CN116614177B - 一种光纤状态多维度参量监测*** - Google Patents
一种光纤状态多维度参量监测*** Download PDFInfo
- Publication number
- CN116614177B CN116614177B CN202310509077.0A CN202310509077A CN116614177B CN 116614177 B CN116614177 B CN 116614177B CN 202310509077 A CN202310509077 A CN 202310509077A CN 116614177 B CN116614177 B CN 116614177B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- optical fiber
- time
- prediction
- 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
- 239000013307 optical fiber Substances 0.000 title claims abstract description 106
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000003287 optical effect Effects 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 46
- 230000015654 memory Effects 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 26
- 238000004891 communication Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 18
- 230000006399 behavior Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000003993 interaction Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 14
- 239000000835 fiber Substances 0.000 claims description 12
- 238000007621 cluster analysis Methods 0.000 claims description 10
- 238000013145 classification model Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000013139 quantization Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000007667 floating Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000002787 reinforcement Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims 1
- 238000012423 maintenance Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000005452 bending Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012482 interaction analysis Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
- H04B10/0795—Performance monitoring; Measurement of transmission parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/34—Browsing; Visualisation therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/092—Reinforcement learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
- H04L67/1004—Server selection for load balancing
- H04L67/1008—Server selection for load balancing based on parameters of servers, e.g. available memory or workload
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
- H04L67/1004—Server selection for load balancing
- H04L67/1023—Server selection for load balancing based on a hash applied to IP addresses or costs
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Electromagnetism (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Telephonic Communication Services (AREA)
Abstract
本申请涉及一种光纤状态多维度参量监测***,涉及光纤的技术领域,其包括数据采集装置;数据采集装置用于采集多源数据信息;多源数据信息包括:电信号、光信号及热信号;以及,边缘设备;边缘设备用于接收多源数据信息并通过卷积神经网络模型进行运算处理及信息分析,并将运算处理及信息分析的结果发送至外部的云服务器。
Description
技术领域
本申请涉及光纤的技术领域,尤其是涉及一种光纤状态多维度参量监测***。
背景技术
电能已经成为现今社会人们生产生活必不可少的要素之一,电力***的稳定运行已成为社会稳定和国民经济发展的重要保障。电力光纤通信与微波通信、电缆通信相比具有承载信息容量大、信息传递迅速、低损耗、高保密性、适合远距离稳定传输、抗腐蚀抗干扰能力强、安装方便等优点,在电力通信***中得到普遍运用,承载了超过95%的电力通信服务。因此电力光纤传输网络运行的可靠性、稳定性已经成为电力***安全运行的重要支柱,一旦光纤线路发生故障,造成的通信中断将会给国网公司带来巨大的经济损失,以及重大的社会影响。
目前,一部分电力光纤埋藏在地下,而电力光纤随电力线缆敷设在输电杆塔之间,受雨雪等突发自然灾害影响较大,容易出现光纤断裂现象,影响正常光通信。同时,还有一部分电力光纤是随着电力输电线路一起架设在空中,导致与其他光缆相比,易受到自然因素的影响(覆冰和大风等)。电力光纤通信网络日益复杂,电力光纤的维护难度、维护成本也逐渐提高。除突发雨雪天气造成电力光纤通信中断之外,受风力、阳光暴晒、高温、潮湿等因素影响,使用时间较长的电力光纤容易出现轻微裂痕、弯折等问题,这些裂痕和弯折会折射光信号,形成光损耗,久而久之造成光纤线路状态老化影响光通信准确率,更为甚者,光纤直接弯折、裂缝和断裂导致电力光缆直接出现问题。
综上所述,电力光纤通信网规模越来越大,其暴露出的光纤故障监测不及时和光纤线路维护难度增加等问题越来越严重。作为电力***输电调度通信的关键部分,电力光纤网络一旦发生故障,通信中断可能会给电力***造成重大的经济损失,电力光纤故障是不可避免的现实问题,仅依靠人工抢修、人工维护存在时效低、经济成本高的问题,因而如何做到电力光纤故障在线监测和电力光纤线路状态预警是本领域需要攻克的技术难题。
发明内容
为了至少部分解决上述技术问题,本申请提供了一种光纤状态多维度参量监测***。
本申请提供的一种光纤状态多维度参量监测***采用如下的技术方案。
一种光纤状态多维度参量监测***,包括:
数据采集装置;所述数据采集装置用于采集多源数据信息;所述多源数据信息包括:电信号、光信号及热信号;以及,
边缘设备;所述边缘设备用于接收所述多源数据信息并通过卷积神经网络模型进行运算处理及信息分析,并将运算处理及信息分析的结果发送至外部的云服务器;
其中,所述边缘设备的前端包括算法部署部分以及边缘区域总结点;
所述算法部署部分用于卷积神经网络模型的部署与优化;
所述边缘区域总结点用于:
数据实时采集,对从各个节点传送来的数据信息进行实时汇聚;
数据实时传输,对从各个节点传送来的数据信息进行实时向云服务器发送;
数据异常检测,利用卷积神经网络模型实时监测数据质量。
可选的,所述卷积神经网络模型的部署与优化,包括:
选取CRSnet模型;
将CSRnet网络模型从vggnet模型替换为mobilenet模型;
在模型训练过程中对不重要的参数和冗余的通道进行删减;以及,
通过参数量化对将原本32位浮点数的权重和激活值转换为8位定点数值。
可选的,所述通过卷积神经网络模型进行运算处理,包括:
步骤301、将光纤实时数据和历史数据构建融合高维数据矩阵;
步骤302、对所述高维数据矩阵进行PCA降维;
步骤303、对步骤302中的数据基于领域自适应的粗糙集聚类分析得到上近似集的聚类中心和下近似集的聚类中心,并且得到聚类分析后的聚类结果。
可选的,所述边缘设备还部署有光纤状态分类模型;所述光纤状态分类模型的生成方法包括:
特征聚类步骤;
DCNN训练步骤;
循环执行特征聚类步骤和DCNN训练步骤,实现对所有类别的深度特征判别性和模型识别性能的增强;
其中,所述特征聚类步骤包括:特征提取,获得深度特征;利用k-means聚类方法对深度特征依据类别进行聚类,得到数据在DCNN特征空间的分布结构;
所述DCNN训练步骤包括:根据DCNN输出、样本标签和聚类结果计算交叉熵损失和聚类度量损失;利用交叉熵损失和聚类度量损失对DCNN的模型输出和特征表示进行联合优化。
可选的,所述边缘设备还部署有光纤状态预测模型;所述光纤状态预测模型的生成方法包括:
步骤501、对历史数据、实时数据以及积累的故障数据进行采样以建立基于长短时记忆网络的时序故障模式模型;长短时记忆网络包括:细胞状态及隐状态;长短时记忆网络内部包括以下三个阶段:忘记阶段;所述忘记阶段用于对上一个节点传进来的输入进行选择性忘记,控制上一个状态的信息中需要包括的部分及需要遗忘的部分,并在最后得到一个中间向量;选择记忆阶段;所述选择记忆阶段用于:将输入有选择性地进行记忆;重要部分多记录,不重要的少记录;输出阶段;所述输出阶段用于通过输出控制函数决定哪些将会被作为当前状态的输出以及对上一阶段选择记忆阶段的信号进行放缩处理;
步骤502、在每一个长短时记忆网络中融合光纤相关的先验机理模型;
步骤503、经过训练后,得到若干个不同的服役条件下光纤的时序故障模式模型;
步骤504、通过若干个所述时序故障模式模型得到若干个光纤服役阶段的故障模式曲线;每一个曲线是由不同的时序光纤性能衰退或者故障模式模型所拟合的;
