CN112699104A - 一种电力设备的智能传感器的数据处理方法及智能传感器 - Google Patents
一种电力设备的智能传感器的数据处理方法及智能传感器 Download PDFInfo
- Publication number
- CN112699104A CN112699104A CN202011447207.5A CN202011447207A CN112699104A CN 112699104 A CN112699104 A CN 112699104A CN 202011447207 A CN202011447207 A CN 202011447207A CN 112699104 A CN112699104 A CN 112699104A
- Authority
- CN
- China
- Prior art keywords
- data
- sensor
- network
- equipment
- fault
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000012544 monitoring process Methods 0.000 claims description 17
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 description 14
- 230000007547 defect Effects 0.000 description 4
- 230000006855 networking Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012546 transfer Methods 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
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种电力设备的智能传感器的数据处理方法及智能传感器。包括：第一传感器启动后，根据自身监控的第一设备属性、以及预先存储的对应故障的事件属性，与选择的多个关联的传感器组成第一网络；其中，所述关联的多个传感器，部分数量的传感器与所述第一传感器在同一设备上，另一部分数量的传感器在所述第一设备相关联的多个设备上；获得所述第一网络内的传感器的数据，根据事件属性分析所述获得的数据，确定故障发生的概率；按照故障发生概率是否符合阈值，选择是否将本次分析的数据通过汇聚节点传输至网络层的用户侧。本发明可以实现降低云侧的数据压力，通过概率的分析，传输的数据中去除了无关的数据，提升了云侧的分析和响应的效率。
Description
技术领域
本发明涉及电力技术领域，尤其涉及一种用于电力设备的智能传感器的数据处理方法及智能传感器。
背景技术
在电力设备领域，特别是电网设备集中的区域，如火力、水力、核能、风能等能源设备聚集区域，通常含有大量的设备，这些设备需要人员进行安全检查，常见的检查，除人工巡检之外，还通过智能传感器自身发现当前运转的缺陷，并进行上报。
现有技术中，随着上报的数据越来越多，导致汇聚节点、或人机接口的显示方面，存在较多的数据量。这些数据量降低了人工的工作效率，提升的监控成本。
经上述的技术分析，现有技术中用于上报监控的数据较多，例如变频器相关的设备、变压器等，这些数据，包括温度、电流、电压波动、运行时间等，这些数据统一汇聚到物联网侧，由物联网侧的云平台根据之前的历史时间的数据分析，做出故障的预测判断，从而对受监控的设备进行干预，由于物联网侧的数据汇聚较多，容易出现云分析判断时间长，反馈到用户时间长，容易出现干预滞后的情况。
发明内容
本发明实施例提供了一种电力设备的智能传感器的数据处理方法及智能传感器，以解决现有技术中数据长传过多，传输拥塞、用户干预措施滞后的缺陷。
本发明实施例提供一种用于电力设备的智能传感器的数据处理的方法，包括：
第一传感器启动后，根据自身监控的第一设备属性、以及预先存储的对应故障的事件属性，与选择的多个关联的传感器组成第一网络；其中，所述关联的多个传感器，部分数量的传感器与所述第一传感器在同一设备上，另一部分数量的传感器在所述第一设备相关联的多个设备上；
获得所述第一网络内的传感器的数据，根据事件属性分析所述获得的数据，确定故障发生的概率；
按照故障发生概率是否符合阈值，选择是否将本次分析的数据通过汇聚节点传输至网络层的用户侧。
优选地，所述分析过程包括：
在大数据中，预先根据与所述第一设备的同类设备故障时，采集的所述同类设备以及关联设备的多个用于监控的传感器数据，训练机器学习；
在预定时间内，从所述第一网络中，采集相关数据，并将所述采集的相关数据带入训练好的学习模型，确定故障发生的概率。
优选地，当所述概率符合阈值，将所述本次分析的数据传输至网络层的用户侧，还包括：
当所述用户侧的反馈为不需要干涉，则调整所述学习模型的模型参数、以及剔除或新增所述第一网络内的所监控的设备的传感器；
所述模型参数包括：每个设备的电力物理参数以及拓扑参数。
优选地，所述第一传感器在监测到数据高于阈值后，执行所述选择组成所述第一网络的步骤。
优选地，所述关联设备包括：与所述第一设备电气连接的电力设备。
优选地，根据自身监控的第一设备属性、以及预先存储的事件属性，与选择的多个关联的传感器组成第一网络；包括：
设备属性、事件属性均含有设置的优先级；
根据所述优先级选择相应的多个关联的传感器组成所述第一网络。
优选地，所述电力物理参数包括：每个传感器检测到的异常数据的持续时间、幅值、告警；
所述拓扑参数包括：节点、数量和连接关系；其中，所述第一网络的拓扑参数与所述机器学习中网络的拓扑参数相同；其中，所述机器学习中网络为所述同类故障设备和其关联设备组成网络。
优选地，所述确定故障发生的概率后，还包括：
用户根据故障概率的情况，更换元器件或进行检修。
优选地，所述第一设备为变压器、整流器、断路器、逆变器或电抗器。
通过上述的实施例的步骤，可以实现在传感器侧，对故障数据的初次判断，根据概率分析，对于概率较低的事件属性，确定为不容易出现问题，并将对应的数据丢弃；对于概率高过阈值的事件属性，根据自身和关联设备的传感器的数据进行分析，选择有可能产生故障的数据上传，并附着相应的事件属性。由于抛弃了一部分事件属性出现概率较低的数据，从而降低了云分析的数据压力，提升了数据分析的效率，以及维修响应的速度，降低了故障的风险。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一优选实施例的流程示意图。
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取的所有其他实施例，都属于本发明保护的范围。
参见图1，图1是本发明实施例的流程图，包括以下步骤：
S11：第一传感器启动后，根据自身监控的第一设备属性、以及预先存储的对应故障的事件属性，与选择的多个关联的传感器组成第一网络；其中，所述关联的多个传感器，部分数量的传感器与所述第一传感器在同一设备上，另一部分数量的传感器在所述第一设备相关联的多个设备上；
优选地，可采用zigbee组网，在短时间可实现不同数量的传感器的任意组网，形成第一网络；如第一设备为变压器，其属性为功能，用于升压/降压。
S12：获得所述第一网络内的传感器的数据，根据事件属性分析所述获得的数据，确定故障发生的概率；
事件均为故障事件，如变压器故障、逆变器故障、整流器故障等。事件的属性，包括更换、维修、保养、检修等。
分析过程，可根据预先设置的阈值，分析每个采集的数据与阈值之间的差距，分析是否异常，通过多个传感器采集的数据，确定每类数据是否异常，总体得出每个事件属性出现的概率。
例如，对于更换器件、和保养器件，采集的数据会有所不同，且数据的异常值，也不同。在计算出现的概率时，计算标准也不同，如在保养时，温度偏差2度，形变超过1毫米，以前其他检测的数据中，80％的出现的幅值超过2％，即可认为需要保养的概率为0.8；
在更换器件时，相关的传感器中50％的器件出现的幅值波动超过阈值，即认为需要更换的概率为1。
概率的计算，可以采用给每个传感器器在不同事件的属性中，赋予不同的权重，计算概率时，有多种方式，最常用的如均值、贝叶斯模型等。
S13：按照故障发生概率是否符合阈值，选择是否将本次分析的数据通过汇聚节点传输至网络层的用户侧。
不同设备的故障事件，可以采用不同的事件属性进行处理，以实现更好的电力设备的寿命延续。
通过上述的实施例的步骤，可以实现在传感器侧，对故障数据的初次判断，根据概率分析，对于概率较低的事件属性，确定为不容易出现问题，并将对应的数据丢弃；对于概率高过阈值的事件属性，根据自身和关联设备的传感器的数据进行分析，选择有可能产生故障的数据上传，并附着相应的事件属性。由于抛弃了一部分事件属性出现概率较低的数据，从而降低了云分析的数据压力，提升了数据分析的效率，以及维修响应的速度，降低了故障的风险。
对于需要维修、保养的事件属性，可以将概率值调节为较低的数值，如0.6；以增加保养、和维修的次数，从而实现在适当的时机进行保养，以提升设备运转的状态；对于需要停产，实现元器件更换的事件属性，则需要将概率值提升，如0.95以上，以降低错误识别。
优选地，在大数据中，预先根据与所述第一设备的同类设备故障时，采集的所述同类设备以及关联设备的多个用于监控的传感器数据，训练机器学习；
这些大数据，为各个省市电力公司、各个相同或同类设备的数据样本，包括该故障设备(即第一设备)在故障时，自身的数据变化，以及关联设备的数据变化。例如，当变压器的数据变化，并出现故障时，以及故障之前，采集一段时间的数据，如需要采集变压器自身的数据变化，如油温、气体、电流、噪声、振动等；除此之外，还需要采集关联设备的数据变化，如与变压器连接的断路器、继电器、母线等电力设备上的参数变化，如谐波、发热等，特别是变压器故障时，关联设备的谐波和温度通常都会出现波动。这点也验证了关联的电力设备之间的故障传递和故障反应。
采用的机器学习的算法很多，如SVM、或神经网络算法等，均可以实现，用于训练机器学习模型。特别是对于有些视频监控的数据，卷积神经网络更利于分析，如出现的螺丝松动、火花、机械形变、专家经验决策等。
在预定时间内，从所述第一网络中，采集相关的传感器检测到的数据，并将所述采集的相关数据带入训练好的学习模型，确定故障发生的概率。
优选地，上述实施例中的方法，还包括：当所述概率符合阈值，将所述本次分析的数据传输至网络层的用户侧，还包括：
当所述用户侧的反馈为不需要干涉，则调整所述学习模型的模型参数、以及剔除或新增所述第一网络内的所监控的设备的传感器；
所述模型参数包括：每个设备的电力物理参数以及拓扑参数。优选地，所述电力物理参数包括：每个传感器检测到的异常数据的持续时间、幅值、告警等。
以上的调整，可以根据用户的经验，或专家组的经验，依据电力设备的电器特性，做相应调整，用调整后的数据重新进行训练机器模型，以实现对维修、更换等事件属性的概率识别，如去除一些无关的参数的传感器参数，增加一些新的传感器，采集更适合的参数，如将电流参数替换为电压参数，将采集的持续时间由5毫秒，调整为10毫秒，将幅值从±30V波动，调整为±15V波动就进行采集等，或调整一些时间的权重，以使最终的结论更贴近需要保养、或更换、或维修的情况。
将调整后的参数、传感器的位置、及数量，用于重新训练机器模型，以贴合后期的用户侧的反馈情况，减少人员干涉的调整。
优选地，在实施例中，为了能实现关联设备在对故障数据的处理，体现关联关系。以克服现有技术中关联关系不明显，不能体现关联设备的传感器的数据变化与第一设备的故障变化发展之间的关联关系的缺陷。为此，本申请在训练机器模型中，限制了关联设备和第一设备之间的关联属性的参数。
在关联设备和第一设备安装时，记载安装的拓扑参数，为减少随机事件的影响，只选择第一设备直接相连的设备，如对于直流滤波器作为第一设备，其关联设备的主要设备只有逆变器和整流器。将这样的设备在电网中的安装位置参数、电器特性参数(如用于中压范围还是中高压范围)等，这些参数表征为向量参数，以及各自作为节点的位置关系、连接关系等。
在训练机器模型时，所述第一网络的拓扑参数与所述机器学习中网络的拓扑参数相同；其中，所述机器学习中网络为所述同类故障设备和其关联设备组成网络。
通过这样的设置，在训练机器模型时，可以将机器学习中的网络更贴近后续分析的第一网络，由于两个网络参数的近乎一致，即使稍有偏差也不影响训练结果和后续分析故障概率的准确性。这个偏差本领域技术人员可以根据实际情况予以掌握，两个网络内的设备是否实质上相同。
采用这样的网络，检测到设备的故障时的当前参数异常，以及前后一段时间内的参数异常，由于训练模型中的网络与第一网络中的设备的拓扑结构相同，可以实现训练后的模型，检测出设备的不同事件属性下的，第一设备和关联设备的异常数据，对于设备的影响，以及对不同的事件属性，发生的概率影响。用户在收到这些概率分析后，可以进一步决定对元器件进行更换、还是保养维护、检修等操作。
优选地，在进行组网监控时，可定时监测不同属性的事件，进行组网分析；还可以在第一传感器监测到数据高于阈值后，执行所述选择组成所述第一网络的步骤。第一传感器为当前设备内安装的传感器。
不同的事件属性监测时，如果出现在同一时刻监测，则根据设备的属性、事件的属性的优先级，确定先对哪个类型的事件进行监控。
从而实现对监控流程上起到更好的监控顺序。
本发明还提供一种用于电力设备的智能传感器，用于执行上述实施例中的步骤。优选地，该智能传感器，具有采集模块、模数转换模块、处理芯片和网络收发模块。
综上，本发明的实施例可以实现对多监测数据的传感器、以及关联设备的数据，共同分析设备事件的多个属性发生的概率，从而实现对设备的监控，且由于监控数据的训练模型，所采用的网络数据，与第一网络的设备为相同或实质相同的设备数据。从而更有效的分析出来，各个设备与当前设备之间的传感器数据的相关性。在训练模型实际使用中，有更好的分析效果，对故障有更好的预判。并通过用户的干涉，进一步降低了无效数据的采集，从而使监控网络随着使用时间的延长，数据积累的更多，分析的更精准，降低了汇聚节点上传数据的压力。同时提升了设备维护周期的精确时间，与定期维护相比，也降低了成本。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种电力设备的智能传感器的数据处理方法，其特征在于，包括：
第一传感器启动后，根据自身监控的第一设备属性、以及预先存储的对应故障的事件属性，与选择的多个关联的传感器组成第一网络；其中，所述关联的多个传感器，部分数量的传感器与所述第一传感器在同一设备上，另一部分数量的传感器在所述第一设备相关联的多个设备上；
获得所述第一网络内的传感器的数据，根据事件属性分析所述获得的数据，确定故障发生的概率；
按照故障发生概率是否符合阈值，选择是否将本次分析的数据通过汇聚节点传输至网络层的用户侧。
2.根据权利要求1所述的数据处理方法，其特征在于，所述分析过程包括：
在大数据中，预先根据与所述第一设备的同类设备故障时，采集的所述同类设备以及关联设备的多个用于监控的传感器数据，训练机器学习；
在预定时间内，从所述第一网络中，采集相关数据，并将所述采集的相关数据带入训练好的学习模型，确定故障发生的概率。
3.根据权利要求2所述的数据处理方法，其特征在于，当所述概率符合阈值，将所述本次分析的数据传输至网络层的用户侧，还包括：
当所述用户侧的反馈为不需要干涉，则调整所述学习模型的模型参数、以及剔除或新增所述第一网络内的所监控的设备的传感器；
所述模型参数包括：每个设备的电力物理参数以及拓扑参数。
4.根据权利要求3所述的数据处理方法，其特征在于，所述第一传感器在监测到数据高于阈值后，执行所述选择组成所述第一网络的步骤。
5.根据权利要求3所述的数据处理方法，其特征在于，所述关联设备包括：与所述第一设备电气连接的电力设备。
6.根据权利要求3所述的数据处理方法，其特征在于，根据自身监控的第一设备属性、以及预先存储的事件属性，与选择的多个关联的传感器组成第一网络；包括：
设备属性、事件属性均含有设置的优先级；
根据所述优先级选择相应的多个关联的传感器组成所述第一网络。
7.根据权利要求3所述的数据处理方法，其特征在于，所述电力物理参数包括：每个传感器检测到的异常数据的持续时间、幅值、告警；
所述拓扑参数包括：节点、数量和连接关系；其中，所述第一网络的拓扑参数与所述机器学习中网络的拓扑参数相同；其中，所述机器学习中网络为所述同类故障设备和其关联设备组成网络。
8.根据权利要求7所述的数据处理方法，其特征在于，所述确定故障发生的概率后，还包括：
用户根据故障概率的情况，更换元器件或进行检修。
9.根据权利要求1所述的数据处理方法，其特征在于，所述第一设备为变压器、整流器、断路器、逆变器或电抗器。
10.一种用于电力设备的智能传感器，用于执行上述1～9任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011447207.5A CN112699104B (zh) | 2020-12-11 | 2020-12-11 | 一种电力设备的智能传感器的数据处理方法及智能传感器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011447207.5A CN112699104B (zh) | 2020-12-11 | 2020-12-11 | 一种电力设备的智能传感器的数据处理方法及智能传感器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112699104A true CN112699104A (zh) | 2021-04-23 |
| CN112699104B CN112699104B (zh) | 2023-04-07 |
Family
ID=75508241
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011447207.5A Active CN112699104B (zh) | 2020-12-11 | 2020-12-11 | 一种电力设备的智能传感器的数据处理方法及智能传感器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112699104B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114091280A (zh) * | 2021-11-26 | 2022-02-25 | 江苏汉华热管理科技有限公司 | 一种石墨化炉保温系统稳定性检测方法及装置 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105511450A (zh) * | 2015-12-30 | 2016-04-20 | 福建工程学院 | 叉装车远程故障监控及预测的方法 |
| CN107330529A (zh) * | 2017-06-05 | 2017-11-07 | 上海理工大学 | 重型轧辊装载智能机器人的故障风险评估方法 |
| CN108345723A (zh) * | 2018-01-24 | 2018-07-31 | 江苏新中天塑业有限公司 | 一种基于决策树和贝叶斯网络的电机故障诊断系统及方法 |
| CN108377261A (zh) * | 2018-01-24 | 2018-08-07 | 江苏新中天塑业有限公司 | 一种基于工业无线传感网络的电机故障诊断系统及方法 |
| CN108803552A (zh) * | 2018-08-31 | 2018-11-13 | 承德建龙特殊钢有限公司 | 一种设备故障的监测系统及监测方法 |
| CN109905278A (zh) * | 2019-02-28 | 2019-06-18 | 深圳力维智联技术有限公司 | 基于大数据的基站故障检测方法、装置和存储介质 |
| CN110942221A (zh) * | 2019-08-02 | 2020-03-31 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于物联网的变电站故障快速修复方法 |
| CN111210092A (zh) * | 2020-03-04 | 2020-05-29 | 深圳市今天国际物流技术股份有限公司 | 一种基于深度学习的堆垛机预测性维护方法及其系统 |
| CN111650921A (zh) * | 2020-05-20 | 2020-09-11 | 国网江苏省电力有限公司泰州供电分公司 | 一种智能电网调控控制系统设备故障诊断方法及系统 |
| CN111983383A (zh) * | 2020-08-17 | 2020-11-24 | 海南电网有限责任公司信息通信分公司 | 一种电力系统故障抢修方法及系统 |
| CN112731827A (zh) * | 2020-12-11 | 2021-04-30 | 国网宁夏电力有限公司吴忠供电公司 | 一种用于电力设备的智能传感器的监控系统 |
-
2020
- 2020-12-11 CN CN202011447207.5A patent/CN112699104B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105511450A (zh) * | 2015-12-30 | 2016-04-20 | 福建工程学院 | 叉装车远程故障监控及预测的方法 |
| CN107330529A (zh) * | 2017-06-05 | 2017-11-07 | 上海理工大学 | 重型轧辊装载智能机器人的故障风险评估方法 |
| CN108345723A (zh) * | 2018-01-24 | 2018-07-31 | 江苏新中天塑业有限公司 | 一种基于决策树和贝叶斯网络的电机故障诊断系统及方法 |
| CN108377261A (zh) * | 2018-01-24 | 2018-08-07 | 江苏新中天塑业有限公司 | 一种基于工业无线传感网络的电机故障诊断系统及方法 |
| CN108803552A (zh) * | 2018-08-31 | 2018-11-13 | 承德建龙特殊钢有限公司 | 一种设备故障的监测系统及监测方法 |
| CN109905278A (zh) * | 2019-02-28 | 2019-06-18 | 深圳力维智联技术有限公司 | 基于大数据的基站故障检测方法、装置和存储介质 |
| CN110942221A (zh) * | 2019-08-02 | 2020-03-31 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于物联网的变电站故障快速修复方法 |
| CN111210092A (zh) * | 2020-03-04 | 2020-05-29 | 深圳市今天国际物流技术股份有限公司 | 一种基于深度学习的堆垛机预测性维护方法及其系统 |
| CN111650921A (zh) * | 2020-05-20 | 2020-09-11 | 国网江苏省电力有限公司泰州供电分公司 | 一种智能电网调控控制系统设备故障诊断方法及系统 |
| CN111983383A (zh) * | 2020-08-17 | 2020-11-24 | 海南电网有限责任公司信息通信分公司 | 一种电力系统故障抢修方法及系统 |
| CN112731827A (zh) * | 2020-12-11 | 2021-04-30 | 国网宁夏电力有限公司吴忠供电公司 | 一种用于电力设备的智能传感器的监控系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114091280A (zh) * | 2021-11-26 | 2022-02-25 | 江苏汉华热管理科技有限公司 | 一种石墨化炉保温系统稳定性检测方法及装置 |
| CN114091280B (zh) * | 2021-11-26 | 2022-07-05 | 江苏汉华热管理科技有限公司 | 一种石墨化炉保温系统稳定性检测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112699104B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102231521B (zh) | 一种配电网自愈控制中的电网运行状态辨识方法 | |
| CN112731827B (zh) | 一种用于电力设备的智能传感器的监控系统 | |
| CN110443037B (zh) | 一种基于改进ahp方法的电力监控网络安全态势感知方法 | |
| CN116069079B (zh) | 一种智能开关柜的散热智能控制方法及系统 | |
| CN111398723A (zh) | 一种变压器故障智能诊断的模型方法 | |
| CN104486101A (zh) | 一种在线电力远动iec104传输异常检测方法 | |
| CN112699104B (zh) | 一种电力设备的智能传感器的数据处理方法及智能传感器 | |
| CN110621003B (zh) | 一种电气设备故障诊断装置 | |
| CN115977855A (zh) | 一种基于人工智能的水电站故障诊断系统 | |
| CN116800199A (zh) | 一种分布式光伏运行电能质量监测与分析方法 | |
| CN112886604A (zh) | 一种典型故障下岸基供电海上油田群运行控制方法 | |
| CN104682565A (zh) | 电网信息自动采集监控系统 | |
| CN109980630B (zh) | 一种用于发电计划优化的未来态网络拓扑模型修正方法 | |
| CN205304734U (zh) | 光伏电站状态预测及故障诊断装置 | |
| CN109507468B (zh) | 一种基于关联特征的汇流箱支路电流检测方法及系统 | |
| CN117096956B (zh) | 一种高压变频器的谐波控制方法及系统 | |
| CN116542510B (zh) | 船舶电气调试流程的优化配置方法 | |
| Gao et al. | The diagnosis of wired network malfunctions based on big data and traffic prediction: An overview | |
| CN117034157B (zh) | 一种结合多模态运行数据的水电设备故障识别方法与系统 | |
| CN114414938B (zh) | 一种配电网故障的动态响应方法及系统 | |
| KR102480730B1 (ko) | 무선구동 방식의 태양광 발전 시스템 | |
| CN218450040U (zh) | 一种分布式光伏电站的智能故障诊断系统 | |
| CN117761468B (zh) | 一种新能源发电站多参数运行状态监控方法及系统 | |
| CN110232482B (zh) | 基于神经网络的设备管理方法及装置 | |
| Xiao et al. | The Risk Assessment Optimization for the Relay Protection System Based on Proportional Intensity Model |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230406 Address after: 751199 Nanhuan Road, Wuzhong City, Ningxia Hui Autonomous Region Applicant after: STATE GRID NINGXIA ELECTRIC POWER COMPANY WUZHONG POWER SUPPLY CO. Applicant after: STATE GRID NINGXIA ELECTRIC POWER Co.,Ltd. Address before: 751100 Wuzhong Road, Litong District, Wuzhong City, the Ningxia Hui Autonomous Region Applicant before: STATE GRID NINGXIA ELECTRIC POWER COMPANY WUZHONG POWER SUPPLY CO. |