CN110646685A - 一种开关柜状态综合评估方法 - Google Patents
一种开关柜状态综合评估方法 Download PDFInfo
- Publication number
- CN110646685A CN110646685A CN201910725575.2A CN201910725575A CN110646685A CN 110646685 A CN110646685 A CN 110646685A CN 201910725575 A CN201910725575 A CN 201910725575A CN 110646685 A CN110646685 A CN 110646685A
- Authority
- CN
- China
- Prior art keywords
- data
- state
- fault
- node
- diagnosis
- 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
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种开关柜状态综合评估方法,解决了现有技术的不足,技术方案为:包括以下步骤,步骤一,全量数据收集,步骤二,依托设备技术标准、状态评价导则及检修导则,建立供机器学习使用的三维状态评价体系,步骤三,在基于现场变电主设备状态参量及所评价状态的基础上,运用至少两种机器学习的故障诊断模型进行综合故障诊断。
Description
技术领域
本发明涉及电气安全领域,特别涉及一种开关柜状态综合评估方法。
背景技术
数据挖掘是从大量数据中提取或挖掘出知识或所需要信息的一种技术方法,是目前大数据分析的主要技术手段。目前比较公认的数据挖掘一般由7个步骤组成,
1)数据清理:消除数据中噪声或不一致数据;
2)数据集成:将多种数据集成、组合在一起;
3)数据选择:从数据库中检索与分析任务相关的任务;
4)数据变换:将数据统一成适合挖掘的形式;
5)数据挖掘:使用数据挖掘模型提取数据模式;
6)模式评估:对上一步所提取的模式进行评估和筛选;
7)知识表示:使用可视化和知识表示技术,向用户提供挖掘出的知识。
目前,开关柜类设备状态感知终端众多,多感知、多系统、多业务数据较多,而数据采集后未进行深入分析和处理,对于判断设备状态及运维检修策略尚有较大缺陷。
发明内容
本发明的目的在于解决上述现有技术存在开关柜类设备状态感知终端众多,多感知、多系统、多业务数据较多,而数据采集后未进行深入分析和处理,对于判断设备状态及运维检修策略尚有较大缺陷的问题,提供了开关柜状态综合评估方法。
本发明解决其技术问题所采用的技术方案是:包括以下步骤,步骤一,全量数据收集,步骤二,依托设备技术标准、状态评价导则及检修导则,建立供机器学习使用的三维状态评价体系,步骤三,在基于现场变电主设备状态参量及所评价状态的基础上,运用至少两种机器学习的故障诊断模型进行综合故障诊断。本发明针对变电站开关柜现场采集数据样本有限的特点,利用机器学习,采集开关柜面板上压板、指示灯、状态显示器、电压表示数等信息,建立典型故障多维输入特征集,基于支持向量机SVM,建立故障数据输入故障类别输出之间的关联关系;通过对故障点的时空定位和特征提取,实现故障类别的判定,最终完成故障原因关联分析,实现变电站设备故障的智能评判和预警。
作为优选,在步骤三完成综合故障诊断后,执行步骤四,
步骤四,结合案例库研究获取诊断结论,若结论不符合设定则再输入其他状态量进行进一步诊断,重复此步骤直至获取符合设定的诊断结论。
作为优选,步骤二中,故障诊断模型在建立的故障树的节点上判断故障发生概率,建立在整个故障树上以判断可能发生的故障种类。
在步骤一中,故障节点的输入数据包括状态量和趋势值诊断信息,状态量和趋势值诊断信息类型包括常量、布尔型或浮点型数据、数组和结构体,故障节点的输入数据作为故障诊断算法的数据来源。
故障节点的输入数据包括状态量的权重、节点的点亮阈值、诊断算法需要的常数和/或参数是节点的设定属性。
步骤三中,故障节点的输出数据包括节点是否被点亮、中间结论或状态量及处理建议,
节点被点亮即故障原因是该节点表示的故障可能性大于设定值;
中间结论或状态量即如果该节点被点亮并且确定存在该节点所表示的故障,则可以用于排除其他一些节点的故障;
处理建议是针对目标节点的,如发生目标节点的故障时宜采取的处理措施。
在步骤四中,点亮的故障树节点即为故障诊断的可能故障,故障树的根节点即为根原因,作为最终结论;
如果输入的异常状态量不足以满足诊断需求,故障树诊断出的结论不能作为最终结论,那么结论中将指出所有可能的故障原因以及各个故障原因所对应的概率,并且给出一些建议进行的相关试验以帮助诊断算法给出更深入准确的结论;如果输入的异常状态量足以得出最终结论,则不再给出建议进行的相关试验。
在步骤二中,依托设备技术标准、状态评价导则及检修导则,建立三维状态评价体系,所述的三维状态评价体系中包括程度维、数据维和状态维三个维度,
状态维中包括健康状态、临界状态和风险状态;
数据维中包括基础数据、运行数据和状态数据;
程度维中包括安全裕度、超限程度和符合损失情况。
开关柜中设备的三维状态评价体系以程度维展开的录入包括以下数据,
录入的安全预裕度数据包括,
基础数据:设备厂家、运行年限、设备型号和额定参数,
运行数据:潮流裕度、电压裕度、湿度裕度、触头温度、局放裕度和指示正常标志,
状态数据:耐压安全裕度、操作数安全裕度和机械安全裕度;
录入的超限程度数据包括:
基础数据:家族缺陷、整治要求和反措计划,
运行数据:潮流过载数据、电压越限数据、温升异常数据、局放异常数据、指示异常标志,
状态数据:耐压越下限数据、累计操作预警数据和机械性能异常数据;
录入的符合损失数据包括:
基础数据:选型不当导致停产,
运行数据:温升异味导致检修、局放异响导致检修和过载致切负荷,
状态数据:机械故障致据分拒合和操作频繁致检修;
状态维在数据维和程度维的基础上包括:
安全裕度数据:潮流安全概率、潮流安全裕度、电压安全概率、电压安全裕度、设备安全概率和设备安全裕度,
超限程度数据:潮流过载概率、潮流过载期望、电压越限概率、电压越限期望、设备预警概率和设备预警期望,
符合损失情况数据:切符合概率、严重程度指标和供电可用率。
两种故障诊断模型包括粒子群诊断算法模型和贝叶斯网络诊断算法模型。
本发明的实质性效果是:采用开关柜在线状态综合评估方法后,可以及时发现设备隐患,在发生故障前提前干预,进行状态修正,使设备恢复正常运行状态,避免造成经济损失,提高企业效益。
附图说明
图1为本发明的一种开关柜数据结构图;
图2为本发明的一种三维状态评价体系示意图;
图3为本发明的一种故障诊断总体框架示意图;
图4为本发明的一种故障节点功能示意图。
具体实施方式
下面通过具体实施例,并结合附图,对本发明的技术方案作进一步的具体说明。
一种开关柜状态综合评估方法(参见附图1至4),包括以下步骤,
步骤一,全量数据收集,
步骤二,依托设备技术标准、状态评价导则及检修导则,建立供机器学习使用的三维状态评价体系,
步骤三,在基于现场变电主设备状态参量及所评价状态的基础上,运用至少两种机器学习的故障诊断模型进行综合故障诊断。
(一)设备状态特征参量优选
全量数据收集。变压器结构庞大且复杂,因此相关状态量众多,根据性质的不同,可将设备状态量分为试验数据、运行数据、历史数据和其他数据四类。全量数据收集将通过现场收集、在线采集等手段获取待评价变压器四类状态数据,为变压器精益化评价提供广泛的数据源。
在步骤二中,依托设备技术标准、状态评价导则及检修导则,建立三维状态评价体系,所述的三维状态评价体系中包括程度维、数据维和状态维三个维度,
状态维中包括健康状态、临界状态和风险状态;
数据维中包括基础数据、运行数据和状态数据;
程度维中包括安全裕度、超限程度和符合损失情况。
录入的安全预裕度数据包括,
基础数据:设备厂家、运行年限、设备型号和额定参数,
运行数据:潮流裕度、电压裕度、湿度裕度、触头温度、局放裕度和指示正常标志,
状态数据:耐压安全裕度、操作数安全裕度和机械安全裕度;
录入的超限程度数据包括:
基础数据:家族缺陷、整治要求和反措计划,
运行数据:潮流过载数据、电压越限数据、温升异常数据、局放异常数据、指示异常标志,
状态数据:耐压越下限数据、累计操作预警数据和机械性能异常数据;
录入的符合损失数据包括:
基础数据:选型不当导致停产,
运行数据:温升异味导致检修、局放异响导致检修和过载致切负荷,
状态数据:机械故障致据分拒合和操作频繁致检修;
状态维在数据维和程度维的基础上包括:
安全裕度数据:潮流安全概率、潮流安全裕度、电压安全概率、电压安全裕度、设备安全概率和设备安全裕度,
超限程度数据:潮流过载概率、潮流过载期望、电压越限概率、电压越限期望、设备预警概率和设备预警期望,
符合损失情况数据:切符合概率、严重程度指标和供电可用率。
在以上研究的基础上建立开关柜故障树综合诊断模型,主要设置状态量获取、故障诊断,诊断结果处理三个主要模块。
在基于现场变电主设备状态参量及所评价状态的基础上,运用多种故障诊断模型进行综合故障诊断,模型可在建立的故障树的节点上判断故障发生概率,同时建立在整个故障树上以判断发生可能发生的故障种类。进一步可结合案例库研究获取诊断结论,若结论不够明确可再输入其他状态量进行进一步诊断。
故障节点的输入:包括状态量、趋势值等诊断信息,能够兼容多种数据类型,比如常量,布尔型、浮点型数据,数组,结构体等数据类型。输入数据即作为故障诊断算法的数据来源。同时节点的输入数据可以进行配置。
故障节点的属性:包括节点所对应的状态量的权重,节点的点亮阈值,诊断算法需要的常数或参数等,它们是节点的特有属性,如相同状态量在不同节点的权重值不同。
节点内的故障诊断算法:具备可编辑功能,能够进行简单的修改、配置或者调用其他算法库文件、DLL文件等作为节点的诊断算法。
节点的输出:包括节点是否被点亮、中间结论(或状态量)及处理建议。节点被点亮即说明故障原因可能是该节点表示的故障;中间结论(或状态量)指的是如果该节点被点亮并且确定存在该节点所表示的故障,则可以用于排除其他一些节点的故障;处理建议是针对该节点的,如发生该节点的故障时宜采取的处理措施;作进一步诊断时需要进行的试验等。当诊断到那个或哪些节点时则会给出节点相应的处理建议。
诊断结论获取。研判分析:点亮的故障树节点即为故障诊断的可能故障,故障树的根节点即为根原因,也可以作为最终结论。如果输入的异常状态量不足以满足诊断需求,故障树诊断出的结论不能作为最终结论,那么结论中将指出所有可能的故障原因以及各个故障原因所对应的概率,并且给出一些建议进行的相关试验以帮助诊断算法给出更深入准确的结论;如果输入的异常状态量足以得出最终结论,则不再给出建议进行的相关试验。本实施例中的两种故障诊断模型包括粒子群诊断算法模型和贝叶斯网络诊断算法模型。本实施例中的数据清洗步骤为现有技术。
本实施例针对变电站开关柜现场采集数据样本有限的特点,利用机器学习,采集开关柜面板上压板、指示灯、状态显示器、电压表示数等信息,建立典型故障多维输入特征集,基于支持向量机SVM,建立故障数据输入-故障类别输出之间的关联关系;通过对故障点的时空定位和特征提取,实现故障类别的判定,最终完成故障原因关联分析,实现变电站设备故障的智能评判和预警。
以上所述的实施例只是本发明的一种较佳的方案,并非对本发明作任何形式上的限制,在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (10)
1.一种开关柜状态综合评估方法,其特征在于:包括以下步骤,
步骤一,全量数据收集,
步骤二,依托设备技术标准、状态评价导则及检修导则,建立供机器学习使用的三维状态评价体系,
步骤三,在基于现场变电主设备状态参量及所评价状态的基础上,运用至少两种机器学习的故障诊断模型进行综合故障诊断。
2.根据权利要求1所述的开关柜状态综合评估方法,其特征在于:在步骤三完成综合故障诊断后,执行步骤四,
步骤四,结合案例库研究获取诊断结论,若结论不符合设定则再输入其他状态量进行进一步诊断,重复此步骤直至获取符合设定的诊断结论。
3.根据权利要求1或2所述的开关柜状态综合评估方法,其特征在于:步骤二中,故障诊断模型在建立的故障树的节点上判断故障发生概率,建立在整个故障树上以判断可能发生的故障种类。
4.根据权利要求1或2所述的开关柜状态综合评估方法,其特征在于:在步骤一中,故障节点的输入数据包括状态量和趋势值诊断信息,状态量和趋势值诊断信息类型包括常量、布尔型或浮点型数据、数组和结构体,故障节点的输入数据作为故障诊断算法的数据来源。
5.根据权利要求3所述的开关柜状态综合评估方法,其特征在于:故障节点的输入数据包括状态量的权重、节点的点亮阈值、诊断算法需要的常数和/或参数是节点的设定属性。
6.根据权利要求4所述的开关柜状态综合评估方法,其特征在于:步骤三中,故障节点的输出数据包括节点是否被点亮、中间结论或状态量及处理建议,
节点被点亮即故障原因是该节点表示的故障可能性大于设定值;
中间结论或状态量即如果该节点被点亮并且确定存在该节点所表示的故障,则可以用于排除其他一些节点的故障;
处理建议是针对目标节点的,如发生目标节点的故障时宜采取的处理措施。
7.根据权利要求6所述的开关柜状态综合评估方法,其特征在于:在步骤四中,点亮的故障树节点即为故障诊断的可能故障,故障树的根节点即为根原因,作为最终结论;
如果输入的异常状态量不足以满足诊断需求,故障树诊断出的结论不能作为最终结论,那么结论中将指出所有可能的故障原因以及各个故障原因所对应的概率,并且给出一些建议进行的相关试验以帮助诊断算法给出更深入准确的结论;如果输入的异常状态量足以得出最终结论,则不再给出建议进行的相关试验。
8.根据权利要求1所述的开关柜状态综合评估方法,其特征在于:在步骤二中,依托设备技术标准、状态评价导则及检修导则,建立三维状态评价体系,所述的三维状态评价体系中包括程度维、数据维和状态维三个维度,
状态维中包括健康状态、临界状态和风险状态;
数据维中包括基础数据、运行数据和状态数据;
程度维中包括安全裕度、超限程度和符合损失情况。
9.根据权利要求7所述的开关柜状态综合评估方法,其特征在于:开关柜中设备的三维状态评价体系以程度维展开的录入包括以下数据,
录入的安全预裕度数据包括,
基础数据:设备厂家、运行年限、设备型号和额定参数,
运行数据:潮流裕度、电压裕度、湿度裕度、触头温度、局放裕度和指示正常标志,
状态数据:耐压安全裕度、操作数安全裕度和机械安全裕度;
录入的超限程度数据包括:
基础数据:家族缺陷、整治要求和反措计划,
运行数据:潮流过载数据、电压越限数据、温升异常数据、局放异常数据、指示异常标志,
状态数据:耐压越下限数据、累计操作预警数据和机械性能异常数据;
录入的符合损失数据包括:
基础数据:选型不当导致停产,
运行数据:温升异味导致检修、局放异响导致检修和过载致切负荷,
状态数据:机械故障致据分拒合和操作频繁致检修;
状态维在数据维和程度维的基础上包括:
安全裕度数据:潮流安全概率、潮流安全裕度、电压安全概率、电压安全裕度、设备安全概率和设备安全裕度,
超限程度数据:潮流过载概率、潮流过载期望、电压越限概率、电压越限期望、设备预警概率和设备预警期望,
符合损失情况数据:切符合概率、严重程度指标和供电可用率。
10.根据权利要求1所述的开关柜状态综合评估方法,其特征在于:两种故障诊断模型包括粒子群诊断算法模型和贝叶斯网络诊断算法模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910725575.2A CN110646685B (zh) | 2019-08-07 | 2019-08-07 | 一种开关柜状态综合评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910725575.2A CN110646685B (zh) | 2019-08-07 | 2019-08-07 | 一种开关柜状态综合评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110646685A true CN110646685A (zh) | 2020-01-03 |
CN110646685B CN110646685B (zh) | 2022-02-22 |
Family
ID=68989967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910725575.2A Active CN110646685B (zh) | 2019-08-07 | 2019-08-07 | 一种开关柜状态综合评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110646685B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112462164A (zh) * | 2020-10-30 | 2021-03-09 | 深圳市合众清洁能源研究院 | 一种中低压盘柜的智能化测试系统 |
CN112966955A (zh) * | 2021-03-18 | 2021-06-15 | 广东电网有限责任公司广州供电局 | 一种基于物联网技术的开关柜质量综合评估系统和方法 |
CN113379252A (zh) * | 2021-06-11 | 2021-09-10 | 浙江工业大学 | 基于多尺度排列熵值的贝叶斯网络高压开关柜健康系统评估方法 |
CN116026403A (zh) * | 2022-11-09 | 2023-04-28 | 国能四川西部能源股份有限公司 | 开关柜故障预警方法、装置、介质和电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009053938A (ja) * | 2007-08-27 | 2009-03-12 | Toshiba Corp | 複数モデルに基づく設備診断システム及びその設備診断方法 |
CN103529351A (zh) * | 2013-10-29 | 2014-01-22 | 李宏仁 | 高压开关柜热缺陷在线监测系统及方法 |
CN106556758A (zh) * | 2016-11-03 | 2017-04-05 | 云南电网有限责任公司昭通供电局 | 一种开关柜运行监测评估系统 |
CN107862052A (zh) * | 2017-11-08 | 2018-03-30 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种故障案例库、故障树及故障谱构建方法 |
CN109324270A (zh) * | 2018-08-07 | 2019-02-12 | 国网山东省电力公司淄博供电公司 | 一种高压开关柜智能在线监测系统 |
-
2019
- 2019-08-07 CN CN201910725575.2A patent/CN110646685B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009053938A (ja) * | 2007-08-27 | 2009-03-12 | Toshiba Corp | 複数モデルに基づく設備診断システム及びその設備診断方法 |
CN103529351A (zh) * | 2013-10-29 | 2014-01-22 | 李宏仁 | 高压开关柜热缺陷在线监测系统及方法 |
CN106556758A (zh) * | 2016-11-03 | 2017-04-05 | 云南电网有限责任公司昭通供电局 | 一种开关柜运行监测评估系统 |
CN107862052A (zh) * | 2017-11-08 | 2018-03-30 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种故障案例库、故障树及故障谱构建方法 |
CN109324270A (zh) * | 2018-08-07 | 2019-02-12 | 国网山东省电力公司淄博供电公司 | 一种高压开关柜智能在线监测系统 |
Non-Patent Citations (4)
Title |
---|
杨武 等: "高压开关柜的在线监测和故障诊断", 《电工技术杂志》 * |
王震宇 等: "基于故障树理论的高压开关柜状态检修", 《上海电力学院学报》 * |
谢静 等: "基于模糊分层理论的高压开关柜状态评估算法", 《高电压技术》 * |
贾亚楠 等: "基于正态云模型和D-S证据理论的开关柜运行状态综合评估", 《高压电器》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112462164A (zh) * | 2020-10-30 | 2021-03-09 | 深圳市合众清洁能源研究院 | 一种中低压盘柜的智能化测试系统 |
CN112966955A (zh) * | 2021-03-18 | 2021-06-15 | 广东电网有限责任公司广州供电局 | 一种基于物联网技术的开关柜质量综合评估系统和方法 |
CN112966955B (zh) * | 2021-03-18 | 2023-04-04 | 广东电网有限责任公司广州供电局 | 一种基于物联网技术的开关柜质量综合评估系统和方法 |
CN113379252A (zh) * | 2021-06-11 | 2021-09-10 | 浙江工业大学 | 基于多尺度排列熵值的贝叶斯网络高压开关柜健康系统评估方法 |
CN116026403A (zh) * | 2022-11-09 | 2023-04-28 | 国能四川西部能源股份有限公司 | 开关柜故障预警方法、装置、介质和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110646685B (zh) | 2022-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110646685B (zh) | 一种开关柜状态综合评估方法 | |
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN106447210A (zh) | 一种计及可信度评价的配网设备健康度动态诊断方法 | |
CN106154209A (zh) | 基于决策树算法的电能表故障预测方法 | |
CN112561736A (zh) | 智能变电站继电器保护装置故障诊断系统和方法 | |
CN106405475A (zh) | 电能表异常诊断方法 | |
CN108051709A (zh) | 基于人工智能技术的变压器状态在线评估分析方法 | |
CN106021771A (zh) | 一种故障诊断方法及装置 | |
CN111669123B (zh) | 用于对光伏组串进行故障诊断的方法和装置 | |
CN109597396B (zh) | 一种基于大数据流及迁移学习的配变故障在线诊断方法 | |
CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
CN102789676A (zh) | 一种基于报警证据融合的工业报警器设计方法 | |
CN116418117A (zh) | 一种用于智能电网的设备检测系统 | |
CN117406026A (zh) | 一种适用于分布式电源的配电网故障检测方法 | |
CN115037603A (zh) | 用电信息采集设备的诊断评估方法、装置及系统 | |
CN117434440B (zh) | 一种量测开关的自动检测方法及系统 | |
CN108596450B (zh) | 电网风险预警方法和系统 | |
CN116796261B (zh) | 一种基于人工智能的封闭开关设备机械特性预测方法 | |
CN112345972A (zh) | 基于停电事件的配电网线变关系异常诊断方法、装置及系统 | |
CN109784777B (zh) | 基于时序信息片段云相似度度量的电网设备状态评估方法 | |
CN111190944A (zh) | 一种数据挖掘方法和系统 | |
CN115270982A (zh) | 一种基于多元数据神经网络的开关柜故障预测方法 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN113919225B (zh) | 环境试验箱可靠性评估方法和系统 | |
CN115586402A (zh) | 配电网故障诊断与处理方法 |
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 |