CN113657623B - 电力设备状态诊断效果确定方法、装置、终端及存储介质 - Google Patents
电力设备状态诊断效果确定方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN113657623B CN113657623B CN202110791762.8A CN202110791762A CN113657623B CN 113657623 B CN113657623 B CN 113657623B CN 202110791762 A CN202110791762 A CN 202110791762A CN 113657623 B CN113657623 B CN 113657623B
- Authority
- CN
- China
- Prior art keywords
- power equipment
- data set
- equipment monitoring
- state
- training
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 66
- 230000000694 effects Effects 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012544 monitoring process Methods 0.000 claims abstract description 174
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 89
- 238000013524 data verification Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 21
- 238000012774 diagnostic algorithm Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 14
- 230000000875 corresponding effect Effects 0.000 claims description 9
- 230000002596 correlated effect Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000012795 verification Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010891 electric arc Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000008485 antagonism Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011208 chromatographic data Methods 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电力设备状态诊断技术领域,尤其涉及一种电力设备状态诊断效果确定方法、装置、终端及存储介质,本发明方法使用LSTM深度网络对电力设备监测量数据集进行未来趋势预测,并将其包含,通过GAN网络进行数据增容,解决电力设备的有效状态监测信息少的问题;使用扩容后的数据集输入任一待评价电力设备状态诊断算法,将诊断结果与扩容后的状态标签数据集进行比较来评估该诊断算法。具有对电力设备的有效状态监测信息进行扩容的优点,可以解决电力设备有效监测数据量不足的问题;此外,本发明使用扩容后的包括未来趋势的监测量数据集,对任一状态诊断***或算法的效果进行评价,可以有效地解决对电力设备状态诊断***或算法评价手段缺失的问题。
Description
技术领域
本发明涉及电力设备状态诊断技术领域,尤其涉及一种电力设备状态诊断效果确定方法、装置、终端及存储介质。
背景技术
电力设备是电力输变电***中最贵重的设备之一,针对电力设备的特征参量进行监测并据此对电力设备的状态进行诊断对于电力输变电***的可靠运行具有重要的意义。
然而,目前工程中收集到的电力设备状态监测数据大部分属于正常状态下的数据,不能有效反映电力设备状态的老化以及失效过程,有效信息量少。并且监测数据均为历史数据或当前数据,只能反映电力设备的历史状态或当前状态,无法获得监测量的未来变化趋势。此外,由于电力设备的状态对于输变电***的可靠性具有重要的意义,大量的电力设备状态诊断***或算法被提出,但是目前尚且缺乏有效的方法对多种多样的诊断***或算法效果进行评价与比较。综上,电力设备的有效状态监测信息少以及缺乏对状态诊断效果进行评价的方法阻碍了该领域的技术进步。
基于此,亟需获得一种对电力设备的有效状态监测信息进行扩容以及针对任一状态诊断***或算法的效果进行评价的方法。
发明内容
本发明实施方式提供了一种电力设备状态诊断效果确定方法、装置、终端及存储介质,用于解决对状态诊断效果评价不准确的问题。
第一方面,本发明实施方式提供了一种电力设备状态诊断效果确定方法,包括:获取第一电力设备监测量数据集;
利用LSTM深度网络对所述第一电力设备监测量数据集进行预测,获得第二电力设备监测量数据集以及第二状态标签数据集,所述第二电力设备监测量数据集与所述第二电力设备监测量数据集相对应;
利用GAN网络对所述第二电力设备监测量数据集以及所述第二状态标签数据集扩容,获得第三电力设备监测量数据集以及第三状态标签数据集;
利用所述第三电力设备监测量数据集以及所述第三状态标签数据集评价电力设备状态诊断算法的诊断效果。
在一种可能实现的方式中,所述利用LSTM深度网络对所述第一电力设备监测量数据集进行预测,获得第二电力设备监测量数据集以及第二状态标签数据集,所述第二电力设备监测量数据集与所述第二电力设备监测量数据集相对应,包括:
将所述第一电力设备监测量数据集以及所述第一状态标签数据集输入LSTM深度网络对所述LSTM深度网络进行训练获得最终LSTM深度网络;
基于所述最终LSTM深度网络对所述第一电力设备监测量数据集的未来趋势进行预测,获得第二电力设备监测量数据集以及第二状态标签数据集,所述第二电力设备监测量数据集与所述第二电力设备监测量数据集相对应。
在一种可能实现的方式中,所述利用GAN网络对所述第二电力设备监测量数据集以及所述第二状态标签数据集扩容,获得第三电力设备监测量数据集以及第三状态标签数据集,包括:
将所述第二电力设备监测量数据集输入所述GAN网络,对所述GAN网络中的生成器和判别器进行训练获得最终生成器;
基于所述最终生成器对所述第二电力设备监测量数据集和所述第二状态标签数据集进行扩容,获得获得第三电力设备监测量数据集以及第三状态标签数据集。
在一种可能实现的方式中,所述基于所述第三电力设备监测量数据集以及所述第三状态标签数据集确定目标电力设备状态诊断算法的诊断效果,包括:
将所述第三电力设备监测量数据集输入所述目标电力设备状态诊断算法获得状态诊断结果;
根据所述状态诊断结果以及所述第三状态标签数据集,确定所述目标电力设备状态诊断算法的诊断效果。
在一种可能实现的方式中,所述根据所述状态诊断结果以及所述第三状态标签数据集,确定所述目标电力设备状态诊断算法的诊断效果,包括:
根据所述状态诊断结果、所述第三状态标签数据集以及第一公式计算相对误差,所述第一公式:
其中,Ep为相对误差,y′为所述第三电力设备监测量数据集第i元素的诊断结果,yi为所述第三状态标签数据集第i元素,Q为第三状态标签数据集元素总数量;
所述相对误差来越大所述电力设备状态诊断算法的诊断效果越差。
在一种可能实现的方式中,所述将所述第一电力设备监测量数据集以及所述第一状态标签数据集输入LSTM深度网络对所述LSTM深度网络进行训练,将所述第一电力设备监测量数据集以及所述第一状态标签数据集输入LSTM深度网络对所述LSTM深度网络进行训练获得最终LSTM深度网络,包括:
将所述第一电力设备监测量数据集划分为电力设备监测量数据训练集以及电力设备监测量数据验证集;
将所述第一状态标签数据集划分为状态标签数据训练集以及状态标签数据验证集;所述电力设备监测量数据训练集与所述状态标签数据训练集相对应,所述电力设备监测量数据验证集与所述状态标签数据验证集相对应;
使用随机数作为LSTM深度网络的初始参数;
将所述电力设备监测量数据训练集以及所述状态标签数据训练集输入LSTM深度网络进行训练;
将所述电力设备监测量数据验证集以及所述状态标签数据验证集输入LSTM深度网络,计算训练后的LSTM深度网络的相对误差;
若所述相对误差满足预设条件,获得所述最终LSTM深度网络;
若所述相对误差未满足预设条件,执行所述将所述电力设备监测量数据训练集以及所述状态标签数据训练集输入LSTM深度网络,对所述LSTM深度网络进行训练的步骤。
在一种可能实现的方式中,所述将所述第二电力设备监测量数据集输入所述GAN网络,对所述GAN网络中的生成器和判别器进行训练获得最终生成器,包括:
将随机噪声输入所述生成器,获得噪声数据集,所述噪声数据集与所述第二电力设备监测量数据集类型相同;
训练判别器步骤:将所述生成器输出的数据集和所述第二电力设备监测量数据集输入所述判别器,对所述判别器进行训练;
循环执行所述训练判别器步骤,使得所述判别器对所述第二电力设备监测量数据集的分辨率达到第一阈值,固定判别器参数;
训练生成器步骤:将所述第二电力设备监测量数据集输入所述生成器,对所述生成器进行训练;
若所述生成器生成的训练数据集与所述第二电力设备监测量数据集的相似度大于或等于第二阈值,将此时训练得到的生成器作为所述最终生成器;若所述生成器生成的训练数据集与所述第二电力设备监测量数据集的相似度小于第二阈值,返回训练判别器步骤;其中,所述第二阈值大于或等于所述第一阈值。
第二方面,本发明实施方式提供了一种电力设备状态诊断效果评价装置,包括:
数据获取模块,用于获取第一电力设备监测量数据集;
数据预测模块,用于利用LSTM深度网络对所述第一电力设备监测量数据集进行预测,获得第二电力设备监测量数据集以及第二状态标签数据集,所述第二电力设备监测量数据集与所述第二电力设备监测量数据集相对应;
扩容模块,用于利用GAN网络对所述第二电力设备监测量数据集以及所述第二状态标签数据集扩容,获得第三电力设备监测量数据集以及第三状态标签数据集;以及,
诊断算法效果确定模块,用于利用所述第三电力设备监测量数据集以及所述第三状态标签数据集评价电力设备状态诊断算法的诊断效果。
第三方面,本发明实施方式提供了一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面,本发明实施方式提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施方式与现有技术相比存在的有益效果是:
本发明实施方式公开的一种电力设备状态诊断效果确定方法,其采用GAN-LSTM深度学习算法对已有的电力设备有效状态监测信息进行未来趋势预测以及扩容,GAN主要由生成器与判别器组成,生成器的目的是学习真实数据的潜在分布规律,并生成符合该隐藏分布规律的新数据;判别器的目的是判别真实数据与生成数据,生成器和判别器相互制约,通过不断训练最终达到“以假乱真”的目的。通过扩容后的扩充数据库对任一电力设备状态诊断***或算法进行评估,根据已知结果和评估结果比较来判断任一电力设备状态诊断***或算法的诊断效果。
本发明所述方式公开的一种电力设备状态诊断效果确定方法,具有对电力设备的有效状态监测信息进行扩容的优点,可以解决电力设备有效监测数据量不足的问题;此外,本发明使用扩容后的包括未来趋势的监测量数据集,对任一状态诊断***或算法的效果进行评价,可以有效地解决对电力设备状态诊断***或算法评价手段缺失的问题。
附图说明
为了更清楚地说明本发明实施方式中的技术方案,下面将对实施方式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方式,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他的附图。
图1是本发明实施方式提供的电力设备状态诊断效果确定方法的流程图;
图2是本发明实施方式提供的LSTM深度网络训练操作流程图;
图3是本发明实施方式提供的GAN网络操作流程图;
图4是本发明实施方式提供的电力设备状态诊断效果评价装置功能框图;
图5是本发明实施方式提供的终端功能框图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本发明实施方式。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施方式中也可以实现本发明。在其它情况中,省略对众所周知的***、装置以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施方式来进行说明。
图1为本发明实施方式提供的电力设备状态诊断效果确定方法的流程图。
参见图1,其示出了本发明实施方式提供的电力设备状态诊断效果确定方法的实现流程图,详述如下:
在步骤101中,获取第一电力设备监测量数据集。
在步骤102中,利用LSTM深度网络对所述第一电力设备监测量数据集进行预测,获得第二电力设备监测量数据集以及第二状态标签数据集,所述第二电力设备监测量数据集与所述第二电力设备监测量数据集相对应。
在一些实施方式中,步骤102可以包括:
获取与所述第一电力设备监测量数据集相对应的第一状态标签数据集,将所述第一电力设备监测量数据集以及所述第一状态标签数据集输入LSTM深度网络对所述LSTM深度网络进行训练,获得最终LSTM深度网络;
基于所述最终LSTM深度网络对所述第一电力设备监测量数据集的未来趋势进行预测,获得第二电力设备监测量数据集以及第二状态标签数据集,所述第二电力设备监测量数据集与所述第二电力设备监测量数据集相对应。
在一些实施方式中,所述获取与所述第一电力设备监测量数据集相对应的第一状态标签数据集,将所述第一电力设备监测量数据集以及所述第一状态标签数据集输入LSTM深度网络对所述LSTM深度网络进行训练,获得最终LSTM深度网络,包括:
将所述第一电力设备监测量数据集划分为电力设备监测量数据训练集以及电力设备监测量数据验证集;
将所述第一状态标签数据集划分为状态标签数据训练集以及状态标签数据验证集;所述电力设备监测量数据训练集与所述状态标签数据训练集相对应,所述电力设备监测量数据验证集与所述状态标签数据验证集相对应;
使用随机数作为LSTM深度网络的初始参数;
将所述电力设备监测量数据训练集以及所述状态标签数据训练集输入LSTM深度网络进行训练;
将所述电力设备监测量数据验证集以及所述状态标签数据验证集输入LSTM深度网络,计算训练后的LSTM深度网络的相对误差;
若所述相对误差满足预设条件,获得所述最终LSTM深度网络;
若所述相对误差未满足预设条件,执行所述将所述电力设备监测量数据训练集以及所述状态标签数据训练集输入LSTM深度网络,对所述LSTM深度网络进行训练的步骤。
LSTM(Generative Adversarial Network-Long Short-Term Memory,生成对抗-长短期记忆)是一种门限RNN,LSTM网络的巧妙之处是通过增加输入门,遗忘门和输出门,设计连接间的权重系数,使得LSTM网络能够累积距离较远节点间的长期联系,实现对数据的长期记忆性。
GAN(Generative Adversarial Networks,生成对抗网络)是一种生成对抗模型,受到博弈论影响,模型通常由一个生成器和一个判别器构成。生成器捕获真实数据的潜在分布,并且生成新的数据样本;判别器是二分类器,判别输入数据为真实数据还是由生成器生成的样本。
示例性的,收集并整合一定时间T内监测获得的M个电力设备监测量和对应的状态标签,形成电力设备监测量数据集X与状态标签数据集Y。
X=(x1,x2,……,xT)=(x1,x2,……,xM)T,可展开为下式:(下标表示不同的时刻,上标表示不同的监测量)
其中xt=(xt1,xt2,……,xtM)为M个监测量在时刻t的测量值集合。Y=(y1,y2,……,yT)∈RT。
将电力设备监测量数据集中的监测量输入LSTM深度网络并进行训练,达到训练效果后形成最终LSTM深度网络,最终LSTM深度网络对监测量的未来趋势进行预测,形成包含未来趋势监测量的数据集X’=(x1,x2,……,xT+N)。Y’=(y1,y2,……,yT+N),N为大于1的整数,其含义是至少包含未来1个时刻的数据集。
如图2所示,针对LSTM深度网络进行的训练操作步骤如下:
将电力设备监测量数据集划分为时间步长为10的列向量训练集输入X1、输出Y1、验证集输入X2以及输出Y2;
Y1=(x11,x12,……,xT-L+9),Y2=(xT-L+1,……,xT),其中L为训练集与验证集划分时刻,为大于10的任意整数。X1、Y1构成训练对,X2、Y2构成验证对。
使用训练对训练LSTM深度网络,LSTM深度网络的初始参数由随机数生成。
训练若干次后使用验证集对训练后的LSTM深度网络进行验证,计算训练后的LSTM深度网络在验证集上输出Y2’与Y2的相对误差,判断相对误差是否达到设置的标准,如设置相对误差为小于10%。
其中,xi为验证集的输出Y2元素,x′i为训练后的LSTM深度网络在验证集上的输出Y2’的元素。
若训练后的LSTM深度网络的相对误差达标,固定其参数,用于对整个电力设备监测量数据集进行未来趋势预测,形成包含未来趋势监测量的数据集X’=(x1,x2,……,xT+N)。Y’=(y1,y2,……,yT+N),N为大于1的整数;若否,继续训练LSTM深度网络直至准确率达标。
在步骤103中,利用GAN网络对所述第二电力设备监测量数据集以及所述第二状态标签数据集扩容,获得第三电力设备监测量数据集以及第三状态标签数据集。
在一些实施方式中,所述步骤103可以包括:
将所述第二电力设备监测量数据集输入所述GAN网络,对所述GAN网络中的生成器和判别器进行训练获得最终生成器;
基于所述最终生成器对所述第二电力设备监测量数据集和所述第二状态标签数据集进行扩容,获得获得第三电力设备监测量数据集以及第三状态标签数据集。
