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 PDFInfo
- 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
- Legal status (The legal status 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 status listed.)
- Active
Links
Landscapes
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
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
技术领域
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
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。
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。
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
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。
为实现上述目的,本发明采用以下技术方案:
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;
步骤2.选取振动传感器的数量及安装最佳位置;
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。
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:
图1是本发明的支持向量机模型的最优分类图;
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;
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;
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:
下面结合具体实施例和附图对本发明进行详细说明。
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。
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:
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:
(1)
式中:为经过高通滤波器组后的信号;为经过低通滤波器组后信号;为待分解的原始信号。具有高通滤波器组特性;具有低通滤波器组特性,且,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N段,对每一段时间的信号进行能量计算:
(2)
其中为第段信号的幅值,;而为第分段的起止时间点。
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层节点的小波包能谱熵,具体公式如下:
(3)
式中为信号的各个分段能量的归一化值公式为:
通过归一化计算各节点信号能量熵,组成特征向量。
绕组各个状态下计算所得能谱熵为:
正常:;
轻度变形:;
中度变形:;
严重变形:;
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。
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。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。
其中分类面为:,
,
,
其中:为分类面的法向量;为阈值。到的距离为,此时分类间隔为,所求的最优分类线即为寻找的最小值,等价于寻找的最小值,所以满足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,即在约束条件和下对求解下列函数的最大值:
,
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:
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:
而最优分类函数则变为
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-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。
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。
步骤2.选取振动传感器的数量及安装最佳位置。
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。
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。
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的进行分析处理。
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。
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。
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。
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。
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。
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。
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。
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:
(1)
式中:为经过高通滤波器组后的信号;为经过低通滤波器组后信号;为待分解的原始信号;具有高通滤波器组特性;具有低通滤波器组特性,且,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N段,对每一段时间的信号进行能量计算:
(2)
其中为第段信号的幅值,;而为第分段的起止时间点;
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层节点的小波包能谱熵,具体公式如下:
(3)
式中εjk(i)
为信号的各个分段能量的归一化值,公式为:
通过归一化计算各节点信号能谱熵,组成特征向量;
绕组各个状态下计算所得能谱熵为:
正常:;
轻度变形:;
中度变形:;
严重变形:;
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:,
,
,
其中:为分类面的法向量;为阈值;到的距离为,此时分类间隔为,所求的最优分类线即为寻找的最小值,等价于寻找的最小值,所以满足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,即在约束条件和下对求解下列函数的最大值:
,
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:
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:
而最优分类函数则变为
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N-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。
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 Active 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 (25)
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 |
CN108872863B (zh) * | 2018-05-02 | 2020-09-08 | 广东工业大学 | 一种优化分类的电动汽车充电状态监测方法 |
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 |
CN109525212A (zh) * | 2018-12-29 | 2019-03-26 | 西安交通大学 | 一种智能化扫描信号处理单元及工作方法 |
CN109884459B (zh) * | 2019-01-30 | 2020-12-01 | 国网浙江省电力有限公司电力科学研究院 | 一种电力变压器绕组变形智能在线诊断定位方法 |
CN110286291B (zh) * | 2019-07-15 | 2021-04-06 | 广东石油化工学院 | 一种利用主成分的变压器运行状态振声检测方法和系统 |
CN112231624B (zh) * | 2020-09-16 | 2024-03-26 | 中电电气(江苏)变压器制造有限公司 | 基于物联网的多变压器绕组抗短路能力的实时评估系统 |
CN112560888B (zh) * | 2020-10-23 | 2024-02-23 | 南京航空航天大学 | 基于辛几何变换评估变压器绕组抗短路能力的方法及系统 |
CN112816738B (zh) * | 2020-12-28 | 2022-11-08 | 厦门乃尔电子有限公司 | 一种振动加速度传感器数据有效性的在线评判方法 |
CN113391174A (zh) * | 2021-06-07 | 2021-09-14 | 中国南方电网有限责任公司超高压输电公司大理局 | 一种变压器壳体内故障的定位装置和方法 |
CN114034344A (zh) * | 2021-11-12 | 2022-02-11 | 广东电网有限责任公司江门供电局 | 一种变压器模型测量分析方法 |
CN113916346B (zh) * | 2021-11-14 | 2023-11-17 | 广东电网有限责任公司江门供电局 | 一种具有三轴振动姿态数据判断功能的配电设备识别方法 |
Citations (2)
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)
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 |
-
2011
- 2011-12-08 CN CN201110403529.4A patent/CN103163420B/zh active Active
Patent Citations (2)
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)
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 |
---|---|---|
CN103163420B (zh) | 电力变压器智能在线状态评判方法 | |
CN107703920B (zh) | 基于多元时间序列的列车制动系统的故障检测方法 | |
CN105512474B (zh) | 一种变压器状态监测数据的异常检测方法 | |
CN104503399B (zh) | 一种集团级风电机组状态监测及故障诊断平台 | |
CN103487749B (zh) | 高压断路器机械状态在线监测诊断系统及方法 | |
CN108564254A (zh) | 基于大数据的配电设备状态可视化平台 | |
CN101718634B (zh) | 基于多元概率模型的设备状态综合动态报警方法 | |
CN101225532B (zh) | 电解铝生产供电安全在线监测系统 | |
CN103711645B (zh) | 基于建模参数特征分析的风力发电机组状态评估方法 | |
CN108197817A (zh) | 一种基于大数据的非侵入式负荷暂态监测的方法 | |
CN105630885A (zh) | 一种用电异常检测方法及系统 | |
CN103144937A (zh) | 煤矿钢丝绳芯带式输送机智能监控系统及监控方法 | |
CN202676203U (zh) | 大型泵站状态监测与诊断及能效管理装置 | |
CN103199628A (zh) | 一种基于osga网格技术的电力设备实时监测系统 | |
CN114580666A (zh) | 一种多模式融合电动机智能维护系统 | |
CN105634796A (zh) | 一种网络设备故障预测及诊断方法 | |
CN111327118B (zh) | 一种非侵入式电力负荷识别方法 | |
CN105137214B (zh) | 一种卫星总线数据分析系统 | |
CN208076016U (zh) | 一种基于振动信号支持向量机的gil故障在线监测系统 | |
CN109711664A (zh) | 一种基于大数据的输变电设备健康评估系统 | |
CN111722612A (zh) | 一种电力少油监控预测系统 | |
CN109886538B (zh) | 基于动态监测数据的铁路信号设备质量评价方法及装置 | |
CN103532233B (zh) | 基于gprs技术的用电信息采集异常精确定位系统 | |
CN202870192U (zh) | 一种避雷器在线监测装置 | |
CN107271024A (zh) | 一种有载分接开关诊断方法及装置 |
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 |