CN115935814A - 一种基于arima-svm模型的变压器故障预测方法 - Google Patents
一种基于arima-svm模型的变压器故障预测方法 Download PDFInfo
- Publication number
- CN115935814A CN115935814A CN202211510891.6A CN202211510891A CN115935814A CN 115935814 A CN115935814 A CN 115935814A CN 202211510891 A CN202211510891 A CN 202211510891A CN 115935814 A CN115935814 A CN 115935814A
- Authority
- CN
- China
- Prior art keywords
- model
- transformer
- dissolved gas
- arima
- transformer fault
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012706 support-vector machine Methods 0.000 claims abstract description 36
- 230000002068 genetic effect Effects 0.000 claims abstract description 15
- 238000010845 search algorithm Methods 0.000 claims abstract description 8
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract 5
- 230000000694 effects Effects 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 5
- 238000010891 electric arc Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013021 overheating Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- Housings And Mounting Of Transformers (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明主要是为了解决现有的变压器故障预测算法准确率不高的问题,公开了一种基于ARIMA‑SVM模型的变压器故障预测方法,包括:1)数据获取和预处理;2)基于时间序列中的ARIMA模型,构建变压器油中溶解气体含量预测模型,预测油中溶解气体的含量;3)基于支持向量机,构建变压器故障预测模型,对预测出的油中溶解气体含量进行诊断实现变压器故障预测。本发明实现对变压器故障的早期预警,对保证电力系统的正常运行具有重要意义;采用遗传算法对ARIMA模型参数进行定阶,利用网格搜索算法对SVM模型参数进行优化,与现有的变压器故障预测算法相比,具有更高的准确率。
Description
技术领域
本发明涉及变压器技术领域,具体涉及一种基于ARIMA-SVM模型的变压器故障预测方法。
背景技术
变压器作为电能转换的核心设备,一旦发生故障,将会造成巨大的经济损失和严重的社会影响,如果能在变压器故障发生前将其预测出来并及时采取措施,将会很大程度上避免事故的发生。因此,变压器故障预测研究对于提高其可靠运行具有重要意义。油中溶解气体含量与变压器的运行状态紧密相关,研究表明油中溶解气体的变化趋势可通过历史数据分析及数据模型进行预测,以进一步表征其与变压器运行状态变化及故障模式的密切联系。目前,有很多预测算法已经应用在变压器油中溶解气体的预测方面,例如:回归分析、最小二乘法、灰色预测、马尔科夫预测、神经网络、支持向量机等。但上述变压器故障预测算法准确率不高,无法可靠保证电力系统的稳定运行。
时间序列预测模型可以用来对变压器油中溶解气体进行预测,但是预测出油中溶解气体依旧无法确定变压器的运行状态,传统的三比值诊断法、大卫三角形法只能对故障状态的油中溶解气体进行诊断,预测出的油中溶解气体所对应的变压器状态可能是正常状态,所以传统的诊断方法无法用于变压器故障预测。支持向量机(support vectormachine,SVM)是在统计学习理论基础上发展起来的一种新的学习方法,通过结构风险最小化原理提高泛化能力,较好地解决了现有智能方法应用中小样本、非线性、高维数和局部极小点等实际问题,可以对故障状态以及正常状态进行很好的分类。因此,考虑将时间序列预测模型与支持向量机结合,对变压器油中溶解气体进行预测并诊断,以实现变压器故障预测。
发明内容
本发明主要是为了解决现有的变压器故障预测算法准确率不高的问题,提供了一种基于ARIMA-SVM模型的变压器故障预测方法,采用遗传算法对ARIMA模型参数进行定阶,构建变压器油中溶解气体含量预测模型,并利用网格搜索算法优化SVM模型参数,构建变压器故障预测模型,对预测出的油中溶解气体含量进行诊断,达到故障预测目的。本发明实现对变压器故障的早期预警,对保证电力系统的正常运行具有重要意义;与现有的变压器故障预测算法相比,具有更高的准确率。
为了实现上述目的,本发明采用以下技术方案。
一种基于ARIMA-SVM模型的变压器故障预测方法,包括以下步骤:
步骤S1:数据获取和预处理;
步骤S2:基于时间序列中的ARIMA模型,构建变压器油中溶解气体含量预测模型,预测油中溶解气体的含量;
步骤S3:基于支持向量机,构建变压器故障预测模型,对预测出的油中溶解气体含量进行诊断实现变压器故障预测;
本发明提出了一种基于ARIMA-SVM模型的变压器故障预测方法,首先以时间序列分析中的自回归积分滑动平均模型(ARIMA)为基础,采用遗传算法(GA)对ARIMA模型参数p和q进行定阶,并利用定阶后的时间序列模型(即变压器油中溶解气体含量预测模型)对变压器油中溶解气体含量进行预测;然后利用网格搜索算法(GS)优化SVM模型,构建变压器故障预测模型,对预测出的油中溶解气体含量进行诊断,实现对变压器故障的早期预警,对保证电力系统的正常运行具有重要意义;运行结果表明准确率可达89.66%,与现有的变压器故障预测算法相比,具有更高的准确率。
作为优选,所述步骤S1的具体过程,包括以下步骤:
步骤S11:获取变压器油中溶解气体;
步骤S12:将获取的变压器油中溶解气体分为多个原始时间序列;
步骤S13:对原始时间序列进行差分处理直至序列平稳,获得稳定时间序列;
数据处理则是将获取的变压器油中溶解气体分为7个原始时间序列,对7个原始时间序列进行差分处理,根据Daniel检验,计算出变压器油中溶解气体原始数据序列的自相关系数和偏相关系数来检验该序列是否为平稳的序列,若为非平稳序列则继续差分直至序列稳定。
作为优选,所述步骤S2的具体过程,包括以下步骤:
步骤S21:将稳定时间序列作为ARIMA模型的输入;
步骤S22:采用遗传算法对ARIMA 模型参数p和q进行定阶,确定最优参数p和q;
步骤S23:基于最优参数p和q,构建最优的变压器油中溶解气体含量预测模型;
步骤S24:利用变压器油中溶解气体含量预测模型对变压器油中溶解气体的含量进行预测;油中溶解气体预测是将稳定的时间序列作为ARIMA模型的输入,利用遗传算法对ARIMA模型进行定阶,确定最优阶数p和q,构建时间序列ARIMA预测模型(即变压器油中溶解气体含量预测模型),最后利用时间序列ARIMA预测模型对变压器油中溶解气体进行预测。基于遗传时间序列预测模型对于变化较为平缓的气体具有更好的预测精度。
作为优选,所述步骤S21的具体过程,包括以下步骤:
步骤S211:设定遗传算法的基本参数,包括群体规模、交叉概率、变异概率、迭代次数、个体形式和个体长度;
步骤S212:结合距离比误差衡量准则E和模型优劣衡量准则A,确定适应度函数,公式如下:
其中,N为数据个数;x(i)为油中溶解气体体积分数实际值;为油中溶解气体体积分数实际值的平均值;为油中溶解气体体积分数预测值;为σ2的估计,与p和q有关。适应度函数越大,表明预测效果越好,符合遗传算法的运算规律。
作为优选,所述步骤S3的具体过程,包括以下步骤:
步骤S31:以二叉树为基础,建立k-1个SVM分类器,k为变压器故障类型总数;
步骤S32:采用网格搜索算法优化SVM模型参数;
步骤S33:使用数据集训练优化后的SVM模型,获得变压器故障预测模型;
步骤S34:利用变压器故障预测模型对预测出的变压器油中溶解气体含量进行诊断;
针对变压器故障为多类故障,本发明以二叉树为基础,对6类故障,建立(k–1=5)个SVM分类器,k为故障类型总数;采用网格寻优算法对参数进行选择;通过公开的IEC TC10数据集和公开论文中的数据集对SVM模型进行训练;最后利用训练好的模型(即变压器故障预测模型)对预测出来的油中溶解气体进行诊断,从而达到变压器故障预测的目的。支持向量机作为智能诊断方法,采用的核函数和结构风险最小化原则使其在解决小样本分类问题上具有独特的优势,应用支持向量机进行变压器故障诊断即可针对变压器小样本数据特点进行处理,解决了传统诊断方法存在的不足。
作为优选,所述步骤S32的具体过程,包括以下步骤:
步骤S321:根据经验确定搜索空间和搜索步长;
步骤S322:根据设置的搜索空间和搜索步长,顺着参数的不同方向生成网格,网格节点即参数组;
步骤S323:针对每个节点,评价其在该节点下的分类准确度,并选取最高分类准确度的节点;
步骤S324:输出最优节点参数组为SVM最优参数;
支持向量机惩罚参数C和核参数g的选择是提高支持向量机分类的关键。网格搜索算法(grid search,GS)是目前使用最为广泛的SVM参数优化算法之一。网格搜索算法的主要思路是在待搜索的参数空间内,根据设置的搜索步长将该空间进行网格划分并对网格中每一个节点进行参数组取值,然后将各参数组代入SVM中,利用参数评价方式对其进行评估,最后将能够使SVM达到最优性能的参数组确定为最终参数。
作为优选,所述变压器故障类型包括正常状态、中低温过热、高温过热、高能放电、低能放电和电弧放电。
作为优选,步骤S212中,所述距离比误差衡量准则E表达公式为:
其中,E越小表示模型预测效果越好,E=0表示达到了理想的效果。利用油中溶解气体体积分数的预测值与油中溶解气体体积分数实际值的距离与所有真实数据之间的距离比来衡量误差,简称距离比误差衡量准则,用E表示。
作为优选,步骤S212中,所述模型优劣衡量准则A表达公式为:
其中,A越小表示模型预测效果越好。利用AIC衡量模型优劣,A为模型拟合的优良性。
因此,本发明的优点是:
(1)实现对变压器故障的早期预警,对保证电力系统的正常运行具有重要意义;运行结果表明准确率可达89.66%,与现有的变压器故障预测算法相比,具有更高的准确率;
(2)基于遗传时间序列预测模型,对于变化较为平缓的气体具有更好的预测精度;
(3)应用支持向量机进行变压器故障诊断即可针对变压器小样本数据特点进行处理,解决了传统诊断方法存在的不足。
附图说明
图1是本发明实施例中一种基于ARIMA-SVM模型的变压器故障预测方法的流程图。
图2是本发明实施例中数据获取和预处理的流程图。
图3是本发明实施例中基于变压器油中溶解气体含量预测模型预测变压器油中溶解气体含量的流程图。
图4是本发明实施例中基于变压器故障预测模型预测变压器故障的流程图。
具体实施方式
下面结合附图与具体实施方式对本发明做进一步的描述。
一种基于ARIMA-SVM模型的变压器故障预测方法,如图1所示,包括以下步骤:
步骤S1:数据获取和预处理;
步骤S2:基于时间序列中的ARIMA模型,构建变压器油中溶解气体含量预测模型,预测油中溶解气体的含量;
步骤S3:基于支持向量机,构建变压器故障预测模型,对预测出的油中溶解气体含量进行诊断实现变压器故障预测;
本发明提出了一种基于ARIMA-SVM模型的变压器故障预测方法,首先以时间序列分析中的自回归积分滑动平均模型(ARIMA)为基础,采用遗传算法(GA)对ARIMA模型参数p和q进行定阶,并利用定阶后的时间序列模型(即变压器油中溶解气体含量预测模型)对变压器油中溶解气体含量进行预测;然后利用网格搜索算法(GS)优化SVM模型,构建变压器故障预测模型,对预测出的油中溶解气体含量进行诊断,实现对变压器故障的早期预警。
步骤S1的具体过程,如图2所示,包括以下步骤:
步骤S11:获取变压器油中溶解气体;
步骤S12:将获取的变压器油中溶解气体分为多个原始时间序列;
步骤S13:对原始时间序列进行差分处理直至序列平稳,获得稳定时间序列;
数据处理则是将获取的变压器油中溶解气体分为7个原始时间序列,对7个原始时间序列进行差分处理,根据Daniel检验,计算出变压器油中溶解气体原始数据序列的自相关系数和偏相关系数来检验该序列是否为平稳的序列,若为非平稳序列则继续差分直至序列稳定。
步骤S2的具体过程,如图3所示,包括以下步骤:
步骤S21:将稳定时间序列作为ARIMA模型的输入;
步骤S22:采用遗传算法对ARIMA模型参数p和q进行定阶,确定最优参数p和q;
步骤S23:基于最优参数p和q,构建最优的变压器油中溶解气体含量预测模型;
步骤S24:利用变压器油中溶解气体含量预测模型对变压器油中溶解气体的含量进行预测;油中溶解气体预测是将稳定的时间序列作为ARIMA模型的输入,利用遗传算法对ARIMA模型进行定阶,确定最优阶数p和q,构建时间序列ARIMA预测模型(即变压器油中溶解气体含量预测模型),最后利用时间序列ARIMA预测模型对变压器油中溶解气体进行预测。
步骤S21的具体过程,包括以下步骤:
步骤S211:设定遗传算法的基本参数,包括群体规模、交叉概率、变异概率、迭代次数、个体形式和个体长度;
步骤S212:结合距离比误差衡量准则E和模型优劣衡量准则A,确定适应度函数,公式如下:
其中,N为数据个数;x(i)为油中溶解气体体积分数实际值;为油中溶解气体体积分数实际值的平均值;为油中溶解气体体积分数预测值;为σ2的估计,与p和q有关。适应度函数越大,表明预测效果越好,符合遗传算法的运算规律。
步骤S3的具体过程,如图4所示,包括以下步骤:
步骤S31:以二叉树为基础,建立k-1个SVM分类器,k为变压器故障类型总数;
步骤S32:采用网格搜索算法优化SVM模型参数;
步骤S33:使用数据集训练优化后的SVM模型,获得变压器故障预测模型;
步骤S34:利用变压器故障预测模型对预测出的变压器油中溶解气体含量进行诊断;
针对变压器故障为多类故障,本发明以二叉树为基础,对6类故障,建立(k–1=5)个SVM分类器,k为故障类型总数;采用网格寻优算法对参数进行选择;通过公开的IEC TC10数据集和公开论文中的数据集对SVM模型进行训练;最后利用训练好的模型(即变压器故障预测模型)对预测出来的油中溶解气体进行诊断,从而达到变压器故障预测的目的。
步骤S32的具体过程,包括以下步骤:
步骤S321:根据经验确定搜索空间和搜索步长;
步骤S322:根据设置的搜索空间和搜索步长,顺着参数的不同方向生成网格,网格节点即参数组;
步骤S323:针对每个节点,评价其在该节点下的分类准确度,并选取最高分类准确度的节点;
步骤S324:输出最优节点参数组为SVM最优参数;
支持向量机惩罚参数C和核参数g的选择是提高支持向量机分类的关键。网格搜索算法(grid search,GS)是目前使用最为广泛的SVM参数优化算法之一。网格搜索算法的主要思路是在待搜索的参数空间内,根据设置的搜索步长将该空间进行网格划分并对网格中每一个节点进行参数组取值,然后将各参数组代入SVM中,利用参数评价方式对其进行评估,最后将能够使SVM达到最优性能的参数组确定为最终参数。
变压器故障类型包括正常状态、中低温过热、高温过热、高能放电、低能放电和电弧放电。
步骤S212中,距离比误差衡量准则E表达公式为:
其中,E越小表示模型预测效果越好,E=0表示达到了理想的效果。利用油中溶解气体体积分数的预测值与油中溶解气体体积分数实际值的距离与所有真实数据之间的距离比来衡量误差,简称距离比误差衡量准则,用E表示。
步骤S212中,模型优劣衡量准则A表达公式为:
其中,A越小表示模型预测效果越好。利用AIC衡量模型优劣,A为模型拟合的优良性。
以上内容,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种基于ARIMA-SVM模型的变压器故障预测方法,其特征在于,包括以下步骤:
步骤S1:数据获取和预处理;
步骤S2:基于时间序列中的ARIMA模型,构建变压器油中溶解气体含量预测模型,预测油中溶解气体的含量;
步骤S3:基于支持向量机,构建变压器故障预测模型,对预测出的油中溶解气体含量进行诊断实现变压器故障预测。
2.根据权利要求1所述的一种基于ARIMA-SVM模型的变压器故障预测方法,其特征在于,所述步骤S1的具体过程,包括以下步骤:
步骤S11:获取变压器油中溶解气体;
步骤S12:将获取的变压器油中溶解气体分为多个原始时间序列;
步骤S13:对原始时间序列进行差分处理直至序列平稳,获得稳定时间序列。
3.根据权利要求2所述的一种基于ARIMA-SVM模型的变压器故障预测方法,其特征在于,所述步骤S2的具体过程,包括以下步骤:
步骤S21:将稳定时间序列作为ARIMA模型的输入;
步骤S22:采用遗传算法对ARIMA模型参数p和q进行定阶,确定最优参数p和q;
步骤S23:基于最优参数p和q,构建最优的变压器油中溶解气体含量预测模型;
步骤S24:利用变压器油中溶解气体含量预测模型对变压器油中溶解气体的含量进行预测。
5.根据权利要求1所述的一种基于ARIMA-SVM模型的变压器故障预测方法,其特征在于,所述步骤S3的具体过程,包括以下步骤:
步骤S31:以二叉树为基础,建立k-1个SVM分类器,k为变压器故障类型总数;
步骤S32:采用网格搜索算法优化SVM模型参数;
步骤S33:使用数据集训练优化后的SVM模型,获得变压器故障预测模型;
步骤S34:利用变压器故障预测模型对预测出的变压器油中溶解气体含量进行诊断。
6.根据权利要求5所述的一种基于ARIMA-SVM模型的变压器故障预测方法,其特征在于,所述步骤S32的具体过程,包括以下步骤:
步骤S321:根据经验确定搜索空间和搜索步长;
步骤S322:根据设置的搜索空间和搜索步长,顺着参数的不同方向生成网格,网格节点即参数组;
步骤S323:针对每个节点,评价其在该节点下的分类准确度,并选取最高分类准确度的节点;
步骤S324:输出最优节点参数组为SVM最优参数。
7.根据权利要求5或6所述的一种基于ARIMA-SVM模型的变压器故障预测方法,其特征在于,所述变压器故障类型包括正常状态、中低温过热、高温过热、高能放电、低能放电和电弧放电。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211510891.6A CN115935814A (zh) | 2022-11-29 | 2022-11-29 | 一种基于arima-svm模型的变压器故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211510891.6A CN115935814A (zh) | 2022-11-29 | 2022-11-29 | 一种基于arima-svm模型的变压器故障预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115935814A true CN115935814A (zh) | 2023-04-07 |
Family
ID=86700119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211510891.6A Pending CN115935814A (zh) | 2022-11-29 | 2022-11-29 | 一种基于arima-svm模型的变压器故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115935814A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117312926A (zh) * | 2023-11-28 | 2023-12-29 | 沧州经济开发区武理工京津冀协同产业科技研究院 | 一种变压器故障预测的方法、装置、电子设备及介质 |
-
2022
- 2022-11-29 CN CN202211510891.6A patent/CN115935814A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117312926A (zh) * | 2023-11-28 | 2023-12-29 | 沧州经济开发区武理工京津冀协同产业科技研究院 | 一种变压器故障预测的方法、装置、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111222290B (zh) | 一种基于多参数特征融合的大型设备剩余使用寿命预测方法 | |
CN107092582A (zh) | 一种基于残差后验的异常值在线检测及置信度评估方法 | |
CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
CN115760484B (zh) | 一种配电台区隐患辨识能力提升方法、装置、系统及存储介质 | |
Shi et al. | Improving power grid monitoring data quality: An efficient machine learning framework for missing data prediction | |
CN109030790A (zh) | 一种电力变压器故障诊断方法和装置 | |
CN115580445B (zh) | 一种未知攻击入侵检测方法、装置和计算机可读存储介质 | |
CN110555058A (zh) | 基于改进决策树的电力通信设备状态的预测方法 | |
CN112147432A (zh) | 基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统 | |
CN115146739A (zh) | 基于堆叠时间序列网络的电力变压器故障诊断方法 | |
CN113011680A (zh) | 一种电力负荷预测方法及系统 | |
CN113887571A (zh) | 改进svr算法的电子设备故障预测方法 | |
CN114169091A (zh) | 工程机械部件剩余寿命的预测模型建立方法及预测方法 | |
CN115935814A (zh) | 一种基于arima-svm模型的变压器故障预测方法 | |
CN113484813A (zh) | 多环境应力下的智能电表故障率预估方法及系统 | |
CN114048546B (zh) | 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法 | |
CN115438897A (zh) | 一种基于blstm神经网络的工业过程产品质量预测方法 | |
CN110516792A (zh) | 基于小波分解和浅层神经网络的非平稳时间序列预测方法 | |
CN117371608A (zh) | 基于深度学习的猪舍多点位温湿度预测方法及系统 | |
CN117290673A (zh) | 一种基于多模型融合的船舶能耗高精度预测系统 | |
CN116613732A (zh) | 一种基于shap值选择策略的多元负荷预测方法及系统 | |
CN117829822B (zh) | 一种电力变压器故障预警方法及系统 | |
Zheng et al. | Research on predicting remaining useful life of equipment based on health index | |
Nie et al. | Life prediction of railway relays based on XGboost-informer model | |
Bai et al. | Abnormal Detection Scheme of Substation Equipment based on Intelligent Fusion Terminal |
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 |