CN108830335A - 光伏电站故障预警方法及系统 - Google Patents
光伏电站故障预警方法及系统 Download PDFInfo
- Publication number
- CN108830335A CN108830335A CN201810666311.XA CN201810666311A CN108830335A CN 108830335 A CN108830335 A CN 108830335A CN 201810666311 A CN201810666311 A CN 201810666311A CN 108830335 A CN108830335 A CN 108830335A
- Authority
- CN
- China
- Prior art keywords
- data
- breakdown judge
- model
- photovoltaic plant
- fault diagnosis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Photovoltaic Devices (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种光伏电站故障预警方法和系统。所述故障方法包括:通过获取光伏电站监控设备采集的多个原始数据,确定各所述原始数据对应的状态类型标号;采用基于距离的离群点检测算法确定异常数据;根据所述异常数据采用粗糙集约简算法确定重要异常数据;将重要异常数据输入到故障判断模型数据库中的故障判断模型,并以故障判断模型的输出作为光伏电站故障诊断结果,最终根据所述光伏电站故障诊断结果发送预警信号。采用本发明的方法或系统,不断约简输入故障判断模型中的监控数据,极大地减少了数据处理的工作量,显著提高了故障预警的效率。
Description
技术领域
本发明涉及光伏发电领域,尤其涉及一种光伏电站故障预警方法及系统。
背景技术
目前太阳能光伏电站故障诊断法中的多传感器法应用最为广泛。多传感器法是将传感器安装于光伏阵列并通过上位机监控软件对采集的数据进行深入分析和挖掘,从而实现对光伏电站的故障类型检测与故障点定位。
近几年随着小波分析理论、神经网络技术、专家系统和模糊集理论等技术的发展,根据光伏电站的差异性,产生了各式各样的故障诊断方法,主要有基于解析模型的故障诊断方法、基于知识的故障模糊预测方法和基于数据驱动的故障诊断方法等三大类;但基于解析模型的故障诊断方法对建模精度要求高,建模难度大,诊断结果受建模精度影响较大;基于知识的故障模糊预测方法依赖于领域知识获取,且自适应能力及实时性较差;而基于数据驱动的故障诊断方法收敛速度慢,运算效率低。
发明容
本发明的目的是提供一种光伏电站故障预警方法及系统,以解决现有技术中光伏电站故障诊断方法效率低的问题。
为实现上述目的,本发明提供了如下方案:
一种光伏电站故障预警方法,所述方法包括:
获取光伏电站监控设备采集的多个原始数据;
确定各所述原始数据所属的数值范围;
根据所述数值范围确定各所述原始数据对应的状态类型标号;
根据多个所述原始数据及各所述原始数据对应的状态类型标号采用基于距离的离群点检测算法确定异常数据;
根据所述异常数据采用粗糙集约简算法确定重要异常数据;
根据所述重要异常数据从故障判断模型数据库中确定故障判断模型;
将所述重要异常数据输入到所述故障判断模型,得到光伏电站故障诊断结果;
根据所述光伏电站故障诊断结果发送预警信号。
可选的,所述获取光伏电站监控设备采集的多个原始数据之前,还包括:
获取多个光伏电站的历史故障数据及各所述历史故障数据对应的故障诊断结果;
根据多个所述历史故障数据及各所述历史故障数据对应的故障诊断结果建立故障判断模型;所述故障判断模型为神经网络模型;
将所述故障判断模型存储至所述故障判断模型数据库。
可选的,所述将所述故障判断模型存储至所述故障判断模型数据库之后,还包括:
获取所述历史故障数据的估计一致性;
计算所述故障判断模型数据库的预测精度;
发送所述历史故障数据的估计一致性及所述故障判断模型数据库的预测精度至所述光伏电站监控设备。
可选的,所述根据所述重要异常数据从故障判断模型数据库中确定一个故障判断模型,具体包括:
将所述重要异常数据与建立各故障判断模型时采用的历史故障数据进行数据相似度比较,将数据相似度最高的故障判断模型确定为根据所述重要异常数据从故障判断模型数据库中确定的故障判断模型。
可选的,所述根据所述光伏电站故障诊断结果发送预警信号之后,还包括:
根据所述故障诊断结果训练所述故障诊断模型;
生成训练后的故障诊断模型;
将所述训练后的故障诊断模型存储至所述故障判断模型数据库。
一种光伏电站故障预警系统,所述系统包括:
原始数据获取模块,用于获取光伏电站监控设备采集的多个原始数据;
数值范围确定模块,用于确定各所述原始数据所属的数值范围;
状态类型标号确定模块,用于根据所述数值范围确定各所述原始数据对应的状态类型标号;
异常数据确定模块,用于根据多个所述原始数据及各所述原始数据对应的状态类型标号采用基于距离的离群点检测算法确定异常数据;
重要异常数据确定模块,用于根据所述异常数据采用粗糙集约简算法确定重要异常数据;
故障判断模型确定模块,用于根据所述重要异常数据从故障判断模型数据库中确定一个故障判断模型;
故障诊断模块,用于将所述重要异常数据输入到所述故障判断模型,得到光伏电站故障诊断结果;
预警模块,用于根据所述光伏电站故障诊断结果发送预警信号。
可选的,所述故障判断模型确定模块,具体包括:
故障判断模型确定单元,用于将所述重要异常数据与建立各故障判断模型时采用的历史故障数据进行数据相似度比较,将数据相似度最高的故障判断模型确定为根据所述重要异常数据从故障判断模型数据库中确定的故障判断模型。
可选的,所述系统还包括:
故障诊断模型训练模块,用于根据所述故障诊断结果训练所述故障诊断模型;
训练后的故障诊断模型生成模块,用于生成训练后的故障诊断模型。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明的光伏电站故障预警方法和系统,通过获取光伏电站监控设备采集的多个原始数据,确定各所述原始数据对应的状态类型标号;采用基于距离的离群点检测算法确定异常数据;根据所述异常数据采用粗糙集约简算法确定重要异常数据;将重要异常数据输入到故障判断模型数据库中的故障判断模型,并以故障判断模型的输出作为光伏电站故障诊断结果,最终根据所述光伏电站故障诊断结果发送预警信号。采用本发明的方法或系统,不断约简输入故障判断模型中的监控数据,极大地减少了数据处理的工作量,可以显著提高故障预警的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所提供的光伏电站故障预警方法流程图;
图2为本发明所提供的光伏电站故障预警系统结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种光伏电站故障预警方法及系统,用来提高光伏电站的故障预警效率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的光伏电站故障预警方法流程图,如图1所示,一种光伏电站故障预警方法,包括:
步骤S101:获取光伏电站监控设备采集的多个原始数据,原始数据包括光伏组件的电压变化值各光伏组件的电流变化值。
步骤S102:确定各所述原始数据所属的数值范围。
步骤S103:根据所述数值范围确定各所述原始数据对应的状态类型标号。
步骤S104:根据多个所述原始数据及各所述原始数据对应的状态类型标号采用基于距离的离群点检测算法确定异常数据,当采用基于距离的离群点检测算法时会设置一个距离区间,当原始数据未位于距离区间内时,将该原始数据确定为异常数据。
步骤S105:根据所述异常数据采用粗糙集约简算法确定重要异常数据。具体为采用粗糙集约简算法将得到的异常数据进行去冗余处理,去除无关属性和相似属性较多的数据,剩下的异常数据即为重要异常数据。
步骤S106:根据所述重要异常数据从故障判断模型数据库中确定一个故障判断模型。
步骤S107:将所述重要异常数据输入到所述故障判断模型,得到光伏电站故障诊断结果。
步骤S108:根据所述光伏电站故障诊断结果发送预警信号。
在实际应用中,步骤S101之前,还包括:
获取多个光伏电站的历史故障数据及各所述历史故障数据对应的故障诊断结果;
根据多个所述历史故障数据及各所述历史故障数据对应的故障诊断结果建立故障判断模型;所述故障判断模型为神经网络模型;
将所述故障判断模型存储至所述故障判断模型数据库。
在实际应用中,在所述将所述故障判断模型存储至所述故障判断模型数据库之后,还包括:
获取所述历史故障数据的估计一致性;
计算所述故障判断模型数据库的预测精度;
发送所述历史故障数据的估计一致性及所述故障判断模型数据库的预测精度至所述光伏电站监控设备。
在实际应用中,步骤S106具体包括:
将所述重要异常数据与建立各故障判断模型时采用的历史故障数据进行数据相似度比较,将数据相似度最高的故障判断模型确定为根据所述重要异常数据从故障判断模型数据库中确定的故障判断模型。
在实际应用中,步骤S108之后,还包括:
根据所述故障诊断结果训练所述故障诊断模型;
生成训练后的故障诊断模型;
发送所述训练后的故障诊断模型至所述故障判断模型数据库。
本实施例通过采用基于距离的离群点检测算法确定异常数据;根据所述异常数据采用粗糙集约简算法确定重要异常数据;通过将重要异常数据输入故障判断模型以获取故障诊断结果,最终根据所述光伏电站故障诊断结果发送预警信号;采用本实施例的方法,不断约简输入故障判断模型中的监控数据,极大地减少了数据处理的工作量,显著提高了故障预警的效率;通过建立并更新故障判断模型数据库,并将数据相似度最高的故障判断模型确定为根据所述重要异常数据从故障判断模型数据库中确定的故障判断模型,从而不断的提高故障诊断模型诊断结果的精确性。
图2为本发明所提供的光伏电站故障预警系统结构图,如图2所示,该系统可包括:
原始数据获取模块201,用于获取光伏电站监控设备采集的多个原始数据。
数值范围确定模块202,用于确定各所述原始数据所属的数值范围。
状态类型标号确定模块203,用于根据所述数值范围确定各所述原始数据对应的状态类型标号。
异常数据确定模块204,用于根据多个所述原始数据及各所述原始数据对应的状态类型标号采用基于距离的离群点检测算法确定异常数据。
重要异常数据确定模块205,用于根据所述异常数据采用粗糙集约简算法确定重要异常数据。
故障判断模型确定模块206,用于根据所述重要异常数据从故障判断模型数据库中确定一个故障判断模型。
故障诊断模块207,用于将所述重要异常数据输入到所述故障判断模型,得到光伏电站故障诊断结果。
预警模块208,用于根据所述光伏电站故障诊断结果发送预警信号。
在实际应用中,所述故障判断模型确定模块,具体用于将所述重要异常数据与建立各故障判断模型时采用的历史故障数据进行数据相似度比较,将数据相似度最高的故障判断模型确定为根据所述重要异常数据从故障判断模型数据库中确定的故障判断模型。
在实际应用中,所述系统还包括:
故障诊断模型训练模块,用于根据所述故障诊断结果训练所述故障诊断模型;
训练后的故障诊断模型生成模块,用于生成训练后的故障诊断模型;
训练后的故障诊断模型发送模块,用于发送所述训练后的故障诊断模型至所述故障判断模型数据库。
本实施例通过异常数据确定模块204采用基于距离的离群点检测算法确定异常数据;重要异常数据确定模块205根据所述异常数据采用粗糙集约简算法确定重要异常数据;故障诊断模块207通过对重要异常数据分析获得故障诊断结果,最终预警模块208根据所述光伏电站故障诊断结果发送预警信号。采用本实施例的系统,不断约简输入故障判断模型中的监控数据,极大地减少了数据处理的工作量,显著提高了故障预警的效率。
采用了本发明光伏电站故障预警方法或系统的光伏电站工作原理如下:
光伏电站包括光伏监控装置和故障诊断装置;
所述光伏监控装置用于存储光伏电站监控设备采集的多个原始数据及历史故障日志;所述原始数据包括光伏组件的电压变化值、光伏组件的电流变化值;所述历史故障日志包括光伏电站的历史故障数据及各历史故障数据对应的故障诊断结果;
所述光伏监控装置实时的将其存储的多个原始数据传输至故障诊断装置,同时光伏监控装置接收故障诊断装置发送的光伏电站故障诊断结果,并根据光伏电站故障诊断结果生成预警信号。
故障诊断装置包括知识数据存储模块、建模模块、故障判断模型存储模块及故障诊断模块。
知识数据存储模块用于存储故障特征表,故障特征表包括原始数据种类、各种类原始数据的各个数值范围所对应的状态类型标号;状态类型标号包括正常状态标号及多种故障状态标号。
在实际应用中,可以人为手动更改故障特征表内容,也可以通过故障诊断装置根据原始数据生成的对应的故障诊断结果自动更新故障特征表。
故障诊断装置的建模模块从光伏监控装置中获取故障日志,从知识数据库中获取故障特征表,根据故障日志及故障特征表建立故障判断模型,并将生成的故障判断模型发送至故障判断模型存储模块。
在实际应用中,建模模块首先对获取的原始数据进行数据清理、数据集成与变换、数据降维、数据离散化,通过使用clementine或者Matlab采用神经网络算法建模以获取原始数据对应的状态类型标号。
在实际应用中,故障诊断装置的建模模块可同时向用户提供故障判断模型评估信息,故障判断模型评估信息包括故障判断模型的预测精度、故障判断模型的简易性及故障判断模型参数估计的一致性;建模模块将训练得到的模型发送至故障判断模型存储模块的这一功能具有非实时性,此功能可由用户手动启动或定时启动。
故障判断模型存储模块用于存储故障判断模型。
故障诊断模块用于从光伏监控装置获取实时原始数据,根据原始数据从故障判断模型存储模块中调取一个故障判断模型,并将原始数据输入故障判断模型,生成故障诊断结果,并将生成的故障诊断结果发送至光伏监控装置,同时将生成故障诊断结果后的故障判断模型存储至故障判断模型存储模块。
在实际应用中,故障诊断模块采用粗糙集约简算法将得到的异常数据进行去冗余处理,去除无关属性和相似属性较多的数据,以减小系统运行的工作量。
采用了本发明光伏电站故障预警方法的光伏电站,利用软件的策略模式将基于距离的离群点算法、粗糙集约简算法、以及神经网络算法封装在一起,统一接口,从而实现对数据的深度挖掘、以及可视化形式上的丰富性。该系统对数据不断约简,大大减少了数据处理的工作量,提高了系统的稳定性和预测精度,开发成本较小,逻辑结构简单,并且也满足实际需要,适合光伏智能故障诊断和预警的需要。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书容不应理解为对本发明的限制。
Claims (8)
1.一种光伏电站故障预警方法,其特征在于,所述方法包括:
获取光伏电站监控设备采集的多个原始数据;
确定各所述原始数据所属的数值范围;
根据所述数值范围确定各所述原始数据对应的状态类型标号;
根据多个所述原始数据及各所述原始数据对应的状态类型标号采用基于距离的离群点检测算法确定异常数据;
根据所述异常数据采用粗糙集约简算法确定重要异常数据;
根据所述重要异常数据从故障判断模型数据库中确定故障判断模型;
将所述重要异常数据输入到所述故障判断模型,得到光伏电站故障诊断结果;
根据所述光伏电站故障诊断结果发送预警信号。
2.根据权利要求1所述的光伏电站故障预警方法,其特征在于,所述获取光伏电站监控设备采集的多个原始数据之前,还包括:
获取多个光伏电站的历史故障数据及各所述历史故障数据对应的故障诊断结果;
根据多个所述历史故障数据及各所述历史故障数据对应的故障诊断结果建立故障判断模型;所述故障判断模型为神经网络模型;
将所述故障判断模型存储至所述故障判断模型数据库。
3.根据权利要求2所述的光伏电站故障预警方法,其特征在于,所述将所述故障判断模型存储至所述故障判断模型数据库之后,还包括:
获取所述历史故障数据的估计一致性;
计算所述故障判断模型数据库的预测精度;
发送所述历史故障数据的估计一致性及所述故障判断模型数据库的预测精度至所述光伏电站监控设备。
4.根据权利要求2所述的光伏电站故障预警方法,其特征在于,根据所述重要异常数据从故障判断模型数据库中确定一个故障判断模型,具体包括:
将所述重要异常数据与建立各故障判断模型时采用的历史故障数据进行数据相似度比较,将数据相似度最高的故障判断模型确定为根据所述重要异常数据从故障判断模型数据库中确定的故障判断模型。
5.根据权利要求1所述的光伏电站故障预警方法,其特征在于,所述根据所述光伏电站故障诊断结果发送预警信号之后,还包括:
根据所述故障诊断结果训练所述故障诊断模型;
生成训练后的故障诊断模型;
将所述训练后的故障诊断模型存储至所述故障判断模型数据库。
6.一种光伏电站故障预警系统,其特征在于,所述系统包括:
原始数据获取模块,用于获取光伏电站监控设备采集的多个原始数据;
数值范围确定模块,用于确定各所述原始数据所属的数值范围;
状态类型标号确定模块,用于根据所述数值范围确定各所述原始数据对应的状态类型标号;
异常数据确定模块,用于根据多个所述原始数据及各所述原始数据对应的状态类型标号采用基于距离的离群点检测算法确定异常数据;
重要异常数据确定模块,用于根据所述异常数据采用粗糙集约简算法确定重要异常数据;
故障判断模型确定模块,用于根据所述重要异常数据从故障判断模型数据库中确定一个故障判断模型;
故障诊断模块,用于将所述重要异常数据输入到所述故障判断模型,得到光伏电站故障诊断结果;
预警模块,用于根据所述光伏电站故障诊断结果发送预警信号。
7.根据权利要求6所述的光伏电站故障预警系统,其特征在于,所述故障判断模型确定模块,具体包括:
故障判断模型确定单元,用于将所述重要异常数据与建立各故障判断模型时采用的历史故障数据进行数据相似度比较,将数据相似度最高的故障判断模型确定为根据所述重要异常数据从故障判断模型数据库中确定的故障判断模型。
8.根据权利要求6所述的光伏电站故障预警系统,其特征在于,所述系统还包括:
故障诊断模型训练模块,用于根据所述故障诊断结果训练所述故障诊断模型;
故障诊断模型生成模块,用于生成训练后的故障诊断模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810666311.XA CN108830335A (zh) | 2018-06-26 | 2018-06-26 | 光伏电站故障预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810666311.XA CN108830335A (zh) | 2018-06-26 | 2018-06-26 | 光伏电站故障预警方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108830335A true CN108830335A (zh) | 2018-11-16 |
Family
ID=64137548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810666311.XA Withdrawn CN108830335A (zh) | 2018-06-26 | 2018-06-26 | 光伏电站故障预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108830335A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109842373A (zh) * | 2019-04-15 | 2019-06-04 | 国网河南省电力公司电力科学研究院 | 基于时空分布特性的光伏阵列故障诊断方法及装置 |
CN111178779A (zh) * | 2020-01-03 | 2020-05-19 | 河北因能科技股份有限公司 | 家用光伏电站故障监控预警方法 |
CN113033839A (zh) * | 2021-03-17 | 2021-06-25 | 山东通维信息工程有限公司 | 一种基于itss的高速公路机电智能运维改进的方法 |
CN113919474A (zh) * | 2021-09-13 | 2022-01-11 | 中国电建集团江西省电力建设有限公司 | 一种面向光伏运维数据的约简方法 |
CN114442543A (zh) * | 2021-10-29 | 2022-05-06 | 南京河海南自水电自动化有限公司 | 一种适用于水电站故障预警的计算机监测方法 |
CN116610747A (zh) * | 2023-07-21 | 2023-08-18 | 北京国遥新天地信息技术股份有限公司 | 一种基于三维数字的可视化智慧管理系统 |
CN117579400A (zh) * | 2024-01-17 | 2024-02-20 | 国网四川省电力公司电力科学研究院 | 一种基于神经网络的工控系统网络安全监测方法及系统 |
-
2018
- 2018-06-26 CN CN201810666311.XA patent/CN108830335A/zh not_active Withdrawn
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109842373A (zh) * | 2019-04-15 | 2019-06-04 | 国网河南省电力公司电力科学研究院 | 基于时空分布特性的光伏阵列故障诊断方法及装置 |
CN111178779A (zh) * | 2020-01-03 | 2020-05-19 | 河北因能科技股份有限公司 | 家用光伏电站故障监控预警方法 |
CN113033839A (zh) * | 2021-03-17 | 2021-06-25 | 山东通维信息工程有限公司 | 一种基于itss的高速公路机电智能运维改进的方法 |
CN113919474A (zh) * | 2021-09-13 | 2022-01-11 | 中国电建集团江西省电力建设有限公司 | 一种面向光伏运维数据的约简方法 |
CN113919474B (zh) * | 2021-09-13 | 2022-03-15 | 中国电建集团江西省电力建设有限公司 | 一种面向光伏运维数据的约简方法 |
CN114442543A (zh) * | 2021-10-29 | 2022-05-06 | 南京河海南自水电自动化有限公司 | 一种适用于水电站故障预警的计算机监测方法 |
CN116610747A (zh) * | 2023-07-21 | 2023-08-18 | 北京国遥新天地信息技术股份有限公司 | 一种基于三维数字的可视化智慧管理系统 |
CN116610747B (zh) * | 2023-07-21 | 2023-10-13 | 北京国遥新天地信息技术股份有限公司 | 一种基于三维数字的可视化智慧管理系统 |
CN117579400A (zh) * | 2024-01-17 | 2024-02-20 | 国网四川省电力公司电力科学研究院 | 一种基于神经网络的工控系统网络安全监测方法及系统 |
CN117579400B (zh) * | 2024-01-17 | 2024-03-29 | 国网四川省电力公司电力科学研究院 | 一种基于神经网络的工控系统网络安全监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830335A (zh) | 光伏电站故障预警方法及系统 | |
CN106125714B (zh) | 结合bp神经网络与二参数威布尔分布的故障率预测方法 | |
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
CN108520080B (zh) | 船舶柴油发电机故障预测与健康状态在线评估系统及方法 | |
CN102130783B (zh) | 神经网络的智能化告警监控方法 | |
CN102282552B (zh) | 基于模式的智能控制、监测及自动化的系统、方法和计算机程序 | |
CN103928071B (zh) | 基于应急行动水平的核电厂应急状态辅助判断系统及方法 | |
CN104200396B (zh) | 一种风力发电机部件故障预警方法 | |
CN104615121B (zh) | 一种列车故障诊断方法及系统 | |
CN105003453A (zh) | 一种矿井风机在线监测与故障诊断系统 | |
CN105095918A (zh) | 一种多机器人系统故障诊断方法 | |
CN103499921A (zh) | 变结构模糊系统传感器故障诊断方法及其在飞控系统的应用 | |
CN107622308A (zh) | 一种基于dbn网络的发电设备参数预警方法 | |
CN115562158A (zh) | 一种数字孪生驱动的数控机床智能诊断方法、系统及终端机 | |
CN103218689A (zh) | 操作员状态评估的可靠性分析方法及装置 | |
CN106227127B (zh) | 发电设备智能监控装置和监控方法 | |
CN109061391B (zh) | 一种基于计算机视觉潮流图的电网故障诊断方法及系统 | |
CN106679847A (zh) | 一种电力设备故障诊断方法及装置 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN104101795A (zh) | 一种变压器故障控制方法 | |
CN109211564B (zh) | 一种用于滚珠丝杠副健康评估的自适应阈值检测方法 | |
CN107728602A (zh) | 一种液压成形装备故障的个性化服务方法 | |
CN104101794A (zh) | 电力变压器综合控制系统 | |
CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
CN103412224A (zh) | 基于定性模型的电气系统建模方法以及故障诊断系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20181116 |