CN114091296A - 高压直流断路器的故障预警方法及装置 - Google Patents
高压直流断路器的故障预警方法及装置 Download PDFInfo
- Publication number
- CN114091296A CN114091296A CN202111277022.9A CN202111277022A CN114091296A CN 114091296 A CN114091296 A CN 114091296A CN 202111277022 A CN202111277022 A CN 202111277022A CN 114091296 A CN114091296 A CN 114091296A
- Authority
- CN
- China
- Prior art keywords
- component
- voltage direct
- circuit breaker
- state evaluation
- current circuit
- 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 35
- 238000011156 evaluation Methods 0.000 claims abstract description 117
- 238000004088 simulation Methods 0.000 claims abstract description 109
- 238000013210 evaluation model Methods 0.000 claims abstract description 53
- 230000007547 defect Effects 0.000 claims abstract description 41
- 238000012360 testing method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 230000009471 action Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004146 energy storage Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000010521 absorption reaction Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 15
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 239000000872 buffer Substances 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- 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]
-
- 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)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Computer Hardware Design (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明提供了一种高压直流断路器的故障预警方法及装置,方法包括:获取高压直流断路器的部件参数及预先建立的故障案例库;根据所述的部件参数、故障案例库及预先建立的状态评价模型对高压直流断路器的部件进行状态评价及仿真生成部件状态评价数据、部件剩余寿命数据;根据所述的部件状态评价数据、部件剩余寿命数据生成高压直流断路器的故障预警结果。可用于指导高压直流断路器的运维检修,利用参数数据库,帮助运维检修人员提前预知高压直流断路器的组部件缺陷,制定前瞻性运维检修计划,保障高压直流断路器的安全稳定运行。
Description
技术领域
本发明涉及电力检测技术,具体的讲是一种高压直流断路器的故障预警方法及装置。
背景技术
直流输电技术因为在大功率远距离输电、海底电缆送电和交流系统非同步连接方面具有明显的优势,且具有独立、灵活的功率调节能力,谐波含量小,能为风电场等提供交流电压支撑等优点,所以得到了较快的发展。直流系统故障时由于电流无自然零点,所以在高压直流断路器在开断故障电流时,需要制造人工零点,同时直流系统感性元件中的大量能量需要被吸收,因此比起交流断路器,高压直流断路器的设计难度大大增加。
高压直流断路器的组部件繁多,包含大量电力电子器件,快速机械开关、耗能装置、控制保护设备、功能系统、水冷系统等关键组部件。这些组部件结构复杂,劣化情况复杂,故障缺陷难以定位,且高压直流断路器投运时间不长,缺陷故障仍处于发展期,目前业界尚未形成高压直流断路器故障系统预警策略,所以亟需一种具有前瞻性与预见性的高压直流断路器预警系统来解决此类问题。
发明内容
为克服现有技术的缺陷,本发明提供了一种高压直流断路器的故障预警方法,包括:
获取高压直流断路器的部件参数及预先建立的故障案例库;
根据所述的部件参数、故障案例库及预先建立的状态评价模型对高压直流断路器的部件进行状态评价及仿真生成部件状态评价数据、部件剩余寿命数据;
根据所述的部件状态评价数据、部件剩余寿命数据生成高压直流断路器的故障预警结果。
本发明实施例中,所述的部件参数包括:高压直流断路器部件的快速机械开关动作时间、动作次数、运行噪音,IGBT结温、运行噪音及MOV吸能次数;
所述的故障案例库包括:高压直流断路器部件的故障案例数据、故障时的组部件运行参数;
所述的高压直流断路器部件包括:快速机械开关、电力电子组件、MOV、储能原件及供能变压器。
本发明实施例中,所述的根据所述的部件参数、故障案例库及预先建立的状态评价模型对高压直流断路器的部件进行状态评价及仿真生成部件状态评价数据、部件剩余寿命数据包括:
根据所述的部件参数、故障案例库及所述状态评价模型中的评分模型对高压直流断路器的部件进行状态评价生成部件状态评价数据;
根据所述的部件参数、故障案例库及所述状态评价模型中的仿真模型对高压直流断路器的部件进行仿真确定部件剩余寿命数据。
本发明实施例中,所述的根据所述的部件参数、故障案例库及所述状态评价模型中的评分模型对高压直流断路器的部件进行状态评价生成部件状态评价数据包括:
根据所述的部件参数、故障案例库确定部件的设备基础评分、设备家族缺陷评分、设备试验评分及设备缺陷评分;
根据确定的设备基础评分、设备家族缺陷评分、设备试验评分及设备缺陷评分利用预设的评分模型生成部件状态评价数据。
本发明实施例中,所述的根据所述的部件参数、故障案例库及所述状态评价模型中的仿真模型对高压直流断路器的部件进行仿真确定部件剩余寿命数据包括:
根据所述部件参数和预先训练建立的仿真模型进行实时仿真生成部件仿真数据;
根据所述的部件仿真数据和所述的故障案例库利用预设的预测算法确定部件剩余寿命数据。
本发明实施例中,所述的方法还包括:
根据所述部件仿真数据和部件参数对所述的仿真模型进行修正。
同时,本发明还提供一种高压直流断路器的故障预警装置,包括:
数据获取模块,用于获取高压直流断路器的部件参数及预先建立的故障案例库;
状态评价模块,用于根据所述的部件参数、故障案例库及预先建立的状态评价模型对高压直流断路器的部件进行状态评价及仿真生成部件状态评价数据、部件剩余寿命数据;
预警模块,用于根据所述的部件状态评价数据、部件剩余寿命数据生成高压直流断路器的故障预警结果。
本发明实施例中,所述的状态评价模块包括:
评价单元,用于根据所述的部件参数、故障案例库及所述状态评价模型中的评分模型对高压直流断路器的部件进行状态评价生成部件状态评价数据;
仿真单元,用于根据所述的部件参数、故障案例库及所述状态评价模型中的仿真模型对高压直流断路器的部件进行仿真确定部件剩余寿命数据。
本发明实施例中,所述的评价单元根据所述的部件参数、故障案例库及所述状态评价模型中的评分模型对高压直流断路器的部件进行状态评价生成部件状态评价数据包括:
根据所述的部件参数、故障案例库确定部件的设备基础评分、设备家族缺陷评分、设备试验评分及设备缺陷评分;
根据确定的设备基础评分、设备家族缺陷评分、设备试验评分及设备缺陷评分利用预设的评分模型生成部件状态评价数据。
本发明实施例中,所述的仿真单元根据所述的部件参数、故障案例库及所述状态评价模型中的仿真模型对高压直流断路器的部件进行仿真确定部件剩余寿命数据包括:
根据所述部件参数和预先训练建立的仿真模型进行实时仿真生成部件仿真数据;
根据所述的部件仿真数据和所述的故障案例库利用预设的预测算法确定部件剩余寿命数据。
本发明实施例中,所述的装置还包括:
修正模块,用于根据所述部件仿真数据和部件参数对所述的仿真模型进行修正。
同时,本发明还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述方法。
同时,本发明还提供一种计算机可读存储介质,计算机可读存储介质存储有执行上述方法的计算机程序。
本发明提供的高压直流断路器故障预警方法及装置,获取高压直流断路器的部件参数及预先建立的故障案例库,根据部件参数、故障案例库及预先建立的状态评价模型对高压直流断路器的部件进行状态评价及仿真生成部件状态评价数据、部件剩余寿命数据,根据部件状态评价数据、部件剩余寿命数据生成高压直流断路器的故障预警结果可用于指导高压直流断路器的运维检修,利用预先建立的数据库,帮助运维检修人员提前预知高压直流断路器的组部件缺陷,制定前瞻性运维检修计划,保障高压直流断路器的安全稳定运行。
为让本发明的上述和其他目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附图式,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的高压直流断路器故障预警方法的流程图;
图2为本发明实施例提供的示意图;
图3为本发明提供的高压直流断路器故障预警装置的框图;
图4为本发明实施例提供的电子设备实施例的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术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,都属于本发明保护的范围。
为了对成高压直流断路器故障系统预警,本发明提供一种高压直流断路器的故障预警方法,如图1所示,该方法包括:
步骤S101,获取高压直流断路器的部件参数及预先建立的故障案例库;
步骤S102,根据所述的部件参数、故障案例库及预先建立的状态评价模型对高压直流断路器的部件进行状态评价及仿真生成部件状态评价数据、部件剩余寿命数据;
步骤S103,根据所述的部件状态评价数据、部件剩余寿命数据生成高压直流断路器的故障预警结果。
本发明提供的高压直流断路器故障预警方法,可用于指导高压直流断路器的运维检修,利用现有数据库,帮助运维检修人员提前预知高压直流断路器的组部件缺陷,制定前瞻性运维检修计划,保障高压直流断路器的安全稳定运行。
本发明实施例中,所述的部件参数包括:高压直流断路器部件的快速机械开关动作时间、动作次数、运行噪音,IGBT结温、运行噪音及MOV吸能次数;
所述的故障案例库包括:高压直流断路器部件的故障案例数据、故障时的组部件运行参数;本实施例中,故障案例库包括:高压直流断路器各组部件在调试、运行过程中的故障案例,包括但不限于快速机械开关、电力电子组件、MOV、储能原件、供能变压器等组部件的故障案例与故障时的组部件运行参数。
所述的高压直流断路器部件包括:快速机械开关、电力电子组件、MOV、储能原件及供能变压器。
本发明实施例中,所述的根据所述的部件参数、故障案例库及预先建立的状态评价模型对高压直流断路器的部件进行状态评价及仿真生成部件状态评价数据、部件剩余寿命数据包括:
根据所述的部件参数、故障案例库及所述状态评价模型中的评分模型对高压直流断路器的部件进行状态评价生成部件状态评价数据;
根据所述的部件参数、故障案例库及所述状态评价模型中的仿真模型对高压直流断路器的部件进行仿真确定部件剩余寿命数据。
本发明一实施例中,通过状态评价系统根据部件参数、故障案例库及预先建立的状态评价模型对高压直流断路器的部件进行状态评价及仿真生成部件状态评价数据、部件剩余寿命数据,具体的状态评价系统包括:评价模型和仿真模型
评价模型,用于输出对高压直流断路器每个组部件的状态评分,根据所述的部件参数、故障案例库及所述状态评价模型中的评分模型对高压直流断路器的部件进行状态评价生成部件状态评价数据;
仿真模型,用于根据所述的部件参数、故障案例库及所述状态评价模型中的仿真模型对高压直流断路器的部件进行仿真确定部件剩余寿命数据。
本发明实施例中,所述的根据所述的部件参数、故障案例库及所述状态评价模型中的评分模型对高压直流断路器的部件进行状态评价生成部件状态评价数据包括:
根据所述的部件参数、故障案例库确定部件的设备基础评分、设备家族缺陷评分、设备试验评分及设备缺陷评分;
根据确定的设备基础评分、设备家族缺陷评分、设备试验评分及设备缺陷评分利用预设的评分模型生成部件状态评价数据。
本发明实施例中,所述的根据所述的部件参数、故障案例库及所述状态评价模型中的仿真模型对高压直流断路器的部件进行仿真确定部件剩余寿命数据包括:
根据所述部件参数和预先训练建立的仿真模型进行实时仿真生成部件仿真数据;
根据所述的部件仿真数据和所述的故障案例库利用预设的预测算法确定部件剩余寿命数据。
本发明实施例中,所述的方法还包括:
根据所述部件仿真数据和部件参数对所述的仿真模型进行修正。
采用实时仿真模型能根据部件参数与仿真结果实时调整仿真模型参数,从而提高仿真精确度。
本发明一实施例中,通过有限元仿真与电路仿真,对高压直流断路器的各个组部件建立有限元模型与电路模型,通过运行数据库对组部件进行实时仿真,输出组部件参数的仿真数据,通过与运行数据库比对,对仿真模型进行修正,并将组部件一系列的仿真数据与故障案例库数据进行比对,通过神经网络、支持向量机、随机森林等算法预测其组部件剩余寿命。
本发明一实施例提供一种高压直流断路器故障预警系统,可用于指导高压直流断路器的运维检修,利用现有数据库,帮助运维检修人员提前预知高压直流断路器的组部件缺陷,制定前瞻性运维检修计划,保障高压直流断路器的安全稳定运行。
本实施例提供的一种高压直流断路器故障预警系统,系统能对高压直流断路器关键组部件的工作状态与使用寿命进行评价与预测,提前预知故障部件及其故障原因。
如图2所示,为本实施例的故障预警系统,本实施例中,该系统包括:运行数据库、故障案例库、状态评价系统及故障预警系统。
其中,状态评价系统包括:评价模型和仿真模型,运行数据库和故障案例库作为状态评价系统中的评价模型与仿真模型的输入;
评价模型,用于输出对高压直流断路器每个组部件的状态评分;
仿真模型,用于输出组部件的工作状态,同时,本实施例中,仿真模型的输出与运行数据库一起对仿真模型进行修正;
状态评价系统的输出与故障案例库、运行数据库一起输入故障预警系统,对组部件的故障进行预警。
本发明一实施例提供的预警方式如下:
本实施例中,故障预警系统为一个神经网络系统,训练数据为故障案例库以及运行数据库中的数据,训练后的神经网络系统在输入现有组部件工作状态后,能对入现有组部件剩余寿命进行预测,对剩余寿命低于指定年限的组部件进行预警。
本实施例中,运行数据库包括:高压直流断路器各组部件运行数据,其包括但不限于快速机械开关、电力电子组件、MOV、储能原件、供能变压器等组部件运行时的运行参数,运行参数具体包括:快速机械开关动作时间、动作次数、运行噪音,IGBT结温、运行噪音,MOV吸能次数等。
本实施例中,故障案例库包括:高压直流断路器各组部件在调试、运行过程中的故障案例,包括但不限于快速机械开关、电力电子组件、MOV、储能原件、供能变压器等组部件的故障案例与故障时的组部件运行参数。
其中,状态评价系统内置评价模型和仿真模型,能根据运行数据库和故障案例库的数据对高压直流断路器的各组部件进行状态评价。
状态评价系统的评价模型进行评价的一实施案例具体如下:
本实施例中,设备状态评分模型为G=B×F×T×Q;
其中,G为设备状态评分;B为设备基础评分;F为设备家族缺陷评分;T为设备试验评分;Q为设备缺陷评分。
B=100-8T
其中,T为运行时间;
其中,N为家族设备总台数,n为发生该家族缺陷设备台数(N>n≥1)。
如果涉及家族缺陷的隐患已消除,就不再考虑其影响。f为缺陷的严重系数,缺陷越严重评分越低,取值在0~1之间。
其中,设直流断路器进行了m个单项试验,第i项试验的评分为τi,权重为Wi(没有给出时取1)。
设备缺陷评分根据设备缺陷的严重程度共分严重状态、异常状态、注意状态、正常状态4个等级。每个缺陷评分等级对应一个缺陷评分系数,正常状态Q为1,注意状态Q为0.8,异常状态Q为0.5,严重状态Q为0.2。
状态评价系统包括的仿真模型,能预测高压直流断路器在未来指定时间的工作状态与其组部件的剩余寿命。
本实施例中,仿真模型包括但不限于系统级仿真模型与组部件级仿真模型,仿真模型为实时仿真模型,采用实时仿真模型能根据运行数据库与仿真结果实时调整参数,提高仿真精确度。对本领域技术人员而言,任何能够根据运行数据进行系统级仿真和/或组部件级仿真的模型均可以作为本实施例中的仿真模型。
本实施例中,一种可行的仿真模型功能如下:
通过有限元仿真与电路仿真,对高压直流断路器的各个组部件建立有限元模型与电路模型,通过运行数据库对组部件进行实时仿真,输出组部件参数的仿真数据,通过与运行数据库比对,对仿真模型进行修正,并将组部件一系列的仿真数据与故障案例库数据进行比对,通过神经网络、支持向量机、随机森林等算法预测其组部件剩余寿命。
本发明实施例中,有限元仿真与电路仿真模型中包含许多参数,其中也包含时间参数,本实施例通过现有的有限元模型与电路模型均可以通过初始值来对未来时间内组部件的状态进行仿真。本实施例中涉及的神经网络与机器学习,仅仅是为了对输出的结果(即未来时间的组部件参数)与故障案例库进行比较,对未来时间的组部件状态进行预测。而仿真模型内的参数也需要通过实时数据进行动态修正,依赖于神经网络的帮助。
本实施例的故障预警系统能针对高压直流断路器中即将发生故障的组部件进行预警。并且,本实施例中,故障预警系统的输入包括但不限于故障案例库的故障案例、状态评价系统输出的组部件状态评价结果、组部件工作状态与剩余寿命。
同时,本发明还提供一种高压直流断路器的故障预警装置,如图3所示,本发明提供的高压直流断路器的故障预警装置包括:
数据获取模块301,用于获取高压直流断路器的部件参数及预先建立的故障案例库;
状态评价模块302,用于根据所述的部件参数、故障案例库及预先建立的状态评价模型对高压直流断路器的部件进行状态评价及仿真生成部件状态评价数据、部件剩余寿命数据;
预警模块303,用于根据所述的部件状态评价数据、部件剩余寿命数据生成高压直流断路器的故障预警结果。
状态评价模块301包括:
评价单元,用于根据所述的部件参数、故障案例库及所述状态评价模型中的评分模型对高压直流断路器的部件进行状态评价生成部件状态评价数据;
仿真单元,用于根据所述的部件参数、故障案例库及所述状态评价模型中的仿真模型对高压直流断路器的部件进行仿真确定部件剩余寿命数据。
本发明实施例中,所述的评价单元根据所述的部件参数、故障案例库及所述状态评价模型中的评分模型对高压直流断路器的部件进行状态评价生成部件状态评价数据包括:
根据所述的部件参数、故障案例库确定部件的设备基础评分、设备家族缺陷评分、设备试验评分及设备缺陷评分;
根据确定的设备基础评分、设备家族缺陷评分、设备试验评分及设备缺陷评分利用预设的评分模型生成部件状态评价数据。
本发明实施例中,所述的仿真单元根据所述的部件参数、故障案例库及所述状态评价模型中的仿真模型对高压直流断路器的部件进行仿真确定部件剩余寿命数据包括:
根据所述部件参数和预先训练建立的仿真模型进行实时仿真生成部件仿真数据;
根据所述的部件仿真数据和所述的故障案例库利用预设的预测算法确定部件剩余寿命数据。
本发明一实施例中,所述的故障预警装置还包括:
修正模块,用于根据所述部件仿真数据和部件参数对所述的仿真模型进行修正。
对本领域技术人员而言,通过前述实施例的描述,可清楚获知本发明提供的关于故障预警装置的实现方式,在此不再赘述。
本实施例还提供一种电子设备,该电子设备可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该电子设备可以参照前述方法及装置的实施例,其内容被合并于此,重复之处不再赘述。
图4为本发明实施例的电子设备600的系统构成的示意框图。如图4所示,该电子设备600可以包括中央处理器100和存储器140;存储器140耦合到中央处理器100。值得注意的是,该图是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
一实施例中,高压断路器故障预警功能可以被集成到中央处理器100中。其中,中央处理器100可以被配置为进行如下控制:
高压直流断路器的故障预警方法,包括:
获取高压直流断路器的部件参数及预先建立的故障案例库;
根据所述的部件参数、故障案例库及预先建立的状态评价模型对高压直流断路器的部件进行状态评价及仿真生成部件状态评价数据、部件剩余寿命数据;
根据所述的部件状态评价数据、部件剩余寿命数据生成高压直流断路器的故障预警结果。
在另一个实施方式中,高压断路器故障预警装置可以与中央处理器100分开配置,例如可以将高压断路器故障预警装置配置为与中央处理器100连接的芯片,通过中央处理器的控制来实现高压断路器故障预警功能。
如图4所示,该电子设备600还可以包括:通信模块110、输入单元120、音频处理单元130、显示器160、电源170。值得注意的是,电子设备600也并不是必须要包括图4中所示的所有部件;此外,电子设备600还可以包括图4中没有示出的部件,可以参考现有技术。
如图4所示,中央处理器100有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器100接收输入并控制电子设备600的各个部件的操作。
其中,存储器140,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序,以实现信息存储或处理等。
输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器140可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142,该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。
存储器140还可以包括数据存储部143,该数据存储部143用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100,以提供输入信号和接收输出信号,这可以和常规移动通信终端的情况相同。
基于不同的通信技术,在同一电子设备中,可以设置有多个通信模块110,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132,以经由扬声器131提供音频输出,并接收来自麦克风132的音频输入,从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器130还耦合到中央处理器100,从而使得可以通过麦克风132能够在本机上录音,且使得可以通过扬声器131来播放本机上存储的声音。
本发明实施例还提供一种计算机可读程序,其中当在电子设备中执行所述程序时,所述程序使得计算机在所述电子设备中执行如上面实施例所述的高压断路器故障预警方法。
本发明实施例还提供一种存储有计算机可读程序的存储介质,其中所述计算机可读程序使得计算机在电子设备中执行上面实施例所述的高压断路器故障预警。
本发明提供的高压直流断路器故障预警方法及装置,获取高压直流断路器的部件参数及预先建立的故障案例库,根据部件参数、故障案例库及预先建立的状态评价模型对高压直流断路器的部件进行状态评价及仿真生成部件状态评价数据、部件剩余寿命数据,根据部件状态评价数据、部件剩余寿命数据生成高压直流断路器的故障预警结果可用于指导高压直流断路器的运维检修,利用现有数据库,帮助运维检修人员提前预知高压直流断路器的组部件缺陷,制定前瞻性运维检修计划,保障高压直流断路器的安全稳定运行。
以上参照附图描述了本发明的优选实施方式。这些实施方式的许多特征和优点根据该详细的说明书是清楚的,因此所附权利要求旨在覆盖这些实施方式的落入其真实精神和范围内的所有这些特征和优点。此外,由于本领域的技术人员容易想到很多修改和改变,因此不是要将本发明的实施方式限于所例示和描述的精确结构和操作,而是可以涵盖落入其范围内的所有合适修改和等同物。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (14)
1.一种高压直流断路器的故障预警方法,其特征在于,所述的方法包括:
获取高压直流断路器的部件参数及预先建立的故障案例库;
根据所述的部件参数、故障案例库及预先建立的状态评价模型对高压直流断路器的部件进行状态评价及仿真生成部件状态评价数据、部件剩余寿命数据;
根据所述的部件状态评价数据、部件剩余寿命数据生成高压直流断路器的故障预警结果。
2.如权利要求1所述的高压直流断路器的故障预警方法,其特征在于,所述的部件参数包括:高压直流断路器部件的快速机械开关动作时间、动作次数、运行噪音,IGBT结温、运行噪音及MOV吸能次数;
所述的故障案例库包括:高压直流断路器部件的故障案例数据、故障时的组部件运行参数;
所述的高压直流断路器部件包括:快速机械开关、电力电子组件、MOV、储能原件及供能变压器。
3.如权利要求1所述的高压直流断路器的故障预警方法,其特征在于,所述的根据所述的部件参数、故障案例库及预先建立的状态评价模型对高压直流断路器的部件进行状态评价及仿真生成部件状态评价数据、部件剩余寿命数据包括:
根据所述的部件参数、故障案例库及所述状态评价模型中的评分模型对高压直流断路器的部件进行状态评价生成部件状态评价数据;
根据所述的部件参数、故障案例库及所述状态评价模型中的仿真模型对高压直流断路器的部件进行仿真确定部件剩余寿命数据。
4.如权利要求3所述的高压直流断路器的故障预警方法,其特征在于,所述的根据所述的部件参数、故障案例库及所述状态评价模型中的评分模型对高压直流断路器的部件进行状态评价生成部件状态评价数据包括:
根据所述的部件参数、故障案例库确定部件的设备基础评分、设备家族缺陷评分、设备试验评分及设备缺陷评分;
根据确定的设备基础评分、设备家族缺陷评分、设备试验评分及设备缺陷评分利用预设的评分模型生成部件状态评价数据。
5.如权利要求要求3所述的高压直流断路器的故障预警方法,其特征在于,所述的根据所述的部件参数、故障案例库及所述状态评价模型中的仿真模型对高压直流断路器的部件进行仿真确定部件剩余寿命数据包括:
根据所述部件参数和预先训练建立的仿真模型进行实时仿真生成部件仿真数据;
根据所述的部件仿真数据和所述的故障案例库利用预设的预测算法确定部件剩余寿命数据。
6.如权利要求5所述的高压直流断路器的故障预警方法,其特征在于,所述的方法还包括:
根据所述部件仿真数据和部件参数对所述的仿真模型进行修正。
7.一种高压直流断路器的故障预警装置,其特征在于,所述的装置包括:
数据获取模块,用于获取高压直流断路器的部件参数及预先建立的故障案例库;
状态评价模块,用于根据所述的部件参数、故障案例库及预先建立的状态评价模型对高压直流断路器的部件进行状态评价及仿真生成部件状态评价数据、部件剩余寿命数据;
预警模块,用于根据所述的部件状态评价数据、部件剩余寿命数据生成高压直流断路器的故障预警结果。
8.如权利要求7所述的高压直流断路器的故障预警装置,其特征在于,所述的部件参数包括:高压直流断路器部件的快速机械开关动作时间、动作次数、运行噪音,IGBT结温、运行噪音及MOV吸能次数;
所述的故障案例库包括:高压直流断路器部件的故障案例数据、故障时的组部件运行参数;
所述的高压直流断路器部件包括:快速机械开关、电力电子组件、MOV、储能原件及供能变压器。
9.如权利要求7所述的高压直流断路器的故障预警装置,其特征在于,所述的状态评价模块包括:
评价单元,用于根据所述的部件参数、故障案例库及所述状态评价模型中的评分模型对高压直流断路器的部件进行状态评价生成部件状态评价数据;
仿真单元,用于根据所述的部件参数、故障案例库及所述状态评价模型中的仿真模型对高压直流断路器的部件进行仿真确定部件剩余寿命数据。
10.如权利要求9所述的高压直流断路器的故障预警装置,其特征在于,所述的评价单元根据所述的部件参数、故障案例库及所述状态评价模型中的评分模型对高压直流断路器的部件进行状态评价生成部件状态评价数据包括:
根据所述的部件参数、故障案例库确定部件的设备基础评分、设备家族缺陷评分、设备试验评分及设备缺陷评分;
根据确定的设备基础评分、设备家族缺陷评分、设备试验评分及设备缺陷评分利用预设的评分模型生成部件状态评价数据。
11.如权利要求要求9所述的高压直流断路器的故障预警装置,其特征在于,所述的仿真单元根据所述的部件参数、故障案例库及所述状态评价模型中的仿真模型对高压直流断路器的部件进行仿真确定部件剩余寿命数据包括:
根据所述部件参数和预先训练建立的仿真模型进行实时仿真生成部件仿真数据;
根据所述的部件仿真数据和所述的故障案例库利用预设的预测算法确定部件剩余寿命数据。
12.如权利要求11所述的高压直流断路器的故障预警装置,其特征在于,所述的装置还包括:
修正模块,用于根据所述部件仿真数据和部件参数对所述的仿真模型进行修正。
13.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6任一项所述方法。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至6任一项所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111277022.9A CN114091296B (zh) | 2021-10-29 | 2021-10-29 | 高压直流断路器的故障预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111277022.9A CN114091296B (zh) | 2021-10-29 | 2021-10-29 | 高压直流断路器的故障预警方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114091296A true CN114091296A (zh) | 2022-02-25 |
CN114091296B CN114091296B (zh) | 2024-05-10 |
Family
ID=80298304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111277022.9A Active CN114091296B (zh) | 2021-10-29 | 2021-10-29 | 高压直流断路器的故障预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114091296B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117233593A (zh) * | 2023-11-14 | 2023-12-15 | 国网经济技术研究院有限公司 | 一种高压直流断路器稳定性评估方法、装置及介质 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020174384A1 (en) * | 2001-05-16 | 2002-11-21 | Graichen Catherine Mary | System, method and computer product for performing automated predictive reliability |
US20040167731A1 (en) * | 2002-12-23 | 2004-08-26 | Abb, Inc. | Failure rate adjustment for electric power network reliability analysis |
CN101727543A (zh) * | 2009-11-30 | 2010-06-09 | 国网电力科学研究院武汉南瑞有限责任公司 | 震后电网设施剩余寿命柔性过程模型诊断方法 |
CN102222276A (zh) * | 2011-05-16 | 2011-10-19 | 广东电网公司深圳供电局 | 电网二次设备状态检修方法及装置 |
CN103714493A (zh) * | 2014-01-10 | 2014-04-09 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | Sf6断路器剩余寿命评估方法 |
JP2016201794A (ja) * | 2015-04-10 | 2016-12-01 | 富士通株式会社 | 故障検出装置、方法及びシステム |
CN109521348A (zh) * | 2018-11-12 | 2019-03-26 | 重庆大学 | 一种直流断路器用igbt模块的可靠性测试及寿命评估方法 |
CN109829179A (zh) * | 2017-11-23 | 2019-05-31 | 施耐德电器工业公司 | 用于预测产品的关于故障的行为的方法 |
CN110705038A (zh) * | 2019-09-10 | 2020-01-17 | 国网浙江省电力有限公司嘉兴供电公司 | 一种高压断路器生命周期评估及故障预警方法 |
CN111472410A (zh) * | 2020-05-13 | 2020-07-31 | 雷沃工程机械集团有限公司 | 一种挖掘机电气元件故障预报警方法及系统 |
CN111624986A (zh) * | 2020-06-17 | 2020-09-04 | 国网山东省电力公司莱芜供电公司 | 基于案例库的故障诊断方法和系统 |
CN112700101A (zh) * | 2020-12-25 | 2021-04-23 | 国家电网有限公司 | 一种基于故障树方程的直流保护系统可靠性评价方法 |
CN112713649A (zh) * | 2020-10-22 | 2021-04-27 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于极限学习机的电力设备剩余寿命预测方法 |
WO2021097604A1 (zh) * | 2019-11-18 | 2021-05-27 | 株洲中车时代电气股份有限公司 | 一种基于多信息融合的变流器的故障预警方法及装置 |
CN112906237A (zh) * | 2021-03-10 | 2021-06-04 | 南京航空航天大学 | 一种发动机部件故障分析方法及系统 |
CN113468745A (zh) * | 2021-06-30 | 2021-10-01 | 山东大学 | 一种基于历史故障的配电网可靠性快速评估方法及系统 |
CN113536522A (zh) * | 2021-02-09 | 2021-10-22 | 北华大学 | 一种基于威布尔比例风险模型的断路器寿命监测与维修方法 |
-
2021
- 2021-10-29 CN CN202111277022.9A patent/CN114091296B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020174384A1 (en) * | 2001-05-16 | 2002-11-21 | Graichen Catherine Mary | System, method and computer product for performing automated predictive reliability |
US20040167731A1 (en) * | 2002-12-23 | 2004-08-26 | Abb, Inc. | Failure rate adjustment for electric power network reliability analysis |
CN101727543A (zh) * | 2009-11-30 | 2010-06-09 | 国网电力科学研究院武汉南瑞有限责任公司 | 震后电网设施剩余寿命柔性过程模型诊断方法 |
CN102222276A (zh) * | 2011-05-16 | 2011-10-19 | 广东电网公司深圳供电局 | 电网二次设备状态检修方法及装置 |
CN103714493A (zh) * | 2014-01-10 | 2014-04-09 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | Sf6断路器剩余寿命评估方法 |
JP2016201794A (ja) * | 2015-04-10 | 2016-12-01 | 富士通株式会社 | 故障検出装置、方法及びシステム |
CN109829179A (zh) * | 2017-11-23 | 2019-05-31 | 施耐德电器工业公司 | 用于预测产品的关于故障的行为的方法 |
CN109521348A (zh) * | 2018-11-12 | 2019-03-26 | 重庆大学 | 一种直流断路器用igbt模块的可靠性测试及寿命评估方法 |
CN110705038A (zh) * | 2019-09-10 | 2020-01-17 | 国网浙江省电力有限公司嘉兴供电公司 | 一种高压断路器生命周期评估及故障预警方法 |
WO2021097604A1 (zh) * | 2019-11-18 | 2021-05-27 | 株洲中车时代电气股份有限公司 | 一种基于多信息融合的变流器的故障预警方法及装置 |
CN111472410A (zh) * | 2020-05-13 | 2020-07-31 | 雷沃工程机械集团有限公司 | 一种挖掘机电气元件故障预报警方法及系统 |
CN111624986A (zh) * | 2020-06-17 | 2020-09-04 | 国网山东省电力公司莱芜供电公司 | 基于案例库的故障诊断方法和系统 |
CN112713649A (zh) * | 2020-10-22 | 2021-04-27 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于极限学习机的电力设备剩余寿命预测方法 |
CN112700101A (zh) * | 2020-12-25 | 2021-04-23 | 国家电网有限公司 | 一种基于故障树方程的直流保护系统可靠性评价方法 |
CN113536522A (zh) * | 2021-02-09 | 2021-10-22 | 北华大学 | 一种基于威布尔比例风险模型的断路器寿命监测与维修方法 |
CN112906237A (zh) * | 2021-03-10 | 2021-06-04 | 南京航空航天大学 | 一种发动机部件故障分析方法及系统 |
CN113468745A (zh) * | 2021-06-30 | 2021-10-01 | 山东大学 | 一种基于历史故障的配电网可靠性快速评估方法及系统 |
Non-Patent Citations (1)
Title |
---|
王俏文;丁坚勇;陶文伟;冯管印;: "基于层次分析模型的二次设备状态检修方法", 南方电网技术, no. 04, 20 August 2013 (2013-08-20) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117233593A (zh) * | 2023-11-14 | 2023-12-15 | 国网经济技术研究院有限公司 | 一种高压直流断路器稳定性评估方法、装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114091296B (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3975378A1 (en) | Charging method and apparatus, charging system, electronic device, storage medium | |
KR101787901B1 (ko) | 전력설비 진단장치 | |
CN110276066A (zh) | 实体关联关系的分析方法及相关装置 | |
CN108960629A (zh) | 维修任务的分配方法、装置及计算机可读存储介质 | |
CN109815155A (zh) | 一种游戏测试的方法及装置、电子设备、存储介质 | |
CN114091296A (zh) | 高压直流断路器的故障预警方法及装置 | |
CN111881948A (zh) | 神经网络模型的训练方法及装置、数据的分类方法及装置 | |
US11436393B2 (en) | Method and device for monitoring a power supply device of a traffic system | |
KR920020341A (ko) | 회로로직기능 자동판정장치 및 방법 | |
US11756179B2 (en) | Training method for anomaly detection model and electronic device using the same | |
CN110837852A (zh) | 一种轧机齿轮箱的故障诊断方法、装置及终端设备 | |
CN110988563A (zh) | 一种ups故障检测方法、装置、设备和存储介质 | |
CN115858311A (zh) | 运维监控的方法、装置、电子设备及可读存储介质 | |
CN108764645A (zh) | 一种光伏发电站低电压穿越性能评估方法及系统 | |
CN114219306A (zh) | 用于建立焊接质量检测模型的方法、设备、介质及程序产品 | |
CN111062488A (zh) | 舞动轨迹预警方法及系统 | |
CN113705074A (zh) | 一种化工事故风险预测方法及装置 | |
CN116305683A (zh) | 基于样本均衡化的电力系统暂态稳定评估方法及系统 | |
CN116360294A (zh) | 基于有源配电网的仿真方法及装置 | |
CN115276082A (zh) | 一种光伏逆变器孤岛状态确定方法、终端及系统 | |
CN117689198A (zh) | 高压直流断路器的开断故障电流风险评估方法及装置 | |
US20220366674A1 (en) | Learning device, image processing device, parameter generation device, learning method, and image processing method | |
CN115392579A (zh) | 风机发电lcoe指标预测方法及装置 | |
CN115409647A (zh) | 一种基于人工智能的能量路由器寿命预测方法和装置 | |
CN117214590B (zh) | 一种可编程逆变器出厂自动化测试方法、系统及介质 |
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 |