CN118263872A - 一种定制化电压暂降治理优化方法及*** - Google Patents
一种定制化电压暂降治理优化方法及*** Download PDFInfo
- Publication number
- CN118263872A CN118263872A CN202410452152.9A CN202410452152A CN118263872A CN 118263872 A CN118263872 A CN 118263872A CN 202410452152 A CN202410452152 A CN 202410452152A CN 118263872 A CN118263872 A CN 118263872A
- Authority
- CN
- China
- Prior art keywords
- voltage sag
- voltage
- sag
- coefficient
- decision
- 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 76
- 238000005457 optimization Methods 0.000 title claims abstract description 25
- 238000011282 treatment Methods 0.000 claims abstract description 109
- 238000012544 monitoring process Methods 0.000 claims abstract description 89
- 238000009826 distribution Methods 0.000 claims abstract description 72
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 230000008447 perception Effects 0.000 claims abstract description 25
- 230000003213 activating effect Effects 0.000 claims abstract description 11
- 230000000694 effects Effects 0.000 claims description 71
- 238000011156 evaluation Methods 0.000 claims description 52
- 230000002159 abnormal effect Effects 0.000 claims description 46
- 238000005067 remediation Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000013210 evaluation model Methods 0.000 claims description 17
- 230000005856 abnormality Effects 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000012732 spatial analysis Methods 0.000 claims description 2
- 238000007726 management method Methods 0.000 description 76
- 230000008569 process Effects 0.000 description 25
- 238000004088 simulation Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003631 expected effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Abstract
本申请涉及电力工程技术领域,提供一种定制化电压暂降治理优化方法及***。所述方法包括:通过采集电力***基础信息,加载电压暂降记录并进行空间特征分析,建立电压监测传感阵列,监测***电压分布。利用大数据构建电压暂降感知模型,实现电压暂降识别,得到感知系数。基于感知系数,激活治理寻优模块进行电压暂降治理参数优化,获取治理决策。将决策传输至治理模块,实时执行电力***的电压暂降治理。本申请通过搭建电压暂降感知模型,实现对电压分布数据源的实时监测和分析,解决因电压暂降的监测和识别不足导致的电压暂降发生频率过高的技术问题,确保电力***的可靠性和稳定性。
Description
技术领域
本申请涉及电力工程技术领域,具体涉及电力***监测与控制技术领域,尤其涉及一种定制化电压暂降治理优化方法及***。
背景技术
随着电力工业、制造业和信息技术等领域的飞速发展,电力***的稳定性和可靠性对各行各业的生产运营越来越重要。然而,电压暂降事件作为影响电能质量的主要问题之一,常常导致设备故障、生产中断,甚至可能造成重大经济损失。传统的电压暂降治理方法在实际应用中面临着控制精度低和响应速度慢的挑战,难以快速有效地应对电压暂降问题在电力***中频繁发生的问题。这导致电力***的可靠性受到威胁,因此需要有效的监测和治理手段。
在此背景下,一种定制化电压暂降治理优化方法及***应运而生,旨在通过搭建电压暂降感知模型,实现对电压分布数据源的实时监测和分析,解决因电压暂降的监测和识别不足导致的电压暂降发生频率过高,从而无法满足可靠、稳定的运行电力***的技术问题。
发明内容
本申请通过提供了一种定制化电压暂降治理优化方法及***,旨在通过搭建电压暂降感知模型,实现对电压分布数据源的实时监测和分析,解决因电压暂降的监测和识别不足导致的电压暂降发生频率过高,从而无法满足可靠、稳定的运行电力***的技术问题。
鉴于上述问题,本申请提供了一种定制化电压暂降治理优化方法及***。
本申请公开的第一个方面,提供了一种定制化电压暂降治理优化方法,所述方法包括:采集电力***的基础信息,获得***分布数据集;加载所述电力***的电压暂降记录,并基于所述电压暂降记录进行空间特征分析,获得电压暂降空间特征分布;基于所述***分布数据集和所述电压暂降空间特征分布对所述电力***进行电压监测传感器的布设,构建电压监测传感阵列;基于所述电压监测传感阵列,监测获取所述电力***的电压分布数据源;基于大数据,搭建电压暂降感知模型;基于所述电压暂降感知模型对所述电压分布数据源进行电压暂降识别,获得电压暂降感知系数;基于所述电压暂降感知系数,激活电压暂降治理寻优模块进行电压暂降治理参数寻优,获得电压暂降治理决策;将所述电压暂降治理决策传输至电压暂降治理模块,所述电压暂降治理模块根据所述电压暂降治理决策执行所述电力***的电压暂降治理。
本申请公开的另一个方面,提供了一种定制化电压暂降治理优化***,所述***包括:信息采集单元,所述信息采集单元用于采集电力***的基础信息,获得***分布数据集;空间分析单元,所述空间分析单元用于加载所述电力***的电压暂降记录,并基于所述电压暂降记录进行空间特征分析,获得电压暂降空间特征分布;传感阵列构建单元,所述传感阵列构建单元用于基于所述***分布数据集和所述电压暂降空间特征分布对所述电力***进行电压监测传感器的布设,构建电压监测传感阵列;数据源监测单元,所述数据源监测单元用于基于所述电压监测传感阵列,监测获取所述电力***的电压分布数据源;感知模块搭建单元,所述感知模块搭建单元用于基于大数据,搭建电压暂降感知模型;电压暂降识别单元,所述电压暂降识别单元用于基于所述电压暂降感知模型对所述电压分布数据源进行电压暂降识别,获得电压暂降感知系数;参数寻优单元,所述参数寻优单元用于基于所述电压暂降感知系数,激活电压暂降治理寻优模块进行电压暂降治理参数寻优,获得电压暂降治理决策;电压暂降治理单元,所述电压暂降治理单元用于将所述电压暂降治理决策传输至电压暂降治理模块,所述电压暂降治理模块根据所述电压暂降治理决策执行所述电力***的电压暂降治理。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
上述用于一种定制化电压暂降治理优化方法,该方法搜集与整合电力***的核心信息,以形成精确的***分布数据集。通过对这些数据的分析,深入了解***的整体架构与运行状态。随后,加载历史电压暂降记录,运用空间特征分析技术,精确分析电压暂降在***内的空间分布模式,识别出电压暂降的高发区域及敏感时段。基于***分布数据集与电压暂降空间特征分布,进行电压监测传感器的优化布局,进而构建一个高效、精准的电压监测传感阵列,为后续的电压暂降识别提供稳定可靠的数据源。利用搭建的电压暂降感知模型,结合电压监测传感阵列所获取的实时数据,实现对电压暂降事件的精确识别,并得出相应的电压暂降感知系数。激活电压暂降治理寻优模块,通过智能算法对治理参数进行优化,生成最优的电压暂降治理决策,旨在最小化电压暂降对电力***的影响,确保***的稳定与高效运行。最终,将生成的电压暂降治理决策传输至治理模块,由该模块负责执行具体的治理措施。这一流程确保了从数据收集到决策执行的连贯性与高效性,为电力***的稳定运行提供了有力保障。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍,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为一个实施例中一种定制化电压暂降治理优化方法的流程示意图;
图2为一个实施例中一种定制化电压暂降治理优化***架构图。
附图标记说明:信息采集单元1,空间分析单元2,传感阵列构建单元3,数据源监测单元4,感知模块搭建单元5,电压暂降识别单元6,参数寻优单元7,电压暂降治理单元8。
具体实施方式
本申请实施例通过提供一种定制化电压暂降治理优化方法及***,解决因电压暂降的监测和识别不足导致的电压暂降发生频率过高,从而无法满足可靠、稳定的运行电力***的技术问题。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例一
如图1所示,本申请提供了一种定制化电压暂降治理优化方法,所述方法包括:
采集电力***的基础信息,获得***分布数据集;
电压暂降是指电力***中电压突然下降并在短时间内恢复的现象。它可能由短路、重载、设备启动、新能源接入等多种因素引起。尽管电压暂降的持续时间通常较短,但其对敏感电气设备的影响却是巨大的,可能导致设备损坏、数据丢失、生产中断等严重后果。
在本申请实施例中,为了深入了解电力***的运行状态和结构特点,需要广泛搜集并整合电力***的各类基础信息。所述***分布数据集是指通过采集电力***的基础信息所得到的一组数据集合,包含电力***中各个组件、节点和设备的状态、参数和关系等信息,以及它们在***中的分布情况。***终端通过对电力***中的基础信息进行整理和收集,获得一个***的分布数据集,这个数据集详细地描述了电力***的运行状态和各个部分的相互关系。这个数据集为***终端提供了电力***的全面视图,帮助其更好地理解和掌控整个***的运行状况。
加载所述电力***的电压暂降记录,并基于所述电压暂降记录进行空间特征分析,获得电压暂降空间特征分布;
在一个实施例中,在收集到电力***的基础信息后,***终端进一步加载了电力***中关于电压暂降的历史记录。这些记录详细记录了电压暂降发生的时间、位置以及持续时间等信息。为了深入了解电压暂降在电力***中的分布情况,***终端对这些记录进行了空间特征分析。空间特征分析是一种通过对数据在空间上的分布模式进行研究的方法。***终端首先对获得的电压暂降记录进行数据清洗、去噪和标准化等操作,以确保数据的准确性和可比性。之后从预处理后的数据中提取空间特征。这包括识别电压暂降发生的具体地理位置、涉及的电网节点或区域,以及这些事件在地理空间上的分布情况。再对提取的空间特征进行特征分析。这包括计算不同区域或时段的电压暂降频次、持续时间、幅值等统计指标。通过对比分析,识别出电压暂降的高发区域和时段,以及可能的空间分布模式。最后将分析的结果整理为电压暂降空间特征分布。***终端利用这种方法,对电压暂降记录进行了细致的分析,找出电压暂降在电力***中的高发区域、频繁发生的时段,以及可能的原因和规律。这为后续的电压暂降监测提供了重要的参考,让***终端能够更有针对性地采取措施,提高电力***的稳定性和可靠性。
基于所述***分布数据集和所述电压暂降空间特征分布对所述电力***进行电压监测传感器的布设,构建电压监测传感阵列;
在一个实施例中,在获得电力***的基础信息数据集和电压暂降的空间特征分布后,***终端利用这些数据指导电压监测传感器的布设。首先,分析***分布数据集,了解电网的整体架构、关键节点以及潜在的电压暂降风险区域。之后,结合电压暂降空间特征分布,确定哪些区域是电压暂降的高发区,以及这些暂降在地理空间上的分布规律。基于这些信息,***终端制定一个传感器布设方案,优先在电压暂降风险较高的区域和节点部署传感器。这样做可以确保能够及时、准确地捕捉到电压暂降事件,为后续的分析和治理提供可靠的数据支持。最终,通过合理布设电压监测传感器,***终端成功构建出一个覆盖全电力***的电压监测传感阵列。这个阵列能够实时监控电力***的电压状态,为电力***的稳定运行提供有力保障。
基于所述电压监测传感阵列,监测获取所述电力***的电压分布数据源;
在一个实施例中,在构建了电压监测传感阵列之后,***终端利用这个传感阵列实时监测电力***的电压分布情况,不断地收集电网中各个关键节点的电压数据。这些传感器会不断地记录电压的实时值、变化趋势以及其他相关参数,并将这些数据传输到***终端。***终端会对这些数据进行整合、分析和处理,生成一个全面反映电力***电压分布的数据源,即电压分布数据源。这个数据源包含了电网中各个区域的电压水平、电压波动情况以及潜在的电压暂降事件等信息。通过实时监测和分析这个数据源,***终端对电力***的电压状态有一个全面、准确的了解,为后续的决策和优化提供有力的数据支撑。总结来说,基于电压监测传感阵列的实时监测,能够获取到电力***的实时电压分布数据源,从而实现对电网电压状态的全面感知和分析。
基于大数据,搭建电压暂降感知模型;
在一个实施例中,***终端利用庞大的数据库搭建一个电压暂降感知模型,通过感知模型准确地识别和预测电压暂降事件。这个数据库包含电力***在运行过程中产生的所有电压数据,例如正常电压监测数据、异常电压监测数据、电压暂降评估系数等。在搭建过程中,***终端首先对数据库中的数据进行预处理,包括清洗、去噪和标准化等步骤,以确保数据的准确性和一致性。之后对数据进行特征提取和模式识别,判断电压暂降的规律和特征,从而预测未来的暂降事件。然后基于神经网络搭建出电压暂降感知模型,在此期间,***终端还会不断地对模型进行训练和优化,以提高其预测准确性和泛化能力。最终,得到一个能够实时监测和预测电压暂降的感知模型。这个模型为***终端提供及时、准确的电压暂降信息,帮助其做出合理的决策和调度,确保电力***的稳定运行。
进一步,本申请提供了基于大数据,搭建电压暂降感知模型,方法还包括:
基于大数据,加载所述电力***的正常电压监测数据记录、异常电压监测数据记录和电压暂降评估系数记录;
优选的,基于大数据,***终端需要将电力***的各类数据加载到自身存储中。这些数据主要包括正常电压监测数据记录、异常电压监测数据记录和电压暂降评估系数记录。具体来说,***终端首先会从存储这些数据的数据库提取数据。加载过程会进行数据读取、格式转换和清洗,确保数据的一致性和可用性。加载正常电压监测数据记录是为了了解电力***在正常运行状态下的电压表现,这些数据包括电压的幅值、频率、相位等参数,以及对应的时间戳和地理位置信息。加载异常电压监测数据记录则是为了识别和分析电力***中出现的电压异常情况,这些数据包括电压骤升、骤降、振荡等异常情况的时间、地点和具体参数。此外,加载电压暂降评估系数记录是为了用于量化电压暂降的严重程度和影响范围。加载这些评估系数有助于***终端更准确地理解电压暂降对电力***的影响。总结来说,基于大数据加载电力***的正常电压监测数据记录、异常电压监测数据记录和电压暂降评估系数记录,是为了全面了解和分析电力***的电压表现,为后续的数据分析和模型构建提供基础数据支持。
基于支持向量机,对所述正常电压监测数据记录和所述异常电压监测数据记录进行异常识别训练,生成电压异常识别模型;
基于BP对所述异常电压监测数据记录和所述电压暂降评估系数记录进行监督学习,生成电压暂降预测评估模型;
优选的,在大数据的背景下,***终端利用支持向量机(SVM)和反向传播(BP)神经网络构建两个模型:一个是电压异常识别模型,另一个是电压暂降预测评估模型。首先,***终端将正常电压监测数据记录和异常电压监测数据记录分为特征数据和标签数据。特征数据包括电压值、时间戳、地理位置等。标签数据包括正常或异常等。之后,将分类好的数据划分为训练集和测试集。训练集用于训练电压异常识别模型,测试集用于评估模型的性能。再使用训练集和对应的标签数据训练电压异常识别模型。在训练过程中,电压异常识别模型会学习一个决策边界,该边界能够最大化地将正常电压和异常电压样本分隔开。在训练结束后,使用测试集来评估训练好的电压异常识别模型的性能。如果模型的性能不佳,***终端会调整模型的参数或尝试不同的核函数来改进。例如,调整核函数中gamma的值,从0.1增加到1或减少到0.01,以观察模型性能的变化。经过反复评估,生成一个稳定、准确电压异常识别模型。这个模型能够学习并理解正常电压和异常电压之间的区别,基于这些学习到的特征,它能够对新的电压监测数据进行异常识别,判断其是否属于正常电压范围。此外,***终端设计BP神经网络的结构,包括输入层、隐藏层和输出层。根据实际问题的复杂性和数据的特性,选择隐藏层数量和神经元数量。再使用小的随机数初始化神经网络的权重和偏置,以避免初始权重过大导致训练过程中的梯度消失或***问题。之后使用异常电压监测数据记录和对应的电压暂降评估系数记录作为训练数据,通过反向传播算法训练神经网络。在前向传播过程中,将输入数据通过神经网络得到预测值,并比较预测值与预设值。在反向传播过程中,根据比较结果计算每一层神经元的梯度,并更新权重和偏置。重复前向传播和反向传播的过程,直到达到指定的训练轮数,生成一个电压暂降预测评估模型。这个模型通过监督学习的方式,学习异常电压和电压暂降评估系数之间的关系,从而能够预测和评估电压暂降的可能性及其严重程度。总结来说,***终端基于支持向量机训练了电压异常识别模型,用于识别电压数据中的异常情况;同时,基于BP神经网络训练了电压暂降预测评估模型,用于预测和评估电压暂降的发生及其影响。这两个模型共同构成了***终端对电力***电压状态的全面监控和评估体系,为电力***的稳定运行提供了有力的技术保障。
集成所述电压异常识别模型和所述电压暂降预测评估模型,生成所述电压暂降感知模型。
优选的,在整合模型时,***终端设计了一个数据流程,确保数据能够顺畅地从一个模型传递到另一个模型。例如,当电压异常识别模型检测到异常电压时,它可以将相关信息传递给电压暂降预测评估模型,以便进行进一步的评估。将两个模型之间的信息传递构建完成后,形成了一个综合的电压暂降感知模型。这个模型的目标是在电力***中实现更全面、准确的电压暂降监测与识别。电压异常识别模型负责捕捉***中任何不寻常的电压行为,而电压暂降预测评估模型则旨在预测和评估电压暂降事件。通过集成这两个模型,电压暂降感知模型能够更全面地感知电力***的状态,及时识别电压暂降事件并提供综合的预测评估。这使得***终端能够更有效地应对潜在的电压暂降问题,从而提高电力***的可靠性和稳定性。
进一步,本申请提供了基于BP神经网络对所述异常电压监测数据记录和所述电压暂降评估系数记录进行监督学习,生成电压暂降预测评估模型,方法还包括:
以所述异常电压监测数据记录作为输入数据,以所述电压暂降评估系数记录作为输出监督数据,对BP神经网络进行训练,每训练预设次数时,获取预测评估损失系数;
若所述预测评估损失系数小于预测评估损失阈值,生成所述电压暂降预测评估模型。
可选的,***终端把异常电压监测数据记录作为输入数据,同时,把电压暂降评估系数记录作为输出监督数据,也就是神经网络能够学会从输入数据中预测出来的目标值。然后,开始训练BP神经网络。在训练过程中,***终端会不断地向网络中输入异常电压数据,并比较网络输出的预测值与真实的电压暂降评估系数之间的差异。这个差异就是预测评估损失系数,它反映了网络当前的预测能力。为了确保网络能够逐步优化其预测能力,***终端设定了一个预测评估损失阈值。在每次训练预设次数后,都会检查当前的预测评估损失系数是否小于这个阈值。如果小于阈值,说明网络已经能够比较准确地预测电压暂降评估系数,这时***终端停止训练,并把当前的神经网络作为电压暂降预测评估模型。总结来说,这个过程就是通过不断地调整网络参数,让BP神经网络学会从异常电压数据中预测电压暂降评估系数,直到其预测能力达到一个满意的水平,从而生成一个可用的电压暂降预测评估模型。
进一步,本申请提供了基于所述电压暂降感知模型对所述电压分布数据源进行电压暂降识别,获得电压暂降感知系数,方法还包括:
将所述电压分布数据源输入所述电压异常识别模型,获得电压异常识别集;
将所述电压异常识别集输入所述电压暂降预测评估模型,获得电压暂降预测评估系数集;
可选的,***终端首先将获取的电压分布数据源输入到已经训练好的电压异常识别模型中。这个模型经过训练后,能够识别出哪些电压数据是异常的,哪些是正常的。当***终端将电压分布数据输入到电压异常识别模型后,模型会对每个电压数据点进行判断,识别出其中的异常数据。这样,就得到了一个电压异常识别集,它包含了所有被模型识别为异常的电压数据点。之后,将这个电压异常识别集通过构建好的传递通道输入到训练好电压暂降预测评估模型中。这个模型能够根据输入的异常电压数据,预测并评估电压暂降的可能性。当电压异常识别集输入到电压暂降预测评估模型后,模型会对每个异常数据点进行预测和评估,生成一个电压暂降预测评估系数集。这个系数集包含了每个异常数据点对应的电压暂降预测评估系数,这些系数反映了在该异常数据点下,电压暂降发生的可能性和程度。通过这个过程,***终端不仅能够识别出电压分布数据中的异常点,还能够对这些异常点进行电压暂降的预测和评估,从而得到一个电压暂降预测评估系数集。这对于电力***的故障预警和安全管理具有重要意义,可以帮助***终端及时了解和应对潜在的电压暂降风险。
基于电压暂降预测评估约束,对所述电压暂降预测评估系数集进行筛选,得到满足所述电压暂降预测评估约束的所述电压暂降感知系数。
可选的,所述电压暂降预测评估约束是指在评估电压暂降风险时,所遵循的一系列标准、规则或条件,包括暂降深度约束、持续时间约束、频率约束等。所述电压暂降感知系数是指经过筛选和约束处理后,满足特定电压暂降预测评估约束条件的电压暂降风险指标。基于上述过程,***终端获得了一个电压暂降预测评估系数集,它包含了对于每个异常电压数据点的暂降预测评估结果。但是,并不是所有的评估结果都是需要***终端密切关注的。根据电压暂降预测评估的约束条件,***终端只对那些预测评估系数无法满足电压暂降预测评估约束的异常点进行关注。因此,***终端对获得的电压暂降预测评估系数集进行筛选。筛选的过程就是根据电压暂降预测评估的约束条件,过滤出那些符合特定要求的异常点。通过筛选后,***终端得到的是一个满足电压暂降预测评估约束的电压暂降感知系数集。这个集合中的每个系数都代表了对应异常电压数据点在满足特定约束条件下的暂降风险。这些感知系数可以帮助***终端更准确地了解哪些异常点可能对电力***的稳定运行造成较大影响,从而为制定决策提供重要依据。总结来说,这个过程是对电压暂降预测评估系数集进行筛选和约束的过程,目的是找出那些满足特定条件的异常点,并获取它们对应的电压暂降感知系数,以便更好地进行电力***的故障预警和安全管理。
基于所述电压暂降感知模型对所述电压分布数据源进行电压暂降识别,获得电压暂降感知系数;
在一个实施例中,***终端将获得的电压分布数据源输入到电压暂降感知模型中。这个模型已经集成了电压异常识别模型和电压暂降预测评估模型的功能,能够同时识别电压异常并进行暂降的预测评估。当电压分布数据输入到电压暂降感知模型后,模型会自动对每一个电压数据点进行分析和判断。它会识别出哪些数据点属于电压异常,并进一步预测和评估这些异常数据点可能导致的电压暂降风险。经过模型的识别和评估,***终端会得到一个电压暂降感知系数。这个系数是一个量化值,它综合反映了电压暂降的风险水平。感知系数越高,表示电压暂降的风险越大;感知系数越低,表示风险越小。最终,***终端得到了一个电压暂降感知系数集,它包含了电网中各个节点或各个时间段的电压暂降风险信息。这个系数集可以帮助***终端快速了解电网中哪些区域或时间段存在较高的电压暂降风险,从而采取相应的措施来预防或减轻暂降事件对电网运行的影响。总结来说,基于电压暂降感知模型对电压分布数据源进行电压暂降识别,可以获得电网中各个节点或各个时间段的电压暂降感知系数,为电网的安全运行提供重要依据。
基于所述电压暂降感知系数,激活电压暂降治理寻优模块进行电压暂降治理参数寻优,获得电压暂降治理决策;
在一个实施例中,基于获得的电压暂降感知系数,启动电压暂降治理寻优模块,旨在寻找最优的电压暂降治理参数,从而得出有效的电压暂降治理决策。所述电压暂降治理寻优模块是指专门用于寻找最优电压暂降治理参数的算法模块。所述电压暂降治理参数寻优是指通过一系列算法和计算过程,寻找能够最优地解决电压暂降问题的参数配置。***终端基于之前计算出的电压暂降感知系数,启动了电压暂降治理寻优模块。这个模块是一个智能的搜索器,它会在电压暂降治理配准决策库中寻找出最能减少电压暂降发生和影响的参数。通过这个过程,得到一套针对电压暂降问题的最佳治理方案,即电压暂降治理决策。这个决策包括调整电网的运行方式、优化设备的配置或者改进控制策略等,旨在提高电力***的稳定性和可靠性,从而确保电力供应的顺畅进行。
进一步,本申请提供了基于所述电压暂降感知系数,激活电压暂降治理寻优模块进行电压暂降治理参数寻优,获得电压暂降治理决策,方法还包括:
基于所述电压暂降感知系数进行电压暂降治理方案配准,获得电压暂降治理配准决策库;
根据所述电压暂降治理配准决策库,提取第一电压暂降治理配准决策;
优选的,基于所述电压暂降感知系数,激活电压暂降治理寻优模块进行电压暂降治理参数寻优,获得电压暂降治理决策。所述电压暂降治理方案配准是指根据电压暂降感知系数,将治理方案与实际的电力***状况进行匹配和校准的过程。***终端基于电压暂降感知系数,对电压暂降治理方案进行了配准,这代表***终端根据电压暂降的严重程度、频率和影响范围,从多个历史电压暂降治理决策组中选出了最合适的决策。这个配准过程确保了所选决策与电力***的具体条件、设备状况以及电压暂降的特点相匹配。完成配准后,得到了一个电压暂降治理配准决策库,其中包含了针对不同电压暂降问题的治理决策。这个决策库为***终端提供了一个便捷的数据中心,让***终端能够快速找到适合当前问题的治理方案。当需要处理实际的电压暂降问题时,***终端可以从决策库中提取第一个治理方案作为首选措施。这代表根据当前电网的实际情况,选择了最有可能有效解决问题的方案。这个决策为***终端提供了明确的行动指南,帮助其迅速应对电压暂降问题,确保电力***的稳定运行。
基于所述第一电压暂降治理配准决策对所述电力***进行电压暂降治理效果预测,获得第一预测治理效果系数;
判断所述第一预测治理效果系数是否满足预设治理效果约束;
若所述第一预测治理效果系数满足所述预设治理效果约束,将所述第一电压暂降治理配准决策输出为所述电压暂降治理决策。
优选的,***终端根据之前选择的第一电压暂降治理配准决策,对电力***进行了电压暂降治理效果的预测。这个预测过程是对治理决策进行一次模拟,***终端通过电力***仿真工具搭建一个模拟环境,用于模拟电力***的实际运行情况。在模拟环境中导入第一电压暂降治理配准决策,并设置相关的参数。在模拟环境中,应用第一电压暂降治理配准决策中指定的治理措施和策略,并观察记录治理措施对电力***电压暂降的影响和效果。根据模拟运行结果,分析治理措施对电压暂降的抑制程度、响应时间、影响的持续时间等指标,判断它在实际应用中可能产生的效果。通过这个预测,得到一个第一预测治理效果系数,这个系数反映了治理方案可能带来的效果大小。之后,***终端判断这个第一预测治理效果系数是否满足之前设定的预设治理效果约束。若第一预测治理效果系数满足这些预设的治理效果约束,代表选择的治理决策能够达到期望的效果。那么,将这个第一电压暂降治理配准决策确定为最终的电压暂降治理决策。反之,若未达到预期效果,则舍弃这个第一电压暂降治理配准决策,重新选择另一个电压暂降治理配准决策,再次重复上述过程,直到寻找到满足预期效果的决策。
进一步,本申请提供了基于所述电压暂降感知系数进行电压暂降治理方案配准,获得电压暂降治理配准决策库,方法还包括:
加载所述电力***的多个历史电压暂降治理决策组,每个历史电压暂降治理决策组包括历史电压暂降感知系数和历史电压暂降治理决策;
根据所述多个历史电压暂降治理决策组,提取第一历史电压暂降治理决策组,其中,所述第一历史电压暂降治理决策组包括第一历史电压暂降感知系数和第一历史电压暂降治理决策;
可选的,***终端从电力***中加载了多个历史电压暂降治理决策组。每一个决策组都包含了历史电压暂降感知系数和相应的历史电压暂降治理决策。这些历史数据是电力***在过去处理电压暂降问题时所采取的措施和策略,以及当时对应的感知系数。之后,***终端从这些历史决策组中挑选出第一历史电压暂降治理决策组。这个决策组包括了第一历史电压暂降感知系数和对应的第一历史电压暂降治理决策,为后续筛选决策做数据基础。
对所述第一历史电压暂降感知系数和所述历史电压暂降感知系数进行相似度分析,获得第一电压暂降感知配准系数;
判断所述第一电压暂降感知配准系数是否满足预设感知配准约束;
若所述第一电压暂降感知配准系数满足所述预设感知配准约束,将所述第一历史电压暂降治理决策添加至所述电压暂降治理配准决策库。
可选的,***终端对第一历史电压暂降感知系数和当前的历史电压暂降感知系数进行了相似度分析。首先从感知系数中提取关键特征。这些特征包括电压暂降的幅度、持续时间、频率等。选择欧几里得距离量化两个感知系数之间的相似程度。计算第一历史电压暂降感知系数和当前历史电压暂降感知系数之间的相似度值,即第一电压暂降感知配准系数。这个相似度分析通过比较两个数据点的距离来表示两个数据点的相似程度,帮助***终端了解它们之间的关联性和一致性。之后,判断获得的第一电压暂降感知配准系数是否满足预设的感知配准约束。若第一电压暂降感知配准系数满足这些预设的感知配准约束,代表第一历史电压暂降治理决策与当前电压暂降问题的感知系数有较高的相似性。那么,就将第一历史电压暂降治理决策添加到电压暂降治理配准决策库中,作为备选的治理决策之一。这样,在后续处理类似问题时,***终端可以参考这个历史决策,提高决策效率和准确性。
进一步,本申请提供了判断所述第一预测治理效果系数是否满足预设治理效果约束,方法还包括:
若所述第一预测治理效果系数不满足所述预设治理效果约束,根据所述电压暂降治理配准决策库,提取第二电压暂降治理配准决策;
基于所述第二电压暂降治理配准决策对所述电力***进行电压暂降治理效果预测,获得第二预测治理效果系数;
可选的,若第一预测治理效果系数不满足预设治理效果约束,代表***终端首次选择的治理方案无法达到期望的治理效果。这时,需要从电压暂降治理配准决策库中提取第二电压暂降治理配准决策。选择了第二电压暂降治理配准决策后,***终端再次对电力***进行电压暂降治理效果的预测。这个过程与之前的预测类似,都是基于选定的治理决策,在模拟环境中预测其可能带来的治理效果。通过这次预测,得到了第二预测治理效果系数,这个系数反映了第二治理方案可能带来的效果大小。总结来说,上述步骤是为了找到一个更有效的解决方案,以应对当前的电压暂降问题。
判断所述第二预测治理效果系数是否满足所述预设治理效果约束;
若所述第二预测治理效果系数满足所述预设治理效果约束,将所述第二电压暂降治理配准决策输出为所述电压暂降治理决策。
可选的,经过第二次的电压暂降治理效果预测,***终端得到了第二预测治理效果系数。之后使用与前述相同的方法,判断这个系数是否满足之前设定的预设治理效果约束。若第二预测治理效果系数满足这些约束条件,代表第二电压暂降治理配准决策能够达到预期的治理效果。那么,就将这个决策确定为最终的电压暂降治理决策。总结来说,***终端在第二次预测中找到了一个满足要求的治理决策,并将其作为最终的决策,应用到实际的电力***中去。这样做是为了确保选择的治理方案能够有效地解决电压暂降问题,保证电力***的稳定运行。
将所述电压暂降治理决策传输至电压暂降治理模块,所述电压暂降治理模块根据所述电压暂降治理决策执行所述电力***的电压暂降治理。
在一个实施例中,在确定了最优的电压暂降治理决策后,将其传输至电压暂降治理模块,以便该模块能够根据这些决策来执行电力***的电压暂降治理操作。所述电压暂降治理模块一个负责执行电压暂降治理操作的硬件组件,包括多个电压暂降治理设备。经过深入分析和优化,***终端确定了最佳的电压暂降治理决策。之后将这一决策传输给电压暂降治理模块,这个模块是专门负责执行电压暂降治理任务的。它会根据我们提供的决策,自动调整电力***的相关参数,从而有效地解决电压暂降问题,确保电力***的正常运行。
综上所述,本申请实施例至少具有如下技术效果:
本申请实施例首先通过采集***的基础信息和电压暂降记录,进行空间特征分析,进而布设电压监测传感器阵列以获取电压分布数据源。在此基础上,搭建基于大数据的电压暂降感知模型,用于识别电压暂降并获取感知系数。之后,激活电压暂降治理寻优模块,根据感知系数进行治理参数寻优,生成治理决策。最后,将治理决策传输至治理模块执行治理操作。整个方法融合了数据采集、模型搭建、参数寻优和治理执行等多个环节,实现了对电压暂降问题的全面、精准和高效治理。这些技术效果共同解决了因电压暂降的监测和识别不足导致的电压暂降发生频率过高的技术问题,确保电力***的可靠性和稳定性。
实施例二
基于与前述实施例中一种定制化电压暂降治理优化方法相同的发明构思,如图2所示,本申请提供了一种定制化电压暂降治理优化***,所述***包括:
信息采集单元1:所述信息采集单元1用于采集电力***的基础信息,获得***分布数据集;
空间分析单元2:所述空间分析单元2用于加载所述电力***的电压暂降记录,并基于所述电压暂降记录进行空间特征分析,获得电压暂降空间特征分布;
传感阵列构建单元3:所述传感阵列构建单元3用于基于所述***分布数据集和所述电压暂降空间特征分布对所述电力***进行电压监测传感器的布设,构建电压监测传感阵列;
数据源监测单元4:所述数据源监测单元4用于基于所述电压监测传感阵列,监测获取所述电力***的电压分布数据源;
感知模块搭建单元5:所述感知模块搭建单元5用于基于大数据,搭建电压暂降感知模型;
电压暂降识别单元6:所述电压暂降识别单元6用于基于所述电压暂降感知模型对所述电压分布数据源进行电压暂降识别,获得电压暂降感知系数;
参数寻优单元7:所述参数寻优单元7用于基于所述电压暂降感知系数,激活电压暂降治理寻优模块进行电压暂降治理参数寻优,获得电压暂降治理决策;
电压暂降治理单元8:所述电压暂降治理单元8用于将所述电压暂降治理决策传输至电压暂降治理模块,所述电压暂降治理模块根据所述电压暂降治理决策执行所述电力***的电压暂降治理。
进一步地,所述感知模块搭建单元5用于执行如下方法:
基于大数据,加载所述电力***的正常电压监测数据记录、异常电压监测数据记录和电压暂降评估系数记录;
基于支持向量机,对所述正常电压监测数据记录和所述异常电压监测数据记录进行异常识别训练,生成电压异常识别模型;
基于BP对所述异常电压监测数据记录和所述电压暂降评估系数记录进行监督学习,生成电压暂降预测评估模型;
集成所述电压异常识别模型和所述电压暂降预测评估模型,生成所述电压暂降感知模型。
进一步地,所述感知模块搭建单元5用于执行如下方法:
以所述异常电压监测数据记录作为输入数据,以所述电压暂降评估系数记录作为输出监督数据,对BP神经网络进行训练,每训练预设次数时,获取预测评估损失系数;
若所述预测评估损失系数小于预测评估损失阈值,生成所述电压暂降预测评估模型。
进一步地,所述感知模块搭建单元5用于执行如下方法:
将所述电压分布数据源输入所述电压异常识别模型,获得电压异常识别集;
将所述电压异常识别集输入所述电压暂降预测评估模型,获得电压暂降预测评估系数集;
基于电压暂降预测评估约束,对所述电压暂降预测评估系数集进行筛选,得到满足所述电压暂降预测评估约束的所述电压暂降感知系数。
进一步地,所述参数寻优单元7用于执行如下方法:
基于所述电压暂降感知系数进行电压暂降治理方案配准,获得电压暂降治理配准决策库;
根据所述电压暂降治理配准决策库,提取第一电压暂降治理配准决策;
基于所述第一电压暂降治理配准决策对所述电力***进行电压暂降治理效果预测,获得第一预测治理效果系数;
判断所述第一预测治理效果系数是否满足预设治理效果约束;
若所述第一预测治理效果系数满足所述预设治理效果约束,将所述第一电压暂降治理配准决策输出为所述电压暂降治理决策。
进一步地,所述参数寻优单元7用于执行如下方法:
加载所述电力***的多个历史电压暂降治理决策组,每个历史电压暂降治理决策组包括历史电压暂降感知系数和历史电压暂降治理决策;
根据所述多个历史电压暂降治理决策组,提取第一历史电压暂降治理决策组,其中,所述第一历史电压暂降治理决策组包括第一历史电压暂降感知系数和第一历史电压暂降治理决策;
对所述第一历史电压暂降感知系数和所述历史电压暂降感知系数进行相似度分析,获得第一电压暂降感知配准系数;
判断所述第一电压暂降感知配准系数是否满足预设感知配准约束;
若所述第一电压暂降感知配准系数满足所述预设感知配准约束,将所述第一历史电压暂降治理决策添加至所述电压暂降治理配准决策库。
进一步地,所述参数寻优单元7用于执行如下方法:
若所述第一预测治理效果系数不满足所述预设治理效果约束,根据所述电压暂降治理配准决策库,提取第二电压暂降治理配准决策;
基于所述第二电压暂降治理配准决策对所述电力***进行电压暂降治理效果预测,获得第二预测治理效果系数;
判断所述第二预测治理效果系数是否满足所述预设治理效果约束;
若所述第二预测治理效果系数满足所述预设治理效果约束,将所述第二电压暂降治理配准决策输出为所述电压暂降治理决策。
需要说明的是,上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序和连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种定制化电压暂降治理优化方法,其特征在于,所述方法包括:
采集电力***的基础信息,获得***分布数据集;
加载所述电力***的电压暂降记录,并基于所述电压暂降记录进行空间特征分析,获得电压暂降空间特征分布;
基于所述***分布数据集和所述电压暂降空间特征分布对所述电力***进行电压监测传感器的布设,构建电压监测传感阵列;
基于所述电压监测传感阵列,监测获取所述电力***的电压分布数据源;
基于大数据,搭建电压暂降感知模型;
基于所述电压暂降感知模型对所述电压分布数据源进行电压暂降识别,获得电压暂降感知系数;
基于所述电压暂降感知系数,激活电压暂降治理寻优模块进行电压暂降治理参数寻优,获得电压暂降治理决策;
将所述电压暂降治理决策传输至电压暂降治理模块,所述电压暂降治理模块根据所述电压暂降治理决策执行所述电力***的电压暂降治理。
2.如权利要求1所述的方法,其特征在于,基于大数据,搭建电压暂降感知模型,包括:
基于大数据,加载所述电力***的正常电压监测数据记录、异常电压监测数据记录和电压暂降评估系数记录;
基于支持向量机,对所述正常电压监测数据记录和所述异常电压监测数据记录进行异常识别训练,生成电压异常识别模型;
基于BP神经网络对所述异常电压监测数据记录和所述电压暂降评估系数记录进行监督学习,生成电压暂降预测评估模型;
集成所述电压异常识别模型和所述电压暂降预测评估模型,生成所述电压暂降感知模型。
3.如权利要求2所述的方法,其特征在于,基于BP神经网络对所述异常电压监测数据记录和所述电压暂降评估系数记录进行监督学习,生成电压暂降预测评估模型,包括:
以所述异常电压监测数据记录作为输入数据,以所述电压暂降评估系数记录作为输出监督数据,对BP神经网络进行训练,每训练预设次数时,获取预测评估损失系数;
若所述预测评估损失系数小于预测评估损失阈值,生成所述电压暂降预测评估模型。
4.如权利要求2所述的方法,其特征在于,基于所述电压暂降感知模型对所述电压分布数据源进行电压暂降识别,获得电压暂降感知系数,包括:
将所述电压分布数据源输入所述电压异常识别模型,获得电压异常识别集;
将所述电压异常识别集输入所述电压暂降预测评估模型,获得电压暂降预测评估系数集;
基于电压暂降预测评估约束,对所述电压暂降预测评估系数集进行筛选,得到满足所述电压暂降预测评估约束的所述电压暂降感知系数。
5.如权利要求1所述的方法,其特征在于,基于所述电压暂降感知系数,激活电压暂降治理寻优模块进行电压暂降治理参数寻优,获得电压暂降治理决策,包括:
基于所述电压暂降感知系数进行电压暂降治理方案配准,获得电压暂降治理配准决策库;
根据所述电压暂降治理配准决策库,提取第一电压暂降治理配准决策;
基于所述第一电压暂降治理配准决策对所述电力***进行电压暂降治理效果预测,获得第一预测治理效果系数;
判断所述第一预测治理效果系数是否满足预设治理效果约束;
若所述第一预测治理效果系数满足所述预设治理效果约束,将所述第一电压暂降治理配准决策输出为所述电压暂降治理决策。
6.如权利要求5所述的方法,其特征在于,基于所述电压暂降感知系数进行电压暂降治理方案配准,获得电压暂降治理配准决策库,包括:
加载所述电力***的多个历史电压暂降治理决策组,每个历史电压暂降治理决策组包括历史电压暂降感知系数和历史电压暂降治理决策;
根据所述多个历史电压暂降治理决策组,提取第一历史电压暂降治理决策组,其中,所述第一历史电压暂降治理决策组包括第一历史电压暂降感知系数和第一历史电压暂降治理决策;
对所述第一历史电压暂降感知系数和所述历史电压暂降感知系数进行相似度分析,获得第一电压暂降感知配准系数;
判断所述第一电压暂降感知配准系数是否满足预设感知配准约束;
若所述第一电压暂降感知配准系数满足所述预设感知配准约束,将所述第一历史电压暂降治理决策添加至所述电压暂降治理配准决策库。
7.如权利要求5所述的方法,其特征在于,判断所述第一预测治理效果系数是否满足预设治理效果约束,包括:
若所述第一预测治理效果系数不满足所述预设治理效果约束,根据所述电压暂降治理配准决策库,提取第二电压暂降治理配准决策;
基于所述第二电压暂降治理配准决策对所述电力***进行电压暂降治理效果预测,获得第二预测治理效果系数;
判断所述第二预测治理效果系数是否满足所述预设治理效果约束;
若所述第二预测治理效果系数满足所述预设治理效果约束,将所述第二电压暂降治理配准决策输出为所述电压暂降治理决策。
8.一种定制化电压暂降治理优化***,其特征在于,所述***包括:
信息采集单元:采集电力***的基础信息,获得***分布数据集;
空间分析单元:加载所述电力***的电压暂降记录,并基于所述电压暂降记录进行空间特征分析,获得电压暂降空间特征分布;
传感阵列构建单元:基于所述***分布数据集和所述电压暂降空间特征分布对所述电力***进行电压监测传感器的布设,构建电压监测传感阵列;
数据源监测单元:基于所述电压监测传感阵列,监测获取所述电力***的电压分布数据源;
感知模块搭建单元:基于大数据,搭建电压暂降感知模型;
电压暂降识别单元:基于所述电压暂降感知模型对所述电压分布数据源进行电压暂降识别,获得电压暂降感知系数;
参数寻优单元:基于所述电压暂降感知系数,激活电压暂降治理寻优模块进行电压暂降治理参数寻优,获得电压暂降治理决策;
电压暂降治理单元:将所述电压暂降治理决策传输至电压暂降治理模块,所述电压暂降治理模块根据所述电压暂降治理决策执行所述电力***的电压暂降治理。
Publications (1)
Publication Number | Publication Date |
---|---|
CN118263872A true CN118263872A (zh) | 2024-06-28 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Javed et al. | State of the art and taxonomy of prognostics approaches, trends of prognostics applications and open issues towards maturity at different technology readiness levels | |
Ma et al. | Discriminative deep belief networks with ant colony optimization for health status assessment of machine | |
Smarsly et al. | Machine learning techniques for structural health monitoring | |
Jouin et al. | Prognostics of PEM fuel cell in a particle filtering framework | |
Chen et al. | A health index construction framework for prognostics based on feature fusion and constrained optimization | |
CN117375237B (zh) | 基于数字孪生技术变电站运维方法及*** | |
CN117273440A (zh) | 基于深度学习的工程施工物联网监测管理***及方法 | |
CN111079348B (zh) | 一种缓变信号检测方法和装置 | |
Hu et al. | A hybrid model for predicting the degradation trend of hydropower units based on deep learning | |
CN115793590A (zh) | 适用于***安全运维的数据处理方法及平台 | |
CN115098962A (zh) | 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法 | |
Sadoughi et al. | A deep learning approach for failure prognostics of rolling element bearings | |
CN117007977B (zh) | 一种储能电池健康状态诊断方法 | |
Melendez et al. | Self-supervised Multi-stage Estimation of Remaining Useful Life for Electric Drive Units | |
CN117674128A (zh) | 基于电力调度***自动化故障排除方法 | |
Dang et al. | seq2graph: Discovering dynamic non-linear dependencies from multivariate time series | |
CN117609836A (zh) | 一种综合模块的电磁敏感预测与健康管理方法 | |
CN112580254A (zh) | 一种基于多级决策融合的换流变多维度分析和预警方法 | |
Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
Jobi-Taiwo et al. | Mahalanobis-Taguchi system for multiclass classification of steel plates fault | |
CN118263872A (zh) | 一种定制化电压暂降治理优化方法及*** | |
Singh et al. | Predicting the remaining useful life of ball bearing under dynamic loading using supervised learning | |
Soni et al. | Predictive maintenance of gas turbine using prognosis approach | |
CN117272844B (zh) | 配电盘工作寿命的预测方法及*** | |
Verbeke et al. | Fleet-Based Remaining Useful Life Prediction of Safety-critical Electronic Devices |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |