CN110232482A - 基于神经网络的设备管理方法及装置 - Google Patents

基于神经网络的设备管理方法及装置 Download PDF

Info

Publication number
CN110232482A
CN110232482A CN201910527534.2A CN201910527534A CN110232482A CN 110232482 A CN110232482 A CN 110232482A CN 201910527534 A CN201910527534 A CN 201910527534A CN 110232482 A CN110232482 A CN 110232482A
Authority
CN
China
Prior art keywords
result
array
power equipment
operating parameter
preset
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.)
Granted
Application number
CN201910527534.2A
Other languages
English (en)
Other versions
CN110232482B (zh
Inventor
魏显文
颜鲁薪
马瑞林
张国维
王子硬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201910527534.2A priority Critical patent/CN110232482B/zh
Publication of CN110232482A publication Critical patent/CN110232482A/zh
Application granted granted Critical
Publication of CN110232482B publication Critical patent/CN110232482B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请实施例提供了一种基于神经网络的设备管理方法及装置。方法包括：获取电力设备在当前时刻之前的预设时长内运行产生的种类不同的第一运行参数和第二运行参数；利用预设的第一神经网络分类模型处理第一运行参数，获得用于表示电力设备是否异常的第一结果；利用预设的第二神经网络分类模型处理第二运行参数，获得用于表示电力设备是否异常的第二结果；利用预设的第三神经网络分类模型处理第一结果和第二结果，获得用于预估电力设备是否会出现故障的故障预估结果。其较于现有的利用单种运行参数预测故障，由于其通过模型将两种运行参数拟合进行故障预测，故准确性更好，能够更准确的预测电力设备是否会发生故障。

Description

基于神经网络的设备管理方法及装置
技术领域
本申请涉及设备管理技术领域，具体而言，涉及一种基于神经网络的设备管理方法及装置。
背景技术
为保证电力设备的稳定运行，可以实时的采集电力设备在运行过程中产生的某一种运行参数例如电压参数或电流参数，以通过分析该运行参数是否异常来预测电力设备是否会发生故障。然而该运行参数的异常与否与电力设备是否会发生故障虽然有一定关联，但并没有必然的关联，故采用这种方式虽然在一定程度上能够预测电力设备是否会发生故障，但并不够准确。
发明内容
本申请在于提供一种基于神经网络的设备管理方法及装置，以更为准确的预测电力设备是否会发生故障。
第一方面，本申请实施例提供了一种基于神经网络的设备管理方法，所述方法包括：
获取电力设备在当前时刻之前的预设时长内运行产生的种类不同的第一运行参数和第二运行参数；
利用预设的第一神经网络分类模型处理所述第一运行参数，获得用于表示所述电力设备是否异常的第一结果；以及，利用预设的第二神经网络分类模型处理所述第二运行参数，获得用于表示所述电力设备是否异常的第二结果；
利用预设的第三神经网络分类模型处理所述第一结果和所述第二结果，获得用于预估所述电力设备是否会出现故障的故障预估结果。
在本申请实施例中，在利用第一神经网络分类模型处理第一运行参数而获得第一结果，以及利用第二神经网络分类模型处理第二运行参数而获得第二结果后，再利用第三神经网络分类模型处理第一结果和第二结果而预测电力设备是否会出现故障，其较于现有的利用单种运行参数预测故障，由于其通过模型将两种运行参数拟合进行故障预测，故准确性更好，能够更准确的预测电力设备是否会发生故障。
结合第一方面，在第一种可能的实现方式中，所述第一结果为第一数组，所述第二结果为第二数组，利用预设的第三神经网络分类模型处理所述第一结果和所述第二结果，获得用于预估所述电力设备是否会出现故障的故障预估结果，包括：
生成所述第一数组的正则表达式，并根据所述第一数组的正则表达式，确定出与所述第一结果相似的多个第一相似结果；以及，生成所述第二数组的正则表达式，并根据所述第二数组的正则表达式，确定出与所述第二结果相似的多个第二相似结果；
将所述第一结果、所述多个第一相似结果、所述第二结果和所述多个第二相似结果输入所述第三神经网络分类模型，获得所述第三神经网络分类模型输出的所述故障预估结果。
在本申请实施例中，采用正则表达式能够生成与第一结果相似的多个第一相似结果，以及生成与第二结果相似的多个第二相似结果，以通过更多的样本来预测故障，从而实现更准确的故障预测。
结合第一方面的第一种可能的实现方式，在第二种可能的实现方式中，所述第一数组为小于1且大于0的三位小数，生成所述第一数组的正则表达式，并根据所述第一数组的正则表达式，确定出与所述第一结果相似的多个第一相似结果，包括：
将所述第一数组中的第二位数替换为所述第二位数对应的预设表达式，获得所述第一数组的正则表达式；
根据所述预设表达式关联的多个数值，确定出与所述第一数组相似的多个第一相似数组，其中，所述多个数值各不相同，每个所述数值为大于等于0且小于10的整数，每个所述第一相似数组中的第一位数与所述第一数组中的第一位数的相同，每个所述第一相似数组中的第三位数与所述第一数组中的第三位数的相同，每个所述第一相似数组中的第二位数为对应的一个所述数值。
在本申请实施例中，较于将第一位数或第三位数替换的方式，通过将第二位数替换来生成多个第一相似数组，能够多个第一相似数组与第一数组相比不至于太相似度且也不至于不太相似，故能够在预测故障时起到更好的表现。
结合第一方面或第一方面的任一种可能的实现方式，在第二种可能的实现方式中，获取所述电力设备在当前时刻之前的预设时长内运行产生的第一运行参数，包括：
获得所述电力设备在所述当前时刻之前的所述预设时长内运行产生的所有的所述第一运行参数，并从所有的所述第一运行参数中确定出为最大值的所述第一运行参数；或者，
获得所有的所述第一运行参数，从所有的所述第一运行参数中确定出为最小值的所述第一运行参数；或者
获得所有的所述第一运行参数，对所有的所述第一运行参数进行求平均，获得平均的所述第一运行参数。
在本申请实施例中，在第一运行参数可以是预设时长内的最大值或最小值的情况下，其可以代表电力设备在预设时长内出现的最极端运行情况，而通过电力设备出现过的最极端运行情况能够准确的预测电力设备是否会发生故障。或者，在第一运行参数可以是预设时长内的平均值的情况下，其可以代表电力设备在预设时长内的综合运行情况，而通过电力设备的综合运行情况也能够准确的预测电力设备是否会发生故障。
第二方面，本申请实施例提供了一种基于神经网络的设备管理方法，所述方法包括：
获取第一电力设备在当前时刻之前的预设时长内运行产生的第一运行参数，以及获取第二电力设备在所述当前时刻之前的所述预设时长内运行产生的第二运行参数，其中，所述第一电力设备向所述第二电力设备输出电能；
利用预设的第一神经网络分类模型处理所述第一运行参数，获得用于表示所述第一电力设备是否异常的第一结果；以及，利用预设的第二神经网络分类模型处理所述第二运行参数，获得用于表示所述第二电力设备是否异常的第二结果；
利用预设的第三神经网络分类模型处理所述第一结果和所述第二结果，获得用于预估所述第一电力设备是否会出现故障的故障预估结果。
在本申请实施例中，通过模型将属于第一电力设备的第一运行参数和属于第二电力设备的第二运行参数拟合来预测第一电力设备是否会故障，其较于现有的利用单种运行参数预测故障，由于其通过模型将第二电力设备对第一电力设备的影响考虑在内，故准确性更好，能够更准确的预测第一电力设备是否会发生故障。
第三方面，本申请实施例提供了一种基于神经网络的设备管理装置，所述装置包括：
数据获取模块，用于获取电力设备在当前时刻之前的预设时长内运行产生的种类不同的第一运行参数和第二运行参数；
数据处理模块，用于利用预设的第一神经网络分类模型处理所述第一运行参数，获得用于表示所述电力设备是否异常的第一结果；以及，利用预设的第二神经网络分类模型处理所述第二运行参数，获得用于表示所述电力设备是否异常的第二结果；以及，用于利用预设的第三神经网络分类模型处理所述第一结果和所述第二结果，获得用于预估所述电力设备是否会出现故障的故障预估结果。
结合第三方面，在第一种可能的实现方式中，
所述数据处理模块，用于生成所述第一数组的正则表达式，并根据所述第一数组的正则表达式，确定出与所述第一结果相似的多个第一相似结果；以及，生成所述第二数组的正则表达式，并根据所述第二数组的正则表达式，确定出与所述第二结果相似的多个第二相似结果；以及，用于将所述第一结果、所述多个第一相似结果、所述第二结果和所述多个第二相似结果输入所述第三神经网络分类模型，获得所述第三神经网络分类模型输出的所述故障预估结果。
结合第三方面的第一种可能的实现方式，在第二种可能的实现方式中，所述第一数组为小于1且大于0的三位小数，
所述数据处理模块，用于将所述第一数组中的第二位数替换为所述第二位数对应的预设表达式，获得所述第一数组的正则表达式；根据所述预设表达式关联的多个数值，确定出与所述第一数组相似的多个第一相似数组，其中，所述多个数值各不相同，每个所述数值为大于等于0且小于10的整数，每个所述第一相似数组中的第一位数与所述第一数组中的第一位数的相同，每个所述第一相似数组中的第三位数与所述第一数组中的第三位数的相同，每个所述第一相似数组中的第二位数为对应的一个所述数值。
结合第三方面或第一方面的任一种可能的实现方式，在第二种可能的实现方式中，
所述数据获取模块，用于获得所述电力设备在所述当前时刻之前的所述预设时长内运行产生的所有的所述第一运行参数，并从所有的所述第一运行参数中确定出为最大值的所述第一运行参数；或者，获得所有的所述第一运行参数，从所有的所述第一运行参数中确定出为最小值的所述第一运行参数；或者获得所有的所述第一运行参数，对所有的所述第一运行参数进行求平均，获得平均的所述第一运行参数。
第四方面，本申请实施例提供了一种基于神经网络的设备管理装置，所述装置包括：
数据获取模块，用于获取第一电力设备在当前时刻之前的预设时长内运行产生的第一运行参数，以及获取第二电力设备在所述当前时刻之前的所述预设时长内运行产生的第二运行参数，其中，所述第一电力设备向所述第二电力设备输出电能；
数据处理模块，用于利用预设的第一神经网络分类模型处理所述第一运行参数，获得用于表示所述第一电力设备是否异常的第一结果；以及，利用预设的第二神经网络分类模型处理所述第二运行参数，获得用于表示所述第二电力设备是否异常的第二结果；以及，用于利用预设的第三神经网络分类模型处理所述第一结果和所述第二结果，获得用于预估所述第一电力设备是否会出现故障的故障预估结果。
第五方面，本申请实施例提供了一种电子设备，包括：通信接口、存储器、与所述通信接口和所述存储器连接的处理器；
所述存储器，用于存储程序；
所述处理器，用于调用并运行所述程序，以执行第一方面或第一方面的任一种可能实现方式所述的基于神经网络的设备管理方法或者执行第二方面所述的基于神经网络的设备管理方法。
第六方面，本申请实施例提供了一种非易失计算机可读储存介质，存储有程序代码，当所述程序代码被计算机运行时执行第一方面或第一方面的任一种可能实现方式所述的基于神经网络的设备管理方法或者执行第二方面所述的基于神经网络的设备管理方法。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例提供的一种基于神经网络的设备管理方法的第一流程图；
图2示出了本申请实施例提供的一种基于神经网络的设备管理方法的第二流程图；
图3示出了本申请实施例提供的一种基于神经网络的设备管理方法的第三流程图；
图4示出了本申请实施例提供的一种电子设备结构框图；
图5示出了本申请实施例提供的一种基于神经网络的设备管理装置的第一结构框图；
图6示出了本申请实施例提供的一种基于神经网络的设备管理装置的第二结构框图。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
本申请的可选实施例提供了一种基于神经网络的设备管理方法，该基于神经网络的设备管理方法可以由电子设备执行，该电子设备可以是手机、平板电脑、个人数字助理(Personal Digital Assistant，PDA)或个人电脑等。或者，电子设备也可以是服务器，服务器可以是单个服务器，也可以是服务器组。服务器组可以是集中式的，也可以是分布式的(例如，服务器可以是分布式系统)。
示例性的，电子设备通过执行基于神经网络的设备管理方法，电子设备可以通过获取同一电力设备在运行过程中产生的运行参数而预估该电力设备的是否会出现故障。或者，也通过执行基于神经网络的设备管理方法，电子设备还可以通过获取不同电力设备的在运行过程中产生的运行参数，而预估不同电力设备中的某一电子设备是否会出现故障。其中，电力设备可以是220V及以上强电设备例如发电机、变压器、自动开关、电抗器、电动机或配电柜等，或者，电子设备也可以是24V及以下的弱电设备例如有线网络或无线网络设备、监控设备、视频或音频设备等。
值得指出的是，在一些情况下，电子设备可以是前述中独立于电力设备存在的物理设备(终端或服务器)，在另一些情况下，电子设备还可以是电力设备本身。
下面以电子设备为一独立物理设备为例，就利用同一电力设备的运行参数而预估该电力设备的是否会出现故障，以及就利用不同电力设备的运行参数而预估不同电力设备中的某一电子设备是否会出现故障分别予以说明。
请参阅图1，利用同一电力设备的运行参数而执行该基于神经网络的设备管理方法，该基于神经网络的设备管理方法可以包括：步骤S100、步骤S200和步骤S300。
步骤S100：获取电力设备在当前时刻之前的预设时长内运行产生的种类不同的第一运行参数和第二运行参数。
步骤S200：利用预设的第一神经网络分类模型处理所述第一运行参数，获得用于表示所述电力设备是否异常的第一结果；以及，利用预设的第二神经网络分类模型处理所述第二运行参数，获得用于表示所述电力设备是否异常的第二结果。
步骤S300：利用预设的第三神经网络分类模型处理所述第一结果和所述第二结果，获得用于预估所述电力设备是否会出现故障的故障预估结果。
下面依次对步骤S100-步骤S300进行说明。
步骤S100：获取电力设备在当前时刻之前的预设时长内运行产生的种类不同的第一运行参数和第二运行参数。
电力设备在运行过程中，电力设备可以采集自身的各种类型的运行参数并发送给电子设备。其中，在为强电设备的情况下，电力设备采集自身的各种类型可以包括：运行时长、当前温度、当前电压、当前电流、当前功率中的至少两种；而在为弱点设备的情况下，除了前述的类型，电力设备采集自身的各种类型还可以包括：当前丢包率、当前数据转发量等。
本实施例中，电子设备可以通过处理电力设备的各种类型的运行参数来预估电力设备是否故障，例如电子设备通过处理电力设备的2种、3种甚至5种类型的运行参数来预估电力设备是否故障，但为便于理解，本实施例以电子设备处理电力设备的2种类型的运行参数，即以电力设备处理种类不同的第一运行参数和第二运行参数来预估电力设备是否故障为例进行说明。
电力设备在运行的过程中，电力设备可以采集例如实时的采集自身的第一运行参数和第二运行参数，并将其发送例如实时的发送至电子设备。相应的，电力设备在运行的过程中，电子设备可以持续不断地接收到第一运行参数和第二运行参数，并通过处理这些第一运行参数和第二运行参数来预估电力设备是否会发生故障。
作为处理第一运行参数和第二运行参数的示例性方式，电子设备可以周期性进行处理，即在当前时刻到达设定时间点时，电子设备可以对电力设备在当前时刻之前的预设时长内产生的所有第一运行参数和所有第二运行参数进行处理，其中，预设时长可以为例如1分钟、2分钟或5分钟等。
可选的，电子设备可以从所有第一运行参数中确定出为最小值的第一运行参数，以及从所有第二运行参数中确定出为最小值的第二运行参数。或者，电子设备可以从所有第一运行参数中确定出为最大值的第一运行参数，以及从所有第二运行参数中确定出为最大值的第二运行参数。或者，电子设备还可以对所有第一运行参数进行求平均，从而确定出平均的第一运行参数，以及对所有第二运行参数进行求平均，从而确定出平均的第二运行参数。
下面通过一个假设的示例来说明本申请的方案。
假设，电子设备为一台终端A，电力设备为发电机B，发电机B的第一运行参数为当前工作时长，发电机B的第二运行参数为当前输出电压。终端A与发电机B建立通信连接，终端A获取发电机B的当前工作时长为10小时(利用前述选择最大值获得)，以及获取发电机B的当前输出电压为6KV(利用前述求平均获得)。
利用确定出第一运行参数和确定出的第二运行参数，电子设备可以继续执行步骤S200。
步骤S200：利用预设的第一神经网络分类模型处理所述第一运行参数，获得用于表示所述电力设备是否异常的第一结果；以及，利用预设的第二神经网络分类模型处理所述第二运行参数，获得用于表示所述电力设备是否异常的第二结果。
电子设备中预设了针对第一运行参数而训练好的第一神经网络分类模型，以及预设了针对第二运行参数而训练好的第二神经网络分类模型。其中，第一神经网络分类模型和第二神经网络分类模型可以采用AdaBoost模型、决策树模型、人工神经网络ANN、贝叶斯网络模型或Softmax模型等，且由于第一运行参数和第二运行参数的类型不同，第一神经网络分类模型和第二神经网络分类模型的模型类型也可以不同，以使第一神经网络分类模型能够更好的适配第一运行参数(即处理第一运行参数获得结果更准确)，并使得第二神经网络分类模型也能够更好的适配第二运行参数(即处理第二运行参数获得结果更准确)。
进一步的，电子设备将第一运行参数输入第一神经网络分类模型，便可以利用第一神经网络分类模型处理第一运行参数，而获得用于表示电力设备是否异常的第一结果。以及，将第二运行参数输入第二神经网络分类模型，便可以利用预设的第二神经网络分类模型处理第二运行参数，获得用于表示电力设备是否异常的第二结果。
作为示例性的方式，为便于后续计算，第一结果可以是为分数的第一数组，第二结果则可以是为分数的第二数组，且分数越高则表示电力设备异常的可能性越大，但并不限于此，或者分数越低则表示电力设备异常的可能性越大。
继续前述假设，第一神经网络分类模型为训练好的贝叶斯网络模型，而第二神经网络分类模型则为训练好的Softmax模型，且模型输出的分数越高表示电力设备异常的可能性越大。终端A将当前工作时长为10小时输入贝叶斯网络模型，获得贝叶斯网络模型输出的第一数组为0.213；且终端A将当前输出电压为6KV输入Softmax模型，获得Softmax模型输出的第二数组为0.781。
需要说明的是，电力设备的运行参数反应出电子设备可能处于异常状态，但电子设备可能处于异常状态并不代表电力设备已经发生故障，因此，需要基于电子设备是否处于异常而进一步预估电力设备是否会故障，即基于获得第一结果和第二结果，电子设备可以进一步执行步骤S300。
步骤S300：利用预设的第三神经网络分类模型处理所述第一结果和所述第二结果，获得用于预估所述电力设备是否会出现故障的故障预估结果。
电子设备中预设了针对第一结果和第二结果而训练好的第三神经网络分类模型，其中，第三神经网络分类模型也可以采用AdaBoost模型、决策树模型、人工神经网络ANN、贝叶斯网络模型或Softmax模型等。
电子设备将第一结果和第二结果输入第三神经网络分类模型，即将第一数组和第二数据输入第三神经网络分类模型，便可以利用第三神经网络分类模型对第一数组和第二数据计算，而获得第三神经网络分类模型输出的用于预估电力设备是否会出现故障的故障预估结果。其中，为便于明确的表示出电子设备是否会故障的可能性，故障预估结果也可以是为分数的第三数组，且分数越高则表示电力设备会出现故障的可能性越大，但并不限于此，或者分数越低也可以表示电力设备会出现故障的可能性越大。
继续前述假设，第三神经网络分类模型为训练好的人工神经网络ANN，且第三神经网络分类模型输出的分数越高表示电力设备会出现故障的可能性越大。终端A将第一数组为0.213和第二数组为0.781输入人工神经网络ANN，从而获得人工神经网络ANN的第三数组为0.108。其表示，在电力设备的当前输出电压可能异常的情况，电力设备后续发生故障的概率的可能性也不大。
因此，基于确定出的故障预估结果，运维人员便可以获知哪些电力设备容易出现故障，并对这些电力设备重点监控和维护，以避免这些电力设备出现或者降低其发生故障的影响。
如图3所示，除直接利用第一结果和第二结果预估电力设备是否会故障外，在本申请的另一些实施方式中，电子设备还生成第一结果的第一相似结果，以及生成第二结果的第二相似结果，并利用第一结果、第一相似结果、第二结果和第二相似结果来更准确的预估电力设备是否会故障。具体的，可以包括：步骤S310和步骤S320。
步骤S310：生成所述第一数组的正则表达式，并根据所述第一数组的正则表达式，确定出与所述第一结果相似的多个第一相似结果；以及，生成所述第二数组的正则表达式，并根据所述第二数组的正则表达式，确定出与所述第二结果相似的多个第二相似结果。
步骤S320：将所述第一结果、所述多个第一相似结果、所述第二结果和所述多个第二相似结果输入所述第三神经网络分类模型，获得所述第三神经网络分类模型输出的所述故障预估结果。
下面将对步骤S310和步骤S320分别进行说明。
步骤S310：生成所述第一数组的正则表达式，并根据所述第一数组的正则表达式，确定出与所述第一结果相似的多个第一相似结果；以及，生成所述第二数组的正则表达式，并根据所述第二数组的正则表达式，确定出与所述第二结果相似的多个第二相似结果。
由于第一结果为第一数组，电子设备可以利用数组的结构，生成第一数组的正则表达式，并再利用第一数组的正则表达式生成多个第一相似数组，即生成多个第一相似结果。
例如，第一数组为小于1且大于0的三位小数，电子设备将第一数组中的第二位数替换为第二位数对应的预设表达式，从而获得所述第一数组的正则表达式。电子设备根据预设表达式关联的多个数值，从而生成与第一数组相似的多个第一相似数组，其中，由于多个数值各不相同，且每个数值为大于等于0且小于10的整数，故每个第一相似数组与第一数组并不完全相同，即每个第一相似数组中的第一位数与第一数组中的第一位数的相同，每个第一相似数组中的第三位数与第一数组中的第三位数的相同，每个第一相似数组中的第二位数则与第一数组中的第二位数不同，且为对应的一个数值。
也由于第二结果为第二数组，电子设备也可以利用数组的结构，生成第二数组的正则表达式，并再利用第二数组的正则表达式生成多个第二相似数组，即生成多个第二相似结果。
例如，第二数组为小于1且大于0的三位小数，电子设备将第二数组中的第二位数替换为第二位数对应的预设表达式，从而获得所述第二数组的正则表达式。电子设备也根据预设表达式关联的多个数值，生成与第二数组相似的多个第一相似数组。其中，也由于多个数值各不相同，且每个数值为大于等于0且小于10的整数，故每个第二相似数组与第二数组并不完全相同，即每个第二相似数组中的第一位数与第二数组中的第一位数的相同，每个第二相似数组中的第三位数与第二数组中的第三位数的相同，每个第二相似数组中的第二位数则与第二数组中的第二位数不同，且为对应的一个数值。
利用获得多个第一相似结果和多个第二相似结果后，电子设备可以进一步执行步骤S320。
步骤S320：将所述第一结果、所述多个第一相似结果、所述第二结果和所述多个第二相似结果输入所述第三神经网络分类模型，获得所述第三神经网络分类模型输出的所述故障预估结果。
电子设备将第一结果、第二结果、多个第一相似结果和多个第二相似结果输入第三神经网络分类模型，便可以利用第三神经网络分类模型对第一数组、第二数组、多个第一相似数组和多个第二相似数组的计算，而获得第三神经网络分类模型输出的用于预估电力设备是否会出现故障的故障预估结果。
继续前述假设，针对第一数组，终端A基于第一数组为0.213，可以生成第一数组的正则表达式为0.2X3，其中，X为第一数组中的第二位数对应的预设表达式。终端A预设了X分别与数值5、6和7关联，那么基于关联的数值，电子设备通过将分别预设表达式替换为关联的各数值，生成多个第一相似数组包括：0.253、0.263和0.273。
针对第二数组，终端A基于第二数组为0.781，可以生成第二数组的正则表达式为0.7Y1，其中，Y为第二数组中的第二位数对应的预设表达式。终端A预设了Y分别与数值1、3和5关联，那么基于关联的数值，电子设备通过将分别预设表达式替换为关联的各数值，生成多个第二相似数组包括：0.711、0.731和0.751。
进一步的，终端A将0.213、0.781、0.253、0.263、0.273、0.711、0.731和0.751输入人工神经网络ANN，从而获得人工神经网络ANN的第三数组为0.158。
请参阅图3，基于同一发明构思，利用各电力设备的运行参数而执行该基于神经网络的设备管理方法，该基于神经网络的设备管理方法可以包括：步骤S101、步骤S201和步骤S301。
步骤S101：获取第一电力设备在当前时刻之前的预设时长内运行产生的第一运行参数，以及获取第二电力设备在所述当前时刻之前的所述预设时长内运行产生的第二运行参数，其中，所述第一电力设备向所述第二电力设备输出电能。
步骤S201：利用预设的第一神经网络分类模型处理所述第一运行参数，获得用于表示所述第一电力设备是否异常的第一结果；以及，利用预设的第二神经网络分类模型处理所述第二运行参数，获得用于表示所述第二电力设备是否异常的第二结果。
步骤S301：利用预设的第三神经网络分类模型处理所述第一结果和所述第二结果，获得用于预估所述第一电力设备是否会出现故障的故障预估结果。
可以理解到，利用多个电力设备的运行参数预估某一电力设备故障时，电力设备的数量并不限于本实施例中所述的两个，其可以根据实际需求进行选择。此外，由于电子设备对步骤S101至步骤S301的执行原理于前述实施例相同，步骤S101至步骤S301的具体执行原理，可参考前述方法实施例，在此不再累述。
请参阅图5，基于同一发明构思，本申请实施例提供了一种电子设备10，该电子设备10可以包括连接到网络的通信接口11、用于执行程序指令的一个或多个处理器12、总线13、和不同形式的存储器14，例如，磁盘、ROM、或RAM，或其任意组合。示例性地，计算机平台还可以包括存储在ROM、RAM、或其他类型的非暂时性存储介质、或其任意组合中的程序指令。
存储器14用于存储程序，处理器12用于调用并运行存储器14中的程序以执行前述的基于神经网络的设备管理方法。
请参阅图5，本申请实施例提供了一种基于神经网络的设备管理装置100，该基于神经网络的设备管理装置100可以应用于电子设备，基于神经网络的设备管理装置100可以包括：
数据获取模块110，用于获取电力设备在当前时刻之前的预设时长内运行产生的种类不同的第一运行参数和第二运行参数。
数据处理模块120，用于利用预设的第一神经网络分类模型处理所述第一运行参数，获得用于表示所述电力设备是否异常的第一结果；以及，利用预设的第二神经网络分类模型处理所述第二运行参数，获得用于表示所述电力设备是否异常的第二结果；以及，用于利用预设的第三神经网络分类模型处理所述第一结果和所述第二结果，获得用于预估所述电力设备是否会出现故障的故障预估结果。
可选的，所述数据处理模块120，用于生成所述第一数组的正则表达式，并根据所述第一数组的正则表达式，确定出与所述第一结果相似的多个第一相似结果；以及，生成所述第二数组的正则表达式，并根据所述第二数组的正则表达式，确定出与所述第二结果相似的多个第二相似结果；以及，用于将所述第一结果、所述多个第一相似结果、所述第二结果和所述多个第二相似结果输入所述第三神经网络分类模型，获得所述第三神经网络分类模型输出的所述故障预估结果。
可选的，所述第一数组为小于1且大于0的三位小数，所述数据处理模块120，用于将所述第一数组中的第二位数替换为所述第二位数对应的预设表达式，获得所述第一数组的正则表达式；根据所述预设表达式关联的多个数值，确定出与所述第一数组相似的多个第一相似数组，其中，所述多个数值各不相同，每个所述数值为大于等于0且小于10的整数，每个所述第一相似数组中的第一位数与所述第一数组中的第一位数的相同，每个所述第一相似数组中的第三位数与所述第一数组中的第三位数的相同，每个所述第一相似数组中的第二位数为对应的一个所述数值。
可选的，所述数据获取模块110，用于获得所述电力设备在所述当前时刻之前的所述预设时长内运行产生的所有的所述第一运行参数，并从所有的所述第一运行参数中确定出为最大值的所述第一运行参数；或者，获得所有的所述第一运行参数，从所有的所述第一运行参数中确定出为最小值的所述第一运行参数；或者获得所有的所述第一运行参数，对所有的所述第一运行参数进行求平均，获得平均的所述第一运行参数。
请参阅图6，本申请实施例提供了一种基于神经网络的设备管理装置200，该基于神经网络的设备管理装置200可以应用于电子设备，基于神经网络的设备管理装置200可以包括：
数据获取模块210，用于获取第一电力设备在当前时刻之前的预设时长内运行产生的第一运行参数，以及获取第二电力设备在所述当前时刻之前的所述预设时长内运行产生的第二运行参数，其中，所述第一电力设备向所述第二电力设备输出电能。
数据处理模块220，用于利用预设的第一神经网络分类模型处理所述第一运行参数，获得用于表示所述第一电力设备是否异常的第一结果；以及，利用预设的第二神经网络分类模型处理所述第二运行参数，获得用于表示所述第二电力设备是否异常的第二结果；以及，用于利用预设的第三神经网络分类模型处理所述第一结果和所述第二结果，获得用于预估所述第一电力设备是否会出现故障的故障预估结果。
需要说明的是，由于所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请一些实施例还提供了一种计算机可执行的非易失的程序代码的计算机可读储存介质，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该计算机可读存储介质上存储有程序代码，该程序代码被计算机运行时执行上述任一实施方式的基于神经网络的设备管理方法的步骤。
本申请实施例所提供的基于神经网络的设备管理方法的程序代码产品，包括存储了程序代码的计算机可读存储介质，程序代码包括的指令可用于执行前面方法实施例中的方法，具体实现可参见方法实施例，在此不再赘述。
综上所述，本申请实施例提供了一种神经网络的设备管理方法及装置。在利用第一神经网络分类模型处理第一运行参数而获得第一结果，以及利用第二神经网络分类模型处理第二运行参数而获得第二结果后，再利用第三神经网络分类模型处理第一结果和第二结果而预测电力设备是否会出现故障，其较于现有的利用单种运行参数预测故障，由于其通过模型将两种运行参数拟合进行故障预测，故准确性更好，能够更准确的预测电力设备是否会发生故障。
以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于神经网络的设备管理方法，其特征在于，所述方法包括：
获取电力设备在当前时刻之前的预设时长内运行产生的种类不同的第一运行参数和第二运行参数；
利用预设的第一神经网络分类模型处理所述第一运行参数，获得用于表示所述电力设备是否异常的第一结果；以及，利用预设的第二神经网络分类模型处理所述第二运行参数，获得用于表示所述电力设备是否异常的第二结果；
利用预设的第三神经网络分类模型处理所述第一结果和所述第二结果，获得用于预估所述电力设备是否会出现故障的故障预估结果。
2.根据权利要求1所述的基于神经网络的设备管理方法，其特征在于，所述第一结果为第一数组，所述第二结果为第二数组，利用预设的第三神经网络分类模型处理所述第一结果和所述第二结果，获得用于预估所述电力设备是否会出现故障的故障预估结果，包括：
生成所述第一数组的正则表达式，并根据所述第一数组的正则表达式，确定出与所述第一结果相似的多个第一相似结果；以及，生成所述第二数组的正则表达式，并根据所述第二数组的正则表达式，确定出与所述第二结果相似的多个第二相似结果；
将所述第一结果、所述多个第一相似结果、所述第二结果和所述多个第二相似结果输入所述第三神经网络分类模型，获得所述第三神经网络分类模型输出的所述故障预估结果。
3.根据权利要求2所述的基于神经网络的设备管理方法，其特征在于，所述第一数组为小于1且大于0的三位小数，生成所述第一数组的正则表达式，并根据所述第一数组的正则表达式，确定出与所述第一结果相似的多个第一相似结果，包括：
将所述第一数组中的第二位数替换为所述第二位数对应的预设表达式，获得所述第一数组的正则表达式；
根据所述预设表达式关联的多个数值，确定出与所述第一数组相似的多个第一相似数组，其中，所述多个数值各不相同，每个所述数值为大于等于0且小于10的整数，每个所述第一相似数组中的第一位数与所述第一数组中的第一位数的相同，每个所述第一相似数组中的第三位数与所述第一数组中的第三位数的相同，每个所述第一相似数组中的第二位数为对应的一个所述数值。
4.根据权利要求1-3中任一权项所述的基于神经网络的设备管理方法，其特征在于，获取所述电力设备在当前时刻之前的预设时长内运行产生的第一运行参数，包括：
获得所述电力设备在所述当前时刻之前的所述预设时长内运行产生的所有的所述第一运行参数，并从所有的所述第一运行参数中确定出为最大值的所述第一运行参数；或者，
获得所有的所述第一运行参数，从所有的所述第一运行参数中确定出为最小值的所述第一运行参数；或者
获得所有的所述第一运行参数，对所有的所述第一运行参数进行求平均，获得平均的所述第一运行参数。
5.一种基于神经网络的设备管理方法，其特征在于，所述方法包括：
获取第一电力设备在当前时刻之前的预设时长内运行产生的第一运行参数，以及获取第二电力设备在所述当前时刻之前的所述预设时长内运行产生的第二运行参数，其中，所述第一电力设备向所述第二电力设备输出电能；
利用预设的第一神经网络分类模型处理所述第一运行参数，获得用于表示所述第一电力设备是否异常的第一结果；以及，利用预设的第二神经网络分类模型处理所述第二运行参数，获得用于表示所述第二电力设备是否异常的第二结果；
利用预设的第三神经网络分类模型处理所述第一结果和所述第二结果，获得用于预估所述第一电力设备是否会出现故障的故障预估结果。
6.一种基于神经网络的设备管理装置，其特征在于，所述装置包括：
数据获取模块，用于获取电力设备在当前时刻之前的预设时长内运行产生的种类不同的第一运行参数和第二运行参数；
数据处理模块，用于利用预设的第一神经网络分类模型处理所述第一运行参数，获得用于表示所述电力设备是否异常的第一结果；以及，利用预设的第二神经网络分类模型处理所述第二运行参数，获得用于表示所述电力设备是否异常的第二结果；以及，用于利用预设的第三神经网络分类模型处理所述第一结果和所述第二结果，获得用于预估所述电力设备是否会出现故障的故障预估结果。
7.根据权利要求6所述的基于神经网络的设备管理装置，其特征在于，
所述数据处理模块，用于生成所述第一数组的正则表达式，并根据所述第一数组的正则表达式，确定出与所述第一结果相似的多个第一相似结果；以及，生成所述第二数组的正则表达式，并根据所述第二数组的正则表达式，确定出与所述第二结果相似的多个第二相似结果；以及，用于将所述第一结果、所述多个第一相似结果、所述第二结果和所述多个第二相似结果输入所述第三神经网络分类模型，获得所述第三神经网络分类模型输出的所述故障预估结果。
8.根据权利要求7所述的基于神经网络的设备管理装置，其特征在于，所述第一数组为小于1且大于0的三位小数，
所述数据处理模块，用于将所述第一数组中的第二位数替换为所述第二位数对应的预设表达式，获得所述第一数组的正则表达式；根据所述预设表达式关联的多个数值，确定出与所述第一数组相似的多个第一相似数组，其中，所述多个数值各不相同，每个所述数值为大于等于0且小于10的整数，每个所述第一相似数组中的第一位数与所述第一数组中的第一位数的相同，每个所述第一相似数组中的第三位数与所述第一数组中的第三位数的相同，每个所述第一相似数组中的第二位数为对应的一个所述数值。
9.根据权利要求6-8中任一权项所述的基于神经网络的设备管理装置，其特征在于，
所述数据获取模块，用于获得所述电力设备在所述当前时刻之前的所述预设时长内运行产生的所有的所述第一运行参数，并从所有的所述第一运行参数中确定出为最大值的所述第一运行参数；或者，获得所有的所述第一运行参数，从所有的所述第一运行参数中确定出为最小值的所述第一运行参数；或者获得所有的所述第一运行参数，对所有的所述第一运行参数进行求平均，获得平均的所述第一运行参数。
10.一种基于神经网络的设备管理装置，其特征在于，所述装置包括：
数据获取模块，用于获取第一电力设备在当前时刻之前的预设时长内运行产生的第一运行参数，以及获取第二电力设备在所述当前时刻之前的所述预设时长内运行产生的第二运行参数，其中，所述第一电力设备向所述第二电力设备输出电能；
数据处理模块，用于利用预设的第一神经网络分类模型处理所述第一运行参数，获得用于表示所述第一电力设备是否异常的第一结果；以及，利用预设的第二神经网络分类模型处理所述第二运行参数，获得用于表示所述第二电力设备是否异常的第二结果；以及，用于利用预设的第三神经网络分类模型处理所述第一结果和所述第二结果，获得用于预估所述第一电力设备是否会出现故障的故障预估结果。
CN201910527534.2A 2019-06-18 2019-06-18 基于神经网络的设备管理方法及装置 Active CN110232482B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910527534.2A CN110232482B (zh) 2019-06-18 2019-06-18 基于神经网络的设备管理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910527534.2A CN110232482B (zh) 2019-06-18 2019-06-18 基于神经网络的设备管理方法及装置

Publications (2)

Publication Number Publication Date
CN110232482A true CN110232482A (zh) 2019-09-13
CN110232482B CN110232482B (zh) 2023-07-25

Family

ID=67859729

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910527534.2A Active CN110232482B (zh) 2019-06-18 2019-06-18 基于神经网络的设备管理方法及装置

Country Status (1)

Country Link
CN (1) CN110232482B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090228409A1 (en) * 2008-03-10 2009-09-10 Eklund Neil H Method, Apparatus And Computer Program Product For Predicting A Fault Utilizing Multi-Resolution Classifier Fusion
US20120209539A1 (en) * 2011-02-10 2012-08-16 Honeywell International Inc. Turbine fault analysis
CN103293415A (zh) * 2013-05-23 2013-09-11 江西中能电气科技有限公司 一种基于神经网络专家系统的微逆变器故障检测方法
CN105978487A (zh) * 2016-05-05 2016-09-28 江苏方天电力技术有限公司 基于内部等效参数的光伏组件故障诊断方法
CN106846170A (zh) * 2016-12-22 2017-06-13 国网上海市电力公司 一种发电机组跳闸监测方法及其监测装置
CN106940281A (zh) * 2016-12-09 2017-07-11 中国航空工业集团公司上海航空测控技术研究所 一种基于信息融合技术智能模型的航空油液分析方法
CN108490370A (zh) * 2018-03-19 2018-09-04 万帮充电设备有限公司 一种故障诊断的方法和装置
CN109029992A (zh) * 2018-06-15 2018-12-18 深圳大学 机床主轴的轴承故障诊断的方法和系统
CN109324604A (zh) * 2018-11-29 2019-02-12 中南大学 一种基于多源信号的智能列车综合故障分析方法
CN109523422A (zh) * 2018-11-15 2019-03-26 广西电网有限责任公司电力科学研究院 一种配电网故障影响因素的挖掘方法
CN109639450A (zh) * 2018-10-23 2019-04-16 平安壹钱包电子商务有限公司 基于神经网络的故障告警方法、计算机设备及存储介质
US20190130266A1 (en) * 2017-10-27 2019-05-02 Royal Bank Of Canada System and method for improved neural network training

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090228409A1 (en) * 2008-03-10 2009-09-10 Eklund Neil H Method, Apparatus And Computer Program Product For Predicting A Fault Utilizing Multi-Resolution Classifier Fusion
US20120209539A1 (en) * 2011-02-10 2012-08-16 Honeywell International Inc. Turbine fault analysis
CN103293415A (zh) * 2013-05-23 2013-09-11 江西中能电气科技有限公司 一种基于神经网络专家系统的微逆变器故障检测方法
CN105978487A (zh) * 2016-05-05 2016-09-28 江苏方天电力技术有限公司 基于内部等效参数的光伏组件故障诊断方法
CN106940281A (zh) * 2016-12-09 2017-07-11 中国航空工业集团公司上海航空测控技术研究所 一种基于信息融合技术智能模型的航空油液分析方法
CN106846170A (zh) * 2016-12-22 2017-06-13 国网上海市电力公司 一种发电机组跳闸监测方法及其监测装置
US20190130266A1 (en) * 2017-10-27 2019-05-02 Royal Bank Of Canada System and method for improved neural network training
CN108490370A (zh) * 2018-03-19 2018-09-04 万帮充电设备有限公司 一种故障诊断的方法和装置
CN109029992A (zh) * 2018-06-15 2018-12-18 深圳大学 机床主轴的轴承故障诊断的方法和系统
CN109639450A (zh) * 2018-10-23 2019-04-16 平安壹钱包电子商务有限公司 基于神经网络的故障告警方法、计算机设备及存储介质
CN109523422A (zh) * 2018-11-15 2019-03-26 广西电网有限责任公司电力科学研究院 一种配电网故障影响因素的挖掘方法
CN109324604A (zh) * 2018-11-29 2019-02-12 中南大学 一种基于多源信号的智能列车综合故障分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李方方;赵英凯;: "贝叶斯框架下的LSSVM和贝叶斯网络及其应用", 计算机工程与设计, no. 15 *
陈凌;韩伟;张经炜;: "基于数据融合的光伏组件故障诊断", 电网技术, no. 06 *

Also Published As

Publication number Publication date
CN110232482B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
Javed et al. Improving accuracy of long-term prognostics of PEMFC stack to estimate remaining useful life
CN108287317A (zh) 电池功率预测模型生成方法及系统、功率预测方法及系统
CN110798365A (zh) 基于神经网络的流量预测方法及装置
CN113406508A (zh) 基于数字孪生的电池检测和维护方法及装置
CN116047300A (zh) 用以预测电池的特性参数的控制器及其方法
CN111935140A (zh) 异常报文识别方法及装置
CN117154844A (zh) 储能系统的能源供应控制方法及装置
CN110929115B (zh) 一种基于用电特性的用电安全监测方法及系统
CN114881318A (zh) 基于生成对抗网络的锂电池健康状态预测方法及系统
CN110232482A (zh) 基于神经网络的设备管理方法及装置
CN111624874A (zh) 用于城市污水处理的泵站集群智能化预测方法及系统
CN117630672A (zh) 借助变换器模型预测诊断技术设备的设备电池的方法和设备
CN115355942B (zh) 适用于kyn开关柜的健康管理方法
CN116794545A (zh) 一种基于云边协同的电池健康预测方法和系统
Pham et al. Arns: a data-driven approach for soh estimation of lithium-ion battery using nested sequence models with considering relaxation effect
Botache et al. Towards highly automated machine-learning-empowered monitoring of motor test stands
CN115437886A (zh) 基于存算一体芯片的故障预警方法、装置、设备及存储
CN115407224A (zh) 一种动力电池全生命周期健康监测方法、系统及电子设备
CN108427854B (zh) 一种数据分析方法及其相关设备
CN113011745A (zh) 电网安全运维中的异常检测方法、装置、设备和介质
CN116633021B (zh) 一种基于物联网的开关柜能耗监测方法及系统
RU2813364C1 (ru) Программно-аппаратный комплекс адаптивного управления режимами потребления электроэнергии
CN113805004B (zh) 一种智能电表联接设备的异常监测方法和系统
Qin et al. Risk assessment technology on power grid-communication networks considering spatiotemporal correlation
EP3996027A1 (en) Method and system for monitoring and/or operating a power system asset

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
GR01 Patent grant
GR01 Patent grant