CN111583594A - 一种配电箱预警系统及预警方法 - Google Patents
一种配电箱预警系统及预警方法 Download PDFInfo
- Publication number
- CN111583594A CN111583594A CN202010379002.1A CN202010379002A CN111583594A CN 111583594 A CN111583594 A CN 111583594A CN 202010379002 A CN202010379002 A CN 202010379002A CN 111583594 A CN111583594 A CN 111583594A
- Authority
- CN
- China
- Prior art keywords
- data
- early warning
- distribution box
- monitoring data
- prediction model
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/185—Electrical failure alarms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Alarm Systems (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种配电箱预警系统及预警方法，该系统包括至少一个采集单元、至少一个网络单元，至少一个处理单元和至少一个终端设备；所述采集单元用于获取配电箱中的监测数据；所述网络单元用于接收并向外发送所述监测数据；所述处理单元用于将所述监测数据输入至预设的趋势预测模型中进行预测，以得到对应的预警信息；所述终端设备用于接收并显示所述预警信息；其效果是：利用将获取的监测数据采用趋势预测模型进行处理，从而得出相应的变化趋势和未来可能出现的状况，使其预警提前，便于相关人员提前采取措施，同时，趋势预测模型的应用也使得预测的准确性得到了提高和保障。
Description
技术领域
本发明涉及配电箱预警技术领域，具体涉及一种配电箱预警系统及预警方法。
背景技术
配电箱是将开关设备、测量仪表、保护电器和辅助设备组装在封闭或半封闭金属柜中。在现有应用中，配电箱作为电网与后续用电终端的中间设备，其自身的工作情况对安全用电和保障设备的正常工作至关重要。同时，由于配电箱自身的特殊性，其内部容易出现因电流过大、线路超负荷等问题，导致配电箱温度过高或故障的情况。
目前虽然也出现了一些配电箱预警的方案，但现有技术都是基于出现故障后，或是已到了一个比较危险的临界值才进行预警，若是将临界的阈值降低，则又存在误预警的问题；因此，现有预警存在一定的滞后性和不准确性的缺陷。
发明内容
本发明的目的是提供一种配电箱预警系统及预警方法，以克服现有技术中存在的滞后性和准确性不高的缺陷。
第一方面：本发明实施例提供了一种配电箱预警系统，包括至少一个采集单元、至少一个网络单元，至少一个处理单元和至少一个终端设备；
所述采集单元用于获取配电箱中的监测数据；
所述网络单元用于接收并向外发送所述监测数据；
所述处理单元用于将所述监测数据输入至预设的趋势预测模型中进行预测，以得到对应的预警信息；
所述终端设备用于接收并显示所述预警信息。
作为本发明的一个优选的技术方案，所述采集单元还用于获取配电箱中各用电设备的年限数据，并将所述年限数据通过所述网络单元发送至所述处理单元处理，以确定是否生成年限预警信息。
作为本发明的一个优选的技术方案，所述处理单元用于将所述监测数据输入至预设的趋势预测模型中进行预测，具体包括：
将所述监测数据的部分数据作为样本数据进行学习训练，剩余数据作为验证数据；
采用所述验证数据对训练后的趋势预测模型进行验证，若未达到预设标准，则继续进行迭代训练，直至达标；
将实时采集的监测数据送入达标后的趋势预测模型进行预测。
作为本发明的一个优选的技术方案，将所述监测数据的部分数据作为样本数据进行学习训练，具体包括：
对隐含的节点输出进行计算；
对于输出层的节点输出进行计算；
对实际和目标间的输出误差进行计算；
倘若误差达到了预期的值便终止网络学习，否则进行返回并重复进行输出计算操作。
作为本发明的一个优选的技术方案，所述处理单元还用于对所述监测数据中的异常值进行替代处理，其替换方式按如下方式进行：
St＝D*Xt+(1-D)(St-1+Bt-1)；
Bt＝n(St-St-1)+(1-n)Bt-1；
Ft＝St+Bt；
其中，D与n为参数，取值均为0.5；Xt为t时刻的监测数据；St为平滑值；Bt为转换变量；Ft为异常数据的替代值。
第二方面：一种配电箱预警方法，应用于第一方面所述的一种配电箱预警系统，所述方法包括：
通过采集单元获取配电箱中的监测数据；
利用网络单元接收并向外发送所述监测数据；
由处理单元将所述监测数据输入至预设的趋势预测模型中进行预测，以得到对应的预警信息；
通过终端设备接收并显示所述预警信息。
作为本发明的一个优选的技术方案，所述方法还包括：
通过所述采集单元获取配电箱中各用电设备的年限数据，并将所述年限数据通过所述网络单元发送至所述处理单元处理，以确定是否生成年限预警信息。
作为本发明的一个优选的技术方案，所述处理单元将所述监测数据输入至预设的趋势预测模型中进行预测，具体包括：
将所述监测数据的部分数据作为样本数据进行学习训练，剩余数据作为验证数据；
采用所述验证数据对训练后的趋势预测模型进行验证，若未达到预设标准，则继续进行迭代训练，直至达标；
将实时采集的监测数据送入达标后的趋势预测模型进行预测。
作为本发明的一个优选的技术方案，将所述监测数据的部分数据作为样本数据进行学习训练，具体包括：
对隐含的节点输出进行计算；
对于输出层的节点输出进行计算；
对实际和目标间的输出误差进行计算；
倘若误差达到了预期的值便终止网络学习，否则进行返回并重复进行输出计算操作。
作为本发明的一个优选的技术方案，通过所述处理单元对所述监测数据中的异常值进行替代处理，其替换方式按如下方式进行：
St＝D*Xt+(1-D)(St-1+Bt-1)；
Bt＝n(St-St-1)+(1-n)Bt-1；
Ft＝St+Bt；
其中，D与n为参数，取值均为0.5；Xt为t时刻的监测数据；St为平滑值；Bt为转换变量；Ft为异常数据的替代值。
采用上述技术方案，具有以下优点：本发明提出的一种配电箱预警系统及预警方法，利用将获取的监测数据采用趋势预测模型进行处理，从而得出相应的变化趋势和未来可能出现的状况，使其预警提前，便于相关人员提前采取措施，同时，趋势预测模型的应用也使得预测的准确性得到了提高和保障。
附图说明
图1为本发明实施例提供的一种配电箱预警系统的结构图；
图2为本发明实施例提供的一种配电箱预警方法的流程图。
具体实施方式
为了使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述，以下实施例用于说明本发明，但不用来限制本发明的范围。
参照图1所示，本发明实施例提供了一种配电箱预警系统，包括至少一个采集单元、至少一个网络单元，至少一个处理单元和至少一个终端设备；
所述采集单元用于获取配电箱中的监测数据；
所述网络单元用于接收并向外发送所述监测数据；
所述处理单元用于将所述监测数据输入至预设的趋势预测模型中进行预测，以得到对应的预警信息；
所述终端设备用于接收并显示所述预警信息。
具体地，所述配电箱预警系统可同时对多个配电箱进行监控并预警，各配电箱包括对应的采集单元和网络单元，所述采集单元包括多种传感器，监测数据包括温度、湿度、电压、电流、负荷等数据；相应的，所述网络单元通过多个无线通信模块组网而成；所述处理单元可采用服务器设备；其中，所述趋势预测模型可采用神经网络进行趋势预测；预警信息包括对应的预警等级；所述终端设备采用对应的监控设备或是智能终端并装设有相应的应用程序，在此不再赘述。
进一步地，所述处理单元用于将所述监测数据输入至预设的趋势预测模型中进行预测，具体包括：
将所述监测数据的部分数据作为样本数据进行学习训练，剩余数据作为验证数据；
采用所述验证数据对训练后的趋势预测模型进行验证，若未达到预设标准，则继续进行迭代训练，直至达标；
将实时采集的监测数据送入达标后的趋势预测模型进行预测。
具体地，趋势预测模型采用BP神经网络，所述BP神经网络包括相应的输入层、隐层以及输出层，每一层包含对应的节点；
将所述监测数据的部分数据作为样本数据进行学习训练，具体包括：
对隐含的节点输出进行计算；
对于输出层的节点输出进行计算；
对实际和目标间的输出误差进行计算；
倘若误差达到了预期的值便终止网络学习，否则进行返回并重复进行输出计算操作；
相应的，其中，隐含的节点数按照以下方式进行确定，具体如下：
应用时，所述监测数据是基于时间变化的数据，表现形式为数据集合，因此，为保证后续数据的准确性，建立具有针对性的ARMA模型进行处理，对监测数据的实时数据进行预处理。
具体地，对所述监测数据中的异常值进行替代处理，其替换方式按如下方式进行：
St＝D*Xt+(1-D)(St-1+Bt-1)；
Bt＝n(St-St-1)+(1-n)Bt-1；
Ft＝St+Bt；
其中，D与n为参数，取值均为0.5；Xt为t时刻的监测数据；St为平滑值；Bt为转换变量；Ft为异常数据的替代值。
这是因为，实际监测得到的数据序列往往是不完善，经常有异常和缺失的数据出现，例如，检修、断电、测试等情况，通过这样的处理方式，提高预测的准确性。
进一步地，为了保证预警的全面性和实际性，所述采集单元还用于获取配电箱中各用电设备的年限数据，并将所述年限数据通过所述网络单元发送至所述处理单元处理，以确定是否生成年限预警信息。
具体地，各用电设备均存在一定的使用年限，超过使用年限后，则会存在更高的使用风险，基于此，可通过图像识别、扫描等技术来获取相应的年限数据，特别是现在的产品大都采用二维码进行标识，这样在实现预警的同时，可及时对配电箱的用电设备进行维护和换代，减少故障的发生情况。
通过上述方案，将传统的传感器检测预警方式与数据挖掘、模型训练相结合的方式，从而得出相应的变化趋势和未来可能出现的状况，使其预警提前，同时，趋势预测模型的应用也使得预测的准确性得到了提高和保障，也符合相关技术的发展方向。
基于上述的思路，本实施例还提供了一种配电箱预警方法，应用于上述所述的一种配电箱预警系统，所述方法包括：
S101，通过采集单元获取配电箱中的监测数据。
具体地，所述采集单元包括多种传感器，监测数据包括温度、湿度、电压、电流、负荷等数据，所述监测数据是基于时间变化的数据，表现形式为数据集合。
S102，利用网络单元接收并向外发送所述监测数据。
具体地，所述网络单元通过多个无线通信模块组网而成。
S103，由处理单元将所述监测数据输入至预设的趋势预测模型中进行预测，以得到对应的预警信息。
具体地，趋势预测模型采用BP神经网络，所述BP神经网络包括相应的输入层、隐层以及输出层，每一层包含对应的节点；
将所述监测数据的部分数据作为样本数据进行学习训练，具体包括：
对隐含的节点输出进行计算；
对于输出层的节点输出进行计算；
对实际和目标间的输出误差进行计算；
倘若误差达到了预期的值便终止网络学习，否则进行返回并重复进行输出计算操作，这里的网络学习为神经网络的学习训练；
相应的，其中，隐含的节点数按照以下方式进行确定，具体如下：
S104，通过终端设备接收并显示所述预警信息。
具体地，所述终端设备采用对应的监控设备或是智能终端并装设有相应的应用程序；所述预警信息包括对应的预警等级。
进一步地，为保证后续数据的准确性，建立具有针对性的ARMA模型进行处理，对监测数据的实时数据进行预处理。
具体地，对所述监测数据中的异常值进行替代处理，其替换方式按如下方式进行：
St＝D*Xt+(1-D)(St-1+Bt-1)；
Bt＝n(St-St-1)+(1-n)Bt-1；
Ft＝St+Bt；
其中，D与n为参数，取值均为0.5；Xt为t时刻的监测数据；St为平滑值；Bt为转换变量；Ft为异常数据的替代值。
这是因为，实际监测得到的数据序列往往是不完善，经常有异常和缺失的数据出现，例如，检修、断电、测试等情况，通过这样的处理方式，提高预测的准确性。
通过上述方法，利用将获取的监测数据采用趋势预测模型进行处理，从而得出相应的变化趋势和未来可能出现的状况，使其预警提前，便于相关人员提前采取措施，同时，趋势预测模型的应用也使得预测的准确性得到了提高和保障。
进一步地，为了保证预警的全面性和实际性，所述方法还包括：通过所述采集单元获取配电箱中各用电设备的年限数据，并将所述年限数据通过所述网络单元发送至所述处理单元处理，以确定是否生成年限预警信息。
具体地，各用电设备均存在一定的使用年限，超过使用年限后，则会存在更高的使用风险，基于此，可通过图像识别、扫描等技术来获取相应的年限数据，特别是现在的产品大都采用二维码进行标识，这样在实现预警的同时，可及时对配电箱的用电设备进行维护和换代，减少故障的发生情况。
进一步地，所述方法还包括将天气数据与获取的监测数据采用趋势预测模型进行修正处理。
具体地，所述天气数据包括风、霜、雨、雪、雷电等情况，不同的天气对应相应的数据序列；这是考虑到实际应用时，部分配电箱的应用场景在室外，使得预测更加准确。
最后需要说明的是，以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离本申请构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种配电箱预警系统，其特征在于，包括至少一个采集单元、至少一个网络单元，至少一个处理单元和至少一个终端设备；
所述采集单元用于获取配电箱中的监测数据；
所述网络单元用于接收并向外发送所述监测数据；
所述处理单元用于将所述监测数据输入至预设的趋势预测模型中进行预测，以得到对应的预警信息；
所述终端设备用于接收并显示所述预警信息。
2.根据权利要求1所述的一种配电箱预警系统，其特征在于，所述采集单元还用于获取配电箱中各用电设备的年限数据，并将所述年限数据通过所述网络单元发送至所述处理单元处理，以确定是否生成年限预警信息。
3.根据权利要求2所述的一种配电箱预警系统，其特征在于，所述处理单元用于将所述监测数据输入至预设的趋势预测模型中进行预测，具体包括：
将所述监测数据的部分数据作为样本数据进行学习训练，剩余数据作为验证数据；
采用所述验证数据对训练后的趋势预测模型进行验证，若未达到预设标准，则继续进行迭代训练，直至达标；
将实时采集的监测数据送入达标后的趋势预测模型进行预测。
4.根据权利要求3所述的一种配电箱预警系统，其特征在于，将所述监测数据的部分数据作为样本数据进行学习训练，具体包括：
对隐含的节点输出进行计算；
对于输出层的节点输出进行计算；
对实际和目标间的输出误差进行计算；
倘若误差达到了预期的值便终止网络学习，否则进行返回并重复进行输出计算操作。
5.根据权利要求4所述的一种配电箱预警系统，其特征在于，所述处理单元还用于对所述监测数据中的异常值进行替代处理，其替换方式按如下方式进行：
St＝D*Xt+(1-D)(St-1+Bt-1)；
Bt＝n(St-St-1)+(1-n)Bt-1；
Ft＝St+Bt；
其中，D与n为参数，取值均为0.5；Xt为t时刻的监测数据；St为平滑值；Bt为转换变量；Ft为异常数据的替代值。
6.一种配电箱预警方法，其特征在于，应用于权利要求1所述的一种配电箱预警系统，所述方法包括：
通过采集单元获取配电箱中的监测数据；
利用网络单元接收并向外发送所述监测数据；
由处理单元将所述监测数据输入至预设的趋势预测模型中进行预测，以得到对应的预警信息；
通过终端设备接收并显示所述预警信息。
7.根据权利要求6中所述的一种配电箱预警方法，其特征在于，所述方法还包括：
通过所述采集单元获取配电箱中各用电设备的年限数据，并将所述年限数据通过所述网络单元发送至所述处理单元处理，以确定是否生成年限预警信息。
8.根据权利要求7所述的一种配电箱预警方法，其特征在于，所述处理单元将所述监测数据输入至预设的趋势预测模型中进行预测，具体包括：
将所述监测数据的部分数据作为样本数据进行学习训练，剩余数据作为验证数据；
采用所述验证数据对训练后的趋势预测模型进行验证，若未达到预设标准，则继续进行迭代训练，直至达标；
将实时采集的监测数据送入达标后的趋势预测模型进行预测。
9.根据权利要求7所述的一种配电箱预警方法，其特征在于，将所述监测数据的部分数据作为样本数据进行学习训练，具体包括：
对隐含的节点输出进行计算；
对于输出层的节点输出进行计算；
对实际和目标间的输出误差进行计算；
倘若误差达到了预期的值便终止网络学习，否则进行返回并重复进行输出计算操作。
10.根据权利要求7所述的一种配电箱预警方法，其特征在于，所述方法还包括：通过所述处理单元对所述监测数据中的异常值进行替代处理，其替换方式按如下方式进行：
St＝D*Xt+(1-D)(St-1+Bt-1)；
Bt＝n(St-St-1)+(1-n)Bt-1；
Ft＝St+Bt；
其中，D与n为参数，取值均为0.5；Xt为t时刻的监测数据；St为平滑值；Bt为转换变量；Ft为异常数据的替代值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010379002.1A CN111583594B (zh) | 2020-05-07 | 2020-05-07 | 一种配电箱预警系统及预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010379002.1A CN111583594B (zh) | 2020-05-07 | 2020-05-07 | 一种配电箱预警系统及预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111583594A true CN111583594A (zh) | 2020-08-25 |
| CN111583594B CN111583594B (zh) | 2021-11-26 |
Family
ID=72112558
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010379002.1A Active CN111583594B (zh) | 2020-05-07 | 2020-05-07 | 一种配电箱预警系统及预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111583594B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113625645A (zh) * | 2021-08-19 | 2021-11-09 | 福州大学 | 一种堆石混凝土坝智能监测方法及管理系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102855730A (zh) * | 2012-09-27 | 2013-01-02 | 南京需求响应节能科技有限公司 | 组网式电气火灾预警系统 |
| CN107085153A (zh) * | 2017-04-27 | 2017-08-22 | 深圳市欧瑞博电子有限公司 | 一种用电异常火灾预警方法及系统 |
| CN107564231A (zh) * | 2017-09-15 | 2018-01-09 | 山东建筑大学 | 基于物联网的建筑物火灾预警及火灾态势评估系统及方法 |
| CN207652138U (zh) * | 2018-01-09 | 2018-07-24 | 四川传控科技有限公司 | 一种远程传输控制的供配电箱异常预警装置 |
| CN108964283A (zh) * | 2018-09-07 | 2018-12-07 | 广东电网有限责任公司 | 一种配电箱预警系统 |
| CN209896450U (zh) * | 2019-04-17 | 2020-01-03 | 浙江机电职业技术学院 | 一种用于电气火灾监控的物联网配电箱 |
| KR102084147B1 (ko) * | 2019-05-24 | 2020-03-04 | (주)엔텍시스템 | 전기실의 온라인 진단시스템 |
| KR102107117B1 (ko) * | 2019-10-28 | 2020-05-06 | (주)썬그린이엔씨 | IoT를 활용한 전기설비 모니터링 시스템 |
-
2020
- 2020-05-07 CN CN202010379002.1A patent/CN111583594B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102855730A (zh) * | 2012-09-27 | 2013-01-02 | 南京需求响应节能科技有限公司 | 组网式电气火灾预警系统 |
| CN107085153A (zh) * | 2017-04-27 | 2017-08-22 | 深圳市欧瑞博电子有限公司 | 一种用电异常火灾预警方法及系统 |
| CN107564231A (zh) * | 2017-09-15 | 2018-01-09 | 山东建筑大学 | 基于物联网的建筑物火灾预警及火灾态势评估系统及方法 |
| CN207652138U (zh) * | 2018-01-09 | 2018-07-24 | 四川传控科技有限公司 | 一种远程传输控制的供配电箱异常预警装置 |
| CN108964283A (zh) * | 2018-09-07 | 2018-12-07 | 广东电网有限责任公司 | 一种配电箱预警系统 |
| CN209896450U (zh) * | 2019-04-17 | 2020-01-03 | 浙江机电职业技术学院 | 一种用于电气火灾监控的物联网配电箱 |
| KR102084147B1 (ko) * | 2019-05-24 | 2020-03-04 | (주)엔텍시스템 | 전기실의 온라인 진단시스템 |
| KR102107117B1 (ko) * | 2019-10-28 | 2020-05-06 | (주)썬그린이엔씨 | IoT를 활용한 전기설비 모니터링 시스템 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113625645A (zh) * | 2021-08-19 | 2021-11-09 | 福州大学 | 一种堆石混凝土坝智能监测方法及管理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111583594B (zh) | 2021-11-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110456234B (zh) | 故障电弧的检测方法、装置和系统 | |
| KR102299868B1 (ko) | 인공지능을 이용하여 전력 설비를 진단하는 시스템 | |
| CN108512222A (zh) | 一种智能变电站综合自动化系统 | |
| CN117078017A (zh) | 一种用于电力电网设备监控智能化决策分析系统 | |
| CN115563873A (zh) | 一种电力网络的数字孪生仿真系统及方法 | |
| US11451053B2 (en) | Method and arrangement for estimating a grid state of a power distribution grid | |
| CN117612345A (zh) | 一种电力设备状态监测报警系统及方法 | |
| CN113777434A (zh) | 一种故障监测方法、装置及供配电系统 | |
| CN111583594B (zh) | 一种配电箱预警系统及预警方法 | |
| CN117031182B (zh) | 配电站所终端遥测值异常检测方法及系统 | |
| CN115395643A (zh) | 基于全数据采集和状态感知的低压配电网故障预警定位装置及系统 | |
| CN117110798B (zh) | 智能配电网的故障检测方法和系统 | |
| CN117726164A (zh) | 一种基于多源数据融合的风险故障态势感知系统 | |
| CN113536607B (zh) | 一种变电站信号传输系统评估方法及系统 | |
| CN109507468B (zh) | 一种基于关联特征的汇流箱支路电流检测方法及系统 | |
| CN111047015A (zh) | 基于神经网络的输变电数据突变分析方法 | |
| CN112162164A (zh) | 一种基于神经网络的电缆寿命预测系统 | |
| CN117978837B (zh) | 一种电力数据采集传输方法及其系统 | |
| CN113268844B (zh) | 一种用于电力线路的故障设备获取方法、装置、设备 | |
| CN117054930A (zh) | 一种高压变频控制系统的故障预判方法 | |
| Oliveira et al. | An automatic fault diagnosis solution for electrical power systems | |
| Rosner et al. | Benefits of comprehensive and interactive on-line monitoring and expert systems for power transformers | |
| CN114357113A (zh) | 一种遥信告警信息校核方法、装置、电子设备及存储介质 | |
| CN117650621A (zh) | 一种电力系统网络运行状态监控方法及系统 | |
| CN117833468A (zh) | 一种运行中配电环网柜断路器单元传控部件检修方法 |
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 |