-
公开(公告)号:CN119202766B
公开(公告)日:2025-03-25
申请号:CN202411710157.3
申请日:2024-11-27
Applicant: 浙江工业大学
IPC: G06F18/2321 , G06F18/2136 , G06N3/0455 , G06N3/0495 , G06Q50/06
Abstract: 本发明属于数据安全技术领域,公开了一种基于稀疏注意力机制的储能EMS异常用户行为检测方法,根据用户历史的正常行为数据得到每一角色的标准行为模式集,将待检测的用户时序行为特征与所属角色的标准行为模式集中最相似的标准行为基线进行拼接,并将拼接后的样本输入基于稀疏注意力机制自编码器,得到重构的用户时序行为特征,将重构的用户时序行为特征与阈值进行比较,得到用户行为异常检测结果。本发明克服了现有用户行为分析方法无法有效提取稀疏数据中的特征,方法检测效率低、质量差等问题。
-
公开(公告)号:CN117313522A
公开(公告)日:2023-12-29
申请号:CN202311184112.2
申请日:2023-09-14
Applicant: 浙江工业大学
IPC: G06F30/27 , H01F27/14 , G06N3/0464 , G06N3/084 , G06F111/08 , G06F119/02 , G06F119/04
Abstract: 本发明公开了基于数模交互和联邦学习的油浸式变压器寿命预测方法,包括如下步骤:1)获取N台油浸式变压器历史工况数据集;2)采用最大—最小归一化方法,对数据集进行预处理;3)构建油浸式变压器复合健康指标;4)基于线性维纳过程的油浸式变压器随机退化过程建模;5)采用平均联邦学习算法,对残差卷积网络的权重和偏置及失效阈值反向优化调整;6)基于以上迭代优化后的网络权重参数、偏置参数和油浸式变压器健康指标对应的失效阈值,得到与复合健康指标匹配的随机退化模型,并得到最终剩余寿命预测值。该方法克服现有油浸式变压器数据和模型不能协同,且不同油浸式变压器之间存在“数据孤岛”的问题。
-
公开(公告)号:CN113379252A
公开(公告)日:2021-09-10
申请号:CN202110654420.1
申请日:2021-06-11
Applicant: 浙江工业大学
Abstract: 一种基于多尺度排列熵值的贝叶斯网络高压开关柜健康系统评估方法,首先,分析并融合高压开关柜的多个物理传感器信息;其次,通过引入粗粒化操作和排列熵方法实现了特征信息的有效提取;最后,构建并训练基于专家领域知识的贝叶斯网络模型,实现对高压开关柜系统的健康状态评估。本发明能够将不同检测手段采样得到的数据进行融合,从而实现对高压开关柜安全状态的精准评估,保障电力高压开关柜的安全稳定运行。
-
公开(公告)号:CN117077052A
公开(公告)日:2023-11-17
申请号:CN202310916208.7
申请日:2023-07-25
Applicant: 浙江工业大学
IPC: G06F18/2433 , G01D21/02 , G06F18/15 , G06F18/2113 , G06F18/23213 , G06N20/20 , G06F123/02
Abstract: 本发明公开了一种基于工况识别的干式变压器异常检测方法,在模型离线训练阶段,首先,对干式变压器历史监测数据进行运行工况的识别与划分;其次,针对每种运行工况,设计自组织映射网络SOM网络结构与初始化参数,以提取不同运行工况下三相绕组间温度的映射关系;然后,训练随机森林RF模型,利用其他监测量对三相绕组温度进行预测建模;在异常检测阶段,若某相绕组温度监测数据缺失,则利用提取的三相绕组温度映射关系对缺失温度值进行填补;进一步的,使用先前时刻模型的预测温度作为RF模型下一时刻的输入,得到三相绕组温度预测值;最后,计算三相绕组温度实际监测值与RF模型预测温度值的偏离程度,给出异常检测结果。
-
公开(公告)号:CN119202766A
公开(公告)日:2024-12-27
申请号:CN202411710157.3
申请日:2024-11-27
Applicant: 浙江工业大学
IPC: G06F18/2321 , G06F18/2136 , G06N3/0455 , G06N3/0495 , G06Q50/06
Abstract: 本发明属于数据安全技术领域,公开了一种基于稀疏注意力机制的储能EMS异常用户行为检测方法,根据用户历史的正常行为数据得到每一角色的标准行为模式集,将待检测的用户时序行为特征与所属角色的标准行为模式集中最相似的标准行为基线进行拼接,并将拼接后的样本输入基于稀疏注意力机制自编码器,得到重构的用户时序行为特征,将重构的用户时序行为特征与阈值进行比较,得到用户行为异常检测结果。本发明克服了现有用户行为分析方法无法有效提取稀疏数据中的特征,方法检测效率低、质量差等问题。
-
-
-
-