CN117094705A - 一种应用于高压开关柜缺陷预测的方法、系统及设备 - Google Patents
一种应用于高压开关柜缺陷预测的方法、系统及设备 Download PDFInfo
- Publication number
- CN117094705A CN117094705A CN202311354212.5A CN202311354212A CN117094705A CN 117094705 A CN117094705 A CN 117094705A CN 202311354212 A CN202311354212 A CN 202311354212A CN 117094705 A CN117094705 A CN 117094705A
- Authority
- CN
- China
- Prior art keywords
- transducer
- sensor data
- model
- representing
- defect
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000012512 characterization method Methods 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims description 101
- 239000011159 matrix material Substances 0.000 claims description 70
- 230000006870 function Effects 0.000 claims description 50
- 238000013507 mapping Methods 0.000 claims description 22
- 238000004821 distillation Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 5
- 238000000638 solvent extraction Methods 0.000 claims description 5
- 238000009827 uniform distribution Methods 0.000 claims description 4
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 3
- 230000008569 process Effects 0.000 description 14
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000009413 insulation Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000004020 conductor Substances 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 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
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 239000012774 insulation material Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/09—Supervised learning
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种应用于高压开关柜缺陷预测的方法、系统及设备，所述方法包括：传感器数据的收集及存储；对传感器数据进行归一化并编码为分布式表征；构建均方差损失函数对Transformer模型进行训练，利用训练好的Transformer模型提取高压开关柜状态特征；基于分布式表征进行嵌入式扩展得到预设数量的传感器数据；利用缺陷的类别的特征表示对Transformer模型进行调整得到Transformer重构模型并训练该模型；将实时采集的传感器数据输入训练好的Transformer重构模型中，得到高压开关柜的缺陷预测结果；本发明的优点在于：实现在少样本条件下对缺陷精准预测。
Description
技术领域
本发明涉及人工智能技术领域，更具体涉及一种应用于高压开关柜缺陷预测的方法、系统及设备。
背景技术
高压开关柜是电力系统中应用最广泛、数量最多的一种开关设备，在电力系统发电、输电、配电、电能转换和消耗中起控制、保护和操作等作用。
近年来，随着我国经济的快速发展，电力工业也得到了长期快速的发展，高压开关柜的产品也在不断迭代完善。在国内，高压开关柜经过了仿苏到仿欧美产品再到自主开发的漫长过程，产品类型由最初单一的 GG1A 固定式高压开关柜发展到现在的手车柜与固定柜并存。KYN28型中置式手车柜已在市场上得到了广泛的应用，其结构已从焊接框架逐步过渡到装配式。高压开关柜逐渐向着智能化、高可靠性、少维护方向发展。
高压开关柜主要由绝缘材料和导电材料构成，组部件老化磨损、零部件设计、安装不合理，受潮、污秽及机构、二次设备异常等问题是引发电力系统出现故障的常见原因。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。随着电力传感器技术的发展，各类传感器设计用于感知开关柜组部件运行状态的细微变化，缺陷预测则根据传感器数据对各组部件运行状态进行实时评估，根据数据分布变化和异常值的出现及时预测可能导致开关柜故障的传感器缺陷，对于预防开关柜因缺陷恶化从而导致故障停电而造成巨大经济损失具有十分重要的意义。
针对高压开关柜中各类传感器可能出现的缺陷，目前普遍使用人工检测或者机器人辅助手段实现，但这些方法具有背景干扰大、监测准确度低等问题，难以满足电网快速发展对设备可靠性的需求。针对此问题，当前的主流解决方案是基于数据驱动算法的智能缺陷预测技术（例如中国专利公开号CN110321585A公开的基于GA-BP神经网络开关柜绝缘缺陷检测方法及系统）。该类技术通过学习异常状态下的传感器数据模式，在预测时间间隔内对缺陷进行持续跟踪，以及时通知运维人员开展故障处理。但此类方法对数据来源、样本数等要求较高，导致昂贵的数据采集成本，极大限制了其实际应用。因此，如何在样本数量较少的情况下，开展智能开关柜状态与缺陷预测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在样本数量较少的情况下对高压开关柜进行缺陷预测。
本发明通过以下技术手段实现解决上述技术问题的：一种应用于高压开关柜缺陷预测的方法，所述方法包括：
步骤a：传感器数据的收集及存储；
步骤b：对传感器数据进行归一化并映射为嵌入向量，作为传感器数据的分布式表征；
步骤c：基于分布式表征获取传感器数据并构建均方差损失函数对Transformer模型进行训练，利用训练好的Transformer模型提取高压开关柜状态特征，使用状态特征的均值作为高压开关柜缺陷的类别的特征表示；
步骤d：基于分布式表征进行嵌入式扩展得到预设数量的传感器数据；
步骤e：利用缺陷的类别的特征表示对Transformer模型进行调整得到Transformer重构模型，扩展得到的传感器数据输入Transformer重构模型，训练Transformer重构模型得到训练好的Transformer重构模型；
步骤f：将实时采集的传感器数据输入训练好的Transformer重构模型中，得到高压开关柜的缺陷预测结果。
有益效果：本发明对传感器数据进行嵌入式扩展得到预设数量的传感器数据，训练Transformer模型提取高压开关柜缺陷的类别的特征表示，基于此对Transformer模型进行调整得到Transformer重构模型，然后利用扩充的数据对Transformer重构模型进行训练，从而实现在少样本条件下对缺陷精准预测。
进一步地，所述步骤c包括：
步骤c01、基于分布式表征计算时刻对应的位置嵌入向量/>；
步骤c02、以预设概率将嵌入向量与位置嵌入向量/>相加，否则将掩码向量与/>相加，得到该时刻的隐向量/>，基于隐向量/>使用Transformer模型获取传感器数据/>，/>，其中，/>表示Transformer模型，/>表示Transformer模型的全连接层；
步骤c03、基于传感器数据构建均方差损失函数，其中，/>表示时刻/>的原始传感器数据，表示采用掩码向量计算的隐向量的时刻集合，训练Transformer模型，均方差损失函数值最小或者达到训练次数时，停止训练；
步骤c04、将嵌入向量与位置嵌入向量/>相加，并使用训练后的Transformer模型编码得到高压开关柜状态特征，使用状态特征的均值作为该类缺陷的特征表示，对于第/>类缺陷，特征表示为/>，其中，/>为/>类缺陷出现的时刻集合。
更进一步地，所述步骤c01包括：
基于分布式表征计算时刻对应的位置嵌入向量
其中，表示嵌入向量/>的长度，/>表示第i个参数系数且/>。
更进一步地，所述步骤d包括：
步骤d01、将各时刻的高压开关柜传感器缺陷状态表示为向量，其中/>表示缺陷类别的数量，/>中的每个元素表示对应类别的缺陷是否存在；
步骤d02、随机选择两组实际采集的传感器数据，分别记为和，其中，/>表示其中一组传感器数据的嵌入向量，/>表示另一组传感器数据的嵌入向量，/>表示其中一组传感器缺陷状态对应的向量，/>表示另一组传感器缺陷状态对应的向量，/>表示传感器数据的时间长度，从0-1均匀分布中随机采样/>，计算新的传感器数据：
重复执行，直到生成预设数量的数据为止。
更进一步地，所述步骤e包括：
步骤e01、前缀矩阵初始化为各类缺陷的类别原型组成的矩阵；
步骤e02、基于前缀矩阵对Transformer模型中多头自注意力模块进行调整得到Transformer重构模型并构建蒸馏损失函数；
步骤e03、将步骤d中生成的预设数量的传感器数据输入Transformer重构模型，将Transformer重构模型输出的隐向量映射为预测值，基于该预测值构建交叉熵损失函数；
步骤e04、利用蒸馏损失函数对前缀矩阵和Transformer重构模型的瓶颈层进行训练，利用交叉熵损失函数，对Transformer重构模型进行训练，当达到训练次数或者对应的损失函数值最小时停止训练，得到训练好的Transformer重构模型。
更进一步地，所述步骤e01包括：
Transformer模型中时刻的多头自注意力模块原型定义为当前传感器数据序列上所有时刻的嵌入向量和位置嵌入向量的加权求和：
其中，表示Transformer模型的注意力头的数量，/>表示Transformer模型最后一层的注意力矩阵；
高压开关柜第类缺陷的类别原型定义为该类缺陷出现时的多头自注意力模块原型的均值：
前缀矩阵初始化为各类缺陷的类别原型组成的矩阵：
。
更进一步地，所述步骤e02包括：
使用Transformer模型的瓶颈层将前缀矩阵/>线性映射为/>，而后将/>分块得到若干前缀/>，其中/>表示Transformer模型的层数，/>表示键矩阵前缀，/>表示值矩阵前缀，对于Transformer的第/>层，将Transformer模型中的多头自注意力模块替换为得到Transformer重构模型，其中，表示多头自注意力模块，/>表示多头自注意力矩阵的计算函数，/>表示查询矩阵，/>表示键矩阵，/>表示值矩阵；
构建蒸馏损失函数，/>表示前缀矩阵/>的第/>列。
更进一步地，所述步骤e03包括：
将步骤d中生成的预设数量的传感器数据输入Transformer重构模型，将Transformer重构模型输出的隐向量映射为预测值，基于该预测值构建交叉熵损失函数/>。
本发明还提供一种应用于高压开关柜缺陷预测的系统，所述系统包括：
数据采集部分，用于传感器数据的收集及存储；
数据处理部分，用于对传感器数据进行归一化并映射为嵌入向量，作为传感器数据的分布式表征；
模型训练部分，用于基于分布式表征获取传感器数据并构建均方差损失函数对Transformer模型进行训练，利用训练好的Transformer模型提取高压开关柜状态特征，使用状态特征的均值作为高压开关柜缺陷的类别的特征表示；
数据扩展部分，用于基于分布式表征进行嵌入式扩展得到预设数量的传感器数据；
模型调整部分，用于利用缺陷的类别的特征表示对Transformer模型进行调整得到Transformer重构模型，扩展得到的传感器数据输入Transformer重构模型，训练Transformer重构模型得到训练好的Transformer重构模型；
缺陷预测部分，用于将实时采集的传感器数据输入训练好的Transformer重构模型中，得到高压开关柜的缺陷预测结果。
进一步地，所述模型训练部分还用于：
步骤c01、基于分布式表征计算时刻对应的位置嵌入向量/>；
步骤c02、以预设概率将嵌入向量与位置嵌入向量/>相加，否则将掩码向量与/>相加，得到该时刻的隐向量/>，基于隐向量/>使用Transformer模型获取传感器数据/>，/>，其中，/>表示Transformer模型，/>表示Transformer模型的全连接层；
步骤c03、基于传感器数据构建均方差损失函数，其中，/>表示时刻/>的原始传感器数据，表示采用掩码向量计算的隐向量的时刻集合，训练Transformer模型，均方差损失函数值最小或者达到训练次数时，停止训练；
步骤c04、将嵌入向量与位置嵌入向量/>相加，并使用训练后的Transformer模型编码得到高压开关柜状态特征，使用状态特征的均值作为该类缺陷的特征表示，对于第/>类缺陷，特征表示为/>，其中，/>为/>类缺陷出现的时刻集合。
更进一步地，所述步骤c01包括：
基于分布式表征计算时刻对应的位置嵌入向量
其中，表示嵌入向量/>的长度，/>表示第i个参数系数且/>。
更进一步地，所述数据扩展部分还用于：
步骤d01、将各时刻的高压开关柜传感器缺陷状态表示为向量，其中/>表示缺陷类别的数量，/>中的每个元素表示对应类别的缺陷是否存在；
步骤d02、随机选择两组实际采集的传感器数据，分别记为和，其中，/>表示其中一组传感器数据的嵌入向量，/>表示另一组传感器数据的嵌入向量，/>表示其中一组传感器缺陷状态对应的向量，/>表示另一组传感器缺陷状态对应的向量，/>表示传感器数据的时间长度，从0-1均匀分布中随机采样/>，计算新的传感器数据：
重复执行，直到生成预设数量的数据为止。
更进一步地，所述模型调整部分还用于：
步骤e01、前缀矩阵初始化为各类缺陷的类别原型组成的矩阵；
步骤e02、基于前缀矩阵对Transformer模型中多头自注意力模块进行调整得到Transformer重构模型并构建蒸馏损失函数；
步骤e03、将步骤d中生成的预设数量的传感器数据输入Transformer重构模型，将Transformer重构模型输出的隐向量映射为预测值，基于该预测值构建交叉熵损失函数；
步骤e04、利用蒸馏损失函数对前缀矩阵和Transformer重构模型的瓶颈层进行训练，利用交叉熵损失函数，对Transformer重构模型进行训练，当达到训练次数或者对应的损失函数值最小时停止训练，得到训练好的Transformer重构模型。
更进一步地，所述步骤e01包括：
Transformer模型中时刻的多头自注意力模块原型定义为当前传感器数据序列上所有时刻的嵌入向量和位置嵌入向量的加权求和：
其中，表示Transformer模型的注意力头的数量，/>表示Transformer模型最后一层的注意力矩阵；
高压开关柜第类缺陷的类别原型定义为该类缺陷出现时的多头自注意力模块原型的均值：
前缀矩阵初始化为各类缺陷的类别原型组成的矩阵：
。
更进一步地，所述步骤e02包括：
使用Transformer模型的瓶颈层将前缀矩阵/>线性映射为/>，而后将/>分块得到若干前缀/>，其中/>表示Transformer模型的层数，/>表示键矩阵前缀，/>表示值矩阵前缀，对于Transformer的第/>层，将Transformer模型中的多头自注意力模块替换为得到Transformer重构模型，其中，表示多头自注意力模块，/>表示多头自注意力矩阵的计算函数，/>表示查询矩阵，/>表示键矩阵，/>表示值矩阵；
构建蒸馏损失函数，/>表示前缀矩阵/>的第/>列。
更进一步地，所述步骤e03包括：
将步骤d中生成的预设数量的传感器数据输入Transformer重构模型，将Transformer重构模型输出的隐向量映射为预测值，基于该预测值构建交叉熵损失函数/>。
本发明还提供一种应用于高压开关柜缺陷预测的设备，包括至少一个处理器以及与所述处理器通信连接的至少一个存储器，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述方法。
本发明的优点在于：
（1）本发明对传感器数据进行嵌入式扩展得到预设数量的传感器数据，训练Transformer模型提取高压开关柜缺陷的类别的特征表示，基于此对Transformer模型进行调整得到Transformer重构模型，然后利用扩充的数据对Transformer重构模型进行训练，从而实现在少样本条件下对缺陷精准预测。
（2）本发明通过采用时序掩码建模算法预训练Transformer模型，从无标签时序数据中提取高压开关柜传感器状态变化模式，将传感器数据映射为语义丰富的嵌入向量，显著提升数据的表达能力。
（3）本发明通过采用嵌入扩展方法对传感器数据的嵌入特征进行随机插值，生成大量丰富的新数据，显著缓解由数据量少带来的模型过拟合问题。
（4）本发明通过对Transformer模型微调，将缺陷类别特征以前缀矩阵的方式引入预训练Transformer模型，微调过程中仅需优化少量额外参数即可实现缺陷预测训练，显著降低训练所需的数据量。
附图说明
图1为本发明实施例所公开的一种应用于高压开关柜缺陷预测的方法的过程示意图；
图2为本发明实施例所公开的一种应用于高压开关柜缺陷预测的方法中Transformer模型的调整过程示意图；
图3为本发明实施例所公开的一种应用于高压开关柜缺陷预测的方法中Transformer重构模型的工作过程示意图。
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。
实施例1
如图1所示，一种应用于高压开关柜缺陷预测的方法，所述方法包括：
步骤a：收集传感器数据，进行数据清洗，并存储，包括：将传感器返回数据根据传感器类型存入多个子数据库。根据传感器类型的不同，对数据进行分析，解决数据缺失和数据样本采集不准确等问题，更新各个子数据库中的数据。为了更清楚的了解本发明的传感器数据，以下分别对传感器种类及数据表征、传感器缺陷类型进行介绍。
1）传感器种类及数据表征
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近十次的传感器数据作为特征向量来考虑数据变化过程。各时刻的传感器结构数据表征如下：
温度传感器：将高灵敏度温度传感器固定在手车室内壁的三个布点上，此外还由螺丝固定在动触头与触臂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以及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、分合闸行程。
气体传感器：高压开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）传感器缺陷类型
本公发明将缺陷类别分为绝缘类缺陷、机构缺陷、异常发热缺陷、二次设备异常缺陷和多种类别的复合缺陷。
绝缘类缺陷：柜内空气净距离不满足要求，柜内受潮、凝露，穿墙套管、触头盒未装设屏蔽线，导体尖端导致局部电场过大，电缆终端接头制作不良等。
机构缺陷：机构卡涩，零部件松动、变形，分合闸线圈烧毁等。
异常发热缺陷：隔离开关刀口接触不良，断路器触头接触不良，手车推入深度不足，导流部位螺栓未紧固等。
二次设备异常缺陷：辅助开关接触不良，微动开关松动未正常切换，分合闸线圈动作电压不满足要求，整流模块击穿等。
实际应用中，机械特性传感器实时监测智能高压开关柜中的开关器件状态，从分合闸电流检测装置，抓取分合闸有效波形，计算分合闸时间，从开关机械特性传感器采集分合闸速度与行程。最终记录传感器数据状态存入相应的机械特性传感器数据库中，包括测量开关特性时间、测算分合闸速度、测量分/合闸行程，刚分/刚合速度等字段。
步骤b：对传感器数据进行归一化并映射为嵌入向量，作为传感器数据的分布式表征；具体过程如下：
传感器数据是一种多源异构数据，多源异构数据的分布不同，可能在模型训练过程中由于数据值过大或者过小导致梯度消失和梯度爆炸问题，需要使用数据标准化消除数据量级差距导致的信息不平衡问题，数据标准化的处理公式为：
其中，是数据标准化处理后的传感器数据，/>为任一传感器数据，/>为传感器数据的均值，/>为传感器数据的标准差。
经过上述数据标准化处理之后，将时刻的传感器数据表示为一个向量/>，其中每个传感器的标准化数据对应向量/>中的一个元素。多层感知器模型能够将输入的多个数据集映射到单一的输出的数据集上，因此，使用多层感知器模型将向量/>映射为嵌入向量/>，作为传感器数据的分布式表征。
步骤c：通过时序掩码建模算法学习传感器数据的时序变化规律，基于分布式表征获取传感器数据并构建均方差损失函数对Transformer模型进行训练，利用训练好的Transformer模型提取高压开关柜状态特征，使用状态特征的均值作为高压开关柜缺陷的类别的特征表示；具体过程如下：
步骤c01、基于分布式表征计算时刻对应的位置嵌入向量
其中，表示嵌入向量/>的长度，嵌入向量/>是传感器数据的分布式表征，/>表示第i个参数系数且/>。
步骤c02、以预设概率将嵌入向量与位置嵌入向量/>相加，否则将掩码向量与/>相加，得到该时刻的隐向量/>，基于隐向量/>使用Transformer模型计算时刻/>的高压开关柜状态特征，进一步使用全连接层将状态特征解码为传感器数据/>，，其中，/>表示Transformer模型，/>表示Transformer模型的全连接层；
步骤c03、基于传感器数据构建均方差损失函数，其中，/>表示时刻/>的原始传感器数据，表示采用掩码向量计算的隐向量的时刻集合，训练Transformer模型，均方差损失函数值最小或者达到训练次数时，停止训练，从而优化传感器数据/>的预测效果；
步骤c04、将嵌入向量与位置嵌入向量/>相加，并使用训练后的Transformer模型编码得到高压开关柜状态特征，以高压开关柜的第/>类缺陷为例，记/>为该类缺陷出现的时刻集合，使用状态特征的均值作为该类缺陷的特征表示为，其中，/>为/>类缺陷出现的时刻集合。
步骤d：基于分布式表征进行嵌入式扩展得到预设数量的传感器数据；主要是根据实际采集的传感器数据，使用嵌入扩展算法生成新数据，以实现数据增强。具体过程为：
步骤d01、将各时刻的高压开关柜传感器缺陷状态表示为向量，其中/>表示缺陷类别的数量，/>中的每个元素表示对应类别的缺陷是否存在；例如，/>表示对应类别的缺陷不存在，1表示对应类别的缺陷存在，也可以相反的，/>表示对应类别的缺陷存在，1表示对应类别的缺陷不存在。
步骤d02、随机选择两组实际采集的传感器数据，分别记为和，其中，/>表示其中一组传感器数据的嵌入向量，/>表示另一组传感器数据的嵌入向量，/>表示其中一组传感器缺陷状态对应的向量，/>表示另一组传感器缺陷状态对应的向量，/>表示传感器数据的时间长度，从0-1均匀分布中随机采样/>，计算新的传感器数据：
重复执行，直到生成预设数量的数据为止。
步骤e：利用缺陷的类别的特征表示对Transformer模型进行调整得到Transformer重构模型，扩展得到的传感器数据输入Transformer重构模型，训练Transformer重构模型得到训练好的Transformer重构模型；本步骤主要是使用步骤d中生成的新数据对步骤c中训练得到的Transformer模型进行高效的前缀微调。具体过程如下：
步骤e01、前缀矩阵初始化为各类缺陷的类别原型组成的矩阵；具体如下：
对于长度为的传感器数据序列，Transformer模型最后一层的注意力矩阵可以反映任意两个时刻的传感器数据之间的相关程度，其中/>表示Transformer模型的注意力头的数量，/>表示/>维度的矩阵。因此，Transformer模型中时刻/>的多头自注意力模块原型定义为当前传感器数据序列上所有时刻的嵌入向量和位置嵌入向量的加权求和：
其中，表示Transformer模型的注意力头的数量，/>表示Transformer模型最后一层的注意力矩阵；
高压开关柜第类缺陷的类别原型定义为该类缺陷出现时的多头自注意力模块原型的均值：
前缀矩阵初始化为各类缺陷的类别原型组成的矩阵：
。
步骤e02、如图2所示，使用Transformer模型的瓶颈层将前缀矩阵/>线性映射为/>，而后将/>分块得到若干前缀/>，其中/>表示Transformer模型的层数，/>表示键矩阵前缀，/>表示值矩阵前缀，对于Transformer的第/>层，将Transformer模型中的多头自注意力模块替换为/>得到Transformer重构模型，其中，/>表示多头自注意力模块，/>表示多头自注意力矩阵的计算函数，/>表示查询矩阵，/>表示键矩阵，/>表示值矩阵；
通过将前缀和/>引入多头注意力模块，前缀矩阵/>可以影响注意力矩阵的计算，从而控制Transformer模型的输出。微调过程中，Transformer模型的参数保持固定，仅训练前缀矩阵/>和瓶颈层/>。为保持前缀矩阵/>的类别原型信息，使用蒸馏损失进行正则化即构建蒸馏损失函数/>，/>表示前缀矩阵/>的第/>列。/>
步骤e03、将步骤d中生成的预设数量的传感器数据输入Transformer重构模型，如图3所示，在Transformer重构模型的每一层中，向多头自注意力模块和前向传播网络引入可学习的偏移向量和/>，从而弥补高压开关柜缺陷预测任务与步骤c中自监督预训练任务之间的差异。每当多头自注意力模块和前向传播网络输出一个特征，就将其与相应的偏移向量相加。使用全连接层和Sigmoid激活函数，将Transformer重构模型输出的隐向量映射为预测值/>，基于该预测值构建交叉熵损失函数/>，优化其与目标值/>之间的交叉熵损失。
步骤e04、利用蒸馏损失函数对前缀矩阵和Transformer重构模型的瓶颈层进行训练，利用交叉熵损失函数，对Transformer重构模型进行训练，当达到训练次数或者对应的损失函数值最小时停止训练，得到训练好的Transformer重构模型。
步骤f：将实时采集的传感器数据输入训练好的Transformer重构模型中，得到高压开关柜的缺陷预测结果。
通过以上技术方案，本发明提供的应用于高压开关柜缺陷预测的少样本训练方法，对现有的少样本训练方法进行了有效地改进，训练Transformer模型提取各传感器数据的时序和语义信息，从而表征各类缺陷，并通过嵌入扩展算法进行数据增强，最终实现Transformer模型的高效微调，微调过程中仅需优化少量额外参数，即可实现少样本情况下的精确缺陷预测，经仿真分析在缺陷预测任务上在相比于传统的少样本训练方法提升准确率2.4%。
实施例2
基于实施例1，本发明实施例2还提供一种应用于高压开关柜缺陷预测的系统，所述系统包括：
数据采集部分，用于传感器数据的收集及存储；
数据处理部分，用于对传感器数据进行归一化并映射为嵌入向量，作为传感器数据的分布式表征；
模型训练部分，用于基于分布式表征获取传感器数据并构建均方差损失函数对Transformer模型进行训练，利用训练好的Transformer模型提取高压开关柜状态特征，使用状态特征的均值作为高压开关柜缺陷的类别的特征表示；
数据扩展部分，用于基于分布式表征进行嵌入式扩展得到预设数量的传感器数据；
模型调整部分，用于利用缺陷的类别的特征表示对Transformer模型进行调整得到Transformer重构模型，扩展得到的传感器数据输入Transformer重构模型，训练Transformer重构模型得到训练好的Transformer重构模型；
缺陷预测部分，用于将实时采集的传感器数据输入训练好的Transformer重构模型中，得到高压开关柜的缺陷预测结果。
具体的，所述模型训练部分还用于：
步骤c01、基于分布式表征计算时刻对应的位置嵌入向量/>；
步骤c02、以预设概率将嵌入向量与位置嵌入向量/>相加，否则将掩码向量/>与/>相加，得到该时刻的隐向量/>，基于隐向量/>使用Transformer模型获取传感器数据/>，/>，其中，/>表示Transformer模型，/>表示Transformer模型的全连接层；
步骤c03、基于传感器数据构建均方差损失函数，其中，/>表示时刻/>的原始传感器数据，表示采用掩码向量计算的隐向量的时刻集合，训练Transformer模型，均方差损失函数值最小或者达到训练次数时，停止训练；
步骤c04、将嵌入向量与位置嵌入向量/>相加，并使用训练后的Transformer模型编码得到高压开关柜状态特征，使用状态特征的均值作为该类缺陷的特征表示，对于第/>类缺陷，特征表示为/>，其中，/>为/>类缺陷出现的时刻集合。
更具体的，所述步骤c01包括：
基于分布式表征计算时刻对应的位置嵌入向量
其中，表示嵌入向量/>的长度，/>表示第i个参数系数且/>。
更具体的，所述数据扩展部分还用于：
步骤d01、将各时刻的高压开关柜传感器缺陷状态表示为向量，其中/>表示缺陷类别的数量，/>中的每个元素表示对应类别的缺陷是否存在；
步骤d02、随机选择两组实际采集的传感器数据，分别记为和，其中，/>表示其中一组传感器数据的嵌入向量，/>表示另一组传感器数据的嵌入向量，/>表示其中一组传感器缺陷状态对应的向量，/>表示另一组传感器缺陷状态对应的向量，/>表示传感器数据的时间长度，从0-1均匀分布中随机采样/>，计算新的传感器数据：
重复执行，直到生成预设数量的数据为止。
更具体的，所述模型调整部分还用于：
步骤e01、前缀矩阵初始化为各类缺陷的类别原型组成的矩阵；
步骤e02、基于前缀矩阵对Transformer模型中多头自注意力模块进行调整得到Transformer重构模型并构建蒸馏损失函数；
步骤e03、将步骤d中生成的预设数量的传感器数据输入Transformer重构模型，将Transformer重构模型输出的隐向量映射为预测值，基于该预测值构建交叉熵损失函数；
步骤e04、利用蒸馏损失函数对前缀矩阵和Transformer重构模型的瓶颈层进行训练，利用交叉熵损失函数，对Transformer重构模型进行训练，当达到训练次数或者对应的损失函数值最小时停止训练，得到训练好的Transformer重构模型。
更具体的，所述步骤e01包括：
Transformer模型中时刻的多头自注意力模块原型定义为当前传感器数据序列上所有时刻的嵌入向量和位置嵌入向量的加权求和：
其中，表示Transformer模型的注意力头的数量，/>表示Transformer模型最后一层的注意力矩阵；
高压开关柜第类缺陷的类别原型定义为该类缺陷出现时的多头自注意力模块原型的均值：
前缀矩阵初始化为各类缺陷的类别原型组成的矩阵：
。
更具体的，所述步骤e02包括：
使用Transformer模型的瓶颈层将前缀矩阵/>线性映射为/>，而后将/>分块得到若干前缀/>，其中/>表示Transformer模型的层数，/>表示键矩阵前缀，/>表示值矩阵前缀，对于Transformer的第/>层，将Transformer模型中的多头自注意力模块替换为得到Transformer重构模型，其中，表示多头自注意力模块，/>表示多头自注意力矩阵的计算函数，/>表示查询矩阵，/>表示键矩阵，/>表示值矩阵；
构建蒸馏损失函数，/>表示前缀矩阵/>的第/>列。
更具体的，所述步骤e03包括：
将步骤d中生成的预设数量的传感器数据输入Transformer重构模型，将Transformer重构模型输出的隐向量映射为预测值，基于该预测值构建交叉熵损失函数/>。
实施例3
本发明还提供一种应用于高压开关柜缺陷预测的设备，包括至少一个处理器以及与所述处理器通信连接的至少一个存储器，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行实施例1所述的方法。
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)
1.一种应用于高压开关柜缺陷预测的方法，其特征在于，所述方法包括：
步骤a：传感器数据的收集及存储；
步骤b：对传感器数据进行归一化并映射为嵌入向量，作为传感器数据的分布式表征；
步骤c：基于分布式表征获取传感器数据并构建均方差损失函数对Transformer模型进行训练，利用训练好的Transformer模型提取高压开关柜状态特征，使用状态特征的均值作为高压开关柜缺陷的类别的特征表示；
步骤d：基于分布式表征进行嵌入式扩展得到预设数量的传感器数据；
步骤e：利用缺陷的类别的特征表示对Transformer模型进行调整得到Transformer重构模型，扩展得到的传感器数据输入Transformer重构模型，训练Transformer重构模型得到训练好的Transformer重构模型；
步骤f：将实时采集的传感器数据输入训练好的Transformer重构模型中，得到高压开关柜的缺陷预测结果。
2.根据权利要求1所述的一种应用于高压开关柜缺陷预测的方法，其特征在于，所述步骤c包括：
步骤c01、基于分布式表征计算时刻对应的位置嵌入向量/>；
步骤c02、以预设概率将嵌入向量与位置嵌入向量/>相加，否则将掩码向量/>与相加，得到该时刻的隐向量/>，基于隐向量/>使用Transformer模型获取传感器数据/>，，其中，/>表示Transformer模型，/>表示Transformer模型的全连接层；
步骤c03、基于传感器数据构建均方差损失函数，其中，/>表示时刻/>的原始传感器数据，表示采用掩码向量计算的隐向量的时刻集合，训练Transformer模型，均方差损失函数值最小或者达到训练次数时，停止训练；
步骤c04、将嵌入向量与位置嵌入向量/>相加，并使用训练后的Transformer模型编码得到高压开关柜状态特征，使用状态特征的均值作为该类缺陷的特征表示，对于第/>类缺陷，特征表示为/>，其中，/>为/>类缺陷出现的时刻集合。
3.根据权利要求2所述的一种应用于高压开关柜缺陷预测的方法，其特征在于，所述步骤c01包括：
基于分布式表征计算时刻对应的位置嵌入向量
其中，表示嵌入向量/>的长度，/>表示第i个参数系数且/>。
4.根据权利要求3所述的一种应用于高压开关柜缺陷预测的方法，其特征在于，所述步骤d包括：
步骤d01、将各时刻的高压开关柜传感器缺陷状态表示为向量，其中/>表示缺陷类别的数量，/>中的每个元素表示对应类别的缺陷是否存在；
步骤d02、随机选择两组实际采集的传感器数据，分别记为和，其中，/>表示其中一组传感器数据的嵌入向量，/>表示另一组传感器数据的嵌入向量，/>表示其中一组传感器缺陷状态对应的向量，/>表示另一组传感器缺陷状态对应的向量，/>表示传感器数据的时间长度，从0-1均匀分布中随机采样/>，计算新的传感器数据：
重复执行，直到生成预设数量的数据为止。
5.根据权利要求4所述的一种应用于高压开关柜缺陷预测的方法，其特征在于，所述步骤e包括：
步骤e01、前缀矩阵初始化为各类缺陷的类别原型组成的矩阵；
步骤e02、基于前缀矩阵对Transformer模型中多头自注意力模块进行调整得到Transformer重构模型并构建蒸馏损失函数；
步骤e03、将步骤d中生成的预设数量的传感器数据输入Transformer重构模型，将Transformer重构模型输出的隐向量映射为预测值，基于该预测值构建交叉熵损失函数；
步骤e04、利用蒸馏损失函数对前缀矩阵和Transformer重构模型的瓶颈层进行训练，利用交叉熵损失函数，对Transformer重构模型进行训练，当达到训练次数或者对应的损失函数值最小时停止训练，得到训练好的Transformer重构模型。
6.根据权利要求5所述的一种应用于高压开关柜缺陷预测的方法，其特征在于，所述步骤e01包括：
Transformer模型中时刻的多头自注意力模块原型定义为当前传感器数据序列上所有时刻的嵌入向量和位置嵌入向量的加权求和：
其中，表示Transformer模型的注意力头的数量，/>表示Transformer模型最后一层的注意力矩阵；
高压开关柜第类缺陷的类别原型定义为该类缺陷出现时的多头自注意力模块原型的均值：
前缀矩阵初始化为各类缺陷的类别原型组成的矩阵：
。
7.根据权利要求6所述的一种应用于高压开关柜缺陷预测的方法，其特征在于，所述步骤e02包括：
使用Transformer模型的瓶颈层将前缀矩阵/>线性映射为/>，而后将/>分块得到若干前缀/>，其中/>表示Transformer模型的层数，/>表示键矩阵前缀，/>表示值矩阵前缀，对于Transformer的第/>层，将Transformer模型中的多头自注意力模块替换为得到Transformer重构模型，其中，表示多头自注意力模块，/>表示多头自注意力矩阵的计算函数，/>表示查询矩阵，/>表示键矩阵，/>表示值矩阵；
构建蒸馏损失函数，/>表示前缀矩阵/>的第/>列。
8.根据权利要求7所述的一种应用于高压开关柜缺陷预测的方法，其特征在于，所述步骤e03包括：
将步骤d中生成的预设数量的传感器数据输入Transformer重构模型，将Transformer重构模型输出的隐向量映射为预测值，基于该预测值构建交叉熵损失函数。
9.一种应用于高压开关柜缺陷预测的系统，其特征在于，所述系统包括：
数据采集部分，用于传感器数据的收集及存储；
数据处理部分，用于对传感器数据进行归一化并映射为嵌入向量，作为传感器数据的分布式表征；
模型训练部分，用于基于分布式表征获取传感器数据并构建均方差损失函数对Transformer模型进行训练，利用训练好的Transformer模型提取高压开关柜状态特征，使用状态特征的均值作为高压开关柜缺陷的类别的特征表示；
数据扩展部分，用于基于分布式表征进行嵌入式扩展得到预设数量的传感器数据；
模型调整部分，用于利用缺陷的类别的特征表示对Transformer模型进行调整得到Transformer重构模型，扩展得到的传感器数据输入Transformer重构模型，训练Transformer重构模型得到训练好的Transformer重构模型；
缺陷预测部分，用于将实时采集的传感器数据输入训练好的Transformer重构模型中，得到高压开关柜的缺陷预测结果。
10.一种应用于高压开关柜缺陷预测的设备，其特征在于，包括至少一个处理器以及与所述处理器通信连接的至少一个存储器，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311354212.5A CN117094705B (zh) | 2023-10-19 | 2023-10-19 | 一种应用于高压开关柜缺陷预测的方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311354212.5A CN117094705B (zh) | 2023-10-19 | 2023-10-19 | 一种应用于高压开关柜缺陷预测的方法、系统及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117094705A true CN117094705A (zh) | 2023-11-21 |
| CN117094705B CN117094705B (zh) | 2024-01-02 |
Family
ID=88775597
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311354212.5A Active CN117094705B (zh) | 2023-10-19 | 2023-10-19 | 一种应用于高压开关柜缺陷预测的方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117094705B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200200813A1 (en) * | 2018-12-21 | 2020-06-25 | Zhejiang University | Online diagnosis method for deformation position on trasnformation winding |
| CN112906288A (zh) * | 2021-01-05 | 2021-06-04 | 国网重庆市电力公司市北供电分公司 | 基于正常样本数据的开关柜状态评估方法 |
| US20220051126A1 (en) * | 2020-08-12 | 2022-02-17 | International Business Machines Corporation | Classification of erroneous cell data |
| WO2022120665A1 (zh) * | 2020-12-09 | 2022-06-16 | 电子科技大学 | 一种基于深度学习的电容缺陷智能检测方法 |
| WO2022142041A1 (zh) * | 2020-12-29 | 2022-07-07 | 平安科技（深圳）有限公司 | 意图识别模型的训练方法、装置、计算机设备和存储介质 |
| CN114821368A (zh) * | 2022-05-05 | 2022-07-29 | 合肥工业大学 | 一种基于强化学习和Transformer的电力缺陷检测方法 |
| US20220414526A1 (en) * | 2021-06-23 | 2022-12-29 | Intelligent Systems, LLC | Intelligent fault detection system |
| CN116108190A (zh) * | 2022-11-04 | 2023-05-12 | 华北电力大学 | 一种面向智能运维的电力变压器知识图谱构建方法 |
| CN116187496A (zh) * | 2022-11-25 | 2023-05-30 | 浙江工商大学 | 一种飞机传感器时序预测方法 |
| CN116244279A (zh) * | 2022-12-19 | 2023-06-09 | 国网安徽省电力有限公司电力科学研究院 | 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 |
| CN116434777A (zh) * | 2023-06-09 | 2023-07-14 | 国网山东省电力公司济南供电公司 | 基于多级注意力和特征融合的变压器故障诊断方法及系统 |
| CN116433223A (zh) * | 2023-04-20 | 2023-07-14 | 国网山西省电力公司信息通信分公司 | 基于双域稀疏Transformer模型的变电站设备故障预警方法及设备 |
| CN116721057A (zh) * | 2023-04-29 | 2023-09-08 | 无锡日联科技股份有限公司 | 基于Transformer的缺陷检测方法及装置 |
-
2023
- 2023-10-19 CN CN202311354212.5A patent/CN117094705B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200200813A1 (en) * | 2018-12-21 | 2020-06-25 | Zhejiang University | Online diagnosis method for deformation position on trasnformation winding |
| US20220051126A1 (en) * | 2020-08-12 | 2022-02-17 | International Business Machines Corporation | Classification of erroneous cell data |
| WO2022120665A1 (zh) * | 2020-12-09 | 2022-06-16 | 电子科技大学 | 一种基于深度学习的电容缺陷智能检测方法 |
| WO2022142041A1 (zh) * | 2020-12-29 | 2022-07-07 | 平安科技（深圳）有限公司 | 意图识别模型的训练方法、装置、计算机设备和存储介质 |
| CN112906288A (zh) * | 2021-01-05 | 2021-06-04 | 国网重庆市电力公司市北供电分公司 | 基于正常样本数据的开关柜状态评估方法 |
| US20220414526A1 (en) * | 2021-06-23 | 2022-12-29 | Intelligent Systems, LLC | Intelligent fault detection system |
| CN114821368A (zh) * | 2022-05-05 | 2022-07-29 | 合肥工业大学 | 一种基于强化学习和Transformer的电力缺陷检测方法 |
| CN116108190A (zh) * | 2022-11-04 | 2023-05-12 | 华北电力大学 | 一种面向智能运维的电力变压器知识图谱构建方法 |
| CN116187496A (zh) * | 2022-11-25 | 2023-05-30 | 浙江工商大学 | 一种飞机传感器时序预测方法 |
| CN116244279A (zh) * | 2022-12-19 | 2023-06-09 | 国网安徽省电力有限公司电力科学研究院 | 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 |
| CN116433223A (zh) * | 2023-04-20 | 2023-07-14 | 国网山西省电力公司信息通信分公司 | 基于双域稀疏Transformer模型的变电站设备故障预警方法及设备 |
| CN116721057A (zh) * | 2023-04-29 | 2023-09-08 | 无锡日联科技股份有限公司 | 基于Transformer的缺陷检测方法及装置 |
| CN116434777A (zh) * | 2023-06-09 | 2023-07-14 | 国网山东省电力公司济南供电公司 | 基于多级注意力和特征融合的变压器故障诊断方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| Z.C. WEI 等: "A novel deep learning model based on target transformer for fault diagnosis of chemical process", 《PROCESS SAFETY AND ENVIRONMENTAL PROTECTION》, pages 480 - 492 * |
| 张建亮 等: "基于双域稀疏Transformer的变电站设备故障预警方法", 《计算机科学》, pages 1 - 10 * |
| 陈新度 等: "基于多头卷积和差分自注意力的小样本故障诊断方法", 《华南理工大学学报(自然科学版)》, pages 21 - 33 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117094705B (zh) | 2024-01-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108564254A (zh) | 基于大数据的配电设备状态可视化平台 | |
| CN111650451B (zh) | 一种换流变故障原因辨识方法及系统 | |
| CN110334866B (zh) | 考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法及系统 | |
| Qi et al. | A novel deep recurrent belief network model for trend prediction of transformer DGA data | |
| CN104914327A (zh) | 基于实时监测信息的变压器故障检修预测方法 | |
| CN105718958B (zh) | 基于线性判别分析和支持向量机的断路器故障诊断方法 | |
| CN110926778A (zh) | 基于异常振动的气体绝缘组合开关设备机械故障诊断方法 | |
| 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 | |
| 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 | |
| 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 | |
| CN112630562A (zh) | 一种基于深度神经网络的开关柜故障识别方法及其装置 | |
| CN116050888A (zh) | 应用于智能高压开关柜传感器健康状态评估的方法 | |
| CN116029699A (zh) | 一种基于数据孪生的电力信息系统及运维方法 | |
| CN116720622A (zh) | 一种电流互感器计量误差值预测方法 | |
| CN117371207A (zh) | 一种特高压换流阀状态评价方法、介质及系统 | |
| CN117110798B (zh) | 智能配电网的故障检测方法和系统 | |
| CN114397569A (zh) | 基于vmd参数优化、样本熵的断路器故障电弧检测方法 | |
| CN117094705B (zh) | 一种应用于高压开关柜缺陷预测的方法、系统及设备 | |
| CN115238733A (zh) | 一种高压断路器合分闸线圈运行状态评估方法及相关设备 | |
| Wang et al. | State prediction of power transformer based on grey-lagrange method with weighted coefficient of variation | |
| CN114254772A (zh) | 一种基于svm的配电网装置设备故障分析方法 | |
| CN114487643A (zh) | 一种特高压gil设备现场交接验收综合测试平台 | |
| Yao et al. | GIS insulation state evaluation based on multi-source information Fusion | |
| Hou et al. | Mechanical fault diagnosis of reactor core winding looseness based on multi-feature fusion and improved KELM | |
| Hu et al. | A fault prediction method based on IAALO-SVM and similarity measure |
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 |