CN111382673A - 一种用于风车发电状态监测的kvm系统及方法 - Google Patents
一种用于风车发电状态监测的kvm系统及方法 Download PDFInfo
- Publication number
- CN111382673A CN111382673A CN202010023312.XA CN202010023312A CN111382673A CN 111382673 A CN111382673 A CN 111382673A CN 202010023312 A CN202010023312 A CN 202010023312A CN 111382673 A CN111382673 A CN 111382673A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- layer
- windmill
- output layer
- neural network
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000010248 power generation Methods 0.000 title claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 abstract description 4
- 230000000644 propagated effect Effects 0.000 abstract 3
- 230000010354 integration Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/02—Input arrangements using manually operated switches, e.g. using keyboards or dials
- G06F3/023—Arrangements for converting discrete items of information into a coded form, e.g. arrangements for interpreting keyboard generated codes as alphanumeric codes, operand codes or instruction codes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
- G06F3/033—Pointing devices displaced or positioned by the user, e.g. mice, trackballs, pens or joysticks; Accessories therefor
- G06F3/038—Control and interface arrangements therefor, e.g. drivers or device-embedded control circuitry
- G06F3/0383—Signal control means within the pointing device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/14—Digital output to display device ; Cooperation and interconnection of the display device with other functional units
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种用于风车发电状态监测的KVM系统及方法,应用于一KVM装置设备,所述方法采用BP神经网络的方法分析,信号传播通过神经网络初始化设定网络层,信号传播至输出层,然后误差反向传播至输入层,通过最后分析更新权重风车发电机监测开关的图像;通过摄像机获得需要的信息,经过FPGA神经网络算法智能分析处理之后再通过KVM技术,将数据传送至主机端;客户在客户端通过输入认证与主机端形成联系;主机端通过认证后,在主机端虚拟出鼠标键盘,实现客户端对主机端的灵活操作,并将需要的数据传送至客户端。本发明具有以下效益:集成度高、可以方便准确地获得风车发电状态的信息,从而让工作人员在故障出现时及时地发现和处理。
Description
技术领域
本发明属于基于KVM技术,具体涉及的是一种用于风车发电状态监测 的KVM装置的方法。
背景技术
随着社会的发展,人类对于能源的需求越来越大。而传统能源,例如 煤炭、天然气、石油等均为不可再生能源,且会造成环境的污染,因此寻 求清洁的可再生能源对于人类发展具有举足轻重的作用。风能是一种清洁 的可再生能源,并且越来越受到世界的重视。其蕴含量巨大,全球的风能 约有2.74×10^9MW,而可利用的风能也有2×10^9MW。因此,风能的利用前 景很可观。
风能发电机的主要原理是将风能转化为电能,一般风力发电站选择在 空旷、环境恶劣的地方,风车在这类地方容易发生故障,而当风车发生突 发状况时,就需要工作人员及时收到相关的报警提示信息。因此,研发一 款能对风车开关进行实时监视并智能分析出所有风车的运行状态的监视设 备具有重要的研究意义和实用价值。
KVM是键盘(Keyboard)、显示器(Video)以及鼠标(Mouse)组合的 缩写,正式的名称为:多计算机切换器。通过KVM可以实现客户端对于主机 的控制,并得到主机端的数据。KVM技术的核心是通过键盘、鼠标、显示器 的配置,实现系统和网络的集中管理。在KVM技术的应用过程中,只需将其 统一设置在调度机房中,实现调度自动化系统中的空间优化和安全运行。 用户可以通过验证用户名以及密码,获得对主机的操控权限,利用客户端 的鼠标以及键盘在主机端进行一系列的操作,从而可以获得所需的资料, 并能传送至客户端。目前KVM系统已经被应用到了风能发电领域,提高了风 车发电站的管理效率,但是功能单一,还不具备对监测的风车工作状况的 画面实现智能分析和故障报警提示的功能。
发明内容
本发明的目的是针对上述现状中出现的情况,提供一种对大型风力发 电厂的风车群连接的矩阵开关状态进行监控并且能得到结果分析的设备。 涉及了神经网络算法以及KVM技术,可以通过TCP/IP协议进行客户端与主机 之间的数据传送。
为了解决达到前述目的,本发明的技术方案是一种用于风车发电状态 监测的KVM系统及方法,应用于一电子设备,所述方法包括
S1:对采集到的图像进行预处理;
S2:通过BP神经网络算法对图像处理进行风车发电状态监测;
所述神经网络算法对图像处理进行风车发电状态监测步骤包括:
S101:神经网络初始化:设定四层神经网络,分别为输入层、两层隐 含层以及输出层,并对链接权重矩阵赋初值;
S102:信号传播:将摄像头拍摄的监测开关图像的像素点从输入层, 根据连接权重矩阵传递到隐含层,再传递到输出层;
S103:误差反向传播:获得输出层的误差后,利用反向传输方式由输 出层传递到隐含层再到输入层;
S104:更新链接权重矩阵:采用梯度下降的方法,不断修正各单元之 间的权值。
S105:状态分析:从输出层得到开和关的概率,从而判断每个风车发 电机的状态情况。
具体来说,所述步骤S1所述对采集到的图像进行预处理包括:包括:
S201:色彩空间变化:利用伽马校正将RGB色彩空间原始图像变换为 YCbCr色彩空间,公式如下所示:
S202:中值滤波:通过窗口对二维图像数组取值,用窗口中所有像素 的中值代替窗口中心点处的值,从而消除噪声;
S103:边缘检测:采用Sobel边缘检测方法,减少冗余信息。
具体来说,所述步骤S201中的输出层,共有两个输出,分别为与风车 发电机相连的监测开关的开的概率和关的概率。
进一步的,所述步骤S203中输出层的误差,是由之前每一层之间的链 接权重矩阵产生。
优选的,所述步骤S204中的链接权重矩阵是通过对大量样本的训练和 测试获得。
具体来说,其获取通过对每一个开关从8个角度拍照,获取大量开关作 为样本。
进一步的,所述步骤S205中的状态分析,在判断每个风车发电机是否 正常运行后,如果遇到故障时能够给出报警提示信息。
基于上述技术方案,本发明还提供一种用于景区人流量监控和管理的 KVM系统,系统包括处理器和FPGA芯片及存储在FPGA芯片上并可在处理器上 运行的计算机程序,其特征在于,执行所述程序时实现以下步骤:
S1:对采集到的图像进行预处理;
S2:通过BP神经网络算法对图像处理进行风车发电状态监测;
所述神经网络算法对图像处理进行风车发电状态监测步骤包括:
S101:神经网络初始化:设定四层神经网络,分别为输入层、两层隐 含层以及输出层,并对链接权重矩阵赋初值;
S102:信号传播:将摄像头拍摄的监测开关图像的像素点从输入层, 根据连接权重矩阵传递到隐含层,再传递到输出层;
S103:误差反向传播:获得输出层的误差后,利用反向传输方式由输 出层传递到隐含层再到输入层;
S104:更新链接权重矩阵:采用梯度下降的方法,不断修正各单元之 间的权值。
S105:状态分析:从输出层得到开和关的概率,从而判断每个风车发 电机的状态情况。
采用了上述技术方案,本发明具有以下的积极的效果:
(1)本发明利用了神经网络分析方法,可以根据矩阵开关的状态智能 地分析出风车发电机的工作状态,在风车规模较大的情况下,更能突出其 高效管理的优越性。
(2)利用KVM技术可以让风车管理人员能够便利的获取到风车的状态 信息,且操作方便,可以在客户端直接利用鼠标和键盘对主机端进行操作。
附图说明
为了使本发明的内容更容易被清楚地理解,下面根据具体实施例并结合 附图,对本发明作进一步详细的说明,其中
图1为本发明的处理流程图。
图2为本发明的BP神经网络分析法的四层神经网络结构图;
图3为本发明的BP神经网络学习过程流程图;
图4为本发明的BP神经网络训练的正确率与隐含层(0)和隐含层(1) 的关系图;
图5为本发明的BP神经网络训练的正确率与学习率和世代数的关系图;
具体实施方式
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技 术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其 它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
下面通过附图以及具体实施例对本发明技术方案做详细的说明,应当理 解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说 明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例 以及实施例中的技术特征可以相互组合。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以 存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B, 单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象 是一种“或”的关系。
(实施例1)
一种用于风车发电状态监测的KVM方法,应用于一电子设备,在本实施 例中,电子设备可以理解为KVM装置。
S1:对采集到的图像进行预处理;
S2:通过BP神经网络算法对图像处理进行风车发电状态监测;
如图1,2和3所示,其采用的BP神经网络分析法的原理如下:(1)神经 网络初始化:设定四层神经网络,分别为输入层、隐含层(0)、隐含层(1) 以及输出层,其中输出层共有两个输出,分别为与风车发电机相连的监测 开关的开的概率和关的概率,并给链接权重矩阵赋初值;
(2)信号传播:将图像的像素点输入到输入层中,然后根据链接权重 矩阵,传递至隐含层(0),再传递至隐含层(1),最后传递至输出层;
(3)误差反向传播:步骤二中输出层的误差是由之前每一层之间的链 接权重矩阵产生,在获得误差后,利用反向传输方式由输出层传递到隐含 层再到输入层;
(4)更新权重:采用梯度下降的方法,不断修正各单元之间的权值。 获取大量开关作为样本,并对每一个开关从8个角度拍照,将所有开关图片 作为样本,通过对大量样本的训练和测试,获得所需要的链接权重矩阵;
(5)再将需要分析的风车发电机监测开关的图像的像素点输入至输入 层,可以从输出层得到开的概率和关的概率,从而判断每个风车发电机是 否正常运行,遇到故障时能够给出报警提示信息。
如图3所示,其神经网络测试的正确率和隐含层0与隐含层1的像素点 的个数有关,在隐含层0神经元数量为4800、隐藏层1神经元数量为2400 时能够获得较为满意的识别正确率。
如图4所示,其神经网络测试的正确率和学习率与世代数有关,学习率 决定了梯度下降的速度,高世代数会强化训练效果,在学习率为0.15,世 代数为14下神经网络能够达到较高的识别正确率。
(实施例2)
基于与前述实施例中一种用于风车发电状态监测的KVM方法同样的发 明构思,本发明还提供一种用于风车发电状态监测的KVM系统。
具体来说,系统包括处理器和FPGA芯片及存储在FPGA芯片上并可在处 理器上运行的计算机程序。
如图5所示,其FPGA模块完成以下功能:(1)图像预处理:步骤包括 (1)色彩空间变化:利用伽马校正
将RGB色彩空间原始图像变换为YCbCr色彩空间;(2)中值滤波:通过窗 口对二维图像数组取值,用窗口中所有像素的中值代替窗口中心点处的值, 从而消除噪声;(3)边缘检测:采用Sobel边缘检测方法,减少冗余信息;(4)神经网络算法处理:首先利用神经网络的记忆与学习能力,得到权重 矩阵,接着开关图像的像素点进行传递,得到输出层的结果:开的概率和 关的概率。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行 了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而 已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修 改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种用于风车发电状态监测的KVM方法,应用于一电子设备,其特征在于:所述方法包括
S1:对采集到的图像进行预处理;
S2:通过BP神经网络算法对图像处理进行风车发电状态监测;
所述神经网络算法对图像处理进行风车发电状态监测步骤包括:
S101:神经网络初始化:设定四层神经网络,分别为输入层、两层隐含层以及输出层,并对链接权重矩阵赋初值;
S102:信号传播:将摄像头拍摄的监测开关图像的像素点从输入层,根据连接权重矩阵传递到隐含层,再传递到输出层;
S103:误差反向传播:获得输出层的误差后,利用反向传输方式由输出层传递到隐含层再到输入层;
S104:更新链接权重矩阵:采用梯度下降的方法,不断修正各单元之间的权值。
S105:状态分析:从输出层得到开和关的概率,从而判断每个风车发电机的状态情况。
3.根据权利要求1所述的一种用于风车发电状态监测的KVM装置的方法,其特征在于:所述步骤S201中的输出层,共有两个输出,分别为与风车发电机相连的监测开关的开的概率和关的概率。
4.根据权利要求1所述的一种用于风车发电状态监测的KVM装置的方法,其特征在于:所述步骤S203中输出层的误差,是由之前每一层之间的链接权重矩阵产生。
5.根据权利要求2所述的一种用于风车发电状态监测的KVM装置的方法,其特征在于:所述步骤S204中的链接权重矩阵是通过对大量样本的训练和测试获得。
6.根据权利要求4所述的样本量,其特征在于:其获取通过对每一个开关从8个角度拍照,获取大量开关作为样本。
7.根据权利要求3所述的一种用于风车发电状态监测的KVM装置的方法,其特征在于:所述步骤S205中的状态分析,在判断每个风车发电机是否正常运行后,如果遇到故障时能够给出报警提示信息。
8.一种用于风车发电状态监测的KVM方法系统,包括处理器和FPGA芯片及存储在FPGA芯片上并可在处理器上运行的计算机程序,执行所述程序时实现以下步骤:
S1:对采集到的图像进行预处理;
S2:通过BP神经网络算法对图像处理进行风车发电状态监测;
所述神经网络算法对图像处理进行风车发电状态监测步骤包括:
S101:神经网络初始化:设定四层神经网络,分别为输入层、两层隐含层以及输出层,并对链接权重矩阵赋初值;
S102:信号传播:将摄像头拍摄的监测开关图像的像素点从输入层,根据连接权重矩阵传递到隐含层,再传递到输出层;
S103:误差反向传播:获得输出层的误差后,利用反向传输方式由输出层传递到隐含层再到输入层;
S104:更新链接权重矩阵:采用梯度下降的方法,不断修正各单元之间的权值。
S105:状态分析:从输出层得到开和关的概率,从而判断每个风车发电机的状态情况。
所述对采集到的图像进行预处理包括:
S201:色彩空间变化:利用伽马校正将RGB色彩空间原始图像变换为YCbCr色彩空间,公式如下所示:
S202:中值滤波:通过窗口对二维图像数组取值,用窗口中所有像素的中值代替窗口中心点处的值,从而消除噪声;
S103:边缘检测:采用Sobel边缘检测方法,减少冗余信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010023312.XA CN111382673A (zh) | 2020-01-09 | 2020-01-09 | 一种用于风车发电状态监测的kvm系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010023312.XA CN111382673A (zh) | 2020-01-09 | 2020-01-09 | 一种用于风车发电状态监测的kvm系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111382673A true CN111382673A (zh) | 2020-07-07 |
Family
ID=71215222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010023312.XA Pending CN111382673A (zh) | 2020-01-09 | 2020-01-09 | 一种用于风车发电状态监测的kvm系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111382673A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101193314A (zh) * | 2006-11-30 | 2008-06-04 | 北京思比科微电子技术有限公司 | 图像传感器的图像处理装置和方法 |
CN104331710A (zh) * | 2014-11-19 | 2015-02-04 | 集美大学 | 开关状态识别系统 |
CN105510038A (zh) * | 2015-12-31 | 2016-04-20 | 北京金风科创风电设备有限公司 | 风电机组故障监测方法和装置 |
CN106124982A (zh) * | 2016-06-14 | 2016-11-16 | 都城绿色能源有限公司 | 一种风电机组的自动专家综合故障诊断系统及诊断方法 |
CN106446869A (zh) * | 2016-10-20 | 2017-02-22 | 国家电网公司 | 基于图像智能识别算法的隔离开关状态自动检测方法 |
CN107220469A (zh) * | 2017-07-14 | 2017-09-29 | 华北电力大学(保定) | 一种风机状态估计的方法及系统 |
CN107247653A (zh) * | 2017-06-02 | 2017-10-13 | 郑州云海信息技术有限公司 | 一种数据中心监控系统的故障分类方法和装置 |
-
2020
- 2020-01-09 CN CN202010023312.XA patent/CN111382673A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101193314A (zh) * | 2006-11-30 | 2008-06-04 | 北京思比科微电子技术有限公司 | 图像传感器的图像处理装置和方法 |
CN104331710A (zh) * | 2014-11-19 | 2015-02-04 | 集美大学 | 开关状态识别系统 |
CN105510038A (zh) * | 2015-12-31 | 2016-04-20 | 北京金风科创风电设备有限公司 | 风电机组故障监测方法和装置 |
CN106124982A (zh) * | 2016-06-14 | 2016-11-16 | 都城绿色能源有限公司 | 一种风电机组的自动专家综合故障诊断系统及诊断方法 |
CN106446869A (zh) * | 2016-10-20 | 2017-02-22 | 国家电网公司 | 基于图像智能识别算法的隔离开关状态自动检测方法 |
CN107247653A (zh) * | 2017-06-02 | 2017-10-13 | 郑州云海信息技术有限公司 | 一种数据中心监控系统的故障分类方法和装置 |
CN107220469A (zh) * | 2017-07-14 | 2017-09-29 | 华北电力大学(保定) | 一种风机状态估计的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113255210B (zh) | 一种风电机组联邦故障诊断方法及系统 | |
CN111144472A (zh) | 基于gbdt算法的攻击识别方法及光伏并网接口装置 | |
CN111382673A (zh) | 一种用于风车发电状态监测的kvm系统及方法 | |
CN116184293B (zh) | 一种基于数字孪生锂电池系统的故障诊断方法及报警系统 | |
CN113536607B (zh) | 一种变电站信号传输系统评估方法及系统 | |
CN112581387B (zh) | 一种配电室智能运维系统、装置及方法 | |
CN110907774A (zh) | 一种太阳能发电系统电弧故障检测方法 | |
CN111083151A (zh) | 基于深度信念网络的攻击识别方法及风电管理系统 | |
CN114972863A (zh) | 一种基于边缘智能终端的大型机械检测装置及其检测方法 | |
CN115293265A (zh) | 楼宇用电非入侵式监测方法及其系统 | |
KR102443585B1 (ko) | 인공지능을 이용하여, 고장을 추정하는 태양광 발전 시스템 | |
Wang et al. | Real-time fault diagnosis method for low-voltage power line carrier communication network based on network topology | |
Wang et al. | Fault Diagnosis of Wind Turbine Blades Based on Chaotic System and Extension Neural Network. | |
KR20230089652A (ko) | 전자기기의 비침식 부하 모니터링 시스템 및 그 방법 | |
CN211577918U (zh) | 一种用于风车发电状态监测的kvm装置 | |
CN111127251A (zh) | 基于lstm神经网络的攻击识别方法及并网接口装置 | |
Zheng et al. | Real-time remote data acquisition and process monitoring system for automatic filling line | |
CN117874665B (zh) | 一种sofc系统多故障的诊断方法及系统 | |
CN116743508B (zh) | 一种电力系统网络攻击链检测方法、装置、设备及介质 | |
CN117520924B (zh) | 基于多模态数据的海岛光伏运维故障原因分析方法及系统 | |
CN117110787B (zh) | 一种四元特征集卷积神经网络的次同步振荡源定位方法 | |
CN117975047A (zh) | 太阳能储能速率数据智能解析系统 | |
Sun et al. | Intelligent Fault Diagnosis of Transformer Based on Infrared Image and Mask RCNN | |
Zhang et al. | Interactive Condition Monitoring System of Photovoltaic Array Based on Virtual Reality Technology | |
Wang et al. | A Low-Cost Defect Segmentation System Based On IoT for Large-Scale Photovoltaic Manufacturing |
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 |