CN117725993A - 基于知识图谱构建图深度学习模型的拓扑结构优化方法 - Google Patents
基于知识图谱构建图深度学习模型的拓扑结构优化方法 Download PDFInfo
- Publication number
- CN117725993A CN117725993A CN202311621807.2A CN202311621807A CN117725993A CN 117725993 A CN117725993 A CN 117725993A CN 202311621807 A CN202311621807 A CN 202311621807A CN 117725993 A CN117725993 A CN 117725993A
- Authority
- CN
- China
- Prior art keywords
- graph
- deep learning
- learning model
- data
- constructing
- 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
- 238000013136 deep learning model Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005457 optimization Methods 0.000 title claims abstract description 36
- 238000007781 pre-processing Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000010586 diagram Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 230000006978 adaptation Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000005684 electric field Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于知识图谱构建图深度学习模型的拓扑结构优化方法，包括以下步骤：获取电力系统原始数据信息，并进行数据预处理；基于数据预处理结果构建知识图谱；基于知识图谱构建图深度学习模型，并对图深度学习模型进行训练；对完成训练的图深度学习模型进行拓扑结构图优化处理；实现了图深度学习模型应用于实时电力系统数据，生成供电场图，并根据模型输出的设备状态、拓扑结构等信息，绘制供电场的详细图像，通过模型对供电场的分析和预测，为供电场的运行优化提供决策支持，提高了电力系统运行的可靠性和稳定性。
Description
技术领域
本发明涉及电力系统技术领域，尤其涉及基于知识图谱构建图深度学习模型的拓扑结构优化方法。
背景技术
随着电力系统的发展和复杂性的增加，对供电场的监控、分析和优化变得越来越重要。传统的供电场成图方法主要依赖人工绘制和数据采集，效率较低且容易出现错误。近年来，知识图谱和图深度学习技术在各领域取得了显著的成果，为提高供电场成图的准确性和效率提供了新的可能。
然而，现有的拓扑结构优化方法尚存在以下问题：知识图谱构建过程中，如何有效地提取和表示电力系统中的实体和关系仍然是一个挑战；现有的图深度学习方法在处理大规模、动态变化的电力系统数据时，计算效率和准确性仍有待提高；如何将知识图谱和图深度学习技术有机结合，实现供电场的智能成图和优化仍然是一个研究热点。
因此，针对上述问题，本发明提出了基于知识图谱构建图深度学习模型的拓扑结构优化方法，以提高供电场成图的准确性和效率。
发明内容
为了克服现有技术的不足，本发明提供了基于知识图谱构建图深度学习模型的拓扑结构优化方法，实现了通过基于知识图谱构建图深度学习模型，并进行拓扑结构图优化处理，得到供电场成图，提高了电力系统运行的可靠性和稳定性。
为了实现上述发明目的，本发明采用以下技术方案：
基于知识图谱构建图深度学习模型的拓扑结构优化方法，包括以下步骤：
S101、获取电力系统原始数据信息，并进行数据预处理；
S102、基于数据预处理结果构建知识图谱；
S103、基于知识图谱构建图深度学习模型，并对图深度学习模型进行训练；
S104、对完成训练的图深度学习模型进行拓扑结构图优化处理；
进一步的，数据预处理包括数据清洗处理、数据去重处理和数据标准化处理。
进一步的，获取电力系统原始数据信息，并进行数据预处理包括以下步骤：
对电力系统原始数据信息进行数据清洗处理，去处电力系统原始数据信息中的异常值；
对电力系统原始数据信息进行数据去重处理；
对电力系统原始数据信息进行数据标准化处理。
进一步的，基于数据预处理结果构建知识图谱包括以下步骤：
对数据预处理结果进行电力设备特征识别；
基于电力设备特征识别结果进行构建电力设备之间的连接关系和拓扑关系；
基于构建电力设备之间的连接关系和拓扑关系结果生成知识图谱。
进一步的，基于知识图谱构建图深度学习模型包括以下步骤：
构建图深度学习模型的结构，图深度学习模型由多个图卷积层组成，每个图卷积层都包含一个图卷积层和一个注意力层，图卷积层用于学习节点的局部特征，注意力层用于将这些局部特征组合起来，形成全局特征；
将知识图谱转作为图深度学习模型的输入数据；
对图深度学习模型的三元组损失函数进行优化，得到优化后的三元组损失函数，优化后的三元组损失函数的表达式如下所示：
其中，σ是一个形状参数，合理地设置会提高系统使用者的体验与成图效率，设置为较小值0.01，以保持模型的稳定性和泛化能力；yi,j,k表示真实标签；p(i,j,k)则表示供电场成图结果的预测概率。
进一步的，基于知识图谱构建图深度学习模型，并对图深度学习模型进行训练包括以下步骤：
通过训练样本数据对图深度学习模型进行训练；
基于学习率适配算法实时对训练中的图深度学习模型进行模型参数更新，使得损失不断减小，直到达到预设的停止条件为止，学习率适配算法的表达式如下所示：
其中，其中L'表示上文的三元组损失函数；θt表示第t层的权重矩阵；α表示学习率；δt即学习率适配算子，配合α根据情况算子不断变化，使得训练结果更高效精准；式中偏导表示损失函关于第t层权重矩阵的偏导数。
进一步的，对完成训练的图深度学习模型进行拓扑结构图优化处理，拓扑结构图优化处理的表达式如下所示：
其中，x表示电网的拓扑结构参数；σ表示激活函数；b表示偏置向量；n表示设备的总数；Wi表示第i个设备的权重矩阵即电网负荷情况，用以进行运算评估。
本发明的有益效果：通过基于知识图谱构建图深度学习模型，并进行拓扑结构图优化处理，得到供电场成图，实现了提高电力系统运行的可靠性和稳定性。
图深度学习模型应用于实时电力系统数据，生成供电场图，并根据模型输出的设备状态、拓扑结构等信息，绘制供电场的详细图像，通过模型对供电场的分析和预测，为供电场的运行优化提供决策支持。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明基于知识图谱构建图深度学习模型的拓扑结构优化方法的步骤示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，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，都属于本公开保护的范围。
实施例一：
基于知识图谱构建图深度学习模型的拓扑结构优化方法，包括以下步骤：
S101、获取电力系统原始数据信息，并进行数据预处理；
获取电力历史数据信息，获取电力系统原始数据信息的来源包括设备传感器、监控系统、电力公司的数据库等，对电力历史数据信息并进行数据预处理。在收集数据的过程中，需要确保数据的全面性和准确性。这意味着不仅需要收集设备的参数信息，如电压、电流、功率等，还需要收集设备的运行状态信息，如设备是否正常运行、是否存在故障等。此外电力系统的拓扑结构信息，如电力线路的连接方式、设备的物理位置等信息也是必不可少的。收集到的数据往往是非结构化的，进行预处理才能用于后续的知识图谱构建和图深度学习。电力历史数据信息并进行数据预处理的主要目的是将原始数据转化为可以被机器理解和处理的结构化数据。数据预处理包括数据清洗处理、数据去重处理和数据标准化处理。获取电力系统原始数据信息，并进行数据预处理包括以下步骤：
对电力系统原始数据信息进行数据清洗处理，去处电力系统原始数据信息中的异常值；例如，本文使用一些统计方法去除电力系统原始数据信息中的噪声和无关信息，即去除电力系统原始数据信息中的异常值，以提高数据的质量。
对电力系统原始数据信息进行数据去重处理；例如，在保证数据完整性的前提下，删除电力系统原始数据信息中的重复记录，这是因为在实际的电力系统中，同一台设备的参数可能会因为不同的采集时间点而产生重复记录，通过去重，可以保证知识图谱和图深度学习模型的训练集中不包含重复的数据，从而达到提高训练准确率的目的。
对电力系统原始数据信息进行数据标准化处理；例如，将电力系统原始数据信息转化为一种统一的格式或单位，以便于机器进行处理，即将所有的设备参数都转化为相同的单位，将所有的时间戳都转化为同一种格式，经过预处理后的数据，才可被用于后续的知识图谱构建和图深度学习，这些数据将为模型提供准确、完整的数据输入，保证计算机更精确地对电力系统的运行状态进行预测。
需要说明的是，为了便于后续对数据进行调用，可通过建立云端存储系统，以接收存储数据检测中各个监测装置的电力系统数据信息，进行数据存储。
S102、基于数据预处理结果构建知识图谱；
获取电力系统原始数据信息，并进行数据预处理，得到数据预处理结果，基于数据预处理结果构建知识图谱。知识图谱构建阶段，根据完成数据预处理后的数据，识别电力系统中设备之间关系。电力系统中的设备包括变压器、电缆、开关等。基于数据预处理结果构建知识图谱包括以下步骤：
对数据预处理结果进行电力设备特征识别；
基于电力设备特征识别结果进行构建电力设备之间的连接关系和拓扑关系；
基于构建电力设备之间的连接关系和拓扑关系结果生成知识图谱。
需要说明的是，电力设备之间关系包括连接关系和拓扑关系。连接关系描述了设备之间的物理连接方式，例如变压器与电缆的连接方式，或者变压器与开关的连接方式。拓扑关系则描述了设备之间的逻辑连接方式，例如如果一个开关控制多个设备，那么开关就与这些设备之间存在拓扑关系。在构建知识图谱时，需要将电力系统中的设备之间的关系以图结构的方式表示出来。例如，节点代表电力设备，边代表电力设备之间的关系。通过这种方式，能直观地看到电力系统的结构，以及各个电力设备之间的连接方式。
S103、基于知识图谱构建图深度学习模型，并对图深度学习模型进行训练；
基于数据预处理结果构建知识图谱，完成知识图谱的构建，基于知识图谱构建图深度学习模型，并对图深度学习模型进行训练。图深度学习模型采用图注意力网络(GAT)的图神经网络结构，将有效地对知识图谱中的电力设备之间的关系进行特征学习和表示，从而提取出电力系统的高层次特征。基于知识图谱构建图深度学习模型包括以下步骤：
构建图深度学习模型的结构，图深度学习模型由多个图卷积层组成，每个图卷积层都包含一个图卷积层和一个注意力层，图卷积层用于学习节点的局部特征，注意力层用于将这些局部特征组合起来，形成全局特征。通过这种方式，可有效地捕捉到知识图谱中的复杂模式，因此，通过构建和应用图注意力网络等先进的图深度学习模型，可有效地从电力系统知识图谱中提取出高层次的特征，从而提高图深度学习模型的准确性和效率。
将知识图谱转作为图深度学习模型的输入数据。例如，需要将每个节点的特征向量和边的特征向量分别作为节点层和边层的输入，同时，还需要为每个节点和边添加一个额外的属性，用于表示其在知识图谱中的类型(如变压器、电缆等)。
对图深度学习模型的三元组损失函数进行优化，得到优化后的三元组损失函数，优化后的三元组损失函数的表达式如下所示：
其中，σ是一个形状参数。合理地设置会提高系统使用者的体验与成图效率，设置为较小值0.01，以保持模型的稳定性和泛化能力；yi,j,k表示真实标签；p(i,j,k)则表示供电场成图结果的预测概率。
需要说明的是，常用的损失函数包括交叉熵损失和三元组损失，由于三元组损失适用于链接预测任务，所以选择它进行优化后来进行模型运算。在基于知识图谱构建图深度学习模型时，为了优化三元组损失函数，将采用“负对数似然估计”的方法，可将三元组损失函数转化为一种更易于优化的形式。
基于知识图谱构建图深度学习模型，并对图深度学习模型进行训练包括以下步骤：
通过训练样本数据对图深度学习模型进行训练；
基于学习率适配算法实时对训练中的图深度学习模型进行模型参数更新，使得损失不断减小，直到达到预设的停止条件为止，学习率适配算法的表达式如下所示：
其中，其中L'表示上文的三元组损失函数；θt表示第t层的权重矩阵；α表示学习率；δt即学习率适配算子，配合α根据情况算子不断变化，使得训练结果更高效精准；式中偏导表示损失函关于第t层权重矩阵的偏导数。
需要说明的是，在得到准备好的训练数据后，通过训练样本数据对图深度学习模型进行训练。与传统的图神经网络模型相比，图注意力网络具有更好的并行性和更高的计算效率。为使模型能够有效地学习电力系统的拓扑结构、设备状态等特征，在训练图深度学习模型时，预测每个供电场节点之间的连接关系，选择一个合适的损失函数来衡量预测结果与真实标签之间的差异。
S104、对完成训练的图深度学习模型进行拓扑结构图优化处理；
基于知识图谱构建图深度学习模型，并对图深度学习模型进行训练，完成图深度学习模型训练，对完成训练的图深度学习模型进行拓扑结构图优化处理，得到供电场成图，即得到优化后的电力系统拓扑结构图，拓扑结构图优化处理的表达式如下所示：
其中，x表示电网的拓扑结构参数；σ表示激活函数；b表示偏置向量；n表示设备的总数；Wi表示第i个设备的权重矩阵即电网负荷情况，用以进行运算评估。
需要说明的是，通过图深度学习模型对供电场的分析和预测，为供电场的运行优化提供决策支持，将训练好的图深度学习模型应用于实时电力系统数据，自动生成供电场图。在这一步中，需要将训练好的图深度学习模型应用到实际的电力系统中，以生成供电场的详细图像。因此，通过知识图谱和对应的成图结果作为图深度学习模型的输入数据，图深度学习模型生成供电场的图像，该图像包含电力系统中的各种设备状态、拓扑结构等信息，从而能够精确检测电力系统的运行状态情况。在生成供电场图像后，利用模型对供电场进行进一步的分析与预测。为优化供电场成图效果，根据模型输出的拓扑结构信息来分析电网的负荷分布情况，并根据预测结果调整电网的拓扑结构。
本申请的说明书及上述附图中的术语“第一”、“第二”和“第三”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围。
Claims (9)
1.基于知识图谱构建图深度学习模型的拓扑结构优化方法，其特征在于，包括以下步骤：
S101、获取电力系统原始数据信息，并进行数据预处理；
S102、基于数据预处理结果构建知识图谱；
S103、基于知识图谱构建图深度学习模型，并对图深度学习模型进行训练；
S104、对完成训练的图深度学习模型进行拓扑结构图优化处理。
2.根据权利要求1所述的基于知识图谱构建图深度学习模型的拓扑结构优化方法，其特征在于，所述数据预处理包括数据清洗处理、数据去重处理和数据标准化处理。
3.根据权利要求1所述的基于知识图谱构建图深度学习模型的拓扑结构优化方法，其特征在于，所述获取电力系统原始数据信息，并进行数据预处理包括以下步骤：
对电力系统原始数据信息进行数据清洗处理，去处电力系统原始数据信息中的异常值；
对电力系统原始数据信息进行数据去重处理；
对电力系统原始数据信息进行数据标准化处理。
4.根据权利要求1所述的基于知识图谱构建图深度学习模型的拓扑结构优化方法，其特征在于，所述基于数据预处理结果构建知识图谱包括以下步骤：
对数据预处理结果进行电力设备特征识别；
基于电力设备特征识别结果进行构建电力设备之间的连接关系和拓扑关系；
基于构建电力设备之间的连接关系和拓扑关系结果生成知识图谱。
5.根据权利要求1所述的基于知识图谱构建图深度学习模型的拓扑结构优化方法，其特征在于，所述基于知识图谱构建图深度学习模型包括以下步骤：
构建图深度学习模型的结构，图深度学习模型由多个图卷积层组成，每个图卷积层都包含一个图卷积层和一个注意力层，图卷积层用于学习节点的局部特征，注意力层用于将这些局部特征组合起来，形成全局特征；
将知识图谱转作为图深度学习模型的输入数据；
对图深度学习模型的三元组损失函数进行优化，得到优化后的三元组损失函数。
6.根据权利要求5所述的基于知识图谱构建图深度学习模型的拓扑结构优化方法，其特征在于，所述优化后的三元组损失函数的表达式如下所示：
其中，σ是一个形状参数，合理地设置会提高系统使用者的体验与成图效率，设置为较小值0.01，以保持模型的稳定性和泛化能力；yi,j,k表示真实标签；p(i,j,k)则表示供电场成图结果的预测概率。
7.根据权利要求1所述的基于知识图谱构建图深度学习模型的拓扑结构优化方法，其特征在于，所述对完成训练的图深度学习模型进行拓扑结构图优化处理，拓扑结构图优化处理的表达式如下所示：
其中，x表示电网的拓扑结构参数；σ表示激活函数；b表示偏置向量；n表示设备的总数；Wi表示第i个设备的权重矩阵即电网负荷情况，用以进行运算评估。
8.根据权利要求1所述的基于知识图谱构建图深度学习模型的拓扑结构优化方法，其特征在于，所述基于知识图谱构建图深度学习模型，并对图深度学习模型进行训练包括以下步骤：
通过训练样本数据对图深度学习模型进行训练；
基于学习率适配算法实时对训练中的图深度学习模型进行模型参数更新，使得损失不断减小，直到达到预设的停止条件为止。
9.根据权利要求8所述的基于知识图谱构建图深度学习模型的拓扑结构优化方法，其特征在于，所述学习率适配算法的表达式如下所示：
其中，其中L′表示上文的三元组损失函数；θt表示第t层的权重矩阵；α表示学习率；δt即学习率适配算子，配合α根据情况算子不断变化，使得训练结果更高效精准；式中偏导表示损失函关于第t层权重矩阵的偏导数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311621807.2A CN117725993A (zh) | 2023-11-30 | 2023-11-30 | 基于知识图谱构建图深度学习模型的拓扑结构优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311621807.2A CN117725993A (zh) | 2023-11-30 | 2023-11-30 | 基于知识图谱构建图深度学习模型的拓扑结构优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117725993A true CN117725993A (zh) | 2024-03-19 |
Family
ID=90204366
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311621807.2A Pending CN117725993A (zh) | 2023-11-30 | 2023-11-30 | 基于知识图谱构建图深度学习模型的拓扑结构优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117725993A (zh) |
-
2023
- 2023-11-30 CN CN202311621807.2A patent/CN117725993A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112383052B (zh) | 基于电力物联网的电网故障修复方法和装置 | |
| CN111880044B (zh) | 一种含分布式电源配电网在线故障定位方法 | |
| CN110335168B (zh) | 基于gru优化用电信息采集终端故障预测模型的方法及系统 | |
| CN116245033B (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
| CN112217674B (zh) | 基于因果网络挖掘和图注意力网络的告警根因识别方法 | |
| CN114266301A (zh) | 基于图卷积神经网络的电力设备故障智能预测方法 | |
| CN116467674A (zh) | 一种配电网智能故障处理融合更新系统及其方法 | |
| CN114330571B (zh) | 基于迁移学习的电力系统主导失稳模式识别方法及系统 | |
| CN116846075A (zh) | 基于深度学习的变电站防误操作方法 | |
| CN114977176A (zh) | 电力负荷分解方法、装置、设备及存储介质 | |
| CN118194487A (zh) | 一种电路与用电设备自动化布置方法、介质及系统 | |
| CN117495422A (zh) | 基于电力通信网建设的造价管理系统及其方法 | |
| CN117236380A (zh) | 一种电力系统故障预测方法、系统、电子设备和介质 | |
| CN116664098A (zh) | 一种光伏电站的异常检测方法及系统 | |
| CN117725993A (zh) | 基于知识图谱构建图深度学习模型的拓扑结构优化方法 | |
| CN110888013A (zh) | 电力设备的故障预测方法、装置和电力监控系统 | |
| Raghuvamsi et al. | Distribution system state estimation with Transformer-Bi-LSTM-based imputation model for missing measurements | |
| CN117640342B (zh) | 一种电力监控系统主体异常检测方法、装置、设备和介质 | |
| Zhao et al. | Research on machine learning-based correlation analysis method for power equipment alarms | |
| Qiu et al. | Automatic Locating Technology for Distribution Network Based on Graph Convolution Neural Networks | |
| Zhang et al. | Load prediction based on depthwise separable convolution model | |
| CN115392615B (zh) | 基于信息增强生成对抗网络的数据缺失值补全方法及系统 | |
| 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 | |
| CN115935262B (zh) | 图数据驱动的配电网拓扑辨识方法、电子设备及存储介质 | |
| Su et al. | Intelligent power equipment identification model based on grid topology analysis |
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 |