CN115619078B - 一种变电站内小动物危害风险等级预测方法及装置 - Google Patents
一种变电站内小动物危害风险等级预测方法及装置 Download PDFInfo
- Publication number
- CN115619078B CN115619078B CN202211311275.8A CN202211311275A CN115619078B CN 115619078 B CN115619078 B CN 115619078B CN 202211311275 A CN202211311275 A CN 202211311275A CN 115619078 B CN115619078 B CN 115619078B
- Authority
- CN
- China
- Prior art keywords
- information
- small animal
- activity
- equipment
- prediction 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.)
- Active
Links
- 241001465754 Metazoa Species 0.000 title claims abstract description 287
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000000694 effects Effects 0.000 claims abstract description 229
- 230000006378 damage Effects 0.000 claims abstract description 102
- 238000012502 risk assessment Methods 0.000 claims abstract description 51
- 238000013507 mapping Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims description 90
- 238000007781 pre-processing Methods 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 8
- 208000033999 Device damage Diseases 0.000 claims description 4
- 239000012636 effector Substances 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 24
- 238000004140 cleaning Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000013501 data transformation Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011425 standardization method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 241000269350 Anura Species 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 2
- 241000270295 Serpentes Species 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006735 deficit Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000002759 z-score normalization 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
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (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
本发明涉及变电站风险管控技术领域，尤其涉及一种变电站内小动物危害风险等级预测方法及装置，其中方法包括：获取变电站待测区域内的设备特征信息；将设备特征信息输入小动物活动预测模型中，得到小动物的活动信息；小动物活动预测模型为设备特征信息与活动信息的映射关系模型；将活动信息输入小动物危害风险评估模型，得到待测区域内的设备受损信息；小动物危害风险评估模型为活动信息与设备受损信息的映射关系模型；通过模糊隶属度函数对设备受损信息进行风险等级划分，得到待测区域的小动物危害风险等级，有效地预测了变电站内小动物危害风险等级，为电力运维工作人员预防和解决小动物危害问题提供了有效的数据支持。
Description
技术领域
本发明涉及变电站风险管控技术领域，尤其涉及一种变电站内小动物危害风险等级预测方法及装置。
背景技术
变电站指的是电力***中对电压和电流进行变换，接收电能以及分配电能的场所，是电力***中不可缺少的关键环节，其影响着电力***的运行水平。因此，为了提升电力***的运行的稳定性，需要提升变电站的安全性和稳定性。
而影响变电站安全性和稳定性的其中一个因素是小动物危害。对于如变电站这类阴暗但又不完全密闭的空间内，经常会有老鼠、蛇、青蛙等小动物出现，它们的出现也时常造成变电站设备损害、线路短路、负载变大等危害。然而现有技术缺少对变电站内小动物危害风险的评估和预测，仍需要花费大量的人力成本和时间成本进行人工排查。
发明内容
本发明提供了一种变电站内小动物危害风险等级预测方法及装置，用于预测变电站内的小动物危害风险等级。
本发明提供的一种变电站内小动物危害风险等级预测方法，所述方法包括：
获取变电站待测区域内的设备特征信息；
将所述设备特征信息输入小动物活动预测模型中，得到小动物的活动信息；所述小动物活动预测模型为设备特征信息与活动信息的映射关系模型；
将所述活动信息输入小动物危害风险评估模型，得到所述待测区域内的设备受损信息；所述小动物危害风险评估模型为活动信息与设备受损信息的映射关系模型；
通过模糊隶属度函数对所述设备受损信息进行风险等级划分，得到所述待测区域的小动物危害风险等级。
可选地，所述方法还包括：
对变电站的室内地面区域进行网格化划分，得到各网格区域；
从变电站历史数据中，获取各所述网格区域内的历史设备特征信息和小动物的历史活动信息；
对所述历史设备特征信息、所述历史活动信息分别进行数据预处理，得到设备特征信息的训练数据集和活动信息的训练数据集；
其中，所述设备特征信息的训练数据集用于作为所述小动物活动预测模型的输入；所述活动信息的训练数据集用于作为所述小动物活动预测模型的输出。
可选地，所述小动物活动预测模型的训练步骤包括：
根据XGBoost算法构建初始小动物活动预测模型；
基于所述设备特征信息的训练数据集和所述活动信息的训练数据集，利用贝叶斯优化算法对所述初始小动物活动预测模型进行优化训练，得到具备设备特征信息与活动信息的映射关系的小动物活动预测模型；
所述初始小动物活动预测模型为：
其中，Xi为4*1列向量，表示第i个网格区域的设备特征信息；fj(Xi)表示第i个网格区域对应的小动物活动预测模型的第j棵回归树的预测得分；
为2*1列向量，表示第i个网格区域的小动物活动信息；/>
表示第i个网格区域对应的小动物活动预测模型的叶子结点值；q(Xi)表示小动物活动预测模型的叶子结点与第i个网格区域之间的映射关系；
所述初始小动物活动预测模型的目标函数表达式为：
其中，t为需要优化的小动物活动预测回归树数量，
为损失函数，Ω(f(t))为正则项，γ为正则项的第一超参数、λ为正则项的第二超参数，T为当前回归树叶子结点个数。
可选地，所述小动物危害风险评估模型的训练步骤包括：
获取各所述网格区域内的历史设备受损信息；
对所述历史设备受损信息进行所述数据预处理，得到历史设备受损信息训练数据集；
以所述活动信息的训练数据集作为输入量，设备受损信息训练数据集作为输出量，对预先构建的小动物危害风险评估模型进行迭代训练，得到具备活动信息与设备受损信息的映射关系的小动物危害风险评估模型。
可选地，所述小动物危害风险评估模型为：
其中，Zi为第i个网格区域的设备受损害信息，Yi为第i个网格区域的小动物活动信息，包括小动物出现次数yi1、滞留时间yi2，P(Z≤j|Y)为小动物危害风险的累积概率；j为设备受损害结果类别；α和β为小动物危害风险评估模型的第一效应参数和第二效应参数。
可选地，所述待测区域的数量为多个，所述方法还包括：
根据各所述待测区域的小动物危害风险等级，绘制风险等级分布图。
本发明提供了一种变电站内小动物危害风险等级预测装置，所述装置包括：
第一获取模块，用于获取变电站待测区域内的设备特征信息；
第一输入模块，用于将所述设备特征信息输入小动物活动预测模型中，得到小动物的活动信息；所述小动物活动预测模型为设备特征信息与活动信息的映射关系模型；
第二输入模块，用于将所述活动信息输入小动物危害风险评估模型，得到所述待测区域内的设备受损信息；所述小动物危害风险评估模型为活动信息与设备受损信息的映射关系模型；
风险等级划分模块，用于通过模糊隶属度函数对所述设备受损信息进行风险等级划分，得到所述待测区域的小动物危害风险等级。
可选地，所述装置还包括：
划分模块，用于对变电站的室内地面区域进行网格化划分，得到各网格区域；
第二获取模块，用于从变电站历史数据中，获取各所述网格区域内的历史设备特征信息和小动物的历史活动信息；
第一数据预处理模块，用于对所述历史设备特征信息、所述历史活动信息分别进行数据预处理，得到设备特征信息的训练数据集和活动信息的训练数据集；
其中，所述设备特征信息的训练数据集用于作为所述小动物活动预测模型的输入；所述活动信息的训练数据集用于作为所述小动物活动预测模型的输出。
可选地，所述装置还包括：
第三获取模块，用于获取各所述网格区域内的历史设备受损信息；
第二数据预处理模块，用于对所述历史设备受损信息进行所述数据预处理，得到历史设备受损信息训练数据集；
第二训练模块，用于以所述活动信息的训练数据集作为输入量，设备受损信息训练数据集作为输出量，对预先构建的小动物危害风险评估模型进行迭代训练，得到具备活动信息与设备受损信息的映射关系的小动物危害风险评估模型。
可选地，所述待测区域的数量为多个，所述装置还包括：
绘制模块，用于根据各所述待测区域的小动物危害风险等级，绘制风险等级分布图。
从以上技术方案可以看出，本发明具有以下优点：
本发明通过获取变电站待测区域内的设备特征信息，将所述设备特征信息输入小动物活动预测模型中，得到小动物的活动信息；所述小动物活动预测模型为设备特征信息与活动信息的映射关系模型，将所述活动信息输入小动物危害风险评估模型，得到所述待测区域内的设备受损信息；所述小动物危害风险评估模型为活动信息与设备受损信息的映射关系模型，通过模糊隶属度函数对所述设备受损信息进行风险等级划分，得到所述待测区域的小动物危害风险等级，有效地预测了变电站内小动物危害风险等级，为电力运维工作人员预防和解决小动物危害问题提供了有效的数据支持，大大减少了时间成本和人力成本。
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，显而易见地，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性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种变电站内小动物危害风险等级预测方法的流程示意图；
图2为本发明实施例提供的一种变电站内小动物危害风险等级预测方法的流程示意图；
图3为本发明实施例提供的一种变电站内小动物危害风险等级预测装置的结构示意图。
具体实施方式
本发明实施例提供了一种变电站内小动物危害风险等级预测方法及装置，用于预测变电站内的小动物危害风险等级。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
实施例一：
请参阅图1，图1为本发明实施例提供的一种变电站内小动物危害风险等级预测方法的流程示意图。
本实施例提供的一种变电站内小动物危害风险等级预测方法，包括：
101、获取变电站待测区域内的设备特征信息；
需要说明的是，待测区域指的是需要进行巡检的变电站区域，其可以根据运维需求选择。设备特征信息包括设备信息、设备走线信息、设备占地面积、设备密集程度。设备信息指的是设备类型信息等。设备密集程度是指区域内总设备占地面积占区域面积的比。设备走线信息指的是区域内的设备与设备之间连接线缆的信息。
102、将所述设备特征信息输入小动物活动预测模型中，得到小动物的活动信息；所述小动物活动预测模型为设备特征信息与活动信息的映射关系模型。
需要说明的是，小动物活动预测模型是预先构建并且已经训练完成的模型，其具备设备特征信息与活动信息的映射关系，当输入设备特征信息时，小动物活动预测模型对应输出小动物的活动信息。其中，设备特征信息以列向量的形式输入，其向量形式为4*1的列向量。
其中，小动物活动预测模型输出的活动信息是根据设备特征信息预测得到的，以向量的形式输出，其向量形式为2*1列向量。小动物活动信息包括：小动物的滞留时间和小动物出现的次数。
103、将所述活动信息输入小动物危害风险评估模型，得到所述待测区域内的设备受损信息；所述小动物危害风险评估模型为活动信息与设备受损信息的映射关系模型。
需要说明的是，设备受损信息指的是设备受损程度，可用于代表小动物危害风险程度。小动物危害风险评估模型是预先构建并且已经训练完成的模型，其具备活动信息与设备受损信息的映射关系。将步骤102中得到的小动物的活动信息输入小动物危害风险评估模型后，小动物危害风险评估模型对应输出设备受损信息。
104、通过模糊隶属度函数对所述设备受损信息进行风险等级划分，得到所述待测区域的小动物危害风险等级。
需要说明的是，待测区域的数量可以是多个，模糊隶属度函数为：
其中，Ai(z)为第i个待测区域的小动物危害风险等级；z为设备受损信息，a、b、c、d分别为第一风险级别、第二风险级别、第三风险级别、第四风险级别，其中，a<b<c<d。
第一风险级别、第二风险级别、第三风险级别、第四风险级别的具体数值可以采用直觉法来确定，即通过变电站工作人员对小动物危害风险等级这一模糊概念的认识和理解来确定隶属度函数的等级区间。
本实施例中，通过模糊隶属度函数对所述设备受损信息进行风险等级划分，得到所述待测区域的小动物危害风险等级，实现了对变电站各处的小动物危害风险情况的预测，便于运维人员及时关注可能存在严重危害风险的变电站区域，并及时针对严重危害风险区域进行相应的措施，提升变电站的安全性。
作为一个应用例说明，现有技术是通过设置小动物驱赶装置，驱逐小动物，以减小动物对变电站的危害。然而在设置小动物驱赶装置时，没有针对性地进行设置，容易造成驱赶装置投放数量过多，浪费资源的问题，或者驱赶装置投放过少，难以得到有效的驱逐效果的问题。而通过本实施例提供的预测方法，得到了变电站各区域的小动物危害风险等级之后，运维人员可以根据各区域的风险等级，设置相应数量的驱赶装置，如在危害风险等级高的区域设置更多数量的驱赶装置，在危害风险等级低的区域设置较少的驱赶装置等等，降低小动物危害给变电站带来的风险，同时也避免了资源浪费。因此，本实施例为电力运维工作人员进行小动物驱赶装置的位置设置和放置数量提供了有针对性的数据支持。
本实施例通过获取变电站待测区域内的设备特征信息，将所述设备特征信息输入小动物活动预测模型中，得到小动物的活动信息；所述小动物活动预测模型为设备特征信息与活动信息的映射关系模型，将所述活动信息输入小动物危害风险评估模型，得到所述待测区域内的设备受损信息；所述小动物危害风险评估模型为活动信息与设备受损信息的映射关系模型，通过模糊隶属度函数对所述设备受损信息进行风险等级划分，得到所述待测区域的小动物危害风险等级，有效地预测了变电站内小动物危害风险等级，为电力运维工作人员预防和解决小动物危害问题提供了有效的数据支持，大大减少了时间成本和人力成本。
在另一个优选的实施例中，待测区域的数量为多个，步骤104之后还包括：
根据各所述待测区域的小动物危害风险等级，绘制风险等级分布图。
需要说明的是，根据步骤101-104中得到的各待测区域的小动物危害风险等级，对相同风险等级的区域进行轮廓拟合，得到由多个不规则且互不相交的轮廓线围成的各风险等级分布区块，最后对不同风险等级的区块采用不同深度的颜色进行填充，从而得到小动物危害风险等级分布图。
因此，在本实施例中，根据各所述待测区域的小动物危害风险等级，绘制风险等级分布图，直观地展示了变电站内各区域的风险等级情况，为运维人员提供了更直观的数据，更便于针对不同风险等级的区域进行不同的预防措施。
实施例二：
请参阅图2，图2为本发明实施例提供的一种变电站内小动物危害风险等级预测方法的流程示意图。
本实施例提供的方法包括：
201、对变电站的室内地面区域进行网格化划分，得到各网格区域；
需要说明的是，本实施例中，首先对变电站室内地面区域进行网格化划分，得到各网格区域。
网格区域的大小可以是30cm*30cm，50cm*50cm，100cm*100cm，200cm*200cm，300cm*300cm等多档大小。网格区域划分得大时，对应的网格数量会少，网格区域划分得小时，网格数量会多。网格数量增加，会提升计算精度，但计算规模也会有所提高，并且网格面积小于设备占地面积时，会影响风险预测的效果，因此，在确定网格区域大小时，需结合计算精度、计算规模、网格面积是否小于设备占地面积等因素进行综合考虑。本实施例中，网格区域大小优选为：100cm*100cm。
202、从变电站历史数据中，获取各所述网格区域内的历史设备特征信息和小动物的历史活动信息；
需要说明的是，历史设备特征信息包括：历史设备信息、历史设备走线信息、历史设备占地面积。小动物的历史活动信息包括：小动物的历史滞留时间和小动物出现的历史次数。
历史设备走线信息指的是网格区域的设备走线信息对应的历史数据。
设备走线信息的计算公式如下：
其中，n为平均高度低于1米的单个线缆总数，li表示线缆的长度，hi表示单个线缆的平均高度，xi3表示第i个网格区域的设备走线信息。
线缆靠地面越近越容易受到危害，当线缆紧贴地面时最容易受到危害，当线缆距离地面一米及以上时基本不会受到危害，(1-hi)表示单一线缆易受危害的程度，
表示网格区域内线缆易受危害的程度。因此，设备走线信息可以用于代表区域内线缆的易受危害程度。
本实施例中，通过获取设备特征信息对应的历史数据和小动物的活动信息对应的历史数据作为小动物活动预测模型的训练数据，以对小动物活动预测模型进行训练。
203、对所述历史设备特征信息、所述历史活动信息分别进行数据预处理，得到设备特征信息的训练数据集和活动信息的训练数据集；
需要说明的是，数据预处理包括数据清洗和数据变换。本实施例对历史设备特征信息进行数据清洗后，再对经过数据清洗的历史设备特征信息进行数据变换，得到设备特征信息的训练数据集。历史活动信息的数据预处理同理。
其中，数据清洗过程包括：
1)数据一致性处理：对相同列名不同含义或者不同列名相同含义的数据进行重新命名。例如：同为设备信息，但却表示不同设备的具体特征，则针对不同设备的具体特征重新进行区分命名。列名不同的动物停留时间、动物活动时间、动物徘徊时间，其三者的含义均为动物滞留时间，因此将三者数据重新统一命名为动物滞留时间。
2)数据去重：对于多组重复的数据，只保留一组有效数据，删除其他重复输入的数据。
3)缺失值处理：对缺失的数据进行重新补全。若设备特征信息缺失时，根据设备所处的位置信息进行定位，并根据实际信息补全设备特征信息。若小动物活动信息缺失时，删除缺失的相应小动物活动信息，并重新采样进行补全。
4)异常值处理：对不符合数据规范或不符合数据底层逻辑的数据，进行重新收集或删除。如小动物滞留时间单位与规范不符合时，重新收集小动物滞留时间，如收集到设备特征信息的对应的设备坐标超出变电站室内坐标范围时，则进行重新收集或删除。
数据变换指的是对经过数据清洗后的设备特征信息和小动物活动信息进行数据规范化处理。
设备特征信息和小动物活动信息中，小动物的滞留时间数据分布不平均且区间跨度较大，相较于平均分布而言，其与正态分布拟合程度更高，因此采用z-score标准化方法进行变换，可以在变换计算简便的前提下保证数据之间的可比性，使得数据集更加规范。
z-score标准化公式如下：
其中，yi2为小动物滞留时间，μ为其均值，σ为其标准差，yi2'为z-score变换后的标准值。
而在设备特征信息和小动物活动信息中，除了小动物的滞留时间以外的所有数据，数据之间的间隔较为平均，且多为个数、次数一类的整数量词，本身可以直接衡量影响程度，因此只需要把数值均匀分布在[0,1]区间上即可，因此，本实施例对除了小动物滞留时间以外的数据进行数据变换时，直接采用min-max标准化方法进行变换，从而在消除变异量纲与变异范围的同时，保证这些数据在相同量纲内进行比较。
以设备占地面积的数据标准化为例，标准化公式如下：
其中xi2为设备占地面积的原始数据，max为所有设备占地面积中的最大值，min为所有设备占地面积中的最小值，xi2 *为min-max变换后的标准值。
在经过上述数据清洗和数据变换之后，得到设备特征信息的训练数据集和小动物活动信息的训练数据集。
由上述得到设备特征信息的训练数据集和小动物活动信息的训练数据集，可以组成小动物活动预测模型的小动物危害数据集合，直接用于作为模型的输入输出数据。将设备特征信息的训练数据集作为小动物活动预测模型的输入，将活动信息的训练数据集作为小动物活动预测模型的输出，则小动物活动预测模型的输入为Xi＝[xi1；xi2；xi3；xi4]T，i表示第i个网格区域，xi1表示设备种类，xi2表示设备占地面积，xi3表示设备走线信息，xi4表示设备密集程度。输出为：Yi＝[yi1；yi2]T，i表示该数据所处网格区域位置，yi1表示小动物出现次数，yi2表示小动物滞留时间。
204、根据XGBoost算法构建初始小动物活动预测模型；
本实施例基于XGBoost算法构建初始小动物活动预测模型；其中，初始小动物活动预测模型为：
其中，Xi为4*1列向量，表示第i个网格区域的设备特征信息，包括设备种类xi1、设备占地面积xi2、设备走线信息xi3、设备密集程度xi4；fj(Xi)表示第i个网格区域对应的小动物活动预测模型的第j棵回归树的预测得分；
为2*1列向量，表示第i个网格区域的小动物活动信息，包括小动物出现次数yi1和滞留时间yi2；/>
表示第i个网格区域对应的小动物活动预测模型的叶子结点值；q(Xi)表示小动物活动预测模型的叶子结点与第i个网格区域之间的映射关系；
所述初始小动物活动预测模型的目标函数表达式为：
其中，t为需要优化的小动物活动预测回归树数量，
为损失函数，Ω(f(t))为正则项，γ为正则项的第一超参数、λ为正则项的第二超参数，T为当前回归树叶子结点个数。
其中，γ、λ均用于控制惩罚力度。
为了进一步提升小动物活动预测模型的预测精度，本实施例对初始小动物活动预测模型的目标函数进行二阶泰勒展开，找到目标函数的最优解，从而得到最优目标函数。
对目标函数进行的二阶泰勒展开如下：
其中c为前t-1棵树复杂的常数项，gi、hi为：
代入正则项Ω(f(t))后，进一步化简得到：
其中：
因为Hj+λ>0，当
时为最优解，取得最优函数：
205、基于所述设备特征信息的训练数据集和所述活动信息的训练数据集，利用贝叶斯优化算法对所述初始小动物活动预测模型进行优化训练，得到具备设备特征信息与活动信息的映射关系的小动物活动预测模型。
本实施例利用贝叶斯优化算法对初始小动物活动预测模型中的超参数进行优化训练，从而得到最优的超参数，进一步提升小动物活动预测模型的预测精度。
其中，贝叶斯优化过程为：初始化小动物活动预测模型中Gj、Hj内参数和超参数γ、λ的定义域区间；随机取一定数量网格区域的设备特征信息数据训练集(设备种类xi1、设备占地面积xi2、设备走线情况xi3、设备密集程度xi4)作为初始小动物活动预测模型的输入，观测求解出相应网格区域的小动物出现次数yi1和滞留时间yi2；基于高斯混合模型的TPE作为概率代理模型对初始小动物活动预测模型的目标函数进行估计，得到全局最优参数；将全局最优参数输入初始小动物活动预测模型进行训练；反复执行上述优化操作，直至初始小动物活动预测模型的预测精度达到预设的预测精度最低阈值，得到具备设备特征信息与活动信息的映射关系的小动物活动预测模型。其中，最优的超参数即为满足预设的预测精度最低阈值的初始小活动预测模型对应的超参数。
贝叶斯优化算法的目标函数为：
其中，f(a)为贝叶斯优化目标函数，a为小动物活动预测模型中超参数集合，包括正则项的第一超参数γ和正则项的第二超参数λ，a*为使目标函数达到最小值的最优参数值。
基于高斯混合模型的TPE是一种基于模型的序贯优化方法，它采用分类的方式建立概率代理模型，不会过分贪婪地生成新的样本点，能够防止陷入局部优化的情况，具有较好的全局探索能力。
本实施例通过对变电站的室内地面区域进行网格化划分，得到各网格区域，并从变电站历史数据中，获取各所述网格区域内的历史设备特征信息和小动物的历史活动信息，并对所述历史设备特征信息、所述历史活动信息分别进行数据预处理，从而得到了可直接用于作为小动物活动预测模型的输入输出的数据集合(设备特征信息的训练数据集和活动信息的训练数据集)；并通过根据XGBoost算法构建初始小动物活动预测模型，基于所述设备特征信息的训练数据集和所述活动信息的训练数据集，利用贝叶斯优化算法对所述初始小动物活动预测模型进行优化训练，得到具备设备特征信息与活动信息的映射关系的小动物活动预测模型，从而实现了构建和训练得到小动物活动预测模型，并通过贝叶斯优化算法提升了小动物活动预测模型的预测精度。
在另一个优选的实施例中，得到小动物活动预测模型之后，还通过K-交叉验证，检验优化后的小动物活动预测模型的精确度和稳定性。
206、获取各所述网格区域内的历史设备受损信息。
本实施例中，从变电站的历史数据中，获取各网格区域内的历史设备受损信息。历史设备受损信息指的是设备的历史受损程度。
207、对所述历史设备受损信息进行所述数据预处理，得到历史设备受损信息训练数据集。
需要说明的是，数据预处理可参考步骤203。本实施例对历史设备受损信息进行数据清洗后，再对经过数据清洗后的历史设备受损信息进行数据变换。在进行数据变换时，采用min-max标准化方法进行变换。
208、以所述活动信息的训练数据集作为输入量，设备受损信息训练数据集作为输出量，对预先构建的小动物危害风险评估模型进行迭代训练，得到具备活动信息与设备受损信息的映射关系的小动物危害风险评估模型。
本实施例预先根据有序逻辑回归模型构建小动物危害风险评估模型。
小动物危害风险评估模型公式如下：
其中，Zi为第i个网格区域的设备受损害信息，Yi为第i个网格区域的小动物活动信息，包括小动物出现次数yi1、滞留时间yi2，P(Z≤j|Y)为小动物危害风险的累积概率，j为设备受损害结果类别；α和β为小动物危害风险评估模型的第一效应参数和第二效应参数。
之后，将活动信息的训练数据集作为小动物危害风险评估模型的输入，将设备受损信息训练数据集作为小动物危害风险评估模型的输出，对小动物危害风险评估模型进行训练，以得到最优的效应参数α和β，从而得到具备活动信息与设备受损信息的映射关系的小动物危害风险评估模型。
可以理解的是，步骤206-207的顺序可以在步骤202的后面，也可以在步骤205的后面，本实施例在此不作具体限定。
209、获取变电站待测区域内的设备特征信息；
需要说明的是，待测区域指的是需要进行巡检的变电站区域，其可以根据运维需求选择。待测区域的数量可以是多个。
210、将所述设备特征信息输入小动物活动预测模型中，得到小动物的活动信息。
需要说明的是，设备特征信息以列向量的形式输入，其向量形式为4*1的列向量，与训练数据集的形式相对应。将设备特征信息输入经过步骤205得到的小动物活动预测模型中，得到预测的小动物活动信息。
211、将所述活动信息输入小动物危害风险评估模型，得到所述待测区域内的设备受损信息。
需要说明的是，将步骤210预测得到的小动物活动信息，输入经过步骤208训练完成的小动物危害风险评估模型中，得到待测区域的设备受损信息。小动物危害风险评估模型输出的设备受损信息为定序类别数据，可以用于比较大小，也可进行排序。
212、通过模糊隶属度函数对所述设备受损信息进行风险等级划分，得到所述待测区域的小动物危害风险等级。
具体可参阅步骤104，此处不再赘述。
在另一个优选的实施例中，在获取变电站待测区域内的设备特征信息之后，还包括：
对设备特征信息进行数据预处理；
将所述设备特征信息输入小动物活动预测模型中，得到小动物的活动信息的方法具体包括：
将经过数据预处理的设备特征信息输入小动物活动预测模型中，得到小动物活动信息。
可以理解的是，为了提升小动物活动预测模型的预测精度，在使用小动物活动预测模型对待测区域进行预测时，将待测区域的设备特征信息进行如步骤203的数据处理操作后，输入小动物活动预测模型中，得到相应的小动物活动信息。
实施例三：
参阅图3，图3为本发明实施例提供的一种变电站内小动物危害风险等级预测装置的结构示意图。
本实施例提供的一种变电站内小动物危害风险等级预测装置，包括：
第一获取模块301，用于获取变电站待测区域内的设备特征信息；
第一输入模块302，用于将所述设备特征信息输入小动物活动预测模型中，得到小动物的活动信息；所述小动物活动预测模型为设备特征信息与活动信息的映射关系模型；
第二输入模块303，用于将所述活动信息输入小动物危害风险评估模型，得到所述待测区域内的设备受损信息；所述小动物危害风险评估模型为活动信息与设备受损信息的映射关系模型；
风险等级划分模块304，用于通过模糊隶属度函数对所述设备受损信息进行风险等级划分，得到所述待测区域的小动物危害风险等级。
进一步地，所述装置还包括：
划分模块，用于对变电站的室内地面区域进行网格化划分，得到各网格区域；
第二获取模块，用于从变电站历史数据中，获取各所述网格区域内的历史设备特征信息和小动物的历史活动信息；
第一数据预处理模块，用于对所述历史设备特征信息、所述历史活动信息分别进行数据预处理，得到设备特征信息的训练数据集、活动信息的训练数据集；
其中，所述设备特征信息的训练数据集用于作为所述小动物活动预测模型的输入；所述活动信息的训练数据集用于作为所述小动物活动预测模型的输出。
进一步地，所述装置还包括：
构建模块，用于根据XGBoost算法构建初始小动物活动预测模型；
第一训练模块，用于基于所述设备特征信息的训练数据集和所述活动信息的训练数据集，利用贝叶斯优化算法对所述初始小动物活动预测模型进行优化训练，得到具备设备特征信息与活动信息的映射关系的小动物活动预测模型；
进一步地，所述装置还包括：
第三获取模块，用于获取各所述网格区域内的历史设备受损信息；
第二数据预处理模块，用于对所述历史设备受损信息进行所述数据预处理，得到历史设备受损信息训练数据集；
第二训练模块，用于以所述活动信息的训练数据集作为输入量，设备受损信息训练数据集作为输出量，对预先构建的小动物危害风险评估模型进行迭代训练，得到具备活动信息与设备受损信息的映射关系的小动物危害风险评估模型。
进一步地，所述待测区域的数量为多个，所述装置还包括：
绘制模块，用于根据各所述待测区域的小动物危害风险等级，绘制风险等级分布图。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它形式。
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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个功能模块为单独的物理存在，也可以两个或两个以上功能模块集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种变电站内小动物危害风险等级预测方法，其特征在于，所述方法包括：
对变电站的室内地面区域进行网格化划分，得到各网格区域；
从变电站历史数据中，获取各所述网格区域内的历史设备特征信息和小动物的历史活动信息；
对所述历史设备特征信息、所述历史活动信息分别进行数据预处理，得到设备特征信息的训练数据集和活动信息的训练数据集；
其中，所述设备特征信息的训练数据集用于作为小动物活动预测模型的输入；所述活动信息的训练数据集用于作为所述小动物活动预测模型的输出；
获取变电站待测区域内的设备特征信息；
将所述设备特征信息输入小动物活动预测模型中，得到小动物的活动信息；所述小动物活动预测模型为设备特征信息与活动信息的映射关系模型；
将所述活动信息输入小动物危害风险评估模型，得到所述待测区域内的设备受损信息；所述小动物危害风险评估模型为活动信息与设备受损信息的映射关系模型；
通过模糊隶属度函数对所述设备受损信息进行风险等级划分，得到所述待测区域的小动物危害风险等级；
所述小动物活动预测模型的训练步骤包括：
根据XGBoost算法构建初始小动物活动预测模型；
基于所述设备特征信息的训练数据集和所述活动信息的训练数据集，利用贝叶斯优化算法对所述初始小动物活动预测模型进行优化训练，得到具备设备特征信息与活动信息的映射关系的小动物活动预测模型；
其中，所述初始小动物活动预测模型为：
其中，Xi为4*1列向量，表示第i个网格区域的设备特征信息；fj(Xi)表示第i个网格区域对应的小动物活动预测模型的第j棵回归树的预测得分；
为2*1列向量，表示第i个网格区域的小动物活动信息；/>
表示第i个网格区域对应的小动物活动预测模型的叶子结点值；q(Xi)表示小动物活动预测模型的叶子结点与第i个网格区域之间的映射关系；
所述初始小动物活动预测模型的目标函数表达式为：
其中，t为需要优化的小动物活动预测回归树数量，
为损失函数，Ω(f(t))为正则项，γ为正则项的第一超参数、λ为正则项的第二超参数，T为当前回归树叶子结点个数；
所述小动物危害风险评估模型为：
其中，Zi为第i个网格区域的设备受损害信息，Yi为第i个网格区域的小动物活动信息，包括小动物出现次数yi1、滞留时间yi2，P(Z≤j|Y)为小动物危害风险的累积概率；j为设备受损害结果类别；α和β为小动物危害风险评估模型的第一效应参数和第二效应参数。
2.根据权利要求1所述的方法，其特征在于，所述小动物危害风险评估模型的训练步骤包括：
获取各所述网格区域内的历史设备受损信息；
对所述历史设备受损信息进行所述数据预处理，得到历史设备受损信息训练数据集；
以所述活动信息的训练数据集作为输入量，设备受损信息训练数据集作为输出量，对预先构建的小动物危害风险评估模型进行迭代训练，得到具备活动信息与设备受损信息的映射关系的小动物危害风险评估模型。
3.根据权利要求1所述的方法，其特征在于，所述待测区域的数量为多个，所述方法还包括：
根据各所述待测区域的小动物危害风险等级，绘制风险等级分布图。
4.一种变电站内小动物危害风险等级预测装置，其特征在于，所述装置包括：
划分模块，用于对变电站的室内地面区域进行网格化划分，得到各网格区域；
第二获取模块，用于从变电站历史数据中，获取各所述网格区域内的历史设备特征信息和小动物的历史活动信息；
第一数据预处理模块，用于对所述历史设备特征信息、所述历史活动信息分别进行数据预处理，得到设备特征信息的训练数据集和活动信息的训练数据集；
其中，所述设备特征信息的训练数据集用于作为小动物活动预测模型的输入；所述活动信息的训练数据集用于作为所述小动物活动预测模型的输出；
构建模块，用于根据XGBoost算法构建初始小动物活动预测模型；
第一训练模块，用于基于所述设备特征信息的训练数据集和所述活动信息的训练数据集，利用贝叶斯优化算法对所述初始小动物活动预测模型进行优化训练，得到具备设备特征信息与活动信息的映射关系的小动物活动预测模型；
第一获取模块，用于获取变电站待测区域内的设备特征信息；
第一输入模块，用于将所述设备特征信息输入小动物活动预测模型中，得到小动物的活动信息；所述小动物活动预测模型为设备特征信息与活动信息的映射关系模型；
第二输入模块，用于将所述活动信息输入小动物危害风险评估模型，得到所述待测区域内的设备受损信息；所述小动物危害风险评估模型为活动信息与设备受损信息的映射关系模型；
风险等级划分模块，用于通过模糊隶属度函数对所述设备受损信息进行风险等级划分，得到所述待测区域的小动物危害风险等级；
其中，所述初始小动物活动预测模型为：
其中，Xi为4*1列向量，表示第i个网格区域的设备特征信息；fj(Xi)表示第i个网格区域对应的小动物活动预测模型的第j棵回归树的预测得分；
为2*1列向量，表示第i个网格区域的小动物活动信息；/>
表示第i个网格区域对应的小动物活动预测模型的叶子结点值；q(Xi)表示小动物活动预测模型的叶子结点与第i个网格区域之间的映射关系；
所述初始小动物活动预测模型的目标函数表达式为：
其中，t为需要优化的小动物活动预测回归树数量，
为损失函数，Ω(f(t))为正则项，γ为正则项的第一超参数、λ为正则项的第二超参数，T为当前回归树叶子结点个数；
所述小动物危害风险评估模型为：
其中，Zi为第i个网格区域的设备受损害信息，Yi为第i个网格区域的小动物活动信息，包括小动物出现次数yi1、滞留时间yi2，P(Z≤j|Y)为小动物危害风险的累积概率；j为设备受损害结果类别；α和β为小动物危害风险评估模型的第一效应参数和第二效应参数。
5.根据权利要求4所述的装置，其特征在于，所述装置还包括：
第三获取模块，用于获取各所述网格区域内的历史设备受损信息；
第二数据预处理模块，用于对所述历史设备受损信息进行所述数据预处理，得到历史设备受损信息训练数据集；
第二训练模块，用于以所述活动信息的训练数据集作为输入量，设备受损信息训练数据集作为输出量，对预先构建的小动物危害风险评估模型进行迭代训练，得到具备活动信息与设备受损信息的映射关系的小动物危害风险评估模型。
6.根据权利要求4所述的装置，其特征在于，所述待测区域的数量为多个，所述装置还包括：
绘制模块，用于根据各所述待测区域的小动物危害风险等级，绘制风险等级分布图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211311275.8A CN115619078B (zh) | 2022-10-25 | 2022-10-25 | 一种变电站内小动物危害风险等级预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211311275.8A CN115619078B (zh) | 2022-10-25 | 2022-10-25 | 一种变电站内小动物危害风险等级预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115619078A CN115619078A (zh) | 2023-01-17 |
| CN115619078B true CN115619078B (zh) | 2023-06-02 |
Family
ID=84863612
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211311275.8A Active CN115619078B (zh) | 2022-10-25 | 2022-10-25 | 一种变电站内小动物危害风险等级预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115619078B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110598726A (zh) * | 2019-07-16 | 2019-12-20 | 广东工业大学 | 一种基于随机森林的输电杆塔鸟害风险预测方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160071059A1 (en) * | 2014-09-05 | 2016-03-10 | Shafer, Kline & Warren, Inc. | Infrastructure management, model, and deliverable creation system and method of use |
