CN114239867A - 故障类型确定方法、装置、计算机设备和可读存储介质 - Google Patents
故障类型确定方法、装置、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN114239867A CN114239867A CN202111313323.2A CN202111313323A CN114239867A CN 114239867 A CN114239867 A CN 114239867A CN 202111313323 A CN202111313323 A CN 202111313323A CN 114239867 A CN114239867 A CN 114239867A
- Authority
- CN
- China
- Prior art keywords
- operation data
- data
- determining
- target
- dimension
- 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 63
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 230000009467 reduction Effects 0.000 claims abstract description 200
- 238000012545 processing Methods 0.000 claims abstract description 59
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 230000006870 function Effects 0.000 claims description 77
- 239000006185 dispersion Substances 0.000 claims description 68
- 239000011159 matrix material Substances 0.000 claims description 68
- 238000011156 evaluation Methods 0.000 claims description 60
- 238000004590 computer program Methods 0.000 claims description 25
- 238000012544 monitoring process Methods 0.000 claims description 19
- 238000003745 diagnosis Methods 0.000 abstract description 11
- 238000005516 engineering process Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 238000001816 cooling Methods 0.000 description 5
- 238000010438 heat treatment Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本申请涉及一种故障类型确定方法、装置、计算机设备和可读存储介质。该方法通过获取能源互联网的运行数据;确定局部线性嵌入算法的目标邻近数据数量和目标维度M;根据目标邻近数据数量和目标维度对运行数据进行间隔降维处理,得到降维运行数据;利用故障识别算法处理降维运行数据,根据处理结果确定故障类型。本申请涉及的故障类型确定方法通过对能源互联网的运行数据进行降维处理后,再根据降维运行数据确定故障类型,这样可以减少计算量,节省时间,从而能够提高故障诊断效率。
Description
技术领域
本申请涉及能源互联网技术领域,特别是涉及一种故障类型确定方法、装置、计算机设备和可读存储介质。
背景技术
随着经济和技术的发展,风能和太阳能等可再生能源作为分布式电源大规模并入电网。但是各种可再生能源的不确定性、随机性和波动性等会造成能源供需平衡十分困难,对能源互联网的高效安全稳定运行带来挑战。安全稳定运行是能源互联网构建的基础,由于能源互联网具有分布式故障、大延时、信息采集量大、数据维度大、由电热强耦合所产生的不同时间尺度、由不同工作点所产生的非线性等特点,能源互联网的故障诊断可被等效为一类存在大量强非线性、多耦合变量的分布式***的故障诊断问题。
传统技术中,对电力***的故障类型诊断的方法大多是专业人员根据自身知识和经验进行诊断。然而,能源互联网的拓扑结构复杂,设置的传感器设备越来越多,可供分析和挖掘的数据量和数据类型越来越多。使用传统技术对获取的能源互联网的大量数据进行诊断时,会耗费时间和精力,使得故障诊断效率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种故障类型确定方法、装置、计算机设备和可读存储介质。
第一方面,本申请一个实施例提供一种故障类型确定方法,包括:
获取能源互联网的运行数据,运行数据为能源互联网的多个监测指标的值,运行数据的维度为N;
确定局部线性嵌入算法的目标邻近数据数量和目标维度M;
根据目标邻近数据数量和目标维度M对运行数据进行降维处理,得到降维运行数据,其中,降维运行数据的维度为M,M小于N;
利用故障识别算法处理降维运行数据,根据处理结果确定故障类型。
在其中一个实施例中,利用故障识别算法处理降维运行数据,根据处理结果确定故障类型,包括:
计算降维运行数据属于每种故障类型的均值和协方差矩阵;
根据均值和协方差矩阵,计算降维运行数据属于每种故障类型的概率密度,得到多个概率密度;
将多个概率密度中最大的概率密度对应的故障类型确定为运行数据对应的故障类型。
在其中一个实施例中,还包括:
获取能源互联网的运行数据样本集,其中,运行数据样本集包括多组运行数据样本和多组运行数据样本中每组运行数据样本对应的故障类型;
确定局部线性嵌入算法的邻近数据数量范围和维度范围;
遍历邻近数据数量范围内的所有邻近数据数量和维度范围内的所有维度的组合,对运行数据样本集进行降维处理,得到多个降维运行数据样本集;
根据多个降维运行数据样本集和故障类型,确定目标邻近数据数量和目标维度。
在其中一个实施例中,根据多个降维运行数据样本集和故障类型,确定目标邻近数据数量和目标维度,包括:
根据多个降维运行数据样本集和故障类型,确定多个预设评价准则函数;
根据多个预设评价准则函数,确定目标邻近数据数量和目标维度。
在其中一个实施例中,根据多个降维运行数据样本集和故障类型,确定多个预设评价准则函数,包括:
计算每个降维运行数据样本集中的降维运行数据样本属于的故障类型的均值,得到均值集;
根据均值集和降维运行数据样本集,确定每种故障类型内降维运行数据样本的离散度矩阵,得到多个类内离散度矩阵;
计算多个类内离散度矩阵的和,得到类内离散度矩阵和;
根据均值集,确定每种故障类型之间的降维运行数据样本的离散度矩阵,得到类间离散度矩阵;
根据类间离散度矩阵和类内离散度矩阵和,确定预设评价准则函数。
在其中一个实施例中,根据多个预设评价准则函数,确定目标邻近数据数量和目标维度,包括:
将多个预设评价准则函数中最大预设评价准则函数对应的邻近数据数量确定为目标邻近数据数量,将最大预设评价准则函数对应的维度确定为目标维度。
在其中一个实施例中,根据目标邻近数据数量和目标维度对运行数据进行降维,得到降维运行数据,包括:
根据目标邻近数据数量,获取运行数据中的邻近数据,其中,邻近数据的数量等于目标邻近数据数量;
根据邻近数据和运行数据,确定权重系数;
根据权重系数和目标维度,确定降维运行数据。
第二方面,本申请一个实施例提供一种故障类型确定装置,包括:
获取模块,用于获取能源互联网的运行数据,运行数据为能源互联网的多个监测指标的值,运行数据的维度为N;
目标数据确定模块,用于确定局部线性嵌入算法的目标邻近数据数量和目标维度M;
降维运行数据确定模块,用于根据目标邻近数据数量和目标维度对运行数据进行降维处理,得到降维运行数据,降维运行数据的维度为M,M小于N;
故障类型确定模块,用于利用故障识别算法处理降维运行数据,根据处理结果确定故障类型。
第三方面,本申请一个实施例提供一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现如上述实施例提供的方法的步骤。
第四方面,本申请一个实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如上述实施例提供的方法的步骤。
本申请实施例提供一种故障类型确定方法、装置、计算机设备和可读存储介质。该方法获取能源互联网的运行数据;确定局部线性嵌入算法的目标邻近数据数量和目标维度M;根据目标邻近数据数量和目标维度对运行数据进行降维处理,得到降维运行数据;利用故障识别算法处理降维运行数据,根据处理结果确定故障类型。本实施例提供的故障类型确定方法通过对运行数据进行降维处理后,再根据降维运行数据确定故障类型,这样在确定故障类型时可以减少计算量,节省时间,从而提高故障诊断效率。并且该方法通过局部线性嵌入算法对运行数据进行降维处理,使得降维处理后的降维运行数据会很好的体现运行数据的局部特征,从而能够提高确定故障类型的准确性。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案,下面将对实施例或传统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申请的一些实施例,对于本领域不同技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一个实施例提供的故障类型确定方法的步骤流程示意图;
图2为本申请一个实施例提供的故障类型确定方法的步骤流程示意图;
图3为本申请一个实施例提供的故障类型确定方法的步骤流程示意图;
图4为本申请一个实施例提供的故障类型确定方法的步骤流程示意图;
图5为本申请一个实施例提供的故障类型确定方法的步骤流程示意图;
图6为本申请一个实施例提供的故障类型确定方法的步骤流程示意图;
图7为本申请一个实施例提供的故障类型确定装置的结构示意图;
图8为本申请一个实施例提供的计算机设备的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似改进,因此本申请不受下面公开的具体实施例的限制。
随着经济和技术的发展,风能和太阳能等可再生能源作为分布式电源大规模并入电网。但是各种可再生能源的不确定性、随机性和波动性等会造成能源供需平衡十分困难,对能源互联网的高校安全稳定运行带来挑战。由于能源互联网具有分布式故障、大延时、信息采集量大、数据维度大、由电热强耦合所产生的不同时间尺度、由不同工作点所产生的非线性等特点,能源互联网的故障诊断可被等效为一类存在大量强非线性、多耦合变量的分布式***的故障诊断问题。
传统技术中,对能源互联网的故障类型诊断的方法大多是专业人员根据自身知识和经验进行诊断。但是随着由传统电网向能源互联网的发展,网络拓扑结构越来越复杂,设置的传感器设置越来越多,可供分析和挖掘的数据量和数据类型越来越多。随着数据量的增加,数据中蕴含的信息量也增加,但是其中冗余的信息也成倍增加。使用传统技术对能源互联网的数据进行诊断时,会耗费时间和经历,使得故障诊断效率较低。针对该问题,本申请提供一种故障类型确定方法。
下面以具体的实施例对本申请的技术方案以及本申请的技术方案如何解决技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
本申请提供的故障类型确定方法可以通过计算机设备实现。计算机设备包括但不限于控制芯片、个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。本申请提供的方法可以通过JAVA软件实现,也可以应用于其他软件。
请参见图1,本申请一个实施例提供一种故障类型确定方法,本实施例以该方法应用于计算机设备进行举例说明。该方法的步骤包括:
步骤100、获取能源互联网的运行数据,运行数据为能源互联网的多个监测指标的值,运行数据的维度为N。
计算机设备获取能源互联网的运行数据。运行数据可以是预先存储在计算机设备的存储器中,计算机设备在使用时,直接从存储器中获取即可;运行数据也可以是存储在能源互联网的专用存储设备中,计算机设备在使用时,从专用存储设备中获取。运行数据为能源互联网的多个监测指标的值,在本实施例中,获取的能源互联网的运行数据的维度为N。能源互联网的运行数据可以包括:电能监测采集的数据、燃气监测采集的数据和供冷供热监测采集的数据等。其中,电能监测采集的数据可以包括电压值、电流值、有功功率、无功功率、频率和功率因数等;燃气监测采集的数据可以包括热值、总硫化氢、二氧化碳、液态烃和固体颗粒等;供冷供热监测采集的数据可以包括温度值、压力和流量等。本实施例对运行数据的种类不作任何限制,使用者根据实际情况进行选择。例如:若要确定能源互联网的电能存在的故障类型,则可以选择电能监测采集的数据X=(X,Y,Z,W),其中,X表示电压值、Y表示电流值,Z表示有功功率,W表示无功功率。X的维度为N,也就是说,采集的电压值、电流值、有功功率和无功功率均为N个。若要确定供冷供热设备存在的类型,则可以选择供冷供热采集的数据。
步骤110、确定局部线性嵌入算法的目标邻近数据数量和目标维度M。
计算机设备确定局部线性嵌入算法的目标邻近数据数量和目标维度M。局部线性嵌入算法是非常重要的降维方法。目标邻近数据数量和目标维度是局部线性嵌入算法在降维过程中重要的两个参数。目标邻近数据数量是指与运行数据最邻近的数据的数量,目标维度是指使用局部线性嵌入算法降维后的运行数据的维度。本实施例对确定目标邻近数据数量和目标维度的方法不作任何限制,只要能够实现其功能即可。相比于传统的PCA和LDA等降维方法,该方法在降维时可以保持运行数据局部的线性特征,使得得到的降维后的数据更加准确。在一个可选的实施例中,目标邻近数据数量和目标维度是使用者根据经验预先设置的值。
步骤120、根据目标邻近数据数量和目标维度对运行数据进行降维处理,得到降维运行数据,其中,降维运行数据的维度为M,M小于N。
计算机设备在得到目标邻近数据数量和目标维度后,基于局部线性嵌入算法,根据目标邻近数据数量和目标维度对获取到的能源互联网的运行数据进行降维处理,可以得到降维运行数据。降维运行数据的维度为目标维度相同。M是经过降维处理后的运行数据的维度,N是降维处理前运行数据的维度,则M的值小于N的值。本实施例对运行数据进行降维处理的具体过程不作任何限制,只要能够实现其功能即可。
步骤130、利用故障识别算法处理降维运行数据,根据处理结果确定故障类型。
计算机设备在得到降维运行数据后,利用故障识别算法对该降维运行数据进行处理,可以根据处理结果确定故障类型。故障类型是指能源互联网存在的故障类型,该故障类型为降维运行数据对应的故障类型,即,根据该降维运行数据判断出的能源互联网的故障类型。本实施例对具体的故障识别算法不作任何限制,只要能够实现其功能即可。
本申请实施例提供的故障类型确定方法通过获取能源互联网的运行数据;确定局部线性嵌入算法的目标邻近数据数量和目标维度M;根据目标邻近数据数量和目标维度对运行数据进行降维处理,得到降维运行数据;利用故障识别算法处理降维运行数据,根据处理结果确定故障类型。本实施例提供的故障类型确定方法通过对运行数据进行降维处理后,再根据降维运行数据确定故障类型,这样在确定故障类型时可以减少计算量,节省时间,从而能够提高故障诊断效率。并且该方法通过局部线性嵌入算法对运行数据进行降维处理,使得降维处理后的降维运行数据会很好的体现运行数据的局部特征,从而能够提高确定故障类型的准确性。
请参见图2,在一个实施例中,利用故障识别算法处理降维运行数据,根据处理结果确定故障类型的步骤包括:
步骤200、计算降维运行数据属于每种故障类型的均值和协方差矩阵。
计算机设备在得到降维运行数据后,计算降维运行数据属于每种故障类型的均值和协方差矩阵。在计算机设备的存储器中预先存储有能源互联网可能存在的多种故障类型,例如:单相断路、两项断路、三相断路、过电流和过电压等多种类型的故障。本实施例对计算机设备的存储器中存储的故障类型不作任何限制,只要能够实现其功能即可。运行数据的种类与故障类型是相对应的,例如:电能监测采集的数据可以判断的故障类型是过电压和过电流等;供冷供热监测采集的数据可以判断的故障类型为温度过高和压力过大等;燃气监测采集的数据可以判断的故障类型为热值过高和二氧化碳含量过高等。计算机设备计算降维运行数据属于与其对应的每种故障类型的均值和协方差矩阵。
步骤210、根据均值和协方差矩阵,计算降维运行数据属于每种故障类型的概率密度,得到多个概率密度;
计算机设备在得到均值和协方差矩阵后,可以计算降维运行数据属于每种故障类型的概率密度,可以得到多个概率密度。概率密度的数据与故障类型的数量相同。计算机设备在计算概率密度之前,可以先确定降维运行数据的分布类型。本实施例对计算概率密度的方法不作任何限制,只要能够实现其功能即可。
步骤220、将多个概率密度中最大的概率密度对应的故障类型确定为运行数据对应的故障类型。
计算机设备在得到降维运行数据对应于多种故障类型的多个概率密度后,将其进行对比,找出多个概率密度中的最大概率密度,将该最大概率密度对应的故障类型确定为运行数据对应的故障类型,即根据运行数据可以判断出能源互联网存在的故障类型。
在本实施例中,通过计算降维运行数据对应于每种故障类型的概率密度,从中选择出最大概率密度,确定故障类型,这样可以更加准确的确定运行数据对应的故障类型。
请参见图3,在一个实施例中,目标邻近数据数量和目标维度可以通过相关计算方法确定。为了确定目标邻近数据数量和目标维度,故障类型确定方法还包括:
步骤300、获取能源互联网的运行数据样本集,其中,运行数据样本集包括多组运行数据样本和多组运行数据样本中每组运行数据样本对应的故障类型。
计算机设备获取能源互联网的运行数据样本集。运行数据样本集中包括多组运行数据样本,以及多组运行数据样本中每组运行数据样本对应的故障类型。对每组运行数据样本的描述可以参考上述实施例对运行数据的具体描述,在此不再赘述。每组运行数据样本对应的故障类型可以是根据现有技术中的故障诊断方法或者技术人员的经验判断得到的。
步骤310、确定局部线性嵌入算法的邻近数据数量范围和维度范围。
计算机设备在利用局部线性嵌入算法对运行数据样本集进行降维处理前,先确定局部线性嵌入算法的邻近数据数量范围和维度范围。邻近数据数量范围和维度范围可以是技术人员根据经验确定的。本实施例对邻近数据数量范围和维度范围的确定方法不作任何限制,只要能够实现其功能即可。
步骤320、遍历邻近数据数量范围内的所有邻近数据数量和维度范围内的所有维度的组合,对运行数据样本集进行降维处理,得到多个降维运行数据样本集。
计算机设备在确定邻近数据数量范围和维度范围后,基于局部线性嵌入算法遍历邻近数据数量范围内的所有邻近数据数量和维度范围内的所有维度组成的组合,对运行数据样本集进行降维处理,可以得到多个降维运行数据样本集。降维运行数据样本集中包括与运行数据样本集中的多组运行数据样本一一对应的降维运行数据样本。假设,邻近数据数量范围为2-4,维度范围为5-6.则邻近数据数量和维度的组合包括:邻近数据数量2个,维度5;邻近数据数量2个,维度6;邻近数据数量3个,维度5;邻近数据数量3个,维度6;邻近数据数量4个,维度5;邻近数据数量4个,维度6。计算机设备在近邻近数据数量和维度的每种组合下,均对运行数据样本集进行降维处理,可以得到多个降维运行数据样本集。降维运行数据样本集的数量和邻近数据数量和维度可以形成的组合的数量相同。本实施例对具体的降维处理的过程不作任何限制,只要能够实现其功能即可。
步骤330、根据多个降维运行数据样本集和故障类型,确定目标邻近数据数量和目标维度。
计算机设备在得到多个降维运行数据样本集后,根据降维运行数据样本集和运行数据样本集中每组运行数据样本对应的故障类型,确定目标邻近数据数量和目标维度。本实施例对具体确定目标邻近数据数量和目标维度的方法不作任何限制,只要能够实现其功能即可。
在一个可选的实施例中,每组运行数据样本对应的故障类型是确定的,利用故障识别算法或者技术人员根据检验可以确定每组运行数据对应的降维运行数据样本对应的故障类型,将该故障类型与预先确定的故障类型进行对比,可以将故障类型相同的对应的邻近数据数量和维度的组合中的邻近数据数量作为目标邻近数据数量,维度作为目标维度。
在本施例中,通过获取的运行数据样本集通过训练可以得到最优的目标邻近数据数量和目标维度,便于后续基于局部线性嵌入算法,根据目标邻近数据数量和目标维度对运行数据进行降维处理时更加准确,从而能够提高确定故障类型的准确性。
请参见图4,在一个实施例中,根据多个降维运行数据样本集和故障类型,确定目标邻近数据数量和目标维度的步骤包括:
步骤400、根据多个降维运行数据样本集和故障类型,确定多个预设评价准则函数。
计算机设备在得到多个降维数据样本集后,根据多个降维运行数据样本集和故障类型,可以确定多个预设评价准测函数。多个预设评价准则函数和多个降维运行数据样本集一一对应,即一个预设评价准则函数对应一个预设评价准则函数。预设评价准则函数用于评价降维运行数据样本集中每组降维运行数据样本的准确性和可靠性。本实施例对预设评价准则函数的确定方法不作任何限制,只要能够实现其功能即可。
步骤410、根据多个预设评价准则函数,确定目标邻近数据数量和目标维度。
计算机设备在得到多个预设评价准则函数后,将多个预设评价准则函数中的每个预设评价准则函数进行对比,选择其中最优的预设评价准则函数。将最优的预设评价准则函数对应的降维运行数据样本集确定为更加准确和可靠的降维运行数据样本集,则将该降维运行数据样本集对应的邻近数据数量确定为目标邻近数据数量,该降维运行数据样本集对应维度确定为目标维度。
在本实施例中,通过预设评价准则函数确定目标邻近数据数量和目标维度,可以提高确定目标邻近数据数量和目标维度的准确性和可靠性,从而能够提高故障类型确定的准确性和可靠性。
请参见图5,在一个实施例中,根据多个降维运行数据样本集和故障类型,确定多个预设评价准则函数的步骤包括:
步骤500、计算每个降维运行数据样本集中的降维运行数据样本属于的故障类型的均值,得到均值集。
计算机设备根据得到多个降维运行数据样本集后,对于每个降维运行数据样本集,根据故障类型计算每种故障类型内降维运行数据样本的均值,可以得到均值集。均值集中的均值的数量和故障类型的数量相同。每种故障类型内的降维运行数据样本是指降维运行数据样本集中可以判断出能源互联网属于该种故障类型的所有降维运行数据样本。具体的,均值集中的每个均值的计算可以用公式:其中,Ni表示属于i种故障类型的降维运行数据样本的数量,yj表示第j个降维运行数据样本,j的取值范围为1-B,B为降维运行数据样本集中属于φi故障类型的降维运行数据样本的数量,φ表示故障类型集合,s表示故障类型的数量。
步骤510、根据均值集和降维运行数据样本集,确定每种故障类型内降维运行数据样本的离散度矩阵,得到多个类内离散度矩阵。
步骤520、计算多个类内离散度矩阵的和,得到类内离散度矩阵和。
计算机设备在得到均值集后,根据降维运行数据样本集和均值集中的每个均值,计算每种故障类型内降维运行数据样本的离散度矩阵,得到多个类内离散度矩阵。类内离散度矩阵是指属于同一故障类型的降维运行数据样本之间的离散度矩阵。具体的,每个类内离散度矩阵的计算可以用公式表示。多个类内离散度矩阵可以表示为S1,S2,…,Ss。计算机设备在得到多个类内离散度矩阵后,对其进行求和处理,可以得到类内离散度矩阵和,即Sw=S1+S2+…Ss。类内离散度矩阵和也可以称为混合类内离散度矩阵,即多种故障类型的类内离散度矩阵。
步骤530、根据均值集,确定每种故障类型之间的降维运行数据样本的离散度矩阵,得到类间离散度矩阵;
计算机设备在得到均值后,根据降维运行数据样本集和均值集中的每个均值,还可以计算每种故障类型之间的降维运行数据样本的离散度矩阵,得到类间离散度矩阵。故障类型之间的降维运行数据样本的离散度矩阵是指属于第一故障类型的降维运行数据样本与属于第二故障类型的降维运行数据样本之间的离散度矩阵。具体的,类间离散度矩阵的计算可以用公式其中,c是指多个类内离散度矩阵的均值。
步骤540、根据类间离散度矩阵和类内离散度矩阵和,确定预设评价准则函数。
在一个实施例中,根据多个预设评价准则函数,确定目标邻近数据数量和目标维度,包括:
将多个预设评价准则函数中最大预设评价准则函数对应的邻近数据数量确定为目标邻近数据数量,将最大预设评价准则函数对应的维度确定为目标维度。
计算机设备将得到的多个预设评价准则函数值进行对比,最大的预设评价函数对应的邻近数据数量为最优的邻近数据数量,即为目标邻近数据数据。同时,最大的预设评价函数的维度为最优的维度,即为目标维度。
在本申请实施例中,通过能源互联网的历史运行数据样本集对设置的邻近数据数量范围和维度范围,可以得到更加准确和可靠的邻近数据数量和维度,从而使得使用该邻近数据数量和维度对获取的能源互联网的运行数据进行降维处理时,能够得到更加准确的降维运行数据,进而能够更加准确的确定故障类型。
请参见图6,在一个实施例中,根据目标邻近数据数量和目标维度对运行数据进行降维处理,得到降维运行数据的步骤包括:
步骤600、根据目标邻近数据数量,获取运行数据的邻近数据,其中,邻近数据的数量等于目标邻近数据数量。
计算机设备在得到目标邻近数据数量后,获取运行数据的目标邻近数据数量的邻近数据。具体的,获取与运行数据之间的欧式距离最近的目标邻近数据数量的邻近数据。
在一个可选的实施例中,能源互联网的运行数据通常是周期性获取,则运行数据的邻近数据可以是指与运行数据相邻的周期内获取的能源互联网的运行数据。
步骤610、根据邻近数据和运行数据,确定权重系数。
计算机设备在得到运行数据的邻近数据后,根据邻近数据和运行数据可以确定损失函数:其中,w表示权值系数,Xi表示第i个运行数据,Xj是指第j个邻近数据,邻近数据的数量为K。损失函数要达到最小,即其中,Σiwij=Wi T1K=1。损失函数其中,Wi=(wi1,wi2,…,wiK),令Ci=(xi-xj)T(xi-xj),则ε(W)=ΣiWi TCiWi。利用拉格朗日法将损失函数可以转换为:ε(W)=ΣiWi TCiWi+λ(Wi T1K-1),对W求导并令其值为0,得到2CiWi+λ1K=0,即其中,为常数。利用已知约束Wi T1K=1,对Wi进行归一化,得到最终权值系数
步骤620、根据权重系数和目标维度,确定降维运行数据。
计算机设备根据得到的权值系数和目标维度,对运行数据进行降维处理,即将运行数据映射到目标维度的空间中,得到降维运行数据。具体的:损失函数:约束条件为:Σiyi=0,其中,Y为降维运行数据。将损失函数矩阵化:其中,tr为迹函数。令F=(1-W)T(1-W),损失函数可以准换为:J(Y)=tr(YTFY)。通过拉格朗日函数加入优化条件YTY=FI,得到J(Y)=tr(YTFY)+λ(YTY-MI),对Y求导并令其为0,可以得到FY=λY。求出矩阵F的最小M个非零特征值对应的M个特征向量组成的矩阵,即为降维运行数据。
应该理解的是,虽然图中的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
请参见图7,本申请一个实施例提供一种故障类型确定装置10,该装置包括:获取模块11、目标数据确定模块12、降维运行数据确定模块13和故障类型确定模块14。其中,
获取模块11用于获取能源互联网的运行数据,运行数据为能源互联网的多个监测指标的值,运行数据的维度为N;
目标数据确定模块12用于确定局部线性嵌入算法的目标邻近数据数量和目标维度M;
降维运行数据确定模块13用于根据目标邻近数据数量和目标维度M对运行数据进行降维处理,得到降维运行数据,其中,降维运行数据的维度为M,M小于所述N;
故障类型确定模块14用于利用故障识别算法处理降维运行数据,根据处理结果确定故障类型。
在一个实施例中,故障类型确定模块14具体用于计算降维运行数据属于每种故障类型的均值和协方差矩阵;根据均值和协方差矩阵,计算降维运行数据属于每种故障类型的概率密度,得到多个概率密度;将多个概率密度中最大的概率密度对应的故障类型确定为运行数据对应的故障类型。
在一个实施例中,故障类型确定装置10还包括:
运行数据样本集获取单元,用于获取能源互联网的运行数据样本集,其中,运行数据样本集包括多组运行数据样本和多组运行数据样本中每组运行数据样本对应的故障类型;
范围确定单元,用于确定局部线性嵌入算法的邻近数据数量范围和维度范围;
降维运行数据样本集确定单元,用于遍历邻近数据数量范围内的所有邻近数据数量和维度范围内的所有维度的组合,对运行数据样本集进行降维处理,得到多个降维运行数据样本集;
目标数据获取单元,用于根据多个降维运行数据样本集和故障类型,确定目标邻近数据数量和目标维度。
在一个实施例中,目标数据获取单元具体用于根据多个降维运行数据样本集和故障类型,确定多个预设评价准则函数;根据多个预设评价准则函数集,确定目标邻近数据数量和目标维度。
在一个实施例中,目标数据获取单元具体还用于计算每个降维运行数据样本集中的降维运行数据样本属于的故障类型的均值,得到均值集;根据均值集和降维运行数据样本集,确定每种故障类型内降维运行数据样本的离散度矩阵,得到多个类内离散度矩阵;计算多个类内离散度矩阵的和,得到类内离散度矩阵和;根据均值集,确定每种故障类型之间的降维运行数据样本的离散度矩阵,得到类间离散度矩阵;根据类间离散度矩阵和类内离散度矩阵和,确定预设评价准则函数。
在一个实施例中,目标数据获取单元还用于将多个预设评价准则函数中最大预设评价准则函数对应的邻近数据数量确定为目标邻近数据数量,将最大预设评价准则函数对应的维度确定为目标维度。
在一个实施例中,降维运行数据确定模块13具体用于根据目标邻近数据数量,获取运行数据中的邻近数据,其中,邻近数据的数量等于目标邻近数据数量;根据邻近数据和运行数据,确定权重系数;根据权重系数和目标维度,确定降维运行数据。
关于上述故障类型确定装置10的具体限定可以参见上文中对于故障类型确定方法的限定,在此不在赘述。故障类型确定装置10中的各个模块可以全部或部分通过软件、硬件及其组合来实现。上述各装置、各模块或者各单元可以以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个装置或模块对应的操作。
请参见图8,在一个实施例中,提供了一种计算机设备,计算机设备可以是服务器,其内部结构图可以如图8所示。计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,计算机设备的处理器用于提供计算和控制能力。计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。计算机设备的数据库用于存储运行数据、目标邻近数据数量和目标维度等。计算机设备的网络接口用于与外部的终端通过网络连接通信。计算机设备被处理器执行时以实现一种故障类型确定方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取能源互联网的运行数据,运行数据为所述能源互联网的多个监测指标的值,运行数据的维度为N;
确定局部线性嵌入算法的目标邻近数据数量和目标维度M;
根据目标邻近数据数量和目标维度M对运行数据进行降维处理,得到降维运行数据,其中,降维运行数据的维度为M,M小于N;
利用故障识别算法处理降维运行数据,根据处理结果确定故障类型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:计算降维运行数据属于每种故障类型的均值和协方差矩阵;根据均值和协方差矩阵,计算降维运行数据属于每种所述故障类型的概率密度,得到多个概率密度;将多个概率密度中最大的概率密度对应的故障类型确定为运行数据对应的故障类型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取能源互联网的运行数据样本集,其中,运行数据样本集包括多组运行数据样本和多组运行数据样本中每组运行数据样本对应的故障类型;确定局部线性嵌入算法的邻近数据数量范围和维度范围;遍历邻近数据数量范围内的所有邻近数据数量和维度范围内的所有维度的组合,对运行数据样本集进行降维处理,得多个降维运行数据样本集;根据多个降维运行数据样本集和故障类型,确定目标邻近数据数量和目标维度。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据多个降维运行数据样本集和故障类型,确定多个预设评价准则函数;根据多个预设评价准则函数,确定目标邻近数据数量和目标维度。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:计算每个降维运行数据样本集中的降维运行数据样本属于的故障类型的均值,得到均值集;根据均值集和降维运行数据样本集,确定每种所述故障类型内降维运行数据样本的离散度矩阵,得到多个类内离散度矩阵;计算多个类内离散度矩阵的和,得到类内离散度矩阵和;根据均值集,确定每种故障类型之间的降维运行数据样本的离散度矩阵,得到类间离散度矩阵;根据类间离散度矩阵和类内离散度矩阵和,确定预设评价准则函数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将多个预设评价准则函数中最大预设评价准则函数对应的邻近数据数量确定为目标邻近数据数量,将最大预设评价准则函数对应的维度确定为目标维度。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据目标邻近数据数量,获取运行数据中的邻近数据,其中,邻近数据的数量等于目标邻近数据数量;根据邻近数据和运行数据,确定权重系数;根据权重系数和目标维度,确定降维运行数据。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取能源互联网的运行数据,运行数据为所述能源互联网的多个监测指标的值,运行数据的维度为N;
确定局部线性嵌入算法的目标邻近数据数量和目标维度M;
根据目标邻近数据数量和目标维度M对运行数据进行降维处理,得到降维运行数据,其中,降维运行数据的维度为M,M小于N;
利用故障识别算法处理降维运行数据,根据处理结果确定故障类型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:计算降维运行数据属于每种故障类型的均值和协方差矩阵;根据均值和协方差矩阵,计算降维运行数据属于每种所述故障类型的概率密度,得到多个概率密度;将多个概率密度中最大的概率密度对应的故障类型确定为运行数据对应的故障类型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取能源互联网的运行数据样本集,其中,运行数据样本集包括多组运行数据样本和多组运行数据样本中每组运行数据样本对应的故障类型;确定局部线性嵌入算法的邻近数据数量范围和维度范围;遍历邻近数据数量范围内的所有邻近数据数量和维度范围内的所有维度的组合,对运行数据样本集进行降维处理,得到多个降维运行数据样本集;根据多个降维运行数据样本集和故障类型,确定目标邻近数据数量和目标维度。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据多个降维运行数据样本集和故障类型,确定多个预设评价准则函数;根据多个预设评价准则函数,确定目标邻近数据数量和目标维度。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:计算每个降维运行数据样本集中的降维运行数据样本属于的故障类型的均值,得到均值集;根据均值集和降维运行数据样本集,确定每种所述故障类型内降维运行数据样本的离散度矩阵,得到多个类内离散度矩阵;计算多个类内离散度矩阵的和,得到类内离散度矩阵和;根据均值集,确定每种故障类型之间的降维运行数据样本的离散度矩阵,得到类间离散度矩阵;根据类间离散度矩阵和类内离散度矩阵和,确定预设评价准则函数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将多个预设评价准则函数中最大预设评价准则函数对应的邻近数据数量确定为目标邻近数据数量,将最大预设评价准则函数对应的维度确定为目标维度。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据目标邻近数据数量,获取运行数据中的邻近数据,其中,邻近数据的数量等于目标邻近数据数量;根据邻近数据和运行数据,确定权重系数;根据权重系数和目标维度,确定降维运行数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种故障类型确定方法,其特征在于,包括:
获取能源互联网的运行数据,所述运行数据为所述能源互联网的多个监测指标的值,所述运行数据的维度为N;
确定局部线性嵌入算法的目标邻近数据数量和目标维度M;
根据所述目标邻近数据数量和所述目标维度M对所述运行数据进行降维处理,得到降维运行数据,其中,所述降维运行数据的维度为M,所述M小于所述N;
利用故障识别算法处理所述降维运行数据,根据处理结果确定故障类型。
2.根据权利要求1所述的故障类型确定方法,其特征在于,所述利用故障识别算法处理所述降维运行数据,根据处理结果确定故障类型,包括:
计算所述降维运行数据属于每种故障类型的均值和协方差矩阵;
根据所述均值和所述协方差矩阵,计算所述降维运行数据属于每种所述故障类型的概率密度,得到多个概率密度;
将所述多个概率密度中最大的概率密度对应的故障类型确定为所述运行数据对应的故障类型。
3.根据权利要求1所述的故障类型确定方法,其特征在于,所述方法还包括:
获取所述能源互联网的运行数据样本集,其中,所述运行数据样本集包括多组运行数据样本和所述多组运行数据样本中每组运行数据样本对应的故障类型;
确定所述局部线性嵌入算法的邻近数据数量范围和维度范围;
遍历所述邻近数据数量范围内的所有邻近数据数量和所述维度范围内的所有维度的组合,对所述运行数据样本集进行降维处理,得到多个降维运行数据样本集;
根据所述多个降维运行数据样本集和所述故障类型,确定所述目标邻近数据数量和所述目标维度。
4.根据权利要求3所述的故障类型确定方法,其特征在于,所述根据多个降维运行数据样本集和所述故障类型,确定所述目标邻近数据数量和所述目标维度,包括:
根据所述多个降维运行数据样本集和所述故障类型,确定多个预设评价准则函数;
根据所述多个预设评价准则函数,确定所述目标邻近数据数量和所述目标维度。
5.根据权利要求4所述的故障类型确定方法,其特征在于,所述根据所述多个降维运行数据样本集和所述故障类型,确定多个预设评价准则函数,包括:
计算每个所述降维运行数据样本集中的降维运行数据样本属于的故障类型的均值,得到均值集;
根据所述均值集和所述降维运行数据样本集,确定每种所述故障类型内降维运行数据样本的离散度矩阵,得到多个类内离散度矩阵;
计算所述多个类内离散度矩阵的和,得到类内离散度矩阵和;
根据所述均值集,确定每种所述故障类型之间的降维运行数据样本的离散度矩阵,得到类间离散度矩阵;
根据所述类间离散度矩阵和所述类内离散度矩阵和,确定所述预设评价准则函数。
6.根据权利要求5所述的故障类型确定方法,其特征在于,所述根据所述多个预设评价准则函数,确定所述目标邻近数据数量和所述目标维度,包括:
将所述多个预设评价准则函数中最大预设评价准则函数对应的邻近数据数量确定为所述目标邻近数据数量,将所述最大预设评价准则函数对应的维度确定为所述目标维度。
7.根据权利要求1所述的故障类型确定方法,其特征在于,所述根据所述目标邻近数据数量和所述目标维度对所述运行数据进行降维,得到降维运行数据,包括:
根据所述目标邻近数据数量,获取所述运行数据中的邻近数据,其中,所述邻近数据的数量等于所述目标邻近数据数量;
根据所述邻近数据和所述运行数据,确定权重系数;
根据所述权重系数和所述目标维度,确定所述降维运行数据。
8.一种故障类型确定装置,其特征在于,包括:
获取模块,用于获取能源互联网的运行数据,所述运行数据为所述能源互联网的多个监测指标的值,所述运行数据的维度为N;
目标数据确定模块,用于确定局部线性嵌入算法的目标邻近数据数量和目标维度M;
降维运行数据确定模块,用于根据所述目标邻近数据数量和所述目标维度对所述运行数据进行降维处理,得到降维运行数据,所述降维运行数据的维度为M,所述M小于所述N;
故障类型确定模块,用于利用故障识别算法处理所述降维运行数据,根据处理结果确定故障类型。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111313323.2A CN114239867A (zh) | 2021-11-08 | 2021-11-08 | 故障类型确定方法、装置、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111313323.2A CN114239867A (zh) | 2021-11-08 | 2021-11-08 | 故障类型确定方法、装置、计算机设备和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114239867A true CN114239867A (zh) | 2022-03-25 |
Family
ID=80748604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111313323.2A Pending CN114239867A (zh) | 2021-11-08 | 2021-11-08 | 故障类型确定方法、装置、计算机设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114239867A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116402492A (zh) * | 2023-03-16 | 2023-07-07 | 广东省智能家电研究院 | 一种家电维修预警方法及其相关设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107085164A (zh) * | 2017-03-22 | 2017-08-22 | 清华大学 | 一种电网故障类型确定方法及装置 |
CN110672324A (zh) * | 2019-09-02 | 2020-01-10 | 佛山科学技术学院 | 一种基于有监督lle算法的轴承故障诊断方法及装置 |
CN111965442A (zh) * | 2020-07-02 | 2020-11-20 | 江苏能来能源互联网研究院有限公司 | 一种数字孪生环境下的能源互联网故障诊断方法及装置 |
-
2021
- 2021-11-08 CN CN202111313323.2A patent/CN114239867A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107085164A (zh) * | 2017-03-22 | 2017-08-22 | 清华大学 | 一种电网故障类型确定方法及装置 |
CN110672324A (zh) * | 2019-09-02 | 2020-01-10 | 佛山科学技术学院 | 一种基于有监督lle算法的轴承故障诊断方法及装置 |
CN111965442A (zh) * | 2020-07-02 | 2020-11-20 | 江苏能来能源互联网研究院有限公司 | 一种数字孪生环境下的能源互联网故障诊断方法及装置 |
Non-Patent Citations (2)
Title |
---|
田媛媛;黄雅玲;董飞;丁恩杰;: "基于敏感特征选取与改进NPE的滚动轴承故障诊断方法", 机械设计与制造, no. 10, 8 October 2020 (2020-10-08), pages 6 - 10 * |
魏永合;刘炜;杨艳君;苏君金;: "基于LLE及其改进距离算法的轴承故障诊断模型", 组合机床与自动化加工技术, no. 07, 20 July 2018 (2018-07-20), pages 73 - 77 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116402492A (zh) * | 2023-03-16 | 2023-07-07 | 广东省智能家电研究院 | 一种家电维修预警方法及其相关设备 |
CN116402492B (zh) * | 2023-03-16 | 2024-05-31 | 广东省智能家电研究院 | 一种家电维修预警方法及其相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10628896B2 (en) | System stability monitoring device and system stability monitoring system | |
EP3905424B1 (en) | Data processing device, data processing method and computer program | |
CN110391840B (zh) | 太阳同步轨道卫星遥测参数异常判断方法和*** | |
US20210141024A1 (en) | Method and system for diagnosing the operating state of an electrochemical system in real-time, and electrochemical system incorporating this diagnostic system | |
CN109670549B (zh) | 火电机组的数据筛选方法、装置以及计算机设备 | |
KR20220110948A (ko) | 디지털트윈 장치 및 디지털트윈 기반의 배터리 온도감시방법 | |
CN110806540B (zh) | 电芯测试数据处理方法、装置、***和存储介质 | |
CN115238831A (zh) | 故障预测方法、装置、计算机设备、存储介质和程序产品 | |
CN114897331A (zh) | 一种基于三参数区间灰数决策的电力变压器风险评估方法 | |
CN113746425B (zh) | 光伏逆变器参数异常分析方法、*** | |
CN114239867A (zh) | 故障类型确定方法、装置、计算机设备和可读存储介质 | |
Khera et al. | Valve regulated lead acid battery diagnostic system based on infrared thermal imaging and fuzzy algorithm | |
CN110544031B (zh) | 电能表可靠度预计方法、装置、计算机设备和存储介质 | |
CN113222531A (zh) | 数据存储及监控方法、***、计算机设备和存储介质 | |
CN117169761A (zh) | 电池状态评估方法、装置、设备、存储介质和程序产品 | |
CN114065681A (zh) | Emc等效电路建模方法、***和计算机设备 | |
CN109389330B (zh) | 配电网基建工程造价分析方法、装置、计算机设备和存储介质 | |
WO2023157373A1 (ja) | 電池管理装置、電池管理プログラム | |
CN116662771A (zh) | 电容式电压互感器自适应pca误差定量评价的方法及*** | |
CN116298988A (zh) | 一种储能电站中电池状态的诊断方法及装置 | |
CN111505445B (zh) | 台区相户关系的可信度检测方法、装置和计算机设备 | |
CN109193563B (zh) | 基于三相三线表计设备的失流故障监测方法和装置 | |
Sin et al. | Data-driven prediction of battery degradation using EIS-based robust features | |
CN109190903B (zh) | 作业风险评估方法、装置、计算机设备和存储介质 | |
CN111337764A (zh) | 充电桩故障诊断***、方法及存储介质 |
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 |