A Multidimensional Data Mining and Analysis Approach for Grid Operation and Maintenance Integrating Computing and Information Theory
Notice bibliographique
Résumé
Smart grid technology is developing rapidly around the world and is gradually applied to the operation and maintenance management of power systems, and its main advantage lies in its integration capability, which can effectively realize the high efficiency, security and reliability of power system operation and maintenance.This paper explores the integration of grid operation and maintenance by integrating computing and information theory using multidimensional data mining and analysis methods.The operation data of smart grid is first preprocessed, including resampling and PCA dimensionality reduction of multidimensional data signals.Then, a CNN-based power operation state prediction model and an R-CNN-based grid fault diagnosis model are constructed to ensure the stable operation and timely maintenance of the smart grid, and the predicted and actual values of the smart grid operation state of the CNN model are basically consistent with each other, with the MAE, MSE, and RMSE of 0.00104, 0.00014, and 0.012, respectively, and the prediction results are good.The effect is good.Compared with CNN and SVM, the performance of R-GNN model is better, and after PCA dimensionality reduction, the fault identification rate of R-GNN model is as high as 98.91%.And the delay of the R-GNN method for fault diagnosis is only 0.04s, while it can realize the comprehensive and accurate localization of the fault area.This paper provides methodological reference for the utilization of multidimensional data mining and analysis technology to realize the operation and maintenance integration of smart grid.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».