CN110244188A - 一种电网故障诊断方法、装置及配电开关监控终端 - Google Patents
一种电网故障诊断方法、装置及配电开关监控终端 Download PDFInfo
- Publication number
- CN110244188A CN110244188A CN201910619963.2A CN201910619963A CN110244188A CN 110244188 A CN110244188 A CN 110244188A CN 201910619963 A CN201910619963 A CN 201910619963A CN 110244188 A CN110244188 A CN 110244188A
- Authority
- CN
- China
- Prior art keywords
- failure
- data
- network model
- neural network
- checked
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003745 diagnosis Methods 0.000 title claims abstract description 35
- 238000003062 neural network model Methods 0.000 claims abstract description 69
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 210000005036 nerve Anatomy 0.000 claims description 4
- 238000003909 pattern recognition Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000011780 sodium chloride Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- 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
-
- 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
-
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本申请公开了一种电网故障诊断方法，应用于配电开关监控终端，且所述配电开关监控终端设置有具有运算处理能力的元件，包括获取神经网络模型；获取当前待检数据；根据所述神经网络模型对所述当前待检数据进行分析，确定故障为潜在故障或者已发故障。本申请中的故障诊断方法直接在配电开关监控终端上进行，对当前待检数据进行诊断，不需将数据发送至配电主站，增强电网运行的鲁棒性，符合电网实时性要求，且减轻了配电主站的压力。此外，本申请还提供一种具有上述优点的装置和配电开关监控终端。
Description
技术领域
本申请涉及电力自动化技术领域，特别是涉及一种电网故障诊断方法、装置及配电开关监控终端。
背景技术
配电开关监控终端(简称FTU)是安装在配电室或馈线上的智能终端设备，具有遥控、遥测、遥信，故障检测功能，并与配电自动化主站通信，提供配电系统运行情况和各种参数即监测控制所需信息，包括开关状态、电能参数、相间故障、接地故障以及故障时的参数，并执行配电主站下发的命令，对配电设备进行调节和控制，实现故障定位、故障隔离和非故障区域快速恢复供电等功能。
近年来，随着配电自动化建设的快速推进，FTU数据采集以及存储能力大幅提升，FTU将采集到的数据传输至配电主站或者云端，配电主站或者云端对数据进行处理，对故障进行预测、识别以及定位，从而将命令下发至FTU，FTU在处理大规模数据或者运行一些复杂的算法时，耗时长。现行数据处理机制也无法对FTU采集的数据进行最大化利用，并且此种方式决策响应延迟高，响应时间过长，不符合电网应用实时性的要求。
因此，FTU如何对采集的数据进行有效利用，对故障进行诊断是本领域技术人员亟待解决的技术问题。
发明内容
本申请的目的是提供一种电网故障诊断方法、装置和配电开关监控终端，以解决现有技术中依靠配电主站分析数据，缺乏实时性的问题。
为解决上述技术问题，本申请提供一种电网故障诊断方法，应用于配电开关监控终端，且所述配电开关监控终端设置有具有运算处理能力的元件，包括：
获取神经网络模型；
获取当前待检数据；
根据所述神经网络模型对所述当前待检数据进行分析，确定故障为潜在故障或者已发故障。
可选的，具有运算处理能力的元件为下述任一种元件：
GPU、FPGA、CPU。
可选的，所述获取神经网络模型包括：
获取待处理数据，所述待处理数据包括配电开关监控终端工作环境数据、电网运行数据、配电主站发送的通讯数据；
过滤所述待处理数据，得到预处理数据；
根据所述预处理数据，构建所述神经网络模型。
可选的，当故障为潜在故障时，还包括：
分析所述潜在故障，得到所述潜在故障的发生概率和潜在故障类型；
发送所述发生概率和所述潜在故障类型至系统级芯片，以便所述系统级芯片发送控制指令至执行单元。
可选的，当故障为已发故障时，还包括：
确定所述已发故障的故障类型；
定位所述已发故障的故障位置；
发送所述故障类型和所述故障位置至系统级芯片，以便所述系统级芯片发送控制指令至执行单元。
可选的，所述确定所述已发故障的类型包括：
利用模式识别确定所述已发故障的所述类型。
可选的，所述根据所述预处理数据，构建神经网络模型包括：
获取训练数据；
根据所述预处理数据和所述训练数据，构建所述神经网络模型。
可选的，在所述根据所述神经网络模型对当前数据进行分析之前，还包括：
存储所述神经网络模型。
本申请还提供一种电网故障诊断装置，应用于配电开关监控终端，且所述配电开关监控终端设置有具有运算处理能力的元件，包括：
第一获取模块，用于获取神经网络模型；
第二获取模块，用于获取当前待检数据；
分析模块，用于根据所述神经网络模型对所述当前待检数据进行分析，确定故障为潜在故障或者已发故障。
本申请还提供一种配电开关监控终端，包括：
系统级芯片，用于接收当前待检数据；
具有运算处理能力的元件，用于获取神经网络模型；获取当前待检数据；根据所述神经网络模型对所述当前待检数据进行分析，确定故障为潜在故障或者已发故障。
本申请所提供的电网故障诊断方法，应用于配电开关监控终端，且所述配电开关监控终端设置有具有运算处理能力的元件，包括获取神经网络模型；获取当前待检数据；根据所述神经网络模型对所述当前待检数据进行分析，确定故障为潜在故障或者已发故障。
本申请中的故障诊断方法应用设置有具有运算处理能力的元件的配电开关监控终端，通过获取神经网络模型和当前待检数据，进而根据神经网络模型对当前待检数据进行分析，确定故障为潜在故障或者已发故障，可见，本申请中的故障诊断方法直接在配电开关监控终端上进行，对当前待检数据进行诊断，不需将数据发送至配电主站，增强电网运行的鲁棒性，符合电网实时性要求，且减轻了配电主站的压力。此外，本申请还提供一种具有上述有优点的装置和配电开关监控终端。
附图说明
为了更清楚的说明本申请实施例或现有技术的技术方案，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的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为本申请实施例所提供的一种电网故障诊断方法的流程图；
图2为本申请实施例所提供的另一种电网故障诊断方法的流程图；
图3为本申请实施例所提供的另一种电网故障诊断方法的流程图；
图4为本申请实施例提供的电网故障诊断装置的结构框图；
图5为本申请实施例所提供的配电开关监控终端的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
正如背景技术部分所述，目前FTU将采集到的数据传输至配电主站或者云端，配电主站或者云端对数据进行处理，从而将命令下发至FTU，FTU本身并不能够对数据进行处理。现行数据处理机制也无法对FTU采集的数据进行最大化利用，并且此种方式决策响应延迟高，响应时间过长，不符合电网应用实时性的要求。
有鉴于此，本申请提供了一种电网故障诊断方法，请参考图1，图1为本申请实施例所提供的一种电网故障诊断方法的流程图，该方法应用于配电开关监控终端，且所述配电开关监控终端设置有具有运算处理能力的元件，包括：
步骤S101：获取神经网络模型；
具体的，在本申请的一个实施例中，神经网络模型的获取方式为直接获取已经建立完成的神经网络模型，但是，本申请对此并不做具体限定，在本申请的其他实施例中，所述获取神经网络模型包括：
步骤S1011：获取待处理数据，所述待处理数据包括配电开关监控终端工作环境数据、电网运行数据、配电主站发送的通讯数据；
具体的，配电开关监控终端工作环境数据为温度、湿度、盐碱度等工作环境数据；电网运行数据为电压、电流、电能质量、负载情况、故障频率、峰谷差等数据；通讯数据为配电主站下发的数据和通讯频率等历史统计数据。
需要指出的是，待处理数据还可以包括物联网云平台的成熟神经网络模型数据，在运行初期，神经网络模型不够完善，可以通过物联网云平台获取成熟的神经网络模型数据，建立初期神经网络模型，后续通过实时运行数据，不断完善神经网络模型，获得更优的运行性能。
步骤S1012：过滤所述待处理数据，得到预处理数据；
具体的，过滤待处理数据，去掉待处理数据中的过时数据、重复数据等无效数据，使得到的预处理数据符合构建所述神经网络模型的要求。
优选地，当有数据丢失时，还包括补足丢失数据，使预处理数据符合构建所述神经网络模型的要求。
步骤S1013：根据所述预处理数据，构建所述神经网络模型。
需要说明的是。本实施例中对神经网络模型的种类不做具体限定，可自行设置。例如，神经网络模型可以为人工神经网络模型，或者BP(Back Propagation)神经网络模型。
步骤S102：获取当前待检数据；
步骤S103：根据所述神经网络模型对所述当前待检数据进行分析，确定故障为潜在故障或者已发故障。
需要说明的是，神经网络模型的建立和对当前待检数据进行分析既可以串行运行也可以为并行运行，本实施例中不做具体限定。
还需要说明的是，本实施例中对具有运算处理能力的元件的种类不做具体限定，可视情况而定。
具体的，具有运算处理能力的元件为下述任一种元件：
GPU(Graphics Processing Unit，图形处理器)、FPGA(Field-Programmable GateArray，现场可编程门阵列)、CPU(Central Processing Unit，中央处理器)。
本实施例中的故障诊断方法应用设置有具有运算处理能力的元件的配电开关监控终端，通过获取神经网络模型和当前待检数据，进而根据神经网络模型对当前待检数据进行分析，确定故障为潜在故障或者已发故障，可见，本申请中的故障诊断方法直接在配电开关监控终端上进行，对当前待检数据进行诊断，不需将数据发送至配电主站，增强电网运行的鲁棒性，符合电网实时性要求，且减轻了配电主站的压力。
请参考图2，图2为本申请实施例所提供的另一种电网故障诊断方法的流程图。
步骤S201：获取神经网络模型；
步骤S202：获取当前待检数据；
步骤S203：根据所述神经网络模型对所述当前待检数据进行分析，确定故障为潜在故障；
步骤S204：分析所述潜在故障，得到所述潜在故障的发生概率和潜在故障类型；
具体的，当前待检数据输入神经网络模型，经过分析后便输出发生概率和故障类型。
步骤S205：发送所述发生概率和所述潜在故障类型至系统级芯片，以便所述系统级芯片发送控制指令至执行单元。
具体的，系统级芯片发送控制指令至执行单元，执行单元为故障维修人员提供维护建议，使维护人员进行快速维护，解决掉潜在故障，避免给电网运行带来麻烦。
请参考图3，图3为本申请实施例所提供的另一种电网故障诊断方法的流程图。
步骤S301：获取神经网络模型；
步骤S302：获取当前待检数据；
步骤S303：根据所述神经网络模型对所述当前待检数据进行分析，确定故障为已发故障；
步骤S304：确定所述已发故障的故障类型；
具体的，在本申请的一个实施例中，利用模式识别确定所述已发故障的所述类型，可以增加确定已发故障的故障类型的准确性，加快定位故障位置的速度。
步骤S305：定位所述已发故障的故障位置；
具体的，当前待检数据输入神经网络模型，经过分析便可以确定故障位置。
步骤S306：发送所述故障类型和所述故障位置至系统级芯片，以便所述系统级芯片发送控制指令至执行单元。
具体的，系统级芯片发送控制指令至执行单元，执行单元为故障维修人员提供维护建议，以最快速度排除故障，恢复电网正常运行
在上述任一实施例的基础上，在本申请的一个实施例中，
所述根据所述预处理数据，构建神经网络模型包括：
获取训练数据；
根据所述预处理数据和所述训练数据，构建所述神经网络模型。
具体的，通过监督学习方式获取训练数据，训练数据可以使得神经网络模型的建立更加完善，进而对故障的判断更加准确。
优选地，在所述根据所述神经网络模型对当前数据进行分析之前，还包括：
存储所述神经网络模型，以便在后续过程中，可以根据存储的神经网络模型对当前待检数据进行分析。
下面对本申请实施例提供的电网故障诊断装置进行介绍，下文描述的电网故障诊断装置与上文描述的电网故障诊断方法可相互对应参照。
图4为本申请实施例提供的电网故障诊断装置的结构框图，该电网故障诊断装置应用于配电开关监控终端，且所述配电开关监控终端设置有具有运算处理能力的元件，包括：
第一获取模块100，用于获取神经网络模型；
第二获取模块200，用于获取当前待检数据；
分析模块300，用于根据所述神经网络模型对所述当前待检数据进行分析，确定故障为潜在故障或者已发故障。
本实施例的电网故障诊断装置用于实现前述的电网故障诊断方法，因此电网故障诊断装置中的具体实施方式可见前文中的电网故障诊断方法的实施例部分，例如，第一获取模块100，第二获取模块200，分析模块300，分别用于实现上述电网故障诊断方法中步骤S101，S102，S103，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
本实施例中的故障诊断装置应用设置有具有运算处理能力的元件的配电开关监控终端，通过获取神经网络模型和当前待检数据，进而根据神经网络模型对当前待检数据进行分析，确定故障为潜在故障或者已发故障，可见，本申请中的故障诊断装置直接在配电开关监控终端上进行，对当前待检数据进行诊断，不需将数据发送至配电主站，增强电网运行的鲁棒性，符合电网实时性要求，且减轻了配电主站的压力。
本申请还提供一种配电开关监控终端，请参考图5，图5为本申请实施例所提供的配电开关监控终端的结构示意图，包括：
系统级芯片1，用于接收当前待检数据；
具有运算处理能力的元件2，用于获取神经网络模型；获取当前待检数据；根据所述神经网络模型对所述当前待检数据进行分析，确定故障为潜在故障或者已发故障。
其中，神经网络模型可以为已经建立完成的神经网络模型可以为由物联网云平或配电主站发送而来，也可以为通过无线传输或者出厂已安装好的方式存在。
具体的，具有运算处理能力的元件2为下述任一种元件：
GPU、FPGA、CPU。
可选的，配电开关监控终端还包括存储芯片，用于存储当前待检数据、待处理数据。
可选的，配电开关监控终端还包括数据采集单元，用于采集待处理数据，待处理数据包括配电开关监控终端工作环境数据、电网运行数据、配电主站发送的通讯数据、物联网云平台的成熟神经网络模型数据，并将待处理数据发送至系统级芯片，以便系统级芯片发送至具有运算处理能力的元件。
本实施例中的配电开关监控终端设置有具有运算处理能力的元件，通过获取神经网络模型和当前待检数据，进而根据神经网络模型对当前待检数据进行分析，确定故障为潜在故障或者已发故障，可见，本申请中的故障诊断方法直接在配电开关监控终端上进行，对当前待检数据进行诊断，不需将数据发送至配电主站，增强电网运行的鲁棒性，符合电网实时性要求，且减轻了配电主站的压力。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
以上对本申请所提供的电网故障诊断方法、装置及配电开关监控终端进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (10)
1.一种电网故障诊断方法，其特征在于，应用于配电开关监控终端，且所述配电开关监控终端设置有具有运算处理能力的元件，包括：
获取神经网络模型；
获取当前待检数据；
根据所述神经网络模型对所述当前待检数据进行分析，确定故障为潜在故障或者已发故障。
2.如权利要求1所述的电网故障诊断方法，其特征在于，具有运算处理能力的元件为下述任一种元件：
GPU、FPGA、CPU。
3.如权利要求2所述的电网故障诊断方法，其特征在于，所述获取神经网络模型包括：
获取待处理数据，所述待处理数据包括配电开关监控终端工作环境数据、电网运行数据、配电主站发送的通讯数据；
过滤所述待处理数据，得到预处理数据；
根据所述预处理数据，构建所述神经网络模型。
4.如权利要求3所述的电网故障诊断方法，其特征在于，当故障为潜在故障时，还包括：
分析所述潜在故障，得到所述潜在故障的发生概率和潜在故障类型；
发送所述发生概率和所述潜在故障类型至系统级芯片，以便所述系统级芯片发送控制指令至执行单元。
5.如权利要求3所述的电网故障诊断方法，其特征在于，当故障为已发故障时，还包括：
确定所述已发故障的故障类型；
定位所述已发故障的故障位置；
发送所述故障类型和所述故障位置至系统级芯片，以便所述系统级芯片发送控制指令至执行单元。
6.如权利要求5所述的电网故障诊断方法，其特征在于，所述确定所述已发故障的类型包括：
利用模式识别确定所述已发故障的所述类型。
7.如权利要求3至6任一项所述的电网故障诊断方法，其特征在于，所述根据所述预处理数据，构建神经网络模型包括：
获取训练数据；
根据所述预处理数据和所述训练数据，构建所述神经网络模型。
8.如权利要求7所述的电网故障诊断方法，其特征在于，在所述根据所述神经网络模型对当前数据进行分析之前，还包括：
存储所述神经网络模型。
9.一种电网故障诊断装置，其特征在于，应用于配电开关监控终端，且所述配电开关监控终端设置有具有运算处理能力的元件，包括：
第一获取模块，用于获取神经网络模型；
第二获取模块，用于获取当前待检数据；
分析模块，用于根据所述神经网络模型对所述当前待检数据进行分析，确定故障为潜在故障或者已发故障。
10.一种配电开关监控终端，其特征在于，包括：
系统级芯片，用于接收当前待检数据；
具有运算处理能力的元件，用于获取神经网络模型；获取当前待检数据；根据所述神经网络模型对所述当前待检数据进行分析，确定故障为潜在故障或者已发故障。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910619963.2A CN110244188A (zh) | 2019-07-10 | 2019-07-10 | 一种电网故障诊断方法、装置及配电开关监控终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910619963.2A CN110244188A (zh) | 2019-07-10 | 2019-07-10 | 一种电网故障诊断方法、装置及配电开关监控终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110244188A true CN110244188A (zh) | 2019-09-17 |
Family
ID=67891739
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910619963.2A Pending CN110244188A (zh) | 2019-07-10 | 2019-07-10 | 一种电网故障诊断方法、装置及配电开关监控终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110244188A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110912270A (zh) * | 2019-12-02 | 2020-03-24 | 清华四川能源互联网研究院 | 一种配电自动化智能馈线终端 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201845037U (zh) * | 2010-06-10 | 2011-05-25 | 甘肃机械电子职工大学甘肃省机械工业总公司分校 | 一种电力参数无线测量装置 |
| CN105738765A (zh) * | 2016-02-23 | 2016-07-06 | 上海电力学院 | 一种基于馈线终端和遗传算法的配电网故障定位方法 |
| CN205882848U (zh) * | 2016-01-13 | 2017-01-11 | 苏州市华东电网电气有限公司 | 一种智能型配电网馈线终端 |
| CN107358366A (zh) * | 2017-07-20 | 2017-11-17 | 国网辽宁省电力有限公司 | 一种配电变压器故障风险监测方法及系统 |
| CN108375715A (zh) * | 2018-03-08 | 2018-08-07 | 中国电力科学研究院有限公司 | 一种配电网线路故障风险日预测方法及系统 |
| CN108919059A (zh) * | 2018-08-23 | 2018-11-30 | 广东电网有限责任公司 | 一种电网故障诊断方法、装置、设备及可读存储介质 |
| CN109709443A (zh) * | 2018-12-05 | 2019-05-03 | 华北电力大学 | 主动配电网故障定位的方法和系统 |
-
2019
- 2019-07-10 CN CN201910619963.2A patent/CN110244188A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201845037U (zh) * | 2010-06-10 | 2011-05-25 | 甘肃机械电子职工大学甘肃省机械工业总公司分校 | 一种电力参数无线测量装置 |
| CN205882848U (zh) * | 2016-01-13 | 2017-01-11 | 苏州市华东电网电气有限公司 | 一种智能型配电网馈线终端 |
| CN105738765A (zh) * | 2016-02-23 | 2016-07-06 | 上海电力学院 | 一种基于馈线终端和遗传算法的配电网故障定位方法 |
| CN107358366A (zh) * | 2017-07-20 | 2017-11-17 | 国网辽宁省电力有限公司 | 一种配电变压器故障风险监测方法及系统 |
| CN108375715A (zh) * | 2018-03-08 | 2018-08-07 | 中国电力科学研究院有限公司 | 一种配电网线路故障风险日预测方法及系统 |
| CN108919059A (zh) * | 2018-08-23 | 2018-11-30 | 广东电网有限责任公司 | 一种电网故障诊断方法、装置、设备及可读存储介质 |
| CN109709443A (zh) * | 2018-12-05 | 2019-05-03 | 华北电力大学 | 主动配电网故障定位的方法和系统 |
Non-Patent Citations (4)
| Title |
|---|
| 杨蕾: "基于BP人工神经网络的变压器故障诊断", 《河南科技》 * |
| 江秀臣 等: "电力设备状态大数据分析的研究和应用", 《高电压技术》 * |
| 王奇 等: "基于状态评价的风力发电设备故障诊断系统的研制", 《电网与清洁能源》 * |
| 王耀升 等: "基于RBF神经网络的电网脆弱性评估及其趋势估计", 《电测与仪表》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110912270A (zh) * | 2019-12-02 | 2020-03-24 | 清华四川能源互联网研究院 | 一种配电自动化智能馈线终端 |
| CN110912270B (zh) * | 2019-12-02 | 2020-09-25 | 清华四川能源互联网研究院 | 一种配电自动化智能馈线终端 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112381963B (zh) | 一种基于数字孪生技术的电力物联网智能巡检方法及系统 | |
| CN106527339B (zh) | 一种基于工业云的高可靠的选矿设备故障诊断系统及方法 | |
| CN103163841B (zh) | 自动化设备远程监控系统及方法 | |
| CN110988559A (zh) | 基于物联网的变电站直流系统全生命周期的在线监测方法 | |
| CN106556761A (zh) | 一种应用于现场的直流充电桩检测系统及方法 | |
| CN110209552A (zh) | 一种设备管理方法和装置 | |
| CN103163842A (zh) | 自动化设备远程监控系统及方法 | |
| CN112365163A (zh) | 一种工业设备异常检测方法、装置、存储介质及终端 | |
| CN112737936A (zh) | 一种用于设备预维护的边缘计算网关 | |
| CN110723166A (zh) | 一种道岔监测方法及系统 | |
| CN109100984A (zh) | 远程监控的模锻机智能操作系统 | |
| CN103439944A (zh) | 一种工程机械智能故障诊断系统、方法和工程机械 | |
| CN109693983A (zh) | 电梯故障处理方法、装置、服务器、存储介质及系统 | |
| CN116125958A (zh) | 一种基于数字孪生的智能化工厂故障诊断与决策系统 | |
| CN103616877B (zh) | 能源管网的监控诊断方法和系统 | |
| CN110244188A (zh) | 一种电网故障诊断方法、装置及配电开关监控终端 | |
| CN116345691B (zh) | 一种电力设备运行监控系统 | |
| CN110255310B (zh) | 物业数据协同监测的电梯远程监控系统及方法 | |
| CN209356590U (zh) | 充电平台测试装置和充电平台测试系统 | |
| CN116824734A (zh) | 一种基于数字孪生的设备远程故障诊断方法、系统和装置 | |
| CN205397912U (zh) | 一种起重机械监控分析系统 | |
| CN113949616A (zh) | 一种基于无线传感器网络的设备故障监测系统 | |
| CN105388891A (zh) | 用于现场总线系统的故障诊断装置及方法 | |
| CN115277473A (zh) | 边缘网关的远程运维方法、装置、计算机设备、存储介质 | |
| CN113110985A (zh) | 一种用于防爆现场的设备诊断系统及操作终端 |
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 |
Application publication date: 20190917 |
|
| RJ01 | Rejection of invention patent application after publication |