CN116415510A - 基于相空间重构和神经网络的断路器温升预测方法及系统 - Google Patents

基于相空间重构和神经网络的断路器温升预测方法及系统 Download PDF

Info

Publication number
CN116415510A
CN116415510A CN202310687837.7A CN202310687837A CN116415510A CN 116415510 A CN116415510 A CN 116415510A CN 202310687837 A CN202310687837 A CN 202310687837A CN 116415510 A CN116415510 A CN 116415510A
Authority
CN
China
Prior art keywords
temperature rise
time sequence
phase space
main characteristic
data subset
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
Application number
CN202310687837.7A
Other languages
English (en)
Other versions
CN116415510B (zh
Inventor
龙国华
李琼
邹阳
肖安雁
陈亚奇
袁思凡
鄢文清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Nanchang Hangkong University
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Nanchang Hangkong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd, Nanchang Hangkong University filed Critical State Grid Corp of China SGCC
Priority to CN202310687837.7A priority Critical patent/CN116415510B/zh
Publication of CN116415510A publication Critical patent/CN116415510A/zh
Application granted granted Critical
Publication of CN116415510B publication Critical patent/CN116415510B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • 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
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开基于相空间重构和神经网络的断路器温升预测方法及系统，方法包括：构建基于断路器触头温升、负荷电流、环境温度、环境湿度的多元温升时序数据集，利用主成分分析法提取季节特点差异化下典型日的温升主特征成分序列，对其进行相空间重构，获取重构后的春秋季节时序数据集与冬夏季节时序数据集，以此进行基于BP神经网络模型的训练测试，构建不同季节类型的开关柜断路器温升预测模型。该方法基于相空间重构技术对断路器温升数据集的主特征成分进行时序重构，提取的不同季节群下的重构数据集利用BP神经网络模型进行温升预测，实现断路器触头温升信息的准确预测。

Description

基于相空间重构和神经网络的断路器温升预测方法及系统
技术领域
本发明属于高压断路器状态预测技术领域，尤其涉及一种基于相空间重构和神经网络的断路器温升预测方法及系统。
背景技术
随着电网的不断发展和用电负荷的日益增加，开关柜被大量应用于电力系统中，成为用户供电的核心设备，开关柜由于其内部结构复杂、密闭性强等因素，设备产生的热量不易散出，长时间运行引起的部件接触不良、磨损、氧化等情况会导致温升加剧，威胁开关柜正常运行时的安全可靠性。如何实现对开关柜温升情况的预测，及时发现可能存在的过热故障隐患，并进行故障预警，从而提升开关柜安全运行水平，已成为电力系统稳定运行亟需解决的问题之一。
传统的开关柜断路器温升预测常采用统计、神经网络等方法。统计建模方法要求时间序列具有平稳性、正态性、独立性，不适用于复杂时间序列。神经网络具有很好的非线性逼近能力，但存在模型结构难以确定，易于出现过度训练和训练不足，易陷入局部最小，且对连接权初值敏感，过度依赖设计技巧等问题。在实际应用中，温度的单变量相空间重构不能全面的描述其混沌特性，进而使得预测误差较大。因此如何从多变量时间序列中提取有用的信息来刻画复杂系统的动态特性是值得思考的方向，但多变量混沌时间序列往往包含冗余信息，会导致预测模型的结构过于复杂，使模型的泛化能力变差，容易产生过拟合现象；此外，多变量时间序列通常带有一定的噪声，也会影响到预测的精确度。
发明内容
本发明提供一种基于相空间重构和神经网络的断路器温升预测方法及系统，用于解决多变量混沌时间序列往往包含冗余信息，会导致预测模型的结构过于复杂，且通常带有一定的噪声，也会影响到预测精确度的技术问题。
第一方面，本发明提供一种基于相空间重构和神经网络的断路器温升预测方法，包括：构建断路器在不同温度范围季节下典型日的温升时序主特征数据集，其中，所述温升时序主特征数据集中包含一类季节的第一温升时序主特征数据子集和另一类季节的第二温升时序主特征数据子集；根据多变量相空间重构方法将所述第一温升时序主特征数据子集和所述第二温升时序主特征数据子集重构至高维相空间中，得到第一相空间温升数据子集和第二相空间温升数据子集；将所述第一相空间温升数据子集和所述第二相空间温升数据子集分别输入至预设的BP神经网络模型中进行训练测试，构建得到两类季节下的断路器温升预测模型；将实际待预测数据输入至与所述实际待预测数据的季节类型相对应的某一类季节下的断路器温升预测模型中，使输出触头温升预测结果。
第二方面，本发明提供一种基于相空间重构和神经网络的断路器温升预测系统，包括：构建模块，配置为构建断路器在不同温度范围季节下典型日的温升时序主特征数据集，其中，所述温升时序主特征数据集中包含一类季节的第一温升时序主特征数据子集和另一类季节的第二温升时序主特征数据子集；重构模块，配置为根据多变量相空间重构方法将所述第一温升时序主特征数据子集和所述第二温升时序主特征数据子集重构至高维相空间中，得到第一相空间温升数据子集和第二相空间温升数据子集；训练模块，配置为将所述第一相空间温升数据子集和所述第二相空间温升数据子集分别输入至预设的BP神经网络模型中进行训练测试，构建得到两类季节下的断路器温升预测模型；输出模块，配置为将实际待预测数据输入至与所述实际待预测数据的季节类型相对应的某一类季节下的断路器温升预测模型中，使输出触头温升预测结果。
第三方面，提供一种电子设备，其包括：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指令，所述指令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本发明任一实施例的基于相空间重构和神经网络的断路器温升预测方法的步骤。
第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行本发明任一实施例的基于相空间重构和神经网络的断路器温升预测方法的步骤。
本申请的基于相空间重构和神经网络的断路器温升预测方法及系统，构建基于断路器触头温升、负荷电流、环境温度、环境湿度等多维度数据的多元温升时序数据集，利用主成分分析法提取季节特点差异化下典型日的温升主特征成分序列，对其进行相空间重构，获取重构后的春秋季节时序数据集与冬夏季节时序数据集，以此进行基于BP神经网络模型的训练测试，构建不同季节类型的开关柜断路器温升预测模型，该方法基于相空间重构技术对开关柜断路器温升数据集的主特征成分进行时序重构，提取的不同季节群下的重构数据集利用BP神经网络模型进行温升预测，实现断路器触头温升信息的准确预测。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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为本发明一实施例提供的一种基于相空间重构和神经网络的断路器温升预测方法的流程图；
图2为本发明一实施例提供的再一种基于相空间重构和神经网络的断路器温升预测方法的流程图；
图3为本发明一实施例提供的一种基于相空间重构和神经网络的断路器温升预测系统的结构框图；
图4是本发明一实施例提供的电子设备的结构示意图。
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。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，其示出了本申请一种基于相空间重构和神经网络的断路器温升预测方法的流程图。
如图1所示，基于相空间重构和神经网络的断路器温升预测方法具体包括以下步骤：
步骤S101，构建断路器在不同温度范围季节下典型日的温升时序主特征数据集，其中，所述温升时序主特征数据集中包含一类季节的第一温升时序主特征数据子集和另一类季节的第二温升时序主特征数据子集。
在本实施例中，获取包含断路器的触头温升、负荷电流、环境温度和环境湿度的历史数据，根据所述历史数据构建断路器的历史多元温升时序数据集；通过主成分分析法获取所述多元温升时序数据集中各个多元温升时序数据的主特征成分；将全年的主特征成分聚类为春秋典型日的第一温升时序主特征数据子集与冬夏典型日的第二温升时序主特征数据子集。
需要说明的是，通过主成分分析法获取所述多元温升时序数据集中各个多元温升时序数据的主特征成分包括：
根据样本特征维度构建协方差矩阵
Figure SMS_1
，其中，/>
Figure SMS_2
为/>
Figure SMS_3
的第r行的向量，/>
Figure SMS_4
为标准化后的温升时序主特征数据集/>
Figure SMS_5
，/>
Figure SMS_6
为全年的天数，/>
Figure SMS_7
为转置；
求取所述协方差矩阵
Figure SMS_10
的特征值/>
Figure SMS_11
和与所述特征值/>
Figure SMS_16
对应的特征向量/>
Figure SMS_9
，将所述特征值/>
Figure SMS_13
按照大小进行排序，依此记为/>
Figure SMS_15
，其中，
Figure SMS_18
，与所述特征值/>
Figure SMS_8
对应的特征向量/>
Figure SMS_12
依次记为
Figure SMS_14
，并构建特征向量矩阵/>
Figure SMS_17
；
求出满足
Figure SMS_21
的最小
Figure SMS_23
值，提取特征向量矩阵
Figure SMS_27
的 前
Figure SMS_20
列矩阵
Figure SMS_24
作为温升时序主特征数据的特征向量
Figure SMS_26
，利用特征向量
Figure SMS_28
将标准化后的温 升时序主特征数据集
Figure SMS_19
转换为主特征矩阵
Figure SMS_22
，其中，所述主特征矩阵
Figure SMS_25
的表达式为：
Figure SMS_29
，
式中，
Figure SMS_31
、/>
Figure SMS_34
和/>
Figure SMS_39
均为主特征矩阵/>
Figure SMS_32
的第一分量，/>
Figure SMS_37
、/>
Figure SMS_41
和/>
Figure SMS_42
均为主特征矩阵/>
Figure SMS_30
的第二分量，/>
Figure SMS_35
、/>
Figure SMS_38
和/>
Figure SMS_40
均为主特征矩阵/>
Figure SMS_33
的第/>
Figure SMS_36
分量。
将全年的主特征成分聚类为春秋典型日的第一温升时序主特征数据子集与冬夏典型日的第二温升时序主特征数据子集包括：
将处理到的主特征矩阵
Figure SMS_43
基于行向
Figure SMS_44
进行聚类 处理，其中，
Figure SMS_45
为1,2,3...,365，
Figure SMS_46
、
Figure SMS_47
、
Figure SMS_48
分别为主特征矩阵Z的第1、2、
Figure SMS_49
个 主分量；
获得春、夏、秋、冬四种季节下的典型日的主特征矩阵
Figure SMS_50
；
将春季和秋季的典型日的主特征矩阵
Figure SMS_52
结合求均值，并将冬季、 夏季典型日的主特征矩阵
Figure SMS_54
结合求均值，得到春秋典型日的第一温升时 序主特征数据子集
Figure SMS_56
与冬夏典型日的第二温升时序主特征数据子集
Figure SMS_53
，其中
Figure SMS_55
，
Figure SMS_57
，
Figure SMS_58
为1,2,3,...,a；
Figure SMS_51
为1,2,3,...,b；a为春秋类季节下的时间长度，b为冬夏类季节下的时间长度，a+b=365。
步骤S102，根据多变量相空间重构方法将所述第一温升时序主特征数据子集和所述第二温升时序主特征数据子集重构至高维相空间中，得到第一相空间温升数据子集和第二相空间温升数据子集。
在本实施例中，重构后的第一相空间温升数据子集、第二相空间温升数据子集表示为：
Figure SMS_59
,
式中，
Figure SMS_62
，/>
Figure SMS_65
，/>
Figure SMS_68
为/>
Figure SMS_61
序列重构后的数据长度，
Figure SMS_64
为对应于/>
Figure SMS_67
序列的重构延迟时间，/>
Figure SMS_69
为对应于/>
Figure SMS_60
序列的重构嵌入维数，/>
Figure SMS_63
为第i类季节下温升时序长度为t的主特征向量，i为1,2,3,...,/>
Figure SMS_66
。
步骤S103，将所述第一相空间温升数据子集和所述第二相空间温升数据子集分别输入至预设的BP神经网络模型中进行训练测试，构建得到两类季节下的断路器温升预测模型。
在本实施例中，建立BP神经网络模型，所述BP神经网络模型的输入层节点数目是重构的第一相空间温升数据或第二相空间温升数据的不同主向量嵌入维数
Figure SMS_70
的总和，即
Figure SMS_71
，输入样本为/>
Figure SMS_72
相空间中的相点/>
Figure SMS_73
，每一行输入相点数据之间的时间差是/>
Figure SMS_74
，输出层节点数目为/>
Figure SMS_75
，且所述BP神经网络模型的输入和输出的表达式为：
Figure SMS_76
，
Figure SMS_77
，
式中，
Figure SMS_79
为第/>
Figure SMS_82
个主向量中相点的第一列相空间坐标，/>
Figure SMS_84
为第/>
Figure SMS_80
个主向量中相点的第二列相空间坐标，/>
Figure SMS_81
为第/>
Figure SMS_83
个主向量中相点的第
Figure SMS_85
个相空间坐标，i为1,2,3,...,/>
Figure SMS_78
。
步骤S104，将实际待预测数据输入至与所述实际待预测数据的季节类型相对应的某一类季节下的断路器温升预测模型中，使输出触头温升预测结果。
在本实施例中，以某一类季节的实际待预测温升数据集中
Figure SMS_86
个相点作为某一类季节下的断路器温升预测模型的输入，得到所述某一类季节下的断路器温升预测模型的第一个预测结果；
将所述第一个预测结果反馈到所述断路器温升预测模型的输入端，重新构造所述断路器温升预测模型的输入，并进行预测得到第二个预测结果，使得到预测的时序温升主特征成分矩阵：
Figure SMS_87
，
式中，
Figure SMS_89
为预测的时序长度，/>
Figure SMS_92
为第/>
Figure SMS_94
个主向量中相点的第一列相空间坐标，/>
Figure SMS_90
为第/>
Figure SMS_91
个主向量中相点的第二列相空间坐标，/>
Figure SMS_93
为对应于/>
Figure SMS_95
序列的重构延迟时间，i为1,2,3,...,/>
Figure SMS_88
；
通过特征向量
Figure SMS_96
转换为对应的预测含量纲的实际温升时序数据集
Figure SMS_97
，其中，/>
Figure SMS_98
为实际待预测温升数据集的特征维度均值，
