CN108681625A - 基于大数据技术的变压器短期过载能力智能评估系统 - Google Patents
基于大数据技术的变压器短期过载能力智能评估系统 Download PDFInfo
- Publication number
- CN108681625A CN108681625A CN201810381343.5A CN201810381343A CN108681625A CN 108681625 A CN108681625 A CN 108681625A CN 201810381343 A CN201810381343 A CN 201810381343A CN 108681625 A CN108681625 A CN 108681625A
- Authority
- CN
- China
- Prior art keywords
- transformer
- data
- voltage side
- side bus
- station high
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/62—Testing of transformers
Abstract
本发明提供了基于大数据技术的变压器短期过载能力智能评估系统,包括数据采集及处理系统、数据服务器、客户终端、变压器特征参数数据库、变压器历史运行参数库和人工智能计算模块;所述数据采集及处理系统采集并处理变压器运行参数,将处理后的变压器运行参数送至数据服务器;所述数据服务器设置有变压器特征参数数据库和变压器历史运行参数库,并与客户终端通讯,所述人工智能计算模块装载于客户终端;所述人工智能计算模块利用神经网络函数,对变压器顶层油温和绕组热点温升微分方程搭建仿真模型,利用变步长的龙格‑库塔方法,计算变压器实时的顶层油温和热点温度,实现过载能力的评估预测。
Description
技术领域
本发明涉及给变压器检测技术领域,具体涉及基于大数据技术的变压器短期过载能力智能评估系统。
背景技术
随着国民经济的迅速发展电力供应需求日益加大。充分利用现有设备,挖掘输电系统的潜能,有着非常大意义。目前输电系统的运行温度已经适当被提高。变压器作为输电系统的瓶颈,是一个关键的环节。变压器的绝缘性能、寿命与绕组最高热点温度有关,但目前变压器运行限额却以平均温度来推算,而变压器绕组最高热点温度与平均温度之差值随变压器的结构和冷却方式而异。如按平均温度来推算运行限额,有可能造成变压器过载(内部绕组局部过热)而缩短变压器使用年限,另一方面会负载不足造成浪费。有鉴于此,有必要提供基于人工智能技术的变压器短期过载能力评估系统,以满足工业应用需要。
发明内容
针对上述问题,本发明提供基于大数据技术的变压器短期过载能力智能评估系统。
本发明的目的采用以下技术方案来实现:
提供了基于大数据技术的变压器短期过载能力智能评估系统,包括数据采集及处理系统、数据服务器、客户终端、变压器特征参数数据库、变压器历史运行参数库和人工智能计算模块;所述数据采集及处理系统采集并处理变压器运行参数,将处理后的变压器运行参数送至数据服务器;所述数据服务器设置有变压器特征参数数据库和变压器历史运行参数库,并与客户终端通讯,所述人工智能计算模块装载于客户终端;所述变压器特征参数数据库录入有各种型号的变压器特征参数,系统根据变压器型号调用相对应的变压器特征参数;所述变压器历史运行参数库存储有在线采集的变压器历史运行参数;所述人工智能计算模块利用神经网络函数,对变压器顶层油温和绕组热点温升微分方程搭建仿真模型,利用变步长的龙格-库塔方法,计算变压器实时的顶层油温和热点温度,实现过载能力的评估预测。
其中,所述龙格-库塔方法是现有的在工程上应用广泛的高精度单步算法。
优选地,数据采集及处理系统包括传感器、与传感器通信连接的数据收集器以及与数据收集器连接的数据处理器,数据处理器与数据服务器通信连接;传感器不间断地对被测变压器进行监测,并将采集的变压器运行参数数据发送至数据收集器;数据收集器收集的同一传感器采集的变压器运行参数数据量达到一定阈值时,数据收集器将同一传感器采集的变压器运行参数数据汇聚成变压器运行参数数据并发送至数据处理器。
优选地,所述数据处理器包括依次连接的数据接收模块、数据预处理模块、数据合并模块、数据异常检测模块;数据接收模块用于接收数据收集器发送的变压器运行参数数据;数据预处理模块用于将变压器运行参数数据中的0值和负值用设定值进行替换处理;数据合并模块用于对预处理后的变压器运行参数数据进行聚类处理,将位于同一个簇的传感器的变压器运行参数数据合并到一个文件中;所述数据异常检测模块用于对数据合并模块处理后的变压器运行参数数据进行异常检测处理,对异常变压器运行参数数据进行标记,并将所有的变压器运行参数数据发送至数据服务器。
本发明的有益效果为:1、以数据与图形方式实时显示环境温度、顶层油温、高中低压三侧的负载系数等参数;2、可得出当前的变压器绕组热点温度、绝缘材料的寿命损失,可推断出未来一段时间内变压器能承受的最大负荷、安全运行的时限;3、可实时向运行调度人员提供:变压器的过负荷能力;预测应急负荷下一定时间后变压器的绕组热点温度;设备运行会安全及变压器的寿命损失等;为运行人员提供科学的数据,以供决策参考。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明一个示例性实施例的变压器短期过载能力评估系统的结构示意框图;
图2是本发明一个示例性实施例的数据处理器的结构示意框图。
附图标记:
数据采集及处理系统1、数据服务器2、客户终端3、变压器特征参数数据库4、变压器历史运行参数库5、人工智能计算模块6、数据接收模块10、数据预处理模块20、数据合并模块30、数据异常检测模块40。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1,本实施例提供的基于大数据技术的变压器短期过载能力智能评估系统包括数据采集及处理系统1、数据服务器2、客户终端3、变压器特征参数数据库4、变压器历史运行参数库5和人工智能计算模块6;所述数据采集及处理系统1采集并处理变压器运行参数,将处理后的变压器运行参数送至数据服务器2;所述数据服务器2设置有变压器特征参数数据库4和变压器历史运行参数库5,并与客户终端3通讯,所述人工智能计算模块6装载于客户终端3;所述变压器特征参数数据库4录入有各种型号的变压器特征参数,系统根据变压器型号调用相对应的变压器特征参数;所述变压器历史运行参数库5存储有在线采集的变压器历史运行参数;所述人工智能计算模块6利用神经网络函数,对变压器顶层油温和绕组热点温升微分方程搭建仿真模型,利用变步长的龙格-库塔方法,计算变压器实时的顶层油温和热点温度,实现过载能力的评估预测。
其中,所述龙格-库塔方法是现有的在工程上应用广泛的高精度单步算法。
在一种可选的方式中,数据采集及处理系统1包括传感器、与传感器通信连接的数据收集器以及与数据收集器连接的数据处理器,数据处理器与数据服务器2通信连接;传感器不间断地对被测变压器进行监测,并将采集的变压器运行参数数据发送至数据收集器;数据收集器收集的同一传感器采集的变压器运行参数数据量达到一定阈值时,数据收集器将同一传感器采集的变压器运行参数数据汇聚成变压器运行参数数据并发送至数据处理器。
在一种可选的方式中,如图2所示,所述数据处理器包括依次连接的数据接收模块10、数据预处理模块20、数据合并模块30、数据异常检测模块40;数据接收模块10用于接收数据收集器发送的变压器运行参数数据;数据预处理模块20用于将变压器运行参数数据中的0值和负值用设定值进行替换处理;数据合并模块30用于对预处理后的变压器运行参数数据进行聚类处理,将位于同一个簇的传感器的变压器运行参数数据合并到一个文件中;所述数据异常检测模块40用于对数据合并模块30处理后的变压器运行参数数据进行异常检测处理,对异常变压器运行参数数据进行标记,并将所有的变压器运行参数数据发送至数据服务器2。
本发明上述实施例产生的有益效果有:1、以数据与图形方式实时显示环境温度、顶层油温、高中低压三侧的负载系数等参数;2、可得出当前的变压器绕组热点温度、绝缘材料的寿命损失,可推断出未来一段时间内变压器能承受的最大负荷、安全运行的时限;3、可实时向运行调度人员提供:变压器的过负荷能力;预测应急负荷下一定时间后变压器的绕组热点温度;设备运行会安全及变压器的寿命损失等;为运行人员提供科学的数据,以供决策参考。
在一个实施例中,对预处理后的变压器运行参数数据进行聚类处理,具体包括:
(1)提取预处理后的设定时间段的变压器运行参数数据作为一个变压器运行参数数据集,设为X,其中每个变压器运行参数数据包括D维特征,在第一次迭代时,选择变压器运行参数数据集X中的第一个未标记的变压器运行参数数据作为第一个簇中心点O1,计算其余变压器运行参数数据与该簇中心点O1之间的相似距离,按照相似距离分配原则对变压器运行参数数据yi进行分配操作;
(2)令迭代次数λ加1,选择变压器运行参数数据集X中的第一个未标记的变压器运行参数数据作为另一个簇中心点Oλ+1,计算其余变压器运行参数数据与该簇中心点Oλ+1之间的相似距离,若变压器运行参数数据yj未标记,按照相似距离分配原则对变压器运行参数数据yj进行分配操作;若变压器运行参数数据yj已标记且按照相似距离分配原则可分配到簇中心点Oλ+1,比较其与原分配的簇中心点、簇中心点Oλ+1之间的相似距离,选择相似距离更大的簇中心点加入簇;
其中,相似距离分配原则为:若变压器运行参数数据yi与新选择的簇中心点之间的相似距离不大于设定的相似距离阈值XT,不对变压器运行参数数据yi进行分配操作;若变压器运行参数数据yi与新选择的簇中心点之间的相似距离大于设定的相似距离阈值XT,继续计算变压器运行参数数据yi与该簇中心点的最近邻集合中的变压器运行参数数据之间的相似距离,若变压器运行参数数据yi与该簇中心点的最近邻集合中的一个变压器运行参数数据之间,满足相似距离大于设定的相似距离阈值XT,则将变压器运行参数数据yi分配到该簇中心点,并进行标记;
其中,设定两个变压器运行参数数据之间的相似距离的计算公式为:
式中,X(yi,yz)表示变压器运行参数数据yi与yz之间的相似距离,mj为变压器运行参数数据的第j维特征值的权重值,yij表示变压器运行参数数据yi的第j维特征值,yzj为变压器运行参数数据yz的第j维特征值,D为变压器运行参数数据的维数;
(3)重复(2)直至迭代次数λ达到设定的阈值或者所有的变压器运行参数数据皆已被标记。
本实施例对预处理后的变压器运行参数数据进行聚类处理时,不需要预先指定簇的个数;
本实施例创新性地设定了相似距离分配原则,使得仅当变压器运行参数数据与簇中心点相似且与簇中心点的最近邻集合中的一个或多个变压器运行参数数据相似时,变压器运行参数数据才能与簇中心点位于同一个簇,使得本实施例的聚类处理更适合于检测出任意形状簇,聚类高效且质量高;
现有技术中常采用绝对距离来衡量两个变压器运行参数数据之间的差异性,如欧式距离、曼哈顿距离等,也就是说两个变压器运行参数数据之间的距离越大表明两者的相似性越小,反之则相似性越大,但是这种距离度量方式通常涉及到对象的所有属性,并认为这些属性对于距离度量的重要性是相同的。
在现有技术的基础上,本实施例创新性地设定了一种新的相似距离度量公式,该公式考虑了变压器运行参数数据的属性因素,为不同的维度上的特征加以不同的权重值,让不同维度按照权重值的大小在聚类中起不同的作用,能够使得某些特征维度上的变压器运行参数数据差异得到区分,解决了因不同特征维度上的量纲不同导致的聚类效果不佳的问题,提高了聚类划分的精度和效率。
其中,在一个实施例中,变压器运行参数数据的各个维度的特征值相应的权重值由专家进行设定。
在另一个优选实施例中,设变压器运行参数数据集X={y1,y2,…,yN},按照下列公式设定变压器运行参数数据的各个维度的特征值相应的权重值:
式中,mj表示变压器运行参数数据的第j维特征值的权重值,y#j为变压器运行参数数据集X中的第u个变压器运行参数数据的第j维特征值,y#v为变压器运行参数数据集X中的第u个变压器运行参数数据的第v维特征值,N为变压器运行参数数据集X包含的变压器运行参数数据个数,D为变压器运行参数数据的维数。
本实施例创造性地设定了变压器运行参数数据的各个维度的特征值相应的权重值计算公式,该计算公式使得属性分布的偏离程度越小的特征值权重更小,而属性分布的偏离程度越大的特征值权重越大,有利于解决变压器运行参数数据密度不同所产生的聚类效果不佳的问题,相对于专家设定权重的方式,更具实际性和科学性,提高聚类的精度。
在一个实施例中,对数据合并模块30处理后的变压器运行参数数据进行异常检测处理,具体包括:
(1)若聚类后存在一个簇的变压器运行参数数据个数低于设定的数量下限,则将该簇视为异常簇,求取异常簇中变压器运行参数数据的平均值ye,计算其他正常簇的簇中心点与异常簇的簇中心点之间的相似距离;
(3)若正常簇的簇中心点与异常簇的簇中心点之间的相似距离不大于设定的簇相似距离阈值,则将该正常簇作为待检测簇,并利用ye来检测待检测簇中的变压器运行参数数据,当待检测簇中的变压器运行参数数据满足设定的异常条件时,将变压器运行参数数据视为异常变压器运行参数数据。
其中,设定异常条件为:
式中,mj表示变压器运行参数数据的第j维特征值的权重值,为变压器运行参数数据的第j维特征值,yej为所述异常簇中变压器运行参数数据的平均值ye的第j维特征值,D为变压器运行参数数据的维数,Xt为设定的异常检测距离阈值。
由于规模性较小的簇中的变压器运行参数数据之间相对较为松散,而且相对于其他变压器运行参数数据较为孤立,因此现有技术中通常将规模较小的簇中的数据视为异常数据。基于此,本实施例对聚类处理后的变压器运行参数数据进行异常检测,从中创新性地提出了用于检测变压器运行参数数据是否为异常的异常条件,该异常条件根据变压器运行参数数据与异常簇中变压器运行参数数据的平均值之间的距离来判断该变压器运行参数数据是否为异常变压器运行参数数据,具备一定的检测精度,检测方式简单有效。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (6)
1.基于大数据技术的变压器短期过载能力智能评估系统,其特征是,包括数据采集及处理系统、数据服务器、客户终端、变压器特征参数数据库、变压器历史运行参数库和人工智能计算模块;所述数据采集及处理系统采集并处理变压器运行参数,将处理后的变压器运行参数送至数据服务器;所述数据服务器设置有变压器特征参数数据库和变压器历史运行参数库,并与客户终端通讯,所述人工智能计算模块装载于客户终端;
所述变压器特征参数数据库录入有各种型号的变压器特征参数,系统根据变压器型号调用相对应的变压器特征参数;
所述变压器历史运行参数库存储有在线采集的变压器历史运行参数;
所述人工智能计算模块利用神经网络函数,对变压器顶层油温和绕组热点温升微分方程搭建仿真模型,利用变步长的龙格-库塔方法,计算变压器实时的顶层油温和热点温度,实现过载能力的评估预测。
2.根据权利要求1所述的基于大数据技术的变压器短期过载能力智能评估系统,其特征是,数据采集及处理系统包括传感器、与传感器通信连接的数据收集器以及与数据收集器连接的数据处理器,数据处理器与数据服务器通信连接;传感器不间断地对被测变压器进行监测,并将采集的变压器运行参数数据发送至数据收集器;数据收集器收集的同一传感器采集的变压器运行参数数据量达到一定阈值时,数据收集器将同一传感器采集的变压器运行参数数据汇聚成变压器运行参数数据并发送至数据处理器。
3.根据权利要求2所述的基于大数据技术的变压器短期过载能力智能评估系统,其特征是,所述数据处理器包括依次连接的数据接收模块、数据预处理模块、数据合并模块、数据异常检测模块;数据接收模块用于接收数据收集器发送的变压器运行参数数据;数据预处理模块用于将变压器运行参数数据中的0值和负值用设定值进行替换处理;数据合并模块用于对预处理后的变压器运行参数数据进行聚类处理,将位于同一个簇的传感器的变压器运行参数数据合并到一个文件中;所述数据异常检测模块用于对数据合并模块处理后的变压器运行参数数据进行异常检测处理,对异常变压器运行参数数据进行标记,并将所有的变压器运行参数数据发送至数据服务器。
4.根据权利要求1-3任一项所述的基于大数据技术的变压器短期过载能力智能评估系统,其特征是,对数据合并模块处理后的变压器运行参数数据进行异常检测处理,具体包括:
(1)若聚类后存在一个簇的变压器运行参数数据个数低于设定的数量下限,则将该簇视为异常簇,求取异常簇中变压器运行参数数据的平均值ye,计算其他正常簇的簇中心点与异常簇的簇中心点之间的相似距离;
(3)若正常簇的簇中心点与异常簇的簇中心点之间的相似距离不大于设定的簇相似距离阈值,则将该正常簇作为待检测簇,并利用ye来检测待检测簇中的变压器运行参数数据,当待检测簇中的变压器运行参数数据满足异常条件时,将变压器运行参数数据视为异常变压器运行参数数据。
5.根据权利要求4所述的基于大数据技术的变压器短期过载能力智能评估系统,其特征是,设定异常条件为:
式中,mj表示变压器运行参数数据的第j维特征值的权重值,为变压器运行参数数据的第j维特征值,yej为所述异常簇中变压器运行参数数据的平均值ye的第j维特征值,D为变压器运行参数数据的维数,Xt为设定的异常检测距离阈值。
6.根据权利要求1-3任一项所述的基于大数据技术的变压器短期过载能力智能评估系统,其特征是,设定两个变压器运行参数数据之间的相似距离的计算公式为:
式中,X(yi,yz)表示变压器运行参数数据yi与yz之间的相似距离,mj为变压器运行参数数据的第j维特征值的权重值,yij表示变压器运行参数数据yi的第j维特征值,yzj为变压器运行参数数据yz的第j维特征值,D为变压器运行参数数据的维数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810381343.5A CN108681625A (zh) | 2018-04-25 | 2018-04-25 | 基于大数据技术的变压器短期过载能力智能评估系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810381343.5A CN108681625A (zh) | 2018-04-25 | 2018-04-25 | 基于大数据技术的变压器短期过载能力智能评估系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108681625A true CN108681625A (zh) | 2018-10-19 |
Family
ID=63802348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810381343.5A Pending CN108681625A (zh) | 2018-04-25 | 2018-04-25 | 基于大数据技术的变压器短期过载能力智能评估系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108681625A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111060221A (zh) * | 2019-12-31 | 2020-04-24 | 云领电气智能科技(苏州)有限公司 | 基于循环神经网络的变压器过热故障预警方法 |
CN111767659A (zh) * | 2020-07-20 | 2020-10-13 | 湖北新石电力科技有限公司 | 一种配电变压器绕组材质无损检测评估系统 |
CN117148017A (zh) * | 2023-10-27 | 2023-12-01 | 南京中鑫智电科技有限公司 | 一种高压套管油气远程监测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102427218A (zh) * | 2011-10-28 | 2012-04-25 | 武汉供电公司变电检修中心 | 基于人工智能技术的变压器短期过载能力评估系统 |
US8484150B2 (en) * | 2010-02-26 | 2013-07-09 | General Electric Company | Systems and methods for asset condition monitoring in electric power substation equipment |
CN103592545A (zh) * | 2013-11-22 | 2014-02-19 | 国家电网公司 | 一种基于概率统计的变压器温升异常监测诊断方法 |
CN104484602A (zh) * | 2014-12-09 | 2015-04-01 | 中国科学院深圳先进技术研究院 | 一种入侵检测方法、装置 |
CN105791051A (zh) * | 2016-03-25 | 2016-07-20 | 中国地质大学(武汉) | 基于人工免疫和k均值聚类的无线传感网异常检测方法及系统 |
CN106841846A (zh) * | 2016-12-19 | 2017-06-13 | 广东电网有限责任公司电力调度控制中心 | 一种变压器状态分析与故障诊断方法及系统 |
CN106878995A (zh) * | 2017-04-27 | 2017-06-20 | 重庆邮电大学 | 一种基于感知数据的无线传感器网络异常类型鉴别方法 |
CN107122879A (zh) * | 2017-03-03 | 2017-09-01 | 广东南方电力通信有限公司 | 一种基于大数据与设备状态异常跟踪的电网状态检修方法 |
-
2018
- 2018-04-25 CN CN201810381343.5A patent/CN108681625A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8484150B2 (en) * | 2010-02-26 | 2013-07-09 | General Electric Company | Systems and methods for asset condition monitoring in electric power substation equipment |
CN102427218A (zh) * | 2011-10-28 | 2012-04-25 | 武汉供电公司变电检修中心 | 基于人工智能技术的变压器短期过载能力评估系统 |
CN103592545A (zh) * | 2013-11-22 | 2014-02-19 | 国家电网公司 | 一种基于概率统计的变压器温升异常监测诊断方法 |
CN104484602A (zh) * | 2014-12-09 | 2015-04-01 | 中国科学院深圳先进技术研究院 | 一种入侵检测方法、装置 |
CN105791051A (zh) * | 2016-03-25 | 2016-07-20 | 中国地质大学(武汉) | 基于人工免疫和k均值聚类的无线传感网异常检测方法及系统 |
CN106841846A (zh) * | 2016-12-19 | 2017-06-13 | 广东电网有限责任公司电力调度控制中心 | 一种变压器状态分析与故障诊断方法及系统 |
CN107122879A (zh) * | 2017-03-03 | 2017-09-01 | 广东南方电力通信有限公司 | 一种基于大数据与设备状态异常跟踪的电网状态检修方法 |
CN106878995A (zh) * | 2017-04-27 | 2017-06-20 | 重庆邮电大学 | 一种基于感知数据的无线传感器网络异常类型鉴别方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111060221A (zh) * | 2019-12-31 | 2020-04-24 | 云领电气智能科技(苏州)有限公司 | 基于循环神经网络的变压器过热故障预警方法 |
CN111767659A (zh) * | 2020-07-20 | 2020-10-13 | 湖北新石电力科技有限公司 | 一种配电变压器绕组材质无损检测评估系统 |
CN111767659B (zh) * | 2020-07-20 | 2024-03-26 | 湖北新石电力科技有限公司 | 一种配电变压器绕组材质无损检测评估系统 |
CN117148017A (zh) * | 2023-10-27 | 2023-12-01 | 南京中鑫智电科技有限公司 | 一种高压套管油气远程监测方法及系统 |
CN117148017B (zh) * | 2023-10-27 | 2023-12-26 | 南京中鑫智电科技有限公司 | 一种高压套管油气远程监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109670675B (zh) | 充电桩运行状态评价方法及装置 | |
CN115170000B (zh) | 一种基于电能表通信模块的远程监测方法及系统 | |
CN108681625A (zh) | 基于大数据技术的变压器短期过载能力智能评估系统 | |
CN107679768A (zh) | 一种基于电网实时数据的态势感知系统及其构建方法 | |
CN112684301B (zh) | 一种电网故障的检测方法和装置 | |
CN111625991A (zh) | 一种低压配电网拓扑校验方法 | |
CN110489783B (zh) | 一种基于qrnn的低压台区线损率合理范围估计方法 | |
CN109002781B (zh) | 一种储能变流器故障预测方法 | |
CN107294213A (zh) | 一种电网设备智能监测系统 | |
CN110826228B (zh) | 一种地区电网运行品质极限评估方法 | |
CN113554361B (zh) | 一种综合能源系统数据处理计算方法及处理系统 | |
CN106845562B (zh) | 光伏组件的故障监测系统及数据处理方法 | |
CN103869192A (zh) | 智能电网线损检测方法和系统 | |
CN103617447A (zh) | 智能变电站的评价系统及评价方法 | |
CN108761258A (zh) | 基于人工智能和大数据技术的变压器短期过载能力评估系统 | |
CN112348207A (zh) | 电网防灾预警方法及装置 | |
CN112215482A (zh) | 一种户变关系识别方法和装置 | |
CN115395643A (zh) | 基于全数据采集和状态感知的低压配电网故障预警定位装置及系统 | |
CN114152909A (zh) | 基于大数据的中高压失准分析系统 | |
CN111339664A (zh) | 一种基于边缘计算的逐层负荷建模方法和系统 | |
CN218450040U (zh) | 一种分布式光伏电站的智能故障诊断系统 | |
CN115051474B (zh) | 一种配电网线路开关状态识别方法及系统 | |
CN111857015B (zh) | 输变电云端智能控制器 | |
CN111897655B (zh) | 一种输变电云端智能控制器 | |
CN114047372B (zh) | 一种基于电压特征的台区拓扑辨识系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181019 |
|
RJ01 | Rejection of invention patent application after publication |