CN112269821A - 一种基于大数据的电力设备状态分析方法 - Google Patents
一种基于大数据的电力设备状态分析方法 Download PDFInfo
- Publication number
- CN112269821A CN112269821A CN202011186809.XA CN202011186809A CN112269821A CN 112269821 A CN112269821 A CN 112269821A CN 202011186809 A CN202011186809 A CN 202011186809A CN 112269821 A CN112269821 A CN 112269821A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- data
- power equipment
- machine learning
- state
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 59
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 141
- 238000010801 machine learning Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims abstract description 4
- 230000007547 defect Effects 0.000 claims description 29
- 238000012423 maintenance Methods 0.000 claims description 27
- 238000007726 management method Methods 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 20
- 238000005065 mining Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 238000007635 classification algorithm Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000012550 audit Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000011161 development Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012098 association analyses Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241001263038 Viguiera Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- 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
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Fuzzy Systems (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种基于大数据的电力设备状态分析方法,涉及电力设备状态分析技术领域。该方法首先对机器学习库中的模型进行训练得到电力设备运行状态分析模型,然后定时采集电力设备实验数据导入到电力数据仓库中,定时将数据集中的相关数据导入机器学习算法库进行运算并输出设备状态值。并将处于异常状态的设备上传至云端对台账记录中变电设备的基本属性信息和相关位置信息数据进行提取,并在云端进行预警。同时,通过不断地对训练集进行补充,实现对电力设备运行状态分析模型的更新,提高相模型的精确度。本发明利用大数据相关技术对电力设备的日常运行数据进行采集并结合相关模型给出设备运行状态的预测值,可以给相关技术人员提供参考。
Description
技术领域
本发明涉及电力设备状态分析技术领域,尤其涉及一种基于大数据的电力设备状态分析方法。
背景技术
随着社会的进步、经济的发展,用电需求不断增大,电网的发展和电网的规模得到了巨大的增长,电力设备的种类和功能不断增加,这对精确掌握电力设备的运行状态产生了巨大的困难。电力设备的运行中,因各种原因,常常会导致很多安全事故或者出现很多安全隐患,影响电力设备的安全运行,也不利于供电的顺利进行。对电力设备状态进行分析,可以捕捉设备早期故障的先兆信息,追溯故障发展过程,预测故障发生的概率,保障电力设备运行安全。
针对上述问题,传统的解决方法包括基于标准原则和打分制的评估方法、基于有限设备故障诊断专家系统等。近年来,电力数据状态具备典型的大数据特征,主要体现在数据来源多、数据体量大增长快、数据类型异构多样、数据关联复杂,传统的数据处理和分析技术无法满足要求,而大数据技术为电力设备状态分析提供了一种新的技术解决方案。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,提供一种基于大数据的电力设备状态分析方法,实现对电力设备状态进行及时准确地分析。
为解决上述技术问题,本发明所采取的技术方案是:一种基于大数据的电力设备状态分析方法,包括以下步骤:
步骤1:获取各个电力设备的日常运行数据,并基于这些数据建立电力数据仓库;将电力数据仓库中确定的处于异常状态的电力设备相关数据归为训练集;
步骤2:将电力数据仓库中的训练集数据导入到机器学习算法库中作为计算数据集,对机器学习库中的多种分析挖掘算法进行初始化,并将多种分析挖掘算法融合得到电力设备运行状态分析模型;
所述机器学习算法库具有算法管理功能,能够进行执行调度、权限管理、参数配置、模型构建、模型发布和模型审核,包括基础算法和应用级算法两类,同时提供算法管理模块,用于算法提交、审核、发布、使用以及更新;所述机器学习算法库提供的算法支持MapReduce分布式数据计算;同时,支持增量式数据计算;
步骤3:定时对电力设备进行设备带电检测试验,对试验结果以及其他电力设备状态相关数据进行采集并记录,通过ETL工具导入电力数据仓库;
步骤4:定时启动机器学习算法库,查询电力数据仓库中训练集的大小,若训练集增量大于设定阈值则重新执行步骤1,否则执行步骤5;
步骤5:将电力数据仓库中新增加的试验数据导入机器学习算法库,并通过电力设备运行状态分析模型进行计算,输出电力设备的状态值;
步骤6:将输出的电力设备状态值与设定的状态阈值进行比较,判断相关电力设备的运行状态,若电力设备状态值大于状态阈值,则判定电力设备运行正常,重新执行步骤2,否则判定电力设备运行异常,执行步骤7;
步骤7:将运行异常的电力设备的台账记录上传至云端,对台账记录中变电设备的基本属性信息和相关位置信息数据进行提取,并在云端进行设备运行异常的预警,然后返回步骤2。
优选地,所述机器学习算法库使用Maven仓库管理器Nexus进行算法管理。
优选地,所述电力设备状态相关数据包括设备台账、技术参数、巡检和试验数据、在线监测数据、电网运行数据、故障和缺陷记录以及电力设备所在地区的气象信息。
优选地,所述算法提交是指算法开发者通过算法管理模块提交算法,并填写算法相关信息;
所述算法审核是指审核人员自动对提交的算法进行命名校验、版本检查以及算法可行性测试;
所述算法发布是指算法审核通过后,运维管理人员通过算法管理模块将算法发布到机器学习算法库;
所述算法使用是指通过算法管理模块进行算法浏览、算法库依赖检查及算法下载使用。
优选地,所述机器学习算法库中的分析挖掘算法为基础算法,具体包括关联分析、分类算法、聚类算法和时序挖掘。
优选地,所述机器学习算法库中建立电力设备运行状态分析模型实现电力设备的缺陷、消缺分析和检修决策;所述缺陷、消缺分析是根据电力数据仓库中电力设备历史缺陷的相关数据,对缺陷的分布和主题进行分析,同时构建相关缺陷图谱,对缺陷进行相关性分析、缺陷对应分析和缺陷趋势分析;所述检修决策提供电力设备检修指导,根据电力设备运行状态分析模型的分析结果,对电力设备的检修分布、检修耗时、检修策略给出建议,同时对检修业务的影响、检修工作量进行预测。
优选地,所述机器学习算法库中算法的评估包括离线评估和在线评估两种方式。
采用上述技术方案所产生的有益效果在于:本发明提供的一种基于大数据的电力设备状态分析方法,利用大数据技术采集电力设备日常运行数据建立电力数据仓库,并结合相关机器学习算法库建立电力设备运行状态分析模型对电力设备的运行状态给出预测,给检修班、继电保护班等相关部门提供参考。同时,建立的电力设备运行状态分析模型具有自动更新功能,每次进行试验数据采集时也对模型的训练集进行补充,超过阈值后则对该模型进行训练更新,进一步地提高了电力设备运行状态预测的准确性。对电力数据仓库中的数据进行了功能划分,分成了训练集和正常数据集,能够实现电力设备运行状态分析模型的增量更新,不断提高模型预测的准确度。同时,定时启动机器学习算法库一定程度上减少了资源的利用,同时也能够及时对电力设备的运行状态进行分析。当发现处于异常状态的电力设备时,一方面将电力设备的台账记录上传至云端进行处理,并云端进行预警,提醒相关人员进行处理;同时将其状态相关数据导入电力数据仓库中的训练集以便对电力设备运行状态分析模型进行更新,提高了数据的利用率。
附图说明
图1为本发明实施例提供的一种基于大数据的电力设备状态分析方法的流程图;
图2为本发明实施例提供的机器学习算法库的架构图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本实施例中,一种基于大数据的电力设备状态分析方法,如图1所示,包括以下步骤:
步骤1:获取各个电力设备的日常运行数据,并基于这些数据建立电力数据仓库;将电力数据仓库中确定的处于异常状态的电力设备相关数据归为训练集;
本实施例中通过大数据相关技术获取某区域电网中各个电力设备的日常运行数据,利用ETL等工具建立电力数据仓库。将电力数据仓库中的数据分为训练集和正常数据集,具体方式为将确定的处于不正常状态的电力设备的相关数据归为训练集,其他的数据则归为正常数据集。相关试验数据涵盖能够直接和间接反映电力设备状态的信息。并根据数据量设定训练集增量阈值,本实施例中,训练集的增量阈值设置为2000。
步骤2:将电力数据仓库中的训练集数据导入到机器学习算法库中作为计算数据集,对机器学习库中的多种分析挖掘算法进行初始化,并将多种分析挖掘算法融合得到电力设备运行状态分析模型;
所述机器学习算法库如图2所示具有算法管理功能,能够进行执行调度、权限管理、参数配置、模型构建、模型发布和模型审核,包括基础算法和应用级算法两类,同时提供算法管理模块,用于算法提交、审核、发布、使用以及更新;所述机器学习算法库提供的算法支持MapReduce分布式数据计算,利用大数据平台优势提高算法执行效率;同时,支持增量式数据计算,算法运算时,可以不断增加计算数据集;
在本实施例中,机器学习算法库依托GoldenEye MLAL国信云服机器学习算法库对相关算法进行更新和管理。算法管理模块通过以下流程来管理算法,包括:
(1)算法提交:算法开发者通过算法管理模块提交算法,并需要填写算法名称、功能介绍、使用说明、版本信息等。
(2)算法审核:算法审核人员使用算法管理模块自动对算法进行命名校验、版本检查等。
(3)算法发布:算法审核通过后,运维管理人员通过算法管理模块将算法发布到机器学习算法库进行管理。
(4)算法使用:通过算法管理模块可以进行算法浏览、算法库依赖检查及算法下载使用等。
本实施例中,机器学习算法库使用Maven仓库管理器Nexus进行管理算法,充分利用Nexus具有的优点:一方面在管理本地算法的同时还可以代理远程仓库,提供完整的jar包管理,以节省带宽和时间;同时还提供了强大的仓库管理和搜索功能等等。
本实施例中,机器学习算法库中的分析挖掘算法为基础算法,具体包括关联分析、分类算法、聚类算法、时序挖掘。
1、关联规则的任务在于减少潜在的大量杂乱无章的数据,使之成为少量的易于观察理解的静态资料。机器学习算法库提供的关联分析算法能够从大量数据中挖掘出有价值的数据项之间的相关关系,能够减少潜在的大量杂乱无章的数据,使之成为少量的易于观察理解的静态资料。本实施例中使用的关联规则是Apriori算法。
2、分类算法用于提取描述重要数据类的模型,按照某种标准给对象贴标签(Label),再根据标签来区分归类。本实施例中,机器学习算法库中提供了贝叶斯算法、决策森林算法这两种分类算法。
3、聚类算法是一种广泛使用的分类方法,本实施例中,机器学习算法库中提供了K-Means、层次聚类、模糊聚类这三种聚类方法支持聚类。
4、时序挖掘就是对与时间有关的数据进行分析并从中获得相关的信息,这些信息对预测趋势和决策行为非常有帮助的。本实施例中,机器学习算法库提供了Lossy Count,霍夫丁树和CluStream等时序挖掘算法。
本实施例中,机器学习算法库中建立电力设备运行状态分析模型实现电力设备的缺陷、消缺分析和检修决策;缺陷、消缺分析是根据电力数据仓库中电力设备历史缺陷的相关数据,对缺陷的分布和主题进行分析,同时构建相关缺陷图谱,对缺陷进行相关性分析、缺陷对应分析和缺陷趋势分析;所述检修决策提供电力设备检修指导,根据电力设备运行状态分析模型的分析结果,对电力设备的检修分布、检修耗时、检修策略给出建议,同时对检修业务的影响、检修工作量进行预测。
本实施例中,机器学习算法库的算法评估方式包括离线评估和在线评估两种方式。利用测试数据集进行离线评估,主要指标为准去率、召回率、F值、转化率和流失率。将电力设备运行状态分析模型实际应用之后可进行在线评估,具有随即分流、A/B测试的功能。
步骤3:定时对电力设备进行设备带电检测试验,对试验结果以及其他电力设备状态相关数据进行采集并记录,通过ETL工具导入电力数据仓库;
步骤4:定时启动机器学习算法库,查询电力数据仓库中训练集的大小,若训练集增量大于设定阈值则重新执行步骤1,否则执行步骤5;
步骤5:将电力数据仓库中新增加的试验数据导入机器学习算法库,并通过电力设备运行状态分析模型进行计算,输出电力设备的状态值;
步骤6:将输出的电力设备状态值与设定的状态阈值进行比较,判断相关电力设备的运行状态,若电力设备状态值大于状态阈值,则判定电力设备运行正常,重新执行步骤2,否则判定电力设备运行异常,执行步骤7;
步骤7:将运行异常的电力设备的台账记录上传至云端,对台账记录中变电设备的基本属性信息和相关位置信息数据进行提取,并在云端进行设备运行异常的预警,然后返回步骤2。
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:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部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权利要求所限定的范围。
Claims (7)
1.一种基于大数据的电力设备状态分析方法,其特征在于:包括以下步骤:
步骤1:获取各个电力设备的日常运行数据,并基于这些数据建立电力数据仓库;将电力数据仓库中确定的处于异常状态的电力设备相关数据归为训练集;
步骤2:将电力数据仓库中的训练集数据导入到机器学习算法库中作为计算数据集,对机器学习库中的多种分析挖掘算法进行初始化,并将多种分析挖掘算法融合得到电力设备运行状态分析模型;
所述机器学习算法库具有算法管理功能,能够进行执行调度、权限管理、参数配置、模型构建、模型发布和模型审核,包括基础算法和应用级算法两类,同时提供算法管理模块,用于算法提交、审核、发布、使用以及更新;所述机器学习算法库提供的算法支持MapReduce分布式数据计算;同时,支持增量式数据计算;
步骤3:定时对电力设备进行设备带电检测试验,对试验结果以及其他电力设备状态相关数据进行采集并记录,通过ETL工具导入电力数据仓库;
步骤4:定时启动机器学习算法库,查询电力数据仓库中训练集的大小,若训练集增量大于设定阈值则重新执行步骤1,否则执行步骤5;
步骤5:将电力数据仓库中新增加的试验数据导入机器学习算法库,并通过电力设备运行状态分析模型进行计算,输出电力设备的状态值;
步骤6:将输出的电力设备状态值与设定的状态阈值进行比较,判断相关电力设备的运行状态,若电力设备状态值大于状态阈值,则判定电力设备运行正常,重新执行步骤2,否则判定电力设备运行异常,执行步骤7;
步骤7:将运行异常的电力设备的台账记录上传至云端,对台账记录中变电设备的基本属性信息和相关位置信息数据进行提取,并在云端进行设备运行异常的预警,然后返回步骤2。
2.根据权利要求1所述的一种基于大数据的电力设备状态分析方法,其特征在于:所述机器学习算法库使用Maven仓库管理器Nexus进行算法管理。
3.根据权利要求1所述的一种基于大数据的电力设备状态分析方法,其特征在于:所述电力设备状态相关数据包括设备台账、技术参数、巡检和试验数据、在线监测数据、电网运行数据、故障和缺陷记录以及电力设备所在地区的气象信息。
4.根据权利要求1所述的一种基于大数据的电力设备状态分析方法,其特征在于:所述算法管理模块的算法提交是指算法开发者通过算法管理模块提交算法,并填写算法相关信息;
算法审核是指审核人员自动对提交的算法进行命名校验、版本检查以及算法可行性测试;
算法发布是指算法审核通过后,运维管理人员通过算法管理模块将算法发布到机器学习算法库;
算法使用是指通过算法管理模块进行算法浏览、算法库依赖检查及算法下载使用。
5.根据权利要求1所述的一种基于大数据的电力设备状态分析方法,其特征在于:所述机器学习算法库中的分析挖掘算法为基础算法,具体包括关联分析、分类算法、聚类算法和时序挖掘。
6.根据权利要求1所述的一种基于大数据的电力设备状态分析方法,其特征在于:所述机器学习算法库中建立电力设备运行状态分析模型实现电力设备的缺陷、消缺分析和检修决策;所述缺陷、消缺分析是根据电力数据仓库中电力设备历史缺陷的相关数据,对缺陷的分布和主题进行分析,同时构建相关缺陷图谱,对缺陷进行相关性分析、缺陷对应分析和缺陷趋势分析;所述检修决策提供电力设备检修指导,根据电力设备运行状态分析模型的分析结果,对电力设备的检修分布、检修耗时、检修策略给出建议,同时对检修业务的影响、检修工作量进行预测。
7.根据权利要求1所述的一种基于大数据的电力设备状态分析方法,其特征在于:所述机器学习算法库中算法的评估包括离线评估和在线评估两种方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011186809.XA CN112269821A (zh) | 2020-10-30 | 2020-10-30 | 一种基于大数据的电力设备状态分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011186809.XA CN112269821A (zh) | 2020-10-30 | 2020-10-30 | 一种基于大数据的电力设备状态分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112269821A true CN112269821A (zh) | 2021-01-26 |
Family
ID=74345428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011186809.XA Pending CN112269821A (zh) | 2020-10-30 | 2020-10-30 | 一种基于大数据的电力设备状态分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112269821A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107968840A (zh) * | 2017-12-15 | 2018-04-27 | 华北电力大学(保定) | 一种大规模电力设备监测报警数据实时处理方法及系统 |
CN108460144A (zh) * | 2018-03-14 | 2018-08-28 | 西安华光信息技术有限责任公司 | 一种基于机器学习的煤炭设备故障预警系统及方法 |
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 |
CN110347717A (zh) * | 2019-05-28 | 2019-10-18 | 国家电网有限公司 | 一种基于城市电力设备监测的大数据存储方法 |
CN110659173A (zh) * | 2018-06-28 | 2020-01-07 | 中兴通讯股份有限公司 | 一种运维系统及方法 |
CN110991799A (zh) * | 2019-10-30 | 2020-04-10 | 广西电网有限责任公司电力科学研究院 | 一种配电网生产综合预警方法 |
CN111027615A (zh) * | 2019-12-05 | 2020-04-17 | 江苏方天电力技术有限公司 | 基于机器学习的中间件故障预警方法和系统 |
CN111259947A (zh) * | 2020-01-13 | 2020-06-09 | 国网浙江省电力有限公司信息通信分公司 | 一种基于多模态学习的电力系统故障预警方法和系统 |
CN111709597A (zh) * | 2020-04-24 | 2020-09-25 | 广东卓维网络有限公司 | 一种电网生产域运营监测系统 |
-
2020
- 2020-10-30 CN CN202011186809.XA patent/CN112269821A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107968840A (zh) * | 2017-12-15 | 2018-04-27 | 华北电力大学(保定) | 一种大规模电力设备监测报警数据实时处理方法及系统 |
CN108460144A (zh) * | 2018-03-14 | 2018-08-28 | 西安华光信息技术有限责任公司 | 一种基于机器学习的煤炭设备故障预警系统及方法 |
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 |
CN110659173A (zh) * | 2018-06-28 | 2020-01-07 | 中兴通讯股份有限公司 | 一种运维系统及方法 |
CN110347717A (zh) * | 2019-05-28 | 2019-10-18 | 国家电网有限公司 | 一种基于城市电力设备监测的大数据存储方法 |
CN110991799A (zh) * | 2019-10-30 | 2020-04-10 | 广西电网有限责任公司电力科学研究院 | 一种配电网生产综合预警方法 |
CN111027615A (zh) * | 2019-12-05 | 2020-04-17 | 江苏方天电力技术有限公司 | 基于机器学习的中间件故障预警方法和系统 |
CN111259947A (zh) * | 2020-01-13 | 2020-06-09 | 国网浙江省电力有限公司信息通信分公司 | 一种基于多模态学习的电力系统故障预警方法和系统 |
CN111709597A (zh) * | 2020-04-24 | 2020-09-25 | 广东卓维网络有限公司 | 一种电网生产域运营监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Literature review and prospect of the development and application of FMEA in manufacturing industry | |
Hsu et al. | Wind turbine fault diagnosis and predictive maintenance through statistical process control and machine learning | |
CN111259947A (zh) | 一种基于多模态学习的电力系统故障预警方法和系统 | |
CN108537394B (zh) | 一种智能电网实时安全预警方法和装置 | |
MX2013000577A (es) | Aprendizaje de maquina para redes electricas. | |
CN114723285B (zh) | 一种电网设备安全性评估预测方法 | |
CN110175324B (zh) | 一种基于数据挖掘的电网运行操作指令校验方法及系统 | |
CN111915026A (zh) | 故障处理方法、装置、电子设备及存储介质 | |
CN117196066A (zh) | 智慧运维信息分析模型 | |
CN112990656A (zh) | 一种it设备监测数据的健康评价系统及健康评价方法 | |
CN114267178A (zh) | 一种车站的智能运营维护方法及装置 | |
CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
CN113627784A (zh) | 一种基于工业互联网的企业资产管理智能决策系统 | |
CN110968703B (zh) | 基于lstm端到端抽取算法的异常计量点知识库构建方法及系统 | |
CN117055502A (zh) | 基于物联网和大数据分析的智能控制系统 | |
CN111666978A (zh) | 一种it系统运维大数据的智能故障预警系统 | |
CN114202304A (zh) | 一种电网故障智能监控处理方法及系统 | |
CN114493238A (zh) | 供电服务风险预测方法、系统、存储介质及计算机设备 | |
Andrade et al. | Data-driven anomaly detection and event log profiling of SCADA alarms | |
CN113065580A (zh) | 一种基于多信息融合的电厂设备管理方法及系统 | |
KR20220089853A (ko) | 머신러닝 기술을 활용한 신재생에너지 발전설비의 고장예지 및 건전성관리 방법 | |
CN115600695B (zh) | 一种计量设备的故障诊断方法 | |
CN113076217B (zh) | 基于国产平台的磁盘故障预测方法 | |
CN112269821A (zh) | 一种基于大数据的电力设备状态分析方法 | |
CN114265891A (zh) | 基于多源数据融合的智慧车间系统、方法及存储介质 |
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: 20210126 |
|
RJ01 | Rejection of invention patent application after publication |