CN112132430B - 一种配电主设备分布式状态传感器可靠性评估方法及系统 - Google Patents
一种配电主设备分布式状态传感器可靠性评估方法及系统 Download PDFInfo
- Publication number
- CN112132430B CN112132430B CN202010963001.1A CN202010963001A CN112132430B CN 112132430 B CN112132430 B CN 112132430B CN 202010963001 A CN202010963001 A CN 202010963001A CN 112132430 B CN112132430 B CN 112132430B
- Authority
- CN
- China
- Prior art keywords
- model
- sastgcn
- data
- evaluation
- time
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 133
- 230000007246 mechanism Effects 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000010586 diagram Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 80
- 238000012360 testing method Methods 0.000 claims description 64
- 239000011159 matrix material Substances 0.000 claims description 47
- 230000006870 function Effects 0.000 claims description 25
- 238000013210 evaluation model Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 12
- 230000002123 temporal effect Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 6
- 230000008054 signal transmission Effects 0.000 claims description 6
- 244000017020 Ipomoea batatas Species 0.000 claims description 3
- 235000002678 Ipomoea batatas Nutrition 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000004804 winding Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000010219 correlation analysis Methods 0.000 abstract description 5
- 238000013507 mapping Methods 0.000 abstract description 4
- 238000010206 sensitivity analysis Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
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
- G06Q10/06—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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (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)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种配电主设备分布式状态传感器可靠性评估方法及系统，利用基于自注意力机制的时空图卷积神经网络SASTGCN模型，自主提取数据的时空分布特征，建立分布式状态传感器数据与评估值之间的非线性关系，很好的应对可靠性评估存在的非线性、不确定等问题。本发明克服了之前可靠性评估方法中不确定性因素和人的主观因素对评估结果影响较大、计算复杂度高、相关分析和灵敏度分析不够准确等局限性。使用该方法能够准确地捕捉传感器数据中的时空特征，很好地模拟传感器数据与评估值间的复杂映射，建立评估值与传感器数据之间的非线性关系，具有较高的评估精度，在工程上具有较高的实用价值。
Description
技术领域
本发明属于配电网可靠性自感知技术领域，涉及一种配电主设备分布式状态传感器可靠性评估方法及系统。
背景技术
配电网作为连接输电与用户的关键环节，其安全可靠运行对电力系统稳定以及用户体验的重要性不言而喻。在配电网上应用自感知技术，在配电主设备上安装分布式传感装置，是对配电网的运行情况进行全面采集，监测设备状态，实现全生命周期的设备管理的一个重要举措，有利于提高电力系统稳定性和用户体验感。但是一旦传感器装置发生故障，则会对电网安全运行造成严重威胁。
目前还没有一个统一标准全面评估传感器装置可靠性。由于可靠性评估具有非线性、不确定等特点，传统的可靠性评估方法都有一定的局限性，计算复杂度高，相关分析和灵敏度分析不够准确，不确定性因素和人的主观因素对评估结果影响较大。
目前，已有的可靠性评估方法可以分为以下两类：一、采用层次分析法及其改进方法。使用这些方法，不确定性因素和人的主观因素对评估结果影响较大，评估精度不高。二、采用机器学习的方法进行可靠性评估，如马尔可夫模型、贝叶斯网络、决策树和神经网络等。该方法计算复杂度高且难以避免主观因素对模型的影响，导致准确描述高维、复杂、时变数据特征难度增大。
