CN111612128A - 一种sf6高压断路器状态主动预警方法及装置 - Google Patents
一种sf6高压断路器状态主动预警方法及装置 Download PDFInfo
- Publication number
- CN111612128A CN111612128A CN202010407444.2A CN202010407444A CN111612128A CN 111612128 A CN111612128 A CN 111612128A CN 202010407444 A CN202010407444 A CN 202010407444A CN 111612128 A CN111612128 A CN 111612128A
- Authority
- CN
- China
- Prior art keywords
- circuit breaker
- voltage circuit
- state
- early warning
- fault
- 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 38
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 12
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 20
- 238000012544 monitoring process Methods 0.000 claims description 15
- 238000005311 autocorrelation function Methods 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 12
- 230000009191 jumping Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 7
- FLDSMVTWEZKONL-AWEZNQCLSA-N 5,5-dimethyl-N-[(3S)-5-methyl-4-oxo-2,3-dihydro-1,5-benzoxazepin-3-yl]-1,4,7,8-tetrahydrooxepino[4,5-c]pyrazole-3-carboxamide Chemical compound CC1(CC2=C(NN=C2C(=O)N[C@@H]2C(N(C3=C(OC2)C=CC=C3)C)=O)CCO1)C FLDSMVTWEZKONL-AWEZNQCLSA-N 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 3
- 230000003449 preventive effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000010606 normalization Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000007689 inspection 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
- 238000010187 selection method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
- G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
- G01R31/3275—Fault detection or status indication
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种SF6高压断路器主动预警方法，首先建立神经网络分类器，以SF6高压断路器的各状态量作为输入状态量，以SF6高压断路器的故障类型为输出量，用历史记录的状态数据对神经网络进行学习训练；然后，对所记录的上述每一个输入状态量采用ARIMA预测出其未来某个时间点的状态；最后，把各状态量的预测状态作为神经网络分类器的输入，其输出就是预测的未来某个时间点SF6高压断路器的故障种类。本发明能够预测未来一段时间内高压断路器可能发生的故障，从而实施针对性、预防性的维护，提高了设备运行安全性，降低了风险。
Description
技术领域
本发明涉及一种断路器状态预测方法，特别是涉及一种SF6高压断路器状态主动预警方法及装置。
背景技术
SF6高压断路器设备是电网输变电系统中最主要的控制和保护装置，负责切断、闭合高压电路中的空载电流和负载电流，断路器的正常运行关系着电力系统的稳定性。然而，由于断路器设计、制造品质和运行等诸多原因，断路器故障是变电站设备运行中的主要故障之一，断路器一旦发生故障将对电力系统的正常运行造成较大影响，甚至造成安全事故。因此，对于断路器的实时状态监测和故障诊断尤其重要。
目前在电力行业中，对于SF6高压断路器故障的实时诊断方法有很多。通常是依据实时监测数据，经过人工智能等算法推算，判断SF6高压断路器当前是否发生故障和故障种类，但无法对SF6高压断路器可能即将发生的故障进行预判。
发明内容
发明目的：本发明提出了一种可以显示SF6高压断路器各状态量变化趋势并预测状态值以实现故障预警的方法。本发明的另一目的在于提供一种SF6高压断路器状态主动预警装置。
技术方案：本发明所述的SF6高压断路器状态主动预警方法包括步骤：
(1)获取SF6高压断路器的各状态量的历史监测数据；
进一步地，所述状态量包括下述中的至少一种：SF6气体密度、紫外放电次数、累计开断短路电流值、液压压力、电机电流、分闸时间、合闸时间；
通过多种状态量的综合判断,可实现SF6高压断路器状态主动预警；
(2)基于状态量的历史监测数据构造神经网络分类器，其中，所述神经网络分类器的输入层的输入元个数对应SF6高压断路器的状态量个数，输入元的值对应同一时间下各状态量的历史监测数据值；输出层的输出元个数对应SF6高压断路器的告警类型种数；
进一步地，所述告警类型包括下述中的至少一种：无故障、气体泄漏故障、机械卡涩故障、外部放电故障和二次回路故障；
(3)采用ARIMA分析法分别对SF6高压断路器的各状态量进行预测，得到未来某一时刻对应的预测值；
(4)将所述预测值作为神经网络分类器的输入，分类器的输出结果为预测的未来某一时刻的SF6高压断路器的故障种类；确定未来一定时段内SF6高压断路器的故障发生趋势，根据所述故障发生趋势对所述SF6高压断路器进行故障预警。。
进一步地，所述的神经网络分类器为具有一层结构的隐含层结构BP神经网络分类器，隐含层节点数为
的四舍五入取整数；其中，n为输入层神经元个数，m为输出层神经元个数，a为经验系数，其取值范围为[1,10]。
进一步地，所述的神经网络分类器选用最小二乘梯度下降法作为训练方法。
进一步地，所述的BP网络分类器选取正切S型传递函数tansig函数为隐含层传递函数。
进一步地，所述的BP网络分类器选取对数S型传递函数logsig函数为输出层激励函数。
优选地，所述的BP网络分类器设定网络训练参数，最高训练次数为5000次,训练网络所要达到的目标误差为0.001,网络的学习速率为0.05。
进一步地，所述步骤(3)为分别对每个状态量进行如下操作：
(31)获取一段时间内的状态量的历史监测数据的归一化值，生成一个时间序列；
(32)利用游程检验法检验时间序列的平稳性，如果为平稳时间序列，跳到步骤(34)，否则跳到步骤(33)；
(33)采用差分方法X′t＝Xt-Xt-1,t>1对时间序列进行平稳化预处理，然后跳到步骤(32)，其中，Xt是第t时刻状态量的归一化值；
(34)对平稳时间序列进行零均值化处理
其中
为序列X′t的均值；
(35)求零均值化处理后的序列X′t的自相关函数和偏自相关函数；
(36)依据自相关函数和偏自相关函数选择对应的ARIMA模型种类；
(37)利用最小二乘法进行参数估计和拟合，得到ARIMA模型；
(38)对残差序列分别求下列公式的根：
其中，p为自回归的阶数，
为自回归系数，θj为移动回归系数，B为残差方程矩阵；若根均在单位圆外，表明残差序列为白噪声，神经网络分类器通过检验，否则跳到步骤(36)，重新进行模型识别。
本发明还公开了一种SF6高压断路器状态主动预警装置，包括：存储器、处理器及在所述存储器上存储并可运行的SF6高压断路器状态主动预警的程序，所述SF6高压断路器状态主动预警的程序被处理器执行时实现上述SF6高压断路器状态主动预警方法的步骤。
有益效果：本发明可以在设备故障出现之前对设备进行针对性、预防性的维护，提高了设备运行安全性，降低了设备运行风险并节约了运维成本。
附图说明
图1是本发明的整体流程图；
图2是本发明的BP神经网络模型构造流程图；
图3是本发明的BP神经网络结构图；
图4是本发明的ARIMA模型预测监测指标流程图。
具体实施方式
下面结合附图和具体实施方式，对本发明的技术方案作进一步的介绍。
如图1所示，本发明所述的SF6高压断路器状态主动预警方法，具体包括步骤：
(1)获取SF6高压断路器的7个维度的监测状态量的历史监测数据，所述状态量包括：SF6气体密度、紫外放电次数、累计开断短路电流值、液压压力、电机电流、分闸时间、合闸时间；
对上述状态量分别进行归一化处理，将数据样本归一到0～1之间的数值，其归一化模型表示为：
x＝(xd-xmin)/(xmax-xmin)
其中，xd表示原值，x表示归一化值，xmax表示最大值，xmin表示最小值。各状态量的归一化值作为神经网络分类器的学习样本库。
(2)如图2所示，构造神经网络分类器，选用3层结构的神经网络；输入层为7个输入元，分别对应历史监测数据中的SF6气体密度、紫外放电次数、累计开断短路电流值、液压压力、电机电流、分闸时间、合闸时间的归一化值；输出层的输出元为SF6高压断路器的5种告警类型，将无故障、气体泄漏故障、机械卡涩故障、外部放电故障和二次回路故障5种可能的输出结果进行数字编码量化，设定无故障为0000、气体泄漏故障0001、机械卡涩故障0010、外部放电故障0100和二次回路故障1000。所述的神经网络分类器为具有一层结构的隐含层结构BP神经网络分类器。隐含层节点数为按公式
计算后四舍五入取整数。其中,n为输入层神经元个数,m为输出层神经元个数,a为经验系数，取值范围为[1,10]之间。最终确定隐含层节点数为8，如图3所示。
(3)给输入层与隐含层之间的权值vij，隐层与输出层之间的权值wjk分别赋值为(-1，1)之间的随机数，i为输入层节点编号，j为隐含层节点编号，k为输出层节点编号。设定目标误差为0.001,神经网络学习速率为0.05，最大学习次数为5000次。
(4)随机选取第r个输入样本(x1(r)……x7(r))及其期望输出(y1(r)……y5(r))；
(5)计算隐含层各神经元的输入zinj(r)和输出zoutj(r)；
其中，f1()为隐含层传递函数，选用tansig函数，f2()为输出层激励函数，选取logsig函数。
(6)利用网络期望输出和实际输出，采用mse均方误差函数计算对输出层的各神经元的偏导数δo(r)；
(7)利用输出层各神经元的δo(r)和隐含层各神经元的输出zoutj(r)，采用带有动量项的自适应学习算法traingdx函数修正权值wij；
(8)利用隐含层各神经元的δi(r)和输入层各神经元的输入x(r)，采用带有动量项的自适应学习算法traingdx函数修正权值vij；
(9)计算全局误差，
(10)其中，N为总样本数，dk(r)为预期输出值，yk(r)为实际输出值。如果全局误差E小于目标误差0.001，或学习次数大于最大学习次数为5000次，则结束学习，否则选取下一个学习样本及对应的期望输出，返回步骤5进入下一轮学习。
(11)选取最近30天内的SF6气体密度、紫外放电次数、累计开断短路电流值、液压压力、电机电流、分闸时间、合闸时间等7个SF6高压断路器状态量作为预测样本库(采样频率依据现场操作要求设定，如本例中设为4小时每次)。
(12)如图4所示，利用ARMIA分析方法，分别预期7个SF6高压断路器状态量未来5天内的预测数据。其具体方式如下(以SF6气体密度为例)：
①将归一化后的30天内的180个SF6气体密度的历史监测数据作为一个时间序列；
②利用游程检验法检验序列的平稳性，如果为平稳时间序列，跳到步骤④，否则跳到步骤③；
所述游程检验法包括步骤：1、随机取出整体序列中连续的一段；2、求出该段序列的均值，该段序列中比均值小的记为“-”，大于等于的记为“+”；3、连续的一段符号称为一个游程，计算该段序列中游程总数Z；4、重复步骤1-3，观察Z是否符合N(0，1)分布，如果符合则认为序列是平稳的，否则为不平稳的)
③采用差分方法X′t＝Xt-Xt-1(t＞1)对序列进行平稳化预处理，然后跳到步骤②，其中，Xt是第t时刻状态量的归一化值；
④对平稳时间序列X′t进行零均值化处理
其中
为序列X′t的均值；
⑤求零均值化处理后的序列X″t自相关函数和偏自相关函数；
⑥依据自相关函数和偏自相关函数选择对应的ARIMA模型种类，选择方法如下表，其中p为自回归过程的阶数，q为移动平均过程的阶数；
通常情况下，SF6气体密度的时间序列符合MA(1)模型。
⑦利用最小二乘法进行参数估计和拟合，得到ARIMA模型；
⑧对残差序列分别求公式
和
(其中
为自回归系数，θj为移动回归系数，Bj为方程矩阵系数)的根，若根均在单位圆外，表明残差序列为白噪声，模型通过检验，否则跳到步骤⑥，重新进行模型识别；
⑨利用验证通过的ARIMA模型进行预测，得到未来5天的预测数据。
(13)将预测数据作为测试数据输入训练好的BP神经网络模型，得到预测的未来5天内SF6高压断路器可能发生的故障。
(14)根据SF6高压断路器故障种类进行主动预警。
(15)用最新30天的实测状态量和对应的故障种类数据更新训练样本库，按照步骤3-9重新训练BP网络模型。在选择最新数据样本替换训练样本库中较老的数据时，应按不同的故障种类分别进行更新。例如故障种类为气体泄漏故障的对应数据只能更新替换历史样本数据中故障种类也为气体泄漏故障的数据。
本发明实施例还提供一种SF6高压断路器状态主动预警装置，该装置包括：存储器、处理器及在所述存储器上存储并可运行的SF6高压断路器状态主动预警的程序，所述SF6高压断路器状态主动预警的程序被处理器执行时实现上述SF6高压断路器状态主动预警方法的部分或全部步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种SF6高压断路器状态主动预警方法，其特征在于，具体包括步骤：
(1)获取SF6高压断路器的各状态量的历史监测数据；
(2)基于所述历史监测数据构造神经网络分类器，其中，所述神经网络分类器输入层的输入元个数对应SF6高压断路器的状态量个数，输入元的值对应同一时间下各状态量的历史监测数据值；输出层的输出元个数对应SF6高压断路器的告警类型种数；
(3)采用ARIMA分析法分别对SF6高压断路器的各状态量进行预测，得到未来某一时刻对应的预测值；
(4)将所述预测值作为神经网络分类器的输入，分类器的输出结果为预测的未来某一时刻的SF6高压断路器的故障种类；确定未来一定时段内SF6高压断路器的故障发生趋势，根据所述故障发生趋势对所述SF6高压断路器进行故障预警。
2.根据权利要求1所述的SF6高压断路器状态主动预警方法，其特征在于，步骤(1)中，所述状态量包括下述中的至少一种：SF6气体密度、紫外放电次数、累计开断短路电流值、液压压力、电机电流、分闸时间、合闸时间。
3.根据权利要求1所述的SF6高压断路器状态主动预警方法，其特征在于，步骤(2)中，所述告警类型包括下述中的至少一种：无故障、气体泄漏故障、机械卡涩故障、外部放电故障和二次回路故障。
4.根据权利要求1所述的SF6高压断路器状态主动预警方法，其特征在于，所述的神经网络分类器为具有一层结构的隐含层结构BP神经网络分类器，隐含层节点数为
的四舍五入取整数；其中，n为输入层神经元个数，m为输出层神经元个数，a为经验系数，其取值范围为[1,10]。
5.根据权利要求1或4所述的SF6高压断路器状态主动预警方法，其特征在于，所述的神经网络分类器选用最小二乘梯度下降法作为训练方法。
6.根据权利要求4所述的SF6高压断路器状态主动预警方法，其特征在于，所述的BP网络分类器选取正切S型传递函数tansig函数为隐含层传递函数。
7.根据权利要求4所述的SF6高压断路器状态主动预警方法，其特征在于，所述的BP网络分类器选取对数S型传递函数logsig函数为输出层激励函数。
8.根据权利要求4所述的SF6高压断路器状态主动预警方法，其特征在于，所述的BP网络分类器设定网络训练参数，最高训练次数为5000次,训练网络所要达到的目标误差为0.001,网络的学习速率为0.05。
9.根据权利要求1所述的SF6高压断路器状态主动预警方法，其特征在于，所述步骤(3)为分别对每个状态量进行如下操作：
(31)获取一段时间内的状态量的历史监测数据的归一化值，生成一个时间序列；
(32)利用游程检验法检验时间序列的平稳性，如果为平稳时间序列，跳到步骤(34)，否则跳到步骤(33)；
(33)采用差分方法X′t＝Xt-Xt-1,t>1对时间序列进行平稳化预处理，然后跳到步骤(32)，其中，Xt是第t时刻状态量的归一化值；
(34)对平稳时间序列进行零均值化处理
其中
为序列X′t的均值；
(35)求零均值化处理后的序列X′t的自相关函数和偏自相关函数；
(36)依据自相关函数和偏自相关函数选择对应的ARIMA模型种类；
(37)利用最小二乘法进行参数估计和拟合，得到ARIMA模型；
(38)对残差序列分别求下列公式的根：
其中，p为自回归的阶数，
为自回归系数，θj为移动回归系数，B为残差方程矩阵；若根均在单位圆外，表明残差序列为白噪声，神经网络分类器通过检验，否则跳到步骤(36)，重新进行模型识别。
10.一种SF6高压断路器状态主动预警装置，其特征在于，该装置包括：存储器、处理器及在所述存储器上存储并可运行的SF6高压断路器状态主动预警的程序，所述SF6高压断路器状态主动预警的程序被处理器执行时实现如权利要求1至9中任一项所述SF6高压断路器状态主动预警方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010407444.2A CN111612128A (zh) | 2020-05-14 | 2020-05-14 | 一种sf6高压断路器状态主动预警方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010407444.2A CN111612128A (zh) | 2020-05-14 | 2020-05-14 | 一种sf6高压断路器状态主动预警方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111612128A true CN111612128A (zh) | 2020-09-01 |
Family
ID=72199444
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010407444.2A Pending CN111612128A (zh) | 2020-05-14 | 2020-05-14 | 一种sf6高压断路器状态主动预警方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111612128A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113484693A (zh) * | 2021-07-30 | 2021-10-08 | 国网四川省电力公司电力科学研究院 | 基于图神经网络的变电站二次回路故障定位方法及系统 |
| CN113516310A (zh) * | 2021-07-12 | 2021-10-19 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种变压器故障预警方法及系统 |
| CN113671361A (zh) * | 2021-06-25 | 2021-11-19 | 海南电网有限责任公司海南输变电检修分公司 | 基于多源信号融合的高压断路器特性参数预测方法及系统 |
| CN113945329A (zh) * | 2021-10-14 | 2022-01-18 | 西安西电开关电气有限公司 | 一种sf6气体泄漏缺陷研判方法及系统 |
| CN114355184A (zh) * | 2022-01-05 | 2022-04-15 | 国网江苏省电力有限公司宿迁供电分公司 | 一种基于在线学习的高压断路器状态监测预警系统及方法 |
| CN117590223A (zh) * | 2024-01-18 | 2024-02-23 | 南京飞腾电子科技有限公司 | 断路器的在线监测系统及其方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107766977A (zh) * | 2017-10-20 | 2018-03-06 | 江苏电力信息技术有限公司 | 一种基于arima的现金流量预测方法 |
-
2020
- 2020-05-14 CN CN202010407444.2A patent/CN111612128A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107766977A (zh) * | 2017-10-20 | 2018-03-06 | 江苏电力信息技术有限公司 | 一种基于arima的现金流量预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王磊: "高压断路器故障预测方法的研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113671361A (zh) * | 2021-06-25 | 2021-11-19 | 海南电网有限责任公司海南输变电检修分公司 | 基于多源信号融合的高压断路器特性参数预测方法及系统 |
| CN113516310A (zh) * | 2021-07-12 | 2021-10-19 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种变压器故障预警方法及系统 |
| CN113484693A (zh) * | 2021-07-30 | 2021-10-08 | 国网四川省电力公司电力科学研究院 | 基于图神经网络的变电站二次回路故障定位方法及系统 |
| CN113945329A (zh) * | 2021-10-14 | 2022-01-18 | 西安西电开关电气有限公司 | 一种sf6气体泄漏缺陷研判方法及系统 |
| CN113945329B (zh) * | 2021-10-14 | 2024-01-23 | 西安西电开关电气有限公司 | 一种sf6气体泄漏缺陷研判方法及系统 |
| CN114355184A (zh) * | 2022-01-05 | 2022-04-15 | 国网江苏省电力有限公司宿迁供电分公司 | 一种基于在线学习的高压断路器状态监测预警系统及方法 |
| CN114355184B (zh) * | 2022-01-05 | 2023-09-26 | 国网江苏省电力有限公司宿迁供电分公司 | 一种基于在线学习的高压断路器状态监测预警方法 |
| CN117590223A (zh) * | 2024-01-18 | 2024-02-23 | 南京飞腾电子科技有限公司 | 断路器的在线监测系统及其方法 |
| CN117590223B (zh) * | 2024-01-18 | 2024-04-30 | 南京飞腾电子科技有限公司 | 断路器的在线监测系统及其方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111612128A (zh) | 一种sf6高压断路器状态主动预警方法及装置 | |
| CN111539515B (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
| CN110232203B (zh) | 知识蒸馏优化rnn短期停电预测方法、存储介质及设备 | |
| CN110083951B (zh) | 一种基于变压器相关运行数据的固体绝缘寿命预测方法 | |
| CN113361865B (zh) | 针对电力系统中深度学习惯量预测模型的脆弱性评估方法 | |
| CN110334865B (zh) | 一种基于卷积神经网络的电力设备故障率预测方法及系统 | |
| CN111610466A (zh) | 一种变压器状态预测方法、装置和存储介质 | |
| CN111784061A (zh) | 一种电网工程造价预测模型的训练方法、装置和设备 | |
| CN116702612A (zh) | 一种多维指标融合的cvt健康状态预测方法及系统 | |
| CN110929835B (zh) | 一种新型碳化硅基航空功率变换器故障诊断方法及系统 | |
| CN114091798A (zh) | 对资产执行预后健康分析的方法和计算系统 | |
| CN111523727A (zh) | 基于不确定过程的考虑恢复效应的电池剩余寿命预测方法 | |
| KR102130272B1 (ko) | 경험모델 기반 예측 알고리즘의 최적화 방법 | |
| CN117170980B (zh) | 一种服务器硬件异常预警方法、装置、设备及存储介质 | |
| CN114553671A (zh) | 一种电力通信网故障告警的诊断方法 | |
| CN113837427A (zh) | 用于对资产执行预测性健康分析的方法和计算系统 | |
| US20140052425A1 (en) | Method and apparatus for evaluating a model of an industrial plant process | |
| Aizpurua et al. | Probabilistic power transformer condition monitoring in smart grids | |
| CN115526393A (zh) | 一种基于变电工程关键影响因素筛选的造价预测方法 | |
| CN111489539A (zh) | 家电系统故障的预警方法、系统及装置 | |
| CN112070283A (zh) | 一种基于机器学习的服务器运行健康度预测方法及系统 | |
| CN111612129A (zh) | 一种隔离开关状态预测方法、装置及存储介质 | |
| US20240037290A1 (en) | Aircraft component selection | |
| KR102366922B1 (ko) | 시계열적 절연 진단 정보 기반의 중전기기 열화 예측 시스템 및 그 방법 | |
| CN110956409B (zh) | 一种社区燃气设备的风险控制方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200901 |