CN113849540A - 故障预测模型训练和预测方法、装置、电子设备及介质 - Google Patents

故障预测模型训练和预测方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN113849540A
CN113849540A CN202111108055.0A CN202111108055A CN113849540A CN 113849540 A CN113849540 A CN 113849540A CN 202111108055 A CN202111108055 A CN 202111108055A CN 113849540 A CN113849540 A CN 113849540A
Authority
CN
China
Prior art keywords
model
training
prediction
analysis data
historical analysis
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.)
Granted
Application number
CN202111108055.0A
Other languages
English (en)
Other versions
CN113849540B (zh
Inventor
朱振海
梁景森
曾森杨
陈琛
叶敏娜
张锦军
杨晶晶
盖凌云
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.)
Guangdong Power Grid Energy Investment Co ltd
Guangdong Power Grid Co Ltd
Qingyuan Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Energy Investment Co ltd
Guangdong Power Grid Co Ltd
Qingyuan Power Supply Bureau of Guangdong Power Grid 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 Guangdong Power Grid Energy Investment Co ltd, Guangdong Power Grid Co Ltd, Qingyuan Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Energy Investment Co ltd
Priority to CN202111108055.0A priority Critical patent/CN113849540B/zh
Publication of CN113849540A publication Critical patent/CN113849540A/zh
Application granted granted Critical
Publication of CN113849540B publication Critical patent/CN113849540B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • 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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例公开了一种故障预测模型训练方法。该方法包括：获取数据库中存储的各溶解气体的历史分析数据；根据所述历史分析数据对预设模型进行训练，得到至少两个候选模型；确定至少两个候选模型的预测误差，并选择预测误差最小的候选模型作为变压器故障预测模型。以上技术方案通过训练多个模型，并比较多个模型的预测误差，从中选择一个预测误差最小的模型作为优选模型，可以实现更准确的对变压器油中溶解气体的含量进行预测，从而可以及时的对变压器潜在的故障进行预判，保障了电网安全有效的运行。

Description

故障预测模型训练和预测方法、装置、电子设备及介质
技术领域
本申请实施例涉及电力技术领域，尤其涉及一种故障预测模型训练和预测方法、装置、电子设备及介质。
背景技术
目前绝大多数大型电力变压器的绝缘结构是由油纸或油和纸板组成的。当变压器内部发生热故障、放电性故障或者油、纸老化问题时，变压器内部均会产生各种溶解气体，油中溶解气体的组分和含量可以用于表征油浸式电力变压器内部绝缘故障。
虽然目前模糊数学、神经网络、马尔可夫模型等已经被应用到了设备故障预测领域，但国内外对变压器故障预判的研究却很少，缺乏适用于更广泛的变压器内部油色谱数据的预测方法。
发明内容
本申请实施例提供一种故障预测模型训练和预测方法、装置、电子设备及介质，可以实现对变压器油中溶解气体的含量进行准确的预测，从而可以及时的对变压器潜在的故障进行预判，保障了电网安全有效的运行。
在一个实施例中，本申请实施例提供了一种故障预测模型训练方法，所述方法包括：
获取数据库中存储的各溶解气体的历史分析数据；
根据所述历史分析数据对预设模型进行训练，得到至少两个候选模型；
确定至少两个候选模型的预测误差，并选择预测误差最小的候选模型作为变压器故障预测模型。
在另一个实施例中，本申请实施例提供了一种故障预测方法，所述方法包括：
获取用户输入的查询数据；其中，所述查询数据包括变压器名称、预测气体的名称以及预测时间；
将所述查询数据输入变压器故障预测模型，得到对变压器故障的预测结果；
其中，所述变压器故障预测模型基于上述任一实施例中所述的变压器故障预测模型的训练方法训练获得。
在一个实施例中，本申请实施例提供了一种故障预测模型训练装置，其特征在于，该装置包括：
数据获取模块，用于获取数据库中存储的各溶解气体的历史分析数据；
模型训练模块，用于根据所述历史分析数据对预设模型进行训练，得到至少两个候选模型；
模型确定模块，用于确定至少两个候选模型的预测误差，并选择预测误差最小的候选模型作为变压器故障预测模型。
在另一个实施例中，本申请实施例提供了一种故障预测装置，其特征在于，所述装置包括：
查询数据获取模块，用于获取用户输入的查询数据；其中，所述查询数据包括变压器名称、预测气体的名称以及预测时间；
故障预测模块，用于将所述查询数据输入变压器故障预测模型，得到对变压器故障的预测结果；
其中，所述变压器故障预测模型基于上述任一实施例中所述的变压器故障预测模型的训练方法训练获得。
在一个实施例中，本申请实施例提供了一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，所述一个或多个处理器实现如本申请任一实施例所述的故障预测模型训练方法，或实现如本申请任一实施例所述故障预测方法。
在一个实施例中，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本申请任一实施例所述的故障预测模型训练方法，或实现如本申请任一实施例所述故障预测方法。
本申请实施例通过以下方法得到了变压器故障预测模型：获取数据库中存储的各溶解气体的历史分析数据；根据所述历史分析数据对预设模型进行训练，得到至少两个候选模型；确定至少两个候选模型的预测误差，并选择预测误差最小的候选模型作为变压器故障预测模型。本申请实施例通过训练多个模型，并比较多个模型的预测误差，从中选择一个预测误差最小的模型作为优选模型，可以实现更准确的对变压器油中溶解气体的含量进行预测，从而可以及时的对变压器潜在的故障进行预判，保障了电网安全有效的运行。
附图说明
图1是本申请一种实施例提供的故障预测模型训练方法流程图；
图2是本申请另一种实施例提供的故障预测模型训练方法流程图；
图3是本申请又一种实施例提供的故障预测方法流程图；
图4是本申请再一种实施例提供的故障预测模型训练及预测方法流程图；
图5是本申请一种实施例提供的故障预测模型训练装置结构框图；
图6是本申请一种实施例提供的故障预测装置结构框图；
图7是本申请一种实施例提供的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请在实施例中作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。
图1是本申请一种实施例提供的故障预测模型训练方法流程图，本实施例可适用于对变压器中溶解气体的含量进行预测的场景中。该方法可以由本申请实施例所提供的故障预测模型训练装置执行，该装置可以由软件和/或硬件的方式来实现，并可集成于电子设备中。
如图1所示，本申请实施例中提供的故障预测模型训练方法可包括以下步骤：
S110、获取数据库中存储的各溶解气体的历史分析数据。
本申请实施例中，历史分析数据是指历史各次对变压器油中的溶解气体进行分析得到的数据，历史分析数据可以包括溶解气体的组分和含量。其中，可以通过色谱法对变压器油中的溶解气体的组分和含量进行分析。
S120、根据所述历史分析数据对预设模型进行训练，得到至少两个候选模型。
其中，预设模型用于对变压器油中溶解气体的含量进行预测。
本申请实施例中，预测模型包括至少两种模型。预设模型可以是循环神经网络模型、卷积神经网络模型、支持向量机等。
本申请实施例中，预设模型为没有经过训练的初始模型，所以预设模型中的参数为初始参数，为了使模型的预测误差达到最小，需要根据历史分析数据对模型进行训练，训练的过程即为模型调整参数的过程。当调整的参数可以使模型的预测误差达到最小时，训练结束，此时可得到候选模型。
S130、确定至少两个候选模型的预测误差，并选择预测误差最小的候选模型作为变压器故障预测模型。
其中，预测误差用于评估候选模型的预测性能，预测误差越小，模型的预测性能越好。本申请实施例中，预测误差可以是均方误差、平均绝对误差以及平均绝对百分比误差等中的至少一种。
本申请实施例中，所述根据各溶解气体的历史分析数据对预设模型进行训练，包括：
将各溶解气体的历史分析数据分割为训练集和测试集；
利用训练集对预设模型进行训练，得到至少两个候选模型；
相应地，确定至少两个候选模型的预测误差，包括：
利用测试集对至少两个候选模型进行测试，得到至少两个候选模型的预测误差。
其中，可以根据实际需求将各溶解气体的历史分析数据分割为训练集和测试集。例如，溶解气体二氧化碳的历史分析数据有十条，可以将前60％的数据构成训练集，后40％的数据构成测试集。
训练集用于调整预设模型的参数，使预设模型的预测误差达到最小。当预设模型的预测误差达到最小时，即得到了候选模型。
测试集用于测试候选模型的预测性能，候选模型的预测性能可以通过预测误差表征。将测试集中的历史分析数据输入候选模型，候选模型进行预测并计算预测误差，将预测误差最小的候选模型作为本申请实施例的变压器故障预测模型。
本申请实施例通过以下方法得到了变压器故障预测模型：获取数据库中存储的各溶解气体的历史分析数据；根据所述历史分析数据对预设模型进行训练，得到至少两个候选模型；确定至少两个候选模型的预测误差，并选择预测误差最小的候选模型作为变压器故障预测模型。本申请实施例通过训练多个模型，并比较多个模型的预测误差，从中选择一个预测误差最小的模型作为优选模型，可以实现更准确的对变压器油中溶解气体的含量进行预测，从而可以及时的对变压器潜在的故障进行预判，保障了电网安全有效的运行。
图2是本申请另一种实施例提供的故障预测模型训练方法流程图，本实施例以上述实施例为基础进行优化，具体优化为：所述获取数据库中存储的各溶解气体的历史分析数据，包括：响应于用户的查询数据操作，从所述数据库中获取生成时间距离当前时间最近的预设数量个历史分析数据，构成各溶解气体的历史分析数据序列；相应的，所述根据所述历史分析数据对预设模型进行训练包括：根据各溶解气体的历史分析数据序列对预设模型进行训练，得到至少两个候选模型。
如图2所示，本申请实施例中提供的故障预测模型训练方法可包括以下步骤：
S210、响应于用户的查询数据输入操作，从所述数据库中获取生成时间距离当前时间最近的预设数量个历史分析数据，构成各溶解气体的历史分析数据序列。
其中，用户的查询数据输入操作，是指当用户需要使用故障预测模型对变压器油中某一种溶解气体进行预测时，将需要预测的溶解气体的名称输入进电子设备。本申请实施例中，可以实现在每次获取到用户输入的溶解气体的名称后，从数据库中取出生成时间距离当前时间最近的预设数量个历史分析数据对模型进行训练。
本申请实施例中，每次通过色谱法对变压器绝缘油中溶解气体的组分含量进行分析时，都会生成历史分析数据，然后将生成的历史分析数据以及生成时间存储到数据库中。当获取到用户的查询数据输入操作时，将数据库中生成时间距离当前时间最近的预设数量个历史分析数据取出，构成各溶解气体的历史分析数据序列，其中，预设数量可以根据实际需求进行设置。例如，数据库中分别存储着2021年9月8号早上7点、8点、9点、10点、11点生成的历史分析数据，预设数量设置为4。当下午1点获取到用户的查询数据输入操作时，将数据库中存储的8点、9点、10点、11点生成的历史分析数据取出来，构成各溶解气体的历史分析数据序列。
S220、根据各溶解气体的历史分析数据序列对预设模型进行训练，得到至少两个候选模型。
S230、确定至少两个候选模型的预测误差，并选择预测误差最小的候选模型作为变压器故障预测模型。
本申请实施例中，构成各溶解气体的历史分析数据序列之后，所述方法还包括：
对所述各溶解气体的历史分析数据序列进行非等间隔处理，得到各溶解气体的非等间隔建模序列；
相应的，所述根据所述历史分析数据对预设模型进行训练包括：
根据所述非等间隔建模序列对预设模型进行训练，得到至少两个候选模型。
其中，非等间隔处理是对于时间序列的一种预处理方法。示例性的，非等间隔处理可包括如下步骤：
1)令x(0)为非等间隔序列x(0)＝{x(0)(Pi)|Pi∈R+,i＝1,2,…,n}，记iP为小于Pi且最接近Pi的正整数，记为ΔPi＝Pi-iP。
2)构造等间隔数列
Figure BDA0003273231950000081
和非整数列
Figure BDA0003273231950000082
和
Figure BDA0003273231950000083
构成建模序列
Figure BDA0003273231950000084
Figure BDA0003273231950000085
Figure BDA0003273231950000086
Figure BDA0003273231950000087
其中当Pi为整数时，
Figure BDA0003273231950000088
若原始数列中不存在数值
Figure BDA0003273231950000091
则采用拉格朗日一元三点插值法进行插值计算，其公式如下所示。
Figure BDA0003273231950000092
其中
Figure BDA0003273231950000093
对等间隔数列
Figure BDA0003273231950000094
进行级比检验，若有级比
Figure BDA0003273231950000095
则使用平移法改造原始数列，对建模序列
Figure BDA0003273231950000096
进行平移，平移值Q*通过如下公式确定，ε为y的级比偏差的指定值。
Figure BDA0003273231950000097
本申请实施例通过对历史分析数据序列进行非等间隔处理，为故障预测模型提供了更良好的数据支持，有益于提高故障预测模型的预测准确率。
本申请实施例中，所述预设模型，包括：非等间隔GM(1，1)模型、非等间隔Verhulst模型、改进的GM(1，1)模型以及原始灰色Verhulst模型中的至少两项。
其中，非等间隔GM(1，1)模型、非等间隔Verhulst模型、改进的GM(1，1)模型以及原始灰色Verhulst模型均为灰色预测模型。灰色预测模型(Gray Forecast Model)是通过少量的、不完全的信息，建立数学模型并做出预测的一种预测方法，是处理小样本预测问题的有效工具。
本申请实施例通过选择适于小样本预测问题的模型，提高了变压器故障预测的准确率，保障了电网安全有效的运行。
本申请实施例中，获取数据库中存储的各溶解气体的历史分析数据之后，所述方法还包括：
从所述历史分析数据中，将已被用于变压器故障预测模型训练的历史分析数据滤除。
本申请实施例通过滤除已被用于变压器故障预测模型训练的历史分析数据，保证了模型每次都可以根据新数据进行训练，提高了模型的可靠性。
本申请实施例通过以下方法完成了故障预测模型的训练：响应于用户的查询数据输入操作，从所述数据库中获取生成时间距离当前时间最近的预设数量个历史分析数据，构成各溶解气体的历史分析数据序列；相应的，所述根据所述历史分析数据对预设模型进行训练包括：根据各溶解气体的历史分析数据序列对预设模型进行训练，得到至少两个候选模型。本申请实施例通过以上技术方案实现了在每次用户需要使用故障预测模型对溶解气体进行预测前，重新根据生成时间距离当前时间最近的预设数量个历史分析数据重新对模型进行训练，使模型不断根据最新的数据对参数进行调整，提高了模型的预测准确率，可以更准确的对变压器油中溶解气体的含量进行预测，从而及时的对变压器潜在的故障进行预判，保障了电网安全有效的运行。
图3是本申请又一种实施例提供的故障预测方法流程图。如图3所示，本申请实施例中提供的障预测方法可包括以下步骤：
S310、获取用户输入的查询数据；其中，所述查询数据包括变压器名称、预测气体的名称以及预测时间。
其中，变压器名称用于标识变压器，可以根据变压器的类别、用途对变压器命名，也可以根据数字、符号等组合对变压器进行命名。预测气体是指变压器绝缘油中的溶解气体，可以包括一氧化碳、二氧化碳、甲烷、乙烯、乙炔等任一种。预测时间是指希望故障预测模型输出的预测结果对应的时间，例如，若用户输入的预测时间为5分钟，则故障预测模型输出未来五分钟内某种预测气体的含量。
S320、将所述查询数据输入变压器故障预测模型，得到对变压器故障的预测结果。
其中，所述变压器故障预测模型根据上述任一实施例提供的故障预测模型的训练方法训练获得。
本申请实施例中，所述预测结果包括变压器油中与查询数据关联的溶解气体的含量。
本申请实施例可以通过对变压器油中溶解气体的含量进行预测，判断变压器是否存在潜伏性的过热、放电等故障。
本申请实施例通过以下方法实现了对变压器故障的预测：获取用户输入的查询数据；其中，所述查询数据包括变压器名称、预测气体的名称以及预测时间；将所述查询数据输入变压器故障预测模型，得到对变压器故障的预测结果。本申请实施例将训练好的故障预测模型储存起来，当用户有预测需求时，可以直接调用故障预测模型，并根据用户输入的查询数据得到预测结果，节省了大量的时间成本。
图4是本申请再一种实施例提供的故障预测模型训练及预测方法流程图。如图4所示，本申请实施例中提供的故障预测模型训练及预测方法可包括以下步骤：
1、用户输入变压器名称、预测气体名称和预测时间，从数据库中以生成时间距离当前时间最近的一次历史分析数据为参考点，逐次向前取得这台变压器所要预测气体的4次历史分析数据，构成原始序列(若有曾经做过油处理的数据将不进行预测)；
2、对原始序列进行非等间隔预处理，得到满足下述条件的建模序列；
1)令x(0)为非等间隔序列x(0)＝{x(0)(Pi)|Pi∈R+,i＝1,2,…,n}，记iP为小于Pi且最接近Pi的正整数，记为ΔPi＝Pi-iP。
2)构造等间隔数列
Figure BDA0003273231950000121
和非整数列
Figure BDA0003273231950000122
和
Figure BDA0003273231950000123
构成建模序列
Figure BDA0003273231950000124
Figure BDA0003273231950000125
Figure BDA0003273231950000126
Figure BDA0003273231950000127
其中当Pi为整数时，
Figure BDA0003273231950000128
若原始数列中不存在数值
Figure BDA0003273231950000129
则采用拉格朗日一元三点插值法进行插值计算，其公式如下所示。
Figure BDA00032732319500001210
其中
Figure BDA00032732319500001211
对等间隔数列
Figure BDA00032732319500001212
进行级比检验，若有级比
Figure BDA00032732319500001213
则使用平移法改造原始数列，对建模序列
Figure BDA0003273231950000131
进行平移，平移值Q*通过如下公式确定，ε为y的级比偏差的指定值。
Figure BDA0003273231950000132
3、对步骤2中预处理得到的建模序列进行灰色预测建模，将构建的非等间隔GM(1，1)模型、非等间隔Verhulst模型、以及改进的GM(1，1)模型、原始灰色Verhulst模型构成模型群；
对
Figure BDA0003273231950000133
作一阶累加生成，分别对
Figure BDA0003273231950000134
和
Figure BDA0003273231950000135
进行累加生成，得到累加生成序列
Figure BDA0003273231950000136
和
Figure BDA0003273231950000137
Figure BDA0003273231950000138
Figure BDA0003273231950000139
Figure BDA00032732319500001310
Figure BDA00032732319500001311
和
Figure BDA00032732319500001312
共同构成1-AGO累加生成序列。
非等间隔GM(1,1)模型建模步骤如下：
1)：灰色GM(1,1)白化微分方程求解
灰色GM(1,1)白化微分方程为
Figure BDA00032732319500001313
其时间响应为
Figure BDA00032732319500001314
2)：参数求解
令Z为背景值，
Figure BDA0003273231950000141
其中0≤β≤1，Pi为整数
Figure BDA0003273231950000142
其中0≤β≤1，Pi为小数
Figure BDA0003273231950000143
利用最小二乘法求解得到a、u值，
令m＝1，
Figure BDA0003273231950000144
得到
Figure BDA0003273231950000145
3)：计算X(1)的预测值
Figure BDA0003273231950000146
X(1)的预测公式为：
Figure BDA0003273231950000147
4)：对X(1)的预测值
Figure BDA0003273231950000148
进行累减还原，求取
Figure BDA0003273231950000149
Figure BDA00032732319500001410
Pi为整数
Figure BDA00032732319500001411
Pi为小数
5)：背景值优化。依次增加β值，重新计算模型参数，并计算模型相对误差。令
Figure BDA00032732319500001412
Pi、iP为整数
Figure BDA00032732319500001413
Pi为小数
s＝∑|qin(iP)|+∑|qde(Pi)|
使s最小的β值为优化的β值，相应的背景值为优化背景值。
6)：初值优化。依次取
Figure BDA00032732319500001414
重复计算步骤2中的参数，取相对误差s最小的模型参数用于实际预测。
7)：残差检验
计算残差，一般残差ε(avg)＜10％时模型能够满足工程要求，若残差合格，则使用该模型进行预测。
Figure BDA0003273231950000151
Figure BDA0003273231950000152
非等间隔Verhulst模型建模步骤如下：
1)：灰色Verhulst白化微分方程求解
灰色Verhulst白化微分方程为：
Figure BDA0003273231950000153
其时间响应为：
Figure BDA0003273231950000154
令
Figure BDA0003273231950000155
有
Figure BDA0003273231950000156
2)：参数求解
灰色Verhulst非等间隔白化微分方程为：
Figure BDA0003273231950000157
当Pi为整数时，
Figure BDA0003273231950000158
当Pi为小数时，
Figure BDA0003273231950000161
令Z为背景值，
Figure BDA0003273231950000162
其中0≤β≤1，Pi为整数
Figure BDA0003273231950000163
其中0≤β≤1，Pi为小数
Figure BDA0003273231950000164
利用最小二乘法求解得到a、b值
3)：计算X(1)的预测值
Figure BDA0003273231950000165
Figure BDA0003273231950000166
4)：对X(1)的预测值
Figure BDA0003273231950000167
进行累减还原，求取
Figure BDA0003273231950000168
Figure BDA0003273231950000169
Pi为整数
Figure BDA00032732319500001610
Pi为小数
5)：背景值优化。依次增加β值，重新计算模型参数，并计算模型相对误差。令
Figure BDA00032732319500001611
Pi、iP为整数
Figure BDA00032732319500001612
Pi为小数
s＝∑|qin(iP)|+∑|qde(Pi)|
使s最小的β值为优化的β值，相应的背景值为优化背景值。
6)：初值优化。依次取
Figure BDA00032732319500001613
重复计算步骤2中的参数，取相对误差s最小的模型参数用于实际预测。
7)：残差检验。残差检验方法与非等间隔GM(1,1)模型相同。
改进的GM(1,1)灰色预测建模步骤如下：
1)：假定原始序列为
X(0)＝(x(0)(t1),x(0)(t2),…,x(0)(tn))，式中n为样本数
2)：对原始序列进行一阶累加生成
Figure BDA0003273231950000171
3)：对X(1)建立白化微分方程
Figure BDA0003273231950000172
4)：参数求解
令Z为背景值，使用最小二乘法求解参数a和b
z(k)＝βx(1)(k)+(1-β)x(1)(k-1),(β∈[0,1],k＝2,3,…,n)
5)：白化微分方程求解
代入参数求解得到微分方程的解为：
Figure BDA0003273231950000173
数据还原，得到GM(1,1)模型的预测公式：
Figure BDA0003273231950000174
6)：背景值优化。依次增加β值，重新计算模型参数，并计算模型相对误差。
Figure BDA0003273231950000175
分别计算模型的
Figure BDA0003273231950000176
选取
Figure BDA0003273231950000177
最小时对应的β、a、b，作为模型参数值。
原始灰色Verhulst预测模型建模步骤如下：
1)：设X(0)为原始序列，X(1)为X(0)的1-AGO序列，Z(1)为X(1)的紧邻均值序列，X(0)+aZ(1)＝b(Z(1))2为Verhulst模型
2)：建立Verhulst模型的白化微分方程
Figure BDA0003273231950000181
3)：使用最小二乘法求解参数a和b
4)：白化微分方程求解
灰色Verhulst模型白化微分方程的解为
Figure BDA0003273231950000182
其时间响应式为
Figure BDA0003273231950000183
4、将步骤3中建立的模型组合成灰色模型群，根据历史数据预测结果的误差比较各个模型的优劣，从中选择一个误差最小的预测模型作为最终的优选模型；
5、将变压器名称、预测气体名称和预测时间输入步骤4中的优选模型，模型输出预测结果。
图5是本申请一种实施例提供的故障预测模型训练装置结构框图，该装置可执行本申请任意实施例所提供的故障预测模型训练方法，具备执行方法相应的功能模块和有益效果。如图5所示，该装置可以包括：
数据获取模块410，用于获取数据库中存储的各溶解气体的历史分析数据。
模型训练模块420，用于根据所述历史分析数据对预设模型进行训练，得到至少两个候选模型。
模型确定模块430，用于确定至少两个候选模型的预测误差，并选择预测误差最小的候选模型作为变压器故障预测模型。
本申请实施例中，所述模型训练模块420，具体用于：用于将各溶解气体的历史分析数据分割为训练集和测试集；用于利用训练集对预设模型进行训练，得到至少两个候选模型；相应的，
所述模型确定模块430，具体用于：利用测试集对至少两个候选模型进行测试，得到至少两个候选模型的预测误差。
本申请实施例中，所述数据获取模块410，具体用于：响应于用户的查询数据输入操作，从所述数据库中获取生成时间距离当前时间最近的预设数量个历史分析数据，构成各溶解气体的历史分析数据序列；相应的，
所述模型训练模块420，具体用于：根据各溶解气体的历史分析数据序列对预设模型进行训练，得到至少两个候选模型。
本申请实施例中，所述装置还包括：
数据处理模块，用于对所述各溶解气体的历史分析数据序列进行非等间隔处理，得到各溶解气体的非等间隔建模序列；相应的，
所述模型训练模块420，具体用于：根据所述非等间隔建模序列对预设模型进行训练，得到至少两个候选模型。
本申请实施例中，所述预设模型，包括：非等间隔GM(1，1)模型、非等间隔Verhulst模型、改进的GM(1，1)模型以及原始灰色Verhulst模型中的至少两项。
本申请实施例中，所述装置还包括：
数据滤除模块，用于从所述历史分析数据中，将已被用于变压器故障预测模型训练的历史分析数据滤除。
上述产品可执行本申请实施例所提供的故障预测模型训练方法，具备执行方法相应的功能模块和有益效果。
图6是本申请一种实施例提供的故障预测装置结构框图，该装置可执行本申请任意实施例所提供的故障预测方法，具备执行方法相应的功能模块和有益效果。如图6所示，该装置可以包括：
查询数据获取模块510，用于获取用户输入的查询数据；其中，所述查询数据包括变压器名称、预测气体的名称以及预测时间。
故障预测模块520，用于将所述查询数据输入变压器故障预测模型，得到对变压器故障的预测结果。
其中，所述变压器故障预测模型根据上述任一实施例提供的故障预测模型的训练方法训练获得。
本申请实施例中，所述预测结果包括变压器油中与查询数据关联的溶解气体的含量。
上述产品可执行本申请实施例所提供的故障预测方法，具备执行方法相应的功能模块和有益效果。
图7是本申请一种实施例提供的电子设备的结构示意图。图7示出了适于用来实现本申请实施例的示例性电子设备612的框图。图7显示的电子设备612仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示，电子设备612可以包括：一个或多个处理器616；存储器628，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器616执行，使得所述一个或多个处理器616实现本申请实施例所提供的故障预测模型训练方法，包括：
获取数据库中存储的各溶解气体的历史分析数据；
根据所述历史分析数据对预设模型进行训练，得到至少两个候选模型；
确定至少两个候选模型的预测误差，并选择预测误差最小的候选模型作为变压器故障预测模型。
或者实现本申请实施例所提供的故障预测方法，包括：
获取用户输入的查询数据；其中，所述查询数据包括变压器名称、预测气体的名称以及预测时间；
将所述查询数据输入变压器故障预测模型，得到对变压器故障的预测结果；
其中，所述变压器故障预测模型根据上述任一实施例提供的变压器故障预测模型的训练方法训练获得。
电子设备612的组件可以包括但不限于：一个或者多个处理器616，存储器628，连接不同设备组件(包括存储器628和处理器616)的总线618。
总线618表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，处理型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备612典型地包括多种计算机设备可读存储介质。这些存储介质可以是任何能够被电子设备612访问的可用存储介质，包括易失性和非易失性存储介质，可移动的和不可移动的存储介质。
存储器628可以包括易失性存储器形式的计算机设备可读存储介质，例如随机存取存储器(RAM)630和/或高速缓存存储器632。电子设备612可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机设备存储介质。仅作为举例，存储系统634可以用于读写不可移动的、非易失性磁存储介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光存储介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据存储介质接口与总线618相连。存储器628可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块642的程序/实用工具640，可以存储在例如存储器628中，这样的程序模块642包括但不限于操作设备、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块642通常执行本申请所描述的实施例中的功能和/或方法。
电子设备612也可以与一个或多个外部设备614和/或显示器624等通信，还可与一个或者多个使得用户能与该电子设备612交互的设备通信，和/或与使得该电子设备612能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口622进行。并且，电子设备612还可以通过网络适配器620与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图7所示，网络适配器620通过总线618与电子设备612的其它模块通信。应当明白，尽管图7中未示出，可以结合电子设备612使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID设备、磁带驱动器以及数据备份存储设备等。
处理器616通过运行存储在存储器628中的多个程序中其他程序的至少一个，从而执行各种功能应用以及数据处理，例如实现本申请实施例所提供的一种故障预测模型训练方法，或本申请实施例提供的一种故障预测方法。
本申请一种实施例提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行本申请实施例所提供的故障预测模型训练方法，包括：
获取数据库中存储的各溶解气体的历史分析数据；
根据所述历史分析数据对预设模型进行训练，得到至少两个候选模型；
确定至少两个候选模型的预测误差，并选择预测误差最小的候选模型作为变压器故障预测模型。
或者执行本申请实施例所提供的故障预测方法，包括：
获取用户输入的查询数据；其中，所述查询数据包括变压器名称、预测气体的名称以及预测时间；
将所述查询数据输入变压器故障预测模型，得到对变压器故障的预测结果；
其中，所述变压器故障预测模型根据上述任一实施例提供的变压器故障预测模型的训练方法训练获得。
本申请实施例的计算机存储介质，可以采用一个或多个计算机可读的存储介质的任意组合。计算机可读存储介质可以是计算机可读信号存储介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的设备、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请实施例中，计算机可读存储介质可以是任何包含或存储程序的有形存储介质，该程序可以被指令执行设备、装置或者器件使用或者与其结合使用。
计算机可读的信号存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号存储介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读存储介质可以发送、传播或者传输用于由指令执行设备、装置或者器件使用或者与其结合使用的程序。
计算机可读存储介质上包含的程序代码可以用任何适当的存储介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或设备上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。

Claims (12)

1.一种故障预测模型训练方法，其特征在于，所述方法包括：
获取数据库中存储的各溶解气体的历史分析数据；
根据所述历史分析数据对预设模型进行训练，得到至少两个候选模型；
确定至少两个候选模型的预测误差，并选择预测误差最小的候选模型作为变压器故障预测模型。
2.根据权利要求1所述的方法，其特征在于，所述根据各溶解气体的历史分析数据对预设模型进行训练，包括：
将各溶解气体的历史分析数据分割为训练集和测试集；
利用训练集对预设模型进行训练，得到至少两个候选模型；
相应地，确定至少两个候选模型的预测误差，包括：
利用测试集对至少两个候选模型进行测试，得到至少两个候选模型的预测误差。
3.根据权利要求1所述的方法，其特征在于，所述获取数据库中存储的各溶解气体的历史分析数据，包括：
响应于用户的查询数据输入操作，从所述数据库中获取生成时间距离当前时间最近的预设数量个历史分析数据，构成各溶解气体的历史分析数据序列；
相应的，所述根据所述历史分析数据对预设模型进行训练包括：
根据各溶解气体的历史分析数据序列对预设模型进行训练，得到至少两个候选模型。
4.根据权利要求3所述的方法，其特征在于，构成各溶解气体的历史分析数据序列之后，所述方法还包括：
对所述各溶解气体的历史分析数据序列进行非等间隔处理，得到各溶解气体的非等间隔建模序列；
相应的，所述根据所述历史分析数据对预设模型进行训练包括：
根据所述非等间隔建模序列对预设模型进行训练，得到至少两个候选模型。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述预设模型，包括：非等间隔GM(1，1)模型、非等间隔Verhulst模型、改进的GM(1，1)模型以及原始灰色Verhulst模型中的至少两项。
6.根据权利要求1所述的方法，其特征在于，获取数据库中存储的各溶解气体的历史分析数据之后，所述方法还包括：
从所述历史分析数据中，将已被用于变压器故障预测模型训练的历史分析数据滤除。
7.一种故障预测方法，其特征在于，所述方法包括：
获取用户输入的查询数据；其中，所述查询数据包括变压器名称、预测气体的名称以及预测时间；
将所述查询数据输入变压器故障预测模型，得到对变压器故障的预测结果；
其中，所述变压器故障预测模型采用权利要求1-6任一所述的变压器故障预测模型的训练方法训练获得。
8.根据权利要求7所述的方法，其特征在于，所述预测结果包括变压器油中与查询数据关联的溶解气体的含量。
9.一种故障预测模型训练装置，其特征在于，所述装置包括：
数据获取模块，用于获取数据库中存储的各溶解气体的历史分析数据；
模型训练模块，用于根据所述历史分析数据对预设模型进行训练，得到至少两个候选模型；
模型确定模块，用于确定至少两个候选模型的预测误差，并选择预测误差最小的候选模型作为变压器故障预测模型。
10.一种故障预测装置，其特征在于，所述装置包括：
查询数据获取模块，用于获取用户输入的查询数据；其中，所述查询数据包括变压器名称、预测气体的名称以及预测时间；
故障预测模块，用于将所述查询数据输入变压器故障预测模型，得到对变压器故障的预测结果；
其中，所述变压器故障预测模型采用权利要求1-6任一所述的变压器故障预测模型的训练方法训练获得。
11.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，所述一个或多个处理器实现如权利要求1-6中任一项所述的故障预测模型训练方法，或实现如权利要求7-8中任一项所述故障预测方法。
12.一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，该程序被处理器执行时实现如权利要求1-6中任一项所述的故障预测模型训练方法，或实现如权利要求7-8中任一项所述故障预测方法。
CN202111108055.0A 2021-09-22 2021-09-22 故障预测模型训练和预测方法、装置、电子设备及介质 Active CN113849540B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111108055.0A CN113849540B (zh) 2021-09-22 2021-09-22 故障预测模型训练和预测方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111108055.0A CN113849540B (zh) 2021-09-22 2021-09-22 故障预测模型训练和预测方法、装置、电子设备及介质

Publications (2)

Publication Number Publication Date
CN113849540A true CN113849540A (zh) 2021-12-28
CN113849540B CN113849540B (zh) 2024-10-11

Family

ID=78974905

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111108055.0A Active CN113849540B (zh) 2021-09-22 2021-09-22 故障预测模型训练和预测方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN113849540B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101799369A (zh) * 2010-01-27 2010-08-11 北京信息科技大学 一种动力设备故障监测预报中的灰色建模方法
CN104376202A (zh) * 2014-11-11 2015-02-25 国家电网公司 基于离散灰色模型的电力变压器特征状态量预测方法
CN107203690A (zh) * 2017-04-21 2017-09-26 南京理工大学 一种gm（1,1）模型变压器故障预测方法
CN108152612A (zh) * 2017-11-23 2018-06-12 全球能源互联网研究院有限公司 一种变压器故障预测方法、装置、终端及可读存储介质
CN108241901A (zh) * 2016-12-27 2018-07-03 全球能源互联网研究院 一种基于预测数据的变压器预警评估方法及装置
CN108873859A (zh) * 2018-05-31 2018-11-23 浙江工业大学 基于改进关联规则的桥式抓斗卸船机故障预测模型方法
CN109100429A (zh) * 2018-06-26 2018-12-28 武汉大学 一种组合预测残差修正的油中气体预测方法
CN110376458A (zh) * 2019-07-03 2019-10-25 东华大学 优化孪生支持向量机的电力变压器故障诊断系统
CN110441500A (zh) * 2019-08-15 2019-11-12 昆明理工大学 一种基于长短期记忆网络的变压器油中溶解气体浓度预测方法
CN111426816A (zh) * 2020-04-10 2020-07-17 昆明理工大学 一种基于pso-lstm的变压器油中溶解气体浓度预测方法
CN111723982A (zh) * 2020-06-11 2020-09-29 电子科技大学 基于灰色-马尔可夫链的中长期电力负荷组合预测方法
US20210089900A1 (en) * 2019-09-20 2021-03-25 Wuhan University Transformer dga data prediction method based on multi-dimensional time sequence frame convolution lstm
CN112549970A (zh) * 2020-12-09 2021-03-26 广州橙行智动汽车科技有限公司 车辆续航里程预测方法、装置、车辆及存储介质
CN113381888A (zh) * 2021-06-08 2021-09-10 广东电网有限责任公司清远供电局 控制方法、装置、设备及存储介质

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101799369A (zh) * 2010-01-27 2010-08-11 北京信息科技大学 一种动力设备故障监测预报中的灰色建模方法
CN104376202A (zh) * 2014-11-11 2015-02-25 国家电网公司 基于离散灰色模型的电力变压器特征状态量预测方法
CN108241901A (zh) * 2016-12-27 2018-07-03 全球能源互联网研究院 一种基于预测数据的变压器预警评估方法及装置
CN107203690A (zh) * 2017-04-21 2017-09-26 南京理工大学 一种gm（1,1）模型变压器故障预测方法
CN108152612A (zh) * 2017-11-23 2018-06-12 全球能源互联网研究院有限公司 一种变压器故障预测方法、装置、终端及可读存储介质
CN108873859A (zh) * 2018-05-31 2018-11-23 浙江工业大学 基于改进关联规则的桥式抓斗卸船机故障预测模型方法
CN109100429A (zh) * 2018-06-26 2018-12-28 武汉大学 一种组合预测残差修正的油中气体预测方法
CN110376458A (zh) * 2019-07-03 2019-10-25 东华大学 优化孪生支持向量机的电力变压器故障诊断系统
CN110441500A (zh) * 2019-08-15 2019-11-12 昆明理工大学 一种基于长短期记忆网络的变压器油中溶解气体浓度预测方法
US20210089900A1 (en) * 2019-09-20 2021-03-25 Wuhan University Transformer dga data prediction method based on multi-dimensional time sequence frame convolution lstm
CN111426816A (zh) * 2020-04-10 2020-07-17 昆明理工大学 一种基于pso-lstm的变压器油中溶解气体浓度预测方法
CN111723982A (zh) * 2020-06-11 2020-09-29 电子科技大学 基于灰色-马尔可夫链的中长期电力负荷组合预测方法
CN112549970A (zh) * 2020-12-09 2021-03-26 广州橙行智动汽车科技有限公司 车辆续航里程预测方法、装置、车辆及存储介质
CN113381888A (zh) * 2021-06-08 2021-09-10 广东电网有限责任公司清远供电局 控制方法、装置、设备及存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
H. MA 等: "Forecasting of dissolved gas in transformer oil by optimized nonlinear Grey bernoulli Markov model", 2016 CHINESE CONTROL AND DECISION CONFERENCE (CCDC), 8 August 2016 (2016-08-08), pages 4168 - 4173 *
孙丽萍 等: "基于LSSVM的木材干燥在线建模研究", 仪器仪表学报, vol. 30, no. 09, 15 September 2009 (2009-09-15), pages 1993 *
王晶 等: "基于灰色新预测模式的变压器故障预测", 华北电力大学学报, vol. 34, no. 01, 30 January 2007 (2007-01-30), pages 11 - 14 *
赵文清 等: "应用支持向量机的变压器故障组合预测", 中国电机工程学报, vol. 28, no. 25, 5 September 2008 (2008-09-05), pages 16 - 17 *
韩晋 等: "基于非等时距加权灰色模型与神经网络的组合预测算法", 应用数学和力学, vol. 34, no. 04, 15 January 2014 (2014-01-15), pages 408 - 419 *

Also Published As

Publication number Publication date
CN113849540B (zh) 2024-10-11

Similar Documents

Publication Publication Date Title
CN110968985A (zh) 集成电路修补算法确定方法及装置、存储介质、电子设备
CN110727437B (zh) 代码优化项获取方法、装置、存储介质及电子设备
CN113837596B (zh) 一种故障确定方法、装置、电子设备及存储介质
US11309063B2 (en) Identifying chemical substructures associated with adverse drug reactions
CN112529036A (zh) 一种故障预警方法、装置、设备及存储介质
CN117151329A (zh) 一种考虑碳排放强度预测方法、装置、设备及存储介质
CN114565150A (zh) 一种发泡工艺优化方法、装置、设备和存储介质
CN112182067A (zh) 个体身高预测方法、装置、电子设备及存储介质
CN114970665A (zh) 模型训练方法、电解电容剩余寿命预测方法及系统
CN116383741A (zh) 基于多源域数据的模型训练方法和跨域分析方法
CN111563172A (zh) 基于动态知识图谱构建的学术热点趋势预测方法和装置
CN109710523B (zh) 视觉稿的测试用例生成方法及装置、存储介质、电子设备
CN110991124B (zh) 集成电路修补方法及装置、存储介质、电子设备
Li et al. Directional change‐point detection for process control with multivariate categorical data
Xing et al. STCGCN: A spatio-temporal complete graph convolutional network for remaining useful life prediction of power transformer
CN117748447A (zh) 一种基于调压事件分析的配电网线变关系诊断方法、系统
CN117216558A (zh) 一种煤质分析模型训练方法、装置、电子设备和存储介质
CN117493797A (zh) 一种物联网设备的故障预测方法及装置、电子设备、存储介质
CN113849540B (zh) 故障预测模型训练和预测方法、装置、电子设备及介质
CN115841853A (zh) 一种油色谱数据预测方法、装置及设备
CN114240014A (zh) 一种变压器状态的评估方法、装置、电子设备及存储介质
US20230325205A1 (en) System and computer-implemented method to generate a configuration for external datapoint access
García Domínguez Smart monitoring and unsupervised analysis on Electrical Power Grid Network’s operational variables
Goraya RStudioDataLab
Radygin et al. Flexible production systems with probabilistic perturbations

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