CN117648634A - 基于时域和频域信息配电网连接金具性能预测方法及系统 - Google Patents
基于时域和频域信息配电网连接金具性能预测方法及系统 Download PDFInfo
- Publication number
- CN117648634A CN117648634A CN202410123446.7A CN202410123446A CN117648634A CN 117648634 A CN117648634 A CN 117648634A CN 202410123446 A CN202410123446 A CN 202410123446A CN 117648634 A CN117648634 A CN 117648634A
- Authority
- CN
- China
- Prior art keywords
- data set
- feature
- performance
- output
- characteristic
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 230000004927 fusion Effects 0.000 claims abstract description 15
- 230000009467 reduction Effects 0.000 claims abstract description 14
- 230000007787 long-term memory Effects 0.000 claims abstract description 9
- 201000006681 severe congenital neutropenia Diseases 0.000 claims abstract 6
- 125000000858 thiocyanato group Chemical group *SC#N 0.000 claims abstract 6
- 238000012545 processing Methods 0.000 claims description 50
- 239000011159 matrix material Substances 0.000 claims description 48
- 239000013598 vector Substances 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 24
- 230000009466 transformation Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 15
- 238000013519 translation Methods 0.000 claims description 15
- 238000000513 principal component analysis Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 230000003416 augmentation Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000012847 principal component analysis method Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000007689 inspection Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 6
- 229910001018 Cast iron Inorganic materials 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- 239000012212 insulator Substances 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 229910045601 alloy Inorganic materials 0.000 description 2
- 239000000956 alloy Substances 0.000 description 2
- 238000004873 anchoring Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 239000011150 reinforced concrete Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000002788 crimping Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010792 warming Methods 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- 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
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供基于时域和频域信息配电网连接金具性能预测方法及系统,方法包括:在时域上构建包含连接金具电阻、连接金具连接处间隔距离以及描述当前天气状态的多维数据集;使用PCA主成分分析法将上述多维数据集进行降维,得到包含关键特征的主成分数据集;对连接金具两端的电流和电压信号进行WT小波变换与FFT快速傅里叶变换融合算法,重构得到关键特征明显的特征数据集;并联主成分数据集、特征数据集,得到所需数据集并输入LSTM长短期记忆网络模型,进而输出连接金具性能的特征集;使用SCNs随机配置网络对特征集进行计算处理,进而输出连接金具的性能情况。本发明解决了依赖人工、金具隐患排除效率低,易导致电气事故及线路故障的技术问题。
Description
技术领域
本发明涉及配电网设备维护监测领域,具体涉及基于时域和频域信息配电网连接金具性能预测方法及系统。
背景技术
