CN116861336A - 一种基于机器学习的柔直换流阀的故障辅助决策方法及系统 - Google Patents
一种基于机器学习的柔直换流阀的故障辅助决策方法及系统 Download PDFInfo
- Publication number
- CN116861336A CN116861336A CN202310663226.9A CN202310663226A CN116861336A CN 116861336 A CN116861336 A CN 116861336A CN 202310663226 A CN202310663226 A CN 202310663226A CN 116861336 A CN116861336 A CN 116861336A
- Authority
- CN
- China
- Prior art keywords
- fault
- converter valve
- decision tree
- direct current
- gradient
- 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
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000010801 machine learning Methods 0.000 title claims abstract description 31
- 238000003066 decision tree Methods 0.000 claims abstract description 78
- 238000005070 sampling Methods 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 17
- 238000010276 construction Methods 0.000 claims abstract description 15
- 238000010586 diagram Methods 0.000 claims abstract description 14
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 69
- 239000002245 particle Substances 0.000 claims description 40
- 239000011159 matrix material Substances 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 239000003990 capacitor Substances 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 4
- 239000013307 optical fiber Substances 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 9
- 230000005540 biological transmission Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000007849 functional defect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/60—Arrangements for transfer of electric power between AC networks or generators via a high voltage DC link [HVCD]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
一种基于机器学习的柔直换流阀的故障诊断方法及系统,其特征在于:步骤1,构建故障分类表并在柔直换流阀中部署故障测量传感器;步骤2,采集传感数据并构建故障数据集,从所述故障数据集中筛选出关键数据集;步骤3,计算每一个特征项的梯度值,保留大梯度样本的同时抽样选取小梯度样本以构建样本库;步骤4,将每一个特征项离散化为K个维度的简单数值,基于所述K个维度的简单数值构造质量分布图,并计算所述质量分布图的信息增益,从而根据所述信息增益实现决策树的节点分裂;步骤5,重复步骤4直到所述决策树分裂到最大限制分裂次数后完成决策树模型的构建,对当前故障进行分类,并对照所述故障分类表定位所述当前故障的类型。
Description
技术领域
本发明涉及电力系统领域,更具体的,涉及一种基于机器学习的柔直换流阀的故障辅助决策方法及系统。
背景技术
柔性直流输电是电能变换和传输的新型输电方式,具有控制灵活方便、运行特性理想、扩展性好等优点,是提升可再生能源接纳能力、增强电网稳定性和灵活性、支撑未来电网变革的重要手段,已成为世界范围内发展最快的新一代输电技术。柔性直流换流阀是柔性直流输电工程的核心设备,相当于在电力系统中接入一个完全可控的智能化“电力阀门”,实现交流电与直流电的转换,并灵活控制电压、电流、无功功率和有功功率的输出与输入,再通过直流电缆或直流架空线连接送端和受端换流站,完成电力由送端到受端的输送。
目前,我国绝大部分柔性直流输电工程换流阀均采用半桥式子模块的模块化多电平换流器拓扑结构,使用空气绝缘、水冷却的户内自立式换流阀塔,其中所包含的元件装置数量多、种类复杂。通过对国内在运直流工程的专题调研发现,故障主要集中在换流阀和控制保护装置两方面,其中换流阀的故障类型主要包括IGBT击穿、中控板故障、取能单元板故障、IGBT驱动故障和通信故障等等。从换流阀故障部位情况看,二次板卡类设备故障率较高,比如中控板卡、IGBT驱动板卡、取能电源板卡的功能缺陷和质量缺陷均较为突出,现场调试过程中存在过因中控板ST接收光头缺陷导致通信故障,这些关键元部件的质量缺陷主要是工艺管控深度不够导致。因此,二次板卡类是制约工程整体可靠性的瓶颈和短板,是可靠性提升工作的主要工作方向。
截止目前为止,国内供货厂家大多独立研发,缺乏通用型、标准化设计方案,不同技术路线阀组件产品结构设计相异,关键元器件电气裕度等参数设定依据不统一,工艺管控深度与侧重点存在差异,特别是子模块级、阀控级控制保护方案存在接口方案不合理、控制保护策略设置不合理、状态监视功能不完善等问题,功能板卡软硬件架构各具特点。由于上述原因,截止目前为止,仍然没有一种方法能够对换流阀的故障进行精准的定位,也不存在合理准确的故障类型划分方式。这导致,柔性直流换流阀出现故障时,运维人员难以快速响应并对于故障进行精准的处理,安全上存在极大隐患,影响了电网的整体正常工作。
除此之外,目前国内的柔性直流工程较差,现场多次由于柔性直流换流阀(Flexible DC Converter Valve,FDCCV)故障引起的停运事故,柔性直流换流阀故障的及时发现与处理,能够保障换流站的安全稳定运行,提高经济效益。柔性直流换流阀设备可靠性问题,成为影响柔性直流输电技术发展的关键因素。针对目前柔性直流换流阀的运维监视方式不直观、运维经验依赖度高、故障溯源效率低的问题,也尚未开展柔性直流换流阀的智能辅助决策系统研究,难以为换流阀运行监视提供技术辅助支撑。
针对上述问题,亟需一种基于机器学习的柔直换流阀的故障辅助决策方法及系统。
发明内容
为解决现有技术中存在的不足,本发明提供一种基于机器学习的柔直换流阀的故障辅助决策方法及系统,通过构建故障分类表,以决策树方式计算关键数据集中特征项的分类,并对应于故障分类表,从而实现对当前故障的类型的定位。
本发明采用如下的技术方案。
本发明第一方面,涉及一种基于机器学习的柔直换流阀的故障辅助决策方法,方法包括以下步骤:步骤1,基于柔直换流阀中不同元件的不同类型故障构建故障分类表,并在柔直换流阀中部署故障测量传感器;步骤2,采集故障测量传感器的传感数据,并构建故障数据集,以及从所述故障数据集中筛选出关键数据集;步骤3,计算关键数据集中每一个特征项的梯度值,保留大梯度样本的同时抽样选取小梯度样本以构建样本库;步骤4,将样本库中的每一个特征项离散化为K个维度的简单数值,基于K个维度的简单数值构造质量分布图,并计算质量分布图的信息增益,从而根据信息增益实现决策树的节点分裂;步骤5,重复步骤4直到决策树分裂到最大限制分裂次数后完成决策树模型的构建,基于决策树模型对当前故障进行分类,并对照故障分类表定位当前故障的类型。
优选的,在柔直换流阀中部署故障测量传感器还包括:基于柔直换流阀中不同元件的不同类型故障,对应于每一个或每多个元件部署具备特定编号的温湿度传感器、电压互感器、电流互感器。
优选的,故障分类表还包括:故障分类表中的每一个故障类型均对应于唯一的元件、功能和故障模式;其中,元件包括IGBT上管、IGBT下管、电容、电阻、晶闸管、旁路开关、子模块母排、中控板卡组件、电源板组件、驱动板组件、子模块电连接线缆、子模块光纤线束、子模块水管、子模块散热器;功能为某一个元件的一种或多种功能,故障模式为某一个元件的某一项功能发生故障时的模式。
优选的,从故障数据集中筛选出关键数据集还包括:构建故障数据集矩阵,并对处于相同特征维度的特征项进行去均值运算,以获得转换矩阵;计算转换矩阵的协方差矩阵,并采用特征值分解算法计算协方差矩阵的特征值与特征向量,筛除取值结果排序靠后的特征值,基于剩余的特征值和特征向量构建关键数据集矩阵。
优选的,计算关键数据集中每一个特征项的梯度值还包括:采用二阶泰勒展开决策树的损失函数,并去除0阶项;采用正则化展开决策树的损失函数,并去除0阶项;合并去除了0阶项的多项式,得到样本损失函数;将当前特征项代入样本损失函数,并对损失函数求梯度,以得到当前特征项的梯度值。
优选的,保留大梯度样本的同时抽样选取小梯度样本以构建样本库还包括:对每一个特征项的梯度值进行降序排序,并设置比例阈值,所有特征项的数量与比例阈值相乘获得大梯度样本量;若当前特征项的梯度值的排序位于大梯度样本量中,则将当前特征项归类为大梯度样本,若当前特征项的梯度值超出大梯度样本量,则将当前特征项归类为小梯度样本;保留所有的大梯度样本,以设定比率从小梯度样本中随机抽取采样样本,将大梯度样本与采样样本合并形成样本库。
优选的,完成决策树模型的构建还包括:对前一轮构建的决策树计算损失函数,并基于损失函数以梯度提升的方式更新决策树的学习器函数,以获得下一轮的学习器函数。
优选的,方法还对决策树模型进行改进,改进为优化决策树模型的参数;参数至少包括最大限制分裂次数、最少叶子节点数、决策树的复杂度、决策树数量、决策树学习速率和K。
优选的,基于参数构建种群矩阵,并计算所有粒子的适应度函数;将所有粒子划分为第一类粒子和第二类粒子,其中,第一类粒子的位置更新为 第二类粒子的位置更新为/> 其中,/>为第t+1次迭代时第i个粒子在第j维中的位置,α为0到1之间的随机数,itermax为最大迭代次数,R2取值在0到1之间,基于当前粒子与周围粒子的距离确定,ST为设定距离阈值,Q为服从正态分布的随机数,ρ和L为预先设定的矩阵;其中,/>为第t次迭代时的全局最差位置,/>为当前迭代过程中当前时刻已发现的最优位置,L(d)为位置迭代步长,n为种群数量。
优选的,位置迭代步长为
其中,r1,r2为0到1之间符合正态分布的随机数,并且, 式中,/>取值范围为[1,2]。
