CN116893336A - 高低压开关设备及其方法 - Google Patents

高低压开关设备及其方法 Download PDF

Info

Publication number
CN116893336A
CN116893336A CN202310847136.5A CN202310847136A CN116893336A CN 116893336 A CN116893336 A CN 116893336A CN 202310847136 A CN202310847136 A CN 202310847136A CN 116893336 A CN116893336 A CN 116893336A
Authority
CN
China
Prior art keywords
low voltage
humidity
time sequence
temperature
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.)
Granted
Application number
CN202310847136.5A
Other languages
English (en)
Other versions
CN116893336B (zh
Inventor
李平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningxia Longji Electric Co ltd
Original Assignee
Zhejiang Heneng Power Equipment Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Heneng Power Equipment Co ltd filed Critical Zhejiang Heneng Power Equipment Co ltd
Priority to CN202310847136.5A priority Critical patent/CN116893336B/zh
Publication of CN116893336A publication Critical patent/CN116893336A/zh
Application granted granted Critical
Publication of CN116893336B publication Critical patent/CN116893336B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
    • G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
    • G01R31/3275—Fault detection or status indication
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
    • G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
    • G01R31/3272—Apparatus, systems or circuits therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
    • G01R31/3277—Testing of circuit interrupters, switches or circuit-breakers of low voltage devices, e.g. domestic or industrial devices, such as motor protections, relays, rotation switches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • G06N3/0464—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Fuzzy Systems (AREA)
  • Keying Circuit Devices (AREA)

Abstract

公开了一种高低压开关设备及其方法。其首先获取由温度传感器和湿度传感器采集的预定时间段内多个预定时间点的高低压开关设备的内部的温度值和湿度值，接着，将所述多个预定时间点的高低压开关设备的内部的温度值和湿度值传输至所述高低压开关设备的数据处理中心，然后，所述数据处理中心对所述多个预定时间点的高低压开关设备的内部的温度值和湿度值进行处理以确定所述高低压开关设备是否存在异常。这样，其采用基于深度学习的人工智能检测算法来对于高低压开关设备的内部的温度值和湿度值进行时序分析，从而对于高低压开关设备的内部环境状态是否存在异常进行及时有效地检测判断，提高设备的可靠性和寿命。

Description

高低压开关设备及其方法
技术领域
本公开涉及电力***领域，且更为具体地，涉及一种高低压开关设备及其方法。
背景技术
高低压开关设备是电力***中重要的组成部分，用于控制和保护电力***。然而，传统高低压开关设备通常只能提供基本的监测功能，如电流、电压等参数的监测，无法实时监测设备的内部环境，限制了对设备状态的全面了解和及时预警。并且，传统高低压开关设备通常使用简单的故障检测方法，无法准确判断设备是否存在潜在故障，导致设备在故障发生前未能及时采取相应措施，增加了故障风险。不仅如此，传统高低压开关设备监测方法主要依靠人工巡检和定期维护，效率低下且容易出现漏检和误判的情况，存在一定的安全风险。
因此，期望一种优化的高低压开关设备。
发明内容
有鉴于此，本公开提出了一种高低压开关设备及其方法，其采用基于深度学习的人工智能检测算法来对于高低压开关设备的内部的温度值和湿度值进行时序分析，从而对于高低压开关设备的内部环境状态是否存在异常进行及时有效地检测判断，提高设备的可靠性和寿命。
根据本公开的一方面，提供了一种高低压开关设备，其包括：
高低压开关设备数据采集***，用于获取由温度传感器和湿度传感器采集的预定时间段内多个预定时间点的高低压开关设备的内部的温度值和湿度值；
数据传输***，用于将所述多个预定时间点的高低压开关设备的内部的温度值和湿度值传输至所述高低压开关设备的数据处理中心；以及
数据分析和异常检测***，用于所述数据处理中心对所述多个预定时间点的高低压开关设备的内部的温度值和湿度值进行处理以确定所述高低压开关设备是否存在异常。
根据本公开的另一方面，提供了一种高低压开关设备的监测方法，其包括：
获取由温度传感器和湿度传感器采集的预定时间段内多个预定时间点的高低压开关设备的内部的温度值和湿度值；
将所述多个预定时间点的高低压开关设备的内部的温度值和湿度值传输至所述高低压开关设备的数据处理中心；以及
所述数据处理中心对所述多个预定时间点的高低压开关设备的内部的温度值和湿度值进行处理以确定所述高低压开关设备是否存在异常。
根据本公开的实施例，其首先获取由温度传感器和湿度传感器采集的预定时间段内多个预定时间点的高低压开关设备的内部的温度值和湿度值，接着，将所述多个预定时间点的高低压开关设备的内部的温度值和湿度值传输至所述高低压开关设备的数据处理中心，然后，所述数据处理中心对所述多个预定时间点的高低压开关设备的内部的温度值和湿度值进行处理以确定所述高低压开关设备是否存在异常。这样，其采用基于深度学习的人工智能检测算法来对于高低压开关设备的内部的温度值和湿度值进行时序分析，从而对于高低压开关设备的内部环境状态是否存在异常进行及时有效地检测判断，提高设备的可靠性和寿命。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开的实施例的高低压开关设备的框图。
图2示出根据本公开的实施例的高低压开关设备中所述数据分析和异常检测***的框图。
图3示出根据本公开的实施例的高低压开关设备中所述训练模块的框图。
图4示出根据本公开的实施例的高低压开关设备的监测方法的流程图。
图5示出根据本公开的实施例的高低压开关设备的监测方法的架构示意图。
图6示出根据本公开的实施例的高低压开关设备的应用场景图。
具体实施方式
下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本公开的部分实施例，而不是全部的实施例。基于本公开实施例，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他实施例，也属于本公开保护的范围。
如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
传统高低压开关设备通常只能提供基本的监测功能，如电流、电压等参数的监测，无法实时监测设备的内部环境，限制了对设备状态的全面了解和及时预警。并且，传统高低压开关设备通常使用简单的故障检测方法，无法准确判断设备是否存在潜在故障，导致设备在故障发生前未能及时采取相应措施，增加了故障风险。不仅如此，传统高低压开关设备监测方法主要依靠人工巡检和定期维护，效率低下且容易出现漏检和误判的情况，存在一定的安全风险。因此，期望一种优化的高低压开关设备。
相应地，考虑到在实际进行高低压开关设备的内部环境监测过程中，高低压开关设备在运行时会产生一定的热量，过高的温度可能导致设备过载、绝缘材料老化等问题。并且，高低压开关设备的运行环境中可能存在湿度变化，过高的湿度可能导致绝缘材料受潮、电气元件腐蚀等问题。因此，为了确保电力***的正常运行和安全性，对高低压开关设备的内部环境，尤其是高低压开关设备内部的温度和湿度进行监测和分析是必要的。
基于此，在本公开的技术方案中，期望采用基于深度学习的人工智能检测算法来对于高低压开关设备的内部的温度值和湿度值进行时序分析，从而对于高低压开关设备的内部环境状态是否存在异常进行及时有效地检测判断，以此来对于异常情况采取相应的措施以预防设备故障的发生，提高设备的可靠性和寿命。
具体地，在本公开的技术方案中，首先，获取由温度传感器和湿度传感器采集的预定时间段内多个预定时间点的高低压开关设备的内部的温度值和湿度值；接着，将所述多个预定时间点的高低压开关设备的内部的温度值和湿度值传输至所述高低压开关设备的数据处理中心；然后，所述数据处理中心对所述多个预定时间点的高低压开关设备的内部的温度值和湿度值进行处理以确定所述高低压开关设备是否存在异常。
图1示出根据本公开的实施例的高低压开关设备的框图示意图。如图1所示，根据本公开实施例的高低压开关设备100，包括：高低压开关设备数据采集***110，用于获取由温度传感器和湿度传感器采集的预定时间段内多个预定时间点的高低压开关设备的内部的温度值和湿度值；数据传输***120，用于将所述多个预定时间点的高低压开关设备的内部的温度值和湿度值传输至所述高低压开关设备的数据处理中心；以及，数据分析和异常检测***130，用于所述数据处理中心对所述多个预定时间点的高低压开关设备的内部的温度值和湿度值进行处理以确定所述高低压开关设备是否存在异常。
更具体地，在本公开实施例中，如图2所示，所述数据分析和异常检测***130，包括：数据参数时序排列模块131，用于将所述多个预定时间点的高低压开关设备的内部的温度值和湿度值分别按照时间维度排列为温度时序输入向量和湿度时序输入向量；温度时序变化特征提取模块132，用于对所述温度时序输入向量进行时序特征提取以得到温度时序特征向量；湿度时序变化特征提取模块133，用于对所述湿度时序输入向量进行时序特征提取以得到湿度时序特征向量；温度-湿度时序关联特征提取模块134，用于将所述温度时序输入向量和所述湿度时序输入向量进行关联编码为温度-湿度全时序关联矩阵后进行时序关联特征提取以得到温度-湿度时序关联特征向量；数据特征融合模块135，用于融合所述温度时序特征向量、所述湿度时序特征向量和所述温度-湿度时序关联特征向量以得到高低压开关设备多参数特征向量；以及，高低压开关设备内部环境检测模块136，用于基于所述高低压开关设备多参数特征向量，确定高低压开关设备的内部环境是否存在异常。
在通过所述数据处理中心对所述多个预定时间点的高低压开关设备的内部的温度值和湿度值进行处理以确定所述高低压开关设备是否存在异常的过程中，考虑到由于所述高低压开关设备的内部的温度值和湿度值在时间维度上都具有着各自的时序动态变化规律，为了能够对于高低压开关设备的内部环境状态进行有效监测，从而判定是否存在异常，需要首先将所述多个预定时间点的高低压开关设备的内部的温度值和湿度值分别按照时间维度排列为温度时序输入向量和湿度时序输入向量，以此来分别整合所述高低压开关设备的内部的温度值和湿度值在时序上的分布信息。
值得一提的是，数据参数时序排列模块131的功能是将多个预定时间点的高低压开关设备内部的温度值和湿度值按照时间维度排列为温度时序输入向量和湿度时序输入向量。具体地，温度时序输入向量的排列方式如下：假设有N个预定时间点，对于每个时间点t，从第一个时间点到第N个时间点，依次将对应的温度值排列在向量中。同样的，对于湿度时序输入向量的排列方式：同样假设有N个预定时间点，对于每个时间点t，从第一个时间点到第N个时间点，依次将对应的湿度值排列在向量中。通过这样的排列方式，可以将多个时间点的温度和湿度值按照时间维度组织成时序输入向量，以便后续的一维卷积神经网络模型和二维卷积神经网络模型进行特征提取和关联分析。
然后，由于所述高低压开关设备的内部的温度值和湿度值都具有着时序动态变化特征信息，也就是说，所述温度值和所述湿度值在时间维度上的各个预定时间点下都具有着关联特性。因此，在本公开的技术方案中，进一步将所述温度时序输入向量通过基于一维卷积神经网络模型的温度时序特征提取器中进行特征挖掘，以提取出所述高低压开关设备的内部的温度值在时间维度上的时序关联特征信息，从而得到温度时序特征向量。并且，还将所述湿度时序输入向量通过基于一维卷积神经网络模型的湿度时序特征提取器中进行特征刻画，以提取出所述高低压开关设备的内部的湿度值在时间维度上的时序关联特征信息，从而得到湿度时序特征向量。相应地，在一种可能的实现方式中，所述温度时序变化特征提取模块132，用于：将所述温度时序输入向量通过基于一维卷积神经网络模型的温度时序特征提取器以得到所述温度时序特征向量。所述湿度时序变化特征提取模块133，用于：将所述湿度时序输入向量通过基于一维卷积神经网络模型的湿度时序特征提取器以得到所述湿度时序特征向量。
应可以理解，一维卷积神经网络模型是一种深度学习模型，用于处理具有时序特征的数据，与传统的卷积神经网络模型相比，一维卷积神经网络模型在处理时序数据时更加适用。一维卷积神经网络模型使用一维卷积层来提取输入数据中的时序特征。卷积层通过滑动一个卷积核(也称为过滤器)在输入数据上进行卷积操作，从而捕捉到不同时间点上的局部模式。通过堆叠多个卷积层和非线性激活函数，一维卷积神经网络模型可以学习到更加复杂和抽象的时序特征。一维卷积神经网络模型通常还包括池化层和全连接层。池化层用于减少特征图的维度，从而降低模型的参数量和计算复杂度。全连接层用于将提取到的时序特征映射到最终的输出。在所述技术方案中，温度时序特征提取器和湿度时序特征提取器都采用了基于一维卷积神经网络模型的方法，通过这种模型可以有效地提取温度和湿度在时间维度上的时序关联特征信息，从而得到相应的时序特征向量。
进一步地，还考虑到在实际进行高低压开关设备的内部环境监测时，所述高低压开关设备的内部环境状态特征不仅与所述温度值和所述湿度值各自的时序变化特征有关，也与所述高低压开关设备的内部的温度值和湿度值的时序协同关联特征也有关。因此，期望对于所述温度值和所述湿度值的时序协同变化关联特征信息进行刻画，以此来综合进行内部环境的状态监测。具体地，将所述温度时序输入向量和所述湿度时序输入向量进行关联编码为温度-湿度全时序关联矩阵后通过基于二维卷积神经网络模型的温度-湿度时序关联特征提取器中进行特征挖掘，以提取出所述高低压开关设备的内部的温度值和湿度值在时间维度上的时序变化协同关联特征信息，从而得到温度-湿度时序关联特征向量。相应地，在一种可能的实现方式中，所述温度-湿度时序关联特征提取模块134，用于：将所述温度-湿度全时序关联矩阵通过基于二维卷积神经网络模型的温度-湿度时序关联特征提取器以得到所述温度-湿度时序关联特征向量。
应可以理解，二维卷积神经网络模型是一种深度学***面上进行卷积操作，从而捕捉到不同位置上的局部模式。通过堆叠多个卷积层和非线性激活函数，二维卷积神经网络模型可以学习到更加复杂和抽象的特征。除了卷积层，二维卷积神经网络模型通常还包括池化层和全连接层。池化层用于减少特征图的维度，从而降低模型的参数量和计算复杂度。全连接层用于将提取到的特征映射到最终的输出。在所述技术方案中，温度-湿度时序关联特征提取器采用了基于二维卷积神经网络模型的方法，通过将温度时序输入向量和湿度时序输入向量进行关联编码为温度-湿度全时序关联矩阵，然后通过二维卷积神经网络模型提取温度和湿度在时间维度上的时序变化协同关联特征信息，从而得到温度-湿度时序关联特征向量。这样可以更全面地刻画高低压开关设备内部环境的状态特征。
继而，融合所述温度时序特征向量、所述湿度时序特征向量和所述温度-湿度时序关联特征向量以得到高低压开关设备多参数特征向量，以此来利用所述高低压开关设备的内部的温度值和湿度值在时间维度上的各自时序变化特征信息，以及所述温度值和所述湿度值的时序协同关联特征来综合进行后续的分类，以此来更为准确地进行高低压开关设备的内部环境的实时有效监测。也就是说，将所述高低压开关设备多参数特征向量通过分类器以得到分类结果，所述分类结果用于表示高低压开关设备的内部环境是否存在异常。相应地，在一种可能的实现方式中，所述高低压开关设备内部环境检测模块136，用于：将所述高低压开关设备多参数特征向量通过分类器以得到分类结果，所述分类结果用于表示高低压开关设备的内部环境是否存在异常。
具体地，在本公开的技术方案中，所述分类器的标签包括高低压开关设备的内部环境存在异常(第一标签)，以及，高低压开关设备的内部环境不存在异常(第二标签)，其中，所述分类器通过软最大值函数来确定所述高低压开关设备多参数特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“高低压开关设备的内部环境是否存在异常”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2和为一。因此，高低压开关设备的内部环境是否存在异常的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“高低压开关设备的内部环境是否存在异常”的语言文本意义。应可以理解，在本公开的技术方案中，所述分类器的分类标签为高低压开关设备的内部环境是否存在异常的检测评估标签，因此，在得到所述分类结果后，可基于所述分类结果来对于高低压开关设备的内部环境状态是否存在异常进行及时有效地检测判断，以此来对于异常情况采取相应的措施，以预防设备故障的发生。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题，对于多分类问题(multi-class classification)，同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
进一步地，所述的高低压开关设备，还包括用于对所述基于一维卷积神经网络模型的温度时序特征提取器、所述基于一维卷积神经网络模型的湿度时序特征提取器、所述基于二维卷积神经网络模型的温度-湿度时序关联特征提取器和所述分类器进行训练的训练模块。训练模块是指用于对所述高低压开关设备内部环境监测***中的各个模型进行训练的组件。在本公开的一个示例中，训练模块用于对以下几个模型进行训练：基于一维卷积神经网络模型的温度时序特征提取器，该模型用于从温度时序数据中提取特征，以捕捉温度的变化规律；基于一维卷积神经网络模型的湿度时序特征提取器，该模型用于从湿度时序数据中提取特征，以捕捉湿度的变化规律；基于二维卷积神经网络模型的温度-湿度时序关联特征提取器，该模型用于从温度和湿度的时序数据中提取关联特征，以捕捉它们之间的时序关系；分类器，该模型用于对提取的特征进行分类，以判断高低压开关设备内部环境的状态。训练模块通过使用已标记的训练数据对这些模型进行训练，以使它们能够准确地对高低压开关设备内部环境进行监测和分类。训练模块可以使用机器学习算法，如梯度下降法和反向传播算法，来优化模型的参数，以提高其性能和准确性。
相应地，在一种可能的实现方式中，如图3所示，所述训练模块200，包括：训练数据采集模单元201，用于获取训练数据，所述训练数据包括预定时间段内多个预定时间点的高低压开关设备的内部的训练温度值和训练湿度值，以及，所述高低压开关设备的内部环境是否存在异常的真实值；训练数据时序排列单元202，用于将所述多个预定时间点的高低压开关设备的内部的训练温度值和训练湿度值分别按照时间维度排列为训练温度时序输入向量和训练湿度时序输入向量；训练温度时序变化单元203，用于将所述训练温度时序输入向量通过所述基于一维卷积神经网络模型的温度时序特征提取器以得到训练温度时序特征向量；训练湿度时序变化单元204，用于将所述训练湿度时序输入向量通过所述基于一维卷积神经网络模型的湿度时序特征提取器以得到训练湿度时序特征向量；训练温湿度时序关联单元205，用于将所述训练温度时序输入向量和所述训练湿度时序输入向量进行关联编码为训练温度-湿度全时序关联矩阵后通过所述基于二维卷积神经网络模型的温度-湿度时序关联特征提取器以得到训练温度-湿度时序关联特征向量；训练特征融合单元206，用于融合所述训练温度时序特征向量、所述训练湿度时序特征向量和所述训练温度-湿度时序关联特征向量以得到训练高低压开关设备多参数特征向量；分类损失单元207，用于将所述训练高低压开关设备多参数特征向量通过所述分类器以得到分类损失函数值；多参数特征逐位置关联单元208，用于计算所述训练高低压开关设备多参数特征向量与所述训练高低压开关设备多参数特征向量的转置向量的逐位置关联以获得关联特征矩阵；流形凸分解一致性损失单元209，用于计算所述关联特征矩阵的流形凸分解一致性因数以得到流形凸分解一致性损失函数值；以及，模型训练单元210，用于以所述分类损失函数值和所述流形凸分解一致性损失函数值的加权和作为损失函数值，并通过梯度下降的方向传播来对所述基于一维卷积神经网络模型的温度时序特征提取器、所述基于一维卷积神经网络模型的湿度时序特征提取器、所述基于二维卷积神经网络模型的温度-湿度时序关联特征提取器和所述分类器进行训练。
特别地，在本公开的技术方案中，这里，考虑到所述训练温度时序特征向量和所述训练湿度时序特征向量分别表达温度值和湿度值的时序局部关联特征，而所述训练温度-湿度时序关联特征向量表达温度值与湿度值的跨时域关联值的局部时域高阶关联特征，因此在融合所述训练温度时序特征向量、所述训练湿度时序特征向量和所述训练温度-湿度时序关联特征向量时，考虑到特征关联尺度和特征阶次之间的差异，优选地通过直接级联所述训练温度时序特征向量、所述训练湿度时序特征向量和所述训练温度-湿度时序关联特征向量来得到所述训练高低压开关设备多参数特征向量。
但是，在这种情况下，同样由于所述训练高低压开关设备多参数特征向量的局部特征表达的分布差异，期望提升所述训练高低压开关设备多参数特征向量的全局关联表达效果。
因此，本公开的申请人首先计算所述训练高低压开关设备多参数特征向量与其自身的转置向量的逐位置关联以获得关联特征矩阵M，考虑到所述关联特征矩阵的每个位置的特征值均表达所述特征值与特征向量整体的关联性，而所述关联特征矩阵的对角位置的特征值又表达特征值之间的自关联性，也就是，具有较高关联度，因此如果能够使得所述关联特征矩阵M在高维特征空间内的流形表达在全空间关联维度和逐特征值自关联维度上保持一致，则能够提升所述训练高低压开关设备多参数特征向量的全局关联表达效果。基于此，针对所述关联特征矩阵M引入特征矩阵的流形凸分解一致性因数作为损失函数。
相应地，在一种可能的实现方式中，所述流形凸分解一致性损失单元209，用于：以如下损失公式计算所述关联特征矩阵的流形凸分解一致性因数以得到所述流形凸分解一致性损失函数值；其中，所述损失公式为：
Vc＝(m1,1,m2,2,…,)
其中，mi,j表示所述关联特征矩阵的第(i,j)位置的特征值，Vr和Vc分别是所述关联特征矩阵第i个行向量的均值向量和对角向量，||·||1表示向量的一范数，||·||F表示矩阵的Frobenius范数，L是特征向量的长度，且w1、w2和w3是权重超参数，Sigmoid(·)表示Sigmoid函数，表示所述流形凸分解一致性损失函数值，/>表示向量乘法。
也就是，考虑到所述关联特征矩阵M的行维度表达所述训练高低压开关设备多参数特征向量的每个特征值与特征向量整体的关联性，而对角维度表达所述训练高低压开关设备多参数特征向量的每个特征值的自关联，所述流形凸分解一致性因数针对所述关联特征矩阵M在行方向和对角方向所代表的子维度上的分布关联性，通过所述关联特征矩阵M所表示的特征流形的几何凸分解，来对不同维度上的流形的有限凸多面体的集合进行平展化，并以子维度关联的形状权重的形式来约束几何凸分解，从而促进所述关联特征矩阵M的特征流形在行和对角所代表的可分解维度上的凸几何表示的一致性，以使得所述关联特征矩阵M在高维特征空间内的流形表达在全空间关联维度和逐特征值自关联维度上保持一致。这样，当模型训练时梯度反向传递通过所述关联特征矩阵M时，也就提升了通过自关联得到的所述关联特征矩阵M的所述训练高低压开关设备多参数特征向量的全局关联表达效果。这样，能够对于高低压开关设备的内部环境状态进行及时有效地检测，以此来对于异常情况采取相应的措施以预防设备故障的发生，提高设备的可靠性和寿命。
综上，基于本公开实施例的高低压开关设备100被阐明，其采用基于深度学习的人工智能检测算法来对于高低压开关设备的内部的温度值和湿度值进行时序分析，从而对于高低压开关设备的内部环境状态是否存在异常进行及时有效地检测判断，提高设备的可靠性和寿命。
如上所述，根据本公开实施例的所述高低压开关设备100可以实现在各种终端设备中，例如具有高低压开关设备的监测算法的服务器等。在一个示例中，高低压开关设备100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该高低压开关设备100可以是该终端设备的操作***中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该高低压开关设备100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该高低压开关设备100与该终端设备也可以是分立的设备，并且该高低压开关设备100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图4示出根据本公开的实施例的高低压开关设备的监测方法的流程图。图5示出根据本公开的实施例的高低压开关设备的监测方法的***架构的示意图。如图4和图5所示，根据本公开实施例的高低压开关设备的监测方法，其包括：S110，获取由温度传感器和湿度传感器采集的预定时间段内多个预定时间点的高低压开关设备的内部的温度值和湿度值；S120，将所述多个预定时间点的高低压开关设备的内部的温度值和湿度值传输至所述高低压开关设备的数据处理中心；以及，S130，所述数据处理中心对所述多个预定时间点的高低压开关设备的内部的温度值和湿度值进行处理以确定所述高低压开关设备是否存在异常。
这里，本领域技术人员可以理解，上述高低压开关设备的监测方法中的各个步骤的具体操作已经在上面参考图1到图3的高低压开关设备的描述中得到了详细介绍，并因此，将省略其重复描述。
图6示出根据本公开的实施例的高低压开关设备的应用场景图。如图6所示，在该应用场景中，首先，获取由温度传感器和湿度传感器采集的预定时间段内多个预定时间点的高低压开关设备的内部的温度值(例如，图6中所示意的D1)和湿度值(例如，图6中所示意的D2)，然后，将所述多个预定时间点的高低压开关设备的内部的温度值和湿度值输入至部署有高低压开关设备的监测算法的服务器中(例如，图6中所示意的S)，其中，所述服务器能够使用所述高低压开关设备的监测算法对所述多个预定时间点的高低压开关设备的内部的温度值和湿度值进行处理以得到用于表示高低压开关设备的内部环境是否存在异常的分类结果。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种高低压开关设备，其特征在于，包括：
高低压开关设备数据采集***，用于获取由温度传感器和湿度传感器采集的预定时间段内多个预定时间点的高低压开关设备的内部的温度值和湿度值；
数据传输***，用于将所述多个预定时间点的高低压开关设备的内部的温度值和湿度值传输至所述高低压开关设备的数据处理中心；以及
数据分析和异常检测***，用于所述数据处理中心对所述多个预定时间点的高低压开关设备的内部的温度值和湿度值进行处理以确定所述高低压开关设备是否存在异常。
2.根据权利要求1所述的高低压开关设备，其特征在于，所述数据分析和异常检测***，包括：
数据参数时序排列模块，用于将所述多个预定时间点的高低压开关设备的内部的温度值和湿度值分别按照时间维度排列为温度时序输入向量和湿度时序输入向量；
温度时序变化特征提取模块，用于对所述温度时序输入向量进行时序特征提取以得到温度时序特征向量；
湿度时序变化特征提取模块，用于对所述湿度时序输入向量进行时序特征提取以得到湿度时序特征向量；
温度-湿度时序关联特征提取模块，用于将所述温度时序输入向量和所述湿度时序输入向量进行关联编码为温度-湿度全时序关联矩阵后进行时序关联特征提取以得到温度-湿度时序关联特征向量；
数据特征融合模块，用于融合所述温度时序特征向量、所述湿度时序特征向量和所述温度-湿度时序关联特征向量以得到高低压开关设备多参数特征向量；以及
高低压开关设备内部环境检测模块，用于基于所述高低压开关设备多参数特征向量，确定高低压开关设备的内部环境是否存在异常。
3.根据权利要求2所述的高低压开关设备，其特征在于，所述温度时序变化特征提取模块，用于：将所述温度时序输入向量通过基于一维卷积神经网络模型的温度时序特征提取器以得到所述温度时序特征向量。
4.根据权利要求3所述的高低压开关设备，其特征在于，所述湿度时序变化特征提取模块，用于：将所述湿度时序输入向量通过基于一维卷积神经网络模型的湿度时序特征提取器以得到所述湿度时序特征向量。
5.根据权利要求4所述的高低压开关设备，其特征在于，所述温度-湿度时序关联特征提取模块，用于：将所述温度-湿度全时序关联矩阵通过基于二维卷积神经网络模型的温度-湿度时序关联特征提取器以得到所述温度-湿度时序关联特征向量。
6.根据权利要求5所述的高低压开关设备，其特征在于，所述高低压开关设备内部环境检测模块，用于：将所述高低压开关设备多参数特征向量通过分类器以得到分类结果，所述分类结果用于表示高低压开关设备的内部环境是否存在异常。
7.根据权利要求6所述的高低压开关设备，其特征在于，还包括用于对所述基于一维卷积神经网络模型的温度时序特征提取器、所述基于一维卷积神经网络模型的湿度时序特征提取器、所述基于二维卷积神经网络模型的温度-湿度时序关联特征提取器和所述分类器进行训练的训练模块。
8.根据权利要求7所述的高低压开关设备，其特征在于，所述训练模块，包括：
训练数据采集模单元，用于获取训练数据，所述训练数据包括预定时间段内多个预定时间点的高低压开关设备的内部的训练温度值和训练湿度值，以及，所述高低压开关设备的内部环境是否存在异常的真实值；
训练数据时序排列单元，用于将所述多个预定时间点的高低压开关设备的内部的训练温度值和训练湿度值分别按照时间维度排列为训练温度时序输入向量和训练湿度时序输入向量；
训练温度时序变化单元，用于将所述训练温度时序输入向量通过所述基于一维卷积神经网络模型的温度时序特征提取器以得到训练温度时序特征向量；
训练湿度时序变化单元，用于将所述训练湿度时序输入向量通过所述基于一维卷积神经网络模型的湿度时序特征提取器以得到训练湿度时序特征向量；
训练温湿度时序关联单元，用于将所述训练温度时序输入向量和所述训练湿度时序输入向量进行关联编码为训练温度-湿度全时序关联矩阵后通过所述基于二维卷积神经网络模型的温度-湿度时序关联特征提取器以得到训练温度-湿度时序关联特征向量；
训练特征融合单元，用于融合所述训练温度时序特征向量、所述训练湿度时序特征向量和所述训练温度-湿度时序关联特征向量以得到训练高低压开关设备多参数特征向量；
分类损失单元，用于将所述训练高低压开关设备多参数特征向量通过所述分类器以得到分类损失函数值；
多参数特征逐位置关联单元，用于计算所述训练高低压开关设备多参数特征向量与所述训练高低压开关设备多参数特征向量的转置向量的逐位置关联以获得关联特征矩阵；
流形凸分解一致性损失单元，用于计算所述关联特征矩阵的流形凸分解一致性因数以得到流形凸分解一致性损失函数值；以及
模型训练单元，用于以所述分类损失函数值和所述流形凸分解一致性损失函数值的加权和作为损失函数值，并通过梯度下降的方向传播来对所述基于一维卷积神经网络模型的温度时序特征提取器、所述基于一维卷积神经网络模型的湿度时序特征提取器、所述基于二维卷积神经网络模型的温度-湿度时序关联特征提取器和所述分类器进行训练。
9.根据权利要求8所述的高低压开关设备，其特征在于，所述流形凸分解一致性损失单元，用于：
以如下损失公式计算所述关联特征矩阵的流形凸分解一致性因数以得到所述流形凸分解一致性损失函数值；
其中，所述损失公式为：
Vc＝(m1,1,m2,2,…,)
其中，mi,j表示所述关联特征矩阵的第(i,j)位置的特征值，Vr和Vc分别是所述关联特征矩阵第i个行向量的均值向量和对角向量，·1表示向量的一范数，·F表示矩阵的Frobenius范数，L是特征向量的长度，且w1、w2和w3是权重超参数，Sigmoid·表示Sigmoid函数，表示所述流形凸分解一致性损失函数值，/>表示向量乘法。
10.一种高低压开关设备的监测方法，其特征在于，包括：
获取由温度传感器和湿度传感器采集的预定时间段内多个预定时间点的高低压开关设备的内部的温度值和湿度值；
将所述多个预定时间点的高低压开关设备的内部的温度值和湿度值传输至所述高低压开关设备的数据处理中心；以及
所述数据处理中心对所述多个预定时间点的高低压开关设备的内部的温度值和湿度值进行处理以确定所述高低压开关设备是否存在异常。
CN202310847136.5A 2023-07-11 2023-07-11 高低压开关设备及其方法 Active CN116893336B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310847136.5A CN116893336B (zh) 2023-07-11 2023-07-11 高低压开关设备及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310847136.5A CN116893336B (zh) 2023-07-11 2023-07-11 高低压开关设备及其方法

Publications (2)

Publication Number Publication Date
CN116893336A true CN116893336A (zh) 2023-10-17
CN116893336B CN116893336B (zh) 2024-04-02

Family

ID=88311683

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310847136.5A Active CN116893336B (zh) 2023-07-11 2023-07-11 高低压开关设备及其方法

Country Status (1)

Country Link
CN (1) CN116893336B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117251073A (zh) * 2023-11-01 2023-12-19 深圳市欧雷玛科技有限公司 触摸屏的自动校准***及其方法
CN117278073A (zh) * 2023-11-17 2023-12-22 北京雷格讯电子股份有限公司 一种超宽带天线信号自动调整方法
CN117388893A (zh) * 2023-12-11 2024-01-12 深圳市移联通信技术有限责任公司 一种基于gps的多设备定位***
CN117590223A (zh) * 2024-01-18 2024-02-23 南京飞腾电子科技有限公司 断路器的在线监测***及其方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111191693A (zh) * 2019-12-18 2020-05-22 广西电网有限责任公司电力科学研究院 基于卷积神经网络的识别高压开关柜热故障状态的方法
CN113124929A (zh) * 2021-04-13 2021-07-16 国网陕西省电力公司铜川供电公司 一种变电站多参数信号采集综合分析***和方法
WO2021212752A1 (zh) * 2020-04-23 2021-10-28 平安科技（深圳）有限公司 基于设备指标数据的异常检测方法、装置、设备及存储介质
CN113722328A (zh) * 2021-09-03 2021-11-30 国网甘肃省电力公司庆阳供电公司 高压开关设备故障的多源时空分析算法
CN114548246A (zh) * 2022-02-11 2022-05-27 杭州吾好科技有限公司 智能设备的控制方法、***和电子设备
CN114707754A (zh) * 2022-04-25 2022-07-05 广西电网有限责任公司 一种基于BiLSTM-CNN模型的智能电表故障预测方法及***
CN115270982A (zh) * 2022-08-08 2022-11-01 华北电力大学（保定） 一种基于多元数据神经网络的开关柜故障预测方法
CN115372816A (zh) * 2022-10-25 2022-11-22 华能辛店发电有限公司 基于数据分析的配电开关设备运行故障预测***及方法
CN116150566A (zh) * 2023-04-20 2023-05-23 浙江浙能迈领环境科技有限公司 船舶燃料供应安全监测***及其方法
CN116186612A (zh) * 2023-04-28 2023-05-30 福建省杭氟电子材料有限公司 六氟化硫回收利用管理***
CN116304766A (zh) * 2023-05-25 2023-06-23 山东艾迈科思电气有限公司 基于多传感器的开关柜状态快速评估方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111191693A (zh) * 2019-12-18 2020-05-22 广西电网有限责任公司电力科学研究院 基于卷积神经网络的识别高压开关柜热故障状态的方法
WO2021212752A1 (zh) * 2020-04-23 2021-10-28 平安科技（深圳）有限公司 基于设备指标数据的异常检测方法、装置、设备及存储介质
CN113124929A (zh) * 2021-04-13 2021-07-16 国网陕西省电力公司铜川供电公司 一种变电站多参数信号采集综合分析***和方法
CN113722328A (zh) * 2021-09-03 2021-11-30 国网甘肃省电力公司庆阳供电公司 高压开关设备故障的多源时空分析算法
CN114548246A (zh) * 2022-02-11 2022-05-27 杭州吾好科技有限公司 智能设备的控制方法、***和电子设备
CN114707754A (zh) * 2022-04-25 2022-07-05 广西电网有限责任公司 一种基于BiLSTM-CNN模型的智能电表故障预测方法及***
CN115270982A (zh) * 2022-08-08 2022-11-01 华北电力大学（保定） 一种基于多元数据神经网络的开关柜故障预测方法
CN115372816A (zh) * 2022-10-25 2022-11-22 华能辛店发电有限公司 基于数据分析的配电开关设备运行故障预测***及方法
CN116150566A (zh) * 2023-04-20 2023-05-23 浙江浙能迈领环境科技有限公司 船舶燃料供应安全监测***及其方法
CN116186612A (zh) * 2023-04-28 2023-05-30 福建省杭氟电子材料有限公司 六氟化硫回收利用管理***
CN116304766A (zh) * 2023-05-25 2023-06-23 山东艾迈科思电气有限公司 基于多传感器的开关柜状态快速评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
谢东日 等: "高压开关柜改进型温湿度预警与在线监测***", 微型机与应用, no. 24, pages 63 - 65 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117251073A (zh) * 2023-11-01 2023-12-19 深圳市欧雷玛科技有限公司 触摸屏的自动校准***及其方法
CN117251073B (zh) * 2023-11-01 2024-06-21 深圳市欧雷玛科技有限公司 触摸屏的自动校准***及其方法
CN117278073A (zh) * 2023-11-17 2023-12-22 北京雷格讯电子股份有限公司 一种超宽带天线信号自动调整方法
CN117278073B (zh) * 2023-11-17 2024-01-30 北京雷格讯电子股份有限公司 一种超宽带天线信号自动调整方法
CN117388893A (zh) * 2023-12-11 2024-01-12 深圳市移联通信技术有限责任公司 一种基于gps的多设备定位***
CN117388893B (zh) * 2023-12-11 2024-03-12 深圳市移联通信技术有限责任公司 一种基于gps的多设备定位***
CN117590223A (zh) * 2024-01-18 2024-02-23 南京飞腾电子科技有限公司 断路器的在线监测***及其方法
CN117590223B (zh) * 2024-01-18 2024-04-30 南京飞腾电子科技有限公司 断路器的在线监测***及其方法

Also Published As

Publication number Publication date
CN116893336B (zh) 2024-04-02

Similar Documents

Publication Publication Date Title
CN116893336B (zh) 高低压开关设备及其方法
Yang et al. Remaining useful life prediction based on a double-convolutional neural network architecture
Mohammadi et al. A fast fault detection and identification approach in power distribution systems
CN116639010A (zh) 充电桩的智能控制***及其方法
CN111902781A (zh) 用于控制***的设备和方法
CN116934304B (zh) 智能配电房设备运行维护管理***及其方法
Huang et al. Machine fault detection for intelligent self-driving networks
CN116577677B (zh) 退役动力电池的放电测试***及其方法
Sowah et al. Design of power distribution network fault data collector for fault detection, location and classification using machine learning
CN116824481B (zh) 基于图像识别的变电站巡检方法及其***
CN117375237B (zh) 基于数字孪生技术变电站运维方法及***
CN116776273B (zh) 物联网设备的运行状态监测方法及***
CN117578715A (zh) 一种电力运维智能监测预警方法、***及存储介质
CN116929815A (zh) 基于物联网的设备工作状态监测***及其方法
CN116683648A (zh) 一种智能型配电柜及其控制***
CN116992226A (zh) 一种水泵电机故障检测方法、***
Hasan et al. Wasserstein GAN-based digital twin-inspired model for early drift fault detection in wireless sensor networks
CN117113218A (zh) 可视化的数据分析***及其方法
CN117349583A (zh) 用于低温液体储罐的智能检测方法及***
CN117579513B (zh) 汇聚分流设备的可视化运维***及其方法
Todeschini et al. An image-based deep transfer learning approach to classify power quality disturbances
CN117856442A (zh) 一种基于大数据的电力设备远程监测***及方法
Wu et al. Remaining useful life prediction of bearings with different failure types based on multi-feature and deep convolution transfer learning
CN116402777B (zh) 基于机器视觉的电力设备检测方法及***
Firos et al. Fault detection in power transmission lines using AI model

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
TA01 Transfer of patent application right

Effective date of registration: 20240312

Address after: No. 25 Guangming Road, Xixia District, Yinchuan City, Ningxia Hui Autonomous Region, 750000

Applicant after: Ningxia Longji Electric Co.,Ltd.

Country or region after: China

Address before: 311215 No. 352, Hongda Road, Qiaonan Block, Xiaoshan Economic and Technological Development Zone, Xiaoshan District, Hangzhou City, Zhejiang Province

Applicant before: Zhejiang Heneng Power Equipment Co.,Ltd.

Country or region before: China

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant