基于边缘计算的电网边缘侧设备缺陷智能识别模型研究

被引：14

作者：

苏华权 ^{[1
]}

廖鹏 ^{[2
]}

周昉昉 ^{[3
]}

易仕敏 ^{[2
]}

杨秋勇 ^{[1
]}

机构：

[1] 广东电网有限责任公司信息中心

[2] 广东电网有限责任公司

[3] 广东电力信息科技有限公司

来源：

电力信息与通信技术 | 2021年 / 19卷 / 04期

关键词：

边缘计算; 故障诊断; 神经网络; 机器学习;

D O I：

10.16543/j.2095-641x.electric.power.ict.2021.04.005

中图分类号：

TM507 [维护、检修];

学科分类号：

090303 [农业农村环境保护与治理（农业环境保护）];

摘要：

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。

引用

页码：31 / 37

页数：7

共 19 条

[1]

Real-time resource scaling platform for Big Data workloads on serverless environments.[J].Jonatan Enes;Roberto R. Expósito;Juan Touriño.Future Generation Computer Systems.2020,

[2]

Towards factories of the future: migration of industrial legacy automation systems in the cloud computing and Internet-of-things context [J].

Breivold, Hongyu Pei .

ENTERPRISE INFORMATION SYSTEMS, 2020, 14 (04) :542-562

[3]

Prediction of remaining useful life by data augmentation technique based on dynamic time warping.[J].Seokgoo Kim;Nam Ho Kim;Joo-Ho Choi.Mechanical Systems and Signal Processing.2020,

[4]

基于树突状神经元网络的光伏功率预测方法及应用 [D].