CN117375237B - 基于数字孪生技术变电站运维方法及系统 - Google Patents
基于数字孪生技术变电站运维方法及系统 Download PDFInfo
- Publication number
- CN117375237B CN117375237B CN202311363483.7A CN202311363483A CN117375237B CN 117375237 B CN117375237 B CN 117375237B CN 202311363483 A CN202311363483 A CN 202311363483A CN 117375237 B CN117375237 B CN 117375237B
- Authority
- CN
- China
- Prior art keywords
- voltage
- training
- temperature
- feature
- sequence
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 56
- 238000005516 engineering process Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000013598 vector Substances 0.000 claims abstract description 86
- 238000010586 diagram Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims description 128
- 230000004927 fusion Effects 0.000 claims description 73
- 239000011159 matrix material Substances 0.000 claims description 42
- 238000000605 extraction Methods 0.000 claims description 25
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 15
- 239000012634 fragment Substances 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000000750 progressive effect Effects 0.000 claims description 9
- 230000010354 integration Effects 0.000 claims description 8
- 230000004931 aggregating effect Effects 0.000 claims description 7
- 230000019771 cognition Effects 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 9
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 238000012545 processing Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 239000013585 weight reducing agent Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- 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)
- Power Engineering (AREA)
- Human Computer Interaction (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种基于数字孪生技术变电站运维方法及系统,涉及变电站运维技术领域。其首先获取被监控变电站的变压器的预定时间段的电压信号以及所述预定时间段内多个预定时间点的温度值,接着,对所述电压信号进行波形特征提取以得到全局电压波形特征图,然后,对所述多个预定时间点的温度值进行温度时序特征提取以得到温度时序特征向量,最后,基于所述全局电压波形特征图和所述温度时序特征向量,确定所述被监控变电站的变压器的工作状态是否正常,并显示所述被监控变电站的变压器的工作信息。这样,可以实现对变压器的实时监测和智能诊断。
Description
技术领域
本申请涉及变电站运维技术领域,且更为具体地,涉及一种基于数字孪生技术变电站运维方法及系统。
背景技术
变电站是电力系统的重要组成部分,其运行状态直接影响电力的供应和质量。变压器是变电站中的核心设备,其内部的温度和电压是反映其工作状况的重要参数。传统的变压器运维方法主要依靠人工巡检和定期检测,这种方法存在一定的局限性,如人工巡检费时费力、定期检测不能及时发现故障、检测数据缺乏有效分析等。为了提高变压器的运维效率和安全性,需要利用先进的信息技术对变压器进行实时监测和智能诊断。
数字孪生技术是一种基于物理模型、传感器数据和机器学习算法构建虚拟模型并与实体模型进行同步映射的技术,可以实现对实体模型的状态监测、故障预测和优化控制。数字孪生技术在变电站运维领域具有广阔的应用前景,可以通过构建变压器的数字孪生模型,实现对变压器内部温度和电压的实时监测和智能诊断,从而提高变压器的运行可靠性和寿命。
因此,期待一种基于数字孪生技术变电站运维方法。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于数字孪生技术变电站运维方法及系统。其利用图像处理技术和基于深度学习的人工智能技术来对变压器的电压信号和温度数据进行特征提取,以此来实现对变压器的实时监测和智能诊断。
根据本申请的一个方面,提供了一种基于数字孪生技术变电站运维方法,其包括:
获取被监控变电站的变压器的预定时间段的电压信号以及所述预定时间段内多个预定时间点的温度值;
对所述电压信号进行波形特征提取以得到全局电压波形特征图;
对所述多个预定时间点的温度值进行温度时序特征提取以得到温度时序特征向量;以及
基于所述全局电压波形特征图和所述温度时序特征向量,确定所述被监控变电站的变压器的工作状态是否正常,并显示所述被监控变电站的变压器的工作信息。
根据本申请的另一个方面,提供了一种基于数字孪生技术变电站运维系统,其包括:
数据获取模块,用于获取被监控变电站的变压器的预定时间段的电压信号以及所述预定时间段内多个预定时间点的温度值;
波形特征提取模块,用于对所述电压信号进行波形特征提取以得到全局电压波形特征图;
温度时序特征提取模块,用于对所述多个预定时间点的温度值进行温度时序特征提取以得到温度时序特征向量;以及
工作状态分析模块,用于基于所述全局电压波形特征图和所述温度时序特征向量,确定所述被监控变电站的变压器的工作状态是否正常,并显示所述被监控变电站的变压器的工作信息。
与现有技术相比,本申请提供的基于数字孪生技术变电站运维方法及系统,其首先获取被监控变电站的变压器的预定时间段的电压信号以及所述预定时间段内多个预定时间点的温度值,接着,对所述电压信号进行波形特征提取以得到全局电压波形特征图,然后,对所述多个预定时间点的温度值进行温度时序特征提取以得到温度时序特征向量,最后,基于所述全局电压波形特征图和所述温度时序特征向量,确定所述被监控变电站的变压器的工作状态是否正常,并显示所述被监控变电站的变压器的工作信息。这样,可以实现对变压器的实时监测和智能诊断。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的基于数字孪生技术变电站运维方法的流程图。
图2为根据本申请实施例的基于数字孪生技术变电站运维方法的架构示意图。
图3为根据本申请实施例的基于数字孪生技术变电站运维方法的子步骤S120的流程图。
图4为根据本申请实施例的基于数字孪生技术变电站运维方法的子步骤S140的流程图。
图5为根据本申请实施例的基于数字孪生技术变电站运维系统的框图。
图6为根据本申请实施例的基于数字孪生技术变电站运维方法的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,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,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
针对上述技术问题,本申请的技术构思为利用图像处理技术和基于深度学习的人工智能技术来对变压器的电压信号和温度数据进行特征提取,以此来实现对变压器的实时监测和智能诊断。
基于此,图1为根据本申请实施例的基于数字孪生技术变电站运维方法的流程图。图2为根据本申请实施例的基于数字孪生技术变电站运维方法的架构示意图。如图1和图2所示,根据本申请实施例的基于数字孪生技术变电站运维方法,包括步骤:S110,获取被监控变电站的变压器的预定时间段的电压信号以及所述预定时间段内多个预定时间点的温度值;S120,对所述电压信号进行波形特征提取以得到全局电压波形特征图;S130,对所述多个预定时间点的温度值进行温度时序特征提取以得到温度时序特征向量;以及,S140,基于所述全局电压波形特征图和所述温度时序特征向量,确定所述被监控变电站的变压器的工作状态是否正常,并显示所述被监控变电站的变压器的工作信息。
具体地,在本申请的技术方案中,首先,获取被监控变电站的变压器的预定时间段的电压信号以及所述预定时间段内多个预定时间点的温度值。然后,对所述电压信号进行波形特征提取以得到全局电压波形特征图。这里,对电压信号进行波形特征提取的原因是,电压信号的波形可以反映变压器内部的电气参数的变化,从而揭示变压器的工作状态和潜在故障。
在本申请的一个具体示例中,如图3所示,对所述电压信号进行波形特征提取以得到全局电压波形特征图的编码过程,包括:S121,沿着时间维度对所述电压信号进行切分以得到电压信号片段的序列;S122,提取所述电压信号片段的序列中的电压局部波形特征以得到电压局部信号波形特征矩阵的序列;以及,S123,将所述电压局部信号波形特征矩阵的序列沿着通道维度进行聚合以得到所述全局电压波形特征图。应可以理解,在S121步骤中,这样做的目的是将电压信号分段处理,以便后续提取局部波形特征。在S122步骤中,可以使用各种信号处理和特征提取方法,来获取每个电压信号片段的局部波形特征。这些特征可以包括振幅、频率、相位等信息,用于描述每个片段的波形特征。在S123步骤中,通常情况下,电压局部信号波形特征矩阵的每个元素代表一个局部特征,而沿着通道维度的聚合可以将这些局部特征合并成一个全局特征,聚合的方法可以是简单的求平均、求和,也可以是更复杂的方法,例如使用卷积神经网络进行特征提取,最终得到的全局电压波形特征图可以用于后续的分析、分类或其他任务。
其中,在步骤S122中,提取所述电压信号片段的序列中的电压局部波形特征以得到电压局部信号波形特征矩阵的序列,包括:将所述电压信号片段的序列通过基于卷积神经网络模型的电压局部波形特征提取器以得到所述电压局部信号波形特征矩阵的序列。应可以理解,卷积神经网络(Convolutional Neural Network,CNN)是一种深度学习模型,特别适用于处理具有网格结构数据的任务,在电压信号的局部波形特征提取中,可以使用基于CNN的模型作为电压局部波形特征提取器。CNN模型在电压信号处理中的作用是通过学习局部特征的空间关系,自动提取出电压信号片段中的有用特征。相比于传统的手工设计特征提取方法,CNN模型能够从原始数据中学习到更高级别的特征表示,具有更强的表征能力。在电压局部波形特征提取过程中,CNN模型可以通过卷积层、池化层和全连接层等组件来构建。卷积层可以捕捉到电压信号中的局部模式和特征,池化层可以对特征进行降维和抽样,全连接层可以将提取到的特征映射到最终的特征向量或特征矩阵。通过训练CNN模型,它可以学习到适用于电压信号的局部波形特征提取规律,将电压信号片段转化为对应的特征矩阵序列。这些特征矩阵序列可以保留了电压信号的局部波形特征,用于后续的处理和分析,例如模式识别、故障检测等任务。因此,基于卷积神经网络模型的电压局部波形特征提取器在电压信号处理中具有重要的作用。
同时,对所述多个预定时间点的温度值进行温度时序特征提取以得到温度时序特征向量。这里,对多个预定时间点的温度值进行温度时序特征提取的原因是,温度值的变化可以反映变压器内部的热场分布和热参数的变化,从而揭示变压器的工作负荷和老化程度。
在本申请的一个具体示例中,对所述多个预定时间点的温度值进行温度时序特征提取以得到温度时序特征向量的实现方式是将所述多个预定时间点的温度值沿着时间维度排列为温度时序输入向量后通过基于一维卷积层的温度时序特征提取器以得到温度时序特征向量。
相应地,对所述多个预定时间点的温度值进行温度时序特征提取以得到温度时序特征向量,包括:将所述多个预定时间点的温度值沿着时间维度排列为温度时序输入向量后通过基于一维卷积层的温度时序特征提取器以得到所述温度时序特征向量。应可以理解,一维卷积层是卷积神经网络(CNN)中的一种层类型,用于处理一维序列数据,如时间序列数据或信号数据,与二维卷积层(用于图像数据)不同,一维卷积层在一个维度上进行卷积运算。一维卷积层的输入是一个一维的数据序列,例如多个预定时间点的温度值。该序列可以被表示为一个向量,其中每个元素对应一个时间点的温度值。一维卷积层通过定义一组可学习的卷积核(也称为滤波器)来提取输入序列中的特征。在一维卷积层中,每个卷积核是一个小的窗口,它在输入序列上滑动,并对窗口内的数据进行卷积运算。卷积运算会将窗口内的数据与卷积核的权重进行逐元素相乘,然后将结果相加得到输出特征图中的一个元素。通过在整个输入序列上滑动窗口,一维卷积层可以提取出输入序列中的局部特征。一维卷积层通常还包括激活函数和池化操作。激活函数引入非线性变换,增加模型的表达能力。池化操作用于降低特征图的维度,减少参数数量,并提取出更加显著的特征。通过训练一维卷积层的权重,它可以学习到适用于温度时序数据的特征提取规律,将输入序列转化为对应的温度时序特征向量。这些特征向量可以保留了温度序列的时序特征,用于后续的分析和任务,例如时间序列预测、异常检测等。因此,基于一维卷积层的温度时序特征提取器在温度数据处理中具有重要的作用。
进一步地,将所述全局电压波形特征图和所述温度时序特征向量通过Meta融合模块以得到温度-电压语义特征融合特征图。这里,通过将电压波形特征图和温度时序特征向量进行基于Meta融合模块的融合,可以使得所述温度-电压语义特征融合特征图可以综合表征温度和电压两个方面的信息。
其中,所述Meta融合模块利用一维时序特征向量来辅助优化全局电压波形特征图的视觉特征表达。也就是,该模块使一维时序数据直接与视觉特征进行交互,直接控制每个特征通道的相关特性,帮助网络专注于每个特征通道的特定部分。
继而,将所述温度-电压语义特征融合特征图通过分类器以得到分类结果,所述分类结果用于表示被监控变电站的变压器的工作状态是否正常;并显示所述分类结果、所述电压信号和所述多个预定时间点的温度值。
相应地,如图4所示,基于所述全局电压波形特征图和所述温度时序特征向量,确定所述被监控变电站的变压器的工作状态是否正常,并显示所述被监控变电站的变压器的工作信息,包括:S141,将所述全局电压波形特征图和所述温度时序特征向量通过Meta融合模块以得到温度-电压语义特征融合特征图;S142,将所述温度-电压语义特征融合特征图通过分类器以得到分类结果,所述分类结果用于表示所述被监控变电站的变压器的工作状态是否正常;以及,S143,显示所述分类结果、所述电压信号和所述多个预定时间点的温度值。应可以理解,在S141步骤中,全局电压波形特征图和温度时序特征向量被输入到Meta融合模块中,该模块的作用是将两个不同的特征表示进行融合,以得到一个更综合、更具有语义信息的特征图,通过将电压和温度特征进行融合,可以捕捉到它们之间的关联性和相互影响,提供更全面的特征表示。在S142步骤中,温度-电压语义特征融合特征图被输入到分类器中进行分类。分类器可以是一个机器学习模型,如支持向量机(SVM)、随机森林(RandomForest)或深度学习模型,如神经网络。分类器通过学习从特征图中提取的模式和规律,对变压器的工作状态进行分类判断。分类结果表示变压器的工作状态是否正常。在S143步骤中,将分类结果、电压信号和多个预定时间点的温度值进行显示。这样操作人员或监控系统可以直观地了解变压器的工作状态和相关的电压、温度信息。通过显示这些信息,可以及时发现异常情况、进行故障诊断,并采取相应的措施来保证变压器的正常运行。综合来说,S141到S143的步骤将电压信号和温度信息结合起来,通过特征融合和分类判断,实现了对被监控变电站变压器工作状态的检测和显示,为变压器的运行管理和维护提供了重要的信息和决策支持。
其中,在步骤S141中,将所述全局电压波形特征图和所述温度时序特征向量通过Meta融合模块以得到温度-电压语义特征融合特征图,包括:使用所述Meta融合模块将所述全局电压波形特征图和所述温度时序特征向量进行交互和融合以得到所述温度-电压语义特征融合特征图。
其中,在步骤S142中,将所述温度-电压语义特征融合特征图通过分类器以得到分类结果,所述分类结果用于表示所述被监控变电站的变压器的工作状态是否正常,包括:将所述温度-电压语义特征融合特征图按照行向量或者列向量展开为分类特征向量;使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
进一步地,在本申请的技术方案中,所述的基于数字孪生技术变电站运维方法,其还包括训练步骤:对所述基于卷积神经网络模型的电压局部波形特征提取器、所述基于一维卷积层的温度时序特征提取器、所述Meta融合模块和所述分类器进行训练。应可以理解,训练步骤在基于数字孪生技术的变电站运维方法中起着关键作用,通过对电压局部波形特征提取器、温度时序特征提取器、Meta融合模块和分类器进行训练,可以使它们具备对变压器工作状态进行准确判断和预测的能力。以下是训练步骤的作用:1.训练电压局部波形特征提取器:通过训练电压局部波形特征提取器,模型可以学习提取电压信号中的局部波形特征。这些特征可以包含与变压器工作状态相关的信息,例如电压波动、谐波等。训练过程中,通过提供带有标注的电压数据,使模型学习正确地提取和表示这些特征。2.训练温度时序特征提取器:通过训练温度时序特征提取器,模型可以学习提取温度时序数据中的特征。这些特征可以捕捉到温度变化的模式和趋势,反映变压器的工作状态。训练过程中,通过提供带有标注的温度数据,使模型学习正确地提取和表示这些特征。3.训练Meta融合模块:Meta融合模块的目标是将电压局部波形特征和温度时序特征进行融合,以得到更综合和语义丰富的特征表示。通过训练Meta融合模块,模型可以学习如何有效地结合两种类型的特征,并提取出它们之间的关联性。这样可以增强特征的表达能力,提高对变压器工作状态的判断准确性。4.训练分类器:分类器的作用是将融合后的特征图映射到变压器工作状态的分类结果上。通过训练分类器,模型可以学习将特征图与不同工作状态之间的对应关系。训练过程中,通过提供带有标注的变压器工作状态数据,使模型学习正确地分类和判断变压器的工作状态。通过以上训练步骤,模型可以从输入的电压信号和温度数据中提取有用的特征,并将它们结合起来进行综合分析和判断。训练步骤的目的是使模型具备对变压器工作状态进行准确预测和判断的能力,从而支持变电站的运维决策和故障诊断。
其中,在一个示例中,所述训练步骤,包括:获取训练数据,所述训练数据包括训练被监控变电站的变压器的预定时间段的训练电压信号以及所述预定时间段内多个预定时间点的训练温度值,以及,所述训练被监控变电站的变压器的工作状态是否正常的真实值;沿着时间维度对所述训练电压信号进行切分以得到训练电压信号片段的序列;将所述训练电压信号片段的序列通过所述基于卷积神经网络模型的电压局部波形特征提取器以得到训练电压局部信号波形特征矩阵的序列;将所述训练电压局部信号波形特征矩阵的序列沿着通道维度进行聚合以得到训练全局电压波形特征图;将所述多个预定时间点的训练温度值沿着时间维度排列为训练温度时序输入向量后通过所述基于一维卷积层的温度时序特征提取器以得到训练温度时序特征向量;将所述训练全局电压波形特征图和所述训练温度时序特征向量通过所述Meta融合模块以得到训练温度-电压语义特征融合特征图;将所述训练温度-电压语义特征融合特征图通过分类器以得到分类损失函数值;以及,以所述分类损失函数值来对所述基于卷积神经网络模型的电压局部波形特征提取器、所述基于一维卷积层的温度时序特征提取器、所述Meta融合模块和所述分类器进行训练,其中,在所述训练的每一轮迭代中,对所述训练温度-电压语义特征融合特征图展开后得到的训练温度-电压语义特征融合特征向量进行权重空间的资源认知的渐进式上下文集成迭代。
在本申请的技术方案中,所述训练温度时序特征向量表达温度值的时序局部关联特征,而所述训练全局电压波形特征图的各个特征矩阵表达相应的训练电压信号片段的信号波形图像的图像语义特征,且在通道维度上遵循所述训练电压信号的信号波形源图像语义的图像语义特征时序分布,由此,将所述训练全局电压波形特征图和所述训练温度时序特征向量通过meta融合模块,实质上需要以所述维度值的时序局部关联特征来约束训练电压信号的信号波形源图像语义的图像语义特征时序分布,也就是,基于时序特征分布来约束源时序分布,这样,对于得到的所述训练温度-电压语义特征融合特征图来说,其在特征矩阵空间维度的图像语义特征表达以外,在通道分布维度上需要同时关联数值资源型时序特征分布和图像资源型图像语义特征时序源分布,并且,在整体特征图分布维度上,也就具有了基于资源的分布维度密集的特征表示,这会引起分类器的权重矩阵的训练效率降低。
基于此,本申请的申请人在将所述训练温度-电压语义特征融合特征图通过分类器进行分类回归的训练时,对于所述训练温度-电压语义特征融合特征图展开后得到的训练温度-电压语义特征融合特征向量,进行权重空间的资源认知的渐进式上下文集成。
在所述训练的每一轮迭代中,以如下迭代公式对所述训练温度-电压语义特征融合特征图展开后得到的训练温度-电压语义特征融合特征向量进行权重空间的资源认知的渐进式上下文集成迭代以得到迭代后训练温度-电压语义特征融合特征图;其中,所述迭代公式为:
其中,和/>分别是上次和本次迭代的权重矩阵,其中在首次迭代时,采用不同的初始化策略设置/>和/>,(例如,/>设置为单位矩阵而/>设置为待分类特征向量的均值对角矩阵),/>是待分类的所述训练温度-电压语义特征融合特征向量,/>和/>分别表示特征向量/>和/>的全局均值,且/>是偏置矩阵,例如初始设置为单位矩阵,向量以列向量形式,/>表示向量乘法,/>表示按位置点乘,/>表示矩阵加法,/>表示转置操作,表示最大值函数,/>表示所述迭代后训练温度-电压语义特征融合特征图沿通道维度展开的迭代后训练温度-电压语义特征融合特征矩阵。
也就是,考虑到在进行基于待分类的训练温度-电压语义特征融合特征向量的密集预测任务时,需要将权重矩阵的高分辨率表示与待分类的训练温度-电压语义特征融合特征向量/>的全局上下文进行集成,因此通过在迭代过程中最大化权重空间的分布边界,来基于迭代关联表示资源认知地(resource-aware)实现渐进集成(progressiveintegrity),从而提高权重矩阵的训练效果,提升模型整体的训练效率。
综上,基于本申请实施例的基于数字孪生技术变电站运维方法被阐明,其可以利用图像处理技术和基于深度学习的人工智能技术来对变压器的电压信号和温度数据进行特征提取,以此来实现对变压器的实时监测和智能诊断。
图5为根据本申请实施例的基于数字孪生技术变电站运维系统100的框图。如图5所示,根据本申请实施例的基于数字孪生技术变电站运维系统100,包括:数据获取模块110,用于获取被监控变电站的变压器的预定时间段的电压信号以及所述预定时间段内多个预定时间点的温度值;波形特征提取模块120,用于对所述电压信号进行波形特征提取以得到全局电压波形特征图;温度时序特征提取模块130,用于对所述多个预定时间点的温度值进行温度时序特征提取以得到温度时序特征向量;以及,工作状态分析模块140,用于基于所述全局电压波形特征图和所述温度时序特征向量,确定所述被监控变电站的变压器的工作状态是否正常,并显示所述被监控变电站的变压器的工作信息。
在一个示例中,在上述基于数字孪生技术变电站运维系统100中,所述波形特征提取模块120,包括:信号切分单元,用于沿着时间维度对所述电压信号进行切分以得到电压信号片段的序列;局部波形特征提取单元,用于提取所述电压信号片段的序列中的电压局部波形特征以得到电压局部信号波形特征矩阵的序列;以及,局部波形特征聚合单元,用于将所述电压局部信号波形特征矩阵的序列沿着通道维度进行聚合以得到所述全局电压波形特征图。
这里,本领域技术人员可以理解,上述基于数字孪生技术变电站运维系统100中的各个模块的具体功能和操作已经在上面参考图1到图4的基于数字孪生技术变电站运维方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的基于数字孪生技术变电站运维系统100可以实现在各种无线终端中,例如具有基于数字孪生技术变电站运维算法的服务器等。在一个示例中,根据本申请实施例的基于数字孪生技术变电站运维系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该基于数字孪生技术变电站运维系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该基于数字孪生技术变电站运维系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该基于数字孪生技术变电站运维系统100与该无线终端也可以是分立的设备,并且该基于数字孪生技术变电站运维系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图6为根据本申请实施例的基于数字孪生技术变电站运维方法的应用场景图。如图6所示,在该应用场景中,首先,获取被监控变电站的变压器的预定时间段的电压信号(例如,图6中所示意的D1)以及所述预定时间段内多个预定时间点的温度值(例如,图6中所示意的D2),然后,将所述电压信号和所述多个预定时间点的温度值输入至部署有基于数字孪生技术变电站运维算法的服务器(例如,图6中所示意的S)中,其中,所述服务器能够使用所述基于数字孪生技术变电站运维算法对所述电压信号和所述多个预定时间点的温度值进行处理以得到用于表示所述被监控变电站的变压器的工作状态是否正常的分类结果。
应可以理解,基于数字孪生技术的变电站运维系统是一种利用数字模型和物理模型相结合的方法,实现变电站设备的实时监测、故障诊断、预测维护和优化管理的系统。该系统通过采集变电站设备的运行数据,构建数字模型,与物理模型进行对比分析,发现设备的异常状态,提出维修方案,并根据设备的历史数据和未来趋势,制定维护计划。该系统能够提高变电站设备的可靠性和安全性,降低运维成本和风险,提升运维效率和质量。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (8)
1.一种基于数字孪生技术变电站运维方法,其特征在于,包括:
获取被监控变电站的变压器的预定时间段的电压信号以及所述预定时间段内多个预定时间点的温度值;
对所述电压信号进行波形特征提取以得到全局电压波形特征图;
对所述多个预定时间点的温度值进行温度时序特征提取以得到温度时序特征向量;以及
基于所述全局电压波形特征图和所述温度时序特征向量,确定所述被监控变电站的变压器的工作状态是否正常,并显示所述被监控变电站的变压器的工作信息;
所述方法还包括训练步骤:对基于卷积神经网络模型的电压局部波形特征提取器、基于一维卷积层的温度时序特征提取器、Meta融合模块和分类器进行训练;
所述训练步骤,包括:
获取训练数据,所述训练数据包括训练被监控变电站的变压器的预定时间段的训练电压信号以及所述预定时间段内多个预定时间点的训练温度值,以及,所述训练被监控变电站的变压器的工作状态是否正常的真实值;
沿着时间维度对所述训练电压信号进行切分以得到训练电压信号片段的序列;
将所述训练电压信号片段的序列通过所述基于卷积神经网络模型的电压局部波形特征提取器以得到训练电压局部信号波形特征矩阵的序列;
将所述训练电压局部信号波形特征矩阵的序列沿着通道维度进行聚合以得到训练全局电压波形特征图;
将所述多个预定时间点的训练温度值沿着时间维度排列为训练温度时序输入向量后通过所述基于一维卷积层的温度时序特征提取器以得到训练温度时序特征向量;
将所述训练全局电压波形特征图和所述训练温度时序特征向量通过所述Meta融合模块以得到训练温度-电压语义特征融合特征图;
将所述训练温度-电压语义特征融合特征图通过分类器以得到分类损失函数值;以及
以所述分类损失函数值来对所述基于卷积神经网络模型的电压局部波形特征提取器、所述基于一维卷积层的温度时序特征提取器、所述Meta融合模块和所述分类器进行训练,其中,在所述训练的每一轮迭代中,对所述训练温度-电压语义特征融合特征图展开后得到的训练温度-电压语义特征融合特征向量进行权重空间的资源认知的渐进式上下文集成迭代;
在所述训练的每一轮迭代中,以如下迭代公式对所述训练温度-电压语义特征融合特征图展开后得到的训练温度-电压语义特征融合特征向量进行权重空间的资源认知的渐进式上下文集成迭代以得到迭代后训练温度-电压语义特征融合特征图;其中,所述迭代公式为:
其中,M1和M2分别是上次和本次迭代的权重矩阵,其中在首次迭代时,采用不同的初始化策略设置M1和M2,其中,M1设置为单位矩阵而M2设置为待分类特征向量的均值对角矩阵,Vc是待分类的所述训练温度-电压语义特征融合特征向量,和/>分别表示特征向量V1和V2的全局均值,且Mb是偏置矩阵,初始设置为单位矩阵,向量以列向量形式,/>表示向量乘法,⊙表示按位置点乘,/>表示矩阵加法,(·)T表示转置操作,max(·)表示最大值函数,M2'表示所述迭代后训练温度-电压语义特征融合特征图沿通道维度展开的迭代后训练温度-电压语义特征融合特征矩阵。
2.根据权利要求1所述的基于数字孪生技术变电站运维方法,其特征在于,对所述电压信号进行波形特征提取以得到全局电压波形特征图,包括:
沿着时间维度对所述电压信号进行切分以得到电压信号片段的序列;
提取所述电压信号片段的序列中的电压局部波形特征以得到电压局部信号波形特征矩阵的序列;以及
将所述电压局部信号波形特征矩阵的序列沿着通道维度进行聚合以得到所述全局电压波形特征图。
3.根据权利要求2所述的基于数字孪生技术变电站运维方法,其特征在于,提取所述电压信号片段的序列中的电压局部波形特征以得到电压局部信号波形特征矩阵的序列,包括:
将所述电压信号片段的序列通过基于卷积神经网络模型的电压局部波形特征提取器以得到所述电压局部信号波形特征矩阵的序列。
4.根据权利要求3所述的基于数字孪生技术变电站运维方法,其特征在于,对所述多个预定时间点的温度值进行温度时序特征提取以得到温度时序特征向量,包括:
将所述多个预定时间点的温度值沿着时间维度排列为温度时序输入向量后通过基于一维卷积层的温度时序特征提取器以得到所述温度时序特征向量。
5.根据权利要求4所述的基于数字孪生技术变电站运维方法,其特征在于,基于所述全局电压波形特征图和所述温度时序特征向量,确定所述被监控变电站的变压器的工作状态是否正常,并显示所述被监控变电站的变压器的工作信息,包括:
将所述全局电压波形特征图和所述温度时序特征向量通过Meta融合模块以得到温度-电压语义特征融合特征图;
将所述温度-电压语义特征融合特征图通过分类器以得到分类结果,所述分类结果用于表示所述被监控变电站的变压器的工作状态是否正常;以及
显示所述分类结果、所述电压信号和所述多个预定时间点的温度值。
6.根据权利要求5所述的基于数字孪生技术变电站运维方法,其特征在于,将所述全局电压波形特征图和所述温度时序特征向量通过Meta融合模块以得到温度-电压语义特征融合特征图,包括:
使用所述Meta融合模块将所述全局电压波形特征图和所述温度时序特征向量进行交互和融合以得到所述温度-电压语义特征融合特征图。
7.一种基于数字孪生技术变电站运维系统,其特征在于,包括:
数据获取模块,用于获取被监控变电站的变压器的预定时间段的电压信号以及所述预定时间段内多个预定时间点的温度值;
波形特征提取模块,用于对所述电压信号进行波形特征提取以得到全局电压波形特征图;
温度时序特征提取模块,用于对所述多个预定时间点的温度值进行温度时序特征提取以得到温度时序特征向量;以及
工作状态分析模块,用于基于所述全局电压波形特征图和所述温度时序特征向量,确定所述被监控变电站的变压器的工作状态是否正常,并显示所述被监控变电站的变压器的工作信息;
所述系统还包括训练步骤:对基于卷积神经网络模型的电压局部波形特征提取器、基于一维卷积层的温度时序特征提取器、Meta融合模块和分类器进行训练;
所述训练步骤,包括:
获取训练数据,所述训练数据包括训练被监控变电站的变压器的预定时间段的训练电压信号以及所述预定时间段内多个预定时间点的训练温度值,以及,所述训练被监控变电站的变压器的工作状态是否正常的真实值;
沿着时间维度对所述训练电压信号进行切分以得到训练电压信号片段的序列;
将所述训练电压信号片段的序列通过所述基于卷积神经网络模型的电压局部波形特征提取器以得到训练电压局部信号波形特征矩阵的序列;
将所述训练电压局部信号波形特征矩阵的序列沿着通道维度进行聚合以得到训练全局电压波形特征图;
将所述多个预定时间点的训练温度值沿着时间维度排列为训练温度时序输入向量后通过所述基于一维卷积层的温度时序特征提取器以得到训练温度时序特征向量;
将所述训练全局电压波形特征图和所述训练温度时序特征向量通过所述Meta融合模块以得到训练温度-电压语义特征融合特征图;
将所述训练温度-电压语义特征融合特征图通过分类器以得到分类损失函数值;以及
以所述分类损失函数值来对所述基于卷积神经网络模型的电压局部波形特征提取器、所述基于一维卷积层的温度时序特征提取器、所述Meta融合模块和所述分类器进行训练,其中,在所述训练的每一轮迭代中,对所述训练温度-电压语义特征融合特征图展开后得到的训练温度-电压语义特征融合特征向量进行权重空间的资源认知的渐进式上下文集成迭代;
在所述训练的每一轮迭代中,以如下迭代公式对所述训练温度-电压语义特征融合特征图展开后得到的训练温度-电压语义特征融合特征向量进行权重空间的资源认知的渐进式上下文集成迭代以得到迭代后训练温度-电压语义特征融合特征图;其中,所述迭代公式为:
其中,M1和M2分别是上次和本次迭代的权重矩阵,其中在首次迭代时,采用不同的初始化策略设置M1和M2,其中,M1设置为单位矩阵而M2设置为待分类特征向量的均值对角矩阵,Vc是待分类的所述训练温度-电压语义特征融合特征向量,和/>分别表示特征向量V1和V2的全局均值,且Mb是偏置矩阵,初始设置为单位矩阵,向量以列向量形式,/>表示向量乘法,⊙表示按位置点乘,/>表示矩阵加法,(·)T表示转置操作,max(·)表示最大值函数,M2'表示所述迭代后训练温度-电压语义特征融合特征图沿通道维度展开的迭代后训练温度-电压语义特征融合特征矩阵。
8.根据权利要求7所述的基于数字孪生技术变电站运维系统,其特征在于,所述波形特征提取模块,包括:
信号切分单元,用于沿着时间维度对所述电压信号进行切分以得到电压信号片段的序列;
局部波形特征提取单元,用于提取所述电压信号片段的序列中的电压局部波形特征以得到电压局部信号波形特征矩阵的序列;以及
局部波形特征聚合单元,用于将所述电压局部信号波形特征矩阵的序列沿着通道维度进行聚合以得到所述全局电压波形特征图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311363483.7A CN117375237B (zh) | 2023-10-20 | 2023-10-20 | 基于数字孪生技术变电站运维方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311363483.7A CN117375237B (zh) | 2023-10-20 | 2023-10-20 | 基于数字孪生技术变电站运维方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117375237A CN117375237A (zh) | 2024-01-09 |
CN117375237B true CN117375237B (zh) | 2024-05-24 |
Family
ID=89392404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311363483.7A Active CN117375237B (zh) | 2023-10-20 | 2023-10-20 | 基于数字孪生技术变电站运维方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117375237B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117598700B (zh) * | 2024-01-23 | 2024-03-29 | 吉林大学 | 智能化血氧饱和度检测系统及方法 |
CN117786464B (zh) * | 2024-02-22 | 2024-05-24 | 广州市原子高科同位素医药有限公司 | 一种电热恒温培养箱的异常预警方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418451A (zh) * | 2020-11-05 | 2021-02-26 | 武汉大学 | 基于数字孪生的变压器故障诊断定位系统 |
CN113656938A (zh) * | 2021-07-07 | 2021-11-16 | 北京智芯微电子科技有限公司 | 配电网变压器的监管方法、控制装置、及存储介质 |
CN115470857A (zh) * | 2022-09-16 | 2022-12-13 | 广东电网能源发展有限公司 | 变电站全景数字孪生系统及其方法 |
WO2023087442A1 (zh) * | 2021-11-18 | 2023-05-25 | 清华大学 | 数字孪生网络低时延高可靠传输方法、装置、设备及介质 |
CN116500379A (zh) * | 2023-05-15 | 2023-07-28 | 珠海中瑞电力科技有限公司 | 一种sts装置电压跌落精准定位方法 |
CN116520182A (zh) * | 2023-05-11 | 2023-08-01 | 珠海中瑞电力科技有限公司 | 一种dcs装置电源模块异常早期诊断方法 |
CN116679890A (zh) * | 2023-08-02 | 2023-09-01 | 湖南惟储信息技术有限公司 | 存储设备安全管理系统及其方法 |
CN116703642A (zh) * | 2023-08-09 | 2023-09-05 | 杭州电子科技大学信息工程学院 | 基于数字孪生技术的产品制造生产线智能管理系统 |
CN116699297A (zh) * | 2023-08-08 | 2023-09-05 | 江西驴充充充电技术有限公司 | 充电桩检测系统及其方法 |
CN116773894A (zh) * | 2023-06-15 | 2023-09-19 | 浙江恒业电子股份有限公司 | 一种采集器掉电检测系统及其方法 |
CN116865400A (zh) * | 2023-07-17 | 2023-10-10 | 湖州顺为能源科技有限公司 | 一种智能锂电池充电机及其控制系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112131673B (zh) * | 2020-09-30 | 2021-09-28 | 西南石油大学 | 基于融合神经网络模型的发动机喘振故障预测系统及方法 |
-
2023
- 2023-10-20 CN CN202311363483.7A patent/CN117375237B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418451A (zh) * | 2020-11-05 | 2021-02-26 | 武汉大学 | 基于数字孪生的变压器故障诊断定位系统 |
CN113656938A (zh) * | 2021-07-07 | 2021-11-16 | 北京智芯微电子科技有限公司 | 配电网变压器的监管方法、控制装置、及存储介质 |
WO2023087442A1 (zh) * | 2021-11-18 | 2023-05-25 | 清华大学 | 数字孪生网络低时延高可靠传输方法、装置、设备及介质 |
CN115470857A (zh) * | 2022-09-16 | 2022-12-13 | 广东电网能源发展有限公司 | 变电站全景数字孪生系统及其方法 |
CN116520182A (zh) * | 2023-05-11 | 2023-08-01 | 珠海中瑞电力科技有限公司 | 一种dcs装置电源模块异常早期诊断方法 |
CN116500379A (zh) * | 2023-05-15 | 2023-07-28 | 珠海中瑞电力科技有限公司 | 一种sts装置电压跌落精准定位方法 |
CN116773894A (zh) * | 2023-06-15 | 2023-09-19 | 浙江恒业电子股份有限公司 | 一种采集器掉电检测系统及其方法 |
CN116865400A (zh) * | 2023-07-17 | 2023-10-10 | 湖州顺为能源科技有限公司 | 一种智能锂电池充电机及其控制系统 |
CN116679890A (zh) * | 2023-08-02 | 2023-09-01 | 湖南惟储信息技术有限公司 | 存储设备安全管理系统及其方法 |
CN116699297A (zh) * | 2023-08-08 | 2023-09-05 | 江西驴充充充电技术有限公司 | 充电桩检测系统及其方法 |
CN116703642A (zh) * | 2023-08-09 | 2023-09-05 | 杭州电子科技大学信息工程学院 | 基于数字孪生技术的产品制造生产线智能管理系统 |
Non-Patent Citations (3)
Title |
---|
变电站在线监测多维信息聚合技术;翟少磊;曹敏;沈鑫;王飞;王恩;;高电压技术;20151231(12);全文 * |
基于多源特征信息融合的油浸式变压器 故障智能诊断模型;李腾飞等;电工电能新技术;20230131;第42卷(第1期);全文 * |
基于深度学习卷积神经网络的电机轴承故障诊断;陈祺;中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑);20220315;第2022卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117375237A (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117375237B (zh) | 基于数字孪生技术变电站运维方法及系统 | |
CN112527788A (zh) | 变压器监测数据异常值检测与清洗的方法及装置 | |
CN111902781A (zh) | 用于控制系统的设备和方法 | |
CN116893336B (zh) | 高低压开关设备及其方法 | |
CN116934304B (zh) | 智能配电房设备运行维护管理系统及其方法 | |
Mathew et al. | Regression kernel for prognostics with support vector machines | |
CN110794254B (zh) | 一种基于强化学习的配电网故障预测方法及系统 | |
CN117578715A (zh) | 一种电力运维智能监测预警方法、系统及存储介质 | |
CN116700193A (zh) | 工厂车间智能化监控管理系统及其方法 | |
CN115098962A (zh) | 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法 | |
CN117589233A (zh) | 继电保护装置运行状态智能检测方法及系统 | |
CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
CN117493930A (zh) | 一种基于对比生成对抗网络的多元时间序列异常检测方法 | |
Tirovolas et al. | Introducing fuzzy cognitive map for predicting engine’s health status | |
Niu et al. | A hybrid bearing prognostic method with fault diagnosis and model fusion | |
CN116402777A (zh) | 基于机器视觉的电力设备检测方法及系统 | |
Firos et al. | Fault detection in power transmission lines using AI model | |
CN117520993B (zh) | 电驱动桥试验系统及其方法 | |
Jia et al. | IIoT-based Predictive Maintenance for Oil and Gas Industry | |
Liu et al. | Artificial enabled communications energy trade management in sustainable generator based fault detection for work substation recordings | |
CN117613822B (zh) | 变频器快速停机方法、装置、设备及存储介质 | |
CN117274903B (zh) | 基于智能ai芯片的电力巡检智能预警设备及其方法 | |
CN117668753A (zh) | 基于产业园设备性能分析系统及方法 | |
CN116453437B (zh) | 显示屏模组的测试方法、装置、设备及存储介质 | |
CN117575485B (zh) | 一种基于可视化的智慧调度方法、系统及存储介质 |
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 |