CN103163420B - 电力变压器智能在线状态评判方法 - Google Patents

电力变压器智能在线状态评判方法 Download PDF

Info

Publication number
CN103163420B
CN103163420B CN201110403529.4A CN201110403529A CN103163420B CN 103163420 B CN103163420 B CN 103163420B CN 201110403529 A CN201110403529 A CN 201110403529A CN 103163420 B CN103163420 B CN 103163420B
Authority
CN
China
Prior art keywords
signal
transformer
classification
vibration
state
Prior art date
Application number
CN201110403529.4A
Other languages
English (en)
Other versions
CN103163420A (zh
Inventor
徐建源
张彬
林莘
Original Assignee
沈阳工业大学
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 沈阳工业大学 filed Critical 沈阳工业大学
Priority to CN201110403529.4A priority Critical patent/CN103163420B/zh
Publication of CN103163420A publication Critical patent/CN103163420A/zh
Application granted granted Critical
Publication of CN103163420B publication Critical patent/CN103163420B/zh

Links

Abstract

电力变压器智能在线状态评判方法,采用小波包分析来提取变压器振动信号的能谱熵,以特征熵的形式采用支持向量机进行分析从而对变压器内部绕组形变状态提出健康度的判定。本发明中所提出的变压器在线监测及状态评估方法,具有评判模型简单,不需要大量的状态评价样本等优点,能快速判别变压器绕组运行的状态,同时以健康度的级别来评价变压器绕组状态的损坏等级,从而能使运行人员进行对变压器早期故障能有良好的预测。本发明中所提出的变压器在线监测及状态评判系统,具有较强的灵活性和鲁棒性。本发明所提供的方法及系统可广泛应用于各类变压器的状态评价、故障诊断及管理决策等方面,具有广阔的应用前景。

Description

电力变压器智能在线状态评判方法

技术领域

[0001] 本发明属于变压器监测技术领域,特别涉及一种变压器在线监测及状态评判方 法,适用于变压器工作状态的在线监测及其健康状况的智能分析。

背景技术

[0002] 变压器是电力系统中的关键设备,其设备的可靠运行对电力系统的稳定运行至关 重要。为了提高供电可靠率,除了在设备订货阶段应选用技术过硬、产品质量优异的变压器 以外,更重要的一点是要不断提高主变压器的运行、维护及检修水平。常规的事后维修和预 防维修的检测方法与现代化状态维护发展趋势不相适应,为了保证电力系统供电可靠性和 经济性,电力设备的在线监测和故障诊断系统就应运而生。

[0003] 绕组变形在变压器故障中占有很大的比例。因此,在线监测电力变压器绕组的工 作状况成为电力变压器监测的一个主要内容。目前国内外变压器在线监测技术主要是采用 油中溶解气体分析法,但该方法需要采集变压器油来进行分析,这样会破坏变压器整体结 构,而且分析过程时间长,对瞬时故障无法做出及时判断。振动分析方法虽然能够及时反映 出变压器的内部绕组及铁芯的变化情况,但因为它采用的是振动阈值比较的方式,这就决 定了它只能做出"是"与"否"的报警判断,不能对内部件的健康状况给予判定。

[0004] 综合以往的变压器在线监测系统,采用各种方法来对变压器进行在线分析及监 测,均有各自优缺点,目的是实时分析变压器内部变化当发生故障时给予报警,但只是单一 的采集机械或电气特性,进行阈值定义。当超出规定阈值时,即判断变压器故障,并无判断 变压器内部绕组形变的程度,如轻微、中度、严重等形变程度。对变压器绕组形变采用智能 化监测并评判其内部状态,给运行人员提供可靠的诊断结果,这样在掌握变压器实时工作 状态的同时也可对早期故障具有良好的预测能力,从而提高变压器运行的可靠性。

发明内容

[0005] 本发明提供了一种变压器在线监测及状态评判方法,目的是及时采集变压器的振 动信号,从而根据每种振动信号的特征获得变压器内部绕组形变程度,以便更为精确的确 定运行时变压器的健康度,对变压器的在线运行状态及早期故障给予提早的计划和预测。

[0006] 为实现上述目的,本发明采用以下技术方案:

[0007] 电力变压器智能在线状态评判方法,其特征在于:本方法首先采用小波包分析来 提取变压器振动信号的能谱熵,以特征熵的形式采用支持向量机进行分析从而对变压器内 部绕组形变状态提出健康度的判定,具体包含以下步骤:

[0008] 步骤1.获取历史数据,组成支持向量机评判系统模型;

[0009] 步骤2.选取振动传感器的数量及安装最佳位置;

[0010] 步骤3.变压器运行时通过振动传感器采集其各个位置的振动信号,并通过电路 将振动信号传入下位机的数据采集装置;

[0011] 步骤4.数据采集装置经过采集、A/D转换及滤波过程后将得到的振动信号数据通 过GPRS无线通讯模块发送到上位机进行分析处理;

[0012] 步骤5.上位机数据分析模块通过小波包分析算法将获得的振动数据进行能谱熵 变换,获得变压器实时运行的振动特征值;

[0013] 步骤6.将每组振动特征值输入训练好的支持向量机评判系统模型中,从而得出 绕组实时运行的健康程度,即绕组正常状态及各种形变程度,以文字及指示灯形式显示到 上位机中,同时通过获取变压器实时状态来给予提示或报警,并将评判结果通过WEB服务 器传递给调度系统。

[0014] 本发明中所提出的变压器在线监测及状态评估方法,具有评判模型简单,不需要 大量的状态评价样本等优点,能快速判别变压器绕组运行的状态,同时以健康度的级别来 评价变压器绕组状态的损坏等级,从而能使运行人员进行对变压器早期故障能有良好的预 测。本发明中所提出的变压器在线监测及状态评判系统,具有较强的灵活性和鲁棒性。本 发明所提供的方法及系统可广泛应用于各类变压器的状态评价、故障诊断及管理决策等方 面,具有广阔的应用前景。

附图说明 [0015] :

[0016] 图1是本发明的支持向量机模型的最优分类图;

[0017] 图2是本发明的变压器线监测及状态评判系统结构示意图;

[0018] 图3是本发明的变压器绕组健康度的等级评判及对应故障示意图;

[0019] 图4是本发明的变压器在线监测及评判方法流程图。

具体实施方式 [0020] :

[0021] 下面结合具体实施例和附图对本发明进行详细说明。

[0022] 本发明根据变压器的机械特性,及时采集变压器的振动信号。如果变压器绕组发 生各种程度的形变或松动,则机械特性发生相应变化,每种振动信号内部也发生相对应的 变化,从而根据每种振动信号的特征获得变压器内部绕组形变程度,对变压器的在线运行 状态及早期故障给予提早的计划和预测。

[0023] 为了达到以上目的首先要采用小波包分析来提取变压器振动信号的能谱熵,以特 征熵的形式采用支持向量机进行分析从而对变压器内部绕组形变状态提出健康度的判定。 具体包含以下步骤:

[0024] 步骤1.获取历史数据,组成支持向量机评判系统模型,具体步骤为:

[0025] ①分别采集绕组正常状态、轻微形变、中度形变及严重形变时刻的几组振动信号, 将采集后的振动数据进行小波包分解。

[0026] 小波包分解具体方法为:对于振动信号11(¾可以用以下递推公式来进行分解:

Figure CN103163420BD00061

[0028] 式中:为经过高通滤波器组后的信号;II·!動为经过低通滤波器组謹^ 后信号

Figure CN103163420BD00062

为待分解的原始信号。Ιι©具有高通滤波器组特性;#)具有低通滤波器 组特性,且

Figure CN103163420BD00063

,即两系数具有正交关系。

[0029] 每经过一次分解,原信号被分解为低一级的高频信号和低频信号,接着对高低频 部分分别进行同样的分解,直到满足需要为止,但在分解过程中两者的长度均为输入信号 的一半,保证了原信号中的信息被完整保存。再对小波包分解各节点的信号进行重构则可 反映该节点对应频段在原始信号中的分布情况,实现对原始信号的频域抽取,在故障诊断 的应用中可以反映状态特征频段的变化。

[0030] ②提取振动信号能谱熵作为特征向量。

[0031] 将信号进行j层小波包分解后,得到序列

Figure CN103163420BD00071

> 根据信号的时间 特性分成N段,对每一段时间的信号进行能量计算:

Figure CN103163420BD00072

[0033]其中_§为第f段信号的幅值,;而^為)为第I分段的起止时间点。 [0034] 能量计算之后对能量值进行归一化处理,计算小波包能谱熵,定义信号小波包分 解的第层歎节点的小波包能谱熵H具体公式如下:

Figure CN103163420BD00073

[0036] 式中为信号的各个分段能量的归一化值公式为:

Figure CN103163420BD00074

[0038] 通过归一化计算各节点信号能量熵,组成特征向量

Figure CN103163420BD00075

[0039] 绕组各个状态下计算所得能谱熵为:

Figure CN103163420BD00076

>

[0044] ③将分组后的振动信号特征向量作为支持向量机模型的训练样本,采用1对多算 法组合多个两类分类器构造分类器,组成支持向量机评判系统模型。

[0045] 支持向量机分类基本思想就是要找到一条最优分类线,要求分类线不但能将两类 样本正确分开,即训练错误率为〇,而且使分类间隔最大。如图1所示,图中圆圈和叉点分别 表示两类训练样本,H为将两类样本完全无误分开的分类线,H1、H2分别为通过样本中离分 类线最近的样本且平行于分类线的直线,它们之间的间隔为分类间隔,上面的方块和圆点 样本点就是支持向量。

Figure CN103163420BD00077

[0049] 其中麗为分类面的法向量;I为阈值。暖到的距离为

Figure CN103163420BD00081

,此时分类 间隔,

Figure CN103163420BD00082

所求的最优分类线即为寻形

Figure CN103163420BD00083

的最小值,等价于寻书

Figure CN103163420BD00084

的最小值,所以 满足

Figure CN103163420BD00085

最小的分类面就叫做最优分类面。利用拉格朗日优化法可以 把上述最优分类面问题转化成其对偶问题,即在约束条件

Figure CN103163420BD00086

求解下列函数的最大值:

Figure CN103163420BD00087

[0051] _为每个样本对应的拉格朗日乘子,求解对应的样本就是支持向量,从而得到分 类函数:

Figure CN103163420BD00088

[0053] 对于非线性分类问题,引入核函数i|_i,将原来的输入空间中的非线性划分问 题转变成高维特征空间中的线性划分问题。则最优分类面转化为:

Figure CN103163420BD00089

[0055] 而最优分类函数则变为

Figure CN103163420BD000810

[0057] 根据以上函数,采用一对多的多类支持向量机方法即将分类对象所有可能的类别 按照一定顺序排列在表单中。分类时,每次对表单中的首尾两个类别进行比较,并排除掉分 类对象最不可能属于的类别,从而使表单中的类别数减少1,依次类推那么当经过N-I次排 除之后表单中唯一剩下的一类就是该分类对象所属的类别。

[0058] 用多类支持向量机方法只要再加入应用小波包提取出来的多组信号的特征值,就 可以构建出能够对各类信号进行准确分类的分类器,从而完成对振动信号的模式识别,形 成支持向量机评判系统模型。

[0059] 步骤2.选取振动传感器的数量及安装最佳位置。

[0060] 根据图2进一步说明,本发明的变压器振动信号在线监测及状态评估系统结构示 意图。

[0061] 对于加速度传感器的数量及位置。以一台三绕组变压器为例,选取三个加速度传 感器通过永磁体分别牢固的吸附于变压器绕组每相对应侧面,且永磁体表面涂有一层绝缘 漆,保证传感器外壳的"浮地",具有较好的抗电磁干扰能力。

[0062] 步骤3.变压器运行时通过振动传感器采集其各个位置的振动信号,并通过电路 将振动信号传入下位机的数据采集装置。

[0063] 步骤4.数据采集装置经过采集、A/D转换及滤波过程后将得到的振动信号数据通 过GPRS无线通讯模块发送到上位机的进行分析处理。

[0064] 数据采集模块是信号的输入输出,加速度传感器将振动信号以电压的形式通过电 路传递给数据采集模块,进行A/D输入、D/A输出以及信号滤波,得到信号数据经GPRS无线 通讯系统传递到上位机。

[0065] 步骤5.上位机数据分析模块通过小波包分析算法将获得的振动数据进行能谱熵 变换,获得变压器实时运行的振动特征值。

[0066] 上位机获得振动数据后进行对应的处理。首先通过小波包分解将振动数据内部能 量比列计算出对应值,进行归一化后得到振动信号能量谱;将其作为信号的特征值输入到 支持向量机模块中,支持向量机模块采取一对多的向量法来讲特征值归结到分类中,得出 变压器绕组的健康度。

[0067] 步骤6.将每组振动特征值输入训练好的支持向量机模型中,从而得出绕组实时 运行的健康程度,即绕组正常状态及各种形变程度等,以文字及指示灯形式显示到上位机 中,同时通过获取变压器实时状态来给予提示或报警,并将评判结果通过WEB服务器传递 给调度系统。

[0068] 健康度的划分以指示灯和预警级别来划分。如图3为变压器绕组健康度的等级评 判。当指示灯处于健康时刻绿灯常亮;处于亚健康时刻黄灯闪烁;处于疾病或病危情况对 应橙灯或红灯闪烁,并且系统给于报警。

[0069] 获得变压器的健康度后将结果显示上位机显示器的同时,通过WEB服务器传递到 远方调度控制系统,从而安排进一步的故障预测及维修工作。

[0070] 总之,本发明中所提出的变压器在线监测及状态评估方法,具有评判模型简单,不 需要大量的状态评价样本等优点,能快速判别变压器绕组运行的状态,同时以健康度的级 别来评价变压器绕组状态的损坏等级,从而能使运行人员进行对变压器早期故障能有良好 的预测。本发明中所提出的变压器在线监测及状态评判系统,具有较强的灵活性和鲁棒性。 本发明所提供的方法及系统可广泛应用于各类变压器的状态评价、故障诊断及管理决策等 方面,具有广阔的应用前景。

[0071 ] 以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任 何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应该涵盖 在本发明的包含范围之内,因此,本发明范围应该以权利要求的保护范围为准。

Claims (1)

1.电力变压器智能在线状态评判方法,其特征在于:本方法首先采用小波包分析来提 取变压器振动信号的能谱熵,以特征熵的形式采用支持向量机进行分析从而对变压器内部 绕组形变状态提出健康度的判定,具体包含以下步骤: 步骤1.获取历史数据,组成支持向量机评判系统模型; 具体步骤为: ① 分别采集绕组正常状态、轻微形变、中度形变及严重形变时刻的几组振动信号,将采 集后的振动数据进行小波包分解; 小波包分解具体方法为:对于振动信号可以用以下递推公式来进行分解:
Figure CN103163420BC00021
式中:为经过高通滤波器组后的信号;^_办)为经过低通滤波器组成幻后信 号;4卩-幻为待分解的原始信号;ή㈨具有高通滤波器组特性;get)具有低通滤波器组特 性,且汾)=(-_1少_,即两系数具有正交关系; 每经过一次分解,原信号被分解为低一级的高频信号和低频信号,接着对高低频部分 分别进行同样的分解,直到满足需要为止,但在分解过程中两者的长度均为输入信号的一 半,保证了原信号中的信息被完整保存;再对小波包分解各节点的信号进行重构则可反映 该节点对应频段在原始信号中的分布情况,实现对原始信号的频域抽取,在故障诊断的应 用中可以反映状态特征频段的变化; ② 提取振动信号能谱熵作为特征向量; 将信号进行j层小波包分解后,得到序列&,其中;根据信号的时间特 性分成Ν段,对毎一段时间的信号讲杆能量计算:
Figure CN103163420BC00022
其中为第!;段信号的幅值,-L射;而为第ί:分段的起止时间点; 能量计算之后对能量值进行归一化处理,计算小波包能谱熵,定义信号小波包分解的 第3层f节点的小波包能谱熵,具体公式如下:
Figure CN103163420BC00023
式中e]ka) 为信号的各个分段能量的归一化值,公式为:
Figure CN103163420BC00024
通过归一化计算各节点信号能谱熵,组成特征向量與_麵|; 绕组各个状态下计算所得能谱熵为:
Figure CN103163420BC00031
③将分组后的振动信号特征向量作为支持向量机评判系统模型的训练样本,采用1对 多算法组合多个两类分类器构造分类器,组成支持向量机评判系统模型; 支持向量机分类基本思想就是要找到一条最优分类线,要求分类线不但能将两类样本 正确分开,即训练错误率为0,而且使分类间隔最大;其中分类面为:& 1 >+ί?= 0,
Figure CN103163420BC00032
其中:W为分类面的法向量;;b为阈值;:到尸的距离为,此时分类间隔 为_ΙΙί,所求的最优分类线即为寻找Μ的最小值,等价于寻找I#的最小值,所以满足 §^=<1?:>+心〇且_|^最小的分类面就叫做最优分类面;利用拉格朗日优化法可以把 上述最优分类面问题转化成其对偶问题,即在约束条刊
Figure CN103163420BC00033
下对· 求解下列函数的最大值:
Figure CN103163420BC00034
Ρ为每个样本对应的拉格朗日乘子,求解对应的样本就是支持向量,从而得到分类函 数:
Figure CN103163420BC00035
对于非线性分类问题,引入核函数,将原来的输入空间中的非线性划分问题转 变成高维特征空间中的线性划分问题;则最优分类面转化为:
Figure CN103163420BC00036
而最优分类函数则变为
Figure CN103163420BC00037
根据以上函数,采用一对多的多类支持向量机方法即将分类对象所有可能的类别按照 一定顺序排列在一个表单中;分类时,每次对表单中的首尾两个类别进行比较,并排除掉分 类对象最不可能属于的类别,从而使表单中的类别数减少1,依次类推那么当经过Ν-1次排 除之后表单中唯一剩下的一类就是该分类对象所属的类别; 步骤2.选取振动传感器的数量及安装最佳位置;选取振动传感器通过永磁体分别牢 固的吸附于变压器绕组每相对应侧面,且永磁体表面涂有一层绝缘漆,保证传感器外壳的 "浮地",具有较好的抗电磁干扰能力; 步骤3.变压器运行时通过振动传感器采集其各个位置的振动信号,并通过电路将振 动信号传入下位机的数据采集装置; 步骤4.数据采集装置经过采集、A/D转换及滤波过程后将得到的振动信号数据通过GPRS无线通讯模块发送到上位机进行分析处理; 步骤5.上位机数据分析模块通过小波包分析算法将获得的振动数据进行能谱熵变 换,获得变压器实时运行的振动特征值; 步骤6.将每组振动特征值输入训练好的支持向量机评判系统模型中,从而得出绕组 实时运行的健康程度,即绕组正常状态及各种形变程度,以文字及指示灯形式显示到上位 机中,同时通过获取变压器实时状态来给予提示或报警,并将评判结果通过WEB服务器传 递给调度系统。
CN201110403529.4A 2011-12-08 2011-12-08 电力变压器智能在线状态评判方法 CN103163420B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201110403529.4A CN103163420B (zh) 2011-12-08 2011-12-08 电力变压器智能在线状态评判方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201110403529.4A CN103163420B (zh) 2011-12-08 2011-12-08 电力变压器智能在线状态评判方法

Publications (2)

Publication Number Publication Date
CN103163420A CN103163420A (zh) 2013-06-19
CN103163420B true CN103163420B (zh) 2016-01-20

Family

ID=48586672

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201110403529.4A CN103163420B (zh) 2011-12-08 2011-12-08 电力变压器智能在线状态评判方法

Country Status (1)

Country Link
CN (1) CN103163420B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103645249B (zh) * 2013-11-27 2017-05-10 国网黑龙江省电力有限公司 基于精简集下采样不均衡svm变压器在线故障检测方法
CN103778575B (zh) * 2014-03-04 2017-02-15 国网浙江宁波市鄞州区供电公司 变压器状态评估方法及系统
CN104267270B (zh) * 2014-08-06 2017-04-05 中国南方电网有限责任公司超高压输电公司检修试验中心 基于向量相似性的变压器关键参量提取方法
CN104360190B (zh) * 2014-11-13 2017-07-07 华北电力大学 基于三传感器推理的换流变压器故障在线诊断方法
CN104678223A (zh) * 2015-03-06 2015-06-03 云南电网有限责任公司电力科学研究院 一种变压器绕组故障智能识别方法
CN105988063B (zh) * 2015-03-16 2019-02-05 武汉三相电力科技有限公司 一种输电线路故障隐患综合在线监测方法及装置
CN105093059B (zh) * 2015-08-26 2018-12-11 云南电网有限责任公司电力科学研究院 一种基于归一化奇异谱熵的变压器绕组工作状态检测方法
CN105425768B (zh) * 2015-11-06 2018-03-23 国网山东莒县供电公司 一种电力二次设备监测装置及方法
CN105467971B (zh) * 2015-11-06 2018-02-23 国网山东省电力公司日照供电公司 一种电力二次设备监测系统及方法
CN105469049A (zh) * 2015-11-24 2016-04-06 昆明理工大学 一种基于多尺度形态分解能谱熵和支持向量机的泄漏声发射信号识别方法
CN105699883B (zh) * 2016-01-22 2018-08-14 合肥工业大学 一种模拟电路健康预测方法
CN106124902B (zh) * 2016-07-19 2019-08-13 广西电网有限责任公司电力科学研究院 一种配电变压器健康状态评估系统
CN106468751A (zh) * 2016-09-29 2017-03-01 河海大学 一种基于模糊自适应共振神经网络的变压器绕组状态识别方法
CN108089126A (zh) * 2017-12-04 2018-05-29 国网湖南省电力公司 调相机故障诊断方法、装置和设备
CN109444656B (zh) * 2018-12-21 2020-06-09 浙江大学 一种变压器绕组变形位置的在线诊断方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101782426A (zh) * 2010-01-29 2010-07-21 浙江大学 电力变压器绕组松动故障振动检测方法
CN102156246A (zh) * 2011-03-24 2011-08-17 昆明理工大学 识别特高压直流输电线路故障的小波能量熵检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100978972B1 (ko) * 2008-01-17 2010-08-30 한남대학교 산학협력단 에스브이엠 침입 탐지 시스템 및 그 동작 방법
KR20110116841A (ko) * 2010-04-20 2011-10-26 목포대학교산학협력단 웨이블릿 변환을 이용한 적조 영상 분석 시스템

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101782426A (zh) * 2010-01-29 2010-07-21 浙江大学 电力变压器绕组松动故障振动检测方法
CN102156246A (zh) * 2011-03-24 2011-08-17 昆明理工大学 识别特高压直流输电线路故障的小波能量熵检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于小波包能量熵的变压器振动信号特征研究;刘珊等;《电网与清洁能源》;20100531;第26卷(第5期);第35-38页 *
改进粒子群优化神经网络在变压器故障诊断中的应用;贾嵘等;《高压电器》;20100531;第46卷(第5期);第14-17页、第21页 *
针对振动信号的高压断路器机械故障智能诊断方法;刘洋等;《智能电网与先进电力设备学术交流会暨中国电工技术学会电器智能化系统及应用专业委员会2011年学术年会》;20111113;摘要、第309页1-4节 *

Also Published As

Publication number Publication date
CN103163420A (zh) 2013-06-19

Similar Documents

Publication Publication Date Title
CN106054104B (zh) 一种基于决策树的智能电表故障实时预测方法
CN103308292B (zh) 基于振动信号分析的真空断路器机械状态检测方法
CN202206189U (zh) 一种电力高压设备综合监测与智能管理装置
CN102621421B (zh) 一种基于关联分析与变权重系数的变压器状态评估方法
CN103136587B (zh) 基于支持向量机的配电网运行状态分类识别方法
CN101789630B (zh) 变电站在线监测及辅助设备监控系统统一平台
CN101149416B (zh) 电力电缆绝缘状态监测与寿命管理系统
CN103699698B (zh) 一种基于改进贝叶斯的轨道交通故障识别方法及系统
CN103245861B (zh) 一种基于贝叶斯网络的变压器故障诊断方法
Alahakoon et al. Advanced analytics for harnessing the power of smart meter big data
CN103593361B (zh) 感应网络环境下移动时空轨迹分析方法
CN102765643B (zh) 基于数据驱动的电梯故障诊断与预警方法
CN104077552B (zh) 一种基于云计算的轨道交通信号综合运维方法及系统
CN102361014B (zh) 大规模半导体制造过程的状态监控与故障诊断方法
CN103048036B (zh) 一种变压器有载分接开关运行状态的在线监测方法
CN101614775B (zh) 基于多源信息融合的变压器状态评估系统及其评估方法
CN104571099B (zh) 基于理论计算和数据分析的光伏故障诊断系统和诊断方法
CN102360526B (zh) 一种快速道路路段状态的实时监测方法
CN102128022B (zh) 钻井工程预警方法及系统
CN103745229A (zh) 一种基于svm的轨道交通故障诊断方法及系统
CN105630885B (zh) 一种用电异常检测方法及系统
CN104503399B (zh) 一种集团级风电机组状态监测及故障诊断平台
CN102590651B (zh) 基于雷电实测数据的输电线路故障概率评估方法
CN103487749B (zh) 高压断路器机械状态在线监测诊断系统及方法
CN103144937B (zh) 煤矿钢丝绳芯带式输送机智能监控系统及监控方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant