申请/专利权人：宁夏隆基电气有限公司

申请日：2023-07-11

公开（公告）日：2024-04-02

公开（公告）号：CN116893336B

主分类号：G01R31/327

分类号：G01R31/327;G01D21/02;G06F18/2431;G06F18/2411;G06F16/2458;G06N3/0464;G06N3/047;G06N3/048;G06N3/045;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2024.03.29#专利申请权的转移;2023.11.03#实质审查的生效;2023.10.17#公开

摘要：公开了一种高低压开关设备及其方法。其首先获取由温度传感器和湿度传感器采集的预定时间段内多个预定时间点的高低压开关设备的内部的温度值和湿度值，接着，将所述多个预定时间点的高低压开关设备的内部的温度值和湿度值传输至所述高低压开关设备的数据处理中心，然后，所述数据处理中心对所述多个预定时间点的高低压开关设备的内部的温度值和湿度值进行处理以确定所述高低压开关设备是否存在异常。这样，其采用基于深度学习的人工智能检测算法来对于高低压开关设备的内部的温度值和湿度值进行时序分析，从而对于高低压开关设备的内部环境状态是否存在异常进行及时有效地检测判断，提高设备的可靠性和寿命。

主权项：1.一种高低压开关设备，其特征在于，包括：高低压开关设备数据采集系统，用于获取由温度传感器和湿度传感器采集的预定时间段内多个预定时间点的高低压开关设备的内部的温度值和湿度值；数据传输系统，用于将所述多个预定时间点的高低压开关设备的内部的温度值和湿度值传输至所述高低压开关设备的数据处理中心；以及数据分析和异常检测系统，用于所述数据处理中心对所述多个预定时间点的高低压开关设备的内部的温度值和湿度值进行处理以确定所述高低压开关设备是否存在异常；其中，所述数据分析和异常检测系统，包括：数据参数时序排列模块，用于将所述多个预定时间点的高低压开关设备的内部的温度值和湿度值分别按照时间维度排列为温度时序输入向量和湿度时序输入向量；温度时序变化特征提取模块，用于对所述温度时序输入向量进行时序特征提取以得到温度时序特征向量；湿度时序变化特征提取模块，用于对所述湿度时序输入向量进行时序特征提取以得到湿度时序特征向量；温度-湿度时序关联特征提取模块，用于将所述温度时序输入向量和所述湿度时序输入向量进行关联编码为温度-湿度全时序关联矩阵后进行时序关联特征提取以得到温度-湿度时序关联特征向量；数据特征融合模块，用于融合所述温度时序特征向量、所述湿度时序特征向量和所述温度-湿度时序关联特征向量以得到高低压开关设备多参数特征向量；以及高低压开关设备内部环境检测模块，用于基于所述高低压开关设备多参数特征向量，确定高低压开关设备的内部环境是否存在异常；其中，所述温度时序变化特征提取模块，用于：将所述温度时序输入向量通过基于一维卷积神经网络模型的温度时序特征提取器以得到所述温度时序特征向量；其中，所述湿度时序变化特征提取模块，用于：将所述湿度时序输入向量通过基于一维卷积神经网络模型的湿度时序特征提取器以得到所述湿度时序特征向量；其中，所述温度-湿度时序关联特征提取模块，用于：将所述温度-湿度全时序关联矩阵通过基于二维卷积神经网络模型的温度-湿度时序关联特征提取器以得到所述温度-湿度时序关联特征向量；其中，所述高低压开关设备内部环境检测模块，用于：将所述高低压开关设备多参数特征向量通过分类器以得到分类结果，所述分类结果用于表示高低压开关设备的内部环境是否存在异常；其中，所述高低压开关设备，还包括用于对基于一维卷积神经网络模型的温度时序特征提取器、基于一维卷积神经网络模型的湿度时序特征提取器、基于二维卷积神经网络模型的温度-湿度时序关联特征提取器和分类器进行训练的训练模块；其中，所述训练模块，包括：训练数据采集模单元，用于获取训练数据，所述训练数据包括预定时间段内多个预定时间点的高低压开关设备的内部的训练温度值和训练湿度值，以及，所述高低压开关设备的内部环境是否存在异常的真实值；训练数据时序排列单元，用于将所述多个预定时间点的高低压开关设备的内部的训练温度值和训练湿度值分别按照时间维度排列为训练温度时序输入向量和训练湿度时序输入向量；训练温度时序变化单元，用于将所述训练温度时序输入向量通过所述基于一维卷积神经网络模型的温度时序特征提取器以得到训练温度时序特征向量；训练湿度时序变化单元，用于将所述训练湿度时序输入向量通过所述基于一维卷积神经网络模型的湿度时序特征提取器以得到训练湿度时序特征向量；训练温湿度时序关联单元，用于将所述训练温度时序输入向量和所述训练湿度时序输入向量进行关联编码为训练温度-湿度全时序关联矩阵后通过所述基于二维卷积神经网络模型的温度-湿度时序关联特征提取器以得到训练温度-湿度时序关联特征向量；训练特征融合单元，用于融合所述训练温度时序特征向量、所述训练湿度时序特征向量和所述训练温度-湿度时序关联特征向量以得到训练高低压开关设备多参数特征向量；分类损失单元，用于将所述训练高低压开关设备多参数特征向量通过所述分类器以得到分类损失函数值；多参数特征逐位置关联单元，用于计算所述训练高低压开关设备多参数特征向量与所述训练高低压开关设备多参数特征向量的转置向量的逐位置关联以获得关联特征矩阵；流形凸分解一致性损失单元，用于计算所述关联特征矩阵的流形凸分解一致性因数以得到流形凸分解一致性损失函数值；以及模型训练单元，用于以所述分类损失函数值和所述流形凸分解一致性损失函数值的加权和作为损失函数值，并通过梯度下降的方向传播来对所述基于一维卷积神经网络模型的温度时序特征提取器、所述基于一维卷积神经网络模型的湿度时序特征提取器、所述基于二维卷积神经网络模型的温度-湿度时序关联特征提取器和所述分类器进行训练；其中，所述流形凸分解一致性损失单元，用于：以如下损失公式计算所述关联特征矩阵的流形凸分解一致性因数以得到所述流形凸分解一致性损失函数值；其中，所述损失公式为： Vc＝m1,1,m2,2,…,其中，mi,j表示所述关联特征矩阵的第i,j位置的特征值，Vr和Vc分别是所述关联特征矩阵第i个行向量的均值向量和对角向量，||·||1表示向量的一范数，||·||F表示矩阵的Frobenius范数，L是特征向量的长度，且w1、w2和w3是权重超参数，Sigmoid·表示Sigmoid函数，表示所述流形凸分解一致性损失函数值，表示向量乘法。

全文数据：

权利要求：

百度查询： 宁夏隆基电气有限公司 高低压开关设备及其方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD