CN110210632A - 基于泛在电力物联网的故障应急处理方法、装置及终端 - Google Patents
基于泛在电力物联网的故障应急处理方法、装置及终端 Download PDFInfo
- Publication number
- CN110210632A CN110210632A CN201910467652.9A CN201910467652A CN110210632A CN 110210632 A CN110210632 A CN 110210632A CN 201910467652 A CN201910467652 A CN 201910467652A CN 110210632 A CN110210632 A CN 110210632A
- Authority
- CN
- China
- Prior art keywords
- power supply
- supply unit
- electric power
- candidate
- things
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 71
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000003860 storage Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims description 35
- 238000003745 diagnosis Methods 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 15
- 230000002068 genetic effect Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 11
- 230000006870 function Effects 0.000 description 17
- 238000007689 inspection Methods 0.000 description 9
- 230000005611 electricity Effects 0.000 description 8
- 230000008439 repair process Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 230000001537 neural effect Effects 0.000 description 6
- 238000013024 troubleshooting Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007257 malfunction Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241001310793 Podium Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明适用于电力故障处理技术领域,提供了一种基于泛在电力物联网的故障应急处理方法、故障应急处理装置、终端及计算机可读存储介质。其中,所述故障应急处理方法包括:获取报修地址;根据所述报修地址进行供电路径分析,确定至少一个候选供电设备;获取与所述至少一个候选供电设备关联的泛在电力物联网感测的电力数据;根据所述电力数据对各候选供电设备进行故障分析,确定至少一个目标供电设备;基于所述至少一个目标供电设备进行故障应急处理。本发明能够提供对电力故障进行处理的准确性和及时性。
Description
技术领域
本发明属于电力故障处理技术领域,尤其涉及一种基于泛在电力物联网的故障应急处理方法、故障应急处理装置、终端及计算机可读存储介质。
背景技术
近年来,国内外大范围停电事故频发。2003年美国发生“8.14”停电事故,波及整个东部电网,停电时间29小时,损失负荷61800MW,影响地域24000平方千米。随后,英国、马来西亚、丹麦、瑞典、意大利、俄罗斯、委内瑞拉又相继发生大面积停电事故,给社会和经济造成巨大损失。可见,如何在故障发生前实时监控、精准预判,在故障发生后快速分析诊断、及时抢修,防止事故的扩大化,是故障应急处置领域的重大难题。
目前的故障应急处理方法通常需要在接收到报修信息或保护跳闸信息后,人工核查供电线路,并根据人工经验进行故障设备的判断和故障影响范围的确定,判断结果的准确性不够高,一定程度上也影响了故障应急处理的及时性。
发明内容
有鉴于此,本发明提供了一种基于泛在电力物联网的故障应急处理方法、故障应急处理装置、终端及计算机可读存储介质,能够提高提供对电力故障进行处理的准确性和及时性。
本发明实施例的第一方面提供了一种基于泛在电力物联网的故障应急处理方法,包括:
获取报修地址;
根据所述报修地址进行供电路径分析,确定至少一个候选供电设备;
获取与所述至少一个候选供电设备关联的泛在电力物联网感测的电力数据;
根据所述电力数据对各候选供电设备进行故障分析,确定至少一个目标供电设备;
基于所述至少一个目标供电设备进行故障应急处理。
本发明实施例的第二方面提供了一种基于泛在电力物联网的故障应急处理装置,包括:
第一获取单元,用于获取报修地址;
路径分析单元,用于根据所述报修地址进行供电路径分析,确定至少一个候选供电设备;
第二获取单元,用于获取与所述至少一个候选供电设备关联的泛在电力物联网感测的电力数据;
故障分析单元,用于根据所述电力数据对各候选供电设备进行故障分析,确定至少一个目标供电设备;
故障处理单元,用于基于所述至少一个目标供电设备进行故障应急处理。
本发明实施例的第三方面提供了一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如任一项所述基于泛在电力物联网的故障应急处理方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如任一项所述基于泛在电力物联网的故障应急处理方法的步骤。
本发明与现有技术相比存在的有益效果是:
本发明通过获取报修地址,并根据报修地址进行供电路径分析,确定至少一个候选供电设备;之后获取与所述至少一个候选供电设备关联的泛在电力物联网感测的电力数据,并根据所述电力数据对各候选供电设备进行故障分析,确定至少一个目标供电设备,最后基于所述至少一个目标供电设备进行故障应急处理,解决了现有技术中对电力故障的应急处理的准确性和及时性不够的问题,也即,通过报修地址进行供电路径分析,确定出可能影响报修地址供电的(或者说可能出现设备故障的)候选供电设备,并且进一步的利用与各候选供电设备关联的泛在电力物联网进行电力数据感测,通过感测到的电力数据进行故障分析,由于泛在电力物联网可以感测到多种节点的电力数据,由此得到的故障分析结果更为准确,从而可以准确定位到发生故障的目标供电设备,进而有利于针对该发生故障的目标供电设备进行及时的故障处理维修。可见本发明能够提高对电力故障进行应急处理的准确性和及时性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于泛在电力物联网的故障应急处理方法的实现流程图;
图2是本发明另一实施例提供的基于泛在电力物联网的故障应急处理方法的实现流程图;
图3是本发明实施例提供的基于泛在电力物联网的故障应急处理装置的结构示意图;
图4是本发明实施例提供的终端的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
参见图1,其示出了本发明实施例提供的基于泛在电力物联网的故障应急处理方法的实现流程图,详述如下:
在步骤101中、获取报修地址。
在本发明实施例中,用户一侧在发生停电故障之后,可以进行报修并上报报修地址或者停电地址。本发明实施例所提供的基于泛在电力物联网的故障应急处理方法可以应用于一终端,该终端可以获取用户上报的报修地址,并根据获取的报修地址进行后续故障应急处理。
在一个实施例中,电网中出现故障,某保护设备如断路器被触发执行断路动作之后,终端也可以获取该断路器所在的地址,作为报修地址。
在步骤102中、根据所述报修地址进行供电路径分析,确定至少一个候选供电设备。
在本发明实施例中,根据报修地址可以进行模糊定位,确定该报修地址的供电路径,并按照一定的拓扑连接关系对该供电路径上的设备进行检测,确定至少一个可能发生故障的供电设备(候选供电设备)。
示例性的,可以依据电网拓扑关系由下往上追溯到报修地址所属的配电变压器设备,并将该配电变压器设备确定为候选供电设备,还可以进一步的针对该配电变压器进行故障分析,以判断该配电变压器设备是否有停电告警,有则报修为该配电变压器设备的故障,无则可以报修为低压单户故障。
在步骤103中、获取与所述至少一个候选供电设备关联的泛在电力物联网感测的电力数据。
泛在电力物联网,就是围绕电力系统各环节,充分应用移动互联、人工智能等现代信息技术、先进通信技术,实现电力系统各环节万物互联、人机交互,具有状态全面感知、信息高效处理、应用便捷灵活特征的智慧服务系统,包含感知层、网络层、平台层、应用层四层结构。
在实际应用中,借助于泛在电力物联网,利用各类传感器、视频采集装置,提升设备信息采集监控能力;利用智能分析系统,结合设备故障信息库,实现故障智能识别,缩小设备故障范围;利用自动派单系统,结合运检人员信息库、备品备件库、抢修车辆管理系统、一键顺控操作系统等子系统,可以实现抢修工单智能派发,人员迅速反应,检修现场快速布置,缩短抢修工作准备时长。
泛在电力物联网可以感测电网中的供电设备的多种电力数据,例如,可以感测开关类设备的开关量数据,也可以感测相关电气类设备的电气量数据。在本发明实施例中,可以获取与所述至少一个候选供电设备关联的泛在电力物联网感测的电力数据,并利用这些电力数据,对各候选供电设备当前的实际工作状态进行更加准确的分析和确定。
在步骤104中、根据所述电力数据对各候选供电设备进行故障分析,确定至少一个目标供电设备;
在本发明实施例中,通过获取到的与所述至少一个候选供电设备关联的泛在电力物联网感测的电力数据,分析各候选供电设备当前的实际工作状态,进而判断各候选供电设备是否出现异常。最后可以将出现异常的候选供电设备确定为发生故障导致本次报修的目标供电设备。
示例性的,在根据一个报修地址进行供电路径分析后,确定某供电路径上的候选供电设备为电能表A、变电站B和开关设备C,进而可以利用与电能表A、变电站B和开关设备C分别关联的泛在电力物联网进行电力数据召测,进而按照供电路径的拓扑顺序由下往上追溯,对电能表A召测的电力数据可以包括三相电流A,对变电站B召测的电力数据可以包括三相电流B,对开关设备C召测的电力数据可以包括电流C。具体故障分析过程可以如下:若三相电流A不为0,则表示电能表A工作正常,可以判定本次报修的故障原因可能为用户内部线路路障;若三相电流A为0,且,三相电流B不为0,则可以判定出现异常的目标供电设备为电能表A,并可以确定本次报修的故障为低压故障;若三相电流A为0,且,三相电流B为0,且,电流C不为0,则可以判定出现异常的目标供电设备为变电站B,并可以确定本次报修的故障为低压故障;若三相电流A为0,且,三相电流B为0,且,电流C为0,则可以判定出现异常的目标供电设备为开关设备C,并可以确定本次报修的故障为中高压故障。
在步骤105中、基于所述至少一个目标供电设备进行故障应急处理。
在本发明实施例中,当确定发生故障的目标供电设备之后,可以将其信息反馈至运检人员进行确认,并执行与该目标供电设备相关的故障处置流程。最终实现了设备状态信息实时监控、故障信息预警预判,实现元器件故障快速定位、反馈及运检人员快速响应。
由上可知,本发明通过获取报修地址,并根据报修地址进行供电路径分析,确定至少一个候选供电设备;之后获取与所述至少一个候选供电设备关联的泛在电力物联网感测的电力数据,并根据所述电力数据对各候选供电设备进行故障分析,确定至少一个目标供电设备,最后基于所述至少一个目标供电设备进行故障应急处理,解决了现有技术中对电力故障的应急处理的准确性和及时性不够的问题,也即,通过报修地址进行供电路径分析,确定出可能影响报修地址供电的(或者说可能出现设备故障的)候选供电设备,并且进一步的利用与各候选供电设备关联的泛在电力物联网进行电力数据感测,通过感测到的电力数据进行故障分析,由于泛在电力物联网可以感测到多种节点的电力数据,由此得到的故障分析结果更为准确,从而可以准确定位到发生故障的目标供电设备,进而有利于针对该发生故障的目标供电设备进行及时的故障处理维修。可见本发明能够提高对电力故障进行应急处理的准确性和及时性。
图2示出了本发明实施例提供的基于泛在电力物联网的故障应急处理方法的实现流程图,详述如下:
在步骤201中、获取报修地址;
在步骤202中、确定当前是否存在与所述报修地址相关联的故障事件;
在步骤203中、若不存在与所述报修地址相关联的故障事件,则根据所述报修地址进行供电路径分析,确定至少一个候选供电设备;
在本发明实施例中,在获取到报修地址之后,可以首先确定当前是否存在与所述报修地址相关联的故障事件,具体可以获取当前的故障事件以确定当前的故障事件所影响的停电区域,若获取到的报修地址处于当前已确定的故障事件所影响的停电区域之内,则可以直接确定本次报修的故障原因。
若获取到的报修地址未处于当前已确定的故障事件所影响的停电区域之内,则可以执行根据所述报修地址进行供电路径分析,确定至少一个候选供电设备及其后续步骤。
在步骤204中、获取与所述至少一个候选供电设备关联的泛在电力物联网感测的电力数据
在步骤205中、根据所述电力数据对各候选供电设备进行故障分析,确定至少一个目标供电设备
在步骤206中、基于所述至少一个目标供电设备进行故障应急处理
在本发明实施例中,上述步骤203中根据所述报修地址进行供电路径分析,确定至少一个候选供电设备以及步骤204至步骤206具体可参见图1所示实施例中的步骤102至步骤105,在此不再赘述。
可选的,所述电力数据包括来自两个以上的不同数据源的数据信息;上述步骤203中,所述根据所述报修地址进行供电路径分析,确定至少一个候选供电设备可以包括:
对所述来自两个以上的不同数据源的数据信息进行信息融合;
根据信息融合后的电力数据判断各候选供电设备的工作状态是否出现异常;
将工作状态出现异常的候选供电设备确定为目标供电设备。
信息融合(Information fusion)技术是一种多源信息的综合技术,通过对来自不同数据源的信息进行分析和智能化合成,获得被测对象及其性质的最佳一致估计,从而可以产生比单一信息源更精确、更完全的估计和决策。
在本发明实施例中,可以采用信息融合技术来自两个以上的不同数据源的数据信息(例如开关量与电气量)进行信息融合,实现对来自不同数据源的信息的综合利用,从而可以极大地提高诊断系统的实时性和准确性,有效地避免由于故障信息的不确定性而导致的错误诊断。
具体的,电网出现故障时会导致相应的保护动作,将故障点与电网隔离,以防止故障扩大,当保护或断路器因故未动作时,将根据一定的逻辑关系启动后备保护以保障电网安全运,电网的故障诊断即可根据检测到的保护或断路器信息进行故障点的判断,但实际过程中诊断信息通常是不完备的,此时,利用保护与断路器动作信号的融合可有效处理电网故障诊断过程中信息的不完备问题。
在实际情况中获取的信息通常是不完备的,特别是出现保护或断路器动作但相关信号未传入诊断系统的情况(即不可观测保护状态),故障状态通常无法得到诊断。因此,可以采用信息融合的方式解决信息的不完备问题。
在电网故障诊断过程中,采集数据中存在不完备信息是不可避免的,基于信息融合技术的电网故障诊断方法,通过数据间存在的逻辑关系,利用信息融合技术解决不完备信息存在所带来的诊断问题,进而得到某些故障发生的概率,便于进一步的故障判断。
基于信息融合技术的电网故障诊断方法,将前端终端通信设备采集的设备地理位置、文本、图片、语言、视频等信息进行融合分析,同时,结合中压电网拓扑关系从上至下进行电网拓扑分析,确定设备故障范围,并将设备故障信息上报故障处理模块进行处理。
可选的,所述根据所述报修地址进行供电路径分析,确定至少一个候选供电设备包括:
获取目标供电网络的拓扑结构;
根据所述目标供电网络的拓扑结构,确定与所述报修地址对应的供电路径;
获取所述供电路径上的供电设备的状态信息;
将所述供电设备的状态信息输入预先训练好的故障诊断模型,得到所述供电路径上各供电设备的故障发生概率;
将所述故障发生概率大于预设阈值的供电设备确定为候选供电设备。
在本发明实施例中,可以通过预先训练好的故障诊断模型对供电路径上各供电设备的故障发生概率进行预测,从而快速根据已知信息确定候选供电设备。
可选的,在将所述供电设备的状态信息输入预先训练好的故障诊断模型,得到所述供电路径上各供电设备的故障发生概率之前还包括:
建立故障信息知识库;
基于所述故障信息知识库对预设的初始神经网络进行训练,得到训练好的故障诊断模型。
在本发明实施例中,故障诊断模型可以是一种基于知识的计算机程序系统(专家系统(Expert System,ES)),其内部含有大量的某个领域专家水平的知识和经验,它应用人工智能技术,根据专家提供的知识及其推理能力,模拟人类专家做出决策的思维过程,来解决原来只有专家才能解决的复杂问题。
专家系统在电网故障诊断中的典型应用可以归结为:首先建立故障信息知识库,并用自然语言建立产生式规则;然后基于对这一产生式规则的理解,知识工程师将知识表示成机器语言并通过人机接口储存到知识库中;故障发生时,将故障信息输入到推理机,推理机根据当前输入的故障信息,运用知识库中的知识,按一定的策略进行推理,从而识别出故障元件。
具体的,在对上述的神经网络进行训练时,首先获取故障信息知识库中的信息数据,这些信息数据可以包括供电设备的参数状态(电气参数、开关参数),将实这些信息数据的一部分进行人工标注(标注该参数状态下供电设备是否存在供电故障)作为训练数据,另一部分作为测试数据。以训练数据的特征值作为神经网络的输入,按照人工标注的结果,将每个特征值分配到对应的故障特征向量中。依据该方法对神经网络的参数进行训练,直到该神经网络能够根据输入的测试数据的特征值得到对应的故障特征。
可选的,所述基于所述故障信息知识库对预设的初始神经网络进行训练,得到训练好的故障诊断模型包括:在训练过程中,利用BP算法对故障诊断模型的第一参数进行参数优化,其中,所述第一参数表示局部性参数。
神经网络BP算法是一种建立和调整模糊推理控制系统的良好方法,其本质上是一种从局部区域考虑的梯度法,利用BP算法可以对故障诊断模型的局部性参数进行参数优化。
可选的,所述基于所述故障信息知识库对预设的初始神经网络进行训练,得到训练好的故障诊断模型包括:在训练过程中,利用遗传算法对故障诊断模型的第二参数进行参数优化,其中,所述第二参数表示全局性参数。
遗传算法(Genetic Algorithms,GA)是一种基于自然选择和自然遗传的全局优化算法。采用从自然选择机理中抽象出来的选择,交叉和变异三种遗传算子对参数编码字符串进行操作。由于操作是针对多个可行解构成的群体进行.故在其世代更替中可以并行地对参数空间的不同区域进行搜索。并使搜索朝更有可能找到最优的全局解方向进行。由于GA在寻优过程中只使用评价函数,不要求目标函数的可微性,因此,GA算法具有全局性、并行性、快速性。较好的适应性和鲁棒性的特点是训练神经网络的一种理想算法。
在本发明实施例中,通过遗传算法不仅可优化神经推理系统的参数,而且可以优化神经推理系统的结构。使用遗传算法可以修正冗余的隶属函数和网络的节点数,以优化模糊推理规则。为了发挥GA算法和BP算法的长处。用GA算法优化具有全局性的参数和网络结构.用BP算法调节和优化具有局部性的参数.这样GA算法作为一种离线训练模糊神经推理控制器,用BP算法作为一种在线调节神经网络的局部性参数。这样采用GA算法训练神经网络,可以大大提高神经推理控制系统的自学习性能和鲁棒性。
在本发明实施例中,专家系统在运行时,模糊神经推理控制器可以进行动态学习,优化神经网络的权值。系统中的自学习控制模块用来调度模糊神经推理控制器的离线学习。系统对被处理对象进行全局的分析.从系统角度识别对象的总体状态,使得神经网络和遗传算法的数据处理与模式判别能力能够进行总体协调,同时使基于规则的专家系统的启发式推理能力得到充分的发挥,并在用户的积极参与下实现知识和样本的创造,并且使得专家经验融人到系统中,极大地提高了系统的可塑性和扩充性。在系统中.调度及推理模块对被处理对象进行全方位的描述,进行多重分析任务的调度,实现系统水平上的总控
在本发明实施例中,通过将遗传算法、神经网络和专家系统相融合,形成基于神经网络和遗传算法的故障诊断专家系统,提高了故障诊断专家系统的透明性和灵活性,增强了对复杂故障实时诊断的推理能力,从而提高了系统的智能性和诊断效率。
在本发明实施例中,应用于故障处理方向,可以建立智能运检管控平台实施故障应急处理,实现人员、车辆、工器具、备品备件、票卡及安措的快速响应以及信息汇集、过程管控、预警研判和指挥协调等重大功能。
第一,基于运检人员信息库推送抢修人员。建立基于人员的年龄、健康情况、技能水平、技能专长、安全“驾照”信息、出勤值班情况、作业历史记录等信息的运检人员信息库。其中出勤值班包括8小时工作时间内的在岗及请假情况、8小时工作时间外的值班情况等。数据库自动记录人员作业情况并智能更新,根据人员信息情况、外出作业频度,分析人员的安全承载力。
第二,基于抢修车辆管理系统派发车辆。对常备抢修车辆、工具车、布缆车、吊车、斗臂车等车辆在岗信息以及车况集中监控,抢修工具车上装载常用抢修工器具、试验设备、耗材等。根据故障所需车辆类型、在岗信息合理调配车辆,经审批后将车辆选派信息发送到车辆管理人员。
第三,基于备品备件库推送工器具及备件位置。运检人员确认缺陷信息后,自动生成抢修工单,对运检人员信息库、备品备件库、车辆管理系统进行智能分析,选出合适的运检人员、抢修车辆,并通过手机APP进行工单派发;工单派发后,人员、车辆对派单信息进行反馈,接单人员可通过APP查看检修试验工作内容,需携带工器具、试验装备、备品备件清单及存放地点,确保抢修人员、车辆及备品备件到位及时。
第四,依据故障设备检修所需停电范围、工作任务单,自动生成“两票一卡”(工作票、操作票、作业指导卡);利用“一键顺控”操作系统,快速完成故障设备隔离;利用检修现场三维模型、自动式电子围栏,快速布置检修现场全封闭安全措施。
由上可知,本发明通过获取报修地址,并根据报修地址进行供电路径分析,确定至少一个候选供电设备;之后获取与所述至少一个候选供电设备关联的泛在电力物联网感测的电力数据,并根据所述电力数据对各候选供电设备进行故障分析,确定至少一个目标供电设备,最后基于所述至少一个目标供电设备进行故障应急处理,解决了现有技术中对电力故障的应急处理的准确性和及时性不够的问题,也即,通过报修地址进行供电路径分析,确定出可能影响报修地址供电的(或者说可能出现设备故障的)候选供电设备,并且进一步的利用与各候选供电设备关联的泛在电力物联网进行电力数据感测,通过感测到的电力数据进行故障分析,由于泛在电力物联网可以感测到多种节点的电力数据,由此得到的故障分析结果更为准确,从而可以准确定位到发生故障的目标供电设备,进而有利于针对该发生故障的目标供电设备进行及时的故障处理维修。可见本发明能够提高对电力故障进行应急处理的准确性和及时性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
图3示出了本发明实施例提供的基于泛在电力物联网的故障应急处理装置的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
如图3所示,基于泛在电力物联网的故障应急处理装置3包括:第一获取单元31,路径分析单元32,第二获取单元33,故障分析单元34和故障处理单元35。各单元具体功能如下:
第一获取单元31,用于获取报修地址;
路径分析单元32,用于根据所述报修地址进行供电路径分析,确定至少一个候选供电设备;
第二获取单元33,用于获取与所述至少一个候选供电设备关联的泛在电力物联网感测的电力数据;
故障分析单元34,用于根据所述电力数据对各候选供电设备进行故障分析,确定至少一个目标供电设备;
故障处理单元35,用于基于所述至少一个目标供电设备进行故障应急处理。
可选的,基于泛在电力物联网的故障应急处理装置3还包括:
确定单元,用于在路径分析单元32根据所述报修地址进行供电路径分析,确定至少一个候选供电设备之前,确定当前是否存在与所述报修地址相关联的故障事件;
相应的,路径分析单元32还用于,若确定单元确定不存在与所述报修地址相关联的故障事件,则根据所述报修地址进行供电路径分析,确定至少一个候选供电设备。
可选的,所述电力数据包括来自两个以上的不同数据源的数据信息;基于泛在电力物联网的故障应急处理装置3还包括:
信息融合单元,用于对所述来自两个以上的不同数据源的数据信息进行信息融合;
状态判断单元,用于根据信息融合后的电力数据判断各候选供电设备的工作状态是否出现异常;
相应的,故障分析单元34具体用于,将工作状态出现异常的候选供电设备确定为目标供电设备。
可选的,基于泛在电力物联网的故障应急处理装置3还包括:
第三获取单元,用于获取目标供电网络的拓扑结构;
供电路径确定单元,用于根据所述目标供电网络的拓扑结构,确定与所述报修地址对应的供电路径;
第四获取单元,用于获取所述供电路径上的供电设备的状态信息;
模型预测单元,用于将所述供电设备的状态信息输入预先训练好的故障诊断模型,得到所述供电路径上各供电设备的故障发生概率;
相应的,路径分析单元32具体用于,将所述故障发生概率大于预设阈值的供电设备确定为候选供电设备。
可选的,基于泛在电力物联网的故障应急处理装置3还包括:
知识库建立单元,用于在模型预测单元将所述供电设备的状态信息输入预先训练好的故障诊断模型,得到所述供电路径上各供电设备的故障发生概率之前,建立故障信息知识库;
模型训练单元,用于在模型预测单元将所述供电设备的状态信息输入预先训练好的故障诊断模型,得到所述供电路径上各供电设备的故障发生概率之前,基于所述故障信息知识库对预设的初始神经网络进行训练,得到训练好的故障诊断模型。
可选的,模型训练单元还用于,在训练过程中,利用BP算法对故障诊断模型的第一参数进行参数优化,其中,所述第一参数表示局部性参数。
可选的,模型训练单元还用于,在训练过程中,利用遗传算法对故障诊断模型的第二参数进行参数优化,其中,所述第二参数表示全局性参数。
由上可知,本发明通过获取报修地址,并根据报修地址进行供电路径分析,确定至少一个候选供电设备;之后获取与所述至少一个候选供电设备关联的泛在电力物联网感测的电力数据,并根据所述电力数据对各候选供电设备进行故障分析,确定至少一个目标供电设备,最后基于所述至少一个目标供电设备进行故障应急处理,解决了现有技术中对电力故障的应急处理的准确性和及时性不够的问题,也即,通过报修地址进行供电路径分析,确定出可能影响报修地址供电的(或者说可能出现设备故障的)候选供电设备,并且进一步的利用与各候选供电设备关联的泛在电力物联网进行电力数据感测,通过感测到的电力数据进行故障分析,由于泛在电力物联网可以感测到多种节点的电力数据,由此得到的故障分析结果更为准确,从而可以准确定位到发生故障的目标供电设备,进而有利于针对该发生故障的目标供电设备进行及时的故障处理维修。可见本发明能够提高对电力故障进行应急处理的准确性和及时性。
图4是本发明一实施例提供的终端的示意图。如图4所示,该实施例的终端4包括:处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个基于泛在电力物联网的故障应急处理方法实施例中的步骤,例如图1所示的步骤101至步骤103。或者,所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能,例如图3所示单元31至33的功能。
示例性的,所述计算机程序42可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器41中,并由所述处理器40执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序42在所述终端4中的执行过程。例如,所述计算机程序42可以被分割成第一获取单元,路径分析单元,第二获取单元,故障分析单元和故障处理单元。各单元具体功能如下:
第一获取单元,用于获取报修地址;
路径分析单元,用于根据所述报修地址进行供电路径分析,确定至少一个候选供电设备;
第二获取单元,用于获取与所述至少一个候选供电设备关联的泛在电力物联网感测的电力数据;
故障分析单元,用于根据所述电力数据对各候选供电设备进行故障分析,确定至少一个目标供电设备;
故障处理单元,用于基于所述至少一个目标供电设备进行故障应急处理。
所述终端4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图4仅仅是终端4的示例,并不构成对终端4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述终端4的内部存储单元,例如终端4的硬盘或内存。所述存储器41也可以是所述终端4的外部存储设备,例如所述终端4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器41还可以既包括所述终端4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于泛在电力物联网的故障应急处理方法,其特征在于,所述故障应急处理方法包括:
获取报修地址;
根据所述报修地址进行供电路径分析,确定至少一个候选供电设备;
获取与所述至少一个候选供电设备关联的泛在电力物联网感测的电力数据;
根据所述电力数据对各候选供电设备进行故障分析,确定至少一个目标供电设备;
基于所述至少一个目标供电设备进行故障应急处理。
2.根据权利要求1所述的基于泛在电力物联网的故障应急处理方法,其特征在于,在所述根据所述报修地址进行供电路径分析,确定至少一个候选供电设备之前还包括:
确定当前是否存在与所述报修地址相关联的故障事件;
相应的,所述根据所述报修地址进行供电路径分析,确定至少一个候选供电设备包括:
若不存在与所述报修地址相关联的故障事件,则根据所述报修地址进行供电路径分析,确定至少一个候选供电设备。
3.根据权利要求1或2所述的基于泛在电力物联网的故障应急处理方法,其特征在于,所述电力数据包括来自两个以上的不同数据源的数据信息;
所述根据所述电力数据对各候选供电设备进行故障分析,确定至少一个目标供电设备包括:
对所述来自两个以上的不同数据源的数据信息进行信息融合;
根据信息融合后的电力数据判断各候选供电设备的工作状态是否出现异常;
将工作状态出现异常的候选供电设备确定为目标供电设备。
4.根据权利要求3所述的基于泛在电力物联网的故障应急处理方法,其特征在于,所述根据所述报修地址进行供电路径分析,确定至少一个候选供电设备包括:
获取目标供电网络的拓扑结构;
根据所述目标供电网络的拓扑结构,确定与所述报修地址对应的供电路径;
获取所述供电路径上的供电设备的状态信息;
将所述供电设备的状态信息输入预先训练好的故障诊断模型,得到所述供电路径上各供电设备的故障发生概率;
将所述故障发生概率大于预设阈值的供电设备确定为候选供电设备。
5.根据权利要求3所述的基于泛在电力物联网的故障应急处理方法,其特征在于,在将所述供电设备的状态信息输入预先训练好的故障诊断模型,得到所述供电路径上各供电设备的故障发生概率之前还包括:
建立故障信息知识库;
基于所述故障信息知识库对预设的初始神经网络进行训练,得到训练好的故障诊断模型。
6.根据权利要求5所述的基于泛在电力物联网的故障应急处理方法,其特征在于,所述基于所述故障信息知识库对预设的初始神经网络进行训练,得到训练好的故障诊断模型包括:
在训练过程中,利用BP算法对故障诊断模型的第一参数进行参数优化,其中,所述第一参数表示局部性参数。
7.根据权利要求5所述的基于泛在电力物联网的故障应急处理方法,其特征在于,所述基于所述故障信息知识库对预设的初始神经网络进行训练,得到训练好的故障诊断模型包括:
在训练过程中,利用遗传算法对故障诊断模型的第二参数进行参数优化,其中,所述第二参数表示全局性参数。
8.一种基于泛在电力物联网的故障应急处理装置,其特征在于,所述故障应急处理装置包括:
第一获取单元,用于获取报修地址;
路径分析单元,用于根据所述报修地址进行供电路径分析,确定至少一个候选供电设备;
第二获取单元,用于获取与所述至少一个候选供电设备关联的泛在电力物联网感测的电力数据;
故障分析单元,用于根据所述电力数据对各候选供电设备进行故障分析,确定至少一个目标供电设备;
故障处理单元,用于基于所述至少一个目标供电设备进行故障应急处理。
9.一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上的权利要求1至7中任一项所述基于泛在电力物联网的故障应急处理方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述基于泛在电力物联网的故障应急处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910467652.9A CN110210632A (zh) | 2019-05-31 | 2019-05-31 | 基于泛在电力物联网的故障应急处理方法、装置及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910467652.9A CN110210632A (zh) | 2019-05-31 | 2019-05-31 | 基于泛在电力物联网的故障应急处理方法、装置及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110210632A true CN110210632A (zh) | 2019-09-06 |
Family
ID=67789888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910467652.9A Pending CN110210632A (zh) | 2019-05-31 | 2019-05-31 | 基于泛在电力物联网的故障应急处理方法、装置及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110210632A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110691126A (zh) * | 2019-09-25 | 2020-01-14 | 中南大学 | 一种物联网中提高代码覆盖率的可靠的代码分发策略 |
CN110752944A (zh) * | 2019-10-08 | 2020-02-04 | 中国联合网络通信集团有限公司 | 告警派单方法及装置 |
CN110807674A (zh) * | 2019-12-19 | 2020-02-18 | 国网河北省电力有限公司武安市供电分公司 | 一种基于泛在电力物联网的营销作业现场数据平台 |
CN111083207A (zh) * | 2019-12-03 | 2020-04-28 | 国家电网有限公司 | 基于泛在电力物联网抢修调度的系统及方法 |
CN111639107A (zh) * | 2020-05-26 | 2020-09-08 | 姜沛松 | 电力物联网故障检测方法、装置及检测终端 |
CN112054511A (zh) * | 2020-08-19 | 2020-12-08 | 厦门盈盛捷电力科技有限公司 | 电力系统事故处理措施与标准票的关联生成方法 |
CN113689064A (zh) * | 2021-05-24 | 2021-11-23 | 广西电网有限责任公司电力科学研究院 | 一种透明化变电站管理系统架构 |
CN114069803A (zh) * | 2022-01-14 | 2022-02-18 | 深圳市贝视特科技有限公司 | 便携式应急储能电源检测方法、装置、设备及存储介质 |
CN114828154A (zh) * | 2022-06-27 | 2022-07-29 | 深圳市信润富联数字科技有限公司 | 5g拓扑分析系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103427417A (zh) * | 2013-07-31 | 2013-12-04 | 国电南瑞科技股份有限公司 | 基于多源信息融合的配电网故障处理方法 |
CN105207121A (zh) * | 2015-09-23 | 2015-12-30 | 国家电网公司 | 基于拓扑分析的配电网故障抢修方法 |
CN106771848A (zh) * | 2016-11-22 | 2017-05-31 | 华中科技大学 | 一种基于拓扑图元信息融合的电网故障诊断方法 |
CN106779505A (zh) * | 2017-02-28 | 2017-05-31 | 中国南方电网有限责任公司 | 一种基于大数据驱动的输电线路故障预警方法及系统 |
CN107516170A (zh) * | 2017-08-30 | 2017-12-26 | 东北大学 | 一种基于设备故障概率和电网运行风险的差异自愈控制方法 |
CN107657375A (zh) * | 2017-09-25 | 2018-02-02 | 国网上海市电力公司 | 一种用于电网故障判定、核查及故障影响范围分析的方法 |
CN107944657A (zh) * | 2017-10-20 | 2018-04-20 | 国网山东省电力公司 | 一种电力多源信息故障定位及预判方法 |
CN108037415A (zh) * | 2017-12-15 | 2018-05-15 | 国网江苏省电力有限公司南京供电分公司 | 基于多源异构数据的配电网故障信息挖掘与诊断方法 |
CN108171362A (zh) * | 2017-12-11 | 2018-06-15 | 囯网河北省电力有限公司电力科学研究院 | 供电设施故障抢修方法、系统及终端设备 |
CN108734202A (zh) * | 2018-04-27 | 2018-11-02 | 西安工程大学 | 一种基于改进bp神经网络的高压断路器故障诊断方法 |
CN109116188A (zh) * | 2018-09-05 | 2019-01-01 | 广东电网有限责任公司 | 一种电力系统故障推演方法、装置、设备及可读存储介质 |
CN109523190A (zh) * | 2018-11-29 | 2019-03-26 | 国网河北省电力有限公司电力科学研究院 | 一种电能表的管理方法、管理装置及终端 |
CN109598386A (zh) * | 2018-12-12 | 2019-04-09 | 国网山东省电力公司临沂供电公司 | 一种基于深度学习的配网优化精准分析方法及系统 |
-
2019
- 2019-05-31 CN CN201910467652.9A patent/CN110210632A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103427417A (zh) * | 2013-07-31 | 2013-12-04 | 国电南瑞科技股份有限公司 | 基于多源信息融合的配电网故障处理方法 |
CN105207121A (zh) * | 2015-09-23 | 2015-12-30 | 国家电网公司 | 基于拓扑分析的配电网故障抢修方法 |
CN106771848A (zh) * | 2016-11-22 | 2017-05-31 | 华中科技大学 | 一种基于拓扑图元信息融合的电网故障诊断方法 |
CN106779505A (zh) * | 2017-02-28 | 2017-05-31 | 中国南方电网有限责任公司 | 一种基于大数据驱动的输电线路故障预警方法及系统 |
CN107516170A (zh) * | 2017-08-30 | 2017-12-26 | 东北大学 | 一种基于设备故障概率和电网运行风险的差异自愈控制方法 |
CN107657375A (zh) * | 2017-09-25 | 2018-02-02 | 国网上海市电力公司 | 一种用于电网故障判定、核查及故障影响范围分析的方法 |
CN107944657A (zh) * | 2017-10-20 | 2018-04-20 | 国网山东省电力公司 | 一种电力多源信息故障定位及预判方法 |
CN108171362A (zh) * | 2017-12-11 | 2018-06-15 | 囯网河北省电力有限公司电力科学研究院 | 供电设施故障抢修方法、系统及终端设备 |
CN108037415A (zh) * | 2017-12-15 | 2018-05-15 | 国网江苏省电力有限公司南京供电分公司 | 基于多源异构数据的配电网故障信息挖掘与诊断方法 |
CN108734202A (zh) * | 2018-04-27 | 2018-11-02 | 西安工程大学 | 一种基于改进bp神经网络的高压断路器故障诊断方法 |
CN109116188A (zh) * | 2018-09-05 | 2019-01-01 | 广东电网有限责任公司 | 一种电力系统故障推演方法、装置、设备及可读存储介质 |
CN109523190A (zh) * | 2018-11-29 | 2019-03-26 | 国网河北省电力有限公司电力科学研究院 | 一种电能表的管理方法、管理装置及终端 |
CN109598386A (zh) * | 2018-12-12 | 2019-04-09 | 国网山东省电力公司临沂供电公司 | 一种基于深度学习的配网优化精准分析方法及系统 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110691126A (zh) * | 2019-09-25 | 2020-01-14 | 中南大学 | 一种物联网中提高代码覆盖率的可靠的代码分发策略 |
CN110691126B (zh) * | 2019-09-25 | 2021-10-29 | 中南大学 | 一种物联网中提高代码覆盖率的可靠的代码分发策略 |
CN110752944A (zh) * | 2019-10-08 | 2020-02-04 | 中国联合网络通信集团有限公司 | 告警派单方法及装置 |
CN111083207A (zh) * | 2019-12-03 | 2020-04-28 | 国家电网有限公司 | 基于泛在电力物联网抢修调度的系统及方法 |
CN110807674A (zh) * | 2019-12-19 | 2020-02-18 | 国网河北省电力有限公司武安市供电分公司 | 一种基于泛在电力物联网的营销作业现场数据平台 |
CN111639107A (zh) * | 2020-05-26 | 2020-09-08 | 姜沛松 | 电力物联网故障检测方法、装置及检测终端 |
CN111639107B (zh) * | 2020-05-26 | 2023-08-04 | 广东信通通信有限公司 | 电力物联网故障检测方法、装置及检测终端 |
CN112054511A (zh) * | 2020-08-19 | 2020-12-08 | 厦门盈盛捷电力科技有限公司 | 电力系统事故处理措施与标准票的关联生成方法 |
CN113689064A (zh) * | 2021-05-24 | 2021-11-23 | 广西电网有限责任公司电力科学研究院 | 一种透明化变电站管理系统架构 |
CN114069803A (zh) * | 2022-01-14 | 2022-02-18 | 深圳市贝视特科技有限公司 | 便携式应急储能电源检测方法、装置、设备及存储介质 |
CN114828154A (zh) * | 2022-06-27 | 2022-07-29 | 深圳市信润富联数字科技有限公司 | 5g拓扑分析系统 |
CN114828154B (zh) * | 2022-06-27 | 2022-11-15 | 深圳市信润富联数字科技有限公司 | 5g拓扑分析系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110210632A (zh) | 基于泛在电力物联网的故障应急处理方法、装置及终端 | |
CN108931972B (zh) | 一种基于模型驱动的变电站二次设备状态智能诊断方法 | |
Leite et al. | Development of a self-healing strategy with multiagent systems for distribution networks | |
CN107346466A (zh) | 一种电力调度系统的控制方法及装置 | |
CN103679293A (zh) | 智能变电站告警和辅助决策系统 | |
CN106655158A (zh) | 一种基于智能电网的配电网自愈控制系统和方法 | |
CN109634243A (zh) | 一种基于智能机器人的调度程序化操作系统 | |
CN104657913A (zh) | 一种基于全数据模型的智能告警系统 | |
CN108923531A (zh) | 一种基于大数据的电网调度告警监视系统 | |
CN103477607B (zh) | 能量自动化设施和用于运行能量自动化设施的方法 | |
CN104360237A (zh) | 地区电网主设备故障在线智能辨识方法 | |
CN105245001A (zh) | 一种事件驱动的变电站事故智能告警处理方法和装置 | |
CN109978500A (zh) | 一种核电站失电试验管理系统 | |
CN108631298A (zh) | 一种基于负荷均衡分配的单元制配电网恢复策略生成方法 | |
CN106292499A (zh) | 智能变电站二次设备运维操作对象的安全防误方法及装置 | |
CN105337314B (zh) | 一种基于分布式电源黑启动技术的多源协调控制故障处理方法 | |
CN103197168A (zh) | 电力系统中基于事件集因果链实现故障诊断控制的方法 | |
CN103616877A (zh) | 能源管网的监控诊断方法和系统 | |
CN106774068A (zh) | 智能变电站防误实现方法和实现系统 | |
CN111049131A (zh) | 一种地区电网在线故障处置预案生成方法及系统 | |
CN115936399A (zh) | 操作票生成方法、装置、计算机设备和存储介质 | |
CN115829537A (zh) | 电池储能系统运维方法、装置、计算机设备和存储介质 | |
KR101896442B1 (ko) | Ict 융합형 풍력 발전 단지 모니터링 시스템, 서버 및 방법 | |
Sekhavatmanesh et al. | A Multi-agent based analytical approach for service restoration in distribution networks | |
CN106684839B (zh) | 一种基于plc和故障指示器结合的分界开关保护系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190906 |