CN114298141A - 基于深度学习的发电设备异常检测方法及系统 - Google Patents
基于深度学习的发电设备异常检测方法及系统 Download PDFInfo
- Publication number
- CN114298141A CN114298141A CN202111376253.5A CN202111376253A CN114298141A CN 114298141 A CN114298141 A CN 114298141A CN 202111376253 A CN202111376253 A CN 202111376253A CN 114298141 A CN114298141 A CN 114298141A
- Authority
- CN
- China
- Prior art keywords
- power generation
- generation equipment
- data
- current moment
- detection
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 201
- 238000001514 detection method Methods 0.000 title claims abstract description 122
- 238000013135 deep learning Methods 0.000 title claims abstract description 25
- 230000005856 abnormality Effects 0.000 claims abstract description 35
- 230000002159 abnormal effect Effects 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及基于深度学习的发电设备异常检测方法及系统,所述方法包括:获取发电设备当前时刻的运行数据、所述发电设备当前时刻对应的气象数据和历史时段内发电设备的运行数据;对所述获取的数据进行预处理得到预处理后的发电设备当前时刻的运行数据以及所述发电设备当前时刻对应的气象数据和历史时段内发电设备的运行数据;将所述预处理后的数据输入预先训练好的发电设备异常检测模型中,得到所述发电设备异常检测的得分;基于所述发电设备异常检测的得分检测所述发电设备是否异常,并将检测结果进行信息触达。本发明提供的技术方案,提高了发电设备异常检测的得分的精度,同时使得发电设备的异常检测更加方便,也降低了发电设备的异常检测成本。
Description
技术领域
本发明涉及人工智能、深度学习、神经网络、新能源及发电设备异常检测领域,具体涉及基于深度学习的发电设备异常检测方法及系统。
背景技术
伴随深度学习技术的快速发展及应用落地,深度学习在发电设备异常相结合的应用越来越多,特别是一些发电设备在外未遮挡、经受光照、严寒、风吹雨打等自然环境。与此同时,随着对发电设备运行数据的采集手段越来越丰富,故如何利用这些SCADA系统监测数据、历史数据尤为关键。再者,结合发电设备所在地理位置的气象数据进一步监控发电设备异常也是重要一环。因此,亟需提出一种可以利用上述数据进行发电设备异常精确检测的方法及系统。
发明内容
本申请提供基于深度学习的发电设备异常检测方法及系统,以至少解决相关技术中不能够精确检测发电设备异常的技术问题。
本申请第一方面实施例提出一种基于深度学习的发电设备异常检测方法,所述方法包括:
获取发电设备当前时刻的运行数据、所述发电设备当前时刻对应的气象数据和历史时段内发电设备的运行数据;
对所述获取的数据进行预处理得到预处理后的发电设备当前时刻的运行数据以及所述发电设备当前时刻对应的气象数据和历史时段内发电设备的运行数据;
将所述预处理后的数据输入预先训练好的发电设备异常检测模型中,得到所述发电设备异常检测的得分;
基于所述发电设备异常检测的得分检测所述发电设备是否异常,并将检测结果进行信息触达;
其中,所述预先训练好的发电设备异常检测模型是基于预处理后的历史时段内发电设备的运行数据及所述发电设备对应的气象数据进行训练得到的;
所述预先训练好的发电设备异常检测模型包括:决策融合模块和全连接模块。
本申请第二方面实施例提出一种基于深度学习的发电设备异常检测系统,所述系统包括:
获取模块,用于获取发电设备当前时刻的运行数据、所述发电设备当前时刻对应的气象数据和历史时段内发电设备的运行数据;
预处理模块,包括对所述获取的数据进行预处理得到预处理后的发电设备当前时刻的运行数据以及所述发电设备当前时刻对应的气象数据和历史时段内发电设备的运行数据;
得分模块,用于将所述预处理后的数据输入预先训练好的发电设备异常检测模型中,得到所述发电设备异常检测的得分;
检测模块,用于基于所述发电设备异常检测的得分检测所述发电设备是否异常;
其中,所述预先训练好的发电设备异常检测模型是基于预处理后的历史时段内发电设备的运行数据及所述发电设备对应的气象数据进行训练得到的;
所述预先训练好的发电设备异常检测模型包括:决策融合模块和全连接模块。
本申请第三方面实施例提出一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时,实现如本申请第一方面的预测方法。
本申请第四方面实施例提出一种非临时性计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如本申请第一方面的预测方法。
本申请的实施例提供的技术方案至少带来以下有益效果:
本发明提供的基于深度学习的发电设备异常检测方法及系统,所述方法包括:获取发电设备当前时刻的运行数据、所述发电设备当前时刻对应的气象数据和历史时段内发电设备的运行数据;对所述获取的数据进行预处理得到预处理后的发电设备当前时刻的运行数据以及所述发电设备当前时刻对应的气象数据和历史时段内发电设备的运行数据;将所述预处理后的数据输入预先训练好的发电设备异常检测模型中,得到所述发电设备异常检测的得分;基于所述发电设备异常检测的得分检测所述发电设备是否异常,并将检测结果进行信息触达。本发明提供的技术方案,提高了发电设备异常检测的得分的精度,同时使得发电设备的异常检测更加方便,也降低了发电设备的异常检测成本。
本申请附加的方面以及优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面以及优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本申请一个实施例提供的一种基于深度学习的发电设备异常检测方法的流程图;
图2是根据本申请一个实施例提供的一种基于深度学习的发电设备异常检测方法的具体流程图;
图3是根据本申请一个实施例提供的一种基于深度学习的发电设备异常检测系统的结构图;
图4是根据本申请一个实施例提供的一种基于深度学习的发电设备异常检测系统中得分模块的结构图;
图5是根据本申请一个实施例提供的一种基于深度学习的发电设备异常检测系统中检测模块的结构图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
本申请提出的基于深度学习的发电设备异常检测方法及系统,所述方法包括:获取发电设备当前时刻的运行数据、所述发电设备当前时刻对应的气象数据和历史时段内发电设备的运行数据;对所述获取的数据进行预处理得到预处理后的发电设备当前时刻的运行数据以及所述发电设备当前时刻对应的气象数据和历史时段内发电设备的运行数据;将所述预处理后的数据输入预先训练好的发电设备异常检测模型中,得到所述发电设备异常检测的得分;基于所述发电设备异常检测的得分检测所述发电设备是否异常,并将检测结果进行信息触达。本发明提供的技术方案,提高了发电设备异常检测的得分的精度,同时使得发电设备的异常检测更加方便,也降低了发电设备的异常检测成本。
实施例1
图1为本公开实施例提供的一种基于深度学习的发电设备异常检测方法,的流程图,如图1所示,所述方法包括:
步骤1:获取发电设备当前时刻的运行数据、所述发电设备当前时刻对应的气象数据和历史时段内发电设备的运行数据;
在本公开实施例中,获取的发电设备当前时刻的运行数据和历史时段内的运行数据是基于智能仪表、传感器即SCADA系统、手工参数输入获取的。
步骤2:对所述获取的数据进行预处理得到预处理后的发电设备当前时刻的运行数据以及所述发电设备当前时刻对应的气象数据和历史时段内发电设备的运行数据;
在本公开实施例中,对获取的数据进行数据的清洗,保障数据质量,具体的所述数据预处理包括:对所述发电设备当前时刻及历史时段内的运行数据及对应的气象数据进行数据清洗、噪音或句子补全、数据格式统一和归一化数据处理。
示例的,数据需要人工进行处理如个别噪音或句子补全、各厂家数据格式统一、归一化数据处理。
步骤3:将所述预处理后的数据输入预先训练好的发电设备异常检测模型中,得到所述发电设备异常检测的得分;
需要说明的是,所述预先训练好的发电设备异常检测模型是基于预处理后的历史时段内发电设备的运行数据及所述发电设备对应的气象数据进行训练得到的;所述预先训练好的发电设备异常检测模型包括:决策融合模块和全连接模块。
在本公开实施例中,所述将所述预处理后的数据输入预先训练好的发电设备异常检测模型中,得到所述发电设备异常检测的得分,包括:
步骤3-1:将预处理后的发电设备当前时刻的运行数据、所述发电设备当前时刻对应的气象数据和历史时段内发电设备的运行数据输入发电设备异常检测模型的决策融合模块中,得到所述设备运行数据与气象数据的融合特征;
步骤3-2:将所述设备运行数据与气象数据的融合特征输入发电设备异常检测模型的全连接模块中并采用Softmax函数计算,得到所述发电设备异常检测的得分。
需要说明的是,所述决策融合模块包括:BiLSTM层、BiLSTM+dropout层、attention层和特征融合层。
在本公开实施例中,所述发电设备异常检测模型的训练过程包括:
获取历史时段所述设备运行数据与气象数据构成训练集样本数据;
将所述训练集样本数据输入初始发电设备异常检测模型的BiLSTM层、BiLSTM+dropout层、attention层、特征融合层和全连接层,将均方差损失MSE作为模型的损失函数,利用自适应矩阵估计Adam优化算法对所述模型进行训练,得到训练好的发电设备异常检测模型。
步骤4:基于所述发电设备异常检测的得分检测所述发电设备是否异常,并将检测结果进行信息触达;
在本公开实施例中,所述基于所述发电设备异常检测的得分检测所述发电设备是否异常,并将检测结果进行信息触达,包括:
将所述检测得分反归一化,并检测所述检测得分是否在预设的异常分数范围内,若是,则所述发电设备异常,否则,所述发电设备正常;
将所述检查结果进行信息触达;
其中,所述信息触达的方式包括:文本展示、语音播报、外呼终端、短信送达、邮件触达、智能音箱、语音唤醒和大屏展示。
结合上述基于深度学习的发电设备异常检测方法对本申请的具体方法进行举例说明:
如图2所示提供一种基于深度学习的发电设备异常检测方法的具体流程图,所述方法包括:
步骤F1:数据预处理101,完成来自不同多源异构数据的收集、包括历史数据、气象数据。
步骤F1-1数据采集:通过图2中智能仪表、传感器、手工参数输入和气象数据4种采集方式对发电设备运行状况与周围气象数据;
步骤F1-2数据处理,实现文本数据的清洗,保障数据质量。针对原始数据,这些数据质量不一定非常好,因此需要借助工具或脚本进行数据清洗,包括数据需要人工进行处理如个别噪音或句子补全、各厂家数据格式统一、归一化数据处理。
步骤F2:提取及强化文本特征02,分别获得历史数据、SCADA系统实时监测数据、气象数据最佳文本特征。
步骤F2-1采用双词向量,分别获得词性和对应词典位置的词向量信息,再将其这两者进行合并操作构建文本数据的双词向量。
步骤F2-2利用BiLSTM层对文本数据进行编码提取文本的上下文信息,因BiLSTM层擅长获得上下文信息,也就说获得前序列与后序列之间的语义信息。
步骤F2-3采用BiLSTM+dropout层,这样进一步获得高效的上下文信息,提高过拟合能力。
步骤F2-4采用attention注意力即attention层,不仅得到文本上下不同部分的权重信息,而且得到历史数据、SCADA系统即传感器监测实时数据、气象数据之间的交互特征,则对所得含有上下文信息的发电设备运行数据进行文本特征最佳、最优表示。
步骤F3:融合特征103,通过特征融合得到多种来源数据中单一模态数据文本交互特征及权重信息,表明了多种数据的重要性和关联性。
步骤F4:计算发电设备异常预测结果。将融合特征输入至全连接层及采用Softmax函数104得到发电设备异常检测得分结果,及归一化还原处理,这里为了防止出现过度拟合现象,Softmax函数以生成条件概率来实现发电设备异常检测分类得分结果,还有选择Adam优化器优化该网络损耗函数。
步骤F5:识别结果105展示,对所得识别结果进行信息触达包括不限于异常预警、提醒等异常识别结果,触达方式含语音播放、文本触达方式,识别结果展现创新地提出了使用一体机软硬件、智能终端等设备,其中触达方式具体包括:文本展示、语音播报、外呼终端、短信送达、邮件触达、智能音箱、语音唤醒和大屏展示。
综上所述,本实施例提供的基于深度学习的发电设备异常检测方法,提高了发电设备异常检测的得分的精度,同时使得发电设备的异常检测更加方便,也降低了发电设备的异常检测成本。
实施例2
图3为本公开实施例提供的基于深度学习的发电设备异常检测系统的结构图,如图3所示,所述系统包括:
获取模块,用于获取发电设备当前时刻的运行数据、所述发电设备当前时刻对应的气象数据和历史时段内发电设备的运行数据;
预处理模块,包括对所述获取的数据进行预处理得到预处理后的发电设备当前时刻的运行数据以及所述发电设备当前时刻对应的气象数据和历史时段内发电设备的运行数据;
得分模块,用于将所述预处理后的数据输入预先训练好的发电设备异常检测模型中,得到所述发电设备异常检测的得分;
检测模块,用于基于所述发电设备异常检测的得分检测所述发电设备是否异常,并将检测结果进行信息触达;
其中,所述预先训练好的发电设备异常检测模型是基于预处理后的历史时段内发电设备的运行数据及所述发电设备对应的气象数据进行训练得到的;
所述预先训练好的发电设备异常检测模型包括:决策融合模块和全连接模块。
在本公开实施例中,所述获取的发电设备当前时刻的运行数据和历史时段内的运行数据是基于智能仪表、传感器、手工参数输入获取的。
在本公开实施例中,所述对所述获取的数据进行预处理,包括:
对所述发电设备当前时刻及历史时段内的运行数据及对应的气象数据进行数据清洗、噪音或句子补全、数据格式统一和归一化数据处理。
在本公开实施例中,如图4所示,所述得分模块,包括:
融合特征单元,用于将预处理后的发电设备当前时刻的运行数据、所述发电设备当前时刻对应的气象数据和历史时段内发电设备的运行数据输入发电设备异常检测模型的决策融合模块中,得到所述设备运行数据与气象数据的融合特征;
得分单元,用于将所述设备运行数据与气象数据的融合特征输入发电设备异常检测模型的全连接模块中并采用Softmax函数计算,得到所述发电设备异常检测的得分。
需要说明的是,所述决策融合模块包括:BiLSTM层、BiLSTM+dropout层、attention层和特征融合层。
进一步的,所述发电设备异常检测模型的训练过程包括:
获取历史时段所述设备运行数据与气象数据构成训练集样本数据;
将所述训练集样本数据输入初始发电设备异常检测模型的BiLSTM层、BiLSTM+dropout层、attention层、特征融合层和全连接层,将均方差损失MSE作为模型的损失函数,利用自适应矩阵估计Adam优化算法对所述模型进行训练,得到训练好的发电设备异常检测模型。
在本公开实施例中,如图5所示,所述检测模块,包括:
检测单元,用于将所述检测得分反归一化,并检测所述检测得分是否在预设的异常分数范围内,若是,则所述发电设备异常,否则,所述发电设备正常;
信息触达单元,用于将所述检查结果进行信息触达;
其中,所述信息触达的方式包括:文本展示、语音播报、外呼终端、短信送达、邮件触达、智能音箱、语音唤醒和大屏展示。
综上所述,本实施例提供的基于深度学习的发电设备异常检测系统,提高了发电设备异常检测的得分的精度,同时使得发电设备的异常检测更加方便,也降低了发电设备的异常检测成本。
实施例3
为了实现上述实施例,本公开还提出一种计算机设备。
本实施例提供的计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时,实现实施例1中的方法。
实施例4
为了实现上述实施例,本公开还提出一种非临时性计算机可读存储介质。
本实施例提供的计算机设备,其上存储有计算机程序,计算机程序被处理器执行时实现实施例1中的方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于深度学习的发电设备异常检测方法,其特征在于,所述方法包括:
获取发电设备当前时刻的运行数据、所述发电设备当前时刻对应的气象数据和历史时段内发电设备的运行数据;
对所述获取的数据进行预处理得到预处理后的发电设备当前时刻的运行数据以及所述发电设备当前时刻对应的气象数据和历史时段内发电设备的运行数据;
将所述预处理后的数据输入预先训练好的发电设备异常检测模型中,得到所述发电设备异常检测的得分;
基于所述发电设备异常检测的得分检测所述发电设备是否异常,并将检测结果进行信息触达;
其中,所述预先训练好的发电设备异常检测模型是基于预处理后的历史时段内发电设备的运行数据及所述发电设备对应的气象数据进行训练得到的;
所述预先训练好的发电设备异常检测模型包括:决策融合模块和全连接模块。
2.如权利要求1所述的方法,所述获取的发电设备当前时刻的运行数据和历史时段内的运行数据是基于智能仪表、传感器、手工参数输入获取的。
3.如权利要求1所述的方法,其特征在于,所述对所述获取的数据进行预处理,包括:
对所述发电设备当前时刻及历史时段内的运行数据及对应的气象数据进行数据清洗、噪音或句子补全、数据格式统一和归一化数据处理。
4.如权利要求1所述的方法,其特征在于,所述将所述预处理后的数据输入预先训练好的发电设备异常检测模型中,得到所述发电设备异常检测的得分,包括:
将预处理后的发电设备当前时刻的运行数据、所述发电设备当前时刻对应的气象数据和历史时段内发电设备的运行数据输入发电设备异常检测模型的决策融合模块中,得到所述设备运行数据与气象数据的融合特征;
将所述设备运行数据与气象数据的融合特征输入发电设备异常检测模型的全连接模块中并采用Softmax函数计算,得到所述发电设备异常检测的得分。
5.如权利要求1所述的方法,其特征在于,所述决策融合模块包括:BiLSTM层、BiLSTM+dropout层、attention层和特征融合层。
6.如权利要求5所述的方法,其特征在于,所述发电设备异常检测模型的训练过程包括:
获取历史时段所述设备运行数据与气象数据构成训练集样本数据;
将所述训练集样本数据输入初始发电设备异常检测模型的BiLSTM层、BiLSTM+dropout层、attention层、特征融合层和全连接层,将均方差损失MSE作为模型的损失函数,利用自适应矩阵估计Adam优化算法对所述模型进行训练,得到训练好的发电设备异常检测模型。
7.如权利要求1所述的方法,其特征在于,所述基于所述发电设备异常检测的得分检测所述发电设备是否异常,并将检测结果进行信息触达,包括:
将所述检测得分反归一化,并检测所述检测得分是否在预设的异常分数范围内,若是,则所述发电设备异常,否则,所述发电设备正常;
将所述检查结果进行信息触达;
其中,所述信息触达的方式包括:文本展示、语音播报、外呼终端、短信送达、邮件触达、智能音箱、语音唤醒和大屏展示。
8.一种基于深度学习的发电设备异常检测系统,其特征在于,所述系统包括:
获取模块,用于获取发电设备当前时刻的运行数据、所述发电设备当前时刻对应的气象数据和历史时段内发电设备的运行数据;
预处理模块,包括对所述获取的数据进行预处理得到预处理后的发电设备当前时刻的运行数据以及所述发电设备当前时刻对应的气象数据和历史时段内发电设备的运行数据;
得分模块,用于将所述预处理后的数据输入预先训练好的发电设备异常检测模型中,得到所述发电设备异常检测的得分;
检测模块,用于基于所述发电设备异常检测的得分检测所述发电设备是否异常;
其中,所述预先训练好的发电设备异常检测模型是基于预处理后的历史时段内发电设备的运行数据及所述发电设备对应的气象数据进行训练得到的;
所述预先训练好的发电设备异常检测模型包括:决策融合模块和全连接模块。
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如权利要求1至7中任一项所述的方法。
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,该程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111376253.5A CN114298141A (zh) | 2021-11-19 | 2021-11-19 | 基于深度学习的发电设备异常检测方法及系统 |
PCT/CN2022/132309 WO2023088315A1 (zh) | 2021-11-19 | 2022-11-16 | 基于深度学习的发电设备异常检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111376253.5A CN114298141A (zh) | 2021-11-19 | 2021-11-19 | 基于深度学习的发电设备异常检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114298141A true CN114298141A (zh) | 2022-04-08 |
Family
ID=80965007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111376253.5A Pending CN114298141A (zh) | 2021-11-19 | 2021-11-19 | 基于深度学习的发电设备异常检测方法及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114298141A (zh) |
WO (1) | WO2023088315A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115758226A (zh) * | 2023-01-06 | 2023-03-07 | 之江实验室 | 一种异常检测的方法、装置、存储介质及电子设备 |
WO2023088315A1 (zh) * | 2021-11-19 | 2023-05-25 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度学习的发电设备异常检测方法及系统 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117371996B (zh) * | 2023-12-06 | 2024-03-19 | 北京中能亿信软件有限公司 | 一种基于大数据的电力通讯分析方法 |
CN118134269A (zh) * | 2024-05-10 | 2024-06-04 | 中国电建集团山东电力建设第一工程有限公司 | 一种基于数据分析的陆地发电安全智能监管系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7017861B2 (ja) * | 2017-03-23 | 2022-02-09 | 株式会社日立製作所 | 異常検知システムおよび異常検知方法 |
CN109902948A (zh) * | 2019-02-21 | 2019-06-18 | 国网山东省电力公司临沂供电公司 | 一种基于大数据的输电线路监测系统及方法 |
CN110391783A (zh) * | 2019-07-25 | 2019-10-29 | 国网电子商务有限公司 | 基于边缘计算的分布式光伏电站故障监测方法及装置 |
CN110751326B (zh) * | 2019-10-17 | 2022-10-28 | 江苏远致能源科技有限公司 | 一种光伏日前功率预测方法、装置以及存储介质 |
CN111130940A (zh) * | 2019-12-26 | 2020-05-08 | 众安信息技术服务有限公司 | 异常数据检测方法、装置及服务器 |
CN114298141A (zh) * | 2021-11-19 | 2022-04-08 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度学习的发电设备异常检测方法及系统 |
-
2021
- 2021-11-19 CN CN202111376253.5A patent/CN114298141A/zh active Pending
-
2022
- 2022-11-16 WO PCT/CN2022/132309 patent/WO2023088315A1/zh unknown
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023088315A1 (zh) * | 2021-11-19 | 2023-05-25 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度学习的发电设备异常检测方法及系统 |
CN115758226A (zh) * | 2023-01-06 | 2023-03-07 | 之江实验室 | 一种异常检测的方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2023088315A1 (zh) | 2023-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114298141A (zh) | 基于深度学习的发电设备异常检测方法及系统 | |
WO2023093010A1 (zh) | 基于深度学习融合模型的风电功率预测方法及设备 | |
CN112418451A (zh) | 基于数字孪生的变压器故障诊断定位系统 | |
CN111435366A (zh) | 设备故障诊断方法、装置和电子设备 | |
CN111352971A (zh) | 银行系统监控数据异常检测方法及系统 | |
CN112631240A (zh) | 航天器故障主动检测方法及装置 | |
CN113672732B (zh) | 用于对业务数据进行分类的方法和设备 | |
US11645540B2 (en) | Deep graph de-noise by differentiable ranking | |
CN116910633A (zh) | 一种基于多模态知识混合推理的电网故障预测方法 | |
CN116418117A (zh) | 一种用于智能电网的设备检测系统 | |
CN111080472A (zh) | 一种电力系统负荷预测和分析方法 | |
CN114330494A (zh) | 一种融合BiLSTM与注意力的发电设备异常预测方法及系统 | |
CN116804691B (zh) | 一种用于电力系统的调度自动化设备故障监测方法 | |
CN117674128A (zh) | 基于电力调度系统自动化故障排除方法 | |
CN116914194A (zh) | 云端协同的燃料电池剩余使用寿命远程监控方法 | |
CN114297908A (zh) | 风电机组能效状态异常检测方法及系统 | |
JP2023038060A (ja) | ラベル生成方法、モデル生成方法、ラベル生成装置、ラベル生成プログラム、モデル生成装置、及びモデル生成プログラム | |
CN111611117A (zh) | 硬盘故障的预测方法、装置、设备及计算机可读存储介质 | |
CN114254685A (zh) | 声音检测模型的训练方法和装置、声音事件的检测方法 | |
CN114153889A (zh) | 一种发电站监控系统、方法、可读介质及电子设备 | |
CN117539674B (zh) | 异常处理方法、装置、设备及存储介质 | |
CN112836654B (zh) | 一种基于融合的表情识别方法、装置和电子设备 | |
Bagchi et al. | IoT Edge-based Machine Learning Approach for Detection of Partial Discharge in Power Transformers | |
CN117591857A (zh) | 一种基于深度学习的电机检测方法 | |
CN114218352A (zh) | 发电设备异常监测方法、装置、存储介质及电子设备 |
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 |