CN112365000A - 一种智慧空开装置的自动控制和预警方法及其实现平台 - Google Patents
一种智慧空开装置的自动控制和预警方法及其实现平台 Download PDFInfo
- Publication number
- CN112365000A CN112365000A CN202011186781.XA CN202011186781A CN112365000A CN 112365000 A CN112365000 A CN 112365000A CN 202011186781 A CN202011186781 A CN 202011186781A CN 112365000 A CN112365000 A CN 112365000A
- Authority
- CN
- China
- Prior art keywords
- data
- air switch
- switch device
- model
- current
- 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 42
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000007635 classification algorithm Methods 0.000 claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 20
- 230000007613 environmental effect Effects 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000012795 verification Methods 0.000 claims abstract description 11
- 238000013461 design Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000010801 machine learning Methods 0.000 claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 23
- 238000003066 decision tree Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 9
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012407 engineering method Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000013145 classification model Methods 0.000 claims description 4
- XQIMLPCOVYNASM-UHFFFAOYSA-N borole Chemical compound B1C=CC=C1 XQIMLPCOVYNASM-UHFFFAOYSA-N 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 7
- 230000007257 malfunction Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
- H02J13/00022—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment using wireless data transmission
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
-
- 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
- Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
- Y04S40/12—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them characterised by data transport means between the monitoring, controlling or managing units and monitored, controlled or operated electrical equipment
- Y04S40/126—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them characterised by data transport means between the monitoring, controlling or managing units and monitored, controlled or operated electrical equipment using wireless data transmission
Abstract
本发明涉及一种智慧空开装置的自动控制和预警方法及其实现平台，包括：1）利用传感器对智慧空开装置相应的电学和环境参量进行监测和记录；2）使用特征工程设计方法，设计三类状态特征，根据空开装置分合闸时的电压、电流、温度确定其均值和方差统计特征；3）使用机器学习分类算法以上述经过数据处理后作为模型的多维输入特征，利用所设计的标定方法将数据分成三种标签，并将数据分成训练集、验证集和测试集，对模型进行学习训练和测试评估；4）设计智慧空开监测与安全管理平台，对相应的状态进行预测判断并迅速执行相关动作。本发明既能预防空开装置因故障导致严重安全事故，也能有效提高电力系统的管理效率，减少繁杂人力劳动。
Description
技术领域
本发明涉及智慧空气开关(微型断路器)技术领域，特别是一种智慧空开装置的自动控制和预警方法及其实现平台。
背景技术
空气开关(简称“空开”)，在变电站箱柜中应用广泛，可实现控制电路分合及保护电气设备等功能，常用于隔离开关等一次设备二次回路的控制操作。
当前，在变电站全顺控模式改革下，为避免变电站现场需要人为配合操作分合隔离开关(接地开关)的电源空开引起的人力、时间消耗，通常将隔离开关(接地开关)电源空开预置于合闸位置，实现后台可以“一键顺控”，但该模式可能使得本不在工作范围内的隔离开关(接地开关)发生误动，甚至引起恶性带电误合接地刀闸事故，给全顺控操作纵深推进“埋下暗雷”。
当前全顺控模式背景下，通常将隔离开关电源空开置于合位，方便后台遥控的同时，也存在较大隐患和不便捷。
(一)可能引起操作不便
在全顺控模式下，因隔离开关动力电源常态化置于合位引起的隔离开关误动，列举三种情况如下。
(1)电缆绝缘低，引起隔离开关误动作。
(2)机构箱绝缘不良，引起隔离开关误动作。由于机构箱内部积水、端子排受潮短路、端子排异物短路、交流失地等情况，若没有拉开隔离开关电机的主回路电源，一旦分合闸继电器KM1、KM2的线圈两端A1、A2出现一定压差，将会直接吸合触点，导致电机主回路导通，使电机转动，带动隔离开关自行分合闸，造成带电分合隔离开关的恶性误操作事故的发生。
(3)人为误操作和误碰，引起隔离开关误动作。由于隔离开关电源处于合闸状态，如果有人为误触碰到接触器，在不考虑微机五防起作用的情况下，隔离开关会误动，例如在汇控柜自维护过程中可能误碰接触器。
因此，若能提供一种具备自动分合能力的空开，则可以一定程度上增加一道“防火墙”，避免全顺控模式下隔离开关误操作事故的发生。
(二)延长恢复送电时间
倒闸操作过程中，由于需要频繁的合上、断开隔离开关动力电源空开，占用较长的执行安措的时间(需要逐一打开各间隔箱柜的门，并逐一确认各空开位置状态。)
(三)难以实现及时和精准的控制
传统空开装置的故障判断及维护检修基本依靠仪器检测、经验判断、定期维护等方法，只有在空开装置的故障发生时才能被发现，但往往因为其滞后性导致事故难以避免。本发明所设计的一种智慧空开装置的自动控制和预警方法，充分发挥大数据、人工智能与物联网技术，利用所设计的特征参量作为智能分类算法的输入量，并输出相应的分类结果实现精准预测，通过云端平台的远程控制模块实现及时控制，解决传统空开装置的一大痛点。
因此，如能提供一种智能分合的空开，在设备一次状态到位后，能自动将动力电源空开拉掉，并确认其位置状态，势必大大减少工作票要求的安措布置的时间。
发明内容
有鉴于此，本发明的目的是提供一种智慧空开装置的自动控制和预警方法及其实现平台，实现利用智慧空开装置和云端平台可对相应的状态进行预测判断并迅速执行相关动作，避免安全事故的发生，也能有效提高管理效率，减少繁杂人力劳动；对工厂或小区的整个电力运行情况与安全状态进行管理维护。
本发明采用以下方案实现：一种智慧空开装置的自动控制和预警方法，包括以下步骤：
步骤S1：使用传感器监测模块，采集空开装置的隔离开关和接地开关在分合闸过程中的包括电压、电流、温度和分合闸速度数据；同时，采集空开装置所在机箱的环境参量，包括温度、湿度和异常噪声；
步骤S2：利用特征工程方法，设计多维度的空开装置参量的统计和状态特征；
步骤S3：选用机器学习分类算法，训练并部署模型，构建实现智慧空开装置状态分类算法模型，用以对空开装置及其所在机箱的异常状况进行监测和预警。
进一步地，所述步骤S1的具体包括以下步骤：
步骤S11：采集特征：采集空开装置数据包括时间戳timeStamp、产品型号type、额定电流Ie、电压Ue,以及隔离开关分合闸时的电流It、电压Ut、环境温度Tt,机箱温度Ttb、机箱湿度Htb、噪声响度Ntb以及分合闸速度vst；
步骤S12：确定规律：确定从空开装置的多源传感器中收集到的各种电学参量包括额定电流Ie、电压Ue,以及隔离开关分合闸时的电流It、电压Ut，环境参量包括环境温度Tt,机箱温度Ttb、机箱湿度Htb、噪声响度Ntb以及分合闸速度vst数据的平均值、中位数、方差和极值；
步骤S13：数据选取：从所得到的统计量即步骤S12中所确定的电学参量和环境参量的平均值、中位数、方差和极值中绘制特性曲线，得到空开装置在正常工作时的基本规律，并且舍去有缺失的数据及异常数据；
若采集到的数据样本中，缺少了步骤S11当中所采集特征的一项或多项特征，则判定为缺失数据；若采集到的样本中所述的S11中的各项特征，出现小于0的值，判定为异常数据，需要舍去。
进一步地，所述步骤S2的具体包括以下步骤：
步骤S21：根据短路、漏电和过载，设计三种状态特征，包括短路保护特征Per1、漏电保护特征Bolt和过载保护特征St；
达到短路电流值时，会分断主触头以切断电路；通过公式(1)计算在预设时间范围内达到短路电流Ith的90％所占总样本数的百分比Per1：
其中，num(Ith·0.9)表示在该段时间范围内达到短路电流阈值的90％所发生的次数，N表示这段时间范围内收集的样本总数；
漏电保护特征：空开正常工作时，流入空开装置的电流和流出空开装置的电流是相等的，此时互感器的感应电压为0；若流入电流大于流出电流，互感器产生感应电压，判断为空开装置后方接地处漏电；
通过公式(2)判断各时刻的状态Bolt：
Bolt＝bool(comp[Ust，0]) (2)
其中，Ust表示某时刻的互感器的感应电压值，comp运算用于比较其与0的关系并通过bool运算得到其布尔值：若Ust＝0，则Bolt＝1，否则Bolt＝0说明空开装置存在漏电情况；
过载保护特征：根据标准，在空开产品的标准值当中，考虑到供电的连续性和电缆本身具备的过载能力，过载电流是允许存在一定时间的，此时间设置为1小时；通过公式(3)判断各时刻的状态量St：
步骤S22：计算空开装置分合闸时的统计量特征，包括电流It、电压Ut、温度Tt的平均值
以及其标准差
如式(4)至(9)所示；
进一步地，所述步骤S3具体包括以下步骤：
步骤S31：选用多分类梯度提升决策树GBDT模型，将空开装置分为正常、警告与危险三种类型；
步骤S32：将空开装置分为三种状态，即分类算法的类别数为3；
其真实值y和预测值f(x)的对数似然函数表示为公式(10)所示：
其中，若样本输出类别为i,则yi＝1，第i类的概率pi(x)表示为式(11)
所示：
综合公式(10)和公式(11)，得到第p轮的第i个样本对应类别k的负梯度误差为：
之后，通过公式(13)近似计算生成的决策树各个叶子节点的最佳残差拟合值，用以确定各类结果的输出概率和误差判断：
其中，errplk表示第p轮训练的第i个样本对应类别k的负梯度误差；
步骤S33：针对GBDT分类算法，选择对数损失函数，通过上述的公式(10)进行计算；
步骤S34：通过子采样比例方法和定义步长方法实现正则化，用以防止发生过拟合现象；其中，子采样比例要选择合适，在这里比例ratio选择0.6，每次选择总样本数的60％去做GBDT决策树的拟合，用以减少方差、防止过拟合；
定义步长step,其取值范围是(0,1],步长越小，需要的迭代次数越多；用步长和迭代最大次数一起决定算法的拟合效果，如公式(14)所示：
fk(x)＝fk-1(x)+step*hk(x) (14)
步骤S35：模型的训练和评价：对从步骤S1和步骤S2所获得的空开装置各项数据，作为模型的输入特征；对从多源传感器中获得的数据，建立数据集；将数据集划分为80％训练集和20％测试集，从训练集中抽取10％作为验证集；为训练集和验证集打上标签值：正常、警告和危险三类；
将已经标记好，带有标签的训练集数据放入有监督训练模型即步骤S31至步骤S34所描述的梯度提升决策树GBDT分类算法中进行学习训练；通过测试集和验证集并利用精确度precison、召回率recall指标对模型进行评价，将数据输入到模型中，会得到相应的预测分类结果即正常、警告和危险三类，从而实现对空开装置及其所在机箱的异常状况出现警告或危险状态即异常状况进行监测和预警；
训练好的模型用以实现对从多源传感器传送来的实时数据运用模型进行判断，若判断为警告状态，启动自检功能，并提醒人工管理员；若判断为危险状态，立即自动断开隔离开关，避免出现因短路或漏电而危害人身财产安全；
使用精确度precison、召回率recall验证模型训练的性能好坏；各评价指标的定义公式如下：
其中，TP表示预测结果为正，实际结果也为正；TN表示预测结果为负，实际结果也为负；FP表示预测结果为正，实际结果为负；FN表示预测结果为负，实际结果为正；
收集故障数据警告或危险状态，若判断结果为真正(true positive),则数据可以保留在云端平台；若类型判断为假正(falsepositive)，则调整故障数据样本和模型结构，进行重新训练，用以优化模型达到高精确度precision和召回率recall；使用精确度和召回率评价指标，对模型训练的效果进行评价。
进一步地，类别标签标注方法如下：收集到的空开装置的数据样本中，若已出现空开装置故障导致无法正常工作的，标记为危险；在步骤S21所设计的状态特征中，出现以下三种情况之一则标定为警告标签；
即短路保护特征Per1大于0.1、漏电保护特征Bolt等于0或过载保护特征St＝1持续时间超过1小时或St＝2；其他正常工作情况下的空开数据样本标记为正常。
较佳的，本发明还提供一种智慧空开装置的自动控制和预警方法的实现平台包括数据处理模块、特征设计模块、决策判断模块、实时显示模块和远程控制模块；所述数据处理模块对从多源传感器收集来的数据进行步骤S12和步骤S13所述的数据处理，计算统计量并确定规律，舍去缺失数据及异常数据；所述特征设计模块根据步骤S21和步骤S22所设计的输入特征量计算方法，对短路保护特征Per1、漏电保护特征Bolt、过载保护特征St以及电流It、电压Ut、温度Tt的平均值
以及其标准差
进行计算；所述决策判断模块将步骤S3中的GBDT分类模型部署至云端平台，可对输入的样本进行判断分类，分成正常、警告和危险三类状况；所述实时显示模块将步骤S11至步骤S13所述智慧空开装置的各特征值、S21至S22所设计的以及空开装置的参量的实时和历史数据、以及智慧空开所处的状态正常、警告或危险，显示在PC或移动端屏幕上，用以便于维护人员及时把握智慧空开系统的动态变化；所述远程控制模块：智慧空开装置若被判断为警告状态，启动自检功能，并发送信息至实时显示模块提醒人工管理员；若被判断为危险状态，通过远程控制方式立即自动断开隔离开关，并触发警报信号，避免空开装置出现因短路或漏电等状况而危害人身财产安全。
与现有技术相比，本发明具有以下有益效果：
(1)本发明的智慧空开除传统的手动推杆外、电动按钮控制外，还利用智慧空开监测与安全管理平台实现远程云端控制方式，可实现本地和远程一体化控制方案；
(2)本发明充分利用大数据和物联网技术，采用特征工程方法增加输入数据的维度，包含所设计的统计量和状态量特征，共18个维度包括额定电流Ie、电压Ue、隔离开关分合闸时的电流It、电压Ut、环境温度Tt、机箱温度Ttb、机箱湿度Htb、噪声响度Ntb、分合闸速度vst、短路保护特征Per1、漏电保护特征Bolt和过载保护特征St、电流It、电压Ut、温度Tt的平均值
以及其标准差
以提高模型分类算法训练的精度和效率；
(3)本发明将训练好的模型进行部署和应用，实现利用智慧空开装置和云端平台可对相应的状态进行预测判断并迅速执行相关动作，避免安全事故的发生，也能有效提高管理效率，减少繁杂人力劳动；对工厂或小区的整个电力运行情况与安全状态进行管理维护。
附图说明
图1为本发明实施例的流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，本实施例提供一种智慧空开装置的自动控制和预警方法，包括以下步骤：
步骤S1：使用传感器监测模块，采集空开装置的隔离开关和接地开关在分合闸过程中的包括电压、电流、温度和分合闸速度数据；同时，采集空开装置所在机箱的环境参量，包括温度、湿度和异常噪声；
步骤S2：利用特征工程方法，设计多维度的空开装置参量的统计和状态特征；
步骤S3：选用机器学习分类算法，训练并部署模型，构建实现智慧空开装置状态分类算法模型，用以对空开装置及其所在机箱的异常状况进行监测和预警。
在本实施例中，所述步骤S1的具体包括以下步骤：
步骤S11：采集特征：采集空开装置数据包括时间戳timeStamp、产品型号type、额定电流Ie、电压Ue,以及隔离开关分合闸时的电流It、电压Ut、环境温度Tt,机箱温度Ttb、机箱湿度Htb、噪声响度Ntb以及分合闸速度vst；
步骤S12：确定规律：确定从空开装置的多源传感器中收集到的各种电学参量包括额定电流Ie、电压Ue,以及隔离开关分合闸时的电流It、电压Ut，环境参量包括环境温度Tt,机箱温度Ttb、机箱湿度Htb、噪声响度Ntb以及分合闸速度vst数据的平均值、中位数、方差和极值；
步骤S13：数据选取：从所得到的统计量即步骤S12中所确定的电学参量和环境参量的平均值、中位数、方差和极值中绘制特性曲线，得到空开装置在正常工作时的基本规律，并且舍去有缺失的数据及异常数据；
若采集到的数据样本中，缺少了步骤S11当中所采集特征的一项或多项特征，则判定为缺失数据；若采集到的样本中所述的S11中的各项特征，出现小于0的值，判定为异常数据，需要舍去。
在本实施例中，所述步骤S2的具体包括以下步骤：
步骤S21：根据短路、漏电和过载，设计三种状态特征，包括短路保护特征Per1、漏电保护特征Bolt和过载保护特征St；
达到短路电流值时，会分断主触头以切断电路；通过公式(1)计算在预设时间范围内(这里选择10天作为所设定的时间范围)达到短路电流Ith的90％所占总样本数的百分比Per1：
其中，num(Ith·0.9)表示在该段时间范围内达到短路电流阈值的90％所发生的次数，N表示这段时间范围内收集的样本总数；
漏电保护特征：空开正常工作时，流入空开装置的电流和流出空开装置的电流是相等的，此时互感器的感应电压为0；若流入电流大于流出电流，互感器产生感应电压，判断为空开装置后方接地处漏电；
通过公式(2)判断各时刻的状态Bolt：
Bolt＝bool(comp[Ust，0]) (2)
其中，Ust表示某时刻的互感器的感应电压值，comp运算用于比较其与0的关系并通过bool运算得到其布尔值：若Ust＝0，则Bolt＝1，否则Bolt＝0说明空开装置存在漏电情况；
过载保护特征：根据标准，在空开产品的标准值当中，考虑到供电的连续性和电缆本身具备的过载能力，过载电流是允许存在一定时间的，此时间设置为1小时；通过公式(3)判断各时刻的状态量St：
步骤S22：计算空开装置分合闸时的统计量特征，包括电流It、电压Ut、温度Tt的平均值
以及其标准差
如式(4)至(9)所示；
利用特征工程方法，对收集到的数据进行输入特征的设计，利用大数据的优势解决因数据维度低而导致模型训练效果差的困境。输入特征包括额定电流Ie、电压Ue、隔离开关分合闸时的电流It、电压Ut、环境温度Tt、机箱温度Ttb、机箱湿度Htb、噪声响度Ntb、分合闸速度vst、短路保护特征Per1、漏电保护特征Bolt和过载保护特征St、电流It、电压Ut、温度Tt的平均值
以及其标准差
共18个特征维度。
在本实施例中，所述步骤S3具体包括以下步骤：
步骤S31：算法选择：为了实现智慧空开装置的危险预警功能(如发生短路、漏电等意外情况)，选用多分类梯度提升决策树GBDT模型(Gradient Boosting Decision Tree,梯度提升决策树)，将空开装置分为正常、警告与危险三种类型；用于空开装置检测到异常情况时的预判。
该算法与其他分类算法相比，可使用相对较少的调参时间获得较高的训练准确率；模型适用范围广，具有较高的灵活性，对异常值的鲁棒性较强。
步骤S32：将空开装置分为三种状态，即分类算法的类别数为3；其真实值y和预测值f(x)的对数似然函数表示为公式(10)所示：
其中，若样本输出类别为i,则yi＝1，第i类的概率pi(x)表示为式(11)所示：
综合公式(10)和公式(11)，得到第p轮的第i个样本对应类别k的负梯度误差为：
之后，通过公式(13)近似计算生成的决策树各个叶子节点的最佳残差拟合值，用以确定各类结果的输出概率和误差判断：
其中，errplk表示第p轮训练的第i个样本对应类别k的负梯度误差；
步骤S33：针对GBDT分类算法，一般可选择指数损失函数和对数损失函数，在这里选择对数损失函数，通过上述的公式(6)进行计算；
步骤S34：正则化：考虑到会出现过拟合问题，本实施例通过子采样比例方法和定义步长方法实现正则化，用以防止发生过拟合现象；其中，子采样比例(subsample)要选择合适，在这里比例ratio选择0.6，每次选择总样本数的60％去做GBDT决策树的拟合，用以减少方差、防止过拟合；
定义步长step,其取值范围是(0,1],步长越小，需要的迭代次数越多；用步长和迭代最大次数一起决定算法的拟合效果，如公式(14)所示：
fk(x)＝fk-1(x)+step*hk(x) (14)
步骤S35：模型的训练和评价：对从步骤S1和步骤S2所获得的空开装置各项数据，作为模型的输入特征；对从多源传感器中获得的数据，建立数据集；将数据集划分为80％训练集和20％测试集，从训练集中抽取10％作为验证集；为训练集和验证集打上标签值：正常、警告和危险三类；
将已经标记好，带有标签的训练集数据放入有监督训练模型即步骤S31至步骤S34所描述的梯度提升决策树GBDT分类算法中进行学习训练；通过测试集和验证集并利用精确度precison、召回率recall指标对模型进行评价，将数据输入到模型中，会得到相应的预测分类结果即正常、警告和危险三类，从而实现对空开装置及其所在机箱的异常状况出现警告或危险状态即异常状况进行监测和预警；
训练好的模型用以实现对从多源传感器传送来的实时数据运用模型进行判断，若判断为警告状态，启动自检功能，并提醒人工管理员；若判断为危险状态，立即自动断开隔离开关，避免出现因短路或漏电而危害人身财产安全；
使用精确度precison、召回率recall验证模型训练的性能好坏；各评价指标的定义公式如下：
其中，TP表示预测结果为正，实际结果也为正；TN表示预测结果为负，实际结果也为负；FP表示预测结果为正，实际结果为负；FN表示预测结果为负，实际结果为正；
收集故障数据警告或危险状态，若判断结果为真正(true positive),则数据可以保留在云端平台；若类型判断为假正(false positive)，则调整故障数据样本和模型结构，进行重新训练，用以优化模型达到高精确度precision和召回率recall；使用精确度和召回率评价指标，对模型训练的效果进行评价。
在本实施例中，类别标签标注方法如下：收集到的空开装置的数据样本中，若已出现空开装置故障导致无法正常工作的，标记为危险；在步骤S21所设计的状态特征中，出现以下三种情况之一则标定为警告标签；
即短路保护特征Per1大于0.1、漏电保护特征Bolt等于0或过载保护特征St＝1持续时间超过1小时或St＝2；其他正常工作情况下的空开数据样本标记为正常。
较佳的，本实施例还提供一种智慧空开装置的自动控制和预警方法的实现平台包括数据处理模块、特征设计模块、决策判断模块、实时显示模块和远程控制模块；所述数据处理模块对从多源传感器收集来的数据进行步骤S12和步骤S13所述的数据处理，计算统计量并确定规律，舍去缺失数据及异常数据；所述特征设计模块根据步骤S21和S22所设计的输入特征量计算方法，对短路保护特征Per1、漏电保护特征Bolt、过载保护特征St以及电流It、电压Ut、温度Tt的平均值
以及其标准差
进行计算；所述决策判断模块将步骤S3中的GBDT分类模型部署至云端平台，可对输入的样本进行判断分类，分成正常、警告和危险三类状况；所述实时显示模块将步骤S11至步骤S13所述智慧空开装置的各特征值、S21至S22所设计的以及空开装置的参量的实时和历史数据、以及智慧空开所处的状态正常、警告或“危险，显示在PC或移动端屏幕上，用以便于维护人员及时把握智慧空开系统的动态变化，该模块还包括在危险状态的警报功能；所述远程控制模块：智慧空开装置若被判断为警告状态，启动自检功能，并发送信息至实时显示模块提醒人工管理员；若被判断为危险状态，通过远程控制方式立即自动断开隔离开关，并触发警报信号，避免空开装置出现因短路或漏电等状况而危害人身财产安全。较佳的，本实施例平台的具体实现过程如下：
步骤1：部署训练好的模型至云端系统，用以实时监测从现场环境传入的数据所处的状态；以云端的智慧空开管理平台作为数据中台，形成“数据采集→特征工程→模型判断→云端处理→结果反馈→执行控制”的完整闭环结构，可实现智慧空开装置从数据监测到智能控制的全过程。
步骤2：将判断结果分为三类：正常、警告和危险，结果反馈至执行器(即云端控制模块)，并决定是否执行相应分合闸操作，判断分类结果也会显示在PC端和移动端，供人工管理员及时做出维护决策；对从多源传感器传送来的实时数据运用模型进行判断，若判断为警告状态，启动自检功能，并提醒人工管理员；若判断为危险状态，立即自动断开隔离开关，避免出现因短路或漏电而危害人身财产安全；
步骤3：将训练结果及时反馈至模型，通过调整数据和模型参数，不断优化模型，最终形成的闭环控制结构，利用智慧空开装置和智慧空开监测与安全管理平台(云端平台)，对工厂或小区的整个电力运行情况与安全状态进行管理维护。
较佳的，在本实施例中，集成设计好的算法模型，利用物联网技术设计智慧空开监测与安全管理平台即云端平台；实时获取空开装置的相关数据，监测参量变化并预警异常状态；出现危险预警时，启动保护自检功能，并进行人工确认；若已发生包括短路或漏电危险情况时，及时自动断开电路，用以保障人身财产安全。
较佳的，在本实施例中，通过传感检测装置，获取智慧空开装置的状态参量和运行数据，实现对空开装置和所在柜箱系统的状态监测。利用特征工程对获得的历史数据进行维度扩展，作为所设计的机器学习分类算法的输入特征，并进行模型训练及优化，实现对智慧空开和相关电力设备的危险状态预警功能。发挥物联网和大数据技术的优势，集成并部署算法模型，设计智慧空开监测与安全管理平台，实现智慧空开的智能控制与故障监测功能。
较佳的，在本实施例中，以空气开关为基本元件，通过安装在空开装置和配电箱内部的多源传感器，获取空气开关和机箱的历史运行和当前状态数据即获取智慧空开的各项电学参量及环境数据，共包含6项实时检测数据，并实时传送到数据云端平台(空开装置管理云端平台)，为实现故障预测分类算法提供数据支撑；应用特征工程方法对获取的数据进行特征设计和维度扩展，有效提升预警分类模型训练的精度；选用梯度提升决策树(GBDT)作为分类算法，将处理后的数据输入模型后进行训练；部署模型，利用物联网技术设计智慧空开监测与安全管理平台，实现智能控制与危险预警功能，可用于工业生产与生活物业用电安全管理控制。
较佳的，在本实施例中，智慧空开共包含3种控制方式：空开推杆手动控制、电动按键自动控制、智能云端远程控制，实现手动、自动与远程的一体化控制方案。
本实施例所设计的算法模型，结合物联网与大数据技术，实现智慧空开装置的远程智能监测与控制。可通过历史数据与当前状态，实时监测智慧空开的状态，预测并判断空开装置、电气设备与所处机箱是否发生异常或故障。若处于“警告”状态，启动功能自检，并及时提醒维护人员；若处于“危险”状态，远程控制智慧空开装置的隔离开关的分合闸操作。
较佳的，在本实施例中，经过特征工程之后，将设计的多维数据特征作为分类算法的输入参量，并分成训练集、测试集和验证集三类，选择多分类梯度提升决策树(GBDT)作为空开装置健康状态监测的分类算法，并对模型进行训练和部署应用。
GBDT模型经过多次迭代训练后，用测试集和验证集来评价模型的训练效果。分类结果输出为“正常”、“警告”和“危险”三类，将训练和优化好的模型部署至空开装置管理云端平台。对从多源传感器传送来的实时数据运用模型进行判断，若判断为“警告”状态，启动自检功能，并提醒人工管理员；若判断为“危险”状态，立即自动断开隔离开关，避免出现因短路或漏电而危害人身财产安全。
收集故障数据(“警告”或“危险”状态)，若判断结果为“真正”(true positive),则数据可以保留在云端平台；若类型判断为“假正”(false positive)，则调整故障数据样本和模型结构，进行重新训练，以优化模型。使用精确度、召回率等评价指标，对模型训练的效果进行评价。
较佳的，在本实施例中，以云端的智慧空开管理平台作为数据中台，形成“数据采集→特征工程→模型判断→云端处理→结果反馈→执行控制”的完整闭环结构，可实现智慧空开装置从数据监测到智能控制的全过程。
较佳的，本实施例通过多源传感器获取智慧空开装置及所在电箱的电学和环境参量，利用特征工程方法扩展数据维度，形成多维数据特征，作为分类判断模型的输入参量；3)选择多分类梯度提升决策树(GBDT)，作为智慧空开装置的状态预警模型；4)使用子采样和步长设置等正则化方法对模型进行优化，避免出现过拟合问题，提高训练精度和效率；5)将输入数据划分成训练集、测试集和验证集，测试结果与经人工验证后的输出结果进行比较，并不断调整模型和优化参数；6)集成并部署模型，设计智慧空开装置云端管理平台，形成以数据驱动和物联网技术为基础的智慧空开装置管理与控制闭环结构，实现对相关电力装置运行、管理、维护、控制于一体的智能化系统。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
Claims (6)
1.一种智慧空开装置的自动控制和预警方法，其特征在于：包括以下步骤：
步骤S1：使用传感器监测模块，采集空开装置的隔离开关和接地开关在分合闸过程中的包括电压、电流、温度和分合闸速度数据；同时，采集空开装置所在机箱的环境参量，包括温度、湿度和异常噪声；
步骤S2：利用特征工程方法，设计多维度的空开装置参量的统计和状态特征；
步骤S3：选用机器学习分类算法，训练并部署模型，构建实现智慧空开装置状态分类算法模型，用以对空开装置及其所在机箱的异常状况进行监测和预警。
2.根据权利要求1所述的一种智慧空开装置的自动控制和预警方法，其特征在于：所述步骤S1的具体包括以下步骤：
步骤S11：采集特征：采集空开装置数据包括时间戳timeStamp、产品型号type、额定电流Ie、电压Ue,以及隔离开关分合闸时的电流It、电压Ut、环境温度Tt,机箱温度Ttb、机箱湿度Htb、噪声响度Ntb以及分合闸速度vst；
步骤S12：确定规律：确定从空开装置的多源传感器中收集到的各种电学参量包括额定电流Ie、电压Ue,以及隔离开关分合闸时的电流It、电压Ut，环境参量包括环境温度Tt,机箱温度Ttb、机箱湿度Htb、噪声响度Ntb以及分合闸速度vst数据的平均值、中位数、方差和极值；
步骤S13：数据选取：从所得到的统计量即步骤S12中所确定的电学参量和环境参量的平均值、中位数、方差和极值中绘制特性曲线，得到空开装置在正常工作时的基本规律，并且舍去有缺失的数据及异常数据；
若采集到的数据样本中，缺少了步骤S11当中所采集特征的一项或多项特征，则判定为缺失数据；若采集到的样本中所述的S11中的各项特征，出现小于0的值，判定为异常数据，需要舍去。
3.根据权利要求1所述的一种智慧空开装置的自动控制和预警方法，其特征在于：所述步骤S2的具体包括以下步骤：
步骤S21：根据短路、漏电和过载，设计三种状态特征，包括短路保护特征Per1、漏电保护特征Bolt和过载保护特征St；
达到短路电流值时，会分断主触头以切断电路；通过公式(1)计算在预设时间范围内达到短路电流Ith的90％所占总样本数的百分比Per1：
其中，num(Ith·0.9)表示在该段时间范围内达到短路电流阈值的90％所发生的次数，N表示这段时间范围内收集的样本总数；
漏电保护特征：空开正常工作时，流入空开装置的电流和流出空开装置的电流是相等的，此时互感器的感应电压为0；若流入电流大于流出电流，互感器产生感应电压，判断为空开装置后方接地处漏电；通过公式(2)判断各时刻的状态Bolt：
Bolt＝bool(comp[Ust，0]) (2)
其中，Ust表示某时刻的互感器的感应电压值，comp运算用于比较其与0的关系并通过bool运算得到其布尔值：若Ust＝0，则Bolt＝1，否则Bolt＝0说明空开装置存在漏电情况；
过载保护特征：根据标准，在空开产品的标准值当中，考虑到供电的连续性和电缆本身具备的过载能力，过载电流是允许存在一定时间的，此时间设置为1小时；通过公式(3)判断各时刻的状态量St：
步骤S22：计算空开装置分合闸时的统计量特征，包括电流It、电压Ut、温度Tt的平均值
以及其标准差
如式(4)至(9)所示；
4.根据权利要求3所述的一种智慧空开装置的自动控制和预警方法，其特征在于：所述步骤S3具体包括以下步骤：
步骤S31：选用GBDT模型，将空开装置分为正常、警告与危险三种类型；
步骤S32：将空开装置分为三种状态，即分类算法的类别数为3；其真实值y和预测值f(x)的对数似然函数表示为公式(10)所示：
其中，若样本输出类别为i,则yi＝1，第i类的概率pi(x)表示为式(11)所示：
综合公式(10)和公式(11)，得到第p轮的第i个样本对应类别k的负梯度误差为：
之后，通过公式(13)近似计算生成的决策树各个叶子节点的最佳残差拟合值，用以确定各类结果的输出概率和误差判断：
其中，errplk表示第p轮训练的第i个样本对应类别k的负梯度误差；
步骤S33：针对GBDT分类算法，选择对数损失函数，通过上述的公式(10)进行计算；
步骤S34：通过子采样比例方法和定义步长方法实现正则化，用以防止发生过拟合现象；其中，子采样比例要选择合适，在这里比例ratio选择0.6，每次选择总样本数的60％去做GBDT决策树的拟合，用以减少方差、防止过拟合；
定义步长step,其取值范围是(0,1],步长越小，需要的迭代次数越多；用步长和迭代最大次数一起决定算法的拟合效果，如公式(14)所示：
fk(x)＝fk-1(x)+step*hk(x) (14)
步骤S35：模型的训练和评价：对从步骤S1和步骤S2所获得的空开装置各项数据，作为模型的输入特征；对从多源传感器中获得的数据，建立数据集；将数据集划分为80％训练集和20％测试集，从训练集中抽取10％作为验证集；为训练集和验证集打上标签值：正常、警告和危险三类；
将已经标记好，带有标签的训练集数据放入有监督训练模型即步骤S31至步骤S34所描述的梯度提升决策树GBDT分类算法中进行学习训练；通过测试集和验证集并利用精确度precison、召回率recall指标对模型进行评价，将数据输入到模型中，会得到相应的预测分类结果即正常、警告和危险三类，从而实现对空开装置及其所在机箱的异常状况出现警告或危险状态即异常状况进行监测和预警；
训练好的模型用以实现对从多源传感器传送来的实时数据运用模型进行判断，若判断为警告状态，启动自检功能，并提醒人工管理员；若判断为危险状态，立即自动断开隔离开关，避免出现因短路或漏电而危害人身财产安全；
使用精确度precison、召回率recall验证模型训练的性能好坏；各评价指标的定义公式如下：
其中，TP表示预测结果为正，实际结果也为正；TN表示预测结果为负，实际结果也为负；FP表示预测结果为正，实际结果为负；FN表示预测结果为负，实际结果为正；
收集故障数据警告或危险状态，若判断结果为真正,则数据可以保留在云端平台；若类型判断为假正，则调整故障数据样本和模型结构，进行重新训练，用以优化模型达到高精确度precision和召回率recall；使用精确度和召回率评价指标，对模型训练的效果进行评价。
5.根据权利要求4所述的一种智慧空开装置的自动控制和预警方法，其特征在于：类别标签标注方法如下：收集到的空开装置的数据样本中，若已出现空开装置故障导致无法正常工作的，标记为危险；在步骤S21所设计的状态特征中，出现以下三种情况之一则标定为警告标签；
即短路保护特征Per1大于0.1、漏电保护特征Bolt等于0或过载保护特征St＝1持续时间超过1小时或St＝2；其他正常工作情况下的空开数据样本标记为正常。
6.根据权利要求1至5任一项所述的一种智慧空开装置的自动控制和预警方法的实现平台，其特征在于，包括数据处理模块、特征设计模块、决策判断模块、实时显示模块和远程控制模块；所述数据处理模块对从多源传感器收集来的数据进行步骤S12和步骤S13所述的数据处理，计算统计量并确定规律，舍去缺失数据及异常数据；所述特征设计模块根据步骤S21和步骤S22所设计的输入特征量计算方法，对短路保护特征Per1、漏电保护特征Bolt、过载保护特征St以及电流It、电压Ut、温度Tt的平均值
以及其标准差
进行计算；所述决策判断模块将步骤S3中的GBDT分类模型部署至云端平台，可对输入的样本进行判断分类，分成正常、警告和危险三类状况；所述实时显示模块将步骤S11至步骤S13所述智慧空开装置的各特征值、S21至S22所设计的以及空开装置的参量的实时和历史数据、以及智慧空开所处的状态正常、警告或危险，显示在PC或移动端屏幕上，用以便于维护人员及时把握智慧空开系统的动态变化；所述远程控制模块：智慧空开装置若被判断为警告状态，启动自检功能，并发送信息至实时显示模块提醒人工管理员；若被判断为危险状态，通过远程控制方式立即自动断开隔离开关，并触发警报信号，避免空开装置出现因短路或漏电等状况而危害人身财产安全。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011186781.XA CN112365000A (zh) | 2020-10-30 | 2020-10-30 | 一种智慧空开装置的自动控制和预警方法及其实现平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011186781.XA CN112365000A (zh) | 2020-10-30 | 2020-10-30 | 一种智慧空开装置的自动控制和预警方法及其实现平台 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112365000A true CN112365000A (zh) | 2021-02-12 |
Family
ID=74513803
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011186781.XA Pending CN112365000A (zh) | 2020-10-30 | 2020-10-30 | 一种智慧空开装置的自动控制和预警方法及其实现平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112365000A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114333220A (zh) * | 2022-01-21 | 2022-04-12 | 北京天恒安科集团有限公司 | 一种工地临时用电管理方法 |
| FR3122933A1 (fr) * | 2021-03-09 | 2022-11-18 | Alcom Technologies | Méthode d’analyse prédictive pour combler des données manquantes dans un ensemble de capteurs |
| CN116544877A (zh) * | 2023-05-20 | 2023-08-04 | 中海石油(中国)有限公司湛江分公司 | 用于海上石油平台海缆电流实时监控的继电保护装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090113049A1 (en) * | 2006-04-12 | 2009-04-30 | Edsa Micro Corporation | Systems and methods for real-time forecasting and predicting of electrical peaks and managing the energy, health, reliability, and performance of electrical power systems based on an artificial adaptive neural network |
| US20180188701A1 (en) * | 2016-11-02 | 2018-07-05 | Edison Labs, Inc. | Switch terminal system with spatial relationship information |
| CN108879956A (zh) * | 2018-07-19 | 2018-11-23 | 山东易华录信息技术有限公司 | 基于设备运行状态对系统故障进行主动判断并修复的方法 |
| US20190370684A1 (en) * | 2018-06-01 | 2019-12-05 | Sas Institute Inc. | System for automatic, simultaneous feature selection and hyperparameter tuning for a machine learning model |
| CN110991510A (zh) * | 2019-11-25 | 2020-04-10 | 山大地纬软件股份有限公司 | 不平衡分类学习的泛化低压异常箱表关系识别方法及系统 |
| 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 |
| US20200150622A1 (en) * | 2018-11-13 | 2020-05-14 | Guangdong University Of Technology | Method for detecting abnormity in unsupervised industrial system based on deep transfer learning |
| US20200285900A1 (en) * | 2019-03-06 | 2020-09-10 | Wuhan University | Power electronic circuit fault diagnosis method based on optimizing deep belief network |
-
2020
- 2020-10-30 CN CN202011186781.XA patent/CN112365000A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090113049A1 (en) * | 2006-04-12 | 2009-04-30 | Edsa Micro Corporation | Systems and methods for real-time forecasting and predicting of electrical peaks and managing the energy, health, reliability, and performance of electrical power systems based on an artificial adaptive neural network |
| US20180188701A1 (en) * | 2016-11-02 | 2018-07-05 | Edison Labs, Inc. | Switch terminal system with spatial relationship information |
| US20190370684A1 (en) * | 2018-06-01 | 2019-12-05 | Sas Institute Inc. | System for automatic, simultaneous feature selection and hyperparameter tuning for a machine learning model |
| CN108879956A (zh) * | 2018-07-19 | 2018-11-23 | 山东易华录信息技术有限公司 | 基于设备运行状态对系统故障进行主动判断并修复的方法 |
| US20200150622A1 (en) * | 2018-11-13 | 2020-05-14 | Guangdong University Of Technology | Method for detecting abnormity in unsupervised industrial system based on deep transfer learning |
| US20200285900A1 (en) * | 2019-03-06 | 2020-09-10 | Wuhan University | Power electronic circuit fault diagnosis method based on optimizing deep belief network |
| CN110991510A (zh) * | 2019-11-25 | 2020-04-10 | 山大地纬软件股份有限公司 | 不平衡分类学习的泛化低压异常箱表关系识别方法及系统 |
| 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 |
Non-Patent Citations (3)
| Title |
|---|
| DAS ETAL.: "Performance Assessment of a Graphene-Based Ballistic Switch Design", 《2017 SILICON NANOELECTRONICS WORKSHOP (SNW)》, 31 December 2017 (2017-12-31), pages 1 - 3 * |
| 叶菁 等: "220 kV 母线电压互感器及其二次回路异常分析及处理", 《江西电力》, vol. 35, no. 3, 31 December 2011 (2011-12-31), pages 20 - 32 * |
| 高小芹 等: "基于最小二乘支持向量机的配电网故障量预测模型", 《武汉理工大学学报( 信息与管理工程版)》, vol. 42, no. 1, 29 February 2020 (2020-02-29), pages 23 - 29 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR3122933A1 (fr) * | 2021-03-09 | 2022-11-18 | Alcom Technologies | Méthode d’analyse prédictive pour combler des données manquantes dans un ensemble de capteurs |
| CN114333220A (zh) * | 2022-01-21 | 2022-04-12 | 北京天恒安科集团有限公司 | 一种工地临时用电管理方法 |
| CN116544877A (zh) * | 2023-05-20 | 2023-08-04 | 中海石油(中国)有限公司湛江分公司 | 用于海上石油平台海缆电流实时监控的继电保护装置 |
| CN116544877B (zh) * | 2023-05-20 | 2024-02-20 | 中海石油(中国)有限公司湛江分公司 | 用于海上石油平台海缆电流实时监控的继电保护装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112365000A (zh) | 一种智慧空开装置的自动控制和预警方法及其实现平台 | |
| CN102779230B (zh) | 一种电力变压器系统状态分析和维修决策判断方法 | |
| CN116683648B (zh) | 一种智能型配电柜及其控制系统 | |
| CN104377816A (zh) | 一种智能化的重合闸断路器及其自动重合的控制方法 | |
| CN104237777A (zh) | 基于核主元分析的支持向量机高压断路器故障诊断方法 | |
| CN110941918A (zh) | 智能化变电站故障分析系统 | |
| CN110349048B (zh) | 变电站多维数据运行交互控制平台及故障处置方法 | |
| US20230062725A1 (en) | Data Analytics for Smart Electrical Protection Systems | |
| CN112816859A (zh) | 断路器分合闸线圈状态在线监测及智能评估系统 | |
| CN111044845B (zh) | 基于Apriori算法的配电网事故识别方法及系统 | |
| CN113763667A (zh) | 一种基于5g边缘计算的火灾预警及状态监测装置及方法 | |
| CN104578430B (zh) | 用于断路器操作机构的在线监控装置 | |
| CN109490715A (zh) | 一种极端环境下的电力系统故障判别方法 | |
| CN117350548B (zh) | 一种配电设备安全隐患排查方法 | |
| CN204258436U (zh) | 一种智能化的重合闸断路器 | |
| CN112085043B (zh) | 一种变电站网络安全智能监控方法及系统 | |
| CN116345412A (zh) | 一种配网开关柜操作线圈的检测防护装置和配网开关柜 | |
| CN113708489B (zh) | 一种电力二次设备告警方法及系统 | |
| CN106845652B (zh) | 基于关联关系的继电保护在线监测方法与系统 | |
| CN206096384U (zh) | 基于分合闸线圈电流的断路器状态监测系统 | |
| CN113759243A (zh) | 用于检测断开单元的脱扣的方法和装置以及电气外壳 | |
| CN111679653A (zh) | 一种智能故障录波装置及直流场控制回路故障定位方法 | |
| CN113641122A (zh) | 一种智能化高压开关的联闭锁逻辑可视化方法及装置 | |
| CN114626827B (zh) | 一种基于数字孪生的配电自动化防误操作方法 | |
| CN205508664U (zh) | 一种实现对gis刀闸分合是否到位的智能判断系统 |
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 |