CN113393341A - 一种基于语音识别的电网运行监控方法 - Google Patents

一种基于语音识别的电网运行监控方法 Download PDF

Info

Publication number
CN113393341A
CN113393341A CN202110671098.3A CN202110671098A CN113393341A CN 113393341 A CN113393341 A CN 113393341A CN 202110671098 A CN202110671098 A CN 202110671098A CN 113393341 A CN113393341 A CN 113393341A
Authority
CN
China
Prior art keywords
power grid
method based
voice
operation information
monitoring method
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
CN202110671098.3A
Other languages
English (en)
Other versions
CN113393341B (zh
Inventor
覃禹铭
包义钊
毛杰
卢颖
任庭昊
代启璨
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.)
Guizhou Power Grid Co Ltd
Original Assignee
Guizhou Power Grid 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 Guizhou Power Grid Co Ltd filed Critical Guizhou Power Grid Co Ltd
Priority to CN202110671098.3A priority Critical patent/CN113393341B/zh
Publication of CN113393341A publication Critical patent/CN113393341A/zh
Application granted granted Critical
Publication of CN113393341B publication Critical patent/CN113393341B/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
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
    • G06N3/04—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of 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
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/26—Speech to text systems
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Human Computer Interaction (AREA)
  • Public Health (AREA)
  • Multimedia (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Water Supply & Treatment (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Acoustics & Sound (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)

Abstract

本发明公开了一种基于语音识别的电网运行监控方法，包括，采集电网的运行信息，对电网的运行信息进行预处理；将预处理后的电网的运行信息输入至专家系统模块，判断电网是否故障；若故障，则通过语音转换模型将判断结果转换为语音报警指令，以提醒操作人员进行故障维修；否则，则不做任何处理；本发明通过预处理电网运行信息，准确的建立了专家系统模块，从而准确的判断电网故障，同时通过Tacotron2模块及时的将故障信息转换为语音指令，提高工作人员的故障检测效率。

