论文阅读|基于图神经网络的配电网故障定位方法

最新推荐文章于 2024-05-09 00:16:15 发布
最新推荐文章于 2024-05-09 00:16:15 发布
阅读量2.4k 收藏 24
点赞数 3
分类专栏： 故障诊断与预测-GNNs 图神经网络 深度学习 文章标签： 论文阅读 故障诊断 故障定位 配电网 图神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Python_Matlab/article/details/130576934
版权

来源：北京交通大学硕士学位论文，2022

摘要

电网拓扑形态多样，重构场景频繁，，传统故障定位方法的单一阈值设定无法满足要求，基于人工智能的配电网故障定位技术具有很大的应用潜力，但仍存在着拓扑关联性差、泛化能力弱、难以兼顾灵敏性与多场景适应性等问题。

以装设有微型同步相量测量装置的小电流接地配电网为研究对象，以图神经网络技术为载体提升故障特征与配电网拓扑之间的融合深度，通过拓扑-数据的结合构建基于图神经网络的配电网故障定位模型，解决考虑拓扑变化和多拓扑形态下的配电网故障区段定位问题。

主要成果：

  1. 不同拓扑形态和网络重构下需要提取故障特征，对配电网建模，结合电网拓扑和数据特征；
  2. 图卷积神经网络配电网故障定位模型；
  3. 图注意力网络配电网故障定位模型；
  4. 基于拓扑相似性分析的配电网故障定位迁移策略。

1. 引言

拓扑结构是配电网运行管理和优化控制的基础，相对于输电网来说，配电网的连接结构更为复杂，具有传输距离短、线路分支多等特点，多变的运行环境、不同的供电规模和灵活的连接方式使得配电网拓扑形态更为多元化。且由于其直接面向用户，供电类型要求多样，负荷集中投切频繁，为了优化线损、均衡负载和故障隔离等原因需要经常进行网络重构。
微型同步相量量测单元(Micro Phasor Measurement Unit, μPMU)

  • 基于故障特征分析的方法
  • 基于数据模型融合的方法

基于故障特征分析的传统方法

  • 阻抗法：在线路参数均匀的情况下，发生故障的线路中的回路阻抗和故障距离的长度成正比，根据故障回路的阻抗值和线路的单位阻抗，就可以得到测量点到故障点的距离。
  • 行波法：利用故障时暂态行波信号的产生和传播，结合波速和传播时间对行波信号进行分析计算，来实现配电网的故障定位。
  • 矩阵法：利用网络故障信息进行故障定位的一种直接方法，通过采集到的信息形成故障判别矩阵和网络描述矩阵，再通过矩阵中反映的信息来进行故障定位。

基于数据和模型的人工智能方法

  • 机器学习
  • 智能算法
  • 深度学习

基于图神经网络的方法

论文框架
在这里插入图片描述

2. 配电网故障分析和图论表达式

对小电流接地系统进行单相接地故障分析，计算比较其故障前后电压、电流等特征值，阐明了 μPMU 的工作原理和结构特点，仿真验证了其提供的相量数据相比于波形数据的优点。接着通过仿真分析了不同配电网和网络重构情景下配电网拓扑和节点故障特征的变化情况，说明了拓扑信息与数据特征结合的重要性。最后利用图论对配电网进行拓扑建模，建立了融合拓扑信息的配电网表达方式，为下文搭建 GNN 模型所需要的数据特征和拓扑形式两大输入模块奠定了理论基础。

2.1 配电网小电流接地故障特征分析

2.1.1 中性点不接地系统故障分析

配电网中所有设备的中性点对地绝缘或者不存在中性点的接地方式即为中性点不接地

补充知识点：
零序电压：当中性点直接接地系统（又称大电流接地系统）中发生接地短路时，将出现很大的零序电流。还有在中性点不直接接地系统（经高阻抗接地系统或经消弧线圈接地系统）中当发生单相接地时，也会产生零序电压。
零序电流：不对称运行和单相运行是零序电流产生的主要原因。在正常的三相四线制电路中，三相电流的向量和等于零，即Ia+Ib+Ic=0。如果在三相三线制中接入一个电流互感器，这时感应电流为零。当电路中发生触电或漏电故障时，回路中有漏电电流流过，这时穿过互感器的三相电流向量和不等零，其相量和为：Ia+Ib+Ic=I(漏电电流，即零序电流）。总之：三相电流的相量和不等于零，所产生的电流即为零序电流。

2.1.2 中性点经消弧线圈接地系统故障分析

配电网中性点与大地之间安装一个电感线圈的接地方式成为中性点经消弧线圈的接地方式，也叫谐振接地方式。

疑问 I_CK是什么

在这里插入图片描述
在这里插入图片描述

2.1.3 基于 μPMU 的故障分析

在这里插入图片描述
在这里插入图片描述

2.2 不同配电网拓扑的故障特征对比分析

2.2.1 配电网重构场景下的故障特征对比

配电网重构的主要手段通常是改变电网的拓扑连接结构。
在配电网线路中一般会装设断开的分段开关，在连接主馈线、变电站和分支线路时还会装设闭合的联络开关，通过分段开关和联络开关的断开和闭合，可以改变线路的长短和连接情况。
在配电网重构时，由于线路的连接情况发生改变，导致配电网拓扑发生变化，同时量测装置监控到的系统信息也会有所改变。在配电网重构之后新的拓扑形态下，如系统发生故障，故障特征和之前相比会有所不同，在不改变原故障定位模型阈值设定和判别条件的情况下，容易导致故障定位算法发生误判的情况。

说明基于数据驱动的传统人工智能算法的通用性不好（泛化能力），不能将算法应用至拓扑改变后的配电网中。

通过对配电网重构和不同配电网两种情景下的故障特征进行对比分析，可以得到以下结论：(1) 配电网拓扑的改变会导致故障特征的变化，普通故障定位算法的阈值设定和判别条件无法快速的适应这种变化，所以大部分故障定位算法在拓扑变化的情况下不能保证准确度。(2) 如可以将拓扑的改变情况和故障特征相融合，根据配电网不同位置线路的连接情况识别特征量的变化，便可以自适应的对模型进行调整。(3) 由于不同配电网之间故障特征和传播路径的相似性，可以将根据配电网拓扑提取不同位置故障特征的能力迁移到不同结构的配电网上，进而提高故障定位模型在多场景、多拓扑形态配电网上的适用能力和泛化能力。

2.2.2 不同配电网之间的故障特征对比

2.3 用图神经网络的配电网表示方法

2.3.1 图论基础知识

略

具体可以看 网络科学 复杂网络 等相关知识

2.3.2 融合拓扑信息的配电网表达方式

在这里插入图片描述

该图是类似GNNs的节点特征聚合情况

3. 基于图卷积神经网络的配电网故障定位方法

3.1 图卷积神经网络概述

略

3.2 融合配电网拓扑信息的故障定位

3.2.1 模型输入

输入数据特征：μPMU采集到的电压电流相量幅值和零序电压电流幅值。按每个周波两个采样点进行采样。最终每个节点的输入特性相量为：X UUU II IU I X R × ∈ (n 为配电网 μPMU 的量测点数)
配电网邻接矩阵作为模型输入的拓扑数据。
将配电网故障定位问题抽象为分类问题。

存在问题：μPMU不可能安装在全部节点，其布局要优化

3.2.2 故障定位流程

在这里插入图片描述
标准化数据，将特征映射到[0,1]内。
评价指标：F1，精确率、召回率
在本章用，其所用的GCN层数为2。

3.3 算例分析

3.3.1 基于 GCN 的配电网故障定位模型效果分析

用PSCAD搭建，采用中心点经消弧线圈接地运行方式，消弧线圈为 8%过补偿状态。

在故障发生前 0.1s 开始数据采样直到切除故障，每条支路取 200 个采样数据点，20 条支路总共有 4000 组数据构成数据样本集，然后按照 8:1:1 的比例划分训练集，验证集和测试集，其中训练集有 3200 个样本，验证集和测试集各有 400 个样本，最后的故障位置定位到 μPMU 之间的区段。通过多次实验调整设置学习率为 0.006，batchsize＝8，迭代次数为 80 次。
在这里插入图片描述
模型结果：在故障初相角为 0°，故障接地电阻为 0.01Ω，故障位置在故障支路 50%处时得到的故障定位
在这里插入图片描述
在这里插入图片描述
验证模型鲁棒性
在这里插入图片描述

3.3.2 与其他方法的对比分析

采用传统故障定位方法和普通卷积神经网络方法与本章所建立的模型进行对比分析。

思考：与传统的对比，与深度学习对于，是否应该也要加上与同类型的图神经网络作为对比了，GNNs有不少变形，这样对比的话，才比较全面。
此外，该GCN是基础的GCN？即拿来应用，输入的数据为：邻接矩阵+节点特征。

在这里插入图片描述

4. 基于图注意力网络的配电网故障定位方法

4.1 考虑注意力机制的图注意力网络(GAT)

频域和空域是两种对图信号进行处理的不同视觉，频域具有全局性，每个分解到频域上的图信号都包含信号本身和图结构的信息；而空域是直接从图本身的角度来处理图信号，具有局部性。

4.1.1 注意力机制

略

4.1.2 图注意力网络

单一注意力机制
多头注意力机制

4.2 适用于配电网重构的故障定位

在这里插入图片描述

4.3 改进的注意力调节机制

给不同支路的损失函数赋以不同的权重，再将其加权求和，得到下式损失率计算公式：
在这里插入图片描述
其中，lossall代表所有支路的损失率之和假设总共有 m 条支路，lossq 是第 q 条支
路的损失率，采用式(4-6)带权重的二分类交叉熵损失函数；lossg 和 lossm-g 分别代表敏感支路和不敏感支路的损失率；β 是敏感支路的权重系数。

敏感支路指的是在拓扑变化时，模型预测输出结果和标签相比出错多的支路

改变了不同支路损失函数的权重，那么拓扑改变之后 GAT 自调节的节点间注意力系数便按照这个权重来聚合，输出的节点特征变为：
在这里插入图片描述
其中，hi’是新的节点的输出特征；V(vi_g)表示与敏感支路相连的节点，即敏感节点
的集合；V(vi_m-g)表示不与敏感支路相连的节点的集合；hi_g 和 hi_m-g 分别表示敏感节点和不敏感节点的输入节点特征。

针对网络重构时发生变化的配电网拓扑，给敏感支路一个调节系数，在一定程度上可以增强模型的泛化能力，提高在不同拓扑中的实际应用性。
在这里插入图片描述

4.4 算例分析

4.4.1 基于 GAT 的配电网故障定位模型效果分析

两方面：定位准确度、抗扰动能力
数据：图3-6,样本3200，8:1:1，lr=0.001，batchsize=2，epoch=80
对比算法：GCN

实验结果如下图
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

4.4.2 模型在拓扑变化下的适应能力分析

采用 3.3 节网络重构情景，并增加改变配电网节点数的情景(4)：去掉图 3-6 中的末端节点 20，断开 L20 支路。直接用没有改变拓扑情况下训练好的模型，在这四种情景下进行测试。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

4.4.3 改进的注意力调节机制仿真分析

四种重构情景下基于 GAT 的配电网故障定位模型对每条支路预测出错标签的个数。

出错较多的敏感支路分别是发生网络重构的支路和末端支路，选择最敏感的 5 条支路分别是 L4，L6，L11，L14，L20。

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

基于拓扑相似性的配电网故障定位迁移方法

针对新拓扑结构配电网可用数据样本少的问题，将基于 GAT 的故障定位模型迁移到一个新结构的配电网中，进一步提升模型的泛化性能。

5.1 不同配电网的拓扑相似性分析

图分类任务，图相似性

5.1.1 拓扑矩阵相似度指标

针对不同配电网的邻接矩阵，选取矩阵奇异值、谱半径、1-范数、F-范数作为评价拓扑矩阵相似度的指标。

5.1.2 聚类分析

K-means聚类

应当考虑community detection，这在图上的任务更好？又分为重叠与非重叠

5.2 迁移学习概述

按照迁移情景进行分类，可以分为归纳式迁移学习，直推式迁移学习和无监督迁移学习三类。

按照学习方式的不同，可以分为基于样本的迁移、基于特征的迁移、基于关系的迁移和基于模型的迁移四类。

对于不同结构的配电网故障定位任务来说，源域是已有的配电网，其标签可得，目标域是新的配电网，标签不可得，任务都是要进行故障定位，所以属于直推式迁移学习。

在这里插入图片描述

该文章选择的是 基于模型的直推式迁移学习方式

在这里插入图片描述

对于一个新结构的配电网来说，其历史故障较少，但数据相似程度较高，所以本文采用冻结所有的图注意力层，只训练最后的全连接层参数的微调方式，既可以将 GAT 网络提取故障特征的能力迁移到新结构的配电网上，又保证了目标配电网的优化部署。

5.3 面向不同结构配电网的迁移策略

  1. 收集不同节点数、不同负载水平、不同运行状态和不同 μPMU 安装数量的配电网，将其拓扑结构用图论的形式表达出来。
  2. 选择配电网拓扑的邻接矩阵奇异值、谱半径、1-范数、F-范数作为拓扑矩阵相似度指标。然后将配电网 μPMU 安装数量、四种拓扑矩阵相似度指标和配电网潜在故障位置上下游的节点比例作为聚类标准，采用欧氏距离计算不同配电网样本间的距离，利用 K-means 聚类算法对收集到的配电网进行聚类分类。
  3. 对于一个新结构的配电网拓扑，先按照步骤(2)中同样的聚类标准，确定新配电网属于哪种类别。然后在所属类别的配电网群中选择一个拓扑结构明确、历史数据齐全、故障情景完备的配电网作为中心配电网，利用 GAT 建立适应网络拓扑变化，即有一定泛化能力的故障定位模型。
  4. 保持 GAT 模型的参数和结构不发生变化，将预训练好的模型直接迁移到新结构配电网上，即直接用新结构配电网的运行数据做测试集，验证模型在新结构配电网上的适应能力。
  5. 针对具体配电网的拓扑结构和数据特点，通过微调方法进一步优化部署。将预训练模型的参数作为初始参数，利用新结构配电网的正常潮流数据或者部分历史故障数据做训练集，冻结所有的隐藏层，对全连接层的参数进行微调处理，进一步提升模型的针对性适用能力。
    在这里插入图片描述

5.4 算例分析

5.4.1 应用案例设置

13个规模不同、拓扑多样的10kV配电网模型，采用小电流接地方式。
节点数：4~34。

新建一个不同上述配电网的新结构电网，以此验证迁移模型。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

5.4.2 迁移效果分析

选择图 5-2 中的配电网 d 为中心配电网

为什么选择图5-2d？不不选择其他的？
虽说第四章建立的模型是基于d，但为何不用其他？

在这里插入图片描述

中心配电网 d 的 GAT 故障定位模型在另外 12 个配电网中均具有可迁移性，迁移到其他配电网上的定位结果与中心配电网和其他配电网之间的距离大致成反比的关系，即聚类距离越大，迁移结果越差。

5.4.3 迁移方案验证

利用 PCA 降维之后的二维分类图，其中，横纵坐标表示对分类影响最大的两个主成分，用红色圆圈标出来的样本表示新加进去的配电网 n，聚类结果表明，新结构配电网 n 属于类别 1。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

6. 结论与展望

  1. 基于GCN的配电网故障检测
  2. 基于GAT的配电网故障检测
  3. 迁移学习

展望

  1. 多维度表达
  2. 拓扑变化情况可能未知，动态变化
  3. 案例少，模型单一

说在最后

本人是小白，仅此分享相关学习文献，若有冒犯，请与我联系，不胜感激。
由于本人对该方向认知有限，若有错误，还请不吝指教。
仅此分享我的学习记录。

xiao黄
关注
  • 3
    点赞
  • 踩
  • 24
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 3
    评论
专栏目录
一个有趣的东西，但是他是纯代码写成的...三维空间？
02-27
如下。。 xp可运行，win7以上以兼容模式运行 @echo off more +1 %~s0|debug e100 33 f6 bf 0 20 b5 10 f3 a5 8c c8 5 0 2 50 68 13 1 cb e 1f be a1 1 bf 0 1 e11b 6 57 b8 11 1 bb 21 13 89 7 4b 4b 48 79 f9 ad 86 e0 8b c8 bd ff ff e8 20 e134 0 3d 0 1 74 1a 7f 3 aa eb f3 2d ff 0 50 e8 f 0 5a f7 d8 8b d8 26 8a 1 aa e14f 4a 75 f9 eb de cb 57 bb 21 13 8b c1 40 f7 27 f7 f5 8b fb ba 11 1 4f 4f 4a e168 39 5 7f f9 52 8b c5 f7 25 f7 37 2b c8 95 f7 65 2 f7 37 95 2b e8 fe e fe e181 10 79 6 c6 6 fe 10 7 46 d0 14 d1 d1 d1 e5 79 ec 5a b8 11 1 ff 7 4b 4b 48 e19b 3b d0 75 f7 5f c3 83 f7 83 a6 5d 59 82 cd b2 8 42 46 9 57 a9 c5 ca aa 1b e1b4 4f 52 b4 92 3f ab 6e 9e a8 1d c6 3 fc e 6a e7 ae bb 5f 7b 10 b8 b4 f7 8 e1cd e2 bf 36 4e 39 9d 79 29 3f a f9 36 52 16 fb 5 e8 e5 a6 c2 e9 b0 43 d3 a3 e1e6 cf d3 fd fd cb d1 4c 5e e0 63 58 86 bb 3e 9 c1 20 bc cc 91 a3 47 81 70 b3 e1ff d6 1a 9e c2 c9 12 e7 4e ad f4 5f e3 30 e9 9 39 d7 e8 f9 f4 d2 44 e8 d7 22 e218 be e2 ce 88 25 cf 30 4a a8 29 ae 3f 47 c6 2d 85 e9 73 54 13 b e6 e0 34 65 e231 e2 50 8a 89 18 5f ce 70 99 3 5f 42 bf eb 7 ae d0 ca 5 22 8d 22 a5 b7 f0 e24a 90 81 bc 7a bc dc 5 db c0 6a 2 e5 57 38 be 60 cb ac ba a5 3b 9d f1 77 38 e263 a6 84 d1 3c af 49 d8 6a 45 a2 76 60 21 12 c0 c2 44 f2 5e bb e5 37 a9 2b e27b ec 4a 8c 4c f2 f7 a9 58 71 2b ba 6d d6 6a e5 60 46 e0 da e5 b9 90 e5 a3 e293 f7 7f 31 60 58 f0 c4 88 10 4e 3c a3 ee 4e 11 55 8f a 92 eb db ad 7a 9c f e2ac db 5a 28 96 da 87 ae 91 91 2d e3 5e ea df 6 95 71 67 71 40 ce d1 2e 31 6d e2c5 c1 9c d8 6a 76 9b 4a e8 36 44 d6 76 d 30 5 ff d4 1b ac 1f 32 65 31 bf 55 e2de 26 b a4 55 e1 5d 5e 16 ed 97 48 6c 77 fb 81 86 e f9 18 bd d4 f4 8b de 1d e2f7 ba d 47 75 3 89 4b 3e dc 27 86 1c d0 17 89 48 d1 a6 8d d4 2b 54 4e 8f b0 e310 2 e1 6b 1a 75 78 ea 21 91 13 c0 cf 78 a0 ab f3 35 c6 b4 c8 90 8d d7 45 e7 e329 c 5b a4 ba 52 10 64 f5 4a 50 b7 ec 46 22 15 23 84 30 81 5c df 61 5a 8f 67 e342 c4 63 57 6d f7 26 92 a3 1f e5 3 a5 0 54 41 8 48 7c 26 90 33 82 9c 91 b0 e35b ab 78 5d df 99 e0 b9 fc 5 36 ac d9 49 91 ab 20 a2 63 48 89 ce 5c 60 64 f0 e374 63 d9 a8 38 3b d3 e6 4c 8c 23 34 4e 20 51 93 5e 6d b4 7a 22 9b 4c f2 d3 e38c c4 f8 3 6f 47 40 f4 f8 45 9b 83 f3 83 6 31 d0 0 17 82 83 dc 67 f9 62 77 e3a5 90 3b d9 ec f3 55 96 b8 d9 db 79 55 f1 e5 8c 5e f2 e5 2e b0 b 6e e2 81 25 e3be 93 8e b5 dd 5b 46 f9 af ed 6 12 cf c9 1d f0 f7 3b 16 2d c6 58 73 8d e9 5f e3d7 fd 5a b6 a1 94 4d 1a 8 ff eb b7 6 80 c7 86 83 b6 b9 fd 1c e0 c c3 2e a0 e3f0 2f b 3e 3 6b 29 e1 27 85 1c ea 6d df b3 a3 ed 65 4a 9a 59 3b 54 e 4b ae e409 9e 27 f0 4d 3b c 4c 46 b7 e5 57 1b 1f 1f bb 80 86 f5 b7 ef 73 52 bf 2c c7 e422 ed a b7 81 2 f3 90 3e ee cc 6c eb f 38 1 6c 68 b1 d 45 78 b2 f f6 83 b0 e43c c4 33 df b1 d1 91 98 1e 81 a5 e2 59 9f f4 8c b6 72 8 a7 8c f6 e a3 b2 1f e455 d9 d3 23 f0 7c 5e 5f 68 61 8b 45 da 1d 91 ec 8d 4e ea 1a 38 85 94 aa ac e46d f2 4 f6 c4 e5 92 8e 9a 4e 83 e1 73 e8 cf 2a 5c 2b 7e f1 30 2 8a e6 28 1a e486 3b ce bc 96 aa 7f eb 87 cd 8b 96 2d 9 59 7a a0 1a 43 62 9a 9e 4f ff 8e d9 e49f ce d6 a4 70 79 cd 65 fa 2e 92 14 29 f7 6c 74 4b 49 60 80 bb ff 41 bb 2d e4b7 60 33 3f 98 77 9a 1 ee a6 a3 da bc ba e9 f3 72 f4 7c c3 59 2 a6 44 a4 c8 e4d0 c8 54 93 ce bd 69 bb b9 43 21 2c c4 ea 4a 5c 3f 75 60 f2 b4 91 ca 9 82 e3 e4e9 a e9 a6 20 b9 76 50 ed 47 e9 fe 6d 41 34 13 2f 28 2f 4e f4 da e 3c 78 6c e502 b1 79 87 45 98 a4 d4 c3 b3 29 c2 4a 8b ed a6 54 e2 1b 31 62 60 ff 2c 1d e51a 21 0 15 b2 4e 5c c 2 d 83 fa a2 f3 8a 5 12 72 4a c7 44 7c 91 d4 be b a f2 e535 70 52 fb b4 a2 df 89 de ff c4 96 73 c9 c ed d3 c9 8e 5c dc 8e d1 3b de 8c e54e 53 a2 8b f9 e9 91 dd d6 df 6e 74 d1 dd 34 60 8f 9e 32 7f 3b ec 79 a3 83 e566 45 78 b4 2f 1c 50 7b 7a 97 b0 9d 2d c dd 8a 26 cd 7d 8c 4c 5a 8a 4c f9 a4 e57f 11 f9 2c 6c 92 e9 b5 cb 56 89 8c be f6 64 fa 25 43 fa 6f e2 c8 3a 18 a8 e597 f0 e9 f4 c2 86 e6 2b 44 67 4a b9 34 9 ed 5f 33 42 62 d4 8a 1e 5b 31 67 cd e5b0 3d 71 6d 83 fd 36 20 69 ea 1 c3 e6 e6 de 99 aa 7 11 5b 59 8a 1f 43 83 52 e5c9 ea 5d 8c 6a 69 c7 3 eb 4e 3b 88 a5 5f b1 6e 27 5f 3 5c 28 c 9b 6c c3 f8 e5e2 e5 b9 d6 11 d6 8b fa 5c 8 c7 1 eb 45 db f3 6c 9f 16 46 61 51 ed df f bb e5fb c0 c4 1e 64 68 98 4 79 30 94 72 df d4 cd 1f 7f 72 c6 82 2e 79 47 4e 8c 4b e614 a2 c7 e2 36 df 76 fd a4 b6 4e db 96 40 3b 8b b5 d4 85 64 c6 0 2c ad 9d 27 e62d 14 99 82 4b bc 9 fa 94 b5 db 7c 98 eb b 13 a7 b0 79 1d 7e c5 45 aa 20 49 e646 be ff 9d 64 0 5d c ec 6 5 ad f2 38 6b ed 7a d6 b2 c7 2e 6a a6 12 4b ff 55 e660 20 3b a 77 f b9 0 9d 57 4a ad ce a4 d3 ff 1 4f fb 53 54 88 f 1 ed 4b 56 e67a 15 c8 dc 28 bf f2 72 d4 10 1f 99 42 69 9e 78 e2 47 82 93 31 d0 2d be 9f e692 93 93 9a 1b 80 c0 10 c 53 78 a0 26 2a 96 4f 74 4b 16 c7 9c 8d ad ac fb 16 e6ab 15 c6 fd c9 a4 14 48 62 47 20 c9 41 ed 61 f8 9b f8 ff ba 39 50 65 87 ee e6c3 bd ce 95 c0 fb a5 7e d8 cd 27 fd 2c 74 3 c1 1b 89 b9 51 d5 e3 da ef 9e 6 e6dc f0 aa a9 a7 fb 87 4c 5d cd ff 65 36 8c 73 6f 9 c6 78 9a b6 77 db df 81 68 e6f5 3b b8 ae 5d e1 af d4 e6 66 8c d6 a4 83 9f 37 3c 1 dc a2 a6 57 c2 20 1b 90 e70e 75 df cd a5 62 a5 36 79 fb 35 8a 9b b0 a0 a5 c3 37 6f 80 72 bc 52 30 8d e726 9f 7a 64 d3 7 41 45 d8 68 97 f2 aa 1c a1 6c 7c 9d 32 7d ad 15 b1 53 e3 33 e73f 8a ed e9 49 d4 cf dc 96 22 37 36 11 9d 7f f0 4d e0 62 31 b1 c7 69 c4 79 e757 ac 20 1 e8 3c 6a 8c 32 cb 52 63 36 68 f4 10 2b 9c 21 4f df 5d 60 92 39 91 e770 e2 f9 c9 7d ca 48 3 3f 21 dd 6c f 23 2e 61 3a 9f ba c3 f9 4e 7 ea ed ef e789 71 4a 72 3a ed 23 3d 77 b5 ed d5 1d f6 a4 99 fa ef 98 dd 2 98 80 b6 7c a3 e7a2 62 96 7b 8e bf 7b 81 9f 9a ce 3f 12 40 2e 25 db 84 16 dd 2e 86 f f4 b2 7e e7bb 5e b4 14 6a f3 29 b1 a4 57 d5 a8 17 6f 87 a4 74 5b 9b 17 79 f1 ec 33 c8 e7d3 f0 1d b2 7e a8 4d 95 7f 5f 9 d5 1a 5a 45 f4 41 c6 d 3f eb 66 2a c0 e8 5b e7ec 3c bd 50 ad f1 53 9d 2e 45 9a d8 7d 2c 17 a8 6e 15 48 13 39 53 ed 3d 78 e804 ad f 3a 65 a3 3e 2e fa ca 7 94 4a 1f b4 d8 7e 47 8a 8e de e7 7e 34 c1 69 e81d 7f 6a aa 66 58 18 31 24 72 13 22 34 8a 56 36 87 df c2 d 8e 3f 71 a2 5f 25 e836 8b 8d 4 78 fd c9 45 d1 55 79 c1 9f 13 84 1b c8 5 db 95 d0 7c 64 96 20 51 e84f c4 e0 5e ee 47 8a 11 ac fb 9 e0 bb 40 db 86 84 12 93 b9 c9 f2 9c 63 47 c9 e868 eb ad 1 3e fa 6d 3f a 64 5b 58 56 27 f ca 5d e0 30 bc 3e 10 5d ec 17 28 e881 85 5 51 8e 95 a3 94 3a a8 f1 96 f2 f 29 5c 97 dc 47 db 9d 6c 63 e8 e7 f0 e89a e4 a 70 f8 f1 47 54 d3 2d 32 7c ef bb 9a b4 1b 0 2b d6 dd e7 30 b a2 75 e8b3 c7 f5 d0 31 d7 d2 8a b0 ac 1c 6d 60 3a f7 c2 db 1e 6d 7 f6 8f 35 88 e5 7f e8cc 3c 26 81 34 a0 32 a3 25 18 6e 73 b2 a0 f1 cb 86 61 e7 65 8b 76 98 19 6f e8e4 c0 62 9b a3 cc 18 5e 40 12 97 2b d0 15 79 de 19 ea df 7a 59 2f b5 d7 39 e8fc 52 e2 6 f1 3 a0 a5 d9 1b 88 93 4d 30 c8 2d f5 db 55 ea 85 6f a 3f dc bd e915 57 15 6a a3 a3 3e 8e ad 2d da a0 ca 75 7c 57 8b c5 cb b 1d 2c 8e c6 96 2e e92e 6d 59 83 7d 64 72 ca 80 2e 6 a4 ff f6 f2 d5 1e 7 4 ba 34 6e 9 86 25 aa 4e e948 e0 7f f5 32 47 3e 7c 43 d8 28 c4 1c 11 1d bd 33 3 b5 ca 13 43 34 2 b1 a0 e961 57 ed 9d 3c 23 d4 45 b2 6e 81 6e af 3e 67 90 be 59 a5 45 34 53 46 85 d1 e979 25 ee 7d cb a4 db 12 c3 aa 17 61 9a fb 66 40 76 fe 3a 69 96 c0 91 14 a7 e991 5d cc 9f f6 73 59 ee b8 55 97 20 26 ff 99 ec 72 41 b5 27 21 6e ae 8a d0 e9a9 e4 d3 da 6f c4 53 c5 f8 b3 a7 a1 5d 66 93 d8 b1 89 40 23 92 c0 90 fb cb e9c1 e7 6b 4e 51 0 5d 57 f7 cd 1 e2 88 bf 44 9f ef c4 33 ce fa 46 46 a1 86 b e9da 7a 84 66 66 b9 2 ec 10 c6 a1 d4 c1 18 33 b1 d1 2 18 ad 2f 53 e4 b9 33 59 e9f3 be 3c af 80 4c 8a d5 76 c 3b a7 e2 97 94 15 75 4d 17 d5 97 cf f9 4a d0 6e ea0c bb 27 20 fc f1 f5 9 a8 df 4d b6 5d f0 1d 69 3b 76 35 82 a4 f3 56 64 39 5b ea25 6b b3 7 e7 5 8e 82 11 22 a8 1a db c8 3e 67 4a 3 7e 72 51 d6 3d 1a 1c f6 ea3e b8 da 4b 18 8a 15 9d d0 a4 84 96 3e cd 3 f9 3a 30 f3 fb 8f 6e 2 73 eb 52 ea57 93 95 cf dc 6f 48 fb ab d2 a9 70 b4 e2 23 8d 72 86 a8 fa 78 98 1d c5 fe ea6f 8a 51 88 2b b7 58 b0 ca ae 40 8a 33 32 75 1 6 c0 d4 b7 da 2a a7 bb ad f7 ea88 48 98 5a bc d3 d1 e6 16 97 c3 80 ab 73 ac 32 11 41 1f d 5d aa 0 dc d9 6e eaa1 fc 30 6 ef 11 60 27 a2 5f eb 5f b9 35 8 23 4 be 10 c0 85 3e 55 b3 82 fd eaba f7 c3 24 9f 2d 83 94 32 36 de ff 7c 87 7f 4a 80 7 2 23 cf a4 52 eb 3e 19 ead3 a0 b4 a 94 1a 40 58 d9 16 6d c0 64 c4 69 ed 60 46 65 cb df 58 38 0 51 c3 eaec ad a0 37 e4 cf ab f7 6c 24 7d 9 48 65 4a 9f 91 ad 1c 79 a4 a1 78 55 c e8 eb05 44 5b d ef 51 bd ea 2d a7 42 57 ab 3a 4f 2 b 3 19 6a 4d 72 76 5c 97 0 6c eb1f c5 5d bc dd e7 81 cf 8d 34 38 50 3c 98 58 cc 41 aa 99 90 af fe 4e 96 77 eb37 ed 54 18 ce 2c d1 5d 34 cb 79 50 ff 28 96 44 e0 51 64 6 a8 b7 6e 8c 62 c4 eb50 66 95 81 4f 8c f6 26 ba ea 5d d2 79 b1 e4 e9 29 fc a fd b3 85 8c e6 52 dd eb69 33 bd 5d c7 39 ef 6 ef 9e a6 6a 61 9c 9f d5 54 b4 fa a1 d4 10 9b ff 7e 33 eb82 11 52 99 c7 26 6e a1 36 8a ad ee 48 7a 2c 7f d5 b7 27 8a 6b 37 c 71 39 85 eb9b 9c ba a8 a 17 b9 d0 51 56 95 c2 3b 5 a7 31 c5 8b 5c 95 6e 4c 89 6f 17 ef ebb4 d4 5a a 77 65 e1 49 b2 e8 72 ac 3c f0 6b 71 fa 3 c7 ca fc ad f9 55 22 ec ebcd 58 2f 1c fa 29 cf 73 b4 ad 51 5c f8 66 70 59 5d 70 3e d1 3f c4 eb ec f1 ebe5 7 78 6a 93 67 9f 44 fc cb 5b 95 ff 74 c0 b7 42 77 26 c9 aa 8c ed 39 a2 db ebfe 9c b3 eb 3d 4a 1e 9b 89 e4 d8 a8 27 74 ef a3 ed a5 24 5d bb ab d0 fe a1 ec16 29 ab df 75 a a6 23 0 cc f1 14 72 9b 1a 55 7e e5 d1 da 98 dc c4 cf ab 34 ec2f ba 8d de 4a 59 6 13 dd d8 44 3c e bb 56 95 ae 97 e2 3b 49 e5 9a 6b a2 53 ec48 c1 33 35 24 1b 33 17 c3 8a 8c 12 3d 3d 4e 5b 75 22 30 67 4f a0 5d 3a 78 ec60 88 a 11 35 7 b1 77 42 32 a8 c3 bb 20 fb 98 5 d6 ac e7 3a 63 35 90 93 9e ec79 44 24 2e 1b d7 8c aa 29 53 4d d9 ab eb e6 1 56 c4 fd 54 a3 bd 14 5b b0 8f ec92 ce be 23 24 93 c4 48 18 a3 e7 4 5 4b 78 cc 79 dd 3 56 a4 ed dd 5f 98 41 ecab 1b 68 4c c1 bb 41 c2 1e 3e 94 8e ef 28 1e b 76 e 4f 36 b1 c 6e e2 18 17 ecc4 20 fc 35 40 1f e4 6d a4 18 bb bc d5 9e ea 85 86 af af 63 d4 13 66 92 c4 ecdc 2b 69 84 ca 23 2b d3 66 81 6b 81 73 26 4 85 36 21 4c 49 44 75 64 39 16 3c ecf5 ed e0 6d 44 75 45 30 43 68 c0 78 fc d0 17 b eb 81 3e c3 ba 1b f 4d ae c5 ed0e 55 1f c 39 12 5d 8 65 f1 34 59 de dd 98 56 17 43 38 66 49 9a eb db c1 87 ed27 51 38 cc b7 5f 98 fd 43 be 2d bb 74 f3 f8 f2 36 3d a4 34 a5 7e d2 26 cc ed3f 84 1f ea 56 f0 80 18 69 4d 88 41 fc 56 fd 41 3b 1e e 9 27 4f f6 3b 62 4e ed58 5a 1b 2a 4e 85 8c b2 4f 79 ef 59 4e e 73 3d bd c4 ca 60 e7 4a 47 90 b5 8 ed71 2a f0 4e dc ba 66 ae 48 2b 31 73 a2 11 c 32 ff 54 14 77 6b d6 58 4b bf ee ed8a f6 6a bc dd 1 88 d da a9 f 81 24 c5 f8 72 9a db d5 c8 2a 80 a9 16 d7 c6 eda3 b1 91 c0 a9 95 40 b5 b3 a8 2a 28 c6 92 16 ab 54 7d f8 93 5f 3a 17 c8 45 edbb a9 f0 e0 71 23 76 53 38 a5 a1 cc d4 f1 f2 3c 2b 46 43 a1 d5 ba e d7 19 7a edd4 c2 e1 8f 67 1d d 98 9d a1 79 9d 1b 20 7f 4d e7 bf f9 ff fe aa 28 ab 8f c eded 4d 50 33 e3 26 fc 3c 3 3a 2b 26 12 f7 1 8f ee 97 4c e6 6 2b d9 1f a1 4a ee06 77 44 d4 8b b7 3e 5e 2d 18 c3 54 68 99 a8 8d 92 96 9e 9d ab 33 38 ff b8 ee1e ee 78 c6 7b b5 84 95 d3 6 27 ae 5d 27 38 a 38 8e f0 1 a5 96 4b d7 9b 42 ee37 e5 6f 57 75 4c e9 78 2d 5b ec b6 d2 29 e2 a8 92 95 9c 65 2a 3e bf 8d e0 ee4f bf b3 ac c8 e 7e 13 af 88 26 7d 48 5a c7 39 29 36 d2 90 e8 3b 3 d0 61 1a ee68 d2 e8 a8 f ba 8e a1 9f df 12 ab 54 7 23 98 de 62 af 4c 7e d4 fb 6b 2 6e ee81 40 40 37 b7 73 f2 d8 81 be 29 d2 99 c0 73 25 1a 3c 92 75 6e bd d7 79 79 ee99 4 14 c0 4e 99 57 66 93 74 ec b0 29 7c df 61 b0 3 3a d1 c3 fa a4 f7 f 9f eeb2 d3 f 0 b9 2a 5a 3a c5 88 25 b8 b9 cc 82 3 57 3a e1 7b 51 75 70 a6 74 1a eecb ca cb 3 18 68 ca 77 fe 1b ad cd 68 7f 36 85 fc b7 4f a0 11 da 69 fa 79 87 eee4 d6 b9 21 dd 3e 70 db dc 84 d4 6e d1 20 4 af f6 32 a2 8e d 54 25 fe 7 54 eefd e 7a 74 4b a0 4b f7 f4 e8 74 22 e9 98 70 fb 25 2e f4 64 57 75 28 85 45 53 ef16 3a 2e e2 3c 54 36 e9 29 6 67 59 43 10 7e c1 49 cd 5e f9 97 a 58 5f 8a 11 ef2f 4f 3d 9a e2 2b 22 58 fa be fc 69 91 7a 8c 3f 77 9f c9 3b 54 26 23 93 b3 ef47 85 de ae f5 bd c5 47 4c c4 cd 5e ad bc 8f ba 31 f6 e4 70 fb 6e a7 96 d5 ef5f ad 10 80 39 43 97 4f 10 cc 1b 8f 8d cd 4c 63 4 d8 1e 85 70 41 6c a8 eb df ef78 7f 36 c5 60 a7 12 9 16 73 fe 75 3a 2d 40 29 7d aa a 5c 2 29 23 0 a6 e5 6b ef92 24 6d 9b 20 e5 7 cb 40 b0 38 59 9c a7 69 6a 70 d3 38 ef e2 b2 11 3e ea 2a efab f9 2b 2e 43 1d 65 cf d6 1b ef 83 5a 5f e6 c5 62 16 ca 5e 4c a6 39 e4 53 efc3 2d 23 d2 5e 7e 15 54 8a 8 b7 3d bb 88 59 b9 9e a2 7c 42 1f a2 77 3c 5b 9 efdc 6d fa 8f 21 46 1a 3e ed ce 49 56 1d 29 2d 70 3 a7 6f 75 ac 1 87 ff 27 86 eff5 73 49 28 85 2d 97 7a 84 e 37 3d 86 10 21 4c e2 74 62 6b 51 70 8f 15 72 f3 e100e 81 b2 a9 9d 8a 63 ad 1b d5 aa 8a dc 96 3c e7 47 16 51 fc 87 50 9 b7 60 e1026 29 33 52 fb b0 df 70 c5 65 4a 60 3b c d7 a8 29 47 51 f7 8a 77 f3 99 3f e103e 38 16 60 de 68 27 b2 24 7 62 a2 fd 40 86 b2 75 c3 3c 2f 3d fa 9 d9 a9 9a e1057 71 3c ce 46 94 0 f9 bc 46 7f b8 2e 85 7f 7d d3 8d ea b4 63 81 59 10 bb e106f 57 d0 b6 ab e1 83 74 1e 25 d5 73 78 18 b1 60 62 c f4 76 8d 17 d5 ed 23 e1087 23 e4 f6 32 64 5a 61 9 63 f6 92 57 d5 29 40 d6 3b ba 63 72 18 0 25 1b 7 e10a0 ee 7f 25 4a fa 6 74 19 46 e3 e8 89 7a c6 56 54 a7 43 13 4e bf 97 a5 6f e10b8 99 2f ac 33 4d fa 58 3a 5a a a4 1a 74 62 c8 4f 3b 78 9 d7 ee 7e ee 2d 69 e10d1 30 40 ea 47 82 3b 85 8e 3 23 8f 74 4e 8 35 ab 74 4 1 57 d5 85 b1 6b 1e e10ea f4 7d 1e d2 1e b3 fe f3 12 10 32 39 51 48 2d 6f e5 d3 a3 8c 8 8 g rcx fff 1.com w q
基于深度学习的输电线路故障识别方法设计与实现
m0_73268882的博客
07-14 869
7.1本文所开发的基于深度学习的输电线路故障识别方法，可以基本上满足管理输电线路故障识别的需要，用户可以选择在前台系统进行登录，也可以由管理员在管理员的管理端对系统进行信息化管理。这不仅让我对 MySQL的使用和了解，也让我对开放源码系统结构更加熟练，有了很好的基础，可以编写更多的代码。本课题的完成及对基于深度学习的输电线路故障识别方法代码的编写，不仅让本人对项目的发展过程有了更深刻的了解，而且对自身的发展也有了一定的提高。
2024年软件测试最全测试最常见的21个故障模型_故障预警模型有哪些，2024年最新武汉软通动力软件测试面试
最新发布
2401_84790619的博客
05-09 1086
◆ 字符集包括普通字符和特殊字符。例如，ASCII字符集包括普通字符和特殊字符。应用程序有时只能处理普通字符，当输入特殊字符时就会出现错误。◆ 实现应用程序的程序设计语言有特定的处理一些字符和字符串的方法。例如，C语言把\n、++和&这样的字符用于特殊目的。如果将这些字符串键入到对话框中，程序必须进行错误处理，否则容易产生错误。◆ 应用程序有时也使用设置名称、系统对象和程序的保留字符串集合。只要在程序中使用了这些字符串，就可能导致失效。3.2 如何发现这类问题。
图神经网络代码_图神经网络：The Graph Neural Network Model
weixin_39860757的博客
11-23 2526
图神经网络（GNN）最近很火，很多自然语言的论文都用上了GNN网络。正好凑空学习一下关于GNN网络的知识。对于不熟悉GNN的朋友，可以先看[1]，沿着图神经网络的历史脉络，介绍了经典的图神经网络模型。这篇文章的主要目的是结合python代码来讲解Graph Neural Network Model如何实现，代码主要参考[2]。1、论文内容简介图神经网络最早的概念应该起源于以下两篇论文。Graphi...
【毕业设计】基于深度学习的铁轨障碍物检测预警系统 人工智能 python 卷积神经网络
Hai_Lang_IT的博客
01-06 2167
毕业设计：基于深度学习的铁路异物检测系统结合了深度学习和计算机视觉技术，旨在解决铁路场景中多尺度和遮挡问题对异物检测的挑战。通过在FLIR数据集和自制的夜间红外铁路数据集上进行迁移训练，提出的算法展现了对遮挡较严重和不同尺度大小的铁路异物的优越性。本毕业设计为计算机领域的毕业生提供了一个创新的研究方向。对于计算机专业、软件工程专业、人工智能专业、大数据专业的毕业生而言，提供了一个具有挑战性和创新性的研究课题。无论您对深度学习技术保持浓厚兴趣，还是希望探索机器学习、算法或人工智能的领域的同学，能为您提供灵感。
基于小波优化神经网络的故障定位算法研究
08-29
在研究已有小电流接地系统单相接地故障定位方法优缺点的基础上，提出了一种小波优化神经网络的故障定位算法。首先在分析单相接地故障暂态电气量特征的基础上，利用小波奇异性检测进行特征提取。然后构建故障定位的优化神经网络模型，以遗传算法良好的全局寻优能力为基础，根据神经网络良好的非线性拟合能力，建立起故障特征与故障点位置之间的映射，实现故障定位。
电网故障定位与隔离(配网自动化)
让你爱上电路设计
04-17 6558
内容包括馈线自动化概述，就地式与集中式馈线自动化的介绍，通过报文（IEC101平衡式规约）研判故障真实案例。
基于图神经网络的配电网故障预测
05-06
在实际应用场景的配电网故障占电网总故障的80%以上，并且配电网故障的预测一直以来都是比较困难的课题.本文在国家电网提出“泛在物联”的号召下，分析了学者们在此问题上的研究成果后，结合图神经网络的思想提出了一种基于图神经网络的配电网故障预测方法.参考了现在常用的图神经网络设计框架，详细的设计了节点信息汇集函数、预测函数和损失函数，并根据算法流程测试选定了合理的深度参数.算法充分考虑了相连节点间的互相影响，使用真实的电网运行数据对在该课题上常用的其它两种算法的横向比较，实验表明算法在精确度上提高了3.0%，并具有更强的鲁棒性.
神经网络故障预测模型,神经网络故障预测方法
aifans_bert的博客
10-21 1437
其中，最成熟的是BP神经网络。实验表明，利用能量特征向量，BP神经网络能更准确地完成从振动信号空间到气门间隙状态空间的非线性映射，能更好地满足柴油机状态检测和故障诊断的要求。气门间隙异常时,振动信号的能量大于目前冲击力作用时,振动信号的主要组件目前离冲击力稳定的振动信号和噪声,信号能量相对较小。例如电力负荷预测，当进行的是短期负荷预测时，输入的样本为最近几日的负荷数据，那么预测的自然是最近几日的，不可能再长。这个要视处理的问题而定，训练网络的样本是基于多少年的数据，相应预测的就是多少年的数据。
2024年最全微信公众号 接口测试平台 获取自定义菜单教程，2024年最新推荐给大家
2401_84141304的博客
05-08 974
线、讲解视频，并且后续会持续更新**
基于LVQ神经网络的配电网故障定位方法.pdf
06-13
基于LVQ神经网络的配电网故障定位方法.pdf
神经网络电力系统负荷预测
03-29
负荷预测有代码 能并不能大量的存储，电能如果生产过多会造成极大的浪费，电能生产过少又不足以满足用户的需求，因此就需要保持发电量和用电量的平衡，避免出现电能浪费和电能不足的情况。为了保持发电和供电平衡就需要电力系统内的负荷数值提前进行预测，准确地预测电力负荷对于电厂发电量具有重要的参考意义。
基于网络树状图和改进D-S证据理论的配电网故障定位方法
01-13
针对配电网故障信息出现异常尤其是不可识别异常而导致误判的问题，提出了一种基于网络树状图和改进D-S证据理论的配电网故障定位新方法。该方法的突出优点在于使用多源信息进行故障定位，可避免因单源信息发生异常...
基于神经网络的多电源配电网故障定位
07-02
为了研究多电源配电网的故障定位,研究了应用神经网络进行电源配电网故障定位的可行性。通过训练样本对神经网络进行训练,实现了故障过电流信息到故障区域的映射。算例的结果证明应用神经网络求解多电源配电网故障区域...
配电网故障定位方法,配电网故障定位方法介绍,matlab
09-10
在本主题中，我们将深入探讨配电网故障定位的方法，特别是矩阵算法和神经网络算法在MATLAB环境中的应用。 首先，我们要理解配电网故障定位的基本原理。当配电网发生故障时，通常会导致电流、电压等电气量的异常变化...
电力系统分析 | Pytorch实现图神经网络 (GNN) 与传统多层感知器 (MLP)的电力系统分析
前程算法屋的博客
11-25 1069
电力系统分析 | Pytorch实现图神经网络 (GNN) 与传统多层感知器 (MLP)的电力系统分析
论文笔记——使用图神经网络预测影响概率
qq_37730871的博客
12-01 1707
使用图神经网络预测影响概率 我们提出的GCN被优化以预测影响概率：（1)在图卷积过程中考虑顶点和边缘特征，(2)我们的图卷积过程是考虑信息级联过程的，(3）子图的训练是增加可伸缩性的必要条件，而某些影响概率预测需要完整的邻域信息-存在训练速度和GPU内存需求与预测精度之间的权衡问题。 然而，我们的方法在理论上保证了了随机抽样子图的适当训练 1、背景知识 1.1 图卷积神经网络GCN（Graph Convolutional Networks） 图卷积神经网络（Graph Convolutional Netwo
基于深度神经网络进行实时电力系统状态估计和预测
ucas_123的博客
03-19 1352
为了训练模型并获得估计性能，请将上述数据放在根文件中，然后运行simple_test.py。要获取图，请运行get_plots.py。 请随时使用您自己的数据。基于深度神经网络进行实时电力系统状态估计和预测。 想了解详情请下载附件http://www.apollocode.net/a/697.html from __future__ import absolute_import from __future__ import division from __future__ import print..
电力系统的物理信息神经网络源代码
weixin_39965612的博客
01-23 541
介绍了一种在电力系统中应用物理信息神经网络的框架。利用控制电力系统的基本物理定律，并受到机器学习领域最新发展的启发，我们提出了一种神经网络训练程序，它可以利用广泛的数学模型来描述电力系统的行为，包括稳态和动态。这项工作开启了电力系统的一系列机会，能够在传统方法所需计算时间的一小部分时间内确定动态状态，如转子角度和频率，以及不确定参数，如惯性和阻尼。以一台单机无穷大系统为例展示它的优势。与传统方法相比，基于物理的神经网络可以准确地确定转子角和频率，速度可达87倍。 ...
图神经网络在故障诊断中的发展
11-23
近年来，图神经网络在故障诊断中的应用逐渐受到关注。与传统的BP神经网络不同，图神经网络是一种基于图结构的神经网络，能够处理非结构化数据，如文本、图像和图等。在故障诊断中，图神经网络可以将系统中的各个部件看作节点，将它们之间的关系看作边，从而构建出一个图。通过对这个图进行学习和推理，可以实现对系统的故障诊断。 目前，图神经网络在故障诊断中的应用主要集中在以下几个方面： 1. 基于图卷积神经网络（GCN）的故障诊断方法。GCN是一种能够处理图结构数据的神经网络，它可以对节点和边进行特征提取和表示学习。通过将系统中的各个部件看作节点，将它们之间的关系看作边，可以构建出一个图，并利用GCN对这个图进行学习和推理，实现对系统的故障诊断。 2. 基于图注意力网络（GAT）的故障诊断方法。GAT是一种能够处理图结构数据的神经网络，它可以对节点和边进行特征提取和表示学习。与GCN不同的是，GAT可以对不同节点之间的关系进行不同的注意力分配，从而更好地捕捉节点之间的关系。 3. 基于图自编码器（GAE）的故障诊断方法。GAE是一种能够处理图结构数据的神经网络，它可以对节点和边进行特征提取和表示学习。通过将系统中的各个部件看作节点，将它们之间的关系看作边，可以构建出一个图，并利用GAE对这个图进行学习和推理，实现对系统的故障诊断。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

xiao黄

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值