CN112183805A - 一种输电线路在线巡视结果状态的预测方法 - Google Patents
一种输电线路在线巡视结果状态的预测方法 Download PDFInfo
- Publication number
- CN112183805A CN112183805A CN201911337935.8A CN201911337935A CN112183805A CN 112183805 A CN112183805 A CN 112183805A CN 201911337935 A CN201911337935 A CN 201911337935A CN 112183805 A CN112183805 A CN 112183805A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- auc
- adopting
- power transmission
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000005540 biological transmission Effects 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 20
- 238000013145 classification model Methods 0.000 claims abstract description 4
- 238000011478 gradient descent method Methods 0.000 claims abstract description 4
- 238000007477 logistic regression Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 11
- 230000005855 radiation Effects 0.000 claims description 5
- 239000011248 coating agent Substances 0.000 claims description 3
- 238000000576 coating method Methods 0.000 claims description 3
- 239000012212 insulator Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000010801 machine learning Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于输电线路巡检技术领域,具体的说是涉及一种输电线路在线巡视结果状态的预测方法。本发明的方法主要包括:定期采集数据,生成训练样本数据,将样本数据集进行拆分,采用逻辑回归二元分类模型进行预测,建立模型,采用梯度下降法进行求解,对模型进行训练,采用AUC评价指标对模型进行评估,模型更新,即将前一时期采集数据训练得到的评估指标和当前采集数据得到的评估指标进行对比,根据大小判断是否用当前模型替代前一时期的模型。本发明的有益效果为:本发明采用机器学习技术,对输电线路在线巡检作业结果状态进行智能的评估预测,以支撑智能化的作业排班和计划生成。
Description
技术领域
本发明属于输电线路巡检技术领域,具体的说是涉及一种输电线路在线巡视结果状态的预测方法。
背景技术
输电通道安全是影响供电安全的根本,但输电通道通常位于原始森林、无人区等复杂环境下,因此对输电通道的巡检是相关部门的重难点工作之一。传统模式下,对输电通道的巡视主要以人工巡视、定期的直升机、无人机巡视等方式进行,存在难度大、成本高、效率低等问题。而随着物联网技术、网络通信技术、大数据技术的快速发展,以及国家电网关于泛在电力物联网的提出,通过输电线路上传感器、在线监测设备实现对输电线路远程巡视的方式得到广泛应用。
因为在线巡视作业的核心是利用分布在输电塔基上的巡视设备完成巡视作业,因此在线巡视面临着作业数量多、网络通道占用等问题,所以作业的调度和计划生成也更加困难。以大数据、人工智能技术为基础实现自动、智能化的输电线路在线巡视作业,是解决人工驱动作业流程中存在的低效、标准化不足、智能化程度低的一种趋势。
在线巡视作业是利用分布在输电通道上的众多巡视设备完成通道环境、塔基及部件的周期性或临时性巡视,巡视完成的标准是:按照标准完成现场照片拍摄或视频录制、并智能地对巡视对象健康状态进行评估。但由于受到设备健康状态、气象条件、作业类型、网络信号干扰等多种因素的影响,下发的巡视任务并不能每次都成功。为了确保数据驱动在线巡视作业流程的智能化和完整性,在巡视任务下发前对任务执行结果能否成功进行预测评估是必要的。
机器学习是从数据中学习知识并转化为***智能的一种技术,近年来随着数据挖掘、大数据和人工智能等概念的兴起和发展,机器学习被广泛应用于各行各业。比如,锅炉状态评估、纺织机状态预测、物联网设备健康诊断等。这些研究和应用显示了机器学习技术在设备作业方面的应用价值。与此同时,在作业结果预测领域,有研究将集成学习、决策树等方法应用于“云计算”中的作业调度。这些研究和应用,并未解决在线巡视作业场景中特征提取、模型构建的相关问题,也缺少对作业结果状态预测中机器学习“冷启动”以及模型优化学习机制讨论。
发明内容
本发明围绕输电线路在线巡检领域的特点,在生成巡视作业计划前对巡视作业结果状态(是否成功)进行预测的问题,形成一种以机器学习进行结果状态评估的建模和预测方法。
为实现上述目的,本发明采用如下技术方案:
一种输电线路在线巡视结果状态的预测方法,包括以下步骤:
S1、定期采集数据,包括作业区域天气预报数据、设备历史在线巡视作业执行记录和作业结果状态数据;
S2、生成训练样本数据,从步骤S1采集的数据中提取特征数据形成输入特征,具体为从作业区域天气预报数据和设备历史在线巡视作业执行记录中提取白天是否降雨、白天是否晴、白天是否多云、当天最高温度、当天最低温度、当天最大风速、当天最大风向、前n天总降雨量、前n天是否降雨、前n天的平均光辐射、最近1个月任务失败比例,最近1个月的日最低电量平均值、是否覆冰作业、是否山火巡视作业、是否绝缘子巡视作业、是否进行巡视作业和任务数量形成输入特征x′i,从作业结果状态数据中获取作业完成结果标记数据yi,下标i指第i个作业,生成训练样本数据集为data={(x′1,y1),(x′2,y2),…,(x′n,yn)},其中,yi∈{0,1},i=1,2,…,n,n是样本总数;
S3、将样本数据集进行拆分,具体为:
S31、对数据集data的位置索引I={1,2,…,n}随机打乱,得到随机后索引为I′={i1,i2,…,in};
S32、依次对I′r={i|yi==r}随机拆分成5份子集,r∈{0,1},i∈I′,标记为I′r,c,c∈{0,1,…,5};
S33、生成数据子集索引I′c=I′0,c∪I′1,c;
S34、生成训练集Trainl和测试集Testl:
其中,l,c∈{1,2,…,5}且l=c;
其中,l(θ)表示对数似然函数,x′i代表第i个样本的输入特征,yi表示第i个样本的目标值;
S5、设定目标为获得使代价函数J(θ)最小的参数θ,采用梯度下降法进行求解,参数更新公式为:
其中j表示第j个参数的权重,α为常量,在训练集Trainl,l∈{1,2,…,5}上进行参数求解得到模型modell;
S6、采用AUC评价指标对模型进行评估:将modell应用于Testl(l∈{1,2,…,5})数据上得到预测结果predl,根据预测结果与Testl的真实值计算得到模型的评价指标aucl,获得最终评价指标:
S7、采用步骤S5在全部数据集data上进行参数求解得到模型model;
S8、模型更新:步骤S1中为定期采集数据,将前一时期采集数据并通过上述步骤得到的模型和评价指标定义为modelold、aucold,将当前时期采集数据并通过上述步骤得到的模型和评价指标定义为modelnew、aucnew,判断aucnew>aucold是否成立,若是,则用modelnew替换modelold,用modelnew进行预测,否则用modelold进行预测。
本发明的有益效果为:本发明采用机器学习技术,对输电线路在线巡检作业结果状态进行智能的评估预测,以支撑智能化的作业排班和计划生成。
具体实施方式
下面对本发明进行进一步详细说明。
本发明针对在线巡视作业结果状态预测的业务场景和模型需要,对数据采集、特征工程、目标变量处理等相关问题进行了解决。
1、数据采集
围绕作业结果状态预测建模的需要,数据采集通过对历史巡视任务执行时影响作业完成的因素数据、作业完成结果状态两方面数据的采集。
1)影响作业完成的因素数据主要包括:
A.通过气象部门获取关于作业区域的未来一段时间(7-10天)的天气预报数据,包括:温度、白天天气类型、夜间天气类型、湿度、风速、风向、光辐射数据。
B.作业设备状态感知及稳定性,主要通过对设备历史在线巡视作业执行记录、设备心跳监测数据进行度量。
C.作业类型、任务量、巡视对象三个作业基本属性,这部分数据主要来源于作业本身。
D.通信网络因素数据,包括巡视设备间组网拓扑关系数据。
2)作业结果状态数据是对历史进行的作业任务完成情况进行记录,是进行模型训练和学习的目标值,记为yi。
通过对历史在线巡视作业时1)、2)中数据的采集,形成训练数据用于模型训练。当数据不能满足模型训练时,业务专家依据1)中数据,生成对作业完成情况的专家经验估计,并以此完成后续巡视任务计划制定。
2、特征工程
在本发明中,特征工程主要围绕作业完成结果状态预测的需要进行特征设计提取、特征数据预处理。
1)特征设计和提取
以采集的影响作业完成的因素数据为基础进行特征设计和提取,特征标记为xi,k(第i个作业,第k个特征)。
A.气象预报类特征:当天白天天气类型、当天最高/最低温度、当天最大风速、当天主要风向、前n天总降雨量、前n天是否降雨、前n天的平均光辐射。
B.作业设备稳定性特征:最近1个月任务失败比例,最近1个月的日最低电量平均值。
C.作业属性特征,包括作业类型、任务数量。
2)特征数据预处理
xi,k(i,k∈N)的类型包括字符型、数值型和布尔型三种。本发明针对不同的类型进行相应的预处理,转换后的特征数据记为x′i,k。
A.字符型特征,如当天白天天气类型包含“晴”、“雨”、“多云”属性值。本发明对这类特征指标的预处理采用稀疏属性值合并、one-hot编码两步进行处理,保证处理结果在模型训练、预测应用上的一致性。
B.对数值型特征,如当天最高温度为37摄氏度,前n天总降雨量为0毫升。本发明对这类特征采用min-max归一化方法进行无量纲处理。
C.布尔型特征,如前n天是否降雨。本发明中不单独进行处理。
最终形成输入特征x′i包括:白天是否降雨、白天是否晴、白天是否多云、当天最高温度、当天最低温度、当天最大风速、当天最大风向、前n天总降雨量、前n天是否降雨、前n天的平均光辐射、最近1个月任务失败比例,最近1个月的日最低电量平均值、是否覆冰作业、是否山火巡视作业、是否绝缘子巡视作业、是否进行巡视作业、任务数量。
3)训练样本数据集生成
将转换后的特征数据x′i与作业完成结果标记数据yi进行关联匹配,生成训练样本数据集data={(x′1,y1),(x′2,y2),…,(x′n,yn)}。其中,yi∈{0,1}(i=1,2,…,n),n是样本总数。
3、模型构建及评估
本发明围绕在线巡视作业结果状态预测的目标,在data上采用监督学习技术进行模型构建。
1)数据拆分
本发明采用5-折交叉检验方法对模型进行评估。由于训练数据中负样本(作业状态为“未完成”)比例很小,因此本发明采用“分层随机拆分”的方式进行数据集拆分。具体流程如下:
A.对数据集data的位置索引I={1,2,…,n}随机打乱。得到随机后索引为I′={i1,i2,…,in}(ij∈I)。
B.依次对I′r={i|yi==r}(r∈{0,1},i∈I′)随机拆分成5份子集,标记为I′r,c(c∈{0,1,…,5})。
C.生成数据子集索引I′c=I′0,c∪I′1,c(c∈{1,…,5})。
2)模型构建
模型的代价函数:
3)模型训练
利用数据拆分的结果生成训练集和测试集:
其中,l,c∈{1,2,…,5}且l=c。
A.参数求解
为了求得使代价函数J(θ)最小的参数θ,本发明采用梯度下降法进行求解,参数更新公式为:
其中j表示第j个参数的权重,n表示样本总数,α为常量。
在训练集Trainl,l∈{1,2,…,5}上进行参数求解得到模型modell。
B.模型评估
由于正负样本比例的失衡,本发明采用AUC评价指标对模型进行评估。具体过程为:将modell应用于Testl(l∈{1,2,…,5})数据上得到预测结果predl,根据预测结果与Testl的真实值计算得到模型的评价指标aucl。
C.最终模型
利用A参数求解步骤在全部数据集data上进行参数求解得到模型model。
4、模型管理及发布机制
1)模型迭代训练
随着在线巡视作业任务增加相应样本数据会逐渐增加,通过定期利用本发明的流程对模型进行训练迭代。生成模型和5-折交叉验证的评估指标分为别model、auc。
2)模型上线部署机制
若原有现在应用模型和评价指标分别为modelonline、auconline。则:
当auc>auconline,用model替换modelonline。
Claims (1)
1.一种输电线路在线巡视结果状态的预测方法,其特征在于,包括以下步骤:
S1、定期采集数据,包括作业区域天气预报数据、设备历史在线巡视作业执行记录和作业结果状态数据;
S2、生成训练样本数据,从步骤S1采集的数据中提取特征数据形成输入特征,具体为从作业区域天气预报数据和设备历史在线巡视作业执行记录中提取白天是否降雨、白天是否晴、白天是否多云、当天最高温度、当天最低温度、当天最大风速、当天最大风向、前n天总降雨量、前n天是否降雨、前n天的平均光辐射、最近1个月任务失败比例,最近1个月的日最低电量平均值、是否覆冰作业、是否山火巡视作业、是否绝缘子巡视作业、是否进行巡视作业和任务数量形成输入特征x′i,从作业结果状态数据中获取作业完成结果标记数据yi,下标i指第i个作业,生成训练样本数据集为data={(x′1,y1),(x′2,y2),…,(x′n,yn)},其中,yi∈{0,1},i=1,2,…,n,n是样本总数;
S3、将样本数据集进行拆分,具体为:
S31、对数据集data的位置索引I={1,2,…,n}随机打乱,得到随机后索引为I′={i1,i2,…,in};
S32、依次对I′r={i|yi==r}随机拆分成5份子集,r∈{0,1},i∈I′,标记为I′r,c,c∈{0,1,…,5};
S33、生成数据子集索引I′c=I′0,c∪I′1,c;
S34、生成训练集Trainl和测试集Testl:
其中,l,c∈{1,2,…,5}且l=c;
其中,l(θ)表示对数似然函数,x′i代表第i个样本的输入特征,yi表示第i个样本的目标值;
S5、设定目标为获得使代价函数J(θ)最小的参数θ,采用梯度下降法进行求解,参数更新公式为:
其中j表示第j个参数的权重,α为常量,在训练集Trainl,l∈{1,2,…,5}上进行参数求解得到模型modell;
S6、采用AUC评价指标对模型进行评估:将modell应用于Testl(l∈{1,2,…,5})数据上得到预测结果predl,根据预测结果与Testl的真实值计算得到模型的评价指标aucl,获得最终评价指标:
S7、采用步骤S5在全部数据集data上进行参数求解得到模型model;
S8、模型更新:步骤S1中为定期采集数据,将前一时期采集的数据并通过上述步骤得到的模型和评价指标定义为modelold、aucold,将当前时期采集的数据并通过上述步骤得到的模型和评价指标定义为modelnew、aucnew,判断aucnew>aucold是否成立,若是,则用modelnew替换modelold,用modelnew进行预测,否则用modelold进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911337935.8A CN112183805B (zh) | 2019-12-23 | 2019-12-23 | 一种输电线路在线巡视结果状态的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911337935.8A CN112183805B (zh) | 2019-12-23 | 2019-12-23 | 一种输电线路在线巡视结果状态的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112183805A true CN112183805A (zh) | 2021-01-05 |
CN112183805B CN112183805B (zh) | 2023-10-24 |
Family
ID=73918780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911337935.8A Active CN112183805B (zh) | 2019-12-23 | 2019-12-23 | 一种输电线路在线巡视结果状态的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183805B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113902314A (zh) * | 2021-10-14 | 2022-01-07 | 成都卡普数据服务有限责任公司 | 一种融合专家知识的输电线路环境风险评估方法 |
CN118245723A (zh) * | 2024-05-24 | 2024-06-25 | 上海海能信息科技股份有限公司 | 一种输电线路实时热等效风速计算方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103455708A (zh) * | 2013-07-24 | 2013-12-18 | 安徽省电力科学研究院 | 基于卫星及气象信息的输电线路灾害监测与风险评估平台 |
CN105989542A (zh) * | 2015-01-30 | 2016-10-05 | 国家电网公司 | 一种基于模糊支持向量机的继电保护状态在线评价方法 |
CN106786560A (zh) * | 2017-02-14 | 2017-05-31 | 中国电力科学研究院 | 一种电力***稳定特征自动提取方法及装置 |
CN108174165A (zh) * | 2018-01-17 | 2018-06-15 | 重庆览辉信息技术有限公司 | 电力安全作业及运维智能监管***及方法 |
CN109003254A (zh) * | 2018-05-28 | 2018-12-14 | 南方电网科学研究院有限责任公司 | 基于逻辑回归覆冰检测方法、装置、设备、***及介质 |
US20190370684A1 (en) * | 2018-06-01 | 2019-12-05 | Sas Institute Inc. | System for automatic, simultaneous feature selection and hyperparameter tuning for a machine learning model |
US20190377625A1 (en) * | 2018-06-08 | 2019-12-12 | Microsoft Technology Licensing, Llc | Computing node failure and health prediction for cloud-based data center |
-
2019
- 2019-12-23 CN CN201911337935.8A patent/CN112183805B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103455708A (zh) * | 2013-07-24 | 2013-12-18 | 安徽省电力科学研究院 | 基于卫星及气象信息的输电线路灾害监测与风险评估平台 |
CN105989542A (zh) * | 2015-01-30 | 2016-10-05 | 国家电网公司 | 一种基于模糊支持向量机的继电保护状态在线评价方法 |
CN106786560A (zh) * | 2017-02-14 | 2017-05-31 | 中国电力科学研究院 | 一种电力***稳定特征自动提取方法及装置 |
CN108174165A (zh) * | 2018-01-17 | 2018-06-15 | 重庆览辉信息技术有限公司 | 电力安全作业及运维智能监管***及方法 |
CN109003254A (zh) * | 2018-05-28 | 2018-12-14 | 南方电网科学研究院有限责任公司 | 基于逻辑回归覆冰检测方法、装置、设备、***及介质 |
US20190370684A1 (en) * | 2018-06-01 | 2019-12-05 | Sas Institute Inc. | System for automatic, simultaneous feature selection and hyperparameter tuning for a machine learning model |
US20190377625A1 (en) * | 2018-06-08 | 2019-12-12 | Microsoft Technology Licensing, Llc | Computing node failure and health prediction for cloud-based data center |
Non-Patent Citations (1)
Title |
---|
杨航: "城市电网输变电设备状态检修在线决策***研究与应用" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113902314A (zh) * | 2021-10-14 | 2022-01-07 | 成都卡普数据服务有限责任公司 | 一种融合专家知识的输电线路环境风险评估方法 |
CN118245723A (zh) * | 2024-05-24 | 2024-06-25 | 上海海能信息科技股份有限公司 | 一种输电线路实时热等效风速计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112183805B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107341349B (zh) | 风机健康评估的方法、***、存储器及控制器 | |
CN108320043B (zh) | 一种基于电力大数据的配电网设备状态诊断预测方法 | |
CN112749904B (zh) | 基于深度学习的配电网故障风险预警方法及*** | |
CN110533331B (zh) | 一种基于输电线路数据挖掘的故障预警方法和*** | |
CN106709662A (zh) | 一种电力设备运行工况划分方法 | |
CN110689171A (zh) | 一种基于e-lstm的汽轮机健康状态预测方法 | |
CN112733462A (zh) | 一种结合气象因素的超短期风电场功率预测方法 | |
CN102982393B (zh) | 一种输电线路动态容量的在线预测方法 | |
CN113962988A (zh) | 基于联邦学习的电力巡检图像异常检测方法及*** | |
CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
CN112183805B (zh) | 一种输电线路在线巡视结果状态的预测方法 | |
CN111160626B (zh) | 一种基于分解融合的电力负荷时间序列控制方法 | |
CN113657662B (zh) | 一种基于数据融合的降尺度风电功率预测方法 | |
CN115796434A (zh) | 一种用于配电网的管控方法、装置、电子设备及存储介质 | |
CN112100904B (zh) | 一种基于icoa-bpnn的分布式光伏电站有功功率虚拟采集方法 | |
CN116599151A (zh) | 基于多源数据的源网储荷安全管理方法 | |
CN112819189A (zh) | 一种基于历史预测值的风力出力预测方法 | |
CN109165770A (zh) | 基于AFSA-Elman的新型光伏功率预测方法 | |
CN112215410A (zh) | 基于改进深度学习的电力负荷预测方法 | |
CN116245418A (zh) | 一种基于数据挖掘的智慧工地安全风险评估方法 | |
CN102175202A (zh) | 一种基于模糊逻辑的覆冰厚度预测方法 | |
CN104298706A (zh) | 一种基于数据挖掘的输电杆塔塔材实际强度计算方法 | |
CN105741184B (zh) | 一种变压器状态评估方法及装置 | |
CN112531679A (zh) | 一种测负荷特征大数据监测设备及监测方法 | |
CN117172983A (zh) | 一种基于遥感技术的植被生态水储量监测*** |
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 |