CN116247824A - 电力设备的控制方法及其系统 - Google Patents
电力设备的控制方法及其系统 Download PDFInfo
- Publication number
- CN116247824A CN116247824A CN202310332824.8A CN202310332824A CN116247824A CN 116247824 A CN116247824 A CN 116247824A CN 202310332824 A CN202310332824 A CN 202310332824A CN 116247824 A CN116247824 A CN 116247824A
- Authority
- CN
- China
- Prior art keywords
- feature
- time sequence
- matrix
- temperature time
- logic topology
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000003062 neural network model Methods 0.000 claims abstract description 27
- 239000013598 vector Substances 0.000 claims description 241
- 239000011159 matrix material Substances 0.000 claims description 239
- 238000000605 extraction Methods 0.000 claims description 54
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 48
- 238000013507 mapping Methods 0.000 claims description 44
- 238000013527 convolutional neural network Methods 0.000 claims description 31
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 abstract description 8
- 230000007547 defect Effects 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 13
- 238000004590 computer program Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- 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
- H02J13/00004—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 power network being locally controlled
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Power Engineering (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本申请涉及智能控制领域，其具体地公开了一种电力设备的控制方法及系统，其通过采用基于深度学习的神经网络模型挖掘出待监控电力设备的温度分布特征以此来判断所述待监控电力设备的工作状态是否正常，确定是否远程停止所述待监控电力设备的运行，进而预防由设备缺陷或故障引起的事故发生。
Description
技术领域
本申请涉及智能控制领域，且更为具体地，涉及一种电力设备的控制方法及系统。
背景技术
电力设备的安全稳定运行是确保电网可靠供电的关键。通过对设备巡检检测电力设备的运行状态，能够预防由设备缺陷或故障引起的事故发生，而这也是设备远程监控和控制的关键。现有诸多用于电力设备远程控制的方案，但这些方案在精准度和敏感性上难以取得能够满足应用需求的均衡。
因此，期待一种优化的电力设备的远程控制方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种电力设备的控制方法及系统，其通过采用基于深度学习的神经网络模型挖掘出待监控电力设备的温度分布特征以此来判断所述待监控电力设备的工作状态是否正常，确定是否远程停止所述待监控电力设备的运行，进而预防由设备缺陷或故障引起的事故发生。
根据本申请的一个方面，提供了一种电力设备的控制方法，其包括：
获取待监控电力设备的多个元器件在预定时间段内多个预定时间点的温度值；
将所述各个元器件在预定时间段内多个预定时间点的温度值分别按照时间维度排列为温度时序向量以得到多个温度时序向量；
将所述多个温度时序向量分别通过多尺度邻域特征提取模块以得到多个温度时序特征向量，并将所述多个温度时序特征向量进行二维排列为全局温度时序特征矩阵；
构建所述待监控电力设备的多个元器件的电逻辑拓扑矩阵；
将所述电逻辑拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到电逻辑拓扑特征矩阵；
将所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵通过图神经网络模型以得到电逻辑拓扑全局温度时序特征矩阵；以及
将所述电逻辑拓扑全局温度时序特征矩阵通过分类器以得到分类器以得到分类结果，所述分类结果用于表示是否远程停止所述待监控电力设备的运行。
在上述电力设备的控制方法中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的特征融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
在上述电力设备的控制方法中，将所述多个温度时序向量分别通过多尺度邻域特征提取模块以得到多个温度时序特征向量，包括：将所述多个温度时序向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度温度时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述多个温度时序向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度温度时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一邻域尺度温度时序特征向量和所述第二邻域尺度温度时序特征向量进行级联以得到所述多个温度时序特征向量。其中，将所述多个温度时序向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度温度时序特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下一维卷积公式对所述多个温度时序向量分别进行一维卷积编码以得到第一邻域尺度温度时序特征向量；其中，所述一维卷积公式为：
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述多个温度时序向量，Cov(X)表示对所述多个温度时序向量分别进行一维卷积编码；以及，将所述多个温度时序向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度温度时序特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对所述多个温度时序向量分别进行一维卷积编码以得到所述第二邻域尺度温度时序特征向量；其中，所述一维卷积公式为：
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述多个温度时序向量，Cov(X)表示对所述多个温度时序向量分别进行一维卷积编码。
在上述电力设备的控制方法中，将所述电逻辑拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到电逻辑拓扑特征矩阵，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述电逻辑拓扑特征矩阵，所述作为特征提取器的卷积神经网络的第一层的输入为所述电逻辑拓扑矩阵。
在上述电力设备的控制方法中，所述作为特征提取器的卷积神经网络模型为深度残差网络模型。