在一些实施方式中,所述将所述第二电力设备监测量数据集输入所述GAN网络,对所述GAN网络中的生成器和判别器进行训练获得最终生成器,包括:
将随机噪声输入所述生成器,获得噪声数据集,所述噪声数据集与所述第二电力设备监测量数据集类型相同;
训练判别器步骤:将所述生成器输出的数据集和所述第二电力设备监测量数据集输入所述判别器,对所述判别器进行训练;
循环执行所述训练判别器步骤,使得所述判别器对所述第二电力设备监测量数据集的分辨率达到第一阈值,固定判别器参数;
训练生成器步骤:将所述第二电力设备监测量数据集输入所述生成器,对所述生成器进行训练;
若所述生成器生成的训练数据集与所述第二电力设备监测量数据集的相似度大于或等于第二阈值,将此时训练得到的生成器作为所述最终生成器;若所述生成器生成的训练数据集与所述第二电力设备监测量数据集的相似度小于第二阈值,返回训练判别器步骤;其中,所述第二阈值大于或等于所述第一阈值。
示例性地,将包含未来趋势监测量的数据集导入GAN网络,对所述GAN网络中的生成器和判别器进行训练,达到训练效果后后形成最终生成器,对包括未来趋势监测量的数据集进行扩容生成X”=(x1,x2,……,xT+N),其中xt=(xt1,xt2,……,xtM*J),即X列向量由M列扩容成M*J列,数据集扩大了J倍,J为大于1的整数,并更新对应的标签,形成扩容后的标签数据集Y”=J*Y’,即标签集也扩大了J倍。
如图3所示,针对GAN网络进行的训练操作步骤如下:
生成随机数初始化GAN网络中的生成器,生成器由全连接神经网络构成。
将随机噪声Z=(z1,z2,……,zT+N)∈RT+N输入到生成器中,输出与包含未来趋势监测量类型相同的数据集:
生成器的输出数据集Z’与包含未来趋势监测量数据集X’一起输入到判别器中,判别器由二分类全连接神经网络构成。
判别器训练步骤:对判别器进行训练,直到判别器对于Z’的输出为0,对于X’的输出为1。
固定判别器参数,训练生成器,使得生成器与生成的包含未来趋势监测量尽可能相似。
判断判别器的准确率是否为0.5。
若判别器的准确率为0.5,表明判别器已经不能分别生成器的生成对象与原始输入的区别,生成器的生成对象已经与生成的包含未来趋势监测量完全相似,固定生成器参数,对包括未来趋势监测量的数据集进行扩容。
若判别器的准确率不为0.5,返回判别器训练步骤,继续训练生成器与判别器直至判别器的准确率为0.5
在步骤104中,基于所述第三电力设备监测量数据集以及所述第三状态标签数据集评价电力设备状态诊断算法的诊断效果。
在一些实施方式中,步骤104可以包括:
将所述第三电力设备监测量数据集输入所述目标电力设备状态诊断算法获得状态诊断结果;
根据所述状态诊断结果以及所述第三状态标签数据集,确定所述目标电力设备状态诊断算法的诊断效果。
在一些实施方式中,所述根据所述状态诊断结果以及所述第三状态标签数据集,确定所述目标电力设备状态诊断算法的诊断效果,包括:
根据所述状态诊断结果、所述第三状态标签数据集以及第一公式计算相对误差,所述第一公式:
其中,Ep为相对误差,y′i为所述第三电力设备监测量数据集第i元素的诊断结果,yi为所述第三状态标签数据集第i元素,Q为第三状态标签数据集元素总数量;基于上述步骤可知:
Q=J*(T+N)
根据上述相对误差,确定目标电力设备状态诊断算法的诊断效果,上述相对误差与目标电力设备状态诊断算法的诊断效果正相关,例如上述相对误差来越大目标电力设备状态诊断算法的诊断效果越差。
下面对本发明的实施例作详细说明,本实例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本实施例对500kV电压等级变压器的油色谱监测数据进行整理,形成变压器油色谱数据集与局部放电、过热和电弧放电三类状态标签数据集共1000条。随机选择800条数据构成训练集,剩下200条数据构成验证集。
将数据集中的油色谱数据输入LSTM深度网络并进行训练,经过准确率验证后形成最终LSTM深度网络,对油色谱的未来3天趋势进行预测,形成包含未来趋势监测量的油色谱数据集。
将包含未来趋势油色谱的数据集导入GAN网络,对所述GAN网络中的生成器和判别器进行训练,经过准确率验证后形成最终生成器,对包括未来趋势油色谱的数据集进行扩容,扩容至100000条,并更新对应的标签,形成扩容后的局部放电、过热和电弧放电标签数据集。
将扩容后的油色谱数据输入需要评估的“三比值”诊断算法,对输出的状态诊断结果与扩容后的局部放电、过热和电弧放电状态标签数据集进行比较,计算诊断算法的诊断准确率为0.8,表明传统的“三比值”法具有一定的准确性。
本发明实施方式公开的一种电力设备状态诊断效果确定方法,其采用GAN-LSTM深度学习算法对已有的电力设备有效状态监测信息进行未来趋势预测以及扩容,GAN主要由生成器与判别器组成,生成器的目的是学习真实数据的潜在分布规律,并生成符合该隐藏分布规律的新数据;判别器的目的是判别真实数据与生成数据,生成器和判别器相互制约,通过不断训练最终达到“以假乱真”的目的。通过扩容后的扩充数据库对任一电力设备状态诊断***或算法进行评估,根据已知结果和评估结果比较来判断任一电力设备状态诊断***或算法的诊断效果。
本发明所述方式公开的一种电力设备状态诊断效果确定方法,具有对电力设备的有效状态监测信息进行扩容的优点,可以解决电力设备有效监测数据量不足的问题;此外,本发明使用扩容后的包括未来趋势的监测量数据集,对任一状态诊断***或算法的效果进行评价,可以有效地解决对电力设备状态诊断***或算法评价手段缺失的问题。
应理解,上述实施方式中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施方式的实施过程构成任何限定。
以下为本发明的装置实施方式,对于其中未详尽描述的细节,可以参考上述对应的方法实施方式。
图4示出了本发明实施方式提供的电力设备状态诊断效果评价装置的功能框图,为了便于说明,仅示出了与本发明实施方式相关的部分,详述如下:
如图4所示,一种电力设备状态诊断效果评价装置,包括数据获取模块401、数据预测模块402、扩容模块403和诊断算法效果确定模块404。
数据获取模块401,用于获取第一电力设备监测量数据集。
数据预测模块402,用于利用LSTM深度网络对所述第一电力设备监测量数据集进行预测,获得第二电力设备监测量数据集以及第二状态标签数据集,所述第二电力设备监测量数据集与所述第二电力设备监测量数据集相对应。
扩容模块403,用于利用GAN网络对所述第二电力设备监测量数据集以及所述第二状态标签数据集扩容,获得第三电力设备监测量数据集以及第三状态标签数据集。
诊断算法效果确定模块404,用于利用所述第三电力设备监测量数据集以及所述第三状态标签数据集评价电力设备状态诊断算法的诊断效果。
图5是本发明实施方式提供的终端的功能框图。如图5所示,该实施方式的终端5包括:处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述各个电力设备状态诊断效果确定方法及电力设备状态诊断效果确定方法实施方式中的步骤,例如图1所示的步骤101至步骤104。或者,所述处理器50执行所述计算机程序52时实现上述各装置实施方式中各模块/单元的功能,例如图4所示模块/单元401至404的功能。
示例性的,所述计算机程序52可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器51中,并由所述处理器50执行,以完成本发明。所述一个或多个模块/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,该指令段用于描述所述计算机程序52在所述终端5中的执行过程。例如,所述计算机程序52可以被分割成图4所示的模块/单元401至404。
所述终端5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。所述终端5可包括,但不仅限于,处理器50、存储器51。本领域技术人员可以理解,图5仅仅是终端5的示例,并不构成对终端5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,例如所述终端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50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)、现场可编程门阵列(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。
所述存储器51可以是所述终端5的内部存储单元,例如终端5的硬盘或内存。所述存储器51也可以是所述终端5的外部存储设备,例如所述终端5上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器51还可以既包括所述终端5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器51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,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施方式中的各功能单元、模块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。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施方式中的对应过程,在此不再赘述。
在上述实施方式中,对各个实施方式的描述都各有侧重,某个实施方式中没有详述或记载的部分,可以参见其它实施方式的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施方式描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施方式中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施方式仅仅是示意性的,例如,所述模块或单元的划分,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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,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方式方案的目的。
另外,在本发明各个实施方式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。
所述集成的模块/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,本发明实现上述实施方式方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个电力设备状态诊断效果确定方法及电力设备状态诊断效果确定方法实施方式的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施方式仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施方式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方式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方式技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (6)
1.一种电力设备状态诊断效果确定方法,其特征在于,包括:
获取第一电力设备监测量数据集以及与所述第一电力设备监测量数据集相对应的第一状态标签数据集;
将所述第一电力设备监测量数据集划分为电力设备监测量数据训练集以及电力设备监测量数据验证集;
将所述第一状态标签数据集划分为状态标签数据训练集以及状态标签数据验证集;所述电力设备监测量数据训练集与所述状态标签数据训练集相对应,所述电力设备监测量数据验证集与所述状态标签数据验证集相对应;
将所述电力设备监测量数据训练集以及所述状态标签数据训练集输入LSTM深度网络,对所述LSTM深度网络进行训练;
将所述电力设备监测量数据验证集以及所述状态标签数据验证集输入LSTM深度网络,计算训练后的LSTM深度网络的相对误差;
若所述相对误差满足预设条件,获得最终LSTM深度网络;
若所述相对误差未满足预设条件,执行所述将所述电力设备监测量数据训练集以及所述状态标签数据训练集输入LSTM深度网络,对所述LSTM深度网络进行训练的步骤;
基于所述最终LSTM深度网络对所述第一电力设备监测量数据集的未来趋势进行预测,获得第二电力设备监测量数据集以及第二状态标签数据集,所述第二电力设备监测量数据集与所述第二状态标签数据集相对应;
利用GAN网络对所述第二电力设备监测量数据集以及所述第二状态标签数据集扩容,获得第三电力设备监测量数据集以及第三状态标签数据集;
将所述第三电力设备监测量数据集输入目标电力设备状态诊断算法获得状态诊断结果;
根据所述状态诊断结果、所述第三状态标签数据集以及第一公式计算相对误差,所述第一公式:
其中,为相对误差,/>为所述第三电力设备监测量数据集第i元素的诊断结果,/>为所述第三状态标签数据集第i元素,Q为第三状态标签数据集元素总数量;
根据所述相对误差,确定所述目标电力设备状态诊断算法的诊断效果;其中,所述相对误差与所述目标电力设备状态诊断算法的诊断效果正相关。
2.根据权利要求1所述的电力设备状态诊断效果确定方法,其特征在于,所述利用GAN网络对所述第二电力设备监测量数据集以及所述第二状态标签数据集扩容,获得第三电力设备监测量数据集以及第三状态标签数据集,包括:
将所述第二电力设备监测量数据集输入所述GAN网络,对所述GAN网络中的生成器和判别器进行训练,获得最终生成器;
基于所述最终生成器对所述第二电力设备监测量数据集和所述第二状态标签数据集进行扩容,获得所述第三电力设备监测量数据集以及所述第三状态标签数据集。
3.根据权利要求2所述的电力设备状态诊断效果确定方法,其特征在于,所述将所述第二电力设备监测量数据集输入所述GAN网络,对所述GAN网络中的生成器和判别器进行训练,获得最终生成器,包括:
将随机噪声输入所述生成器,获得噪声数据集,所述噪声数据集与所述第二电力设备监测量数据集类型相同;
训练判别器步骤:将所述生成器输出的数据集和所述第二电力设备监测量数据集输入所述判别器,对所述判别器进行训练;
循环执行所述训练判别器步骤,使得所述判别器对所述第二电力设备监测量数据集的分辨率达到第一阈值,固定判别器参数;
训练生成器步骤:将所述第二电力设备监测量数据集输入所述生成器,对所述生成器进行训练;
若所述生成器生成的训练数据集与所述第二电力设备监测量数据集的相似度大于或等于第二阈值,将此时训练得到的生成器作为所述最终生成器;若所述生成器生成的训练数据集与所述第二电力设备监测量数据集的相似度小于第二阈值,返回训练判别器步骤;其中,所述第二阈值大于或等于所述第一阈值。
4.一种电力设备状态诊断效果评价装置,其特征在于,用于实现如权利要求1-3任一项所述的电力设备状态诊断效果确定方法,包括:
数据获取模块,用于获取第一电力设备监测量数据集;
数据预测模块,用于获取与所述第一电力设备监测量数据集相对应的第一状态标签数据集,将所述第一电力设备监测量数据集划分为电力设备监测量数据训练集以及电力设备监测量数据验证集;将所述第一状态标签数据集划分为状态标签数据训练集以及状态标签数据验证集;所述电力设备监测量数据训练集与所述状态标签数据训练集相对应,所述电力设备监测量数据验证集与所述状态标签数据验证集相对应;将所述电力设备监测量数据训练集以及所述状态标签数据训练集输入LSTM深度网络,对所述LSTM深度网络进行训练;将所述电力设备监测量数据验证集以及所述状态标签数据验证集输入LSTM深度网络,计算训练后的LSTM深度网络的相对误差;若所述相对误差满足预设条件,获得最终LSTM深度网络;若所述相对误差未满足预设条件,执行所述将所述电力设备监测量数据训练集以及所述状态标签数据训练集输入LSTM深度网络,对所述LSTM深度网络进行训练的步骤;基于所述最终LSTM深度网络对所述第一电力设备监测量数据集的未来趋势进行预测,获得第二电力设备监测量数据集以及第二状态标签数据集,所述第二电力设备监测量数据集与所述第二状态标签数据集相对应;
扩容模块,用于利用GAN网络对所述第二电力设备监测量数据集以及所述第二状态标签数据集扩容,获得第三电力设备监测量数据集以及第三状态标签数据集;以及,
诊断算法效果确定模块,用于将所述第三电力设备监测量数据集输入目标电力设备状态诊断算法获得状态诊断结果;根据所述状态诊断结果、所述第三状态标签数据集以及第一公式计算相对误差,所述第一公式:
其中,为相对误差,/>为所述第三电力设备监测量数据集第i元素的诊断结果,/>为所述第三状态标签数据集第i元素,Q为第三状态标签数据集元素总数量;根据所述相对误差,确定所述目标电力设备状态诊断算法的诊断效果;其中,所述相对误差与所述目标电力设备状态诊断算法的诊断效果正相关。
5.一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上的权利要求1至3中任一项所述方法的步骤。
6.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上的权利要求1至3中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110791762.8A CN113657623B (zh) | 2021-07-13 | 2021-07-13 | 电力设备状态诊断效果确定方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110791762.8A CN113657623B (zh) | 2021-07-13 | 2021-07-13 | 电力设备状态诊断效果确定方法、装置、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113657623A CN113657623A (zh) | 2021-11-16 |
CN113657623B true CN113657623B (zh) | 2023-09-29 |
Family
ID=78478029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110791762.8A Active CN113657623B (zh) | 2021-07-13 | 2021-07-13 | 电力设备状态诊断效果确定方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657623B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108170994A (zh) * | 2018-01-29 | 2018-06-15 | 河海大学 | 一种基于双向深度网络的油浸式电抗器故障诊断方法 |
CN109031014A (zh) * | 2017-12-28 | 2018-12-18 | 国网湖北省电力公司宜昌供电公司 | 一种基于运行数据的变压器综合可靠性评估及预测方法 |
CN110501585A (zh) * | 2019-07-12 | 2019-11-26 | 武汉大学 | 一种基于Bi-LSTM和油中溶解气体分析的变压器故障诊断方法 |
CN110503187A (zh) * | 2019-07-26 | 2019-11-26 | 江苏大学 | 一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法 |
CN110598851A (zh) * | 2019-08-29 | 2019-12-20 | 北京航空航天大学合肥创新研究院 | 一种融合lstm和gan的时间序列数据异常检测方法 |
CN111709577A (zh) * | 2020-06-17 | 2020-09-25 | 上海海事大学 | 基于长程相关性gan-lstm的rul预测方法 |
CN111914705A (zh) * | 2020-07-20 | 2020-11-10 | 华中科技大学 | 提升电抗器健康状态评估准确率的信号生成方法及装置 |
CN111930728A (zh) * | 2020-06-30 | 2020-11-13 | 广州洪森科技有限公司 | 一种设备的特征参数和故障率的预测方法及*** |
CN112052874A (zh) * | 2020-07-31 | 2020-12-08 | 山东大学 | 一种基于生成对抗网络的生理数据分类方法及*** |
CN112465184A (zh) * | 2020-10-21 | 2021-03-09 | 广西大学 | 一种少样本生成式对抗学习网络的云储能***控制方法 |
CN112581719A (zh) * | 2020-11-05 | 2021-03-30 | 清华大学 | 基于时序生成对抗网络的半导体封装过程预警方法和装置 |
CN112699960A (zh) * | 2021-01-11 | 2021-04-23 | 华侨大学 | 基于深度学习的半监督分类方法、设备及存储介质 |
KR102266838B1 (ko) * | 2020-08-28 | 2021-06-18 | 대한민국 | 현장센서 및 머신러닝을 이용한 매몰지 침출수 감시기법 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110426415A (zh) * | 2019-07-15 | 2019-11-08 | 武汉大学 | 基于深度卷积神经网络和图像分割的油浸式变压器内部热故障诊断方法 |
-
2021
- 2021-07-13 CN CN202110791762.8A patent/CN113657623B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109031014A (zh) * | 2017-12-28 | 2018-12-18 | 国网湖北省电力公司宜昌供电公司 | 一种基于运行数据的变压器综合可靠性评估及预测方法 |
CN108170994A (zh) * | 2018-01-29 | 2018-06-15 | 河海大学 | 一种基于双向深度网络的油浸式电抗器故障诊断方法 |
CN110501585A (zh) * | 2019-07-12 | 2019-11-26 | 武汉大学 | 一种基于Bi-LSTM和油中溶解气体分析的变压器故障诊断方法 |
CN110503187A (zh) * | 2019-07-26 | 2019-11-26 | 江苏大学 | 一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法 |
CN110598851A (zh) * | 2019-08-29 | 2019-12-20 | 北京航空航天大学合肥创新研究院 | 一种融合lstm和gan的时间序列数据异常检测方法 |
CN111709577A (zh) * | 2020-06-17 | 2020-09-25 | 上海海事大学 | 基于长程相关性gan-lstm的rul预测方法 |
CN111930728A (zh) * | 2020-06-30 | 2020-11-13 | 广州洪森科技有限公司 | 一种设备的特征参数和故障率的预测方法及*** |
CN111914705A (zh) * | 2020-07-20 | 2020-11-10 | 华中科技大学 | 提升电抗器健康状态评估准确率的信号生成方法及装置 |
CN112052874A (zh) * | 2020-07-31 | 2020-12-08 | 山东大学 | 一种基于生成对抗网络的生理数据分类方法及*** |
KR102266838B1 (ko) * | 2020-08-28 | 2021-06-18 | 대한민국 | 현장센서 및 머신러닝을 이용한 매몰지 침출수 감시기법 |
CN112465184A (zh) * | 2020-10-21 | 2021-03-09 | 广西大学 | 一种少样本生成式对抗学习网络的云储能***控制方法 |
CN112581719A (zh) * | 2020-11-05 | 2021-03-30 | 清华大学 | 基于时序生成对抗网络的半导体封装过程预警方法和装置 |
CN112699960A (zh) * | 2021-01-11 | 2021-04-23 | 华侨大学 | 基于深度学习的半监督分类方法、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
基于生成对抗网络和深度残差神经网络的变电站异物检测;孙旭日;李延真;彭博;李晓悦;周超群;;电网与清洁能源(第09期);68-75 * |
数据匮乏场景下采用生成对抗网络的 空间负荷预测方法;肖白等;中国电机工程学报;第40卷(第24期);7990-8001 * |
数据驱动的人工智能技术在电力设备状态分析中的研究与应用;唐文虎;牛哲文;赵柏宁;季天瑶;李梦诗;吴青华;;高电压技术(第09期);2985-2999 * |
Also Published As
Publication number | Publication date |
---|---|
CN113657623A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wen et al. | Degradation modeling and RUL prediction using Wiener process subject to multiple change points and unit heterogeneity | |
CN108596616B (zh) | 用户数据真实性分析方法及装置、存储介质、电子设备 | |
CN114297036B (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
CN111709756A (zh) | 一种可疑社团的识别方法、装置、存储介质和计算机设备 | |
Park et al. | Missing-insensitive short-term load forecasting leveraging autoencoder and LSTM | |
Ayala Solares et al. | Nonlinear model structure detection and parameter estimation using a novel bagging method based on distance correlation metric | |
Wen et al. | Degradation assessment for the ball screw with variational autoencoder and kernel density estimation | |
Dong et al. | Multi‐task learning method for classification of multiple power quality disturbances | |
CN109783381B (zh) | 一种测试数据生成方法、装置及*** | |
CN114418189A (zh) | 水质等级预测方法、***、终端设备及存储介质 | |
Zhang et al. | SOH estimation and RUL prediction of lithium batteries based on multidomain feature fusion and CatBoost model | |
CN111325255B (zh) | 特定人群圈定方法、装置、电子设备及存储介质 | |
CN113657623B (zh) | 电力设备状态诊断效果确定方法、装置、终端及存储介质 | |
CN110348581B (zh) | 用户特征群中用户特征寻优方法、装置、介质及电子设备 | |
Dawood et al. | Power quality disturbance classification based on efficient adaptive Arrhenius artificial bee colony feature selection | |
CN108491559A (zh) | 一种基于归一化互信息估计的时间序列异常检测方法 | |
CN115170304B (zh) | 风险特征描述的提取方法和装置 | |
Li et al. | Reliability assessment based on time waveform characteristics with small sample: A practice inspired by few-shot learnings in metric space | |
CN116090353A (zh) | 产品剩余寿命预测方法和装置、电子设备及存储介质 | |
CN111091099A (zh) | 一种场景识别模型的构建方法、场景识别方法及设备 | |
CN115047262A (zh) | 基于电能质量数据的设备异常状态通用识别方法 | |
Lijun et al. | An intuitionistic calculus to complex abnormal event recognition on data streams | |
CN115423159A (zh) | 光伏发电预测方法、装置及终端设备 | |
CN113822371A (zh) | 训练分组模型,以及对时序数据进行分组的方法和装置 | |
CN112529303A (zh) | 基于模糊决策的风险预测方法、装置、设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |