CN115935201A - 一种针对重点应急装备gps及电气量数据采集的监测方法以及装置 - Google Patents
一种针对重点应急装备gps及电气量数据采集的监测方法以及装置 Download PDFInfo
- Publication number
- CN115935201A CN115935201A CN202211514875.4A CN202211514875A CN115935201A CN 115935201 A CN115935201 A CN 115935201A CN 202211514875 A CN202211514875 A CN 202211514875A CN 115935201 A CN115935201 A CN 115935201A
- Authority
- CN
- China
- Prior art keywords
- attribute
- emergency equipment
- key
- monitoring period
- running state
- 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.)
- Granted
Links
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
Abstract
本发明公开了一种针对重点应急装备GPS及电气量数据采集的监测装置及方法,其中装置包括GPS定位装置和电气量监测设备;GPS定位装器采集重点应急装备的GPS定位数据,电气量监测设备采集重点应急装备的电气量数据构建针对GPS定位数据和电气量数据参数类型的第一层神经网络应急装备模型神经元,并构建第二层感知神经网络应急装备模型,通过迭代优化,形成双层神经网络应急装备模型,对重点应急装备的运行状态进行故障预警,同时,对重点应急装备的GPS定位数据、电气量数据运行状态进行展示。本发明通过设置监测装置,采用观层神经网络应急装备模型,实现对重点应急装备的监控和预警能够有效保障重点应急装备的准确运行。
Description
技术领域
本申请实施例涉及通信领域,尤其涉及一种针对重点应急装备GPS及电气量数据采集的监测方法以及相关装置。
背景技术
当重点应急装备在出现故障时,该重点应急装备的各项指标将会出现较大故障,进而表现出LORA通信电路泄漏、协议事件增加或者蓄电池功率升高等故障现象。在这种情况下,应急装备管理人员需要在短时间内找出导致故障现象的故障运行状态属性,并通过分析故障运行状态属性确定应对措施,以使应急装备恢复正常。
现有技术中,采用神经元决策算法对原始运行状态属性进行划分,将多个原始运行状态属性包括至少两个集合,并确定各个集合的第一层神经网络应急装备模型神经元,将与预设时刻距离最近的第一层神经网络应急装备模型神经元向量所对应的集合确定为故障集合,并将该故障集合所对应的运行状态属性确定为故障运行状态属性。
在这样的方案中存在构建缓慢或者构建错误的问题,因此,在确定故障指标的时候效率较低。
发明内容
本申请实施例提供了一种针对重点应急装备GPS及电气量数据采集的监测方法以及相关装置,用于提高指标故障的准确率。
第一方面,本申请实施例提供了一种针对重点应急装备GPS及电气量数据采集的监测方法,包括:当重点应急装备在出现故障时会出现大量指标故障的现象,此时,管理装置可以对重点应急装备的运行状态属性的监测周期进行构建,当重点应急装备的运行状态属性的监测周期超过阈值时,则根据该监测周期确定多个运行状态关键属性,该运行状态关键属性指统计特性(分布类型、分布参数)受系统性因素而非偶然性因素影响发生变化的点;接着,该管理装置采用神经元决策算法将前述多个该运行状态关键属性包括至少GPS定位数据和电气量数据,并确定该至少GPS定位数据和电气量数据中的每个运行状态关键属性的向量集合的第一层神经网络应急装备模型神经元;然后,该管理装置将与预设时刻距离最近的该第一层神经网络应急装备模型神经元的向量所对应的运行状态关键属性的向量集合确定为故障运行状态关键属性的向量集合,进而可以确定该故障运行状态关键属性的向量集合所对应的运行状态属性确定为故障运行状态属性。
本申请实施例中,通过运行状态关键属性检测算法构建重点应急装备的运行状态属性的监测周期以确定运行状态关键属性,并将运行状态关键属性检测算法与神经元决策算法相结合,将该运行状态关键属性作为聚类算法的输入,从而把多个运行状态关键属性包括多个运行状态关键属性的向量集合,然后,根据预设时刻确定故障运行状态关键属性的向量集合,将所述故障运行状态关键属性的向量集合所对应的运行状态属性确定为故障运行状态属性。由于,该运行状态关键属性是由运行状态属性的监测周期所确定的,因此,采用运行状态关键属性进行神经元决策可以在保留运行状态属性的变化特点的情况下减少构建量提高构建效率。
根据第一方面,本申请实施例第一方面的第一种实施方式中,该运行状态关键属性包括该运行状态属性的监测周期以及该运行状态属性的监测周期所对应的时刻,该运行状态属性的监测周期所对应的时刻为该监测周期超过阈值的时刻。
本实施方式中,明确了运行状态关键属性的所包含的内容或属性,具体地,该运行状态关键属性包括该运行状态属性的监测周期以及该运行状态属性的监测周期所对应的时刻,因此,每个运行状态关键属性不仅可以反映出该运行状态属性发生了变化,还可以反映出该运行状态属性发生变化的时刻,于是,可以增强方案的可行性。
根据第一方面或第一方面的第一种实施方式,本申请实施例第一方面的第二种实施方式中,该监测周期包括该运行状态属性的均值或者该运行状态属性的方差。
本实施例方式中,提出了关于监测周期的具体实现方式,在实际应用中,该监测周期可以是运行状态属性的均值,也可以是运行状态属性的方差,还可能是其他能够体现运行状态属性的变化情况的监测周期,因此,增强了方案的实现灵活性。
根据第一方面,本申请实施例第一方面的第三种实施方式中,该将多个该运行状态关键属性包括至少GPS定位数据和电气量数据,并确定该至少GPS定位数据和电气量数据中的每个运行状态关键属性的向量集合的第一层神经网络应急装备模型神经元包括:
从多个运行状态关键属性中选取k个运行状态关键属性作为第一层神经网络应急装备模型神经元向量,其中,k为大于1的整数;1)将每一个该运行状态关键属性与与该运行状态关键属性距离最近的第一层神经网络应急装备模型神经元向量归为一类,得到k个运行状态关键属性的向量集合;2)构建每个运行状态关键属性的向量集合中的第二层感知神经网络应急装备模型,其中,该第二层感知神经网络应急装备模型指满足下述条件的点:该运行状态关键属性的向量集合中的所有的运行状态关键属性到该第二层感知神经网络应急装备模型神经元的距离的总和最小;将该第二层感知神经网络应急装备模型作为第一层神经网络应急装备模型神经元向量,并重复执行步骤(1)至(2)直到满足终止条件,满足该终止条件的第二层感知神经网络应急装备模型的神经元为第一层神经网络应急装备模型神经元;其中,该终止条件包括如下任意一项:1)没有运行状态关键属性被重新分配给不同的运行状态关键属性的向量集合;2)该第二层感知神经网络应急装备模型不发生变化。
本实施方式中,介绍了采用神经元决策算法将多个运行状态关键属性包括至少GPS定位数据和电气量数据的方式,该过程中将进行多次构建以确定合适的运行状态关键属性划分结果。此外,本实施方式中,在确定了划分的各个运行状态关键属性的向量集合之后,还将确定该至少GPS定位数据和电气量数据中的每个运行状态关键属性的向量集合的第一层神经网络应急装备模型神经元。当该第一层神经网络应急装备模型神经元的向量与预设时刻相隔较近时,可以确定该第一层神经网络应急装备模型神经元所对应的运行状态关键属性的向量集合中的各个运行状态关键属性可能存在故障,由于,该运行状态关键属性是由运行状态属性的监测周期所确定的,因此,采用运行状态关键属性进行神经元决策可以在保留运行状态属性的变化特点的情况下减少构建量提高构建效率。
根据第一方面、第一方面的第一种实施方式至第一方面的第三种实施方式中的任意一种实施方式,本申请实施例第一方面的第四种实施方式中,该故障运行状态属性包括故障运行状态属性值以及产生该故障运行状态属性值的时刻。
本实施方式中,明确了故障运行状态属性所包含的内容,该故障运行状态属性包括故障运行状态属性值以及产生该故障运行状态属性值的时刻。因此,可以确定该故障运行状态属性的故障程度,以及发生故障的确切时间,因此,提高了方案的可行性。
根据第一方面、第一方面的第一种实施方式至第一方面的第三种实施方式中的任意一种实施方式,本申请实施例第一方面的第五种实施方式中,该当重点应急装备的运行状态属性的监测周期超过阈值时,根据该监测周期确定多个运行状态关键属性之前,该方法还包括:获取重点应急装备在第一监测周期内的运行状态属性,所述第一监测周期包括多个第二监测周期;构建在每个第二监测周期内的运行状态属性的监测周期。
本实施方式中,在根据该监测周期确定多个运行状态关键属性之前,该管理装置将先获取重点应急装备在第一监测周期内的运行状态属性,并构建在每个第二监测周期内的运行状态属性的监测周期,其中,该每个第二监测周期均属于该第一监测周期。在这样的实施方式中,该管理装置可以对该第一监测周期内的运行状态属性进行划分,通过将第一监测周期包括多个不同的第二监测周期的方式,可以实现对运行状态属性的划分,即将第一监测周期内的运行状态属性包括多份第二监测周期内的运行状态属性。
根据第一方面的第五种实施方式,本申请实施例第一方面的第六种实施方式中,该获取重点应急装备在第一监测周期内的第一组运行状态属性包括:获取重点应急装备在第一监测周期内的原始运行状态属性;对该原始运行状态属性进行预处理以统一该原始运行状态属性的量纲,得到重点应急装备在第一监测周期内的运行状态属性。
本实施方式中,该管理装置可以对重点应急装备在第一监测周期内的原始运行状态属性进行预处理,经过预处理的原始运行状态属性的量纲将被统一,因此,采用经过预处理而得到的能指标进行后续构建可以简化构建过程,提高构建效率。
根据第一方面的第六种实施方式,本申请实施例第一方面的第七种实施方式中,该预处理包括归一化处理或者规格化处理。
本实施方式中,提出了多种预处理方式,其中,该预处理可以是归一化处理,也可以是规格化处理,因此,提高了本方案的实现灵活性。
根据第一方面的第五种实施方式至第一方面的第七种实施方式中的任意一种实施方式,本申请实施例第一方面的第八种实施方式中,该第一监测周期中至少两个第二监测周期之间存在交叉。
本实施方式中,提出了一种可行的将第一监测周期包括第二监测周期的方式,该第二监测周期属于该第一监测周期,此外,该多个第二监测周期中至少存在两个第二监测周期可以交叉,因此,提高了对第一监测周期的划分的灵活性。由于,不同的监测周期中包含了不同的运行状态属性,因此,对监测周期的划分也可以体现对运行状态属性的划分,因此,提高了将第一组运行状态属性包括第二组运行状态属性的灵活性。
本申请实施例中,通过运行状态关键属性检测算法构建重点应急装备的运行状态属性的监测周期以确定运行状态关键属性,并将运行状态关键属性检测算法与神经元决策算法相结合,将该运行状态关键属性作为聚类算法的输入,从而把多个运行状态关键属性包括多个运行状态关键属性的向量集合,然后,根据预设时刻确定故障运行状态关键属性的向量集合,将所述故障运行状态关键属性的向量集合所对应的运行状态属性确定为故障运行状态属性。由于,该运行状态关键属性是由运行状态属性的监测周期所确定的,因此,采用运行状态关键属性进行神经元决策可以在保留运行状态属性的变化特点的情况下减少构建量提高构建效率。
根据第二方面,本申请实施例第二方面的第一种实施方式中,该运行状态关键属性包括该运行状态属性的监测周期以及该运行状态属性的监测周期所对应的时刻,该运行状态属性的监测周期所对应的时刻为该监测周期超过阈值的时刻。
本实施方式中,明确了运行状态关键属性的所包含的内容或属性,具体地,该运行状态关键属性包括该运行状态属性的监测周期以及该运行状态属性的监测周期所对应的时刻,因此,每个运行状态关键属性不仅可以反映出该运行状态属性发生了变化,还可以反映出该运行状态属性发生变化的时刻,于是,可以增强方案的可行性。
根据第二方面或第二方面的第一种实施方式,本申请实施例第二方面的第二种实施方式中,该监测周期包括该运行状态属性的均值或者该运行状态属性的方差。
本实施例方式中,提出了关于监测周期的具体实现方式,在实际应用中,该监测周期可以是运行状态属性的均值,也可以是运行状态属性的方差,还可能是其他能够体现运行状态属性的变化情况的监测周期,因此,增强了方案的实现灵活性。
根据第二方面,本申请实施例第二方面的第三种实施方式中,该处理器,具体用于从多个运行状态关键属性中选取k个运行状态关键属性作为第一层神经网络应急装备模型神经元向量,其中,k为大于1的整数;1)将每一个该运行状态关键属性与与该运行状态关键属性距离最近的第一层神经网络应急装备模型神经元向量归为一类,得到k个运行状态关键属性的向量集合;2)构建每个运行状态关键属性的向量集合中的第二层感知神经网络应急装备模型,其中,该第二层感知神经网络应急装备模型指满足下述条件的点:该运行状态关键属性的向量集合中的所有的运行状态关键属性到该第二层感知神经网络应急装备模型神经元的距离的总和最小;然后,该处理器将该第二层感知神经网络应急装备模型作为第一层神经网络应急装备模型神经元向量,并重复执行步骤(1)至(2)直到满足终止条件,满足该终止条件的第二层感知神经网络应急装备模型的神经元为第一层神经网络应急装备模型神经元;其中,该终止条件包括如下任意一项:1)没有运行状态关键属性被重新分配给不同的运行状态关键属性的向量集合;2)该第二层感知神经网络应急装备模型不发生变化。
本实施方式中,介绍了采用神经元决策算法将多个运行状态关键属性包括至少GPS定位数据和电气量数据的方式,该过程中将进行多次构建以确定合适的运行状态关键属性划分结果。此外,本实施方式中,在确定了划分的各个运行状态关键属性的向量集合之后,还将确定该至少GPS定位数据和电气量数据中的每个运行状态关键属性的向量集合的第一层神经网络应急装备模型神经元。当该第一层神经网络应急装备模型神经元的向量与预设时刻相隔较近时,可以确定该第一层神经网络应急装备模型神经元所对应的运行状态关键属性的向量集合中的各个运行状态关键属性可能存在故障,由于,该运行状态关键属性是由运行状态属性的监测周期所确定的,因此,采用运行状态关键属性进行神经元决策可以在保留运行状态属性的变化特点的情况下减少构建量提高构建效率。
根据第二方面、第二方面的第一种实施方式至第二方面的第三种实施方式中的任意一种实施方式,本申请实施例第二方面的第四种实施方式中,该故障运行状态属性包括故障运行状态属性值以及产生该故障运行状态属性值的时刻。
本实施方式中,明确了故障运行状态属性所包含的内容,该故障运行状态属性包括故障运行状态属性值以及产生该故障运行状态属性值的时刻。因此,可以确定该故障运行状态属性的故障程度,以及发生故障的确切时间,因此,提高了方案的可行性。
根据第二方面、第二方面的第一种实施方式至第二方面的第三种实施方式中的任意一种实施方式,本申请实施例第二方面的第五种实施方式中,该处理器还用于获取重点应急装备在第一监测周期内的运行状态属性,所述第一监测周期包括多个第二监测周期;此外,该处理器还用于构建在每个第二监测周期内的运行状态属性的监测周期。
本实施方式中,在根据该监测周期确定多个运行状态关键属性之前,该管理装置将先获取重点应急装备在第一监测周期内的运行状态属性,并构建在每个第二监测周期内的运行状态属性的监测周期,其中,该每个第二监测周期均属于该第一监测周期。在这样的实施方式中,该管理装置可以对该第一监测周期内的运行状态属性进行划分,通过将第一监测周期包括多个不同的第二监测周期的方式,可以实现对运行状态属性的划分,即将第一监测周期内的运行状态属性包括多份第二监测周期内的运行状态属性。
根据第二方面的第五种实施方式,本申请实施例第二方面的第六种实施方式中,该处理器,具体用于获取重点应急装备在第一监测周期内的原始运行状态属性;然后,该处理器对该原始运行状态属性进行预处理以统一该原始运行状态属性的量纲,得到重点应急装备在第一监测周期内的运行状态属性。
本实施方式中,该管理装置可以对重点应急装备在第一监测周期内的原始运行状态属性进行预处理,经过预处理的原始运行状态属性的量纲将被统一,因此,采用经过预处理而得到的运行状态属性进行后续构建可以简化构建过程,提高构建效率。
根据第二方面的第六种实施方式,本申请实施例第二方面的第七种实施方式中,该预处理包括归一化处理或者规格化处理。
本实施方式中,提出了多种预处理方式,其中,该预处理可以是归一化处理,也可以是规格化处理,因此,提高了本方案的实现灵活性。
根据第二方面的第五种实施方式至第二方面的第七种实施方式中的任意一种实施方式,本申请实施例第二方面的第八种实施方式中,该第一监测周期中至少两个第二监测周期之间存在交叉。
本实施方式中,提出了一种可行的将第一监测周期包括第二监测周期的方式,该第二监测周期属于该第一监测周期,此外,该多个第二监测周期中至少存在两个第二监测周期可以交叉,因此,提高了对第一监测周期的划分的灵活性。由于,不同的监测周期中包含了不同的运行状态属性,因此,对监测周期的划分也可以体现对运行状态属性的划分,因此,提高了将第一组运行状态属性包括第二组运行状态属性的灵活性。
第三方面,本申请实施例提供了一种管理装置,包括:运行状态关键属性检测模块,用于当重点应急装备的运行状态属性的监测周期超过阈值时,根据该监测周期确定多个运行状态关键属性;神经元决策模块,用于将多个该运行状态关键属性包括至少GPS定位数据和电气量数据,并确定该至少GPS定位数据和电气量数据中的每个运行状态关键属性的向量集合的第一层神经网络应急装备模型神经元;故障结果确定模块,用于将与预设时刻距离最近的该第一层神经网络应急装备模型神经元的向量所对应的运行状态关键属性的向量集合确定为故障运行状态关键属性的向量集合,并将该故障运行状态关键属性的向量集合所对应的运行状态属性确定为故障运行状态属性。
本申请实施例中,通过运行状态关键属性检测算法构建重点应急装备的运行状态属性的监测周期以确定运行状态关键属性,并将运行状态关键属性检测算法与神经元决策算法相结合,将该运行状态关键属性作为聚类算法的输入,从而把多个运行状态关键属性包括多个运行状态关键属性的向量集合,然后,根据预设时刻确定故障运行状态关键属性的向量集合,将所述故障运行状态关键属性的向量集合所对应的运行状态属性确定为故障运行状态属性。由于,该运行状态关键属性是由运行状态属性的监测周期所确定的,因此,采用运行状态关键属性进行神经元决策可以在保留运行状态属性的变化特点的情况下减少构建量提高构建效率。
根据第三方面,本申请实施例第三方面的第一种实施方式中,该运行状态关键属性包括该运行状态属性的监测周期以及该运行状态属性的监测周期所对应的时刻,该运行状态属性的监测周期所对应的时刻为该监测周期超过阈值的时刻。
本实施方式中,明确了运行状态关键属性的所包含的内容或属性,具体地,该运行状态关键属性包括该运行状态属性的监测周期以及该运行状态属性的监测周期所对应的时刻,因此,每个运行状态关键属性不仅可以反映出该运行状态属性发生了变化,还可以反映出该运行状态属性发生变化的时刻,于是,可以增强方案的可行性。
根据第三方面或第三方面的第一种实施方式,本申请实施例第三方面的第二种实施方式中,该监测周期包括该运行状态属性的均值或者该运行状态属性的方差。
本实施例方式中,提出了关于监测周期的具体实现方式,在实际应用中,该监测周期可以是运行状态属性的均值,也可以是运行状态属性的方差,还可能是其他能够体现运行状态属性的变化情况的监测周期,因此,增强了方案的实现灵活性。
根据第三方面,本申请实施例第三方面的第三种实施方式中,该神经元决策模块包括:从多个运行状态关键属性中选取k个运行状态关键属性作为第一层神经网络应急装备模型神经元向量,其中,k为大于1的整数;1)将每一个该运行状态关键属性与与该运行状态关键属性距离最近的第一层神经网络应急装备模型神经元向量归为一类,得到k个运行状态关键属性的向量集合;2)构建每个运行状态关键属性的向量集合中的第二层感知神经网络应急装备模型,其中,该第二层感知神经网络应急装备模型指满足下述条件的点:该运行状态关键属性的向量集合中的所有的运行状态关键属性到该第二层感知神经网络应急装备模型神经元的距离的总和最小;将该第二层感知神经网络应急装备模型作为第一层神经网络应急装备模型神经元向量,并重复执行步骤(1)至(2)直到满足终止条件,满足该终止条件的第二层感知神经网络应急装备模型的神经元为第一层神经网络应急装备模型神经元;其中,该终止条件包括如下任意一项:1)没有运行状态关键属性被重新分配给不同的运行状态关键属性的向量集合;2)该第二层感知神经网络应急装备模型不发生变化。
本实施方式中,介绍了采用神经元决策算法将多个运行状态关键属性包括至少GPS定位数据和电气量数据的方式,该过程中将进行多次构建以确定合适的运行状态关键属性划分结果。此外,本实施方式中,在确定了划分的各个运行状态关键属性的向量集合之后,还将确定该至少GPS定位数据和电气量数据中的每个运行状态关键属性的向量集合的第一层神经网络应急装备模型神经元。当该第一层神经网络应急装备模型神经元的向量与预设时刻相隔较近时,可以确定该第一层神经网络应急装备模型神经元所对应的运行状态关键属性的向量集合中的各个运行状态关键属性可能存在故障,由于,该运行状态关键属性是由运行状态属性的监测周期所确定的,因此,采用运行状态关键属性进行神经元决策可以在保留运行状态属性的变化特点的情况下减少构建量提高构建效率。
根据第三方面、第三方面的第一种实施方式至第三方面的第三种实施方式中的任意一种实施方式,本申请实施例第三方面的第四种实施方式中,该故障运行状态属性包括故障运行状态属性值以及产生该故障运行状态属性值的时刻。
本实施方式中,明确了故障运行状态属性所包含的内容,该故障运行状态属性包括故障运行状态属性值以及产生该故障运行状态属性值的时刻。因此,可以确定该故障运行状态属性的故障程度,以及发生故障的确切时间,因此,提高了方案的可行性。
根据第三方面、第三方面的第一种实施方式至第三方面的第三种实施方式中的任意一种实施方式,本申请实施例第三方面的第五种实施方式中,该管理装置还包括:获取模块,用于获取重点应急装备在第一监测周期内的运行状态属性,所述第一监测周期包括多个第二监测周期;构建模块,用于构建在每个第二监测周期内的运行状态属性的监测周期。
本实施方式中,在根据该监测周期确定多个运行状态关键属性之前,该管理装置将先获取重点应急装备在第一监测周期内的运行状态属性,并构建在每个第二监测周期内的运行状态属性的监测周期,其中,该每个第二监测周期均属于该第一监测周期。在这样的实施方式中,该管理装置可以对该第一监测周期内的运行状态属性进行划分,通过将第一监测周期包括多个不同的第二监测周期的方式,可以实现对运行状态属性的划分,即将第一监测周期内的运行状态属性包括多份第二监测周期内的运行状态属性。
根据第三方面的第五种实施方式,本申请实施例第三方面的第六种实施方式中,该获取模块包括:获取子模块,用于获取重点应急装备在第一监测周期内的原始运行状态属性;预处理子模块,对该原始运行状态属性进行预处理以统一该原始运行状态属性的量纲,得到重点应急装备在第一监测周期内的运行状态属性。
本实施方式中,该管理装置可以对重点应急装备在第一监测周期内的原始运行状态属性进行预处理,经过预处理的原始运行状态属性的量纲将被统一,因此,采用经过预处理而得到的运行状态属性进行后续构建可以简化构建过程,提高构建效率。
根据第三方面的第六种实施方式,本申请实施例第三方面的第七种实施方式中,该预处理包括归一化处理或者规格化处理。
本实施方式中,提出了多种预处理方式,其中,该预处理可以是归一化处理,也可以是规格化处理,因此,提高了本方案的实现灵活性。
根据第三方面的第五种实施方式至第三方面的第七种实施方式中的任意一种实施方式,本申请实施例第三方面的第八种实施方式中,该第一监测周期中至少两个第二监测周期之间存在交叉。
本实施方式中,提出了一种可行的将第一监测周期包括第二监测周期的方式,该第二监测周期属于该第一监测周期,此外,该多个第二监测周期中至少存在两个第二监测周期可以交叉,因此,提高了对第一监测周期的划分的灵活性。由于,不同的监测周期中包含了不同的运行状态属性,因此,对监测周期的划分也可以体现对运行状态属性的划分,因此,提高了将第一组运行状态属性包括第二组运行状态属性的灵活性。
第四方面,本申请实施例提供了一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如第一方面的方法。
第五方面,本申请实施例提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行如第一方面的方法。
从以上技术方案可以看出,本申请实施例具有以下优点:
本发明能够解决重点应急装备在日常态下的动态管理及应急态下调拨运输过程中和现场工作位置以及工作状态无法实时监测的问题,通过一种针对重点应急装备GPS及电气量数据采集的监测装置及方法,实现重点应急装备的实时位置跟踪及工作状态监测;根据重点应急装备应用场景及特点研制设计GPS定位装置,易安装、IP65防护等级,内置蓄电池,可持续工作10天以上,并可外接太阳能电池板;研制设计电气量监测设备,实现重点应急装备工作状态监测;对GPS定位装置和电气量监测设备进行一体化改造,使其适用于各类重点应急装备,形成一套监测装置;数据采集、展示,GPS定位数据及电气量采集数据通过应急装备物联网管理平台进行管理。
本申请实施例中,通过运行状态关键属性检测算法构建重点应急装备的运行状态属性的监测周期以确定运行状态关键属性,并将运行状态关键属性检测算法与神经元决策算法相结合,将该运行状态关键属性作为聚类算法的输入,从而把多个运行状态关键属性包括多个运行状态关键属性的向量集合,然后,根据预设时刻确定故障运行状态关键属性的向量集合,将所述故障运行状态关键属性的向量集合所对应的运行状态属性确定为故障运行状态属性。由于,该运行状态关键属性是由运行状态属性的监测周期所确定的,因此,采用运行状态关键属性进行神经元决策可以在保留运行状态属性的变化特点的情况下减少构建量提高构建效率。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例。
图1为本申请实施例中一种针对重点应急装备GPS及电气量数据采集的监测方法的工作流程图;
图2为本申请实施例中一种针对重点应急装备GPS及电气量数据采集的监测装置的结构模块图。
具体实施方式
本申请实施例提供了一种针对重点应急装备GPS及电气量数据采集的监测方法以及相关装置,用于提高指标故障检测的效率。
本申请实施例所提出的系统架构主要分为三个层次,其中,底层为数据采集层,由集成在重点应急装备内部的采集装置或者独立的采集服务器构成,负责从重点应急装备获取运行状态属性以及相关数据。此外,中间层为数据分析层,由独立的单分析服务器或者是分析服务器集群组成,主要功能模块包括文件解析模块、数据处理模块、检测并行化模块、运行状态关键属性检测算法模块、神经元决策算法模块以及结果保存模块等。最上层为数据应用层,包含了检测结果可视化模块和结果数据应用模块。
应急装备下应急处置能力监测分析:针对受灾地区关联设备,开展极端应急装备影响特征(包括大风、雷电、山火、寒潮、暴雨和强对流)下应急装备设备运行状态监测分析,受损统计,提升应急网格应对灾害的感知与预控能力,保障应急处置可靠性,发挥应急网格拓扑的空间及数据能力,做到预告警的全方位掌控,为救灾援灾提供必要应急装备供给能力支撑,监测对象包括输配电设备、应急处置用户、故障和抢修工单;
此外,该管理装置可以是具有采集或分析功能的服务器或服务器集群,也可以是具有强大分析构建功能的服务器或服务器集群,具体此处不做限定。在本实施例以及后续实施例中,仅以管理装置为例进行介绍。
参照附图1,本发明请求保护一种针对重点应急装备GPS及电气量数据采集的监测方法,其特征在于,包括:
当重点应急装备的运行状态属性的监测周期超过阈值时,根据所述监测周期确定多个运行状态关键属性;
将多个所述运行状态关键属性包括至少GPS定位数据和电气量数据,并确定所述至少GPS定位数据和电气量数据中的每个运行状态关键属性的向量集合的第一层神经网络应急装备模型神经元;
将与预设时刻距离最近的所述第一层神经网络应急装备模型神经元向量所对应的运行状态关键属性的向量集合确定为故障运行状态关键属性的向量集合,并将所述故障运行状态关键属性的向量集合所对应的运行状态属性确定为故障运行状态属性;
将所述故障运行状态属性通过应急装备物联网管理平台进行管理。
为便于更好地理解本申请实施例所提出的方案,下面对本实施例中的具体流程进行介绍,该针对重点应急装备GPS及电气量数据采集的监测方法中的管理装置所执行的步骤,包括:
201、获取重点应急装备在第一监测周期内的原始运行状态属性;
本实施例中,当应急装备出现故障时,该管理装置将获取各个重点应急装备在第一监测周期内的原始运行状态属性,该第一监测周期可以是应急装备出现故障前的一段时间,也可以是由应急装备管理人员指定的一段时间。此时的管理装置可以是数据采集服务器,还可以是其他的数据采集装置。该管理装置可以通过数据传输接口与各个重点应急装备相连,从而实现该管理装置从各个重点应急装备中获取到第一监测周期内的原始运行状态属性。
在实际应用中,该管理装置除了可以直接从各个重点应急装备获取到上述各种原始运行状态属性之外,该管理装置也可以从各个重点应急装备上获取到装有该原始运行状态属性的数据文件,然后,该管理装置通过文件解析模块识别多个上述数据文件的类型。然后,该管理装置从上述各个数据文件中提取第一监测周期内的原始运行状态属性,并存储以备后续分析使用。
本实施例中,该原始运行状态属性可以是蓄电池功率、LORA通信电路功率等,具体此处不做限定。应当注意的是,该原始运行状态属性与采集或生成该原始运行状态属性的时刻对应,并且,该原始运行状态属性将与该原始运行状态属性所对应的时刻对应存储。
应急装备监测与影响范围评估:应急装备监测告警分析,通过指挥系统收集信息传入该模块,然后调用知识库数据,通过使用大数据分析,对比分析已有的模型,以一种以图神经网络应急装备为基础,结合概率矩阵分解的推荐模型-协同图神经网络应急装备模型,该模型使用节点向量化模型作为全局物品特征向量提取模型,使用概率矩阵分解作为局部用户和物品特征向量提取模型,使用标准个性化贝叶斯排序作为优化方法,生成应急处置方案。
本实施例中,该管理装置还可以对获取的原始运行状态属性进行数据清洗,以便于发现并纠正数据文件中可识别的错误。一般地,该数据清洗可以是检查数据一致性,也可以是处理无效值或缺失值,具体此处不做限定。应当注意的是,该数据清洗过程可以在步骤201中执行,也可以在步骤202中执行,具体此处不做限定。
202、对原始运行状态属性进行预处理得到第一监测周期内的运行状态属性;
本实施例中,为便于构建,该管理装置在进行数据分析前,将对该原始运行状态属性进行预处理得到第一监测周期内的运行状态属性。一般地,该预处理过程可以为归一化处理,也可以为规格化处理,还可以为其他能够统一量纲的处理方式,具体此处不做限定。在本实施例以及后续实施例中,仅以归一化处理和规格化处理为例进行介绍。
具体地,定义t时刻某重点应急装备中的第i个原始运行状态属性的值为当该管理装置采用归一化处理的方式进行预处理时,经过归一化处理后得到的运行状态属性为应当理解的是,该归一化处理的目的是把需要处理的数据经过处理后限制在一定的范围内,以便于后续数据处理,以及加快后续算法程序运行收敛。
应当注意的是,本实施例中的预处理步骤可以设置在两个阶段中的任意一个阶段,一种是管理装置将采集的数据在本地进行预处理然后进行汇总分析;另一种是管理装置直接将原始数据汇总进行预处理,然后再进行分析。具体此处不做限定。
应急网格潮流监测分析,GPS定位数据、电气量数据以及部分应急网格运行关键指标等数据,还包括潮流运动方向与速度实时处理监视:监视区域内能源供给实时处理数据,包括火力发电厂、水电厂实时处理、风电场和集中式光伏实时处理,全面监视输电供应能力;
设备状态监测分析,监测线路状态,如正常、充电、故障、挂牌等,监测设备重载和越限情况,按对受灾核心区影响等级,生成统计分析结果,同时提供GIS能力集成,可视化呈现异常设备,分析排序各线路跳闸的概率,以及跳闸后关联线路和负荷转移情况,通过风险评估和辅助决策信息,为管理人员了解气象灾害的危急程度、危害范围以及为开展预控措施提供决策支撑;
基于应急网格GIS平台,通过应用设备拓扑分析,实现“变电站-中压馈线-变压器-低压线路-低压用户”应急处置路径全链条贯通的“应急网格一张图”;集成现有输、变、配电气量系统,做好整体规划,应用统一的数据接入平台,实现多源基础数据融合,保障基础数据的完整性、一致性和准确性,提高跨专业协同能力,促使营销、运检、调控、安监、物资等信息互联互通,数据共享、业务融合达到新高度。
应急处置能力监测预警分析,通过应急装备设备大面积、规律性故障现象,即时预警灾害发生,同时监测重点用户,如公共基础服务单位、重点生产企业、低保户、老人、留守人员、生活苦难户电气量、电气量曲线、生产状态和电气量分布,分析灾害前,灾害中,灾害后的电气量特征,统计受损用户分布、用户数量和救援优先级信息,为救灾援灾和应急装备线路救援抢修提供关键数据支撑;
故障区域及故障类型分析,对受灾影响区域内的故障情况进行重点统计,根据故障线路及环网柜等最后遥信动作,分析故障关键原因,对规律性故障、频繁无序故障类型再分析,按故障类型分为临时故障、故障跳闸、配变故障、低压故障、计划故障和其他等类型统计分析结果,并利用可视化图表及地图两种方式进行呈现,辅助应急处置抢修指挥;
抢修能力分析,针对受灾区域产生的工单,按社区、街道和村庄进行抢修工单区域范围统计分析,同时识别由于受灾产生的故障,如高压故障、低压故障、计量装置故障、电能质量、客户内部故障和非应急装备故障类型,监测故障工单抢修处理时间,辅助现场救援指挥。
本实施例中,当该管理装置对原始性能参数进行预处理之后,若该管理装置为大型服务器集群,该管理装置可以将前述经过预处理后的运行状态属性以及相关数据分配至服务器集群中的各个计算机(以及单个计算机上各个处理器线程)进行处理。采用这样的并行化方式可以充分利用空闲构建资源对运行状态属性以及相关数据进行分析,从而大幅度加快故障检测速度。在该检测并行化过程中,该管理装置可以采用多种分配方式对该运行状态属性进行分配,例如,可以是平均分配,也可以是通过资源调度方法进行分配,将较多的数据分配至空闲资源较多的服务器,繁忙的服务器则分配较少的数据,具体此处不做限定。应当理解的是,后续的步骤203至步骤205所执行的操作可以按照上述方式进行分配,以使得该管理装置能够在较短的时间内分析较多的数据。
203、构建在第二监测周期内的运行状态属性的监测周期;
本实施例中,该管理装置经过预处理得到的第一监测周期内的运行状态属性中包括第二监测周期内的运行状态属性,其中,该第一监测周期包括多个第二监测周期。
一般地,可以将该第一监测周期等额地包括若干个第二监测周期,其中,各个第二监测周期的累计总和为第一监测周期。为便于理解,假设该第一监测周期为某一天的下午一点一分零五秒到该天的下午一点三分零五秒,记为“13:01:05-13:03:05”,此时,若以每五秒为一个划分单位,可以将该第一监测周期包括24个第二监测周期,例如,某一个第二监测周期为“13:01:05-13:01:10”,或者,“13:01:05-13:01:15”等,以此类推,具体此处不再赘述。应当理解的是,每一个第二监测周期内都存在若干数量的离散的运行状态属性。因此,也可以理解为,对第一监测周期的划分也就是对第一监测周期内的运行状态属性的划分。为便于理解,以蓄电池的功率为例,若每隔一秒记录1次数据,则在第一监测周期内将记录120次蓄电池的功率,当该第一监测周期划分时,每一个第二监测周期内包含5次已记录的蓄电池的功率。然后,该管理装置便可以构建各个第二监测周期内的运行状态属性的监测周期,也就是第二监测周期1中的5次蓄电池的功率的监测周期,第二监测周期2中的5次蓄电池的功率的监测周期,以此类推,具体此处不再赘述。
除了上述划分方式以外,还存在一种交叉划分的方式,在这样的划分方式中,该第一监测周期中至少两个第二监测周期之间存在交叉。具体地,第二监测周期1的后半部分与第二监测周期2的前半部分重合,具体地,若第二监测周期1为“13:01:05-13:01:15”,则第二监测周期2为“13:01:10-13:01:20”,接着第二监测周期3为“13:01:15-13:01:25”等,以此类推,具体此处不再赘述。在这样的情况下,若依然以蓄电池的功率为例,且每隔一秒记录1次数据,则在第一监测周期内将记录120次蓄电池的功率,当该第一监测周期划分时,每一个第二监测周期内包含10次已记录的蓄电池的功率。然后,该管理装置便可以构建各个第二监测周期内的运行状态属性的监测周期,也就是第二监测周期1中的10次蓄电池的功率的监测周期,第二监测周期2中的10次蓄电池的功率的监测周期,以此类推,具体此处不再赘述。
应当理解的是,在实际应用中,该管理装置根据不同重点应急装备的运行状态属性的数量可以适当调整第一监测周期和第二监测周期,进而达到调整监测周期的构建范围,本实施例仅仅是为了举例介绍,不做具体限定。在本实施例以及后续实施例中,仅以第二种划分方式为例以介绍对监测周期的构建。
本实施例中,该监测周期可以是该第二监测周期内的运行状态属性的均值,也可以是该第二监测周期内的运行状态属性的方差,还可以是其他的能够算出数据的变化趋势的监测周期,具体此处不做限定。在本实施例以及后续实施例中,仅以该监测周期为该第二监测周期内的运行状态属性的均值为例进行介绍。
为便于理解,下面结合具体的构建过程进行介绍,以时间为横坐标,蓄电池功率为纵坐标,取“13:01:05-13:03:05”为第一监测周期,其中,该第一监测周期被包括第二监测周期i(i=1,2,3,…,23),并且,每一个第二监测周期i中包含10个运行状态属性,此时,以蓄电池功率为例进行介绍,记为xi(i=1,2,3,…,10)。然后,构建该第二监测周期内的运行状态属性的监测周期,假设,该监测周期为均值,则记第二监测周期1内的10个运行状态属性的均值为类似的,记第二监测周期2内的10个第二运行状态属性的均值为以此类推,具体不再赘述。
然后,该管理装置便可以根据上述监测周期确定运行状态关键属性,具体请参阅步骤204。
204、当该监测周期超过阈值时,根据该监测周期确定运行状态关键属性;
本实施例中,在确定了第二监测周期内的运行状态属性的监测周期之后,该管理装置将超过阈值的监测周期所对应的运行状态属性确定为运行状态关键属性。其中,该运行状态关键属性的含义为:假设存在一个数据集,每个数据观测值相互独立,如果在某一时刻,模型中的某个或某些变量突然发生了变化,即存在一个时间点,在该点之前,数据集符合一个分布,在该点之后,数据集符合另外一个分布,则该点为该数据集的运行状态关键属性。
接续步骤203所列举的例子,由于,前文以监测周期为第二监测周期内的运行状态属性的均值为例,当监测周期超过阈值时,也可以理解为,该第二监测周期内的运行状态属性的均值超过阈值。该阈值可以直接由应急装备管理人员设置,例如,直接设置阈值为70%,此时,可以确定两个运行状态关键属性,“运行状态关键属性1”为“运行状态关键属性2”为其中,为第二监测周期4内的运行状态属性的均值,t4为第二监测周期4内的运行状态属性的均值所对应的时刻,该运行状态属性的均值所对应的时刻可以为该监测周期超过阈值的时刻。一般地,以与该运行状态属性所对应的第二监测周期i的左端点为该监测周期超过阈值的时刻。为便于理解,该第二监测周期4为“13:01:20-13:01:30”,该运行状态属性的均值所对应的时刻t4为“13:01:20”。在一些可行的实施方式中,也可以以与该运行状态属性所对应的第二监测周期i的中点为该监测周期超过阈值的时刻,例如,取t4为“13:01:25”;或者,以与该运行状态属性所对应的第二监测周期i的右端点为该监测周期超过阈值的时刻,例如,取t4为“13:01:30”,具体此处不做限定。但是,在确认运行状态关键属性的构建过程中所采用的确认运行状态属性的均值所对应的时刻的方式应统一。在本实施例以及后续实施例中,仅以与该运行状态属性所对应的第二监测周期i的左端点为该监测周期超过阈值的时刻为例进行介绍,此时,该第二监测周期4内的运行状态属性的均值所对应的时刻t4为“13:01:20”,类似的,可知该第二监测周期5内的运行状态属性的均值所对应的时刻t5为“13:01:25”。于是,可以确定“运行状态关键属性1”为“运行状态关键属性2”为
在实际应用中,除了上述直接由应急装备管理人员设置确切的阈值以外,还可以设置构建规则对相邻的监测周期之间进行构建,以确定各个监测周期的变化情况。例如,构建后一个监测周期相比于前一个监测周期的变化幅度。
经过构建,后一个监测周期相比于前一个监测周期的变化幅度。假设,以变化幅度的绝对值超过30%时,确定该变化幅度所对应的监测周期为运行状态关键属性,则可以确定“运行状态关键属性1”为“运行状态关键属性2”为“运行状态关键属性3”为其中,该“运行状态关键属性i”包括第二监测周期i内的运行状态属性的均值以及第二监测周期i内的运行状态属性的均值所对应的时刻,具体前文已做详细介绍,此处不再赘述。
应该注意的是,该监测周期除了可以为第二监测周期内的运行状态属性的均值以外,也可以是第二监测周期内的运行状态属性的方差,还可以是第二监测周期内的运行状态属性的其他监测周期。本实施例中,仅仅是以监测周期为第二监测周期内的运行状态属性的均值为例进行介绍,并不代表只有这一种运行状态属性。也就是说,该管理装置可以根据一项监测周期确定运行状态关键属性,也可以根据两项甚至多项监测周期确定运行状态关键属性。为便于理解,假设该监测周期1为均值监测周期2为方差Si,则确定的运行状态关键属性可以为
应当注意的是,该管理装置并不仅仅是确定某一项运行状态属性的运行状态关键属性,而是确定该管理装置获取到的第一监测周期内的所有的运行状态属性的运行状态关键属性。然后,该管理装置将对确定的运行状态关键属性进行划分,具体请参阅步骤205。
205、将多个运行状态关键属性包括至少GPS定位数据和电气量数据,并确定该至少GPS定位数据和电气量数据中的每个运行状态关键属性的向量集合的第一层神经网络应急装备模型神经元;
本实施例中,当该管理装置确定了每一项运行状态属性的多个运行状态关键属性之后,该管理装置可以采用聚类算法对前述多个运行状态关键属性进行划分。本实施例中,采用划分聚类的方式将多个运行状态关键属性包括至少GPS定位数据和电气量数据,并确定该至少GPS定位数据和电气量数据中的每个运行状态关键属性的向量集合的第一层神经网络应急装备模型神经元。
具体地,该管理装置可以采用如下步骤对前述运行状态关键属性进行划分,具体包括:
首先,该管理装置可以从多个该运行状态关键属性中选取k个运行状态关键属性作为第一层神经网络应急装备模型神经元向量,该k为大于1的整数,其中,该第一层神经网络应急装备模型神经元向量的个数,也就是k的取值可以管理装置随机生成的一个整数值确定。
当确定k值时,该管理装置可以先绘制出不同k值的成本函数值,然后观察平均畸变程度。一般地,随着k值的增大,平均畸变程度会减小,每个运行状态关键属性的向量集合包含的运行状态关键属性的个数会减少,进而使得各个运行状态关键属性距离该运行状态关键属性的第一层神经网络应急装备模型神经元更近。但是,随着k值继续增大,平均畸变程度的改善效果会不断降低。在k值增大的过程中,畸变程度的改善效果下降幅度最大的位置对应的k值即为确定的k值。为便于理解,k值从1到3时,平均畸变程度变化较大,但是,超过3以后,平均畸变程度变化显著降低,且变化平衡。因此,可以确定最佳的k值为3。
本实施例中,除了采用上述两种方式确定k值以外,在实际应用中,应急装备管理人员还可以根据经验以及实际情况设置k值,具体此处不做限定。
本实施例中,在确定了k个第一层神经网络应急装备模型神经元向量之后,该管理装置将执行步骤(1)和步骤(2)。其中,步骤(1)为将每一个运行状态关键属性的向量与与该运行状态关键属性的向量距离最近的第一层神经网络应急装备模型神经元向量归为一类,于是,可以得到k个运行状态关键属性的向量集合;步骤(2)为构建每个运行状态关键属性的向量集合中的第二层感知神经网络应急装备模型,该第二层感知神经网络应急装备模型指满足下述条件的点:该运行状态关键属性的向量集合中的所有的运行状态关键属性到第二层感知神经网络应急装备模型神经元的距离的总和最小。
然后,该管理装置将该第二层感知神经网络应急装备模型作为第一层神经网络应急装备模型神经元向量,并重复执行步骤(1)至(2)直到满足终止条件,满足终止条件的第二层感知神经网络应急装备模型的神经元为第一层神经网络应急装备模型神经元。其中,该终止条件包括如下任意一项:1)没有运行状态关键属性被重新分配给不同的运行状态关键属性的向量集合;2)该第二层感知神经网络应急装备模型不发生变化。
为便于理解,下面将结合具体的场景对上述运行状态关键属性的划分情况进行详细的介绍:
本实施例中,该管理装置可以将上述步骤确定的各个运行状态关键属性投影到坐标系中,得到各个运行状态关键属性的初始分布情况。
此外,本实施例中,以k值为3为例进行介绍,并假设该确定的3个第一层神经网络应急装备模型神经元向量分别为“运行状态关键属性8”、“运行状态关键属性7”以及“运行状态关键属性4”。然后,将其余6个运行状态关键属性的向量与与该运行状态关键属的向量性距离最近的第一层神经网络应急装备模型神经元向量归为一类,也就是说,将这6个运行状态关键属性分别划分到“运行状态关键属性8”、“运行状态关键属性7”或者“运行状态关键属性4”。以“运行状态关键属性6”为例,该“运行状态关键属性6”不是第一层神经网络应急装备模型神经元向量,分别构建“运行状态关键属性6”与“运行状态关键属性4”神经元的距离,“运行状态关键属性6”与“运行状态关键属性7”神经元的距离,以及“运行状态关键属性6”与“运行状态关键属性8”神经元的距离。具体构建过程此处不再赘述,由此可知,距离“运行状态关键属性6”的向量最近的第一层神经网络应急装备模型神经元向量为“运行状态关键属性4”,于是,将“运行状态关键属性6”与“运行状态关键属性4”包括一类。类似的,将其他几个运行状态关键属性进行划分,可以得到划分结果,即将9个运行状态关键属性包括3个运行状态关键属性的向量集合,其中,运行状态关键属性的向量集合1包括“运行状态关键属性8”和“运行状态关键属性9”;运行状态关键属性的向量集合2包括“运行状态关键属性7”和“运行状态关键属性1”;运行状态关键属性的向量集合3包括“运行状态关键属性2”、“运行状态关键属性3”、“运行状态关键属性4”、“运行状态关键属性5”和“运行状态关键属性6”。
然后,该管理装置构建每一个运行状态关键属性的向量集合中的第二层感知神经网络应急装备模型,该第二层感知神经网络应急装备模型指满足下述条件的点:该运行状态关键属性的向量集合中的所有的运行状态关键属性到第二层感知神经网络应急装备模型神经元的距离的总和最小。具体的,以运行状态关键属性的向量集合1为例,由于该运行状态关键属性的向量集合1中仅有“运行状态关键属性8”和“运行状态关键属性9”两个运行状态关键属性,于是可以确定该“运行状态关键属性8”和“运行状态关键属性9”之间的中点为第二层感知神经网络应急装备模型,记为“点11”。类似的,可以确定另外GPS定位数据和电气量数据的第二层感知神经网络应急装备模型,具体地,该运行状态关键属性的向量集合2的第二层感知神经网络应急装备模型为“点10”,该运行状态关键属性的向量集合3的第二层感知神经网络应急装备模型为“点12”。
接着,以“点11”、“点10”和“点12”为新的第一层神经网络应急装备模型神经元向量,并将其余运行状态关键属性与这3个第一层神经网络应急装备模型神经元向量进行划分。依然遵循前述划分规则,可以得到划分结果为将9个运行状态关键属性包括3个运行状态关键属性的向量集合,其中,运行状态关键属性的向量集合1-1包括“运行状态关键属性8”、“运行状态关键属性9”和“运行状态关键属性7”;运行状态关键属性的向量集合2-1包括“运行状态关键属性1”和“运行状态关键属性3”;运行状态关键属性的向量集合3-1包括“运行状态关键属性2”、“运行状态关键属性4”、“运行状态关键属性5”和“运行状态关键属性6”。此时,该管理装置将判断本次划分结果是否满足终止条件,具体地,该管理装置可以判断新划分的运行状态关键属性的向量集合1-1中的运行状态关键属性与运行状态关键属性的向量集合1中的运行状态关键属性是否完全相同。
若不是完全相同,则该管理装置将再次分别构建运行状态关键属性的向量集合1-1、运行状态关键属性的向量集合2-1以及运行状态关键属性的向量集合3-1所对应的第二层感知神经网络应急装备模型,得到三个第二层感知神经网络应急装备模型,分别为“点14”、“点13”和“点15”。接着,再以“点14”、“点13”和“点15”这三个第二层感知神经网络应急装备模型对各个运行状态关键属性进行划分,得到的划分结果为将9个运行状态关键属性包括3个运行状态关键属性的向量集合,其中,运行状态关键属性的向量集合1-2包括“运行状态关键属性8”、“运行状态关键属性9”和“运行状态关键属性7”;运行状态关键属性的向量集合2-2包括“运行状态关键属性1”、“运行状态关键属性2”和“运行状态关键属性3”;运行状态关键属性的向量集合3-2包括“运行状态关键属性4”、“运行状态关键属性5”和“运行状态关键属性6”。
此时,该管理装置将再次判断本次划分结果是否满足终止条件,具体地,该管理装置可以判断新划分的运行状态关键属性的向量集合1-2中的运行状态关键属性与运行状态关键属性的向量集合1-1中的运行状态关键属性是否完全相同。若不是完全相同,则管理装置遵循前述方法再次构建第二层感知神经网络应急装备模型并再次划分,直至没有运行状态关键属性被重新分配给不同的运行状态关键属性的向量集合,或者第二层感知神经网络应急装备模型不发生变化。
应当理解的是,本实施例仅列出了前三次划分的情况,且每一次划分的划分结果都与上一次划分的结果不同。在实际应用中,管理装置可能还将经过多次划分才能达到终止条件。为便于后续介绍,假设,由第三次划分确定的第二层感知神经网络应急装备模型与由第二次划分确定的第二层感知神经网络应急装备模型完全相同,且经过第四次划分所确定的运行状态关键属性的向量集合(运行状态关键属性的向量集合1-3、运行状态关键属性的向量集合2-3和运行状态关键属性的向量集合3-3)中每个运行状态关键属性的向量集合所包含的运行状态关键属性与经过第三次划分所确定的运行状态关键属性的向量集合(运行状态关键属性的向量集合1-2、运行状态关键属性的向量集合2-2和运行状态关键属性的向量集合3-2)中每个运行状态关键属性的向量集合所包含的运行状态关键属性完全相同。具体地,其中,运行状态关键属性的向量集合1-3包括“运行状态关键属性8”、“运行状态关键属性9”和“运行状态关键属性7”;运行状态关键属性的向量集合2-3包括“运行状态关键属性1”、“运行状态关键属性2”和“运行状态关键属性3”;运行状态关键属性的向量集合3-3包括“运行状态关键属性4”、“运行状态关键属性5”和“运行状态关键属性6”。于是,可以确定该第一层神经网络应急装备模型神经元分别为“点14”、“点13”和“点15”。
当该管理装置确定了各个运行状态关键属性的划分情况之后,该管理装置将执行步骤206。
206、将与预设时刻距离最近的第一层神经网络应急装备模型神经元的向量所对应的运行状态关键属性的向量集合确定为故障运行状态关键属性的向量集合,并将该故障运行状态关键属性的向量集合所对应的第二运行状态属性确定为故障运行状态属性。
本实施例中,该管理装置将与预设时刻距离最近的第一层神经网络应急装备模型神经元的向量所对应的运行状态关键属性的向量集合确定为故障运行状态关键属性的向量集合,其中,该预设时刻可以为应急装备业务出现故障的时刻,例如,当用户在观看直播视频时,视频无法播放或者出现明显卡顿的现象被称为业务故障现象,该业务故障现象所对应的时刻为业务故障时刻。当然,该业务故障现象不仅仅局限与视频播放业务,也可以是其他需要应急装备传输信息的业务,具体此处不做限定。此外,该预设时刻还可以根据应急装备管理人员的经验进行调整,具体此处不做限定。为便于理解,依然以步骤205中的例子进行介绍,假设与该预设时刻距离最近的第一层神经网络应急装备模型神经元的向量为“点15”,则与“点15”对应的运行状态关键属性的向量集合为运行状态关键属性的向量集合3-3,于是,可以确定故障运行状态关键属性的向量集合为运行状态关键属性的向量集合3-3,并且,可以将与运行状态关键属性的向量集合3-3所对应的运行状态属性确定为故障运行状态属性。具体地,该运行状态关键属性的向量集合3-3中包括“运行状态关键属性4”、“运行状态关键属性5”和“运行状态关键属性6”,其中,每一个运行状态关键属性对应10个运行状态属性,于是可以确定30个故障运行状态属性。其中,该故障运行状态属性至少包括故障运行状态属性的指标名称、故障运行状态属性值以及产生该故障运行状态属性值的时刻,此外,该故障运行状态属性还与重点应急装备对应,于是可以获知重点应急装备的名称。于是,该管理装置将输出导致应急装备出现故障的故障运行状态属性以及产生该故障运行状态属性的时刻。然后,该重点应急装备还可以将故障运行状态属性的指标名称、故障运行状态属性值以及产生该故障运行状态属性值的时刻等数据保存到数据库,以备应急装备管理人员查阅。
本实施例中,通过运行状态关键属性检测算法构建第一预设监测周期内的运行状态属性的运行状态关键属性,并将运行状态关键属性检测算法与神经元决策算法相结合,将该运行状态关键属性作为聚类算法的输入,从而把多个运行状态关键属性包括多个运行状态关键属性的向量集合,然后,根据预设时刻确定故障运行状态关键属性的向量集合,将所述故障运行状态关键属性的向量集合所对应的运行状态属性确定为故障运行状态属性。由于,该运行状态关键属性是由运行状态属性所确定的,因此,采用运行状态关键属性进行神经元决策可以在保留运行状态属性的变化特点的情况下减少构建量提高构建效率。
参照图2,本发明还请求保护一种针对重点应急装备GPS及电气量数据采集的监测装置,其特征在于,包括:
属性确定模块,当重点应急装备的运行状态属性的监测周期超过阈值时,根据所述监测周期确定多个运行状态关键属性;
神经元控制模块,将多个所述运行状态关键属性包括至少GPS定位数据和电气量数据,并确定所述至少GPS定位数据和电气量数据中的每个运行状态关键属性的向量集合的第一层神经网络应急装备模型神经元;
状态确定模块,将与预设时刻距离最近的所述第一层神经网络应急装备模型神经元向量所对应的运行状态关键属性的向量集合确定为故障运行状态关键属性的向量集合,并将所述故障运行状态关键属性的向量集合所对应的运行状态属性确定为故障运行状态属性;
展示模块,将所述故障运行状态属性通过应急装备物联网管理平台进行管理。
上面对本申请实施例所提出的针对重点应急装备GPS及电气量数据采集的监测方法进行了介绍,下面将对该针对重点应急装备GPS及电气量数据采集的监测方法所涉及的管理装置进行介绍,该管理装置可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器和存储器,一个或一个以上存储应用程序或数据的存储介质(例如一个或一个以上海量存储设备)。其中,存储器和存储介质可以是短暂存储或持久存储。该管理装置还包括一个或一个以上输入/输出设备,该输入/输出设备,用于获取运行状态属性,或者,输出并展示分析结果。
更进一步地,该处理器可以设置为与存储介质通信,处理器用于执行存储介质中的应用程序,具体地,该处理器用于执行如下步骤:当重点应急装备的运行状态属性的监测周期超过阈值时,根据该监测周期确定多个运行状态关键属性;将多个该运行状态关键属性包括至少GPS定位数据和电气量数据,并确定该至少GPS定位数据和电气量数据中的每个运行状态关键属性的向量集合的第一层神经网络应急装备模型神经元;将与预设时刻距离最近的该第一层神经网络应急装备模型神经元的向量所对应的运行状态关键属性的向量集合确定为故障运行状态关键属性的向量集合,并将该故障运行状态关键属性的向量集合所对应的运行状态属性确定为故障运行状态属性。
在一些可行的实施方式中,该处理器,具体用于从多个运行状态关键属性中选取k个运行状态关键属性作为第一层神经网络应急装备模型神经元向量,其中,k为大于1的整数;1)将每一个该运行状态关键属性的向量与该运行状态关键属性的向量距离最近的第一层神经网络应急装备模型神经元向量归为一类,得到k个运行状态关键属性的向量集合;2)构建每个运行状态关键属性的向量集合中的第二层感知神经网络应急装备模型,其中,该第二层感知神经网络应急装备模型指满足下述条件的点:该运行状态关键属性的向量集合中的所有的运行状态关键属性到该第二层感知神经网络应急装备模型神经元的距离的总和最小;然后,该处理器将该第二层感知神经网络应急装备模型作为第一层神经网络应急装备模型神经元向量,并重复执行步骤(1)至(2)直到满足终止条件,满足该终止条件的第二层感知神经网络应急装备模型的神经元为第一层神经网络应急装备模型神经元;其中,该终止条件包括如下任意一项:1)没有运行状态关键属性被重新分配给不同的运行状态关键属性的向量集合;2)该第二层感知神经网络应急装备模型不发生变化。在这样的实施方式中,介绍了采用神经元决策算法将多个运行状态关键属性包括至少GPS定位数据和电气量数据的方式,该过程中将进行多次构建以确定合适的运行状态关键属性划分结果。此外,本实施方式中,在确定了划分的各个运行状态关键属性的向量集合之后,还将确定该至少GPS定位数据和电气量数据中的每个运行状态关键属性的向量集合的第一层神经网络应急装备模型神经元。当该第一层神经网络应急装备模型神经元与预设时刻相隔较近时,可以确定该第一层神经网络应急装备模型神经元所对应的运行状态关键属性的向量集合中的各个运行状态关键属性可能存在故障,由于,该运行状态关键属性是由运行状态属性的监测周期所确定的,因此,采用运行状态关键属性进行神经元决策可以在保留运行状态属性的变化特点的情况下减少构建量提高构建效率。
在一些可行的实施方式中,该处理器还用于获取重点应急装备在第一监测周期内的运行状态属性,所述第一监测周期包括多个第二监测周期;此外,该处理器还用于构建在每个第二监测周期内的运行状态属性的监测周期。在这样的实施方式中,在根据该监测周期确定多个运行状态关键属性之前,该管理装置将先获取重点应急装备在第一监测周期内的运行状态属性,并构建在每个第二监测周期内的运行状态属性的监测周期,其中,该每个第二监测周期均属于该第一监测周期。在这样的实施方式中,该管理装置可以对该第一监测周期内的运行状态属性进行划分,通过将第一监测周期包括多个不同的第二监测周期的方式,可以实现对运行状态属性的划分,即将第一监测周期内的运行状态属性包括多份第二监测周期内的运行状态属性。
在另外一些可行的实施方式中,该处理器,具体用于获取重点应急装备在第一监测周期内的原始运行状态属性;然后,该处理器对该原始运行状态属性进行预处理以统一该原始运行状态属性的量纲,得到重点应急装备在第一监测周期内的运行状态属性。在这样的实施方式中,该管理装置可以对重点应急装备在第一监测周期内的原始运行状态属性进行预处理,经过预处理的原始运行状态属性的量纲将被统一,因此,采用经过预处理而得到的运行状态属性进行后续构建可以简化构建过程,提高构建效率。
应理解,该管理装置还可以包括一个或一个以上电源,和/或,一个或一个以上操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等。
本申请实施例中,通过运行状态关键属性检测算法构建重点应急装备的运行状态属性的监测周期以确定运行状态关键属性,并将运行状态关键属性检测算法与神经元决策算法相结合,将该运行状态关键属性作为聚类算法的输入,从而把多个运行状态关键属性包括多个运行状态关键属性的向量集合,然后,根据预设时刻确定故障运行状态关键属性的向量集合,将所述故障运行状态关键属性的向量集合所对应的运行状态属性确定为故障运行状态属性。由于,该运行状态关键属性是由运行状态属性的监测周期所确定的,因此,采用运行状态关键属性进行神经元决策可以在保留运行状态属性的变化特点的情况下减少构建量提高构建效率。
除了上述实施例所提出的管理装置以外,还存在如下实施方式,在该实施方式中,该管理装置包括:运行状态关键属性检测模块、神经元决策模块以及故障结果确定模块。其中,该运行状态关键属性检测模块,用于当重点应急装备的运行状态属性的监测周期超过阈值时,根据该监测周期确定多个运行状态关键属性;该神经元决策模块,用于将多个该运行状态关键属性包括至少GPS定位数据和电气量数据,并确定该至少GPS定位数据和电气量数据中的每个运行状态关键属性的向量集合的第一层神经网络应急装备模型神经元;该故障结果确定模块,用于将与预设时刻距离最近的该第一层神经网络应急装备模型神经元的向量所对应的运行状态关键属性的向量集合确定为故障运行状态关键属性的向量集合,并将该故障运行状态关键属性的向量集合所对应的运行状态属性确定为故障运行状态属性。
在一种可行的实施方式中,该神经元决策模块包括:从多个运行状态关键属性中选取k个运行状态关键属性作为第一层神经网络应急装备模型神经元向量,其中,k为大于1的整数;1)将每一个该运行状态关键属性的向量与与该运行状态关键属性的向量距离最近的第一层神经网络应急装备模型神经元向量归为一类,得到k个运行状态关键属性的向量集合;2)构建每个运行状态关键属性的向量集合中的第二层感知神经网络应急装备模型,其中,该第二层感知神经网络应急装备模型指满足下述条件的点:该运行状态关键属性的向量集合中的所有的运行状态关键属性到该第二层感知神经网络应急装备模型神经元的距离的总和最小;将该第二层感知神经网络应急装备模型作为第一层神经网络应急装备模型神经元向量,并重复执行步骤(1)至(2)直到满足终止条件,满足该终止条件的第二层感知神经网络应急装备模型的神经元为第一层神经网络应急装备模型神经元;其中,该终止条件包括如下任意一项:1)没有运行状态关键属性被重新分配给不同的运行状态关键属性的向量集合;2)该第二层感知神经网络应急装备模型不发生变化。在这种实施方式中,介绍了采用神经元决策算法将多个运行状态关键属性包括至少GPS定位数据和电气量数据的方式,该过程中将进行多次构建以确定合适的运行状态关键属性划分结果。此外,本实施方式中,在确定了划分的各个运行状态关键属性的向量集合之后,还将确定该至少GPS定位数据和电气量数据中的每个运行状态关键属性的向量集合的第一层神经网络应急装备模型神经元。当该第一层神经网络应急装备模型神经元的向量与预设时刻相隔较近时,可以确定该第一层神经网络应急装备模型神经元所对应的运行状态关键属性的向量集合中的各个运行状态关键属性可能存在故障,由于,该运行状态关键属性是由运行状态属性的监测周期所确定的,因此,采用运行状态关键属性进行神经元决策可以在保留运行状态属性的变化特点的情况下减少构建量提高构建效率。
在一种可行的实施方式中,该管理装置还包括:获取模块,用于获取重点应急装备在第一监测周期内的运行状态属性,所述第一监测周期包括多个第二监测周期;构建模块,用于构建在每个第二监测周期内的运行状态属性的监测周期。在这样的实施方式中,在根据该监测周期确定多个运行状态关键属性之前,该管理装置将先获取重点应急装备在第一监测周期内的运行状态属性,并构建在每个第二监测周期内的运行状态属性的监测周期,其中,该每个第二监测周期均属于该第一监测周期。在这样的实施方式中,该管理装置可以对该第一监测周期内的运行状态属性进行划分,通过将第一监测周期包括多个不同的第二监测周期的方式,可以实现对运行状态属性的划分,即将第一监测周期内的运行状态属性包括多份第二监测周期内的运行状态属性。
在另外一种可行的实施方式中,该获取模块包括:获取子模块,用于获取重点应急装备在第一监测周期内的原始运行状态属性;预处理子模块,对该原始运行状态属性进行预处理以统一该原始运行状态属性的量纲,得到重点应急装备在第一监测周期内的运行状态属性。在这样的实施方式中,该管理装置可以对重点应急装备在第一监测周期内的原始运行状态属性进行预处理,经过预处理的原始运行状态属性的量纲将被统一,因此,采用经过预处理而得到的运行状态属性进行后续构建可以简化构建过程,提高构建效率。
本申请实施例中,通过运行状态关键属性检测算法构建重点应急装备的运行状态属性的监测周期以确定运行状态关键属性,并将运行状态关键属性检测算法与神经元决策算法相结合,将该运行状态关键属性作为聚类算法的输入,从而把多个运行状态关键属性包括多个运行状态关键属性的向量集合,然后,根据预设时刻确定故障运行状态关键属性的向量集合,将所述故障运行状态关键属性的向量集合所对应的运行状态属性确定为故障运行状态属性。由于,该运行状态关键属性是由运行状态属性的监测周期所确定的,因此,采用运行状态关键属性进行神经元决策可以在保留运行状态属性的变化特点的情况下减少构建量提高构建效率。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (9)
1.一种针对重点应急装备GPS及电气量数据采集的监测方法,其特征在于,包括:
当重点应急装备的运行状态属性的监测周期超过阈值时,根据所述监测周期确定多个运行状态关键属性;
将多个所述运行状态关键属性包括至少GPS定位数据和电气量数据,并确定所述至少GPS定位数据和电气量数据中的每个运行状态关键属性的向量集合的第一层神经网络应急装备模型神经元;
将与预设时刻距离最近的所述第一层神经网络应急装备模型神经元向量所对应的运行状态关键属性的向量集合确定为故障运行状态关键属性的向量集合,并将所述故障运行状态关键属性的向量集合所对应的运行状态属性确定为故障运行状态属性;
将所述故障运行状态属性通过应急装备物联网管理平台进行管理。
2.根据权利要求1所述的方法,其特征在于,所述运行状态关键属性包括所述运行状态属性的监测周期以及所述运行状态属性的监测周期所对应的时刻,所述运行状态属性的监测周期所对应的时刻为所述监测周期超过阈值的时刻。
3.根据权利要求1或2所述的方法,其特征在于,所述监测周期包括所述运行状态属性的均值或者所述运行状态属性的方差。
4.根据权利要求1所述的方法,其特征在于,所述将多个所述运行状态关键属性包括至少GPS定位数据和电气量数据,并确定所述至少GPS定位数据和电气量数据中的每个运行状态关键属性的向量集合的第一层神经网络应急装备模型神经元包括:
从多个所述运行状态关键属性中选取k个运行状态关键属性作为第一层神经网络应急装备模型神经元向量,所述k为大于1的整数;
(1)将每一个所述运行状态关键属性的向量与与所述运行状态关键属性的向量距离最近的第一层神经网络应急装备模型神经元向量归为一类,得到k个运行状态关键属性的向量集合;
(2)构建每个运行状态关键属性的向量集合中的第二层感知神经网络应急装备模型,所述第二层感知神经网络应急装备模型指满足下述条件的点:所述运行状态关键属性的向量集合中的所有的运行状态关键属性到所述第二层感知神经网络应急装备模型神经元的距离的总和最小;
将所述第二层感知神经网络应急装备模型作为第一层神经网络应急装备模型神经元向量,并重复执行步骤(1)至(2)直到满足终止条件,满足所述终止条件的第二层感知神经网络应急装备模型的神经元为第一层神经网络应急装备模型神经元;
所述终止条件包括如下任意一项:
没有运行状态关键属性被重新分配给不同的运行状态关键属性的向量集合;
或所述第二层感知神经网络应急装备模型不发生变化。
5.根据权利要求1至4中任意一项所述的方法,其特征在于,所述故障运行状态属性包括故障运行状态属性值以及产生所述故障运行状态属性值的时刻。
6.根据权利要求1至4中任意一项所述的方法,其特征在于,所述当重点应急装备的运行状态属性的监测周期超过阈值时,根据所述监测周期确定多个运行状态关键属性之前,所述方法还包括:
获取重点应急装备在第一监测周期内的运行状态属性,所述第一监测周期包括多个第二监测周期;
构建在每个第二监测周期内的运行状态属性的监测周期。
7.根据权利要求6所述的方法,其特征在于,所述获取重点应急装备在第一监测周期内的运行状态属性包括:
获取重点应急装备在第一监测周期内的原始运行状态属性;
对所述原始运行状态属性进行预处理以统一所述原始运行状态属性的量纲,得到重点应急装备在第一监测周期内的运行状态属性。
8.根据权利要求7所述的方法,其特征在于,所述预处理包括归一化处理或者规格化处理。
9.一种针对重点应急装备GPS及电气量数据采集的监测装置,其特征在于,包括:
属性确定模块,当重点应急装备的运行状态属性的监测周期超过阈值时,根据所述监测周期确定多个运行状态关键属性;
神经元控制模块,将多个所述运行状态关键属性包括至少GPS定位数据和电气量数据,并确定所述至少GPS定位数据和电气量数据中的每个运行状态关键属性的向量集合的第一层神经网络应急装备模型神经元;
状态确定模块,将与预设时刻距离最近的所述第一层神经网络应急装备模型神经元向量所对应的运行状态关键属性的向量集合确定为故障运行状态关键属性的向量集合,并将所述故障运行状态关键属性的向量集合所对应的运行状态属性确定为故障运行状态属性;
展示模块,将所述故障运行状态属性通过应急装备物联网管理平台进行管理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211514875.4A CN115935201B (zh) | 2022-11-29 | 2022-11-29 | 一种针对重点应急装备gps及电气量数据采集的监测方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211514875.4A CN115935201B (zh) | 2022-11-29 | 2022-11-29 | 一种针对重点应急装备gps及电气量数据采集的监测方法以及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115935201A true CN115935201A (zh) | 2023-04-07 |
CN115935201B CN115935201B (zh) | 2023-10-17 |
Family
ID=86648435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211514875.4A Active CN115935201B (zh) | 2022-11-29 | 2022-11-29 | 一种针对重点应急装备gps及电气量数据采集的监测方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115935201B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116484770A (zh) * | 2023-06-19 | 2023-07-25 | 天津市金晶气体压缩机制造有限公司 | 一种基于知识图谱的空气压缩机数据采集方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598984A (zh) * | 2014-12-08 | 2015-05-06 | 北京邮电大学 | 一种基于模糊神经网络的故障预测方法 |
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN113837479A (zh) * | 2021-09-28 | 2021-12-24 | 南京凡科信息科技有限公司 | 一种监测目标设备运行状态的预警方法和系统 |
CN115389854A (zh) * | 2022-10-25 | 2022-11-25 | 智洋创新科技股份有限公司 | 一种直流电源供电系统的安全监测系统及方法 |
-
2022
- 2022-11-29 CN CN202211514875.4A patent/CN115935201B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN104598984A (zh) * | 2014-12-08 | 2015-05-06 | 北京邮电大学 | 一种基于模糊神经网络的故障预测方法 |
CN113837479A (zh) * | 2021-09-28 | 2021-12-24 | 南京凡科信息科技有限公司 | 一种监测目标设备运行状态的预警方法和系统 |
CN115389854A (zh) * | 2022-10-25 | 2022-11-25 | 智洋创新科技股份有限公司 | 一种直流电源供电系统的安全监测系统及方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116484770A (zh) * | 2023-06-19 | 2023-07-25 | 天津市金晶气体压缩机制造有限公司 | 一种基于知识图谱的空气压缩机数据采集方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115935201B (zh) | 2023-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111177101B (zh) | 一种基于大数据架构的配电网多维可视化平台 | |
CN109408603B (zh) | 一种基于大数据的台区拓扑图绘制方法 | |
CN105069690A (zh) | 一种电网运行数据处理方法 | |
CN107330056A (zh) | 基于大数据云计算平台的风电场scada系统及其运行方法 | |
CN110990656A (zh) | 一种智能电网大数据可视化分析的系统 | |
CN109873499A (zh) | 智能配电台区管理终端 | |
CN111835083B (zh) | 电源信息监控系统、方法、装置、计算机设备和存储介质 | |
CN109241096A (zh) | 数据处理方法、装置和系统 | |
Zuo et al. | A two-layer hybrid optimization approach for large-scale offshore wind farm collector system planning | |
CN113872204B (zh) | 一种基于电网图拓扑计算的用电负荷性质确定方法及装置 | |
CN115730749B (zh) | 基于融合电力数据的电力调度风险预警方法及装置 | |
CN116345698A (zh) | 储能电站运维管控方法、系统、设备及介质 | |
CN115935201B (zh) | 一种针对重点应急装备gps及电气量数据采集的监测方法以及装置 | |
CN113723810A (zh) | 基于图数据库的电网建模方法 | |
CN111524026A (zh) | 一种电力资源分配方法及装置 | |
CN104463465A (zh) | 一种基于分布式模型的实时监控集群处理方法 | |
CN114757797A (zh) | 一种基于数据模型驱动的电网资源业务中台架构方法 | |
CN111105218A (zh) | 一种基于全息影像技术的配电网运行监视方法 | |
CN103488726A (zh) | 基于web-service的建设电网统一数据平台的方法 | |
CN110543499A (zh) | 一种基于多源数据融合的反窃电定位跟踪设备 | |
CN112580977A (zh) | 配网业务网格化监管方法、装置、计算机设备及存储介质 | |
Kulkarni et al. | Synergism of synchrophasor measurements and data analytics for enhancing situational awareness of power grid | |
CN110415136B (zh) | 一种电力调度自动化系统服务能力评估系统与方法 | |
CN116205520A (zh) | 电网数字化管理指标体系的预警方法、系统及应用 | |
CN112101422B (zh) | 电力系统故障案例的典型案例自学习方法 |
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 |