发明内容
为了解决现有技术存在的问题，本发明的目的在于，针对传统可靠性评估方法计算复杂度高，相关分析和灵敏度分析不够准确，不确定性因素和人的主观因素对评估结果影响较大等问题，提供一种配电主设备分布式状态传感器可靠性评估方法及系统。本发明采用具有强大自主特征提取能力的基于自注意力机制的时空图卷积神经网络作为主要架构，对具有复杂动态时空特征的传感器数据进行可靠性评估。该模型通过自主训练来挖掘数据的时空特征，建立评估值与传感器数据之间的非线性关系，完全克服了传统评估方法不确定性因素和人为因素对评估结果的影响较大的、计算复杂度高、相关性分析不够等问题。
本发明采用如下的技术方案：
一种配电主设备分布式状态传感器可靠性评估方法，其特征在于，所述评估方法包括以下步骤：
步骤1：建立待评估的配电主设备分布式状态传感器可靠性评估指标体系，所述指标体系包括4个一级指标，以及各一级指标所属的对应二级指标；
步骤2：采集与步骤1指标体系中每个二级指标相对应的配电主设备分布式状态传感器数据，每一个传感器数据向量的维度与指标体系中二级指标的数量相等；
步骤3：将步骤2采集的传感器数据进行归一化处理，并且分别作为样本数据，并将样本数据分为训练样本、测试样本和评估样本；
步骤4：采用SASTGCN模型，对步骤3所得到的分布式状态传感器数据中的训练样本进行学习，输出为评估值，
其中，SASTGCN为自注意力机制的时空图卷积神经网络；
步骤5：将步骤3中训练样本输入步骤4确定的SASTGCN模型，对SASTGCN模型进行训练，输出评估值，目标函数为
其中，yi为训练样本数据，y期待值为训练样本数据期待值，i为训练样本数据的指标，n为训练样本数据总数目；
步骤6：将步骤3中测试样本输入到步骤5中完成训练的SASTGCN模型进行测试，输出为评估值；
步骤7：对步骤6所得的SASTGCN模型测试结果进行评估，将步骤3中归一化处理后的评估样本的传感器数据作为该评估模型可靠性的测试数据，当测试可靠性的均方差大于设定阈值时，则将SASTGCN模型重新返回步骤5进行训练，当测试可靠性的均方差小于设定阈值时，停止训练，训练结束后的SASTGCN模型作为传感器可靠性评估模型。
所述步骤1中，所述配电主设备分布式状态传感器可靠性评估指标体系包括4个一级指标，分别为技术评估指标、装置性效评估指标、安全性评估指标和装置运行情况评估指标。
配电主设备分布式状态传感器可靠性评估指标体系包括61个二级指标；
技术评估指标所属的二级指标包括设备占空比、节点冗余度、采样频率；
装置能效评估指标所属的二级指标包括发送数据包能耗、功率因数、绕组温升；
安全性评估指标所属的二级指标包括漂移偏差故障、信号传输中断概率；
装置运行情况评估指标所属的二级指标包括端到端时延、节点连通概率。
所述步骤3中，样本数据所分成的训练样本、测试样本和评估样本之间的比例为3：1：1。
训练训练样本数据批量大小设置为64。
所述步骤4中，所述SASTGCN模型包括时空自注意力模块和时空卷积模块，
所述时空自注意力模块使用自注意力机制自适应地捕捉空间和时间维度中传感器数据的内部关联性，内部关联性是指标所对应的传感器数据与最终的评估值之间的关联，使网络将注意力集中在与评估值关联设定范围内的指标对应的传感器数据；
所述时空卷积模块使用图卷积来捕捉传感器数据中的空间特征和标准卷积来描述时间特征；
所述空间特征是传感器数据之间的非线性关联，空间特征是通过SASTGCN训练学习获取；
所述时间特征是传感器数据的周期性变化规律，时间特征是通过SASTGCN训练学习获取。
所述内部关联性的取值范围为0～1。
所述关联设定范围为0.5～1。
所述步骤4中，基于神经网络Pytorch框架实现SASTGCN模型，并测试第K项切比雪夫多项式。
当K＝3时，沿时间维的卷积核大小为3，所有的图卷积层都使用大小为64的卷积核，所有时间维卷积层使用大小为64的卷积核，通过控制时间维卷积的步长调整数据的时间跨度，采用均方误差MSE作为损失函数，通过反向传播使其最小化。
所述步骤5对SASTGCN模型进行训练包括的步骤为：
步骤5.1：将传感器数据定义为无向图G＝(V,E,A)，其中，其中V为|V|＝N个节点的集合；E是一组边，表示节点之间的连通性；A∈RN×N表示图G的邻接矩阵，RN×N为N行N列的方矩阵；
步骤5.2：设在图G上的每个节点检测到F个采样频率一致的时间序列数据，即每个节点在每个时间戳都会产生一个长度为F的特征向量，模型输入为X∈RN×F×T,输出为Y∈RT，其中N为节点个数，F为节点的特征向量的长度，T为输入的T个时间步，Y为输出的评估值；
步骤5.3：将训练样本输入到SASTGCN模型，网络中的时空自注意力模块使用自注意力机制自适应地捕捉时间和空间维度中节点之间的关联性，使网络将注意力集中在与评估值关联范围在0.5～1的指标对应的传感器数据，为图卷积模块准备数据；
在空间维度上，使用自注意力机制自适应地捕捉传感器数据的内部关联性，空间自注意力矩阵为
其中，
为第r个时空块的输入，Cr-1为第r层输入数据的通道数，Tr-1为输入数据的时间维长度，VS∈RN×r,BS∈RN×N,
W4∈Rr×N为学习参数，r为超参数，tanh为激活函数；
将空间自注意力矩阵S进行归一化softmax函数的表示形式为
当计算得到的矩阵S′中有设定行数的值相同，最终得到的评估值则不准确，加入了Frobenius范数惩罚项使模型得到的矩阵S′的每一行的值不同；
其中，|| ||F为矩阵的Frobenius范数，I为单位矩阵；
在时间维度上，由于传感器装置运行时不同时间段的可靠性情况之间存在相关性，不同情况下的相关性也不同，使用自注意力机制来自适应地赋予数据不同的权重：
其中，E为时间自注意力矩阵，
为第r个时空块的输入，Cr-1为第r层输入数据的通道数，Tr-1为输入数据的时间维长度，Ve∈RN×r,be∈RN×N,
U4∈Rr×N为学习参数，r为超参数，tanh为激活函数，E′为E的归一化形式，I为单位矩阵，|| ||F为Frobenius范数；
步骤5.4：通过公式
将空间自注意力模块的输出输入到图卷积模块，
其中，gθ为卷积核，*G表示一个图卷积算子，x为经过自注意力机制处理后的输入数据，L为图的拉普拉斯矩阵，参数θk∈RK为切比雪夫多项式系数，
λmax为拉普拉斯矩阵最大的特征值，IN为单位矩阵，Tk为契比雪夫多项式，
是矩阵对应元素相乘的哈达马积，S′为归一化后的自注意力矩阵；
步骤5.5：通过空间维图卷积操作对数据的空间特征进行建模后，再用标准2维卷积通过公式
和
捕获数据的时间维特征，
其中，
为第r+1层卷积的输入数据，Φ是时间维卷积核的参数，r∈{1,...,l}，其中，l是时空卷积层数,Cr为第r+1层网络的输入数据的通道数，Tr为输入数据时间维长度，*表示一个标准的卷积算子，RELU为激活函数；
经过一层时间维卷积之后，节点的信息被该节点相邻时间片信息更新，而节点及其相邻时间片信息在经过图卷积操作后已包含其相邻节点同时刻的信息；因此，通过一层时空卷积操作之后，就会捕获到数据的时间维和空间维特征以及时空相关性；
步骤5.6：重复步骤5.3、5.4、5.5，时空自注意力模块和时空卷积模块构成了一个总的时空块，设定数目的时空块叠加，进一步提取数据更大范围的动态时空关联性；
步骤5.7：最终的全连接层使用RELU作为激活函数；
步骤5.8：重复步骤5.6、5.7，通过迭代训练不断更新模型参数，直到损失函数即均方差小于0.0001，停止训练。
所述步骤5.3中矩阵S′中设定行数为10～15。
所述步骤5.6中设定数目的时空块小于等于100个。
在所述步骤6和步骤7中，将测试样本输入到完成训练的SASTGCN模型网络中，测试SASTGCN模型网络输出与期望输出的均方误差，通过不断调整自身参数最小化均方误差，当均方误差小于设定阈值时即完成调整自身参数操作，从而得到最终的传感器装置可靠性评估模型。
所述设定阈值为0.0001。
一种配电主设备分布式状态传感器可靠性评估方法的评估系统，所述传感器可靠性评估系统包括传感器数据采集模块、样本数据划分模块、数据归一化处理模块、SASTGCN模型建立模块、SASTGCN模型训练模块、SASTGCN模型测试模块和SASTGCN模型测试结果评估模块，
所述传感器数据采集模块采集配电主设备分布式状态传感器数据；
所述样本数据划分模块根据配电主设备分布式状态传感器可靠性评估指标体系，将步骤1采集的传感器数据作为样本数据，并将样本数据分为训练样本、测试样本和评估样本，传感器数据向量的维度由指标体系决定；
所述数据归一化处理模块对训练样本、测试样本和评估样本的传感器数据进行归一化处理；
所述SASTGCN模型建立模块基于Pytorch框架确定SASTGCN模型，并初始化网络，
其中，SASTGCN为自注意力机制的时空图卷积神经网络；
所述SASTGCN模型训练模块将归一化处理后的训练样本输入确定的SASTGCN模型，对SASTGCN模型进行训练；
所述SASTGCN模型测试模块将归一化处理后的测试样本输入到完成训练的SASTGCN模型进行测试；
所述SASTGCN模型测试结果评估模块根据所得的SASTGCN模型测试结果进行评估，将归一化处理后的评估样本的传感器数据作为该评估模型训练精度的测试数据，最小化网络输出与期望输出的均方误差，当测试精度未达到所需精度时，则将SASTGCN模型重新返回进行训练，当测试精度达到所需精度时，则得出传感器装置可靠性评估模型。
与现有技术相比，本发明的有益效果在于：
(1)本发明采用的是深度学习技术，深度学习方法具有自适应能力，且能把原始数据通过一些非线性的模型转变成为更高层次的，更加抽象的表达，可以很好地应对可靠性评估非线性、不确定等特点；
(2)配电主设备分布式状态传感器数据往往具有高维、时变等复杂时空特征，评估值与传感器数据之间存在复杂的映射关系，可靠性评估具有非线性、不确定等特点。传统的可靠性评估方法都有一定的局限性，计算复杂度高，相关分析和灵敏度分析不够准确，不确定性因素和人的主观因素对评估结果影响较大，评估精度不高。而本发明基于SASTGCN模型的可靠性评估方法可以有效解决以上问题；
(3)本发明采用SASTGCN模型的内部结构，适用于传感器数据复杂度高、时空特性明显、评估值与传感器数据之间存在复杂的映射关系等特点，有助于提高评估精度。
附图说明
图1是配电主设备分布式状态传感器可靠性评估指标体系示意图；
图2是技术评估指标示意图；
图3是装置能效评估指标示意图；
图4是安全性评估指标示意图；
图5是装置运行情况评估指标示意图；
图6是SASTGCN模型网络结构图；
图7是基于SASTGCN模型的可靠性评估模型图；
图8是一种配电主设备分布式状态传感器可靠性评估方法的评估系统的具体工作流程。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例，而不是全部实施例。基于本发明精神，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明的保护范围。
深度学习的概念源于人工神经网络的研究，且能把原始数据通过一些非线性的模型转变成为更高层次的，更加抽象的表达，深度学习方法具有自适应能力，可以很好地应对可靠性评估非线性、不确定等问题。
本发明从评估指标的多样性出发，采用改进的深度学习方法SASTGCN模型对配电主设备分布式状态传感器进行了可靠性评估。首先，全面考虑配电主设备分布式状态传感器装置可靠性因素，从传感器装置原理形式、信号传输等方面开展可靠性研究，构建主设备状态传感器可靠性评估体系。然后，由于自注意力机制更擅长捕捉数据或特征的内部相关性，从而有利于提高评估准确性，所以将自注意力机制加入基于注意力机制的时空图卷积神经网络(ASTGCN)中，提出一种新的可靠性评估模型。该模型不需事先准确地知道评估值与传感器数据间的关联，可以通过对传感器数据特征进行学习，建立评估值与传感器数据之间的非线性关系，可以很好地模拟传感器数据和评估值间的复杂映射，不确定性因素和人的主观因素对评估结果的影响较小。
如图1、图2、图3、图4、图5所示，本实施例的配电主设备分布式状态传感器可靠性评估体系，包含了4个一级指标和61个二级指标。图1为评估体系的4个一级指标，图2、3、4、5分别为4个一级指标对应的二级指标。将所选取的二级性能指标分为两类，第一类为性能指标值越大，传感器越可靠，将该类指标称为正相关指标，如：源节点链路可靠性、信号传输性能、电源供给稳定性、链路能量可用性、平均无故障时间等；第二类为性能指标值越大，传感器越不可靠，将该类指标称为负相关指标，如：信息泄露概率、信道丢包率、信号传输中断概率等。
如图6所示，本实施例的SASTGCN模型网络主要由两部分组成:
1)时空自注意力模块，使用自注意力机制自适应地捕捉空间和时间维度中传感器数据的内部关联性，使网络将注意力集中在更有价值的输入信息上；
2)时空卷积模块，同时使用图卷积来捕捉传感器数据中的空间特征和标准卷积来描述时间特征。最后用一个全连接层，输出评估值。
如图7所示，本实施例的基于SASTGCN模型的可靠性评估模型，使用SASTGCN模型网络对训练样本进行学习，不断迭代更新自身参数，同时对网络进行测试，最小化损失函数，得到最终的可靠性评估模型。
整个评估方法的建立步骤如下：
步骤1：建立待评估的配电主设备分布式状态传感器可靠性评估指标体系，指标体系包括4个一级指标，以及各一级指标所属的对应二级指标；
配电主设备分布式状态传感器可靠性评估指标体系包括4个一级指标，分别为技术评估指标、装置性效评估指标、安全性评估指标和装置运行情况评估指标。
配电主设备分布式状态传感器可靠性评估指标体系包括61个二级指标；
技术评估指标所属的二级指标包括但不限于设备占空比、节点冗余度、采样频率；
装置能效评估指标所属的二级指标包括但不限于发送数据包能耗、功率因数、绕组温升；
安全性评估指标所属的二级指标包括但不限于漂移偏差故障、信号传输中断概率；
装置运行情况评估指标所属的二级指标包括但不限于端到端时延、节点连通概率。
步骤2：采集与步骤1指标体系中每个二级指标相对应的配电主设备分布式状态传感器数据，每一个传感器数据向量的维度与指标体系中二级指标的数量相等；
步骤3：将步骤2采集的传感器数据进行归一化处理，并且分别作为样本数据，并将样本数据分为训练样本、测试样本和评估样本；
样本数据所分成的训练样本、测试样本和评估样本之间的比例为3：1：1。
训练数据批量大小设置为64。
步骤4：采用SASTGCN模型，对步骤3所得到的分布式状态传感器数据中的训练样本进行学习，输出为评估值，
其中，SASTGCN为自注意力机制的时空图卷积神经网络；
SASTGCN模型包括时空自注意力模块和时空卷积模块，
时空自注意力模块使用自注意力机制自适应地捕捉空间和时间维度中传感器数据的内部关联性，内部关联性是指标所对应的传感器数据与最终的评估值之间的关联，使网络将注意力集中在与评估值关联设定范围内的指标对应的传感器数据；内部关联性的取值范围为0～1；关联设定范围为0.5～1。
时空卷积模块使用图卷积来捕捉传感器数据中的空间特征和标准卷积来描述时间特征；
空间特征是传感器数据之间的非线性关联，空间特征是通过SASTGCN训练学习获取；
时间特征是传感器数据的周期性变化规律，时间特征是通过SASTGCN训练学习获取。
基于神经网络Pytorch框架实现SASTGCN模型，并测试第K项切比雪夫多项式。
当K＝3时，沿时间维的卷积核大小为3，所有的图卷积层都使用大小为64的卷积核，所有时间维卷积层使用大小为64的卷积核，通过控制时间维卷积的步长调整数据的时间跨度，采用均方误差MSE作为损失函数，通过反向传播使其最小化。
步骤5：将步骤3中训练样本输入步骤4确定的SASTGCN模型，对SASTGCN模型进行训练，输出评估值，目标函数为
其中，yi为训练样本数据，y期待值为训练样本数据期待值，i为训练样本数据的指标，n为训练样本数据总数目；
步骤5对SASTGCN模型进行训练包括的步骤为：
步骤5.1：将传感器数据定义为无向图G＝(V,E,A)，其中，其中V为|V|＝N个节点的集合；E是一组边，表示节点之间的连通性；A∈RN×N表示图G的邻接矩阵，RN×N为N行N列的方矩阵；
步骤5.2：设在图G上的每个节点检测到F个采样频率一致的时间序列数据，即每个节点在每个时间戳都会产生一个长度为F的特征向量，模型输入为X∈RN×F×T,输出为Y∈RT，其中N为节点个数，F为节点的特征向量的长度，T为输入的T个时间步，Y为输出的评估值；
步骤5.3：将训练样本输入到SASTGCN模型，网络中的时空自注意力模块使用自注意力机制自适应地捕捉时间和空间维度中节点之间的关联性，使网络将注意力集中在与评估值关联范围在0.5～1的指标对应的传感器数据，为图卷积模块准备数据；
在空间维度上，使用自注意力机制自适应地捕捉传感器数据的内部关联性，空间自注意力矩阵为
其中，
为第r个时空块的输入，Cr-1为第r层输入数据的通道数，Tr-1为输入数据的时间维长度，VS∈RN×r,BS∈RN×N,
W4∈Rr×N为学习参数，r为超参数，tanh为激活函数；
将空间自注意力矩阵S进行归一化softmax函数的表示形式为
当计算得到的矩阵S′中有设定行数的值相同，最终得到的评估值则不准确，加入了Frobenius范数惩罚项使模型得到的矩阵S′的每一行的值不同；
其中，|| ||F为矩阵的Frobenius范数，I为单位矩阵；
在时间维度上，由于传感器装置运行时不同时间段的可靠性情况之间存在相关性，不同情况下的相关性也不同，使用自注意力机制来自适应地赋予数据不同的权重：
其中，E为时间自注意力矩阵，
为第r个时空块的输入，Cr-1为第r层输入数据的通道数，Tr-1为输入数据的时间维长度，Ve∈RN×r,be∈RN×N,
U4∈Rr×N为学习参数，r为超参数，tanh为激活函数，E′为E的归一化形式，I为单位矩阵，|| ||F为Frobenius范数；
步骤5.4：通过公式
将空间自注意力模块的输出输入到图卷积模块，
其中，gθ为卷积核，*G表示一个图卷积算子，x为经过自注意力机制处理后的输入数据，L为图的拉普拉斯矩阵，参数θk∈RK为切比雪夫多项式系数，
λmax为拉普拉斯矩阵最大的特征值，IN为单位矩阵，Tk为契比雪夫多项式，
是矩阵对应元素相乘的哈达马积，S′为归一化后的自注意力矩阵；
步骤5.5：通过空间维图卷积操作对数据的空间特征进行建模后，再用标准2维卷积通过公式
和
捕获数据的时间维特征，
其中，
为第r+1层卷积的输入数据，Φ是时间维卷积核的参数，r∈{1,...,l}，其中，l是时空卷积层数,Cr为第r+1层网络的输入数据的通道数，Tr为输入数据时间维长度，*表示一个标准的卷积算子，RELU为激活函数；
经过一层时间维卷积之后，节点的信息被该节点相邻时间片信息更新，而节点及其相邻时间片信息在经过图卷积操作后已包含其相邻节点同时刻的信息；因此，通过一层时空卷积操作之后，就会捕获到数据的时间维和空间维特征以及时空相关性；
步骤5.6：重复步骤5.3、5.4、5.5，时空自注意力模块和时空卷积模块构成了一个总的时空块，设定数目的时空块叠加，进一步提取数据更大范围的动态时空关联性，设定数目的时空块小于等于100个；
步骤5.7：最终的全连接层使用RELU作为激活函数；
步骤5.8：重复步骤5.6、5.7，通过迭代训练不断更新模型参数，直到损失函数即均方差小于0.0001，停止训练。
步骤6：将步骤3中测试样本输入到步骤5中完成训练的SASTGCN模型进行测试，输出为评估值；
步骤7：对步骤6所得的SASTGCN模型测试结果进行评估，将步骤3中归一化处理后的评估样本的传感器数据作为该评估模型可靠性的测试数据，当测试可靠性的均方差大于设定阈值时，则将SASTGCN模型重新返回步骤5进行训练，当测试可靠性的均方差小于设定阈值时，停止训练，训练结束后的SASTGCN模型作为传感器可靠性评估模型。
在步骤6和步骤7中，将测试样本输入到完成训练的SASTGCN模型网络中，测试SASTGCN模型网络输出与期望输出的均方误差，通过不断调整自身参数最小化均方误差，当均方误差小于设定阈值时即完成调整自身参数操作，从而得到最终的传感器装置可靠性评估模型。
设定阈值为0.0001。
本申请还同时公开了一种配电主设备分布式状态传感器可靠性评估方法的评估系统，具体工作流程如图8所示。
所述传感器可靠性评估系统包括传感器数据采集模块、样本数据划分模块、数据归一化处理模块、SASTGCN模型建立模块、SASTGCN模型训练模块、SASTGCN模型测试模块和SASTGCN模型测试结果评估模块，
传感器数据采集模块采集配电主设备分布式状态传感器数据；
样本数据划分模块根据配电主设备分布式状态传感器可靠性评估指标体系，将步骤1采集的传感器数据作为样本数据，并将样本数据分为训练样本、测试样本和评估样本，传感器数据向量的维度由指标体系决定；
数据归一化处理模块对训练样本、测试样本和评估样本的传感器数据进行归一化处理；
SASTGCN模型建立模块基于Pytorch框架确定SASTGCN模型，并初始化网络，
其中，SASTGCN为自注意力机制的时空图卷积神经网络；
SASTGCN模型训练模块将归一化处理后的训练样本输入确定的SASTGCN模型，对SASTGCN模型进行训练；
SASTGCN模型测试模块将归一化处理后的测试样本输入到完成训练的SASTGCN模型进行测试；
SASTGCN模型测试结果评估模块根据所得的SASTGCN模型测试结果进行评估，将归一化处理后的评估样本的传感器数据作为该评估模型训练精度的测试数据，最小化网络输出与期望输出的均方误差，当测试精度未达到所需精度时，则将SASTGCN模型重新返回进行训练，当测试精度达到所需精度时，则得出传感器装置可靠性评估模型。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (13)
1.一种配电主设备分布式状态传感器可靠性评估方法，其特征在于，所述评估方法包括以下步骤：
步骤1：建立待评估的配电主设备分布式状态传感器可靠性评估指标体系，所述指标体系包括4个一级指标，以及各一级指标所属的对应二级指标；
其中，一级指标，分别为技术评估指标、装置性效评估指标、安全性评估指标和装置运行情况评估指标；
技术评估指标所属的二级指标包括设备占空比、节点冗余度、采样频率；
装置能效评估指标所属的二级指标包括发送数据包能耗、功率因数、绕组温升；
安全性评估指标所属的二级指标包括漂移偏差故障、信号传输中断概率；
装置运行情况评估指标所属的二级指标包括端到端时延、节点连通概率；
步骤2：采集与步骤1指标体系中每个二级指标相对应的配电主设备分布式状态传感器数据，每一个传感器数据向量的维度与指标体系中二级指标的数量相等；
步骤3：将步骤2采集的传感器数据进行归一化处理，并且分别作为样本数据，并将样本数据分为训练样本、测试样本和评估样本；
步骤4：采用SASTGCN模型，对步骤3所得到的分布式状态传感器数据中的训练样本进行学习，输出为评估值，
其中，SASTGCN为自注意力机制的时空图卷积神经网络；
步骤5：将步骤3中训练样本输入步骤4确定的SASTGCN模型，对SASTGCN模型进行训练，输出评估值，目标函数为
其中，yi为训练样本数据，y期待值为训练样本数据期待值，i为训练样本数据的指标，n为训练样本数据总数目；
步骤5.1：将传感器数据定义为无向图G＝(V,E,A)，其中，其中V为|V|＝N个节点的集合；E是一组边，表示节点之间的连通性；A∈RN×N表示图G的邻接矩阵，RN×N为N行N列的方矩阵；
步骤5.2：设在图G上的每个节点检测到F个采样频率一致的时间序列数据，即每个节点在每个时间戳都会产生一个长度为F的特征向量，模型输入为X∈RN×F×T,输出为Y∈RT，其中N为节点个数，F为节点的特征向量的长度，T为输入的T个时间步，Y为输出的评估值；
步骤5.3：将训练样本输入到SASTGCN模型，网络中的时空自注意力模块使用自注意力机制自适应地捕捉时间和空间维度中节点之间的关联性，使网络将注意力集中在与评估值关联范围在0.5～1的指标对应的传感器数据，为图卷积模块准备数据；
在空间维度上，使用自注意力机制自适应地捕捉传感器数据的内部关联性，空间自注意力矩阵为
其中，
