CN117725491A - 一种基于SCINet的电力系统故障状态检测分类方法 - Google Patents
一种基于SCINet的电力系统故障状态检测分类方法 Download PDFInfo
- Publication number
- CN117725491A CN117725491A CN202410179663.8A CN202410179663A CN117725491A CN 117725491 A CN117725491 A CN 117725491A CN 202410179663 A CN202410179663 A CN 202410179663A CN 117725491 A CN117725491 A CN 117725491A
- Authority
- CN
- China
- Prior art keywords
- power system
- data
- time
- subsequences
- time sequence
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000013145 classification model Methods 0.000 claims abstract description 28
- 230000003993 interaction Effects 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 238000005065 mining Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 15
- 230000002452 interceptive effect Effects 0.000 claims description 13
- 230000007774 longterm Effects 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 description 16
- 238000010801 machine learning Methods 0.000 description 12
- 238000009826 distribution Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000001965 increasing effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 101100001671 Emericella variicolor andF gene Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013341 scale-up Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电力系统故障检测技术领域,公开一种基于SCINet的电力系统故障状态检测分类方法。首先采集电力系统的各节点量测数据,按照时间顺序依次排列组成原始时间序列数据集,并将数据集划分为训练集和测试集;再将训练集的数据输入进基于SCINet的电力系统故障状态检测分类模型中,深入挖掘、学习训练集数据的关联特性和特征信息;并通过训练不断优化调整模型自身的各项结构参数,以便最终得到性能表现最优的故障检测分类模型;最后将待检测的测试集数据输入进训练完成后的电力系统故障状态检测分类模型中,以得到最终的检测分类结果。本发明采用样本卷积和交互网络,具备更大的感受野,能更好、更有效地捕捉复杂时序数据中的动态时间特征。
Description
技术领域
本发明涉及电力系统故障检测技术领域,具体为一种基于SCINet(SampleConvolution and Interaction Network 样本卷积和交互网络)的电力系统故障状态检测分类方法。
背景技术
如今,电力系统已成为人类社会中不可或缺的基础设施,支撑着各行各业的正常运转。而随着电气技术的进步和对能源需求的不断增长,电力系统逐渐演化为庞大而复杂的体系架构。其中涵盖了发电、输电、变电、配电和用电多个环节,通过相互连接的电缆和输电线路将电能从发电厂传输到终端用户。
然而,随着电力系统规模不断扩大,其运行面临着日益严峻的挑战。首先,人们对电力的需求急剧增加,伴随着城市化和工业化的加速,电力系统的负荷不断攀升。其次,由于新能源的大规模接入和电动设备的持续发展与应用普及,多元化的电源和负载被广泛引入,电力系统的结构变得愈加复杂。在这样的背景下,电力系统中可能存在各种各样的隐患,如设备故障、线路短路、负荷过载等问题。这些不仅会影响电力系统稳定运行,还可能引发严重的安全事故,从而危及到整个社会的供电安全。因此,为了保障电力系统的稳定和安全运行,发展电力系统故障状态检测分类技术势在必行。
开展电力系统故障状态检测并对系统故障类型进行精准辨识,其旨在实现对电力系统运行的实时监测,以便能够及时、准确地发现电力系统中的潜在问题,保障电力系统能够采取正确的调整措施进行调节修复,从而确保电力系统能够稳定、可靠运行。而随着大数据分析和人工智能算法的广泛应用,尤其是机器学习技术的不断发展,电力系统异常状态的检测方法也向着大数据和智能化的方向发展,然而,电力系统中的数据来源众多,这些在电力系统运行与调控过程中产生的数据呈现出了高度复杂的特性。例如,电力系统数据具有明显的时序性,以时间序列的形式记录了电力系统在不同时间点的状态量和测量值,反映出了电力系统数据随时间的变化,如电力负荷、发电机组输出等。在这些时序数据中蕴含了大量的时间动态特征信息,包括趋势、季节性和周期性等。深入了解并分析这些时序特征可以为我们监测电力系统运行状态、精准判别系统异常类型等方面提供有力帮助。然而,目前基于机器学习的电力系统故障状态检测分类技术在处理电力系统数据时并未充分考虑到对时序特征信息的高效提取与应用。机器学习模型在训练过程中往往更加关注数据的整体分布和特定特征,而对隐藏在电力系统数据中的时序特征却未施以充分挖掘与分析,这导致现有基于机器学习的异常检测技术在捕捉与应用电力系统时序特征方面还存在一定的不足。
根据异常检测原理的差异,可将异常检测方法划分为基于统计的数学方法、基于距离的聚类算法以及机器学习多种不同类别。
在传统检测中,往往采用的是基于统计的数学方法,依赖于对人为经验、状态估计和专家系统的应用。通过对电力系统数据进行细致分析,并结合历史调度经验来判断现有数据是否异常。然而,这种方法存在明显的主观性,缺乏规范性,因此不能形成系统科学的判别方式。而且该方法受人为因素影响较大,存在识别效率低下的问题,并不具备良好的应用价值。相较而言,其中基于状态估计的电力系统异常检测方法应用较为广泛,其核心在于依据电力系统数据残差的概率分布来判断特定数据样本是否属于正常运行状况。例如估识检测和残差检测等。然而,这些方法存在着计算繁琐和准确率不高的问题,容易导致样本遗漏和误判。
而基于距离的聚类算法是通过测量数据点之间的相似性或距离来判断它们是否属于同一群集,通常将与其他数据点距离较远或不符合群集模式的点视为异常。常见的聚类算法包括K均值聚类和层次聚类。其异常点通常被认为是离簇中心较远的点。不过,该类方法也存在着一些明显的不足之处。例如,在面对高维数据时,聚类方法的检测性能可能下降,因为高维空间中的距离计算变得复杂,而随着电力系统数据维度的增加,基于距离的聚类算法在计算量以及计算复杂度上面临着挑战。此外,聚类方法对数据分布有一定的先验假设,假设异常点是离群点,但在电力系统数据中,离群点不仅仅代表系统故障等异常状况,还可能是由电力系统复杂多变的动态运行特性所导致的正常变化或特殊情况,而不一定就表示系统发生异常,因此该类方法难以适应电力系统复杂的数据分布结构。
机器学习因泛化性强、识别准确度高等优点在异常检测领域的应用逐渐推广。因此,可以利用大量数据来训练异常检测模型。通过学习这些数据的复杂非线性关系,进而建立起高效的异常检测模型,使其能够识别出与正常状况所不符的异常现象。因此,将机器学习应用于电力系统故障状态检测中具备显著优势。机器学习模型能够适应电力系统复杂多变的运行动态,从而更好地检测出电力系统的异常情况。而且,机器学习提供了多种算法选择,可以根据具体问题选择最适合的模型,从而更好地捕捉不同类型的异常模式。最重要的是,机器学习能够处理电力系统中常见的高维数据,克服了传统方法在面对复杂多元特征数据时的困境,从而提高了异常检测模型的准确性和泛化性能。
近年来,随着云计算和大数据平台的快速发展,各个行业领域中的时序数据积累愈加丰富,电力行业尤为突出。而在时序数据中存在着一定的规律性,数据会根据时间的变化而产生相应的动态变化。通过运用机器学习方法科学、高效地挖掘隐藏在电力时序数据中的有效信息,分析数据随时间的变化波动规律,对协助我们开展电力系统故障检测,精准辨识系统异常类型有着巨大的应用价值。例如,赵文清等利用长短期记忆网络(LongShort-Term Memory, LSTM)从大量时间序列中提取出不同的序列特征,并建立多层特征匹配网络,利用提取出的特征数据,完成对异常用电数据的检测。朱星辉等提出了一种多维时序数据异常检测方法。在自编码器中结合了LSTM用以捕获时间序列之间在时间上的相关性信息。并引入注意力机制对输入数据进行权重分配,以使得解码器在解码阶段更好的获取足够多有用的信息,进而提高该模型的异常检测性能。况华等提出了一种基于双向长短期记忆(Bidirectional Long Short-Term Memory, Bi-LSTM)神经网络的配网电压无监督异常数据检测方法,在正向序列信息的基础上引入反向序列信息,深入挖掘时序电压信息间的规律,能更好地处理了正常数据和异常数据在时间序列的差异性,提高了配网电压异常数据的检测效果。吴晓欣等提出一种基于Bi-LSTM的变压器故障诊断方法,对多维数据时间序列间的复杂非线性特征进行有效提取,充分考虑了不同序列间的复杂关联关系,提高了变压器故障诊断的准确率。
此外,LSTM 网络虽然在处理时间序列问题上效果较好,但对于大规模并行数据的处理还是存在不足,随着序列的增长也无法完全记录所有信息,并且存在存储容量过大问题。因此,为了解决这些问题,提出了时间卷积网络(temporal convolutional network,TCN),这是一种基于卷积神经网络且能够处理时间序列数据的网络结构。刘月峰等提出了一种基于TCN的用户用电异常检测模型,相较于LSTM网络来说,TCN训练时占用的内存很少,并且对于用户用电数据的长序列,TCN能记录更多的历史信息,而经实验验证,该模型也获得了较高的准确率。尽管上述模型方法均能获得良好的效果,但是,在建模过程中没有充分考虑时间序列数据的特殊性。例如,时间序列的一个独特性质就是在降采样为两个子序列后,时间关系(例如趋势和周期性等)得到了很大程度的保留。因此,将时间序列降采样为多个子序列后,我们可以运用具备丰富卷积滤波器的神经网络模型,来提取多个时间分辨率下的动态时间特征。由此,一种用于时间序列建模与分析的新型神经网络架构——样本卷积和交互网络(Sample Convolution and Interaction Network, SCINet)被提出了。具体来说,SCINet是一个分层的下采样-卷积-交互架构,它能够有效地对具备复杂时间动态的时间序列进行建模分析。在它的每一个单元模块(SCI-Block)中,通过使用多个卷积滤波器以从降采样的子序列中提取出清晰且有价值的时序特征,同时为了弥补降采样过程中潜在的信息损失,还在两个子序列之间引入了一种交互式学习策略,以实现两个子序列之间的信息交互。通过结合这些从多个时间分辨率下提取出的丰富时序特征信息,从而可以学习到具备更强可感知性的有效表示。
现今,对SCINet的应用较少,主要运用在预测方面,何淑波等运用由多个实车工况特征数据组成的时间序列数据来训练SCINet时序模型,从而对电动汽车电池系统的多个关键特征数据进行预测。闫伟曦等提出了基于集合经验模态分解(Ensemble Empirical ModeDecomposition,EEMD)与SCINet的高速公路交通流量预测模型,首先使用EEMD去除数据噪声,然后训练SCINet模型对交通流变化趋势进行预测,取得了优秀的预测结果。顾家辉等将SCINet和改进Informer相组合,提出了一种基于改进注意力机制的多元负荷预测模型,运用SCINet捕捉多时间分辨率的时序特性,从而降低时间序列的排列熵,以增强时间序列的可预测性,使多元负荷更容易被预测。而通过实验验证,该模型能充分挖掘多元负荷的耦合关系和时序关系,相较于其他模型具有更低的预测误差。
由此可见,目前关于SCINet的应用仍主要集中在预测回归任务中,而并未见将其直接应用在分类任务中,例如,基于电力系统时序数据,应用SCINet来检测辨识电力系统具体故障类型方面的研究。
总之,目前基于机器学习的电力系统故障检测方法未能充分考虑电力系统时序数据的特殊性,构建能充分适应其特点的模型结构,因此,对电力系统时序数据中存在的时间特征信息也未能施以高效提取与应用。
发明内容
针对上述问题,本发明的目的在于提供一种基于SCINet的电力系统故障状态检测分类方法,采用样本卷积和交互网络,相较其他时序数据分析模型具备更大的感受野,运用其具备的丰富的卷积滤波器能够更好、更有效地捕捉到复杂时序数据中的动态时间特征,以便通过感知时序特征的变化,来检测当前电力系统运行状态是否发生异常变化,进而提高对电力系统各类故障状态检测分类的准确性。技术方案如下:
一种基于SCINet的电力系统故障状态检测分类方法,包括以下步骤:
步骤1:采集同一电力系统的各节点量测数据,按照时间顺序依次排列组成原始时间序列数据集,并对原始时间序列数据集进行归一化处理,然后将数据集划分为训练集和测试集;
步骤2:将训练集的电力系统时间序列数据输入进基于SCINet的电力系统故障状态检测分类模型中,深入挖掘、学习训练集数据的关联特性与特征信息;并通过训练不断优化调整模型自身的各项结构参数,以便最终得到性能表现最优的故障检测分类模型;具体为:
步骤2.1:构建基本构建模块SCI-Block,在一个SCI-Block中完成降采样和交互学习等操作:对输入的电力系统时间序列数据进行降采样操作,分离奇偶元素分别组成奇数子序列和偶数子序列;使用不同的卷积滤波器来分别处理奇数子序列和偶数子序列,从而在各个子序列中挖掘、提取出能够反映电力系统运行状态变化的时间特征信息;并在奇数子序列和偶数子序列间进行交互学习操作,实现两个子序列间的信息交互,以便发掘不同序列间的时间依赖关系,从而弥补降采样可能带来的信息损失;
步骤2.2:将输入的电力系统时间序列数据经过多层降采样—卷积—交互处理,以挖掘其在不同时间分辨率下的特征信息并逐渐积累,获得若干特征子序列;将得到的特征子序列进行拼接排列,组成一个新的序列表示,并通过残差连接将其添加到最初输入的原始电力系统时间序列数据中,以生成可感知性增强的新的特征序列;
步骤2.3:运用全连接层和Softmax函数对所述新的特征序列进行处理,输出对当前电力系统运行状态的检测分类结果,然后计算交叉熵损失,从而对模型的各项参数进行迭代优化,直至得到性能表现最佳的故障检测分类模型,完成模型训练;
步骤3:将待检测的测试集数据输入进训练完成后的电力系统故障状态检测分类模型中,以得到最终的检测结果。
进一步的,所述步骤1中归一化处理具体如下式所示:
(1);
公式中,x为输入数据数值,x max和x min分别为该类数据的最大值和最小值,x scale 是归一化后的数据数值。
更进一步的,所述步骤1中组成原始时间序列具体为:
每次从电力系统时序数据集中取T个连续的时间步数据来组成一个时间序列;其中,每个时间步数据F t中均包含N维特征,由该时间步数据F t所对应时刻下的电力系统各节点量测数据组成;按照时间顺序将T个时间步数据依次排列组成的原始时间序列,表示为F={F 1,F 2,. . .,F T},其中,F t={x 1,x 2,. . .,x N},其中t∈(1~T);而x n则是表示每个时间步数据F t中所包含的特征数据,其中n∈(1~N)。
更进一步的,所述步骤2.1具体包括:
步骤2.1.1:降采样操作
根据时间序列中的元素位置将原始时间序列F的偶数和奇数元素行分割成偶数子序列F even和奇数子序列F odd两个子序列;其中,奇数子序列F odd={F 1,F 3,. . .,F 2k+1},偶数子序列F even={F 2,F 4,. . .,F 2k+2},而F 2k+1和F 2k+2分别为原始时间序列F中奇数位置和偶数位置的元素;
步骤2.1.2:交互学习操作
偶数子序列F even和奇数子序列F odd分别通过两个不同的一维卷积模块和映射
到隐藏状态,并转换为exp的格式,再分别与奇数子序列F odd和偶数子序列F even之间进行逐
元素求积,从而实现偶数子序列F even和奇数子序列F odd之间的交互学习,进而得到中间奇偶
子序列和,如下式所示:
(2);
其中,exp表示以自然常数为底的指数函数,是哈达玛乘积,也就是逐元素相乘;
两个中间奇偶子序列和/>通过另外两个一维卷积模块/>和/>进一步映射到另外的隐藏状态,然后再分别与/>和/>相加或相减,最终输出两个特征子序列/>和,如下式所示:
(3)。
更进一步的,所述步骤2.2具体为:
步骤2.2.1:将多个基本构建模块SCI-Block分层排列构建基于SCINet的电力系统故障状态检测分类模型,得到一个二叉树形结构框架;
步骤2.2.2:将原始时间序列输入该二叉树形结构框架最上层的单一SCI-Block中,依次进行降采样—卷积—交互处理,从而得到两个特征子序列和/>,然后再将这两个特征子序列分别作为该二叉树形结构框架第二层的两个SCI-Block的输入,再依次进行降采样—卷积—交互处理,从而得到新的特征子序列,并依此重复上述操作,直至该二叉树形结构框架的最后一层;
步骤2.2.3:通过不同层级的SCI-Block进行操作处理,深入挖掘、分析电力系统时间序列数据在不同时间分辨率下的时间特征,从而可以捕捉电力系统时间序列数据中的短期和长期时间依赖关系;
步骤2.2.4:将经过二叉树形结构框架最后一层的SCI-Block所得到的全部特征子序列进行重新拼接排列,将其串联成一个序列表示,并通过残差连接将其添加到原始时间序列中,从而生成可感知性增强的新的特征序列。
更进一步的,所述步骤2.3具体为:
步骤2.3.1:将所述新的特征序列输入到全连接层中,全连接层通过学习权重整合,进而将输入的特征序列映射为高级特征表示v={v 1,v 2,...,v M},M为输出维度,与标签数据的类型数量一致;
步骤2.3.2:softmax将全连接层的输出v中的每个元素都映射为0到1之间的类别概率,且所有元素对应转化后的类别概率之和为1,作为当前输入下进行分类的概率值,即对在时刻T时的电力系统运行状态进行检测分类,从中取最大概率值所对应的类别为对当前电力系统运行状态的判定结果输出;
步骤2.3.3:基于检测分类结果和目标训练数据已标注的标签信息,构建计算交叉熵损失函数,进而对基于SCINet的电力系统故障状态检测分类模型的各项参数进行迭代优化,最终得到性能表现最佳的故障检测分类模型。
与现有技术相比,本发明的有益效果是:
1、本发明充分考虑了电力系统时序数据的特殊性,针对时间序列在降采样为两个子序列后,时间关系在很大程度上仍得到保留的这一特性。应用样本卷积和交互网络,利用其分层的降采样—卷积—交互的神经网络架构,在每一层中,均使用多个卷积滤波器从经降采样操作而得到的各个子序列中提取出不同但有价值的时间特征信息,并结合这些从多个时间分辨率下提取、聚合的丰富时序特征信息,以此实现对具备复杂时间动态性的电力系统时间序列数据的有效建模分析。同时引入一种交互学习的策略,通过对奇偶子序列之间的信息交换来提取更有效的特征信息,用以弥补降采样操作所带来的潜在的信息损失。
2、本发明得益于降采样过程,SCINet每个卷积层的神经元比其他数据分析模型具有更大的感受野。更为重要的是,SCINet所具备丰富的卷积滤波器集合可以使其能够有效地在多个时间分辨率下从电力系统时序数据中灵活地提取更多的时间特征信息,能够更好地捕捉短期(局部时间动态)和长期(趋势、周期性等)的时间相关性。以此可增强检测模型对电力系统运行状态发生异常变化的灵敏性和感知能力,进而提高对电力系统各类故障状态检测分类的准确性。
附图说明
图1为本发明基于SCINet的电力系统故障状态检测分类方法的流程框图。
图2为模块SCI-Block结构示意图。
图3为SCINet检测分类模型结构示意图。
图4为SCINet检测分类模型在电力系统故障数据中的检测分类结果。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细说明。
本发明提出了一种基于SCINet的电力系统故障检测分类方法,利用样本卷积交互网络(Sample Convolution and Interaction Net work,SCINet)来提取电力系统数据中蕴含的时序特征信息,用以增强检测模型对系统异常变化的感知能力,进而有效提高电力系统故障状态检测与分类的准确率。本发明方法的流程框图,如图1所示,具体步骤如下:
步骤1:输入由同一电力系统的各节点电流、电压等量测数据按照时间顺序排列而组成的原始数据集,并对原始数据集进行归一化处理,然后将数据集划分为训练集和测试集。
首先,本发明模型的输入层会对原始电力系统时序数据集中的特征数据(电力系统各节点的电压、电流等量测数据)进行归一化处理,使得结果映射到0-1之间。如下式(1)所示:
(1);
公式中,x为输入数据数值,x max和x min分别为该类输入数据的最大值和最小值,x scale 是归一化后的数据数值。
将归一化处理后的原始数据集按照7:3的比例划分为训练集和测试集,其中训练集包含了大量的样本数据,其中每个样本数据都具备相同数目类型的特征数据和一个相应的标签数据(表示电力系统正常或具体的电力系统异常类型),SCINet故障检测分类模型通过深入挖掘、学习训练集数据的关联特性与特征信息,以便能够进行准确的电力系统故障检测与分类。而在训练过程中,模型也通过计算交叉熵损失函数、反向传播等算法不断优化调整自身参数,以最小化输出值与实际标签之间的差距,最终得到性能表现最优的模型结构并保留。测试集是用来评估模型性能的独立数据集。由于模型在训练过程中没有见过测试集的样本数据,因此测试集可以用于模型的泛化性能评估。通过比较模型输出的分类标签与测试集的真实标签,可以计算准确率等性能指标,以此评定该模型的性能表现。
步骤2:将训练集数据输入进基于SCINet的电力系统故障状态检测分类模型中,深入挖掘、学习训练集数据的关联特性和特征信息。并通过训练不断优化调整模型自身的各项结构参数,从而最终得到性能表现最优的故障检测分类模型。
步骤2.1:对输入的电力系统时间序列数据进行降采样操作,分离奇偶元素分别组成奇偶子序列。使用不同的卷积滤波器来分别处理奇偶子序列,从而在各个子序列中挖掘、提取出能反映电力系统运行状态变化的时间特征信息;并在两个子序列间引入一种交互学习策略,实现两个子序列间的信息交互;以便发掘不同序列间的时间依赖关系,从而弥补降采样可能带来的信息损失。
每次从电力系统时序数据集中取T个连续的时间步数据来组成一个时间序列。其中,每个时间步长数据中均包含N维特征(由该时刻下电力系统的各节点电压、电流等量测数据组成),组成的原始时间序列可表示为F={F 1,F 2,. . .,F T}。然后,当原始时间序列F输入进SCINet异常检测模型后,会由其基本构建模块SCI-Block对输入的时间序列进行降采样和交互学习等处理操作,如图2所示。其中,F t={x 1,x 2,. . .,x N},其中t∈(1~T),而x n则是表示每个时间步数据F t中所包含的特征数据,n∈(1~N),由时间步数据F t所对应时刻下的电力系统的各节点电压、电流等量测数据组成。
其中,降采样是指根据序列中的元素位置将原始时间序列F的偶数和奇数元素进行分离,从而将原始时间序列F分割成F even和F odd两个子序列。这两个子序列虽具有较粗糙的时间分辨率,但保留了大部分原始时间序列中的趋势信息。其中,F odd={F 1,F 3,. . .,F 2k+1},F even={F 2,F 4,. . .,F 2k+2},而F 2k+1和F 2k+2分别为原始时间序列F中奇数位置和偶数位置的元素。
通过使用不同的卷积核分别从F even和F odd两个子序列中提取特征信息,而提取出的特征中包含具有能够增强表示能力的不同但有价值的时间特征信息,而这是能反映电力系统运行状态变化的有效表征,可以有效提高检测模型对电力系统异常变化的灵敏性。此外,为了补偿降采样操作可能导致的信息丢失,还引入了一种交互式学习策略,通过相互学习仿射变换参数,进而实现两个子序列之间的信息交互。最终得到新的特征奇偶子序列。
再具体地说,当原始时间序列F分解成两个奇偶子序列F odd和F even后,首先,F even和F odd 分别通过两个不同的一维卷积模块f和y映射到隐藏状态,并转换为exp的格式,再分别与F odd和F even之间进行逐元素求积,从而实现F even和F odd之间的交互(见下式(2)),得到中间奇偶子序列和/>,如下式(2)所示:
(2);
其中,exp表示以自然常数为底的指数函数;是哈达玛乘积,也就是逐元素相乘。
然后,两个中间奇偶子序列和/>通过另外两个一维卷积模块/>和/>映射到另外的隐藏状态,然后再分别/>与/>和相加或相减,最终输出两个特征子序列/>和,如下式(3)所示:
,/>(3)。
步骤2.2:使输入的电力系统时间序列数据经过多层降采样—卷积—交互处理,以挖掘其在不同时间分辨率下的特征信息并逐渐积累,获得若干特征子序列;经过二叉树形结构的最后一层后,再将得到的特征子序列进行拼接排列,组成一个新的序列表示,并通过残差连接将其添加到最初的电力系统时间序列数据中,以生成可感知性增强的新序列。值得注意的是,进行拼接排列的特征子序列是由经过二叉树形结构的最后一层后所得到的特征子序列,而不是将整个二叉树形结构所有层数的SCI-Block所产生的特征子序列都进行拼接排列。
根据上述SCI-Block的叙述,通过将多个SCI-Block分层排列来构建SCINet架构,从而得到一个二叉树形结构框架,如图3所示。这样的结构设计,可以使得SCINet模型既具有对整个时间序列的全局视图,又具有局部视图,有助于更高效的提取有用的时间特征信息。而之前得到的特征子序列和/>会分别作为该二叉树形结构框架下一层对应节点(SCI-Block)的输入,再依此进行降采样—卷积—交互的操作处理过程。然后将得到更多新的特征子序列,它们会再分别通过后续层级的SCI-Block模块,并进行相同的操作处理。而在这整个过程中,可以有效地学习到电力系统时间序列数据在不同时间分辨率下的时间特征。而且来自先前层次提取出的特征信息会被逐渐积累,即更深层次的特征中将包含来自更浅层次传输的时间信息。这样,可以同时捕捉电力系统时间序列数据中的短期和长期时间依赖关系。然后,将经过SCINet模型二叉树形结构最后一层的SCI-Block所得到的全部特征子序列进行重新排列,并将它们串联成一个序列表示。并通过残差连接将其添加到原始时间序列中,从而生成可感知性增强的新的特征序列。
短期和长期时间依赖关系指代的是电力系统时间序列数据中所存在的在不同时间尺度上的依赖性或相关性(特征)。电力系统的运行特性在不同的时间尺度下往往会表现出不同的变化模式和演变趋势。短期时间依赖关系通常涉及到较短时间内的波动和变化,而长期时间依赖关系则涉及到较长时间范围内的趋势和周期性。具体来说,可以通过以下方式理解:
短期时间依赖关系:这通常涉及到电力系统在较短时间内的变动和波动,可能是小时级别的波动。例如,电力系统在几小时或几天的负荷变化,这可能与白天和黑夜的变化以及人们的生活习惯有关,又或者是某些节假日导致负荷的特定模式变化。在这个时间尺度上,模型需要捕捉快速变化的特征,以更准确地理解系统的短期运行变化。
长期时间依赖关系:这涉及到电力系统在较长时间范围内的趋势和周期性。包括季节性变化、年度负荷模式、长期的市场趋势等都属于长期时间依赖关系。举例来说,某个地区的电力需求在冬季和夏季有明显的季节性变化,这便是一种长期时间依赖关系。在这个时间尺度上,模型需要能够捕捉较缓慢变化的趋势,以更好地分析系统的长期运行行为。
通过使用不同层级的SCI-Block进行操作处理,可以深入挖掘和分析电力系统时间序列数据在不同时间分辨率下的时间特征,更好地捕捉到这些短期和长期时间依赖关系,进而更好地理解电力系统的运行变化规律,这有助于提高模型对电力系统行为的理解和预测能力,使其更加适应不同时间尺度上的变化。
步骤2.3:运用全连接层和Softmax函数对上述最终的输出序列进行处理,从而得到对当前电力系统运行状态的检测分类结果。
当前时刻是输入时间序列中最后一个时间步数据所表示的时刻“T”。
将该新的特征序列输入到全连接层中,全连接层如分类任务的“特征提取器”,通过学习权重整合,进而将输入的特征序列映射为高级特征表示,其输出维度是标签数据的类型数量,假设为M,则输出值为v={v 1,v 2,...,v M}。而softmax则是“决策器”,将全连接层的输出v中的每个元素都映射为0到1之间的类别概率,且所有元素对应转化后的类别概率之和为1,作为当前输入下进行分类的概率值,从中取最大概率值所对应的类别为对当前电力系统运行状态的判定结果输出。并基于检测分类结果和该目标训练数据已标注的标签信息,构建交叉熵损失函数,进而对SCINet模型的各项参数进行迭代优化,最终得到性能表现最佳的故障检测分类模型。
学习权重整合通常指的是神经网络中的权重学习过程,这是指在全连接层中通过反向传播算法来调整连接神经元之间的权重,以最优化网络的输出结果。而全连接层通过学习权重整合的过程是为了将输入的特征序列映射为高级特征表示。
具体来说,全连接层中的每个神经元与输入特征序列中的每个特征都有一个连接,并且每个连接都有一个相应的权重。这些权重参数是通过训练过程中的反向传播来调整自身大小,以便能够最小化模型的预测误差。通过学习权重整合,神经网络可以更加专注于对任务更有影响力的特征。并赋予其对应权重参数更大的数值,通过不同层级的SCI-Block进行操作处理,深入挖掘、分析电力系统时间序列数据在不同时间分辨率下的时间特征,从而捕捉电力系统时间序列数据中的短期和长期时间依赖关系;从而生成更有信息量和代表性的高级特征表示。
而反向传播算法利用梯度下降的方法,根据损失函数关于权重参数的梯度信息,逐步更新权重参数,使得模型的预测结果与实际标签更加接近。具体来说,反向传播会根据梯度的方向来调整权重参数的大小。如果某个特征对于模型的输出分类结果起到正面、积极的作用,即增大该特征的权重会使得损失函数减小,那么与该特征相关的权重参数就会被增大。相反,如果某个特征对于模型的预测结果起到负面作用,即增大该特征的权重会使得损失函数增大,那么后续中与该特征相关的权重参数就会被减小。
假设某个特征在训练数据中与真实标签具有很强的相关性,那么在反向传播过程中,与这个特征相关的权重参数会被调整得更大,加强这个特征对于输出结果的影响,以提高模型最终输出结果的准确率。相反,如果某个特征与标签的相关性较弱,那么在反向传播中,与这个特征相关的权重参数可能会被调整得更小,以减少这个特征对于输出结果的影响。
总之,通过不断调整学习权重参数的大小,可以使得神经网络更好地学习到输入特征与输出标签之间的复杂关系,使得网络的输出与真实标签尽可能接近。从而提高模型的自身性能(分类的准确率等)。
此外,全连接层的原理如下所示:
全连接层(fully connected layers, FC)也称为密集连接层,是深度神经网络中的一种重要层次,在整个卷积神经网络中起到“分类器”的作用。如果说卷积层、池化层和激活函数等操作是将原始数据映射到隐层特征空间的话,全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。在神经网络模型中,通过卷积可以提取出局部特征,而全连接层则可以把已经提取出的高维特征重新通过权值矩阵映射成一维特征向量。由于该特征向量的组成用到了所有的高维特征,也包含了所有的特征信息。因此,在实际使用中,全连接层一般会放在网络模型中的最后,用来综合所有信息。
全连接层其实就是一个权重矩阵,其计算过程其实就是通过一个矩阵,将一个向量转换成另外一个维度的向量,如公式(4)所示:
(4);
公式中,表示输出向量;/>表示输入向量;W表示全连接层的权重矩阵;B表示全连接层的偏置矩阵。
全连接层通过学习权重和偏差对前一层的特征映射进行非线性变换,将先前提取出的局部特征融合在一起,以创建更高级别的特征表示。这有助于捕获更复杂的数据模式,帮助神经网络模型更好地处理多尺度的信息数据,从而提高模型的性能,以便更好地执行最终的特征映射和分类任务。
softmax函数又称为归一化指数函数。它是二分类函数sigmoid在多分类上的推广,目的是将多分类的结果以概率的形式展现出来。其定义为:
(5);
公式中,表示当前分类类别的得分,y i 表示样本对应每个分类类别的得分。通过softmax函数便可将得分向量转化为对应每一类别的预测概率分布。并且所有分类的预测概率值之和为1。
步骤3:将待检测的测试集数据输入进训练完成后的SCINet检测模型中,以得到最终的检测结果。
过程与步骤2相同,但是采用测试集数据,而且不再计算损失函数,也不再对模型进行迭代优化,而是直接将测试集数据输入到由步骤2所最终得到的性能表现最佳的模型中,一次就得出所有的检测分类结果,并计算准确率等性能指标,以此评价该故障检测模型的泛化性能。
算例分析:
使用经HPO优化算法优化的CNN检测分类模型与基于SCINet检测分类模型在电力系统短路故障时序数据集上的检测分类结果对比如表1所示:
表1检测分类模型性能对比表
。
该时序数据集采集自同一电力系统的各节点电压、节点电流等量测数据,并按数据采集时间的先后顺序排列而成。其中除电力系统正常运行状态的数据外,还包含单线对地故障、双线对地故障、三线对地故障以及线对线故障等电力系统故障状态数据。
而由上述实验结果可知,基于SCINet的电力系统故障状态检测分类方法有着不错的表现,SCINet检测分类模型在电力系统故障数据中的检测分类结果,如图4所示,该模型的泛化性能较好,能够有效提取隐藏在电力系统时序数据中的时间特征信息并加以应用,从而增强本检测分类模型对电力系统运行异常变化的灵敏性与感知能力,以此实现精准、可靠的电力系统故障状态的检测与辨识。
综上,本发明充分考虑电力系统时序数据的特殊性,将电力系统时间序列通过降采样分割为两个子序列,然后使用不同的卷积模块来处理每个子序列,进而从每个子序列中提取不同但有价值的时间特征信息。同时在两个子序列间引入一种交互学习的策略,用以弥补降采样操作所带来的潜在的信息损失。
本发明针对复杂时间序列数据中包含着的大量时间动态特征,构建了分层的下采样-卷积-交互的神经网络架构,每一层中都具备丰富的卷积滤波器集合,以此来充分提取隐藏在电力系统时序数据中的时间特征信息。
本发明首次采用SCINet提取电力系统时序数据中的时序特征并用于电力系统故障检测与分类中,深入挖掘、分析时序特征在电力系统不同运行状态下的变化特性,以便增强检测模型对电力系统运行状态发生异常变化的感知能力,进而提高对电力系统各类故障状态检测分类的准确性。
Claims (6)
1.一种基于SCINet的电力系统故障状态检测分类方法,其特征在于,包括以下步骤:
步骤1:采集同一电力系统的各节点量测数据,按照时间顺序依次排列组成原始时间序列数据集,并对原始时间序列数据集进行归一化处理,然后将数据集划分为训练集和测试集;
步骤2:将训练集的电力系统时间序列数据输入进基于SCINet的电力系统故障状态检测分类模型中,深入挖掘、学习训练集数据的关联特性与特征信息;并通过训练不断优化调整模型自身的各项结构参数,以便最终得到性能表现最优的故障检测分类模型;具体为:
步骤2.1:构建基本构建模块SCI-Block,在一个SCI-Block中完成降采样和交互学习操作:对输入的电力系统时间序列数据进行降采样操作,分离奇偶元素分别组成奇数子序列和偶数子序列;使用不同的卷积滤波器来分别处理奇数子序列和偶数子序列,从而在各个子序列中挖掘、提取出能够反映电力系统运行状态变化的时间特征信息;并在奇数子序列和偶数子序列间进行交互学习操作,实现两个子序列间的信息交互,以便发掘不同序列间的时间依赖关系,从而弥补降采样可能带来的信息损失;
步骤2.2:通过将多个SCI-Block分层排列来构建SCINet架构,从而得到一个二叉树形结构框架;将输入的电力系统时间序列数据经过多层降采样—卷积—交互处理,以挖掘其在不同时间分辨率下的特征信息并逐渐积累,获得若干特征子序列;经过二叉树结构的最后一层后,再将得到的特征子序列进行拼接排列,组成一个新的序列表示,并通过残差连接将其添加到最初输入的原始电力系统时间序列数据中,以生成可感知性增强的新的特征序列;
步骤2.3:运用全连接层和Softmax函数对所述新的特征序列进行处理,输出对当前电力系统运行状态的检测分类结果,然后计算交叉熵损失,从而对模型的各项参数进行迭代优化,直至得到性能表现最佳的故障检测分类模型,完成模型训练;
步骤3:将待检测的测试集数据输入进训练完成后的电力系统故障状态检测分类模型中,以得到最终的检测结果。
2.根据权利要求1所述的一种基于SCINet的电力系统故障状态检测分类方法,其特征在于,所述步骤1中归一化处理具体如下式所示:
(1);
公式中,x为输入数据数值,x max和x min分别为输入数据的最大值和最小值,x scale 是归一化后的数据数值。
3.根据权利要求1所述的一种基于SCINet的电力系统故障状态检测分类方法,其特征在于,所述步骤1中组成原始时间序列具体为:
每次从电力系统时序数据集中取T个连续的时间步数据来组成一个时间序列;其中,每个时间步数据F t中均包含N维特征,由该时间步数据F t所对应时刻下的电力系统各节点量测数据组成;按照时间顺序将T个时间步数据依次排列组成的原始时间序列,表示为F={F 1,F 2,. . .,F T},其中,F t={x 1,x 2,. . .,x N},其中t∈(1~T);而x n则是表示每个时间步数据F t中所包含的特征数据,其中n∈(1~N)。
4.根据权利要求1所述的一种基于SCINet的电力系统故障状态检测分类方法,其特征在于,所述步骤2.1具体包括:
步骤2.1.1:降采样操作
根据时间序列中的元素位置将原始时间序列F的偶数和奇数元素分割成偶数子序列F even和奇数子序列F odd两个子序列;其中,奇数子序列F odd={F 1,F 3,. . .,F 2k+1},偶数子序列F even={F 2,F 4,. . .,F 2k+2},而F 2k+1和F 2k+2分别为原始时间序列F中奇数位置和偶数位置的元素;
步骤2.1.2:交互学习操作
偶数子序列F even和奇数子序列F odd分别通过两个不同的一维卷积模块和/>映射到隐藏状态,并转换为exp的格式,再分别与奇数子序列F odd和偶数子序列F even之间进行逐元素求积,从而实现偶数子序列F even和奇数子序列F odd之间的交互学习,进而得到中间奇偶子序列/>和/>,如下式所示:
(2);
其中,exp表示以自然常数为底的指数函数,是哈达玛乘积,也就是逐元素相乘;
两个中间奇偶子序列和/>通过另外两个一维卷积模块/>和/>进一步映射到另外的隐藏状态,然后再分别与/>和/>相加或相减,最终输出两个特征子序列/>和/>,如下式所示:
(3)。
5.根据权利要求4所述的一种基于SCINet的电力系统故障状态检测分类方法,其特征在于,所述步骤2.2具体为:
步骤2.2.1:将多个基本构建模块SCI-Block分层排列构建基于SCINet的电力系统故障状态检测分类模型,得到一个二叉树形结构框架;
步骤2.2.2:将原始时间序列输入该二叉树形结构框架最上层的单一SCI-Block中,依次进行降采样—卷积—交互处理,从而得到两个特征子序列和/>,然后将得到两个特征子序列分别作为该二叉树形结构框架第二层的两个SCI-Block的输入,再依次进行降采样—卷积—交互处理,从而得到新的特征子序列,再依此重复上述操作,直至该二叉树结构框架的最后一层;
步骤2.2.3:通过不同层级的SCI-Block进行操作处理,深入挖掘、分析电力系统时间序列数据在不同时间分辨率下的时间特征,从而捕捉电力系统时间序列数据中的短期和长期时间依赖关系;
步骤2.2.4:将经过二叉树形结构框架最后一层的SCI-Block所得到的全部特征子序列进行重新拼接排列,将其串联成一个序列表示,并通过残差连接将其添加到原始时间序列中,从而生成可感知性增强的新的特征序列。
6.根据权利要求5所述的一种基于SCINet的电力系统故障状态检测分类方法,其特征在于,所述步骤2.3具体为:
步骤2.3.1:将所述新的特征序列输入到全连接层中,全连接层通过学习权重整合,进而将输入的特征序列映射为高级特征表示v={v 1,v 2,...,v M},M为输出维度,与标签数据的类型数量一致;
步骤2.3.2:softmax将全连接层的输出v中的每个元素都映射为0到1之间的类别概率,且所有元素对应转化后的类别概率之和为1,作为当前输入下进行分类的概率值,即对在时刻T时的电力系统运行状态进行检测分类,从中取最大概率值所对应的类别为对当前电力系统运行状态的判定结果输出;
步骤2.3.3:基于检测分类结果和目标训练数据已标注的标签信息,构建计算交叉熵损失函数,进而对基于SCINet的电力系统故障状态检测分类模型的各项参数进行迭代优化,最终得到性能表现最佳的故障检测分类模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410179663.8A CN117725491B (zh) | 2024-02-18 | 2024-02-18 | 一种基于SCINet的电力系统故障状态检测分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410179663.8A CN117725491B (zh) | 2024-02-18 | 2024-02-18 | 一种基于SCINet的电力系统故障状态检测分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117725491A true CN117725491A (zh) | 2024-03-19 |
CN117725491B CN117725491B (zh) | 2024-05-03 |
Family
ID=90209285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410179663.8A Active CN117725491B (zh) | 2024-02-18 | 2024-02-18 | 一种基于SCINet的电力系统故障状态检测分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117725491B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117951585A (zh) * | 2024-03-27 | 2024-04-30 | 国网山东省电力公司曲阜市供电公司 | 一种电力设备运行状态实时检测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108597539A (zh) * | 2018-02-09 | 2018-09-28 | 桂林电子科技大学 | 基于参数迁移和语谱图的语音情感识别方法 |
CN115393078A (zh) * | 2022-07-20 | 2022-11-25 | 华东师范大学 | 一种基于多源异构数据的混合注意力股票涨跌预测方法 |
US20230004592A1 (en) * | 2020-03-03 | 2023-01-05 | The University Of North Carolina At Chapel Hill | Methods, systems, and computer readable media for dynamic cluster-based search and retrieval |
CN116245261A (zh) * | 2023-05-12 | 2023-06-09 | 北京大学 | 一种基于时序分布适配的风场风速预测方法 |
CN116401532A (zh) * | 2023-06-07 | 2023-07-07 | 山东大学 | 一种电力系统受扰后频率失稳识别方法及系统 |
CN116499024A (zh) * | 2023-05-05 | 2023-07-28 | 国网山东省电力公司电力科学研究院 | 一种热电厂机组供暖热负荷分配方法、系统、设备和介质 |
CN116879672A (zh) * | 2023-05-31 | 2023-10-13 | 国网上海市电力公司 | 一种基于时间卷积网络的台区总表故障智能辨识方法 |
CN116953164A (zh) * | 2023-07-13 | 2023-10-27 | 中冶南方工程技术有限公司 | 一种酸洗工艺段氢气浓度在线监测预警方法及系统 |
-
2024
- 2024-02-18 CN CN202410179663.8A patent/CN117725491B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108597539A (zh) * | 2018-02-09 | 2018-09-28 | 桂林电子科技大学 | 基于参数迁移和语谱图的语音情感识别方法 |
US20230004592A1 (en) * | 2020-03-03 | 2023-01-05 | The University Of North Carolina At Chapel Hill | Methods, systems, and computer readable media for dynamic cluster-based search and retrieval |
CN115393078A (zh) * | 2022-07-20 | 2022-11-25 | 华东师范大学 | 一种基于多源异构数据的混合注意力股票涨跌预测方法 |
CN116499024A (zh) * | 2023-05-05 | 2023-07-28 | 国网山东省电力公司电力科学研究院 | 一种热电厂机组供暖热负荷分配方法、系统、设备和介质 |
CN116245261A (zh) * | 2023-05-12 | 2023-06-09 | 北京大学 | 一种基于时序分布适配的风场风速预测方法 |
CN116879672A (zh) * | 2023-05-31 | 2023-10-13 | 国网上海市电力公司 | 一种基于时间卷积网络的台区总表故障智能辨识方法 |
CN116401532A (zh) * | 2023-06-07 | 2023-07-07 | 山东大学 | 一种电力系统受扰后频率失稳识别方法及系统 |
CN116953164A (zh) * | 2023-07-13 | 2023-10-27 | 中冶南方工程技术有限公司 | 一种酸洗工艺段氢气浓度在线监测预警方法及系统 |
Non-Patent Citations (4)
Title |
---|
MINHAO LIU等: "SCINet: Time Series Modeling and Forecasting with Sample Convolution and Interaction", 《ARXIV:2106.09305V3》, 13 October 2022 (2022-10-13), pages 1 - 18 * |
QINGKAI XIAO等: "Data-driven time-variant reliability assessment of bridge girders based on deep learning", 《MECHANICS OF ADVANCED MATERIALS AND STRUCTURES 》, 6 September 2023 (2023-09-06), pages 1 - 10 * |
伍冠潮等: "基于自适应交互学习的CPS时间序列异常检测", 《计算机应用研究》, vol. 40, no. 10, 28 May 2023 (2023-05-28), pages 2933 - 2938 * |
何淑波等: "基于机器学习的电动汽车电池系统的风险预警", 《中国安全科学学报》, vol. 33, no. 2, 15 February 2023 (2023-02-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117951585A (zh) * | 2024-03-27 | 2024-04-30 | 国网山东省电力公司曲阜市供电公司 | 一种电力设备运行状态实时检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117725491B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Neshat et al. | Wind turbine power output prediction using a new hybrid neuro-evolutionary method | |
Shen et al. | Wind speed prediction of unmanned sailboat based on CNN and LSTM hybrid neural network | |
CN117725491B (zh) | 一种基于SCINet的电力系统故障状态检测分类方法 | |
CN115688035A (zh) | 一种基于自监督学习的时序电力数据异常检测方法 | |
CN114676742A (zh) | 一种基于注意力机制和残差网络的电网异常用电检测方法 | |
CN114399066B (zh) | 基于弱监督学习的机械设备预知性维护系统和维护方法 | |
Amihai et al. | Modeling machine health using gated recurrent units with entity embeddings and k-means clustering | |
CN112147432A (zh) | 基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统 | |
Mustafa et al. | Fault identification for photovoltaic systems using a multi-output deep learning approach | |
CN111967675A (zh) | 光伏发电量的预测方法以及预测装置 | |
Deng et al. | Remaining useful life prediction of machinery: A new multiscale temporal convolutional network framework | |
Zhu et al. | A novel feature-fusion-based end-to-end approach for remaining useful life prediction | |
Wang et al. | Tracking and predicting technological knowledge interactions between artificial intelligence and wind power: Multimethod patent analysis | |
CN117578438A (zh) | 一种用于预测新能源发电量的生成对抗网络方法及系统 | |
Xu et al. | A composite quantile regression long short-term memory network with group lasso for wind turbine anomaly detection | |
Yu et al. | Time series cross-correlation network for wind power prediction | |
Liu et al. | A hybrid deep learning model based on parallel architecture TCN-LSTM with Savitzky-Golay filter for wind power prediction | |
CN110837932A (zh) | 基于dbn-ga模型的太阳能集热系统热功率预测方法 | |
Ma et al. | A prediction-based cycle life test optimization method for cross-formula batteries using instance transfer and variable-length-input deep learning model | |
Jin et al. | Research on multi-sensor information fusion algorithm of fan detection robot based on improved BP neural network | |
Wang et al. | Operating Condition Identification of Complete Wind Turbine using DBN and Improved DDPG-SOM | |
Cui et al. | An improved wavelet transform and multi-block forecast engine based on a novel training mechanism | |
CN115174421B (zh) | 基于自监督解缠绕超图注意力的网络故障预测方法及装置 | |
Yang et al. | A review of fault diagnosis based on Siamese neural networks | |
CN117993894B (zh) | 基于人工智能的轨道交通运维状态数据处理方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |