CN112881518B - 一种动态滤波补偿器剩余寿命预测方法 - Google Patents
一种动态滤波补偿器剩余寿命预测方法 Download PDFInfo
- Publication number
- CN112881518B CN112881518B CN202110039506.3A CN202110039506A CN112881518B CN 112881518 B CN112881518 B CN 112881518B CN 202110039506 A CN202110039506 A CN 202110039506A CN 112881518 B CN112881518 B CN 112881518B
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring data
- convolution
- time convolution
- residual
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
- G01N27/90—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws using eddy currents
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
- G01N3/32—Investigating strength properties of solid materials by application of mechanical stress by applying repeated or pulsating forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/40—Arrangements for reducing harmonics
Abstract
本发明实施例提供一种动态滤波补偿器剩余寿命预测方法,包括以下内容:获取监测数据,并对监测数据进行预处理;计算监测数据与剩余使用寿命之间的Spearman相关系数,并设定阈值进行特征筛选,以得到与退化相关的特征筛选后数据;根据特征筛选后数据构建混合注意力时间卷积网络;根据混合注意力时间卷积网络获取预测模型,以根据预测模型获取剩余使用寿命数据。本发明能有效提高预测效率和精度。
Description
技术领域
本发明涉及设备状态监测与寿命预测技术领域,具体涉及一种动态滤波补偿器剩余寿命预测方法。
背景技术
动态滤波补偿器是采用微处理器控制晶闸管投切调谐电容组的全自动动态滤波无功补偿装置,是无功补偿设备的更新换代产品。此类产品采用微处理器无功功率实时监测晶闸管零过渡过程快速投切,谐波电流抑制等先进技术,适合在各种复杂的工业现场环境中应用,可以准确、快速、无暂态扰动地动态无功补偿,有效提高各种用电设备的功率因数,提高电力设备出力,改善电能质量降低线损,实现节能降耗的目的。
动态滤波补偿器的核心组成是电容组,通过传感器对电容组进行数据采集监测,既能够预测动态滤波补偿器的剩余寿命,又能够及早发现问题,视情维修,避免不必要的损失。但实践中发现,现有技术中的动态滤波补偿器剩余寿命预测方法的预测效率和预测精度均较低。
发明内容
鉴于此,本发明实施例提供一种动态滤波补偿器剩余寿命预测方法,能有效提高预测效率和精度。
为实现上述技术目的,本发明实施例提供一种动态滤波补偿器剩余寿命预测方法,其改进之处在于,包括以下内容:
获取监测数据,并对监测数据进行预处理;
计算监测数据与剩余使用寿命之间的Spearman相关系数,并设定阈值进行特征筛选,以得到与退化相关的特征筛选后数据;
根据特征筛选后数据构建混合注意力时间卷积网络;
根据混合注意力时间卷积网络获取预测模型,以根据预测模型获取剩余使用寿命数据。
本发明由于采取以上技术方案,与现有技术相比,其具有以下优点:
本发明通过对传感器监测到的电容组数据进行处理,并通过混合注意力时间卷积网络获取预测模型,能够有效的预测动态滤波补偿器的剩余寿命,有较好的预测效率和预测精度,可用于指导后续的视情维修。
本发明操作方便,成本低,预测效率和精度高,可以广泛应用于设备状态监测与寿命预测技术领域。
附图说明
图1是本发明的动态滤波补偿器剩余寿命预测方法其中一个实施例的流程示意图;
图2是本发明的混合注意力时间卷积网络其中一个实施例的结构示意图;
图3是本发明的混合注意力时间卷积模块其中一个实施例的结构示意图;
图4是本发明的时间卷积其中一个实施例的结构示意图;
图5是本发明的CBAM模块其中一个实施例的结构示意图。
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明白,下面结合实施方式和附图,对本发明做进一步详细说明。在此,本发明的示意性实施方式及其说明用于解释本发明,但并不作为对本发明的限定。
如图1所示,本发明实施例提供一种动态滤波补偿器剩余寿命预测方法,包括以下内容:
获取监测数据,并对监测数据进行预处理,其中,监测数据包括时序监测数据,预处理包括将监测数据划分为训练数据和测试数据,以及将监测数据进行归一化处理,以消除不同量纲的影响;
计算监测数据与剩余使用寿命之间的Spearman相关系数,并设定阈值进行特征筛选,以得到与退化相关的特征筛选后数据,并删除Spearman系数未达到阈值的传感器数据;
根据特征筛选后数据构建混合注意力时间卷积网络;
根据混合注意力时间卷积网络获取预测模型,以根据预测模型获取剩余使用寿命数据。
通过以上方案,对数据进行处理,并通过混合注意力时间卷积网络获取预测模型,能够有效的预测动态滤波补偿器的剩余寿命,有较好的预测效率和预测精度,可用于指导后续的视情维修。
在一个实施例中,计算监测数据与剩余使用寿命之间的Spearman相关系数,并设定阈值进行特征筛选,以得到与退化相关的特征筛选后数据,并删除Spearman系数未达到阈值的传感器数据,其中,第d个传感器监测数据与剩余使用寿命之间的Spearman相关系数可以采用以下计算公式:
由于Spearman相关系数是一种非参数相关测度,其适用于具有复杂非线性关系的过程变量,且其不假定数据是正态分布,也不假定数据点之间有任何确定的关系,因此,其非常便于对监测数据进行特征筛选处理。
在一个实施例中,如图2所示,根据特征筛选后数据构建混合注意力时间卷积网络,包括以下内容:
通过时间卷积对时序监测数据进行特征提取,并进行批归一化和ReLU激活;
通过堆叠的混合注意力时间卷积模块学习更高级的特征表示,其中,如图3所示,混合注意力时间卷积模块包括:批归一化、ReLU激活、时间卷积、池化层、CBAM模块和残差连接,其中,时间卷积包括因果卷积和膨胀卷积;
在标准卷积网络中,通常在卷积操作后添加BN和ReLU,但这种后激活策略可能不能充分利用BN在有剩余连接的卷积网络中的优势,因此,本发明实施选择预激活策略,即:批归一化和ReLU在卷积层前使用,以使网络能够更快更好的收敛。
由于因果卷积是一种针对序列数据的卷积结构,在这种卷积中,t时刻的输出只与t时刻和前一层更早的元素进行卷积,因此,避免了未来的信息泄露到过去,适合用于时序监测数据的特征提取,但其缺点是,需要一个非常深的网络或者非常大的卷积核尺寸,才能获得较长的有效历史数据感受野。基于此,引入膨胀卷积与因果卷积相结合构成时间卷积,膨胀卷积通过跳过部分输入来使卷积核可以应用于大于卷积核本身长度的区域,从而可以使模型在层数不大的情况下有非常大的感受野,使得顶层的输出能代表更大范围的输入,从而有效地扩展了时间卷积的接受域,如图4所示。
另外需要说明的是:相同膨胀因子的卷积核经过多次迭代后会产生棋盘效应,失去信息的连续性,这对于序列预测任务是致命的,因此将连续卷积层的膨胀率设置为锯齿形,以避免信息丢失。
在通道和空间混合注意力机制层前加入池化层,能够有效降低所提取特征的维数。
本发明实施例通过CBAM(Convolutional Block Attention Module)模块以实现通道和空间混合注意力机制,其具体结构如图5所示,CBAM模块包括通道注意力模块和空间注意力模块,且通道注意力模块在前,空间注意力模块在后。
本发明实施例将CBAM模块设置在深度网络的卷积后,以分别在通道、空间两个方向上增强对任务有效的特征,抑制无用特征,能够实现中间特征图的自适应细化。
本发明实施例中的通道注意力模块和空间注意力模块的计算方式,具体如下所示:
其中,在通道注意力模块中:
分别将上述两种特征描述输入到参数共享的多层感知器中以得到通道注意力Mc,其中,该多层感知器只有一个隐层,隐层节点数设置为通道数/r,其中,r是降维率,这一设置是为了减少网络参数;
将共享网络应用到两个特征描述后,将两个结果按元素求和,以合并输出的特征向量,其中,通道注意权重的计算公式如下:
上式中,σ是sigmoid激活函数,W0和W1分别是多层感知器的权值矩阵。
在空间注意力模块中,为了在空间上突出显示信息区域,使用平均池化和最大池化在通道维度聚合信息,分别得到两个特征描述和通过标准的卷积层将它们连接和卷积,得到2D的空间注意力Ms,以指导特征图中各空间位置的特征应该增强或抑制,其中,空间注意权重的计算公式如下:
上式中,σ是sigmoid激活函数,f7×7是卷积核尺寸为7×7的卷积操作。
虽然本发明实施例中的混合注意力时间卷积模块进行堆叠可以提升网络的特征提取能力,但是随着网络深度的增加,网络训练难度也会大大增加,导致模型精度下降,为了避免这种网络退化现象的出现,添加残差连接来解决这一问题,此外,当残差输入和输出具有不同的维数时,加一个1x1的卷积使维数相同以保证连接。
对更高级的特征表示进行池化后输入到全连接层,以获取混合注意力时间卷积网络,其中,全连接层采用ReLU来实现非线性激活,通过此种设置,能够有效减少网络参数。
在一个实施例中,根据混合注意力时间卷积网络获取预测模型,以根据预测模型获取剩余使用寿命数据,包括以下内容:
对训练数据进行时间窗操作,并输入至混合注意力时间卷积网络进行训练,以获取预测模型;
将测试数据输入至训练好的预测模型,并行自适应的特征提取及剩余寿命预测,得到测试结果并验证预测模型的准确性。
显然,本领域的技术人员应该明白,上述的本发明实施例的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明实施例不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种动态滤波补偿器剩余寿命预测方法,包括以下内容:
获取监测数据,并对监测数据进行预处理,其中,监测数据为时序监测数据;
计算监测数据与剩余使用寿命之间的Spearman相关系数,并设定阈值进行特征筛选,以得到与退化相关的特征筛选后数据;
根据特征筛选后数据构建混合注意力时间卷积网络,包括以下内容:
通过时间卷积对时序监测数据进行特征提取,并进行批归一化和ReLU激活;
通过堆叠的混合注意力时间卷积模块学习更高级的特征表示;
对更高级的特征表示进行池化后输入到全连接层,以获取混合注意力时间卷积网络;
根据混合注意力时间卷积网络获取预测模型,以根据预测模型获取剩余使用寿命数据。
2.根据权利要求1所述一种动态滤波补偿器剩余寿命预测方法,其特征在于,所述获取监测数据,并对监测数据进行预处理,其中:
预处理包括将监测数据划分为训练数据和测试数据,以及将监测数据进行归一化处理。
3.根据权利要求1所述一种动态滤波补偿器剩余寿命预测方法,其特征在于,所述计算监测数据与剩余使用寿命之间的Spearman相关系数,并设定阈值进行特征筛选,以得到与退化相关的特征筛选后数据,还包括
删除Spearman系数未达到阈值的传感器数据。
4.根据权利要求1所述一种动态滤波补偿器剩余寿命预测方法,其特征在于,所述混合注意力时间卷积模块包括依次连接的批归一化、ReLU激活、时间卷积、池化层和CBAM模块。
5.根据权利要求4所述一种动态滤波补偿器剩余寿命预测方法,其特征在于,所述混合注意力时间卷积模块还包括残差连接。
6.根据权利要求4所述一种动态滤波补偿器剩余寿命预测方法,其特征在于,所述时间卷积包括:因果卷积和膨胀卷积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110039506.3A CN112881518B (zh) | 2021-01-08 | 2021-01-08 | 一种动态滤波补偿器剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110039506.3A CN112881518B (zh) | 2021-01-08 | 2021-01-08 | 一种动态滤波补偿器剩余寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112881518A CN112881518A (zh) | 2021-06-01 |
CN112881518B true CN112881518B (zh) | 2022-07-12 |
Family
ID=76044858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110039506.3A Active CN112881518B (zh) | 2021-01-08 | 2021-01-08 | 一种动态滤波补偿器剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112881518B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114118142A (zh) * | 2021-11-05 | 2022-03-01 | 西安晟昕科技发展有限公司 | 一种雷达脉内调制类型的识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108535656A (zh) * | 2018-03-22 | 2018-09-14 | 中北大学 | 基于pca-narx神经网络的锂离子电池剩余使用寿命预测方法和系统 |
CN110187290A (zh) * | 2019-06-27 | 2019-08-30 | 重庆大学 | 一种基于融合型算法的锂离子电池剩余寿命预测方法 |
CN110909926A (zh) * | 2019-11-18 | 2020-03-24 | 中国计量大学 | 基于tcn-lstm的太阳能光伏发电预测方法 |
CN111143990A (zh) * | 2019-12-25 | 2020-05-12 | 西安交通大学 | 一种敏感测点选择及融合的机床铣刀剩余寿命预测方法 |
CN111220387A (zh) * | 2020-01-08 | 2020-06-02 | 北京交通大学 | 基于多特征量相关向量机的车辆轴承剩余寿命预测方法 |
CN111783362A (zh) * | 2020-07-09 | 2020-10-16 | 哈尔滨工程大学 | 一种电动闸阀剩余使用寿命确定方法及系统 |
CN111830408A (zh) * | 2020-06-23 | 2020-10-27 | 朗斯顿科技(北京)有限公司 | 一种基于边缘计算和深度学习的电机故障诊断系统及方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7548830B2 (en) * | 2007-02-23 | 2009-06-16 | General Electric Company | System and method for equipment remaining life estimation |
US10729382B2 (en) * | 2016-12-19 | 2020-08-04 | Mitsubishi Electric Research Laboratories, Inc. | Methods and systems to predict a state of the machine using time series data of the machine |
CN109726517B (zh) * | 2019-01-31 | 2022-12-02 | 西安理工大学 | 一种基于多变量关联数据的设备剩余寿命预测方法 |
JP7200762B2 (ja) * | 2019-03-12 | 2023-01-10 | トヨタ自動車株式会社 | 予測モデル生成装置、方法、プログラム、電池寿命予測装置、方法及びプログラム |
CN109992872B (zh) * | 2019-03-27 | 2020-07-28 | 西安交通大学 | 一种基于层叠分离卷积模块的机械设备剩余寿命预测方法 |
CN110738360B (zh) * | 2019-09-27 | 2022-08-16 | 华中科技大学 | 一种设备剩余寿命预测方法及系统 |
CN110807257A (zh) * | 2019-11-04 | 2020-02-18 | 中国人民解放军国防科技大学 | 航空发动机剩余寿命预测方法 |
CN111103544B (zh) * | 2019-12-26 | 2021-12-21 | 江苏大学 | 基于长短时记忆lstm和粒子滤波pf的锂离子电池剩余使用寿命预测方法 |
CN111443294B (zh) * | 2020-04-10 | 2022-09-23 | 华东理工大学 | 一种锂离子电池剩余寿命间接预测方法及装置 |
-
2021
- 2021-01-08 CN CN202110039506.3A patent/CN112881518B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108535656A (zh) * | 2018-03-22 | 2018-09-14 | 中北大学 | 基于pca-narx神经网络的锂离子电池剩余使用寿命预测方法和系统 |
CN110187290A (zh) * | 2019-06-27 | 2019-08-30 | 重庆大学 | 一种基于融合型算法的锂离子电池剩余寿命预测方法 |
CN110909926A (zh) * | 2019-11-18 | 2020-03-24 | 中国计量大学 | 基于tcn-lstm的太阳能光伏发电预测方法 |
CN111143990A (zh) * | 2019-12-25 | 2020-05-12 | 西安交通大学 | 一种敏感测点选择及融合的机床铣刀剩余寿命预测方法 |
CN111220387A (zh) * | 2020-01-08 | 2020-06-02 | 北京交通大学 | 基于多特征量相关向量机的车辆轴承剩余寿命预测方法 |
CN111830408A (zh) * | 2020-06-23 | 2020-10-27 | 朗斯顿科技(北京)有限公司 | 一种基于边缘计算和深度学习的电机故障诊断系统及方法 |
CN111783362A (zh) * | 2020-07-09 | 2020-10-16 | 哈尔滨工程大学 | 一种电动闸阀剩余使用寿命确定方法及系统 |
Non-Patent Citations (3)
Title |
---|
《基于函数型数据拟合与卷积神经网络的行星齿轮故障预测》;刘奇;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20190815;第24-38页 * |
《基于改进的LSTM的设备剩余使用寿命应用研究》;郭梦溪;《现代计算机》;20201231;第21-24页 * |
《基于注意力机制和LSTM的电力通信设备状态预测》;吴海洋等;《计算机与现代化》;20201031;第12-16页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112881518A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11409347B2 (en) | Method, system and storage medium for predicting power load probability density based on deep learning | |
CN111539515A (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
CN112051480A (zh) | 基于变分模态分解的神经网络配电网故障诊断方法及系统 | |
Zhou et al. | Battery health prognosis using improved temporal convolutional network modeling | |
CN113486078A (zh) | 一种分布式配电网运行监控方法及系统 | |
Barzola-Monteses et al. | Energy consumption of a building by using long short-term memory network: a forecasting study | |
Chakraborty et al. | Voltage stability assessment in power network using self organizing feature map and radial basis function | |
CN112881518B (zh) | 一种动态滤波补偿器剩余寿命预测方法 | |
MansourLakouraj et al. | A multi-rate sampling PMU-based event classification in active distribution grids with spectral graph neural network | |
Dong et al. | Multi‐task learning method for classification of multiple power quality disturbances | |
Swaminathan et al. | A CNN-LSTM-based fault classifier and locator for underground cables | |
Xie et al. | Residual life prediction of lithium-ion batteries based on data preprocessing and a priori knowledge-assisted CNN-LSTM | |
Zhou et al. | Capacitive voltage transformer measurement error prediction by improved long short-term memory neural network | |
CN113780640A (zh) | 一种基于TCN-Attention的太阳能辐射预测方法 | |
CN114638421A (zh) | 一种发电机组备件需求的预测方法 | |
CN114298300A (zh) | 不确定度预测方法、装置、电子设备及存储介质 | |
CN114399628A (zh) | 复杂空间环境下的绝缘子高效检测系统 | |
Raghuvamsi et al. | Distribution system state estimation with Transformer-Bi-LSTM-based imputation model for missing measurements | |
CN111950811A (zh) | 基于双层人工神经网络的区域光伏功率预测方法及系统 | |
Zhang et al. | Research on transformer fault diagnosis method based on rough set optimization BP neural network | |
CN113592565A (zh) | 一种电力系统节点重要度预测方法 | |
CN113570035B (zh) | 一种利用多层卷积层信息的注意力机制方法 | |
KR0131847B1 (ko) | 비선형 회귀를 위한 가속 간편 학습 방법 | |
Tang et al. | A Gramian Angular Field Transform-Based Higher-Dimension Data-Driven Method for Post-Fault Short-Term Voltage Stability Assessment | |
Fu et al. | A non-stationary transformer-based remaining useful life prediction method for proton exchange membrane fuel cells |
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 |