排序方式: 共有18条查询结果,搜索用时 15 毫秒
12.
13.
14.
15.
单纯依靠温差阈值仅能判断设备的当前状态,无法对其发热趋势进行跟踪预测。环境温度和负载升高,有可能导致设备绝对温度的进一步升高,缺陷由一般发展为严重缺陷,因此需新的手段对变电设备热点温度进行预测。为解决上述问题,利用长短期记忆网络(Long Short Term Memory,LSTM)构建变电设备热点温度预测模型,对电网运行历史数据、环境气象历史数据、缺陷和故障历史数据及检测、试验、监测等状态历史数据进行大量样本的训练学习,基于深度神经网络算法拟合多源因素与设备热点温度的关联关系,实现设备热点温度状态发展趋势和缺陷严重程度的动态预测。最后通过变电站设备实际运维检测数据分析验证算法的可行性。 相似文献
16.
17.
不同设备和缺陷发生概率的差异性导致避雷器缺陷样本具有小样本特点,难以训练准确的预测模型.仅依靠避雷器监测指标及阈值判断缺陷,很难识别出避雷器监测数据未超限值平稳增长时的异常状态.因此提出一种基于小样本数据及贝叶斯推理的避雷器缺陷分类方法,扩展数据维度,建立多阶段信息的缺陷诊断模型,利用贝叶斯推理算法,计算不同特征量下缺陷原因类别的概率.根据新的检测证据更新不同特征量下缺陷原因类别的概率,从而识别缺陷原因.算法基于新的检测数据和标注结论,自动调整模型中关于设备缺陷和原因的先验概率指标,保证缺陷原因分类准确率.利用某电力公司避雷器运维数据和在线监测系统,分析和验证了本文所提方法的有效性和正确性,为避雷器运维提供有效支撑. 相似文献
18.