CN117233540B - 一种基于深度学习的计量流水线故障检测方法及系统 - Google Patents
一种基于深度学习的计量流水线故障检测方法及系统 Download PDFInfo
- Publication number
- CN117233540B CN117233540B CN202311514623.6A CN202311514623A CN117233540B CN 117233540 B CN117233540 B CN 117233540B CN 202311514623 A CN202311514623 A CN 202311514623A CN 117233540 B CN117233540 B CN 117233540B
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- ant
- neural network
- convolutional neural
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 241001206881 Myrmeleon inconspicuus Species 0.000 claims abstract description 68
- 239000013598 vector Substances 0.000 claims abstract description 62
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 60
- 230000008439 repair process Effects 0.000 claims abstract description 49
- 230000006870 function Effects 0.000 claims abstract description 47
- 238000005457 optimization Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000005516 engineering process Methods 0.000 claims abstract description 17
- 230000003190 augmentative effect Effects 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000013507 mapping Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 230000007613 environmental effect Effects 0.000 claims description 24
- 238000012544 monitoring process Methods 0.000 claims description 24
- 238000009877 rendering Methods 0.000 claims description 23
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000001012 protector Effects 0.000 claims description 6
- 241000258923 Neuroptera Species 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 6
- 239000007771 core particle Substances 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 abstract 1
- 238000003745 diagnosis Methods 0.000 description 20
- 238000009826 distribution Methods 0.000 description 14
- 241000257303 Hymenoptera Species 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 230000002452 interceptive effect Effects 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000004807 localization Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000009514 concussion Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011112 process operation Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000013386 optimize process Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000282320 Panthera leo Species 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的计量流水线故障检测方法及系统,包括步骤:S1:实时采集电力计量流水线的传感器运行数据形成一维特征向量;S2:将一维特征向量输入至训练好的卷积神经网络模型进行特征提取和分类形成输出特征向量;S2:实时采集芯粒的数据形成矩阵向量;S3:采用改进的蚂蚁狮优化算法,将卷积神经网络得到的特征映射作为自适应蚂蚁狮优化算法(ALO)的输入,确定故障位置和故障原因;S4:利用增强现实技术,在AR设备上实时显示故障位置和故障原因及推荐修复措施。本申请适应度函数计算过程中通过考虑多类别故障的准确率,大大提升了电力系统位置和故障判断准确性。
Description
技术领域
本发明涉及电力系统故障诊断技术领域,具体涉及一种基于深度学习的计量流水线故障检测方法及系统。
背景技术
电力流水线的稳定运行对于保障电力系统的安全和效率至关重要。然而,在实际运营过程中,由于各种原因,例如设备老化、外部环境影响或操作错误等,可能会出现不同类型的故障,这些故障可能会影响电力供应的稳定性和可靠性。因此,及时准确地检测和诊断电力流水线的故障,以及找到故障的位置和原因,对于保障电力系统的正常运行具有重要意义。
目前,电力流水线故障检测主要依赖于传统的监控系统和人工检查。传统的监控系统主要通过安装在电力设备上的传感器实时监测电力参数和设备状态,如电压、电流、设备开闭状态等。当监测到异常时,系统会发出警报,并通过人工检查来确定故障的位置和原因。然而,这种方法检测延迟,传统的监控系统和人工检查通常无法实时发现和定位故障,增加了电力系统的风险和损失。数据利用不充分:电力系统运行过程中会产生大量数据,包括电气参数、状态监测数据、环境参数和事件数据等,但传统方法往往无法充分利用这些数据来提高故障检测的准确性和效率。且在故障检测和处理过程中,缺乏有效的可视化工具和交互平台,可能会影响故障处理的效率和质量。
且目前随着深度学习和优化算法的发展,研究者们开始探索将这些先进的算法应用于电力系统的故障诊断。但目前没有将卷积神经网络进行充分利用,特别是卷积神经网络(CNN)已经在图像识别、语音识别等领域取得了显著的成功。CNN通过多层的卷积和池化操作,能够自动提取输入数据的重要特征,从而为分类和回归任务提供了强大的支持。在电力系统的故障诊断中,可以利用CNN处理电力设备的运行数据,例如电流、电压信号等,自动提取故障的特征,为故障的定位和诊断提供依据。且传统的电力系统采用的其它深度学习算法不能够充分处理电力数据复杂多样的特点,导致预测及特征提取不准确、效率较低的特点。最终导致故障位置和故障类型判断不准确。传统的优化算法往往不能很好地处理电力系统故障诊断的多方面问题。例如,深度学习可能需要大量的标注数据,而优化算法可能会陷入局部最优。且现有电气故障实时显示故障的位置和可能的原因不直观。
发明内容
针对现有技术中提到的上述问题,为解决上述技术问题,本发明提供了一种基于深度学习的计量流水线故障检测方法及系统,该方法采用卷积神经网络特征提取结合改进的蚂蚁狮优化算法,将卷积神经网络得到的特征映射作为自适应蚂蚁狮优化算法(ALO)的输入,确定故障位置和故障原因,利用增强现实技术,在AR设备上实时显示故障位置和故障原因及推荐修复措施,实现了计量流水线故障的实施判断位置确定以及显示,其中,适应度函数计算过程中通过考虑多类别故障的准确率,大大提升了电力系统位置和故障判断准确性。
一种基于深度学习的计量流水线故障检测方法,包括步骤:
S1:实时采集电力计量流水线的传感器运行数据,对运行数据进行预处理形成一维特征向量;
S2:将形成的一维特征向量输入至训练好的卷积神经网络模型进行特征提取和分类,输出的结果构成输出特征向量;/>、/>、/>分别表示第1、2、m个卷积神经网络输出参数值;
S3:采用改进的蚂蚁狮优化算法,将卷积神经网络得到的特征映射作为自适应蚂蚁狮优化算法(ALO)的输入,确定故障位置和故障原因;具体包括:
S31:初始化一个蚂蚁狮种群,每个蚂蚁代表一个可能的解,即一个可能的故障位置和原因;每个解表示为一个向量,/>、/>、/>分别表示第1、2、m个解向量参数值;初始时,蚂蚁的位置/>和蚂蚁狮的位置Q随机生成;
S32:计算每个解的适应度函数值:
其中,、/>为权重参数,系统共N个故障事件,当解为X以及输入特征向量/>时:TP个事件的位置被准确预测,存在C个不同的故障类别,每个类别c下有/>个故障事件,/>个事件的故障原因被准确诊断;
S33:如果蚂蚁位置计算的适应度函数值小于蚂蚁狮位置的适应度函数值时,那么蚂蚁的位置向蚂蚁狮的位置移动;
;
否则蚂蚁狮的位置向蚂蚁的位置移动:
;
;
是在时间t的学习率,/>为衰减系数,c是一个控制随机数范围的参数,/>生成的随机数函数,/>分别是在时间t+1、t时蚂蚁狮的位置,/>分别是在时间t、t+1时的一个可能的故障位置和原因;
S34:迭代步骤S32-S33,检查是否满足终止条件,达到设置迭代次数或适应度函数值大于设定阈值;
S4:利用增强现实技术,在AR设备上实时显示故障位置和故障原因及推荐修复措施。
优选地,所述实时采集电力计量流水线的传感器运行数据,包括电气参数数据、状态监测数据、环境参数数据、事件数据、操作日志数据;其中,电气参数数据包括线电压、相电压、负载电流、短路电流、有功功率、无功功率、电网运行频率;状态监测数据包括断路器、隔离开关、负荷开关的开闭状态以及熔断器、继电保护器状态;环境参数数据包括变压器油温、电缆温度、电力设备环境湿度;事件数据包括断相、短路、过载、电压异常警告信息。
优选地,所述S1:实时采集电力计量流水线的传感器运行数据,对运行数据进行预处理形成一维特征向量,预处理包括将电气参数的统计特征、状态监测数据的编码、环境参数的数值以及事件数据的编码拼接在一起,形成一个一维的特征向量;其中,电气参数的统计特征包括均值、标准差、最大值、最小值。
优选地,S4:所述利用增强现实技术,在AR设备上实时显示故障位置和故障原因及推荐修复措施包括:S41:数据处理故障位置的坐标转换:将故障位置的坐标转换为AR设备的3D坐标,故障信息的格式化:将故障信息格式化为文本或图形,以便在AR设备上显示;
S42:AR内容生成,3D标签生成:为故障位置创建一个3D标签;
S43:AR显示,渲染与显示包括将生成的3D标签、文本说明和修复措施列表渲染并实时显示在AR设备上;
S44:判断若有新的故障检测结果,则实时更新AR显示的内容。
本申请还提供一种基于深度学习的计量流水线故障检测系统,包括:
传感器数据采集模块,实时采集电力计量流水线的传感器运行数据,对运行数据进行预处理形成一维特征向量;
卷积神经网络特征提取模块,将形成的一维特征向量输入至训练好的卷积神经网络模型进行特征提取和分类,输出的结果构成输出特征向量;/>、/>、/>分别表示第1、2、m个卷积神经网络输出参数值;
故障位置和故障原因确定模块,采用改进的蚂蚁狮优化算法,将卷积神经网络得到的特征映射作为自适应蚂蚁狮优化算法(ALO)的输入,确定故障位置和故障原因;具体包括:
初始化一个蚂蚁狮种群模块,每个蚂蚁代表一个可能的解,即一个可能的故障位置和原因;每个解表示为一个向量,/>、/>、/>分别表示第1、2、m个解向量参数值;初始时,蚂蚁的位置/>和蚂蚁狮的位置Q随机生成;
适应度值计算模块,计算每个解的适应度函数值:
其中,、/>为权重参数,系统共N个故障事件,当解为X以及输入特征向量/>时:TP个事件的位置被准确预测,存在C个不同的故障类别,每个类别c下有/>个故障事件,/>个事件的故障原因被准确诊断;
位置更新模块,如果蚂蚁位置计算的适应度函数值小于蚂蚁狮位置的适应度函数值时,那么蚂蚁的位置向蚂蚁狮的位置移动;
;
否则蚂蚁狮的位置向蚂蚁的位置移动:
;
;
是在时间t的学习率,/>为衰减系数,c是一个控制随机数范围的参数,/>生成的随机数函数,/>分别是在时间t+1、t时蚂蚁狮的位置,/>分别是在时间t、t+1时的一个可能的故障位置和原因;
迭代模块,迭代步骤S32-S33,检查是否满足终止条件,达到设置迭代次数或适应度函数值大于设定阈值;
故障显示模块,利用增强现实技术,在AR设备上实时显示故障位置和故障原因及推荐修复措施。
优选地,所述实时采集电力计量流水线的传感器运行数据,包括电气参数数据、状态监测数据、环境参数数据、事件数据、操作日志数据;其中,电气参数数据包括线电压、相电压、负载电流、短路电流、有功功率、无功功率、电网运行频率;状态监测数据包括断路器、隔离开关、负荷开关的开闭状态以及熔断器、继电保护器状态;环境参数数据包括变压器油温、电缆温度、电力设备环境湿度;事件数据包括断相、短路、过载、电压异常警告信息。
优选地,所述S1:实时采集电力计量流水线的传感器运行数据,对运行数据进行预处理形成一维特征向量,预处理包括将电气参数的统计特征、状态监测数据的编码、环境参数的数值以及事件数据的编码拼接在一起,形成一个一维的特征向量;其中,电气参数的统计特征包括均值、标准差、最大值、最小值。
优选地,S4:所述利用增强现实技术,在AR设备上实时显示故障位置和故障原因及推荐修复措施包括:S41:数据处理故障位置的坐标转换:将故障位置的坐标转换为AR设备的3D坐标,故障信息的格式化:将故障信息格式化为文本或图形,以便在AR设备上显示;
S42:AR内容生成,3D标签生成:为故障位置创建一个3D标签;
S43:AR显示,渲染与显示包括将生成的3D标签、文本说明和修复措施列表渲染并实时显示在AR设备上;
S44:判断若有新的故障检测结果,则实时更新AR显示的内容。
