图深度概率学习网络

高波动下精准检漏

用图神经网络学习传感器依赖关系，结合变分推断适应可再生能源制氢的强波动，漏检定位更可靠。

Shi, Jihao · Zhang, Xinqi · Zhang, Haoran · Wang, Qiliang · Jinyue, Yan · Linda, Xiao

Applied Energy 2024

参数信息

AUC

0.96

技术优势

波动下也能用

用一天内不同时段的正常时间序列训练，模型学习到传感器依赖关系的分布，不再被波动干扰。

检测更准

与6种先进方法相比，本方法的AUC达到0.96，说明漏报和误报都更少。

一个不漏

实验中所有泄漏故障都被成功定位，覆盖不同波动程度。

应用场景

• 氢能系统安全监测：部署在制氢站，实时检测泄漏并定位，减少人工巡检。
• 可再生能源制氢：让风电/光伏制氢在波动工况下也能可靠监测，提高系统可用性。
• 工业异常检测：提供一种对数据分布漂移鲁棒的异常检测范式，可直接借鉴。
• 传感器网络故障诊断：利用传感器间依赖关系定位故障，适用于复杂网络诊断。