CN115169704A - 基于增量集成学习模型的cvt误差状态预测方法和装置 - Google Patents
基于增量集成学习模型的cvt误差状态预测方法和装置 Download PDFInfo
- Publication number
- CN115169704A CN115169704A CN202210820650.5A CN202210820650A CN115169704A CN 115169704 A CN115169704 A CN 115169704A CN 202210820650 A CN202210820650 A CN 202210820650A CN 115169704 A CN115169704 A CN 115169704A
- Authority
- CN
- China
- Prior art keywords
- cvt
- model
- data
- base
- state 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.)
- Pending
Links
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
- G06Q10/04—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于增量集成学习模型的CVT误差状态预测方法和装置,该方法包括步骤:将停电检定的CVT历史数据等分为若干个数据块,根据所述若干个数据块生成相应数量的基模型,将所述基模型融合成一个基准状态预测模型;获取第一CVT实时数据,并检测所述第一CVT实时数据和CVT历史数据之间是否出现概念漂移;当出现概念漂移时,获取所述第一CVT实时数据相对于所述CVT历史数据的增量数据,并根据所述增量数据生成增量基模型;根据所述增量基模型和基准状态预测模型生成自适应增量集成学习模型,获取第二CVT实时数据,根据所述自适应增量集成学习模型对所述第二CVT实时数据进行误差状态预测。本发明提高了CVT误差状态预测的准确度。
Description
技术领域
本发明涉及CVT误差状态预测技术领域,尤其涉及一种基于增量集成学习模型的CVT误差状态预测方法和装置。
背景技术
电压互感器是电力***中的重要测量设备,其一次绕组接入高压电网,二次绕组与测量、计量、保护等装置相连,用于将一次侧高压强信号转化为低压小信号供二次设备使用。
长期运行经验表明,由于电压互感器使用年限的增长,运行若干年后的电压互感器存在着一定的超差风险。
超差电压互感器继续运行将给发供用三方的关口计量贸易结算带来巨大损失,甚至影响电力***的稳定运行。因此,为保障计量的准确性和电力***的安全运行,需要及时评估和更换误差状态异常的电压互感器。现已有成熟的离线评估方法对电压互感器进行周期性的离线评估,但由于难以对高压输电网络进行非故障性停电操作,致使该方法难以在规定的周期内覆盖所有待检定的电压互感器;且离线评估时的环境电磁场与在线运行时存在差异,致使评估结果与实际情况存在一定的偏差,进一步导致变电站中大量在运电压互感器超期未检、误差未知。
为解决周期性离线评估方法中的不足,现有技术采用不停电条件下的在线评估方法实现电压互感器误差状态的实时在线监测。现有在线评估技术是依据电力***中各设备所采集的信号并基于数据驱动的原理进行分析和处理,从而评估电压互感器的误差状态,即通过借助历史数据、实时数据和关系型数据构造出近似的模型并依靠大量的数据和计算来实时表征电压互感器真实的误差状态。但现有技术存在如下不足:在数据方面,现有技术并没有考虑数据集中出现概念漂移的情况,概念漂移是指数据集中所包含的概念发生了变化,例如设备老化、运行工况突变等现象致使新旧数据所含的概念不再保持一致。数据集中一旦出现了概念漂移的现象,将影响基于数据驱动原理表征电压互感器真实误差状态的准确性。
发明内容
本发明提供一种基于增量集成学习模型的CVT误差状态预测方法和装置,提高了CVT误差状态预测的准确度。
本发明一实施例提供一种基于增量集成学习模型的CVT误差状态预测方法,包括以下步骤:
将停电检定的CVT历史数据等分为若干个数据块,根据所述若干个数据块生成相应数量的基模型,将所述基模型融合成一个基准状态预测模型;
获取第一CVT实时数据,并检测所述第一CVT实时数据和CVT历史数据之间是否出现概念漂移;
当出现概念漂移时,获取所述第一CVT实时数据相对于所述CVT历史数据的增量数据,并根据所述增量数据生成增量基模型;
根据所述增量基模型和基准状态预测模型生成自适应增量集成学习模型,获取第二CVT实时数据,根据所述自适应增量集成学习模型对所述第二CVT实时数据进行误差状态预测。
进一步的,根据所述若干个数据块生成相应数量的基模型,将所述基模型融合成一个基准状态预测模型,包括以下步骤:
将k个数据块对应形成k个第一基模型,再采用交叉验证法将所述k个第一基模型更新成相应的k个第二基模型;其中,k为大于3的正整数;
将所述k个第二基模型融合成一个基准状态预测模型。
进一步的,对于任一所述第一基模型,根据k个数据块中的一个数据块生成所述第一基模型,并采用除所述一个数据块之外的其余k-1个数据块对所述第一基模型进行交叉验证得到相应的第二基模型。
进一步的,将所述增量基模型替换所述k个第二基模型中分类效果最差的基模型后,将所述增量基模型和其余k-1个第二基模型融合得到自适应增量集成学习模型。
进一步的,将所述增量基模型替换所述k个第一基模型中分类效果最差的基模型后,再采用交叉验证法将其余k-1个第一基模型和所述增量基模型更新成相应的k个第二基模型;
将所述k个第二基模型融合成一个基准状态预测模型。
进一步的,将所述增量基模型和基准状态预测模型融合得到自适应增量集成学习模型。
进一步的,根据所述第一CVT实时数据和CVT历史数据计算KL散度和漂移阈值;
根据所述KL散度和漂移阈值判断是否出现概念漂移。
进一步的,对所述CVT历史数据和第一CVT实时数据形成的CVT数据集整体进行均值漂移聚类,根据公式R=D-2r计算所述漂移阈值,D为聚类簇心之间的平均距离,r为聚类簇的平均半径。
进一步的,采用对抗神经网络算法对所述增量数据中的少数类样本进行过采样处理,根据过采样处理后的增量数据生成所述增量基模型。
本发明另一实施例提供了基于增量集成学习模型的CVT误差状态预测装置,包括基模型生成模块、概念漂移检测模块、增量基模型生成模块和误差状态预测模块;
所述基模型生成模块用于将停电检定的CVT历史数据等分为若干个数据块,根据所述若干个数据块生成相应数量的基模型,将所述基模型融合成一个基准状态预测模型;
所述概念漂移检测模块用于获取第一CVT实时数据,并检测所述第一CVT实时数据和CVT历史数据之间是否出现概念漂移;
所述增量基模型生成模块用于当出现概念漂移时,获取所述第一CVT实时数据相对于所述CVT历史数据的增量数据,并根据所述增量数据生成增量基模型;
所述误差状态预测模块用于根据所述增量基模型和基准状态预测模型生成自适应增量集成学习模型,获取第二CVT实时数据,根据所述自适应增量集成学习模型对所述第二CVT实时数据进行误差状态预测。
本发明的实施例,具有如下有益效果:
本发明提供了一种基于增量集成学习模型的CVT误差状态预测方法和装置,该方法针对CVT历史数据和CVT实时数据可能出现的概念漂移现象进行检测,并根据概念漂移检测结果,采用自适应增量集成分类模型,应对动态的数据流,进行自适应误差状态评估,提升误差状态评估模型的精度与模型的适应性范围,进而提升了对CVT误差状态评估的准确度。
附图说明
图1是本发明一实施例提供的基于增量集成学习模型的CVT误差状态预测方法的流程示意图;
图2是本发明一实施例提供的基于增量集成学习模型的CVT误差状态预测装置的结构示意图。
具体实施方式
下面将结合本发明中的附图,对本发明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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明一实施例提供的一种基于增量集成学习模型的CVT误差状态预测方法,包括以下步骤:
步骤S101:将停电检定的CVT历史数据等分为若干个数据块,根据所述若干个数据块生成相应数量的基模型,将所述基模型融合成一个基准状态预测模型。
作为其中一种实施例,根据所述若干个数据块生成相应数量的基模型,将所述基模型融合成一个基准状态预测模型,包括以下步骤:
步骤S11:将k个数据块对应形成k个第一基模型,再采用交叉验证法将所述k个第一基模型更新成相应的k个第二基模型;其中,k为大于3的正整数。具体的,所述k个第一基模型经过K次交叉校验后生成k个第二基模型,对于任一所述第一基模型,根据k个数据块中的一个数据块生成所述第一基模型,并采用除所述一个数据块之外的其余k-1个数据块对所述第一基模型进行交叉验证得到相应的第二基模型。
步骤S12:将所述k个第二基模型融合成一个基准状态预测模型。
作为其中一种实施例,将停电检定的CVT历史数据等分为k个数据块D={D1,D2,D3,…,Dk},其中,k=1,2,……,a;a≥1。
Dt表示在历史时刻t的窗口数据,定义每个窗口数据:
则其底层数据分布为:
其中,A、B、C表示CVT的三相,i表示组别,j表示向量的行,VAij表示第i组第j行A相CVT的幅值;概念漂移是指底层数据分布发生了变化,即:
根据损失函数(7)对所述第一基模型进行更新:
(7);其中,χ(·)表示任意分布函数,E(·)表示一个随机变量的期望值,L为损失函数,其中,k=1,2,……,N;MSE表示预测值和真实值的均方根误差,λ为学习参数(初始值为0),θ(M_new)为新模型的参数,θ(M_orign)为原始模型的参数。
步骤S102:获取第一CVT实时数据,并检测所述第一CVT实时数据和CVT历史数据之间是否出现概念漂移。
作为其中一种实施例,根据所述第一CVT实时数据和CVT历史数据计算KL散度和漂移阈值;根据所述KL散度和漂移阈值判断是否出现概念漂移。
对所述CVT历史数据和第一CVT实时数据形成的CVT数据集整体进行均值漂移聚类,根据公式R=D-2r计算所述漂移阈值,D为聚类簇心之间的平均距离,r为聚类簇的平均半径。
根据公式(8)计算所述KL散度:
式中,记所述CVT历史数据为Dold,其均值向量和协方差矩阵分别为μold和ηold;所述第一CVT实时数据为Dnew,其均值向量和协方差矩阵分别为μnew和ηnew;d为输入样本维度,优选的,d=2;tr表示矩阵的迹;T表示矩阵的转置。
步骤S103:当出现概念漂移时,获取所述第一CVT实时数据相对于所述CVT历史数据的增量数据,并根据所述增量数据生成增量基模型。
采用对抗神经网络算法对所述增量数据中的少数类样本进行过采样处理,根据过采样处理后的增量数据生成所述增量基模型。
步骤S104:根据所述增量基模型和基准状态预测模型生成自适应增量集成学习模型,获取第二CVT实时数据,根据所述自适应增量集成学习模型对所述第二CVT实时数据进行误差状态预测。所述误差状态包括正常、异常和告警。
作为其中一种实施例,将所述增量基模型替换所述k个第二基模型中分类效果最差的基模型后,将所述增量基模型和其余k-1个第二基模型融合得到自适应增量集成学习模型。
作为其中一种实施例,将所述增量基模型替换所述k个第一基模型中分类效果最差的基模型后,再采用交叉验证法将其余k-1个第一基模型和所述增量基模型更新成相应的k个第二基模型;将所述k个第二基模型融合成一个基准状态预测模型。
作为其中一种实施例,将所述增量基模型和基准状态预测模型融合得到自适应增量集成学习模型。
当所述增量基模型增加的计算未超过计算机最大内存和有限时间,则采用将所述增量基模型和基准状态预测模型融合的方式得到所述自适应增量集成学习模型。当所述增量基模型增加的计算超过计算机最大内存和有限时间,则采用所述增量基模型替换基模型后,再融合的方式得到所述自适应增量集成学习模型。
本发明通过针对CVT历史数据和CVT实时数据可能出现的概念漂移现象进行检测,并根据概念漂移检测结果,采用自适应增量集成分类模型,应对动态的数据流,进行自适应误差状态评估,提升误差状态评估模型的精度与模型的适应性范围,进而提升了对CVT误差状态评估的准确度。
在上述发明实施例的基础上,本发明对应提供了装置项实施例,如图2所示;
本发明另一实施例提供了一种基于增量集成学习模型的CVT误差状态预测装置,包括基模型生成模块101、概念漂移检测模块102、增量基模型生成模块103和误差状态预测模块104;
所述基模型生成模块用于将停电检定的CVT历史数据等分为若干个数据块,根据所述若干个数据块生成相应数量的基模型,将所述基模型融合成一个基准状态预测模型;
所述概念漂移检测模块用于获取第一CVT实时数据,并检测所述第一CVT实时数据和CVT历史数据之间是否出现概念漂移;
所述增量基模型生成模块用于当出现概念漂移时,获取所述第一CVT实时数据相对于所述CVT历史数据的增量数据,并根据所述增量数据生成增量基模型;
所述误差状态预测模块用于根据所述增量基模型和基准状态预测模型生成自适应增量集成学习模型,获取第二CVT实时数据,根据所述自适应增量集成学习模型对所述第二CVT实时数据进行误差状态预测。
为描述的方便和简洁,本发明装置项实施例包括上述基于增量集成学习模型的CVT误差状态预测方法实施例中的全部实施方式,此处不再赘述。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
Claims (10)
1.一种基于增量集成学习模型的CVT误差状态预测方法,其特征在于,包括以下步骤:
将停电检定的CVT历史数据等分为若干个数据块,根据所述若干个数据块生成相应数量的基模型,将所述基模型融合成一个基准状态预测模型;
获取第一CVT实时数据,并检测所述第一CVT实时数据和CVT历史数据之间是否出现概念漂移;
当出现概念漂移时,获取所述第一CVT实时数据相对于所述CVT历史数据的增量数据,并根据所述增量数据生成增量基模型;
根据所述增量基模型和基准状态预测模型生成自适应增量集成学习模型,获取第二CVT实时数据,根据所述自适应增量集成学习模型对所述第二CVT实时数据进行误差状态预测。
2.根据权利要求1所述的基于增量集成学习模型的CVT误差状态预测方法,其特征在于,根据所述若干个数据块生成相应数量的基模型,将所述基模型融合成一个基准状态预测模型,包括以下步骤:
将k个数据块对应形成k个第一基模型,再采用交叉验证法将所述k个第一基模型更新成相应的k个第二基模型;其中,k为大于3的正整数;
将所述k个第二基模型融合成一个基准状态预测模型。
3.根据权利要求2所述的基于增量集成学习模型的CVT误差状态预测方法,其特征在于,对于任一所述第一基模型,根据k个数据块中的一个数据块生成所述第一基模型,并采用除所述一个数据块之外的其余k-1个数据块对所述第一基模型进行交叉验证得到相应的第二基模型。
4.根据权利要求3所述的基于增量集成学习模型的CVT误差状态预测方法,其特征在于,将所述增量基模型替换所述k个第二基模型中分类效果最差的基模型后,将所述增量基模型和其余k-1个第二基模型融合得到自适应增量集成学习模型。
5.根据权利要求3所述的基于增量集成学习模型的CVT误差状态预测方法,其特征在于,将所述增量基模型替换所述k个第一基模型中分类效果最差的基模型后,再采用交叉验证法将其余k-1个第一基模型和所述增量基模型更新成相应的k个第二基模型;
将所述k个第二基模型融合成一个基准状态预测模型。
6.根据权利要求3所述的基于增量集成学习模型的CVT误差状态预测方法,其特征在于,将所述增量基模型和基准状态预测模型融合得到自适应增量集成学习模型。
7.根据权利要求4或5或6所述的基于增量集成学习模型的CVT误差状态预测方法,其特征在于,根据所述第一CVT实时数据和CVT历史数据计算KL散度和漂移阈值;
根据所述KL散度和漂移阈值判断是否出现概念漂移。
8.根据权利要求7所述的基于增量集成学***均距离,r为聚类簇的平均半径。
9.根据权利要求8所述的基于增量集成学习模型的CVT误差状态预测方法,其特征在于,采用对抗神经网络算法对所述增量数据中的少数类样本进行过采样处理,根据过采样处理后的增量数据生成所述增量基模型。
10.一种基于增量集成学习模型的CVT误差状态预测装置,其特征在于,包括基模型生成模块、概念漂移检测模块、增量基模型生成模块和误差状态预测模块;
所述基模型生成模块用于将停电检定的CVT历史数据等分为若干个数据块,根据所述若干个数据块生成相应数量的基模型,将所述基模型融合成一个基准状态预测模型;
所述概念漂移检测模块用于获取第一CVT实时数据,并检测所述第一CVT实时数据和CVT历史数据之间是否出现概念漂移;
所述增量基模型生成模块用于当出现概念漂移时,获取所述第一CVT实时数据相对于所述CVT历史数据的增量数据,并根据所述增量数据生成增量基模型;
所述误差状态预测模块用于根据所述增量基模型和基准状态预测模型生成自适应增量集成学习模型,获取第二CVT实时数据,根据所述自适应增量集成学习模型对所述第二CVT实时数据进行误差状态预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210820650.5A CN115169704A (zh) | 2022-07-13 | 2022-07-13 | 基于增量集成学习模型的cvt误差状态预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210820650.5A CN115169704A (zh) | 2022-07-13 | 2022-07-13 | 基于增量集成学习模型的cvt误差状态预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115169704A true CN115169704A (zh) | 2022-10-11 |
Family
ID=83493908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210820650.5A Pending CN115169704A (zh) | 2022-07-13 | 2022-07-13 | 基于增量集成学习模型的cvt误差状态预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115169704A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116029220A (zh) * | 2023-03-24 | 2023-04-28 | 国网福建省电力有限公司 | 一种电压互感器运行误差评估方法、***、设备及介质 |
CN116308304A (zh) * | 2023-05-24 | 2023-06-23 | 山东建筑大学 | 基于元学习概念漂移检测的新能源智慧运维方法及*** |
-
2022
- 2022-07-13 CN CN202210820650.5A patent/CN115169704A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116029220A (zh) * | 2023-03-24 | 2023-04-28 | 国网福建省电力有限公司 | 一种电压互感器运行误差评估方法、***、设备及介质 |
CN116308304A (zh) * | 2023-05-24 | 2023-06-23 | 山东建筑大学 | 基于元学习概念漂移检测的新能源智慧运维方法及*** |
CN116308304B (zh) * | 2023-05-24 | 2023-08-25 | 山东建筑大学 | 基于元学习概念漂移检测的新能源智慧运维方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112202736B (zh) | 基于统计学习和深度学习的通信网络异常分类方法 | |
CN113496262B (zh) | 数据驱动的有源配电网异常状态感知方法及*** | |
CN115169704A (zh) | 基于增量集成学习模型的cvt误差状态预测方法和装置 | |
CN110728457B (zh) | 一种考虑配电网多层级薄弱环节的运行风险态势感知方法 | |
CN102208028B (zh) | 一种适用于动态复杂***的故障预测和诊断方法 | |
CN113239132B (zh) | 一种电压互感器的超差在线辨识方法 | |
CN112051481B (zh) | 一种基于lstm的交直流混联电网故障区域诊断方法和*** | |
CN112731260B (zh) | 基于概念漂移识别的电压互感器误差状态在线评估方法 | |
CN113702895B (zh) | 一种电压互感器误差状态在线定量评估方法 | |
CN109459669B (zh) | 10kV配电网单相接地故障区段定位方法 | |
CN112098915B (zh) | 双母线分段接线下多台电压互感器继发性误差的评估方法 | |
CN116125361B (zh) | 电压互感器误差评估方法、***、电子设备及存储介质 | |
Mathew et al. | Regression kernel for prognostics with support vector machines | |
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 | |
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 | |
Guo et al. | Power transmission risk assessment considering component condition | |
CN107818523A (zh) | 基于非稳定频率分布与频率因子学习的电力通信***数据真值判别与推断方法 | |
CN116596301A (zh) | 基于零次学习法的电缆多状态变量评估模型设计方法及装置 | |
CN117114161A (zh) | 一种基于元学习的输电线路风偏闪络风险的预测方法 | |
CN115859594A (zh) | 基于层次分析的变电设备的健康评估算法 | |
CN115864644A (zh) | 一种继电保护装置状态评价方法、***、设备及介质 | |
Moradzadeh et al. | Image processing-based data integrity attack detection in dynamic line rating forecasting applications | |
Gong et al. | State detection method of secondary equipment in smart substation based on deep belief network and trend prediction | |
Huang et al. | Artificial neural network enhanced by gap statistic algorithm applied for bad data detection of a power system | |
Bai et al. | Abnormal Detection Scheme of Substation Equipment based on Intelligent Fusion Terminal |
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 |