CN117805637A - 一种电池安全性监测方法和系统 - Google Patents
一种电池安全性监测方法和系统 Download PDFInfo
- Publication number
- CN117805637A CN117805637A CN202311853556.0A CN202311853556A CN117805637A CN 117805637 A CN117805637 A CN 117805637A CN 202311853556 A CN202311853556 A CN 202311853556A CN 117805637 A CN117805637 A CN 117805637A
- Authority
- CN
- China
- Prior art keywords
- power supply
- monitoring
- setting
- sensor data
- rnn
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000013598 vector Substances 0.000 claims description 40
- 238000013507 mapping Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 230000002123 temporal effect Effects 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 14
- 239000011159 matrix material Substances 0.000 description 3
- 208000032953 Device battery issue Diseases 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电池安全性监测方法和系统,属于电源技术以及电源安全监控技术领域。本发明中多个后备电源模组模块化集成与电源系统内,后备电源模组相互独立,在不影响使用的基础上,相较于现有技术电源故障无法使用的情况下,单个电源模组的损坏不影响整个电源系统的使用,保证了电源系统的可靠性;通过RNN模型和CNN模型实现对电源系统的监测,相较于现有技术只是通过传感器简单进行值比较的监测,不仅仅提高了监测结果的准确性,还进一步提高了监测效率,方便运维。
Description
技术领域
本发明涉及电源技术以及电源安全监控技术领域,特别涉及一种电池安全性监测方法和系统。
背景技术
现有电池系统的安全性能的主要监测方式为对电源的相关参数进行实时获取,并通过相关参数的预设阈值进行比较,通过比较结果监测其是否正常运行;
但是技术人员发现,现有的备用电池系统,在电池故障的情况下,无法使用,不仅仅无法使用,还造成可靠性降低;另外,电池故障的原因往往较为复杂,仅仅通过相关参数的预设阈值进行比较,通过比较结果监测其是否正常运行;不仅仅无法准确判断电池故障,还会影响监测的准确性,进一步造成运维困难。
发明内容
为了解决现有技术的问题,本发明实施例提供了一种电池安全性监测方法和系统。所述技术方案如下:
一方面,提供了一种电池安全性监测方法,所述方法应用于一种电源系统,所述电源系统包括多个后备电源模组,所述多个后备电源模组模块化集成与所述电源系统内,所述方法包括:
获取所述后备电源模组的历史监测数据以及当前监测数据;监测数据至少包括多个维度的传感器数据;
设置所述多个维度传感器数据之间的相关性参数;
将所述多个维度传感器数据,以及所述相关性参数,通过CNN模型,提取所述后备电源模组的状态特征;
设置所述状态特征的时序信息;
在所述时序信息的基础上,通过RNN模型,对所述状态特征进行分类;
根据分类结果,进行电池安全性监测,并输出监测结果。
可选的,所述设置所述多个维度传感器数据之间的相关性参数包括:
根据所述个维度传感器数据的元数据,设置并优化与传感器数据对应的知识图谱;
根据所述知识图谱,设置所述多个维度传感器数据之间的相关性参数。
可选的,所述通过CNN模型,提取所述后备电源模组的状态特征包括:
设置多个卷积核,自动提取不同的传感器数据特征,得到新的传感器数据特征集合;
根据所述新的传感器数据特征集合,设置所述后备电源模组的状态特征。
可选的,所述设置所述状态特征的时序信息包括:
对所述后备电源模组的状态特征重新排列,得到同一时间段在经过不同卷积操作后的状态特征;
设置所述状态特征的相对时间顺序。
可选的,所述在所述时序信息的基础上,通过RNN模型,对所述状态特征进行分类包括:
使用RNN模型,对所述状态特征进行预分类;
设置不同的RNN子模型,对分类后的状态特征进行处理,得到监测结果。
可选的,所述对分类后的状态特征进行处理,得到监测结果包括:
设置RNN子模型的交叉熵;
根据所述交叉熵,设置收敛条件;
在所述RNN收敛后,根据RNN输出的概率向量,得到监测结果。
可选的,所述设置多个卷积核包括:
设置卷积核的个数为n,步长为s,并且进行补零(Padding)操作,通过卷积层操作后得到的一维特征映射的特征,一维特征映射的个数为n;综合向量的个数等于一维特征映射的个数,每个综合向量的长度等于过滤器的个数n;
可选的,所述分类后的状态特征进行处理,得到监测结果包括:
设置O=softmax(V·S n+b)
Sn表示最后一个时刻的隐藏状态,V代表权值,b代表偏差;输出O是一个概率向量,记为O=(O 1,O 2,…,O r),r是监测结果类别的数目;O i(i=1,2,…,r)代表此窗口的多变量时间序列监测结果是第i类监测结果的概率;最终监测结果的类别即为O中概率值最大的分量所对应的类别。
可选的,所述设置RNN子模型的交叉熵包括:
设置概率向量以及交叉损失函数;
根据所述概率向量以及所述交叉损失函数,设置RNN子模型的交叉熵。
另一方面,提供了一种电池安全性监测系统,所述系统应用于一种电源系统,所述电源系统包括多个后备电源模组,所述多个后备电源模组模块化集成与所述电源系统内,并与监测终端连接,所述监测终端用于:
获取所述后备电源模组的历史监测数据以及当前监测数据;监测数据至少包括多个维度的传感器数据;
设置所述多个维度传感器数据之间的相关性参数;
将所述多个维度传感器数据,以及所述相关性参数,通过CNN模型,提取所述后备电源模组的状态特征;
设置所述状态特征的时序信息;
在所述时序信息的基础上,通过RNN模型,对所述状态特征进行分类;
根据分类结果,进行电池安全性监测,并输出监测结果。
可选的,所述设置所述多个维度传感器数据之间的相关性参数包括:
根据所述个维度传感器数据的元数据,设置并优化与传感器数据对应的知识图谱;
根据所述知识图谱,设置所述多个维度传感器数据之间的相关性参数。
可选的,所述监测终端具体用于:
设置多个卷积核,自动提取不同的传感器数据特征,得到新的传感器数据特征集合;
根据所述新的传感器数据特征集合,设置所述后备电源模组的状态特征。
可选的,所述监测终端具体用于:
对所述后备电源模组的状态特征重新排列,得到同一时间段在经过不同卷积操作后的状态特征;
设置所述状态特征的相对时间顺序。
可选的,所述监测终端具体用于:
使用RNN模型,对所述状态特征进行预分类;
设置不同的RNN子模型,对分类后的状态特征进行处理,得到监测结果。
可选的,所述监测终端具体用于:
设置RNN子模型的交叉熵;
根据所述交叉熵,设置收敛条件;
在所述RNN收敛后,根据RNN输出的概率向量,得到监测结果。
可选的,所述监测终端具体用于:
设置卷积核的个数为n,步长为s,并且进行补零(Padding)操作,通过卷积层操作后得到的一维特征映射的特征,一维特征映射的个数为n;综合向量的个数等于一维特征映射的个数,每个综合向量的长度等于过滤器的个数n;
可选的,所述监测终端具体用于:
设置O=softmax(V·S n+b)
Sn表示最后一个时刻的隐藏状态,V代表权值,b代表偏差;输出O是一个概率向量,记为O=(O 1,O 2,…,O r),r是监测结果类别的数目;O i(i=1,2,…,r)代表此窗口的多变量时间序列监测结果是第i类监测结果的概率;最终监测结果的类别即为O中概率值最大的分量所对应的类别。
可选的,所述监测终端具体用于:
设置概率向量以及交叉损失函数;
根据所述概率向量以及所述交叉损失函数,设置RNN子模型的交叉熵。
本发明实施例提供的技术方案带来的有益效果是:
1、多个后备电源模组模块化集成与电源系统内,后备电源模组相互独立,在不影响使用的基础上,相较于现有技术电源故障无法使用的情况下,单个电源模组的损坏不影响整个电源系统的使用,保证了电源系统的可靠性;
2、通过RNN模型和CNN模型实现对电源系统的监测,相较于现有技术只是通过传感器简单进行值比较的监测,不仅仅提高了监测结果的准确性,还进一步提高了监测效率,方便运维。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,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他的附图。
图1是本发明实施例提供的一种电池安全性监测方法流程示意图;
图2是本发明实施例提供的一种电池安全性监测系统示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1所示,提供了一种电池安全性监测方法,方法应用于一种电源系统,电源系统包括多个后备电源模组,多个后备电源模组模块化集成与电源系统内,方法包括:
101、获取后备电源模组的历史监测数据以及当前监测数据;监测数据至少包括多个维度的传感器数据;
102、设置多个维度传感器数据之间的相关性参数;
103、将多个维度传感器数据,以及相关性参数,通过CNN模型,提取后备电源模组的状态特征;
104、设置状态特征的时序信息;
105、在时序信息的基础上,通过RNN模型,对状态特征进行分类;
106、根据分类结果,进行电池安全性监测,并输出监测结果。
可选的,设置多个维度传感器数据之间的相关性参数包括:
根据个维度传感器数据的元数据,设置并优化与传感器数据对应的知识图谱;
根据知识图谱,设置多个维度传感器数据之间的相关性参数。
可选的,通过CNN模型,提取后备电源模组的状态特征包括:
设置多个卷积核,自动提取不同的传感器数据特征,得到新的传感器数据特征集合;
根据新的传感器数据特征集合,设置后备电源模组的状态特征。
可选的,设置状态特征的时序信息包括:
对后备电源模组的状态特征重新排列,得到同一时间段在经过不同卷积操作后的状态特征;
设置状态特征的相对时间顺序。
可选的,在时序信息的基础上,通过RNN模型,对状态特征进行分类包括:
使用RNN模型,对状态特征进行预分类;
设置不同的RNN子模型,对分类后的状态特征进行处理,得到监测结果。
可选的,对分类后的状态特征进行处理,得到监测结果包括:
设置RNN子模型的交叉熵;
根据交叉熵,设置收敛条件;
在RNN收敛后,根据RNN输出的概率向量,得到监测结果。
可选的,设置多个卷积核包括:
设置卷积核的个数为n,步长为s,并且进行补零(Padding)操作,通过卷积层操作后得到的一维特征映射的特征,一维特征映射的个数为n;综合向量的个数等于一维特征映射的个数,每个综合向量的长度等于过滤器的个数n;
可选的,分类后的状态特征进行处理,得到监测结果包括:
设置O=softmax(V·S n+b)
Sn表示最后一个时刻的隐藏状态,V代表权值,b代表偏差;输出O是一个概率向量,记为O=(O 1,O 2,…,O r),r是监测结果类别的数目;O i(i=1,2,…,r)代表此窗口的多变量时间序列监测结果是第i类监测结果的概率;最终监测结果的类别即为O中概率值最大的分量所对应的类别。
可选的,设置RNN子模型的交叉熵包括:
设置概率向量以及交叉损失函数;
根据概率向量以及交叉损失函数,设置RNN子模型的交叉熵。
在实际应用中,本发明实施例的方法还可以为:
进一步地,步骤一中计算相关性矩阵的方法为:
多变量时间序列记为X=(X1,X2,…,Xm)=(xij)n×m。X代表选取的某时间段内的多传感器的历史数据,m代表属性的个数即是传感器个数,n代表时间维度即选取的历史数据的长度,x ij表示第j维属性在第i时的记录值,且一般情况n>>m,当m=1时,该时间序列为单变量时间序列。
假设X i=(x 1i,x 2i,…,x ni)T,X j=(x 1j,x 2j,…,x nj)T,则它们之间的相关性可表示为
R(Xi,Xj)的值取-1到1之间,正数值代表两个属性之间是正相关的,负数值代表两个属性之间是负相关的,零表示无相关性,即两个属性是相互独立的。
通过计算X的相关性矩阵M为:
注意,相关性矩阵大小与时间(原始时间序列)长度无关,只与属性(传感器)个数有关。
添加滑动窗口获取多传感器原始数据为:
假设多传感器原始数据的长度为S L,滑动窗口的长度为W L,滑动窗口的步长为WS。
传感器的个数为m,那么添加窗口后的每个样本大小为W L×m,在长度为S L的多传感器原始序列中,可分割的窗口大小的时间片段数目WN为:
对窗口内多传感器的原始数据进行相关性分析的方法为:
所得的窗口内的多变量时间序列记为Q i(i=1,2,…,W N),Q i的行代表某个时刻多个传感器所采集的数据点,列代表在窗口大小的时间段内每一个传感器采集的时间序列。此时的Qi能体现单个传感器的原始数据的时序性,但不能体现多传感器属性之间的相关性。于是,将Qi按下面等式进行相关性处理。
Pi=Qi×M
Pi表示经过相关性处理的多变量时间序列,P i不仅体现多传感器原始数据的时序性,还体现多传感器属性之间的相关信息。
进一步地,步骤五中重组特征集合的方法为:
卷积层中使用不同的大小为k×m的卷积核进行电源模组不同监测结果特征的提取,得到一组能表征电源模组不同监测结果特征的一维特征映射,将所得到的一维特征向量按相同时间段重新组合得到一组综合向量,然后再按照综合向量的时间顺序依次排列下来。假设有n个卷积核,步长为s,并且进行补零(Padding)操作,那么通过卷积层操作后得到的一维特征映射的大小为:
一维特征映射的个数为n。综合向量的个数等于一维特征映射的个数
每个综合向量的长度等于过滤器的个数n。
进一步地,步骤六中使用RNN进行分类的方法为:
本文中的RNN不会对每个综合特征向量作出决策,而是将所有综合向量对应的信息作为整体进行处理,对整个事件进行分类。所以,本文提出的RNN只有在最后一个时刻有输出,计算如下。
O=softmax(V·S n+b)
Sn表示最后一个时刻的隐藏状态,V代表权值,b代表偏差。输出O是一个概率向量,记为O=(O1,O2,…,Or),r是监测结果类别的数目(包含正常情况)。Oi(i=1,2,…,r)代表此窗口的多变量时间序列监测结果是第i类监测结果的概率。注意,监测结果最终诊断的类别即为O中概率值最大的分量所对应的类别。
计算交叉熵的方法为:
网络的输出是使用Softmax函数得到的一个概率向量,所以在电源模组监测结果分类中,交叉熵损失函数与二分类交叉熵函数略有不同,它和最大似然估计是等价的,损失函数为:
其中,y i为真实分布,a i为预测分布,即softmax输出的结果。softmax的定义为:
其中zi为神经元的输出。
梯度公式如下:
进一步中,步骤九中AdadeIta自适应算法更新网络的方法为:
使用AdadeIta梯度更新的规则为:
其中,θt+1=θt+△θt。
参照图2所示,提供了一种电池安全性监测系统,系统应用于一种电源系统,电源系统包括多个后备电源模组,多个后备电源模组模块化集成与电源系统内,并与监测终端连接,多个监测终端与监测服务器连接,其中,监测终端用于:
获取后备电源模组的历史监测数据以及当前监测数据;监测数据至少包括多个维度的传感器数据;
设置多个维度传感器数据之间的相关性参数;
将多个维度传感器数据,以及相关性参数,通过CNN模型,提取后备电源模组的状态特征;
设置状态特征的时序信息;
在时序信息的基础上,通过RNN模型,对状态特征进行分类;
根据分类结果,进行电池安全性监测,并输出监测结果。
可选的,设置多个维度传感器数据之间的相关性参数包括:
根据个维度传感器数据的元数据,设置并优化与传感器数据对应的知识图谱;
根据知识图谱,设置多个维度传感器数据之间的相关性参数。
可选的,监测终端具体用于:
设置多个卷积核,自动提取不同的传感器数据特征,得到新的传感器数据特征集合;
根据新的传感器数据特征集合,设置后备电源模组的状态特征。
可选的,监测终端具体用于:
对后备电源模组的状态特征重新排列,得到同一时间段在经过不同卷积操作后的状态特征;
设置状态特征的相对时间顺序。
可选的,监测终端具体用于:
使用RNN模型,对状态特征进行预分类;
设置不同的RNN子模型,对分类后的状态特征进行处理,得到监测结果。
可选的,监测终端具体用于:
设置RNN子模型的交叉熵;
根据交叉熵,设置收敛条件;
在RNN收敛后,根据RNN输出的概率向量,得到监测结果。
可选的,监测终端具体用于:
设置卷积核的个数为n,步长为s,并且进行补零(Padding)操作,通过卷积层操作后得到的一维特征映射的特征,一维特征映射的个数为n;综合向量的个数等于一维特征映射的个数,每个综合向量的长度等于过滤器的个数n;
可选的,监测终端具体用于:
设置O=softmax(V·S n+b)
Sn表示最后一个时刻的隐藏状态,V代表权值,b代表偏差;输出O是一个概率向量,记为O=(O 1,O 2,…,O r),r是监测结果类别的数目;O i(i=1,2,…,r)代表此窗口的多变量时间序列监测结果是第i类监测结果的概率;最终监测结果的类别即为O中概率值最大的分量所对应的类别。
可选的,监测终端具体用于:
设置概率向量以及交叉损失函数;
根据概率向量以及交叉损失函数,设置RNN子模型的交叉熵。
上述所有可选技术方案,可以采用任意结合形成本发明的可选实施例,在此不再一一赘述。
需要说明的是:上述实施例提供的电池安全性监测系统在执行电池安全性监测方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将系统的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的电池安全性监测系统和方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种电池安全性监测方法,其特征在于,所述方法应用于一种电源系统,所述电源系统包括多个后备电源模组,所述多个后备电源模组模块化集成与所述电源系统内,所述方法包括:
获取所述后备电源模组的历史监测数据以及当前监测数据;监测数据至少包括多个维度的传感器数据;
设置所述多个维度传感器数据之间的相关性参数;
将所述多个维度传感器数据,以及所述相关性参数,通过CNN模型,提取所述后备电源模组的状态特征;
设置所述状态特征的时序信息;
在所述时序信息的基础上,通过RNN模型,对所述状态特征进行分类;
根据分类结果,进行电池安全性监测,并输出监测结果。
2.根据权利要求1所述的方法,其特征在于,所述设置所述多个维度传感器数据之间的相关性参数包括:
根据所述个维度传感器数据的元数据,设置并优化与传感器数据对应的知识图谱;
根据所述知识图谱,设置所述多个维度传感器数据之间的相关性参数。
3.根据权利要求2所述的方法,其特征在于,所述通过CNN模型,提取所述后备电源模组的状态特征包括:
设置多个卷积核,自动提取不同的传感器数据特征,得到新的传感器数据特征集合;
根据所述新的传感器数据特征集合,设置所述后备电源模组的状态特征。
4.根据权利要求3所述的方法,其特征在于,所述设置所述状态特征的时序信息包括:
对所述后备电源模组的状态特征重新排列,得到同一时间段在经过不同卷积操作后的状态特征;
设置所述状态特征的相对时间顺序。
5.根据权利要求4所述的方法,其特征在于,所述在所述时序信息的基础上,通过RNN模型,对所述状态特征进行分类包括:
使用RNN模型,对所述状态特征进行预分类;
设置不同的RNN子模型,对分类后的状态特征进行处理,得到监测结果。
6.根据权利要求5所述的方法,其特征在于,所述对分类后的状态特征进行处理,得到监测结果包括:
设置RNN子模型的交叉熵;
根据所述交叉熵,设置收敛条件;
在所述RNN收敛后,根据RNN输出的概率向量,得到监测结果。
7.根据权利要求6所述的方法,其特征在于,所述设置多个卷积核包括:
设置卷积核的个数为n,步长为s,并且进行补零(Padding)操作,通过卷积层操作后得到的一维特征映射的特征,一维特征映射的个数为n;综合向量的个数等于一维特征映射的个数,每个综合向量的长度等于过滤器的个数n。
8.根据权利要求7所述的方法,其特征在于,所述分类后的状态特征进行处理,得到监测结果包括:
设置O=softmax(V·Sn+b)
Sn表示最后一个时刻的隐藏状态,V代表权值,b代表偏差;输出O是一个概率向量,记为O=(O 1,O 2,…,O r),r是监测结果类别的数目;O i(i=1,2,…,r)代表此窗口的多变量时间序列监测结果是第i类监测结果的概率;最终监测结果的类别即为O中概率值最大的分量所对应的类别。
9.根据权利要求7所述的方法,其特征在于,所述设置RNN子模型的交叉熵包括:
设置概率向量以及交叉损失函数;
根据所述概率向量以及所述交叉损失函数,设置RNN子模型的交叉熵。
10.一种电池安全性监测系统,其特征在于,所述系统应用于一种电源系统,所述电源系统包括多个后备电源模组,所述多个后备电源模组模块化集成与所述电源系统内,并与监测终端连接,所述监测终端用于:
获取所述后备电源模组的历史监测数据以及当前监测数据;监测数据至少包括多个维度的传感器数据;
设置所述多个维度传感器数据之间的相关性参数;
将所述多个维度传感器数据,以及所述相关性参数,通过CNN模型,提取所述后备电源模组的状态特征;
设置所述状态特征的时序信息;
在所述时序信息的基础上,通过RNN模型,对所述状态特征进行分类;
根据分类结果,进行电池安全性监测,并输出监测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311853556.0A CN117805637A (zh) | 2023-12-29 | 2023-12-29 | 一种电池安全性监测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311853556.0A CN117805637A (zh) | 2023-12-29 | 2023-12-29 | 一种电池安全性监测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117805637A true CN117805637A (zh) | 2024-04-02 |
Family
ID=90431377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311853556.0A Pending CN117805637A (zh) | 2023-12-29 | 2023-12-29 | 一种电池安全性监测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117805637A (zh) |
-
2023
- 2023-12-29 CN CN202311853556.0A patent/CN117805637A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112131673B (zh) | 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 | |
CN114118225A (zh) | 发电机剩余寿命预测方法、系统、电子设备和存储介质 | |
Li et al. | An optimal stacking ensemble for remaining useful life estimation of systems under multi-operating conditions | |
CN113093985B (zh) | 传感器数据链路异常检测方法、装置和计算机设备 | |
CN113758652B (zh) | 换流变压器漏油检测方法、装置、计算机设备和存储介质 | |
CN113177357B (zh) | 一种电力系统暂态稳定评估方法 | |
CN117154256A (zh) | 锂电池的电化学修复方法 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
CN116706907A (zh) | 基于模糊推理的光伏发电预测方法和相关设备 | |
CN111984514A (zh) | 基于Prophet-bLSTM-DTW的日志异常检测方法 | |
CN116523001A (zh) | 电网薄弱线路识别模型构建方法、装置和计算机设备 | |
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 | |
CN116775423A (zh) | 用于集群故障预测的方法 | |
CN117805637A (zh) | 一种电池安全性监测方法和系统 | |
CN114881162A (zh) | 计量自动化主站的故障预测方法、装置、设备及介质 | |
CN112613227B (zh) | 基于混合机器学习的航空发动机剩余使用寿命预测模型 | |
CN114254828A (zh) | 一种基于混合卷积特征提取器和gru的电力负荷预测方法 | |
CN114510871A (zh) | 基于思维进化和lstm的云服务器性能衰退预测方法 | |
Wang et al. | The Application Research of Deep Learning Based Method for Short-term Wind Speed Forecasting | |
Ge et al. | Remaining useful life prediction using deep multi-scale convolution neural networks | |
Lu et al. | Anomaly Recognition Method for Massive Data of Power Internet of Things Based on Bayesian Belief Network | |
CN116526582B (zh) | 基于人工智能联合驱动的电力机组组合调度方法与系统 | |
CN113469013B (zh) | 一种基于迁移学习和时间序列的电机故障预测方法及系统 | |
Zhang et al. | Fault Trend Prediction of Centrifugal Blowers Considering Incomplete Data | |
CN117910509A (zh) | 发电功率预测方法、装置、计算机设备以及存储介质 |
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 |