CN112418398A - 电力信息设备安全监测方法 - Google Patents

电力信息设备安全监测方法 Download PDF

Info

Publication number
CN112418398A
CN112418398A CN202011308181.6A CN202011308181A CN112418398A CN 112418398 A CN112418398 A CN 112418398A CN 202011308181 A CN202011308181 A CN 202011308181A CN 112418398 A CN112418398 A CN 112418398A
Authority
CN
China
Prior art keywords
information equipment
observation
power information
future
safety monitoring
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.)
Withdrawn
Application number
CN202011308181.6A
Other languages
English (en)
Inventor
王月娟
潘伟
景栋盛
朱斐
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.)
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
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 Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority to CN202011308181.6A priority Critical patent/CN112418398A/zh
Publication of CN112418398A publication Critical patent/CN112418398A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明涉及一种电力信息设备安全监测方法，其包括以下步骤：信息轮询采集、提取观测特征、浅层认识环境、预测未来状态、计算损失值、设定奖赏函数、最小化损失函数。本发明利用收集到的部分系统观测信息，对设备未来状态进行预测和评估，进而判断当前网络系统中各节点设备是否安全，其利用好奇心机制作为切入点，能够减少随机环境和白噪声等干扰因素造成的影响，使得智能体能在部分可观测环境下进行有效探索。

Description

电力信息设备安全监测方法
技术领域
本发明涉及一种针对智能电力信息设备的安全漏洞和隐患进行检测的方法，尤其是适用于预测智能电力信息网络中设备故障的方法，即涉及一种电力信息设备安全监测方法。
背景技术
智能电网是建立在集成的、高速双向通信网络基础上的，其通过先进的传感和测量技术、先进的设备技术、先进的控制方法以及先进的决策支持系统技术的应用，实现电网的可靠、安全、经济、高效、环境友好和使用安全的目标。智能电网通过信息技术、传感器技术、自动控制技术与电网基础设施有机融合，可获取电网的信息，通过智能方法，及时发现、预见可能发生的故障。通过推进智能电网，可以使电力工业逐步转向技术化、知识化和集约化，最终实现电力生产的自动化和管理的信息化，提高企业的运营效率，使电力资源得到合理的运用，从而降低生产成本。电力信息设备是在智能电网系统中用于执行保证电网安全稳定运行、电网调度、生产管理、经营管理、巡检线路等任务的设备。智能电网通过由这些电力信息设备所构成的电力信息网络来实现有效的监测、控制和管理。
近年来，电力信息网络规模越来越大，网络拓扑结构也越来越复杂，很多地方暴露出安全漏洞和隐患。另一方面，由于网络规模庞大，采用常规的轮询检测方式只能获得部分设备的状态信息，无法获得所有设备的状态信息；并且电力信息网络在运行过程中也会随时发生动态变化，因此，需要以全局状态信息为控制基础的传统检测方法往往会失效。
强化学习是一类能从实际环境数据中学习的机器学习方法，在自动控制等领域获得了较为广泛的应用。强化学习中的Q学习方法能够以较小的计算成本实现根据网络状态动态调整策略。但是，由于传统Q学习使用了最大化的估计器来进行函数的估计，因此会产生最大化偏差，导致直接使用Q学习方法在高随机网络中学习到的值函数被高估，不仅影响学习速率，而且会导致性能较差。Q学习方法以马尔可夫决策过程模型为基础。马尔可夫决策过程模型根据系统当前实际状态做出决策。部分可观测马尔可夫决策过程模型是马尔可夫决策过程模型的扩展，仅要求系统部分可观测即可进行智能预测，依据当前的不完全状态信息做出决策，适用于只有不完全状态信息的系统建模。
随着国家电网信息系统工程的不断实施，信息设备数量日益增多，运维范围不断扩大，原有的监测模式已无法满足实际需求。基于电力信息网络的现状，需要一种智能的监测方法，能够对网络中设备的安全性进行有效的评估，并能预测设备未来的运行状况；同时监测方法能处理规模大、复杂度高的网络，根据网络状态变化及时做出相应的调整，达到保护电力信息设备、抵御攻击、优化运行效率的目的。
发明内容
本发明的目的是提供一种面向信息安全优化、减少干扰因素的影响，能够进行有效探索从而对智能电力信息设备进行有效安全监测的方法。
为达到上述目的，本发明采用的技术方案是：
一种电力信息设备安全监测方法，用于对智能电力信息设备进行安全监测，以预判所述智能电力信息设备是否存在安全隐患，所述电力信息设备安全监测方法包括以下步骤：
步骤1：信息轮询采集：轮询采集网络中各所述智能电力信息设备的信息，所述智能电力信息设备的信息包括节点运行状态、观测数据、动作序列和历史序列；
步骤2：提取观测特征：由所述智能电力信息设备当前时刻的观测数据提取出当前时刻的观测特征；
步骤3：浅层认识环境：由所述当前时刻的观测特征、所述动作序列中上一时刻的动作、上一时刻的内部表示获得用于浅层认识环境的当前时刻的内部表示；
步骤4：预测未来状态：利用所述当前时刻的内部表示、所述动作序列中当前时刻之后的未来动作部分进行预测，得到当前时刻的未来观测信息；
步骤5：计算损失值：基于所述当前时刻的未来观测信息和所述观测数据中当前时刻之后的未来数据，利用损失函数计算当前时刻的交叉熵损失值；
步骤6：设定奖赏函数：利用当前时刻的交叉熵损失值、上一时刻的交叉熵损失值建立用于反映较交叉熵损失值变化规律的奖赏函数；
步骤7：最小化损失函数：迭代计算所述损失函数，使所述损失函数最小化，从而依据迭代计算过程和结果对所述智能电力信息设备进行预测，判断所述智能电力信息设备是否安全。
所述步骤1中，所述节点运行状态包括关闭、正常运行、异常、无法获取信息、未轮询五种；
所述观测数据以矩阵表示，包括所述智能电力信息设备的、位置和节点运行状态；
所述动作序列包括所述智能电力信息设备所采取的用于改变所述智能电力信息设备的节点安全状态的判断动作，所述智能电力等节点安全状态包括安全、危险、潜在危险、未知四种；
所述历史序列包括从设定的开始时间至当前时刻的所述观测数据和所述动作序列中的部分动作。
所述步骤2中，使用卷积神经网络层提取出所述当前时刻的观测特征。
所述卷积神经网络层为三层卷积神经网络，其中第一层卷积使用3×3卷积核，步长为1，第二层卷积使用3×3卷积核，步长为2，第三层卷积使用3×3卷积核，步长为2。
所述步骤3中，使用门控循环单元获得所述当前时刻的内部表示。
所述步骤4中，利用多层感知器得到所述当前时刻的未来观测信息。
所述多层感知器由两个全连接层构成。
所述步骤5中，所述损失函数为：
Figure BDA0002788894010000031
其中，Lt+k|t为当前时刻t的交叉熵损失值，dt+k为所述观测数据中当前时刻t之后的未来数据，
Figure BDA0002788894010000032
为当前时刻t的未来观测信息。
所述步骤6中，所述奖赏函数为：
Figure BDA0002788894010000033
其中，
Figure BDA0002788894010000034
为当前时刻t的奖赏函数值，Lt+k|t-1为上一时刻t-1的交叉熵损失值，Lt+k|t为当前时刻t的交叉熵损失值。
由于上述技术方案运用，本发明与现有技术相比具有下列优点：本发明利用收集到的部分系统观测信息，对设备未来状态进行预测和评估，进而判断当前网络系统中各节点设备是否安全，能够减少随机环境和白噪声等干扰因素造成的影响，使得智能体能在部分可观测环境下进行有效探索。
附图说明
附图1为本发明中得到未来观测信息的系统流程示意图。
附图2为本发明中得到未来观测信息的网络处理示意图。
附图3为本发明所采用的系统结构示意图。
具体实施方式
下面结合附图所示的实施例对本发明作进一步描述。
实施例一：一种用于对智能电力信息设备进行安全监测，以预判智能电力信息设备是否存在安全隐患的电力信息设备安全监测方法，其以下步骤：
步骤1：信息轮询采集。
轮询采集网络中各智能电力信息设备的信息，轮询采集到的智能电力信息设备的信息包括节点运行状态ES、观测数据D、动作序列T和历史序列H。
节点运行状态ES可能是以下五种情况之一：关闭、正常运行、异常、无法获取信息、未轮询，各状态分别表示：
关闭：设备处于关闭状态；用数字0表示；
正常运行：设备正在运行中，且运行状态正常；用数字1表示；
异常：设备处于运行状态，但显示状态异常；用数字2表示；
无法获取信息：在本次轮询中，设备未在规定时间内返回状态信息；用数字3表示；
未轮询：本次轮询中，未要求该设备返回状态；用数字4表示。
观测数据D描述了设备的状态，以矩阵表示，每一个元素包括了智能电力信息设备的EID、位置EP和节点运行状态ES。
动作序列T描述了采取的判断节点安全状态的动作ut，即动作序列T包括智能电力信息设备所采取的用于改变智能电力信息设备的节点安全状态的判断动作；智能电力等节点安全状态包括安全、危险、潜在危险、未知四种，各状态分别表示：
安全：无影响；
危险：暂停运行，进一步检查；
潜在危险：继续运行，但仅启用必要功能，检查后确认；
未知：继续运行，但需进一步观察。
则采取相应动作后，设备节点的下一个安全状态可能是安全、危险、潜在危险、未知四种状态中的任意一种。
历史序列H描述了从某个设定开始时间到当前时刻t的观测数据和动作，即历史序列H包括了从设定的开始时间至当前时刻t的观测数据和动作序列中的部分动作。
步骤2：提取观测特征。
使用卷积神经网络层由智能电力信息设备当前时刻的观测数据提取出当前时刻的观测特征。具体的，使用卷积神经网络层COZ对当前时刻t的观测数据，即第t次观测数据dt进行特征提取的操作，提取出当前时刻t的观测特征oft。其中，使用的卷积神经网络层COZ为三层卷积神经网络，其中第一层卷积使用3×3卷积核，步长为1，第二层卷积使用3×3卷积核，步长为2，第三层卷积使用3×3卷积核，步长为2，最后经过一个全连接层。则特征计算公式为：
oft＝COZ(dt)
步骤3：浅层认识环境。
使用门控循环单元由当前时刻的观测特征、动作序列中上一时刻的动作、上一时刻的内部表示获得用于浅层认识环境的当前时刻的内部表示。具体的，使用门控循环单元GUG(经过一个128单元的门控循环单元))对构造内部表示，由当前时刻t的观测特征oft，动作序列中上一时刻t-1的动作ut-1，以及上一时刻t-1的内部表示net-1作为输入，得到当前时刻t的内部表示net＝GUG(net-1,oft,ut-1)，使得对环境有一个大致的浅层认识。
步骤4：预测未来状态。
利用当前时刻的内部表示、动作序列中当前时刻之后的未来动作部分进行预测，得到当前时刻的未来观测信息。其中，动作序列T中当前时刻之后的未来动作部分即未来动作序列Tt:t+k＝(ut,...,ut+k-1)。
在对世界环境有了一个大致浅层认识后，通过当前时刻t的内部表示net，并从样本中获取的动作序列中当前时刻t之后，即未来时刻t+k的未来动作序列Tt:t+k，利用由两个全连接层构成的多层感知器MLM对未来进行预测，得到当前时刻t的未来观测信息
Figure BDA0002788894010000051
具体计算公式为：
Figure BDA0002788894010000052
其中，经过两个全连接网络层的第一层为64个隐藏单元，第二层为25个单元。
这样，首先对环境进行了解，然后利用未来动作去估计未来，进一步对环境进行探索，即可利用未来观测信息来对目前观测进行危险性分析。对于未来观测信息
Figure BDA0002788894010000053
的获取流程如附图1和附图2所示。
步骤5：计算损失值。
在对环境进行了解并且进行预测后得到未来观测信息
Figure BDA0002788894010000054
从样本获取未来观测dt+k，并在当前时刻t计算得到交叉熵损失Lt+k|t值，用于衡量预测的准确性。即基于当前时刻t的未来观测信息
Figure BDA0002788894010000055
和观测数据中当前时刻t之后，即未来时刻t+k的未来数据，利用损失函数计算当前时刻t的交叉熵损失值。损失函数为：
Figure BDA0002788894010000056
其中，Lt+k|t为当前时刻t的交叉熵损失值，dt+k为观测数据中当前时刻t之后的未来数据，
Figure BDA0002788894010000057
为当前时刻t的未来观测信息。
步骤6：设定奖赏函数。
根据环境设定、利用损失函数来设定奖赏函数，可以使得动作更有利于预测。利用当前时刻的交叉熵损失值(即损失函数Lt+k|t)、上一时刻t-1的交叉熵损失值建立用于反映较交叉熵损失值变化规律的奖赏函数。奖赏函数为：
Figure BDA0002788894010000061
其中，
Figure BDA0002788894010000062
为当前时刻t的奖赏函数值，表示上一时刻t-1与当前时刻t关于未来时刻t+k的损失对比；Lt+k|t-1为上一时刻t-1的交叉熵损失值，表示具有最新观测数据dt对未来时刻t+k的观测的损失；Lt+k|t为当前时刻t的交叉熵损失值，表示不具有最新观测数据dt对未来时刻t+k的观测的损失。
步骤7：最小化损失函数。
迭代计算损失函数，使损失函数最小化，从而依据迭代计算过程和结果对设备进行预测，判断智能电力信息设备是否安全。
在上述技术步骤中，步骤1主要工作是对数据的收集，步骤2、3对数据进行处理，利用降维，提取等数据对环境进行一个浅层的认识，学习出来一个浅层的内部表示。由于在对环境的探索中，很难对当前动作导致的观测进行有效的了解，也就很难去判别当前观测或者当前动作的危险程度，步骤4利用未来观测来对当前观测进行分析，并以此对当前观测进行全面性了解。在预测的过程中，对奖赏函数的设置尤为重要，步骤6中对损失函数进行编码，利用其作为奖励信号，有利于对智能体(智能电力信息设备)进行更有效的预测，并且学会利用所获得的信息去对世界进行更深层次的了解。
在智能体访问到干扰信息时，两个相似程度大的损失函数会导致一个小的奖励，这样智能体也会意识到无法获得有效信息。本发明利用两个损失函数的差值作为奖赏，可以有效避免当前观测dt访问到干扰信息。
上述方法可以利用如附图3所示的系统实现，该系统包括数据收集模块、网络模型模块和动作探索模块，其中数据收集模块用于实现步骤1、2，网络模型模块用于实现步骤3、4，动作探索模块用于实现步骤5至7。
本发明的发明目的是利用收集到的部分系统信息，并对未来进行预测和评估，进而判断当前网络系统中各节点设备状态是否安全，预判网络中节点设备是否存在安全隐患。本发明提供了一种面向安全信息优化下的探索方法，减少随机环境和白噪声等干扰因素造成的影响，使得智能体能在部分可观测环境下进行有效探索。
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种电力信息设备安全监测方法，用于对智能电力信息设备进行安全监测，以预判所述智能电力信息设备是否存在安全隐患，其特征在于：所述电力信息设备安全监测方法包括以下步骤：
步骤1：信息轮询采集：轮询采集网络中各所述智能电力信息设备的信息，所述智能电力信息设备的信息包括节点运行状态、观测数据、动作序列和历史序列；
步骤2：提取观测特征：由所述智能电力信息设备当前时刻的观测数据提取出当前时刻的观测特征；
步骤3：浅层认识环境：由所述当前时刻的观测特征、所述动作序列中上一时刻的动作、上一时刻的内部表示获得用于浅层认识环境的当前时刻的内部表示；
步骤4：预测未来状态：利用所述当前时刻的内部表示、所述动作序列中当前时刻之后的未来动作部分进行预测，得到当前时刻的未来观测信息；
步骤5：计算损失值：基于所述当前时刻的未来观测信息和所述观测数据中当前时刻之后的未来数据，利用损失函数计算当前时刻的交叉熵损失值；
步骤6：设定奖赏函数：利用当前时刻的交叉熵损失值、上一时刻的交叉熵损失值建立用于反映较交叉熵损失值变化规律的奖赏函数；
步骤7：最小化损失函数：迭代计算所述损失函数，使所述损失函数最小化，从而依据迭代计算过程和结果对所述智能电力信息设备进行预测，判断所述智能电力信息设备是否安全。
2.根据权利要求1所述的电力信息设备安全监测方法，其特征在于：所述步骤1中，所述节点运行状态包括关闭、正常运行、异常、无法获取信息、未轮询五种；
所述观测数据以矩阵表示，包括所述智能电力信息设备的、位置和节点运行状态；
所述动作序列包括所述智能电力信息设备所采取的用于改变所述智能电力信息设备的节点安全状态的判断动作，所述智能电力等节点安全状态包括安全、危险、潜在危险、未知四种；
所述历史序列包括从设定的开始时间至当前时刻的所述观测数据和所述动作序列中的部分动作。
3.根据权利要求1所述的电力信息设备安全监测方法，其特征在于：所述步骤2中，使用卷积神经网络层提取出所述当前时刻的观测特征。
4.根据权利要求3所述的电力信息设备安全监测方法，其特征在于：所述卷积神经网络层为三层卷积神经网络，其中第一层卷积使用3×3卷积核，步长为1，第二层卷积使用3×3卷积核，步长为2，第三层卷积使用3×3卷积核，步长为2。
5.根据权利要求1所述的电力信息设备安全监测方法，其特征在于：所述步骤3中，使用门控循环单元获得所述当前时刻的内部表示。
6.根据权利要求1所述的电力信息设备安全监测方法，其特征在于：所述步骤4中，利用多层感知器得到所述当前时刻的未来观测信息。
7.根据权利要求6所述的电力信息设备安全监测方法，其特征在于：所述多层感知器由两个全连接层构成。
8.根据权利要求1所述的电力信息设备安全监测方法，其特征在于：所述步骤5中，所述损失函数为：
Figure FDA0002788891000000021
其中，Lt+k|t为当前时刻t的交叉熵损失值，dt+k为所述观测数据中当前时刻t之后的未来数据，
Figure FDA0002788891000000022
为当前时刻t的未来观测信息。
9.根据权利要求1所述的电力信息设备安全监测方法，其特征在于：所述步骤6中，所述奖赏函数为：
Figure FDA0002788891000000023
其中，
Figure FDA0002788891000000024
为当前时刻t的奖赏函数值，Lt+k|t-1为上一时刻t-1的交叉熵损失值，Lt+k|t为当前时刻t的交叉熵损失值。
CN202011308181.6A 2020-11-20 2020-11-20 电力信息设备安全监测方法 Withdrawn CN112418398A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011308181.6A CN112418398A (zh) 2020-11-20 2020-11-20 电力信息设备安全监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011308181.6A CN112418398A (zh) 2020-11-20 2020-11-20 电力信息设备安全监测方法

Publications (1)

Publication Number Publication Date
CN112418398A true CN112418398A (zh) 2021-02-26

Family

ID=74773263

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011308181.6A Withdrawn CN112418398A (zh) 2020-11-20 2020-11-20 电力信息设备安全监测方法

Country Status (1)

Country Link
CN (1) CN112418398A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657644A (zh) * 2021-07-09 2021-11-16 南京邮电大学 智能电网中虚假数据检测方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657644A (zh) * 2021-07-09 2021-11-16 南京邮电大学 智能电网中虚假数据检测方法、装置、设备及存储介质
CN113657644B (zh) * 2021-07-09 2024-02-23 南京邮电大学 智能电网中虚假数据检测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Chen et al. Health indicator construction of machinery based on end-to-end trainable convolution recurrent neural networks
Zhao et al. Multiscale graph-guided convolutional network with node attention for intelligent health state diagnosis of a 3-PRR planar parallel manipulator
CN116614177B (zh) 一种光纤状态多维度参量监测系统
Huang et al. A novel Bayesian deep dual network with unsupervised domain adaptation for transfer fault prognosis across different machines
Jiang et al. A multisensor cycle-supervised convolutional neural network for anomaly detection on magnetic flux leakage signals
CN111881594A (zh) 一种核动力设备的非平稳信号状态监测方法及系统
CN112560981A (zh) 生成对抗模型的训练方法、装置、设备、程序和存储介质
Tang et al. Multivariable LS-SVM with moving window over time slices for the prediction of bearing performance degradation
CN116050888A (zh) 应用于智能高压开关柜传感器健康状态评估的方法
CN116520806A (zh) 一种工业系统智能故障诊断系统及其方法
CN116166992A (zh) 基于多特征事件分类的非侵入式负荷分解方法及系统
CN118193954A (zh) 一种基于边缘计算的配电网异常数据检测方法及系统
Kotenko et al. An approach for intelligent evaluation of the state of complex autonomous objects based on the wavelet analysis
CN112418398A (zh) 电力信息设备安全监测方法
CN116714437B (zh) 基于大数据的氢燃料电池汽车安全监控系统及监控方法
Estevao Design and implementation of intelligent fault diagnosis system for construction machinery supporting wireless communication network
CN117036732A (zh) 一种基于融合模型的机电设备检测系统、方法及设备
CN116861214A (zh) 一种基于卷积长短时记忆网络的健康状态识别方法及系统
Zhang et al. A flexible monitoring framework via dynamic-multilayer graph convolution network
CN116311739A (zh) 一种基于长短时记忆网络及环境信息融合的多传感器火灾检测方法
CN115825732A (zh) 特征关联的永磁同步电机驱动系统开路故障智能诊断方法
CN103995528B (zh) 一种功率变换器主电路的智能自修复技术
Lu et al. Relation-aware attentive neural processes model for remaining useful life prediction
Hoffmann et al. Embedding anomaly detection autoencoders for wind turbines
CN111027680A (zh) 基于变分自编码器的监控量不确定性预测方法及系统

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210226