本发明第二方面,一种利用本发明第一方面中方法的基于机器学习的柔直换流阀的故障辅助决策系统,系统包括采集模块、计算模块、节点分裂模块和模型构建模块;采集模块,用于基于柔直换流阀中不同元件的不同类型故障构建故障分类表,并在柔直换流阀中部署故障测量传感器,以及,采集故障测量传感器的传感数据,并构建故障数据集,以及从故障数据集中筛选出关键数据集;计算模块,用于计算关键数据集中每一个特征项的梯度值,保留大梯度样本的同时抽样选取小梯度样本以构建样本库;节点分裂模块,用于将样本库中的每一个特征项离散化为K个维度的简单数值,基于K个维度的简单数值构造质量分布图,并计算质量分布图的信息增益,从而根据信息增益实现决策树的节点分裂;模型构建模块,用于重复步骤4直到决策树分裂到最大限制分裂次数后完成决策树模型的构建,基于决策树模型对当前故障进行分类,并对照故障分类表定位当前故障的类型。
本发明第三方面,涉及一种终端,包括处理器及存储介质;存储介质用于存储指令;处理器用于根据指令进行操作以执行本发明第一方面中方法的步骤。
本发明第四方面,涉及计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现本发明第一方面中方法的步骤。
本发明的有益效果在于,与现有技术相比,本发明中的一种基于机器学习的柔直换流阀的故障辅助决策方法及系统,通过构建故障分类表,以决策树方式计算关键数据集中特征项的分类,并对应于故障分类表,从而实现对当前故障的类型的定位。本发明有效可靠,计算方式高效准确,节约了大量计算成本,以离散数据的方式确保了分类的精细化程度,准确定位故障类型和故障位置,为电网维护人员提供充分依据,确保故障排查的准确及时,最大范围内缩小故障影响面。
本发明的有益效果还包括:
1、本发明中优化后的决策树算法具备更快的训练速度和更高的效率,更低的内存占用,更高的准确率。与此同时,本发明还通过设置最大限制分裂次数来防止过拟合的发生,相比于旧有的算法,由于它在训练时间上的缩减,它同样能够具有处理大数据的能力。除此之外,方法还支持并行学习。
2、考虑到决策树中对参数设定要求较高,而人工设定参数,往往比较浪费时间,学习正确率较差。因此,方法还采用改进后的粒子群算法来实现对于参数的自动寻优,进一步提升了算法的自动化程度,确保了参数准确性,提升了决策树的精确能力。
3、本发明对设备空间物理特性、电气运行状态等多源异构数据进行分析,研究离线学习与在线决策相结合的柔直换流阀故障智能辅助决策实现方法,为换流阀运行监视提供技术辅助支撑。考虑到采集的柔性直流换流阀故障特征数据库运行数据数据量大、特征变量多的特点,方法在实现机器学习之间采用了大量步骤来进行数据降维处理,这能够更直观看到特征间相互关系,找出判断柔性直流换流阀运行状态的重要性因素。
4、本发明为管理者提供决策支持,有利于提高故障诊断的精确率,对于推动国内柔性直流输电技术的发展具有重要意义。由于构建了针对每个元件的故障分类库,本发明方法还可以实现与数字孪生技术的结合,建立深度等级更稿的变电站模型(例如虚拟模型可以对应至柔直换流阀中某个元件中的子模块),从而动态反映变压器的运行状态,在变电站的孪生体中高效体现故障预测点,提高故障诊断效率。
附图说明
图1为本发明一种基于机器学习的柔直换流阀的故障辅助决策方法的步骤流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清晰,下面将结合本发明实施例中的附图,对本发明的技术方案进行清楚、完整地描述。本发明所描述的实施例仅仅是本发明一部分的实施例,而不是全部实施例。基于本发明精神,本领域普通技术人员在没有做出创造性劳动的前提下,根据本发明中记载的实施例而获得的所有其它本发明中未记载的实施例,都应当属于本发明的保护范围。
图1为本发明一种基于机器学习的柔直换流阀的故障辅助决策方法的步骤流程示意图。如图1所示,一种基于机器学习的柔直换流阀的故障辅助决策方法,方法包括步骤1至步骤5。
步骤1,基于柔直换流阀中不同元件的不同类型故障构建故障分类表,并在柔直换流阀中部署故障测量传感器。
解决故障诊断问题采用的技术就是采用分类算法对故障特征进行分类。故障分类表对电力设备各种复杂的故障处理问题提供了途径,有助于实现柔直换流阀故障智能辅助决策实现方法。结合数字孪生技术,本发明方法可以建立变电站模型,动态反映变压器的运行状态,在变电站的孪生体中高效体现故障预测点,提高故障诊断效率。为此,故障分类表需要将柔直换流阀中的具体元件与故障分类名称进行准确对应。
目前,针对故障特征库的分类,所收集到的数据库往往面临着信息量巨大、复杂性较高、数据高度不均匀等大量问题。柔性直流换流阀每一条故障数据都可能由多种故障特征同时引起,然而有一些故障特征与其他故障特征有着重复性,如果都用来进行故障诊断,会造成时间成本的增加,而且对模型整体准确率有着一定的影响。
为此,本发明方法可以首先收集典型故障,并对故障进行分类,获得每一类型具体故障的典型故障数据。这种典型故障数据能够确保某一类故障具备特有的特征,从而,当采用智能算法等对于当前的柔直换流阀运行数据进行分析时,一旦分析到其与某一类故障的特有特征相同或相似,就能够准确的定位故障的原始发生原因。
优选的,故障分类表还包括:故障分类表中的每一个故障类型均对应于唯一的元件、功能和故障模式;其中,元件包括IGBT上管、IGBT下管、电容、电阻、晶闸管、旁路开关、子模块母排、中控板卡组件、电源板组件、驱动板组件、子模块电连接线缆、子模块光纤线束、子模块水管、子模块散热器;功能为某一个元件的一种或多种功能,故障模式为某一个元件的某一项功能发生故障时的模式。
具体来说,本发明方法根据对柔直换流阀典型故障的历史数据进行排查分析,参考专家经验,形成了故障模式表。该表格中每一行都代表一个具体的故障分类模式。同时,每一个故障模式还对应于唯一的元件名称、元件编码、故障而导致失效的具体功能。表1为本发明中的柔直换流阀故障分类表。
表1柔直换流阀故障分类表
如上表所示,本发明方法将出现的故障定位到具体的元件中。其中故障可以是由于一次系统中各个元件发生故障导致的,也可能是二次系统中因控制电路问题所导致的,这种故障也可以定位到具体的板卡组件的层面上。
每一个元件根据其自由的属性还可以包括一种或多种不同的失效功能,例如,对于旁路开关来说,可能的失效功能可以包括拒动、误动、无法回报分合状态等多种功能的失效。而对于每一种功能,则还可以包括不同的故障类型,例如,对于旁路开关的拒动,故障类型可以为运动机构及触头机械故障,也可能是开关上电容板开路或短路造成的。
本发明中提前获取的故障分类表,可以是根据全方位的柔直换流阀的历史工作故障,通过人为的方式或者自动化的方式从各个渠道收集来的。基于上述的故障分类,本发明可以实施后续的智能算法,通过算法来对于柔直换流阀各个角度的运行数据进行综合分析与分类,从而构建出针对故障分类表中每一个故障类型的故障特征库。这个故障特征库,可以记录当前故障类型发生时,历史运行数据的情况,用以为后续的故障分类提供参考数据源。
步骤2,采集所述故障测量传感器的传感数据,并构建故障数据集,以及从所述故障数据集中筛选出关键数据集。
为了获得全面的历史运行数据,本发明根据故障分类表中所涉及到的所有故障类型,在柔直换流阀中添加部署了多个多类故障测量传感器。
优选的,在柔直换流阀中部署故障测量传感器还包括:基于柔直换流阀中不同元件的不同类型故障,对应于每一个或每多个元件部署具备特定编号的温湿度传感器、电压互感器、电流互感器。
具体来说,温湿度传感器、电压互感器、电流互感器可以部署在柔直换流阀的各个元件附近,针对其中的某个元件、或某多个元件进行故障分析研究。例如,方法可以采集柔直换流阀中电容的温湿度、电压,采集电阻的温度、电压和电流,晶闸管的电流、旁路开关的电流、子模块母排的电流、电压,以及采集每一个IGBT上下管的温度、电压、电流等。
本发明中采集到的原始数据并不会都直接作为数据源构建故障数据集。聚类来说,方法可以通过IGBT上下管的瞬时电压、电流来综合计算换流阀的有功功率、无功功率、整体电压等情况。也就是说,故障数据集中的每一项数据可能是通过传感器采集的原始数据直接获得,也可能是通过对原始数据进行简单计算得到的。
优选的,从故障数据集中筛选出关键数据集还包括:构建故障数据集矩阵,并对处于相同特征维度的特征项进行去均值运算,以获得转换矩阵;计算转换矩阵的协方差矩阵,并采用特征值分解算法计算协方差矩阵的特征值与特征向量,筛除取值结果排序靠后的特征值,基于剩余的特征值和特征向量构建关键数据集矩阵。
需要说明的是,针对故障特征库的分类,所收集到的数据库往往面临着信息量巨大、复杂性较高、数据高度不均匀等大量问题。柔性直流换流阀每一条故障数据都可能由多种故障特征同时引起,然而有一些故障特征与其他故障特征有着重复性,如果都用来进行故障诊断,会造成时间成本的增加,而且对模型整体准确率有着一定的影响。因此,对于原始的故障数据集还需要进一步的筛选,在不影响整体诊断的基础上,保留一些最重要的故障特征。
本发明筛选过程可以为构建故障数据集矩阵。其中,矩阵的每一行或列可以为一个时间点的所有故障数据项。例如,前文提及的电压电流功率等。而每一列或每一行则可以为相同维度的数据,例如同一个传感器采集到的不同时刻的数据,或者是针对某个元件或元件组合的功率在不同时刻的采样信息,等等。
构建好的数据集矩阵可以对处于相同特征维度的特征项进行去均值运算。例如,当某几个连续时刻的功率在平均值为10kw的功率下浮动时,则可将每个数据项都减去该平均值从而得到转换后的数据项。对于转换后的矩阵,可以计算协方差,用来衡量数据项之间的总体偏差。获得协方差矩阵后,方法还可以采用特征值分解方法来计算协方差矩阵的特征值与特征向量。
具体的,特征值分解算法能够将矩阵分解为特征向量和特征值,从而使得矩阵被划分为多个线性无关的特征向量。方法可以按照特征值的大小进行排序,特征值较大的顺序靠前。根据实际应用的需要,本发明方法可以截取排序靠前的部分特征值,也可以通过特征值对于整体矩阵的贡献程度来实现靠后的部分特征值的删除。最终保留的特征值就实现了关键特征的筛选。通过将剩余的特征值和特征向量进行计算,就可以得到关键数据集矩阵了。
上述方法可以将高维度的数据降到低维度,并保留原始数据中一些最重要的特征,同时去除噪声和部分关联特征,从而提高数据的处理效率,降低时间成本。
需要说明的是,方法为了确保关键数据集中特征梯度值的计算存在参考作用,在不同计算阶段进行了多次数据归一化、标准化的处理过程。举例来说,方法在得到关键数据集矩阵之前就进行了标准化分析,通过将原始数据去均值、再除以标准差的方式得到了标准数据。公式如下:
/>
其中,μi为xi均值,σi为xi标准差。
另外,在得到关键数据集后,方法再次通过计算当前特征中所有数据值的最小值、最大值、当前一个特征的取值来实现归一化处理。具体公式为:
其中,X为特征样本值;Xmin为特征数据最小值,Xmax为特征数据最大值。
步骤3,计算关键数据集中每一个特征项的梯度值,保留大梯度样本的同时抽样选取小梯度样本以构建样本库。
在获得关键数据集后,就可以根据关键数据集中每一个特征项的梯度值来判断是否需要将该特征值作为后续分析的样本。
具体来说,计算关键数据集中每一个特征项的梯度值还包括:采用二阶泰勒展开决策树的损失函数,并去除0阶项;采用正则化展开决策树的损失函数,并去除0阶项;合并去除了0阶项的多项式,得到样本损失函数;将当前特征项代入样本损失函数,并对损失函数求梯度,以得到当前特征项的梯度值。
本发明中,希望采用决策树的方法来对于故障数据进行分类,从而准确的将不同的故障划分出来。因此,为了实现决策树划分的算法的构建基础,方法通过计算关键数据集中的特征项的梯度值来实现分类依据。
这里的特征项可以为矩阵中的各个数据值。因此,梯度值的计算是首先计算决策树的损失函数,然后通过两种不同的级数展开方式来展开损失函数,两种方式都需要去除0阶项,通过这种方式能够进一步的降低损失函数中与特征项无关的误差。另外,二阶泰勒展与正则化展开从两个不同的角度展开损失函数,防止了损失函数中关联信息在展开过程中的丢失。合并去除了0阶项的多项式,就可以得到样本损失函数。
在得到样本损失函数后,方法可以将特征项的具体数据代入函数中,从而得到具体的梯度值。
实际上,在决策树不断构建和迭代优化的过程中,本发明中的损失函数、样本损失函数和梯度值也会不断的更新优化,从而使得决策树的分类结果更为准确。
优选的,保留大梯度样本的同时抽样选取小梯度样本以构建样本库还包括:对每一个特征项的梯度值进行降序排序,并设置比例阈值,所有特征项的数量与比例阈值相乘获得大梯度样本量;若当前特征项的梯度值的排序位于大梯度样本量中,则将当前特征项归类为大梯度样本,若当前特征项的梯度值超出大梯度样本量,则将当前特征项归类为小梯度样本;保留所有的大梯度样本,以设定比率从小梯度样本中随机抽取采样样本,将大梯度样本与采样样本合并形成样本库。
需要说明的是,本发明并不会将所有的特征项作为样本库中的样本。这是为了防止样本筛选中计算量过大,计算速度较慢的问题发生。为此,方法不仅是选用了大梯度样本,还同样为了防止梯度计算不够准确,同时为了综合考量样本的整体情况,抽样选取了部分小梯度样本进行样本库当中。
这种方式不仅缩小了样本库中样本的数量,同时降低了运算复杂度,提高了运算速度,同时不会降低样本库的准确度,保持了算法的准确和稳定。
步骤4,将样本库中的每一个特征项离散化为K个维度的简单数值,基于K个维度的简单数值构造质量分布图,并计算质量分布图的信息增益,从而根据信息增益实现决策树的节点分裂。
具体来说,现有技术中的决策树算法对于特征项的计算量过大,由于特征项可能有各种不同的表现形式,在计算机中的存储方式也多种多样,需要占用大量的存储空间,运算起来也很费力。为此,方法将特征项的取值,根据实际情况划分为多个离散的整数值,也就是简单数值,每个简单数值可以被存储在一个预先规划好的数据箱子中,通过这种方式,数据箱子就被进行合理的赋值了。当方法将一个特征项中多个数据箱子进行排列放置后,根据各个数据箱子的取值,就可以构建一个质量分布图,从而识别到各个数据箱子依次的取值情况。
通过这种方式来计算决策树的信息增益,能够节约大量的计算成本,不仅节省了存储空间、计算所需的临时空间,也确保了计算过程的简单无重复、无冗余。
具体来说,信息增益在计算过程中,会参考到选取的样本库中每个样本的梯度大小,梯度值可以作为信息增益计算的权重,梯度越大对于信息增益的影响越大。具体的,对于决策树中的某个节点来说,如果节点的所有样本集合为O,则遍历所有特征,计算的信息增益为
式中,i∈O为当前节点的所有样本集合O中的任意样本i,
p∈L为当前节点分裂后划分到左侧分支的所有样本集合L中的任意样本p,
q∈R为当前节点分裂后划分到左侧分支的所有样本集合R中的任意样本q,
g为信息熵,为平均信息熵。
上述公式并没有对每个特征的信息熵乘以梯度权重。而在本发明的实际方法中还可以对于每个样本i的信息熵,在求和之前通过其梯度进行加权。
当上述公式取值最大时,就可以确定当前节点最合理的划分方式,从而实现一个节点的分裂。
步骤5,重复步骤4直到决策树分裂到最大限制分裂次数后完成决策树模型的构建,基于决策树模型对当前故障进行分类,并对照故障分类表定位当前故障的类型。
通过本发明中的这种方法,能够重复的对于决策树的每个节点进行分裂,直到完成方法预先设定的分裂要求后截止。具体来说,本发明可以采用多种方式来确定分裂截止的条件。
本发明一实施例中,可以采用最大限制分裂次数作为约束条件,当某个节点分裂次数超过限制后,则即便其具备较大的增益也拒绝其继续分裂。这是根据故障分裂的实际属性决定的。例如,非常类似的故障可能会发生在同一元件中。但是一个元件不会同时存在过多的故障类型。因此,这种方式有效匹配了实际的故障类型划分方式,防止过度分裂导致的故障类型匹配不能的问题。
优选的,完成决策树模型的构建还包括:对前一轮构建的决策树计算损失函数,并基于损失函数以梯度提升的方式更新决策树的学习器函数,以获得下一轮的学习器函数。
通过这种方式,可以用梯度提升的方法来逐渐更新决策树的学习器函数,并不断的改进决策树的学习方式,优化决策树的分类准确程度。
本发明又一实施例中,方法还对决策树模型进行改进,改进为优化决策树模型的参数;参数至少包括最大限制分裂次数、最少叶子节点数、决策树的复杂度、决策树数量、决策树学习速率和K。
具体来说,本发明中的决策树模型是及其学习中的一种,可以通过计算机方法进行构建、不断的迭代与改进。本发明另一实施例中,采用了sklearn.cross_validation进行训练数据集划分,训练集和交叉验证集的比例为8:2。该比例可以根据需要设置,将划分结果整理成数据集的格式。
另外,机器学习中所用到的各项参数的设置,如果比较合适则对于计算结果的准确度有很大程度的提升。
在这个过程中,本发明慎重的选择了重要的参数,进行改进和优化。通常,机器学习算法所需要设定超参数较多,参数范围较大。参数的不同取值对故障诊断的结果会造成一定的影响,在处理大量数据时依靠人工的设定参数,模型的预测效率较差。
为了优化参数,本发明采用了粒子群算法进行自动化的参数优化。将各个参数随机取值后,添加至种群矩阵中。也就是实现了基于参数构建种群矩阵,然后本发明通过另一种机器学习算法来实现种群位置的寻优,最优的粒子其取值就可以参考用于求解决策树的各个超参数了。
优选的,基于参数构建种群矩阵,并计算所有粒子的适应度函数;将所有粒子划分为第一类粒子和第二类粒子,其中,第一类粒子的位置更新为 第二类粒子的位置更新为/>
其中,/>为第t+1次迭代时第i个粒子在第j维中的位置,α为0到1之间的随机数,itermax为最大迭代次数,R2取值在0到1之间,基于当前粒子与周围粒子的距离确定,ST为设定距离阈值,Q为服从正态分布的随机数,ρ和L为预先设定的矩阵;其中,/>为第t次迭代时的全局最差位置,/>为当前迭代过程中当前时刻已发现的最优位置,L(d)为位置迭代步长,n为种群数量。
具体来说,ρ和L为1×d阶矩阵,其中L中的元素随机取±1,ρ中的元素取值均为1,它表示搜索方向。通过上述算法对参数的设定进行优化,避免人工设置参数导致效率低、学习精度差的问题。
其中,位置迭代步长为
其中,r1,r2为0到1之间符合正态分布的随机数,并且, 式中,/>取值范围为[1,2]。
具体来说,为了确保适应度更好的粒子达到预设位置,第一粒子和第二粒子可以实现灵活切换。并且,第一粒子和第二粒子通过不断的位置更新实现位置的优化。
然而,随着迭代次数逐渐增加,类似的粒子会产生聚集现象,造成种群搜索空间减少,算法易陷入局部最优。为了实现对范围内求解充分遍历,确保粒子在随机游走过程中有大概率出现大跨步,本发明采用的位置迭代步长符合广义中心极限定理,从而使这种策略有很大的随机性,使粒子个体不会在同一地点重复搜索,能够尽可能的扩大搜索范围,实现搜索全局优化。
在模拟实验中,种群中的粒子很快向预定的方向移动。然而本发明中则希望其以特定的路径以非直接的方式实现移动,有时则可以采用禁止行进的方式来实现对部分路径上粒子的驱离。
具体来说,这种驱离位置的数学模型可以为:
其中,表示当前迭代时的全局最优位置,/>示当前迭代时的全局最差位置,是服从标准正态分布的随机数,用来作为步长控制参数;β取值在-1与1之间,fi为当前粒子的个体适应度,fg为全局最优适应度。ε为当(fi-fw)取值为0时的极小值。fw为全局最差适应度。K为随机数。
通过上述方法,本发明能够具备很好的算法跳出局部最优的能力,使得参数的选取克服历史局限,根据实际情况选择到最优的参数实现决策树的性能提升。
本发明可以采用已有的机器学习模型进行上述改进,实现快速、分布式、高性能的学习框架,支持高效率的并行训练,并且具有更少的样本、更少的特征、更少的内存。
本发明在获取到训练集后,可以将训练集输入到模型中进行训练,通过改进的模型参数,获得当前参数调节范围内的最佳模型。随后,可以将测试样本输入至训练好的模型中进行测试模型的准确率,从而实现算法整体性能的评价。
模型实现可以采用python中的基础机器学习库进行改进,以及sklearn库中的数据拆分、数据评价相关函数,采用训练时间、正确率、均方误差。均方误差函数来评价预测值和真实值之间的差距,均方根误差越小,精确率越高。
本发明第二方面,涉及一种基于机器学习的柔直换流阀的故障辅助决策系统,系统包括采集模块、计算模块、节点分裂模块和模型构建模块;采集模块,用于基于柔直换流阀中不同元件的不同类型故障构建故障分类表,并在柔直换流阀中部署故障测量传感器,以及,采集故障测量传感器的传感数据,并构建故障数据集,以及从故障数据集中筛选出关键数据集;计算模块,用于计算关键数据集中每一个特征项的梯度值,保留大梯度样本的同时抽样选取小梯度样本以构建样本库;节点分裂模块,用于将样本库中的每一个特征项离散化为K个维度的简单数值,基于K个维度的简单数值构造质量分布图,并计算质量分布图的信息增益,从而根据信息增益实现决策树的节点分裂;模型构建模块,用于重复步骤4直到决策树分裂到最大限制分裂次数后完成决策树模型的构建,基于决策树模型对当前故障进行分类,并对照故障分类表定位当前故障的类型。
本发明第三方面,涉及一种终端,包括处理器及存储介质;存储介质用于存储指令;处理器用于根据指令进行操作以执行根据本发明第一方面中方法的步骤。
可以理解的是,终端为了实现上述本申请实施例提供的方法中的各功能,包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对终端进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
终端包括至少一个处理器,总线系统以及至少一个通信接口。处理器由中央处理器、现场可编程逻辑门阵列、专用集成电路或其他硬件构成。存储器为只读存储器、随机存取存储器等构成。存储器可以是独立存在,通过总线与处理器相连接。存储器也可以和处理器集成在一起。硬盘可以为机械盘或固态硬盘等。本发明实施例对此不作限定。上述实施例通常通过软件、硬件来实现。当使用软件程序实现时,可以以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。
本发明第四方面,涉及计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现本发明第一方面中方法的步骤。
在计算机上加载和执行计算机程序指令时,按照本发明中实施例所提供的流程来实现相应的功能。其中涉及的计算机程序指令可以是汇编指令、机器指令或者以编程语言实现编写的代码等等。
本发明的有益效果在于,与现有技术相比,本发明中的一种基于机器学习的柔直换流阀的故障辅助决策方法及系统,通过构建故障分类表,以决策树方式计算关键数据集中特征项的分类,并对应于故障分类表,从而实现对当前故障的类型的定位。本发明有效可靠,计算方式高效准确,节约了大量计算成本,以离散数据的方式确保了分类的精细化程度,准确定位故障类型和故障位置,为电网维护人员提供充分依据,确保故障排查的准确及时,最大范围内缩小故障影响面。
最后应当说明的是,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 (13)
1.一种基于机器学习的柔直换流阀的故障辅助决策方法,其特征在于:
所述方法包括以下步骤:
步骤1,基于柔直换流阀中不同元件的不同类型故障构建故障分类表,并在柔直换流阀中部署故障测量传感器;
步骤2,采集所述故障测量传感器的传感数据,并构建故障数据集,以及从所述故障数据集中筛选出关键数据集;
步骤3,计算所述关键数据集中每一个特征项的梯度值,保留大梯度样本的同时抽样选取小梯度样本以构建样本库;
步骤4,将所述样本库中的每一个特征项离散化为K个维度的简单数值,基于所述K个维度的简单数值构造质量分布图,并计算所述质量分布图的信息增益,从而根据所述信息增益实现决策树的节点分裂;
步骤5,重复步骤4直到所述决策树分裂到最大限制分裂次数后完成决策树模型的构建,基于所述决策树模型对当前故障进行分类,并对照所述故障分类表定位所述当前故障的类型。
2.根据权利要求1所述的一种基于机器学习的柔直换流阀的故障辅助决策方法,其特征在于:
所述在柔直换流阀中部署故障测量传感器还包括:
基于柔直换流阀中不同元件的不同类型故障,对应于每一个或每多个元件部署具备特定编号的温湿度传感器、电压互感器、电流互感器。
3.根据权利要求1所述的一种基于机器学习的柔直换流阀的故障辅助决策方法,其特征在于:
所述故障分类表还包括:
所述故障分类表中的每一个故障类型均对应于唯一的元件、功能和故障模式;
其中,所述元件包括IGBT上管、IGBT下管、电容、电阻、晶闸管、旁路开关、子模块母排、中控板卡组件、电源板组件、驱动板组件、子模块电连接线缆、子模块光纤线束、子模块水管、子模块散热器;
所述功能为某一个所述元件的一种或多种功能,所述故障模式为某一个所述元件的某一项功能发生故障时的模式。
4.根据权利要求1所述的一种基于机器学习的柔直换流阀的故障辅助决策方法,其特征在于:
所述从所述故障数据集中筛选出关键数据集还包括:
构建故障数据集矩阵,并对处于相同特征维度的特征项进行去均值运算,以获得转换矩阵;
计算转换矩阵的协方差矩阵,并采用特征值分解算法计算所述协方差矩阵的特征值与特征向量,筛除取值结果排序靠后的特征值,基于剩余的特征值和特征向量构建关键数据集矩阵。
5.根据权利要求1所述的一种基于机器学习的柔直换流阀的故障辅助决策方法,其特征在于:
所述计算所述关键数据集中每一个特征项的梯度值还包括:
采用二阶泰勒展开所述决策树的损失函数,并去除0阶项;
采用正则化展开所述决策树的损失函数,并去除0阶项;
合并去除了0阶项的多项式,得到样本损失函数;
将当前特征项代入所述样本损失函数,并对所述损失函数求梯度,以得到所述当前特征项的梯度值。
6.根据权利要求5所述的一种基于机器学习的柔直换流阀的故障辅助决策方法,其特征在于:
所述保留大梯度样本的同时抽样选取小梯度样本以构建样本库还包括:
对每一个特征项的梯度值进行降序排序,并设置比例阈值,所有特征项的数量与所述比例阈值相乘获得大梯度样本量;
若当前特征项的梯度值的排序位于大梯度样本量中,则将当前特征项归类为大梯度样本,若当前特征项的梯度值超出大梯度样本量,则将当前特征项归类为小梯度样本;
保留所有的大梯度样本,以设定比率从所述小梯度样本中随机抽取采样样本,将大梯度样本与采样样本合并形成样本库。
7.根据权利要求1所述的一种基于机器学习的柔直换流阀的故障辅助决策方法,其特征在于:
所述完成决策树模型的构建还包括:
对前一轮构建的决策树计算损失函数,并基于所述损失函数以梯度提升的方式更新所述决策树的学习器函数,以获得下一轮的所述学习器函数。
8.根据权利要求1所述的一种基于机器学习的柔直换流阀的故障辅助决策方法,其特征在于:
所述方法还对所述决策树模型进行改进,所述改进为优化所述决策树模型的参数;
所述参数至少包括所述最大限制分裂次数、最少叶子节点数、决策树的复杂度、决策树数量、决策树学习速率和K。
9.根据权利要求8所述的一种基于机器学习的柔直换流阀的故障辅助决策方法,其特征在于:
基于所述参数构建种群矩阵,并计算所有粒子的适应度函数;
将所有粒子划分为第一类粒子和第二类粒子,其中,第一类粒子的位置更新为第二类粒子的位置更新为
其中,为第t+1次迭代时第i个粒子在第j维中的位置,α为0到1之间的随机数,itetmax为最大迭代次数,R2取值在0到1之间,基于当前粒子与周围粒子的距离确定,ST为设定距离阈值,Q为服从正态分布的随机数,ρ和L为预先设定的矩阵;
其中,为第t次迭代时的全局最差位置,/>为当前迭代过程中当前时刻已发现的最优位置,L(d)为位置迭代步长,n为种群数量。
10.根据权利要求9所述的一种基于机器学习的柔直换流阀的故障辅助决策方法,其特征在于:
所述位置迭代步长为
其中,r1,r2为0到1之间符合正态分布的随机数,
并且,式中,/>取值范围为[1,2]。
11.一种利用权利要求1-10任一项权利要求所述方法的基于机器学习的柔直换流阀的故障辅助决策系统,其特征在于:
所述系统包括采集模块、计算模块、节点分裂模块和模型构建模块;
所述采集模块,用于基于柔直换流阀中不同元件的不同类型故障构建故障分类表,并在柔直换流阀中部署故障测量传感器,以及,采集所述故障测量传感器的传感数据,并构建故障数据集,以及从所述故障数据集中筛选出关键数据集;
所述计算模块,用于计算所述关键数据集中每一个特征项的梯度值,保留大梯度样本的同时抽样选取小梯度样本以构建样本库;
所述节点分裂模块,用于将所述样本库中的每一个特征项离散化为K个维度的简单数值,基于所述K个维度的简单数值构造质量分布图,并计算所述质量分布图的信息增益,从而根据所述信息增益实现决策树的节点分裂;
所述模型构建模块,用于重复步骤4直到所述决策树分裂到最大限制分裂次数后完成决策树模型的构建,基于所述决策树模型对当前故障进行分类,并对照所述故障分类表定位所述当前故障的类型。
12.一种终端,包括处理器及存储介质;其特征在于:
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1-10任一项所述方法的步骤。
13.计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-10任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310663226.9A CN116861336A (zh) | 2023-06-06 | 2023-06-06 | 一种基于机器学习的柔直换流阀的故障辅助决策方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310663226.9A CN116861336A (zh) | 2023-06-06 | 2023-06-06 | 一种基于机器学习的柔直换流阀的故障辅助决策方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116861336A true CN116861336A (zh) | 2023-10-10 |
Family
ID=88224168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310663226.9A Pending CN116861336A (zh) | 2023-06-06 | 2023-06-06 | 一种基于机器学习的柔直换流阀的故障辅助决策方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116861336A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150393A (zh) * | 2023-10-26 | 2023-12-01 | 国网经济技术研究院有限公司 | 一种基于决策树的电力系统薄弱支路辨识方法及系统 |
CN117687394A (zh) * | 2024-01-27 | 2024-03-12 | 南京德克威尔自动化有限公司 | 电磁阀岛控制信号校验方法及系统 |
-
2023
- 2023-06-06 CN CN202310663226.9A patent/CN116861336A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150393A (zh) * | 2023-10-26 | 2023-12-01 | 国网经济技术研究院有限公司 | 一种基于决策树的电力系统薄弱支路辨识方法及系统 |
CN117150393B (zh) * | 2023-10-26 | 2024-01-05 | 国网经济技术研究院有限公司 | 一种基于决策树的电力系统薄弱支路辨识方法及系统 |
CN117687394A (zh) * | 2024-01-27 | 2024-03-12 | 南京德克威尔自动化有限公司 | 电磁阀岛控制信号校验方法及系统 |
CN117687394B (zh) * | 2024-01-27 | 2024-04-16 | 南京德克威尔自动化有限公司 | 电磁阀岛控制信号校验方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116861336A (zh) | 一种基于机器学习的柔直换流阀的故障辅助决策方法及系统 | |
CN106504116B (zh) | 基于电网运行与暂态稳定裕度指标关联的稳定评估方法 | |
CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
CN105335752A (zh) | 一种基于主成分分析多变量决策树的接线方式识别方法 | |
CN113298297B (zh) | 一种基于孤立森林与wgan网络的风电输出功率预测方法 | |
CN111738522B (zh) | 一种光伏发电功率的预测方法、存储介质及终端设备 | |
CN112598172A (zh) | 一种风电机组轴承温度预警方法 | |
CN116467674B (zh) | 一种配电网智能故障处理融合更新系统及其方法 | |
CN113988477A (zh) | 基于机器学习的光伏功率短期预测方法、装置及存储介质 | |
CN115822887A (zh) | 风电机组的性能评估与能效诊断方法及系统 | |
CN110766320A (zh) | 一种机场智能电网运行安全评价方法及装置 | |
CN112580712A (zh) | 一种继电保护装置故障处理辅助决策方法及系统 | |
CN113283602A (zh) | 基于离线知识学习和在线动态修正电网系统故障诊断方法 | |
CN114021425B (zh) | 电力系统运行数据建模与特征选择方法、装置、电子设备和存储介质 | |
CN113901622A (zh) | 一种基于遗传算法优化的svm的配电网拓扑辨识方法 | |
CN111585277B (zh) | 一种基于混合集成模型的电力系统动态安全评估方法 | |
CN110991741B (zh) | 一种基于深度学习的断面约束概率预警方法及系统 | |
CN112380763A (zh) | 一种基于数据挖掘的堆内构件可靠性分析系统及方法 | |
CN116317937A (zh) | 一种分布式光伏电站运行故障诊断方法 | |
CN112765133B (zh) | 一种用于pas案例库的维护系统及维护方法 | |
CN117764547A (zh) | 一种光伏组串故障诊断方法及系统 | |
KR102049251B1 (ko) | 데이터 수집을 위한 마이크로 그리드 게이트웨이 및 그의 제어 방법 | |
Wehenkel et al. | Automatic Learning Approaches for On-Line Transient Stability Preventive Control of the Hydro-Quebec System: Part I. Decision tree approaches | |
CN117872038B (zh) | 一种基于图论的直流微电网失稳故障源定位方法及装置 | |
CN109472006B (zh) | 一种基于psd-bpa的计算结果筛选方法 |
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 |