CN117407770A - 基于神经网络的高压开关柜故障模式分类及预测方法 - Google Patents
基于神经网络的高压开关柜故障模式分类及预测方法 Download PDFInfo
- Publication number
- CN117407770A CN117407770A CN202311462468.8A CN202311462468A CN117407770A CN 117407770 A CN117407770 A CN 117407770A CN 202311462468 A CN202311462468 A CN 202311462468A CN 117407770 A CN117407770 A CN 117407770A
- Authority
- CN
- China
- Prior art keywords
- data
- mode
- voltage switch
- time sequence
- switch cabinet
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 22
- 230000007246 mechanism Effects 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000007787 long-term memory Effects 0.000 claims abstract description 4
- 230000006403 short-term memory Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 230000007774 longterm Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims 1
- 238000013450 outlier detection Methods 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了基于神经网络的高压开关柜故障模式分类及预测方法，包括：通过多组传感器采集高压开关柜的运行数据以及运行时的声音和图像数据；将各运行数据、声音和图像数据均作为时序数据并输入到时序数据集，将各运行数据、声音和图像数据按一定方式整合或融合形成多模态数据并输入到多模态数据集，对多模态数据与时序数据均进行预处理；进行特征学习，引入注意力机制并采用LSTM对多模态数据与时序数据进行序列建模；构建注意力机制与长短期记忆神经网络的混合模型，对混合模型进行训练与优化；根据训练好的混合模型对故障模式分类与预测。本发明结合注意力机制和LSTM，并融合多模态数据，能保证高压开关柜设备的安全运行和提供有效故障维护。
Description
技术领域
本发明属于电力设备故障预测领域，具体涉及一种基于神经网络的高压开关柜故障模式分类及预测方法。
背景技术
高压开关柜是电力系统中的重要组成部分，用于控制和保护电力设备，以确保电力系统的正常运行。然而，由于高压开关柜的复杂性和长期使用，故障的发生不可避免，这可能导致设备损坏、停电甚至事故。因此，对高压开关柜进行故障模式分类与预测具有重要意义，可以实现故障的提前预警和及时维护，保障电力系统的安全稳定运行。
传统的高压开关柜故障分类与预测方法通常依赖于规则定义的特征提取和统计分析，但这些方法往往无法捕捉到数据中的复杂关系和隐含特征。而随着深度学习技术的快速发展，特别是卷积神经网络在图像处理和自然语言处理等领域的成功应用，深度学习在故障诊断领域也展现出了强大的潜力。
近年来，基于深度学习技术的故障分类与预测方法逐渐成为研究的热点。其中，注意力机制是深度学习中的一种关键技术，它可以在模型中自动学习数据的重要特征，提高模型对关键信息的关注程度。同时，长短期记忆神经网络(LSTM)作为一种特殊的循环神经网络，被广泛用于序列建模，能够捕捉时序数据中的长期依赖关系。
然而，现有的基于深度学习技术的高压开关柜故障分类与预测方法大多仅针对时序数据进行建模，忽略了高压开关柜可能同时存在的多模态数据，例如声音和图像数据。
发明内容
本发明的目的在于，提供一种基于神经网络的高压开关柜故障模式分类及预测方法，结合注意力机制和LSTM，并融合多模态数据，具有重要的理论和实践意义，能为高压开关柜设备的安全运行和故障维护提供更有效的解决方案。
为解决上述技术问题，本发明的技术方案为：基于神经网络的高压开关柜故障模式分类及预测方法，包括以下步骤：
S1、通过多组传感器采集高压开关柜的运行数据以及高压开关柜运行时的声音和图像数据，运行数据至少包括电流数据、电压数据、温度数据；将各运行数据、声音和图像数据均作为时序数据并输入到时序数据集，将各运行数据、声音和图像数据按一定方式整合或融合形成多模态数据并输入到多模态数据集，对多模态数据与时序数据均进行预处理；
S2、进行特征学习，引入注意力机制并采用LSTM模型对多模态数据与时序数据进行序列建模；
S3、构建长短期记忆神经网络的模型，对模型进行训练与优化；
S4、根据训练好的混合模型对故障模式分类与预测。
S1中预处理至少包括数据清洗、缺失值处理、异常值检测和去噪处理；其中，
缺失值处理：处理可能存在的缺失值，采用插值方法填充缺失值，以保证数据的完整性；
异常值检测：使用统计方法或机器学习算法检测数据中的异常值，对于异常值进行处理或剔除，以避免对后续分析的影响；
去噪处理：通过滤波或降噪技术对数据进行去噪，以提高数据的可靠性和准确性；
数据清洗：对数据进行归一化，以确保数据的准确性和一致性。
S2具体为：
S21、通过注意力机制，提取多模态数据与时序数据中的重要特征，提取目标为与故障模式分类和预测相关的信息；
S22、将多模态数据与时序数据进行融合；
S23、将多模态数据作为额外的输入特征，与时序数据进行连接或拼接，形成一个综合的输入特征；将多模态数据拼接在时序数据的末尾，形成新的输入特征表示；
S24、在每个时间步，通过注意力机制计算多模态数据各个部分的注意力权重；
S25、在注意力机制中，计算每个特征的注意力权重；
S26、在注意力机制中，将多模态数据的特征加入到查询向量和键向量的计算中，与时序数据的特征进行拼接；
S27、通过注意力机制计算注意力权重时，同时考虑时序数据和多模态数据的相关性；
S28、采用LSTM对多模态数据与时序数据进行序列建模，捕捉数据中的时序信息和长期依赖关系，以更好地处理时序数据。
S3具体为：
S31、对混合模型的参数进行初始化；混合模型的参数包括注意力机制和LSTM部分的参数，以及多模态数据和时序数据的参数；初始化方式为通过随机初始化的方式来设置初始值；
S32、将训练数据中的衡量模型预测值与真实故障标签之间的差异作为损失函数，通过调整注意力权重使差异最小化，损失函数表示为：
其中，N表示训练样本数量，yi表示实际数据，表示模型预测的数据；
S33、在训练过程中，通过Adam优化算法更新混合模型的参数，以最小化损失函数；再根据损失函数的梯度对混合模型的参数进行更新，重复多个训练迭代；在每次训练迭代中，通过前向传播计算混合模型的输出，然后计算损失函数，再通过反向传播计算损失函数的梯度，最后使用优化算法来更新模型的参数；
S34、训练迭代过程不断重复，直到损失函数收敛或达到设定的训练步数；
S35、在每个时间步，通过注意力机制得到注意力权重，然后对LSTM输出进行加权融合，得到混合模型的分类预测输出。
S4具体为：
S41、假设存在d个不同维度的指标，d为正整数，并且根据混合模型得到的每个维度的权重分别为α1,α2,...αd，故障指标评估结果为P，则加权融合公式表示为：
其中，Xi表示i个维度的指标；
S42、将注意力权重归一化，归一化处理通过以下方式实现：
其中，αi表示第i个维度的注意力权重；
S43、根据混合模型得到的权重，对不同维度的指标进行加权融合，从而得出故障模式分类与预测结果；
S44、根据故障模式分类与预测结果实时监测和预警潜在故障，确保高压开关柜的安全运行。
S24中计算注意力权重的方法为：
其中，为第i个样本在第j个时间步的注意力权重；MLP为一个多层感知机，用于学习注意力权重；/>表示i个维度的第j个指标。
S25中计算每个特征的注意力权重的方法为：
其中，Q表示查询向量，K表示键向量，V表示值向量，dk表示特征的维度；
通过将查询向量与键向量进行点积操作，并进行缩放处理后，再经过softmax函数得到注意力权重，将注意力权重与值向量进行加权求和，得到特征的加权表示。
S28中，对于每个样本的每个时间步，LSTM的计算方式为：
其中，表示第i个样本在第j个时间步的LSTM输出，/>表示上一个时间步的LSTM隐藏状态。
混合模型的输出表示为：
其中，为混合模型的输出。
与现有技术相比，本发明的有益效果为：
本发明结合注意力机制和LSTM，并融合多模态数据，具有重要的理论和实践意义，能为高压开关柜设备的安全运行和故障维护提供更有效的解决方案。
附图说明
图1为本发明实施例的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
请参阅图1，基于神经网络的高压开关柜故障模式分类及预测方法，包括以下步骤：
S1、通过多组传感器采集高压开关柜的运行数据以及高压开关柜运行时的声音和图像数据，运行数据至少包括电流数据、电压数据、温度数据；将各运行数据、声音和图像数据均作为时序数据并输入到时序数据集，将各运行数据、声音和图像数据按一定方式整合或融合形成多模态数据并输入到多模态数据集，对多模态数据与时序数据均进行预处理；
S2、进行特征学习，引入注意力机制并采用LSTM模型对多模态数据与时序数据进行序列建模；
S3、构建长短期记忆神经网络的模型，对模型进行训练与优化；
S4、根据训练好的混合模型对故障模式分类与预测。
S1中预处理至少包括数据清洗、缺失值处理、异常值检测和去噪处理；其中，
缺失值处理：处理可能存在的缺失值，采用插值方法填充缺失值，以保证数据的完整性；
异常值检测：使用统计方法或机器学习算法检测数据中的异常值，对于异常值进行处理或剔除，以避免对后续分析的影响；
去噪处理：通过滤波或降噪技术对数据进行去噪，以提高数据的可靠性和准确性；
数据清洗：对数据进行归一化，以确保数据的准确性和一致性。
S2具体为：
S21、通过注意力机制，提取多模态数据与时序数据中的重要特征，提取目标为与故障模式分类和预测相关的信息；
S22、将多模态数据与时序数据进行融合；
S23、将多模态数据作为额外的输入特征，与时序数据进行连接或拼接，形成一个综合的输入特征；将多模态数据拼接在时序数据的末尾，形成新的输入特征表示；
S24、在每个时间步，通过注意力机制计算多模态数据各个部分的注意力权重；
S25、在注意力机制中，计算每个特征的注意力权重；
S26、在注意力机制中，将多模态数据的特征加入到查询向量和键向量的计算中，与时序数据的特征进行拼接；
S27、通过注意力机制计算注意力权重时，同时考虑时序数据和多模态数据的相关性；
S28、采用LSTM对多模态数据与时序数据进行序列建模，捕捉数据中的时序信息和长期依赖关系，以更好地处理时序数据。
S3具体为：
S31、对混合模型的参数进行初始化；混合模型的参数包括注意力机制和LSTM部分的参数，以及多模态数据和时序数据的参数；初始化方式为通过随机初始化的方式来设置初始值；
S32、将训练数据中的衡量模型预测值与真实故障标签之间的差异作为损失函数，通过调整注意力权重使差异最小化，损失函数表示为：
其中，N表示训练样本数量，yi表示实际数据，表示模型预测的数据；
S33、在训练过程中，通过Adam优化算法更新混合模型的参数，以最小化损失函数；再根据损失函数的梯度对混合模型的参数进行更新，重复多个训练迭代；在每次训练迭代中，通过前向传播计算混合模型的输出，然后计算损失函数，再通过反向传播计算损失函数的梯度，最后使用优化算法来更新模型的参数；
S34、训练迭代过程不断重复，直到损失函数收敛或达到设定的训练步数；
S35、在每个时间步，通过注意力机制得到注意力权重，然后对LSTM输出进行加权融合，得到混合模型的分类预测输出。
S4具体为：
S41、假设存在d个不同维度的指标，d为正整数，并且根据混合模型得到的每个维度的权重分别为α1,α2,...αd，故障指标评估结果为P，则加权融合公式表示为：
其中，Xi表示i个维度的指标；
S42、将注意力权重归一化，归一化处理通过以下方式实现：
其中，αi表示第i个维度的注意力权重；
S43、根据混合模型得到的权重，对不同维度的指标进行加权融合，从而得出故障模式分类与预测结果；
S44、根据故障模式分类与预测结果实时监测和预警潜在故障，确保高压开关柜的安全运行。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.基于神经网络的高压开关柜故障模式分类及预测方法，其特征在于，包括以下步骤：
S1、通过多组传感器采集高压开关柜的运行数据以及高压开关柜运行时的声音和图像数据，运行数据至少包括电流数据、电压数据、温度数据；将各运行数据、声音和图像数据均作为时序数据并输入到时序数据集，将各运行数据、声音和图像数据按一定方式整合或融合形成多模态数据并输入到多模态数据集，对多模态数据与时序数据均进行预处理；
S2、进行特征学习，引入注意力机制并采用LSTM模型对多模态数据与时序数据进行序列建模；
S3、构建长短期记忆神经网络的模型，对模型进行训练与优化；
S4、根据训练好的混合模型对故障模式分类与预测。
2.根据权利要求1所述的基于神经网络的高压开关柜故障模式分类及预测方法，其特征在于，S1中预处理至少包括数据清洗、缺失值处理、异常值检测和去噪处理；其中，
缺失值处理：处理可能存在的缺失值，采用插值方法填充缺失值，以保证数据的完整性；
异常值检测：使用统计方法或机器学习算法检测数据中的异常值，对于异常值进行处理或剔除，以避免对后续分析的影响；
去噪处理：通过滤波或降噪技术对数据进行去噪，以提高数据的可靠性和准确性；
数据清洗：对数据进行归一化，以确保数据的准确性和一致性。
3.根据权利要求1所述的基于神经网络的高压开关柜故障模式分类及预测方法，其特征在于，S2具体为：
S21、通过注意力机制，提取多模态数据与时序数据中的重要特征，提取目标为与故障模式分类和预测相关的信息；
S22、将多模态数据与时序数据进行融合；
S23、将多模态数据作为额外的输入特征，与时序数据进行连接或拼接，
形成一个综合的输入特征；将多模态数据拼接在时序数据的末尾，形成新的输入特征表示；
S24、在每个时间步，通过注意力机制计算多模态数据各个部分的注意力权重；
S25、在注意力机制中，计算每个特征的注意力权重；
S26、在注意力机制中，将多模态数据的特征加入到查询向量和键向量的计算中，与时序数据的特征进行拼接；
S27、通过注意力机制计算注意力权重时，同时考虑时序数据和多模态数据的相关性；
S28、采用LSTM对多模态数据与时序数据进行序列建模，捕捉数据中的时序信息和长期依赖关系，以更好地处理时序数据。
4.根据权利要求3所述的基于神经网络的高压开关柜故障模式分类及预测方法，其特征在于，S3具体为：
S31、对混合模型的参数进行初始化；混合模型的参数包括注意力机制和LSTM部分的参数，以及多模态数据和时序数据的参数；初始化方式为通过随机初始化的方式来设置初始值；
S32、将训练数据中的衡量模型预测值与真实故障标签之间的差异作为损失函数，通过调整注意力权重使差异最小化，损失函数表示为：
其中，N表示训练样本数量，yi表示实际数据，表示模型预测的数据；
S33、在训练过程中，通过Adam优化算法更新混合模型的参数，以最小化损失函数；再根据损失函数的梯度对混合模型的参数进行更新，重复多个训练迭代；在每次训练迭代中，通过前向传播计算混合模型的输出，然后计算损失函数，再通过反向传播计算损失函数的梯度，最后使用优化算法来更新模型的参数；
S34、训练迭代过程不断重复，直到损失函数收敛或达到设定的训练步数；
S35、在每个时间步，通过注意力机制得到注意力权重，然后对LSTM输出进行加权融合，得到混合模型的分类预测输出。
5.根据权利要求4所述的基于神经网络的高压开关柜故障模式分类及预测方法，其特征在于，S4具体为：
S41、假设存在d个不同维度的指标，d为正整数，并且根据混合模型得到的每个维度的权重分别为α1,α2,...αd，故障指标评估结果为P，则加权融合公式表示为：
其中，Xi表示i个维度的指标；
S42、将注意力权重归一化，归一化处理通过以下方式实现：
其中，αi表示第i个维度的注意力权重；
S43、根据混合模型得到的权重，对不同维度的指标进行加权融合，从而得出故障模式分类与预测结果；
S44、根据故障模式分类与预测结果实时监测和预警潜在故障，确保高压开关柜的安全运行。
6.根据权利要求3所述的基于神经网络的高压开关柜故障模式分类及预测方法，其特征在于，S24中计算注意力权重的方法为：
其中，为第i个样本在第j个时间步的注意力权重；MLP为一个多层感知机，用于学习注意力权重；/>表示i个维度的第j个指标。
7.根据权利要求6所述的基于神经网络的高压开关柜故障模式分类及预测方法，其特征在于，S25中计算每个特征的注意力权重的方法为：
其中，Q表示查询向量，K表示键向量，V表示值向量，dk表示特征的维度；通过将查询向量与键向量进行点积操作，并进行缩放处理后，再经过softmax函数得到注意力权重，将注意力权重与值向量进行加权求和，得到特征的加权表示。
8.根据权利要求3所述的基于神经网络的高压开关柜故障模式分类及预测方法，其特征在于，S28中，对于每个样本的每个时间步，LSTM的计算方式为：
其中，表示第i个样本在第j个时间步的LSTM输出，/>表示上一个时间步的LSTM隐藏状态。
9.根据权利要求4所述的基于神经网络的高压开关柜故障模式分类及预测方法，其特征在于，混合模型的输出表示为：
其中，为混合模型的输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311462468.8A CN117407770A (zh) | 2023-11-02 | 2023-11-02 | 基于神经网络的高压开关柜故障模式分类及预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311462468.8A CN117407770A (zh) | 2023-11-02 | 2023-11-02 | 基于神经网络的高压开关柜故障模式分类及预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117407770A true CN117407770A (zh) | 2024-01-16 |
Family
ID=89488787
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311462468.8A Pending CN117407770A (zh) | 2023-11-02 | 2023-11-02 | 基于神经网络的高压开关柜故障模式分类及预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117407770A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117620448A (zh) * | 2024-01-25 | 2024-03-01 | 东莞市昂图智能科技有限公司 | 激光雕刻机的加工控制方法、装置、设备及存储介质 |
| CN118051873A (zh) * | 2024-02-29 | 2024-05-17 | 淮阴工学院 | 一种变电站变压器故障红外图像及声纹识别方法及系统 |
| CN118429768A (zh) * | 2024-05-13 | 2024-08-02 | 龙坤(无锡)智慧科技有限公司 | 一种基于ai大模型的管路破坏行为预测与防护方法 |
-
2023
- 2023-11-02 CN CN202311462468.8A patent/CN117407770A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117620448A (zh) * | 2024-01-25 | 2024-03-01 | 东莞市昂图智能科技有限公司 | 激光雕刻机的加工控制方法、装置、设备及存储介质 |
| CN117620448B (zh) * | 2024-01-25 | 2024-04-16 | 东莞市昂图智能科技有限公司 | 激光雕刻机的加工控制方法、装置、设备及存储介质 |
| CN118051873A (zh) * | 2024-02-29 | 2024-05-17 | 淮阴工学院 | 一种变电站变压器故障红外图像及声纹识别方法及系统 |
| CN118429768A (zh) * | 2024-05-13 | 2024-08-02 | 龙坤(无锡)智慧科技有限公司 | 一种基于ai大模型的管路破坏行为预测与防护方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111914873B (zh) | 一种两阶段云服务器无监督异常预测方法 | |
| CN109492193B (zh) | 基于深度机器学习模型的异常网络数据生成与预测方法 | |
| CN117407770A (zh) | 基于神经网络的高压开关柜故障模式分类及预测方法 | |
| CN111310672A (zh) | 基于时序多模型融合建模的视频情感识别方法、装置及介质 | |
| 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 | |
| CN111833583B (zh) | 电力数据异常检测模型的训练方法、装置、设备和介质 | |
| CN115688035A (zh) | 一种基于自监督学习的时序电力数据异常检测方法 | |
| Zhao et al. | Bearing health condition prediction using deep belief network | |
| CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
| CN113765880A (zh) | 一种基于时空关联性的电力系统网络攻击检测方法 | |
| CN115983087A (zh) | 一种注意力机制与lstm结合检测时序数据异常方法及终端机 | |
| CN113850320A (zh) | 基于改进支持向量机回归算法的变压器故障检测方法 | |
| CN115221233A (zh) | 基于深度学习的变电站多类带电检测数据异常检测方法 | |
| CN114841072A (zh) | 一种基于差分融合Transformer的时序预测方法 | |
| Raghuvamsi et al. | Detection and reconstruction of measurements against false data injection and DoS attacks in distribution system state estimation: A deep learning approach | |
| CN116359773A (zh) | 一种锂离子电池剩余寿命预测方法及系统 | |
| CN115905959A (zh) | 基于缺陷因子的电力断路器关联性故障分析方法及装置 | |
| Fang et al. | A data-driven method for online transient stability monitoring with vision-transformer networks | |
| CN115577643A (zh) | 一种电缆终端头的温度预测方法及装置 | |
| CN115017828A (zh) | 基于双向长短时记忆网络的电力电缆故障识别方法及系统 | |
| Wang et al. | The Cable Fault Diagnosis for XLPE Cable Based on 1DCNNs‐BiLSTM Network | |
| CN117578438A (zh) | 一种用于预测新能源发电量的生成对抗网络方法及系统 | |
| CN117290716A (zh) | 一种基于KPCA-TCN-Attention的光伏阵列故障诊断方法 | |
| CN117009785A (zh) | 安全监测方法、装置、服务器及系统 | |
| CN115952928A (zh) | 一种短期电力负荷预测方法、装置、设备及存储介质 |
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 |