CN113111591B - 基于模块化配电终端内部故障自动诊断方法、装置及设备 - Google Patents
基于模块化配电终端内部故障自动诊断方法、装置及设备 Download PDFInfo
- Publication number
- CN113111591B CN113111591B CN202110474398.2A CN202110474398A CN113111591B CN 113111591 B CN113111591 B CN 113111591B CN 202110474398 A CN202110474398 A CN 202110474398A CN 113111591 B CN113111591 B CN 113111591B
- Authority
- CN
- China
- Prior art keywords
- fault
- module
- model
- diagnosis
- data
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
- G06N3/045—Combinations of 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
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于模块化配电终端内部故障自动诊断方法、装置及设备,其方法包括:获取终端设备的运维数据和待诊断数据,并对运维数据根据终端设备的功能模块建立故障集;根据故障集和比例风险模型的定义建立终端设备的综合故障模型,以及根据故障集和神经网络模型建立终端设备的分模块故障诊断模型;综合故障模型输出故障率和故障功能模块;采用分模块故障诊断模型对综合故障模型输出的故障功能模块进行诊断,输出诊断结果。通过综合故障模型对需要诊断终端设备的待诊断数据分析处理,得到需要诊断终端设备的故障率和故障功能模块,之后采用分模块故障诊断模型对故障功能模块在进行诊断,输出故障功能模块的故障类型,提高诊断速度和诊断精度。
Description
技术领域
本发明涉及自动化技术领域,尤其涉及一种基于模块化配电终端内部故障自动诊断方法、装置及设备。
背景技术
配电终端用于中压配电网中的开闭所、柱上开关、环网柜、配电变压器等处,是配电自动化中重要的监测与控制设备,其设备可靠性直接影响对电网运行状态的感知与控制。然而,受配电终端安装环境影响与产品的质量、性能差异,实际运行中常发生异常甚至故障。
在配电自动化***中,只有在配电终端完全离线、拒动等故障情况下,检修人员才能得知配电终端发生故障,而不能在可能导致故障的隐患初期进行诊断。并且配电终端的故障检修多在其完全失效离线下进行,被动滞后的故障发现与检修方式使配电终端无法在初期将故障排除的同时,也将带来成本高、效率低的检修问题和故障影响后果加深、范围扩散的风险问题。
由此现有的配电终端在进行故障诊断时,主要使用配电终端本地的诊断***,当本地故障诊断方法体系无法确定或本地停运时,配电终端的诊断能力较差甚至无法诊断故障,需要运维人员手动对其进行操作,人工成本高且检测速度慢,同时,配电终端模块化的质量问题比较突出、日常运维难度大、运维开销多。
发明内容
本发明实施例提供了一种基于模块化配电终端内部故障自动诊断方法、装置及设备,用于解决现有配电终端的诊断能力较差甚至无法诊断故障,需要运维人员手动对其进行操作,人工成本高且检测速度慢,导致诊断结果的精度低的技术问题。
为了实现上述目的,本发明实施例提供如下技术方案:
一种基于模块化配电终端内部故障自动诊断方法,包括以下步骤:
获取终端设备的运维数据和待诊断数据,并对所述运维数据根据所述终端设备的功能模块建立故障集;
根据所述故障集和比例风险模型的定义建立所述终端设备的综合故障模型,以及根据所述故障集和神经网络模型建立所述终端设备的分模块故障诊断模型;其中,所述综合故障模型用于对所述待诊断数据进行分析处理,得到与所述待诊断数据对应终端设备的故障率和故障功能模块;
采用所述分模块故障诊断模型对所述综合故障模型输出的故障功能模块进行诊断,输出诊断结果。
优选地,采用所述分模块故障诊断模型对所述综合故障模型输出的故障功能模块进行诊断,输出诊断结果之前还包括:根据所述终端设备是否是处于本地诊断失效或者无法判定故障的状态将所述分模块故障诊断模型分为本地模块诊断子模型和远方模块诊断子模型。
优选地,所述分模块故障诊断模型对所述综合故障模型输出的故障功能模块进行诊断包括:
采用所述本地模块诊断子模型对所述故障功能模块进行诊断,输出诊断结果;
若所述本地模块诊断子模型输出诊断结果为诊断失效,采用所述远方模块诊断子模型对所述故障功能模块进行诊断,输出诊断结果。
优选地,根据所述故障集和比例风险模型的定义建立所述终端设备的综合故障模型的步骤包括:
采用熵权法对所述故障集中各个功能模块分析处理,得到各个功能模块的模块综合扣分值,以及获取终端设备所处环境状况的环境扣分值;
采用熵权法对各个功能模块的模块综合扣分值进行赋权处理,得到终端设备的综合健康状态扣分值;
根据终端设备的健康状态与终端设备所处的环境状况之间的连接系数、所述综合健康状态扣分值和所述环境扣分值,得到反应终端设备的协变量向量;
基于比例风险模型的定义和所述协变量向量建立综合故障模型。
优选地,所述综合故障模型包括故障概率函数和综合扣分值计算函数,所述故障概率函数h(t;Z)为:
h(t;z)=kh0(t)eXp(γz)
所述综合扣分值计算函数为:
式中,t为终端设备的当前时刻,h0(t)为基本故障概率函数,Z为协变量向量,γ为协变量向量参数,exp(γZ)为协变量连接函数,k为第i个设备终端设备生产工艺差异化比较系数;si为第i个功能模块的模块综合扣分值,pij为第i个功能模块占该功能模块的第j项指标的比重,λj为第j项指标的权重, m为功能模块中包含指标的数目。
优选地,在所述综合故障模型中输出配电终端的故障率和故障功能模块还包括:根据所述功能模块的模块综合扣分值大于危险阈值,且根据所述故障概率函数得到的终端设备的故障率大于故障危险阈值,所述综合故障模型输出对应的配电终端以及相应的故障功能模块。
优选地,根据所述故障集和神经网络模型建立所述终端设备的分模块故障诊断模型的步骤包括:
采用神经网络的GAN与CNN组合对所述故障集进行数据识别和分类,得到电源模块故障数据、控制模块故障数据、通信模块故障数据、采集模块故障数据、中央处理模块故障数据、控制模块识别故障单元、采集模块识别故障单元和中央处理模块识别故障单元;
采用自编码器组合BP神经网络对所述电源模块故障数据的电源器件进行回归预测,得到电源模块识别故障单元;
采用循环神经网络对所述通信模块故障数据进行识别,得到通信模块识别故障单元;
根据所述控制模块识别故障单元、所述采集模块识别故障单元、所述中央处理模块识别故障单元、所述电源模块识别故障单元和所述通信模块识别故障单元建立所述分模块故障诊断模型。
优选地,根据所述控制模块识别故障单元、所述采集模块识别故障单元、所述中央处理模块识别故障单元、所述电源模块识别故障单元建立所述本地模块诊断子模型;根据所述通信模块识别故障单元建立所述远方模块诊断子模型。
本发明还提供一种基于模块化配电终端内部故障自动诊断装置,包括数据获取模块、模型建立模块和诊断输出模块;
所述数据获取模块,用于获取终端设备的运维数据和待诊断数据,并对所述运维数据根据所述终端设备的功能模块建立故障集;
所述模型建立模块,用于根据所述故障集和比例风险模型的定义建立所述终端设备的综合故障模型,以及根据所述故障集和神经网络模型建立所述终端设备的分模块故障诊断模型;其中,所述综合故障模型用于对所述待诊断数据进行分析处理,得到与所述待诊断数据对应终端设备的故障率和故障功能模块;
所述诊断输出模块,用于采用所述分模块故障诊断模型对所述综合故障模型输出的故障功能模块进行诊断,输出诊断结果。
本发明还提供一种基于模块化配电终端内部故障自动诊断设备,包括处理器以及存储器;
所述存储器,用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器,用于根据所述程序代码中的指令执行上述所述的基于模块化配电终端内部故障自动诊断方法。
从以上技术方案可以看出,本发明实施例具有以下优点:该基于模块化配电终端内部故障自动诊断方法、装置及设备,其方法包括:获取终端设备的运维数据和待诊断数据,并对运维数据根据终端设备的功能模块建立故障集;根据故障集和比例风险模型的定义建立终端设备的综合故障模型,以及根据故障集和神经网络模型建立终端设备的分模块故障诊断模型;其中,综合故障模型用于对待诊断数据进行分析处理,得到与待诊断数据对应终端设备的故障率和故障功能模块;采用分模块故障诊断模型对综合故障模型输出的故障功能模块进行诊断,输出诊断结果。通过综合故障模型对需要诊断终端设备的待诊断数据分析处理,得到需要诊断终端设备的故障率和发生故障的故障功能模块,之后采用分模块故障诊断模型对故障功能模块在进行诊断,输出故障功能模块的故障类型,提高了诊断速度和诊断精度,解决了现有配电终端的诊断能力较差甚至无法诊断故障,需要运维人员手动对其进行操作,人工成本高且检测速度慢,导致诊断结果的精度低的技术问题。
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,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性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例所述的基于模块化配电终端内部故障自动诊断方法的步骤流程图。
图2为本发明实施例所述的基于模块化配电终端内部故障自动诊断方法的框架图。
图3为本发明实施例所述的基于模块化配电终端内部故障自动诊断方法建立综合故障模型的步骤流程图。
图4为本发明实施例所述的基于模块化配电终端内部故障自动诊断方法建立分模块故障诊断模型的步骤流程图。
图5为本发明实施例所述的基于模块化配电终端内部故障自动诊断方法建立分模块故障诊断模型的时频图。
图6a为本发明实施例所述的基于模块化配电终端内部故障自动诊断方法建立分模块故障诊断模型中的自编码器中间降维输出图。
图6b为本发明实施例所述的基于模块化配电终端内部故障自动诊断方法建立分模块故障诊断模型中的回归预测图。
图6c为本发明实施例所述的基于模块化配电终端内部故障自动诊断方法建立分模块故障诊断模型中的回归值与真实值比较图。
图7为本发明实施例所述的基于模块化配电终端内部故障自动诊断装置的框架图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
本申请实施例提供了一种基于模块化配电终端内部故障自动诊断方法、装置及设备,用于解决了现有配电终端的诊断能力较差甚至无法诊断故障,需要运维人员手动对其进行操作,人工成本高且检测速度慢,导致诊断结果的精度低的技术问题。
实施例一:
图1为本发明实施例所述的基于模块化配电终端内部故障自动诊断方法的步骤流程图。
如图1所示,本发明实施例提供了一种基于模块化配电终端内部故障自动诊断方法,包括以下步骤:
步骤S10.获取终端设备的运维数据和待诊断数据,并对运维数据根据终端设备的功能模块建立故障集。
需要说明的是,主要获取终端设备的运维数据和待诊断数据,根据终端设备的功能模块对运维数据进行分类建立故障集。在本实施例中,终端设备可以为配电终端,而配电终端的功能模块包括电源模块、控制模块、通信模块、采集模块和中央处理模块。故障集主要是为建立综合故障模型和分模块故障诊断模型提供数据基础,明确配电终端的故障判别对象。其中,故障集包括电源模块故障、采集模块故障、通信模块故障、控制模块故障和中央处理模块故障;电源模块故障的故障现象为PT烧毁与爆裂、后备电源频繁启动、后备电源电压异常、终端不在线;电源模块故障的故障类型包括电源PT(电压互感器)故障、电源CT(电流互感器)故障和后备电源故障。采集模块故障的故障现象为采集数据远离均值和无采集数据;采集模块故障的故障类型包括测量设备老化、互感器故障和滤波电路故障。通信模块故障的故障类型:为通信接口故障和无线通信故障;通信模块故障的故障现象包括通信信号弱、不响应总召和反复建立链路或频繁初始化。控制模块故障的故障类型为控制回路故障,控制模块故障的故障现象包括开关拒动、开关误动。中央处理模块故障的故障类型为电路板老化故障和终端软件死机;中央处理模块故障的故障现象包括终端不在线、终端软件重启和开关拒动。在其他实施例中,终端设备也可以为需要识别故障配电设备。
步骤S20.根据故障集和比例风险模型的定义建立终端设备的综合故障模型,以及根据故障集和神经网络模型建立终端设备的分模块故障诊断模型;其中,综合故障模型用于对待诊断数据进行分析处理,得到与待诊断数据对应终端设备的故障率和故障功能模块。
步骤S30.采用分模块故障诊断模型对综合故障模型输出的故障功能模块进行诊断,输出诊断结果。
需要说明的是,在步骤S20和步骤S30中,根据故障集的数据采用比例风险模型的定义分析处理,建立综合故障模型,该综合故障模型主要是分析终端设备数据的故障率和发生故障的功能模块。采用神经网络模块对故障集的数据进行训练得到分模块故障诊断模型,且分模块故障诊断模型主要根据综合故障模型判断的终端设备以及发生的功能模块进行诊断,输出该终端设备的诊断结果。
在本发明实施例中,比例风险模型的定义是现有技术,在此实施例中不一一详细描述。
本发明提供的一种基于模块化配电终端内部故障自动诊断方法包括:获取终端设备的运维数据和待诊断数据,并对运维数据根据终端设备的功能模块建立故障集;根据故障集和比例风险模型的定义建立终端设备的综合故障模型,以及根据故障集和神经网络模型建立终端设备的分模块故障诊断模型;其中,综合故障模型用于对待诊断数据进行分析处理,得到与待诊断数据对应终端设备的故障率和故障功能模块;采用分模块故障诊断模型对综合故障模型输出的故障功能模块进行诊断,输出诊断结果。通过综合故障模型对需要诊断终端设备的待诊断数据分析处理,得到需要诊断终端设备的故障率和发生故障的故障功能模块,之后采用分模块故障诊断模型对故障功能模块在进行诊断,输出故障功能模块的故障类型,提高了诊断速度和诊断精度,解决了现有配电终端的诊断能力较差甚至无法诊断故障,需要运维人员手动对其进行操作,人工成本高且检测速度慢,导致诊断结果的精度低的技术问题。
需要说明的是,基于模块化配电终端内部故障自动诊断方法可应用于求解复杂配电网终端设备故障问题,且可快速得到全面的故障诊断结果,使其更好的提高负荷恢复率。
图2为本发明实施例所述的基于模块化配电终端内部故障自动诊断方法的框架图,图3为本发明实施例所述的基于模块化配电终端内部故障自动诊断方法建立综合故障模型的步骤流程图。
如图3所示,在本发明的一个实施例中,在步骤S20中,根据故障集和比例风险模型的定义建立终端设备的综合故障模型的步骤包括:
S21.采用熵权法对故障集中各个功能模块分析处理,得到各个功能模块的模块综合扣分值,以及获取终端设备所处环境状况的环境扣分值;
S22.采用熵权法对各个功能模块的模块综合扣分值进行赋权处理,得到终端设备的综合健康状态扣分值;
S23.根据终端设备的健康状态与终端设备所处的环境状况之间的连接系数、综合健康状态扣分值和环境扣分值,得到反应终端设备的协变量向量;
S24.基于比例风险模型的定义和协变量向量建立综合故障模型。
在本发明实施例的步骤S21中,采用熵权法对故障集中的电源模块、控制模块、通信模块、采集模块、中央处理模块以及其故障类型作为指标进行分析处理,得到各个功能模块的模块综合扣分值具体为:
第一步是将故障集中的故障样本数量记为n,每个功能模块上的指标数记为m,则xij为第i个故障样本对于每个功能模块上的第j个指标的扣分数值 (i=1,…,n;j=1,…,m);
第二步对m个指标进行归一化处理,实现将故障集中的异质数据同质化;若某项指标表示的是扣分值,由于该项指标的扣分值与终端设备总体状态扣分指标具有一致性,即各项指标采用正向归一化处理:
若某项指标表示的是得分值,由于该项指标的得分值与终端设备总体状态扣分呈负相关,则各项指标采用负向归一化处理:
归一化后的数据x'ij仍记为xij。
第三步计算第i个故障样本占每个功能模块的第j项指标的比重pij,则为:
计算第j项指标的熵值,则为:
计算熵值的冗余度(差异),则为:dj=1-ej;
计算各项指标的权重,则为:
第四步根据上述得到的各个功能模块的各项指标的权重和比重,采用综合扣分值计算函数得到各个功能模块的模块综合扣分值。
在本发明实施例的步骤S22中,根据步骤S21得到各个功能模块的模块综合扣分值采用熵权法进行赋权处理,得到终端设备的综合健康状态扣分值,具体为:综合熵权法对电源模块、控制模块、通信模块、采集模块、中央处理模块进行赋权处理,综合得出赋权相加后的整体评价值,即是综合健康状态扣分值,即为:Z1=λ1Z1,1+λ2Z1,2+λ3Z1,3+λ4Z1,4+λ5Z1,5,其中,Z1为终端设备的综合健康状态扣分值;Z1,1为电源模块的模块综合扣分值;Z1,2为通信模块的模块综合扣分值;Z1,3为采集模块的模块综合扣分值;Z1,4为控制模块的模块综合扣分值;Z1,5为中央处理模块的模块综合扣分值。λi表示各功能模块扣分指标对终端设备总体健康度扣分指标的影响度,该数值由终端设备出厂设定。
在本发明实施例的步骤S23中,影响终端设备故障诊断的因数主要有终端设备的健康状态、所处的环境状况,采用协变量连接函数得到能够反应终端设备的健康状态与所处的环境状况之间的协变量向量,协变量连接函数为: exp(γZ)=exp(γ1Z1+γ2Z2),Z1为终端设备的综合健康状态扣分值,Z2表示终端设备所处环境状况的扣分值,γ1、γ2是终端设备的健康状态与终端设备所处的环境状况之间的连接系数。其中,连接系数是一个常量,连接系数中的γ1、γ2是常量其值确定需要根据自身要求在(0,1)间进行设置,如终端设备对其综合的健康状态影响更大,则γ1的设定比γ2大,反之则γ2的取值比γ1大;若设备终端综合健康状态和对应的终端设备所处环境状况带来的影响相差不大,则连接系数均取0.5。
在本发明实施例的步骤S24中,根据步骤S23得到的协变量向量和比例风险模型的定义得到用于求解终端设备故障率的故障概率函数。
在本发明实施例中,综合故障模型包括故障概率函数和综合扣分值计算函数,故障概率函数h(t;Z)为:
h(t;Z)=kh0(t)exp(γZ)
综合扣分值计算函数为:
式中,t为终端设备的当前时刻,h0(t)为基本故障概率函数,Z为协变量向量,γ为协变量向量参数,exp(γZ)为协变量连接函数,k为第i个设备终端设备生产工艺差异化比较系数;si为第i个功能模块的模块综合扣分值,pij为第i个功能模块占该功能模块的第j项指标的比重,λj为第j项指标的权重, m为功能模块中包含指标的数目。
需要说明的是,终端设备生产工艺差异化比较系数也叫家族缺陷比例系数,它是一个相对的概念,其存在的基础是不同的终端厂家相对于某一厂家间的相对故障率差异。各厂家之间的家族缺陷比例差异系数为:
其中,Li为某一时间内的一批终端厂家在某一时间段内的故障率。h0(t)作为终端设备的基本故障概率函数,表征的是终端设备作为电子组装设备,其不可避免的元件老化造成的终端设备故障、失效的情况。老化失效过程模型一定是一个随时间变化的函数。由此选用双参数的威布尔分布的失效率函数来表示h0(t):
式中,α表示终端设备的尺度参数;β表示终端设备的形状参数;t表示终端设备的时(寿命)且大于0的实数。在终端设备的仅考虑设备老化影响下的可靠度函数见下式,表示终端设备的从开始运行到t时刻能够正常运行的概率,其随运行时间的增加而降低:
失效率函数表示的单位时间内故障的终端个数与t时刻还能工作的终端个数的比值,其计算式如下:
在本发明的一个实施例中,在步骤S20中,在综合故障模型中输出配电终端的故障率和故障功能模块还包括:根据功能模块的模块综合扣分值大于危险阈值,且根据故障概率函数得到的终端设备的故障率大于故障危险阈值,综合故障模型输出对应的配电终端以及相应的故障功能模块。
需要说明的是,在综合故障模型中,需要满足功能模块的模块综合扣分值大于危险阈值且故障率大于故障危险阈值采用输出。在本实施例中,危险阈值优选选为20,故障危险阈值优先选为0.5。
该基于模块化配电终端内部故障自动诊断方法在综合故障模型中是针对终端设备的运行环境的状态评价,建立综合考虑雷电、降雨、气温、大风天气的气象等级的状态评价体系针对终端设备的运行环境的状态评价,建立综合考虑雷电、降雨、气温、大风天气的气象等级的状态评价体系(见表1)。如果某项扣分值为零,表示该气象条件几乎不影响终端设备的劣化过程。对终端设备的内部运行状态和外部环境状态进行比较性主观赋权,并加权求和。当终端设备的功能模块状态评价占支配地位时,即功能模块状态扣分较多或该部分对终端设备的故障率影响较为明显时,将其权值系数设置大于天气状态评价的权值系数;反之,弱天气状态恶劣,比起终端状态评价将显著影响终端故障率时,将其权值设置为大于模块状态评价的值,来显著化此时的恶劣天气影响。一般情况下,两者权值系数设置为1,表示均等看待两者的评价结果对故障率的影响。
表1为终端设备运行环境的状态评价
图4为本发明实施例所述的基于模块化配电终端内部故障自动诊断方法建立分模块故障诊断模型的步骤流程图,图5为本发明实施例所述的基于模块化配电终端内部故障自动诊断方法建立分模块故障诊断模型的时频图。
如图2和图4所示,在本发明的一个实施例中,根据故障集和神经网络模型建立终端设备的分模块故障诊断模型的步骤包括:
S01.采用神经网络的GAN与CNN组合对故障集进行数据识别和分类,得到电源模块故障数据、控制模块故障数据、通信模块故障数据、采集模块故障数据、中央处理模块故障数据、控制模块识别故障单元、采集模块识别故障单元和中央处理模块识别故障单元;
S02.采用自编码器组合BP神经网络对电源模块故障数据的电源器件进行回归预测,得到电源模块识别故障单元;
S03.采用循环神经网络对通信模块故障数据进行识别,得到通信模块识别故障单元;
S04.根据控制模块识别故障单元、采集模块识别故障单元、中央处理模块识别故障单元、电源模块识别故障单元和通信模块识别故障单元建立分模块故障诊断模型。
在本发明实施例的步骤S01中,主要是采用神经网络中的GAN组合CNN 的方式实现对功能模块的故障类型的精确识别和分类,之后采用短时傅里叶变换STFT将电源模块故障数据、控制模块故障数据、通信模块故障数据、采集模块故障数据、中央处理模块故障数据的时域数据类型转换为对应的时频图(如图5所示),构成的训练集输入GAN产生新的时频图,以扩充各类型故障的训练集容量,再以扩容后的训练集训练CNN,其网络结构及参数如表 2所示,以实现对故障数据的分类功能,能够准确对故障数据进行辨别与分类。
表2为CNN网络结构的参数
采用神经网络的GAN与CNN组合对故障集进行数据分类具体为:以采集模块的故障数据为案例说明。采集模块的正常数据为:式中,N(0,δ2)为均值为0,δ2方差为的高斯分布的测量噪声。A、ω、依次为测量电压、电流的幅值、角频率和相角。精度失真类采集模块故障为:
式中:f(t)为待变换的时域函数;g(t-τ)为中心位于τ时刻的窗函数,本专利选取常用的海明窗函数,其表达式见下式:
生成式对抗神经网络(Generative Adversarial Network,GAN)是一种概率生成模型,由生成器G(Generator)和判别器D(Discriminator)组成。它通过对抗训练,能够学习到原始数据的分布。G训练的目的是为了掌握样本分布,使其产生的分布Gz在D上的表现D(G(z))和真实数据x在D上的表现Dx尽可能一致,从而使D无法区分生成样本与真实样本;D训练的目的即正确的区分出真假样本。以上逻辑关系可以表示为最大-最小问题,其数学表达式为:
式中,pr表示原始数据时频特征图集;pg表示由生成器生成的新数据时频特征图集。D和G通过不断地交叉优化,分别提高各自的判别能力和生成能力,这个优化过程就是寻找两者之间博弈过程的纳什均衡。当训练停止时,判别器几乎无法区分出生成器生成的配电终端故障数据的时频图与原始数据的时频图之间的区别。基于CNN的故障识别网络是将各类数据样本的时频图输入到CNN中,经由图像预处理和归一化之后,依次通过卷积层、池化层、…、全连接层后,经由激活函数,完成数据的特征提取、降维,最后输出故障数据的故障类型编号,完成故障数据的识别与分类。
图6a为本发明实施例所述的基于模块化配电终端内部故障自动诊断方法建立分模块故障诊断模型中的自编码器中间降维输出图,图6b为本发明实施例所述的基于模块化配电终端内部故障自动诊断方法建立分模块故障诊断模型中的回归预测图,图6c为本发明实施例所述的基于模块化配电终端内部故障自动诊断方法建立分模块故障诊断模型中的回归值与真实值比较图。
在本发明实施例的步骤S02和步骤S03中,主要是用于识别终端设备是否会失效或诊断失败。在本实施例的步骤S20中,采用自编码器组合BP网络的方式对蓄电池SOC进行回归预测,其网络结构及参数如下表3所示,得出其故障判断结果如图6a、6 b、6 c所示以蓄电池作为电源器件作为案例说明,其中,以后备电池的剩余容量(小于40%)作为终端设备的电源模块失效标志,通过SOC预测判断蓄电池是否正常,从而对交流取电与蓄电池进行解耦判断。采用深度自编码器组合BP神经网络的方法对SOC进行数据预测,针对SOC 影响数据特征的多维性,利用深度自编码器对多维数据进行特征提取与降维,降低数据的冗余性,节省计算空间;然后采用降维后的数据训练神经网络,实现对蓄电池SOC的回归预测,分辨出电源模块中蓄电池故障。
自编码器(AE,AutoEncoder)是深度学习中的无监督学习模型,其尝试学习一个函数,使得输出值等于输入值,现假设模型的输入为{x1,x2,x3}。
假设每一个节点非线性激活函数为sigmoid函数,则对于自编码器的编码过程见下式。
解码过程为:
自编码器将输入x编码为新的表达式h,再将h解码重构回x,通过反向传播算法来训练网络实现重构并恢复输入值。其关键在于求解参数{w,b},使得重构误差最小化。若样本数为N,则自编码器输出误差损失函数可以表示为:
式中:第一项表示均方误差,其目的是为了最小化重构误差;第二项是一个权重衰减项,其目的是为了减小权重的幅度防止出现过拟合现象;第三项系数惩罚项,表示相对熵,这一项可以控制隐藏神经元的平均活跃度保持在较小范围内。
由自编码器训练的无监督训练之后,去掉自编码器的输出层网络结构,将其输出层作为一个蓄电池容量SOC输出的回归预测神经元,然后在 tensorflow中加载自编码器预训练后的网络结构参数作为BP神经网络的初始权值和阈值,再利用SOC的样本数据进行有监督训练的参数微调,计算出整体的损失函数后,再利用反向传播算法,通过反复迭代更新权重参数。
预测模型的评价标准为下式:
表3为自编码器与BP神经网络的结构参数
在本实施例的步骤S03中,利用循环神经网络对通讯模块中的报文字段、报文逻辑进行识别首先采用python中的分词工具Jieba进行报文样本分析处理。结合Jieba中的精确模式和自定义构建终端运维报文的专业分词词典进行报文的识别与划分。并采用TF-IDF算法提取关键词,为报文分类提供一个必要的前提基础。最后在对报文关键词进行统计分析的基础上利用朴素贝叶斯公式进行分类处理。朴素贝叶斯分类流程定义如下:设x={a1,a2,...,am}为一个待分类报文样本,而ai为x的一个特征属性;有报文的故障类别集合 C={y1,y2,...,yn};计算P(y1|x),P(y2|x),...,P(yn|x);:搜集已经分类完毕的报文样本集合,用这个集合作为训练样本集;统计得到在各类别下各个特征属性的条件概率估计,即:P(a1|y1),P(a2|y1),...,P(am|y1);P(a1|y2),P(a2|y2),...,P(am|y2);…; P(a1|yn),P(a2|yn),...,P(am|yn);:假设各个特征属性是条件独立的,则根据贝叶斯定理有如下推导:
其代表在对应分类yi中每一个特征量出现的概率乘积;若 P(yk|x)=max{P(y1|x),P(y2|x),...,P(yn|x)},则认为样本x为yk类。
需要说明的是,通过朴素贝叶斯的日报文故障信息分类识别方法,将收集到的报文分成四种故障类型:无异常报文、规约配置的通信模块故障报文、信号不良的通信模块故障报文、控制器异常故障报文。将四种故障类型标签化:“无异常报文”记为“type1”;“规约配置的通信模块故障报文”记为“type2”;“信号不良的通信模块故障报文”记为“type3”;“控制器异常故障报文”记为“type4”。通过多项式朴素贝叶斯模型对分类后的报文数据进行训练,得到训练样本集。
如图2所示,在本发明的一个实施例中,采用分模块故障诊断模型对综合故障模型输出的故障功能模块进行诊断,输出诊断结果之前还包括:根据终端设备是否是处于本地诊断失效或者无法判定故障的状态将分模块故障诊断模型分为本地模块诊断子模型和远方模块诊断子模型。其中,分模块故障诊断模型对综合故障模型输出的故障功能模块进行诊断包括:
采用本地模块诊断子模型对故障功能模块进行诊断,输出诊断结果;
若本地模块诊断子模型输出诊断结果为诊断失效,采用远方模块诊断子模型对故障功能模块进行诊断,输出诊断结果。
需要说明的是,综合故障模型输出终端设备发生故障的功能模块,分模块故障诊断模型主要是进一步对发生故障的功能模块的故障类型进行进一步诊断,因此分模块故障诊断模型输出的诊断结果是终端设备发生的故障是具体是哪个功能模块的哪个故障类型。使得该基于模块化配电终端内部故障自动诊断方法能够从本地模块诊断子模型诊断和远方模块诊断子模型诊断这两个方面实现终端设备内部故障全方位的自动故障诊断,提高了诊断速度和诊断精度。其中,当本地模块诊断子模型诊断失效或无法判别故障时将启动终端设备的远方模块诊断子模型诊断,利用循环神经网络对异常报文字段、异常报文逻辑进行识别,从而实现对输出通信模块是否故障的判断和其它未知的故障判断。
在本实施例中,根据控制模块识别故障单元、采集模块识别故障单元、中央处理模块识别故障单元、电源模块识别故障单元建立本地模块诊断子模型;根据通信模块识别故障单元建立所述远方模块诊断子模型。其中,本地模块诊断子模型主要是通过本地运行状态逻辑自检,也就是综合故障模型中输出故障功能模块包括采集模块完全失效故障判断、电源模块交流取电部分故障判断、控制模块控制***回路故障判断、CPU模块电路板故障或软件死机的判断,还通过特征数据训练深度学习网络的方式对采集模块的故障模式和电源模块的蓄电池部分进行故障的准确判断。采用GAN组合CNN的方式对采集模块故障数据模式类型的精确识别;采用自编码器组合BP网络的方式对蓄电池SOC进行回归预测,可分辨出采集模块的故障及故障特征、电源模块中蓄电池故障。
在本发明的基于模块化配电终端内部故障自动诊断方法中采集电源SOC 状态反映的高维相关因子,共10维确定特征量,还有4维未知特征量,未知特征在算例中将其置为近似为0的噪声数据,仅用来表示冗余维度数据,蓄电池SOC:每一个特征因子向量样本(14维)对应一个回归目标值(蓄电池 SOC)。对自编码器中间经编码器编码的二维输出结果,输出可视化结果如图6a所示。自编码器数据降维组合BP神经网络的蓄电池SOC回归,其在测试集上的均方误差与训练周期之间的关系和测试集上回归值与真实值之间的结果对比见图6b、6 c所示。图示两条曲线中上面曲线(AE+BP)的测试准确率优于单纯的BP神经网络回归算法。证明该基于模块化配电终端内部故障自动诊断方法所采取方法可较好的预测蓄电池的SOC,完终端设备的电源模块故障条件下的,蓄电池故障和交流取电电源故障的判别。通过SOC的回归值,一般认为其低于容量的40即未失效,从而得出电源模块蓄电池部分是否存在故障输出,得出其故障判断结果。
实施例二:
图7为本发明实施例所述的基于模块化配电终端内部故障自动诊断装置的框架图。
如图7所示,本发明实施例还提供一种基于模块化配电终端内部故障自动诊断装置,包括数据获取模块10、模型建立模块20和诊断输出模块30;
数据获取模块10,用于获取终端设备的运维数据和待诊断数据,并对运维数据根据终端设备的功能模块建立故障集;
模型建立模块20,用于根据故障集和比例风险模型的定义建立终端设备的综合故障模型,以及根据故障集和神经网络模型建立终端设备的分模块故障诊断模型;其中,综合故障模型用于对待诊断数据进行分析处理,得到与待诊断数据对应终端设备的故障率和故障功能模块;
诊断输出模块30,用于采用分模块故障诊断模型对综合故障模型输出的故障功能模块进行诊断,输出诊断结果。
需要说明的是,实施例二装置中的模块对应于实施例一方法中的步骤,实施例一方法中的步骤已在实施例一中详细阐述了,在此实施例二中不再对装置中的模块内容进行详细阐述。
实施例三:
本发明实施例提供了一种基于模块化配电终端内部故障自动诊断设备,包括处理器以及存储器;
存储器,用于存储程序代码,并将程序代码传输给处理器;
处理器,用于根据程序代码中的指令执行上述的基于模块化配电终端内部故障自动诊断方法。
需要说明的是,处理器用于根据所程序代码中的指令执行上述的一种基于模块化配电终端内部故障自动诊断方法实施例中的步骤。或者,处理器执行计算机程序时实现上述各***/装置实施例中各模块/单元的功能。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器中,并由处理器执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在终端设备中的执行过程。
终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以是终端设备的内部存储单元,例如终端设备的硬盘或内存。存储器也可以是终端设备的外部存储设备,例如终端设备上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD) 卡,闪存卡(Flash Card)等。进一步地,存储器还可以既包括终端设备的内部存储单元也包括外部存储设备。存储器用于存储计算机程序以及终端设备所需的其他程序和数据。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以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;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于模块化配电终端内部故障自动诊断方法,其特征在于,包括以下步骤:
获取终端设备的运维数据和待诊断数据,并对所述运维数据根据所述终端设备的功能模块建立故障集;
根据所述故障集和比例风险模型的定义建立所述终端设备的综合故障模型,以及根据所述故障集和神经网络模型建立所述终端设备的分模块故障诊断模型;其中,所述综合故障模型用于对所述待诊断数据进行分析处理,得到与所述待诊断数据对应终端设备的故障率和故障功能模块;
采用所述分模块故障诊断模型对所述综合故障模型输出的故障功能模块进行诊断,输出诊断结果;
根据所述故障集和神经网络模型建立所述终端设备的分模块故障诊断模型的步骤包括:
采用神经网络的GAN与CNN组合对所述故障集进行数据识别和分类,得到电源模块故障数据、控制模块故障数据、通信模块故障数据、采集模块故障数据、中央处理模块故障数据、控制模块识别故障单元、采集模块识别故障单元和中央处理模块识别故障单元;
采用自编码器组合BP神经网络对所述电源模块故障数据的电源器件进行回归预测,得到电源模块识别故障单元;
采用循环神经网络对所述通信模块故障数据进行识别,得到通信模块识别故障单元;
根据所述控制模块识别故障单元、所述采集模块识别故障单元、所述中央处理模块识别故障单元、所述电源模块识别故障单元和所述通信模块识别故障单元建立所述分模块故障诊断模型。
2.根据权利要求1所述的基于模块化配电终端内部故障自动诊断方法,其特征在于,采用所述分模块故障诊断模型对所述综合故障模型输出的故障功能模块进行诊断,输出诊断结果之前还包括:根据所述终端设备是否是处于本地诊断失效或者无法判定故障的状态将所述分模块故障诊断模型分为本地模块诊断子模型和远方模块诊断子模型。
3.根据权利要求2所述的基于模块化配电终端内部故障自动诊断方法,其特征在于,所述分模块故障诊断模型对所述综合故障模型输出的故障功能模块进行诊断包括:
采用所述本地模块诊断子模型对所述故障功能模块进行诊断,输出诊断结果;
若所述本地模块诊断子模型输出诊断结果为诊断失效,采用所述远方模块诊断子模型对所述故障功能模块进行诊断,输出诊断结果。
4.根据权利要求1所述的基于模块化配电终端内部故障自动诊断方法,其特征在于,根据所述故障集和比例风险模型的定义建立所述终端设备的综合故障模型的步骤包括:
采用熵权法对所述故障集中各个功能模块分析处理,得到各个功能模块的模块综合扣分值,以及获取终端设备所处环境状况的环境扣分值;
采用熵权法对各个功能模块的模块综合扣分值进行赋权处理,得到终端设备的综合健康状态扣分值;
根据终端设备的健康状态与终端设备所处的环境状况之间的连接系数、所述综合健康状态扣分值和所述环境扣分值,得到反应终端设备的协变量向量;
基于比例风险模型的定义和所述协变量向量建立综合故障模型。
6.根据权利要求5所述的基于模块化配电终端内部故障自动诊断方法,其特征在于,在所述综合故障模型中输出配电终端的故障率和故障功能模块还包括:根据所述功能模块的模块综合扣分值大于危险阈值,且根据所述故障概率函数得到的终端设备的故障率大于故障危险阈值,所述综合故障模型输出对应的配电终端以及相应的故障功能模块。
7.根据权利要求2所述的基于模块化配电终端内部故障自动诊断方法,其特征在于,根据所述控制模块识别故障单元、所述采集模块识别故障单元、所述中央处理模块识别故障单元、所述电源模块识别故障单元建立所述本地模块诊断子模型;根据所述通信模块识别故障单元建立所述远方模块诊断子模型。
8.一种基于模块化配电终端内部故障自动诊断装置,其特征在于,包括数据获取模块、模型建立模块和诊断输出模块;
所述数据获取模块,用于获取终端设备的运维数据和待诊断数据,并对所述运维数据根据所述终端设备的功能模块建立故障集;
所述模型建立模块,用于根据所述故障集和比例风险模型的定义建立所述终端设备的综合故障模型,以及根据所述故障集和神经网络模型建立所述终端设备的分模块故障诊断模型;其中,所述综合故障模型用于对所述待诊断数据进行分析处理,得到与所述待诊断数据对应终端设备的故障率和故障功能模块;
所述诊断输出模块,用于采用所述分模块故障诊断模型对所述综合故障模型输出的故障功能模块进行诊断,输出诊断结果;
根据所述故障集和神经网络模型建立所述终端设备的分模块故障诊断模型包括:
采用神经网络的GAN与CNN组合对所述故障集进行数据识别和分类,得到电源模块故障数据、控制模块故障数据、通信模块故障数据、采集模块故障数据、中央处理模块故障数据、控制模块识别故障单元、采集模块识别故障单元和中央处理模块识别故障单元;
采用自编码器组合BP神经网络对所述电源模块故障数据的电源器件进行回归预测,得到电源模块识别故障单元;
采用循环神经网络对所述通信模块故障数据进行识别,得到通信模块识别故障单元;
根据所述控制模块识别故障单元、所述采集模块识别故障单元、所述中央处理模块识别故障单元、所述电源模块识别故障单元和所述通信模块识别故障单元建立所述分模块故障诊断模型。
9.一种基于模块化配电终端内部故障自动诊断设备,其特征在于,包括处理器以及存储器;
所述存储器,用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器,用于根据所述程序代码中的指令执行如权利要求1-7任意一项所述的基于模块化配电终端内部故障自动诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110474398.2A CN113111591B (zh) | 2021-04-29 | 2021-04-29 | 基于模块化配电终端内部故障自动诊断方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110474398.2A CN113111591B (zh) | 2021-04-29 | 2021-04-29 | 基于模块化配电终端内部故障自动诊断方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113111591A CN113111591A (zh) | 2021-07-13 |
CN113111591B true CN113111591B (zh) | 2022-06-21 |
Family
ID=76720464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110474398.2A Active CN113111591B (zh) | 2021-04-29 | 2021-04-29 | 基于模块化配电终端内部故障自动诊断方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113111591B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114186184A (zh) * | 2021-12-02 | 2022-03-15 | 广东电网有限责任公司江门供电局 | 一种配电终端故障诊断方法、***、装置及存储介质 |
CN114282608A (zh) * | 2021-12-22 | 2022-04-05 | 国网安徽省电力有限公司 | 一种电流互感器隐性故障诊断预警方法及*** |
CN114485801A (zh) * | 2022-02-10 | 2022-05-13 | 广东电网有限责任公司 | 一种配电自动化主站***运行质量的评价*** |
CN117145752B (zh) * | 2023-10-26 | 2024-01-30 | 意朗智能科技(南通)有限公司 | 用于空压机的过滤故障识别方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107102633A (zh) * | 2017-04-26 | 2017-08-29 | 上海金智晟东电力科技有限公司 | 一种配电终端故障自诊断方法及*** |
CN109086889A (zh) * | 2018-09-30 | 2018-12-25 | 广东电网有限责任公司 | 基于神经网络的终端故障诊断方法、装置和*** |
CN109492913A (zh) * | 2018-11-13 | 2019-03-19 | 广东电网有限责任公司 | 一种配电终端的模块化风险预测方法、装置及可存储介质 |
CN109765883A (zh) * | 2019-03-04 | 2019-05-17 | 积成电子股份有限公司 | 配电自动化终端运行状态评价与故障诊断方法 |
CN110516742A (zh) * | 2019-08-28 | 2019-11-29 | 广东电网有限责任公司 | 一种基于组合神经网络模型的配电终端故障判别方法及*** |
CN112290546A (zh) * | 2020-10-27 | 2021-01-29 | 海南电网有限责任公司电力科学研究院 | 一种基于人机共融的变电站一次设备故障判别方法 |
-
2021
- 2021-04-29 CN CN202110474398.2A patent/CN113111591B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107102633A (zh) * | 2017-04-26 | 2017-08-29 | 上海金智晟东电力科技有限公司 | 一种配电终端故障自诊断方法及*** |
CN109086889A (zh) * | 2018-09-30 | 2018-12-25 | 广东电网有限责任公司 | 基于神经网络的终端故障诊断方法、装置和*** |
CN109492913A (zh) * | 2018-11-13 | 2019-03-19 | 广东电网有限责任公司 | 一种配电终端的模块化风险预测方法、装置及可存储介质 |
CN109765883A (zh) * | 2019-03-04 | 2019-05-17 | 积成电子股份有限公司 | 配电自动化终端运行状态评价与故障诊断方法 |
CN110516742A (zh) * | 2019-08-28 | 2019-11-29 | 广东电网有限责任公司 | 一种基于组合神经网络模型的配电终端故障判别方法及*** |
CN112290546A (zh) * | 2020-10-27 | 2021-01-29 | 海南电网有限责任公司电力科学研究院 | 一种基于人机共融的变电站一次设备故障判别方法 |
Non-Patent Citations (6)
Title |
---|
一种面向风险评估的输电线路故障概率模型;何迪等;《电力***保护与控制》;20170401(第07期);第69-76页 * |
基于专家***和神经网络的雷达伺服***故障诊断方法;陶敏等;《电子设计工程》;20130605(第11期);第27-30页 * |
基于改进多分类概率SVM模型的变压器故障诊断;彭刚等;《机械与电子》;20180424(第04期);第44-49页 * |
基于混合神经网络与有限状态机的区域电网智能告警处理方法研究;胡裕峰等;《供用电》;20200705(第07期);第57-66页 * |
输电网故障诊断方法综述与发展趋势;林圣等;《电力***保护与控制》;20100216(第04期);第140-150页 * |
配电终端自诊断方法研究;吴栋萁等;《自动化仪表》;20180320(第03期);第5-8页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113111591A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113111591B (zh) | 基于模块化配电终端内部故障自动诊断方法、装置及设备 | |
EP3776113B1 (en) | Apparatus and method for controlling system | |
Khelif et al. | Direct remaining useful life estimation based on support vector regression | |
CN113762329A (zh) | 一种大型轧机状态预测模型的构建方法及构建*** | |
EP2410312A1 (en) | A method for computer-assisted analyzing of a technical system | |
CN110083593B (zh) | 电站运行参数清洗及修复方法、修复*** | |
CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
CN110610226A (zh) | 一种发电机故障预测方法及装置 | |
CN113468210A (zh) | 基于特征工程的机器人故障诊断方法及*** | |
CN114239734A (zh) | 一种分布式车载健康管理*** | |
CN117589233A (zh) | 继电保护装置运行状态智能检测方法及*** | |
CN117312807B (zh) | 一种断路器的控制状态分析方法及*** | |
CN117856442A (zh) | 一种基于大数据的电力设备远程监测***及方法 | |
CN117076869A (zh) | 旋转机械时频域融合故障诊断方法及*** | |
CN110837953A (zh) | 一种自动化异常实体定位分析方法 | |
CN115423370A (zh) | 一种继电保护设备健康状态评估方法及装置 | |
CN114137915A (zh) | 一种工业设备的故障诊断方法 | |
CN113724211A (zh) | 一种基于状态感应的故障自动识别方法及*** | |
Javanmardi et al. | Conformal Prediction Intervals for Remaining Useful Lifetime Estimation | |
CN111026608A (zh) | 一种Oracle数据库性能诊断方法及其***、设备、介质 | |
CN112541554B (zh) | 基于时间约束的核稀疏表示的多模态过程监控方法及*** | |
CN117890825B (zh) | 充电枪的泄露电流测试方法、装置、设备及存储介质 | |
CN115556099B (zh) | 一种可持续学习的工业机器人故障诊断***及方法 | |
Yu et al. | A class-weighted supervised contrastive learning long-tailed bearing fault diagnosis approach using quadratic neural network | |
CN116956197B (zh) | 基于深度学习的能源设施故障预测方法、装置及电子设备 |
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 |