CN116008747A - 基于小波阈值去噪的Yogi-mLSTM电缆局放识别方法与诊断系统 - Google Patents
基于小波阈值去噪的Yogi-mLSTM电缆局放识别方法与诊断系统 Download PDFInfo
- Publication number
- CN116008747A CN116008747A CN202211715561.0A CN202211715561A CN116008747A CN 116008747 A CN116008747 A CN 116008747A CN 202211715561 A CN202211715561 A CN 202211715561A CN 116008747 A CN116008747 A CN 116008747A
- Authority
- CN
- China
- Prior art keywords
- mlstm
- partial discharge
- cable
- wavelet
- discharge
- 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
一种基于小波阈值去噪的Yogi‑mLSTM电缆局放识别方法与诊断系统,包括:采集并获取电缆局放缺陷信号作为原始数据并进行去噪和归一化处理等,然后提取主要特征值作为样本数据,并将其拆分为训练样本和测试样本;搭建Yogi‑mLSTM网络模型并将训练数据传入进行训练;本发明基于小波阈值去噪的Yogi‑mLSTM电缆局放识别诊断系统具体包括五个模块,分别为传感器模块,信号去噪模块,数据处理模块,算法识别模块,专家系统模块。本发明为电缆的故障诊断提供了一个可行且可靠的方法,有力地保障了电缆运行的安全稳定。
Description
技术领域
本发明属于电力设备绝缘状态评估技术领域,具体涉及一种基于小波阈值去噪的Yogi-mLSTM电缆局放识别方法与诊断系统。
背景技术
在电力电网中,电缆是供电设备与电力设备之间的桥梁,起着传输电能的作用。应用广泛,故障因此经常发生故障。电力电缆由于工厂加工工艺、现场制作工艺以及运行环境腐蚀等原因,导致了绝缘层中存在缺陷,这些缺陷使电缆线芯周围原本均匀的电场产生畸变,从而激发局部放电,最终发展为电缆击穿故障,造成严重后果,因此如何在绝缘开始劣化或电缆出现故障后,高效与准确地找到绝缘缺陷点与消除故障是本领域的难题。
局部放电是一种电极间导电介质外部未横贯的重复穿透与点燃的放电过程,不过由于局部放电末期,放电量非常大,实际上绝不会冲击电缆线路的稳定运行与工作,此时导电电阻,介质损耗,泄露电流等均绝不会爆发甚小的变化。透过对于行驶之中电缆局部放电信号的检测,可构建对于电力电缆绝缘状态的精确评估值,因而得悉电缆导电的运行参数以及状态,立即除去缺陷,防止故障的发生,大幅度减少损失。根据电缆发生局部放电的位置和机理的不同,我们可以将放电类型划分为内部放电(气隙放电)、沿面放电、电弧放电和电晕放电。
近年来,深度神经网络(deep neural networks,DNN)在机器视觉、语音识别和和故障识别诊断等很多领域取得了诸多的研究成果。同时,计算性能的提升和算法的优化也为DNN创造了良好的条件,基于人工智能的故障诊断方法以其对电力设备运行状态类型较高的分类准确率,成为了学界热门的研究方向。由于梯度消失和梯度爆炸问题,RNNS无法捕获大范围的序列依赖关系。为了解决该问题,LSTM应运而生,其引入门控机制,通过有选择性地保留之前的信息,可以从输入序列中检测到重要特征,并在长时间内保留该特征信息,从而捕获潜在的大范围序列依赖关系。由于LSTM和乘法RNN(multiplicative RNN,mRNN)结构存在互补性,Ben等提出乘法LSTM(multiplicative LSTM,mLSTM),该模型结合了mRNN中隐状态的元素级更新控制与LSTM门限框架的特点。mLSTM结构在mRNN的隐状态与LSTM中的每个门限单元之间添加连接,目标是将mRNN上一时刻的隐状态输出用作这一时刻输入的权值以更新隐状态,并与LSTM的大时滞和信息流控制相结合。这样,LSTM的门限单元可以更容易地控制大范围的暂态依赖关系。
发明内容
目前针对电缆局放缺陷的识别并没有完善的技术手段,同时现场数据的采集也存在较大困难。而且现有的电缆局放识别方法准确率低、工作量大以及系统不完备,鉴于此本发明提供了一种基于小波阈值去噪的Yogi-mLSTM电缆局放识别方法与诊断系统。
本发明首先利用小波阈值法对电缆局放信号进行去噪处理,然后提取特征值作为样本数据,将样本数据拆分为训练数据和测试数据,接着将训练数据传入经Yogi算法优化的mLSTM模型进行训练,由此提出了一种全新的网络模型方法,即一种基于小波阈值去噪的Yogi-mLSTM电缆局放识别方法。为电缆的故障诊断提供了一个可行且可靠的方法,同时本发明还提出了一种相应的电缆局放诊断系统,有力地保障了电缆运行的安全稳定。
本发明利用小波阈值法对电缆局放信号进行去噪,尽可能得到电缆的局放真实数据,然后提取主要特征值作为样本数据,传入mLSTM网络模型进行训练,从而得到诊断结果,此方法有效避免了现场作业带来的风险及人为的误判率,节省了大量人力,而且引入Yogi优化算法加快了识别速度,提高了识别的准确率。同时本发明提出的诊断系统,不仅保障了电缆的安全运行,也保证了电缆局放缺陷诊断与识别的规范化和稳定性。
为达到上述目的,本发明采用以下技术方案:
建立一种基于小波阈值去噪的Yogi-mLSTM电缆局放识别方法,主要步骤如下:
步骤(1):采集并获取电缆局放缺陷信号;
步骤(2):利用小波阈值法对局放信号进行去噪处理,得到电缆局放原始数据;
步骤(3):将电缆局放原始数据进行归一化处理,然后提取主要特征值作为样本数据,并将其拆分为训练样本和测试样本;
步骤(4):搭建Yogi-mLSTM网络模型;
步骤(5):将训练数据传入Yogi-mLSTM网络模型进行训练,同时确定中止条件(迭代次数);
步骤(6):判断模型训练是否满足中止条件,若满足,若满足,则将测试样本输入训练好的诊断模型,得到模型预测准确率;若不满足,则继续对模型进行训练。
步骤(7):将待识别数据传入训练后的Yogi-mLSTM网络模型,完成当前电缆局放缺陷类型识别。
本发明上述技术方案中,本发明提出了一种基于小波阈值去噪的Yogi-mLSTM电缆局放识别方法。因为本发明所述技术方案针对的对象电缆,其运行环境复杂多变,采集的局放缺陷信号中必然掺杂着多种噪声,而且现场采集后立刻进行诊断识别,将产生大量的人力成本和时间成本,而且也存在着各种安全隐患。故本发明采用人工智能领域中的神经网络学习算法解决上述困难,首先将采集的局放缺陷信号利用小波阈值法去噪,然后经过归一化处理和提取特征后传入本发明提出的Yogi-mLSTM网络模型进行训练,最后得出识别结果。
进一步的,所述步骤(1)中电缆局放缺陷信号,随着电缆的持续投入使用,电缆局放缺陷信号将随时间逐渐增加,而且会通过服务器更新并写入历史数据,丰富的样本数据可以大大提高局放缺陷识别的准确率;
进一步的,所述步骤(2)中包含以下步骤:
步骤(2.1):对电缆局放缺陷信号进行小波阈值去噪处理。小波阈值去噪的实质为抑制信号中无用部分、增强有用部分的过程。小波阈值去噪过程为:(1)小波分解,即选定一种小波对信号进行n层小波分解;(2)阈值处理,即对分解的各层系数进行阈值处理,获得估计小波系数;(3)小波重构,据去噪后的小波系数进行小波重构,获得去噪后的信号。
步骤(2.2):检查原始数据的完整性,如果数据有缺失,则直线插值法进行填充。
进一步的,所述步骤(3)中包含以下步骤:
步骤(3.1):对原始数据进行归一化处理以加快训练速度,归一化公式为:
其中xi为样本数据,yi为归一化后结果。
步骤(3.2):将归一化后的数据进行特征值提取,特征值包括 Qm、CCm、Qa、CCa、Qn、CCn18种,各含义依次为:最大放电量分布正半周偏斜度,最大放电量分布负半周偏斜度,最大放电量分布正半周突出度,最大放电量分布负半周突出度,最大放电量分布不对称度,最大放电量分布相关度,平均放电量分布正半周偏斜度,平均放电量分布负半周偏斜度,平均放电量分布正半周突出度,平均放电量分布负半周突出度,平均放电量分布不对称度,平均放电量分布相关度,放电次数分布正半周偏斜度,放电次数分布负半周偏斜度,放电次数分布正半周突出度,放电次数分布负半周突出度,放电次数分布不对称度,放电次数分布相关度。
进一步的,所述步骤(4)中Yogi-mLSTM网络模型,该模型结合了mRNN中隐状态的元素级更新控制与LSTM门限框架的特点。mLSTM结构在mRNN的隐状态与LSTM中的每个门限单元之间添加连接,将mRNN上一时刻的隐状态输出用作这一时刻输入的权值以更新隐状态,并与LSTM的大时滞和信息流控制相结合。这样。LSTM的门限单元可以更容易地控制大范围的暂态依赖关系。
进一步的,所述步骤(4)中Yogi-mLSTM网络模型中的Yogi优化算法,Yogi是对Adam算法中状态变量的更新和优化。Adam(Adaptive Moment Estimation):自适应矩估计是一种计算每个参数或权重的自适应学习率的方法,它是带动量的梯度下降算法和RMSProp算法的结合,旨在加速优化过程,例如减少达到最优值所需的迭代次数。Yogi继承了Adam算法的全部优点。
进一步的,所述步骤(5)中的中止条件,即迭代次数的确定由准确率—迭代次数曲线趋于稳定时确定。
一种基于小波阈值去噪的Yogi-mLSTM电缆局放识别诊断系统,其特点征在于,包括:
传感器模块,布置在现场多个局放感知传感器,用于采集局放信号;
服务器模块,用于接收并储存现场局放感知传感器采集的局放信号,并实现历史局放信号实时更新;
信号去噪模块,内置小波阈值去噪算法,用于对服务器存储的局放信号进行去除噪音处理;
数据处理模块,用于对去噪后的局放信号进行归一化处理,并提取特征值作为待识别数据;
算法识别模块,内置训练好的Yogi-mLSTM模型,用于接收经过数据处理模块处理的数据,并输出识别结果;
专家系统模块,用于接收来自算法识别模块输出的结果,并结合电缆本身的其他监测信息给出电缆目前的运行状态,并给出处理建议与措施。
与现有技术相比,本发明的有益效果:
1)运用在大电网智能监测诊断领域,利用小波阈值法算法对电缆局放缺陷信号进行去噪,将乘法RNN(MRNN)与LSTM相结合,相较于传统的神经网络模型,具有模型简单,参数量更少,训练速度更快,处理的数据量更大,适用于构建较大的网络等特点。
2)利用Yogi优化mLSTM,从计算效率看,它极大地减小了迭代次数,加快了迭代收敛的效率,能快速处理更加庞大的数据量,而且它的可扩展性有利于构筑较大的模型。因而本模型的方法能更加快速而且准确的诊断出当前电缆的局放缺陷类型,有利于工作人员及时处理。
3)能够持续且稳定的监控电缆的实时在线状态,同时通过专家系统给出合理的处理建议与措施,整个过程有效地避免了人为的现场干预,保障了电站工作人员的安全,保证了电缆的平稳运行。
附图说明
图1是本发明所提出的基于小波阈值去噪的Yogi-mLSTM电缆局放识别方法的流程图。
图2是Yogi-mLSTM结构图。
图3是准确率—迭代次数曲线对比图。
图4是本发明所提出的基于小波阈值去噪的Yogi-mLSTM电缆局放识别诊断系统示意图。
具体实施方式
下面结合附图对本发明的实施过程进行详细的描述:
基于小波阈值去噪的Yogi-mLSTM电缆局放识别方法,结合实例将其具体的操作方式及实施步骤说明如下:
步骤1:通过局放感知传感器采集并获取电缆局放信号,通过远程服务器实现电缆历史局放信号的更新。
步骤2:利用小波阈值法对局放信号进行去噪,然后遍历数据进行缺失查询,同时用直线插值法对缺失值进行补充。
小波阈值去噪的实质为抑制信号中无用部分、增强有用部分的过程。小波阈值去噪过程为:首先进行小波分解,即选定一种小波对信号进行n层小波分解,经过分解含有噪声的信号被分离地越来越纯净;其次进行阈值处理,通过选取合适的阈值,对信号的小波系数和噪声的小波系数分别处理,即把大于该阈值的部分当做原始信号进行保留,而小于该阈值的部分当做噪声,将其设置为零;最后进行小波重构,对去噪后的小波系数进行小波重构,获得去噪后的信号。本发明中,假设电缆局放信号为s(t),则其可表示为:
s(t)=f(t)+n(t)
其中,f(t)为原始信号,n(t)为噪声信号。
小波阈值去噪过程中,小波基选择Sym8小波,分解层级选择三级分解,阈值函数和阈值的估计过程如下:
1.阈值函数
传统的阈值选取方法包含硬阈值函数和软阈值函数,但是它们具有一定的局限性,硬阈值函数在去噪时会造成较大方差,重构信号会出现吉布斯现象;而软阈值函数的小波系数连续性虽好但对其进行压缩时存在恒定的偏差,并且软阈值函数不具备高阶可导性,不易实现数字处理。针对以上不足,本发明构造了一种新的阈值函数,公式如下:
2.阈值
在小波阈值去噪中不仅阈值函数是影响去噪效果的关键因素,阈值估计也至关重要。目前,人们通常采用统一阈值,但是此阈值与信号长度N相关,信号长度N越大,小波系数被置0的数目越多,导致“过扼杀”现象;反之则会导致消噪不足的现象。为了避免上述现象发生,在统一阈值的基础上引入了一个适中的收缩因子,新阈值估计的数学公式为:
其中,σ为噪声标准差,Nj为各层高频系数的长度,L为分解层数。随着分解层数L的不同,阈值估计的大小随之自动调节,因此具有较强的自适应性。经小波阈值去噪后的局放信号作为后续训练的原始数据。
0.000 | 0.044 | 0.000 | -1.183 | 0.000 | 0.000 | 0.000 | 0.003 | 0.000 | -1.220 | 0.000 | 0.000 | 0.000 | 0.255 | 0.000 | -0.778 | 0.000 | 0.000 |
-0.038 | 0.014 | -1.107 | -0.957 | 0.816 | 0.738 | -0.034 | -0.053 | -1.249 | -0.971 | 0.803 | 0.683 | 0.065 | 0.393 | -0.127 | -0.124 | 1.887 | 0.617 |
每组特征值对应一种局放缺陷类型,本发明中电缆局放缺陷类型包括:内部放电(气隙放电)、沿面放电、电弧放电和电晕放电四类。我们得到10000组样本数据,将数据随机打乱顺序,按7:3拆分数据,前7000组为训练数据,后3000组为测试数据。
步骤4:搭建Yogi-mLSTM网络模型,传入训练样本进行训练。LSTM,即(long short-term Memory)长短期记忆网络,也是RNN循环神经网络的一种改进方法,是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的。mLSTM结构在mRNN的隐状态与LSTM中的每个门限单元之间添加连接,目标是将mRNN上一时刻的隐状态输出用作这一时刻输入的权值以更新隐状态,并与LSTM的大时滞和信息流控制相结合。假设训练样本作为输入记为Xi,则mLSTM模型中共需要输入门、输出门、遗忘门、候选记忆单元、记忆元、隐含状态等逻辑门与记忆信息。
输入门、输出门和遗忘门的值由前时间步的输入和前一个时间步的隐状态作为数据送入长短期记忆网络的门中,然后由三个具有sigmoid激活函数的全连接层处理来计算获得,三个门的值都在(0,1)的范围内,计算公式如下:
It=σ(xiWxi+Ht-1Whi+bi)
Ot=σ(XiWxo+Ht-1Who+bo)
Ft=σ(XiWxf+Ht-1Whf+bf)
其中,It是输入门,Ot是输出门,Ft是遗忘门,σ是sigmoid激活函数,Xi是输入,W和b为权值矩阵和神经元偏置矩阵。
候选记忆单元使用tanh函数作为激活函数,函数的值范围为(-1,1),计算公式如下:
输入门控制采用多少来自候选记忆单元的新数据,遗忘门控制保留多少过去的记忆元的内容,使用元素相乘法得到记忆元的计算公式如下:
其中,Ct是记忆元,⊙表示按元素相乘。
隐含状态是记忆元的门控版本,它的值始终在(-1,1)内,它定义如下:
Ht=Ot⊙tanh(Ct)
其中,Ht是隐含状态。
为了加快mLSTM模型的收敛速度,引入Yogi优化。Yogi是Adam的变体,可以解决Adam估值爆炸时无法收敛的问题,其数学模型如下:
mt=β1mt-1+(1-β1)gt
vt=vt-1+(1-β2).g2 t⊙sgn(g2 t-vt-1)
其中,t为更新步数,η为学习率,用于控制步幅,θ要更新求解的参数,.gt目标函数对θ求导所得梯度,β1为一阶矩衰减系数,β2为二阶矩衰减系数,mt为梯度gt的一阶矩,vt为梯度gt的二阶矩,为mt的偏置矫正,为vt的偏置矫正。⊙表示按元素相乘。
步骤5:确定中止条件,完成模型训练,输出识别结果。
在模型训练过程中的迭代次数由准确率—迭代次数曲线趋于稳定时确定。为了验证本发明的优越性,此处对比了当准确率趋于稳定时mLSTM与Yogi-mLSTM所需要的迭代次数,mLSTM需要迭代180次而Yogi-mLSTM只需要100次左右。可以看出Yogi-mLSTM在保证了较高的识别准确率的情况下大大的减少了训练的时间,故在这里迭代次数取100。模型训练完成后,输入待识别数据就可进行电缆的局放缺陷识别。本发明的识别准确率为97.2%,而且随着样本数据的增加,准确率也将会变得更高。
本发明提出的基于小波阈值去噪的Yogi-mLSTM电缆局放识别诊断系统,包括:
步骤1:搭建传感器模块,在现场布置多个局放感知传感器组成传感器模块,用于采集现场电缆局放信号。
步骤2:搭建服务器模块,搭建远程服务器端,通过远程服务器接收储存现场局放感知传感器采集的局放信号,并实现历史局放信号实时更新。
步骤3:搭建信号去噪模块;,内置小波阈值去噪算法,用于对服务器存储的局放信号进行去噪处理。
步骤4:搭建数据处理模块;对去噪后的数据进行归一化、特征值提取等处理。
步骤5:搭建算法识别模块;算法识别模块中主要包含了训练好的Yogi-mLSTM模型,将经过数据处理模块处理的数据传入算法识别模块,输出识别结果。
步骤6:搭建专家系统模块;专家系统模块接收来自算法识别模块输出的结果,结合电缆本身的其他监测信息如红外,温湿度等给出电缆目前的运行状态,同时相应地合理的处理建议与措施。
最后需要说明的是,以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (6)
1.一种基于小波阈值去噪的Yogi-mLSTM电缆局放识别方法,其特征在于,包括:
步骤1:获取电缆局放信号;
步骤2:利用小波阈值法对所述局放信号进行去噪处理,得到电缆局放原始数据;
步骤3:对所述电缆局放原始数据进行归一化处理,提取局放特征值作为样本数据,并分为训练样本和测试样本;
步骤4:搭建Yogi-mLSTM网络模型;
步骤5:将训练样本传入所述Yogi-mLSTM网络模型进行训练,同时确定中止条件,即迭代次数;
步骤6:判断模型训练是否满足中止条件,若满足,则将测试样本输入训练好的诊断模型,得到模型预测准确率;若不满足,则继续对模型进行训练。
步骤7:将待识别数据传入训练好的Yogi-mLSTM网络模型,完成当前电缆局放缺陷类型识别。
2.根据权利要求1所述的基于小波阈值去噪的Yogi-mLSTM电缆局放识别方法,其特征在于,所述步骤2小波阈值去噪,具体步骤如下:
步骤2.1小波分解:选定一种小波对所述局放信号进行n层小波分解;
步骤2.2阈值处理:对分解的各层系数进行阈值处理,获得估计小波系数;
步骤2.3小波重构:对估计小波系数进行小波重构,获得去噪后的信号,即电缆局放原始数据。
3.根据权利要求1所述的基于小波阈值去噪的Yogi-mLSTM电缆局放识别方法,其特征在于,所述步骤3具体步骤如下:
步骤3.1归一化处理,公式如下:
其中xi为样本数据,yi为归一化后结果;
4.根据权利要求1所述的基于小波阈值去噪的Yogi-mLSTM电缆局放识别方法,其特征在于,所述步骤4构建Yogi-mLSTM网络模型,该模型结合了mRNN中隐状态的元素级更新控制与LSTM门限框架的特点;mLSTM结构在mRNN的隐状态与LSTM中的每个门限单元之间添加连接,将mRNN上一时刻的隐状态输出用作这一时刻输入的权值以更新隐状态,并与LSTM的大时滞和信息流控制相结合;Yogi优化,是对Adam算法中状态变量的更新和优化。
5.根据权利要求1所述的基于小波阈值去噪的Yogi-mLSTM电缆局放识别方法,其特征在于,所述迭代次数由准确率—迭代次数曲线趋于稳定时确定。
6.一种基于小波阈值去噪的Yogi-mLSTM电缆局放识别诊断系统,其特征在于,包括:
传感器模块,布置在现场多个局放感知传感器,用于采集局放信号;
服务器模块,用于接收并储存现场局放感知传感器采集的局放信号,并实现历史局放信号实时更新;
信号去噪模块,内置小波阈值去噪算法,用于对服务器存储的局放信号进行去除噪音处理;
数据处理模块,用于对去噪后的局放信号进行归一化处理,并提取特征值作为待识别数据;
算法识别模块,内置训练好的Yogi-mLSTM模型,用于接收经过数据处理模块处理的数据,并输出识别结果;
专家系统模块,用于接收来自算法识别模块输出的结果,并结合电缆本身的其他监测信息给出电缆目前的运行状态,并给出处理建议与措施。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211715561.0A CN116008747A (zh) | 2022-12-29 | 2022-12-29 | 基于小波阈值去噪的Yogi-mLSTM电缆局放识别方法与诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211715561.0A CN116008747A (zh) | 2022-12-29 | 2022-12-29 | 基于小波阈值去噪的Yogi-mLSTM电缆局放识别方法与诊断系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116008747A true CN116008747A (zh) | 2023-04-25 |
Family
ID=86035006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211715561.0A Pending CN116008747A (zh) | 2022-12-29 | 2022-12-29 | 基于小波阈值去噪的Yogi-mLSTM电缆局放识别方法与诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116008747A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117250457A (zh) * | 2023-10-23 | 2023-12-19 | 武汉朗德电气有限公司 | 一种高压电缆局部放电在线监测系统及方法 |
-
2022
- 2022-12-29 CN CN202211715561.0A patent/CN116008747A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117250457A (zh) * | 2023-10-23 | 2023-12-19 | 武汉朗德电气有限公司 | 一种高压电缆局部放电在线监测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
CN112783940B (zh) | 基于图神经网络的多源时序数据故障诊断方法和介质 | |
CN112070322B (zh) | 基于长短期记忆网络的高压电缆线路运行状态预测方法 | |
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 | |
CN112434848B (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
CN112838946B (zh) | 基于通信网故障智能感知与预警模型的构建方法 | |
CN107085764A (zh) | 一种基于改进dfhmm模型的负荷分解方法及装置 | |
CN114839540B (zh) | 一种基于深度学习算法的锂离子电池剩余寿命在线预测方法 | |
CN111832825A (zh) | 融合长短期记忆网络和极限学习机的风电预测方法及系统 | |
CN115484102A (zh) | 一种面向工业控制系统的异常检测系统和方法 | |
CN111783684A (zh) | 一种基于Bi-GRU-SA的家庭用电负荷分解方法及系统 | |
CN114500004A (zh) | 一种基于条件扩散概率生成模型的异常检测方法 | |
CN114266301A (zh) | 基于图卷积神经网络的电力设备故障智能预测方法 | |
CN116008747A (zh) | 基于小波阈值去噪的Yogi-mLSTM电缆局放识别方法与诊断系统 | |
CN114563671A (zh) | 一种基于CNN-LSTM-Attention神经网络的高压电缆局部放电诊断方法 | |
CN116665483A (zh) | 一种新的预测剩余停车位的方法 | |
Fu et al. | MCA-DTCN: A novel dual-task temporal convolutional network with multi-channel attention for first prediction time detection and remaining useful life prediction | |
CN117407675A (zh) | 基于多变量重构联合动态权重的避雷器泄漏电流预测方法 | |
CN116500454A (zh) | 一种基于多特征输入时序模型的锂离子电池健康状态估计方法、系统、设备及介质 | |
CN117154680A (zh) | 一种基于非平稳Transformer模型的风电功率预测方法 | |
CN116244600A (zh) | 一种gis间歇性放电模式识别模型的构建方法、系统及设备 | |
CN113468720B (zh) | 一种数模联动的随机退化设备寿命预测方法 | |
CN115809725A (zh) | 一种多因素短期电量预测方法及装置 | |
CN115963788A (zh) | 多采样率工业过程关键质量指标在线预测方法 | |
CN115994605A (zh) | 综合气象因子数据的多数据融合光伏功率预测算法 |
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 |