CN117407824B - 一种电力时间同步装置的健康检测方法、设备和介质 - Google Patents
一种电力时间同步装置的健康检测方法、设备和介质 Download PDFInfo
- Publication number
- CN117407824B CN117407824B CN202311714412.7A CN202311714412A CN117407824B CN 117407824 B CN117407824 B CN 117407824B CN 202311714412 A CN202311714412 A CN 202311714412A CN 117407824 B CN117407824 B CN 117407824B
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal index
- index data
- equipment
- constructing
- 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 30
- 230000036541 health Effects 0.000 title claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000000007 visual effect Effects 0.000 claims description 32
- 210000002569 neuron Anatomy 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims 1
- 238000000605 extraction Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电力时间同步装置的健康检测方法、设备和介质，包括以下具体步骤：获取被测设备运行数据，对设备数据进行预处理，得到样本数据；基于深度置信网络构建故障检测模型，确定被测设备的异常指标数据；对异常指标数据进行分类，提取异常指标数据特征；构建特征矩阵，对异常指标数据赋予权重，根据权重确定被测设备状态。通过采用深度置信网络构建故障检测模型进行被测设备的异常指标数据的检测，深度置信网络由若干个受限玻尔兹曼机堆叠而成，将高维数据变换到低维空间时保留了原始数据的大量信息。利用其优势能够全面反映设备健康状态的特征指标，能够基于该异常指标数据进行特征提取并分类，提高对故障类型的判断能力。
Description
技术领域
本发明涉及设备运行数据处理技术领域，具体涉及一种电力时间同步装置的健康检测方法、设备和介质。
背景技术
电力时间同步装置为变电站和电力调度的站端监控系统、智能装置、调度系统以及各类数据管理应用系统提供精确统一的授时服务。时间统一是上述各种系统和装置有效工作的前提，如果这些系统和装置对时不准确，在电力系统发生故障时，将影响故障后事故的分析与处理，给电网的安全运行带来严重隐患。而时间同步装置常常因自身性能逐步下降而故障突然暴露，导致授时服务中断，影响被授时设备的正常工作，从而影响电网的安全稳定运行。
由于电力时间同步装置在运行过程中对其他设备的精确授时于电力系统安全稳定运行具有重要作用，因此在对其运行状态进行检测时，需要进行对故障设备的故障类型进行精确判断，辅助提升设备故障维修效率，降低因设备故障导致授时服务中断情况的发生，或减少授时服务中断时间。
现有的电力时间同步装置运行状态检测方法多采用基于数据驱动的预测方法，以采集的数据为基础，基于神经网络进行故障预测，但是电力时间同步装置的运行数据量大，神经网络在运算过程中耗时耗力，经过长时间的反复运行，导致数据处理精度下降，对故障类型的判断精确度不达标。
发明内容
本发明所要解决的技术问题是神经网络在运算过程中耗时耗力，经过长时间的反复运行，导致数据处理精度下降，对故障类型的判断精确度不达标，目的在于提供一种电力时间同步装置的健康检测方法、设备和介质，通过采用深度置信网络构建故障检测模型进行被测设备的异常指标数据的检测，基于该异常指标数据进行特征提取并分类，提升数据处理精度，提高对故障类型的判断能力。
本发明通过下述技术方案实现：
本发明第一方面提供一种电力时间同步装置的健康检测方法，包括以下具体步骤：
获取被测设备运行数据，对设备数据进行预处理，得到样本数据；
基于深度置信网络构建故障检测模型，确定被测设备的异常指标数据；
对异常指标数据进行分类，提取异常指标数据特征；
构建特征矩阵，对异常指标数据赋予权重，根据权重确定被测设备状态。
本发明通过采用深度置信网络构建故障检测模型进行被测设备的异常指标数据的检测，深度置信网络由若干个受限玻尔兹曼机堆叠而成，深度置信网络具有抓取数据深层信息的强大能力，适于处理高维数据，将高维数据变换到低维空间时可以保留原始数据的大量信息。利用其优势，可以用于特征融合，构建出一个能够全面反映设备健康状态的特征指标，基于该异常指标数据进行特征提取并分类，提高对故障类型的判断能力。
进一步的，所述对设备数据进行预处理具体包括：
对设备运输数据进行周期性检测，获取每个周期的运行信息；
将相邻周期的信息进行对比，确定异常指标信号，作为样本数据。
进一步的，所述基于深度置信网络构建故障检测模型具体包括：
构建深度置信网络模型，对深度置信网络模型进行初始化；
采用样本数据中的训练集对深度置信网络模型进行训练，调整模型参数直至得到最优模型，确定深度置信网络构建故障检测模型。
进一步的，所述对深度置信网络模型进行训练具体包括：
采用对比散度法对深度置信网络模型中每一层的受限玻尔兹曼机RBM逐一进行训练，将每一层的特征映射到多种特征空间中，得到网络特征信息；
初始化深度置信网络参数，将多次训练得到的网络特征信息进行融合，直至误差小于设定阈值，得到最优模型。
进一步的，所述采用对比散度法进行训练具体包括：
获取数据集，对训练集进行归一化处理，结合隐藏层各神经元的条件概率，得到隐藏层神经元的激活概率；
根据隐藏层神经元的激活概率设置得到可视层神经元激活状态，计算所有可视层神经元的状态，得到重构可视层；
根据可视层的状态与重构可视层的状态的误差对RBM的参数进行调整。
进一步的，所述对异常指标数据进行分类具体包括：
获取设备工作状态基准参数，确定异常指标数据状态；
根据异常指标数据当前状态，查找异常指标数据对应的设备工作状态基准参数；
根据参数的类型和参数的差值，确定对应的故障信息确定异常指标数据类型。
进一步的，所述提取异常指标数据特征具体包括：
获取设备工作状态参数，结合异常指标数据类型构建数据连续性模型，在时序上定义参数连续性特征，得到异常指标数据特征。
进一步的，所述对异常指标数据赋予权重具体包括：
基于异常指标数据特征构建特征矩阵，获取特征值构建对角矩阵；
计算对角矩阵中的最大特征值，确定最大特征值对应的特征向量；
对特征向量进行归一化处理，得到异常指标数据的权重。
本发明第二方面提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现一种电力时间同步装置的健康检测方法。
本发明第三方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现一种电力时间同步装置的健康检测方法。
本发明与现有技术相比，具有如下的优点和有益效果：
通过采用深度置信网络构建故障检测模型进行被测设备的异常指标数据的检测，深度置信网络由若干个受限玻尔兹曼机堆叠而成，深度置信网络具有抓取数据深层信息的强大能力，适于处理高维数据，将高维数据变换到低维空间时可以保留原始数据的大量信息。利用其优势，可以用于特征融合，构建出一个能够全面反映设备健康状态的特征指标，基于该异常指标数据进行特征提取并分类，提高对故障类型的判断能力。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。在附图中：
图1为本发明实施例中的检测方法流程图；
图2为本发明实施例中的受限玻尔兹曼机网络结构。
实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例
如图1所示，本实施例第一方面提供一种电力时间同步装置的健康检测方法，包括以下具体步骤：
获取被测设备运行数据，对设备数据进行预处理，得到样本数据；
基于深度置信网络构建故障检测模型，确定被测设备的异常指标数据；
对异常指标数据进行分类，提取异常指标数据特征；
构建特征矩阵，对异常指标数据赋予权重，根据权重确定被测设备状态。
本实施例通过采用深度置信网络构建故障检测模型进行被测设备的异常指标数据的检测，深度置信网络由若干个受限玻尔兹曼机堆叠而成，深度置信网络具有抓取数据深层信息的强大能力，适于处理高维数据，将高维数据变换到低维空间时可以保留原始数据的大量信息。利用其优势，可以用于特征融合，构建出一个能够全面反映设备健康状态的特征指标，基于该异常指标数据进行特征提取并分类，提高对故障类型的判断能力。
深度置信网络(Deep Belief Network, DBN)在提取特征和处理高维、非线性数据等方面的具有明显优势，能够利用各系统设备状态、链路时延、业务数据等多种带标签的原始信息进行网络训练。可以提取该设备或系统的故障特征，不再需要导航信息数据处理技术。且该方法对输入信号没有周期性要求，具有较强的通用性和适应性，能够很好的表征工作状态与设备健康状况之间的复杂映射关系。
在一些可能的实施例中，对设备数据进行预处理具体包括：
对设备运输数据进行周期性检测，获取每个周期的运行信息；
将相邻周期的信息进行对比，确定异常指标信号，作为样本数据。
在一些可能的实施例中，基于深度置信网络构建故障检测模型具体包括：
构建深度置信网络模型，对深度置信网络模型进行初始化；
采用样本数据中的训练集对深度置信网络模型进行训练：采用对比散度法对深度置信网络模型中每一层的RBM逐一进行训练，将每一层的特征映射到多种特征空间中，得到网络特征信息；
获取数据集，对训练集进行归一化处理，结合隐藏层各神经元的条件概率，得到隐藏层神经元的激活概率；
根据隐藏层神经元的激活概率设置得到可视层神经元激活状态，计算所有可视层神经元的状态，得到重构可视层；
根据可视层的状态与重构可视层的状态的误差对RBM的参数进行调整。
初始化深度置信网络参数，将多次训练得到的网络特征信息进行融合，直至误差小于设定阈值，得到最优模型，确定深度置信网络构建故障检测模型。
对深度置信网络模型进行训练具体包括：
采用对比散度法进行训练具体包括：
如图2所示，采用对比散度法进行模型训练的计算步骤如下：
RBM是一种典型的神经网络模型，由一层可视层v和一层隐藏层h组成，该网络的可视层v和隐藏层h神经元彼此互联，但同一层内神经元无连接，RBM能够通过隐藏层获得可视层神经元的高阶相关性，因此可以通过RBM进行特征提取。
受限玻尔兹曼机是一种基于能量的模型，可视层神经元向量v和隐藏层神经元向量h联合配置的能量函数为：，其中，a为可视层偏置向量，b为隐藏层偏置向量，W为连接可视层神经元与隐藏层神经元的权重矩阵。
隐藏层和可见层之间的联合概率分布函数为：；
可见层取值的边缘分布可通过对所有隐层配置求和得到：,其中，Z为分配函数；由于RBM为一个二分图，层内没有边相连，因而隐层是否激活在给定可见层节点取值的情况下是条件独立的。类似地，可见层节点的激活状态在给定隐层取值的情况下也条件独立。亦即，对m个可见层节点和n个隐层节点，可视层各神经元的条件概率为：/>，隐藏层各神经元的条件概率为：。
设可视层v的重构（reconstruction）为，根据重构的可视层/>所得隐藏层为。设学习效率为/>，经过对比散度算法对RBM进行训练后，权重矩阵W、可视层的偏置向量a、隐藏层的偏置向量b：
根据训练集中样本点设置可视层神经元v激活状态，根据隐藏层各神经元的条件概率公式计算所有隐藏层神经元状态；在隐藏层各神经元的状态h确定之后，根据可视层各神经元的条件概率公式计算在隐藏层确定的情况下，所有可视层神经元的状态，从而产生可视层的一个重构，如果此时v和/>一样，那么得到的隐藏层h就是可视层v的另外一种表达，此时隐藏层可以作为可视层输入数据的特征。同时在训练中，可以利用可视层的状态与重构可视层的状态的误差来调整RBM的参数，从而使得v和/>的重构误差尽可能减小。
在一些可能的实施例中，对异常指标数据进行分类具体包括：
获取设备工作状态基准参数，确定异常指标数据状态；
根据异常指标数据当前状态，查找异常指标数据对应的设备工作状态基准参数；
根据参数的类型和参数的差值，确定对应的故障信息确定异常指标数据类型。
在一些可能的实施例中，提取异常指标数据特征具体包括：
获取设备工作状态参数，结合异常指标数据类型构建数据连续性模型，在时序上定义参数连续性特征，得到异常指标数据特征。
在一些可能的实施例中，对异常指标数据赋予权重具体包括：
基于异常指标数据特征构建特征矩阵，获取特征值构建对角矩阵；
通过计算对角矩阵中每一行每一列的最大特征值，确定整个对角矩阵中的最大特征值，及其对应的特征向量；
对特征向量进行归一化处理，得到异常指标数据的权重。
根据权重确定设备健康等级，设备健康等级基于历史状态监测数据进行设置，通过对异常指标数据的权重设置等级阈值进行等级划分，根据等级划分判断设备的维修紧迫性。
本实施例第二方面提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现一种电力时间同步装置的健康检测方法。
本实施例第三方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现一种电力时间同步装置的健康检测方法。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种电力时间同步装置的健康检测方法，其特征在于，包括以下具体步骤：
获取被测设备运行数据，对设备数据进行预处理，得到样本数据；
基于深度置信网络构建故障检测模型，确定被测设备的异常指标数据；
对异常指标数据进行分类，提取异常指标数据特征；
所述对异常指标数据进行分类具体包括：
获取设备工作状态基准参数，确定异常指标数据状态；
根据异常指标数据当前状态，查找异常指标数据对应的设备工作状态基准参数；
根据参数的类型和参数的差值，确定对应的故障信息确定异常指标数据类型；
所述提取异常指标数据特征具体包括：
获取设备工作状态参数，结合异常指标数据类型构建数据连续性模型，在时序上定义参数连续性特征，得到异常指标数据特征；
构建特征矩阵，对异常指标数据赋予权重；
所述对异常指标数据赋予权重具体包括：
基于异常指标数据特征构建特征矩阵，获取特征值构建对角矩阵；
计算对角矩阵中的最大特征值，确定最大特征值对应的特征向量；
对特征向量进行归一化处理，得到异常指标数据的权重；
根据权重确定被测设备状态。
2.根据权利要求1所述的电力时间同步装置的健康检测方法，其特征在于，所述对设备数据进行预处理具体包括：
对设备运输数据进行周期性检测，获取每个周期的运行信息；
将相邻周期的信息进行对比，确定异常指标信号，作为样本数据。
3.根据权利要求1所述的电力时间同步装置的健康检测方法，其特征在于，所述基于深度置信网络构建故障检测模型具体包括：
构建深度置信网络模型，对深度置信网络模型进行初始化；
采用样本数据中的训练集对深度置信网络模型进行训练，调整模型参数直至得到最优模型，确定深度置信网络构建故障检测模型。
4.根据权利要求3所述的电力时间同步装置的健康检测方法，其特征在于，所述对深度置信网络模型进行训练具体包括：
采用对比散度法对深度置信网络模型中每一层的受限玻尔兹曼机RBM逐一进行训练，将每一层的特征映射到多种特征空间中，得到网络特征信息；
初始化深度置信网络参数，将多次训练得到的网络特征信息进行融合，直至误差小于设定阈值，得到最优模型。
5.根据权利要求4所述的电力时间同步装置的健康检测方法，其特征在于，所述采用对比散度法进行训练具体包括：
获取数据集，对训练集进行归一化处理，结合隐藏层各神经元的条件概率，得到隐藏层神经元的激活概率；
根据隐藏层神经元的激活概率设置得到可视层神经元激活状态，计算所有可视层神经元的状态，得到重构可视层；
根据可视层的状态与重构可视层的状态的误差对RBM的参数进行调整。
