CN108846511A - 一种基于调控大数据平台的变电设备缺陷趋势分析方法 - Google Patents
一种基于调控大数据平台的变电设备缺陷趋势分析方法 Download PDFInfo
- Publication number
- CN108846511A CN108846511A CN201810565669.3A CN201810565669A CN108846511A CN 108846511 A CN108846511 A CN 108846511A CN 201810565669 A CN201810565669 A CN 201810565669A CN 108846511 A CN108846511 A CN 108846511A
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- defect
- prediction
- trend analysis
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 26
- 238000004458 analytical method Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000007812 deficiency Effects 0.000 claims abstract description 26
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 7
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 239000012141 concentrate Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 238000000547 structure data Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 10
- 238000007637 random forest analysis Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001052 transient effect 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/259—Fusion by voting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于调控大数据平台的变电设备缺陷趋势分析方法，涉及变电设备缺陷趋势分析技术领域，它包括以下步骤：步骤S10数据采集；步骤S20数据预处理；步骤S30关键因素辨识；步骤S40设备缺陷评估。本发明对设备缺陷趋势预测的算法采用了结合多元状态量的方法，充分利用大数据的特性，将历史数据、当前数据与未来数据相结合，通过计算未来时间设备状态指标，实现了对集中监控设备未来发生设备缺陷可能性的预测，相对于传统的阀值判断缺陷的方法准确率较高。
Description
技术领域
本发明涉及变电设备缺陷趋势分析技术领域，具体涉及一种基于调控大数据平台的变电设备缺陷趋势分析方法。
背景技术
目前主流的,设备缺陷预测方法主要可以分为以下三种：
1)基于物理模型的缺陷预测技术:采用物理模型进行缺陷预测，根据预测对象系统的稳态或瞬态负载、温度或其他在线测试信息构建预测模型框架，并统计系统或设备历史运行情况或预期运行状况，进行系统将来运行状态的仿真预测。
2)基于数据驱动的缺陷预测技术:建立复杂部件或者系统的物理模型是很困难甚至是不可能的，因此，部件或者系统运行和维护等各个阶段的测试、监控历史数据就成为掌握系统性能下降原因的主要手段。基于测试或者监控数据进行预测的方法称为数据驱动的缺陷预测技术。
3)基于经验预测的缺陷预测技术:在某些情况下，确定一个完整的动态模型，给出输入和输出之间的系统微分方程，可能是不必要的，也可能是不现实的。基于统计可靠性的缺陷预测方法适用于从过去缺陷历史数据的统计特性角度进行缺陷预测。因为预测所需要的信息包含在一系列的不同概率密度函数(PDF)中，而不需要动态微分方程的形式。相比于基于模型的方法，这种方法需要更少的细节信息。然而预测精度较上述两种方法更低。
对于电力设备来说，不同类别、不同型号、不同厂家的电力设备具备不同的物理模型。而上述条件相同的设备如果所处的电网结构不同、运行方式有差别的情况下，其物理模型表现的特性也不同。通过物理模型对设备缺陷进行预测工作量繁琐复杂，任何一项因素没有考虑进去对预测精度都有很大影响，几乎不可能进行准确的预测。而智能电网集中监控大数据体系为基于数据驱动的缺陷预测技术提供了需要的数据基础。能够在大量历史数据的基础上得出精度较仅仅基于统计可靠性预测技术更高的客观结果。综合预测方法对设备基础模型信息的需求及预测精度，因此选择基于数据驱动的缺陷预测方法，即利用大数据挖掘技术实现对设备缺陷的预测。
可靠的电力设备是保证电网安全运行、提升供电可靠性的基础。在实际运行中,有些电力设备虽然能继续使用，但运行状态发生异常或存在隐患,并将影响人身安全、电网的可靠经济运行、设备寿命以及电能质量等，这种异常或隐患称为缺陷。预测设备可能发生的缺陷并提前加以控制或消除能够有力的保障电网安全、可靠运行。
在电网设备缺陷发生时，往往伴随着不同类型遥测量的遥测值的异常变化，但是，每一个遥测值的异常变化又极其不明显。因此，仅仅对某一类遥测量进行分析、预测根本无法准确预测电网设备缺陷，只有对多类遥测量进行综合分析才能准确预测出电网设备缺陷。在电网中，预测某一种类型的电网设备缺陷往往需要综合分析十几种不同类型的遥测量。而传统的基于数据驱动的缺陷预测方法只关注某一种遥测量的分析、预测，因此，无法实现对电网设备缺陷的准确预测。
发明内容
本发明的目的就是为了解决上述技术问题，而提供一种基于调控大数据平台的变电设备缺陷趋势分析方法。
本发明包括以下步骤：
步骤S10数据采集：使用数据采集模块从数据来源端经过抽取转换，加载至目的端；
步骤S20数据预处理：将采集的数据，根据数据类型不同进行预处理；
步骤S30关键因素辨识：对采集的原始数据进行统计检验，验证其数据特征，通过皮尔逊系数计算该数据和设备缺陷发生的相关性，并通过主成分分析找出原始数据集中对设备缺陷，故障发生有潜在影响的数据子集；
步骤S40设备缺陷评估：针对原始数据的特点，对其进行分析和建模。
所述步骤S10的来源端是指电力安全一区、二区、三区及四区的相关业务系统；所述抽取转换是指数据的提取、清理、转换、实体存储全过程。
所述步骤S20中数据预处理主要包括结构化数据和非结构化数据两大类，所述结构化数据是指数据清洗、归一化处理，数据清洗主要是指发现空值、错误数据以及不合规范的数据；所述非结构化数据，是指利用文本分析技术，从非结构化的告警记录中抽取出关键、有效的信息。
所述步骤S30中，计算相关性是指通过皮尔逊系数计算该数据和设备缺陷发生的相关性；所述找出对故障发生有潜在影响的数据子集，是指通过主成分分析找出原始数据集中对设备缺陷，故障发生有潜在影响的数据子集。
本发明具有以下优点：本发明提供一种基于调控大数据平台的变电设备缺陷趋势分析方法，对设备缺陷趋势预测的算法采用了结合多元状态量的方法，充分利用大数据的特性，将历史数据、当前数据与未来数据相结合，通过计算未来时间设备状态指标，实现了对集中监控设备未来发生设备缺陷可能性的预测，相对于传统的阀值判断缺陷的方法准确率较高。
附图说明
图1是本发明步骤示意图。
具体实施方式
下面结合附图对本发明做进一步说明。
如图1所示，本发明包括以下步骤：
步骤S10数据采集：使用数据采集模块从数据来源端经过抽取转换，加载至目的端；
步骤S20数据预处理：将采集的数据，根据数据类型不同进行预处理；
步骤S30关键因素辨识：对采集的原始数据进行统计检验，验证其数据特征，通过皮尔逊系数计算该数据和设备缺陷发生的相关性，并通过主成分分析找出原始数据集中对设备缺陷，故障发生有潜在影响的数据子集；
步骤S40设备缺陷评估：针对原始数据的特点，对其进行分析和建模。
所述步骤S10的来源端是指电力安全一区、二区、三区及四区的相关业务系统；所述抽取转换是指数据的提取、清理、转换、实体存储全过程。
所述步骤S20中数据预处理主要包括结构化数据和非结构化数据两大类，所述结构化数据是指数据清洗、归一化处理，数据清洗主要是指发现空值、错误数据以及不合规范的数据；所述非结构化数据，是指利用文本分析技术，从非结构化的告警记录中抽取出关键、有效的信息。
所述步骤S30中，计算相关性是指通过皮尔逊系数计算该数据和设备缺陷发生的相关性；所述找出对故障发生有潜在影响的数据子集，是指通过主成分分析找出原始数据集中对设备缺陷，故障发生有潜在影响的数据子集。
工作方式及原理：
设备的状态往往与设备所处的外部环境、设备参数、设备投运情况、设备家族信息等简单参数紧密相关，同时也与设备检修情况、设备频发告警、设备寿命等复合参数紧密相关。设备相关的内外部简单参数、复合参数具有以下两大主要特征：
数据规模不一致性：有些数据规模较大，蕴含信息量丰富，例如遥信类信息，而有些数据规模较小、所蕴含的信息较为匮乏，例如遥测类信息(特指发生缺陷、故障时的遥测信息)。
信息的异构性：设备相关的信息包括数值型数据、文本数据及范畴型数据，其中数值型数据包括连续型数据、离散型数据。
基于上述分析，本方案拟根据不同类型信息的不同特性，采用不同的机器学习算法对其进行分析、处理，以提高设备缺陷的整体评估性能。对于数据量小的小样本数据拟采用概率图模型对其进行分析处理；对于数据量大的大样本数据拟采用随机森林对其进行分析、建模；而对于数据量大，而领域知识匮乏的数据样本拟采用深度网络强化学习模型对其进行分析、处理。
算法大致流程如图1所示：
本方法的算法流程如上图所示，主要包括：
步骤S10数据采集，将数据从来源端经过抽取转换、加载至目的端的过程。数据采集主要负责对外部系统的统一数据采集，通过大数据技术支撑平台的技术支撑，实现对横向部署在不同安全分区、纵向部署在不同调控机构相关系统数据的提取、清理、转换、实体存储的全过程管理。
步骤S20数据预处理，将采集的数据根据数据类型不同，进行预先处理。数据预处理主要包括结构化数据和非结构化数据两大类。
结构化数据预处理主要指数据清洗、归一化处理。其中，数据清洗主要是指，发现空值、错误数据、不合规范的数据；数据清洗主要是依靠基于规则的技术。
非结构化数据预处理，主要是指利用文本分析技术，从非结构化的告警记录中抽取出关键、有效的信息，具体方法是：搜索利用最长匹配技术，对非结构化的告警记录进行分词；然后利用潜在语义分析技术，从非结构化的告警记录中抽取出关键信息；最后利用k-means技术，进行文本聚类，将告警信息归纳到相应的典型缺陷中。
步骤S30关键因素辨识，对每一种原始数据进行统计检验，验证其数据特征，通过皮尔逊系数计算该数据和设备缺陷发生的相关性，并通过主成分分析找出原始数据集中对设备缺陷，故障发生有潜在影响的数据子集。
步骤S40设备缺陷评估，针对原始数据的特点，采用不同的技术对其进行分析和建模。
对于小样本数据，由于小样本数据数量小，直接利用确定性分析方法，会强化其中随机因素的影响，从而得出错误或者不精确的结果。而概率图模型中的概率密度核估计方法实现了对原始样本集的拓展，利用K2算法进行贝叶斯网络结构学习。通过优化选择核函数和窗宽，从而实现了样本集的有效扩展。最后基于互信息度进行变量顺序的确认，进而建立了小规模样本集的KI-K2贝叶斯结构学习算法。
对于数据量大的大样本数据采用随机森林对其进行分析。大样本中包含了大量的信息，包括较少的不确定性和随机性，适合支持明确信息分析的随机森林方法。随机森林在选取训练数据和分类特征的过程中，对缺失数据和非平衡数据等问题数据的处理比较稳健，可以很好地预测多达几千个解释变量的作用。
而对于数据量大，而领域知识匮乏的数据样本拟采用深度网络强化学习模型对其进行分析、处理。如天气情况对设备状态的影响好坏是完全未知的，无法依靠领域专家的知识。深度学习网络结构是一个黑盒的“抽象层次”，以简单，抽象，再抽象的方式不断总结隐藏了大量细节的信息。
最后，利用线性模型将上述获得的概率图模型和随机森林模型，深度网络模型进行融合，并通过投票的方式获得最终的设备缺陷评估模型；将最终设备缺陷评估模型的预测概率代入到深度神经网络模型中，获得设备不同状态对应的概率阀值，利用概率阀值以及设备状态评估模型对设备进行评估，并给出评估概率值。
以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。
Claims (4)
1.一种基于调控大数据平台的变电设备缺陷趋势分析方法，其特征在于它包括以下步骤：
步骤S10数据采集：使用数据采集模块从数据来源端经过抽取转换，加载至目的端；
步骤S20数据预处理：将采集的数据，根据数据类型不同进行预处理；
步骤S30关键因素辨识：对采集的原始数据进行统计检验，验证其数据特征，通过皮尔逊系数计算该数据和设备缺陷发生的相关性，并通过主成分分析找出原始数据集中对设备缺陷，故障发生有潜在影响的数据子集；
步骤S40设备缺陷评估：针对原始数据的特点，对其进行分析和建模。
2.根据权利要求1所述的一种基于调控大数据平台的变电设备缺陷趋势分析方法，其特征在于所述步骤S10的来源端是指电力安全一区、二区、三区及四区的相关业务系统；所述抽取转换是指数据的提取、清理、转换、实体存储全过程。
3.根据权利要求1所述的一种基于调控大数据平台的变电设备缺陷趋势分析方法，其特征在于所述步骤S20中数据预处理主要包括结构化数据和非结构化数据两大类，所述结构化数据是指数据清洗、归一化处理，数据清洗主要是指发现空值、错误数据以及不合规范的数据；所述非结构化数据，是指利用文本分析技术，从非结构化的告警记录中抽取出关键、有效的信息。
4.根据权利要求1所述的一种基于调控大数据平台的变电设备缺陷趋势分析方法，其特征在于所述步骤S30中，计算相关性是指通过皮尔逊系数计算该数据和设备缺陷发生的相关性；所述找出对故障发生有潜在影响的数据子集，是指通过主成分分析找出原始数据集中对设备缺陷，故障发生有潜在影响的数据子集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810565669.3A CN108846511A (zh) | 2018-06-04 | 2018-06-04 | 一种基于调控大数据平台的变电设备缺陷趋势分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810565669.3A CN108846511A (zh) | 2018-06-04 | 2018-06-04 | 一种基于调控大数据平台的变电设备缺陷趋势分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108846511A true CN108846511A (zh) | 2018-11-20 |
Family
ID=64210102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810565669.3A Pending CN108846511A (zh) | 2018-06-04 | 2018-06-04 | 一种基于调控大数据平台的变电设备缺陷趋势分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108846511A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109710601A (zh) * | 2018-12-25 | 2019-05-03 | 国电大渡河大岗山水电开发有限公司 | 一种智能化水电厂运行数据清洗方法 |
| CN110070118A (zh) * | 2019-04-10 | 2019-07-30 | 广东电网有限责任公司 | 一种多时空数据融合方法 |
| CN110210099A (zh) * | 2019-05-27 | 2019-09-06 | 国网河北省电力有限公司邢台供电分公司 | 设备发热缺陷预测方法、装置及终端设备 |
| CN110502724A (zh) * | 2019-08-09 | 2019-11-26 | 国网山西省电力公司 | 基于自组织神经网络的设备状态预测方法和终端设备 |
| CN110515931A (zh) * | 2019-07-02 | 2019-11-29 | 电子科技大学 | 一种基于随机森林算法的电容型设备缺陷预测方法 |
| CN111222582A (zh) * | 2020-01-13 | 2020-06-02 | 中国电力科学研究院有限公司 | 一种用于提取继电保护装置的缺陷模式的方法及系统 |
| CN113435652A (zh) * | 2021-07-01 | 2021-09-24 | 贵州电网有限责任公司 | 一种一次设备缺陷诊断与预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104700321A (zh) * | 2015-03-16 | 2015-06-10 | 国家电网公司 | 一种输变电设备状态运行趋势分析方法 |
| CN105740975A (zh) * | 2016-01-26 | 2016-07-06 | 云南电网有限责任公司电力科学研究院 | 一种基于数据关联关系的设备缺陷评估与预测方法 |
| CN106201897A (zh) * | 2016-07-26 | 2016-12-07 | 南京航空航天大学 | 基于主成分分布函数的软件缺陷预测不平衡数据处理方法 |
| CN106447202A (zh) * | 2016-09-29 | 2017-02-22 | 国网山东省电力公司 | 基于数据挖掘和主成分分析的电力设备状态评估方法 |
| CN106980922A (zh) * | 2017-03-03 | 2017-07-25 | 国网天津市电力公司 | 一种基于大数据的输变电设备状态评价方法 |
-
2018
- 2018-06-04 CN CN201810565669.3A patent/CN108846511A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104700321A (zh) * | 2015-03-16 | 2015-06-10 | 国家电网公司 | 一种输变电设备状态运行趋势分析方法 |
| CN105740975A (zh) * | 2016-01-26 | 2016-07-06 | 云南电网有限责任公司电力科学研究院 | 一种基于数据关联关系的设备缺陷评估与预测方法 |
| CN106201897A (zh) * | 2016-07-26 | 2016-12-07 | 南京航空航天大学 | 基于主成分分布函数的软件缺陷预测不平衡数据处理方法 |
| CN106447202A (zh) * | 2016-09-29 | 2017-02-22 | 国网山东省电力公司 | 基于数据挖掘和主成分分析的电力设备状态评估方法 |
| CN106980922A (zh) * | 2017-03-03 | 2017-07-25 | 国网天津市电力公司 | 一种基于大数据的输变电设备状态评价方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109710601A (zh) * | 2018-12-25 | 2019-05-03 | 国电大渡河大岗山水电开发有限公司 | 一种智能化水电厂运行数据清洗方法 |
| CN110070118A (zh) * | 2019-04-10 | 2019-07-30 | 广东电网有限责任公司 | 一种多时空数据融合方法 |
| CN110210099A (zh) * | 2019-05-27 | 2019-09-06 | 国网河北省电力有限公司邢台供电分公司 | 设备发热缺陷预测方法、装置及终端设备 |
| CN110515931A (zh) * | 2019-07-02 | 2019-11-29 | 电子科技大学 | 一种基于随机森林算法的电容型设备缺陷预测方法 |
| CN110502724A (zh) * | 2019-08-09 | 2019-11-26 | 国网山西省电力公司 | 基于自组织神经网络的设备状态预测方法和终端设备 |
| CN110502724B (zh) * | 2019-08-09 | 2023-04-07 | 国网山西省电力公司 | 基于自组织神经网络的设备状态预测方法和终端设备 |
| CN111222582A (zh) * | 2020-01-13 | 2020-06-02 | 中国电力科学研究院有限公司 | 一种用于提取继电保护装置的缺陷模式的方法及系统 |
| CN111222582B (zh) * | 2020-01-13 | 2023-12-05 | 中国电力科学研究院有限公司 | 一种用于提取继电保护装置的缺陷模式的方法及系统 |
| CN113435652A (zh) * | 2021-07-01 | 2021-09-24 | 贵州电网有限责任公司 | 一种一次设备缺陷诊断与预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108846511A (zh) | 一种基于调控大数据平台的变电设备缺陷趋势分析方法 | |
| CN112202736B (zh) | 基于统计学习和深度学习的通信网络异常分类方法 | |
| US8527223B2 (en) | Methods and systems for energy prognosis | |
| CN110414155A (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
| CN106872657A (zh) | 一种多变量水质参数时序数据异常事件检测方法 | |
| Liu et al. | Research on fault diagnosis of wind turbine based on SCADA data | |
| CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
| Zhang et al. | A fault early warning method for auxiliary equipment based on multivariate state estimation technique and sliding window similarity | |
| Eltyshev et al. | Intelligent decision support in the electrical equipment diagnostics | |
| Di Maio et al. | Transient identification by clustering based on Integrated Deterministic and Probabilistic Safety Analysis outcomes | |
| CN114118524A (zh) | 一种基于知识推理的设备状态综合分析方法 | |
| Fuentes-Huerta et al. | Fuzzy reliability centered maintenance considering personnel experience and only censored data | |
| Tripathy et al. | Explaining Anomalies in Industrial Multivariate Time-series Data with the help of eXplainable AI | |
| CN108446202A (zh) | 一种机房设备的安全状况的判断方法 | |
| CN117394529A (zh) | 基于scada的主配网合环倒供电控制条件辅助决策方法及系统 | |
| Guo | Wind turbine generator bearing Condition Monitoring with NEST method | |
| Haomin et al. | Fault prediction for power system based on multidimensional time series correlation analysis | |
| Li et al. | Remaining life prediction of cores based on data-driven and physical modeling methods | |
| Khan et al. | Outliers detection and repairing technique for measurement data in the distribution system | |
| Esteves et al. | Prognostics health management: perspectives in engineering systems reliability prognostics | |
| CN108960654A (zh) | 一种面向机器学习的装备部件健康管理方法及系统 | |
| Zhang et al. | A model for residual life prediction based on brownian motion in framework of similarity | |
| Khalyasmaa et al. | Fuzzy inference algorithms for power equipment state assessment | |
| Aizpurua et al. | A cost-benefit approach for the evaluation of prognostics-updated maintenance strategies in complex dynamic systems | |
| Alauddin et al. | A robust neural network model for fault detection in the presence of mislabelled data |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181120 |