CN117057480A - 极端天气下的城市配电网故障预测方法和*** - Google Patents
极端天气下的城市配电网故障预测方法和*** Download PDFInfo
- Publication number
- CN117057480A CN117057480A CN202311185067.2A CN202311185067A CN117057480A CN 117057480 A CN117057480 A CN 117057480A CN 202311185067 A CN202311185067 A CN 202311185067A CN 117057480 A CN117057480 A CN 117057480A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- grid
- network fault
- input
- 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 61
- 238000004821 distillation Methods 0.000 claims abstract description 22
- 230000001364 causal effect Effects 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000007689 inspection Methods 0.000 claims abstract description 6
- 238000011084 recovery Methods 0.000 claims abstract description 6
- 230000007246 mechanism Effects 0.000 claims description 57
- 239000013598 vector Substances 0.000 claims description 35
- 230000000873 masking effect Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000001419 dependent effect Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 238000009825 accumulation Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000013179 statistical model Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000013112 stability test Methods 0.000 description 2
- XMWRBQBLMFGWIX-UHFFFAOYSA-N C60 fullerene Chemical compound C12=C3C(C4=C56)=C7C8=C5C5=C9C%10=C6C6=C4C1=C1C4=C6C6=C%10C%10=C9C9=C%11C5=C8C5=C8C7=C3C3=C7C2=C1C1=C2C4=C6C4=C%10C6=C9C9=C%11C5=C5C8=C3C3=C7C1=C1C2=C4C6=C2C9=C5C3=C12 XMWRBQBLMFGWIX-UHFFFAOYSA-N 0.000 description 1
- 241001050985 Disco Species 0.000 description 1
- 238000001134 F-test Methods 0.000 description 1
- 208000025274 Lightning injury Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910003472 fullerene Inorganic materials 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 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
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
Abstract
本发明提供一种极端天气下的城市配电网故障预测方法和***，涉及配电网故障预测技术领域。本发明中，采用格兰杰因果检验方法筛选出每一区域网格的配电网故障因子类型，客观分析致灾因子的复杂性；基于Informer神经网络和多任务学习的城市配电网故障的概率模型中，编码器的主副堆栈串联输出增强蒸馏操作的鲁棒性，生成式解码器实现一次性输出，提高预测速度并避免逐步预测的误差累计，解决了时间序列数据的长时依赖问题；采用多任务学习方法可实现多网格预测任务并行进行。此外，考虑了故障恢复时间、用户等级、影响范围等因素，对于灾后网格配电网运行状态进行评估，以实现分级预警，便于合理调配资源以应对极端天气的发生，维持城市配电网的正常运行。
Description
技术领域
本发明涉及配电网故障预测技术领域，具体涉及一种极端天气下的城市配电网故障预测方法、***、存储介质和电子设备。
背景技术
城市配电网电力供应占据了电力***负荷中的绝大部分，其存在分布广泛、拓扑复杂等特点。城市配电网大多采用辐射式接线，对单故障比较敏感，因而故障发生率较高。作为直接面对用户的网络，城市配电网的安全稳定运行对提高供电可靠性至关重要。历史数据表明，恶劣天气状况下更容易发生配电网故障停电，而近年来，极端自然灾害如台风、暴雨、雷击等频繁发生，不可避免的给规模庞大的电力***带来了巨大威胁。因此，如何精准预测极端天气下可能发生的城市配电网故障成为了一个难题。
关于极端天气下的城市配电网故障预测，现有技术主要从以统计模型为主的离线预警，发展为以物理模型为主的在线预警。统计模型虽然具有一定的适用性，但其不能充分体现环境相关性，无法对即将来临的灾害天气进行可靠预判。在线预警主要从灾害影响电网的途径和机理出发，跟踪外部环境信息，动态评估电网故障状态。现有技术方案中，大致可分为传统统计回归模型、传统机器学习模型和深度神经网络预测模型三个研究发展阶段。目前诸多技术方案均采用了长时间序列的历史数据作为预测基础，对时间序列进行分析。
然而，针对极端天气建立的故障模型主观性较强，仅考虑单一或较少致灾因子，忽视了微地形对气象参数的影响、没有考虑输电设备自身的老化状况等，对于致灾因素的分析不够全面，如何分析复合灾害对电网的影响是一个难题。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种极端天气下的城市配电网故障预测方法、***、存储介质和电子设备，解决了忽略复合灾害对电网的影响的技术问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一种极端天气下的城市配电网故障预测方法，引入基于Informer神经网络和多任务学习的城市配电网故障的概率模型，所述概率模型包括编码器和解码器；该方法包括：
S1、网格化指定的城市配电网区域；将每一网格的各项历史故障影响因素数据作为自变量，以及将相应的历史配电网故障数据作为因变量，采用因果分析方法筛选出每一网格的配电网故障因子类型；
S2、将每一网格的配电网故障因子时间序列作为编码器的主堆栈的输入，以及将至少一次减半的配电网故障因子时间序列作为编码器的副堆栈的输入，将所有堆栈的输出进行串联，获取最终隐藏表示各任务的最终隐藏表示；其中，所述主堆栈和副堆栈均由多头概率稀疏自注意力机制和蒸馏操作堆叠而成；
S3、将每一网格的使用0占位符之后的历史配电网故障数据序列作为解码器的带掩盖的多头自注意力机制的输入，以及将所述带掩盖的多头自注意力机制的输出和相应的隐藏层表示作为解码器的多头注意力机制的输入，获取每一网格的配电网故障概率预测数据；
S4、根据所述历史配电网故障数据和配电网故障概率预测数据，构建损失函数并训练所述概率模型直至收敛；
S5、将所述指定的城市配电网区域每一网格当前的配电网故障因子时间序列，作为收敛后的概率模型的输入，获取每一网格的当前配电网故障预测结果。
优选的，包括：
S6、根据每一网格的当前配电网故障预测结果，获取相应的网格灾害指数；
S7、根据每一网格的网格灾害指数，获取相应的分级预警结果。
优选的，所述S1中采用格兰杰因果检验方法筛选出每一网格的配电网故障因子类型。
优选的，所述S2包括：
S21、将每一网格的配电网故障因子时间序列进行标准化处理；
其中，Zijt、Z'ijt分别表示归一化前、归一化后的第i个网格第j类故障因子在t时刻的数据；min、max分别表示取最小值、最大值；t0代表样本初始时刻，T为样本终止时刻；i＝1,2,...,n表示网格索引，n表示网格总数；j＝1,2,...,Ji表示故障因子类型索引，Ji表示第i个网格的故障因子类型总数；
S22、采用位置编码为归一化后的配电网故障因子时间序列添加上下文信息，以及使用可学习戳嵌入表示全局时间戳，获取模型的输入向量；
其中，表示模型的输入表示向量；u'ijt表示使用一维卷积滤波器将Z'ijt映射到dmodel维的向量；PE表示位置编码；SE表示可学习戳嵌入；p表示全局时间戳的类型数；
pos为位置索引，表示配电网故障因子时间序列的时间步位置；h为维度索引，表示配电网故障因子时间序列在输入序列中的维度；dmodel代表输入的维度；sin为正弦、cos为余弦；
S23、将模型的输入表示向量作为编码器的输入，包括：
在所述主堆栈，依次通过堆叠的多头概率稀疏自注意力机制蒸馏操作降低输入表示向量的复杂度，获取相应的输出向量；
在至少一个所述副堆栈，将前一个堆栈的输入表示向量减半作为输入，依次通过堆叠的多头概率稀疏自注意力机制蒸馏操作降低输入表示向量的复杂度，获取相应的输出向量；
将所有堆栈的输出进行串联，获取各任务的最终隐藏表示Hi。
优选的，所述S3中：
在所述带掩盖的多头自注意力机制，基于掩盖矩阵获取相应的输出向量；在所述多头注意力机制，融合带掩盖的多头自注意力机制的输出和最终隐藏表示，连接相应的全连接层独立获取每一网格的配电网故障概率预测数据。
优选的，所述S4中的损失函数F表示为：
其中，tde表示预测时间长度，由解码器输入时使用0占位的长度决定；yit分别表示第i个网格的历史配电网故障数据，yit＝0或1，取0时表示第i个网在t时刻未发生配电网故障，取1表示发生配电网故障；y'it表示配电网故障概率预测数据，y'it∈[0,1]。
优选的，所述S6中采用层次分析法计算各灾后评估因素的权重，结合每一网格的当前配电网故障预测结果，获取相应的网格灾害指数，其中所述灾后评估因素至少包括故障恢复时间、用户等级、影响范围。
优选的，所述S7中设置分级阈值P1、P2、P3，分别将每一网格的网格灾害指数与阈值对比进行分级预警，其中P1<P2<P3。
一种极端天气下的城市配电网故障预测***，引入基于Informer神经网络和多任务学习的城市配电网故障的概率模型，所述概率模型包括编码器和解码器；该***包括：
筛选模块，用于网格化指定的城市配电网区域；将每一网格的各项历史故障影响因素数据作为自变量，以及将相应的历史配电网故障数据作为因变量，采用因果分析方法筛选出每一网格的配电网故障因子类型；
编码模块，用于将每一网格的配电网故障因子时间序列作为编码器的主堆栈的输入，以及将至少一次减半的配电网故障因子时间序列作为编码器的副堆栈的输入，将所有堆栈的输出进行串联，获取最终隐藏表示各任务的最终隐藏表示；其中，所述主堆栈和副堆栈均由多头概率稀疏自注意力机制和蒸馏操作堆叠而成；
解码模块，用于将每一网格的使用0占位符之后的历史配电网故障数据序列作为解码器的带掩盖的多头自注意力机制的输入，以及将所述带掩盖的多头自注意力机制的输出和相应的隐藏层表示作为解码器的多头注意力机制的输入，获取每一网格的配电网故障概率预测数据；
训练模块，用于根据所述历史配电网故障数据和配电网故障概率预测数据，构建损失函数并训练所述概率模型直至收敛；
预测模块，用于将所述指定的城市配电网区域每一网格当前的配电网故障因子时间序列，作为收敛后的概率模型的输入，获取每一网格的当前配电网故障预测结果。
优选的，所述城市配电网故障预测***，包括：
计算模块，用于根据每一网格的当前配电网故障预测结果，获取相应的网格灾害指数；
预警模块，用于根据每一网格的网格灾害指数，获取相应的分级预警结果。
一种存储介质，其存储有用于极端天气下的城市配电网故障预测的计算机程序，其中，所述计算机程序使得计算机执行如上所述的城市配电网故障预测方法。
一种电子设备，包括：
一个或多个处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上所述的城市配电网故障预测方法。
(三)有益效果
本发明提供了一种极端天气下的城市配电网故障预测方法、***、存储介质和电子设备。与现有技术相比，具备以下有益效果：
本发明中，针对指定的城市配电网区域，采用因果分析方法筛选出每一区域网格的配电网故障因子类型，客观分析致灾因子的复杂性；并引入基于Informer神经网络和多任务学习的城市配电网故障的概率模型，其中多头概率稀疏自注意力机制降低了时间复杂度，编码器的主副堆栈串联输出增强了蒸馏操作的鲁棒性，生成式解码器实现一次性输出，提高预测速度并避免逐步预测的误差累计，解决了时间序列数据的长时依赖问题，而且采用多任务学习方法可实现多网格预测任务并行进行，输出多网格故障概率。
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为本发明实施例提供的一种基于Informer神经网络和多任务学习的城市配电网故障概率预测模型；
图2为本发明实施例提供的一种极端天气下的城市配电网故障预测方法的方框图；
图3为本发明实施例提供的另一种极端天气下的城市配电网故障预测方法的方框图；
图4为本发明实施例提供的一种极端天气下的城市配电网故障预测***的结构图；
图5为本发明实施例提供的另一种极端天气下的城市配电网故障预测***的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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他实施例，都属于本发明保护的范围。
本申请实施例通过提供一种极端天气下的城市配电网故障预测方法、***、存储介质和电子设备，解决了忽略复合灾害对电网的影响的技术问题。
本申请实施例中的技术方案为解决上述技术问题，总体思路如下：
首先，将城市配电网区域网格化，考虑多种致灾因素对于配电网的影响，将各网格的故障影响因素数据进行格兰杰因果检验，从而寻找到与配电网故障相关的故障因子。
其次，利用如图1所示的Informer神经网络及多任务学习方法构建配电网故障概率预测模型。将各任务的训练集数据输入编码器，通过共享的多头概率稀疏自注意力机制，注意力机制中的Key只关注主要的Query，忽略次要的Query，降低了计算的复杂度。然后通过蒸馏操作，将具有支配特征的优势特征进行特权化，并通过减半输入构建副堆栈，主副堆栈输出的序列拼接起来，输出各个任务的特征图，从而增强了蒸馏操作的鲁棒性。在解码器部分输入使用了0占位的序列，同时构建多个解码器结构，实现多任务并行进行，编码器的输出通过基于掩盖机制的多头概率稀疏自注意力机制，从而避免了自回归，最终通过多个全连接层，一次性生成多个网格后续的预测数据，避免了误差累积，提高了预测的精度。
最后，利用层次分析法计算灾后评估因素的权重，并评估各网格故障发生后的灾害影响程度，从而实现分级预警。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例：
如图2所示，本发明实施例提供了一种极端天气下的城市配电网故障预测方法，引入基于Informer神经网络和多任务学习的城市配电网故障的概率模型，所述概率模型包括编码器和解码器；该方法包括：
S1、网格化指定的城市配电网区域；将每一网格的各项历史故障影响因素数据作为自变量，以及将相应的历史配电网故障数据作为因变量，采用因果分析方法筛选出每一网格的配电网故障因子类型；
S2、将每一网格的配电网故障因子时间序列作为编码器的主堆栈的输入，以及将至少一次减半的配电网故障因子时间序列作为编码器的副堆栈的输入，将所有堆栈的输出进行串联，获取最终隐藏表示各任务的最终隐藏表示；其中，所述主堆栈和副堆栈均由多头概率稀疏自注意力机制和蒸馏操作堆叠而成；
S3、将每一网格的使用0占位符之后的历史配电网故障数据序列作为解码器的带掩盖的多头自注意力机制的输入，以及将所述带掩盖的多头自注意力机制的输出和相应的隐藏层表示作为解码器的多头注意力机制的输入，获取每一网格的配电网故障概率预测数据；
S4、根据所述历史配电网故障数据和配电网故障概率预测数据，构建损失函数并训练所述概率模型直至收敛；
S5、将所述指定的城市配电网区域每一网格当前的配电网故障因子时间序列，作为收敛后的概率模型的输入，获取每一网格的当前配电网故障预测结果。
本发明实施例中，针对指定的城市配电网区域，采用因果分析方法筛选出每一区域网格的配电网故障因子类型，客观分析致灾因子的复杂性；并引入基于Informer神经网络和多任务学习的城市配电网故障的概率模型，其中多头概率稀疏自注意力机制降低了时间复杂度，编码器的主副堆栈串联输出增强了蒸馏操作的鲁棒性，生成式解码器实现一次性输出，提高预测速度并避免逐步预测的误差累计，解决了时间序列数据的长时依赖问题，而且采用多任务学习方法可实现多网格预测任务并行进行，输出多网格故障概率。
在一可选的实施方式中，如图3所示，所述城市配电网故障预测方法还包括：
S6、根据每一网格的当前配电网故障预测结果，获取相应的网格灾害指数；
S7、根据每一网格的网格灾害指数，获取相应的分级预警结果。
本发明实施例考虑了各灾后评估因素，例如故障恢复时间、用户等级、影响范围等，对于灾后网格配电网运行状态进行评估，以实现分级预警，便于合理调配资源以应对极端天气的发生，维持城市配电网的正常运行。
接下来将详细介绍上述方案的各个步骤：
在步骤S1中，网格化指定的城市配电网区域；将每一网格的各项历史故障影响因素数据作为自变量，以及将相应的历史配电网故障数据作为因变量，采用因果分析方法筛选出每一网格的配电网故障因子类型。
极端天气下，往往城市气象数据会出现异常，同时也会对配电网设备造成不良影响，综合考虑各种影响因素，使用因果关系分析剔除与故障发生无关的因素，为了筛选出极端天气下城市配电网故障的故障因子类型，示例性的本步骤中采用格兰杰因果检验方法筛选出每一网格的配电网故障因子类型。具体包括：
对于固定的待预测区域，考虑到网格化能够更有目的性地管理和提炼灾害数据，为了快速锁定故障覆盖区域及灾害覆盖区域，将待预测区域划分为n个网格
各网格分别选取r类故障影响因子，例如平均降雨量、风级、气温、地质、设备老化度、设备负载等，将它们的时间序列设为{xijt}(i＝1,2，...,n,j＝1,2,...,r)，表示第i个网格第j类故障影响因子的时间序列，同时将网格内配电网发生故障的时间序列设为{yit}，表示第i个网格内发生配电网故障(以0或1表示)的时间序列。对于各网格，将故障影响因素作为自变量，将网格内配电网故障作为因变量，检验配电网故障与各故障影响因素之间的关系。
在格兰杰因果检验中为了避免出现虚假回归的问题，需要保证时间序列具有平稳性，首先使用扩展的迪克富勒检验对于{xijt}、{yit}进行平稳性检验。根据P值判断其显著水平，能否拒绝原假设可得知是否平稳，若不平稳则对序列进行差分，平稳则可确定滞后阶数，满足格兰杰因果检验的前提条件。
通过平稳性检验后，进行格兰杰因果检验，构造带有xij的滞后项和yi的滞后项的回归方程，如下式所示。计算此回归方程的残差平方和Rui。
构造yi对所有yi(t-l)以及其他变量的回归方程，不包括xij的滞后项xij(t-k)，如下式所示，计算此回归方程残差平方和Rri。
在第i个网格中，xij(t-k)为xijt的滞后项；yi(t-l)为yit的滞后项；q为变量yi回归方程中的滞后长度；k和l为滞后项数；γ1it和γ2it为白噪声；αik为xij的系数估计值；βil为yi的系数估计值。
建立零假设，H0:αik＝0，即第i个网格中，第j类故障影响因子{xijt}不是引起配电网故障{yit}的格兰杰原因。使用F检验来检验此假设，筛选出各网格中影响配电网故障的配电网故障因子，记为Zij(i＝1,2，…,n,j＝1,2,…,Ji)，表示第i个网格第j类配电网故障因子，每个网格对应的故障因子数目Ji不同。
在步骤S2中，将每一网格的配电网故障因子时间序列作为编码器的主堆栈的输入，以及将至少一次减半的配电网故障因子时间序列作为编码器的副堆栈的输入，将所有堆栈的输出进行串联，获取最终隐藏表示各任务的最终隐藏表示；其中，所述主堆栈和副堆栈均由多头概率稀疏自注意力机制和蒸馏操作堆叠而成。
基于网格化的故障预测，需要预测多个网格的故障概率，各任务之间具有相似性，所以提出了基于Informer模型的多任务学习方法，更快速、有效地实现城市配电网故障概率预测。该模型的输入分为n个任务对应的数据集{Z1jt},…,{Zijt},…,{Znjt}，分别包含了第i个网格的Ji个故障因子的时间序列。
具体的，所述S2包括：
S21、将每一网格的配电网故障因子时间序列进行标准化处理(即数据规范化)。
由于每类故障因子的输入数据值在数量级上相差较大，不同的输入数据具有不同的量纲，为了消除影响配电网故障相关因子之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。
在此采用最大-最小规范化处理，如下式所示：
S21、将每一网格的配电网故障因子时间序列进行标准化处理；
其中，Zijt、Z'ijt分别表示归一化前、归一化后的第i个网格第j类故障因子在t时刻的数据；min、max分别表示取最小值、最大值；t0代表样本初始时刻，T为样本终止时刻；i＝1,2,...,n表示网格索引，n表示网格总数；j＝1,2,...,Ji表示故障因子类型索引，Ji表示第i个网格的故障因子类型总数。
图1是提出的多任务学习下的城市配电网故障概率预测模型，多任务的数据同时输入该模型，共同通过编码器的多头概率稀疏自注意力层、蒸馏操作等操作输出各自的特征图，共享知识和特征，从而提高模型的泛化能力。采用带掩盖的多头概率稀疏自注意机制，各任务对应的解码器结构接受对应任务的特征图输入，通过全连接层输出电网故障概率预测，继而所述S2还包括：
S22、采用位置编码为归一化后的配电网故障因子时间序列添加上下文信息，以及使用可学习戳嵌入表示全局时间戳，获取模型的输入向量；
其中，表示模型的输入表示向量；u'ijt表示使用一维卷积滤波器将Z'ijt映射到dmodel维的向量；PE表示位置编码；SE表示可学习戳嵌入；p表示全局时间戳的类型数；
pos为位置索引，表示配电网故障因子时间序列的时间步位置；h为维度索引，表示配电网故障因子时间序列在输入序列中的维度；dmodel代表输入的维度；sin为正弦、cos为余弦；
S23、将模型的输入表示向量作为编码器的输入，包括：
在所述主堆栈(用stack1表示)，依次通过堆叠的多头概率稀疏自注意力机制蒸馏操作降低输入表示向量的复杂度，获取相应的输出向量。
概率稀疏自注意力机制中包含Query向量、Key向量及Value向量。为每个Query都随机采样部分的Key，默认值为5lnL，L为Query长度，利用KL-散度计算每个Query的稀疏性得分，如下式所示：
其中，M(qj,K)代表第j个Query的稀疏性得分；LK为Query查询向量的长度；d为输入故障因子序列的维度。
选取稀疏性得分最高的N个Query，N默认值为5lnL，只计算这N个Query和Key的点积结果，计算操作如下式所示，其他L-N个Query直接取输入Value的均值作为输出。
其中，Softmax()是激活函数，Os表示第s个注意头的输出，Qs、Ks、Vs分别表示针对第s个注意头的查询、键和值，为经过稀疏化的第s个注意头的查询，/>为Ks的转置，ds表示第s个注意头的维度，一般为输入数据维度dmodel除以注意头的数量，注意头的数量根据预测多网格配电网故障概率的规模和复杂度决定。
通过蒸馏操作，将具有支配特征的优势特征进行特权化，通过ELU激活函数后添加池化层实现输入长度减半，从第f层到f+1层的过程如下式所示。
zf+1＝MaxPool(ELU(Convld([zf]AB))
其中，MaxPool为最大池化操作；ELU()为激活函数；Conv1d表示一维卷积操作；[·]AB表示包括多头概率稀疏自注意操作和注意力块的关键操作
为了降低模型的计算复杂度，构建stack1的副本，副堆栈减半输入和逐步减少自注意力蒸馏层的数量。stack1是主堆栈，接收整个输入序列，由多头概率稀疏自注意力机制和蒸馏操作堆叠而成；stack2作为副堆栈，与stack1内部操作相同，但是相比于主堆栈，副堆栈减半输入，只接收一半的输入切片，随后的堆栈重复。
即在至少一个所述副堆栈，将前一个堆栈的输入表示向量减半作为输入，依次通过堆叠的多头概率稀疏自注意力机制蒸馏操作降低输入表示向量的复杂度，获取相应的输出向量；
最后，将所有堆栈的输出进行串联，获取各任务的最终隐藏表示Hi。
综上，编码器获取配电网故障数据和配电网故障因子时间序列的依赖关系并映射为配电网故障信息的中间特征。
在步骤S3中，将每一网格的使用0占位符之后的历史配电网故障数据序列作为解码器的带掩盖的多头自注意力机制的输入，以及将所述带掩盖的多头自注意力机制的输出和相应的隐藏层表示作为解码器的多头注意力机制的输入，获取每一网格的配电网故障概率预测数据。
进行多任务学习时，每个任务对应一个独立的解码器结构，为了同时预测n个网格的配电网故障概率，解码器中有n个解码器结构。
在解码器部分，各解码结构输入对应的网格的故障数据，但是输入的数据序列只选取需要预测的序列之前的一个片段而需要预测序列部分使用0占位表示为/>输入数据表示为/>
输入至带掩盖的多头自注意力机制，创建一个掩盖矩阵，该矩阵的形状是解码器输入序列的长度乘以解码器输入序列的长度，矩阵中的每个元素都是一个布尔值。掩盖矩阵中标记为True的位置表示需要被掩盖的位置，也就是模型在预测时应该忽略的位置。
每个任务的解码器结构接收编码器输出的对应任务的特征图Hi，并独立地生成对应网格的配电网故障预测结果。对于第i个网格的预测任务，带掩盖的多头自注意力机制输出的数据和编码器得出的特征图Hi输入编码器的多头注意力机制，进而连接对应的全连接层输出第i个网格t时刻的配电网故障概率预测y'it,其中t＝T,T+1,...,T+tde，tde表示预测时间长度，由解码器输入时使用0占位的长度决定。
即在所述S3中：在所述带掩盖的多头自注意力机制，基于掩盖矩阵获取相应的输出向量；在所述多头注意力机制，融合带掩盖的多头自注意力机制的输出和最终隐藏表示，连接相应的全连接层独立获取每一网格的配电网故障概率预测数据。
在步骤S4中，根据所述历史配电网故障数据和配电网故障概率预测数据，构建损失函数并训练所述概率模型直至收敛。
示例性的，所述损失函数F表示为：
其中，tde表示预测时间长度，由解码器输入时使用0占位的长度决定；yit分别表示第i个网格的历史配电网故障数据，yit＝0或1，取0时表示第i个网在t时刻未发生配电网故障，取1表示发生配电网故障；y'it表示配电网故障概率预测数据，y'it∈[0,1]。
在步骤S5中，将所述指定的城市配电网区域每一网格当前的配电网故障因子时间序列，作为收敛后的概率模型的输入，获取每一网格的当前配电网故障预测结果。
在步骤S6中，根据每一网格的当前配电网故障预测结果，获取相应的网格灾害指数。
本步骤中采用层次分析法计算各灾后评估因素的权重，结合每一网格的当前配电网故障预测结果，获取相应的网格灾害指数，其中所述灾后评估因素设定m种，例如故障恢复时间、用户等级、影响范围等。
具体的而言：
利用层次分析法计算各灾后评估因素的权重。根据专家给出的评估权重，得到判断矩阵Am，按列归一化后计算得出权重值wu(u＝1，2，……，m)并进行一致性判断。
对于各网格收集的灾后评估因素Siu，表示第i个网格的第u个灾后评估因素，先将各参数进行归一化处理后得到S'iu，计算灾害指数如下式所示。
其中，pit表示第i个网格第t个时刻的灾害指数。
在步骤S7中，根据每一网格的网格灾害指数，获取相应的分级预警结果。
本步骤中设置分级阈值P1、P2、P3，分别将每一网格的网格灾害指数与阈值对比进行分级预警，其中P1<P2<P3。
具体而言，所述分级预警包括：
(1)当pit>P3，一级预警；(2)当P3>pit>P2，二级预警；(3)当P2>pit>P1，一级预警。
如图4所示，本发明实施例还提供了一种极端天气下的城市配电网故障预测***，引入基于Informer神经网络和多任务学习的城市配电网故障的概率模型，所述概率模型包括编码器和解码器；该***包括：
筛选模块，用于网格化指定的城市配电网区域；将每一网格的各项历史故障影响因素数据作为自变量，以及将相应的历史配电网故障数据作为因变量，采用因果分析方法筛选出每一网格的配电网故障因子类型；
编码模块，用于将每一网格的配电网故障因子时间序列作为编码器的主堆栈的输入，以及将至少一次减半的配电网故障因子时间序列作为编码器的副堆栈的输入，将所有堆栈的输出进行串联，获取最终隐藏表示各任务的最终隐藏表示；其中，所述主堆栈和副堆栈均由多头概率稀疏自注意力机制和蒸馏操作堆叠而成；
解码模块，用于将每一网格的使用0占位符之后的历史配电网故障数据序列作为解码器的带掩盖的多头自注意力机制的输入，以及将所述带掩盖的多头自注意力机制的输出和相应的隐藏层表示作为解码器的多头注意力机制的输入，获取每一网格的配电网故障概率预测数据；
训练模块，用于根据所述历史配电网故障数据和配电网故障概率预测数据，构建损失函数并训练所述概率模型直至收敛；
预测模块，用于将所述指定的城市配电网区域每一网格当前的配电网故障因子时间序列，作为收敛后的概率模型的输入，获取每一网格的当前配电网故障预测结果。
在一可选的实施方式中，如图5所示，所述城市配电网故障预测***还包括：
计算模块，用于根据每一网格的当前配电网故障预测结果，获取相应的网格灾害指数；
预警模块，用于根据每一网格的网格灾害指数，获取相应的分级预警结果。
本发明实施例还提供了一种存储介质，其存储有用于极端天气下的城市配电网故障预测的计算机程序，其中，所述计算机程序使得计算机执行如上所述的城市配电网故障预测方法。
本发明实施例还提供了一种电子设备，包括：
一个或多个处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上所述的城市配电网故障预测方法。
不难理解的是，本发明实施例提供的极端天气下的城市配电网故障预测***、存储介质和电子设备与上述极端天气下的城市配电网故障预测方法相对应，其有关内容的解释、举例、有益效果等部分可以参考城市配电网故障预测方法中的相应内容，此处不再赘述。
综上所述，与现有技术相比，具备以下有益效果：
1、本发明实施例中，针对指定的城市配电网区域，采用格兰杰因果检验方法筛选出每一区域网格的配电网故障因子类型，客观分析致灾因子的复杂性；并引入基于Informer神经网络和多任务学习的城市配电网故障的概率模型，其中多头概率稀疏自注意力机制降低了时间复杂度，编码器的主副堆栈串联输出增强了蒸馏操作的鲁棒性，生成式解码器实现一次性输出，提高预测速度并避免逐步预测的误差累计，解决了时间序列数据的长时依赖问题，而且采用多任务学习方法可实现多网格预测任务并行进行，输出多网格故障概率。
2、本发明实施例考虑了故障恢复时间、用户等级、影响范围等因素，对于灾后网格配电网运行状态进行评估，以实现分级预警，便于合理调配资源以应对极端天气的发生，维持城市配电网的正常运行。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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 (10)
1.一种极端天气下的城市配电网故障预测方法，其特征在于，引入基于Informer神经网络和多任务学习的城市配电网故障的概率模型，所述概率模型包括编码器和解码器；该方法包括：
S1、网格化指定的城市配电网区域；将每一网格的各项历史故障影响因素数据作为自变量，以及将相应的历史配电网故障数据作为因变量，采用因果分析方法筛选出每一网格的配电网故障因子类型；
S2、将每一网格的配电网故障因子时间序列作为编码器的主堆栈的输入，以及将至少一次减半的配电网故障因子时间序列作为编码器的副堆栈的输入，将所有堆栈的输出进行串联，获取各任务的最终隐藏表示；其中，所述主堆栈和副堆栈均由多头概率稀疏自注意力机制和蒸馏操作堆叠而成；
S3、将每一网格的使用0占位符之后的历史配电网故障数据序列作为解码器的带掩盖的多头自注意力机制的输入，以及将所述带掩盖的多头自注意力机制的输出和相应的隐藏层表示作为解码器的多头注意力机制的输入，获取每一网格的配电网故障概率预测数据；
S4、根据所述历史配电网故障数据和配电网故障概率预测数据，构建损失函数并训练所述概率模型直至收敛；
S5、将所述指定的城市配电网区域每一网格当前的配电网故障因子时间序列，作为收敛后的概率模型的输入，获取每一网格的当前配电网故障预测结果。
2.如权利要求1所述的城市配电网故障预测方法，其特征在于，包括：
S6、根据每一网格的当前配电网故障预测结果，获取相应的网格灾害指数；
S7、根据每一网格的网格灾害指数，获取相应的分级预警结果。
3.如权利要求1或2所述的城市配电网故障预测方法，其特征在于，所述S1中采用格兰杰因果检验方法筛选出每一网格的配电网故障因子类型。
4.如权利要求1或2所述的城市配电网故障预测方法，其特征在于，所述S2包括：
S21、将每一网格的配电网故障因子时间序列进行标准化处理；
其中，Zijt、Z′ijt分别表示归一化前、归一化后的第i个网格第j类故障因子在t时刻的数据；min、max分别表示取最小值、最大值；t0代表样本初始时刻，T为样本终止时刻；i＝1,2,...,n表示网格索引，n表示网格总数；j＝1,2,...,Ji表示故障因子类型索引，Ji表示第i个网格的故障因子类型总数；
S22、采用位置编码为归一化后的配电网故障因子时间序列添加上下文信息，以及使用可学习戳嵌入表示全局时间戳，获取模型的输入向量；
其中，表示模型的输入表示向量；u′ijt表示使用一维卷积滤波器将Z′ijt映射到dmodel维的向量；PE表示位置编码；SE表示可学习戳嵌入；p表示全局时间戳的类型数；
pos为位置索引，表示配电网故障因子时间序列的时间步位置；h为维度索引，表示配电网故障因子时间序列在输入序列中的维度；dmodel代表输入的维度；sin为正弦、cos为余弦；
S23、将模型的输入表示向量作为编码器的输入，包括：
在所述主堆栈，依次通过堆叠的多头概率稀疏自注意力机制蒸馏操作降低输入表示向量的复杂度，获取相应的输出向量；
在至少一个所述副堆栈，将前一个堆栈的输入表示向量减半作为输入，依次通过堆叠的多头概率稀疏自注意力机制蒸馏操作降低输入表示向量的复杂度，获取相应的输出向量；
将所有堆栈的输出进行串联，获取各任务的最终隐藏表示Hi；
和/或所述S3中：
在所述带掩盖的多头自注意力机制，基于掩盖矩阵获取相应的输出向量；在所述多头注意力机制，融合带掩盖的多头自注意力机制的输出和最终隐藏表示，连接相应的全连接层独立获取每一网格的配电网故障概率预测数据。
5.如权利要求1或2所述的城市配电网故障预测方法，其特征在于，所述S4中的损失函数F表示为：
其中，tde表示预测时间长度，由解码器输入时使用0占位的长度决定；yit分别表示第i个网格的历史配电网故障数据，yit＝0或1，取0时表示第i个网在t时刻未发生配电网故障，取1表示发生配电网故障；y′it表示配电网故障概率预测数据，y′it∈[0,1]。
6.如权利要求2所述的城市配电网故障预测方法，其特征在于，
所述S6中采用层次分析法计算各灾后评估因素的权重，结合每一网格的当前配电网故障预测结果，获取相应的网格灾害指数，其中所述灾后评估因素至少包括故障恢复时间、用户等级、影响范围；
和/或所述S7中设置分级阈值P1、P2、P3，分别将每一网格的网格灾害指数与阈值对比进行分级预警，其中P1<P2<P3。
7.一种极端天气下的城市配电网故障预测***，其特征在于，引入基于Informer神经网络和多任务学习的城市配电网故障的概率模型，所述概率模型包括编码器和解码器；该***包括：
筛选模块，用于网格化指定的城市配电网区域；将每一网格的各项历史故障影响因素数据作为自变量，以及将相应的历史配电网故障数据作为因变量，采用因果分析方法筛选出每一网格的配电网故障因子类型；
编码模块，用于将每一网格的配电网故障因子时间序列作为编码器的主堆栈的输入，以及将至少一次减半的配电网故障因子时间序列作为编码器的副堆栈的输入，将所有堆栈的输出进行串联，获取各任务最终隐藏表示；其中，所述主堆栈和副堆栈均由多头概率稀疏自注意力机制和蒸馏操作堆叠而成；
解码模块，用于将将每一网格的使用0占位符之后的历史配电网故障数据序列作为解码器的带掩盖的多头自注意力机制的输入，以及将所述带掩盖的多头自注意力机制的输出和相应的隐藏层表示作为解码器的多头注意力机制的输入，获取每一网格的配电网故障概率预测数据；
训练模块，用于根据所述历史配电网故障数据和配电网故障概率预测数据，构建损失函数并训练所述概率模型直至收敛；
预测模块，用于将所述指定的城市配电网区域每一网格当前的配电网故障因子时间序列，作为收敛后的概率模型的输入，获取每一网格的当前配电网故障预测结果。
8.如权利要求7所述的城市配电网故障预测***，其特征在于，包括：
计算模块，用于根据每一网格的当前配电网故障预测结果，获取相应的网格灾害指数；
预警模块，用于根据每一网格的网格灾害指数，获取相应的分级预警结果。
9.一种存储介质，其特征在于，其存储有用于极端天气下的城市配电网故障预测的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1～6任一项所述的城市配电网故障预测方法。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如权利要求1～6任一项所述的城市配电网故障预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311185067.2A CN117057480A (zh) | 2023-09-13 | 2023-09-13 | 极端天气下的城市配电网故障预测方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311185067.2A CN117057480A (zh) | 2023-09-13 | 2023-09-13 | 极端天气下的城市配电网故障预测方法和*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117057480A true CN117057480A (zh) | 2023-11-14 |
Family
ID=88659142
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311185067.2A Pending CN117057480A (zh) | 2023-09-13 | 2023-09-13 | 极端天气下的城市配电网故障预测方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117057480A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117909887A (zh) * | 2024-03-19 | 2024-04-19 | 国网山东省电力公司嘉祥县供电公司 | 一种电网雷电多重预警方法及*** |
-
2023
- 2023-09-13 CN CN202311185067.2A patent/CN117057480A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117909887A (zh) * | 2024-03-19 | 2024-04-19 | 国网山东省电力公司嘉祥县供电公司 | 一种电网雷电多重预警方法及*** |
| CN117909887B (zh) * | 2024-03-19 | 2024-05-31 | 国网山东省电力公司嘉祥县供电公司 | 一种电网雷电多重预警方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102149495B1 (ko) | 환경 예측 모델의 훈련지표 최적화 장치 및 그 동작방법 | |
| CN114399066B (zh) | 基于弱监督学习的机械设备预知性维护***和维护方法 | |
| CN117057480A (zh) | 极端天气下的城市配电网故障预测方法和*** | |
| CN113343581B (zh) | 基于图马尔可夫神经网络的变压器故障的诊断方法 | |
| Shi et al. | A novel unsupervised real‐time damage detection method for structural health monitoring using machine learning | |
| CN116738192A (zh) | 一种基于数字孪生的安全数据评估方法及*** | |
| CN117371207A (zh) | 一种特高压换流阀状态评价方法、介质及*** | |
| Zhou et al. | Functional networks and applications: A survey | |
| CN117435997B (zh) | 一种基于Transformer和时序压缩机制的电梯预警及按需维保方法 | |
| Li et al. | A lstm-based method for comprehension and evaluation of network security situation | |
| CN117633592A (zh) | 一种新能源电站智能监盘*** | |
| Dang et al. | seq2graph: Discovering dynamic non-linear dependencies from multivariate time series | |
| CN117493798A (zh) | 一种气象环境数据分析方法及*** | |
| CN117493930A (zh) | 一种基于对比生成对抗网络的多元时间序列异常检测方法 | |
| CN114580472B (zh) | 工业互联网中因果与注意力并重的大型设备故障预测方法 | |
| Dang et al. | seq2graph: discovering dynamic dependencies from multivariate time series with multi-level attention | |
| Chen et al. | Self-attention mechanism based dynamic fault diagnosis and classification for chemical processes | |
| Song et al. | Bearing Fault Diagnosis Method Based on Multidomain Heterogeneous Information Entropy Fusion and Model Self‐Optimisation | |
| CN116170200A (zh) | 电力监控***时间序列异常检测方法、***、设备及存储介质 | |
| Gu et al. | A High-Robust Displacement Prediction Model for Super-High Arch Dams Integrating Wavelet De-Noising and Improved Random Forest. Water 2023; 15 (7): 1271 | |
| CN117667495B (zh) | 一种关联规则与深度学习集成的应用***故障预测方法 | |
| CN115174421B (zh) | 基于自监督解缠绕超图注意力的网络故障预测方法及装置 | |
| CN117633456B (zh) | 基于自适应焦点损失的海上风电天气事件辨识方法和装置 | |
| CN118015839B (zh) | 一种高速公路路域风险预测方法及装置 | |
| Li | Machine Learning Based Seismic Structural Health Monitoring and Reconnaissance |
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 |