CN119479219A 一种新能源升压变异常预警系统及方法 （河南博兆电子科技有限公司）

本发明公开一种新能源升压变异常预警系确定异常检测模型的参数，对异常类型进行判模块使得异常位置和异常类型能够在用户界面2数据预处理模块，采用数据清洗工具对收集到的新能源升压变参数进行去除异常值、异常检测模块，所述异常检测模块包括特征提取单元、特征建模单元的输出端与所述异常计算单元的输人机交互模块，采用图形用户界面展示新能源升压变异常更新单元的输出端分别与所述异常判断结果显示单元的输入端和异常位置标识单元的输所述数据采集模块的输出端与所述数据预处理模块的输入端连接，所述步骤一、采用小波变换算法对升压变运行的参数进行分步骤二、根据所确定的异常特征向量结合改进人工神经网3步骤三、最后采用遗传算法确定异常检测模型参数，4c表示为置信度，p表示为异常发生的概率，s表示为异常位置与异常采用设定阈值来判断参数是否超出正常范围，所述报警模块接收来自异常计算单元的信步骤二、对采集到的升压变的设备参数进行数据预处理算单元采用建立IndRNN_VAE的异常检测模型对升压变的运行设备进行集成进而对升压变步骤四、异常识别单元通过采用高斯混合模型算法对升步骤五、声光报警器对新能源升压变异常进行预警，人机交互模56人机交互模块，采用图形用户界面展示新能源升压变异常判断结果和异常位置，实时更新单元的输出端分别与所述异常判断结果显示单元的输入端和异常位置标识单元位模型，所述改进人工神经网络通过神经元激活函数对异常检测模型进行网络结构设计，7[0007]进一步地，所述异常识别单元采用高斯混合模型算法对升压变异常数据进行分型实现异常位置的确定，所述随机森林算法模型将关键特征过滤机制与决策树进行结合，[0008]进一步地，应用于权利要求1_7中任意一项权利要求所述一种新能源升压变异常8特征分析建模单元采用小波变换算法对升压变运行的参数进行分析，得出异常特征向量，算单元采用建立IndRNN_VAE的异常检测模型对升压变的运行设备进行集成进而对升压变步骤四、异常识别单元通过采用高斯混合模型算法对升压变异常数据进行分组，然后通过贝叶斯信息准则评估高斯分布建模成高斯分布组合，进而对异常类型进行识别，通过采用小波变换算法对特征向量进行选取，采用改进人工神经网络建立升压型进行判定，采用采用建立MFE_TS模型优化目标函数提高新能源升压变异常识别的准确9人机交互模块，采用图形用户界面展示新能源升压变异常判断结果和异常位置，实时更新单元的输出端分别与所述异常判断结果显示单元的输入端和异常位置标识单元这些电路控制光源的闪烁频率和亮度以吸引注意，声光报警器与每个传感器都进行连接，述反向传播算法根据异常特征向量训练得到异常择合适的神经元激活函数，以增强网络的非线性处理能力。常见的激活函数有Sigmoid、表示为适应度函数的目标变量值，工:表示为故障检测模型的调和平均数。使用遗传算法模型最佳适应值的计算过程：结构来提高计算效率和优化算法性能。应用时比如采用多核处理器，使用多核中央处理器根据需要动态调整计算能力，为遗传算法提供强大的计算环境。采用现场可编程系统芯片特定部分。采用遗传算法能够更好的对异常检测模型的参态判断为正常和异常，所述异常检测模型再通过人工蚁群搜索算法提取出升压变异常数[0026]所述异常计算单元采用了一种结合IndRNN_VAE（InductiveRecurrentNeuralNetworkVariationalAutoencoder）和人工蚁群搜索算法的异常检测模型来对升压变的使用正常运行的升压变数据来训练IndRNN_VAE模型。模型学习数据的正常分布，变设备的异常状态矩阵。信息素矩阵中的每个元素表示从设备状态A到设备状态B的转换异常数据进行分组，所述高斯混合模型算法将升压变异常数据分布建模成高斯分布组合，[0029]通过采用建立的MFE_TS模型能够对异常识别进行优化，提高异常识别的准确性。多个HDD用于数据存储。这样的硬件环境能够为MFE_TS模型的训练和异常检测提供必要的特征分析建模单元采用小波变换算法对升压变运行的参数进行分析，得出异常特征向量，算单元采用建立IndRNN_VAE的异常检测模型对升压变的运行设备进行集成进而对升压变步骤四、异常识别单元通过采用高斯混合模型算法对升压变异常数据进行分组，然后通过贝叶斯信息准则评估高斯分布建模成高斯分布组合，进而对异常类型进行识别，据颜色节点和网络拓扑图对异常