CN117540618A - 一种基于hs-lstm算法的继电保护装置故障率预测方法 - Google Patents
一种基于hs-lstm算法的继电保护装置故障率预测方法 Download PDFInfo
- Publication number
- CN117540618A CN117540618A CN202311272638.6A CN202311272638A CN117540618A CN 117540618 A CN117540618 A CN 117540618A CN 202311272638 A CN202311272638 A CN 202311272638A CN 117540618 A CN117540618 A CN 117540618A
- Authority
- CN
- China
- Prior art keywords
- lstm
- relay protection
- protection device
- representing
- fault rate
- 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 56
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 210000004027 cell Anatomy 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000010845 search algorithm Methods 0.000 claims description 11
- 230000032683 aging Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 230000001755 vocal effect Effects 0.000 claims 2
- 238000004458 analytical method Methods 0.000 abstract description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000010534 mechanism of action Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于HS‑LSTM算法的继电保护装置故障率预测方法，本发明基于和声搜索算法‑长短期记忆网络（记为HS‑LSTM）的继电保护装置故障率预测方法。首先，基于机理分析建立继电保护装置可靠性分布模型。然后，将生成的故障率时间序列作为训练LSTM神经网络的输入，该神经网络可用于预测预定义视界内继电保护装置的故障率。为了提高LSTM网络的预测性能，引入HS对LSTM网络参数进行自适应优化。基于某实际继电保护装置数据进行了数值实验，验证了该方法的有效性和实用性。
Description
技术领域
本发明属于继电保护装置故障率预测技术领域，特别涉及一种基于HS-LSTM算法的继电保护装置故障率预测方法。
背景技术
继电保护承担电力系统第一道防线，其保护装置的可靠性至关重要，每年花费大量人力物力在保护装置的运检上，其主要原因在于保护装置是一个独立性强，实时性高的个体，在线实现其状态评估与诊断存在较大难度。保护装置为微机类保护，可靠性高，但在常年不停电运行下受温度、湿度、盐碱度等环境影响，一些芯片存在老化损坏，继电器存在节点粘连，电源电压供应不稳等现象，导致保护装置异常退出，严重时将导致误动，产生恶劣的后果。因此，准确快速地预测继电保护装置的故障率对电站安全稳定运行有重大意义，对于以可靠性为中心的维护和检修策略也是必要的，同时有助于提升装置利用率，减少成本损耗。
目前针对继电保护装置故障率预测包括自回归移动平均模型(记为ARIMA)和循环神经网络(记为RNN)，存在的不足为：1)ARIMA是一种单输入单输出的预测方法，可能会忽略技术特征之间的相关性。该方法无法捕捉继电保护装置故障率时间序列中的非线性关系。2)由于RNN的神经元结构简单，在训练过程中存在严重的梯度消失和梯度爆炸问题，使得它仍然不能准确地描述长跨度的非线性关系。
发明内容
鉴于背景技术所存在的技术问题，本发明所提供的一种基于HS-LSTM算法的继电保护装置故障率预测方法，通过混合学习方法来预测继电保护装置的故障率，能有效地挖掘和分析继电保护装置故障率时间序列中的特征，保证预测精度。
为了解决上述技术问题，本发明采取了如下技术方案来实现：
一种基于HS-LSTM算法的继电保护装置故障率预测方法，步骤为：
步骤一：建立继电保护可靠性分布模型；
步骤二：建立LSTM网络模型：LSTM网络模型有三个门控单元，LSTM网络通过三个门控单元来更新和遗忘信息，所述的三个门控单元包括遗忘门、输入门和输出门；
步骤三：建立和声搜索算法模型：将和声搜索算法的最优解对应于LSTM神经元的最优数量和学习率；利用和声搜索算法来优化LSTM网络参数以提高继电保护装置故障率预测精度；
步骤四：进行继电保护装置故障率预测：利用HS-LSTM混合学习算法模型来预测继电保护装置故障率，其中HS表示和声搜索算法模型，LSTM表示LSTM网络模型。
优选地，水电站继电保护设备的寿命分布是连续的随机变量，可靠性模型采用二参数威布尔分布，则可靠度函数可以表达为：
式中，tage表示时间；γ表示尺度参数；δ表示形状参数。则故障率分布函数可以表示为：
式中，C(tage)表示实际年龄为tage时的元件累计失效概率；tage为元件实际运行年限；λage(tage)表示实际年龄为tage时的元件老化失效率；β、α分别表示形状参数、尺度参数；
优选地，步骤二中的三个门控单元的作用机制如下。
1)遗忘门：遗忘门用于决定有多少先前的信息将被忽略；算法公式为：
ft＝sigmoid(Wf[ht-1,xt]+bf) (3)
式中，ft表示LSTM在t时刻的遗忘门输出；Wf表示遗忘门的权矩阵；ht-1表示LSTM在(t-1)时刻的输出；xt表示LSTM在t时刻的输入；bf表示遗忘门的偏置矢量；sigmoid表示sigmoid函数；
2)输入门：输入门用于控制有多少当前输入信息将被存储在存储器中；算法公式为：
it＝sigmoid(Wi[ht-1，xt]+bi) (4)
式中，it表示LSTM在t时刻的输入门输出；Wi表示输入门的权矩阵；bi表示输入门的偏置矢量；表示LSTM在t时刻的候选细胞状态；Ct表示LSTM在t时刻的细胞状态；WC表示候选细胞状态的权矩阵；bC表示候选细胞状态的偏置矢量；tanh表示双曲正切函数；Ct-1表示LSTM在(t-1)时刻的细胞状态；/>表示逐点乘法；
3)输出门：输出门用来决定在时间步长t时输出什么；算法公式为：
ot＝sigmoid(Wo[ht-1,xt]+bo) (7)
式中，ot表示LSTM在t时刻的输出门输出；Wo表示输出门的权矩阵；bo表示输出门的偏置矢量；
根据三个门控单元和存储单元，LSTM神经网络可以读取、复位和更新获得的长期信息。
优选地，步骤三的子步骤如下：
步骤3.1：在取值范围内随机生成h组LSTM参数，构成和声库，记为H：
式中，p1、p2分别表示LSTM神经元的最优数量和学习率；θh为第h组参数值与实际结果的绝对误差；h为和声库大小；
步骤3.2：生成新和声x′i，如式(10)所示。假设x′i表示新和声中的LSTM参数，则x′i有PH的概率选取和声库H中的值，有(1-PH)概率选择和声库H外且在取值范围内随机生成的值；若在H内，则对和声库音调调整方法如式(11)所示；
x′＝(p′1,p′2) (10)
式中，bw为音调调节带宽；rand1表示[0,1]间的均匀分布随机数；PR表示音调调节概率；
步骤3.3：和声库更新：根据步骤2中的和声求新误差θ′，若θ′＜max{θ1,θ2,...,θh}，则更新和声库，将θ′及对应的新和声更新至H中；
步骤3.4：判断是否达到最大迭代次数，若达到，则停止迭代，根据当前全局最优值得到LSTM神经元的最优数量和学习率；否则，令k＝k+1，转到步骤2.2和步骤2.3继续迭代。
优选地，步骤四中的预测步骤如下：
步骤4.1：训练：根据步骤一计算得到的继电保护装置故障率序列，输入到HS-LSTM模型中进行训练；
步骤4.2：根据训练完成的HS-LSTM模型，来预测继电保护装置故障率：
采用均方根误差来评估预测结果的质量；如式(12)所示；
式中，n表示的第n个预测时刻，N表示预测时刻总数；Yn、Yn′分别表示预测的第n个老化故障率和实际的第n个老化故障率；RMSE表示均方根误差。
本发明可达到以下有益效果：
通过混合学习方法来预测继电保护装置的故障率，能有效地挖掘和分析继电保护装置故障率时间序列中的特征，保证预测精度。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1为本发明LSTM网络结构图；
图2为本发明不同预测方法的预测结果。
具体实施方式
实施例1：
优选的方案如图1至图2所示，一种基于HS-LSTM算法的继电保护装置故障率预测方法，步骤为：
步步骤一：建立继电保护可靠性分布模型；
威布尔分布在可靠性分析中得到了广泛的应用，能够很好地描述产品的可靠性浴盆曲线特性，继电保护装置的寿命服从威布尔分布。水电站继电保护设备的寿命分布是连续的随机变量，可靠性模型采用二参数威布尔分布，则可靠度函数可以表达为：
式中，tage表示时间；γ表示尺度参数；δ表示形状参数。则故障率分布函数可以表示为：
式中，C(tage)表示实际年龄为tage时的元件累计失效概率；tage为元件实际运行年限；λage(tage)表示实际年龄为tage时的元件老化失效率；β、α分别表示形状参数、尺度参数；
步骤二：建立LSTM网络模型：LSTM网络模型有三个门控单元，LSTM网络通过三个门控单元来更新和遗忘信息，所述的三个门控单元包括遗忘门、输入门和输出门；
LSTM网络的提出避免了传统神经网络存在的严重梯度消失和爆炸问题。LSTM网络的结构如图1所示。可以发现，LSTM网络有三个门控单元。LSTM网络可以通过它们来更新和遗忘信息。这三个门控单元的作用机制简述如下。
1)遗忘门。遗忘门用于决定有多少先前的信息将被忽略。
ft＝sigmoid(Wf[ht-1,xt]+bf) (3)
式中，ft表示LSTM在t时刻的遗忘门输出；Wf表示遗忘门的权矩阵；ht-1表示LSTM在(t-1)时刻的输出；xt表示LSTM在t时刻的输入；bf表示遗忘门的偏置矢量；sigmoid表示sigmoid函数。
2)输入门。输入门用于控制有多少当前输入信息将被存储在存储器中。
it＝sigmoid(Wi[ht-1，xt]+bi) (4)
式中，it表示LSTM在t时刻的输入门输出；Wi表示输入门的权矩阵；bi表示输入门的偏置矢量；表示LSTM在t时刻的候选细胞状态；Ct表示LSTM在t时刻的细胞状态；WC表示候选细胞状态的权矩阵；bC表示候选细胞状态的偏置矢量；tanh表示双曲正切函数；Ct-1表示LSTM在(t-1)时刻的细胞状态；/>表示逐点乘法。
3)输出门。输出门用来决定在时间步长t时输出什么。
ot＝sigmoid(Wo[ht-1,xt]+bo) (7)
式中，ot表示LSTM在t时刻的输出门输出；Wo表示输出门的权矩阵；bo表示输出门的偏置矢量。
根据三个控制门和存储单元，LSTM神经网络可以读取、复位和更新获得的长期信息。
步骤三：建立和声搜索算法模型：将和声搜索算法的最优解对应于LSTM神经元的最优数量和学习率；利用和声搜索算法来优化LSTM网络参数以提高继电保护装置故障率预测精度；
本发明采用和声搜索算法(记为HS)来优化LSTM网络参数(LSTM模型的神经元个数和学习率)以提高继电保护装置故障率预测精度。
在本发明中，和声搜索算法的最优解对应于LSTM神经元的最优数量和学习率。具体步骤如下：
步骤1：在取值范围内随机生成h组LSTM参数，构成和声库，记为H：
式中，p1、p2分别表示LSTM神经元的最优数量和学习率；θh为第h组参数值与实际结果的绝对误差；h为和声库大小。
步骤2：生成新和声x′i，如式(10)所示。假设x′i表示新和声中的LSTM参数，则x′i有PH的概率选取和声库H中的值，有(1-PH)概率选择和声库H外且在取值范围内随机生成的值。若在H内，则对和声库音调调整方法如式(11)所示。
x′＝(p′1,p′2) (10)
式中，bw为音调调节带宽。rand1表示[0,1]间的均匀分布随机数。PR表示音调调节概率。
步骤3：和声库更新。根据步骤2中的和声求新误差θ′，若θ′＜max{θ1,θ2,...,θh}，则更新和声库，将θ′及对应的新和声更新至H中。
步骤4：判断是否达到最大迭代次数，若达到，则停止迭代，根据当前全局最优值得到LSTM神经元的最优数量和学习率。否则，令k＝k+1，转到步骤2和步骤3继续迭代。
步骤四：进行继电保护装置故障率预测：利用HS-LSTM混合学习算法模型来预测继电保护装置故障率，其中HS表示和声搜索算法模型，LSTM表示LSTM网络模型。
本发明利用上述HS-LSTM混合学习算法来预测继电保护装置故障率，预测步骤如下：
1、训练：根据步骤一计算得到的继电保护装置故障率序列，输入到HS-LSTM模型中进行训练。
2、应用：根据训练完成的HS-LSTM模型，来预测继电保护装置故障率。
本发明采用均方根误差(记为RMSE)来评估预测结果的质量。如式(12)所示。
式中，n表示的第n个预测时刻，N表示预测时刻总数。Yn、Yn′分别表示预测的第n个老化故障率和实际的第n个老化故障率。RMSE表示均方根误差。
使用模型进行验证
本发明以某继电保护装置实际故障率为例，通过算例分析说明所提一种基于混合学习方法的继电保护装置故障率预测方法的有效性。
图2给出了本发明所构建的HS-LSTM混合学习方法和ARIMA、RNN等经典预测方法的预测结果，以说明本发明所提方法的精度（Real values表示历史数据）。而且，为便于定量分析，更直观展示各种方法的精度，表1给出了本发明所提HS-LSTM方法与ARIMA、RNN方法对应的均方根误差值。
表1不同预测方法的RMSE对比
从表1中可以看出，与ARIMA、RNN预测方法相比，所提出的HS-LSTM方法的RMSE值分别降低了83.16％、71.30％。即所提出方法在继电保护装置故障率预测方面具有更好的性能。因此，可以得出结论，所提出的混合集成学习方法可以准确预测继电保护装置故障率。
上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。
Claims (5)
1.一种基于HS-LSTM算法的继电保护装置故障率预测方法，其特征在于：
步骤一：建立继电保护可靠性分布模型；
步骤二：建立LSTM网络模型：LSTM网络模型有三个门控单元，LSTM网络通过三个门控单元来更新和遗忘信息，所述的三个门控单元包括遗忘门、输入门和输出门；
步骤三：建立和声搜索算法模型：将和声搜索算法的最优解对应于LSTM神经元的最优数量和学习率；利用和声搜索算法来优化LSTM网络参数以提高继电保护装置故障率预测精度；
步骤四：进行继电保护装置故障率预测：利用HS-LSTM混合学习算法模型来预测继电保护装置故障率，其中HS表示和声搜索算法模型，LSTM表示LSTM网络模型。
2.根据权利要求1所述的一种基于HS-LSTM算法的继电保护装置故障率预测方法，其特征在于：水电站继电保护设备的寿命分布是连续的随机变量，可靠性模型采用二参数威布尔分布，则可靠度函数可以表达为：
(1)；
式中，表示时间；/>表示尺度参数；/>表示形状参数；则故障率分布函数可以表示为：
(2)；
式中，表示实际年龄为/>时的元件累计失效概率；/>为元件实际运行年限；表示实际年龄为/>时的元件老化失效率；/>分别表示形状参数、尺度参数。
3.根据权利要求2所述的一种基于HS-LSTM算法的继电保护装置故障率预测方法，其特征在于：步骤二中的三个门控单元的作用机制如下：
1）遗忘门：遗忘门用于决定有多少先前的信息将被忽略；算法公式为：
(3)；
式中，表示LSTM在t时刻的遗忘门输出；/>表示遗忘门的权矩阵；/>表示LSTM在(t-1)时刻的输出；/>表示LSTM在t时刻的输入；/>表示遗忘门的偏置矢量；/>表示sigmoid函数；
2）输入门：输入门用于控制有多少当前输入信息将被存储在存储器中；算法公式为：
(4)；
(5)；
(6)；
式中，表示LSTM在t时刻的输入门输出；/>表示输入门的权矩阵；/>表示输入门的偏置矢量；/>表示LSTM在t时刻的候选细胞状态；/>表示LSTM在t时刻的细胞状态；/>表示候选细胞状态的权矩阵；/>表示候选细胞状态的偏置矢量；/>表示双曲正切函数；/>表示LSTM在(t-1)时刻的细胞状态；/>表示逐点乘法；
3）输出门：输出门用来决定在时间步长t时输出什么；算法公式为：
(7)；
(8)；
式中，表示LSTM在t时刻的输出门输出；/>表示输出门的权矩阵；/>表示输出门的偏置矢量；
根据三个门控单元和存储单元，LSTM神经网络可以读取、复位和更新获得的长期信息。
4.根据权利要求3所述的一种基于HS-LSTM算法的继电保护装置故障率预测方法，其特征在于：步骤三的子步骤如下：
步骤3.1：在取值范围内随机生成h组LSTM参数，构成和声库，记为H：
(9)；
式中，分别表示LSTM神经元的最优数量和学习率；/>为第h组参数值与实际结果的绝对误差；h为和声库大小；
步骤3.2：生成新和声，如式(10)所示；假设/>表示新和声中的LSTM参数，则/>有/>的概率选取和声库H中的值，有/>概率选择和声库H外且在取值范围内随机生成的值；若在H内，则对和声库音调调整方法如式(11)所示；
(10)；
(11)；
式中，为音调调节带宽；/>表示[0,1]间的均匀分布随机数；/>表示音调调节概率；
步骤3.3：和声库更新：根据步骤2中的和声求新误差，若/>，则更新和声库，将/>及对应的新和声更新至H中；
步骤3.4：判断是否达到最大迭代次数，若达到，则停止迭代，根据当前全局最优值得到LSTM神经元的最优数量和学习率；否则，令k=k+1，转到步骤2.2和步骤2.3继续迭代。
5.根据权利要求4所述的一种基于HS-LSTM算法的继电保护装置故障率预测方法，其特征在于：步骤四中的预测步骤如下：
步骤4.1：训练：根据步骤一计算得到的继电保护装置故障率序列，输入到HS-LSTM模型中进行训练；
步骤4.2：根据训练完成的HS-LSTM模型，来预测继电保护装置故障率：
采用均方根误差来评估预测结果的质量；如式(12)所示；
(12)；
式中，n表示的第n个预测时刻，N表示预测时刻总数；分别表示预测的第n个老化故障率和实际的第n个老化故障率；RMSE表示均方根误差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311272638.6A CN117540618A (zh) | 2023-09-28 | 2023-09-28 | 一种基于hs-lstm算法的继电保护装置故障率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311272638.6A CN117540618A (zh) | 2023-09-28 | 2023-09-28 | 一种基于hs-lstm算法的继电保护装置故障率预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117540618A true CN117540618A (zh) | 2024-02-09 |
Family
ID=89790711
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311272638.6A Pending CN117540618A (zh) | 2023-09-28 | 2023-09-28 | 一种基于hs-lstm算法的继电保护装置故障率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117540618A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114970412A (zh) * | 2022-05-18 | 2022-08-30 | 合肥工业大学 | 一种基于icgwo-lstm的igbt寿命预测方法 |
| CN116307773A (zh) * | 2023-03-27 | 2023-06-23 | 南京国电南自电网自动化有限公司 | 一种变电站二次设备可靠性估计方法 |
-
2023
- 2023-09-28 CN CN202311272638.6A patent/CN117540618A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114970412A (zh) * | 2022-05-18 | 2022-08-30 | 合肥工业大学 | 一种基于icgwo-lstm的igbt寿命预测方法 |
| CN116307773A (zh) * | 2023-03-27 | 2023-06-23 | 南京国电南自电网自动化有限公司 | 一种变电站二次设备可靠性估计方法 |
Non-Patent Citations (1)
| Title |
|---|
| TARIK A. RASHID ET AL.: "Using Accuracy Measure for Improving the Training of LSTM with Metaheuristic Algorithms", PROCEDIA COMPUTER SCIENCE, 31 December 2018 (2018-12-31), pages 324 - 333 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111783953B (zh) | 一种基于优化lstm网络的24点电力负荷值7日预测方法 | |
| CN109324291B (zh) | 一种针对质子交换膜燃料电池寿命预测的预测方法 | |
| CN111736084B (zh) | 基于改进lstm神经网络的阀控铅酸蓄电池健康状态预测方法 | |
| CN111861013B (zh) | 一种电力负荷预测方法及装置 | |
| CN112734128A (zh) | 一种基于优化rbf的7日电力负荷峰值预测方法 | |
| CN112363896B (zh) | 日志异常检测系统 | |
| CN111695736B (zh) | 一种基于多模型融合的光伏发电短期功率预测方法 | |
| CN111210049B (zh) | 基于lstm的变电站铅酸阀控蓄电池退化趋势预测方法 | |
| CN111948563A (zh) | 一种基于多神经网络耦合的电动叉车锂电池剩余寿命预测方法 | |
| CN105471647A (zh) | 一种电力通信网故障定位方法 | |
| CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
| CN117494545B (zh) | 一种基于混合学习方法的断路器老化故障率预测方法 | |
| CN115564310A (zh) | 一种基于卷积神经网络的新能源电力系统可靠性评估方法 | |
| CN114781273A (zh) | 基于soa-lstm的电池剩余寿命的预测方法及装置 | |
| CN115185804A (zh) | 服务器性能预测方法、系统、终端及存储介质 | |
| Guo et al. | Research on short-term forecasting method of photovoltaic power generation based on clustering SO-GRU method | |
| CN117741442A (zh) | 电芯温度预测方法、装置、设备、存储介质和程序产品 | |
| CN110674460B (zh) | 基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法 | |
| Xu et al. | Short-term electricity consumption forecasting method for residential users based on cluster classification and backpropagation neural network | |
| CN112257348A (zh) | 一种锂电池长期退化趋势预测方法 | |
| CN111984514A (zh) | 基于Prophet-bLSTM-DTW的日志异常检测方法 | |
| CN117540618A (zh) | 一种基于hs-lstm算法的继电保护装置故障率预测方法 | |
| CN116930769A (zh) | 一种基于双向生成式对抗神经网络的锂电池建模方法 | |
| CN111061708A (zh) | 一种基于lstm神经网络的电能量预测与修复方法 | |
| CN116432812A (zh) | 樽海鞘算法优化lstm的新能源功率预测方法 |
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 |