Figure SMS_99
，得到断路器触头实际温升预测输出结果为/>
Figure SMS_100
的第一列向量/>
Figure SMS_101
。
综上，本申请的方法，获取采集到的开关柜断路器触头温升、负荷电流、环境温度、环境湿度等的历史数据，构建断路器历史多元温升时序数据集，通过主成分分析法获取多元温升时序的主特征成分，针对不同季节的差异化特点，将全年主特征成分数据聚类为春秋典型日温升主特征成分与冬夏典型日温升主特征成分，将两类数据利用多变量相空间重构技术重构至相空间获得新的相空间数据，并依据两类季节典型日温升时序主特征数据集经相空间重构后的重构温升数据集，划分训练集与测试集，以此基于BP神经网络模型进行训练测试从而建立两类季节下开关柜断路器温升预测模型，将对应季节群的实际待预测数据输入至对应预测模型获取触头温升预测结果，实现了断路器触头温升信息的准确预测。
请参阅图2，其示出了本申请一种基于相空间重构和神经网络的断路器温升预测方法的流程图。
具体地，步骤一：获取采集到的开关柜断路器触头温升、负荷电流、环境温度、环境湿度等的历史数据，构建断路器历史多元温升时序数据集，通过主成分分析法获取多元温升时序的主特征成分，针对不同季节的差异化特点，将全年主特征成分数据聚类为春秋典型日温升主特征成分与冬夏典型日温升主特征成分，将两类数据利用多变量相空间重构技术重构至相空间获得新的相空间数据集。过程如下：
1、构建开关柜断路器不同温度范围季节下典型日的温升时序数据集：
（1）数据标准化处理
采集到的开关柜断路器全年365天历史数据：触头温升、负荷电流、环境温度、环境湿度等数据，由于它们存在不同的量纲，故对数据进行标准化处理，让算法收敛更快，提高模型的训练效率，避免异常数据产生的相关影响。全年的多元温升时间序列
Figure SMS_103
，式中，d=365，表示全年的天数，N为温升时序数据集X的特征维数，其中/>
Figure SMS_106
为触头温升时序向量，其他列向量为相关环境因素的时序向量（如负荷电流、环境温度、湿度等）。采用0均值标准化对序列进行处理：/>
Figure SMS_111
，
Figure SMS_108
，其中，/>
Figure SMS_113
为/>
Figure SMS_114
的第I列，/>
Figure SMS_115
为/>
Figure SMS_102
的均值，/>
Figure SMS_105
为/>
Figure SMS_110
的标准差，/>
Figure SMS_112
为/>
Figure SMS_104
标准化后第I列的数据，由此获得/>
Figure SMS_107
经标准化后得到的/>
Figure SMS_109
。
（2）主特征成分提取
进行主成分分析从而选取主要决定断路器的多变量温升时序数据集的主特征成分，即保留原温升数据集所包含的主要信息量：根据样本特征维度构建协方差矩阵
Figure SMS_124
，/>
Figure SMS_118
为/>
Figure SMS_120
的第r行的向量。求取协方差矩阵/>
Figure SMS_119
的特征值/>
Figure SMS_123
与对应的特征向量/>
Figure SMS_131
，/>
Figure SMS_133
为1,2,3...,/>
Figure SMS_126
，并将特征值/>
Figure SMS_128
按照大小进行排序，依此记为
Figure SMS_116
，其中/>
Figure SMS_122
，对应的特征向量依次记为/>
Figure SMS_130
，构建特征向量矩阵/>
Figure SMS_135
。最后，求出满足/>
Figure SMS_134
的最小k值，提取特征向量矩阵/>
Figure SMS_136
的前/>
Figure SMS_125
列矩阵/>
Figure SMS_129
作为原多变量温升时序数据的特征向量/>
Figure SMS_127
，利用特征向量/>
Figure SMS_132
将样本Y转换为主特征矩阵
Figure SMS_117
，其中，/>
Figure SMS_121
，利用代表原多变量温升时序数据集的主特征成分Z进行后续分析。
（3）获取不同温度特点的季节典型日温升主特征数据集
将处理到的温升主特征矩阵Z基于行向量
Figure SMS_137
进行 聚类处理，
Figure SMS_138
为1,2,3...,365，获得春、夏、秋、冬四种季节下的典型日。
温升主特征矩阵
Figure SMS_140
，其中，/>
Figure SMS_144
、/>
Figure SMS_148
、/>
Figure SMS_142
、/>
Figure SMS_146
分别为各个季节下时间长度，然后根据四季的温度、湿度特点，将春、秋季的典型日温升主特征矩阵/>
Figure SMS_147
结合求均值，冬、夏季典型日温升主特征矩阵/>
Figure SMS_150
结合求均值，由此获得一年内的两类具有代表性的典型日温升主特征多变量数据集/>
Figure SMS_139
、/>
Figure SMS_143
，其中/>
Figure SMS_149
，
Figure SMS_151
，/>
Figure SMS_141
为1,2,3,...,a；/>
Figure SMS_145
为1,2,3,...,b；a为春秋类季节下的时间长度，b为冬夏类季节下的时间长度，a+b=365。
2、利用多变量相空间重构技术重构典型日时序主特征多变量数据集至相空间获得新的高维数据集：
相空间重构技术的核心是：重构一个等价于原系统的相空间，在相空间中获得原系统的动力学演化信息。基于相空间重构思想，提出将某季节下典型日温升时序主特征多变量数据集基于多变量相空间重构技术重构至高维相空间，重构过程如下：某类季节下典型日的温升时序主特征多变量序列
Figure SMS_164
，t为该类季节下的时间长度；其重构后相空间温升数据集/>
Figure SMS_153
可表示为：/>
Figure SMS_156
,其中，/>
Figure SMS_154
，/>
Figure SMS_157
，/>
Figure SMS_165
为/>
Figure SMS_167
序列重构后的数据长度，/>
Figure SMS_161
为对应于/>
Figure SMS_163
序列的重构延迟时间，/>
Figure SMS_155
为对应于/>
Figure SMS_159
序列的重构嵌入维数，i为1,2,3,...,k。其中，选取合适的重构参数/>
Figure SMS_158
、重构嵌入维数/>
Figure SMS_160
使不同变量的温升时序数据/>
Figure SMS_162
重构至能完整表现原系统状态信息的高维空间，时间延迟/>
Figure SMS_166
用互信息法选择，嵌入维数/>
Figure SMS_152
用伪近邻法选择。
经过多变量相空间重构后，相空间每个相点不仅包含温升变化过程信息，同时含有其他相关因素的变化信息，极大程度还原温升非线性的演化规律。
步骤二：依据两类季节典型日温升时序主特征数据集经相空间重构后的重构温升数据集，划分训练集与测试集，以此基于BP神经网络模型进行训练测试从而建立两类季节下开关柜断路器温升预测模型，将对应季节群的实际待预测数据输入至对应预测模型获取触头温升预测结果。过程如下：
1、基于相空间重构的温升数据集构建BP神经网络预测模型
（1）建立BP神经网络：由Takens定理可知，
Figure SMS_169
，其中/>
Figure SMS_171
为可以描述动态系统演化规律的输出函数。据此建立BP神经网络，网络的输入层节点数目是重构温升时序数据的嵌入维数与主特征序列维数的乘积，即/>
Figure SMS_174
，输入样本为/>
Figure SMS_170
相空间中的/>
Figure SMS_172
个相点/>
Figure SMS_173
，每一行输入相点数据之间的时间差是/>
Figure SMS_175
；输出层节点数目为/>
Figure SMS_168
。神经网络的输入和输出关系为：
Figure SMS_176
，
Figure SMS_177
。
其中，得到的
Figure SMS_178
即为主特征序列/>
Figure SMS_179
的下一时序预测向量。
（2）训练神经网络：规定以上输入输出部分组成BP神经网络的训练样本与测试样本，将训练样本对输入网络进行训练，当网络达到训练精度时，停止网络的训练并利用测试集进行测试。（春秋季温升预测模型与冬夏季温升预测模型构建过程一致）
进行长时序预测步骤如下：以对应季节待预测温升数据集中k×mi个相点作为对应网络模型的输入，此时便可得到网络的第一个预测结果。将第一个预测结果反馈到网络的输入端，以此来重新构造网络的输入，然后再进行预测得到第二个预测结果，以此类推便可得到预测的时序温升主特征成分矩阵：
Figure SMS_180
，
式中，
Figure SMS_183
为预测的时序长度，/>
Figure SMS_185
为第/>
Figure SMS_187
个主向量中相点的第一列相空间坐标，/>
Figure SMS_182
为第/>
Figure SMS_184
个主向量中相点的第二列相空间坐标， />
Figure SMS_186
为对应于/>
Figure SMS_188
序列的重构延迟时间，i为1,2,3,...,/>
Figure SMS_181
；
2、获取断路器触头温升预测原始结果
由BP神经网络预测输出结果而得到预测的主特征成分矩阵
Figure SMS_190
，通过特征向量/>
Figure SMS_193
转换为对应的预测含量纲的实际温升时序数据集/>
Figure SMS_195
：/>
Figure SMS_191
，
Figure SMS_192
为原始待预测温升数据集的特征维度均值，其中/>
Figure SMS_194
，故断路器触头实际温升预测输出结果为/>
Figure SMS_196
的第一列向量/>
Figure SMS_189
。
请参阅图3，其示出了本申请的一种基于相空间重构和神经网络的断路器温升预测系统的结构框图。
如图3所示，断路器温升预测系统200，包括构建模块210、重构模块220、训练模块230及输出模块240。
其中，构建模块210，配置为构建断路器在不同温度范围季节下典型日的温升时序主特征数据集，其中，所述温升时序主特征数据集中包含一类季节的第一温升时序主特征数据子集和另一类季节的第二温升时序主特征数据子集；重构模块220，配置为根据多变量相空间重构方法将所述第一温升时序主特征数据子集和所述第二温升时序主特征数据子集重构至高维相空间中，得到第一相空间温升数据子集和第二相空间温升数据子集；训练模块230，配置为将所述第一相空间温升数据子集和所述第二相空间温升数据子集分别输入至预设的BP神经网络模型中进行训练测试，构建得到两类季节下的断路器温升预测模型；输出模块240，配置为将实际待预测数据输入至与所述实际待预测数据的季节类型相对应的某一类季节下的断路器温升预测模型中，使输出触头温升预测结果。
应当理解，图3中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征以及相应的技术效果同样适用于图3中的诸模块，在此不再赘述。
在另一些实施例中，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行上述任意方法实施例中的基于相空间重构和神经网络的断路器温升预测方法；
作为一种实施方式，本发明的计算机可读存储介质存储有计算机可执行指令，计算机可执行指令设置为：
构建断路器在不同温度范围季节下典型日的温升时序主特征数据集，其中，所述温升时序主特征数据集中包含一类季节的第一温升时序主特征数据子集和另一类季节的第二温升时序主特征数据子集；
根据多变量相空间重构方法将所述第一温升时序主特征数据子集和所述第二温升时序主特征数据子集重构至高维相空间中，得到第一相空间温升数据子集和第二相空间温升数据子集；
将所述第一相空间温升数据子集和所述第二相空间温升数据子集分别输入至预设的BP神经网络模型中进行训练测试，构建得到两类季节下的断路器温升预测模型；
将实际待预测数据输入至与所述实际待预测数据的季节类型相对应的某一类季节下的断路器温升预测模型中，使输出触头温升预测结果。
计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据基于相空间重构和神经网络的断路器温升预测系统的使用所创建的数据等。此外，计算机可读存储介质可以包括高速随机存取存储器，还可以包括存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，计算机可读存储介质可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至基于相空间重构和神经网络的断路器温升预测系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图4是本发明实施例提供的电子设备的结构示意图，如图4所示，该设备包括：一个处理器310以及存储器320。电子设备还可以包括：输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接，图4中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例基于相空间重构和神经网络的断路器温升预测方法。输入装置330可接收输入的数字或字符信息，以及产生与基于相空间重构和神经网络的断路器温升预测系统的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
作为一种实施方式，上述电子设备应用于基于相空间重构和神经网络的断路器温升预测系统中，用于客户端，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
构建断路器在不同温度范围季节下典型日的温升时序主特征数据集，其中，所述温升时序主特征数据集中包含一类季节的第一温升时序主特征数据子集和另一类季节的第二温升时序主特征数据子集；
根据多变量相空间重构方法将所述第一温升时序主特征数据子集和所述第二温升时序主特征数据子集重构至高维相空间中，得到第一相空间温升数据子集和第二相空间温升数据子集；
将所述第一相空间温升数据子集和所述第二相空间温升数据子集分别输入至预设的BP神经网络模型中进行训练测试，构建得到两类季节下的断路器温升预测模型；
将实际待预测数据输入至与所述实际待预测数据的季节类型相对应的某一类季节下的断路器温升预测模型中，使输出触头温升预测结果。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于相空间重构和神经网络的断路器温升预测方法，其特征在于，包括：
构建断路器在不同温度范围季节下典型日的温升时序主特征数据集，其中，所述温升时序主特征数据集中包含一类季节的第一温升时序主特征数据子集和另一类季节的第二温升时序主特征数据子集；
根据多变量相空间重构方法将所述第一温升时序主特征数据子集和所述第二温升时序主特征数据子集重构至高维相空间中，得到第一相空间温升数据子集和第二相空间温升数据子集；
将所述第一相空间温升数据子集和所述第二相空间温升数据子集分别输入至预设的BP神经网络模型中进行训练测试，构建得到两类季节下的断路器温升预测模型；
将实际待预测数据输入至与所述实际待预测数据的季节类型相对应的某一类季节下的断路器温升预测模型中，使输出触头温升预测结果。
2.根据权利要求1所述的一种基于相空间重构和神经网络的断路器温升预测方法，其特征在于，所述构建断路器在不同温度范围季节下典型日的温升时序主特征数据集包括：
获取包含断路器的触头温升、负荷电流、环境温度和环境湿度的历史数据，根据所述历史数据构建断路器的历史多元温升时序数据集；
通过主成分分析法获取所述多元温升时序数据集中各个多元温升时序数据的主特征成分；
将全年的主特征成分聚类为春秋典型日的第一温升时序主特征数据子集与冬夏典型日的第二温升时序主特征数据子集。
3.根据权利要求2所述的一种基于相空间重构和神经网络的断路器温升预测方法，其特征在于，所述通过主成分分析法获取所述多元温升时序数据集中各个多元温升时序数据的主特征成分包括：
根据样本特征维度构建协方差矩阵
Figure QLYQS_1
，其中，/>
Figure QLYQS_2
为/>
Figure QLYQS_3
的第r行的向量，/>
Figure QLYQS_4
为标准化后的温升时序主特征数据集/>
Figure QLYQS_5
，/>
Figure QLYQS_6
为全年的天数，/>
Figure QLYQS_7
为转置；
求取所述协方差矩阵
Figure QLYQS_9
的特征值/>
Figure QLYQS_13
和与所述特征值/>
Figure QLYQS_16
对应的特征向量/>
Figure QLYQS_8
，将所述特征值/>
Figure QLYQS_11
按照大小进行排序，依此记为/>
Figure QLYQS_14
，其中，/>
Figure QLYQS_18
，与所述特征值/>
Figure QLYQS_10
对应的特征向量/>
Figure QLYQS_12
依次记为/>
Figure QLYQS_15
，并构建特征向量矩阵/>
Figure QLYQS_17
；
求出满足
Figure QLYQS_20
的最小/>
Figure QLYQS_22
值，提取特征向量矩阵/>
Figure QLYQS_25
的前/>
Figure QLYQS_19
列矩阵/>
Figure QLYQS_24
作为温升时序主特征数据的特征向量/>
Figure QLYQS_27
，利用特征向量/>
Figure QLYQS_28
将标准化后的温升时序主特征数据集/>
Figure QLYQS_21
转换为主特征矩阵/>
Figure QLYQS_23
，其中，所述主特征矩阵/>
Figure QLYQS_26
的表达式为：
Figure QLYQS_29
，
式中，
Figure QLYQS_32
、/>
Figure QLYQS_36
和/>
Figure QLYQS_38
均为主特征矩阵/>
Figure QLYQS_33
的第一分量，/>
Figure QLYQS_37
、/>
Figure QLYQS_39
和/>
Figure QLYQS_42
均为主特征矩阵/>
Figure QLYQS_30
的第二分量，/>
Figure QLYQS_34
、/>
Figure QLYQS_40
和/>
Figure QLYQS_41
均为主特征矩阵/>
Figure QLYQS_31
的第/>
Figure QLYQS_35
分量。
4.根据权利要求3所述的一种基于相空间重构和神经网络的断路器温升预测方法，其特征在于，所述将全年的主特征成分聚类为春秋典型日的第一温升时序主特征数据子集与冬夏典型日的第二温升时序主特征数据子集包括：
将处理到的主特征矩阵
Figure QLYQS_43
基于行向/>
Figure QLYQS_44
进行聚类处理，其中，/>
Figure QLYQS_45
为1,2,3...,365，/>
Figure QLYQS_46
、/>
Figure QLYQS_47
、/>
Figure QLYQS_48
分别为主特征矩阵Z的第1、2、/>
Figure QLYQS_49
个主分量；
获得春、夏、秋、冬四种季节下的典型日的主特征矩阵
Figure QLYQS_50
；
将春季和秋季的典型日的主特征矩阵
Figure QLYQS_52
结合求均值，并将冬季、夏季典型日的主特征矩阵/>
Figure QLYQS_54
结合求均值，得到春秋典型日的第一温升时序主特征数据子集/>
Figure QLYQS_56
与冬夏典型日的第二温升时序主特征数据子集/>
Figure QLYQS_53
，其中
Figure QLYQS_55
，
Figure QLYQS_57
， />
Figure QLYQS_58
为1,2,3,...,a；/>
Figure QLYQS_51
为1,2,3,...,b；a为春秋类季节下的时间长度，b为冬夏类季节下的时间长度，a+b=365。
5.根据权利要求1所述的一种基于相空间重构和神经网络的断路器温升预测方法，其特征在于，所述根据多变量相空间重构方法将所述第一温升时序主特征数据子集和所述第二温升时序主特征数据子集重构至高维相空间中，得到第一相空间温升数据子集和第二相空间温升数据子集包括：
重构后的第一相空间温升数据子集、第二相空间温升数据子集表示为：
Figure QLYQS_59
,
式中，
Figure QLYQS_62
，/>
Figure QLYQS_64
，/>
Figure QLYQS_69
为/>
Figure QLYQS_61
序列重构后的数据长度，/>
Figure QLYQS_63
为对应于/>
Figure QLYQS_66
序列的重构延迟时间，/>
Figure QLYQS_67
为对应于/>
Figure QLYQS_60
序列的重构嵌入维数，/>
Figure QLYQS_65
为第i类季节下温升时序长度为t的主特征向量，i为1,2,3,...,/>
Figure QLYQS_68
。
6.根据权利要求1所述的一种基于相空间重构和神经网络的断路器温升预测方法，其特征在于，在将所述第一相空间温升数据子集和所述第二相空间温升数据子集分别输入至预设的BP神经网络模型中进行训练测试，构建得到两类季节下的断路器温身预测模型之前，所述方法还包括：
建立BP神经网络模型，所述BP神经网络模型的输入层节点数目是重构的第一相空间温升数据或第二相空间温升数据的不同主向量嵌入维数
Figure QLYQS_70
的总和，即/>
Figure QLYQS_71
，输入样本为
Figure QLYQS_72
相空间中的相点/>
Figure QLYQS_73
，每一行输入相点数据之间的时间差是/>
Figure QLYQS_74
，输出层节点数目为/>
Figure QLYQS_75
，且所述BP神经网络模型的输入和输出的表达式为：
Figure QLYQS_76
，
Figure QLYQS_77
，
式中，
Figure QLYQS_79
为第/>
Figure QLYQS_82
个主向量中相点的第一列相空间坐标，/>
Figure QLYQS_84
为第/>
Figure QLYQS_80
个主向量中相点的第二列相空间坐标，/>
Figure QLYQS_81
为第/>
Figure QLYQS_83
个主向量中相点的第/>
Figure QLYQS_85
个相空间坐标，i为1,2,3,...,/>
Figure QLYQS_78
。
7.根据权利要求3所述的一种基于相空间重构和神经网络的断路器温升预测方法，其特征在于，所述将实际待预测数据输入至与所述实际待预测数据的季节类型相对应的某一类季节下的断路器温升预测模型中，使输出触头温升预测结果包括：
以某一类季节的实际待预测温升数据集中
Figure QLYQS_86
个相点作为某一类季节下的断路器温升预测模型的输入，得到所述某一类季节下的断路器温升预测模型的第一个预测结果；
将所述第一个预测结果反馈到所述断路器温升预测模型的输入端，重新构造所述断路器温升预测模型的输入，并进行预测得到第二个预测结果，使得到预测的时序温升主特征成分矩阵：
Figure QLYQS_87
，
式中，
Figure QLYQS_89
为预测的时序长度，/>
Figure QLYQS_91
为第/>
Figure QLYQS_93
个主向量中相点的第一列相空间坐标，
Figure QLYQS_90
为第/>
Figure QLYQS_92
个主向量中相点的第二列相空间坐标，/>
Figure QLYQS_94
为对应于/>
Figure QLYQS_95
序列的重构延迟时间，i为1,2,3,...,/>
Figure QLYQS_88
；
通过特征向量
Figure QLYQS_96
转换为对应的预测含量纲的实际温升时序数据集/>
Figure QLYQS_97
，其中，/>
Figure QLYQS_98
为实际待预测温升数据集的特征维度均值，/>
Figure QLYQS_99
，得到断路器触头实际温升预测输出结果为/>
Figure QLYQS_100
的第一列向量/>
Figure QLYQS_101
。
8.一种基于相空间重构和神经网络的断路器温升预测系统，其特征在于，包括：
构建模块，配置为构建断路器在不同温度范围季节下典型日的温升时序主特征数据集，其中，所述温升时序主特征数据集中包含一类季节的第一温升时序主特征数据子集和另一类季节的第二温升时序主特征数据子集；
重构模块，配置为根据多变量相空间重构方法将所述第一温升时序主特征数据子集和所述第二温升时序主特征数据子集重构至高维相空间中，得到第一相空间温升数据子集和第二相空间温升数据子集；
训练模块，配置为将所述第一相空间温升数据子集和所述第二相空间温升数据子集分别输入至预设的BP神经网络模型中进行训练测试，构建得到两类季节下的断路器温升预测模型；
输出模块，配置为将实际待预测数据输入至与所述实际待预测数据的季节类型相对应的某一类季节下的断路器温升预测模型中，使输出触头温升预测结果。
9.一种电子设备，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指令，所述指令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至7任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至7任一项所述的方法。
CN202310687837.7A 2023-06-12 2023-06-12 基于相空间重构和神经网络的断路器温升预测方法及系统 Active CN116415510B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310687837.7A CN116415510B (zh) 2023-06-12 2023-06-12 基于相空间重构和神经网络的断路器温升预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310687837.7A CN116415510B (zh) 2023-06-12 2023-06-12 基于相空间重构和神经网络的断路器温升预测方法及系统

Publications (2)

Publication Number Publication Date
CN116415510A true CN116415510A (zh) 2023-07-11
CN116415510B CN116415510B (zh) 2023-09-12

Family

ID=87059721

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310687837.7A Active CN116415510B (zh) 2023-06-12 2023-06-12 基于相空间重构和神经网络的断路器温升预测方法及系统

Country Status (1)

Country Link
CN (1) CN116415510B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915511A (zh) * 2012-09-21 2013-02-06 四川大学 一种电力负荷的混沌相空间神经网络模型安全监测方法
WO2020039430A1 (en) * 2018-08-20 2020-02-27 Grid4C Method and system for hvac inefficiency prediction using household electrical smart meter data
CN112765873A (zh) * 2020-11-30 2021-05-07 中国南方电网有限责任公司超高压输电公司广州局 一种基于lstm算法的变电设备发热预测方法
WO2022077693A1 (zh) * 2020-10-15 2022-04-21 中国科学院深圳先进技术研究院 负荷预测模型的训练方法及训练装置、存储介质、设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102915511A (zh) * 2012-09-21 2013-02-06 四川大学 一种电力负荷的混沌相空间神经网络模型安全监测方法
WO2020039430A1 (en) * 2018-08-20 2020-02-27 Grid4C Method and system for hvac inefficiency prediction using household electrical smart meter data
WO2022077693A1 (zh) * 2020-10-15 2022-04-21 中国科学院深圳先进技术研究院 负荷预测模型的训练方法及训练装置、存储介质、设备
CN112765873A (zh) * 2020-11-30 2021-05-07 中国南方电网有限责任公司超高压输电公司广州局 一种基于lstm算法的变电设备发热预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
李眉眉, 丁晶, 覃光华: "基于混沌分析的BP神经网络模型及其在负荷预测中的应用", 四川大学学报(工程科学版), no. 04 *
杜杰;徐立中;曹一家;郭创新;侯荣涛;徐昕;: "短期负荷预测Volterra滤波器模型", 控制与决策, no. 12 *
许国艳;周星熠;司存友;胡文斌;刘凡;: "基于GRU和LightGBM特征选择的水位时间序列预测模型", 计算机应用与软件, no. 02 *
赵峰;孙波;张承慧;: "基于多变量相空间重构和卡尔曼滤波的冷热电联供系统负荷预测方法", 中国电机工程学报, no. 02 *

Also Published As

Publication number Publication date
CN116415510B (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
Fiot et al. Electricity demand forecasting by multi-task learning
CN115018021B (zh) 基于图结构与异常注意力机制的机房异常检测方法及装置
CN112633421A (zh) 一种用户异常用电行为检测方法及装置
CN111680841B (zh) 基于主成分分析的短期负荷预测方法、系统及终端设备
CN107807860B (zh) 一种基于矩阵分解的电力故障分析方法及系统
CN109412161B (zh) 一种电力系统概率潮流计算方法及系统
CN115147012B (zh) 一种基于神经网络模型的碳排放量核算方法及装置
El Maghraoui et al. Smart energy management system: A comparative study of energy consumption prediction algorithms for a hotel building
US20220243347A1 (en) Determination method and determination apparatus for conversion efficiency of hydrogen production by wind-solar hybrid electrolysis of water
CN115015683A (zh) 电缆生产的性能测试方法、装置、设备及存储介质
CN116992274B (zh) 基于改进主成分回归模型的短期风速预测方法及系统
CN114171150A (zh) 一种健康数据缺失值预测方法、装置、计算机设备和存储介质
Srikanth et al. A novel three-dimensional deep learning algorithm for classification of power system faults
CN117674119A (zh) 电网运行风险评估方法、装置、计算机设备和存储介质
CN113110961A (zh) 设备异常检测方法、装置、计算机设备及可读存储介质
CN116415510B (zh) 基于相空间重构和神经网络的断路器温升预测方法及系统
CN116400266A (zh) 基于数字孪生模型的变压器故障检测方法、装置及介质
CN116756540A (zh) 电网静态安全风险的预测方法、装置、设备及存储介质
CN115656747A (zh) 基于异构数据的变压器缺陷诊断方法、装置和计算机设备
CN115905360A (zh) 一种基于随机构建矩阵的异常数据量测辨识方法和装置
CN113807605A (zh) 电力消耗预测模型训练方法、预测方法及装置
CN111612289A (zh) 基于新能源多场景风险特征导向的电力系统风险评估方法
Rezaei et al. Transformer Tap Position Estimation Improvement Using the Hypothesis Testing for a Population Mean
CN113435915B (zh) 用户窃电行为检测方法、装置、设备及存储介质
CN113642601B (zh) 一种中压配电网转供操作识别方法、装置以及设备

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