CN112434929B - 一种配电变压器抗风险能力评估方法 - Google Patents
一种配电变压器抗风险能力评估方法 Download PDFInfo
- Publication number
- CN112434929B CN112434929B CN202011306418.7A CN202011306418A CN112434929B CN 112434929 B CN112434929 B CN 112434929B CN 202011306418 A CN202011306418 A CN 202011306418A CN 112434929 B CN112434929 B CN 112434929B
- Authority
- CN
- China
- Prior art keywords
- distribution transformer
- data
- neural network
- network model
- sample
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000009466 transformation Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 abstract description 6
- 238000012937 correction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Probability & Statistics with Applications (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种配电变压器抗风险能力评估方法,所述方法包括:采用K均值聚类算法对若干组配变运行数据进行聚类,获取K类数据样本;计算所述K类数据样本中每一类数据样本的配变停电故障概率;构建BP神经网络模型,利用所述K类数据样本对所述BP神经网络模型进行训练,得到训练后的BP神经网络模型;以所述K类数据样本中每一类数据样本的配变停电故障概率为影响因素,将待测试样本集导入所述训练后的BP神经网络模型进行学习,输出所述待测试样本集的配变风险等级预测结果。本发明可有效规避和防范配电变压器的停运风险,且极大程度地缩短评估间隔周期。
Description
技术领域
本发明涉及电力技术领域,尤其涉及一种配电变压器抗风险能力评估方法。
背景技术
电力变压器的可靠性是指其在电力***中继续安全稳定运行的能力。作为电网的关键设备之一,变压器的健康状态关系到整个电网的安全和稳定性,一旦发生故障,极有可能导致电力中断,造成巨大的经济损失。而配电变压器(以下简称配变)故障停运是配电网运行管理中较常见但又难以防范的一类问题,突然停运的直接后果是其供电客户的停电、用电体验和满意度下降,并带来经济损失和电网运行风险,其安全运行是保证电网供电可靠的必备条件。因此,综合考虑多重因素对变压器进行全面准确的可靠性评估,并及时制定相应的检修策略,尽可能避免因变压器运行异常导致的损失和危害,攻克电力变压器运行状态的健康管理和故障预警等关键技术,对于提升其预防和应对故障的能力、保障电网安全稳定运行具有重要的理论意义与实用价值。
发明内容
本发明的目的在于克服现有技术的不足,本发明提供了一种配电变压器抗风险能力评估方法,可有效规避和防范配电变压器的停运风险,且极大程度地缩短评估间隔周期。
为了解决上述问题,本发明提出了一种配电变压器抗风险能力评估方法,所述方法包括:
采用K均值聚类算法对若干组配变运行数据进行聚类,获取K类数据样本;
计算所述K类数据样本中每一类数据样本的配变停电故障概率;
构建BP神经网络模型,利用所述K类数据样本对所述BP神经网络模型进行训练,得到训练后的BP神经网络模型;
以所述K类数据样本中每一类数据样本的配变停电故障概率为影响因素,将待测试样本集导入所述训练后的BP神经网络模型进行学习,输出所述待测试样本集的配变风险等级预测结果。
可选的,所述配变运行数据包括重过载时长、当天最大有功负载率、平均有功负载率、严重三相不平衡率、服役年限、气候类型和故障标识F,其中故障标识F=1表示发生停电故障、F=0表示未发生停电故障。
可选的,所述采用K均值聚类算法对若干组配变运行数据进行聚类,获取K类数据样本包括:
假定含有n条负荷曲线对象的数据集为X={x1,x2,...,xn},其中任意一个对象xi(i=1,2,...n)具有m个特征属性,从所述数据集X中随机选择k个对象作为初始聚类中心且记为c1,c2,...,ck,并形成所述数据集X的k个聚类簇为C1,C2,...,Ck;
以所述初始聚类中心c1,c2,...,ck为划分参考,基于欧式距离计算公式对所述数据集X进行初始划分与迭代更新,获取最终聚类中心;
基于误差平方和准则函数对所述数据集X的聚类性能进行评价,获取K类数据样本。
可选的,所述计算所述K类数据样本中每一类数据样本的配变停电故障概率包括:
统计所述K类数据样本中每一类数据样本的样本总数和其中对应故障标识F为1的样本数量;
计算每一类数据样本的配变停电故障概率为:
其中,Nk为第k类数据样本所包含的样本总数,Nfk为第k类数据样本中故障标识F为1的样本数量。
可选的,所述构建BP神经网络模型包括:
选取BP神经网络模型中的输入层节点数和输出层节点数;
基于试凑法,确定所述BP神经网络模型中的隐含层节点数;
以对数型的S函数作为激活函数,在区间(0,1)内对网络中的权值和阈值进行初始化,并选取softmax函数作为输出层的激活函数。
可选的,所述利用所述K类数据样本对所述BP神经网络模型进行训练,得到训练后的BP神经网络模型包括:
以所述K类数据样本作为训练样本输入,计算所述BP神经网络模型中隐含层的输入值与输出值,以及输出层的输入值与输出值;
计算所述BP神经网络模型的训练误差,并判断所述训练误差是否小于预设阈值;
若所述训练误差大于等于所述预设阈值,则对所述权值和所述阈值进行修正,并再次输入训练样本对所述BP神经网络模型进行迭代训练;
若所述训练误差小于所述预设阈值,则输出训练后的BP神经网络模型。
可选的,所述以所述K类数据样本中每一类数据样本的配变停电故障概率为影响因素,将待测试样本集导入所述训练后的BP神经网络模型进行学习,输出所述待测试样本集的配变风险等级预测结果包括:
将所述待测试样本集输入所述训练后的BP神经网络模型,预测出所述待测试样本集所对应的聚类类型以及配变停电故障概率;
计算所述待测试样本集中每一个待测试样本的配变风险值,并对配电变压器的配变风险等级进行划分确认。
在本发明实施例中,通过从配电网大数据平台直接调取历史高温月份的配变运行数据,在缺乏实时设备运行工况信息的情况下也能对配变进行精度较高的风险评估,可实现风险评估工作开展的便利性与随时性;通过结合K均值聚类算法与BP神经网络模型来完成配电变压器的分类与风险评估,在保障可有效规避和防范配电变压器停运风险的同时,也极大程度地缩短评估间隔周期。
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是本发明实施例中的配电变压器抗风险能力评估方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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它实施例,都属于本发明保护的范围。
请参阅图1,图1示出了本发明实施例中的配电变压器抗风险能力评估方法的流程示意图。
如图1所示,一种配电变压器抗风险能力评估方法,所述方法包括:
S101、采用K均值聚类算法对若干组配变运行数据进行聚类,获取K类数据样本;
本发明实施过程包括:
(1)基于电力公司所搭建的公用变压器监测***可通过安装在配电台区的各个配变监测终端对相应配电变压器的配变运行数据进行实时采集,技术人员首先利用该公用变压器监测***完成对若干组配变运行数据的统计任务,且所述配变运行数据包括重过载时长、当天最大有功负载率、平均有功负载率、严重三相不平衡率、服役年限、气候类型和故障标识F,其中故障标识F=1表示发生停电故障、F=0表示未发生停电故障;
(2)假定含有n条负荷曲线对象的数据集为X={x1,x2,...,xn},其中任意一个对象xi(i=1,2,...n)具有m个特征属性,从所述数据集X中随机选择k个对象作为初始聚类中心且记为c1,c2,...,ck,并形成所述数据集X的k个聚类簇为C1,C2,...,Ck;
(3)以所述初始聚类中心c1,c2,...,ck为划分参考,基于欧式距离计算公式对所述数据集X进行初始划分与迭代更新,获取最终聚类中心;
在本发明实施例中,若d(xi,cp)<d(xi,cq),i=1,2,...,n,p≠q,则将数据对象xi划分到聚类中心cp所在的类中;其中,d(xi,xj)表示数据对象xi到数据对象xj之间的欧式距离,相应的计算公式为:
此时,计算出新的聚类中心c′i为:
重新执行聚类中心更新计算,直至对于任意i(i=1,2,....,n)所对应的c′i均不再发生变化时,以当前不变的c′i作为最终聚类中心。
(4)基于误差平方和准则函数对所述数据集X的聚类性能进行评价,获取K类数据样本,其中所述误差平方和准则函数的定义公式为:
式中,E为各数据对象的均方差总和,p为数据集X中的数据对象,k为各聚类簇所包含的对象个数;由经验取值进行实验,取训练结果中E值最小时所对应的k值作为最终聚类数K,得到K类数据样本。
S102、计算所述K类数据样本中每一类数据样本的配变停电故障概率;
本发明实施过程为:统计所述K类数据样本中每一类数据样本的样本总数和其中对应故障标识F为1的样本数量;再计算每一类数据样本的配变停电故障概率为:
其中,Nk为第k类数据样本所包含的样本总数,Nfk为第k类数据样本中故障标识F为1的样本数量。
S103、构建BP神经网络模型,利用所述K类数据样本对所述BP神经网络模型进行训练,得到训练后的BP神经网络模型;
本发明实施过程包括:
(1)选取BP神经网络模型中的输入层节点数和输出层节点数;
具体的,所述输入层节点数与所述输出层节点数均需要根据具体选取的样本情况而定,本发明选取数据集X作为输入样本,设定所述输入层节点数为7,而目标输出是配变对应聚类类型Y,设定所述输出层节点数为1。
(2)基于试凑法,确定所述BP神经网络模型中的隐含层节点数;
具体的,利用试凑法确定所述隐含层节点数时,应从小节点数进行尝试,选择符合最终预测结果精度的节点数,需要注意的是,所述隐含层节点数的选取需要尽量小于n-1(n为训练样本数)。
(3)以对数型的S函数作为激活函数,在区间(0,1)内对网络中的权值和阈值进行初始化,并选取softmax函数作为输出层的激活函数;
(4)以所述K类数据样本作为训练样本输入,计算所述BP神经网络模型中隐含层的输入值与输出值,以及输出层的输入值与输出值;
具体的,所述隐含层第i个节点的输入值为:
所述隐含层第i个节点的输出值为:
所述输出层第k个节点的输入值为:
所述输出层第k个节点的输出值为:
其中,xj为输入层第j个节点的输入,wij为输入层第j(j=1,...,M)个节点到隐含层第i(i=1,...,n)个节点之间的权值,n为隐含层节点数,M为输入层节点数,θi为隐含层第i个节点的阈值,φ为隐含层的激励函数;wki为隐含层第i个节点到输出层第k(k=1,...,L)个节点之间的权值,L为输出层节点数;bk为输出层第k个节点的阈值,ψ为输出层的激励函数。
(5)计算所述BP神经网络模型的训练误差,并判断所述训练误差是否小于预设阈值;
具体的,首先计算所述训练误差为:
其次,根据技术人员所设定的预设阈值,对所述BP神经网络模型的训练结果进行验证,相应的验证结果包括:若所述训练误差大于等于所述预设阈值,则对所述权值和所述阈值进行修正,并再次输入训练样本对所述BP神经网络模型进行迭代训练,即返回上述步骤(4)执行;若所述训练误差小于所述预设阈值,则输出训练后的BP神经网络模型。
其中,针对所述权值和所述阈值的修正结果如下:
A.所述输出层的权值修正公式为:
B.所述输出层的阈值修正公式为:
C.所述隐含层的权值修正公式为:
D.所述隐含层的阈值修正公式为:
S104、以所述K类数据样本中每一类数据样本的配变停电故障概率为影响因素,将待测试样本集导入所述训练后的BP神经网络模型进行学习,输出所述待测试样本集的配变风险等级预测结果。
本发明实施过程包括:
(1)将所述待测试样本集输入所述训练后的BP神经网络模型,预测出所述待测试样本集所对应的聚类类型以及配变停电故障概率;
(2)计算所述待测试样本集中每一个待测试样本的配变风险值,并对配电变压器的配变风险等级进行划分确认。
具体的,所述待测试样本集中每一个待测试样本的配变风险值为:
其中,Di为第i个待测试样本的风险值,Ai为第i个待测试样本的配变重要度等级,PTi为第i个待测试样本的配变停电故障概率,Fi为第i个待测试样本的社会影响因素;
其次,根据计算所得的配变风险值大小,可将配电变压器划分为高风险(70%及以上)、中风险(40%~70%)、低风险(20%~40%)与可接受风险(20%以下)这四个等级。
在本发明实施例中,通过从配电网大数据平台直接调取历史高温月份的配变运行数据,在缺乏实时设备运行工况信息的情况下也能对配变进行精度较高的风险评估,可实现风险评估工作开展的便利性与随时性;通过结合K均值聚类算法与BP神经网络模型来完成配电变压器的分类与风险评估,在保障可有效规避和防范配电变压器停运风险的同时,也极大程度地缩短评估间隔周期。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
以上对本发明实施例所提供的一种配电变压器抗风险能力评估方法进行了详细介绍,本文中采用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种配电变压器抗风险能力评估方法,其特征在于,所述方法包括:
采用K均值聚类算法对若干组配变运行数据进行聚类,获取K类数据样本;
计算所述K类数据样本中每一类数据样本的配变停电故障概率;
构建BP神经网络模型,利用所述K类数据样本对所述BP神经网络模型进行训练,得到训练后的BP神经网络模型;
以所述K类数据样本中每一类数据样本的配变停电故障概率为影响因素,将待测试样本集导入所述训练后的BP神经网络模型进行学习,输出所述待测试样本集的配变风险等级预测结果;
所述构建BP神经网络模型包括:
选取BP神经网络模型中的输入层节点数和输出层节点数;
基于试凑法,确定所述BP神经网络模型中的隐含层节点数;
以对数型的S函数作为激活函数,在区间(0,1)内对网络中的权值和阈值进行初始化,并选取softmax函数作为输出层的激活函数;
所述利用所述K类数据样本对所述BP神经网络模型进行训练,得到训练后的BP神经网络模型包括:
以所述K类数据样本作为训练样本输入,计算所述BP神经网络模型中隐含层的输入值与输出值,以及输出层的输入值与输出值;
计算所述BP神经网络模型的训练误差,并判断所述训练误差是否小于预设阈值;
若所述训练误差大于等于所述预设阈值,则对所述权值和所述阈值进行修正,并再次输入训练样本对所述BP神经网络模型进行迭代训练;
若所述训练误差小于所述预设阈值,则输出训练后的BP神经网络模型;
所述以所述K类数据样本中每一类数据样本的配变停电故障概率为影响因素,将待测试样本集导入所述训练后的BP神经网络模型进行学习,输出所述待测试样本集的配变风险等级预测结果包括:
将所述待测试样本集输入所述训练后的BP神经网络模型,预测出所述待测试样本集所对应的聚类类型以及配变停电故障概率;
计算所述待测试样本集中每一个待测试样本的配变风险值,并对配电变压器的配变风险等级进行划分确认。
2.根据权利要求1所述的配电变压器抗风险能力评估方法,其特征在于,所述配变运行数据包括重过载时长、当天最大有功负载率、平均有功负载率、严重三相不平衡率、服役年限、气候类型和故障标识F,其中故障标识F=1表示发生停电故障、F=0表示未发生停电故障。
3.根据权利要求1所述的配电变压器抗风险能力评估方法,其特征在于,所述采用K均值聚类算法对若干组配变运行数据进行聚类,获取K类数据样本包括:
假定含有n条负荷曲线对象的数据集为X={x1,x2,…,xn},其中任意一个对象xi(i=1,2,…n)具有m个特征属性,从所述数据集X中随机选择k个对象作为初始聚类中心且记为c1,c2,…,ck,并形成所述数据集X的k个聚类簇为C1,C2,…,Ck;
以所述初始聚类中心c1,c2,…,ck为划分参考,基于欧式距离计算公式对所述数据集X进行初始划分与迭代更新,获取最终聚类中心;
基于误差平方和准则函数对所述数据集X的聚类性能进行评价,获取K类数据样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011306418.7A CN112434929B (zh) | 2020-11-19 | 2020-11-19 | 一种配电变压器抗风险能力评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011306418.7A CN112434929B (zh) | 2020-11-19 | 2020-11-19 | 一种配电变压器抗风险能力评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112434929A CN112434929A (zh) | 2021-03-02 |
CN112434929B true CN112434929B (zh) | 2023-04-18 |
Family
ID=74692766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011306418.7A Active CN112434929B (zh) | 2020-11-19 | 2020-11-19 | 一种配电变压器抗风险能力评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112434929B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751229A (zh) * | 2015-04-13 | 2015-07-01 | 辽宁大学 | 一种改进bp神经网络估值的缺失数据轴承故障诊断方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040106113A1 (en) * | 2002-10-24 | 2004-06-03 | Mike West | Prediction of estrogen receptor status of breast tumors using binary prediction tree modeling |
CN107274067B (zh) * | 2017-05-22 | 2023-05-23 | 国网江西省电力公司电力科学研究院 | 一种配电变压器过载风险评估方法 |
CN108090608A (zh) * | 2017-12-13 | 2018-05-29 | 上海海事大学 | 一种基于bp神经网络的岸桥状态预测方法 |
-
2020
- 2020-11-19 CN CN202011306418.7A patent/CN112434929B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751229A (zh) * | 2015-04-13 | 2015-07-01 | 辽宁大学 | 一种改进bp神经网络估值的缺失数据轴承故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
Kai Xu等.Suitability evaluation of urban construction land based on geo-environmental factors of Hangzhou,China.《Computers & Geosciences》.2011,第37卷(第8期),第992-1002页. * |
Also Published As
Publication number | Publication date |
---|---|
CN112434929A (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106908674B (zh) | 一种基于多状态量预测的变压器状态评估方法 | |
CN113313371B (zh) | 配电网风险评估方法、装置、计算机设备及存储介质 | |
CN112001644B (zh) | 一种配电网运行可靠性检测方法、装置、终端及存储介质 | |
CN113554526A (zh) | 电力设备的故障预警方法、装置、存储介质及处理器 | |
CN115796708B (zh) | 一种工程建设用的大数据智能质检方法、***和介质 | |
CN107305651B (zh) | 一种输电***可靠性评估方法和*** | |
Dong | Combining unsupervised and supervised learning for asset class failure prediction in power systems | |
CN115684792A (zh) | 一种基于人工智能的电气自动化设备检测*** | |
CN112198375A (zh) | 单相用户的相位识别方法、装置、设备和存储介质 | |
CN116794510A (zh) | 故障预测方法、装置、计算机设备和存储介质 | |
CN114862229A (zh) | 电能质量评估方法、装置、计算机设备和存储介质 | |
CN117674119A (zh) | 电网运行风险评估方法、装置、计算机设备和存储介质 | |
CN112434929B (zh) | 一种配电变压器抗风险能力评估方法 | |
CN110807014B (zh) | 一种基于交叉验证的台区数据异常甄别方法和装置 | |
CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
CN116756540A (zh) | 电网静态安全风险的预测方法、装置、设备及存储介质 | |
CN117671812A (zh) | 基站巡检优先级量化评估方法、装置和电子设备 | |
CN114239868A (zh) | 开关柜绝缘劣化程度检测方法、装置、设备和程序产品 | |
CN114662589A (zh) | 一种电表故障研判方法、装置、设备和可读存储介质 | |
CN107508279B (zh) | 一种电力网络的稳定性仿真方法 | |
CN112241812A (zh) | 基于单边优化与遗传算法协作的低压配电网拓扑识别方法 | |
CN112001073A (zh) | 一种牵引供电***的可靠性分析研究方法 | |
CN115330559B (zh) | 一种信息数据时空协同的配电网弹性评估方法和装置 | |
CN117217502B (zh) | 一种电网调度影响因素评估方法、装置、介质以及设备 | |
CN115829543B (zh) | 基于故障需检区间的电力设备预防性试验有效性确定方法 |
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 |