CN111931969A - 一种基于时序分析的合并单元设备状态预测方法 - Google Patents
一种基于时序分析的合并单元设备状态预测方法 Download PDFInfo
- Publication number
- CN111931969A CN111931969A CN202010205536.2A CN202010205536A CN111931969A CN 111931969 A CN111931969 A CN 111931969A CN 202010205536 A CN202010205536 A CN 202010205536A CN 111931969 A CN111931969 A CN 111931969A
- Authority
- CN
- China
- Prior art keywords
- data
- merging unit
- unit device
- prediction
- time sequence
- 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 30
- 238000012300 Sequence Analysis Methods 0.000 title claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000012731 temporal analysis Methods 0.000 claims description 8
- 238000000700 time series analysis Methods 0.000 claims description 8
- 238000001816 cooling Methods 0.000 claims 1
- 238000013480 data collection Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 12
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000013024 troubleshooting Methods 0.000 abstract description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 11
- 238000005070 sampling Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000036962 time dependent 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
- G06Q10/04—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
- G06F16/2462—Approximate or statistical 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
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Lasers (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于时序分析的合并单元设备状态预测方法,包括步骤如下:(1)数据准备,构建数据集;(2)正常数据和非正常数据的趋势分析;(3)时间序列分析和建立预测模型;(4)合并单元设备状态的预测。本发明通过拟合现有合并单元装置的运行状态的监视数据,挖掘隐藏在数据中的信息和趋势,降低了维护成本,提高了故障排查效率;根据历史数据采用时间序列分析,实现了对未来进行预测和设备运行非正常状态可及时报警;为分析和掌握设备状态信息,提供了合并单元设备状态的预测方法。
Description
技术领域
本发明涉及合并单元设备状态预测方法,尤其涉及一种基于时序分析的合并单元设备状态预测方法。
背景技术
近年来,随着国内经济增长,以及国民生活水平的日益提升,我国用电需求快速增长和绿色清洁能源的迫切需求,中国的超、特高压输变电工程已经进入技术成熟阶段。
在技术成熟的前提下,如何做到精益求精,对超、特高压输变电工程安全性、稳定性和智能化的要求变得越来越高,成为一个将要面对的严峻问题。
目前直流输电正在朝着高电压大容量的技术方向发展,其在长距离输电、跨区域联网及调度灵活等方面的优势日趋显现,但由于换流站关键设备故障造成的直流系统非正常停运对电力系统造成的影响也越来越大。因此,加强对直流关键设备进行的感知程度,对关键设备的故障进行预判并提前进行处理,防患于未然,将故障消灭在萌芽阶段,对减少直流系统非正常停运并提高供电可靠性具有十分重大的意义。
合并单元装置是直流关键设备,作为直流测量装置的重要组成部件,为直流控制保护系统提供真实可靠的一次电流或电压信息。合并单元装置用于接收直流测量装置的数字采样信号,合并各直流测量装置的采样数据并进行组帧,然后通过光纤按照标准通信协议分别发送给直流控制保护等设备;同时,合并单元装置还要通过供能光纤为直流测量装置的远端模块(RTU)提供激光能量作为其工作电源。在运行时,如果出现激光器驱动电流高、激光器温度高或者接收数据电平低的情况,会导致直流测量出现偏差,造成直流非正常停运。
当前,针对合并单元装置的运行状态存在一些监视措施,但大多是利用已有经验,设置阈值,当合并单元装置中某些数据超过或低于已设阈值时,系统发出告警信号。这种方式仅能区分系统的“健康”和“不健康”状态,对处于中间区域的“亚健康”状态无法识别并及时预警。除此之外,此种方式缺少对监视数据进行充分的挖掘和分析,不能够发现隐藏在数据中的信息和趋势。
发明内容
发明目的:本发明的目的是提供一种实现分析和掌握设备状态信息数据的基于时序分析的合并单元设备状态预测方法。
技术方案:本发明所述的合并单元设备状态预测方法,包括步骤如下:(1)数据准备,构建数据集;(2)正常数据和非正常数据的趋势分析;(3)时间序列分析和建立预测模型;(4)合并单元设备状态的预测。
所述步骤(1)由合并单元设备状态数据库,构建干净的数据集。
所述步骤(2)对合并单元设备正常工作下的数据和合并单元设备非正常工作下的数据的规律性和趋势性进行分析;步骤(2)中所述合并单元设备的数据选取合并单元设备的激光器驱动电流为监视数据。
所述步骤(2)中所述合并单元设备非正常工作是指某些参数超过预设阈值,导致设备发出告警信号,数据采集中断或出现设备故障情况。
所述步骤(3)根据步骤(2)的趋势性和规律性分析结果,确定时间序列性分析方法,分别对合并单元设备正常工作下的数据和非正常工作下的数据建立不同的预测模型。
所述步骤(3)中所述的时间序列是指将同一统计指标的数值根据其时间先后顺序排列而成的数列。
所述步骤(4)根据步骤(3)得到的模型预测结果,对合并单元设备状态的预测。
有益效果:本发明与现有技术相比,其显著效果如下:1、通过拟合现有合并单元装置的运行状态的监视数据,挖掘隐藏在数据中的信息和趋势,降低了维护成本,提高了故障排查效率;2、根据历史数据采用时间序列分析,实现了对未来进行预测和设备运行非正常状态可及时报警;3、为分析和掌握设备状态信息,提供了合并单元设备状态的预测方法。
附图说明
图1为本发明的合并单元设备状态预测方法整体流程图;
图2为本发明的合并单元设备正常工作状态下随机四天的激光器驱动电流变化图;
图3为本发明的合并单元设备正常工作状态下随机三周的激光器驱动电流变化图;
图4为本发明的合并单元设备非正常工作状态下的激光器驱动电流数据变化图;
图5为本发明的合并单元设备正常工作状态下激光器驱动电流一个月内的数据变化图;
图6为本发明的合并单元设备激光器驱动电流原始数据和ARMA模型预测结果图;
图7为本发明的合并单元设备非正常工作状态下的激光器驱动电流数据变化图;
图8为本发明的合并单元设备非正常工作状态下激光器驱动电流数据差分处理结果图;
图9为本发明的合并单元设备激光器驱动电流原始数据和ARIMA模型预测结果图。
具体实施方式
下面结合说明书附图和具体实施方式对本发明做进一步详细描述。
本发明所述的合并单元设备状态预测方法,根据合并单元设备状态的监视数据,尤其是合并单元激光器驱动电流监视数据,提出利用时间序列分析方法。特别地,根据合并单元设备正常运行状态和非正常运行状态的监视数据的特征,利用算术平方根、方差和迪基-福勒检验等方式去分析评估数据是否符合平稳时间序列特征,在此基础上分别构建ARMA模型和ARIMA模型对合并单元设备状态进行预测研究,并计算均方根误差来评估所建立模型的好坏。详细步骤如下:
(1)数据准备
本发明的数据来源于中国南方电网从2017年9月到2019年8月的超高压换流站设备合并单元激光器驱动电流数据记录。
考虑到要分析数据的时间序列性和趋势性特征,而初始数据是散乱分布于数据库中的,需要对一系列的数据预处理来构建一个干净的数据集。
数据存取高效性保证。为了保证能高速、有效地对数据进行划分、筛选和清洗,将所有数据从数据库中导出,并以JSON或者CSV文件格式存储。
数据时间序列性保证。鉴于合并单元设备数量众多,而需要对每台设备的监视数据进行分析。为了分析每台设备随时间变化的运行状态,需要对数据按设备进行划分,并按时间节点对每台设备的监视数据进行排序,确保数据的有效性和时间序列性。
冗余数据滤除。在所有监视数据中存在冗余数据的问题,即存在因为停电、故障等原因造成的在某个时间段内数据值缺失、0值的问题,因此,需要对这些无效数据进行过滤,保证数据的有效性。
(2)数据分析
在获得干净的数据集后,考虑到设备有正常工作状态和非正常工作状态,因此,分两部分对监测到的合并单元激光器驱动电流数据进行趋势分析:正常工作下的数据趋势分析和非正常工作下的数据趋势分析。
(2.1)正常数据趋势分析
为了更好地分析合并单元激光器驱动电流随时间变化的趋势性和规律性,分别按天、周对驱动数据进行随机抽样,分析其规律性和趋势变化。
一天内数据分析。对过滤后的数据集进行随机抽样,选取了四天的驱动电流数据进行分析,其随时间的变化如图2所示,其中包含图(a)、(b)、(c)、(d),分别描绘了一天内激光器驱动电流的变化趋势。
从图2中的(a)、(b)、(c)、(d)图可以分析出,激光器驱动电流在正常工作情况下,其值会趋于保持在一个稳定范围内,会有随机的波动,但值的波动幅度较小,且驱动电流值均在正常值范围之内变化。
一周内数据分析。对过滤后的数据集进行随机抽样,随机选取了三周的驱动电流数据进行分析,其随时间的变化如图3所示,其中包含图(a)、(b)、(c),分别描绘了一周内激光器驱动电流的变化趋势。
从图3的(a)、(b)、(c)图中可以分析出,激光器驱动电流在正常工作情况下,其值依旧会趋于保持在一个稳定范围内,虽有随机的波动,但值的波动幅度较小,且驱动电流值均在正常值范围之内变化。为进一步确定数据是否是一个平稳时间序列,可通过计算均值、标准差等一些方式来确定。
(2.2)非正常数据趋势分析
考虑到当激光器驱动电流温度超过预设阈值时,系统会发出告警信号,甚至出现系统故障等情况,导致数据采集出现中断,使异常数据维系的时间是不固定的,因此,不能简单地按天、周对驱动电流数据进行随机抽样。根据异常数据出现的时间点为终点分别向前和向后回溯,分析异常数据出现的前一段时间和后一段时间内合并单元激光器驱动电流的规律性和变化趋势,结果如图4所示。
从图4的驱动电流的趋势变化可以看出,在初始一段时间内,驱动电流虽然会有随机波动,虽基本稳定在一个正常值范围内,但相对于基准值偏高,这可能是设备老化等原因造成的。之后一段时间内,驱动电流值呈现出一种上升趋势,且值超过了系统内预设阈值1000mA。最后一段时间内,驱动电流出现了一个陡然的下降,显然是对设备进行了维修,之后,数据恢复正常值。
(3)合并单元设备状态分析方法
根据步骤(2)的数据趋势分析,当合并单元设备处于正常工作状态时,其对应的激光器驱动电流虽然会有随机波动,但波动幅度较小,且维持在一个正常的值范围内,具有一定的稳定性。而且,合并单元设备处于亚健康工作状态时,一般而言,激光器驱动电流的值会呈现出一种逐步上升的趋势,最终超出阈值,导致设备发出告警信号、出现故障等情况。驱动电流出现随机、突然的大幅度的波动导致设备告警、故障的情况极少。
根据数据分析结果,选取、确定时间序列性分析方法,建立预测模型,对合并单元设备状态进行预测分析。
自回归滑动平均(ARMA)模型。ARMA模型是模型参量法高分辨率谱分析方法之一,是研究平稳随机过程有理谱的典型方法,是基于时间序列平稳而建立,由自回归(AR)模型与移动平均(MA)模型为基础构成。如果一个随机过程的均值和方差在时间过程上都是常数,并且在任何两时期之间的协方差仅仅依赖该两时期间的距离,就称这样的随机时间序列是平稳的
自回归滑动平均模型表示为:
其中,a和b是不为零的待定系数,p,q分别为自回归滑动平均模型的阶数,简记为ARMA(p,q),即时间序列值Yt是现在和过去的误差或冲击值εt以及先前序列Yt-1的线性组合。特殊地,若p=0,则此模型为MA模型,若q=0,则此模型为AR模型。
整合移动平均自回归(ARIMA)模型。ARIMA模型是针对非平稳时间序列建模。首先经过差分将非平稳时间序列转化为平稳时间序列,然后建立ARMA模型。ARIMA模型实际也是AR模型和MA模型的组合。
ARIMA模型表示为:
其中,和θ是不为零的待定系数,εt是独立的误差项,Xt是平稳、正态、零均值的时间序列,p,q分别为整合移动平均自回归模型的阶数,L是滞后算子,d表示对数据进行d次差分处理,模型简记为ARIMA(p,d,q)。
(4)合并单元设备状态预测分析
(4.1)正常工作下的合并单元设备状态预测分析
随机选取一台合并单元设备从2017年9月1日到9月30日的数据进行实验分析评估,数据采样的时间间隔为1小时,数据的趋势变化如图5所示。从图5中可以看出,合并单元在正常工作状态下,激光器驱动电流趋于平稳,虽会有随机波动,但波动幅度较小,值一直处于正常范围内。而且,随着时间变化计算算术平均值,其值趋近于一个常量,并随着时间变化计算方差,其值趋近于0。另外,运用迪基-福勒检验进行了单位根校验,计算得到p值为0.000004,说明时间t在超过99%的置信水平下是显著的,数据是时间平稳序列。
基于激光器驱动电流的数据是时间平稳序列,建立ARMA模型,并进行预测。ARMA模型预测结果如图6所示。
从图6中可以看出,ARMA模型的预测结果与原始数据相贴近,并计算均方根误差来评估模型的好坏,均方根误差为5.4039。
(4.2)非正常工作下的合并单元设备状态预测分析
根据实验数据分析,选取了出现异常数据的设备从2018年1月14日到1月21日的监测数据进行实验分析评估,数据采样的时间间隔为1小时,数据变化趋势如图7所示。
图7为合并单元设备非正常工作状态下的激光器驱动电流数据变化图。从图7中很明显可以看出,数据有上升趋势,不满足时间序列平稳的条件,且执行了单位根校验,p值为0.998397,不能拒绝原假设,说明数据非平稳,所以构建ARIMA模型对数据进行预测。
首先对数据进行差分处理,结果如图8所示。并针对数据进行差分后的残留部分进行了单位根校验。p值低于0.01,即时间在99%的置信水平下是显著的,数据平稳,支持构建ARMA模型。
ARIMA模型预测结果如图9所示,从图9中可以看出ARIMA模型的预测结果与原始数据相贴近,并计算均方根误差来评估模型的好坏,均方根误差结果为21.0217。
实验结果表明,利用时间序列性数据分析方法构建的ARMA模型和ARIMA模型能够很好地拟合合并单元设备状态监视数据,有效挖掘数据中的隐藏信息和趋势,能对合并单元设备状态进行有效的状态预测。
Claims (8)
1.一种基于时序分析的合并单元设备状态预测方法,其特征在于,包括步骤如下:(1)数据准备,构建数据集;(2)正常数据和非正常数据的趋势分析;(3)时间序列分析和建立预测模型;(4)合并单元设备状态的预测。
2.根据权利要求1所述的基于时序分析的合并单元设备状态预测方法,其特征在于,所述步骤(1)由合并单元设备状态数据库,构建干净的数据集。
3.根据权利要求1所述的基于时序分析的合并单元设备状态预测方法,其特征在于,所述步骤(2)对合并单元设备正常工作下的数据和合并单元设备非正常工作下的数据的规律性和趋势性进行分析。
4.根据权利要求3所述的基于时序分析的合并单元设备状态预测方法,其特征在于,所述步骤(2)中所述合并单元设备的数据选取合并单元设备的激光器驱动电流为监视数据。
5.根据权利要求3所述的基于时序分析的合并单元设备状态预测方法,其特征在于,所述步骤(2)中所述合并单元设备非正常工作是指参数超过预设阈值,导致设备发出告警信号,数据采集中断或出现设备故障情况。
6.根据权利要求1所述的基于时序分析的合并单元设备状态预测方法,其特征在于,所述步骤(3)根据步骤(2)的趋势性和规律性分析结果,确定时间序列性分析方法,分别对合并单元设备正常工作下的数据和非正常工作下的数据建立不同的预测模型。
7.根据权利要求6所述的基于时序分析的合并单元设备状态预测方法,其特征在于,所述步骤(3)中所述的时间序列是将同一统计指标的数值根据其时间先后顺序排列而成的数列。
8.根据权利要求1所述的基于时序分析的阀冷设备进阀温度预测方法,其特征在于,所述步骤(4)根据步骤(3)得到的模型预测结果,对合并单元设备状态的预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010205536.2A CN111931969A (zh) | 2020-03-20 | 2020-03-20 | 一种基于时序分析的合并单元设备状态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010205536.2A CN111931969A (zh) | 2020-03-20 | 2020-03-20 | 一种基于时序分析的合并单元设备状态预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111931969A true CN111931969A (zh) | 2020-11-13 |
Family
ID=73316150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010205536.2A Pending CN111931969A (zh) | 2020-03-20 | 2020-03-20 | 一种基于时序分析的合并单元设备状态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111931969A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113675706A (zh) * | 2021-08-16 | 2021-11-19 | 中国工程物理研究院电子工程研究所 | 一种光纤激光器健康监测方法 |
CN113904444A (zh) * | 2021-09-30 | 2022-01-07 | 中国南方电网有限责任公司超高压输电公司昆明局 | 换流站直流分压器或分流器二次回路的状态预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106059661A (zh) * | 2015-12-25 | 2016-10-26 | 国家电网公司 | 一种基于时序分析的光传输网络趋势预测方法 |
CN108573055A (zh) * | 2018-04-24 | 2018-09-25 | 山东科技大学 | 一种基于定性趋势分析的多变量报警监控方法与系统 |
CN109634801A (zh) * | 2018-10-31 | 2019-04-16 | 深圳壹账通智能科技有限公司 | 数据趋势分析方法、系统、计算机装置及可读存储介质 |
-
2020
- 2020-03-20 CN CN202010205536.2A patent/CN111931969A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106059661A (zh) * | 2015-12-25 | 2016-10-26 | 国家电网公司 | 一种基于时序分析的光传输网络趋势预测方法 |
CN108573055A (zh) * | 2018-04-24 | 2018-09-25 | 山东科技大学 | 一种基于定性趋势分析的多变量报警监控方法与系统 |
CN109634801A (zh) * | 2018-10-31 | 2019-04-16 | 深圳壹账通智能科技有限公司 | 数据趋势分析方法、系统、计算机装置及可读存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113675706A (zh) * | 2021-08-16 | 2021-11-19 | 中国工程物理研究院电子工程研究所 | 一种光纤激光器健康监测方法 |
CN113904444A (zh) * | 2021-09-30 | 2022-01-07 | 中国南方电网有限责任公司超高压输电公司昆明局 | 换流站直流分压器或分流器二次回路的状态预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021217695A1 (zh) | 基于智能工厂框架的供配用电网智能数据采集整理系统 | |
CN105116291A (zh) | 一种基于电网运行稳态监控信息的故障诊断系统及方法 | |
CN110469496B (zh) | 一种水泵智能预警方法及系统 | |
CN117689214B (zh) | 一种柔性直流牵引供电系统能量路由器动态安全评估方法 | |
CN111669123A (zh) | 用于对光伏组串进行故障诊断的方法和装置 | |
CN111931969A (zh) | 一种基于时序分析的合并单元设备状态预测方法 | |
CN113762604B (zh) | 一种工业互联网大数据服务系统 | |
CN116820014B (zh) | 一种交通机电设备智能化监控预警方法及系统 | |
CN114383652A (zh) | 一种配电网潜在故障在线风险辨识方法、系统及装置 | |
CN110730234A (zh) | 一种电气火灾监控系统及其智能预警分析方法 | |
CN117289659A (zh) | 一种电厂集控运行智能自动监控系统 | |
CN115081647A (zh) | 基于贝叶斯网络模型的工业智能仪表故障预诊断方法 | |
CN118112415A (zh) | 一种电机绝缘性能的智能测试方法及系统 | |
CN118132931A (zh) | 基于机器学习的日用电器亚健康检测方法 | |
CN117128162A (zh) | 智慧能源空压站节能控制系统及控制方法 | |
CN106650154B (zh) | 一种基于热力性能指标的核电常规岛设备可靠性监测方法 | |
CN113092152B (zh) | 一种动设备振动温度复合监测装置及方法 | |
CN113218653B (zh) | 一种基于消除低频扰动的海上风电齿轮箱监测方法及装置 | |
KR20230110146A (ko) | 군집알고리즘을 적용한 원격감시제어 시스템에 공급되는 제어전원의 품질 건전성을 진단하는 장치 및 방법 | |
Osadciw et al. | Wind turbine diagnostics based on power curve using particle swarm optimization | |
CN113418632A (zh) | 一种油浸式变压器油温预测的概念漂移检测方法 | |
CN112415343A (zh) | 一种多状态量可组态全封闭式气体组合电器的智能组件 | |
CN117951633B (zh) | 一种光伏发电设备故障诊断方法及系统 | |
CN110751814A (zh) | 一种用于轨道交通的电气火灾监控系统及其预警分析方法 | |
CN118295881B (zh) | 一种芯片栅格阵列的封装数据监管系统及方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201113 |
|
RJ01 | Rejection of invention patent application after publication |