CN116187248B - 基于大数据的继电保护定值分析校验方法及系统 - Google Patents
基于大数据的继电保护定值分析校验方法及系统 Download PDFInfo
- Publication number
- CN116187248B CN116187248B CN202310237860.6A CN202310237860A CN116187248B CN 116187248 B CN116187248 B CN 116187248B CN 202310237860 A CN202310237860 A CN 202310237860A CN 116187248 B CN116187248 B CN 116187248B
- Authority
- CN
- China
- Prior art keywords
- layer
- output
- relay protection
- training
- short
- 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.)
- Active
Links
- 238000012795 verification Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims description 82
- 238000000605 extraction Methods 0.000 claims description 26
- 238000013507 mapping Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- 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
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Emergency Protection Circuit Devices (AREA)
Abstract
本发明提供了一种基于大数据的继电保护定值分析校验方法及系统,本发明通过从大数据中调取短路电流值和继电保护定值,构建为训练集,训练继电保护定值分析模型,找到短路电流值与继电保护定值间关系的映射,将待分析短路电流值输入训练后的继电保护定值分析模型中,得到继电保护定值,实现一种通用的继电保护定值分析校验方法。
Description
技术领域
本发明涉及继电保护定值分析技术领域,具体而言,涉及一种基于大数据的继电保护定值分析校验方法及系统。
背景技术
在电力系统中的用电设备发生故障时,继电装置能自动将故障后的用电设备切除,来恢复其他无故障部分的运行状态,减少停电范围。但具体继电保护定值设置为多少,才能保护电力系统中的各设备,还缺乏一种通用的继电保护定值分析校验方法。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于大数据的继电保护定值分析校验方法及系统解决了如何确定继电保护定值的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于大数据的继电保护定值分析校验方法,包括:
根据待分析电力系统的阻抗,计算待分析短路电流值;
从大数据中调取短路电流值和继电保护定值,构建训练集;
采用训练集训练继电保护定值分析模型,得到训练后的继电保护定值分析模型;
将待分析短路电流值输入训练后的继电保护定值分析模型中,得到预测的继电保护定值;
根据预测的继电保护定值,对待分析电力系统中继电设备进行设置,完成校验。
进一步地,所述继电保护定值分析模型包括:输入层、特征提取层、隐藏层和输出层;
所述输入层分别与特征提取层的输入端和隐藏层的输入端连接;所述隐藏层的输出端与输出层的输入端连接。
上述进一步地方案的有益效果为:本发明在数据输入时,设置了特征提取层用于提取输入数据的特征,增强数据在模型中的表达能力,提高继电保护定值分析模型预测精度。
进一步地,所述特征提取层的表达式为:
其中,r为特征提取层的输出,xi为第i个短路电流值,N为短路电流值的数量。
进一步地,所述隐藏层的表达式为:
其中,f为隐藏层的输出,Whide为隐藏层的权重,X为输入层输入的短路电流值集合,r为特征提取层的输出,e为自然对数。
进一步地,所述输出层的表达式为:
其中,y为输出层的输出,Whide为隐藏层的权重,Wexport为输出层的权重,b为输出层的偏置,X为输入层输入的短路电流值集合,r为特征提取层的输出,e为自然对数。
进一步地,所述训练继电保护定值分析模型包括:
将训练集中短路电流值输入输入层中,通过输入层将短路电流值分别传输给特征提取层和隐藏层;
在特征提取层中,提取短路电流值特征,将短路电流值特征传输给隐藏层;
通过隐藏层进行映射,得到隐藏层输出;
通过输出层对隐藏层输出进行映射,得到输出层的输出;
根据输出层的输出和训练集中继电保护定值,计算目标差值;
根据目标差值分别对隐藏层和输出层的参数进行优化,直到目标差值低于目标阈值,继电保护定值分析模型训练完成。
进一步地,所述计算目标差值的公式为:
其中,dk为第k次训练后的目标差值,yk为第k次训练时输出层的输出,y′ k为第k次训练时训练集中继电保护定值,e为自然对数。
进一步地,所述根据目标差值分别对隐藏层和输出层的参数进行优化,具体包括:根据目标差值对隐藏层的权重进行优化,根据目标差值对输出层的权重进行优化;
对隐藏层的权重进行优化的公式为:
其中,为第k次训练的隐藏层权重,/>为第k-1次训练的隐藏层权重,dk为第k次训练后的目标差值;
对输出层的权重进行优化的公式为:
其中,为第k次训练的输出层权重,/>为第k-1次训练的输出层权重,dk为第k次训练后的目标差值。
上述进一步地方案的有益效果为:在训练过程中,第k次训练时输出层的输出yk与第k次训练时训练集中继电保护定值y′ k相差较大时,目标差值dk较大,隐藏层的权重和输出层的权重下降速度快,隐藏层的权重和输出层的权重下降速度,导致yk与y′ k差距加剧缩小,目标差值dk加剧缩小,隐藏层的权重和输出层的权重下降速度变缓。
一种基于大数据的继电保护定值分析校验方法的继电保护定值分析校验系统,包括:
待分析短路电流值计算单元、训练集构建单元、模型训练单元和校验单元;
所述待分析短路电流值计算单元用于根据待分析电力系统的阻抗,计算待分析短路电流值;所述训练集构建单元用于从大数据中调取短路电流值和继电保护定值,构建训练集;所述模型训练单元用于采用训练集训练继电保护定值分析模型,得到训练后的继电保护定值分析模型;所述校验单元用于根据预测的继电保护定值,对待分析电力系统中继电设备进行设置,完成校验。
本发明实施例的技术方案至少具有如下优点和有益效果:本发明通过从大数据中调取短路电流值和继电保护定值,构建为训练集,训练继电保护定值分析模型,找到短路电流值与继电保护定值间关系的映射,将待分析短路电流值输入训练后的继电保护定值分析模型中,得到继电保护定值,实现一种通用的继电保护定值分析校验方法。
附图说明
图1为一种基于大数据的继电保护定值分析校验方法的流程图;
图2为继电保护定值分析模型的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
如图1所示,一种基于大数据的继电保护定值分析校验方法,包括以下步骤:
S1、根据待分析电力系统的阻抗,计算待分析短路电流值;
步骤S1中根据待分析电力系统的阻抗,可以得到待分析短路电流值为现有技术。
S2、从大数据中调取短路电流值和继电保护定值,构建训练集;
S3、采用训练集训练继电保护定值分析模型,得到训练后的继电保护定值分析模型;
在步骤S3中,所述继电保护定值分析模型包括:输入层、特征提取层、隐藏层和输出层,如图2所示;
所述输入层分别与特征提取层的输入端和隐藏层的输入端连接;所述隐藏层的输出端与输出层的输入端连接。
本发明在数据输入时,设置了特征提取层用于提取输入数据的特征,增强数据在模型中的表达能力,提高继电保护定值分析模型预测精度。
所述特征提取层的表达式为:
其中,r为特征提取层的输出,xi为第i个短路电流值,N为短路电流值的数量。
所述隐藏层的表达式为:
其中,f为隐藏层的输出,Whide为隐藏层的权重,X为输入层输入的短路电流值集合,r为特征提取层的输出,e为自然对数。
所述输出层的表达式为:
其中,y为输出层的输出,Whide为隐藏层的权重,Wexport为输出层的权重,b为输出层的偏置,X为输入层输入的短路电流值集合,r为特征提取层的输出,e为自然对数。
所述训练继电保护定值分析模型包括:
将训练集中短路电流值输入输入层中,通过输入层将短路电流值分别传输给特征提取层和隐藏层;
在特征提取层中,提取短路电流值特征,将短路电流值特征传输给隐藏层;
通过隐藏层进行映射,得到隐藏层输出;
通过输出层对隐藏层输出进行映射,得到输出层的输出;
根据输出层的输出和训练集中继电保护定值,计算目标差值;
根据目标差值分别对隐藏层和输出层的参数进行优化,直到目标差值低于目标阈值,继电保护定值分析模型训练完成。
所述计算目标差值的公式为:
其中,dk为第k次训练后的目标差值,yk为第k次训练时输出层的输出,y′ k为第k次训练时训练集中继电保护定值,e为自然对数。
所述根据目标差值分别对隐藏层和输出层的参数进行优化,具体包括:根据目标差值对隐藏层的权重进行优化,根据目标差值对输出层的权重进行优化;
对隐藏层的权重进行优化的公式为:
其中,为第k次训练的隐藏层权重,/>为第k-1次训练的隐藏层权重,dk为第k次训练后的目标差值;
对输出层的权重进行优化的公式为:
其中,为第k次训练的输出层权重,/>为第k-1次训练的输出层权重,dk为第k次训练后的目标差值。
在训练过程中,第k次训练时输出层的输出yk与第k次训练时训练集中继电保护定值y′ k相差较大时,目标差值dk较大,隐藏层的权重和输出层的权重下降速度快,隐藏层的权重和输出层的权重下降速度,导致yk与y′ k差距加剧缩小,目标差值dk加剧缩小,隐藏层的权重和输出层的权重下降速度变缓。
S4、将待分析短路电流值输入训练后的继电保护定值分析模型中,得到预测的继电保护定值;
S5、根据预测的继电保护定值,对待分析电力系统中继电设备进行设置,完成校验。
在本实施例中,步骤S5中将继电设备设置为预测的继电保护定值后,在电力系统中的用电设备发生故障时,继电设备能否将故障部分切除,从而实现对继电保护定值的校验。
一种基于大数据的继电保护定值分析校验方法的继电保护定值分析校验系统,包括:
待分析短路电流值计算单元、训练集构建单元、模型训练单元和校验单元;
所述待分析短路电流值计算单元用于根据待分析电力系统的阻抗,计算待分析短路电流值;所述训练集构建单元用于从大数据中调取短路电流值和继电保护定值,构建训练集;所述模型训练单元用于采用训练集训练继电保护定值分析模型,得到训练后的继电保护定值分析模型;所述校验单元用于根据预测的继电保护定值,对待分析电力系统中继电设备进行设置,完成校验。
本发明实施例的技术方案至少具有如下优点和有益效果:本发明通过从大数据中调取短路电流值和继电保护定值,构建为训练集,训练继电保护定值分析模型,找到短路电流值与继电保护定值间关系的映射,将待分析短路电流值输入训练后的继电保护定值分析模型中,得到继电保护定值,实现一种通用的继电保护定值分析校验方法。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (2)
1.一种基于大数据的继电保护定值分析校验方法,其特征在于,包括:
根据待分析电力系统的阻抗,计算待分析短路电流值;
从大数据中调取短路电流值和继电保护定值,构建训练集;
采用训练集训练继电保护定值分析模型,得到训练后的继电保护定值分析模型;
将待分析短路电流值输入训练后的继电保护定值分析模型中,得到预测的继电保护定值;
根据预测的继电保护定值,对待分析电力系统中继电设备进行设置,完成校验;
所述继电保护定值分析模型包括:输入层、特征提取层、隐藏层和输出层;
所述输入层分别与特征提取层的输入端和隐藏层的输入端连接;所述隐藏层的输出端与输出层的输入端连接;
所述特征提取层的表达式为:
其中,r为特征提取层的输出,xi为第i个短路电流值,N为短路电流值的数量;
所述隐藏层的表达式为:
其中,f为隐藏层的输出,Whide为隐藏层的权重,X为输入层输入的短路电流值集合,r为特征提取层的输出,e为自然对数;
所述输出层的表达式为:
其中,y为输出层的输出,Whide为隐藏层的权重,Wexport为输出层的权重,b为输出层的偏置,X为输入层输入的短路电流值集合,r为特征提取层的输出,e为自然对数;
所述训练继电保护定值分析模型包括:
将训练集中短路电流值输入输入层中,通过输入层将短路电流值分别传输给特征提取层和隐藏层;
在特征提取层中,提取短路电流值特征,将短路电流值特征传输给隐藏层;
通过隐藏层进行映射,得到隐藏层输出;
通过输出层对隐藏层输出进行映射,得到输出层的输出;
根据输出层的输出和训练集中继电保护定值,计算目标差值;
根据目标差值分别对隐藏层和输出层的参数进行优化,直到目标差值低于目标阈值,继电保护定值分析模型训练完成;
所述计算目标差值的公式为:
其中,dk为第k次训练后的目标差值,yk为第k次训练时输出层的输出,y′ k为第k次训练时训练集中继电保护定值,e为自然对数;
所述根据目标差值分别对隐藏层和输出层的参数进行优化,具体包括:根据目标差值对隐藏层的权重进行优化,根据目标差值对输出层的权重进行优化;
对隐藏层的权重进行优化的公式为:
其中,为第k次训练的隐藏层权重,/>为第k-1次训练的隐藏层权重,dk为第k次训练后的目标差值;
对输出层的权重进行优化的公式为:
其中,为第k次训练的输出层权重,/>为第k-1次训练的输出层权重,dk为第k次训练后的目标差值。
2.根据权利要求1所述的基于大数据的继电保护定值分析校验方法的继电保护定值分析校验系统,其特征在于,包括:
待分析短路电流值计算单元、训练集构建单元、模型训练单元和校验单元;
所述待分析短路电流值计算单元用于根据待分析电力系统的阻抗,计算待分析短路电流值;所述训练集构建单元用于从大数据中调取短路电流值和继电保护定值,构建训练集;所述模型训练单元用于采用训练集训练继电保护定值分析模型,得到训练后的继电保护定值分析模型;所述校验单元用于根据预测的继电保护定值,对待分析电力系统中继电设备进行设置,完成校验。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310237860.6A CN116187248B (zh) | 2023-03-13 | 2023-03-13 | 基于大数据的继电保护定值分析校验方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310237860.6A CN116187248B (zh) | 2023-03-13 | 2023-03-13 | 基于大数据的继电保护定值分析校验方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116187248A CN116187248A (zh) | 2023-05-30 |
CN116187248B true CN116187248B (zh) | 2023-08-25 |
Family
ID=86446263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310237860.6A Active CN116187248B (zh) | 2023-03-13 | 2023-03-13 | 基于大数据的继电保护定值分析校验方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116187248B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355249A (zh) * | 2016-08-29 | 2017-01-25 | 国网江苏省电力公司电力科学研究院 | 一种基于bp神经网络的继电保护设备状态识别方法 |
CN110932242A (zh) * | 2019-12-04 | 2020-03-27 | 武汉瑞莱保能源技术有限公司 | 水电厂厂用电保护整定方法及系统 |
CN111525523A (zh) * | 2020-05-13 | 2020-08-11 | 中国大唐集团科学技术研究院有限公司华东电力试验研究院 | 基于大数据的新能源电站继电保护定值校核方法及系统 |
CN111881574A (zh) * | 2020-07-27 | 2020-11-03 | 华能新能源股份有限公司 | 一种基于分布函数优选的风电机组关键部件可靠性建模方法 |
KR102268237B1 (ko) * | 2020-08-28 | 2021-06-23 | 강문식 | 인공지능 기반의 자동정정 계산 및 전력제어 방법 및 시스템 |
CN113033078A (zh) * | 2021-03-05 | 2021-06-25 | 国网安徽省电力有限公司 | 继电保护设备故障预警模型的构建方法、系统及预警方法 |
CN113219282A (zh) * | 2021-04-30 | 2021-08-06 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种新型微机保护定值核对方法 |
CN113657149A (zh) * | 2021-07-06 | 2021-11-16 | 西安理工大学 | 一种基于深度学习的电能质量分析与识别方法 |
CN113659549A (zh) * | 2021-08-25 | 2021-11-16 | 国网新源控股有限公司 | 基于数字动态模拟技术的继电保护定值校核方法 |
CN115459203A (zh) * | 2022-09-20 | 2022-12-09 | 国网安徽省电力有限公司电力科学研究院 | 一种特高压直流阀短路保护快速整定方法及装置 |
CN115579845A (zh) * | 2022-09-16 | 2023-01-06 | 国网浙江省电力有限公司金华供电公司 | 一种基于大数据分析的继电保护定值分析校验方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205324A (zh) * | 2015-09-23 | 2015-12-30 | 许继电气股份有限公司 | 一种直流系统保护定值的整定计算方法 |
US20220207351A1 (en) * | 2020-12-30 | 2022-06-30 | Semiconductor Components Industries, Llc | Semiconductor design optimization using at least one neural network |
-
2023
- 2023-03-13 CN CN202310237860.6A patent/CN116187248B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355249A (zh) * | 2016-08-29 | 2017-01-25 | 国网江苏省电力公司电力科学研究院 | 一种基于bp神经网络的继电保护设备状态识别方法 |
CN110932242A (zh) * | 2019-12-04 | 2020-03-27 | 武汉瑞莱保能源技术有限公司 | 水电厂厂用电保护整定方法及系统 |
CN111525523A (zh) * | 2020-05-13 | 2020-08-11 | 中国大唐集团科学技术研究院有限公司华东电力试验研究院 | 基于大数据的新能源电站继电保护定值校核方法及系统 |
CN111881574A (zh) * | 2020-07-27 | 2020-11-03 | 华能新能源股份有限公司 | 一种基于分布函数优选的风电机组关键部件可靠性建模方法 |
KR102268237B1 (ko) * | 2020-08-28 | 2021-06-23 | 강문식 | 인공지능 기반의 자동정정 계산 및 전력제어 방법 및 시스템 |
CN113033078A (zh) * | 2021-03-05 | 2021-06-25 | 国网安徽省电力有限公司 | 继电保护设备故障预警模型的构建方法、系统及预警方法 |
CN113219282A (zh) * | 2021-04-30 | 2021-08-06 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种新型微机保护定值核对方法 |
CN113657149A (zh) * | 2021-07-06 | 2021-11-16 | 西安理工大学 | 一种基于深度学习的电能质量分析与识别方法 |
CN113659549A (zh) * | 2021-08-25 | 2021-11-16 | 国网新源控股有限公司 | 基于数字动态模拟技术的继电保护定值校核方法 |
CN115579845A (zh) * | 2022-09-16 | 2023-01-06 | 国网浙江省电力有限公司金华供电公司 | 一种基于大数据分析的继电保护定值分析校验方法 |
CN115459203A (zh) * | 2022-09-20 | 2022-12-09 | 国网安徽省电力有限公司电力科学研究院 | 一种特高压直流阀短路保护快速整定方法及装置 |
Non-Patent Citations (1)
Title |
---|
Relay Protection Simulation and Testing of Online Setting Value Modification Based on RTDS;Zaixin Yang et al.;《IEEE Access》;第8卷;第4693 - 4699页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116187248A (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114386537B (zh) | 基于CatBoost的锂电池故障诊断方法、装置及电子设备 | |
CN111368887B (zh) | 雷雨天气预测模型的训练方法及雷雨天气预测方法 | |
CN114819415A (zh) | 一种基于数据分析的电力设备故障预测系统 | |
CN109738825A (zh) | 基于历史数据的退役电池可用容量与内阻检测方法及装置 | |
CN111231758B (zh) | 一种电池容量的估算方法、装置、电子设备及介质 | |
CN110321947A (zh) | 一种基于卷积神经网络的用电异常预判方法 | |
CN112508126B (zh) | 深度学习模型训练方法、装置、电子设备及可读存储介质 | |
CN103346797A (zh) | 一种用于齿轮故障信号的实时压缩方法 | |
CN116049146A (zh) | 一种数据库故障处理方法、装置、设备及存储介质 | |
CN116187248B (zh) | 基于大数据的继电保护定值分析校验方法及系统 | |
CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN110059938B (zh) | 一种基于关联规则驱动的配电网规划方法 | |
CN117150244A (zh) | 基于电参数分析的智能配电柜状态监测方法及系统 | |
CN112290887A (zh) | 一种基于l-m算法改进的bp神经网络电弧检测模型 | |
CN116203365A (zh) | 基于野马算法优化pnn的gis设备局部放电检测方法 | |
CN116522594A (zh) | 基于卷积神经网络的时间自适应暂态稳定预测方法及装置 | |
CN114036696B (zh) | 一种基于神经网络模型微调的刀盘扭矩预测方法及系统 | |
CN113794742B (zh) | 一种电力系统fdia高精度检测方法 | |
CN114119972A (zh) | 模型获取及对象处理方法、装置、电子设备及存储介质 | |
CN110929800A (zh) | 一种基于sax算法的商业体异常用电检测方法 | |
CN116389181B (zh) | 一种全屋智能设备的连接管理方法及系统 | |
CN116910570B (zh) | 一种基于大数据的风电机组故障监测预警方法及系统 | |
CN117236233B (zh) | 半导体器件初始值评估方法、装置、电子设备及存储介质 | |
CN116737520B (zh) | 一种日志数据的数据编织方法、装置、设备及存储介质 | |
CN116703069A (zh) | 数据处理方法及相关装置 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231220 Address after: Yudaokou Ranch, Weichang County, Chengde City, Hebei Province, 067000 Patentee after: Huaneng Chengde Wind Power Co.,Ltd. Address before: 050091 floors 2 and 3 of Huashi Hotel, No. 52, Hongqi Street, Qiaoxi District, Shijiazhuang City, Hebei Province Patentee before: Hebei Branch of Huaneng new energy Co.,Ltd. |