CN113159517B - 一种三维可视化电网运行数据分析系统 - Google Patents
一种三维可视化电网运行数据分析系统 Download PDFInfo
- Publication number
- CN113159517B CN113159517B CN202110311803.9A CN202110311803A CN113159517B CN 113159517 B CN113159517 B CN 113159517B CN 202110311803 A CN202110311803 A CN 202110311803A CN 113159517 B CN113159517 B CN 113159517B
- Authority
- CN
- China
- Prior art keywords
- data
- module
- data analysis
- dimensional visual
- default
- 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
- 238000007405 data analysis Methods 0.000 title claims abstract description 36
- 230000000007 visual effect Effects 0.000 title claims abstract description 20
- 238000012937 correction Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 230000003993 interaction Effects 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种三维可视化电网运行数据分析系统,包括:数据采集模块,连续采集需要监控的设备的运行参数;数据预处理模块,连接数据采集模块,对采集到的运行参数进行缺省修正并进行样本提取;数据分析模块,连接数据预处理模块,利用历史样本对神经网络模型进行训练,并利用训练好的模型对实时样本进行数据分析;交互模块,连接数据分析模块,将分析结果呈现在三维可视化显示设备。本发明的实质性效果包括:基于大规模数据分析和机器学习技术分析电网运行参数,合理利用多维数据,效率较高,并通过三维可视化显示设备进行显示,可以帮助工作人员提前发现和消除设备隐患,加强设备相关因素的管理和控制,提高设备运行可靠性。
Description
技术领域
本发明涉及数据处理领域,特别涉及一种三维可视化电网运行数据分析系统。
背景技术
随着智能电网建设的全面发展,电网系统运行、监控和管理过程中产生了海量的各类数据。目前,供电公司变电站是电网中大多数电网设备的集散地。变电站设备较多,内部连接关系复杂。及时控制电网运行状态对电网设备后期维护、工程技术改造、提高区域供电可靠性尤为重要。由于如何利用这些数据分析电网设备的运行规律和存在的问题,及时修订设备的技术标准和运行维护策略,对设备运行维护人员和管理人员都非常重要。
如授权公告号CN103049826B的发明公开了一种电网运行维护自动化系统,包括:电网运行监测分析子系统、变电设备在线监测分析子系统、输电设备在线监测分析子系统和应急指挥子系统。通过平台化、一体化、标准化设计,在基础平台上构建不同业务的应用功能,实现信息的智能化处理、辅助分析决策,以及基于电网运行信息的智能告警和故障诊断等功能。
现有技术虽然有一定的数据分析处理能力,但对于大规模的数据来说,通常存在数据缺省等问题,如不进行针对性改进会导致处理效率低下或出错,同时现有技术也缺乏便捷的人机交互模块。
发明内容
针对现有技术无法高效处理和分析大规模电网运行数据的问题,本发明提供了一种三维可视化电网运行数据分析系统,通过数据采集并进行缺省修正,解决大规模的数据处理过程中的数据缺省问题,为数据分析提供完善的数据基础,并通过可视化的交互模块进行人机交互,提高分析效率和操作便捷度。
以下是本发明的技术方案。
一种三维可视化电网运行数据分析系统,包括:
数据采集模块,连续采集需要监控的设备的运行参数;
数据预处理模块,连接数据采集模块,对采集到的运行参数进行缺省修正并进行样本提取;数据分析模块,连接数据预处理模块,利用历史样本对神经网络模型进行训练,并利用训练好的模型对实时样本进行数据分析;
交互模块,连接数据分析模块,将分析结果呈现在三维可视化显示设备。
本发明主要针对的是大规模的电网运行数据,由于数据规模较大,数据缺省时有发生,本发明通过数据预处理模块将数据缺省进行修正,以解决数据质量问题,提高整体分析效率。
作为优选,所述数据预处理模块包括缺省修正子模块,所述缺省修正子模块筛查运行参数中的缺省数据,并通过K近邻算法根据缺省数据附近K个数据进行计算得到缺省数据的替换数据,替换后完成缺省修正。K近邻算法可以根据目标数据相近的K个数据进行分析,得到疑似的目标数据类型。
作为优选,所述缺省修正子模块中替换数据的获取过程包括:选取缺省数据最接近的N个数据,分别对以这些数据为起点进行从近到远的遍历,直至出现与该数据不同类别的数据,记录下此时每次遍历的数据个数中最小值a1和平均值a0,对每个缺省数据使用2次K近邻算法,其中K分别取a1和a0,如结果一致则该结果为最终结果,如不一致则进入估算步骤,进行赋值运算a0=a0-y后再将K取a0和a1分别进行K近邻算法判断结果是否一致,如一致则该结果为最终结果,如不一致则再进行赋值运算a1=a1+x,再将K取a0和a1分别进行K近邻算法判断结果是否一致,重复估算步骤直至结果一致,其中y=(a0-a1)/N,a0和a1随估算步骤进行而调整,x=y-1,x和y只取大于等于0的整数。K近邻算法的K取值直接影响结果的准确性,但目前没有统一的标准,而通过上述方式,一步步调整K的取值,直至得到最终结果,可以在很大程度上保持较高的整体准确率,对于大规模的数据处理来说具有重要价值,同时每步调整幅度从大到小,也减少了计算次数,兼顾了计算效率。
作为优选,所述数据分析模块的训练步骤包括:将历史样本分为训练集和验证集,将其中的参数以多维向量表示,并整合为矩阵形式,再将矩阵进行标准化和归一化,并输入至神经网络模型进行训练。由于电网运行参数种类繁多,标准化和归一化后利于训练。
作为优选,所述三维可视化显示设备为AR或VR显示设备。
作为优选,所述神经网络模型为BP神经网络模型。这种模型较为常用且具备稳定良好的训练效果。
本发明的实质性效果包括:基于大规模数据分析和机器学习技术分析电网运行参数,合理利用多维数据,效率较高,并通过三维可视化显示设备进行显示,可以帮助工作人员提前发现和消除设备隐患,加强设备相关因素的管理和控制,提高设备运行可靠性。
附图说明
图1是本发明实施例的系统框图;
图中包括:1-数据采集模块、2-数据预处理模块、3-数据分析模块、4-交互模块。
具体实施方式
下面将结合实施例,对本申请的技术方案进行描述。另外,为了更好的说明本发明,在下文中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本发明同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未做详细描述,以便于凸显本发明的主旨。
实施例:
如图1所示是一种三维可视化电网运行数据分析系统,包括:
数据采集模块1,连续采集需要监控的设备的运行参数;数据预处理模块2,连接数据采集模块,对采集到的运行参数进行缺省修正并进行样本提取;数据分析模块3,利用历史样本对BP神经网络模型进行训练,并利用训练好的模型对实时样本进行数据分析;交互模块4,连接数据分析模块,将分析结果呈现在三维可视化显示设备。其中数据采集模块和交互模块设置在本地,而数据预处理模块和数据分析模块部署在服务器。
本实施例主要针对的是大规模的电网运行数据,由于数据规模较大,数据缺省时有发生,本实施例通过数据预处理模块将数据缺省进行修正,以解决数据质量问题,提高整体分析效率。
本实施例的数据预处理模块包括缺省修正子模块,缺省修正子模块筛查运行参数中的缺省数据,并通过K近邻算法根据缺省数据附近K个数据进行计算得到缺省数据的替换数据,替换后完成缺省修正。K近邻算法可以根据目标数据相近的K个数据进行分析,得到目标数据类型。
其中缺省修正子模块中替换数据的获取过程包括:选取缺省数据最接近的N个数据,分别对以这些数据为起点进行从近到远的遍历,直至出现与该数据不同类别的数据,记录下此时每次遍历的数据个数中最小值a1和平均值a0,对每个缺省数据使用2次K近邻算法,其中K分别取a1和a0,如结果一致则该结果为最终结果,如不一致则进入估算步骤,进行赋值运算a0=a0-y后再将K取a0和a1分别进行K近邻算法判断结果是否一致,如一致则该结果为最终结果,如不一致则再进行赋值运算a1=a1+x,再将K取a0和a1分别进行K近邻算法判断结果是否一致,重复估算步骤直至结果一致,其中y=(a0-a1)/N,a0和a1随估算步骤进行而调整,x=y-1,x和y只取大于等于0的整数。K近邻算法的K取值直接影响结果的准确性,但目前没有统一的标准,而通过上述方式,一步步调整K的取值,直至得到最终结果,可以在很大程度上保持较高的整体准确率,对于大规模的数据处理来说具有重要价值,同时每步调整幅度从大到小,也减少了计算次数,兼顾了计算效率。
数据分析模块的训练步骤包括:将历史样本分为训练集和验证集,将其中的参数以多维向量表示,并整合为矩阵形式,再将矩阵进行标准化和归一化,并输入至神经网络模型进行训练。
本实施例以某电网系统设备的运行参数为例,说明数据分析模块的训练步骤。例如CPU占用率、内存占用率、带宽占用率反映了设备算力资源的综合利用率,也反映了负载状态,线路的温度数据、电流数据和电压数据反应了设备运行的安全状况,统计上述的历史样本数据对应的历史设备运行状态,记录为故障率。将预处理得到的历史样本分为训练集和验证集后进行标准化和归一化:
如果由向量X=(X1,X2,…,XP)表示p个维度,则矩阵表示为:
进一步标准化得到:
其中:
然后对矩阵进行归一化,可以得到如下结果:
其中归一化计算过程:
最终得到的是标准化和规划后的矩阵,再将结果导入到BP神经网络模型进行训练,并利用训练好的模型对实时样本进行数据分析,可以得到所需的故障率。
本实施例的实质性效果包括:基于大规模数据分析和机器学习技术分析电网运行参数,合理利用多维数据,效率较高,并通过三维可视化显示设备进行显示,可以帮助工作人员提前发现和消除设备隐患,加强设备相关因素的管理和控制,提高设备运行可靠性。
