一种设备劣化早期预警方法和系统

    公开(公告)号:CN108171271B

    公开(公告)日:2022-04-29

    申请号:CN201810026999.5

    申请日:2018-01-11

    摘要: 本发明涉及设备状态检测预警技术领域,公开了一种设备劣化早期预警方法和系统,以通过对设备的运行状态的参数进行数据挖掘和分析,节省时间成本,并为工作人员准确和全面的掌握设备的劣化趋势提供了有效的科学依据;本发明的设备劣化早期预警方法包括根据能反映设备运行状态的测点建立预警监测模型;选取设备在时间步长内的正常运行参数数据作为预警监测模型的训练样本数据;采用K‑Means聚类算法对训练样本数据进行初步聚类分析,并将分析结果通过混合高斯模型进行迭代得到训练矩阵;进一步生成相似关系度矩阵,然后得到实时数据与训练矩阵中的各状态向量之间的隶属度矩阵,并得到与实时数据对应的期望值;计算实时数据与期望值的相似度。

    故障定位方法、设备及存储介质

    公开(公告)号:CN108241894A

    公开(公告)日:2018-07-03

    申请号:CN201810021807.1

    申请日:2018-01-10

    IPC分类号: G06Q10/00

    摘要: 本发明涉及设备智能运维技术领域,公开了一种故障定位方法、设备及存储介质,以提高故障定位的实时性及精准性。本发明方法包括:在待故障定位设备中设置关联不同维度的至少两个测点,针对各种故障类型确定所一一对应的故障矩阵;获取各测点基于时间序列的异常状态信息数据以构建异常状态信息特征值矩阵;计算待分析的异常状态信息特征值矩阵与各故障矩阵的匹配度,并将匹配度最大的故障矩阵所对应的故障类型定位为当前故障类型;根据预设的采样周期,判断当前所定位的故障类型在相应采样周期内连续发生的累计时间是否等于或大于死区时间,若等于或大于死区时间,则输出相应的故障告警;否则,输出设备在当前采样周期正常运行的相关状态信息。

    基于K-means聚类与卷积神经网络模型的负荷预测方法

    公开(公告)号:CN115983477A

    公开(公告)日:2023-04-18

    申请号:CN202310009803.2

    申请日:2023-01-04

    摘要: 本发明公开了基于K‑means聚类与卷积神经网络模型的负荷预测方法包括:采集电力负荷实测数据并对数据进行预处理,基于K‑means聚类算法对预处理后的数据进行聚类处理;利用VMD算法对聚类处理后的数据进行分解,根据分解后的数据构建CNN卷积神经网络并提取电力负荷特征和节假日负荷特征;通过CNN卷积神经网络对数据进行负荷预测,获取并分析负荷预测结果;本发明提供的方法通过K‑means聚类将数据分类成规律性更强的几类,具有较好的较好的抗噪声干扰和对复杂数据的分解精度高,提高了算法精度;并且本发明在训练过程中加入了学习率下降与满足一定条件时提前中止训练的代码,这样不仅保证了训练精度同时也大量的减少了训练的时长。