步骤505、对每一个曲线进行一个近似积分,得到特定光纤阶段的损伤程度预测结果;不同的预测结果组成一个结果区间;
步骤506、计算不同预测曲线间的方差得到在不同时间节点的预测结果的置信度;
步骤507、将新数据反馈到已经用历史数据训练好的模型当中,检测模型的预测准确率和精度,不断地迭代。
可选的,所述通过卷积神经网络模型进行信息分析,包括:
将多个领域的知识符号化,构建统一的知识图谱;
使用知识表示学习方法和多模态特征提取方法分别将领域知识图谱和海量光纤数据映射到同一个向量空间,并保持知识的复杂结构和数据的内在语义;
面向具体的数据分析任务和特定的用户群体,以图像、文本及图谱形式呈现分析过程和分析结果以进行可视化呈现。
可选的,所述进行可视化呈现,还包括:
通过以往的交互记录获得用户的行为序列数据和相应的***内部数据,
对所设计的卷积神经网络模型进行线下训练;
在线上动态地预测用户下一时刻的交互行为及其可能对***造成的影响、节点间的通信与负载情况;
基于所预测的用户行为和***状态,通过深度强化学习算法调配资源调配以及协调用户交互行为。
可选的,所述边缘区域总结点还用于:本地数据备份,将原始数据和处理后的数据信息保存在本地存储中。
可选的,所述边缘区域总结点还用于:上传数据日志至云端功能,通过网络定期发送日志至云服务器。
附图说明
图1是本申请实施例一种光纤状态多维度参量监测***的***框图;
图2是本申请实施例一种光纤状态多维度参量监测***的一种具体实施方式。
具体实施方式
下面结合附图1-2和具体实施例对本申请做进一步说明:
首先,这里需要说明的是:在本申请的描述中,如出现术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等方位词,其所指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制;此外,如出现术语“第一”、“第二”、“第三”等数字量词仅用于描述目的,而不能理解为指示或暗示相对重要性。另外,在本申请中,除非另有明确的规定和限定,如出现术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接、过盈配合、过渡配合等限位连接,或一体连接;可以是直接相连,也可以通过中间媒介间接相连;因此对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
本申请实施例公开一种光纤状态多维度参量监测***。作为一种光纤状态多维度参量监测***的一种实施方式,该***包括:
数据采集装置;数据采集装置用于采集多源数据信息;多源数据信息包括:电信号、光信号及热信号;以及,
边缘设备;边缘设备用于接收多源数据信息并通过卷积神经网络模型进行运算处理及信息分析,并将运算处理及信息分析的结果发送至外部的云服务器;
其中,边缘设备的前端包括算法部署部分以及边缘区域总结点;
算法部署部分用于卷积神经网络模型的部署与优化;
边缘区域总结点用于:
数据实时采集,对从各个节点传送来的数据信息进行实时汇聚;
数据实时传输,对从各个节点传送来的数据信息进行实时向云服务器发送;
数据异常检测,利用卷积神经网络模型实时监测数据质量
具体地,边缘计算是一种通过采用存储、计算、网络、应用核心能力为一体的开放平台,在靠近数据源头侧或设备物理环境层就近提供端服务的技术方案。边缘计算通过将核心节点的计算任务和功能下发到具有计算能力的边缘侧设备,形成边缘计算节点(edgecomputingnode),充分利用边缘侧的处理计算能力,对信息进行初步的处理,甚至完全向用户提供原来在云计算服务器运行的服务。电力光纤传输***的状态监测需要采集多种类型的参量,主要包括光纤本体状态、周围环境状态以及数据传输状态等三大类参数。这些参数涉及不同类型的信号包括:电信号、光信号和热信号等,需要通过数据采集装置进行采集。为了确保光纤状态采集过程中不会断网,数据采集装置还必须集成光纤装置。
本申请,围绕电力光纤通信网络服役和运维过程中面临的、安全隐患多、运行风险大、故障突发性强以及运维工作量大等问题,结合人工智能和大数据等先进信息技术,开展光纤状态多维度参量监测、诊断与预测***研究与应用,通过开展光纤“电-光-热”多参量实时数据采集技术及其装置、光纤性能演化及故障的评价指标体系、光纤状态分类模型、光纤状态预测方法,形成光纤多维度参量的实时监测能力,以及光纤性能演化不同阶段以及多模式故障的分类、诊断和预测能力,不仅为光纤运维的数字化转型奠定基础,而且为保障电力光纤通信网络的安全提供科学和实践依据。
参照图1,本申请的***主要由“电—光—热”多类型数据采集装置和部署了神经网络算法的边缘设备组成。在该***中,首先将神经网络算法部署到边缘设备中,这样可以在边缘设备上进行实时的数据处理和分析,避免了数据传输延迟和带宽瓶颈的问题。同时,边缘设备通过数据采集装置实时采集多源数据信息。采集到的数据经过神经网络算法的运算处理和信息分析后,将结果发送到云服务器,以便进一步的数据处理和存储。
参照图2,在整个边缘计算前端中,主要聚焦于边缘***实现部分,包括神经网络算法的部署、边缘端多源多参量数据的采集和处理、边缘节点的简单分析和预测,以及与云服务器的通信。此外,为了应对实时海量数据采集的挑战,利用深度学习模型实时判断数据的异常点,进行数据的实时预处理,以提高数据处理的效率和准确性。
在数据采集装置分别针对“电—光—热”三大类信号开发相应的数据采集装置。多个数据采集装置通过总线协议传输至区域总结点,可以采用ARCiotdk开发板作为边缘端总结点。
作为一种光纤状态多维度参量监测***的一种具体实施方式,卷积神经网络模型的部署与优化,包括:
选取CRSnet模型;
将CSRnet网络模型从vggnet模型替换为mobilenet模型;
在模型训练过程中对不重要的参数和冗余的通道进行删减;以及,
通过参数量化对将原本32位浮点数的权重和激活值转换为8位定点数值。
具体地,本申请参考CRSnet模型的结构设计,并根据边缘端处理器运算能力差的特点进行针对性改进。主要优化包括:
将CSRnet网络模型从vggnet模型替换为轻量级的mobilenet模型,mobilenet是轻量级的卷积神经网络,适合部署在性能相对比较低的边缘端,通过模型替换大大减少了计算量。
对模型进行了参数剪枝。通过评估算法,在训练过程中对不重要的参数和冗余的通道进行了删减,在保证精度的情况下减少网络的运算量。
对参数进行了量化。通过参数量化对将原本32位浮点数的权重和激活值转换为8位定点数值。量化后的8位定点数参数,不仅可以减小参数的存储空间,并且相对于浮点数运算,定点数运算在硬件中需要更少的资源,有更高的运行速度。
通过模型通道裁剪和参数量化的方式对模型压缩进行压缩,参数量下降到了原模型的6.67%。压缩后的模型以tensorflowlite格式输出。
作为一种光纤状态多维度参量监测***的一种具体实施方式,通过卷积神经网络模型进行运算处理,包括:
步骤301、将光纤实时数据和历史数据构建融合高维数据矩阵;
步骤302、对高维数据矩阵进行PCA降维;
步骤303、对步骤302中的数据基于领域自适应的粗糙集聚类分析得到上近似集的聚类中心和下近似集的聚类中心,并且得到聚类分析后的聚类结果。
具体地,电力光纤传输网络***涉及的不同类型的参数指标,本申请提出一种聚类方法,该聚类方法利用主成分分析的思想进行降维,利用领域自适应粗糙集的思想计算上近似集和下近似集,从而解决传统聚类方法中边界不清晰的问题。该模型将主成分分析和粗糙集的思想用于聚类分析,即将主成分分析、粗糙集和聚类分析三种方法结合起来,研究光纤状态的实时数据、历史数据,进行聚类。具体方法为:先将数据进行主成分分析,之后利用基于粗糙集的聚类算法进行聚类分析。
该方法包括以下步骤:
将光纤实时数据和历史数据构建融合高维数据矩阵;
对高维数据矩阵进行PCA降维;
将前面的数据进行基于领域自适应粗糙集的聚类分析,得到上近似集的聚类中心和下近似集的聚类中心,并且得到聚类分析后的聚类结果,包括上近似集和下近似集。
作为一种光纤状态多维度参量监测***的一种具体实施方式,边缘设备还部署有光纤状态分类模型;光纤状态分类模型的生成方法包括:
特征聚类步骤;
DCNN训练步骤;
循环执行特征聚类步骤和DCNN训练步骤,实现对所有类别的深度特征判别性和模型识别性能的增强;
其中,特征聚类步骤包括:特征提取,获得深度特征;利用k-means聚类方法对深度特征依据类别进行聚类,得到数据在DCNN特征空间的分布结构;
DCNN训练步骤包括:根据DCNN输出、样本标签和聚类结果计算交叉熵损失和聚类度量损失;利用交叉熵损失和聚类度量损失对DCNN的模型输出和特征表示进行联合优化。
具体地,电力光纤传输网络***在实际运行过程中,在光纤性能演化和不同故障产生的过程中,数据体量巨大,但是数据类型会出现明显的不均衡,导致进行光纤状态分类时,准确性和可靠性有待提高。同时,海量数据的重复利用和建模带来了机器本身不堪重负,实时性大打折扣,进一步降低了预测的准确性。针对数据不平衡及复杂性带来的少数类的性能下降,本申请设计了光纤状态分类模型。具体地,所设计的方法利用深度卷积神经网络将原始数据映射到特征空间,并采用聚类度量损失函数对深度特征进行校正,获取判别性的特征表示。该损失函数对所有类别的聚类距离、类内距离与类间距离的关系进行约束和优化,使得同一类的聚类变得紧凑,不同类的聚类变得稀疏,进而形成裕量明显的分界面,有效提升了深度特征的判别性和泛化性能。
光纤状态分类模型的生成方法包括:特征聚类步骤和DCNN训练步骤。在聚类过程中,首先进行特征提取,获得深度特征,然后利用k-means聚类方法对深度特征依据类别进行聚类,得到数据在DCNN特征空间的分布结构。在训练过程中,根据DCNN输出、样本标签和聚类结果计算交叉熵损失和聚类度量损失,并利用这两种不同层面的监督信号对DCNN的模型输出和特征表示进行联合优化。通过循环进行特征聚类步骤和DCNN训练步骤,实现对所有类别的深度特征判别性和模型识别性能的增强。深度度量学***衡及复杂性对特征学习的影响。
本申请还提供了一种光纤状态多维度参量监测***,包括:边缘设备还部署有光纤状态预测模型;光纤状态预测模型的生成方法包括:
步骤501、对历史数据、实时数据以及积累的故障数据进行采样以建立基于长短时记忆网络的时序故障模式模型;长短时记忆网络包括:细胞状态及隐状态;长短时记忆网络内部包括以下三个阶段:忘记阶段;忘记阶段用于对上一个节点传进来的输入进行选择性忘记,控制上一个状态的信息中需要包括的部分及需要遗忘的部分,并在最后得到一个中间向量;选择记忆阶段;选择记忆阶段用于:将输入有选择性地进行记忆;重要部分多记录,不重要的少记录;输出阶段;输出阶段用于通过输出控制函数决定哪些将会被作为当前状态的输出以及对上一阶段选择记忆阶段的信号进行放缩处理;
步骤502、在每一个长短时记忆网络中融合光纤相关的先验机理模型;
步骤503、经过训练后,得到若干个不同的服役条件下光纤的时序故障模式模型;
步骤504、通过若干个时序故障模式模型得到若干个光纤服役阶段的故障模式曲线;每一个曲线是由不同的时序光纤性能衰退或者故障模式模型所拟合的;
步骤505、对每一个曲线进行一个近似积分,得到特定光纤阶段的损伤程度预测结果;不同的预测结果组成一个结果区间;
步骤506、计算不同预测曲线间的方差得到在不同时间节点的预测结果的置信度;
步骤507、将新数据反馈到已经用历史数据训练好的模型当中,检测模型的预测准确率和精度,不断地迭代。
具体地,电力光纤传输网络的带时序信息的历史数据、实时数据以及积累的故障数据,通过深度学习技术挖掘这些数据中存在的隐含信息,采用长短时记忆模型结构,并融合机理模型,建立多个时序故障模式模型,可得到多个时序故障模式预测模型的预测函数,通过近似积分变换得到光纤的动态故障速率与损伤程度预测区间,并通过计算预测结果的方差给出在特定时间节点的故障模式和损伤程度预测的置信区间,将多个模型集成后得到最终的结果。同时,考虑到数据是不断更新迭代的,而模型会随着预测时间的延长而精度有所下降,因此采用验证数据迭代的方式,用新数据去验证已有模型的准确率和泛化性能,在光纤性能演化的全生命周期中迭代优化模型。
首先,对历史数据、实时数据以及积累的故障数据进行采样,然后建立基于长短时记忆网络的时序故障模式模型。长短时记忆网络(LSTM)是一种基于循环神经网络(RNN)的深度学习架构,在许多应用中已经被证明对时序数据有强大的建模能力,主要是为了解决长序列训练过程中的梯度消失和梯度***问题,比普通RNN在更长的序列中有更好的表现。相比RNN的单个传递状态,长短时记忆网络有两个传输状态,一个是细胞状态,一个是隐状态。LSTM内部主要有三个阶段:第一个阶段被称为忘记阶段,遗忘门,这个阶段主要是对上一个节点传进来的输入进行选择性忘记。简单来说就是忘记不重要的,记住重要的。具体来说就是通过计算得到的门控函数作为忘记门控,控制上一个状态的信息哪些需要留哪些需要遗忘,最后得到一个中间向量;第二个阶段是选择记忆阶段,输入门,这个阶段将这个阶段的输入有选择性地进行记忆。主要是会对输入状态进行选择记忆。重要部分多记录,不重要的少记录。当前的输入由前面计算得到的中间向量表示。而选择的门控信号则是由记忆门控函数来进行控制,将上面两步得到的结果相加,即可得到传输给下一个状态的向量值;第三个阶段称为输出阶段,输出门,这个阶段将决定哪些将会被作为当前状态的输出,主要通过输出控制函数来进行控制,同时也对上一阶段的记忆门信号进行放缩处理。
经过训练后,可得到若干个不同的服役条件下光纤的时序故障模式模型,该模型可以预测光纤在某个时间段的故障模式,该故障模式随着时间的变化而变化,最终的模型可以得到若干个光纤服役阶段的故障模式曲线,每一个曲线是由不同的时序光纤性能衰退或者故障模式模型所拟合的,对每一个曲线进行一个近似积分,可以得到特定光纤阶段的损伤程度预测结果,不同的预测结果组成一个结果区间,通过计算不同预测曲线间的方差可以得到在不同时间节点的预测结果的置信度。最后考虑到数据在随着时间的推进而不断更新,采用迭代验证的方法不断去优化模型,具体来说将新数据反馈到已经用历史数据训练好的模型当中,检测模型的预测准确率和精度,不断地迭代,得到泛化性能和预测结果越来越优越的动态故障模式预测和损伤程度预测模型。
作为一种光纤状态多维度参量监测***的其中一种实施方式,通过卷积神经网络模型进行信息分析,包括:
将多个领域的知识符号化,构建统一的知识图谱;
使用知识表示学习方法和多模态特征提取方法分别将领域知识图谱和海量光纤数据映射到同一个向量空间,并保持知识的复杂结构和数据的内在语义;
面向具体的数据分析任务和特定的用户群体,以图像、文本及图谱形式呈现分析过程和分析结果以进行可视化呈现。
具体地,光纤的性能演化和多模式故障存在大量领域知识,结合海量光纤数据可以做具有可解性的深度推理和分析。首先将多个领域的知识符号化,构建统一的知识图谱,使用知识表示学习方法和多模态特征提取方法分别将领域知识图谱和海量光纤数据映射到同一个向量空间,并保持知识的复杂结构和数据的内在语义。然后,在向量空间中基于模糊逻辑构建可微的推理规则,融合知识和数据进行可解释的演绎推理、归纳推理等,发现数据间的潜在关联。最后,面向具体的数据分析任务和特定的用户群体,以图像、文本、图谱等形式呈现分析过程和分析结果。
作为一种光纤状态多维度参量监测***的其中一种实施方式,进行可视化呈现,还包括:
通过以往的交互记录获得用户的行为序列数据和相应的***内部数据,
对所设计的卷积神经网络模型进行线下训练;
在线上动态地预测用户下一时刻的交互行为及其可能对***造成的影响、节点间的通信与负载情况;
基于所预测的用户行为和***状态,通过深度强化学习算法调配资源调配以及协调用户交互行为。
具体地,光纤的数据规模具有海量性,而当前的研究人员又往往以实时交互的方式观察与分析数据,这为数据可视化分析带来较大的挑战,因为交互分析的实时性要求与数据的海量特性存在必然的矛盾。针对数据海量性和交互实时性之间的矛盾;在本申请中,首先,通过以往的交互记录获得用户的行为序列数据和相应的***内部数据,对所设计的机器学习模型进行线下训练;然后,在线上动态地预测用户下一时刻的交互行为及其可能对***造成的影响、节点间的通信与负载情况;最后,基于所预测的用户行为和***状态,通过深度强化学习算法,学习如何更合理地调配资源调配以及协调用户交互行为。
作为一种光纤状态多维度参量监测***的其中一种实施方式,边缘区域总结点还用于:本地数据备份,将原始数据和处理后的数据信息保存在本地存储中。
作为一种光纤状态多维度参量监测***的其中一种实施方式,边缘区域总结点还用于:上传数据日志至云端功能,通过网络定期发送日志至云服务器。
需要说明的是:以上实施例仅用于说明本申请而并非限制本申请所描述的技术方案,尽管本说明书参照上述的实施例对本申请已进行了详细的说明,但是,本领域的普通技术人员应当理解,所属技术领域的技术人员仍然可以对本申请进行修改或者等同替换,而一切不脱离本申请的精神和范围的技术方案及其改进,均应涵盖在本申请的权利要求范围内。
Claims (5)
1.一种光纤状态多维度参量监测***,其特征在于,包括:
数据采集装置;所述数据采集装置用于采集多源数据信息;所述多源数据信息包括:电信号、光信号及热信号;以及,
边缘设备;所述边缘设备用于接收所述多源数据信息并通过卷积神经网络模型进行运算处理及信息分析,并将运算处理及信息分析的结果发送至外部的云服务器;
其中,所述边缘设备的前端包括算法部署部分以及边缘区域总结点;
所述算法部署部分用于卷积神经网络模型的部署与优化;
所述边缘区域总结点用于:
数据实时采集,对从各个节点传送来的数据信息进行实时汇聚;
数据实时传输,对从各个节点传送来的数据信息进行实时向云服务器发送;
数据异常检测,利用卷积神经网络模型实时监测数据质量;
所述卷积神经网络模型的部署与优化,包括:
选取CRSnet模型;
将CSRnet网络模型从vggnet模型替换为mobilenet模型;
在模型训练过程中对不重要的参数和冗余的通道进行删减;以及,
通过参数量化对将原本32位浮点数的权重和激活值转换为8位定点数值;
所述通过卷积神经网络模型进行运算处理,包括:
步骤301、将光纤实时数据和历史数据构建融合高维数据矩阵;
步骤302、对所述高维数据矩阵进行PCA降维;
步骤303、对步骤302中的数据基于领域自适应的粗糙集聚类分析得到上近似集的聚类中心和下近似集的聚类中心,并且得到聚类分析后的聚类结果;
所述边缘设备还部署有光纤状态分类模型;所述光纤状态分类模型的生成方法包括:
特征聚类步骤;
DCNN训练步骤;
循环执行特征聚类步骤和DCNN训练步骤,实现对所有类别的深度特征判别性和模型识别性能的增强;
其中,所述特征聚类步骤包括:特征提取,获得深度特征;利用k-means聚类方法对深度特征依据类别进行聚类,得到数据在DCNN特征空间的分布结构;
所述DCNN训练步骤包括:根据DCNN输出、样本标签和聚类结果计算交叉熵损失和聚类度量损失;利用交叉熵损失和聚类度量损失对DCNN的模型输出和特征表示进行联合优化;
所述边缘设备还部署有光纤状态预测模型;所述光纤状态预测模型的生成方法包括:
步骤501、对历史数据、实时数据以及积累的故障数据进行采样以建立基于长短时记忆网络的时序故障模式模型;长短时记忆网络包括:细胞状态及隐状态;长短时记忆网络内部包括以下三个阶段:忘记阶段;所述忘记阶段用于对上一个节点传进来的输入进行选择性忘记,控制上一个状态的信息中需要包括的部分及需要遗忘的部分,并在最后得到一个中间向量;选择记忆阶段;所述选择记忆阶段用于:将输入有选择性地进行记忆;重要部分多记录,不重要的少记录;输出阶段;所述输出阶段用于通过输出控制函数决定哪些将会被作为当前状态的输出以及对上一阶段选择记忆阶段的信号进行放缩处理;
步骤502、在每一个长短时记忆网络中融合光纤相关的先验机理模型;
步骤503、经过训练后,得到若干个不同的服役条件下光纤的时序故障模式模型;
步骤504、通过若干个所述时序故障模式模型得到若干个光纤服役阶段的故障模式曲线;每一个曲线是由不同的时序光纤性能衰退或者故障模式模型所拟合的;
步骤505、对每一个曲线进行一个近似积分,得到特定光纤阶段的损伤程度预测结果;不同的预测结果组成一个结果区间;
步骤506、计算不同预测曲线间的方差得到在不同时间节点的预测结果的置信度;
步骤507、将新数据反馈到已经用历史数据训练好的模型当中,检测模型的预测准确率和精度,不断地迭代;
电力光纤传输网络的带时序信息的历史数据、实时数据以及积累的故障数据,通过深度学习技术挖掘这些数据中存在的隐含信息,采用长短时记忆模型结构,并融合机理模型,建立多个时序故障模式模型,可得到多个时序故障模式预测模型的预测函数,通过近似积分变换得到光纤的动态故障速率与损伤程度预测区间,并通过计算预测结果的方差给出在特定时间节点的故障模式和损伤程度预测的置信区间;采用验证数据迭代的方式,用新数据去验证已有模型的准确率和泛化性能,在光纤性能演化的全生命周期中迭代优化模型;
首先,对历史数据、实时数据以及积累的故障数据进行采样,然后建立基于长短时记忆网络的时序故障模式模型;长短时记忆网络LSTM是一种基于循环神经网络RNN的深度学习架构,长短时记忆网络有两个传输状态,一个是细胞状态,一个是隐状态;LSTM内部有三个阶段:第一个阶段被称为忘记阶段,遗忘门,这个阶段是对上一个节点传进来的输入进行选择性忘记;忘记不重要的,记住重要的;通过计算得到的门控函数作为忘记门控,控制上一个状态的信息哪些需要留哪些需要遗忘,最后得到一个中间向量;第二个阶段是选择记忆阶段,输入门,这个阶段将这个阶段的输入有选择性地进行记忆;会对输入状态进行选择记忆;重要部分多记录,不重要的少记录;当前的输入由前面计算得到的中间向量表示;而选择的门控信号则是由记忆门控函数来进行控制,将上面两步得到的结果相加,即可得到传输给下一个状态的向量值;第三个阶段称为输出阶段,输出门,这个阶段将决定哪些将会被作为当前状态的输出,通过输出控制函数来进行控制,同时也对上一阶段的输入门信号进行放缩处理;
经过训练后,可得到若干个不同的服役条件下光纤的时序故障模式模型,该模型可以预测光纤在某个时间段的故障模式,该故障模式随着时间的变化而变化,最终的模型可以得到若干个光纤服役阶段的故障模式曲线,每一个曲线是由不同的时序光纤性能衰退或者故障模式模型所拟合的,对每一个曲线进行一个近似积分,可以得到特定光纤阶段的损伤程度预测结果,不同的预测结果组成一个结果区间,通过计算不同预测曲线间的方差可以得到在不同时间节点的预测结果的置信度;采用迭代验证的方法不断去优化模型,将新数据反馈到已经用历史数据训练好的模型当中,检测模型的预测准确率和精度,不断地迭代,得到泛化性能和预测结果越来越优越的动态故障模式预测和损伤程度预测模型。
2.根据权利要求1所述的一种光纤状态多维度参量监测***,其特征在于,所述通过卷积神经网络模型进行信息分析,包括:
将多个领域的知识符号化,构建统一的知识图谱;
使用知识表示学习方法和多模态特征提取方法分别将领域知识图谱和海量光纤数据映射到同一个向量空间,并保持知识的复杂结构和数据的内在语义;
面向具体的数据分析任务和特定的用户群体,以图像、文本及图谱形式呈现分析过程和分析结果以进行可视化呈现。
3.根据权利要求2所述的一种光纤状态多维度参量监测***,其特征在于,所述进行可视化呈现,还包括:
通过以往的交互记录获得用户的行为序列数据和相应的***内部数据,
对所设计的卷积神经网络模型进行线下训练;
在线上动态地预测用户下一时刻的交互行为及其可能对***造成的影响、节点间的通信与负载情况;
基于所预测的用户行为和***状态,通过深度强化学习算法调配资源调配以及协调用户交互行为。
4.根据权利要求3所述的一种光纤状态多维度参量监测***,其特征在于,其特征在于,所述边缘区域总结点还用于:本地数据备份,将原始数据和处理后的数据信息保存在本地存储中。
5.根据权利要求3所述的一种光纤状态多维度参量监测***,其特征在于,其特征在于,所述边缘区域总结点还用于:上传数据日志至云端功能,通过网络定期发送日志至云服务器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310509077.0A CN116614177B (zh) | 2023-05-08 | 2023-05-08 | 一种光纤状态多维度参量监测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310509077.0A CN116614177B (zh) | 2023-05-08 | 2023-05-08 | 一种光纤状态多维度参量监测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116614177A CN116614177A (zh) | 2023-08-18 |
CN116614177B true CN116614177B (zh) | 2023-11-17 |
Family
ID=87677426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310509077.0A Active CN116614177B (zh) | 2023-05-08 | 2023-05-08 | 一种光纤状态多维度参量监测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116614177B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116776901B (zh) * | 2023-08-25 | 2024-04-30 | 深圳市爱德泰科技有限公司 | 一种应用于电力通信机房的光纤配线架标签管理*** |
CN117674993B (zh) * | 2023-11-09 | 2024-04-26 | 中交广州航道局有限公司 | 光纤网络的运行状态检测***及方法 |
CN117250870B (zh) * | 2023-11-16 | 2024-03-26 | 清控环境(北京)有限公司 | 一种基于数据信息处理的再生水回用控制*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107769972A (zh) * | 2017-10-25 | 2018-03-06 | 武汉大学 | 一种基于改进的lstm的电力通信网设备故障预测方法 |
CN110008898A (zh) * | 2019-04-02 | 2019-07-12 | 中国计量大学 | 基于符号和卷积神经网络的工业设备数据边缘处理方法 |
CN110455397A (zh) * | 2018-05-07 | 2019-11-15 | 光子瑞利科技(北京)有限公司 | 一种基于lstm的工厂设备故障光纤传感方法和*** |
CN112286751A (zh) * | 2020-11-24 | 2021-01-29 | 华中科技大学 | 一种基于边云协同的高端装备故障智能诊断***及方法 |
CN112394702A (zh) * | 2020-12-10 | 2021-02-23 | 安徽理工大学 | 基于lstm的光缆制造设备故障远程预测*** |
CN114063601A (zh) * | 2021-11-12 | 2022-02-18 | 江苏核电有限公司 | 一种基于人工智能的设备状态诊断***及方法 |
CN114362367A (zh) * | 2021-12-30 | 2022-04-15 | 中国电力科学研究院有限公司 | 面向云边协同的输电线路监测***和方法、识别***和方法 |
CN115798131A (zh) * | 2023-02-13 | 2023-03-14 | 成都陆迪盛华科技有限公司 | 一种基于分布式光纤的多维度特征入侵检测方法 |
-
2023
- 2023-05-08 CN CN202310509077.0A patent/CN116614177B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107769972A (zh) * | 2017-10-25 | 2018-03-06 | 武汉大学 | 一种基于改进的lstm的电力通信网设备故障预测方法 |
CN110455397A (zh) * | 2018-05-07 | 2019-11-15 | 光子瑞利科技(北京)有限公司 | 一种基于lstm的工厂设备故障光纤传感方法和*** |
CN110008898A (zh) * | 2019-04-02 | 2019-07-12 | 中国计量大学 | 基于符号和卷积神经网络的工业设备数据边缘处理方法 |
CN112286751A (zh) * | 2020-11-24 | 2021-01-29 | 华中科技大学 | 一种基于边云协同的高端装备故障智能诊断***及方法 |
CN112394702A (zh) * | 2020-12-10 | 2021-02-23 | 安徽理工大学 | 基于lstm的光缆制造设备故障远程预测*** |
CN114063601A (zh) * | 2021-11-12 | 2022-02-18 | 江苏核电有限公司 | 一种基于人工智能的设备状态诊断***及方法 |
CN114362367A (zh) * | 2021-12-30 | 2022-04-15 | 中国电力科学研究院有限公司 | 面向云边协同的输电线路监测***和方法、识别***和方法 |
CN115798131A (zh) * | 2023-02-13 | 2023-03-14 | 成都陆迪盛华科技有限公司 | 一种基于分布式光纤的多维度特征入侵检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116614177A (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116614177B (zh) | 一种光纤状态多维度参量监测*** | |
CN108564254B (zh) | 基于大数据的配电设备状态可视化平台 | |
CN113156917B (zh) | 基于人工智能的电网设备故障诊断方法及*** | |
CN109146093A (zh) | 一种基于学习的电力设备现场勘查方法 | |
CN109872003A (zh) | 对象状态预测方法、***、计算机设备及存储介质 | |
CN114723285B (zh) | 一种电网设备安全性评估预测方法 | |
CN116308304B (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及*** | |
CN115423009A (zh) | 一种面向云边协同的电力设备故障识别方法及*** | |
CN116796168A (zh) | 一种基于多头注意力机制的CNN-BiLSTM高海拔多因素输电线路可听噪声预测方法 | |
CN117391674A (zh) | 一种基于可靠性的电气设备预防性维修优化方法及装置 | |
CN116976318A (zh) | 基于深度学习和模型推理的电网倒闸操作票智能审核*** | |
CN117371607A (zh) | 基于物联网技术的锅炉汽水流程再造监测*** | |
CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及*** | |
CN112801815B (zh) | 一种基于联邦学习的电力通信网络故障预警方法 | |
CN114265837A (zh) | 一种站端交互数据特征提取方法 | |
CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 | |
CN114487643A (zh) | 一种特高压gil设备现场交接验收综合测试平台 | |
CN110837932A (zh) | 基于dbn-ga模型的太阳能集热***热功率预测方法 | |
CN117113157B (zh) | 一种基于人工智能的台区用电故障检测*** | |
Bai et al. | Abnormal Detection Scheme of Substation Equipment based on Intelligent Fusion Terminal | |
Lu et al. | Anomaly Recognition Method for Massive Data of Power Internet of Things Based on Bayesian Belief Network | |
Huo et al. | Fault Prediction of IoT Terminals based on Improved ResNet and BiLSTM Models | |
Dong et al. | Log fusion technology of power information system based on fuzzy reasoning | |
CN116131444A (zh) | 光伏电站智能分析*** | |
Li | Technology for Power Outage Research and Judgment-dependent Data Feature Noise Analysis |
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 |