通过以上实施方式的描述,所属领域的技术人员可以了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中可以根据需要而将上述功能分配由不同的功能模块完成,即将具体装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。例如,模块或单元实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个结构,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,结构或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本申请实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上内容,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (4)
1.一种三维可视化电网运行数据分析系统,其特征在于,包括:
数据采集模块,连续采集需要监控的设备的运行参数;
数据预处理模块,连接数据采集模块,对采集到的运行参数进行缺省修正并进行样本提取;
数据分析模块,连接数据预处理模块,利用历史样本对神经网络模型进行训练,并利用训练好的模型对实时样本进行数据分析;
交互模块,连接数据分析模块,将分析结果呈现在三维可视化显示设备;
所述数据预处理模块包括缺省修正子模块,所述缺省修正子模块筛查运行参数中的缺省数据,并通过K近邻算法根据缺省数据附近K个数据进行计算得到缺省数据的替换数据,替换后完成缺省修正;
所述缺省修正子模块中替换数据的获取过程包括:选取缺省数据最接近的N个数据,分别对以这些数据为起点进行从近到远的遍历,直至出现与该数据不同类别的数据,记录下此时每次遍历的数据个数中最小值a1和平均值a0,对每个缺省数据使用2次K近邻算法,其中K分别取a1和a0,如结果一致则该结果为最终结果,如不一致则进入估算步骤,进行赋值运算a0=a0-y后再将K取a0和a1分别进行K近邻算法判断结果是否一致,如一致则该结果为最终结果,如不一致则再进行赋值运算a1=a1+x,再将K取a0和a1分别进行K近邻算法判断结果是否一致,重复估算步骤直至结果一致,其中y=(a0-a1)/N,a0和a1随估算步骤进行而调整,x=y-1,x和y只取大于等于0的整数。
2.根据权利要求1所述的一种三维可视化电网运行数据分析系统,其特征在于,所述数据分析模块的训练步骤包括:将历史样本分为训练集和验证集,将其中的参数以多维向量表示,并整合为矩阵形式,再将矩阵进行标准化和归一化,并输入至神经网络模型进行训练。
3.根据权利要求1所述的一种三维可视化电网运行数据分析系统,其特征在于,所述三维可视化显示设备为AR或VR显示设备。
4.根据权利要求1所述的一种三维可视化电网运行数据分析系统,其特征在于,所述神经网络模型为BP神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110311803.9A CN113159517B (zh) | 2021-03-24 | 2021-03-24 | 一种三维可视化电网运行数据分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110311803.9A CN113159517B (zh) | 2021-03-24 | 2021-03-24 | 一种三维可视化电网运行数据分析系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113159517A CN113159517A (zh) | 2021-07-23 |
CN113159517B true CN113159517B (zh) | 2023-07-14 |
Family
ID=76888424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110311803.9A Active CN113159517B (zh) | 2021-03-24 | 2021-03-24 | 一种三维可视化电网运行数据分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113159517B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511190A (zh) * | 2021-12-31 | 2022-05-17 | 上海华鑫股份有限公司 | 一种面向二级市场市值重估的可视分析系统及分析方法 |
CN116739829B (zh) * | 2023-07-03 | 2024-03-19 | 深圳义云科技有限公司 | 一种基于大数据的电力数据分析方法、系统及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008259A (zh) * | 2019-02-20 | 2019-07-12 | 中科恒运股份有限公司 | 可视化数据分析的方法及终端设备 |
CN111680726A (zh) * | 2020-05-28 | 2020-09-18 | 国网上海市电力公司 | 基于近邻成分分析和k近邻学习融合的变压器故障诊断方法和系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407464A (zh) * | 2016-10-12 | 2017-02-15 | 南京航空航天大学 | 一种基于knn的改进缺失数据填补算法 |
CN107992959A (zh) * | 2017-04-26 | 2018-05-04 | 国网浙江省电力公司 | 一种基于电力大数据可视化神经网络数据挖掘技术的电力故障预测方法 |
CN109934730A (zh) * | 2019-03-25 | 2019-06-25 | 广东电网有限责任公司 | 一种可视化实时管控分析系统 |
CN110571792A (zh) * | 2019-07-29 | 2019-12-13 | 中国电力科学研究院有限公司 | 一种电网调控系统运行状态的分析评估方法及系统 |
CN110990656A (zh) * | 2019-10-14 | 2020-04-10 | 广西电网有限责任公司贺州供电局 | 一种智能电网大数据可视化分析的系统 |
CN111769640A (zh) * | 2020-06-23 | 2020-10-13 | 河南工业职业技术学院 | 一种基于智能电网的电力信息组装系统及方法 |
CN112069247B (zh) * | 2020-09-09 | 2023-01-24 | 广东电网有限责任公司中山供电局 | 基于数字孪生技术的电力系统运行数据可视化系统及方法 |
CN112508261B (zh) * | 2020-12-03 | 2021-09-03 | 广东电网有限责任公司 | 一种基于神经网络的配电变压器负荷分层预测方法及装置 |
-
2021
- 2021-03-24 CN CN202110311803.9A patent/CN113159517B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008259A (zh) * | 2019-02-20 | 2019-07-12 | 中科恒运股份有限公司 | 可视化数据分析的方法及终端设备 |
CN111680726A (zh) * | 2020-05-28 | 2020-09-18 | 国网上海市电力公司 | 基于近邻成分分析和k近邻学习融合的变压器故障诊断方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113159517A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106199276B (zh) | 一种用电信息采集系统中异常信息的智能诊断系统及方法 | |
CN105403811B (zh) | 风电场电网故障诊断方法和装置 | |
CN113159517B (zh) | 一种三维可视化电网运行数据分析系统 | |
CN115048591B (zh) | 一种基于人工智能的配电网全息数据可视化智能展示分析系统 | |
RU2012155276A (ru) | Обнаружение и анализ злоумышленной атаки | |
CN102086784A (zh) | 大型汽轮发电机组分布式远程振动监测与故障诊断系统 | |
CN109501834A (zh) | 一种道岔转辙机故障预测方法及装置 | |
CN1787116A (zh) | 基于状态监测的核电厂智能维护系统 | |
CN104281779A (zh) | 一种异常数据判定与处理方法及装置 | |
CN104793607A (zh) | 一种服务器故障在线诊断、健康分析及失效预报系统及方法 | |
CN114298175A (zh) | 基于边缘计算的电力设备状态监测与故障预警方法及系统 | |
CN116700193A (zh) | 工厂车间智能化监控管理系统及其方法 | |
CN108132423B (zh) | 一种基于状态转移概率电力系统监测数据失真的快速定位方法 | |
CN116308883A (zh) | 一种基于大数据的区域电网数据统筹管理系统 | |
CN115313930A (zh) | 一种大型汽轮发电机励磁电流实时预测方法 | |
CN111391694B (zh) | 一种充电站运行维护的多层次快速数据监测方法和系统 | |
CN116204846B (zh) | 一种基于可见图的配电网传感器数据异常快速定位方法 | |
CN112363012A (zh) | 一种电网故障预警装置及方法 | |
CN113159516B (zh) | 一种基于电网运行数据的三维可视化信息分析系统 | |
KR101896442B1 (ko) | Ict 융합형 풍력 발전 단지 모니터링 시스템, 서버 및 방법 | |
CN111539642B (zh) | 一种基于面向对象的电厂数据采集处理系统及其方法 | |
CN114254772A (zh) | 一种基于svm的配电网装置设备故障分析方法 | |
CN114626440A (zh) | 一种监控信号的对象化分析方法及装置 | |
CN117521084B (zh) | 一种复杂系统的主动安全预警方法 | |
CN117726959B (zh) | 基于智能图像识别的无人机电力线路安全巡检系统及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |