CN115456106A - 一种高压断路器故障诊断模型优化方法 - Google Patents
一种高压断路器故障诊断模型优化方法 Download PDFInfo
- Publication number
- CN115456106A CN115456106A CN202211186337.7A CN202211186337A CN115456106A CN 115456106 A CN115456106 A CN 115456106A CN 202211186337 A CN202211186337 A CN 202211186337A CN 115456106 A CN115456106 A CN 115456106A
- Authority
- CN
- China
- Prior art keywords
- model
- circuit breaker
- training
- voltage circuit
- data
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Neurology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本公开揭示了一种高压断路器在线监测方法,包括如下步骤:S100:构建数据仓库;S200:将构建好的数据仓库作为训练集对高压断路器故障诊断模型进行训练,以获得训练好的高压断路器故障诊断模型;S300:持续采集待测高压断路器的实时运行数据并扩充至数据仓库,基于实时运行数据对训练好的高压断路器故障诊断模型持续进行在线训练,以对模型进行迭代优化。
Description
技术领域
本公开属于电力设备故障诊断、人工智能算法、互联网技术交叉领域,具体涉及一种高压断路器故障诊断模型优化方法。
背景技术
高压断路器作为电力系统中承载和开断正常工作电流以及切断故障电流的电气设备,在保证电网稳定运行方面扮演着重要作用。在断路器所发生的拒开拒合、误开误合等故障中,大多数都是由于操动机构部件故障导致的。因此,针对断路器操动机构故障的研究有利于推动改进断路器设计结构、实现断路器智能在线监测、制定预测性维修策略等工作的发展。
目前,得益于智能硬件的发展以及算力的提高,大多数的高压断路器在线监测故障诊断模型都采用基于大数据的人工智能模型,其能够在一定程度上模拟人类专家经验及推理过程,能够有效识别并建立信号特征与故障之间的映射关系,实现在线监测系统的自动化、智能化。然而,这些人工智能模型大多采用单一监测信号特征作为模型的输入,故障识别能力有限。并且当前电力行业中高压断路器的在线感知数据积累严重不足、处理难度较大,学界和工业界大多基于离线模拟实验数据进行构建,而出于经济性和安全性的考虑,离线故障模拟试验形成的数据库较为单一,难以识别断路器实际运行时的复合故障,置信度较低。另一方面,这些人工智能模型通常部署在边缘侧,并不进行动态更新,无法充分利用实际在线监测数据的价值。
上述这些问题都导致人工智能模型在落地应用时的实际效果较差,仍然主要依靠技术人员的经验判断。本发明提出了一种基于热启动增量神经网络的高压断路器在线监测算法策略,能够有效改善上述不足。本发明将实验、仿真、生成的断路器分合闸线圈电流信号和动铁芯直线行程位移信号特征数据作为训练集训练了一个多深度神经网络,有效地实现了人工智能增量模型的热启动,并且利用Spark技术将该多深度神经网络的基分类器部署在由多个服务器构成的集群上,提高了计算效率。在实际部署后借助Hadoop分布式数据存储架构增量抽取一定时期内区域内所有断路器数据的运行数据作为训练集,更新该多深度神经网络故障诊断模型,提高实际在线监测数据的利用率,不断改善模型的实际应用效果。
发明内容
针对现有技术中的不足,本公开的目的在于提供一种高压断路器故障诊断模型优化方法,该方法能够利用断路器实时运行数据对模型进行持续迭代优化,从而能够提高故障诊断效率。
为实现上述目的,本公开提供以下技术方案:
一种高压断路器在线监测方法,包括如下步骤:
S100:构建数据仓库;
S200:以构建好的数据仓库作为训练集对高压断路器故障诊断模型进行训练,以获得训练好的高压断路器故障诊断模型;
S300:持续采集待测高压断路器的实时运行数据并扩充至数据仓库,基于实时运行数据对训练好的高压断路器故障诊断模型持续进行在线训练,以对模型进行迭代优化。
优选的,步骤S200中,所述对高压断路器故障诊断模型进行训练包括如下步骤:
S201:将数据仓库划分为训练集、验证集和测试集;
S202:基于随机梯度下降算法,将训练集随机分割为若干小批量样本集,并输入模型进行前馈训练,基于交叉熵损失函数计算出训练误差;
S203:基于训练误差计算交叉熵损失函数关于网络连接线权重的偏导数;
S204:基于网络连接线权重的偏导数对网络连接线权重进行参数更新,更新完成后,模型训练完成;
S205:通过验证集对训练后的模型进行验证,若模型对于验证集的预测准确率达到90%,则验证通过,获得训练好的模型;否则对模型的超参数进行调整重新进行训练;
S206:通过测试集对训练好的模型进行测试,若模型对于测试集的预测准确率达到90%,则测试通过;否则对模型的超参数进行调整重新进行训练。
优选的,步骤S100中,所述数据仓库包括高压断路器的离线试验数据、仿真数据以及基于离线试验数据和仿真数据获得的生成信号数据。
优选的,步骤S202中,所述交叉熵损失函数表示如下:
其中,x表示样本特征,y表示样本真实标签,w表示权重,N表示样本数量,M表示类别数量,dic表示符号函数,i表示样本,c表示类别,且如果i的真实类别为c,则取1,否则取0,pic表示样本i属于类别c的预测概率。
优选的,步骤S203中,所述交叉熵损失函数关于网络连接线权重的偏导数通过下式计算:
优选的,步骤S204中,通过下式对网络连接线权重进行参数更新:
其中,ε表示学习率。
本公开还提供一种高压断路器故障诊断模型优化装置,包括:
构建模块,用于构建数据仓库;
训练模块,用于利用构建好的数据仓库作为训练集对高压断路器故障诊断模型进行训练,以获得训练好的高压断路器故障诊断模型;
采集模块,用于持续采集待测高压断路器的实时运行数据;
迭代优化模块,用于基于实时运行数据对训练好的高压断路器故障诊断模型持续进行在线训练,以对模型进行迭代优化。
本公开还提供一种高压断路器故障诊断模型优化装置,包括:
构建模块,用于构建数据仓库;
训练模块,用于利用构建好的数据仓库作为训练集对高压断路器故障诊断模型进行训练,以获得训练好的高压断路器故障诊断模型;
采集模块,用于持续采集待测高压断路器的实时运行数据;
迭代优化模块,用于基于实时运行数据对训练好的高压断路器故障诊断模型进行在线训练,以对模型进行迭代优化。
与现有技术相比,本公开带来的有益效果为:本发明融合了高压断路器的分合闸线圈电流信号和动铁芯直线行程位移信号作为断路器典型的状态感知信息,并基于试验数据、仿真数据、生成数据构建了数据仓库。基于该数据仓库训练的多深度神经网络模型鲁棒性强,能够作为一个良好的热启动模型部署在地区服务器集群。多深度神经网络模型的基分类器分别部署在不同的节点服务器,在部署后以分布式增量抽取的方式整合地区所有断路器一定时间内的在线监测数据进行训练更新。本发明不仅提高了实际在线监测数据的利用率,使故障诊断模型随时间优化更新,而且合理地利用了算力资源,缓解了数据存储压力。
附图说明
图1是本公开一个实施例提供的一种高压断路器故障诊断模型优化方法的流程图;
图2是本公开另一个实施例提供的断路器离线试验数据示意图;
图3是本公开另一个实施例提供的断路器仿真数据示意图;
图4是本公开另一个实施例提供的对抗生成网络的原理示意图;
图5是本公开另一个实施例提供的多深度神经网络的结构示意图;
图6是本公开另一个实施例提供的使用数据仓库与单纯使用试验数据获得的模型训练效果示意图;
图7是本公开另一个实施例提供的模型测试误差曲线示意图;
图8是网络连接神经网络示意图。
具体实施方式
下面将参照附图1至图8详细地描述本公开的具体实施例。虽然附图中显示了本公开的具体实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
需要说明的是,在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解,技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异作为区分组件的方式,而是以组件在功能上的差异作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语,故应解释成“包含但不限定于”。说明书后续描述为实施本公开的较佳实施方式,然所述描述乃以说明书的一般原则为目的,并非用以限定本公开的范围。本公开的保护范围当视所附权利要求所界定者为准。
为便于对本公开实施例的理解,下面将结合附图以具体实施例为例做进一步的解释说明,且各个附图并不构成对本公开实施例的限定。
一个实施例中,如图1所示,本公开提出一种高压断路器故障诊断模型优化方法,包括如下步骤:
S100:构建数据仓库;
该步骤中,数据仓库包括高压断路器的离线试验数据、仿真数据以及基于离线试验数据和仿真数据获得的生成信号数据,其中,如图2所示,离线试验数据是基于断路器实体开展的多种断路器常见机电故障的模拟试验获得的数据,具体作法是:基于已统计的断路器常见故障类型,在实验室中搭建断路器故障模拟平台,模拟不同程度、不同类型的故障,获得断路器分合闸线圈电流信号和动铁芯直线位移行程信号的试验波形。其中,模拟的机电故障类型包括:线圈供电回路接触不良、操动机构驱动电压异常、操动机构动铁芯气隙异常、铁芯运动卡涩、分闸弹簧疲软、合闸接触器粘连等。
如图3所示,仿真数据是基于高压断路器开断的物理过程,使用MATLAB软件的Simulink功能搭建了永磁操动机构的多域物理仿真模型。该仿真模型由参数输入子系统、控制回路子系统、测量子系统、线圈回路电气子系统、铁芯运动机械子系统通过端口连接构成。之后,将该仿真模型导入到编写好的“高压断路器故障模拟平台”软件,进行断路器操动机构的组合故障的批量仿真。该故障模拟软件采用并行技术进行仿真,能够在短时间内获得大量的断路器组合故障状态下的仿真数据。
基于已有的离线试验数据和仿真数据,训练获得生成对抗网络,以生成带有随机噪声的拟真信号数据。生成对抗网络(GenerativeAdversarial Networks,GAN)是一种生成式模型,如图4所示,其由一个生成器和一个判别器构成,其中,生成器负责捕捉真实数据样本的潜在分布并生成新的数据样本。判别器是一个二分类器,判别输入是真实数据还是生成的样本。GAN的训练目标是使生成器尽量去学习真实的样本分布,即最小化生成器的损失;另一方面,需要使判别器无法有效判别输入数据使来自真实数据还是来自生成器,即最大化判别器损失。当GAN达到训练目标后,就可以通过向生成器输入随机向量和故障标签获得拟真故障数据。GAN可以生成大量的数据集,与离线试验数据、仿真数据结合用于训练高压断路器故障诊断模型,有利于增强模型的泛化能力,原因在于:现有的人工智能模型的训练过程在离线试验和在实际工业场景中收集到的数据特征和故障之间的映射关系存在较大差异,导致了仅由离线试验数据训练的模型在实际应用时效果不佳。仿真模型是对实体模型的计算机模拟,其信号输出与真实情况有所差距;GAN则是生成和原始数据集同分布的特征数据,存在随机误差,这两部分误差都在合理的范围内,且具有一定的物理含义和数学含义。使用带有误差的特征训练神经网络可以改善神经网络的过拟合问题,提高模型抗噪能力,从而增强模型的泛化能力。当模型的输入特征与训练集的特征分布有所差异时,泛化能力弱的模型的识别准确率就会大幅降低,而泛化能力强的模型仍能保持较高的识别准确率。
S200:以构建好的数据仓库作为训练集对高压断路器故障诊断模型进行训练,以获得训练好的高压断路器故障诊断模型;
该步骤中,高压断路器故障诊断模型采用多深度神经网络,如图5所示,多深度神经网络包括多个结构相同的基分类器,每个基分类器包括输入层、隐藏层和输出层。
S300:持续采集待测高压断路器的实时运行数据并扩充至数据仓库,基于实时运行数据对训练好的高压断路器故障诊断模型持续进行在线训练,以对模型进行迭代优化。
该步骤中,获得训练好的高压断路器故障诊断模型后,利用Spark计算架构将该训练模型的基分类器分别部署在地区服务器集群的节点服务器上,最终在实际应用时,利用Spark架构的Reduce模块将基分类器的识别结果加权平均,得到最终故障诊断结果。
当对模型进行部署时,高压断路器故障诊断模型部署在地区服务器集群上,预训练数据库基于Hadoop分布式数据存储架被分配到存储服务器集群的各个节点。每当地区内的断路器动作,断路器的控制器都会将实时在线监测数据传输到模型服务器集群上,并输出故障诊断结果,并根据断路器位置的不同而将动作数据存储在不同的存储服务器节点。每经过一段时间,模型服务器集群都会从数据存储服务器集群中抽取自上次抽取以来数据库表中新增的或修改的数据,用于训练更新神经网络模型,从而实现模型的优化迭代。
以上,通过对模型进行持续的在线训练,提高了断路器实时运行数据的利用率,使故障诊断模型随时间持续优化更新,而且,由于在线训练采用增量的方式从实时运行数据中抽取训练数据,这种方式避免每次训练都使用数据库内的所有样本数据,提高了训练速度;并且,在数据存储空间有限的情况下,可以删除掉已经参与过增量抽取的数据,从而合理利用了算力资源,缓解了数据存储的压力。
另一个实施例中,步骤S200中,所述对高压断路器故障诊断模型进行训练包括如下步骤:
S201:将数据仓库划分为训练集、验证集和测试集;
S202:基于随机梯度下降算法,将训练集随机分割为若干小批量样本集,并输入模型进行前馈训练,基于交叉熵损失函数计算出训练误差;
该步骤中,所述交叉熵损失函数表示如下:
其中,x表示样本特征,y表示样本真实标签,w表示权重,N表示样本数量,M表示类别数量,dic表示符号函数,i表示样本,c表示类别,且如果i的真实类别为c,则取1,否则取0,pic表示样本i属于类别c的预测概率。
S203:基于训练误差计算交叉熵损失函数关于网络连接线权重的偏导数;
该步骤中,所述交叉熵损失函数关于网络连接线权重的偏导数通过下式计算:
S204:基于网络连接线权重的偏导数对网络连接线权重进行参数更新,更新完成后,模型训练完成;
该步骤中,通过下式对网络连接线权重进行参数更新:
其中,ε表示学习率。
S205:通过验证集对训练后的模型进行验证,若模型对于验证集的预测准确率达到90%,则验证通过,获得训练好的模型;否则对模型的超参数进行调整,如基分类器个数、神经网络层数、隐藏层神经元个数等等。
S206:通过测试集对训练好的模型进行测试,若模型对于测试集的预测准确率达到90%,则测试通过;否则对模型的超参数进行调整,如基分类器个数、神经网络层数、隐藏层神经元个数等等。
下面,本公开结合具体实施例对上述方法获得的技术效果进行描述。
以断路器合闸情况为例,数据集的特征向量有断路器操动线圈电流信号的八个时域特征和角位移信号的六个时域特征构成,标签有七类,包含了断路器正常运行状态、两种单一电气故障状态和四种单一机械故障状态,该数据集完全是由实验室中的断路器故障模拟试验获得。另外,根据训练数据使用单高斯分布模型生成同分布的样本数据。考虑以下两种情况:(1)使用试验数据作为训练集训练模型;(2)使用试验数据和生成数据构成的训练集训练模型。模型均采用相同结构的多深度神经网络,50次训练和测试的结果如图6所示,由图6可知,使用包含生成数据的训练集训练出的模型的准确率更高,稳定性更强。
进一步的,图7是迭代优化后的模型的测试误差曲线图,由图7可以看出,随着迭代优化次数的增加,测试误差呈下降趋势,说明通过持续采集断路器的实时运行数据对模型进行迭代优化,能够使得模型对于断路器的故障诊断越来越精确。
另一个实施例中,本公开还提供一种高压断路器故障诊断模型优化装置,包括:
构建模块,用于构建数据仓库;
训练模块,用于利用构建好的数据仓库作为训练集对高压断路器故障诊断模型进行训练,以获得训练好的高压断路器故障诊断模型;
采集模块,用于持续采集待测高压断路器的实时运行数据;
迭代优化模块,用于基于实时运行数据对训练好的高压断路器故障诊断模型持续进行在线训练,以对模型进行迭代优化。
上述对本申请中涉及的发明的一般性描述和对其具体实施方式的描述不应理解为是对该发明技术方案构成的限制。本领域所属技术人员根据本申请的公开,可以在不违背所涉及的发明构成要素的前提下,对上述一般性描述或/和具体实施方式(包括实施例)中的公开技术特征进行增加、减少或组合,形成属于本申请保护范围之内的其它的技术方案。
Claims (7)
1.一种高压断路器故障诊断模型优化方法,包括如下步骤:
S100:构建数据仓库;
S200:以构建好的数据仓库作为训练集对高压断路器故障诊断模型进行训练,以获得训练好的高压断路器故障诊断模型;
S300:持续采集待测高压断路器的实时运行数据并扩充至数据仓库,基于实时运行数据对训练好的高压断路器故障诊断模型持续进行在线训练,以对模型进行迭代优化。
2.根据权利要求1所述的方法,其中,优选的,步骤S200中,所述对高压断路器故障诊断模型进行训练包括如下步骤:
S201:将数据仓库划分为训练集、验证集和测试集;
S202:基于随机梯度下降算法,将训练集随机分割为若干小批量样本集,并输入模型进行前馈训练,基于交叉熵损失函数计算出训练误差;
S203:基于训练误差计算交叉熵损失函数关于网络连接线权重的偏导数;
S204:基于网络连接线权重的偏导数对网络连接线权重进行参数更新,更新完成后,模型训练完成;
S205:通过验证集对训练后的模型进行验证,若模型对于验证集的预测准确率达到90%,则验证通过,获得训练好的模型;否则对模型的超参数进行调整重新进行训练;
S206:通过测试集对训练好的模型进行测试,若模型对于测试集的预测准确率达到90%,则测试通过;否则对模型的超参数进行调整重新进行训练。
3.根据权利要求1所述的方法,其中,步骤S100中,所述数据仓库包括高压断路器的离线试验数据、仿真数据以及基于离线试验数据和仿真数据获得的生成信号数据。
7.一种高压断路器故障诊断模型优化装置,包括:
构建模块,用于构建数据仓库;
训练模块,用于利用构建好的数据仓库作为训练集对高压断路器故障诊断模型进行训练,以获得训练好的高压断路器故障诊断模型;
采集模块,用于持续采集待测高压断路器的实时运行数据;
迭代优化模块,用于基于实时运行数据对训练好的高压断路器故障诊断模型持续进行在线训练,以对模型进行迭代优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211186337.7A CN115456106A (zh) | 2022-09-27 | 2022-09-27 | 一种高压断路器故障诊断模型优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211186337.7A CN115456106A (zh) | 2022-09-27 | 2022-09-27 | 一种高压断路器故障诊断模型优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115456106A true CN115456106A (zh) | 2022-12-09 |
Family
ID=84307705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211186337.7A Pending CN115456106A (zh) | 2022-09-27 | 2022-09-27 | 一种高压断路器故障诊断模型优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115456106A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117872124A (zh) * | 2024-03-12 | 2024-04-12 | 杭州布雷科电气有限公司 | 基于神经网络的断路器离线测试系统及方法 |
-
2022
- 2022-09-27 CN CN202211186337.7A patent/CN115456106A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117872124A (zh) * | 2024-03-12 | 2024-04-12 | 杭州布雷科电气有限公司 | 基于神经网络的断路器离线测试系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | A novel data-driven approach for transient stability prediction of power systems considering the operational variability | |
CN109685138B (zh) | 一种xlpe电力电缆局部放电类型识别方法 | |
CN112051481B (zh) | 一种基于lstm的交直流混联电网故障区域诊断方法和系统 | |
Pan et al. | An approach for HVCB mechanical fault diagnosis based on a deep belief network and a transfer learning strategy | |
Wang et al. | Few-shot transfer learning with attention mechanism for high-voltage circuit breaker fault diagnosis | |
CN112200694B (zh) | 基于图神经网络的主导失稳模式识别模型构建及应用方法 | |
CN112069727B (zh) | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 | |
CN112330165A (zh) | 基于特征分离型神经网络的电网暂态稳定评估方法及系统 | |
CN116205265A (zh) | 一种基于深层神经网络的电网故障诊断方法及装置 | |
Kuo | Artificial recognition system for defective types of transformers by acoustic emission | |
CN115456106A (zh) | 一种高压断路器故障诊断模型优化方法 | |
Li et al. | Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy | |
Ogar et al. | The use of artificial neural network for low latency of fault detection and localisation in transmission line | |
CN109901064B (zh) | 基于ica-lvq的高压断路器故障诊断方法 | |
Harish et al. | Fault detection and classification for wide area backup protection of power transmission lines using weighted extreme learning machine | |
Shahriyari et al. | A Deep Learning-Based Approach for Comprehensive Rotor Angle Stability Assessment | |
Wong et al. | Fault diagnosis of induction motors under untrained loads with a feature adaptation and improved broad learning framework | |
CN114091549A (zh) | 一种基于深度残差网络的设备故障诊断方法 | |
CN112748330A (zh) | 基于分布式集成神经网络的高压断路器操作机构故障诊断方法及装置 | |
CN111488711A (zh) | 一种网络鲁棒性评估方法及系统 | |
Adhikari et al. | Real-Time Short-Term Voltage Stability Assessment using Temporal Convolutional Neural Network | |
Zhou et al. | Online identification of transient stability and unstable generators based on deep learning | |
Skoundrianos et al. | Modelling and FDI of dynamic discrete time systems using a MLP with a new sigmoidal activation function | |
Huang et al. | Partial discharge pattern recognition of switchgear based on residual convolutional neural network | |
Ma et al. | Research on Electrical and Mechanical Fault Diagnosis of High-Voltage Circuit Breaker Based on Multi-sensor Information Fusion |
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 |