CN115878992A - 综合管廊供电系统的监控方法和监控系统 - Google Patents
综合管廊供电系统的监控方法和监控系统 Download PDFInfo
- Publication number
- CN115878992A CN115878992A CN202111142823.4A CN202111142823A CN115878992A CN 115878992 A CN115878992 A CN 115878992A CN 202111142823 A CN202111142823 A CN 202111142823A CN 115878992 A CN115878992 A CN 115878992A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- sample data
- data set
- sample
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种综合管廊供电系统的监控方法和监控系统,所述方法包括:获取供电系统中用电设备的数据信息,数据信息包括故障数据;将用电设备的故障数据输入预设的故障分类器,其中,故障分类器存有故障数据与预设故障类型的对应关系;获取故障分类器输出的与用电设备的故障数据对应的故障类型,并根据故障类型对用电设备进行故障处理。本发明的监控方法,通过对供电系统中的设备工况数据进行采集,并通过故障分类器对故障数据进行分类,提高了故障监测和诊断率。
Description
技术领域
本发明涉及机器学习技术领域,尤其涉及一种综合管廊供电系统的监控方法、一种计算机可读存储介质和一种综合管廊供电系统的监控系统。
背景技术
随着城市建设的纵深发展,输电线向地下发展已经成为主流设计思路,以综合管廊的形式实现电力管线的布置是确保城市可持续发展的基础设施,是未来其他设备和基础设施保障的前提,供电系统作为综合管廊最重要的系统之一,涉及到变电、配电、用电、能源管等,其系统可靠性和工作稳定性极端重要。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本发明的第一个目的在于提出一种综合管廊供电系统的监控方法,通过对供电系统中的设备工况数据进行采集,并通过故障分类器对故障数据进行分类,提高了故障监测和诊断率。
本发明的第二个目的在于提出一种计算机可读存储介质。
本发明的第三个目的在于提出一种综合管廊供电系统的监控系统。
为达到上述目的,本发明第一方面实施例提出了一种综合管廊供电系统的监控方法,包括:获取供电系统中用电设备的数据信息,所述数据信息包括故障数据;将所述用电设备的故障数据输入预设的故障分类器,其中,所述故障分类器存有故障数据与预设故障类型的对应关系;获取所述故障分类器输出的与所述用电设备的故障数据对应的故障类型,并根据所述故障类型对所述用电设备进行故障处理。
根据本发明实施例的综合管廊供电系统的监控方法,获取供电系统中用电设备的数据信息,数据信息包括故障数据;将用电设备的故障数据输入预设的故障分类器,其中,故障分类器存有故障数据与预设故障类型的对应关系;获取故障分类器输出的与用电设备的故障数据对应的故障类型,并根据故障类型对用电设备进行故障处理。由此,该方法通过对供电系统中的设备工况数据进行采集,并通过故障分类器对故障数据进行分类,提高了故障监测和诊断率。
另外,根据本发明上述实施例的综合管廊供电系统的监控方法还可以具有如下的附加技术特征:
根据本发明的一个实施例,在将所述用电设备的故障数据输入预设的故障分类器之前,所述方法还包括:获取用电设备的初始样本数据集,其中,所述初始样本数据集包括训练数据集和测试数据集,所述训练数据集包括有标签的正常样本数据和故障样本数据,所述测试数据集包括无标签的正常样本数据和故障样本数据;利用所述训练数据集中有标签的正常样本数据和故障样本数据,训练样本模型;利用训练后的样本模型,从所述测试数据集中选择满足预设条件的正常样本数据和故障样本数据增加至所述训练数据集得到训练样本数据集;利用所述训练样本数据集,训练所述故障分类器。
根据本发明的一个实施例,所述获取用电设备的初始样本数据集,包括:获取用电设备的数据集;对所述数据集进行特征选择得到所述初始样本数据集。
根据本发明的一个实施例,在对所述数据集进行特征选择得到所述初始样本数据集之后,还包括:对所述初始样本数据集进行归一化处理。
根据本发明的一个实施例,所述利用训练后的样本模型,从所述测试数据集中选择满足预设条件的正常样本数据和故障样本数据增加至所述训练数据集得到训练样本数据集,包括:将所述测试数据集中无标签的正常样本数据和故障样本数据输入训练后的样本模型;获取训练后的样本模型输出的正常样本数据和故障样本数据的样本分类结果对应的置信度;将置信度大于等于预设阈值的正常样本数据和故障样本数据增加至所述训练数据集,并将置信度小于所述预设阈值的正常样本数据和故障样本数据保留在所述测试数据集中;利用增加后的训练数据集再次训练所述样本模型,并返回将所述测试数据集中无标签的正常样本数据和故障样本数据输入训练后的样本模型的步骤,迭代执行,直至满足预设迭代停止条件。
根据本发明的一个实施例,基于后验概率计算方法,获取训练后的样本模型输出的正常样本数据和故障样本数据的样本分类结果对应的置信度。
根据本发明的一个实施例,所述获取供电系统中用电设备的故障数据,包括:获取所述用电设备的声音信息、振动信息、图像信息和温度信息中的至少一种;根据所述声音信息、振动信息、图像信息和温度信息中的至少一种,获取所述用电设备的故障数据。
根据本发明的一个实施例,所述数据信息包括电力数据,所述方法还包括:将所述用电设备的电力数据输入预设的能耗预测模型,得到与所述用电设备的电力数据对应的用电量,其中,所述能耗预测模型包括各个时间段的电力数据趋势与预设用电量的对应关系。
为达到上述目的,本发明第二方面实施例提出了一种计算机可读存储介质,其上存储有综合管廊供电系统的监控程序,该综合管廊供电系统的监控程序被处理器执行时实现上述的综合管廊供电系统的监控方法。
本发明实施例的计算机可读存储介质,通过执行上述的综合管廊供电系统的监控方法,能够提高故障监测和诊断率。
为达到上述目的,本发明第三方面实施例提出的一种综合管廊供电系统的监控系统,包括:采集节点,用于获取供电系统中用电设备的数据信息,所述数据信息包括故障数据;前置机,用于将所述用电设备的故障数据输入预设的故障分类器,并获取所述故障分类器输出的与所述用电设备的故障数据对应的故障类型,其中,所述故障分类器存有故障数据与预设故障类型的对应关系;云平台,用于根据所述故障类型对所述用电设备进行故障处理。
根据本发明实施例的综合管廊供电系统的监控系统,采集节点获取供电系统中用电设备的数据信息,数据信息包括故障数据;前置机将用电设备的故障数据输入预设的故障分类器,并获取故障分类器输出的与用电设备的故障数据对应的故障类型,其中,故障分类器存有故障数据与预设故障类型的对应关系;云平台根据故障类型对用电设备进行故障处理。由此,该系统通过对供电系统中的设备工况数据进行采集,并通过故障分类器对故障数据进行分类,提高了故障监测和诊断率。
本发明附加的方面和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,或通过本发明的实践了解到。
附图说明
图1为根据本发明实施例的综合管廊供电系统的监控方法的流程图;
图2为根据本发明一个实施例的能耗预测模型示意图;
图3为根据本发明实施例的综合管廊供电系统的监控系统的方框示意图。
具体实施方式
下面详细描述本发明的实施例,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,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例提出的综合管廊供电系统的监控方法、计算机可读存储介质和综合管廊供电系统的监控系统。
图1为根据本发明实施例的综合管廊供电系统的监控方法的流程图。
如图1所示,本发明实施例的综合管廊供电系统的监控方法可包括以下步骤:
S1,获取供电系统中用电设备的数据信息,数据信息包括故障数据。其中,用电设备可包括:风机、水泵、变压器等用电设备。
根据本发明的一个实施例,获取供电系统中用电设备的故障数据,包括:获取用电设备的声音信息、振动信息、图像信息和温度信息中的至少一种;根据声音信息、振动信息、图像信息和温度信息中的至少一种,获取用电设备的故障数据。
具体而言,可通过相应的设备检测装置获取用电设备的声音信息、振动信息、图像信息和温度信息,例如,可通过声音监测装置检测用电设备的声音,如,报警信息或者语音提示信息等,通过振动监测装置检测用电设备的振动信息,通过图像监测装置(如摄像头)检测用电设备的图像信息,通过温度监测装置(温度传感器)检测用电设备的温度信息,如,变压器温度、水泵温度、风机温度等。通过对声音信息、振动信息、图像信息和温度信息中的一种进行对应的模型训练,可以得到用电设备对应的故障数据。例如,将声音信息作为输入,输入至声音训练器中,根据预先设定好的分类器,可以将声音信息中的故障信息和正常信息分类。
S2,将用电设备的故障数据输入预设的故障分类器,其中,故障分类器存有故障数据与预设故障类型的对应关系。其中,在本发明的一个实施例中,预设故障类型可以包括:绕组绝缘故障、变压器过热故障、冷却装置故障、油位异常、瓦斯故障、油温异常等。
根据本发明的一个实施例,在将用电设备的故障数据输入预设的故障分类器之前,方法还包括:获取用电设备的初始样本数据集,其中,初始样本数据集包括训练数据集和测试数据集,训练数据集包括有标签的正常样本数据和故障样本数据,测试数据集包括无标签的正常样本数据和故障样本数据;利用训练数据集中有标签的正常样本数据和故障样本数据,训练样本模型;利用训练后的样本模型,从测试数据集中选择满足预设条件的正常样本数据和故障样本数据增加至训练数据集得到训练样本数据集;利用训练样本数据集,训练故障分类器。其中,预设条件可根据实际情况进行标定。
也就是说,预先根据训练集数据中的带有标签的正常样本和故障样本进行训练样本模型,然后将测试数据集中的数据作为输入,将满足正常样本数据条件的正常样本数据标上标签,增加至训练样本数据集中,并将满足故障样本数据条件的异常样本数据标上标签,增加至训练样本数据集中,以实现增加训练样本数据集的数量,提高训练故障分类器的训练精度。
进一步地,根据本发明的一个实施例,获取用电设备的初始样本数据集,包括:获取用电设备的数据集;对数据集进行特征选择得到初始样本数据集。
根据本发明的一个实施例,在对数据集进行特征选择得到初始样本数据集之后,还包括:对初始样本数据集进行归一化处理。
进一步地,根据本发明的一个实施例,利用训练后的样本模型,从测试数据集中选择满足预设条件的正常样本数据和故障样本数据增加至训练数据集得到训练样本数据集,包括:将测试数据集中无标签的正常样本数据和故障样本数据输入训练后的样本模型;获取训练后的样本模型输出的正常样本数据和故障样本数据的样本分类结果对应的置信度;将置信度大于等于预设阈值的正常样本数据和故障样本数据增加至训练数据集,并将置信度小于预设阈值的正常样本数据和故障样本数据保留在测试数据集中;利用增加后的训练数据集再次训练样本模型,并返回将测试数据集中无标签的正常样本数据和故障样本数据输入训练后的样本模型的步骤,迭代执行,直至满足预设迭代停止条件。其中,预设阈值和预设迭代停止条件可根据实际情况进行标定。
在本发明的一个实施例中,基于后验概率计算方法,获取训练后的样本模型输出的正常样本数据和故障样本数据的样本分类结果对应的置信度。
具体而言,为了解决城市综合管廊供电设备现实场景中各供电设备故障样本较少的问题,通过基于生成对抗网络的GANs模型,提升GANs的效果,避免发生模型坍塌和模型建立过程过于自有的问题,从而生成大量带有分类标签的各类故障样本。故障诊断模型是一个用于解决多分类问题的模型,即判断输入数据判断供电设备具体为哪一类故障。对各类设备类型的故障诊断模型进行了对比,首先是基于传统机器学习算法的故障诊断模型,其次是在完全基于GANs模型的故障诊断模型(即完全使用生成样本训练的故障诊断模型),最后是使用生成样本加少量真实故障样本训练的故障诊断模型。
基于半监督学习的智能分类算法,来解决因现实场景中收集大量带有标签的故障样本困难而导致无法训练出性能良好的监督智能分类模型。首先使用系列前向选择算法挑出重要的特征,并将半监督学习算法与机器学习算法结合,先用少量故障样本与大量正常样本训练出一个弱分类器,以迭代的方式挑选出预标记置信度较高的样本加入训练集中,提供分类器性能。
假设任意一个故障样本X,在GANs模型中判别器网络中计算的出的损失:
-Pdata(x)logD(x)-Pz(x)log[1-D(x)]
对D(x)求导,得到最优判别器函数应为:
生成器损失函数L(G)=-Ex~Pdata(x)[logD(x)],可得JS散度为:
GANs模型的目标就是将JS散度最小化,当JS散度降为0时表明生成样本与真实样本的分布达到一致,此时认为迭代结束。
具体地,置信度的计算使用的是基于后验概率的方法计算出SVM(support vectormachines,支持向量机)的分类结果所对应的后验概率。当置信度大于等于预设阈值时,将该置信度对应的正常样本数据和故障样本数据增加至训练数据集中,以增加训练样本数据。
对于K类数据,用“一对多”方法训练得到K个SVM分类模型再由Pllat提出的算法,计算出每个SVM的概率公式:
其中,pi为样本x属于第i类的概率,A和B表示待拟合的参数,f(x)为样本x的无阈值输出。决策规则为:
因此,在k类数据中pi值最大的类别为该样本所属的类。
假设测试数据集中正常样本数为X个,每种故障的样本数为Y个共13类(每类设备故障类型不同,如变压器:绕组绝缘故障、变压器过热、冷却装置故障、油位异常、瓦斯故障、油温异常等)数据,从中选择正常类标签和6种典型故障(绕组绝缘故障、变压器过热、冷却装置故障、油位异常、瓦斯故障、油温异常),共7中类别作为实验对象。在应用中,首先将大量有标签的正常样本和少量有标签的故障样本作为SVM模型的初始训练集,除已选择的初始样本外,所有的数据集都去除类别标签作为未标记的样本集。在每组测试中本文选择Z条正常样本数据,并在每类故障数据中选择5~55条数据作为训练SVM的初始训练集,剩余的故障样本作为无标签数据集同时也作为测试集,共十一组实验。在多种机器学习训练算法和半监督学习的基础上结合序列前向选择,对供配电设备故障数据进行分配标签,验证算法的有效性和可行性。
S3,获取故障分类器输出的与用电设备的故障数据对应的故障类型,并根据故障类型对用电设备进行故障处理。
具体而言,对用电设备的数据信号处理(包括声音振动去噪声、图像增强、温度成像),构建对抗生成网络、半监督学习及置信度计算算法模型,迭代样本分析,选择置信度较高的样本进行分类器训练,根据置信度大小建立诊断模型,将样本数据输入诊断模型中,确定故障类型和诊断结果。
根据本发明的一个实施例,数据信息包括电力数据,方法还包括:将用电设备的电力数据输入预设的能耗预测模型,得到与用电设备的电力数据对应的用电量,其中,能耗预测模型包括各个时间段的电力数据趋势与预设用电量的对应关系。
具体而言,神经网络的多层次学习过程是误差一边向后传播,一边修正权值的过程,通常会采取梯度最速下降法,通过调整网络连接权值和阈值的大小使实际结果与最终产生预测结果的误差最小。如图2所示,在网络结构中,含有X个输入数据通过M输入节点即收集数据(剩余能量),Y输出个数据通过N个节点即预测结果,以及N个隐藏节点层即中间训练值。每个神经元节点由输入信号数据、函数、和节点的阀值来决定,从而得到最终的预测结果值。
通过电源系统的电压定压回溯在线测试,基于电源系统的工况数据结合CNN和LSTM的学习型神经网络框架,提出了混合深度学习神经网络能耗预测模型;在智能能耗预测基础上,利用决策图模型建立能耗异常检测模型,全面进行用各个电设备节点的能耗异常检测,促进城市综合管廊系统用电的安全性和电能使用的有效节能。
综上,根据本发明实施例的综合管廊供电系统的监控方法,获取供电系统中用电设备的数据信息,数据信息包括故障数据;将用电设备的故障数据输入预设的故障分类器,其中,故障分类器存有故障数据与预设故障类型的对应关系;获取故障分类器输出的与用电设备的故障数据对应的故障类型,并根据故障类型对用电设备进行故障处理。由此,该方法通过对供电系统中的设备工况数据进行采集,并通过故障分类器对故障数据进行分类,提高了故障监测和诊断率。
对应上述实施例,本发明还提出了一种计算机可读存储介质。
本发明的计算机可读存储介质,其上存储有综合管廊供电系统的监控程序,该综合管廊供电系统的监控程序被处理器执行时实现上述的综合管廊供电系统的监控方法。
根据本发明实施例的计算机可读存储介质,通过执行上述的综合管廊供电系统的监控方法,能够提高故障监测和诊断率。
对应上述实施例,本发明还提出了一种综合管廊供电系统的监控系统。
如图3所示,本发明实施例的综合管廊供电系统的监控系统100可包括:采集节点110、前置机120和云平台130。
其中,采集节点110用于获取供电系统中用电设备的数据信息,数据信息包括故障数据。前置机120用于将用电设备的故障数据输入预设的故障分类器,并获取故障分类器输出的与用电设备的故障数据对应的故障类型,其中,故障分类器存有故障数据与预设故障类型的对应关系。云平台130用于根据故障类型对用电设备进行故障处理。
具体而言,针对原有的、基于采集节点-传感数据收集站-云平台的模式的缺点和不足,在边缘计算技术的基础上,建立采集节点-前置机-云平台的三级双向预测与判断技术,利用设备的不同存储和处理能力分级对采集数据进行分级的数据分析和判断,降低传输的数据量,减少传输延迟,降低云平台成本我们针对用电安全的特性提出三级双向预测与判断技术。
与节点、前置机相比,云端具有庞大的计算、存储资源和无限的能量。因此在云端利用更为复杂的基于时间序列和深度学习相结合的算法来进行采集数据的预测,获得更高的判断准确率,并以此形成三层双向预测机制。
需要说明的是,本发明实施例的综合管廊供电系统的监控系统中未披露的细节,请参照本发明实施例的综合管廊供电系统的监控方法中所披露的细节,具体这里不再赘述。
根据本发明实施例的综合管廊供电系统的监控系统,采集节点获取供电系统中用电设备的数据信息,数据信息包括故障数据;前置机将用电设备的故障数据输入预设的故障分类器,并获取故障分类器输出的与用电设备的故障数据对应的故障类型,其中,故障分类器存有故障数据与预设故障类型的对应关系;云平台根据故障类型对用电设备进行故障处理。由此,该系统通过对供电系统中的设备工况数据进行采集,并通过故障分类器对故障数据进行分类,提高了故障监测和诊断率。
需要说明的是,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
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发明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一定指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何的一个或多个实施例或示例中以合适的方式结合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明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)
1.一种综合管廊供电系统的监控方法,其特征在于,所述方法包括:
获取供电系统中用电设备的数据信息,所述数据信息包括故障数据;
将所述用电设备的故障数据输入预设的故障分类器,其中,所述故障分类器存有故障数据与预设故障类型的对应关系;
获取所述故障分类器输出的与所述用电设备的故障数据对应的故障类型,并根据所述故障类型对所述用电设备进行故障处理。
2.根据权利要求1所述的综合管廊供电系统的监控方法,其特征在于,在将所述用电设备的故障数据输入预设的故障分类器之前,所述方法还包括:
获取用电设备的初始样本数据集,其中,所述初始样本数据集包括训练数据集和测试数据集,所述训练数据集包括有标签的正常样本数据和故障样本数据,所述测试数据集包括无标签的正常样本数据和故障样本数据;
利用所述训练数据集中有标签的正常样本数据和故障样本数据,训练样本模型;
利用训练后的样本模型,从所述测试数据集中选择满足预设条件的正常样本数据和故障样本数据增加至所述训练数据集得到训练样本数据集;
利用所述训练样本数据集,训练所述故障分类器。
3.根据权利要求2所述的综合管廊供电系统的监控方法,其特征在于,所述获取用电设备的初始样本数据集,包括:
获取用电设备的数据集;
对所述数据集进行特征选择得到所述初始样本数据集。
4.根据权利要求3所述的综合管廊供电系统的监控方法,其特征在于,在对所述数据集进行特征选择得到所述初始样本数据集之后,还包括:
对所述初始样本数据集进行归一化处理。
5.根据权利要求2所述的综合管廊供电系统的监控方法,其特征在于,所述利用训练后的样本模型,从所述测试数据集中选择满足预设条件的正常样本数据和故障样本数据增加至所述训练数据集得到训练样本数据集,包括:
将所述测试数据集中无标签的正常样本数据和故障样本数据输入训练后的样本模型;
获取训练后的样本模型输出的正常样本数据和故障样本数据的样本分类结果对应的置信度;
将置信度大于等于预设阈值的正常样本数据和故障样本数据增加至所述训练数据集,并将置信度小于所述预设阈值的正常样本数据和故障样本数据保留在所述测试数据集中;
利用增加后的训练数据集再次训练所述样本模型,并返回将所述测试数据集中无标签的正常样本数据和故障样本数据输入训练后的样本模型的步骤,迭代执行,直至满足预设迭代停止条件。
6.根据权利要求5所述的综合管廊供电系统的监控方法,其特征在于,基于后验概率计算方法,获取训练后的样本模型输出的正常样本数据和故障样本数据的样本分类结果对应的置信度。
7.根据权利要求1-6中任一项所述的综合管廊供电系统的监控方法,其特征在于,所述获取供电系统中用电设备的故障数据,包括:
获取所述用电设备的声音信息、振动信息、图像信息和温度信息中的至少一种;
根据所述声音信息、振动信息、图像信息和温度信息中的至少一种,获取所述用电设备的故障数据。
8.根据权利要求1所述的综合管廊供电系统的监控方法,其特征在于,所述数据信息包括电力数据,所述方法还包括:
将所述用电设备的电力数据输入预设的能耗预测模型,得到与所述用电设备的电力数据对应的用电量,其中,所述能耗预测模型包括各个时间段的电力数据趋势与预设用电量的对应关系。
9.一种计算机可读存储介质,其特征在于,其上存储有综合管廊供电系统的监控程序,该综合管廊供电系统的监控程序被处理器执行时实现根据权利要求1-8中任一项所述的综合管廊供电系统的监控方法。
10.一种综合管廊供电系统的监控系统,其特征在于,包括:
采集节点,用于获取供电系统中用电设备的数据信息,所述数据信息包括故障数据;
前置机,用于将所述用电设备的故障数据输入预设的故障分类器,并获取所述故障分类器输出的与所述用电设备的故障数据对应的故障类型,其中,所述故障分类器存有故障数据与预设故障类型的对应关系;
云平台,用于根据所述故障类型对所述用电设备进行故障处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111142823.4A CN115878992A (zh) | 2021-09-28 | 2021-09-28 | 综合管廊供电系统的监控方法和监控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111142823.4A CN115878992A (zh) | 2021-09-28 | 2021-09-28 | 综合管廊供电系统的监控方法和监控系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115878992A true CN115878992A (zh) | 2023-03-31 |
Family
ID=85763421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111142823.4A Pending CN115878992A (zh) | 2021-09-28 | 2021-09-28 | 综合管廊供电系统的监控方法和监控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115878992A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167748A (zh) * | 2023-04-20 | 2023-05-26 | 中国市政工程西南设计研究总院有限公司 | 一种城市地下综合管廊运维方法、系统、装置及电子设备 |
CN117473275A (zh) * | 2023-12-27 | 2024-01-30 | 芯知科技(江苏)有限公司 | 一种数据中心的能耗检测方法 |
-
2021
- 2021-09-28 CN CN202111142823.4A patent/CN115878992A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167748A (zh) * | 2023-04-20 | 2023-05-26 | 中国市政工程西南设计研究总院有限公司 | 一种城市地下综合管廊运维方法、系统、装置及电子设备 |
CN116167748B (zh) * | 2023-04-20 | 2023-08-25 | 中国市政工程西南设计研究总院有限公司 | 一种城市地下综合管廊运维方法、系统、装置及电子设备 |
CN117473275A (zh) * | 2023-12-27 | 2024-01-30 | 芯知科技(江苏)有限公司 | 一种数据中心的能耗检测方法 |
CN117473275B (zh) * | 2023-12-27 | 2024-03-26 | 芯知科技(江苏)有限公司 | 一种数据中心的能耗检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
CN110829417B (zh) | 基于lstm双结构模型的电力系统暂态稳定预测方法 | |
EP3422518B1 (en) | A method for recognizing contingencies in a power supply network | |
CN104809722A (zh) | 一种基于红外热像的电气设备故障诊断方法 | |
CN115878992A (zh) | 综合管廊供电系统的监控方法和监控系统 | |
CN108647707B (zh) | 概率神经网络创建方法、故障诊断方法及装置、存储介质 | |
Zhang et al. | A novel data-driven method based on sample reliability assessment and improved CNN for machinery fault diagnosis with non-ideal data | |
CN115618732B (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
Harish et al. | Fault detection and classification for wide area backup protection of power transmission lines using weighted extreme learning machine | |
CN117332347A (zh) | 一种机巡与ai融合的电网智慧运维方法及系统 | |
CN115374842A (zh) | 基于生成对抗网络的机械轴承故障分类方法及系统 | |
CN113486926B (zh) | 一种自动化码头设备异常检测系统 | |
CN114330571A (zh) | 基于迁移学习的电力系统主导失稳模式识别方法及系统 | |
Sheng et al. | Network traffic anomaly detection method based on chaotic neural network | |
CN116610996A (zh) | 线缆的状态检测方法、装置和计算机设备 | |
Ferreira et al. | Intelligent Industrial IoT system for detection of short-circuit failure in windings of wind turbines | |
Al-Gubri et al. | Performance analysis of machine learning algorithms for power system dynamic security assessment | |
CN116304846B (zh) | 一种基于自监督学习的cvt内部绝缘异常在线评估方法 | |
Wang et al. | Diagnosis for IGBT open-circuit faults in photovoltaic inverters: A compressed sensing and CNN based method | |
CN117972646B (zh) | 输电线路避雷器、杆塔和接地系统运行状态评估方法 | |
US20240005160A1 (en) | Methods and systems for optimizing a peak memory usage of an artificial neural network graph | |
Kalyani | A Unified Approach for Security Assessment of Power Systems Using Pattern Classifiers | |
CN117892222A (zh) | 一种水泥窑设备故障诊断方法及系统 | |
Guo et al. | A fault diagnosis method for flexible converter valve equipment based on DSC-BIGRU-MA | |
CN117540160A (zh) | 基于知识约束的电力设备故障诊断方法及相关装置 |
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 |