CN111582298A - 一种基于人工智能的传感异常数据实时检测方法 - Google Patents
一种基于人工智能的传感异常数据实时检测方法 Download PDFInfo
- Publication number
- CN111582298A CN111582298A CN202010191450.9A CN202010191450A CN111582298A CN 111582298 A CN111582298 A CN 111582298A CN 202010191450 A CN202010191450 A CN 202010191450A CN 111582298 A CN111582298 A CN 111582298A
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal
- sensing data
- real
- sensing
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000011897 real-time detection Methods 0.000 title claims abstract description 32
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000013508 migration Methods 0.000 claims abstract description 11
- 230000005012 migration Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 28
- 238000001914 filtration Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000011049 filling Methods 0.000 claims description 5
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 230000002688 persistence Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000001953 sensory effect Effects 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000007418 data mining Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009421 internal insulation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 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
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及智能电网领域,尤其涉及一种基于人工智能的传感异常数据实时检测方法,包括:获取历史传感数据并进行预处理;构建AE‑LSTM模型并基于AE‑LSTM模型对预处理后的历史传感数据进行训练;采用迁移学习fine‑tune方法对AE‑LSTM模型调整,得到传感数据异常实时检测模型;获取实时传感数据并输入异常实时检测模型,对实时传感数据进行异常检测。本发明能够实现电网的传感数据异常实时检测,保证电网的运行安全。
Description
技术领域
本发明涉及智能电网领域,尤其涉及一种基于人工智能的传感异常数据实时检测方法。
背景技术
以前定期巡检是排查异常传感的主要方式,虽然电力部门采用统计学以及数据挖掘相关方法进行初步检测,这种处理方式极其耗费人力物力资源,效率低、效果差,虽然之后电力部门采用统计学以及数据挖掘相关方法进行初步检测,但误报很多,凸显“数据海量,信息匮乏”的问题。
在实际的数据采集场景中,传感设备在数据采集与传输的过程中,总是会出现一些异常,多种外部环境的干扰会导致少数测量数据存在测量误差,影响数据分析,进而影响决策。例如输变电设备在实际运行过程中会受到过负荷、过电压、内部绝缘老化、自然环境等异常事件影响,这些异常运行状态会导致设备缺陷、故障的发生;在风电厂系统中,由于电气控制或系统部件故障导致风机故障使得传感器测得的风速、风向等因素都存在很大的误差;水力发电系统中,由于发电机的超负荷运作或者发电机振动失步导致测量数据存在严重误差等。
异常数据的产生有多种原因,但基本可归纳如下:
(1)对数据的测量非同时进行;
(2)数据测量或传输过程中,系统内部设备因意外而发生故障;
(3)数据测量或传输系统受到外部环境因素的干扰而意外失灵。
无论哪种原因导致传感数据异常都会影响电网的调度与管理,以及供电安全,并使电力部门承受巨大损失。因此,对异常传感数据的检测具有重要意义,通过主动实时发现传感数据异常,能够及时对异常的电力装置或异常的监测装置进行维修,保证电网的运行安全。随着传统电网向智能电网的转化,信息采集系统存储着大量传感数据,基于统计的方法却往往不能得到很好的结果。
发明内容
为解决上述问题,本发明提出一种基于人工智能的传感异常数据实时检测方法。
一种基于人工智能的传感异常数据实时检测方法,包括:
获取历史传感数据并进行预处理;
构建AE-LSTM模型并基于AE-LSTM模型对预处理后的历史传感数据进行训练;
采用迁移学习fine-tune方法对AE-LSTM模型调整,得到传感数据异常实时检测模型;
获取实时传感数据并输入异常实时检测模型,对实时传感数据进行异常检测。
优选的,所述获取历史传感数据并进行预处理包括:
过滤噪声数据处理、添补缺失数据处理、统一规整数据处理、标注样本处理。
优选的,所述过滤噪声数据处理包括:
持续性全为零或存在负数值的历史传感数据直接过滤;
对于极大值,其阈值按照箱形图原理设定如下:
极大值=Q3+(Q3-Q1)*5,
其中Q3为四分之三分位点,Q1为四分之一分位点,对高于该阈值的历史传感数据进行过滤。
优选的,所述添补缺失数据处理包括:
若传感数据缺失数量大于设定阈值,则对该组传感数据进行过滤;若传感数据缺失数量小于或等于设定阈值,则对该组传感数据进行插值填充操作。
优选的,所述统一规整数据处理包括:
对历史传感数据归一化处理:
其中min和max分别是数据集中最小的特征值和最大的特征值;oldValue表示某项特征归一化处理前的值;newValue表示某项特征归一化处理后的值。
优选的,所述标注样本处理包括:
针对历史传感数据的每一个特征进行聚类分析,将各项特征聚成正常、异常、介于二者之间不确定三类,并得到划分三类的临界值。当所有特征均满足正常判决阈值,则标定为正常样本;当任意一个特征满足异常判决阈值,则标定为异常样本;其余不确定样本则不标记。
优选的,所述AE-LSTM模型以无监督的方式自动学习历史传感数据中内在的依赖关系,提取数据特征。
优选的,所述AE-LSTM模型输出神经元个数有两个:异常数据和正常数据。
优选的,所述AE-LSTM模型的隐藏层数为一层。
优选的,所采用迁移学习fine-tune方法对AE-LSTM模型调整,得到传感数据异常实时检测模型包括:
采用迁移学习fine-tune方法利用小样本的有标签样本进行网络学习,对AE-LSTM模型微调整,增强网络对不确定样本的学习。
通过使用本发明,可以实现以下效果:获取历史传感数据并进行预处理,构建AE-LSTM模型并基于AE-LSTM模型对预处理后的历史传感数据进行训练,采用迁移学习fine-tune方法对AE-LSTM模型调整,得到传感数据异常实时检测模型,获取实时传感数据并输入异常实时检测模型能够实现电网的传感数据异常实时检测,保证电网的运行安全。
附图说明
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是本发明一实施例一种基于人工智能的传感异常数据实时检测方法的示意性流程图;
图2是本发明一实施例一种基于人工智能的传感异常数据实时检测方法中步骤S1的示意性流程图。
具体实施方式
以下结合附图,对本发明的技术方案作进一步的描述,但本发明并不限于这些实施例。
本发明的基本思想是通过获取历史传感数据并进行预处理,构建AE-LSTM模型并基于AE-LSTM模型对预处理后的历史传感数据进行训练,采用迁移学习fine-tune方法对AE-LSTM模型调整,得到传感数据异常实时检测模型,获取实时传感数据并输入异常实时检测模型能够实现电网的传感数据异常实时检测,保证电网的运行安全。
电网的众多传感器采集相应设备的实时运行状态参数,并将采集到的数据通过网关节点和无线网络传输到终端异常检测平台。终端异常检测平台已经离线做好了模型的搭建与训练测试,基于人工智能的传感数据异常实时检测方法对接收到的传感数据进行异常检测。
基于以上思想,本发明提出了一种基于人工智能的传感异常数据实时检测方法,如图1所示,包括以下步骤:
S1:获取历史传感数据并进行预处理。
为了确保较高质量的传感数据输出,在传感数据进行模型训练之前,需要对其进行预处理操作。如图2所示,其中的预处理的内容具体包括:过滤噪声数据处理、添补缺失数据处理、统一规整数据处理、标注样本处理。
过滤噪声数据处理:由于电网系统的复杂性导致采集过程中数据含有大量噪声,噪声数据会影响后续数据挖掘的精度和性能,在模型训练时需要对其进行过滤,在电力大数据中的噪声数据主要有超出正常计量范围的极大值,持续性为零的极小值以及负数值。持续性全为零或存在负数值直接过滤,对于极大值,其阈值按照箱形图原理设定如下:
极大值=Q3+(Q3-Q1)*5,
其中Q3为四分之三分位点,Q1为四分之一分位点,高于该阈值需要过滤。
添补缺失数据处理:电网采集系统采集数据过程中,由于计量设备或是传输设备故障会导致采集数据存在缺失,数据缺失是无法避免并且经常发生的,是造成数据不完整的重要因素,对于缺失数据,通常有两种处理方法:过滤和填充。若缺失太严重,则直接过滤,否则进行插值填充操作。
统一规整数据处理:因为数据的数量级与量纲等差异,所以需要对数据进行归一化处理。运用简单的变换进行归一化处理:
其中min和max分别是数据集中最小的特征值和最大的特征值;oldValue表示某项特征归一化处理前的值;newValue表示某项特征归一化处理后的值。根据机器学习的通用做法,在样本集中随机选取90%的样本组成训练样本集,将10%的样本组成测试调整样本集。
标注样本处理:按照传统检测方法中的多种异常指标检测结果对数据进行综合标定,传统的特征对介于正常和异常之间重叠区间难以识别,所以在标定过程中,只对特征表现正常和异常的样本进行标定,对不确定样本则不进行标定。针对每一项特征进行聚类分析,将各项特征聚成正常、异常、介于二者之间不确定三类,并得到划分三类的临界值。当所有特征均满足正常判决阈值,则标定为正常样本;当任意一个特征满足异常判决阈值,则标定为异常样本;其余不确定样本则不标记。
S2:构建AE-LSTM模型并基于AE-LSTM模型对预处理后的历史传感数据进行训练。
在实时异常检测之前,需要离线构建AE-LSTM模型以及训练测试。AE-LSTM模型具体包括两个部分:特征提取模块、异常检测模块。
特征提取模块:由于原始数据中数据维度大且较为稀疏,采用自动编码机以无监督的方式自动学习数据中内在的依赖关系,提取特征数据。自动编码器的编码部分将输入数据映射到特征空间,解码部分将特征空间的编码数据映射回原样本空间,尝试将输入复制到输出。由于解码数据的获得依赖于编码数据,要达到解码数据逼近输入数据效果,就需要编码时掌握输入数据的内在分布模式。这一过程完全并不关心样本数据的类别。可见,自动编码器训练的本质就是一种非监督的特征学习。
但是为了使之能够学习到有效的特征,需要强加一些约束,使自动编码机只能近似地复制,从而能够学习到数据的有用特性达到数据降维的效果。通过限制L2层(隐藏层)的维度,使其比L1层(输入层)维度低,这样强制自动编码机捕捉训练数据中最显著的特征,从而达到特征提取的目的。
异常检测模块:使用LSTM人工神经网络实现传感数据异常检测,该模型是一种时间递归神经网络,可以非常好的处理时间序列事件。
输出神经元个数:异常检测模块的检测结果只有两个:异常数据和正常数据。这可以通过1个比特位,0或1来标识。所以模型的输出层都是只有一个神经元,并且规定输出为1表示异常数据,输出为0表示没有正常数据。但是人工神经网络的输出根据激活函数的不同而不同,多数情况下为0到1之间的小数,所以规定当输出超过一定阈值时为异常数据,否则为正常数据。
隐藏层数:隐藏层的神经元可以学习到输入层的特性,并实现想要的输出结果。人工神经网络只需要一个隐藏层就可以解决任意的分类问题。同时,更多的隐藏层可以模拟出更加复杂的场景,达到更好的效果,但是这会使网络模型过于复杂,增加人工神经网络的训练时间。异常检测模块涉及到的问题是相对简单的分类问题,使用一个隐藏层就可以达到理想的效果,不需要使用复杂的多个隐藏层结构,以免增加网络模型的复杂度,所以模型使用单个的隐藏层。
隐藏层的神经元的数目:隐藏层的神经元的数目是一个十分重要的参数,其可以学习到输入数据之间的特征和模式,并且能够在网络的输入和输出之间做出复杂的非线性映射。
大多数研究偏好于较少的隐藏层神经元数目,因为较少的隐藏层神经元数目通常有更好的泛化能力和更低的过拟合风险。但是,太少的神经元数目会使网络模型不能学习到网络的输入数据之间的关系,导致达不到理想的输出效果,而太多的神经元数目会使网络模型过于拟合输入数据,虽然能够得到理想的输出效果,但是会使网络模型的泛化能力变的很差。所以首先选择和输入层神经元数目(即自动编码器输出的特征数目)相等的隐藏层神经元数目,然后不断地试验,根据输出结果最终选择模型的隐藏层。
随后对模型进行训练,具体包括:自动编码机对传感数据进行特征提取,用于训练LSTM人工神经网络模型。但由于智能电网的监控设备收集到的测量数据中,只有很小的一部分属于异常,所以采用迁移学习方法充分利用小样本的有标签样本进行网络学习,对模型微调整,增强网络对不确定样本的学习,通过小样本增强特征的表达能力,显著提高基于LSTM的迁移模型的异常查准率。
S3:采用迁移学习fine-tune方法对AE-LSTM模型调整,得到传感数据异常实时检测模型。
在本实施例中,采用基于模型的迁移方法,即找领域之间共享的网络参数信息,希望直接对整个网络迁移,将源领域训练好的网络直接应用到目标领域,针对目标领域的数据和任务稍作调整,具体使用的方法是finetune。finetune的主要优势在于:无需对新任务从头训练网络,节约时间成本;预训练的模型基于大数据集,使得模型泛化能力更强;网络实现简单。
S4:获取实时传感数据并输入异常实时检测模型,对实时传感数据进行异常检测。
基于上述步骤S1~S3完成对异常实时检测模型的训练,本步骤只需要将采集的实时传感数据输入训练完成的异常实时检测模块,即可实现对实时传感数据进行异常检测。
本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.一种基于人工智能的传感异常数据实时检测方法,其特征在于,包括:
获取历史传感数据并进行预处理;
构建AE-LSTM模型并基于AE-LSTM模型对预处理后的历史传感数据进行训练;
采用迁移学习fine-tune方法对AE-LSTM模型调整,得到传感数据异常实时检测模型;
获取实时传感数据并输入异常实时检测模型,对实时传感数据进行异常检测。
2.根据权利要求1所述的一种基于人工智能的传感异常数据实时检测方法,其特征在于,所述获取历史传感数据并进行预处理包括:
过滤噪声数据处理、添补缺失数据处理、统一规整数据处理、标注样本处理。
3.根据权利要求2所述的一种基于人工智能的传感异常数据实时检测方法,其特征在于,所述过滤噪声数据处理包括:
持续性全为零或存在负数值的历史传感数据直接过滤;
对于极大值,其阈值按照箱形图原理设定如下:
极大值=Q3+(Q3-Q1)*5,
其中Q3为四分之三分位点,Q1为四分之一分位点,对高于该阈值的历史传感数据进行过滤。
4.根据权利要求2所述的一种基于人工智能的传感异常数据实时检测方法,其特征在于,所述添补缺失数据处理包括:
若传感数据缺失数量大于设定阈值,则对该组传感数据进行过滤;若传感数据缺失数量小于或等于设定阈值,则对该组传感数据进行插值填充操作。
6.根据权利要求2所述的一种基于人工智能的传感异常数据实时检测方法,其特征在于,所述标注样本处理包括:
针对历史传感数据的每一个特征进行聚类分析,将各项特征聚成正常、异常、介于二者之间不确定三类,并得到划分三类的临界值。当所有特征均满足正常判决阈值,则标定为正常样本;当任意一个特征满足异常判决阈值,则标定为异常样本;其余不确定样本则不标记。
7.根据权利要求1所述的一种基于人工智能的传感异常数据实时检测方法,其特征在于,所述AE-LSTM模型以无监督的方式自动学习历史传感数据中内在的依赖关系,提取数据特征。
8.根据权利要求1所述的一种基于人工智能的传感异常数据实时检测方法,其特征在于,所述AE-LSTM模型输出神经元个数有两个:异常数据和正常数据。
9.根据权利要求1所述的一种基于人工智能的传感异常数据实时检测方法,其特征在于,所述AE-LSTM模型的隐藏层数为一层。
10.根据权利要求1所述的一种基于人工智能的传感异常数据实时检测方法,其特征在于,所采用迁移学习fine-tune方法对AE-LSTM模型调整,得到传感数据异常实时检测模型包括:
采用迁移学习fine-tune方法利用小样本的有标签样本进行网络学习,对AE-LSTM模型微调整,增强网络对不确定样本的学习。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010191450.9A CN111582298A (zh) | 2020-03-18 | 2020-03-18 | 一种基于人工智能的传感异常数据实时检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010191450.9A CN111582298A (zh) | 2020-03-18 | 2020-03-18 | 一种基于人工智能的传感异常数据实时检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111582298A true CN111582298A (zh) | 2020-08-25 |
Family
ID=72111448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010191450.9A Pending CN111582298A (zh) | 2020-03-18 | 2020-03-18 | 一种基于人工智能的传感异常数据实时检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582298A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112084237A (zh) * | 2020-09-09 | 2020-12-15 | 广东电网有限责任公司中山供电局 | 一种基于机器学习和大数据分析的电力系统异常预测方法 |
CN112183877A (zh) * | 2020-10-13 | 2021-01-05 | 上海大学 | 一种基于迁移学习的光伏电站故障智能诊断方法 |
CN112232366A (zh) * | 2020-09-09 | 2021-01-15 | 国网上海市电力公司 | 一种基于rfid监测的电气设备故障预警方法及系统 |
CN112444748A (zh) * | 2020-10-12 | 2021-03-05 | 武汉蔚来能源有限公司 | 电池异常检测方法、装置、电子设备及存储介质 |
CN113378967A (zh) * | 2021-06-28 | 2021-09-10 | 哈尔滨工业大学 | 一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法 |
CN113507331A (zh) * | 2021-07-01 | 2021-10-15 | 西北工业大学 | 基于信道状态信息的视距与非视距传输识别方法及装置 |
CN113505857A (zh) * | 2021-08-06 | 2021-10-15 | 红云红河烟草(集团)有限责任公司 | 用于卷烟实时数采的数据异常检测方法 |
CN115025497A (zh) * | 2022-05-26 | 2022-09-09 | 网易(杭州)网络有限公司 | 异常数据检测方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510006A (zh) * | 2018-04-08 | 2018-09-07 | 重庆邮电大学 | 一种基于数据挖掘的企业用电量分析与预测方法 |
CN109710636A (zh) * | 2018-11-13 | 2019-05-03 | 广东工业大学 | 一种基于深度迁移学习的无监督工业系统异常检测方法 |
CN110045209A (zh) * | 2019-05-10 | 2019-07-23 | 广东电网有限责任公司 | 用电数据异常的检测方法、装置、设备及可读存储介质 |
CN110287233A (zh) * | 2019-06-18 | 2019-09-27 | 华北电力大学 | 一种基于深度学习神经网络的系统异常预警方法 |
-
2020
- 2020-03-18 CN CN202010191450.9A patent/CN111582298A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510006A (zh) * | 2018-04-08 | 2018-09-07 | 重庆邮电大学 | 一种基于数据挖掘的企业用电量分析与预测方法 |
CN109710636A (zh) * | 2018-11-13 | 2019-05-03 | 广东工业大学 | 一种基于深度迁移学习的无监督工业系统异常检测方法 |
CN110045209A (zh) * | 2019-05-10 | 2019-07-23 | 广东电网有限责任公司 | 用电数据异常的检测方法、装置、设备及可读存储介质 |
CN110287233A (zh) * | 2019-06-18 | 2019-09-27 | 华北电力大学 | 一种基于深度学习神经网络的系统异常预警方法 |
Non-Patent Citations (4)
Title |
---|
ZHIQIANG QUE: "Real-time Anomaly Detection for Flight Testing using AutoEncoder and LSTM", 《2019 INTERNATIONAL CONFERENCE ON FIELD-PROGRAMMABLE TECHNOLOGY (ICFPT)》 * |
宋万清: "《数据挖掘》", 30 January 2019 * |
田景熙: "《电子政务基础教程》", 30 July 2019 * |
董洪义: "《深度学习之PyTorch物体检测实践》", 30 January 2020 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112084237A (zh) * | 2020-09-09 | 2020-12-15 | 广东电网有限责任公司中山供电局 | 一种基于机器学习和大数据分析的电力系统异常预测方法 |
CN112232366A (zh) * | 2020-09-09 | 2021-01-15 | 国网上海市电力公司 | 一种基于rfid监测的电气设备故障预警方法及系统 |
CN112232366B (zh) * | 2020-09-09 | 2024-04-16 | 国网上海市电力公司 | 一种基于rfid监测的电气设备故障预警方法及系统 |
CN112444748A (zh) * | 2020-10-12 | 2021-03-05 | 武汉蔚来能源有限公司 | 电池异常检测方法、装置、电子设备及存储介质 |
CN112183877A (zh) * | 2020-10-13 | 2021-01-05 | 上海大学 | 一种基于迁移学习的光伏电站故障智能诊断方法 |
CN113378967A (zh) * | 2021-06-28 | 2021-09-10 | 哈尔滨工业大学 | 一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法 |
CN113378967B (zh) * | 2021-06-28 | 2022-11-08 | 哈尔滨工业大学 | 一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法 |
CN113507331A (zh) * | 2021-07-01 | 2021-10-15 | 西北工业大学 | 基于信道状态信息的视距与非视距传输识别方法及装置 |
CN113505857A (zh) * | 2021-08-06 | 2021-10-15 | 红云红河烟草(集团)有限责任公司 | 用于卷烟实时数采的数据异常检测方法 |
CN115025497A (zh) * | 2022-05-26 | 2022-09-09 | 网易(杭州)网络有限公司 | 异常数据检测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582298A (zh) | 一种基于人工智能的传感异常数据实时检测方法 | |
CN113935406B (zh) | 基于对抗流模型的机械设备无监督故障诊断方法 | |
CN110059357B (zh) | 一种基于自编码网络的智能电能表故障分类检测方法及系统 | |
CN106595551B (zh) | 基于深度学习的输电线路覆冰图像中覆冰厚度检测方法 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN106709816B (zh) | 基于非参数回归分析的电力负荷异常数据识别与修正方法 | |
CN111710150A (zh) | 一种基于对抗自编码网络的异常用电数据检测方法 | |
CN110619479B (zh) | 光伏组件的故障判别模型建模方法及故障判别方法 | |
CN109472097B (zh) | 一种输电线路在线监测设备故障诊断方法 | |
CN104571079A (zh) | 一种基于多传感器信息融合的无线远程故障诊断系统 | |
CN114239377A (zh) | 一种城轨机电设备健康状态评估方法、系统及存储介质 | |
CN112508429A (zh) | 一种基于卷积神经网络的埋地管道阴极保护系统故障诊断方法 | |
CN112485597A (zh) | 基于多源数据的电力系统输电线路故障诊断方法及系统 | |
CN115982663A (zh) | 一种新能源风机设备的故障预警系统 | |
CN115750228A (zh) | 一种风电机组变桨系统故障预警方法 | |
CN114581699A (zh) | 考虑多源信息时基于深度学习模型的变压器状态评估方法 | |
CN117131022B (zh) | 一种电力信息系统的异构数据迁移方法 | |
CN117787698A (zh) | 基于供电范围最大化的微网风险评估方法及系统 | |
CN110782431B (zh) | 一种基于深度学习的高压电线结冰区域检测方法 | |
CN111539381A (zh) | 风力发电机轴承故障分类诊断模型的构建方法 | |
Wei et al. | Deep Belief network based faulty feeder detection of single-phase ground fault | |
CN115659778A (zh) | 风力发电机轴承故障诊断模型在线构建方法及在线更新设备 | |
CN115114990A (zh) | 一种基于图神经网络的配电网络状态在线检测方法 | |
CN114358176A (zh) | 一种基于lof算法的风电站原始风电数据质量控制的方法 | |
CN113033088A (zh) | 基于深度子域适配迁移网络的风力发电机系统故障诊断方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200825 |