CN117914003B - 基于云边协同的箱式变压器智能监测辅助方法及系统 - Google Patents
基于云边协同的箱式变压器智能监测辅助方法及系统 Download PDFInfo
- Publication number
- CN117914003B CN117914003B CN202410309870.0A CN202410309870A CN117914003B CN 117914003 B CN117914003 B CN 117914003B CN 202410309870 A CN202410309870 A CN 202410309870A CN 117914003 B CN117914003 B CN 117914003B
- Authority
- CN
- China
- Prior art keywords
- edge
- acoustic signal
- abnormal
- signal set
- monitoring
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 240
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 189
- 238000012795 verification Methods 0.000 claims abstract description 44
- 230000001360 synchronised effect Effects 0.000 claims description 68
- 230000008859 change Effects 0.000 claims description 28
- 230000005236 sound signal Effects 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 230000005540 biological transmission Effects 0.000 description 7
- 238000013178 mathematical model Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Telephonic Communication Services (AREA)
Abstract
本发明公开了基于云边协同的箱式变压器智能监测辅助方法及系统,属于电网设备监测领域,其中方法包括:获取第一类连接设备,生成云边协同网络结构;对中心节点进行监测,获取中心监测声信号集,进行声信号异常特征识别,获取中心声信号异常特征;将第一类连接设备进行监测,获取第一边缘监测声信号集,进行异常同步验证,获取第一异常同步指标,满足预设异常同步指标,生成预警信号。本申请解决了现有基于箱式变压器的单一监测中,识别异常特征时容易产生误报,导致异常识别的准确性低下,误报率高的技术问题,达到了通过云边协同网络,实现中心节点异常特征与边缘节点信号异步验证,有效降低误报率,提高异常识别准确性的技术效果。
Description
技术领域
本发明涉及电网设备监测领域,具体涉及基于云边协同的箱式变压器智能监测辅助方法及系统。
背景技术
随着智慧电网的建设,箱式变压器作为重要的电网设备,其运行状态直接影响到电网的安全稳定,为确保箱式变压器的安全可靠运行,开展实时监测以发现潜在异常至关重要。现有的基于箱式变压器的监测,主要通过分析箱式变压器的异常特征信号,实现状态评估与异常监测,但是这种基于箱式变压器的单一监测方式,在识别异常特征时容易产生误报的问题,导致异常识别的准确性低下,预警误报率高,影响系统的可靠运行。
发明内容
本申请通过提供了基于云边协同的箱式变压器智能监测辅助方法及系统,旨在解决现有基于箱式变压器的单一监测中,识别异常特征时容易产生误报,导致异常识别的准确性低下,误报率高的技术问题。
鉴于上述问题,本申请提供了基于云边协同的箱式变压器智能监测辅助方法及系统。
本申请公开的第一个方面,提供了基于云边协同的箱式变压器智能监测辅助方法,该方法包括:获取与箱式变压器连接的第一类连接设备,其中,第一类连接设备至少包括两个设备;将箱式变压器作为中心节点,将第一类连接设备作为边缘节点,生成云边协同网络结构;基于云边协同网络结构对中心节点进行监测,获取中心监测声信号集,其中,中心节点的箱式变压器与量子云端通信连接;对中心监测声信号集进行声信号异常特征识别,获取中心声信号异常特征;基于云边协同网络结构将第一类连接设备中的各个设备进行监测,获取第一边缘监测声信号集;将第一边缘监测声信号集发送至中心节点,并基于中心节点所连接的量子云端对第一边缘监测声信号集进行异常同步验证,获取基于中心声信号异常特征的第一异常同步指标;当第一异常同步指标满足预设异常同步指标,生成预警信号。
本申请公开的另一个方面,提供了基于云边协同的箱式变压器智能监测辅助系统,该系统包括:第一类连接设备模块,用于获取与箱式变压器连接的第一类连接设备,其中,第一类连接设备至少包括两个设备;云边网络生成模块,用于将箱式变压器作为中心节点,将第一类连接设备作为边缘节点,生成云边协同网络结构;中心信号获取模块,用于基于云边协同网络结构对中心节点进行监测,获取中心监测声信号集,其中,中心节点的箱式变压器与量子云端通信连接;中心异常识别模块,用于对中心监测声信号集进行声信号异常特征识别,获取中心声信号异常特征;边缘信号获取模块,用于基于云边协同网络结构将第一类连接设备中的各个设备进行监测,获取第一边缘监测声信号集;异常同步验证模块,用于将第一边缘监测声信号集发送至中心节点,并基于中心节点所连接的量子云端对第一边缘监测声信号集进行异常同步验证,获取基于中心声信号异常特征的第一异常同步指标;预警信号生成模块,用于当第一异常同步指标满足预设异常同步指标,生成预警信号。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了获取与箱式变压器连接的第一类连接设备,用以作为构建云边协同网络中的边缘节点,与现有技术中仅考虑单一箱式变压器信号不同,获取边缘节点信息;以箱式变压器作为中心节点,第一类连接设备作为边缘节点,构建云边协同网络结构,为进行云边协同的监测提供支持;基于云边协同网络结构对中心节点进行监测,获取中心监测声信号集,进行声信号异常特征识别,获取中心声信号异常特征,为实现云边协同异常验证提供数据基础;基于云边协同网络结构对第一类连接设备中的各个设备进行监测,获取第一边缘监测声信号集,为实现云边协同异常验证提供数据基础;结合第一边缘监测声信号集和中心声信号异常特征,得到第一异常同步指标,实现云边协同异步验证,有效降低误报率;当第一异常同步指标满足预设异常同步指标,生成准确可靠的预警信号的技术方案,解决了现有基于箱式变压器的单一监测中,识别异常特征时容易产生误报,导致异常识别的准确性低下,误报率高的技术问题,达到了通过构建包含箱式变压器及其连接设备的云边协同网络,实现中心节点异常特征与边缘节点信号异步验证,有效降低误报率,提高异常识别准确性,保证系统的安全稳定运行的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了基于云边协同的箱式变压器智能监测辅助方法的一种流程示意图;
图2为本申请实施例提供了基于云边协同的箱式变压器智能监测辅助方法中进行异常同步验证的一种流程示意图;
图3为本申请实施例提供了基于云边协同的箱式变压器智能监测辅助系统的一种结构示意图。
附图标记说明:第一类连接设备模块11,云边网络生成模块12,中心信号获取模块13,中心异常识别模块14,边缘信号获取模块15,异常同步验证模块16,预警信号生成模块17。
具体实施方式
本申请提供的技术方案总体思路如下:
本申请实施例提供了基于云边协同的箱式变压器智能监测辅助方法及系统。首先,获取与箱式变压器连接的第一类连接设备,构建包含箱式变压器及第一类连接设备的云边协同网络,以实现多源数据的融合。其次,分别对云边协同网络中的中心节点即箱式变压器和边缘节点即第一类连接设备进行监测,获取中心节点的中心声信号异常特征以及边缘节点的辅助状态数据,即第一边缘监测声信号集。然后,利用量子云端应用中心声信号异常特征以及第一边缘监测声信号集进行异常同步验证,得到第一异常同步指标,提高异常判断的准确性。最后,根据第一异常同步指标,生成预警信号,有效减少预警误报率,实现准确可靠的箱式变压器监测与预警。
综上,本申请通过构建云边协同网络,实现中心节点异常特征和边缘节点辅助数据的融合与异步验证,相比于现有的针对箱式变压器的单一监测方式,降低预警误报率,实现更高效准确的状态监测与故障预警。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了基于云边协同的箱式变压器智能监测辅助方法,该方法包括:
获取与箱式变压器连接的第一类连接设备,其中,所述第一类连接设备至少包括两个设备;
在本申请实施例中,为实现对箱式变压器的可靠监测,需要获取与其连接的外部设备信息,即第一类连接设备。其中,第一类连接设备是指与箱式变压器直接相连的电气设备或传感设备。例如,连接到箱式变压器的开关装置、保护装置、测温装置等。这些第一类连接设备与箱式变压器直接连接,能够实时监测箱式变压器的运行参数。
获取的第一类连接设备中至少应包括两个设备,即第一类连接设备是由多个设备组成,而非仅获取单个设备。第一类连接设备通过其包含的多个设备从不同方面监视箱式变压器的运行状况,提供更全面的状态信息。
通过获取与箱式变压器直接连接的第一类连接设备,该第一类连接设备中应当至少包括两个设备,为实现对箱式变压器的智能监测提供信息。
将所述箱式变压器作为中心节点,将所述第一类连接设备作为边缘节点,生成云边协同网络结构;
在本申请实施例中,在获得与箱式变压器直接连接的第一类连接设备后,基于这些设备来构建云边协同网络结构。其中,因为箱式变压器是整个监测的对象,其状态变化是所关注的焦点,将箱式变压器作为云边协同网络的中心节点;第一类连接设备与中心节点即箱式变压器连接,可以提供与箱式变压器运行状态高度相关的实时状态数据,作为云边协同网络结构的边缘节点。
首先,直接指定箱式变压器作为云边协同网络结构的中心节点。然后,遍历获取的所有第一类连接设备,将每一个连接设备设置为云边协同网络结构的边缘节点。随后,遍历设置的每一个边缘节点,并在云边协同网络结构中与中心节点之间建立直接的连接关系。接着,根据确定的节点和连接关系,绘制网络的拓扑结构图,展现节点之间的相互联系,得到云边协同网络结构。
通过根据获取的第一类连接设备,与箱式变压器构建一个以箱式变压器为中心,第一类连接设备为边缘节点的云边协同网络结构,实现了云边协同,为后续的状态监测奠定了网络架构基础。
基于所述云边协同网络结构对所述中心节点进行监测,获取中心监测声信号集,其中,所述中心节点的箱式变压器与量子云端通信连接;
在本申请实施例中,首先,在箱式变压器内部安装传声传感器,并将布设的传声传感器与云边协同网络结构连接,用以控制传声传感器收集箱式变压器运行时的声音信号。然后,当箱式变压器运行时,基于云边协同网络结构,通过已安装的传声传感器采集箱式变压器运行过程中产生的声音信号,形成中心原始监测声信号。
在获取中心原始监测声信号后,箱式变压器将中心原始监测声信号发送至量子云端中,量子云端对中心原始监测声信号进行过滤、增益调整、数字化编码等预处理,并按照预定格式进行存储,得到中心监测声信号集。其中,量子云端是依托量子技术实现计算的云平台和基础架构,与传统的云计算平台相比,具有更强大的计算能力,为智能监测提供强力支持;该量子云端与为中心节点的箱式变压器通信连接,例如通过光纤、导线、蓝牙等进行连接,为中心监测声信号集的传输提供支持。
对所述中心监测声信号集进行声信号异常特征识别,获取中心声信号异常特征;
在本申请实施例中,预先建立正常声信号数学模型。首先,在箱式变压器正常运行状态下,采集足够数量的中心正常声信号作为正常数据样本。然后,对正常数据样本进行时频分析、小波变换等,提取声信号的时域特征、频域特征、时频特征等多维特征。随后,根据正常声信号的多维特征构建正常声信号数学模型。
将正常声信号数学模型部署于量子云端中,当接收到新的中心监测声信号集后,将中心监测声信号集,与已构建的正常声信号数学模型进行比较,通过误差大小、相关性等方式判断中心监测声信号集是否符合正常模式。当检测到存在异常的声信号时,提取其中的时频特征、谱特征、相位特征等,构成异常信号的多维异常特征向量,作为中心声信号异常特征。
通过对中心节点监测声信号进行声信号异常特征识别,并提取表示异常运行状态的中心声信号异常特征,为异常验证奠定基础。
基于所述云边协同网络结构将所述第一类连接设备中的各个设备进行监测,获取第一边缘监测声信号集;
在本申请实施例中,在第一类连接设备上相应部署传声传感器,并根据工作场景确定最佳的传感数量、位置、型号参数。并将布设在第一类连接设备上的传声传感器与云边协同网络结构连接,用以控制传声传感器收集第一类连接设备运行时的声音信号。在通过云边协同网络对箱式变压器进行监测的同时,通过布设在第一类连接设备上的传声传感器对第一类连接设备进行声信号采集,得到与中心监测声信号集在同一时间采集的边缘原始声信号集,在与第一类连接设备相连的边缘处理器上对采集的中心原始声信号集进行过滤、放大、A/D转换、帧封装等处理,得到第一边缘监测声信号集。
通过对云边协同网络中第一类连接设备的声信号监测与采集,得到边缘节点的监测信息,为箱式变压器智能识别提供更丰富的数据支持。
将所述第一边缘监测声信号集发送至所述中心节点,并基于所述中心节点所连接的所述量子云端对所述第一边缘监测声信号集进行异常同步验证,获取基于所述中心声信号异常特征的第一异常同步指标;
进一步的,如图2所示,本申请实施例还包括:
获取初始化训练信号集,其中,所述初始化训练信号集通过对所述箱式变压器进行异常模拟测试并记录各个连接设备对应数据变化获取;
对所述初始化训练信号集中各个连接设备对应的变化数据进行变化显著性检验,确定所述第一类连接设备中各个连接设备的第一变量参数,其中,每个连接设备的第一变量参数为变化显著检验根最大的变量参数,变化显著检验根为检验数据变化程度落入预设显著区间内的参数;
根据各个连接设备的第一变量参数进行训练,构建异常同步验证器;
再将所述第一边缘监测声信号集输入所述异常同步验证器中进行异常同步验证。
进一步的,本申请实施例还包括:
对所述各个连接设备进行连接重要性识别,获取所述各个连接设备的重要系数,其中,连接重要性识别用于识别各个连接设备的变化数据与所述箱式变压器参数之间的相关性,所述重要系数为各个连接设备的相关性映射量化在0-1之间得到系数;
通过对各个连接设备的重要系数进行处理,得到用于训练的初始化权重网络层;
获取全连接神经网络,并根据所述初始化权重网络层和所述各个连接设备的第一变量参数对全连接神经网络进行训练,构建所述异常同步验证器。
在一种可行的实施方式中,在获取第一边缘监测声信号集后,将第一边缘监测声信号集通过云边协同网络结构发送至中心节点,中心节点作为中转站将第一边缘监测声信号集通过与量子云端的通信通道传输至量子云端中,以第一边缘监测声信号集进行异常同步验证。
首先,人为对箱式变压器设置异常运行参数,如改变负载、输入电压、温升等,模拟潜在故障状态,作为异常模拟测试方案。然后,以不同的异常模拟测试方案运行箱式变压器,记录与箱式变压器相连的第一类连接设备中各个连接设备的实时检测其工作参数,得到初始化训练信号数据集。之后,在初始化训练信号数据集中,标注出各连接设备因异常模拟引起的参数变化数据,将该这些变化数据与根据经验设置的预设显著区间相比,得到落入预设显著区间内的参数,作为变化显著检验根,认定变化程度达到显著水平的参数。对每一第一类连接设备,选择变化显著性检验通过的参数中变化幅度最大者,即变化显著检验根最大的变量参数,作为该连接设备的第一变量参数。
同时,在云边协同网络拓扑结构中,确认第一类连接设备中的连接设备,并获取所有连接设备在初始化训练样本集中的参数变化数据。之后,根据参数变化数据,采用Pearson相关性分析等方式,计算各连接设备的变化参数与箱式变压器参数间的相关系数,得到各连接设备与箱式变压器参数的关联度。随后,根据获取的关联度,将各连接设备的关联性映射量化为0-1之间的系数上,得到各个连接设备的重要系数。此后,按照连接设备的网络拓扑顺序,用重要系数构成一个维度等同设备数的向量,将该向量映射为训练全连接神经网络模型的输入层到第一隐藏层的权重参数矩阵,即初始化权重网络层。
在获取初始化权重网络层和所述各个连接设备的第一变量参数后,确定采用包含多个隐藏层的全连接神经网络结构,将初始化权重网络层导入全连接神经网络,应用到输入层到第一隐藏层之间。然后,按一定比例将各连接设备的第一变量参数切分为训练集、验证集和测试集,逐批次输入第一变量参数,在全连接神经网络中进行正向传播,得到网络实际输出。计算网络实际输出与第一变量参数的误差,并通过梯度下降算法更新网络参数,得到性能指标符合要求的全连接神经网络,存储为异常同步验证器。将异常同步验证器部署于量子云端中,当量子云端接收到由中心节点转送的第一边缘监测声信号集时,将第一边缘监测声信号集输入至异常同步验证器,获取异常同步验证器输出的结果,作为第一异常同步指标,反映在中心监测声信号集出现中心声信号异常特征时,第一边缘监测声信号集中的同步异常特征。
当所述第一异常同步指标满足预设异常同步指标,生成预警信号。
在本申请实施例中,为实现对箱式变压器故障的灵敏准确预警,在得到第一异常同步指标后,使用0-1正则化等技术,调整第一异常同步指标到数值比较的统一量纲。预先根据专家经验以及设备标称参数,确定判定异常关联的量化指标阈值,作为预设异常同步指标。之后,将正则化后的第一异常同步指标与预设异常同步指标进行对比,当第一异常同步指标大于或等于预设异常同步指标时,即为第一异常同步指标满足预设异常同步指标时,触发产生预警信号,该预警信号明确指出是哪台箱式变压器及其相关的第一类连接设备中的哪台连接设备检测到的参数异常,并提供第一异常同步指标的具体数值,以及与预设异常同步指标的对比结果。
通过在第一异常同步指标满足预设异常同步指标时,生成预警信号,实现基于云边协同的箱式变压器智能监测,与仅针对箱式变压器进行单一监测,大大提高了箱式变压器在监测过程中的准确性,有效降低预警误报率。
进一步的,本申请实施例还包括:
获取第二类连接设备,其中,所述第一类连接设备与所述箱式变压器直接连接,所述第二类连接设备与所述第一类连接设备直接连接,所述第二类连接设备与所述箱式变压器间隔连接;
将所述第二类连接设备作为所述第一类连接设备的边缘节点,更新云边协同网络结构;
根据更新后的云边协同网络结构对所述第二类连接设备进行监测,获取第二边缘监测声信号集。
在一种可行的实施方式中,在已获取与箱式变压器直接连接的第一类连接设备的基础上,进一步扩展监测范围,获取与第一类连接设备直接相连、但与箱式变压器为间接连接的第二类连接设备。其中,第一类连接设备由于与箱式变压器直接相连,能够进行运行状态验证;第二类连接设备与箱式变压器并无直接连接,它们之间通过第一类连接设备中继。但第二类连接设备的工作状态也会由于箱式变压器的运行产生间接影响,因此选取与第一类连接设备直接相连的第二类连接设备,并纳入监测对象范围之中,以构建一个扩展的云边协同网络架构,实现多级边缘信息的统一采集。
在确定第二类连接设备后,将其指定为新的边缘二级节点,与对应的第一类连接设备在云边协同网络结构中的边缘节点建立相应的边缘联系,重新绘制云边协同网络结构的层级拓扑关系图,得到更新后的云边协同网络结构。之后,在第二类连接设备上安装传声传感器,并将布设在第二类连接设备上的传声传感器与云边协同网络结构连接,用以控制传声传感器收集第二类连接设备运行时的声音信号。当通过云边协同网络结构对箱式变压器与第一类连接设备进行监测的同时,通过云边协同网络结构控制布设在第二类连接设备的传声传感器采集第二类连接设备的声音信号,并对所采集的信号进行去噪、滤波等处理,得到第二边缘监测数据集。
通过扩展监测范围获取更多边缘设备状态信息的方式,更新云边协同网络结构,构成云边协同网络结构中多级拓扑的监测体系,并对扩展的二级边缘设备的状态监测采集,形成具有更丰富设备层次信息的数据集,提升箱式变压器监测的可靠性与准确性。
进一步的,本申请实施例还包括:
将所述第二边缘监测声信号集经由所述第一类连接设备的边缘节点上传至所述中心节点,并基于所述中心节点所连接的所述量子云端对所述第二边缘监测声信号集进行异常同步验证,获取基于所述中心声信号异常特征的第二异常同步指标;
当所述第一异常同步指标满足所述预设异常同步指标,且所述第二异常同步指标满足所述预设异常同步指标时,生成预警信号。
在一种优选的实施方式中,在获取第二类连接设备的第二边缘监测声信号集,通过云边协同网络结构将第二边缘监测声信号集发送至第一类连接设备的边缘节点,再由第一类连接设备的边缘节点转发至中心节点,中心节点接收第二边缘监测声信号集后,通过与量子云端的通信通道将第二边缘监测声信号集传输至量子云端。随后,量子云端基于预先构建的异常同步验证器对第二边缘监测声信号集进行验证,确定与中心节点异常特征同时发生在第二类连接设备上的第二异常同步指标。
随后,同时提取第一异常同步指标与第二异常同步指标,同步判断第一异常同步指标与第二异常同步指标分别与预设异常同步指标的关系,当第一异常同步指标满足预设异常同步指标,且第二异常同步指标同样满足预设异常同步指标时,确定箱式变压器为异常状态,此时发出相应的预警信号。
通过构建二级边缘的云边协同网络结构,获取了更丰富的设备运行状态数据集,并在此基础上对箱式变压器实现更全面的层级异常同步验证监测机制,大幅提高对箱式变压器监测的准确率,降低预警误报概率。
进一步的,本申请实施例还包括:
通过对所述第一边缘监测声信号集进行自相关异常检测,获取所述第一边缘监测声信号集的自相关异常监测声信号集;
将所述自相关异常监测声信号集从所述第一边缘监测声信号集进行剔除,获取筛选后的第一边缘监测声信号集;
将筛选后的第一边缘监测声信号集发送至所述中心节点,并基于所述中心节点所连接的所述量子云端对所述第一边缘监测声信号集进行异常同步验证。
在一种优选的实施方式中,首先,在获取第一边缘监测声信号集后,在第一边缘监测声信号集中取出声信号时间序列,遍历每一个声信号时间序列,计算各个时刻之间信号的线性自相关系数。随后,分析自相关系数的数值分布,截取出判定为自相关系数高的对应信号段落,作为自相关异常监测信号集。之后,读取第一边缘监测声信号集和自相关异常监测声信号集,在第一边缘监测声信号集的时间轴上,对比寻找自相关异常信号集中的片段,从第一边缘监测声信号集中准确剔除对应找到的自相关异常监测声信号集,形成筛选后的第一边缘监测声信号集,实现有针对性的自相关噪声消除,有效减少信号干扰,提高了第一边缘监测声信号集的质量,使最终的异常同步验证结果更加准确可靠。
在获取筛选后的第一边缘监测声信号集后,将筛选后的第一边缘监测声信号集基于云边协同网络结果传输至中心节点,并由中间节点将筛选后的第一边缘监测声信号集传输至量子云端,再由量子云端调用异常同步验证器对筛选后的第一边缘监测声信号集进行异常同步验证。
通过对第一边缘监测声信号集进行自相关异常检测后,剔除自相关异常监测声信号集,得到筛选后的第一边缘监测声信号集,消除信号干扰,提高异常同步验证的准确性,同时提高第一边缘监测声信号集的传输效率,从而提高监测效率。
进一步的,本申请实施例还包括:
将所述第二边缘监测声信号集传输至所述第一类连接设备对应的边缘节点时,根据所述第一边缘监测声信号集的自相关异常监测声信号集对所述第二边缘监测声信号集进行数据异常同步检测,得到所述第二边缘监测声信号集中由于所述第一边缘监测声信号集自相关异常对应的协同异常信号集;
将所述协同异常信号集从所述第二边缘监测声信号集进行剔除,获取筛选后的第二边缘监测声信号集;
将筛选后的第二边缘监测声信号集经由所述第一类连接设备的边缘节点上传至所述中心节点。
在一种可行的实施方式中,将第二边缘监测声信号集传输至第一类连接设备对应的边缘节点后,在该边缘节点,同时读取第一边缘监测声信号集的自相关异常监测声信号集以及第二边缘监测声信号集,在第二边缘监测声信号集上,截取与自相关异常监测声信号集时间相同的信号段,计算自相关异常监测声信号集与从第二边缘监测声信号集截取下来的信号的相关性,判断是否达到异步关联程度。当异步关联程度超过根据经验设置的关联阈值时,将对应的信号段作为协同异常成分,添加至协同异常信号集中。
随后,在第二边缘监测声信号集中查找协同异常信号集中对应的信号段,并将这部分信号段在第二边缘监测声信号集中删除,待删除完包含协同异常信号集中所有的信号段后,得到筛选后的第二边缘监测声信号集。当进行异常同步验证时,将筛选后的第二边缘监测声信号集根据云边协同网络结构,由第一类连接设备的边缘节点传输至中心节点,之后进行异常同步验证。
通过对第二边缘监测声信号集中的协同异常信号进行剔除,得到筛选后的第二边缘监测声信号集,更好地降低无关数据的干扰,提升对箱式变压器监测分析的准确性。
综上所述,本申请实施例所提供的基于云边协同的箱式变压器智能监测辅助方法具有如下技术效果:
获取与箱式变压器连接的第一类连接设备,为构建云边协同网络提供支持。将所述箱式变压器作为中心节点,将所述第一类连接设备作为边缘节点,生成云边协同网络结构,基于网络的协同监测与数据传输提供基础。基于所述云边协同网络结构对所述中心节点进行监测,获取中心监测声信号集,是获取箱式变压器本身的状态特征,为后续异常识别提供基准依据。对所述中心监测声信号集进行声信号异常特征识别,获取中心声信号异常特征,判断箱式变压器是否发生异常或故障。基于所述云边协同网络结构将所述第一类连接设备中的各个设备进行监测,获取第一边缘监测声信号集,获取连接设备的外部辅助数据,为异步验证提供参照来源。将所述第一边缘监测声信号集发送至所述中心节点,并基于所述中心节点所连接的所述量子云端对所述第一边缘监测声信号集进行异常同步验证,获取基于所述中心声信号异常特征的第一异常同步指标,通过异步验证提高判断准确性。当所述第一异常同步指标满足预设异常同步指标,生成准确可靠预警信号,降低预警误报率,保证系统安全可靠地运行。
实施例二
基于与前述实施例中基于云边协同的箱式变压器智能监测辅助方法相同的发明构思,如图3所示,本申请实施例提供了基于云边协同的箱式变压器智能监测辅助系统,该系统包括:
第一类连接设备模块11,用于获取与箱式变压器连接的第一类连接设备,其中,所述第一类连接设备至少包括两个设备;
云边网络生成模块12,用于将所述箱式变压器作为中心节点,将所述第一类连接设备作为边缘节点,生成云边协同网络结构;
中心信号获取模块13,用于基于所述云边协同网络结构对所述中心节点进行监测,获取中心监测声信号集,其中,所述中心节点的箱式变压器与量子云端通信连接;
中心异常识别模块14,用于对所述中心监测声信号集进行声信号异常特征识别,获取中心声信号异常特征;
边缘信号获取模块15,用于基于所述云边协同网络结构将所述第一类连接设备中的各个设备进行监测,获取第一边缘监测声信号集;
异常同步验证模块16,用于将所述第一边缘监测声信号集发送至所述中心节点,并基于所述中心节点所连接的所述量子云端对所述第一边缘监测声信号集进行异常同步验证,获取基于所述中心声信号异常特征的第一异常同步指标;
预警信号生成模块17,用于当所述第一异常同步指标满足预设异常同步指标,生成预警信号。
进一步的,本申请实施例还包括第二类连接设备模块,该模块包括以下执行步骤:
获取第二类连接设备,其中,所述第一类连接设备与所述箱式变压器直接连接,所述第二类连接设备与所述第一类连接设备直接连接,所述第二类连接设备与所述箱式变压器间隔连接;
将所述第二类连接设备作为所述第一类连接设备的边缘节点,更新云边协同网络结构;
根据更新后的云边协同网络结构对所述第二类连接设备进行监测,获取第二边缘监测声信号集。
进一步的,第二类连接设备模块还包括以下执行步骤:
将所述第二边缘监测声信号集经由所述第一类连接设备的边缘节点上传至所述中心节点,并基于所述中心节点所连接的所述量子云端对所述第二边缘监测声信号集进行异常同步验证,获取基于所述中心声信号异常特征的第二异常同步指标;
当所述第一异常同步指标满足所述预设异常同步指标,且所述第二异常同步指标满足所述预设异常同步指标时,生成预警信号。
进一步的,异常同步验证模块16包括以下执行步骤:
获取初始化训练信号集,其中,所述初始化训练信号集通过对所述箱式变压器进行异常模拟测试并记录各个连接设备对应数据变化获取;
对所述初始化训练信号集中各个连接设备对应的变化数据进行变化显著性检验,确定所述第一类连接设备中各个连接设备的第一变量参数,其中,每个连接设备的第一变量参数为变化显著检验根最大的变量参数,变化显著检验根为检验数据变化程度落入预设显著区间内的参数;
根据各个连接设备的第一变量参数进行训练,构建异常同步验证器;
再将所述第一边缘监测声信号集输入所述异常同步验证器中进行异常同步验证。
进一步的,异常同步验证模块16还包括以下执行步骤:
对所述各个连接设备进行连接重要性识别,获取所述各个连接设备的重要系数,其中,连接重要性识别用于识别各个连接设备的变化数据与所述箱式变压器参数之间的相关性,所述重要系数为各个连接设备的相关性映射量化在0-1之间得到系数;
通过对各个连接设备的重要系数进行处理,得到用于训练的初始化权重网络层;
获取全连接神经网络,并根据所述初始化权重网络层和所述各个连接设备的第一变量参数对全连接神经网络进行训练,构建所述异常同步验证器。
进一步的,本申请实施例还包括第一边缘监测声信号集筛选模块,该模块包括以下执行步骤:
通过对所述第一边缘监测声信号集进行自相关异常检测,获取所述第一边缘监测声信号集的自相关异常监测声信号集;
将所述自相关异常监测声信号集从所述第一边缘监测声信号集进行剔除,获取筛选后的第一边缘监测声信号集;
将筛选后的第一边缘监测声信号集发送至所述中心节点,并基于所述中心节点所连接的所述量子云端对所述第一边缘监测声信号集进行异常同步验证。
进一步的,本申请实施例还包括第二边缘监测声信号集筛选模块,该模块包括以下执行步骤:
将所述第二边缘监测声信号集传输至所述第一类连接设备对应的边缘节点时,根据所述第一边缘监测声信号集的自相关异常监测声信号集对所述第二边缘监测声信号集进行数据异常同步检测,得到所述第二边缘监测声信号集中由于所述第一边缘监测声信号集自相关异常对应的协同异常信号集;
将所述协同异常信号集从所述第二边缘监测声信号集进行剔除,获取筛选后的第二边缘监测声信号集;
将筛选后的第二边缘监测声信号集经由所述第一类连接设备的边缘节点上传至所述中心节点。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中,并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法,在此不做多余限制。
进一步的,综上所述的第一或第二可能不止代表次序关系,也可能代表某项特指概念,和/或指的是多个元素之间可单独或全部选择。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (6)
1.基于云边协同的箱式变压器智能监测辅助方法,其特征在于,所述方法包括:
获取与箱式变压器连接的第一类连接设备,其中,所述第一类连接设备至少包括两个设备;
将所述箱式变压器作为中心节点,将所述第一类连接设备作为边缘节点,生成云边协同网络结构;
基于所述云边协同网络结构对所述中心节点进行监测,获取中心监测声信号集,其中,所述中心节点的箱式变压器与量子云端通信连接;
对所述中心监测声信号集进行声信号异常特征识别,获取中心声信号异常特征;
基于所述云边协同网络结构将所述第一类连接设备中的各个设备进行监测,获取第一边缘监测声信号集;
将所述第一边缘监测声信号集发送至所述中心节点,并基于所述中心节点所连接的所述量子云端对所述第一边缘监测声信号集进行异常同步验证,获取基于所述中心声信号异常特征的第一异常同步指标;
当所述第一异常同步指标满足预设异常同步指标,生成预警信号;
所述中心节点所连接的所述量子云端对所述第一边缘监测声信号集进行异常同步验证,包括:
获取初始化训练信号集,其中,所述初始化训练信号集通过对所述箱式变压器进行异常模拟测试并记录各个连接设备对应数据变化获取;
对所述初始化训练信号集中各个连接设备对应的变化数据进行变化显著性检验,确定所述第一类连接设备中各个连接设备的第一变量参数,其中,每个连接设备的第一变量参数为变化显著检验根最大的变量参数,变化显著检验根为检验数据变化程度落入预设显著区间内的参数;
根据各个连接设备的第一变量参数进行训练,构建异常同步验证器;
再将所述第一边缘监测声信号集输入所述异常同步验证器中进行异常同步验证;
所述构建异常同步验证器包括:
对所述各个连接设备进行连接重要性识别,获取所述各个连接设备的重要系数,其中,连接重要性识别用于识别各个连接设备的变化数据与所述箱式变压器参数之间的相关性,所述重要系数为各个连接设备的相关性映射量化在0-1之间得到系数;
通过对各个连接设备的重要系数进行处理,得到用于训练的初始化权重网络层;
获取全连接神经网络,并根据所述初始化权重网络层和所述各个连接设备的第一变量参数对全连接神经网络进行训练,构建所述异常同步验证器。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
获取第二类连接设备,其中,所述第一类连接设备与所述箱式变压器直接连接,所述第二类连接设备与所述第一类连接设备直接连接,所述第二类连接设备与所述箱式变压器间隔连接;
将所述第二类连接设备作为所述第一类连接设备的边缘节点,更新云边协同网络结构;
根据更新后的云边协同网络结构对所述第二类连接设备进行监测,获取第二边缘监测声信号集。
3.如权利要求2所述的方法,其特征在于,所述获取第二边缘监测声信号集后,方法包括:
将所述第二边缘监测声信号集经由所述第一类连接设备的边缘节点上传至所述中心节点,并基于所述中心节点所连接的所述量子云端对所述第二边缘监测声信号集进行异常同步验证,获取基于所述中心声信号异常特征的第二异常同步指标;
当所述第一异常同步指标满足所述预设异常同步指标,且所述第二异常同步指标满足所述预设异常同步指标时,生成预警信号。
4.如权利要求1所述的方法,其特征在于,基于所述中心节点所连接的所述量子云端对所述第一边缘监测声信号集进行异常同步验证包括:
通过对所述第一边缘监测声信号集进行自相关异常检测,获取所述第一边缘监测声信号集的自相关异常监测声信号集;
将所述自相关异常监测声信号集从所述第一边缘监测声信号集进行剔除,获取筛选后的第一边缘监测声信号集;
将筛选后的第一边缘监测声信号集发送至所述中心节点,并基于所述中心节点所连接的所述量子云端对所述第一边缘监测声信号集进行异常同步验证。
5.如权利要求3所述的方法,其特征在于,将所述第二边缘监测声信号集经由所述第一类连接设备的边缘节点上传至所述中心节点,包括:
将所述第二边缘监测声信号集传输至所述第一类连接设备对应的边缘节点时,根据所述第一边缘监测声信号集的自相关异常监测声信号集对所述第二边缘监测声信号集进行数据异常同步检测,得到所述第二边缘监测声信号集中由于所述第一边缘监测声信号集自相关异常对应的协同异常信号集;
将所述协同异常信号集从所述第二边缘监测声信号集进行剔除,获取筛选后的第二边缘监测声信号集;
将筛选后的第二边缘监测声信号集经由所述第一类连接设备的边缘节点上传至所述中心节点。
6.基于云边协同的箱式变压器智能监测辅助系统,其特征在于,用于实施权利要求1-5任意一项所述的基于云边协同的箱式变压器智能监测辅助方法,所述系统包括:
第一类连接设备模块,所述第一类连接设备模块用于获取与箱式变压器连接的第一类连接设备,其中,所述第一类连接设备至少包括两个设备;
云边网络生成模块,所述云边网络生成模块用于将所述箱式变压器作为中心节点,将所述第一类连接设备作为边缘节点,生成云边协同网络结构;
中心信号获取模块,所述中心信号获取模块用于基于所述云边协同网络结构对所述中心节点进行监测,获取中心监测声信号集,其中,所述中心节点的箱式变压器与量子云端通信连接;
中心异常识别模块,所述中心异常识别模块用于对所述中心监测声信号集进行声信号异常特征识别,获取中心声信号异常特征;
边缘信号获取模块,所述边缘信号获取模块用于基于所述云边协同网络结构将所述第一类连接设备中的各个设备进行监测,获取第一边缘监测声信号集;
异常同步验证模块,所述异常同步验证模块用于将所述第一边缘监测声信号集发送至所述中心节点,并基于所述中心节点所连接的所述量子云端对所述第一边缘监测声信号集进行异常同步验证,获取基于所述中心声信号异常特征的第一异常同步指标;
预警信号生成模块,所述预警信号生成模块用于当所述第一异常同步指标满足预设异常同步指标,生成预警信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410309870.0A CN117914003B (zh) | 2024-03-19 | 2024-03-19 | 基于云边协同的箱式变压器智能监测辅助方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410309870.0A CN117914003B (zh) | 2024-03-19 | 2024-03-19 | 基于云边协同的箱式变压器智能监测辅助方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117914003A CN117914003A (zh) | 2024-04-19 |
CN117914003B true CN117914003B (zh) | 2024-05-24 |
Family
ID=90685537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410309870.0A Active CN117914003B (zh) | 2024-03-19 | 2024-03-19 | 基于云边协同的箱式变压器智能监测辅助方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117914003B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784026A (zh) * | 2020-05-28 | 2020-10-16 | 国网信通亿力科技有限责任公司 | 基于云边端协同感知的变电站电气设备全方位体检系统 |
CN113408087A (zh) * | 2021-05-25 | 2021-09-17 | 国网湖北省电力有限公司检修公司 | 一种基于云边系统和视频智能分析的变电站巡视方法 |
CN114202198A (zh) * | 2021-12-10 | 2022-03-18 | 青岛青特众力车桥有限公司 | 云边缘协同计算的智慧驱动桥健康监测系统及其方法 |
CN114495983A (zh) * | 2022-02-21 | 2022-05-13 | 安徽南瑞继远电网技术有限公司 | 一种基于云边协同的设备故障声纹监测系统 |
CN115389865A (zh) * | 2022-08-16 | 2022-11-25 | 中国电力科学研究院有限公司 | 基于云边端协同架构的电力设备故障诊断方法及系统 |
CN115588439A (zh) * | 2022-12-13 | 2023-01-10 | 杭州兆华电子股份有限公司 | 一种基于深度学习的声纹采集装置的故障检测方法及装置 |
CN115603446A (zh) * | 2022-08-03 | 2023-01-13 | 国网重庆市电力公司市南供电分公司(Cn) | 基于卷积神经网络和云边协同作用的配电台区运行监测系统 |
WO2023030513A1 (zh) * | 2021-09-05 | 2023-03-09 | 汉熵通信有限公司 | 物联网系统 |
CN116566039A (zh) * | 2023-03-31 | 2023-08-08 | 中国电力科学研究院有限公司 | 一种基于云边端协同感知的输电线路监测系统及方法 |
CN116702038A (zh) * | 2023-06-09 | 2023-09-05 | 浙江英集动力科技有限公司 | 基于云边协同的能源站高频数据采集和异常状态识别方法 |
CN116909339A (zh) * | 2023-09-14 | 2023-10-20 | 厘壮信息科技(苏州)有限公司 | 基于人工智能的智能家居安全预警方法及系统 |
CN117029900A (zh) * | 2023-10-10 | 2023-11-10 | 苏州中电科启计量检测技术有限公司 | 一种基于动态多路同步检测的计量仪表检测方法 |
CN117240734A (zh) * | 2023-09-06 | 2023-12-15 | 深圳供电局有限公司 | 云边协同方法、系统、计算机设备和存储介质 |
CN117235443A (zh) * | 2023-09-19 | 2023-12-15 | 南方电网数字平台科技(广东)有限公司 | 一种基于边缘ai的电力作业安全监测方法及系统 |
WO2023245990A1 (zh) * | 2022-06-24 | 2023-12-28 | 南方电网调峰调频发电有限公司储能研究院 | 一种多元信息融合的发电厂电气设备分类与异常检测方法 |
CN117475593A (zh) * | 2023-12-26 | 2024-01-30 | 江苏濠汉信息技术有限公司 | 用电终端负载异常的超前智能预警方法及装置 |
CN117601926A (zh) * | 2023-11-24 | 2024-02-27 | 北京交通大学 | 一种牵引电传动和安全监测设备的协同监测装置和系统 |
-
2024
- 2024-03-19 CN CN202410309870.0A patent/CN117914003B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784026A (zh) * | 2020-05-28 | 2020-10-16 | 国网信通亿力科技有限责任公司 | 基于云边端协同感知的变电站电气设备全方位体检系统 |
CN113408087A (zh) * | 2021-05-25 | 2021-09-17 | 国网湖北省电力有限公司检修公司 | 一种基于云边系统和视频智能分析的变电站巡视方法 |
WO2023030513A1 (zh) * | 2021-09-05 | 2023-03-09 | 汉熵通信有限公司 | 物联网系统 |
CN114202198A (zh) * | 2021-12-10 | 2022-03-18 | 青岛青特众力车桥有限公司 | 云边缘协同计算的智慧驱动桥健康监测系统及其方法 |
CN114495983A (zh) * | 2022-02-21 | 2022-05-13 | 安徽南瑞继远电网技术有限公司 | 一种基于云边协同的设备故障声纹监测系统 |
WO2023245990A1 (zh) * | 2022-06-24 | 2023-12-28 | 南方电网调峰调频发电有限公司储能研究院 | 一种多元信息融合的发电厂电气设备分类与异常检测方法 |
CN115603446A (zh) * | 2022-08-03 | 2023-01-13 | 国网重庆市电力公司市南供电分公司(Cn) | 基于卷积神经网络和云边协同作用的配电台区运行监测系统 |
CN115389865A (zh) * | 2022-08-16 | 2022-11-25 | 中国电力科学研究院有限公司 | 基于云边端协同架构的电力设备故障诊断方法及系统 |
CN115588439A (zh) * | 2022-12-13 | 2023-01-10 | 杭州兆华电子股份有限公司 | 一种基于深度学习的声纹采集装置的故障检测方法及装置 |
CN116566039A (zh) * | 2023-03-31 | 2023-08-08 | 中国电力科学研究院有限公司 | 一种基于云边端协同感知的输电线路监测系统及方法 |
CN116702038A (zh) * | 2023-06-09 | 2023-09-05 | 浙江英集动力科技有限公司 | 基于云边协同的能源站高频数据采集和异常状态识别方法 |
CN117240734A (zh) * | 2023-09-06 | 2023-12-15 | 深圳供电局有限公司 | 云边协同方法、系统、计算机设备和存储介质 |
CN116909339A (zh) * | 2023-09-14 | 2023-10-20 | 厘壮信息科技(苏州)有限公司 | 基于人工智能的智能家居安全预警方法及系统 |
CN117235443A (zh) * | 2023-09-19 | 2023-12-15 | 南方电网数字平台科技(广东)有限公司 | 一种基于边缘ai的电力作业安全监测方法及系统 |
CN117029900A (zh) * | 2023-10-10 | 2023-11-10 | 苏州中电科启计量检测技术有限公司 | 一种基于动态多路同步检测的计量仪表检测方法 |
CN117601926A (zh) * | 2023-11-24 | 2024-02-27 | 北京交通大学 | 一种牵引电传动和安全监测设备的协同监测装置和系统 |
CN117475593A (zh) * | 2023-12-26 | 2024-01-30 | 江苏濠汉信息技术有限公司 | 用电终端负载异常的超前智能预警方法及装置 |
Non-Patent Citations (2)
Title |
---|
A State Diagnosis Method for Distribution Transformer Device Based on Cloud Edge Collaboration;Bo Xiang,等;2023 5th International Conference on Electrical Engineering and Control Technologies (CEECT);20240206;第416-420页 * |
云边协同下基于深度迁移网络的配电台区异常工况诊断方法;范敏,等;《电机与控制学报》;20230131;第27卷(第1期);第129-137页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117914003A (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111325095B (zh) | 基于声波信号的设备健康状态智能检测方法和系统 | |
US20180357542A1 (en) | 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method | |
CN114399066B (zh) | 基于弱监督学习的机械设备预知性维护系统和维护方法 | |
CN113776794A (zh) | 一种嵌入式边缘计算的故障诊断方法、装置和系统 | |
CN116614177B (zh) | 一种光纤状态多维度参量监测系统 | |
CN116684878B (zh) | 一种5g信息传输数据安全监测系统 | |
CN115013298A (zh) | 污水泵的实时性能在线监测系统及其监测方法 | |
CN113992350A (zh) | 基于深度学习的智能电网虚假数据注入攻击的检测系统 | |
CN111444233B (zh) | 基于复制器神经网络模型发现环境监测异常数据的方法 | |
CN115396204A (zh) | 一种基于序列预测的工控网络流量异常检测方法及装置 | |
CN111030299A (zh) | 一种基于边信道的电网嵌入式终端安全监测方法及系统 | |
CN117556359A (zh) | 配电设备健康状态评估系统及方法 | |
CN117708550A (zh) | 一种电力大数据自动化数据分析及模型构建方法 | |
CN116933895B (zh) | 一种基于机器学习的物联网数据挖掘方法及系统 | |
CN117914003B (zh) | 基于云边协同的箱式变压器智能监测辅助方法及系统 | |
CN114443612A (zh) | 数据筛选系统、数据选择方法及应用其的状态预测系统 | |
CN117368651A (zh) | 一种配电网故障综合分析系统及方法 | |
CN117110794A (zh) | 一种电缆故障智能诊断系统及方法 | |
CN115473748B (zh) | 基于BiLSTM-ELM的DDoS攻击分类检测方法、装置及设备 | |
CN115310499B (zh) | 一种基于数据融合的工业设备故障诊断系统及方法 | |
CN114492146B (zh) | 基于迁移学习的螺栓群松动定位和定量分析方法及系统 | |
CN110874506A (zh) | 一种低温设备故障预测的方法 | |
CN114205855A (zh) | 一种面向5g切片的馈线自动化业务网络异常检测方法 | |
CN111654327A (zh) | 一种面向光缆纤芯远程管理控制的业务特征提取方法 | |
CN117811905B (zh) | 一种基于云平台的光纤通信信道管理方法及系统 |
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 |