CN111860569A - 一种基于人工智能的电力设备异常检测系统及方法 - Google Patents
一种基于人工智能的电力设备异常检测系统及方法 Download PDFInfo
- Publication number
- CN111860569A CN111860569A CN202010485088.6A CN202010485088A CN111860569A CN 111860569 A CN111860569 A CN 111860569A CN 202010485088 A CN202010485088 A CN 202010485088A CN 111860569 A CN111860569 A CN 111860569A
- Authority
- CN
- China
- Prior art keywords
- data
- power equipment
- lstm model
- temperature
- artificial intelligence
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims abstract description 13
- 230000008878 coupling Effects 0.000 claims abstract description 13
- 238000010168 coupling process Methods 0.000 claims abstract description 13
- 238000005859 coupling reaction Methods 0.000 claims abstract description 13
- 230000006698 induction Effects 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims description 35
- 230000005856 abnormality Effects 0.000 claims description 14
- 239000000758 substrate Substances 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 210000004205 output neuron Anatomy 0.000 claims description 4
- 230000001939 inductive effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000011897 real-time detection Methods 0.000 abstract description 2
- 239000010408 film Substances 0.000 description 9
- 239000000284 extract Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010897 surface acoustic wave method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000010409 thin film Substances 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 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
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K11/00—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00
- G01K11/22—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using measurement of acoustic effects
- G01K11/26—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using measurement of acoustic effects of resonant frequencies
- G01K11/265—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using measurement of acoustic effects of resonant frequencies using surface acoustic wave [SAW]
-
- 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
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Acoustics & Sound (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电力设备异常检测系统及方法，包括：设于电力设备内部的温度传感器，用于感应电力设备内部的温度并生成感应信号；与温度传感器电磁耦合的阅读器，用于通过电磁耦合的方式获取感应信号并生成反馈信号；设置在云端的服务器，用于获取阅读器的反馈信号并转换成相应的温度数据，还用于构建AE‑LSTM模型并基于AE‑LSTM模型对温度数据进行训练，通过AE‑LSTM模型对温度数据进行异常检测。本发明能够实现电力设备异常实时检测，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电力设备异常检测系统及方法。
背景技术
智能电网和物联网的发展均被提升到国家经济发展的战略决策层面。基于物联网的泛在电力物联网能够极大地拓宽现有电力网络的业务范围，提高电力系统的安全性和抗故障能力，改善电力系统现有基础设施利用效率，满足用户对电能质量和可靠性的要求，提高电力系统信息化水平，最终达成智能电网节能減排、兼容互动、安全可靠的目标。
但泛在电力物联网还处在发展初期，存在诸多不足，首先是缺少一个覆盖全网的设备实物标识及全面感知系统。而对电力设备运行状态进行全面、精确的监测对于配电安全及电力系统的可靠性具有特别重要的作用。但是目前针对电力设备的“健康”监测，目前并无通用的解决方案。
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电力设备异常检测系统及方法。
一种基于人工智能的电力设备异常检测系统，包括：
设于电力设备内部的温度传感器，用于感应电力设备内部的温度并生成感应信号；
与温度传感器电磁耦合的阅读器，用于通过电磁耦合的方式获取感应信号并生成反馈信号；
设置在云端的服务器，用于获取阅读器的反馈信号并转换成相应的温度数据，还用于构建AE-LSTM模型并基于AE-LSTM模型对温度数据进行训练，通过AE-LSTM模型对温度数据进行异常检测。
优选的，所述温度传感器采用无线无源柔性薄膜温度传感器，所述无线无源柔性薄膜温度传感器包覆于电力设备内部导电线的外表面。
优选的，所述无线无源柔性薄膜温度传感器包括SAW温度传感器，所述SAW温度传感器包括基板、叉指换能器、反射栅及收发天线，所述叉指换能器、所述反射栅设置于所述所述基板上，所述收发天线与所述叉指换能器相连。
优选的，所述AE-LSTM模型以无监督的方式自动学习温度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。
一种基于人工智能的电力设备异常检测方法，包括：
通过感应电力设备内部的温度并生成感应信号；
通过电磁耦合的方式获取感应信号并生成反馈信号；
获取反馈信号并转换成相应的温度数据；
构建AE-LSTM模型并基于AE-LSTM模型对温度数据进行训练；
通过AE-LSTM模型对温度数据进行异常检测。
优选的，所述AE-LSTM模型以无监督的方式自动学习温度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，所述获取反馈信号并转换成相应的温度数据后还包括：
对温度数据进行预处理。
优选的，所述对温度数据进行预处理包括：
针对温度数据的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。
通过使用本发明，可以实现以下效果：通过设于电力设备内部的温度传感器感应电力设备内部的温度并生成感应信号，通过与温度传感器电磁耦合的阅读器通过电磁耦合的方式获取感应信号并生成反馈信号，通过设置在云端的服务器获取阅读器的反馈信号并转换成相应的温度数据，通过构建AE-LSTM模型并基于AE-LSTM模型对温度数据进行训练，通过AE-LSTM模型对温度数据进行异常检测，从而实现电力设备异常的检测，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电力设备异常检测系统的示意性结构图；
图2是本发明一实施例一种基于人工智能的电力设备异常检测系统中SAW温度传感器的示意性结构图
图3是本发明一实施例一种基于人工智能的电力设备异常检测方法中步骤S1～S5的示意性流程图。
图4是本发明一实施例一种基于人工智能的电力设备异常检测方法中步骤S41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设于电力设备内部的温度传感器感应电力设备内部的温度并生成感应信号，通过与温度传感器电磁耦合的阅读器通过电磁耦合的方式获取感应信号并生成反馈信号，通过设置在云端的服务器获取阅读器的反馈信号并转换成相应的温度数据，通过构建AE-LSTM模型并基于AE-LSTM模型对温度数据进行训练，通过AE-LSTM模型对温度数据进行异常检测，从而实现电力设备异常的检测。
基于以上思想，本发明提出了一种基于人工智能的电力设备异常检测系统，如图1所示，包括：设于电力设备内部的温度传感器，用于感应电力设备内部的温度并生成感应信号；与温度传感器电磁耦合的阅读器，用于通过电磁耦合的方式获取感应信号并生成反馈信号；设置在云端的服务器，用于获取阅读器的反馈信号并转换成相应的温度数据，还用于构建AE-LSTM模型并基于AE-LSTM模型对温度数据进行训练，通过AE-LSTM模型对温度数据进行异常检测。
温度传感器采用无线无源柔性薄膜温度传感器，无线无源柔性薄膜温度传感器包覆于电力设备内部导电线的外表面。温度传感器设于电力设备内部，所生成的感应信号更准确。
如图2所示，无线无源柔性薄膜温度传感器包括SAW温度传感器，所述SAW温度传感器包括基板、叉指换能器IDT、反射栅及收发天线，所述叉指换能器、所述反射栅设置于所述所述基板上，所述收发天线与所述叉指换能器相连。
当在叉指换能器IDT两端加上交变电压时，在叉指电极下面的压电基片的表面及表面附近空间产生交变电场，交变电场经过逆压电效应在压电体表面产生相应的弹性应变，从而激发表面波。声表面波沿压电晶体表面向两边传播，经两侧反射栅反射叠加，经由叉指换能器输出，其谐振频率为：
其中，L为叉指换能器中叉指电极的周期距离，v为声表面波的传播速度。
阅读器通过电磁耦合发射激励信号给SAW温度传感器，SAW温度传感器谐振产生能量，同时SAW温度传感器返回包含频率信息的模拟信号给阅读器，该频率信息与传感器所测温度呈函数关系，阅读器读取模拟信号并发送服务器进行数据转换为数字信号。
在本实施例中，通过电磁耦合的方式采集电力设备内部温度相关的信号，相比于有线连接的方式采集信号，不需要连接线，相比于蓝牙等无线连接的方式采集信号，成本更低。
设置在云端的服务器一方面获取阅读器的反馈信号并转换成相应的温度数据，另一方便还构建AE-LSTM模型并基于AE-LSTM模型对温度数据进行训练，通过AE-LSTM模型对温度数据进行异常检测。
具体的，AE-LSTM模型以无监督的方式自动学习温度传感数据中内在的依赖关系，提取数据特征。由于原始温度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。
设定AE-LSTM模型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。
基于上述实施例一种基于人工智能的电力设备异常检测系统，关于方法实施例，本发明还提出一种基于人工智能的电力设备异常检测方法，如图3所示，包括：
S1：通过感应电力设备内部的温度并生成感应信号；
本实施例中的温度传感器采用无线无源柔性薄膜温度传感器，无线无源柔性薄膜温度传感器包覆于电力设备内部导电线的外表面。温度传感器设于电力设备内部，所生成的感应信号更准确。
S2：通过电磁耦合的方式获取感应信号并生成反馈信号；
阅读器通过电磁耦合发射激励信号给无线无源柔性薄膜温度传感器，无线无源柔性薄膜温度传感器谐振产生能量，同时返回包含频率信息的模拟信号给阅读器。
S3：获取反馈信号并转换成相应的温度数据；
基于无线无源柔性薄膜温度传感器的频率信息与所测温度呈函数关系，阅读器读取模拟信号并发送服务器进行数据转换为数字信号。
S4：构建AE-LSTM模型并基于AE-LSTM模型对温度数据进行训练；
AE-LSTM模型以无监督的方式自动学习温度传感数据中内在的依赖关系，提取数据特征。由于原始温度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。
设定AE-LSTM模型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。
S5：通过AE-LSTM模型对温度数据进行异常检测。
基于上述步骤S1～S4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AE-LSTM模型，即可实现对实时温度传感数据进行异常检测，当温度传感数据存在异常时，则判断该电力设备存在异常。
在一些实施例中，如图4所示，在所述获取反馈信号并转换成相应的温度数据后还包括：S41：对温度数据进行预处理。
针对温度数据的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。
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。
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电力设备异常检测系统，其特征在于，包括：
设于电力设备内部的温度传感器，用于感应电力设备内部的温度并生成感应信号；
与温度传感器电磁耦合的阅读器，用于通过电磁耦合的方式获取感应信号并生成反馈信号；
设置在云端的服务器，用于获取阅读器的反馈信号并转换成相应的温度数据，还用于构建AE-LSTM模型并基于AE-LSTM模型对温度数据进行训练，通过AE-LSTM模型对温度数据进行异常检测。
2.根据权利要求1所述的一种基于人工智能的电力设备异常检测系统，其特征在于，所述温度传感器采用无线无源柔性薄膜温度传感器，所述无线无源柔性薄膜温度传感器包覆于电力设备内部导电线的外表面。
3.根据权利要求1所述的一种基于人工智能的电力设备异常检测系统，其特征在于，所述无线无源柔性薄膜温度传感器包括SAW温度传感器，所述SAW温度传感器包括基板、叉指换能器、反射栅及收发天线，所述叉指换能器、所述反射栅设置于所述所述基板上，所述收发天线与所述叉指换能器相连。
4.根据权利要求1所述的一种基于人工智能的电力设备异常检测系统，其特征在于，所述AE-LSTM模型以无监督的方式自动学习温度传感数据中内在的依赖关系，提取数据特征。
5.根据权利要求1所述的一种基于人工智能的电力设备异常检测系统，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。
6.一种基于人工智能的电力设备异常检测方法，其特征在于，包括：
通过感应电力设备内部的温度并生成感应信号；
通过电磁耦合的方式获取感应信号并生成反馈信号；
获取反馈信号并转换成相应的温度数据；
构建AE-LSTM模型并基于AE-LSTM模型对温度数据进行训练；
通过AE-LSTM模型对温度数据进行异常检测。
7.根据权利要求6所述的一种基于人工智能的电力设备异常检测方法，其特征在于，所述AE-LSTM模型以无监督的方式自动学习温度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6所述的一种基于人工智能的电力设备异常检测方法，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6～8所述的一种基于人工智能的电力设备异常检测方法，其特征在于，所述获取反馈信号并转换成相应的温度数据后还包括：
对温度数据进行预处理。
10.根据权利要求9所述的一种基于人工智能的电力设备异常检测方法，其特征在于，所述对温度数据进行预处理包括：
针对温度数据的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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010485088.6A CN111860569A (zh) | 2020-06-01 | 2020-06-01 | 一种基于人工智能的电力设备异常检测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010485088.6A CN111860569A (zh) | 2020-06-01 | 2020-06-01 | 一种基于人工智能的电力设备异常检测系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111860569A true CN111860569A (zh) | 2020-10-30 |
Family
ID=72985322
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010485088.6A Pending CN111860569A (zh) | 2020-06-01 | 2020-06-01 | 一种基于人工智能的电力设备异常检测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111860569A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108063698A (zh) * | 2017-12-15 | 2018-05-22 | 东软集团股份有限公司 | 设备异常检测方法和装置、程序产品及存储介质 |
| CN109408552A (zh) * | 2018-08-08 | 2019-03-01 | 南京航空航天大学 | 基于lstm-ae深度学习框架的民机系统故障监测与识别方法 |
| CN109814527A (zh) * | 2019-01-11 | 2019-05-28 | 清华大学 | 基于lstm循环神经网络工业设备故障预测方法及装置 |
| US20190286506A1 (en) * | 2018-03-13 | 2019-09-19 | Nec Laboratories America, Inc. | Topology-inspired neural network autoencoding for electronic system fault detection |
| US20190324068A1 (en) * | 2018-04-20 | 2019-10-24 | Nec Laboratories America, Inc. | Detecting anomalies in a plurality of showcases |
| CN110378392A (zh) * | 2019-06-26 | 2019-10-25 | 华东师范大学 | 一种基于lstm-ae的室内老人状态监测方法 |
| US20190384239A1 (en) * | 2018-06-15 | 2019-12-19 | Johnson Controls Technology Company | Adaptive selection of machine learning/deep learning model with optimal hyper-parameters for anomaly detection of connected chillers |
| US20190391574A1 (en) * | 2018-06-25 | 2019-12-26 | Nec Laboratories America, Inc. | Early anomaly prediction on multi-variate time series data |
| CN110689075A (zh) * | 2019-09-26 | 2020-01-14 | 北京工业大学 | 基于多算法融合的制冷设备的自适应阈值的故障预测方法 |
| CN210180558U (zh) * | 2019-06-28 | 2020-03-24 | 浙江荷清柔性电子技术有限公司 | 基于saw谐振的电缆中间接头测温装置及电缆中间接头 |
| CN111060221A (zh) * | 2019-12-31 | 2020-04-24 | 云领电气智能科技(苏州)有限公司 | 基于循环神经网络的变压器过热故障预警方法 |
-
2020
- 2020-06-01 CN CN202010485088.6A patent/CN111860569A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108063698A (zh) * | 2017-12-15 | 2018-05-22 | 东软集团股份有限公司 | 设备异常检测方法和装置、程序产品及存储介质 |
| US20190286506A1 (en) * | 2018-03-13 | 2019-09-19 | Nec Laboratories America, Inc. | Topology-inspired neural network autoencoding for electronic system fault detection |
| US20190324068A1 (en) * | 2018-04-20 | 2019-10-24 | Nec Laboratories America, Inc. | Detecting anomalies in a plurality of showcases |
| US20190384239A1 (en) * | 2018-06-15 | 2019-12-19 | Johnson Controls Technology Company | Adaptive selection of machine learning/deep learning model with optimal hyper-parameters for anomaly detection of connected chillers |
| US20190391574A1 (en) * | 2018-06-25 | 2019-12-26 | Nec Laboratories America, Inc. | Early anomaly prediction on multi-variate time series data |
| CN109408552A (zh) * | 2018-08-08 | 2019-03-01 | 南京航空航天大学 | 基于lstm-ae深度学习框架的民机系统故障监测与识别方法 |
| CN109814527A (zh) * | 2019-01-11 | 2019-05-28 | 清华大学 | 基于lstm循环神经网络工业设备故障预测方法及装置 |
| CN110378392A (zh) * | 2019-06-26 | 2019-10-25 | 华东师范大学 | 一种基于lstm-ae的室内老人状态监测方法 |
| CN210180558U (zh) * | 2019-06-28 | 2020-03-24 | 浙江荷清柔性电子技术有限公司 | 基于saw谐振的电缆中间接头测温装置及电缆中间接头 |
| CN110689075A (zh) * | 2019-09-26 | 2020-01-14 | 北京工业大学 | 基于多算法融合的制冷设备的自适应阈值的故障预测方法 |
| CN111060221A (zh) * | 2019-12-31 | 2020-04-24 | 云领电气智能科技(苏州)有限公司 | 基于循环神经网络的变压器过热故障预警方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108593260B (zh) | 光缆线路故障定位和检测方法及终端设备 | |
| CN115170000B (zh) | 一种基于电能表通信模块的远程监测方法及系统 | |
| CN110261746B (zh) | 基于振荡波电压周期衰减特性的电缆缺陷检测方法 | |
| CN103868580B (zh) | 基于光纤的输电导线微风振动监测数字传感器及监测方法 | |
| CN113297797A (zh) | 一种基于XGBoost的电子式互感器量测误差状态评估方法及装置 | |
| CN112880750A (zh) | 一种变压器多维度综合在线监测智能诊断系统 | |
| Khan et al. | End-to-end partial discharge detection in power cables via time-domain convolutional neural networks | |
| CN113138005A (zh) | 基于特征提取和神经网络的车辆随机载荷模式识别系统 | |
| CN114993669A (zh) | 多传感器信息融合的传动系统故障诊断方法及系统 | |
| CN110487917A (zh) | 一种基于神经网络的应力波检测与分析系统 | |
| CN113607325A (zh) | 一种钢结构螺栓群松动定位智能监测方法及系统 | |
| CN116028791A (zh) | 一种基于超声导波和卷积神经网络的钢绞线应力识别方法 | |
| CN115575811A (zh) | 一种断路器电寿命预测评估方法、系统、存储介质及设备 | |
| CN117764980A (zh) | 基于红外多特征融合的复合材料缺陷自动识别与度量方法 | |
| CN111860569A (zh) | 一种基于人工智能的电力设备异常检测系统及方法 | |
| CN113092044B (zh) | 一种基于加权水平可见图的旋转机械故障诊断方法 | |
| CN110441707A (zh) | 一种锂离子电池健康状态声发射检测系统及方法 | |
| CN117056865B (zh) | 一种基于特征融合的机泵设备运行故障诊断方法及装置 | |
| Tao et al. | A structural monitoring data processing model based on signal musicalization | |
| CN112881879A (zh) | 一种高压电缆终端局部放电模式识别方法、装置及设备 | |
| CN114492146B (zh) | 基于迁移学习的螺栓群松动定位和定量分析方法及系统 | |
| CN117194958A (zh) | 一种基于深度学习的环网柜电缆局部放电的故障检测方法 | |
| CN114595733B (zh) | 基于长短期记忆网络的桥梁拉索断丝信号识别方法及系统 | |
| Sekatane et al. | Time reversal vs. integration of time reversal with convolution neural network in diagnosing partial discharge in power transformer | |
| CN116090328A (zh) | 一种电压互感器运行性能趋势预测方法与系统 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20201224 Address after: 310052 building B, 701 Jianghui Road, Binjiang District, Hangzhou City, Zhejiang Province Applicant after: Innovation and entrepreneurship center of State Grid Zhejiang Electric Power Co.,Ltd. Applicant after: STATE GRID ZHEJIANG ELECTRIC POWER CO., LTD. NINGBO POWER SUPPLY Co. Applicant after: State Grid Zhejiang Electric Power Co., Ltd. Ningbo Zhenhai Power Supply Co. Address before: 315000 No. 1408 Liyuan North Road, Haishu District, Ningbo City, Zhejiang Province Applicant before: STATE GRID ZHEJIANG ELECTRIC POWER CO., LTD. NINGBO POWER SUPPLY Co. Applicant before: State Grid Zhejiang Electric Power Co., Ltd. Ningbo Zhenhai Power Supply Co. |
|
| TA01 | Transfer of patent application right |