CN115936166A - 一种电能表检定误差分析预测方法 - Google Patents
一种电能表检定误差分析预测方法 Download PDFInfo
- Publication number
- CN115936166A CN115936166A CN202211187144.3A CN202211187144A CN115936166A CN 115936166 A CN115936166 A CN 115936166A CN 202211187144 A CN202211187144 A CN 202211187144A CN 115936166 A CN115936166 A CN 115936166A
- Authority
- CN
- China
- Prior art keywords
- electric energy
- energy meter
- fault type
- accuracy
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012795 verification Methods 0.000 claims abstract description 69
- 238000013528 artificial neural network Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012423 maintenance Methods 0.000 claims abstract description 24
- 241000282461 Canis lupus Species 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 abstract 1
- 230000005611 electricity Effects 0.000 description 3
- 230000035772 mutation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000002699 waste material Substances 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种电能表检定误差分析预测方法，包括以下步骤：构建电能表检定误差数据库；根据电能表检定误差数据库对神经网络进行训练；获取实测电能表检定数据曲线作为神经网络的输入，神经网络处理后输出多个电能表故障类型，并获取每个电能表故障类型的准确率；对神经网络输出的多个电能表故障类型采用灰狼优化算法进行处理，以维修时间快慢作为评价指标获得每个电能表故障类型的适应度值；对每个电能表故障类型的准确率和适应度值分别赋值，根据赋值结果获取电能表故障类型的预测结果，并进行排序，根据准确率和维修时间快慢所获得的预测结果可以在保证故障判断准确的基础上，避免耗费过多的时间进行无用的维修，保证电能表可以快速恢复功能。
Description
技术领域
本发明涉及电能表检定技术领域，特别涉及一种电能表检定误差分析预测方法。
背景技术
电能表是用于对电能进行分配并计量用电量的设备，电能表对用电量的检测关乎到居民的用电成本，为此需要保证电能表各项功能的准确，目前电力公司主要通过电能表检定来判断电能表是否存在计量误差，通过计量误差判断电能表故障原因并进行维修，然而目前对于电能表故障的判断基本都是通过经验丰富的维修工人来进行的，故障判断的准确率较低，并且部分故障原因对应的维修方法需要耗费大量的时间，若故障判断错误并进行维修时，将会耗费大量的时间，并且还无法快速恢复电能表的正常使用。
发明内容
鉴于此，本发明提出一种电能表检定误差分析预测方法，通过准确率以及维修时间快慢来获取电能表故障类型的排序结果，可以在保证准确率的同时及时修复电能表故障。
本发明的技术方案是这样实现的：
一种电能表检定误差分析预测方法，包括以下步骤：
步骤S1、构建电能表检定误差数据库，所述电能表检定误差数据库包括存在检定误差的电能表检定数据曲线以及数据曲线对应的电能表故障类型；
步骤S2、根据电能表检定误差数据库对神经网络进行训练；
步骤S3、获取实测电能表检定数据曲线作为神经网络的输入，神经网络处理后输出多个电能表故障类型，并获取每个电能表故障类型的准确率；
步骤S4、对神经网络输出的多个电能表故障类型采用灰狼优化算法进行处理，以维修时间快慢作为评价指标获得每个电能表故障类型的适应度值；
步骤S5、对每个电能表故障类型的准确率和适应度值分别赋值，根据赋值结果获取电能表故障类型的预测结果，并进行排序。
优选的，所述步骤S1构建电能表检定误差数据库的具体步骤为：
步骤S11、获取不同地区的电能表历史运行数据；
步骤S12、从电能表历史运行数据中获取故障时段；
步骤S13、提取故障时段所包含的故障原因以及对应的检定数据；
步骤S14、将检定数据可视化成为电能表检定数据曲线。
优选的，所述步骤S12的具体步骤为：设定相应的检测周期，按照检测周期对电能表历史运行数据进行对比，将发生突变的时段作为故障时段。
优选的，所述步骤S2的具体步骤为：
步骤S21、将存在检定误差的电能表检定数据曲线以及对应的电能表故障类型分成训练集以及测试集；
步骤S22、将神经网络的输入设定为电能表检定数据曲线，输出设定为电能表故障类型，并采用训练集进行训练；
步骤S23、训练完成后采用测试集测试神经网络的准确率。
优选的，所述步骤S21在划分训练集和测试集时，按照7:3的比例进行划分。
优选的，所述步骤S3的具体步骤为：
步骤S31、获取实测电能表检定数据曲线，并输入到神经网络中；
步骤S32、神经网络进行处理后得到电能表故障类型；
步骤S33、将电能表故障类型以及对应的电能表检定数据曲线从电能表检定误差数据库中删除，重新根据电能表检定误差数据库对神经网络进行训练；
步骤S34、重复步骤S31-步骤S33，获得多个电能表故障类型；
步骤S35、按照电能表故障类型的获取优先顺序赋予每个电能表故障类型的准确率。
优选的，所述步骤S35在赋予准确率时，对第一个获取的电能表故障类型赋予90％的准确率，对后续获取的电能表故障类型按照依次递减方式赋予准确率。
优选的，所述步骤S4的具体步骤为：
步骤S41、初始化灰狼种群，并设定迭代次数以及种群规模；
步骤S42、任意选取一个电能表故障类型，获取该电能表故障类型所对应的维修时间快慢作为评价指标，根据评价指标计算获得灰狼的适应度值；
步骤S43、选取另一个电能表故障类型，并获得对应的适应度值后，与之前计算的所有适应度值进行对比，根据对比结果进行排序；
步骤S44、进行迭代计算，并遍历所有的电能表故障类型后，获得每个电能表故障类型的适应度值。
优选的，所述步骤S5的具体步骤为：
步骤S51、根据准确率高低对准确率赋予第一权值；
步骤S52、根据适应度值大小对适应度值赋予第二权值；
步骤S53、将同一个电能表故障类型赋值后的准确率和赋值后的适应度值相加；
步骤S54、根据相加结果对电能表故障类型进行排序。
优选的，同一个电能表故障类型的准确率被赋予的第一权值大于适应度被赋予的第二权值。
与现有技术相比，本发明的有益效果是：
本发明提供了一种电能表检定误差分析预测方法，通过构建电能表检定误差数据库，并构建神经网络模型，来获取实测电能表的多种可能的故障类型，并对电能表故障类型进行准确率的获取，然后根据获取的电能表故障类型依据维修时间快慢采用灰狼优化算法进行处理，并获得适应度值，最后对准确率以及适应度值赋值后获得相应的电能表故障类型的预测结果，保证电能表故障判断的准确率，同时还可以避免耗费较多的时间去采取错误的维修方式，保证及时修复电能表以进行配电。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的优选实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种电能表检定误差分析预测方法的流程图。
具体实施方式
为了更好理解本发明技术内容，下面提供一具体实施例，并结合附图对本发明做进一步的说明。
参见图1，本发明提供的一种电能表检定误差分析预测方法，包括以下步骤：
步骤S1、构建电能表检定误差数据库，所述电能表检定误差数据库包括存在检定误差的电能表检定数据曲线以及数据曲线对应的电能表故障类型；
步骤S2、根据电能表检定误差数据库对神经网络进行训练；
步骤S3、获取实测电能表检定数据曲线作为神经网络的输入，神经网络处理后输出多个电能表故障类型，并获取每个电能表故障类型的准确率；
步骤S4、对神经网络输出的多个电能表故障类型采用灰狼优化算法进行处理，以维修时间快慢作为评价指标获得每个电能表故障类型的适应度值；
步骤S5、对每个电能表故障类型的准确率和适应度值分别赋值，根据赋值结果获取电能表故障类型的预测结果，并进行排序。
本发明的一种电能表检定误差分析预测方法，用于对实测的电能表的故障类型进行判断，而在判断的过程中，除了考虑对应的电能表故障类型外，还会对该电能表故障类型的维修时间快慢进行考虑，最终所输出的预测结果会进行排序，从而维修人员可以选取准确率较高且维修时间较快的电能表故障类型去进行维修，避免在电能表故障类型判断错误并进行维修导致大量时间的浪费。
具体的，在进行判断时，首先会构建电能表检定误差数据库，然后根据电能表检定误差数据库中的数据对神经网络进行训练，训练完成后的神经网络可以对实测电能表检定数据曲线进行处理，并获得相应的电能表故障类型，本发明的神经网络在处理时，会获取多个电能表故障类型，然后对多个电能表故障类型进行准确率的获取，而在获得多个电能表故障类型后，采用灰狼优化算法对电能表故障类型进行处理，处理的过程中，以维修时间快慢为评价指标来计算适应度值，最终每个电能表故障类型都有一个对应的准确率和适应度值，然后对准确率和适应度值进行赋值后，可以计算得到电能表故障类型的预测结果，最终维修人员可以根据预测结果所对应的电能表故障类型进行故障维修。
优选的，所述步骤S1构建电能表检定误差数据库的具体步骤为：
步骤S11、获取不同地区的电能表历史运行数据；
步骤S12、从电能表历史运行数据中获取故障时段，设定相应的检测周期，按照检测周期对电能表历史运行数据进行对比，将发生突变的时段作为故障时段；
步骤S13、提取故障时段所包含的故障原因以及对应的检定数据；
步骤S14、将检定数据可视化成为电能表检定数据曲线。
由于神经网络的训练需要大量的数据，为此，本发明获取了不同地区的电能表历史运行数据，然后划定相应的检测周期，根据检测周期从电能表历史运行数据中获取故障时段，最终从故障时段中获取了故障原因以及检定数据，将检定数据可视化后即可得到电能表检定数据曲线。
优选的，所述步骤S2的具体步骤为：
步骤S21、将存在检定误差的电能表检定数据曲线以及对应的电能表故障类型按照7:3的比例分成训练集以及测试集；
步骤S22、将神经网络的输入设定为电能表检定数据曲线，输出设定为电能表故障类型，并采用训练集进行训练；
步骤S23、训练完成后采用测试集测试神经网络的准确率。
通过训练集和测试集的方式对神经网络进行训练，可以保证神经网络的准确率。
优选的，所述步骤S3的具体步骤为：
步骤S31、获取实测电能表检定数据曲线，并输入到神经网络中；
步骤S32、神经网络进行处理后得到电能表故障类型；
步骤S33、将电能表故障类型以及对应的电能表检定数据曲线从电能表检定误差数据库中删除，重新根据电能表检定误差数据库对神经网络进行训练；
步骤S34、重复步骤S31-步骤S33，获得多个电能表故障类型；
步骤S35、按照电能表故障类型的获取优先顺序赋予每个电能表故障类型的准确率，对第一个获取的电能表故障类型赋予90％的准确率，对后续获取的电能表故障类型按照依次递减方式赋予准确率。
本发明的神经网络需要获取多个电能表故障类型，而传统的神经网络一般都设定为一个输出，为此，本发明在获得第一个电能表故障类型后，将电能表检定误差数据库中与该电能表故障类型对应的数据删除后，重新对神经网络进行训练，训练完成后重新对实测电能表检定数据曲线进行识别，以此重复处理可以得到多个电能表故障类型。
而由于最初获得的电能表故障类型所使用的神经网络训练时的电能表检定误差数据库最全，因此最初的电能表故障类型的准确率设定为最高，后续获得的电能表故障类型则依次进行递减。
优选的，所述步骤S4的具体步骤为：
步骤S41、初始化灰狼种群，并设定迭代次数以及种群规模；
步骤S42、任意选取一个电能表故障类型，获取该电能表故障类型所对应的维修时间快慢作为评价指标，根据评价指标计算获得灰狼的适应度值；
步骤S43、选取另一个电能表故障类型，并获得对应的适应度值后，与之前计算的所有适应度值进行对比，根据对比结果进行排序；
步骤S44、进行迭代计算，并遍历所有的电能表故障类型后，获得每个电能表故障类型的适应度值。
本发明采用灰狼优化算法以维修时间快慢来计算获得适应度值，每个电能表故障类型都对应一个适应度值，在迭代的过程中对适应度值进行排序。
优选的，所述步骤S5的具体步骤为：
步骤S51、根据准确率高低对准确率赋予第一权值；
步骤S52、根据适应度值大小对适应度值赋予第二权值；
同一个电能表故障类型的准确率被赋予的第一权值大于适应度被赋予的第二权值；
步骤S53、将同一个电能表故障类型赋值后的准确率和赋值后的适应度值相加；
步骤S54、根据相加结果对电能表故障类型进行排序。
最终的预测结果主要参考的是准确率和维修时间快慢两个因素，而准确率的优先级要大于维修时间快慢，为此在计算最终的预测结果时，对同一个电能表故障类型的准确率和维修时间分别赋值，且第一权值要大于第二权值，最后对赋值后的准确率和适应度值进行求和，求和的结果即为电能表故障类型的预测结果，然后将预测结果进行排序后，工作人员可以根据预测结果最大的电能表故障类型采取对应的维修手段。
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、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种电能表检定误差分析预测方法，其特征在于，包括以下步骤：
步骤S1、构建电能表检定误差数据库，所述电能表检定误差数据库包括存在检定误差的电能表检定数据曲线以及数据曲线对应的电能表故障类型；
步骤S2、根据电能表检定误差数据库对神经网络进行训练；
步骤S3、获取实测电能表检定数据曲线作为神经网络的输入，神经网络处理后输出多个电能表故障类型，并获取每个电能表故障类型的准确率；
步骤S4、对神经网络输出的多个电能表故障类型采用灰狼优化算法进行处理，以维修时间快慢作为评价指标获得每个电能表故障类型的适应度值；
步骤S5、对每个电能表故障类型的准确率和适应度值分别赋值，根据赋值结果获取电能表故障类型的预测结果，并进行排序。
2.根据权利要求1所述的一种电能表检定误差分析预测方法，其特征在于，所述步骤S1构建电能表检定误差数据库的具体步骤为：
步骤S11、获取不同地区的电能表历史运行数据；
步骤S12、从电能表历史运行数据中获取故障时段；
步骤S13、提取故障时段所包含的故障原因以及对应的检定数据；
步骤S14、将检定数据可视化成为电能表检定数据曲线。
3.根据权利要求2所述的一种电能表检定误差分析预测方法，其特征在于，所述步骤S12的具体步骤为：设定相应的检测周期，按照检测周期对电能表历史运行数据进行对比，将发生突变的时段作为故障时段。
4.根据权利要求1所述的一种电能表检定误差分析预测方法，其特征在于，所述步骤S2的具体步骤为：
步骤S21、将存在检定误差的电能表检定数据曲线以及对应的电能表故障类型分成训练集以及测试集；
步骤S22、将神经网络的输入设定为电能表检定数据曲线，输出设定为电能表故障类型，并采用训练集进行训练；
步骤S23、训练完成后采用测试集测试神经网络的准确率。
5.根据权利要求4所述的一种电能表检定误差分析预测方法，其特征在于，所述步骤S21在划分训练集和测试集时，按照7:3的比例进行划分。
6.根据权利要求1所述的一种电能表检定误差分析预测方法，其特征在于，所述步骤S3的具体步骤为：
步骤S31、获取实测电能表检定数据曲线，并输入到神经网络中；
步骤S32、神经网络进行处理后得到电能表故障类型；
步骤S33、将电能表故障类型以及对应的电能表检定数据曲线从电能表检定误差数据库中删除，重新根据电能表检定误差数据库对神经网络进行训练；
步骤S34、重复步骤S31-步骤S33，获得多个电能表故障类型；
步骤S35、按照电能表故障类型的获取优先顺序赋予每个电能表故障类型的准确率。
7.根据权利要求6所述的一种电能表检定误差分析预测方法，其特征在于，所述步骤S35在赋予准确率时，对第一个获取的电能表故障类型赋予90％的准确率，对后续获取的电能表故障类型按照依次递减方式赋予准确率。
8.根据权利要求1所述的一种电能表检定误差分析预测方法，其特征在于，所述步骤S4的具体步骤为：
步骤S41、初始化灰狼种群，并设定迭代次数以及种群规模；
步骤S42、任意选取一个电能表故障类型，获取该电能表故障类型所对应的维修时间快慢作为评价指标，根据评价指标计算获得灰狼的适应度值；
步骤S43、选取另一个电能表故障类型，并获得对应的适应度值后，与之前计算的所有适应度值进行对比，根据对比结果进行排序；
步骤S44、进行迭代计算，并遍历所有的电能表故障类型后，获得每个电能表故障类型的适应度值。
9.根据权利要求1所述的一种电能表检定误差分析预测方法，其特征在于，所述步骤S5的具体步骤为：
步骤S51、根据准确率高低对准确率赋予第一权值；
步骤S52、根据适应度值大小对适应度值赋予第二权值；
步骤S53、将同一个电能表故障类型赋值后的准确率和赋值后的适应度值相加；
步骤S54、根据相加结果对电能表故障类型进行排序。
10.根据权利要求9所述的一种电能表检定误差分析预测方法，其特征在于，同一个电能表故障类型的准确率被赋予的第一权值大于适应度被赋予的第二权值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211187144.3A CN115936166B (zh) | 2022-09-28 | 2022-09-28 | 一种电能表检定误差分析预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211187144.3A CN115936166B (zh) | 2022-09-28 | 2022-09-28 | 一种电能表检定误差分析预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115936166A true CN115936166A (zh) | 2023-04-07 |
| CN115936166B CN115936166B (zh) | 2024-06-04 |
Family
ID=86654683
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211187144.3A Active CN115936166B (zh) | 2022-09-28 | 2022-09-28 | 一种电能表检定误差分析预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115936166B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107831465A (zh) * | 2017-10-31 | 2018-03-23 | 国网黑龙江省电力有限公司电力科学研究院 | 一种基于bp神经网络的智能电能表故障判断方法 |
| CN110455537A (zh) * | 2019-09-18 | 2019-11-15 | 合肥工业大学 | 一种轴承故障诊断方法及系统 |
| CN111814900A (zh) * | 2020-07-20 | 2020-10-23 | 安徽南瑞中天电力电子有限公司 | 基于matlab神经网络的电能表故障分类方法及其装置 |
| WO2021098246A1 (zh) * | 2019-11-19 | 2021-05-27 | 河南许继仪表有限公司 | 一种电能表寿命预测方法、装置及存储介质 |
| CN113537367A (zh) * | 2021-07-21 | 2021-10-22 | 京东方科技集团股份有限公司 | 一种故障检测模型的训练方法、装置、故障检测方法、电子设备和可读存储介质 |
| US20210365342A1 (en) * | 2020-05-25 | 2021-11-25 | Wuhan University | Method and system for power equipment diagnosis based on windowed feature and hilbert visualization |
| CN113923104A (zh) * | 2021-12-07 | 2022-01-11 | 南京信息工程大学 | 基于小波神经网络的网络故障诊断方法、设备及存储介质 |
| CN114118232A (zh) * | 2021-11-08 | 2022-03-01 | 北京智芯微电子科技有限公司 | 一种基于时空卷积神经网络的智能电表故障预测方法 |
| WO2022110558A1 (zh) * | 2020-11-25 | 2022-06-02 | 国网湖南省电力有限公司 | 一种智能电能表故障预警方法及装置 |
| CN114781573A (zh) * | 2022-03-17 | 2022-07-22 | 上海电机学院 | 一种基于改进灰狼算法优化的变压器故障诊断方法 |
| CN114925938A (zh) * | 2022-07-18 | 2022-08-19 | 武汉格蓝若智能技术有限公司 | 一种基于自适应svm模型的电能表运行状态预测方法、装置 |
-
2022
- 2022-09-28 CN CN202211187144.3A patent/CN115936166B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107831465A (zh) * | 2017-10-31 | 2018-03-23 | 国网黑龙江省电力有限公司电力科学研究院 | 一种基于bp神经网络的智能电能表故障判断方法 |
| CN110455537A (zh) * | 2019-09-18 | 2019-11-15 | 合肥工业大学 | 一种轴承故障诊断方法及系统 |
| WO2021098246A1 (zh) * | 2019-11-19 | 2021-05-27 | 河南许继仪表有限公司 | 一种电能表寿命预测方法、装置及存储介质 |
| US20210365342A1 (en) * | 2020-05-25 | 2021-11-25 | Wuhan University | Method and system for power equipment diagnosis based on windowed feature and hilbert visualization |
| CN111814900A (zh) * | 2020-07-20 | 2020-10-23 | 安徽南瑞中天电力电子有限公司 | 基于matlab神经网络的电能表故障分类方法及其装置 |
| WO2022110558A1 (zh) * | 2020-11-25 | 2022-06-02 | 国网湖南省电力有限公司 | 一种智能电能表故障预警方法及装置 |
| CN113537367A (zh) * | 2021-07-21 | 2021-10-22 | 京东方科技集团股份有限公司 | 一种故障检测模型的训练方法、装置、故障检测方法、电子设备和可读存储介质 |
| CN114118232A (zh) * | 2021-11-08 | 2022-03-01 | 北京智芯微电子科技有限公司 | 一种基于时空卷积神经网络的智能电表故障预测方法 |
| CN113923104A (zh) * | 2021-12-07 | 2022-01-11 | 南京信息工程大学 | 基于小波神经网络的网络故障诊断方法、设备及存储介质 |
| CN114781573A (zh) * | 2022-03-17 | 2022-07-22 | 上海电机学院 | 一种基于改进灰狼算法优化的变压器故障诊断方法 |
| CN114925938A (zh) * | 2022-07-18 | 2022-08-19 | 武汉格蓝若智能技术有限公司 | 一种基于自适应svm模型的电能表运行状态预测方法、装置 |
Non-Patent Citations (5)
| Title |
|---|
| 方烜: "基于改进灰狼算法-BP神经...巡检机器人电磁兼容故障诊断", 科学技术与工程, vol. 22, no. 1, 8 January 2022 (2022-01-08), pages 243 - 249 * |
| 朱斌;: "智能化全自动流水线电能表检定故障分析", 科技创新导报, no. 34, 1 December 2017 (2017-12-01), pages 36 * |
| 杨娴: "关口电能表多回路自动控制与检测装置的研究", 电气应用, 15 March 2021 (2021-03-15), pages 35 - 39 * |
| 郑小霞;钱轶群;王帅;赵坤;: "改进灰狼优化模糊核聚类在风电齿轮箱故障诊断中的应用", 机械传动, no. 06, 12 June 2020 (2020-06-12), pages 148 - 154 * |
| 郑蒙蒙;李新利;巨汉基;庞富宽;李斯琪;: "基于BP神经网络的电能表软件故障分类研究", 华北电力技术, no. 08, 25 August 2016 (2016-08-25), pages 11 - 15 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115936166B (zh) | 2024-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107169628B (zh) | 一种基于大数据互信息属性约简的配电网可靠性评估方法 | |
| CN111104981A (zh) | 一种基于机器学习的水文预报精度评价方法及系统 | |
| CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
| CN104657788A (zh) | 基于行业景气指数的重点行业用电量预测方法 | |
| CN115169818B (zh) | 一种基于数字化建模的技术工程测算方法及系统 | |
| CN114330834A (zh) | 一种基于自更新三次指数平滑法的充电桩用电量预测方法 | |
| CN114548509A (zh) | 一种多能源系统多类型负荷联合预测方法及系统 | |
| CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
| CN110852496A (zh) | 一种基于lstm循环神经网络的天然气负荷预测方法 | |
| CN115062864A (zh) | 一种配电网中期负荷分解-集合预测方法及系统 | |
| CN103853939A (zh) | 一种基于社会经济因素影响的电力系统月度负荷的组合预测方法 | |
| CN114819374A (zh) | 区域新能源超短期功率预测方法及系统 | |
| CN111415027A (zh) | 构建件量预测模型的方法和装置 | |
| CN111612149A (zh) | 一种基于决策树的主网线路状态检测方法、系统及介质 | |
| CN115948964A (zh) | 一种基于ga-bp神经网络的路面平整度预测方法 | |
| CN114692507A (zh) | 基于堆叠泊松自编码器网络的计数数据软测量建模方法 | |
| CN114819178A (zh) | 一种铁路施工进度指标预测和在线更新方法 | |
| CN113793057A (zh) | 一种基于回归分析模型的建筑招投标数据生成方法 | |
| CN117469603A (zh) | 一种基于大数据学习的多水厂供水系统压力优化控制方法 | |
| CN109886316B (zh) | 基于云系相似度权重分配的变压器状态参量组合预测方法 | |
| CN115936166A (zh) | 一种电能表检定误差分析预测方法 | |
| CN116957534A (zh) | 一种预测智能电表更换数量的方法 | |
| CN110956330A (zh) | 一种基于多维影响量对输电线路线损进行预测的方法及系统 | |
| CN115130805A (zh) | 分析装置、分析方法以及记录有程序的计算机可读介质 | |
| CN112365039B (zh) | 一种基于纵横相关性进行月度用电量预测的方法及系统 |
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 |