网络更加轻量化，改进型网络融合BN层以及改进后的残差网络让训练更加的稳定并防止过拟合、训练速度更快，且能获得优于传统评估方法的评估结果。
附图说明
图1本申请深度特征提取及评估模型网络示意图。
具体实施方式
下面结合附图1对本发明作进一步详细描述，提供一种基于大数据分析的电力网络可靠性评估方法，具体包含如下步骤：
步骤1，采集电力网络的多维度运行数据，包含通信网络数据、电力运行数据及安全运行数据；
其中，通信网络数据具体为采集电力网络数据包含速率、带宽、吞吐量、时延、时延带宽积、往返时间RTT和网络利用率；
电力运行数据，实时采集一定时间内的输电、各级配电网中电压、电流数据、频率数据，一次设备平均温度、二次设备平均温度数据；
安全运行数据，实时采集电力网络中负荷数据、输出功率数据、各级管理系统流量日志数据、IP访问量数据。
步骤2数据预处理，对上述采集的通信网络数据、电力运行数据及安全运行数据进行归一化处理；由于一定时间内数据维度较高，在归一化处理后进一步进行降维；本申请具体采用基于PCA主成分分析进行数据降维，将每个维度的数据降低为N*M维；具体对归一化后的所有特征进行中心化；求协方差矩阵C；求协方差矩阵C的特征值和相对应的特征向量；将原始特征投影到选取的特征向量上，得到降维后的各维度新特征F1、F2、F3；
步骤3深度特征提取及评估模型构建
分别提取不同可靠性级别下电力网络的多维度运行数据，得到带有可靠性级别标签的n个训练样本；之后降维后的数据按照维度分别进行深度特征提取，并进行评估模型的训练；本申请可靠性级别分为五级，分别为高可靠性、较高可靠性、一般可靠性、较低可靠性、极低可靠性。本申请中优选地样本数量n 为1000个。
具体本申请改进型深度特征提取网络结构为：将输入F1、F2、F3特征矩阵分别经过第1卷积层、BN层RELU函数层、BN层、输入F1、F2、F3特征还通过残差结构越接与BN输出层得到结果进行融合，之后经过3层残差结构以及最大池化层的深度特征提取，将三个输入分支得到的卷积特征进行全局平均池化融合、最后经Softmax层进行可靠性评估结果输出。具体训练中卷积核以及残差网络的最优参数可以有实验得到，本申请损失函数采用交叉熵损失。
步骤4实时采集上述多维运行数据，并进行上述步骤2以及步骤3处理得到待评估深度特征，利用步骤3构建的模型进行电力网络可靠性评估。
步骤5，输出可靠性评估结果，结果包括高可靠性、较高可靠性、一般可靠性、较低可靠性、极低可靠性其中之一。
除此之外，本申请还提供了一种基于大数据分析的电力网络可靠性评估方法对应的计算设备以及计算机可读存储介质，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现上述评估方法。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中，除非另有说明，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
最后应说明的是，上述技术方案只是本发明的一种实施方式，对于本领域内的技术人员而言，在本发明公开了应用方法和原理的基础上，很容易做出各种类型的改进或变形，而不仅限于本发明上述具体实施方式所描述的方法，因此前面描述的方式只是优选的，而并不具有限制性的意义。

Claims (9)

1.一种基于大数据分析的电力网络可靠性评估方法，其特征在于：；
步骤1，采集电力网络的多维度运行数据，包含通信网络数据、电力运行数据及安全运行数据；
步骤2数据预处理，对上述采集的通信网络数据、电力运行数据及安全运行数据进行归一化处理；由于一定时间内数据维度较高，在归一化处理后进一步进行降维；
步骤3深度特征提取及评估模型构建，分别提取不同可靠性级别下电力网络的多维度运行数据，得到带有可靠性级别标签的n个训练样本；之后降维后的数据按照维度分别进行深度特征提取，并进行评估模型的训练；本申请可靠性级别分为五级；
步骤4实时采集上述多维运行数据，并进行上述步骤2以及步骤3处理得到待评估深度特征，利用步骤3构建的模型进行电力网络可靠性评估；
步骤5，输出可靠性评估结果。
2.根据权利要求1所述的基于大数据分析的电力网络可靠性评估方法，其特征在于：所述通信网络数据具体为采集电力网络数据包含速率、带宽、吞吐量、时延、时延带宽积、往返时间RTT和网络利用率；
电力运行数据，实时采集一定时间内的输电、各级配电网中电压、电流数据、频率数据，一次设备平均温度、二次设备平均温度数据；
安全运行数据，实时采集电力网络中负荷数据、输出功率数据、各级管理系统流量日志数据、IP访问量数据。
3.根据权利要求2所述的基于大数据分析的电力网络可靠性评估方法，其特征在于：所述步骤2中采用基于PCA主成分分析进行数据降维，将每个维度的数据降低为N*M维；具体对归一化后的所有特征进行中心化；求协方差矩阵C；求协方差矩阵C的特征值和相对应的特征向量；将原始特征投影到选取的特征向量上，得到降维后的各维度新特征F1、F2、F3。
4.根据权利要求1所述的基于大数据分析的电力网络可靠性评估方法，结果包括高可靠性、较高可靠性、一般可靠性、较低可靠性、极低可靠性其中之一。
5.根据权利要求1所述的基于大数据分析的电力网络可靠性评估方法，其特征在于步骤4中采用改进型深度特征提取网络结构，将输入F1、F2、F3特征矩阵分别经过第1卷积层、BN层RELU函数层、BN层、输入F1、F2、F3特征还通过残差结构越接与BN输出层得到结果进行融合，之后经过3层残差结构以及最大池化层的深度特征提取，最终将三个输入分支得到的卷积特征进行全局平均池化融合、最后经Softmax层进行可靠性评估结果输出。
6.根据权利要求5所述的基于大数据分析的电力网络可靠性评估方法，其特征在于训练中损失函数采用交叉熵损失。
7.根据权利要求5所述的基于大数据分析的电力网络可靠性评估方法，其特征在于训练样本数量n为1000。
8.一种计算机设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至7任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现权利要求1至7任一项所述的方法。
CN202210838133.0A 2022-07-17 2022-07-17 一种基于大数据分析的电力网络可靠性评估方法 Active CN115169234B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210838133.0A CN115169234B (zh) 2022-07-17 2022-07-17 一种基于大数据分析的电力网络可靠性评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210838133.0A CN115169234B (zh) 2022-07-17 2022-07-17 一种基于大数据分析的电力网络可靠性评估方法

Publications (2)

Publication Number Publication Date
CN115169234A true CN115169234A (zh) 2022-10-11
CN115169234B CN115169234B (zh) 2023-09-15

Family

ID=83495631

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210838133.0A Active CN115169234B (zh) 2022-07-17 2022-07-17 一种基于大数据分析的电力网络可靠性评估方法

Country Status (1)

Country Link
CN (1) CN115169234B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090113049A1 (en) * 2006-04-12 2009-04-30 Edsa Micro Corporation Systems and methods for real-time forecasting and predicting of electrical peaks and managing the energy, health, reliability, and performance of electrical power systems based on an artificial adaptive neural network
US20200103838A1 (en) * 2018-09-28 2020-04-02 Honeywell International Inc. Plant state operating analysis and control
CN111598150A (zh) * 2020-05-12 2020-08-28 国网四川省电力公司电力科学研究院 一种计及运行状态等级的变压器故障诊断方法
CN112132430A (zh) * 2020-09-14 2020-12-25 国网山东省电力公司电力科学研究院 一种配电主设备分布式状态传感器可靠性评估方法及系统
CN112508363A (zh) * 2020-11-25 2021-03-16 国网浙江省电力有限公司信息通信分公司 基于深度学习的电力信息系统状态分析方法及装置
CN113141008A (zh) * 2021-04-23 2021-07-20 国网陕西省电力公司电力科学研究院 一种数据驱动的配电网分布式新能源消纳能力评估方法
US20210255912A1 (en) * 2020-02-19 2021-08-19 Schneider Electric Industries Sas Determination of a reliability state of an electrical network
CN113807690A (zh) * 2021-09-09 2021-12-17 国网江苏省电力有限公司苏州供电分公司 区域电网调控系统运行状态在线评估预警方法及系统
CN114418409A (zh) * 2022-01-21 2022-04-29 广东电网有限责任公司 一种基于多个神经网络的设备安全风险的评估方法及装置
CN114462508A (zh) * 2022-01-12 2022-05-10 宁波力斗智能技术有限公司 基于多模态神经网络的电力变压器健康状态评估方法
CN114676742A (zh) * 2021-12-08 2022-06-28 山东省计算中心（国家超级计算济南中心） 一种基于注意力机制和残差网络的电网异常用电检测方法
CN114692698A (zh) * 2022-04-22 2022-07-01 中北大学 一种基于残差网络的一维心电数据分类方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090113049A1 (en) * 2006-04-12 2009-04-30 Edsa Micro Corporation Systems and methods for real-time forecasting and predicting of electrical peaks and managing the energy, health, reliability, and performance of electrical power systems based on an artificial adaptive neural network
US20200103838A1 (en) * 2018-09-28 2020-04-02 Honeywell International Inc. Plant state operating analysis and control
US20210255912A1 (en) * 2020-02-19 2021-08-19 Schneider Electric Industries Sas Determination of a reliability state of an electrical network
CN111598150A (zh) * 2020-05-12 2020-08-28 国网四川省电力公司电力科学研究院 一种计及运行状态等级的变压器故障诊断方法
CN112132430A (zh) * 2020-09-14 2020-12-25 国网山东省电力公司电力科学研究院 一种配电主设备分布式状态传感器可靠性评估方法及系统
CN112508363A (zh) * 2020-11-25 2021-03-16 国网浙江省电力有限公司信息通信分公司 基于深度学习的电力信息系统状态分析方法及装置
CN113141008A (zh) * 2021-04-23 2021-07-20 国网陕西省电力公司电力科学研究院 一种数据驱动的配电网分布式新能源消纳能力评估方法
CN113807690A (zh) * 2021-09-09 2021-12-17 国网江苏省电力有限公司苏州供电分公司 区域电网调控系统运行状态在线评估预警方法及系统
CN114676742A (zh) * 2021-12-08 2022-06-28 山东省计算中心（国家超级计算济南中心） 一种基于注意力机制和残差网络的电网异常用电检测方法
CN114462508A (zh) * 2022-01-12 2022-05-10 宁波力斗智能技术有限公司 基于多模态神经网络的电力变压器健康状态评估方法
CN114418409A (zh) * 2022-01-21 2022-04-29 广东电网有限责任公司 一种基于多个神经网络的设备安全风险的评估方法及装置
CN114692698A (zh) * 2022-04-22 2022-07-01 中北大学 一种基于残差网络的一维心电数据分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MD. KAMRUZZAMAN 等: "A convolutional neural network-based approach to composite power system reliability evaluation", INTERNATIONAL JOURNAL OF ELECTRICAL POWER & ENERGY SYSTEMS, vol. 135 *
胡丽娟;刁赢龙;刘科研;栾文鹏;盛万兴;: "基于大数据技术的配电网运行可靠性分析", 电网技术, no. 01 *
马冀 等: "基于深度学习的智能电网通信网 可靠性评估方法", 电力信息与通信技术, vol. 19, no. 10 *

Also Published As

Publication number Publication date
CN115169234B (zh) 2023-09-15

Similar Documents

Publication Publication Date Title
CN106485089B (zh) 谐波用户典型工况的区间参数获取方法
US20060100969A1 (en) Learning-based method for estimating cost and statistics of complex operators in continuous queries
CN109740694A (zh) 一种基于非监督学习的智能电网非技术性损失检测方法
CN102832617B (zh) 一种基于精确化模式判别的大电网暂态稳定分析方法
CN112367273B (zh) 基于知识蒸馏的深度神经网络模型的流量分类方法及装置
CN114580706A (zh) 基于gru-lstm神经网络的电力金融业务风控方法及系统
CN112990656A (zh) 一种it设备监测数据的健康评价系统及健康评价方法
CN114386537A (zh) 基于CatBoost的锂电池故障诊断方法、装置及电子设备
CN114594398A (zh) 储能锂离子电池数据预处理方法
CN115169234B (zh) 一种基于大数据分析的电力网络可靠性评估方法
CN110361609B (zh) 特高压设备监测系统及方法
CN117034149A (zh) 故障处理策略确定方法、装置、电子设备和存储介质
CN116703335A (zh) 一种基于物联网数据共享的工程监管方法及系统
CN116581890A (zh) 一种电网运行稳定性的智能监测方法及系统
CN117113243A (zh) 一种光伏设备异常检测方法
CN114880380A (zh) 一种基于密度聚类和自组织网络的电网告警数据关联溯源系统的实现方法
Wang et al. AlarmGPT: an intelligent operation assistant for optical network alarm analysis using ChatGPT
CN112052277A (zh) 一种基于大数据的电压暂降严重度评估方法及设备
Lu et al. Anomaly Recognition Method for Massive Data of Power Internet of Things Based on Bayesian Belief Network
CN117171548B (zh) 一种基于电网大数据的网络安全态势智能预测方法
CN117371623B (zh) 一种电能表运行状态预警方法及系统
CN113486971B (zh) 基于主成分分析和神经网络的用户状态识别方法、系统
CN116827807B (zh) 基于多因素评价指标的电力通信网节点重要性评估方法
Wei et al. A Real Time Retrieval Method of Massive Arrears User Profile Data Based on HBase
CN110457833B (zh) 一种用于电池安全与性能分析的数据构建方法

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