CN109034470A - 一种电力通信现场运维故障预测方法 - Google Patents
一种电力通信现场运维故障预测方法 Download PDFInfo
- Publication number
- CN109034470A CN109034470A CN201810807522.0A CN201810807522A CN109034470A CN 109034470 A CN109034470 A CN 109034470A CN 201810807522 A CN201810807522 A CN 201810807522A CN 109034470 A CN109034470 A CN 109034470A
- Authority
- CN
- China
- Prior art keywords
- live
- real time
- time data
- fault
- detector
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000011159 matrix material Substances 0.000 claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 28
- 230000008030 elimination Effects 0.000 claims abstract description 20
- 238000003379 elimination reaction Methods 0.000 claims abstract description 20
- 230000007257 malfunction Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000003066 decision tree Methods 0.000 claims description 45
- 238000001338 self-assembly Methods 0.000 claims description 34
- 238000001514 detection method Methods 0.000 claims description 25
- 230000003287 optical effect Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 239000000203 mixture Substances 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 15
- 239000013598 vector Substances 0.000 description 11
- 230000007547 defect Effects 0.000 description 9
- 230000006378 damage Effects 0.000 description 8
- 238000007689 inspection Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 230000007797 corrosion Effects 0.000 description 5
- 238000005260 corrosion Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000009413 insulation Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013524 data verification Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000005276 aerator Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 210000000987 immune system Anatomy 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000005476 soldering Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000003612 virological 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
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- G06Q50/40—
Abstract
本发明实施例提供一种电力通信现场运维故障预测方法，包括：基于现场运维实时数据和预设的检测器集合，通过基于矩阵形式的否定选择算法，判断现场运维实时数据是否存在异常；若现场运维实时数据存在异常，则将现场运维实时数据输入至故障预测模型，输出故障预测结果，并基于故障预测结果进行故障排查；其中，检测器集合为基于现场运维正常样本数据，通过基于矩阵形式的否定选择算法选取的若干个检测器构成的集合；故障预测模型为基于现场运维故障样本数据以及现场运维故障样本数据的故障类型训练得到的。本发明实施例提供的方法，解决了现有算法需要处理的数据量大的问题，降低了对控制器的性能要求，提高了预测效率和预测精度。
Description
技术领域
本发明实施例涉及电力通信网现场运维技术领域，尤其涉及一种电力通信现场运维故障预测方法。
背景技术
电力通信现场运维包括巡视、检修、施工、验收等作业内容，是获取通信线路和通信设备运行状态和各项技术性能指标等信息最直接的途径。其中，故障的感知和预测，对于保障电力通信设备的健康运行，消除安全隐患，至关重要。
而原有的“分散式维护”方式，完全依赖于维护人员人工巡视，无法在第一时间实现100％的故障发现率。随着电力通信网的技术水平提高，智能运维平台进行预警信息处理后，能够保证在最短时间内收集到运维现场的与故障相关的重要信号，对智能分析和故障预测有辅助作用，提高异常事故处理的快速性、准确性和高效性。现有的故障预测主要依靠智能算法，通过对历史数据进行学习找到故障发生规律，摆脱对专家知识和经验的依赖，预测更加客观合理。
然而，由于电力通信现场运维涉及的通信设备和线路种类繁多、连接关系复杂，现有的用于故障预测的智能算法需要处理的数据量极大，预测效率低下，且容易产生误报警。
发明内容
本发明实施例提供一种电力通信现场运维故障预测方法，用以解决现有的用于故障预测的智能算法需要处理的数据量极大，预测效率低下，且容易产生误报警的问题。
一方面，本发明实施例提供一种电力通信现场运维故障预测方法，包括：
基于现场运维实时数据和预设的检测器集合，通过基于矩阵形式的否定选择算法，判断现场运维实时数据是否存在异常；
若现场运维实时数据存在异常，则将现场运维实时数据输入至故障预测模型，输出故障预测结果，并基于故障预测结果进行故障排查；
其中，检测器集合为基于现场运维正常样本数据，通过基于矩阵形式的否定选择算法选取的若干个检测器构成的集合；故障预测模型为基于现场运维故障样本数据以及现场运维故障样本数据的故障类型训练得到的。
另一方面，本发明实施例提供一种电力通信现场运维故障预测装置，包括：
异常检测单元，用于基于现场运维实时数据和预设的检测器集合，通过基于矩阵形式的否定选择算法，判断现场运维实时数据是否存在异常；
故障预测单元，用于若现场运维实时数据存在异常，则将现场运维实时数据输入至故障预测模型，输出故障预测结果，并基于故障预测结果进行故障排查；
其中，检测器集合为基于现场运维正常样本数据，通过基于矩阵形式的否定选择算法选取的若干个检测器构成的集合；故障预测模型为基于现场运维故障样本数据以及现场运维故障样本数据的故障类型训练得到的。
又一方面，本发明实施例提供一种电力通信现场运维故障预测设备，包括处理器、通信接口、存储器和总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信，处理器可以调用存储器中的逻辑指令，以执行如前所述的电力通信网现场运维故障预测方法。
再一方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如前所述的电力通信网现场运维故障预测方法。
本发明实施例提供的一种电力通信现场运维故障预测方法，通过基于矩阵形式的否定选择算法，判断现场运维实时数据是否存在异常，进而通过故障预测模型实现故障预测，解决了现有的用于故障预测的智能算法需要处理的数据量大的问题，降低了对控制器的性能要求，提高了预测效率和预测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种电力通信现场运维故障预测方法的流程示意图；
图2为本发明实施例的一种故障预测模型的结构示意图；
图3为本发明实施例的一种现场运维正常样本数据与自我集合的对应关系示意图；
图4为本发明实施例的一种电力通信现场运维故障预测方法的流程示意图；
图5为本发明实施例的通过动态阈值否定选择算法生成的检测器中不同阈值的检测器的占比示意图；
图6为本发明实施例的不同阈值下否定选择算法中异常数据的检测率示意图；
图7为本发明实施例的一种电力通信现场运维故障预测装置的结构示意图；
图8为本发明实施例的一种电力通信现场运维故障预测设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了解决现有的用于故障预测的智能算法需要处理的数据量极大，预测效率低下，且容易产生误报警的问题，本发明实施例提出了一种电力通信现场运维故障预测方法。图1为本发明实施例的一种电力通信现场运维故障预测方法的流程示意图，如图1所示，方法包括：
101，基于现场运维实时数据和预设的检测器集合，通过基于矩阵形式的否定选择算法，判断现场运维实时数据是否存在异常。
其中，否定选择算法是根据生物免疫系统中否定选择原理提出的人工免疫算法，该算法适合于小样本检测，不需要先验知识，且具有很强的鲁棒性和并行性等优点，因而在模式识别、病毒检测、网络入侵检测、异常检测等工程领域得到了广泛的应用。基于矩阵形式的否定选择算法，将否定选择算法中的状态空间从向量扩展到矩阵，以更好的包含样本集元素内在的特征，更有利于对自我和非我的划分。此处，检测器集合为基于现场运维正常样本数据，通过基于矩阵形式的否定选择算法选取的若干个检测器构成的集合。
在判断现场运维实时数据是否存在异常时，通过基于矩阵形式的否定选择算法判断现场运维实时数据与预设的检测器集合中的任一检测器是否匹配，进而得到现场运维实时数据是否存在异常的结论。
102，若现场运维实时数据存在异常，则将现场运维实时数据输入至故障预测模型，输出故障预测结果，并基于故障预测结果进行故障排查；
其中，故障预测模型为基于现场运维故障样本数据以及现场运维故障样本数据的故障类型训练得到的。
此外，在执行上述过程之前，还可预先训练得到故障预测模型，具体可通过如下方式训练得到故障预测模型：首先，收集大量现场运维故障样本数据，以及预先通过判断得到的现场运维故障样本数据的故障类型；其中，现场运维故障样本数据是在电力通信现场存在故障的情况下获取的运维数据。基于现场运维故障样本数据以及所述现场运维故障样本数据的故障类型对初始模型进行训练，从而得到故障预测模型。其中，初始模型可以是单一神经网络模型，也可以是多个神经网络模型的组合，本发明实施例不对初始模型的类型和结构作具体限定。
本发明实施例中，通过基于矩阵形式的否定选择算法，判断现场运维实时数据是否存在异常，进而通过故障预测模型实现故障预测，解决了现有的用于故障预测的智能算法需要处理的数据量大的问题，降低了对控制器的性能要求，提高了预测效率和预测精度。
基于上述实施例，一种电力通信现场运维故障预测方法，101，基于现场运维实时数据和预设的检测器集合，通过基于矩阵形式的否定选择算法，判断现场运维实时数据是否存在异常，具体包括：
1011，将现场运维实时数据编码为待检测集合。
具体地，将现场运维舒适数据根据预先设置的编码规则编码为待检测集合，待检测集合中的每一元素对应的矩阵大小与检测器集合中任一检测器的矩阵大小一致。此处，预先设置的编码规则同样可用于对检测器集合的获取过程中，现场运维正常样本数据进行编码。
1012，若待检测集合中任一元素与检测器集合中任一检测器之间的距离小于异常匹配阈值，则确认现场运维实时数据存在异常；否则，确认现场运维实时数据不存在异常。
以待检测集合UD中的元素UDi与检测器集合D中的检测器Di之间的距离计算为例，定义待检测集合UD中的元素UDi第k个行向量与检测器集合D中的检测器Di第k个行向量之间的距离dk(UDi,Di)为：
待检测集合UD中的元素UDi与检测器集合D中的检测器Di之间的距离定义为行向量距离所构成的向量的2范数，表示为：
d(UDi,Di)＝||dk(UDi,Di)||2。
基于上述任一实施例，图2为本发明实施例的一种故障预测模型的结构示意图，如图2所示，一种电力通信现场运维故障预测方法，故障预测模型为决策树组合分类器，决策树组合分类器包括若干个决策树分类器和组合器。
其中，决策树分类器是一个预测模型，代表对象属性与对象值之间一种映射关系，它是一种树状结构，决策树节点对应于待分类对象的某个属性，在该属性上的不同测试结果对应一个分支。每个叶子节点存放某个类型标号值，表示一种可能的分类结果。本发明实施例中，每一决策树分类器均是一个能够基于输入的现场运维实时数据输出分类结果的故障预测模型，此处的分类结果即该决策树分类器针对输入的现场运维实时数据得出的电力通信现场可能存在的故障类型。
对于相同的样本数据集而言，单个分类器的分类准确率和泛化能力往往低于组合分类器。因此，本发明实施例采用基于决策树分类器的组合分类器，在若干个决策树分类器的基础上加入组合器，以提高预测的准确率。需要说明的是，本发明实施例不对决策树分类器的数量作具体限定。
对应地，102，若现场运维实时数据存在异常，则将现场运维实时数据输入至故障预测模型，输出故障预测结果，并基于故障预测结果进行故障排查，具体包括：
1021，若现场运维实时数据存在异常，则将现场运维实时数据分别输入至故障预测模型的每一决策树分类器，得到每一决策树分类器输出的分类结果。
1022，将每一决策树分类器输出的分类结果输入至故障预测模型的组合器，输出故障预测结果，并基于故障预测结果进行故障排查。
设决策树组合分类器有n个决策树分类器，每个决策树分类器的预测误差为δ，整体预测误差为δn。采用多数表决方法对每一决策树分类器输出的分类结果进行，则决策树组合分类器的误差为：
其中，当n为偶数时，当n为基数时，
本发明实施例中，应用决策树组合分类器进行故障预测，有助于整体故障预测准确率的提高。
基于上述任一实施例，一种电力通信现场运维故障预测方法，基于现场运维实时数据和预设的检测器集合，通过基于矩阵形式的否定选择算法，判断现场运维实时数据是否存在异常，之前还包括：
1001，将现场运维正常样本数据编码为自我集合：
假设现场运维正常样本数据包括m个模块的样本数据，每一模块取y个与故障相关性最大的特征量，形成自我集合元素时，取连续的n个特征量组成自我集合元素的矩阵。即自我集合S＝{S1,S2,…,Sq,}为一个m×y的矩阵，自我集合中的元素Si为一个m×n的矩阵，自我集合由q＝y-n+1个元素构成。自我集合中的元素Si如下：
例如，取6个模块，每个模块取10个与故障相关性最大的特征量，形成自我集合元素时，取连续的4个特征量组成自我集合元素的矩阵。图3为本发明实施例的一种现场运维正常样本数据与自我集合的对应关系示意图。
1002，通过基于覆盖检验的检测器生成算法生成检测器。
此处，基于覆盖检验的检测器生成算法是指，在取样的总次数NR、所要求的覆盖比例p和显著性水平α确定的情况下，用NT记录在NR取样过程中，样本被检测器集合覆盖发生的次数，如果
则接受检测集合对非我空间的覆盖比例达到p的假设，反之，则扩充检测器集合。若自我集合元素个数为p，最后产生的检测器数量为Nf，则基于覆盖检验的检测出生成算法的时间复杂度为O(Nfp)。
1003，分别计算检测器与自我集合中的每一元素之间的距离。
此处，以计算检测器Di与自我集合中的元素Si之间的距离为例，定义自我集合元素Si第k个行向量与检测器集合D中的检测器Di第k个行向量之间的距离dk(Si,Di)为：
自我集合元素Si与检测器集合D中的检测器Di之间的距离定义为行向量距离所构成的向量的2范数，表示为：
d(Si,Di)＝||dk(Si,Di)||2。
1004，若检测器与自我集合中的每一元素之间的距离均小于等于检测匹配阈值，则将检测器加入检测器集合。
在否定选择算法中，无论采用何种匹配规则，都会有“孔洞”存在，“孔洞”中的非我元素无法产生相应的检测器来检测，在状态空间中，自我元素集合和非我元素集合的界面往往不是规则的，而匹配阈值是固定的，因此有一些非我元素不能被任何检测器检测到。“孔洞”的存在取决于状态集合的结构和匹配规则，自我状态越相似，“孔洞”数量越少，同一种匹配规则，匹配阈值越大，“孔洞”越小。针对上述情况，本发明实施例设置检测匹配阈值的变化范围，使得检测匹配阈值可变。检测匹配阈值为预设匹配阈值集合中的阈值，预设匹配阈值集合中的阈值按照从小到大的顺序排列。
例如，预设匹配阈值的变化范围为[rL,rH]，预设匹配阈值集合中，最小阈值为rL，最大阈值为rH，其余阈值从最小阈值rL到最大阈值rH阶跃变化，阶跃系数θ可调，阈值r与阶跃系数θ满足如下关系：
rL<r1<…<ri<ri+1<…<rH；
ri+1＝ri+(rH-rL)×θ；
其中，0<θ<1。
针对通过基于覆盖检验的检测器生成算法生成的检测器，初始预设检测匹配阈值为rL，若检测器与自我集合中的每一元素之间的距离均小于等于rL，则确认检测器不与自我集合中的任何元素匹配，将检测器加入检测器集合。
若检测器与自我集合中的任一元素之间的距离大于rL，即检测器与该元素匹配，则选取rL的下一位阈值作为检测匹配阈值，重新进行匹配。若检测器与自我集合中的任一元素之间的距离小于等于更新后的检测匹配阈值，则将检测器加入检测器集合，否则将检测匹配阈值更新为下一位阈值，重新进行匹配。
若检测匹配阈值为所述预设匹配阈值集合中的最大阈值rH，且检测器与自我集合中的任一元素之间的距离大于rH，则删除该检测器。
本发明实施例中，应用可变阈值的否定选择算法生成检测器集合，有理由异常检测效率和准确率的提高。
基于上述任一实施例，一种电力通信现场运维故障预测方法，现场运维实时数据包括通信电缆线路模块、通信光缆线路模块、通信光传输设备模块、通信微波设备模块、通信载波设备模块和通信电源设备模块中的至少一种。
其中，通信电缆线路模块包括绝缘电阻值、电缆弯曲度、保护层缺陷、接头封焊处缺陷、电缆转弯处缺陷、电缆与建筑物接近处缺陷、电缆易触碰处缺陷、电缆压偏处缺陷、电缆分支处缺陷、屏蔽线和接地线接触缺陷中的至少一种特征量。
通信光缆线路模块包括光缆损耗，余缆盘松动、锈蚀、密封性，光缆表面损伤、变形、附着物，光缆杆路破损，吊线松动，对地最小高度，光缆与障碍物最小净距，光缆与跨越物距离，外物对光缆的挤压，以及光缆接续盒腐蚀、损坏和变形中的至少一种特征量。
通信光传输设备模块包括告警信息数量、线缆绝缘层损伤、输出光功率、接收灵敏度、板卡温度、滤网清洁程度、线缆连接关系、光接口测试、板盘倒换测试和通道保护倒换测试中的至少一种特征量。
通信微波设备模块包括告警信息数量，线缆绝缘层损伤，收发信机运行状态，复接设备运行状态，终端设备运行状态，波导充气机运行状态，馈线防水、紧固、锈蚀、接地，天线防水、紧固、锈蚀、罩布破损，铁塔锈蚀、紧固，以及微波塔航标灯状态中的至少一种特征量。
通信载波设备模块包括告警信息数量，线缆绝缘层损伤，结合滤波器密封、受潮、锈蚀，高频电缆连接、损伤，连接线有无浸水、锈蚀，高频电缆焊接点有无脱落，线缆连接关系，话路业务测试，自动化业务测试，以及继电保护业务测试中的至少一种特征量。
通信电源设备模块包括历史告警信息、面板表记显示值、整流设备输出电流、整流设备负载电流、蓄电池浮充电流、系统输出电压、系统温度、线缆绝缘层损伤、蓄电池连接件是否腐蚀和蓄电池有无酸雾溢出中的至少一种特征量。
在获取现场运维实时数据之前，首先需要从上述各模块中根据应用场合和预测需求选取具体特征量。本发明实施例不对现场运维实时数据包括的模块种类和每一模块中特征量的数量作具体限定。
每一模块包括的数据均为该设备对应的特征量，特征量的取值在一定的范围内动态变化，如果超过正常阈值则对应的模块可能发生故障。故障特征量可以分为两种，对于电缆电阻值和光缆损耗等可以直接测量的特征量，记录正确的测量值；对于保护层缺陷和表面损伤等不能直接测量的特征值，由运维工作人员评价缺陷和损坏程度，例如将范围设定为0-10，0表示无损坏，10表示损坏程度最大。实时监测各模块的特征量，并通过智能算法分析判断，可以提高故障预测的准确率。
基于上述任一实施例，一种电力通信现场运维故障预测方法，将每一决策树分类器输出的分类结果输入至故障预测模型的组合器，输出故障预测结果，并基于故障预测结果进行故障排查，具体包括：将每一决策树分类器输出的分类结果输入至故障预测模型的组合器，基于多数表决算法输出故障预测结果，并基于故障预测结果进行故障排查。
此处，决策树组合分类器通过Bagging算法实现了将多个决策树分类器集成得到一个分类器，同时具备很强的泛化能力和稳定性。本发明实施例采用Bagging来构建一个组合决策树，采用C4.5算法构建决策树分类器，各决策树分类器采用Bagging进行组合。采用有放回的随机抽样方式对网络故障数据集进行划分，得到若干数据子集，然后对每个数据子集采用决策树算法构造决策树分类器，对于上述的若干个决策树分类器采用多数表决算法构成决策树组合分类器。多数表决方式算法如下：
C*(x)＝Vote{C1(x),C2(x),…,Ck(x)}。
为了更好地理解与应用本发明提出的一种电力通信现场运维故障预测方法，本发明进行以下示例，且本发明不仅局限于以下示例。
示例一：
图4为本发明实施例的一种电力通信现场运维故障预测方法的流程示意图，参考图4，在对现场运维实时数据是否异常进行判断之前，首先，从现场运维正常样本数据中，选取m个模块的样本数据，并将上述m个模块的样本数据分别编码成y个实数值向量。此处的模块可以从通信电缆线路数据、通信光缆线路数据、通信光传输设备数据、通信微波设备数据、通信载波设备数据和通信电源设备数据中进行选择。
其次，选定参数n，将连续n个向量组合成m×n的矩阵，将得到的y-n+1个矩阵构成自我集合S。
随后，通过基于覆盖检验的检测器生成算法生成检测器，并基于动态阈值否定选择算法，选取不与自我集合S中任一元素匹配的检测器加入检测器集合，直至检测器集合中检测器的数量为Nf。此处，检测匹配阈值的动态变化区域为[rL,rH]。
接着，对电力通信现场进行周期监测。获取现场运维实时数据，编码形成待检测集合UD，计算UD中每个元素UDi与检测器集合D中的检测器Di之间的距离d(UDi,Di)，如果d(UDi,Di)<r*，则确认现场运维实时数据存在异常。此处，r*为预设的异常匹配阈值。
在确认现场运维实时数据存在异常的情况下，利用建立好的决策树组合分类器对现场运维实时数据进行故障预测，输出故障预测结果。
由于自我集合中元素个数为y-n+1，检测器集合中检测器数量为Nf，设待检测集合元素个数为NUD，则否定选择算法的时间复杂度为O(Nf(NUD+y))。
示例二：
收集6个模块的数据，编码成10个实值向量，取n＝4，组成6×4矩阵，数量为7，生成100个检测器构成检测器集合D。周期性采取200个现场运维数据作为待测数据。通过仿真，得到应用动态阈值否定选择算法生成的检测器中不同阈值的检测器所占百分比，以及不同阈值下，否定选择算法中异常数据的检测率变化情况。
图5为本发明实施例的通过动态阈值否定选择算法生成的检测器中不同阈值的检测器的占比示意图，图6为本发明实施例的不同阈值下否定选择算法中异常数据的检测率示意图，由图5可知，检测器的阈值近似服从正态分布，如果限定最小阈值rL为1.7，最大阈值rH为2.5，基本可以覆盖95％的检测器。由图6可知，提高阈值在一定程度上能提高检测率。
基于上述任一方法实施例，图7为本发明实施例的一种电力通信现场运维故障预测装置的结构示意图，如图7所示，一种电力通信现场运维故障预测装置，包括：
异常检测单元701，用于基于现场运维实时数据和预设的检测器集合，通过基于矩阵形式的否定选择算法，判断现场运维实时数据是否存在异常。
故障预测单元702，用于若现场运维实时数据存在异常，则将现场运维实时数据输入至故障预测模型，输出故障预测结果，并基于故障预测结果进行故障排查。
其中，检测器集合为基于现场运维正常样本数据，通过基于矩阵形式的否定选择算法选取的若干个检测器构成的集合；故障预测模型为基于现场运维故障样本数据以及现场运维故障样本数据的故障类型训练得到的。
需要说明的是，上述异常检测单元701和故障预测单元702配合以执行上述实施例中的一种电力通信现场运维故障预测方法，该系统的具体功能参见上述的电力通信现场运维故障预测方法的实施例，此处不再赘述。
本发明实施例中，通过基于矩阵形式的否定选择算法，判断现场运维实时数据是否存在异常，进而通过故障预测模型实现故障预测，解决了现有的用于故障预测的智能算法需要处理的数据量大的问题，降低了对控制器的性能要求，提高了预测效率和预测精度。
基于上述任一实施例，一种电力通信现场运维故障预测装置，异常检测单元701具体包括：
编码子单元，用于将所述现场运维实时数据编码为待检测集合；
异常检测子单元，用于若所述待检测集合中任一元素与所述检测器集合中任一检测器之间的距离小于异常匹配阈值，则确认所述现场运维实时数据存在异常；否则，确认所述现场运维实时数据不存在异常。
基于上述任一实施例，一种电力通信现场运维故障预测装置，所述故障预测模型为决策树组合分类器，所述决策树组合分类器包括若干个决策树分类器和组合器；
对应地，故障预测单元702具体包括：
分类获取子单元，用于若所述现场运维实时数据存在异常，则将所述现场运维实时数据分别输入至所述故障预测模型的每一所述决策树分类器，得到每一所述决策树分类器输出的分类结果；
故障预测子单元，用于将每一所述决策树分类器输出的分类结果输入至所述故障预测模型的所述组合器，输出故障预测结果，并基于所述故障预测结果进行故障排查。
基于上述任一实施例，一种电力通信现场运维故障预测装置，还包括：
检测器集合获取单元，用于将所述现场运维正常样本数据编码为自我集合；通过基于覆盖检验的检测器生成算法生成检测器；分别计算所述检测器与所述自我集合中的每一元素之间的距离；若所述检测器与所述自我集合中的每一元素之间的距离均小于等于检测匹配阈值，则将所述检测器加入检测器集合。
基于上述任一实施例，一种电力通信现场运维故障预测装置，所述检测匹配阈值为预设匹配阈值集合中的阈值；所述预设匹配阈值集合中的阈值按照从小到大的顺序排列；
对应地，检测器集合获取单元，还用于若所述检测器与所述自我集合中的任一元素之间的距离大于所述检测匹配阈值，则选取所述检测匹配阈值在所述预设匹配阈值集合中对应阈值的下一位阈值作为检测匹配阈值；
若所述检测匹配阈值为所述预设匹配阈值集合中的最大阈值，且所述检测器与所述自我集合中的任一元素之间的距离大于所述检测匹配阈值，则删除所述检测器。
基于上述任一实施例，一种电力通信现场运维故障预测装置，所述现场运维实时数据包括通信电缆线路数据、通信光缆线路数据、通信光传输设备数据、通信微波设备数据、通信载波设备数据和通信电源设备数据中的至少一种。
基于上述任一实施例，一种电力通信现场运维故障预测装置，故障预测子单元具体用于：
将每一所述决策树分类器输出的分类结果输入至所述故障预测模型的所述组合器，基于多数表决算法输出故障预测结果，并基于所述故障预测结果进行故障排查。
图8为本发明实施例的一种电力通信现场运维故障预测设备的结构示意图，如图8所示，电力通信网现场运维故障预测设备包括：处理器(processor)801、通信接口(Communications Interface)802、存储器(memory)803和总线804，其中，处理器801，通信接口802，存储器803通过总线804完成相互间的通信。处理器801可以调用存储器803中的逻辑指令，以执行如下方法，例如包括：基于现场运维实时数据和预设的检测器集合，通过基于矩阵形式的否定选择算法，判断现场运维实时数据是否存在异常；若现场运维实时数据存在异常，则将现场运维实时数据输入至故障预测模型，输出故障预测结果，并基于故障预测结果进行故障排查；其中，检测器集合为基于现场运维正常样本数据，通过基于矩阵形式的否定选择算法选取的若干个检测器构成的集合；故障预测模型为基于现场运维故障样本数据以及现场运维故障样本数据的故障类型训练得到的。
本发明实施例公开一种计算机程序产品，计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：基于现场运维实时数据和预设的检测器集合，通过基于矩阵形式的否定选择算法，判断现场运维实时数据是否存在异常；若现场运维实时数据存在异常，则将现场运维实时数据输入至故障预测模型，输出故障预测结果，并基于故障预测结果进行故障排查；其中，检测器集合为基于现场运维正常样本数据，通过基于矩阵形式的否定选择算法选取的若干个检测器构成的集合；故障预测模型为基于现场运维故障样本数据以及现场运维故障样本数据的故障类型训练得到的。
本实施例提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行上述各方法实施例所提供的方法，例如包括：基于现场运维实时数据和预设的检测器集合，通过基于矩阵形式的否定选择算法，判断现场运维实时数据是否存在异常；若现场运维实时数据存在异常，则将现场运维实时数据输入至故障预测模型，输出故障预测结果，并基于故障预测结果进行故障排查；其中，检测器集合为基于现场运维正常样本数据，通过基于矩阵形式的否定选择算法选取的若干个检测器构成的集合；故障预测模型为基于现场运维故障样本数据以及现场运维故障样本数据的故障类型训练得到的。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的通信设备等实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上各实施例仅用以说明本发明的实施例的技术方案，而非对其限制；尽管参照前述各实施例对本发明的实施例进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明的实施例各实施例技术方案的范围。
Claims (10)
1.一种电力通信现场运维故障预测方法，其特征在于，包括：
基于现场运维实时数据和预设的检测器集合，通过基于矩阵形式的否定选择算法，判断所述现场运维实时数据是否存在异常；
若所述现场运维实时数据存在异常，则将所述现场运维实时数据输入至故障预测模型，输出故障预测结果，并基于所述故障预测结果进行故障排查；
其中，所述检测器集合为基于现场运维正常样本数据，通过基于矩阵形式的否定选择算法选取的若干个检测器构成的集合；所述故障预测模型为基于现场运维故障样本数据以及所述现场运维故障样本数据的故障类型训练得到的。
2.根据权利要求1所述的方法，其特征在于，所述基于现场运维实时数据和预设的检测器集合，通过基于矩阵形式的否定选择算法，判断所述现场运维实时数据是否存在异常，具体包括：
将所述现场运维实时数据编码为待检测集合；
若所述待检测集合中任一元素与所述检测器集合中任一检测器之间的距离小于异常匹配阈值，则确认所述现场运维实时数据存在异常；
否则，确认所述现场运维实时数据不存在异常。
3.根据权利要求1所述的方法，其特征在于，所述故障预测模型为决策树组合分类器，所述决策树组合分类器包括若干个决策树分类器和组合器；
对应地，所述若所述现场运维实时数据存在异常，则将所述现场运维实时数据输入至故障预测模型，输出故障预测结果，并基于所述故障预测结果进行故障排查，具体包括：
若所述现场运维实时数据存在异常，则将所述现场运维实时数据分别输入至所述故障预测模型的每一所述决策树分类器，得到每一所述决策树分类器输出的分类结果；
将每一所述决策树分类器输出的分类结果输入至所述故障预测模型的所述组合器，输出故障预测结果，并基于所述故障预测结果进行故障排查。
4.根据权利要求1所述的方法，其特征在于，所述基于现场运维实时数据和预设的检测器集合，通过基于矩阵形式的否定选择算法，判断所述现场运维实时数据是否存在异常，之前还包括：
将所述现场运维正常样本数据编码为自我集合；
通过基于覆盖检验的检测器生成算法生成检测器；
分别计算所述检测器与所述自我集合中的每一元素之间的距离；
若所述检测器与所述自我集合中的每一元素之间的距离均小于等于检测匹配阈值，则将所述检测器加入检测器集合。
5.根据权利要求4所述的方法，其特征在于，所述检测匹配阈值为预设匹配阈值集合中的阈值；所述预设匹配阈值集合中的阈值按照从小到大的顺序排列；
对应地，所述若所述检测器与所述自我集合中的每一元素之间的距离均小于等于检测匹配阈值，则将所述检测器加入检测器集合，还包括：
若所述检测器与所述自我集合中的任一元素之间的距离大于所述检测匹配阈值，则选取所述检测匹配阈值在所述预设匹配阈值集合中对应阈值的下一位阈值作为检测匹配阈值；
若所述检测匹配阈值为所述预设匹配阈值集合中的最大阈值，且所述检测器与所述自我集合中的任一元素之间的距离大于所述检测匹配阈值，则删除所述检测器。
6.根据权利要求1所述的方法，其特征在于，所述现场运维实时数据包括通信电缆线路模块、通信光缆线路模块、通信光传输设备模块、通信微波设备模块、通信载波设备模块和通信电源设备模块中的至少一种。
7.根据权利要求3所述的方法，其特征在于，所述将每一所述决策树分类器输出的分类结果输入至所述故障预测模型的所述组合器，输出故障预测结果，并基于所述故障预测结果进行故障排查，具体包括：
将每一所述决策树分类器输出的分类结果输入至所述故障预测模型的所述组合器，基于多数表决算法输出故障预测结果，并基于所述故障预测结果进行故障排查。
8.一种电力通信现场运维故障预测装置，其特征在于，包括：
异常检测单元，用于基于现场运维实时数据和预设的检测器集合，通过基于矩阵形式的否定选择算法，判断所述现场运维实时数据是否存在异常；
故障预测单元，用于若所述现场运维实时数据存在异常，则将所述现场运维实时数据输入至故障预测模型，输出故障预测结果，并基于所述故障预测结果进行故障排查；
其中，所述检测器集合为基于现场运维正常样本数据，通过基于矩阵形式的否定选择算法选取的若干个检测器构成的集合；所述故障预测模型为基于现场运维故障样本数据以及所述现场运维故障样本数据的故障类型训练得到的。
9.一种电力通信网现场运维故障预测设备，其特征在于，包括处理器、通信接口、存储器和总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信，处理器可以调用存储器中的逻辑指令，以执行如权利要求1至7任一所述的电力通信网现场运维故障预测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一所述的电力通信网现场运维故障预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810807522.0A CN109034470A (zh) | 2018-07-18 | 2018-07-18 | 一种电力通信现场运维故障预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810807522.0A CN109034470A (zh) | 2018-07-18 | 2018-07-18 | 一种电力通信现场运维故障预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109034470A true CN109034470A (zh) | 2018-12-18 |
Family
ID=64644802
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810807522.0A Pending CN109034470A (zh) | 2018-07-18 | 2018-07-18 | 一种电力通信现场运维故障预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109034470A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110017989A (zh) * | 2019-05-17 | 2019-07-16 | 山东科技大学 | 一种风力机轴承故障诊断的方法 |
| CN110287347A (zh) * | 2019-07-05 | 2019-09-27 | 黑龙江电力调度实业有限公司 | 采用大数据检测电力机房故障的方法 |
| CN110738333A (zh) * | 2019-09-30 | 2020-01-31 | 佛山科学技术学院 | 一种基于大数据的生产线运维方法及装置 |
| CN111242328A (zh) * | 2020-02-27 | 2020-06-05 | 贵州智诚科技有限公司 | 一种提高设备运维质量和效率的方法 |
| CN111314110A (zh) * | 2020-01-17 | 2020-06-19 | 南京大学 | 一种用于分布式系统的故障预警方法 |
| CN111785384A (zh) * | 2020-06-29 | 2020-10-16 | 平安医疗健康管理股份有限公司 | 基于人工智能的异常数据识别方法及相关设备 |
| CN112163618A (zh) * | 2020-09-27 | 2021-01-01 | 珠海格力电器股份有限公司 | 一种设备故障的检测方法及检测系统 |
| CN112365009A (zh) * | 2020-10-28 | 2021-02-12 | 国网山东省电力公司电力科学研究院 | 一种基于深度学习网络的二次设备异常诊断方法 |
| CN112532315A (zh) * | 2021-02-07 | 2021-03-19 | 湖北鑫英泰系统技术股份有限公司 | 一种基于分布式测温光纤的光缆故障定位方法与装置 |
| CN112578213A (zh) * | 2020-12-23 | 2021-03-30 | 交控科技股份有限公司 | 轨道电源屏的故障预测方法及装置 |
| CN115759236A (zh) * | 2022-12-30 | 2023-03-07 | 北京德风新征程科技有限公司 | 模型训练方法、信息发送方法、装置、设备和介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103604591A (zh) * | 2013-11-14 | 2014-02-26 | 沈阳工业大学 | 一种轮式移动机器人故障检测方法 |
| CN103617469A (zh) * | 2013-12-18 | 2014-03-05 | 重庆大学 | 电力系统设备故障预测方法及系统 |
| CN104836805A (zh) * | 2015-05-04 | 2015-08-12 | 南京邮电大学 | 基于模糊免疫理论的网络入侵检测方法 |
| CN108008332A (zh) * | 2017-11-29 | 2018-05-08 | 国网山东省电力公司电力科学研究院 | 一种基于数据挖掘的新能源远程测试设备故障诊断方法 |
-
2018
- 2018-07-18 CN CN201810807522.0A patent/CN109034470A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103604591A (zh) * | 2013-11-14 | 2014-02-26 | 沈阳工业大学 | 一种轮式移动机器人故障检测方法 |
| CN103617469A (zh) * | 2013-12-18 | 2014-03-05 | 重庆大学 | 电力系统设备故障预测方法及系统 |
| CN104836805A (zh) * | 2015-05-04 | 2015-08-12 | 南京邮电大学 | 基于模糊免疫理论的网络入侵检测方法 |
| CN108008332A (zh) * | 2017-11-29 | 2018-05-08 | 国网山东省电力公司电力科学研究院 | 一种基于数据挖掘的新能源远程测试设备故障诊断方法 |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110017989B (zh) * | 2019-05-17 | 2021-06-08 | 山东科技大学 | 一种风力机轴承故障诊断的方法 |
| CN110017989A (zh) * | 2019-05-17 | 2019-07-16 | 山东科技大学 | 一种风力机轴承故障诊断的方法 |
| CN110287347A (zh) * | 2019-07-05 | 2019-09-27 | 黑龙江电力调度实业有限公司 | 采用大数据检测电力机房故障的方法 |
| CN110738333A (zh) * | 2019-09-30 | 2020-01-31 | 佛山科学技术学院 | 一种基于大数据的生产线运维方法及装置 |
| CN110738333B (zh) * | 2019-09-30 | 2023-09-26 | 佛山科学技术学院 | 一种基于大数据的生产线运维方法及装置 |
| CN111314110A (zh) * | 2020-01-17 | 2020-06-19 | 南京大学 | 一种用于分布式系统的故障预警方法 |
| CN111242328A (zh) * | 2020-02-27 | 2020-06-05 | 贵州智诚科技有限公司 | 一种提高设备运维质量和效率的方法 |
| CN111785384A (zh) * | 2020-06-29 | 2020-10-16 | 平安医疗健康管理股份有限公司 | 基于人工智能的异常数据识别方法及相关设备 |
| CN112163618A (zh) * | 2020-09-27 | 2021-01-01 | 珠海格力电器股份有限公司 | 一种设备故障的检测方法及检测系统 |
| CN112365009A (zh) * | 2020-10-28 | 2021-02-12 | 国网山东省电力公司电力科学研究院 | 一种基于深度学习网络的二次设备异常诊断方法 |
| CN112578213A (zh) * | 2020-12-23 | 2021-03-30 | 交控科技股份有限公司 | 轨道电源屏的故障预测方法及装置 |
| CN112532315A (zh) * | 2021-02-07 | 2021-03-19 | 湖北鑫英泰系统技术股份有限公司 | 一种基于分布式测温光纤的光缆故障定位方法与装置 |
| CN115759236A (zh) * | 2022-12-30 | 2023-03-07 | 北京德风新征程科技有限公司 | 模型训练方法、信息发送方法、装置、设备和介质 |
| CN115759236B (zh) * | 2022-12-30 | 2024-01-12 | 北京德风新征程科技股份有限公司 | 模型训练方法、信息发送方法、装置、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109034470A (zh) | 一种电力通信现场运维故障预测方法 | |
| CN108418841B (zh) | 基于ai的下一代关键信息基础设施网络安全态势感知系统 | |
| CN112098714B (zh) | 一种基于ResNet-LSTM的窃电检测方法及系统 | |
| CN107492043A (zh) | 窃电分析方法及装置 | |
| CN110414412B (zh) | 基于大数据分析的广域电网多重扰动精确识别方法和装置 | |
| CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及系统 | |
| Wong et al. | Power transmission line fault detection and diagnosis based on artificial intelligence approach and its development in uav: A review | |
| DE102018115155A1 (de) | Verfahren zum Vorhersagen von Anlagendaten und Vorrichtung, die es verwendet | |
| CN105719094A (zh) | 一种输电设备状态评估方法 | |
| CN104318485A (zh) | 一种基于神经网络和模糊逻辑的输电线路故障判别方法 | |
| CN109389322A (zh) | 基于目标检测和长短时记忆模型的导地线断散股识别方法 | |
| CN115015683A (zh) | 电缆生产的性能测试方法、装置、设备及存储介质 | |
| CN115856756A (zh) | 一种电能计量箱故障评估方法 | |
| Moloi et al. | High impedance fault classification and localization method for power distribution network | |
| CN105652120A (zh) | 电力变压器故障检测方法和检测系统 | |
| CN115902557A (zh) | 开关柜故障诊断处理方法、装置及非易失性存储介质 | |
| Pan et al. | Study on intelligent anti–electricity stealing early-warning technology based on convolutional neural networks | |
| 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 | |
| Balouji et al. | A deep learning approach to earth fault classification and source localization | |
| CN111857015B (zh) | 输变电云端智能控制器 | |
| CN112180195B (zh) | 一种园区供用电设备全状态信息采集及故障诊断方法 | |
| CN111143835B (zh) | 基于机器学习的电力计量系统业务逻辑非侵入式防护方法 | |
| CN112952771B (zh) | 一种用于交直流混联电网的故障识别与控制系统及方法 | |
| CN109799425A (zh) | 电网故障诊断方法及装置 | |
| CN115684835B (zh) | 配电网故障诊断方法、装置、设备及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181218 |