CN111179576A - 一种具有归纳学习的用电信息采集故障诊断方法及*** - Google Patents
一种具有归纳学习的用电信息采集故障诊断方法及*** Download PDFInfo
- Publication number
- CN111179576A CN111179576A CN201911122502.0A CN201911122502A CN111179576A CN 111179576 A CN111179576 A CN 111179576A CN 201911122502 A CN201911122502 A CN 201911122502A CN 111179576 A CN111179576 A CN 111179576A
- Authority
- CN
- China
- Prior art keywords
- fault
- model
- matrix
- membership
- information acquisition
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C25/00—Arrangements for preventing or correcting errors; Monitoring arrangements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q2209/00—Arrangements in telecontrol or telemetry systems
- H04Q2209/60—Arrangements in telecontrol or telemetry systems for transmitting utility meters data, i.e. transmission of data from the reader of the utility meter
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种具有归纳学习的用电信息采集故障诊断方法及***,此***是在模糊综合诊断的基础上通过权重系数将五种不同评判模型的诊断结果综合在一起,让用电信息采集故障诊断结果更加准确。同时本发明通过模拟基于大数据时代的人类认知学习过程来对权重系数进行确定以及不断的反馈修改,从而使这种新型用电信息采集故障诊断***具有归纳学习能力。另外,本发明还使用了一种新型的确定隶属矩阵的确定方法,在集值统计的基础上采取用电信息采集***存储的多维用电异常量来综合确定隶属矩阵。让其既具有专家评判的主观因素又具有客观存在事实部分,从而使隶属矩阵更为科学准确。
Description
技术领域
本发明涉及一种故障异常分析***,具体涉及一种对电网中用电信息采集***出现的异常现象进行分析诊断***。
背景技术
目前用电信息采集***建设基本建全,累计接入智能电能表4.2亿只、采集终端1263.84万台,覆盖用户3.86亿户,但是,如何保证采集***中各项业务的顺利开展,是目前用电信息采集***要解决的主要问题。其中主要存在一个突出问题:故障种类复杂多样,故障诊断定位困难。用电信息采集***涉及的运维目标有:智能电能表、采集终端、采集主站、通信信道。目前统计的异常现象共七大类59种,故障原因98种。故障诊断定位非常困难,因此对异常现象的智能处理显得尤为重要。
故障分析定位主要采用普通的技术人员进行定位故障原因的方法,然而这种方法由于普通的技术人员通常不具备定位故障的技术,通常故障分析定位的准确度差且时效性不好同时也增加了工作强度,并没充分利用已建好的用电信息采集***中的大数据。
名词解释:
故障异常多维数据指标:当用电信信息采集***发生故障时,往往伴随着多个采集参数发生异常以及出现多种异常情况,将这些数据指标统称为故障异常多维数据指标。
隶属度最大原则:最大隶属原则是模糊数学的基本原则之一,它是用模糊集理论进行模型识别的一种直接方法,对于n个实际模型,可以表示为论域X上的n个模糊子集A1,A2,…,An,x0∈X为一具体识别对象,如果有i0≤n,使Ai0(x0)=max(A1(x0),A2(x0),…,An(x0)),则称x0相对隶属于Ai0。
发明内容
针对现有技术存在的不足,本发明目的是提供一种利用多维数据对用电信息采集***故障原因模糊综合分析同时具有学习能力的***,使得用电信息采集***发生异常时不需要人工评估确认,减小了工作强度,提高了工作效率,同时避免了因人员技术不足导致判断错误,能够确保故障定位的准确性以及时效性。
为了实现上述目的,本新型发明是通过如下的技术方案来实现:
一种具有归纳学习的用电信息采集故障诊断方法,其特征在于,包括如下步骤:
步骤一、根据用电信息采集***历史故障异常多维数据指标确立故障异常指标矩阵A=|a1,a2,…an|,n=59,an表示第n中故障异常指标;
所述隶属度矩阵R通过如下式建立:
ε取[0,1]之间的数,i表示第i个故障异常现象,j表示第j个故障原因,rij表示异常现象ai与指定的故障原因bj的隶属度;s表示参与基于集值统计专家判断的专家总人数,r1表示专家对rij给出的范围下限,r2表示专家对rij给出的范围上限,di表示基于集值统计的专家判断主观部分的可信度,ci表示基于集值统计的专家判断客观部分的可信度;k表示第k个专家;
隶属度矩阵R是由两部分组成,一部分是基于集值统计的专家判断主观部分:即:选择s个的专家对指定的异常现象ai与指定的故障原因bj的隶属度rij进行判定,给出rij的范围(r1 k,r2 k),其中k表示第k个专家,一般限定r1 k和r2 k的范围是[0,1]。然后通过对专家给出的意见样本进行求取意见分歧度gi,gi计算公式如下:
步骤三、将主因素决定模型,取小上界求和模型,加权平均模型,主因素突出模型,均衡平均模型对应的故障原因集B1,B2,B3,B4,B5整合到总的故障原因集B=x1·B1+x2·B2+x3·B3+x4·B4+x5·B5;其中x1,x2,x3,x4,x5分别为权重系数;将发生故障的故障异常指标矩阵A与对应的隶属度矩阵R代入总的故障原因集B中,根据隶属度最大原则选出最有可能的故障原因作为判断出的故障原因即选择故障原因集B中的最大值。
主因素决定模型:
A·R=B1=|(a1∨r11)∧(a2∨r21)∧…∧(an∨rn1),…,(a1∨r1m)∧(a2∨r2m)∧…∧(an∨rnm)|
式中,∧表示两个元素取最小值的运算符,∨表示两个元素取最大值的运算符;
取小上界求和模型:
A·R=B2=|(a1∨r11)+(a2∨r21)+…+(an∨rn1),…,(a1∨r1m)+(a2∨r2m)+…+(an∨rnm)|
式中,∧与∨与上述含义一致。
加权平均模型:
A·R=B3=|(a1·r11)+(a2·r21)+…+(an·rn1),…,(a1·r1m)+(a2·r2m)+…+(an·rnm)|
此模型的计算方法与矩阵乘法计算方法完全一样。
主因素突出模型:
A·R=B4=|(a1·r11)∨(a2·r21)∨…∨(an·rn1),…,(a1·r1m)∨(a2·r2m)∨…∨(an·rnm)|
式中,·表示乘法运算符,∨表示两个元素取最大值的运算符。
均衡平均模型:
式中,c1=r11+r21+…+rn1;cm=r1m+r2m+…+rnm;∧表示两个元素取最小值的运算符。
进一步的改进,x1,x2,x3,x4,x5通过机器学***均模型、主因素突出模型和均衡平均模型中,根据以往故障的实际情况统计出各个模型在训练中的犯错次数mi,对于在一次故障中可能出现多个原因时:最后根据错误次数mi来初步确定相应的经验权重系数xi(i=1、2、3、4、5),其中
式中,mi表示第i个评判模型的总评判不准次数;M表示校验历史故障总次数即训练次数。
进一步的改进,ai按照异常指标的四个等级来进行划分,即:0,0.2,0.5,0.8,参见图2。
一种具有归纳学习的用电信息采集故障诊断***,包括输入单元、建模单元、训练单元和输出单元;输入单元用于输入故障异常指标矩阵A和隶属度矩阵R和历史故障异常多维数据;建模单元用于建立总的故障原因集B=x1·B1+x2·B2+x3·B3+x4·B4+x5·B5;训练单元用于训练得到x1,x2,x3,x4,x5的值;输出单元用于根据输入的发生故障的故障异常指标矩阵A输出故障原因。
本发明是一种具有归纳学习的用电信息采集故障诊断***,其是在模糊综合评判的基础上进行改进,让其具有时刻学习的功能从而提高***的准确性。主要包括以下几个内容:根据用电信息采集***历史故障异常多维数据指标(59个)建立统一的等级标准,以便确立故障异常指标矩阵A。
以集值统计法为基础,把***发生的多维故障数据作为客观部分加入集值统计法中,建立一个即有主观评价又有客观事实的异常现象与故障原因相对应的隶属度矩阵R(59,98)。
一个具有模仿人工学***均模型,主因素突出模型,均衡平均模型的判断结果)。
***的整个工作过程可描述为***初始化,***训练学习,故障实际诊断,结果反馈纠正。参见图1,其中***初始化是导入用电信息采集***中的历史故障异常数据指标,通过本发明提出的一种新型方法建立故障异常指标矩阵A以及故障异常指标与故障原因的隶属度矩阵R;***训练学习是利用大量历史故障数据对五种判断模型和隶属度矩阵R进行不断准确度判断最终确定相应的权重系数;故障诊断即实际运用到现场异常分析;结果反馈是指诊断结果不符合实际情况则反馈给***,对其权重系数进行重新训练或修改。
本发明可以避免人工判断故障原因,大大减小了工作强度,提高了工作效率,因有模拟人工自主训练学习和纠正的过程能够确保诊断***的准确化和快速化,智能化。
附图说明
图1为本发明用电信息采集故障诊断***过程原理图;
图2为本发明一种基于客观事实隶属度矩阵的确定流程图;
图3为本发明用电信息采集故障诊断***的模拟人工智能训练流程示意图;
图4为本发明用电信息采集故障诊断***模拟人工自主纠错的程序流程图;
图5为本发明一个故障诊断模型的原理图;
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
一、隶属度矩阵R可通过如下式建立:
ε·取[0,1]之间的数,此***取ε为0.5。
隶属度矩阵R是由两部分组成,其中一部分是基于集值统计的专家判断主观部分即:选这数量合适s个(100名左右)的专家以及经验丰富的员工对指定的异常现象ai与指定的故障原因bj的隶属度rij进行判定,给出相应的范围(r1 k,r2 k),其中k表示第k个专家,一般限定r1 k和r2 k的范围是[0,1]。然后通过对专家给出的意见样本进行求取意见分歧度gi,其计算公式如下:
另一部分是既定事实的客观部分其中每一个隶属度矩阵元素rij所对应的ci是通过上述已得客观部分的隶属度矩阵R去验证以往的历史故障数据,通过其结果的准确度来确定ci的大小,其算法流程图参见图2。具体的实现步骤可概括为:根据隶属度矩阵R中的每个元素rij的行数与列数所分别对应的故障异常指标(现象)和故障原因,在以往故障数据中寻找由该故障原因导致的故障数据,并在所找的故障异常现象中对元素rij所对应的故障异常现象进行故障异常指标矩阵A的元素ai的等级划分。然后累计历史故障中元素rij所对应的故障异常指标矩阵A的元素ai,以及计算并累计每次故障中ai与rij之差,最后计算以上二者的商,即为ci。通过上述方法即可确定用电信息采集故障诊断***中隶属度矩阵R中各部分元素大小。
二、故障故障异常指标矩阵A的确定:将发生故障的异常指标(现象)划分为5个等级,即:正常、较正常、较异常、非常异常;所对应的级数为0,0.2,0.5,0.8;需要对以往出现故障时每个不同异常指标进行量化,从而划分相应等级所对应指标的范围,故可在每次发生故障时。根据所对应不同等级指标的范围,按照故障异常指标的数值大小确定本次故障故障异常指标矩阵A。
三、基于模糊综合评判模型,采用经验权重系数将主因素决定模型,取小上界求和模型,加权平均模型,主因素突出模型,均衡平均模型的各种判断结果整合到一个最终结果中,克服了单个模型不能适应于现实复杂的故障环境。即:根据故障原因集B=A·R,可确定故障原因集B中各个故障原因所对应元素的大小,从而选择最大值所对应的故障原因作为本次故障原因。把某次故障异常指标矩阵A与隶属度矩阵R代入五个评判模型中去得到相应的故障原因集B1,B2,B3,B4,B5,最后得出总的故障原因集B=x1·B1+x2·B2+x3·B3+x4·B4+x5·B5,本用电信息采集故障诊断***采用了一种新型评判模型,此模型是整合了五种不同的评判模型的结果。例如故障异常指标矩阵A=|a1,a2|,隶属度矩阵其中五个不同的评判模型的计算方法可表述为:
1、主因素决定模型:A·R=B1=|(a1∨r11)∧(a2∨r21),(a1∨r12)∧(a2∨r22)|式中,∧表示两个元素取最小值的运算符,∨表示两个元素取最大值的运算符。
2、取小上界求和模型:A·R=B2=|(a1∨r11)+(a2∨r21),(a1∨r12)+(a2∨r22)|式中,∧与∨与上述含义一致。
3、加权平均模型:A·R=B3=|(a1·r11)+(a2·r21),(a1·r12)+(a2·r22)|此模型的计算方法与矩阵乘法计算方法完全一样。
4、主因素突出模型:A·R=B4=|(a1·r11)∨(a2·r21),(a1·r12)∨(a2·r22)|式中,·表示乘法运算符,∨表示两个元素取最大值的运算符。
其中各模型所对应的权重系数x1,x2,x3,x4,x5是通过用电***提供的多维大数据统计监测和运行反馈修正来确定,从而使这个模型均有人类初级学习能力。参见图3,首先确定训练命令s1,s2,s3,s4,s5(***初始化时均设为1)与训练次数M(代入历史故障数据的循环次数);然后导入在第一步已经确定的故障异常指标与故障原因隶属度矩阵R,再根据大数据提供的不同故障数据,确定每次发生不同故障的故障异常指标矩阵A;其次根据训练指令s1,s2,s3,s4,s5将每次故障异常指标矩阵A和隶属度矩阵R代入需训练的模型中,根据以往故障的实际情况统计出各个模型在训练中的错误次数m1,m2,m3,m4,m5(对于在一次故障中可能出现多个原因时,mi将不再是累加1,而是);最后根据错误次数mi来初步确定相应的经验权重系数x1,x2,x3,x4,x5,其中xi计算公式可参考下式:
式中,mi表示第i个评判模型的总评判不准次数;M表示校验历史故障总次数。
对于已经训练好的诊断***可以给其输入一个异常指标矩阵A,即可输出一组相应的故障原因集B,根据隶属度最大原则就可选出最有可能的故障原因。然后与实际现场情况对比,若判断正确即可不用进行纠正,清空内存。准备下次故障诊断;若判断错误则找出相应的判错模型并对其单独进行训练,从而修正其相关经验权重系数,以实现***反馈修正功能,具体的算法流程参见图4。
综上所述,本发明用电信息采集故障诊断***的具体工作过程如下:首先采用一种新型基于专家集值统计与大数据甄别的方法确定用电信息采集***故障指标与故障原因的隶属度矩阵R,再采用分级处理的方法,即对以往出现故障时每个不同异常指标进行量化,从而划分出4个不同异常等级所对应指标的范围,确定每次故障的各项指标异常度矩阵A;然后通过以往的故障数据计算各种故障的矩阵A,并将其代入5中不同的判定模型中,根据各种模型的判定成功率确定其各自初始的权重系数,至此***初始化完成;最后,根据***发生的故障进行故障指标异常度划分以建立***异常故障现象矩阵A,将其代入判定模型得出故障原因,然后将判定结果反馈给***,依据判定结果再对判定模型进行训练调整其权重系数,让***的判定更加准确。
以上显示和描述了本发明的基本原理和主要特征以及本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种具有归纳学习的用电信息采集故障诊断方法,其特征在于,包括如下步骤:
步骤一、根据用电信息采集***历史故障异常多维数据指标确立故障异常指标矩阵A=|a1,a2,…an|,n=59,an表示第n中故障异常指标;
所述隶属度矩阵R通过如下式建立:
ε取[0,1]之间的数,i表示第i个故障异常现象,j表示第j个故障原因,rij表示异常现象ai与指定的故障原因bj的隶属度;s表示参与基于集值统计专家判断的专家总人数,r1表示专家对rij给出的范围下限,r2表示专家对rij给出的范围上限,di表示基于集值统计的专家判断主观部分的可信度,ci表示基于集值统计的专家判断客观部分的可信度;k表示第k个专家;
隶属度矩阵R是由两部分组成,一部分是基于集值统计的专家判断主观部分:即:选择s个的专家对指定的异常现象ai与指定的故障原因bj的隶属度rij进行判定,给出rij的范围(r1 k,r2 k),其中k表示第k个专家,一般限定r1 k和r2 k的范围是[0,1];然后通过对专家给出的意见样本进行求取意见分歧度gi,gi计算公式如下:
步骤三、将主因素决定模型,取小上界求和模型,加权平均模型,主因素突出模型,均衡平均模型对应的故障原因集B1,B2,B3,B4,B5整合到总的故障原因集B=x1·B1+x2·B2+x3·B3+x4·B4+x5·B5;其中x1,x2,x3,x4,x5分别为权重系数;将发生故障的故障异常指标矩阵A与对应的隶属度矩阵R代入总的故障原因集B中,根据隶属度最大原则选出最有可能的故障原因作为判断出的故障原因即选择故障原因集B中的最大值。
主因素决定模型:
A·R=B1=|(a1∨r11)∧(a2∨r21)∧…∧(an∨rn1),…,(a1∨r1m)∧(a2∨r2m)∧…∧(an∨rnm)|
式中,∧表示两个元素取最小值的运算符,∨表示两个元素取最大值的运算符;
取小上界求和模型:
A·R=B2=|(a1∨r11)+(a2∨r21)+…+(an∨rn1),…,(a1∨r1m)+(a2∨r2m)+…+(an∨rnm)|
式中,∧与∨与上述含义一致;
加权平均模型:
A·R=B3=|(a1·r11)+(a2·r21)+…+(an·rn1),…,(a1·r1m)+(a2·r2m)+…+(an·rnm)|
此模型的计算方法与矩阵乘法计算方法完全一样;
主因素突出模型:
A·R=B4=|(a1·r11)∨(a2·r21)∨…∨(an·rn1),…,(a1·r1m)∨(a2·r2m)∨…∨(an·rnm)|
式中,·表示乘法运算符,∨表示两个元素取最大值的运算符;
均衡平均模型:
式中,c1=r11+r21+…+rn1;cm=r1m+r2m+…+rnm;∧表示两个元素取最小值的运算符。
4.如权利要求1所述的所述的具有归纳学习的用电信息采集故障诊断方法,其特征在于,ai按照异常指标的四个等级来进行划分,即:0,0.2,0.5,0.8。
5.一种具有归纳学习的用电信息采集故障诊断***,其特征在于,包括输入单元、建模单元、训练单元和输出单元;输入单元用于输入故障异常指标矩阵A和隶属度矩阵R和历史故障异常多维数据;建模单元用于建立总的故障原因集B=x1·B1+x2·B2+x3·B3+x4·B4+x5·B5;训练单元用于训练得到x1,x2,x3,x4,x5的值;输出单元用于根据输入的发生故障的故障异常指标矩阵A输出故障原因。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911122502.0A CN111179576B (zh) | 2019-11-15 | 2019-11-15 | 一种具有归纳学习的用电信息采集故障诊断方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911122502.0A CN111179576B (zh) | 2019-11-15 | 2019-11-15 | 一种具有归纳学习的用电信息采集故障诊断方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111179576A true CN111179576A (zh) | 2020-05-19 |
CN111179576B CN111179576B (zh) | 2021-08-31 |
Family
ID=70655395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911122502.0A Active CN111179576B (zh) | 2019-11-15 | 2019-11-15 | 一种具有归纳学习的用电信息采集故障诊断方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111179576B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113959476A (zh) * | 2021-12-22 | 2022-01-21 | 北京为准智能科技有限公司 | 一种智能化仪器仪表检定***及方法 |
CN115037603A (zh) * | 2022-05-31 | 2022-09-09 | 国网湖南省电力有限公司 | 用电信息采集设备的诊断评估方法、装置及*** |
CN116125298A (zh) * | 2022-11-28 | 2023-05-16 | 伏瓦科技(苏州)有限公司 | 电池故障检测方法及装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0795307A (ja) * | 1993-09-21 | 1995-04-07 | Omron Corp | 自動通報装置の送信機 |
US6915239B2 (en) * | 2001-01-19 | 2005-07-05 | International Business Machines Corporation | Method and apparatus for opportunistic decision support from intermittent interconnected sensors and data archives |
EP2940891A1 (en) * | 2012-12-27 | 2015-11-04 | Panasonic Intellectual Property Corporation of America | Information communication method |
CN106056314A (zh) * | 2016-06-29 | 2016-10-26 | 李明洋 | 一种智能配电网风险评估方法 |
CN106875105A (zh) * | 2017-01-23 | 2017-06-20 | 东北大学 | 一种考虑复合故障风险的配电网差异化规划方法 |
CN107203947A (zh) * | 2017-05-22 | 2017-09-26 | 武汉大学 | 一种数字化变电站继电保护***状态评价方法 |
CN107490760A (zh) * | 2017-08-22 | 2017-12-19 | 西安工程大学 | 基于遗传算法改进模糊神经网络的断路器故障诊断方法 |
CN108931713A (zh) * | 2018-05-24 | 2018-12-04 | 广州供电局有限公司 | 电缆局放检测装置选型方法及装置 |
CN109243178A (zh) * | 2018-11-14 | 2019-01-18 | 上海应用技术大学 | 一种不良气候条件下城镇公路交通安全分析与评价方法 |
CN110020815A (zh) * | 2019-05-07 | 2019-07-16 | 云南电网有限责任公司 | 一种基于网络层次分析法的电网节点综合脆弱性指标计算方法 |
CN110110977A (zh) * | 2019-04-19 | 2019-08-09 | 广西电网有限责任公司钦州供电局 | 一种基于改进主成分-层次分析的配电网评估方法 |
CN110286333A (zh) * | 2019-06-18 | 2019-09-27 | 哈尔滨理工大学 | 一种锂动力电池***故障诊断方法 |
CN110333414A (zh) * | 2019-08-02 | 2019-10-15 | 华北电力大学(保定) | 电力变压器多层次状态评估方法 |
-
2019
- 2019-11-15 CN CN201911122502.0A patent/CN111179576B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0795307A (ja) * | 1993-09-21 | 1995-04-07 | Omron Corp | 自動通報装置の送信機 |
US6915239B2 (en) * | 2001-01-19 | 2005-07-05 | International Business Machines Corporation | Method and apparatus for opportunistic decision support from intermittent interconnected sensors and data archives |
EP2940891A1 (en) * | 2012-12-27 | 2015-11-04 | Panasonic Intellectual Property Corporation of America | Information communication method |
CN106056314A (zh) * | 2016-06-29 | 2016-10-26 | 李明洋 | 一种智能配电网风险评估方法 |
CN106875105A (zh) * | 2017-01-23 | 2017-06-20 | 东北大学 | 一种考虑复合故障风险的配电网差异化规划方法 |
CN107203947A (zh) * | 2017-05-22 | 2017-09-26 | 武汉大学 | 一种数字化变电站继电保护***状态评价方法 |
CN107490760A (zh) * | 2017-08-22 | 2017-12-19 | 西安工程大学 | 基于遗传算法改进模糊神经网络的断路器故障诊断方法 |
CN108931713A (zh) * | 2018-05-24 | 2018-12-04 | 广州供电局有限公司 | 电缆局放检测装置选型方法及装置 |
CN109243178A (zh) * | 2018-11-14 | 2019-01-18 | 上海应用技术大学 | 一种不良气候条件下城镇公路交通安全分析与评价方法 |
CN110110977A (zh) * | 2019-04-19 | 2019-08-09 | 广西电网有限责任公司钦州供电局 | 一种基于改进主成分-层次分析的配电网评估方法 |
CN110020815A (zh) * | 2019-05-07 | 2019-07-16 | 云南电网有限责任公司 | 一种基于网络层次分析法的电网节点综合脆弱性指标计算方法 |
CN110286333A (zh) * | 2019-06-18 | 2019-09-27 | 哈尔滨理工大学 | 一种锂动力电池***故障诊断方法 |
CN110333414A (zh) * | 2019-08-02 | 2019-10-15 | 华北电力大学(保定) | 电力变压器多层次状态评估方法 |
Non-Patent Citations (6)
Title |
---|
H. XING, A. QIAN, C.R. ROBERT, H. WENTAO, P. LONGJIAN ET AL: "A big data architecture design for smart grids based on Random Matrix Theory", 《IEEE TRANSACTIONS ON SMART GRID,》 * |
孟宪尧: "基于模糊信息多级融合的故障诊断", 《大连海事大学学报》 * |
朱奇: "基于多因素权重分析的输电线路灾害预警评估模型研究", 《中国优秀硕士学位论文全文数据库》 * |
李典阳: "智能配电网故障诊断及自愈控制方法研究", 《中国优秀硕士学位论文全文数据库》 * |
甘伟: "基于模糊逻辑推理的汽车故障诊断***的研究与设计", 《中国优秀硕士学位论文全文数据库》 * |
顾兆军、辛倩: "熵权神经网络的信息***安全评估", 《计算机工程与设计》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113959476A (zh) * | 2021-12-22 | 2022-01-21 | 北京为准智能科技有限公司 | 一种智能化仪器仪表检定***及方法 |
CN115037603A (zh) * | 2022-05-31 | 2022-09-09 | 国网湖南省电力有限公司 | 用电信息采集设备的诊断评估方法、装置及*** |
CN116125298A (zh) * | 2022-11-28 | 2023-05-16 | 伏瓦科技(苏州)有限公司 | 电池故障检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111179576B (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN111179576B (zh) | 一种具有归纳学习的用电信息采集故障诊断方法及*** | |
CN106055918B (zh) | 一种电力***负荷数据的辨识及修正方法 | |
CN109308571B (zh) | 配电线路线变关系检测方法 | |
CN106651169A (zh) | 基于模糊综合评价的配电自动化终端状态评价方法及*** | |
CN110222991B (zh) | 基于rf-gbdt的计量装置故障诊断方法 | |
CN110879377B (zh) | 基于深度信念网络的计量装置故障溯源方法 | |
CN107741578B (zh) | 智能电能表运行误差远程校准的原始抄表数据处理方法 | |
CN110619479B (zh) | 光伏组件的故障判别模型建模方法及故障判别方法 | |
CN106443566B (zh) | 基于大数据推演的电能计量装置误差检测方法及*** | |
CN112859822A (zh) | 基于人工智能的设备健康分析及故障诊断的方法及*** | |
CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及*** | |
CN109934469A (zh) | 基于异源交叉回归分析的停电敏感度预警方法及装置 | |
CN108304931A (zh) | 一种变电设备状态检修故障诊断方法 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
CN114548509A (zh) | 一种多能源***多类型负荷联合预测方法及*** | |
CN113987294A (zh) | 一种基于遗传优化gru神经网络的cvt在线故障诊断方法 | |
CN110874685A (zh) | 基于神经网络的智能电能表运行状态判别方法及*** | |
CN116679211A (zh) | 一种锂电池健康状态的预测方法 | |
CN114626769B (zh) | 一种电容式电压互感器运维方法及*** | |
CN112633556A (zh) | 一种基于混合模型的短期电力负荷预测方法 | |
CN110443481B (zh) | 基于混合k-近邻算法的配电自动化终端状态评价***及方法 | |
CN110851784A (zh) | 一种现场运行电能表的预警方法 | |
CN113327047B (zh) | 基于模糊综合模型的电力营销服务渠道决策方法及*** | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及*** |
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 |