CN117892095A - 一种储能系统用的散热系统故障智能检测方法 - Google Patents
一种储能系统用的散热系统故障智能检测方法 Download PDFInfo
- Publication number
- CN117892095A CN117892095A CN202410288180.1A CN202410288180A CN117892095A CN 117892095 A CN117892095 A CN 117892095A CN 202410288180 A CN202410288180 A CN 202410288180A CN 117892095 A CN117892095 A CN 117892095A
- Authority
- CN
- China
- Prior art keywords
- fault
- abnormal
- sequence
- heat dissipation
- detection interval
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 191
- 230000017525 heat dissipation Effects 0.000 title claims abstract description 119
- 238000004146 energy storage Methods 0.000 title claims abstract description 51
- 230000002159 abnormal effect Effects 0.000 claims abstract description 149
- 238000010438 heat treatment Methods 0.000 claims abstract description 54
- 230000005855 radiation Effects 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 55
- 230000005856 abnormality Effects 0.000 claims description 40
- 238000009499 grossing Methods 0.000 claims description 16
- 238000011897 real-time detection Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 5
- 230000000630 rising effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 238000012098 association analyses Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06F18/24323—Tree-organised classifiers
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及散热系统故障检测技术领域，具体涉及一种储能系统用的散热系统故障智能检测方法，该方法包括：采集储能系统用的散热系统中散热单元的温度数据、功率因数数据；获取异常时刻；构建异常时刻的温度二级序列、功率因数二级序列、升温序列、降功序列；对异常时刻与其他异常时刻的升温序列、功率因数序列的元素分布相似程度进行分析，构建关联故障系数；结合聚类算法构建故障空间序列；对聚类结果进行分析，构建检测区间的散热空间故障因子、故障置信因子；获取检测区间的散热故障系数；结合孤立森林算法完成对散热系统的故障检测。本发明旨在提高对储能系统用的散热系统故障状况进行实时判断的准确性。
Description
技术领域
本申请涉及散热系统故障检测技术领域，具体涉及一种储能系统用的散热系统故障智能检测方法。
背景技术
储能系统用的散热系统是储能结构中的关键组成部分之一，其主要作用是维持储能系统中的电池或存储介质处于最佳工作温度范围内，以保证系统的高效、安全运行。储能系统用的散热系统故障智能检测方法能够及时发现散热系统问题，提高储能系统安全性，促进储能系统的智能化和自动化管理，应对新能源技术的发展挑战。
储能系统用的散热系统相关数据分布较为广泛且数据量庞大，散热系统温度以及功率因数之间存在一定的关联程度，单一的检测温度以及功率因数自身的异常状况后进行汇总来衡量散热系统的故障状况，缺乏对温度以及功率因数数据关联性的判断，且忽略了散热单元故障空间位置分布的考虑，可能会导致重要的异常信息被忽略或正常数据被误判为异常，存在散热系统故障智能检测不准确的弊端。
发明内容
为了解决上述技术问题，本发明提供一种储能系统用的散热系统故障智能检测方法，以解决现有的问题。
本发明的一种储能系统用的散热系统故障智能检测方法采用如下技术方案：
本发明一个实施例提供了一种储能系统用的散热系统故障智能检测方法，该方法包括以下步骤：
采集储能系统用的散热系统中各散热单元的温度数据以及功率因数数据；
将预设时间长度的数据作为一个检测区间；对于检测区间的各散热单元，根据各时刻的温度数据以及功率因数数据获取各异常时刻；分别将各异常时刻与相邻前一异常时刻之间的所有温度数据、功率因数数据按照时序排序组成各异常时刻的温度二级序列、功率因数二级序列；根据各异常时刻的温度二级序列、功率因数二级序列的相邻元素之间的差异，获取各异常时刻的升温序列、降功序列；根据各异常时刻与其他异常时刻的升温序列、功率因数序列的元素分布相似程度获取各异常时刻的升温平滑因子、降功波动因子；根据各异常时刻的升温平滑因子、降功波动因子之间的关系获取各散热单元的关联故障系数；
根据检测区间所有散热单元的关联故障系数结合聚类算法获取检测区间的各个关联故障簇以及聚类中心、故障空间序列；根据各聚类中心的位置离散程度结合故障空间序列获取检测区间的散热空间故障因子；根据检测区间内各个关联故障簇的关联故障系数的分布特征获取各个关联故障簇的故障置信因子；结合检测区间的散热空间故障因子以及所有关联簇的故障置信因子获取检测区间的散热故障系数；
根据检测区间的散热故障系数结合孤立森林算法完成对散热系统的故障检测。
优选的，所述对于检测区间的各散热单元，根据各时刻的温度数据以及功率因数数据获取各异常时刻，包括：
将各时刻的温度数据、功率因数数据组成各时刻的特征向量；将所有时刻的特征向量作为SOS异常检测算法的输入，输出各时刻的异常得分；将所有时刻的异常得分作为大津法的输入，获取分割阈值；将异常得分大于等于分割阈值的各时刻作为各异常时刻。
优选的，所述根据各异常时刻的温度二级序列、功率因数二级序列的相邻元素之间的差异，获取各异常时刻的升温序列、降功序列，具体为：
对于各异常时刻的温度二级序列的各时刻的温度数据；若各时刻的温度数据小于相邻后一时刻的温度数据，将各时刻与相邻后一时刻的温度数据的差值绝对值作为各时刻的升温值；反之，不考虑对应时刻；将各异常时刻的温度二级序列中所有升温值按照时序排序组成的序列作为各异常时刻的升温序列；
对于各异常时刻的功率因数二级序列的各时刻的功率因数数据；若各时刻的功率因数数据大于相邻后一时刻的功率因数数据，将各时刻与相邻后一时刻的温度数据的差值作为各时刻的降功值；反之，不考虑对应时刻；将各异常时刻的功率因数二级序列中所有降功值按照时序排序组成的序列作为各异常时刻的降功序列。
优选的，所述根据各异常时刻与其他异常时刻的升温序列、功率因数序列的元素分布相似程度获取各异常时刻的升温平滑因子、降功波动因子，具体为：
对于各异常时刻的升温序列，获取升温序列的元素均值；计算升温序列各元素与所述元素均值的差值绝对值；计算升温序列所有元素所述差值绝对值的和值；计算所述和值与预设大于零的调整参数进行相加的结果的倒数；获取各异常时刻与其余各异常时刻的升温序列的散度；获取各异常时刻与其余所有异常时刻所述/>散度的和值的相反数；将所述相反数作为一自然常数为底数的指数函数的指数；将所述指数函数的计算结果与所述倒数的乘积作为各异常时刻的升温平滑因子；
对于各异常时刻的降功序列，获取降功序列的四分位距；获取各异常时刻与其余各异常时刻的降功序列的散度；获取各异常时刻与其余所有异常时刻所述/>散度的和值，记/>散度和值；将所述/>散度和值与所述四分位距的乘积作为各异常时刻的降功波动因子。
优选的，所述根据各异常时刻的升温平滑因子、降功波动因子之间的关系获取各散热单元的关联故障系数，具体为：
采用为BG序列分割算法分别获取各异常时刻的温度二级序列的突变点，将各突变点对应时刻的异常得分按照时序排列组成各异常时刻的温度异常序列；采用与各异常时刻的温度异常序列同样的方法获取个异常时刻的功率因数异常序列；
计算各异常时刻的温度异常序列与功率因数异常序列的DTW距离；计算所述DTW距离与预设大于零的调整参数的和值的倒数；计算各异常时刻的升温平滑因子与降功波动因子的比值；计算所述倒数与所述比值的乘积；将所有异常时刻的所述乘积的和值作为各散热单元的关联故障系数。
优选的，所述根据检测区间所有散热单元的关联故障系数结合聚类算法获取检测区间的各个关联故障簇以及聚类中心、故障空间序列，具体步骤包括：
将检测区间内所有散热单元的关联故障系数作为输入，采用K-Mediods聚类算法获取各关联故障簇以及聚类中心；
将所有关联故障簇聚类中心的位置坐标按照聚类中心对应关联故障系数升序排列组成的序列作为检测区间的故障空间序列。
优选的，所述根据各聚类中心的位置离散程度结合故障空间序列获取检测区间的散热空间故障因子，具体为：
获取检测区间的故障空间序列的二维香农熵，检测区间的散热空间故障因子/>表达式为：
式中，为检测区间中关联故障簇总个数；/>、/>分别为检测区间中第p、q个关联故障簇的聚类中心坐标；/>为欧氏距离函数。
优选的，所述根据检测区间内各个关联故障簇的关联故障系数的分布特征获取各个关联故障簇的故障置信因子，表达式为：
式中，为检测区间中第p个关联故障簇的故障置信因子；/>为检测区间内第p个关联故障簇中所有散热单元的关联故障系数均值；/>为检测区间中关联故障簇总个数；为检测区间内第p个关联故障簇中的散热单元总个数；/>为检测区间内第p个关联故障簇中第x个散热单元的关联故障系数；/>为检测区间内所有散热单元中的最大关联故障系数；/>为大于零的调整参数。
优选的，所述结合检测区间的散热空间故障因子以及所有关联簇的故障置信因子获取检测区间的散热故障系数，具体为：
计算检测区间所有关联故障簇的故障置信因子的和值；将检测区间的散热空间故障因子与所述和值的乘积的归一化值作为检测区间的散热故障系数。
优选的，所述根据检测区间的散热故障系数结合孤立森林算法完成对散热系统的故障检测，包括：
对于实时检测区间，将实时检测区间的散热故障系数作为孤立森林的输入，获取所述实时检测区间的异常得分；设置判断阈值，当所述实时检测区间的异常得分大于等于判断阈值，判断散热系统发生故障。
本发明至少具有如下有益效果：
本发明主要通过储能系统用的散热系统中各个散热单元的温度以及功率因数的数据特征获得检测区间内每个散热单元的关联故障系数，在综合考虑散热系统中散热单元温度升高以及功率因数下降且波动的特征基础上，加入了对散热单元温度异常与功率因数异常之间的关联性分析；之后对检测区间内所有散热单元聚类后根据关联故障簇中各散热单元的关联故障系数特征获得检测区间的散热故障系数，进一步分析了产生故障的散热单元在散热系统中的空间分布状况以及产生的故障严重程度；通过检测区间的散热故障系数训练孤立森林，并通过训练好的孤立森林算法对检测区间的异常得分进行实时获取，能够更准确的根据检测区间的异常得分对储能系统用的散热系统故障状况进行实时判断，较好的避免了重要的异常信息被忽略以及正常数据被误判为异常的情况发生，实现了一种储能系统用的散热系统故障智能检测方法。
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和优点，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的介绍，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附图。
图1为本发明提供的一种储能系统用的散热系统故障智能检测方法的流程图；
图2为散热故障系数的获取流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种储能系统用的散热系统故障智能检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种储能系统用的散热系统故障智能检测方法的具体方案。
本发明一个实施例提供的一种储能系统用的散热系统故障智能检测方法。
具体的，提供了如下的一种储能系统用的散热系统故障智能检测方法，请参阅图1，该方法包括以下步骤：
步骤S001：对储能系统用的散热系统相关数据进行采集，并对采集的数据进行预处理。
将储能系统用的散热系统中所有散热单元按照其空间位置分布从上到下，从左到右的顺序进行编号，之后通过温度传感器以及电能质量分析仪对储能系统用的散热系统中每一个散热单元的温度以及功率因数数据进行实时获取，本实施例中传感器采集时间间隔为0.2s，设置每10min为一个检测区间，为防止不同数据之间量纲不同以及传感器数据传输过程中发生数据丢失影响后续分析，需对采集的温度以及功率因数实时数据进行Z-score归一化后采用均值填充法进行预处理操作，由于Z-score归一化与均值填充法均为公知技术，具体获取过程不再赘述，实施者可根据实际情况选择其它预处理算法对传感器数据进行预处理。
至此，可获得第n个散热单元基于时序的温度和功率因数数据序列分别记为、。
步骤S002：通过散热系统中散热单元的温度与功率因数数据特征获得检测区间内散热单元的关联故障系数。
储能系统用的散热系统产生故障时，散热系统的各个散热单元可能会出现短时间内温度持续上升的状况；其次，散热系统故障可能会导致有功功率产生波动和变小状况，进而使得散热系统实际消耗的有功功率与视在功率之间的比例减小即功率因数出现波动与变小的状况。散热系统故障越严重时，各个散热单元的温度异常与功率因数异常状况之间的关联性越强。
现以检测区间中储能系统用的散热系统内第n个散热单元为例进行后续分析，将每一个时刻作为一个样本点，通过第n个散热单元在第t个时刻下的温度与功率因数构建第n个散热单元在第t个时刻下的特征向量记为，将第n个散热单元在检测区间各时刻的特征向量作为矩阵的行向量，并按照时间顺序构建检测区间内第n个散热单元的特征矩阵，采用SOS（Stochastic Outlier Selection）异常检测算法获取每个时刻的异常得分，SOS异常检测算法中的邻近因子取值为5，实施者可根据实际情况选择其它邻近因子取值，将检测区间内所有时刻的异常得分按照升序顺序组成的序列作为该检测区间的异常得分序列，通过大津法OTSU获取检测区间异常得分序列的分割阈值，将大于等于分割阈值的异常得分所在时刻记为异常时刻，由于SOS异常检测算法与大津法OTSU均为公知技术，具体获取过程不再赘述。
通过所有异常时刻对检测区间内的温度以及功率因数数据序列进行划分，以第t个异常时刻为例，将异常时刻之间的所有温度数据按照时序组成的序列作为第t个异常时刻的温度二级序列，划分过程中，将第一个异常时刻之前的所有温度数据按照时序组成的序列作为第一个异常时刻的温度二级序列，为防止检测区间内最后一个异常时刻之后仍存在较多数据，而通过上述方式无法对检测区间中最后一个异常时刻之后的数据进行分析，将检测区间内最后一个时刻也标记为异常时刻。同理，根据上述方式可获得检测区间中第n个散热单元第t个异常时刻的功率因数二级序列。通过BG序列分割算法分别获取第t个异常时刻对应温度、功率因数二级序列中的突变点，将第t个异常时刻对应温度二级序列中的所有突变点的异常得分按照时序顺序组成的序列记为第t个异常时刻的温度异常序列/>，同理可获得检测区间内第n个散热单元第t个异常时刻的功率因数异常序列。其中，BG序列分割算法为现有公知技术，此处不再赘述。
若第i个时刻的温度值小于第i+1个时刻的温度值，则将第i个时刻记为升温时刻，将第i+1个时刻的温度值与第i个时刻温度值之间的差值作为第i个时刻的升温值；若第i个时刻不是升温时刻，则该时刻没有升温值，继续对第i+1个时刻进行计算；将第t个异常时刻的温度二级序列中所有升温值按照温度按照时序排序组成的序列记为第t个异常时刻的升温序列。若第i个时刻的功率因数值大于第i+1个时刻的功率因数值，则将第i个时刻记为降功时刻，将第i个时刻的功率因数值与第i+1个时刻功率因数值之间的差值记为第i个时刻的降功值；若第i个时刻不是降功时刻，则该时刻没有降功值，继续对第i+1个时刻进行计算；将第t个异常时刻的功率因数二级序列中所有降功值按照功率因数按照时序排序组成的序列记为第t个异常时刻的降功序列/>。
基于上述分析，本实施例构建关联故障系数，用于表征检测区间内散热单元发生故障的可能性程度，首先获取检测区间内第n个散热单元异常时刻的升温平滑因子，用于表征散热单元的温度变化的异常情况，表达式为：
式中，为检测区间内第n个散热单元第t个异常时刻的升温平滑因子；/>为检测区间内第n个散热单元第t个异常时刻的升温序列中的升温值总个数；/>为检测区间内第n个散热单元第t个异常时刻的升温序列第j个升温值；/>为检测区间内第n个散热单元第t个异常时刻的升温序列中的所有升温值均值；/>为检测区间内第n个散热单元的升温序列总个数；/>、/>分别为检测区间内第n个散热单元第t、g个异常时刻对应的升温序列；/>为/>散度函数；e为自然常数；/>为大于零的调整参数，本实施例中取值为1，防止分母为0；
式中，为检测区间内第n个散热单元第t个异常时刻的降功波动因子；/>、分别为第n个散热单元第t个异常时刻的降功序列的第三四分位数、第一四分位数；/>为检测区间内第n个散热单元的降功序列总个数；/>、/>分别为检测区间中第n个散热单元第t、g个异常时刻对应的降功序列；
式中，为检测区间内第n个散热单元的关联故障系数；/>为检测区间内第n个散热单元的异常时刻总个数；/>为检测区间内第n个散热单元第t个异常时刻的温度异常序列；/>为检测区间内第n个散热单元第t个异常时刻的功率因数异常序列；为DTW函数；norm()为归一化函数，使得/>的值域处于[0,1]的范围内。
当第n个散热单元第t个异常时刻对应升温序列中所有升温值与平均升温值之间的差值绝对值之和越小时，即越小，表示该散热单元在第t个异常时刻对应升温序列包含时间范围内温度升高的状况越平稳；同时当第n个散热单元第t异常时刻的升温序列与检测区间内其余所有异常时刻对应的升温序列之间的/>散度之和越小时，即/>越小，表示该散热单元在第t个异常时刻的升温序列与检测区间内其余所有异常时刻对应的升温之间的差异越小，该散热单元在第t个异常时刻发生温度升高异常的状况越轻微，升温平滑因子/>越大。
当检测区间内第n个散热单元第t个异常时刻对应降功序列的第三四分位数与第一四分位数之间的差值越大时，即越大，表示该散热单元在第t个异常时刻对应的降功序列的四分位距越大，该散热单元第t个异常时刻的降功序列包含时间范围内的功率因数数据波动性越强；同时当检测区间内第n个散热单元第t个异常时刻的降功序列与检测区间内其余所有异常时刻的降功序列之间的/>散度之和越大时，即/>越大，表示该散热单元在第t个异常时刻对应的降功序列与检测区间内其余所有异常时刻对应的降功序列之间的差异越大，该散热单元在第t个异常时刻发生功率因数降低且波动的状况越显著，降功波动因子/>越大。
当检测区间内第n个散热单元第t个异常时刻的温度异常序列与功率因数异常序列之间的DTW距离之和越小时，即越小，表示该散热单元在第t个异常时刻的温度异常序列与功率因数异常序列之间的差异越小，该散热单元温度异常与功率因数异常状况之间的关联性越强；同时当降功波动因子/>越大时，表示该散热单元在第t个异常时刻发生功率因数降低且波动的状况越显著；同时当升温平滑因子/>越小时，表示该散热单元在第t个异常时刻发生温度升高异常的状况越显著，检测区间内第n个散热单元发生故障的可能性越高，关联故障系数/>越大。
至此，可根据上述方式获取检测区间内所有散热单元的关联故障系数。
步骤S003：对检测区间内所有散热单元进行聚类，根据关联故障簇中各散热单元的关联故障系数特征获得检测区间的散热故障系数。
将检测区间内所有散热单元的关联故障系数作为输入，采用K-Mediods聚类算法获取检测区间内的各个关联故障簇以及关联故障簇的聚类中心，其中，本实施例中聚类数目取值为10，实施者可根据实际情况自行设置聚类数目，将两个散热单元之间关联故障系数的差值绝对值作为所述散热单元之间的距离度量方式，由于K-Mediods聚类算法为公知技术，具体获取过程不再赘述。
储能系统用的散热系统产生的故障越严重时，关联故障簇聚类中心之间的空间分布位置越相近，即关联故障簇的聚类中心之间的距离越小；其次，散热系统产生的故障越严重时，每个关联故障簇中的散热单元关联故障系数越大。
将检测区间内所有关联故障簇聚类中心的位置坐标按照聚类中心对应关联故障系数升序顺序组成的序列作为该检测区间的故障空间序列。基于上述分析，本实施例构建散热故障系数，用于表征检测区间内储能系统用的散热系统产生故障的严重程度，表达式如下：
式中，为检测区间的散热空间故障因子；/>为检测区间的故障空间序列的二维香农熵；/>为检测区间中的聚类数目，即关联故障簇总个数；/>、/>分别为检测区间中第p、q个关联故障簇的聚类中心坐标；/>为欧氏距离函数；
式中，为检测区间中第p个关联故障簇的故障置信因子；/>为检测区间内第p个关联故障簇中所有散热单元的关联故障系数均值；/>为检测区间内第p个关联故障簇中的散热单元总个数；/>为检测区间内第p个关联故障簇中第x个散热单元的关联故障系数；/>为检测区间内所有散热单元中的最大关联故障系数；/>为大于零的调整参数；
式中，为检测区间的散热故障系数；norm()为归一化函数，使得/>的值域处于[0,1]的范围内。其中，散热故障系数的获取方法如图2所示。
当检测区间的故障空间序列的二维香农熵越大时，即越大，表示检测区间内所有关联故障簇的聚类中心空间位置坐标分布越混乱；同时当检测区间内所有关联故障簇对应聚类中心坐标之间的欧氏距离之和越大时，即/>越大，表示检测区间内所有关联故障簇的空间分布越离散，检测区间内可能产生故障的散热单元在散热系统中的分布范围越大，散热空间故障因子/>越大。
当检测区间内第p个关联故障簇中所有散热单元的关联故障系数均值与所有关联故障簇中散热单元的关联故障系数均值之和的比值越大时，即越大，表示检测区间内第p个关联故障簇中所有散热单元的关联故障均值在所有关联故障簇中散热单元关联故障均值的总和中的权重占比越大；同时当检测区间内第p个关联故障簇中所有散热单元的关联故障系数与检测区间内所有散热单元中的最大关联故障系数之间的差值绝对值之和越小时，即/>越小，表示检测区间内第p个关联故障簇对应位置处的散热系统产生的故障可能越严重，第p个关联故障簇在检测区间内的故障置信因子越大。
当检测区间的散热空间故障因子越大时，即越大，表示检测区间内产生故障的散热单元在散热系统中的分布范围越大；同时当检测区间内所有关联故障簇的故障置信因子之和越大时，即/>越大，表示检测区间内所有关联故障簇对应位置处的散热系统产生的故障可能越严重，检测区间内储能系统用的散热系统产生的故障可能越严重。
至此，可根据上述方式获得每个检测区间的散热故障系数。
步骤S004：通过检测区间的散热故障系数训练孤立森林，并通过训练好的孤立森林算法对检测区间的异常得分进行实时获取，根据检测区间的异常得分对储能系统用的散热系统故障状况进行判断。
采集个检测区间的温度以及功率因数数据并根据上述步骤获得/>个检测区间的散热故障系数。之后根据已获得的/>个检测区间的散热故障系数训练孤立森林，具体方式为将所有检测区间的散热故障系数分别作为孤立森林算法中的一个样本，设置孤立森林中孤立树的数量为50，每次抽取样本数为128，将所有已获得的/>个检测区间的异常得分进行归一化处理，由于孤立森林的训练为公知技术，具体过程不再过多赘述。
将实时获取的检测区间的散热故障系数输入至训练好的孤立森林中，获取所述检测区间的异常得分，设置判断阈值，若实时检测区间的异常得分大于等于/>时，认为当前检测区间对应时间范围内储能系统用的散热系统产生了严重故障，本实施例中/>、/>分别取值为1024、0.7，/>越大，故障检测效果越好；/>越大，对于储能系统用的散热系统的故障状况判断越严格，实施者可根据实际情况自行设置/>。
至此，可实现一种储能系统用的散热系统故障智能检测方法。
综上所述，本发明实施例通过储能系统用的散热系统中各个散热单元的温度以及功率因数数据特征获得检测区间内每个散热单元的关联故障系数，在综合考虑散热系统中散热单元温度升高以及功率因数下降且波动的特征基础上，加入了对散热单元温度异常与功率因数异常之间的关联性分析；之后对检测区间内所有散热单元聚类后根据关联故障簇中各散热单元的关联故障系数特征获得检测区间的散热故障系数，进一步分析了产生故障的散热单元在散热系统中的空间分布状况以及产生的故障严重程度；通过检测区间的散热故障系数训练孤立森林，并通过训练好的孤立森林算法对检测区间的异常得分进行实时获取，能够更准确的根据检测区间的异常得分对储能系统用的散热系统故障状况进行实时判断，较好的避免了重要的异常信息被忽略以及正常数据被误判为异常的情况发生，实现了一种储能系统用的散热系统故障智能检测方法。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种储能系统用的散热系统故障智能检测方法，其特征在于，该方法包括以下步骤：
采集储能系统用的散热系统中各散热单元的温度数据以及功率因数数据；
将预设时间长度的数据作为一个检测区间；对于检测区间的各散热单元，根据各时刻的温度数据以及功率因数数据获取各异常时刻；分别将各异常时刻与相邻前一异常时刻之间的所有温度数据、功率因数数据按照时序排序组成各异常时刻的温度二级序列、功率因数二级序列；根据各异常时刻的温度二级序列、功率因数二级序列的相邻元素之间的差异，获取各异常时刻的升温序列、降功序列；根据各异常时刻与其他异常时刻的升温序列、功率因数序列的元素分布相似程度获取各异常时刻的升温平滑因子、降功波动因子；根据各异常时刻的升温平滑因子、降功波动因子之间的关系获取各散热单元的关联故障系数；
根据检测区间所有散热单元的关联故障系数结合聚类算法获取检测区间的各个关联故障簇以及聚类中心、故障空间序列；根据各聚类中心的位置离散程度结合故障空间序列获取检测区间的散热空间故障因子；根据检测区间内各个关联故障簇的关联故障系数的分布特征获取各个关联故障簇的故障置信因子；结合检测区间的散热空间故障因子以及所有关联簇的故障置信因子获取检测区间的散热故障系数；
根据检测区间的散热故障系数结合孤立森林算法完成对散热系统的故障检测。
2.如权利要求1所述的一种储能系统用的散热系统故障智能检测方法，其特征在于，所述对于检测区间的各散热单元，根据各时刻的温度数据以及功率因数数据获取各异常时刻，包括：
将各时刻的温度数据、功率因数数据组成各时刻的特征向量；将所有时刻的特征向量作为SOS异常检测算法的输入，输出各时刻的异常得分；将所有时刻的异常得分作为大津法的输入，获取分割阈值；将异常得分大于等于分割阈值的各时刻作为各异常时刻。
3.如权利要求1所述的一种储能系统用的散热系统故障智能检测方法，其特征在于，所述根据各异常时刻的温度二级序列、功率因数二级序列的相邻元素之间的差异，获取各异常时刻的升温序列、降功序列，具体为：
对于各异常时刻的温度二级序列的各时刻的温度数据；若各时刻的温度数据小于相邻后一时刻的温度数据，将各时刻与相邻后一时刻的温度数据的差值绝对值作为各时刻的升温值；反之，不考虑对应时刻；将各异常时刻的温度二级序列中所有升温值按照时序排序组成的序列作为各异常时刻的升温序列；
对于各异常时刻的功率因数二级序列的各时刻的功率因数数据；若各时刻的功率因数数据大于相邻后一时刻的功率因数数据，将各时刻与相邻后一时刻的温度数据的差值作为各时刻的降功值；反之，不考虑对应时刻；将各异常时刻的功率因数二级序列中所有降功值按照时序排序组成的序列作为各异常时刻的降功序列。
4.如权利要求1所述的一种储能系统用的散热系统故障智能检测方法，其特征在于，所述根据各异常时刻与其他异常时刻的升温序列、功率因数序列的元素分布相似程度获取各异常时刻的升温平滑因子、降功波动因子，具体为：
对于各异常时刻的升温序列，获取升温序列的元素均值；计算升温序列各元素与所述元素均值的差值绝对值；计算升温序列所有元素所述差值绝对值的和值；计算所述和值与预设大于零的调整参数进行相加的结果的倒数；获取各异常时刻与其余各异常时刻的升温序列的散度；获取各异常时刻与其余所有异常时刻所述/>散度的和值的相反数；将所述相反数作为一自然常数为底数的指数函数的指数；将所述指数函数的计算结果与所述倒数的乘积作为各异常时刻的升温平滑因子；
对于各异常时刻的降功序列，获取降功序列的四分位距；获取各异常时刻与其余各异常时刻的降功序列的散度；获取各异常时刻与其余所有异常时刻所述/>散度的和值，记散度和值；将所述/>散度和值与所述四分位距的乘积作为各异常时刻的降功波动因子。
5.如权利要求2所述的一种储能系统用的散热系统故障智能检测方法，其特征在于，所述根据各异常时刻的升温平滑因子、降功波动因子之间的关系获取各散热单元的关联故障系数，具体为：
采用为BG序列分割算法分别获取各异常时刻的温度二级序列的突变点，将各突变点对应时刻的异常得分按照时序排列组成各异常时刻的温度异常序列；采用与各异常时刻的温度异常序列同样的方法获取个异常时刻的功率因数异常序列；
计算各异常时刻的温度异常序列与功率因数异常序列的DTW距离；计算所述DTW距离与预设大于零的调整参数的和值的倒数；计算各异常时刻的升温平滑因子与降功波动因子的比值；计算所述倒数与所述比值的乘积；将所有异常时刻的所述乘积的和值作为各散热单元的关联故障系数。
6.如权利要求1所述的一种储能系统用的散热系统故障智能检测方法，其特征在于，所述根据检测区间所有散热单元的关联故障系数结合聚类算法获取检测区间的各个关联故障簇以及聚类中心、故障空间序列，具体步骤包括：
将检测区间内所有散热单元的关联故障系数作为输入，采用K-Mediods聚类算法获取各关联故障簇以及聚类中心；
将所有关联故障簇聚类中心的位置坐标按照聚类中心对应关联故障系数升序排列组成的序列作为检测区间的故障空间序列。
7.如权利要求1所述的一种储能系统用的散热系统故障智能检测方法，其特征在于，所述根据各聚类中心的位置离散程度结合故障空间序列获取检测区间的散热空间故障因子，具体为：
获取检测区间的故障空间序列的二维香农熵，检测区间的散热空间故障因子/>表达式为：
式中，为检测区间中关联故障簇总个数；/>、/>分别为检测区间中第p、q个关联故障簇的聚类中心坐标；/>为欧氏距离函数。
8.如权利要求1所述的一种储能系统用的散热系统故障智能检测方法，其特征在于，所述根据检测区间内各个关联故障簇的关联故障系数的分布特征获取各个关联故障簇的故障置信因子，表达式为：
式中，为检测区间中第p个关联故障簇的故障置信因子；/>为检测区间内第p个关联故障簇中所有散热单元的关联故障系数均值；/>为检测区间中关联故障簇总个数；/>为检测区间内第p个关联故障簇中的散热单元总个数；/>为检测区间内第p个关联故障簇中第x个散热单元的关联故障系数；/>为检测区间内所有散热单元中的最大关联故障系数；/>为大于零的调整参数。
9.如权利要求1所述的一种储能系统用的散热系统故障智能检测方法，其特征在于，所述结合检测区间的散热空间故障因子以及所有关联簇的故障置信因子获取检测区间的散热故障系数，具体为：
计算检测区间所有关联故障簇的故障置信因子的和值；将检测区间的散热空间故障因子与所述和值的乘积的归一化值作为检测区间的散热故障系数。
10.如权利要求1所述的一种储能系统用的散热系统故障智能检测方法，其特征在于，所述根据检测区间的散热故障系数结合孤立森林算法完成对散热系统的故障检测，包括：
对于实时检测区间，将实时检测区间的散热故障系数作为孤立森林的输入，获取所述实时检测区间的异常得分；设置判断阈值，当所述实时检测区间的异常得分大于等于判断阈值，判断散热系统发生故障。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410288180.1A CN117892095B (zh) | 2024-03-14 | 2024-03-14 | 一种储能系统用的散热系统故障智能检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410288180.1A CN117892095B (zh) | 2024-03-14 | 2024-03-14 | 一种储能系统用的散热系统故障智能检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117892095A true CN117892095A (zh) | 2024-04-16 |
| CN117892095B CN117892095B (zh) | 2024-05-28 |
Family
ID=90652106
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410288180.1A Active CN117892095B (zh) | 2024-03-14 | 2024-03-14 | 一种储能系统用的散热系统故障智能检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117892095B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118312906A (zh) * | 2024-06-05 | 2024-07-09 | 山东海纳智能装备科技股份有限公司 | 一种矿用光纤测温方法及装置 |
| CN118405680A (zh) * | 2024-04-23 | 2024-07-30 | 兴荣新源(厦门)科技有限公司 | 一种高倍率磷酸铁钠正极材料及制备方法 |
| CN118464208A (zh) * | 2024-07-09 | 2024-08-09 | 泰安金冠宏食品科技有限公司 | 一种动物油脂粉末化加工的温度监测系统 |
| CN118687699A (zh) * | 2024-08-26 | 2024-09-24 | 山东明大电器股份有限公司 | 一种变压器过载在线监测方法及系统 |
| CN118687891A (zh) * | 2024-08-27 | 2024-09-24 | 法罗电力(浙江)有限公司 | 一种液冷储能系统的散热故障检测方法及系统 |
Citations (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020088274A1 (en) * | 1996-12-17 | 2002-07-11 | Denso Corporation | Thermostat malfunction detecting system for engine cooling system |
| KR100749175B1 (ko) * | 2006-05-24 | 2007-08-14 | 한국에너지기술연구원 | 공조 시스템에서의 분류형 규칙기반 방식의 단일부위 고장검출 및 진단 방법과 이를 이용한 장치 |
| WO2018126984A2 (zh) * | 2017-01-06 | 2018-07-12 | 江南大学 | 一种基于mea-bp神经网络wsn异常检测方法 |
| JP2019070930A (ja) * | 2017-10-06 | 2019-05-09 | 株式会社日立パワーソリューションズ | 異常検知装置および異常検知方法 |
| US20190195741A1 (en) * | 2017-05-31 | 2019-06-27 | Shinwa Controls Co., Ltd | Status monitoring apparatus, status monitoring method, and program |
| US20190310618A1 (en) * | 2018-04-06 | 2019-10-10 | Hitachi, Ltd. | System and software for unifying model-based and data-driven fault detection and isolation |
| CN110375888A (zh) * | 2019-07-01 | 2019-10-25 | 中国第一汽车股份有限公司 | 冷却液温度传感器的诊断方法、装置、车辆和存储介质 |
| CN112649109A (zh) * | 2020-12-22 | 2021-04-13 | 日立电梯（中国）有限公司 | 一种变频器散热风扇运行状态的判断装置和方法 |
| US20210107539A1 (en) * | 2019-10-11 | 2021-04-15 | Progress Rail Services Corporation | System and method for predicting failures of train components |
| WO2022151819A1 (zh) * | 2021-01-18 | 2022-07-21 | 北京理工大学 | 一种基于聚类分析的电池系统在线故障诊断方法和系统 |
| CN218069596U (zh) * | 2022-08-12 | 2022-12-16 | 山东泰开电力电子有限公司 | 一种干式空心电抗器故障检测装置 |
| KR20230049226A (ko) * | 2021-10-06 | 2023-04-13 | (주) 미래이앤지 | 인공지능 기반 전기설비 고장 징후 감지 시스템 |
| CN116108366A (zh) * | 2023-01-18 | 2023-05-12 | 西北工业大学 | 一种面向航空发动机滑油系统的故障诊断方法 |
| WO2023130898A1 (zh) * | 2022-01-05 | 2023-07-13 | 中车唐山机车车辆有限公司 | 系统故障监测方法、装置、电子设备和存储介质 |
| CN116879794A (zh) * | 2023-09-06 | 2023-10-13 | 速源芯(东莞)能源科技有限公司 | 一种储能电源故障检测预警系统 |
| CN116879662A (zh) * | 2023-09-06 | 2023-10-13 | 山东华尚电气有限公司 | 基于数据分析的变压器故障检测方法 |
| CN116975604A (zh) * | 2023-09-22 | 2023-10-31 | 张家港市得道电子有限公司 | 贴片机驱动系统的故障预测方法及系统 |
| CN117007984A (zh) * | 2023-09-27 | 2023-11-07 | 南通国轩新能源科技有限公司 | 一种电池包运行故障动态监测方法及系统 |
| CN117077044A (zh) * | 2023-10-18 | 2023-11-17 | 深圳市大易电气实业有限公司 | 一种发电机用真空断路器故障判别方法及装置 |
| CN117216603A (zh) * | 2023-11-07 | 2023-12-12 | 张家港长寿工业设备制造有限公司 | 一种管式降膜蒸发器故障预测方法及系统 |
| CN117390408A (zh) * | 2023-12-13 | 2024-01-12 | 西电济南变压器股份有限公司 | 一种电力变压器运行故障检测方法及系统 |
| CN117411811A (zh) * | 2023-12-15 | 2024-01-16 | 山西思极科技有限公司 | 一种电力通信设备的故障智能监测方法 |
| CN117421687A (zh) * | 2023-12-18 | 2024-01-19 | 圣道天德电气(山东)有限公司 | 一种数字化电力环网柜运行状态监测方法 |
| CN117542167A (zh) * | 2023-10-26 | 2024-02-09 | 重庆中车时代电气技术有限公司 | 一种城轨双向变流装置散热异常预警系统及其控制方法 |
| CN117632665A (zh) * | 2024-01-26 | 2024-03-01 | 东莞市隆慧电子科技有限公司 | 一种散热器的运行状态实时监测方法 |
-
2024
- 2024-03-14 CN CN202410288180.1A patent/CN117892095B/zh active Active
Patent Citations (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020088274A1 (en) * | 1996-12-17 | 2002-07-11 | Denso Corporation | Thermostat malfunction detecting system for engine cooling system |
| KR100749175B1 (ko) * | 2006-05-24 | 2007-08-14 | 한국에너지기술연구원 | 공조 시스템에서의 분류형 규칙기반 방식의 단일부위 고장검출 및 진단 방법과 이를 이용한 장치 |
| WO2018126984A2 (zh) * | 2017-01-06 | 2018-07-12 | 江南大学 | 一种基于mea-bp神经网络wsn异常检测方法 |
| US20190195741A1 (en) * | 2017-05-31 | 2019-06-27 | Shinwa Controls Co., Ltd | Status monitoring apparatus, status monitoring method, and program |
| JP2019070930A (ja) * | 2017-10-06 | 2019-05-09 | 株式会社日立パワーソリューションズ | 異常検知装置および異常検知方法 |
| US20190310618A1 (en) * | 2018-04-06 | 2019-10-10 | Hitachi, Ltd. | System and software for unifying model-based and data-driven fault detection and isolation |
| CN110375888A (zh) * | 2019-07-01 | 2019-10-25 | 中国第一汽车股份有限公司 | 冷却液温度传感器的诊断方法、装置、车辆和存储介质 |
| US20210107539A1 (en) * | 2019-10-11 | 2021-04-15 | Progress Rail Services Corporation | System and method for predicting failures of train components |
| CN112649109A (zh) * | 2020-12-22 | 2021-04-13 | 日立电梯（中国）有限公司 | 一种变频器散热风扇运行状态的判断装置和方法 |
| WO2022151819A1 (zh) * | 2021-01-18 | 2022-07-21 | 北京理工大学 | 一种基于聚类分析的电池系统在线故障诊断方法和系统 |
| KR20230049226A (ko) * | 2021-10-06 | 2023-04-13 | (주) 미래이앤지 | 인공지능 기반 전기설비 고장 징후 감지 시스템 |
| WO2023130898A1 (zh) * | 2022-01-05 | 2023-07-13 | 中车唐山机车车辆有限公司 | 系统故障监测方法、装置、电子设备和存储介质 |
| CN218069596U (zh) * | 2022-08-12 | 2022-12-16 | 山东泰开电力电子有限公司 | 一种干式空心电抗器故障检测装置 |
| CN116108366A (zh) * | 2023-01-18 | 2023-05-12 | 西北工业大学 | 一种面向航空发动机滑油系统的故障诊断方法 |
| CN116879794A (zh) * | 2023-09-06 | 2023-10-13 | 速源芯(东莞)能源科技有限公司 | 一种储能电源故障检测预警系统 |
| CN116879662A (zh) * | 2023-09-06 | 2023-10-13 | 山东华尚电气有限公司 | 基于数据分析的变压器故障检测方法 |
| CN116975604A (zh) * | 2023-09-22 | 2023-10-31 | 张家港市得道电子有限公司 | 贴片机驱动系统的故障预测方法及系统 |
| CN117007984A (zh) * | 2023-09-27 | 2023-11-07 | 南通国轩新能源科技有限公司 | 一种电池包运行故障动态监测方法及系统 |
| CN117077044A (zh) * | 2023-10-18 | 2023-11-17 | 深圳市大易电气实业有限公司 | 一种发电机用真空断路器故障判别方法及装置 |
| CN117542167A (zh) * | 2023-10-26 | 2024-02-09 | 重庆中车时代电气技术有限公司 | 一种城轨双向变流装置散热异常预警系统及其控制方法 |
| CN117216603A (zh) * | 2023-11-07 | 2023-12-12 | 张家港长寿工业设备制造有限公司 | 一种管式降膜蒸发器故障预测方法及系统 |
| CN117390408A (zh) * | 2023-12-13 | 2024-01-12 | 西电济南变压器股份有限公司 | 一种电力变压器运行故障检测方法及系统 |
| CN117411811A (zh) * | 2023-12-15 | 2024-01-16 | 山西思极科技有限公司 | 一种电力通信设备的故障智能监测方法 |
| CN117421687A (zh) * | 2023-12-18 | 2024-01-19 | 圣道天德电气(山东)有限公司 | 一种数字化电力环网柜运行状态监测方法 |
| CN117632665A (zh) * | 2024-01-26 | 2024-03-01 | 东莞市隆慧电子科技有限公司 | 一种散热器的运行状态实时监测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王印松;商丹丹;宋凯兵;李士哲;: "基于改进模糊聚类的控制系统故障检测", 信息与控制, no. 01, 15 February 2017 (2017-02-15) * |
| 高迪驹;兰熙;沈爱弟;: "基于Petri网的锂电池故障诊断系统", 系统仿真学报, no. 02, 8 February 2018 (2018-02-08) * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118405680A (zh) * | 2024-04-23 | 2024-07-30 | 兴荣新源(厦门)科技有限公司 | 一种高倍率磷酸铁钠正极材料及制备方法 |
| CN118312906A (zh) * | 2024-06-05 | 2024-07-09 | 山东海纳智能装备科技股份有限公司 | 一种矿用光纤测温方法及装置 |
| CN118464208A (zh) * | 2024-07-09 | 2024-08-09 | 泰安金冠宏食品科技有限公司 | 一种动物油脂粉末化加工的温度监测系统 |
| CN118687699A (zh) * | 2024-08-26 | 2024-09-24 | 山东明大电器股份有限公司 | 一种变压器过载在线监测方法及系统 |
| CN118687891A (zh) * | 2024-08-27 | 2024-09-24 | 法罗电力(浙江)有限公司 | 一种液冷储能系统的散热故障检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117892095B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117892095B (zh) | 一种储能系统用的散热系统故障智能检测方法 | |
| CN111199016A (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
| US20230023931A1 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
| CN116861354A (zh) | 电力变压器监测数据的异常识别及模式区分方法及系统 | |
| CN111783845A (zh) | 一种基于局部线性嵌入和极限学习机的隐匿虚假数据注入攻击检测方法 | |
| CN113608968B (zh) | 一种基于密度距离综合决策的电力调度监控数据异常检测方法 | |
| CN110795690A (zh) | 风电场运行异常数据检测方法 | |
| CN110687895B (zh) | 一种基于自适应核主成分分析的化工过程故障检测方法 | |
| CN116484289A (zh) | 一种碳排放异常数据检测方法、终端及存储介质 | |
| CN117151469A (zh) | 一种储能电站的安全风险评价方法和系统 | |
| US20230307093A1 (en) | Method for predicting dna recombination sites based on xgboost | |
| CN117235565A (zh) | 一种变压器故障诊断模型构建方法和装置 | |
| CN116401561A (zh) | 一种基于局部时域特征的设备级运行状态序列的时间关联聚类方法 | |
| CN116579447A (zh) | 一种基于分解机制和注意力机制的时间序列预测方法 | |
| CN117691756B (zh) | 配电柜的安全预警管理方法及系统 | |
| CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
| CN116842330B (zh) | 一种可对比历史记录的保健信息处理方法及装置 | |
| CN116910573B (zh) | 异常诊断模型的训练方法及装置、电子设备和存储介质 | |
| CN114970709B (zh) | 基于改进ga的数据驱动型ahu多故障诊断特征选择方法 | |
| CN112149052A (zh) | 一种基于plr-dtw的日负荷曲线聚类方法 | |
| CN117131436A (zh) | 面向开放环境的辐射源个体识别方法 | |
| CN116365519A (zh) | 一种电力负荷预测方法、系统、存储介质及设备 | |
| CN118035923B (zh) | 一种电网录波异常信号识别方法 | |
| CN118114170B (zh) | 板件生产线智能运维管控方法、控制系统及板件生产线 | |
| Tateishi et al. | Ensemble Pruning of MT Method |
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 |