Nov, 2023

基于稳健学习的配电网开关设备条件诊断方法

PDF
TL;DR本文介绍一种基于学习的稳健方法，用于诊断配电网开关设备的状态，这对于维护终端用户的电能质量至关重要。这种方法通过引入一个扩展的特征向量，包括环境数据、温度读数、开关位置、电机运行、绝缘条件和局部放电信息，解决了传统诊断模型过于依赖专家知识且鲁棒性不足的问题。我们通过特征映射来解决高维度问题。该方法引入了一个决策半径来对未标记样本进行分类，并结合有监督和无监督损失以及一致性正则化函数来更新模型参数。这种方法即使在有限数量的标记样本下也能确保稳健学习。比较分析表明，该方法在准确性和鲁棒性方面明显优于现有模型。
发现论文，激发创造
  • 利用高维度的物理 - 数字数据流来诊断智能电网故障

    探讨了特征工程对于解决物理系统数据诊断过程中存在的数据质量，噪声干扰，决策模型不精确等挑战的影响作用；论文使用特征筛选、降维和决策模型等方法，在 118 个节点的电力系统上进行了数据驱动的故障诊断，同时比较了多种高级技术在该领域的应用。实验结果表明，特征筛选和降维方法的联合应用可以有效提高数据质量，提高物理系统的诊断准确性。

    Mar, 2023

  • 具有未知模式和性能保障的配电网线路故障识别

    在这项研究中，我们提出了一种实用而稳健的检测方法，仅利用现有的电压幅值，消除了昂贵的相角或功率流数据的需求，并通过梯度下降学习后事故分布的参数，以及添加 Bregman 散度约束解决可行性问题，证明可以及时检测和定位停电，无需假设已知停电模式。

    Sep, 2023

  • 分布式发电下配电系统基于数据驱动的接地故障定位方法

    该研究提出了一种数据驱动的接地故障定位方法，通过分析处理后的数据的统计量，利用人工神经网络找到计算的电压特征与故障之间的映射关系，实现了接地故障的定位。研究结果表明该方法具有良好的潜力，并为测试鲁棒性而应用于未知系统状态的数据集。

    Feb, 2024

  • 基于深度学习的智能电网网络攻击检测模型

    通过使用人工智能技术，本研究提出了一种新颖的智能电网基于模型的网络攻击检测方法，以阻止监控控制和数据采集系统（SCADA）上接收的负载数据的数据完整性网络攻击（DIAs），并使用回归模型进行负载数据的预测，以及通过无监督学习方法对处理后的数据进行聚类，以实现最佳性能。实验结果表明，EE-BiLSTM 方法比其他两种方法更稳健和准确。

    Dec, 2023

  • 机器学习方法用于离散事件系统的在线故障诊断

    本文提出了一种基于机器学习的在线诊断系统，用于预测自动生产系统的状态和故障类型，并可将其分类为多类别。

    Oct, 2022

  • 基于知识图谱的电力变压器故障预测

    应用知识图谱和梯度提升决策树技术，我们提出了一种能够有效学习少量高维数据的方法，用于电力变压器的安全状态评估和故障分析，取得了相比于神经网络和逻辑回归等其他方法更高的预测准确性，并在进步性、实用性和广泛应用潜力方面有显著改进。

    Feb, 2024

  • 演化网络拓扑下的电网运行风险评估的图神经网络

    该研究探讨了图神经网络在没有明确的高分辨率信息（发电机状态、电网拓扑和电力调度决策）的情况下，能否识别未来几个小时内电网的风险状况。研究发现，基于图神经网络的可靠性和风险评估具有快速而准确的预测能力。

    May, 2024

  • 电机故障诊断的基础模型

    提出了一种基于自监督学习的神经网络模型来解决电动机故障诊断的问题，通过微调模型在不同故障情景、不同机器之间实现了超过 90％的分类准确度，具有广泛的潜力应用于现实世界中的跨机器故障诊断任务。

    Jul, 2023

  • 机器学习检测网络攻击并区分电力系统干扰类型

    基于机器学习的智能电网攻击检测模型，通过利用来自相量测量设备（PMUs）的数据和日志，学习系统行为并有效识别潜在的安全边界。研究使用来自不同 PMUs、继电器嗅探警报和日志的 15 个独立数据集验证了提出的模型，结果显示随机森林模型在检测电力系统扰动方面表现最佳，准确率达到了 90.56%，有助于操作人员的决策过程。

    Jul, 2023

  • 电力电网智能故障分析

    本文提出了一种基于人工智能和机器学习技术的电力系统健康检测方案，利用 Siemens PSS/E 软件模拟电网状况，并采用分类器（SVM、LSTM 等）进行训练和测试，结果证明其能够高精度地检测电网异常，并可扩展应用于更复杂的电网结构。

    Nov, 2017