| CN113807570B (zh) * | 2021-08-12 | 2024-02-02 | 水利部南京水利水文自动化研究所 | 基于XGBoost的水库大坝风险等级评估方法及*** |
| CN114492973A (zh) * | 2022-01-18 | 2022-05-13 | 苏州热工研究院有限公司 | 一种核电厂周边海域海洋生物预测方法 |
| CN115050047A (zh) * | 2022-05-30 | 2022-09-13 | 广东电网有限责任公司 | 一种变电站内动物防护方法、装置、电子设备及存储介质 |
-
2022
- 2022-10-25 CN CN202211311275.8A patent/CN115619078B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110598726A (zh) * | 2019-07-16 | 2019-12-20 | 广东工业大学 | 一种基于随机森林的输电杆塔鸟害风险预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115619078A (zh) | 2023-01-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Flores et al. | Evolutive design of ARMA and ANN models for time series forecasting | |
| Luhandjula | Optimisation under hybrid uncertainty | |
| Decanini et al. | Robust fault diagnosis in power distribution systems based on fuzzy ARTMAP neural network-aided evidence theory | |
| CN115293326A (zh) | 电力负荷预测模型的训练方法、装置及电力负荷预测方法 | |
| CN114519514B (zh) | 一种低压台区合理线损值测算方法、***及计算机设备 | |
| Nugroho et al. | A review of simulation urban growth model | |
| Xie et al. | Autoencoder-based deep belief regression network for air particulate matter concentration forecasting | |
| CN116205544A (zh) | 基于深度神经网络和迁移学习的非侵入式负荷识别*** | |
| CN115619078B (zh) | 一种变电站内小动物危害风险等级预测方法及装置 | |
| Cao et al. | Fast and explainable warm-start point learning for AC Optimal Power Flow using decision tree | |
| CN110956281A (zh) | 一种基于Log分析的电力设备异常检测报警*** | |
| CN112363012A (zh) | 一种电网故障预警装置及方法 | |
| Pan et al. | Assessment of MV XLPE cable aging state based on PSO-XGBoost algorithm | |
| CN112668905B (zh) | 多参数配电电缆健康状态评估方法、装置、计算机设备和存储介质 | |
| Salski et al. | A fuzzy and neuro-fuzzy approach to modelling cattle grazing on pastures with low stocking rates in Central Europe | |
| CN114118759A (zh) | 一种配变台区负荷过载状态评估方法及装置 | |
| Peters et al. | Reinforcement Learning with Pattern-based Rewards. | |
| CN118100113B (zh) | 恒定型瞬态电压抑制器控制方法及*** | |
| CN115684835B (zh) | 配电网故障诊断方法、装置、设备及存储介质 | |
| Qian et al. | High load function prediction model based on decision tree | |
| Aminudin et al. | Voltage collapse risk index prediction for real time system's security monitoring | |
| CN109558258A (zh) | 一种分布式***根源故障定位的方法及装置 | |
| CN106570561A (zh) | 一种绝缘子表面不可溶沉积物密度预测***及方法 | |
| Silva et al. | Understanding the Relationship Between Population Density and Low Voltage Faults Causes in Electricity Distribution Network | |
| CN117825866A (zh) | 一种基于电网模型的电网短路容量就地检测方法及*** |
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 |