在上述电力设备的控制方法中，将所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵通过图神经网络模型以得到电逻辑拓扑全局温度时序特征矩阵，包括：将所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵展开为全局温度时序特征向量和电逻辑拓扑特征向量；分别计算所述全局温度时序特征向量和所述电逻辑拓扑特征向量的关联-概率密度分布仿射映射因数以得到第一关联-概率密度分布仿射映射因数和第二关联-概率密度分布仿射映射因数；以所述第一关联-概率密度分布仿射映射因数和所述第二关联-概率密度分布仿射映射因数作为权重，对所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵进行加权以得到优化后全局温度时序特征矩阵和优化后电逻辑拓扑特征矩阵；以及，将所述优化后全局温度时序特征矩阵和所述优化后电逻辑拓扑特征矩阵输入所述图神经网络模型以得到所述电逻辑拓扑全局温度时序特征矩阵。
在上述电力设备的控制方法中，分别计算所述全局温度时序特征向量和所述电逻辑拓扑特征向量的关联-概率密度分布仿射映射因数以得到第一关联-概率密度分布仿射映射因数和第二关联-概率密度分布仿射映射因数，包括：以如下优化公式计算所述全局温度时序特征向量和所述电逻辑拓扑特征向量的关联-概率密度分布仿射映射因数以得到第一关联-概率密度分布仿射映射因数和第二关联-概率密度分布仿射映射因数；其中，所述优化公式为：
其中V1表示所述全局温度时序特征向量，V2表示所述电逻辑拓扑特征向量，M为所述全局温度时序特征向量和所述电逻辑拓扑特征向量之间的逐位置关联得到的关联矩阵，μ和∑是所述全局温度时序特征向量和所述电逻辑拓扑特征向量构成的高斯密度图的均值向量和协方差矩阵，
表示矩阵乘法，表示exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，w1表示所述第一关联-概率密度分布仿射映射因数，w2表示所述第二关联-概率密度分布仿射映射因数。
在上述电力设备的控制方法中，将所述电逻辑拓扑全局温度时序特征矩阵通过分类器以得到分类器以得到分类结果，所述分类结果用于表示是否远程停止所述待监控电力设备的运行，包括：使用所述分类器以如下公式对所述电逻辑拓扑全局温度时序特征矩阵进行处理以获得分类结果，其中，所述公式为：O＝softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述电逻辑拓扑全局温度时序特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置向量。
根据本申请的另一方面，提供了一种电力设备的控制系统，其包括：
温度数据获取模块，用于获取待监控电力设备的多个元器件在预定时间段内多个预定时间点的温度值；
排列模块，用于将所述各个元器件在预定时间段内多个预定时间点的温度值分别按照时间维度排列为温度时序向量以得到多个温度时序向量；
多尺度特征提取模块，用于将所述多个温度时序向量分别通过多尺度邻域特征提取模块以得到多个温度时序特征向量，并将所述多个温度时序特征向量进行二维排列为全局温度时序特征矩阵；
拓扑构建模块，用于所述待监控电力设备的多个元器件的电逻辑拓扑矩阵；
卷积模块，用于将所述电逻辑拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到电逻辑拓扑特征矩阵；
图神经网络模块，用于将所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵通过图神经网络模型以得到电逻辑拓扑全局温度时序特征矩阵；以及
分类结果生成模块，用于将所述电逻辑拓扑全局温度时序特征矩阵通过分类器以得到分类器以得到分类结果，所述分类结果用于表示是否远程停止所述待监控电力设备的运行。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的电力设备的控制方法。
根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的电力设备的控制方法。
与现有技术相比，本申请提供的一种电力设备的控制方法及系统，其通过采用基于深度学习的神经网络模型挖掘出待监控电力设备的温度分布特征以此来判断所述待监控电力设备的工作状态是否正常，确定是否远程停止所述待监控电力设备的运行，进而预防由设备缺陷或故障引起的事故发生。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的电力设备的控制方法的场景示意图；
图2为根据本申请实施例的电力设备的控制方法的流程图；
图3为根据本申请实施例的电力设备的控制方法的架构示意图；
图4为根据本申请实施例的电力设备的控制方法中多尺度邻域特征提取过程的流程图；
图5为根据本申请实施例的电力设备的控制方法中卷积神经网络编码过程的流程图；
图6为根据本申请实施例的电力设备的控制方法中图神经网络编码过程的流程图；
图7为根据本申请实施例的电力设备的控制系统的框图；
图8为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如上所述，在本申请的技术方案中，通过对待监控电力设备进行温度分布监控以判断是否远程停止所述待监控电力设备的运行，也就是，通过对待监控电力设备的温度分布监控来判断所述待监控电力设备的工作状态是否正常，进而确定是否远程停止所述待监控电力设备的运行，通过这样的方式，预防由设备缺陷或故障引起的事故发生。
但是，通常待监控电力设备是一个复杂的设备整体，其包括多个元器件，并且多个元器件之间还存在电路关联。因此，如果仅采集所述待监控电力设备的全局温度，则无法反应出其内的各个元器件之间的温度情况，导致检测精准度下降，而如果关注所述待监控电力设备的各个元器件的温度特征，而会一方面会限于局部陷阱，另一方面，各个元器件之间的温度特征之间相互影响，在特征提取和表达方面也存在较高的技术难度。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为电力设备的控制提供了新的解决思路和方案。
具体地，在本申请的技术方案中，获取待监控电力设备的多个元器件在预定时间段内多个预定时间点的温度值。也就是，在所述待监控电力设备的内部布置多个温度传感器，并通过所述多个温度传感器来采集所述多个元器件在预定时间段内多个预定时间点的温度值。
接着，将所述各个元器件在预定时间段内多个预定时间点的温度值分别按照时间维度排列为温度时序向量以得到多个温度时序向量。也就是，将所述各个元器件的温度时序分布通过向量形式来进行数据整合和规范化表达以得到所述多个温度时序向量。进而，将所述多个温度时序向量分别通过多尺度邻域特征提取模块以得到多个温度时序特征向量，并将所述多个温度时序特征向量进行二维排列为全局温度时序特征矩阵。
也就是，在本申请的技术方案中，使用所述多尺度邻域特征提取模块对所述各个温度时序向量进行多尺度一维卷积编码以捕捉所述各个温度时序向量在不同时间跨度内的局部温度离散分布的高维模式特征，即，所述温度时序特征向量。在本申请一个具体的示例中，所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的特征融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。在得到所述各个元器件的温度时序特征表达后，将所述多个温度时序特征向量进行二维排列为全局温度时序特征矩阵，也就是，通过特征矩阵来将各个元器件的温度时序特征进行整合。
考虑到在本申请的技术方案中，所述待监控电力设备的多个元器件之间并非孤立的个体，因此，如果能够提取并利用所述多个元器件之间的电连接信息，则显然能够提升温度特征表达的确定性和丰富度。
基于此，首先构建所述待监控电力设备的多个元器件的电逻辑拓扑矩阵，其中，所述电逻辑拓扑矩阵中各个位置的值用于表示相应两个元器件之间的电连接关系。具体地，如果两个元器件之间的电连接关系为串联，则设置为1，如果两个元器件之间的电连接关系为并联，则设置为0。接着，将所述电逻辑拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到电逻辑拓扑特征矩阵。也就是，使用在局部特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来捕捉所述各个元器件之间电连接关系的高维隐特征表达，即，所述电逻辑拓扑特征矩阵。
应注意到，在本申请的技术方案中，如果将所述各个元器件视为节点，则所述各个元器件之间的电连接关系，则可以表示为节点与节点之间的边。也就是说，所述各个温度时序特征向量可视为各个节点的高维嵌入表达，则所述电逻辑拓扑特征矩阵则可视为边的高维嵌入表达。因此，在本申请的技术方案中，进一步将所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵通过图神经网络模型以得到电逻辑拓扑全局温度时序特征矩阵。这里，所述图神经网络模型通过可学习的神经网络参数对所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵进行处理以融合全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵各自表达的温度多尺度时序邻域关联特征和元器件电逻辑拓扑关联特征。
最终，将所述电逻辑拓扑全局温度时序特征矩阵通过分类器以得到分类器以得到分类结果，所述分类结果用于表示是否远程停止所述待监控电力设备的运行。应可以理解，在得到所述分类结果后，就可基于所述分类结果，对所述待监控电力设备进行远程控制，预防由设备缺陷或故障引起的事故发生。
特别地，在本申请的技术方案中，将所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵通过图神经网络以得到所述电逻辑拓扑全局温度时序特征矩阵时，本申请的申请人考虑到如果能够提升所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵之间的逐位置特征值粒度关联性，和其整体相对于类概率密度分布的特征矩阵粒度关联性，则可以提升所述电逻辑拓扑全局温度时序特征矩阵对所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵各自表达的温度多尺度时序邻域关联特征和元器件电逻辑拓扑关联特征的融合表达效果，从而提升所述电逻辑拓扑全局温度时序特征矩阵通过分类器得到的分类结果的准确性。
因此，在本申请的技术方案中，首先将所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵展开为全局温度时序特征向量V1和电逻辑拓扑特征向量V2，再分别计算所述全局温度时序特征向量V1和所述电逻辑拓扑特征向量V2的关联-概率密度分布仿射映射因数，表示为：
M为所述全局温度时序特征向量V1和所述电逻辑拓扑特征向量V2之间的逐位置关联得到的关联矩阵，μ和∑是所述全局温度时序特征向量V1和所述电逻辑拓扑特征向量V2构成的高斯密度图的均值向量和协方差矩阵。
也就是，通过构造所述全局温度时序特征向量V1和所述电逻辑拓扑特征向量V2之间的关联特征空间和由高斯概率密度表示的类概率密度分布空间，可以通过将所述全局温度时序特征向量V1和所述电逻辑拓扑特征向量V2分别映射到关联特征空间和类概率密度分布空间内的仿射单应性子空间中，来提取特征表示在关联特征域和类概率密度分布域内的符合仿射单应性的表示。这样，通过以所述关联-概率密度分布仿射映射因数值w1和w2分别对所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵进行加权，就可以提升所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵相对于其特征值粒度的关联表示在概率密度分布上的特征矩阵粒度的一致性。由此，就提升了所述电逻辑拓扑全局温度时序特征矩阵通过分类器得到的分类结果的准确性。
基于此，本申请提出了一种电力设备的控制方法，其包括：获取待监控电力设备的多个元器件在预定时间段内多个预定时间点的温度值；将所述各个元器件在预定时间段内多个预定时间点的温度值分别按照时间维度排列为温度时序向量以得到多个温度时序向量；将所述多个温度时序向量分别通过多尺度邻域特征提取模块以得到多个温度时序特征向量，并将所述多个温度时序特征向量进行二维排列为全局温度时序特征矩阵；构建所述待监控电力设备的多个元器件的电逻辑拓扑矩阵；将所述电逻辑拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到电逻辑拓扑特征矩阵；将所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵通过图神经网络模型以得到电逻辑拓扑全局温度时序特征矩阵；以及，将所述电逻辑拓扑全局温度时序特征矩阵通过分类器以得到分类器以得到分类结果，所述分类结果用于表示是否远程停止所述待监控电力设备的运行。
图1为根据本申请实施例的电力设备的控制方法的场景示意图。如图1所示，在该应用场景中，通过温度传感器(例如，如图1中所示意的T)获取待监控电力设备的多个元器件在预定时间段内多个预定时间点的温度值。接着，将上述数据输入至部署有用于电力设备的控制算法的服务器(例如，图1中的S)中，其中，所述服务器能够以所述电力设备的控制算法对上述输入的数据进行处理，以生成用于表示是否远程停止所述待监控电力设备的运行的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2为根据本申请实施例的电力设备的控制方法的流程图。如图2所示，根据本申请实施例的电力设备的控制方法，包括步骤：S110，获取待监控电力设备的多个元器件在预定时间段内多个预定时间点的温度值；S120，将所述各个元器件在预定时间段内多个预定时间点的温度值分别按照时间维度排列为温度时序向量以得到多个温度时序向量；S130，将所述多个温度时序向量分别通过多尺度邻域特征提取模块以得到多个温度时序特征向量，并将所述多个温度时序特征向量进行二维排列为全局温度时序特征矩阵；S140，构建所述待监控电力设备的多个元器件的电逻辑拓扑矩阵；S150，将所述电逻辑拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到电逻辑拓扑特征矩阵；S160，将所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵通过图神经网络模型以得到电逻辑拓扑全局温度时序特征矩阵；以及，S170，将所述电逻辑拓扑全局温度时序特征矩阵通过分类器以得到分类器以得到分类结果，所述分类结果用于表示是否远程停止所述待监控电力设备的运行。
图3为根据本申请实施例的电力设备的控制方法的架构示意图。如图3所示，在该网络结构中，首先，获取待监控电力设备的多个元器件在预定时间段内多个预定时间点的温度值；再将所述各个元器件在预定时间段内多个预定时间点的温度值分别按照时间维度排列为温度时序向量以得到多个温度时序向量；接着，将所述多个温度时序向量分别通过多尺度邻域特征提取模块以得到多个温度时序特征向量，并将所述多个温度时序特征向量进行二维排列为全局温度时序特征矩阵；然后，构建所述待监控电力设备的多个元器件的电逻辑拓扑矩阵；将所述电逻辑拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到电逻辑拓扑特征矩阵；将所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵通过图神经网络模型以得到电逻辑拓扑全局温度时序特征矩阵；进而，将所述电逻辑拓扑全局温度时序特征矩阵通过分类器以得到分类器以得到分类结果，所述分类结果用于表示是否远程停止所述待监控电力设备的运行。
具体地，在步骤S110中，获取待监控电力设备的多个元器件在预定时间段内多个预定时间点的温度值。应可以理解，在实际对于待监控电力设备的工作状态是否正常进行判断时，可通过对待监控电力设备进行温度分布监控，进而通过对待监控电力设备的温度分布监控来判断所述待监控电力设备的工作状态是否正常，因此，在本申请的一个具体示例中，首先，可通过部署于待监控电力设备的内部的多个温度传感器来采集所述多个元器件在预定时间段内多个预定时间点的温度值。
具体地，在步骤S120中，将所述各个元器件在预定时间段内多个预定时间点的温度值分别按照时间维度排列为温度时序向量以得到多个温度时序向量。也就是，在本申请的技术方案中，将所述各个元器件的温度时序分布通过向量形式来进行数据整合和规范化表达以得到所述多个温度时序向量。进而，将所述多个温度时序向量分别通过多尺度邻域特征提取模块以得到多个温度时序特征向量，并将所述多个温度时序特征向量进行二维排列为全局温度时序特征矩阵。
具体地，在步骤S130中，将所述多个温度时序向量分别通过多尺度邻域特征提取模块以得到多个温度时序特征向量，并将所述多个温度时序特征向量进行二维排列为全局温度时序特征矩阵。也就是，使用所述多尺度邻域特征提取模块对所述各个温度时序向量进行多尺度一维卷积编码以捕捉所述各个温度时序向量在不同时间跨度内的局部温度离散分布的高维模式特征，即，所述温度时序特征向量。在本申请一个具体的示例中，所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的特征融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。在得到所述各个元器件的温度时序特征表达后，将所述多个温度时序特征向量进行二维排列为全局温度时序特征矩阵，也就是，通过特征矩阵来将各个元器件的温度时序特征进行整合。特别的，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的特征融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
图4为根据本申请实施例的电力设备的控制方法中多尺度邻域特征提取过程的流程图。如图4所示，在所述多尺度邻域特征提取的过程中，包括：S210，将所述多个温度时序向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度温度时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；S220，将所述多个温度时序向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度温度时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，S230，将所述第一邻域尺度温度时序特征向量和所述第二邻域尺度温度时序特征向量进行级联以得到所述多个温度时序特征向量。其中，所述S210，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下一维卷积公式对所述多个温度时序向量分别进行一维卷积编码以得到第一邻域尺度温度时序特征向量；其中，所述一维卷积公式为：
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述多个温度时序向量，Cov(X)表示对所述多个温度时序向量分别进行一维卷积编码；以及，所述S220，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对所述多个温度时序向量分别进行一维卷积编码以得到所述第二邻域尺度温度时序特征向量；其中，所述一维卷积公式为：
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述多个温度时序向量，Cov(X)表示对所述多个温度时序向量分别进行一维卷积编码。
具体地，在步骤S140中，构建所述待监控电力设备的多个元器件的电逻辑拓扑矩阵。应可以理解，考虑到所述待监控电力设备的多个元器件之间并非独立的个体，因此，为提取并利用所述多个元器件之间的电连接信息，构建所述待监控电力设备的多个元器件的电逻辑拓扑矩阵，其中，所述电逻辑拓扑矩阵中各个位置的值用于表示相应两个元器件之间的电连接关系。具体地，如果两个元器件之间的电连接关系为串联，则设置为1，如果两个元器件之间的电连接关系为并联，则设置为0。
具体地，在步骤S150中，将所述电逻辑拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到电逻辑拓扑特征矩阵。也就是，使用在局部特征提取领域具有优异性能表现的卷积神经网络模型来对所述电逻辑拓扑矩阵进行特征提取以得到电逻辑拓扑特征矩阵，以此来挖掘出所述各个元器件之间电连接关系的高维隐特征表达，在一个具体示例中，所述作为特征提取器的卷积神经网络包括相互级联的多个神经网络层，其中各个神经网络层包括卷积层、池化层和激活层。其中，在所述作为特征提取器的卷积神经网络的编码过程中，所述作为特征提取器的卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。
图5为根据本申请实施例的电力设备的控制方法中卷积神经网络编码过程的流程图。如图5所述，在所述卷积神经网络的编码过程中，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：S310，对输入数据进行卷积处理以得到卷积特征图；S320，对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，S330，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述电逻辑拓扑特征矩阵，所述作为特征提取器的卷积神经网络的第一层的输入为所述电逻辑拓扑矩阵。
具体地，在步骤S160中，将所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵通过图神经网络模型以得到电逻辑拓扑全局温度时序特征矩阵。应可以理解，在本申请的技术方案中，如果将所述各个元器件视为节点，则所述各个元器件之间的电连接关系，则可以表示为节点与节点之间的边。也就是说，所述各个温度时序特征向量可视为各个节点的高维嵌入表达，则所述电逻辑拓扑特征矩阵则可视为边的高维嵌入表达。因此，在本申请的技术方案中，进一步将所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵通过图神经网络模型以得到电逻辑拓扑全局温度时序特征矩阵。这里，所述图神经网络模型通过可学习的神经网络参数对所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵进行处理以融合全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵各自表达的温度多尺度时序邻域关联特征和元器件电逻辑拓扑关联特征。特别地，在本申请的技术方案中，将所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵通过图神经网络以得到所述电逻辑拓扑全局温度时序特征矩阵时，本申请的申请人考虑到如果能够提升所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵之间的逐位置特征值粒度关联性，和其整体相对于类概率密度分布的特征矩阵粒度关联性，则可以提升所述电逻辑拓扑全局温度时序特征矩阵对所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵各自表达的温度多尺度时序邻域关联特征和元器件电逻辑拓扑关联特征的融合表达效果，从而提升所述电逻辑拓扑全局温度时序特征矩阵通过分类器得到的分类结果的准确性。因此，在本申请的技术方案中，首先将所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵展开为全局温度时序特征向量V1和电逻辑拓扑特征向量V2，再分别计算所述全局温度时序特征向量V1和所述电逻辑拓扑特征向量V2的关联-概率密度分布仿射映射因数，表示为：
其中V1表示所述全局温度时序特征向量，V2表示所述电逻辑拓扑特征向量，M为所述全局温度时序特征向量和所述电逻辑拓扑特征向量之间的逐位置关联得到的关联矩阵，μ和∑是所述全局温度时序特征向量和所述电逻辑拓扑特征向量构成的高斯密度图的均值向量和协方差矩阵，
表示矩阵乘法，表示exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，w1表示所述第一关联-概率密度分布仿射映射因数，w2表示所述第二关联-概率密度分布仿射映射因数。也就是，通过构造所述全局温度时序特征向量V1和所述电逻辑拓扑特征向量V2之间的关联特征空间和由高斯概率密度表示的类概率密度分布空间，可以通过将所述全局温度时序特征向量V1和所述电逻辑拓扑特征向量V2分别映射到关联特征空间和类概率密度分布空间内的仿射单应性子空间中，来提取特征表示在关联特征域和类概率密度分布域内的符合仿射单应性的表示。这样，通过以所述关联-概率密度分布仿射映射因数值w1和w2分别对所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵进行加权，就可以提升所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵相对于其特征值粒度的关联表示在概率密度分布上的特征矩阵粒度的一致性。由此，就提升了所述电逻辑拓扑全局温度时序特征矩阵通过分类器得到的分类结果的准确性。
图6为根据本申请实施例的电力设备的控制方法中图神经网络编码过程的流程图。如图6所示，在所述图神经网络的编码过程中，包括：S410，将所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵展开为全局温度时序特征向量和电逻辑拓扑特征向量；S420，分别计算所述全局温度时序特征向量和所述电逻辑拓扑特征向量的关联-概率密度分布仿射映射因数以得到第一关联-概率密度分布仿射映射因数和第二关联-概率密度分布仿射映射因数；S430，以所述第一关联-概率密度分布仿射映射因数和所述第二关联-概率密度分布仿射映射因数作为权重，对所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵进行加权以得到优化后全局温度时序特征矩阵和优化后电逻辑拓扑特征矩阵；以及，S440，将所述优化后全局温度时序特征矩阵和所述优化后电逻辑拓扑特征矩阵输入所述图神经网络模型以得到所述电逻辑拓扑全局温度时序特征矩阵。
具体地，在步骤S170中，将所述电逻辑拓扑全局温度时序特征矩阵通过分类器以得到分类器以得到分类结果，所述分类结果用于表示是否远程停止所述待监控电力设备的运行。也就是，将所述电逻辑拓扑全局温度时序特征矩阵作为分类特征矩阵通过分类器以获得分类结果，具体地，使用所述分类器以如下公式对所述电逻辑拓扑全局温度时序特征矩阵进行处理以获得分类结果，其中，所述公式为：
O＝softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述电逻辑拓扑全局温度时序特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置向量。具体地，所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联Softmax层。其中，在所述分类器的分类处理中，首先将所述电逻辑拓扑全局温度时序特征矩阵投影为向量，例如，在一个具体的示例中，将所述电逻辑拓扑全局温度时序特征矩阵沿着行向量或者列向量进行展开为分类特征向量；然后，使用所述分类器的多个全连接层对所述分类特征向量进行多次全连接编码以得到编码分类特征向量；进而，将所述编码分类特征向量输入所述分类器的Softmax层，即，使用所述Softmax分类函数对所述编码分类特征向量进行分类处理以得到分类标签，在本申请的技术方案中，所述分类器的标签包括远程停止所述待监控电力设备的运行(第一标签)，以及，不远程停止所述待监控电力设备的运行(第二标签)，其中，所述分类器通过软最大值函数来确定所述电逻辑拓扑全局温度时序特征矩阵属于哪个分类，值得注意的是，这里的所述第一标签和所述第二标签并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“是否远程停止所述待监控电力设备的运行”这个概念，其只是有两个分类标签，且输出特征在这两个分类标签下的概率，即p l和p2之和为一。因此，是否远程停止所述待监控电力设备的运行的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“是否远程停止所述待监控电力设备的运行”的语言文本意义。
综上，根据本申请实施例的电力设备的控制方法被阐明，其通过采用基于深度学习的神经网络模型挖掘出待监控电力设备的温度分布特征以此来判断所述待监控电力设备的工作状态是否正常，确定是否远程停止所述待监控电力设备的运行，进而预防由设备缺陷或故障引起的事故发生。
示例性系统
图7为根据本申请实施例的电力设备的控制系统的框图。如图7所示，根据本申请实施例的电力设备的控制系统300，包括：温度数据获取模块310；排列模块320；多尺度特征提取模块330；拓扑构建模块340；卷积模块350；图神经网络模块360；以及，分类结果生成模块370。
其中，所述温度数据获取模块310，用于获取待监控电力设备的多个元器件在预定时间段内多个预定时间点的温度值；所述排列模块320，用于将所述各个元器件在预定时间段内多个预定时间点的温度值分别按照时间维度排列为温度时序向量以得到多个温度时序向量；所述多尺度特征提取模块330，用于将所述多个温度时序向量分别通过多尺度邻域特征提取模块以得到多个温度时序特征向量，并将所述多个温度时序特征向量进行二维排列为全局温度时序特征矩阵；所述拓扑构建模块340，用于所述待监控电力设备的多个元器件的电逻辑拓扑矩阵；所述卷积模块350，用于将所述电逻辑拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到电逻辑拓扑特征矩阵；所述图神经网络模块360，用于将所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵通过图神经网络模型以得到电逻辑拓扑全局温度时序特征矩阵；以及，所述分类结果生成模块370，用于将所述电逻辑拓扑全局温度时序特征矩阵通过分类器以得到分类器以得到分类结果，所述分类结果用于表示是否远程停止所述待监控电力设备的运行。
在一个示例中，在上述电力设备的控制系统300中，所述多尺度特征提取模块330，用于：将所述多个温度时序向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度温度时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述多个温度时序向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度温度时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一邻域尺度温度时序特征向量和所述第二邻域尺度温度时序特征向量进行级联以得到所述多个温度时序特征向量。其中，将所述多个温度时序向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度温度时序特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下一维卷积公式对所述多个温度时序向量分别进行一维卷积编码以得到第一邻域尺度温度时序特征向量；其中，所述一维卷积公式为：
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述多个温度时序向量，Cov(X)表示对所述多个温度时序向量分别进行一维卷积编码；以及，将所述多个温度时序向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度温度时序特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对所述多个温度时序向量分别进行一维卷积编码以得到所述第二邻域尺度温度时序特征向量；其中，所述一维卷积公式为：
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述多个温度时序向量，Cov(X)表示对所述多个温度时序向量分别进行一维卷积编码。其中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的特征融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
在一个示例中，在上述电力设备的控制系统300中，所述多尺度特征提取模块330，用于：卷积模块350，使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述电逻辑拓扑特征矩阵，所述作为特征提取器的卷积神经网络的第一层的输入为所述电逻辑拓扑矩阵。
在一个示例中，在上述电力设备的控制系统300中，所述图神经网络模块360，用于：将所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵展开为全局温度时序特征向量和电逻辑拓扑特征向量；分别计算所述全局温度时序特征向量和所述电逻辑拓扑特征向量的关联-概率密度分布仿射映射因数以得到第一关联-概率密度分布仿射映射因数和第二关联-概率密度分布仿射映射因数；以所述第一关联-概率密度分布仿射映射因数和所述第二关联-概率密度分布仿射映射因数作为权重，对所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵进行加权以得到优化后全局温度时序特征矩阵和优化后电逻辑拓扑特征矩阵；以及，将所述优化后全局温度时序特征矩阵和所述优化后电逻辑拓扑特征矩阵输入所述图神经网络模型以得到所述电逻辑拓扑全局温度时序特征矩阵。
在一个示例中，在上述电力设备的控制系统300中，所述分类结果生成模块370，用于：使用所述分类器以如下公式对所述电逻辑拓扑全局温度时序特征矩阵进行处理以获得分类结果，其中，所述公式为：
O＝softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述电逻辑拓扑全局温度时序特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置向量。
综上，根据本申请实施例的电力设备的控制系统300被阐明，其通过采用基于深度学习的神经网络模型挖掘出待监控电力设备的温度分布特征以此来判断所述待监控电力设备的工作状态是否正常，确定是否远程停止所述待监控电力设备的运行，进而预防由设备缺陷或故障引起的事故发生。
如上所述，根据本申请实施例的电力设备的控制系统可以实现在各种终端设备中。在一个示例中，根据本申请实施例的电力设备的控制系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该电力设备的控制系统300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该电力设备的控制系统300同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该电力设备的控制系统300与该终端设备也可以是分立的设备，并且该电力设备的控制系统300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图8来描述根据本申请实施例的电子设备。
图8图示了根据本申请实施例的电子设备的框图。
如图8所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的电力设备的控制方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如温度时序向量等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图8中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的电力设备的控制方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的电力设备的控制方法的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种电力设备的控制方法，其特征在于，包括：
获取待监控电力设备的多个元器件在预定时间段内多个预定时间点的温度值；
将所述各个元器件在预定时间段内多个预定时间点的温度值分别按照时间维度排列为温度时序向量以得到多个温度时序向量；
将所述多个温度时序向量分别通过多尺度邻域特征提取模块以得到多个温度时序特征向量，并将所述多个温度时序特征向量进行二维排列为全局温度时序特征矩阵；
构建所述待监控电力设备的多个元器件的电逻辑拓扑矩阵；
将所述电逻辑拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到电逻辑拓扑特征矩阵；
将所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵通过图神经网络模型以得到电逻辑拓扑全局温度时序特征矩阵；以及
将所述电逻辑拓扑全局温度时序特征矩阵通过分类器以得到分类器以得到分类结果，所述分类结果用于表示是否远程停止所述待监控电力设备的运行。
2.根据权利要求1所述的电力设备的控制方法，其特征在于，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的特征融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
3.根据权利要求2所述的电力设备的控制方法，其特征在于，将所述多个温度时序向量分别通过多尺度邻域特征提取模块以得到多个温度时序特征向量，包括：
将所述多个温度时序向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度温度时序特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；
将所述多个温度时序向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度温度时序特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及
将所述第一邻域尺度温度时序特征向量和所述第二邻域尺度温度时序特征向量进行级联以得到所述多个温度时序特征向量。
其中，将所述多个温度时序向量分别输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度温度时序特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下一维卷积公式对所述多个温度时序向量分别进行一维卷积编码以得到第一邻域尺度温度时序特征向量；
其中，所述一维卷积公式为：
其中，a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述多个温度时序向量，Cov(X)表示对所述多个温度时序向量分别进行一维卷积编码；以及
将所述多个温度时序向量分别输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度温度时序特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对所述多个温度时序向量分别进行一维卷积编码以得到所述第二邻域尺度温度时序特征向量；
其中，所述一维卷积公式为：
其中，b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述多个温度时序向量，Cov(X)表示对所述多个温度时序向量分别进行一维卷积编码。
4.根据权利要求3所述的电力设备的控制方法，其特征在于，将所述电逻辑拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到电逻辑拓扑特征矩阵，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述作为特征提取器的卷积神经网络的最后一层的输出为所述电逻辑拓扑特征矩阵，所述作为特征提取器的卷积神经网络的第一层的输入为所述电逻辑拓扑矩阵。
5.根据权利要求4所述的电力设备的控制方法，其特征在于，所述作为特征提取器的卷积神经网络模型为深度残差网络模型。
6.根据权利要求5所述的电力设备的控制方法，其特征在于，将所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵通过图神经网络模型以得到电逻辑拓扑全局温度时序特征矩阵，包括：
将所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵展开为全局温度时序特征向量和电逻辑拓扑特征向量；
分别计算所述全局温度时序特征向量和所述电逻辑拓扑特征向量的关联-概率密度分布仿射映射因数以得到第一关联-概率密度分布仿射映射因数和第二关联-概率密度分布仿射映射因数；
以所述第一关联-概率密度分布仿射映射因数和所述第二关联-概率密度分布仿射映射因数作为权重，对所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵进行加权以得到优化后全局温度时序特征矩阵和优化后电逻辑拓扑特征矩阵；以及
将所述优化后全局温度时序特征矩阵和所述优化后电逻辑拓扑特征矩阵输入所述图神经网络模型以得到所述电逻辑拓扑全局温度时序特征矩阵。
7.根据权利要求6所述的电力设备的控制方法，其特征在于，分别计算所述全局温度时序特征向量和所述电逻辑拓扑特征向量的关联-概率密度分布仿射映射因数以得到第一关联-概率密度分布仿射映射因数和第二关联-概率密度分布仿射映射因数，包括：
以如下优化公式计算所述全局温度时序特征向量和所述电逻辑拓扑特征向量的关联-概率密度分布仿射映射因数以得到第一关联-概率密度分布仿射映射因数和第二关联-概率密度分布仿射映射因数；
其中，所述优化公式为：
其中V1表示所述全局温度时序特征向量，V2表示所述电逻辑拓扑特征向量，M为所述全局温度时序特征向量和所述电逻辑拓扑特征向量之间的逐位置关联得到的关联矩阵，μ和∑是所述全局温度时序特征向量和所述电逻辑拓扑特征向量构成的高斯密度图的均值向量和协方差矩阵，
表示矩阵乘法，表示exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值，w1表示所述第一关联-概率密度分布仿射映射因数，w2表示所述第二关联-概率密度分布仿射映射因数。
8.根据权利要求7所述的电力设备的控制方法，其特征在于，将所述电逻辑拓扑全局温度时序特征矩阵通过分类器以得到分类器以得到分类结果，所述分类结果用于表示是否远程停止所述待监控电力设备的运行，包括：使用所述分类器以如下公式对所述电逻辑拓扑全局温度时序特征矩阵进行处理以获得分类结果，其中，所述公式为：
O＝softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述电逻辑拓扑全局温度时序特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置向量。
9.一种电力设备的控制系统，其特征在于，包括：
温度数据获取模块，用于获取待监控电力设备的多个元器件在预定时间段内多个预定时间点的温度值；
排列模块，用于将所述各个元器件在预定时间段内多个预定时间点的温度值分别按照时间维度排列为温度时序向量以得到多个温度时序向量；
多尺度特征提取模块，用于将所述多个温度时序向量分别通过多尺度邻域特征提取模块以得到多个温度时序特征向量，并将所述多个温度时序特征向量进行二维排列为全局温度时序特征矩阵；
拓扑构建模块，用于所述待监控电力设备的多个元器件的电逻辑拓扑矩阵；
卷积模块，用于将所述电逻辑拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到电逻辑拓扑特征矩阵；
图神经网络模块，用于将所述全局温度时序特征矩阵和所述电逻辑拓扑特征矩阵通过图神经网络模型以得到电逻辑拓扑全局温度时序特征矩阵；以及
分类结果生成模块，用于将所述电逻辑拓扑全局温度时序特征矩阵通过分类器以得到分类器以得到分类结果，所述分类结果用于表示是否远程停止所述待监控电力设备的运行。
10.根据权利要求9所述的一种电力设备的控制系统，其特征在于，所述分类结果生成模块，用于：使用所述分类器以如下公式对所述电逻辑拓扑全局温度时序特征矩阵进行处理以获得分类结果，其中，所述公式为：
O＝softmax{(Wn,Bn):…:(W1,B1)|Project(F)}，其中Project(F)表示将所述电逻辑拓扑全局温度时序特征矩阵投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310332824.8A CN116247824B (zh) | 2023-03-30 | 2023-03-30 | 电力设备的控制方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310332824.8A CN116247824B (zh) | 2023-03-30 | 2023-03-30 | 电力设备的控制方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116247824A true CN116247824A (zh) | 2023-06-09 |
| CN116247824B CN116247824B (zh) | 2023-11-17 |
Family
ID=86631459
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310332824.8A Active CN116247824B (zh) | 2023-03-30 | 2023-03-30 | 电力设备的控制方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116247824B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116454772A (zh) * | 2023-06-14 | 2023-07-18 | 浙江浙能迈领环境科技有限公司 | 用于集装箱中压配电柜的泄压装置及方法 |
| CN117606112A (zh) * | 2023-11-20 | 2024-02-27 | 中建新疆建工集团第三建设工程有限公司 | 近零能耗建筑的室内环境控制系统及方法 |
| CN118030040A (zh) * | 2024-04-11 | 2024-05-14 | 克拉玛依市富城油气研究院有限公司 | 用于采油工程的生产动态监测系统及方法 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107392308A (zh) * | 2017-06-20 | 2017-11-24 | 中国科学院计算技术研究所 | 一种基于可编程器件的卷积神经网络加速方法与系统 |
| CN110411580A (zh) * | 2019-08-05 | 2019-11-05 | 国网湖南省电力有限公司 | 一种电力设备发热缺陷的诊断方法以及诊断系统 |
| CN111722174A (zh) * | 2020-05-31 | 2020-09-29 | 宁夏隆基宁光仪表股份有限公司 | 一种应用量子粒子群算法实现电能表异常诊断系统及方法 |
| CN112710398A (zh) * | 2020-12-21 | 2021-04-27 | 西安交通大学 | 一种电力设备异常发热检测方法 |
| CN113988364A (zh) * | 2021-09-16 | 2022-01-28 | 贵州电网有限责任公司 | 一种基于变分模态分解和多尺度下采样的光伏功率出力预测方法 |
| CN114399250A (zh) * | 2021-12-30 | 2022-04-26 | 淮阴工学院 | 基于认知图谱的冷链多温混配选温方法及装置 |
| CN114830189A (zh) * | 2019-11-20 | 2022-07-29 | 辉达公司 | 利用神经网络识别多尺度特征 |
| CN114912533A (zh) * | 2022-05-23 | 2022-08-16 | 国网安徽省电力有限公司铜陵供电公司 | 一种应用于变压器的状态监测系统及监测方法 |
| CN115013298A (zh) * | 2022-06-22 | 2022-09-06 | 浙江石水泵业科技有限公司 | 污水泵的实时性能在线监测系统及其监测方法 |
| CN115082791A (zh) * | 2022-06-22 | 2022-09-20 | 中国人民解放军国防科技大学 | 一种基于深度可分离卷积网络的气象锋面自动识别方法 |
| CN115206230A (zh) * | 2022-07-29 | 2022-10-18 | 浙江传媒学院 | 驱动电路及其驱动控制方法 |
| CN115328228A (zh) * | 2022-10-13 | 2022-11-11 | 新乡市合力鑫电源有限公司 | 一种高频开关电源 |
| CN115470857A (zh) * | 2022-09-16 | 2022-12-13 | 广东电网能源发展有限公司 | 变电站全景数字孪生系统及其方法 |
| CN115603466A (zh) * | 2022-12-14 | 2023-01-13 | 江苏交科能源科技发展有限公司（Cn） | 一种基于人工智能视觉识别的船舶岸电系统及其控制方法 |
| CN115616329A (zh) * | 2022-11-11 | 2023-01-17 | 国网浙江省电力有限公司台州供电公司 | 一种基于卷积神经网络的变电站五小箱故障识别系统 |
| CN115641045A (zh) * | 2022-12-23 | 2023-01-24 | 河南新飞电器集团有限公司 | 一种冷链运输远程监控系统 |
| CN115759658A (zh) * | 2022-11-24 | 2023-03-07 | 浙江智慧信息产业有限公司 | 适用于智慧城市的企业能耗数据管理系统 |
| CN115834433A (zh) * | 2023-02-17 | 2023-03-21 | 杭州沄涞科技有限公司 | 基于物联网技术的数据处理方法及系统 |
-
2023
- 2023-03-30 CN CN202310332824.8A patent/CN116247824B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107392308A (zh) * | 2017-06-20 | 2017-11-24 | 中国科学院计算技术研究所 | 一种基于可编程器件的卷积神经网络加速方法与系统 |
| CN110411580A (zh) * | 2019-08-05 | 2019-11-05 | 国网湖南省电力有限公司 | 一种电力设备发热缺陷的诊断方法以及诊断系统 |
| CN114830189A (zh) * | 2019-11-20 | 2022-07-29 | 辉达公司 | 利用神经网络识别多尺度特征 |
| CN111722174A (zh) * | 2020-05-31 | 2020-09-29 | 宁夏隆基宁光仪表股份有限公司 | 一种应用量子粒子群算法实现电能表异常诊断系统及方法 |
| CN112710398A (zh) * | 2020-12-21 | 2021-04-27 | 西安交通大学 | 一种电力设备异常发热检测方法 |
| CN113988364A (zh) * | 2021-09-16 | 2022-01-28 | 贵州电网有限责任公司 | 一种基于变分模态分解和多尺度下采样的光伏功率出力预测方法 |
| CN114399250A (zh) * | 2021-12-30 | 2022-04-26 | 淮阴工学院 | 基于认知图谱的冷链多温混配选温方法及装置 |
| CN114912533A (zh) * | 2022-05-23 | 2022-08-16 | 国网安徽省电力有限公司铜陵供电公司 | 一种应用于变压器的状态监测系统及监测方法 |
| CN115013298A (zh) * | 2022-06-22 | 2022-09-06 | 浙江石水泵业科技有限公司 | 污水泵的实时性能在线监测系统及其监测方法 |
| CN115082791A (zh) * | 2022-06-22 | 2022-09-20 | 中国人民解放军国防科技大学 | 一种基于深度可分离卷积网络的气象锋面自动识别方法 |
| CN115206230A (zh) * | 2022-07-29 | 2022-10-18 | 浙江传媒学院 | 驱动电路及其驱动控制方法 |
| CN115470857A (zh) * | 2022-09-16 | 2022-12-13 | 广东电网能源发展有限公司 | 变电站全景数字孪生系统及其方法 |
| CN115328228A (zh) * | 2022-10-13 | 2022-11-11 | 新乡市合力鑫电源有限公司 | 一种高频开关电源 |
| CN115616329A (zh) * | 2022-11-11 | 2023-01-17 | 国网浙江省电力有限公司台州供电公司 | 一种基于卷积神经网络的变电站五小箱故障识别系统 |
| CN115759658A (zh) * | 2022-11-24 | 2023-03-07 | 浙江智慧信息产业有限公司 | 适用于智慧城市的企业能耗数据管理系统 |
| CN115603466A (zh) * | 2022-12-14 | 2023-01-13 | 江苏交科能源科技发展有限公司（Cn） | 一种基于人工智能视觉识别的船舶岸电系统及其控制方法 |
| CN115641045A (zh) * | 2022-12-23 | 2023-01-24 | 河南新飞电器集团有限公司 | 一种冷链运输远程监控系统 |
| CN115834433A (zh) * | 2023-02-17 | 2023-03-21 | 杭州沄涞科技有限公司 | 基于物联网技术的数据处理方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| DUY-LINH NGUYEN等: "Fire Warning Based on Convolutional Neural Network and Inception Mechanism", 《2022 INTERNATIONAL CONFERENCE ON MULTIMEDIA ANALYSIS AND PATTERN RECOGNITION (MAPR)》, pages 1 - 5 * |
| 王祎瑞: "基于深度卷积神经网络的变电站设备识别", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 01, pages 1 - 60 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116454772A (zh) * | 2023-06-14 | 2023-07-18 | 浙江浙能迈领环境科技有限公司 | 用于集装箱中压配电柜的泄压装置及方法 |
| CN116454772B (zh) * | 2023-06-14 | 2023-08-25 | 浙江浙能迈领环境科技有限公司 | 用于集装箱中压配电柜的泄压装置及方法 |
| CN117606112A (zh) * | 2023-11-20 | 2024-02-27 | 中建新疆建工集团第三建设工程有限公司 | 近零能耗建筑的室内环境控制系统及方法 |
| CN118030040A (zh) * | 2024-04-11 | 2024-05-14 | 克拉玛依市富城油气研究院有限公司 | 用于采油工程的生产动态监测系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116247824B (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116247824B (zh) | 电力设备的控制方法及其系统 | |
| CN115796173B (zh) | 针对监管报送需求的数据处理方法和系统 | |
| CN115761642A (zh) | 基于图像处理的破碎作业监控方法及其系统 | |
| CN115783923B (zh) | 基于大数据的电梯故障模式识别系统 | |
| CN115456789B (zh) | 基于交易模式识别的异常交易检测方法及其系统 | |
| CN115759658B (zh) | 适用于智慧城市的企业能耗数据管理系统 | |
| CN116257406A (zh) | 用于智慧城市的网关数据管理方法及其系统 | |
| CN116015837A (zh) | 用于计算机网络信息安全的入侵检测方法及系统 | |
| CN115834433B (zh) | 基于物联网技术的数据处理方法及系统 | |
| CN115471216B (zh) | 智慧实验室管理平台的数据管理方法 | |
| CN116579618B (zh) | 基于风险管理的数据处理方法、装置、设备及存储介质 | |
| CN116245513A (zh) | 基于规则库的自动化运维系统及其方法 | |
| CN117077075A (zh) | 用于环境保护的水质监测系统及其方法 | |
| CN116486622A (zh) | 基于道路数据的交通智能规划系统及其方法 | |
| CN115324843A (zh) | 基于监测数据的风力发电机组的故障诊断系统及其方法 | |
| CN116759053A (zh) | 基于物联网系统的医疗体系防控方法及系统 | |
| CN116151845A (zh) | 基于工业物联网技术的产品全生命周期管理系统及其方法 | |
| CN116866054A (zh) | 公共信息安全监测系统及其方法 | |
| CN116629211B (zh) | 基于人工智能的写作方法及系统 | |
| CN116402777B (zh) | 基于机器视觉的电力设备检测方法及系统 | |
| CN117056902A (zh) | 物联网密码管理方法及系统 | |
| CN116383714A (zh) | 用于斗轮机的设备保护系统及其方法 | |
| CN115510900A (zh) | 电路故障自动诊断方法及其诊断系统 | |
| CN113392278A (zh) | 基于工业互联网的设备液体管线流动检测方法 | |
| CN112434973A (zh) | 基于一维和二维卷积的重点区域安全治理指标评估方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |