CN116910655A - 一种基于装置量测数据的智能电能表故障预测方法 - Google Patents
一种基于装置量测数据的智能电能表故障预测方法 Download PDFInfo
- Publication number
- CN116910655A CN116910655A CN202310769140.4A CN202310769140A CN116910655A CN 116910655 A CN116910655 A CN 116910655A CN 202310769140 A CN202310769140 A CN 202310769140A CN 116910655 A CN116910655 A CN 116910655A
- Authority
- CN
- China
- Prior art keywords
- fault
- model
- ammeter
- measurement data
- neural network
- 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
- 238000005259 measurement Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 238000010606 normalization Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
-
- 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
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
Abstract
本发明公开了一种基于装置量测数据的智能电能表故障预测方法,涉及电表故障预测技术领域,包括以下步骤:获取电表故障特征变量;进行数据异常值剔除,将特征变量数据进行归一化处理;将时域特征信息融入到归一化特征变量,构造与时域信息和故障特征变量相关的卷积神经网络输入矩阵;数据输入,进行卷积神经网络前向传播,得到模型输出结果;计算模型的损失函数,对模型参数进行更新,获取智能电能表故障分析模型;构造输入矩阵,采用训练好的模型进行智能电能表故障分析,对故障类别进行预测。本发明最终得出一个可以用于智能表故障分析和故障类别预测的模型用于故障预测,该模型基于历史故障特征进行模型训练,保证了故障分析的准确性。
Description
技术领域
本发明涉及电表故障预测技术领域,特别涉及一种基于装置量测数据的智能电能表故障预测方法。
背景技术
近年来,我国智能电网建设得到快速发展,智能电能表作为智能电网中最重要的基础量测仪器之一,其安装总量庞大、运行状况直接影响量测准确性和贸易公平性。对智能电能表进行抽样检测是保障电表计量准确性的重要方法,但抽样检测存在样本数量小、检测周期长、成本高等不足,而且现有抽样检测常为通过人工收集数据并对数据进行分析比对得出结论,此过程也会耗费大量人力,且得出的结果受人为影响较大,且人工检测也会耗费大量的时间精力,时间成本和人工成本很高。目前虽也有半自动化的检测方法,如将检测数据输入算法中进行比对并得出结论,但这些多为简单的数据处理和单纯的数据比对,此过程还是需要耗费人力进行数据处理,且数据处理的效率不高,进行比对的数据需要人为设定提前输入,此过程过于静态固化,灵活性不高。
鉴于此,需要一种基于装置量测数据的智能电能表故障预测方法。
发明内容
针对现有技术中抽样检测存在样本数量小、检测周期长、成本高等不足,人工检测时间成本和人工成本很高,半自动化的检测方法多为简单的数据处理和单纯的数据比对,且数据处理的效率不高灵活性不强的问题,本发明提供了一种基于装置量测数据的智能电能表故障预测方法,能够基于神经网络分析电表故障数据和故障特征,通过模型训练得出可以进行智能电能表故障分析,对故障类别进行预测的模型。具体技术方案如下:
一种基于装置量测数据的智能电能表故障预测方法,包括以下步骤:
S1:通过智能电能表故障数据库获取电表故障特征变量;
S2:在特征变量中进行数据异常值剔除,将特征变量数据进行归一化处理;
S3:将时域特征信息融入到归一化特征变量,构造与时域信息和故障特征变量相关的卷积神经网络输入矩阵;
S4:将构建的卷积神经网络输入矩阵进行数据输入,进行卷积神经网络前向传播,得到模型输出结果;
S5:计算模型的损失函数,采用优化算法对模型参数进行更新,获取智能电能表故障分析模型;
S6:建立模型评价标准,当辨识精度达到既定要求后,保存模型参数,如未达到既定要求,则继续进行参数优化,直到满足要求;
S7:对于预测数据,构造输入矩阵,采用训练好的模型进行智能电能表故障分析,对故障类别进行预测。
优选的,所述步骤S1由电力能源供应商提供电表故障特征和量测数据;
所述电表故障特征包括正常、电表示值不平、采集异常、电表反向有功示值异常、电表飞走、电表倒走、电表潜动异常、电表时间异常;
所述量测数据包括总用电量、平段用电量、峰段用电量、谷段用电量、电压、电流、终端时间、电表时间。
优选的,所述步骤S2具体如下:
记a(a1,a2,…,ai,…,an)为智能电能表某量测变量数据的时间序列,an表示在第n时刻该变量的数值。采用长度为2K+1的窗口对ai进行中值滤波,得到滤波后的结果为
其中,med(·)表示为向量中值,表示为ai经过长度为2K+1的窗口进行中值滤波后的结果;
对根据上式所得到的滤波结果进行归一化处理,得到归一化特征变量数据y为:
其中,表示为/>的最大值,/>表示为/>的最小值。
优选的,所述步骤3具体为:记智能电能表量测数据的特征变量数为m,量测数据的时序长度为n,中值滤波的窗口长度为2K+1,则与时域信息和故障特征变量相关的卷积神经网络输入矩阵表示为:
优选的,所述步骤S4具体为:将由卷积神经网络输入矩阵所给出的与时域信息和故障特征变量相关的数据矩阵作为卷积神经网络的模型输入,进行卷积神经网络前向传播,得到模型输出结果,卷积神经网络的结构包括输入层、卷积层、池化层、全连接层和输出层。
优选的,所述步骤S5具体如下:
计算损失函数,具体计算公式如下
其中,N表示为训练样本的个数,表示为模型的预测结果,X表示为实际的结果;
根据以上求得的损失函数,采用Adam优化方法对卷积神经网络参数进行迭代更新,得到智能电能表故障预测模型。
优选的,所述步骤S6的所述模型评价标准为准确率(Accuracy,ACC)、精确率(Precision,P)、召回率(Recall,R)和综合评价指标(F-Measure,F)。
优选的,所述准确率ACC的计算公式为:
所述精确率P的计算公式为:
所述召回率R的计算公式为:
所述综合评价指标F的计算公式为:
其中,TP为正类预测为正类的个数,TN为负类预测为负类的个数,FP为负类预测为正类的个数,FN为正类预测为负类的个数。
优选的,所述步骤S7具体为:根据步骤S1选取相关量测量测数据,根据步骤S2对相关数据进行滤波和归一化处理,形成卷积神经网络输入矩阵,并将其输入到由步骤S4、S5建立与优化、由步骤S6验证过的基于量测数据的智能电能表故障预测模型,得出模型的预测结果。
与现有技术相比,本发明的有益效果为:
通过步骤S1:通过智能电能表故障数据库获取电表故障特征变量;S2:在特征变量中进行数据异常值剔除,将特征变量数据进行归一化处理;S3:将时域特征信息融入到归一化特征变量,构造与时域信息和故障特征变量相关的卷积神经网络输入矩阵;S4:将构建的卷积神经网络输入矩阵进行数据输入,进行卷积神经网络前向传播,得到模型输出结果;S5:计算模型的损失函数,采用优化算法对模型参数进行更新,获取智能电能表故障分析模型;S6:建立模型评价标准,当辨识精度达到既定要求后,保存模型参数,如未达到既定要求,则继续进行参数优化,直到满足要求;S7:对于预测数据,构造输入矩阵,采用训练好的模型进行智能电能表故障分析,对故障类别进行预测。本发明最终得出一个可以用于智能表故障分析和故障类别预测的模型用于故障预测,该模型基于历史故障特征进行模型训练,保证了故障分析的准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1为本发明卷积神经网络结构图。
具体实施方式
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做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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
本发明实施例提供一种基于装置量测数据的智能电能表故障预测方法,包括以下步骤:
步骤1:通过智能电能表故障数据库获取电表故障特征变量;
这里由电力能源供应商提供电表故障特征和相关的量测数据。
步骤2:在特征变量中进行数据异常值剔除,将特征变量数据进行归一化处理;
该步骤针对步骤1所得到的量测数据,采用中值滤波方法对特征变量进行数据异常值剔除,将特征变量数据归一化处理,减小量测数据中的异常值对模型精度的影响;
步骤3:将时域特征信息融入到归一化特征变量,构造与时域信息和故障特征变量相关的卷积神经网络输入矩阵;
该步骤主要为在步骤2得到的数据基础上,充分利用量测数据的时域特征信息融入到归一化特征变量,进而构造出与时域信息和故障特征变量相关的卷积神经网络输入矩阵;
步骤4:将构建的卷积神经网络输入矩阵进行数据输入,进行卷积神经网络前向传播,得到模型输出结果;
这里主要为将与时域信息和故障特征变量相关的信息矩阵作为卷积神经网络的输入矩阵进行信息输入,进行卷积神经网络前向传播,进一步得到模型的输出结果;
步骤5:计算模型的损失函数,采用优化算法对模型参数进行更新,获取智能电能表故障分析模型;具体为采用Adam优化算法对所搭建的人工神经网络模型参数进行更新,得到智能电能表的故障分析模型;
步骤6:建立模型评价标准,当辨识精度达到既定要求后,保存模型参数。如未达到既定要求,则继续进行参数优化,直到满足要求;
主要为在已获模型基础上,建立模型评价标准,当辨识精度达到既定要求后,保存模型参数。如未达到既定要求,则继续进行参数优化,直到满足要求;
步骤7:对于预测数据,构造输入矩阵,采用训练好的模型进行智能电能表故障分析,对故障类别进行预测。
下面进一步详细说明本实施例提供的一种基于装置量测数据的智能电能表故障预测方法各个步骤的具体实施。
所述步骤1是这样实现的:
电力能源供应商提供智能电能表故障特征,具体包括如:正常、电表示值不平、采集异常、电表反向有功示值异常、电表飞走、电表倒走、电表潜动异常、电表时间异常等;
智能电能表量测数据包括如:总用电量、平段用电量、峰段用电量、谷段用电量、电压、电流、终端时间、电表时间等。
所述步骤2是这样实现的:
记a(a1,a2,…,ai,…,an)为智能电能表某量测变量数据的时间序列,an表示在第n时刻该变量的数值。采用长度为2K+1的窗口对ai进行中值滤波,得到滤波后的结果为
其中,med(·)表示为向量中值,表示为ai经过长度为2K+1的窗口进行中值滤波后的结果。
进一步,对根据式(1)所得到的滤波结果进行归一化处理,得到归一化特征变量数据y为
其中,表示为/>的最大值,/>表示为/>的最小值。
所述步骤3是这样实现的:
记智能电能表量测数据的特征变量数为m,量测数据的时序长度为n,中值滤波的窗口长度为2K+1,则与时域信息和故障特征变量相关的卷积神经网络输入矩阵表示为
所述步骤4是这样实现的:
将由式(3)所给出的与时域信息和故障特征变量相关的数据矩阵作为卷积神经网络的模型输入,卷积神经网络的结构包括输入层、卷积层、池化层、全连接层和输出层,如图1所示。
所述步骤5是这样实现的:
智能电能表故障预测模型的损失函数表示为
其中,N表示为训练样本的个数,表示为模型的预测结果,X表示为实际的结果。
根据式(4)所描述的损失函数,采用Adam优化方法对卷积神经网络参数进行迭代更新,得到智能电能表故障预测模型。
所述步骤6是这样实现的:
在模型评价方面,利用准确率(Accuracy,ACC)、精确率(Precision,P)、召回率(Recall,R)和综合评价指标(F-Measure,F)共同作为智能电能表故障预测模型的评价标准。
具体分类的评价结果包括:将正类预测为正类的个数记为TP(TruePositive),将负类预测为负类的个数记为TN(TrueNegative),将负类预测为正类的个数记为FP(FalsePositive),将正类预测为负类的个数记为FN(FalseNegative)。
准确率ACC的计算公式为
精确率P的计算公式为
召回率R的计算公式为
准确率F的计算公式为
所述步骤7是这样实现的:
确定待预测智能电能表编号,根据步骤1选取相关量测量测数据,根据步骤2对相关数据进行滤波和归一化处理,形成卷积神经网络输入矩阵,并将其输入到由步骤4、5建立与优化、由步骤6验证过的基于量测数据的智能电能表故障预测模型,得出模型的预测结果。
综上所述,通过步骤S1:通过智能电能表故障数据库获取电表故障特征变量;S2:在特征变量中进行数据异常值剔除,将特征变量数据进行归一化处理;S3:将时域特征信息融入到归一化特征变量,构造与时域信息和故障特征变量相关的卷积神经网络输入矩阵;S4:将构建的卷积神经网络输入矩阵进行数据输入,进行卷积神经网络前向传播,得到模型输出结果;S5:计算模型的损失函数,采用优化算法对模型参数进行更新,获取智能电能表故障分析模型;S6:建立模型评价标准,当辨识精度达到既定要求后,保存模型参数,如未达到既定要求,则继续进行参数优化,直到满足要求;S7:对于预测数据,构造输入矩阵,采用训练好的模型进行智能电能表故障分析,对故障类别进行预测。本发明最终得出一个可以用于智能表故障分析和故障类别预测的模型用于故障预测,该模型基于历史故障特征进行模型训练,保证了故障分析的准确性,解决了背景技术中提出的问题。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (9)
1.一种基于装置量测数据的智能电能表故障预测方法,其特征在于,包括以下步骤:
S1:通过智能电能表故障数据库获取电表故障特征变量;
S2:在特征变量中进行数据异常值剔除,将特征变量数据进行归一化处理;
S3:将时域特征信息融入到归一化特征变量,构造与时域信息和故障特征变量相关的卷积神经网络输入矩阵;
S4:将构建的卷积神经网络输入矩阵进行数据输入,进行卷积神经网络前向传播,得到模型输出结果;
S5:计算模型的损失函数,采用优化算法对模型参数进行更新,获取智能电能表故障分析模型;
S6:建立模型评价标准,当辨识精度达到既定要求后,保存模型参数,如未达到既定要求,则继续进行参数优化,直到满足要求;
S7:对于预测数据,构造输入矩阵,采用训练好的模型进行智能电能表故障分析,对故障类别进行预测。
2.根据权利要求1所述的一种基于装置量测数据的智能电能表故障预测方法,其特征在于,所述步骤S1由电力能源供应商提供电表故障特征和量测数据;
所述电表故障特征包括正常、电表示值不平、采集异常、电表反向有功示值异常、电表飞走、电表倒走、电表潜动异常、电表时间异常;
所述量测数据包括总用电量、平段用电量、峰段用电量、谷段用电量、电压、电流、终端时间、电表时间。
3.根据权利要求1所述的一种基于装置量测数据的智能电能表故障预测方法,其特征在于,所述步骤S2具体如下:
记a(a1,a2,…,ai,…,an)为智能电能表某量测变量数据的时间序列,an表示在第n时刻该变量的数值,采用长度为2K+1的窗口对ai进行中值滤波,得到滤波后的结果为
其中,med(·)表示为向量中值,表示为ai经过长度为2K+1的窗口进行中值滤波后的结果;
对根据上式所得到的滤波结果进行归一化处理,得到归一化特征变量数据y为:
其中,表示为/>的最大值,/>表示为/>的最小值。
4.根据权利要求1所述的一种基于装置量测数据的智能电能表故障预测方法,其特征在于,所述步骤3具体为:记智能电能表量测数据的特征变量数为m,量测数据的时序长度为n,中值滤波的窗口长度为2K+1,则与时域信息和故障特征变量相关的卷积神经网络输入矩阵表示为:
5.根据权利要求4所述的一种基于装置量测数据的智能电能表故障预测方法,其特征在于,所述步骤S4具体为:将由卷积神经网络输入矩阵所给出的与时域信息和故障特征变量相关的数据矩阵作为卷积神经网络的模型输入,进行卷积神经网络前向传播,得到模型输出结果,卷积神经网络的结构包括输入层、卷积层、池化层、全连接层和输出层。
6.根据权利要求1所述的一种基于装置量测数据的智能电能表故障预测方法,其特征在于,所述步骤S5具体如下:
计算损失函数,具体计算公式如下
其中,N表示为训练样本的个数,表示为模型的预测结果,X表示为实际的结果;
根据以上求得的损失函数,采用Adam优化方法对卷积神经网络参数进行迭代更新,得到智能电能表故障预测模型。
7.根据权利要求1所述的一种基于装置量测数据的智能电能表故障预测方法,其特征在于,所述步骤S6的所述模型评价标准为准确率(Accuracy,ACC)、精确率(Precision,P)、召回率(Recall,R)和综合评价指标(F-Measure,F)。
8.根据权利要求7所述的一种基于装置量测数据的智能电能表故障预测方法,其特征在于,所述准确率ACC的计算公式为:
所述精确率P的计算公式为:
所述召回率R的计算公式为:
所述综合评价指标F的计算公式为:
其中,TP为正类预测为正类的个数,TN为负类预测为负类的个数,FP为负类预测为正类的个数,FN为正类预测为负类的个数。
9.根据权利要求1所述的一种基于装置量测数据的智能电能表故障预测方法,其特征在于,所述步骤S7具体为:根据步骤S1选取相关量测量测数据,根据步骤S2对相关数据进行滤波和归一化处理,形成卷积神经网络输入矩阵,并将其输入到由步骤S4、S5建立与优化、由步骤S6验证过的基于量测数据的智能电能表故障预测模型,得出模型的预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310769140.4A CN116910655A (zh) | 2023-06-28 | 2023-06-28 | 一种基于装置量测数据的智能电能表故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310769140.4A CN116910655A (zh) | 2023-06-28 | 2023-06-28 | 一种基于装置量测数据的智能电能表故障预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116910655A true CN116910655A (zh) | 2023-10-20 |
Family
ID=88357280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310769140.4A Pending CN116910655A (zh) | 2023-06-28 | 2023-06-28 | 一种基于装置量测数据的智能电能表故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116910655A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117609704A (zh) * | 2024-01-23 | 2024-02-27 | 青岛高科通信股份有限公司 | 一种基于神经网络模型的智能电表的电计量误差分析装置 |
-
2023
- 2023-06-28 CN CN202310769140.4A patent/CN116910655A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117609704A (zh) * | 2024-01-23 | 2024-02-27 | 青岛高科通信股份有限公司 | 一种基于神经网络模型的智能电表的电计量误差分析装置 |
CN117609704B (zh) * | 2024-01-23 | 2024-04-19 | 青岛高科通信股份有限公司 | 一种基于神经网络模型的智能电表的电计量误差分析装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109164343B (zh) | 基于特征信息量化与加权knn的变压器故障诊断方法 | |
CN110458195B (zh) | 一种基于多判据融合的异常数据甄别方法 | |
CN112381476B (zh) | 用于确定状态异常的电能表的方法及装置 | |
CN111669123B (zh) | 用于对光伏组串进行故障诊断的方法和装置 | |
CN116910655A (zh) | 一种基于装置量测数据的智能电能表故障预测方法 | |
CN112836720B (zh) | 建筑运维设备异常诊断方法、系统及计算机可读存储介质 | |
CN114328075A (zh) | 一种智能配电房传感器多维数据融合异常事件检测方法、系统及计算机可读存储介质 | |
CN110738346A (zh) | 一种基于威布尔分布的批次电能表可靠度预测方法 | |
CN113591393A (zh) | 智能变电站的故障诊断方法、装置、设备和存储介质 | |
CN114169424A (zh) | 基于k近邻回归算法和用电数据的排污量预测方法 | |
CN114290960A (zh) | 获取动力电池的电池健康度的方法、装置和车辆 | |
CN113538063A (zh) | 基于决策树的电费异常数据分析方法、装置、设备及介质 | |
CN114280527A (zh) | 一种基于低压物联感知终端的电能表失准分析方法 | |
CN112990730B (zh) | 一种利用人为采集失败增强电量相关性特征的方法 | |
CN116520236B (zh) | 一种智能电表的异常检测方法和系统 | |
CN112345972A (zh) | 基于停电事件的配电网线变关系异常诊断方法、装置及系统 | |
CN116128690B (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
CN111506636A (zh) | 一种基于自回归和近邻算法的居民用电行为分析的系统及方法 | |
CN115545240A (zh) | 一种低压配电网台区异常线损诊断方法、系统、设备及介质 | |
CN114186586A (zh) | 基于二维卷积神经网络的损伤识别方法及设备 | |
CN113212244A (zh) | 一种新能源车辆动力电池寿命预测方法及系统 | |
CN113065234A (zh) | 一种智能电表的批次可靠性风险等级评估方法及系统 | |
CN117406007B (zh) | 一种充电桩充电数据检测方法及系统 | |
CN111625525A (zh) | 一种环境数据修复/填充方法及系统 | |
CN117472898B (zh) | 一种基于融合的配电网异常数据纠错方法及系统 |
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 |