CN113935562A - 一种电力设备健康状况智能评级与自动预警方法 - Google Patents
一种电力设备健康状况智能评级与自动预警方法 Download PDFInfo
- Publication number
- CN113935562A CN113935562A CN202010677313.6A CN202010677313A CN113935562A CN 113935562 A CN113935562 A CN 113935562A CN 202010677313 A CN202010677313 A CN 202010677313A CN 113935562 A CN113935562 A CN 113935562A
- Authority
- CN
- China
- Prior art keywords
- data
- power
- equipment
- power equipment
- power quality
- 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
- 230000036541 health Effects 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012544 monitoring process Methods 0.000 claims abstract description 48
- 238000005516 engineering process Methods 0.000 claims abstract description 30
- 238000013178 mathematical model Methods 0.000 claims abstract description 10
- 238000003745 diagnosis Methods 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 238000005065 mining Methods 0.000 claims abstract description 8
- 238000007405 data analysis Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 33
- 239000012634 fragment Substances 0.000 claims description 14
- 238000004088 simulation Methods 0.000 claims description 14
- 238000013499 data model Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000005290 field theory Methods 0.000 claims description 6
- 230000014509 gene expression Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000005192 partition Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 230000001052 transient effect Effects 0.000 claims description 5
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 230000005672 electromagnetic field Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims description 2
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 230000015654 memory Effects 0.000 claims description 2
- 230000035699 permeability Effects 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 claims description 2
- 230000003068 static effect Effects 0.000 claims description 2
- 208000024891 symptom Diseases 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 5
- 238000012806 monitoring device Methods 0.000 abstract description 3
- 238000010276 construction Methods 0.000 abstract description 2
- 238000013507 mapping Methods 0.000 abstract description 2
- 238000012097 association analysis method Methods 0.000 abstract 1
- 230000003862 health status Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06F16/211—Schema design and management
- G06F16/212—Schema design and management with details for data modelling support
-
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Animal Behavior & Ethology (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提出建立一种基于电能质量监测平台的电力设备健康状况智能评级与自动预警方法，以建立适用于电力设备健康状况评估的通用数学模型，建立电能质量与电力设备本质关联和建立电力设备健康状况智能评级与自动预警系统为主要内容。本发明基于电能质量监测平台，从全局角度综合利用系统中各监测装置数据，通过关联分析方法实现设备监测数据的多维度映射，结合电力设备本质关联推理技术，对电力设备运行状况的进行健康评级并形成预警信息，最终实现对电力设备运行状态的信息采集、数据分析、关系推理、电力设备健康诊断一体化平台建设，解决了电力设备的健康状况评估技术缺乏对电能质量监测数据的信息挖掘，不能满足目前电网发展需求的问题。
Description
技术领域
本发明涉及一种基于电能质量监测平台的电力设备健康状况智能评级与自动预警方法，属于电气技术领域。
背景技术
目前特大型城市负荷集中区域的电力设备重载现象严重，给电力设备的健康运行带来严峻挑战。依赖于人工监测和侵入式数据采集技术的电力设备健康状态监测方法，已不能适应大规模集成化电力设备的设备维护与资产管理。
随着智能电网技术、物联网技术和现代通讯技术的发展，电能质量监测数据呈现出海量、多源、多态、异构的特征。而电力设备健康状况与电能质量紧密相关，电力设备故障、部件故障或极端运行状态均会引起电能质量问题；电能质量监测数据能够反映不同层次、不同状态下的电力系统运行信息，从而反映电力设备的运行状态。
随着电能质量监测系统的不断完善和数据驱动技术的发展，实现该系统数据平台在电力系统生产管理、运行调度等领域的应用逐步成为可能。数据驱动技术是大数据变革下的产物，在传统的逻辑推理研究基础上，该技术通过统计处理实现对数据的搜索比较、聚类分组、关联分析，从而挖掘数据集内的隐藏信息。
但目前基于数据驱动技术的电力设备健康状况估计方法，缺少物理模型的支撑，在涉及电网安全性问题的分析中难以保证理论可信度。传统网络分析技术的数据稀疏性和时空复杂度，促使新型网络表示技术的诞生，实现数据互联向知识互联的网络变迁。其中，本质关联是一种以描述实体对象间的联系为目的，表述各参量间的强关联性的关系数据网络，能够挖掘数据中的隐含信息。在海量数据背景下，基于对大量半异构、异构、动态结构化、非结构化数据的有效组织与表达，本质关联的应用将极大降低逻辑推理对先验知识的依赖性。目前，该技术在电力设备健康状态估计中的应用很少，基本空白。
在实现本发明过程中，发明人发现现有技术至少存在以下问题：针对集成化电力设备的健康状况评估技术缺乏对电能质量监测数据的信息挖掘，缺乏本质关联技术对电能质量和电力设备的针对性研究，不能满足目前电网发展需求。因此，迫切的需要一种新的方案解决上述技术问题。
发明内容
本发明正是针对现有技术中存在的问题，提供一种电力设备健康状况智能评级与自动预警方法，该技术方案用于解决针对集成化电力设备的健康状况评估技术缺乏对电能质量监测数据的信息挖掘，缺乏对本质关联技术的使用，不能满足目前电网发展需求的问题。
为了实现上述目的，本发明的技术方案如下，一种基于电能质量监测平台的电力设备健康状况智能评级与自动预警方法，所述方法至少包括以下步骤：
步骤(1)建立适用于电力设备健康状况评估的通用电能质量数学模型；
步骤(2)建立电能质量与电力设备本质关联数据库；
步骤(3)建立电力设备健康状况智能评级与自动预警系统；
所述步骤(1)，建立适用于电力设备健康状况评估的通用数学模型，具体包括：
步骤(1-1)根据电能质量监测数据，分析电能质量事件数据集，分析电能质量典型事件、各事件的典型参数、各参数的数据特征；
步骤(1-2)分析电能质量监测设备空间部署架构，建立电力设备及其关键部件，研究区域内电网线路的精确数学模型，总结电力设备或其关键零部件的工作异常状态，及其相关电能质量典型事件，并将其形成关系数据库。关系数据库的关键点在于实施具体内容的建立，本发明采用多种方式进行，其典型方式如下文所示。方法1：采用物理原理推理的方式，将电力设备及其关键零部件，在电磁场或电路域内进行建模。而后建立谐波电路或磁路关系，推到谐波与电力设备及其关键零部件之间的关系；方法2：在第三方电磁场软件中，将电力设备进行三维全尺寸建模，通过预置电力设备的各种故障类型及其空间位置，观察其电磁空间中的电能质量暂稳态事件特征，从而建立电能质量与电力设备之间的关系；方法3：通过咨询专家或者调研厂家等统计活动，发现电能质量与电力设备之间的关系数据库；方法4：结合控制理论，通过对电力设备建立响应方程、传递方程或空间状态方程，从而发现电能质量与电力设备之间的关系数据库。以上方法为典型方式，所用分析方式为统计调压、物理推导、仿真计算、控制逻辑等，所用数据工具包括：频谱分析、差分方程、状态方程等。
步骤(1-3)以特征值、标识文字和标示图片3种等效方式表示数据特征，基于资源描述框架，构建适用于描述电能质量特征和电力设备状况数据的通用数据模型；
步骤(1-4)针对具有明显时序特征的元数据，在通用数据模型存储基础上，构建时序模型以存储该类数据；
步骤(1-5)在电能质量特征分析和电力设备仿真基础上，得到电能质量事件特征集合IQ与设备参数特征集合IE，进行单一故障与多故障仿真分析，得到集合IQ和IE的关系映射集MQE；所述步骤(2)，建立电能质量与电力设备本质关联，具体包括：
步骤(2-1)结合电力历史数据，采用三元模型对非结构化电力设备运行记录文本信息W0进行分词操作，得到片段序列Ws＝{w1,w2,…,wn}，统计文本报告中各文本片段的概率P(wi|W0)：
式中，
表示片段wi的在所有历史文本中出现的个数，Nw表示当前划分规则下的片段总数。采用前缀查询方法，确定所有可能的序列W，求解各序列划分情形下片段概率之和F：
寻找使得F最大的最优划分序列Wop，将Wop中的高概率片段作为实体集合Eo，形成电能质量事件和电力设备语义库，
步骤(2-2)基于马尔科夫随机场理论，分析集合Eo中电能质量实体间的局部统计特性，划分自产性电能质量指标集合Eos和背景电能质量指标Eob；
步骤(2-3)从MQE中抽象出Eos所包含电能质量指标与电力设备关键部位的实体间关系，建立电能质量与电力设备本质关系数据库；
所述步骤(3)，建立电力设备健康状况智能评级与自动预警系统，具体包括：
步骤(3-1)制定分层、分级、分区控制架构，将系统功能模块化存储于集中单元设备中；
步骤(3-2)获取电能质量监测数据，建立数据流触发机制，进行信息提取和处理，嵌入本质关联进行信息挖掘，对电力设备健康状况进行诊断，并生成预警信息。
进一步地，所述步骤(1-1)根据电能质量监测数据，分析电能质量典型事件、各事件的典型参数、各参数的数据特征，具体包括：
步骤(1-1-1)根据电能质量历史统计数据，分析电能质量连续数据和事件数据，根据电压、电流和频率变化持续时间进行分类，具体包括谐波电压总畸变率、各次电压谐波含有率、电压偏差、电压长时闪变和三相电压不平衡度等电能质量事件；
步骤(1-1-2)根据电能质量历史统计数据，分析各电能质量事件中的典型特征参数，优选地，具体包括，电压扰动波形、电流扰动波形和频率扰动波形，及其扰动参数；
步骤(1-1-3)根据电能质量历史统计数据，分析典型特征参数的相关波形及扰动数据，优选地，以电压波动为例，具体包括，频谱成分、持续时间、电压幅值、扰动源、监测点位置等。进一步地，所述步骤(1-2)，分析电能质量监测设备空间部署架构，建立电力设备及其关键部件，研究区域内电网线路的精确数学模型，总结电力设备或其关键零部件的工作异常状态，及其相关电能质量典型特征，具体包括：
步骤(1-2-1)基于电力设备间电磁耦合现象，采用电磁仿真分析软件对电力设备典型故障情形进行全尺寸仿真，包括电力发电机、变压器、高压开关和输配电母线等等各类设备；
步骤(1-2-2)以线性和非线性表达式表示磁导率、介电常数等参数，进行电流传导、静电分析额电路分析，分析静态场、时谐场和瞬态电磁场下设备耦合问题。
进一步地，所述步骤(1-4)，针对具有明显时序特征的元数据，在通用数据模型存储基础上，构建时序模型以存储该类数据，具体包括：
步骤(1-4-1)总结具有时序特征的典型电能质量事件，优选地，具体包括电压波动与闪变、欠点压、过电压、电压持续中断等稳态事件，以及暂态事件；
步骤(1-4-2)定义时态信息模型，构建时态数据处理层，记录数据的时序特征。
进一步地，所述步骤(3-2)获取电能质量监测数据，建立数据流触发机制，进行信息提取和处理，嵌入本质关联进行信息挖掘，对电力设备健康状况进行诊断，并生成预警信息，具体包括：
步骤S1：采集各监测点的电能质量数据，以及电力设备及其关键部件的运行参数，并基于马尔科夫随机场理论，分析各电能质量实体间的局部统计特性；
步骤S2：通过现有通讯手段，将信息汇集于变电站或集控站级别的集中单元设备，进行数据通用模型处理，形成时空等多维度电能质量数据格式；
步骤S3：将预处理后的数据送至电能质量与电力设备关联数据库，基于电能质量和电力设备关系数据库，采用连续词袋模型识别数据中的关键实体；
步骤S4：更新知识图谱实体数据，基于实时数据分析结果，对本质关联进行数据更新，具体包括实体、关系、属性、属性值的更新；
步骤S5：基于信息通讯技术，同步云端数据库数据；
步骤S6：进行电能质量事件触发式或数据特征触发式本质关系推理，进而形成相关电力设备健康状况评级；
步骤S7：生成包含数值、文本、图形内容的电力设备健康状况自动预警信息；
步骤S8：将电力设备健康状况诊断结果可视化发布，同时留存日志作为参考数据，日志应至少包含设备名称、设备类型、设备型号、投运时间等基本信息和设备入端出端电压、电流、功率因数、总谐波失真等电能质量监测数据。
进一步地，所述步骤S2，通过现有通讯手段，将信息汇集于变电站或集控站级别的集中单元设备，进行数据通用模型处理，形成时空等多维度电能质量数据格式，具体包括：
步骤S2-1，判断电力设备系统监测数据的结构化程度；
步骤S2-2，判断非结构化数据的时序性，标记时序数据的最初故障出现时间点、最早能够监测到故障征兆的时间点和最后故障时间点信息；
步骤S2-3，对结构化数据进行预处理，包括异常数据清洗和向量化处理；
步骤S2-4，针对有时序特征的数据，在特征提取的基础上，采用长短期记忆网络进行序列建模，可选地，具体步骤应至少包括：设置通道数目、设置隐藏单元数目、定义规范函数和确定执行环境等；
步骤S2-5，针对非结构化的、不具备时序特性的可监测参数r，令其可观察序列为R＝{r(1),r(2),…,r(t)}(其中，r(i)表示r在第i时刻的监测结果)，通过数据统计分析方法确定可观察序列R的发生概率P(R)，定义序列R条件下得到状态序列S的概率为P(S|R)，采用动态规划方法求解可观察序列R对应的最可能状态序列Sopt：
Sopt＝argmaxP(S|R)＝{s(1),s(2),…,s(T)} (3)
其中，S(t)表示与r相关的电力设备监测参数S在t时刻的状态,S(t)∈{s1,s2,…,sn}，si为参数S的可能状态。采用期望最大化算法求解隐马尔科夫模型参数，包括转移概率矩阵A、混淆矩阵参数B和初始状态矩阵Γ：
上式中aij表示从状态si到状态sj的转移概率，bij表示从状态sj到观测结果ri的转移概率，τi表示状态si在初始时刻的发生概率。在此基础上，隐马尔科夫模型的形式H表示为：
H＝(A,B,Γ) (7)
针对3维及以上半结构化或非结构化电力设备数据Xn(x1,x2,…,xn)，采用多级串联隐马尔科夫模型，自低纬度向高纬度逐层识别，依次得到各维度的特征向量，表示为集合V＝{V1,V2,…Vn}，其中Vi(i＝1,2,…,n)为n维数据Xn在第i个维度上的特征向量；
步骤S2-6，在数据结构化处理基础上，通过卷积神经网络对数据初步处理结果进行实体对齐处理，进而得到融合结果：
式中，αij表示特征向量Vi与实体μj的对齐度；
步骤S2-7，结合关系数据匹配技术，采用实体链接技术计算实体间的相似度，对数据进行消歧处理；
步骤S2-8，进而，结合既有电力设备运行规范与定义，对数据进行规范化处理，得到无量纲标量数值；
步骤S2-9，最终以通用数据模型形式存储数据处理结果。
进一步地，所述步骤S6，进行电能质量事件触发式或数据特征触发式本质关系推理，进而形成相关电力设备健康状况评级，具体包括：
步骤S6-1，根据状态矩阵追溯本质关联中最相关实体作为推理起点；
步骤S6-2，采用不同路径交叉推理策略，实现对本质关联嵌套层次间实体和关系的推理；
步骤S6-3，采用F值判定方法评估推理结果的可靠性，如公式(9)所示：
式中，precision为信息准确率，recall为信息召回率，如公式(10)和(11)所示：
步骤S6-4，依据推理广度和深度衡量标准，采用一阶逻辑方式进行推理，得到关联性电力设备及其故障表述，生成健康状态诊断结果，并依据既有电力设备健康评级规则，对电力设备健康状况评级
相对于现有技术，本发明具有如下优点，1)该技术方案以电能质量量测值为着眼点，结合大数据的数据特征工程和电能质量驱动行为，首次采用适用于电力系统复杂运行条件的数据模型；2)本发明基于电能质量监测数据，借助电能质量监测平台，首次从全局角度综合利用系统中各监测装置数据，充分提升电力系统大数据利用率；本发明首次通过关联分析方法实现设备监测数据的多维度映射，实现了电力设备健康状态的精细化描述；3)本发明基于电能质量数据，结合电力设备本质关联推理技术，对电力设备运行状况的进行健康评级并形成预警信息，降低了电力设备状态监测工作中对人工的依赖性，最终实现对电力设备运行状态的信息采集、数据分析、健康诊断一体化平台建设。
附图说明
图1为本发明实施例提出的一种电力设备健康状况智能评级与自动预警系统的系统流程图；
图2为本发明实施例提出的一种电力设备健康状况智能评级与自动预警系统的电磁仿真步骤流程图；
图3为本发明实施例提出的一种电力设备健康状况智能评级与自动预警系统的本质关联数据库结构图；
图4为本发明实施例提出的一种电力设备健康状况智能评级与自动预警系统的实体提取流程图；
图5为本发明实施例提出的一种电力设备健康状况智能评级与自动预警系统的非结构化数据处理流程图；
具体实施方式：
本发明是一种基于电能质量监测平台的电力设备健康状况智能评级与自动预警系统。主要包括以下步骤：(1)采用适用于电力设备健康状况评估系统与自动预警系统的电力大数据处理方法，并形成基本电力设备的通用数据模型；(2)通过对电力历史数据处理、专业技术推导、仿真技术等形成电能质量与变压器本质关系数据库；(3)结合电能质量监测平台，建立数据流触发方式，根据电能质量实时数据，自动处理数据，形成电能质量事件，并根据上述的本质关系数据库，进行推理，进而形成与电能质量数据流相关的电力设备健康状况，并生成自动预警系统。
为了阐述方便，加深印象，在具体实施方式中，采用变压器代替电力设备。为了加深对本发明的理解，下面结合附图对本实施例做详细的说明。
实施例1：参见图1，一种变压器健康状况智能评级与自动预警方法，所述方法至少包括以下步骤：(1)采用适用于变压器健康状况评估系统与自动预警系统的电力大数据处理方法，并形成通用数学模型；(2)通过多种途径建立电能质量事件与变压器本质关联数据库；(3)结合电能质量采样平台形成的数据流和上述的本质关联数据库，建立变压器健康状况智能评级与自动预警系统。
所述步骤(1)，具体包括：
构建适用于描述变压器运行状况数据及其电能质量事件的通用数据模型，以特征值、标识文字和标示图片3种等效方式表示数据特征。针对具有明显时序特征的元数据，在通用数据模型存储基础上，构建时序模型以存储该类数据。
如图2所示，以电力大数据中的变压器设备数据集和电能质量数据集为基础，分析变压器相关电能质量典型事件的典型参数，得到故障参数列表，进一步得到特征集合IQ；分析变压器相关监测设备空间部署架构，建立变压器及其关键部件、系统研究区域内电网线路的精确电磁模型，得到设备参数特征集合IE。采用全尺寸仿真技术，进行单一故障与多故障仿真分析，梳理与变压器故障相关的概念与指标，最终得到集合IQ和IE的关系映射集MQE。
所述步骤(2)，具体包括：
结合电力历史数据，对非结构化电力设备运行记录文本信息W0进行分词操作，得到片段序列Ws＝{w1,w2,…,wn}，统计文本报告中各文本片段的概率P(wi|W0)。采用前缀查询方法，确定所有可能的序列W，求解各序列划分情形下片段概率之和F。寻找使得F最大的最优划分序列Wop，将Wop中的高概率片段作为实体集合Eo，形成电能质量事件和变压器语义库，以变压器运行状态报告分析结果为例，至少包含如表1所示的故障类型、故障特征和相关参量关键词语。
表1变压器常见故障类型及其特征
基于马尔科夫随机场理论，分析集合Eo中电能质量实体间的局部统计特性，划分自产性电能质量指标集合Eos和背景电能质量指标Eob。从MQE中抽象出Eos所包含电能质量指标与电力设备关键部位的实体间关系，建立电能质量与电力设备本质关系数据库，如图3所示。
参见图1、图4和图5，所述步骤(3)，具体包括：
步骤S1：采集各监测点的电能质量数据，以及变压器设备及其关键部件的运行参数，并基于马尔科夫随机场理论，分析各电能质量实体间的局部统计特性。
步骤S2：通过现有通讯手段，将信息汇集于变电站或集控站级别的集中单元，进行数据通用模型处理，形成时空等多维度电能质量数据格式。如图4所示，包括以下步骤，
步骤S2-1，判断系统监测数据的结构化程度。
步骤S2-2，判断非结构化数据的时序性，标记时序数据的最初故障出现时间点、最早能够监测到故障征兆的时间点和最后故障时间点信息。
步骤S2-3，对变压器高压侧、低压侧稳态电压趋势数据等结构化数据进行预处理，包括，采用拉格朗日插值方法插补缺失数据，对异常电压数据进行剔除或修正，对数据分布特性进行判断。
步骤S2-4，针对由于变压器部件故障引起的各类电能质量事件，其中的等具有时序特征的数据，在特征提取的基础上，采用长短期记忆网络进行序列建模。
步骤S2-5，在不具有时序特性的非结构化数据中，采用隐马尔科夫模型进行处理，对于变压器可监测参数r，通过数据统计分析方法确定可观察序列R的发生概率P(R)，采用动态规划方法求解可观察序列R对应的最可能状态序列Sopt。采用期望最大化算法求解隐马尔科夫模型参数，包括转移概率矩阵A、混淆矩阵参数B和初始状态矩阵Γ。如图5所示，针对3维及以上半结构化或非结构化变压器数据Xn(x1,x2,…,xn)，采用多级串联隐马尔科夫模型，自低纬度向高纬度逐层识别，依次得到各维度的特征向量。
步骤S2-6，在数据结构化处理基础上，通过卷积神经网络对数据初步处理结果进行实体对齐处理，进而得到融合结果φmap。
步骤S2-7，结合关系数据匹配技术，采用实体链接技术计算实体间的相似度，对数据进行消歧处理。
步骤S2-8，进而，结合既有变压器运行规范与定义，对数据进行规范化处理，得到无量纲标量数值。
步骤S2-9，最终以通用数据模型形式存储数据处理结果。
步骤S3：将预处理后的数据送至电能质量与电力设备关联数据库，基于电能质量和电力设备关系数据库，采用连续词袋模型识别数据中的关键实体。
步骤S4：更新知识图谱实体数据。基于实时数据分析结果，对本质关联进行数据更新，具体包括实体、关系、属性、属性值的更新。
步骤S5：基于信息通讯技术，同步云端数据库数据。
步骤S6：进行电能质量事件触发式或数据特征触发式本质关系推理，进而形成相关电力设备健康状况评级。根据状态矩阵结果，追溯本质关联中最相关实体作为推理起点，实时电能质量监测数据为元节点，实现对中间节点和目标节点的推理。采用不同路径交叉推理策略，实现对本质关联嵌套层次间实体和关系的推理，采用F值判定方法评估推理结果的可靠性。依据推理广度和深度衡量标准，采用一阶逻辑方式进行推理，以得到关联性电力设备及其故障表述，生成健康状态诊断结果，并依据既有电力设备健康评级规则，对电力设备健康状况评级。
步骤S7：生成包含数值、文本、图形内容的变压器健康状况自动预警信息；
步骤S8：将变压器健康状况诊断结果可视化发布，同时留存日志作为参考数据，日志应至少包含设备名称、设备类型、设备型号、投运时间等基本信息和设备入端出端电压、电流、功率因数、总谐波失真等电能质量监测数据。
需要说明的是上述实施例，并非用来限定本发明的保护范围，在上述技术方案的基础上所作出的等同变换或替代均落入本发明权利要求所保护的范围。
Claims (7)
1.一种电力设备健康状况智能评级与自动预警方法，其特征在于，所述方法至少包括以下步骤：
步骤(1)建立适用于电力设备健康状况评估的通用电能质量数学模型；
步骤(2)建立电能质量与电力设备本质关联数据库；
步骤(3)建立电力设备健康状况智能评级与自动预警系统；
所述步骤(1)，建立适用于电力设备健康状况评估的通用数学模型，具体包括：
步骤(1-1)根据电能质量监测数据，分析电能质量事件，分析电能质量典型事件、各事件描述用的典型参数、各参数的数据特征；
步骤(1-2)分析电能质量监测设备空间部署架构，建立电力设备及其关键部件，研究区域内电网线路的精确数学模型，总结电力设备或其关键零部件的工作异常状态，及其相关电能质量典型特征；
步骤(1-3)以特征值、标识文字和标示图片3种等效方式表示数据特征，构建适用于描述电能质量特征和电力设备状况数据的通用数据模型；
步骤(1-4)针对具有明显时序特征的数据，在通用数据模型存储基础上，构建时序模型以存储该类数据；
步骤(1-5)在电能质量特征分析和电力设备仿真基础上，得到电能质量事件特征集合IQ与设备参数特征集合IE，进行单一故障与多故障仿真分析，得到集合IQ和IE的关系映射集MQE；
所述步骤(2)，建立电能质量与电力设备本质关联，具体包括：
步骤(2-1)结合电能质量大数据，主要包括数值数据和电能质量事件报文信息，对非结构化电力设备运行记录文本信息W0进行分词操作，得到片段序列Ws＝{w1,w2,…,wn}，统计文本报告中各文本片段的概率P(wi|W0)：
式中，
表示片段wi的在所有历史文本中出现的个数，Nw表示当前划分规则下的片段总数；采用前缀查询方法，确定所有可能的序列W，求解各序列划分情形下片段概率之和F：
寻找使得F最大的最优划分序列Wop，将Wop中的高概率片段作为实体集合Eo，形成电能质量事件和电力设备语义库；
步骤(2-2)基于马尔科夫随机场理论，分析集合Eo中电能质量实体间的局部统计特性，划分自产性电能质量指标集合Eos和背景电能质量指标Eob；
步骤(2-3)从MQE中抽象出Eos所包含电能质量指标与电力设备关键部位的实体间关系，建立电能质量与电力设备本质关系数据库；
所述步骤(3)，建立电力设备健康状况智能评级与自动预警系统，具体包括：
步骤(3-1)制定分层、分级、分区控制架构，将系统功能模块化存储于集中单元设备中；
步骤(3-2)获取电能质量监测数据，建立数据流触发机制，进行信息提取和处理，嵌入本质关联进行信息挖掘，对电力设备健康状况进行诊断，并生成预警信息。
2.根据权利要求1所述的电力设备健康状况智能评级与自动预警方法，其特征在于，所述步骤(1-1)根据电能质量监测数据，分析电能质量典型事件、各事件的典型参数、各参数的数据特征，具体包括：
步骤(1-1-1)根据电能质量历史统计数据，分析电能质量连续数据和事件数据，根据电压、电流和频率变化持续时间进行分类，具体包括谐波电压总畸变率、各次电压谐波含有率、电压偏差、电压长时闪变和三相电压不平衡度等电能质量事件；
步骤(1-1-2)根据电能质量历史统计数据，分析各电能质量事件中的典型特征参数，具体包括，电压扰动波形、电流扰动波形和频率扰动波形，及其扰动参数；
步骤(1-1-3)根据电能质量历史统计数据，分析典型特征参数的相关波形及扰动数据，具体包括，频谱成分、持续时间、电压幅值、扰动源、监测点位置。
3.根据权利要求1所述的电力设备健康状况智能评级与自动预警方法，其特征在于，所述步骤(1-2)，分析电能质量监测设备空间部署架构，建立电力设备及其关键部件，研究区域内电网线路的精确数学模型，总结电力设备或其关键零部件的工作异常状态，及其相关电能质量典型特征，具体包括：
步骤(1-2-1)基于电力设备间电磁耦合现象，采用电磁仿真分析软件对电力设备典型故障情形进行全尺寸仿真，包括电力发电机、变压器、高压开关和输配电母线各类设备；
步骤(1-2-2)以线性和非线性表达式表示磁导率、介电常数参数，进行电流传导、静电分析额电路分析，分析静态场、时谐场和瞬态电磁场下设备耦合问题。
4.根据权利要求1所述的电力设备健康状况智能评级与自动预警法，其特征在于，所述步骤(1-4)针对具有明显时序特征的元数据，在通用数据模型存储基础上，构建时序模型以存储该类数据，具体包括：
步骤(1-4-1)总结具有时序特征的典型电能质量事件，具体包括电压波动与闪变、欠点压、过电压、电压持续中断稳态事件，以及暂态事件；
步骤(1-4-2)定义时态信息模型，构建时态数据处理层，记录数据的时序特征。
5.根据权利要求1所述的电力设备健康状况智能评级与自动预警方法，其特征在于，所述步骤(3-2)获取电能质量监测数据，建立数据流触发机制，进行信息提取和处理，嵌入本质关联进行信息挖掘，对电力设备健康状况进行诊断，并生成预警信息，具体包括：
步骤S1：采集各监测点的电能质量数据，以及电力设备及其关键部件的运行参数，并基于马尔科夫随机场理论，分析各电能质量实体间的局部统计特性；
步骤S2：通过现有通讯手段，将信息汇集于变电站或集控站级别的集中单元设备，进行数据通用模型处理，形成时空等多维度电能质量数据格式；
步骤S3：将预处理后的数据送至电能质量与电力设备关联数据库，基于电能质量和电力设备关系数据库，采用连续词袋模型识别数据中的关键实体；
步骤S4：更新知识图谱实体数据，基于实时数据分析结果，对本质关联进行数据更新，具体包括实体、关系、属性、属性值的更新；
步骤S5：基于信息通讯技术，同步云端数据库数据；
步骤S6：进行电能质量事件触发式或数据特征触发式本质关系推理，进而形成相关电力设备健康状况评级；
步骤S7：生成包含数值、文本、图形内容的电力设备健康状况自动预警信息；
步骤S8：将电力设备健康状况诊断结果可视化发布，同时留存日志作为参考数据，日志应至少包含设备名称、设备类型、设备型号、投运时间等基本信息和设备入端出端电压、电流、功率因数、总谐波失真电能质量监测数据。
6.根据权利要求5所述的电力设备健康状况智能评级与自动预警方法，其特征在于，所述步骤S2，通过现有通讯手段，将信息汇集于变电站或集控站级别的集中单元设备，进行数据通用模型处理，形成时空等多维度电能质量数据格式，具体包括：
步骤S2-1，判断电力设备系统监测数据的结构化程度；
步骤S2-2，判断非结构化数据的时序性，标记时序数据的最初故障出现时间点、最早能够监测到故障征兆的时间点和最后故障时间点信息；
步骤S2-3，对结构化数据进行预处理，包括异常数据清洗和向量化处理；
步骤S2-4，针对有时序特征的数据，在特征提取的基础上，采用长短期记忆网络进行序列建模，具体步骤应至少包括：设置通道数目、设置隐藏单元数目、定义规范函数和确定执行环境；
步骤S2-5，针对非结构化的、不具备时序特性的可监测参数r，令其可观察序列为R＝{r(1),r(2),…,r(t)}(其中，r(i)表示r在第i时刻的监测结果)，通过数据统计分析方法确定可观察序列R的发生概率P(R)，定义序列R条件下得到状态序列S的概率为P(S|R)，采用动态规划方法求解可观察序列R对应的最可能状态序列Sopt：
Sopt＝argmaxP(S|R)＝{s(1),s(2),…,s(T)} (3)
其中，S(t)表示与r相关的电力设备监测参数S在t时刻的状态,S(t)∈{s1,s2,…,sn}，si为参数S的可能状态，采用期望最大化算法求解隐马尔科夫模型参数，包括转移概率矩阵A、混淆矩阵参数Β和初始状态矩阵Γ：
上式中aij表示从状态si到状态sj的转移概率，bij表示从状态sj到观测结果ri的转移概率，τi表示状态si在初始时刻的发生概率，在此基础上，隐马尔科夫模型的形式H表示为：
H＝(A,Β,Γ) (7)
针对3维及以上半结构化或非结构化电力设备数据Xn(x1,x2,…,xn)，采用多级串联隐马尔科夫模型，自低纬度向高纬度逐层识别，依次得到各维度的特征向量，表示为集合V＝{V1,V2,…Vn}，其中Vi(i＝1,2,…,n)为n维数据Xn在第i个维度上的特征向量；
步骤S2-6，在数据结构化处理基础上，通过卷积神经网络对数据初步处理结果进行实体对齐处理，进而得到融合结果：
式中，αij表示特征向量Vi与实体μj的对齐度；
步骤S2-7，结合关系数据匹配技术，采用实体链接技术计算实体间的相似度，对数据进行消歧处理；
步骤S2-8，进而，结合既有电力设备运行规范与定义，对数据进行规范化处理，得到无量纲标量数值；
步骤S2-9，最终以通用数据模型形式存储数据处理结果。
7.根据权利要求1所述的电力设备健康状况智能评级与自动预警方法，其特征在于，所述步骤S6，进行电能质量事件触发式或数据特征触发式本质关系推理，进而形成相关电力设备健康状况评级，具体包括：
步骤S6-1，根据状态矩阵追溯本质关联中最相关实体作为推理起点；
步骤S6-2，采用不同路径交叉推理策略，实现对本质关联嵌套层次间实体和关系的推理；
步骤S6-3，采用F值判定方法评估推理结果的可靠性，如公式(9)所示：
式中，precision为信息准确率，recall为信息召回率，如公式(10)和(11)所示：
步骤S6-4，依据推理广度和深度衡量标准，采用一阶逻辑方式进行推理，得到关联性电力设备及其故障表述，生成健康状态诊断结果，并依据既有电力设备健康评级规则，对电力设备健康状况评级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010677313.6A CN113935562B (zh) | 2020-07-14 | 2020-07-14 | 一种电力设备健康状况智能评级与自动预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010677313.6A CN113935562B (zh) | 2020-07-14 | 2020-07-14 | 一种电力设备健康状况智能评级与自动预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113935562A true CN113935562A (zh) | 2022-01-14 |
| CN113935562B CN113935562B (zh) | 2024-08-16 |
Family
ID=79273954
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010677313.6A Active CN113935562B (zh) | 2020-07-14 | 2020-07-14 | 一种电力设备健康状况智能评级与自动预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113935562B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115564203A (zh) * | 2022-09-23 | 2023-01-03 | 杭州国辰智企科技有限公司 | 基于多维数据协同的设备实时性能评估系统及其方法 |
| CN115796435A (zh) * | 2023-02-08 | 2023-03-14 | 睿至科技集团有限公司 | 一种电力物联网数据管理方法及系统 |
| CN116010833A (zh) * | 2023-03-27 | 2023-04-25 | 中科航迈数控软件(深圳)有限公司 | 基于缺失数据补全的数控机床健康状态评估方法及装置 |
| CN116628470A (zh) * | 2023-04-11 | 2023-08-22 | 常州满旺半导体科技有限公司 | 一种基于人工智能的电压源数据实时监管系统及方法 |
| CN116645077A (zh) * | 2023-04-24 | 2023-08-25 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于设备健康码的设备闭环管理方法 |
| CN116774024A (zh) * | 2023-05-24 | 2023-09-19 | 三峡金沙江川云水电开发有限公司 | 一种sf6断路器状态的智能监测方法及系统 |
| CN116995734A (zh) * | 2023-09-27 | 2023-11-03 | 合肥工业大学 | 一种面向新型电网的分布式能源电能质量监测控制评价系统 |
| CN117169716A (zh) * | 2023-09-07 | 2023-12-05 | 江苏省特种设备安全监督检验研究院 | 一种基于马尔科夫随机场算法的电机健康诊断系统 |
| CN117233648A (zh) * | 2023-11-14 | 2023-12-15 | 深圳市伟鹏世纪科技有限公司 | 一种适用于储能电源的户外运行智能预警系统 |
| CN117520951A (zh) * | 2024-01-08 | 2024-02-06 | 国网浙江省电力有限公司宁波供电公司 | 一种基于多特征量的变压器健康评估方法和系统 |
| CN118170927A (zh) * | 2024-05-10 | 2024-06-11 | 山东圣剑医学研究有限公司 | 一种用于ai数字人的科研资料知识图谱构建方法 |
| CN118364407A (zh) * | 2024-04-30 | 2024-07-19 | 山东文登抽水蓄能有限公司 | 一种抽水蓄能电站智能开关站故障诊断系统及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012149901A1 (zh) * | 2011-05-03 | 2012-11-08 | 北京中瑞泰科技有限公司 | 基于相似度曲线的设备故障早期预警及优化的方法和系统 |
| WO2015176565A1 (zh) * | 2014-05-22 | 2015-11-26 | 袁志贤 | 一种基于多维时间序列的电气设备故障预测方法 |
| CN106020154A (zh) * | 2016-07-12 | 2016-10-12 | 中国石油化工股份有限公司 | 一种用于乙烯生产的安全动态健康评估方法及评估系统 |
| CN111199361A (zh) * | 2020-01-13 | 2020-05-26 | 国网福建省电力有限公司信息通信分公司 | 基于模糊推理理论的电力信息系统健康评估方法及系统 |
-
2020
- 2020-07-14 CN CN202010677313.6A patent/CN113935562B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012149901A1 (zh) * | 2011-05-03 | 2012-11-08 | 北京中瑞泰科技有限公司 | 基于相似度曲线的设备故障早期预警及优化的方法和系统 |
| WO2015176565A1 (zh) * | 2014-05-22 | 2015-11-26 | 袁志贤 | 一种基于多维时间序列的电气设备故障预测方法 |
| CN106020154A (zh) * | 2016-07-12 | 2016-10-12 | 中国石油化工股份有限公司 | 一种用于乙烯生产的安全动态健康评估方法及评估系统 |
| CN111199361A (zh) * | 2020-01-13 | 2020-05-26 | 国网福建省电力有限公司信息通信分公司 | 基于模糊推理理论的电力信息系统健康评估方法及系统 |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115564203B (zh) * | 2022-09-23 | 2023-04-25 | 杭州国辰智企科技有限公司 | 基于多维数据协同的设备实时性能评估系统及其方法 |
| CN115564203A (zh) * | 2022-09-23 | 2023-01-03 | 杭州国辰智企科技有限公司 | 基于多维数据协同的设备实时性能评估系统及其方法 |
| CN115796435A (zh) * | 2023-02-08 | 2023-03-14 | 睿至科技集团有限公司 | 一种电力物联网数据管理方法及系统 |
| CN116010833A (zh) * | 2023-03-27 | 2023-04-25 | 中科航迈数控软件(深圳)有限公司 | 基于缺失数据补全的数控机床健康状态评估方法及装置 |
| CN116010833B (zh) * | 2023-03-27 | 2023-06-09 | 中科航迈数控软件(深圳)有限公司 | 基于缺失数据补全的数控机床健康状态评估方法及装置 |
| CN116628470A (zh) * | 2023-04-11 | 2023-08-22 | 常州满旺半导体科技有限公司 | 一种基于人工智能的电压源数据实时监管系统及方法 |
| CN116628470B (zh) * | 2023-04-11 | 2023-11-10 | 常州满旺半导体科技有限公司 | 一种基于人工智能的电压源数据实时监管系统及方法 |
| CN116645077B (zh) * | 2023-04-24 | 2023-12-22 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于设备健康码的设备闭环管理方法 |
| CN116645077A (zh) * | 2023-04-24 | 2023-08-25 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于设备健康码的设备闭环管理方法 |
| CN116774024A (zh) * | 2023-05-24 | 2023-09-19 | 三峡金沙江川云水电开发有限公司 | 一种sf6断路器状态的智能监测方法及系统 |
| CN116774024B (zh) * | 2023-05-24 | 2024-01-23 | 三峡金沙江川云水电开发有限公司 | 一种sf6断路器状态的智能监测方法及系统 |
| CN117169716A (zh) * | 2023-09-07 | 2023-12-05 | 江苏省特种设备安全监督检验研究院 | 一种基于马尔科夫随机场算法的电机健康诊断系统 |
| CN117169716B (zh) * | 2023-09-07 | 2024-02-27 | 江苏省特种设备安全监督检验研究院 | 一种基于马尔科夫随机场算法的电机健康诊断系统 |
| CN116995734B (zh) * | 2023-09-27 | 2023-12-12 | 合肥工业大学 | 面向电网的分布式能源电能质量监测控制评价系统 |
| CN116995734A (zh) * | 2023-09-27 | 2023-11-03 | 合肥工业大学 | 一种面向新型电网的分布式能源电能质量监测控制评价系统 |
| CN117233648A (zh) * | 2023-11-14 | 2023-12-15 | 深圳市伟鹏世纪科技有限公司 | 一种适用于储能电源的户外运行智能预警系统 |
| CN117233648B (zh) * | 2023-11-14 | 2024-01-23 | 深圳市伟鹏世纪科技有限公司 | 一种适用于储能电源的户外运行智能预警系统 |
| CN117520951A (zh) * | 2024-01-08 | 2024-02-06 | 国网浙江省电力有限公司宁波供电公司 | 一种基于多特征量的变压器健康评估方法和系统 |
| CN117520951B (zh) * | 2024-01-08 | 2024-05-24 | 国网浙江省电力有限公司宁波供电公司 | 一种基于多特征量的变压器健康评估方法和系统 |
| CN118364407A (zh) * | 2024-04-30 | 2024-07-19 | 山东文登抽水蓄能有限公司 | 一种抽水蓄能电站智能开关站故障诊断系统及方法 |
| CN118364407B (zh) * | 2024-04-30 | 2024-10-01 | 山东文登抽水蓄能有限公司 | 一种抽水蓄能电站智能开关站故障诊断系统及方法 |
| CN118170927A (zh) * | 2024-05-10 | 2024-06-11 | 山东圣剑医学研究有限公司 | 一种用于ai数字人的科研资料知识图谱构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113935562B (zh) | 2024-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113935562B (zh) | 一种电力设备健康状况智能评级与自动预警方法 | |
| CN106779505B (zh) | 一种基于大数据驱动的输电线路故障预警方法及系统 | |
| CN103245881B (zh) | 一种基于潮流分布特征的配电网故障分析方法及装置 | |
| CN107832876B (zh) | 基于MapReduce框架的分区最大负荷预测方法 | |
| CN104408667A (zh) | 一种电能质量综合评估的方法和系统 | |
| CN117273133A (zh) | 配电网多源异构数据知识图谱的构建方法 | |
| CN111598376A (zh) | 一种基于信息驱动的对电网大数据进行辅助决策的方法及系统 | |
| CN112712205A (zh) | 一种基于长短期记忆神经网络的配电网故障预防方法 | |
| CN111585277B (zh) | 一种基于混合集成模型的电力系统动态安全评估方法 | |
| Suo et al. | Computer assistance analysis of power grid relay protection based on data mining | |
| CN116340437A (zh) | 一种面向大规模多源异构数据的多聚类方法 | |
| CN108647860A (zh) | 基于OpenStack的电力设备状态监测与评估云平台 | |
| CN111966758A (zh) | 一种基于画像数据分析技术的电力隐患排查方法 | |
| CN116298659A (zh) | 一种基于分布式电流监测数据挖掘的配电网故障辨识方法 | |
| CN109767062B (zh) | 一种电网任务处置方案的动态生成方法 | |
| Khalyasmaa et al. | Fuzzy inference algorithms for power equipment state assessment | |
| Khan et al. | Outliers detection and repairing technique for measurement data in the distribution system | |
| CN112052277A (zh) | 一种基于大数据的电压暂降严重度评估方法及设备 | |
| Chen et al. | An analytical method of data mining on voltage sag based on gray target theory and cloud model | |
| Li et al. | Multi-source heterogeneous log fusion technology of power information system based on big data and imprecise reasoning theory | |
| CN117934209B (zh) | 一种基于知识图谱的区域电力系统碳排放大数据分析方法 | |
| CN118213997B (zh) | 一种基于ahp-灰色模糊算法的城市电网负荷预测方法 | |
| Yang et al. | Smart Meter Fault Diagnosis based on Directional Gradient KNN | |
| Wang et al. | Research on line loss prediction model based on clustering and multi prediction model fusion | |
| CN117892212B (zh) | 一种分布式异构能源站点态势感知监测方法 |
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 |