CN118944593B 一種基于知識圖譜的光伏電站故障檢測方法 （華能南京金陵發電有限公司）_第1頁
CN118944593B 一種基于知識圖譜的光伏電站故障檢測方法 （華能南京金陵發電有限公司）_第2頁
CN118944593B 一種基于知識圖譜的光伏電站故障檢測方法 （華能南京金陵發電有限公司）_第3頁
CN118944593B 一種基于知識圖譜的光伏電站故障檢測方法 （華能南京金陵發電有限公司）_第4頁
CN118944593B 一種基于知識圖譜的光伏電站故障檢測方法 （華能南京金陵發電有限公司）_第5頁
已閱讀5頁，還剩19頁未讀， 繼續免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

一種基于知識圖譜的光伏電站故障檢測方法本發明公開了一種基于知識圖譜的光伏電知識圖譜構建圖神經網絡模型并對節點特征學期階段識別潛在故障，減少光伏電站的停機時2采集光伏電站運行過程中的多維時序數據，并對所述多維時序數據進基于所述知識圖譜的時空結構和語義信息，構建圖神經網絡模根據所述節點的嵌入表示，建立故障檢測模型，并通過鏈接預測通過能量傳播機制對所述故障檢測模型的故障檢測結果進行優化和置所述多維時序數據包括光伏電站運行數據、光伏組件狀態數根據所述節點的能量得分，對所述故障檢測模型;;若若干相鄰鏈接同時被標記為故障鏈接時，則將此鏈接所連接的設備群組標記為故障區3將提取出的特征映射作為知識圖譜中的節點和關;采用所述時變關系強度的系數作為邊的權重，構建知識圖譜，并利圖譜進行時空結構和語義信息的補充，得到維度為MXMXL的張量G，作為圖神經網絡模型設計適用于知識圖譜結構的圖卷積操作，對知識圖譜結構中的節點和;N(v)為節點v的鄰居集合，為節點u對節點v的注意力權重，wt為第k層的權重矩陣，所述鏈接預測技術是基于深度學習的生成對抗網絡方法；所述故障根據節點的第二嵌入表示，采用鏈接預測技術識別光伏電站中的故采用交叉熵損失函數，通過反向傳播優化故障檢測模型參數;其中，P()為節點v第二嵌入表示h,和節點u第二嵌入表示h,的故障鏈接概率，JUV42.一種基于知識圖譜的光伏電站故障檢測系統，基于權利要求1所述的基于知識圖譜采集模塊，用于采集光伏電站運行過程中的多維時序數據，并對所優化模塊，用于通過能量傳播機制對所述故障檢測3.一種計算機設備，包括存儲器和處理器，所述存于：所述處理器執行所述計算機程序時實現權利要求1所述的基于知識圖譜的光伏電站故處理器執行時實現權利要求1所述的基于知識圖譜的光伏電站故障檢測方5[0010]作為本發明所述基于知識圖譜的光伏電站故障檢測6[0011]作為本發明所述基于知識圖譜的光伏電站故障檢測.為類別a對應8和8為控制能量傳播的參數，x()為節點v的鄰居集合。[0017]作為本發明所述基于知識圖譜的光伏電站故障檢測[0018]作為本發明所述基于知識圖譜的光伏電站故障檢測7a和p為平衡參數。[0022]作為本發明所述基于知識圖譜的光伏電站故障檢測方法所述圖神經網絡模型的構建步驟包括以下步驟：設計適用于知識圖譜結構的圖卷積操作，[0025]作為本發明所述基于知識圖譜的光伏電站故障檢測[0027]其中，P()為節點v第二嵌入表示h,和節點u第二嵌入表示h,的故障鏈接概率，所述的基于知識圖譜的光伏電站故障檢測方89a和p為平衡參數。故障的識別。[0057]其中，P()為節點v第二嵌入表示h,和節點u第二嵌入表示h,的故障鏈接概率，[0058]S4：通過能量傳播機制對故障檢測模型的故障檢測結果.為類別a對應

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業或盈利用途。
  • 5. 人人文庫網僅提供信息存儲空間，僅對用戶上傳內容的表現方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，請與我們聯系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論