6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述的一种电力时间同步装置的健康检测方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至5任一项所述的一种电力时间同步装置的健康检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311714412.7A CN117407824B (zh) | 2023-12-14 | 2023-12-14 | 一种电力时间同步装置的健康检测方法、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311714412.7A CN117407824B (zh) | 2023-12-14 | 2023-12-14 | 一种电力时间同步装置的健康检测方法、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117407824A CN117407824A (zh) | 2024-01-16 |
| CN117407824B true CN117407824B (zh) | 2024-02-27 |
Family
ID=89500228
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311714412.7A Active CN117407824B (zh) | 2023-12-14 | 2023-12-14 | 一种电力时间同步装置的健康检测方法、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117407824B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107862329A (zh) * | 2017-10-31 | 2018-03-30 | 电子科技大学 | 一种基于深度置信网络的雷达一维距离像真假目标识别方法 |
| CN109377082A (zh) * | 2018-11-14 | 2019-02-22 | 国网四川省电力公司经济技术研究院 | 精细化管理背景下的县级供电企业综合评价方法及装置 |
| CN110763997A (zh) * | 2019-11-04 | 2020-02-07 | 华北电力大学（保定） | 一种同步电机定子早期故障预警方法 |
| CN111089726A (zh) * | 2020-01-16 | 2020-05-01 | 东南大学 | 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法 |
| CN112345888A (zh) * | 2020-12-09 | 2021-02-09 | 国网福建省电力有限公司 | 一种多跳d2d组网下的配电网故障检测方法及系统 |
| CN113034018A (zh) * | 2020-12-21 | 2021-06-25 | 国网青海省电力公司 | 基于功率矩分析的电网供需平衡调节方法 |
| CN113033079A (zh) * | 2021-03-08 | 2021-06-25 | 重庆优易特智能科技有限公司 | 一种基于不平衡修正卷积神经网络的化学故障诊断方法 |
| CN114024829A (zh) * | 2021-10-26 | 2022-02-08 | 广东电网有限责任公司 | 电力通信网络的故障检修方法、装置、设备和存储介质 |
| CN115130514A (zh) * | 2022-06-30 | 2022-09-30 | 中国人民解放军火箭军工程大学 | 一种工程设备健康指标构建方法及系统 |
| CN115856623A (zh) * | 2022-12-13 | 2023-03-28 | 淮阴工学院 | 一种基于均匀度与峰度计算的电机故障诊断方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11170314B2 (en) * | 2018-10-22 | 2021-11-09 | General Electric Company | Detection and protection against mode switching attacks in cyber-physical systems |
| EP4362280A1 (en) * | 2021-10-19 | 2024-05-01 | Samsung Electronics Co., Ltd. | Electronic device for wirelessly transmitting power, and method for operating same |
| US20230325292A1 (en) * | 2022-04-06 | 2023-10-12 | SparkCognition, Inc. | Anomaly detection using multiple detection models |
-
2023
- 2023-12-14 CN CN202311714412.7A patent/CN117407824B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107862329A (zh) * | 2017-10-31 | 2018-03-30 | 电子科技大学 | 一种基于深度置信网络的雷达一维距离像真假目标识别方法 |
| CN109377082A (zh) * | 2018-11-14 | 2019-02-22 | 国网四川省电力公司经济技术研究院 | 精细化管理背景下的县级供电企业综合评价方法及装置 |
| CN110763997A (zh) * | 2019-11-04 | 2020-02-07 | 华北电力大学（保定） | 一种同步电机定子早期故障预警方法 |
| CN111089726A (zh) * | 2020-01-16 | 2020-05-01 | 东南大学 | 一种基于最优维数奇异谱分解的滚动轴承故障诊断方法 |
| CN112345888A (zh) * | 2020-12-09 | 2021-02-09 | 国网福建省电力有限公司 | 一种多跳d2d组网下的配电网故障检测方法及系统 |
| CN113034018A (zh) * | 2020-12-21 | 2021-06-25 | 国网青海省电力公司 | 基于功率矩分析的电网供需平衡调节方法 |
| CN113033079A (zh) * | 2021-03-08 | 2021-06-25 | 重庆优易特智能科技有限公司 | 一种基于不平衡修正卷积神经网络的化学故障诊断方法 |
| CN114024829A (zh) * | 2021-10-26 | 2022-02-08 | 广东电网有限责任公司 | 电力通信网络的故障检修方法、装置、设备和存储介质 |
| CN115130514A (zh) * | 2022-06-30 | 2022-09-30 | 中国人民解放军火箭军工程大学 | 一种工程设备健康指标构建方法及系统 |
| CN115856623A (zh) * | 2022-12-13 | 2023-03-28 | 淮阴工学院 | 一种基于均匀度与峰度计算的电机故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于图神经网络的智能变电站二次回路故障定位研究;张宸滔 等;《电力系统保护与控制》;20220601;第50卷(第11期);81-90 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117407824A (zh) | 2024-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114559819B (zh) | 一种基于信号处理的电动汽车电池安全预警方法 | |
| CN110458230A (zh) | 一种基于多判据融合的配变用采数据异常甄别方法 | |
| CN110879377B (zh) | 基于深度信念网络的计量装置故障溯源方法 | |
| CN113255848A (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
| CN112415331B (zh) | 基于多源故障信息的电网二次系统故障诊断方法 | |
| CN109409444B (zh) | 一种基于先验概率的多元电网故障类型的判别方法 | |
| CN115237717A (zh) | 一种微服务异常检测方法和系统 | |
| CN111797533B (zh) | 一种核动力装置运行参数异常检测方法及系统 | |
| CN115800272A (zh) | 基于拓扑识别的电网故障分析方法、系统、终端及介质 | |
| CN113760670A (zh) | 电缆接头异常预警方法、装置、电子设备和存储介质 | |
| CN117408162B (zh) | 基于数字孪生的电网故障控制方法 | |
| CN117171702A (zh) | 一种基于深度学习的多模态电网故障检测方法和系统 | |
| CN115561546A (zh) | 电力系统异常检测报警系统 | |
| CN115018012A (zh) | 一种高维度特性下的物联网时间序列异常检测方法及系统 | |
| CN118193954A (zh) | 一种基于边缘计算的配电网异常数据检测方法及系统 | |
| CN114818817A (zh) | 一种电容式电压互感器微弱故障识别系统及方法 | |
| CN117407824B (zh) | 一种电力时间同步装置的健康检测方法、设备和介质 | |
| CN117251788A (zh) | 状态评估方法、装置、终端设备及存储介质 | |
| CN116720095A (zh) | 一种基于遗传算法优化模糊c均值的电特性信号聚类方法 | |
| Bhattacharyya et al. | Adaptive, online models to detect and estimate gross error in SPNDs | |
| CN117149486B (zh) | 告警和根因定位方法、模型训练方法、装置、设备及介质 | |
| CN117648612B (zh) | 并联电池组故障检测方法、装置、电子设备和存储介质 | |
| CN118316744B (zh) | 配电网的监控方法、装置、设备及存储介质 | |
| US20210357703A1 (en) | Systems and methods for fault classification in photovoltaic arrays using graph signal processing | |
| CN117609911A (zh) | 传感设备的异常识别方法及装置 |
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 |