CN107894969B - 一种基于趋势分析的变压器潜伏性故障预警方法 - Google Patents
一种基于趋势分析的变压器潜伏性故障预警方法 Download PDFInfo
- Publication number
- CN107894969B CN107894969B CN201710822442.8A CN201710822442A CN107894969B CN 107894969 B CN107894969 B CN 107894969B CN 201710822442 A CN201710822442 A CN 201710822442A CN 107894969 B CN107894969 B CN 107894969B
- Authority
- CN
- China
- Prior art keywords
- data
- transformer
- early warning
- lower limit
- parameters
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000004458 analytical method Methods 0.000 title claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract description 21
- 238000009499 grossing Methods 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims description 12
- 229930195733 hydrocarbon Natural products 0.000 claims description 4
- 150000002430 hydrocarbons Chemical class 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 2
- 239000002245 particle Substances 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000013450 outlier detection Methods 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000003763 carbonization Methods 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0063—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a threshold to release an alarm or displaying means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明公开了一种基于趋势分析的变压器潜伏性故障预警方法。基于非参数回归方法对历史数据进行平滑处理，通过准确率、召回率和带宽等异常值检测评价指标，得到最优的平滑因子及与之对应的上下限时间序列数据。以该上下限序列数据为历史数据，建立气体浓度自适应预测模型，预测未来时间段内的上下限气体浓度数据。通过实际检测数据与预测上下限数据的对比，确定预警策略。本发明提出的方法，避免了固定阈值存在的漏报和误报等问题，能够满足现场应用的要求，有利于提高变压器潜伏性故障的预警可靠性，为变压器的维修工作提供了更可靠的参考，保证了变压器和电力系统的安全稳定运行。
Description
技术领域
本发明属于变压器状态评估领域，具体是一种基于趋势分析的变压器潜伏性故障预警方法。
背景技术
电力变压器的工作状态对电力系统的安全稳定运行起着重要的作用。为了准确地判断变压器的健康状态，开发了多种监测技术，其中基于油中溶解气体分析的变压器故障诊断技术被认为是发现潜伏性故障的最为有效的手段。鉴于变压器在电力系统中的重要作用，尽快的发现变压器的潜伏性故障，对故障进行预警，就显得格外重要。
根据现有标准《DL/T 722-2014变压器油中溶解气体分析和判断导则》，当变压器油中溶解气体浓度绝对值或产气率超过注意值时，便会判断变压器进入故障状态。但这种办法一方面会降低故障判断的灵敏度，有时在气体含量或产气率未达注意值时，变压器便可能已经发生潜伏性故障，另一方面也可能发生误判，有时气体含量或产气率达到注意值时，变压器并非一定发生故障。油色谱在线监测装置在电力系统内的广泛应用，为及时准确地把握变压器状态及其发展趋势提供了数据基础，而已有方法鲜有利用油中溶解气体时间序列数据挖掘设备状态，并对潜伏性故障进行预警。固定的气体含量阈值和产气率阈值也很难考虑设备个体差异。
发明内容
本发明为了解决上述问题，综合利用非参数回归以及区间预测技术，对气体浓度边界进行预测，提出了一种基于趋势分析的变压器潜伏性故障预警方法，以提高预警可靠性。
为了实现上述目的，本发明采用如下技术方案：
一种基于趋势分析的变压器潜伏性故障预警方法，包括以下步骤：
步骤1：对变压器正常运行状态的气体浓度历史数据，取最近一段时间(如30天)数据，通过非参数回归方法(如kernel-smoothing)对历史数据进行平滑处理并检测异常值，通过异常值检测评价指标，得到最优的非参数回归方法中平滑因子的取值，及与之对应的上下限时间序列数据；
步骤2：以该历史气体浓度数据上下限为历史数据，建立变压器油中溶解气体浓度自适应预测模型，并通过智能优化方法优化模型参数；
步骤3：确定好预测模型参数后，对未来7天的上下限气体浓度(预警边界)进行预测；
步骤4：通过气体浓度测量数据与预测边界的比较，确定预警策略。
本发明的有益效果为：
本发明提出一种基于趋势分析的变压器潜伏性故障预警方法，基于非参数回归方法对历史数据进行异常值检测，并确立历史数据上下限时间序列数据；以历史上下限时间序列数据为基础，建立气体浓度自适应预测模型，并对未来时刻气体浓度边界进行预测；通过检测值与预测边界的比较确定预警策略。与气体浓度阈值以及产气率阈值等固定阈值预警方法比较，本发明所提方法避免了固定阈值存在的漏报和误报等问题，能够满足现场应用的要求，有利于提高变压器潜伏性故障的预警可靠性。本发明提出的变压器潜伏性故障预警方法对变压器的维修工作提供了更可靠的参考，保证了变压器和电力系统的安全稳定运行。
附图说明
图1为基于趋势分析的变压器潜伏性故障预警方法流程图；
图2为异常值检测平滑因子h2对应检测效果图；
图3为异常值检测平滑因子h3对应检测效果图；
图4为异常值检测平滑因子h6对应检测效果图；
图5为预警有效性说明中异常值检测效果图；
图6为预测上限边界及与测量值比较图；
具体实施方式：
下面结合附图与实施例对本发明作进一步说明。
一种基于趋势分析的变压器潜伏性故障预警方法，如图1所示，包括：
步骤1：对变压器正常运行状态的气体浓度历史数据，取最近一段时间(如30天)数据，通过非参回归方法(如kernel-smoothing)对历史数据进行平滑处理，通过异常值检测评价指标，得到最优的非参回归方法参数，及与之对应的上下限时间序列数据；
步骤2：以该历史气体浓度数据上下限为历史数据，建立变压器油中溶解气体浓度自适应预测模型，并通过智能优化方法进行模型参数优化；
步骤3：确定好预测模型参数后，对未来7天的上下限气体浓度(预警边界)进行预测；
步骤4：通过气体浓度测量数据与预测边界的比较，确定预警策略。
所述步骤1的具体过程为：
步骤1.1选取实测变压器近30天油中溶解气体浓度数据，包括H2和总烃，并人工对数据中的异常数据进行标注，如尖突点、零值(缺失值补位零值)等；
步骤1.2采用非参数回归方法对近30天气体数据进行拟合，采用准确率(Pre)、召回率(Rec)和平均带宽(AW)等评价指标，对非参数回归方法中的参数(一般称为平滑因子)进行优化，取准确率和召回率均值(F)最大的为最优参数，若存在多个相同的F值，则选取平均带宽最小的为最优参数，优化方法可采用群体搜索优化算法或分等级枚举等，式(1)中R_num为正确检测出异常值的数量，Outtotal为检测出的异常值总数，Dettotal为异常值的总数，Preiup为第i个数据的拟合上限，Preilow为第i个数据的拟合下限；
步骤1.3选取好非参数回归方法的参数后，通过该参数对应的拟合值加上一个允许误差或减去允许误差，来计算得到该参数对应的历史数据的上下边界。
所述步骤2的具体内容为：
步骤2.1以该气体浓度上下限数据为历史数据，建立气体浓度预测模型训练集；
步骤2.2基于核极限学习机(kernel extreme learningmachine，KELM)建立气体浓度预测模型，基于粒子群与引力搜索混合算法PSOGSA以预测平均绝对误差百分比(meanabsolute percentage error，MAPE)作为适应度函数对模型参数进行优化。
所述步骤3的具体过程为：
基于优化得到的预测模型参数，对未来7天的上下限气体浓度(预警边界)进行预测。
所述步骤4的具体过程为：
步骤4.1若检测到数据超过下限，则判断该数据为异常数据，并以上下限的平均值代替；
步骤4.2若第1次检测到数据超过上限，判断该数据可能由潜伏性故障、检测系统误差等原因造成，启动一级(异常)预警；
步骤4.3若连续2次检测到数据超过上限，则认为变压器内部存在潜伏性故障的概率较大，启动二级(紧急)预警。
下面以应用实例对本发明做进一步说明。
在实例中，采取的非参数回归方法为kernel-smoothing方法，平滑因子的优化方法为分等级枚举，具体分为10个等级，具体为hi＝(1+i/2)/n i＝1,2,…,10，n为数据个数，实施例中为30。
异常值检测有效性说明：
选取某变压器连续30天H2的气体浓度数据，采取kernel-smoothing方法进行异常值检测，在不同的平滑因子水平下，检测的评价结果如表1所示。
表1不同等级h检测评价结果
Tab.1 detectionresultswithhofdifferentlevels
从表中可以看出，随着h等级的提高，准确率、召回率以及F值呈现先增大后减小的趋势，其中i＝3,4,5时，具有相同的评价结果，结合带宽参考值，本例中，h3为最优平滑因子。图2为h2对应的检测效果图，图3为h3对应的检测效果图，图4为h6对应的检测效果图。其中序列2、3、4、5和14对应的数据为原始数据中的异常数据，在图中以黄色正方形标注。
预警有效性说明：
选取某变压器2015-06-01至2015-06-30连续30天的总烃数据，进行异常值检测，最优平滑因子对应的检测结果如图4所示。以上下限序列数据作为训练数据，分别建立上下限序列数据预测模型，未来7天的预测边界及实际检测数据如表2所示，预警结果如图5所示。
从图5可以看出，在第四天时，实际检测数据超过预测上限，启动一级预警，第5天未越限，保持一级预警，而第6天和第7天则连续越限，启动二级预警，可初步判断变压器存在异常运行状况。
该变压器实际运行状况为，当地电力公司在8-11发现总烃浓度超过150μL/L的注意值，通过三比值法进行故障诊断并判断为中温故障(300-700℃)。经返厂解体检查，发现B相下半部绕组有虚焊缺陷点，该部位绝缘纸已爆开，且有较明显的过热碳化痕迹。采取本文中的预警方法，与气体浓度阈值相比，本例中可以提前2个月对潜伏性故障进行预警，证明了本文预警方法的有效性。
表2预测上下限数据及检测数据
针对该实例，将本文预警方法与标准《DL/T 722-2014变压器油中溶解气体分析和判断导则》中的气体浓度阈值(方法1)和相对产气率阈值(方法2)相比较，比较结果如表3所示。
表3预警方法比较
*因标准中注明，检测周期缩短时，该方法不适用，因此这里的计算选取的是30天检测周期。
由表3可得，与气体浓度阈值与相对产气率阈值相比，本文方法能够更早地发现变压器存在的潜伏性故障，避免了固定阈值造成的灵敏度不足的问题。该结果证明了本文所提预警方法的有效性。
Claims (4)
1.一种基于趋势分析的变压器潜伏性故障预警方法，其特征是，包括：
步骤1：对变压器正常运行状态的气体浓度历史数据，取近30天数据，通过kernel-smoothing非参数回归方法对历史数据进行平滑处理，通过异常值检测评价指标得到最优的非参数回归方法参数，及与该最优的非参数回归方法参数对应的上下限时间序列数据；
步骤2：以步骤1中得到的最优的非参数回归方法参数对应的上下限时间序列数据为历史数据，建立变压器油中溶解气体浓度预测模型，并通过智能优化方法进行模型参数优化；
步骤3：确定好预测模型参数后，对未来7天的上下限气体浓度进行预测，预测得到的上下限气体浓度称为预警边界；
步骤4：通过气体浓度测量数据与预警边界的比较，确定预警策略；
所述步骤1具体为：
步骤1.1：选取实测变压器近30天油中溶解气体浓度数据，包括H2和总烃，并人工对数据中的异常数据即尖突点、零值进行标注；
步骤1.2：采用kernel-smoothing非参数回归方法对近30天气体数据进行拟合，采用准确率、召回率和平均带宽作为评价指标，对非参数回归方法中的参数进行优化，取准确率和召回率均值最大的为最优参数，若存在多个相同的召回率均值，则选取平均带宽最小的为最优参数，优化方法采用群体搜索优化算法或分等级枚举；式(1)中R_num为正确检测出异常值的数量，Outtotal为检测出的异常值总数，Dettotal为异常值的总数，Preiup为第i个数据的拟合上限，Preilow为第i个数据的拟合下限；n为数据个数；
步骤1.3：选取好非参数回归方法的参数后，通过该参数对应的拟合值加上一个允许误差或减去允许误差，来计算得到该参数对应的历史数据的上下边界。
2.如权利要求1所述的基于趋势分析的变压器潜伏性故障预警方法，其特征是，所述步骤2具体为：
步骤2.1：以步骤1中得到的最优的非参数回归方法参数对应的上下限时间序列数据为历史数据，建立变压器油中溶解气体浓度预测模型训练集；
步骤2.2：基于核极限学习机建立气体浓度预测模型，基于粒子群与引力搜索混合算法PSOGSA以预测平均绝对误差百分比作为适应度函数对模型参数进行优化。
3.如权利要求1所述的基于趋势分析的变压器潜伏性故障预警方法，其特征是，所述步骤3具体为：
基于优化得到的预测模型参数，对未来7天的上下限气体浓度进行预测。
4.如权利要求1所述的基于趋势分析的变压器潜伏性故障预警方法，其特征是，所述步骤4具体为：
步骤4.1：若检测到数据超过下限，则判断该数据为异常数据，并以上下限的平均值代替；
步骤4.2：若第1次检测到数据超过上限，判断该数据由潜伏性故障或检测系统误差造成，启动一级预警；
步骤4.3：若连续2次检测到数据超过上限，则认为变压器内部存在潜伏性故障的概率较大，启动二级预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710822442.8A CN107894969B (zh) | 2017-09-13 | 2017-09-13 | 一种基于趋势分析的变压器潜伏性故障预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710822442.8A CN107894969B (zh) | 2017-09-13 | 2017-09-13 | 一种基于趋势分析的变压器潜伏性故障预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107894969A CN107894969A (zh) | 2018-04-10 |
| CN107894969B true CN107894969B (zh) | 2020-11-24 |
Family
ID=61803462
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710822442.8A Expired - Fee Related CN107894969B (zh) | 2017-09-13 | 2017-09-13 | 一种基于趋势分析的变压器潜伏性故障预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107894969B (zh) |
Families Citing this family (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109829561B (zh) * | 2018-11-15 | 2021-03-16 | 西南石油大学 | 基于平滑处理与网络模型机器学习的事故预测方法 |
| CN109541145A (zh) * | 2018-11-30 | 2019-03-29 | 安徽芯核防务装备技术股份有限公司 | 一种有害气体浓度检测方法以及装置 |
| CN110009151B (zh) * | 2019-04-02 | 2023-06-16 | 上海麦图信息科技有限公司 | 一种石油钻井事故时间的标注方法 |
| CN110017892B (zh) * | 2019-05-10 | 2021-06-11 | 广东石油化工学院 | 一种变压器的异常状态振声的检测方法和装置 |
| CN109991379A (zh) * | 2019-05-10 | 2019-07-09 | 苏州华能检测技术有限公司 | 一种空气中硫化氢含量检测方法 |
| CN110017894B (zh) * | 2019-05-14 | 2021-06-18 | 广东石油化工学院 | 变压器运行状态振声检测中随机噪声的滤除方法和装置 |
| CN110031089B (zh) * | 2019-05-15 | 2021-06-11 | 广东石油化工学院 | 一种变压器运行状态振声检测信号的滤波方法和装置 |
| CN110081968B (zh) * | 2019-05-31 | 2021-06-11 | 广东石油化工学院 | 一种变压器振动信号的模拟方法和装置 |
| CN110472671B (zh) * | 2019-07-24 | 2023-05-12 | 西安工程大学 | 基于多阶段的油浸式变压器故障数据预处理方法 |
| CN110514295B (zh) * | 2019-08-31 | 2021-04-06 | 广东石油化工学院 | 一种利用svd分解的变压器运行状态振声检测信号滤波方法和系统 |
| CN110657881B (zh) * | 2019-09-14 | 2021-04-06 | 广东石油化工学院 | 一种利用稀疏反演的变压器振声信号滤波方法和系统 |
| CN110702215B (zh) * | 2019-10-19 | 2021-04-06 | 广东石油化工学院 | 一种利用回归树的变压器运行状态振声检测方法和系统 |
| CN111624302B (zh) * | 2020-04-30 | 2023-07-28 | 汉威科技集团股份有限公司 | 自动标定方法、气体检测装置、终端及可读存储介质 |
| CN111551803A (zh) * | 2020-05-06 | 2020-08-18 | 南京能瑞电力科技有限公司 | 一种充电桩的诊断方法及装置 |
| CN112597696B (zh) * | 2020-12-07 | 2022-08-23 | 国网江苏省电力有限公司 | 一种基于极限学习机原理的锅炉四管泄漏预警方法 |
| CN113219330B (zh) * | 2021-05-26 | 2022-08-16 | 广西电网有限责任公司电力科学研究院 | 一种隔离开关状态检测方法及系统 |
| CN113504423B (zh) * | 2021-07-13 | 2024-10-11 | 许昌许继软件技术有限公司 | 一种一次设备在线监测数据趋势预测方法及装置 |
| CN118070109B (zh) * | 2024-04-22 | 2024-07-02 | 南京凯奥思数据技术有限公司 | 基于均线策略和遗传算法的连铸设备趋势报警方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007043026A (ja) * | 2005-07-29 | 2007-02-15 | Fuji Denki Chiba Tech Kk | 油中ガス警報継電器 |
| CN104090079A (zh) * | 2014-07-16 | 2014-10-08 | 胡小青 | 一种改进三比值法的输电变压器控制系统 |
| CN104764869A (zh) * | 2014-12-11 | 2015-07-08 | 国家电网公司 | 一种基于多维特征量的变压器气体故障诊断和报警方法 |
| CN104793085A (zh) * | 2014-07-16 | 2015-07-22 | 胡小青 | 一种新型iec法的输电变压器控制方法 |
| CN104820146A (zh) * | 2015-04-24 | 2015-08-05 | 中国电力科学研究院 | 基于变压器油中溶解气体监测数据的变压器故障预测方法 |
-
2017
- 2017-09-13 CN CN201710822442.8A patent/CN107894969B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007043026A (ja) * | 2005-07-29 | 2007-02-15 | Fuji Denki Chiba Tech Kk | 油中ガス警報継電器 |
| CN104090079A (zh) * | 2014-07-16 | 2014-10-08 | 胡小青 | 一种改进三比值法的输电变压器控制系统 |
| CN104793085A (zh) * | 2014-07-16 | 2015-07-22 | 胡小青 | 一种新型iec法的输电变压器控制方法 |
| CN104764869A (zh) * | 2014-12-11 | 2015-07-08 | 国家电网公司 | 一种基于多维特征量的变压器气体故障诊断和报警方法 |
| CN104820146A (zh) * | 2015-04-24 | 2015-08-05 | 中国电力科学研究院 | 基于变压器油中溶解气体监测数据的变压器故障预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 变压器油色谱在线监测周期动态调整策略研究;梁永亮 等;《中国电机工程学报》;20140325;第34卷(第9期);第1-8页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107894969A (zh) | 2018-04-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107894969B (zh) | 一种基于趋势分析的变压器潜伏性故障预警方法 | |
| CN109524139B (zh) | 一种基于设备工况变化的实时设备性能监测方法 | |
| CN103400310B (zh) | 考虑历史数据趋势预测的配电网电气设备状态评估方法 | |
| CN103926490B (zh) | 一种具有自学习功能的电力变压器综合诊断方法 | |
| RU2014119873A (ru) | Способ предупредительного обнаружения отказа в устройстве, компьютерная программа, система и модуль для предупредительного обнаружения отказа в устройстве | |
| CN108892014A (zh) | 一种基于Elman神经网络的电梯抱闸故障预警方法 | |
| CN109490685B (zh) | 基于油中溶解气体在线监测的变压器早期缺陷预警方法 | |
| CN104537487A (zh) | 一种输变电设备运行动态风险的评估方法 | |
| CN107730395B (zh) | 一种针对低压用户的基于用电量偏差率的用电异常检测方法 | |
| CN105044499A (zh) | 一种电力系统设备变压器状态的检测方法 | |
| CN116658492B (zh) | 智能动力猫道及其方法 | |
| CN113466597A (zh) | 一种轨道交通供电系统设备状态智能检测方法 | |
| CN114429308B (zh) | 一种基于大数据的企业安全风险评估方法及系统 | |
| CN107247198A (zh) | 一种配电设备故障预测方法及装置 | |
| CN106567964B (zh) | 一种基于dcs数据的流量控制阀监控方法 | |
| CN117808456A (zh) | 一种基于智慧运营管理的设备故障预警方法及装置 | |
| CN106569052A (zh) | 考虑实时健康状态的电力变压器可靠性评估方法 | |
| CN107884646B (zh) | 变电站在线监测系统危急告警方法 | |
| CN113204919B (zh) | 基于数字孪生的主变油枕状态预测方法、装置及电子设备 | |
| CN110889646A (zh) | 一种适应工况变化的发电机组运行参数正确性检验的方法 | |
| CN115114124A (zh) | 主机风险的评估方法及评估装置 | |
| CN110824292A (zh) | 一种基于特征分类的配电网失压故障智能识别方法 | |
| CN117523695A (zh) | 一种油气田地面安全生产的巡查方法及系统 | |
| CN117289045A (zh) | 用于预测避雷器剩余寿命的方法、装置及存储介质 | |
| CN116189802A (zh) | 一种基于气体浓度时序数据的变压器故障预警方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20191119 Address after: Licheng Alexander Road in Ji'nan City, Shandong province 250199 No. 27 Applicant after: Shandong University Address before: 266580 Qingdao Changjiang Road, Huangdao District, Shandong, No. 66 Applicant before: China University of Petroleum (East China) |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201124 Termination date: 20210913 |