本发明提供了一种基于深度学习的计量流水线故障检测方法及系统,所能实现的有益技术效果如下:
1、本申请该方法采用卷积神经网络特征提取结合改进的蚂蚁狮优化算法应用到电力系统故障检测,在电力系统的故障诊断中,可以利用CNN处理电力设备的运行数据,例如电流、电压信号等,自动提取故障的特征,为故障的定位和诊断提供依据;同时结合蚂蚁狮优化算法(Ant Lion Optimizer, ALO)在故障诊断中应用,将卷积神经网络得到的特征映射作为自适应蚂蚁狮优化算法(ALO)的输入,确定故障位置和故障原因,利用增强现实技术,在AR设备上实时显示故障位置和故障原因及推荐修复措施,实现了计量流水线故障的实施判断位置确定以及显示。
2、本发明采用的适应度值计算模块,计算每个解的适应度函数值:
;
其中,、/>为权重参数,系统共N个故障事件,当解为X以及输入特征向量/>时:TP个事件的位置被准确预测,其中,在电力系统中存在C个不同的故障类别,每个类别c下有/>个故障事件,/>个事件的故障原因被准确诊断;充分利用历史故障概率,上述适应度计算过程中,通过引入多类别故障诊断准确率,采用电力系统多类别故障诊断准确率的计算,可以更全面地评估电力故障诊断系统的性能。
3、本发明的位置更新模块,如果蚂蚁位置计算的适应度函数值小于蚂蚁狮位置的适应度函数值时,那么蚂蚁的位置向蚂蚁狮的位置移动;
;
否则蚂蚁狮的位置向蚂蚁的位置移动:
;
;
是在时间t的学习率,/>为衰减系数,c是一个控制随机数范围的参数,/>生成的随机数函数,/>分别是在时间t+1、t时蚂蚁狮的位置,/>分别是在时间t、t+1时的一个可能的故障位置和原因;本发明通过将/>是在时间t的学习率,本发明通过将自适应学习率/>的更新加入,可以根据优化的进程动态调整学习率,以加速收敛或避免过度震荡。
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一些实施例,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,还可以根据这些附图获得其它的附图。
图1是本发明的一种基于深度学习的计量流水线故障检测方法步骤示意图。
具体实施方式
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,所描述的实施例仅仅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它实施例,都属于本发明保护的范围。
实施例1:
针对现有技术中提到的上述问题,为解决上述技术问题,如附图1所示:一种基于深度学习的计量流水线故障检测方法,包括步骤:
S1:实时采集电力计量流水线的传感器运行数据,对运行数据进行预处理形成一维特征向量;通常需要采集以下几类运行数据:电气参数数据:电压数据:包括线电压、相电压等,以监测电力系统的电压状态,识别是否存在电压异常,例如电压超限或电压波动等。电流数据:包括负载电流、短路电流等,以监测电力系统的负载状态,识别是否存在电流异常,例如过载或短路等。功率数据:包括有功功率、无功功率和功率因数,以评估电力系统的运行效率和负载情况。频率数据:监测电网的运行频率,识别是否存在频率偏差。能量计量数据:包括累计的有功能量、无功能量,以及分时段的能量数据,以评估电力系统的能量消耗情况和效率。状态监测数据:开关状态:包括断路器、隔离开关、负荷开关等的开闭状态,以监测电力系统的运行状态和安全情况。保护装置状态:如熔断器状态、继电保护装置状态,以确保电力系统在发生异常时能够及时切断,保障系统安全。环境参数数据:温度:监测电力设备的运行温度,如变压器油温、电缆温度等,以预防设备过热导致的故障。湿度:监测电力设备周围的湿度,以预防湿度过高导致的绝缘故障。事件和告警数据:包括电力系统中发生的各类异常事件和告警信息,例如断相、短路、过载、电压异常等告警信息。
S2:将形成的一维特征向量输入至训练好的卷积神经网络模型进行特征提取和分类,输出的结果构成输出特征向量;/>、/>、/>分别表示第1、2、m个卷积神经网络输出参数值;在CNN的全连接层或最后一个卷积层中,可以获取一个特征向量,该向量捕获了输入数据的高级抽象。这个特征向量可以作为ALO的输入,帮助优化算法理解数据的全局结构和可能的异常模式。
电网流水线中的一个传感器监测到了异常的电流波形,这个波形显示了突然的尖峰和随后的降低,可能是短路事件的指标。数据输入CNN:将异常的电流波形数据输入CNN。特征提取:CNN的卷积层可能会识别出电流波形中的尖峰和降低,并在特征映射中突显这些模式。另外,CNN可能会在特征向量中捕获这些异常模式的高级抽象,例如,通过计算尖峰的幅度和宽度。特征传递给ALO:将这些特征映射和特征向量作为ALO的输入,以帮助优化算法确定故障的类型(例如,短路)和位置。通过这种方式,CNN能够自动从原始数据中提取有用的特征,这些特征可以帮助ALO更准确和有效地定位和识别电网流水线上的故障。采用卷积神经网络(CNN)对预处理后的电力流水线数据进行特征提取,以检测可能的故障。其中,卷积神经网络通过多层卷积、池化和全连接层,对输入的电力流水线数据进行特征提取和分类。将卷积神经网络得到的特征映射作为自适应蚂蚁狮优化算法(ALO)的输入。其中,特征映射包括电力流水线上的电流、电压、频率等电气参数的时间序列数据。
S3:采用改进的蚂蚁狮优化算法,将卷积神经网络得到的特征映射作为自适应蚂蚁狮优化算法(ALO)的输入,确定故障位置和故障原因;具体包括:
S31:初始化一个蚂蚁狮种群,每个蚂蚁代表一个可能的解,即一个可能的故障位置和原因;每个解表示为一个向量,/>、/>、/>分别表示第1、2、m个解向量参数值;初始时,蚂蚁的位置/>和蚂蚁狮的位置Q随机生成;
S32:计算每个解的适应度函数值:
;
其中,、/>为权重参数,系统共N个故障事件,当解为X以及输入特征向量/>时:TP个事件的位置被准确预测,存在C个不同的故障类别,每个类别c下有/>个故障事件,/>个事件的故障原因被准确诊断;
S33:如果蚂蚁位置计算的适应度函数值小于蚂蚁狮位置的适应度函数值时,那么蚂蚁的位置向蚂蚁狮的位置移动;
;
否则蚂蚁狮的位置向蚂蚁的位置移动:
;
;
是在时间t的学习率,/>为衰减系数,c是一个控制随机数范围的参数,/>生成的随机数函数,/>分别是在时间t+1、t时蚂蚁狮的位置,/>分别是在时间t、t+1时的一个可能的故障位置和原因;假设在电力流水线故障检测中,我们使用自适应蚂蚁狮优化算法来优化故障定位模型。在初始阶段,由于对问题的了解不足,设定一个较大的搜索范围和较高的学习率。随着迭代的进行,发现某些区域的搜索结果较好,于是动态缩小搜索范围,并降低学习率以避免过度震荡,从而加速算法的收敛,并提高故障定位的准确度。
S34:迭代步骤S32-S33,检查是否满足终止条件,达到设置迭代次数或适应度函数值大于设定阈值;
S4:利用增强现实技术,在AR设备上实时显示故障位置和故障原因及推荐修复措施。
故障检测与定位:首先,通过前面讨论的卷积神经网络(CNN)和蚂蚁狮优化算法(ALO)的组合,实现电力流水线的故障检测、定位和原因分析。得到的故障信息包括故障位置和可能的故障原因。
数据整合与处理:将从故障检测系统获得的数据整合和处理,以便在AR设备上显示。这可能包括对故障信息的格式化和对推荐修复措施的生成。例如,如果故障原因是过载,推荐的修复措施可能是减轻负载或关闭部分设备。在检测到故障后,首先需要对从故障检测系统获得的数据进行整合和处理。包括:故障位置的坐标转换:将故障位置的坐标转换为AR设备能理解的3D坐标。例如,如果故障位置是在某个配电箱,需要将该位置的坐标转换为相对于AR设备的3D坐标。
AR内容生成:基于处理后的数据,生成AR内容,包括故障位置的3D标签、故障原因的文本说明以及推荐修复措施的列表。基于处理后的数据,生成要在AR设备上显示的内容。这包括:3D标签生成:为故障位置创建一个3D标签。例如,如果故障是过载,3D标签可能会显示为“过载”。文本说明生成:创建一个文本说明来描述可能的故障原因。例如,如果故障原因是电流超过了安全阈值,文本说明可能是“电流过高”。文本说明生成:创建一个文本说明来描述可能的故障原因。例如,如果故障原因是电流超过了安全阈值,文本说明可能是“电流过高”。
AR显示:利用AR技术,在操作员的AR设备(例如AR眼镜或平板电脑)上实时显示生成的内容。具体的显示内容可以包括:故障位置的3D标签,可能的故障原因的文本说明,推荐的修复措施的列表。渲染与显示:利用AR技术,将生成的3D标签、文本说明和修复措施列表渲染并实时显示在操作员的AR设备上。
交互与自动修复:操作员可以通过AR设备交互式地查看故障信息和推荐的修复措施,也可以通过设备发送命令来手动修复故障。系统支持自动修复功能,可以根据检测到的故障信息自动执行修复措施,例如自动切断过载的电路。在一个电力流水线系统中检测到一个过载故障,故障位置是一个配电箱,可能的故障原因是电流超过了安全阈值。通过AR设备,操作员可以看到配电箱的3D标签显示为“过载”,同时显示了可能的故障原因是“电流过高”,推荐的修复措施是“减轻负载”或“关闭部分设备”。操作员可以选择按照推荐的修复措施手动解决问题,或者如果系统支持自动修复功能,系统可以自动执行修复措施来解决过载问题。在一些实施例中在一个电力流水线系统中,检测到一个配电箱发生过载。系统诊断出故障原因是某个电路的电流超过了安全阈值。为了自动修复这个故障,系统生成了一个修复策略,包括远程断开过载电路,并重新配置配电设置以减轻负载。系统通过控制中心发送命令,执行了这个修复策略。修复措施执行后,系统再次检测配电箱的状态,发现电流已经回到了安全范围内,从而确认故障已经被成功修复。
在一个实施例中在电力网络中发生了一个过载故障,故障发生在编号为#123的配电箱。在电力系统的数据库中,这个配电箱的位置可能是通过其在电网结构图中的位置或者通过经纬度坐标来表示的。转换步骤:获取原始坐标:首先从电力系统的数据库中获取配电箱#123的位置信息。坐标映射:将电力系统的位置信息映射到实际的物理空间坐标。如果电力系统的位置信息是经纬度坐标,可能需要通过某种映射算法将其转换为对应的3D坐标。坐标转换:将映射得到的物理空间坐标转换为AR设备的3D坐标。这可能需要考虑AR设备的定位和方向,以及AR设备与电力系统的空间关系。
在一个实施例中,故障信息的格式化:故障信息可能包括故障类型(例如过载)、故障时间、故障设备的状态信息等。格式化步骤:文本格式化:将故障信息转换为易读的文本格式。例如,将故障类型、故障时间和故障设备状态编写成一段描述文字。图形格式化:创建代表故障信息的图标或图形。例如,为过载故障创建一个显示过载状态的图标。数据封装:将格式化后的文本和图形信息封装成AR设备可以识别和显示的格式,如特定的文件格式或数据结构。在一个实施例中在AR设备上,我们想要显示一个3D标签在配电箱#123的位置,并显示故障信息。首先,我们需要将配电箱#123的位置从电力系统的坐标转换为AR设备的3D坐标。然后,我们将过载故障的信息格式化为一段文本,如“过载故障,发生时间:2023-10-15 14:32:15,当前负载:150%”。同时,我们也可以创建一个显示过载状态的图标。最后,我们将这些格式化的数据封装成AR设备可以识别和显示的格式,以便在AR设备上显示3D标签和故障信息。
在一些实施例中,所述实时采集电力计量流水线的传感器运行数据,包括电气参数数据、状态监测数据、环境参数数据、事件数据、操作日志数据;其中,电气参数数据包括线电压、相电压、负载电流、短路电流、有功功率、无功功率、电网运行频率;状态监测数据包括断路器、隔离开关、负荷开关的开闭状态以及熔断器、继电保护器状态;环境参数数据包括变压器油温、电缆温度、电力设备环境湿度;事件数据包括断相、短路、过载、电压异常警告信息。
在一些实施例中,所述S1:实时采集电力计量流水线的传感器运行数据,对运行数据进行预处理形成一维特征向量,预处理包括将电气参数的统计特征、状态监测数据的编码、环境参数的数值以及事件数据的编码拼接在一起,形成一个一维的特征向量;其中,电气参数的统计特征包括均值、标准差、最大值、最小值。
在一些实施例中,S4:所述利用增强现实技术,在AR设备上实时显示故障位置和故障原因及推荐修复措施包括:S41:数据处理故障位置的坐标转换:将故障位置的坐标转换为AR设备的3D坐标,故障信息的格式化:将故障信息格式化为文本或图形,以便在AR设备上显示;
S42:AR内容生成,3D标签生成:为故障位置创建一个3D标签;在增强现实(AR)技术中,3D标签通常用于在虚拟空间中标识和显示现实世界中的特定位置或对象。在电力故障检测和定位的场景中,为故障位置创建一个3D标签可以帮助操作员快速、直观地了解故障发生的具体位置。下面是如何为电力故障位置创建一个3D标签的具体步骤:3D模型设计:设计一个3D标签的模型。这个模型可以是一个简单的几何形状,例如一个立方体或者一个球体,也可以是一个复杂的3D模型,例如一个带有闪电图标的3D标签。在3D标签上添加文本或图形,例如故障类型、故障时间等信息,以便操作员能够清楚地了解故障的具体情况。3D坐标定位:通过之前的坐标转换步骤,得到故障位置的3D坐标。将设计好的3D标签放置到得到的3D坐标上,使得3D标签能够准确地指示故障位置。交互功能设计:为3D标签添加交互功能,例如点击3D标签可以显示更多的故障信息,或者显示推荐的修复措施。数据封装:将设计好的3D标签和相关的交互功能封装成一个数据包,以便在AR设备上加载和显示。电力系统中的一个配电箱出现了过载故障,故障检测系统已经确定了故障的位置,并将位置坐标转换为了AR设备的3D坐标。设计一个3D标签,该标签是一个红色的立方体,立方体上显示了“过载故障”字样和故障发生的时间。将3D标签放置到配电箱的3D坐标上,使得操作员通过AR设备能够看到这个3D标签,并了解到配电箱出现了过载故障。
S43:AR显示,渲染与显示包括将生成的3D标签、文本说明和修复措施列表渲染并实时显示在AR设备上;渲染准备:加载3D模型和数据:加载步骤S42中创建的3D标签模型以及相关的故障信息和修复措施列表数据。设置视图参数:设置AR设备的视图参数,包括视角、焦距、渲染分辨率等,以适应操作员的视觉体验。3D标签渲染:定位与缩放:根据故障位置的3D坐标,定位3D标签,并根据操作员与故障位置的距离进行适当的缩放,以保证3D标签的可见性和清晰度。纹理和光照:应用纹理和光照效果,使3D标签具有良好的视觉效果和真实感。文本和修复措施列表渲染:文本渲染:将故障信息的文本内容渲染到3D标签附近的空间中,或者渲染到一个虚拟的信息板上。修复措施列表渲染:将修复措施列表渲染到一个虚拟的信息板上,或者创建一个交互式的菜单,让操作员能够浏览和选择修复措施。实时显示:渲染输出:将渲染好的3D标签、文本和修复措施列表输出到AR设备的显示屏上。交互响应:监听操作员的交互操作,例如点击、缩放等,并实时更新AR显示的内容和视图。电力系统中的一个配电箱出现了过载故障,故障检测系统已经确定了故障的位置,并为故障位置创建了一个3D标签。在一个实施例中操作员通过AR眼镜看到了这个3D标签,标签上显示了“过载故障”字样和故障发生的时间。操作员点击3D标签,AR显示展开了一个虚拟的信息板,上面显示了故障的详细信息和推荐的修复措施列表。操作员可以在AR显示中选择一个修复措施,系统则根据选择的修复措施提供进一步的指导和操作建议。
S44:判断若有新的故障检测结果,则实时更新AR显示的内容。
本申请还提供一种基于深度学习的计量流水线故障检测系统,包括:
传感器数据采集模块,实时采集电力计量流水线的传感器运行数据,对运行数据进行预处理形成一维特征向量;
卷积神经网络特征提取模块,将形成的一维特征向量输入至训练好的卷积神经网络模型进行特征提取和分类,输出的结果构成输出特征向量;/>、/>、/>分别表示第1、2、m个卷积神经网络输出参数值;
故障位置和故障原因确定模块,采用改进的蚂蚁狮优化算法,将卷积神经网络得到的特征映射作为自适应蚂蚁狮优化算法(ALO)的输入,确定故障位置和故障原因;具体包括:
初始化一个蚂蚁狮种群模块,每个蚂蚁代表一个可能的解,即一个可能的故障位置和原因;每个解表示为一个向量,/>、/>、/>分别表示第1、2、m个解向量参数值;初始时,蚂蚁的位置/>和蚂蚁狮的位置Q随机生成;
适应度值计算模块,计算每个解的适应度函数值:
;
其中,、/>为权重参数,系统共N个故障事件,当解为X以及输入特征向量/>时:TP个事件的位置被准确预测,存在C个不同的故障类别,每个类别c下有/>个故障事件,/>个事件的故障原因被准确诊断;在蚂蚁狮优化算法(ALO)的上下文中,蚂蚁通常被视为搜索算法中的“探索者”,它们在解空间中移动以寻找可能的优秀解。每个蚂蚁的位置也代表了问题的一个可能解。蚂蚁和蚂蚁狮在解空间中的交互模拟了自然界中蚂蚁狮捕食蚂蚁的行为,这种交互有助于算法找到更好的解。蚂蚁的表示:在电力故障诊断的应用中,每个蚂蚁的位置可以表示为一个向量,该向量包含了解决问题所需的所有参数。例如,如果我们正在尝试识别电网中的故障位置和故障原因,蚂蚁的位置可能包含了与故障位置、故障类型和其他相关参数有关的值。
解向量(X)与输入特征(F)解向量X 通常包含了问题的所有参数,它代表了问题的一个可能解。在电力故障诊断的场景中,解向量可能包含了故障位置、故障类型等的估计值。输入特征F 通常是从数据中提取出来的,用于描述问题的特征。例如,在电力故障诊断中,输入特征可能包括电流、电压、频率等电力系统的测量值。
位置更新模块,如果蚂蚁位置计算的适应度函数值小于蚂蚁狮位置的适应度函数值时,那么蚂蚁的位置向蚂蚁狮的位置移动;
;
否则蚂蚁狮的位置向蚂蚁的位置移动:
;
;
是在时间t的学习率,/>为衰减系数,c是一个控制随机数范围的参数,/>生成的随机数函数,/>分别是在时间t+1、t时蚂蚁狮的位置,/>分别是在时间t、t+1时的一个可能的故障位置和原因;
迭代模块,迭代步骤S32-S33,检查是否满足终止条件,达到设置迭代次数或适应度函数值大于设定阈值;
故障显示模块,利用增强现实技术,在AR设备上实时显示故障位置和故障原因及推荐修复措施。
在一些实施例中,所述实时采集电力计量流水线的传感器运行数据,包括电气参数数据、状态监测数据、环境参数数据、事件数据、操作日志数据;其中,电气参数数据包括线电压、相电压、负载电流、短路电流、有功功率、无功功率、电网运行频率;状态监测数据包括断路器、隔离开关、负荷开关的开闭状态以及熔断器、继电保护器状态;环境参数数据包括变压器油温、电缆温度、电力设备环境湿度;事件数据包括断相、短路、过载、电压异常警告信息。
在一些实施例中,所述S1:实时采集电力计量流水线的传感器运行数据,对运行数据进行预处理形成一维特征向量,预处理包括将电气参数的统计特征、状态监测数据的编码、环境参数的数值以及事件数据的编码拼接在一起,形成一个一维的特征向量;其中,电气参数的统计特征包括均值、标准差、最大值、最小值。
在一些实施例中,S4:所述利用增强现实技术,在AR设备上实时显示故障位置和故障原因及推荐修复措施包括:S41:数据处理故障位置的坐标转换:将故障位置的坐标转换为AR设备的3D坐标,故障信息的格式化:将故障信息格式化为文本或图形,以便在AR设备上显示;
S42:AR内容生成,3D标签生成:为故障位置创建一个3D标签;
S43:AR显示,渲染与显示包括将生成的3D标签、文本说明和修复措施列表渲染并实时显示在AR设备上;采用改进的空间哈希算法,快速定位和渲染故障信息,将故障级别分为1到5,根据故障级别的倒数作为系数来调整格子的大小;空间哈希算法是一种能够快速定位空间内对象的算法,它通过将空间分割成固定大小的格子,并为每个格子分配一个唯一的哈希值,来实现快速的空间查询和定位。在电力故障诊断和增强现实(AR)渲染的应用中,空间哈希算法可以用于快速定位和渲染特定区域内的故障设备和信息。1. 空间分割:将电力系统的空间分割成多个固定大小的格子,每个格子代表一个空间区域。例如,可以将一个变电站的空间分割成多个1米x1米x1米的格子。2. 对象索引:为每个电力设备和故障信息分配一个或多个格子,根据其空间位置和大小。例如,一个大型变压器可能会占据多个格子,而一个小型的开关可能只占据一个格子。3. 哈希计算:根据每个格子的位置计算一个唯一的哈希值,这个哈希值将作为格子的索引。例如,可以使用格子的xyz坐标计算哈希值:hash = f(x, y, z),其中f是一个哈希函数。4. 空间查询:当需要定位和渲染特定区域内的故障信息时,可以通过计算该区域内格子的哈希值,快速查询到相关的故障设备和信息。例如,当操作员需要查看一个特定区域内的故障设备时,系统可以通过空间哈希算法快速找到该区域内的所有故障设备。5. 渲染优化:通过空间哈希算法,可以只渲染当前视角下可见的格子内的对象和故障信息,而忽略其他不可见的格子,从而大大减少渲染的计算量,提高渲染效率。6. 实时更新:当电力系统中发生新的故障时,可以通过空间哈希算法快速定位故障的位置,并更新相关格子内的故障信息。例如,当一个配电箱发生过载故障时,系统可以通过空间哈希算法快速定位到配电箱的位置,并更新该区域内的故障信息。
S44:判断若有新的故障检测结果,则实时更新AR显示的内容。
本发明提供了一种基于深度学习的计量流水线故障检测方法及系统,所能实现的有益技术效果如下:
1、本申请该方法采用卷积神经网络特征提取结合改进的蚂蚁狮优化算法应用到电力系统故障检测,在电力系统的故障诊断中,可以利用CNN处理电力设备的运行数据,例如电流、电压信号等,自动提取故障的特征,为故障的定位和诊断提供依据;同时结合蚂蚁狮优化算法(Ant Lion Optimizer, ALO)在故障诊断中应用,将卷积神经网络得到的特征映射作为自适应蚂蚁狮优化算法(ALO)的输入,确定故障位置和故障原因,利用增强现实技术,在AR设备上实时显示故障位置和故障原因及推荐修复措施,实现了计量流水线故障的实施判断位置确定以及显示。
2、本发明采用的适应度值计算模块,计算每个解的适应度函数值:
;
其中,、/>为权重参数,系统共N个故障事件,当解为X以及输入特征向量/>时:TP个事件的位置被准确预测,其中,在电力系统中存在C个不同的故障类别,每个类别c下有/>个故障事件,/>个事件的故障原因被准确诊断;充分利用历史故障概率,上述适应度计算过程中,通过引入多类别故障诊断准确率,采用电力系统多类别故障诊断准确率的计算,可以更全面地评估电力故障诊断系统的性能。
3、本发明的位置更新模块,如果蚂蚁位置计算的适应度函数值小于蚂蚁狮位置的适应度函数值时,那么蚂蚁的位置向蚂蚁狮的位置移动;
;
否则蚂蚁狮的位置向蚂蚁的位置移动:
;
;
是在时间t的学习率,/>为衰减系数,c是一个控制随机数范围的参数,/>生成的随机数函数,/>分别是在时间t+1、t时蚂蚁狮的位置,/>分别是在时间t、t+1时的一个可能的故障位置和原因;本发明通过将/>是在时间t的学习率,本发明通过将自适应学习率/>的更新加入,可以根据优化的进程动态调整学习率,以加速收敛或避免过度震荡。
以上对一种基于深度学习的计量流水线故障检测方法及系统进行了详细介绍,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核心思想;同时,对于本领域的一般技术人员,依据本发明的思想和方法,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于深度学习的计量流水线故障检测方法,其特征在于,包括步骤:
S1:实时采集电力计量流水线的传感器运行数据,对运行数据进行预处理形成一维特征向量;
S2:将形成的一维特征向量输入至训练好的卷积神经网络模型进行特征提取和分类,输出的结果构成输出特征向量;/>、/>、/>分别表示第1、2、m个卷积神经网络输出参数值;
S3:采用改进的蚂蚁狮优化算法,将卷积神经网络得到的特征映射作为自适应蚂蚁狮优化算法(ALO)的输入,确定故障位置和故障原因;具体包括:
S31:初始化一个蚂蚁狮种群,每个蚂蚁代表一个可能的解,即一个可能的故障位置和原因;每个解表示为一个向量,/>、/>、/>分别表示第1、2、m个解向量参数值;初始时,蚂蚁的位置/>和蚂蚁狮的位置Q随机生成;
S32:计算每个解的适应度函数值:
;
其中,、/>为权重参数,系统共N个故障事件,当解为X以及输入特征向量/>时:TP个事件的位置被准确预测,存在C个不同的故障类别,每个类别c下有/>个故障事件,/>个事件的故障原因被准确诊断;
S33:如果蚂蚁位置计算的适应度函数值小于蚂蚁狮位置的适应度函数值时,那么蚂蚁的位置向蚂蚁狮的位置移动;
;
否则蚂蚁狮的位置向蚂蚁的位置移动:
;
;
是在时间t的学习率,/>为衰减系数,c是一个控制随机数范围的参数,/>生成的随机数函数,/>分别是在时间t+1、t时蚂蚁狮的位置,/>分别是在时间t、t+1时的一个可能的故障位置和原因;
S34:迭代步骤S32-S33,检查是否满足终止条件,达到设置迭代次数或适应度函数值大于设定阈值;
S4:利用增强现实技术,在AR设备上实时显示故障位置和故障原因及推荐修复措施,包括:S41:数据处理故障位置的坐标转换:将故障位置的坐标转换为AR设备的3D坐标,故障信息的格式化:将故障信息格式化为文本或图形,以便在AR设备上显示;
S42:AR内容生成,3D标签生成:为故障位置创建一个3D标签;
S43:AR显示,渲染与显示包括将生成的3D标签、文本说明和修复措施列表渲染并实时显示在AR设备上;
S44:判断若有新的故障检测结果,则实时更新AR显示的内容。
2.如权利要求1所述的一种基于深度学习的计量流水线故障检测方法,其特征在于,所述实时采集电力计量流水线的传感器运行数据,包括电气参数数据、状态监测数据、环境参数数据、事件数据、操作日志数据;其中,电气参数数据包括线电压、相电压、负载电流、短路电流、有功功率、无功功率、电网运行频率;状态监测数据包括断路器、隔离开关、负荷开关的开闭状态以及熔断器、继电保护器状态;环境参数数据包括变压器油温、电缆温度、电力设备环境湿度;事件数据包括断相、短路、过载、电压异常警告信息。
3.如权利要求1所述的一种基于深度学习的计量流水线故障检测方法,其特征在于,所述S1:实时采集电力计量流水线的传感器运行数据,对运行数据进行预处理形成一维特征向量,预处理包括将电气参数的统计特征、状态监测数据的编码、环境参数的数值以及事件数据的编码拼接在一起,形成一个一维的特征向量;其中,电气参数的统计特征包括均值、标准差、最大值、最小值。
4.一种基于深度学习的计量流水线故障检测系统,其特征在于,包括:
传感器数据采集模块,实时采集电力计量流水线的传感器运行数据,对运行数据进行预处理形成一维特征向量;
卷积神经网络特征提取模块,将形成的一维特征向量输入至训练好的卷积神经网络模型进行特征提取和分类,输出的结果构成输出特征向量;/>、/>、/>分别表示第1、2、m个卷积神经网络输出参数值;
故障位置和故障原因确定模块,采用改进的蚂蚁狮优化算法,将卷积神经网络得到的特征映射作为自适应蚂蚁狮优化算法(ALO)的输入,确定故障位置和故障原因;具体包括:
初始化一个蚂蚁狮种群模块,每个蚂蚁代表一个可能的解,即一个可能的故障位置和原因;每个解表示为一个向量,/>、/>、/>分别表示第1、2、m个解向量参数值;初始时,蚂蚁的位置/>和蚂蚁狮的位置Q随机生成;
适应度值计算模块,计算每个解的适应度函数值:
;
其中,、/>为权重参数,系统共N个故障事件,当解为X以及输入特征向量/>时:TP个事件的位置被准确预测,存在C个不同的故障类别,每个类别c下有/>个故障事件,/>个事件的故障原因被准确诊断;
位置更新模块,如果蚂蚁位置计算的适应度函数值小于蚂蚁狮位置的适应度函数值时,那么蚂蚁的位置向蚂蚁狮的位置移动;
;
否则蚂蚁狮的位置向蚂蚁的位置移动:
;
;
是在时间t的学习率,/>为衰减系数,c是一个控制随机数范围的参数,/>生成的随机数函数,/>分别是在时间t+1、t时蚂蚁狮的位置,/>分别是在时间t、t+1时的一个可能的故障位置和原因;
迭代模块,迭代步骤S32-S33,检查是否满足终止条件,达到设置迭代次数或适应度函数值大于设定阈值;
故障显示模块,利用增强现实技术,在AR设备上实时显示故障位置和故障原因及推荐修复措施,包括:数据处理故障位置的坐标转换模块:将故障位置的坐标转换为AR设备的3D坐标,故障信息的格式化:将故障信息格式化为文本或图形,以便在AR设备上显示;
AR内容生成模块,3D标签生成:为故障位置创建一个3D标签;
AR显示模块,渲染与显示包括将生成的3D标签、文本说明和修复措施列表渲染并实时显示在AR设备上;
更新显示模块,判断若有新的故障检测结果,则实时更新AR显示的内容。
5.如权利要求4所述的一种基于深度学习的计量流水线故障检测系统,其特征在于,所述实时采集电力计量流水线的传感器运行数据,包括电气参数数据、状态监测数据、环境参数数据、事件数据、操作日志数据;其中,电气参数数据包括线电压、相电压、负载电流、短路电流、有功功率、无功功率、电网运行频率;状态监测数据包括断路器、隔离开关、负荷开关的开闭状态以及熔断器、继电保护器状态;环境参数数据包括变压器油温、电缆温度、电力设备环境湿度;事件数据包括断相、短路、过载、电压异常警告信息。
6.如权利要求5所述的一种基于深度学习的计量流水线故障检测系统,其特征在于,所述实时采集电力计量流水线的传感器运行数据,对运行数据进行预处理形成一维特征向量,预处理包括将电气参数的统计特征、状态监测数据的编码、环境参数的数值以及事件数据的编码拼接在一起,形成一个一维的特征向量;其中,电气参数的统计特征包括均值、标准差、最大值、最小值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311514623.6A CN117233540B (zh) | 2023-11-15 | 2023-11-15 | 一种基于深度学习的计量流水线故障检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311514623.6A CN117233540B (zh) | 2023-11-15 | 2023-11-15 | 一种基于深度学习的计量流水线故障检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117233540A CN117233540A (zh) | 2023-12-15 |
CN117233540B true CN117233540B (zh) | 2024-02-20 |
Family
ID=89097040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311514623.6A Active CN117233540B (zh) | 2023-11-15 | 2023-11-15 | 一种基于深度学习的计量流水线故障检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117233540B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274038A (zh) * | 2017-07-31 | 2017-10-20 | 上海电力学院 | 一种基于蚁狮优化的lssvm年用电量预测方法 |
GB201810736D0 (en) * | 2018-06-29 | 2018-08-15 | Microsoft Technology Licensing Llc | Neural trees |
CN108898249A (zh) * | 2018-06-28 | 2018-11-27 | 鹿寨知航科技信息服务有限公司 | 一种电网故障预测方法 |
CN109062664A (zh) * | 2018-07-25 | 2018-12-21 | 南京邮电大学 | 基于蚁狮优化算法的云计算任务调度方法 |
CN109767036A (zh) * | 2018-12-28 | 2019-05-17 | 北京航空航天大学 | 基于自适应蚁狮优化的支持向量机故障预测方法 |
CN109800894A (zh) * | 2019-01-22 | 2019-05-24 | 广东电网有限责任公司 | 一种基于深度学习发现计量自动化流水线故障诊断方法及诊断系统 |
CN109800895A (zh) * | 2019-01-18 | 2019-05-24 | 广东电网有限责任公司 | 一种基于增强现实技术在计量自动化流水线故障预警和维护的方法 |
CN110006649A (zh) * | 2018-12-24 | 2019-07-12 | 湖南科技大学 | 一种基于改进蚁狮算法和支持向量机的轴承故障诊断方法 |
CN110765700A (zh) * | 2019-10-21 | 2020-02-07 | 国家电网公司华中分部 | 基于量子蚁群优化rbf网络的特高压输电线损预测方法 |
WO2020061193A1 (en) * | 2018-09-21 | 2020-03-26 | The Climate Corporation | Method and system for executing machine learning algorithms |
CN110942450A (zh) * | 2019-11-19 | 2020-03-31 | 武汉大学 | 一种基于深度学习的多生产流水线实时缺陷检测方法 |
CN112114214A (zh) * | 2020-09-08 | 2020-12-22 | 贵州电网有限责任公司 | 一种变压器故障诊断方法 |
CN112903295A (zh) * | 2021-01-20 | 2021-06-04 | 昆明理工大学 | 一种基于蚁狮算法优化极限学习机的滚动轴承故障诊断方法 |
KR102284282B1 (ko) * | 2020-01-30 | 2021-08-02 | 주식회사 이엠포커스 | 증강현실 이미지 기반의 원격협업 모니터링 방법 |
CN113240068A (zh) * | 2021-05-14 | 2021-08-10 | 江苏科技大学 | 一种基于改进蚁狮算法的rbf神经网络优化方法 |
CN114724705A (zh) * | 2022-04-06 | 2022-07-08 | 郑州轻工业大学 | 基于改进蚁狮算法和bp神经网络的食管鳞癌生存预测方法 |
DE202022103268U1 (de) * | 2022-06-10 | 2022-09-03 | Puspanjali Mohapatra | Ein auf der Ameisenlöwen-Optimierung basierendes Mehrzielsystem zur Auswahl von Merkmalen |
CN115713174A (zh) * | 2022-11-11 | 2023-02-24 | 中国地质大学(武汉) | 一种无人机城市巡检系统及方法 |
CN115754578A (zh) * | 2022-08-30 | 2023-03-07 | 国网辽宁省电力有限公司电力科学研究院 | 基于自适应蚁群算法的有源配电网故障定位方法及系统 |
CN115951254A (zh) * | 2022-12-15 | 2023-04-11 | 东南大学 | 一种锂离子电池健康状态及剩余使用寿命预估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7313550B2 (en) * | 2002-03-27 | 2007-12-25 | Council Of Scientific & Industrial Research | Performance of artificial neural network models in the presence of instrumental noise and measurement errors |
-
2023
- 2023-11-15 CN CN202311514623.6A patent/CN117233540B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274038A (zh) * | 2017-07-31 | 2017-10-20 | 上海电力学院 | 一种基于蚁狮优化的lssvm年用电量预测方法 |
CN108898249A (zh) * | 2018-06-28 | 2018-11-27 | 鹿寨知航科技信息服务有限公司 | 一种电网故障预测方法 |
GB201810736D0 (en) * | 2018-06-29 | 2018-08-15 | Microsoft Technology Licensing Llc | Neural trees |
CN109062664A (zh) * | 2018-07-25 | 2018-12-21 | 南京邮电大学 | 基于蚁狮优化算法的云计算任务调度方法 |
WO2020061193A1 (en) * | 2018-09-21 | 2020-03-26 | The Climate Corporation | Method and system for executing machine learning algorithms |
CN110006649A (zh) * | 2018-12-24 | 2019-07-12 | 湖南科技大学 | 一种基于改进蚁狮算法和支持向量机的轴承故障诊断方法 |
CN109767036A (zh) * | 2018-12-28 | 2019-05-17 | 北京航空航天大学 | 基于自适应蚁狮优化的支持向量机故障预测方法 |
CN109800895A (zh) * | 2019-01-18 | 2019-05-24 | 广东电网有限责任公司 | 一种基于增强现实技术在计量自动化流水线故障预警和维护的方法 |
CN109800894A (zh) * | 2019-01-22 | 2019-05-24 | 广东电网有限责任公司 | 一种基于深度学习发现计量自动化流水线故障诊断方法及诊断系统 |
CN110765700A (zh) * | 2019-10-21 | 2020-02-07 | 国家电网公司华中分部 | 基于量子蚁群优化rbf网络的特高压输电线损预测方法 |
CN110942450A (zh) * | 2019-11-19 | 2020-03-31 | 武汉大学 | 一种基于深度学习的多生产流水线实时缺陷检测方法 |
KR102284282B1 (ko) * | 2020-01-30 | 2021-08-02 | 주식회사 이엠포커스 | 증강현실 이미지 기반의 원격협업 모니터링 방법 |
CN112114214A (zh) * | 2020-09-08 | 2020-12-22 | 贵州电网有限责任公司 | 一种变压器故障诊断方法 |
CN112903295A (zh) * | 2021-01-20 | 2021-06-04 | 昆明理工大学 | 一种基于蚁狮算法优化极限学习机的滚动轴承故障诊断方法 |
CN113240068A (zh) * | 2021-05-14 | 2021-08-10 | 江苏科技大学 | 一种基于改进蚁狮算法的rbf神经网络优化方法 |
CN114724705A (zh) * | 2022-04-06 | 2022-07-08 | 郑州轻工业大学 | 基于改进蚁狮算法和bp神经网络的食管鳞癌生存预测方法 |
DE202022103268U1 (de) * | 2022-06-10 | 2022-09-03 | Puspanjali Mohapatra | Ein auf der Ameisenlöwen-Optimierung basierendes Mehrzielsystem zur Auswahl von Merkmalen |
CN115754578A (zh) * | 2022-08-30 | 2023-03-07 | 国网辽宁省电力有限公司电力科学研究院 | 基于自适应蚁群算法的有源配电网故障定位方法及系统 |
CN115713174A (zh) * | 2022-11-11 | 2023-02-24 | 中国地质大学(武汉) | 一种无人机城市巡检系统及方法 |
CN115951254A (zh) * | 2022-12-15 | 2023-04-11 | 东南大学 | 一种锂离子电池健康状态及剩余使用寿命预估方法 |
Non-Patent Citations (1)
Title |
---|
智能启发算法在机器学习中的应用研究综述;沈焱萍 等;《通信学报》;第40卷(第12期);第124-137页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117233540A (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10452845B2 (en) | Generic framework to detect cyber threats in electric power grid | |
EP3239884A1 (en) | Domain level threat detection for industrial asset control system | |
US8922551B2 (en) | Method and system for facilitating control of an industrial system | |
WO2009117741A1 (en) | Decision support control centers | |
CN109061391B (zh) | 一种基于计算机视觉潮流图的电网故障诊断方法及系统 | |
CN109474333A (zh) | 一种基于深度学习的电力光缆实时监测保护系统 | |
CN112650808A (zh) | 一种可实时校验和模拟校验的变电站防误逻辑可视化方法 | |
CN114143220A (zh) | 实时数据可视化平台 | |
CN115244555A (zh) | 用于评估整体资产状况的方法和装置 | |
CN117390403B (zh) | 一种新能源灯塔发电站的电网故障检测方法及系统 | |
CN111384776B (zh) | 一种基于vr的变电站三维全景状态监测方法及系统 | |
CN117233540B (zh) | 一种基于深度学习的计量流水线故障检测方法及系统 | |
CN111465045B (zh) | 一种ap的监控方法、监控服务器和监控系统 | |
CN112070400A (zh) | 一种电网数据库安全态势评估方法及装置 | |
CN112052566A (zh) | 一种智能电缆模拟仿真方法及系统 | |
CN106646115A (zh) | 一种输电线故障检测方法 | |
US20120038661A1 (en) | Method for visualization of transmission flow in a system, an operator terminal and a supervisory control system | |
CN107392449B (zh) | 继电保护定值单生成方法和装置 | |
CN112598025A (zh) | 电力设备目标信息的处理方法、装置、设备和介质 | |
CN108321925B (zh) | 低压配电系统的监控方法和系统 | |
Murali et al. | PQ chart: a real‐time situational awareness tool for transmission lines | |
US20130055133A1 (en) | Systems and methods for presenting contingency analysis results | |
CN117691755A (zh) | 一种智能变电站二次回路的可视化监测及异常检测系统 | |
CN112598160B (zh) | 一种电力物联网形状展示方法、装置、介质及电子设备 | |
CN115664933A (zh) | 一种对动态本体业务模型的关联对象进行动态显示的方法 |
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 |