CN117572159A - 基于大数据分析的电力故障检测方法及*** - Google Patents
基于大数据分析的电力故障检测方法及*** Download PDFInfo
- Publication number
- CN117572159A CN117572159A CN202410064161.0A CN202410064161A CN117572159A CN 117572159 A CN117572159 A CN 117572159A CN 202410064161 A CN202410064161 A CN 202410064161A CN 117572159 A CN117572159 A CN 117572159A
- Authority
- CN
- China
- Prior art keywords
- fault
- target
- power
- failure detection
- power failure
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 295
- 238000007405 data analysis Methods 0.000 title claims abstract description 39
- 238000012544 monitoring process Methods 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims description 65
- 238000000605 extraction Methods 0.000 claims description 61
- 239000013598 vector Substances 0.000 claims description 60
- 230000008569 process Effects 0.000 claims description 52
- 230000001960 triggered effect Effects 0.000 claims description 31
- 238000006243 chemical reaction Methods 0.000 claims description 26
- 230000007246 mechanism Effects 0.000 claims description 19
- 230000008030 elimination Effects 0.000 claims description 18
- 238000003379 elimination reaction Methods 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 15
- 238000002372 labelling Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 description 12
- 238000013021 overheating Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004148 unit process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请实施例提供一种基于大数据分析的电力故障检测方法及***，通过获取样例电力***运行数据簇序列，将包含触发参考电力故障状态标签的数据和触发其它电力故障状态标签的***状态监控数据分别加载到电力故障检测网络中进行知识学习，确定了第一故障检测误差参数和第二故障检测误差参数，从而对电力故障检测网络进行优化调整，生成了优化调整后的目标电力故障检测网络。最后，基于这个优化后的网络对输入的目标***状态监控数据进行电力故障检测。由此，提高了电力故障检测的准确性和效率，有助于实时监控电力***的运行状态，及时发现和处理电力故障，从而保证电力***的稳定和安全运行。
Description
技术领域
本申请涉及智能电网技术领域，具体而言，涉及一种基于大数据分析的电力故障检测方法及***。
背景技术
电力***是现代社会运行的基础设施，其稳定性和安全性对社会经济活动有着至关重要的影响。然而，由于电力***的复杂性和大规模性，以及其运行环境的多变性，电力***内可能出现各种故障，如过载、短路、设备损坏等。这些故障可能导致电力供应中断，甚至引发严重的社会经济问题。
传统的电力故障检测方法主要依赖人工巡查或者设置固定阈值进行报警，这种方式在一定程度上能够发现并处理电力故障。但由于人工巡查效率低下、耗时长，并且容易受到人为因素的影响，导致误差较大；而固定阈值报警方式则存在阈值选择困难、灵敏度不高等问题。此外，这些传统方法往往无法实现对电力***状态的实时监控，也无法预测未来可能出现的故障，因此难以满足当前电力***运行管理的需求。
发明内容
为了至少克服现有技术中的上述不足，本申请的目的在于提供一种基于大数据分析的电力故障检测方法及***。
第一方面，本申请提供一种基于大数据分析的电力故障检测方法，应用于基于大数据分析的电力故障检测***，所述方法包括：
获取样例电力***运行数据簇序列；所述样例电力***运行数据簇序列中包括多个第一样例电力***运行数据簇和多个第二样例电力***运行数据簇，其中，每个所述第一样例电力***运行数据簇中包括参考电力***单元触发参考电力故障状态标签的***状态监控数据，每个所述第二样例电力***运行数据簇中包括所述参考电力***单元触发所述参考电力故障状态标签之外的其它***状态监控数据；
将所述第一样例电力***运行数据簇加载至电力故障检测网络中进行知识学习，确定知识学习过程中的第一故障检测误差参数；
将所述第二样例电力***运行数据簇加载至所述电力故障检测网络中，依据所述电力故障检测网络对所述第二样例电力***运行数据簇中的所述参考电力***单元触发的电力故障状态标签进行分类，生成第一故障分类图；所述第一故障分类图包括所述电力故障检测网络估计所述参考电力***单元触发各个所述参考电力故障状态标签的第一置信度；
基于所述第一置信度和门限置信度，确定知识学习过程中的第二故障检测误差参数；
基于所述第一故障检测误差参数和所述第二故障检测误差参数，对所述电力故障检测网络进行优化调整，生成优化调整后的目标电力故障检测网络，并基于所述目标电力故障检测网络对输入的目标***状态监控数据进行电力故障检测。
在第一方面的一种可能的实施方式中，所述样例电力***运行数据簇序列中还包括所述第一样例电力***运行数据簇对应的故障标注数据，所述故障标注数据反映所述第一样例电力***运行数据簇中的所述参考电力***单元触发的电力故障状态标签的实际故障状态标签；
所述将所述第一样例电力***运行数据簇加载至电力故障检测网络中进行知识学习，确定知识学习过程中的第一故障检测误差参数，包括：
将所述第一样例电力***运行数据簇加载至所述电力故障检测网络中，依据所述电力故障检测网络对所述第一样例电力***运行数据簇中的所述参考电力***单元触发的电力故障状态标签进行分类，生成第二故障分类图；所述第二故障分类图包括所述电力故障检测网络估计所述参考电力***单元触发各个所述参考电力故障状态标签的第二置信度；
基于所述故障标注数据和所述第二故障分类图，确定知识学习过程中的第一故障检测误差参数。
在第一方面的一种可能的实施方式中，所述电力故障检测网络包括第一特征提取单元和第二特征提取单元；所述将所述第一样例电力***运行数据簇加载至所述电力故障检测网络中，依据所述电力故障检测网络对所述第一样例电力***运行数据簇中的所述参考电力***单元触发的电力故障状态标签进行分类，生成第二故障分类图，包括：
将所述第一样例电力***运行数据簇加载至所述第一特征提取单元，依据所述第一特征提取单元对所述第一样例电力***运行数据簇进行特征提取，生成第一电力***运行路径矢量；
将所述第一电力***运行路径矢量加载至所述第二特征提取单元，依据所述第二特征提取单元使用标签质心影响参数对所述第一电力***运行路径矢量进行融合，生成第一目标故障标签特征，所述标签质心影响参数中包括多个标签质心影响因子，每个所述标签质心影响因子与一个所述参考电力故障状态标签对应，所述第一目标故障标签特征的维度和所述参考电力故障状态标签的数量相同；
依据平滑极值转换机制对所述第一目标故障标签特征进行平滑极值转换，生成第二目标故障标签特征，将所述第二目标故障标签特征输出为第二故障分类图，所述第二目标故障标签特征内的特征单元参数表示所述电力故障检测网络估计所述参考电力***单元触发对应的所述参考电力故障状态标签的第二置信度。
在第一方面的一种可能的实施方式中，所述基于所述故障标注数据和所述第二故障分类图，确定知识学习过程中的第一故障检测误差参数，包括：
基于所述故障标注数据中电力故障状态标签的实际故障状态标签，从所述标签质心影响因子中确定对应的第一影响特征，并将所述标签质心影响因子中除第一影响特征之外的标签质心影响因子输出为第二影响特征；
确定所述第一电力***运行路径矢量和所述第一影响特征之间的第一相似度参数值，以及确定所述第一电力***运行路径矢量和各个所述第二影响特征之间的第二相似度参数值；
计算所述第一相似度参数值和预设参数值的差值，生成第一目标参数值；
基于所述第一目标参数值和各个所述第二相似度参数值，确定知识学习过程中的第一故障检测误差参数；
其中，所述第一目标参数值和所述第一故障检测误差参数为反向关联关系，所述第二相似度参数值和所述第一故障检测误差参数为正向关联关系。
在第一方面的一种可能的实施方式中，所述依据平滑极值转换机制对所述第一目标故障标签特征进行平滑极值转换，生成第二目标故障标签特征，包括：
获取预置的分布调整因子；所述分布调整因子的大小大于1；
依据所述分布调整因子对所述第一目标故障标签特征进行分布调整，生成第三目标故障标签特征；
通过平滑极值转换机制对所述第三目标故障标签特征进行平滑极值转换，生成第二目标故障标签特征。
在第一方面的一种可能的实施方式中，所述电力故障检测网络包括第一特征提取单元和第二特征提取单元；所述将所述第二样例电力***运行数据簇加载至所述电力故障检测网络中，依据所述电力故障检测网络对所述第二样例电力***运行数据簇中的所述参考电力***单元触发的电力故障状态标签进行分类，生成第一故障分类图，包括：
将所述第二样例电力***运行数据簇加载至所述第一特征提取单元，依据所述第一特征提取单元对所述第二样例电力***运行数据簇进行特征提取，生成第二电力***运行路径矢量；
将所述第二电力***运行路径矢量加载至所述第二特征提取单元，依据所述第二特征提取单元使用标签质心影响参数对所述第二电力***运行路径矢量进行融合，生成第四目标故障标签特征，所述标签质心影响参数中包括多个标签质心影响因子，每个所述标签质心影响因子和一个所述参考电力故障状态标签对应，所述第四目标故障标签特征的维度和所述参考电力故障状态标签的数量相同；
依据平滑极值转换机制对所述第四目标故障标签特征进行平滑极值转换，生成第五目标故障标签特征，将所述第五目标故障标签特征输出为第一故障分类图，所述第五目标故障标签特征内的特征单元参数表示所述电力故障检测网络估计所述参考电力***单元触发对应的所述参考电力故障状态标签的第一置信度；
所述确定知识学习过程中的第二故障检测误差参数，包括：
确定所述第二电力***运行路径矢量和各个所述标签质心影响因子之间的第三相似度参数值；
基于所述门限置信度，确定预设参数值；
计算最大的所述第三相似度参数值和所述预设参数值的差值，生成第三目标参数值；
基于所述第三目标参数值，确定知识学习过程中的第二故障检测误差参数；
其中，所述第三目标参数值和所述第二故障检测误差参数为正向关联关系。
在第一方面的一种可能的实施方式中，所述基于所述第一置信度和门限置信度，确定知识学习过程中的第二故障检测误差参数，包括：
计算各个所述参考电力故障状态标签对应的第一置信度和所述门限置信度之间的差值，生成各个所述参考电力故障状态标签对应的第二目标参数值；
如果存在大于0的所述第二目标参数值，比较各个所述第二目标参数值的大小，基于最大的第二目标参数值确定所述第二故障检测误差参数；或者，如果所述第二目标参数值均不大于0，确定所述第二故障检测误差参数的大小为0。
在第一方面的一种可能的实施方式中，基于所述第一故障检测误差参数和所述第二故障检测误差参数，对所述电力故障检测网络进行优化调整，生成优化调整后的目标电力故障检测网络，包括：
确定样例电力***运行数据簇序列中所述第一样例电力***运行数据簇的第一簇数量和所述第二样例电力***运行数据簇的第二簇数量；
基于所述第一簇数量，确定所述第一故障检测误差参数对应的第一重要性系数，并基于所述第二簇数量，确定所述第二故障检测误差参数对应的第二重要性系数；
基于所述第一重要性系数和所述第二重要性系数，对所述第一故障检测误差参数和所述第二故障检测误差参数进行权重融合，生成全局故障检测误差参数；
基于所述全局故障检测误差参数，对所述电力故障检测网络进行优化调整，生成优化调整后的电力故障检测网络。
在第一方面的一种可能的实施方式中，所述基于所述目标电力故障检测网络对输入的目标***状态监控数据进行电力故障检测的步骤，包括：
获取基础***状态监控数据，对每一个所述基础***状态监控数据进行递归特征消除，生成每一个所述基础***状态监控数据对应的初始遍历选择特征，将获取的所述基础***状态监控数据加入到待处理数据序列中，检测当前所述待处理数据序列中的序列成员数量，如果所述序列成员数量不小于设定数量，依据预定的数量间隔参数从所述待处理数据序列中提取第一数量的基础***状态监控数据，生成第一***状态监控数据序列；
将当前所述待处理数据序列中处于主导地位的所述基础***状态监控数据对应的初始遍历选择特征输出为递归特征消除节点，基于所述递归特征消除节点对所述第一***状态监控数据序列中的各个所述基础***状态监控数据进行分割，生成所述目标***状态监控数据；
将所述目标***状态监控数据加载至所述目标电力故障检测网络中，依据所述目标电力故障检测网络对所述目标***状态监控数据中的目标电力***触发的电力故障状态标签进行分类，生成第三故障分类图；所述第三故障分类图包括所述目标电力故障检测网络估计所述目标电力***触发各个所述参考电力故障状态标签的第三置信度；
将各个所述参考电力故障状态标签对应的第三置信度和门限置信度进行比较，如果存在大于所述门限置信度的第三置信度，则比较各个所述第三置信度的大小，基于最大的第三置信度对应的参考电力故障状态标签确定目标电力故障状态标签；或者，如果所述第三置信度均不大于所述门限置信度，确定所述目标电力故障状态标签为未知电力故障状态标签。
第二方面，本申请实施例还提供一种基于大数据分析的电力故障检测***，所述基于大数据分析的电力故障检测***包括处理器和机器可读存储介质，所述机器可读存储介质中存储有计算机程序，所述计算机程序结合该处理器加载并执行以实现以上第一方面的基于大数据分析的电力故障检测方法。
采用以上任意方面的技术方案，通过获取样例电力***运行数据簇序列，将包含触发参考电力故障状态标签的数据和触发其它电力故障状态标签的***状态监控数据分别加载到电力故障检测网络中进行知识学习，确定了第一故障检测误差参数和第二故障检测误差参数，从而对电力故障检测网络进行优化调整，生成了优化调整后的目标电力故障检测网络。最后，基于这个优化后的网络对输入的目标***状态监控数据进行电力故障检测。由此，提高了电力故障检测的准确性和效率，有助于实时监控电力***的运行状态，及时发现和处理电力故障，从而保证电力***的稳定和安全运行。
具体而言，本申请通过获取和处理样例电力***运行数据簇序列，进行知识学习，并确定故障检测误差参数，对电力故障检测网络进行优化调整，生成优化后的目标电力故障检测网络，能够有效地从参考电力***单元触发的各种电力故障状态标签中，识别并预测出最可能的电力故障状态。
首先，通过加载第一样例电力***运行数据簇到电力故障检测网络进行知识学习，确定第一故障检测误差参数，这一过程可以提升电力故障检测网络对参考电力故障状态标签的识别能力。
然后，将第二样例电力***运行数据簇加载至电力故障检测网络，根据电力故障检测网络对参考电力***单元触发的电力故障状态标签进行分类，生成第一故障分类图，这一过程可以进一步优化电力故障检测网络的性能。
基于第一置信度和门限置信度，确定知识学习过程中的第二故障检测误差参数，这一过程可以确保电力故障检测网络的准确性和稳定性。
最后，基于第一故障检测误差参数和第二故障检测误差参数，对电力故障检测网络进行优化调整，生成优化调整后的目标电力故障检测网络。这一过程可以使得电力故障检测网络在面对实际的目标***状态监控数据时，能够更加准确和有效地进行电力故障检测。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要启用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以结合这些附图获得其它相关的附图。
图1为本申请实施例提供的基于大数据分析的电力故障检测方法的流程示意图；
图2为本申请实施例提供的用于实现上述的基于大数据分析的电力故障检测方法的基于大数据分析的电力故障检测***的功能结构示意框图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和结合本申请，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本申请的原则和范围时，本申请中所定义的普遍原则可以适用于其它实施例和应用场景。因此，本申请并不限于所描述的实施例，而应该被给予与权利要求一致的最广泛的范围。
参见图1所示，本申请提供一种基于大数据分析的电力故障检测方法，包括以下步骤。
步骤S110，获取样例电力***运行数据簇序列。所述样例电力***运行数据簇序列中包括多个第一样例电力***运行数据簇和多个第二样例电力***运行数据簇。
本实施例中，每个所述第一样例电力***运行数据簇中包括参考电力***单元触发参考电力故障状态标签的***状态监控数据，每个所述第二样例电力***运行数据簇中包括所述参考电力***单元触发所述参考电力故障状态标签之外的其它***状态监控数据。
例如，在实际应用中，电力***中可能发生的故障往往复杂多变，一些故障可能由多种因素共同引发，仅仅通过简单的阈值比较往往无法准确地识别这些故障。
假设当前正在监控一个包含数百个发电机、变压器和配电网的复杂电力***。复杂电力***中每个部件都装有众多传感器，可以监测到电压、电流、频率、温度、振动等多个参数。其中，可以选择一部分曾经发生过复杂故障（例如，频率异常波动导致的***失稳）的设备的数据作为第一样例电力***运行数据簇；另一部分未发生过该类型故障，或者发生过其它类型故障的设备数据作为第二样例电力***运行数据簇。
示例性的，假设正在研究的是一个复杂电力***中频率异常波动导致的***失稳故障。这种故障可能由多个因素共同引发，例如供电不稳定、负载过重等，而且通常需要通过机器学习方法来识别和预测。
第一样例电力***运行数据簇：可以选择一些历史上曾经出现过频率异常波动导致的***失稳故障的发电机组的数据。这些数据包含了在故障发生前的各种参数变化情况，如功率输出、负载大小、转速、温度等。同时，每个数据点都对应一个标签，表示是否发生了参考故障（即频率异常波动导致的***失稳）。这些数据就构成了的第一样例电力***运行数据簇。
第二样例电力***运行数据簇：还可以收集其它未发生过频率异常波动导致的***失稳故障，或者因为其它原因（如电流过大、过热等）导致故障的发电机组的数据。这些数据也包括各种运行参数，但与第一样例数据簇不同的是，这部分数据中并未触发参考故障标签，而可能触发了其它类型的故障标签，或者没有触发任何故障标签（即设备正常运行）。这部分数据构成了的第二样例电力***运行数据簇。
通过收集和比较这两类数据，电力故障检测网络可以学习到什么样的运行状态可能会导致频率异常波动的***失稳，以及什么样的运行状态是正常的或可能引发其它类型的故障。
步骤S120，将所述第一样例电力***运行数据簇加载至电力故障检测网络中进行知识学习，确定知识学习过程中的第一故障检测误差参数。
例如，可以使用深度学习模型（如卷积神经网络）作为电力故障检测网络。输入第一样例电力***运行数据簇，训练电力故障检测网络习如何从多元监控数据中识别出可能导致频率异常波动的***状态。在此过程中，可以计算电力故障检测网络预测与实际故障标签之间的误差，即第一故障检测误差参数。
步骤S130，将所述第二样例电力***运行数据簇加载至所述电力故障检测网络中，依据所述电力故障检测网络对所述第二样例电力***运行数据簇中的所述参考电力***单元触发的电力故障状态标签进行分类，生成第一故障分类图。
本实施例中，所述第一故障分类图包括所述电力故障检测网络估计所述参考电力***单元触发各个所述参考电力故障状态标签的第一置信度。
例如，可以用第二样例电力***运行数据簇进一步训练和测试电力故障检测网络，根据电力故障检测网络对每个设备可能发生的故障状态的预测，生成故障分类图。例如，电力故障检测网络可以预测某个设备有60%的概率发生频率异常波动，有30%的概率发生其它类型的故障，有10%的概率正常运行。
步骤S140，基于所述第一置信度和门限置信度，确定知识学习过程中的第二故障检测误差参数。
例如，可以设定一个门限值，例如70%，如果电力故障检测网络对设备发生频率异常波动的预测置信度低于这个值，那么认为该预测可能不准确，通过比较预测结果和实际结果，可以计算出第二故障检测误差参数。
步骤S150，基于所述第一故障检测误差参数和所述第二故障检测误差参数，对所述电力故障检测网络进行优化调整，生成优化调整后的目标电力故障检测网络，并基于所述目标电力故障检测网络对输入的目标***状态监控数据进行电力故障检测。
例如，根据所述第一故障检测误差参数和所述第二故障检测误差参数，可以进一步优化电力故障检测网络，例如，调整电力故障检测网络的权重、改变电力故障检测网络的网络结构或者调整训练策略。优化后的目标电力故障检测网络将更准确地识别出可能导致频率异常波动的***状态，从而在实际运行中提前预警，防止故障发生。
基于以上步骤，通过获取样例电力***运行数据簇序列，将包含触发参考电力故障状态标签的数据和触发其它电力故障状态标签的***状态监控数据分别加载到电力故障检测网络中进行知识学习，确定了第一故障检测误差参数和第二故障检测误差参数，从而对电力故障检测网络进行优化调整，生成了优化调整后的目标电力故障检测网络。最后，基于这个优化后的网络对输入的目标***状态监控数据进行电力故障检测。由此，提高了电力故障检测的准确性和效率，有助于实时监控电力***的运行状态，及时发现和处理电力故障，从而保证电力***的稳定和安全运行。
具体而言，本申请通过获取和处理样例电力***运行数据簇序列，进行知识学习，并确定故障检测误差参数，对电力故障检测网络进行优化调整，生成优化后的目标电力故障检测网络，能够有效地从参考电力***单元触发的各种电力故障状态标签中，识别并预测出最可能的电力故障状态。
首先，通过加载第一样例电力***运行数据簇到电力故障检测网络进行知识学习，确定第一故障检测误差参数，这一过程可以提升电力故障检测网络对参考电力故障状态标签的识别能力。
然后，将第二样例电力***运行数据簇加载至电力故障检测网络，根据电力故障检测网络对参考电力***单元触发的电力故障状态标签进行分类，生成第一故障分类图，这一过程可以进一步优化电力故障检测网络的性能。
基于第一置信度和门限置信度，确定知识学习过程中的第二故障检测误差参数，这一过程可以确保电力故障检测网络的准确性和稳定性。
最后，基于第一故障检测误差参数和第二故障检测误差参数，对电力故障检测网络进行优化调整，生成优化调整后的目标电力故障检测网络。这一过程可以使得电力故障检测网络在面对实际的目标***状态监控数据时，能够更加准确和有效地进行电力故障检测。
在一种可能的实施方式中，所述样例电力***运行数据簇序列中还包括所述第一样例电力***运行数据簇对应的故障标注数据，所述故障标注数据反映所述第一样例电力***运行数据簇中的所述参考电力***单元触发的电力故障状态标签的实际故障状态标签。
步骤S120可以包括：
步骤S121，将所述第一样例电力***运行数据簇加载至所述电力故障检测网络中，依据所述电力故障检测网络对所述第一样例电力***运行数据簇中的所述参考电力***单元触发的电力故障状态标签进行分类，生成第二故障分类图。所述第二故障分类图包括所述电力故障检测网络估计所述参考电力***单元触发各个所述参考电力故障状态标签的第二置信度。
步骤S122，基于所述故障标注数据和所述第二故障分类图，确定知识学习过程中的第一故障检测误差参数。
例如，结合之前的复杂场景例子，对每个步骤进行具体说明：
在当前监控的大型电力***中，设备如发电机、变压器等都装有多种传感器，这些传感器能实时收集设备的运行参数。选取了一部分曾经发生过特定故障（例如，频率异常波动导致的***失稳）的设备的运行数据，作为第一样例电力***运行数据簇。同时，这些设备在发生故障时，其故障状态会被记录下来，作为故障标注数据。故障标注数据就是反映第一样例电力***运行数据簇中的参考电力***单元真正触发的电力故障状态的实际故障状态标签。
a) 将第一样例电力***运行数据簇输入到电力故障检测网络（例如一个深度学习模型）中。电力故障检测网络会根据这些数据学习和理解导致特定故障（频率异常波动导致的***失稳）发生的各种因素和条件。通过这个过程，网络能够生成一个第二故障分类图。在这个第二故障分类图中，电力故障检测网络给出了对于每一个参考电力***单元（例如每一台发电机）触发每一种参考电力故障状态标签（例如频率异常波动导致的***失稳）的预测置信度，这就是第二置信度。
b) 在生成了第二故障分类图后，需要验证电力故障检测网络的预测准确性。为此，将电力故障检测网络的预测结果（即第二故障分类图）与实际的故障标注数据进行比较。通过计算预测结果与实际结果之间的差异，就可以得到第一故障检测误差参数。这个第一故障检测误差参数能反映电力故障检测网络在知识学习过程中的准确性，并能用于后续的网络优化。
在一种可能的实施方式中，所述电力故障检测网络包括第一特征提取单元和第二特征提取单元。步骤S121可以包括：
步骤S1211，将所述第一样例电力***运行数据簇加载至所述第一特征提取单元，依据所述第一特征提取单元对所述第一样例电力***运行数据簇进行特征提取，生成第一电力***运行路径矢量。
例如，本实施例构建了一个包含两个特征提取单元的电力故障检测网络。第一特征提取单元用于对输入的原始数据进行特征提取，生成电力***运行路径矢量。第二特征提取单元则使用标签质心影响参数对第一电力***运行路径矢量进行融合，生成目标故障标签特征。
首先，先将已经收集好的第一样例电力***运行数据簇（即那些曾经出现过频率异常波动导致的***失稳故障的设备的运行数据）输入到电力故障检测网络的第一特征提取单元中。第一特征提取单元对输入的第一样例电力***运行数据簇进行处理，提取出与故障相关的关键特征，并将这些特征组织成一个向量，这个向量可以理解为第一电力***运行路径矢量。
示例性的，这些第一样例电力***运行数据簇包含了大量的信息，但并非所有的信息对于当前任务都是有用的。例如，可能只有某几个传感器的数据与本实施例所关心的故障有直接关系，而其它传感器的数据则可能无关紧要。此外，原始数据中可能还包含了大量的噪声，比如由于传感器误差、环境干扰等因素引起的数据波动。
这时，第一特征提取单元可以对第一样例电力***运行数据簇进行处理，提取出其中的有用信息，并去除无关的噪声。具体来说，可能会执行如下操作：
1. 选择与故障相关的几个传感器的数据，忽略其它传感器的数据。
2. 对选中的数据进行降噪处理，例如使用滤波器去除高频噪声。
3. 提取出数据中的重要特征，例如计算每个传感器数据的平均值、最大值、最小值等。
经过这些处理后，得到了一个由多个特征组成的向量，这就是所说的第一电力***运行路径矢量，例如，可以从发电机的各类传感器中收集到了大量的运行数据，包括但不限于：转速、负载大小、温度、振动等。
选择以下几个步骤提取特征：转速：计算了发电机转速的平均值、最大值和最小值。假设它们分别为1000rpm、1200rpm和800rpm。负载大小：计算了发电机负载大小的平均值、最大值和最小值。假设它们分别为50%，70%和30%。温度：计算了发电机温度的平均值、最大值和最小值。假设它们分别为60℃、80℃和40℃。振动：计算了发电机振动的平均值、最大值和最小值。假设它们分别为0.5mm、1mm和0.2mm。通过以上步骤，得到了一个由12个元素组成的向量，即第一电力***运行路径矢量：
[1000, 1200, 800, 50%, 70%, 30%, 60℃, 80℃, 40℃, 0.5mm, 1mm, 0.2mm]
这个向量就是所说的第一电力***运行路径矢量。每个元素都代表了发电机在过去一段时间内的一个关键运行特征。这个第一电力***运行路径矢量将被输入到电力故障检测网络中，用于预测未来可能出现的故障。这个第一电力***运行路径矢量捕捉了原始数据中与本实施例关心的故障相关的关键信息，而忽略了无关的细节和噪声，从而为后续的故障检测提供了更为清晰、精确的输入。
步骤S1212，将所述第一电力***运行路径矢量加载至所述第二特征提取单元，依据所述第二特征提取单元使用标签质心影响参数对所述第一电力***运行路径矢量进行融合，生成第一目标故障标签特征，所述标签质心影响参数中包括多个标签质心影响因子，每个所述标签质心影响因子与一个所述参考电力故障状态标签对应，所述第一目标故障标签特征的维度和所述参考电力故障状态标签的数量相同。
