CN116244617A - 一种基于异构图结构学习的智能高压开关柜故障诊断方法和系统 - Google Patents

一种基于异构图结构学习的智能高压开关柜故障诊断方法和系统 Download PDF

Info

Publication number
CN116244617A
CN116244617A CN202211634199.4A CN202211634199A CN116244617A CN 116244617 A CN116244617 A CN 116244617A CN 202211634199 A CN202211634199 A CN 202211634199A CN 116244617 A CN116244617 A CN 116244617A
Authority
CN
China
Prior art keywords
data
switch cabinet
heterogeneous
sensor
voltage switch
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
Application number
CN202211634199.4A
Other languages
English (en)
Inventor
蔡梦怡
杨为
柯艳国
朱太云
赵恒阳
黄伟民
张国宝
吴正阳
骆晨
陈忠
胡迪
官玮平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of State Grid Anhui Electric Power Co Ltd
State Grid Anhui Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Anhui Electric Power Co Ltd
State Grid Anhui Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of State Grid Anhui Electric Power Co Ltd, State Grid Anhui Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Anhui Electric Power Co Ltd
Priority to CN202211634199.4A priority Critical patent/CN116244617A/zh
Publication of CN116244617A publication Critical patent/CN116244617A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02B—BOARDS, SUBSTATIONS OR SWITCHING ARRANGEMENTS FOR THE SUPPLY OR DISTRIBUTION OF ELECTRIC POWER
    • H02B1/00—Frameworks, boards, panels, desks, casings; Details of substations or switching arrangements
    • H02B1/24—Circuit arrangements for boards or switchyards
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02B—BOARDS, SUBSTATIONS OR SWITCHING ARRANGEMENTS FOR THE SUPPLY OR DISTRIBUTION OF ELECTRIC POWER
    • H02B11/00—Switchgear having carriage withdrawable for isolation
    • H02B11/02—Details
    • H02B11/10—Indicating electrical condition of gear; Arrangement of test sockets
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
    • H02J13/00036—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for the elements or equipment being or involving switches, relays or circuit breakers
    • 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
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Abstract

一种基于异构图结构学习的智能高压开关柜故障诊断方法和系统，包括：智能高压开关柜传感器数据收集、清洗及处理；使用无监督异常检测算法找到异常值以区分运行状态和异常状态，包括使用K‑means算法分离出数据中的正常值和异常值及使用孤立森林算法对数据进行异常检测，采用两种算法的异常数据的并集作为最终筛选出的异常数据；构建开关柜故障诊断数据库；设计异构图结构学习算法，找到符合异构传感器数据相似性度量的表征空间，自动学习智能高压开关柜异构组部件传感器网络的相互作用关系。本发明的优点在于：准确感知传感器数据分布中的异常点，显著提升标注效率并保证数据标注的准确性和可信度，显著提升高压开关柜故障诊断的准确性。

Description

一种基于异构图结构学习的智能高压开关柜故障诊断方法和 系统
技术领域
本发明涉及人工智能技术领域，尤其是一种应用于电力领域智能高压开关柜故障诊断方法。
背景技术
高压开关柜是电力建设中使用极广、数量最多的开关设备，在发、输、配电等领域被广泛运用。当前，各行各业对电力的需求量随着我国经济迅猛发展而不断增大，作为重要的电力设备，高压开关柜产品也在不断迭代完善，向着智能化、高可靠性、少维护方向发展。
高压开关柜担负着关合电力线路、保护系统安全的双重功能，对配电网络的正常、可靠运行起着非常重要的作用，而其主要特点是使用极广、数量极多，事故发生率比较高。我国曾多次发生高压开关柜闪爆事件，导致整个装备停车，造成了巨大的经济损失。常见的高压开关柜故障包括拒动、误动故障，开断与关合故障，绝缘故障，载流故障以及外力故障等等。因此，需要可靠的高压开关柜故障诊断系统，在故障发生时可以根据开关柜中传感器的数据状态及时感知开关柜工作状态变化，准确判断故障类型，辅助电力专家确认维修方向，进行快速精准的故障维修，以免因故障维修不及时导致整体电力系统瘫痪从而造成不可挽回的重大损失。
高压开关柜故障诊断系统对电网的运行和监测具有重要意义，针对可能出现的各种开关柜故障，传统方法主要采用带电检测方式，依靠人工或机器人辅助智能化设备实现，危险系数大，成本昂贵；传统方法仅仅依靠定期检测搜集数据，数据存储难、数据量少、背景干扰变化大、时间间隔不确定，获取数据分布极不均衡。近年来随着计算机计算能力的显著提升和传感器技术的发展，涌现出一系列基于神经网络的方法来解决开关柜故障诊断问题，然而序列神经网络模型难以捕捉高压开关柜组部件传感器网络间的关联关系，因此近年来随着图神经网络在建模非欧式空间结构数据的出色表现，利用图神经网络来建模开关柜组部件传感器网络的关联关系成为可能，但是在高压开关柜故障诊断仍然存在以下两方面问题：
1.基于神经网络的方法是数据驱动的，高压开关柜故障诊断需要大量标注数据来训练模型。高压开关柜内部运行环境相比普通开关柜更加复杂组部件繁多，传感器种类多样，人工标注数据需要考虑各个传感器的状态导致标注难、效率低等问题。
2.现有的图神经网络模型过分依赖于给定图结构数据进行消息传递，对于数据质量敏感度高，人为构建的图结构化数据也存在数据质量差和结构缺失等问题；图结构学习方法是基于图同构性的假设难，余弦相似度度量不适用于高压开关柜异构组部件传感器网络。
综上，现有的高压开关柜故障诊断方法难以满足电网快速发展对设备可靠性的需求。如何精准感知数据缺陷，对高压开关柜工作状态进行可信评估，当故障发生时可以准确判断故障类型是当下亟待解决的问题。
发明内容
本发明所要解决的技术问题在于如何对高压开关柜工作状态进行可信评估，当故障发生时可以准确判断故障类型。
本发明通过以下技术手段实现解决上述技术问题的：一种基于异构图结构学习的智能高压开关柜故障诊断方法，其特征在于：包括如下步骤：
步骤1：智能高压开关柜传感器数据收集、清洗及处理，所述传感器数据为异构数据，包括温度、局部、机械特性和气体传感器数据；
步骤2：根据步骤1处理过的数据，使用无监督异常检测算法找到异常值以区分运行状态和异常状态，包括以下步骤：
步骤22、使用K-means算法对所述传感器数据分别进行聚类，分离出传感器数据中的正常值和异常值；
步骤24、使用孤立森林算法对所述传感器数据进行异常检测，发现数据中的异常值；
采取步骤22、24中的异常数据的并集作为最终筛选出的异常数据；
步骤3：构建开关柜故障诊断数据库，通过使用众包技术结合专家知识进行故障类型标注，对于正常运行状态标注为非故障，异常状态标注故障类型；
步骤4：设计异构图结构学习算法，找到符合异构传感器数据相似性度量的表征空间，自动学习智能高压开关柜异构组部件传感器网络的相互作用关系，挖掘网络结构信息实现高压开关柜精准运行状态评估。
作为进一步优化的技术方案，所述传感器数据收集、清洗机处理，包括：删除同一传感器收集的重复数据；对于数据中的缺失值，使用对应传感器数据的均值进行填充；使用数据最大最小值缩放方法进行数据归一化。
作为进一步优化的技术方案，所述传感器数据包括：
温度传感器数据：触头温度数据、触臂温度数据，以及内壁多个布点的温度数据；
局放传感器数据：超声波检测信号、TEV暂态地电波信号、UHF特高频信号；
机械特性数据：分合闸线圈电流、分合闸速度；
气体传感器数据：气体含量。
作为进一步优化的技术方案，所述K-means算法的具体过程如下：选取聚类的类别K＝2，分别代表正常值和异常值，随机选取每个类的中心记作z1，z2，然后对每一类传感器的数据进行迭代，在每一次迭代中，计算每一个样本x到两个聚类中心z1、z2的距离，并将x归到距离更近的聚类中心所在类别，分别遍历各类传感器数据后，计算两种聚类集合的均值，并更新为中心值，重复执行上述聚类算法直到聚类中心保持不变后，停止迭代，返回聚类结果；
所述孤立森林算法的具体过程如下：分别将每一类传感器的数据取Ψ个作为子样本，放入一棵孤立树的根节点，其中每个数据向量h＝{h1,h2,…hn},hi为不同维度下的值，随机指定一个维度，在当前节点数据范围内，随机产生一个切割点p，切割点p产生于当前节点数据中指定维度的最大值与最小值之间，把当前所选维度下小于p的点归于当前节点的左分支，把大于等于p的点归于当前节点的右分支，当叶子节点上只有一个数据时，结束分割，通过重复上述算法，得到t个孤立树，随后遍历整个传感器数据库，输入每个样本x，通过t棵孤立树计算出异常得分s(x,Ψ)，其计算过程如下：
Figure BDA0004006935060000031
其中Ψ为样本数，h(x)为每棵树的高度，c(Ψ)为给定样本数Ψ时路径长度的平均值，用来对样本x的路径长度h(x)进行标准化处理，通过对每棵树的得分取均值，得到最终的异常得分，并对异常得分最高的k个样本点，作为最终的异常点。
作为进一步优化的技术方案，所述步骤4包括：读取步骤3中构建的开关柜故障诊断数据库中数据，划分训练集和验证集，构建异构组部件传感器网络，设计异构图结构学习算法并在训练集上训练模型，自动捕捉智能高压开关柜组部件传感器网络的相互作用关系，包括：图结构构建，图结构建模和消息传递三部分，其中：
所述图结构构建：根据开关柜故障诊断数据库中的训练集数据构建异构组部件传感器网络，将高压开关柜中的组部件传感器作为异构组部件传感器网络中的节点，异构组部件传感器网络中的边表示组部件间的相互作用关系；
图结构建模，是利用解耦图卷积神经网络G来获取异构组部件传感器网络节点信息聚合后更新的解耦嵌入X并预测的关系矩阵A*；
消息传递，构建一个新的图卷积神经网络G*进行消息传递和信息聚合。
作为进一步优化的技术方案，所述图结构构建过程为：首先使用开关柜故障诊断数据库中的异构传感器数据初始化节点特征得到耦合数据特征矩阵X’，利用cosine距离度量即向量点积运算计算各个传感器之间距离；其次，设定邻居节点数量k，遍历高压开关柜异构组部件传感器网络中所有节点，针对每一个组部件传感器节点选取距离最近的k个节点作为邻居节点，并构建组部件传感器间的连边得到初始化异构组部件传感器网络即得到关系矩阵A。
作为进一步优化的技术方案，所述图结构建模的过程为：通过解耦图卷积神经网络G来获取异构组部件传感器网络节点信息聚合后更新的解耦嵌入为
Figure BDA0004006935060000041
Figure BDA0004006935060000042
H为解耦后的组部件传感器嵌入，ReLU为激活函数，/>
Figure BDA0004006935060000043
Figure BDA0004006935060000044
为图的拉普拉斯矩阵，表征异构组部件传感器网络中节点间的相互作用关系，为图的度矩阵D减去图的关系矩阵A，设计解耦映射函数fk将输入的耦合数据特征矩阵X’映射到不同的解耦空间得到解耦后的组部件传感器嵌入Zk＝fk(X′)，其中解耦映射函数fk由2层MLP构成进行表征空间变换，X’为输入的耦合数据特征矩阵X’，Zk为在第k个解耦空间的组部件传感器解耦嵌入，遍历所有异构组部件传感器网络中的节点，计算其与邻居节点在各个解耦空间中的相似度，选取最大相似度的解耦空间Zi，最终选定解耦后的组部件传感器嵌入H＝Zi，使用解耦图卷积神经网络G通过图的拉普拉斯矩阵/>
Figure BDA0004006935060000045
进行消息传递，每个异构组部件传感器网络节点均聚合其所有一阶邻居的信息，从而实现信息交互，在解耦空间中进行信息聚合打破同构性假设，获取异构组部件间的相似性并进行异构信息聚合，获取解经消息传递更新的解耦嵌入X之后，通过cosine相似性度量函数评估各个异构组部件传感器网络节点间的相似关系，相似程度高意味着信息关联度高，则构建两个节点间的连边，依次遍历所有异构组部件传感器网络中的节点，从而更新异构组部件传感器网络得到更新的关系矩阵A*。
作为进一步优化的技术方案，所述消息传递具体过程为：构建一个新的图卷积神经网络G*进行消息传递和信息聚合，G*为ReLU(G*(A*XW))，W为线性层，通过线性变化获取节点的初始化嵌入，更新后的节点嵌入h∈Rn+d，其中n为组部件传感器数量即节点数量，d为表征向量维度，消息传递根据异构组部件传感器网络中的边进行信息聚合，在模型训练过程中可以隐性学习网络结构信息，将其输入模型池化层获得高压开关柜整体状态表征嵌入，最终输入模型p＝sigmoid(MLP(mean(h)))进行故障诊断，其中sigmoid为激活函数，MLP为线性层，模型预测属于每种类别的概率。
作为进一步优化的技术方案，模型的损失函数如下：
Figure BDA0004006935060000051
其中yi为标注的真实标签，
Figure BDA0004006935060000052
为预测是第i个类别的概率，C为故障类别，m为样本个数，通过损失反向传播在训练集上训练模型并求出最优解，通过最小化损失模型可以自动学习与故障诊断相关的异构组部件传感器网络结构信息。
本发明还提供一种基于异构图结构学习的智能高压开关柜故障诊断系统，包括如下模块：
数据采集模块：用来对智能高压开关柜传感器数据进行收集、清洗及处理，所述传感器数据为异构数据，包括温度、局部、机械特性和气体传感器数据；
数据处理模块：根据数据采集模块处理过的数据，使用无监督异常检测算法找到异常值以区分运行状态和异常状态，包括以下单元：
K-means算法单元，用于使用K-means算法对所述传感器数据分别进行聚类，分离出传感器数据中的正常值和异常值；
孤立森林算法单元，用于使用孤立森林算法对所述传感器数据进行异常检测，发现数据中的异常值；
采取K-means算法单元、孤立森林算法单元的异常数据的并集作为最终筛选出的异常数据；
开关柜故障诊断数据库构建模块：用于构建开关柜故障诊断数据库，通过使用众包技术结合专家知识进行故障类型标注，对于正常运行状态标注为非故障，异常状态标注故障类型；
异构图结构学习算法模块：用于设计异构图结构学习算法，找到符合异构传感器数据相似性度量的表征空间，自动学习智能高压开关柜异构组部件传感器网络的相互作用关系，挖掘网络结构信息实现高压开关柜精准运行状态评估。
本发明的优点在于：
1、本发明提供的应用于智能高压开关柜的故障诊断方法，通过部署传感器，搜集并清洗高压开关柜的传感器数据，构建包括多个子数据库的高压开关柜运行状态数据库。针对构建异常检测数据库中存在的数据标注难效率低等问题设计无监督异常检测算法结合k-means适用于密集集群和孤立森林对异常点敏感的特性，解决高压开关柜正常运行数据多标注效率低的问题，准确感知传感器数据分布中的异常点，通过专家众包技术构建异故障诊断数据库显著提升标注效率并保证数据标注的准确性和可信度，最终构建高压开关柜故障诊断数据库，为自动故障诊断提供数据基础，为实现深度模型可训练提供数据支撑。
2、本发明提供的应用于智能高压开关柜的故障诊断方法，在构建高压开关柜故障诊断数据库后，针对现有图结构表征模型过分依赖于人为设计的图结构数据的问题，设计异构图结构学习算法，设计解耦的组部件传感器异构网络表征方法，打破图神经网络基于同构性假设的约束，挖掘符合异构传感器数据相似性度量的表征空间。通过图结构构建、图结构建模和消息传递机制自动学习高压开关柜组部件传感器网络间的相互作用关系，捕捉导致开关柜故障的关键作用网络和连接结构，精准感知组部件故障引起的网络连锁反应，显著提升高压开关柜故障诊断的准确性。通过训练模型并部署高压开关柜故障诊断装置实现高压开关柜的实时精准故障诊断。
附图说明
图1是本发明实施例基于异构图结构学习的智能高压开关柜故障诊断方法的流程图；
图2是本发明实施例中数据异常值发现的流程图；
图3是本发明实施例中故障诊断数据库的构建过程示意图；
图4是本发明实施例中故障诊断数据库的构建过程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本实施例公开一种基于异构图结构学习的智能高压开关柜故障诊断方法，包括如下步骤：
步骤1：数据收集、清洗及处理；
本步骤中，对传感器数据进行收集，并对收集到的数据进行数据清洗和处理，消除数据噪声，提升数据质量。
所述对传感器收集到的数据进行数据清洗和处理，包括：删除同一传感器收集的重复数据；对于数据中的缺失值，使用对应传感器数据的均值进行填充；由于传感器监测组部件不同导致传感器数据类别和分布均不同，故为异构数据，为使数据保持相同尺度的度量，使用数据最大最小值缩放方法进行数据归一化。例如UHF特高频局放类传感器，实时监测高压开关柜内电信化变化，以分钟为单位获取的数据波形图作为传感器初始化向量，对于缺失点使用向量中的均值进行填充，然后进行数据归一化。
以下介绍高压开关柜传感器数据：
1.传感器种类：
温度传感器：温度传感器由螺丝固定在动触头与触臂上，此外还将高灵敏度温度传感器固定在手车室内壁的三个布点上，用以间接测量触头温升情况。；
局放传感器：采用超声波局放传感器、TEV暂态地电波局放传感器、UHF特高频局放传感器测量开关柜内的局部放电信号；
机械特性传感器：分合闸线圈电流监测装置和开关机械特性传感器安装在仪表室二次线路和断路器操作轴上，从分合闸线圈电流监测装置采集分合闸线圈电流，从开关机械特性传感器采集分合闸速度。
气体传感器：高压关柜内绝缘件因局部放电和异常发热引发绝缘损伤的同时绝缘材料会因高温而发生劣化分解，采用气体传感器单元对气体含量进行实时检测。
2.传感器异构数据表征
传感器缺陷通常是一个过程，因此本发明设计传感器数据表征时通过采集若干次(可以是十次左右或者更多)的传感器数据作为特征向量来考虑数据变化过程。
温度传感器结构数据表征如下：
触头温度
Figure BDA0004006935060000071
触臂温度
Figure BDA0004006935060000072
内壁布点1温度
Figure BDA0004006935060000081
内壁布点2温度
Figure BDA0004006935060000082
内壁布点3温度
Figure BDA0004006935060000083
局放传感器结构数据表征如下：
超声波检测信号
Figure BDA0004006935060000084
TEV暂态地电波信号
Figure BDA0004006935060000085
UHF特高频信号
Figure BDA0004006935060000086
机械特性结构数据表征如下：
分合闸线圈电流(At1,At2…Atn……At1,At2…Atn)；分合闸速度(vt1,vt2…vtn……vt1,vt2…vtn)。
气体传感器结构数据表征如下：
气体含量(Qt1,Qt2…Qtn……Qt1,Qt2…Qtn)。
步骤2：数据异常值发现；
参阅图2和图3，在本步骤中，根据步骤1处理过的数据，使用无监督异常检测算法找到异常值以区分运行状态和异常状态，包括以下步骤：
步骤22、使用K-means算法对温度、局部、机械特性和气体传感器数据分别进行聚类，通过设计聚类类别为2分离出4种传感器数据中的正常值和异常值。
其中K-means算法的具体过程如下：选取聚类的类别K＝2，分别代表正常值和异常值，随机选取每个类的中心记作z1，z2。然后对每一类传感器的数据进行迭代，在每一次迭代中，计算每一个样本x到两个聚类中心z1、z2的距离，并将x归到距离更近的聚类中心所在类别。分别遍历各类传感器数据后，计算两种聚类集合的均值，并更新为中心值，重复执行上述聚类算法直到聚类中心保持不变后，停止迭代，返回聚类结果。
步骤24、使用孤立森林(Isolation Forest)算法对温度、局部、机械特性和气体传感器数据进行异常检测，发现数据中的异常值。
其中孤立森林算法的具体过程如下：分别将每一类传感器的数据取Ψ个作为子样本，放入一棵孤立树的根节点，其中每个数据向量h＝{h1,h2,…hn},hi为为不同维度下的值。随机指定一个维度，在当前节点数据范围内，随机产生一个切割点p，切割点p产生于当前节点数据中指定维度的最大值与最小值之间。把当前所选维度下小于p的点归于当前节点的左分支，把大于等于p的点归于当前节点的右分支，当叶子节点上只有一个数据时，结束分割。通过重复上述算法，得到t个孤立树，随后遍历整个传感器数据库，输入每个样本x，通过t棵孤立树计算出异常得分s(x,Ψ)，其计算过程如下：
Figure BDA0004006935060000091
其中Ψ为样本数，h(x)为每棵树的高度，c(Ψ)为给定样本数Ψ时路径长度的平均值，用来对样本x的路径长度h(x)进行标准化处理。通过对每棵树的得分取均值，得到最终的异常得分，并对异常得分最高的k个样本点，作为最终的异常点。
根据步骤22、24两种算法的侧重点不同，根据异构传感器数据量大、异常点稀疏的特点，结合k-means高效、紧密集群和孤立森林对异常值敏感的特性，采取步骤22、24中的异常数据的并集作为最终筛选出的异常数据。
作为优选的技术方案，所述步骤22中，使用K-means算法对温度、局部和机械类传感器数据分别进行聚类，分离正常值和异常值，选取具有更多样本的一类作为正常值，另一类作为异常值。
作为优选的技术方案，所述步骤24中，通过重复上述算法，得到t个孤立树，一般将t值选为100，此时系统开销较小，且结果趋于收敛。
作为优选的技术方案，所述步骤24中，对于每个样本x，通过t棵孤立树计算出异常得分，获得异常点。
步骤3：构建开关柜故障诊断数据库；
参阅图3，在本步骤中，通过使用众包技术结合专家知识进行故障类型标注，对于正常运行状态标注为非故障，异常状态标注故障类型。步骤22、24提出的异常检测算法可以区分运行状态和异常状态，利用专家知识标注异常状态的故障类型，构建开关柜故障诊断数据库。
故障类型包括：绝缘损坏、机械故障、温升故障、误操作和电弧故障以及多种故障的复合类型。
所述众包技术，一般是通过把开关柜运行状态标注任务以自愿的形式外包给电力公司的相关从业者，利用大量的人力资源实现数据标注任务。
所述结合专家知识，是指通过高压开关柜研究专家对传感器数据进行评估，得到标注结果。由于仅依靠单个传感器数据异常无法判断故障类型，专家评估综合考虑当前所有传感器数据状态，结合实例判断该数据为何种故障状态。
步骤4：设计异构图结构(Heterophilic Graph Structure Learning,HGSL)学习算法，找到符合异构传感器数据相似性度量的表征空间，自动学习智能高压开关柜异构组部件传感器网络的相互作用关系，挖掘网络结构信息实现高压开关柜精准运行状态评估；
参阅图4，在本步骤中，读取步骤3中构建的开关柜故障诊断数据库中数据，划分训练集和验证集，构建异构组部件传感器网络，设计异构图结构学习算法并在训练集上训练模型，自动捕捉智能高压开关柜组部件传感器网络的相互作用关系，包括：图结构构建，图结构建模和消息传递三部分。
图结构构建，根据开关柜故障诊断数据库中的训练集数据构建异构组部件传感器网络，将高压开关柜中的组部件传感器作为异构组部件传感器网络中的节点，异构组部件传感器网络中的边表示组部件间的相互作用关系。首先使用开关柜故障诊断数据库中的异构传感器数据初始化节点特征得到耦合数据特征矩阵
Figure BDA0004006935060000101
利用cosine距离度量即向量点积运算计算各个传感器之间距离；其次，设定邻居节点数量k，遍历高压开关柜异构组部件传感器网络中所有节点，针对每一个组部件传感器节点选取距离最近的k个节点作为邻居节点，并构建组部件传感器间的连边得到初始化异构组部件传感器网络即得到关系矩阵A。
作为一个优选的方案，使用各类传感器数据库中记录的数据值初始化相应的异构组部件传感器网络节点，其次计算其与各个组部件传感器间的距离，设定k＝10，则选取距离最近的10个组部件传感器节点作为邻居节点，并构建组部件传感器节点间的连边得到初始化异构组部件传感器网络的相互作用关系图即得到关系矩阵A。
图结构建模，是利用解耦图卷积神经网络G来获取异构组部件传感器网络节点信息聚合后更新的解耦嵌入X并预测的关系矩阵A*。具体步骤为：通过解耦图卷积神经网络G来获取异构组部件传感器网络节点信息聚合后更新的解耦嵌入为
Figure BDA0004006935060000111
Figure BDA0004006935060000112
H为解耦后的组部件传感器嵌入，ReLU为激活函数，/>
Figure BDA0004006935060000113
Figure BDA0004006935060000114
为图的拉普拉斯矩阵，表征异构组部件传感器网络中节点间的相互作用关系，为图的度矩阵D减去图的关系矩阵A。由于组部件传感器网络的异构性，现有的cosine相似度难以度量异构组部件传感器节点嵌入间的相似性，因此设计解耦映射函数fk将输入的耦合数据特征矩阵X’映射到不同的解耦空间得到解耦后的组部件传感器嵌入Zk＝fk(X′)，其中解耦映射函数fk由2层MLP构成进行表征空间变换，X’为输入的耦合数据特征矩阵X’，Zk为在第k个解耦空间的组部件传感器解耦嵌入。遍历所有异构组部件传感器网络中的节点，计算其与邻居节点在各个解耦空间中的相似度，选取最大相似度的解耦空间Zi，最终选定解耦后的组部件传感器嵌入H＝Zi。使用解耦图卷积神经网络G通过图的拉普拉斯矩阵/>
Figure BDA0004006935060000115
进行消息传递，每个异构组部件传感器网络节点均聚合其所有一阶邻居的信息，从而实现信息交互。在解耦空间中进行信息聚合打破同构性假设，获取异构组部件间的相似性并进行异构信息聚合。获取解经消息传递更新的解耦嵌入X之后，通过cosine相似性度量函数评估各个异构组部件传感器网络节点间的相似关系，相似程度高意味着信息关联度高，则构建两个节点间的连边，依次遍历所有异构组部件传感器网络中的节点，从而更新异构组部件传感器网络得到更新的关系矩阵A*。
各个异构组部件传感器网络中的节点根据拉普拉斯矩阵
Figure BDA0004006935060000116
与自己相邻的节点进行信息传递，获取邻居组部件传感器的信息，从而发现异构组部件传感器网络节点间的相互作用关系。
消息传递，构建一个新的图卷积神经网络G*进行消息传递和信息聚合，G*为ReLU(G*(A*XW))，W为线性层，通过线性变化获取节点的初始化嵌入，更新后的节点嵌入h∈Rn+d，其中n为组部件传感器数量即节点数量，d为表征向量维度。消息传递根据异构组部件传感器网络中的边进行信息聚合，在模型训练过程中可以隐性学习网络结构信息。将其输入模型池化层获得高压开关柜整体状态表征嵌入，最终输入模型p＝sigmoid(MLP(mean(h)))进行故障诊断，其中sigmoid为激活函数，MLP为线性层，模型预测属于每种类别的概率。
模型的损失函数如下：
Figure BDA0004006935060000121
其中yi为标注的真实标签，
Figure BDA0004006935060000122
为预测是第i个类别的概率，C为故障类别，m为样本个数，通过损失反向传播在训练集上训练模型并求出最优解，通过最小化损失模型可以自动学习与故障诊断相关的异构组部件传感器网络结构信息。
本发明根据温度传感器、局放传感器、机械特性传感器和气体传感器数据构建复杂的异构组部件传感器网络，考虑高压开关柜故障由多个组部件异常导致或者某个组部件异常导致其他组部件异常等组部件间的相互作用关系，步骤1中采集传感器数据表征时考虑时序变化，放置传感器、降低数据搜集成本。
本发明提出一种无监督异常检测算法，针对构建异常检测数据库中存在的数据标注难效率低等问题设计无监督异常检测算法，结合k-means适用于密集集群和孤立森林对异常点敏感的特性，解决高压开关柜正常运行数据多标注效率低的问题，准确感知传感器数据分布中的异常点，通过专家众包技术构建异故障诊断数据库显著提升标注效率并保证数据标注的准确性和可信度，解决数据量少分布不均衡的问题。
本发明提出异构图结构学习模型，包括图构建、图结构建模和消息传递，图结构建模将耦合的异构数据进行解耦打破同构性假设，在解耦空间中挖掘异构数据的相似性特征自动学习异构组部件传感器网络中各个异构组部件传感器间相互作用关系，摆脱对人为构建图结构数据的依赖，自动捕捉网络结构，消息传递隐性学习网络结构信息，从而实现精准可靠的故障诊断。部署故障诊断模型，当故障发生时，实现实时诊断。
依照本发明实施的一种基于异构图结构学习的高压开关柜故障诊断方法，相比于传统的带电检测和图神经网络方法，本发明可以避免传统方法过于依赖人为构建的组部件传感器网络结构，根据高压开关柜数据异构性，设计异构图结构学习方法解耦耦合数据，打破图神经网络的同构性假设找到适用于高压开关柜异构组部件传感器网络节点相似性度量的解耦空间进行消息传递，自动根据故障诊断任务学习网络结构，消除错误连边和噪音对开关柜运行状态的整体表征，相比于基于图神经网络的故障诊断方法(84.3％)准确率提升2.3％。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于异构图结构学习的智能高压开关柜故障诊断方法，其特征在于：包括如下步骤：
步骤1：智能高压开关柜传感器数据收集、清洗及处理，所述传感器数据为异构数据，包括温度、局部、机械特性和气体传感器数据；
步骤2：根据步骤1处理过的数据，使用无监督异常检测算法找到异常值以区分运行状态和异常状态，包括以下步骤：
步骤22、使用K-means算法对所述传感器数据分别进行聚类，分离出传感器数据中的正常值和异常值；
步骤24、使用孤立森林算法对所述传感器数据进行异常检测，发现数据中的异常值；
采取步骤22、24中的异常数据的并集作为最终筛选出的异常数据；
步骤3：构建开关柜故障诊断数据库，通过使用众包技术结合专家知识进行故障类型标注，对于正常运行状态标注为非故障，异常状态标注故障类型；
步骤4：设计异构图结构学习算法，找到符合异构传感器数据相似性度量的表征空间，自动学习智能高压开关柜异构组部件传感器网络的相互作用关系，挖掘网络结构信息实现高压开关柜精准运行状态评估。
2.如权利要求1所述的一种基于异构图结构学习的智能高压开关柜故障诊断方法，其特征在于：所述传感器数据收集、清洗机处理，包括：删除同一传感器收集的重复数据；对于数据中的缺失值，使用对应传感器数据的均值进行填充；使用数据最大最小值缩放方法进行数据归一化。
3.如权利要求1所述的一种基于异构图结构学习的智能高压开关柜故障诊断方法，其特征在于：所述传感器数据包括：
温度传感器数据：触头温度数据、触臂温度数据，以及内壁多个布点的温度数据；
局放传感器数据：超声波检测信号、TEV暂态地电波信号、UHF特高频信号；
机械特性数据：分合闸线圈电流、分合闸速度；
气体传感器数据：气体含量。
4.如权利要求1所述的一种基于异构图结构学习的智能高压开关柜故障诊断方法，其特征在于：所述K-means算法的具体过程如下：选取聚类的类别K＝2，分别代表正常值和异常值，随机选取每个类的中心记作z1，z2，然后对每一类传感器的数据进行迭代，在每一次迭代中，计算每一个样本x到两个聚类中心z1、z2的距离，并将x归到距离更近的聚类中心所在类别，分别遍历各类传感器数据后，计算两种聚类集合的均值，并更新为中心值，重复执行上述聚类算法直到聚类中心保持不变后，停止迭代，返回聚类结果；
所述孤立森林算法的具体过程如下：分别将每一类传感器的数据取Ψ个作为子样本，放入一棵孤立树的根节点，其中每个数据向量h＝{h1,h2,…hn},hi为不同维度下的值，随机指定一个维度，在当前节点数据范围内，随机产生一个切割点p，切割点p产生于当前节点数据中指定维度的最大值与最小值之间，把当前所选维度下小于p的点归于当前节点的左分支，把大于等于p的点归于当前节点的右分支，当叶子节点上只有一个数据时，结束分割，通过重复上述算法，得到t个孤立树，随后遍历整个传感器数据库，输入每个样本x，通过t棵孤立树计算出异常得分s(x,Ψ)，其计算过程如下：
Figure FDA0004006935050000021
其中Ψ为样本数，h(x)为每棵树的高度，c(Ψ)为给定样本数Ψ时路径长度的平均值，用来对样本x的路径长度h(x)进行标准化处理，通过对每棵树的得分取均值，得到最终的异常得分，并对异常得分最高的k个样本点，作为最终的异常点。
5.如权利要求1所述的一种基于异构图结构学习的智能高压开关柜故障诊断方法，其特征在于：所述步骤4包括：读取步骤3中构建的开关柜故障诊断数据库中数据，划分训练集和验证集，构建异构组部件传感器网络，设计异构图结构学习算法并在训练集上训练模型，自动捕捉智能高压开关柜组部件传感器网络的相互作用关系，包括：图结构构建，图结构建模和消息传递三部分，其中：
所述图结构构建：根据开关柜故障诊断数据库中的训练集数据构建异构组部件传感器网络，将高压开关柜中的组部件传感器作为异构组部件传感器网络中的节点，异构组部件传感器网络中的边表示组部件间的相互作用关系；
图结构建模，是利用解耦图卷积神经网络G来获取异构组部件传感器网络节点信息聚合后更新的解耦嵌入X并预测的关系矩阵A*；
消息传递，构建一个新的图卷积神经网络G*进行消息传递和信息聚合。
6.如权利要求5所述的一种基于异构图结构学习的智能高压开关柜故障诊断方法，其特征在于：所述图结构构建过程为：首先使用开关柜故障诊断数据库中的异构传感器数据初始化节点特征得到耦合数据特征矩阵X’，利用cosine距离度量即向量点积运算计算各个传感器之间距离；其次，设定邻居节点数量k，遍历高压开关柜异构组部件传感器网络中所有节点，针对每一个组部件传感器节点选取距离最近的k个节点作为邻居节点，并构建组部件传感器间的连边得到初始化异构组部件传感器网络即得到关系矩阵A。
7.如权利要求6所述的一种基于异构图结构学习的智能高压开关柜故障诊断方法，其特征在于：所述图结构建模的过程为：通过解耦图卷积神经网络G来获取异构组部件传感器网络节点信息聚合后更新的解耦嵌入为
Figure FDA0004006935050000031
H为解耦后的组部件传感器嵌入，ReLU为激活函数，/>
Figure FDA0004006935050000032
Figure FDA0004006935050000033
为图的拉普拉斯矩阵，表征异构组部件传感器网络中节点间的相互作用关系，为图的度矩阵D减去图的关系矩阵A，设计解耦映射函数fk将输入的耦合数据特征矩阵X’映射到不同的解耦空间得到解耦后的组部件传感器嵌入Zk＝fk(X′)，其中解耦映射函数fk由2层MLP构成进行表征空间变换，X’为输入的耦合数据特征矩阵X’，Zk为在第k个解耦空间的组部件传感器解耦嵌入，遍历所有异构组部件传感器网络中的节点，计算其与邻居节点在各个解耦空间中的相似度，选取最大相似度的解耦空间Zi，最终选定解耦后的组部件传感器嵌入H＝Zi，使用解耦图卷积神经网络G通过图的拉普拉斯矩阵/>
Figure FDA0004006935050000034
进行消息传递，每个异构组部件传感器网络节点均聚合其所有一阶邻居的信息，从而实现信息交互，在解耦空间中进行信息聚合打破同构性假设，获取异构组部件间的相似性并进行异构信息聚合，获取解经消息传递更新的解耦嵌入X之后，通过cosine相似性度量函数评估各个异构组部件传感器网络节点间的相似关系，相似程度高意味着信息关联度高，则构建两个节点间的连边，依次遍历所有异构组部件传感器网络中的节点，从而更新异构组部件传感器网络得到更新的关系矩阵A*。/>
8.如权利要求7所述的一种基于异构图结构学习的智能高压开关柜故障诊断方法，其特征在于：所述消息传递具体过程为：构建一个新的图卷积神经网络G*进行消息传递和信息聚合，G*为ReLU(G*(A*XW))，W为线性层，通过线性变化获取节点的初始化嵌入，更新后的节点嵌入h∈Rn+d，其中n为组部件传感器数量即节点数量，d为表征向量维度，消息传递根据异构组部件传感器网络中的边进行信息聚合，在模型训练过程中可以隐性学习网络结构信息，将其输入模型池化层获得高压开关柜整体状态表征嵌入，最终输入模型p＝sigmoid(MLP(mean(h)))进行故障诊断，其中sigmoid为激活函数，MLP为线性层，模型预测属于每种类别的概率。
9.如权利要求8所述的一种基于异构图结构学习的智能高压开关柜故障诊断方法，其特征在于：模型的损失函数如下：
Figure FDA0004006935050000041
其中yi为标注的真实标签，
Figure FDA0004006935050000042
为预测是第i个类别的概率，C为故障类别，m为样本个数，通过损失反向传播在训练集上训练模型并求出最优解，通过最小化损失模型可以自动学习与故障诊断相关的异构组部件传感器网络结构信息。
10.一种基于异构图结构学习的智能高压开关柜故障诊断系统，其特征在于：包括如下模块：
数据采集模块：用来对智能高压开关柜传感器数据进行收集、清洗及处理，所述传感器数据为异构数据，包括温度、局部、机械特性和气体传感器数据；
数据处理模块：根据数据采集模块处理过的数据，使用无监督异常检测算法找到异常值以区分运行状态和异常状态，包括以下单元：
K-means算法单元，用于使用K-means算法对所述传感器数据分别进行聚类，分离出传感器数据中的正常值和异常值；
孤立森林算法单元，用于使用孤立森林算法对所述传感器数据进行异常检测，发现数据中的异常值；
采取K-means算法单元、孤立森林算法单元的异常数据的并集作为最终筛选出的异常数据；
开关柜故障诊断数据库构建模块：用于构建开关柜故障诊断数据库，通过使用众包技术结合专家知识进行故障类型标注，对于正常运行状态标注为非故障，异常状态标注故障类型；
异构图结构学习算法模块：用于设计异构图结构学习算法，找到符合异构传感器数据相似性度量的表征空间，自动学习智能高压开关柜异构组部件传感器网络的相互作用关系，挖掘网络结构信息实现高压开关柜精准运行状态评估。
CN202211634199.4A 2022-12-19 2022-12-19 一种基于异构图结构学习的智能高压开关柜故障诊断方法和系统 Pending CN116244617A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211634199.4A CN116244617A (zh) 2022-12-19 2022-12-19 一种基于异构图结构学习的智能高压开关柜故障诊断方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211634199.4A CN116244617A (zh) 2022-12-19 2022-12-19 一种基于异构图结构学习的智能高压开关柜故障诊断方法和系统

Publications (1)

Publication Number Publication Date
CN116244617A true CN116244617A (zh) 2023-06-09

Family

ID=86625007

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211634199.4A Pending CN116244617A (zh) 2022-12-19 2022-12-19 一种基于异构图结构学习的智能高压开关柜故障诊断方法和系统

Country Status (1)

Country Link
CN (1) CN116244617A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116976650A (zh) * 2023-09-21 2023-10-31 常州易管智能科技有限公司 一种基于大数据的电网精益化管理调控方法
CN117407661A (zh) * 2023-12-14 2024-01-16 深圳前海慧联科技发展有限公司 一种用于设备状态检测的数据增强方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116976650A (zh) * 2023-09-21 2023-10-31 常州易管智能科技有限公司 一种基于大数据的电网精益化管理调控方法
CN116976650B (zh) * 2023-09-21 2023-12-12 常州易管智能科技有限公司 一种基于大数据的电网精益化管理调控方法
CN117407661A (zh) * 2023-12-14 2024-01-16 深圳前海慧联科技发展有限公司 一种用于设备状态检测的数据增强方法
CN117407661B (zh) * 2023-12-14 2024-02-27 深圳前海慧联科技发展有限公司 一种用于设备状态检测的数据增强方法

Similar Documents

Publication Publication Date Title
Lang et al. Artificial intelligence-based technique for fault detection and diagnosis of EV motors: A review
CN109146246B (zh) 一种基于自动编码器和贝叶斯网络的故障检测方法
CN116244617A (zh) 一种基于异构图结构学习的智能高压开关柜故障诊断方法和系统
US9483049B2 (en) Anomaly detection and diagnosis/prognosis method, anomaly detection and diagnosis/prognosis system, and anomaly detection and diagnosis/prognosis program
Sun et al. Fault diagnosis of power transformers using computational intelligence: A review
JP2023042527A (ja) データドライブの能動配電網異常状態検知方法及びシステム
CN111504676A (zh) 基于多源监控数据融合的设备故障诊断方法、装置及系统
CN109858140B (zh) 一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法
CN112416643A (zh) 无监督异常检测方法与装置
CN111650451A (zh) 一种换流变故障原因辨识方法及系统
GB2476246A (en) Diagnosing an operation mode of a machine
CN116451117A (zh) 一种基于联邦学习的电力数据异常检测方法
CN113379252A (zh) 基于多尺度排列熵值的贝叶斯网络高压开关柜健康系统评估方法
CN110794254A (zh) 一种基于强化学习的配电网故障预测方法及系统
Alfarizi et al. An extreme gradient boosting aided fault diagnosis approach: A case study of fuse test bench
CN117060353A (zh) 基于前馈神经网络高压直流输电系统故障诊断方法及系统
CN116244279A (zh) 基于因果图注意力机制的高压开关柜缺陷预测方法和系统
CN116609651A (zh) 一种光伏用多功能断路器的检测方法
CN116050888A (zh) 应用于智能高压开关柜传感器健康状态评估的方法
CN116244600A (zh) 一种gis间歇性放电模式识别模型的构建方法、系统及设备
KR102486463B1 (ko) 열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치
Guerroum et al. Machine learning for the predictive maintenance of a Jaw Crusher in the mining industry
Sayar et al. Real-time prediction of electricity distribution network status using artificial neural network model: A case study in Salihli (Manisa, Turkey)
CN114637793B (zh) 一种基于大数据分析的装备故障频发区域定位方法
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

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