CN112949874A - 一种配电终端缺陷特征自诊断方法及系统 - Google Patents

一种配电终端缺陷特征自诊断方法及系统 Download PDF

Info

Publication number
CN112949874A
CN112949874A CN202110241465.6A CN202110241465A CN112949874A CN 112949874 A CN112949874 A CN 112949874A CN 202110241465 A CN202110241465 A CN 202110241465A CN 112949874 A CN112949874 A CN 112949874A
Authority
CN
China
Prior art keywords
defect
power distribution
self
distribution terminal
diagnosis
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
Application number
CN202110241465.6A
Other languages
English (en)
Other versions
CN112949874B (zh
Inventor
刘强
朱正谊
刘国峰
宁昕
嵇文路
汤奕
刘明祥
封士永
蔡月明
许洪华
张雪岑
陈建坤
王徐延
张燕飞
王文帝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
State Grid Electric Power Research Institute
Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Southeast University
State Grid Electric Power Research Institute
Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University, State Grid Electric Power Research Institute, Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Southeast University
Priority to CN202110241465.6A priority Critical patent/CN112949874B/zh
Publication of CN112949874A publication Critical patent/CN112949874A/zh
Application granted granted Critical
Publication of CN112949874B publication Critical patent/CN112949874B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • 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
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

一种配电终端缺陷特征自诊断方法及系统，以降低配电终端缺陷率，提高配电终端运维效率，促进即插即用配电终端大规模接入配电网。该方法首先针对配电终端缺陷问题构建缺陷多维度影响因素体系与缺陷分类体系。然后基于配电终端的结构模型，融合关联规则数据算法模型，提出基于数据驱动的配电终端缺陷分析及自诊断方法。最后根据该模型分析配电终端缺陷数据，构建缺陷规律规则库与缺陷自诊断规则库，分析终端缺陷产生机制，对终端缺陷进行多维度综合自诊断。本发明的方法可以有效提高配电终端消缺能力与效率，降低配电终端缺陷率，在一定程度上减小因终端缺陷对配电网产生的影响，缓解当前配电网运维工作的压力，具有重要工程实用价值。

Description

一种配电终端缺陷特征自诊断方法及系统
技术领域
本发明涉及配电网自动化设备领域，尤其涉及一种配电终端缺陷特征自诊断方法及系统。
背景技术
随着泛在电力物联网建设的不断推进，配电网转型升级不断加速，新装配电终端数量不断增加，智能化运维水平不足、人工参与程度高、运维工作量大，给配电自动化的管理和运维带来巨大压力。由于运维人员技术水平参差不齐，对有效信息数据的挖掘能力有限，缺陷诊断能力差，导致终端消缺效率低，无法满足配电终端大规模应用的需求，亟需探索高效智能的运维方法来保证大规模终端快速接入和稳定运行。
国内外的学者主要基于大数据技术对设备缺陷进行分析。有学者提出使用数据挖掘技术对二次设备进行缺陷分析，但是并未考虑针对配电终端的缺陷解决思路。也有研究运用改进层次聚类法分析电力设备家族缺陷，并未对其他类型的缺陷进行分析。针对配电终端缺陷的现有研究主要集中在状态检修和故障分析层面。为提高终端管控能力，用层次分析法等状态评估方式为状态检修提供依据，从而制定检修计划；在故障后进行失效分析，找出终端薄弱环节。应用该类分析方法进行状态检修和故障分析能够在一定程度上提高配电终端运行可靠性，但面对配电终端缺陷时依旧是被动检修且效率低。亟需对配电终端缺陷进行溯源以发掘缺陷规律并提供降低终端缺陷发生率的思路，实现配电终端高效运维，保证配电网安全稳定运行，对即插即用配电终端大规模接入配电网的趋势有重要推动作用。本发明利用数据模型的优势，结合配电终端自身物理模型，形成数据物理联合驱动模型对配电终端缺陷进行分析并提出自诊断方法，为配电终端故障检修及状态检修提供可靠依据，为提高配电终端消缺能力提供新思路。
发明内容
为解决现有技术中存在的不足，本发明的目的在于，提供一种配电终端缺陷特征自诊断方法及系统。
本发明采用如下的技术方案。
一种配电终端缺陷特征自诊断方法，其特征在于，所述缺陷特征自诊断方法包括以下步骤：
步骤1:针对配电终端缺陷问题构建缺陷多维度影响因素体系与缺陷分类体系；
步骤2:采集配电终端缺陷数据；
步骤3:基于步骤2所采集的配电终端缺陷历史数据，构建缺陷关键因素集合DR；
步骤4:基于步骤3的缺陷关键因素集合DR，构建缺陷规律规则库与缺陷自诊断规则库；其中，通过缺陷多维影响因素与缺陷分类的强关联规则构建缺陷规律规则库，通过缺陷分类与故障模块的强关联规则构成缺陷自诊断规则库；
步骤5：基于缺陷规律规则库挖掘终端缺陷规律，分析终端缺陷产生机制，并结合缺陷自诊断规则库对终端缺陷进行多维度综合自诊断；
步骤6：实时采集基于对终端缺陷多维度综合自诊断结果进行的配电终端状态检修、故障检修中的缺陷数据，返回步骤3，更新缺陷规律规则库以及缺陷自诊断规则库。
在所述步骤1中，所述终端缺陷多维度影响因素体系共包含以下影响因素，分别为环境温湿变化、无线信号质量、现场停电故障、人为操作不当、一次设备影响、硬件运行状态、软件运行状态和设备升级调试、设备家族缺陷及运行年限过长；
其中，一次设备影响因素包括与配电终端操作控制回路连接的一次设备的开关机构卡涩及电操机构故障；运行年限过长因素指的是配电终端运行时间达到或超过设计寿命；设备家族缺陷因素指的是与制造厂家有关的导致某种配电终端缺陷厂家信息。
在所述步骤1中，所述缺陷分类包括遥信缺陷、遥控失败、遥测缺陷、终端离线、频繁投退以及其他缺陷。
在所述步骤2中，所述配电终端缺陷历史数据包括配电终端维护与检修历史中的配电终端缺陷分类，以及与配电终端缺陷同一历史时刻的缺陷多维度影响因素信息。
在步骤3中，构建缺陷关键因素集合如下所示：
DR＝{D,F,M,P}
其中，D为缺陷分类向量，D∈{D1,D2...Dm}，Dm表示第m个缺陷分类；
F是除家族性缺陷因素外的缺陷多维影响因素向量，F∈{F1,F2...Fn}，Fn表示第n个缺陷多维影响因素；
M表示制造厂家即家族性缺陷因素向量，M∈{M1,M2...Mi}，Mi表示厂家i；P代表缺陷设备故障部位即故障模块，P∈{P1,P2...Pj}，Pj表示配电终端的第j个故障模块。
在步骤4中，基于缺陷关键因素集合DR，统计关键因素的频繁项集，计算缺陷影响因素与缺陷分类之间的第一关联规则R1，所有第一关联规则R1的集合构成缺陷规律规则库；计算缺陷分类与故障部位之间的第二关联规则R2，所有第二关联规则R2的集合构成缺陷自诊断规则库。
步骤401：基于缺陷关键因素集合DR，形成只包含一个缺陷关键因素集合元素的第一候选频繁项集C1；
步骤402：统计C1中各单个元素出现的次数，计算每一元素的支持度，删除C1中小于最小支持度阈值的缺陷关键因素集合，筛选出第一频繁项集L1；
步骤403：将筛选出的第一频繁项集L1中的单个元素分别两两组合，每一组合作为一个缺陷关键因素集合，形成含有包含双元素缺陷关键因素集合的第二候选频繁项集C2；
步骤404：将第二候选频繁项集C2中所有缺陷关键因素集合的支持度与最小支持度阈值比较，筛选支持度大于最小支持度阈值的双元素缺陷关键因素集合得到第二频繁项集L2；
步骤405：将第二频繁项集L2中只有一个元素相同的双元素缺陷关键因素集合组合形成含有三元素的三元素缺陷关键因素集合，形成包含三元素缺陷关键因素集合的第三候选频繁项集C3，并对C3进行剪枝，计算剪枝后第三候选频繁项集C3中每个三元素缺陷关键因素集合的支持度并与最小支持度阈值比较，筛选出大于最小支持度阈值的三元素缺陷关键因素集合形成第三频繁项集L3；
步骤406：依次构建含有k-1元素缺陷关键因素集合的第K-1频繁项集Lk-1，直到不能得到更大的频繁集，即
Figure BDA0002962348040000041
最终的最大频繁项集即为Lk-1；
步骤407：通过步骤406得到的最大频繁项集Lk-1，列举出所有待选关联规则即缺陷影响因素与缺陷分类之间以及缺陷分类与故障部位之间映射关系；
步骤408：计算步骤407中每条关联规则的置信度，将大于最小置信度阈值的缺陷影响因素与缺陷分类之间关联规则作为第一关联规则R1；将大于最小置信度阈值的缺陷分类与故障部位之间关联规则作为第二关联规则R2。
在步骤402中，最小支持度阈值取0.02或0.03。
在步骤403中，所述每一元素的支持度的计算方法为：
Figure BDA0002962348040000042
其中，X代表一个单独的元素，count(X)为X在所有缺陷关键因素集合DR中出现的次数，total(T)指终端缺陷数据总数。
在步骤404中，所述多元素缺陷关键因素集合的支持度的计算方法为：
Figure BDA0002962348040000043
其中，(X1,X2…)表示缺陷关键因素集合中的所有元素，count(X1∪X2∪…)指缺陷关键因素集合中所有元素同时在所有缺陷关键因素集合DR中出现的次数。
在步骤408中，所述关联规则置信度的计算规则如下：
Figure BDA0002962348040000044
其中，count(A∪B)为关联规则
Figure BDA0002962348040000045
里的A，B中所有元素在缺陷数据中出现的次数，count(A)为A中所有元素在缺陷数据中出现的次数，
Figure BDA0002962348040000046
Figure BDA0002962348040000047
在步骤408中，所述最小置信度阈值取0.8或0.9。
在所述步骤4中，所述缺陷规律规则库用第一关联规则R1集合及其各自的置信度构建，大于最小置信度阈值的强关联规则用于分析何种影响因素导致了何种缺陷；如果某个缺陷是由多个影响因素造成的，则存储每个影响因素相对应的规则以及其相应的置信度；
所述缺陷自诊断规则库用强规则第二关联规则R2集合构建，用于揭示与缺陷产生直接相关的故障部位，如果存在某条数据是缺陷指向多个故障部位，则根据各个故障部位分别存储规则条目及其相应的置信度。
在所述步骤5中，所述分析终端缺陷产生机制指根据第一关联规则R1，找出终端缺陷产生的规律；
所述缺陷多维度综合自诊断指基于配电终端缺陷自诊断规则库对发生的终端缺陷进行故障诊断，根据第二关联规则R2，按照规则置信度排序结果，首先诊断置信度高的部位，再依次诊断剩余部位。
本发明还公开了一种基于配电终端缺陷特征自诊断方法的配电终端缺陷自诊断系统，包括配电终端缺陷影响因素分析模块、配电终端缺陷历史数据采集模块、缺陷关键因素集合构建模块、配电终端缺陷自诊断模型模块、多维度综合自诊断模块、缺陷数据更新模块；其特征在于：
所述配电终端缺陷影响因素分析模块构建缺陷多维度影响因素体系与缺陷分类体系；
所述配电终端缺陷历史数据根据电终端缺陷影响因素分析模块构建的体系采集模块采集电终端缺陷历史数据；电终端缺陷历史数据包括配电终端维护与检修历史中的配电终端缺陷分类，以及与配电终端缺陷同一历史时刻的缺陷多维度影响因素信息；
所述缺陷关键因素集合构建模块接受配电终端缺陷历史数据采集模块所采集到的数据，并根据这些数据构建缺陷关键因素集合DR；
所述配电终端缺陷自诊断模型模块根据缺陷关键因素集合构建模块生成的缺陷关键因素集合DR，计算缺陷影响因素与缺陷分类之间的第一关联规则R1以及缺陷分类与故障部位之间的第二关联规则R2；
所述缺陷多维度综合自诊断模块基于配电终端缺陷自诊断模型模块的结果对发生的终端缺陷进行故障诊断，根据第二关联规则R2，按照规则置信度排序结果，首先诊断置信度高的部位，再依次诊断剩余部位；
缺陷数据更新模块实时采集对终端缺陷多维度综合自诊断模块结果进行的配电终端状态检修、故障检修中的缺陷数据，如果根据这些数据得出的规则不在配电终端缺陷自诊断模型模块的缺陷规律规则库或缺陷自诊断规则库中，则将此规则加入相对应的规则库中，对相对应的规则库进行更新。
所述配电终端缺陷影响因素分析模块包括缺陷多维度影响因素单元和缺陷分类单元；所述缺陷多维度影响因素单元共包含以下影响因素：环境温湿变化、无线信号质量、现场停电故障、人为操作不当、一次设备影响、硬件运行状态、软件运行状态和设备升级调试、设备家族缺陷及运行年限过长；所述缺陷分类单元包括遥信缺陷、遥控失败、遥测缺陷、终端离线、频繁投退以及其他缺陷。
所述配电终端缺陷自诊断模型模块包括缺陷规律规则库、缺陷自诊断规则库；
所述缺陷规律规则库用配电终端缺陷自诊断模型模块所得的第一关联规则R1集合及其各自的置信度构建，大于最小置信度阈值的强关联规则用于分析何种影响因素导致了何种缺陷；如果某个缺陷是由多个影响因素造成的，则存储每个影响因素相对应的规则以及其相应的置信度；
所述缺陷自诊断规则库用配电终端缺陷自诊断模型模块所得的第二关联规则R2集合构建，用于揭示与缺陷产生直接相关的故障部位；如果存在某条数据是缺陷指向多个故障部位，则根据各个故障部位分别存储规则条目及其相应的置信度。
本发明的有益效果在于，与现有技术相比，本发明对配电终端缺陷诊断能力差、消缺效率低、无法满足配电终端大规模应用等需求，建立了数据驱动模型，构建了配电终端缺陷特征分析及自诊断方法。本发明所提策略可以有效提高消缺能力与效率，降低配电终端缺陷率，在一定程度上减小因终端缺陷对配电网产生的影响，缓解当前配电网运维工作的压力，对配电自动化具有重要学术意义和工程实用价值。
附图说明
图1为本发明的配电终端缺陷多维度影响因素体系图；
图2为本发明的配电终端缺陷分类体系图；
图3为本发明的配电终端结构模型图；
图4为本发明的关联规则数据算法模型图；
图5为本发明的基于数据驱动的配电终端缺陷分析及自诊断模型图；
图6为本发明的配电终端缺陷数据强规则图；
图7为本发明的终端缺陷数据规则库图；
图8为本发明的配电终端缺陷特征自诊断方法的流程图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
本发明提出一种配电终端缺陷特征分析及自诊断方法。所述方法包括如下步骤，流程如图8所示
步骤1：针对配电终端缺陷问题构建终端缺陷多维度影响因素体系与终端缺陷分类体系，如图1所示。终端缺陷多维度影响因素体系共包含以下影响因素：环境温湿变化、无线信号质量、现场停电故障、人为操作不当、一次设备影响、硬件运行状态、软件运行状态和设备升级调试、设备家族缺陷0及运行年限过长。其中，一次设备影响包括开关机构卡涩及电操机构故障，运行年限过长指的是设备运行时间达到或超过设备设计寿命，设备家族缺陷指的是与制造厂家有关的缺陷。
根据缺陷现象分析缺陷特征构建缺陷分类体系，如图2。缺陷可分为功能性缺陷与设备缺陷，功能性缺陷包括遥信缺陷、遥控失败、遥测缺陷，设备缺陷包括终端离线、频繁投退及其他缺陷。
步骤2:采集供电公司配电终端缺陷数据，并根据步骤1的缺陷分类体系对所采集数据进行分类；
配电终端缺陷历史数据包括配电终端维护与检修历史中的配电终端缺陷分类，以及与配电终端缺陷同一历史时刻的缺陷多维度影响因素信息。
在本实施例中，配电终端的结构模型如图3所示。基于配电终端的结构模型，采集配电终端的通讯模块、电源模块、中央处理单元、操作控制回路、采集模块的维护与检修历史数据，并根据这些数据来进行分类。
在本实施例中，共采集供电公司配电终端缺陷数据1415条。
步骤3：基于步骤2所采集的配电终端缺陷历史数据，构建缺陷关键因素集合DR；
基于数据驱动的配电终端缺陷分析及自诊断模型构建如图5所示，具体内容如下：
从步骤2分类后的每一条终端缺陷数据中筛选出一个缺陷关键因素集合DR，将所有筛选出的DR放在一起形成缺陷关键因素集合数据库；
针对配电终端缺陷问题，选取终端缺陷多维度影响因素集合、家族性缺陷集合、缺陷分类集合、缺陷设备故障部位集合四个缺陷关键因素，构建缺陷关键因素集合DR如下所示，需要明确的是，每一个缺陷关键因素集合DR可包含一个或多个缺陷关键因素：
DR＝{D,F,M,P}
其中，D为缺陷分类向量，其包括所有缺陷分类D∈{D1,D2...Dm}，Dm表示第m个缺陷分类；F是终端缺陷多维度影响因素向量，其包括除去家族性缺陷的所有终端缺陷多维度影响因素F∈{F1,F2...Fn}，Fn表示第n个缺陷多维影响因素；M表示制造厂家即家族性缺陷集合，其包括所有家族性缺陷M∈{M1,M2...Mi}，Mi表示厂家i；P代表缺陷设备故障部位集合，其包括所有缺陷设备故障部位P∈{P1,P2...Pj}，Pj表示配电终端的第j个故障模块。此处将家族性缺陷单独从终端缺陷多维度影响因素体系中分离出来作为一个变量，是为了分析是否特定厂家易造成某种特定缺陷。
步骤4:基于步骤3的缺陷关键因素集合DR，构建缺陷规律规则库与缺陷自诊断规则库；其中，通过缺陷多维影响因素与缺陷分类的强关联规则构建缺陷规律规则库，通过缺陷分类与故障模块的强关联规则构成缺陷自诊断规则库；
该步骤包含以下内容，具体流程如图4所示。
步骤401：基于缺陷关键因素集合DR，形成只包含一个缺陷关键因素集合元素的第一候选频繁项集C1；
步骤402：统计C1中各单个元素出现的次数，计算每一元素的支持度，删除C1中小于最小支持度阈值的缺陷关键因素集合，筛选出第一频繁项集L1；
其中支持度的计算公式如下：
Figure BDA0002962348040000081
其中，X代表一个单独的元素，count(X)为X在缺陷关键因素集合数据库，即所有缺陷关键因素集合DR中出现的次数，total(T)指终端缺陷数据总数。
最小支持度阈值的取值范围为[0.01,0.05]，优选0.02或0.03。
步骤403：将筛选出的第一频繁项集L1中的单个元素分别两两组合，每一组合作为一个缺陷关键因素集合，形成含有包含双元素缺陷关键因素集合的第二候选频繁项集C2；
步骤404：将第二候选频繁项集C2中所有缺陷关键因素集合的支持度与最小支持度阈值比较，筛选支持度大于最小支持度阈值的双元素缺陷关键因素集合得到第二频繁项集L2；
多元素缺陷关键因素集合的支持度计算公式如下：
Figure BDA0002962348040000091
其中，(X1,X2…)表示缺陷关键因素集合DR中的所有元素，count(X1∪X2∪…)指缺陷关键因素集合DR中所有元素同时在缺陷关键因素集合数据库，即所有缺陷关键因素集合DR中出现的次数。
步骤405：将第二频繁项集L2中只有一个元素相同的双元素缺陷关键因素集合组合形成含有三元素的三元素缺陷关键因素集合，形成包含三元素缺陷关键因素集合的第三候选频繁项集C3，并对C3进行剪枝，计算剪枝后第三候选频繁项集C3中每个三元素缺陷关键因素集合的支持度并与最小支持度阈值比较，筛选出大于最小支持度阈值的三元素缺陷关键因素集合形成第三频繁项集L3；
剪枝包括以下内容：
步骤405.1：将Ck+1中所有k元素缺陷关键因素集合中的因素与其所在集合中的因素(k)(k)组合；
步骤405.2：如果(k)(k)组合后的因素组不在Lk中，则删除该k元素缺陷关键因素集合完成剪枝；
剪枝只用于当k+1大于或等于3时。
在本实施例中，k为2，Lk即为L2，Ck+1即为C3，(k)(k)组合为两两组合；
假设第二频繁项集L2为L2＝{[1,2],[1,3],[2,3],[3,4]},则所组成的C3为C3＝{[1,2,3],[1,3,4],[2,3,4]}，C3中所有的三元素缺陷关键因素集合分别为[1,2,3]、[1,3,4]、[2,3,4]；
将[1,2,3]中的元素两两组合得[1,2]、[1,3]、[2,3]，由于[1,2]、[1,3]、[2,3]都在L2中，因此保留该三元素缺陷关键因素集合；
将[1,3,4]中的元素两两组合得[1,3]、[1,4]、[3,4]，由于[1,4]不在L2中，因此删除该三元素缺陷关键因素集合；
将[2,3,4]中的元素两两组合得[2,3]、[2,4]、[3,4]，由于[2,4]不在L2中，因此删除该三元素缺陷关键因素集合；
剪枝后的C3即为C3＝{[1,2,3]}
步骤406：依次构建含有k-1元素缺陷关键因素集合的第K-1频繁项集Lk-1，直到不能得到更大的频繁集，即
Figure BDA0002962348040000107
最终的最大频繁项集即为Lk-1；
步骤407：通过步骤406得到的最大频繁项集Lk-1，列举出所有待选关联规则即缺陷影响因素与缺陷分类之间以及缺陷分类与故障部位之间映射关系；
步骤408：计算步骤407中每条关联规则的置信度，将大于最小置信度阈值的缺陷影响因素与缺陷分类之间关联规则作为第一关联规则R1；将大于最小置信度阈值的缺陷分类与故障部位之间关联规则作为第二关联规则R2。
Figure BDA0002962348040000101
其中，count(A∪B)为关联规则
Figure BDA0002962348040000102
里的A，B中所有元素在缺陷数据中出现的次数，count(A)为A中所有元素在缺陷数据中出现的次数，
Figure BDA0002962348040000103
Figure BDA0002962348040000104
最小置信度阈值的取值范围为[0.7,1]，优选0.8或0.9。
以下为两类强关联规则的实施例：
Figure BDA0002962348040000105
Figure BDA0002962348040000106
其中，第一关联规则R1表示终端缺陷多维度影响因素F1与缺陷分类D2的关联关系。第二关联规则R2指代缺陷分类D2与缺陷设备故障部位P3的关联关系。
在本实施例中，使用Python得到有效的强规则共有15条，如图6。
运用强关联规则R1分析缺陷影响因素与缺陷分类之间的映射关系，进行终端缺陷溯源，分析缺陷产生机制。
运用强关联规则R2分析缺陷分类与缺陷设备故障部位之间的映射关系，发生特定缺陷时运行故障模块自诊断功能，进行终端缺陷自诊断。
构建缺陷规律规则库与缺陷自诊断规则库，如图7，图中数字表示强关联规则的置信度。影响因素F与缺陷分类D的强关联规则R1集合构成终端缺陷规律规则库，缺陷分类D与故障模块P的强关联规则R2构成终端缺陷自诊断规律库。
所述缺陷规律规则库用各类强关联规则R1集合及其各自的置信度构建，大于最小置信度阈值的强关联规则用于分析何种影响因素导致了何种缺陷。如果某个缺陷是由多影响因素造成的，则存储每个影响因素相对应的规则以及其相应的置信度。
所述缺陷自诊断规则库用各类强规则R2集合构建，用于揭示与缺陷产生直接相关的故障部位。如果存在某条数据是缺陷指向多个故障部位，则根据各个故障部位分别存储规则条目及其相应的置信度。
步骤5：基于缺陷规律规则库挖掘终端缺陷规律，分析终端缺陷产生机制，并结合缺陷自诊断规则库对终端缺陷进行多维度综合自诊断。
分析终端缺陷产生机制指在配电终端实际运行过程中，根据配电终端缺陷规律规则库对发生的终端缺陷进行溯源分析，明确终端缺陷的产生机制。根据终端缺陷多维度影响因素{F1,F2...Fn}与缺陷分类{D1,D2...Dm}的强关联规则结果，建立{F1,F2...Fn}与{D1,D2...Dm}之间的映射对，找出终端缺陷产生的规律。
在建立{F1,F2...Fn}与{D1,D2...Dm}之间的映射对时，如强关联规则指示无线信号质量
Figure BDA0002962348040000111
终端离线，则可建立无线信号质量与终端离线的映射对，表明两者之间存在因果关系。
缺陷多维度综合自诊断指基于配电终端缺陷自诊断规则库对发生的终端缺陷进行故障诊断，根据缺陷分类{D1,D2...Dm}与缺陷设备故障部位{P1,P2...Pj}的强规则结果，按照规则置信度排序结果，首先诊断置信度高的部位，再依次诊断剩余部位。
按照得出的强规则结果划分各类元素，分类归纳总结。在本实施例中，无线信号质量及软件运行状态皆会引发终端离线；发生终端离线时，故障模块为中央处理单元或通信模块的概率皆大于80％。造成遥控失败的原因有96.9％几率在于人工操作不当。遥信频繁变位原因可能为设备家族缺陷、环境温湿变化、硬件运行状态、设备升级调试；操作控制回路则可能是引起遥信频繁变位的关键故障模块。厂家4、10与遥信频繁变位的规则，厂家2、4、10及设备升级调试与遥信频繁变位的规则，厂家2与终端离线的规则表示厂家设备存在引发缺陷的可能性。这类规则可供供电公司运维检修时参考使用，也可供设备制造厂家升级改进设备使用。
上述缺陷分析结果用于针对当地配电终端状态检修及故障检修提出参考意见及建议：
根据配电终端缺陷规律规则库对发生的终端缺陷进行溯源分析，找到该缺陷对应的影响因素，在日后的运维过程中采取手段避免此种影响因素的发生，从而降低缺陷率。在某种缺陷多发且具有规律性可循时，也可采取预防性措施提前找出对应缺陷的影响因素，安排巡查检修，避免缺陷的发生。
缺陷发生时，运用终端缺陷自诊断规则库分析与终端缺陷有关联的故障部位，执行该部位的自诊断模块找出缺陷。由于置信度高代表该规则可靠性高、更可能发生，若存在多个具有关联指向的故障部位，则根据置信度排序，先自诊断强规则中置信度高的部位，再依次诊断剩余部位。基于终端缺陷自诊断规则库进行故障部位的自诊断行为可提高定位故障的效率与准确度，以便快速定位故障部位从而采取消缺措施。
1)在发生终端离线缺陷时，应监测无线信号质量，运行中央处理单元及通信模块的自诊断功能；在状态检修时可以针对无线信号质量与软件运行状态关键影响因素进行预防性故障排查，以减少终端离线缺陷的产生。
2)遥控失败多因人为操作不当引起，如操作空开误投。应当针对该缺陷问题提高运维人员的专业能力及意识。
3)遥信频繁变位时，首先自诊断终端操作控制回路，若无故障则依次诊断终端剩余模块。状态检修时制定设备家族缺陷、环境温湿变化、硬件运行状态、设备升级调试等关键因素指标，减少影响因素的产生，从而降低设备遥信频繁变位缺陷率。
步骤6：实时采集基于对终端缺陷多维度综合自诊断结果进行的配电终端状态检修、故障检修中的缺陷数据，返回步骤3，更新缺陷规律规则库以及缺陷自诊断规则库。
实际运行过程中，缺陷与故障部位的规则可能并不存在于从以往数据获取的强规则中，因此根据实际运行中配电终端数据的分析，如果得出的规则不在以往的缺陷规律规则库或缺陷自诊断规则库中，则将此规则加入相对应的规则库，对相对应的规则库进行更新。
本专利还公开了一种配电终端缺陷自诊断系统，包括配电终端缺陷影响因素分析模块、配电终端缺陷历史数据采集模块、缺陷关键因素集合构建模块、配电终端缺陷自诊断模型模块、多维度综合自诊断模块、缺陷数据更新模块；其特征在于：
配电终端缺陷影响因素分析模块构建缺陷多维度影响因素体系与缺陷分类体系，其包括缺陷多维度影响因素单元和缺陷分类单元；缺陷多维度影响因素单元包括10类影响因素，分别为环境温湿变化、无线信号质量、现场停电故障、人为操作不当、一次设备影响、硬件运行状态、软件运行状态和设备升级调试、设备家族缺陷及运行年限过长；其中，一次设备影响因素包括与配电终端操作控制回路连接的一次设备的开关机构卡涩及电操机构故障；运行年限过长因素指的是配电终端运行时间达到或超过设计寿命；设备家族缺陷因素指的是与制造厂家有关的导致某种配电终端缺陷厂家信息；缺陷分类单元包括遥信缺陷、遥控失败、遥测缺陷、终端离线、频繁投退以及其他缺陷。
配电终端缺陷历史数据根据电终端缺陷影响因素分析模块构建的体系采集模块采集电终端缺陷历史数据；电终端缺陷历史数据包括配电终端维护与检修历史中的配电终端缺陷分类，以及与配电终端缺陷同一历史时刻的缺陷多维度影响因素信息；
缺陷关键因素集合构建模块接受配电终端缺陷历史数据采集模块所采集到的数据，并根据这些数据构建缺陷关键因素集合DR；
配电终端缺陷自诊断模型模块根据缺陷关键因素集合构建模块生成的缺陷关键因素集合DR，计算缺陷影响因素与缺陷分类之间的第一关联规则R1以及缺陷分类与故障部位之间的第二关联规则R2；
配电终端缺陷自诊断模型模块包括缺陷规律规则库、缺陷自诊断规则库；
缺陷规律规则库用配电终端缺陷自诊断模型模块所得的第一关联规则R1集合及其各自的置信度构建，大于最小置信度阈值的强关联规则用于分析何种影响因素导致了何种缺陷；如果某个缺陷是由多个影响因素造成的，则存储每个影响因素相对应的规则以及其相应的置信度；
缺陷自诊断规则库用配电终端缺陷自诊断模型模块所得的第二关联规则R2集合构建，用于揭示与缺陷产生直接相关的故障部位。如果存在某条数据是缺陷指向多个故障部位，则根据各个故障部位分别存储规则条目及其相应的置信度。
缺陷多维度综合自诊断模块基于配电终端缺陷自诊断模型模块的结果对发生的终端缺陷进行故障诊断，根据第二关联规则R2，按照规则置信度排序结果，首先诊断置信度高的部位，再依次诊断剩余部位；
缺陷数据更新模块实时采集对终端缺陷多维度综合自诊断模块结果进行的配电终端状态检修、故障检修中的缺陷数据，如果根据这些数据得出的规则不在配电终端缺陷自诊断模型模块的缺陷规律规则库或缺陷自诊断规则库中，则将此规则加入相对应的规则库中，对相对应的规则库进行更新。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (17)

1.一种配电终端缺陷特征自诊断方法，其特征在于，所述缺陷特征自诊断方法包括以下步骤：
步骤1:针对配电终端缺陷问题构建缺陷多维度影响因素体系与缺陷分类体系；
步骤2:采集配电终端缺陷数据；
步骤3:基于步骤2所采集的配电终端缺陷历史数据，构建缺陷关键因素集合DR；
步骤4:基于步骤3的缺陷关键因素集合DR，构建缺陷规律规则库与缺陷自诊断规则库；其中，通过缺陷多维影响因素与缺陷分类的强关联规则构建缺陷规律规则库，通过缺陷分类与故障模块的强关联规则构成缺陷自诊断规则库；
步骤5：基于缺陷规律规则库挖掘终端缺陷规律，分析终端缺陷产生机制，并结合缺陷自诊断规则库对终端缺陷进行多维度综合自诊断；
步骤6：实时采集基于对终端缺陷多维度综合自诊断结果进行的配电终端状态检修、故障检修中的缺陷数据，返回步骤3，更新缺陷规律规则库以及缺陷自诊断规则库。
2.根据权利要求1所述的一种配电终端缺陷特征自诊断方法，其特征在于：
在所述步骤1中，所述终端缺陷多维度影响因素体系包含以下影响因素：环境温湿变化、无线信号质量、现场停电故障、人为操作不当、一次设备影响、硬件运行状态、软件运行状态和设备升级调试、设备家族缺陷及运行年限过长；
其中，一次设备影响因素包括与配电终端操作控制回路连接的一次设备的开关机构卡涩及电操机构故障；运行年限过长因素指的是配电终端运行时间达到或超过设计寿命；设备家族缺陷因素指的是与制造厂家有关的导致某种配电终端缺陷厂家信息。
3.根据权利要求1所述的一种配电终端缺陷特征自诊断方法，其特征在于：
在所述步骤1中，所述缺陷分类包括遥信缺陷、遥控失败、遥测缺陷、终端离线、频繁投退以及其他缺陷。
4.根据权利要求1或3所述的一种配电终端缺陷特征自诊断方法，其特征在于：
在所述步骤2中，所述配电终端缺陷历史数据包括配电终端维护与检修历史中的配电终端缺陷分类，以及与配电终端缺陷同一历史时刻的缺陷多维度影响因素信息。
5.根据权利要求4所述的一种配电终端缺陷特征自诊断方法，其特征在于：
在步骤3中，构建缺陷关键因素集合如下所示：
DR＝{D,F,M,P}
其中，D为缺陷分类向量，D∈{D1,D2...Dm}，Dm表示第m个缺陷分类；
F是除家族性缺陷因素外的缺陷多维影响因素向量，F∈{F1,F2...Fn}，Fn表示第n个缺陷多维影响因素；
M表示制造厂家即家族性缺陷因素向量，M∈{M1,M2...Mi}，Mi表示厂家i；
P代表缺陷设备故障部位即故障模块，P∈{P1,P2...Pj}，Pj表示配电终端的第j个故障模块。
6.根据权利要求1或5所述的一种配电终端缺陷特征自诊断方法，其特征在于：
在步骤4中，基于缺陷关键因素集合DR，统计关键因素的频繁项集，计算缺陷影响因素与缺陷分类之间的第一关联规则R1，所有第一关联规则R1的集合构成缺陷规律规则库；计算缺陷分类与故障部位之间的第二关联规则R2，所有第二关联规则R2的集合构成缺陷自诊断规则库。
7.根据权利要求6所述的一种配电终端缺陷特征自诊断方法，其特征在于：
步骤401：基于缺陷关键因素集合DR，形成只包含一个缺陷关键因素集合元素的第一候选频繁项集C1；
步骤402：统计C1中各单个元素出现的次数，计算每一元素的支持度，删除C1中小于最小支持度阈值的缺陷关键因素集合，筛选出第一频繁项集L1；
步骤403：将筛选出的第一频繁项集L1中的单个元素分别两两组合，每一组合作为一个缺陷关键因素集合，形成含有包含双元素缺陷关键因素集合的第二候选频繁项集C2；
步骤404：将第二候选频繁项集C2中所有缺陷关键因素集合的支持度与最小支持度阈值比较，筛选支持度大于最小支持度阈值的双元素缺陷关键因素集合得到第二频繁项集L2；
步骤405：将第二频繁项集L2中只有一个元素相同的双元素缺陷关键因素集合组合形成含有三元素的三元素缺陷关键因素集合，形成包含三元素缺陷关键因素集合的第三候选频繁项集C3，并对C3进行剪枝，计算剪枝后第三候选频繁项集C3中每个三元素缺陷关键因素集合的支持度并与最小支持度阈值比较，筛选出大于最小支持度阈值的三元素缺陷关键因素集合形成第三频繁项集L3；
步骤406：依次构建含有k-1元素缺陷关键因素集合的第K-1频繁项集Lk-1，直到不能得到更大的频繁集，即
Figure FDA0002962348030000031
最终的最大频繁项集即为Lk-1；
步骤407：通过步骤406得到的最大频繁项集Lk-1，列举出所有待选关联规则即缺陷影响因素与缺陷分类之间以及缺陷分类与故障部位之间映射关系；
步骤408：计算步骤407中每条关联规则的置信度，将大于最小置信度阈值的缺陷影响因素与缺陷分类之间关联规则作为第一关联规则R1；将大于最小置信度阈值的缺陷分类与故障部位之间关联规则作为第二关联规则R2。
8.根据权利要求7所述的一种配电终端缺陷特征自诊断方法，其特征在于：
在步骤402中，最小支持度阈值取0.02或0.03。
9.根据权利要求8所述的一种配电终端缺陷特征自诊断方法，其特征在于：
在步骤403中，所述每一元素的支持度的计算方法为：
Figure FDA0002962348030000032
其中，X代表一个单独的元素，count(X)为X在所有缺陷关键因素集合DR中出现的次数，total(T)指终端缺陷数据总数。
10.根据权利要求9所述的一种配电终端缺陷特征自诊断方法，其特征在于：
在步骤404中，所述多元素缺陷关键因素集合的支持度的计算方法为：
Figure FDA0002962348030000033
其中，(X1,X2…)表示缺陷关键因素集合中的所有元素，count(X1∪X2∪…)指缺陷关键因素集合中所有元素同时在所有缺陷关键因素集合DR中出现的次数。
11.根据权利要求10所述的一种配电终端缺陷特征自诊断方法，其特征在于：
在步骤408中，所述关联规则置信度的计算规则如下：
Figure FDA0002962348030000041
其中，count(A∪B)为关联规则
Figure FDA0002962348030000042
里的A，B中所有元素在缺陷数据中出现的次数，count(A)为A中所有元素在缺陷数据中出现的次数，
Figure FDA0002962348030000043
Figure FDA0002962348030000044
12.根据权利要求11所述的一种配电终端缺陷特征自诊断方法，其特征在于：
在步骤408中，所述最小置信度阈值取0.8或0.9。
13.根据权利要求12所述的一种配电终端缺陷特征自诊断方法，其特征在于：
在所述步骤4中，所述缺陷规律规则库用第一关联规则R1集合及其各自的置信度构建，大于最小置信度阈值的强关联规则用于分析何种影响因素导致了何种缺陷；如果某个缺陷是由多个影响因素造成的，则存储每个影响因素相对应的规则以及其相应的置信度；
所述缺陷自诊断规则库用第二关联规则R2集合构建，用于揭示与缺陷产生直接相关的故障部位，如果存在某条数据是缺陷指向多个故障部位，则根据各个故障部位分别存储规则条目及其相应的置信度。
14.根据权利要求13所述的一种配电终端缺陷特征自诊断方法，其特征在于：
在所述步骤5中，所述分析终端缺陷产生机制指根据第一关联规则R1，找出终端缺陷产生的规律；
所述缺陷多维度综合自诊断指基于配电终端缺陷自诊断规则库对发生的终端缺陷进行故障诊断，根据第二关联规则R2，按照规则置信度排序结果，首先诊断置信度高的部位，再依次诊断剩余部位。
15.根据权利要求1-14所述的一种配电终端缺陷特征自诊断方法的配电终端缺陷自诊断系统，包括配电终端缺陷影响因素分析模块、配电终端缺陷历史数据采集模块、缺陷关键因素集合构建模块、配电终端缺陷自诊断模型模块、多维度综合自诊断模块、缺陷数据更新模块；其特征在于：
所述配电终端缺陷影响因素分析模块构建缺陷多维度影响因素体系与缺陷分类体系；
所述配电终端缺陷历史数据根据电终端缺陷影响因素分析模块构建的体系采集模块采集电终端缺陷历史数据；电终端缺陷历史数据包括配电终端维护与检修历史中的配电终端缺陷分类，以及与配电终端缺陷同一历史时刻的缺陷多维度影响因素信息；
所述缺陷关键因素集合构建模块接受配电终端缺陷历史数据采集模块所采集到的数据，并根据这些数据构建缺陷关键因素集合DR；
所述配电终端缺陷自诊断模型模块根据缺陷关键因素集合构建模块生成的缺陷关键因素集合DR，计算缺陷影响因素与缺陷分类之间的第一关联规则R1以及缺陷分类与故障部位之间的第二关联规则R2；
所述缺陷多维度综合自诊断模块基于配电终端缺陷自诊断模型模块的结果对发生的终端缺陷进行故障诊断，根据第二关联规则R2，按照规则置信度排序结果，首先诊断置信度高的部位，再依次诊断剩余部位；
缺陷数据更新模块实时采集对终端缺陷多维度综合自诊断模块结果进行的配电终端状态检修、故障检修中的缺陷数据，如果根据这些数据得出的规则不在配电终端缺陷自诊断模型模块的缺陷规律规则库或缺陷自诊断规则库中，则将此规则加入相对应的规则库中，对相对应的规则库进行更新。
16.根据权利要求15所述的一种配电终端缺陷特征自诊断系统，其特征在于：
所述配电终端缺陷影响因素分析模块包括缺陷多维度影响因素单元和缺陷分类单元；所述缺陷多维度影响因素单元设置以下影响因素，分别为环境温湿变化、无线信号质量、现场停电故障、人为操作不当、一次设备影响、硬件运行状态、软件运行状态和设备升级调试、设备家族缺陷及运行年限过长；所述缺陷分类单元包括遥信缺陷、遥控失败、遥测缺陷、终端离线、频繁投退以及其他缺陷。
17.根据权利要求16所述的一种配电终端缺陷特征自诊断系统，其特征在于：
所述配电终端缺陷自诊断模型模块包括缺陷规律规则库、缺陷自诊断规则库；
所述缺陷规律规则库用配电终端缺陷自诊断模型模块所得的第一关联规则R1集合及其各自的置信度构建，大于最小置信度阈值的强关联规则用于分析何种影响因素导致了何种缺陷；如果某个缺陷是由多个影响因素造成的，则存储每个影响因素相对应的规则以及其相应的置信度；
所述缺陷自诊断规则库用配电终端缺陷自诊断模型模块所得的第二关联规则R2集合构建，用于揭示与缺陷产生直接相关的故障部位；如果存在某条数据是缺陷指向多个故障部位，则根据各个故障部位分别存储规则条目及其相应的置信度。
CN202110241465.6A 2021-03-04 2021-03-04 一种配电终端缺陷特征自诊断方法及系统 Active CN112949874B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110241465.6A CN112949874B (zh) 2021-03-04 2021-03-04 一种配电终端缺陷特征自诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110241465.6A CN112949874B (zh) 2021-03-04 2021-03-04 一种配电终端缺陷特征自诊断方法及系统

Publications (2)

Publication Number Publication Date
CN112949874A true CN112949874A (zh) 2021-06-11
CN112949874B CN112949874B (zh) 2022-10-04

Family

ID=76247741

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110241465.6A Active CN112949874B (zh) 2021-03-04 2021-03-04 一种配电终端缺陷特征自诊断方法及系统

Country Status (1)

Country Link
CN (1) CN112949874B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113722659A (zh) * 2021-08-30 2021-11-30 北京智盟信通科技有限公司 一种基于缺陷模式的变电主设备诊断方法和系统
CN114090647A (zh) * 2021-10-22 2022-02-25 国家电网公司西南分部 一种电力通信设备缺陷关联性分析方法及缺陷排查方法
CN115018096A (zh) * 2022-05-30 2022-09-06 广东电网有限责任公司 终端设备的缺陷告警方法、装置、电子设备及存储介质
CN115470831A (zh) * 2022-11-03 2022-12-13 四川中电启明星信息技术有限公司 一种基于频繁项集推理的水电信号异常判断方法
WO2024103436A1 (zh) * 2022-11-18 2024-05-23 中国南方电网有限责任公司超高压输电公司检修试验中心 设备缺陷数据规则库构建方法及设备缺陷关联性分析方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109376247A (zh) * 2018-11-13 2019-02-22 扬州大学 一种基于关联规则的软件缺陷自动分类方法
CN110837866A (zh) * 2019-11-08 2020-02-25 国网新疆电力有限公司电力科学研究院 基于XGBoost的电力二次设备缺陷程度评估方法
US20210003640A1 (en) * 2019-07-01 2021-01-07 Wuhan University Fault locating method and system based on multi-layer evaluation model
CN112308118A (zh) * 2020-10-15 2021-02-02 国家电网公司华北分部 基于Apriori算法的继保装置缺陷数据关联性分析方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109376247A (zh) * 2018-11-13 2019-02-22 扬州大学 一种基于关联规则的软件缺陷自动分类方法
US20210003640A1 (en) * 2019-07-01 2021-01-07 Wuhan University Fault locating method and system based on multi-layer evaluation model
CN110837866A (zh) * 2019-11-08 2020-02-25 国网新疆电力有限公司电力科学研究院 基于XGBoost的电力二次设备缺陷程度评估方法
CN112308118A (zh) * 2020-10-15 2021-02-02 国家电网公司华北分部 基于Apriori算法的继保装置缺陷数据关联性分析方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113722659A (zh) * 2021-08-30 2021-11-30 北京智盟信通科技有限公司 一种基于缺陷模式的变电主设备诊断方法和系统
CN114090647A (zh) * 2021-10-22 2022-02-25 国家电网公司西南分部 一种电力通信设备缺陷关联性分析方法及缺陷排查方法
CN115018096A (zh) * 2022-05-30 2022-09-06 广东电网有限责任公司 终端设备的缺陷告警方法、装置、电子设备及存储介质
CN115470831A (zh) * 2022-11-03 2022-12-13 四川中电启明星信息技术有限公司 一种基于频繁项集推理的水电信号异常判断方法
WO2024103436A1 (zh) * 2022-11-18 2024-05-23 中国南方电网有限责任公司超高压输电公司检修试验中心 设备缺陷数据规则库构建方法及设备缺陷关联性分析方法

Also Published As

Publication number Publication date
CN112949874B (zh) 2022-10-04

Similar Documents

Publication Publication Date Title
CN112949874B (zh) 一种配电终端缺陷特征自诊断方法及系统
CN107358366B (zh) 一种配电变压器故障风险监测方法及系统
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
CN106383916B (zh) 基于工业设备预测性维护的数据处理方法
CN109872003A (zh) 对象状态预测方法、系统、计算机设备及存储介质
CN101833324B (zh) 胎面挤出过程智能故障诊断系统及其诊断方法
CN112464439A (zh) 基于三层数据挖掘的电力系统故障类型分析方法及装置
CN112906764A (zh) 基于改进bp神经网络的通信安全设备智能诊断方法及系统
CN117113135A (zh) 一种可对异常数据整理分类的碳排放异常监测分析系统
CN110703183A (zh) 一种智能电能表故障数据分析方法及系统
CN113468022B (zh) 一种对产品集中监控的自动化运维方法
CN113093695A (zh) 一种数据驱动的sdn控制器故障诊断系统
CN117614113A (zh) 一种输电线路巡检管控方法及系统
CN112803587A (zh) 一种基于诊断决策库的自动化设备状态智能巡视方法
CN117312611A (zh) 一种电力故障快速定位及诊断方法及相关装置
CN113296994B (zh) 一种基于国产计算平台的故障诊断系统及方法
CN115456065A (zh) 一种基于云边协同的配电终端健康状态诊断方法和装置
CN114298188A (zh) 一种电力设备故障智能分析方法及系统
CN115438093A (zh) 一种电力通信设备故障判断方法与检测系统
CN115270982A (zh) 一种基于多元数据神经网络的开关柜故障预测方法
CN113836203A (zh) 一种网络数据化诊断检测分析系统
CN113076217A (zh) 基于国产平台的磁盘故障预测方法
Zhang et al. [Retracted] Substation Operation Information Maintenance Based on Intelligent Data Mining
CN113138875B (zh) 一种故障检测方法、终端以及计算机存储介质
FI130824B1 (en) PROCEDURE AND EQUIPMENT FOR PREDICTIVE MAINTENANCE

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