在现如今全球气温变暖的影响下,以及厄尔尼诺现象和拉尼娜现象频发的大背景下,以强风、暴雨、暴雪、冰雹等为代表的极限天气愈发频发,电力线路在极限天气条件下长期运行,易导致连接金具出现松动、磨损、腐蚀等性能异常,从而使其可靠性下降,连接金具作为电力系统中的重要组成部分,承担着电力传输和分配的任务,其可靠性直接影响电网的稳定性和安全性。
有效的连接金具能够确保电力设备之间的良好连接,避免电气事故和线路故障的发生,所以,对电力线路中连接金具性能信息的监测、维护工作十分重要。公布号为CN116337247A的现有发明专利申请文献《线路导线连接金具过热自动报警装置》,该现有文献中披露的装置包括:铸铁固定螺栓和警告装置;铸铁固定螺栓用于固定耐张杆塔处的压接线夹及引流板;铸铁固定螺栓采用铸铁材料,铸铁固定螺栓包括螺栓头、螺杆和螺帽;在螺栓头和部分螺杆内部中心预留空间,形成第一通槽;第一通槽内设置有合金构件;警告装置设置在耐张杆塔的横担上,用于监测合金构件的位置。根据两个物体热胀冷缩程度不同的特性,当达到一定温度时,触发报警装置动作。公布号为CN103364277A的现有发明专利申请文献《一种监测机械耐受性的系统及其方法》,该现有文献披露的一种监测机械耐受性的系统,用于监测绝缘子串及其连接金具机械耐受性,前述一种监测机械耐受性的系统设置在水平基础上,钢筋混凝土地基与地面等高,以钢筋混凝土地基固定卡槽;拉力延长链条、液压拉力机和锚固装置依次连接;液压拉力机、拉力传感器和测控装置依次连接。前述现有文献披露的一种监测机械耐受性方法包括:将待测试绝缘子串及金具放置试验系统中;锚固装置、试验绝缘子串、连接金具、拉力延长链条和液压拉力机依次连接;进行耐受试验。前述现有技术中,户外电力线路中连接金具的监测和维护主要采用人工定期巡检及定期检修的方式,采用传感器报警的方式智能化程度较低,同时由于人工巡检的局限性,导致隐患不能得到及时的处理从而造成停电事故,或者需要投入较大的人力、物力来排除此类隐患。
综上,现有技术存在依赖人工、金具隐患排除效率低,易导致电气事故及线路故障的技术问题。
发明内容
本发明所要解决的技术问题在于:如何解决现有技术中依赖人工、金具隐患排除效率低,易导致电气事故及线路故障的技术问题。
本发明是采用以下技术方案解决上述技术问题的:基于时域和频域信息配电网连接金具性能预测方法包括:
S1、在预置时域上,对连接金具的多维参数,构建多维数据集,其中,连接金具的多维参数包括:连接金具电阻、连接金具连接处间隔距离以及当前天气状态;
S2、使用主成分分析法PCA,降维处理多维数据集,以得到关键特征主成分数据集;
S3、对连接金具两端的电流、电压信号,进行小波变换WT与快速傅里叶变换FFT融合操作,据以重构得到关键特征明显特征数据集;
S4、并联处理关键特征主成分数据集、关键特征明显特征数据集,得到并联数据集,将并联数据集输入长短期记忆网络模型LSTM,据以获取并输出连接金具性能特征集;
S5、使用随机配置网络SCNs,处理连接金具性能特征集,据以得到并输出连接金具性能情况信息。
本发明在时域上构建连接金具的多维数据集,使用PCA主成分分析法降维得到主成分数据集,同时对连接金具两端的电流和电压信号进行WT小波变换与FFT快速傅里叶变换融合处理,重构得到明显特征数据集,输入LSTM长短期记忆网络模型,进而输出连接金具性能的特征集,采用SCNs随机配置网络处理得到金具的性能情况,代替了现有技术中的户外电力线路连接金具的监测和维护采用的人工巡检、检修方式,提高了连接金具性能监测的智能化程度,避免了人工巡检的局限性,节省人力成本,有利于及时处理隐患,能够有效避免停电事故的发生。
在更具体的技术方案中,步骤S1包括:
S11、采集连接金具的中心点温度,以及中心点温度对应的电阻值时域变化信息,据以按照预置时序构成电阻值向量:
R1=[r 1 ,r 2 ...r i-1 ,r i ];
S12、采集连接金具连接处间隔距离,据以处理得到连接位置平均间隔时域信息,以按照预置时序,构成连接处间隔距离向量:
;
S13、采集天气变化数据,据以获取当前天气状态,按照地区差异信息,根据当前天气状态,调整得到天气数据特征条数,据以构成天气数据矩阵:
;
S14、对电阻值向量R1、连接处间隔距离向量L以及天气数据矩阵W,进行拼接操作,以得到增广矩阵,据以构建所述多维数据集:
。
在更具体的技术方案中,步骤S2包括:
S21、从多维数据集中获取样本数据,标准化处理样本数据,其中,预设样本总数为n,特征总数为p,以利用下述逻辑,表达多维数据集:
式中,是第/>个样本的第/>个特征;利用下述逻辑,对多维数据集/>进行标准化处理:
式中:和/>分别代表特征均值和方差,/>表示标准化多维数据集;
S22、根据多维数据集及标准化多维数据集/>,利用下述逻辑,求取特征参数相关矩阵C的特征值/>与特征向量/>:
;
S23、根据特征参数相关矩阵C的特征值与特征向量,求取特征参数的方差贡献率和累计方差贡献率/>;
S24、计算特征参数的主成分对应特征向量,据以得到第一主成分矩阵:
据以得到n个样本数据的第二主成分矩阵,作为关键特征主成分数据集。
在更具体的技术方案中,步骤S23中,利用下述逻辑,处理得到方差贡献率、累计方差贡献率/>:
式中,m表示关键特征主成分数据集的前m个主成分。
在更具体的技术方案中,步骤S3包括:
S31、利用预置传感器,采样获取电压、电流信号;
S32、对电压、电流信号,进行快速傅里叶变换FFT,以求取电压、电流信号中的各频段分量占比;
S33、利用小波变换WT,频带分解处理电压、电流信号,据以确定信号突变点和高频谐振发生时刻及位置;
S34、利用各频段分量占比,重构电压、电流信号,以得到关键特征明显特征数据集。
本发明综合FFT和WT两种信号处理方法的优势,能够更全面地分析信号的特征。FFT提供了信号的频域信息,WT则能够在时域上进行局部分析,捕捉信号的突变点和高频谐振发生时刻及位置,优化了综合性能。
本发明通过结合FFT和WT,能够更准确地提取电压和电流信号中的关键特征。FFT能够提供频段分量占比信息,帮助了解信号的频域特性;而WT能够进行频带分解,定位信号的突变点和高频谐振发生时刻及位置。提高了特征提取精度。
本发明采用的算法利用各频段分量占比信息,可以对电压和电流信号进行重构,得到关键特征明显的数据,使得重构后的数据特征更加明显。
本发明利用二者优势互补,处理后的数据更方便后续神经网络训练与识别。
在更具体的技术方案中,步骤S33中,利用下述逻辑,求取信号突变点、高频谐振发生时刻及位置:
式中,a是尺度因子,b是平移因子,是小波基,f(t)是原信号,t表示时间变量,表示对原信号f(t)进行小波变换后所述尺度因子a及所述平移因子b对应的小波变换系数,/>为所述尺度因子a及所述平移因子b对应的小波基,R是实数集,/>是选取的尺度函数,/>为尺度函数,/>是以a为尺度因子,以b为平移因子的变换后的尺度函数。
在更具体的技术方案中,步骤S4包括:
S41、并联关键特征主成分数据集、关键特征明显特征数据集,据以利用滑动窗口方法,划分得到训练集、测试集;
S42、利用下述逻辑,设置长短期记忆网络模型LSTM的模型参数,据以利用长短期记忆网络模型LSTM,处理测试集,得到模型输出特征信息:
h
t
=f(h
t-1
,X
t
)
i
t
=σ(W
i
×[h
t-1
,X
t
]+b
i
)
f
t
=σ(W
f
×[h
t-1
,X
t
]+b
f
)
h
t
=o
t
×tanh(C
t
)
=tanh(W
c
×|h
t-1
,X
t
|+b
c
)
C
t
=f
t
×C
t-1
+i
t
×C
t
o
t
=σ(W
o
×[h
t-1
,X
t
]+b
o
)
式中,、/>、/>、/>和/>、/>、/>、/>是长短期记忆网络模型LSTM的单元参数,C t是状态候选值,/>是新单元状态,/>表示前一时刻单元状态,h t是隐状态,/>表示前一时刻隐状态,/>表示网络输入,f t、i t和o t分别是遗忘门、输入门和输出门,σ表示sigmoid函数,σ表示sigmoid函数;
S43、获取并根据模型输出特征信息与训练集的差异,学习得到权值、偏差,将权值、偏差输出预置特征矩阵F,分类处理预置特征矩阵F中的特征信息,得到分类标签数据集,以作为连接金具性能特征集。
在更具体的技术方案中,步骤S5包括:
S51、将连接金具性能特征集输入随机配置网络SCNs,设置随机配置网络SCNs的单隐层前馈网络,据以获取当前残差及隐藏层输出矩阵,以得到随机配置网络输出数据;
S52、根据随机配置网络输出数据,使用连接金具性能特征集作为随机配置网络SCNs的训练集,进行训练操作,据以得到并输出连接金具性能情况信息。
本发明采用的随机配置网络SCNs相对于RVFL神经网络性能更好,可以使用更少的隐藏层实现更高的准确率。原因是其通过解决当前模型的全局最小二乘问题,找到输出权重,以调整得到更好的隐藏层参数。
在更具体的技术方案中,步骤S51还包括:
S511、利用下述逻辑给定预置特征矩阵F,以及对应预置特征矩阵F中第i列特征向量F i:
,
式中,F是预置特征矩阵,F i对应特征矩阵中第i列特征向量,F i,k是F第i列第k行;
利用下述逻辑,表达相应输出:
,其中:
,
式中,N是样本的数量,表示样本类别的数量,k是特征输入的维度,t为输出分量;
S512、利用下述逻辑,设置单隐层前馈网络:
式中,是输出权重向量,/>和/>分别是输入权重和偏差,,其中,/>是对应多维数据集F第j行列第n行的输入权重;/>是第j个隐藏节点的输出权重向量;n c是表示样本类别的数量,c是输出量区分参数,/>是一个随机基函数,/>表示第i个样本类别的输出分量,/>表示特定样本类别数量及样本类别的输出分量,/>表示第N个样本的输出分量,/>是前一个连接处间隔距离向量的信号,f L-1 (F)表示有L-1个隐藏节点的单隐藏层前馈网络输入是F时的输出函数;θ是指定的随机函数生成权值的范围;
S513、利用下述逻辑确定当前残差:
式中,e L-1是添加第L个隐藏节点之前的残余误差,e L-1,it中it表示前馈网络中L-1个节点迭代it次的输出向量的残余误差,表示实际值,L是节点数量,/>为L-1个节点迭代it次后的误差;
S514、利用下述逻辑,表示特征输入F的第L个新隐藏节点的激活:
其中,利用下述逻辑,表达当前的隐藏层输出矩阵,P L表示第L个给定隐藏节点的输出矩阵,g L表示添加第L个节点时选取的随机基函数,bias L表示对第L个节点时设置的偏差向量,F N同F i为F第N列,φ L指第L个节点的输入权重向量,/>表示F对应的L个节点的输出矩阵:
;
S515、按照下述逻辑,根据预置变量,对具有以下不等式约束的隐藏参数进行分配操作,以生成新的隐藏节点,并将残差调整为零:
式中,,/>是一个越来越非负的实数序列,/>,r表示第L个节点迭代it次后的学习参数的值;
S516、利用标准最小二乘法,通过L个隐藏节点,处理得到随机配置网络输出数据:
其中,是所述隐藏层输出矩阵G L的Moore–Penrose广义逆,/>表示Frobenius范数,/>为向量参数。
在更具体的技术方案中,基于时域和频域信息配电网连接金具性能预测系统包括:
多维数据集构建模块,用以在预置时域上,对连接金具的多维参数,构建多维数据集,其中,连接金具的多维参数包括:连接金具电阻、连接金具连接处间隔距离以及当前天气状态;
特征降维模块,用以使用主成分分析法PCA,降维处理多维数据集,以得到关键特征主成分数据集,特征降维模块与多维数据集构建模块连接;
融合重构模块,用以对连接金具两端的电流、电压信号,进行小波变换WT与快速傅里叶变换FFT融合操作,据以重构得到关键特征明显特征数据集,融合重构模块与多维数据集构建模块连接;
模型并联处理模块,用以并联处理关键特征主成分数据集、关键特征明显特征数据集,得到并联数据集,将并联数据集输入长短期记忆网络模型LSTM,据以获取并输出连接金具性能特征集,模型并联处理模块与特征降维模块及融合重构模块连接;
金具性能获取模块,用以使用随机配置网络SCNs,处理连接金具性能特征集,据以得到并输出连接金具性能情况信息,金具性能获取模块与模型并联处理模块连接。
本发明相比现有技术具有以下优点:
本发明在时域上构建连接金具的多维数据集,使用PCA主成分分析法降维得到主成分数据集,同时对连接金具两端的电流和电压信号进行WT小波变换与FFT快速傅里叶变换融合处理,重构得到明显特征数据集,输入LSTM长短期记忆网络模型,进而输出连接金具性能的特征集,采用SCNs随机配置网络处理得到金具的性能情况,代替了现有技术中的户外电力线路连接金具的监测和维护采用的人工巡检、检修方式,提高了连接金具性能监测的智能化程度,避免了人工巡检的局限性,节省人力成本,有利于及时处理隐患,能够有效避免停电事故的发生。
本发明综合FFT和WT两种信号处理方法的优势,能够更全面地分析信号的特征。FFT提供了信号的频域信息,WT则能够在时域上进行局部分析,捕捉信号的突变点和高频谐振发生时刻及位置,优化了综合性能。
本发明通过结合FFT和WT,能够更准确地提取电压和电流信号中的关键特征。FFT能够提供频段分量占比信息,帮助了解信号的频域特性;而WT能够进行频带分解,定位信号的突变点和高频谐振发生时刻及位置。提高了特征提取精度。
本发明采用的算法利用各频段分量占比信息,可以对电压和电流信号进行重构,得到关键特征明显的数据,使得重构后的数据特征更加明显。
本发明利用二者优势互补,处理后的数据更方便后续神经网络训练与识别。
本发明采用的SCNs相对于RVFL神经网络性能更好,可以使用更少的隐藏层实现更高的准确率。原因是其通过解决当前模型的全局最小二乘问题,找到输出权重,以调整得到更好的隐藏层参数。
本发明解决了现有技术中存在的依赖人工、金具隐患排除效率低,易导致电气事故及线路故障的技术问题。
附图说明
图1为本发明实施例1的基于时域和频域信息配电网连接金具性能预测方法数据流处理示意图;
图2为本发明实施例1的基于时域和频域信息配电网连接金具性能预测方法基本步骤示意图;
图3为本发明实施例1的构建多维数据集的具体步骤示意图;
图4为本发明实施例1的降维获取主成分数据集的具体步骤示意图;
图5为本发明实施例1的通过融合、重构得到关键特征明显的特征数据集的具体步骤示意图;
图6为本发明实施例1的利用长短期记忆网络处理得到连接金具性能特征集的具体步骤示意图;
图7为本发明实施例1的LSTM神经网络细胞数据流处理示意图;
图8为本发明实施例1的获取连接金具性能状况的具体步骤示意图;
图9为本发明实施例1的随机配置网络数据处理具体步骤示意图;
图10为本发明实施例1的SCNs相对于RVFL神经网络的性能对比图。
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,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。
实施例1
如图1所示,本发明提供的基于时域和频域信息配电网连接金具性能预测方法,对采集获取的特征数据进行PCA方法降维处理,对电压、电流数据采集进行小波变换、快速傅里叶变换,并进行信号重构,对关键特征主成分数据集、关键特征明显特征数据集进行特征融合,顺次经过长短期记忆网络LSTM模型、SCNs随机配置网络的处理,获取连接金具预测状态。
如图2所示,在本实施例中,基于时域和频域信息配电网连接金具性能预测方法,包括以下基本步骤:
步骤S1、在预置时域上构建多维数据集,其中,多维数据集中的多维参数包含连接金具电阻、连接金具连接处间隔距离以及描述当前天气状态;
如图3所示,在本实施例中,构建多维数据集的步骤S1,还包括以及具体步骤:
步骤S11、采集连接金具中心点温度,以及中心点温度对应的电阻值时域变化信息,按预置时序构成电阻值向量;
在本实施例中,按时间顺序构成如下向量:
R1=[r 1 ,r 2 ...r i-1 ,r i ];
步骤S12、采集连接金具连接处间隔距离,处理得到连接位置平均间隔时域信息,按时间顺序构成连接处间隔距离向量L:
;
步骤S13、采集天气变化数据,获取当前天气状态,当前天气状态包括温度、湿度、风力等随时间变化的信息,根据不同地区的当前天气状态,调整得到天气数据特征条数,据以构成天气数据矩阵:
;
步骤S14、将前述步骤S11构成的电阻值向量R1、步骤S12构成的连接处间隔距离向量L以及步骤S13构成的天气数据矩阵,进行拼接操作,得到增广矩阵,以构建多维数据集:
。
步骤S2、使用PCA(Principal Component Analysis,主成分分析法)方法降维处理上述多维数据集,得到关键特征主成分数据集;
如图4所示,在本实施例中,降维获取主成分数据集的步骤S2,还包括以下具体步骤:
步骤S21、对样本数据进行标准化处理,设n表示样本总数,p表示特征总数,则多维数据集可表示为:
其中,是第/>个样本的第/>个特征。在本实施例中,对多维数据集进行标准化处理后为标准多维数据集/>:
式中:和/>分别代表特征均值和方差;
步骤S22、根据多维数据集及标准化多维数据集/>,计算特征参数相关矩阵C的特征值与特征向量,即:
进而计算得到C的特征值为:
,
相应的特征向量为:
;
步骤S23、计算特征参数的方差贡献率和累计方差贡献率/>,即:
在本实施例中,根据累计方差贡献率确定主成分个数,当 ≥95%时,对应的前m个主成分包含样本大部分信息;
步骤S24、计算特征参数的主成分对应特征向量,以得到第一主成分矩阵,以得到n个样本数据的第二主成分矩阵/>,作为关键特征主成分数据集。
步骤S3、 对连接金具两端的电流、电压信号进行WT(Wavelet Transform,小波变换)与FFT(Fast Fourier Transform,快速傅里叶变换)融合操作,重构得到关键特征明显特征数据集;
如图5所示,在本实施例中,通过融合、重构得到关键特征明显的特征数据集的步骤S3,还包括以下具体步骤:
步骤S31、使用传感器对连接金具两端电压、电流信号进行采样;
步骤S32、将采集的信号做FFT,计算得到信号中各频段分量占比;
步骤S33、利用小波将采集的信号做频带分解,确定信号突变点和高频谐振的发生时刻及位置,计算公式如下:
其中,a是尺度因子,b是平移因子,是小波基,f(t)是原信号,t表示时间变量,表示对原信号f(t)进行小波变换后所述尺度因子a及所述平移因子b对应的小波变换系数,/>为小波变换参数,/>为所述尺度因子a及所述平移因子b对应的小波基,R是实数集,/>是选取的尺度函数,/>是以a为尺度因子,以b为平移因子的变换后的尺度函数。
步骤S34、利用各频段分量占比,重构电压、电流信号,以得到关键特征明显特征数据集;
在本实施例中,重构时列向量维度与前述步骤S1中所述列向量维度相同。
步骤S4、并联前述步骤S2得到的关键特征主成分数据集、步骤S3获取的关键特征明显特征数据集,得到并联数据集并输入长短期记忆网络模型LSTM(Long Short-TermMemory),获取并输出连接金具性能特征集;
如图6所示,在本实施例中,利用长短期记忆网络处理得到连接金具性能特征集的步骤S4,还包括以下具体步骤:
步骤S41、并联关键特征主成分数据集、关键特征明显特征数据集,使用滑动窗口的方法划分训练LSTM模型所需的训练集和测试集;
步骤S42、设置长短期记忆网络LSTM模型;
如图7所示,在本实施例的长短期记忆网络LSTM模型,由如下公式表达:
h
t
=f(h
t-1
,X
t
)
i
t
=σ(W
i
×[h
t-1
,X
t
]+b
i
)
f
t
=σ(W
f
×[h
t-1
,X
t
]+b
f
)
h
t
=o
t
×tanh(C
t
)
=tanh(W
c
×|h
t-1
,X
t
|+b
c
)
C
t
=f
t
×C
t-1
+i
t
×C
t
o
t
=σ(W
o
×[h
t-1
,X
t
]+b
o
)
在上述方程中,W和b是LSTM 单元的参数,Ct是状态候选值,是新单元状态,h t是隐状态,f t、i t和o t分别是遗忘门、输入门和输出门,采用sigmoid函数表示;
步骤S43、获取并根据模型输出特征信息与训练集的差异,学习得到权值、偏差,将权值、偏差输出预置特征矩阵F,分类处理预置特征矩阵F中的特征信息,得到分类标签数据集,以作为连接金具性能特征集。
步骤S5、使用随机配置网络SCNs(stochastic configuration networks)处理连接金具性能特征集,得到并输出连接金具性能情况信息。
如图8所示,在本实施例中,获取连接金具性能状况的步骤S5,还包括以下具体步骤:
步骤S51、设置并利用随机配置网络SCNs;
如图9所示,在本实施例中,SCNs(stochastic configuration networks,随机配置网络)原理细节还包括:
步骤S511、给定预置特征矩阵F,以及对应预置特征矩阵F中第i列特征向量F i:
,
并且相应的输出是,其中:
,
其中,N是样本的数量,表示样本类别的数量,k是特征输入的维度;
步骤S512、设置单隐层前馈网络;
在本实施例中,具有L-1个隐藏节点的单隐层前馈网络表示为:
式中,是输出权重向量,/>和/>分别是输入权重和偏差,/>,其中,/>是对应多维数据集F第j行列第n行的输入权重;/>是第j个隐藏节点的输出权重向量;n c是表示样本类别的数量,c是输出量区分参数,/>是一个随机基函数,/>表示第i个样本类别的输出分量,/>表示特定样本类别数量及样本类别的输出分量,/>表示第N个样本的输出分量,/>是前一个连接处间隔距离向量的信号,f L-1 (F)表示有L-1个隐藏节点的单隐藏层前馈网络输入是F时的输出函数;θ是指定的随机函数生成权值的范围;
步骤S513、获取当前残差;
在本实施例中,当前残差可以表示为:
步骤S514、设:
表示F的第L个新隐藏节点的激活,当前隐藏层输出矩阵可以表示为:
;
步骤S515、按照下述逻辑,根据预置变量,对具有以下不等式约束的隐藏参数进行分配操作,以生成新的隐藏节点,并将残差调整为零:
式中,,/>是一个越来越非负的实数序列,/>;
步骤S516、可以使用标准最小二乘法通过L个隐藏节点得到:
其中,是隐藏层输出矩阵G L的Moore–Penrose广义逆,/>表示Frobenius范数;
步骤S52、使用包含分类标签的数据集作为SCNs训练集,输出连接金具对应性能信息。在本实施例中,对连接金具状态的划分属性包括但不限于:松动、磨损和腐蚀;在本实施例中,每个属性应区分正常状态与异常状态,具体每个属性应分别表述为没有异常、轻微异常和严重异常;在本实施例中,解释为连接金具应具有由所述属性组合的27种状态。
综上,本发明在时域上构建连接金具的多维数据集,使用PCA主成分分析法降维得到主成分数据集,同时对连接金具两端的电流和电压信号进行WT小波变换与FFT快速傅里叶变换融合处理,重构得到明显特征数据集,输入LSTM长短期记忆网络模型,进而输出连接金具性能的特征集,采用SCNs随机配置网络处理得到金具的性能情况,代替了现有技术中的户外电力线路连接金具的监测和维护采用的人工巡检、检修方式,提高了连接金具性能监测的智能化程度,避免了人工巡检的局限性,节省人力成本,有利于及时处理隐患,能够有效避免停电事故的发生。
本发明综合FFT和WT两种信号处理方法的优势,能够更全面地分析信号的特征。FFT提供了信号的频域信息,WT则能够在时域上进行局部分析,捕捉信号的突变点和高频谐振发生时刻及位置,优化了综合性能。
本发明通过结合FFT和WT,能够更准确地提取电压和电流信号中的关键特征。FFT能够提供频段分量占比信息,帮助了解信号的频域特性;而WT能够进行频带分解,定位信号的突变点和高频谐振发生时刻及位置。提高了特征提取精度。
本发明采用的算法利用各频段分量占比信息,可以对电压和电流信号进行重构,得到关键特征明显的数据,使得重构后的数据特征更加明显。
本发明利用二者优势互补,处理后的数据更方便后续神经网络训练与识别。
如图10所示,本发明采用的SCNs相对于RVFL神经网络性能更好,可以使用更少的隐藏层实现更高的准确率。原因是其通过解决当前模型的全局最小二乘问题,找到输出权重,以调整得到更好的隐藏层参数。
本发明解决了现有技术中存在的依赖人工、金具隐患排除效率低,易导致电气事故及线路故障的技术问题。
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.基于时域和频域信息配电网连接金具性能预测方法,其特征在于,所述方法包括:
S1、在预置时域上,对连接金具的多维参数,构建多维数据集,其中,所述连接金具的多维参数包括:连接金具电阻、连接金具连接处间隔距离以及当前天气状态;
S2、使用主成分分析法PCA,降维处理所述多维数据集,以得到关键特征主成分数据集;
S3、对所述连接金具两端的电流、电压信号,进行小波变换WT与快速傅里叶变换FFT融合操作,据以重构得到关键特征明显特征数据集;
S4、并联处理所述关键特征主成分数据集、所述关键特征明显特征数据集,得到并联数据集,将所述并联数据集输入长短期记忆网络模型LSTM,据以获取并输出连接金具性能特征集;
S5、使用随机配置网络SCNs,处理所述连接金具性能特征集,据以得到并输出连接金具性能情况信息。
2.根据权利要求1所述的基于时域和频域信息配电网连接金具性能预测方法,其特征在于,所述步骤S1包括:
S11、采集所述连接金具的中心点温度,以及所述中心点温度对应的电阻值时域变化信息,据以按照预置时序构成电阻值向量R1:
R1=[r 1 ,r 2 ...r i-1 ,r i ];
S12、采集所述连接金具连接处间隔距离,据以处理得到连接位置平均间隔时域信息,以按照所述预置时序,构成连接处间隔距离向量:
;
S13、采集天气变化数据,据以获取所述当前天气状态,按照地区差异信息,根据所述当前天气状态,调整得到天气数据特征条数,据以构成天气数据矩阵:
;
S14、对所述电阻值向量R1、所述连接处间隔距离向量L以及所述天气数据矩阵W,进行拼接操作,以得到增广矩阵,据以构建所述多维数据集:
。
3.根据权利要求1所述的基于时域和频域信息配电网连接金具性能预测方法,其特征在于,所述步骤S2包括:
S21、从所述多维数据集中获取样本数据,标准化处理所述样本数据,其中,预设样本总数为n,特征总数为p,以利用下述逻辑,表达所述多维数据集:
式中,是第/>个样本的第/>个特征,/>为标准化多维数据集/>中的元素;利用下述逻辑,对所述样本数据进行标准化处理:
式中:和/>分别代表特征均值和方差,/>表示标准化多维数据集;
S22、根据所述多维数据集及所述标准化多维数据集/>,利用下述逻辑,求取特征参数相关矩阵 C的特征值/>与特征向量/>:
;
S23、根据所述特征参数相关矩阵 C的所述特征值与所述特征向量,求取特征参数的方差贡献率和累计方差贡献率/>;
S24、计算所述特征参数的主成分对应特征向量,据以得到第一主成分矩阵:
据以得到n个所述样本数据的第二主成分矩阵,作为所述关键特征主成分数据集,其中,/>为主成分对应特征向量/>的分量。
4.根据权利要求3所述的基于时域和频域信息配电网连接金具性能预测方法,其特征在于,所述步骤S23中,利用下述逻辑,处理得到所述方差贡献率、所述累计方差贡献率:
式中,m表示所述关键特征主成分数据集的前m个主成分。
5.根据权利要求1所述的基于时域和频域信息配电网连接金具性能预测方法,其特征在于,所述步骤S3包括:
S31、利用预置传感器,采样获取所述电压、电流信号;
S32、对所述电压、电流信号,进行快速傅里叶变换FFT,以求取所述电压、电流信号中的各频段分量占比;
S33、利用小波变换WT,频带分解处理所述电压、电流信号,据以确定信号突变点和高频谐振发生时刻及位置;
S34、利用所述各频段分量占比,重构所述电压、电流信号,以得到所述关键特征明显特征数据集。
6.根据权利要求5所述的基于时域和频域信息配电网连接金具性能预测方法,其特征在于,所述步骤S33中,利用下述逻辑,求取所述信号突变点、所述高频谐振发生时刻及位置:
式中,a是尺度因子,b是平移因子,是小波基,f(t)是原信号,t表示时间变量,表示对原信号f(t)进行小波变换后所述尺度因子a及所述平移因子b对应的小波变换系数,/>为尺度函数,/>为所述尺度因子a及所述平移因子b对应的小波基,R是实数集,/>是选取的尺度函数,/>是以a为尺度因子,以b为平移因子的变换后的尺度函数。
7.根据权利要求1所述的基于时域和频域信息配电网连接金具性能预测方法,其特征在于,所述步骤S4包括:
S41、并联所述关键特征主成分数据集、所述关键特征明显特征数据集,据以利用滑动窗口方法,划分得到训练集、测试集;
S42、利用下述逻辑,设置所述长短期记忆网络模型LSTM的模型参数,据以利用所述长短期记忆网络模型LSTM,处理所述测试集,得到模型输出特征信息:
h
t
=f(h
t-1
,X
t
)
i
t
=σ(W
i
×[h
t-1
,X
t
]+b
i
)
f
t
=σ(W
f
×[h
t-1
,X
t
]+b
f
)
h
t
=o
t
×tanh(C
t
)
=tanh(W
c
×|h
t-1
,X
t
|+b
c
)
C
t
=f
t
×C
t-1
+i
t
×C
t
o
t
=σ(W
o
×[h
t-1
,X
t
]+b
o
)
式中,、/>、/>、/>和/>、/>、/>、/>是长短期记忆网络模型LSTM的单元参数,C t是状态候选值,/>是新单元状态,/>表示前一时刻单元状态,h t是隐状态,/>表示前一时刻隐状态,/>表示网络输入,f t、i t和o t分别是遗忘门、输入门和输出门,σ表示sigmoid函数;
S43、获取并根据所述模型输出特征信息与所述训练集的差异,学习得到权值、偏差,将所述权值、偏差输出预置特征矩阵F,分类处理所述预置特征矩阵F中的特征信息,得到分类标签数据集,以作为所述连接金具性能特征集。
8.根据权利要求1所述的基于时域和频域信息配电网连接金具性能预测方法,其特征在于,所述步骤S5包括:
S51、将所述连接金具性能特征集输入所述随机配置网络SCNs,设置随机配置网络SCNs的单隐层前馈网络,据以获取当前残差及隐藏层输出矩阵,以得到随机配置网络输出数据;
S52、根据所述随机配置网络输出数据,使用所述连接金具性能特征集作为所述随机配置网络SCNs的训练集,进行训练操作,据以得到并输出所述连接金具性能情况信息。
9.根据权利要求8所述的基于时域和频域信息配电网连接金具性能预测方法,其特征在于,所述步骤S51还包括:
S511、利用下述逻辑给定预置特征矩阵F,以及对应所述预置特征矩阵F中第i列特征向量F i:
,
式中,F是预置特征矩阵,F i对应特征矩阵中第i列特征向量,F i,k是F第i列第k行;
利用下述逻辑,表达相应输出:
,其中:
,
式中,N是样本的数量,表示样本类别的数量,k是特征输入的维度,t为输出分量,/>表示第i个样本类别的输出分量,/>表示特定样本类别数量及样本类别的输出分量,/>表示第N个样本的输出分量;
S512、利用下述逻辑,设置单隐层前馈网络:
式中,是输出权重向量,/>和/>分别是输入权重和偏差,,其中,/>是对应多维数据集F第j行列第n行的输入权重;/>是第j个隐藏节点的输出权重向量;n c是表示样本类别的数量,c是输出量区分参数,/>是一个随机基函数,/>是前一个连接处间隔距离向量的信号,f L-1 (F)表示有L-1个隐藏节点的单隐藏层前馈网络输入是F时的输出函数;θ是指定的随机函数生成权值的范围;
S513、利用下述逻辑确定当前残差:
式中,e L-1是添加第L个隐藏节点之前的残余误差,e L-1,it中it表示前馈网络中L-1个节点迭代it次的输出向量的残余误差,表示实际值,L是节点数量,/>为L-1个节点迭代it次后的误差;
S514、利用下述逻辑,表示所述特征输入F的第L个新隐藏节点的激活:
其中,利用下述逻辑,表达当前的所述隐藏层输出矩阵,P L表示第L个给定隐藏节点的输出矩阵,g L表示添加第L个节点时选取的随机基函数,bias L表示对第L个节点时设置的偏差向量,F N同F i为F第N列,φ L指第L个节点的输入权重向量,/>表示F对应的L个节点的输出矩阵:
;
S515、按照下述逻辑,根据预置变量,对具有以下不等式约束的隐藏参数进行分配操作,以生成新的隐藏节点,并将残差调整为零:
式中,,/>是一个越来越非负的实数序列,/>,r表示第L个节点迭代it次后的学习参数的值;
S516、利用标准最小二乘法,通过L个所述隐藏节点,处理得到所述随机配置网络输出数据:
式中,是所述隐藏层输出矩阵G L的Moore–Penrose广义逆,/>表示Frobenius范数,为向量参数。
10.基于时域和频域信息配电网连接金具性能预测系统,其特征在于,所述系统包括:
多维数据集构建模块,用以在预置时域上,对连接金具的多维参数,构建多维数据集,其中,所述连接金具的多维参数包括:连接金具电阻、连接金具连接处间隔距离以及当前天气状态;
特征降维模块,用以使用主成分分析法PCA,降维处理所述多维数据集,以得到关键特征主成分数据集,所述特征降维模块与所述多维数据集构建模块连接;
融合重构模块,用以对所述连接金具两端的电流、电压信号,进行小波变换WT与快速傅里叶变换FFT融合操作,据以重构得到关键特征明显特征数据集,所述融合重构模块与所述多维数据集构建模块连接;
模型并联处理模块,用以并联处理所述关键特征主成分数据集、所述关键特征明显特征数据集,得到并联数据集,将所述并联数据集输入长短期记忆网络模型LSTM,据以获取并输出连接金具性能特征集,所述模型并联处理模块与所述特征降维模块及所述融合重构模块连接;
金具性能获取模块,用以使用随机配置网络SCNs,处理所述连接金具性能特征集,据以得到并输出连接金具性能情况信息,所述金具性能获取模块与所述模型并联处理模块连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410123446.7A CN117648634B (zh) | 2024-01-30 | 2024-01-30 | 基于时域和频域信息配电网连接金具性能预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410123446.7A CN117648634B (zh) | 2024-01-30 | 2024-01-30 | 基于时域和频域信息配电网连接金具性能预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117648634A true CN117648634A (zh) | 2024-03-05 |
CN117648634B CN117648634B (zh) | 2024-04-16 |
Family
ID=90043776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410123446.7A Active CN117648634B (zh) | 2024-01-30 | 2024-01-30 | 基于时域和频域信息配电网连接金具性能预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117648634B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190041364A1 (en) * | 2017-08-02 | 2019-02-07 | United States Of America As Represented By The Secretary Of The Navy | System and Method for Detecting Failed Electronics Using Acoustics |
CN110441654A (zh) * | 2019-07-29 | 2019-11-12 | 三峡大学 | 基于改进ewt和cmpe的配电网电能质量扰动检测方法 |
US20200349484A1 (en) * | 2017-08-09 | 2020-11-05 | Verdigris Technologies, Inc. | System and methods for power system forecasting using deep neural networks |
CN114077846A (zh) * | 2021-10-14 | 2022-02-22 | 国网安徽省电力有限公司电力科学研究院 | 一种基于rf-lstm的故障电流多域识别方法及存储介质 |
CN114239653A (zh) * | 2021-12-16 | 2022-03-25 | 安徽大学 | 一种基于kpca-miv-lstm的故障电弧多域识别方法 |
CN116298735A (zh) * | 2023-05-10 | 2023-06-23 | 广东电网有限责任公司湛江供电局 | 一种低压配电网交流电弧故障检测方法及相关装置 |
CN117148034A (zh) * | 2023-08-09 | 2023-12-01 | 国网吉林省电力有限公司电力科学研究院 | 基于经验小波变换及图注意力网络的配电网故障选线方法 |
-
2024
- 2024-01-30 CN CN202410123446.7A patent/CN117648634B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190041364A1 (en) * | 2017-08-02 | 2019-02-07 | United States Of America As Represented By The Secretary Of The Navy | System and Method for Detecting Failed Electronics Using Acoustics |
US20200349484A1 (en) * | 2017-08-09 | 2020-11-05 | Verdigris Technologies, Inc. | System and methods for power system forecasting using deep neural networks |
CN110441654A (zh) * | 2019-07-29 | 2019-11-12 | 三峡大学 | 基于改进ewt和cmpe的配电网电能质量扰动检测方法 |
CN114077846A (zh) * | 2021-10-14 | 2022-02-22 | 国网安徽省电力有限公司电力科学研究院 | 一种基于rf-lstm的故障电流多域识别方法及存储介质 |
CN114239653A (zh) * | 2021-12-16 | 2022-03-25 | 安徽大学 | 一种基于kpca-miv-lstm的故障电弧多域识别方法 |
CN116298735A (zh) * | 2023-05-10 | 2023-06-23 | 广东电网有限责任公司湛江供电局 | 一种低压配电网交流电弧故障检测方法及相关装置 |
CN117148034A (zh) * | 2023-08-09 | 2023-12-01 | 国网吉林省电力有限公司电力科学研究院 | 基于经验小波变换及图注意力网络的配电网故障选线方法 |
Non-Patent Citations (2)
Title |
---|
ARUNAVA KABIRAJ THAKUR.ET.: "Classification and Authentication of Induction Motor Faults using Time and Frequency Feature Dependent Probabilistic Neural Network Model", 《 JOURNAL OF THE INSTITUTION OF ENGINEERS (INDIA): SERIES B》, vol. 104, 15 March 2023 (2023-03-15), pages 623 * |
冯楠等: "基于KL散度的配电网高阻抗故障检测研究", 《智慧电力》, vol. 50, no. 4, 30 April 2022 (2022-04-30), pages 73 - 80 * |
Also Published As
Publication number | Publication date |
---|---|
CN117648634B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103996077B (zh) | 一种基于多维时间序列的电气设备故障预测方法 | |
CN109034191B (zh) | 基于elm的单维遥测数据异常判读方法 | |
CN113723669B (zh) | 一种基于Informer模型的输电线路覆冰预测方法 | |
CN110334948B (zh) | 基于特征量预测的电力设备局部放电严重程度评估方法及系统 | |
CN117313018B (zh) | 一种电力输电线路异常状态识别方法及系统 | |
CN109617526A (zh) | 一种基于小波多分辨分析和svm的光伏发电阵列故障诊断和分类的方法 | |
CN117668751B (zh) | 一种高低压电力系统故障诊断方法及装置 | |
CN115470850A (zh) | 一种基于管网水质时空数据的水质异常事件识别预警方法 | |
CN113780401A (zh) | 基于主成分分析法的复合绝缘子故障检测方法及系统 | |
CN114676746B (zh) | 一种自然灾害下电力设备故障概率预测方法及系统 | |
CN114372344B (zh) | 一种次同步振荡阻尼特性影响因素的量化辨识方法 | |
CN117235617A (zh) | 沙尘天气下基于ml-rfknn的光伏阵列故障诊断方法 | |
Liu et al. | Spatio-temporal generative adversarial network based power distribution network state estimation with multiple time-scale measurements | |
CN114662976A (zh) | 一种基于卷积神经网络的配电网架空线路状态评估方法 | |
CN117648634B (zh) | 基于时域和频域信息配电网连接金具性能预测方法及系统 | |
Moradzadeh et al. | Image processing-based data integrity attack detection in dynamic line rating forecasting applications | |
Xia et al. | Research on Solar Radiation Estimation based on Singular Spectrum Analysis-Deep Belief Network | |
Zhang et al. | Spatio-temporal fusion model of natural gas pipeline condition monitoring based on convolutional neural network and long short-term memory neural network | |
Chen et al. | Icing Load and Risk Forecasting for Power Transmission Line Based on Multiscale Time Series Phase-Space Reconstruction and Regression | |
CN117892252B (zh) | 基于大数据的智慧园区运营管理平台 | |
CN117200458B (zh) | 一种基于智能低压开关柜的数字化管理方法及装置 | |
Wu et al. | A deep recognition network of capacitor voltage transformer based on dilated convolution and Bi-LSTM | |
Li et al. | Remote data acquisition model for abnormal operation of power equipment based on. NET technology | |
Tan et al. | MONITORING AND WARNING OF SMART GRID FAULT INFORMATION USING DEEP LEARNING | |
JI et al. | Research on Comprehensive Analysis Method for Transmission Line Faults Based on Multi-Source Data |
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 |