CN119416101A 基于深度学习的多能互补配电系统数据分析方法与系统 （陕西华添聚能科技有限公司）

基于深度学习的多能互补配电系统数据分本发明基于深度学习的多能互补配电系统数据分析方法首先对多源异构传感器数据进行致的设备状态表征。接着构建多故障模式知识发明还采用数据增强和迁移学习等方法提高模22.根据权利要求1所述的基于深度学习的多能互补配电系统数据分析方法，其特征在3.根据权利要求1所述的基于深度学习的多能互补配电系统数据分析方法，其特征在4.根据权利要求1所述的基于深度学习的多能互补配电系统数据分析方法，其特征在预设设备健康状态的阈值范围，将提取的频谱熵频域特征和时域若判断结果为设备处于亚健康或故障状态，则根据提取的故障特系数计算各个特征与设备破损位置之间的相关性，选择相关性最高的前N个特征作为设备3若诊断为设备亚健康或故障，则利用诊断结果筛选出的故障支持向量机通过寻找特征空间中的最优回归超平将故障特征子集输入训练好的支持向量机预测模型，训练好的支持5.根据权利要求1所述的基于深度学习的多能互补配电系统数据分析方法，其特征在数据融合得到的设备状态估计值作为全局一致6.根据权利要求1所述的基于深度学习的多能互补配电系统数据分析方法，其特征在S403:将卷积神经网络提取的局部特征和长短时记忆网络提取的时序特征进行融合，S404:采用深度学习多标签分类算法对设备状态的综合特征表示进行分类识别，通过S405:将分类识别的结果与多种设备故障模式的知识库中的故障模式进行匹配，获取7.根据权利要求1所述的基于深度学习的多能互补配电系统数据分析方法，其特征在图上标注已知的故障节点；采用图卷积网络在设备拓扑图上进行端到端的故障传播路径，48.根据权利要求2所述的基于深度学习的多能互补配电系统数据分析方法，其特征在并使用扩充后的数据集对卷积神经网络预训S605:将S601中预处理后的设备状态表征数据集划分为训练集和验证集，使用训练集S606:将训练好的多标签分类模型部署到边缘设备上，利用边缘计算技术实现本地推9.基于深度学习的多能互补配电系统数据分析系统，用于实现数据预处理模块：用于获取多能互补配电系统中多源异构传感器特征提取模块：用于针对所述预处理后的传感器数据，采故障识别模块：用于构建包含多种故障模式的知识库，采用基于深度学习56的频谱熵频域特征和时域特征反映设备的健康状态和相关系数计算各个特征与设备破损位置之间的相关性，选择相关性最高的前N个特征作为S401:获取设备的历史运行数据和故障记录，构建包含多种设备故障模式的知识S403:将卷积神经网络提取的局部特征和长短时记忆网络提取的时序特征进行融S404:采用深度学习多标签分类算法对设备状态的综合特征表示进行分类识别，7S405:将分类识别的结果与多种设备故障模式的知识库中的故障模式进行匹配，S603:利用迁移学习方法，选择与故障模式识别任务相关的卷积神经网络预训练S605:将S601中预处理后的设备状态表征数据集划分为训练集和验证集，使用训S606:将训练好的多标签分类模型部署到边缘设备上，利用边缘计算技术实现本8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，都属于本发明保护的范9[0021]其中，xnorm表示归一化后的数据；X表示原始数据；xmin表示数据的最小值；谱熵频域特征和时域特征反映设备的健康状态和相关系数计算各个特征与设备破损位置之间的相关性，选择相关性最高的前N个特征作为过旋转矩阵和平移向量的组合来实现。时空数据融合算法采用卡尔曼滤波建立数据融合S401:获取设备的历史运行数据和故障记录，构建包含多种设备故障模式的知识S403:将卷积神经网络提取的局部特征和长短时记忆网络提取的时序特征进行融S404:采用深度学习多标签分类算法对设备状态的综合特征表示进行分类识别，S405:将分类识别的结果与多种设备故障模式的知识库中的故障模式进行匹配，hf"")表示节点i在第l+1层的特征表示；表示激活函数；N(i表示表示节点i的邻居集合；表示表示注意力权重;表示第层的权重矩阵；表示[0035]在设备拓扑图上标注已知故障节点，如标注出发生跳闸的断路器所在的变电这为故障传播分析提供了起点，图卷积网络在此基础上进行端到端的故障传播路径分析，S603:利用迁移学习方法，选择与故障模式识别任务相关的卷积神经网络预训练S605:将S601中预处理后的设备状态表征数据集划分为训练集和验证集，使用训S606:将训练好的多标签分类模型部署到边缘设备上，利用边缘计算技术实现本[0040]如图2所示，数据