CN115902615B - 电力断路器缺陷分析方法及装置 - Google Patents
电力断路器缺陷分析方法及装置 Download PDFInfo
- Publication number
- CN115902615B CN115902615B CN202310026326.0A CN202310026326A CN115902615B CN 115902615 B CN115902615 B CN 115902615B CN 202310026326 A CN202310026326 A CN 202310026326A CN 115902615 B CN115902615 B CN 115902615B
- Authority
- CN
- China
- Prior art keywords
- breaker
- power
- circuit
- defect analysis
- index
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 234
- 238000000034 method Methods 0.000 title claims description 33
- 238000004458 analytical method Methods 0.000 claims abstract description 216
- 239000011159 matrix material Substances 0.000 claims abstract description 35
- 238000011176 pooling Methods 0.000 claims description 73
- 238000012549 training Methods 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 27
- 238000013507 mapping Methods 0.000 claims description 23
- 230000004913 activation Effects 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 12
- 230000009471 action Effects 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012797 qualification Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 11
- 238000003860 storage Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 238000010801 machine learning Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明涉及电学元器件质量判断技术领域，涉及到一种电力断路器缺陷分析方法及装置，包括：获取电力断路器的断路器指标数据和电路指标数据，将所述断路器指标数据输入至第一电力断路器缺陷分析模型，得到电力断路器缺陷分析结果，当电力断路器缺陷分析结果为工作正常时，根据电路指标数据构建电路指标矩阵，将电路指标矩阵输入至预训练完成的第二电力断路器缺陷分析模型，得到电力断路器缺陷分析结果。本发明可以解决传统电力断路器缺陷诊断模型的诊断准确率不高的问题。
Description
技术领域
本发明涉及电学元器件质量判断技术领域，尤其涉及一种电力断路器缺陷分析方法、装置、电子设备及计算机可读存储介质。
背景技术
电力断路器是指能够关合、承载和开断正常回路条件下的电流并能在规定的时间内关合、承载和开断异常回路条件下的电流的开关装置。常规理解下，当电力断路器所在电路产生短路、电压急剧增加等危险情况下，会触发电力断路器工作，使得电力断路器所在电路产生断路现象。
因此，电力断路器是电力系统中最重要的开关设备之一，其运行状况的好坏对电力系统的安全与稳定运行具有重大的影响。故及时有效的对电力断路器的工作状态执行检测分析，具有重要意义。
目前常用的电力断路器缺陷分析主要依赖于人工观察法或基于电力断路器的指标数据的机器学习缺陷自动分析模型。人工观察法即调用有多年工作经验的电工观察电力断路器的老化程度、线路破碎等，从而人工主观判断电力断路器的健康情况，人工观察法虽然安全性高，但会造成过多的人力资源的浪费问题。此外，基于电力断路器的指标数据的机器学习缺陷自动分析模型具有一定的普及性，如获取电力断路器的工作年限、返修次数、工作电压等历史参数，并基于机器学习缺陷自动分析模型判断出电力断路器是否满足当前工作要求。
基于机器学习的缺陷自动分析模型具有一定的智能性，但仅依赖于电力断路器的指标数据，所参考的数据类型较少，从而对于电力断路器缺陷诊断的准确率有待进一步提高。
发明内容
本发明提供一种电力断路器缺陷分析方法、装置及计算机可读存储介质，其主要目的解决传统电力断路器缺陷诊断模型的诊断准确率不高的问题。
为实现上述目的，本发明提供的一种电力断路器缺陷分析方法，包括：
接收电力断路器的缺陷分析指令，根据所述缺陷分析指令获取电力断路器的工作数据，其中工作数据分为断路器指标数据和电路指标数据；
启动预训练完成的第一电力断路器缺陷分析模型，其中第一电力断路器缺陷分析模型按照数据的输入至输出依次包括输入层、六组交替出现卷积层和池化层、第一全连接层、残差连接层、两组交替出现卷积层和池化层、第二全连接层、激活层及输出层组成；
将所述断路器指标数据输入至第一电力断路器缺陷分析模型，得到电力断路器缺陷分析结果，其中电力断路器缺陷分析结果包括工作正常及工作异常；
当电力断路器缺陷分析结果为工作异常时，生成缺陷检修指令通知电力断路器的维护人员；
当电力断路器缺陷分析结果为工作正常时，根据电路指标数据构建电路指标矩阵；
将电路指标矩阵输入至预训练完成的第二电力断路器缺陷分析模型，得到电力断路器缺陷分析结果，其中第二电力断路器缺陷分析模型按照数据的输入至输出依次包括输入层、三组交替出现卷积层和池化层、LSTM层、全连接层、激活层及输出层组成。
可选地，所述断路器指标数据包括电力断路器的机械指标数据、生产指标数据及工作环境数据，机械指标数据包括电力断路器的刚合速度、刚分速度、合闸线圈直流电阻、分闸线圈直流电阻、累计开断次数、合闸线圈最低动作电压、分闸线圈最低动作电压，生产指标数据包括生产电力断路器厂家的资质规模、产品召回率、用户满意度，工作环境数据包括电力断路器当前所在环境的湿度、温度、污秽度、变压器微水含量。
可选地，所述电路指标数据的获取包括：
将电力断路器放置于测试电路中，其中测试电路可通过短路开关实现短路；
启动包括电力断路器的测试电路，并记录启动时间后，每隔指定时间段收集短路开关的电压值；
打开短路开关，使得测试电路为短路状态，并依然记录短路开关的电压值；
直至电力断路器开始工作，将测试电路从短路状态调整为断路状态后，停止收集短路开关的电压值，并收集所有时间点的电压值汇总得到所述电路指标数据。
可选地，所述第一电力断路器缺陷分析模型在预训练时的参数迭代函数为：
，其中，表示第一电力断路器缺陷分析模型的参数迭代函数，表示第一电力断路器缺陷分析模型的参数集，为训练第一电力断路器缺陷分析模型的训练集总数，为训练集中各训练样本的编号，表示参数集总数，为参数集中各参数的编号，表示训练集，其中表示第组训练数据，表示第组训练数据对应的标签值，其中标签值包括电力断路器是否工作正常，表示第一电力断路器缺陷分析模型中第层的参数集合，其中表示转置。
可选地，所述将所述断路器指标数据输入至第一电力断路器缺陷分析模型，得到电力断路器缺陷分析结果，包括：
利用输入层接收所述断路器指标数据，并将断路器指标数据输送至六组交替出现卷积层和池化层分别执行卷积和池化操作，其中卷积和池化操作分别为：
其中，表示第层卷积层中第个感受野的断路器指标值，其中断路器指标值由断路器指标数据得到，表示第层卷积层中第个感受野的断路器指标值，表示第层卷积层中第个卷积核的权重值，表示第层卷积层中第个卷积核的偏置值，表示第层池化层中第个神经元的断路器指标值，为断路器指标值的符号，表示第层池化层的池化区域宽度，表示第层池化层中第个神经元的断路器指标值；
将经过卷积和池化操作所得到的卷积池化指标值输入至第一全连接层执行映射操作，得到映射指标值；
将映射指标值分别依次输入至残差连接层、两组交替出现卷积层和池化层、第二全连接层，得到全连接指标值，其中全连接指标值的维度与第二全连接层的输出维度相同；
利用所述激活层预测得到全连接指标值的电力断路器缺陷分析结果，并将电力断路器缺陷分析结果通过输出层输出。
可选地，所述将经过卷积和池化操作所得到的卷积池化指标值输入至第一全连接层执行映射操作，得到映射指标值，包括：
计算所述卷积池化指标值的平均值和方差；
根据所述平均值和方差值调节卷积池化指标值，得到待映射指标值；
根据下式计算得到映射指标值：
，
其中，表示第个待映射指标值，表示第一全连接层中第个映射神经元的权重，表示第一全连接层中第个映射神经元的偏置，表示第个映射指标值。
可选地，所述卷积池化指标值的平均值和方差的计算方法为：
，其中，表示卷积池化指标值的平均值，表示卷积池化指标值的方差，表示卷积池化指标值的总数量，表示第个卷积池化指标值。
可选地，所述根据电路指标数据构建电路指标矩阵，包括：
按照测试电路短路前、测试电路短路后、电力断路器开始工作导致测试电路断路后三种状态，将电路指标数据分为短路前电压数据、短路后电压数据及断路后电压数据；
按照时间顺序对短路前电压数据、短路后电压数据及断路后电压数据执行排序，并根据排序构建得到电路指标矩阵。
可选地，所述电路指标矩阵的形式为：
其中，表示短路前电压数据中第行第列的短路开关的电压值，表示短路前电压数据，表示电压值的记录时间，表示短路后电压数据中第1行第列的短路开关的电压值，表示短路后电压数据，表示断路后电压数据中第行第列的短路开关的电压值，表示断路后电压数据。
为了解决上述问题，本发明还提供一种电力断路器缺陷分析装置，所述装置包括：
工作数据获取模块，用于接收电力断路器的缺陷分析指令，根据所述缺陷分析指令获取电力断路器的工作数据，其中工作数据分为断路器指标数据和电路指标数据；
第一缺陷分析模型启动模块，用于启动预训练完成的第一电力断路器缺陷分析模型，其中第一电力断路器缺陷分析模型按照数据的输入至输出依次包括输入层、六组交替出现卷积层和池化层、第一全连接层、残差连接层、两组交替出现卷积层和池化层、第二全连接层、激活层及输出层组成；
第一缺陷分析模型分析模块，用于将所述断路器指标数据输入至第一电力断路器缺陷分析模型，得到电力断路器缺陷分析结果，其中电力断路器缺陷分析结果包括工作正常及工作异常，当电力断路器缺陷分析结果为工作异常时，生成缺陷检修指令通知电力断路器的维护人员；
电路指标矩阵构建模块，用于当电力断路器缺陷分析结果为工作正常时，根据电路指标数据构建电路指标矩阵；
第二缺陷分析模型分析模块，用于将电路指标矩阵输入至预训练完成的第二电力断路器缺陷分析模型，得到电力断路器缺陷分析结果，其中第二电力断路器缺陷分析模型按照数据的输入至输出依次包括输入层、三组交替出现卷积层和池化层、LSTM层、全连接层、激活层及输出层组成。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的电力断路器缺陷分析方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的电力断路器缺陷分析方法。
本发明实施例为解决背景技术所述问题，先接收电力断路器的缺陷分析指令，根据所述缺陷分析指令获取电力断路器的工作数据，其中工作数据分为断路器指标数据和电路指标数据，可见相比于背景技术所述仅使用电力断路器的指标数据来说，本发明实施例同时还考虑电力断路器所在电路的电路指标数据，从而提高对电路指标数据的缺陷诊断准确率，进一步地，将所述断路器指标数据输入至第一电力断路器缺陷分析模型，得到电力断路器缺陷分析结果，其中第一电力断路器缺陷分析模型按照数据的输入至输出依次包括输入层、六组交替出现卷积层和池化层、第一全连接层、残差连接层、两组交替出现卷积层和池化层、第二全连接层、激活层及输出层组成，相比于传统机器学习模型来说，由深度学习算法构建的第一电力断路器缺陷分析模型具有更高精度的分析效率，且当第一电力断路器缺陷分析模型确定电力断路器缺陷分析结果为工作正常时，本发明实施例还进一步地根据电路指标数据构建电路指标矩阵，并将将电路指标矩阵输入至预训练完成的第二电力断路器缺陷分析模型，得到电力断路器缺陷分析结果，相比于传统方法仅依赖于电力断路器的指标数据和机器学习模型来说，本发明实施例考虑的数据维度更广，模型设计更加精细，因此本发明提出的电力断路器缺陷分析方法、装置、电子设备及计算机可读存储介质，其可以解决传统电力断路器缺陷诊断模型的诊断准确率不高的问题。
附图说明
图1为本发明一实施例提供的电力断路器缺陷分析方法的流程示意图；
图2为本发明一实施例提供的电力断路器缺陷分析装置的功能模块图；
图3为本发明一实施例提供的实现所述电力断路器缺陷分析方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种电力断路器缺陷分析方法。所述电力断路器缺陷分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述电力断路器缺陷分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的电力断路器缺陷分析方法的流程示意图。在本实施例中，所述电力断路器缺陷分析方法包括：
S1、接收电力断路器的缺陷分析指令，根据所述缺陷分析指令获取电力断路器的工作数据，其中工作数据分为断路器指标数据和电路指标数据。
本发明实施例中，所述缺陷分析指令一般由电力断路器的维护人员发起。示例性的，小张是某市电网的某一段核心电路的维护人员，现计划测试该核心电路中的电力断路器是否存在缺陷风险，若存在缺陷风险则及时更换该核心电路中的电力断路器，因此发起了电力断路器的缺陷分析指令。
需解释的是，本发明实施例的电力断路器的缺陷分析共分为两步，第一步是基于断路器指标数据和深度学习网络模型实现粗分析，第二步是基于电路指标数据实现细分析。
其中，断路器指标数据主要是采集电力断路器的一系列指标从而所构建的多元数据。详细地，所述断路器指标数据包括电力断路器的机械指标数据、生产指标数据及工作环境数据，其中机械指标数据包括电力断路器的刚合速度、刚分速度、合闸线圈直流电阻、分闸线圈直流电阻、累计开断次数、合闸线圈最低动作电压、分闸线圈最低动作电压等，生产指标数据包括生产电力断路器厂家的资质规模、产品召回率、用户满意度等，工作环境数据包括电力断路器当前所在环境的湿度、温度、污秽度、变压器微水含量等。
电路指标数据是指可用于衡量电力断路器在电路中是否能有效隔绝电路，使得电路处于断路的一系列数据。本发明实施例中，所述电路指标数据的获取包括：
将电力断路器放置于测试电路中，其中测试电路可通过短路开关实现短路；
启动包括电力断路器的测试电路，并记录启动时间后，每隔指定时间段收集短路开关的电压值；
打开短路开关，使得测试电路为短路状态，并依然记录短路开关的电压值；
直至电力断路器开始工作，将测试电路从短路状态调整为断路状态后，停止收集短路开关的电压值，并收集所有时间点的电压值汇总得到所述电路指标数据。
可以知悉的是，本发明实施例的电路指标数据主要通过短路开关的电压值体现，且在后续技术步骤中，通过分析短路开关的电压值可诊断出电力断路器是否符合工作标准。
S2、启动预训练完成的第一电力断路器缺陷分析模型，其中第一电力断路器缺陷分析模型按照数据的输入至输出依次包括输入层、六组交替出现卷积层和池化层、第一全连接层、残差连接层、两组交替出现卷积层和池化层、第二全连接层、激活层及输出层组成。
本发明实施例中，所述第一电力断路器缺陷分析模型的预训练过程与传统的深度学习模型相同，在此不再赘述。其中第一电力断路器缺陷分析模型在预训练时的参数迭代函数为：
，其中，表示第一电力断路器缺陷分析模型的参数迭代函数，表示第一电力断路器缺陷分析模型的参数集，为训练第一电力断路器缺陷分析模型的训练集总数，为训练集中各训练样本的编号，表示参数集总数，为参数集中各参数的编号，表示训练集，其中表示第组训练数据，表示第组训练数据对应的标签值，其中标签值包括电力断路器是否工作正常，表示第一电力断路器缺陷分析模型中第层的参数集合，其中表示转置。
示例性的，如提前收集1000种不同类型电力断路器的断路器指标数据组成得到训练集，即共有1000组训练数据及对应的标签值，假设第100组训练数据的标签值为0，则表示第100组训练数据的电力断路器其工作异常，依次类推用于训练第一电力断路器缺陷分析模型。
S3、将所述断路器指标数据输入至第一电力断路器缺陷分析模型，得到电力断路器缺陷分析结果，其中电力断路器缺陷分析结果包括工作正常及工作异常。
详细地，所述将所述断路器指标数据输入至第一电力断路器缺陷分析模型，得到电力断路器缺陷分析结果，包括：
利用输入层接收所述断路器指标数据，并将断路器指标数据输送至六组交替出现卷积层和池化层分别执行卷积和池化操作，其中卷积和池化操作分别为：
其中，表示第层卷积层中第个感受野的断路器指标值，其中断路器指标值由断路器指标数据得到，表示第层卷积层中第个感受野的断路器指标值，表示第层卷积层中第个卷积核的权重值，表示第层卷积层中第个卷积核的偏置值，表示第层池化层中第个神经元的断路器指标值，为断路器指标值的符号，表示第层池化层的池化区域宽度，表示第层池化层中第个神经元的断路器指标值；
将经过卷积和池化操作所得到的卷积池化指标值输入至第一全连接层执行映射操作，得到映射指标值；
将映射指标值分别依次输入至残差连接层、两组交替出现卷积层和池化层、第二全连接层，得到全连接指标值，其中全连接指标值的维度与第二全连接层的输出维度相同；
利用所述激活层预测得到全连接指标值的电力断路器缺陷分析结果，并将电力断路器缺陷分析结果通过输出层输出。
可理解的是，本发明实施例共有两次交替出现的卷积层和池化层，第一次共有六组，第二次共有两组，因此每一次交替出现的卷积层和池化层均执行上述公式所展示的卷积和池化操作。
此外，本发明实施例所述的全连接层主要目的是起到映射作用，详细地，所述将经过卷积和池化操作所得到的卷积池化指标值输入至第一全连接层执行映射操作，得到映射指标值，包括：
计算所述卷积池化指标值的平均值和方差；
根据所述平均值和方差值调节卷积池化指标值，得到待映射指标值；
根据下式计算得到映射指标值：
，
其中，表示第个待映射指标值，表示第一全连接层中第个映射神经元的权重，表示第一全连接层中第个映射神经元的偏置，表示第个映射指标值。
进一步地，所述卷积池化指标值的平均值和方差的计算方法为：
，其中，表示卷积池化指标值的平均值，表示卷积池化指标值的方差，表示卷积池化指标值的总数量，表示第个卷积池化指标值。
详细地，所述根据所述平均值和方差值调节卷积池化指标值，得到待映射指标值，包括：
根据下式计算得到待映射指标值：
其中，为预先设置的常数项。
本发明实施例中，残差连接层的目的是将映射指标值和断路器指标数据重复相加，以防止梯度消失影响对电力断路器的分析准确率，而两组交替出现卷积层和池化层和前述六组交替出现卷积层和池化层的工作原理相同、第二全连接层和第一全连接层的工作原理相同，在此不再赘述。
需解释的是，本发明实施例中激活层可使用softmax或RELU函数等实现。
S4、当电力断路器缺陷分析结果为工作异常时，生成缺陷检修指令通知电力断路器的维护人员。
可理解的是，当获取一系列的断路器指标数据，并根据第一电力断路器缺陷分析模型分析得到与断路器指标数据对应的电力断路器存在工作异常的可能性后，本发明实施例立即生成缺陷检修指令通知电力断路器的维护人员，从而规避电力断路器所在电路的工作风险。
S5、当电力断路器缺陷分析结果为工作正常时，根据电路指标数据构建电路指标矩阵。
需理解的是，当第一电力断路器缺陷分析模型分析得到与断路器指标数据对应的电力断路器存在工作正常时，并不意味电力断路器并不存在风险，还需进一步诊断其工作的稳定性，因此详细地，所述根据电路指标数据构建电路指标矩阵，包括：
按照测试电路短路前、测试电路短路后、电力断路器开始工作导致测试电路断路后三种状态，将电路指标数据分为短路前电压数据、短路后电压数据及断路后电压数据；
按照时间顺序对短路前电压数据、短路后电压数据及断路后电压数据执行排序，并根据排序构建得到电路指标矩阵。
示例性的，本发明实施例将电力断路器放置于测试电路以后，在测试电路正常工作时（即测试电路短路前）共在2秒时间内采集20组短路开关的电压值，称为短路前电压数据；同样的，当测试电路短路后在2秒时间内采集20组短路开关的电压值，称为短路后电压数据；最后，在电力断路器开始工作导致测试电路断路后，2秒时间内也采集20组短路开关的电压值，称为断路后电压数据。
进一步地，所述电路指标矩阵的形式为：
其中，表示短路前电压数据中第行第列的短路开关的电压值，表示短路前电压数据，表示电压值的记录时间，表示短路后电压数据中第1行第列的短路开关的电压值，表示短路后电压数据，表示断路后电压数据中第行第列的短路开关的电压值，表示断路后电压数据。
S6、将电路指标矩阵输入至预训练完成的第二电力断路器缺陷分析模型，得到电力断路器缺陷分析结果，其中第二电力断路器缺陷分析模型按照数据的输入至输出依次包括输入层、三组交替出现卷积层和池化层、LSTM层、全连接层、激活层及输出层组成。
本发明实施例中，第二电力断路器缺陷分析模型与第一电力断路器缺陷分析模型的预训练过程相似，且处理电路指标矩阵与处理断路器指标数据的过程也相同，在此不再赘述。
进一步地，第二电力断路器缺陷分析模型可根据电路指标矩阵中短路前电压数据、短路后电压数据及断路后电压数据的变化幅度及变化时间，判断出电力断路器的工作状态是否异常，其中由于第二电力断路器缺陷分析模型中加入LSTM层，同时也会考虑电路指标矩阵中各电压值的记录时间，从而达到更加准确的分析。
本发明实施例为解决背景技术所述问题，先接收电力断路器的缺陷分析指令，根据所述缺陷分析指令获取电力断路器的工作数据，其中工作数据分为断路器指标数据和电路指标数据，可见相比于背景技术所述仅使用电力断路器的指标数据来说，本发明实施例同时还考虑电力断路器所在电路的电路指标数据，从而提高对电路指标数据的缺陷诊断准确率，进一步地，将所述断路器指标数据输入至第一电力断路器缺陷分析模型，得到电力断路器缺陷分析结果，其中第一电力断路器缺陷分析模型按照数据的输入至输出依次包括输入层、六组交替出现卷积层和池化层、第一全连接层、残差连接层、两组交替出现卷积层和池化层、第二全连接层、激活层及输出层组成，相比于传统机器学习模型来说，由深度学习算法构建的第一电力断路器缺陷分析模型具有更高精度的分析效率，且当第一电力断路器缺陷分析模型确定电力断路器缺陷分析结果为工作正常时，本发明实施例还进一步地根据电路指标数据构建电路指标矩阵，并将将电路指标矩阵输入至预训练完成的第二电力断路器缺陷分析模型，得到电力断路器缺陷分析结果，相比于传统方法仅依赖于电力断路器的指标数据和机器学习模型来说，本发明实施例考虑的数据维度更广，模型设计更加精细，因此本发明提出的电力断路器缺陷分析方法、装置、电子设备及计算机可读存储介质，其可以解决传统电力断路器缺陷诊断模型的诊断准确率不高的问题。
如图2所示，是本发明一实施例提供的电力断路器缺陷分析装置的功能模块图。
本发明所述电力断路器缺陷分析装置100可以安装于电子设备中。根据实现的功能，所述电力断路器缺陷分析装置100可以包括工作数据获取模块101、第一缺陷分析模型启动模块102、第一缺陷分析模型分析模块103、电路指标矩阵构建模块104及第二缺陷分析模型分析模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
所述工作数据获取模块101，用于接收电力断路器的缺陷分析指令，根据所述缺陷分析指令获取电力断路器的工作数据，其中工作数据分为断路器指标数据和电路指标数据；
所述第一缺陷分析模型启动模块102，用于启动预训练完成的第一电力断路器缺陷分析模型，其中第一电力断路器缺陷分析模型按照数据的输入至输出依次包括输入层、六组交替出现卷积层和池化层、第一全连接层、残差连接层、两组交替出现卷积层和池化层、第二全连接层、激活层及输出层组成；
所述第一缺陷分析模型分析模块103，用于当电力断路器缺陷分析结果为工作正常时，根据电路指标数据构建电路指标矩阵；
所述电路指标矩阵构建模块104，用于当电力断路器缺陷分析结果为工作正常时，根据电路指标数据构建电路指标矩阵；
所述第二缺陷分析模型分析模块105，用于将电路指标矩阵输入至预训练完成的第二电力断路器缺陷分析模型，得到电力断路器缺陷分析结果，其中第二电力断路器缺陷分析模型按照数据的输入至输出依次包括输入层、三组交替出现卷积层和池化层、LSTM层、全连接层、激活层及输出层组成。
详细地，本发明实施例中所述电力断路器缺陷分析装置100中的所述各模块在使用时采用与上述的图1中所述的基于区块链的产品供应链管理方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图3所示，是本发明一实施例提供的实现电力断路器缺陷分析方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线12，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如电力断路器缺陷分析方法程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如电力断路器缺陷分析方法程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如电力断路器缺陷分析方法程序等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线12可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线12可以分为地址总线、数据总线、控制总线等。所述总线12被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的电力断路器缺陷分析方法程序是多个指令的组合，在所述处理器10中运行时，可以实现：
接收电力断路器的缺陷分析指令，根据所述缺陷分析指令获取电力断路器的工作数据，其中工作数据分为断路器指标数据和电路指标数据；
启动预训练完成的第一电力断路器缺陷分析模型，其中第一电力断路器缺陷分析模型按照数据的输入至输出依次包括输入层、六组交替出现卷积层和池化层、第一全连接层、残差连接层、两组交替出现卷积层和池化层、第二全连接层、激活层及输出层组成；
将所述断路器指标数据输入至第一电力断路器缺陷分析模型，得到电力断路器缺陷分析结果，其中电力断路器缺陷分析结果包括工作正常及工作异常；
当电力断路器缺陷分析结果为工作异常时，生成缺陷检修指令通知电力断路器的维护人员；
当电力断路器缺陷分析结果为工作正常时，根据电路指标数据构建电路指标矩阵；
将电路指标矩阵输入至预训练完成的第二电力断路器缺陷分析模型，得到电力断路器缺陷分析结果，其中第二电力断路器缺陷分析模型按照数据的输入至输出依次包括输入层、三组交替出现卷积层和池化层、LSTM层、全连接层、激活层及输出层组成。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图3对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
接收电力断路器的缺陷分析指令，根据所述缺陷分析指令获取电力断路器的工作数据，其中工作数据分为断路器指标数据和电路指标数据；
启动预训练完成的第一电力断路器缺陷分析模型，其中第一电力断路器缺陷分析模型按照数据的输入至输出依次包括输入层、六组交替出现卷积层和池化层、第一全连接层、残差连接层、两组交替出现卷积层和池化层、第二全连接层、激活层及输出层组成；
将所述断路器指标数据输入至第一电力断路器缺陷分析模型，得到电力断路器缺陷分析结果，其中电力断路器缺陷分析结果包括工作正常及工作异常；
当电力断路器缺陷分析结果为工作异常时，生成缺陷检修指令通知电力断路器的维护人员；
当电力断路器缺陷分析结果为工作正常时，根据电路指标数据构建电路指标矩阵；
将电路指标矩阵输入至预训练完成的第二电力断路器缺陷分析模型，得到电力断路器缺陷分析结果，其中第二电力断路器缺陷分析模型按照数据的输入至输出依次包括输入层、三组交替出现卷积层和池化层、LSTM层、全连接层、激活层及输出层组成。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种电力断路器缺陷分析方法，其特征在于，所述方法包括：
接收电力断路器的缺陷分析指令，根据所述缺陷分析指令获取电力断路器的工作数据，其中工作数据分为断路器指标数据和电路指标数据；
启动预训练完成的第一电力断路器缺陷分析模型，其中第一电力断路器缺陷分析模型按照数据的输入至输出依次包括输入层、六组交替出现卷积层和池化层、第一全连接层、残差连接层、两组交替出现卷积层和池化层、第二全连接层、激活层及输出层；
将所述断路器指标数据输入至第一电力断路器缺陷分析模型，得到电力断路器缺陷分析结果，其中电力断路器缺陷分析结果包括工作正常及工作异常；
当电力断路器缺陷分析结果为工作异常时，生成缺陷检修指令通知电力断路器的维护人员；
当电力断路器缺陷分析结果为工作正常时，根据电路指标数据构建电路指标矩阵；
将电路指标矩阵输入至预训练完成的第二电力断路器缺陷分析模型，得到电力断路器缺陷分析结果，其中第二电力断路器缺陷分析模型按照数据的输入至输出依次包括输入层、三组交替出现卷积层和池化层、LSTM层、全连接层、激活层及输出层组成。
2.如权利要求1所述的电力断路器缺陷分析方法，其特征在于，所述断路器指标数据包括电力断路器的机械指标数据、生产指标数据及工作环境数据，机械指标数据包括电力断路器的刚合速度、刚分速度、合闸线圈直流电阻、分闸线圈直流电阻、累计开断次数、合闸线圈最低动作电压、分闸线圈最低动作电压，生产指标数据包括生产电力断路器厂家的资质规模、产品召回率、用户满意度，工作环境数据包括电力断路器当前所在环境的湿度、温度、污秽度、变压器微水含量。
3.如权利要求2所述的电力断路器缺陷分析方法，其特征在于，所述电路指标数据的获取包括：
将电力断路器放置于测试电路中，其中测试电路可通过短路开关实现短路；
启动包括电力断路器的测试电路，并记录启动时间后，每隔指定时间段收集短路开关的电压值；
打开短路开关，使得测试电路为短路状态，并依然记录短路开关的电压值；
直至电力断路器开始工作，将测试电路从短路状态调整为断路状态后，停止收集短路开关的电压值，并收集所有时间点的电压值汇总得到所述电路指标数据。
4.如权利要求3所述的电力断路器缺陷分析方法，其特征在于，所述第一电力断路器缺陷分析模型在预训练时的参数迭代函数为：
，其中，表示第一电力断路器缺陷分析模型的参数迭代函数，表示第一电力断路器缺陷分析模型的参数集，为训练第一电力断路器缺陷分析模型的训练集总数，为训练集中各训练样本的编号，表示参数集总数，为参数集中各参数的编号，表示训练集，其中表示第组训练数据，表示第组训练数据对应的标签值，其中标签值包括电力断路器是否工作正常，表示第一电力断路器缺陷分析模型中第层的参数集合，其中表示转置。
5.如权利要求4所述的电力断路器缺陷分析方法，其特征在于，所述将所述断路器指标数据输入至第一电力断路器缺陷分析模型，得到电力断路器缺陷分析结果，包括：
利用输入层接收所述断路器指标数据，并将断路器指标数据输送至六组交替出现卷积层和池化层分别执行卷积和池化操作，其中卷积和池化操作分别为：
其中，表示第层卷积层中第个感受野的断路器指标值，其中断路器指标值由断路器指标数据得到， 表示第层卷积层中第个感受野的断路器指标值，表示第层卷积层中第个卷积核的权重值，表示第层卷积层中第个卷积核的偏置值，表示第层池化层中第个神经元的断路器指标值，为断路器指标值的符号，表示第层池化层的池化区域宽度， 表示第层池化层中第个神经元的断路器指标值；
将经过卷积和池化操作所得到的卷积池化指标值输入至第一全连接层执行映射操作，得到映射指标值；
将映射指标值分别依次输入至残差连接层、两组交替出现卷积层和池化层、第二全连接层，得到全连接指标值，其中全连接指标值的维度与第二全连接层的输出维度相同；
利用所述激活层预测得到全连接指标值的电力断路器缺陷分析结果，并将电力断路器缺陷分析结果通过输出层输出。
6.如权利要求5所述的电力断路器缺陷分析方法，其特征在于，所述将经过卷积和池化操作所得到的卷积池化指标值输入至第一全连接层执行映射操作，得到映射指标值，包括：
计算所述卷积池化指标值的平均值和方差；
根据所述平均值和方差值调节卷积池化指标值，得到待映射指标值；
根据下式计算得到映射指标值：
，
其中，表示第个待映射指标值，表示第一全连接层中第个映射神经元的权重，表示第一全连接层中第个映射神经元的偏置，表示第个映射指标值。
7.如权利要求6所述的电力断路器缺陷分析方法，其特征在于，所述卷积池化指标值的平均值和方差的计算方法为：
，其中，表示卷积池化指标值的平均值，表示卷积池化指标值的方差，表示卷积池化指标值的总数量，表示第个卷积池化指标值。
8.如权利要求7所述的电力断路器缺陷分析方法，其特征在于，所述根据电路指标数据构建电路指标矩阵，包括：
按照测试电路短路前、测试电路短路后、电力断路器开始工作导致测试电路断路后三种状态，将电路指标数据分为短路前电压数据、短路后电压数据及断路后电压数据；
按照时间顺序对短路前电压数据、短路后电压数据及断路后电压数据执行排序，并根据排序构建得到电路指标矩阵。
9.如权利要求8所述的电力断路器缺陷分析方法，其特征在于，所述电路指标矩阵的形式为：
其中，表示短路前电压数据中第行第列的短路开关的电压值，表示短路前电压数据，表示电压值的记录时间，表示短路后电压数据中第1行第列的短路开关的电压值，表示短路后电压数据，表示断路后电压数据中第行第列的短路开关的电压值，表示断路后电压数据。
10.一种电力断路器缺陷分析装置，其特征在于，所述装置包括：
工作数据获取模块，用于接收电力断路器的缺陷分析指令，根据所述缺陷分析指令获取电力断路器的工作数据，其中工作数据分为断路器指标数据和电路指标数据；
第一缺陷分析模型启动模块，用于启动预训练完成的第一电力断路器缺陷分析模型，其中第一电力断路器缺陷分析模型按照数据的输入至输出依次包括输入层、六组交替出现卷积层和池化层、第一全连接层、残差连接层、两组交替出现卷积层和池化层、第二全连接层、激活层及输出层；
第一缺陷分析模型分析模块，用于将所述断路器指标数据输入至第一电力断路器缺陷分析模型，得到电力断路器缺陷分析结果，其中电力断路器缺陷分析结果包括工作正常及工作异常，当电力断路器缺陷分析结果为工作异常时，生成缺陷检修指令通知电力断路器的维护人员；
电路指标矩阵构建模块，用于当电力断路器缺陷分析结果为工作正常时，根据电路指标数据构建电路指标矩阵；
第二缺陷分析模型分析模块，用于将电路指标矩阵输入至预训练完成的第二电力断路器缺陷分析模型，得到电力断路器缺陷分析结果，其中第二电力断路器缺陷分析模型按照数据的输入至输出依次包括输入层、三组交替出现卷积层和池化层、LSTM层、全连接层、激活层及输出层组成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310026326.0A CN115902615B (zh) | 2023-01-09 | 2023-01-09 | 电力断路器缺陷分析方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310026326.0A CN115902615B (zh) | 2023-01-09 | 2023-01-09 | 电力断路器缺陷分析方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115902615A CN115902615A (zh) | 2023-04-04 |
| CN115902615B true CN115902615B (zh) | 2023-05-16 |
Family
ID=85735474
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310026326.0A Active CN115902615B (zh) | 2023-01-09 | 2023-01-09 | 电力断路器缺陷分析方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115902615B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116756548B (zh) * | 2023-08-22 | 2023-10-24 | 贵州中南锦天科技有限责任公司 | 应用于低压配电物联网的断路器管理方法及系统 |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108805270B (zh) * | 2018-05-08 | 2021-02-12 | 华中科技大学 | 一种基于存储器的卷积神经网络系统 |
| CN108828441A (zh) * | 2018-06-12 | 2018-11-16 | 江苏镇安电力设备有限公司 | 高压断路器故障诊断方法 |
| CN110221200B (zh) * | 2019-06-10 | 2021-06-29 | 河北工业大学 | 一种基于深度学习的万能式断路器附件故障诊断方法 |
| CN111079647A (zh) * | 2019-12-17 | 2020-04-28 | 国网江苏省电力有限公司检修分公司 | 一种断路器缺陷识别方法 |
| CN111272405B (zh) * | 2020-03-26 | 2022-08-16 | 广西电网有限责任公司电力科学研究院 | 一种高压断路器机械故障诊断方法及系统 |
| CN111461298A (zh) * | 2020-03-26 | 2020-07-28 | 广西电网有限责任公司电力科学研究院 | 一种用于断路器故障识别的卷积神经网络及方法 |
| JP2022095267A (ja) * | 2020-12-16 | 2022-06-28 | 三菱電機株式会社 | 遮断器状態診断システム、遮断器およびプログラム |
| CN113219328B (zh) * | 2021-01-27 | 2023-02-17 | 中国国家铁路集团有限公司 | 一种基于信息融合的断路器操作机构故障智能诊断方法 |
| CN113125095B (zh) * | 2021-04-19 | 2022-03-22 | 河北工业大学 | 一种基于深度学习的万能式断路器触头系统剩余机械寿命预测方法 |
| CN113611568A (zh) * | 2021-09-06 | 2021-11-05 | 辽宁石油化工大学 | 一种基于遗传卷积深度网络的真空断路器 |
| CN114091549A (zh) * | 2021-09-28 | 2022-02-25 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于深度残差网络的设备故障诊断方法 |
| CN113988136A (zh) * | 2021-10-29 | 2022-01-28 | 浙江工业大学 | 一种基于深度学习与智能优化的中压断路器故障诊断方法 |
| CN114841199A (zh) * | 2022-04-18 | 2022-08-02 | 武汉大学 | 配电网故障诊断方法、装置、设备及可读存储介质 |
| CN114818825A (zh) * | 2022-05-14 | 2022-07-29 | 顾晓光 | 基于卷积核多层分布残差网络的旋转机械故障诊断方法 |
| CN115267521A (zh) * | 2022-07-26 | 2022-11-01 | 广东电网有限责任公司 | 一种断路器工作状态检测方法、装置、计算机设备及介质 |
-
2023
- 2023-01-09 CN CN202310026326.0A patent/CN115902615B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115902615A (zh) | 2023-04-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115902615B (zh) | 电力断路器缺陷分析方法及装置 | |
| CN108320043A (zh) | 一种基于电力大数据的配电网设备状态诊断预测方法 | |
| CN112559279A (zh) | 不间断电源系统故障预测方法、设备和计算机可读存储介质 | |
| CN107679089A (zh) | 一种用于电力传感数据的清洗方法、装置和系统 | |
| CN114519524A (zh) | 基于知识图谱的企业风险预警方法、装置及存储介质 | |
| CN112115618A (zh) | 一种基于矩阵图及置信度的电力设备故障诊断方法及系统 | |
| CN115469590B (zh) | 智能电表接口的低功耗控制方法、装置、设备及存储介质 | |
| CN116089250B (zh) | 一种人机交互优化管理系统及管理方法 | |
| CN115514068A (zh) | 一种锂电池梯次利用的电芯压差优化方法 | |
| CN113504935A (zh) | 软件开发质量评估方法、装置、电子设备及可读存储介质 | |
| CN112463530A (zh) | 微服务系统的异常检测方法、装置、电子设备及存储介质 | |
| CN116449762A (zh) | 基于物联网实现智能设备的安全预警方法及装置 | |
| CN116755985A (zh) | 基于大数据和数据分析的平台智能监测管理系统 | |
| CN117238226B (zh) | 一种led显示屏故障自检方法及系统 | |
| CN111460293B (zh) | 信息推送方法、装置及计算机可读存储介质 | |
| CN116714469A (zh) | 充电桩健康监测方法、装置、终端及存储介质 | |
| CN114676859B (zh) | 基于物联网的综合安全防护系统及方法 | |
| CN113033845B (zh) | 一种电力传输资源共建共享的建设方法及装置 | |
| CN115630855A (zh) | 一种智能粗锡冶炼系统及方法 | |
| CN115691251A (zh) | 基于物联网的工业操作教学实训系统、方法及设备 | |
| CN115641549A (zh) | 一种主推进柴油机组健康监测方法和系统 | |
| CN115129957A (zh) | 一种配网全息数据可视化展示系统及方法 | |
| CN114881321A (zh) | 机械部件故障预测方法、装置、电子设备及存储介质 | |
| CN116720107A (zh) | 一种电力断路器故障的在线分析方法和装置 | |
| CN115936535B (zh) | 一种电力变压器的使用周期提升方法、装置、设备及介质 |
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 | ||
| GR01 | Patent grant |