亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于LSTM-CNN機(jī)器學(xué)習(xí)的配電網(wǎng)故障定位方法

        2021-12-09 07:31:06秦飛翔朱革蘭
        廣東電力 2021年11期
        關(guān)鍵詞:區(qū)段配電網(wǎng)神經(jīng)網(wǎng)絡(luò)

        秦飛翔,朱革蘭

        (華南理工大學(xué) 電力學(xué)院,廣東 廣州 510641)

        快速準(zhǔn)確的配電網(wǎng)故障定位技術(shù)是迅速隔離故障和恢復(fù)供電的前提,同時(shí)定位準(zhǔn)確度與配電網(wǎng)中的測量儀器的精度密切相關(guān)。隨著高精度測量儀器如微型同步相量測量單元(micro phasor measurement units,μ-PMU)、饋線終端單元(feeder terminal unit,F(xiàn)TU)、智能饋線儀表(smart feeder meters)等裝置的廣泛應(yīng)用,國內(nèi)外學(xué)者提出了多種基于配電網(wǎng)故障特征的故障定位方法。

        常用的故障定位方法有阻抗法、行波法和廣域通信法。阻抗法通過測點(diǎn)的故障數(shù)據(jù)計(jì)算線路故障阻抗,從而求取故障距離。文獻(xiàn)[1]考慮到故障后網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)及參數(shù)會(huì)發(fā)生改變,在故障后對(duì)節(jié)點(diǎn)阻抗矩陣進(jìn)行修改,從而形成測距表達(dá)式,文獻(xiàn)[2]提出基于相量分析法的改進(jìn)阻抗型故障測距算法,利用故障點(diǎn)過渡電阻無功功率為0的功率特性建立關(guān)于故障距離的一元二次測距方程;但上述方法易受過渡電阻、線路分支等因素的影響,易出現(xiàn)偽故障點(diǎn)。行波法是根據(jù)行波理論實(shí)現(xiàn)故障測距的方法,文獻(xiàn)[3]通過測量電壓、電流行波到故障點(diǎn)間的傳播時(shí)間確定故障距離,但是受線路分支、測點(diǎn)同步精度等因素影響較大,定位精度不高。廣域通信法通過故障時(shí)的多個(gè)測點(diǎn)故障數(shù)據(jù)進(jìn)行故障區(qū)段定位,文獻(xiàn)[4]指出故障發(fā)生前后不同節(jié)點(diǎn)的電壓相量變化值與故障位置有關(guān),通過模擬全網(wǎng)的故障點(diǎn),并將模擬結(jié)果與測量值進(jìn)行匹配來實(shí)現(xiàn)故障定位,文獻(xiàn)[5-8]提出稀疏測點(diǎn)條件下的故障定位方法;但上述方法仍需要利用節(jié)點(diǎn)阻抗矩陣進(jìn)行計(jì)算,而在實(shí)際配電網(wǎng)運(yùn)行過程中線路參數(shù)誤差較大,給定參數(shù)與實(shí)際運(yùn)行中的線路參數(shù)相比有大約24%~30%的誤差[9]。因此,傳統(tǒng)方法難以解決線路參數(shù)誤差給定位精度帶來的影響。

        為了提高定位精度,國內(nèi)外一些學(xué)者提出了基于機(jī)器學(xué)習(xí)的故障定位方法。文獻(xiàn)[10]提出將粗糙集算法結(jié)合支持向量機(jī)(support vector machine,SVM)算法搭建了一種故障診斷模型對(duì)故障線路進(jìn)行診斷;文獻(xiàn)[11]提出一種基于卷積神經(jīng)網(wǎng)絡(luò)(convolution neural network,CNN)的故障類型判斷方法,該方法首先對(duì)故障時(shí)電壓電流信號(hào)進(jìn)行希爾伯特-黃變換(Hilbert-Huang)變換,再通過訓(xùn)練CNN模型進(jìn)行故障類型分類;文獻(xiàn)[12-14]提出了基于CNN的故障定位方法,通過將故障前后的電壓電流數(shù)據(jù)作為輸入實(shí)現(xiàn)對(duì)故障節(jié)點(diǎn)的定位,但是該方法在選取神經(jīng)網(wǎng)絡(luò)模型時(shí)需要考慮不同的故障類型,并且僅利用節(jié)點(diǎn)電壓值作為輸入,定位精度不高;在CNN的基礎(chǔ)上,文獻(xiàn)[15]提出了一種基于圖卷積神經(jīng)網(wǎng)絡(luò)(graph convolutional network,GCN)的故障定位方法,該方法挖掘節(jié)點(diǎn)之間的拓?fù)潢P(guān)系,提高了定位的準(zhǔn)確性,但是該方法僅考慮故障發(fā)生在節(jié)點(diǎn)處的情況,而故障通常發(fā)生在配電網(wǎng)線路中。

        為解決上述問題,本文將長短期記憶(long short term memory,LSTM)與CNN相結(jié)合,提出一種基于長短期記憶的卷積神經(jīng)網(wǎng)絡(luò)的故障定位方法。LSTM是對(duì)遞歸神經(jīng)網(wǎng)絡(luò)(recursive neural network,RNN)的改進(jìn),它能夠避免訓(xùn)練過程中的長期依賴問題[16],同時(shí)CNN有很好的特征提取能力,能夠充分挖掘故障時(shí)電壓電流的特征,兩者結(jié)合有助于實(shí)現(xiàn)高精度的故障區(qū)段定位。

        本文首先建立用于故障定位的LSTM-CNN模型;其次,通過理論推導(dǎo)以論證正序電壓與正序電流數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)輸入的高效性;最后,通過仿真驗(yàn)證本文神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確度和魯棒性。

        1 基于LSTM-CNN的故障定位模型

        所選用的結(jié)合CNN和LSTM的神經(jīng)網(wǎng)絡(luò)模型如圖1所示,包括輸入層、卷積層、池化層、LSTM層、Flatten層、全連接層、輸出層。其中,輸出層之前的激活函數(shù)采用修正線性單元(rectified linear unit,ReLU),卷積層中采用Dropout的方法防止過擬合,輸出層的激活函數(shù)采用歸一化指數(shù)函數(shù)(Softmax)。文獻(xiàn)[17]驗(yàn)證了這種模型具有良好的分類性能。

        圖1 LSTM-CNN模型Fig.1 LSTM-CNN model

        1.1 輸入與輸出

        假設(shè)配電網(wǎng)中有i個(gè)節(jié)點(diǎn)安裝有μ-PMU裝置,采樣得到相應(yīng)節(jié)點(diǎn)的電壓電流數(shù)據(jù),并對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,得到故障前后的節(jié)點(diǎn)正序電壓幅值和相角的變化量以及節(jié)點(diǎn)注入正序電流幅值和相角的變化量,作為第一層卷積層的輸入向量X,即:

        ΔαM1,ΔαM2,…,ΔαMi,

        ΔβM1,ΔβM2,…,ΔβMi).

        (1)

        對(duì)于輸出,在經(jīng)過LSTM-CNN分類之后,得到對(duì)應(yīng)于故障數(shù)據(jù)的故障線路編號(hào)。

        1.2 用于故障定位的LSTM-CNN架構(gòu)

        LSTM作為一種特殊的遞歸神經(jīng)網(wǎng)絡(luò),其結(jié)構(gòu)如圖2所示。圖2中:ct為存儲(chǔ)單元;it為輸入門;ft為遺忘門;ot為輸出門;ht為輸出量;σ為sigmoid激活函數(shù)。

        圖2 LSTM單元結(jié)構(gòu)Fig.2 The structure of LSTM unit

        它的主要?jiǎng)?chuàng)新在于其存儲(chǔ)單元ct可以對(duì)輸入的節(jié)點(diǎn)故障信息進(jìn)行累加,能夠有效儲(chǔ)存各節(jié)點(diǎn)的狀態(tài)信息,以便于提取特征信息。該單元由幾個(gè)帶參數(shù)的控制門訪問、寫入和清除。當(dāng)一組故障數(shù)據(jù)作為輸入時(shí),如果輸入門it被激活,它的信息就會(huì)累積到單元格中。此外,如果遺忘門ft打開,上一個(gè)狀態(tài)所存儲(chǔ)的信息ct-1將會(huì)被 “遺忘”。而未被“遺忘”的數(shù)據(jù)ct是否會(huì)傳播到最終狀態(tài)ht,由輸出門ot進(jìn)一步控制。這種方式可以防止梯度消失得太快。具體方程為[17]:

        (2)

        式中:⊙表示元素對(duì)應(yīng)乘積;各W為相應(yīng)的權(quán)重矩陣;各b為相應(yīng)的偏置矩陣。

        上述方法需要儲(chǔ)存每個(gè)節(jié)點(diǎn)的故障信息,因此會(huì)產(chǎn)生一定的冗余數(shù)據(jù);另外,LSTM難以捕捉空間局部特征。為了解決這些問題,在模型中加入卷積層,卷積層中的卷積核通過權(quán)值共享和池化的方式降低模型復(fù)雜度,減小數(shù)據(jù)冗余;同時(shí)考慮到CNN具有捕捉空間局部特征的能力,充分利用故障線路附近的節(jié)點(diǎn)信息實(shí)現(xiàn)高效故障定位。在加入卷積層后構(gòu)成的LSTM-CNN的關(guān)鍵方程式為:

        (3)

        式中“*”表示卷積運(yùn)算。

        至此,建立用于故障定位的神經(jīng)網(wǎng)絡(luò)模型。通過歷史數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練即可得到高適應(yīng)度的神經(jīng)網(wǎng)絡(luò)模型,其中如何選擇合理的節(jié)點(diǎn)電氣量將在下章進(jìn)一步討論。

        2 模型輸入分析

        配電網(wǎng)中的電氣量眾多,如何選擇合理的電氣量作為神經(jīng)網(wǎng)絡(luò)模型的輸入以達(dá)到準(zhǔn)確、快速的故障定位,是本章討論的重點(diǎn)。在故障發(fā)生后節(jié)點(diǎn)電壓和節(jié)點(diǎn)注入電流會(huì)隨之改變,并且隨著故障點(diǎn)的不同呈現(xiàn)不同的變化量,因此本章將討論故障電壓和電流與故障點(diǎn)之間的關(guān)系。

        2.1 故障電壓分析

        相鄰節(jié)點(diǎn)i和j之間的F處發(fā)生短路故障(包括對(duì)稱、不對(duì)稱故障)的示意圖如圖3所示。圖3中:M代表電壓監(jiān)測節(jié)點(diǎn);λ(0≤λ≤1)為故障點(diǎn)F到節(jié)點(diǎn)i的距離占該區(qū)段線路長度的比例;Z為節(jié)點(diǎn)i和j之間線路的阻抗。任意類型故障發(fā)生后故障點(diǎn)F與電壓監(jiān)測節(jié)點(diǎn)M之間的轉(zhuǎn)移阻抗可以參照文獻(xiàn)[18]的方法得到,推導(dǎo)過程中的阻抗取序分量,變量符號(hào)上標(biāo)(1)、(2)、(0)分別表示正序、負(fù)序和零序分量。

        圖3 系統(tǒng)線路短路示意圖Fig.3 Schematic diagram of short circuit fault

        依據(jù)節(jié)點(diǎn)阻抗矩陣可以得到故障點(diǎn)F和電壓監(jiān)測節(jié)點(diǎn)M之間的轉(zhuǎn)移阻抗的序分量:

        (4)

        (5)

        (6)

        式(4)—(6)中:ZMi為節(jié)點(diǎn)i和節(jié)點(diǎn)M之間的轉(zhuǎn)移阻抗;ZMj為節(jié)點(diǎn)j和節(jié)點(diǎn)M之間的轉(zhuǎn)移阻抗。

        故障發(fā)生后,電壓監(jiān)測節(jié)點(diǎn)M的電壓產(chǎn)生降落,其降落值與故障電流IF和轉(zhuǎn)移阻抗ZMF有關(guān)[4]。當(dāng)短路故障是三相不對(duì)稱故障時(shí),節(jié)點(diǎn)M的電壓序分量含有正序、負(fù)序和零序;當(dāng)短路故障是三相對(duì)稱故障時(shí),節(jié)點(diǎn)M的電壓序分量僅含有正序。故選用節(jié)點(diǎn)M的正序電壓來分析,其故障前后的變化量滿足

        (7)

        將式(4)代入式(7),并取模值,可得:

        (8)

        (9)

        (10)

        (11)

        2.2 故障電流分析

        與2.1節(jié)所假設(shè)的故障情形一致,由于線路中發(fā)生的短路故障可能是三相對(duì)稱故障也可能是三相不對(duì)稱故障。當(dāng)發(fā)生三相不對(duì)稱故障時(shí),線路中正序、負(fù)序和零序電流均存在,當(dāng)發(fā)生三相對(duì)稱故障時(shí),線路中僅存在正序電流,故選擇正序電流分析。以圖4所示的配電網(wǎng)局部簡化模型為例,分析故障前后各節(jié)點(diǎn)注入正序電流之間的關(guān)系。

        圖4 配電網(wǎng)局部簡化模型Fig.4 Simplified model of distribution network

        (12)

        (13)

        將式(12)與式(13)相減可得

        (14)

        由2.1節(jié)和2.2節(jié)的分析可知,節(jié)點(diǎn)電壓和節(jié)點(diǎn)注入電流的正序分量在線路發(fā)生故障后會(huì)顯示出顯著的特征,因此,選用節(jié)點(diǎn)電壓和節(jié)點(diǎn)注入電流的正序分量來作為神經(jīng)網(wǎng)絡(luò)的輸入。

        3 算例分析

        為驗(yàn)證所提方法的有效性,在MATLAB/Simulink中搭建如圖5所示的IEEE 34節(jié)點(diǎn)配電網(wǎng)系統(tǒng)來獲取故障數(shù)據(jù)。

        圖5 IEEE 34節(jié)點(diǎn)配電網(wǎng)模型Fig.5 IEEE 34-bus system distribution network model

        IEEE 34節(jié)點(diǎn)配電網(wǎng)系統(tǒng)是一個(gè)典型的三相負(fù)載不對(duì)稱系統(tǒng),基準(zhǔn)電壓為24.9 kV,不考慮變壓器故障,模擬故障區(qū)段為30個(gè)。故障類型包括三相接地、三相短路、單相接地、兩相接地和兩相短路故障,在每種故障類型下考慮不同大小的過渡電阻、區(qū)段內(nèi)的不同位置以及負(fù)荷波動(dòng)。利用μ-PMU對(duì)節(jié)點(diǎn)電壓和節(jié)點(diǎn)注入電流進(jìn)行采樣,采樣頻率為1 kHz。所提方法的實(shí)施流程如圖6所示。

        3.1 μ-PMU優(yōu)化配置

        μ-PMU不僅能夠測量節(jié)點(diǎn)電壓相量,而且能夠測量節(jié)點(diǎn)注入電流,但是考慮到經(jīng)濟(jì)性原則,并非所有節(jié)點(diǎn)都能夠配置μ-PMU,所以本文依據(jù)最大可觀測性的原則[19-21]來優(yōu)化配置μ-PMU。以這

        圖6 故障定位方法實(shí)施流程Fig.6 Implementation process of fault location method

        種方式配置μ-PMU之后,可以根據(jù)配電網(wǎng)的拓?fù)湫畔⒌玫较噜徆?jié)點(diǎn)的電壓,從而能夠?qū)崿F(xiàn)全網(wǎng)可觀。配置過程滿足以下2個(gè)優(yōu)化目標(biāo)。

        a)實(shí)現(xiàn)全網(wǎng)可觀測所需的μ-PMU數(shù)量最?。?/p>

        (15)

        式中:f為單位行向量,維度等于配電網(wǎng)的節(jié)點(diǎn)個(gè)數(shù)n;x為二進(jìn)制決策向量,當(dāng)節(jié)點(diǎn)配置μ-PMU時(shí),對(duì)應(yīng)的元素為1,故fx代表μ-PMU的數(shù)量;A為系統(tǒng)節(jié)點(diǎn)連接矩陣;b為單位矩陣,故Ax≥b代表所有節(jié)點(diǎn)可觀測。

        b)在μ-PMU數(shù)量最小的前提下,實(shí)現(xiàn)量測冗余度最大:

        (16)

        式中:g=(g1,g2,…,gn)T為量測冗余度系數(shù),gi為第i節(jié)點(diǎn)的最大可觀測次數(shù),即該節(jié)點(diǎn)的相鄰節(jié)點(diǎn)個(gè)數(shù)加1,i∈{1,2,…,n};beq為目標(biāo)a)中所得到的最小配置數(shù)目。

        通過0-1整數(shù)線性規(guī)劃求解,配置結(jié)果是:在節(jié)點(diǎn)802、808、850、820、824、854、858、834、836、846、862和888安裝μ-PMU裝置,在圖5中使用“o”表示。

        3.2 仿真結(jié)果

        發(fā)生故障時(shí),12個(gè)μ-PMU的采樣數(shù)據(jù)取正序分量的向量差之后得到一個(gè)1×48的數(shù)組,包含節(jié)點(diǎn)電壓正序幅值和相角的變化量、注入節(jié)點(diǎn)電流正序幅值和相角的變化量。根據(jù)設(shè)置的5種故障類型,過渡電阻分別設(shè)置為0.01 Ω、0.1 Ω、0.5 Ω、1 Ω、5 Ω;每個(gè)區(qū)段的故障位置設(shè)置有7種,為kL/8(k=1~7,L是該區(qū)段線路的長度);負(fù)荷波動(dòng)大小設(shè)置為-10%、0、10%,故障區(qū)段分類類別共30個(gè),共計(jì)15 750條數(shù)據(jù)(其中80%作為訓(xùn)練數(shù)據(jù),20%作為測試數(shù)據(jù))作為LSTM-CNN的輸入。LSTM-CNN模型在Jupyter notebook中利用Keras深度學(xué)習(xí)框架運(yùn)行,在包括不同故障類型、過渡電阻、故障位置、負(fù)荷波動(dòng)的訓(xùn)練集和測試集下,迭代2 000次,每次迭代時(shí)間不超過20 ms,3 150條測試數(shù)據(jù)的測試綜合準(zhǔn)確度為99.56%,誤判數(shù)據(jù)14條。不同故障類型的結(jié)果見表1。

        表1 IEEE 34系統(tǒng)故障定位準(zhǔn)確度Tab.1 Fault location accuracy on IEEE 34 node system %

        對(duì)故障區(qū)段的預(yù)測結(jié)果進(jìn)一步分析發(fā)現(xiàn),預(yù)測失誤的區(qū)段均是將實(shí)際故障區(qū)段的相鄰區(qū)段誤判為故障區(qū)段,同時(shí)這些線路均較短,假如將預(yù)測準(zhǔn)確的范圍擴(kuò)大為故障區(qū)段及其相鄰區(qū)段,那么測試準(zhǔn)確度(稱為擴(kuò)展準(zhǔn)確度)將達(dá)到100%。

        3.3 不同輸入對(duì)訓(xùn)練結(jié)果的影響

        表2 不同輸入對(duì)訓(xùn)練結(jié)果的影響Tab.2 Impact of different inputs on training results %

        3.4 不同算法的故障定位準(zhǔn)確度比較

        為了證明文中提出的LSTM-CNN深度學(xué)習(xí)算法應(yīng)用于故障定位具有較高的準(zhǔn)確度,本節(jié)將常見的幾種機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)算法也應(yīng)用于故障定位,相關(guān)對(duì)比算法具體介紹如下:

        a)SVM是在分類與回歸分析中分析數(shù)據(jù)的監(jiān)督式學(xué)習(xí)算法,基于SVM算法可以對(duì)文中的故障數(shù)據(jù)進(jìn)行訓(xùn)練。

        b)隨機(jī)森林(random forest,RF)是一種由決策樹構(gòu)成的集成算法,實(shí)現(xiàn)對(duì)樣本進(jìn)行訓(xùn)練并預(yù)測,基于RF算法可以對(duì)文中的故障數(shù)據(jù)進(jìn)行分類。

        c)全連接神經(jīng)網(wǎng)絡(luò)(fully-connected neural network,F(xiàn)CNN)是一種相鄰2層之間的任意2個(gè)節(jié)點(diǎn)之間都有連接的神經(jīng)網(wǎng)絡(luò)。與卷積神經(jīng)網(wǎng)絡(luò)相似,F(xiàn)CNN全連接層選用3層,每層神經(jīng)元數(shù)量分別是256、128和64,激活函數(shù)選用ReLU函數(shù)。

        對(duì)比算法和文中所提算法得到的測試結(jié)果見表3。

        表3 不同算法的故障定位準(zhǔn)確度Tab.3 Fault location accuracy of different algorithms %

        3.5 應(yīng)用于其他配電網(wǎng)系統(tǒng)

        為了進(jìn)一步驗(yàn)證所提方法的有效性,本文還在IEEE 37系統(tǒng)中進(jìn)行了測試。IEEE 37節(jié)點(diǎn)配電網(wǎng)絡(luò)是負(fù)荷極不平衡的配電網(wǎng)系統(tǒng),其基準(zhǔn)電壓為4.8 kV,其中輸電線路共33條,如圖7所示。采用文中所提的LSTM-CNN模型進(jìn)行線路的故障定位,輸入是故障前后采樣節(jié)點(diǎn)的節(jié)點(diǎn)正序電壓相量變化量的幅值和相角以及注入節(jié)點(diǎn)電流正序相量幅值和相角的變化量,與在IEEE 34系統(tǒng)測試時(shí)所選用的輸入一致;μ-PMU的配置同樣依據(jù)能夠?qū)崿F(xiàn)最大的系統(tǒng)可觀測性的原則來配置[22],配置結(jié)果是在節(jié)點(diǎn)702、712、742、714、706、707、744、709、708、710、738和711配置μ-PMU裝置,在圖7中使用“o”表示,共12個(gè);輸出是33條線路中發(fā)生故障概率最高的線路編號(hào)。設(shè)置故障的方式與在IEEE 34系統(tǒng)測試時(shí)相同。

        圖7 IEEE 37節(jié)點(diǎn)配電網(wǎng)模型Fig.7 IEEE 37-bus system distribution network model

        在訓(xùn)練2 000次之后,綜合測試準(zhǔn)確度達(dá)到99.46%,擴(kuò)展準(zhǔn)確度同樣能夠達(dá)到100%。由此可見,文中所提出的LSTM-CNN模型在不同的配電網(wǎng)系統(tǒng)下仍然適用,并且具有很高的準(zhǔn)確度。

        4 結(jié)論

        本文提出了一種基于LSTM-CNN的配電網(wǎng)故障定位方法,選用正序電壓電流數(shù)據(jù)作為LSTM-CNN的輸入,并在IEEE 34節(jié)點(diǎn)和IEEE 37節(jié)點(diǎn)測試系統(tǒng)中表現(xiàn)出很高的準(zhǔn)確度。結(jié)論如下:

        b)采用基于全網(wǎng)最大可觀測性的方法對(duì)μ-PMU進(jìn)行優(yōu)化配置,對(duì)于文中所采用的仿真模型僅需要對(duì)40%以下的節(jié)點(diǎn)配置μ-PMU,有效降低了成本。

        c)該方法與故障類型無關(guān),在不同的故障類型下可以使用相同的神經(jīng)網(wǎng)絡(luò)模型,且不易受到過渡電阻、系統(tǒng)負(fù)荷變化的影響,同時(shí)能夠?qū)崿F(xiàn)區(qū)段定位,仿真結(jié)果表明該方法具有99%以上的定位準(zhǔn)確度。

        d)通過與其他算法的故障定位準(zhǔn)確度進(jìn)行比較,證明LSTM-CNN模型的訓(xùn)練結(jié)果要優(yōu)于常見的SVM、RF和FCNN的訓(xùn)練結(jié)果。

        該方法在配電網(wǎng)系統(tǒng)中僅有一個(gè)區(qū)段發(fā)生故障時(shí),能夠得到很好的定位結(jié)果,但針對(duì)系統(tǒng)中有多個(gè)區(qū)段同時(shí)發(fā)生短路故障的情形,這種基于深度學(xué)習(xí)的定位方法是否適用,將在后續(xù)研究中進(jìn)一步探討。

        猜你喜歡
        區(qū)段配電網(wǎng)神經(jīng)網(wǎng)絡(luò)
        中老鐵路雙線區(qū)段送電成功
        神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究
        電子制作(2019年19期)2019-11-23 08:42:00
        配電網(wǎng)自動(dòng)化的應(yīng)用與發(fā)展趨勢
        站內(nèi)特殊區(qū)段電碼化設(shè)計(jì)
        站內(nèi)軌道區(qū)段最小長度的探討
        淺析分路不良區(qū)段解鎖的特殊操作
        基于IEC61850的配電網(wǎng)數(shù)據(jù)傳輸保護(hù)機(jī)制
        電測與儀表(2016年5期)2016-04-22 01:14:14
        基于神經(jīng)網(wǎng)絡(luò)的拉矯機(jī)控制模型建立
        配電網(wǎng)不止一步的跨越
        河南電力(2016年5期)2016-02-06 02:11:24
        復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
        在线日本国产成人免费精品| 78成人精品电影在线播放| 四虎影视国产884a精品亚洲| 亚洲精品视频一区二区三区四区| 寂寞人妻渴望被中出中文字幕| 无码人妻久久一区二区三区免费| 国产精品第1页在线观看| 亚洲av色在线观看网站| 正在播放淫亚洲| 亚洲精品女同在线观看| 久久精品国产亚洲av精东| 中文字幕天天躁日日躁狠狠躁免费 | 男人的天堂无码动漫av| 亚洲av无码成人yellow| 国产亚洲青春草在线视频| 免费看黄色亚洲一区久久| 区二区三区玖玖玖| 精品国产91天堂嫩模在线观看| 伊人狼人影院在线视频| 日本在线视频www色| 久久精品人人爽人人爽| 粉嫩高中生无码视频在线观看| 久久国产精品免费专区| 亚洲女同一区二区| 毛片亚洲av无码精品国产午夜| 国产精品亚洲А∨天堂免下载| 亚洲一区二区在线视频,| 国产狂喷水潮免费网站www| 国产一区二区三区在线观看免费 | 亚洲av永久无码精品一区二区| 丝袜欧美视频首页在线| 自拍偷拍韩国三级视频| 真实国产精品vr专区| 亚洲V日韩V精品v无码专区小说| 国产麻豆放荡av激情演绎| 国产毛片av最新视频| 国产成人精品999在线观看| 亚洲加勒比无码一区二区在线播放| 一区二区三区亚洲视频| 亚洲精品v欧洲精品v日韩精品| 国产亚洲欧美日韩综合一区在线观看|