CN116886735A - 一种基于双星型以太网结构的水电站运行监测系统 - Google Patents
一种基于双星型以太网结构的水电站运行监测系统 Download PDFInfo
- Publication number
- CN116886735A CN116886735A CN202311061475.7A CN202311061475A CN116886735A CN 116886735 A CN116886735 A CN 116886735A CN 202311061475 A CN202311061475 A CN 202311061475A CN 116886735 A CN116886735 A CN 116886735A
- Authority
- CN
- China
- Prior art keywords
- data
- confusion
- coupling
- star
- monitoring
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 118
- 230000008878 coupling Effects 0.000 claims abstract description 136
- 238000010168 coupling process Methods 0.000 claims abstract description 136
- 238000005859 coupling reaction Methods 0.000 claims abstract description 136
- 238000000034 method Methods 0.000 claims abstract description 72
- 238000012545 processing Methods 0.000 claims abstract description 60
- 238000012512 characterization method Methods 0.000 claims abstract description 34
- 239000013598 vector Substances 0.000 claims description 56
- 239000011159 matrix material Substances 0.000 claims description 33
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 27
- 238000013507 mapping Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 22
- 230000005540 biological transmission Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 description 14
- 238000001514 detection method Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 12
- 230000009977 dual effect Effects 0.000 description 7
- 230000003993 interaction Effects 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000009434 installation Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001808 coupling effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
- H04L12/44—Star or tree networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
- H04L12/44—Star or tree networks
- H04L2012/445—Star or tree networks with switching in a hub, e.g. ETHERNET switch
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种水电站设备故障监测方法，包括获取各目标水电站的设备节点的监测数据并对其进行去特征处理以得到混淆数据，使用路由器对两个星型以太网络中彼此数据关联性最高的混淆数据组成耦合数据，并对耦合数据进行去特征处理后使用故障监测算法判断设备是否出现故障。通过采用双星型以太网络，可同时监测两组设备之间的相互关联性，有效提高监测精度和减少误判。
Description
技术领域
本发明涉及水电站监测技术领域，特别涉及一种基于双星型以太网结构的水电站运行监测系统。
背景技术
随着工业自动化的不断发展，越来越多的重要设备开始采用数字化监测技术进行实时监测和故障预测，以保证设备的稳定运行和降低故障风险。目前，在水电站等重要设施的监测中，传统的手动巡检和定期维护的方法已经逐渐无法满足实时监测和故障预测的要求。因此，数字化监测技术在这些领域中得到了广泛的应用。
然而，目前数字化监测技术仍然存在一些问题。传统的数字化监测技术主要采用基于模型的方法进行故障预测，需要事先建立好设备的故障模型。但是，这种方法需要大量的专业知识和经验，且对设备的精度要求非常高，一旦设备的工作状态出现变化，故障模型也需要相应地进行修改和调整，增加了实际应用的难度和成本。
同时，传统的数字化监测技术对于数据的处理也存在一定的问题。现有的数字化监测技术通常采用单一特征值来描述设备的状态，忽略了多种特征之间的关系，导致在实际应用中出现了大量的误报和漏报现象。另外，数字化监测技术通常采用云端数据处理，由于数据传输的延迟和数据量的限制，云端数据处理的实时性和准确性存在一定的问题，不能满足实时监测和故障预测的要求。
在数字化监测技术发展的过程中，随着深度学习和人工智能技术的不断发展和应用，一些新的数字化监测技术逐渐被提出。例如，深度学习技术已经被广泛应用于电力设备的状态监测和故障诊断。2019年，中国发明专利CN108930222A提出了一种基于深度学习的变压器故障诊断方法，该方法采用卷积神经网络和循环神经网络对变压器的状态进行分类和预测，取得了较好的效果。
然而，现有技术仍然存在一些问题。例如，在实际应用中，设备通常由多个不同的部件组成，这些部件之间存在复杂的相互作用和耦合关系，但现有的数字化监测技术往往无法有效地考虑这些因素，导致监测数据的有效性和可靠性受到影响。此外，现有技术通常采用单一的数据处理算法进行故障检测，无法充分利用不同算法的优势，从而限制了监测数据的分析和故障诊断能力。同时，现有技术在数据传输和处理方面也存在一些问题，例如数据传输的不稳定性和丢失率高、数据处理速度慢等，影响了数字化监测系统的实时性和准确性。
同时，在传统的水电站故障监测方法中，往往需要专门的设备进行安装和维护，因此成本较高。例如，有些方法需要在水电站中安装振动传感器、应力传感器、位移传感器等传感器设备，这些设备不仅需要费用高昂，还需要进行定期维护和校准，带来了不小的工作量和费用。在现有的相关专利文献中，也有一些针对水电站故障监测的方法，但这些方法普遍存在以下问题：
1.传感器安装成本高：传统的水电站故障监测方法往往需要在水轮机、发电机组等设备上安装多种传感器，如温度传感器、压力传感器、振动传感器等，这些传感器不仅费用高昂，而且需要定期维护和校准，增加了监测成本和维护工作量。
2.传感器易受损坏：传感器安装在水轮机、发电机组等设备上，易受到环境、水流等因素的影响，容易受到损坏或磨损，导致监测数据不准确或无法获取。
3.监测数据处理效率低：传统的水电站故障监测方法中，需要对大量的监测数据进行处理和分析，需要耗费大量的时间和人力。
4.监测数据不够准确：传统的水电站故障监测方法中，监测数据容易受到环境、天气等因素的影响，导致数据不够准确，难以精确地判断设备是否出现故障。
发明内容
本发明的目的是提供一种基于双星型以太网结构的水电站运行监测系统，通过去特征处理和耦合数据分析，实现对水电站设备故障的准确监测。
为解决上述技术问题，本发明提供一种基于双星型以太网结构的水电站运行监测系统，所述系统包括两个互为镜像的星型以太网络，分别为第一星型以太网络和第二星型以太网络；所述第一星型以太网络和第二星型以太网络分别与一个路由器连接；所述路由器与一个监测中心连接；所述第一星型以太网络和第二星型以太网络均包括：多个设备节点和一个交换节点；所述设备节点设置于目标水电站的设备中，获取对应设备的物理参数，和目标水电站在运行时的对应设备的运行数据，将获取到的物理参数和运行数据打包为对应设备的监测数据，并为监测数据赋予一个编号ID；所述交换节点，配置用于获取自身所属的星型以太网络中的所有设备节点获取到的监测数据，使用预设的混淆模型，对监测数据进行去特征处理，消除监测数据的非必要特征，降低不同监测数据彼此之间的关联性，得到混淆数据；所述路由器配置用于获取第一星型以太网络中的混淆数据和第二星型以太网络中的混淆数据，进行耦合性分析，以找到两个星型以太网络中，彼此数据关联性最高的混淆数据，组成耦合数据；然后将构成耦合数据的两个混淆数据所对应的目标水电站的设备标记为耦合节点；路由器在此后将构成耦合节点的两个设备在获取到的监测数据，直接组成耦合数据；最后，再对耦合数据进行去特征处理，消除耦合数据的非必要特征，降低不同耦合数据彼此之间的关联性，得到去特征耦合数据；所述监测中心，配置用于获取去特征耦合数据，使用预设故障监测算法，分析水电站运行是否出现异常，得到分析结果。
进一步的，所述设备节点设置的目标水电站的设备至少包括：水轮机、发电机组、涡轮、水泵、风机、闸门、水位计、输电线路、变压器和调速器。
进一步的，所述混淆模型，对监测数据进行去特征处理，消除监测数据的非必要特征，降低不同监测数据彼此之间的关联性，得到混淆数据的方法包括：定义监测数据的初始特征向量F；每个监测数据都可以表示为一个特征向量F，其中F＝[f1,f2,...,fn]，n表示监测数据中的特征维度数量；设定一组映射方向，用于将初始特征向量F映射到新的特征向量F′中；假设有m个映射方向，即D＝[d1,d2,...,dm]，其中di＝[di1,di2,...,din]表示第i个映射方向，包含n个维度的权重值；对于每个映射方向di，使用如下公式计算出特征向量F在该方向上的投影Pi：对所有映射方向的投影结果P＝[P1,P2,...,Pm]进行归一化处理，具体包括：将P中的每个值减去其均值并除以标准差，得到新的特征向量P′；使用特征超值算法对归一化后的特征向量P′进行处理，得到去特征处理后的结果，得到混淆数据。
进一步的，所述混淆模型使用如下公式进行表示：其中，Pi表示特征向量F在第i个映射方向上的投影结果，P′i表示归一化后的投影结果，μi和σi分别表示Pi的均值和标准差，CS表示特征超值算法，V表示处理后的超值向量，CS-1表示超值逆变换，F′表示去特征处理后的结果。
进一步的，所述特征超值算法的执行过程包括：定义一个m×n的矩阵Φ，其中m表示将特征向量映射到低维空间的维度数量，n表示归一化后的特征向量P′的维度数量；矩阵Φ的每个元素都是从一个高斯分布中随机生成的数值；对于每个归一化后的特征向量P′，使用如下公式计算其在矩阵Φ中的投影y：y＝Φ·P′；对投影y进行稀疏表示，得到系数向量x，具体包括：使用L1正则化方法，将x表示为的形式，其中λ是正则化参数，用于平衡重构误差和系数向量的稀疏性；使用系数向量x重构归一化后的特征向量P′，具体包括：P″＝ΦT·x，其中P″表示重构后的特征向量，ΦT表示矩阵Φ的转置；将重构后的特征向量P″进行反归一化处理，得到去特征处理后的结果F′，具体包括：对于每个特征维度i，将P″中的第i个值乘以标准差σi并加上均值μi，即F′i＝P″i·σi+μi。
进一步的，所述路由器找到两个星型以太网络中，彼此数据关联性最高的混淆数据，组成耦合数据的方法包括：路由器从第一星型以太网络和第二星型以太网络中获取所有的混淆数据，然后将其表示为矩阵形式；假设第一星型以太网络中有m个混淆数据，第二星型以太网络中有n个混淆数据，则第一星型以太网络混淆数据的矩阵表示为第二星型以太网络混淆数据的矩阵表示为/>其中p表示混淆数据的维度；对于每个混淆数据，计算其与另一个网络中所有混淆数据的递归相关系数；对于第一星型以太网络中的混淆数据i和第二星型以太网络中的混淆数据j；对于每个混淆数据，在另一个网络中选择与其递归相关系数最高的混淆数据，组成一组耦合数据；耦合数据的选择根据预先设定的递归相关系数阈值进行筛选；选择的结果表示为一个耦合矩阵其中Ci,j表示第一星型以太网络中的混淆数据i和第二星型以太网络中的混淆数据j是否为一组耦合数据；对于每一行i和每一列j，统计耦合矩阵中值为1的数量，得到两个网络中每个混淆数据与其它混淆数据耦合程度的排序序列；对于第一星型以太网络中的混淆数据i，得到其与第二星型以太网络中所有混淆数据的耦合程度的排序序列si＝(j1,j2,…,jn)，其中j1,j2,…,jn表示第二星型以太网络中混淆数据的索引；同样地，对于第二星型以太网络中的混淆数据j，得到其与第一星型以太网络中所有混淆数据的耦合程度的排序序列tj＝(i1,i2,…,im)，其中i1,i2,…,im表示第一星型以太网络中混淆数据的索引；对排序后的耦合数据列表，选择前若干组数据作为最终的耦合数据；对于第一星型以太网络中的混淆数据i和第二星型以太网络中的混淆数据j，如果它们在对方的排序序列中的位置相近，则说明它们之间的耦合程度较高，即数据关联性最高，将两者作为一组耦合数据。
进一步的，所述对于每个混淆数据，计算其与另一个网络中所有混淆数据的递归相关系数的方法包括：使用如下公式计算递归相关系数：其中，Xi,k和Yj,k分别表示两个网络中对应混淆数据在时间点k上的取值，/>和/>分别表示两个混淆数据的平均值，t表示时间滞后的步数，n表示总观测点数。
进一步的，所述路由器对耦合数据进行去特征处理的方法包括：使用混淆模型对耦合数据进行去特征处理。
进一步的，所述故障监测算法获取去特征耦合数据，使用预设故障监测算法，分析水电站运行是否出现异常，得到分析结果的方法包括：对每一组去特征耦合数据，分析其中的耦合数据的数据关联性的变化率；若数据关联性的变化率超过设定的判断阈值，则判断该组去特征耦合数据对应的目标水电站的两个设备出现了故障。
进一步的，所述目标水电站的设备与设置于设备的设备节点之间为有线连接；所述设备节点与对应的交换节点之间为有线连接；所述交换节点与路由器之间为有线或无线连接；所述路由器与监测中心之间为有线或无线连接。
本发明所提供的一种基于双星型以太网结构的水电站运行监测系统，具备如下有益效果：
1.提高水电站监测效率和准确性
传统的水电站监测方法一般采用离散的手动检测方式，这种方式效率低，准确性也无法得到保证。而本发明采用双星型以太网结构，通过设置在目标水电站设备中的设备节点采集实时的运行数据和物理参数，并将其传输到监测中心进行处理和分析，可以实现对水电站的实时监测和数据分析，提高监测效率和准确性。
2.提高故障预测和诊断能力
本发明通过构建耦合数据和耦合节点的方式，可以有效地识别出水电站设备之间的关联性，同时利用预设的故障监测算法分析去特征耦合数据，判断水电站设备是否出现故障，提高了故障预测和诊断能力，能够及时地发现和解决水电站设备的问题，提高了水电站的可靠性。
3.降低数据处理复杂度
本发明采用双星型以太网结构和耦合数据处理方法，可以将水电站设备的监测数据进行分类和处理，降低了数据处理的复杂度，提高了数据处理效率。同时，在构建耦合数据时，选择耦合程度高的数据进行分析，避免了不必要的数据处理，提高了数据分析的速度和准确性。
4.提高水电站的安全性和可靠性
本发明通过实时监测和故障预测，可以及时发现和解决水电站设备的问题，提高了水电站的安全性和可靠性。同时，在数据处理过程中采用混淆模型和去特征处理，保护了监测数据的隐私和安全性，提高了系统的可靠性和安全性。
5.可推广性和适用范围广
本发明所提出的基于双星型以太网结构的水电站运行监测系统，可以适用于各种规模的水电站，具有很强的可推广性和适用性。同时，本发明所采用的监测方法和处理技术也可以应用于其他类型的工业设备监测和故障诊断领域，具有广泛的适用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例所提供的一种基于双星型以太网结构的水电站运行监测系统的系统结构示意图；
图2为本发明实施例所提供的一种基于双星型以太网结构的水电站运行监测系统的双星型以太网的结构示意图；
图3为本发明实施例所提供的一种基于双星型以太网结构的水电站运行监测系统的进行去特征处理的结果示意图；
图4为本发明实施例所提供的一种基于双星型以太网结构的水电站运行监测系统的现有技术与本发明的分析结果生成次数随着时间变化的实验效果对比示意图。
具体实施方式
本发明的核心是提供该方法结合了混淆处理、耦合数据分析和故障监测算法等多种技术手段，可以高效地获取数据、降低数据之间的关联性、诊断故障信息，并在保证数据隐私和安全的前提下，提高了监测系统的可靠性和实用性，对于水电站设备的安全运行具有重要的实际应用价值。
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中的附图，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做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。
实施例1
请参考图1，一种基于双星型以太网结构的水电站运行监测系统，所述系统包括两个互为镜像的星型以太网络，分别为第一星型以太网络和第二星型以太网络；所述第一星型以太网络和第二星型以太网络分别与一个路由器连接；所述路由器与一个监测中心连接；所述第一星型以太网络和第二星型以太网络均包括：多个设备节点和一个交换节点；所述设备节点设置于目标水电站的设备中，获取对应设备的物理参数，和目标水电站在运行时的对应设备的运行数据，将获取到的物理参数和运行数据打包为对应设备的监测数据，并为监测数据赋予一个编号ID；所述交换节点，配置用于获取自身所属的星型以太网络中的所有设备节点获取到的监测数据，使用预设的混淆模型，对监测数据进行去特征处理，消除监测数据的非必要特征，降低不同监测数据彼此之间的关联性，得到混淆数据；所述路由器配置用于获取第一星型以太网络中的混淆数据和第二星型以太网络中的混淆数据，进行耦合性分析，以找到两个星型以太网络中，彼此数据关联性最高的混淆数据，组成耦合数据；然后将构成耦合数据的两个混淆数据所对应的目标水电站的设备标记为耦合节点；路由器在此后将构成耦合节点的两个设备在获取到的监测数据，直接组成耦合数据；最后，再对耦合数据进行去特征处理，消除耦合数据的非必要特征，降低不同耦合数据彼此之间的关联性，得到去特征耦合数据；所述监测中心，配置用于获取去特征耦合数据，使用预设故障监测算法，分析水电站运行是否出现异常，得到分析结果。
具体的，去特征处理使得获得的各个检测数据的非必要特征得到了去除，避免了非必要特征在后续进行耦合性分析的干扰。另外，去除非必要特征，也让最终的分析结果的准确率更高。因为去除了非必要特征，使得耦合数据的组成更加科学，也就让故障检测算法在后续利用去特征耦合数据进行分析时，如果去特征耦合数据的关联性或者说耦合度发生了变化，更能说明对应设备出现了故障。在监测数据处理的过程中，由于监测数据包含的信息较多，包括设备的物理参数和运行数据等，而这些信息中有一些并不对故障检测和分析有用。如果不进行去特征处理，这些非必要特征就会对后续的数据分析产生干扰，降低数据分析的准确性。
通过去除非必要特征，可以减少数据的维度，使得数据更具可解释性和更容易进行数据分析。同时，去除非必要特征也可以减少数据量，提高数据处理效率。最终，经过去特征处理得到的数据更加适合于进行数据分析和故障检测，可以提高数据分析结果的准确性和故障检测的效率。
而通过组成耦合节点，在后续则无须再进行耦合数据的耦合性分析了，提升了后续地数据处理效率。构建耦合数据的目的是寻找第一星型以太网络和第二星型以太网络之间数据的耦合性，并从中找到彼此关联性最高的混淆数据，组成耦合数据。通过构建耦合数据，可以从整体上观察水电站设备的运行情况，发现其中的规律和异常，有助于提高故障检测和分析的准确性和效率。
标记耦合节点的目的是将构成耦合数据的两个设备标记为耦合节点。通过标记耦合节点，可以提高数据处理的效率，避免重复的数据处理过程，同时也可以更加直观地观察到设备之间的关联性。在后续的数据处理过程中，可以直接对标记为耦合节点的设备进行处理，而无需再对构成耦合数据的混淆数据进行处理。这样可以大大提高数据处理的效率，并且减少数据处理的复杂度。
双星型网络可以实现对设备之间复杂的相互作用和耦合关系的建模和监测。在水电站中，设备之间的相互作用和耦合关系非常复杂，常常会发生因设备间相互影响而引起的故障，如水泵和水轮机之间的互相干扰，风机和涡轮之间的负载变化等。传统的单一网络监测方法难以准确地模拟和监测这些复杂的相互作用和耦合关系。而双星型网络则可以通过将设备分为两个星型网络，并在两个星型网络之间建立耦合关系来更加准确地模拟设备之间的相互作用和耦合关系，从而更好地实现设备监测和故障预警。
双星型网络可以更加有效地处理大量的监测数据，实现对设备运行状态的实时监测和故障预警。在水电站的运行过程中，需要对大量的监测数据进行处理和分析，以实现对设备运行状态的实时监测和故障预警。如果采用传统的单一网络监测方法，会出现数据量大、处理效率低等问题，难以满足实时监测的要求。而双星型网络则可以将监测数据分布在两个星型网络中，从而更加有效地处理数据，并实现对设备运行状态的实时监测和故障预警。
图2为本发明的一个典型的双星型网络的结构图。
本发明中使用的基于混淆模型的去特征处理算法和故障监测算法也是基于双星型网络构建的，进一步证明了双星型网络在本发明中的必要性。在本发明中，混淆模型的去特征处理算法和故障监测算法都是针对双星型网络中的耦合数据进行设计和优化的，从而更好地实现了对水电站设备的监测和故障预警。
实施例2
在上一实施例的基础上，所述设备节点设置的目标水电站的设备至少包括：水轮机、发电机组、涡轮、水泵、风机、闸门、水位计、输电线路、变压器和调速器。
具体的，水轮机，作为水电站的核心设备，水轮机将水流转化为机械能，驱动发电机组发电。发电机组：将水轮机转化的机械能转化为电能，是水电站的另一个核心设备。涡轮：是水轮机的一种形式，通过水的流动产生旋转，转化为机械能，驱动发电机组发电。水泵：将水从低处抽到高处，以便在需要时向水轮机提供足够的水压力。风机：在风能资源丰富的地区，通过转化风能为电能的方式，对水电站的电网进行补充和扩容。闸门：用于控制水流的流量和速度，以便控制水轮机和涡轮的输出功率。水位计：用于测量水位，监测水库水位变化。输电线路：将水电站发电的电能输送到用电地点。变压器：用于将输送的电能进行升压或降压，以适应电网的电压要求。调速器：用于控制水轮机的转速，以便控制发电机组的输出电压和频率。以上设备是水电站中常见的设备类型，这些设备节点的监测数据可以通过设备节点采集并传输到耦合数据中，通过去特征处理、耦合数据构建和耦合节点标记等过程，实现水电站运行状态的实时监测和故障检测。
实施例3
在上一实施例的基础上，所述混淆模型，对监测数据进行去特征处理，消除监测数据的非必要特征，降低不同监测数据彼此之间的关联性，得到混淆数据的方法包括：定义监测数据的初始特征向量F；每个监测数据都可以表示为一个特征向量F，其中F＝[f1,f2,...,fn]，n表示监测数据中的特征维度数量；设定一组映射方向，用于将初始特征向量F映射到新的特征向量F′中；假设有m个映射方向，即D＝[d1,d2,...,dm]，其中di＝[di1,di2,...,din]表示第i个映射方向，包含n个维度的权重值；对于每个映射方向di，使用如下公式计算出特征向量F在该方向上的投影Pi：对所有映射方向的投影结果P＝[P1,P2,...,Pm]进行归一化处理，具体包括：将P中的每个值减去其均值并除以标准差，得到新的特征向量P′；使用特征超值算法对归一化后的特征向量P′进行处理，得到去特征处理后的结果，得到混淆数据。
具体的，监测数据中包括了设备的物理参数和运行数据等信息，而这些信息中有一些并不对故障检测和分析有用，例如设备的制造商、设备的颜色等信息。如果将这些非必要特征保留下来，会对后续的数据分析产生干扰，影响数据分析的准确性和效率。
因此，在进行数据分析前，通常需要对数据进行去特征处理，即剔除掉那些无关特征，只保留与数据分析目标有关的重要特征，以提高数据分析的准确性和效率。去除非必要特征不仅可以提高数据处理的效率和简化数据处理的复杂度，还可以使数据更具可解释性，更易于进行数据分析和故障检测。
参考图3，图3中展示了混淆数据生成的原理，将一些数据去特征后，这些数据彼此之间的关联性大大降低，此时这些数据看起来就是不相关联的一些随机数据，在此基础上进行后续的耦合性分析，更能发现数据彼此之间潜在的更加关键的关联，是的耦合数据的组合科学性大大提升。
实施例4
在上一实施例的基础上，所述混淆模型使用如下公式进行表示：其中，Pi表示特征向量F在第i个映射方向上的投影结果，P′i表示归一化后的投影结果，μi和σi分别表示Pi的均值和标准差，CS表示特征超值算法，V表示处理后的超值向量，CS-1表示超值逆变换，F′表示去特征处理后的结果。
实施例5
在上一实施例的基础上，所述特征超值算法的执行过程包括：定义一个m×n的矩阵Φ，其中m表示将特征向量映射到低维空间的维度数量，n表示归一化后的特征向量P′的维度数量；矩阵Φ的每个元素都是从一个高斯分布中随机生成的数值；对于每个归一化后的特征向量P′，使用如下公式计算其在矩阵Φ中的投影y：y＝Φ·P′；对投影y进行稀疏表示，得到系数向量x，具体包括：使用L1正则化方法，将x表示为的形式，其中λ是正则化参数，用于平衡重构误差和系数向量的稀疏性；使用系数向量x重构归一化后的特征向量P′，具体包括：P″＝ΦT·x，其中P″表示重构后的特征向量，ΦT表示矩阵Φ的转置；将重构后的特征向量P″进行反归一化处理，得到去特征处理后的结果F′，具体包括：对于每个特征维度i，将P″中的第i个值乘以标准差σi并加上均值μi，即F′i＝P″i·σi+μi。
具体的，特征超值算法的具体公式如下所示：其中，F表示原始的特征向量，Φ表示将特征向量映射到低维空间的矩阵，y表示特征向量在矩阵Φ中的投影结果，x表示稀疏表示的系数向量，λ表示正则化参数，F′表示重构后的特征向量。
实施例6
在上一实施例的基础上，所述路由器找到两个星型以太网络中，彼此数据关联性最高的混淆数据，组成耦合数据的方法包括：路由器从第一星型以太网络和第二星型以太网络中获取所有的混淆数据，然后将其表示为矩阵形式；假设第一星型以太网络中有m个混淆数据，第二星型以太网络中有n个混淆数据，则第一星型以太网络混淆数据的矩阵表示为第二星型以太网络混淆数据的矩阵表示为/>其中p表示混淆数据的维度；对于每个混淆数据，计算其与另一个网络中所有混淆数据的递归相关系数；对于第一星型以太网络中的混淆数据i和第二星型以太网络中的混淆数据j；对于每个混淆数据，在另一个网络中选择与其递归相关系数最高的混淆数据，组成一组耦合数据；耦合数据的选择根据预先设定的递归相关系数阈值进行筛选；选择的结果表示为一个耦合矩阵其中Ci,j表示第一星型以太网络中的混淆数据i和第二星型以太网络中的混淆数据j是否为一组耦合数据；对于每一行i和每一列j，统计耦合矩阵中值为1的数量，得到两个网络中每个混淆数据与其它混淆数据耦合程度的排序序列；对于第一星型以太网络中的混淆数据i，得到其与第二星型以太网络中所有混淆数据的耦合程度的排序序列si＝(j1,j2,…,jn)，其中j1,j2,…,jn表示第二星型以太网络中混淆数据的索引；同样地，对于第二星型以太网络中的混淆数据j，得到其与第一星型以太网络中所有混淆数据的耦合程度的排序序列tj＝(i1,i2,…,im)，其中i1,i2,…,im表示第一星型以太网络中混淆数据的索引；对排序后的耦合数据列表，选择前若干组数据作为最终的耦合数据；对于第一星型以太网络中的混淆数据i和第二星型以太网络中的混淆数据j，如果它们在对方的排序序列中的位置相近，则说明它们之间的耦合程度较高，即数据关联性最高，将两者作为一组耦合数据。
具体的，通过耦合数据可以更全面地反映出水电站中各个设备之间的相互作用，有助于发现潜在的故障和问题，提高水电站的运行效率和安全性。同时，去除非必要特征和降低数据之间的关联性，也可以提高数据处理的效率和准确性，避免因数据量过大或关联性过强而导致的计算负担和误差。总体来说，基于双星型以太网结构的水电站运行监测系统的设计，为水电站的运行监测提供了一种新的方法和技术，具有较高的实用性和应用前景。
实施例7
在上一实施例的基础上，所述对于每个混淆数据，计算其与另一个网络中所有混淆数据的递归相关系数的方法包括：使用如下公式计算递归相关系数：其中，Xi,k和Yj,k分别表示两个网络中对应混淆数据在时间点k上的取值，/>和/>分别表示两个混淆数据的平均值，t表示时间滞后的步数，n表示总观测点数。
实施例8
在上一实施例的基础上，所述路由器对耦合数据进行去特征处理的方法包括：使用混淆模型对耦合数据进行去特征处理。
具体的，在这里使用的混淆模型和前面的混淆模型是一样的，但是针对的是耦合数据而不是监测数据。具体地，耦合数据是由两个星型以太网络中数据关联性最高的混淆数据组成的，其中每个混淆数据都是经过去特征处理后的数据。因此，在进行去特征处理时，路由器可以直接应用之前定义的混淆模型，将耦合数据表示为矩阵形式，然后按照混淆模型的步骤，对耦合数据进行处理，得到去特征耦合数据，即消除了耦合数据中的非必要特征，降低了不同耦合数据之间的关联性。这样，监测中心在接收到去特征耦合数据后，可以使用预设的故障监测算法对水电站运行情况进行分析，从而实现对运行异常的快速检测和诊断。
实施例9
在上一实施例的基础上，所述故障监测算法获取去特征耦合数据，使用预设故障监测算法，分析水电站运行是否出现异常，得到分析结果的方法包括：对每一组去特征耦合数据，分析其中的耦合数据的数据关联性的变化率；若数据关联性的变化率超过设定的判断阈值，则判断该组去特征耦合数据对应的目标水电站的两个设备出现了故障。
具体的，对每一组去特征耦合数据，分析其中的耦合数据的数据关联性的变化率。耦合数据可以表示为矩阵形式，假设共有m个耦合数据，每个耦合数据的维度为p，那么可以将这m个耦合数据表示为一个大小为(m×p)的矩阵，记为D。在这个矩阵中，每一行表示一个耦合数据，每一列表示该耦合数据的某一特征维度。为了分析数据关联性的变化率，可以先计算每个特征维度的样本方差，记为接着，计算每个耦合数据中，各个特征维度之间的相关系数，记为ri。ri可以使用皮尔逊相关系数进行计算，公式为：ri＝(Di-mean(Di))/σi；其中，Di表示第i个耦合数据，mean(Di)表示Di的均值，σi表示第i个特征维度的样本方差。若数据关联性的变化率超过设定的判断阈值，则判断该组去特征耦合数据对应的目标水电站的两个设备出现了故障。数据关联性的变化率可以表示为各个特征维度相关系数的标准差，即：/>Var(R)＝1/p∑(Var(Ri))；其中，Var(Ri)表示第i个特征维度相关系数的方差，Var(R)表示所有特征维度相关系数方差的均值，m表示耦合数据的数量，p表示每个耦合数据的维度数。
如果Var(R)超过预设的判断阈值，就可以判断该组去特征耦合数据对应的目标水电站的两个设备出现了故障。
实施例10
在上一实施例的基础上，所述目标水电站的设备与设置于设备的设备节点之间为有线连接；所述设备节点与对应的交换节点之间为有线连接；所述交换节点与路由器之间为有线或无线连接；所述路由器与监测中心之间为有线或无线连接。
具体的，其中，目标水电站的设备与设备节点之间采用有线连接方式，以保证数据的可靠传输和实时监测。设备节点与对应的交换节点之间也采用有线连接方式，以保证节点间的高速数据交换和传输。交换节点与路由器之间可以采用有线或无线连接方式，具体选择根据实际情况来定。路由器与监测中心之间也可以采用有线或无线连接方式，以保证数据及时传输和监测中心对监测数据的实时接收和分析处理。这些物理连接方式的选择既要考虑数据传输速度和可靠性，也要考虑设备安装和维护的便利性。
参考图4，图4中展示了本发明相较于现有技术在随着时间的变化时，其检测结果，即最终的分析结果的生成次数。虽然在早期，本发明由于需要构建耦合节点，生成的次数少于现有技术，但随着耦合节点的建立，其分析结果的效率大大提升。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种基于人头检测的无人机跟踪方法、装置及无人机进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种基于双星型以太网结构的水电站运行监测系统，其特征在于，所述系统包括两个互为镜像的星型以太网络，分别为第一星型以太网络和第二星型以太网络；所述第一星型以太网络和第二星型以太网络分别与一个路由器连接；所述路由器与一个监测中心连接；所述第一星型以太网络和第二星型以太网络均包括：多个设备节点和一个交换节点；所述设备节点设置于目标水电站的设备中，获取对应设备的物理参数，和目标水电站在运行时的对应设备的运行数据，将获取到的物理参数和运行数据打包为对应设备的监测数据，并为监测数据赋予一个编号ID；所述交换节点，配置用于获取自身所属的星型以太网络中的所有设备节点获取到的监测数据，使用预设的混淆模型，对监测数据进行去特征处理，消除监测数据的非必要特征，降低不同监测数据彼此之间的关联性，得到混淆数据；所述路由器配置用于获取第一星型以太网络中的混淆数据和第二星型以太网络中的混淆数据，进行耦合性分析，以找到两个星型以太网络中，彼此数据关联性最高的混淆数据，组成耦合数据；然后将构成耦合数据的两个混淆数据所对应的目标水电站的设备标记为耦合节点；路由器在此后将构成耦合节点的两个设备在获取到的监测数据，直接组成耦合数据；最后，再对耦合数据进行去特征处理，消除耦合数据的非必要特征，降低不同耦合数据彼此之间的关联性，得到去特征耦合数据；所述监测中心，配置用于获取去特征耦合数据，使用预设故障监测算法，分析水电站运行是否出现异常，得到分析结果。
2.如权利要求1所述的系统，其特征在于，所述设备节点设置的目标水电站的设备至少包括：水轮机、发电机组、涡轮、水泵、风机、闸门、水位计、输电线路、变压器和调速器。
3.如权利要求1所述的系统，其特征在于，所述混淆模型，对监测数据进行去特征处理，消除监测数据的非必要特征，降低不同监测数据彼此之间的关联性，得到混淆数据的方法包括：定义监测数据的初始特征向量F；每个监测数据都可以表示为一个特征向量F，其中F＝[f1，f2，...，fn]，n表示监测数据中的特征维度数量；设定一组映射方向，用于将初始特征向量F映射到新的特征向量F′中；假设有m个映射方向，即D＝[d1，d2，...，dm]，其中di＝[di1，di2，...，din]表示第i个映射方向，包含n个维度的权重值；对于每个映射方向di，使用如下公式计算出特征向量F在该方向上的投影Pi：对所有映射方向的投影结果P＝[P1，P2，...，Pm]进行归一化处理，具体包括：将P中的每个值减去其均值并除以标准差，得到新的特征向量P′；使用特征超值算法对归一化后的特征向量P′进行处理，得到去特征处理后的结果，得到混淆数据。
4.如权利要求3所述的系统，其特征在于，所述混淆模型使用如下公式进行表示：其中，Pi表示特征向量F在第i个映射方向上的投影结果，P′i表示归一化后的投影结果，μi和σi分别表示Pi的均值和标准差，CS表示特征超值算法，V表示处理后的超值向量，CS-1表示超值逆变换，F′表示去特征处理后的结果。
5.如权利要求4所述的方法，其特征在于，所述特征超值算法的执行过程包括：定义一个m×n的矩阵Φ，其中m表示将特征向量映射到低维空间的维度数量，n表示归一化后的特征向量P′的维度数量；矩阵Φ的每个元素都是从一个高斯分布中随机生成的数值；对于每个归一化后的特征向量P′，使用如下公式计算其在矩阵Φ中的投影y：y＝Φ·P′；对投影y进行稀疏表示，得到系数向量x，具体包括：使用L1正则化方法，将x表示为 的形式，其中λ是正则化参数，用于平衡重构误差和系数向量的稀疏性；使用系数向量x重构归一化后的特征向量P′，具体包括：P″＝ΦT·x，其中P″表示重构后的特征向量，ΦT表示矩阵Φ的转置；将重构后的特征向量P″进行反归一化处理，得到去特征处理后的结果F′，具体包括：对于每个特征维度i，将P″中的第i个值乘以标准差σi并加上均值μi，即F′i＝P″i·σi+μi。
6.如权利要求1所述的方法，其特征在于，所述路由器找到两个星型以太网络中，彼此数据关联性最高的混淆数据，组成耦合数据的方法包括：路由器从第一星型以太网络和第二星型以太网络中获取所有的混淆数据，然后将其表示为矩阵形式；假设第一星型以太网络中有m个混淆数据，第二星型以太网络中有n个混淆数据，则第一星型以太网络混淆数据的矩阵表示为第二星型以太网络混淆数据的矩阵表示为/>其中p表示混淆数据的维度；对于每个混淆数据，计算其与另一个网络中所有混淆数据的递归相关系数；对于第一星型以太网络中的混淆数据i和第二星型以太网络中的混淆数据j；对于每个混淆数据，在另一个网络中选择与其递归相关系数最高的混淆数据，组成一组耦合数据；耦合数据的选择根据预先设定的递归相关系数阈值进行筛选；选择的结果表示为一个耦合矩阵/>其中Ci，j表示第一星型以太网络中的混淆数据i和第二星型以太网络中的混淆数据j是否为一组耦合数据；对于每一行i和每一列j，统计耦合矩阵中值为1的数量，得到两个网络中每个混淆数据与其它混淆数据耦合程度的排序序列；对于第一星型以太网络中的混淆数据i，得到其与第二星型以太网络中所有混淆数据的耦合程度的排序序列si＝(j1，j2，…，jn)，其中j1，j2，…，jn表示第二星型以太网络中混淆数据的索引；同样地，对于第二星型以太网络中的混淆数据j，得到其与第一星型以太网络中所有混淆数据的耦合程度的排序序列tj＝(i1，i2，…，im)，其中i1，i2，…，im表示第一星型以太网络中混淆数据的索引；对排序后的耦合数据列表，选择前若干组数据作为最终的耦合数据；对于第一星型以太网络中的混淆数据i和第二星型以太网络中的混淆数据j，如果它们在对方的排序序列中的位置相近，则说明它们之间的耦合程度较高，即数据关联性最高，将两者作为一组耦合数据。
7.如权利要求6所述的系统，其特征在于，所述对于每个混淆数据，计算其与另一个网络中所有混淆数据的递归相关系数的方法包括：使用如下公式计算递归相关系数：其中，Xi,k和Yj,k分别表示两个网络中对应混淆数据在时间点k上的取值，/>和/>分别表示两个混淆数据的平均值，t表示时间滞后的步数，n表示总观测点数。
8.如权利要求2至5之一所述的系统，其特征在于，所述路由器对耦合数据进行去特征处理的方法包括：使用混淆模型对耦合数据进行去特征处理。
9.如权利要求1所述的系统，其特征在于，所述故障监测算法获取去特征耦合数据，使用预设故障监测算法，分析水电站运行是否出现异常，得到分析结果的方法包括：对每一组去特征耦合数据，分析其中的耦合数据的数据关联性的变化率；若数据关联性的变化率超过设定的判断阈值，则判断该组去特征耦合数据对应的目标水电站的两个设备出现了故障。
10.如权利要求9所述的系统，其特征在于，所述目标水电站的设备与设置于设备的设备节点之间为有线连接；所述设备节点与对应的交换节点之间为有线连接；所述交换节点与路由器之间为有线或无线连接；所述路由器与监测中心之间为有线或无线连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311061475.7A CN116886735B (zh) | 2023-08-22 | 2023-08-22 | 一种基于双星型以太网结构的水电站运行监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311061475.7A CN116886735B (zh) | 2023-08-22 | 2023-08-22 | 一种基于双星型以太网结构的水电站运行监测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116886735A true CN116886735A (zh) | 2023-10-13 |
| CN116886735B CN116886735B (zh) | 2024-02-13 |
Family
ID=88255249
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311061475.7A Active CN116886735B (zh) | 2023-08-22 | 2023-08-22 | 一种基于双星型以太网结构的水电站运行监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116886735B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105811584A (zh) * | 2016-05-13 | 2016-07-27 | 国网辽宁省电力有限公司电力科学研究院 | 一种常规变电站智能化改造方法 |
| CN207382054U (zh) * | 2017-09-06 | 2018-05-18 | 佛山电力设计院有限公司 | 数字化变电站自动化网络结构 |
| WO2019126874A1 (en) * | 2017-12-27 | 2019-07-04 | Glitchtrax Corp. | System and method for tracking incidents |
| CN112697424A (zh) * | 2020-12-08 | 2021-04-23 | 广东工业大学 | 一种基于改进决策树的风机齿轮润滑系统故障诊断方法 |
-
2023
- 2023-08-22 CN CN202311061475.7A patent/CN116886735B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105811584A (zh) * | 2016-05-13 | 2016-07-27 | 国网辽宁省电力有限公司电力科学研究院 | 一种常规变电站智能化改造方法 |
| CN207382054U (zh) * | 2017-09-06 | 2018-05-18 | 佛山电力设计院有限公司 | 数字化变电站自动化网络结构 |
| WO2019126874A1 (en) * | 2017-12-27 | 2019-07-04 | Glitchtrax Corp. | System and method for tracking incidents |
| CN112697424A (zh) * | 2020-12-08 | 2021-04-23 | 广东工业大学 | 一种基于改进决策树的风机齿轮润滑系统故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116886735B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Mechanical fault diagnosis and prediction in IoT based on multi-source sensing data fusion | |
| Teng et al. | DNN‐based approach for fault detection in a direct drive wind turbine<? show [AQ ID= Q1]?> | |
| CN110378042B (zh) | 基于scada数据的风电机组齿轮箱油温异常检测方法及系统 | |
| CN110735769A (zh) | 一种预测风机故障的方法及装置、系统 | |
| Zhan et al. | Abnormal vibration detection of wind turbine based on temporal convolution network and multivariate coefficient of variation | |
| CN111352977B (zh) | 基于自注意力双向长短期记忆网络的时序数据监测方法 | |
| CN110942137A (zh) | 一种基于深度学习的电网信息运维监控方法 | |
| CN111459144A (zh) | 一种基于深度循环神经网络的飞机飞控系统故障预测方法 | |
| Song et al. | Short-term forecasting based on graph convolution networks and multiresolution convolution neural networks for wind power | |
| CN112784920A (zh) | 云边端协同的旋转部件对抗域自适应故障诊断方法 | |
| Du et al. | A SCADA data based anomaly detection method for wind turbines | |
| Tang et al. | Review and perspectives of machine learning methods for wind turbine fault diagnosis | |
| CN116796182A (zh) | 风电机组发电机故障评估模型训练方法和故障诊断方法 | |
| CN116292130A (zh) | 基于协整分析的风力发电机状态监测系统及其方法 | |
| CN116771610A (zh) | 一种调整风电机组变桨系统故障评估值的方法 | |
| Zhang et al. | A novel fault diagnosis method for wind turbine based on adaptive multivariate time-series convolutional network using SCADA data | |
| CN115313930A (zh) | 一种大型汽轮发电机励磁电流实时预测方法 | |
| Bilal et al. | Wind power conversion system model identification using adaptive neuro-fuzzy inference systems: A case study | |
| CN114742363A (zh) | 风电机组的能效状态评价方法、系统及介质 | |
| CN114116832A (zh) | 一种基于数据驱动的配电网异常识别方法 | |
| Lai et al. | Multiscale wavelet-driven graph convolutional network for blade icing detection of wind turbines | |
| Li et al. | A novel adaptive STFT-SFA based fault detection method for nonstationary processes | |
| CN116886735B (zh) | 一种基于双星型以太网结构的水电站运行监测系统 | |
| CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
| CN113570473B (zh) | 设备故障监测方法、装置、计算机设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |