CN111242348A - 基于时间序列的电气安全监测方法和系统 - Google Patents
基于时间序列的电气安全监测方法和系统 Download PDFInfo
- Publication number
- CN111242348A CN111242348A CN201911396798.5A CN201911396798A CN111242348A CN 111242348 A CN111242348 A CN 111242348A CN 201911396798 A CN201911396798 A CN 201911396798A CN 111242348 A CN111242348 A CN 111242348A
- Authority
- CN
- China
- Prior art keywords
- time
- event
- sequence
- early warning
- electrical safety
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 19
- OQCFWECOQNPQCG-UHFFFAOYSA-N 1,3,4,8-tetrahydropyrimido[4,5-c]oxazin-7-one Chemical compound C1CONC2=C1C=NC(=O)N2 OQCFWECOQNPQCG-UHFFFAOYSA-N 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 10
- 230000000737 periodic effect Effects 0.000 claims description 10
- WYROLENTHWJFLR-ACLDMZEESA-N queuine Chemical compound C1=2C(=O)NC(N)=NC=2NC=C1CN[C@H]1C=C[C@H](O)[C@@H]1O WYROLENTHWJFLR-ACLDMZEESA-N 0.000 claims description 10
- 238000003672 processing method Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 239000013589 supplement Substances 0.000 abstract description 5
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000012731 temporal analysis Methods 0.000 abstract 1
- 238000000700 time series analysis Methods 0.000 abstract 1
- 230000009471 action Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Fuzzy Systems (AREA)
- Alarm Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于时间序列分析和预测算法的电气安全监测方法和系统，涉及电气监测数据处理技术领域。本发明通过在电气安全实时监测领域引入统计学、人工智能领域成熟的时序预测方法，实现运用电气实时监测数据对实际电气运行状态进行预测，并在预测基础上进行科学有效的预警，以预测预警作为阈值报警的补充，增强电气安全监测技术的适用性；同时，电气安全监测预警参数基本实现了自动设置且不断自动调优，相对依赖电气专家人工设置阈值参数进行预警的电气安全监测技术，降低了运维工作的难度和工作量。
Description
技术领域
本发明涉及电气监测数据处理技术领域，具体涉及一种基于时间序列的电气安全监测方法和系统。
背景技术
电气安全监测是电力系统正常运行不可缺少的组成部分，从监测目的可分为实时电能测量、电气安全监测和新兴的平台化智能综合监测，但随着电气安全监测要求的逐步提高和智能综合监测技术的发展，电气安全监测融合电能测量，再集成到智能综合监测平台的融合趋势逐渐明显。
现有的电气安全监测只对实时监测数据进行阈值比较一种处理，要么比较后直接报警或启动保护动作，要么再人为定义若干种“数据状态”，将实时监测数据进入和退出“某状态”作为事件，对某些事件做报警。
然而，人为定义的“报警阈值”和“数据状态”难以适用于各不相同的实际监测场景，必然导致适用性差，只能在很窄的领域应用，即现有的电气安全监测方法适用性差。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于时间序列的电气安全监测方法和系统，解决了现有的电气安全监测方法适用性差的技术问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
本发明提供了一种基于时间序列的电气安全监测方法，包括以下步骤：
S1、获取电气安全监测指标的监测值，所述监测值按行业标准规定的阈值范围和报警方式进行阈值报警，电气安全监测指标的衍生参数实测值构成的时间序列记为Xi，设置预测时段时长为T，第N个时段结束时刻，用时序预测算法L(·)处理前N个时段的Xi，得到第N+1时段的预测值时间序列Xi’；
S2、持续监测至N+1时段结束时刻，得到第N+1时段的衍生参数实测值构成的时间序列Xi”，将Xi”加在前N个时段的Xi末尾，得到前N+1个时段的Xi；
S3、基于第N+1时段Xi”与Xi’的差别修正时序预测算法的参数，并以修正后的时序预测算法L’(·)处理前N+1个时段的Xi，得到第N+2时段的预测值时间序列Xi’；
S4、迭代步骤S1～S3，得到参数不断自动调优的时序预测算法L(·)和不断更新的时间序列Xi与Xi’；
S5、设置事件规则库P处理时间序列Xi与Xi’，基于Xi生成的事件称预警事件，对预警事件进行预警；基于Xi和Xi’生成的事件称预测事件，设每隔预测时间段预测事件次数构成的时间序列为Mi；
S6、以处理Xi的方法处理Mi，得到参数不断自动调优的时间序列预测算法和不断更新的时间序列Mi和Mi’，设置事件规则库Q处理Mi和Mi’，得到二阶预警事件，对二阶预警事件进行预警。
优选的，所述电气安全监测指标的监测值包括剩余电流；所述电气安全监测指标的衍生参数实测值包括基波剩余电流有效值的日均值。
优选的，所述时序预测算法L(·)包括：ARIMA模型。
优选的，步骤S3具体为：
S301、基于扩展卡尔曼滤波算法处理第N+1时间的Xi”正态分布和Xi’正态分布，得到控制函数Φ，
S302、用控制函数Φ修正实测值数列Xi”并据此更新数列Xi，并生成更新后数列Xi的ACF函数和PACF函数；
S303、判定更新后数列Xi的ACF函数和PACF函数拖尾和截尾情况，据此更新ARIMA模型的的参数p、d和q的取值；
S304、由更新后的ARIMA模型生成N+2时段的预测值时间序列Xi’。
优选的，所述事件规则库P包括：
实测值超出区间A1时生成预警事件，对预警事件进行预警，A1按行业标准要求设定；预测值超出区间A2时生成预测事件，统计每月预测事件发生次数，据此构成相应的时间序列，A2按以下方式自动生成并调优：
做数列Xi的STL分解，得到Xi的周期性数列Xi1、趋势性数列Xi2、随机扰动数列Xi3；
从数列Xi1中提取周期参数t，从数列Xi2中提取趋势参数d，从数列Xi3中提取扰动参数r；
将数列Xi按周期参数t分段，每段取中位数M，均值E，方差D；用以下规则定义稳态开始事件和稳态终止事件：
A、第n+1分段D小于r，且相对第n分段M、E的变化率中绝对值较小值与d同正负时小于d的，或与d不同正负时绝对值小于d绝对值的1/10时，发生稳态开始事件；
B、第n+1分段相对第n分段M、E的变化率中绝对值较大值大于d绝对值大于d时，发生稳态终止事件；
C、连续发生的稳态开始事件后一个不计，连续发生的稳态终止事件后一个不计；
定义最近m个(m为敏感度参数可在1-10间人为设定)稳态开始事件到稳态终止事件的时段中数列Xi的极大值Xmax与极小值Xmin组成的区间为A2。
优选的，所述事件规则库Q包括：当每月预警事件预测发生次数超出区间A3，生成二阶预警事件，A3按以下方式自动生成并调优：
做数列Mi的STL分解，得到Mi的周期性数列Mi1、趋势性数列Mi2、随机扰动数列Mi3；
从数列Mi1中提取周期参数t，从数列Mi2中提取趋势参数d，从数列Mi3中提取扰动参数r；
将数列Mi按周期参数t分段，每段取中位数M，均值E，方差D；用以下规则定义稳态开始事件和稳态终止事件：
A、第n+1分段D小于r，且相对第n分段M、E的变化率中绝对值较小值与d同正负时小于d的，或与d不同正负时绝对值小于d绝对值的1/10时，发生稳态开始事件；
B、第n+1分段相对第n分段M、E的变化率中绝对值较大值大于d绝对值大于d时，发生稳态终止事件；
C、连续发生的稳态开始事件后一个不计，连续发生的稳态终止事件后一个不计；
定义最近m个稳态开始事件到稳态终止事件的时段中数列Mi的极大值Mmax与极小值Mmin组成的区间为A3。
本发明还提供一种基于时间序列的电气安全监测系统，所述系统包括计算机，所述计算机包括：
至少一个存储单元；
至少一个处理单元；
其中，所述至少一个存储单元中存储有至少一条指令，所述至少一条指令由所述至少一个处理单元加载并执行以实现以下步骤：
S1、获取电气安全监测指标的监测值，所述监测值按行业标准规定的阈值范围和报警方式进行阈值报警，电气安全监测指标的衍生参数实测值构成的时间序列记为Xi，设置预测时段时长为T，第N个时段结束时刻，用时序预测算法L(·)处理前N个时段的Xi，得到第N+1时段的预测值时间序列Xi’；
S2、持续监测至N+1时段结束时刻，得到第N+1时段的衍生参数实测值构成的时间序列Xi”，将Xi”加在前N个时段的Xi末尾，得到前N+1个时段的Xi；
S3、基于第N+1时段Xi”与Xi’的差别修正时序预测算法的参数，并以修正后的时序预测算法L’(·)处理前N+1个时段的Xi，得到第N+2时段的预测值时间序列Xi’；
S4、迭代步骤S1～S3，得到参数不断自动调优的时序预测算法L(·)和不断更新的时间序列Xi与Xi’；
S5、设置事件规则库P处理时间序列Xi与Xi’，基于Xi生成的事件称预警事件，对预警事件进行预警；基于Xi和Xi’生成的事件称预测事件，设每隔预测时间段预测事件次数构成的时间序列为Mi；
S6、以处理Xi的方法处理Mi，得到参数不断自动调优的时间序列预测算法和不断更新的时间序列Mi和Mi’，设置事件规则库Q处理Mi和Mi’，得到二阶预警事件，对二阶预警事件进行预警。
(三)有益效果
本发明提供了一种基于时间序列的电气安全监测方法和系统。与现有技术相比，具备以下有益效果：
本发明通过获取电气安全监测指标的监测值，所述监测值按行业标准规定的阈值范围和报警方式进行阈值报警，电气安全监测指标的衍生参数实测值构成的时间序列记为Xi，设置预测时段时长为T，第N个时段结束时刻，用时序预测算法L(·)处理前N个时段的Xi，得到第N+1时段的预测值时间序列Xi’；持续监测至N+1时段结束时刻，得到第N+1时段的衍生参数实测值构成的时间序列Xi”，将Xi”加在前N个时段的Xi末尾，得到前N+1个时段的Xi；基于第N+1时段Xi”与Xi’的差别修正时序预测算法的参数，并以修正后的时序预测算法L’(·)处理前N+1个时段的Xi，得到第N+2时段的预测值时间序列Xi’；迭代上述步骤，得到参数不断自动调优的时序预测算法L(·)和不断更新的时间序列Xi与Xi’；设置事件规则库P处理时间序列Xi与Xi’，基于Xi生成的事件称预警事件，对预警事件进行预警；基于Xi和Xi’生成的事件称预测事件，设每隔预测时间段预测事件次数构成的时间序列为Mi；以处理Xi的方法处理Mi，得到参数不断自动调优的时间序列预测算法和不断更新的时间序列Mi和Mi’，设置事件规则库Q处理Mi和Mi’，得到二阶预警事件，对二阶预警事件进行预警。本发明通过在电气安全实时监测领域引入统计学、人工智能领域成熟的时序预测方法，实现运用电气实时监测数据对实际电气运行状态进行预测，并在预测基础上进行科学有效的预警，以预测预警作为阈值报警的补充，增强电气安全监测技术的适用性；同时，电气安全监测预警参数基本实现了自动设置且不断自动调优，相对依赖电气专家人工设置阈值参数进行预警的电气安全监测技术，降低了运维工作的难度和工作量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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为本发明实施例中一种基于时间序列的电气安全监测方法的框图；
图2为本发明实施例中的数列Xi的STL分解的数据形态。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请实施例通过提供一种基于时间序列的电气安全监测方法和系统，解决了现有的电气安全监测方法适用性差的问题，实现有效提高电气安全监测方法的适用性。
本申请实施例中的技术方案为解决上述技术问题，总体思路如下：
本发明实施例通过在电气安全实时监测领域引入统计学、人工智能领域成熟的时序预测方法，实现运用电气实时监测数据对实际电气运行状态进行预测，并在预测基础上进行科学有效的预警，以预测预警作为阈值报警的补充，增强电气安全监管的适用性。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本发明实施例提供了一种基于时间序列的电气安全监测方法，如图1所示，包括步骤S1～S6：
S1、获取电气安全监测指标的监测值，所述监测值按行业标准规定的阈值范围和报警方式进行阈值报警，电气安全监测指标的衍生参数实测值构成的时间序列记为Xi，设置预测时段时长为T，第N个时段结束时刻，用时序预测算法L(·)处理前N个时段的Xi，得到第N+1时段的预测值时间序列Xi’；
S2、持续监测至N+1时段结束时刻，得到第N+1时段的衍生参数实测值构成的时间序列Xi”，将Xi”加在前N个时段的Xi末尾，得到前N+1个时段的Xi；
S3、基于第N+1时段Xi”与Xi’的差别修正时序预测算法的参数，并以修正后的时序预测算法L’(·)处理前N+1个时段的Xi，得到第N+2时段的预测值时间序列Xi’；
S4、迭代步骤S1～S3，得到参数不断自动调优的时序预测算法L(·)和不断更新的时间序列Xi与Xi’；
S5、设置事件规则库P处理时间序列Xi与Xi’，基于Xi生成的事件称预警事件，对预警事件进行预警；基于Xi和Xi’生成的事件称预测事件，设每隔预测时间段预测事件次数构成的时间序列为Mi；
S6、以处理Xi的方法处理Mi，得到参数不断自动调优的时间序列预测算法和不断更新的时间序列Mi和Mi’，设置事件规则库Q处理Mi和Mi’，得到二阶预警事件，对二阶预警事件进行预警。
本发明实施例通过在电气安全实时监测领域引入统计学、人工智能领域成熟的时序预测方法，实现运用电气实时监测数据对实际电气运行状态进行预测，并在预测基础上进行科学有效的预警，以预测预警作为阈值报警的补充，增强电气安全监管的适用性。
下面对各个步骤进行详细描述：
在步骤S1中，获取电气安全监测指标的监测值，所述监测值按行业标准规定的阈值范围和报警方式进行阈值报警，电气安全监测指标的衍生参数实测值构成的时间序列记为Xi，设置预测时段时长为T，第N个时段结束时刻，用时序预测算法L(·)处理前N个时段的Xi，得到第N+1时段的预测值时间序列Xi’。具体实施过程包括：
S101、获取剩余电流这一监测指标，其监测值按相关国家标准要求的阈值区间设置阈值进行监测报警，用现场声光报警、web推送、app推送、短信通知、语音电话5种方式中的一种或若干种方式通知用户单位电气安全责任人员，实现报警效果；剩余电流的衍生参数基波剩余电流有效值Is的日均值。需要说明的是，在本发明实时中，基波剩余电流有效值Is的日均值的获取方式为：每小时采样基波剩余电流有效值Is一次，每日24点计算一次均值；预测时段时长为7日。
S102、用时序预测算法ARIMA(p，d，q)处理前7个预测时段共49个数据构成的时间序列Xi，p的初始值为7，d的初始值为0，q的初始值为5，得到第8个预测时段即从今日起未来7日的预测值构成的时间序列Xi’。需要说明的是，ARIMA(p，d，q)只是本发明实施例中的时序预测算法中的其中一种，本发明实施例还可通过其他时序预测算法处理处理前N个时段的Xi，如ARMA(p，q)等。
在步骤S2中，持续监测至N+1时段结束时刻，得到第N+1时段的衍生参数实测值构成的时间序列Xi”，将Xi”加在前N个时段的Xi末尾，得到前N+1个时段的Xi。具体实施过程包括：
S201、持续监测第8个预测时段的7日，得到此7日实测值构成的时间序列Xi”；
S202、将Xi”添加至原实测值构成的时间序列Xi的末尾，构成前8个预测时段实测值时间序列Xi。
在步骤S3中，基于第N+1时段Xi”与Xi’的差别修正时序预测算法的参数，并以修正后的时序预测算法L’(·)处理前N+1个时段的Xi，得到第N+2时段的预测值时间序列Xi’。具体实施过程包括：
S301、基于扩展卡尔曼滤波算法处理第N+1时间的Xi”正态分布和Xi’正态分布，得到控制函数Φ，
S302、用控制函数Φ修正实测值数列Xi”并据此更新数列Xi，并生成更新后数列Xi的ACF函数和PACF函数；
S303、判定更新后数列Xi的ACF函数和PACF函数拖尾和截尾情况，据此更新ARIMA模型的参数p、d和q的取值；
S304、基于更新参数后的ARIMA算法和前8个预测时段的实测值时间序列得到第9个预测时段预测值构成的时间序列。
在步骤S4中，迭代步骤S1～S3，得到参数不断自动调优的时序预测算法L(·)和不断更新的时间序列Xi与Xi’。
在步骤S5中，设置事件规则库P处理时间序列Xi与Xi’，基于Xi生成的事件称预警事件，对预警事件进行预警；基于Xi和Xi’生成的事件称预测事件，设每隔预测时间段预测事件次数构成的时间序列为Mi。在本发明实施例中，预测时间段为每月。具体实施过程包括：
事件规则库P:实测值超出区间A1或预测值超出区间A2时生成事件，A1按相关国家、行业标准要求设定，A2按以下方式自动生成并调优：
1)做数列Xi的STL分解，得到Xi的周期性数列Xi1、趋势性数列Xi2、随机扰动数列Xi3，数据形态如下图2所示：
2)从数列Xi1中提取周期参数t(主要基于数列Xi1的ACF函数极大值点横坐标)，从数列Xi2中提取趋势参数d(主要基于数列Xi2的拟合1阶线性函数导数)，从数列Xi3中提取扰动参数r(主要基于数列Xi3的均值和极值)；
3)将数列Xi按周期参数t分段，每段取中位数M，均值E，方差D；用以下规则定义稳态开始/终止事件：
A、第n+1分段D小于r，且相对第n分段M、E的变化率中绝对值较小值与d同正负时小于d的，或与d不同正负时绝对值小于d绝对值的1/10时，发生稳态开始事件；
B、第n+1分段相对第n分段M、E的变化率中绝对值较大值大于d绝对值大于d时，发生稳态终止事件；
C、连续发生的稳态开始事件后一个不计，连续发生的稳态终止事件后一个不计；
4)定义最近m个(m为敏感度参数可在1-10间人为设定)稳态开始事件到稳态终止事件的时段中数列Xi的极大值Xmax与极小值Xmin组成的区间为A2。
以此规则处理不断更新的实测值和预测值时间序列；
实测值大于A1时生成预警事件，采用web推送、app推送、短信通知和语音电话4种方式通知该监测点的电气安全责任人员，实现预警效果；
预测值大于A2时生成预测事件，统计每月预测事件发生次数，据此构成相应的时间序列。
在步骤S6中，以处理Xi的方法处理Mi，得到参数不断自动调优的时间序列预测算法和不断更新的时间序列Mi和Mi’，设置事件规则库Q处理Mi和Mi’，得到二阶预警事件，对二阶预警事件进行预警。
具体实施过程包括：
S601、用类似处理原指标实测值的方法处理每月预测事件发生次数，得到不断更新的每月预测事件发生次数、每月预测事件发生次数；
S602、当每月预警事件预测发生次数超出区间A3，生成相应二阶预警事件，A3以类似A2的方式生成，通过web推送、app推送、短信通知3种方式通知该监测点的电气安全责任人员，实现预测预警效果。
本发明实施例还提供一种基于时间序列的电气安全监测系统，上述系统包括计算机，上述计算机包括：
至少一个存储单元；
至少一个处理单元；
其中，上述至少一个存储单元中存储有至少一条指令，上述至少一条指令由上述至少一个处理单元加载并执行以实现以下步骤：
S1、获取电气安全监测指标的监测值，所述监测值按行业标准规定的阈值范围和报警方式进行阈值报警，电气安全监测指标的衍生参数实测值构成的时间序列记为Xi，设置预测时段时长为T，第N个时段结束时刻，用时序预测算法L(·)处理前N个时段的Xi，得到第N+1时段的预测值时间序列Xi’；
S2、持续监测至N+1时段结束时刻，得到第N+1时段的衍生参数实测值构成的时间序列Xi”，将Xi”加在前N个时段的Xi末尾，得到前N+1个时段的Xi；
S3、基于第N+1时段Xi”与Xi’的差别修正时序预测算法的参数，并以修正后的时序预测算法L’(·)处理前N+1个时段的Xi，得到第N+2时段的预测值时间序列Xi’；
S4、迭代步骤S1～S3，得到参数不断自动调优的时序预测算法L(·)和不断更新的时间序列Xi与Xi’；
S5、设置事件规则库P处理时间序列Xi与Xi’，基于Xi生成的事件称预警事件，对预警事件进行预警；基于Xi和Xi’生成的事件称预测事件，设每隔预测时间段预测事件次数构成的时间序列为Mi；
S6、以处理Xi的方法处理Mi，得到参数不断自动调优的时间序列预测算法和不断更新的时间序列Mi和Mi’，设置事件规则库Q处理Mi和Mi’，得到二阶预警事件，对二阶预警事件进行预警。
可理解的是，本发明实施例提供的上述基于时间序列的电气安全监测系统与上述基于时间序列的电气安全监测方法相对应，其有关内容的解释、举例、有益效果等部分可以参考基于时间序列的电气安全监测方法中的相应内容，此处不再赘述。
综上所述，与现有技术相比，具备以下有益效果：
1、本发明实施例通过在电气安全实时监测领域引入统计学、人工智能领域成熟的时序预测方法，实现运用电气实时监测数据对实际电气运行状态进行预测，并在预测基础上进行科学有效的预警，以预测预警作为阈值报警的补充，增强电气安全监管的适用性。
2、在本发明实施例中，电气安全监测预警参数基本实现了自动设置且不断自动调优，相对依赖电气专家人工设置阈值参数进行预警的电气安全监测技术，降低了运维工作的难度和工作量。
需要说明的是，通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上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。
Claims (7)
1.一种基于时间序列的电气安全监测方法，其特征在于，包括以下步骤：
S1、获取电气安全监测指标的监测值，所述监测值按行业标准规定的阈值范围和报警方式进行阈值报警，电气安全监测指标的衍生参数实测值构成的时间序列记为Xi，设置预测时段时长为T，第N个时段结束时刻，用时序预测算法L(·)处理前N个时段的Xi，得到第N+1时段的预测值时间序列Xi’；
S2、持续监测至N+1时段结束时刻，得到第N+1时段的衍生参数实测值构成的时间序列Xi”，将Xi”加在前N个时段的Xi末尾，得到前N+1个时段的Xi；
S3、基于第N+1时段Xi”与Xi’的差别修正时序预测算法的参数，并以修正后的时序预测算法L’(·)处理前N+1个时段的Xi，得到第N+2时段的预测值时间序列Xi’；
S4、迭代步骤S1～S3，得到参数不断自动调优的时序预测算法L(·)和不断更新的时间序列Xi与Xi’；
S5、设置事件规则库P处理时间序列Xi与Xi’，基于Xi生成的事件称预警事件，对预警事件进行预警；基于Xi和Xi’生成的事件称预测事件，设每隔预测时间段预测事件次数构成的时间序列为Mi；
S6、以处理Xi的方法处理Mi，得到参数不断自动调优的时间序列预测算法和不断更新的时间序列Mi和Mi’，设置事件规则库Q处理Mi和Mi’，得到二阶预警事件，对二阶预警事件进行预警。
2.如权利要求1所述的基于时间序列的电气安全监测方法，其特征在于，所述电气安全监测指标的监测值包括剩余电流；所述电气安全监测指标的衍生参数实测值包括基波剩余电流有效值的日均值。
3.如权利要求1所述的基于时间序列的电气安全监测方法，其特征在于，所述时序预测算法L(·)包括：ARIMA模型。
4.如权利要求1所述的基于时间序列的电气安全监测方法，其特征在于，步骤S3具体为：
S301、基于扩展卡尔曼滤波算法处理第N+1时间的Xi”正态分布和Xi’正态分布，得到控制函数Φ，
S302、用控制函数Φ修正实测值数列Xi”并据此更新数列Xi，并生成更新后数列Xi的ACF函数和PACF函数；
S303、判定更新后数列Xi的ACF函数和PACF函数拖尾和截尾情况，据此更新ARIMA模型的的参数p、d和q的取值；
S304、由更新后的ARIMA模型生成N+2时段的预测值时间序列Xi’。
5.如权利要求1所述的基于时间序列的电气安全监测方法，其特征在于，所述事件规则库P包括：
实测值超出区间A1时生成预警事件，对预警事件进行预警，A1按行业标准要求设定；预测值超出区间A2时生成预测事件，统计每月预测事件发生次数，据此构成相应的时间序列，A2按以下方式自动生成并调优：
做数列Xi的STL分解，得到Xi的周期性数列Xi1、趋势性数列Xi2、随机扰动数列Xi3；
从数列Xi1中提取周期参数t，从数列Xi2中提取趋势参数d，从数列Xi3中提取扰动参数r；
将数列Xi按周期参数t分段，每段取中位数M，均值E，方差D；用以下规则定义稳态开始事件和稳态终止事件：
A、第n+1分段D小于r，且相对第n分段M、E的变化率中绝对值较小值与d同正负时小于d的，或与d不同正负时绝对值小于d绝对值的1/10时，发生稳态开始事件；
B、第n+1分段相对第n分段M、E的变化率中绝对值较大值大于d绝对值大于d时，发生稳态终止事件；
C、连续发生的稳态开始事件后一个不计，连续发生的稳态终止事件后一个不计；
定义最近m个(m为敏感度参数可在1-10间人为设定)稳态开始事件到稳态终止事件的时段中数列Xi的极大值Xmax与极小值Xmin组成的区间为A2。
6.如权利要求1所述的基于时间序列的电气安全监测方法，其特征在于，所述事件规则库Q包括：当每月预警事件预测发生次数超出区间A3，生成二阶预警事件，A3按以下方式自动生成并调优：
做数列Mi的STL分解，得到Mi的周期性数列Mi1、趋势性数列Mi2、随机扰动数列Mi3；
从数列Mi1中提取周期参数t，从数列Mi2中提取趋势参数d，从数列Mi3中提取扰动参数r；
将数列Mi按周期参数t分段，每段取中位数M，均值E，方差D；用以下规则定义稳态开始事件和稳态终止事件：
A、第n+1分段D小于r，且相对第n分段M、E的变化率中绝对值较小值与d同正负时小于d的，或与d不同正负时绝对值小于d绝对值的1/10时，发生稳态开始事件；
B、第n+1分段相对第n分段M、E的变化率中绝对值较大值大于d绝对值大于d时，发生稳态终止事件；
C、连续发生的稳态开始事件后一个不计，连续发生的稳态终止事件后一个不计；
定义最近m个稳态开始事件到稳态终止事件的时段中数列Mi的极大值Mmax与极小值Mmin组成的区间为A3。
7.一种基于时间序列的电气安全监测系统，其特征在于，所述系统包括计算机，所述计算机包括：
至少一个存储单元；
至少一个处理单元；
其中，所述至少一个存储单元中存储有至少一条指令，所述至少一条指令由所述至少一个处理单元加载并执行以实现以下步骤：
S1、获取电气安全监测指标的监测值，所述监测值按行业标准规定的阈值范围和报警方式进行阈值报警，电气安全监测指标的衍生参数实测值构成的时间序列记为Xi，设置预测时段时长为T，第N个时段结束时刻，用时序预测算法L(·)处理前N个时段的Xi，得到第N+1时段的预测值时间序列Xi’；
S2、持续监测至N+1时段结束时刻，得到第N+1时段的衍生参数实测值构成的时间序列Xi”，将Xi”加在前N个时段的Xi末尾，得到前N+1个时段的Xi；
S3、基于第N+1时段Xi”与Xi’的差别修正时序预测算法的参数，并以修正后的时序预测算法L’(·)处理前N+1个时段的Xi，得到第N+2时段的预测值时间序列Xi’；
S4、迭代步骤S1～S3，得到参数不断自动调优的时序预测算法L(·)和不断更新的时间序列Xi与Xi’；
S5、设置事件规则库P处理时间序列Xi与Xi’，基于Xi生成的事件称预警事件，对预警事件进行预警；基于Xi和Xi’生成的事件称预测事件，设每隔预测时间段预测事件次数构成的时间序列为Mi；
S6、以处理Xi的方法处理Mi，得到参数不断自动调优的时间序列预测算法和不断更新的时间序列Mi和Mi’，设置事件规则库Q处理Mi和Mi’，得到二阶预警事件，对二阶预警事件进行预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911396798.5A CN111242348B (zh) | 2019-12-30 | 2019-12-30 | 基于时间序列的电气安全监测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911396798.5A CN111242348B (zh) | 2019-12-30 | 2019-12-30 | 基于时间序列的电气安全监测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111242348A true CN111242348A (zh) | 2020-06-05 |
| CN111242348B CN111242348B (zh) | 2023-08-01 |
Family
ID=70866307
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911396798.5A Active CN111242348B (zh) | 2019-12-30 | 2019-12-30 | 基于时间序列的电气安全监测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111242348B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111796205A (zh) * | 2020-07-08 | 2020-10-20 | 安徽先兆科技有限公司 | Ac220v回路电气安全管控方法及系统 |
| CN113759219A (zh) * | 2021-08-09 | 2021-12-07 | 浙江上青元电力科技有限公司 | 主动式环境安全监测预警装置、方法及安装方案 |
| CN114428803A (zh) * | 2020-10-29 | 2022-05-03 | 上海浦昊节能环保科技有限公司 | 空压站运行优化方法、系统、存储介质及终端 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103996077A (zh) * | 2014-05-22 | 2014-08-20 | 中国南方电网有限责任公司电网技术研究中心 | 一种基于多维时间序列的电气设备故障预测方法 |
| CN104537034A (zh) * | 2014-12-22 | 2015-04-22 | 国家电网公司 | 基于时间序列分析的输变电设备的状态监测数据清洗方法 |
| CN104657792A (zh) * | 2015-03-06 | 2015-05-27 | 中电海康集团有限公司 | 一种基于规则引擎和智能预测的预警方法 |
| JP2015192502A (ja) * | 2014-03-27 | 2015-11-02 | 富士通株式会社 | 消費電力予測方法、消費電力予測プログラム及び消費電力予測装置 |
| WO2016017015A1 (ja) * | 2014-07-31 | 2016-02-04 | 三菱電機株式会社 | 電気機器制御装置、電気機器制御システム、電気機器制御方法、及び、プログラム |
| WO2016028710A1 (en) * | 2014-08-18 | 2016-02-25 | The Regents Of The University Of California | Electricity monitoring devices and systems, and methods of use thereof |
| CN107621593A (zh) * | 2017-10-16 | 2018-01-23 | 云南电网有限责任公司电力科学研究院 | 一种基于时间序列的低电压预警方法及装置 |
| CN109165818A (zh) * | 2018-08-02 | 2019-01-08 | 国网湖北省电力有限公司电力科学研究院 | 一种用于电气设备风险评估的负点计算方法 |
| CN109443419A (zh) * | 2018-08-31 | 2019-03-08 | 广州市世科高新技术有限公司 | 一种基于机器学习的整流器在线监测方法 |
| CN109787855A (zh) * | 2018-12-17 | 2019-05-21 | 深圳先进技术研究院 | 基于马尔可夫链和时间序列模型的服务器负载预测方法及系统 |
| CN110134079A (zh) * | 2019-03-26 | 2019-08-16 | 石化盈科信息技术有限责任公司 | 一种基于斜率分析的工艺参数预警方法及系统 |
| KR102011689B1 (ko) * | 2019-03-06 | 2019-08-19 | 주식회사 위엠비 | 시계열 데이터의 모니터링 방법, 모니터링 시스템 및 컴퓨터 프로그램 |
| JP2019212131A (ja) * | 2018-06-06 | 2019-12-12 | シャープ株式会社 | 予測装置、電気機器、管理システム、予測方法、及び制御プログラム |
-
2019
- 2019-12-30 CN CN201911396798.5A patent/CN111242348B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015192502A (ja) * | 2014-03-27 | 2015-11-02 | 富士通株式会社 | 消費電力予測方法、消費電力予測プログラム及び消費電力予測装置 |
| CN103996077A (zh) * | 2014-05-22 | 2014-08-20 | 中国南方电网有限责任公司电网技术研究中心 | 一种基于多维时间序列的电气设备故障预测方法 |
| WO2016017015A1 (ja) * | 2014-07-31 | 2016-02-04 | 三菱電機株式会社 | 電気機器制御装置、電気機器制御システム、電気機器制御方法、及び、プログラム |
| WO2016028710A1 (en) * | 2014-08-18 | 2016-02-25 | The Regents Of The University Of California | Electricity monitoring devices and systems, and methods of use thereof |
| CN104537034A (zh) * | 2014-12-22 | 2015-04-22 | 国家电网公司 | 基于时间序列分析的输变电设备的状态监测数据清洗方法 |
| CN104657792A (zh) * | 2015-03-06 | 2015-05-27 | 中电海康集团有限公司 | 一种基于规则引擎和智能预测的预警方法 |
| CN107621593A (zh) * | 2017-10-16 | 2018-01-23 | 云南电网有限责任公司电力科学研究院 | 一种基于时间序列的低电压预警方法及装置 |
| JP2019212131A (ja) * | 2018-06-06 | 2019-12-12 | シャープ株式会社 | 予測装置、電気機器、管理システム、予測方法、及び制御プログラム |
| CN109165818A (zh) * | 2018-08-02 | 2019-01-08 | 国网湖北省电力有限公司电力科学研究院 | 一种用于电气设备风险评估的负点计算方法 |
| CN109443419A (zh) * | 2018-08-31 | 2019-03-08 | 广州市世科高新技术有限公司 | 一种基于机器学习的整流器在线监测方法 |
| CN109787855A (zh) * | 2018-12-17 | 2019-05-21 | 深圳先进技术研究院 | 基于马尔可夫链和时间序列模型的服务器负载预测方法及系统 |
| KR102011689B1 (ko) * | 2019-03-06 | 2019-08-19 | 주식회사 위엠비 | 시계열 데이터의 모니터링 방법, 모니터링 시스템 및 컴퓨터 프로그램 |
| CN110134079A (zh) * | 2019-03-26 | 2019-08-16 | 石化盈科信息技术有限责任公司 | 一种基于斜率分析的工艺参数预警方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| WEN WANG: "Land cover change detection based on MODIS 250m vegetation index time series data" * |
| 王凯;胡怡婧;徐青;: "基于时间序列ARMA模式识别的基坑监测预警优化研究", no. 07 * |
| 许浒: "时空数据库查询处理及优化的研究与实现" * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111796205A (zh) * | 2020-07-08 | 2020-10-20 | 安徽先兆科技有限公司 | Ac220v回路电气安全管控方法及系统 |
| CN111796205B (zh) * | 2020-07-08 | 2023-05-05 | 安徽先兆科技有限公司 | Ac220v回路电气安全管控方法及系统 |
| CN114428803A (zh) * | 2020-10-29 | 2022-05-03 | 上海浦昊节能环保科技有限公司 | 空压站运行优化方法、系统、存储介质及终端 |
| CN114428803B (zh) * | 2020-10-29 | 2023-05-26 | 上海浦昊节能环保科技有限公司 | 空压站运行优化方法、系统、存储介质及终端 |
| CN113759219A (zh) * | 2021-08-09 | 2021-12-07 | 浙江上青元电力科技有限公司 | 主动式环境安全监测预警装置、方法及安装方案 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111242348B (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111242348A (zh) | 基于时间序列的电气安全监测方法和系统 | |
| CN105787606A (zh) | 一种基于超短期负荷预测的电力调度在线趋势预警系统 | |
| CN107104848B (zh) | 信息技术系统监控方法及装置 | |
| CN111181751B (zh) | 一种频闪告警派单控制方法及系统 | |
| CN112100024B (zh) | 一种资源负载异常检测方法、装置及设备 | |
| CN114226282A (zh) | 一种用于箱包生产线的运行效率监测系统 | |
| CN112465237A (zh) | 基于大数据分析的故障预测方法、装置、设备和存储介质 | |
| CN114398222A (zh) | 一种声明式可视化配置Prometheus监控告警的方法 | |
| CN113673748A (zh) | 火灾预测方法、XGBoost模型的训练方法及相关设备 | |
| CN117808154A (zh) | 设备能耗异常告警方法、终端及存储介质 | |
| CN111800807A (zh) | 一种基站用户数量告警的方法及装置 | |
| CN113629880A (zh) | 一种基于数据中台的台区电压干扰装置检测方法及系统 | |
| CN107026771A (zh) | 阈值自适应的方法、装置、电子设备和可读介质 | |
| CN116361695A (zh) | 异常数据检测方法以及装置 | |
| CN115858281A (zh) | 一种基于物联网的能耗管理系统及方法 | |
| CN112820062B (zh) | 一种火灾发生概率预测方法及系统 | |
| CN106571934B (zh) | 一种基于回归分析的派单方法和装置 | |
| CN116299145B (zh) | 一种电能表的安全监控方法、装置及电能表 | |
| CN118573591B (zh) | 基于流量预测的网络异常检测方法、系统、终端及介质 | |
| CN117788046B (zh) | 基于物联网的用电监测预警方法及装置 | |
| CN112598344B (zh) | 温度报警区间的动态调节方法、装置、电子设备及介质 | |
| CN115545286A (zh) | 基于气象数据的智能预警方法及装置 | |
| CN115967827B (zh) | 一种数据指标监测告警方法、装置、设备及存储介质 | |
| CN117711145A (zh) | 一种光伏系统报警方法、装置及存储介质 | |
| CN115758804A (zh) | 一种电解槽寿命预测方法、装置、设备及介质 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 230088 room 415, building a, 5F Pioneer Park, 118 science Avenue, high tech Zone, Hefei City, Anhui Province Applicant after: Anhui Xianzhao Technology Co.,Ltd. Address before: Room 2405, building 2, fengle century apartment, No. 499, Changjiang West Road, Shushan District, Hefei City, Anhui Province Applicant before: Anhui Xianzhao Technology Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |