CN112328650A - 一种基于监控信号的设备缺陷评估方法 - Google Patents
一种基于监控信号的设备缺陷评估方法 Download PDFInfo
- Publication number
- CN112328650A CN112328650A CN202011110171.1A CN202011110171A CN112328650A CN 112328650 A CN112328650 A CN 112328650A CN 202011110171 A CN202011110171 A CN 202011110171A CN 112328650 A CN112328650 A CN 112328650A
- Authority
- CN
- China
- Prior art keywords
- defect
- equipment
- monitoring signal
- defects
- monitoring
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 166
- 238000012544 monitoring process Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims description 40
- 238000013210 evaluation model Methods 0.000 claims abstract description 43
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 230000032683 aging Effects 0.000 claims description 5
- 230000015556 catabolic process Effects 0.000 claims description 4
- 238000006731 degradation reaction Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000013021 overheating Methods 0.000 claims description 3
- 238000007789 sealing Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000005299 abrasion Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 4
- 239000003921 oil Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000002045 lasting effect Effects 0.000 description 2
- 239000010687 lubricating oil Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000011218 segmentation Effects 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
- G06F16/24—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
- 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
- G06F16/2477—Temporal data 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
- G06F16/248—Presentation of query results
-
- 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
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种基于监控信号的设备缺陷评估方法，一种基于监控信号的设备缺陷评估方法，包括：S1.提取与设备缺陷相关的监控信号；S2.将各监控信号代入缺陷评估模型进行缺陷评估；S3.由缺陷评估模型输出缺陷可能原因，将评估结果进行可视化展示，并在缺陷程度达到警示程度时向管理端发送缺陷警示消息。本方案能够根据监控信号监控设备的各种缺陷，并给出导致缺陷的各种可能原因，有助于工作人员在设备出现故障之前进行维护、更换相关部件等干预工作，避免缺陷程度进一步加深而出现停机等故障问题，提高设备运行的安全性和可靠性。
Description
技术领域
本发明属于电力监控信号处理技术领域，尤其是涉及一种基于监控信号的设备缺陷评估方法。
背景技术
电网系统在运行的过程中会采集一系列的监控信号，现有技术中，电网系统采用这些监控信号主要用于监控电网运行状态、事故异常处理、电网调度等，没有基于监控信号的事件分析过程和设备缺陷分析过程，无法更深入地运用监控信号，根据监控信号进行设备的缺陷分析和对电网监控事件的自主识别。
为了解决上述的部分问题，人们进行了长期的探索，例如中国专利刚开了一种电网监控告警信息事件化自主识别方法[申请号：CN201910563099.9]，步骤1：收集电网监控告警信息事件化自主识别方法所需的基本数据，包括电网监控告警历史信息及其时标信息，变电站及线路名称的统计信息，事件发生时量测数据，设备台账数据，以及Ⅲ区调度管理系统、视频管理系统、大数据分析系统中的相关数据；
步骤2：从实际业务出发，梳理电网变化相关的特征信息，根据电压等级、事件类型、设备、信号类型多维度构建事件化规则库；
步骤3：综合运用事件特征规则和事件规则对告警信息进行分析判定，形成事件初步分类结果，并将其转化成向量；
步骤4：对步骤1中收集的历史监控告警信息进行数据预处理，包括去停用词和分词，利用Word2vec模型生成包含信号特征的特征向量；与初步分类结果的向量结合构造训练样本集；
步骤5：采用卷积神经网络(TextCNN)分类模型对训练样本集进行训练和参数学习；
步骤6：将任意告警信息及初步分类结果的向量表示输入到训练好的模型中，获得监控事件的自主识别结果。
上述方案提供的方法可以将监控实时告警信息转化为监控事件，实现对电网监控事件的自主识别。改变现有电网监控业务依赖告警信息逐条响应的监视方式，有效减轻监控业务人员的监屏压力，提升日常监视和事故异常处置工作效率，更好的适应当前形势下电网监控业务的要求。
但是上述方案没有关于设备缺陷分析的方法。电站机组的设备性能会随着电站运行时间的增加而降低，现有技术采用的方式为当某个或某些部件发生故障时进行逻辑保护动作，直接停止设备运行，从而避免更大的损失。但是前述通过设备故障监控信息监控设备故障，在设备运行出现故障之后再进行设备维护或关键部件的更换可能已经造成了不可估量的损失。设备性能的下降是循序渐进的，设备某些部件的故障也不是突然出现的，在故障出现之前有一个性能下降的过程，通过监控这个性能的变化趋势能够预测设备的可用性，同时在缺陷达到一定程度的时候及时通知工作人员在设备性能进行进一步恶化而停机之前进行维修更换部件处理。
发明内容
本发明的目的是针对上述问题，提供一种基于监控信号的设备缺陷评估方法。
为达到上述目的，本发明采用了下列技术方案：
一种基于监控信号的设备缺陷评估方法，包括：
S1.提取与设备缺陷相关的监控信号；
S2.将各监控信号代入缺陷评估模型进行缺陷评估；
S3.由缺陷评估模型输出缺陷可能原因，将评估结果进行可视化展示，并在缺陷程度达到警示程度时向管理端发送缺陷警示消息。
在上述的基于监控信号的设备缺陷评估方法中，系统提前对缺陷评估模型进行训练以得到输入为监控信号，输出为相应缺陷评估结果和可能故障原因的经过训练的缺陷评估模型。
在上述的基于监控信号的设备缺陷评估方法中，所述的缺陷评估模型包括限值评判模型、趋势评判模型、累计变化趋势评判模型和多测点评判模型，且通过以下方式训练缺陷评估模型：
A1.获取历史数据中出现设备故障时及之前预设时间段内所有与设备缺陷相关的监控信号；
A2.将历史数据中的监控信号数据、设备缺陷和故障原因作为训练样本训练所述的限值评判模型、趋势评判模型、累计变化趋势评判模型和多测点评判模型。
在上述的基于监控信号的设备缺陷评估方法中，在步骤A1中，历史数据由工作人员选取/输入或系统自行采集。
在上述的基于监控信号的设备缺陷评估方法中，限值评判模型的评估方法包括：
当监控信号数据发生异常时，记录异常的开始时间并发送报警信息，待监控信号数据恢复正常后记录异常的结束时间，并根据相应监控信号数据发生异常的次数及每次持续时长进行缺陷评估。
在上述的基于监控信号的设备缺陷评估方法中，趋势评判模型的评估方法包括：
根据监控信号数据在指定时间段的变化趋势进行缺陷评估。
在上述的基于监控信号的设备缺陷评估方法中，累计变化趋势评判模型的的评估方法包括：
记录监控信号数据的累计涨幅或累计降幅，并在预设时间段内的累计涨幅或累计降幅达到劣化阈值时发出相应监控信号相关的缺陷警示消息。
在上述的基于监控信号的设备缺陷评估方法中，多测点评判模型的评判方法包括：
对多个监控信号数据进行分别解析，根据各部件故障与各缺陷及监控信号的关系进行在相应设备缺陷下缺陷可能原因的预判。
在上述的基于监控信号的设备缺陷评估方法中，所述的设备故障包括设备停机、停堆等；
所述的缺陷可能原因包括相应部件磨损、老化、缺油、漏油、接触不良等；
所述的设备缺陷包括主泵电机止推轴承温度异常缺陷、主泵电机止推轴承温度高缺陷、分离水泵推力轴瓦温度异常缺陷、主泵一级密封后压力比波动缺陷、电力设备内部过热缺陷等。
在上述的基于监控信号的设备缺陷评估方法中，在步骤S1中，所述的监控信号包括温度信号、压力信号、湿度信号、机组无功功率信号、机组有功功率信号中的任意一种或多种的组合。
本发明的优点在于：能够根据监控信号监控设备的各种缺陷，并给出导致缺陷的各种可能原因，有助于工作人员在设备出现故障之前进行维护、更换相关部件等干预处理，避免缺陷程度进一步加深而出现停机等故障问题，提高设备运行的安全性和可靠性。
附图说明
图1是本发明基于监控信号设备缺陷评估方法的方法流程图
图2是本发明基于监控信号设备缺陷评估方法中缺陷评估模型的组成示意图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步详细的说明。
如图1和图2所示，本实施例公开了一种基于监控信号设备的缺陷评估方法，包括：
S1.提取与设备缺陷相关的监控信号；
S2.将各监控信号代入缺陷评估模型进行缺陷评估；
S3.由缺陷评估模型输出缺陷可能原因，将评估结果进行可视化展示，并在缺陷程度达到警示程度时向管理端发送缺陷警示消息。
系统提前通过训练样本对缺陷评估模型进行训练以得到输入为监控信号，输出为相应缺陷评估结果和可能故障原因的经过训练的缺陷评估模型。
具体地，所述的缺陷评估模型包括限值评判模型、趋势评判模型、累计变化趋势评判模型和多测点评判模型，且通过以下方式训练缺陷评估模型：
A1.获取历史数据中出现设备故障时及之前预设时间段内所有与设备缺陷相关的监控信号；
A2.根据监控信号数据、设备缺陷和故障原因训练所述的限值评判模型、趋势评判模型、累计变化趋势评判模型和多测点评判模型。
设备故障包括设备停机、停堆等；缺陷可能原因包括相应部件磨损、老化、缺油、漏油、接触不良等；设备缺陷包括主泵电机止推轴承温度异常缺陷、主泵电机止推轴承温度高缺陷、分离水泵推力轴瓦温度异常缺陷、主泵一级密封后压力比波动缺陷、电力设备内部过热缺陷等。
在步骤S1中，监控信号包括温度信号、压力信号、湿度信号、机组无功功率信号、机组有功功率信号等于设备缺陷相关的监控信号。
并且，在步骤A1中，历史数据由工作人员选取/输入或系统自行采集，通过用户输入/选择的训练样本—故障原因、设备缺陷、监控信号数据进行训练。
进一步地，限值评判模型的评估方法包括：
当监控信号数据发生异常时，记录异常的开始时间并发送报警信息，这里的报警信息为单纯的相应监控信号数据异常的报警信息，与现有技术一样，不同的是，本实施例待监控信号数据恢复正常后再次记录异常的结束时间，并根据相应监控信号数据发生异常的次数及每次持续时长进行缺陷评估。这里可以以评分的方式给出缺陷等级参考，根据历史数据中，监控信号发生异常的次数、持续时长与设备缺陷的关系进行缺陷评估，如主泵电机止推轴承温度40度以下为正常，40度及以上为异常，当用于监测主泵电机止推轴承温度的温度传感器的监控信号数据只有一次高于40度且持续时长小于2分钟，则不对缺陷进行评分。若有多次次监测温度高于40度，且每次持续时长不少于5分钟，或一次持续时长超过30分钟，则评估为主泵电机止推轴承温度异常缺陷，且评分为缺陷程度60，每增加一次或每次持续时长延长，相应的缺陷程度评分均会增加，增加幅度与规则由本领域技术人员事先定义。
当缺陷程度评分达到缺陷阈值时，即缺陷程度达到警示程度，则向管理端发送相应的缺陷警示消息。如前述评分缺陷达到80，则向管理端发送主泵电机止推轴承温度高缺陷当然还可以同时发送评估依据。此外，系统还依据该缺陷输出缺陷可能原因包含电机润滑油老化、推力瓦瓦面有损伤，并呈缓慢发展的趋势。具体缺陷对应的缺陷可能原因由专业人员事先确定并输入系统，这样尤其在出现多个数据异常的时候能够有效提高工作人员的故障判断速度及工作效率。
进一步地，趋势评判模型的评估方法包括：
根据监控信号数据在指定时间段的变化趋势进行缺陷评估。
限值评判模型进行缺陷评估的依据是数据异常次数和每次异常次数的持续时长。但是有些监控信号可能并没有达到异常阈值，总体却呈现一个趋势，这样的趋势通常也表示某些缺陷，故这里还采用趋势评判模型进行评估。如主泵电机止推轴承温度正常情况是一直在30度上下波动，若连续若干天，如5天呈现缓慢上升的趋势，则可以评估为主泵电机止推轴承温度呈升高趋势缺陷，此时视为缺陷程度达到警示程度，向管理端发送相应的缺陷警示消息，此时系统依据该缺陷输出缺陷可能原因包含电机润滑油老化。系统可以根据持续天数和总体变化量给出缺陷程度评分，可以将达到警示程度的基本分设为60，持续天数越长，总体变化量越大，表示缺陷越严重，缺陷程度评分越高，评分增幅与规则由本领域技术人员事先定义。可以同时给出趋势开始到目前，包含缺陷持续天数、总体变化量的数据变化图表。
进一步地，这里可以将连续变化的这个时间段划分为若干时间段，采用分段均值的方式处理监控信号数据。如前述情况，可以将每天划分为4个时段，每6小时一个时段，自5天前的某一时刻到目前同一时刻的16个时段的平均温度依次为29、30、30.5、30.8、31.2、31.8、32、……、35.4、35.7。
进一步地，累计变化趋势评判模型的的评估方法包括：
记录监控信号数据的累计涨幅或累计降幅，并在预设时间段内的累计涨幅或累计降幅达到劣化阈值时发出相应监控信号相关的缺陷警示消息。这里对数据连续预设时间段内的累计涨幅或降幅进行缺陷评估，当累计涨幅或降幅达到劣化阈值时，视为缺陷程度达到警示程度，向管理端发送相应的缺陷警示消息。这里也给出相应的缺陷程度评分，累计涨幅、降幅越大，缺陷程度评分越高，评分增幅与规则由本领域技术人员事先定义。同时，给出在预设时间段内的累计涨幅和降幅数据。
当多个模型对同一缺陷给出评分结果的，可以按高分给出评分，也可以分别给出评分并说明评分所使用的模型。
进一步地，多测点评判模型的评判方法包括：
对多个监控信号数据进行分别解析，根据各部件故障与各缺陷及监控信号的关系进行在相应设备缺陷下缺陷可能原因的预判。如B1、B2两个监控信号数据分别解析出两个缺陷C1、C2，这两个缺陷的可能故障分别有D1、D2、D3三个和D1、E1两个，那么此时的缺陷可能原因预判结果为D1、D2、D 3和E1。
再如B1、B2两个监控信号数据分别解析出两个缺陷C1、C2，这两个缺陷的可能故障分别有D1、D2、D3三个和D1、E1两个，但是故障D2的存在不会出现B2监控信号的情况，那么此时的缺陷可能原因预判结果为D1、D3、E1并排除B2。
电力系统庞杂，可能出现缺陷的地方较多，且不同的缺陷会出现不同监控数据的不同变化情况，这里采用多种评估模型，适用多种实际应用场景，能够对大多数的缺陷进行评估警示，做到提前发现设备隐患，在设备进一步发生恶化之前进行干预，确保机组在使用寿面前的安全可靠运行。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.一种基于监控信号的设备缺陷评估方法，其特征在于，包括：
S1.提取与设备缺陷相关的监控信号；
S2.将各监控信号代入缺陷评估模型进行缺陷评估；
S3.由缺陷评估模型输出缺陷可能原因，将评估结果进行可视化展示，并在缺陷程度达到警示程度时向管理端发送缺陷警示消息。
2.根据权利要求1所述的基于监控信号的设备缺陷评估方法，其特征在于，系统提前对缺陷评估模型进行训练以得到输入为监控信号，输出为相应缺陷评估结果和可能故障原因的经过训练的缺陷评估模型。
3.根据权利要求2所述的基于监控信号的设备缺陷评估方法，其特征在于，所述的缺陷评估模型包括限值评判模型、趋势评判模型、累计变化趋势评判模型和多测点评判模型，且通过以下方式训练缺陷评估模型：
A1.获取历史数据中出现设备故障时及之前预设时间段内所有与设备缺陷相关的监控信号；
A2.将历史数据中的监控信号数据、设备缺陷和故障原因作为训练样本训练所述的限值评判模型、趋势评判模型、累计变化趋势评判模型和多测点评判模型。
4.根据权利要求3所述的基于监控信号的设备缺陷评估方法，其特征在于，在步骤A1中，历史数据由工作人员选取/输入或系统自行采集。
5.根据权利要求4所述的基于监控信号的设备缺陷评估方法，其特征在于，限值评判模型的评估方法包括：
当监控信号数据发生异常时，记录异常的开始时间并发送报警信息，待监控信号数据恢复正常后记录异常的结束时间，并根据相应监控信号数据发生异常的次数及每次持续时长进行缺陷评估。
6.根据权利要求5所述的基于监控信号的设备缺陷评估方法，其特征在于，趋势评判模型的评估方法包括：
根据监控信号数据在指定时间段的变化趋势进行缺陷评估。
7.根据权利要求6所述的基于监控信号的设备缺陷评估方法，其特征在于，累计变化趋势评判模型的的评估方法包括：
记录监控信号数据的累计涨幅或累计降幅，并在预设时间段内的累计涨幅或累计降幅达到劣化阈值时发出相应监控信号相关的缺陷警示消息。
8.根据权利要求7所述的基于监控信号的设备缺陷评估方法，其特征在于，多测点评判模型的评判方法包括：
对多个监控信号数据进行分别解析，根据各部件故障与各缺陷及监控信号的关系进行在相应设备缺陷下缺陷可能原因的预判。
9.根据权利要求8所述的基于监控信号的设备缺陷评估方法，其特征在于，所述的设备故障包括设备停机、停堆等；
所述的缺陷可能原因包括相应部件磨损、老化、缺油、漏油、接触不良等；
所述的设备缺陷包括主泵电机止推轴承温度异常缺陷、主泵电机止推轴承温度高缺陷、分离水泵推力轴瓦温度异常缺陷、主泵一级密封后压力比波动缺陷、电力设备内部过热缺陷等。
10.根据权利要求9所述的基于监控信号的设备缺陷评估方法，其特征在于，在步骤S1中，所述的监控信号包括温度信号、压力信号、湿度信号、机组无功功率信号、机组有功功率信号中的任意一种或多种的组合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011110171.1A CN112328650A (zh) | 2020-10-16 | 2020-10-16 | 一种基于监控信号的设备缺陷评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011110171.1A CN112328650A (zh) | 2020-10-16 | 2020-10-16 | 一种基于监控信号的设备缺陷评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112328650A true CN112328650A (zh) | 2021-02-05 |
Family
ID=74313905
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011110171.1A Pending CN112328650A (zh) | 2020-10-16 | 2020-10-16 | 一种基于监控信号的设备缺陷评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112328650A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113157675A (zh) * | 2021-03-05 | 2021-07-23 | 深圳供电局有限公司 | 缺陷定位方法、装置、计算机设备和存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103234576A (zh) * | 2013-03-26 | 2013-08-07 | 国家电网公司 | 一种用于智能变电站中电力设备的状态监测系统 |
| CN104198929A (zh) * | 2014-07-14 | 2014-12-10 | 国网上海市电力公司 | 一种户外高压隔离开关的检测装置及检测方法 |
| CN104730378A (zh) * | 2015-02-13 | 2015-06-24 | 国家电网公司 | 基于油中溶解气体的变压器内部复合缺陷模糊诊断方法 |
| CN104991223A (zh) * | 2015-07-27 | 2015-10-21 | 国网重庆市电力公司电力科学研究院 | 电能表状态评估指标选取及量化方法 |
| US20180204095A1 (en) * | 2017-01-18 | 2018-07-19 | General Electric Company | Systems and methods to evaluate and reduce outages in power plants |
| CN108680602A (zh) * | 2018-05-18 | 2018-10-19 | 云南电网有限责任公司电力科学研究院 | 一种瓷绝缘子内部缺陷的检测装置、方法及系统 |
| CN110346717A (zh) * | 2019-08-28 | 2019-10-18 | 杨启蓓 | 一种人工智能高压断路器在线监测系统及方法 |
-
2020
- 2020-10-16 CN CN202011110171.1A patent/CN112328650A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103234576A (zh) * | 2013-03-26 | 2013-08-07 | 国家电网公司 | 一种用于智能变电站中电力设备的状态监测系统 |
| CN104198929A (zh) * | 2014-07-14 | 2014-12-10 | 国网上海市电力公司 | 一种户外高压隔离开关的检测装置及检测方法 |
| CN104730378A (zh) * | 2015-02-13 | 2015-06-24 | 国家电网公司 | 基于油中溶解气体的变压器内部复合缺陷模糊诊断方法 |
| CN104991223A (zh) * | 2015-07-27 | 2015-10-21 | 国网重庆市电力公司电力科学研究院 | 电能表状态评估指标选取及量化方法 |
| US20180204095A1 (en) * | 2017-01-18 | 2018-07-19 | General Electric Company | Systems and methods to evaluate and reduce outages in power plants |
| CN108680602A (zh) * | 2018-05-18 | 2018-10-19 | 云南电网有限责任公司电力科学研究院 | 一种瓷绝缘子内部缺陷的检测装置、方法及系统 |
| CN110346717A (zh) * | 2019-08-28 | 2019-10-18 | 杨启蓓 | 一种人工智能高压断路器在线监测系统及方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113157675A (zh) * | 2021-03-05 | 2021-07-23 | 深圳供电局有限公司 | 缺陷定位方法、装置、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110208019B (zh) | 一种动设备状态监测动态阈值预警方法 | |
| CN106372735B (zh) | 一种继电保护状态评估方法 | |
| CN105809255A (zh) | 一种基于物联网的火电厂旋转机械健康管理方法及系统 | |
| CN110836696A (zh) | 适于调相机系统的远程故障预测方法和系统 | |
| CN112561736A (zh) | 智能变电站继电器保护装置故障诊断系统和方法 | |
| CN111708798A (zh) | 一种风电机组故障诊断与处理方法及系统 | |
| AU2010308514A1 (en) | System and method for selecting a maintenance operation | |
| CN116660672B (zh) | 基于大数据的电网设备故障诊断方法及系统 | |
| CN113538870A (zh) | 一种基于数据采集的变压器安全防护系统 | |
| CN110701136B (zh) | 一种适用于断路器液压系统频繁打压数据分析及预警的辅助系统 | |
| CN115437358A (zh) | 工业机器人智能状态监测与故障诊断系统及故障诊断方法 | |
| CN118152784B (zh) | 模块化变电站设备数据特征提取方法 | |
| CN117289659A (zh) | 一种电厂集控运行智能自动监控系统 | |
| CN112328650A (zh) | 一种基于监控信号的设备缺陷评估方法 | |
| CN115841739A (zh) | 一种基于物联网的设备管理跟踪方法及系统 | |
| CN118353162A (zh) | 一种电厂变压器智能检测预警方法及系统 | |
| CN115981199A (zh) | 基于物联网的正弦筛监测数据传输系统 | |
| CN113740063B (zh) | 列车轴承监控预警方法及系统 | |
| CN117811213B (zh) | 一种基于数据分析的低压配电柜故障诊断系统 | |
| CN106877503A (zh) | 二次设备智能运维系统中的风险识别与预警方法 | |
| CN115165326A (zh) | 通过机械传动链润滑油(脂)杂质分析的风机故障诊断方法 | |
| CN113589098A (zh) | 基于大数据驱动的电网故障预测和诊断方法 | |
| CN111509839A (zh) | 一种基于告警信号的跳闸事件化模型分析方法 | |
| CN113779327B (zh) | 基于船舶设备全生命周期数据的设备监测管理系统 | |
| CN114167282B (zh) | 一种电动机故障诊断及劣化趋势预测系统 |
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 |