CN111428895A - 一种智能电表故障诊断支撑中心 - Google Patents
一种智能电表故障诊断支撑中心 Download PDFInfo
- Publication number
- CN111428895A CN111428895A CN202010229761.XA CN202010229761A CN111428895A CN 111428895 A CN111428895 A CN 111428895A CN 202010229761 A CN202010229761 A CN 202010229761A CN 111428895 A CN111428895 A CN 111428895A
- Authority
- CN
- China
- Prior art keywords
- service
- data
- fault diagnosis
- support center
- algorithm
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000013500 data storage Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000010801 machine learning Methods 0.000 claims abstract description 17
- 238000007726 management method Methods 0.000 claims abstract description 15
- 238000012800 visualization Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 238000007635 classification algorithm Methods 0.000 claims description 6
- 230000008676 import Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013079 data visualisation Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims 1
- 238000010276 construction Methods 0.000 abstract description 7
- 238000013461 design Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000003993 interaction Effects 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 239000000243 solution Substances 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 3
- 239000002585 base Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000003637 basic solution Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 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
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
-
- 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
-
- 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
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Fuzzy Systems (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种智能电表故障诊断支撑中心,其中包括基础资源管理、数据采集调度、数据处理隧道、数据存储服务、分析计算服务、特征工程、机器学习服务、深度学习服务和可视化服务。本发明为故障诊断模块建设提供了高可用、高扩展、高性能的分布式技术支撑服务;降低了采集故障处理工作压力,满足了计量精益化管理要求;采用了分层设计的思想,将平台所需提供的服务按照功能划分成不同的模块层次,每一模块层次只与上层或下层的模块层次进行交互,避免跨层的交互。解决了现有技术中现场众多的运行设备、复杂的运行环境、多样的设备故障类型,导致采集故障处理工作压力越来越大,以及传统的故障处理模式将难以满足计量精益化管理要求。
Description
技术领域
本发明属于智能电表故障诊断领域,具体涉及一种智能电表故障诊断支撑中心。
背景技术
截止2018年8月末,国网公司采集系统累计接入智能电能表4.64亿只,现场众多的运行设备、复杂的运行环境、多样的设备故障类型,导致采集故障处理工作压力越来越大,随着电网运行对电力设备稳定性、可靠性的要求不断提高,数据采集频度、数据质量要求进一步加强,传统的故障处理模式将难以满足计量精益化管理要求,需要对当前模式进行创新,确保现场设备安全、稳定、可靠的运行。
构建故障诊断支撑中心,为故障智能诊断提供数据采集服务、数据存储服务、实时计算服务、离线计算服务、数据分析挖掘服务、人工智能服务等。通过建立故障诊断支撑中心,集成分布式大数据处理技术,实时汇聚或离线汇聚用采数据、营销数据、调度数据、资产数据、故障数据、环境数据等各类形态数据;并对汇聚的数据针对性的提供数据存储服务;并针对特定计算场景,提供实时计算服务和离线计算服务。故障诊断支撑中心整合机器学习、深度学习算法和学习框架,适配各种故障诊断场景,为故障智能诊断引擎和运维学习引擎提供资源计算、机器学习算法、人工智能框架等服务。通过故障诊断支撑中心的建设,为故障诊断模块建设提供了高可用、高扩展、高性能的分布式技术支撑服务。
故障诊断支撑中心,需要为故障诊断模块具体实现提供从底层到应用的全面支撑,通过故障诊断支撑中心的建设,为故障诊断模块提供海量数据采集支撑、海量数据存储支撑、海量数据计算支撑、人工智能训练和学习引擎资源支撑、机器学习资源支撑、模型资源支撑、模型开发组件、平台管控支撑,保障故障诊断的稳定运行。
发明内容
针对现有技术的不足,本发明的目的在于提供一种智能电表故障诊断支撑中心,解决了现有技术中现场众多的运行设备、复杂的运行环境、多样的设备故障类型,导致采集故障处理工作压力越来越大,以及传统的故障处理模式将难以满足计量精益化管理要求。
本发明的目的可以通过以下技术方案实现:
一种智能电表故障诊断支撑中心,包括基础资源管理、数据采集调度、数据处理隧道、数据存储服务、分析计算服务、特征工程、机器学习服务、深度学习服务和可视化服务。
所述数据采集调度包括任务调度、任务实例和任务依赖图。
所述数据处理隧道包括DB导入和文件导入。
所述数据存储服务包括数据知识库、时序数据存储、海量数据仓库和缓存数据存储。
所述分析计算服务包括实时计算服务、离线计算服务和时序计算服务。
所述特征工程包括特征转换、特征重要性评估、特征选择和特征生成。
所述机器学习服务包括聚类算法、回归算法、决策树-CART算法、决策树-ID3算法、朴素贝叶斯分类算法、KNN分类算法和随机森林算法。
所述可视化服务包括模型可视化、数据可视化和建模可视化。
本发明的有益效果:
1、本发明为故障诊断模块建设提供了高可用、高扩展、高性能的分布式技术支撑服务;
2、本发明降低了采集故障处理工作压力,满足了计量精益化管理要求;
3、本发明采用了分层设计的思想,将平台所需提供的服务按照功能划分成不同的模块层次,每一模块层次只与上层或下层的模块层次进行交互,避免跨层的交互。
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,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是本发明实施例的整体框架示意图;
图2是本发明实施例的数据采集调度框架示意图;
图3是本发明实施例的数据处理隧道框架示意图;
图4是本发明实施例的数据存储服务框架示意图;
图5是本发明实施例的分析机选服务框架示意图;
图6是本发明实施例的特征工程框架示意图;
图7是本发明实施例的机器学习服务框架示意图;
图8是本发明实施例的可视化服务框架示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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它实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“开孔”、“上”、“下”、“厚度”、“顶”、“中”、“长度”、“内”、“四周”等指示方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的组件或元件必须具有特定的方位,以特定的方位构造和操作,因此不能理解为对本发明的限制。
如图1所示,所述一种智能电表故障诊断支撑中心,包括基础资源管理1、数据采集调度2、数据处理隧道3、数据存储服务4、分析计算服务5、特征工程6、机器学习服务7、深度学习服务8和可视化服务9。
如图2所示,所述数据采集调度2包括任务调度、任务实例和任务依赖图。所述数据采集调度2建设高效、智能、稳定的数据调度服务,为大数据的导入、加工和流转提供基础解决方案。支持多时间维度(天、小时、分钟)的离线任务定时调度,只需要简单几步便可完成数据增量抽取。可智能分析任务之间依赖关系,规避因为前期数据缺失而导致的无效调度。当任务出现错误的时候,数据集成支持通过预定义的方式告知用户任务失败。用户可以按照自己定义的规则来配置告警规则。
如图3所示,所述数据处理隧道3包括DB导入和文件导入。所述数据处理隧道3是数据进出故障数据平台的通道,为业务数据进出数据仓库提供相应的解决方案。拥有丰富多样、简单易用的数据处理功能,是后续进行数据查询、分发、计算和数据分析的基础。
如图4所示,所述数据存储服务4包括数据知识库、时序数据存储、海量数据仓库和缓存数据存储。所述数据存储服务4为不同的数据使用场景,提供不同的数据存储服务能力,并进行统一管理,提供丰富的数据表管理信息,包括数据知识库、数据仓库等,支持通过点击集市、数据库分层、数据库类型、主题、数据标签等维度快速搜索到目标表,也可以通过表的名称、负责人、描述检索到目标数据表,通过表名查看到数据表详情。
如图5所示,所述分析计算服务5包括实时计算服务、离线计算服务和时序计算服务。所述分析计算服务5通过对分析计算相关组件的封装,形成故障支撑中心的分析计算服务引擎,支撑故障诊断中的数据计算需求。通过Kafka集群,Flink集群的建设和封装,为故障诊断提供实时计算解决方案,在保证高可靠性的前提下可以让处理更加实时,同时具备容错和分布计算的特征的应用。通过对Spark的封装,提供离线计算服务,支撑故障离线模型的运转,支持决策分析。
如图6所示,所述特征工程6包括特征转换、特征重要性评估、特征选择和特征生成。所述特征工程6是数据中抽取出来的对结果预测有用的信息,而特征工程就是使用专业知识来处理数据,筛选出具有价值的特征。数据的特征对于机器学习来说是非常重要,特征和数据决定了机器学习的上限,而模型和算法只是逼近这个上限。所以在进行机器学习实验之前,首先要进行特征处理,常见的特征处理方法包括数据预处理、特征选择、降维等。维是指人们观察事物的角度。在机器学习方面,维是指描述一个数据集的特征。如果一个数据集有百万级的特征,那么机器学习训练的模型就会非常复杂,而且训练速度会非常缓慢。所以需要对数据进行降维,即通过算法,将影响很小的维度去掉,从众多的特征中提取出具有代表性的特征。机器学习平台上的降维算法包括PCA、LDA等。建设特征工程,包括特征变换、特征重要性评估、特征选择、特征生成等相关功能,将相关特征算法进行封装,在诊断模型建模中提供特征组件化服务。
如图7所示,所述机器学习服务7包括聚类算法、回归算法、决策树-CART算法、决策树-ID3算法、朴素贝叶斯分类算法、KNN分类算法和随机森林算法。所述机器学习服务7通过对机器学习算法的封装,提供完善的数据数据挖掘服务,降低数据挖掘的使用门槛。通过对机器算法的封装,支持数据从预处理到特征工程,经过处理的数据进行建模,解决常规需要在不同多个工具中来回穿梭才能完成任务的弊端。并将复杂的机器学习算法,与底层数据存储服务相结合,通过可视化方式进行建模,降低使用门槛,为故障诊断模型快速建设和调整提供优秀的算法支撑。
如图8所示,所述可视化服务9包括模型可视化、数据可视化和建模可视化。
故障诊断支撑中心,包括资源层、数据采集层、数据处理层、计算引擎层、智能挖掘层、应用层等多个层级。资源层主要实现对底层服务器资源的管控,提供深度学习训练集群、海量数据实时处理集群、海量数据离线计算集群、海量数据存储集群、海量数据分析和挖掘集群等,以及相关集群的管理和监控。数据采集层包括针对不同数据采集场景提供的不同技术驱动方式,如流数据采集、日志数据采集、关系型数据数据采集等。数据处理层,主要包括数据治理相关工作,对接入数据进行质检,异常数据进行处理和转化,对采集数据进行关联处理,并进行相关元数据管理,形成数据知识。计算引擎层,则封装相关的计算集群服务能力,统一为故障诊断提供服务,包括实时计算引擎、离线计算引擎等。智能挖掘层,包括特征工程、机器学习算法、深度学习算法、深度学习框架等服务能力,并对这些服务能力进行封装,提供组件化服务,支撑故障诊断模型的开发,并进行模型库的管理工作。故障诊断支撑中心架构设计采用了分层设计的思想,将平台所需提供的服务按照功能划分成不同的模块层次,每一模块层次只与上层或下层的模块层次进行交互,避免跨层的交互,这种设计的好处是:各功能模块的内部是高内聚的,而模块与模块之间是解耦合的。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (8)
1.一种智能电表故障诊断支撑中心,其特征在于,包括基础资源管理(1)、数据采集调度(2)、数据处理隧道(3)、数据存储服务(4)、分析计算服务(5)、特征工程(6)、机器学习服务(7)、深度学习服务(8)和可视化服务(9)。
2.根据权利要求1所述的一种智能电表故障诊断支撑中心,其特征在于,所述数据采集调度(2)包括任务调度、任务实例和任务依赖图。
3.根据权利要求1所述的一种智能电表故障诊断支撑中心,其特征在于,所述数据处理隧道(3)包括DB导入和文件导入。
4.根据权利要求1所述的一种智能电表故障诊断支撑中心,其特征在于,所述数据存储服务(4)包括数据知识库、时序数据存储、海量数据仓库和缓存数据存储。
5.根据权利要求1所述的一种智能电表故障诊断支撑中心,其特征在于,所述分析计算服务(5)包括实时计算服务、离线计算服务和时序计算服务。
6.根据权利要求1所述的一种智能电表故障诊断支撑中心,其特征在于,所述特征工程(6)包括特征转换、特征重要性评估、特征选择和特征生成。
7.根据权利要求1所述的一种智能电表故障诊断支撑中心,其特征在于,所述机器学习服务(7)包括聚类算法、回归算法、决策树-CART算法、决策树-ID3算法、朴素贝叶斯分类算法、KNN分类算法和随机森林算法。
8.根据权利要求1所述的一种智能电表故障诊断支撑中心,其特征在于,所述可视化服务(9)包括模型可视化、数据可视化和建模可视化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010229761.XA CN111428895A (zh) | 2020-03-27 | 2020-03-27 | 一种智能电表故障诊断支撑中心 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010229761.XA CN111428895A (zh) | 2020-03-27 | 2020-03-27 | 一种智能电表故障诊断支撑中心 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111428895A true CN111428895A (zh) | 2020-07-17 |
Family
ID=71549005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010229761.XA Pending CN111428895A (zh) | 2020-03-27 | 2020-03-27 | 一种智能电表故障诊断支撑中心 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111428895A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111985561A (zh) * | 2020-08-19 | 2020-11-24 | 安徽蓝杰鑫信息科技有限公司 | 一种智能电表的故障诊断方法、系统及电子装置 |
CN111985558A (zh) * | 2020-08-19 | 2020-11-24 | 安徽蓝杰鑫信息科技有限公司 | 一种电能表异常诊断方法及其系统 |
CN112015813A (zh) * | 2020-08-26 | 2020-12-01 | 南方电网数字电网研究院有限公司 | 配电网的数据共享方法、系统、装置和计算机设备 |
CN112801315A (zh) * | 2021-01-28 | 2021-05-14 | 国网河北省电力有限公司电力科学研究院 | 电力二次设备的状态诊断方法、装置及终端 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108074021A (zh) * | 2016-11-10 | 2018-05-25 | 中国电力科学研究院 | 一种配电网风险辨识系统及方法 |
CN108564254A (zh) * | 2018-03-15 | 2018-09-21 | 国网四川省电力公司绵阳供电公司 | 基于大数据的配电设备状态可视化平台 |
CN108881446A (zh) * | 2018-06-22 | 2018-11-23 | 深源恒际科技有限公司 | 一种基于深度学习的人工智能平台系统 |
CN109660526A (zh) * | 2018-12-05 | 2019-04-19 | 国网江西省电力有限公司信息通信分公司 | 一种应用于信息安全领域的大数据分析方法 |
CN109840690A (zh) * | 2018-12-29 | 2019-06-04 | 国网山东省电力公司日照供电公司 | 一种基于大数据的人工智能电力抢修系统及方法 |
CN110245163A (zh) * | 2019-01-17 | 2019-09-17 | 国网浙江德清县供电有限公司 | 一种电力系统运行隐患排查方法 |
CN110297207A (zh) * | 2019-07-08 | 2019-10-01 | 国网上海市电力公司 | 智能电表的故障诊断方法、系统及电子装置 |
-
2020
- 2020-03-27 CN CN202010229761.XA patent/CN111428895A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108074021A (zh) * | 2016-11-10 | 2018-05-25 | 中国电力科学研究院 | 一种配电网风险辨识系统及方法 |
CN108564254A (zh) * | 2018-03-15 | 2018-09-21 | 国网四川省电力公司绵阳供电公司 | 基于大数据的配电设备状态可视化平台 |
CN108881446A (zh) * | 2018-06-22 | 2018-11-23 | 深源恒际科技有限公司 | 一种基于深度学习的人工智能平台系统 |
CN109660526A (zh) * | 2018-12-05 | 2019-04-19 | 国网江西省电力有限公司信息通信分公司 | 一种应用于信息安全领域的大数据分析方法 |
CN109840690A (zh) * | 2018-12-29 | 2019-06-04 | 国网山东省电力公司日照供电公司 | 一种基于大数据的人工智能电力抢修系统及方法 |
CN110245163A (zh) * | 2019-01-17 | 2019-09-17 | 国网浙江德清县供电有限公司 | 一种电力系统运行隐患排查方法 |
CN110297207A (zh) * | 2019-07-08 | 2019-10-01 | 国网上海市电力公司 | 智能电表的故障诊断方法、系统及电子装置 |
Non-Patent Citations (5)
Title |
---|
吴世勇: "《数字流域理论方法与实践-雅砻江流域数字化平台建设及示范应用》", 31 August 2016, 郑州:黄河水利出版社 * |
朱超平等: "基于大数据的电务智能运维平台方案研究", 《铁道通信信号》 * |
王仲生: "《智能故障诊断与容错控制》", 30 April 2005, 西安:西北工业大学出版社 * |
赵建民: "《大学计算机基础》", 31 August 2012, 浙江:浙江大学出版社 * |
陈光: "基于大数据的数据服务应用研究", 《计算机技术与发展》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111985561A (zh) * | 2020-08-19 | 2020-11-24 | 安徽蓝杰鑫信息科技有限公司 | 一种智能电表的故障诊断方法、系统及电子装置 |
CN111985558A (zh) * | 2020-08-19 | 2020-11-24 | 安徽蓝杰鑫信息科技有限公司 | 一种电能表异常诊断方法及其系统 |
CN111985561B (zh) * | 2020-08-19 | 2023-02-21 | 安徽蓝杰鑫信息科技有限公司 | 一种智能电表的故障诊断方法、系统及电子装置 |
CN112015813A (zh) * | 2020-08-26 | 2020-12-01 | 南方电网数字电网研究院有限公司 | 配电网的数据共享方法、系统、装置和计算机设备 |
CN112015813B (zh) * | 2020-08-26 | 2024-03-26 | 南方电网数字电网研究院有限公司 | 配电网的数据共享方法、系统、装置和计算机设备 |
CN112801315A (zh) * | 2021-01-28 | 2021-05-14 | 国网河北省电力有限公司电力科学研究院 | 电力二次设备的状态诊断方法、装置及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985561B (zh) | 一种智能电表的故障诊断方法、系统及电子装置 | |
CN111428895A (zh) | 一种智能电表故障诊断支撑中心 | |
CN105608144B (zh) | 一种基于多层模型迭代的大数据分析平台装置及方法 | |
CN115097788A (zh) | 一种基于数字孪生工厂的智能管控平台 | |
CN112181960A (zh) | 一种基于AIOps的智能运维框架系统 | |
CN106161620A (zh) | 一种云计算资源物联监管与服务平台 | |
CN112257937B (zh) | 一种基于大数据技术的配电网故障预测系统及方法 | |
CN112559634A (zh) | 一种基于计算机云计算大数据用数据管理系统 | |
CN112883001A (zh) | 一种基于营配贯通数据可视化平台的数据处理方法、装置及介质 | |
CN110555583A (zh) | 一种智能电网调度控制系统广域运行数据统一处理方法 | |
CN115239160A (zh) | 一种基于数字孪生的电力数字空间资源池化管理调度系统 | |
Gagliardelli et al. | ECDP: A big data platform for the smart monitoring of local energy communities | |
CN113342874A (zh) | 一种基于云计算的风电大数据分析系统和流程 | |
CN118096061A (zh) | 一种电网负荷采集管控平台 | |
Chen et al. | Research on equipment situation display based on multi-source data fusion | |
CN110545321B (zh) | 一种基于分布式技术的海上平台综合信息集成系统 | |
Alifah et al. | Smart monitoring of rice logistic employing internet of things network | |
CN114336960A (zh) | 一种数字化新能源电站智能设备监管系统 | |
Zhou et al. | Research on improving intelligent inspection efficiency of substation based on big data analysis | |
CN117892212B (zh) | 一种分布式异构能源站点态势感知监测方法 | |
Wang et al. | Application of Power System Intelligent Control in Data Analysis of Power Grid Dispatching Control System | |
Gu et al. | Optimal design of intelligent analysis and control system for power grid operation and maintenance | |
Xiao | Research on intelligent management platform for energy enterprises based on big data technology | |
Ku et al. | Self-learning mechanism for prediction of energy consumption and generation | |
Zhao et al. | Application research on application performance management system in big data of power grid |
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: 20200717 |
|
RJ01 | Rejection of invention patent application after publication |