CN112836436A - 一种基于概率图模型的配电网线路风险量化预测方法 - Google Patents
一种基于概率图模型的配电网线路风险量化预测方法 Download PDFInfo
- Publication number
- CN112836436A CN112836436A CN202110232397.7A CN202110232397A CN112836436A CN 112836436 A CN112836436 A CN 112836436A CN 202110232397 A CN202110232397 A CN 202110232397A CN 112836436 A CN112836436 A CN 112836436A
- Authority
- CN
- China
- Prior art keywords
- power distribution
- distribution network
- probability
- network line
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 10
- 238000013024 troubleshooting Methods 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000011002 quantification Methods 0.000 claims description 5
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于概率图模型的配电网线路风险量化预测方法,包括以下步骤:收集配电网线路相关的的数据,包括配电网线路的网架结构、历史运行数据、历史故障检修数据;对配电网线路相关的的数据进行预处理;基于网架结构和专家经验,构建概率图模型的模型结构;基于历史运行数据和历史故障检修数据,对概率图模型进行训练,确定随机变量之间的条件概率表;基于训练完成的所述概率图模型,对目标配电网线路发生故障的概率进行预测。本发明通过利用概率图模型对电网运行相关数据进行全面分析,训练得到故障预测模型,该模型能够给出配电网线路在未来一定时期内发生故障的概率大小,为运维检修工作的开展提供了更有力的依据。
Description
技术领域
本申请涉及电力行业信息化技术领域,尤其涉及一种基于概率图模型的配电网线路风险量化预测方法。
背景技术
作为供电***的重要组成部分,配电网直接连接用电用户,这就对其运行的安全性与稳定性提出了更高的要求。配电网的特点包括:(1)设备的种类与数量众多,且它们之间的连接关系多样,形成了复杂的网络拓扑结构;(2)由于配电网中的设备安装密集,部分信号数据传输距离长,监测数据易失准;(3)大部分设备直接暴露在自然环境中,其运行效果容易受到诸多自然因素的影响。
从配电网的上述特点可以看出,一旦配电网发生故障,不仅难以定位发生故障的具体设备,而且要进行停电检修时还可能会因为不明确具体线路的供电范围而切断正常用户的电力供应。因此,相比于故障发生后进行修复,故障发生前进行精准预测并及时检修,不但能够有效降低运维成本,更能提高用电用户的满意度。
通过对目前的研究工作进行分析可知,大多数研究将配点网的故障预测视为一个分类问题,输出的预测结果粗略地分为“有故障”和“无故障”两种,无法实现对发生故障的可能性进行精细化预测。
发明内容
本申请提供了一种基于概率图模型的配电网线路风险量化预测方法,以解决大多数研究将配点网的故障预测视为一个分类问题,输出的预测结果粗略地分为“有故障”和“无故障”两种,无法实现对发生故障的可能性进行精细化预测的问题。
本申请采用的技术方案如下:
本发明提供了一种基于概率图模型的配电网线路风险量化预测方法,包括以下步骤:
收集配电网线路相关的的数据,包括配电网线路的网架结构、历史运行数据、历史故障检修数据;
对配电网线路相关的的数据进行预处理;
基于所述网架结构和专家经验,构建概率图模型的模型结构;
基于所述历史运行数据和所述历史故障检修数据,对所述概率图模型进行训练,确定随机变量之间的条件概率表;
基于训练完成的所述概率图模型,对目标配电网线路发生故障的概率进行预测。
进一步地,所述预处理包括:
缺失值的处理,包括缺失值的填充、删除;
异常值的处理,包括异常值的识别、删除、更改;
进一步地,不一致值的处理,包括将不一致值统一化。
所述训练完成的所述概率图模型包括:
各个随机变量以及它们之间的转移关系;
具有转移关系的随机变量之间的转移概率表。
进一步地,所述构建概率图模型的模型结构具体为:构建概率图模型中的贝叶斯网络的模型结构。
进一步地,基于所述历史运行数据和所述历史故障检修数据,对所述概率图模型进行训练,确定随机变量之间的条件概率表,包括:
基于所述历史运行数据和所述历史故障检修数据,对所述贝叶斯网络的模型结构进行训练,确定随机变量之间的条件概率表。
进一步地,基于训练完成的所述概率图模型,对目标配电网线路发生故障的概率进行预测,包括:
将收集到的配电网线路相关的的新数据进行预处理;
将预处理后的收集到的配电网线路相关的的新数据输入训练完成的所述概率图模型;
得到目标配电网线路发生故障的概率量化数值。
进一步地,基于训练完成的所述概率图模型,对目标配电网线路发生故障的概率进行预测,包括:
将收集到的配电网线路相关的的新数据进行预处理;
将预处理后的收集到的配电网线路相关的的新数据输入训练完成的所述概率图模型;
得到目标配电网线路发生故障的概率量化数值。
采用本申请的技术方案的有益效果如下:
本发明的一种基于概率图模型的配电网线路风险量化预测方法,包括以下步骤:收集配电网线路相关的的数据,包括配电网线路的网架结构、历史运行数据、历史故障检修数据;对配电网线路相关的的数据进行预处理;基于网架结构和专家经验,构建概率图模型的模型结构;基于历史运行数据和所述历史故障检修数据,对概率图模型进行训练,确定随机变量之间的条件概率表;基于训练完成的所述概率图模型,对目标配电网线路发生故障的概率进行预测。
本发明利用机器学习与人工智能的方法,对配电网线路发生故障可能性的预测视为分类任务,通过利用概率图模型对电网运行相关数据进行全面分析,训练得到故障预测模型,该模型能够给出配电网线路在未来一定时期内发生故障的概率大小,为运维检修工作的开展提供了更有力的依据。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,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他的附图。
图1为本发明一实施例的一种基于概率图模型的配电网线路风险量化预测方法的流程图;
图2为本发明一实施例的一种基于概率图模型的配电网线路风险量化预测方法中的故障预测模型的流程图;
图3为本发明一实施例的一种基于概率图模型的配电网线路风险量化预测方法中的贝叶斯网络结构示意图。
具体实施方式
下面将详细地对实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的***和方法的示例。
参见图1至图3。
本申请提供的一种基于概率图模型的配电网线路风险量化预测方法,包括以下步骤:
S01:收集配电网线路相关的的数据,包括配电网线路的网架结构、历史运行数据、历史故障检修数据;
配电网故障预测主要针对的是具有较长发展周期的趋势性故障、具有累积效应的故障及具一定统计规律的故障等,它以当前设备或***的状态为起点,结合已知测试对象的结构特性、运行参数、气象因素、环境条件及历史数据等,对其未来的状态进行预测,从而预知配电网风险,提前检修或预案,保障配电网稳定安全运行。
本发明实际上是采用机器学习的方法对配电网线路发生故障的可能性进行预测,因此,首先需要收集并预处理与此任务相关的数据。
S02:对配电网线路相关的的数据进行预处理;
预处理的目标是使收集到的数据更加的规范,以便于模型的利用。其中,所述预处理包括:
缺失值的处理,包括缺失值的填充、删除;
异常值的处理,包括异常值的识别、删除、更改;
不一致值的处理,包括将不一致值统一化;
其中,在不一致值的处理中,基于字典表进行映射到同一表示标准下。例如,对于“电压等级”性,有的表示为“22”,有的表示为“AC100221”,通过字典表,将它们都转化为“22kV”。
预处理后的数据能够便于模型更容易识别出不同类样本之间的特点。
S03:基于所述网架结构和专家经验,构建概率图模型的模型结构;
所述构建概率图模型的模型结构具体为:构建概率图模型中的贝叶斯网络的模型结构。
本发明中利用概率图模型,具体地,利用概率图模型中的贝叶斯网络构建模型结构。贝叶斯网络被誉为目前处理不确定知识的表达和推理的最有效的模型之一。作为贝叶斯方法的扩展,贝叶斯网络本质上是一种有向图结构,是人工智能、图论、概率与统计理论以及决策分析等学科技术相互结合的产物,可以应用于依赖多种控制因素的决策,可以利用不完全、不精确的知识进行计算与推理。
作为一种概率图模型,贝叶斯网络的结构是一个有向无环图(Directed AcyclicGraph,DAG),其中,节点表示的是随机变量,该随机变量可以是任何问题的抽象表达,有向边表示的是随机变量之间的依赖关系。
贝叶斯网络的一个重要性质就是条件独立性假设,其内容为:贝叶斯网络中的每个节点Vi独立于由Vi的直接父节点给定的非Vi子节点构成的任何节点子集。用公示表示就是:
p(Vi|A(Vi),∏(Vi))=p(Vi|∏(Vi))
其中,Π(Vi)表示Vi的直接父节点,A(Vi)表示Π(Vi)的非Vi后代节点构成的任何子节点。
本发明对于贝叶斯网络结构的确定采用的是专家经验法,即基于专家经验来对贝叶斯网络中代表随机变量的节点和代表变量之间因果关系的联系进行判断。图3为贝叶斯网络的一个示意图。
S04:基于所述历史运行数据和所述历史故障检修数据,对概率图模型进行训练,确定随机变量之间的条件概率表;
基于所述历史运行数据和历史故障检修数据,对所述贝叶斯网络的模型结构进行训练,确定随机变量之间的条件概率表。
贝叶斯网络参数学习的核心目标是:给定网络的结构G和训练数据集D,利用先验知识,确定G中各个节点的条件概率分布。对于完备的训练数据集的学习,常见的学习方法包括:最大似然估计(Maximum Likelihood Estimation,MLE)和贝叶斯估计(BayesianEstimation,BE)。需要注意的是,这两种方法都要求数据集满足独立同分布的条件。
基于贝叶斯网络结构,利用标记的样本数据(历史运行数据和历史故障检修数据)对网络中每个节点的参数进行学习。在样本数据充足的情况下,有以下公式成立:
P(Xi|Pa(Xi),θi,Sk)=6ijk
其中,Num(Xi=xi)表示满足条件的样本的数量,θijk表示节点的概率分布。i遍历所有的节点,j遍历父节点Pa(Xi),k遍历节点Xi的所有取值状态,即:
S05:基于训练完成的所述概率图模型,对目标配电网线路发生故障的概率进行预测。
具体包括以下步骤:
将收集到的配电网线路相关的的新数据进行预处理;
将预处理后的收集到的配电网线路相关的的新数据输入训练完成的所述概率图模型;得到目标配电网线路发生故障的概率量化数值。
其中,所述训练完成的所述概率图模型包括:各个随机变量以及它们之间的转移关系以及具有转移关系的随机变量之间的转移概率表。
结合配电网***的特点,本发明创新了线路故障预警方法,利用贝叶斯网络结构来建立故障预测模型,以充分利用配电网复杂的拓扑信息;在预测结果上,模型输出的是发生故障的可能性的高低,更能为相关业务人员提供决策依据。
本发明利用机器学习与人工智能的方法,对配电网线路发生故障可能性的预测视为分类任务,通过利用概率图模型对电网运行相关数据进行全面分析,训练得到故障预测模型,该模型能够给出配电网线路在未来一定时期内发生故障的概率大小,为运维检修工作的开展提供了更有力的依据。
本申请提供的实施例之间的相似部分相互参见即可,以上提供的具体实施方式只是本申请总的构思下的几个示例,并不构成本申请保护范围的限定。对于本领域的技术人员而言,在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。
Claims (7)
1.一种基于概率图模型的配电网线路风险量化预测方法,其特征在于,包括以下步骤:
收集配电网线路相关的的数据,包括配电网线路的网架结构、历史运行数据、历史故障检修数据;
对配电网线路相关的的数据进行预处理;
基于所述网架结构和专家经验,构建概率图模型的模型结构;
基于所述历史运行数据和所述历史故障检修数据,对所述概率图模型进行训练,确定随机变量之间的条件概率表;
基于训练完成的所述概率图模型,对目标配电网线路发生故障的概率进行预测。
2.根据权利要求1所述的基于概率图模型的配电网线路风险量化预测方法,其特征在于,所述预处理包括:
缺失值的处理,包括缺失值的填充、删除;
异常值的处理,包括异常值的识别、删除、更改;
不一致值的处理,包括将不一致值统一化。
3.根据权利要求1所述的基于概率图模型的配电网线路风险量化预测方法,其特征在于,所述训练完成的所述概率图模型包括:
各个随机变量以及它们之间的转移关系;
具有转移关系的随机变量之间的转移概率表。
4.根据权利要求1所述的基于概率图模型的配电网线路风险量化预测方法,其特征在于,所述构建概率图模型的模型结构具体为:构建概率图模型中的贝叶斯网络的模型结构。
5.根据权利要求4所述的基于概率图模型的配电网线路风险量化预测方法,其特征在于,基于所述历史运行数据和所述历史故障检修数据,对所述概率图模型进行训练,确定随机变量之间的条件概率表,包括:
基于所述历史运行数据和所述历史故障检修数据,对所述贝叶斯网络的模型结构进行训练,确定随机变量之间的条件概率表。
6.根据权利要求1或5所述的基于概率图模型的配电网线路风险量化预测方法,其特征在于,基于训练完成的所述概率图模型,对目标配电网线路发生故障的概率进行预测,包括:
将收集到的配电网线路相关的的新数据进行预处理;
将预处理后的收集到的配电网线路相关的的新数据输入训练完成的所述概率图模型;
得到目标配电网线路发生故障的概率量化数值。
7.根据权利要求6所述的基于概率图模型的配电网线路风险量化预测方法,其特征在于,基于训练完成的所述概率图模型,对目标配电网线路发生故障的概率进行预测,包括:
将收集到的配电网线路相关的的新数据进行预处理;
将预处理后的收集到的配电网线路相关的的新数据输入训练完成的所述概率图模型;
得到目标配电网线路发生故障的概率量化数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110232397.7A CN112836436A (zh) | 2021-03-01 | 2021-03-01 | 一种基于概率图模型的配电网线路风险量化预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110232397.7A CN112836436A (zh) | 2021-03-01 | 2021-03-01 | 一种基于概率图模型的配电网线路风险量化预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112836436A true CN112836436A (zh) | 2021-05-25 |
Family
ID=75934421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110232397.7A Pending CN112836436A (zh) | 2021-03-01 | 2021-03-01 | 一种基于概率图模型的配电网线路风险量化预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836436A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114566964A (zh) * | 2022-04-29 | 2022-05-31 | 国网天津市电力公司电力科学研究院 | 一种配电网馈线自动化控制方法、装置、设备及存储介质 |
CN114841385A (zh) * | 2022-05-18 | 2022-08-02 | 广西电网有限责任公司 | 一种电网可视化检修预演的生成*** |
CN115796434A (zh) * | 2023-01-29 | 2023-03-14 | 北京飞利信信息安全技术有限公司 | 一种用于配电网的管控方法、装置、电子设备及存储介质 |
WO2024011745A1 (zh) * | 2022-07-11 | 2024-01-18 | 江苏辰午节能科技股份有限公司 | 一种基于油田网电设备的故障预警方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608634A (zh) * | 2015-11-09 | 2016-05-25 | 国网新疆电力公司 | 一种基于贝叶斯网络的电网风险预警评估模型 |
CN112116305A (zh) * | 2020-06-17 | 2020-12-22 | 中国电力科学研究院有限公司 | 一种用于机器学习的电网概率可视化模型构建方法和*** |
CN112182960A (zh) * | 2020-09-22 | 2021-01-05 | 国网内蒙古东部电力有限公司呼伦贝尔供电公司 | 基于贝叶斯网络的电力变压器状态风险评估的方法 |
-
2021
- 2021-03-01 CN CN202110232397.7A patent/CN112836436A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608634A (zh) * | 2015-11-09 | 2016-05-25 | 国网新疆电力公司 | 一种基于贝叶斯网络的电网风险预警评估模型 |
CN112116305A (zh) * | 2020-06-17 | 2020-12-22 | 中国电力科学研究院有限公司 | 一种用于机器学习的电网概率可视化模型构建方法和*** |
CN112182960A (zh) * | 2020-09-22 | 2021-01-05 | 国网内蒙古东部电力有限公司呼伦贝尔供电公司 | 基于贝叶斯网络的电力变压器状态风险评估的方法 |
Non-Patent Citations (4)
Title |
---|
杨长风等: "北斗卫星导航***智能运行维护理论与实践", 31 October 2020, 中国宇航出版社, pages: 180 - 181 * |
段其昌等: "贝叶斯网络在输电线路运行状态预测中的应用", 计算机科学, vol. 39, no. 11, pages 83 - 87 * |
法布里奇奥•里古齐: "概率逻辑程序设计:语言、语义、学习与推论", 30 June 2020, 机械工业出版社, pages: 21 - 23 * |
郭奕等: "Python工程应用:数据分析基础与实践", 31 January 2021, 西安电子科技大学出版社, pages: 153 - 157 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114566964A (zh) * | 2022-04-29 | 2022-05-31 | 国网天津市电力公司电力科学研究院 | 一种配电网馈线自动化控制方法、装置、设备及存储介质 |
CN114566964B (zh) * | 2022-04-29 | 2022-07-29 | 国网天津市电力公司电力科学研究院 | 一种配电网馈线自动化控制方法、装置、设备及存储介质 |
CN114841385A (zh) * | 2022-05-18 | 2022-08-02 | 广西电网有限责任公司 | 一种电网可视化检修预演的生成*** |
WO2024011745A1 (zh) * | 2022-07-11 | 2024-01-18 | 江苏辰午节能科技股份有限公司 | 一种基于油田网电设备的故障预警方法 |
CN115796434A (zh) * | 2023-01-29 | 2023-03-14 | 北京飞利信信息安全技术有限公司 | 一种用于配电网的管控方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112836436A (zh) | 一种基于概率图模型的配电网线路风险量化预测方法 | |
US8751421B2 (en) | Machine learning for power grid | |
CN107843816B (zh) | 一种考虑负载率影响的变压器绝缘缺陷状态评估方法 | |
CN101833324B (zh) | 胎面挤出过程智能故障诊断***及其诊断方法 | |
CN114138982B (zh) | 一种用于干式变压器故障诊断的知识图谱的构建方法 | |
CN112379325A (zh) | 一种用于智能电表的故障诊断方法及*** | |
EP3968479A1 (en) | Systems and methods for automatic power topology discovery | |
CN115453267A (zh) | 一种电力信息***故障诊断*** | |
Li et al. | An optimized GRNN‐enabled approach for power transformer fault diagnosis | |
CN114385403A (zh) | 基于双层知识图谱架构的分布式协同故障诊断方法 | |
KR20220089853A (ko) | 머신러닝 기술을 활용한 신재생에너지 발전설비의 고장예지 및 건전성관리 방법 | |
CN117408162A (zh) | 基于数字孪生的电网故障控制方法 | |
Rayudu | A knowledge-based architecture for distributed fault analysis in power networks | |
CN116541728A (zh) | 一种基于密度聚类的故障诊断方法及装置 | |
CN115146727A (zh) | 一种智能用电***故障检测方法及*** | |
Dehbozorgi et al. | Association rule mining application to diagnose smart distribution power system outage root cause | |
CN110990236A (zh) | 一种基于隐马尔科夫随机场的SaaS软件性能问题识别方法 | |
CN117113157B (zh) | 一种基于人工智能的台区用电故障检测*** | |
Ali et al. | Utility Perspective Towards Machine Learning Techniques in Power System Protection | |
Liu | Knowledge-based systems in power systems: Applications and development methods | |
CN118091406B (zh) | 电机检测修复方法、装置、电子设备及存储介质 | |
AU2020103327A4 (en) | IPMI- Advanced Grid Connected Systems: Intelligent Power Quality Monitoring and Improvement in Advanced Grid Connected Systems | |
Strachan et al. | Practical applications of data mining in plant monitoring and diagnostics | |
CN117560300B (zh) | 一种智能物联网流量预测与优化*** | |
Goyal et al. | Data-driven risk analysis for poles in the electric grid |
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 |