CN109032107A - 基于贝叶斯分类的设备故障信号频发预测方法 - Google Patents
基于贝叶斯分类的设备故障信号频发预测方法 Download PDFInfo
- Publication number
- CN109032107A CN109032107A CN201810567469.1A CN201810567469A CN109032107A CN 109032107 A CN109032107 A CN 109032107A CN 201810567469 A CN201810567469 A CN 201810567469A CN 109032107 A CN109032107 A CN 109032107A
- Authority
- CN
- China
- Prior art keywords
- signal
- year
- signals
- month
- frequent
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012545 processing Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000011664 signaling Effects 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 230000007812 deficiency Effects 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 6
- 238000007635 classification algorithm Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003045 statistical classification method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Alarm Systems (AREA)
Abstract
本发明属于电力系统设备故障预测领域，尤其涉及基于贝叶斯分类的设备故障信号频发预测方法。所述方法基于电网运行大数据，根据数据量等级分为次优设备故障预测方法和最优故障预测方法；当数据量不足N年，其中N<4时，使用次优设备故障预测方法；当数据量N较大，其中N≥4时，使用最有故障预测方法。次优设备故障预测方法解决了数据量不足带来的预测困难的难题。最优故障预测方法综合多项电网运行因素，以较高的精确度预测电网设备故障信号发生情况。
Description
技术领域
本发明属于电力系统设备故障预测领域，尤其涉及基于贝叶斯分类的设备故障信号频发预测方法。
背景技术
大型电力设备结构复杂且工作环境恶劣，属于多发性故障的高技术系统工程。目前的预测方法无法保证大型电力设备绝对在无故障状态下运行。随着现代电力系统和自动化技术的不断发展，保障电力设备的无故障运行成为工业与信息化技术发展的必然需求。电力设备系统处于复杂的工作环境中，控制参数复杂且不确定，导致电力设备系统中故障频发，需要进行更有效的电力设备系统的故障预测，保障电力设备网络的安全稳定运行。
大数据时代下，电网设备运行产生海量数据，其中设备典型缺陷信号、故障信号是电网运行的重要指标。电网现有设备监控业务只能实现被动监控，缺乏对设备缺陷、故障的预测手段。本发明基于电力大数据，使用训练神经网络实现设备运行趋势主动监视和预警，实现从粗数据的被动监视向运行趋势的主动发现转变，建立以监控信息风险预警发布为指引的“监视-预控”、“监视-检修”的业务链路。
贝叶斯分类算法是统计学分类方法，它是一类利用概率统计知识进行分类的算法。在许多场合，朴素贝叶斯(Naï；ve Bayes，NB)分类算法可以与决策树和神经网络分类算法相媲美，该算法能运用到大型数据库中，且方法简单、分类准确率高、速度快。
发明内容
针对背景技术中的问题，本发明的目的在于提出基于贝叶斯分类的设备故障信号频发预测方法。本发明基于电网运行大数据，根据数据量等级，分为次优设备故障预测方法和最优故障预测方法。次优设备故障预测方法解决了数据量不足带来的预测困难的难题。最优故障预测方法综合多项电网运行因素，以较高的精确度预测电网设备故障信号发生情况。
为实现上述目的，本发明提出如下技术方案：
基于贝叶斯分类的设备故障信号频发预测方法，所述方法基于电网运行大数据，根据数据量等级分为次优设备故障预测方法和最优故障预测方法；
当数据量不足N年，其中N<4时，使用次优设备故障预测方法；
当数据量N较大，其中N≥4时，使用最优故障预测方法；
所述次优设备故障预测方法包括以下步骤：
(1-1)选择电网运行设备典型信号，并综合N年信号，其中N<4，根据N年信号预测N+1年的信号发生情况；
(1-2)计算某典型信号日告警数量占N年信号的置信度ρ；
(1-3)取置信度ρ＞ε的日期为典型信号的高频发日期，其中ε＞9％，视N+1年的m月d天的前后n天为典型信号的高频发日期，n越大典型信号发生的概率越小，由此预测N+1年典型信号的频发情况；
所述最优设备故障预测方法包括以下步骤：
(2-1)选择电网运行设备典型信号，计算y月d日的日告警数占该年设备典型信号日告警数的置信度ρ；
(2-2)处理线性数据，获取气象系统的线性数据，对线性数据进行分类；
(2-3)处理非线性数据，非线性数据用X1、X2、X3…表示；
(2-4)目前有N年的数据，其中N≥4，计算N年中各年a月b日信号频发的概率及信号不频发的概率；
(2-5)预测第N+1年a月b日典型告警信号频发情况。
进一步地，在所述步骤(1-1)中，所述综合N年信号方法如下：
将N年某月某日的某典型信号日告警数量累加，具体为：
其中，表示N年内典型告警信号在m月d天的日告警数的总和，表示yp年m月d日信号的日告警数量。
进一步地，在所述步骤(1-2)中，计算某典型信号日告警数量占N年信号的置信度ρ的公式为：
其中，表示最大值。
进一步地，在所述步骤(2-1)中，计算y月d日的日告警数占该年设备典型信号日告警数的置信度ρ的公式为：
其中，表示a月b日信号的日告警数量，表示当年日告警数量的最大值。
进一步地，在所述步骤(2-2)中，对线性数据进行分类的具体方法如下：
信号y类别1：y＜v1；
信号y类别2：v1≤y＜v2；
信号y类别n：vn-1≤y≤vn
对不同的线性数值取不同的n值及分类区间。
进一步地，在所述步骤(2-4)中，计算N年中各年a月b日信号频发的概率及信号不频发的概率的公式具体如下：
计算N年中各年a月b日信号频发时各线性数据出现的概率为：
计算N年中各年a月b日信号不频发时各线性数据出现的概率为：
计算N年中各年a月b日信号频发时各非线性数据出现的概率为：
计算N年中各年a月b日信号不频发时各非线性数据出现的概率为：
进一步地，在所述步骤(2-5)中，计算线性信号在N年的均值，作为N+1年a月b日的估计值，从而得到线性信号的分类区间；
非线性信号值可根据N+1年的具体情况得到；
计算N+1年a月b日典型告警信号是频发信号的概率的公式如下：
其中，表示信号频发的条件下，信号y1为类别i的条件概率，表示信号频发的条件下，X1是线性数据的条件概率；
计算出N+1年a月b日典型告警信号不是频发信号的概率：
其中，表示信号不频发的条件下，信号y1为类别i的条件概率，表示信号不频发的条件下，X1是线性数据的条件概率；
若则预测N+1年a月b日典型告警信号频发；
否则预测N+1年a月b日典型告警信号不频发。
本发明的有益效果在于：
本发明基于电网运行大数据，根据数据量等级，分为次优设备故障预测方法和最优故障预测方法。本发明的有益效果在于：(1)当数据量不足时，即数据量不足N年(N<4)，使用次优设备故障预测方法。此方法解决了数据量不足带来的预测困难的难题，以较低的复杂度实现设备故障的粗预测，对电网运行有现实意义。(2)当数据量N较大，即N≥4时，使用最优故障预测方法，使用贝叶斯分类算法，实现对电网设备告警的预测。此方法综合多项电网运行因素，以较高的精确度预测电网设备故障信号发生情况，同时此方法采用改造的神经网络算法，以较低的复杂度实现对电网设备故障的预测，从而转变目前对设备的被动监控局面。
具体实施方式
下面结合具体实施例进一步阐明本发明，而这些实施例仅用于解释说明本发明，而不用于限制本发明的保护范围，本发明的保护范围仍以权利要求为准，本领域技术人员对本发明的各种等同形式的修改均属于本发明的保护范围。
基于贝叶斯分类的设备故障预测方法，所述方法包括次优设备故障预测方法和最有故障预测方法。所述次优设备故障预测方法包括以下步骤：
(1-1)选择电网运行设备典型信号，并综合N年(N<4)信号，根据N年信号预测N+1年的信号发生情况。综合信号方法如下，将N年某月某日的某典型信号日告警数量累加，具体如下：
其中，表示N年内典型告警信号在m月d天的日告警数的总和，表示年m月d日信号的日告警数量。
(1-2)计算某典型信号日告警数量占N年信号的置信度ρ：
其中，表示最大值。
(1-3)取置信度ρ＞ε(其中ε＞9％)的日期为典型信号的高频发日期，可视N+1年的m月d天的前后n天为典型信号的高频发日期，n越大典型信号发生的概率越小。由此可预测N+1年典型信号的频发情况。
所述最优设备故障预测方法包括以下步骤：
(2-1)选择电网运行设备典型信号，计算y月d日的日告警数占该年设备典型信号日告警数的置信度ρ：
其中，表示a月b日信号的日告警数量，表示当年日告警数量的最大值。
(2-2)处理线性数据，获取气象系统等系统的线性数据，如设备所在地的温度、湿度以等数据，对线性数据进行分类，方法如下：
信号y类别1：y＜v1；
信号y类别2：v1≤y＜v2；
信号y类别n：vn-1≤y＜vn
对不同的线性数值去取不同的n值及分类区间。
(2-3)处理非线性数据，如是否为周末，是否为迎峰度夏/冬期，是否为法定节假日等。非线性数据用X1、X2、X3…表示。
(2-4)目前有N年(N≥4)的数据，计算N年中各年a月b日信号频发的概率及信号不频发的概率：
计算N年中各年a月b日信号频发时各线性数据出现的概率即：
计算N年中各年a月b日信号不频发时各线性数据出现的概率为：
计算N年中各年a月b日信号频发时各非线性数据出现的概率即：
计算N年中各年a月b日信号不频发时各非线性数据出现的概率即：
(2-5)的预测第N+1年a月b日典型告警信号频发情况，N越大预测准确性越高。计算线性信号在N年的均值，作为N+1年a月b日的估计值，从而得到线性信号的分类区间。非线性信号值可根据N+1年的具体情况得到。根据步骤(2-4)的计算，计算出N+1年a月b日典型告警信号是频发信号的概率：
其中，表示信号频发的条件下，信号y1为类别i的条件概率，表示信号频发的条件下，X1是线性数据的条件概率。
计算出N+1年a月b日典型告警信号不是频发信号的概率：
其中，表示信号不频发的条件下，信号y1为类别i的条件概率，表示信号不频发的条件下，X1是线性数据的条件概率；
若则预测N+1年a月b日典型告警信号频发；否则预测N+1年a月b日典型告警信号不频发。
实施例1：
现以2015年6月1日及2016年6月1日SF6气压低告警信号为例，使用次优设备故障预测方法，来预测2017年6月1日SF6气压低告警信号频发情况。
2015年6月1日及2016年6月1日SF6气压低告警信号全网日告警数量为21次，2016年6月1日及2016年6月1日SF6气压低告警信号全网日告警数量为42次，则
经统计，
计算置信度取n＝3，则预测2017年5月29-2017年6月4日为SF6气压低告警频发日期。
实施例2：
现以2012年、2013年、2014年、2015年、2016年6月1日SF6气压低告警信号为例，使用最优预测方法，预测2017年6月1日SF6气压低告警信号频发情况。线性信号为温度、湿度，非线性信号为是否为周末、是否为迎风度夏/冬期。
温度信号类别1：[-20℃,0℃)；
温度信号类别2：[0℃,30℃)；
温度信号类别3：[30℃,45℃]。
湿度信号类别1：[0％RH,30％RH)；
湿度信号类别2：[30％RH,80％RH)；
湿度信号类别3：[80％RH,100％RH]。
2012年6月1日SF6气压低告警信号日告警信号量为2012年日告警信号量最大值为置信度为ρ＝20/356＝5.6％，为不频发信号。温度＝25℃，温度信号类别2。湿度＝33％RH，湿度信号类别2。不为周末。为迎风度夏期。
2013年6月1日SF6气压低告警信号日告警信号量为2013年日告警信号量最大值为置信度为ρ＝76/278＝27.3％，为频发信号。温度＝28℃，温度信号类别2。湿度＝52％RH，湿度信号类别2。为周末。为迎风度夏期。
2014年6月1日SF6气压低告警信号日告警信号量为2014年日告警信号量最大值为置信度为ρ＝36/218＝16.5％，为频发信号。温度＝31℃，温度信号类别3。湿度＝57％RH，湿度信号类别2。为周末。不为迎风度夏期。
2015年6月1日SF6气压低告警信号日告警信号量为2015年日告警信号量最大值为置信度为ρ＝123/218＝56.9％，为频发信号。温度＝19℃，温度信号类别2。湿度＝57％RH，湿度信号类别2。不为周末。不为迎风度夏期。
2016年6月1日SF6气压低告警信号日告警信号量为2016年日告警信号量最大值为置信度为ρ＝79/298＝26.5％，为频发信号。温度＝23℃，温度信号类别2。湿度＝89％RH，湿度信号类别3。不为周末。为迎风度夏期。
综上，计算5年内SF6气压低告警信号为频发的概率：
P(SF6气压低告警频发)＝80％
5年内SF6气压低告警信号为不频发的概率：
P(SF6气压低告警频发)＝20％
计算信号频发且温度信号类别1的概率：
P(温度信号类别1/SF6气压低告警频发)＝0％
计算信号频发且温度信号类别2的概率：
P(温度信号类别2/SF6气压低告警频发)＝3/4＝75％
计算信号频发且温度信号类别3的概率：
P(温度信号类别3/SF6气压低告警频发)＝1/4＝25％
计算信号频发且湿度信号类别1的概率：
P(湿度信号类别1/SF6气压低告警频发)＝0％
计算信号频发且湿度信号类别2的概率：
P(湿度信号类别2/SF6气压低告警频发)＝3/4＝75％
计算信号频发且湿度信号类别3的概率：
P(湿度信号类别3/SF6气压低告警频发)＝1/4＝25％
计算信号频发且为周末的概率：
P(为周末/SF6气压低告警频发)＝2/4＝50％
计算信号频发且不为周末的概率：
P(不为周末/SF6气压低告警频发)＝2/4＝50％
计算信号频发且为迎风度夏期的概率：
P(为度夏期/SF6气压低告警频发)＝2/4＝50％
计算信号频发且不为迎风度夏期的概率：
P(不为度夏期/SF6气压低告警频发)＝2/4＝50％
计算信号不频发且温度信号类别1的概率：
P(温度信号类别1/SF6气压低告警频发)＝0％
计算信号不频发且温度信号类别2的概率：
P(温度信号类别2/SF6气压低告警频发)＝100％
计算信号不频发且温度信号类别3的概率：
P(温度信号类别3/SF6气压低告警频发)＝0％
计算信号不频发且湿度信号类别1的概率：
P(湿度信号类别1/SF6气压低告警频发)＝0％
计算信号不频发且湿度信号类别2的概率：
P(湿度信号类别2/SF6气压低告警频发)＝100％
计算信号不频发且湿度信号类别3的概率：
P(湿度信号类别3/SF6气压低告警频发)＝0％
计算信号不频发且为周末的概率：
P(为周末/SF6气压低告警频发)＝0％
计算信号不频发且不为周末的概率：
P(为周末/SF6气压低告警频发)＝100％
计算信号不频发且为迎风度夏期的概率：
P(为度夏期/SF6气压低告警频发)＝100％
计算信号不频发且不为迎风度夏期的概率：
P(为度夏期/SF6气压低告警频发)＝0％
计算5年的6月1日的平均温度和湿度，平均温度＝25.2，温度信号类别2，平均湿度＝57.6％RH，湿度信号类别2，不为周末，为迎风度夏期。
计算2017年6月1日SF6气压低告警频发的概率：
P(2017年6月1日SF6气压低告警为频发日期)＝80％*75％*75％*50％*50％＝0.1125
P(2017年6月1日SF6气压低告警不为频发日期)＝20％*0＝0
则
P(2017年6月1日SF6气压低告警为频发日期)＞
P(2017年6月1日SF6气压低告警不为频发日期)
即可预测2017年6月1日为SF6气压低告警频发日。
Claims (7)
1.基于贝叶斯分类的设备故障信号频发预测方法，其特征在于：所述方法基于电网运行大数据，根据数据量等级分为次优设备故障预测方法和最优故障预测方法；
当数据量不足N年，其中N<4时，使用次优设备故障预测方法；
当数据量N较大，其中N≥4时，使用最优故障预测方法；
所述次优设备故障预测方法包括以下步骤：
(1-1)选择电网运行设备典型信号，并综合N年信号，其中N<4，根据N年信号预测N+1年的信号发生情况；
(1-2)计算某典型信号日告警数量占N年信号的置信度ρ；
(1-3)取置信度ρ＞ε的日期为典型信号的高频发日期，其中ε＞9％，视N+1年的m月d天的前后n天为典型信号的高频发日期，n越大典型信号发生的概率越小，由此预测N+1年典型信号的频发情况；
所述最优设备故障预测方法包括以下步骤：
(2-1)选择电网运行设备典型信号，计算y月d日的日告警数占该年设备典型信号日告警数的置信度ρ；
(2-2)处理线性数据，获取气象系统的线性数据，对线性数据进行分类；
(2-3)处理非线性数据，非线性数据用X1、X2、X3…表示；
(2-4)目前有N年的数据，其中N≥4，计算N年中各年a月b日信号频发的概率及信号不频发的概率；
(2-5)预测第N+1年a月b日典型告警信号频发情况。
2.根据权利要求1所述的基于贝叶斯分类的设备故障信号频发预测方法，其特征在于：在所述步骤(1-1)中，所述综合N年信号方法如下：
将N年某月某日的某典型信号日告警数量累加，具体为：
其中，表示N年内典型告警信号在m月d天的日告警数的总和，表示yp年m月d日信号的日告警数量。
3.根据权利要求1所述的基于贝叶斯分类的设备故障信号频发预测方法，其特征在于：在所述步骤(1-2)中，计算某典型信号日告警数量占N年信号的置信度ρ的公式为：
其中，表示最大值。
4.根据权利要求1所述的基于贝叶斯分类的设备故障信号频发预测方法，其特征在于：在所述步骤(2-1)中，计算y月d日的日告警数占该年设备典型信号日告警数的置信度ρ的公式为：
其中，表示a月b日信号的日告警数量，表示当年日告警数量的最大值。
5.根据权利要求1所述的基于贝叶斯分类的设备故障信号频发预测方法，其特征在于：在所述步骤(2-2)中，对线性数据进行分类的具体方法如下：
信号y类别1：y＜v1；
信号y类别2：v1≤y＜v2；
信号y类别n：vn-1≤y＜vn
对不同的线性数值取不同的n值及分类区间。
6.根据权利要求1所述的基于贝叶斯分类的设备故障信号频发预测方法，其特征在于：在所述步骤(2-4)中，计算N年中各年a月b日信号频发的概率及信号不频发的概率的公式具体如下：
计算N年中各年a月b日信号频发时各线性数据出现的概率为：
计算N年中各年a月b日信号不频发时各线性数据出现的概率为：
计算N年中各年a月b日信号频发时各非线性数据出现的概率为：
计算N年中各年a月b日信号不频发时各非线性数据出现的概率为：
7.根据权利要求1所述的基于贝叶斯分类的设备故障信号频发预测方法，其特征在于：在所述步骤(2-5)中，计算线性信号在N年的均值，作为N+1年a月b日的估计值，从而得到线性信号的分类区间；
非线性信号值可根据N+1年的具体情况得到；
计算N+1年a月b日典型告警信号是频发信号的概率的公式如下：
其中，表示信号频发的条件下，信号y1为类别i的条件概率，表示信号频发的条件下，X1是线性数据的条件概率；
计算出N+1年a月b日典型告警信号不是频发信号的概率：
其中，表示信号不频发的条件下，信号y1为类别i的条件概率，表示信号不频发的条件下，X1是线性数据的条件概率；
若则预测N+1年a月b日典型告警信号频发；
否则预测N+1年a月b日典型告警信号不频发。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810567469.1A CN109032107B (zh) | 2018-06-05 | 2018-06-05 | 基于贝叶斯分类的设备故障信号频发预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810567469.1A CN109032107B (zh) | 2018-06-05 | 2018-06-05 | 基于贝叶斯分类的设备故障信号频发预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109032107A true CN109032107A (zh) | 2018-12-18 |
| CN109032107B CN109032107B (zh) | 2021-07-20 |
Family
ID=64612174
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810567469.1A Active CN109032107B (zh) | 2018-06-05 | 2018-06-05 | 基于贝叶斯分类的设备故障信号频发预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109032107B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060148506A1 (en) * | 2004-12-31 | 2006-07-06 | Broadcom Corporation | Adaptive detector for multiple-data-path systems |
| US20080294578A1 (en) * | 2007-05-24 | 2008-11-27 | Palo Alto Research Center Incorporated | Diagnosing intermittent faults |
| CN101866444A (zh) * | 2008-10-21 | 2010-10-20 | 埃森哲环球服务有限公司 | 数字营销优化 |
| US20110119212A1 (en) * | 2008-02-20 | 2011-05-19 | Hubert De Bruin | Expert system for determining patient treatment response |
| CN104751182A (zh) * | 2015-04-02 | 2015-07-01 | 中国人民解放军空军工程大学 | 基于ddag的svm多类分类主动学习算法 |
| CN105700518A (zh) * | 2016-03-10 | 2016-06-22 | 华中科技大学 | 一种工业过程故障诊断方法 |
| CN106054858A (zh) * | 2016-05-27 | 2016-10-26 | 大连楼兰科技股份有限公司 | 基于决策树分类和故障码分类的车辆远程诊断与备件检索的方法 |
| CN106843195A (zh) * | 2017-01-25 | 2017-06-13 | 浙江大学 | 基于自适应集成半监督费舍尔判别的故障分类方法 |
| CN107884663A (zh) * | 2017-10-27 | 2018-04-06 | 国网天津市电力公司电力科学研究院 | 一种基于组合核相关向量机的变压器故障诊断方法 |
| CN108051660A (zh) * | 2017-10-31 | 2018-05-18 | 华北电力大学（保定） | 一种变压器故障组合诊断模型建立方法及诊断方法 |
| US20180149014A1 (en) * | 2016-11-30 | 2018-05-31 | Francis Chad Hanak | Process to analyze mwd surveys from different bha runs in the same wellbore |
-
2018
- 2018-06-05 CN CN201810567469.1A patent/CN109032107B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060148506A1 (en) * | 2004-12-31 | 2006-07-06 | Broadcom Corporation | Adaptive detector for multiple-data-path systems |
| US20080294578A1 (en) * | 2007-05-24 | 2008-11-27 | Palo Alto Research Center Incorporated | Diagnosing intermittent faults |
| US20110119212A1 (en) * | 2008-02-20 | 2011-05-19 | Hubert De Bruin | Expert system for determining patient treatment response |
| CN101866444A (zh) * | 2008-10-21 | 2010-10-20 | 埃森哲环球服务有限公司 | 数字营销优化 |
| CN104751182A (zh) * | 2015-04-02 | 2015-07-01 | 中国人民解放军空军工程大学 | 基于ddag的svm多类分类主动学习算法 |
| CN105700518A (zh) * | 2016-03-10 | 2016-06-22 | 华中科技大学 | 一种工业过程故障诊断方法 |
| CN106054858A (zh) * | 2016-05-27 | 2016-10-26 | 大连楼兰科技股份有限公司 | 基于决策树分类和故障码分类的车辆远程诊断与备件检索的方法 |
| US20180149014A1 (en) * | 2016-11-30 | 2018-05-31 | Francis Chad Hanak | Process to analyze mwd surveys from different bha runs in the same wellbore |
| CN106843195A (zh) * | 2017-01-25 | 2017-06-13 | 浙江大学 | 基于自适应集成半监督费舍尔判别的故障分类方法 |
| CN107884663A (zh) * | 2017-10-27 | 2018-04-06 | 国网天津市电力公司电力科学研究院 | 一种基于组合核相关向量机的变压器故障诊断方法 |
| CN108051660A (zh) * | 2017-10-31 | 2018-05-18 | 华北电力大学（保定） | 一种变压器故障组合诊断模型建立方法及诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 何永强等: "基于贝叶斯和层次模型的传感器网络节点 故障预测研究", 《河南工程学院学报(自然科学版)》 * |
| 杨程: "基于贝叶斯网络的过程报警事件预测方法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109032107B (zh) | 2021-07-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112365100B (zh) | 基于灾害风险综合评估的电网灾害预警及应对方法 | |
| CN110763929A (zh) | 一种换流站设备智能监测预警系统及方法 | |
| CN111488896B (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
| CN107453485B (zh) | 一种调度运行信息巡检方法及系统 | |
| CN107147213B (zh) | 电网频发监控信息智能告警及综合分析治理方法 | |
| CN111259334A (zh) | 一种工业企业大用户用水异常监测预警方法 | |
| CN110954782B (zh) | 基于密度峰值聚类的配网瞬时性故障识别方法及系统 | |
| CN117332215B (zh) | 一种高低压配电柜异常故障信息远程监测系统 | |
| CN115314406A (zh) | 一种基于图像分析的输电线路的智能缺陷检测方法 | |
| CN116993329A (zh) | 一种基于数据分析的通讯设备运行维修决策管理系统 | |
| CN117014646A (zh) | 一种基于人工智能的车载视频传输监管系统 | |
| CN109032107B (zh) | 基于贝叶斯分类的设备故障信号频发预测方法 | |
| CN116736134B (zh) | 一种实时性储能电池数据监测方法及装置 | |
| CN110348517B (zh) | 一种基于大数据的清洁能源供暖系统报警分类预测方法 | |
| CN116131755B (zh) | 一种太阳能发电设备智能控制系统及方法 | |
| CN113864664B (zh) | 一种基于流量分布概率计算的管网漏损预警方法及系统 | |
| CN115508653A (zh) | 一种输变电避雷器状态在线监测系统 | |
| CN112561230B (zh) | 基于电气特征的环保设备状态监测方法 | |
| CN115619098A (zh) | 一种基于分级监控预警的智能电力物资数据处理方法 | |
| CN112949515B (zh) | 一种基于监控信息的线路山火预警方法及系统 | |
| CN111313355B (zh) | 一种人工监督下的监控信号事件规则更新的方法 | |
| CN113128756A (zh) | 一种水电气热系统用户行为分析算法 | |
| CN117332857B (zh) | 一种基于多源数据的电网数据自动化管理系统及方法 | |
| CN117009105B (zh) | 一种基于storm流式计算的地铁车载设备状态实时预报警的方法 | |
| CN117474345B (zh) | 一种智慧环境环保远程实时监测预警方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |