CN115840119A - 利用数据库样本的电力电缆线路劣化诊断系统及方法 - Google Patents
利用数据库样本的电力电缆线路劣化诊断系统及方法 Download PDFInfo
- Publication number
- CN115840119A CN115840119A CN202310058393.0A CN202310058393A CN115840119A CN 115840119 A CN115840119 A CN 115840119A CN 202310058393 A CN202310058393 A CN 202310058393A CN 115840119 A CN115840119 A CN 115840119A
- Authority
- CN
- China
- Prior art keywords
- training
- neural network
- cable
- harmonic current
- convolutional neural
- 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
Landscapes
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了利用数据库样本的电力电缆线路劣化诊断系统及方法，方法包括：1)提取样本电缆的谐波电流特征，将针对样本电缆的专家评价数据作为标签对谐波电流特征进行标记，将标记后的谐波电流特征的集合分为训练集和测试集；2)构建专家评价数据对应的卷积神经网络，其中，专家评价数据对应的卷积神经网络包括输入层、若干个卷积层、最大值池化层以及输出层；3)将训练集输入专家评价数据对应的卷积神经网络，得到目标模型；4)收集待诊断电缆的谐波电流特征，并输入到目标模型中，得到待诊断电缆的劣化程度。应用本发明实施例，可以在不停电的情况下进行电缆电路绝缘劣化分析。
Description
技术领域
本发明涉及电力设施运维技术领域，更具体涉及利用数据库样本的电力电缆线路劣化诊断系统及方法。
背景技术
目前，电缆外部绝缘保护层使用的都是交联聚乙烯，但是由于使用年限的原因，部分电缆线路存在一定的老化，可能会发生因电缆绝缘劣化而引起的电缆本体劣化，制约着电缆线路的供电可靠性。因此，运行中的电缆绝缘劣化状况及寿命成为亟待评估的问题。
如申请号为202111047797.7的发明专利申请公开了一种基于介质声速评估电缆绝缘材料劣化状态的方法，涉及电缆劣化状态评估技术领域。该方法包括：选取与待评估电缆型号相同的已知运行年限的电缆，对其进行处理得到电缆切片试样；将试样加热到预设温度；利用脉冲电源给试样施加脉冲，对试样的电声脉冲波形进行实时数据采集；根据采集的数据计算试样在多个预设温度下的介质声速；绘制已知运行年限的电缆的运行年限、预设温度与介质声速的关系曲线；测量待评估电缆在工作温度下的介质声速，根据关系曲线得到待评估电缆的运行年限。本发明采用脉冲电源来测试电缆的电声脉冲波形，测试线路简单、测试方便、设备造价低，利用波形中的数据计算介质声速来实现对电缆本体状态的无损评估。
现有技术中的常规检测手段难以对带电运行中的电缆进行绝缘劣化分析及寿命预测，大多数绝缘劣化分析及寿命预测是在实验室中完成。同时，现有技术中电缆寿命的预测模式也比较单一，不具有概括性和可持续发展性，难以模拟出实际情况下电缆的真实情况。因此，如何在不停电的情况下进行电缆电路绝缘劣化分析是亟待解决的技术问题。
发明内容
本发明所要解决的技术问题在于提供了利用数据库样本的电力电缆线路劣化诊断系统及方法以在不停电的情况下进行电缆电路绝缘劣化分析。
本发明是通过以下技术方案解决上述技术问题的：
本发明提供了利用数据库样本的电力电缆线路劣化诊断方法，所述方法包括：
1)提取样本电缆的谐波电流特征，将针对样本电缆的专家评价数据作为标签对谐波电流特征进行标记，将标记后的谐波电流特征的集合分为训练集和测试集；
2)构建专家评价数据对应的卷积神经网络，其中，专家评价数据对应的卷积神经网络包括输入层、若干个卷积层、最大值池化层以及输出层；
3)将所述训练集输入所述专家评价数据对应的卷积神经网络，得到预训练模型；使用所述测试集测试预训练模型，根据测试结果调整训练参数重新训练，并返回执行所述将所述训练集输入所述专家评价数据对应的卷积神经网络步骤，直至专家评价数据对应的卷积神经网络收敛，得到目标模型；
4)收集待诊断电缆的谐波电流特征，并输入到目标模型中，得到待诊断电缆的劣化程度。
可选的，所述提取样本电缆的谐波电流特征，包括：
获取样本电缆的负荷时间分布，根据负荷时间分布确定出样本电缆的负荷峰值时刻；
采集负荷峰值时刻时的谐波电流特征。
可选的，所述提取样本电缆的谐波电流特征，包括：
获取样本电缆的负荷时间分布，根据负荷时间分布确定出样本电缆的负荷平均值；
采集负荷大于负荷平均值时段的谐波电流特征。
可选的，所述将针对样本电缆的专家评价数据作为标签对谐波电流特征进行标记，包括：
同步获取样本电缆的温度分布特征，将针对样本电缆的专家评价数据作为标签标记所述温度分布特征。
可选的，在获取样本电缆的温度分布特征时，所述方法还包括：
同步获取样本电缆的磁场分布特征，将针对样本电缆的专家评价数据作为标签标记所述磁场分布特征。
可选的，所述将标记后的谐波电流特征的集合分为训练集和测试集，包括：
使用颜色直方图均衡化、水平镜像翻转、高斯模糊和添加随机噪声的方法对标记后的谐波电流特征进行扩展，将扩展后的样本的集合分为训练集和测试集。
可选的，所述卷积神经网络的训练过程包括：
利用标记后的谐波电流特征训练样本训练卷积神经网络，并利用公式，
loss1为检测结果的谐波误差损失；S1为谐波电流特征数量；xi为第i个谐波电流特征对应的专家评价劣化指数；
为模型输出的第i个谐波电流特征对应的预测劣化指数；∑为求和函数；
在谐波误差损失低于设定阈值的情况下，得到第一预训练模型；
利用标记后的温度分布特征训练样本训练第一预训练模型，并利用公式，
计算当前次迭代时所述卷积神经网络的温度误差损失，其中，
loss2为检测结果的温度误差损失；S2为温度分布特征数量；yj为第j个温度分布特征对应的专家评价劣化指数；
为模型输出的第j个温度分布特征对应的预测劣化指数；
在温度误差损失低于设定阈值的情况下，得到第二预训练模型；
利用标记后的磁场分布特征训练样本训练第二预训练模型，并利用公式，
计算当前次迭代时所述卷积神经网络的磁场误差损失，其中，
loss3为检测结果的磁场误差损失；S3为谐波电流特征数量；zk为第k个磁场分布特征对应的专家评价劣化指数；
为模型输出的第k个磁场分布特征对应的预测劣化指数；/>
在磁场误差损失低于设定阈值的情况下，得到第三预训练模型；
利用公式，Loss＝λ1*loss1+λ2*loss2+loss3，计算当前次迭代的第三预训练模型的综合加权损失，直至综合加权损失收敛，得到目标模型，其中，
Loss为当前次迭代的卷积神经网络的综合加权损失；λ1为谐波电流特征对应的权重；λ2为温度分布特征对应的权重；
本发明提供了基于特征强化引导卷积神经网络的行人再识别系统，所述系统包括：
样本生成模块，用于提取样本电缆的谐波电流特征，将针对样本电缆的专家评价数据作为标签对谐波电流特征进行标记，将标记后的谐波电流特征的集合分为训练集和测试集；
训练模块，用于构建专家评价数据对应的卷积神经网络，其中，专家评价数据对应的卷积神经网络包括输入层、若干个卷积层、最大值池化层以及输出层；
将所述训练集输入所述专家评价数据对应的卷积神经网络，得到预训练模型；使用所述测试集测试预训练模型，根据测试结果调整训练参数重新训练，并返回执行所述将所述训练集输入所述专家评价数据对应的卷积神经网络步骤，直至专家评价数据对应的卷积神经网络收敛，得到目标模型；
输出模块，用于收集待诊断电缆的谐波电流特征，并输入到目标模型中，得到待诊断电缆的劣化程度。
本发明相比现有技术具有以下优点：
本发明通过谐波电流特征数据作为原始数据，并使用人工劣化评价数据作为样本的标签，进而得到谐波电流特征与电缆劣化之间的训练样本，然后使用神经网络模型学习训练样本中隐藏的谐波电流特征与电缆劣化之间的规律，在神经网络模型训练完成后，可以使用目标模型对待诊断电缆进行劣化程度评估，进而实现了在不停电的情况下进行电缆电路绝缘劣化分析的效果。
附图说明
图1为本发明实施例提供的利用数据库样本的电力电缆线路劣化诊断方法的流程示意图；
图2为本发明实施例提供的利用数据库样本的电力电缆线路劣化诊断系统的结构示意图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
通常谐波产生来自于三个方面：发电源质量不高产生谐波、输配电系统产生谐波、用电设备产生谐波。其中第三点是产生谐波的主要原因，例如非线性负载如：整流器、开关电源、UPS、变频器、逆变器等。如图1所示，设备产生的谐波。
首先，谐波会造成电缆介质损耗，输电损耗增大，泄漏电流上升，干式电缆局部放电增加，很可能引起单相接地故障。
而且，而且，由于电力电缆的分布电容对谐波电流有放大作用，在系统负荷低谷时，系统电压上升，谐波电压也相应升高。电缆的额定电压等级越高，谐波引起电缆介质不稳定的危险性越大，更容易发生故障。
再者，电缆线路损耗增加会使线路温度升高，因为导线外包有绝缘层与保护层，温度分析复杂，通过分析裸导体可判断导线温度。
最后，参照化学反应动力学反应速率方程可知，高分子材料具有热老化效应，主要表现为电缆随着温度的升高寿命急剧下降，电力电缆使用温度平均升高10℃，寿命仅为正常工作温度下的1/4。
因此，谐波会导致的过载及温度升高会影响电缆绝缘层的性能，因此，分析谐波可以一定程度上对电缆绝缘层的劣化状态进行诊断。
图1为本发明实施例提供的利用数据库样本的电力电缆线路劣化诊断方法的流程示意图，如图1所示，所述方法包括：
S101：提取样本电缆的谐波电流特征，将针对样本电缆的专家评价数据作为标签对谐波电流特征进行标记，将标记后的谐波电流特征的集合分为训练集和测试集。
示例性的，由于负荷峰值对电缆的绝缘要求较高，因此，可以获取样本电缆的负荷时间分布，根据负荷时间分布确定出样本电缆的负荷峰值时刻；采集负荷峰值时刻时的谐波电流特征，将峰值时刻对应的谐波电流特征作为样本数据。
另外，发明人考虑到电缆更多时间是在大载荷下的长期工作，其累积效应下产生的绝缘劣化更加严重，因此，还可以获取样本电缆的负荷时间分布，根据负荷时间分布确定出样本电缆的负荷平均值；采集负荷大于负荷平均值时段的谐波电流特征。例如，样本电缆在24小时内共计输出12000kWh的电量，电压为110kV，对应的平均负荷，即平均功率为500kW，在9:00:00-3:00:00时段内的平均负荷大于500kW，则采样9:00:00-3:00:00时段的谐波电流特征即可。
类似的，绝缘劣化还会导致电缆局部发热严重，以及局部放电；局部发热会改变样本电缆的温度分布，局部放电会改变电缆的磁场分布。因此，可以同步获取样本电缆的温度分布特征，将针对样本电缆的专家评价数据作为标签标记所述温度分布特征。同步获取样本电缆的磁场分布特征，将针对样本电缆的专家评价数据作为标签标记所述磁场分布特征。
应用本发明实施例，从谐波、温度、磁场的角度多角度评估电缆的结缘劣化程度，进一步提高了评估的准确性。
在本步骤的一种具体实施方式中，还可以使用颜色直方图均衡化、水平镜像翻转、高斯模糊和添加随机噪声的方法对标记后的谐波电流特征进行扩展，将扩展后的样本的集合分为训练集和测试集。
S102：构建专家评价数据对应的卷积神经网络，其中，专家评价数据对应的卷积神经网络包括输入层、若干个卷积层、最大值池化层以及输出层。
具体的，卷积神经网络包含六个由3*3卷积层、ReLU激活层和BatchNorm标准化层组成的卷积单元。
最大值池化层有三个，在实际应用中，每一个最大值池化层后面还可以插入一个反向传播sigmoid层；sigmoid层后为输出层。
卷积神经网络中的权重不是预先设定的，而是根据网络训练迭代自助生成，自主选择权重，并且分别与不同层次的特征映射做点乘，以达到持续引导整个网络的特征增强学习的设计目的，特别是引导整个网络对于细节的学习。从而让专家评价数据网络更加关注于电缆劣化的特征，避免背景干扰的同时加强了对不同场景的适应能力。
S103：将所述训练集输入所述专家评价数据对应的卷积神经网络，得到预训练模型；使用所述测试集测试预训练模型，根据测试结果调整训练参数重新训练，并返回执行所述将所述训练集输入所述专家评价数据对应的卷积神经网络步骤，直至专家评价数据对应的卷积神经网络收敛，得到目标模型。
具体的，设定学习策略以及训练参数，使用训练集训练所述卷积神经网络的训练过程可以为：
利用标记后的谐波电流特征训练样本训练卷积神经网络，并利用公式，
loss1为检测结果的谐波误差损失；S1为谐波电流特征数量；xi为第i个谐波电流特征对应的专家评价劣化指数；
为模型输出的第i个谐波电流特征对应的预测劣化指数；∑为求和函数；
在谐波误差损失低于设定阈值的情况下，得到第一预训练模型；
利用标记后的温度分布特征训练样本训练第一预训练模型，并利用公式，
计算当前次迭代时所述卷积神经网络的温度误差损失，其中，
loss2为检测结果的温度误差损失；S2为温度分布特征数量；yj为第j个温度分布特征对应的专家评价劣化指数；
为模型输出的第j个温度分布特征对应的预测劣化指数；
在温度误差损失低于设定阈值的情况下，得到第二预训练模型；
利用标记后的磁场分布特征训练样本训练第二预训练模型，并利用公式，
计算当前次迭代时所述卷积神经网络的磁场误差损失，其中，
loss3为检测结果的磁场误差损失；S3为谐波电流特征数量；zk为第k个磁场分布特征对应的专家评价劣化指数；
为模型输出的第k个磁场分布特征对应的预测劣化指数；
在磁场误差损失低于设定阈值的情况下，得到第三预训练模型；
利用公式，Loss＝λ1*loss1+λ2*loss2+loss3，计算当前次迭代的第三预训练模型的综合加权损失，直至综合加权损失收敛，得到目标模型，其中，
Loss为当前次迭代的卷积神经网络的综合加权损失；λ1为谐波电流特征对应的权重；λ2为温度分布特征对应的权重；
通常情况下，训练参数也被成为超参数，需要调整的训练参数包括：神经网络模型训练的学习率、批次大小、学习策略、最大的迭代次数、激活函数。具体来说，可以根据根据实际情况来调整批次大小；学习率应该调小以重新学习新的数据；学习策略不变或尝试其他策略；最大的迭代次数应减少。可以理解的是，调整的目的是为了在训练中使新的模型在性能上达到最优。
再用步骤S101中的训练集步骤中训练调整训练参数后的预训练模型，根据预训练模型在测试集上的测试结果以及训练过程中神经网络损失变化情况调整训练参数以及网络参数继续训练。
重复上述步骤，直至获得最佳预训练模型，即直至得到的预训练模型在验证集行人数据上测试的结果达到要求，或者训练过程中神经网络损失收敛的一定范围之内。
在实际应用中，设定阈值可以为确定的值，也可以为动态调节的值，该值的大小一般取决于待诊断电缆的工作环境，在工作环境要求较高时，可以使用较小的阈值，在工作环境要求较低时，可以使用较大的阈值。
S104：收集待诊断电缆的谐波电流特征，并输入到目标模型中，得到待诊断电缆的劣化程度。
然后，收集待诊断电缆的谐波电流特征，使用目标模型进行绝缘劣化预测，输出绝缘层劣化程度，在劣化程度较高时，可更换电缆或者对电缆进行绝缘处理。
进一步的，还可以收集待诊断电缆的谐波电流特征、温度分布特征、磁场分布特征，使用目标模型进行绝缘劣化预测，输出绝缘层劣化程度，在劣化程度较高时，可更换电缆或者对电缆进行绝缘处理。
本发明通过谐波电流特征数据作为原始数据，并使用人工劣化评价数据作为样本的标签，进而得到谐波电流特征与电缆劣化之间的训练样本，然后使用神经网络模型学习训练样本中隐藏的谐波电流特征与电缆劣化之间的规律，在神经网络模型训练完成后，可以使用目标模型对待诊断电缆进行劣化程度评估，进而实现了在不停电的情况下进行电缆电路绝缘劣化分析的效果。
最后，高压电缆一般不能停电，因此，本发明实施例可以避免高压电缆停电，避免了对用户用电的影响，同时还可以使输配电企业不间断供电，提高了输配电企业的效益。
实施例2
图2为本发明实施例提供的利用数据库样本的电力电缆线路劣化诊断系统的结构示意图，如图2所示，对应于本发明实施例1，本发明实施例2提供了基于特征强化引导卷积神经网络的行人再识别系统，所述系统包括：
样本生成模块201，用于提取样本电缆的谐波电流特征，将针对样本电缆的专家评价数据作为标签对谐波电流特征进行标记，将标记后的谐波电流特征的集合分为训练集和测试集；
训练模块202，用于构建专家评价数据对应的卷积神经网络，其中，专家评价数据对应的卷积神经网络包括输入层、若干个卷积层、最大值池化层以及输出层；
将所述训练集输入所述专家评价数据对应的卷积神经网络，得到预训练模型；使用所述测试集测试预训练模型，根据测试结果调整训练参数重新训练，并返回执行所述将所述训练集输入所述专家评价数据对应的卷积神经网络步骤，直至专家评价数据对应的卷积神经网络收敛，得到目标模型；
输出模块203，用于收集待诊断电缆的谐波电流特征，并输入到目标模型中，得到待诊断电缆的劣化程度。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.利用数据库样本的电力电缆线路劣化诊断方法，其特征在于，所述方法包括：
1)提取样本电缆的谐波电流特征，将针对样本电缆的专家评价数据作为标签对谐波电流特征进行标记，将标记后的谐波电流特征的集合分为训练集和测试集；
2)构建专家评价数据对应的卷积神经网络，其中，专家评价数据对应的卷积神经网络包括输入层、若干个卷积层、最大值池化层以及输出层；
3)将所述训练集输入所述专家评价数据对应的卷积神经网络，得到预训练模型；使用所述测试集测试预训练模型，根据测试结果调整训练参数重新训练，并返回执行所述将所述训练集输入所述专家评价数据对应的卷积神经网络步骤，直至专家评价数据对应的卷积神经网络收敛，得到目标模型；
4)收集待诊断电缆的谐波电流特征，并输入到目标模型中，得到待诊断电缆的劣化程度。
2.根据权利要求1所述的基于特征强化引导卷积神经网络的行人再识别方法，其特征在于，所述提取样本电缆的谐波电流特征，包括：
获取样本电缆的负荷时间分布，根据负荷时间分布确定出样本电缆的负荷峰值时刻；
采集负荷峰值时刻时的谐波电流特征。
3.根据权利要求1所述的基于特征强化引导卷积神经网络的行人再识别方法，其特征在于，所述提取样本电缆的谐波电流特征，包括：
获取样本电缆的负荷时间分布，根据负荷时间分布确定出样本电缆的负荷平均值；
采集负荷大于负荷平均值时段的谐波电流特征。
4.根据权利要求1所述的基于特征强化引导卷积神经网络的行人再识别方法，其特征在于，所述将针对样本电缆的专家评价数据作为标签对谐波电流特征进行标记，包括：
同步获取样本电缆的温度分布特征，将针对样本电缆的专家评价数据作为标签标记所述温度分布特征。
5.根据权利要求4所述的基于特征强化引导卷积神经网络的行人再识别方法，其特征在于，在获取样本电缆的温度分布特征时，所述方法还包括：
同步获取样本电缆的磁场分布特征，将针对样本电缆的专家评价数据作为标签标记所述磁场分布特征。
6.根据权利要求5所述的基于特征强化引导卷积神经网络的行人再识别方法，其特征在于，所述将标记后的谐波电流特征的集合分为训练集和测试集，包括：
使用颜色直方图均衡化、水平镜像翻转、高斯模糊和添加随机噪声的方法对标记后的谐波电流特征进行扩展，将扩展后的样本的集合分为训练集和测试集。
7.根据权利要求5所述的基于特征强化引导卷积神经网络的行人再识别方法，其特征在于，所述卷积神经网络的训练过程包括：
利用标记后的谐波电流特征训练样本训练卷积神经网络，并利用公式，
loss1为检测结果的谐波误差损失；S1为谐波电流特征数量；xi为第i个谐波电流特征对应的专家评价劣化指数；
为模型输出的第i个谐波电流特征对应的预测劣化指数；∑为求和函数；
在谐波误差损失低于设定阈值的情况下，得到第一预训练模型；
利用标记后的温度分布特征训练样本训练第一预训练模型，并利用公式，
计算当前次迭代时所述卷积神经网络的温度误差损失，其中，
loss2为检测结果的温度误差损失；S2为温度分布特征数量；yj为第j个温度分布特征对应的专家评价劣化指数；
为模型输出的第j个温度分布特征对应的预测劣化指数；
在温度误差损失低于设定阈值的情况下，得到第二预训练模型；
利用标记后的磁场分布特征训练样本训练第二预训练模型，并利用公式，
计算当前次迭代时所述卷积神经网络的磁场误差损失，其中，
loss3为检测结果的磁场误差损失；S3为谐波电流特征数量；zk为第k个磁场分布特征对应的专家评价劣化指数；
为模型输出的第k个磁场分布特征对应的预测劣化指数；
在磁场误差损失低于设定阈值的情况下，得到第三预训练模型；
利用公式，Loss＝λ1*loss1+λ2*loss2+loss3，计算当前次迭代的第三预训练模型的综合加权损失，直至综合加权损失收敛，得到目标模型，其中，
Loss为当前次迭代的卷积神经网络的综合加权损失；λ1为谐波电流特征对应的权重；λ2为温度分布特征对应的权重。
8.基于特征强化引导卷积神经网络的行人再识别系统，其特征在于，所述系统包括：
样本生成模块，用于提取样本电缆的谐波电流特征，将针对样本电缆的专家评价数据作为标签对谐波电流特征进行标记，将标记后的谐波电流特征的集合分为训练集和测试集；
训练模块，用于构建专家评价数据对应的卷积神经网络，其中，专家评价数据对应的卷积神经网络包括输入层、若干个卷积层、最大值池化层以及输出层；
将所述训练集输入所述专家评价数据对应的卷积神经网络，得到预训练模型；使用所述测试集测试预训练模型，根据测试结果调整训练参数重新训练，并返回执行所述将所述训练集输入所述专家评价数据对应的卷积神经网络步骤，直至专家评价数据对应的卷积神经网络收敛，得到目标模型；
输出模块，用于收集待诊断电缆的谐波电流特征，并输入到目标模型中，得到待诊断电缆的劣化程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310058393.0A CN115840119A (zh) | 2023-01-13 | 2023-01-13 | 利用数据库样本的电力电缆线路劣化诊断系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310058393.0A CN115840119A (zh) | 2023-01-13 | 2023-01-13 | 利用数据库样本的电力电缆线路劣化诊断系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115840119A true CN115840119A (zh) | 2023-03-24 |
Family
ID=85579555
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310058393.0A Pending CN115840119A (zh) | 2023-01-13 | 2023-01-13 | 利用数据库样本的电力电缆线路劣化诊断系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115840119A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117309624A (zh) * | 2023-11-30 | 2023-12-29 | 天津天大求实电力新技术股份有限公司 | 一种感温电缆性能评价方法及系统 |
| CN117420006A (zh) * | 2023-10-18 | 2024-01-19 | 句容市家天下网络科技有限公司 | 使用神经网络的电缆破损评估系统 |
-
2023
- 2023-01-13 CN CN202310058393.0A patent/CN115840119A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117420006A (zh) * | 2023-10-18 | 2024-01-19 | 句容市家天下网络科技有限公司 | 使用神经网络的电缆破损评估系统 |
| CN117309624A (zh) * | 2023-11-30 | 2023-12-29 | 天津天大求实电力新技术股份有限公司 | 一种感温电缆性能评价方法及系统 |
| CN117309624B (zh) * | 2023-11-30 | 2024-02-06 | 天津天大求实电力新技术股份有限公司 | 一种感温电缆性能评价方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115840119A (zh) | 利用数据库样本的电力电缆线路劣化诊断系统及方法 | |
| CN112578312B (zh) | 基于鲸鱼算法优化极限学习机的微电网故障诊断方法 | |
| CN113009349B (zh) | 一种基于深度学习模型的锂离子电池健康状态诊断方法 | |
| CN109543317B (zh) | 一种pemfc剩余使用寿命预测的方法及装置 | |
| Abdel-Nasser et al. | A novel smart grid state estimation method based on neural networks | |
| CN106126944B (zh) | 一种电力变压器顶层油温区间预测方法及系统 | |
| CN111832221B (zh) | 基于特征筛选的锂电池寿命预测方法 | |
| Rao et al. | Dropout and pruned neural networks for fault classification in photovoltaic arrays | |
| CN112288147B (zh) | 一种BP-Adaboost强预测器预测发电机定子绝缘状态的方法 | |
| Guomin et al. | Deep learning‐based fault location of DC distribution networks | |
| CN109992911B (zh) | 基于极限学习机和iv特性的光伏组件快速建模方法 | |
| Coban et al. | Artificial neural network based fault location on 230 kv transmission line using voltage and current signals | |
| CN116383658A (zh) | 一种基于bp神经网络的太阳能电池板故障诊断方法及装置 | |
| Liu et al. | Experiment‐based supervised learning approach toward condition monitoring of PV array mismatch | |
| CN116307269B (zh) | 一种基于人工智能的光伏发电功率预测方法及装置 | |
| CN113791351A (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
| CN107204741B (zh) | 一种确定环境参数的方法和装置 | |
| Xue et al. | Remaining useful life estimation for proton exchange membrane fuel cell based on extreme learning machine | |
| CN117236744A (zh) | 一种考虑多谐波源的谐波影响评估方法 | |
| CN115313329A (zh) | 一种用于快速行波保护的频带范围选取方法及相关装置 | |
| CN113537821A (zh) | 一种电力系统状态的快速评估方法及系统 | |
| Xiong et al. | Cost prediction on fabricated substation considering support vector machine via optimized quantum particle swarm optimization | |
| CN112782603A (zh) | 一种基于区间截尾数据的锂离子电池循环寿命分布拟合方法 | |
| Tian et al. | Fusion modeling for wind power forecasting based on redundant method elimination | |
| Zhang et al. | Photovoltaic DC arc fault detection method based on deep residual shrinkage network |
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 |