CN109711664A - 一种基于大数据的输变电设备健康评估系统 - Google Patents
一种基于大数据的输变电设备健康评估系统 Download PDFInfo
- Publication number
- CN109711664A CN109711664A CN201811366930.3A CN201811366930A CN109711664A CN 109711664 A CN109711664 A CN 109711664A CN 201811366930 A CN201811366930 A CN 201811366930A CN 109711664 A CN109711664 A CN 109711664A
- Authority
- CN
- China
- Prior art keywords
- data
- power transmission
- equipment
- health
- net
- 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
Classifications
-
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于大数据的输变电设备健康评估系统,包括设备数据监测模块、状态监测代理模块、网省公司输变电状态接入网关、数据加工模块、网省生产管理系统、网省数据中心、运检数据中心、总部生产管理系统、设备健康评估系统以及云资源池;所述设备数据监测模块分别对输变电设备的在线监测数据、带电监测数据、机器人巡检数据、气象数据、山火数据以及覆冰数据进行收集。本发明将大数据分析技术引入到输变电设备的健康状态评估中,构建基于大数据的输变电设备健康评估系统,能够合理高效地利用采集的监测数据;并采用时间序列自回归模型或聚类算法模型实现输变电设备的健康状态评估。
Description
技术领域
本发明属于电力设备监测技术领域,特别涉及一种基于大数据的输变电设备健康评估系统。
背景技术
经济的发展极大地提高了对电力的需求,此需求既包括数量的需求也包括质量的要求,同时对硬件(输变电设备)有了较为苛刻的要求,因为硬件设备是电力系统能否安全运作的基础,是企业赢取利润的关键。伴随着数字信息化时代的快速发展,信息量也呈爆炸性增长态势。当前信息通信技术与电力生产深度融合,对电力工业的价值贡献已经从量变转变到质变,其最鲜明的体现就是电力数据成为电力工业的核心资产。
目前中国的电力系统已成为世界上最大规模的关系国计民生的电力网络。电力设备的可靠性、高效运行与有效管理对电力系统的安全、稳定变得愈来愈重要。如何从海量的电力设备监测数据中快速挖掘和发现设备的健康状态与缺陷信息,成为研究者和电力企业的重要关注点。智能电网中的众多传感器会实时地产生大量数据流,对新型流式数据的分析与处理,给设备的健康评估带来了很大的挑战。在实际的生产环境中,状态监测采集到的设备数据容量极大且类型较杂,但大数据技术能够较快地处理海量数据,并能够从繁杂的数据中,分析挖掘出有用有价值的信息。
发明内容
本发明将大数据分析技术引入到输变电设备的健康状态评估中,构建基于大数据的输变电设备健康评估系统,能够合理高效地利用采集的监测数据;并采用时间序列自回归模型或聚类算法模型实现输变电设备的健康状态评估。
本发明具体为一种基于大数据的输变电设备健康评估系统,所述输变电设备健康评估系统包括设备数据监测模块、状态监测代理模块、网省公司输变电状态接入网关、数据加工模块、网省生产管理系统、网省数据中心、运检数据中心、总部生产管理系统、设备健康评估系统以及云资源池;所述设备数据监测模块包括在线监测数据模块、带电监测数据模块、机器人巡检数据模块、气象数据模块、山火数据模块以及覆冰数据模块,分别对输变电设备的在线监测数据、带电监测数据、机器人巡检数据、气象数据、山火数据以及覆冰数据进行收集;所述设备数据监测模块将监测到的各种输变电设备数据通过状态监测代理模块上传给网省公司输变电状态接入网关;所述网省公司输变电状态接入网关连接到所述数据加工模块和所述网省数据中心,将所述设备数据监测模块监测到的输变电设备数据分别传输给所述数据加工模块和所述网省数据中心;所述数据加工模块包括监测数据预处理模块和监测数据分析模块,所述监测数据预处理模块对接收到的输变电设备数据进行数据清理、数据集成、数据变换和数据归约,所述监测数据分析模块对预处理后的数据进行深加工;所述网省数据中心对接收到的输变电设备数据进行存储;所述数据加工模块与所述网省生产管理系统进行双向连接,为网省生产管理系统提供数据服务;所述网省数据中心与所述运检数据中心进行双向连接,所述网省生产管理系统与所述运检数据中心进行双向连接,加工后的数据和网省生产管理系统数据在运检数据中心进行汇总;所述数据加工模块和所述网省数据中心均连接到所述设备健康评估系统,所述设备健康评估系统根据输变电设备数据情况对设备的健康状态进行评估;所述设备健康评估系统连接到所述总部生产管理系统和所述云资源池,与所述总部生产管理系统进行交互,并将设备健康状态评估数据存储到云资源池;所述运检数据中心与所述总部生产管理系统进行双向交互。
进一步的,所述设备健康评估系统采用一阶时间序列自回归模型对输变电设备数据进行拟合:
其中,xt表示输变电设备监测数据的时间序列;et为状态量白噪声,服从正态分布,et~N(μe,λ2),因此xt服从N(μ,σ2)的正态分布,其中参数μ和σ满足如下公式:
μ=μe/(1-α)
当设备处于正常健康状态时,其状态量都在相应的阈值范围内,对所有的自变量t,假设xt都在区间[a,b]内,对所有的a≤xt+k≤b,均有:
a-αkxt≤et+k+αet+k-1+…+αk-1et+1≤b-αkxt
由于et~N(μe,λ2),因此,仅当α小于限制α0时,整个序列小于区间[a,b],此时输变电设备处于正常健康状态。
进一步的,所述设备健康评估系统根据输变电设备数据情况对设备的健康状态进行评估具体包括如下步骤:
步骤(1):利用基于Spark流式处理的K-Means聚类算法进行工况识别,如果是已有的工况空间,则计算每个微簇的高斯云模型参数,将其跃升到所需的概念层次,如果不是已有的工况空间,则训练新的健康状态评估模型并存入标准高斯云模型库;
步骤(2):确定健康指数;
步骤(3):确定设备健康等级。
所述步骤(1)利用基于Spark流式处理的K-Means聚类算法进行工况识别具体包括如下步骤:
步骤(11):利用电网关键设备正常运行的工况历史数据样本或初始的数据点,采用标准的K-Means聚类算法形成m个聚类,即m个工况,将m个聚类中心作为在线流数据的初始聚类中心,其中,标准的K-Means聚类算法标准测度函数为:K为类簇总数,μi为聚类中心,xj为数据样本;
步骤(12):对于当前时间窗口内的实时数据流,划分成K个微簇;
步骤(13):若某个微簇与步骤(11)中某个聚类中心的距离小于Rmax,则把其归入到该簇中,若微簇与所有m个聚类中心的距离均大于Rmax,则另外建立一个新的簇;
步骤(14):时间窗口继续向前滑动,重复步骤(11)。
所述步骤(1)中高斯云模型为:
确定初始值,假设第k个工况所对应的数据集为Xk,数据点个数为n,首先统计Xk的频度分布h(yj)=p(xi),i=1,2,…,Ni,j=1,2,…,Nj,y为样本论域空间,统计h(yj)的极大值点的个数M,作为初始概念个数,则第k个高斯分布的初始参数设定为:
定义并计算目标函数,式中,
根据极大似然估计计算出模型的新参数μk ak:
计算目标函数的估计值J(θ’),如果|J(θ’)-J(θ)|≤ε1,则停止计算,否则继续计算参数μk ak;
输出一组合云
所述步骤(2)确定健康指数具体为:
针对设备运行历史数据,将每种运行工况下的设备状态用高斯云模型的组合表示出来,这一组高斯云模型同时表示设备在该运行工况下的标准运行状态,即系统状态用一个组合云G0来表示:当设备状态发生变化时,表示机组状态的组合云向量变为:
用算术平均最小贴近度h反映设备当前状态偏离标准状态的大小,令H作为机组的健康指数,某个工况下的健康度计算过程如下:
式中,ωi为第i个高斯云的权重系数,ωj为该工况下第j个高斯云模型的权重系数;
式中,α用于平衡当前健康指数的历史值和当前值之间的关系,当α偏大时,健康指数H受历史值的影响较大而受新产生的数据影响较小,使得健康指数H变化更平稳,当α偏小时则相反;机组处于完全健康状态时,健康指数为1,随着与标准状态偏离度的增大,则机组健康指数随之降低。
所述步骤(3)确定设备健康等级根据健康指数的大小将设备分为健康、良好、警示、恶化和严重五种健康状态。
附图说明
图1为本发明基于大数据的输变电设备健康评估系统的结构示意图。
具体实施方式
下面结合附图对本发明一种基于大数据的输变电设备健康评估系统的具体实施方式做详细阐述。
如图1所示,本发明基于大数据的输变电设备健康评估系统包括设备数据监测模块、状态监测代理CMA模块、网省公司输变电状态接入网关CAG、数据加工模块、网省生产管理系统PMS、网省数据中心、运检数据中心、总部生产管理系统PMS、设备健康评估系统以及云资源池;所述设备数据监测模块包括在线监测数据模块、带电监测数据模块、机器人巡检数据模块、气象数据模块、山火数据模块以及覆冰数据模块,分别对输变电设备的在线监测数据、带电监测数据、机器人巡检数据、气象数据、山火数据以及覆冰数据进行收集;所述设备数据监测模块将监测到的各种输变电设备数据通过状态监测代理CMA模块上传给网省公司输变电状态接入网关CAG;所述网省公司输变电状态接入网关CAG连接到所述数据加工模块和所述网省数据中心,将所述设备数据监测模块监测到的输变电设备数据分别传输给所述数据加工模块和所述网省数据中心;所述数据加工模块包括监测数据预处理模块和监测数据分析模块,所述监测数据预处理模块对接收到的输变电设备数据进行数据清理、数据集成、数据变换和数据归约,所述监测数据分析模块对预处理后的数据进行深加工;所述网省数据中心对接收到的输变电设备数据进行存储;所述数据加工模块与所述网省生产管理系统PMS进行双向连接,为网省生产管理系统PMS提供数据服务;所述网省数据中心与所述运检数据中心进行双向连接,所述网省生产管理系统PMS与所述运检数据中心进行双向连接,加工后的数据和网省生产管理系统PMS数据在运检数据中心进行汇总;所述数据加工模块和所述网省数据中心均连接到所述设备健康评估系统,所述设备健康评估系统根据输变电设备数据情况对设备的健康状态进行评估;所述设备健康评估系统连接到所述总部生产管理系统PMS和所述云资源池,与所述总部生产管理系统PMS进行交互,并将设备健康状态评估数据存储到云资源池;所述运检数据中心与所述总部生产管理系统PMS进行双向交互。
所述设备健康评估系统采用一阶时间序列自回归模型对输变电设备数据进行拟合:
其中,xt表示输变电设备监测数据的时间序列;et为状态量白噪声,服从正态分布,et~N(μe,λ2),因此xt服从N(μ,σ2)的正态分布,其中参数μ和σ满足如下公式:
μ=μe/(1-α)
当设备处于正常健康状态时,其状态量都在相应的阈值范围内,对所有的自变量t,假设xt都在区间[a,b]内,对所有的a≤xt+k≤b,均有:
a-αkxt≤et+k+αet+k-1+…+αk-1et+1≤b-αkxt
由于et~N(μe,λ2),因此,仅当α小于限制α0时,整个序列小于区间[a,b],此时输变电设备处于正常健康状态。
所述设备健康评估系统根据输变电设备数据情况对设备的健康状态进行评估具体包括如下步骤:
步骤(1):利用基于Spark流式处理的K-Means聚类算法进行工况识别,如果是已有的工况空间,则计算每个微簇的高斯云模型参数,将其跃升到所需的概念层次,如果不是已有的工况空间,则训练新的健康状态评估模型并存入标准高斯云模型库;
步骤(2):确定健康指数;
步骤(3):确定设备健康等级。
所述步骤(1)利用基于Spark流式处理的K-Means聚类算法进行工况识别具体包括如下步骤:
步骤(11):利用电网关键设备正常运行的工况历史数据样本或初始的数据点,采用标准的K-Means聚类算法形成m个聚类,即m个工况,将m个聚类中心作为在线流数据的初始聚类中心,其中,标准的K-Means聚类算法标准测度函数为:K为类簇总数,μi为聚类中心,xj为数据样本;
步骤(12):对于当前时间窗口内的实时数据流,划分成K个微簇;
步骤(13):若某个微簇与步骤(11)中某个聚类中心的距离小于Rmax,则把其归入到该簇中,若微簇与所有m个聚类中心的距离均大于Rmax,则另外建立一个新的簇;
步骤(14):时间窗口继续向前滑动,重复步骤(11)。
所述步骤(1)中高斯云模型为:
确定初始值,假设第k个工况所对应的数据集为Xk,数据点个数为n,首先统计Xk的频度分布h(yj)=p(xi),i=1,2,…,Ni,j=1,2,…,Nj,y为样本论域空间,统计h(yj)的极大值点的个数M,作为初始概念个数,则第k个高斯分布的初始参数设定为:
定义并计算目标函数,式中,
根据极大似然估计计算出模型的新参数μk ak:
计算目标函数的估计值J(θ’),如果|J(θ’)-J(θ)|≤ε1,则停止计算,否则继续计算参数μk ak;
输出一组合云
所述步骤(2)确定健康指数具体为:
针对设备运行历史数据,将每种运行工况下的设备状态用高斯云模型的组合表示出来,这一组高斯云模型同时表示设备在该运行工况下的标准运行状态,即系统状态用一个组合云G0来表示:当设备状态发生变化时,表示机组状态的组合云向量变为:
用算术平均最小贴近度h反映设备当前状态偏离标准状态的大小,令H作为机组的健康指数,某个工况下的健康度计算过程如下:
式中,ωi为第i个高斯云的权重系数,ωj为该工况下第j个高斯云模型的权重系数;
式中,α用于平衡当前健康指数的历史值和当前值之间的关系,当α偏大时,健康指数H受历史值的影响较大而受新产生的数据影响较小,使得健康指数H变化更平稳,当α偏小时则相反;机组处于完全健康状态时,健康指数为1,随着与标准状态偏离度的增大,则机组健康指数随之降低。
所述步骤(3)确定设备健康等级根据健康指数的大小将设备分为健康、良好、警示、恶化和严重五种健康状态。
最后应该说明的是,结合上述实施例仅说明本发明的技术方案而非对其限制。所属领域的普通技术人员应当理解到,本领域技术人员可以对本发明的具体实施方式进行修改或者等同替换,但这些修改或变更均在申请待批的权利要求保护范围之中。
Claims (7)
1.一种基于大数据的输变电设备健康评估系统,其特征在于,所述输变电设备健康评估系统包括设备数据监测模块、状态监测代理模块、网省公司输变电状态接入网关、数据加工模块、网省生产管理系统、网省数据中心、运检数据中心、总部生产管理系统、设备健康评估系统以及云资源池;所述设备数据监测模块包括在线监测数据模块、带电监测数据模块、机器人巡检数据模块、气象数据模块、山火数据模块以及覆冰数据模块,分别对输变电设备的在线监测数据、带电监测数据、机器人巡检数据、气象数据、山火数据以及覆冰数据进行收集;所述设备数据监测模块将监测到的各种输变电设备数据通过状态监测代理模块上传给网省公司输变电状态接入网关;所述网省公司输变电状态接入网关连接到所述数据加工模块和所述网省数据中心,将所述设备数据监测模块监测到的输变电设备数据分别传输给所述数据加工模块和所述网省数据中心;所述数据加工模块包括监测数据预处理模块和监测数据分析模块,所述监测数据预处理模块对接收到的输变电设备数据进行数据清理、数据集成、数据变换和数据归约,所述监测数据分析模块对预处理后的数据进行深加工;所述网省数据中心对接收到的输变电设备数据进行存储;所述数据加工模块与所述网省生产管理系统进行双向连接,为网省生产管理系统提供数据服务;所述网省数据中心与所述运检数据中心进行双向连接,所述网省生产管理系统与所述运检数据中心进行双向连接,加工后的数据和网省生产管理系统数据在运检数据中心进行汇总;所述数据加工模块和所述网省数据中心均连接到所述设备健康评估系统,所述设备健康评估系统根据输变电设备数据情况对设备的健康状态进行评估;所述设备健康评估系统连接到所述总部生产管理系统和所述云资源池,与所述总部生产管理系统进行交互,并将设备健康状态评估数据存储到云资源池;所述运检数据中心与所述总部生产管理系统进行双向交互。
2.根据权利要求1所述的一种基于大数据的输变电设备健康评估系统,其特征在于,所述设备健康评估系统采用一阶时间序列自回归模型对输变电设备数据进行拟合:
其中,xt表示输变电设备监测数据的时间序列;et为状态量白噪声,服从正态分布,et~N(μe,λ2),因此xt服从N(μ,σ2)的正态分布,其中参数μ和σ满足如下公式:
μ=μe/(1-α)
当设备处于正常健康状态时,其状态量都在相应的阈值范围内,对所有的自变量t,假设xt都在区间[a,b]内,对所有的a≤xt+k≤b,均有:
a-αkxt≤et+k+αet+k-1+…+αk-1et+1≤b-αkxt
由于et~N(μe,λ2),因此,仅当α小于限制α0时,整个序列小于区间[a,b],此时输变电设备处于正常健康状态。
3.根据权利要求1所述的一种基于大数据的输变电设备健康评估系统,其特征在于,所述设备健康评估系统根据输变电设备数据情况对设备的健康状态进行评估具体包括如下步骤:
步骤(1):利用基于Spark流式处理的K-Means聚类算法进行工况识别,如果是已有的工况空间,则计算每个微簇的高斯云模型参数,将其跃升到所需的概念层次,如果不是已有的工况空间,则训练新的健康状态评估模型并存入标准高斯云模型库;
步骤(2):确定健康指数;
步骤(3):确定设备健康等级。
4.根据权利要求3所述的一种基于大数据的输变电设备健康评估系统,其特征在于,所述步骤(1)利用基于Spark流式处理的K-Means聚类算法进行工况识别具体包括如下步骤:
步骤(11):利用电网关键设备正常运行的工况历史数据样本或初始的数据点,采用标准的K-Means聚类算法形成m个聚类,即m个工况,将m个聚类中心作为在线流数据的初始聚类中心,其中,标准的K-Means聚类算法标准测度函数为:K为类簇总数,μi为聚类中心,xj为数据样本;
步骤(12):对于当前时间窗口内的实时数据流,划分成K个微簇;
步骤(13):若某个微簇与步骤(11)中某个聚类中心的距离小于Rmax,则把其归入到该簇中,若微簇与所有m个聚类中心的距离均大于Rmax,则另外建立一个新的簇;
步骤(14):时间窗口继续向前滑动,重复步骤(11)。
5.根据权利要求3所述的一种基于大数据的输变电设备健康评估系统,其特征在于,所述步骤(1)中高斯云模型为:
确定初始值,假设第k个工况所对应的数据集为Xk,数据点个数为n,首先统计Xk的频度分布h(yj)=p(xi),i=1,2,…,Ni,j=1,2,…,Nj,y为样本论域空间,统计h(yj)的极大值点的个数M,作为初始概念个数,则第k个高斯分布的初始参数设定为:σk=max(X),
定义并计算目标函数,式中,
根据极大似然估计计算出模型的新参数μk,ak:
计算目标函数的估计值J(θ’),如果|J(θ’)-J(θ)|≤ε1,则停止计算,否则继续计算参数μk,ak;
输出一组合云
6.根据权利要求3所述的一种基于大数据的输变电设备健康评估系统,其特征在于,所述步骤(2)确定健康指数具体为:
针对设备运行历史数据,将每种运行工况下的设备状态用高斯云模型的组合表示出来,这一组高斯云模型同时表示设备在该运行工况下的标准运行状态,即系统状态用一个组合云G0来表示:当设备状态发生变化时,表示机组状态的组合云向量变为:
用算术平均最小贴近度h反映设备当前状态偏离标准状态的大小,令H作为机组的健康指数,某个工况下的健康度计算过程如下:
式中,ωi为第i个高斯云的权重系数,ωj为该工况下第j个高斯云模型的权重系数;
式中,α用于平衡当前健康指数的历史值和当前值之间的关系,当α偏大时,健康指数H受历史值的影响较大而受新产生的数据影响较小,使得健康指数H变化更平稳,当α偏小时则相反;机组处于完全健康状态时,健康指数为1,随着与标准状态偏离度的增大,则机组健康指数随之降低。
7.根据权利要求3所述的一种基于大数据的输变电设备健康评估系统,其特征在于,所述步骤(3)确定设备健康等级根据健康指数的大小将设备分为健康、良好、警示、恶化和严重五种健康状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811366930.3A CN109711664B (zh) | 2018-11-16 | 2018-11-16 | 一种基于大数据的输变电设备健康评估系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811366930.3A CN109711664B (zh) | 2018-11-16 | 2018-11-16 | 一种基于大数据的输变电设备健康评估系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109711664A true CN109711664A (zh) | 2019-05-03 |
CN109711664B CN109711664B (zh) | 2022-08-19 |
Family
ID=66254907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811366930.3A Active CN109711664B (zh) | 2018-11-16 | 2018-11-16 | 一种基于大数据的输变电设备健康评估系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109711664B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110221173A (zh) * | 2019-06-20 | 2019-09-10 | 国网上海市电力公司 | 一种基于大数据驱动的配电网智能诊断方法 |
CN110543500A (zh) * | 2019-08-23 | 2019-12-06 | 国家电网有限公司 | 一种基于大数据的输变电设备健康评估平台 |
CN112801137A (zh) * | 2021-01-04 | 2021-05-14 | 中国石油天然气集团有限公司 | 一种基于大数据的石油管材质量动态评价方法及系统 |
CN113297800A (zh) * | 2021-06-11 | 2021-08-24 | 国网陕西省电力公司电力科学研究院 | 变电设备健康管理方法、系统、终端设备及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140244343A1 (en) * | 2013-02-22 | 2014-08-28 | Bank Of America Corporation | Metric management tool for determining organizational health |
CN107358347A (zh) * | 2017-07-05 | 2017-11-17 | 西安电子科技大学 | 基于工业大数据的装备集群健康状态评估方法 |
CN107658020A (zh) * | 2017-09-07 | 2018-02-02 | 广州九九加健康管理有限公司 | 一种基于精准健康管理的智能健康评估分析方法及系统 |
CN108053121A (zh) * | 2017-12-18 | 2018-05-18 | 广东广业开元科技有限公司 | 一种基于ahp的建筑消防安全大数据健康度评估方法 |
-
2018
- 2018-11-16 CN CN201811366930.3A patent/CN109711664B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140244343A1 (en) * | 2013-02-22 | 2014-08-28 | Bank Of America Corporation | Metric management tool for determining organizational health |
CN107358347A (zh) * | 2017-07-05 | 2017-11-17 | 西安电子科技大学 | 基于工业大数据的装备集群健康状态评估方法 |
CN107658020A (zh) * | 2017-09-07 | 2018-02-02 | 广州九九加健康管理有限公司 | 一种基于精准健康管理的智能健康评估分析方法及系统 |
CN108053121A (zh) * | 2017-12-18 | 2018-05-18 | 广东广业开元科技有限公司 | 一种基于ahp的建筑消防安全大数据健康度评估方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110221173A (zh) * | 2019-06-20 | 2019-09-10 | 国网上海市电力公司 | 一种基于大数据驱动的配电网智能诊断方法 |
CN110221173B (zh) * | 2019-06-20 | 2021-06-04 | 国网上海市电力公司 | 一种基于大数据驱动的配电网智能诊断方法 |
CN110543500A (zh) * | 2019-08-23 | 2019-12-06 | 国家电网有限公司 | 一种基于大数据的输变电设备健康评估平台 |
CN112801137A (zh) * | 2021-01-04 | 2021-05-14 | 中国石油天然气集团有限公司 | 一种基于大数据的石油管材质量动态评价方法及系统 |
CN113297800A (zh) * | 2021-06-11 | 2021-08-24 | 国网陕西省电力公司电力科学研究院 | 变电设备健康管理方法、系统、终端设备及可读存储介质 |
CN113297800B (zh) * | 2021-06-11 | 2024-01-23 | 国网陕西省电力公司电力科学研究院 | 变电设备健康管理方法、系统、终端设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109711664B (zh) | 2022-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108320043B (zh) | 一种基于电力大数据的配电网设备状态诊断预测方法 | |
CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
CN103793853B (zh) | 基于双向贝叶斯网络的架空输电线路运行状态评估方法 | |
CN102289590B (zh) | Sf6高压断路器运行状态评估方法及智能系统 | |
CN110969347B (zh) | 一种输电网结构形态评估方法 | |
CN105740975B (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
CN104573881B (zh) | 一种基于退化数据建模的服役设备剩余寿命自适应预测方法 | |
CN109491339A (zh) | 一种基于大数据的变电站设备运行状态预警系统 | |
CN109978222A (zh) | 一种基于贝叶斯网络的风电爬坡事件概率预测方法及系统 | |
CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
CN109711664A (zh) | 一种基于大数据的输变电设备健康评估系统 | |
CN103840988A (zh) | 一种基于rbf神经网络的网络流量测量方法 | |
CN104318347A (zh) | 一种基于多传感器信息融合的输电线路覆冰状态评估方法 | |
CN104765965A (zh) | 基于模糊Petri的GIS故障诊断与可靠性分析方法 | |
CN106228270A (zh) | 一种大数据驱动的挤压设备的能耗预测方法及其系统 | |
CN103207944A (zh) | 一种电力统计指标关联性分析方法 | |
CN116579768B (zh) | 一种发电厂在线仪表运维管理方法及系统 | |
CN113988655A (zh) | 一种计及多气象因素的输电线路运行状态评估方法 | |
CN103617447A (zh) | 智能变电站的评价系统及评价方法 | |
CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
CN111161095A (zh) | 一种检测建筑能源异常消耗的方法 | |
CN105139157A (zh) | 一种基于能源数据的企业管理方法和系统 | |
CN117172530A (zh) | 基于数据挖掘算法的企业运营风险评估系统及方法 | |
Zhang et al. | Analytic hierarchy process-based fuzzy post mining method for operation anomaly detection of building energy systems | |
CN110533213A (zh) | 基于支持向量机的输电线路缺陷风险建模及其预测方法 |
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 |