CN109447531A - 一种基于神经网络健康度评价的智能电表状态评价方法 - Google Patents
一种基于神经网络健康度评价的智能电表状态评价方法 Download PDFInfo
- Publication number
- CN109447531A CN109447531A CN201811592220.2A CN201811592220A CN109447531A CN 109447531 A CN109447531 A CN 109447531A CN 201811592220 A CN201811592220 A CN 201811592220A CN 109447531 A CN109447531 A CN 109447531A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- ammeter
- neural network
- model
- data
- 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
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/06395—Quality analysis or management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明提出一种基于神经网络健康度评价的智能电表状态评价方法,为基于神经网络建立和应用模型的方法,依次包括以下步骤;A1、模型初始数据获取方法,通过电网营销业务系统获取入网的智能电表运行相关数据作为神经网络模型的初始输入数据;A2、模型输入数据筛选;A3、模型参数优化,确定神经网络模型各参数,对神经网络模型进行参数训练,以建立基于神经网络的评价模型;所述评价模型包括电表指标评价模型和电表状态综合评价模型;A4、在状态评价结构应用中,根据评价模型的评估结果和参与评估的电表的运行周期,分析两者的内在联系,并以此预测电表的运行抽检时间及更换选择参数;本发明能利用电网运营中积累的电表大数据来对在网电表进行评估。
Description
技术领域
本发明涉及电力设施技术领域,尤其是一种基于神经网络健康度评价的智能电表状态评价方法。
背景技术
智能电表作为智能电网建设中的最重要组成部分,其质量和运行状态直接影响到了电网数据采集系统的稳定性和安全性。目前在智能电能表的质量信息相关数据的获取和管理方面,国家电网开发并投入使用的电信息采集系统,积累到大量智能电能表实时运行状态、质量等方面的数据,这些数据较为全面地覆盖了智能电能表质量管理的各个环节。
然而这些大量的质量数据和监测数据并没有得到充分的价值挖掘和合理利用,国内外对于如何运用大量的基础数据做支撑对电能表的运行状态进行客观评价并没有科学的权威方法。
为解决上述问题,迫切需要研究分析各种质量数据对电能表运行状态的影响机理,研究基于检定数据、运行故障数据和退出运行表计失效数据的融合分析方法,挖掘电能表的大量质量数据的应用价值,实现多源数据的高效利用。需要究结合多源数据融合、数据挖掘等先进技术,研究适用于智能电能表的状态评价方法。
发明内容
本发明提出一种基于神经网络健康度评价的智能电表状态评价方法,能利用电网运营中积累的电表大数据来对在网电表进行评估。
本发明采用以下技术方案。
一种基于神经网络健康度评价的智能电表状态评价方法,用于对接入电网的智能电表运行状态进行预测,所述评价方法为基于神经网络建立和应用模型的方法,依次包括以下步骤;
A1、模型初始数据获取方法,通过电网营销业务系统获取入网的智能电表运行相关数据作为侯选数据,进行多源数据融合预处理后,作为神经网络模型的初始输入数据;
A2、模型输入数据筛选,以相关性分析从初始输入数据中筛选出影响智能电表状态评价结果的关键指标因素,并以此因素作为神经网络的输入筛选参数从初始输入数据中选择数据进行输入,再通过历史实践和专家经验确定各个因素权重作为神经网络模型的初始权重;
A3、模型参数优化,在该步骤中确定神经网络模型各参数,对神经网络模型进行参数训练,以建立基于神经网络的评价模型;所述评价模型包括电表指标评价模型和电表状态综合评价模型;
A4、在所述状态评价结构应用中,根据评价模型的评估结果和参与评估的电表的运行周期,分析两者的内在联系,并以此预测在网电表的运行抽检时间及更换选择参数。
在步骤A1中,所述初始输入数据包括通过加速应力退化试验评估得出的的正常应力下电表寿命值数据、通过机器学习算法判断或预测得出的电表故障结果数据、电表供应厂商产品质量评估结果数据、电表用户用电等级数据、电表当前运行环境数据、电表当前运行年限数据、电表运行误差数据。
所述机器学习算法为电表故障判断/预测算法,包括朴素贝叶斯、人工神经网络、K-means、决策树。
所述电表故障判断/预测算法的算法结果包括硬件故障相关数据、软件故障相关数据和通信故障相关数据。
所述电表供应厂商产品质量评估结果数据依据厂商产品评估方法得出,所述厂商产品评估方法是先筛选并分析电网营销业务系统中与电表供应商质量评价相关的数据,然后对电表制造厂家所制造电表质量和可靠度进行综合评估,其综合评估的方法包括层次分析法、三角模糊数层次分析法、基于缺陷扣分法、基于灰色关联度的多目标评价法、模糊最优隶属度综合评价方法以及基于粗集理论的评价方法与综合评价方法;厂商产品评估方法的评估结果可以是一个综合评价值,也可以是包含多方面评价结果的多个值。
在步骤A3中,影响电表状态综合评价模型评价结果的关键指标因素包括稳定误差性、运行可靠性、潜在隐患和客观要素。
在步骤A3中,所述基于神经网络的评价模型是包含一个输入层、两个隐含层、一个输出层的softmax多层感知机模型;隐含层的激活函数使用softmax回归函数;所述对神经网络模型进行的参数训练为网络训练方法;所述网络训练方法采用共轭梯度下降法。
与现有技术相比,本发明具有以下优异效果:
(1)本发明充分利用大量的质量数据和监测数据研究其对电能表运行状态的影响机理,选取合适的机器学习算法作为电表状态评价模型的基础数据融合方式,评价方法有效减少了人为干扰,评价准确度高,可靠性高。
(2)本发明挖掘了电能表的大量质量数据的应用价值,实现多源数据的高效利用,可以及时发现有质量隐患的电表批次,为电表的轮换和抽检方案提供有效的技术支撑。
(3)本发明提供的基于神经网络健康度评价的智能电表运行状态评价方法,可提高计量资产的管理水平,降低运行成本,减少重复性的资源投入,提高投入产出率。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明:
附图1是本发明的示意图。
具体实施方式
如图1所示,一种基于神经网络健康度评价的智能电表状态评价方法,用于对接入电网的智能电表运行状态进行预测,所述评价方法为基于神经网络建立和应用模型的方法,依次包括以下步骤;
A1、模型初始数据获取方法,通过电网营销业务系统获取入网的智能电表运行相关数据作为侯选数据,进行多源数据融合预处理后,作为神经网络模型的初始输入数据;
A2、模型输入数据筛选,以相关性分析从初始输入数据中筛选出影响智能电表状态评价结果的关键指标因素,并以此因素作为神经网络的输入筛选参数从初始输入数据中选择数据进行输入,再通过历史实践和专家经验确定各个因素权重作为神经网络模型的初始权重;
A3、模型参数优化,在该步骤中确定神经网络模型各参数,对神经网络模型进行参数训练,以建立基于神经网络的评价模型;所述评价模型包括电表指标评价模型和电表状态综合评价模型;
A4、在所述状态评价结构应用中,根据评价模型的评估结果和参与评估的电表的运行周期,分析两者的内在联系,并以此预测在网电表的运行抽检时间及更换选择参数。
在步骤A1中,所述初始输入数据包括通过加速应力退化试验评估得出的的正常应力下电表寿命值数据、通过机器学习算法判断或预测得出的电表故障结果数据、电表供应厂商产品质量评估结果数据、电表用户用电等级数据、电表当前运行环境数据、电表当前运行年限数据、电表运行误差数据。
所述机器学习算法为电表故障判断/预测算法,包括朴素贝叶斯、人工神经网络、K-means、决策树。
所述电表故障判断/预测算法的算法结果包括硬件故障相关数据、软件故障相关数据和通信故障相关数据。
所述电表供应厂商产品质量评估结果数据依据厂商产品评估方法得出,所述厂商产品评估方法是先筛选并分析电网营销业务系统中与电表供应商质量评价相关的数据,然后对电表制造厂家所制造电表质量和可靠度进行综合评估,其综合评估的方法包括层次分析法、三角模糊数层次分析法、基于缺陷扣分法、基于灰色关联度的多目标评价法、模糊最优隶属度综合评价方法以及基于粗集理论的评价方法与综合评价方法;厂商产品评估方法的评估结果可以是一个综合评价值,也可以是包含多方面评价结果的多个值。
在步骤A3中,影响电表状态综合评价模型评价结果的关键指标因素包括稳定误差性、运行可靠性、潜在隐患和客观要素。
在步骤A3中,所述基于神经网络的评价模型是包含一个输入层、两个隐含层、一个输出层的softmax多层感知机模型;隐含层的激活函数使用softmax回归函数;所述对神经网络模型进行的参数训练为网络训练方法;所述网络训练方法采用共轭梯度下降法。
实施例:
如图1所示,本实施例提供一种基于神经网络健康度评价的智能电表运行状态评价方法,主要包括模型初始输入数据获取(一),模型输入特征筛选(二),模型参数确定与优化(三),状态评价结果应用(四)等四个模块。
其中模型初始输入数据获取(一)主要是对电网营销业务系统(1)获取的大量电表运行相关数据进行多源数据融合预处理后,作为模型初始输入数据,输入数据包括通过加速应力退化试验评估的正常应力下电表寿命值(2)、用机器学习算法判断/预测电表故障结果(3)、电表供应厂商产品质量评估结果(4)、电表用户用电等级(5)、电表当前运行环境数据(6)、电表当前运行年限(7)、电表运行误差数据(8)。
上述通过加速应力退化试验评估的正常应力下电表寿命值(2)可通过分析环境应力与电表退化失效分布规律的关系,建立基于对数线性回归模型的多应力退化模型来预估正常应力水平下电表的可靠寿命和剩余寿命值的方式计算得到,是一个给定可靠度、置信度下的智能电表参数寿命下限的估计值。
上述用机器学习算法判断/预测电表故障结果(3)中所述的机器学习算法包括朴素贝叶斯、人工神经网络、K-means、决策树等电表故障判断/预测算法。将电网营销业务系统(1)中相关数据进行预处理和筛选后按所要求的输入格式进行排编后进行故障判断/预测,其判断/预测故障结果包含硬件、软件、通信3个方面的故障,是一个智能电表在当前运行环境下发生故障的概率预测值。
上述的电表供应厂商产品质量评估结果(4)是先筛选并分析电网营销业务系统(1)中与电表供应商质量评价相关的数据,然后对电表制造厂家所制造电表质量和可靠度进行综合评估,所采用的评估方法包含层次分析法、三角模糊数层次分析法、基于缺陷扣分法、基于灰色关联度的多目标评价法、模糊最优隶属度综合评价方法、基于粗集理论的评价方法与综合评价方法等,其评估结果可以是一个综合评价值,也可以是包含多方面评价结果的多个值。
上述的电表用户用电等级(5)、电表当前运行环境(6)、电表当前运行年限(7)、电表运行误差数据(8)等需要从电网营销业务应用系统(1)中的运行档案数据、现场检验数据和拆退数据等已知数据通过相关计算方法得到。
输入特征筛选(二)是用相关性分析或Granger因果关系检验等方法对模型初始输入数据获取(一)步骤中获取的数据进行分析梳理,筛选出影响智能电表状态评价结果的关键指标因素作为神经网络的输入,然后通过历史实践和专家经验确定各个因素权重作为神经网络初始权重(9)。其中所述的关键指标因素包含稳定误差性、运行可靠性、潜在隐患和客观要素这四类影响因素。
模型参数确定与优化(三)通过实际使用情况确定神经网络模型各个参数,训练神经网络参数,建立基于神经网络的电表状态各指标评价模型和综合评价模型(9)。本发明所采用的神经网络评价模型是包含一个输入层,两个隐含层,一个输出层的softmax多层感知机模型,网络训练方式采用共轭梯度下降法,激活函数使用softmax回归函数。
状态评价结果应用(三)根据神经网络智能电表状态评价模型的评估结果,分析模型评估结果与电表运行周期之间的内在联系,制定电表运行抽检和更换策略(11)。
本发明的实施方式不限于此,在本发明上述基本技术思想前提下,按照本领域的普通技术知识和惯用手段对本发明内容所做出其它多种形式的修改、替换或变更,均落在本发明权利保护范围之内。
Claims (7)
1.一种基于神经网络健康度评价的智能电表状态评价方法,用于对接入电网的智能电表运行状态进行预测,其特征在于:所述评价方法为基于神经网络建立和应用模型的方法,依次包括以下步骤;
A1、模型初始数据获取方法,通过电网营销业务系统获取入网的智能电表运行相关数据作为侯选数据,进行多源数据融合预处理后,作为神经网络模型的初始输入数据;
A2、模型输入数据筛选,以相关性分析从初始输入数据中筛选出影响智能电表状态评价结果的关键指标因素,并以此因素作为神经网络的输入筛选参数从初始输入数据中选择数据进行输入,再通过历史实践和专家经验确定各个因素权重作为神经网络模型的初始权重;
A3、模型参数优化,在该步骤中确定神经网络模型各参数,对神经网络模型进行参数训练,以建立基于神经网络的评价模型;所述评价模型包括电表指标评价模型和电表状态综合评价模型;
A4、在所述状态评价结构应用中,根据评价模型的评估结果和参与评估的电表的运行周期,分析两者的内在联系,并以此预测在网电表的运行抽检时间及更换选择参数。
2.根据权利要求1所述的一种基于神经网络健康度评价的智能电表状态评价方法,其特征在于:在步骤A1中,所述初始输入数据包括通过加速应力退化试验评估得出的的正常应力下电表寿命值数据、通过机器学习算法判断或预测得出的电表故障结果数据、电表供应厂商产品质量评估结果数据、电表用户用电等级数据、电表当前运行环境数据、电表当前运行年限数据、电表运行误差数据。
3.根据权利要求2所述的一种基于神经网络健康度评价的智能电表状态评价方法,其特征在于:所述机器学习算法为电表故障判断/预测算法,包括朴素贝叶斯、人工神经网络、K-means、决策树。
4.根据权利要求3所述的一种基于神经网络健康度评价的智能电表状态评价方法,其特征在于:所述电表故障判断/预测算法的算法结果包括硬件故障相关数据、软件故障相关数据和通信故障相关数据。
5.根据权利要求2所述的一种基于神经网络健康度评价的智能电表状态评价方法,其特征在于:所述电表供应厂商产品质量评估结果数据依据厂商产品评估方法得出,所述厂商产品评估方法是先筛选并分析电网营销业务系统中与电表供应商质量评价相关的数据,然后对电表制造厂家所制造电表质量和可靠度进行综合评估,其综合评估的方法包括层次分析法、三角模糊数层次分析法、基于缺陷扣分法、基于灰色关联度的多目标评价法、模糊最优隶属度综合评价方法以及基于粗集理论的评价方法与综合评价方法;厂商产品评估方法的评估结果可以是一个综合评价值,也可以是包含多方面评价结果的多个值。
6.根据权利要求1所述的一种基于神经网络健康度评价的智能电表状态评价方法,其特征在于:在步骤A3中,影响电表状态综合评价模型评价结果的关键指标因素包括稳定误差性、运行可靠性、潜在隐患和客观要素。
7.根据权利要求1所述的一种基于神经网络健康度评价的智能电表状态评价方法,其特征在于:在步骤A3中,所述基于神经网络的评价模型是包含一个输入层、两个隐含层、一个输出层的softmax多层感知机模型;隐含层的激活函数使用softmax回归函数;所述对神经网络模型进行的参数训练为网络训练方法;所述网络训练方法采用共轭梯度下降法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811592220.2A CN109447531A (zh) | 2018-12-25 | 2018-12-25 | 一种基于神经网络健康度评价的智能电表状态评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811592220.2A CN109447531A (zh) | 2018-12-25 | 2018-12-25 | 一种基于神经网络健康度评价的智能电表状态评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109447531A true CN109447531A (zh) | 2019-03-08 |
Family
ID=65535469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811592220.2A Pending CN109447531A (zh) | 2018-12-25 | 2018-12-25 | 一种基于神经网络健康度评价的智能电表状态评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447531A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110082623A (zh) * | 2019-05-21 | 2019-08-02 | 国网安徽省电力有限公司合肥供电公司 | 一种开关柜健康状态评价方法及系统 |
CN110738429A (zh) * | 2019-10-25 | 2020-01-31 | 国网重庆市电力公司电力科学研究院 | 一种电能表状态评价方法及装置 |
CN111142026A (zh) * | 2019-12-31 | 2020-05-12 | 联想(北京)有限公司 | 一种数据处理方法、装置及电子设备 |
CN111738573A (zh) * | 2020-06-09 | 2020-10-02 | 国网河北省电力有限公司营销服务中心 | 一种基于电能表全寿命周期数据的健康评价方法 |
CN112149969A (zh) * | 2020-09-08 | 2020-12-29 | 国网湖南省电力有限公司 | 特高压直流控制保护合并单元运行状态评价方法及系统 |
CN113360358A (zh) * | 2021-06-25 | 2021-09-07 | 杭州优云软件有限公司 | 一种自适应计算it智能运维健康指数的方法及系统 |
CN114528929A (zh) * | 2022-02-14 | 2022-05-24 | 国网山东省电力公司营销服务中心(计量中心) | 一种多源数据的台区量测系统和方法 |
CN115358347A (zh) * | 2022-09-30 | 2022-11-18 | 山西虚拟现实产业技术研究院有限公司 | 一种针对不同子系统下智能电表的剩余寿命预测方法 |
CN116090872A (zh) * | 2022-12-07 | 2023-05-09 | 湖北华中电力科技开发有限责任公司 | 一种配电台区健康状态评价方法 |
CN116760871A (zh) * | 2023-08-23 | 2023-09-15 | 广东青藤环境科技有限公司 | 基于多协议协同的智慧表务管理系统 |
CN117350174A (zh) * | 2023-12-04 | 2024-01-05 | 国网天津市电力公司营销服务中心 | 预测智能电表剩余寿命的方法、系统、电子设备及介质 |
CN117479510A (zh) * | 2023-12-28 | 2024-01-30 | 海斯福(深圳)科技有限公司 | 基于氟化液性能退化评价的冷却系统智能控制方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246569A (zh) * | 2008-02-28 | 2008-08-20 | 江苏省电力试验研究院有限公司 | 基于层次分析法和模糊算法的电网电能质量综合评价方法 |
CN105117602A (zh) * | 2015-08-28 | 2015-12-02 | 国家电网公司 | 一种计量装置运行状态预警方法 |
CN106815652A (zh) * | 2016-12-16 | 2017-06-09 | 国家电网公司 | 一种基于大数据相关性分析的配电网供电可靠性预测方法 |
CN108320040A (zh) * | 2017-01-17 | 2018-07-24 | 国网重庆市电力公司 | 基于贝叶斯网络优化算法的采集终端故障预测方法及系统 |
CN108663651A (zh) * | 2018-05-04 | 2018-10-16 | 国网上海市电力公司 | 一种基于多源数据融合的智能电能表运行状态评价系统 |
-
2018
- 2018-12-25 CN CN201811592220.2A patent/CN109447531A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246569A (zh) * | 2008-02-28 | 2008-08-20 | 江苏省电力试验研究院有限公司 | 基于层次分析法和模糊算法的电网电能质量综合评价方法 |
CN105117602A (zh) * | 2015-08-28 | 2015-12-02 | 国家电网公司 | 一种计量装置运行状态预警方法 |
CN106815652A (zh) * | 2016-12-16 | 2017-06-09 | 国家电网公司 | 一种基于大数据相关性分析的配电网供电可靠性预测方法 |
CN108320040A (zh) * | 2017-01-17 | 2018-07-24 | 国网重庆市电力公司 | 基于贝叶斯网络优化算法的采集终端故障预测方法及系统 |
CN108663651A (zh) * | 2018-05-04 | 2018-10-16 | 国网上海市电力公司 | 一种基于多源数据融合的智能电能表运行状态评价系统 |
Non-Patent Citations (2)
Title |
---|
常青 等: "基于大数据技术的智能电表运行状态分析系统研究", 《自动化与仪器仪表》 * |
罗群 等: "智能电能表状态检验评价指标体系及在线平台开发", 《电测与仪表》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110082623A (zh) * | 2019-05-21 | 2019-08-02 | 国网安徽省电力有限公司合肥供电公司 | 一种开关柜健康状态评价方法及系统 |
CN110738429A (zh) * | 2019-10-25 | 2020-01-31 | 国网重庆市电力公司电力科学研究院 | 一种电能表状态评价方法及装置 |
CN111142026A (zh) * | 2019-12-31 | 2020-05-12 | 联想(北京)有限公司 | 一种数据处理方法、装置及电子设备 |
CN111738573A (zh) * | 2020-06-09 | 2020-10-02 | 国网河北省电力有限公司营销服务中心 | 一种基于电能表全寿命周期数据的健康评价方法 |
CN112149969B (zh) * | 2020-09-08 | 2023-06-27 | 国网湖南省电力有限公司 | 特高压直流控制保护合并单元运行状态评价方法及系统 |
CN112149969A (zh) * | 2020-09-08 | 2020-12-29 | 国网湖南省电力有限公司 | 特高压直流控制保护合并单元运行状态评价方法及系统 |
CN113360358A (zh) * | 2021-06-25 | 2021-09-07 | 杭州优云软件有限公司 | 一种自适应计算it智能运维健康指数的方法及系统 |
CN113360358B (zh) * | 2021-06-25 | 2022-05-27 | 杭州优云软件有限公司 | 一种自适应计算it智能运维健康指数的方法及系统 |
CN114528929A (zh) * | 2022-02-14 | 2022-05-24 | 国网山东省电力公司营销服务中心(计量中心) | 一种多源数据的台区量测系统和方法 |
CN115358347A (zh) * | 2022-09-30 | 2022-11-18 | 山西虚拟现实产业技术研究院有限公司 | 一种针对不同子系统下智能电表的剩余寿命预测方法 |
CN115358347B (zh) * | 2022-09-30 | 2023-01-31 | 山西虚拟现实产业技术研究院有限公司 | 一种针对不同子系统下智能电表的剩余寿命预测方法 |
CN116090872A (zh) * | 2022-12-07 | 2023-05-09 | 湖北华中电力科技开发有限责任公司 | 一种配电台区健康状态评价方法 |
CN116760871A (zh) * | 2023-08-23 | 2023-09-15 | 广东青藤环境科技有限公司 | 基于多协议协同的智慧表务管理系统 |
CN116760871B (zh) * | 2023-08-23 | 2023-10-13 | 广东青藤环境科技有限公司 | 基于多协议协同的智慧表务管理系统 |
CN117350174A (zh) * | 2023-12-04 | 2024-01-05 | 国网天津市电力公司营销服务中心 | 预测智能电表剩余寿命的方法、系统、电子设备及介质 |
CN117350174B (zh) * | 2023-12-04 | 2024-04-02 | 国网天津市电力公司营销服务中心 | 预测智能电表剩余寿命的方法、系统、电子设备及介质 |
CN117479510A (zh) * | 2023-12-28 | 2024-01-30 | 海斯福(深圳)科技有限公司 | 基于氟化液性能退化评价的冷却系统智能控制方法及系统 |
CN117479510B (zh) * | 2023-12-28 | 2024-03-08 | 海斯福(深圳)科技有限公司 | 基于氟化液性能退化评价的冷却系统智能控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109447531A (zh) | 一种基于神经网络健康度评价的智能电表状态评价方法 | |
Aizpurua et al. | Supporting group maintenance through prognostics-enhanced dynamic dependability prediction | |
CN105512448B (zh) | 一种配电网健康指数的评估方法 | |
Ciarapica et al. | Managing the condition-based maintenance of a combined-cycle power plant: an approach using soft computing techniques | |
JP6298214B2 (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 | |
Qiu et al. | Nonparametric regression-based failure rate model for electric power equipment using lifecycle data | |
JP2013538543A (ja) | 送電網用の機械学習 | |
Blancke et al. | A holistic multi-failure mode prognosis approach for complex equipment | |
Nepal et al. | A framework for capturing and analyzing the failures due to system/component interactions | |
Lewis et al. | Metrics for evaluating the performance of complex engineering system health monitoring models | |
Barbieri et al. | Sensor-based degradation prediction and prognostics for remaining useful life estimation: Validation on experimental data of electric motors | |
CN110865924A (zh) | 电力信息系统内部服务器健康度诊断方法与健康诊断框架 | |
CN115936663A (zh) | 一种电力系统的维护方法及装置 | |
CN115328900A (zh) | 一种时段性智能电表数据采集及分析系统 | |
Tavakoli et al. | Reduce maintenance costs by improving human reliability in power grids | |
Lannoy et al. | Expertise, safety, reliability, and decision making: practical industrial experience | |
RU2735296C1 (ru) | Способ многопараметрического контроля состояния сложных электротехнических объектов | |
KR100547874B1 (ko) | 교량의 유지관리계획 수립 및 생애주기 비용산정을 위한노후화 예측 방법 | |
Ioaneş et al. | Power grid health assessment using machine learning algorithms | |
Ai et al. | Software reliability evaluation method based on a software network | |
Dér et al. | Concept for modeling and quantitative evaluation of life cycle dynamics in factory systems | |
Lewis | Dynamic Bayesian Network Data Updating Approaches for Enabling Causal Prognostics and Health Management of Complex Engineering Systems | |
Rawat et al. | Condition based optimal maintenance strategy for multi-component system | |
Ke et al. | Hydropower unit health assessment based on a combination weighting and improved fuzzy comprehensive evaluation method | |
Nwadinobi et al. | Development of Simulation for Condition Monitoring and Evaluation of Manufacturing Systems |
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: 20190308 |