CN108062608A - 计及环境因素的配电开关设备可靠性评估方法 - Google Patents
计及环境因素的配电开关设备可靠性评估方法 Download PDFInfo
- Publication number
- CN108062608A CN108062608A CN201810074754.XA CN201810074754A CN108062608A CN 108062608 A CN108062608 A CN 108062608A CN 201810074754 A CN201810074754 A CN 201810074754A CN 108062608 A CN108062608 A CN 108062608A
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- equipment
- mover
- failure rate
- 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.)
- Pending
Links
- 230000007613 environmental effect Effects 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 230000001419 dependent effect Effects 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 230000004888 barrier function Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 230000006870 function Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种计及环境因素的设备可靠性评估方法,包括:步骤1,以设备故障率为可靠性评估的指标,把设备运行单位时间段内的环境因素、历史单位时间段内的故障率作为自变量,下一单位时间段内的故障率作为因变量;步骤2,对所述的自变量和所述因变量数据进行归一化,然后选取若干组数据作为样本;步骤3,利用所选择的样本,运用K‑CV算法选择最佳支持向量回归的参数惩罚因子以及核函数;步骤4,利用所得到的SVR算法惩罚因子以及核函数建立设备的故障率预测模型;步骤5,将下一单位时间段内的环境因素、历史单位时间段内的故障率输入到建立的预测模型,得到设备下一单位时间段内的故障率预测值,把预测结果用于指导配电开关等设备的检修工作。
Description
技术领域
本发明涉及设备可靠性评估领域,具体涉及到一种计及环境因素的配电开关设备可靠性评估。
背景技术
电力系统是由发、输、配电等部分构成,配电系统是电力系统中与用户最密切、决定供电质量的重要组成部分。配电网是处于电力系统的末端,上承输电网络、下接电力用户,将输变电系统与电力用户连接起来,向用户分配电能与提供电能的重要环节,通常包括配电变电站、配电线路、配电变压器、继电保护设备、配网开关类设备等。配电设备数量大、分布面广,对用户供电可靠性的影响大。据不完全统计,用户停电故障中,80%以上是由电力系统中的配电环节的故障引起的。且配电网开关类设备是配电系统中使用量较大、范围较广的关键设备之一,准确掌握配电开关类设备故障类型及分析其产生原因,才能在此基础上提出提高开关设备运行可靠性的方法,进而提高配电网的供电可靠性。
目前针对配电开关可靠性评估的方法,常见的做法是通过对配电开关的故障率进行预测,传统的电力设备故障率通常只取决于一个单一的变量——设备运行的年龄或者设备的状态。基于设备运行年龄的故障率模型(Age-based Failure,ABF)更为常见,但基于设备运行年龄的模型通常服从大量的样本统计分布,只考虑设备自投入使用以来长期积累的故障。然而,配电网中新的智能设备缺乏足够的故障统计数据。另外,旧设备的故障记录也很难收集,尤其是在早期阶段。
相对而言,基于设备状态的故障率模型(Condition-based Failure,CBF)可以通过实时评价健康指数(Health Index,HI)来反映设备的健康状况。电力设备最常用的CBF模型是具有一定系数的指数函数。一些研究人员提出了反演方法,要求所有HI统计量都在同一时间点。然而,它只考虑设备的内部因素,完全忽略了ABF模型的优点。例如,有时设备在不同的年龄可以得到相同的HI,而它们的故障率实际上是不同的。
由于目前的方法存在仅考虑单一变量或仅考虑设备内部因素等问题,难以充分利用历史数据挖掘各种因素与开关设备故障率之间的关联,难以实现对故障率进行准确预测。沿海地区配网中诸多开关设备长期工作在高温、高压、潮湿的恶劣环境下,极易发生各种各样的故障,造成严重事故,破坏系统的安全稳定能力,且现有方法难以对设备外部因素及多种变量进行全面考虑。因此,对配电开关设备的故障进行统计分析、对主要故障类型开展基础性研究,并基于这些基础性研究开展考虑环境因素在内的多种因素关联下的配电开关设备可靠性评估,进而改进配网开关设备可靠性,具有重要的理论意义及现实意义。
发明内容
本发明的主要目的是,提供一种设备可靠性评估的方法,可以应用于对配电开关设备可靠性评估,基于设备运行的温度、湿度以及历史故障率来对设备的故障率进行预测,用于设备的运行检修,提高设备运行的可靠性。
为了实现上述目的,其技术解决方案为:
一种计及环境因素的设备可靠性评估方法,包括:
步骤1,以设备故障率为可靠性评估的指标,把设备运行单位时间段内的环境因素、历史单位时间段内的故障率作为自变量,下一单位时间段内的故障率作为因变量;
步骤2,将步骤1中所述的自变量和所述因变量数据进行归一化,然后选取若干组数据作为样本,并将一部分样本数据作为训练集、另一部分数据作为测试集;
步骤3,利用步骤2所选择的样本,运用K-CV(K-fold Cross Validation)算法选择最佳支持向量回归的参数惩罚因子以及核函数,使得支持向量回归算法得到的回归平面最优;
步骤4,利用步骤3所得到的最佳支持向量回归的参数惩罚因子以及核函数对设备的故障率建立预测模型;
步骤5,将设备运行环境的下一单位时间段内的环境因素、历史单位时间段内的故障率输入到步骤4已经建立的预测模型,得到设备下一单位时间段内的故障率预测值,把预测结果用于指导配电开关的检修工作。
在上述的计及环境因素的设备可靠性评估方法,所述环境因素包括温度和/或湿度。
在上述的计及环境因素的设备可靠性评估方法,所述的步骤2中,对数据进行归一化的公式为:
式中:为归一后的输入量,xi为当前要归一的输入量,xmin为输入量的最小值,xmax为输入量的最大值。
在上述的基于BP神经网络的设备可靠性评估方法,采用均方差(MeanSquareError,MSE)和相关指数R2分析预测结果,均方差MSE和相关指数R2计算公式如下:
式中yi为第i组实际故障率值;为第i组预测故障率值;y为实际故障率平均值。
本发明具有如下优点:
1.充分考设备工作的外部环境,使得所建立模型具有较强的适应性。
2.利用支持向量回归分析深入挖掘各自变量与故障率的内在联系,保证了模型的客观性和准确度。
3.避免了不必要的指标定义和计算,直接对故障率建模,减少了计算量和主观性。
附图说明
图1为本发明的方法流程图。
图2为SVR算法惩罚因子c和核函数方差g最优3D视图。
图3为测试集预测值与真实值的对比图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
配电开关在配电网中大量使用,其可靠性直接影响配电网的可靠性,故为提高配电网的可靠性,应对配电开关进行可靠性评估。因此,本发明提出一种考虑到配电开关运行环境以及历史故障率的一种可靠性评估方法。当然,该方法可以运用于其他设备的可靠性评估。
如图1所示为本发明的流程,以配电开关故障率为可靠性评估的指标,把配电开关运行单位时间段内的环境因素、历史单位时间段内的故障率作为自变量,下一单位时间段内的故障率作为因变量。本实施例中,考虑的环境因素包括温度和湿度,另外根据设备所处的环境,还可考虑其它环境因素,例如压强、氧气浓度等。本实施例中,单位时间段的环境因素为本月的平均温湿度,历史单位时间故障率为前三个月的数据,下一单位时间段内的故障率为下月数据,当然时间的划分可以根据具体应用进行调整。
选择30组数据作为样本来对预测模型进行训练及验证,前20组数据作为训练集,后10组数据作为测试集。样本数据量以及训练集和测试集的数据量可以根据具体应用进行调整。将样本数据进行归一化,将其归到区间[0,1],公式如式(1)所示:
式中:为归一后的输入量,xi为当前要归一的输入量,xmin为输入量的最小值,xmax为输入量的最大值。
利用所选择的训练集样本,运用K-CV(K-fold Cross Validation)算法选择最佳支持向量回归的参数惩罚因子c以及核函数方差g,使得支持向量回归算法得到的回归平面最优。K-CV算法具体做法为:将原始数据分成K组(为计算方便,一般是均分),将每个子集数据中的一组数据做验证集,其余的K-1组子集数据作为训练集,这样会得到K个模型,用这K个模型最终的验证集的分类准确率的平均数作为此K-CV下分类器的性能指标。K一般大于等于2,实际操作时在原始数据较多的情况下,为高效计算,一般从3开始取,只有在原始数据集合数据量小的时候才会尝试取2。K-CV可以有效的避免过学习以及欠学习状态的发生,最后得到的结果也比较具有说服力;如图2所示为SVR算法惩罚因子c和核函数方差g最优3D视图,可得最佳参数惩罚因子c=2.82以及核函数方差g=0.5。
利用所得到的最佳支持向量回归的参数惩罚因子以及核函数对开关设备的故障率建立预测模型。
将测试集的样本数据输入步骤4已经建立的预测模型,得到配电开关本月的故障率预测值。如图3所示测试集预测值与真实值的对比图。
采用均方差(Mean Square Error,MSE)和相关指数R2分析预测结果,计算公式如下:
其中yi为第i组实际故障率值;为第i组预测故障率值;为实际故障率平均值。均方差表示预测值与真实值之间的误差大小,值越小,表明预测值更加准确。R2取值范围为[-1,1],当参数越接近1时,表示模型的拟合度越高。由图3可以得到MSE=0.062,R2=0.866。
Claims (4)
1.一种计及环境因素的设备可靠性评估方法,其特征在于,包括:
步骤1,以设备故障率为可靠性评估的指标,把设备运行单位时间段内的环境因素、历史单位时间段内的故障率作为自变量,下一单位时间段内的故障率作为因变量;
步骤2,将步骤1中所述的自变量和所述因变量数据进行归一化,然后选取若干组数据作为样本,并将一部分样本数据作为训练集、另一部分数据作为测试集;
步骤3,利用步骤2所选择的样本,运用K-CV算法选择最佳支持向量回归的参数惩罚因子以及核函数,使得支持向量回归算法得到的回归平面最优;
步骤4,利用步骤3所得到的最佳支持向量回归的参数惩罚因子以及核函数对设备的故障率建立预测模型;
步骤5,将设备运行环境的下一单位时间段内的环境因素、历史单位时间段内的故障率输入到步骤4已经建立的预测模型,得到设备下一单位时间段内的故障率预测值,把预测结果用于指导配电开关的检修工作。
2.根据权利要求1所述的计及环境因素的设备可靠性评估方法,其特征在于,所述环境因素包括温度和/或湿度。
3.根据权利要求1所述的计及环境因素的设备可靠性评估方法,其特征在于,所述的步骤2中,对数据进行归一化的公式为:
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>min</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>x</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>min</mi>
</msub>
</mrow>
</mfrac>
</mrow>
式中:为归一后的输入量,xi为当前要归一的输入量,xmin为输入量的最小值,xmax为输入量的最大值。
4.根据权利要求1所述的基于BP神经网络的设备可靠性评估方法,其特征在于,采用均方差(Mean Square Error,MSE)和相关指数R2分析预测结果,均方差MSE和相关指数R2计算公式如下:
<mrow>
<mi>M</mi>
<mi>S</mi>
<mi>E</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<msup>
<mi>R</mi>
<mn>2</mn>
</msup>
<mo>=</mo>
<mfrac>
<mrow>
<mo>&Sigma;</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mo>&Sigma;</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mo>&Sigma;</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
式中yi为第i组实际故障率值;为第i组预测故障率值;为实际故障率平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810074754.XA CN108062608A (zh) | 2018-01-25 | 2018-01-25 | 计及环境因素的配电开关设备可靠性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810074754.XA CN108062608A (zh) | 2018-01-25 | 2018-01-25 | 计及环境因素的配电开关设备可靠性评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108062608A true CN108062608A (zh) | 2018-05-22 |
Family
ID=62141912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810074754.XA Pending CN108062608A (zh) | 2018-01-25 | 2018-01-25 | 计及环境因素的配电开关设备可靠性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108062608A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109558979A (zh) * | 2018-11-29 | 2019-04-02 | 广东电网有限责任公司 | 电力设备缺陷预测方法及装置 |
CN110313916A (zh) * | 2019-07-17 | 2019-10-11 | 军事科学院系统工程研究院军需工程技术研究所 | 一种糖尿病足患者足底压力特征识别方法 |
CN110907064A (zh) * | 2019-11-20 | 2020-03-24 | 国网重庆市电力公司电力科学研究院 | 一种gis隔离开关触头温度预测方法、装置及可读存储介质 |
CN114115197A (zh) * | 2021-11-24 | 2022-03-01 | 浙大城市学院 | 燃气轮机状态维修决策系统、方法以及存储介质 |
CN114781657A (zh) * | 2022-03-15 | 2022-07-22 | 江苏贺鸿电子有限公司 | 一种基于人工智能的电力设备检修系统及方法 |
CN115144745A (zh) * | 2022-09-01 | 2022-10-04 | 山东汇能电气有限公司 | 一种柱上开关生产用检测系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106251045A (zh) * | 2016-07-21 | 2016-12-21 | 中国南方电网有限责任公司电网技术研究中心 | 基于多种主导因素的配电网供电可靠性评估方法 |
-
2018
- 2018-01-25 CN CN201810074754.XA patent/CN108062608A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106251045A (zh) * | 2016-07-21 | 2016-12-21 | 中国南方电网有限责任公司电网技术研究中心 | 基于多种主导因素的配电网供电可靠性评估方法 |
Non-Patent Citations (1)
Title |
---|
邓旭阳: "基于优化的LS-SVR的继电保护设备故障率预测模型", 《电网与清洁能源》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109558979A (zh) * | 2018-11-29 | 2019-04-02 | 广东电网有限责任公司 | 电力设备缺陷预测方法及装置 |
CN110313916A (zh) * | 2019-07-17 | 2019-10-11 | 军事科学院系统工程研究院军需工程技术研究所 | 一种糖尿病足患者足底压力特征识别方法 |
CN110907064A (zh) * | 2019-11-20 | 2020-03-24 | 国网重庆市电力公司电力科学研究院 | 一种gis隔离开关触头温度预测方法、装置及可读存储介质 |
CN114115197A (zh) * | 2021-11-24 | 2022-03-01 | 浙大城市学院 | 燃气轮机状态维修决策系统、方法以及存储介质 |
CN114781657A (zh) * | 2022-03-15 | 2022-07-22 | 江苏贺鸿电子有限公司 | 一种基于人工智能的电力设备检修系统及方法 |
CN114781657B (zh) * | 2022-03-15 | 2023-09-26 | 江苏贺鸿电子有限公司 | 一种基于人工智能的电力设备检修系统及方法 |
CN115144745A (zh) * | 2022-09-01 | 2022-10-04 | 山东汇能电气有限公司 | 一种柱上开关生产用检测系统 |
CN115144745B (zh) * | 2022-09-01 | 2022-11-29 | 山东汇能电气有限公司 | 一种柱上开关生产用检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108062608A (zh) | 计及环境因素的配电开关设备可靠性评估方法 | |
CN108288123A (zh) | 基于bp神经网络的配电开关设备可靠性评估方法 | |
Chen et al. | ARIMA-based time series model of stochastic wind power generation | |
CN102496069B (zh) | 基于模糊层次分析法的电缆多状态安全运行评估方法 | |
CN112202736A (zh) | 基于统计学习和深度学习的工业控制系统通信网络异常分类方法 | |
Chan et al. | Risk-based assessment of financial losses due to voltage sag | |
CN105894133A (zh) | 一种风电机组部件维修及备品备件需求预测方法 | |
CN107315138A (zh) | 功率mosfet的故障预测和健康处理方法及测试系统 | |
CN104794206A (zh) | 一种变电站数据质量评价系统及方法 | |
CN103150635B (zh) | 电力设备运维方法 | |
CN109034461A (zh) | 一种基于实际电网监测信息的电压暂降随机预估方法 | |
CN106446571A (zh) | 风电场功率预测的误差评价方法 | |
Zhou et al. | A method for hot-spot temperature prediction and thermal capacity estimation for traction transformers in high-speed railway based on genetic programming | |
JP2017525330A (ja) | ユーティリティグリッド内での信号注入テストパターンの予想効用を最大化するためのシステム及び方法 | |
CN111860943A (zh) | 基于数值气象数据与机器学习的电网故障预测方法及系统 | |
CN106599417A (zh) | 一种基于人工神经网络的城市电网馈线负荷构成辨识方法 | |
CN103617447B (zh) | 智能变电站的评价系统及评价方法 | |
CN112070413B (zh) | 一种基于小样本条件下牵引供电系统的可靠性研究方法 | |
CN107368940A (zh) | 计及响应不确定性温控负荷聚合响应潜力评估方法及系统 | |
CN104915730B (zh) | 基于权重的装备多属性维修决策方法 | |
CN113743674A (zh) | 基于深度学习的储能出力预测方法、系统、设备及介质 | |
CN115112978A (zh) | 一种电力系统绝缘环网柜故障检测方法 | |
CN104573858A (zh) | 一种电网负荷的预测和调控方法 | |
D'Antona et al. | Effects of parameter and measurement uncertainties on the power system WLS state estimation | |
CN112800674A (zh) | 一种基于极限学习机的电力系统元件可靠性参数计算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180522 |
|
RJ01 | Rejection of invention patent application after publication |