目前,在电力设备的日常巡检和试验中,积累了大量关于设备故障情况的记录,缺乏相应的故障处理措施。传统集中式数据处理模型无法支持当前的强大电网系统。针对这一缺陷,文章提出了一种基于热点数据的电网边缘侧设备缺陷智能识别模型,模...目前,在电力设备的日常巡检和试验中,积累了大量关于设备故障情况的记录,缺乏相应的故障处理措施。传统集中式数据处理模型无法支持当前的强大电网系统。针对这一缺陷,文章提出了一种基于热点数据的电网边缘侧设备缺陷智能识别模型,模型分为云中心层、边缘层和现场层。在现场层,使用动态时间规整(Dynamic Time Warping,DTW)补充算法补充传感器数据;采用树突神经元模型(Dendritic Neuron Model,DNM)在边缘层进行故障初等分类,并将分类结果上传至云中心层;在云中心层利用数据之间的相关性实现故障分类。最后在公开数据集上进行设备缺陷识别模型验证,验证了模型的有效性和可行性。展开更多
文摘目前,在电力设备的日常巡检和试验中,积累了大量关于设备故障情况的记录,缺乏相应的故障处理措施。传统集中式数据处理模型无法支持当前的强大电网系统。针对这一缺陷,文章提出了一种基于热点数据的电网边缘侧设备缺陷智能识别模型,模型分为云中心层、边缘层和现场层。在现场层,使用动态时间规整(Dynamic Time Warping,DTW)补充算法补充传感器数据;采用树突神经元模型(Dendritic Neuron Model,DNM)在边缘层进行故障初等分类,并将分类结果上传至云中心层;在云中心层利用数据之间的相关性实现故障分类。最后在公开数据集上进行设备缺陷识别模型验证,验证了模型的有效性和可行性。