Description

一种基于语音识别的电网运行监控方法
技术领域
本发明涉及的技术领域，尤其涉及一种基于语音识别的电网运行监控方法。
背景技术
随着电网的日趋复杂，所建变电站规模的不断扩大，复杂性的提高以及投资的巨大，过程控制中监控系统的研究也越来越受广大专门研究控制的学者重视。除了研究各种控制算法之外，人们迫切需要提高系统的可靠性和安全性，因而有必要建立一个监控系统来监视整个系统的运行状态，不断检测系统的变化和故障，进而采取必要的措施，防止系统的损坏和事故的发生。
现有的监控系统效率低下，呈现结果相对分散，不利于监控人员分析当前运行情况，难以高效监视电网运行情况。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种基于语音识别的电网运行监控方法，能够解决现有监控系统效率低下的问题。
为解决上述技术问题，本发明提供如下技术方案：包括，采集电网的运行信息，对所述电网的运行信息进行预处理；将预处理后的电网的运行信息输入至专家系统模块，判断电网是否故障；若故障，则通过语音转换模型将判断结果转换为语音报警指令，以提醒操作人员进行故障维修；否则，则不做任何处理。
作为本发明所述的基于语音识别的电网运行监控方法的一种优选方案，其中：所述电网的运行信息包括电力设备的电流、电压、电度、有功功率和无功功率。
作为本发明所述的基于语音识别的电网运行监控方法的一种优选方案，其中：所述预处理包括数据清洗、抽样、特征选择和数据降维。
作为本发明所述的基于语音识别的电网运行监控方法的一种优选方案，其中：所述数据清洗包括，利用数据清洗模块删除电网的运行信息中的缺失值、低方差值，其中，所述低方差值为方差为0的值。
作为本发明所述的基于语音识别的电网运行监控方法的一种优选方案，其中：所述抽样包括，将所述电网的运行信息划分为A样本和B样本，其比例为5：95；分别设置A样本和B样本的损失值，并训练对应的支持向量机分类器；通过支持向量机分类器获得A样本和B样本的权重值，并根据所述权重值筛选样本。
作为本发明所述的基于语音识别的电网运行监控方法的一种优选方案，其中：所述特征选择包括，利用互信息法获取电网的运行信息的特征，即信息间的关系，包括线性关系与非线性关系。
作为本发明所述的基于语音识别的电网运行监控方法的一种优选方案，其中：所述数据降维包括，利用因子分析策略获得隐变量，以完成所述数据降维。
作为本发明所述的基于语音识别的电网运行监控方法的一种优选方案，其中：所述专家系统模块包括数据库、知识库和判断单元；所述数据库存有所述预处理后的电网的运行信息；所述知识库存有电力设备的工作机理和结构知识；所述判断单元根据所述知识库对所述预处理后的电网的运行信息进行检测判断，若预处理后的电网的运行信息的误差大于5％，则判定电网故障。
作为本发明所述的基于语音识别的电网运行监控方法的一种优选方案，其中：所述语音转换模型包括文本接收单元和语音输出单元；通过所述文本接收单元接收故障文本；所述语音输出单元根据所述文本接收单元输出Mel频谱图，获取所述语音指令。
作为本发明所述的基于语音识别的电网运行监控方法的一种优选方案，其中：所述文本接收单元包括，所述文本接收单元包括Attention网络和三个卷积层，每个卷积层包含512个滤波器，通过所述卷积层进行批量归一化和ReLU激活，获得编码序列；通过所述Attention网络将所述编码序列总结为每层卷积层输出固定长度的上下文向量；将所述固定长度的上下文向量传递到包含512个单位的单个双向LSTM层，以生成编码特征。
本发明的有益效果：本发明通过预处理电网运行信息，准确的建立了专家系统模块，从而准确的判断电网故障，同时通过Tacotron2模块及时的将故障信息转换为语音指令，提高工作人员的故障检测效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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它的附图。其中：
图1为本发明第一个实施例所述的一种基于语音识别的电网运行监控方法的流程示意图；
图2为本发明第一个实施例所述的一种基于语音识别的电网运行监控方法的数据清洗结果示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1～图2，为本发明的第一个实施例，该实施例提供了一种基于语音识别的电网运行监控方法，包括：
S1：采集电网的运行信息，对电网的运行信息进行预处理。
采集的电网的运行信息包括电力设备的电流、电压、电度、有功功率和无功功率。
进一步的，对采集的电网的运行信息进行预处理，以为后期提供更准确的故障判断，预处理包括四个步骤，分别是：数据清洗、抽样、特征选择和数据降维，具体的，
(1)数据清洗
在数据清洗过程中，主要处理的是缺失值和异常值，达到去除异常、纠正错误的目的。
本实施例利用R语言creditmodel包里的数据清洗模块删除电网的运行信息中的缺失值、低方差值，结果如图2所示，其中，所述低方差值为方差为0的值。
(2)抽样
①将电网的运行信息划分为A样本和B样本，其比例为5：95；
②分别设置A样本和B样本的损失值(利用交叉熵损失函数计算损失值，样本A的损失值为5.6，样本B的损失值为0.56)，并训练对应的支持向量机分类器，程序代码如下：
SVM_model＝SVC(random_state＝66)#设定一个随机数种子，保证每次运行结果不变化
SVM_model.fit(train_x,train_y)
pred1＝SVM_model.predict(train_x)
accuracy1＝recall_score(train_y,pred1)
print('在训练集上的召回率:\n',accuracy1)
pred2＝SVM_model.predict(test_x)
accuracy2＝recall_score(test_y,pred2)
print('在测试集上的召回率:\n',accuracy2)
③通过支持向量机分类器获得A样本和B样本的权重值，并根据所述权重值筛选样本。
当权重值大于0.2时，样本的损失值达到最大，因此删除权重大于0.2的样本，以降低样本损失值，进而解决样本不均衡问题。
(3)特征选择
利用互信息法获取电网的运行信息的特征，即信息间的关系，包括线性关系与非线性关系。
(4)数据降维
利用因子分析策略(因子分析的主要目的是用来描述隐藏在一组测量到的变量中的一些更基本的，但又无法直接测量到的隐性变量)获得隐变量，以完成数据降维。
S2：将预处理后的电网的运行信息输入至专家系统模块，判断电网是否故障。
专家系统模块包括数据库、知识库和判断单元；其中，数据库存有预处理后的电网的运行信息，采用SQL数据库；知识库存有电力设备的工作机理和结构知识；判断单元根据知识库对预处理后的电网的运行信息进行检测判断，若预处理后的电网的运行信息的误差大于5％，则判定电网故障。
若故障，则通过语音转换模型将判断结果转换为语音报警指令，以提醒操作人员进行故障维修；否则，则不做任何处理。
其中，语音转换模型包括文本接收单元和语音输出单元；
通过文本接收单元接收故障文本；语音输出单元根据文本接收单元输出Mel频谱图，获取语音指令。
具体的，文本接收单元包括Attention网络和三个卷积层，每个卷积层包含512个卷积核为5*1的滤波器，通过卷积层进行批量归一化和ReLU激活，获得编码序列；通过Attention网络将编码序列总结为每层卷积层输出固定长度的上下文向量；将固定长度的上下文向量传递到包含512个单位(每个方向256个)的单个双向LSTM(LongShort-TermMemory)层，以生成编码特征。
实施例2
为了对本方法中采用的技术效果加以验证说明，本实施例选择传统的技术方案和采用本方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
传统的技术方案难以高效监视电网运行情况；为验证本方法相对传统的技术方案能够高效监控电网运行情况，本实施例中将采用传统的技术方案和本方法分别对某变电站的某个时间段进行实时监控。
采集某变电站中的100台电力设备在08：00～16：00时段的运行数据，分别采用本方法和传统的技术方案对这100台电力设备进行故障监控，并统计故障发现时间，结果如下表所示。
表1：故障监控时间对比。
时段 传统的技术方案 本方法
08：00～09：00 22.4分钟 3.5秒
09：01～10：00 6.7分钟 3.6秒
10：01～11：00 13.3分钟 2.9秒
11：01～12：00 12.1分钟 3.2秒
12：01～13：00 12.5分钟 3.7秒
13：01～14：00 7.8分钟 2.5秒
14：01～15：00 9.4分钟 2.7秒
15：01～16：00 5.9分钟 1.8秒
由上表可见，本方法极大地缩短了发现电力设备故障的时间，进而实现高效监视电网运行情况。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于语音识别的电网运行监控方法，其特征在于：包括，
采集电网的运行信息，对所述电网的运行信息进行预处理；
将预处理后的电网的运行信息输入至专家系统模块，判断电网是否故障；
若故障，则通过语音转换模型将判断结果转换为语音报警指令，以提醒操作人员进行故障维修；否则，则不做任何处理。
2.如权利要求1所述的基于语音识别的电网运行监控方法，其特征在于：所述电网的运行信息包括电力设备的电流、电压、电度、有功功率和无功功率。
3.如权利要求2所述的基于语音识别的电网运行监控方法，其特征在于：所述预处理包括数据清洗、抽样、特征选择和数据降维。
4.如权利要求3所述的基于语音识别的电网运行监控方法，其特征在于：所述数据清洗包括，
利用数据清洗模块删除电网的运行信息中的缺失值、低方差值，其中，所述低方差值为方差为0的值。
5.如权利要求3所述的基于语音识别的电网运行监控方法，其特征在于：所述抽样包括，
将所述电网的运行信息划分为A样本和B样本，其比例为5：95；
分别设置A样本和B样本的损失值，并训练对应的支持向量机分类器；
通过支持向量机分类器获得A样本和B样本的权重值，并根据所述权重值筛选样本。
6.如权利要求4或5所述的基于语音识别的电网运行监控方法，其特征在于：所述特征选择包括，
利用互信息法获取电网的运行信息的特征，即信息间的关系，包括线性关系与非线性关系。
7.如权利要求6所述的基于语音识别的电网运行监控方法，其特征在于：所述数据降维包括，
利用因子分析策略获得隐变量，以完成所述数据降维。
8.如权利要求1或7所述的基于语音识别的电网运行监控方法，其特征在于：所述专家系统模块包括数据库、知识库和判断单元；
所述数据库存有所述预处理后的电网的运行信息；
所述知识库存有电力设备的工作机理和结构知识；
所述判断单元根据所述知识库对所述预处理后的电网的运行信息进行检测判断，若预处理后的电网的运行信息的误差大于5％，则判定电网故障。
9.如权利要求8所述的基于语音识别的电网运行监控方法，其特征在于：所述语音转换模型包括文本接收单元和语音输出单元；
通过所述文本接收单元接收故障文本；
所述语音输出单元根据所述文本接收单元输出Mel频谱图，获取所述语音指令。
10.如权利要求9所述的基于语音识别的电网运行监控方法，其特征在于：所述文本接收单元包括，
所述文本接收单元包括Attention网络和三个卷积层，每个卷积层包含512个滤波器，通过所述卷积层进行批量归一化和ReLU激活，获得编码序列；
通过所述Attention网络将所述编码序列总结为每层卷积层输出固定长度的上下文向量；
将所述固定长度的上下文向量传递到包含512个单位的单个双向LSTM层，以生成编码特征。
CN202110671098.3A 2021-06-17 2021-06-17 一种基于语音识别的电网运行监控方法 Active CN113393341B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110671098.3A CN113393341B (zh) 2021-06-17 2021-06-17 一种基于语音识别的电网运行监控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110671098.3A CN113393341B (zh) 2021-06-17 2021-06-17 一种基于语音识别的电网运行监控方法

Publications (2)

Publication Number Publication Date
CN113393341A true CN113393341A (zh) 2021-09-14
CN113393341B CN113393341B (zh) 2023-05-23

Family

ID=77621674

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110671098.3A Active CN113393341B (zh) 2021-06-17 2021-06-17 一种基于语音识别的电网运行监控方法

Country Status (1)

Country Link
CN (1) CN113393341B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106877511A (zh) * 2017-04-19 2017-06-20 国网山东省电力公司临邑县供电公司 输电线路监控方法及装置
CN108197647A (zh) * 2017-12-28 2018-06-22 中南大学 一种汽车起动机耐久测试数据的快速聚类方法
CN110943536A (zh) * 2019-10-17 2020-03-31 国网浙江省电力有限公司金华供电公司 一种将语音识别应用于电网调度监控的系统及方法
CN111082518A (zh) * 2019-11-18 2020-04-28 中国电力企业联合会电力建设技术经济咨询中心 一种基于多维数据的电网运行故障监测系统
CN111325410A (zh) * 2020-03-13 2020-06-23 安图实验仪器(郑州)有限公司 基于样本分布的通用故障预警系统及其预警方法
CN112101597A (zh) * 2020-10-14 2020-12-18 辽宁电能发展股份有限公司 电动汽车租赁运营平台车辆故障预判系统、方法及装置
CN112636468A (zh) * 2020-12-08 2021-04-09 合肥金人科技有限公司 一种实现电网智能化运行的监控系统
CN112700772A (zh) * 2020-12-18 2021-04-23 山东盛帆蓝海电气有限公司 基于硬件识别的智能语音系统及方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106877511A (zh) * 2017-04-19 2017-06-20 国网山东省电力公司临邑县供电公司 输电线路监控方法及装置
CN108197647A (zh) * 2017-12-28 2018-06-22 中南大学 一种汽车起动机耐久测试数据的快速聚类方法
CN110943536A (zh) * 2019-10-17 2020-03-31 国网浙江省电力有限公司金华供电公司 一种将语音识别应用于电网调度监控的系统及方法
CN111082518A (zh) * 2019-11-18 2020-04-28 中国电力企业联合会电力建设技术经济咨询中心 一种基于多维数据的电网运行故障监测系统
CN111325410A (zh) * 2020-03-13 2020-06-23 安图实验仪器(郑州)有限公司 基于样本分布的通用故障预警系统及其预警方法
CN112101597A (zh) * 2020-10-14 2020-12-18 辽宁电能发展股份有限公司 电动汽车租赁运营平台车辆故障预判系统、方法及装置
CN112636468A (zh) * 2020-12-08 2021-04-09 合肥金人科技有限公司 一种实现电网智能化运行的监控系统
CN112700772A (zh) * 2020-12-18 2021-04-23 山东盛帆蓝海电气有限公司 基于硬件识别的智能语音系统及方法

Also Published As

Publication number Publication date
CN113393341B (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
CN105403811B (zh) 风电场电网故障诊断方法和装置
CN108664010A (zh) 发电机组故障数据预测方法、装置和计算机设备
CN112116262B (zh) 一种风力发电机组设备健康度的评价方法
CN102778358A (zh) 故障预测模型建立方法及系统、风机监测预警系统及方法
CN112803592A (zh) 一种适用于分布式电站的智能故障预警方法及系统
CN105003453A (zh) 一种矿井风机在线监测与故障诊断系统
CN111209934B (zh) 风机故障预报警方法及系统
CN112686405A (zh) 一种基于故障树的配电网故障区域划分方法
CN104657822A (zh) 一种基于风险评估结果的电力系统灾害预警分级方法及系统
CN113391239A (zh) 一种基于边缘计算的互感器异常监测方法与系统
CN110865924B (zh) 电力信息系统内部服务器健康度诊断方法与健康诊断框架
CN114167204A (zh) 一种配变运行异常的识别预警方法
CN110458039A (zh) 一种工业过程故障诊断模型的构建方法及其应用
CN111967620A (zh) 一种光伏组件诊断方法、装置、设备及可读存储介质
CN112065668A (zh) 一种风电机组状态异常评估方法及系统
CN110580492A (zh) 一种基于小幅波动检测的轨道电路故障前兆发现方法
CN115877205A (zh) 一种伺服电机的故障智能诊断系统及其诊断方法
CN117937766B (zh) 一种用于储能柜的智能管理系统
CN113393341A (zh) 一种基于语音识别的电网运行监控方法
CN113375729B (zh) 一种用户变压器智能检测预警方法
CN110332080A (zh) 一种基于共振响应的风机叶片健康实时监测方法
CN113516280A (zh) 一种基于大数据的电网设备故障概率预测的优化方法
CN107465206A (zh) 一种基于谐波阻抗矩阵的风电场防孤岛识别方法及其系统
CN116816617A (zh) 一种风电机组运行状态监测方法
CN115898925A (zh) 一种基于振动信号多阶矩的风机故障预警方法

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