例如，接下来，可以将第一电力***运行路径矢量输入到电力故障检测网络的第二特征提取单元中。这个第二特征提取单元会使用一组预先定义的标签质心影响参数，这些标签质心影响参数反映了每种可能的故障状态（即参考电力故障状态标签）对***运行状态的影响程度。通过这些标签质心影响参数，第二特征提取单元将第一电力***运行路径矢量进行融合，生成第一目标故障标签特征。
示例性的，假设本实施例的目标是检测和预测电力***中的三种可能的故障状态：频率异常波动导致的***失稳、负载过重导致的过热故障和供电不稳定导致的电流波动故障。这些就是的参考电力故障状态标签。
已经通过第一特征提取单元，得到了第一电力***运行路径矢量，比如[平均转速, 最大转速, 最小转速, 平均负载大小, 最大负载大小, 最小负载大小, 平均温度,最大温度, 最小温度]。
接下来，需要将这个第一电力***运行路径矢量输入到第二特征提取单元，这个第二特征提取单元会使用标签质心影响参数对第一电力***运行路径矢量进行融合。
标签质心影响参数是一组预先定义的参数，每个参数（或者说标签质心影响因子）都与一个参考电力故障状态标签对应。比如，可能有一个参数专门用于衡量转速对频率异常波动导致的***失稳的影响，另一个参数则用于衡量负载大小对负载过重导致的过热故障的影响，等等。
第二特征提取单元会根据这些标签质心影响参数，将第一电力***运行路径矢量中的每一个特征与所有的故障状态标签进行关联。比如，它可能会计算出当平均转速增加时，发生频率异常波动导致的***失稳的可能性会增加多少，发生负载过重导致的过热故障的可能性会增加多少，等等。
这样，就得到了一个新的特征向量，即第一目标故障标签特征。这个第一目标故障标签特征的维度与参考电力故障状态标签的数量相同（在的例子中是3），每一个维度都表示了一个特定的故障状态的可能性。
步骤S1213，依据平滑极值转换机制对所述第一目标故障标签特征进行平滑极值转换，生成第二目标故障标签特征，将所述第二目标故障标签特征输出为第二故障分类图，所述第二目标故障标签特征内的特征单元参数表示所述电力故障检测网络估计所述参考电力***单元触发对应的所述参考电力故障状态标签的第二置信度。
例如，可以使用一种称为平滑极值转换机制的方法，对第一目标故障标签特征进行处理。这个平滑极值转换机制的方法能够有效地消除数据中的噪声和异常值，提电力故障检测网络的稳定性和预测准确性。
最后，将经过平滑极值转换后的第二目标故障标签特征输出为第二故障分类图。在这个第二故障分类图中，每个设备都会被分配一个与其对应的参考电力故障状态标签相关的置信度值，即电力故障检测网络估计设备触发该故障标签的置信度，这个值可以帮助了解每个设备可能出现的故障类型及其可能性。
示例性的，继续上面的例子，首先，将第一电力***运行路径矢量（例如[1000,1200, 800, 50%, 70%, 30%, 60℃, 80℃, 40℃, 0.5mm, 1mm, 0.2mm]）加载到第二特征提取单元中。这个单元会使用预先定义的标签质心影响参数来对该矢量进行处理。
假设有四种参考电力故障状态标签：频率异常、过热、过载和机械故障。每种故障都有一个与之相关的标签质心影响因子，例如频率异常的因子可能是0.8，过热的因子是0.6，过载的因子是0.7，机械故障的因子是0.5。这些因子反映了各种故障对***运行状态的影响程度。
第二特征提取单元会使用这些标签质心影响参数对第一电力***运行路径矢量进行融合，生成第一目标故障标签特征。具体来说，它可能会将每个特征值乘以对应的标签质心影响因子，然后将结果加在一起。例如，对于频率异常，它可能会计算(1000*0.8 +1200*0.8 + 800*0.8 + 50%*0.8 + 70%*0.8 + 30%*0.8 + 60℃*0.8 + 80℃*0.8 + 40℃*0.8 + 0.5mm*0.8 + 1mm*0.8 + 0.2mm*0.8)，得到一个值。同样地，它也会为其它三种故障计算类似的值。
接下来，使用平滑极值转换机制对第一目标故障标签特征进行处理。这个机制可以消除数据中的极值和噪声，使得生成的特征更加稳定。处理后的结果就是第二目标故障标签特征。
最后，将第二目标故障标签特征输出为第二故障分类图。在这个第二故障分类图中，每种参考电力故障状态标签都对应一个置信度值，这个值表示电力故障检测网络预测发电机会触发该故障的置信程度。例如，如果频率异常的置信度是0.9，过热的置信度是0.2，过载的置信度是0.3，机械故障的置信度是0.1，那么就可以得出发电机最有可能出现的是频率异常。
在一种可能的实施方式中，步骤S122可以包括：
步骤S1221，基于所述故障标注数据中电力故障状态标签的实际故障状态标签，从所述标签质心影响因子中确定对应的第一影响特征，并将所述标签质心影响因子中除第一影响特征之外的标签质心影响因子输出为第二影响特征。
例如，用之前的复杂电力***故障场景来详细解释一下这个过程：
首先查看故障标注数据，这些故障标注数据反映了每个设备在故障时的真实状态。例如，在频率异常波动导致的***失稳故障中，可能转速是最关键的影响特征，那么它就被确定为第一影响特征；而其它如负载大小、温度等则被视为第二影响特征。
步骤S1222，确定所述第一电力***运行路径矢量和所述第一影响特征之间的第一相似度参数值，以及确定所述第一电力***运行路径矢量和各个所述第二影响特征之间的第二相似度参数值。
例如，计算第一电力***运行路径矢量（即由设备运行数据提取出的特征向量）与第一影响特征（转速）之间的相似度，得到第一相似度参数值。同样，也计算第一电力***运行路径矢量与第二影响特征（负载大小、温度等）之间的相似度，得到第二相似度参数值。
步骤S1223，计算所述第一相似度参数值和预设参数值的差值，生成第一目标参数值。
例如，计算第一相似度参数值（即设备实际运行状态与故障状态的相似度）与一个预设参数值（比如理想状态下的相似度值）之间的差值，得到第一目标参数值。这个值反映了设备的实际运行状态与故障状态之间的偏差。
步骤S1224，基于所述第一目标参数值和各个所述第二相似度参数值，确定知识学习过程中的第一故障检测误差参数。
其中，所述第一目标参数值和所述第一故障检测误差参数为反向关联关系，所述第二相似度参数值和所述第一故障检测误差参数为正向关联关系。
例如，最后，根据第一目标参数值（即主要故障状态的偏差）和各个第二相似度参数值（即其它可能故障状态的偏差），确定知识学习过程中的第一故障检测误差参数。这个误差参数能帮助了解电力故障检测网络的预测准确性，并为后续的优化提供依据。
其中，第一目标参数值和第一故障检测误差参数为反向关联关系，即主要故障状态的偏差越大，误差就越大；第二相似度参数值和第一故障检测误差参数为正向关联关系，即其它可能故障状态的偏差越大，误差也越大。
在一种可能的实施方式中，步骤S1213可以包括：
1、获取预置的分布调整因子。所述分布调整因子的大小大于1。
2、依据所述分布调整因子对所述第一目标故障标签特征进行分布调整，生成第三目标故障标签特征。
3、通过平滑极值转换机制对所述第三目标故障标签特征进行平滑极值转换，生成第二目标故障标签特征。
例如，在之前的复杂电力***故障场景下来解释这个过程：
假设现在得到了第一目标故障标签特征，例如[0.7, 0.2, 0.1]，这分别代表了当前电力***状态可能导致频率异常波动导致的***失稳、负载过重导致的过热故障和供电不稳定导致的电流波动故障的概率。
首先，需要获取一个预置的分布调整因子。这个分布调整因子的大小大于1，用于调整各种故障状态的分布。假设获取的分布调整因子为1.5。
接着，根据分布调整因子对第一目标故障标签特征进行分布调整。具体来说，会将每个特征值乘以分布调整因子。例如，对于频率异常波动导致的***失稳，会计算0.7*1.5=1.05。同样地，也会为其它两种故障计算类似的值。这样，得到了第三目标故障标签特征，例如[1.05, 0.3, 0.15]。
最后，使用平滑极值转换机制对第三目标故障标签特征进行处理。这个机制可以有效地消除数据中的极值和噪声，使得生成的特征更加稳定。比如，如果某个特征值偏离了其它特征值过多，平滑极值转换机制就会将其调整回一个合理的范围内。经过处理后，得到了第二目标故障标签特征，例如[0.95, 0.27, 0.14]。这些值相较于原始的第一目标故障标签特征更为稳定，更能反映电力***的真实状态。
总的来说，这个过程通过分布调整和平滑极值转换，对原始的故障标签特征进行了优化，使其更加准确地反映了电力***可能出现的各种故障状态。
在一种可能的实施方式中，所述电力故障检测网络包括第一特征提取单元和第二特征提取单元。步骤S130可以包括：
步骤S131，将所述第二样例电力***运行数据簇加载至所述第一特征提取单元，依据所述第一特征提取单元对所述第二样例电力***运行数据簇进行特征提取，生成第二电力***运行路径矢量。
例如，继续以前面的复杂电力***为例，详细解释一下这个过程：
在这个阶段，收集了另一批发生故障的电力***设备（比如发电机）的运行数据，称之为第二样例电力***运行数据簇。然后，将这些数据输入到第一特征提取单元中，从原始数据中提取出有用的信息或特征，生成第二电力***运行路径矢量。比如说，可能计算出转速、负载大小、温度等各种参数的平均值、最大值和最小值。
步骤S132，将所述第二电力***运行路径矢量加载至所述第二特征提取单元，依据所述第二特征提取单元使用标签质心影响参数对所述第二电力***运行路径矢量进行融合，生成第四目标故障标签特征，所述标签质心影响参数中包括多个标签质心影响因子，每个所述标签质心影响因子和一个所述参考电力故障状态标签对应，所述第四目标故障标签特征的维度和所述参考电力故障状态标签的数量相同。
例如，接着，将第二电力***运行路径矢量输入到第二特征提取单元中。这个单元会使用标签质心影响参数对矢量进行处理，生成第四目标故障标签特征。每个标签质心影响因子与一个参考电力故障状态标签对应，比如频率异常、过热、过载和机械故障等。
步骤S133，依据平滑极值转换机制对所述第四目标故障标签特征进行平滑极值转换，生成第五目标故障标签特征，将所述第五目标故障标签特征输出为第一故障分类图，所述第五目标故障标签特征内的特征单元参数表示所述电力故障检测网络估计所述参考电力***单元触发对应的所述参考电力故障状态标签的第一置信度。
例如，最后，使用平滑极值转换机制对第四目标故障标签特征进行处理，生成第五目标故障标签特征。这个步骤可以帮助消除数据中的极值和噪声，使得生成的特征更加稳定。然后，将第五目标故障标签特征输出为第一故障分类图。在这个图中，每种参考电力故障状态标签都对应一个置信度值，这个值表示电力故障检测网络预测设备会触发该故障的置信程度。例如，如果频率异常的置信度是0.9，过热的置信度是0.2，过载的置信度是0.3，机械故障的置信度是0.1，那么就可以得出设备最有可能出现的是频率异常。
步骤S140可以包括：
步骤S141，确定所述第二电力***运行路径矢量和各个所述标签质心影响因子之间的第三相似度参数值。
步骤S142，基于所述门限置信度，确定预设参数值。
步骤S143，计算最大的所述第三相似度参数值和所述预设参数值的差值，生成第三目标参数值。
步骤S144，基于所述第三目标参数值，确定知识学习过程中的第二故障检测误差参数。
其中，所述第三目标参数值和所述第二故障检测误差参数为正向关联关系。
例如，继续使用之前的电力***故障场景来解释这个过程：
假设在第一特征提取单元和第二特征提取单元的处理后，得到了一个新的电力***运行路径矢量，即第二电力***运行路径矢量。例如，这个向量可能是经过平滑极值转换后的数据，比如[0.95, 0.27, 0.14]。然后，计算这个矢量与每个标签质心影响因子（例如对应频率异常、过热、过载和机械故障的影响因子）之间的相似度，得到第三相似度参数值。
接下来，设定一个门限置信度，例如0.8，表示当某种故障状态的置信度超过这个值时，就认为该故障状态非常可能发生。基于这个门限置信度，确定一个预设参数值，例如也是0.8。
然后，找出所有第三相似度参数值中的最大值，例如0.95，然后计算这个最大值与预设参数值（0.8）之间的差值，得到第三目标参数值，例如0.15。这个第三目标参数值反映了电力***的实际运行状态与预期的故障状态之间的偏差。
最后，根据第三目标参数值（0.15），确定知识学习过程中的第二故障检测误差参数。这个第二故障检测误差参数可能就是0.15，反映了电力故障检测网络的预测准确性。
其中，第三目标参数值和第二故障检测误差参数为正向关联关系，即偏差越大，误差就越大。这个第二故障检测误差参数可以帮助了解电力故障检测网络的性能，并为后续的优化提供依据。
在一种可能的实施方式中，步骤S140还可以包括：计算各个所述参考电力故障状态标签对应的第一置信度和所述门限置信度之间的差值，生成各个所述参考电力故障状态标签对应的第二目标参数值。如果存在大于0的所述第二目标参数值，比较各个所述第二目标参数值的大小，基于最大的第二目标参数值确定所述第二故障检测误差参数。或者，如果所述第二目标参数值均不大于0，确定所述第二故障检测误差参数的大小为0。
例如，继续使用之前的电力***故障场景来解释这个过程：
在此阶段，已经得到了每种参考电力故障状态（比如频率异常、过热、过载和机械故障等）的第一置信度。然后，计算每种故障状态的第一置信度与门限置信度之间的差值，生成各个参考电力故障状态标签对应的第二目标参数值。例如，如果频率异常的第一置信度是0.9，门限置信度是0.8，那么频率异常的第二目标参数值就是0.9-0.8=0.1。
接下来，可以检测是否有第二目标参数值大于0。如果有，就比较所有第二目标参数值的大小，并根据最大的那个确定第二故障检测误差参数。例如，如果频率异常、过热、过载和机械故障的第二目标参数值分别为0.1、-0.2、0.3和0.05，那么就选取最大的0.3作为第二故障检测误差参数。这表示当前电力***状态最可能导致的是过载故障。而如果所有的第二目标参数值都不大于0，那么就确定第二故障检测误差参数为0，表示当前电力***状态未超出正常范围，无需担心故障。
通过以上步骤，能够有效地对电力***的运行状态进行评估，并预测可能发生的故障类型。
在一种可能的实施方式中，步骤S150可以包括：
步骤S151，确定样例电力***运行数据簇序列中所述第一样例电力***运行数据簇的第一簇数量和所述第二样例电力***运行数据簇的第二簇数量。
例如，继续使用之前的电力***故障场景来解释这个过程：
在前述的样例电力***运行数据簇序列中，包含了两类数据：第一样例电力***运行数据簇和第二样例电力***运行数据簇。首先需要确定这两类数据各自包含多少个数据簇，也就是第一簇数量和第二簇数量。
步骤S152，基于所述第一簇数量，确定所述第一故障检测误差参数对应的第一重要性系数，并基于所述第二簇数量，确定所述第二故障检测误差参数对应的第二重要性系数。
例如，可以根据第一簇数量和第二簇数量分别确定第一故障检测误差参数和第二故障检测误差参数的重要性系数。比如，如果第一簇数量较大，那么第一故障检测误差参数对应的第一重要性系数就会较高，反之则较低。
步骤S153，基于所述第一重要性系数和所述第二重要性系数，对所述第一故障检测误差参数和所述第二故障检测误差参数进行权重融合，生成全局故障检测误差参数。
例如，可以根据第一重要性系数和第二重要性系数对第一故障检测误差参数和第二故障检测误差参数进行权重融合，得到全局故障检测误差参数。这个过程可以理解为根据每类数据的数量给各自的误差参数赋予了不同的权重，然后将它们融合在一起。
步骤S154，基于所述全局故障检测误差参数，对所述电力故障检测网络进行优化调整，生成优化调整后的电力故障检测网络。
例如，最后，根据全局故障检测误差参数对电力故障检测网络进行优化调整。这可能包括修改网络结构、调整学习率等操作。经过优化后，得到了优化调整后的电力故障检测网络，可以更准确地预测电力***的故障状态。
在一种可能的实施方式中，步骤S150中，基于所述目标电力故障检测网络对输入的目标***状态监控数据进行电力故障检测的步骤，包括：
步骤S155，获取基础***状态监控数据，对每一个所述基础***状态监控数据进行递归特征消除，生成每一个所述基础***状态监控数据对应的初始遍历选择特征，将获取的所述基础***状态监控数据加入到待处理数据序列中，检测当前所述待处理数据序列中的序列成员数量，如果所述序列成员数量不小于设定数量，依据预定的数量间隔参数从所述待处理数据序列中提取第一数量的基础***状态监控数据，生成第一***状态监控数据序列。
例如，首先获取电力***的基础***状态监控数据，例如电压、电流、转速和温度。为了简化问题，可以将这四个参数看作是四个特征。然后，对每一份基础***状态监控数据进行递归特征消除，以筛选出最重要的特征，这些被筛选出来的特征构成初始遍历选择特征。示例性的，递归特征消除（Recursive Feature Elimination，RFE）是一种特征选择方法，它通过反复构建模型并选择表现最好或者最差的特征，将其排除或者保留，然后再用剩余的特征重复这个过程，直至所有特征都被遍历。在的例子中，可以使用递归特征消除来确定电压、电流、转速和温度这四个特征中哪些是对电力故障检测最重要的。具体操作可能是这样的：首先，使用所有的四个特征来构建一个初始的故障检测模型，然后评估每个特征的重要性。假设在第一轮迭代中，发现电压是最不重要的特征，那么就将其从特征列表中移除。接下来，在剩下的三个特征（电流、转速和温度）中再次进行特征重要性评估和选择，以此类推，直至找到最重要的特征。这样，就为每一份基础***状态监控数据生成了对应的初始遍历选择特征，也就是经过递归特征消除后被认为最重要的特征。这些特征将被用于后续的电力故障检测过程。
在此基础上，可以将所有收集到的基础***状态监控数据添加到待处理数据序列中。如果待处理数据序列中的数据数量达到了设定的数量，例如1000，就从中按照预定的数量间隔参数（例如每200个数据为一组）提取数据，生成第一***状态监控数据序列。
步骤S156，将当前所述待处理数据序列中处于主导地位的所述基础***状态监控数据对应的初始遍历选择特征输出为递归特征消除节点，基于所述递归特征消除节点对所述第一***状态监控数据序列中的各个所述基础***状态监控数据进行分割，生成所述目标***状态监控数据。
例如，可以提取待处理数据序列中占主导地位的基础***状态监控数据（例如最新的或者异常频繁的），将其对应的初始遍历选择特征作为递归特征消除节点。然后，可以使用这个递归特征消除节点对第一***状态监控数据序列进行分割，从而得到目标***状态监控数据。
示例性的，首先，需要确定哪种基础***状态监控数据处于主导地位，即对于故障检测最为重要。例如，经过分析，可以发现电压异常是导致故障的主要原因，那么电压数据就是主导地位的基础***状态监控数据。然后，从电压数据序列中选取一部分特征作为初始遍历选择特征，比如可能选择了电压的最大值、最小值和平均值，这些特征被输出为递归特征消除节点。接着，根据递归特征消除节点对其它的基础***状态监控数据序列（比如电流和频率）进行分割。例如，可能会找出当电压最大值超过阈值时，电流和频率的变化情况。通过这种方式，从原始的***状态监控数据中提取出更有价值的信息，生成了目标***状态监控数据。通过以上步骤，能够从海量的***状态监控数据中筛选出最重要的特征，为后续的故障检测提供更准确的数据支持。
步骤S157，将所述目标***状态监控数据加载至所述目标电力故障检测网络中，依据所述目标电力故障检测网络对所述目标***状态监控数据中的目标电力***触发的电力故障状态标签进行分类，生成第三故障分类图。所述第三故障分类图包括所述目标电力故障检测网络估计所述目标电力***触发各个所述参考电力故障状态标签的第三置信度。
例如，可由将目标***状态监控数据输入到目标电力故障检测网络中。这个网络会根据输入的数据对可能触发的电力故障状态进行分类，并生成一个第三故障分类图。这个第三故障分类图中包含了每种参考电力故障状态（如频率异常、过热等）的第三置信度，反映了电力***可能触发这些故障的可能性。
步骤S158，将各个所述参考电力故障状态标签对应的第三置信度和门限置信度进行比较，如果存在大于所述门限置信度的第三置信度，则比较各个所述第三置信度的大小，基于最大的第三置信度对应的参考电力故障状态标签确定目标电力故障状态标签。或者，如果所述第三置信度均不大于所述门限置信度，确定所述目标电力故障状态标签为未知电力故障状态标签。
例如，可以将每种参考电力故障状态的第三置信度与设定的门限置信度（例如0.8）进行比较。如果有任何一种故障状态的第三置信度大于门限置信度，就会比较所有第三置信度的大小，并以最大的那个对应的故障状态作为目标电力故障状态标签。例如，如果频率异常的第三置信度是0.9，而其它故障的第三置信度都小于0.8，那么就认为目标电力故障状态标签是频率异常。如果所有的第三置信度都不大于门限置信度，那么就确定目标电力故障状态标签为未知电力故障状态标签，表示当前的***状态没有超过任何一种故障状态的门限。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的基于大数据分析的电力故障检测***100。
对于一个实施例，图2示出了基于大数据分析的电力故障检测***100，该基于大数据分析的电力故障检测***100具有多个处理器102、被耦合到(多个)处理器102中的一个或多个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的多个输入/输出设备110，和被耦合到控制模块104的网络接口112。
处理器102可包括多个单核或多核处理器，处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一些可替代的实施方式中，基于大数据分析的电力故障检测***100能够作为本申请实施例中所述网关等服务器设备。
一些可替代的实施方式中，基于大数据分析的电力故障检测***100可包括具有指令114的多个计算机可读介质(例如，存储器106或NVM/存储设备108)和与该多个计算机可读介质相合并被配置为执行指令114以实现模块从而执行本公开中所述的动作的多个处理器102。
对于一个实施例，控制模块104可包括任意适当的接口控制器，以向(多个)处理器102中的一个或多个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。
控制模块104可包括存储器控制器模块，以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器106可被用于例如为基于大数据分析的电力故障检测***100加载和存储数据和/或指令114。对于一个实施例，存储器106可包括任意适当的易失性存储器，例如，适当的DRAM。一些可替代的实施方式中，存储器106可包括双倍数据速率类型四同步动态随机存取存储器。
对于一个实施例，控制模块104可包括多个输入/输出控制器，以向NVM/存储设备108及(多个)输入/输出设备110提供接口。
例如，NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(多个)非易失性存储设备。
NVM/存储设备108可包括在物理上作为基于大数据分析的电力故障检测***100被安装在其上的设备的一部分的存储资源，或者其可被该设备访问可不必作为该设备的一部分。例如，NVM/存储设备108可结合网络经由(多个)输入/输出设备110进行访问。
(多个)输入/输出设备110可为基于大数据分析的电力故障检测***100提供接口以与任意其它适当的设备通信，输入/输出设备110可以包括通信组件、拼音组件、传感器组件等。网络接口112可为基于大数据分析的电力故障检测***100提供接口以依据多个网络通信，基于大数据分析的电力故障检测***100可依据多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的多个组件进行无线通信，例如接入依据通信标准的无线网络，如WiFi、2G、3G、4G、5G等，或它们的组合进行无线通信。
对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器(例如，存储器控制器模块)的逻辑封装在一起。对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑封装在一起以形成***级封装。对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑集成在同一模具上。对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑集成在同一模具上以形成片上***。
在各个实施例中，基于大数据分析的电力故障检测***100可以但不限于是：台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中，基于大数据分析的电力故障检测***100可具有更多或更少的组件和/或不同的架构。例如，一些可替代的实施方式中，基于大数据分析的电力故障检测***100包括多个摄像机、键盘、液晶显示器屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路和扬声器。
以上对本申请进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种基于大数据分析的电力故障检测方法，其特征在于，应用于基于大数据分析的电力故障检测***，所述方法包括：
获取样例电力***运行数据簇序列；所述样例电力***运行数据簇序列中包括多个第一样例电力***运行数据簇和多个第二样例电力***运行数据簇，其中，每个所述第一样例电力***运行数据簇中包括参考电力***单元触发参考电力故障状态标签的***状态监控数据，每个所述第二样例电力***运行数据簇中包括所述参考电力***单元触发所述参考电力故障状态标签之外的其它***状态监控数据；
将所述第一样例电力***运行数据簇加载至电力故障检测网络中进行知识学习，确定知识学习过程中的第一故障检测误差参数；
将所述第二样例电力***运行数据簇加载至所述电力故障检测网络中，依据所述电力故障检测网络对所述第二样例电力***运行数据簇中的所述参考电力***单元触发的电力故障状态标签进行分类，生成第一故障分类图；所述第一故障分类图包括所述电力故障检测网络估计所述参考电力***单元触发各个所述参考电力故障状态标签的第一置信度；
基于所述第一置信度和门限置信度，确定知识学习过程中的第二故障检测误差参数；
基于所述第一故障检测误差参数和所述第二故障检测误差参数，对所述电力故障检测网络进行优化调整，生成优化调整后的目标电力故障检测网络，并基于所述目标电力故障检测网络对输入的目标***状态监控数据进行电力故障检测。
2.根据权利要求1所述的基于大数据分析的电力故障检测方法，其特征在于，所述样例电力***运行数据簇序列中还包括所述第一样例电力***运行数据簇对应的故障标注数据，所述故障标注数据反映所述第一样例电力***运行数据簇中的所述参考电力***单元触发的电力故障状态标签的实际故障状态标签；
所述将所述第一样例电力***运行数据簇加载至电力故障检测网络中进行知识学习，确定知识学习过程中的第一故障检测误差参数，包括：
将所述第一样例电力***运行数据簇加载至所述电力故障检测网络中，依据所述电力故障检测网络对所述第一样例电力***运行数据簇中的所述参考电力***单元触发的电力故障状态标签进行分类，生成第二故障分类图；所述第二故障分类图包括所述电力故障检测网络估计所述参考电力***单元触发各个所述参考电力故障状态标签的第二置信度；
基于所述故障标注数据和所述第二故障分类图，确定知识学习过程中的第一故障检测误差参数。
3.根据权利要求2所述的基于大数据分析的电力故障检测方法，其特征在于，所述电力故障检测网络包括第一特征提取单元和第二特征提取单元；所述将所述第一样例电力***运行数据簇加载至所述电力故障检测网络中，依据所述电力故障检测网络对所述第一样例电力***运行数据簇中的所述参考电力***单元触发的电力故障状态标签进行分类，生成第二故障分类图，包括：
将所述第一样例电力***运行数据簇加载至所述第一特征提取单元，依据所述第一特征提取单元对所述第一样例电力***运行数据簇进行特征提取，生成第一电力***运行路径矢量；
将所述第一电力***运行路径矢量加载至所述第二特征提取单元，依据所述第二特征提取单元使用标签质心影响参数对所述第一电力***运行路径矢量进行融合，生成第一目标故障标签特征，所述标签质心影响参数中包括多个标签质心影响因子，每个所述标签质心影响因子与一个所述参考电力故障状态标签对应，所述第一目标故障标签特征的维度和所述参考电力故障状态标签的数量相同；
依据平滑极值转换机制对所述第一目标故障标签特征进行平滑极值转换，生成第二目标故障标签特征，将所述第二目标故障标签特征输出为第二故障分类图，所述第二目标故障标签特征内的特征单元参数表示所述电力故障检测网络估计所述参考电力***单元触发对应的所述参考电力故障状态标签的第二置信度。
4.根据权利要求3所述的基于大数据分析的电力故障检测方法，其特征在于，所述基于所述故障标注数据和所述第二故障分类图，确定知识学习过程中的第一故障检测误差参数，包括：
基于所述故障标注数据中电力故障状态标签的实际故障状态标签，从所述标签质心影响因子中确定对应的第一影响特征，并将所述标签质心影响因子中除第一影响特征之外的标签质心影响因子输出为第二影响特征；
确定所述第一电力***运行路径矢量和所述第一影响特征之间的第一相似度参数值，以及确定所述第一电力***运行路径矢量和各个所述第二影响特征之间的第二相似度参数值；
计算所述第一相似度参数值和预设参数值的差值，生成第一目标参数值；
基于所述第一目标参数值和各个所述第二相似度参数值，确定知识学习过程中的第一故障检测误差参数；
其中，所述第一目标参数值和所述第一故障检测误差参数为反向关联关系，所述第二相似度参数值和所述第一故障检测误差参数为正向关联关系。
5.根据权利要求3所述的基于大数据分析的电力故障检测方法，其特征在于，所述依据平滑极值转换机制对所述第一目标故障标签特征进行平滑极值转换，生成第二目标故障标签特征，包括：
获取预置的分布调整因子；所述分布调整因子的大小大于1；
依据所述分布调整因子对所述第一目标故障标签特征进行分布调整，生成第三目标故障标签特征；
通过平滑极值转换机制对所述第三目标故障标签特征进行平滑极值转换，生成第二目标故障标签特征。
6.根据权利要求1所述的基于大数据分析的电力故障检测方法，其特征在于，所述电力故障检测网络包括第一特征提取单元和第二特征提取单元；所述将所述第二样例电力***运行数据簇加载至所述电力故障检测网络中，依据所述电力故障检测网络对所述第二样例电力***运行数据簇中的所述参考电力***单元触发的电力故障状态标签进行分类，生成第一故障分类图，包括：
将所述第二样例电力***运行数据簇加载至所述第一特征提取单元，依据所述第一特征提取单元对所述第二样例电力***运行数据簇进行特征提取，生成第二电力***运行路径矢量；
将所述第二电力***运行路径矢量加载至所述第二特征提取单元，依据所述第二特征提取单元使用标签质心影响参数对所述第二电力***运行路径矢量进行融合，生成第四目标故障标签特征，所述标签质心影响参数中包括多个标签质心影响因子，每个所述标签质心影响因子和一个所述参考电力故障状态标签对应，所述第四目标故障标签特征的维度和所述参考电力故障状态标签的数量相同；
依据平滑极值转换机制对所述第四目标故障标签特征进行平滑极值转换，生成第五目标故障标签特征，将所述第五目标故障标签特征输出为第一故障分类图，所述第五目标故障标签特征内的特征单元参数表示所述电力故障检测网络估计所述参考电力***单元触发对应的所述参考电力故障状态标签的第一置信度；
所述确定知识学习过程中的第二故障检测误差参数，包括：
确定所述第二电力***运行路径矢量和各个所述标签质心影响因子之间的第三相似度参数值；
基于所述门限置信度，确定预设参数值；
计算最大的所述第三相似度参数值和所述预设参数值的差值，生成第三目标参数值；
基于所述第三目标参数值，确定知识学习过程中的第二故障检测误差参数；
其中，所述第三目标参数值和所述第二故障检测误差参数为正向关联关系。
7.根据权利要求1所述的基于大数据分析的电力故障检测方法，其特征在于，所述基于所述第一置信度和门限置信度，确定知识学习过程中的第二故障检测误差参数，包括：
计算各个所述参考电力故障状态标签对应的第一置信度和所述门限置信度之间的差值，生成各个所述参考电力故障状态标签对应的第二目标参数值；
如果存在大于0的所述第二目标参数值，比较各个所述第二目标参数值的大小，基于最大的第二目标参数值确定所述第二故障检测误差参数；或者，如果所述第二目标参数值均不大于0，确定所述第二故障检测误差参数的大小为0。
8.根据权利要求1所述的基于大数据分析的电力故障检测方法，其特征在于，基于所述第一故障检测误差参数和所述第二故障检测误差参数，对所述电力故障检测网络进行优化调整，生成优化调整后的目标电力故障检测网络，包括：
确定样例电力***运行数据簇序列中所述第一样例电力***运行数据簇的第一簇数量和所述第二样例电力***运行数据簇的第二簇数量；
基于所述第一簇数量，确定所述第一故障检测误差参数对应的第一重要性系数，并基于所述第二簇数量，确定所述第二故障检测误差参数对应的第二重要性系数；
基于所述第一重要性系数和所述第二重要性系数，对所述第一故障检测误差参数和所述第二故障检测误差参数进行权重融合，生成全局故障检测误差参数；
基于所述全局故障检测误差参数，对所述电力故障检测网络进行优化调整，生成优化调整后的电力故障检测网络。
9.根据权利要求1-8中任意一项所述的基于大数据分析的电力故障检测方法，其特征在于，所述基于所述目标电力故障检测网络对输入的目标***状态监控数据进行电力故障检测的步骤，包括：
获取基础***状态监控数据，对每一个所述基础***状态监控数据进行递归特征消除，生成每一个所述基础***状态监控数据对应的初始遍历选择特征，将获取的所述基础***状态监控数据加入到待处理数据序列中，检测当前所述待处理数据序列中的序列成员数量，如果所述序列成员数量不小于设定数量，依据预定的数量间隔参数从所述待处理数据序列中提取第一数量的基础***状态监控数据，生成第一***状态监控数据序列；
将当前所述待处理数据序列中处于主导地位的所述基础***状态监控数据对应的初始遍历选择特征输出为递归特征消除节点，基于所述递归特征消除节点对所述第一***状态监控数据序列中的各个所述基础***状态监控数据进行分割，生成所述目标***状态监控数据；
将所述目标***状态监控数据加载至所述目标电力故障检测网络中，依据所述目标电力故障检测网络对所述目标***状态监控数据中的目标电力***触发的电力故障状态标签进行分类，生成第三故障分类图；所述第三故障分类图包括所述目标电力故障检测网络估计所述目标电力***触发各个所述参考电力故障状态标签的第三置信度；
将各个所述参考电力故障状态标签对应的第三置信度和门限置信度进行比较，如果存在大于所述门限置信度的第三置信度，则比较各个所述第三置信度的大小，基于最大的第三置信度对应的参考电力故障状态标签确定目标电力故障状态标签；或者，如果所述第三置信度均不大于所述门限置信度，确定所述目标电力故障状态标签为未知电力故障状态标签。
10.一种基于大数据分析的电力故障检测***，其特征在于，所述基于大数据分析的电力故障检测***包括处理器和机器可读存储介质，该机器可读存储介质中存储有机器可执行指令，该机器可执行指令由该处理器加载并执行以实现权利要求1-9中任意一项所述的基于大数据分析的电力故障检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410064161.0A CN117572159B (zh) | 2024-01-17 | 2024-01-17 | 基于大数据分析的电力故障检测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410064161.0A CN117572159B (zh) | 2024-01-17 | 2024-01-17 | 基于大数据分析的电力故障检测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117572159A true CN117572159A (zh) | 2024-02-20 |
| CN117572159B CN117572159B (zh) | 2024-03-26 |
Family
ID=89886734
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410064161.0A Active CN117572159B (zh) | 2024-01-17 | 2024-01-17 | 基于大数据分析的电力故障检测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117572159B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111259947A (zh) * | 2020-01-13 | 2020-06-09 | 国网浙江省电力有限公司信息通信分公司 | 一种基于多模态学习的电力***故障预警方法和*** |
| CN111401785A (zh) * | 2020-04-09 | 2020-07-10 | 国网山东省电力公司 | 一种基于模糊关联规则的电力***设备故障预警方法 |
| CN112233073A (zh) * | 2020-09-30 | 2021-01-15 | 国网山西省电力公司大同供电公司 | 一种变电设备红外热成像异常实时检测方法 |
| CN112464439A (zh) * | 2020-11-02 | 2021-03-09 | 天津理工大学 | 基于三层数据挖掘的电力***故障类型分析方法及装置 |
| US20220026895A1 (en) * | 2020-07-22 | 2022-01-27 | The Boeing Company | Predictive maintenance model design system |
| US20220188181A1 (en) * | 2020-12-15 | 2022-06-16 | International Business Machines Corporation | Restricting use of selected input in recovery from system failures |
| US20220268827A1 (en) * | 2021-02-24 | 2022-08-25 | Mitsubishi Electric Research Laboratories, Inc. | Distribution Fault Location Using Graph Neural Network with both Node and Link Attributes |
| US11573271B1 (en) * | 2021-08-25 | 2023-02-07 | Ford Global Technologies, Llc | Battery fault detection |
| CN115864448A (zh) * | 2023-02-28 | 2023-03-28 | 沈阳嘉越电力科技有限公司 | 一种风电场电网频率快速调节方法及*** |
| US20230104896A1 (en) * | 2021-10-01 | 2023-04-06 | Toyota Motor Engineering & Manufacturing North America, Inc. | Nonlinear autoregressive exogenous (narx) modelling for power electronic device modelling |
| WO2023109251A1 (zh) * | 2021-12-17 | 2023-06-22 | 浪潮电子信息产业股份有限公司 | 一种***故障检测方法、装置、设备及介质 |
| CN116643196A (zh) * | 2023-07-10 | 2023-08-25 | 上海交通大学 | 一种融合机理与数据驱动模型的电池健康状态估计方法 |
| CN117131457A (zh) * | 2023-10-26 | 2023-11-28 | 杭州海兴泽科信息技术有限公司 | 基于ai模型的电力大数据采集处理方法及*** |
| CN117236380A (zh) * | 2023-10-17 | 2023-12-15 | 南方电网科学研究院有限责任公司 | 一种电力***故障预测方法、***、电子设备和介质 |
| CN117289085A (zh) * | 2023-11-22 | 2023-12-26 | 武汉宏联电线电缆有限公司 | 一种多线路故障分析诊断方法及*** |
-
2024
- 2024-01-17 CN CN202410064161.0A patent/CN117572159B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111259947A (zh) * | 2020-01-13 | 2020-06-09 | 国网浙江省电力有限公司信息通信分公司 | 一种基于多模态学习的电力***故障预警方法和*** |
| CN111401785A (zh) * | 2020-04-09 | 2020-07-10 | 国网山东省电力公司 | 一种基于模糊关联规则的电力***设备故障预警方法 |
| US20220026895A1 (en) * | 2020-07-22 | 2022-01-27 | The Boeing Company | Predictive maintenance model design system |
| CN112233073A (zh) * | 2020-09-30 | 2021-01-15 | 国网山西省电力公司大同供电公司 | 一种变电设备红外热成像异常实时检测方法 |
| CN112464439A (zh) * | 2020-11-02 | 2021-03-09 | 天津理工大学 | 基于三层数据挖掘的电力***故障类型分析方法及装置 |
| US20220188181A1 (en) * | 2020-12-15 | 2022-06-16 | International Business Machines Corporation | Restricting use of selected input in recovery from system failures |
| US20220268827A1 (en) * | 2021-02-24 | 2022-08-25 | Mitsubishi Electric Research Laboratories, Inc. | Distribution Fault Location Using Graph Neural Network with both Node and Link Attributes |
| US11573271B1 (en) * | 2021-08-25 | 2023-02-07 | Ford Global Technologies, Llc | Battery fault detection |
| US20230104896A1 (en) * | 2021-10-01 | 2023-04-06 | Toyota Motor Engineering & Manufacturing North America, Inc. | Nonlinear autoregressive exogenous (narx) modelling for power electronic device modelling |
| WO2023109251A1 (zh) * | 2021-12-17 | 2023-06-22 | 浪潮电子信息产业股份有限公司 | 一种***故障检测方法、装置、设备及介质 |
| CN115864448A (zh) * | 2023-02-28 | 2023-03-28 | 沈阳嘉越电力科技有限公司 | 一种风电场电网频率快速调节方法及*** |
| CN116643196A (zh) * | 2023-07-10 | 2023-08-25 | 上海交通大学 | 一种融合机理与数据驱动模型的电池健康状态估计方法 |
| CN117236380A (zh) * | 2023-10-17 | 2023-12-15 | 南方电网科学研究院有限责任公司 | 一种电力***故障预测方法、***、电子设备和介质 |
| CN117131457A (zh) * | 2023-10-26 | 2023-11-28 | 杭州海兴泽科信息技术有限公司 | 基于ai模型的电力大数据采集处理方法及*** |
| CN117289085A (zh) * | 2023-11-22 | 2023-12-26 | 武汉宏联电线电缆有限公司 | 一种多线路故障分析诊断方法及*** |
Non-Patent Citations (2)
| Title |
|---|
| WANG, SR: "Data Mining Based Power System Fault Type Prediction Method", 2021 IEEE IAS INDUSTRIAL AND COMMERCIAL POWER SYSTEM ASIA (IEEE I&CPS ASIA 2021), 21 July 2021 (2021-07-21) * |
| 魏立: "基于大数据的电力故障自动分析***设计与开发", 中国优秀硕士论文辑, 15 May 2019 (2019-05-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117572159B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112637132B (zh) | 一种网络异常检测方法、装置、电子设备和存储介质 | |
| CN111143173A (zh) | 一种基于神经网络的服务器故障监测方法及*** | |
| CN105637432A (zh) | 识别被监控实体的异常行为 | |
| KR101978569B1 (ko) | 플랜트 데이터 예측 장치 및 방법 | |
| EP1960853A1 (en) | Evaluating anomaly for one-class classifiers in machine condition monitoring | |
| CN112148768A (zh) | 一种指标时间序列异常检测方法、***及存储介质 | |
| JP6183449B2 (ja) | システム分析装置、及び、システム分析方法 | |
| CN117131457B (zh) | 基于ai模型的电力大数据采集处理方法及*** | |
| CN110858072B (zh) | 设备运行状态的确定方法及装置 | |
| CN110266527B (zh) | 基于空间相关性的传感器节点故障分类报警方法及装置 | |
| CN117074925A (zh) | 一种3d芯片测试分析方法和*** | |
| US20230024645A1 (en) | Systems and methods for identifying electric power delivery system event locations using machine learning | |
| CN112380073B (zh) | 一种故障位置的检测方法、装置及可读存储介质 | |
| CN117572159B (zh) | 基于大数据分析的电力故障检测方法及*** | |
| KR20210129453A (ko) | 전력계통 측정 데이터의 불량 데이터 검출 장치 및 방법 | |
| KR101971553B1 (ko) | 사물인터넷 기반 기기 관리 시스템 및 방법 | |
| KR102602840B1 (ko) | 학습 데이터셋 생성 시스템 및 이를 이용한 학습 데이터셋 생성 방법 | |
| CN117662106B (zh) | 一种钻机电控***及电控方法 | |
| CN117150368B (zh) | 一种印刷电路板故障诊断方法、***、设备及存储介质 | |
| CN117556331B (zh) | 基于ai增强的空压机维护决策方法及*** | |
| KR102212022B1 (ko) | 양수 수차의 건전성 자동 판정 방법 및 이를 위한 시스템 | |
| CN111721542B (zh) | 用于检测故障或模型失配的***和方法 | |
| Bendimerad et al. | A Monitoring System and Faults Prediction for Internet of Things System | |
| CN115545191A (zh) | 电流降噪网络模型训练方法及故障限流器电流降噪方法 | |
| Chang et al. | Micro-short circuit fault diagnosis of lithium-ion battery based on voltage curve similarity ranking volatility |
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 |