CN117951585A - 一种电力设备运行状态实时检测方法及系统 - Google Patents
一种电力设备运行状态实时检测方法及系统 Download PDFInfo
- Publication number
- CN117951585A CN117951585A CN202410353504.5A CN202410353504A CN117951585A CN 117951585 A CN117951585 A CN 117951585A CN 202410353504 A CN202410353504 A CN 202410353504A CN 117951585 A CN117951585 A CN 117951585A
- Authority
- CN
- China
- Prior art keywords
- space
- time
- data
- module
- power equipment
- 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 38
- 238000011897 real-time detection Methods 0.000 title claims description 14
- 238000001514 detection method Methods 0.000 claims abstract description 82
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 230000006870 function Effects 0.000 abstract description 27
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开一种电力设备运行状态实时检测方法及系统,涉及电力设备检测技术领域,方法为:实时获取设定时间段内电力设备运行的多种状态变量数据,构造时空序列数据;将预处理后的时空序列数据输入至检测模型中,输入数据依次通过检测模型中的空间特征提取模块和时空注意力模块提取时空特征,再通过分类模块输出运行状态检测结果;其中,分类模块采用包括两个并行全连接层的多层感知机,一个全连接层用于进行数据投影,另一个全连接层用于进行状态分类,检测模型训练过程中的投影结果和分类结果分别应用于对比损失函数和交叉熵损失函数的计算。本发明利用基于对比学习训练的检测模型,提取多种状态变量数据的时空特征,实现更准确的状态检测。
Description
技术领域
本发明涉及电力设备检测技术领域,尤其涉及一种电力设备运行状态实时检测方法及系统。
背景技术
电力设备包括发电设备和供电设备,其中发电设备主要包括蒸汽轮机、燃气轮机、发电机、变压器等,供电设备主要包括各种电压等级的输电线路、互感器、接触器等,电力设备工作状况的稳定性对电网系统的安全正常运行十分重要,进而实时检测电力设备运行状态是十分必要的。
传统的运行状态检测主要依靠监控系统和人工检查,通过安装在电力设备上的传感器实时监测电力参数,如电压、电流等,当监测到实时数据超过预设值时则判定为异常,并通过人工检查来进一步确定电力设备运行状态。然而,电力系统中电力设备在运行过程中会产生大量数据,包括电气参数、环境参数和事件数据等,这一往往无法充分利用这些数据来提高状态检测的准确性和效率,其自适应能力弱,且具有较高的误判概率。
随着机器学习的发展,逐步将深度学习算法应用到电力设备智能运行方式的研究中,实现更高效准确的状态检测。目前,通常利用卷积神经网络CNN处理电力设备的运行数据,例如电流、电压信号等,自动提取运行数据特征,以此为状态检测提供依据。然而,现有方式无法充分处理电力运行状态相关数据复杂多样的特点,导致预测及特征提取不准确、效率较低;另一方面,在电网真实运维环境中,电力设备的正常运行状态远多于异常状态,少量的异常状态数据容易在大量正常状态数据中被掩盖,导致类别间不平衡,进而训练获取的检测模型其检测结果存在偏差,其准确性较差。
发明内容
为解决上述现有技术的不足,本发明提供了一种电力设备运行状态实时检测方法及系统,通过对比学习的方式训练检测模型,解决训练数据样本之间类别不平衡而导致检测模型最终检测结果准确性差的问题,并利用该检测模型对与电力设备运行状态相关的多种状态变量数据进行全面的时间和空间两维度的特征提取,基于提取的特征进行分类,以此实现更准确的电力设备运行状态检测。
第一方面,本发明提供了一种电力设备运行状态实时检测方法及系统。
一种电力设备运行状态实时检测方法,包括:
实时获取设定时间段内电力设备运行的多种状态变量数据,构造时空序列数据;
对时空序列数据进行预处理;
将预处理后的时空序列数据输入至训练完成的检测模型中,输入数据依次通过检测模型中的空间特征提取模块和时空注意力模块提取时空特征,再通过分类模块输出电力设备运行状态的检测结果;
其中,所述分类模块采用包括两个并行全连接层的多层感知机,一个全连接层用于进行数据投影,另一个全连接层用于进行状态分类,检测模型训练过程中的投影结果和分类结果分别应用于对比损失函数和交叉熵损失函数的计算。
进一步的技术方案,所述状态变量数据包括电力设备运行时的温度、电流、电压、环境温度、环境湿度、设备负载、设备振动幅值。
第二方面,本发明提供了一种电力设备运行状态实时检测系统。
一种电力设备运行状态实时检测系统,包括:
数据获取模块,用于实时获取设定时间段内电力设备运行的多种状态变量数据,构造时空序列数据;
数据预处理模块,用于对时空序列数据进行预处理;
检测模块,用于将预处理后的时空序列数据输入至训练完成的检测模型中,输入数据依次通过检测模型中的空间特征提取模块和时空注意力模块提取时空特征,再通过分类模块输出电力设备运行状态的检测结果;
其中,所述分类模块采用包括两个并行全连接层的多层感知机,一个全连接层用于进行数据投影,另一个全连接层用于进行状态分类,检测模型训练过程中的投影结果和分类结果分别应用于对比损失函数和交叉熵损失函数的计算。
进一步的技术方案,所述状态变量数据包括电力设备运行时的温度、电流、电压、环境温度、环境湿度、设备负载、设备振动幅值。
以上一个或多个技术方案存在以下有益效果:
1、本发明提供了一种电力设备运行状态实时检测方法及系统,采用深度学习的方式训练检测模型,利用该检测模型对电力设备运行状态进行实时监测,并考虑到电力设备正常运行的时间及数据量远远大于异常运行,而这一问题影响着训练的检测模型的检测精度,为此,通过对比学习的方式训练检测模型,改进模型训练时的损失函数,解决解决模型训练数据存在的不平衡问题,提高模型的检测准确性。
2、本发明中,采集并分析多种电力设备运行相关状态变量,包括电力设备运行时的温度、电流、电压、环境温度、环境湿度、设备负载和设备振动幅值等,相较于传统的仅根据单一状态变量进行分析处理的方式,能够有效避免数据特征的遗漏,进而提高最终检测的准确性;同时,构建用于提取时空特征的检测模型,通过对上述复杂的电力运行状态相关数据在时间和空间两个维度上的分析处理,提取更全面的数据特征,避免特征提取不准确、不全面而导致最终检测结果准确性差的问题。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例所述电力设备运行状态实时检测方法的流程图;
图2为本发明实施例中检测模型的结构示意图;
图3为本发明实施例中时空注意力模块的结构示意图。
具体实施方式
应该指出,以下详细说明都是示例性的,仅是为了描述具体实施方式,旨在对本发明提供进一步的说明,并非意图限制根据本发明的示例性实施方式。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
本实施例提供了一种基于深度学习的电力设备运行状态实时检测方法,如图1所示,包括:
实时获取设定时间段内电力设备运行的多种状态变量数据,构造时空序列数据;所述状态变量数据包括电力设备运行时的温度、电流、电压、环境温度、环境湿度、设备负载、设备振动幅值;
对时空序列数据进行预处理;
将预处理后的时空序列数据输入至训练完成的检测模型中,输入数据依次通过检测模型中的空间特征提取模块和时空注意力模块提取时空特征,再通过分类模块输出电力设备运行状态的检测结果;
其中,所述分类模块采用包括两个并行全连接层的多层感知机,一个全连接层用于进行数据投影,另一个全连接层用于进行状态分类,检测模型训练过程中的投影结果和分类结果分别应用于对比损失函数和交叉熵损失函数的计算。
通过下述内容对本实施例所提出的基于深度学习的电力设备运行状态检测方法进行更详细的介绍。
步骤S1、获取设定时间段内电力设备运行的多种状态变量数据,构造时空序列数据。考虑到电力设备运行状态的正常与否可通过多种形式体现,且电力设备运行状态往往也与运行时间相关,为了保证最终状态检测的准确性,本实施例采集并分析了一段时间内的多种电力设备运行相关状态变量,包括电力设备运行时的温度、电流、电压、环境温度、环境湿度、设备负载和设备振动幅值等,通过对上述复杂的电力运行状态相关数据在时间和空间维度上进行分析处理,提取更全面的数据特征,避免特征提取不准确、不全面而导致最终检测结果准确性差的问题。
具体的,利用安装在待检测电力设备上的多种传感器,采集多种状态变量的时序数据,以此构建时空序列数据,即原始数据集={/>,/>,...,/>},其中/>={/>,/>,...,}表示第/>个状态变量的时序数据,/>表示状态变量的个数,本实施例中/>=7。
步骤S2、对时空序列数据进行预处理。
具体的,对上述获取的时空序列数据进行数据归一化处理,通过数据归一化来消除不同类型数据之间量纲的影响,同时加快模型训练的收敛速度。根据下式进行离差标准化处理:
;
上式中,分别为样本数据中的最大值和最小值。
作为另一种实施方式,基于不同状态变量对状态检测的影响程度,为时空序列数据中的各状态变量数据分配权重,根据分配权重对归一化处理后的时空序列数据进行更新,得到预处理后的时空序列数据。
考虑到电压、电流、温度等物理量对于电力设备工作状态的体现程度是有所区别的,为了区分不同物理量对于状态类别的影响程度,对时空序列数据进行特征加权。即,采用Critie为各个特征(即状态变量)分配权重,分别使用各状态变量之间的相关系数和状态变量的数据标准差来表示其相关性指标和对比度指标/>,该指标的计算公式为:
;
;
上式中,、/>表示第/> 、/>个状态变量的时序数据,/>、/>分别表示对应的标准差,表示第/>个状态变量数据中的第/>个数据,/>表示第/>个状态变量数据的均值。
通过上述相关性指标和对比度指标,综合衡量各个状态变量的权重,公式为:
;
;
上式中,表示第/>个状态变量的信息量,/>表示第/>个状态变量的权重。
利用计算获取的状态变量的权重乘该状态变量的时空序列数据,得到最终处理完成的数据。
步骤S3、将预处理后的时空序列数据输入至训练完成的检测模型中,输入数据依次通过检测模型中的空间特征提取模块和时空注意力模块提取时空特征,再通过分类模块输出电力设备运行状态的检测结果。
考虑到在实际的生产运行环境中,电力设备运行处于正常状态和异常状态这两种类别时所对应的状态数据不平衡,电力设备正常运行的时间及数据量远远大于异常运行,而这一问题影响着训练的检测模型的检测精度。虽然通过过采样、欠采样、插值和GAN等拓展少数类别的方式可以在一定程度上解决这一问题,但同时也会不可避免地给数据引入了噪音,这对模型的鲁棒性和泛化性提升有限。为此,本实施例提出了一种基于对比学习的状态检测框架,以解决模型训练数据存在的不平衡问题。具体的,本实施例所提出的检测模型如图2所示,包括空间特征提取模块、时空注意力模块和分类模块。其中,数据输入至空间特征提取模块,提取输入数据的空间特征;该空间特征再通过时空注意力模块,提取时空特征;该时空特征通过分类模块,输入最终的状态检测结果。
首先,通过空间特征提取模块提取输入数据的空间特征。本实施例中,采用核主成分分析法提取空间特征,该方法通过引入核函数(包括linear、poly、rbf、sigmoid等核函数),将原来的非线性数据转化为高维空间中的线性可分数据,之后进行主成分分析,提取空间特征。与CNN等深度学习算法相比,采用核主成分分析法提取空间特征,其可以根据特征提取后的特征贡献率来自动选取特征向量,有效避免网络结构参数的设计以及人为因素的影响。
设预处理后的时空序列数据为X={,/>,...,/>},通过非线性函数/>将数据集X映射到高维空间F中,高维空间F中样本的协方差矩阵C为:
;
进一步求解协方差矩阵C的特征值,公式为:
;
上式中,为/>的特征值,/>为对应的特征向量。
在此基础上,引入核函数,将求解/>转化为求解/>中的特征向量/>,即寻找高维核空间的主元方向,其公式为:/>=/>。将求取的特征向量按照特征值(即特征贡献率)由大到小排列,依据特征贡献率取前k行,即特征提取后的空间特征。
其次,在提取全局空间特征后,引入时间和空间注意力机制,即通过时空注意力模块进一步捕捉数据序列在时间和空间上的特征。如图3所示,将空间特征作为时间注意力模块的输入,通过空间注意力机制,得到时间注意力权重矩阵,并将该权重与空间特征(该空间特征为特征矩阵)相乘得到加权特征向量。为进一步提取数据的空间特征,将加权特征向量作为空间注意力模块的输入,将加权特征向量中的各状态变量数据矩阵拉伸为一维特征向量,采用空间注意力机制训练得到空间注意力评分,并通过Softmax函数映射输出注意力权重矩阵/>,将该权重矩阵与加权特征向量相乘,得到最终的时空注意力加权特征矩阵向量,即时空特征。
最后,将时空特征输入至分类模块中,该分类模块采用包括两个并行全连接层的多层感知机,通过该多层感知机进行进一步的数据拟合,多层感知机的输入分别进入两个不同的全连接层,其中一个全连接层用于进行数据投影,另一个全连接层用于进行状态分类,检测模型训练过程中的投影结果和分类结果分别应用于对比损失函数和交叉熵损失函数的计算。需要注意的是,该用于投影的全连接层仅在模型训练阶段应用,在训练完成后,仅使用用于分类的全连接层对电力设备状态进行检测及分类判断。
实际上,本实施例所提出的检测模型的损失函数为基于对比损失函数和交叉熵损失函数混合的损失函数,通过这一设置来加强类别间数据的聚合和不同类别间数据的区分,使得检测模型能够更好的学习不同类别的数据特征,以此来增加模型的检测能力和泛化能力。
本实施例所提出的检测模型,利用神经网络本身的特性来进行数据增。具体的,通过使用多层感知机的Dropout层两次来构建正样本的有监督的对比学习方法。具体的,将相同的样本数据输入检测模型两次,以此来获得相同输入的两种不同特征向量。检测模型的损失函数由两个部分组成,一个是交叉熵损失函数,一个是有监督对比学习损失函数。
由于每次都是将同一样本数据输入到检测模型中两次,因此对于最后参与损失计算的样本总数将是原来的两倍。该检测模型的任务是对电力设备运行状态判断的二分类任务(即分为正常状态和异常状态),采用来表示投影过程,使用/>来表示每个序列样本和它对应的标签,标签的正类为1,负类为0;使用/>表示/>标注的样本为正样本,使用/>表示样本/>为正类的概率,交叉熵损失函数的表达式为:
;
有监督对比学习的损失函数为:
;
上式中,为超参数。
总损失函数是CE和SCL损失的加权平均值,其中通过人工设置调整权重大小,混合损失函数公式为:
L=(1-)/>+/>;
上式中,为超参数,表示权值。
通过上述构建的检测框架及其基于对比学习的训练方式,解决训练数据样本之间类别不平衡而导致检测模型最终检测结果准确性差的问题,同时该检测模型中通过空间特征提取模块和时空注意力模块对电力设备运行状态变量数据进行更全面的分析处理,以此提取更准确的数据特征,进一步保障了模型检测结果的精确性。
实施例二
本实施例提供了一种电力设备运行状态实时检测系统,该系统包括:
数据获取模块,用于实时获取设定时间段内电力设备运行的多种状态变量数据,构造时空序列数据;
数据预处理模块,用于对时空序列数据进行预处理;
检测模块,用于将预处理后的时空序列数据输入至训练完成的检测模型中,输入数据依次通过检测模型中的空间特征提取模块和时空注意力模块提取时空特征,再通过分类模块输出电力设备运行状态的检测结果;
其中,所述分类模块采用包括两个并行全连接层的多层感知机,一个全连接层用于进行数据投影,另一个全连接层用于进行状态分类,检测模型训练过程中的投影结果和分类结果分别应用于对比损失函数和交叉熵损失函数的计算。
以上实施例二中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
以上所述仅为本发明的优选实施例,虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种电力设备运行状态实时检测方法,其特征是,包括:
实时获取设定时间段内电力设备运行的多种状态变量数据,构造时空序列数据;
对时空序列数据进行预处理;
将预处理后的时空序列数据输入至训练完成的检测模型中,输入数据依次通过检测模型中的空间特征提取模块和时空注意力模块提取时空特征,再通过分类模块输出电力设备运行状态的检测结果;
其中,所述分类模块采用包括两个并行全连接层的多层感知机,一个全连接层用于进行数据投影,另一个全连接层用于进行状态分类,检测模型训练过程中的投影结果和分类结果分别应用于对比损失函数和交叉熵损失函数的计算。
2.如权利要求1所述的电力设备运行状态实时检测方法,其特征是,所述状态变量数据包括电力设备运行时的温度、电流、电压、环境温度、环境湿度、设备负载、设备振动幅值。
3.如权利要求1所述的电力设备运行状态实时检测方法,其特征是,对时空序列数据进行预处理,包括:
对获取的时空序列数据进行数据归一化处理;
基于不同状态变量对状态检测的影响程度,为时空序列数据中的各状态变量数据分配权重,根据分配权重对归一化处理后的时空序列数据进行更新,得到预处理后的时空序列数据。
4.如权利要求1所述的电力设备运行状态实时检测方法,其特征是,将数据输入至空间特征提取模块,利用核主成分分析法提取空间特征,包括:
利用非线性函数,将预处理后的时空序列数据映射到高维空间中,并求解高维空间中样本协方差矩阵的特征值;
引入核函数,将求解特征值转化为求解核函数中的特征向量,即寻找高维核空间的主元方向;
将求取的特征向量按照特征值由大到小排列,取前行,获得特征提取后的空间特征。
5.如权利要求4所述的电力设备运行状态实时检测方法,其特征是,所述时空注意力模块包括时间注意力模块和空间注意力模块,时空特征的提取包括:
将空间特征输入至时间注意力模块,得到时间注意力权重矩阵,并将该权重矩阵/>与空间特征相乘得到加权特征向量;
将加权特征向量作为空间注意力模块的输入,将加权特征向量中的各状态变量数据矩阵拉伸为一维特征向量,通过空间注意力机制得到空间注意力评分,并通过Softmax函数映射输出注意力权重矩阵;
将该权重矩阵与加权特征向量相乘,得到最终的时空注意力加权特征矩阵向量,即时空特征。
6.如权利要求1所述的电力设备运行状态实时检测方法,其特征是,所述检测模型的损失函数为基于对比损失函数和交叉熵损失函数的混合损失函数。
7.一种电力设备运行状态实时检测系统,其特征是,包括:
数据获取模块,用于实时获取设定时间段内电力设备运行的多种状态变量数据,构造时空序列数据;
数据预处理模块,用于对时空序列数据进行预处理;
检测模块,用于将预处理后的时空序列数据输入至训练完成的检测模型中,输入数据依次通过检测模型中的空间特征提取模块和时空注意力模块提取时空特征,再通过分类模块输出电力设备运行状态的检测结果;
其中,所述分类模块采用包括两个并行全连接层的多层感知机,一个全连接层用于进行数据投影,另一个全连接层用于进行状态分类,检测模型训练过程中的投影结果和分类结果分别应用于对比损失函数和交叉熵损失函数的计算。
8.如权利要求7所述的电力设备运行状态实时检测系统,其特征是,所述状态变量数据包括电力设备运行时的温度、电流、电压、环境温度、环境湿度、设备负载、设备振动幅值。
9.如权利要求7所述的电力设备运行状态实时检测系统,其特征是,将数据输入至空间特征提取模块,利用核主成分分析法提取空间特征,包括:
利用非线性函数,将预处理后的时空序列数据映射到高维空间中,并求解高维空间中样本协方差矩阵的特征值;
引入核函数,将求解特征值转化为求解核函数中的特征向量,即寻找高维核空间的主元方向;
将求取的特征向量按照特征值由大到小排列,取前行,获得特征提取后的空间特征。
10.如权利要求9所述的电力设备运行状态实时检测系统,其特征是,所述时空注意力模块包括时间注意力模块和空间注意力模块,时空特征的提取包括:
将空间特征输入至时间注意力模块,得到时间注意力权重矩阵,并将该权重矩阵与空间特征相乘得到加权特征向量;
将加权特征向量作为空间注意力模块的输入,将加权特征向量中的各状态变量数据矩阵拉伸为一维特征向量,通过空间注意力机制得到空间注意力评分,并通过Softmax函数映射输出注意力权重矩阵;
将该权重矩阵与加权特征向量相乘,得到最终的时空注意力加权特征矩阵向量,即时空特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410353504.5A CN117951585A (zh) | 2024-03-27 | 2024-03-27 | 一种电力设备运行状态实时检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410353504.5A CN117951585A (zh) | 2024-03-27 | 2024-03-27 | 一种电力设备运行状态实时检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117951585A true CN117951585A (zh) | 2024-04-30 |
Family
ID=90803462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410353504.5A Pending CN117951585A (zh) | 2024-03-27 | 2024-03-27 | 一种电力设备运行状态实时检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117951585A (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060184471A1 (en) * | 2004-12-06 | 2006-08-17 | Katsuki Minamino | Method and apparatus for learning data, method and apparatus for recognizing data, method and apparatus for generating data, and computer program |
CN103065326A (zh) * | 2012-12-26 | 2013-04-24 | 西安理工大学 | 基于时-空多尺度运动注意力分析的目标检测方法 |
CN108388900A (zh) * | 2018-02-05 | 2018-08-10 | 华南理工大学 | 基于多特征融合和时空注意力机制相结合的视频描述方法 |
CN113780060A (zh) * | 2021-07-26 | 2021-12-10 | 华北电力大学(保定) | 一种基于多模态深度学习的高压开关柜态势感知方法 |
CN113988215A (zh) * | 2021-11-15 | 2022-01-28 | 国网四川省电力公司营销服务中心 | 一种配电网计量柜状态检测方法及系统 |
CN115034267A (zh) * | 2022-06-14 | 2022-09-09 | 黄河交通学院 | 融合通道注意力的一维卷积神经网络滚动轴承故障诊断方法 |
CN115293280A (zh) * | 2022-08-17 | 2022-11-04 | 西安交通大学 | 基于时空特征分割重构的动力装备系统异常检测方法 |
CN115937091A (zh) * | 2022-10-24 | 2023-04-07 | 合肥中科融道智能科技有限公司 | 基于可变换patch的变电站设备缺陷图像检测方法 |
US11763485B1 (en) * | 2022-04-20 | 2023-09-19 | Anhui University of Engineering | Deep learning based robot target recognition and motion detection method, storage medium and apparatus |
CN116993681A (zh) * | 2023-07-06 | 2023-11-03 | 国网青海省电力公司海北供电公司 | 一种变电站巡检缺陷检测方法及系统 |
CN117009780A (zh) * | 2023-07-03 | 2023-11-07 | 北京航空航天大学 | 一种基于对比学习的时空频域有效通道注意力运动想象脑电解码方法 |
CN117036417A (zh) * | 2023-09-12 | 2023-11-10 | 南京信息工程大学 | 基于时空模板更新的多尺度Transformer目标跟踪方法 |
CN117095541A (zh) * | 2023-07-19 | 2023-11-21 | 湖州师范学院 | 时空特征融合交通流预测方法、装置、设备及存储介质 |
DE102022208932A1 (de) * | 2022-08-29 | 2024-02-29 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zur prädiktiven Diagnose einer Gerätebatterie eines technischen Geräts mithilfe eines Transformer-Modells |
CN117725491A (zh) * | 2024-02-18 | 2024-03-19 | 四川大学 | 一种基于SCINet的电力系统故障状态检测分类方法 |
CN117763494A (zh) * | 2023-12-14 | 2024-03-26 | 中国海洋大学 | 基于多模态和多尺度融合网络的轴承诊断方法及系统 |
-
2024
- 2024-03-27 CN CN202410353504.5A patent/CN117951585A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060184471A1 (en) * | 2004-12-06 | 2006-08-17 | Katsuki Minamino | Method and apparatus for learning data, method and apparatus for recognizing data, method and apparatus for generating data, and computer program |
CN103065326A (zh) * | 2012-12-26 | 2013-04-24 | 西安理工大学 | 基于时-空多尺度运动注意力分析的目标检测方法 |
CN108388900A (zh) * | 2018-02-05 | 2018-08-10 | 华南理工大学 | 基于多特征融合和时空注意力机制相结合的视频描述方法 |
CN113780060A (zh) * | 2021-07-26 | 2021-12-10 | 华北电力大学(保定) | 一种基于多模态深度学习的高压开关柜态势感知方法 |
CN113988215A (zh) * | 2021-11-15 | 2022-01-28 | 国网四川省电力公司营销服务中心 | 一种配电网计量柜状态检测方法及系统 |
US11763485B1 (en) * | 2022-04-20 | 2023-09-19 | Anhui University of Engineering | Deep learning based robot target recognition and motion detection method, storage medium and apparatus |
CN115034267A (zh) * | 2022-06-14 | 2022-09-09 | 黄河交通学院 | 融合通道注意力的一维卷积神经网络滚动轴承故障诊断方法 |
CN115293280A (zh) * | 2022-08-17 | 2022-11-04 | 西安交通大学 | 基于时空特征分割重构的动力装备系统异常检测方法 |
DE102022208932A1 (de) * | 2022-08-29 | 2024-02-29 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zur prädiktiven Diagnose einer Gerätebatterie eines technischen Geräts mithilfe eines Transformer-Modells |
CN115937091A (zh) * | 2022-10-24 | 2023-04-07 | 合肥中科融道智能科技有限公司 | 基于可变换patch的变电站设备缺陷图像检测方法 |
CN117009780A (zh) * | 2023-07-03 | 2023-11-07 | 北京航空航天大学 | 一种基于对比学习的时空频域有效通道注意力运动想象脑电解码方法 |
CN116993681A (zh) * | 2023-07-06 | 2023-11-03 | 国网青海省电力公司海北供电公司 | 一种变电站巡检缺陷检测方法及系统 |
CN117095541A (zh) * | 2023-07-19 | 2023-11-21 | 湖州师范学院 | 时空特征融合交通流预测方法、装置、设备及存储介质 |
CN117036417A (zh) * | 2023-09-12 | 2023-11-10 | 南京信息工程大学 | 基于时空模板更新的多尺度Transformer目标跟踪方法 |
CN117763494A (zh) * | 2023-12-14 | 2024-03-26 | 中国海洋大学 | 基于多模态和多尺度融合网络的轴承诊断方法及系统 |
CN117725491A (zh) * | 2024-02-18 | 2024-03-19 | 四川大学 | 一种基于SCINet的电力系统故障状态检测分类方法 |
Non-Patent Citations (4)
Title |
---|
何钧锋: "基于可拓物元理论的220kV电力变压器状态评价的研究", 中国优秀硕士论文电子期刊网, 15 March 2024 (2024-03-15) * |
李阿莹: "基于RNN及注意力机制的高光谱图像分类和应用研究", 中国优秀硕士论文电子期刊网, 15 January 2024 (2024-01-15), pages 3 * |
陆键等: "道路交通安全主动预警与智能化管控 道路驾驶行为谱与统计分析方法及其应用", 31 January 2023, 上海科学技术出版社 , pages: 4 * |
黄志豪: "基于对比学习与词嵌入的日志数据异常检测方法研究", 中国优秀硕士论文电子期刊网, 15 March 2024 (2024-03-15), pages 3 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106980822B (zh) | 一种基于选择性集成学习的旋转机械故障诊断方法 | |
Liao et al. | Hydroelectric generating unit fault diagnosis using 1-D convolutional neural network and gated recurrent unit in small hydro | |
CN110929765A (zh) | 一种基于批次图像化的卷积自编码故障监测方法 | |
CN117290800B (zh) | 一种基于超图注意力网络的时序异常检测方法及系统 | |
CN114676742A (zh) | 一种基于注意力机制和残差网络的电网异常用电检测方法 | |
CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及系统 | |
CN108921230A (zh) | 基于类均值核主元分析和bp神经网络的故障诊断方法 | |
CN113392749A (zh) | 一种基于gaf-vgg的滚动轴承故障诊断方法及装置 | |
CN116738868B (zh) | 一种滚动轴承剩余寿命预测方法 | |
CN117473411A (zh) | 基于改进Transformer模型的轴承寿命预测方法 | |
CN109472097A (zh) | 一种输电线路在线监测设备故障诊断方法 | |
CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
CN114897138A (zh) | 基于注意力机制和深度残差网络的系统故障诊断方法 | |
CN114841199A (zh) | 配电网故障诊断方法、装置、设备及可读存储介质 | |
CN111881159A (zh) | 一种基于代价敏感极端随机森林的故障检测方法及装置 | |
Cheng et al. | MMFSL: A Novel Multimodal Few-Shot Learning Framework for Fault Diagnosis of Industrial Bearings | |
CN111143835A (zh) | 基于机器学习的电力计量系统业务逻辑非侵入式防护方法 | |
CN117290716A (zh) | 一种基于KPCA-TCN-Attention的光伏阵列故障诊断方法 | |
CN117951585A (zh) | 一种电力设备运行状态实时检测方法及系统 | |
CN113554010B (zh) | 一种电网线路故障识别模型训练方法 | |
Gao et al. | Fault detection of electric vehicle charging piles based on extreme learning machine algorithm | |
CN112257773B (zh) | 基于无线传感器网络多测量向量的机械装备故障诊断方法 | |
CN112598186B (zh) | 一种基于改进的lstm-mlp的小型发电机故障预测方法 | |
Xu et al. | A graph convolutional shrinkage network-based fault diagnosis method for industrial process | |
Tian et al. | Fault diagnosis for rolling bearings based on recurrence plot and convolutional neural network |
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 |