CN116021981A - 配电网线路覆冰故障预测方法、装置、设备及存储介质 - Google Patents
配电网线路覆冰故障预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116021981A CN116021981A CN202310039575.3A CN202310039575A CN116021981A CN 116021981 A CN116021981 A CN 116021981A CN 202310039575 A CN202310039575 A CN 202310039575A CN 116021981 A CN116021981 A CN 116021981A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- fault
- prediction
- model
- training
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000011248 coating agent Substances 0.000 title claims abstract description 23
- 238000000576 coating method Methods 0.000 title claims abstract description 23
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 30
- 238000012544 monitoring process Methods 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 109
- 238000007637 random forest analysis Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 23
- 238000003062 neural network model Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 11
- 239000013598 vector Substances 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000003550 marker Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 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
本发明实施例提供了一种配电网线路覆冰故障预测方法、装置、设备及存储介质，该方法包括：对原始气象监测数据进行特征提取，构建目标时间序列集，所述目标时间序列集包含目标时间序列样本和目标时间序列标记；将所述目标时间序列样本输入至预先训练的故障预测模型中，获得配电网线路的故障分类结果；若所述故障分类结果为存在故障数据，则对所述故障数据进行重构，确定配电网线路的故障预测结果。通过采用卷积神经网络对高维度冗余气象监测数据进行特征提取；然后将提取后特征输入至故障预测模型中进行故障预测，提高了模型的收敛速度以及预测准确率；最后对预测结果进行重构，使得重构故障分类更加接近实际值，提高预测结果精准度。
Description
技术领域
本发明涉及电网防灾减灾预测技术领域，尤其涉及一种配电网线路覆冰故障预测方法、装置、设备及存储介质。
背景技术
近年来，自然灾害导致的大规模连续停电给电力系统带来了前所未有的挑战，其中覆冰等极端天气对线路损坏的发生概率和造成损失急速增加。而配电网位于电网末端，与输电网相比，配电网自动化程度较弱，对覆冰厚度等远程量测能力较差、冗余度较低并缺乏控制保护手段，导致配电网应对覆冰灾害应对能力较弱。因此，对配电网线路覆冰故障状态进行预测成为避免上述问题的关键。
在配电网线路覆冰情况监测方面，直接法是直接测量线路表面冰沉积引起的特性变化，如质量、介电常数等因素来反映覆冰情况，需要额外放置传感器，增加相关成本并易出现设备老化、检测值漂移等情况；间接法是通过获取温度、风速、气压等环境因素，通过数据驱动的方法，结合启发式算法及机器学习方法构建线路覆冰模型反映覆冰情况，间接法无需构造复杂的物理模型，且不用安装额外的传感器增加费用。
数据驱动方法包括浅层机器学习和深层机器学习方法，浅层机器学习如随机森林、支持向量机和反向传播神经网络等方法模型较为简单，但存在难以学习长时间序列数据相关性的缺陷；深度机器学习方法如循环神经网络、长短期记忆网络等方法并行计算能力较差，对多维度序列数据处理精度较低。
发明内容
本发明实施例提供了一种配电网线路覆冰故障预测方法、装置、设备及存储介质，实现了提高配电网线路覆冰故障预测的准确性，缩短了预测时间。
第一方面，本发明实施例提供了一种配电网线路覆冰故障预测方法，包括：
对原始气象监测数据进行特征提取，构建目标时间序列集，所述目标时间序列集包含目标时间序列样本和目标时间序列标记；
将所述目标时间序列样本输入至预先训练的故障预测模型中，获得配电网线路的故障分类结果；
若所述故障分类结果为存在故障数据，则对所述故障数据进行重构，确定配电网线路的故障预测结果。
第二方面，本发明实施例提供了一种配电网线路覆冰故障预测装置，包括：
序列构建模块，用于对原始气象监测数据进行特征提取，构建目标时间序列集，所述目标时间序列集包含目标时间序列样本和目标时间序列标记；
预测模块，用于将所述目标时间序列样本输入至预先训练的故障预测模型中，获得配电网线路的故障分类结果；
重构模块，用于若所述故障分类结果为存在故障数据，则对所述故障数据进行重构，确定配电网线路的故障预测结果。
第三方面，本发明实施例还提供一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面实施例所提供的配电网线路覆冰故障预测方法。
第四方面，本发明实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面实施例所述的配电网线路覆冰故障预测方法。
本发明实施例提供了一种配电网线路覆冰故障预测方法、装置、设备及存储介质，该方法包括：对原始气象监测数据进行特征提取，构建目标时间序列集，所述目标时间序列集包含目标时间序列样本和目标时间序列标记；将所述目标时间序列样本输入至预先训练的故障预测模型中，获得配电网线路的故障分类结果；若所述故障分类结果为存在故障数据，则对所述故障数据进行重构，确定配电网线路的故障预测结果。上述技术方案，采用卷积神经网络对高维度冗余气象监测数据进行特征提取，构建目标时间序列集；然后输入至故障预测模型中，对配电网线路覆冰故障进行预测，提高了故障预测模型的收敛速度以及对高维时间序列的预测准确率；最后对预测结果进行故障数据重构，使得重构故障分类更加接近实际值，提高预测结果精准度。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
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一些实施例，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为本发明实施例一提供的一种配电网线路覆冰故障预测方法的流程示意图；
图2为本发明实施例二提供的另一种配电网线路覆冰故障预测方法的流程示意图；
图3为本发明实施例三提供的一种配电网线路覆冰故障预测装置的结构示意图；
图4为本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“原始”、“目标”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种配电网线路覆冰故障预测方法的流程示意图，该方法可适用于对配电网线路覆冰故障预测的情况，该方法可以由配电网线路覆冰故障预测装置来执行，该装置可以采用硬件和/或软件的形式实现，可配置于电子设备中。如图1所示，本实施例一提供的配电网线路覆冰故障预测方法具体可以包括以下步骤：
S110、对原始气象监测数据进行特征提取，构建目标时间序列集，目标时间序列集包含目标时间序列样本和目标时间序列标记。
在本实施例中，为了对配电网线路覆冰故障进行预测，需要实时获取配电网线路覆冰气象数据。其中，原始气象监测数据具体可以包括气象数据信息和地里位置信息等。示例性的，气象数据信息包括不同高度的风向、湿度、温度、气压以及降水数据等。地里位置信息包括线路地理坐标和海拔高度等。
在本实施例中，面对配电网线路覆冰气象数据冗余以及维度较高的问题，需要对原始气象监测数据进行特征提取。优选采用卷积神经网络(ConvolutionalNeuralNetwork，CNN)模型对原始气象监测数据进行特征提取。通过前向传播和反向传播构造卷积神经网络模型，该卷积神经网络模型包括卷积层、池化层以及全连接层。卷积层用于对原始气象监测数据进行特征处理，并且通过激活函数输出特征图。池化层起到下采样作用，减小网络要素和参数的空间大小，采用池化方式为最大池化，对输入特征进行局部最大值运算，获得位置不变的特征。全连接层用于对前面多层网络所提取的特征进行分类。卷积神经网络的训练目标是最小化网络的损失函数，即最小化前向传播所得到的预测值与实际值的差值，在误差反向传播过程中，采用梯度下降法最小化损失函数。
本实施例中，通过前向传播和反向传播构造卷积神经网络模型，对不同高度风速、风向、气压和温度等高维时序气象数据进行气象特征提取。具体的，对原始气象监测数据进行特征提取，获得气象时序特征。在获得气象时序特征后，取气象时序特征生成训练集合。基于训练集合构建时间序列，本实施例中将构建的时间序列记为目标时间序列。其中，目标时间序列包含时间序列样本和时间序列标记。
示例性的，取经过CNN训练得到时序特征气象数据生成训练集合(x1，x2，...xn)，其中，x1，x2，...xn分别表示每个气象时序特征。基于训练集合构建时间序列，构建时间序列包括构建时间序列样本和时间序列标记。构建时间序列的样本和标记分别为(X1，X2，...Xm)和(y1，y2，...ym)，其中X1为(x1，x2，...，xk-1)组成的向量，y1为xk；X2为(x2，x3，...，xk)组成的向量，y2为xk+1，以此类推：Xm为(xm，xm+1，...，xm+k-1)，ym为xm+k，其中，m、k分别为正整数。
S120、将目标时间序列样本输入至预先训练的故障预测模型中，获得配电网线路的故障分类结果。
在本实施例中，采用长短期神经网络(Long Short Termnetworks，LSTM)以及随机森林模型(RandomForest，RF)，基于长时间序列的气象特征数据作为输入进行训练，获得故障预测模型。故障预测模型的训练过程可以表述为：先对大量历史原始气象监测数据经过卷积神经网络模型进行特征提取获得气象时序特征。然后从气象时序特征中获取无故障的气象时序特征生成训练集合，然后基于该训练集合构建时间序列样本和时间序列标记，将时间序列样本和时间序列标记构成时间序列。构建LSTM网络模型，模型的输入为时间序列的样本，输出为时间序列的标记，当模型损失率趋于稳定时，停止训练并保存模型M1。
同样，从气象时序特征中获取故障气象时序特征生成训练集合，然后基于该训练集合构建时间序列样本和时间序列标记，将时间序列样本和时间序列标记构成时间序列。取上述步骤中生成LSTM模型M1对故障序列进行预测，模型输入为故障序列样本集合，输出为预测序列集合
残差序列数据集合(r1，r2，...rj)为预测数据集合
与标记数据集合(l1，l2，...lm)的差值。构建并训练随机森林分类器，输入为残差数据集合(r1，r2，...rj)与标记集合(l1，l2，...lm)，输出为故障分类，设置每个决策树随机选择特征数目为总特征数的根号值，训练得到模型M2。将模型M1和模型M2作为故障预测模型。
其中分类结果为配电网线路故障状态。具体的，在获取故障预测模型后，将目标时间序列中的目标时间序列样本输入到故障检测模型的LSTM模型M1中，输出预测序列集合。根据预测序列集合与目标时间序列中的目标时间序列标记进行作差，获得残差序列数据集合。利用随机森林模型M2，根据残差序列数据集合中残差序列幅值和排序进行分类，获得分类结果。分类结果可能为分类数据存在故障数据或者分类数据不存在故障数据。
示例性的，用LSTM模型M1对故障序列进行预测，模型输入为时间序列样本集合(X1，X2，...Xm)，模型输出为预测序列集合(y1，y2，...ym)。残差序列数据集合(r1，r2，...rj)为预测数据集合
与标记数据集合(l1，l2，...lm)的差值。利用随机森林模型M2根据残差序列幅值和排序进行分类，获得分类结果。
S130、若分类结果为存在故障数据，则对故障数据进行重构，确定配电网线路的故障预测结果。
具体的，若分类结果为分类数据存在故障数据，则利用上述步骤得到的预测数据集合对故障数据进行重构。通过数据重构，使得输出数据更符合真实数据，提高上述步骤预测结果的精确度。需要知道的是，如果配电网线路为非故障状态，则无需进行故障数据重构。
示例性的，若分类数据存在故障数据，则利用LSTM模型M1得到的预测数据集合
对故障数据进行重构。
本发明实施例提供了一种配电网线路覆冰故障预测方法，该方法首先对原始气象监测数据进行特征提取，构建目标时间序列集，目标时间序列集包含目标时间序列样本和目标时间序列标记；然后将目标时间序列样本输入至预先训练的故障预测模型中，获得配电网线路的故障分类结果；最后若分类结果为存在故障数据，则对故障数据进行重构，确定配电网线路的故障预测结果。上述技术方案，采用卷积神经网络对高维度冗余气象监测数据进行特征提取，构建目标时间序列集；然后输入至故障预测模型中，对配电网线路覆冰故障进行预测，提高了故障预测模型的收敛速度以及对高维时间序列的预测准确率；最后对预测结果进行故障数据重构，使得重构故障分类更加接近实际值，提高预测结果精准度。
作为本发明实施例的可选实施例，在上述实施例的基础上，故障预测模型的训练步骤具体可以表述为，包括：
a1、获取包含气象时序特征的训练样本集。
具体的，训练样本集基于大量历史气象监测数据处理获得。将大量历史气象监测数据通过卷积神经网络模型进行特征提取，获得气象时序特征。可以理解的是，气象时序特征应该包含有故障气象时序特征和无故障气象时序特征。将大量历史气象监测数据经卷积神经网络模型进行训练，取卷积神经网络模型训练得到无故障时序特征气象数据生成训练样本集合(x1，x2，...xn)。取训练样本中故障时序特征气象数据，生成训练样本集合(e1，e2，…en)。
b1、根据训练样本集中的无故障气象时序特征，进行长短期神经网络模型训练，获得第一子预测模型。
在本步骤中，基于训练样本集中的无故障气象时序特征构建时间序列，时间序列中包含时间序列样本以及时间序列标记。构建初始LSTM网络模型，模型的输入为时间序列样本，输出为时间序列标记。当模型损失率趋于稳定时，停止训练并保存模型M1，本实施例中记为第一子预测模型。
进一步的，根据训练样本集中的无故障气象时序特征，进行长短期神经网络模型训练，获得第一子预测模型，包括：
b11、获取训练样本集中的无故障气象时序特征，构成第一训练集合。
具体的，获取经过CNN训练得到的无故障气象时序特征，生成训练集合，本实施例中记为第一训练集合。示例性的，第一训练集合表示为(x1，x2，...xn)，其中，x1，x2，...xn分别表示每个无故障气象时序特征，n为正整数。
b12、根据第一训练集合，构建第一时间序列样本和第一时间序列标记，并将第一时间序列样本和第一时间序列标记构成第一时间序列集。
具体的，基于第一训练集合构建时间序列，本实施例记为第一时间序列集。第一时间序列集包括第一时间序列样本和第一时间序列标记。示例性的，第一训练集合表示为(x1，x2，...xn)，构建第一时间序列样本和标记分别为(X1，X2，...Xm)和(y1，y2，...ym)，其中X1为(x1，x2，...，xk-1)组成的向量，y1为xk；X2为(x2，x3，...，xk)组成的向量，y2为xk+1，以此类推：Xm为(xm，xm+1，…，xm+k-1)，ym为xm+k。
为了简化计算，将数据进行标准化处理，具体的，针对时间序列进行归一化处理，归一化方法为：X′＝(x-xmin)/(xmax-xmin)，x表示归一化前的值，X′表示归一化后的值，xmin表示最小值，xmax表示最大值。
b13、构建初始长短期神经网络模型，并将第一时间序列样本作为输入，将第一时间序列标记作为输出，对初始长短期神经网络模型进行训练。
具体的，构建LSTM网络模型，模型的输入为第一时间序列样本，输出为第一时间序列标记。针对构建的LSTM模型，使用时序反向传播算法(back-propagation through time，BPTT)对其进行训练。损失函数设定为均方根误差，激活函数为adam。
b14、在满足训练迭代结束条件后，将训练后的长短期神经网络模型作为第一子预测模型。
具体的，训练迭代结束条件可以理解为模型损失率趋于稳定。具体的，当模型损失率趋于稳定时，停止训练将训练后的长短期神经网络模型保存为模型M1。
c1、根据训练样本集中的故障气象时序特征，进行随机森林模型训练，获得第二子预测模型。
在本步骤中，基于训练样本集中的故障气象时序特征构建时间序列，时间序列中包含时间序列样本以及时间序列标记。基于第一子预测模型，即上述步骤得到的模型M1对故障序列进行预测，模型输入为故障序列样本集合，输出为预测序列集合。根据预测序列集合和时间序列标记确定残差序列数据集合。构建并训练随机森林分类器，输入为残差数据集合与标记集合，输出为故障分类，训练得到模型M2，本实施例中记为第二子预测模型。
进一步的，根据训练样本集中的有故障气象时序特征，进行随机森林模型训练，获得第二子预测模型，包括：
c11、获取训练样本集中的故障气象时序特征，构成第二训练集合。
具体的，获取经过CNN训练得到的故障气象时序特征，生成训练集合，本实施例中记为第二训练集合。示例性的，第二训练集合表示为(e1，e2，...en)，其中，e1，e2，...en分别表示每个故障气象时序特征，n为正整数。
c12、根据第二训练集合，构建第二时间序列样本和第二时间序列标记，并将第二时间序列样本和第二时间序列标记构成第二时间序列集。
具体的，基于第二训练集合构建时间序列，本实施例记为第二时间序列集。第二时间序列集包括第二时间序列样本和第二时间序列标记。示例性的，第二训练集合表示为(e1，e2，...en)，构建第二时间序列样本和标记分别为(E1，E2，…Em)和(l1，l2，…lm)，其中，Em为(em，em+1，…，em+k-1)，lm为em+k，其中，m、k为正整数。
c13、将第二时间序列样本输入至第一子预测模型中，获得第二预测序列。
具体的，取上述步骤中生成LSTM模型M1对故障序列进行预测，模型输入为第二时间序列样本集合，输出为预测序列集合，记为第二预测序列
c14、根据第二预测序列和第二时间序列标记作差，获得残差序列数据。
具体的，根据第二预测序列和第二时间序列标记作差，生成残差序列数据。示例性的，残差序列数据集合(r1，r2，...rj)为预测数据集合
与标记数据集合(l1，l2，...lm)的差值。
c15、构建初始随机森林分类器，并将残差序列数据和第二时间序列标记作为输入，将故障分类作为输出，对初始随机森林模型进行训练。
具体的，构建并训练随机森林分类器，输入为残差数据集合(r1，r2，...rj)与标记集合(l1，l2，...lm)，输出为故障分类。
c16、在满足训练迭代结束条件后，将训练后的随机森林模型作为第二子预测模型。
具体的，设置每个决策树随机选择特征数目为总特征数的根号值，进行训练将训练后的随机森林模型作为第二子预测模型，记为模型M2。
d1、将第一子预测模型和第二子预测模型作为故障预测模型。
本可选实施例具体化了故障预测模型的训练步骤，相比于以往传统算法，采用采用长短期神经网络和随机森林算法，迭代时间短、预测精度高、并且预测结果更加接近实际值，解决了单一智能算法存在的缺陷，获得了比普通传统算法更快的收敛速度和预测精度。
实施例二
图2为本发明实施例二提供的另一种配电网线路覆冰故障预测方法的流程示意图，本实施例为上述实施例的进一步优化，在本实施例中，进一步对“对原始气象监测数据进行特征提取，构建目标时间序列集”限定优化为采用设定的神经网络模型对原始气象检测数据进行特征提取，确定气象时序特征；根据所述气象时序特征，确定训练集合；根据所述训练集合，构建初始时间序列样本和初始时间序列标记并将所述初始时间序列样本和初始时间序列标记构成初始时间序列集；将所述初始时间序列集进行归一化处理，获得目标时间序列集。
且，进一步对“将所述目标时间序列样本输入至预先训练的故障预测模型中，获得所述配电网线路的分类结果”限定优化为将所述目标时间序列样本输入至第一子预测模型，获得目标预测序列；将所述目标预测序列和所述目标时间序列标记做差，确定目标残差序列；根据第一子预测模型对所述目标残差序列中的幅值和排序进行分类，确定所述配电网线路的故障分类结果。
且，进一步对“若所述分类结果为存在故障数据，则对所述故障数据进行重构，确定配电网线路覆冰的故障预测结果，包括：若所述分类结果为存在故障数据，则根据所述目标预测序列对所述故障数据进行重构，获得预估数据；根据所述预估数据和所述故障数据，确定配电网线路覆冰的故障预测结果。”
如图2所示，本实施例二提供一种配电网线路覆冰故障预测方法，具体包括如下步骤：
S210、采用设定的神经网络模型对原始气象检测数据进行特征提取，确定气象时序特征。
优选的，设定的神经网络模型为卷积神经网络模型，卷积神经网络模型基于前向传播和反向传播构建，卷积神经网络模型包括卷积层、池化层以及全连接层，卷积层用于对原始气象检测数据进行处理，并通过激活函数输出特征图；池化层用于下采样操作，以减小网络要素和参数的空间大小；全连接层用于对前面各层网络所提取的特征进行分类。
在本实施例中，卷积神经网络模型的构建过程包括：
前向传播
卷积层：卷积层是对气象数据信息以及地理位置信息的输入特征进行处理，并且通过激活函数输出特征图。
示例性的，输入数据中气象数据包括线路10米至150米不同高度的风向、风速、温度、湿度、气压以及降水数据，地理位置信息包括地理信息系统获得线路地理坐标、海拔高度。得到核函数具体卷积过程如下：
池化层：池化层起到了下采样操作的作用，减小网络要素和参数的空间大小。本文采用池化方式为最大池化，对输入特征进行局部最大值运算，获得位置不变的特征。最大池化转换如下：
全连接层：全连接层用于对前面多层网络所提取的特征进行分类，输入为所有特征图展开的一维向量加权和，是由一维向量输入激活函数后得到，数学表达式如下：yl＝f(wlxl-1+bl)，式中，yl为全连接层的输出；xl-1为特征图展开的一维向量。本文采用softmax作为全连接层的分类函数，表达式如下：
式中，
为指数函数，k为分类类别数，q(xj)为函数输出值。
反向传播
卷积神经网络的训练目标是最小化网络的损失函数，即最小化前向传播所得到的预测值与实际值的差值，本实施例选用交叉熵函数作为损失函数，表达式如下：
式中，n为该类故障的样本数；di和yi分别为第i个样本的预测值和真实值。在误差反向传播过程中，采用梯度下降法最小化损失函数，通过对损失函数求导逐层更新网络的自适应参数w和b。具体计算方法如下：
式中，w′和b′为更新后的权重和偏置；w和b为现有的权重和偏置；η为学习率，用来控制权值更新的步长。
本实施例中，通过前向传播和反向传播构造卷积神经网络模型，对不同高度风速、风向、气压和温度等高维时序气象数据进行气象特征提取，从而实现高维时序特征量降维输入RF-LSTM中，解决时序预测网络面对高维数据输入时固有的预测精度较低以及收敛速度较慢的问题。
具体的，采用设定的神经网络模型对原始气象检测数据进行特征提取，确定气象时序特征。
S220、根据气象时序特征，确定训练集合。
具体的，取上述步骤CNN训练得到气象时序特征生成训练集合。示例性的，训练集合可以表示为(x1，x2，...xn)。
S230、根据训练集合，构建初始时间序列样本和初始时间序列标记并将初始时间序列样本和初始时间序列标记构成初始时间序列集。
具体的，根据训练集合构建时间序列。构建初始时间序列样本和初始时间序列标记分别为(X1，x2，...Xm)和(y1，y2，...ym)，其中X1为(x1，x2，...，xk-1)组成的向量，y1为xk；X2为(x2，x3，...，xk)组成的向量，y2为xk+1，以此类推：Xm为(xm，xm+1，...，xm+k-1)，ym为xm+k。
S240、将初始时间序列集进行归一化处理，获得目标时间序列集。
具体的，为了将数据规范化，便于计算，针对初始时间序列集进行归一化处理，归一化方法为X′＝(x-xmin)/(xmax-xmin)。
S250、将目标时间序列样本输入至第一子预测模型，获得目标预测序列。
具体的，将目标时间序列样本输入至第一子预测模型中，即用LSTM模型M1对故障序列进行预测，模型输入为时间序列样本集合(X1，X2，...Xm)，模型输出为预测序列集合(y1，y2，...ym)，本实施例中，记为目标预测序列。
S260、将目标预测序列和目标时间序列标记做差，确定目标残差序列。
具体的，目标残差序列为目标预测序列与目标时间序列标记的差值。
S270、根据第二子预测模型对目标残差序列中的幅值和排序进行分类，确定配电网线路的故障分类结果。
具体的，利用随机森林模型M2根据目标残差序列中幅值和排序进行分类，故障分类结果为配电网线路故障状态。故障分类结果可能为分类数据存在故障或者分类数据不存在故障。
S280、若故障分类结果为存在故障数据，则根据目标预测序列对故障数据进行重构，获得预估数据。
其中，根据已受故障影响的过程变量测量值估计出名义上的正常测量值，通过故障重构可以估计出故障的严重程度。具体的，若故障分类结果为分类数据存在故障数据，则根据目标预测序列对故障数据进行重构，获得更接近真实值的预估数据。其中，预估数据可以理解为故障数据对应的正常数据值。
S290、根据预估数据和故障数据，确定配电网线路覆冰的故障预测结果。。
具体的，将预估数据与故障数据进行比较，可以进一步确定故障数据与预估数据的差值，以根据差值确定配电网线路覆冰的故障预测结果。
具体的，若分类数据存在故障数据，则利用上述步骤中获得的目标预测序列，即LSTM模型M1得到的预测数据集合
对故障数据进行重构。通过数据重构，使得输出数据更符合真实数据，提高LSTM预测结果的精确度。对于配电网线路的运行状态为不是故障状态，则不需要进行重构。
实施例三
图3为本发明实施例三提供的一种配电网线路覆冰故障预测装置的结构示意图，该装置可适用于对芯片进行布局的情况，该配电网线路覆冰故障预测装置可配置于电子设备中，如图3所示，该装置包括：序列构建模块31、预测模块32、重构模块33；其中，
序列构建模块31，用于对原始气象监测数据进行特征提取，构建目标时间序列集，目标时间序列集包含目标时间序列样本和目标时间序列标记；
预测模块32，用于将目标时间序列样本输入至预先训练的故障预测模型中，获得配电网线路的故障分类结果；
重构模块33，用于若故障分类结果为存在故障数据，则对故障数据进行重构，确定配电网线路的故障预测结果。
本发明实施例提供了一种配电网线路覆冰故障预测装置，首先对原始气象监测数据进行特征提取，构建目标时间序列集，目标时间序列集包含目标时间序列样本和目标时间序列标记；然后将目标时间序列样本输入至预先训练的故障预测模型中，获得配电网线路的故障分类结果；最后若故障分类结果为存在故障数据，则对故障数据进行重构，确定配电网线路的故障预测结果。上述技术方案，采用卷积神经网络对高维度冗余气象监测数据进行特征提取，构建目标时间序列集；然后输入至故障预测模型中，对配电网线路覆冰故障进行预测，提高了故障预测模型的收敛速度以及对高维时间序列的预测准确率；最后对预测结果进行故障数据重构，使得重构故障分类更加接近实际值，提高预测结果精准度。
可选的，该装置还包括模型训练模块，包括：
获取单元，用于获取包含气象时序特征的训练样本集；
第一模型确定单元，用于根据训练样本集中的无故障气象时序特征，进行长短期神经网络模型训练，获得第一子预测模型；
第二模型确定单元，用于根据训练样本集中的有故障气象时序特征，进行随机森林模型训练，获得第二子预测模型；
模型确定单元，用于将第一子预测模型和第二子预测模型作为故障预测模型。
可选的，第一模型确定单元，具体用于：
获取训练样本集中的无故障气象时序特征，构成第一训练集合；
根据第一训练集合，构建第一时间序列样本和第一时间序列标记，并将第一时间序列样本和第一时间序列标记构成第一时间序列集；
构建初始长短期神经网络模型，并将第一时间序列样本作为输入，将第一时间序列标记作为输出，对初始长短期神经网络模型进行训练；
在满足训练迭代结束条件后，将训练后的长短期神经网络模型作为第一子预测模型。
可选的，第二模型确定单元，具体用于：
获取训练样本集中的故障气象时序特征，构成第二训练集合；
根据第二训练集合，构建第二时间序列样本和第二时间序列标记，并将第二时间序列样本和第二时间序列标记构成第二时间序列集；
将第二时间序列样本输入至第一子预测模型中，获得第二预测序列；
根据第二预测序列和第二时间序列标记作差，获得残差序列数据；
构建初始随机森林分类器，并将残差序列数据和第二时间序列标记作为输入，将故障分类作为输出，对初始随机森林模型进行训练；
在满足训练迭代结束条件后，将训练后的随机森林模型作为第二子预测模型。
可选的，序列构建模块31，具体用于：
采用设定的神经网络模型对原始气象检测数据进行特征提取，确定气象时序特征；
根据气象时序特征，确定训练集合；
根据训练集合，构建初始时间序列样本和初始时间序列标记并将初始时间序列样本和初始时间序列标记构成初始时间序列集；
将初始时间序列集进行归一化处理，获得目标时间序列集。
可选的，设定的神经网络模型为卷积神经网络模型，卷积神经网络模型基于前向传播和反向传播构建，卷积神经网络模型包括卷积层、池化层以及全连接层，卷积层用于对原始气象检测数据进行处理，并通过激活函数输出特征图；池化层用于下采样操作，以减小网络要素和参数的空间大小；全连接层用于对前面各层网络所提取的特征进行分类。
可选的，将目标时间序列样本输入至预先训练的故障预测模型中，获得配电网线路的分类结果，包括：
将目标时间序列样本输入至第一子预测模型，获得目标预测序列；
将目标预测序列和目标时间序列标记做差，确定目标残差序列；
根据第二子预测模型对目标残差序列中的幅值和排序进行分类，确定配电网线路的故障分类结果。
可选的，重构模块33，具体用于：
若分类结果为存在故障数据，则根据目标预测序列对故障数据进行重构，获得预估数据；
根据预估数据和故障数据，确定配电网线路覆冰的故障预测结果。
本发明实施例所提供的配电网线路覆冰故障预测装置可执行本发明任意实施例所提供的配电网线路覆冰故障预测方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四提供的一种电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示，电子设备40包括至少一个处理器41，以及与至少一个处理器41通信连接的存储器，如只读存储器(ROM)42、随机访问存储器(RAM)43等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器41可以根据存储在只读存储器(ROM)42中的计算机程序或者从存储单元48加载到随机访问存储器(RAM)43中的计算机程序，来执行各种适当的动作和处理。在RAM43中，还可存储电子设备40操作所需的各种程序和数据。处理器41、ROM42以及RAM43通过总线44彼此相连。输入/输出(I/O)接口45也连接至总线44。
电子设备40中的多个部件连接至I/O接口45，包括：输入单元46，例如键盘、鼠标等；输出单元47，例如各种类型的显示器、扬声器等；存储单元48，例如磁盘、光盘等；以及通信单元49，例如网卡、调制解调器、无线通信收发机等。通信单元49允许电子设备40通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器41可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器41的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器41执行上文所描述的各个方法和处理，例如配电网线路覆冰故障预测方法。
在一些实施例中，配电网线路覆冰故障预测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元48。在一些实施例中，计算机程序的部分或者全部可以经由ROM42和/或通信单元49而被载入和/或安装到电子设备40上。当计算机程序加载到RAM43并由处理器41执行时，可以执行上文描述的配电网线路覆冰故障预测方法的一个或多个步骤。备选地，在其他实施例中，处理器41可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行配电网线路覆冰故障预测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (11)
1.一种配电网线路覆冰故障预测方法，其特征在于，包括：
对原始气象监测数据进行特征提取，构建目标时间序列集，所述目标时间序列集包含目标时间序列样本和目标时间序列标记；
将所述目标时间序列样本输入至预先训练的故障预测模型中，获得配电网线路的故障分类结果；
若所述故障分类结果为存在故障数据，则对所述故障数据进行重构，确定配电网线路的故障预测结果。
2.根据权利要求1所述的方法，其特征在于，所述故障预测模型的训练步骤，包括：
获取包含气象时序特征的训练样本集；
根据所述训练样本集中的无故障气象时序特征，进行长短期神经网络模型训练，获得第一子预测模型；
根据所述训练样本集中的故障气象时序特征，进行随机森林模型训练，获得第二子预测模型；
将所述第一子预测模型和所述第二子预测模型作为故障预测模型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述训练样本集中的无故障气象时序特征，进行长短期神经网络模型训练，获得第一子预测模型，包括：
获取所述训练样本集中的无故障气象时序特征，构成第一训练集合；
根据所述第一训练集合，构建第一时间序列样本和第一时间序列标记，并将所述第一时间序列样本和所述第一时间序列标记构成第一时间序列集；
构建初始长短期神经网络模型，并将所述第一时间序列样本作为输入，将所述第一时间序列标记作为输出，对所述初始长短期神经网络模型进行训练；
在满足训练迭代结束条件后，将训练后的长短期神经网络模型作为第一子预测模型。
4.根据权利要求2所述的方法，其特征在于，所述根据所述训练样本集中的故障气象时序特征，进行随机森林模型训练，获得第二子预测模型，包括：
获取所述训练样本集中的故障气象时序特征，构成第二训练集合；
根据所述第二训练集合，构建第二时间序列样本和第二时间序列标记，并将所述第二时间序列样本和第二时间序列标记构成第二时间序列集；
将所述第二时间序列样本输入至所述第一子预测模型中，获得第二预测序列；
根据所述第二预测序列和所述第二时间序列标记作差，获得残差序列数据；
构建初始随机森林分类器，并将所述残差序列数据和第二时间序列标记作为输入，将故障分类作为输出，对所述初始随机森林模型进行训练；
在满足训练迭代结束条件后，将训练后的随机森林模型作为第二子预测模型。
5.根据权利要求1所述的方法，其特征在于，所述对原始气象监测数据进行特征提取，构建目标时间序列，包括：
采用设定的神经网络模型对原始气象监测数据进行特征提取，确定气象时序特征；
根据所述气象时序特征，确定训练集合；
根据所述训练集合，构建初始时间序列样本和初始时间序列标记并将所述初始时间序列样本和初始时间序列标记构成初始时间序列集；
将所述初始时间序列集进行归一化处理，获得目标时间序列集。
6.根据权利要求5所述的方法，其特征在于，所述设定的神经网络模型为卷积神经网络模型，所述卷积神经网络模型基于前向传播和反向传播构建，所述卷积神经网络模型包括卷积层、池化层以及全连接层，卷积层用于对原始气象检测数据进行处理，并通过激活函数输出特征图；池化层用于下采样操作，以减小网络要素和参数的空间大小；全连接层用于对前面各层网络所提取的特征进行分类。
7.根据权利要求1所述的方法，其特征在于，所述将所述目标时间序列样本输入至预先训练的故障预测模型中，获得所述配电网线路的故障分类结果，包括：
将所述目标时间序列样本输入至第一子预测模型，获得目标预测序列；
将所述目标预测序列和所述目标时间序列标记做差，确定目标残差序列；
根据第二子预测模型对所述目标残差序列中的幅值和排序进行分类，确定所述配电网线路的故障分类结果。
8.根据权利要求7所述的方法，其特征在于，所述若所述分类结果为存在故障数据，则对所述故障数据进行重构，确定配电网线路覆冰的故障预测结果，包括：
若所述分类结果为存在故障数据，则根据所述目标预测序列对所述故障数据进行重构，获得预估数据；
根据所述预估数据和所述故障数据，确定配电网线路覆冰的故障预测结果。
9.一种配电网线路覆冰故障预测装置，其特征在于，包括：
序列构建模块，用于对原始气象监测数据进行特征提取，构建目标时间序列集，所述目标时间序列集包含目标时间序列样本和目标时间序列标记；
预测模块，用于将所述目标时间序列样本输入至预先训练的故障预测模型中，获得配电网线路的故障分类结果；
重构模块，用于若所述故障分类结果为存在故障数据，则对所述故障数据进行重构，确定配电网线路的故障预测结果。
10.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8任一项所述的配电网线路覆冰故障预测方法。
11.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-8任一项所述的配电网线路覆冰故障预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310039575.3A CN116021981A (zh) | 2023-01-12 | 2023-01-12 | 配电网线路覆冰故障预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310039575.3A CN116021981A (zh) | 2023-01-12 | 2023-01-12 | 配电网线路覆冰故障预测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116021981A true CN116021981A (zh) | 2023-04-28 |
Family
ID=86070342
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310039575.3A Pending CN116021981A (zh) | 2023-01-12 | 2023-01-12 | 配电网线路覆冰故障预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116021981A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116451594A (zh) * | 2023-06-15 | 2023-07-18 | 北京东润环能科技股份有限公司 | 覆冰预测模型的训练方法、预测方法、装置和电子设备 |
| CN117494026A (zh) * | 2023-12-28 | 2024-02-02 | 国网浙江省电力有限公司金华供电公司 | 寒潮气象下输电线路覆冰故障定位方法、系统及存储介质 |
-
2023
- 2023-01-12 CN CN202310039575.3A patent/CN116021981A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116451594A (zh) * | 2023-06-15 | 2023-07-18 | 北京东润环能科技股份有限公司 | 覆冰预测模型的训练方法、预测方法、装置和电子设备 |
| CN116451594B (zh) * | 2023-06-15 | 2023-08-18 | 北京东润环能科技股份有限公司 | 覆冰预测模型的训练方法、预测方法、装置和电子设备 |
| CN117494026A (zh) * | 2023-12-28 | 2024-02-02 | 国网浙江省电力有限公司金华供电公司 | 寒潮气象下输电线路覆冰故障定位方法、系统及存储介质 |
| CN117494026B (zh) * | 2023-12-28 | 2024-04-05 | 国网浙江省电力有限公司金华供电公司 | 寒潮气象下输电线路覆冰故障定位方法、系统及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116021981A (zh) | 配电网线路覆冰故障预测方法、装置、设备及存储介质 | |
| CN111091233A (zh) | 一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法 | |
| Lian et al. | A novel data-driven tropical cyclone track prediction model based on CNN and GRU with multi-dimensional feature selection | |
| Su et al. | A convection nowcasting method based on machine learning | |
| US20200234165A1 (en) | Prediction method for aero-engine starting exhaust temperature | |
| WO2022039675A1 (en) | Method and apparatus for forecasting weather, electronic device and storage medium thereof | |
| CN116595394A (zh) | 风速修正模型的训练方法及风速预测方法、设备和介质 | |
| CN116485031A (zh) | 短期电力负荷的预测方法、装置、设备及存储介质 | |
| CN116108995A (zh) | 感潮河段船舶油耗预测方法、装置及电子设备 | |
| CN117332896A (zh) | 多层集成学习的新能源小时间尺度功率预测方法及系统 | |
| CN117154680A (zh) | 一种基于非平稳Transformer模型的风电功率预测方法 | |
| CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
| CN113836661B (zh) | 时间预测方法、模型训练方法、相关装置及电子设备 | |
| CN115456168B (zh) | 强化学习模型的训练方法、能耗确定方法和装置 | |
| Xiao et al. | Prediction of Monthly Rainfall in Plateau Area Based on Convolutional Neural Network | |
| CN117595260B (zh) | 一种基于5g短切片的电力设备远程监控方法及系统 | |
| CN117131947B (zh) | 架空输电线路故障预测方法、装置、设备及存储介质 | |
| CN117251809A (zh) | 电网时序数据异常检测方法、装置、设备和存储介质 | |
| CN118014018A (zh) | 一种楼宇能源消耗预测方法、装置、设备及存储介质 | |
| CN118245823A (zh) | 一种绝缘子泄漏电流预测方法、装置、设备及存储介质 | |
| Suthar et al. | Estimation of Tropical Cyclone Intensity from Satellite Data Using Self Attentive–TCNN-BiGRU Approach | |
| Guo et al. | Predict typhoon-induced storm surge deviation in a principal component back-propagation neural network model | |
| CN115860247A (zh) | 一种极端天气下风机损失功率预测模型训练方法和装置 | |
| CN116822740A (zh) | 配电网运维方案确定方法、装置、电子设备及存储介质 | |
| CN115952921A (zh) | 一种光伏能源功率预测方法、装置、电子设备及存储介质 |
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 |