CN115423370A - 一种继电保护设备健康状态评估方法及装置 - Google Patents
一种继电保护设备健康状态评估方法及装置 Download PDFInfo
- Publication number
- CN115423370A CN115423370A CN202211238387.5A CN202211238387A CN115423370A CN 115423370 A CN115423370 A CN 115423370A CN 202211238387 A CN202211238387 A CN 202211238387A CN 115423370 A CN115423370 A CN 115423370A
- Authority
- CN
- China
- Prior art keywords
- relay protection
- protection device
- protection equipment
- equipment
- degradation
- 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
Images
Classifications
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- 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
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种继电保护设备健康状态评估方法及装置。本发明通过对同种工况下不同服役年份的若干个继电保护设备的原始多维数据信号进行降维处理,得到各个继电保护设备的多维数据信号;分别对每一继电保护设备的多维数据信号进行核密度估计,得到各个继电保护设备的概率密度分布,并分别根据每一继电保护设备的概率密度分布提取特征向量,得到各个继电保护设备的特征向量;选择一服役年份的继电保护设备的特征向量作为基准特征向量,分别将每一继电保护设备的特征向量与基准特征向量进行相对熵计算,根据得到的所有相对熵计算结果评估各个继电保护设备的健康状态,能够准确评估继电保护设备的健康状态,有效保障电力系统安全稳定运行。
Description
技术领域
本发明涉及电力设备技术领域,尤其涉及一种继电保护设备健康状态评估方法及装置。
背景技术
继电保护设备通过实时监测电力系统的运行参数,判断电力系统的运行状态,能够及时地反映电力系统异常运行情况,并在电力系统出现故障时隔离故障,是保障电力系统安全稳定运行的第一道防线,其健康状态对电力系统安全稳定运行起着关键性作用,因此,对继电保护设备进行健康状态评估具有非常重要的意义和价值。
发明内容
为了克服现有技术的缺陷,本发明提供一种继电保护设备健康状态评估方法及装置,能够准确评估继电保护设备的健康状态,有效保障电力系统安全稳定运行。
为了解决上述技术问题,第一方面,本发明一实施例提供一种继电保护设备健康状态评估方法,包括:
采集同种工况下不同服役年份的若干个继电保护设备的原始多维数据信号,并分别对每一所述继电保护设备的原始多维数据信号进行降维处理,得到各个所述继电保护设备的多维数据信号;
分别对每一所述继电保护设备的多维数据信号进行核密度估计,得到各个所述继电保护设备的概率密度分布,并分别根据每一所述继电保护设备的概率密度分布提取特征向量,得到各个所述继电保护设备的特征向量;
选择一服役年份的所述继电保护设备的特征向量作为基准特征向量,分别将每一所述继电保护设备的特征向量与所述基准特征向量进行相对熵计算,根据得到的所有相对熵计算结果评估各个所述继电保护设备的健康状态。
进一步地,所述继电保护设备健康状态评估方法,还包括:
分别根据每一所述继电保护设备的服役部件,获取若干个参考部件的历史退化轨迹,得到各个所述继电保护设备对应的历史退化轨迹集,并分别根据每一所述继电保护设备的健康状态生成退化轨迹,得到各个所述继电保护设备的退化轨迹;
对于每一所述继电保护设备,根据所述继电保护设备的退化轨迹与所述继电保护设备对应的历史退化轨迹集中各个历史退化轨迹的相似性度,预测所述继电保护设备的剩余寿命,得到各个所述继电保护设备的剩余寿命。
进一步地,所述分别对每一所述继电保护设备的原始多维数据信号进行降维处理,得到各个所述继电保护设备的多维数据信号,具体为:
分别通过随机森林提取每一所述继电保护设备的原始多维数据信号的重要特征,得到各个所述继电保护设备的多维数据信号。
进一步地,在所述分别对每一所述继电保护设备的多维数据信号进行核密度估计,得到各个所述继电保护设备的概率密度分布之前,还包括:
对所有所述继电保护设备的多维数据信号进行标准化处理。
进一步地,所述分别对每一所述继电保护设备的多维数据信号进行核密度估计,得到各个所述继电保护设备的概率密度分布,具体为:
根据高斯核函数和预设带宽,分别对每一所述继电保护设备的多维数据信号进行核密度估计,得到各个所述继电保护设备的概率密度分布。
进一步地,所述分别根据每一所述继电保护设备的概率密度分布提取特征向量,得到各个所述继电保护设备的特征向量,具体为:
分别对每一所述继电保护设备的概率密度分布进行积分,得到各个所述继电保护设备的特征向量。
进一步地,所述分别根据每一所述继电保护设备的服役部件,获取若干个参考部件的历史退化轨迹,得到各个所述继电保护设备对应的历史退化轨迹集,具体为:
对于每一所述继电保护设备,根据所述继电保护设备的服役部件确定若干个所述参考部件,并分别将每一所述参考部件的历史监测数据输入预先构建的健康因子融合模型,得到各个所述参考部件的健康状态序列;
分别根据每一所述参考部件的健康状态序列生成历史退化轨迹,得到各个所述参考部件的历史退化轨迹,并将各个所述参考部件的历史退化轨迹划分至所述继电保护设备对应的历史退化轨迹集。
进一步地,所述对于每一所述继电保护设备,根据所述继电保护设备的退化轨迹与所述继电保护设备对应的历史退化轨迹集中各个历史退化轨迹的相似性度,预测所述继电保护设备的剩余寿命,得到各个所述继电保护设备的剩余寿命,具体为:
对于每一所述继电保护设备,采用预先构造的基于残差的相似性度计算公式,计算所述继电保护设备的退化轨迹与所述继电保护设备对应的历史退化轨迹集中各个历史退化轨迹的相似性度;
按相似性度值从大到小的顺序筛选预设数量的所述相似性度,分别根据每一所述相似性度预测所述继电保护设备的剩余寿命,得到所述继电保护设备的剩余寿命预测序列;
对所述继电保护设备的剩余寿命预测序列设定置信度,进行概率密度估计,取所述继电保护设备的剩余寿命预测序列的中值作为所述继电保护设备的剩余寿命。
第二方面,本发明一实施例提供一种继电保护设备健康状态评估装置,包括:
多维运行数据信号处理模块,用于采集同种工况下不同服役年份的若干个继电保护设备的原始多维数据信号,并分别对每一所述继电保护设备的原始多维数据信号进行降维处理,得到各个所述继电保护设备的多维数据信号;
概率密度分布特征提取模块,用于分别对每一所述继电保护设备的多维数据信号进行核密度估计,得到各个所述继电保护设备的概率密度分布,并分别根据每一所述继电保护设备的概率密度分布提取特征向量,得到各个所述继电保护设备的特征向量;
设备健康状态评估模块,用于选择一服役年份的所述继电保护设备的特征向量作为基准特征向量,分别将每一所述继电保护设备的特征向量与所述基准特征向量进行相对熵计算,根据得到的所有相对熵计算结果评估各个所述继电保护设备的健康状态。
进一步地,所述继电保护设备健康状态评估装置,还包括:
设备退化轨迹生成模块,用于分别根据每一所述继电保护设备的服役部件,获取若干个参考部件的历史退化轨迹,得到各个所述继电保护设备对应的历史退化轨迹集,并分别根据每一所述继电保护设备的健康状态生成退化轨迹,得到各个所述继电保护设备的退化轨迹;
设备剩余寿命预测模块,用于对于每一所述继电保护设备,根据所述继电保护设备的退化轨迹与所述继电保护设备对应的历史退化轨迹集中各个历史退化轨迹的相似性度,预测所述继电保护设备的剩余寿命,得到各个所述继电保护设备的剩余寿命。
相比于现有技术,本发明的实施例,具有如下有益效果:
通过对同种工况下不同服役年份的若干个继电保护设备的原始多维数据信号进行降维处理,得到各个继电保护设备的多维数据信号;分别对每一继电保护设备的多维数据信号进行核密度估计,得到各个继电保护设备的概率密度分布,并分别根据每一继电保护设备的概率密度分布提取特征向量,得到各个继电保护设备的特征向量;选择一服役年份的继电保护设备的特征向量作为基准特征向量,分别将每一继电保护设备的特征向量与基准特征向量进行相对熵计算,根据得到的所有相对熵计算结果评估各个继电保护设备的健康状态,能够准确评估继电保护设备的健康状态,有效保障电力系统安全稳定运行。
附图说明
图1为本发明第一实施例中的一种继电保护设备健康状态评估方法的流程示意图;
图2为本发明第一实施例中一示例的继电保护设备健康状态评估方法的数据流图;
图3为本发明第一实施例中的随机森林的示意图;
图4为本发明第一实施例中示例的KL熵值趋势图;
图5为本发明第一实施例中另一示例的继电保护设备健康状态评估方法的数据流图;
图6为本发明第二实施例中的一种继电保护设备健康状态评估装置的结构示意图。
具体实施方式
下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,文中的步骤编号,仅为了方便具体实施例的解释,不作为限定步骤执行先后顺序的作用。本实施例提供的方法可以由相关的终端设备执行,且下文均以处理器器作为执行主体为例进行说明。
如图1所示,第一实施例提供一种继电保护设备健康状态评估方法,包括步骤S1~S3:
S1、采集同种工况下不同服役年份的若干个继电保护设备的原始多维数据信号,并分别对每一继电保护设备的原始多维数据信号进行降维处理,得到各个继电保护设备的多维数据信号;
S2、分别对每一继电保护设备的多维数据信号进行核密度估计,得到各个继电保护设备的概率密度分布,并分别根据每一继电保护设备的概率密度分布提取特征向量,得到各个继电保护设备的特征向量;
S3、选择一服役年份的继电保护设备的特征向量作为基准特征向量,分别将每一继电保护设备的特征向量与基准特征向量进行相对熵计算,根据得到的所有相对熵计算结果评估各个继电保护设备的健康状态。
作为示例性地,变电站继电保护设备失效对其运行的影响主要包括操作异常、告警错误、误动作、拒动作等,根据继电保护设备失效对其运行影响的严重性可以分为四个级别:1、可维持继电保护设备正常运行:如设备同步时钟不正确、信号异常、回路故障但不影响跳合闸出口和断路器开合等;2、影响继电保护设备正常运行:如显示面板或采样异常等;3、导致继电保护设备拒动作:如回路断线、保护设备无法正常动作等;4、导致继电保护设备误动作:如直流接地、保护异常等。
在步骤S1中,在同种工况下,选择不同服役年份的若干个继电保护设备,通过多个传感器采集各个继电保护设备同步时钟不正确、显示面板异常、回路断线等原始多维数据信号。在得到所有继电保护设备的原始多维数据信号时,分别对每一继电保护设备的原始多维数据信号进行降维处理,得到各个继电保护设备的多维数据信号。
可以理解的是,通过对继电保护设备的原始多维数据信号进行降维处理,能够减少原始多维数据信号的数据维度,消除原始多维数据信号中的冗余特征,找到最能有效表征回转系统特征的数据属性,同时降低后续数据分析和计算的复杂度。
在步骤S2中,分别从每一继电保护设备的运行原理出发,对继电保护设备的多维数据信号进行线性点、分段线性点、非线性点等数学变换处理,比如对数字图像可以进行灰度阈值化、逻辑运算等,选择核函数并设置带宽,分别对每一继电保护设备的多维数据信号进行核密度估计,得到各个继电保护设备的概率密度分布,并分别根据每一继电保护设备的概率密度分布提取特征向量,得到各个继电保护设备的特征向量。
可以理解的是,核密度估计又称Parzen窗,是非参数估计的一种方法。核密度估计是对数据不附加任何前提假设,同时又不利用有关数据分布的任何先验知识,在不了解数据分布的前提下能够直接表征数据分布特点的方法,可以用来弥补参数估计方法获得结果较差的问题。
通过对继电保护设备的多维数据信号进行核密度估计,根据得到的继电保护设备的概率密度分布提取特征向量,将其用于衡量继电保护设备的健康状态,能够在不添加任何假定的前提下,可以不利用有关数据分布的先验知识表征数据分布特征,具有更高的建模精度和普遍适用性。
在步骤S3中,根据实际的健康状态评估要求,选择一服役年份的继电保护设备的特征向量作为基准特征向量,分别将每一继电保护设备的特征向量与基准特征向量进行相对熵计算,根据得到的所有相对熵计算结果评估各个继电保护设备的健康状态。
可以理解的是,相对熵(relative entropy),又被称为Kullback-Leibler散度(Kullback-Leibler divergence)或信息散度(information divergence),是两个概率分布(probability distribution)间差异的非对称性度量。采用相对熵度量可以极大表征各数据间特征的最大差异化,衡量设备健康性能趋势,评估设备健康状态。由于相对熵是对样本之间复杂度、混乱度的表示,熵值越大,样本混乱度越大,也就是说,继电保护设备的特征向量与基准特征向量之间的熵值越小,继电保护设备的健康状态就越好。
通过根据继电保护设备的特征向量与基准特征向量之间的相对熵计算结果来评估继电保护设备的健康状态,能够准确表征继电保护设备的特征向量与基准特征向量之间的差异程度,准确评估继电保护设备的健康状态。
本实施例能够准确评估继电保护设备的健康状态,有效保障电力系统安全稳定运行。
在优选的实施例当中,所述分别对每一继电保护设备的原始多维数据信号进行降维处理,得到各个继电保护设备的多维数据信号,具体为:分别通过随机森林提取每一继电保护设备的原始多维数据信号的重要特征,得到各个继电保护设备的多维数据信号。
作为示例性地,继电保护设备健康状态评估方法的数据流图如图2所示。特征提取是指在设定模式中对某一数据测量值进行信号处理或数学变换,选择最能体现数据本质特征的方法,对于提升模型的性能有着十分重要的作用。减少特征数量不但可以减少计算量,而且可以使模型的泛化能力更强,减少过拟合的发生。
随机森林是一种基于学习模型的特征提取方法,由多棵决策树建立而成的。每棵树通过自助采样法(bagging)从集合C中抽出,余下的数据称为包外数据(OOB),组成的集合为C′,对训练集进行N次有放回抽样建立分类器,最终产生N个随机且彼此独立的决策树构成随机森林。随机森林的示意图如图3所示。
随机森林通过重新排列数据特征前后分类误差计算其特征重要度,当重要特征被随机重排,即OOB分类误差变大时,其分类误差就会变大。其原则在于基于纯度降低的特征选择那些具有较多选项的特征,从而降低结果方差。算法步骤如下:
1、对每棵决策树,根据其相应的包外数据(OOB),计算相应的包外数据误差;
2、随机对包外数据(OOB)特征样本加入噪声干扰,计算此时加入噪声特征(置换特征)的OOB误差,确保每棵树强度的同时,又减少了每棵决策树之间的相关性;
3、设建立N棵树来表示OOB数据集的测试集,衡量特征重要度指标;
4、根据上述过程计算每个特征相应的包外误差,如果包外数据误差函数变大,其分类误差就会变大,说明该特征对于样本预测结果有很大的影响,即该特征重要度较高,最后按照降序排序即可。
本实施例通过采用随机森林提取继电保护设备的原始多维数据信号的重要特征的方式来对继电保护设备的原始多维数据信号进行降维处理,能够减少原始多维数据信号的数据维度,消除原始多维数据信号中的冗余特征,找到最能有效表征回转系统特征的数据属性,同时降低后续数据分析和计算的复杂度。
在优选的实施例当中,在所述分别对每一继电保护设备的多维数据信号进行核密度估计,得到各个继电保护设备的概率密度分布之前,还包括:对所有继电保护设备的多维数据信号进行标准化处理。
作为示例性地,由于各个继电保护设备的多维数据信号的分布范围不一致,需要进行归一化处理来压缩噪声,降低属性之间的关联度。为了将各个继电保护设备的多维数据信号归一化到指定区间,采用min-max标准化,对所有继电保护设备的多维数据信号进行标准化处理。
在优选的实施例当中,所述分别对每一继电保护设备的多维数据信号进行核密度估计,得到各个继电保护设备的概率密度分布,具体为:根据高斯核函数和预设带宽,分别对每一继电保护设备的多维数据信号进行核密度估计,得到各个继电保护设备的概率密度分布。
作为示例性地,假设数据x1,x2,x3…xn为独立分布的随机变量,通过核密度估计得到的概率密度分布表示为:
式(1)中,n为数据样本个数;hn为带宽或光滑参数;K()为核函数;pn为密度函数的核密度估计。
核密度估计关键步骤为核函数K(p,l)的选取,其中p为样本值,l为带宽。为了保证被估计的概率密度的连续性,核函数必须是对称平滑非负函数。由于高斯核具有良好的平滑估计与可分离性,核值范围为(0,1),具有良好的推广能力同时使计算结果变得简单,通常选用高斯核函数作为核密度估计函数。
在非参数核密度估计中,核函数带宽l会使核密度估计结果差异较大。参数l过大导致概率密度函数平滑性过高,不能较好的估计数据分布,引起较大的估计误差;参数l过小虽然可以提高估计结果准确度,但会导致概率密度分布波动性较大,其主要体现在概率密度曲线尾部有较大的波动性。为了保证最终估计有较高的准确性与较好的平滑性,需要对核函数设置合适的带宽。
将已确定的核函数与带宽进行核密度估计,得到各个继电保护设备的概率密度分布。
在优选的实施例当中,所述分别根据每一继电保护设备的概率密度分布提取特征向量,得到各个继电保护设备的特征向量,具体为:分别对每一继电保护设备的概率密度分布进行积分,得到各个继电保护设备的特征向量。
作为示例性地,对继电保护设备的概率密度分布进行积分,刻画随机变量在指定区间的分布,得到的继电保护设备的特征向量为:
式(3)中,a、b均为非负整数,a<b;fx(x)为概率密度分布,p为[a,b]区间的概率密度分布。
本实施例通过对继电保护设备的多维数据信号进行核密度估计,根据得到的继电保护设备的概率密度分布提取特征向量,将其用于衡量继电保护设备的健康状态,能够在不添加任何假定的前提下,可以不利用有关数据分布的先验知识表征数据分布特征,具有更高的建模精度和普遍适用性。
为了表征继电保护设备的特征向量与基准特征向量之间的差异程度,通过计算相对熵比较各个继电保护设备的概率密度分布,来描述其特征向量与基准特征向量两个特征向量的接近程度,其公式如式(4)所示:
式(4)中,q(y)、p(y)均为概率密度函数,它根据概率发生的加权比率值评估数据样本分布的差异性。
对于离散数据可以将KL熵值表征为:
为了使测度具有对称性,衡量空间内两概率密度分布之间的平均差异情况,定义相对熵的最终表达式为:
例如,将相对熵应用在起重机性能异常检测过程中,将服役起始年份某年数据作为基准,比较其他年份数据与基准数据之间的差异程度大小,KL熵值越大表示性能越差。
在应用继电保护设备健康状态评估方法的过程中,首先是数据采集方面,通过多个传感器采集各个继电保护设备的原始多维数据信号,及其数据主要特征。然后在数据分析方面,当数据变化较大时,需要对上述原始多维数据信号通过随机森林特征重要度提取进行数据维度缩减,找到能够最有效表征回转系统性能的数据属性,去除冗余特征。由于数据信号分布范围不一致,同样需要进行归一化处理来压缩噪声,降低属性之间的关联度。为了将数据归一化到指定区间,比如(0,1)区间,选用min-max标准化。除参与计算的旧特征,用以最大程度表征信号特征。由于经过数据变换的信号可以通过非线性映射将输入空间映射到高维特征空间,经过施密特正交化处理的方式减少数据维度,能够挖掘到数据集中蕴含的非线性信息,最大限度的表征信号分布信息。对数据样本进行时域特征信号提取,表征信号的稳定性、极端程度等分布特征。以服役起始年份2018年特征向量作为基准,将求得的各年份设备概率分布进行KL相对熵计算,用以表征数据之间的最大差异程度,绘制的KL熵值趋势图如图4所示。
由于相对熵是对样本之间复杂度、混乱度的表示,熵值越大,样本混乱度越大。从图4中可以看出,随着年份的增加,回转系统的KL相对熵值呈逐渐降低的趋势,即服役起始年份为2018年的继电保护设备性能最差,服役起始为2022年的起重机回转系统性能最优。这与实际工况吻合,可以进行评估继电保护设备的健康性能。
在优选的实施例当中,所述继电保护设备健康状态评估方法,还包括步骤S4~S5:
S4、分别根据每一继电保护设备的服役部件,获取若干个参考部件的历史退化轨迹,得到各个继电保护设备对应的历史退化轨迹集,并分别根据每一继电保护设备的健康状态生成退化轨迹,得到各个继电保护设备的退化轨迹;
S5、对于每一继电保护设备,根据继电保护设备的退化轨迹与继电保护设备对应的历史退化轨迹集中各个历史退化轨迹的相似性度,预测继电保护设备的剩余寿命,得到各个继电保护设备的剩余寿命。
作为示例性地,在步骤S4中,分别根据每一继电保护设备的服役部件,确定若干个参考部件以获取若干个参考部件的历史退化轨迹,得到各个继电保护设备对应的历史退化轨迹集,并分别根据每一继电保护设备的健康状态生成退化轨迹,得到各个继电保护设备的退化轨迹。
在步骤S5中,对于每一继电保护设备,分别计算继电保护设备的退化轨迹与继电保护设备对应的历史退化轨迹集中每一历史退化轨迹的相似性度,根据继电保护设备的退化轨迹与继电保护设备对应的历史退化轨迹集中各个历史退化轨迹的相似性度,预测继电保护设备的剩余寿命,比如直接选择与继电保护设备的退化轨迹的相似性度最大的历史退化轨迹,根据该历史退化轨迹反映的参考部件的剩余循环周期数来预测继电保护设备的服役部件的剩余寿命,从而得到各个继电保护设备的剩余寿命。
本实施例在评估继电保护设备的健康状态后,根据继电保护设备的健康状态准确预测继电保护设备的剩余寿命,能够更加直观地把握继电保护设备的健康状态,有效保障电力系统安全稳定运行。
在优选的实施例当中,所述分别根据每一继电保护设备的服役部件,获取若干个参考部件的历史退化轨迹,得到各个继电保护设备对应的历史退化轨迹集,具体为:对于每一继电保护设备,根据继电保护设备的服役部件确定若干个参考部件,并分别将每一参考部件的历史监测数据输入预先构建的健康因子融合模型,得到各个参考部件的健康状态序列;分别根据每一参考部件的健康状态序列生成历史退化轨迹,得到各个参考部件的历史退化轨迹,并将各个参考部件的历史退化轨迹划分至继电保护设备对应的历史退化轨迹集。
作为示例性地,故障预测技术作为继电保护设备监测的重要组成部分,其主要目的在于对继电保护设备的健康状态进行分析评估,基于数据驱动的方法适用继电保护设备的故障预测,按测试数据、监测数据对继电保护设备的健康状态表征能力的不同,可分成直接/间接数据驱动预测两种不同预测方法,前者可直接使用测试数据、监测数据作为健康因子,表示继电保护设备的健康状态,后者因相关数据不能直接反映健康状态或无法直接测量,需要先建立测试数据、监测数据到健康因子的映射关系,再利用健康因子实现预测继电保护设备的剩余寿命。
继电保护设备健康状态评估方法的数据流图如图5所示。在得到足够的监测数据之后,首先要进行数据预处理操作,完成对工况的划分、监测参数的选择以及规范化数据集。在预测过程中需要先对历史退化数据选用适当的融合算法构建和训练健康因子融合模型,诸如多元线性回归、核主元分析、人工神经网络、相关向量机等机器学习方法。在生成健康因子融合模型后再代入参考部件、服役部件监测数据分别获得可以表征健康因子退化轨迹的参考部件健康状态序列、服役部件健康状态向量。
相似性的RUL预测旨在找到与服役部件退化模式最相似的参考部件历史退化轨迹,从而得到该服役部件的剩余寿命预测值,相似性计算结果就是衡量退化表现相似度的指标。融合后的健康状态序列仍然存在噪声或个别异常点,使得局部序列的波动较大不能直接获得退化轨迹,所以在进行计算前先要对融合后的健康状态序列进行去噪处理。常用的去噪方法有滑动平均法、核回归平滑、支持向量机等一系列参数、非参数方法。
在对融合后的健康状态序列进行去噪拟合后生成历史退化轨迹集,对服役部件的健康状态量使用同样的处理方法生成退化轨迹。
本实施例通过构建健康因子融合模型来生成参考部件的历史退化轨迹和继电保护设备服役部件的退化轨迹,能够快速获取退化轨迹。
在优选的实施例当中,所述对于每一继电保护设备,根据继电保护设备的退化轨迹与继电保护设备对应的历史退化轨迹集中各个历史退化轨迹的相似性度,预测继电保护设备的剩余寿命,得到各个继电保护设备的剩余寿命,具体为:对于每一继电保护设备,采用预先构造的基于残差的相似性度计算公式,计算继电保护设备的退化轨迹与继电保护设备对应的历史退化轨迹集中各个历史退化轨迹的相似性度;按相似性度值从大到小的顺序筛选预设数量的相似性度,分别根据每一相似性度预测继电保护设备的剩余寿命,得到继电保护设备的剩余寿命预测序列;对继电保护设备的剩余寿命预测序列设定置信度,进行概率密度估计,取继电保护设备的剩余寿命预测序列的中值作为继电保护设备的剩余寿命。
作为示例性地,在得到继电保护设备的退化轨迹及其对应的历史退化轨迹集时,就可以进行退化轨迹的相似性度计算。
用xm(p)表示参考部件m(m=1,2,3...,M)从运行开始的第p个运行周期的健康因子,M是参考部件的总数。用X0(t)表示服役部件在第t个运行周期处的健康因子,总运行周期为T。考虑到继电保护设备均自初始健康状态运行至失效,这里不再讨论时间范围的确定问题,直接使用距离公式计算出所有服役部件退化轨迹集与该参考部件退化轨迹的距离,构造基于残差的相似性度计算公式进行后续对继电保护设备的剩余寿命预测。
设服役部件与参考部件m在第t个运行周期的健康因子残差为εm,t,则有残差集εm=(ε1,ε2,...,εq)。绝对度量方式如式(7)所示:
用绝对距离度量计算dm,构造基于残差的相似性度计算公式,如式(8)所示:
Sm=exp(-dm 2) (8);
则有(0<Sm≤1)且随着度量值dm减小而增大。
传统预测方式是寻找Sm的最大值Sk,k为相似性度最大的参考部件,认为服役部件接下来发展趋势与其相同,从而得出服役部件的剩余循环周期数,即服役部件剩余使用寿命rul0。考虑到点估计反映的仅仅是未知参数的近似值,实际使用中把握不大,本实施例引入一种区间估计策略改进设备剩余寿命预测精度,流程如下:
1、使用上式(8)计算服役部件与各参考部件相似性度Sm;
2、按照Sm值从大到小选取H个参考部件的相似性度;
3、计算出对应H个参考部件预测的剩余寿命RUL;
4、筛选所有RUL的最大值rulmax、最小值rulmin,得剩余寿命预测序列[rulmin,rulmax];
5、针对该剩余寿命预测序列设定置信度,进行概率密度估计,取剩余寿命预测序列H的中值rulpre为该服役部件的剩余寿命。
为验证比较预测模型整体性能,将划分的l组测试数据集按以上方法计算出各自预测RUL值,与对应真实RUL值组成寿命集参与性能评价。
预测结果的评价指标用于检验预测算法性能的优劣,可以指导研究人员对不同的预测算法进行评价分析,以便对算法模型中存在的不足进行针对性的改进。预测算法针对不同类型的实际问题有很大的差别,其评价算法也没有统一的标准,可参考回归模型的评价指标建立预测模型指标。
同时,针对全体预测集建立核密度估计图和箱型图以便直观的观察不同方法、不同运行周期数据的预测误差分布离散情况,以便评价算法的性能。
以各个公司的继电保护设备老化退化模拟数据集为例,使用建立的基于残差相似性模型的RUL预测模型进行算法可行性验证,并探讨不同的健康因子融合方法以及不同循环时间节点对结果的影响,以前文描述预测评价指标对越策结果进行定量比较,具体流程如下:
1、提取退化数据集中退化趋势最大的设备,得到传感器编号为:2,3,4,7,11,12,15,17的监测数据,构建每组数据对应的期望健康因子HI。
2、多元线性回归进行特征融合:使用K折交叉验证,将样本分割成训练集和测试集,对各样本回归得到融合模型,处理训练、测试数据,统一用滑动平均平滑去噪并移动到从1开始,得到的训练数据退化轨迹集。
训练集:用于调整神经网络权重;验证集:用训练集训练的模型进行预测,以残差为指导量逆向传播调整模型参数,防止模型在训练集上过度拟合;测试集:估计训练算法模型的泛化能力。训练集所占比例过大会出现过拟合现象,过小则不能充分学习数据的特征关系,可将小规模样本集按照6:2:2比例进行划分;大规模样本集的验证集、测试集比例会小很多,在保证两集合规模足够的情况下可调整比例为98:1:1。
隐含层层数:隐含层将输入数据特征抽象到另一维度以更好的划分数据,普遍认为层数的增加会使误差变低,但容易出现“过拟合”且计算时间长,本文选择普遍适用的单隐含层神经网络;
隐含层节点数h:节点数对训练时是否会出现“过拟合”起决定性的影响,可按式(9)选择:
式(9)中,m、n分别是各层节点数,a是取值区间(1,10)的调节常量,且h不能高于训练样本数,过高会导致建立的模型泛化能力过低。
为消除数据选取对比较结果的影响,用得到的BP网络模型按相同方法处理划分的训练、测试数据,得到基于BP神经网络融合的历史退化轨迹集、测试退化轨迹集。
3、用预先定义的剩余寿命预测策略,从测试退化轨迹集中任选一条测试退化轨迹,使用两种不同融合方法,取测试退化轨迹不同阶段截段,分别进行相似轨迹集匹配。
为验证预测模型的性能,现针对测试退化轨迹集整体,使用不同的融合方法、取不同的比例的运行周期进行性能评价指标的定量分析,再通过构建核密度估计图和箱型图对误差分布情况进行分析。对于航空涡轮发动机的剩余寿命预测,希望在接近真实值的情况下尽可能满足使用值ruluse≤真实值rultrue,以避免滞后预测带来的巨大损失。
基于与第一实施例相同的发明构思,第二实施例提供如图6所示的一种继电保护设备健康状态评估装置,包括:多维运行数据信号处理模块21,用于采集同种工况下不同服役年份的若干个继电保护设备的原始多维数据信号,并分别对每一继电保护设备的原始多维数据信号进行降维处理,得到各个继电保护设备的多维数据信号;概率密度分布特征提取模块22,用于分别对每一继电保护设备的多维数据信号进行核密度估计,得到各个继电保护设备的概率密度分布,并分别根据每一继电保护设备的概率密度分布提取特征向量,得到各个继电保护设备的特征向量;设备健康状态评估模块23,用于选择一服役年份的继电保护设备的特征向量作为基准特征向量,分别将每一继电保护设备的特征向量与基准特征向量进行相对熵计算,根据得到的所有相对熵计算结果评估各个继电保护设备的健康状态。
在优选的实施例当中,所述继电保护设备健康状态评估装置,还包括:设备退化轨迹生成模块24,用于分别根据每一继电保护设备的服役部件,获取若干个参考部件的历史退化轨迹,得到各个继电保护设备对应的历史退化轨迹集,并分别根据每一继电保护设备的健康状态生成退化轨迹,得到各个继电保护设备的退化轨迹;设备剩余寿命预测模块25,用于对于每一继电保护设备,根据继电保护设备的退化轨迹与继电保护设备对应的历史退化轨迹集中各个历史退化轨迹的相似性度,预测继电保护设备的剩余寿命,得到各个继电保护设备的剩余寿命。
在优选的实施例当中,所述分别对每一继电保护设备的原始多维数据信号进行降维处理,得到各个继电保护设备的多维数据信号,具体为:分别通过随机森林提取每一继电保护设备的原始多维数据信号的重要特征,得到各个继电保护设备的多维数据信号。
在优选的实施例当中,在所述分别对每一继电保护设备的多维数据信号进行核密度估计,得到各个继电保护设备的概率密度分布之前,还包括:对所有继电保护设备的多维数据信号进行标准化处理。
在优选的实施例当中,所述分别对每一继电保护设备的多维数据信号进行核密度估计,得到各个继电保护设备的概率密度分布,具体为:根据高斯核函数和预设带宽,分别对每一继电保护设备的多维数据信号进行核密度估计,得到各个继电保护设备的概率密度分布。
在优选的实施例当中,所述分别根据每一继电保护设备的概率密度分布提取特征向量,得到各个继电保护设备的特征向量,具体为:分别对每一继电保护设备的概率密度分布进行积分,得到各个继电保护设备的特征向量。
在优选的实施例当中,所述分别根据每一继电保护设备的服役部件,获取若干个参考部件的历史退化轨迹,得到各个继电保护设备对应的历史退化轨迹集,具体为:对于每一继电保护设备,根据继电保护设备的服役部件确定若干个参考部件,并分别将每一参考部件的历史监测数据输入预先构建的健康因子融合模型,得到各个参考部件的健康状态序列;分别根据每一参考部件的健康状态序列生成历史退化轨迹,得到各个参考部件的历史退化轨迹,并将各个参考部件的历史退化轨迹划分至继电保护设备对应的历史退化轨迹集。
在优选的实施例当中,所述对于每一继电保护设备,根据继电保护设备的退化轨迹与继电保护设备对应的历史退化轨迹集中各个历史退化轨迹的相似性度,预测继电保护设备的剩余寿命,得到各个继电保护设备的剩余寿命,具体为:对于每一继电保护设备,采用预先构造的基于残差的相似性度计算公式,计算继电保护设备的退化轨迹与继电保护设备对应的历史退化轨迹集中各个历史退化轨迹的相似性度;按相似性度值从大到小的顺序筛选预设数量的相似性度,分别根据每一相似性度预测继电保护设备的剩余寿命,得到继电保护设备的剩余寿命预测序列;对继电保护设备的剩余寿命预测序列设定置信度,进行概率密度估计,取继电保护设备的剩余寿命预测序列的中值作为继电保护设备的剩余寿命。
综上所述,实施本发明的实施例,具有如下有益效果:
通过对同种工况下不同服役年份的若干个继电保护设备的原始多维数据信号进行降维处理,得到各个继电保护设备的多维数据信号;分别对每一继电保护设备的多维数据信号进行核密度估计,得到各个继电保护设备的概率密度分布,并分别根据每一继电保护设备的概率密度分布提取特征向量,得到各个继电保护设备的特征向量;选择一服役年份的继电保护设备的特征向量作为基准特征向量,分别将每一继电保护设备的特征向量与基准特征向量进行相对熵计算,根据得到的所有相对熵计算结果评估各个继电保护设备的健康状态,能够准确评估继电保护设备的健康状态,有效保障电力系统安全稳定运行。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例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,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
Claims (10)
1.一种继电保护设备健康状态评估方法,其特征在于,包括:
采集同种工况下不同服役年份的若干个继电保护设备的原始多维数据信号,并分别对每一所述继电保护设备的原始多维数据信号进行降维处理,得到各个所述继电保护设备的多维数据信号;
分别对每一所述继电保护设备的多维数据信号进行核密度估计,得到各个所述继电保护设备的概率密度分布,并分别根据每一所述继电保护设备的概率密度分布提取特征向量,得到各个所述继电保护设备的特征向量;
选择一服役年份的所述继电保护设备的特征向量作为基准特征向量,分别将每一所述继电保护设备的特征向量与所述基准特征向量进行相对熵计算,根据得到的所有相对熵计算结果评估各个所述继电保护设备的健康状态。
2.如权利要求1所述的继电保护设备健康状态评估方法,其特征在于,还包括:
分别根据每一所述继电保护设备的服役部件,获取若干个参考部件的历史退化轨迹,得到各个所述继电保护设备对应的历史退化轨迹集,并分别根据每一所述继电保护设备的健康状态生成退化轨迹,得到各个所述继电保护设备的退化轨迹;
对于每一所述继电保护设备,根据所述继电保护设备的退化轨迹与所述继电保护设备对应的历史退化轨迹集中各个历史退化轨迹的相似性度,预测所述继电保护设备的剩余寿命,得到各个所述继电保护设备的剩余寿命。
3.如权利要求1所述的继电保护设备健康状态评估方法,其特征在于,所述分别对每一所述继电保护设备的原始多维数据信号进行降维处理,得到各个所述继电保护设备的多维数据信号,具体为:
分别通过随机森林提取每一所述继电保护设备的原始多维数据信号的重要特征,得到各个所述继电保护设备的多维数据信号。
4.如权利要求1所述的继电保护设备健康状态评估方法,其特征在于,在所述分别对每一所述继电保护设备的多维数据信号进行核密度估计,得到各个所述继电保护设备的概率密度分布之前,还包括:
对所有所述继电保护设备的多维数据信号进行标准化处理。
5.如权利要求1所述的继电保护设备健康状态评估方法,其特征在于,所述分别对每一所述继电保护设备的多维数据信号进行核密度估计,得到各个所述继电保护设备的概率密度分布,具体为:
根据高斯核函数和预设带宽,分别对每一所述继电保护设备的多维数据信号进行核密度估计,得到各个所述继电保护设备的概率密度分布。
6.如权利要求1所述的继电保护设备健康状态评估方法,其特征在于,所述分别根据每一所述继电保护设备的概率密度分布提取特征向量,得到各个所述继电保护设备的特征向量,具体为:
分别对每一所述继电保护设备的概率密度分布进行积分,得到各个所述继电保护设备的特征向量。
7.如权利要求2所述的继电保护设备健康状态评估方法,其特征在于,所述分别根据每一所述继电保护设备的服役部件,获取若干个参考部件的历史退化轨迹,得到各个所述继电保护设备对应的历史退化轨迹集,具体为:
对于每一所述继电保护设备,根据所述继电保护设备的服役部件确定若干个所述参考部件,并分别将每一所述参考部件的历史监测数据输入预先构建的健康因子融合模型,得到各个所述参考部件的健康状态序列;
分别根据每一所述参考部件的健康状态序列生成历史退化轨迹,得到各个所述参考部件的历史退化轨迹,并将各个所述参考部件的历史退化轨迹划分至所述继电保护设备对应的历史退化轨迹集。
8.如权利要求2所述的继电保护设备健康状态评估方法,其特征在于,所述对于每一所述继电保护设备,根据所述继电保护设备的退化轨迹与所述继电保护设备对应的历史退化轨迹集中各个历史退化轨迹的相似性度,预测所述继电保护设备的剩余寿命,得到各个所述继电保护设备的剩余寿命,具体为:
对于每一所述继电保护设备,采用预先构造的基于残差的相似性度计算公式,计算所述继电保护设备的退化轨迹与所述继电保护设备对应的历史退化轨迹集中各个历史退化轨迹的相似性度;
按相似性度值从大到小的顺序筛选预设数量的所述相似性度,分别根据每一所述相似性度预测所述继电保护设备的剩余寿命,得到所述继电保护设备的剩余寿命预测序列;
对所述继电保护设备的剩余寿命预测序列设定置信度,进行概率密度估计,取所述继电保护设备的剩余寿命预测序列的中值作为所述继电保护设备的剩余寿命。
9.一种继电保护设备健康状态评估装置,其特征在于,包括:
多维运行数据信号处理模块,用于采集同种工况下不同服役年份的若干个继电保护设备的原始多维数据信号,并分别对每一所述继电保护设备的原始多维数据信号进行降维处理,得到各个所述继电保护设备的多维数据信号;
概率密度分布特征提取模块,用于分别对每一所述继电保护设备的多维数据信号进行核密度估计,得到各个所述继电保护设备的概率密度分布,并分别根据每一所述继电保护设备的概率密度分布提取特征向量,得到各个所述继电保护设备的特征向量;
设备健康状态评估模块,用于选择一服役年份的所述继电保护设备的特征向量作为基准特征向量,分别将每一所述继电保护设备的特征向量与所述基准特征向量进行相对熵计算,根据得到的所有相对熵计算结果评估各个所述继电保护设备的健康状态。
10.如权利要求9所述的继电保护设备健康状态评估装置,其特征在于,还包括:
设备退化轨迹生成模块,用于分别根据每一所述继电保护设备的服役部件,获取若干个参考部件的历史退化轨迹,得到各个所述继电保护设备对应的历史退化轨迹集,并分别根据每一所述继电保护设备的健康状态生成退化轨迹,得到各个所述继电保护设备的退化轨迹;
设备剩余寿命预测模块,用于对于每一所述继电保护设备,根据所述继电保护设备的退化轨迹与所述继电保护设备对应的历史退化轨迹集中各个历史退化轨迹的相似性度,预测所述继电保护设备的剩余寿命,得到各个所述继电保护设备的剩余寿命。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211238387.5A CN115423370A (zh) | 2022-10-10 | 2022-10-10 | 一种继电保护设备健康状态评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211238387.5A CN115423370A (zh) | 2022-10-10 | 2022-10-10 | 一种继电保护设备健康状态评估方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115423370A true CN115423370A (zh) | 2022-12-02 |
Family
ID=84205545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211238387.5A Pending CN115423370A (zh) | 2022-10-10 | 2022-10-10 | 一种继电保护设备健康状态评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115423370A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115879248A (zh) * | 2023-03-03 | 2023-03-31 | 山东亿宁环保科技有限公司 | 一种适用于真空泵的全生命周期管理方法和系统 |
-
2022
- 2022-10-10 CN CN202211238387.5A patent/CN115423370A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115879248A (zh) * | 2023-03-03 | 2023-03-31 | 山东亿宁环保科技有限公司 | 一种适用于真空泵的全生命周期管理方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Linearity evaluation and variable subset partition based hierarchical process modeling and monitoring | |
Cai et al. | Monitoring nonlinear and non-Gaussian processes using Gaussian mixture model-based weighted kernel independent component analysis | |
CN111222549B (zh) | 一种基于深度神经网络的无人机故障预测方法 | |
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
CN112131212A (zh) | 基于集成学习技术面向混合云场景的时序数据异常预测方法 | |
CN113642754B (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
CN113702895B (zh) | 一种电压互感器误差状态在线定量评估方法 | |
de Carvalho Michalski et al. | Comparing PCA-based fault detection methods for dynamic processes with correlated and Non-Gaussian variables | |
Zhang et al. | End-to-end unsupervised fault detection using a flow-based model | |
CN113537328A (zh) | 一种基于深度学习的旋转机械故障诊断方法和装置 | |
He et al. | Dynamic mutual information similarity based transient process identification and fault detection | |
CN114912640A (zh) | 基于深度学习的发电机组的异常模式检测方法及系统 | |
CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和系统 | |
Shokry et al. | Dynamic kriging based fault detection and diagnosis approach for nonlinear noisy dynamic processes | |
CN115098962A (zh) | 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法 | |
Liu et al. | Deep & attention: A self-attention based neural network for remaining useful lifetime predictions | |
CN115423370A (zh) | 一种继电保护设备健康状态评估方法及装置 | |
CN116108371A (zh) | 基于级联异常生成网络的云服务异常诊断方法与系统 | |
CN116627116B (zh) | 一种流程工业故障定位方法、系统及电子设备 | |
CN117633688A (zh) | 一种基于岭回归-k均值聚类-LOF-LSTM融合算法的大规模电力数据异常检测方法 | |
Huang et al. | A hybrid bayesian deep learning model for remaining useful life prognostics and uncertainty quantification | |
CN116644358A (zh) | 基于贝叶斯卷积神经网络的电力系统暂态稳定评估方法 | |
CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 | |
Humberstone et al. | Differentiating between expanded and fault conditions using principal component analysis | |
Febriansyah et al. | Outlier detection and decision tree for wireless sensor network fault diagnosis |
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 |