CN113504423A - 一种一次设备在线监测数据趋势预测方法及装置 - Google Patents
一种一次设备在线监测数据趋势预测方法及装置 Download PDFInfo
- Publication number
- CN113504423A CN113504423A CN202110789700.3A CN202110789700A CN113504423A CN 113504423 A CN113504423 A CN 113504423A CN 202110789700 A CN202110789700 A CN 202110789700A CN 113504423 A CN113504423 A CN 113504423A
- Authority
- CN
- China
- Prior art keywords
- growth rate
- data
- time point
- rate
- sampling
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 238000005070 sampling Methods 0.000 claims abstract description 61
- 230000002159 abnormal effect Effects 0.000 abstract description 3
- 230000036541 health Effects 0.000 abstract description 3
- 239000007789 gas Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000004587 chromatography analysis Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 description 1
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 1
- 239000005977 Ethylene Substances 0.000 description 1
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及一种一次设备在线监测数据趋势预测方法及装置,根据采样点的历史数据计算历史采样时间内的增长率和增长率的平均增量增长率,利用该平均增量增长率来对未来各时间点的增长率进行预测,进而预测未来各时间点的数据值,并能够根据预测值进行异常告警。本发明相对于现有的在线监测数据趋势预测方法,既能适用于大部分一次设备在线监测数据,又能根据相似工况进行预测,考虑到不同工况下的差异性,方便快捷的为评估一次设备健康状态提供重要的依据。通过将对增长率类型进行分类,并针对不同分类采用不同的公式预测增长率和数据值,从而使得数据预测更加有针对性,能够适用于大部分一次设备在线监测数据。
Description
技术领域
本发明涉及变电站在线监测技术领域,尤其涉及一种一次设备在线监测数据趋势预测方法及装置。
背景技术
在智能变电站的建设中,将变压器和开关等一次设备在线监测以及故障分析作为变电站建设的重要技术研究。对一次设备状态在线监测数据的趋势进行分析预测,可以为一次设备在线监测以及故障分析提供预测数据,用于推测一次设备故障的发展过程,有利维修决策和过程控制。而在现有技术中,对于在线监测数据趋势预测缺乏高效并且准确的方法。
发明内容
基于现有技术的上述情况,本发明的目的在于提供一种一次设备在线监测数据趋势预测方法及装置,既能适用于大部分一次设备在线监测数据,又能根据相似工况进行预测,考虑到不同工况下的差异性,方便快捷的为评估一次设备健康状态提供重要的依据。
为达到上述目的,根据本发明的一个方面,提供了一种一次设备在线监测数据趋势预测方法,包括步骤:
获取采样点的历史数据,每个数据包括采样时间点、数据值、以及其采样时间点对应的运行工况;
选取与待预测时间点相似工况的采样点数据,各数据值分别为v1、v2……vn,其对应的时间点分别为t1、t2……tn;
根据各数据值vi及其对应的时间点计算时间点ti分别对应的增长率ri;
根据所述时间点ti及其对应的增长率ri计算时间段[t1,tn]内增长率的平均增量增长率dv;
根据该平均增量增长率dv对未来各时间点的增长率及其对应的采样点数据值进行预测;
其中,n为总采样点数,2≥i≥n,i、n均为正整数。
进一步的,所述根据各数据值及其对应的时间点计算时间点ti分别对应的增长率ri,包括:
对该采样点数据的增长率阈值类型进行判断,若为增量增长率类型,采用第一公式计算增长率;若为百分比增长率类型,采用第二公式计算增长率。
进一步的,所述第一公式包括:
ri=(vi-vi-1)/(ti-ti-1)。
进一步的,所述第二公式包括:
ri=(vi-vi-1)/[vi-1*(ti-ti-1)]。
进一步的,所述平均增量增长率dv根据以下公式计算:
dv=(rn-r2)/(tn-t2)。
进一步的,所述根据该平均增量增长率dv对未来各时间点的增长率及其对应的采样点数据值进行预测,包括:
未来时间点tn+j的增长率rn+j为:
rn+j=rn+j-1+(tn+j-tn+j-1)*dv
该时间点tn+j对应的数据值vn+j为:
当该采样点数据的增长率阈值类型为增量增长率类型时,
vn+j=vn+j-1+(tn+j-tn+j-1)*rn+j
当该采样点数据的增长率阈值类型为百分比增长率类型时,
vn+j=vn+j-1+(tn+j-tn+j-1)*rn+j*vn+j-1
其中,j≥1,且j为正整数,若vn+j<0,则vn+j=0。
进一步的,还包括:
当rn+j≥Hr时,发出增长率告警提示;
当vn+j≥Hv时,发出数据值告警提示;
其中,Hr为增长率阈值,Hv为数据值阈值。
根据本发明的另一个方面,提供了一种一次设备在线监测数据趋势预测装置,包括历史数据获取模块、采样点数据选取模块、增长率计算模块、平均增量增长率计算模块、以及数据趋势预测模块;其中,
所述历史数据获取模块用于获取采样点的历史数据,每个数据包括采样时间点、数据值、以及其采样时间点对应的运行工况;
所述采样点数据选取模块用于选取与待预测时间点相似工况的采样点数据,各数据值分别为v1、v2……vn,其对应的时间点分别为t1、t2……tn;
所述增长率计算模块用于根据各数据值vi及其对应的时间点计算时间点ti分别对应的增长率ri;
所述平均增量增长率计算模块用于根据所述时间点ti及其对应的增长率ri计算时间段[t1,tn]内增长率的平均增量增长率dv;
所述数据趋势预测模块用于根据该平均增量增长率dv对未来各时间点的增长率及其对应的采样点数据值进行预测;
其中,n为总采样点数,2≥i≥n,i、n均为正整数。
进一步的,所述增长率计算模块根据各数据值及其对应的时间点计算时间点ti分别对应的增长率ri,包括:
对该采样点数据的增长率阈值类型进行判断,若为增量增长率类型,采用第一公式计算增长率;若为百分比增长率类型,采用第二公式计算增长率。
进一步的,所述第一公式包括:
ri=(vi-vi-1)/(ti-ti-1)
所述第二公式包括:
ri=(vi-vi-1)/[vi-1*(ti-ti-1)]。
综上所述,本发明提供了一种一次设备在线监测数据趋势预测方法及装置,根据采样点的历史数据计算历史采样时间内的增长率和增长率的平均增量增长率,利用该平均增量增长率来对未来各时间点的数据值和增长率进行预测,并能够根据预测值进行异常告警。本发明相对于现有的在线监测数据趋势预测方法,既能适用于大部分一次设备在线监测数据,包括油色谱、铁芯接地电流、局放、泄露电流、SF6气体压力/密度等,又能根据相似工况进行预测,考虑到不同工况下的差异性,方便快捷的为评估一次设备健康状态提供重要的依据。
本发明的技术方案具有如下有益的技术效果:
(1)将对增长率类型进行分类,并针对不同分类采用不同的公式预测增长率和数据值,从而使得数据预测更加有针对性,能够适用于大部分一次设备在线监测数据。
(2)在进行历史数据提取时充分考虑到采样时的工况,克服了不同工况下采样数据的差异性,根据相似工况进行数据去噪,排除掉无意义的数据,提高了预测的准确性。
(3)本发明采用先对增长率进行预测,再根据预测的增长率预测数据值的方法,使得预测的数据值曲线更加光滑合理,避免预测的数据就是简单一条直线的延伸。
附图说明
图1是本发明一次设备在线监测数据趋势预测方法的流程图;
图2是本发明一次设备在线监测数据趋势预测装置的构成框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
下面对结合附图对本发明的技术方案进行详细说明。根据本发明的一个实施例,提供了一种一次设备在线监测数据趋势预测方法,该方法的流程图如图1所示,包括步骤:
获取采样点的历史数据,每个数据包括采样时间点、数据值、以及其采样时间点对应的运行工况。获取历史数据的时间段例如为从t1~tn的时间段。
选取与待预测时间点相似工况的采样点数据,各数据值分别为v1、v2……vn,其对应的时间点分别为t1、t2……tn。相似工况通常是指例如天气信息、设备运行状态等信息。由于设备在工况差别较大的情况下,进行数据预测的准确率相对较低,在该步骤下,通过选择相似工况下的采样点历史数据,根据相似工况进行数据去噪,排除掉无意义的数据,可以有效地提高数据预测的准确率。在本实施例中,设n为总采样点数,2≥i≥n,i、n均为正整数。
根据各数据值vi及其对应的时间点计算时间点ti分别对应的增长率ri。在对历史数据的增长率进行计算时,需要考虑采样点数据的增长率类型,本实施例中将其区分为两种类型:增量增长率类型和百分比增长率类型。例如,油色谱中氢气、乙炔、一氧化碳、二氧化碳、总烃等气体浓度数据增长率属于增量增长率类型,油色谱中甲烷、乙烷、乙烯等气体浓度以及本体局放中平均放电量、放电次数等数据增长率属于百分比增长率类型。针对不同的增长率类型进行计算,可以满足不同数据间的差异化要求,扩大了该预测方法的适用范围,能够实现对更多一次设备在线监测数据进行合理分析预测。具体来说,当该采样点数据的增长率阈值类型进行判断,若为增量增长率类型,采用第一公式计算增长率;若为百分比增长率类型,采用第二公式计算增长率。
第一公式包括:
ri=(vi-vi-1)/(ti-ti-1)。
第二公式包括:
ri=(vi-vi-1)/[vi-1*(ti-ti-1)]。
根据所述时间点ti及其对应的增长率ri计算时间段[t1,tn]内增长率的平均增量增长率dv。该平均增量增长率dv可以根据以下公式计算:
dv=(rn-r2)/(tn-t2)。
根据该平均增量增长率dv对未来各时间点的增长率及其对应的采样点数据值进行预测。该预测包括对未来各时间点的增长率进行预测,以及对其对应的采样点的数据值进行预测,其中,
未来时间点tn+j的增长率rn+j为:
rn+j=rn+j-1+(tn+j-tn+j-1)*dv
该时间点tn+j对应的数据值vn+j为:
当该采样点数据的增长率阈值类型为增量增长率类型时,
vn+j=vn+j-1+(tn+j-tn+j-1)*rn+j
当该采样点数据的增长率阈值类型为百分比增长率类型时,
vn+j=vn+j-1+(tn+j-tn+j-1)*rn+j*vn+j-1
其中,j≥1,且j为正整数,若vn+j<0,则vn+j=0。
根据本实施例的方案,当预测的增长率以及数据值超出阈值范围时,发出告警提示,以提醒运维人员进行排查,及早发现故障。具体来说,设置增长率阈值Hr,以及数据值阈值Hv,该增长率阈值和数据值阈值均可以根据采样的不同设备不同数据类型进行设置。
当rn+j≥Hr时,发出增长率告警提示;
当vn+j≥Hv时,发出数据值告警提示。
根据本发明的另一个实施例,提供了一种一次设备在线监测数据趋势预测装置,该装置的构成框图如图2所示,包括历史数据获取模块、采样点数据选取模块、增长率计算模块、平均增量增长率计算模块、以及数据趋势预测模块。
所述历史数据获取模块用于获取采样点的历史数据,每个数据包括采样时间点、数据值、以及其采样时间点对应的运行工况;
所述采样点数据选取模块用于选取与待预测时间点相似工况的采样点数据,各数据值分别为v1、v2……vn,其对应的时间点分别为t1、t2……tn;
所述增长率计算模块用于根据各数据值vi及其对应的时间点计算时间点ti分别对应的增长率ri;
所述平均增量增长率计算模块用于根据所述时间点ti及其对应的增长率ri计算时间段[t1,tn]内增长率的平均增量增长率dv;
所述数据趋势预测模块用于根据该平均增量增长率dv对未来各时间点的增长率及其对应的采样点数据值进行预测;
其中,n为总采样点数,2≥i≥n,i、n均为正整数。
该装置中各个模块进行计算以及预测的具体步骤与本发明第一个实施例中提供的方法相同,在此不再赘述。
综上所述,本发明涉及一种一次设备在线监测数据趋势预测方法及装置,根据采样点的历史数据计算历史采样时间内的增长率和增长率的平均增量增长率,利用该平均增量增长率来对未来各时间点的数据值和增长率进行预测,并能够根据预测值进行异常告警。本发明相对于现有的在线监测数据趋势预测方法,既能适用于大部分一次设备在线监测数据,包括油色谱、铁芯接地电流、局放、泄露电流、SF6气体压力/密度等,又能根据相似工况进行预测,考虑到不同工况下的差异性,方便快捷的为评估一次设备健康状态提供重要的依据。通过将对增长率类型进行分类,并针对不同分类采用不同的公式预测增长率和数据值,从而使得数据预测更加有针对性,能够适用于大部分一次设备在线监测数据。在进行历史数据提取时充分考虑到采样时的工况,克服了不同工况下采样数据的差异性,根据相似工况进行数据去噪,排除掉无意义的数据,提高了预测的准确性。本发明采用先对增长率进行预测,再根据预测的增长率预测数据值的方法,使得预测的数据值曲线更加光滑合理,避免预测的数据就是简单一条直线的延伸。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (10)
1.一种一次设备在线监测数据趋势预测方法,其特征在于,包括步骤:
获取采样点的历史数据,每个数据包括采样时间点、数据值、以及其采样时间点对应的运行工况;
选取与待预测时间点相似工况的采样点数据,各数据值分别为v1、v2……vn,其对应的时间点分别为t1、t2……tn;
根据各数据值vi及其对应的时间点计算时间点ti分别对应的增长率ri;
根据所述时间点ti及其对应的增长率ri计算时间段[t1,tn]内增长率的平均增量增长率dv;
根据该平均增量增长率dv对未来各时间点的增长率及其对应的采样点数据值进行预测;
其中,n为总采样点数,2≥i≥n,i、n均为正整数。
2.根据权利要求1所述的方法,其特征在于,所述根据各数据值及其对应的时间点计算时间点ti分别对应的增长率ri,包括:
对该采样点数据的增长率阈值类型进行判断,若为增量增长率类型,采用第一公式计算增长率;若为百分比增长率类型,采用第二公式计算增长率。
3.根据权利要求2所述的方法,其特征在于,所述第一公式包括:
ri=(vi-vi-1)/(ti-ti-1)。
4.根据权利要求2所述的方法,其特征在于,所述第二公式包括:
ri=(vi-vi-1)/[vi-1*(ti-ti-1)]。
5.根据权利要求1所述的方法,其特征在于,所述平均增量增长率dv根据以下公式计算:
dv=(rn-r2)/(tn-t2)。
6.根据权利要求1所述的方法,其特征在于,所述根据该平均增量增长率dv对未来各时间点的增长率及其对应的采样点数据值进行预测,包括:
未来时间点tn+j的增长率rn+j为:
rn+j=rn+j-1+(tn+j-tn+j-1)*dv
该时间点tn+j对应的数据值vn+j为:
当该采样点数据的增长率阈值类型为增量增长率类型时,
vn+j=vn+j-1+(tn+j-tn+j-1)*rn+j
当该采样点数据的增长率阈值类型为百分比增长率类型时,
vn+j=vn+j-1+(tn+j-tn+j-1)*rn+j*vn+j-1
其中,j≥1,且j为正整数,若vn+j<0,则vn+j=0。
7.根据权利要求6所述的方法,其特征在于,还包括:
当rn+j≥Hr时,发出增长率告警提示;
当vn+j≥Hv时,发出数据值告警提示;
其中,Hr为增长率阈值,Hv为数据值阈值。
8.一种一次设备在线监测数据趋势预测装置,其特征在于,包括历史数据获取模块、采样点数据选取模块、增长率计算模块、平均增量增长率计算模块、以及数据趋势预测模块;其中,
所述历史数据获取模块用于获取采样点的历史数据,每个数据包括采样时间点、数据值、以及其采样时间点对应的运行工况;
所述采样点数据选取模块用于选取与待预测时间点相似工况的采样点数据,各数据值分别为v1、v2……vn,其对应的时间点分别为t1、t2……tn;
所述增长率计算模块用于根据各数据值vi及其对应的时间点计算时间点ti分别对应的增长率ri;
所述平均增量增长率计算模块用于根据所述时间点ti及其对应的增长率ri计算时间段[t1,tn]内增长率的平均增量增长率dv;
所述数据趋势预测模块用于根据该平均增量增长率dv对未来各时间点的增长率及其对应的采样点数据值进行预测;
其中,n为总采样点数,2≥i≥n,i、n均为正整数。
9.根据权利要求8所述的装置,其特征在于,所述增长率计算模块根据各数据值及其对应的时间点计算时间点ti分别对应的增长率ri,包括:
对该采样点数据的增长率阈值类型进行判断,若为增量增长率类型,采用第一公式计算增长率;若为百分比增长率类型,采用第二公式计算增长率。
10.根据权利要求9所述的装置,其特征在于,
所述第一公式包括:
ri=(vi-vi-1)/(ti-ti-1)
所述第二公式包括:
ri=(vi-vi-1)/[vi-1*(ti-ti-1)]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110789700.3A CN113504423B (zh) | 2021-07-13 | 2021-07-13 | 一种一次设备在线监测数据趋势预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110789700.3A CN113504423B (zh) | 2021-07-13 | 2021-07-13 | 一种一次设备在线监测数据趋势预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113504423A true CN113504423A (zh) | 2021-10-15 |
CN113504423B CN113504423B (zh) | 2024-10-11 |
Family
ID=78012647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110789700.3A Active CN113504423B (zh) | 2021-07-13 | 2021-07-13 | 一种一次设备在线监测数据趋势预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113504423B (zh) |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004200348A (ja) * | 2002-12-18 | 2004-07-15 | Tokyo Electric Power Co Inc:The | 油中ガス分析による油入変圧器の診断方法 |
CN103235981A (zh) * | 2013-04-10 | 2013-08-07 | 东南大学 | 一种风电电能质量趋势预测方法 |
CN104198896A (zh) * | 2013-12-05 | 2014-12-10 | 国家电网公司 | 一种油浸变压器局部放电综合监测装置及监测方法 |
CN104764869A (zh) * | 2014-12-11 | 2015-07-08 | 国家电网公司 | 一种基于多维特征量的变压器气体故障诊断和报警方法 |
CN105354614A (zh) * | 2015-10-21 | 2016-02-24 | 国家电网公司 | 一种基于大数据的电网信息运维主动预警方法 |
CN106405280A (zh) * | 2016-08-29 | 2017-02-15 | 许继集团有限公司 | 一种智能变电站在线监测参数趋势预警方法 |
CN106447098A (zh) * | 2016-09-22 | 2017-02-22 | 许昌许继软件技术有限公司 | 一种光伏超短期功率预测方法及装置 |
CN107894969A (zh) * | 2017-09-13 | 2018-04-10 | 中国石油大学(华东) | 一种基于趋势分析的变压器潜伏性故障预警方法 |
CN109524139A (zh) * | 2018-10-23 | 2019-03-26 | 中核核电运行管理有限公司 | 一种基于设备工况变化的实时设备性能监测方法 |
CN109614576A (zh) * | 2018-12-11 | 2019-04-12 | 福建工程学院 | 基于多维高斯分布与趋势分段的变压器异常检测方法 |
CN109632975A (zh) * | 2018-12-22 | 2019-04-16 | 武汉新运维光电科技股份有限公司 | 一种变压器油色谱数据综合分析及缺陷预测系统及方法 |
CN109753741A (zh) * | 2019-01-11 | 2019-05-14 | 中国铁路总公司 | 一种基于数据驱动的机车机械部件性能演变辨识方法 |
CN109856299A (zh) * | 2018-11-26 | 2019-06-07 | 国家电网有限公司 | 一种变压器在线监测差异化阈值动态设置方法、系统 |
CN109919488A (zh) * | 2019-03-07 | 2019-06-21 | 中国南方电网有限责任公司 | 一种基于在线监测数据的保护装置状态趋势分析方法 |
US20190197442A1 (en) * | 2017-12-27 | 2019-06-27 | Accenture Global Solutions Limited | Artificial intelligence based risk and knowledge management |
CN110057406A (zh) * | 2019-05-22 | 2019-07-26 | 西安因联信息科技有限公司 | 一种多尺度自适应的机械设备趋势预警方法 |
CN110220982A (zh) * | 2019-05-09 | 2019-09-10 | 国家电网有限公司 | 基于油色谱的变压器故障分析方法及终端设备 |
CN110286161A (zh) * | 2019-03-28 | 2019-09-27 | 清华大学 | 基于自适应增强学习的主变压器故障诊断方法 |
CN111060652A (zh) * | 2019-11-21 | 2020-04-24 | 西南交通大学 | 基于长短期记忆网络的变压器油中溶解气体浓度预测方法 |
CN112149957A (zh) * | 2020-08-20 | 2020-12-29 | 汉威科技集团股份有限公司 | 基于在线监测数据的风险趋势推演与分级预警方法 |
CN112598298A (zh) * | 2020-12-25 | 2021-04-02 | 武汉瑞莱保科技有限公司 | 电力变压器健康管理系统及管理方法 |
CN112697946A (zh) * | 2021-03-23 | 2021-04-23 | 广东电网有限责任公司佛山供电局 | 一种主变压器在线油色谱监盘方法及装置 |
CN112926793A (zh) * | 2021-03-22 | 2021-06-08 | 国网天津市电力公司 | 一种基于灰色预测理论的电力设备状态趋势感知方法 |
-
2021
- 2021-07-13 CN CN202110789700.3A patent/CN113504423B/zh active Active
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004200348A (ja) * | 2002-12-18 | 2004-07-15 | Tokyo Electric Power Co Inc:The | 油中ガス分析による油入変圧器の診断方法 |
CN103235981A (zh) * | 2013-04-10 | 2013-08-07 | 东南大学 | 一种风电电能质量趋势预测方法 |
CN104198896A (zh) * | 2013-12-05 | 2014-12-10 | 国家电网公司 | 一种油浸变压器局部放电综合监测装置及监测方法 |
CN104764869A (zh) * | 2014-12-11 | 2015-07-08 | 国家电网公司 | 一种基于多维特征量的变压器气体故障诊断和报警方法 |
CN105354614A (zh) * | 2015-10-21 | 2016-02-24 | 国家电网公司 | 一种基于大数据的电网信息运维主动预警方法 |
CN106405280A (zh) * | 2016-08-29 | 2017-02-15 | 许继集团有限公司 | 一种智能变电站在线监测参数趋势预警方法 |
CN106447098A (zh) * | 2016-09-22 | 2017-02-22 | 许昌许继软件技术有限公司 | 一种光伏超短期功率预测方法及装置 |
CN107894969A (zh) * | 2017-09-13 | 2018-04-10 | 中国石油大学(华东) | 一种基于趋势分析的变压器潜伏性故障预警方法 |
CN110020770A (zh) * | 2017-12-27 | 2019-07-16 | 埃森哲环球解决方案有限公司 | 基于人工智能的风险和知识管理 |
US20190197442A1 (en) * | 2017-12-27 | 2019-06-27 | Accenture Global Solutions Limited | Artificial intelligence based risk and knowledge management |
CN109524139A (zh) * | 2018-10-23 | 2019-03-26 | 中核核电运行管理有限公司 | 一种基于设备工况变化的实时设备性能监测方法 |
CN109856299A (zh) * | 2018-11-26 | 2019-06-07 | 国家电网有限公司 | 一种变压器在线监测差异化阈值动态设置方法、系统 |
CN109614576A (zh) * | 2018-12-11 | 2019-04-12 | 福建工程学院 | 基于多维高斯分布与趋势分段的变压器异常检测方法 |
CN109632975A (zh) * | 2018-12-22 | 2019-04-16 | 武汉新运维光电科技股份有限公司 | 一种变压器油色谱数据综合分析及缺陷预测系统及方法 |
CN109753741A (zh) * | 2019-01-11 | 2019-05-14 | 中国铁路总公司 | 一种基于数据驱动的机车机械部件性能演变辨识方法 |
CN109919488A (zh) * | 2019-03-07 | 2019-06-21 | 中国南方电网有限责任公司 | 一种基于在线监测数据的保护装置状态趋势分析方法 |
CN110286161A (zh) * | 2019-03-28 | 2019-09-27 | 清华大学 | 基于自适应增强学习的主变压器故障诊断方法 |
CN110220982A (zh) * | 2019-05-09 | 2019-09-10 | 国家电网有限公司 | 基于油色谱的变压器故障分析方法及终端设备 |
CN110057406A (zh) * | 2019-05-22 | 2019-07-26 | 西安因联信息科技有限公司 | 一种多尺度自适应的机械设备趋势预警方法 |
CN111060652A (zh) * | 2019-11-21 | 2020-04-24 | 西南交通大学 | 基于长短期记忆网络的变压器油中溶解气体浓度预测方法 |
CN112149957A (zh) * | 2020-08-20 | 2020-12-29 | 汉威科技集团股份有限公司 | 基于在线监测数据的风险趋势推演与分级预警方法 |
CN112598298A (zh) * | 2020-12-25 | 2021-04-02 | 武汉瑞莱保科技有限公司 | 电力变压器健康管理系统及管理方法 |
CN112926793A (zh) * | 2021-03-22 | 2021-06-08 | 国网天津市电力公司 | 一种基于灰色预测理论的电力设备状态趋势感知方法 |
CN112697946A (zh) * | 2021-03-23 | 2021-04-23 | 广东电网有限责任公司佛山供电局 | 一种主变压器在线油色谱监盘方法及装置 |
Non-Patent Citations (3)
Title |
---|
KUN YANG: "Multi-parameter prediction modeling for analyzing the trend of turbine oil online monitoring parameters", 2014 PROGNOSTICS AND SYSTEM HEALTH MANAGEMENT CONFERENCE (PHM-2014 HUNAN), 31 December 2014 (2014-12-31) * |
ZHAO-GUANG WANG;: "Wind turbine spindle condition monitoring based on operational data", 2017 29TH CHINESE CONTROL AND DECISION CONFERENCE (CCDC), 31 December 2017 (2017-12-31) * |
高榕: "山东省农业源氨排放清单及其减排潜力研究", 中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑), 15 February 2019 (2019-02-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN113504423B (zh) | 2024-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105512962B (zh) | 一种气体绝缘组合电器绝缘状态综合评估方法 | |
CN112101764B (zh) | 基于状态监测的船舶技术状况综合评估系统 | |
CN107680368A (zh) | 一种基于采集数据的计量装置在线监测与智能诊断方法 | |
CN112014047A (zh) | 一种有载分接开关机械故障诊断方法 | |
CN102486471A (zh) | 变压器内部故障及缺陷程度油色谱诊断法 | |
CN110320467B (zh) | 一种低压直流断路器故障诊断方法 | |
CN105182161A (zh) | 一种变压器监测系统和方法 | |
CN106371002A (zh) | 一种基于希尔伯特黄变换算法对断路器故障诊断的方法 | |
CN109490685B (zh) | 基于油中溶解气体在线监测的变压器早期缺陷预警方法 | |
CN110750760B (zh) | 一种基于态势感知和控制图的异常理论线损检测方法 | |
Dreisbusch et al. | Determination of a Failure Probability Prognosis based on PD-Diagnostics in GIS | |
CN115372816A (zh) | 基于数据分析的配电开关设备运行故障预测系统及方法 | |
CN109541350A (zh) | 基于自适应多元累积和控制图的变压器状态评价方法 | |
CN108445385B (zh) | 一种基于局放监测和油色谱分析的有载分接开关分接选择器状态评估方法 | |
CN116029699A (zh) | 一种基于数据孪生的电力信息系统及运维方法 | |
CN115809805A (zh) | 基于边缘计算的电网多源数据处理方法 | |
CN117269751B (zh) | 一种gis隔离开关分合位置确认方法 | |
CN104360194A (zh) | 一种智能电网故障诊断方法 | |
CN113504423B (zh) | 一种一次设备在线监测数据趋势预测方法及装置 | |
CN117330948A (zh) | 一种断路器机械特性在线监测方法及系统 | |
CN101398452A (zh) | 基于100kHz频率的动态电能质量指标计算方法 | |
CN111722060B (zh) | 一种基于波形特征的配电线路早期故障严重程度评价方法 | |
Jagers et al. | Transformer reliability and condition assessment in a south african utility | |
CN109342630A (zh) | 变压器油色谱在线监测异常数据诊断方法 | |
CN116774107A (zh) | 基于多维信息的变压器状态评估方法及装置 |
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 |