CN113050523A - 一种基于大数据融合模型的电力监控系统 - Google Patents

一种基于大数据融合模型的电力监控系统 Download PDF

Info

Publication number
CN113050523A
CN113050523A CN202110364650.4A CN202110364650A CN113050523A CN 113050523 A CN113050523 A CN 113050523A CN 202110364650 A CN202110364650 A CN 202110364650A CN 113050523 A CN113050523 A CN 113050523A
Authority
CN
China
Prior art keywords
formula
data
layer
equipment
management layer
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
CN202110364650.4A
Other languages
English (en)
Other versions
CN113050523B (zh
Inventor
宋光红
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.)
Yanbo Group Co ltd
Original Assignee
Guangzhou Zhongchao Heneng Technology 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 Guangzhou Zhongchao Heneng Technology Co ltd filed Critical Guangzhou Zhongchao Heneng Technology Co ltd
Priority to CN202110364650.4A priority Critical patent/CN113050523B/zh
Publication of CN113050523A publication Critical patent/CN113050523A/zh
Application granted granted Critical
Publication of CN113050523B publication Critical patent/CN113050523B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G05B19/0423—Input/output
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/21—Pc I-O input output
    • G05B2219/21063—Bus, I-O connected to a bus

Abstract

本发明涉及一种基于大数据融合模型的电力监控系统,所述系统分为三层:现场设备层、通讯管理层和系统管理层；所述系统采用基于深度学习的CoxPH算法对接收到的数据进行特征值提取,可以完成开关状态监视、模拟量采集、综合保护监控、远程控制、报警管理、曲线棒图分析、报表生成、统计打印、用户管理、事故追忆等多种实用功能，加强了用电可靠性、提高了用电管理效率，提升了供电质量，降低了运行维护成本。

Description

一种基于大数据融合模型的电力监控系统
技术领域
发明涉及电力系统技术领域,尤其涉及一种基于大数据融合模型的电力监控系统。
背景技术
随着社会经济发展、生产自动化程度的提高、劳动力的解放和生活质量的改善，大量电能驱动设备投入到生产、生活中，人们对电力的依赖程度越来越高。供电的可靠性、连续性已经成为整个社会关心的重要问题之一。由于供电系统具有产生和消费同时发生的特殊性，对整个供电过程进行有效的监控，是保证供电可靠性和连续性的重要手段。
过去，由于配电环节点多故障，支路数量大，实现自动化存在诸多困难，电力自动化只能在发电、输电和变电环节中实现。近年来，电子技术、自动化技术、通讯技术、计算机技术取得了长足进步，使得配电监控装置、通讯网络、监控调度管理系统的研究开发、生产制造、安装调试、使用维护成本大大降低，而随着监控功能、集成度和易用性的大幅提高，配电环节实现自动化已经不再是梦想。
电力系统的运行维护方式，应从过去的分散式逐步向集中式过渡；采用高科技手段，对实现无人/少人值守的电力系统及其设备进行实时长期不间断地观察，从而减少日常维护量，增强对出现意外的快速反应能力，提高管理水平，进而提高电力部门的经济效益和社会声誉。
目前，电力监控系统的安全性、可靠性不高，用电管理效率较低，运行维护成本较高。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，本发明提供一种基于大数据融合模型的电力监控系统，所述系统采用基于深度学习的CoxPH算法对接收到的数据进行特征值提取,可以完成开关状态监视、模拟量采集、综合保护监控、远程控制、报警管理、曲线棒图分析、报表生成、统计打印、用户管理、事故追忆等多种实用功能，加强了用电可靠性、提高了用电管理效率，提升了供电质量，降低了运行维护成本。
根据本发明的一个方面，本发明提供了一种基于大数据融合模型的电力监控系统，所述系统包括：
现场设备层，所述现场设备层采用工业现场总线，将现场设备层的智能设备连接组网，通过所述现场设备层的智能设备进行现场数据采集；
通讯管理层，所述通讯管理层进行数据和信息的收集、通讯协议的转换、并接收和传送指令;
系统管理层，所述系统管理层将采集到的数据进行显示、分析、存储；
其中，所述系统管理层采用基于深度学习的CoxPH算法对接收到的数据进行特征值提取，包括：
定义模型风险函数：
Figure 775890DEST_PATH_IMAGE002
(1)
其满足：Constant=
Figure 467903DEST_PATH_IMAGE004
(2)
式中，
Figure 408177DEST_PATH_IMAGE006
是基准风险函数；
Figure 869245DEST_PATH_IMAGE008
为协变量组成的向量；
Figure 971194DEST_PATH_IMAGE010
为对数部分风险函数；
Figure 150502DEST_PATH_IMAGE012
表示
Figure 363309DEST_PATH_IMAGE014
的参数；X1, X2表示不同时刻基准风险函数下的变化 量，Constant表示一个常数；
CoxPH算法中定义了偏似然函数来对
Figure 678884DEST_PATH_IMAGE012
进行计算；将数据按照其生存时间排序
Figure 951733DEST_PATH_IMAGE016
，其中
Figure 883917DEST_PATH_IMAGE018
是个体i的生存时间，则个体i的条件死亡概率如式（3）所示：
Figure 900415DEST_PATH_IMAGE020
(3)
对所有死亡个体的条件概率相乘即有：
Figure 336075DEST_PATH_IMAGE022
(4)
式（3）、（4）中
Figure 779826DEST_PATH_IMAGE024
为
Figure 199306DEST_PATH_IMAGE018
时刻内仍然处于观察研究的个体集合；
Figure 19495DEST_PATH_IMAGE026
为不同时 刻的观察协变量；
Figure 303802DEST_PATH_IMAGE028
表示个体i的生存协变量和，从第0个开始求和;
Figure 449613DEST_PATH_IMAGE030
表示j在
Figure 825230DEST_PATH_IMAGE024
集合当中；
对(4)式求取负对数，如式（5）所示：
Figure 183531DEST_PATH_IMAGE032
（5）
式（5）中
Figure 593783DEST_PATH_IMAGE034
表示个体i的生存协变量和，从第1个开始求和；
Figure 644916DEST_PATH_IMAGE036
表示不同时刻 的观察协变量；
Figure 242251DEST_PATH_IMAGE038
为
Figure 138662DEST_PATH_IMAGE040
时刻内仍然处于观察研究的个体的对数映射集合；
Figure 669001DEST_PATH_IMAGE042
表示j属于
Figure 891035DEST_PATH_IMAGE038
的对数映射集合中的元素；通过求取令(5)式最小的
Figure 241245DEST_PATH_IMAGE012
，即可 得到
Figure 675768DEST_PATH_IMAGE044
；随后通过Breslow估计器求解
Figure 529455DEST_PATH_IMAGE046
。
优选地，所述现场设备层的智能设备包括各种监控仪表、测控单元、继电保护设备、智能直流电源系统、智能柴油发电机组、变压器温控单元及通讯扩展装置；所述通讯管理层的设备包括串口服务器、人机界面HMI、可编程控制器PLC、前端机；所述HMI连接所述PLC，接收输入的参数或操作命令，实现人机信息交互。
优选地，所述系统管理层的设备包括:通讯工作站、监控/备用主机、工程师工作站、网络交换机，所述系统管理层将数据上传至云端服务器，在云端服务器把上传的全部数据信息存入数据库，并通过操作界面和数据处理实现变配电系统的遥信、遥测、遥控、遥调和遥视功能。
优选地，所述系统通过以太网实现与管理信息系统、楼宇自动化系统和火灾报警系统的通讯及信息共享；通过TCP/IP通讯协议实现与供电公司自动化系统的通讯及信息共享。
优选地，所述系统实时或定时采集现场设备的各电参量及开关量状态；所述的电参量和开关量状态包括三相电压、电流、功率、功率因数、频率、电能、温度、开关位置、设备运行状态；所述系统将采集到的数据进行直接显示、或通过统计计算处理后进行显示。
优选地，远程云端处的至少一个服务器，通过Hash与Bit-map算法相融合的方式进行多个远程云端的协同计算。
优选地，所述系统采用多通道冗余设计，对于系统局部出现运行不正常的部件时，所述系统管理层根据接收的修正命令动态停止或重启该部件的功能。
优选地，所述系统自动生成标准的电能报表格式或生成用户根据需求设计的报表格式，所述报表的类型包括实时运行报表、历史报表、事件故障及告警记录报表、操作记录报表，电能的日、月、季、年度报表、电能的费率报表。
另一方面，本发明还提供了一种基于大数据融合模型的电力监控系统，所述系统包括处理器和存储器，所述处理器被配置为执行存储器中存储的指令以实现以下操作：
控制现场设备层的智能设备进行现场数据采集，其中，所述现场设备层采用工业现场总线，将现场设备层的智能设备连接组网；
控制通讯管理层进行数据和信息的收集、通讯协议的转换、并接收和传送指令;
控制系统管理层将采集到的数据进行显示、分析、存储；
其中，所述系统管理层采用基于深度学习的CoxPH算法对接收到的数据进行特征值提取，包括：
定义模型风险函数：
Figure 922390DEST_PATH_IMAGE002
(1)
其满足：Constant=
Figure 25475DEST_PATH_IMAGE047
(2)
式中，
Figure 794848DEST_PATH_IMAGE006
是基准风险函数；
Figure 497182DEST_PATH_IMAGE008
为协变量组成的向量；
Figure 61018DEST_PATH_IMAGE010
为对数部分风险函数；
Figure 385820DEST_PATH_IMAGE012
表示
Figure 427726DEST_PATH_IMAGE014
的参数；X1, X2表示不同时刻基准风险函数下 的变化量，Constant表示一个常数；
CoxPH算法中定义了偏似然函数来对
Figure 521583DEST_PATH_IMAGE012
进行计算；将数据按照其生存时间排序
Figure 256321DEST_PATH_IMAGE016
，其中
Figure 802840DEST_PATH_IMAGE018
是个体i的生存时间，则个体i的条件死亡概率如式（3） 所示：
Figure 914016DEST_PATH_IMAGE049
(3)
对所有死亡个体的条件概率相乘即有：
Figure 862380DEST_PATH_IMAGE050
(4)
式（3）、（4）中
Figure 768019DEST_PATH_IMAGE024
为
Figure 801834DEST_PATH_IMAGE052
时刻内仍然处于观察研究的个体集合；
Figure 919963DEST_PATH_IMAGE036
为不同时 刻的观察协变量；
Figure 722834DEST_PATH_IMAGE054
表示个体i的生存协变量和，从第0个开始求和;
Figure 799374DEST_PATH_IMAGE056
表示j在
Figure 54906DEST_PATH_IMAGE024
集合当中；
对(4)式求取负对数，如式（5）所示：
Figure 806804DEST_PATH_IMAGE032
（5）
式（5）中
Figure 464182DEST_PATH_IMAGE034
表示个体i的生存协变量和，从第1个开始求和；
Figure 711623DEST_PATH_IMAGE036
表示不同时刻 的观察协变量；
Figure 454451DEST_PATH_IMAGE038
为
Figure 445541DEST_PATH_IMAGE040
时刻内仍然处于观察研究的个体的对数映射集合；
Figure 957425DEST_PATH_IMAGE042
表示j属于
Figure 375768DEST_PATH_IMAGE038
的对数映射集合中的元素；通过求取令(5)式最小的
Figure 605892DEST_PATH_IMAGE012
，即可 得到
Figure 400673DEST_PATH_IMAGE044
；随后通过Breslow估计器求解
Figure 32643DEST_PATH_IMAGE046
。
另一方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现以下操作：
控制现场设备层的智能设备进行现场数据采集，其中，所述现场设备层采用工业现场总线，将现场设备层的智能设备连接组网；
控制通讯管理层进行数据和信息的收集、通讯协议的转换、并接收和传送指令;
控制系统管理层将采集到的数据进行显示、分析、存储；
其中，所述系统管理层采用基于深度学习的CoxPH算法对接收到的数据进行特征值提取，包括：
定义模型风险函数：
Figure 621887DEST_PATH_IMAGE058
(1)
其满足：Constant=
Figure 339307DEST_PATH_IMAGE060
(2)
式中，
Figure 406620DEST_PATH_IMAGE006
是基准风险函数；
Figure 158676DEST_PATH_IMAGE008
为协变量组成的向量；
Figure 918821DEST_PATH_IMAGE010
为对数部分风险函数；
Figure 852099DEST_PATH_IMAGE012
表示
Figure 723103DEST_PATH_IMAGE014
的参数；X1, X2表示不同时刻基准风险函数下的变化 量，Constant表示一个常数；
CoxPH算法中定义了偏似然函数来对
Figure 329665DEST_PATH_IMAGE012
进行计算；将数据按照其生存时间排序
Figure 260712DEST_PATH_IMAGE016
，其中
Figure 687145DEST_PATH_IMAGE052
是个体i的生存时间，则个体i的条件死亡概率如式（3）所 示：
Figure 627419DEST_PATH_IMAGE062
(3)
对所有死亡个体的条件概率相乘即有：
Figure 88488DEST_PATH_IMAGE064
(4)
式（3）、（4）中
Figure 190436DEST_PATH_IMAGE024
为
Figure 369744DEST_PATH_IMAGE018
时刻内仍然处于观察研究的个体集合；
Figure 848130DEST_PATH_IMAGE066
为不同时 刻的观察协变量；
Figure 163705DEST_PATH_IMAGE068
表示个体i的生存协变量和，从第0个开始求和;
Figure 702134DEST_PATH_IMAGE070
表示j在
Figure 103159DEST_PATH_IMAGE024
集合当中；
对(4)式求取负对数，如式（5）所示：
Figure 385236DEST_PATH_IMAGE072
（5）
式（5）中
Figure 820897DEST_PATH_IMAGE034
表示个体i的生存协变量和，从第1个开始求和；
Figure 258788DEST_PATH_IMAGE066
表示不同时刻 的观察协变量；
Figure 412689DEST_PATH_IMAGE038
为
Figure 232877DEST_PATH_IMAGE074
时刻内仍然处于观察研究的个体的对数映射集合；
Figure 523044DEST_PATH_IMAGE076
表示j属于
Figure 137696DEST_PATH_IMAGE038
的对数映射集合中的元素；通过求取令(5)式最小的
Figure 513314DEST_PATH_IMAGE012
，即可 得到
Figure 137193DEST_PATH_IMAGE078
；随后通过Breslow估计器求解
Figure 16288DEST_PATH_IMAGE080
。
采用上述技术方案后,本发明至少具有如下有益效果：
系统具有稳定、可靠、安全、高效、经济、可扩展性强等特点，系统基于分层分布式结构，实现了变配电系统高、低压电气设备分散监控、集中管理功能，使配电系统“透明化”，可真正实现配电室的无人值守，全面提高变配电运行现代化管理水平。系统适用于不同千伏供电系统的自动化监控和管理，可以根据用户需求为电力、楼宇、工厂、金融、电信、交通等领域用户提供个性化的解决方案。
通过参照以下附图及对本发明的具体实施方式的详细描述，本发明的特征及优点将会变得清楚。
附图说明
图1为本发明的系统架构图；
图2为本发明的数据处理流程图；
图3为本发明的基于深度学习的CoxPH算法流程图。
具体实施方式
下面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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
图1为本发明的系统架构图。如图1所示，本发明提供了一种基于大数据融合模型的电力监控系统，所述系统包括：
现场设备层，所述现场设备层采用工业现场总线，将现场设备层的智能设备连接组网，通过所述现场设备层的智能设备进行现场数据采集。
通讯管理层，所述通讯管理层进行数据和信息的收集、通讯协议的转换、并接收和传送指令;
系统管理层，所述系统管理层将采集到的数据进行显示、分析、存储。
具体地，系统采用整体与分布相结合的架构设计，按不同功能、不同模块区分设计，整个系统分为三层:现场设备层、通讯管理层和系统管理层。
系统现场设备层位于配电室内，现场智能仪表安装在配电柜上，可采集配电室内各回路的电参量，发送到串口服务器。现场设备层采用工业现场总线，将现场设备层智能设备连接组网。现场设备层智能设备包括:各种监控仪表、测控单元、继电保护设备、智能直流电源系统、智能柴油发电机组、变压器温控单元及通讯扩展装置等。如图2中S2.1所示，用于实现对智能开关柜运行监控、高压开关柜带电显示、电流电压等负载运行监控、母线测温监测、电缆测温监测、环境监测、有害气体监测、安防监控、采暖通风、门禁、灯光、风机、除湿机、空调控制功能。
所有监控单元相对独立，按一次设备对应分布式配置，就地安装在开关柜内，监控单元与开关柜融为一体，构成智能化开关柜，经RS485/232通信接口接入现场总线。
通讯管理层位于配电室内，安装于墙上，通讯管理层设备包括串口服务器，负责与现场设备层的智能设备进行通讯，实现数据的采集，集中传向系统管理层。现场设备层与串口服务器采用RS485/232总线连接方式。如图2中S2.2所示，主要完成数据和信息的收集、通讯协议的转换、接收和传送指令，是监控层与管理层之间的媒介。通讯管理层设备包括:串口服务器、前端机、人机界面（HMI）、可编程控制器（PLC）；
HMI可连接PLC、变频器、直流调速器、仪表等工业控制设备，利用显示屏显示，通过输入单元(如触摸屏、键盘、鼠标等)写入工作参数或输入操作命令，实现人与机器信息交互,由硬件和软件两部分组成。可实现高效工程组态，以及高性能归档和更高数据安全性，从而显著提高系统控制层的工作效率，这些功能特性是高效运行管理和智能生产分析的基础。
系统管理层位于监控中心室内，如图2中S2.3所示，系统管理层的主机主要负责与串口服务器进行通讯，将采集到的数据进行显示、分析、存储。系统后台，主机与串口服务器之间采用网络通讯形式连接。系统管理层的设备包括:通讯工作站、监控/备用主机、工程师工作站、网络交换机并连接至云端。在云端把采集上传的全部数据信息存入实时数据库，并通过操作界面和强大的数据处理功能实现变配电系统的遥信、遥测、遥控、遥调和遥视五遥功能。
远程云端处的至少一个服务器，通过Hash与Bit-map算法相融合的方式进行多个远程云端的协同计算。
遥信:实时对开关运行状态、保护工作等开关量进行监视。计算机实时显示和自动报警。
遥控：通过计算机屏幕选择相应的站号、开关号、合/分闸等信息，并在屏幕上将选择的开关状态反馈出来，确认后执行，实时记录操作时间、类型、合开关号等。
遥测：通过计算机实时对系统电压、电流、有功功率、无功功率、功率因数、超限报警、频率进行不断地采集、分析、处理、记录、显示曲线、棒图，自动生成报表。
遥调：用于有载变压器的调压升/降。
遥视：用于远方修改分散继电保护装置的定值以及调整各种仪表的工作状态。
现场所有的智能设备通过RS485/232总线接入串口服务器,串口服务器将串口通讯数据转换为网络通讯数据传输，经RJ45口输出，通过网线连接到网络交换机，再经过交换机将数据传入电力监控系统，监控系统将显示现场各智能设备采集到的数据信息。
现场智能设备间用RS485/232进行串联，电缆为RVVP型。现场通讯采集设备供电的220V AC电缆规格为BVR型。
M102马达管理中心可以为低压电动机提供了一整套专业化的集控制、保护与监测于一体的智能化管理方案，各种保护功能已内置在装置中，可根据实际需要进行配置通过设置软件可轻松选择所需的保护功能，可根据保护功能的特点设置为报警并延时脱扣,只报警不脱扣或直接进入延时脱扣保护，通过对保护脱扣复位模式的预先设定，用户可选择故障保护脱扣的复位方式，不同的保护功能具有的复位方式不一样。
所述的系统是基于目前国际通用的OPC技术通过以太网可实现系统与MIS、BAS和FAS等自动化系统的通讯及信息共享，以太网传输速率为1000Mb/s。
所述的系统通过TCP/IP等通讯协议与供电公司自动化系统实现通讯及信息共享。
进一步地，该系统基于集合了高低压开关柜、继电保护装置、智能仪表、电子CT/PT、传感装置等一、二次设备，有效实现实时和定时采集现场设备的各电参量及开关量状态；
所述的电参量和开关量状态包括三相电压、电流、功率、功率因数、频率、电能、温度、开关位置、设备运行状态，将采集到的数据或直接显示、或通过统计计算生成新的直观的数据信息再显示，这些数据信息包括总系统功率、负荷最大值、功率因数上下限等,并对重要的信息量进行数据库存储。
进一步地，系统软件采用多通道冗余设计，在数据传送时不会因为主通道故障而发生传输中断或错误。软件运行时采用容错性设计，软件中的系统控制层始终处于运行状态。对于配置错误或其它原因造成的某个部件运行不正常，系统控制层可以接收中心的修正命令，动态停止或重新启动局部功能，而其它功能运行不受影响。
进一步地，系统具有安全设置，不同用户有不同的权限，一般情况下系统起动后以“甲用户”身份登录，该用户只能浏览画面，要想操作其他功能，必须要有相应的权限，各人有各人的使用权限和密码。改变登录用户的方法是先点“系统注册”按钮，弹出画面。
进一步地，系统具有标准的电能报表格式并可根据用户需求设计符合其需要的报表格式，系统可自动统计。可自动生成各种类型的实时运行报表、历史报表、事件故障及告警记录报表、操作记录报表等，可以依据时间查询和打印系统记录的所有数据值，自动生成电能的日、月、季、年度报表，根据复费率的时段及费率的设定值生成电能的费率报表，查询打印的起点、间隔等参数可自行设置；系统设计还可根据用户需求量身定制满足不同要求的报表输出功能。
进一步地，系统控制层将接收到的数据进行特征值提取,特征值提取具体采用基于深度学习的CoxPH算法。
如图3所示，是基于深度学习的CoxPH算法流程图。
对含有深度神经网络的模型进行训练,参数设置如下：神经网络输入层节点数I=25，隐含层共两层，节点数分别为H=20和H=10，输出层节点数为o=1，神经网络迭代次数T=6000。此处采用C指数模型作为所建立数据的特征值提取的指示值，该值用于对模型准确性进行评估。
CoxPH算法又被称为Cox比例风险模型，该模型对风险函数所具有的形式做了如下假设，如式（1）所示：
Figure 67420DEST_PATH_IMAGE082
(1)
式中
Figure 195913DEST_PATH_IMAGE006
是基准风险函数；
Figure 357904DEST_PATH_IMAGE008
为协变量组成的向量；
Figure 357084DEST_PATH_IMAGE010
为对数部分风险函数；
Figure 579118DEST_PATH_IMAGE012
表示
Figure 663749DEST_PATH_IMAGE014
的参数。CoxPH算法的主要假设是：对于
Figure 629431DEST_PATH_IMAGE084
，当协 变量X发生变化，变化前后两个
Figure DEST_PATH_IMAGE086
的比值是一个仅依赖于变化前后X取值而不依赖 于时间的常数，如式（2）所示：
Constant=
Figure DEST_PATH_IMAGE088
(2)
式中，
Figure DEST_PATH_IMAGE090
代表任意两个时间的观察协变量。Cox模型假设多个
Figure DEST_PATH_IMAGE092
的共同影响 可以由
Figure DEST_PATH_IMAGE094
进行刻画，对它们的作用影响进行了综合考虑，在假设符合的条件下可以有 效描述产品的生存函数。
模型的求解过程包含两部分：对
Figure DEST_PATH_IMAGE096
和对
Figure DEST_PATH_IMAGE098
的求解。其中，对
Figure DEST_PATH_IMAGE100
的 求解较为复杂，
Figure DEST_PATH_IMAGE101
求解得出后，即可基于Breslow估计器得到
Figure DEST_PATH_IMAGE103
，Breslow估计器 是用于对生存函数的进一步描述，加入Breslow估计器可简化对
Figure DEST_PATH_IMAGE104
的求解过程，加速 函数解算效率。因此，此处着重说明对
Figure DEST_PATH_IMAGE106
的求解。
由于
Figure DEST_PATH_IMAGE108
事先未定义，因此无法直接使用标准似然函数对预测模型进行拟合。 CoxPH算法中定义了偏似然函数来对
Figure 401559DEST_PATH_IMAGE012
进行计算；将数据按照其生存时间排序
Figure 794495DEST_PATH_IMAGE016
，其中
Figure 897580DEST_PATH_IMAGE052
是个体i的生存时间，则个体i的条件死亡概率如式（3）所 示：
Figure DEST_PATH_IMAGE110
(3)
对所有死亡个体的条件概率相乘即有：
Figure DEST_PATH_IMAGE112
(4)
式（3）、（4）中
Figure 294318DEST_PATH_IMAGE024
为
Figure 533669DEST_PATH_IMAGE052
时刻内仍然处于观察研究的个体集合；
Figure 97506DEST_PATH_IMAGE036
为不同时 刻的观察协变量；
Figure 422308DEST_PATH_IMAGE054
表示个体i的生存协变量和，从第0个开始求和;
Figure 729792DEST_PATH_IMAGE056
表示j在
Figure 823650DEST_PATH_IMAGE024
集合当中；
对(4)式求取负对数，如式（5）所示：
Figure DEST_PATH_IMAGE114
（5）
式（5）中
Figure 27230DEST_PATH_IMAGE034
表示个体i的生存协变量和，从第1个开始求和；
Figure DEST_PATH_IMAGE116
表示不同时刻 的观察协变量；
Figure 511432DEST_PATH_IMAGE038
为
Figure DEST_PATH_IMAGE118
时刻内仍然处于观察研究的个体的对数映射集合；
Figure DEST_PATH_IMAGE120
表示j属于
Figure 497973DEST_PATH_IMAGE038
的对数映射集合中的元素；通过求取令(5)式最小的
Figure 446338DEST_PATH_IMAGE012
，即可 得到
Figure DEST_PATH_IMAGE122
；随后通过Breslow估计器求解
Figure 555239DEST_PATH_IMAGE080
。
该系统运行于Windows系列操作平台，基于大型专业数据库软件SQL SERVER进行操作，具有稳定性高、可靠性好、实时性强、兼容扩展性突出、人机界面友好及易操作维护等许多特点，并可以完成开关状态监视、模拟量采集、综合保护监控、远程控制、报警管理、曲线棒图分析、报表生成、统计打印、用户管理、事故追忆等多种实用功能，从而加强了用电可靠性、提高了用电管理效率，提升了供电质量，降低了运行维护成本。
实施例2
本发明还提供了一种基于大数据融合模型的电力监控系统，所述系统包括处理器和存储器，所述处理器被配置为执行存储器中存储的指令以实现以下操作：
控制现场设备层的智能设备进行现场数据采集，其中，所述现场设备层采用工业现场总线，将现场设备层的智能设备连接组网；
控制通讯管理层进行数据和信息的收集、通讯协议的转换、并接收和传送指令;
控制系统管理层将采集到的数据进行显示、分析、存储；
其中，所述系统管理层采用基于深度学习的CoxPH算法对接收到的数据进行特征值提取，包括：
定义模型风险函数：
Figure 317616DEST_PATH_IMAGE002
(1)
其满足：Constant=
Figure DEST_PATH_IMAGE123
(2)
式中，
Figure 170165DEST_PATH_IMAGE006
是基准风险函数；
Figure 238615DEST_PATH_IMAGE008
为协变量组成的向量；
Figure DEST_PATH_IMAGE125
代表任意两个时间的观察协变量。
Figure DEST_PATH_IMAGE127
为对数部分风险函数；
Figure 456101DEST_PATH_IMAGE012
表示
Figure 446054DEST_PATH_IMAGE010
的参数； Constant表示一个常数；
CoxPH算法中定义了偏似然函数来对
Figure 899032DEST_PATH_IMAGE012
进行计算；将数据按照其生存时间排序
Figure 821989DEST_PATH_IMAGE016
，其中
Figure 335010DEST_PATH_IMAGE018
是个体i的生存时间，则个体i的条件死亡概率如式（3）所示：
Figure DEST_PATH_IMAGE128
(3)
对所有死亡个体的条件概率相乘即有：
Figure DEST_PATH_IMAGE129
(4)
式（3）、（4）中
Figure 953204DEST_PATH_IMAGE024
为
Figure 944294DEST_PATH_IMAGE018
时刻内仍然处于观察研究的个体集合；
Figure 721757DEST_PATH_IMAGE026
为不同时 刻的观察协变量；
Figure 405679DEST_PATH_IMAGE028
表示个体i的生存协变量和，从第0个开始求和;
Figure 895523DEST_PATH_IMAGE030
表示j在
Figure 424725DEST_PATH_IMAGE024
集合当中；
对(4)式求取负对数，如式（5）所示：
Figure DEST_PATH_IMAGE130
（5）
式（5）中
Figure 525536DEST_PATH_IMAGE034
表示个体i的生存协变量和，从第1个开始求和；
Figure 114780DEST_PATH_IMAGE036
表示不同时刻 的观察协变量；
Figure 832200DEST_PATH_IMAGE038
为
Figure 165093DEST_PATH_IMAGE040
时刻内仍然处于观察研究的个体的对数映射集合；
Figure 182727DEST_PATH_IMAGE042
表示j属于
Figure 677294DEST_PATH_IMAGE038
的对数映射集合中的元素；通过求取令(5)式最小的
Figure 882010DEST_PATH_IMAGE012
，即可得到
Figure 18593DEST_PATH_IMAGE044
；随后通过Breslow估计器求解
Figure 625155DEST_PATH_IMAGE046
。
该实施例的具体实施过程与实施例1中的类似，此处不再赘述。
实施例3
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现以下操作：
控制现场设备层的智能设备进行现场数据采集，其中，所述现场设备层采用工业现场总线，将现场设备层的智能设备连接组网；
控制通讯管理层进行数据和信息的收集、通讯协议的转换、并接收和传送指令;
控制系统管理层将采集到的数据进行显示、分析、存储；
其中，所述系统管理层采用基于深度学习的CoxPH算法对接收到的数据进行特征值提取，包括：
定义模型风险函数：
Figure 290623DEST_PATH_IMAGE058
(1)
其满足：Constant=
Figure DEST_PATH_IMAGE131
(2)
式中，
Figure 185898DEST_PATH_IMAGE006
是基准风险函数；
Figure 126172DEST_PATH_IMAGE008
为协变量组成的向量；
Figure DEST_PATH_IMAGE133
代表任意两个时间的观察协变量。
Figure 253485DEST_PATH_IMAGE127
为对数部分风险函数；
Figure 89854DEST_PATH_IMAGE012
表示
Figure 534741DEST_PATH_IMAGE010
的参数； Constant表示一个常数；
CoxPH算法中定义了偏似然函数来对
Figure 13127DEST_PATH_IMAGE012
进行计算；将数据按照其生存时间排序
Figure 328702DEST_PATH_IMAGE016
，其中
Figure 867131DEST_PATH_IMAGE052
是个体i的生存时间，则个体i的条件死亡概率如式（3）所 示：
Figure DEST_PATH_IMAGE134
(3)
对所有死亡个体的条件概率相乘即有：
Figure DEST_PATH_IMAGE135
(4)
式（3）、（4）中
Figure 409102DEST_PATH_IMAGE024
为
Figure 691179DEST_PATH_IMAGE018
时刻内仍然处于观察研究的个体集合；
Figure 861260DEST_PATH_IMAGE066
为不同时 刻的观察协变量；
Figure 570590DEST_PATH_IMAGE068
表示个体i的生存协变量和，从第0个开始求和;
Figure 458911DEST_PATH_IMAGE070
表示j在
Figure 13521DEST_PATH_IMAGE024
集合当中；
对(4)式求取负对数，如式（5）所示：
Figure DEST_PATH_IMAGE136
（5）
式（5）中
Figure 258949DEST_PATH_IMAGE034
表示个体i的生存协变量和，从第1个开始求和；
Figure 139180DEST_PATH_IMAGE066
表示不同时刻 的观察协变量；
Figure 514798DEST_PATH_IMAGE038
为
Figure 138677DEST_PATH_IMAGE074
时刻内仍然处于观察研究的个体的对数映射集合；
Figure 548930DEST_PATH_IMAGE076
表示j属于
Figure 600063DEST_PATH_IMAGE038
的对数映射集合中的元素；通过求取令(5)式最小的
Figure 728556DEST_PATH_IMAGE012
，即可 得到
Figure 890547DEST_PATH_IMAGE078
；随后通过Breslow估计器求解
Figure 420885DEST_PATH_IMAGE080
。
该实施例的具体实施过程与实施例1中的类似，此处不再赘述。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (10)

1.一种基于大数据融合模型的电力监控系统，其特征在于，所述系统包括：
现场设备层，所述现场设备层采用工业现场总线，将现场设备层的智能设备连接组网，通过所述现场设备层的智能设备进行现场数据采集；
通讯管理层，所述通讯管理层进行数据和信息的收集、通讯协议的转换、并接收和传送指令;
系统管理层，所述系统管理层将采集到的数据进行显示、分析、存储;
其中，所述系统管理层采用基于深度学习的CoxPH算法对接收到的数据进行特征值提取，包括：
定义模型风险函数：
Figure 23205DEST_PATH_IMAGE002
(1)
其满足：Constant=
Figure 737083DEST_PATH_IMAGE004
(2)
式中，
Figure 595449DEST_PATH_IMAGE006
是基准风险函数；
Figure 52975DEST_PATH_IMAGE008
为协变量组成的向量；
Figure 945976DEST_PATH_IMAGE010
为对数部分风险函数；
Figure 830755DEST_PATH_IMAGE012
表示
Figure 910838DEST_PATH_IMAGE014
的参数；X1, X2表示不同时刻基准风险函数下的变化 量，Constant表示一个常数；
CoxPH算法中定义了偏似然函数来对
Figure 313000DEST_PATH_IMAGE012
进行计算；将数据按照其生存时间排序
Figure 44196DEST_PATH_IMAGE016
，其中
Figure 850609DEST_PATH_IMAGE018
是个体i的生存时间，则个体i的条件死亡概率如式（3）所 示：
Figure 667255DEST_PATH_IMAGE020
(3)
对所有死亡个体的条件概率相乘即有：
Figure 217316DEST_PATH_IMAGE022
(4)
式（3）、（4）中
Figure 68598DEST_PATH_IMAGE024
为
Figure 311491DEST_PATH_IMAGE018
时刻内仍然处于观察研究的个体集合；
Figure 881013DEST_PATH_IMAGE026
为不同时刻的 观察协变量；
Figure 969186DEST_PATH_IMAGE028
表示个体i的生存协变量和，从第0个开始求和;
Figure 940553DEST_PATH_IMAGE030
表示j在
Figure 82909DEST_PATH_IMAGE024
集合当中；
对(4)式求取负对数，如式（5）所示：
Figure 874148DEST_PATH_IMAGE032
（5）
式（5）中
Figure 156224DEST_PATH_IMAGE034
表示个体i的生存协变量和，从第1个开始求和；
Figure 467251DEST_PATH_IMAGE036
表示不同时刻的观 察协变量；
Figure 301215DEST_PATH_IMAGE038
为
Figure 330482DEST_PATH_IMAGE040
时刻内仍然处于观察研究的个体的对数映射集合；
Figure 275304DEST_PATH_IMAGE042
表 示j属于
Figure 706417DEST_PATH_IMAGE038
的对数映射集合中的元素；通过求取令(5)式最小的
Figure 976861DEST_PATH_IMAGE012
，即可得到
Figure 227845DEST_PATH_IMAGE044
； 随后通过Breslow估计器求解
Figure 851724DEST_PATH_IMAGE046
。
2.根据权利要求1所述的系统，其特征在于，所述现场设备层的智能设备包括各种监控仪表、测控单元、继电保护设备、智能直流电源系统、智能柴油发电机组、变压器温控单元及通讯扩展装置；所述通讯管理层的设备包括串口服务器、人机界面HMI、可编程控制器PLC、前端机；所述HMI连接所述PLC，接收输入的参数或操作命令，实现人机信息交互。
3.根据权利要求1所述的系统，其特征在于，所述系统管理层的设备包括:通讯工作站、监控/备用主机、工程师工作站、网络交换机，所述系统管理层将数据上传至云端服务器，在云端服务器把上传的全部数据信息存入数据库，并通过操作界面和数据处理实现变配电系统的遥信、遥测、遥控、遥调和遥视功能。
4.根据权利要求1所述的系统，其特征在于，所述系统通过以太网实现与管理信息系统、楼宇自动化系统和火灾报警系统的通讯及信息共享；通过TCP/IP通讯协议实现与供电公司自动化系统的通讯及信息共享。
5.根据权利要求1所述的系统，其特征在于，所述系统实时或定时采集现场设备的各电参量及开关量状态；所述的电参量和开关量状态包括三相电压、电流、功率、功率因数、频率、电能、温度、开关位置、设备运行状态；所述系统将采集到的数据进行直接显示、或通过统计计算处理后进行显示。
6.根据权利要求1所述的系统，其特征在于，远程云端处的至少一个服务器，通过Hash与Bit-map算法相融合的方式进行多个远程云端的协同计算。
7.根据权利要求1所述的系统，其特征在于，所述系统采用多通道冗余设计，对于系统局部出现运行不正常的部件时，所述系统管理层根据接收的修正命令动态停止或重启该部件的功能。
8.根据权利要求1所述的系统，其特征在于，所述系统自动生成标准的电能报表格式或生成用户根据需求设计的报表格式，所述报表的类型包括实时运行报表、历史报表、事件故障及告警记录报表、操作记录报表，电能的日、月、季、年度报表、电能的费率报表。
9.一种基于大数据融合模型的电力监控系统，其特征在于，所述系统包括处理器和存储器，所述处理器被配置为执行存储器中存储的指令以实现以下操作：
控制现场设备层的智能设备进行现场数据采集，其中，所述现场设备层采用工业现场总线，将现场设备层的智能设备连接组网；
控制通讯管理层进行数据和信息的收集、通讯协议的转换、并接收和传送指令;
控制系统管理层将采集到的数据进行显示、分析、存储；
其中，所述系统管理层采用基于深度学习的CoxPH算法对接收到的数据进行特征值提取，包括：
定义模型风险函数：
Figure 386611DEST_PATH_IMAGE048
(1)
其满足：Constant=
Figure 578689DEST_PATH_IMAGE050
(2)
式中，
Figure 566237DEST_PATH_IMAGE052
是基准风险函数；
Figure 869173DEST_PATH_IMAGE008
为协变量组成的向量；
Figure 992987DEST_PATH_IMAGE010
为对 数部分风险函数；
Figure 90387DEST_PATH_IMAGE012
表示
Figure 830810DEST_PATH_IMAGE014
的参数；X1, X2表示不同时刻基准风险函数下的变化量， Constant表示一个常数；
CoxPH算法中定义了偏似然函数来对
Figure 665999DEST_PATH_IMAGE012
进行计算；将数据按照其生存时间排序
Figure 909898DEST_PATH_IMAGE016
，其中
Figure 302833DEST_PATH_IMAGE018
是个体i的生存时间，则个体i的条件死亡概率如式（3）所 示：
Figure 15706DEST_PATH_IMAGE054
(3)
对所有死亡个体的条件概率相乘即有：
Figure 909712DEST_PATH_IMAGE056
(4)
式（3）、（4）中
Figure 290009DEST_PATH_IMAGE024
为
Figure 712900DEST_PATH_IMAGE058
时刻内仍然处于观察研究的个体集合；
Figure 178648DEST_PATH_IMAGE036
为不同时刻 的观察协变量；
Figure 610766DEST_PATH_IMAGE028
表示个体i的生存协变量和，从第0个开始求和;
Figure 704624DEST_PATH_IMAGE030
表示j在
Figure 314728DEST_PATH_IMAGE024
集合当中；
对(4)式求取负对数，如式（5）所示：
Figure 251460DEST_PATH_IMAGE032
（5）
式（5）中
Figure 503581DEST_PATH_IMAGE034
表示个体i的生存协变量和，从第1个开始求和；
Figure 576579DEST_PATH_IMAGE036
表示不同时刻的观 察协变量；
Figure 623164DEST_PATH_IMAGE038
为
Figure 781613DEST_PATH_IMAGE040
时刻内仍然处于观察研究的个体的对数映射集合；
Figure 306266DEST_PATH_IMAGE042
表 示j属于
Figure 374716DEST_PATH_IMAGE038
的对数映射集合中的元素；通过求取令(5)式最小的
Figure 575890DEST_PATH_IMAGE012
，即可得到
Figure 232088DEST_PATH_IMAGE044
； 随后通过Breslow估计器求解
Figure 544120DEST_PATH_IMAGE046
。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令被处理器执行时实现以下操作：
控制现场设备层的智能设备进行现场数据采集，其中，所述现场设备层采用工业现场总线，将现场设备层的智能设备连接组网；
控制通讯管理层进行数据和信息的收集、通讯协议的转换、并接收和传送指令;
控制系统管理层将采集到的数据进行显示、分析、存储；
其中，所述系统管理层采用基于深度学习的CoxPH算法对接收到的数据进行特征值提取，包括：
定义模型风险函数：
Figure 608022DEST_PATH_IMAGE060
(1)
其满足：Constant=
Figure 980098DEST_PATH_IMAGE062
(2)
式中，
Figure DEST_PATH_IMAGE064
是基准风险函数；
Figure DEST_PATH_IMAGE066
为协变量组成的向量；
Figure 395030DEST_PATH_IMAGE010
为 对数部分风险函数；
Figure 261486DEST_PATH_IMAGE012
表示
Figure 429162DEST_PATH_IMAGE014
的参数；X1, X2表示不同时刻基准风险函数下的变化量， Constant表示一个常数；
CoxPH算法中定义了偏似然函数来对
Figure 722871DEST_PATH_IMAGE012
进行计算；将数据按照其生存时间排序
Figure 343208DEST_PATH_IMAGE016
，其中
Figure 278934DEST_PATH_IMAGE018
是个体i的生存时间，则个体i的条件死亡概率如式（3）所 示：
Figure DEST_PATH_IMAGE068
(3)
对所有死亡个体的条件概率相乘即有：
Figure DEST_PATH_IMAGE070
(4)
式（3）、（4）中
Figure 51850DEST_PATH_IMAGE024
为
Figure 31307DEST_PATH_IMAGE018
时刻内仍然处于观察研究的个体集合；
Figure DEST_PATH_IMAGE072
为不同时刻的观 察协变量；
Figure DEST_PATH_IMAGE074
表示个体i的生存协变量和，从第0个开始求和;
Figure DEST_PATH_IMAGE076
表示j在
Figure 110513DEST_PATH_IMAGE024
集合 当中；
对(4)式求取负对数，如式（5）所示：
Figure DEST_PATH_IMAGE078
（5）
式（5）中
Figure 646668DEST_PATH_IMAGE034
表示个体i的生存协变量和，从第1个开始求和；
Figure 398723DEST_PATH_IMAGE026
表示不同时刻的观 察协变量；
Figure 299814DEST_PATH_IMAGE038
为
Figure DEST_PATH_IMAGE080
时刻内仍然处于观察研究的个体的对数映射集合；
Figure DEST_PATH_IMAGE082
表 示j属于
Figure 35689DEST_PATH_IMAGE038
的对数映射集合中的元素；通过求取令(5)式最小的
Figure 313218DEST_PATH_IMAGE012
，即可得到
Figure DEST_PATH_IMAGE084
； 随后通过Breslow估计器求解
Figure 982096DEST_PATH_IMAGE046
。
CN202110364650.4A 2021-04-06 2021-04-06 一种基于大数据融合模型的电力监控系统 Active CN113050523B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110364650.4A CN113050523B (zh) 2021-04-06 2021-04-06 一种基于大数据融合模型的电力监控系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110364650.4A CN113050523B (zh) 2021-04-06 2021-04-06 一种基于大数据融合模型的电力监控系统

Publications (2)

Publication Number Publication Date
CN113050523A true CN113050523A (zh) 2021-06-29
CN113050523B CN113050523B (zh) 2022-07-26

Family

ID=76517404

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110364650.4A Active CN113050523B (zh) 2021-04-06 2021-04-06 一种基于大数据融合模型的电力监控系统

Country Status (1)

Country Link
CN (1) CN113050523B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113985803A (zh) * 2021-10-28 2022-01-28 西安热工研究院有限公司 一种可用于火力发电厂的在线监测数据分析柜
CN116760195A (zh) * 2023-08-18 2023-09-15 国网浙江省电力有限公司宁波供电公司 电力系统全要素资源监控方法、系统、设备和存储介质
CN117134480A (zh) * 2023-10-26 2023-11-28 常州满旺半导体科技有限公司 一种基于大数据分析的电源调节监测系统及方法
CN117728580A (zh) * 2023-12-22 2024-03-19 安徽众星电气科技有限公司 用电监控及安全监管可视化智能终端
CN117728580B (zh) * 2023-12-22 2024-05-14 安徽众星电气科技有限公司 用电监控及安全监管可视化智能终端

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6961641B1 (en) * 1994-12-30 2005-11-01 Power Measurement Ltd. Intra-device communications architecture for managing electrical power distribution and consumption
CN101304182A (zh) * 2008-06-26 2008-11-12 哈尔滨工业大学 智能电力监控装置与罗克韦尔控制器大数据量通信的方法
CN102436249A (zh) * 2012-01-19 2012-05-02 四川谊田集群科技有限公司 智能电量管控系统及方法
AU2014100918A4 (en) * 2014-08-14 2014-09-18 Macau University Of Science And Technology Method for selecting variables in cox's proportional hazards model
CN104283318A (zh) * 2014-10-24 2015-01-14 国家电网公司 基于大数据的电力设备综合监测与预警系统及其分析方法
CN105335816A (zh) * 2015-10-13 2016-02-17 国网安徽省电力公司铜陵供电公司 基于深度学习的电力通信网运行趋势与业务风险分析方法
CN206650504U (zh) * 2017-04-28 2017-11-17 沈阳日丰成控电气制造有限公司 电力网络监控系统
CN206650503U (zh) * 2017-04-28 2017-11-17 沈阳日丰成控电气制造有限公司 电气远程冗余监控系统
CN207817447U (zh) * 2017-11-27 2018-09-04 泉州装备制造研究所 一种智能分布式电力监控系统
CN110673673A (zh) * 2019-10-09 2020-01-10 北京城乡建设集团有限责任公司 一种基于bim运维平台的高层超低能耗住宅的监控管理系统
CN112085938A (zh) * 2020-08-14 2020-12-15 华能国际电力股份有限公司南通电厂 电厂单线供热热网监控计量系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6961641B1 (en) * 1994-12-30 2005-11-01 Power Measurement Ltd. Intra-device communications architecture for managing electrical power distribution and consumption
CN101304182A (zh) * 2008-06-26 2008-11-12 哈尔滨工业大学 智能电力监控装置与罗克韦尔控制器大数据量通信的方法
CN102436249A (zh) * 2012-01-19 2012-05-02 四川谊田集群科技有限公司 智能电量管控系统及方法
AU2014100918A4 (en) * 2014-08-14 2014-09-18 Macau University Of Science And Technology Method for selecting variables in cox's proportional hazards model
CN104283318A (zh) * 2014-10-24 2015-01-14 国家电网公司 基于大数据的电力设备综合监测与预警系统及其分析方法
CN105335816A (zh) * 2015-10-13 2016-02-17 国网安徽省电力公司铜陵供电公司 基于深度学习的电力通信网运行趋势与业务风险分析方法
CN206650504U (zh) * 2017-04-28 2017-11-17 沈阳日丰成控电气制造有限公司 电力网络监控系统
CN206650503U (zh) * 2017-04-28 2017-11-17 沈阳日丰成控电气制造有限公司 电气远程冗余监控系统
CN207817447U (zh) * 2017-11-27 2018-09-04 泉州装备制造研究所 一种智能分布式电力监控系统
CN110673673A (zh) * 2019-10-09 2020-01-10 北京城乡建设集团有限责任公司 一种基于bim运维平台的高层超低能耗住宅的监控管理系统
CN112085938A (zh) * 2020-08-14 2020-12-15 华能国际电力股份有限公司南通电厂 电厂单线供热热网监控计量系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KATZMAN, J.L., SHAHAM, U., CLONINGER, A. ET AL.: "DeepSurv: personalized treatment recommender system using a Cox proportional hazards deep neural network", 《BMC MED RES METHODOL》 *
姚婷婷 等: "生存资料回归模型分析——生存资料Cox 比例风险回归模型分析", 《四川精神卫生》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113985803A (zh) * 2021-10-28 2022-01-28 西安热工研究院有限公司 一种可用于火力发电厂的在线监测数据分析柜
CN116760195A (zh) * 2023-08-18 2023-09-15 国网浙江省电力有限公司宁波供电公司 电力系统全要素资源监控方法、系统、设备和存储介质
CN116760195B (zh) * 2023-08-18 2024-01-02 国网浙江省电力有限公司宁波供电公司 电力系统全要素资源监控方法、系统、设备和存储介质
CN117134480A (zh) * 2023-10-26 2023-11-28 常州满旺半导体科技有限公司 一种基于大数据分析的电源调节监测系统及方法
CN117134480B (zh) * 2023-10-26 2024-01-12 常州满旺半导体科技有限公司 一种基于大数据分析的电源调节监测系统及方法
CN117728580A (zh) * 2023-12-22 2024-03-19 安徽众星电气科技有限公司 用电监控及安全监管可视化智能终端
CN117728580B (zh) * 2023-12-22 2024-05-14 安徽众星电气科技有限公司 用电监控及安全监管可视化智能终端

Also Published As

Publication number Publication date
CN113050523B (zh) 2022-07-26

Similar Documents

Publication Publication Date Title
CN113050523B (zh) 一种基于大数据融合模型的电力监控系统
CN112788142B (zh) 一种支持多传感器接入的智能边缘物联网关
CN104283308B (zh) 微电网智能中央策略控制系统
CN104239059B (zh) 基于全模型的智能配用电统一信息支撑平台的构建方法
CN203324773U (zh) 一种风电场集控系统
CN105743126A (zh) 一种实现负荷管理的微电网能量管理系统
CN102999018A (zh) 建筑物自动监控系统
CN102663912A (zh) 区域电网调控一体计算机仿真系统
CN109713793A (zh) 一种变电站站用电源在线状态评估系统和方法
CN103944265B (zh) 一种交互式智能配用电能源监测装置及方法
CN109409732A (zh) 一种能耗管理系统及管理方法
CN106597862A (zh) 基于关联规则挖掘的建筑能耗控制装置及方法
CN110676889B (zh) 一种用于储能联合火电调频的能量管理系统
CN107395117A (zh) 分布式太阳能发电系统监控与远程诊断SaaS平台
CN111077817A (zh) 一种基于物联网的电力公司用安全监控管理系统
CN111900801A (zh) 一种基于电力物联网的配电网供电保障系统
CN105591469B (zh) 一种社区微网分布式控制系统
CN112769240A (zh) 一种发电厂电气设备统一系统
CN114861539A (zh) 一种5g城市综合能源互联网数字孪生系统建模与实现方法
CN103558815A (zh) 一种移动储能电站的监控系统
CN111210364A (zh) 一种智慧楼宇综合监控管理平台系统
Han et al. Source-Network-Load-Storage coordinated control system based on distribution IOT cloud platform and virtual power plant
CN113762911A (zh) 一种基于分布式架构的综合能源服务平台的制作方法
CN107546856A (zh) 一种环网单元综合监控系统
CN112769234A (zh) 一种用电负荷智能感知系统及方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20211216

Address after: 215200 room 302-1, floor 3, No. 229, yunchuang Road, Jiangling street, Wujiang District, Suzhou City, Jiangsu Province

Applicant after: Suzhou zhuoxinheng Information Technology Co.,Ltd.

Address before: 817 Tianan science and technology innovation building, Panyu energy saving science and Technology Park, 555 Panyu Avenue North, Donghuan street, Panyu District, Guangzhou, Guangdong 511400

Applicant before: GUANGZHOU ZHONGCHAO HENENG TECHNOLOGY CO.,LTD.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220705

Address after: 272000 No. 01-703, floor 7, business building 01, block C, Jiayuan community, No. 90, Fuhe Road, Xianying street, Rencheng District, Jining City, Shandong Province

Applicant after: Yanbo Group Co.,Ltd.

Address before: 215200 room 302-1, floor 3, No. 229, yunchuang Road, Jiangling street, Wujiang District, Suzhou City, Jiangsu Province

Applicant before: Suzhou zhuoxinheng Information Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant