CN115587292A - 换流站选相分合闸的异常识别方法、装置和计算机设备 - Google Patents
换流站选相分合闸的异常识别方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN115587292A CN115587292A CN202211245578.4A CN202211245578A CN115587292A CN 115587292 A CN115587292 A CN 115587292A CN 202211245578 A CN202211245578 A CN 202211245578A CN 115587292 A CN115587292 A CN 115587292A
- Authority
- CN
- China
- Prior art keywords
- recording signal
- switching
- state
- phase selection
- abnormity
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000002159 abnormal effect Effects 0.000 claims abstract description 84
- 230000007704 transition Effects 0.000 claims abstract description 40
- 238000004590 computer program Methods 0.000 claims abstract description 28
- 230000005856 abnormality Effects 0.000 claims description 51
- 238000000354 decomposition reaction Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000001052 transient effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910021389 graphene Inorganic materials 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
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/60—Arrangements for transfer of electric power between AC networks or generators via a high voltage DC link [HVCD]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本申请涉及一种换流站选相分合闸的异常识别方法、装置、计算机设备、存储介质和计算机程序产品,可提高针对涌流异常或过电压异常的识别效率。所述方法包括:获取换流站选相分合闸装置的待测录波信号;基于待测录波信号的峰值信息和能量信息,确定待测录波信号的录波信号观测序列,并将录波信号观测序列输入到训练好的录波信号异常识别模型,由录波信号异常识别模型基于录波信号观测序列、预先确定的录波信号初始状态概率分布、录波信号在多种状态之间的状态转移概率以及在状态下录波信号为预设观测值的概率,获取状态识别结果;基于状态识别结果,确定选相分合闸装置的异常识别结果。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种换流站选相分合闸的异常识别方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
暂态故障录波装置(Transient FaultRecorder,TFR)被广泛用于电力系统,可准确地记录电力系统在运行或发生故障时的电气量数据生成暂态故障录波数据,方便运维人员分析电力系统存在的问题。其中,选相分合闸装置可以记录与换流站相关的暂态故障录波数据。
在相关技术中,在对选相分合闸装置记录的录波数据进行分析,并确定换流站是否存在涌流过大或过电压等异常状况时,可以由拥有相关经验的工作人员解读录波数据,识别出异常类型;或者,可以开发多个判据,由处理设备基于已有的判据判断录波数据是否符合相应的判断标准,并根据判断结果得到分析结果。
然而,通过人工分析的方法异常识别效率较低,且与工作人员的技能水平有关,分析结果的可靠性难以得到保障,而算法判据的灵活性较低,难以快速开发多种算法判据以适应录波数据的多样化。可见,相关技术在基于录波数据识别换流站是否存在涌流过大或过电压等异常状况时,仍然存在识别效率较低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种换流站选相分合闸的异常识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种换流站选相分合闸的异常识别方法。所述方法包括:
获取换流站选相分合闸装置的待测录波信号;
基于所述待测录波信号的峰值信息和能量信息,确定所述待测录波信号的录波信号观测序列,并将所述录波信号观测序列输入到训练好的录波信号异常识别模型,由所述录波信号异常识别模型基于所述录波信号观测序列、预先确定的录波信号初始状态概率分布、录波信号在多种状态之间的状态转移概率以及在所述状态下录波信号为预设观测值的概率,获取状态识别结果;
基于所述状态识别结果,确定所述选相分合闸装置的异常识别结果;所述异常识别结果用于指示当前是否存在所述选相分合闸装置的参数异常导致所述换流站的涌流异常和/或过电压异常。
在其中一个实施例中,所述获取换流站选相分合闸装置的待测录波信号,包括:
获取换流站的选相分合闸装置采集的原始录波信号,并将所述原始录波信号中的基波信号剔除,得到待测录波信号。
在其中一个实施例中,所述将所述原始录波信号中的基波信号剔除,得到待测录波信号,包括:
获取与所述原始录波信号的采样频率匹配的分解层数;
基于所述分解层数对所述原始录波信号进行离散小波包分解,得到分解录波信号;
将所述分解录波信号中在基频内的基波信号剔除,并对剔除基波信号的分解录波信号进行重构,得到待测录波信号。
在其中一个实施例中,所述状态识别结果包括所述待测录波信号在多个时刻的状态识别结果,所述基于所述状态识别结果,确定所述选相分合闸装置的异常识别结果,包括:
对所述多个时刻的状态识别结果进行统计,得到所述多个时刻内每种状态的累计结果;其中,所述多种状态包括所述选相分合闸装置的参数异常导致的涌流异常和/或过电压异常,以及,正常状态;
将对应累计结果最大的状态作为所述选相分合闸装置的异常识别结果。
在其中一个实施例中,所述基于所述待测录波信号的峰值信息和能量信息,确定所述待测录波信号的录波信号观测序列,包括:
获取所述待测录波信号中每个信号片段的峰值信息和能量信息,并将每个信号片段的峰值信息和能量信息分别与预先确定的峭度阈值和能量阈值进行比较,得到每个信号片段的比较结果;
将与所述比较结果对应的离散值作为所述信号片段的观测值,并基于所述待测录波信号多个信号片段各自的观测值,得到所述待测录波信号的录波信号观测序列。
在其中一个实施例中,在所述获取换流站的选相分合闸装置采集的待测录波信号之前,还包括:
获取选相分合闸装置的待分析的异常录波信号;
将所述异常录波信号的峰值信息和能量信息分别与峭度阈值和能量阈值进行比较,并根据比较结果确定所述异常录波信号的观测序列;
基于初始化的状态转移矩阵、观察矩阵和初始状态概率分布,构建待训练的隐马尔可夫模型;所述状态转移矩阵包括录波信号在多种状态之间的状态转移概率,所述观察矩阵包括在每种状态下录波信号为预设观测值的概率;
利用所述异常录波信号的观测序列对所述待训练的隐马尔可夫模型进行训练,得到训练好的录波信号异常识别模型。
第二方面,本申请还提供了一种换流站选相分合闸的异常识别装置。所述装置包括:
待测录波信号获取模块,用于获取换流站选相分合闸装置的待测录波信号;
状态识别结果获取模块,用于基于所述待测录波信号的峰值信息和能量信息,确定所述待测录波信号的录波信号观测序列,并将所述录波信号观测序列输入到训练好的录波信号异常识别模型,由所述录波信号异常识别模型基于所述录波信号观测序列、预先确定的录波信号初始状态概率分布、录波信号在多种状态之间的状态转移概率以及在所述状态下录波信号为预设观测值的概率,获取状态识别结果;
异常识别结果获取模块,用于基于所述状态识别结果,确定所述选相分合闸装置的异常识别结果;所述异常识别结果用于指示当前是否存在所述选相分合闸装置的参数异常导致所述换流站的涌流异常和/或过电压异常。
第三方面,本申请还提供了一种计算机设备。所述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:
获取换流站选相分合闸装置的待测录波信号;
基于所述待测录波信号的峰值信息和能量信息,确定所述待测录波信号的录波信号观测序列,并将所述录波信号观测序列输入到训练好的录波信号异常识别模型,由所述录波信号异常识别模型基于所述录波信号观测序列、预先确定的录波信号初始状态概率分布、录波信号在多种状态之间的状态转移概率以及在所述状态下录波信号为预设观测值的概率,获取状态识别结果;
基于所述状态识别结果,确定所述选相分合闸装置的异常识别结果;所述异常识别结果用于指示当前是否存在所述选相分合闸装置的参数异常导致所述换流站的涌流异常和/或过电压异常。
第四方面,本申请还提供了一种计算机可读存储介质。所述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:
获取换流站选相分合闸装置的待测录波信号;
基于所述待测录波信号的峰值信息和能量信息,确定所述待测录波信号的录波信号观测序列,并将所述录波信号观测序列输入到训练好的录波信号异常识别模型,由所述录波信号异常识别模型基于所述录波信号观测序列、预先确定的录波信号初始状态概率分布、录波信号在多种状态之间的状态转移概率以及在所述状态下录波信号为预设观测值的概率,获取状态识别结果;
基于所述状态识别结果,确定所述选相分合闸装置的异常识别结果;所述异常识别结果用于指示当前是否存在所述选相分合闸装置的参数异常导致所述换流站的涌流异常和/或过电压异常。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取换流站选相分合闸装置的待测录波信号;
基于所述待测录波信号的峰值信息和能量信息,确定所述待测录波信号的录波信号观测序列,并将所述录波信号观测序列输入到训练好的录波信号异常识别模型,由所述录波信号异常识别模型基于所述录波信号观测序列、预先确定的录波信号初始状态概率分布、录波信号在多种状态之间的状态转移概率以及在所述状态下录波信号为预设观测值的概率,获取状态识别结果;
基于所述状态识别结果,确定所述选相分合闸装置的异常识别结果;所述异常识别结果用于指示当前是否存在所述选相分合闸装置的参数异常导致所述换流站的涌流异常和/或过电压异常。
上述换流站选相分合闸的异常识别方法、装置、计算机设备、存储介质和计算机程序产品,电网服务器可以获取换流站选相分合闸装置的待测录波信号,基于待测录波信号的峰值信息和能量信息,确定待测录波信号的录波信号观测序列,并将录波信号观测序列输入到训练好的录波信号异常识别模型,由录波信号异常识别模型基于录波信号观测序列、预先确定的录波信号初始状态概率分布、录波信号在多种状态之间的状态转移概率以及在状态下录波信号为预设观测值的概率,获取状态识别结果,进而可以基于状态识别结果,确定选相分合闸装置的异常识别结果,该异常识别结果用于指示当前是否存在选相分合闸装置的参数异常导致所述换流站的涌流异常和/或过电压异常。在本申请中,通过预先训练的录波信号异常识别模型,可以学习换流站选相分合闸装置在多种状态下采集到的录波信号的信号特点,得到录波信号的初始状态概率分布、状态转移概率以及各状态下录波信号为预设观测值的概率,从而可以由该模型基于预先学习到的参数,确定在采集待测录波信号时选相分合闸装置是否存在因参数设置异常而导致换电站出现涌流异常或过电压异常等情况,作出快速的识别,在处理海量的录波数据时,能有效提高针对涌流异常或过电压异常的识别效率。
附图说明
图1为一个实施例中一种换流站选相分合闸的异常识别方法的应用环境图;
图2为一个实施例中一种换流站选相分合闸的异常识别方法的流程示意图;
图3a为一个实施例中一种原始录波信号时域下的波形图;
图3b为一个实施例中一种待测录波信号时域下的波形图;
图4为一个实施例中另一种换流站选相分合闸的异常识别方法的流程示意图;
图5为一个实施例中换流站选相分合闸的异常识别装置的结构框图;
图6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。
本申请实施例提供一种换流站选相分合闸的异常识别方法,可以应用于如图1所示的应用环境中。其中,选相分合闸装置可以通过网络与电网系统中的电网服务器进行通信;电网服务器可以配置有相应的数据存储系统,可存储电网服务器需要处理的数据,例如选相分合闸装置或其他暂态故障录波装置采集到的录波信号,数据存储系统可以集成在电网服务器上,也可以放在云上或其他网络服务器上。电网服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在本申请中,获取换流站选相分合闸装置采集的待测录波信号,并确定待测录波信号的峰值信息和能量信息,进而可以基于待测录波信号的峰值信息和能量信息,确定待测录波信号的录波信号观测序列,并将录波信号观测序列输入到训练好的录波信号异常识别模型,由录波信号异常识别模型基于录波信号观测序列、预先确定的录波信号初始状态概率分布、录波信号在多种状态之间的状态转移概率以及在状态下录波信号为预设观测值的概率,获取状态识别结果;然后,电网服务器可以基于状态识别结果,确定选相分合闸装置的异常识别结果,该异常识别结果可以指示当前是否存在选相分合闸装置的参数异常导致换流站的涌流异常和/或过电压异常。
在一个实施例中,如图2所示,提供了一种换流站选相分合闸的异常识别方法,以该方法应用于图1中的电网服务器为例进行说明,包括以下步骤:
S201,获取换流站选相分合闸装置的待测录波信号。
在具体实现中,选相分合闸装置可用于记录换流站的录波信号,电网服务器可以与一个或多个换流站选相分合闸装置通信连接。针对每个选相分合闸装置,电网服务器可以与选相分合闸装置通信,并从选相分合闸装置返回的录波信号中获取到用于识别换流站异常情况的待测录波信号。
在一个可选的实施例中,电网服务器可以通过RS232接口与选相分合闸装置通信,按照预设时间间隔向选相分合闸装置发送录波信号下载指令,得到并存储选相分合闸装置在当前周期的所有原始录波信号,然后可以基于原始录波信号,获取待测录波信号,例如可以将原始录波信号作为待测录波信号,也可以对原始录波信号作预处理,并将处理后得到的录波信号作为待测录波信号。
S202,基于待测录波信号的峰值信息和能量信息,确定待测录波信号的录波信号观测序列,并将录波信号观测序列输入到训练好的录波信号异常识别模型,由录波信号异常识别模型基于录波信号观测序列、预先确定的录波信号初始状态概率分布、录波信号在多种状态之间的状态转移概率以及在状态下录波信号为预设观测值的概率,获取状态识别结果。
其中,录波信号异常识别模型可以基于观测序列,确定出在当前观测序列下换流站的状态,该状态也可以称为隐状态,在同一状态下,获取到的观测序列可以存在差异。在本申请中,录波信号异常识别模型所识别的多种状态可以包括正常状态和异常状态两种。
实际应用中,可以预先训练录波信号异常识别模型,该模型可以通过对隐马尔可夫模型进行训练得到;录波信号异常识别模型可以包括三元组参数,即录波信号初始状态概率分布、录波信号在多种状态之间的状态转移概率以及在对应状态下录波信号为预设观测值的概率。
其中,待测录波信号可以是由多个时刻的信号所构成的序列,在每个时刻下,换流站具有相应的状态并产生相应的录波信号。在同一状态下,选相分合闸装置采集到的观测值可能不同,例如在状态A下,可能会采集到信号a1,也可能采集到信号a2,在本实施例中,可以通过模型训练,得到在各状态下录波信号为预设观测值的概率,例如,若预设观测值离散为m个,待预测的状态具有n种不同状态,则可以通过模型训练确定出n*m的矩阵,矩阵中的每个元素指示在对应状态下取到相应的预设观测值的概率。
换流站的状态可以发生变化,例如从正常状态转变为异常状态或者从异常状态转变为正常状态,状态的变化可以称为状态转移,不同状态之间的转换概率可以通过状态转移概率表征,即状态转移概率可以表征在当前状态下,录波信号在下一时刻保持当前状态或转换为其他状态的概率,其中,当前时刻t的状态只与上一时刻t-1的状态相关,与此前t-2个时刻的状态无关。
初始状态概率分布可以表征录波信号在首个时刻的状态为预设状态的可能性大小,初始状态概率分布可以通过向量表示,该向量的维度与状态数量相同,向量中每个分量的数值可以指示在首个时刻换流站为对应状态的概率。
在本步骤中,在获取到待测录波信号后,可以确定待测录波信号的峰值信息和能量信息,例如待测录波信号的峰值大小和能量值。进而可以基于待测录波信号的峰值信息和能量信息,获取待测录波信号的录波信号观测序列,并将录波信号观测序列输入到训练好的录波信号异常识别模型,由录波信号异常识别模型基于录波信号观测序列、预先确定的录波信号初始状态概率分布、录波信号在多种状态之间的状态转移概率以及在状态下录波信号为预设观测值的概率,获取状态识别结果。
S203,基于状态识别结果,确定选相分合闸装置的异常识别结果;异常识别结果用于指示当前是否存在选相分合闸装置的参数异常导致换流站的涌流异常和/或过电压异常。
在得到录波信号异常识别模型输出的状态识别结果后,则可以基于状态识别结果确定选相分合闸装置的异常识别结果,从而确定出是否存在由于选相分合闸装置参数设置异常而导致换流站的涌流异常(如涌流过大)以及过电压异常,其中,选相分合闸装置参数可以包括分合闸命令下发时机(或下发条件),涌流异常或过电压异常可以由分合闸命令下发时机不佳而导致。
在一个可选的实施例中,若基于异常识别结果确定存在选相分合闸装置的参数异常导致换流站的涌流异常和/或过电压异常,则可以确定选相分合闸装置当前参数设置异常,并输出告警信息至相关系统或终端,提醒运维人员修改选相分合闸装置的参数。
在本实施例中,电网服务器可以获取换流站选相分合闸装置的待测录波信号,基于待测录波信号的峰值信息和能量信息,确定待测录波信号的录波信号观测序列,并将录波信号观测序列输入到训练好的录波信号异常识别模型,由录波信号异常识别模型基于录波信号观测序列、预先确定的录波信号初始状态概率分布、录波信号在多种状态之间的状态转移概率以及在状态下录波信号为预设观测值的概率,获取状态识别结果,进而可以基于状态识别结果,确定选相分合闸装置的异常识别结果,该异常识别结果用于指示当前是否存在选相分合闸装置的参数异常导致所述换流站的涌流异常和/或过电压异常。在本申请中,通过预先训练的录波信号异常识别模型,可以学习换流站选相分合闸装置在多种状态下采集到的录波信号的信号特点,得到录波信号的初始状态概率分布、状态转移概率以及各状态下录波信号为预设观测值的概率,从而可以由该模型基于预先学习到的参数,确定在采集待测录波信号时选相分合闸装置是否存在因参数设置异常而导致换电站出现涌流异常或过电压异常等情况,作出快速的识别,在处理海量的录波数据时,能有效提高针对涌流异常或过电压异常的识别效率。
在一个实施例中,S201,获取换流站选相分合闸装置的待测录波信号,可以包括如下步骤:
获取换流站的选相分合闸装置采集的原始录波信号,并将原始录波信号中的基波信号剔除,得到待测录波信号。
作为一示例,基波信号可以是基频信号。
在本步骤中,电网服务器可以获取换流站的选相分合闸装置采集到的原始录波信号,然后可以将原始录波信号中的基波信号剔除,将剔除了基波信号的录波信号作为待测录波信号。
由于换流站选相分合闸装置的异常对录波信号波形产生的叠加噪声集中在高频信号中,不在基频范围内或基频范围内的叠加噪声极少,本步骤中通过将原始录波信号中的基波信号剔除,并基波信号剔除后得到的录波信号作为待测录波信号,可以提高用于分析异常状态的有效信号的比例,提高录波信号异常识别模型输出状态识别结果的速度和结果准确性。
在一个实施例中,所述将原始录波信号中的基波信号剔除,得到待测录波信号,可以包括如下步骤:
S301,获取与原始录波信号的采样频率匹配的分解层数。
在具体实现,可以确定原始录波信号的采样频率,并根据采样频率确定出与原始录波信号适配的分解层数。在一个可选的实施例中,若原始录波信号的采样频率f为50Hz,为了使一个子频带能完整覆盖该范围,同时子频带尽可能小,则分解层数n满足如下条件:
其中,n为整数。
S302,基于分解层数对原始录波信号进行离散小波包分解,得到分解录波信号。
在确定分解层数后,则可以按照该分解层数对原始录波信号进行离散小波包分解,得到分解录波信号。
具体而言,设S0,0为原始录波信号,Si,j表示分解的第i层第j个节点对应的分解信号,其中,节点是指分解过程中,时域下对频段的分解信号,相应地有:
S0,0=S1,0+S1,1=S2,0+S2,1+S2,2
=S3,0+S3,1+S3,2+S3,3+S3,4+S3,5+S3,6+S3,7=…
其中,节点数j为偶数时表示经过低通滤波系数g(k)分解得到的低频分量,j为奇数时表示经过高通滤波系数h(k)分解得到的高频分量,高通和低通滤波系数满足正交关系:
g(k)=(-1)kh(1-k)
针对不同的分解层数,分解后得到的录波信号可以表示为:
Si+1,2j(n)=∑kg(k-2n)Si,j(k)
Si+1,2j+1(n)=∑kh(k-2n)Si,j(k)
其中,Si+1,2j(n)为录波信号分解后得到的低频分量,Si+1,2j+1(n)为录波信号分解后得到的高频分量。
经小波包分解后,将得到2i个分解信号(即每次分解后得到高频分量和低频分量),2i个分解信号可以分别具有对应的特征数据,即2i个特征数据,每个特征数据与相应频率段相匹配。
S303,将分解录波信号中在基频内的基波信号剔除,并对剔除基波信号的分解录波信号进行重构,得到待测录波信号。
在得到分解录波信号后,则可以将基频内的基波信号剔除,例如若基频为50Hz,则可以将50Hz所在的频率段分解数据的节点系数全部置0,实现基波信号的剔除,同时保留能体现故障的其他分解数据。
然后,可以对剔除基波信号的分解录波信号进行重构,得到待测录波信号,例如,可以利用小波包逆变换公式,将剔除基波信号的分解录波信号重构为待测录波信号。如图3a和图3b所示,分别为原始录波信号和重构后得到的待测录波信号。
在本实施例中,可以通过对录波信号进行离散小波包分解,将分解录波信号中位于基频范围内的录波信号剔除,在保留与选相分合闸装置异常识别相关的噪声信号的同时,将基频中无关的噪声信号剔除。
在一个实施例中,状态识别结果包括待测录波信号在多个时刻的状态识别结果,待测录波信号在多个时刻的状态识别结果可以构成马尔可夫链。S203基于状态识别结果,确定选相分合闸装置的异常识别结果,包括如下步骤:
对多个时刻的状态识别结果进行统计,得到多个时刻内每种状态的累计结果;将对应累计结果最大的状态作为选相分合闸装置的异常识别结果。
其中,多种状态包括异常状态和正常状态,异常状态包括多种状态包括选相分合闸装置的参数异常导致的涌流异常和过电压异常中的至少一种。
具体地,在确定录波信号在多个时刻的状态识别结果后,由于状态识别结果可以指示在当前时刻录波信号处于对应状态(即状态识别结果所指示的状态,包括正常状态或异常状态)的概率,因此,针对每个状态,即针对异常状态和正常状态,可以对多个时刻的状态识别结果进行统计,得到多个时刻内每种状态的累计结果,其中,统计可以是状态数量统计,即确定每个状态在多个时刻中出现的次数,或者,也可以统计每个状态的概率值之和,例如在确定每个时刻对应状态(即出现概率最高的状态)的出现概率后,可对出现概率求和,得到对应的累计结果。进而可以将对应累计结果最大的状态作为选相分合闸装置的异常识别结果。
在一示例中,可以通过多数投票确定异常识别结果si,如下所示:
其中N(s1),N(s2)由通过维特比方法计算的相应状态之和确定。
在本实施例中,可以综合参考多个时刻的状态识别结果,确定选相分合闸装置的异常识别结果,提高异常识别结果的准确性和可靠性。
在一个实施例中,S202基于待测录波信号的峰值信息和能量信息,确定待测录波信号的录波信号观测序列,包括如下步骤:
获取待测录波信号中每个信号片段的峰值信息和能量信息,并将每个信号片段的峰值信息和能量信息分别与预先确定的峭度阈值和能量阈值进行比较,得到每个信号片段的比较结果;将与比较结果对应的离散值作为信号片段的观测值,并基于待测录波信号多个信号片段各自的观测值,得到待测录波信号的录波信号观测序列。
在具体实现中,在得到待测录波信号后,可以获取将待测录波信号划分为多个信号片段,例如,针对图3b所示的待测录波信号,可以按照信号的周期性划分为多个信号片段,当然,也可以将每一个录波信号作为一个信号片段。然后,可以获取每个信号片段的峰值信息和能量信息,如获取每个信号片段的峰值大小和能量值,并将每个信号片段的峰值信息与预先确定的峭度阈值比较,以及,将每个信号片段的和能量信息与预先确定的能量阈值进行比较,得到比较结果。
并且,可以获取离散的多个观测值,每个观测值可以对应一种比较结果,进而可以将与比较结果对应的离散值作为信号片段的观测值,并基于多个信号片段各自的观测值,得到待测录波信号的录波信号观测序列。
例如,以观测值离散为4个为示例,即观测值分别为{ob1,ob2,ob3,ob4},观测值observation与峰值信息ki、能量信息ei、峭度阈值τk以及能量阈值τe的关系可以如下所示:
observation=ob1 ki≤τk,ei≤τe
observation=ob2 ki≤τk,ei>τe
observation=ob3 ki>τk,ei≤τe
observation=ob4 ki>τk,ei>τe
在一个实施例中,在获取换流站选相分合闸装置采集的待测录波信号之前,可以通过如下步骤训练录波信号异常识别模型:
S401,获取选相分合闸装置的待分析的异常录波信号。
具体地,可以从选相分合闸装置中获取多个原始录波信号,并通过人工识别的方式提取出因换流站涌流异常或过电压异常而导致的存在异常的录波信号,在对人工识别出的存在异常的录波信号进行处理后,可以得到待分析的异常录波信号,其中,处理过程可以与步骤S301-S303相同,本实施例中不作赘述。
S402,将异常录波信号的峰值信息和能量信息分别与峭度阈值和能量阈值进行比较,并根据比较结果确定异常录波信号的观测序列。
在得到待分析的异常录波信号后,则可以确定异常录波信号的峰值信息和能量信息,将异常录波信号的峰值信息和能量信息分别与峭度阈值和能量阈值进行比较,并根据比较结果确定异常录波信号的观测序列。S402确定观测序列的比较方式可以与S202中确定观测序列的方式相同,本实施例中不作赘述。
S403,基于初始化的状态转移矩阵、观察矩阵和初始状态概率分布,构建待训练的隐马尔可夫模型;状态转移矩阵包括录波信号在多种状态之间的状态转移概率,所述观察矩阵包括在每种状态下录波信号为预设观测值的概率。
S404,利用异常录波信号的观测序列对待训练的隐马尔可夫模型进行训练,得到训练好的录波信号异常识别模型。
在本步骤中,可以获取初始化的状态转移矩阵A、观察矩阵B和初始状态分布概率π,示例性地,状态转移矩阵A可以如下所示:
其中,aij表示从状态si转换为sj的概率。
观察矩阵B可以如下所示:
其中,bnm表示在状态为n的情况下,观测值为m的概率。
在得到初始化的状态转移矩阵A、观察矩阵B和初始状态分布概率π,则可以利用上述三个参数构建隐马尔可夫模型,并将多个异常录波信号的观测序列作为学习样本,对待训练的隐马尔可夫模型进行训练,不断对三元组λ={π,A,B}进行更新,并在满足训练结束条件的情况下得到训练好的录波信号异常识别模型。在一示例中,在训练隐马尔可夫模型时,可以使用鲍姆-韦尔奇(Baum-Welch)算法方法来估计三元组λ={π,A,B},当然,也可以使用本领域的其他训练方式训练隐马尔可夫模型。
在本实施例中,通过利用大量的异常录波信号的观测序列训练隐马尔可夫模型,能够使隐马尔可夫模型学习到涌流异常和过电压异常情况下录波信号的波形和相关的参数,掌握异常的波形特征变化状态序列,为后续快速准确地识别不同录波信号的异常提供基础。
为了使本领域技术人员能够更好地理解上述步骤,以下通过一个例子对本申请实施例加以示例性说明,但应当理解的是,本申请实施例并不限于此。
如图4所示,在模型学习阶段,可以构建待训练的隐马尔可夫模型的三元组λ={π,A,B},并且可以获取作为学习样本的异常录波信号的观测序列,进而可以基于多个学习样本,按照鲍姆-韦尔奇确定当前三元组,然后更新模型参数,不断迭代训练,直到满足训练结束条件,可以得到训练好的录波信号异常识别模型。
在模型应用阶段,在获取待测录波信号的观测序列后,可以通过维特比方法计算异常状态和正常状态的概率的累计结果,并将对应累计结果最大的状态作为异常识别结果,若异常识别结果指示当前选相分合闸装置正常,则可以结束当前流程,若异常识别结果指示存在选相分合闸装置的参数异常导致换流站的涌流异常和/或过电压异常,则可以输出告警信息至相关系统。
应该理解的是,虽然如上所述的各实施例所涉及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,如上所述的各实施例所涉及的流程图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。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的换流站选相分合闸的异常识别方法的换流站选相分合闸的异常识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个换流站选相分合闸的异常识别装置实施例中的具体限定可以参见上文中对于换流站选相分合闸的异常识别方法的限定,在此不再赘述。
在一个实施例中,如图5所示,提供了一种换流站选相分合闸的异常识别装置,包括:
待测录波信号获取模块501,用于获取换流站选相分合闸装置的待测录波信号;
状态识别结果获取模块502,用于基于所述待测录波信号的峰值信息和能量信息,确定所述待测录波信号的录波信号观测序列,并将所述录波信号观测序列输入到训练好的录波信号异常识别模型,由所述录波信号异常识别模型基于所述录波信号观测序列、预先确定的录波信号初始状态概率分布、录波信号在多种状态之间的状态转移概率以及在所述状态下录波信号为预设观测值的概率,获取状态识别结果;
异常识别结果获取模块503,用于基于所述状态识别结果,确定所述选相分合闸装置的异常识别结果;所述异常识别结果用于指示当前是否存在所述选相分合闸装置的参数异常导致所述换流站的涌流异常和/或过电压异常。
在一个实施例中,所述待测录波信号获取模块501,包括:
基波信号剔除子模块,用于获取换流站的选相分合闸装置采集的原始录波信号,并将所述原始录波信号中的基波信号剔除,得到待测录波信号。
在一个实施例中,所述基波信号剔除子模块,具体用于:
获取与所述原始录波信号的采样频率匹配的分解层数;
基于所述分解层数对所述原始录波信号进行离散小波包分解,得到分解录波信号;
将所述分解录波信号中在基频内的基波信号剔除,并对剔除基波信号的分解录波信号进行重构,得到待测录波信号。
在一个实施例中,所述状态识别结果包括所述待测录波信号在多个时刻的状态识别结果,所述异常识别结果获取模块503,具体用于:
对所述多个时刻的状态识别结果进行统计,得到所述多个时刻内每种状态的累计结果;其中,所述多种状态包括所述选相分合闸装置的参数异常导致的涌流异常和/或过电压异常,以及,正常状态;
将对应累计结果最大的状态作为所述选相分合闸装置的异常识别结果。
在一个实施例中,所述状态识别结果获取模块502,具体用于:
获取所述待测录波信号中每个信号片段的峰值信息和能量信息,并将每个信号片段的峰值信息和能量信息分别与预先确定的峭度阈值和能量阈值进行比较,得到每个信号片段的比较结果;
将与所述比较结果对应的离散值作为所述信号片段的观测值,并基于所述待测录波信号多个信号片段各自的观测值,得到所述待测录波信号的录波信号观测序列。
在一个实施例中,所述装置还包括:
异常录波信号获取模块,用于获取选相分合闸装置的待分析的异常录波信号;
样本序列确定模块,用于将所述异常录波信号的峰值信息和能量信息分别与峭度阈值和能量阈值进行比较,并根据比较结果确定所述异常录波信号的观测序列;
模型构建模块,用于基于初始化的状态转移矩阵、观察矩阵和初始状态概率分布,构建待训练的隐马尔可夫模型;所述状态转移矩阵包括录波信号在多种状态之间的状态转移概率,所述观察矩阵包括在每种状态下录波信号为预设观测值的概率;
训练模块,用于利用所述异常录波信号的观测序列对所述待训练的隐马尔可夫模型进行训练,得到训练好的录波信号异常识别模型。
上述换流站选相分合闸的异常识别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服务器,其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。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和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。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。该计算机设备的数据库用于存储录波数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种换流站选相分合闸的异常识别方法。
本领域技术人员可以理解,图6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以下步骤:
获取换流站选相分合闸装置的待测录波信号;
基于所述待测录波信号的峰值信息和能量信息,确定所述待测录波信号的录波信号观测序列,并将所述录波信号观测序列输入到训练好的录波信号异常识别模型,由所述录波信号异常识别模型基于所述录波信号观测序列、预先确定的录波信号初始状态概率分布、录波信号在多种状态之间的状态转移概率以及在所述状态下录波信号为预设观测值的概率,获取状态识别结果;
基于所述状态识别结果,确定所述选相分合闸装置的异常识别结果;所述异常识别结果用于指示当前是否存在所述选相分合闸装置的参数异常导致所述换流站的涌流异常和/或过电压异常。
在一个实施例中,处理器执行计算机程序时还实现上述其他实施例中的步骤。
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,计算机程序被处理器执行时实现以下步骤:
获取换流站选相分合闸装置的待测录波信号;
基于所述待测录波信号的峰值信息和能量信息,确定所述待测录波信号的录波信号观测序列,并将所述录波信号观测序列输入到训练好的录波信号异常识别模型,由所述录波信号异常识别模型基于所述录波信号观测序列、预先确定的录波信号初始状态概率分布、录波信号在多种状态之间的状态转移概率以及在所述状态下录波信号为预设观测值的概率,获取状态识别结果;
基于所述状态识别结果,确定所述选相分合闸装置的异常识别结果;所述异常识别结果用于指示当前是否存在所述选相分合闸装置的参数异常导致所述换流站的涌流异常和/或过电压异常。
在一个实施例中,计算机程序被处理器执行时还实现上述其他实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取换流站选相分合闸装置的待测录波信号;
基于所述待测录波信号的峰值信息和能量信息,确定所述待测录波信号的录波信号观测序列,并将所述录波信号观测序列输入到训练好的录波信号异常识别模型,由所述录波信号异常识别模型基于所述录波信号观测序列、预先确定的录波信号初始状态概率分布、录波信号在多种状态之间的状态转移概率以及在所述状态下录波信号为预设观测值的概率,获取状态识别结果;
基于所述状态识别结果,确定所述选相分合闸装置的异常识别结果;所述异常识别结果用于指示当前是否存在所述选相分合闸装置的参数异常导致所述换流站的涌流异常和/或过电压异常。
在一个实施例中,计算机程序被处理器执行时还实现上述其他实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
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、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-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。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等。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 RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
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本申请专利范围的限制。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,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种换流站选相分合闸的异常识别方法,其特征在于,所述方法包括:
获取换流站选相分合闸装置的待测录波信号;
基于所述待测录波信号的峰值信息和能量信息,确定所述待测录波信号的录波信号观测序列,并将所述录波信号观测序列输入到训练好的录波信号异常识别模型,由所述录波信号异常识别模型基于所述录波信号观测序列、预先确定的录波信号初始状态概率分布、录波信号在多种状态之间的状态转移概率以及在所述状态下录波信号为预设观测值的概率,获取状态识别结果;
基于所述状态识别结果,确定所述选相分合闸装置的异常识别结果;所述异常识别结果用于指示当前是否存在所述选相分合闸装置的参数异常导致所述换流站的涌流异常和/或过电压异常。
2.根据权利要求1所述的方法,其特征在于,所述获取换流站选相分合闸装置的待测录波信号,包括:
获取换流站的选相分合闸装置采集的原始录波信号,并将所述原始录波信号中的基波信号剔除,得到待测录波信号。
3.根据权利要求2所述的方法,其特征在于,所述将所述原始录波信号中的基波信号剔除,得到待测录波信号,包括:
获取与所述原始录波信号的采样频率匹配的分解层数;
基于所述分解层数对所述原始录波信号进行离散小波包分解,得到分解录波信号;
将所述分解录波信号中在基频内的基波信号剔除,并对剔除基波信号的分解录波信号进行重构,得到待测录波信号。
4.根据权利要求1所述的方法,其特征在于,所述状态识别结果包括所述待测录波信号在多个时刻的状态识别结果,所述基于所述状态识别结果,确定所述选相分合闸装置的异常识别结果,包括:
对所述多个时刻的状态识别结果进行统计,得到所述多个时刻内每种状态的累计结果;其中,所述多种状态包括所述选相分合闸装置的参数异常导致的涌流异常和/或过电压异常,以及,正常状态;
将对应累计结果最大的状态作为所述选相分合闸装置的异常识别结果。
5.根据权利要求1所述的方法,其特征在于,所述基于所述待测录波信号的峰值信息和能量信息,确定所述待测录波信号的录波信号观测序列,包括:
获取所述待测录波信号中每个信号片段的峰值信息和能量信息,并将每个信号片段的峰值信息和能量信息分别与预先确定的峭度阈值和能量阈值进行比较,得到每个信号片段的比较结果;
将与所述比较结果对应的离散值作为所述信号片段的观测值,并基于所述待测录波信号多个信号片段各自的观测值,得到所述待测录波信号的录波信号观测序列。
6.根据权利要求1所述的方法,其特征在于,在所述获取换流站的选相分合闸装置采集的待测录波信号之前,还包括:
获取选相分合闸装置的待分析的异常录波信号;
将所述异常录波信号的峰值信息和能量信息分别与峭度阈值和能量阈值进行比较,并根据比较结果确定所述异常录波信号的观测序列;
基于初始化的状态转移矩阵、观察矩阵和初始状态概率分布,构建待训练的隐马尔可夫模型;所述状态转移矩阵包括录波信号在多种状态之间的状态转移概率,所述观察矩阵包括在每种状态下录波信号为预设观测值的概率;
利用所述异常录波信号的观测序列对所述待训练的隐马尔可夫模型进行训练,得到训练好的录波信号异常识别模型。
7.一种换流站选相分合闸的异常识别装置,其特征在于,所述装置包括:
待测录波信号获取模块,用于获取换流站选相分合闸装置的待测录波信号;
状态识别结果获取模块,用于基于所述待测录波信号的峰值信息和能量信息,确定所述待测录波信号的录波信号观测序列,并将所述录波信号观测序列输入到训练好的录波信号异常识别模型,由所述录波信号异常识别模型基于所述录波信号观测序列、预先确定的录波信号初始状态概率分布、录波信号在多种状态之间的状态转移概率以及在所述状态下录波信号为预设观测值的概率,获取状态识别结果;
异常识别结果获取模块,用于基于所述状态识别结果,确定所述选相分合闸装置的异常识别结果;所述异常识别结果用于指示当前是否存在所述选相分合闸装置的参数异常导致所述换流站的涌流异常和/或过电压异常。
8.一种计算机设备,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6中任一项所述的方法的步骤。
9.一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6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211245578.4A CN115587292A (zh) | 2022-10-12 | 2022-10-12 | 换流站选相分合闸的异常识别方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211245578.4A CN115587292A (zh) | 2022-10-12 | 2022-10-12 | 换流站选相分合闸的异常识别方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115587292A true CN115587292A (zh) | 2023-01-10 |
Family
ID=84780725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211245578.4A Withdrawn CN115587292A (zh) | 2022-10-12 | 2022-10-12 | 换流站选相分合闸的异常识别方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115587292A (zh) |
-
2022
- 2022-10-12 CN CN202211245578.4A patent/CN115587292A/zh not_active Withdrawn
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112785016A (zh) | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 | |
CN110766059A (zh) | 一种变压器故障的预测方法、装置和设备 | |
CN110830450A (zh) | 基于统计的异常流量监测方法、装置、设备及存储介质 | |
CN116167010B (zh) | 具有智能迁移学习能力的电力系统异常事件快速识别方法 | |
CN115392301A (zh) | 换流变压器状态识别方法、装置、设备、介质和程序产品 | |
CN117590172A (zh) | 应用于变压器的局部放电声电联合定位方法、装置和设备 | |
CN117170915A (zh) | 数据中心设备故障预测方法、装置和计算机设备 | |
CN112486137A (zh) | 有源配电网故障特征库构建方法、系统及故障诊断方法 | |
CN117473275B (zh) | 一种数据中心的能耗检测方法 | |
CN115563477A (zh) | 谐波数据识别方法、装置、计算机设备和存储介质 | |
CN116737681A (zh) | 一种实时异常日志检测方法、装置、计算机设备和存储介质 | |
CN115587292A (zh) | 换流站选相分合闸的异常识别方法、装置和计算机设备 | |
CN114676593A (zh) | 一种纺织设备的异常检测方法及相关装置 | |
RU2595929C2 (ru) | Способ и устройство для сжатия данных, представляющих зависящий от времени сигнал | |
CN116738191B (zh) | 时序数据的增强处理方法、装置和计算机设备 | |
CN115982622B (zh) | 核反应堆冷却剂系统运行瞬态快速识别方法、装置及系统 | |
CN117093854B (zh) | 变压器机械故障诊断方法、设备及存储介质 | |
CN115392293B (zh) | 变压器故障的监测方法、装置、计算机设备和存储介质 | |
CN118549823B (zh) | 一种锂电池电性能测试方法及系统 | |
CN118094410A (zh) | 非侵入式负荷分类方法、装置、计算机设备和存储介质 | |
CN117828507A (zh) | 企业用电检测方法、装置、计算机设备和存储介质 | |
CN118193955A (zh) | 一种压气机气动噪声获取方法、装置、介质及产品 | |
CN117668704A (zh) | 基于时变滤波经验模态分解和随机森林的滚动轴承故障诊断方法及系统 | |
CN117074866A (zh) | 单相双分裂并联电缆故障诊断方法、装置、设备和介质 | |
CN117828413A (zh) | 一种基于lstm神经网络的变压器油温预测方法和系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230110 |