CN115222142A - 一种极端气象条件下输变电变压器设备故障预测分析方法 - Google Patents
一种极端气象条件下输变电变压器设备故障预测分析方法 Download PDFInfo
- Publication number
- CN115222142A CN115222142A CN202210907068.2A CN202210907068A CN115222142A CN 115222142 A CN115222142 A CN 115222142A CN 202210907068 A CN202210907068 A CN 202210907068A CN 115222142 A CN115222142 A CN 115222142A
- Authority
- CN
- China
- Prior art keywords
- layer
- fault
- data
- data set
- deep learning
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 23
- 230000009466 transformation Effects 0.000 title claims abstract description 23
- 238000004458 analytical method Methods 0.000 title claims description 14
- 238000013135 deep learning Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000011176 pooling Methods 0.000 claims description 24
- 239000007789 gas Substances 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 7
- 238000013021 overheating Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000036470 plasma concentration Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 2
- 230000004913 activation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006698 induction Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06N3/08—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
- 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)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种极端气象条件下输变电变压器设备故障预测分析方法,所述方法包括:步骤1、采集各种极端气象条件下发生过的输变电变压器故障数据,预置故障类型;步骤2、数据参数预处理;步骤3、创建深度学习网络;步骤4、使用误差反向传播算法更新梯度并优化参数,训练神经网络;步骤5、故障预测,验证神经网络准确率;解决了现有技术中输变电变压器设备故障预测在在极端气象条件下,已有的故障预测模型会出现一定的偏差,其故障预测准确性会受到极端气象的影响,在这种情况下已有故障预测模型已不再适用等技术问题。
Description
技术领域
本发明属于输变电变压器设备故障预测技术领域,尤其涉及一种极端气象条件下输变电变压器设备故障预测分析方法。
背景技术
深度学习是人工智能领域的重要问题,是机器学习的一个重要方向,它可以通过对大数据的处理,从混乱无序的数据中分析出数据的隐含规律与特征。通过权重的调整等不同参数的处理,可以得到我们所需要的数据分析结果。深度学习通过模拟神经细胞之间的联系,使用多层神经网络架构训练出合适的网络模型以实现分析或预测功能。
输变电变压器作为重要的电器设备,其正常运作对于保证人民生活质量具有重要意义。随着人们生活水平的提高,对电的需求也在不断增强,使得输变电变压器常处于负荷状态,极为产生故障,对其故障的分析与预测能大幅减小故障的发生。能够对于正常天气状态下的变压器故障预测研究已有多种预测与分析模型,在极端气象条件下,已有的故障预测模型会出现一定的偏差,其故障预测准确性会受到极端气象的影响,在这种情况下已有故障预测模型已不再适用。
发明内容
本发明要解决的技术问题是:提供一种极端气象条件下输变电变压器设备故障预测分析方法,以解决现有技术中输变电变压器设备故障预测在在极端气象条件下,已有的故障预测模型会出现一定的偏差,其故障预测准确性会受到极端气象的影响,在这种情况下已有故障预测模型已不再适用等技术问题。
本发明的技术方案是:
一种极端气象条件下输变电变压器设备故障预测分析方法,所述方法包括:
步骤1、采集各种极端气象条件下发生过的输变电变压器故障数据,预置故障类型;
步骤2、数据参数预处理;
步骤3、创建深度学习网络;
步骤4、使用误差反向传播算法更新梯度并优化参数,训练神经网络;
步骤5、故障预测,验证神经网络准确率。
采集的变压器故障数据包括变压器油的H2,CH4,C2H6,C2H4和C2H2五种气体含量与极端气象条件下的外界温度、湿度、气压、风速和雷暴天气下空气中等离子体浓度气象参数。
预置故障类型包括:
故障类型一、高温过热,高于700℃;
故障类型二、中温过热,低于700℃且高于300℃;
故障类型三、低温过热,低于300℃;
故障类型四、高能放电;
故障类型五、低能放电;
故障类型六、局部放电;
故障类型七、正常。
步骤2所述数据参数预处理的方法为包括:
步骤2.1、每一秒种读取一组数据,连续读取1024s;对1024s内采集的1024组数据添加故障类型标签,形成带故障标签的原始数据集;将1024组五种气体含量作为数据集Ⅰ,将1024组外界气象参数作为数据集II;
步骤2.2、从原始数据集中随机抽出75%的数据作为训练集,其余25%的数据作为验证集。
步骤3所述创建深度学习网络的方法包括:通过序列输入层将带标签的原始信号数据集Ⅰ与数据集II分别导入深度学习网络Ⅰ与深度学习网络II,深度学习网络结构有八层,依次为:
第一层为一个卷积层Ⅰ,防止原输入信息掉到卷积核边界之外;第二层为一个池化层,对数据进行降采样,简化网络复杂度,降低计算量;第三层为一个卷积层II;第四层为一个池化层II;第五层为一个卷积层III,第六层为一个池化层III;第七层为一个卷积层IV;第八层为一个池化层IV。通过卷积层与池化层实现降维,通过调整卷积核大小以及卷积层和池化层的步长,使得深度学习网络Ⅰ提取的数据集Ⅰ与数据集II的特征维度相同,得以融合。
它还包括:深度学习网络III,深度学习网络III结构有六层,依次为:第一层为卷积层Ⅰ,第二层为一个池化层,第三层为一个卷积层II,第四层为一个池化层,第五层为一个全连接层,第六层为一个Softmax层,通过Softmax多分类器计算每个故障类型的概率值,传输到分类层达到分类目的;通过卷积层与池化层实现降维,每层卷积后采用Rule激活函数。
将训练数据集I通过序列输入层导入深度学习网络I,提取变压器内五种气体含量随着时间变化的高维特征;将数据集II通过序列输入层导入深度学习网络II,提取外界气象参数随着时间变化的高维特征;将数据集I与数据集II提取的特征融合并导入深度学习网络III。
使用误差反向传播算法更新梯度并优化参数,训练神经网络的方法为:初始化神经网络训练参数,设置最大训练迭代数为1000,设置初始学习率为0.01,将预处理过后的数据导入网络进行训练,并使用误差反向传播算法更新网络权重,得到最优的网络结构并不断更新迭代次数与学习率,最终得到故障预测率。
本发明的有益效果:
与现有的故障预测模型相比,本发明通过采集各种极端气象条件下的变压器故障数据,对多种故障诱导因素进行分析,建立了故障分类与预测模型,提高了故障预测的泛化能力,本发明的使用环境更为极端,因此对于各种使用环境具有更高适用性,本发明降低了传统网络手动选择特征的复杂性,同时其预见性也可大幅避免事故的发生;在各种环境下该模型都可保障较高的预测准确性。
本发明对多种故障诱导因素数据与时间的关系进行分析,通过分析常见的故障因素与极端气象条件下的故障因素,提取故障数据随着时间变化的高维特征,并采用特征融合的方式将常见与极端的故障因素进行关联;并提出一种新型神经网络结构,适用于极端气象条件下输变电变压器故障分析与预测;提高了故障预测的准确性。
解决了现有技术中输变电变压器设备故障预测在在极端气象条件下,已有的故障预测模型会出现一定的偏差,其故障预测准确性会受到极端气象的影响,在这种情况下已有故障预测模型已不再适用等技术问题。
附图说明
图1为本发明的实现流程图;
图2为本发明数据输入与训练过程图;
图3为深度学习网络Ⅰ(II)结构示意图;
图4为深度学习网络III结构示意图;
图5为Softmax层示意图。
具体实施方式
下面结合附图对本发明作进一步的描述。
参照附图1,对本发明的实现步骤作进一步的描述。
步骤1、采集的变压器故障数据包括变压器油的H2,CH4,C2H6,C2H4,C2H2五种气体含量与极端气象条件下的外界温度,湿度,气压,风速、雷暴天气下空气中等离子体浓度等多种气象参数共m个数据特征。
预置故障类型包括:
故障类型一:高温过热(高于700℃)
故障类型二:中温过热(低于700℃且高于300℃)
故障类型三:低温过热(低于300℃)
故障类型四:高能放电
故障类型五:低能放电
故障类型六:局部放电
故障类型七:正常
步骤2、数据参数预处理。
每一秒种读取一组数据,连续读取1024s。由于变压器的类型和等级的不同,其气体含量也会有较大的差异。采集多组正常运作的变压器数据,根据正常情况下的各种参数划定正常标准。需要将气体以及各种气象参数根据正常值的范围进行转化,将绝对值转化为相对值,消除不同参数之间的差异,同时也能减小误差。
对1024s内采集的1024组数据(每组数据包含变压器内五种气体含量与外界气象参数共m个参数),添加故障类型标签,使形成带故障标签的原始信号数据集。将1024组五种气体含量作为数据集Ⅰ,其大小为5×1024,将1024组外界气象参数共m-5个参数作为数据集II,其大小为(m-5)×1024。从原始数据集中随机抽出75%的数据作为训练集,其余25%的数据作为验证集。
步骤3、创建深度学习网络:
深度学习网络Ⅰ(II)由八层网络组成,第一层为卷积层Ⅰ,防止原输入信息掉到卷积核边界之外;第二层为一个池化层,对数据进行降采样,简化网络复杂度,降低计算量;第三层为一个卷积层II;第四层为一个池化层;第五层为一个卷积层III,第六层为一个池化层;第七层为一个卷积层IV;第八层为一个池化层。
表1:深度学习网络Ⅰ(II)结构
深度学习网络III由六层网络组成,因为在融合之前支路上均已经包含了多层卷积。对于融合后的特征,不设计过深的卷积神经网络对其进行训练。第一层为卷积层Ⅰ;第二层为一个池化层;第三层为一个卷积层II;第四层为一个池化层;第五层为一个全连接层,并使用Rule激活函数,解决了梯度消失问题,同时防止梯度弥散,Relu激活函数会使一部分的神经元输出变为0,减少了参数的数量,同时也解决了过拟合的问题,相比于sigmoid等激活函数,Relu激活函数计算量小;第六层为一个Softmax层,通过Softmax多分类器计算每个故障类型的概率值,传输到分类层达到分类目的。
表2:深度学习网络III结构
将训练数据集I通过序列输入层导入深度学习网络I,提取变压器内五种气体含量随着时间变化的高维特征;将数据集II通过序列输入层导入深度学习网络II,提取外界气象参数随着时间变化的高维特征。将数据集I与数据集II提取的特征融合并导入深度学习网络III。
步骤4、使用误差反向传播算法更新网络权重,训练神经网络:
初始化神经网络训练参数,设置最大训练迭代数为1000,设置初始学习率为0.01,将预处理过后的数据导入网络进行训练,并使用误差反向传播算法更新网络权重,以此得到最优的网络结构并不断更新迭代次数与学习率等,最终得到较高故障预测率。
步骤5、故障预测,验证神经网络准确率:
将验证数据集导入更新后的深度学习神经网络,最终得到较高的故障预测准确率。
Claims (8)
1.一种极端气象条件下输变电变压器设备故障预测分析方法,其特征在于:所述方法包括:
步骤1、采集各种极端气象条件下发生过的输变电变压器故障数据,预置故障类型;
步骤2、数据参数预处理;
步骤3、创建深度学习网络;
步骤4、使用误差反向传播算法更新梯度并优化参数,训练神经网络;
步骤5、故障预测,验证神经网络准确率。
2.根据权利要求1所述的一种极端气象条件下输变电变压器设备故障预测分析方法,其特征在于:采集的变压器故障数据包括变压器油的H2,CH4,C2H6,C2H4和C2H2五种气体含量与极端气象条件下的外界温度、湿度、气压、风速和雷暴天气下空气中等离子体浓度气象参数。
3.根据权利要求1所述的一种极端气象条件下输变电变压器设备故障预测分析方法,其特征在于:预置故障类型包括:
故障类型一、高温过热,高于700℃;
故障类型二、中温过热,低于700℃且高于300℃;
故障类型三、低温过热,低于300℃;
故障类型四、高能放电;
故障类型五、低能放电;
故障类型六、局部放电;
故障类型七、正常。
4.根据权利要求1所述的一种极端气象条件下输变电变压器设备故障预测分析方法,其特征在于:步骤2所述数据参数预处理的方法为包括:
步骤2.1、每一秒种读取一组数据,连续读取1024s;对1024s内采集的1024组数据添加故障类型标签,形成带故障标签的原始数据集;将1024组五种气体含量作为数据集Ⅰ,将1024组外界气象参数作为数据集II;
步骤2.2、从原始数据集中随机抽出75%的数据作为训练集,其余25%的数据作为验证集。
5.根据权利要求1所述的一种极端气象条件下输变电变压器设备故障预测分析方法,其特征在于:步骤3所述创建深度学习网络的方法包括:通过序列输入层将带标签的原始信号数据集Ⅰ与数据集II分别导入深度学习网络Ⅰ与深度学习网络II,深度学习网络结构有八层,依次为:
第一层为一个卷积层Ⅰ,防止原输入信息掉到卷积核边界之外;第二层为一个池化层,对数据进行降采样,简化网络复杂度,降低计算量;第三层为一个卷积层II;第四层为一个池化层II;第五层为一个卷积层III,第六层为一个池化层III;第七层为一个卷积层IV;第八层为一个池化层IV。通过卷积层与池化层实现降维,通过调整卷积核大小以及卷积层和池化层的步长,使得深度学习网络Ⅰ提取的数据集Ⅰ与数据集II的特征维度相同,得以融合。
6.根据权利要求5所述的一种极端气象条件下输变电变压器设备故障预测分析方法,其特征在于:它还包括:深度学习网络III,深度学习网络III结构有六层,依次为:第一层为卷积层Ⅰ,第二层为一个池化层,第三层为一个卷积层II,第四层为一个池化层,第五层为一个全连接层,第六层为一个Softmax层,通过Softmax多分类器计算每个故障类型的概率值,传输到分类层达到分类目的;通过卷积层与池化层实现降维,每层卷积后采用Rule激活函数。
7.根据权利要求6所述的一种极端气象条件下输变电变压器设备故障预测分析方法,其特征在于:将训练数据集I通过序列输入层导入深度学习网络I,提取变压器内五种气体含量随着时间变化的高维特征;将数据集II通过序列输入层导入深度学习网络II,提取外界气象参数随着时间变化的高维特征;将数据集I与数据集II提取的特征融合并导入深度学习网络III。
8.根据权利要求1所述的一种极端气象条件下输变电变压器设备故障预测分析方法,其特征在于:使用误差反向传播算法更新梯度并优化参数,训练神经网络的方法为:初始化神经网络训练参数,设置最大训练迭代数为1000,设置初始学习率为0.01,将预处理过后的数据导入网络进行训练,并使用误差反向传播算法更新网络权重,得到最优的网络结构并不断更新迭代次数与学习率,最终得到故障预测率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210907068.2A CN115222142A (zh) | 2022-07-29 | 2022-07-29 | 一种极端气象条件下输变电变压器设备故障预测分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210907068.2A CN115222142A (zh) | 2022-07-29 | 2022-07-29 | 一种极端气象条件下输变电变压器设备故障预测分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115222142A true CN115222142A (zh) | 2022-10-21 |
Family
ID=83613666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210907068.2A Pending CN115222142A (zh) | 2022-07-29 | 2022-07-29 | 一种极端气象条件下输变电变压器设备故障预测分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115222142A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123682A (zh) * | 2014-07-28 | 2014-10-29 | 国家电网公司 | 一种基于气象影响因素的配网故障风险评估方法 |
CN110555465A (zh) * | 2019-08-13 | 2019-12-10 | 成都信息工程大学 | 一种基于cnn与多特征融合的天气图像识别方法 |
WO2020156028A1 (zh) * | 2019-01-28 | 2020-08-06 | 南京航空航天大学 | 一种基于深度学习的室外非固定场景天气识别方法 |
CN113609912A (zh) * | 2021-07-08 | 2021-11-05 | 西华大学 | 一种基于多源信息融合的输电网故障诊断方法 |
CN114548601A (zh) * | 2022-03-16 | 2022-05-27 | 国网河南省电力公司电力科学研究院 | 基于bp神经网络的配电网极端灾害下停电预测方法及系统 |
-
2022
- 2022-07-29 CN CN202210907068.2A patent/CN115222142A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123682A (zh) * | 2014-07-28 | 2014-10-29 | 国家电网公司 | 一种基于气象影响因素的配网故障风险评估方法 |
WO2020156028A1 (zh) * | 2019-01-28 | 2020-08-06 | 南京航空航天大学 | 一种基于深度学习的室外非固定场景天气识别方法 |
CN110555465A (zh) * | 2019-08-13 | 2019-12-10 | 成都信息工程大学 | 一种基于cnn与多特征融合的天气图像识别方法 |
CN113609912A (zh) * | 2021-07-08 | 2021-11-05 | 西华大学 | 一种基于多源信息融合的输电网故障诊断方法 |
CN114548601A (zh) * | 2022-03-16 | 2022-05-27 | 国网河南省电力公司电力科学研究院 | 基于bp神经网络的配电网极端灾害下停电预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
徐安馨: "基于场景分类识别的电网气象灾害预警方法", 中国优秀硕士学位论文全文数据库, no. 12, pages 4 * |
贾茹宾: "变压器油中气体含量预测与故障诊断研究", 中国优秀硕士学位论文全文数据库, no. 2, pages 2 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liao et al. | Fault diagnosis of power transformers using graph convolutional network | |
CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN109635928A (zh) | 一种基于深度学习模型融合的电压暂降原因识别方法 | |
CN109214416A (zh) | 一种基于深度学习的多维信息融合变压器故障诊断方法 | |
CN110929847A (zh) | 一种基于深度卷积神经网络的换流变压器故障诊断方法 | |
CN110689171A (zh) | 一种基于e-lstm的汽轮机健康状态预测方法 | |
CN110879373B (zh) | 一种神经网络和决策融合的油浸式变压器故障诊断方法 | |
CN110334866A (zh) | 考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法及系统 | |
CN111401603A (zh) | 一种多类型能源需求预测方法 | |
CN110910026B (zh) | 一种跨省输电线路线损智能管理与决策方法及系统 | |
CN115659258B (zh) | 一种基于多尺度图卷积孪生网络的配电网故障检测方法 | |
CN116562114A (zh) | 一种基于图卷积神经网络的电力变压器故障诊断方法 | |
CN114661905A (zh) | 一种基于bert的电网故障诊断方法 | |
CN114266297A (zh) | 火电装备语义知识库、构建方法及零样本故障诊断方法 | |
CN112699244A (zh) | 基于深度学习的输变电设备缺陷文本分类方法及系统 | |
CN115409369A (zh) | 基于机理和数据混合驱动的综合能源系统可靠性评估方法 | |
CN115983374A (zh) | 基于优化sa-cacgan的电缆局放数据库样本扩充方法 | |
CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法 | |
CN113536508A (zh) | 一种制造网络节点分类方法及系统 | |
CN115222142A (zh) | 一种极端气象条件下输变电变压器设备故障预测分析方法 | |
CN117439045A (zh) | 综合能源系统多元负荷预测方法 | |
CN112257335A (zh) | 一种结合pnn和svm的油浸式变压器的故障诊断方法 | |
CN116663499A (zh) | 智能化工业数据处理的方法及系统 | |
CN116401572A (zh) | 一种基于cnn-lstm的输电线路故障诊断方法及系统 | |
CN116029295A (zh) | 一种电力文本实体抽取方法、缺陷定位方法及故障诊断方法 |
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 |