CN110866634A - 基于模型选择的地下电缆故障预警方法和装置 - Google Patents
基于模型选择的地下电缆故障预警方法和装置 Download PDFInfo
- Publication number
- CN110866634A CN110866634A CN201911021020.6A CN201911021020A CN110866634A CN 110866634 A CN110866634 A CN 110866634A CN 201911021020 A CN201911021020 A CN 201911021020A CN 110866634 A CN110866634 A CN 110866634A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- early warning
- current
- underground cable
- 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 40
- 230000007613 environmental effect Effects 0.000 claims abstract description 73
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 238000012217 deletion Methods 0.000 claims abstract description 10
- 230000037430 deletion Effects 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 16
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于模型选择的地下电缆故障预警方法和装置,所述方法包括:通过地下电缆采集系统采集地下电缆的当前环境数据以及当前运行数据;将所述当前环境数据以及所述当前运行数据输入至预先训练完成的故障预警模型中得到单模型预测结果;比较所述单模型预测结果的数量级,将偏差数量级对应的单模型预测结果删除;根据删除后剩余的所述单模型预测结果以及预先训练得到的单模型权重得到故障预测结果;根据所述故障预测结果判断所述地下电缆是否会出现故障;当判定所述地下电缆会出现故障时,则获取所述地下电缆的位置信息,并根据所述地下电缆的位置信息生成预警信息;将所述预警信息发送至监控终端。采用本方法能够提高效率。
Description
技术领域
本发明涉及一种基于模型选择的地下电缆故障预警方法和装置,属于领域大数据处理领域。
背景技术
埋设于地下的电缆,在电力传输过程中,往往会由于电缆本身的温度升高发生爆炸;又或者,由于地下铺设管道进水,导致电缆发生损坏,进而影响电缆的正常传输。
传统技术中,为了对地下电缆进行监测,需要人工对电缆进行逐个排查,从而降低了监测的效率。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高效率的基于模型选择的地下电缆故障预警方法和装置。
针对现有技术存在的上述问题,本发明的目的是提供一种基于模型选择的地下电缆故障预警方法和装置。
为实现上述发明目的,本发明采用的技术方案如下:
一种基于模型选择的地下电缆故障预警方法,其特征在于,所述方法包括:
通过地下电缆采集系统采集地下电缆的当前环境数据以及当前运行数据;
将所述当前环境数据以及所述当前运行数据输入至预先训练完成的多个故障预警模型中得到单模型预测结果;
比较所述单模型预测结果的数量级,将偏差数量级对应的单模型预测结果删除;
根据删除后剩余的所述单模型预测结果以及预先训练得到的单模型权重得到故障预测结果;
根据所述故障预测结果判断所述地下电缆是否会出现故障;
当判定所述地下电缆会出现故障时,则获取所述地下电缆的位置信息,并根据所述地下电缆的位置信息生成预警信息;
将所述预警信息发送至监控终端。
在其中一个实施例中,所述故障预警模型的生成方式包括:
获取地下电缆对应的历史环境数据、历史运行数据以及对应的历史故障信息;
对所述历史环境数据、历史运行数据进行清洗;
通过对清洗后的历史环境数据、历史运行数据以及对应的历史故障信息进行训练得到故障预警模型;
所述预先训练得到的单模型权重的训练方式包括:
计算多个所述单模型预测结果与所述历史故障信息的相似度;
获取所述相似度的统计值,并根据所述统计值以及所述相似度得到每一个所述单模型预测结果对应的占比;
对所述占比进行归一化处理得到单模型权重。
在其中一个实施例中,所述通过对清洗后的历史环境数据、历史运行数据以及对应的历史故障信息进行训练得到故障预警模型,包括:
获取与历史环境数据、历史运行数据的时间点前的预设时间段内的参考环境数据和参考运行数据;
根据所述参考环境数据以及所述历史环境数据生成环境数据趋势图,根据所述参考运行数据和历史运行数据生成运行数据趋势图;
对所述环境数据趋势图、所述运行数据趋势图以及所述历史故障信息进行训练得到故障预警模型。
在其中一个实施例中,所述将所述当前环境数据以及所述当前运行数据输入至预先训练完成的多个故障预警模型中得到单模型预测结果,包括:
获取当前可以进行故障预测的故障预警模型的数量;
根据所述数量从预设线程池中选取对应数量的空闲线程;
在所述空闲线程中将所述当前环境数据以及所述当前运行数据输入至预先训练完成的故障预警模型中得到单模型预测结果,且每一所述空闲线程中运行一个故障预警模型。
在其中一个实施例中,所述将所述当前环境数据以及所述当前运行数据输入至预先训练完成的故障预警模型中得到单模型预测结果,包括:
获取所述当前环境数据以及当前运行数据对应的当前地理位置;
查询与所述当前地理位置对应的故障预警模型;
将当前环境数据以及所述当前运行数据输入至所查询的故障预警模型中得到单模型预测结果。
在其中一个实施例中,所述查询与所述当前地理位置对应的故障预警模型,包括:
获取与所述当前地理位置对应的电网平台;
根据所述当前环境数据以及所述当前运行数据输入至生成预测指令,并将所述预测指令发送至所述电网平台,所述预测指令用于指示所述电网平台查询所述电网平台本地存储的最新的故障预警模型;
所述将当前环境数据以及所述当前运行数据输入至所查询的故障预警模型中得到单模型预测结果,包括:
接收所述电网平台返回的单模型预测结果,所述单模型预测结果是所述电网平台将当前环境数据以及所述当前运行数据输入至所查询的故障预警模型中得到的。
在其中一个实施例中,所述当前环境数据包括温度数据、水敏数据、环境气体数据以及位移数据中的一种或多种,所述运行数据包括但不限于局放信号。
一种基于模型选择的地下电缆故障预警装置,所述装置包括:
采集模块,用于通过地下电缆采集系统采集地下电缆的当前环境数据以及当前运行数据;
单模型预测模块,用于将所述当前环境数据以及所述当前运行数据输入至预先训练完成的故障预警模型中得到单模型预测结果;
删除模块,用于比较所述单模型预测结果的数量级,将偏差数量级对应的单模型预测结果删除;
综合预测模块,用于根据删除后剩余的所述单模型预测结果以及预先训练得到的单模型权重得到故障预测结果;
判断模块,用于根据所述故障预测结果判断所述地下电缆是否会出现故障;
预警信息生成模块,用于当判定所述地下电缆会出现故障时,则获取所述地下电缆的位置信息,并根据所述地下电缆的位置信息生成预警信息;
发送模块,用于将所述预警信息发送至监控终端。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
上述基于模型选择的地下电缆故障预警方法和装置,通过采集地下电缆的当前环境数据以及当前运行数据,并将所采集的地下电缆的当前环境数据以及当前运行数据输入至预先训练的故障预警模型中即可以判断地下电缆是否会出现故障,当可能出现故障时,则根据地下电缆的地理位置生成预警信息,并发送至终端进行显示,不需要人工对电缆进行逐个排查,提高了效率。
附图说明
图1是本发明提供的基于模型选择的地下电缆故障预警方法的应用环境图;
图2是本发明提供的基于模型选择的地下电缆故障预警方法的流程图;
图3是本发明提供的基于模型选择的地下电缆故障预警装置的结构图;
图4是本发明提供的计算机设备的框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的基于模型选择的地下电缆故障预警方法,可以应用于如图1 所示的应用环境中。其中,地下电缆采集系统102通过网络与服务器104通过网络进行通信,监控终端106通过网络与服务器进行通信。其中地下电缆采集系统用于采集地下电缆的当前环境数据以及当前运行数据,并将所采集的当前环境数据和当前运行数据发送至服务器104,从而服务器可以将当前环境数据以及当前运行数据输入至预先训练完成的故障预警模型中得到单模型预测结果,然后根据单模型预测结果和预先训练得到的与单模型预测结果对应的权重计算得到故障预测结果,从而服务器可以根据故障预测结果判断地下电缆是否会出现故障,当判定地下电缆会出现故障时,则服务器104可以获取故障的地下电缆的位置信息,并根据该地下电缆的位置信息生成预警信息,将预警信息发送至监控终端106,从而不需要人工对电缆进行逐个排查,提高了效率。监控终端 106可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种基于模型选择的地下电缆故障预警方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
S202:通过地下电缆采集系统采集地下电缆的当前环境数据以及当前运行数据。
具体地,所述当前环境数据包括温度数据、水敏数据、环境气体数据以及位移数据中的一种或多种,所述运行数据包括但不限于局放信号,当前运行数据还可以指地下电缆中的电流的大小等。地下电缆采集系统是安装在地下,例如安装在地下电缆的连接处,用于采集地下电缆连接处的环境数据和运行数据。当地下电缆采集系统采集了地下电缆的环境数据和运行数据后,则将该环境数据和运行数据发送至服务器,以便于服务器进行处理后,判断地下电缆是否出现故障。其中为了保证数据的可查询性,地下电缆采集系统在发送数据的时候与地下电缆的地理位置一起发送给服务器,且可选地,也可以预先设定地下电缆的标号,并建立标号和地下电缆的位置的对应关系,从而在服务接收到某一标号的地下电缆采集系统发送的数据时,可以根据该标号查询到地下电缆对应的地理位置信息。
S204:将当前环境数据以及当前运行数据输入至预先训练完成的故障预警模型中得到单模型预测结果。
S205:比较所述单模型预测结果的数量级,将偏差数量级对应的单模型预测结果删除。
S206:根据删除后剩余的所述单模型预测结果以及预先训练得到的单模型权重得到故障预测结果;
S207:根据故障预测结果判断地下电缆是否会出现故障。
具体地,故障预警模型是根据历史数据生成的用于判断地下电缆是否出现故障的训练模型,该模型的输入为当前环境数据和当前运行数据,输出为地下电缆出现故障的概率。为了保证预测的准确性,此处设置可以训练多个单模型,从而服务器将当前环境数据以及当前运行数据输入至多个故障预警模型中可以得到多个单模型预测结果,且可选地,服务器可以通过并行处理的方式来进行处理,这样可以提高处理的效率。例如服务器首先判断当前可以用来进行单模型预测的模型的个数,这是由于技术的发展,可以增加更多的模型进行,以保证数据的有效性,然后根据该个数从线程池中获取预设数量的空闲线程,进而根据所选择的线程进行处理得到多个单模型预测结果。
可选地,服务器可以将当前环境数据以及当前运行数据输入至预先训练完成的故障预警模型中得到故障预测结果,且将故障预测结果与预先确定的阈值进行比对,如果大于该阈值,则判定地下电缆出现故障,否则地下电缆没有故障。且可选地,故障预警模型在处理当前环境数据以及当前运行数据时,可以将当前环境数据与训练模型时的历史故障的环境数据进行比对,将当前运行数据与历史故障的运行数据进行比对,从而得到相似度,再综合所有的相似度得到单模型预测结果。
服务器在得到单模型预测结果后,将单模型预测结果和预先训练得到的单模型权重相结合得到故障预测结果,例如假设存在4个单模型,每个单模型预测结果分别为A、B、C、D,每个权重为a、b、c、d,则故障预测结果为 A*a+B*b+C*c+D*d。
S208:当判定地下电缆会出现故障时,则获取地下电缆的位置信息,并根据地下电缆的位置信息生成预警信息。
S210:将预警信息发送至监控终端。
具体地,当服务器判定地下电缆出现故障时,服务器可以获取到地下电缆的位置信息,然后将给位置信息和故障信息进行合并得到预警信息,并将预警信息发送到某一监控终端以便于监控终端对预警信息进行处理,及时应对故障的地下电缆,并做出相应的处理。
上述基于模型选择的地下电缆故障预警方法,通过采集地下电缆的当前环境数据以及当前运行数据,并将所采集的地下电缆的当前环境数据以及当前运行数据输入至预先训练的故障预警模型中即可以判断地下电缆是否会出现故障,当可能出现故障时,则根据地下电缆的地理位置生成预警信息,并发送至终端进行显示,不需要人工对电缆进行逐个排查,提高了效率。
在其中一个实施例中,故障预警模型的生成方式包括:获取地下电缆对应的历史环境数据、历史运行数据以及对应的历史故障信息;对历史环境数据、历史运行数据进行清洗;通过对清洗后的历史环境数据、历史运行数据以及对应的历史故障信息进行训练得到故障预警模型。所述预先训练得到的单模型权重的训练方式包括:计算多个所述单模型预测结果与所述历史故障信息的相似度;获取所述相似度的统计值,并根据所述统计值以及所述相似度得到每一个所述单模型预测结果对应的占比;对所述占比进行归一化处理得到单模型权重。
在其中一个实施例中,所述通过对清洗后的历史环境数据、历史运行数据以及对应的历史故障信息进行训练得到故障预警模型,包括:获取与历史环境数据、历史运行数据的时间点前的预设时间段内的参考环境数据和参考运行数据;根据所述参考环境数据以及所述历史环境数据生成环境数据趋势图,根据所述参考运行数据和历史运行数据生成运行数据趋势图;对所述环境数据趋势图、所述运行数据趋势图以及所述历史故障信息进行训练得到故障预警模型。
在其中一个实施例中,对历史环境数据、历史运行数据进行清洗,包括:删除历史环境数据、历史运行数据中的空数据;根据地理位置对删除空数据后的历史环境数据、历史运行数据进行分组。从而通过对清洗后的历史环境数据、历史运行数据以及对应的历史故障信息进行训练得到故障预警模型,包括:根据地理位置分别对分组后的历史环境数据、历史运行数据以及对应的历史故障信息进行训练得到各个地理位置对应的故障预警模型。
在其中一个实施例中,将当前环境数据以及当前运行数据输入至预先训练完成的故障预警模型中得到故障预测结果,包括:获取当前环境数据以及当前运行数据对应的当前地理位置;查询与当前地理位置对应的故障预警模型;将当前环境数据以及当前运行数据输入至所查询的故障预警模型中得到故障预测结果。
在其中一个实施例中,查询与当前地理位置对应的故障预警模型,包括:获取与当前地理位置对应的电网平台;根据当前环境数据以及当前运行数据输入至生成预测指令,并将预测指令发送至电网平台,预测指令用于指示电网平台查询电网平台本地存储的最新的故障预警模型;将当前环境数据以及当前运行数据输入至所查询的故障预警模型中得到故障预测结果,包括:接收电网平台返回的故障预测结果,故障预测结果是电网平台将当前环境数据以及当前运行数据输入至所查询的故障预警模型中得到的。
具体地,服务器可以获取地下电缆对应的历史环境数据、历史运行数据以及对应的历史故障信息,即一个历史环境数据、一个历史运行数据对应一个历史故障信息,然后对历史环境数据和历史运行数据进行清洗。其中清洗的过程包括删除掉历史环境数据和历史运行数据中的空数据,然后根据地理位置信息将历史环境数据和历史运行数据删除,之所以进行分组,是因为不同地区的地质等可能对地下电缆产生影响,因此建立地理位置信息与历史环境数据、历史运行数据的对应关系,从而服务器可以根据地理位置信息进行分别训练得到每一地理位置信息对应的故障预警模型。进而在进行数据处理的时候,服务器首先根据所接收的当前环境数据和当前运行数据对应的地下电缆的地理位置,然后根据该地理位置选择合适的模型,再将当前环境数据和当前运行数据输入至所选择的模型中得到对应的单模型预测结果。然后根据单模型预测结果和预先训练得到的单模型权重计算得到对应的故障预测结果。
其中单模型权重的训练方式是:计算所得到的单模型预测结果和历史故障信息的相似度,例如该相似度可以以差值的方式来体现,例如故障的话,则历史故障信息为1,没有故障的话,则历史故障信息为0,而单模型预测结果是出现故障的概率,因此权重可以是首先计算相似度,即单模型预测结果,该概率值与1或0的相似度,可以通过差值体现,即与0的差值,此处计算所有样本的差值的平均值作为单模型的相似度。然后计算相似度的统计值,即相似度的和,进而得到每一个相似度的占比,此处是以一个地理位置处的单模型权重的训练来做说明的,假设存在4个模型,每个模型的相似度为m1、m2、m3以及 m4,则第一个单模型的占比为m1/(m1+m2+m3+m4),第二个单模型的占比为 m2/(m1+m2+m3+m4),第三个单模型的占比为m3/(m1+m2+m3+m4),第四个单模型的占比为m4/(m1+m2+m3+m4),在计算完成后,进行归一化处理得到单模型权重。
可选地,根据历史环境数据、历史运行数据以及对应的历史故障信息生成对应的故障预警模型的步骤可以包括:获取与历史环境数据、历史运行数据的时间点前的预设时间段内的参考环境数据和参考运行数据,根据所述参考环境数据以及所述历史环境数据生成环境数据趋势图,根据所述参考运行数据和历史运行数据生成运行数据趋势图,对所述环境数据趋势图、所述运行数据趋势图以及所述历史故障信息进行训练得到故障预警模型。
其中,该实施例是充分考虑到温度、气体成分等环境变量的变化,例如如果地下电缆的故障是火灾引起的,则其温度并不是突变的,因此可以根据温度的变化趋势来判断地下电缆是否故障或者是将要故障,如果是,则可以及时去处理,以便于在故障发生前将问题解决。
从而,将所述当前环境数据以及所述当前运行数据输入至预先训练完成的故障预警模型中得到故障预测结果的步骤可以是,获取当前环境数据以及当前运行数据的时间点,并获取该时间点前预设时间段内的参考环境数据和参考运行数据,根据当前环境数据以及参考环境数据生成环境数据趋势图,根据当前运行数据以及参考运行数据生成运行数据趋势图,然后计算环境数据趋势图与模型中故障的环境数据趋势图的第一相似度,以及运行数据趋势图与模型中故障的运行数据趋势图的第二相似度,最后根据第一相似度和第二相似度计算得到综合相似度,然后判断综合相似度是否大于预设的阈值,如果大于,则判定故障或者可能故障,如果不大于,则说明当前没有问题。
其中,可选地,对于故障预警模型的查询步骤,服务器可以是将生成的各个故障预警模型存储到对应的电网平台中,即根据地理位置信息,存储到对应的地理位置的电网平台中,从而在服务器获取到当前环境数据和当前运行数据对应的地理位置时,首先获取到与当前地理位置对应的电网平台,然后根据当前环境数据以及当前运行数据输入至生成预测指令,并将预测指令发送至电网平台,从而电网平台可以将当前环境数据以及当前运行数据输入至所查询的故障预警模型中得到单模型预测结果,然后根据单模型预测结果和对应的单模型权重计算得到故障预测结果,并将故障预测结果返回至服务器中,从而服务器可以根据该结果进行后续的处理。
上述实施例中,给出了故障预警模型的训练方式,该故障预警模型充分考虑了历史数据,总结了历史数据的规律,从而使得对当前数据的预测更加准确。
在其中一个实施例中,根据地下电缆的位置信息生成预警信息,包括:获取与地下电缆的位置信息对应的城市地图;根据地下电缆的位置在城市地图中定位电缆的位置,并通过预警标识进行显示得到预警信息。
具体地,为了实现可视化的处理,在判定地下电缆出现故障后,服务器获取到与地下电缆位置信息对应的城市地图,此处还可以是区域地图,从而服务器在该城市地图中定位到地下电缆的位置,然后通过预警标识例如感叹号进行显示。
上述实施例中,将故障信息显示到城市地图中,从而更加直观。
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图3所示,提供了一种基于模型选择的地下电缆故障预警装置,包括:采集模块100、单模型预测模块200、删除模块300、综合预测模400、判断模块500、预警信息生成模块600和发送模块700,其中:
采集模块100,用于通过地下电缆采集系统采集地下电缆的当前环境数据以及当前运行数据。
单模型预测模块200,用于将当前环境数据以及当前运行数据输入至预先训练完成的故障预警模型中得到单模型预测结果。
删除模块300,用于比较所述单模型预测结果的数量级,将偏差数量级对应的单模型预测结果删除。
综合预测模块400,用于根据删除后剩余的所述单模型预测结果以及预先训练得到的单模型权重得到故障预测结果。
判断模块500,用于根据故障预测结果判断地下电缆是否会出现故障。
预警信息生成模块600,用于当判定地下电缆会出现故障时,则获取地下电缆的位置信息,并根据地下电缆的位置信息生成预警信息。
发送模块700,用于将预警信息发送至监控终端。
在其中一个实施例中,装置还包括:
历史数据获取模块,用于获取地下电缆对应的历史环境数据、历史运行数据以及对应的历史故障信息。
清洗模块,用于对历史环境数据、历史运行数据进行清洗。
模型生成模块,用于通过对清洗后的历史环境数据、历史运行数据以及对应的历史故障信息进行训练得到故障预警模型。
相似度计算模块,用于计算多个所述单模型预测结果与所述历史故障信息的相似度;
占比计算模块,用于获取所述相似度的统计值,并根据所述统计值以及所述相似度得到每一个所述单模型预测结果对应的占比;
归一化模块,用于对所述占比进行归一化处理得到单模型权重。
在其中一个实施例中,所述装置还包括:
历史数据获取模块,用于获取与历史环境数据、历史运行数据的时间点前的预设时间段内的参考环境数据和参考运行数据;
趋势图生成模块,用于根据所述参考环境数据以及所述历史环境数据生成环境数据趋势图,根据所述参考运行数据和历史运行数据生成运行数据趋势图;
预警模块,用于对所述环境数据趋势图、所述运行数据趋势图以及所述历史故障信息进行训练得到故障预警模型。
在其中一个实施例中,单模型预测模块200包括:
数量获取单元,用于获取当前可以进行故障预测的故障预警模型的数量;
线程获取单元,用于根据所述数量从预设线程池中选取对应数量的空闲线程;
单模型预测单元,用于在所述空闲线程中将所述当前环境数据以及所述当前运行数据输入至预先训练完成的故障预警模型中得到单模型预测结果,且每一所述空闲线程中运行一个故障预警模型。
在其中一个实施例中,单模型预测模块200包括:
信息获取单元,用于获取当前环境数据以及当前运行数据对应的当前地理位置。
查询单元,用于查询与当前地理位置对应的故障预警模型。
预测单元,用于将当前环境数据以及当前运行数据输入至所查询的故障预警模型中得到单模型预测结果。
在其中一个实施例中,查询单元包括:
平台获取单元,用于获取与当前地理位置对应的电网平台。
指令发送单元,用于根据当前环境数据以及当前运行数据输入至生成预测指令,并将预测指令发送至电网平台,预测指令用于指示电网平台查询电网平台本地存储的最新的故障预警模型。
单模型预测模块200还用于接收电网平台返回的故障预测结果,故障预测结果是电网平台将当前环境数据以及当前运行数据输入至所查询的故障预警模型中得到的。
在其中一个实施例中,预警信息生成模块500包括:
地图获取单元,用于获取与地下电缆的位置信息对应的城市地图。
预警单元,用于根据地下电缆的位置在城市地图中定位电缆的位置,并通过预警标识进行显示得到预警信息。
在其中一个实施例中,所述当前环境数据包括温度数据、水敏数据、环境气体数据以及位移数据中的一种或多种,所述运行数据包括但不限于局放信号。
关于基于模型选择的地下电缆故障预警装置的具体限定可以参见上文中对于基于模型选择的地下电缆故障预警方法的限定,在此不再赘述。上述基于模型选择的地下电缆故障预警装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储当前环境数据以及当前运行数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于模型选择的地下电缆故障预警方法。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:通过地下电缆采集系统采集地下电缆的当前环境数据以及当前运行数据;将当前环境数据以及当前运行数据输入至预先训练完成的故障预警模型中得到单模型预测结果;比较所述单模型预测结果的数量级,将偏差数量级对应的单模型预测结果删除。根据删除后剩余的所述单模型预测结果以及预先训练得到的单模型权重得到故障预测结果;根据故障预测结果判断地下电缆是否会出现故障;当判定地下电缆会出现故障时,则获取地下电缆的位置信息,并根据地下电缆的位置信息生成预警信息;将预警信息发送至监控终端。
在一个实施例中,处理器执行计算机程序时所实现的故障预警模型的生成方式包括:获取地下电缆对应的历史环境数据、历史运行数据以及对应的历史故障信息;对历史环境数据、历史运行数据进行清洗;通过对清洗后的历史环境数据、历史运行数据以及对应的历史故障信息进行训练得到故障预警模型。处理器执行计算机程序时所实现的所述预先训练得到的单模型权重的训练方式包括:计算多个所述单模型预测结果与所述历史故障信息的相似度;获取所述相似度的统计值,并根据所述统计值以及所述相似度得到每一个所述单模型预测结果对应的占比;对所述占比进行归一化处理得到单模型权重。
在一个实施例中,处理器执行计算机程序时所实现的所述通过对清洗后的历史环境数据、历史运行数据以及对应的历史故障信息进行训练得到故障预警模型,包括:获取与历史环境数据、历史运行数据的时间点前的预设时间段内的参考环境数据和参考运行数据;根据所述参考环境数据以及所述历史环境数据生成环境数据趋势图,根据所述参考运行数据和历史运行数据生成运行数据趋势图;对所述环境数据趋势图、所述运行数据趋势图以及所述历史故障信息进行训练得到故障预警模型。
在一个实施例中,处理器执行计算机程序时所实现的所述将所述当前环境数据以及所述当前运行数据输入至预先训练完成的多个故障预警模型中得到单模型预测结果,包括:获取当前可以进行故障预测的故障预警模型的数量;根据所述数量从预设线程池中选取对应数量的空闲线程;在所述空闲线程中将所述当前环境数据以及所述当前运行数据输入至预先训练完成的故障预警模型中得到单模型预测结果,且每一所述空闲线程中运行一个故障预警模型。
在一个实施例中,处理器执行计算机程序时所实现的将当前环境数据以及当前运行数据输入至预先训练完成的故障预警模型中得到故障预测结果,包括:获取当前环境数据以及当前运行数据对应的当前地理位置;查询与当前地理位置对应的故障预警模型;将当前环境数据以及当前运行数据输入至所查询的故障预警模型中得到单模型预测结果。
在一个实施例中,处理器执行计算机程序时所实现的查询与当前地理位置对应的故障预警模型,包括:获取与当前地理位置对应的电网平台;根据当前环境数据以及当前运行数据输入至生成预测指令,并将预测指令发送至电网平台,预测指令用于指示电网平台查询电网平台本地存储的最新的故障预警模型;处理器执行计算机程序时所实现的将当前环境数据以及当前运行数据输入至所查询的故障预警模型中得到故障预测结果,包括:接收电网平台返回的故障预测结果,故障预测结果是电网平台将当前环境数据以及当前运行数据输入至所查询的故障预警模型中得到的。
在一个实施例中,处理器执行计算机程序时所涉及的当前环境数据包括所述当前环境数据包括温度数据、水敏数据、环境气体数据以及位移数据中的一种或多种,所述运行数据包括但不限于局放信号。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:通过地下电缆采集系统采集地下电缆的当前环境数据以及当前运行数据;将当前环境数据以及当前运行数据输入至预先训练完成的故障预警模型中得到单模型预测结果;比较所述单模型预测结果的数量级,将偏差数量级对应的单模型预测结果删除。根据删除后剩余的所述单模型预测结果以及预先训练得到的单模型权重得到故障预测结果;根据故障预测结果判断地下电缆是否会出现故障;当判定地下电缆会出现故障时,则获取地下电缆的位置信息,并根据地下电缆的位置信息生成预警信息;将预警信息发送至监控终端。
在一个实施例中,计算机程序被处理器执行时所实现的故障预警模型的生成方式包括:获取地下电缆对应的历史环境数据、历史运行数据以及对应的历史故障信息;对历史环境数据、历史运行数据进行清洗;通过对清洗后的历史环境数据、历史运行数据以及对应的历史故障信息进行训练得到故障预警模型。计算机程序被处理器执行时所实现的所述预先训练得到的单模型权重的训练方式包括:计算多个所述单模型预测结果与所述历史故障信息的相似度;获取所述相似度的统计值,并根据所述统计值以及所述相似度得到每一个所述单模型预测结果对应的占比;对所述占比进行归一化处理得到单模型权重。
在一个实施例中,计算机程序被处理器执行时所实现的所述通过对清洗后的历史环境数据、历史运行数据以及对应的历史故障信息进行训练得到故障预警模型,包括:获取与历史环境数据、历史运行数据的时间点前的预设时间段内的参考环境数据和参考运行数据;根据所述参考环境数据以及所述历史环境数据生成环境数据趋势图,根据所述参考运行数据和历史运行数据生成运行数据趋势图;对所述环境数据趋势图、所述运行数据趋势图以及所述历史故障信息进行训练得到故障预警模型。
在一个实施例中,计算机程序被处理器执行时所实现的所述将所述当前环境数据以及所述当前运行数据输入至预先训练完成的多个故障预警模型中得到单模型预测结果,包括:获取当前可以进行故障预测的故障预警模型的数量;根据所述数量从预设线程池中选取对应数量的空闲线程;在所述空闲线程中将所述当前环境数据以及所述当前运行数据输入至预先训练完成的故障预警模型中得到单模型预测结果,且每一所述空闲线程中运行一个故障预警模型。
在一个实施例中,计算机程序被处理器执行时所实现的将当前环境数据以及当前运行数据输入至预先训练完成的故障预警模型中得到故障预测结果,包括:获取当前环境数据以及当前运行数据对应的当前地理位置;查询与当前地理位置对应的故障预警模型;将当前环境数据以及当前运行数据输入至所查询的故障预警模型中得到故障预测结果。
在一个实施例中,计算机程序被处理器执行时所实现的查询与当前地理位置对应的故障预警模型,包括:获取与当前地理位置对应的电网平台;根据当前环境数据以及当前运行数据输入至生成预测指令,并将预测指令发送至电网平台,预测指令用于指示电网平台查询电网平台本地存储的最新的故障预警模型;计算机程序被处理器执行时所实现的将当前环境数据以及当前运行数据输入至所查询的故障预警模型中得到故障预测结果,包括:接收电网平台返回的故障预测结果,故障预测结果是电网平台将当前环境数据以及当前运行数据输入至所查询的故障预警模型中得到的。
在一个实施例中,所述当前环境数据包括温度数据、水敏数据、环境气体数据以及位移数据中的一种或多种,所述运行数据包括但不限于局放信号。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程 ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限, RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步 DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM (ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus) 直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于模型选择的地下电缆故障预警方法,其特征在于,所述方法包括:
通过地下电缆采集系统采集地下电缆的当前环境数据以及当前运行数据;
将所述当前环境数据以及所述当前运行数据输入至预先训练完成的多个故障预警模型中得到单模型预测结果;
比较所述单模型预测结果的数量级,将偏差数量级对应的单模型预测结果删除;
根据删除后剩余的所述单模型预测结果以及预先训练得到的单模型权重得到故障预测结果;
根据所述故障预测结果判断所述地下电缆是否会出现故障;
当判定所述地下电缆会出现故障时,则获取所述地下电缆的位置信息,并根据所述地下电缆的位置信息生成预警信息;
将所述预警信息发送至监控终端。
2.根据权利要求1所述的方法,其特征在于,所述故障预警模型的生成方式包括:
获取地下电缆对应的历史环境数据、历史运行数据以及对应的历史故障信息;
对所述历史环境数据、历史运行数据进行清洗;
通过对清洗后的历史环境数据、历史运行数据以及对应的历史故障信息进行训练得到故障预警模型;
所述预先训练得到的单模型权重的训练方式包括:
计算多个所述单模型预测结果与所述历史故障信息的相似度;
获取所述相似度的统计值,并根据所述统计值以及所述相似度得到每一个所述单模型预测结果对应的占比;
对所述占比进行归一化处理得到单模型权重。
3.根据权利要求2所述的方法,其特征在于,所述通过对清洗后的历史环境数据、历史运行数据以及对应的历史故障信息进行训练得到故障预警模型,包括:
获取与历史环境数据、历史运行数据的时间点前的预设时间段内的参考环境数据和参考运行数据;
根据所述参考环境数据以及所述历史环境数据生成环境数据趋势图,根据所述参考运行数据和历史运行数据生成运行数据趋势图;
对所述环境数据趋势图、所述运行数据趋势图以及所述历史故障信息进行训练得到故障预警模型。
4.根据权利要求2所述的方法,其特征在于,所述将所述当前环境数据以及所述当前运行数据输入至预先训练完成的多个故障预警模型中得到单模型预测结果,包括:
获取当前可以进行故障预测的故障预警模型的数量;
根据所述数量从预设线程池中选取对应数量的空闲线程;
在所述空闲线程中将所述当前环境数据以及所述当前运行数据输入至预先训练完成的故障预警模型中得到单模型预测结果,且每一所述空闲线程中运行一个故障预警模型。
5.根据权利要求1至3任意一项所述方法,其特征在于,所述将所述当前环境数据以及所述当前运行数据输入至预先训练完成的故障预警模型中得到单模型预测结果,包括:
获取所述当前环境数据以及当前运行数据对应的当前地理位置;
查询与所述当前地理位置对应的故障预警模型;
将当前环境数据以及所述当前运行数据输入至所查询的故障预警模型中得到单模型预测结果。
6.根据权利要求5所述的方法,其特征在于,所述查询与所述当前地理位置对应的故障预警模型,包括:
获取与所述当前地理位置对应的电网平台;
根据所述当前环境数据以及所述当前运行数据输入至生成预测指令,并将所述预测指令发送至所述电网平台,所述预测指令用于指示所述电网平台查询所述电网平台本地存储的最新的故障预警模型;
所述将当前环境数据以及所述当前运行数据输入至所查询的故障预警模型中得到单模型预测结果,包括:
接收所述电网平台返回的单模型预测结果,所述单模型预测结果是所述电网平台将当前环境数据以及所述当前运行数据输入至所查询的故障预警模型中得到的。
7.根据权利要求1至3任意一项所述的方法,其特征在于,所述当前环境数据包括温度数据、水敏数据、环境气体数据以及位移数据中的一种或多种,所述运行数据包括但不限于局放信号。
8.一种基于模型选择的地下电缆故障预警装置,其特征在于,所述装置包括:
采集模块,用于通过地下电缆采集系统采集地下电缆的当前环境数据以及当前运行数据;
单模型预测模块,用于将所述当前环境数据以及所述当前运行数据输入至预先训练完成的故障预警模型中得到单模型预测结果;
删除模块,用于比较所述单模型预测结果的数量级,将偏差数量级对应的单模型预测结果删除;
综合预测模块,用根据删除后剩余的所述单模型预测结果以及预先训练得到的单模型权重得到故障预测结果;
判断模块,用于根据所述故障预测结果判断所述地下电缆是否会出现故障;
预警信息生成模块,用于当判定所述地下电缆会出现故障时,则获取所述地下电缆的位置信息,并根据所述地下电缆的位置信息生成预警信息;
发送模块,用于将所述预警信息发送至监控终端。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911021020.6A CN110866634A (zh) | 2019-10-25 | 2019-10-25 | 基于模型选择的地下电缆故障预警方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911021020.6A CN110866634A (zh) | 2019-10-25 | 2019-10-25 | 基于模型选择的地下电缆故障预警方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110866634A true CN110866634A (zh) | 2020-03-06 |
Family
ID=69652925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911021020.6A Pending CN110866634A (zh) | 2019-10-25 | 2019-10-25 | 基于模型选择的地下电缆故障预警方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110866634A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215197A (zh) * | 2020-10-27 | 2021-01-12 | 华能国际电力股份有限公司上海石洞口第一电厂 | 基于人工智能的地下电缆故障预警方法和预警系统 |
CN114062842A (zh) * | 2021-11-10 | 2022-02-18 | 国网江苏省电力有限公司徐州供电分公司 | 一种电缆监测方法及终端 |
CN115378141A (zh) * | 2022-10-18 | 2022-11-22 | 华能辛店发电有限公司 | 基于数据分析的电力电缆故障诊断预警系统及方法 |
CN116304928A (zh) * | 2023-03-21 | 2023-06-23 | 北京思维实创科技有限公司 | 供电设备故障预测方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101046501A (zh) * | 2005-06-10 | 2007-10-03 | 清华大学 | 一种电缆安全运行监控方法 |
CN103033362A (zh) * | 2012-12-31 | 2013-04-10 | 湖南大学 | 一种基于改进多变量预测模型的齿轮故障诊断方法 |
CN105277853A (zh) * | 2015-11-11 | 2016-01-27 | 东北大学 | 一种基于二次脉冲的海底电缆故障定位装置及方法 |
CN105527645A (zh) * | 2014-09-30 | 2016-04-27 | 国家电网公司 | 一种电力电缆防破坏定位方法及装置 |
CN105548832A (zh) * | 2015-12-10 | 2016-05-04 | 国网四川省电力公司电力科学研究院 | 高压电力电缆故障识别方法 |
CN106503885A (zh) * | 2016-09-28 | 2017-03-15 | 广西电网有限责任公司电力科学研究院 | 一种对电缆线路进行健康状态评估的方法 |
CN109506704A (zh) * | 2018-10-10 | 2019-03-22 | 国网河南省电力公司开封供电公司 | 电缆检测及预警方法和装置 |
CN110309221A (zh) * | 2019-06-28 | 2019-10-08 | 国网上海市电力公司 | 基于电缆附件故障数据库的电缆故障识别系统 |
-
2019
- 2019-10-25 CN CN201911021020.6A patent/CN110866634A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101046501A (zh) * | 2005-06-10 | 2007-10-03 | 清华大学 | 一种电缆安全运行监控方法 |
CN103033362A (zh) * | 2012-12-31 | 2013-04-10 | 湖南大学 | 一种基于改进多变量预测模型的齿轮故障诊断方法 |
CN105527645A (zh) * | 2014-09-30 | 2016-04-27 | 国家电网公司 | 一种电力电缆防破坏定位方法及装置 |
CN105277853A (zh) * | 2015-11-11 | 2016-01-27 | 东北大学 | 一种基于二次脉冲的海底电缆故障定位装置及方法 |
CN105548832A (zh) * | 2015-12-10 | 2016-05-04 | 国网四川省电力公司电力科学研究院 | 高压电力电缆故障识别方法 |
CN106503885A (zh) * | 2016-09-28 | 2017-03-15 | 广西电网有限责任公司电力科学研究院 | 一种对电缆线路进行健康状态评估的方法 |
CN109506704A (zh) * | 2018-10-10 | 2019-03-22 | 国网河南省电力公司开封供电公司 | 电缆检测及预警方法和装置 |
CN110309221A (zh) * | 2019-06-28 | 2019-10-08 | 国网上海市电力公司 | 基于电缆附件故障数据库的电缆故障识别系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215197A (zh) * | 2020-10-27 | 2021-01-12 | 华能国际电力股份有限公司上海石洞口第一电厂 | 基于人工智能的地下电缆故障预警方法和预警系统 |
CN114062842A (zh) * | 2021-11-10 | 2022-02-18 | 国网江苏省电力有限公司徐州供电分公司 | 一种电缆监测方法及终端 |
CN114062842B (zh) * | 2021-11-10 | 2024-04-19 | 国网江苏省电力有限公司徐州供电分公司 | 一种电缆监测方法及终端 |
CN115378141A (zh) * | 2022-10-18 | 2022-11-22 | 华能辛店发电有限公司 | 基于数据分析的电力电缆故障诊断预警系统及方法 |
CN115378141B (zh) * | 2022-10-18 | 2023-02-28 | 华能辛店发电有限公司 | 基于数据分析的电力电缆故障诊断预警系统及方法 |
CN116304928A (zh) * | 2023-03-21 | 2023-06-23 | 北京思维实创科技有限公司 | 供电设备故障预测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110868241B (zh) | 基于多模型的地下电缆故障预警方法和装置 | |
CN110875851B (zh) | 地下电缆故障预警方法和装置 | |
CN110798245B (zh) | 基于单模型的地下电缆故障预警方法和装置 | |
CN110866634A (zh) | 基于模型选择的地下电缆故障预警方法和装置 | |
CN111199346B (zh) | 综合管廊监理方法、装置、计算机设备以及存储介质 | |
CN110763952A (zh) | 地下电缆故障监测方法和装置 | |
CN110956288A (zh) | 基于三维建模的地下电缆故障预警方法和装置 | |
CN110391840B (zh) | 太阳同步轨道卫星遥测参数异常判断方法和系统 | |
CN110837956A (zh) | 地下电缆巡检任务分配方法和装置 | |
JP2018531458A (ja) | ガソリンスタンドpoiの自動発見方法、自動発見装置、及び記憶媒体と機器 | |
JP2018531458A6 (ja) | ガソリンスタンドpoiの自動発見方法、自動発見装置、及び記憶媒体と機器 | |
CN110850233A (zh) | 电缆故障定位方法和装置 | |
CN114076873A (zh) | 电缆故障分析预测方法和装置 | |
CN110825923A (zh) | 基于单模型的地下电缆故障修复方法和装置 | |
CN111027116A (zh) | 建筑物运维管理方法、装置、计算机设备和存储介质 | |
CN116187552A (zh) | 异常检测方法、计算设备及计算机存储介质 | |
CN112884199A (zh) | 水电站设备故障预测方法、装置、计算机设备和存储介质 | |
CN113156243A (zh) | 故障预测方法和预测系统 | |
CN115421950A (zh) | 一种基于机器学习的自动化系统运维管理方法及系统 | |
CN110175424B (zh) | 空调机组的管路设计方法、装置、计算机设备和存储介质 | |
CN109034507B (zh) | 水电站发电量预测方法与装置、计算机设备和存储介质 | |
CN110866839A (zh) | 基于多模型的地下电缆故障修复方法和装置 | |
CN113419950A (zh) | Ui自动化脚本的生成方法、装置、计算机设备及存储介质 | |
CN110866682B (zh) | 基于历史数据的地下电缆预警方法和装置 | |
CN110852461A (zh) | 故障地下电缆定位方法和装置 |
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 |