基于深度学习的风电机组运行风险智能检测方法及设备

    公开(公告)号:CN118517383A

    公开(公告)日:2024-08-20

    申请号:CN202410977067.4

    申请日:2024-07-22

    摘要: 本发明涉及一种基于深度学习的风电机组运行风险智能检测方法及设备,所述方法包括以下步骤:从待测风电机组运行数据中获取关键特征向量,以所述关键特征向量作为经训练的异常检测智能模型的输入,获取运行风险检测结果;其中,所述关键特征向量采用错误感知马尔可夫毯算法对风电机组海量运行状态进行特征选择确定;所述异常检测智能模型训练时,将正常数据标记为负类,异常数据标记为正类,利用双注意力机制从全局和局部视角下采用对比学习方法分析和学习风电机组运行数据的特征表示,最大化正常样本特征表示的一致性和异常样本特征表示的差异性。与现有技术相比,本发明具有在减少特征数量的同时提高异常检测能力等优点。

    一种基于相位对齐的电缆局部放电检测方法和系统

    公开(公告)号:CN113625132B

    公开(公告)日:2024-06-28

    申请号:CN202110901605.8

    申请日:2021-08-06

    IPC分类号: G01R31/12

    摘要: 本发明涉及一种基于相位对齐的电缆局部放电检测方法和系统,该方法包括对电缆进行局部放电采样检测,并以固定的时间周期获得多个标有序号的放电图谱,每个放电图谱中均包含按照相同相位排列的多个放电量采样值;在所有放电图谱中,获取同一相位下的放电量采样值的最大值,将各个相位下放电量采样值的最大值累加,获取累加和值;将放电图谱依次向左或向右偏移逐渐累加的相位数,然后计算累计和值;获取最小的累计和值对应的放电图谱组合,进行分析,得到电缆局部放电状态监测结果。与现有技术相比,本发明实现了局部放电图谱中相位的对准,提高了局部放电检测分析的准确性,还具有成本低、使用方便等优点。

    一种基于Prophet-X-12-ARIMA组合模型的月电量分解与预测方法

    公开(公告)号:CN117592598A

    公开(公告)日:2024-02-23

    申请号:CN202311463028.4

    申请日:2023-11-06

    摘要: 一种基于Prophet‑X‑12‑ARIMA组合模型的月电量分解与预测方法,首先对所有的原始序列利用X‑12‑ARIMA模型的Reg ARIMA模块识别各类异常值因素的影响,对数据进行预处理;基于X‑12‑ARIMA模型中的X‑11模块对处理后的月电量数据进行季节分解,获得月电量数据季节分量;基于Prophet模型对处理后的月电量数据进行趋势分解和节假日分解,获得月电量数据趋势分量和节假日分量;将提取的各个成分基于所选择的加法模型或乘法模型进行合并,构建Prophet‑X‑12‑ARIMA组合模型,形成最终的预测模型;依据评价指标,判断模型的预测精度。本发明通过集成融合X‑12‑ARIMA和Prophet模型的优势,在保证预测模型的自动化程度、可解释性和准确性、减少异常数据影响的基础上,进行电量分解,增强预测模型的可解释性,以更精确地进行月电量分解和预测。

    一种面向Modbus协议的工业控制网络异常流量检测方法

    公开(公告)号:CN117411703A

    公开(公告)日:2024-01-16

    申请号:CN202311448619.4

    申请日:2023-11-02

    IPC分类号: H04L9/40 H04L12/40 H04L41/16

    摘要: 本发明涉及一种面向Modbus协议的工业控制网络异常流量检测方法,包括以下步骤:S1、捕获Modbus协议应用层报文中的数据包;S2、将捕获到的数据包流量进行特征提取与数据处理,并基于规则的流量特征来识别异常流量和攻击行为;S3、构建正常流量行为模型,利用S2中基于规则的流量特征对流量检测分类并进行模型优化;S4、根据优化后有规则集的机器学习模型构建入侵检测系统,分析流量的时序特征,进而更全面地分析网络攻击;S5、选择网络数据包进行分析,输入模型并进行预测,得到最终的流量分析结果。与现有技术相比,本发明网络攻击识别效率高、异常流量检测准确率高,同时具有流量分析全面、高效低成本的优点。