CN110909774B - 一种基于贝叶斯分类的变电设备发热缺陷原因判别方法 - Google Patents
一种基于贝叶斯分类的变电设备发热缺陷原因判别方法 Download PDFInfo
- Publication number
- CN110909774B CN110909774B CN201911088496.1A CN201911088496A CN110909774B CN 110909774 B CN110909774 B CN 110909774B CN 201911088496 A CN201911088496 A CN 201911088496A CN 110909774 B CN110909774 B CN 110909774B
- Authority
- CN
- China
- Prior art keywords
- equipment
- defect
- heating
- heating defect
- bayesian network
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 151
- 238000010438 heat treatment Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000009466 transformation Effects 0.000 title claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims description 17
- 230000020169 heat generation Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 230000002950 deficient Effects 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000032683 aging Effects 0.000 claims description 3
- 238000009413 insulation Methods 0.000 claims description 3
- 238000013021 overheating Methods 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 238000009529 body temperature measurement Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明提供一种基于贝叶斯分类的变电设备发热缺陷原因判别方法,获取变电设备历史发生的发热缺陷原因类别以及发生该发热缺陷原因类别时所对应的特征因素,基于发热缺陷原因类别和特征因素来构建贝叶斯网络,贝叶斯网络并以此获得条件概率表,当向贝叶斯网络输入当前设备信息后,贝叶斯网络可以在先验概率的基础上,根据条件概率表获得发生缺陷的概率,然后对所有的概率值进行排序,并输出最大概率值所对应的发热缺陷原因类别,由于贝叶斯网络是基于发热缺陷原因类别以及特征因素构建而成,因此对于缺陷的判别较为准确,工作人员可以根据获取的发热缺陷原因类别及时快速的进行处理,保证变电设备的稳定运行。
Description
技术领域
本发明涉及电力系统故障判定技术领域,特别涉及一种基于贝叶斯分类的变电设备发热缺陷原因判别方法。
背景技术
电网结构特点具有设备数量多、分散、发热缺陷原因类别和影响原因复杂的特点,发热缺陷是配电设备主要的发热缺陷原因类别,红外测温是识别发热缺陷的有效技术手段,随着带电检测的推广应用,现场积累了大量检测数据,如何有效分析和应用这些数据,进一步提高设备发热风险判别的准确性和检修策略制订的科学性,对提升配网设备可靠性,缩短停电时间具有重要意义。
红外测温的绝对和相对温差,是关于配电一次设备发热缺陷的直接观测指标,基于人工智能的红外图像识别技术,能够识别红外测温图像中的发热点并计算温差指标,在机器人巡检中能够代替人工发现缺陷,但是设备状态并不能单纯依据红外测温指标来评判,还要结合设备的电压等级、厂家型号、运行年限、环境天气等运行因素做出综合评价和判断,这种分析需要依赖运维检修人员的经验和专业水平,这些需要长期积累,并且因人而异,难以实现标准化,难以保证延续性,而且在运维实际中,这些多维度、多来源的数据往往不完整,存在大量错误信息,给缺陷的综合评判带来困难。
发明内容
鉴以此,本发明提出一种基于贝叶斯分类的变电设备发热缺陷原因判别方法,在先验概率基础上,依据检测获取的新数据,采用贝叶斯网络对变电设备的发热缺陷原因进行诊断,从而对发热缺陷原因类别的判断较为准确。
本发明的技术方案是这样实现的:
一种基于贝叶斯分类的变电设备发热缺陷原因判别方法,包括以下步骤:
步骤S1、获取设备运行和发热缺陷历史信息,将设备发热缺陷时刻相关的运行信息、环境信息,存入数据表,构成设备发热缺陷数据集;采集正常运行设备历史信息构成设备正常运行数据集;
步骤S2、基于步骤1中的设备发热缺陷数据集以及设备正常运行数据集,在线对设备运行因素指标值进行区间划分,对最大指标值与最小指标值之间的距离等间距划分为n份,在指标值对应的每个区间段内,统计缺陷设备台数以及正常运行设备台数,通过(缺陷设备台数/(缺陷设备台数+正常设备台数))进而得到当前区间段内的缺陷率,利用距离相关性算法计算因素指标值与故障率之间的相关系数,采用相关关系排序算法对多个因素与缺陷间相关系数进行排序,最终确定设备缺陷特征因素,然后根据发热缺陷数据集,建立设备发热缺陷原因类别与特征因素之间的信息模型;
步骤S3、基于搜索算法构造发热缺陷原因类别以及特征因素的贝叶斯网络;
步骤S4、根据设备发热缺陷数据集以及正常运行数据集中的数据,计算得到特征因素的条件概率表;
步骤S5、将带电检测获取的特征因素样本数据,输入当前设备信息到贝叶斯网络中,由贝叶斯网络进行判别并输出发热缺陷原因类别的判别结果。
优选的,所述步骤S2中的发热缺陷原因类别包括绝缘异常、老化、接触不良过热、损坏以及污秽。
优选的,所述步骤S2中的特征因素包括设备型号以及检测热点温度。
优选的,所述步骤S3的具体步骤为:
步骤S31、将发热缺陷原因类别以及特征因素作为一个数据集(X1,...,XN,Y),其中X1,...,XN表示特征因素,Y表示发热缺陷原因类别,数据集作为节点构成一组无边图,发热缺陷原因类别作为子节点,将特征因素作为最大父节点,将历史信息中除去特征因素的部分作为其余父节点;
步骤S32、确定最大父节点的数目以及所有父节点到子节点的顺序;
步骤S33、利用贪婪搜索处理模型根据最大父节点的数目以及顺序构建贝叶斯网络。
优选的,所述步骤S33的具体步骤为,利用贪婪搜索处理模型定义CH评分函数,用于评价贝叶斯网络的结构优劣,CH评分函数最大值对应的节点集合最终构成最优的贝叶斯网络。
优选的,所述步骤S4的具体步骤包括:
步骤S41、贝叶斯网络选取其中一个发热缺陷原因类别作为子节点,获取与该子节点有关的父节点;
步骤S42、计算任意至少两个以上的父节点组合时子节点对应的概率并获得该发热缺陷原因类别所对应的条件概率表;
步骤S43、贝叶斯网络对所有的发热缺陷原因类别执行步骤S41、步骤S42之后获得所有的发热缺陷原因类别所对应的条件概率表。
优选的,所述步骤S5中的当前设备信息包括设备型号、检测热点温度、所属设备类型、设备电压等级、环境温度、正常相温度。
优选的,所述步骤S5中贝叶斯网络进行判别并输出发热缺陷原因类别的判别结果的具体步骤为:贝叶斯网络对设备型号以及检测热点温度进行处理,根据条件概率表得到不同概率值后进行排序,输出最大概率值所对应的发热缺陷原因判别。
优选的,所述步骤S1获取发热缺陷数据集后,对发热缺陷数据集中的发热缺陷原因类别进行量化编号,所述步骤S5中,贝叶斯网络进行判别并输出发热缺陷原因类别的判别结果所对应的编号。
与现有技术相比,本发明的有益效果是:
本发明提供了一种基于贝叶斯分类的变电设备发热缺陷原因判别方法,采用贝叶斯网络来进行发热缺陷原因类别的判别,其中贝叶斯网络根据以往的发热缺陷原因类别以及发热缺陷原因类别所对应的特征因素构建而成,每个发热缺陷原因类别会和多个特征因素存在关联性,贝叶斯网络根据发热缺陷原因类别和特征因素进行计算得到条件概率表,每一个发热缺陷原因类别对应不同特征因素的组合均存在一个概率,当向贝叶斯网络输入当前的设备信息后,贝叶斯网络可以进行处理,并根据条件概率表来筛选得出最终的发热缺陷原因类别判别结果,贝叶斯网络是基于历史的真实数据构建而成,因此对于发热缺陷原因类别的判别较为准确,可以为工作人员提供准确的指导,并且对缺失数据不太敏感,算法简单,识别准确率高。
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优选实施例,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为本发明的一种基于贝叶斯分类的变电设备发热缺陷原因判别方法的一个实施例的流程图;
具体实施方式
为了更好理解本发明技术内容,下面提供一具体实施例,并结合附图对本发明做进一步的说明。
参见图1,本发明提供的一种基于贝叶斯分类的变电设备发热缺陷原因判别方法,包括以下步骤:
步骤S1、获取设备运行和发热缺陷历史信息,将设备发热缺陷时刻相关的运行信息、环境信息,存入数据表,构成设备发热缺陷数据集;采集正常运行设备历史信息构成设备正常运行数据集;
步骤S2、基于步骤1中的设备发热缺陷数据集以及设备正常运行数据集,在线对设备运行因素指标值进行区间划分,对最大指标值与最小指标值之间的距离等间距划分为n份,在指标值对应的每个区间段内,统计缺陷设备台数以及正常运行设备台数,通过(缺陷设备台数/(缺陷设备台数+正常设备台数))进而得到当前区间段内的缺陷率,利用距离相关性算法计算因素指标值与故障率之间的相关系数,采用相关关系排序算法对多个因素与缺陷间相关系数进行排序,最终确定设备缺陷特征因素,然后根据发热缺陷数据集,建立设备发热缺陷原因类别与特征因素之间的信息模型;
步骤S3、基于搜索算法构造发热缺陷原因类别以及特征因素的贝叶斯网络;
步骤S4、根据设备发热缺陷数据集以及正常运行数据集中的数据,计算得到特征因素的条件概率表;
步骤S5、将带电检测获取的特征因素样本数据,输入当前设备信息到贝叶斯网络中,由贝叶斯网络进行判别并输出发热缺陷原因类别的判别结果。
本发明的一种基于贝叶斯分类的变电设备发热缺陷原因判别方法,以贝叶斯网络作为判别核心,采用近几年的各个用电设备的发热缺陷原因类别以及发生该发热缺陷原因类别时对应的特征因素作为输入,对贝叶斯网络进行构建,对于一台电力设备而言,其在运行的过程中会出现很多种缺陷,即一台电力设备的发热缺陷原因类别是多种的,而对于一个发热缺陷原因类别而言,与其缺陷发生相关的特征因素也是多种的,采集的历史信息中则包括了多种特征因素,通过采用实际的发热缺陷原因类别以及特征因素来对贝叶斯网络进行构建,从而贝叶斯网络对缺陷进行判别时,最终获得的发热缺陷原因类别较为接近真实的缺陷,从而可以为工作人员的维修工作作出指导。
对于贝叶斯网络而言,其构建过程是基于发热缺陷原因类别以及历史信息实现的,常见的发热缺陷原因类别有绝缘异常、老化、接触不良过热、损坏以及污秽等,获取上述发热缺陷原因类别后对发热缺陷原因类别进行量化编号,如表1所示:
表1发热缺陷原因类别及其对应编号
在获取历史信息后,需要对历史信息进行过滤筛选得到特征因素,历史信息一般包括了设备型号、运行年限、检测热点温度、所属站点、厂家以及环境温度等,然而在上述历史信息中,并不是所有的数据都会导致缺陷的发生,或者说导致缺陷发生的关联性较小,对于其中的设备型号以及检测热点温度而言,是导致缺陷发生的重要因素,即特征因素,将发热缺陷原因类别以及过滤筛选后得到的特征因素用于贝叶斯网络的构建,贝叶斯网络构建完成后可以得到关于发热缺陷原因类别的条件概率表,条件概率表是对于一个发热缺陷原因类别而言,任意的特征因素组合引起该缺陷发生的概率的统计,可以获得在不同的特征因素的组合情况下会引起的发热缺陷原因类别的概率,从而可以通过概率得出最有可能发生的缺陷,为后续的工作提供指导作用,因此在贝叶斯网络构建完成后,可以将当前设备信息输入到贝叶斯网络中,由贝叶斯网络根据输入的设备信息来进行判别并输出发热缺陷原因类别的判别结果所对应的编号,从而工作人员可以通过编号快速的了解到发热缺陷原因类别。
优选的,所述步骤S3的具体步骤为:
步骤S31、将发热缺陷原因类别以及特征因素作为一个数据集(X1,...,XN,Y),其中X1,...,XN表示特征因素,Y表示发热缺陷原因类别,数据集作为节点构成一组无边图,发热缺陷原因类别作为子节点,将特征因素作为最大父节点,将历史信息中除去特征因素的部分作为其余父节点;
步骤S32、确定最大父节点的数目以及所有父节点到子节点的顺序;
步骤S33、利用贪婪搜索处理模型根据最大父节点的数目以及顺序构建贝叶斯网络,利用贪婪搜索处理模型定义CH评分函数,用于评价贝叶斯网络的结构优劣,CH评分函数最大值对应的节点集合最终构成最优的贝叶斯网络。
本实施例是利用贪婪搜索处理模型来构建贝叶斯网络的,因此在构建前,需要确定最大父节点数目以及节点顺序,对于变电设备发热缺陷原因类别而言,引起各种缺陷的父节点有多个,而最大父节点包括设备型号、运行年限以及检测热点温度,其他的父节点为其余父节点,发热缺陷原因类别作为子节点,每个父节点到子节点的顺序不同,确定最大父节点的数目以及父节点到子节点的顺序后,可以利用贪婪搜索处理模型来构建贝叶斯网络,贪婪搜索处理模型会定义一种评价网络结构优劣的评分函数,再从一个网络开始,根据事先确定的最大父节点数目和节点顺序来构建贝叶斯网络,具体实现为:定义数据集D,数据集D包含变量X1,…,XN,数据集D中的每个变量X1,…,XN表示特征因素,作为节点构成一组无边图,节点Xi共有ri个取值,其父节点PAi的取值共有qi个组合,CH评分函数为:
优选的,所述步骤S4的具体步骤包括:
步骤S41、贝叶斯网络选取其中一个发热缺陷原因类别作为子节点,获取与该子节点有关的父节点;
步骤S42、计算任意至少两个以上的父节点组合时子节点对应的概率并获得该发热缺陷原因类别所对应的条件概率表;
步骤S43、贝叶斯网络对所有的发热缺陷原因类别执行步骤S41、步骤S42之后获得所有的发热缺陷原因类别所对应的条件概率表。
一种缺陷对应有多种不同的特征因素的组合,每种组合导致缺陷发生的概率也不相同,通过贝叶斯网络对所有发热缺陷原因类别进行条件概率的计算后得到条件概率表,表2为贝叶斯网络进行处理后得到的条件概率表,其中发热缺陷原因类别为表1中的内容,导致缺陷发生的特征因素为设备型号、运行年限以及检测热点温度。
表2条件概率表
优选的,所述步骤S5中的当前设备信息包括设备型号、检测热点温度、所属设备类型、设备电压等级、环境温度、正常相温度。
在得到条件概率表后,即可向贝叶斯网络输入当前设备信息来进行缺陷判别,当前设备信息包括了设备型号、运行年限以及检测热点温度,对不同设备的不同设备信息,贝叶斯网络可以输出对应不同发热缺陷原因类别时的发生概率。
优选的,所述步骤S5中贝叶斯网络进行判别并输出发热缺陷原因类别的判别结果的具体步骤为:贝叶斯网络对设备型号以及检测热点温度进行处理,根据条件概率表得到不同概率值后进行排序,输出最大概率值所对应的发热缺陷原因判别。
贝叶斯网络对设备型号、运行年限以及检测热点温度进行处理后,会得到多种发热缺陷原因类别以及发生的概率,贝叶斯网络对所有得到的概率进行排序后,将概率最大值对应的发热缺陷原因类别所对应的编号输出,从而工作人员可以得知当前设备最有可能发生的缺陷,从而可以进行后续的维修或维护工作。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于贝叶斯分类的变电设备发热缺陷原因判别方法,其特征在于,包括以下步骤:
步骤S1、获取设备运行和发热缺陷历史信息,将设备发热缺陷时刻相关的运行信息、环境信息,存入数据表,构成设备发热缺陷数据集;采集正常运行设备历史信息构成设备正常运行数据集;
步骤S2、基于步骤1中的设备发热缺陷数据集以及设备正常运行数据集,在线对设备运行因素指标值进行区间划分,对最大指标值与最小指标值之间的距离等间距划分为n份,在指标值对应的每个区间段内,统计缺陷设备台数以及正常运行设备台数,通过(缺陷设备台数/(缺陷设备台数+正常设备台数))进而得到当前区间段内的缺陷率,利用距离相关性算法计算因素指标值与故障率之间的相关系数,采用相关关系排序算法对多个因素与缺陷间相关系数进行排序,最终确定设备缺陷特征因素,然后根据发热缺陷数据集,建立设备发热缺陷原因类别与特征因素之间的信息模型;
步骤S3、基于搜索算法构造发热缺陷原因类别以及特征因素的贝叶斯网络;
步骤S4、根据设备发热缺陷数据集以及正常运行数据集中的数据,计算得到特征因素的条件概率表;
步骤S5、将带电检测获取的特征因素样本数据,输入当前设备信息到贝叶斯网络中,由贝叶斯网络进行判别并输出发热缺陷原因类别的判别结果。
2.根据权利要求1所述的一种基于贝叶斯分类的变电设备发热缺陷原因判别方法,其特征在于,所述步骤S2中的发热缺陷原因类别包括绝缘异常、老化、接触不良过热、损坏以及污秽。
3.根据权利要求1所述的一种基于贝叶斯分类的变电设备发热缺陷原因判别方法,其特征在于,所述步骤S2中的特征因素包括设备型号以及检测热点温度。
4.根据权利要求3所述的一种基于贝叶斯分类的变电设备发热缺陷原因判别方法,其特征在于,所述步骤S3的具体步骤为:
步骤S31、将发热缺陷原因类别以及特征因素作为一个数据集(X1,...,XN,Y),其中X1,...,XN表示特征因素,Y表示发热缺陷原因类别,数据集作为节点构成一组无边图,发热缺陷原因类别作为子节点,将特征因素作为最大父节点,将历史信息中除去特征因素的部分作为其余父节点;
步骤S32、确定最大父节点的数目以及所有父节点到子节点的顺序;
步骤S33、利用贪婪搜索处理模型根据最大父节点的数目以及顺序构建贝叶斯网络。
5.根据权利要求4所述的一种基于贝叶斯分类的变电设备发热缺陷原因判别方法,其特征在于,所述步骤S33的具体步骤为,利用贪婪搜索处理模型定义CH评分函数,用于评价贝叶斯网络的结构优劣,CH评分函数最大值对应的节点集合最终构成最优的贝叶斯网络。
6.根据权利要求4所述的一种基于贝叶斯分类的变电设备发热缺陷原因判别方法,其特征在于,所述步骤S4的具体步骤包括:
步骤S41、贝叶斯网络选取其中一个发热缺陷原因类别作为子节点,获取与该子节点有关的父节点;
步骤S42、计算任意至少两个以上的父节点组合时子节点对应的概率并获得该发热缺陷原因类别所对应的条件概率表;
步骤S43、贝叶斯网络对所有的发热缺陷原因类别执行步骤S41、步骤S42之后获得所有的发热缺陷原因类别所对应的条件概率表。
7.根据权利要求6所述的一种基于贝叶斯分类的变电设备发热缺陷原因判别方法,其特征在于,所述步骤S5中的当前设备信息包括设备型号、检测热点温度、所属设备类型、设备电压等级、环境温度、正常相温度。
8.根据权利要求7所述的一种基于贝叶斯分类的变电设备发热缺陷原因判别方法,其特征在于,所述步骤S5中贝叶斯网络进行判别并输出发热缺陷原因类别的判别结果的具体步骤为:贝叶斯网络对设备型号以及检测热点温度进行处理,根据条件概率表得到不同概率值后进行排序,输出最大概率值所对应的发热缺陷原因判别。
9.根据权利要求1所述的一种基于贝叶斯分类的变电设备发热缺陷原因判别方法,其特征在于,所述步骤S1获取发热缺陷数据集后,对发热缺陷数据集中的发热缺陷原因类别进行量化编号,所述步骤S5中,贝叶斯网络进行判别并输出发热缺陷原因类别的判别结果所对应的编号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911088496.1A CN110909774B (zh) | 2019-11-08 | 2019-11-08 | 一种基于贝叶斯分类的变电设备发热缺陷原因判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911088496.1A CN110909774B (zh) | 2019-11-08 | 2019-11-08 | 一种基于贝叶斯分类的变电设备发热缺陷原因判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110909774A CN110909774A (zh) | 2020-03-24 |
CN110909774B true CN110909774B (zh) | 2023-01-17 |
Family
ID=69817144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911088496.1A Active CN110909774B (zh) | 2019-11-08 | 2019-11-08 | 一种基于贝叶斯分类的变电设备发热缺陷原因判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110909774B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116485280B (zh) * | 2023-06-15 | 2023-09-19 | 深圳市蓝巨科技有限公司 | 基于人工智能的uvc-led生产质量评价方法及系统 |
CN117455317B (zh) * | 2023-12-22 | 2024-04-02 | 深圳市鸿云智科技有限公司 | 烟支外观缺陷影响因素确定方法、系统、存储介质及终端 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202274B (zh) * | 2016-06-30 | 2019-10-15 | 云南电网有限责任公司电力科学研究院 | 一种基于贝叶斯网络的缺陷数据自动文摘分类方法 |
CN109101988A (zh) * | 2018-06-29 | 2018-12-28 | 广东工业大学 | 一种基于贝叶斯网络的不合格注塑成型产品的分析方法 |
CN109596913B (zh) * | 2018-11-26 | 2021-06-15 | 国网冀北电力有限公司 | 充电桩故障原因诊断方法及装置 |
-
2019
- 2019-11-08 CN CN201911088496.1A patent/CN110909774B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110909774A (zh) | 2020-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110909774B (zh) | 一种基于贝叶斯分类的变电设备发热缺陷原因判别方法 | |
CN108268901B (zh) | 一种基于动态时间弯曲距离发现环境监测异常数据的方法 | |
CN116308958A (zh) | 基于移动终端的碳排放在线检测预警系统及方法 | |
CN115278741A (zh) | 一种基于多模态数据依赖关系的故障诊断方法和装置 | |
CN112039073B (zh) | 一种适用于配电房设备故障判断的协同优化方法及系统 | |
CN110889441A (zh) | 一种基于距离和点密度的变电设备数据异常识别方法 | |
CN111999692A (zh) | 一种多表误差的校准方法和装置 | |
CN113484813A (zh) | 多环境应力下的智能电表故障率预估方法及系统 | |
CN112816881A (zh) | 电池压差异常检测方法、装置及计算机存储介质 | |
CN110096723B (zh) | 基于运维检测大数据的高压开关柜绝缘状态分析方法 | |
CN113657747B (zh) | 一种企业安全生产标准化级别智能评定系统 | |
CN114463299A (zh) | 一种穿墙套管的红外图像检测方法 | |
CN112345972B (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 | |
CN111999691A (zh) | 一种计量传感器装置的误差校准方法和误差校准装置 | |
CN117171366A (zh) | 用于电网调度运行态势的知识图谱构建方法及系统 | |
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 | |
CN116520068A (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
CN113610167B (zh) | 基于度量学习与视觉感知的设备风险检测方法 | |
CN115563819A (zh) | 一种基于温度变化的火电站炉管损耗评估方法及系统 | |
CN113836816A (zh) | 一种基于红外图像的发电机碳刷温度监测系统及温度预测方法 | |
CN114997375A (zh) | 一种空气型开关柜中绝缘子表面金属污秽模型搭建系统 | |
CN114895163A (zh) | 一种基于电缆绝缘性能的电缆巡检定位装置及方法 | |
CN108627242B (zh) | 基于盲源分离单边检测法的环冷机漏风率检测方法 | |
CN107196290B (zh) | 基于量测平衡指标和设备状态相似度寻优的支路与母线连接关系辨识方法 | |
CN117436532B (zh) | 一种洁净室气态分子污染物根因分析方法 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: No. 32 Haifu Road, Meilan District, Haikou City, Hainan Province, 571100 Patentee after: Haikou Substation Operation and Inspection Branch of Hainan Power Grid Co.,Ltd. Address before: No.23, hairuihou Road, Longhua District, Haikou City, Hainan Province, 570100 Patentee before: HAINAN POWER GRID Co.,Ltd. HAINAN POWER TRANSMISSION AND SUBSTATION MAINTENANCE BRANCH |