为第r个时空块的输入，Cr-1为第r层输入数据的通道数，Tr-1为输入数据的时间维长度，VS∈RN×r,BS∈RN×N, 
W4∈Rr×N为学习参数，r个时空块定义为本模型的超参数，tanh为激活函数；
将空间自注意力矩阵S进行归一化softmax函数的表示形式为
当计算得到的矩阵S′中有设定行数的值相同，最终得到的评估值则不准确，加入了Frobenius范数惩罚项使模型得到的矩阵S′的每一行的值不同；
其中，|| ||F为矩阵的Frobenius范数，I为单位矩阵；
在时间维度上，由于传感器装置运行时不同时间段的可靠性情况之间存在相关性，不同情况下的相关性也不同，使用自注意力机制来自适应地赋予数据不同的权重：
其中，E为时间自注意力矩阵，
为第r个时空块的输入，Cr-1为第r层输入数据的通道数，Tr-1为输入数据的时间维长度，Ve∈RN×r,be∈RN×N,
U4∈Rr×N为学习参数，r为超参数，tanh为激活函数，E′为E的归一化形式，I为单位矩阵，|| ||F为Frobenius范数；
步骤5.4：通过公式
将空间注意力模块的输出输入到图卷积模块，
其中，gθ为卷积核，*G表示一个图卷积算子，x为经过自注意力机制处理后的输入数据，L为图的拉普拉斯矩阵，参数θk∈RK为切比雪夫多项式系数，
λmax为拉普拉斯矩阵最大的特征值，IN为单位矩阵，Tk为契比雪夫多项式，
是矩阵对应元素相乘的哈达马积，S′为归一化后的空间自注意力矩阵；
步骤5.5：通过空间维图卷积操作对数据的空间特征进行建模后，再用标准2维卷积通过公式
和
捕获数据的时间维特征，
其中，
为第r+1层卷积的输入数据，Φ是时间维卷积核的参数，r∈{1,...,l}，其中，l是时空卷积层数,Cr为第r+1层网络的输入数据的通道数，Tr为输入数据时间维长度，*表示一个标准的卷积算子，RELU为激活函数；
经过一层时间维卷积之后，节点的信息被该节点相邻时间片信息更新，而节点及其相邻时间片信息在经过图卷积操作后已包含其相邻节点同时刻的信息；因此，通过一层时空卷积操作之后，就会捕获到数据的时间维和空间维特征以及时空相关性；
步骤5.6：重复步骤5.3、5.4、5.5，时空自注意力模块和时空卷积模块构成了一个总的时空块，设定数目的时空块叠加，进一步提取数据更大范围的动态时空关联性；
步骤5.7：最终的全连接层使用RELU作为激活函数；
步骤5.8：重复步骤5.6、5.7，通过迭代训练不断更新模型参数，直到损失函数即均方差小于0.0001，停止训练；
步骤6：将步骤3中测试样本输入到步骤5中完成训练的SASTGCN模型进行测试，输出为评估值；
步骤7：对步骤6所得的SASTGCN模型测试结果进行评估，将步骤3中归一化处理后的评估样本的传感器数据作为该评估模型可靠性的测试数据，当测试可靠性的均方差大于设定阈值时，则将SASTGCN模型重新返回步骤5进行训练，当测试可靠性的均方差小于设定阈值时，停止训练，训练结束后的SASTGCN模型作为传感器可靠性评估模型。
2.根据权利要求1所述的一种配电主设备分布式状态传感器可靠性评估方法，其特征在于，
所述步骤3中，样本数据所分成的训练样本、测试样本和评估样本之间的比例为3：1：1。
3.根据权利要求2所述的一种配电主设备分布式状态传感器可靠性评估方法，其特征在于，
训练样本数据批量大小设置为64。
4.根据权利要求1所述的一种配电主设备分布式状态传感器可靠性评估方法，其特征在于，
所述步骤4中，所述SASTGCN模型包括时空自注意力模块和时空卷积模块，
所述时空自注意力模块使用自注意力机制自适应地捕捉空间和时间维度中传感器数据的内部关联性，内部关联性是指标所对应的传感器数据与最终的评估值之间的关联，使网络将注意力集中在与评估值关联设定范围内的指标对应的传感器数据；
所述时空卷积模块使用图卷积来捕捉传感器数据中的空间特征和标准卷积来描述时间特征；
所述空间特征是传感器数据之间的非线性关联，空间特征是通过SASTGCN训练学习获取；
所述时间特征是传感器数据的周期性变化规律，时间特征是通过SASTGCN训练学习获取。
5.根据权利要求4所述的一种配电主设备分布式状态传感器可靠性评估方法，其特征在于，
所述内部关联性的取值范围为0～1。
6.根据权利要求5所述的一种配电主设备分布式状态传感器可靠性评估方法，其特征在于，
所述关联设定范围为0.5～1。
7.根据权利要求1所述的一种配电主设备分布式状态传感器可靠性评估方法，其特征在于，
所述步骤4中，基于神经网络Pytorch框架实现SASTGCN模型，并测试第K项切比雪夫多项式。
8.根据权利要求7所述的一种配电主设备分布式状态传感器可靠性评估方法，其特征在于，
当K＝3时，沿时间维的卷积核大小为3，所有的图卷积层都使用大小为64的卷积核，所有时间维卷积层使用大小为64的卷积核，通过控制时间维卷积的步长调整数据的时间跨度，采用均方误差MSE作为损失函数，通过反向传播使其最小化。
9.根据权利要求1所述的一种配电主设备分布式状态传感器可靠性评估方法，其特征在于，
所述步骤5.3中矩阵S′中设定行数为10～15。
10.根据权利要求1所述的一种配电主设备分布式状态传感器可靠性评估方法，其特征在于，
所述步骤5.6中设定数目的时空块小于等于100个。
11.根据权利要求1所述的一种配电主设备分布式状态传感器可靠性评估方法，其特征在于，
在所述步骤6和步骤7中，将测试样本输入到完成训练的SASTGCN模型网络中，测试SASTGCN模型网络输出与期望输出的均方误差，通过不断调整自身参数最小化均方误差，当均方误差小于设定阈值时即完成调整自身参数操作，从而得到最终的传感器装置可靠性评估模型。
12.根据权利要求11所述的一种配电主设备分布式状态传感器可靠性评估方法，其特征在于，
所述设定阈值为0.0001。
13.一种利用权利要求1-12中任一权利要求所述一种配电主设备分布式状态传感器可靠性评估方法的评估系统，所述传感器可靠性评估系统包括传感器数据采集模块、样本数据划分模块、数据归一化处理模块、SASTGCN模型建立模块、SASTGCN模型训练模块、SASTGCN模型测试模块和SASTGCN模型测试结果评估模块，其特征在于：
所述传感器数据采集模块采集配电主设备分布式状态传感器数据；
所述样本数据划分模块根据配电主设备分布式状态传感器可靠性评估指标体系，将步骤1采集的传感器数据作为样本数据，并将样本数据分为训练样本、测试样本和评估样本，传感器数据向量的维度由指标体系决定；
所述数据归一化处理模块对训练样本、测试样本和评估样本的传感器数据进行归一化处理；
所述SASTGCN模型建立模块基于Pytorch框架确定SASTGCN模型，并初始化网络，
其中，SASTGCN为自注意力机制的时空图卷积神经网络；
所述SASTGCN模型训练模块将归一化处理后的训练样本输入确定的SASTGCN模型，对SASTGCN模型进行训练；
所述SASTGCN模型测试模块将归一化处理后的测试样本输入到完成训练的SASTGCN模型进行测试；
所述SASTGCN模型测试结果评估模块根据所得的SASTGCN模型测试结果进行评估，将归一化处理后的评估样本的传感器数据作为该评估模型训练精度的测试数据，最小化网络输出与期望输出的均方误差，当测试精度未达到所需精度时，则将SASTGCN模型重新返回进行训练，当测试精度达到所需精度时，则得出传感器装置可靠性评估模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010963001.1A CN112132430B (zh) | 2020-09-14 | 2020-09-14 | 一种配电主设备分布式状态传感器可靠性评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010963001.1A CN112132430B (zh) | 2020-09-14 | 2020-09-14 | 一种配电主设备分布式状态传感器可靠性评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112132430A CN112132430A (zh) | 2020-12-25 |
| CN112132430B true CN112132430B (zh) | 2022-09-27 |
Family
ID=73845663
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010963001.1A Active CN112132430B (zh) | 2020-09-14 | 2020-09-14 | 一种配电主设备分布式状态传感器可靠性评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112132430B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112906289B (zh) * | 2021-01-15 | 2023-04-18 | 广西大学 | 一种协调电力系统稳定器与二级电压控制器参数优化方法 |
| CN112651183A (zh) * | 2021-01-19 | 2021-04-13 | 广西大学 | 一种量子分布式对抗统一深度哈希网络的可靠性评估方法 |
| CN113255795B (zh) * | 2021-06-02 | 2021-10-26 | 杭州安脉盛智能技术有限公司 | 一种基于多指标集群分析的设备状态监测方法 |
| CN113762716B (zh) * | 2021-07-30 | 2023-07-25 | 国网山东省电力公司营销服务中心(计量中心) | 基于深度学习和注意力的台区运行状态评估方法及系统 |
| CN115169234B (zh) * | 2022-07-17 | 2023-09-15 | 无锡格策电气有限公司 | 一种基于大数据分析的电力网络可靠性评估方法 |
| CN118552832A (zh) * | 2024-07-30 | 2024-08-27 | 广州英码信息科技有限公司 | 基于标准化流模型的自动训练及部署的产品缺陷检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109977869A (zh) * | 2019-03-27 | 2019-07-05 | 上海海事大学 | 一种基于深度学习的岸桥运行机构状态评估方法 |
| CN110728219A (zh) * | 2019-09-29 | 2020-01-24 | 天津大学 | 基于多列多尺度图卷积神经网络的3d人脸生成方法 |
| CN111259672A (zh) * | 2020-02-12 | 2020-06-09 | 新疆大学 | 基于图卷积神经网络的中文旅游领域命名实体识别方法 |
| CN111274998A (zh) * | 2020-02-17 | 2020-06-12 | 上海交通大学 | 帕金森病手指敲击动作识别方法及系统、存储介质及终端 |
| CN111325099A (zh) * | 2020-01-21 | 2020-06-23 | 南京邮电大学 | 一种基于双流时空图卷积神经网络的手语识别方法及系统 |
| CN111460889A (zh) * | 2020-02-27 | 2020-07-28 | 平安科技（深圳）有限公司 | 一种基于语音及图像特征的异常行为识别方法、装置及设备 |
| CN111553166A (zh) * | 2020-04-05 | 2020-08-18 | 温州大学 | 基于场景认知计算的在线学习者动态模型预测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019178702A1 (en) * | 2018-03-23 | 2019-09-26 | The Governing Council Of The University Of Toronto | Systems and methods for polygon object annotation and a method of training an object annotation system |
| US10789755B2 (en) * | 2018-04-03 | 2020-09-29 | Sri International | Artificial intelligence in interactive storytelling |
| US11694063B2 (en) * | 2018-10-25 | 2023-07-04 | Billips, Inc. | Machine-based prediction of visitation caused by viewing |
-
2020
- 2020-09-14 CN CN202010963001.1A patent/CN112132430B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109977869A (zh) * | 2019-03-27 | 2019-07-05 | 上海海事大学 | 一种基于深度学习的岸桥运行机构状态评估方法 |
| CN110728219A (zh) * | 2019-09-29 | 2020-01-24 | 天津大学 | 基于多列多尺度图卷积神经网络的3d人脸生成方法 |
| CN111325099A (zh) * | 2020-01-21 | 2020-06-23 | 南京邮电大学 | 一种基于双流时空图卷积神经网络的手语识别方法及系统 |
| CN111259672A (zh) * | 2020-02-12 | 2020-06-09 | 新疆大学 | 基于图卷积神经网络的中文旅游领域命名实体识别方法 |
| CN111274998A (zh) * | 2020-02-17 | 2020-06-12 | 上海交通大学 | 帕金森病手指敲击动作识别方法及系统、存储介质及终端 |
| CN111460889A (zh) * | 2020-02-27 | 2020-07-28 | 平安科技（深圳）有限公司 | 一种基于语音及图像特征的异常行为识别方法、装置及设备 |
| CN111553166A (zh) * | 2020-04-05 | 2020-08-18 | 温州大学 | 基于场景认知计算的在线学习者动态模型预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于自注意力门控图卷积网络的特定目标情感分析;陈佳伟等;《计算机应用》;20200810;第2202-2206页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112132430A (zh) | 2020-12-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112132430B (zh) | 一种配电主设备分布式状态传感器可靠性评估方法及系统 | |
| CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
| CN114755745B (zh) | 基于多通道深度残差收缩网络的冰雹天气识别与分类方法 | |
| CN110087207B (zh) | 无线传感器网络缺失数据重建方法 | |
| CN115412947B (zh) | 一种基于数字孪生与ai算法的故障仿真方法和系统 | |
| CN112966714B (zh) | 一种边缘时序数据异常检测和网络可编程控制方法 | |
| CN111273623A (zh) | 基于Stacked LSTM的故障诊断方法 | |
| CN111046961B (zh) | 基于双向长短时记忆单元和胶囊网络的故障分类方法 | |
| CN115618296A (zh) | 一种基于图注意力网络的大坝监测时序数据异常检测方法 | |
| CN116684878B (zh) | 一种5g信息传输数据安全监测系统 | |
| CN116842459B (zh) | 一种基于小样本学习的电能计量故障诊断方法及诊断终端 | |
| CN114048546B (zh) | 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法 | |
| CN114266278A (zh) | 一种基于双重注意力网络的设备剩余使用寿命预测方法 | |
| CN118051827A (zh) | 基于深度学习的电网故障预测方法 | |
| CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
| CN117556347A (zh) | 一种基于工业大数据的电力设备故障预测与健康管理方法 | |
| CN117272196A (zh) | 一种基于时空图注意力网络的工业时序数据异常检测方法 | |
| CN117035013A (zh) | 一种采用脉冲神经网络预测动态网络链路的方法 | |
| CN111814403B (zh) | 一种配电主设备分布式状态传感器可靠性评估方法 | |
| CN115438897A (zh) | 一种基于blstm神经网络的工业过程产品质量预测方法 | |
| 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 | |
| CN118152945A (zh) | 一种基于组件拓扑图的水电站辅助设备故障定位方法 | |
| CN116094758B (zh) | 一种大规模网络流量采集方法及系统 | |
| 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 | |
| CN114548701B (zh) | 面向全量测点耦合结构分析与估计的过程预警方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |