CN112016739A - 故障检测方法、装置、电子设备及存储介质 - Google Patents
故障检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112016739A CN112016739A CN202010825299.XA CN202010825299A CN112016739A CN 112016739 A CN112016739 A CN 112016739A CN 202010825299 A CN202010825299 A CN 202010825299A CN 112016739 A CN112016739 A CN 112016739A
- Authority
- CN
- China
- Prior art keywords
- time period
- preset time
- key
- information
- meteorological
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 238000000611 regression analysis Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 description 24
- 230000004927 fusion Effects 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 9
- 230000007547 defect Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 239000012212 insulator Substances 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition 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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明实施例提供一种故障检测方法、系统、电子设备及存储介质，所述方法包括：对于待检测的目标杆塔，获取其在第一预设时间段内的关键气象信息；基于第一预设时间段内的关键气象信息，预测获得其在第二预设时间段内关键气象信息；基于第二预设时间段内关键气象信息，确定其在所述第二预设时间段内最早发生故障的时刻；其中，第一预设时间段早于当前时刻，第二预设时间段迟于当前时刻。本发明实施例通过基于待检测的目标杆塔的历史关键气象信息预测其未来的关键气象信息，进而确定其在未来需要预警的时间段内最早发生故障的时刻；对于线路风偏故障实现了提前风险告知和预警，判断分析方法准确率高，实现简单，可行性强，预测精度高。
Description
技术领域
本发明涉及电气技术领域，尤其涉及一种故障检测方法、装置、电子设备及存储介质。
背景技术
天气恶劣容易导致输电线路故障，比如风偏故障是输电线路常见的风害类型，因此，长期处于室外的输电线路面临较高故障风险，提高输电线路故障检测预警能力十分重要和迫切。
现有的输电线路的故障检测缺乏在线监测和自动预警能力，主要依赖于人工巡视，由于输电线路覆盖范围广，覆盖面积大，人工巡检工作量极大，且通道环境和输电设备的异常发现不及时，更加无法实现对故障的有效预警。
因此，如何提出一种可以有效预警因天气导致的输电线路故障，成为亟需解决的问题。
发明内容
本发明实施提供一种故障检测方法、装置、电子设备及存储介质，用以解决现有技术中输电线路无法实现对故障的有效预警的缺陷，实现可以有效预警因天气导致的输电线路故障。
第一方面，本发明实施例提供一种故障检测方法，包括：
对于待检测的目标杆塔，获取其在第一预设时间段内的关键气象信息；
基于所述第一预设时间段内的关键气象信息，预测获得所述目标杆塔在第二预设时间段内关键气象信息；
基于所述第二预设时间段内关键气象信息，确定所述目标杆塔在所述第二预设时间段内最早发生故障的时刻；
其中，所述第一预设时间段早于当前时刻，所述第二预设时间段迟于当前时刻。
根据本发明一个实施例的故障检测方法，所述基于所述第二预设时间段内关键气象信息，获得所述目标杆塔在所述第二预设时间段内最早发生故障的时刻具体包括：
基于所述第二预设时间段内所有时刻对应的关键气象信息，从大到小依次计算所述关键气象信息对应的风偏角，并基于所述风偏角确定对应的时刻是否发生故障；
确定所述目标时刻为所述第二预设时间段内最早发生故障的时刻，所述目标时刻为，计算临界时刻的风偏角之前的计算获得的所有风偏角对应的时刻中最早的时刻，所述临界时刻为，基于其对应的风偏角确定所述目标杆塔发生故障，且基于其对应的风偏角的后一个计算获得的风偏角确定所述目标杆塔不发生故障。
根据本发明一个实施例的故障检测方法，所述对于待检测的目标杆塔，获取其在第一预设时间段内的关键气象信息，具体包括：
对于待检测的目标杆塔，获取其在第一预设时间段内的气象数据，所述气象数据包括以下任一类或其组合：微气象检测装置检测的气象数据；数值天气预报的气象数据；小型气象站的风速风向流场数据；
对于每一类气象数据，获取其中关键气象因子对应的关键气象数据；
对于每一类气象数据，基于其中每一个关键气象数据的置信矩阵，获取其中的有效的关键气象数据；
对于每一个关键气象因子，将其对应的每一个时刻的有效的关键气象数据进行融合，获得第一预设时间段内的关键气象信息。
根据本发明一个实施例的故障检测方法，对于待检测的目标杆塔，获取其在第一预设时间段内的关键气象信息之后，所述方法还包括：
基于所述第一预设时间段内的关键气象信息，获得所述目标杆塔在当前时刻的风偏角；
基于所述当前时刻的风偏角确定当前时刻是否发生故障。
根据本发明一个实施例的故障检测方法，所述对于待检测的目标杆塔，获取其在第一预设时间段内的关键气象信息之前，所述方法还包括：
获取历史故障杆塔样本，及每一故障杆塔样本的气象信息；
在每一轮关键气象因子选取过程中，从所述故障杆塔样本中随机选取K个样本，基于K个样本的气象信息，获取所述气象信息中的关键气象因子；
通过最小二乘法对所有关键气象因子选取过程中获取的关键气象因子进行回归分析，获得关键气象因子；
所述气象信息包括风速信息，风向信息，湿度信息，气压信息及地形信息。
根据本发明一个实施例的故障检测方法，基于风偏角确定对应的时刻是否发生故障，具体包括：
若所述风偏角大于或等于预设阈值，则确定所述目标杆塔在对应的时刻会发生故障；
若所述风偏角小于预设阈值，则确定所述目标杆塔在对应的时刻不会发生故障。
根据本发明一个实施例的故障检测方法，所述对于待检测的目标杆塔，获取其在第一预设时间段内的关键气象信息之前，所述方法还包括：
基于所有杆塔的设计参数、台账数据、运行数据及地理信息，确定其中的目标杆塔。
第二方面，本发明实施例提供一种故障检测装置，包括：
获取模块，用于对于待检测的目标杆塔，获取其在第一预设时间段内的关键气象信息；
预测模块，用于基于所述第一预设时间段内的关键气象信息，预测获得所述目标杆塔在第二预设时间段内关键气象信息；
确定模块，用于基于所述第二预设时间段内关键气象信息，确定所述目标杆塔在所述第二预设时间段内最早发生故障的时刻；
其中，所述第一预设时间段早于当前时刻，所述第二预设时间段迟于当前时刻。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的故障检测方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的故障检测方法的步骤。
本发明实施例提供的故障检测方法、装置、电子设备及存储介质，通过基于待检测的目标杆塔的历史关键气象信息预测其未来的关键气象信息，进而确定其在未来需要预警的时间段内最早发生故障的时刻；对于线路风偏故障实现了提前风险告知和预警，判断分析方法准确率高，实现简单，可行性强，预测精度高。
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一简单地介绍，显而易见地，下面描述中的附图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是本发明一实施例提供的故障检测方法的流程示意图；
图2是本发明一实施例提供的故障检测装置的结构示意图；
图3是本发明一实施例提供的电子设备的结构示意图。
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，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。
输电线路防风害工作需要从多方面开展，为了实现对因天气导致的输电线路故障的有效预警，可以结合机器学习、数据融合和在线监测技术，实现多通道环境实时监控和隐患缺陷预警，及时发现通道环境和输电设备的异常，对通道隐患和设备进行维护治理，在一定程度上减少人工巡检工作量，减少风偏故障对输电线路的影响。通过对线路风偏故障进行实时判别及有效预警，提高对风致故障的响应速度，有效提高线路运行可靠性。
本发明各实施例的主要发明构思为：首先采集预设时间段内故障关键气象因子对应的实时气象数据，预测获得需要预警的时间段内的关键气象数据，进而计算得到需要预警的时间段内的风偏角，与设计值对比，预警是否会发生故障并确定发生故障的最早时刻。
以下结合多个实施例详细阐述。
图1是本发明一实施例提供的故障检测方法的流程示意图，如图1所示，所述方法包括如下步骤：
步骤100，对于待检测的目标杆塔，获取其在第一预设时间段内的关键气象信息；
具体地，风偏故障是输电线路常见的风害类型，杆塔是否发生风偏故障与风偏角有关，为了实现对线路风偏故障进行有效预警，可以首先计算获得目标杆塔的在需要预警的时间段内的风偏角；但是由于需要预警的时间段为未来时间段，其气象信息还是未知的，因此可以根据此目标杆塔在历史时间段的气象信息对未来气象信息进行预测。
因此，本实施例中，可以首先获取第一预设时间段内的关键气象信息，可以理解的是，第一预设时间段的关键气象信息用于预测需要预警的第二预设时间段的关键气象信息。
可以理解的是，本实施例中，计算风偏角所用到的气象信息都是对风致故障有较大影响的信息，比如风速，雨量等等。
步骤110，基于所述第一预设时间段内的关键气象信息，预测获得所述目标杆塔在第二预设时间段内关键气象信息；
具体地，在获取第一预设时间段的关键气象信息后，可以基于第一预设时间段内的关键气象信息，预测获得目标杆塔在第二预设时间段内关键气象信息，用于计算目标杆塔在第二预设时间段内的风偏角。
步骤120，基于所述第二预设时间段内关键气象信息，确定所述目标杆塔在所述第二预设时间段内最早发生故障的时刻；
具体地，在预测获得目标杆塔在第二预设时间段内关键气象信息后，可以基于现有的经验公式计算获得目标杆塔在第二预设时间段内每一时刻的风偏角，进而确定目标杆塔在所述第二预设时间段内最早发生故障的时刻。
例如，本实施例中，可以建立2小时、12小时、24小时或48小时联动预警机制，即第二预设时间段可以为2小时、12小时、24小时或48小时，对于线路风偏故障做到提前风险告知和预警，判断分析方法准确率更高，实现简单，可行性强，预测精度高，可为线路运维部门风偏故障判断提供参考。
其中，所述第一预设时间段早于当前时刻，所述第二预设时间段迟于当前时刻。
具体地，可以理解的是，为了保证第一预设时间段内的气象数据已知，可以设置第一预设时间段早于当前时刻，比如，第一预设时间段可以是检测开始时刻至当前时刻，也可以是当前时刻前5小时；本实施例对此不作限定；
可以理解的是，为了实现有效预警，第二预设时间段迟于当前时刻，比如，第二预设时间点可以是未来2小时，或为了24小时，本实施例对此不作限定；
本发明实施例提供的故障检测方法，通过基于待检测的目标杆塔的历史关键气象信息预测其未来的关键气象信息，进而确定其在未来需要预警的时间段内最早发生故障的时刻；对于线路风偏故障实现了提前风险告知和预警，判断分析方法准确率高，实现简单，可行性强，预测精度高。
可选地，在上述各实施例的基础上，所述基于所述第二预设时间段内关键气象信息，获得所述目标杆塔在所述第二预设时间段内最早发生故障的时刻具体包括：
基于所述第二预设时间段内所有时刻对应的关键气象信息，从大到小依次计算所述关键气象信息对应的风偏角，并基于所述风偏角确定对应的时刻是否发生故障；
具体地，对于目标杆塔来说，由于每一时刻的风偏角相比之前时刻都会发生变化，且风偏角越大，目标杆塔发生故障的概率也就越大，因此可以首先获取第二预设时间段内风偏角最大的时刻，判断目标杆塔在这一时刻是否会发生故障，若不发生故障，则可以认为目标杆塔在第二预设时间段内都不会发生故障，若判断确定目标杆塔在第二预设时间段内风偏角最大的时刻会发生故障，则继续判断风偏角次大的时刻是否会发生故障，依次类推，直至找到恰好不发生故障的临界时刻，即找出了第二预设时间段内所有可能发生故障的时刻，从其中找到最早的时刻即离当前时刻最近的时刻，提前进行检修维护。
可以理解的是，由于风偏角的大小与关键气象信息的大小成正比，因此可以从大到小依次计算关键气象信息对应的风偏角，并基于计算获得的风偏角确定对应的时刻是否发生故障；因此可以首先找到第二预设时间段内所有时刻对应的关键气象信息中最大的关键气象信息，计算获得第二预设时间段内最大的风偏角，判断目标杆塔在这一时刻是否会发生故障，若不发生故障，则可以认为目标杆塔在第二预设时间段内都不会发生故障，若判断确定目标杆塔在第二预设时间段内风偏角最大的时刻会发生故障，随后找到次大的关键气象信息，计算获得次大的风偏角，依次类推，直至计算找到恰好不发生故障的临界时刻。
可以理解的是，本实施例中，在选取最大的关键气象信息时，可以根据风速的排序大小来决定，比如以最大风速为最大的关键气象信息，用于计算最大风速对应时刻目标杆塔的风偏角，即为第二预设时刻最大的风偏角，次大的风速为次大的关键气象信息，用于计算次大风速对应时刻目标杆塔的风偏角，即为第二预设时刻次大的风偏角，依次类推；还可以根据在选取关键气象因子时获得的最关键的气象因子的大小排序来决定。
确定所述目标时刻为所述第二预设时间段内最早发生故障的时刻，所述目标时刻为，计算临界时刻的风偏角之前的计算获得的所有风偏角对应的时刻中最早的时刻，所述临界时刻为，基于其对应的风偏角确定所述目标杆塔发生故障，且基于其对应的风偏角的后一个计算获得的风偏角确定所述目标杆塔不发生故障。
具体地，可以在找到恰好不发生故障的临界时刻后，总结在此之前计算获得的第二预设时间段内所有可能发生故障的时刻，从其中找到最早的时刻即离当前时刻最近的时刻，为目标时刻，提前进行检修维护。
可以理解的是，在计算某一时刻的风偏角后判断得到这一时刻目标杆塔不会发生故障，而基于前一个计算获得的风偏角判断得到目标杆塔会发生故障，则可以认为恰好判断不会发生故障的这一时刻为临界时刻，目标杆塔在有效气象信息比临界时刻的有效气象信息小的时刻，不会发生故障，在有效气象信息比临界时刻的有效气象信息大的时刻，会发生故障，而由于在计算风偏角时有效气象信息是从大到小进行计算直至到临界时刻，因此，可以认为目标杆塔在计算临界时刻风偏角之前计算获得的风偏角对应的时刻均可能会发生故障，从其中找出最早的时刻，即为目标时刻。
可选地，在上述各实施例的基础上，所述对于待检测的目标杆塔，获取其在第一预设时间段内的关键气象信息，具体包括：
对于待检测的目标杆塔，获取其在第一预设时间段内的气象数据，所述气象数据包括以下任一类或其组合：微气象检测装置检测的气象数据；数值天气预报的气象数据；小型气象站的风速风向流场数据；
具体地，本实施例中，可以在输电线路上安装在线监测装置对输电线路的微气象等参数进行实时监测，获得微气象检测装置实时监测的气象数据，其中监测的信息涵盖了线路上大量的动态气象数据。
具体地，本实施例中，在获取待检测的目标杆塔的气象数据时，气象数据的来源可以选择微气象检测装置检测的气象数据、数值天气预报的气象数据及小型气象站的风速风向流场数据中的任一类或任两类或全部三类。
比如获取全部来源的气象数据时，可以对三种风速风向流场数据综合分析，评估目标杆塔处的气象条件，得到关键气象信息。
对于每一类气象数据，获取其中关键气象因子对应的关键气象数据；
具体地，可以理解的是，对于每一类气象数据，获取到的气象数据中包含很多种类的数据，比如风速、湿度、雨量、光照程度等等，但真正会对判断目标杆塔是否会发生故障产生影响的只涉及其中几类气象数据，可以称为关键气象因子，因此，可以首先从气象数据中获取关键气象因子对应的关键气象数据。
对于每一类气象数据，基于其中每一个关键气象数据的置信矩阵，获取其中的有效的关键气象数据；
具体地，为剔除无效数据，融合有效数据，提高采集数据的准确性，可以对于每一类气象数据中的关键气象数据，采用相关性-卡尔曼滤波算法对气象数据进行预处理，删除其中的无效数据，获取其中的有效的关键气象数据。
以风速为例，具体预处理方法如下；
a)通过线路上的微气象监测装置数据、数值天气预报和小型气象站，采集同一地区微小时段内的风速数据，得到风速数据集Y(y1，y2，y3，y4，…，yn)。
b)采集同一坐标测点多个连续微小时段的风速数据，第i个微小时段和第j个微小时段测得的数据集分别为Yi和Yj，Yi和Yj都服从高斯分布，以他们每个微小时段的特征函数，记成Pi(y)、Pj(y)，其中，yi，yj分别为Yi和Yj的一次观测值。
为反映两个微小时段之间的偏差大小，引进置信距离测度，可以设置：
式中：
其中dij的值为第i个微小时段与第j个微小时段的置信距离测度，可以借助误差函数erf(θ)直接求得，即：
如果有n个微小时段测量同一个坐标测点的风速数据，置信距离测度dij(i，j＝1，2，3，4，…，n)构成多个微小时段数据的置信距离矩阵。
给出一个融合上限βij，对于dij，令
若rij＝0，则认为第i个微小时段与第j个微小时段相融性差，或称它们相互不支持，如rij＝1，则认为第i个微小时段与第j个微小时段相融性好，称第i个微小时段支持第j个微小时段。若rij＝rji＝1，称第i个微小时段与第j个微小时段互相支持，如果一个微小时段被一组微小时段所支持，这个微小时段的读数是有效的。若一个微小时段不被其他微小时段所支持，或只被少数的微小时段所支持，则这个微小时段的读数是无效的。进行数据融合时，这样的无效数据可以删掉。
对于每一个关键气象因子，将其对应的每一个时刻的有效的关键气象数据进行融合，获得第一预设时间段内的关键气象信息。
具体地，本实施例引入相关性-卡尔曼滤波算法，从关键气象数据中选取有效的关键气象数据，并对于每一个关键因子对应的气象数据，将每一个时刻的多来源的气象数据进行融合，得到最终的关键气象信息，提高气象数据采集的准确性。
具体地，可以设置采集m个微小时段的气象数据，单个微小时段数据Yk(y1，y2，y3，y4，…，yk)。以气象数据为风速为例：对m个微小时段风速数据进行融合，得到该测量点m个时段风速数据集：Yk，m＝Yk，1，Yk，2，……，Yk，M。本实施例在随机噪声和测量噪声中取高斯噪声，其测量噪声协方差分别为Qk,n，Rk,n。用Xk,n|j表示根据j时刻以前时刻的测量值对k时刻状态Xk,n做出的估计，得出n个估计输出，可得到风速数据融合的卡尔曼滤波方程。
首先是估计状态的更新，
为状态转移矩阵；
多次更新之后得到最终的估计数据Xk，n；
Xk，n＝Xk，n|k-1,n+Kk，n∈k，n；
上式中∈k，n为每次状态更新产生的信息，以及增益矩阵Kk，n；Hk，nm为风速测量数据。
∈k，n＝Yk，m-Hk，nmXk，n|k-1,n；
Kk，n＝Pk，n|k-1,nHT k，nm(Hk，nmPk，n|k-1,nHTk，nm+Pk，n)-1；
最终得到估计方差矩阵Pk，n，Pk，n|k-1,n，n为预测方差矩阵。
Pk，n＝(I-Kk，nHk，n)Pk，n|k-1,n；
经过上述卡尔曼滤波方程融合之后得到新的预测融合数据输出：
Xk，n＝(Xk，1，Xk，2，……，Xk，n)；
融合后最终估算方差为：
Pk，n＝(Pk，1，Pk，2，……Pk，n)。
通过上述得到的风速数据融合的卡尔曼滤波方程，即可获得每一个时刻的多来源的气象数据的融合数据，作为用于计算风偏角的关键气象信息。
可选地，在上述各实施例的基础上，对于待检测的目标杆塔，获取其在第一预设时间段内的关键气象信息之后，所述方法还包括：
基于所述第一预设时间段内的关键气象信息，获得所述目标杆塔在当前时刻的风偏角；
基于所述当前时刻的风偏角确定当前时刻是否发生故障。
具体地，本实施例中，在获取第一预设时间段内的关键气象信息后，还可以基于第一预设时间段内的关键气象信息，计算获得目标杆塔在当前时刻的风偏角，并基于当前时刻的风偏角，确定当前时刻是否发生故障。即本实施例可以实现对风偏故障的实时监测。
可以理解的是，本实施例中，在基于第一预设时间段内的关键气象信息对风偏故障进行实时监测时，可以仅基于当前时刻的前五分钟或者前10分钟的关键气象信息，即在气象学上被认为是实时气象的关键气象信息，计算当前时刻的风偏角。
可以理解的是，本实施例中，首先基于机器学习的方法，训练学习样本，分析得到风致输电线路故障的关键因子；然后采集故障关键因子实时数据，计算得到风偏角，与预设阈值对比，判断是否发生实时故障。
可以理解的是，本实施例中获取的关键气象信息还可以用于预测故障关键因子的未来趋势，分析计算未来可能发生风致灾害故障的概率。
可选地，在上述各实施例的基础上，所述对于待检测的目标杆塔，获取其在第一预设时间段内的关键气象信息之前，所述方法还包括：
获取历史故障杆塔样本，及每一故障杆塔样本的气象信息；
在每一轮关键气象因子选取过程中，从所述故障杆塔样本中随机选取K个样本，基于K个样本的气象信息，获取所述气象信息中的关键气象因子；通过最小二乘法对所有关键气象因子选取过程中获取的关键气象因子进行回归分析，获得关键气象因子；
所述气象信息包括风速信息，风向信息，湿度信息，气压信息及地形信息。
具体地，可以理解的是，对于每一类气象数据，获取到的气象数据中包含很多种类的数据，比如风速、风向、湿度、雨量、气压、地形等等，但真正会对判断目标杆塔是否会发生故障产生影响的只涉及其中几类气象数据，可以称为关键气象因子，在获取每一类气象数据中关键气象因子对应的关键气象数据之前，可以首先确定关键气象因子具体包括什么气象数据，比如关键气象因子可以包括仅风速，也可以包括风速信息和地形信息，其中风速为最关键的气象因子，也可以包括风速信息、地形信息及雨量信息等。
具体地，分析线路风致灾害故障的关键因子，是线路风致灾害故障实时判别及预警的基础。风偏故障是输电线路常见的风害类型，可以结合历史风致故障样本数据比如历史5年的风致故障样本数据(包括风速信息，风向信息，湿度信息，气压信息及地形信息等参数)，采用基于K邻近的机器学习方法训练样本，得出风速信息，风向信息，湿度信息，气压信息及地形信息等环境因素中引起风致故障的关键气象因子。
例如，①从历史以来的5年风致故障样本数据中随机选取K个样本，记为样本K1、K2、……、Kn，根据历史经验，选择提取K个样本中风速信息，风向信息，湿度信息，气压信息及地形信息等故障相关参数；
②随机选取1个样本，命名为样本T,提取①中故障相关参数；
③将样本T中参数与K个样本参数进行平均值计算，取计算获得的平均值作为样本T参数。以风速参数为例，样本T的风速，记为VT；K个样本的风速记为VK1,VK2，……，VKn。
分别计算VT与VK1,VK2，……，VKn的差值，记为C1、C2……Cn。
C＝VT-VK；
其中，设置平均距离C/；
则可以设置样本T的风速平均值为VT /；
④采用投票法判断样本T参数的属性,判断参数是否为引起风致故障的关键因子，具体如下，以参数风速为
分别计算VT /与VK2……VKn的差值，记为S1、S2……Sn。
统计S>C/的数量Q1和S≤C/的数量Q2，Q1≤Q2,则判定风速为故障关键因子，反之，风速不是故障关键因子。
⑤反复选取样本K和样本T，进行上述步骤，然后采取最小二乘法进行回归分析，确定关键气象因子。
本实施例中提出了一种基于机器学习的线路风致灾害故障关键气象因子分析方法，只需根据采集到的数据和历史数据库，就可以动态分析出故障关键气象因子，克服传统依赖于专家经验的提取方式，提高故障关键气象因子选择的客观性。
可选地，在上述各实施例的基础上，基于风偏角确定对应的时刻是否发生故障，具体包括：
若所述风偏角大于或等于预设阈值，则确定所述目标杆塔在对应的时刻会发生故障；
若所述风偏角小于预设阈值，则确定所述目标杆塔在对应的时刻不会发生故障。
具体地，本实施例中，目标杆塔的风偏角均有设计阈值，即预设阈值，在计算获得某一时刻的目标杆塔的风偏角大于预设阈值后，则可以认为目标杆塔在这一时刻会发生故障；在计算获得某一时刻的目标杆塔的风偏角小于预设阈值后，则可以认为目标杆塔在这一时刻不会发生故障。
例如，在对目标杆塔进行风偏故障的实时监测时，若获取了当前时刻前五分钟的关键气象信息，并基于这一关键气象信息计算获得目标杆塔实时的风偏角后，若实时的风偏角大于预设阈值，则可以认为目标杆塔在当前时刻会发生故障；若实时的风偏角小于预设阈值，则可以认为目标杆塔在当前时刻不会发生故障。
例如，在对目标杆塔进行风偏故障的预警时，若获取了当前时刻前24小时的关键气象信息，并基于当前时刻前24小时的关键气象信息预测获得未来24小时的关键气象信息，然后基于未来24小时的关键气象信息中最大的关键气象信息计算获得最大的风偏角，若最大的风偏角小于预设阈值，则可以认为目标杆塔在最大风偏角对应时刻不会发生故障，进而确定目标杆塔在未来24小时不会发生故障，若最大的风偏角大于预设阈值，则可以认为目标杆塔在最大的风偏角对应的时刻会发生故障；进一步计算判断次大的关键气象信息计算获得的次大的风偏角是否大于预设阈值，依次类推。
可选地，在上述各实施例的基础上，所述对于待检测的目标杆塔，获取其在第一预设时间段内的关键气象信息之前，所述方法还包括：
基于所有杆塔的设计参数、台账数据、运行数据及地理信息，确定其中的目标杆塔。
具体地，由于输电线路上杆塔数量较多，且并不是所有的杆塔都易出现风致故障，因此可以结合杆塔的设计参数、台账数据、运行数据及地理信息，确定其中的容易发生故障的杆塔作为目标杆塔，进行故障预警或实时监测。
具体地，本实施例中，可以根据杆塔的设计参数、台账数据及运行数据基础数据信息，以及风区图即地理信息，以及历史经验，基于电力系统现有的在线监测和大数据分析系统，梳理出典型的易风偏故障杆塔，构建易风偏故障杆塔库，以便重点关注相关杆塔情况。以下为基础数据支撑的具体说明：
目前电力系统已建立了涵盖特高压输电线路运行管理的业务系统，大量的运行维护数据分布在各个业务支撑系统中，为实施例的实现提供了丰富的基础数据，主要包括以下几个方面：
a)设计参数
设计参数可以包括特高压输电线路概况、设计气象条件、导地线参数、各种比载、最大使用应力和平均运行应力、临界档距和控制气象条件、各种气象条件下各档距的导线应力和弧垂、以及杆塔、导线、避雷线、金具、接地装置、杆塔基础、拉线等明细。
b)台账数据
输电线路可以细化为导地线、绝缘子串、金具、基础、杆塔、接地装置、附属设施、通道环境等部件。针对线路及其部件的设备档案信息包括线路长度、杆塔型号、导线型号、地线型号、绝缘子型号、金具型号、架设方式、导线排列方式、导线分裂根数、地线股数、绝缘子盘径、绝缘子串形、绝缘子总片数、金具数量、安装位置、电压等级、所属工区、资产单位、资产性质、生产厂家、出厂日期、投运日期等。
c)运行数据
线路历史故障跳闸、检修记录及缺陷信息。历史故障跳闸信息包括故障时间、故障类型、故障点、重合闸成功与否、保护动作情况、录波测距情况、故障点地形、采取对策等；检修记录包括检修时间、检修等级、检修内容等；缺陷信息包括缺陷部位、缺陷描述、缺陷分类等。
d)地理信息
空间数据采用二、三维数据结构，即空间位置(即地物在地图中的位置)、相对位置(地物实体间的拓扑关系)及空间属性数据(描述地物的特征)。通过将输电线路遥感影像、电力线路走向图、电力杆塔三维数据等集中展示，有助于深入进行广域的覆冰、风偏等分析及特殊区域管理的研究。
本发明实施例提供的故障检测方法，通过基于待检测的目标杆塔的历史关键气象信息预测其未来的关键气象信息，进而确定其在未来需要预警的时间段内最早发生故障的时刻；对于线路风偏故障实现了提前风险告知和预警，判断分析方法准确率高，实现简单，可行性强，预测精度高。
下面对本发明实施例提供的故障检测装置进行描述，下文描述的故障检测装置与上文描述的故障检测方法可相互对应参照。
图2是本发明一实施例提供的故障检测装置的结构示意图，如图2所示，所述装置包括：获取模块210，预测模块220，确定模块230；其中：
获取模块210用于对于待检测的目标杆塔，获取其在第一预设时间段内的关键气象信息；
预测模块220用于基于所述第一预设时间段内的关键气象信息，预测获得所述目标杆塔在第二预设时间段内关键气象信息；
确定模块230用于基于所述第二预设时间段内关键气象信息，确定所述目标杆塔在所述第二预设时间段内最早发生故障的时刻；
其中，所述第一预设时间段早于当前时刻，所述第二预设时间段迟于当前时刻。
具体地，故障检测装置通过获取模块210获取待检测杆塔在第一预设时间段内的关键气象信息；再通过预测模块220基于第一预设时间段内的关键气象信息，预测获得所述目标杆塔在第二预设时间段内关键气象信息；最后通过确定模块230基于第二预设时间段内关键气象信息，确定所述目标杆塔在所述第二预设时间段内最早发生故障的时刻。
本发明实施例提供的故障检测装置，通过基于待检测的目标杆塔的历史关键气象信息预测其未来的关键气象信息，进而确定其在未来需要预警的时间段内最早发生故障的时刻；对于线路风偏故障实现了提前风险告知和预警，判断分析方法准确率高，实现简单，可行性强，预测精度高。
图3是本发明一实施例提供的电子设备的结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行故障检测方法，该方法包括：
对于待检测的目标杆塔，获取其在第一预设时间段内的关键气象信息；
基于所述第一预设时间段内的关键气象信息，预测获得所述目标杆塔在第二预设时间段内关键气象信息；
基于所述第二预设时间段内关键气象信息，确定所述目标杆塔在所述第二预设时间段内最早发生故障的时刻；
其中，所述第一预设时间段早于当前时刻，所述第二预设时间段迟于当前时刻。
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的故障检测方法，该方法包括：
对于待检测的目标杆塔，获取其在第一预设时间段内的关键气象信息；
基于所述第一预设时间段内的关键气象信息，预测获得所述目标杆塔在第二预设时间段内关键气象信息；
基于所述第二预设时间段内关键气象信息，确定所述目标杆塔在所述第二预设时间段内最早发生故障的时刻；
其中，所述第一预设时间段早于当前时刻，所述第二预设时间段迟于当前时刻。
又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的故障检测方法，该方法包括：
对于待检测的目标杆塔，获取其在第一预设时间段内的关键气象信息；
基于所述第一预设时间段内的关键气象信息，预测获得所述目标杆塔在第二预设时间段内关键气象信息；
基于所述第二预设时间段内关键气象信息，确定所述目标杆塔在所述第二预设时间段内最早发生故障的时刻；
其中，所述第一预设时间段早于当前时刻，所述第二预设时间段迟于当前时刻。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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，当然也可以通过硬件。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。
最后应说明的是：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 (10)
1.一种故障检测方法，其特征在于，包括：
对于待检测的目标杆塔，获取其在第一预设时间段内的关键气象信息；
基于所述第一预设时间段内的关键气象信息，预测获得所述目标杆塔在第二预设时间段内关键气象信息；
基于所述第二预设时间段内关键气象信息，确定所述目标杆塔在所述第二预设时间段内最早发生故障的时刻；
其中，所述第一预设时间段早于当前时刻，所述第二预设时间段迟于当前时刻。
2.根据权利要求1所述的故障检测方法，其特征在于，所述基于所述第二预设时间段内关键气象信息，获得所述目标杆塔在所述第二预设时间段内最早发生故障的时刻具体包括：
基于所述第二预设时间段内所有时刻对应的关键气象信息，从大到小依次计算所述关键气象信息对应的风偏角，并基于所述风偏角确定对应的时刻是否发生故障；
确定所述目标时刻为所述第二预设时间段内最早发生故障的时刻，所述目标时刻为，计算临界时刻的风偏角之前的计算获得的所有风偏角对应的时刻中最早的时刻，所述临界时刻为，基于其对应的风偏角确定所述目标杆塔发生故障，且基于其对应的风偏角的后一个计算获得的风偏角确定所述目标杆塔不发生故障。
3.根据权利要求2所述的故障检测方法，其特征在于，所述对于待检测的目标杆塔，获取其在第一预设时间段内的关键气象信息，具体包括：
对于待检测的目标杆塔，获取其在第一预设时间段内的气象数据，所述气象数据包括以下任一类或其组合：微气象检测装置检测的气象数据；数值天气预报的气象数据；小型气象站的风速风向流场数据；
对于每一类气象数据，获取其中关键气象因子对应的关键气象数据；
对于每一类气象数据，基于其中每一个关键气象数据的置信矩阵，获取其中的有效的关键气象数据；
对于每一个关键气象因子，将其对应的每一个时刻的有效的关键气象数据进行融合，获得第一预设时间段内的关键气象信息。
4.根据权利要求1所述的故障检测方法，其特征在于，对于待检测的目标杆塔，获取其在第一预设时间段内的关键气象信息之后，所述方法还包括：
基于所述第一预设时间段内的关键气象信息，获得所述目标杆塔在当前时刻的风偏角；
基于所述当前时刻的风偏角确定当前时刻是否发生故障。
5.根据权利要求1至4任一所述的故障检测方法，其特征在于，所述对于待检测的目标杆塔，获取其在第一预设时间段内的关键气象信息之前，所述方法还包括：
获取历史故障杆塔样本，及每一故障杆塔样本的气象信息；
在每一轮关键气象因子选取过程中，从所述故障杆塔样本中随机选取K个样本，基于K个样本的气象信息，获取所述气象信息中的关键气象因子；
通过最小二乘法对所有关键气象因子选取过程中获取的关键气象因子进行回归分析，获得关键气象因子；
所述气象信息包括风速信息，风向信息，湿度信息，气压信息及地形信息。
6.根据权利要求1至4任一所述的故障检测方法，其特征在于，基于风偏角确定对应的时刻是否发生故障，具体包括：
若所述风偏角大于或等于预设阈值，则确定所述目标杆塔在对应的时刻会发生故障；
若所述风偏角小于预设阈值，则确定所述目标杆塔在对应的时刻不会发生故障。
7.根据权利要求1至4任一所述的故障检测方法，其特征在于，所述对于待检测的目标杆塔，获取其在第一预设时间段内的关键气象信息之前，所述方法还包括：
基于所有杆塔的设计参数、台账数据、运行数据及地理信息，确定其中的目标杆塔。
8.一种故障检测装置，其特征在于，包括：
获取模块，用于对于待检测的目标杆塔，获取其在第一预设时间段内的关键气象信息；
预测模块，用于基于所述第一预设时间段内的关键气象信息，预测获得所述目标杆塔在第二预设时间段内关键气象信息；
确定模块，用于基于所述第二预设时间段内关键气象信息，确定所述目标杆塔在所述第二预设时间段内最早发生故障的时刻；
其中，所述第一预设时间段早于当前时刻，所述第二预设时间段迟于当前时刻。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述故障检测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述故障检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010825299.XA CN112016739B (zh) | 2020-08-17 | 2020-08-17 | 故障检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010825299.XA CN112016739B (zh) | 2020-08-17 | 2020-08-17 | 故障检测方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112016739A true CN112016739A (zh) | 2020-12-01 |
| CN112016739B CN112016739B (zh) | 2024-02-20 |
Family
ID=73504757
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010825299.XA Active CN112016739B (zh) | 2020-08-17 | 2020-08-17 | 故障检测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112016739B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112509292A (zh) * | 2020-12-15 | 2021-03-16 | 北京元心科技有限公司 | 故障预测方法、装置、电子设备及计算机可读存储介质 |
| CN117074869A (zh) * | 2023-10-16 | 2023-11-17 | 盛隆电气集团有限公司 | 一种配电线故障定位方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040064255A1 (en) * | 2002-09-27 | 2004-04-01 | Hitachi, Ltd. | Method and system for estimating meteorological quantities |
| CN203933159U (zh) * | 2014-06-12 | 2014-11-05 | 广西电网公司北海供电局 | 配电线路绝缘子及导线风偏监测装置 |
| JP2016115008A (ja) * | 2014-12-11 | 2016-06-23 | 日本電信電話株式会社 | 故障予測装置、故障予測方法及び故障予測プログラム |
| JP2018037078A (ja) * | 2016-08-26 | 2018-03-08 | 伊達 博 | 障害検出機能付き発電モニタリングシステム |
| CN108320052A (zh) * | 2018-01-19 | 2018-07-24 | 北京国网富达科技发展有限责任公司 | 气象灾害下的输电线路状态预测方法及装置 |
| CN108961094A (zh) * | 2018-02-28 | 2018-12-07 | 武汉大学 | 基于输电线路最小空气间隙在线量测的风偏故障预警方法 |
| CN109559036A (zh) * | 2018-11-28 | 2019-04-02 | 国网山东省电力公司泰安供电公司 | 故障风险分析方法、装置及电子设备 |
| CN111404989A (zh) * | 2020-02-13 | 2020-07-10 | 马瑞 | 一种基于物联网的配电电缆智慧监测预警及抢修引导系统 |
| CN111860943A (zh) * | 2020-06-08 | 2020-10-30 | 清华大学 | 基于数值气象数据与机器学习的电网故障预测方法及系统 |
-
2020
- 2020-08-17 CN CN202010825299.XA patent/CN112016739B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040064255A1 (en) * | 2002-09-27 | 2004-04-01 | Hitachi, Ltd. | Method and system for estimating meteorological quantities |
| CN203933159U (zh) * | 2014-06-12 | 2014-11-05 | 广西电网公司北海供电局 | 配电线路绝缘子及导线风偏监测装置 |
| JP2016115008A (ja) * | 2014-12-11 | 2016-06-23 | 日本電信電話株式会社 | 故障予測装置、故障予測方法及び故障予測プログラム |
| JP2018037078A (ja) * | 2016-08-26 | 2018-03-08 | 伊達 博 | 障害検出機能付き発電モニタリングシステム |
| CN108320052A (zh) * | 2018-01-19 | 2018-07-24 | 北京国网富达科技发展有限责任公司 | 气象灾害下的输电线路状态预测方法及装置 |
| CN108961094A (zh) * | 2018-02-28 | 2018-12-07 | 武汉大学 | 基于输电线路最小空气间隙在线量测的风偏故障预警方法 |
| CN109559036A (zh) * | 2018-11-28 | 2019-04-02 | 国网山东省电力公司泰安供电公司 | 故障风险分析方法、装置及电子设备 |
| CN111404989A (zh) * | 2020-02-13 | 2020-07-10 | 马瑞 | 一种基于物联网的配电电缆智慧监测预警及抢修引导系统 |
| CN111860943A (zh) * | 2020-06-08 | 2020-10-30 | 清华大学 | 基于数值气象数据与机器学习的电网故障预测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 严英杰: "基于大数据分析技术的输变电设备状态评估方法研究", 中国博士学位论文电子期刊 工程科技Ⅱ辑, no. 01 * |
| 叶剑华，林济铿，胡世骏，刘辉，袁启海，于建成: "计及气象因素的电网静态安全评估框架及模型", 电力系统及其自动化学报, vol. 26, no. 8 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112509292A (zh) * | 2020-12-15 | 2021-03-16 | 北京元心科技有限公司 | 故障预测方法、装置、电子设备及计算机可读存储介质 |
| CN112509292B (zh) * | 2020-12-15 | 2022-04-29 | 北京元心科技有限公司 | 故障预测方法、装置、电子设备及计算机可读存储介质 |
| CN117074869A (zh) * | 2023-10-16 | 2023-11-17 | 盛隆电气集团有限公司 | 一种配电线故障定位方法及系统 |
| CN117074869B (zh) * | 2023-10-16 | 2023-12-19 | 盛隆电气集团有限公司 | 一种配电线故障定位方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112016739B (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN203798381U (zh) | 一种输电设备在线监测系统 | |
| CN113162232B (zh) | 一种输电线路设备风险评估与防御决策系统及方法 | |
| US10809885B2 (en) | Identifying and presenting related electrical power distribution system events | |
| CN109828182A (zh) | 一种基于故障分类处理的电网系统故障分析预警方法 | |
| CN104200288A (zh) | 一种基于因素与事件间相关关系识别的设备故障预测方法 | |
| US11416119B2 (en) | Locating a power line event downstream from a power line branch point | |
| CN110008278B (zh) | 一种利用接地电流信号的配网电缆故障判别方法和系统 | |
| CN110533331A (zh) | 一种基于输电线路数据挖掘的故障预警方法和系统 | |
| CN109657966A (zh) | 基于模糊测度评价的输电线路风险复合评估方法 | |
| CN112016739A (zh) | 故障检测方法、装置、电子设备及存储介质 | |
| US20210072303A1 (en) | Power distribution fault location estimation using transient analysis | |
| EP3414729A1 (en) | Method and system for prediction of a state of an asset | |
| US10852341B2 (en) | Composite fault mapping | |
| US10837995B2 (en) | Composite fault mapping | |
| CN117132025A (zh) | 一种基于多源数据融合的用电监测预警系统 | |
| CN105958474B (zh) | 一种电网调控系统用输电线路动态增容方法和系统 | |
| JP2003090887A (ja) | 落雷による瞬時電圧低下予測システムおよび予測方法 | |
| CN113344735B (zh) | 电网设备的防灾减灾监测预警系统 | |
| CN111027827A (zh) | 保底通信网运行风险分析的方法、装置及计算机设备 | |
| CN116050599A (zh) | 一种线路覆冰故障预测方法、系统、存储介质及设备 | |
| CN115664006A (zh) | 一种增量配电网智能管控一体化平台 | |
| CN114358165A (zh) | 基于多源数据融合的预防光伏组件接地故障的检测方法 | |
| CN115224684A (zh) | 基于免疫危险理论的智能配电网风险状态辨识方法及系统 | |
| CN113298270A (zh) | 一种用于输电线路的移动监测系统及方法 | |
| CN117458722B (zh) | 基于电力能源管理系统的数据监控方法及系统 |
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 |