1、“.....因此,应优先选用在大数据环境下具有良好扩展能力的深度学习模型来建模,比如可以采用多层感知机卷积神经网络或者循环神经网络记录中记录的电缆编号区段等信息将检修记录与对应的电缆属性与状态数据通道环境数据关联起来,便于后续的大数据分析算法可以从标记信息中自动总结检修规律。基于大数据分析的电缆智能检修框架研究原稿。对目前未采集的数据种类,需增配专门的采集器和数据上传链路。具体来说,本文所设计的框架为检修工作服务,因此需要采集的数据应能反映电缆运行的状态与发展演变特点,即包含所设计的框架为检修工作服务,因此需要采集的数据应能反映电缆运行的状态与发展演变特点,即包含电缆内在外在以及检修相关的特征。源数据的预处理大数据分析算法通常对输入数据的格式规范性有定要求,为了方便统化的大数据分析过程,首先需要对类数据进行预处理,使其具有统规范的格式。原始数据格式各异范围不比如电压为连续型数值......”。

2、“.....参考文献周颉。浅析智能电网输配电工程状态检修技术城市建设理论研究电子版,丛欲晓。新形势下输配电工程中的现场管理措施分析城市建设理论研究电子版,姚晶涛。关于提高输配电线路安全性研究建筑工程技术与设计,。目前,在电力运维单位已有的数据集中,与电缆检修最为相关的是以下类数据反映电缆自身运行状态的数据,即电缆属性与状态数据基于大数据分析的电缆智能检修框架研究原稿出层使用层,网络各层之间采用全连接模式,整个模型的代价函数采用交叉熵代价。对于第类预测目标中的典型代表,预测段电缆的下次检修时间不仅依赖于该电缆当前的状态信息,也依赖于电缆的历史状态及检修等信息,因此采用模型更为合适。该模型的输入包含历史检修记录中每次记录的电缆状态如上述模型中的电压电流温度等要素检修面,可以依据特定电缆的历史检修数据和当前状态......”。

3、“.....在状态预警方面,可以根据检修历史记录中关于事故的相关数据学习模型对电缆运行状态进行评估,并对短期或长期事故进行预警,方便提前制定检修对策。在集成优化方面,可以依据对电缆状态的评估和检修班组人员既有分工情况,进行自动化任务分工与推送,最大化人员效率。在检修工作实践中,可机梯度下降方法进行参数训练。首先以电缆当前运行状态评估为例展示第类预测任务在实践中如何建模。以电力运检单位为例,其对电缆运行状态采用进行描述,其中为最佳状态。与电缆运行状态评估相关的特征有电压电流电缆温度电缆台账数据等,这些信息在经过节中的预处理之后作为的输入。由于该单位对电缆状态采用的类别评级机制,因此的采用交叉熵代价。对于第类预测目标中的典型代表,预测段电缆的下次检修时间不仅依赖于该电缆当前的状态信息,也依赖于电缆的历史状态及检修等信息,因此采用模型更为合适......”。

4、“.....以此来预测下次检修的时间间隔。由于模型输出设计为时预测任务,因为它除了与电缆当前运行参数有关之外,还与电缆上次检修相关信息以及次检修之间的各种状态信息有关。根据深度学习模型的特点,通常对第类预测目标选用和模型,对于第类预测目标选用模型来将历史信息融合入模型。上述模型的参数优化都可以使用基于的随机梯度下降方法进行参数训练。首先以电缆当前运行状态评估为例展示第类预间间隔实数,因此输出直接可以使用线性输出单元,网络的代价函数则相应设计为均方误差。智能检修支持对检修工作形成智能支持是电缆大数据分析的目标,将上述大数据分析的结果与检修工作对接,可以灵活支撑如柔性检修动态检修状态预警集成优化等检修任务。在柔性检修方面,可以依据大数据分析模型对不同区间品牌运行环境的电缆运行相关数据进行分析并制订不同的检修频率......”。

5、“.....而且还能够挖掘出潜在的新知识,但传统上性能优异的数据挖掘算法往往无法应对电缆相关大数据的挑战。如广泛使用的支持向量机模型由于计算的时空开销大,在实时巨量数据上不具备现实可行性。因此,应优先选用在大数据环境下具有良好扩展能力的深度学习模型来建模,比如可以采用多层感知机卷积神经网络或者循环神经网络又包含了若干类子数据,数据特征众多,实时监测产生的数据量亦很巨大,因而隐含在数据内部的知识不易被高效发现。关键词大数据电缆智能检修框架在本文提出的基于大数据分析的电缆智能检修框架中,电缆检修相关的数据是基础,大数据分析算法是核心,对电缆智能检修的支持是目标,因而系统框架包含了数据获取与预处理数据分析和智能检修支持个模块。其中,获取的数据包含电缆属性间品牌运行环境的电缆运行相关数据进行分析并制订不同的检修频率。在动态检修方面,可以依据特定电缆的历史检修数据和当前状态......”。

6、“.....在状态预警方面,可以根据检修历史记录中关于事故的相关数据学习模型对电缆运行状态进行评估,并对短期或长期事故进行预警,方便提前制定检修对策。在集成优化方面,可以依据对电缆状态的评估和检修班组人员既能还需要将计算机模型的输出与检修专家经验相结合,制定最合理的检修方案。结语电力电缆在城市电网中的重要性日益凸显,对其进行可靠高效的检修关系到电网的安全与稳定。传统的电缆检修是以时间为主要标准,检修的针对性不强,耗费大量的人力物力,却无法有效杜绝电缆事故的发生。随着电力信息化程度的不断提高,与电力电缆相关的数据体量迅速增长,基于大数据分析对电缆检修形成支间间隔实数,因此输出直接可以使用线性输出单元,网络的代价函数则相应设计为均方误差。智能检修支持对检修工作形成智能支持是电缆大数据分析的目标,将上述大数据分析的结果与检修工作对接,可以灵活支撑如柔性检修动态检修状态预警集成优化等检修任务......”。

7、“.....可以依据大数据分析模型对不同区间品牌运行环境的电缆运行相关数据进行分析并制订不同的检修频率。在动态检修出层使用层,网络各层之间采用全连接模式,整个模型的代价函数采用交叉熵代价。对于第类预测目标中的典型代表,预测段电缆的下次检修时间不仅依赖于该电缆当前的状态信息,也依赖于电缆的历史状态及检修等信息,因此采用模型更为合适。该模型的输入包含历史检修记录中每次记录的电缆状态如上述模型中的电压电流温度等要素检修前运行的各种状态参数如电压电流温度等。预测段电缆的下次检修时间则属于第类预测任务,因为它除了与电缆当前运行参数有关之外,还与电缆上次检修相关信息以及次检修之间的各种状态信息有关。根据深度学习模型的特点,通常对第类预测目标选用和模型,对于第类预测目标选用模型来将历史信息融合入模型......”。

8、“.....对源数据需要进行连续化归化等预处理。大数据分析则主要依托深度学习算法,对电缆智能检修的支持则依据大数据分析模型的结果对电缆运行状态进行评估,并针对性地安排检修任务。大数据分析与挖掘上述与电缆检修相关的类数据又包含了若干类子数据,数据特征众多,实时监测产生的数据量亦很巨大,因而隐含在数据内部的知识不易被高效发出层使用层,网络各层之间采用全连接模式,整个模型的代价函数采用交叉熵代价。对于第类预测目标中的典型代表,预测段电缆的下次检修时间不仅依赖于该电缆当前的状态信息,也依赖于电缆的历史状态及检修等信息,因此采用模型更为合适。该模型的输入包含历史检修记录中每次记录的电缆状态如上述模型中的电压电流温度等要素检修断提高,与电力电缆相关的数据体量迅速增长,基于大数据分析对电缆检修形成支撑成为检修工作未来必然的发展方向。参考文献周颉......”。

9、“.....丛欲晓。新形势下输配电工程中的现场管理措施分析城市建设理论研究电子版,姚晶涛。关于提高输配电线路安全性研究建筑工程技术与设计,。大数据分析与挖掘上述与电缆检修相关的类数据历史数据和电缆检修标准规范等。基于大数据分析的电缆智能检修框架研究原稿。数据挖掘算法具有出色的数据分析能力,而且还能够挖掘出潜在的新知识,但传统上性能优异的数据挖掘算法往往无法应对电缆相关大数据的挑战。如广泛使用的支持向量机模型由于计算的时空开销大,在实时巨量数据上不具备现实可行性。因此,应优先选用在大数据环境下具有良好扩展能力的深度学习模型有分工情况,进行自动化任务分工与推送,最大化人员效率。在检修工作实践中,可能还需要将计算机模型的输出与检修专家经验相结合,制定最合理的检修方案。结语电力电缆在城市电网中的重要性日益凸显,对其进行可靠高效的检修关系到电网的安全与稳定。传统的电缆检修是以时间为主要标准......”。