CN102663412A - 基于最小二乘支持向量机的电力设备载流故障趋势预测方法 - Google Patents
基于最小二乘支持向量机的电力设备载流故障趋势预测方法 Download PDFInfo
- Publication number
- CN102663412A CN102663412A CN2012100577927A CN201210057792A CN102663412A CN 102663412 A CN102663412 A CN 102663412A CN 2012100577927 A CN2012100577927 A CN 2012100577927A CN 201210057792 A CN201210057792 A CN 201210057792A CN 102663412 A CN102663412 A CN 102663412A
- Authority
- CN
- China
- Prior art keywords
- temperature
- contact
- power equipment
- value
- prediction
- 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
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于最小二乘支持向量机的电力设备载流故障趋势预测方法。本发明利用历史温度数据训练LS-SVM回归模型,并采用PSO优化算法调整模型的两个参数:核宽度σ和惩罚参数γ。其次,利用PCA算法和K-means聚类算法实时分析设备触点温度,找到存在温升异常的触点,将其温度值作为预测的初始值序列。最后,利用训练得到的回归模型,对初始值温度值进行长期和短期的预测,分析触点温度可能达到的最高点和到达最高点的时间。通过基于PSO-LSSVM的预测分析,主动掌握设备触点的故障发展趋势,为及时采取措施争取了时间,保证电网的安全运行。本发明可广泛应用于电力设备预测报警保护领域。
Description
技术领域
本发明涉及一种基于最小二乘支持向量机的电力设备载流故障趋势预测方法。
背景技术
科技进步和国民经济的快速发展对电力的需求和依赖性越来越强,对供电***的安全性和电力设备的良好状态要求越来越高。电力设备的故障多种多样,载流故障是由于电缆、开关、铜排等连接点因接触不良或氧化引起接触电阻增大而导致接头烧熔甚至短路,可能造成电缆***、大面积停电和企业停产等后果,严重危及电力***正常运行。这类故障发生比例高,局部温升明显,情况恶化快,如不及时处理,容易导致恶性事故。因此,非常必要及时地发现故障隐患,并对故障的发展趋势进行预测,以便及时地进行维修以防止事故扩大,保证电网的安全运行。
在公开号为CN101907665A的专利申请文件说明书中描述了一种联合模糊理论和改进遗传算法的油浸式电力设备故障诊断方法。此方法结合了优化算法来判断变压器油中的气体成分,使得对故障的判断更加准确。但是只能应用在油浸式设备中,应用领域受到限制。
上述专利申请文件只对电力设备的现有状态进行分析,如果能在此基础上预测设备的未来工作状态,将可以为防止事故发生争取更多的时间,有效保证电网的安全运行。
发明内容
本发明所要解决的技术问题是克服现有技术的不足,提供一种基于最小二乘支持向量机(LS-SVM)的电力设备载流故障趋势预测方法。该方法提出了一种用于电力设备载流故障发展趋势预测的LS-SVM模型,采用粒子群优化算法(PSO)来优化LS-SVM相关参数,对载流故障发展的长期趋势和短期趋势进行预测,为用户及时采取防护措施争取时间。
本发明所采用的技术方案是:本发明是一种基于最小二乘支持向量机的电力设备载流故障趋势预测方法,该方法包括以下步骤:
(1)选取温度训练样本集,收集某一段时间内电力设备触点的温度序列作为训练样本集G={q1,q2,L,qm},从训练样本集G中取出d+1个连续时间温度序列值,前d个作为输入,第d+1个作为输出,由此训练样本集转化为:G={(x1,y1),(x2,y2),L,(xi,yi),L,(xm-d,ym-d)},其中,xi={qi,qi+1,L,qi+d-1},yi=qi+d;{}
(2)建立用于电力设备载流故障发展趋势预测的最小二乘支持向量机模型,并以温度训练样本集作为粒子,利用粒子群优化算法优化算法来调整模型参数核宽度σ和惩罚参数γ;
(3)利用训练样本集G对模型进行训练,最终得到回归模型函数fd(x),d∈[dmin,dmax];
(4)利用主成分分析法和K-means聚类算法在线实时分析温度数据并确定存在故障或可能存在故障隐患的电力设备触点,为温度值序列预测提供初始值;
(5)利用函数模型fd(x),d∈[dmin,dmax]预测温度序列,预测时,首先要设定预测的起始点xi={x1,x2,L,xd},将xi作为自变量代入该函数模型中,求得起始点下一刻的温度值xd+1,若要继续预测后续的时间序列,将序列值xd+1加入到输入向量中,将新的输入向量xt+1={x2,x3,L,xX}代入函数模型,依此类推,求得后续温度序列值xd+2、xd+3、xd+4L;
(6)根据预测的温度序列值,分析高压触点的工作情况,判断触点温度的最高值以及达到最高值的时刻,进而分析电力设备故障发展趋势。
上述步骤(4)中的确定存在故障或可能存在故障隐患的电力设备触点的过程如下:
(a)采集电力设备触点的实时温度,对采集到的电力设备触点实时温度数据进行预处理,剔除无效数据,计算多个时间尺度的温度平均值,并设定温度值的主成分特征值的阀值,所述时间尺度即为某一段时间;
(b)采用主成分分析法对温度数据进行分析,对实时温度进行实时主成分分析,对不同时间尺度的平均温度值进行变尺度主成分分析,监测实时温度和不同时间尺度的平均温度值的主成分特征值的变化;
(c)若监测到的实时温度和不同时间尺度的平均温度值的主成分特征值和所设定的主成分特征值的阀值相比过高,则进行步骤(d),否则重复步骤(a)和(b);
(d)提取主成分特征值过高的温度数据,对温度数据进行变化方向的判断,若温度变化为下降,则为正常状态,重复步骤(a)和(b),若温度变化为上升,则进行步骤(e);
(e)利用K-means聚类分析法对温度数据进行聚类分析,得到正常触点和异常触点两类集合,异常触点即为存在故障或存在故障隐患的触点,进而进行预警;
(f)采集到的温度值为温度值序列预测提供初始值。
本发明的有益效果是:由于本发明利用历史温度数据训练LS-SVM回归模型,并采用粒子群优化算法调整模型的两个参数:核宽度σ和惩罚参数γ,其次,利用主成分分析法和K-means聚类算法实时分析设备触点温度,找到存在温升异常的触点,将其温度值作为预测的初始值序列,最后,利用训练得到的回归模型,对初始值温度值进行长期和短期的预测,分析触点温度可能达到的最高点和到达最高点的时间,所以,本发明方法能够较好的预测出故障或者存在故障隐患的触点的温度变化趋势,为预警***进一步分析和预警提供了足够的时间。同时,基于PSO-LSSVM的电力设备载流故障发展趋势预测方法算法简单,精度较高,在很大程度上提高了电力***的可靠性。
附图说明
图1是本发明方法的流程图;
图2是实施例中基于某电站真实数据的训练样本集示意图;
图3为实施例中某电站2#电容柜5121刀闸下C相在2009年7月13日的数据示意图,其中以10:56为时间起点;
图4为长期预测效果图;
图5为温度峰值短期预测效果图。
具体实施方式
本发明提供了一种基于最小二乘支持向量机的电力设备载流故障趋势预测方法,该方法包括以下步骤:
(1)选取温度训练样本集,收集某一段时间内电力设备触点的温度序列作为训练样本集G={q1,q2,L,qm},从训练样本集G中取出d+1个连续时间温度序列值,前d个作为输入,第d+1个作为输出,由此训练样本集转化为:G={(x1,y1),(x2,y2),L,(xi,yi),L,(xm-d,ym-d)},其中,xi={qi,qi+1,L,qi+d-1},yi=qi+d;
(2)建立用于电力设备载流故障发展趋势预测的最小二乘支持向量机即LS-SVM模型,并以温度训练样本集作为粒子,利用粒子群优化算法即PSO优化算法来调整模型参数核宽度σ和惩罚参数γ;
(3)利用训练样本集G对模型进行训练,最终得到回归模型函数fd(x),d∈[dmm,dmax];
(4)利用主成分分析法即PCA和K-means聚类算法在线实时分析温度数据并确定存在故障或可能存在故障隐患的电力设备触点,为温度值序列预测提供初始值;
(5)利用函数模型fd(x),d∈[dmin,dmax]预测温度序列,预测时,首先要设定预测的起始点xi={x1,x2,L,xd},将xt作为自变量代入该函数模型中,求得起始点下一刻的温度值xd+1,若要继续预测后续的时间序列,将序列值xd+1加入到输入向量中,将新的输入向量xi+1={x2,x3,L,xd+1}代入函数模型,依此类推,求得后续温度序列值xd+2、xd+3、xd+4L;
(6)根据预测的温度序列值,分析高压触点的工作情况,判断触点温度的最高值以及达到最高值的时刻,进而分析电力设备故障发展趋势。
在上述步骤(4)中,所述确定存在故障或可能存在故障隐患的电力设备触点的过程如下:
(a)采集电力设备触点的实时温度,对采集到的电力设备触点实时温度数据进行预处理,剔除无效数据,计算多个时间尺度的温度平均值,并设温度值的主成分特征值的阀值,所述时间尺度即为某一段时间;
(b)采用主成分分析法即PCA对温度数据进行分析,对实时温度进行实时主成分分析,对不同时间尺度的平均温度值进行变尺度主成分分析,监测实时温度和不同时间尺度的平均温度值的主成分特征值的变化;
(c)若监测到的实时温度和不同时间尺度的平均温度值的主成分特征值和所设定的主成分特征值的阀值相比过高,则进行步骤(d),否则重复步骤(a)和(b);
(d)提取主成分特征值过高的温度数据,对温度数据进行变化方向的判断,若温度变化为下降,则为正常状态,重复步骤(a)和(b),若温度变化为上升,则进行步骤(e);
(e)利用K-means聚类分析法对温度数据进行聚类分析,得到正常触点和异常触点两类集合,异常触点即为存在故障或存在故障隐患的触点,进而进行预警;
(f)采集到的温度值为温度值序列预测提供初始值。
本发明主要包括以下几个方面:
a、建立LS-SVM函数模型。
支持向量机(Support Vector Machine,SVM)建立在统计学习理论的VC维理论和结构风险最小原理上,它在解决小样本、非线性及高维模式识别中有许多特有的优势。最小二乘支持向量机(Least Squares Support VectorMachine,LSSVM)是标准SVM的扩展,采用最小二乘线性***作为损失函数,将不等式约束条件转为等式约束,大大简化算法的复杂程度。LS-SVM可描述为如下优化问题:
其中权值向量w∈H,误差变量ξi∈R,偏置值b∈R,γ为惩罚参数。利用拉格朗日乘子法将问题转化到其对偶空间中,按照最优解的条件,可得:
其中e是单位列向量,I是单位矩阵,α=[α1,α2,L αn]T∈Rn是拉格朗日乘子,H=(Hij)n×n,Hij=K(xi,xj)。求解方程组得到α和b,于是估计所得的函数模型为:
利用LS-SVM回归模型来预测设备触点的温度值序列,简化了问题的复杂程度。算法收敛速度快,需要的计算资源较少,比较适合于实时性要求较高的场合。
b、利用PSO优化LSSVM模型参数。
粒子群优化算法(PSO:Particle Swarm Optimization,)是一种模拟鸟群或鱼群在觅食过程中所表现的群体智能的仿生优化算法,具有结构简单、收敛速度快的优点,而且不需要目标函数的梯度信息。群体中的个体(粒子)通过自身的学习和相互之间的信息共享不断调整其飞行速度,最终汇集到最优点。粒子的速度和位置更新如下:
其中,i=1,2,L M,M为粒子总数。相关系数包括惯性权重ω,可使ω随t增加而线性递减;学习因子c1和c2,r1和r2是[0,1]上均匀分布的随机数,和表示粒子i到时间t时的个体最优解和种群到时间t时的最优解。
c、利用主成分分析方法(PCA)和K-means聚类算法在线分析温度数据并发现故障或者存在故障隐患的触点。
主成分分析(Principal Component Analysis,PCA)通过一组新的标准正交基,将原始变量线性变换为一组新变量。新变量中的一个或几个“重要”成分包含了原始数据的大部分信息,因而称为“主成分”。利用PCA可以有效地找到电力设备触点温度的主成分,很快地发现触点温度是否正常。同时,利用K-means聚类算法进行故障定位,找到可能温度值异常的触点。基于PCA和K-means聚类算法,为温度值序列预测提供初始值。
本发明设计的电力设备载流故障发展趋势预测方法是基于设备触点温度信息,通过预测设备触点温度序列值来判断设备故障未来的发展趋势。首先,本发明选取具有代表性的历史温度数据作为训练样本集G={q1,q2,L,qm}。从训练样本集G中取出d+1个连续时间序列值,前d个作为输入,第d+1个作为输出。由此训练样本集转化为:
G={(x1,y1),(x2,y2),L,(xm-d,ym-d)}
其中,xi={qi,qi+1,L,qi+d-1},yi=qi+d。
训练样本准备完毕后,将开始训练LS-SVM回归模型。本发明使用径向基核函数(RBF-Kernal):具有一个参数:核宽度σ。根据公式(1)、(2),优化问题还存在另一个参数:惩罚参数γ。这个两个参数对回归模型的性能影响较大,将利用PSO调整。调整过程中,本发明采用K-折交叉验证法来计算PSO适应值,基本过程为:将训练样本集随机地分成k个互不相交的子集,每个子集的大小应大致相等。对于给定一组参数的回归模型,将其中k-1个子集作为训练样本建立的回归模型,剩下的一个子集作为测试样本,记录测试样本的均方差(MSE)作为模型的性能指标。将上述过程重复k次,每个子集都会作为测试样本进行测试,计算k次迭代后所得MSE的平均值,即适应值,估计回归模型的期望泛化误差。适应值较小的粒子优于适应值较大的粒子。本发明此方法找到最优的粒子,即核宽度σ和惩罚参数γ。
参数σ、γ确定后,利用训练样本G对回归模型进行训练,求解公式(2)中的Lagrange乘子α和偏置值b。将参数代入公式(3),得到回归模型fd(x),d∈[dmin,dmax]。
回归模型训练完毕后,就可用其预测触点的温度序列。然而,电力设备在安全运行中,我们不需要对每个触点的温度都进行预测。只有当发现触点的温升异常或者存在故障的情况下,才需要对其进行预测。本发明利用PCA和K-means聚类算法实时监测设备触点的温度,当触点温度的主成分特征值超出阈值时,将此时的温度序列作为初始序列xi={x1,x2,L,xd},将其代入回归模型中,预测未来温度的变化情况。
电力设备载流故障趋势预测主要完成两个任务:预测触点的最高温度以及达到最高温度的时间。本发明将采用以下2种方法实现温度和时间的预测:
(1)长期趋势预测。随着预测初始值的增加,采用回归模型fd(x),d=5,6,L 20,预测未来100个时间点的温度值序列。得到的温度值序列,分析触点温度发展趋势。
(2)短期趋势预测。充分利用实时更新的温度采样值,对未来较短时间的温度进行比较精确的预测。采用回归模型f20(x),预测未来20个时间点的温度值序列。每过一个采样周期,将当前时刻作为短期预测起始点,利用现场最新温度进行一次短期预测。因此,短期预测的曲线将会是一条动态曲线,预测值与实际值将会愈来愈逼近,可以为故障分析提供更精确的数据。
最后根据预测的温度值序列,分析高压触点的工作情况。判断触点温度的最高值以及达到最高值的时刻,进而分析电力设备故障发展趋势。至此电力设备载流故障趋势预测流程结束。
以下结合附图对本发明的具体实施作进一步描述。
载流故障发展趋势预测的流程如图1所示。下面将以d=10为例,即用10个时刻的温度数据预测故障的发展趋势,介绍回归模型的训练过程。
从某变电站数据中选取来自不同触点、不同时间、波动范围较大的八组温度作为训练样本G={q1,q2,L,q2886},共有2886个温度值,如图2所示。将原始数据转为训练样本集:
G={(x1,y1),(x2,y2),L,(x2876,y2876)}
其中,xi={qi,qi+1,L,qi+9},yi=qi+10。
训练样本集准备完毕后,利用PSO调整核宽度σ以及惩罚参数γ时,采用10折交叉验证法。设定粒子数量为50,迭代次数为200次,学习因子为2.0,最大惯性权值为0.9,最小惯性权值为0.4。得到惩罚参数γ=153.9816,核参数σ2=10.1222。
至此d=10的回归模型f10(x)训练完毕。根据上述的步骤,依次训练本发明所需要的回归模型fd(x),d=5,6,L 20,为后续预测做准备。
随后,利用PCA和K-means聚类算法实时挖掘温度数据特征,找到存在故障隐患的触点,并将此时触点的温度数据作为预测的初始序列。采用某变电站2#电容柜5121刀闸下C相在2009年7月13日的数据,如图3所示,以10:56为时间起点,对其进行长期和短期预测。下面以提取如图3所示曲线的前10个数据xi={x1,x2,L,x10},作为预测初始值来预测未来100个时间点的温度值。具体步骤是:将xi作为自变量代入回归模型f10(x)中,求得起始点下一刻的温度值x11。若要继续预测后续的时间序列,将序列值x11加入到输入向量中,将新的输入向量xi+1={x2,x3,L,x11}代入函数模型,依此类推,求得后续温度序列值x12、x13、x14。
图4所示的是长期预测的结果,分别提取了d=5,d=10,d=20三条曲线。可以看到,预测的温度序列能正确地反映触点温度的变化趋势。
同时本发明还采用短期预测的方式来预测触点温度的变化情况,利用f20(x)回归模型,即根据实时更新的20个温度值预测未来20点的温度数据,其方法与上述相同。图5显示了从12:12到14:32的温度变化情况,这段时间内实际温度达到峰值。分别提取了10min(12:22)、30min(12:42)、70min(13:22)、90min(13:42)这4个时刻为起始点的短期预测曲线,在实际温度最高处,预测曲线与实际温度曲线相差最多为3℃。
本发明所提供的预测方法通过预测电力设备触点温度值序列,在设备故障的初期对故障的发展趋势做了长期和短期预测,以便及时采取合理的措施,最大限度的保证电力***的安全运行。
本发明可广泛应用于电力设备预测报警保护领域。
Claims (2)
1.一种基于最小二乘支持向量机的电力设备载流故障趋势预测方法,其特征在于,该方法包括以下步骤:
(1)选取温度训练样本集,收集某一段时间内电力设备触点的温度序列作为训练样本集G={q1,q2,L,qm},从训练样本集G中取出d+1个连续时间温度序列值,前d个作为输入,第d+1个作为输出,由此训练样本集转化为:G={(x1,y1),(x2,y1),L,(xi,yi),L,(xm-d,ym-d)},其中,xi={qi,qi+1,L,qi+d-1},yi=qi+d;
(2)建立用于电力设备载流故障发展趋势预测的最小二乘支持向量机模型,并以温度训练样本集作为粒子,利用粒子群优化算法优化算法来调整模型参数核宽度σ和惩罚参数γ;
(3)利用训练样本集G对模型进行训练,最终得到回归模型函数fd(x),d∈[dmin,dmax];
(4)利用主成分分析法和K-means聚类算法在线实时分析温度数据并确定存在故障或可能存在故障隐患的电力设备触点,为温度值序列预测提供初始值;
(5)利用函数模型fd(x),d∈[dmin,dmax]预测温度序列,预测时,首先要设定预测的起始点xi={x1,x2,L,xd},将xi作为自变量代入该函数模型中,求得起始点下一刻的温度值xd+1,若要继续预测后续的时间序列,将序列值xd+1加入到输入向量中,将新的输入向量xi+1={x2,x3,L,xd+1}代入函数模型,依此类推,求得后续温度序列值xd+2、xd+3、xd+4L;
(6)根据预测的温度序列值,分析高压触点的工作情况,判断触点温度的最高值以及达到最高值的时刻,进而分析电力设备故障发展趋势。
2.根据权利要求1所述的基于最小二乘支持向量机的电力设备载流故障趋势预测方法,其特征在于,步骤(4)中的确定存在故障或可能存在故障隐患的电力设备触点的过程如下:
(a)采集电力设备触点的实时温度,对采集到的电力设备触点实时温度数据进行预处理,剔除无效数据,计算多个时间尺度的温度平均值,并设定温度值的主成分特征值的阀值,所述时间尺度即为某一段时间;
(b)采用主成分分析法对温度数据进行分析,对实时温度进行实时主成分分析,对不同时间尺度的平均温度值进行变尺度主成分分析,监测实时温度和不同时间尺度的平均温度值的主成分特征值的变化;
(c)若监测到的实时温度和不同时间尺度的平均温度值的主成分特征值和所设定的主成分特征值的阀值相比过高,则进行步骤(d),否则重复步骤(a)和(b);
(d)提取主成分特征值过高的温度数据,对温度数据进行变化方向的判断,若温度变化为下降,则为正常状态,重复步骤(a)和(b),若温度变化为上升,则进行步骤(e);
(e)利用K-means聚类分析法对温度数据进行聚类分析,得到正常触点和异常触点两类集合,异常触点即为存在故障或存在故障隐患的触点,进而进行预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210057792.7A CN102663412B (zh) | 2012-02-27 | 2012-02-27 | 基于最小二乘支持向量机的电力设备载流故障趋势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210057792.7A CN102663412B (zh) | 2012-02-27 | 2012-02-27 | 基于最小二乘支持向量机的电力设备载流故障趋势预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102663412A true CN102663412A (zh) | 2012-09-12 |
CN102663412B CN102663412B (zh) | 2014-11-05 |
Family
ID=46772896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210057792.7A Expired - Fee Related CN102663412B (zh) | 2012-02-27 | 2012-02-27 | 基于最小二乘支持向量机的电力设备载流故障趋势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102663412B (zh) |
Cited By (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116531A (zh) * | 2013-01-25 | 2013-05-22 | 浪潮(北京)电子信息产业有限公司 | 存储***故障预测方法和装置 |
CN103136587A (zh) * | 2013-03-07 | 2013-06-05 | 武汉大学 | 基于支持向量机的配电网运行状态分类识别方法 |
CN103234767A (zh) * | 2013-04-21 | 2013-08-07 | 蒋全胜 | 基于半监督流形学习的非线性故障检测方法 |
CN103425889A (zh) * | 2013-08-22 | 2013-12-04 | 中国南方电网有限责任公司调峰调频发电公司 | 一种水电站生活区用电分析方法 |
CN103472343A (zh) * | 2013-09-29 | 2013-12-25 | 国家电网公司 | 一种高电压设备状态预测方法 |
CN103885046A (zh) * | 2012-12-20 | 2014-06-25 | 河南省电力勘测设计院 | 基于GPS的InSAR大气延迟改正方法 |
CN104121998A (zh) * | 2014-06-24 | 2014-10-29 | 中国农业大学 | 一种日光温室环境智能监控***中的温度预警方法 |
CN104899446A (zh) * | 2015-06-05 | 2015-09-09 | 上海大学 | 基于数据驱动的脉动风速模拟方法 |
WO2015176565A1 (zh) * | 2014-05-22 | 2015-11-26 | 袁志贤 | 一种基于多维时间序列的电气设备故障预测方法 |
CN105160444A (zh) * | 2015-10-22 | 2015-12-16 | 广东电网有限责任公司电力调度控制中心 | 电力设备故障率确定方法及*** |
CN105184392A (zh) * | 2015-08-21 | 2015-12-23 | 许昌许继软件技术有限公司 | 一种基于最小二乘支持向量机的光伏电站故障诊断方法 |
CN105182184A (zh) * | 2015-09-29 | 2015-12-23 | 昆明理工大学 | 一种基于沿线方向行波分解的配网线缆混合直配线路故障测距方法 |
CN105205202A (zh) * | 2015-07-14 | 2015-12-30 | 三峡大学 | 一种载流量计算方法 |
CN105425768A (zh) * | 2015-11-06 | 2016-03-23 | 国网山东莒县供电公司 | 一种电力二次设备监测装置及方法 |
CN105528621A (zh) * | 2015-12-27 | 2016-04-27 | 北京化工大学 | 基于支持向量机的多维度多步骤寿命预测方法 |
CN106056160A (zh) * | 2016-06-06 | 2016-10-26 | 南京邮电大学 | 非均衡iptv数据集下的用户报障预测方法 |
CN103677184B (zh) * | 2013-12-23 | 2017-01-04 | 浙江大学 | 面向虚拟机的cpu温度预测方法及装置 |
CN103810328B (zh) * | 2014-01-16 | 2017-02-22 | 国家电网公司 | 一种基于混合模型的变压器维修决策方法 |
CN106934421A (zh) * | 2017-03-16 | 2017-07-07 | 山东大学 | 基于2dpca及svm的变电站电力变压器故障检测***及检测方法 |
CN107168270A (zh) * | 2017-07-07 | 2017-09-15 | 广东技术师范学院 | 一种非线性过程监控方法 |
CN107239857A (zh) * | 2017-05-31 | 2017-10-10 | 武汉大学 | 基于ls_svm和pca的架空输电线路风险评估方法 |
CN107783071A (zh) * | 2017-10-23 | 2018-03-09 | 盐城工学院 | 传感器故障监控方法及装置 |
CN107784799A (zh) * | 2016-08-26 | 2018-03-09 | 北京协同创新智能电网技术有限公司 | 一种基于在线变化方向的多变量报警方法及*** |
CN107905270A (zh) * | 2017-11-28 | 2018-04-13 | 辽宁工程技术大学 | 一种深基坑变形预测方法 |
CN107956731A (zh) * | 2017-11-30 | 2018-04-24 | 中国大唐集团科学技术研究院有限公司西北分公司 | 电站空冷风机频率变化对机组背压参数影响的预测方法 |
CN109492676A (zh) * | 2018-10-23 | 2019-03-19 | 东华大学 | 基于粒子群算法优化支持向量机的研究生就业预测方法 |
CN109542080A (zh) * | 2018-10-16 | 2019-03-29 | 中国人民解放军国防科技大学 | 一种基于对偶空间变换的闭环控制***故障检测方法 |
CN109709483A (zh) * | 2018-12-26 | 2019-05-03 | 天津瑞源电气有限公司 | 一种风电机组变桨距***故障诊断方法 |
CN110186962A (zh) * | 2019-05-10 | 2019-08-30 | 天津大学 | 一种用于电容层析成像的不完整测量数据成像方法 |
CN110263834A (zh) * | 2019-06-13 | 2019-09-20 | 东华大学 | 一种新能源电能质量异常值的检测方法 |
CN110427715A (zh) * | 2019-08-08 | 2019-11-08 | 内蒙古科技大学 | 基于时间序列和高炉多维度的炉缸热状态趋势预测的方法 |
CN110766236A (zh) * | 2019-10-31 | 2020-02-07 | 云南电网有限责任公司昆明供电局 | 基于统计分析和深度学习的电力设备状态趋势预测方法 |
CN110837857A (zh) * | 2019-10-31 | 2020-02-25 | 杭州中恒云能源互联网技术有限公司 | 工业用电负荷预测方法、***及其存储介质 |
CN111239515A (zh) * | 2020-01-19 | 2020-06-05 | 国网浙江兰溪市供电有限公司 | 电力设备载流故障预测方法及*** |
CN111523710A (zh) * | 2020-04-10 | 2020-08-11 | 三峡大学 | 基于pso-lssvm在线学习的电力设备温度预测方法 |
CN111797815A (zh) * | 2020-07-22 | 2020-10-20 | 安徽三禾一信息科技有限公司 | 基于深度学习的复杂装备健康评估方法及*** |
CN112560350A (zh) * | 2020-12-22 | 2021-03-26 | 柳州钢铁股份有限公司 | 一种多流方坯铸机防突发事故扩大化控制方法及*** |
CN113033613A (zh) * | 2021-02-26 | 2021-06-25 | 广东核电合营有限公司 | 核电设备的状态显示方法、装置、计算机设备和存储介质 |
CN113281682A (zh) * | 2021-06-28 | 2021-08-20 | 江苏大学 | 一种母线接头高阻连接故障诊断方法 |
CN113516162A (zh) * | 2021-04-26 | 2021-10-19 | 湖南大学 | 一种基于OCSVM和K-means算法的工控***流量异常检测方法与*** |
CN115640918A (zh) * | 2022-12-26 | 2023-01-24 | 电子科技大学中山学院 | 电缆温度异常预测方法、装置、介质及设备 |
CN117542169A (zh) * | 2023-11-07 | 2024-02-09 | 国网江苏省电力有限公司镇江供电分公司 | 基于大数据分析的自动化设备温度异常预警方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447202A (zh) * | 2016-09-29 | 2017-02-22 | 国网山东省电力公司 | 基于数据挖掘和主成分分析的电力设备状态评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329697A (zh) * | 2008-06-11 | 2008-12-24 | 电子科技大学 | 一种基于混杂算法的模拟电路状态预测方法 |
CN101907665A (zh) * | 2010-07-16 | 2010-12-08 | 西安交通大学 | 联合模糊理论和改进遗传算法的油浸式电力设备故障诊断方法 |
CN102324034A (zh) * | 2011-05-25 | 2012-01-18 | 北京理工大学 | 基于最小二乘支持向量机在线预测的传感器故障诊断方法 |
-
2012
- 2012-02-27 CN CN201210057792.7A patent/CN102663412B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329697A (zh) * | 2008-06-11 | 2008-12-24 | 电子科技大学 | 一种基于混杂算法的模拟电路状态预测方法 |
CN101907665A (zh) * | 2010-07-16 | 2010-12-08 | 西安交通大学 | 联合模糊理论和改进遗传算法的油浸式电力设备故障诊断方法 |
CN102324034A (zh) * | 2011-05-25 | 2012-01-18 | 北京理工大学 | 基于最小二乘支持向量机在线预测的传感器故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
QI-SONG CHEN ET AL.: "the combining kernel pca with pso-svm for chaotic time series prediction model", 《PROCEEDINGS OF THE EIGHTH INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND CYBERNETICS》 * |
陈敏生等: "基于核主元分析和支持向量机的电站锅炉飞灰含碳量软测量建模", 《华北电力大学学报》 * |
Cited By (55)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103885046A (zh) * | 2012-12-20 | 2014-06-25 | 河南省电力勘测设计院 | 基于GPS的InSAR大气延迟改正方法 |
CN103116531A (zh) * | 2013-01-25 | 2013-05-22 | 浪潮(北京)电子信息产业有限公司 | 存储***故障预测方法和装置 |
CN103136587B (zh) * | 2013-03-07 | 2015-12-09 | 武汉大学 | 基于支持向量机的配电网运行状态分类识别方法 |
CN103136587A (zh) * | 2013-03-07 | 2013-06-05 | 武汉大学 | 基于支持向量机的配电网运行状态分类识别方法 |
CN103234767A (zh) * | 2013-04-21 | 2013-08-07 | 蒋全胜 | 基于半监督流形学习的非线性故障检测方法 |
CN103234767B (zh) * | 2013-04-21 | 2016-01-06 | 苏州科技学院 | 基于半监督流形学习的非线性故障检测方法 |
CN103425889A (zh) * | 2013-08-22 | 2013-12-04 | 中国南方电网有限责任公司调峰调频发电公司 | 一种水电站生活区用电分析方法 |
CN103425889B (zh) * | 2013-08-22 | 2016-05-04 | 中国南方电网有限责任公司调峰调频发电公司 | 一种水电站生活区用电分析方法 |
CN103472343A (zh) * | 2013-09-29 | 2013-12-25 | 国家电网公司 | 一种高电压设备状态预测方法 |
CN103677184B (zh) * | 2013-12-23 | 2017-01-04 | 浙江大学 | 面向虚拟机的cpu温度预测方法及装置 |
CN103810328B (zh) * | 2014-01-16 | 2017-02-22 | 国家电网公司 | 一种基于混合模型的变压器维修决策方法 |
WO2015176565A1 (zh) * | 2014-05-22 | 2015-11-26 | 袁志贤 | 一种基于多维时间序列的电气设备故障预测方法 |
CN104121998A (zh) * | 2014-06-24 | 2014-10-29 | 中国农业大学 | 一种日光温室环境智能监控***中的温度预警方法 |
CN104899446A (zh) * | 2015-06-05 | 2015-09-09 | 上海大学 | 基于数据驱动的脉动风速模拟方法 |
CN105205202B (zh) * | 2015-07-14 | 2017-12-12 | 三峡大学 | 一种载流量计算方法 |
CN105205202A (zh) * | 2015-07-14 | 2015-12-30 | 三峡大学 | 一种载流量计算方法 |
CN105184392A (zh) * | 2015-08-21 | 2015-12-23 | 许昌许继软件技术有限公司 | 一种基于最小二乘支持向量机的光伏电站故障诊断方法 |
CN105184392B (zh) * | 2015-08-21 | 2019-02-05 | 许昌许继软件技术有限公司 | 一种基于最小二乘支持向量机的光伏电站故障诊断方法 |
CN105182184A (zh) * | 2015-09-29 | 2015-12-23 | 昆明理工大学 | 一种基于沿线方向行波分解的配网线缆混合直配线路故障测距方法 |
CN105182184B (zh) * | 2015-09-29 | 2018-10-02 | 昆明理工大学 | 一种基于沿线方向行波分解的配网线缆混合直配线路故障测距方法 |
CN105160444A (zh) * | 2015-10-22 | 2015-12-16 | 广东电网有限责任公司电力调度控制中心 | 电力设备故障率确定方法及*** |
CN105425768A (zh) * | 2015-11-06 | 2016-03-23 | 国网山东莒县供电公司 | 一种电力二次设备监测装置及方法 |
CN105425768B (zh) * | 2015-11-06 | 2018-03-23 | 国网山东莒县供电公司 | 一种电力二次设备监测装置及方法 |
CN105528621A (zh) * | 2015-12-27 | 2016-04-27 | 北京化工大学 | 基于支持向量机的多维度多步骤寿命预测方法 |
CN106056160A (zh) * | 2016-06-06 | 2016-10-26 | 南京邮电大学 | 非均衡iptv数据集下的用户报障预测方法 |
CN106056160B (zh) * | 2016-06-06 | 2022-05-17 | 南京邮电大学 | 非均衡iptv数据集下的用户报障预测方法 |
CN107784799A (zh) * | 2016-08-26 | 2018-03-09 | 北京协同创新智能电网技术有限公司 | 一种基于在线变化方向的多变量报警方法及*** |
CN107784799B (zh) * | 2016-08-26 | 2019-07-19 | 北京协同创新智能电网技术有限公司 | 一种基于在线变化方向的多变量报警方法及*** |
CN106934421A (zh) * | 2017-03-16 | 2017-07-07 | 山东大学 | 基于2dpca及svm的变电站电力变压器故障检测***及检测方法 |
CN107239857A (zh) * | 2017-05-31 | 2017-10-10 | 武汉大学 | 基于ls_svm和pca的架空输电线路风险评估方法 |
CN107168270A (zh) * | 2017-07-07 | 2017-09-15 | 广东技术师范学院 | 一种非线性过程监控方法 |
CN107783071A (zh) * | 2017-10-23 | 2018-03-09 | 盐城工学院 | 传感器故障监控方法及装置 |
CN107905270A (zh) * | 2017-11-28 | 2018-04-13 | 辽宁工程技术大学 | 一种深基坑变形预测方法 |
CN107956731A (zh) * | 2017-11-30 | 2018-04-24 | 中国大唐集团科学技术研究院有限公司西北分公司 | 电站空冷风机频率变化对机组背压参数影响的预测方法 |
CN109542080A (zh) * | 2018-10-16 | 2019-03-29 | 中国人民解放军国防科技大学 | 一种基于对偶空间变换的闭环控制***故障检测方法 |
CN109492676A (zh) * | 2018-10-23 | 2019-03-19 | 东华大学 | 基于粒子群算法优化支持向量机的研究生就业预测方法 |
CN109709483A (zh) * | 2018-12-26 | 2019-05-03 | 天津瑞源电气有限公司 | 一种风电机组变桨距***故障诊断方法 |
CN110186962A (zh) * | 2019-05-10 | 2019-08-30 | 天津大学 | 一种用于电容层析成像的不完整测量数据成像方法 |
CN110263834A (zh) * | 2019-06-13 | 2019-09-20 | 东华大学 | 一种新能源电能质量异常值的检测方法 |
CN110263834B (zh) * | 2019-06-13 | 2022-07-05 | 东华大学 | 一种新能源电能质量异常值的检测方法 |
CN110427715A (zh) * | 2019-08-08 | 2019-11-08 | 内蒙古科技大学 | 基于时间序列和高炉多维度的炉缸热状态趋势预测的方法 |
CN110427715B (zh) * | 2019-08-08 | 2022-10-14 | 内蒙古科技大学 | 基于时间序列和高炉多维度的炉缸热状态趋势预测的方法 |
CN110766236A (zh) * | 2019-10-31 | 2020-02-07 | 云南电网有限责任公司昆明供电局 | 基于统计分析和深度学习的电力设备状态趋势预测方法 |
CN110837857A (zh) * | 2019-10-31 | 2020-02-25 | 杭州中恒云能源互联网技术有限公司 | 工业用电负荷预测方法、***及其存储介质 |
CN111239515A (zh) * | 2020-01-19 | 2020-06-05 | 国网浙江兰溪市供电有限公司 | 电力设备载流故障预测方法及*** |
CN111523710A (zh) * | 2020-04-10 | 2020-08-11 | 三峡大学 | 基于pso-lssvm在线学习的电力设备温度预测方法 |
CN111797815A (zh) * | 2020-07-22 | 2020-10-20 | 安徽三禾一信息科技有限公司 | 基于深度学习的复杂装备健康评估方法及*** |
CN112560350A (zh) * | 2020-12-22 | 2021-03-26 | 柳州钢铁股份有限公司 | 一种多流方坯铸机防突发事故扩大化控制方法及*** |
CN112560350B (zh) * | 2020-12-22 | 2022-07-22 | 柳州钢铁股份有限公司 | 一种多流方坯铸机防突发事故扩大化控制方法及*** |
CN113033613A (zh) * | 2021-02-26 | 2021-06-25 | 广东核电合营有限公司 | 核电设备的状态显示方法、装置、计算机设备和存储介质 |
CN113516162A (zh) * | 2021-04-26 | 2021-10-19 | 湖南大学 | 一种基于OCSVM和K-means算法的工控***流量异常检测方法与*** |
CN113281682A (zh) * | 2021-06-28 | 2021-08-20 | 江苏大学 | 一种母线接头高阻连接故障诊断方法 |
CN113281682B (zh) * | 2021-06-28 | 2023-02-17 | 江苏大学 | 一种母线接头高阻连接故障诊断方法 |
CN115640918A (zh) * | 2022-12-26 | 2023-01-24 | 电子科技大学中山学院 | 电缆温度异常预测方法、装置、介质及设备 |
CN117542169A (zh) * | 2023-11-07 | 2024-02-09 | 国网江苏省电力有限公司镇江供电分公司 | 基于大数据分析的自动化设备温度异常预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102663412B (zh) | 2014-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102663412A (zh) | 基于最小二乘支持向量机的电力设备载流故障趋势预测方法 | |
Lin et al. | Adaptive protection combined with machine learning for microgrids | |
Liu et al. | A systematic approach for dynamic security assessment and the corresponding preventive control scheme based on decision trees | |
Gomez et al. | Support vector machine-based algorithm for post-fault transient stability status prediction using synchronized measurements | |
US20200119556A1 (en) | Autonomous Voltage Control for Power System Using Deep Reinforcement Learning Considering N-1 Contingency | |
Tomin et al. | Random forest based model for preventing large-scale emergencies in power systems | |
JP2022140414A (ja) | 動的潮流モデリングによる最適な電力潮流制御 | |
CN102930344A (zh) | 一种基于负荷趋势变化的超短期母线负荷预测方法 | |
Gupta et al. | Neural network based early warning system for an emerging blackout in smart grid power networks | |
CN102708305A (zh) | 一种基于卡尔曼滤波融合的风速序列预测方法 | |
Zhu et al. | Integrated data-driven power system transient stability monitoring and enhancement | |
Ren et al. | A super-resolution perception-based incremental learning approach for power system voltage stability assessment with incomplete PMU measurements | |
Ning | Data driven artificial intelligence techniques in renewable energy system | |
Zhukov et al. | A hybrid artificial neural network for voltage security evaluation in a power system | |
Skolthanarat et al. | Short-term load forecasting algorithm and optimization in smart grid operations and planning | |
Rosli et al. | Predictive maintenance of air booster compressor (ABC) motor failure using artificial neural network trained by particle swarm optimization | |
Neto et al. | Big data analytics of smart grids using artificial intelligence for the outliers correction at demand measurements | |
CN105225167A (zh) | 一种连锁故障序列识别***及方法 | |
Yamashita et al. | Predicting power system voltage health index with PMUs and graph convolutional networks | |
CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
Wang et al. | Accurate prediction of RUL under uncertainty conditions: Application to the traction system of a high-speed train | |
Shazdeh et al. | An adaptive data-driven method based on fuzzy logic for determining power system voltage status | |
Jiangxia et al. | A combination prediction model for wind farm output power | |
Alhanaf et al. | Fault Detection and Classification in Ring Power System with DG Penetration Using Hybrid CNN-LSTM | |
JP2022035998A (ja) | コントローラの意思決定論理の性能を監視するための方法および監視システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20141105 Termination date: 20180227 |
|
CF01 | Termination of patent right due to non-payment of annual fee |