CN113762391A - 冷却系统的状态检测方法、装置、计算机设备和存储介质 - Google Patents
冷却系统的状态检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113762391A CN113762391A CN202111051947.1A CN202111051947A CN113762391A CN 113762391 A CN113762391 A CN 113762391A CN 202111051947 A CN202111051947 A CN 202111051947A CN 113762391 A CN113762391 A CN 113762391A
- Authority
- CN
- China
- Prior art keywords
- temperature
- current
- cooling system
- sample data
- data set
- 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
- 238000001816 cooling Methods 0.000 title claims abstract description 133
- 238000001514 detection method Methods 0.000 title claims description 22
- 239000002826 coolant Substances 0.000 claims abstract description 101
- 238000000034 method Methods 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims description 90
- 238000004140 cleaning Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000013450 outlier detection Methods 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims description 3
- 238000005406 washing Methods 0.000 claims 1
- 239000003921 oil Substances 0.000 description 34
- 238000012360 testing method Methods 0.000 description 31
- 230000000694 effects Effects 0.000 description 16
- 238000012423 maintenance Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000013101 initial test Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 239000011810 insulating material Substances 0.000 description 2
- 239000002480 mineral oil Substances 0.000 description 2
- 235000010446 mineral oil Nutrition 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000003878 thermal aging Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 238000012795 verification 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
- G06F18/21—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
- G06N3/044—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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Protection Of Transformers (AREA)
Abstract
本申请涉及一种冷却系统的状态检测方法、装置、计算机设备和存储介质。所述方法包括：获取换流变压器的当前环境温度、换流变压器所属换流站的当前直流功率、以及换流变压器的冷却系统中冷却介质的当前实测温度；将当前环境温度和当前直流功率输入至预先训练的冷却介质温度预测模型，得到冷却介质的当前基准温度；当前基准温度为冷却系统正常运行情况下冷却介质的预计温度；根据当前实测温度和当前基准温度确定温度差异度；根据温度差异度确定冷却系统的状态。采用本方案可以提高检测冷却系统运行状态的准确度。
Description
技术领域
本申请涉及换流变压器技术领域，特别是涉及一种冷却系统的状态检测方法、装置、计算机设备和存储介质。
背景技术
随着特高压直流输电系统的大规模建设和投运，直流输电系统中各个关键设备的运维方法也逐渐受到关注。换流变压器是特高压直流输电系统的关键设备之一，其在运行过程中会产生大量的热量，故为换流变压器配置了冷却系统，以防止换流变压器的绝缘材料加速热老化。
换流变压器的冷却系统一般包括构成冷却回路的风扇、油泵、散热片、油流继电器等设备，并通过冷却介质(一般为矿物油或燃点大于300℃的绝缘液体)循环换热的方式进行冷却降温。如果冷却系统运行失常，则过高的温度可能损坏换流变压器，故有必要对冷却系统的运行状态进行检测，以便及时发现故障，并通知运维人员进行处理。
相关技术中，一般通过检测冷却介质的温度(油温)，并与预设温度阈值进行比较，来判断冷却系统是否正常运行，如检测到油温超过预设温度阈值，则判断冷却系统运行异常，并发出预警通知运维人员处理。
然而，上述检测过程中，预设的温度阈值为固定值，而换流变压器在正常运行状态下的油温可能随着运行环境而波动，故存在检测准确度较低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高检测准确度的冷却系统的状态检测方法、装置、计算机设备和存储介质。
一种冷却系统的状态检测方法，其特征在于，所述方法包括：
获取换流变压器的当前环境温度、所述换流变压器所属换流站的当前直流功率、以及所述换流变压器的冷却系统中冷却介质的当前实测温度；
将所述当前环境温度和所述当前直流功率输入至预先训练的冷却介质温度预测模型，得到所述冷却介质的当前基准温度；所述当前基准温度为所述冷却系统正常运行情况下所述冷却介质的预计温度；
根据所述当前实测温度和所述当前基准温度确定温度差异度；
根据所述温度差异度确定所述冷却系统的状态。
在其中一个实施例中，所述冷却介质温度预测模型的训练过程包括：
获取训练样本数据集；所述训练样本数据集中的每一样本数据，根据同一时间所述换流站的历史直流功率、所述冷却介质的历史温度、以及所述换流变压器的历史环境温度确定；
将所述训练样本数据集输入至长短时记忆神经网络进行训练，得到所述冷却介质温度预测模型。
在其中一个实施例中，所述根据所述温度差异度确定所述冷却系统的状态，包括：将所述温度差异度与预设告警阈值进行比对，确定所述冷却系统的状态。
在其中一个实施例中，所述冷却系统的状态包括运行正常、冷却器异常、冷却器故障、以及油温传感器故障；所述将所述温度差异度与预设告警阈值进行比对，确定所述冷却系统的状态，包括：
若所述温度差异度小于或等于第一预设告警阈值，则确定冷却系统的状态为运行正常；
若所述温度差异度大于所述第一预设告警阈值、并且小于或等于第二预设告警阈值，则确定所述冷却系统的状态为冷却器异常；所述第二预设告警阈值大于所述第一预设告警阈值；
若所述温度差异度大于所述第二预设告警阈值、并且小于或等于第三预设告警阈值，则确定所述冷却系统的状态为冷却器故障；所述第三预设告警阈值大于所述第二预设告警阈值；
若所述温度差异度大于所述第三预设告警阈值，则确定所述冷却系统的状态为油温传感器故障。
在其中一个实施例中，所述方法还包括：
根据所述冷却系统的状态，生成并输出对应的告警信息。
在其中一个实施例中，所述获取训练样本数据集，包括：
获取预设历史时段内各时间点对应的所述换流站的历史直流功率、所述冷却介质的历史温度、以及所述换流变压器的历史环境温度，得到初始样本数据集；
采用基于密度的离群点检测算法对所述初始样本数据集进行清洗处理；
根据所述清洗处理后的初始样本数据集，确定训练样本数据集。
在其中一个实施例中，所述根据所述清洗处理后的初始样本数据集，确定所述训练样本数据集，包括：
将所述清洗处理后的初始样本数据集进行归一化处理，得到训练样本数据集。
一种冷却系统的状态检测装置，所述装置包括：
当前实测温度确定模块，用于获取换流变压器的当前环境温度、所述换流变压器所属换流站的当前直流功率、以及所述换流变压器的冷却系统中冷却介质的当前实测温度；
当前基准温度确定模块，用于将所述当前环境温度和所述当前直流功率输入至预先训练的冷却介质温度预测模型，得到所述冷却介质的当前基准温度；所述当前基准温度为所述冷却系统正常运行情况下所述冷却介质的预计温度；
温度差异度确定模块，用于根据所述当前实测温度和所述当前基准温度确定温度差异度；
状态确定模块，用于根据所述温度差异度确定所述冷却系统的状态。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取换流变压器的当前环境温度、所述换流变压器所属换流站的当前直流功率、以及所述换流变压器的冷却系统中冷却介质的当前实测温度；
将所述当前环境温度和所述当前直流功率输入至预先训练的冷却介质温度预测模型，得到所述冷却介质的当前基准温度；所述当前基准温度为所述冷却系统正常运行情况下所述冷却介质的预计温度；
根据所述当前实测温度和所述当前基准温度确定温度差异度；
根据所述温度差异度确定所述冷却系统的状态。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取换流变压器的当前环境温度、所述换流变压器所属换流站的当前直流功率、以及所述换流变压器的冷却系统中冷却介质的当前实测温度；
将所述当前环境温度和所述当前直流功率输入至预先训练的冷却介质温度预测模型，得到所述冷却介质的当前基准温度；所述当前基准温度为所述冷却系统正常运行情况下所述冷却介质的预计温度；
根据所述当前实测温度和所述当前基准温度确定温度差异度；
根据所述温度差异度确定所述冷却系统的状态。
上述冷却系统的状态检测方法、装置、计算机设备和存储介质，获取换流变压器的当前环境温度、换流变压器所属换流站的当前直流功率、以及换流变压器的冷却系统中冷却介质的当前实测温度；将当前环境温度和当前直流功率输入至预先训练的冷却介质温度预测模型，得到冷却介质的当前基准温度；当前基准温度为冷却系统正常运行情况下冷却介质的预计温度；根据当前实测温度和当前基准温度确定温度差异度；根据温度差异度确定冷却系统的状态。本方案根据当前的环境温度和直流功率确定当前基准温度，可以实现对冷却介质的基准温度进行动态调整，因此，将当前实测温度与当前基准温度进行差异度比较，可以更准确的检测冷却系统的运行状态。
附图说明
图1为一个实施例中冷却系统的状态检测方法的流程示意图；
图2为一个实施例中训练冷却介质温度预测模型的流程示意图；
图3为一个实施例中LSTM网络的结构示意图；
图4为一个实施例中获取训练样本数据集的流程示意图；
图5为一个实施例中对初始样本数据集进行清洗处理的流程示意图；
图6为一个具体示例中冷却系统的状态检测方法的流程示意图；
图7为一个具体示例中根据温度差异度确定冷却系统状态的流程示意图；
图8为一个实施例中冷却系统的状态检测装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
首先，在具体介绍本申请实施例的技术方案之前，先对本申请实施例基于的技术背景或者技术演进脉络进行介绍。换流变压器是特高压直流输电系统的关键设备之一，其因重要性高、成本昂贵而备受关注。换流变压器在运行过程中会产生大量的热量，为防止换流变压器的绝缘材料加速热老化，其通过配置的冷却系统来进行降温。如果冷却系统运行失常，过高的温度可能损坏换流变压器，故有必要对冷却系统的运行状态进行检测，以便及时发现故障，并通知运维人员进行处理。相关技术中，一般通过检测冷却系统中冷却介质的温度、并与预设温度阈值进行对比，来判断冷却系统的运行状态是否正常。然而，这种检测方法中，预设温度阈值是固定值，而换流变压器在正常运行状态下的油温可能随着运行环境而波动，比如环境温度、换流站的直流功率变动等，都可能使冷却介质的温度波动，如与固定的预设温度阈值比较，则可能出现错误预警或预警不及时的情况，故该方法存在检测准确度较低的问题。基于该背景，申请人通过长期的研发以及实验验证，提出本申请的冷却系统的状态检测方法。本申请考虑了影响冷却介质温度的主要因素：环境温度、直流功率、冷却系统的设备故障或设备老化，将当前环境温度和直流功率作为输入，采用预先训练的温度预测模型来预测冷却系统在正常运行时冷却介质的当前预计温度(当前基准温度)，当前基准温度可以根据当前的环境温度和直流功率进行动态调整，因而将当前实测温度和当前基准温度进行差异度对比，以此来判断冷却系统的运行状态，可以提高检测准确度。另外，需要说明的是，本申请技术问题的发现以及下述实施例介绍的技术方案，申请人均付出了大量的创造性劳动。
本申请提供的冷却系统的状态检测方法，用于检测换流变压器的冷却系统的运行状态，可以应用于计算机设备。计算机设备可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、便携式可穿戴设备，以及独立的服务器或者是多个服务器组成的服务器集群。
在一个实施例中，如图1所示，提供了一种冷却系统的状态检测方法，该方法包括以下步骤：
步骤101，获取换流变压器的当前环境温度、换流变压器所属换流站的当前直流功率、以及换流变压器的冷却系统中冷却介质的当前实测温度。
在实施中，计算机设备可以获取换流变压器的当前环境温度、换流站的当前直流功率(当前直流系统的传输功率值)、以及冷却介质的当前实测温度。计算机设备可以通过安装在换流变压器本体上的温度传感器进行采集温度数据、并传输至计算机设备中。
步骤102，将当前环境温度和当前直流功率输入至预先训练的冷却介质温度预测模型，得到冷却介质的当前基准温度；当前基准温度为冷却系统正常运行情况下冷却介质的预计温度。
在实施中，计算机设备可以将步骤101中获取到的当前环境温度和当前直流功率，输入至冷却介质温度预测模型中。该冷却介质温度预测模型是预先训练的，其可以根据输入的当前环境温度和当前直流功率，输出冷却介质的当前基准温度。当前基准温度为冷却系统在当前正常运行情况下冷却介质的预计温度。冷却介质温度预测模型可以采用最小二乘法、随机抽样一致算法(RANSAC)或循环神经网络算法(RNN)等方法训练。模型训练使用的样本数据集可以是预设历史时段内各时间点对应的该换流变压器的冷却介质的历史实测温度、历史环境温度和该换流变压器所属换流站的历史直流功率。
步骤103，根据当前实测温度和当前基准温度确定温度差异度。
在实施中，计算机设备可以根据步骤101中获取到的当前实测温度和步骤102中得到的当前基准温度计算温度差异度。温度差异度可以为当前实测温度相比当前基准温度的偏离程度，例如，温度差异度可以采用如下公式计算：
温度差异度也可以采用如下公式计算：
其中，温度标准值可以根据换流变压器的常规运行环境确定或根据经验人为指定。例如采用换流变压器在环境温度为25摄氏度、直流功率为2500MW下其冷却介质的温度均值。
步骤104，根据温度差异度确定冷却系统的状态。
在实施中，计算机设备可以根据步骤103确定的温度差异度来确定冷却系统的运行状态。例如，可将温度差异度与预设告警阈值进行比对，若大于预设告警阈值，则确定冷却系统的运行状态异常，否则，确定冷却系统的运行状态正常。
上述冷却系统的状态检测方法中，考虑了影响冷却介质温度的主要因素：环境温度、直流功率、冷却系统的设备故障和设备老化，根据当前的环境温度和直流功率确定当前基准温度，可以实现对冷却介质的基准温度进行动态调整，因而将当前实测温度与当前基准温度进行差异度比较，可以更准确地检测冷却系统的运行状态。
在另一个实施例中，如图2所示，步骤102中冷却介质温度预测模型的训练过程包括：
步骤201，获取训练样本数据集；训练样本数据集中的每一样本数据，根据同一时间换流站的历史直流功率、冷却介质的历史温度、以及换流变压器所处环境的历史环境温度确定。
步骤202，将训练样本数据集输入至长短时神经网络进行训练，得到冷却介质温度预测模型。
在实施中，计算机设备可以获取训练样本数据集，并构建长短时记忆神经网络(LSTM，Long Short-term Memory Networks)作为待训练模型，进而将训练样本数据集输入至待训练模型中进行训练。当待训练模型输出的冷却介质基准温度(预计温度)与冷却介质实测温度的误差小于预设训练阈值时，则认为达到预期训练效果，即可得到基于LSTM的冷却介质温度预测模型。预设训练阈值可以设置为0.01。
其中，训练样本数据集中的每一样本数据，可以根据同一时间换流站的历史直流功率、冷却介质的历史温度、以及换流变压器所处环境的历史环境温度确定。例如，可以在预设时段内对换流站的直流功率、换流变压器的冷却介质的温度、以及环境温度进行实时采集，将采集到的同一时间点对应的直流功率、冷却介质温度和环境温度作为一个样本数据，即一个样本数据包含直流功率、冷却介质的温度和环境温度这三部分内容。可以将该预设时段内采集到的各样本数据直接作为训练样本数据集，也可以对采集到的各样本数据进行抽样、划分、清洗、归一化等处理，得到训练样本数据集。
采用长短时记忆神经网络(LSTM，Long Short-term Memory Networks)作为待训练模型，如图3所示，LSTM网络由遗忘门ft、输入门it、细胞状态Ct和输出门ot组成。
遗忘门ft是一个位于[0,1]之间的向量，由当前的输入xt和上一个隐藏层ht-1决定。遗忘门ft决定是否遗弃或保留上一个细胞状态Ct，以及需要保留的比例。遗忘门ft的公式如下：
ft＝σ(Wf[ht-1,xt]+bf
输入门it决定当前哪些信息需要更新，同样由当前的输入xt和上一个隐藏层ht-1决定。同时，xt和ht-1通过tanh函数后得到一个候选细胞状态
该
影响当前细胞状态Ct的更新。
细胞状态Ct是LSTM的核心，贯穿整个LSTM计算流程，保证信息不变的传送至下一个状态，这也是LSTM能克服梯度爆炸和梯度消失问题的原因。Ct由ft、it和
共同决定。细胞状态Ct的公式如下：
输出门ot输出当前计算的结果，由xt和ht-1决定，公式如下：
ot＝σ(Wo[ht-1,xt]+bo)
模型迭代的过程中还涉及隐藏层ht的更新，ht中包含有需要传递给下次迭代计算的信息，同时ht作为各个门的输入量而参与计算，公式如下：
ht＝ot×tanh(Ct)
其中，σ为激活函数，可以使用sigmoid函数作为激活函数，公式为s(x)＝1/(1+exp(-x))；Wf、Wi、Wo为各个门的权重，bf、bi、bo为各个门的偏置系数。
本实施例中，冷却介质温度预测模型是基于LSTM神经网络训练得到，该模型能克服梯度爆炸和梯度消失问题，输出的冷却介质当前基准温度(预计温度)更准确，进而对冷却系统的状态检测准确度更高。
在另一个实施例中，如图4所示，步骤201中获取训练样本数据集的步骤具体包括：
步骤401，获取预设历史时段内各时间点对应的换流站的历史直流功率、冷却介质的历史温度、以及换流变压器的历史环境温度，得到初始样本数据集。
在实施中，计算机设备可以获取预设历史时段内各时间节点对应的换流站的历史直流功率、冷却介质的历史温度、以及换流变压器所处环境的历史环境温度，得到初始样本数据集。预设历史时段可以是一个月、一个季度或一年等，还可以是采集上一年每个季度中各一个月的数据，如2月、5月、8月、11月，可以体现四季的变化等，本实施例对此不做限定。可以对预设历史时段内各时间点对应的换流站的直流功率、冷却介质温度、环境温度进行实时采集，并输入至计算机设备，计算机设备获取数据后，可将该数据直接作为初始样本数据集，也可以按预设时间间隔进行抽样，得到初始样本数据集。预设时间间隔可以是十分钟、一小时等。
步骤402，采用基于密度的离群点检测算法对初始样本数据集进行清洗处理。
步骤403，根据清洗处理后的初始样本数据集，确定训练样本数据集。
在实施中，计算机设备可以采用LOF(Local Outlier Factor，基于密度的离群点检测)算法对步骤401中得到的初始样本数据集进行清洗处理，以便从初始样本数据集中剔除“离群点”(也可称为“异常点”)。采用LOF算法对初始样本数据集进行清洗处理的流程如图5所示。
步骤501，计算样本数据点B到样本数据点A的第k可达距离dk(A,B)。
第k可达距离dk(A,B)的计算公式为：
dk(A,B)＝max{dk(A),d(A,B)}
其中，定义点A与点B之间的距离为d(A,B)；定义点A的第k距离为dk(A)，代表初始样本数据集中距离点A第k远的点到点A的距离。例如，当k＝4时，距离点A第4远的点B到点A的距离为d4(A)＝d(A,B4)。dk(A,B)越大代表点B距点A的第k领域越远。
步骤502，计算样本数据点A的局部可达密度ρk(A)。
局部可达密度ρk(A)的计算公式为：
其中，局部可达密度ρk(A)代表点A的第k距离领域内所有样本数据点到点A的平均可达距离的倒数。即，若点A与周围的点为同一簇，点A第k可达距离dk(A,B)越小，点A的第k距离领域内的点到点A的平均可达距离越小，点A的局部可达密度ρk(A)就越大，反之亦然。
步骤503，计算样本数据点A的局部离群因子LOFk(A)。
局部离群因子LOFk(A)计算公式为：
其中，定义点A的第k距离领域为Nk(A)，Nk(A)代表点A的dk(A)距离内的所有点；LOFk(A)代表点A的领域Nk(A)内的其它点的局部可达密度ρk(B)与点A的局部可达密度ρk(A)之比的平均数。一般认为若LOFk(A)大于1，说明点A周围的数据点密度小于其它点，则点A可能为“离群点”；若LOFk(A)小于1，说明点A周围的数据点密度大于其它点，则为正常点。
步骤504，将样本数据点A的局部离群因子LOFk(A)与预设阈值进行对比，若局部离群因子LOFk(A)大于预设阈值，则将样本数据点A从初始样本数据集中剔除。
可设定局部离群因子的预设阈值为1。若计算得到样本数据点A的局部离群因子LOFk(A)＞1，则将样本数据点A从初始样本数据集中剔除；若LOFk(A)≤1，则保留样本数据点A。
对初始样本数据集中的每个样本数据点采用上述步骤进行处理，以完成对初始样本数据集的清洗处理。进而计算机设备可以根据清洗处理后的初始样本数据集确定训练样本数据集。例如，可以直接将清洗处理后保留的各样本数据作为训练样本数据集，也可以对清洗处理后保留的各样本数据进行抽样、划分、归一化处理等，得到训练样本数据集。
由于特高压直流输电系统中复杂的电磁环境、传感器可靠性和人为活动等因素影响，初始样本数据集中将不可避免的出现错误的“异常点”，即错误的样本数据。若直接使用包含“异常点”的初始样本数据集进行LSTM模型训练，将会导致模型准确度降低和收敛困难。因此，本实施例采用LOF算法对初始样本数据集进行清洗处理，从中筛除“异常点”，一方面，可以避免采用错误的样本数据进行训练，减少算力消耗，另一方面，使用清洗处理后的样本数据集进行模型训练，模型准确度更高，进而可提高冷却系统的运行状态检测准确度。
在另一个实施例中，步骤403中，根据清洗处理后的初始样本数据集，确定训练样本数据集，具体包括：
步骤4031，将清洗处理后的初始样本数据集按预设比例划分为初始训练样本数据集和初始测试样本数据集；
步骤4032，根据初始训练样本数据集和初始测试样本数据集分别确定训练样本数据集和测试样本数据集。
进一步地，在步骤202中将训练样本数据集输入至长短时神经网络进行训练之后，还可以输入测试样本数据集进行测试，具体过程为：
将测试样本数据集输入至达到预期训练效果的模型进行测试；若测试结果达到预期测试效果，则将达到预期训练效果的模型确定为冷却介质温度预测模型；若测试结果未达到预期测试效果，则重新对该模型进行训练和测试，直至达到预期测试效果。
在实施中，计算机设备可以将清洗处理后的初始样本数据集按照预设比例划分为初始训练样本数据集和初始测试样本数据集。可以将初始训练样本数据集和初始测试样本数据集直接作为训练样本数据集和测试样本数据集，用于对待训练模型进行训练和测试，也可以先对其进行归一化等处理后得到训练样本数据集和测试样本数据集。采用训练样本数据集对待训练模型进行训练，待达到预期训练效果后，再将测试样本数据集输入模型进行测试。若测试得到的冷却介质预计温度与冷却介质实测温度的误差小于预设测试阈值，则认为达到预期测试效果，将该模型确定为冷却介质温度预测模型。否则，重新对该模型进行训练和测试，直至达到预期测试效果。预设测试阈值可以设置为0.01。
在另一个实施例中，步骤403中，根据清洗处理后的初始样本数据集，确定训练样本数据集，具体包括：
将清洗处理后的初始样本数据集进行归一化处理，得到训练样本数据集。
在实施中，计算机设备可以对初始样本数据集进行清洗处理后，再对各样本数据进行归一化处理，得到训练样本数据集。也可以将清洗处理后的初始样本数据集按预设比例划分为初始训练样本数据集和初始测试样本数据集，再分别将初始训练样本数据集和初始测试样本数据集的各样本数据进行归一化处理，得训练样本数据集和测试样本数据集。还可以将初始样本数据集进行清洗处理后，先进行归一化处理，然后再按预设比例划分，得到训练样本数据集和测试样本数据集。其中，归一化处理时是将样本数据中的直流功率、冷却介质温度和环境温度三部分内容分别处理。归一化处理方法可以采用实际有名值转换为标幺值的方法，公式如下：
其中，实际有名值为获取的样本数据，基准值可根据换流变压器的运行环境指定或根据经验人为指定。在一个示例中，直流功率实际有名值单位为MW，冷却介质温度和环境温度实际有名值单位为摄氏度；直流功率基准值为2500MW，冷却介质温度和环境温度基准值为30摄氏度。
本实施例中，对清洗处理后的初始样本数据集进行归一化处理，使输入模型的数据范围相近，有利于模型训练。
在另一个实施例中，步骤104具体包括：
将温度差异度与预设告警阈值进行比对，确定冷却系统的状态。
进一步地，冷却系统的状态包括运行正常、冷却器异常、冷却器故障、以及油温传感器故障；步骤104具体包括：
若温度差异度小于或等于第一预设告警阈值，则确定冷却系统的状态为运行正常；若温度差异度大于第一预设告警阈值、并且小于或等于第二预设告警阈值，则确定冷却系统的状态为冷却器异常；第二预设告警阈值大于第一预设告警阈值；若温度差异度大于第二预设告警阈值、并且小于或等于第三预设告警阈值，则确定冷却系统的状态为冷却器故障；第三预设告警阈值大于第二预设告警阈值；若温度差异度大于第三预设告警阈值，则确定冷却系统的状态为油温传感器故障。
进一步地，该方法还包括：根据冷却系统的状态，生成并输出对应的告警信息。
在实施中，计算机设备可以将步骤103中得到的温度差异度与预设告警阈值进行比对，以确定冷却系统的状态。冷却系统的状态可以根据故障情况设置为四种等级：运行正常、冷却器异常、冷却器故障、油温传感器故障。相应的，预设告警阈值可以是梯度设置的多级预设告警阈值，对应冷却系统的不同状态等级。计算机设备还可进一步根据冷却系统的状态生成并输出对应的告警信息，具体地，若确定冷却系统的状态为冷却器异常，则生成并输出“冷却器异常”的告警信息；若确定冷却系统的状态为冷却器故障，则生成并输出“冷却器故障”的告警信息；若确定冷却系统的状态为油温传感器故障，则生成并输出“油温传感器故障”的告警信息。告警信息可以是文本显示的告警信息和/或声、光等告警信号。
本实施例将冷却系统的状态分成多个等级，对应不同故障情况，不仅可以检测冷却系统的状态是否正常，还可以在运行状态非正常的情况下进一步指出故障类型及故障发生点，减少运维人员排查故障的时间。
在一个具体示例中，如图6所示，提供了一种冷却系统的状态检测方法，用于检测换流变压器的冷却系统的运行状态。本实施例中的换流变压器为特高压直流输电系统中一个换流站的换流变压器，其冷却系统包括由风扇、油泵等设备组成的冷却器，冷却介质采用矿物油。本示例中冷却介质温度预测模型可称为油温预测模型。
步骤601，获取预设历史时段内各时间点对应的换流站的历史直流功率、冷却介质的历史温度、以及换流变压器的历史环境温度，得到初始样本数据集。
步骤602，采用基于密度的离群点检测算法对初始样本数据集进行清洗处理。
步骤603，将清洗处理后的初始样本数据集按预设比例划分为初始训练样本数据集和初始测试样本数据集。
步骤604，分别将初始训练样本数据集和初始测试样本数据集进行归一化处理，得到训练样本数据集和测试样本数据集。
步骤605，构建LSTM神经网络，得到待训练模型。
步骤606，将训练样本数据集输入至待训练模型进行训练。
步骤607，判断模型训练是否达到预期训练效果。
若达到预期训练效果，则进行步骤608，否则，进行步骤605。
步骤608，将测试训练数据集输入至达到预期训练效果的待训练模型进行测试。
步骤609，判断模型测试是否达到预期测试效果。
若达到预期测试效果，则将该模型确定为油温预测模型(冷却介质温度预测模型)，并进行步骤610，否则，进行步骤605。
步骤610，获取换流变压器的当前环境温度、换流变压器所属换流站的当前直流功率、以及换流变压器的当前实测油温(冷却介质的当前实测温度)；将当前环境温度和当前直流功率输入至油温预测模型，得到当前预测油温(冷却介质的当前基准温度)。
步骤611，根据当前预测油温和当前实测油温计算油温差异度(冷却介质的温度差异度)。
步骤612，将油温差异度与预设告警阈值进行比较，得到冷却系统的状态。
步骤613，根据冷却系统的状态，输出告警信息。
本示例中，油温差异度(可记为TΔ)的计算公式为：
其中，油温标准值采用换流变压器在环境温度为25摄氏度、直流功率为2500MW下的换流变压器油温均值，本示例中为60摄氏度。
如图7所示，本示例中设置第一预设告警阈值为0.05，第二预设告警阈值为0.1，第三预设告警阈值为1。
当温度差异度TΔ小于或等于0.05时，说明冷却介质的温度处于正常范围(油温正常)，则确定冷却系统的状态为运行正常，不用输出告警信号；
当温度差异度TΔ位于(0.05，0.1]，即大于0.05、且小于或等于0.1时，说明冷却系统中风扇或油泵因老化、震动等缓慢变化导致冷却能力降低，则确定冷却系统的状态为冷却器异常，输出“冷却器异常”的告警信号，通知运维人员进行冷却器维护或更换；
当温度差异度TΔ位于(0.1，1]，即大于0.1、且小于或等于1时，说明冷却系统中单个风扇、整组风扇或油泵发生故障而停止运行，导致冷却能力明显下降，则确定冷却系统的状态为冷却器故障，输出“冷却器故障”的告警信号，通知运维人员进行相应的故障排除；
当温度差异度TΔ大于1时，温度差异过大，说明采集冷却介质温度的油温传感器发生故障或接线故障，则确定冷却系统的状态为油温传感器故障，输出“油温传感器故障”的告警信号，通知运维人员进行相应的故障排除。
应该理解的是，虽然图1、2、4-7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1、2、4-7中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图8所示，提供了一种冷却系统的状态检测装置，包括：当前实测温度确定模块801、当前基准温度确定模块802、温度差异度确定模块803和状态确定模块804，其中：
当前实测温度确定模块801，用于获取换流变压器的当前环境温度、所述换流变压器所属换流站的当前直流功率、以及所述换流变压器的冷却系统中冷却介质的当前实测温度；
当前基准温度确定模块802，用于将所述当前环境温度和所述当前直流功率输入至预先训练的冷却介质温度预测模型，得到所述冷却介质的当前基准温度；所述当前基准温度为所述冷却系统正常运行情况下所述冷却介质的预计温度；
温度差异度确定模块803，用于根据所述当前实测温度和所述当前基准温度确定温度差异度；
状态确定模块804，用于根据所述温度差异度确定所述冷却系统的状态。
在另一个实施例中，所述装置还包括模型训练模块，所述模型训练模块用于：
获取训练样本数据集；所述训练样本数据集中的每一样本数据，根据同一时间所述换流站的历史直流功率、所述冷却介质的历史温度、以及所述换流变压器的历史环境温度确定；将所述训练样本数据集输入至长短时记忆神经网络进行训练，得到所述冷却介质温度预测模型。
在另一个实施例中，状态确定模块804具体用于：
将所述温度差异度与预设告警阈值进行比对，确定所述冷却系统的状态。
在另一个实施例中，所述冷却系统的状态包括运行正常、冷却器异常、冷却器故障、以及油温传感器故障；状态确定模块804具体用于：
若所述温度差异度小于或等于第一预设告警阈值，则确定冷却系统的状态为运行正常；若所述温度差异度大于所述第一预设告警阈值、并且小于或等于第二预设告警阈值，则确定所述冷却系统的状态为冷却器异常；所述第二预设告警阈值大于所述第一预设告警阈值；若所述温度差异度大于所述第二预设告警阈值、并且小于或等于第三预设告警阈值，则确定所述冷却系统的状态为冷却器故障；所述第三预设告警阈值大于所述第二预设告警阈值；若所述温度差异度大于所述第三预设告警阈值，则确定所述冷却系统的状态为油温传感器故障。
在另一个实施例中，所述装置还包括告警信息输出模块，所述告警信息输出模块具体用于：
根据所述冷却系统的状态，生成并输出对应的告警信息。
在另一个实施例中，所述模型训练模块具体用于：
获取预设历史时段内各时间点对应的所述换流站的历史直流功率、所述冷却介质的历史温度、以及所述换流变压器的历史环境温度，得到初始样本数据集；采用基于密度的离群点检测算法对所述初始样本数据集进行清洗处理；根据所述清洗处理后的初始样本数据集，确定训练样本数据集。
在另一个实施例中，所述模型训练模块具体用于：
将所述清洗处理后的初始样本数据集进行归一化处理，得到训练样本数据集。
在另一个实施例中，所述模型训练模块具体用于：
将清洗处理后的初始样本数据集按预设比例划分为训练样本数据集和测试样本数据集；将测试样本数据集输入至达到预期训练效果的待训练模型进行测试。
关于冷却系统的状态检测装置的具体限定可以参见上文中对于冷却系统的状态检测方法的限定，在此不再赘述。上述冷却系统的状态检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种冷却系统的状态检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种冷却系统的状态检测方法，其特征在于，所述方法包括：
获取换流变压器的当前环境温度、所述换流变压器所属换流站的当前直流功率、以及所述换流变压器的冷却系统中冷却介质的当前实测温度；
将所述当前环境温度和所述当前直流功率输入至预先训练的冷却介质温度预测模型，得到所述冷却介质的当前基准温度；所述当前基准温度为所述冷却系统正常运行情况下所述冷却介质的预计温度；
根据所述当前实测温度和所述当前基准温度确定温度差异度；
根据所述温度差异度确定所述冷却系统的状态。
2.根据权利要求1所述的方法，其特征在于，所述冷却介质温度预测模型的训练过程包括：
获取训练样本数据集；所述训练样本数据集中的每一样本数据，根据同一时间所述换流站的历史直流功率、所述冷却介质的历史温度、以及所述换流变压器的历史环境温度确定；
将所述训练样本数据集输入至长短时记忆神经网络进行训练，得到所述冷却介质温度预测模型。
3.根据权利要求1所述的方法，其特征在于，所述根据所述温度差异度确定所述冷却系统的状态，包括：
将所述温度差异度与预设告警阈值进行比对，确定所述冷却系统的状态。
4.根据权利要求3所述的方法，其特征在于，所述冷却系统的状态包括运行正常、冷却器异常、冷却器故障、以及油温传感器故障；所述将所述温度差异度与预设告警阈值进行比对，确定所述冷却系统的状态，包括：
若所述温度差异度小于或等于第一预设告警阈值，则确定冷却系统的状态为运行正常；
若所述温度差异度大于所述第一预设告警阈值、并且小于或等于第二预设告警阈值，则确定所述冷却系统的状态为冷却器异常；所述第二预设告警阈值大于所述第一预设告警阈值；
若所述温度差异度大于所述第二预设告警阈值、并且小于或等于第三预设告警阈值，则确定所述冷却系统的状态为冷却器故障；所述第三预设告警阈值大于所述第二预设告警阈值；
若所述温度差异度大于所述第三预设告警阈值，则确定所述冷却系统的状态为油温传感器故障。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
根据所述冷却系统的状态，生成并输出对应的告警信息。
6.根据权利要求2所述的方法，其特征在于，所述获取训练样本数据集，包括：
获取预设历史时段内各时间点对应的所述换流站的历史直流功率、所述冷却介质的历史温度、以及所述换流变压器的历史环境温度，得到初始样本数据集；
采用基于密度的离群点检测算法对所述初始样本数据集进行清洗处理；
根据所述清洗处理后的初始样本数据集，确定训练样本数据集。
7.根据权利要求6所述的方法，其特征在于，所述根据所述清洗处理后的初始样本数据集，确定训练样本数据集，包括：
将所述清洗处理后的初始样本数据集进行归一化处理，得到训练样本数据集。
8.一种冷却系统的状态检测装置，其特征在于，所述装置包括：
当前实测温度确定模块，用于获取换流变压器的当前环境温度、所述换流变压器所属换流站的当前直流功率、以及所述换流变压器的冷却系统中冷却介质的当前实测温度；
当前基准温度确定模块，用于将所述当前环境温度和所述当前直流功率输入至预先训练的冷却介质温度预测模型，得到所述冷却介质的当前基准温度；所述当前基准温度为所述冷却系统正常运行情况下所述冷却介质的预计温度；
温度差异度确定模块，用于根据所述当前实测温度和所述当前基准温度确定温度差异度；
状态确定模块，用于根据所述温度差异度确定所述冷却系统的状态。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111051947.1A CN113762391A (zh) | 2021-09-08 | 2021-09-08 | 冷却系统的状态检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111051947.1A CN113762391A (zh) | 2021-09-08 | 2021-09-08 | 冷却系统的状态检测方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113762391A true CN113762391A (zh) | 2021-12-07 |
Family
ID=78794120
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111051947.1A Pending CN113762391A (zh) | 2021-09-08 | 2021-09-08 | 冷却系统的状态检测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113762391A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114285000A (zh) * | 2021-12-31 | 2022-04-05 | 苏州英磁新能源科技有限公司 | 基于电机冷却系统的电机故障处理方法 |
| CN114322446A (zh) * | 2021-12-30 | 2022-04-12 | 盛景智能科技(嘉兴)有限公司 | 冷却系统故障预警方法、装置、冷却系统及作业机械 |
| CN114418334A (zh) * | 2021-12-23 | 2022-04-29 | 国网宁夏电力有限公司超高压公司 | 高压直流输电换流阀冷却系统的综合节能评估方法和系统 |
| CN116499529A (zh) * | 2023-06-25 | 2023-07-28 | 北京电科智芯科技有限公司 | 设备运行状态监测方法、装置、管理终端和存储介质 |
| CN118332826A (zh) * | 2024-06-11 | 2024-07-12 | 知鱼智联科技股份有限公司 | 一种基于数据分析模型的配电室管理方法和系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008249641A (ja) * | 2007-03-30 | 2008-10-16 | Mitsui Eng & Shipbuild Co Ltd | 温度推定方法および温度推定装置 |
| CN101943921A (zh) * | 2010-08-10 | 2011-01-12 | 西安市双合软件技术有限公司 | 一种变压器冷却系统智能控制方法和智能控制装置 |
| CN111854185A (zh) * | 2020-07-21 | 2020-10-30 | 哈尔滨工业大学 | 一种基于神经网络控制的太阳能智能储热系统及控制方法 |
| CN112101519A (zh) * | 2020-08-07 | 2020-12-18 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于lstm的换流阀冷却裕度预测运维方法及系统 |
| CN112672594A (zh) * | 2020-11-27 | 2021-04-16 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流站阀冷却系统进阀温度预测监控方法及系统 |
| CN112857842A (zh) * | 2019-11-11 | 2021-05-28 | 株洲中车时代电气股份有限公司 | 一种冷却系统的故障预警方法及装置 |
| CN113295399A (zh) * | 2021-06-16 | 2021-08-24 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流阀元件状态评估方法、装置、电子设备和存储介质 |
-
2021
- 2021-09-08 CN CN202111051947.1A patent/CN113762391A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008249641A (ja) * | 2007-03-30 | 2008-10-16 | Mitsui Eng & Shipbuild Co Ltd | 温度推定方法および温度推定装置 |
| CN101943921A (zh) * | 2010-08-10 | 2011-01-12 | 西安市双合软件技术有限公司 | 一种变压器冷却系统智能控制方法和智能控制装置 |
| CN112857842A (zh) * | 2019-11-11 | 2021-05-28 | 株洲中车时代电气股份有限公司 | 一种冷却系统的故障预警方法及装置 |
| CN111854185A (zh) * | 2020-07-21 | 2020-10-30 | 哈尔滨工业大学 | 一种基于神经网络控制的太阳能智能储热系统及控制方法 |
| CN112101519A (zh) * | 2020-08-07 | 2020-12-18 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于lstm的换流阀冷却裕度预测运维方法及系统 |
| CN112672594A (zh) * | 2020-11-27 | 2021-04-16 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流站阀冷却系统进阀温度预测监控方法及系统 |
| CN113295399A (zh) * | 2021-06-16 | 2021-08-24 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流阀元件状态评估方法、装置、电子设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 陈锦铭;吴奕;朱海兵;郭雅娟;李斌;胡成博;: "变压器顶层油温短期预测模型研究及应用", 电气应用, no. 22 * |
| 陶俊霖: ""离群点检测算法的研究及其在电子病历处方数据异常检测中的应用"", 《全国优秀硕士学位论文全文数据库》, pages 9 - 11 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114418334A (zh) * | 2021-12-23 | 2022-04-29 | 国网宁夏电力有限公司超高压公司 | 高压直流输电换流阀冷却系统的综合节能评估方法和系统 |
| CN114322446A (zh) * | 2021-12-30 | 2022-04-12 | 盛景智能科技(嘉兴)有限公司 | 冷却系统故障预警方法、装置、冷却系统及作业机械 |
| CN114322446B (zh) * | 2021-12-30 | 2023-10-24 | 盛景智能科技(嘉兴)有限公司 | 冷却系统故障预警方法、装置、冷却系统及作业机械 |
| CN114285000A (zh) * | 2021-12-31 | 2022-04-05 | 苏州英磁新能源科技有限公司 | 基于电机冷却系统的电机故障处理方法 |
| CN114285000B (zh) * | 2021-12-31 | 2024-09-24 | 苏州英磁新能源科技有限公司 | 基于电机冷却系统的电机故障处理方法 |
| CN116499529A (zh) * | 2023-06-25 | 2023-07-28 | 北京电科智芯科技有限公司 | 设备运行状态监测方法、装置、管理终端和存储介质 |
| CN116499529B (zh) * | 2023-06-25 | 2023-09-22 | 北京电科智芯科技有限公司 | 设备运行状态监测方法、装置、管理终端和存储介质 |
| CN118332826A (zh) * | 2024-06-11 | 2024-07-12 | 知鱼智联科技股份有限公司 | 一种基于数据分析模型的配电室管理方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113762391A (zh) | 冷却系统的状态检测方法、装置、计算机设备和存储介质 | |
| EP3407267A1 (en) | Deep learning network architecture optimization for uncertainty estimation in regression | |
| WO2019114344A1 (zh) | 一种基于图结构模型的异常账号防控方法、装置以及设备 | |
| US20180336437A1 (en) | Streaming graph display system with anomaly detection | |
| CN110647414A (zh) | 具有异常检测的改善的模拟功能安全 | |
| CN113887845B (zh) | 极端事件预测方法、装置、设备和存储介质 | |
| Hao et al. | Nonlinear step-stress accelerated degradation modelling considering three sources of variability | |
| Ho et al. | A robust statistical approach to distributed power system state estimation with bad data | |
| Kang et al. | Efficient feature selection-based on random forward search for virtual metrology modeling | |
| CN109065176B (zh) | 一种血糖预测方法、装置、终端和存储介质 | |
| US10564195B2 (en) | System and method for energy sample forecasting of HVAC-R systems | |
| CN111625516A (zh) | 检测数据状态的方法、装置、计算机设备和存储介质 | |
| Skordilis et al. | A condition monitoring approach for real-time monitoring of degrading systems using Kalman filter and logistic regression | |
| JP2018528511A (ja) | 生産システムにおける出力効率の最適化 | |
| Ruta et al. | Deep bi-directional LSTM networks for device workload forecasting | |
| CN115795928A (zh) | 基于伽马过程的加速退化试验数据处理方法和装置 | |
| CN113295399B (zh) | 换流阀元件状态评估方法、装置、电子设备和存储介质 | |
| US11501132B2 (en) | Predictive maintenance system for spatially correlated industrial equipment | |
| Dang et al. | seq2graph: Discovering dynamic non-linear dependencies from multivariate time series | |
| US20180067831A1 (en) | Fine-Grained Causal Anomaly Inference for Complex System Fault Diagnosis | |
| Hu et al. | Online updating with a probability-based prediction model using expectation maximization algorithm for reliability forecasting | |
| Niu et al. | A distributed stochastic proximal-gradient algorithm for composite optimization | |
| US20230305551A1 (en) | Method and system for automated fault detection | |
| Nagaraju et al. | Adaptive Incremental Learning for Software Reliability Growth Models | |
| CN115169155A (zh) | 发动机故障预测方法、装置、计算机设备和存储介质 |
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 |