CN112686582B - 基于多源异构数据挖掘的综合能源园区的智能运维系统 - Google Patents
基于多源异构数据挖掘的综合能源园区的智能运维系统 Download PDFInfo
- Publication number
- CN112686582B CN112686582B CN202110269899.7A CN202110269899A CN112686582B CN 112686582 B CN112686582 B CN 112686582B CN 202110269899 A CN202110269899 A CN 202110269899A CN 112686582 B CN112686582 B CN 112686582B
- Authority
- CN
- China
- Prior art keywords
- maintenance
- data
- park
- fault
- intelligent
- 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.)
- Active
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 241
- 238000007418 data mining Methods 0.000 title claims abstract description 16
- 238000009826 distribution Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000013468 resource allocation Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 2
- 238000001816 cooling Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 claims description 2
- 238000004146 energy storage Methods 0.000 claims description 2
- 238000010438 heat treatment Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000010248 power generation Methods 0.000 claims description 2
- 238000005057 refrigeration Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000007726 management method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多源异构数据挖掘的综合能源园区的智能运维系统，适用于园区内运维资源的智能采购及分配，其包括数据采集模块、园区数字化建模模块、数据预处理和分析模块以及智能运维模块；所述智能运维模块包括区域故障预测单元和智能采购及资源分配单元，智能采购及资源分配单元与区域故障预测单元连接。智能运维系统对综合能源园区进行数据采集、预处理及分析，并依据挖掘到的数据，采用人工智能算法建立园区智能运维模型；然后先进行区域故障预测，再由故障预测结果结合运维信息，实现园区内运维资源的智能采购及分配。本发明可实现对园区内运维资源的智能采购及分配，有效地降低了运维成本，实现资源的优化利用。
Description
技术领域
本发明涉及综合能源管理领域，具体涉及一种基于多源异构数据挖掘的综合能源园区的智能运维系统。
背景技术
伴随着经济的快速发展，工业园区作为区域经济发展的助推器和火车头，在全国各地呈现出一种蓬勃发展之势。然而，由于园区内的设备类型繁多、故障发生的种类较多以及故障发生的概率难以被预知，给工业园区的运维管理带来一定的难度。同时也由于工业园区的运维管理的不够合理，造成了一部分运维资源的浪费。在此背景下，采用人工智能技术对园区内运维资源进行合理的采购和分配，可有效地减低园区运维成本，达到资源的合理利用。
然而目前少有研究在综合能源管理领域中应用人工智能技术，经对现有的文献发现，中国发明专利（申请号：202010561083.7）提出了一种涉及工业园区用电互联网的智能运维管控系统及方法，将当前故障分析结果、第一故障分析结果以及当前运行结果进行对比，判断当前用电是否出现故障，但该文献并未提出一种合理的运维资源采购及分配的方案，并不能实现运维资源的智能采购及分配，没有很好地减低运维的成本。
因此，本发明提出了一种基于多源异构数据挖掘的综合能源园区的智能运维系统，通过对故障数据的收集及深度挖掘，建立智能采购及分配模型，并利用智能算法求解得到对运维资源的采购方案和分配计划，有效地降低了园区运维的成本。
发明内容
本发明提供一种基于多源异构数据挖掘的综合能源园区的智能运维系统统，能够对运维对象的历史故障信息进行采集和深度挖掘，通过样本数据训练学习来预测园区内故障发生的情况，并实现园区内运维资源的智能采购及分配。
为实现上述目的，本发明采用如下技术方案：
一种基于多源异构数据挖掘的综合能源园区的智能运维系统，包括：
数据采集模块，用于采集园区要素信息、运维对象历史故障信息、园区环境气象数据以及运维信息；
园区数字化建模模块，用于根据所述的园区要素信息，建立园区数字化模型。所述园区数字化模型，将综合能源园区划分为多个运维区域，并标示出运维区域中运维服务点和运维对象的坐标，所述园区数字话建模模块与数据采集模块连接；
数据预处理和分析模块，用于对运维对象的历史故障信息、园区环境气象数据进行数据处理，所述数据预处理和分析模块与园区数字化建模模块连接；
以及智能运维模块，该智能运维模块与数据预处理和分析模块连接：
所述智能运维模块包括区域故障预测单元和智能采购及资源分配单元；
所述区域故障预测单元，是基于所述运维对象历史故障信息、园区环境气象数据，采用人工神经网络预测算法建立综合能源园区的区域故障预测模型，并对各运维区域的进行故障预测；
所述智能采购及资源分配单元与区域故障预测单元连接；所述智能采购及资源分配单元是根据各运维区域的故障预测情况，基于所述运维信息，建立运维资源智能采购及分配模型；采用智能算法求解所述运维资源智能采购及分配模型，获得运维资源的最优采购量以及对运维人员、运维配件资源的优化分配结果。
进一步地，所述园区要素信息包括城市基础信息，物联网信息和综合能源设备数据信息；所述运维对象历史故障信息至少包括综合能源园区内运维对象的地理位置、故障类型及对应的历史故障次数；所述园区环境气象数据包括园区内的温度和大气湿度及风力等级；所述运维信息至少包括各类故障的平均运维时间、各类运维配件的余量信息，以及运维人员总人数；
进一步地，所述各类故障的平均运维时间
由各类故障的实际运维时间、各类故障的历史故障次数以及所属运维区域的历史运维人员人数得到，计算公式如下：
其中：
为第k次第j类故障的历史实际运维时间；
为第k次第j类故障的历史故障次数；
为第k次第j类故障时，所属运维区域的历史运维人员人数；
为修正参数，且
。
进一步地，所述数据预处理和分析模块进行数据处理具体包括：
数据清洗：处理缺失的数据、重复的数据以及噪音点；
数据转换：对数据进行采样处理、归一化；
特征提取：提取数据的算术平均值、方差、协方差、一阶差分、二阶差分等特征，获取数据的变化趋势；
以及数据描述：用文字语言、数据图片对提取出来的数据进行描述。
进一步地，所述区域故障预测单元包括以下工作步骤：
a.随机数据分类：将获取到的运维对象历史故障信息、园区环境气象数据随机分成训练集以及测试集；
b.数据训练：将训练集数据作为输入数据，计算得到区域故障预测模型；
c.数据测试：将测试数据代入所述区域故障预测模型中，检验其准确性；
d.故障预测：由检验后的区域故障预测模型，对各运维区域进行故障预测。
进一步地，所述智能采购及分配模型，包括运维配件采购模型和运维人员优化分配模型：
（1）运维配件采购模型
通过如下公式，计算得到需要采购的运维配件类型、数量
：
其中，
是第i个运维区域中，用于第j类故障维护的第q类运维配件数量；
是第i个运维区域中，第j类故障类型的预测故障次数；
是第i个运维区域中，针对第j类故障的单次运维中，消耗第q类运维配件的平均个数；
是第i个运维区域中，用于第j类故障维护的第q类运维配件的裕量参数；
是第i个运维区域中，用于第j类故障维护的第q类运维配件余量；
（2）运维人员优化分配模型
运维人员优化分配模型如下公式所示：
其中，
是综合能源园区的总运维时间；n是运维区域的总数；k i 是第i个运维区域中，故障类别的总数；
为第i个运维区域的第j类故障的预测维护时间；
是第i个运维区域的第j类故障类型的预测故障次数；
是第i个运维区域的运维人员人数；
利用智能算法求解所述运维人员优化分配模型，得到各运维区域的运维人员分配计划。
有益效果：本发明基于多源异构数据挖掘补充建立了综合能源园区的智能运维系统，通过对综合能源园区采集的多源异构数据进行深度挖掘和分析，依靠周期性、高精度的区域故障预测模型进行故障预测，基于故障预测情况建立运维资源的智能采购和分配模型，有效、合理分配园区中各运维区域的运维资源，明显降低园区智能运维的成本，提高了智能运维的精确性和即时性。本发明通过构建综合能源园区智能运维系统，补充了未对运维资源进行合理采购和分配的缺口，使运维资源可得到及时补充和利用，降低成本；基于多源异构数据进行区域故障检测，进一步优化运维资源的利用和运维计划，提高了运维人员的运维效率。
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简单地介绍，显而易见地，下面描述中的附图仅仅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它的附图。
图1：基于多源异构数据挖掘的综合能源园区的智能运维系统示意图；
图2：智能运维模块工作流程示意图。
具体实施方式
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，所描述的实施例仅仅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它实施例，都属于本发明保护的范围。
结合图1所示，本发明实施例提供了一种基于多源异构数据挖掘的综合能源园区的智能运维系统，包括以下模块：数据采集模块、园区数字化建模模块、数据预处理和分析模块以及智能运维模块，所述园区数字话建模模块与数据采集模块连接；所述数据预处理和分析模块与园区数字化建模模块连接；所述智能运维模块与数据预处理和分析模块连接。
数据采集模块：
所述数据采集模块是对园区要素信息、运维对象历史故障信息、园区环境气象数据以及运维信息进行采集。
所述园区要素信息包括城市基础信息，物联网信息，综合能源设备数据信息。其中城市基础信息至少包括建筑单位模型、建筑模型信息、交通信息、土地信息；物联网信息至少包括视频监控信息、测站信息、信号灯和停车场信号信息；综合能源设备数据信息至少包括冷热电联供设备、燃气锅炉、电锅炉、电制冷及蓄冷空调、电储能设备和可再生能源发电设备的数据信息。
所述运维对象历史故障信息至少包括综合能源园区内运维对象的地理位置、故障类型及对应的历史故障次数。
所述园区环境气象数据至少包括园区内的温度、大气湿度及风力等级。
所述运维信息至少包括各类故障的平均运维时间、各类运维配件的余量信息，以及运维人员总人数。其中所述各类故障的平均运维时间
由各类故障的实际运维时间、各类故障的历史故障次数以及所属运维区域的历史运维人员人数得到，计算公式如下：
其中：
为第k次第j类故障的历史实际运维时间；
为第k次第j类故障的历史故障次数；
为第k次第j类故障时，所属运维区域的历史运维人员人数；
为修正参数，且
。
园区数字化建模模块：
园区数字化建模模块是根据所述园区要素信息，采用CIM技术建立园区数字化模型；所述园区数字化模型，将综合能源园区划分为多个运维区域，并建立不同运维区域中运维服务点和运维对象的坐标。
数据预处理和分析模块：
数据预处理和分析模块是对采集到的运维对象历史故障信息、园区环境气象数据进行数据处理，具体包括以下的流程：
数据清洗：处理缺失的数据、重复的数据以及噪音点；
数据转换：对数据进行采样处理、归一化；
特征提取：提取数据的算术平均值、方差、协方差、一阶差分、二阶差分等特征，获取数据的变化趋势；
以及数据描述：用文字语言、数据图片对提取出来的数据进行描述。
智能运维模块：
所述智能运维模块包括区域故障预测单元和智能采购及资源分配单元；所述区域故障预测单元与智能采购及资源分配单元连接。
区域故障预测单元：
所述区域故障预测单元是基于所述运维对象历史故障信息、园区环境气象数据，采用人工神经网络预测算法建立综合能源园区的区域故障预测模型，具体步骤如下：
a.随机数据分类：将获取到的运维对象历史故障数据、园区环境气象数据随机分成训练集以及测试集；
b.数据训练：将训练集数据作为输入数据，计算得到区域故障预测模型；
c.数据测试：将测试数据代入所述区域故障预测模型中，检验其准确性；
d.故障预测：由检验后的区域故障预测模型，对各运维区域进行故障预测。
智能采购及资源分配单元：
结合图2所示，所述智能采购及资源分配单元根据各运维区域的故障预测情况，基于所述运维信息，建立运维资源智能采购及分配模型；采用遗传算法求解所述运维资源智能采购及分配模型，获得运维资源的最优采购量以及对运维人员、运维配件资源的优化分配结果。具体步骤如下：
S1.建立运维配件采购模型
所述运维配件采购模型如下：
其中，
是第i个运维区域中，用于第j类故障维护的第q类运维配件数量；
是第i个运维区域中，第j类故障类型的预测故障次数；
是第i个运维区域中，针对第j类故障的单次运维中，消耗第q类运维配件的平均个数；
是第i个运维区域中，用于第j类故障维护的第q类运维配件的裕量参数；
是第i个运维区域中，用于第j类故障维护的第q类运维配件余量；
由所述运维配件采购模型计算得到需要采购的运维配件类型、数量。
S2.建立运维人员优化分配模型
所述运维人员优化分配模型如下：
其中，
是综合能源园区的总运维时间；n是运维区域的总数；k i 是第i个运维区域中，故障类别的总数；
为第i个运维区域的第j类故障的预测维护时间；
是第i个运维区域的第j类故障类型的预测故障次数；
是第i个运维区域的运维人员人数；
S3.利用遗传算法求解模型，得到智能运维资源采购和分配计划，具体步骤如下：
S3-1.初始化：随机生成N个个体
，并设置最大进化代数T、个体基因及其约束条件。所述个体基因的模型如下：
其中，
为种群中的第i个单个个体；
为分配到第m个运维服务点的运维人员人数；d为运维服务点的总数。
约束条件的公式如下：
其中，
为个体的分配到各运维服务点的运维人员总数；
为运维人员总数。
S3-2.个体评价：以
为适应度函数，计算群体中各个个体的适应度以及种群平均适应度；
S3-3.选择运算：若个体的
不满足约束，则令其被淘汰；若个体适应度值大于平均适应度值，则令其被淘汰；若个体适应度值小于平均适应度值，则令其存活。用存活的个体配对交叉产生新的个体；
S3-4.终止条件判断：若达到最大进化代数T，则终止计算，并以进化过程中所得到的具有最小适应度个体作为最优解输出。
根据上述说明书的揭示和教导，本发明所属领域的技术人员还可以对上述实施方式进行适当的变更和修改。因此，本发明并不局限与上面揭示和描述的具体实施方式，对本发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。此外，尽管本说明书使用了一些特定的术语，但这些术语只是为了方便说明，并不对本发明构成任何限制。
Claims (6)
1.一种基于多源异构数据挖掘的综合能源园区的智能运维系统，其特征在于，包括：
数据采集模块，用于采集园区要素信息、运维对象历史故障信息、园区环境气象数据以及运维信息；
园区数字化建模模块，用于根据所述的园区要素信息，建立园区数字化模型，所述园区数字化模型，将综合能源园区划分为多个运维区域，并标示出运维区域中运维服务点和运维对象的坐标，所述园区数字化建模模块与数据采集模块连接；
数据预处理和分析模块，用于对运维对象的历史故障信息和园区环境气象数据进行数据处理，所述数据预处理和分析模块与园区数字化建模模块连接；
以及智能运维模块，该智能运维模块与数据预处理和分析模块连接；
所述智能运维模块包括区域故障预测单元和智能采购及资源分配单元；
所述区域故障预测单元是基于所述运维对象历史故障信息、园区环境气象数据，采用人工神经网络预测算法建立综合能源园区的区域故障预测模型，并对各运维区域进行故障预测；
所述智能采购及资源分配单元与区域故障预测单元连接；所述智能采购及资源分配单元是根据各运维区域的故障预测情况，基于所述运维信息，建立运维资源智能采购及分配模型；采用智能算法求解所述运维资源智能采购及分配模型，获得运维资源的最优采购量以及对运维人员的优化分配结果；
其中，所述运维信息包括各类故障的平均运维时间、各类运维配件的余量信息，以及运维人员总人数；所述各类故障的平均运维时间
由各类故障的历史实际运维时间、各类故障的历史故障次数以及所属运维区域的历史运维人员人数得到，计算公式如下：
其中：
为第k次第j类故障的历史实际运维时间；
为第k次第j类故障的历史故障次数；
为第k次第j类故障时，所属运维区域的历史运维人员人数；
为修正参数，且
。
2.根据权利要求1所述的基于多源异构数据挖掘的综合能源园区的智能运维系统，其特征在于，所述园区要素信息包括城市基础信息、物联网信息和综合能源设备数据信息；所述运维对象历史故障信息包括综合能源园区内运维对象的地理位置、故障类型以及各故障类型对应的历史故障次数、历史实际运维时间；所述园区环境气象数据包括园区内的温度、大气湿度及风力等级。
3.根据权利要求2所述的基于多源异构数据挖掘的综合能源园区的智能运维系统，其特征在于，所述城市基础信息包括建筑模型信息、建筑单位信息、交通信息和土地信息；物联网信息包括视频监控信息、测站信息、信号灯和停车场信号信息；综合能源设备数据信息包括冷热电联供设备、燃气锅炉、电锅炉、电制冷及蓄冷空调、电储能设备和可再生能源发电设备的数据信息。
4.根据权利要求1所述的一种基于多源异构数据挖掘的综合能源园区的智能运维系统，其特征在于，所述数据预处理和分析模块进行数据处理具体包括：
数据清洗：处理缺失的数据、重复的数据以及噪音点；
数据转换：对数据进行采样处理、归一化；
特征提取：提取数据的算术平均值、方差、协方差、一阶差分、二阶差分的特征，获取数据的变化趋势；
以及数据描述：用文字语言、数据图片对提取出来的数据进行描述。
5.根据权利要求1所述的基于多源异构数据挖掘的综合能源园区的智能运维系统，其特征在于，所述区域故障预测单元包括以下流程：
a.随机数据分类：将获取到的运维对象历史故障信息、园区环境气象数据随机分成训练集以及测试集；
b.数据训练：将训练集数据作为输入数据，计算得到区域故障预测模型；
c.数据测试：将测试数据代入所述区域故障预测模型中，检验其准确性；
d.故障预测：由检验后的区域故障预测模型，对各运维区域进行故障预测。
6.根据权利要求1所述的基于多源异构数据挖掘的综合能源园区的智能运维系统，其特征在于，所述智能采购及分配模型包括运维配件采购模型和运维人员优化分配模型：
（1）运维配件采购模型：
通过如下公式，计算各个运维区域中，需要采购的运维配件类型及数量
：
其中，
是第i个运维区域中，用于第j类故障维护的第q类运维配件数量；
是第i个运维区域中，第j类故障类型的预测故障次数；
是第i个运维区域中，针对第j类故障的单次运维中，消耗第q类运维配件的平均个数；
是第i个运维区域中，用于第j类故障维护的第q类运维配件的裕量参数；
是第i个运维区域中，用于第j类故障维护的第q类运维配件余量；
（2）运维人员优化分配模型：
运维人员优化分配模型如下公式所示：
其中，
是综合能源园区的总运维时间；n是运维区域的总数；
是第i个运维区域中，故障类别的总数；
为第i个运维区域的第j类故障的预测维护时间；
是第i个运维区域中，第j类故障类型的预测故障次数；
是第i个运维区域的运维人员人数；
利用智能算法求解所述运维人员优化分配模型，得到各运维区域的运维人员分配计划。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110269899.7A CN112686582B (zh) | 2021-03-11 | 2021-03-11 | 基于多源异构数据挖掘的综合能源园区的智能运维系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110269899.7A CN112686582B (zh) | 2021-03-11 | 2021-03-11 | 基于多源异构数据挖掘的综合能源园区的智能运维系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112686582A CN112686582A (zh) | 2021-04-20 |
| CN112686582B true CN112686582B (zh) | 2021-07-13 |
Family
ID=75455513
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110269899.7A Active CN112686582B (zh) | 2021-03-11 | 2021-03-11 | 基于多源异构数据挖掘的综合能源园区的智能运维系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112686582B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116384714B (zh) * | 2023-06-05 | 2023-08-18 | 厦门久本科技有限公司 | 一种建筑施工现场综合智能化管理方法、系统及存储介质 |
| CN117057527B (zh) * | 2023-06-30 | 2024-05-14 | 东风设备制造有限公司 | 一种汽车制造设备工业物联网智慧运维方法及系统 |
| CN116663854B (zh) * | 2023-07-24 | 2023-10-17 | 匠人智慧(江苏)科技有限公司 | 一种基于智慧园区的资源调度管理方法、系统及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183771A (zh) * | 2020-08-18 | 2021-01-05 | 北京城建信捷轨道交通工程咨询有限公司 | 一种轨道交通智能运维生态系统及其运行方法 |
| CN112381306A (zh) * | 2020-11-20 | 2021-02-19 | 广西电网有限责任公司防城港供电局 | 配电网智能化运维管控平台 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110648085B (zh) * | 2019-10-30 | 2022-04-29 | 新奥数能科技有限公司 | 一种综合能源园区运维方法及系统 |
| CN111598288A (zh) * | 2020-02-29 | 2020-08-28 | 贵州电网有限责任公司 | 一种基于物资全过程数据的物资需求预测管理方法 |
| CN111667165A (zh) * | 2020-05-30 | 2020-09-15 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种基于电力的智能移动应用业务系统以及应用 |
| CN111624931B (zh) * | 2020-06-18 | 2021-05-11 | 山东山大世纪科技有限公司 | 工业园区用电互联网智能运维管控系统及其方法 |
| CN112234711A (zh) * | 2020-10-09 | 2021-01-15 | 广东电网有限责任公司广州供电局 | 智能互联配电运维管理系统 |
-
2021
- 2021-03-11 CN CN202110269899.7A patent/CN112686582B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183771A (zh) * | 2020-08-18 | 2021-01-05 | 北京城建信捷轨道交通工程咨询有限公司 | 一种轨道交通智能运维生态系统及其运行方法 |
| CN112381306A (zh) * | 2020-11-20 | 2021-02-19 | 广西电网有限责任公司防城港供电局 | 配电网智能化运维管控平台 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112686582A (zh) | 2021-04-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112686582B (zh) | 基于多源异构数据挖掘的综合能源园区的智能运维系统 | |
| Tascikaraoglu | Evaluation of spatio-temporal forecasting methods in various smart city applications | |
| Li et al. | Development of low voltage network templates—Part I: Substation clustering and classification | |
| CN107133702B (zh) | 一种风电场全场功率预测方法 | |
| Kang et al. | Big data analytics in China's electric power industry: modern information, communication technologies, and millions of smart meters | |
| CN102411729B (zh) | 基于自适应线性逻辑网络的风电功率预测方法 | |
| CN109636171A (zh) | 一种区域植被恢复的综合诊断与风险评价方法 | |
| CN114880884B (zh) | 一种基于数字化能源系统的专业化建模分析方法及系统 | |
| CN103198139B (zh) | 用户电力数据的用能分析方法 | |
| CN104601604A (zh) | 网络安全态势分析方法 | |
| CN110095661B (zh) | 一种配电变压器高压侧缺相故障抢修方法 | |
| Gu et al. | Knowledge discovery for smart grid operation, control, and situation awareness—a big data visualization platform | |
| CN117036104B (zh) | 一种基于电力物联网的智慧用电方法和系统 | |
| CN109636066A (zh) | 一种基于模糊时间序列挖掘的风电输出功率预测方法 | |
| CN114689965A (zh) | 基于嵌入式智能传感器的电力设备在线监测方法及系统 | |
| CN116937575A (zh) | 一种网格系统用的能源监控管理系统 | |
| CN110837532A (zh) | 一种基于大数据平台对充电桩窃电行为的检测方法 | |
| CN115063058A (zh) | 一种基于模型驱动和数据驱动的综合能源态势感知系统 | |
| Ju et al. | The use of edge computing-based internet of things big data in the design of power intelligent management and control platform | |
| CN109802634B (zh) | 一种基于大数据的光伏电站的智能运维方法及运维系统 | |
| Miraftabzadeh et al. | K-means and alternative clustering methods in modern power systems | |
| CN112508278A (zh) | 一种基于证据回归多模型的多联供系统负荷预测方法 | |
| CN112649696A (zh) | 电网异常状态识别方法 | |
| CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及系统 | |
| CN116826696A (zh) | 一种新能源融合直流微电网降低产业耗能的方法及装置 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230807 Address after: Room 822, Room 406, No. 1, Yichang Street, Zhongxin Ciudad del Saber, Huangpu District, Guangzhou, Guangdong 510000 Patentee after: China Southern Power Grid Artificial Intelligence Technology Co.,Ltd. Address before: Room 86, room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province Patentee before: Southern Power Grid Digital Grid Research Institute Co.,Ltd. |
|
| TR01 | Transfer of patent right |