CN117195066A - 分布式电力设备故障检测方法、系统、存储介质及处理器 - Google Patents
分布式电力设备故障检测方法、系统、存储介质及处理器 Download PDFInfo
- Publication number
- CN117195066A CN117195066A CN202311047915.3A CN202311047915A CN117195066A CN 117195066 A CN117195066 A CN 117195066A CN 202311047915 A CN202311047915 A CN 202311047915A CN 117195066 A CN117195066 A CN 117195066A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- landmark
- center
- power equipment
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 86
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 230000007246 mechanism Effects 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 41
- 238000004220 aggregation Methods 0.000 claims description 19
- 230000002776 aggregation Effects 0.000 claims description 16
- 238000012423 maintenance Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000006835 compression Effects 0.000 claims description 7
- 238000007906 compression Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 6
- 238000012217 deletion Methods 0.000 claims description 4
- 230000037430 deletion Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 52
- 238000013135 deep learning Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明适用于电力设备故障检测领域,提供了一种分布式电力设备故障检测方法,包括:A采集数据;B数据预处理;C数据编码,构建地标中心提取机制;D地标集合过滤和优化;E数据重构与模型迭代优化;F利用参数服务器进行参数优化,并将参数反馈给本地故障检测模型,完成最终的模型训练;G将电力设备的实时运行数据输入故障检测模型;H利用故障评价函数和故障阈值确定电力设备的故障情况,并根据需求推送故障信息。此外,本发明还提供一种分布式电力设备故障检测系统、存储介质及处理器。本发明能够同时检测多个电力设备是否发生故障,且能有效学习并识别电力设备运行数据中潜在的故障特征,提高设备故障检测的准确度和可靠性。
Description
技术领域
本发明涉及电力设备故障检测技术领域,具体地涉及一种分布式电力设备故障检测方法。进一步地,本发明还涉及一种分布式电力设备故障检测系统。此外,本发明还涉及一种存储介质,该存储介质包括用于使得机器执行本申请上述分布式电力设备故障检测方法的指令。更进一步,本发明还涉及一种处理器,该处理器用于执行本申请上述分布式电力设备故障检测方法。
背景技术
随着新型电力系统的快速布局,电力设备被广泛分布在电力系统各个环节,且存在种类繁多、结构各异等特点。传统的电力设备故障检测方法存在一系列局限性,难以有效检测出设备的故障情况,且往往只能实现对单个电力设备的故障检测,无法对电力系统中多个设备同时进行检测。这些方法往往无法准确学习并识别电力设备运行数据中潜在的故障特征,导致误报率和漏报率较高等问题。这样的情况严重威胁着电力系统的正常运行,可能引发设备中断、系统崩溃等严重后果。
有鉴于此,需要设计一种分布式电力设备故障检测方法、系统、存储介质及处理器,以克服或缓解现有技术的上述缺陷。
发明内容
本发明所要解决的技术问题是提供一种分布式电力设备故障检测方法,该方法能够有效地对电力系统中的多个电力设备同时进行故障检测并且能够准确的学习并识别电力设备的运行数据中潜在的故障特征。
进一步地,本发明所要解决的技术问题是提供一种分布式电力设备故障检测系统,该系统能够有效地对电力系统中的多个电力设备同时进行故障检测并且能够准确的学习并识别电力设备的运行数据中潜在的故障特征。
此外,本发明所要解决的技术问题是提供一种存储介质,该存储介质存储了用于使得机器执行本申请上述分布式电力设备故障检测方法的指令。
更进一步地,本发明所要解决的技术问题是提供一种处理器,该处理器能够执行本申请上述分布式电力设备故障检测方法。
为了解决上述技术问题,本发明提供一种分布式电力设备故障检测方法,包括如下步骤:
A)采集各个电力设备的运行数据,建立本地数据中心;
B)对所述本地数据中心的数据进行缺失值和脏数据的清理,并对所述数据进行归一化处理,得到预处理数据集合/>;
C)将所述预处理数据集合中的数据输入深度编码器编码为低维的潜在特征数据/>,并通过地标中心提取机制,从所获取的潜在特征数据中发现所述电力设备运行正常的聚集模式,从而提取具有一定代表性和高密度性的初始候选地标中心集合,所述候选地标中心用来表征设备运行数据中正常设备的多样性;
D)通过自适应地标过滤机制对所述候选地标中心集合过滤和优化,得到优化后的地标中心集合/>;
E)将优化后的地标中心集合和潜在特征数据/>输入深度解码器进行前向传播和数据重构,获取与本地原始数据具有相同特征维度的重构数据/>,并利用混合损失函数在本地端进行模型参数的迭代优化,以获得各个所述电力设备的权重参数和地标中心的相关模型参数;
F)将各个所述电力设备的所述权重参数和地标中心的所述相关模型参数上传至参数服务器,进行参数优化,并将优化后的所述权重参数和地标中心的所述相关模型参数反馈给相应的所述电力设备的故障检测模型,以完成故障检测模型的最终训练;
G)将各个所述电力设备的实时运行数据输入训练完成后的所述故障检测模型,以获取各个所述电力设备运行时的所述低维的潜在特征数据、重构后的数据/>和对应的地标中心集合/>;
H)将所述低维的潜在特征数据、重构后的数据/>和对应的地标中心集合/>代入故障评价函数得到故障分数/>,并将所述故障分数/>与故障阈值比较确定每个所述电力设备的故障情况,并根据需求推送设备故障信息。
优选地,所述地标中心提取机制是根据所述低维的潜在特征数据的重要性程度,利用Sigma原则提取具有一定表征能力的初始地标中心,并建立所述候选地标中心集合/>,所述候选地标中心集合/>的获取步骤分别如下:
C1)将所述预处理数据集合中的数据输入深度编码器编码进行压缩编码,转换为所述低维的潜在特征数据/>,计算公式如下:
C2)根据所述低维的潜在特征数据计算第t个所述电力设备中的第i个样本的低维潜在特征/>的集聚度/>和最近稀疏距离/>,计算公式如下:
其中,表示一种阈值参数;
C3)根据所述集聚度和所述最近稀疏距离/>计算第t个所述电力设备中的第i个样本成为地标中心的重要性程度/>,计算公式如下:
C4)根据所述重要性程度利用Sigma原则进行地标中心的初步选取,从而得到第t个所述电力设备的所述候选地标中心集合/>,计算公式如下:
其中,和/>分别为第t个所述电力设备的所有样本的重要性程度/>的均值和标准差。
优选地,所述自适应地标过滤机制是根据所述重要性程度对所述候选地标中心集合/>降序排序,得到有序的候选地标中心集合/>,再计算所述有序的候选地标中心集合/>中的所述候选地标中心之间的距离,并找到与其近邻的近邻地标中心集合/>,进而根据所述近邻地标中心集合/>对位于同一个高密度聚集区域中的多个所述候选地标中心取所述集聚度/>最大的所述候选地标中心作为该区域最终的地标中心,并将该区域其余所述候选地标中心进行过滤,所述优化后的地标中心集合/>的获取步骤分别如下:
D1)根据所述重要性程度对所述候选地标中心集合/>降序排序后得到所述有序的候选地标中心集合/>,计算公式如下:
D2)计算所述有序的候选地标中心集合中的所述候选地标中心之间的距离,并找到所述近邻地标中心集合/>,计算公式如下:
D3)根据所述近邻地标中心集合,对位于同一个高密度聚集区域中的多个所述候选地标中心取所述集聚度/>最大的所述候选地标中心作为该区域最终的地标中心,并将该区域其余所述候选地标中心进行过滤,得到所述优化后的地标中心集合/>,计算公式如下:
。
优选地,所述混合损失函数包括重构损失函数、亲和度损失函数、稀疏度损失函数和一般约束项,各个所述电力设备的所述权重参数和地标中心的所述相关模型参数的获取步骤分别如下:
E1)将优化后的地标中心集合和潜在特征数据/>输入深度解码器进行解码,得到与本地原始数据具有相同特征维度的所述重构数据/>,计算公式如下:
E2)通过重构损失函数最小化输入数据与重构数据之间的重构差异,让本地原始数据与重构数据保持关键信息量的一致性,计算公式如下:
其中,表示L2-范数;
E3)通过亲和度损失函数最小化所述低维的潜在特征数据与其最近的地标中心点之间的距离,计算公式如下:
其中,;
E4)通过稀疏度损失函数最大化所述低维的潜在特征数据与其次近的地标中心点之间的距离,计算公式如下:
其中,;
E5)将所预设的重构损失函数、亲和度损失函数和稀疏度损失函数进行融合,得到新的混合损失函数,并在混合损失函数中加入一般约束项,以避免模型出现过拟合的情形,具体公式计算如下:
其中,α和β分别为亲和度损失函数和稀疏度损失函数的权衡参数,且α、β∈[0,1],表示p-范数,/>为约束参数;
E6)利用所述混合损失函数对本地模型参数迭代优化,以获得各个所述电力设备的所述权重参数和地标中心的所述相关模型参数。
具体地,所述参数服务器包括参数存储中心、参数优化中心和参数共享中心,所述参数存储中心能够存储本地模型参数,所述参数优化中心能够进行模型参数的梯度优化和更新,所述参数共享中心能够对参数结构进行参数聚合并与各个所述电力设备实现参数共享,步骤分别如下:
F1)将各个所述电力设备的所述权重参数和地标中心的所述相关模型参数上传到所述参数存储中心;
F2)通过所述参数优化中心对所述权重参数和地标中心的所述相关模型参数进行梯度优化和参数更新,以得到更新后的模型参数;
F3)通过参数共享中心的稀疏共享策略对所述更新后的模型参数进行参数聚合,并将聚合后的模型参数反馈给相应的所述电力设备。
优选地,根据所述低维的潜在特征数据、重构后的数据/>和对应的地标中心集合/>通过所述故障评价函数计算每个所述电力设备的所述故障分数/>并进行故障程度排序,再将排序后的所述故障分数Fault'和所述故障阈值比较确定每个所述电力设备的故障情况,得到故障电力设备集合Fail_Eq,并根据需求推送故障信息,步骤分别如下:
H1)根据所述低维的潜在特征数据、重构后的数据/>和对应的地标中心集合,通过故障评价函数计算每个所述电力设备的故障分数/>,计算公式如下:
其中,表示L2-范数,/>;
H2)根据所述故障分数对所述电力设备的故障程度排序,得到所述排序后的故障分数Fault',计算公式如下:
H3)将所述排序后的故障分数Fault'和所述故障阈值比较得到所述故障设备集合Fail_Eq,计算公式如下:
其中,threshold为所述故障阈值;
H4)基于所述故障设备集合Fail_Eq,根据实际需求将设备故障信息推送给维修人员或管理层。
进一步地,本发明还提供一种分布式电力设备故障检测系统,包括:
本地数据中心,能够采集电力设备的运行数据并存储在所述本地数据中心,并且能够将所述本地数据中心中的数据进行缺失值和脏数据的清理,以及数据归一化的处理,以得到预处理数据;
本地模型训练模块,能够构建基于深度自编码器的分布式设备故障检测模型,并利用所述本地数据中心中的数据对所述故障检测模型进行迭代训练,得到每个所述电力设备的权重参数和地标中心的相关模型参数;
参数共享模块,能够将本地的模型参数上传至参数服务器,进行参数优化和稀疏共享策略,并将优化后的故障检测模型反馈给相应的本地模型,以实现多个所述电力设备共用同一所述故障检测模型;
设备故障程度计算模块,能够根据所述本地数据中心采集的所述运行数据、所述参数服务器反馈的所述优化后的故障检测模型和故障评价函数计算出各个所述电力设备的故障分数;
设备故障推送模块,能够对所述电力设备的故障程度排序,确定每个所述电力设备的故障情况,并根据故障实时情况形成故障日志事件,推送故障信息,辅助维修人员或管理人员制定科学合理的维修决策和应急方案。
优选地,所述本地模型训练模块包括:
数据编码压缩子模块,能够将所述预处理数据输入深度编码器进行压缩编码,转换为低维的潜在特征数据;
自适应地标提取子模块,能够根据地标中心提取机制和自适应地标过滤机制进行地标中心的提取、过滤和优化,以得到具备高密度性、稀疏性和代表性等基本特性的地标中心集合;
数据重构子模块,能够对所述低维的潜在特征数据进行前向传播和数据重构,获得与本地原始数据具有相同特征维度的重构数据;
模型训练子模块,能够根据混合损失函数在本地端进行模型参数的迭代优化,得到每个所述电力设备的权重参数和地标中心的相关模型参数。
此外,本发明还提供一种存储介质,所述存储介质上存储有指令,所述指令用于使得机器执行本申请上述的分布式电力设备故障检测方法。
更进一步地,本发明还提供一种处理器,用于运行程序,其中,所述程序被运行时用于执行本申请上述的分布式电力设备故障检测方法。
通过上述技术方案,本发明的分布式电力设备故障检测方法、系统、存储介质及处理器通过采集电力系统中多个电力设备的运行数据并对该数据预处理和编码,之后通过地标中心提取机制建立候选地标中心集合并对该候选地标中心集合优化和过滤,从而使得分布式电力设备故障检测方法能够更准确地捕捉电力设备故障的复杂模式和细微变化。再对该候选地标中心集合中的数据重构并对重构数据迭代优化以获得各个电力设备的权重参数和地标中心的相关模型参数,从而相对有效地提高了电力设备故障检测的精确度和效率,降低设备故障的误报率和漏报率。然后将各个电力设备的权重参数和地标中心的相关模型参数上传参数服务器,在参数服务器中进行参数优化和稀疏共享并将权重参数和地标中心的相关模型参数反馈给相应的电力设备,以在各个电力设备中建立故障检测模型,从而使得数据在本地设备完成处理,只需将参数上传至参数服务器进行相关参数共享,减少了设备之间大量的数据传输,并且对通过稀疏共享策略对模型参数进行参数聚合以减少不必要参数的资源浪费,使得故障检测系统更加灵活和可扩展,因此本发明提供的分布式电力设备故障检测方法、系统、存储介质及处理器能够适用于更复杂的电力系统中对多个电力设备同时进行故障检测。
本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1是本发明的分布式电力设备故障检测方法具体实施方式的步骤图。
图2是本发明的分布式电力设备故障检测系统具体实施方式的结构图。
图3是本发明的计算机设备具体实施方式的示意图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
首先需要说明的是,对于本领域技术人员,本发明的一些描述中所涉及的“一定代表性”和“一定表征能力”不会导致本发明技术特征不明确。本发明涉及的具有一定代表性的候选地标中心集合和具有一定表征能力的候选地标中心集合表示只要该集合能够表征设备运行数据中正常设备的多样性即可,这种表征样本的多样性的集合对本领域技术人员是明确的。因此,不需要对候选地标中心集合的代表性或表征能力进行更加具体的限制,本领域技术人员也能够得到完整的技术方案。本发明涉及的“权重参数和地标中心的相关模型参数”具体指每一层迭代的权重参数、偏差,亲和度损失函数和疏密度损失函数的权重参数以及迭代优化后的地标中心集合。
如图1所示,作为本发明分布式电力设备故障检测方法的一个实施例,该方法包括如下步骤:
A)采集各个电力设备的运行数据,并在每个电力设备终端建立本地数据中心,用于存储本地设备的运行数据,/>为第t个电力设备的本地数据中心;
B)将本地数据中心的数据进行缺失值和脏数据的清理,并进行数据归一化处理,得到预处理数据集合/>;
C)将预处理数据集合中的数据输入深度编码器进行压缩编码,转换为低维的潜在特征数据/>,并利用预设的地标中心提取机制,从所获取的潜在特征数据/>中发现电力设备运行正常的聚集模式,从而提取具有一定代表性和高密度性的初始候选地标中心集合/>,该初始候选地标中心/>用来表征设备运行数据中正常设备的多样性;
D)基于所获取的候选地标中心利用预设的自适应地标过滤机制对候选地标中心集合进行过滤和优化,将一些冗余的地标中心剔除,得到具备高密度性、稀疏性和代表性等基本特性的地标中心集合/>;
E)将经过预设的地标中心提取机制和自适应地标过滤机制处理后的低维潜在特征数据输入深度解码器进行前向传播和数据重构,获得与本地原始数据具有相同特征维度的重构数据/>,并利用预设的混合损失函数在本地端进行模型参数的迭代优化,得到每个电力设备的权重参数和地标中心的相关模型参数;
F)将各个本地设备端得到的权重参数和地标中心等模型参数,上传至预设的参数服务器中,进行参数优化和稀疏共享等策略,并将优化后的参数反馈给相应的电力设备的故障检测模型,以完成故障检测模型的最终训练;
G)将各个电力设备的实时运行数据输入训练完成后的故障检测模型,以获取关于各个电力设备实时运行时的低维潜在特征数据、重构后的数据表示/>以及对应的地标中心集合/>;
H)将低维的潜在特征数据、重构后的数据/>和对应的地标中心集合/>代入故障评价函数得到故障分数/>,并将故障分数/>与故障阈值比较确定每个电力设备的故障情况,得到故障电力设备集合Fail_Eq,并根据需求推送故障信息。
在本发明的上述基本实施例当中,本发明的分布式电力设备故障检测方法是一种基于深度学习的方法。深度学习属于人工智能领域,是一种工程方法,可以理解为,深度学习是指计算机从数据中学习并训练获得数学模型,从而利用该数学模型对电力设备运行数据进行检测以及做出决策,它能够通过数据和经验自动改进自身的性能。换句话说,深度学习是计算机利用学习算法对数据进行分析,并从中学习以获得对电力设备运行数据进行检测的能力,需要说明的是,从数据中学得的结果可以称为模型,也可以称为学习器。通过执行某个深度学习算法从而能够从数据中学得模型的过程称为学习或训练,因此,可以知道,深度学习算法是指在计算机上从数据中产生模型的算法,它是一类通过分析数据并从中获得规律,能够通过该规律对电力设备运行数据进行检测的方法。
通过以上描述可知,获得数据是进行深度学习的首要条件。在本发明的技术方案中,各个电力设备均设置有本地数据中心能够采集电力设备的运行数据并存储在本地数据中心/>中。
数据采集时可能会出现数据缺失或脏读的情况,因此在本发明的技术方案中,对本地数据中心的数据进行缺失值和脏数据的清理,并对数据进行归一化处理,得到预处理数据集合/>。
为了使电力设备故障检测系统能够学习并识别电力设备运行数据中潜在的故障特征,在本发明的技术方案中,将预处理数据集合中的数据输入深度编码器编码为低维的潜在特征数据/>,并通过地标中心提取机制,从所获取的潜在特征数据中发现电力设备运行正常的聚集模式,从而提取具有一定代表性和高密度性的初始候选地标中心集合,候选地标中心用来表征设备运行数据中正常设备的多样性。
具体地,地标中心提取机制是根据低维的潜在特征数据的重要性程度/>,利用Sigma原则提取具有一定代表性和高密度性的初始地标中心,并建立候选地标中心集合,候选地标中心集合/>的获取步骤分别如下:
C1)将预处理数据集合中的数据输入深度编码器编码进行压缩编码,转换为低维的潜在特征数据/>,计算公式如下:
C2)根据低维的潜在特征数据计算第t个电力设备中的第i个样本的低维潜在特征/>的集聚度/>和最近稀疏距离/>,计算公式如下:
其中,表示一种阈值参数,集聚度/>表示潜在特征表示/>周边样本聚集程度情况,/>越大表明其周边聚集了更多的近邻样本点,表征近邻点的能力越强;最近稀疏距离/>表示/>与比其集聚度更大的样本点之间的最近距离;
C3)根据集聚度和最近稀疏距离/>计算第t个电力设备中的第i个样本成为地标中心的重要性程度/>,计算公式如下:
C4)根据所获取的地标中心的重要性程度,利用Sigma原则进行地标中心的初步选取从而得到第t个电力设备的候选地标中心集合/>,计算公式如下:
其中,和/>分别为第t个电力设备的所有样本的重要性程度/>的均值和标准差。
进一步地,为了将一些冗余的地标中心剔除从而获得具备高密度性、稀疏性和代表性基本特性的地标中心集合,在本发明的技术方案中,通过自适应地标过滤机制对候选地标中心集合过滤和优化,得到优化后的地标中心集合/>。
具体地,自适应地标过滤机制是根据重要性程度对候选地标中心集合/>降序排序,得到有序的候选地标中心集合/>,再计算有序的候选地标中心集合/>中的候选地标中心之间的距离,并找到与其近邻的近邻地标中心集合/>,进而根据近邻地标中心集合/>对位于同一个高密度聚集区域中的多个候选地标中心取集聚度最大的候选地标中心作为该区域最终的地标中心,并将该区域其余候选地标中心进行过滤,优化后的地标中心集合/>的获取步骤分别如下:
D1)根据重要性程度对候选地标中心集合/>降序排序,得到有序的候选地标中心集合/>,计算公式如下:
D2)计算有序的候选地标中心集合中的候选地标中心之间的距离,并为每个候选地标中心找到近邻地标中心集合/>,计算公式如下:
D3)根据近邻地标中心集合,对位于同一个高密度聚集区域中的多个候选地标中心取集聚度/>最大的候选地标中心作为该区域最终的地标中心,并将该区域其余候选地标中心进行过滤得到优化后的地标中心集合/>,计算公式如下:
。
经过地标过滤机制,可以有效地识别同一高密度聚集区域内冗余的候选地标中心,并将一些冗余的地标中心剔除,从而得到具备高密度性、稀疏性和代表性等基本特性的地标中心集合。
通过地标中心提取机制和地标过滤机制,可以自适应地找到合适的地标中心,且不需要设定额外的参数。
进一步地,将优化后的地标中心集合和潜在特征数据/>输入深度解码器进行前向传播和数据重构,获取与本地原始数据具有相同特征维度的重构数据/>,并利用混合损失函数在本地端进行模型参数的迭代优化,以获得各个电力设备的权重参数和地标中心的相关模型参数。
具体地,混合损失函数包括重构损失函数、亲和度损失函数、稀疏度损失函数和一般约束项,各个所述电力设备的所述权重参数和地标中心的所述相关模型参数的获取步骤分别如下:
E1)将经过地标中心提取机制和自适应地标过滤机制处理后的低维潜在特征数据输入深度解码器进行解码,得到与本地原始数据具有相同特征维度的所述重构数据/>,计算公式如下:
E2)通过重构损失函数最小化输入数据与重构数据之间的重构差异,让本地原始数据与重构数据保持关键信息量的一致性,计算公式如下:
其中,表示L2-范数;
E3)通过亲和度损失函数最小化所述低维的潜在特征数据与其最近的地标中心点之间的距离,亲和度损失函数可以让正常样本尽可能地靠近其最近地地标中心,以此来提高模型对正常样本的学习能力,弱化对异常样本的学习能力,计算公式如下:
其中,;
E4)通过稀疏度损失函数最小化低维潜在特征数据与其最近的地标中心点之间的距离的同时,最大化低维的潜在特征数据/>与其次近的地标中心点之间的距离,稀疏度损失函数可以让正常样本尽可能地远离其次近地标中心,以此降低学习难度并且易于存储和传输,计算公式如下:
其中,;
E5)将所预设的重构损失函数、亲和度损失函数和稀疏度损失函数进行融合,得到新的混合损失函数,并在混合损失函数中加入一般约束项,以避免模型出现过拟合的情形,具体公式计算如下:
其中,α和β分别为亲和度损失函数和稀疏度损失函数的权衡参数,且α、β∈[0,1],表示p-范数,/>为约束参数;
E6)利用所述混合损失函数对本地模型参数迭代优化,以获得各个所述电力设备的所述权重参数和地标中心的所述相关模型参数。
进一步地,将各个电力设备的权重参数和地标中心的相关模型参数上传至参数服务器,进行参数优化和稀疏共享等操作,并将优化后的权重参数和地标中心的相关模型参数反馈给相应的电力设备的故障检测模型,以完成故障检测模型的最终训练;
具体地,参数服务器包括参数存储中心、参数优化中心和参数共享中心,参数存储中心能够存储本地模型参数,参数优化中心能够进行模型参数的梯度优化和更新,参数共享中心能够对参数结构进行参数聚合并与各个电力设备实现参数共享,步骤分别如下:
F1)将各个电力设备的权重参数和地标中心的相关模型参数上传到参数存储中心;
F2)通过参数优化中心对权重参数和地标中心的相关模型参数进行梯度优化和参数更新得到更新后的模型参数;
F3)通过参数共享中心的稀疏共享策略对更新后的模型参数进行参数聚合,并将聚合后的模型参数反馈给相应的电力设备。
进一步地,将各个电力设备的实时运行数据输入训练完成后的故障检测模型,以获取各个电力设备运行时的低维的潜在特征数据、重构后的数据/>和对应的地标中心集合/>。将获得的低维的潜在特征数据/>、重构后的数据/>和对应的地标中心集合/>代入故障评价函数得到每个电力设备的故障分数/>并将故障分数Fault'与故障阈值比较确定每个电力设备的故障情况,并根据需求推送故障信息。
具体地,根据电力设备运行时的低维的潜在特征数据、重构后的数据/>和对应的地标中心集合/>通过故障评价函数计算每个电力设备的故障分数/>并进行故障程度排序,再将排序后的故障分数Fault'和故障阈值比较确定每个电力设备的故障情况,得到故障电力设备集合Fail_Eq,并根据需求推送故障信息,步骤分别如下:
H1)根据电力设备运行时的低维的潜在特征数据、重构后的数据/>和对应的地标中心集合/>通过故障评价函数计算每个电力设备的故障分数/>,计算公式如下:
其中,表示L2-范数,/>;
H2)根据故障分数对电力设备的故障程度排序,得到排序后的故障分数Fault',计算公式如下:
H3)将排序后的故障分数Fault'和故障阈值比较得到故障设备集合Fail_Eq,计算公式如下:
其中,threshold为故障阈值;
H4)基于故障设备集合Fail_Eq,根据实际需求将设备故障信息推送给维修人员或管理层,以辅助维修人员或管理人员制定科学合理的维修决策和应急方案。
另外,在本发明的上述技术方案中提到的分布式电力设备故障检测方法的基础上,本发明提供一种分布式电力设备故障检测系统。
如图2所示,作为本发明分布式电力设备故障检测系统的一个实施例,该系统包括:
本地数据中心,能够采集电力设备的运行数据并存储在本地数据中心,并且能够将本地数据中心中的数据进行缺失值和脏数据的清理,以及数据归一化的处理,以得到预处理数据;
本地模型训练模块,能够构建基于深度自编码器的分布式设备故障检测模型,并利用本地数据中心中的数据对故障检测模型进行迭代训练,得到每个电力设备的权重参数和地标中心的相关模型参数;
参数共享模块,能够将本地的模型参数上传至参数服务器,进行参数优化和稀疏共享策略,并将优化后的故障检测模型反馈给相应的本地模型,以实现多个电力设备共用同一故障检测模型;
设备故障程度计算模块,能够根据本地数据中心采集的运行数据、参数服务器反馈的优化后的故障检测模型和故障评价函数计算出各个电力设备的故障分数;
设备故障推送模块,能够对电力设备的故障程度排序,确定每个电力设备的故障情况,并根据故障实时情况形成故障日志事件,推送故障信息。
优选地,本地模型训练模块包括:
数据编码压缩子模块,能够将预处理数据输入深度编码器进行压缩编码,转换为低维的潜在特征数据;
自适应地标提取子模块,能够根据地标中心提取机制和自适应地标过滤机制进行地标中心的提取、过滤和优化,以得到具备高密度性、稀疏性和代表性等基本特性的地标中心集合;
数据重构子模块,能够对低维的潜在特征数据进行前向传播和数据重构,获得与本地原始数据具有相同特征维度的重构数据;
模型训练子模块,能够根据混合损失函数在本地端进行模型参数的迭代优化,得到每个电力设备的权重参数和地标中心的相关模型参数。
如图3所示,所述分布式电力设备故障检测系统包括处理器和存储介质,上述本地数据中心、本地模型训练模块、参数共享模块、设备故障程度计算模块和设备故障推送模块均作为程序存储在本发明提供的存储介质中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
如图3所示,中央处理器作为参数服务器其可通过系统总线连接多个电力设备故障检测子设备,系统总线的实现形式是多种多样的。电力设备故障检测子设备包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
收集采集各个电力设备的运行数据,并进行数据的缺失值和脏数据清理,以及数据归一化等数据预处理工作;
基于深度自编码器的分布式设备故障检测模型和参数服务器,利用本地历史数据进行模型训练和参数共享等工作;
根据设备的实时运行数据在本地电力设备端完成设备故障情况的检测,并将电力设备故障情况推送给运维人员或管理层,辅助运维人员或管理层制定科学的应急方案,避免因设备故障导致的电力系统安全问题。
本发明还提供了一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以下步骤:
收集采集各个电力设备的运行数据,并进行数据的缺失值和脏数据清理,以及数据归一化等数据预处理工作;
基于深度自编码器的分布式设备故障检测模型和参数服务器,利用本地历史数据进行模型训练和参数共享等工作;
根据设备的实时运行数据在本地电力设备端完成设备故障情况的检测,并将电力设备故障情况推送给运维人员或管理层,辅助运维人员或管理层制定科学的应急方案,避免因设备故障导致的电力系统安全问题。
进一步地,如图3所示,本发明的分布式故障检测系统还包括显示屏和输入装置以提供人机交互功能。
综上所述,作为本发明的一个优选实施例,本发明所提供的分布式故障检测方法通过深度自编码器和自适应地标过滤机制学习电力设备运行数据中的关键特征信息,更准确地捕捉电力设备故障的复杂模式和细微变化,并通过融合重构损失函数、亲和度损失函数、稀疏度损失函数和一般约束项的新型混合损失函数进行模型的训练和参数优化,以实现对电力设备故障的智能检测,可以有效提高电力设备故障检测的精确度和效率,降低设备故障的误报率和漏报率,同时减少因故障导致的经济损失或安全事故。本发明提供的参数服务器能对模型参数迭代优化,并且通过稀疏共享策略对模型参数进行参数聚合以减少不必要参数的资源浪费。本发明将所提供的分布式故障检测方法部署在分布于电力系统各个环节的电力设备中,这些设备都能进行独立的故障检测,不需要集中式的数据处理,只需将参数上传至参数服务器进行相关参数共享,减少了设备之间大量的数据传输,使得故障检测系统更加灵活和可扩展,能够适应复杂的电力系统拓扑结构和分布式数据采集,同时也保障了电力系统的数据安全和稳定性。
以上结合附图详细描述了本发明实施例的可选实施方式,但是,本发明实施例并不限于上述实施方式中的具体细节,在本发明实施例的技术构思范围内,可以对本发明实施例的技术方案进行多种简单变型,这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施例对各种可能的组合方式不再另行说明。
此外,本发明实施例的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施例的思想,其同样应当视为本发明实施例所公开的内容。
Claims (10)
1.一种分布式电力设备故障检测方法,其特征在于,包括如下步骤:
A)采集各个电力设备的运行数据建立本地数据中心Xt;
B)对所述本地数据中心Xt的数据进行缺失值和脏数据的清理,并对所述数据进行归一化处理,得到预处理数据集合X′t;
C)将所述预处理数据集合X′t中的数据输入深度编码器编码为低维的潜在特征数据Zt,并通过地标中心提取机制,从所获取的潜在特征数据中发现所述电力设备运行正常的聚集模式,从而提取具有一定代表性和高密度性的初始候选地标中心集合,所述候选地标中心用来表征设备运行数据中正常设备的多样性;
D)通过自适应地标过滤机制对所述候选地标中心集合过滤和优化,得到优化后的地标中心集合/>
E)将优化后的地标中心集合和潜在特征数据Zt输入深度解码器进行前向传播和数据重构,获取与本地原始数据具有相同特征维度的重构数据/>并利用混合损失函数在本地端进行模型参数的迭代优化,以获得各个所述电力设备的权重参数和地标中心的相关模型参数;
F)将各个所述电力设备的所述权重参数和地标中心的所述相关模型参数上传至参数服务器,进行参数优化,并将优化后的所述权重参数和地标中心的所述相关模型参数反馈给相应的所述电力设备的故障检测模型,以完成故障检测模型的最终训练;
G)将各个所述电力设备的实时运行数据输入训练完成后的所述故障检测模型,以获取各个所述电力设备运行时的所述低维的潜在特征数据Zt、重构后的数据和对应的地标中心集合/>
H)将所述低维的潜在特征数据Zt、重构后的数据和对应的地标中心集合/>代入故障评价函数得到故障分数Fault(Xt),并将所述故障分数Fault(Xt)与故障阈值比较确定每个所述电力设备的故障情况,并根据需求推送设备故障信息。
2.根据权利要求1所述的分布式电力设备故障检测方法,其特征在于,所述地标中心提取机制是根据所述低维的潜在特征数据Zt的重要性程度利用Sigma原则提取具有一定表征能力的初始地标中心,并建立所述候选地标中心集合/>所述候选地标中心集合的获取步骤分别如下:
C1)将所述预处理数据集合X′t中的数据输入深度编码器编码进行压缩编码,转换为所述低维的潜在特征数据Zt,计算公式如下:
Zt=Φe(X′t;Θe) (1)
C2)根据所述低维的潜在特征数据Zt计算第t个所述电力设备中的第i个样本的低维潜在特征的集聚度/>和最近稀疏距离/>计算公式如下:
其中,δ表示一种阈值参数;
C3)根据所述集聚度和所述最近稀疏距离/>计算第t个所述电力设备中的第i个样本成为地标中心的重要性程度/>计算公式如下:
C4)根据所述重要性程度利用Sigma原则进行地标中心的初步选取从而得到第t个所述电力设备的所述候选地标中心集合/>计算公式如下:
其中,μ和σ分别为第t个所述电力设备的所有样本的重要性程度Sigt的均值和标准差。
3.根据权利要求1所述的分布式电力设备故障检测方法,其特征在于,所述自适应地标过滤机制是根据所述重要性程度对所述候选地标中心集合/>降序排序,得到有序的候选地标中心集合/>再计算所述有序的候选地标中心集合/>中的所述候选地标中心之间的距离,并找到与其近邻的近邻地标中心集合/>进而根据所述近邻地标中心集合/>对位于同一个高密度聚集区域中的多个所述候选地标中心取所述集聚度/>最大的所述候选地标中心作为该区域最终的地标中心,并将该区域其余所述候选地标中心进行过滤,所述优化后的地标中心集合/>的获取步骤分别如下:
D1)根据所述重要性程度对所述候选地标中心集合/>降序排序,得到所述有序的候选地标中心集合/>计算公式如下:
D2)计算所述有序的候选地标中心集合中的所述候选地标中心之间的距离,并找到所述近邻地标中心集合/>计算公式如下:
D3)根据所述近邻地标中心集合对位于同一个高密度聚集区域中的多个所述候选地标中心取所述集聚度/>最大的所述候选地标中心作为该区域最终的地标中心,并将该区域其余所述候选地标中心进行过滤,得到所述优化后的地标中心集合/>计算公式如下:
4.根据权利要求1所述的分布式电力设备故障检测方法,其特征在于,所述混合损失函数包括重构损失函数、亲和度损失函数、稀疏度损失函数和一般约束项,各个所述电力设备的所述权重参数和地标中心的所述相关模型参数的获取步骤分别如下:
E1)将优化后的地标中心集合和潜在特征数据Zt输入深度解码器进行解码,得到与本地原始数据具有相同特征维度的所述重构数据/>计算公式如下:
E2)通过重构损失函数最小化输入数据与重构数据之间的重构差异,让本地原始数据与重构数据保持关键信息量的一致性,计算公式如下:
其中,||·||2表示L2-范数;
E3)通过亲和度损失函数最小化所述低维的潜在特征数据Zt与其最近的地标中心点之间的距离,计算公式如下:
其中,
E4)通过稀疏度损失函数最大化所述低维的潜在特征数据Zt与其次近的地标中心点之间的距离,计算公式如下:
其中,
E5)将所预设的重构损失函数、亲和度损失函数和稀疏度损失函数进行融合,得到新的混合损失函数,并在混合损失函数中加入一般约束项,以避免模型出现过拟合的情形,具体公式计算如下:
其中,α和β分别为亲和度损失函数和稀疏度损失函数的权衡参数,且α、β∈[0,1],||•||p表示p-范数,ε为约束参数;
E6)利用所述混合损失函数对本地模型参数迭代优化,以获得各个所述电力设备的所述权重参数和地标中心的所述相关模型参数。
5.根据权利要求1所述的分布式电力设备故障检测方法,其特征在于,所述参数服务器包括参数存储中心、参数优化中心和参数共享中心,所述参数存储中心能够存储本地模型参数,所述参数优化中心能够进行模型参数的梯度优化和更新,所述参数共享中心能够对参数结构进行参数聚合并与各个所述电力设备实现参数共享,步骤分别如下:
F1)将各个所述电力设备的所述权重参数和地标中心的所述相关模型参数上传到所述参数存储中心;
F2)通过所述参数优化中心对所述权重参数和地标中心的所述相关模型参数进行梯度优化和参数更新,以得到更新后的模型参数;
F3)通过参数共享中心的稀疏共享策略对所述更新后的模型参数进行参数聚合,并将聚合后的模型参数反馈给相应的所述电力设备。
6.根据权利要求1所述的分布式电力设备故障检测方法,其特征在于,根据所述低维的潜在特征数据Zt、重构后的数据和对应的地标中心集合/>通过所述故障评价函数计算每个所述电力设备的所述故障分数Fault(Xt)并进行故障程度排序,再将排序后的所述故障分数Fault'和所述故障阈值比较确定每个所述电力设备的故障情况,得到故障电力设备集合Fail_Eq,并根据需求推送故障信息,步骤分别如下:
H1)根据所述低维的潜在特征数据Zt、重构后的数据和对应的地标中心集合/>通过故障评价函数计算每个所述电力设备的故障分数Fault(Xt),计算公式如下:
其中,||·||2表示L2-范数,
H2)根据所述故障分数Fault(Xt)对所述电力设备的故障程度排序,得到所述排序后的故障分数Fault',计算公式如下:
Fault′={Fault(Xj)|j=arg sort(Fault)} (15)
H3)将所述排序后的故障分数Fault'和所述故障阈值比较,得到所述故障设备集合Fail_Eq,计算公式如下:
Fail_Eq={Xj为故障设备|Fault′(Xj)>threshold} (16)
其中,threshold为所述故障阈值;
H4)基于所述故障设备集合Fail_Eq,根据实际需求将设备故障信息推送给维修人员或管理层。
7.一种分布式电力设备故障检测系统,其特征在于,包括:
本地数据中心,能够采集电力设备的运行数据并存储在所述本地数据中心,并且能够将所述本地数据中心中的数据进行缺失值和脏数据的清理,以及数据归一化的处理,以得到预处理数据;
本地模型训练模块,能够构建基于深度自编码器的分布式设备故障检测模型,并利用所述本地数据中心中的数据对所述故障检测模型进行迭代训练,得到每个所述电力设备的权重参数和地标中心的相关模型参数;
参数共享模块,能够将本地的模型参数上传至参数服务器,进行参数优化和稀疏共享策略,并将优化后的故障检测模型反馈给相应的本地模型,以实现多个所述电力设备共用同一所述故障检测模型;
设备故障程度计算模块,能够根据所述本地数据中心采集的所述运行数据、所述参数服务器反馈的所述优化后的故障检测模型和故障评价函数计算出各个所述电力设备的故障分数;
设备故障推送模块,能够对所述电力设备的故障程度排序,确定每个所述电力设备的故障情况,并根据故障实时情况形成故障日志事件,推送故障信息,辅助维修人员或管理人员制定科学合理的维修决策和应急方案。
8.根据权利要求7所述的分布式电力设备故障检测系统,其特征在于,所述本地模型训练模块包括:
数据编码压缩子模块,能够将所述预处理数据输入深度编码器进行压缩编码,转换为低维的潜在特征数据;
自适应地标提取子模块,能够根据地标中心提取机制和自适应地标过滤机制进行地标中心的提取、过滤和优化,以得到具备高密度性、稀疏性和代表性等基本特性的地标中心集合;
数据重构子模块,能够对所述低维的潜在特征数据进行前向传播和数据重构,获得与本地原始数据具有相同特征维度的重构数据;
模型训练子模块,能够根据混合损失函数在本地端进行模型参数的迭代优化,得到每个所述电力设备的权重参数和地标中心的相关模型参数。
9.一种存储介质,其特征在于,所述存储介质上存储有指令,所述指令用于使得机器执行本申请上述权利要求1至6任一项所述的分布式电力设备故障检测方法。
10.一种处理器,其特征在于,用于运行程序,其中,所述程序被运行时用于执行权利要求1至6任意一项所述的分布式电力设备故障检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311047915.3A CN117195066A (zh) | 2023-08-21 | 2023-08-21 | 分布式电力设备故障检测方法、系统、存储介质及处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311047915.3A CN117195066A (zh) | 2023-08-21 | 2023-08-21 | 分布式电力设备故障检测方法、系统、存储介质及处理器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117195066A true CN117195066A (zh) | 2023-12-08 |
Family
ID=88998841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311047915.3A Pending CN117195066A (zh) | 2023-08-21 | 2023-08-21 | 分布式电力设备故障检测方法、系统、存储介质及处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117195066A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111537945A (zh) * | 2020-06-28 | 2020-08-14 | 南方电网科学研究院有限责任公司 | 基于联邦学习的智能电表故障诊断方法及设备 |
CN112887145A (zh) * | 2021-01-27 | 2021-06-01 | 重庆邮电大学 | 一种基于分布式的网络切片故障检测方法 |
CN113961424A (zh) * | 2021-10-28 | 2022-01-21 | 建信金融科技有限责任公司 | 分布式系统的故障预测方法以及故障预测装置 |
CN114330599A (zh) * | 2022-03-14 | 2022-04-12 | 中汽信息科技(天津)有限公司 | 基于深度学习的发动机故障识别方法、设备和系统 |
CN114358188A (zh) * | 2022-01-05 | 2022-04-15 | 腾讯科技(深圳)有限公司 | 特征提取模型处理、样本检索方法、装置和计算机设备 |
CN115358784A (zh) * | 2022-08-23 | 2022-11-18 | 中南大学 | 一种分布式提取典型用电模式的方法及相关设备 |
CN115688913A (zh) * | 2022-12-29 | 2023-02-03 | 中南大学 | 一种云边端协同个性化联邦学习方法、系统、设备及介质 |
CN115828140A (zh) * | 2022-12-13 | 2023-03-21 | 中国民航大学 | 邻域互信息与随机森林相融合故障检测方法、系统及应用 |
CN115915364A (zh) * | 2022-10-13 | 2023-04-04 | 厦门大学 | 通信基站的节能方法、装置、计算机可读介质及设备 |
-
2023
- 2023-08-21 CN CN202311047915.3A patent/CN117195066A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111537945A (zh) * | 2020-06-28 | 2020-08-14 | 南方电网科学研究院有限责任公司 | 基于联邦学习的智能电表故障诊断方法及设备 |
CN112887145A (zh) * | 2021-01-27 | 2021-06-01 | 重庆邮电大学 | 一种基于分布式的网络切片故障检测方法 |
CN113961424A (zh) * | 2021-10-28 | 2022-01-21 | 建信金融科技有限责任公司 | 分布式系统的故障预测方法以及故障预测装置 |
CN114358188A (zh) * | 2022-01-05 | 2022-04-15 | 腾讯科技(深圳)有限公司 | 特征提取模型处理、样本检索方法、装置和计算机设备 |
CN114330599A (zh) * | 2022-03-14 | 2022-04-12 | 中汽信息科技(天津)有限公司 | 基于深度学习的发动机故障识别方法、设备和系统 |
CN115358784A (zh) * | 2022-08-23 | 2022-11-18 | 中南大学 | 一种分布式提取典型用电模式的方法及相关设备 |
CN115915364A (zh) * | 2022-10-13 | 2023-04-04 | 厦门大学 | 通信基站的节能方法、装置、计算机可读介质及设备 |
CN115828140A (zh) * | 2022-12-13 | 2023-03-21 | 中国民航大学 | 邻域互信息与随机森林相融合故障检测方法、系统及应用 |
CN115688913A (zh) * | 2022-12-29 | 2023-02-03 | 中南大学 | 一种云边端协同个性化联邦学习方法、系统、设备及介质 |
Non-Patent Citations (3)
Title |
---|
JINGLI YANG ET AL.: "Fault Detection Using the Clustering-kNN Rule for Gas Sensor Arrays", 《SENSORS》, 6 December 2016 (2016-12-06) * |
王玲 等: "基于自适应k近邻的时间序列异常模式识别", 《计算机研究与发展》, 13 July 2022 (2022-07-13) * |
胡东滨 等: "基于三阶段DEA-Malmquist模型的环境服务企业全要素生产率研究", 《运筹与管理》, 30 April 2023 (2023-04-30) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829236A (zh) | 一种基于XGBoost特征提取的压缩机故障诊断方法 | |
CN110388315B (zh) | 基于多源信息融合的输油泵故障识别方法、装置及系统 | |
CN110515931B (zh) | 一种基于随机森林算法的电容型设备缺陷预测方法 | |
CN112217674B (zh) | 基于因果网络挖掘和图注意力网络的告警根因识别方法 | |
CN111224805A (zh) | 一种网络故障根因检测方法、系统及存储介质 | |
CN110609524A (zh) | 一种工业设备剩余寿命预测模型及其构建方法和应用 | |
CN113361559B (zh) | 基于深宽度联合神经网络的多模态数据知识信息提取方法 | |
CN111027615A (zh) | 基于机器学习的中间件故障预警方法和系统 | |
CN114693942A (zh) | 一种仪器仪表智能运维的多模态故障理解及辅助标注方法 | |
CN110737976A (zh) | 一种基于多维度信息融合的机械设备健康评估方法 | |
CN114596061A (zh) | 一种基于大数据的项目数据管理方法及系统 | |
CN114354188A (zh) | 一种基于完全自适应噪声集合经验模态分解的旋转机械故障诊断方法 | |
CN112464439A (zh) | 基于三层数据挖掘的电力系统故障类型分析方法及装置 | |
Sharma et al. | A semi-supervised generalized vae framework for abnormality detection using one-class classification | |
CN106846170B (zh) | 一种发电机组跳闸监测方法及其监测装置 | |
CN114020811A (zh) | 数据异常检测方法及其装置、电子设备 | |
CN117195066A (zh) | 分布式电力设备故障检测方法、系统、存储介质及处理器 | |
CN115564075B (zh) | 一种城市电网主配一体故障协同诊断方法、系统 | |
CN113485863B (zh) | 基于改进生成对抗网络生成异构不平衡故障样本的方法 | |
CN113705405B (zh) | 一种核管道故障诊断方法 | |
CN116012687A (zh) | 一种用于轮对踏面缺陷识别的图像交互融合方法 | |
CN115392710A (zh) | 一种基于数据过滤的风电机组运行决策方法及系统 | |
CN115169426A (zh) | 一种基于相似性学习融合模型的异常检测方法及系统 | |
CN114972900A (zh) | 一种电力多源数据筛选方法、装置及终端设备 | |
CN114442543A (zh) | 一种适用于水电站故障预警的计算机监测方法 |
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 |