CN113591396A - 一种基于朴素贝叶斯网络的电网元器件故障诊断方法 - Google Patents

一种基于朴素贝叶斯网络的电网元器件故障诊断方法 Download PDF

Info

Publication number
CN113591396A
CN113591396A CN202110922974.5A CN202110922974A CN113591396A CN 113591396 A CN113591396 A CN 113591396A CN 202110922974 A CN202110922974 A CN 202110922974A CN 113591396 A CN113591396 A CN 113591396A
Authority
CN
China
Prior art keywords
power grid
normal
fault
method based
diagnosis 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
CN202110922974.5A
Other languages
English (en)
Other versions
CN113591396B (zh
Inventor
马振国
谢楠
唐兵
黄煜铭
张柯琪
曹丹怡
张建勇
张斌武
周超敏
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.)
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Changzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Changzhou 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 State Grid Corp of China SGCC, State Grid Jiangsu Electric Power Co Ltd, Changzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110922974.5A priority Critical patent/CN113591396B/zh
Publication of CN113591396A publication Critical patent/CN113591396A/zh
Application granted granted Critical
Publication of CN113591396B publication Critical patent/CN113591396B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • 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
    • 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
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Public Health (AREA)
  • Operations Research (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

本发明涉及一种基于朴素贝叶斯网络的电网元器件故障诊断方法，包含以下步骤：将电网元器件的所有数据标签进行收集，并将其分隔为若干字数据集；将元器件的“设计寿命”“安装日期”“损坏日期”标签融合为“生命历程”，计算运行状态为“故障”与“正常”的先验概率P(c)：对各标签采用
Figure DDA0003208121430000011
向量平滑；针对数据标签分别计算离散属性标签与连续属性标签的条件概率P(xi|c)；根据上述的条件概率计算状态为“故障”和“正常”的后验概率P(c|x)：比较c＝1和c＝‑1时后验概率的大小。本发明在运维人员进行现场诊断、维修之前便对各元器件是否故障进行判断，从而有针对性的携带元件前往更换，为电网运维人员提供便利，提高了电网工作人员定位故障的速度和工作效率。

Description

一种基于朴素贝叶斯网络的电网元器件故障诊断方法
技术领域
本发明涉及一种电网元器件的故障诊断方法，具体的说，是一种利用朴素贝叶斯网络对电网元器件的运行状态进行故障预判断的方法。
背景技术
在变电站的日常运维中，对变电站设备元器件的更换也是其中重要一环。在所有元器件中，CPU板、220V电源、显示屏是容易损耗的，很容易在运行中发生故障，且每个地区变电站所用的上述元器件的供应商并不完全相同。因此电力公司运维人员检修变电站元器件故障时，大多需要携带所有类型的备件，逐一检查是否损坏。这样的检查方法效率低下，耗时较多，且携带大量元器件增加了运维人员的负担。
发明内容
本发明涉及一种故障诊断方法，其通过朴素贝叶斯网络计算元件损坏概率，从而对元器件是否故障作出快速预判。
本发明采用如下技术手段实现：一种基于朴素贝叶斯网络的电网元器件故障诊断方法，包含以下步骤：
1)将电网元器件的所有数据标签进行收集，并将其分隔为若干字数据集；
2)将元器件的“设计寿命”“安装日期”“损坏日期”标签融合为“生命历程”，所述运行状态故障的元件定义其生命历程为1，运行状态正常的元件，将损坏日期与安装日期的差值与元件设计寿命相除得到其生命历程；
3)对运行状态标签采用拉普拉斯平滑，提高算法准确率，其公式为
Figure BDA0003208121410000021
Figure BDA0003208121410000022
c的取值为-1和1，分别代表运行状态为“故障”和“正常”。Dc表示类别为c的样本集合，D表示所有样本的集合；N表示训练集D中可能的类别数，Ni表示第i个属性可能的取值数。
4)计算运行状态为“故障”与“正常”的先验概率P(c)：
Figure BDA0003208121410000023
c的取值为-1和1，分别代表运行状态为“故障”和“正常”。在公式中，Dc表示类别为c的样本集合，D表示所有样本的集合；
5)对其余各标签采用
Figure BDA0003208121410000026
向量平滑，防止没出现的标签对测试和预测的影响；
6)针对数据标签分别计算离散属性标签与连续属性标签的条件概率P(xi|c)；
7)根据上述的条件概率计算状态为“故障”和“正常”的后验概率P(c|x)：
Figure BDA0003208121410000024
Figure BDA0003208121410000025
为对c的极大似然估计；
8)比较c＝1和c＝-1时后验概率的大小，若c＝-1的后验概率大，则认为元器件故障，否则认为元器件运行正常。
进一步的，所述步骤2中若元件运行状态正常，则损坏日期默认为当天日期。
进一步的，所述步骤4中的
Figure BDA0003208121410000037
向量平滑通过下列公式计算：
Figure BDA0003208121410000031
Figure BDA0003208121410000032
Figure BDA0003208121410000033
αk为
Figure BDA0003208121410000034
中第k个元素，k∈[1，n]，αk∈{1，2，3}，不同的k对应不同的αk。
步骤5中离散属性的条件概率P(xi|c)通过下列公式计算：
Figure BDA0003208121410000035
所述的离散属性包括生产厂家、设计寿命、元件设置间隔、运维单位、安装地点。
所述步骤5中连续属性的条件概率P(xi|c)通过下列公式计算：
Figure BDA0003208121410000036
μc，i为连续属性Dc上的子集取值的均值，σc，i为连续属性Dc上的子集取值的均方差，且上述连续属性服从均值为μc，i，均方差为σc，i的正态分布，所述的连续属性包括温度、生命历程、湿度。
本发明中所述的数据集设置3个，为“CPU”“DC220V电源板”“显示屏”，每个子数据集均包括一份其余所有的数据标签。
本发明利用朴素贝叶斯网络建立故障预判断的故障诊断模型，在运维人员进行现场诊断、维修之前便对各元器件是否故障进行判断，从而有针对性的携带元件前往更换，为电网运维人员提供便利，提高了电网工作人员定位故障的速度和工作效率。
附图说明
图1为本发明流程示意图。
具体实施方式
下面通过具体的例子来说明本发明：
本发明涉及一种电网元器件的故障诊断方法，具体的说，是一种利用朴素贝叶斯网络对电网元器件的运行状态进行故障预判断的方法。其通过如下步骤来实现：
步骤一：数据预处理
本发明所用到的数据集共有十一个字段，对应参数值如下表：
Figure BDA0003208121410000041
Figure BDA0003208121410000051
元器件的类型决定了元器件的寿命、特性以及对环境的敏感程度。因此，读入原始数据之后，按照元器件类型“CPU”“DC220V电源板”“显示屏”三类，将原始数据集拆分为三个子数据集，分别对其进行切分、训练和测试，将大大提高模型的针对性和准确度。由于对每个子数据集的操作相同，以下步骤仅以一个子数据集为例，阐述本发明的技术方案。
首先，将“设计寿命”“安装日期”“损坏日期”“温度”“湿度”六个连续型属性的参数值依次标签化，即把连续的数字转化为文字段。
对于“设计寿命”“安装日期”“损坏日期”三个标签，融合成一个文字标签“生命历程”。对于运行状态故障的元件，定义其生命历程为1，对于运行状态正常的元件，计算当前日期与安装日期的差值，再除以该元件的设计寿命，定义为正常元件的生命历程。生命历程仍然为一个连续值。
为了防止没出现的标签对测试和预测的影响，因此我们需要对数据进行平滑处理，
首先，若样本运行状态缺失，运行状态没有“正常”或没有“故障”，需要对运行状态标签采用拉普拉斯平滑，提高算法准确率，其公式为
Figure BDA0003208121410000061
Figure BDA0003208121410000062
c的取值为-1和1，分别代表运行状态为“故障”和“正常”。Dc表示类别为c的样本集合，D表示所有样本的集合；N表示训练集D中可能的类别数，Ni表示第i个属性可能的取值数。
然而，拉普拉斯平滑实质上假设了标签与类别均匀分布，这是在朴素贝叶斯过程中额外引入的关于数据的先验。在故障诊断过程中，显然各个标签与类别的关联性大小不一。为了改进这一缺点，本专利采用了
Figure BDA0003208121410000063
向量平滑，即
Figure BDA0003208121410000064
Figure BDA0003208121410000065
其中，
Figure BDA0003208121410000066
αk为
Figure BDA0003208121410000067
中第k个元素，k∈[1，n]，αk∈{1，2，3}，不同的k对应不同的αk，并在模型测试时优化α向量。
c的取值为-1和1，分别代表运行状态为“故障”和“正常”。Dc表示类别为c的样本集合，D表示所有样本的集合；N表示训练集D中可能的类别数，Ni表示第i个属性可能的取值数。
步骤二：模型训练
首先，计算运行状态为“故障”和“正常”的先验概率P(c)
Figure BDA0003208121410000071
在本专利中，c的取值为-1和1，分别代表运行状态为“故障”和“正常”。在公式中，Dc表示类别为c的样本集合，D表示所有样本的集合。根据式(5)统计每个分类的出现的次数，除以样本总量，作为分类的先验概率的估计值。
接着，针对所有特征属性，建立类条件概率模型。由于特征属性可以分为离散属性和连续属性，其条件概率的计算存在一定差异，下面我们分类进行详细说明。
针对“生产厂家”“设计寿命”“间隔”等离散属性，其条件概率P(xi|c)可以通过下列公式计算：
Figure BDA0003208121410000072
其中
Figure BDA0003208121410000074
表示Dc集合中第i个属性取值为xi的样本组成的集合。对每个分类下，每种标签的汇总，获得特定分类下，特定标签出现的次数，除以这个分类的样本总量，作为类条件概率的估计值
针对“温度”“生命历程”等连续属性，我们首先需要分别计算这些属性在集合Dc上的子集取值的均值μc，i和均方差σc，i。我们假定这些，则其条件概率可以表示为：
Figure BDA0003208121410000073
然后，分别计算每个属性的类条件概率P(xi|c)。
按以下公式计算状态为“故障”和“正常”的后验概率P(c|x)。
Figure BDA0003208121410000081
考虑到对于每个后验概率，都含有因子
Figure BDA0003208121410000082
因此，只需要分别计算
Figure BDA0003208121410000083
其中
Figure BDA0003208121410000084
被称为对c的极大似然估计，在实际训练和测试中，可能会出现多个条件概率接近于0，这样连乘之后变量越界，乘积被认作是0的情况，即“下溢”。所以，需要对上式取对数，构造如式(10)所示的对数似然来避免这种情况的发生。
Figure BDA0003208121410000085
最后，需要比较P′(c＝1|x)和P′(c＝-1|x)的大小，又由于
Figure BDA0003208121410000086
因此，后验概率的比较就可以用式(10)来比较，若LL(c＝1)≥LL(c＝-1)，则认为该元器件运行正常，反之则认为该元器件发生故障。
步骤三：模型评估
根据电力公司运维的特点与实际需要，本专利提出下列方法用于模型评估。
首先根据测试过程中的测试结果，得出该次训练的混淆矩阵
Figure BDA0003208121410000087
其中查准率P与查全率R分别定义为
Figure BDA0003208121410000091
Figure BDA0003208121410000092
由于故障的器件被误认为正常对于电力公司的损失远大于正常的器件错误认为故障对于电力公司造成的损失，所以我们在对查准率和查全率的综合考量时，对二者必须要加权，即
Figure BDA0003208121410000093
化简可得
Figure BDA0003208121410000094
其中β表示查全率对于查准率的相对重要性。
通过计算Fβ的值来评估模型的好坏。Fβ越高，代表模型越能满足电力公司的实际需要。

Claims (7)

1.一种基于朴素贝叶斯网络的电网元器件故障诊断方法，其特征在于，包含以下步骤：
1)将电网元器件的所有数据标签进行收集，并将其分隔为若干字数据集；
2)将元器件的“设计寿命”“安装日期”“损坏日期”标签融合为“生命历程”，所述运行状态故障的元件定义其生命历程为1，运行状态正常的元件，将损坏日期与安装日期的差值与元件设计寿命相除得到其生命历程；
3)若样本运行状态缺失，运行状态没有“正常”或没有“故障”，对运行状态标签采用拉普拉斯平滑，提高算法准确率，其公式为
Figure RE-FDA0003235336610000011
Figure RE-FDA0003235336610000012
c的取值为-1和1，分别代表运行状态为“故障”和“正常”，Dc表示类别为c的样本集合，D表示所有样本的集合；N表示训练集D中可能的类别数，i表示第i个属性可能的取值数；
4)计算运行状态为“故障”与“正常”的先验概率P(c)：
Figure RE-FDA0003235336610000013
c的取值为-1和1，分别代表运行状态为“故障”和“正常”，在公式中，Dc表示类别为c的样本集合，D表示所有样本的集合；
5)对各标签采用
Figure RE-FDA0003235336610000014
向量平滑，防止没出现的标签对测试和预测的影响；
6)针对数据标签分别计算离散属性标签与连续属性标签的条件概率P(xi|c)；
7)根据上述的条件概率计算状态为“故障”和“正常”的后验概率P(c|x)：
Figure RE-FDA0003235336610000021
Figure RE-FDA0003235336610000022
为对c的极大似然估计；
8)比较c＝1和c＝-1时后验概率的大小，若c＝-1的后验概率大，则认为元器件故障，否则认为元器件运行正常。
2.根据权利要求1所述的一种基于朴素贝叶斯网络的电网元器件故障诊断方法，其特征在于：步骤2中若元件运行状态正常，则损坏日期默认为当天日期。
3.根据权利要求1所述的一种基于朴素贝叶斯网络的电网元器件故障诊断方法，其特征在于：步骤4中的
Figure RE-FDA0003235336610000023
向量平滑通过下列公式计算：
Figure RE-FDA0003235336610000024
Figure RE-FDA0003235336610000025
Figure RE-FDA0003235336610000026
αk为
Figure RE-FDA0003235336610000027
中第k个元素，k∈[1,n],αk∈{1,2,3},不同的k对应不同的αk值。
4.根据权利要求1所述的一种基于朴素贝叶斯网络的电网元器件故障诊断方法，其特征在于：步骤5中离散属性的条件概率P(xi|c)通过下列公式计算：
Figure RE-FDA0003235336610000028
所述的离散属性包括生产厂家、设计寿命、元件设置间隔、运维单位、安装地点。
5.根据权利要求1所述的一种基于朴素贝叶斯网络的电网元器件故障诊断方法，其特征在于：步骤5中连续属性的条件概率P(xi|c)通过下列公式计算：
Figure RE-FDA0003235336610000031
μc,i为连续属性Dc上的子集取值的均值，σc,i为连续属性Dc上的子集取值的均方差，且上述连续属性服从均值为μc,i，均方差为σc,i的正态分布。
6.根据权利要求4所述的一种基于朴素贝叶斯网络的电网元器件故障诊断方法，其特征在于：所述的连续属性包括温度、生命历程、湿度。
7.根据权利要求1所述的一种基于朴素贝叶斯网络的电网元器件故障诊断方法，其特征在于：所述的数据集设置3个，为“CPU”“DC220V电源板”“显示屏”，每个子数据集均包括一份其余所有的数据标签。
CN202110922974.5A 2021-08-12 2021-08-12 一种基于朴素贝叶斯网络的电网元器件故障诊断方法 Active CN113591396B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110922974.5A CN113591396B (zh) 2021-08-12 2021-08-12 一种基于朴素贝叶斯网络的电网元器件故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110922974.5A CN113591396B (zh) 2021-08-12 2021-08-12 一种基于朴素贝叶斯网络的电网元器件故障诊断方法

Publications (2)

Publication Number Publication Date
CN113591396A true CN113591396A (zh) 2021-11-02
CN113591396B CN113591396B (zh) 2024-03-05

Family

ID=78257408

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110922974.5A Active CN113591396B (zh) 2021-08-12 2021-08-12 一种基于朴素贝叶斯网络的电网元器件故障诊断方法

Country Status (1)

Country Link
CN (1) CN113591396B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116825364A (zh) * 2023-08-29 2023-09-29 江苏盛泰科技集团有限公司 一种高危人群健康识别判定系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120025997A1 (en) * 2010-05-27 2012-02-02 University Of Southern California System and method for failure prediction for rod pump artificial lift systems
CN104134010A (zh) * 2014-08-12 2014-11-05 哈尔滨工业大学 一种基于朴素贝叶斯算法面向离散型数据的卫星故障诊断方法
CN104268381A (zh) * 2014-09-16 2015-01-07 哈尔滨工业大学 一种基于AdaBoost算法的卫星故障诊断方法
CN110568286A (zh) * 2019-09-12 2019-12-13 齐鲁工业大学 基于加权的双隐朴素贝叶斯的变压器故障诊断方法及系统
CN112861417A (zh) * 2020-12-16 2021-05-28 江苏中堃数据技术有限公司 一种基于加权和选择性朴素贝叶斯的变压器故障诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120025997A1 (en) * 2010-05-27 2012-02-02 University Of Southern California System and method for failure prediction for rod pump artificial lift systems
CN104134010A (zh) * 2014-08-12 2014-11-05 哈尔滨工业大学 一种基于朴素贝叶斯算法面向离散型数据的卫星故障诊断方法
CN104268381A (zh) * 2014-09-16 2015-01-07 哈尔滨工业大学 一种基于AdaBoost算法的卫星故障诊断方法
CN110568286A (zh) * 2019-09-12 2019-12-13 齐鲁工业大学 基于加权的双隐朴素贝叶斯的变压器故障诊断方法及系统
CN112861417A (zh) * 2020-12-16 2021-05-28 江苏中堃数据技术有限公司 一种基于加权和选择性朴素贝叶斯的变压器故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王占孔;王学丽;: "基于贝叶斯网络的分层网络故障诊断", 软件, no. 04, pages 91 - 94 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116825364A (zh) * 2023-08-29 2023-09-29 江苏盛泰科技集团有限公司 一种高危人群健康识别判定系统

Also Published As

Publication number Publication date
CN113591396B (zh) 2024-03-05

Similar Documents

Publication Publication Date Title
CN111222290B (zh) 一种基于多参数特征融合的大型设备剩余使用寿命预测方法
CN112859822B (zh) 基于人工智能的设备健康分析及故障诊断的方法及系统
CN108053148B (zh) 一种电力信息系统故障高效诊断方法
CN113011530B (zh) 一种基于多分类器融合的智能电表故障预测方法
CN110502445B (zh) 软件故障严重等级判定方法及装置、模型训练方法及装置
CN112462734B (zh) 一种工业生产设备故障预测分析方法及模型
CN113343581B (zh) 基于图马尔可夫神经网络的变压器故障的诊断方法
US20220414526A1 (en) Intelligent fault detection system
CN111949429A (zh) 基于密度聚类算法的服务器故障监测方法及系统
WO2023273249A1 (zh) 基于tsvm模型的智能电能表自动化检定系统异常检测方法
CN110703743A (zh) 设备故障预测与检测系统和方法
CN111984442A (zh) 计算机集群系统的异常检测方法及装置、存储介质
CN113723861A (zh) 异常用电行为检测方法、装置、计算机设备和存储介质
CN112132210A (zh) 一种基于客户用电行为的窃电概率预警分析方法
CN116861924A (zh) 基于人工智能的项目风险预警方法及系统
CN113591396A (zh) 一种基于朴素贝叶斯网络的电网元器件故障诊断方法
CN115759393A (zh) 基于集成学习的累积负荷基线预测方法
CN110781206A (zh) 一种学习拆回表故障特征规则预测在运电能表是否故障的方法
CN110543108B (zh) 基于机理模型预测的供热系统测量数据的校正方法及系统
CN117194163A (zh) 一种计算机设备、故障检测系统、方法及可读存储介质
CN116384223A (zh) 基于退化状态智能辨识的核设备可靠性评估方法及系统
CN114372835B (zh) 综合能源服务潜力客户识别方法、系统及计算机设备
Woodard et al. Online model-based clustering for crisis identification in distributed computing
CN115809805A (zh) 基于边缘计算的电网多源数据处理方法
Sridevi et al. Predictive Maintenance of Lead-Acid Batteries Using Machine Learning Algorithms

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