CN114660399B - 一种环网柜设备状态监测及故障诊断方法 - Google Patents
一种环网柜设备状态监测及故障诊断方法 Download PDFInfo
- Publication number
- CN114660399B CN114660399B CN202210188328.5A CN202210188328A CN114660399B CN 114660399 B CN114660399 B CN 114660399B CN 202210188328 A CN202210188328 A CN 202210188328A CN 114660399 B CN114660399 B CN 114660399B
- Authority
- CN
- China
- Prior art keywords
- fault
- main unit
- ring main
- data
- equipment
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 52
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000010219 correlation analysis Methods 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims description 21
- 125000004122 cyclic group Chemical group 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000009413 insulation Methods 0.000 claims description 3
- 238000002955 isolation Methods 0.000 claims description 3
- 230000001012 protector Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 13
- 238000007689 inspection Methods 0.000 abstract description 8
- 238000011897 real-time detection Methods 0.000 abstract 1
- 230000008901 benefit Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000015654 memory Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910018503 SF6 Inorganic materials 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- SFZCNBIFKDRMGX-UHFFFAOYSA-N sulfur hexafluoride Chemical compound FS(F)(F)(F)(F)F SFZCNBIFKDRMGX-UHFFFAOYSA-N 0.000 description 1
- 229960000909 sulfur hexafluoride Drugs 0.000 description 1
- 239000013598 vector Substances 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
- G06N3/065—Analogue means
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Neurology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种环网柜设备状态监测及故障诊断方法，包括步骤一、采集环网柜设备的运行数据，并根据运行数据确定环网柜设备的异常状态信息；步骤二、获取环网柜设备的设备信息，并根据设备信息和异常状态信息生成故障诊断工单；步骤三、根据故障诊断工单，基于元器件的状态数据与异常状态信息的相关性分析，采集环网柜设备的多个相关元器件的状态数据；步骤四、将多个相关元器件的状态数据输入到故障分析模型中，确定环网柜设备的故障类型。本发明通过采集环网柜设备的运行数据，及时发现设备异常信息，生成故障诊断工单，进而利用故障分析模型，快速确定故障类型，实时检测，无需人工巡检，为设备运维人员的维修提供先验信息。
Description
技术领域
本发明涉及电力设备监测与检修技术领域，特别涉及一种环网柜设备状态监测及故障诊断方法。
背景技术
近年来我国不断加大配电网建设投资，城市配电网得到了快速的发展，供电质量显著提升，环网柜凭借其结构简单、安装方式灵活等优点得到了大规模的应用，由于环网柜数量多且分散在户外，维护难度大，一次设备的状态监测和运维巡检工作压力巨大，随着对环网柜的运维工作要求日益增高，传统的巡检工作主要依靠人工定期巡视进行检查，运维人员借助红外测温仪、局放检测仪、六氟化硫压力表等设备进行现场检测以评估环网柜的运行状态，无法实时掌握设备运行情况，经常会出现环网柜处于缺陷状态长期运行，最终导致停电事故发生。
发明内容
本发明提供了一种环网柜设备状态监测及故障诊断方法，通过采集环网柜设备的运行数据，及时发现设备异常信息，生成故障诊断工单，进而利用故障分析模型，快速确定故障类型，实时检测，无需人工巡检，为设备运维人员的维修提供先验信息。
本发明的技术方案为：
一种环网柜设备状态监测及故障诊断方法，包括：
步骤一、采集环网柜设备的运行数据，并根据运行数据确定环网柜设备的异常状态信息；
步骤二、获取环网柜设备的设备信息，并根据设备信息和异常状态信息生成故障诊断工单；
步骤三、根据故障诊断工单，基于元器件的状态数据与异常状态信息的相关性分析，采集环网柜设备的多个相关元器件的状态数据；
步骤四、将多个相关元器件的状态数据输入到故障分析模型中，确定环网柜设备的故障类型。
优选的是，运行数据包括运行电压、运行电流和运行温度。
优选的是，步骤一包括：
根据环网柜设备运行数据的历史故障数据集，设定运行电压阈值区间，运行电流阈值区间和运行温度阈值区间；
若运行电压超出运行电压阈值区间，则生成电压异常状态信息；
若运行电流超出所述运行电流阈值区间，则生成电流异常状态信息；
若运行温度超出所述运行温度阈值区间，则生成温度异常状态信息。
优选的是，元器件状态数据与异常状态信息的相关性分析包括：
获取环网柜设备故障数据，以构建故障数据集，故障数据包括异常状态信息、多个元器件的状态数据和故障类型；
分别计算单个元器件的状态数据与异常状态信息的相关性系数，并按照相关性系数值排序得到相关性列表；
按照排序从相关性列表中筛选故障类型对应的多个相关元器件。
优选的是，元器件包括：电压互感器、电流互感器、通信传感器、负荷开关、真空断路器、过电压保护器、高压带电显示器、高压熔断器、避雷器和隔离刀闸。
优选的是，故障分析模型包括：
以相关元器件的状态数据为输入层，故障类型为输出层建立变分循环神经网络模型；
采用半监督的学习方式，对变分循环神经网络模型进行训练和更新，得到故障类型分析模型。
优选的是，故障类型包括传动系统故障、开合故障、绝缘故障、截流故障和通信故障。
优选的是，相关性系数通过计算得到，计算公式为：
其中，x表示元器件的状态数据，y表示异常状态信息，S(x，y)表示元器件状态数据x与异常状态信息y表的相关性系数，μx表示状态数据均值，μy表示异常状态信息均值，
表示状态数据方差，
表示异常状态信息方差，
表示元器件状态数据x与异常状态信息y的像素协方差，C1，C2，C3表示极小参数。
优选的是，变分循环神经网络模型，包括：
设定变分循环神经网络模型的隐变量为正态分布，并利用长短期记忆网络中的隐藏状态对隐变量进行映射变换；
对隐变量的近似后验分布进行采样，并使用解码网络对隐变量进行映射变换，得到重构的输入层数据的分布参数；
利用重构的输入层数据的分布参数和隐变量更新变分循环神经网络模型；
利用编码网络对重构的输入层数据的分布参数进行映射变换，学习一个近似的后验分布以逼近隐变量的真实后验分布。
优选的是，半监督学习包括：
以故障数据集为训练集，对变分循环神经网络模型进行训练及参数更新；
对于变分编码器，引入时间特征作为新的变分下界。
本发明的有益效果是：
1、本发明提供了一种环网柜设备状态监测及故障诊断方法，通过采集环网柜设备的运行数据，及时发现设备异常信息，生成故障诊断工单，进而利用故障分析模型，快速确定故障类型，实时检测，无需人工巡检，为设备运维人员的维修提供先验信息。
2、本发明基于相关性分析筛选出故障类型对应的多个相关元器件，相比于经验性筛选更具有科学性，通过筛选对数据进行降维，提高了故障模型学习的学习和计算的速度，提高预测速率。
3、本发明采用变分循环网络构建故障分类模型，不仅考虑相关元器件的状态数据对于故障类型的综合影响，同时考虑了相关元器件的状态数据的时间特征对于模型分析结果的影响，提高了模型预判的准确性。
附图说明
图1为本发明提供的一种环网柜设备状态监测及故障诊断方法的流程图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例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。
“内”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。
如图1所示，一种环网柜设备状态监测及故障诊断方法，包括
S110、采集环网柜设备的运行数据，并根据运行数据确定环网柜设备的异常状态信息。
其中，运行数据包括运行电压、运行电流和运行温度。
定环网柜设备的异常状态信息的过程，具体包括：
根据环网柜设备运行数据的历史故障数据集，设定运行电压阈值区间，运行电流阈值区间和运行温度阈值区间；
若运行电压超出运行电压阈值区间，则生成电压异常状态信息；
若运行电流超出所述运行电流阈值区间，则生成电流异常状态信息；
若运行温度超出所述运行温度阈值区间，则生成温度异常状态信息。
S120、获取环网柜设备的设备信息，并根据设备信息和异常状态信息生成故障诊断工单。
发现环网柜设备可能存在异常，立即获得环网柜设备的信息，将设备信息和异常状态汇总，形成故障诊断工单，故障诊断工单可以作为触发故障诊断的指令，同时故障诊断工单留存。
S130、根据故障诊断工单，基于元器件的状态数据与异常状态信息的相关性分析，采集环网柜设备的多个相关元器件的状态数据。
其中，元器件状态数据与异常状态信息的相关性分析包括：
获取环网柜设备故障数据，以构建故障数据集，故障数据包括异常状态信息、多个元器件的状态数据和故障类型；
分别计算单个元器件的状态数据与异常状态信息的相关性系数，并按照相关性系数值排序得到相关性列表；
相关性系数的计算公式为：
其中，x表示元器件的状态数据，y表示异常状态信息，S(x，y)表示元器件状态数据x与异常状态信息y表的相关性系数，μx表示状态数据均值，μy表示异常状态信息均值，
表示状态数据方差，
表示异常状态信息方差，
表示元器件状态数据x与异常状态信息y的像素协方差，C1，C2，C3表示极小参数。
按照排序从相关性列表中筛选故障类型对应的多个相关元器件。
具体的，元器件包括：电压互感器、电流互感器、通信传感器、负荷开关、真空断路器、过电压保护器、高压带电显示器、高压熔断器、避雷器和隔离刀闸。
具体的，故障类型包括传动系统故障、开合故障、绝缘故障、截流故障和通信故障。
S140、将多个相关元器件的状态数据输入到故障分析模型中，确定环网柜设备的故障类型。
以相关元器件的状态数据为输入层，故障类型为输出层建立变分循环神经网络模型；
采用半监督的学习方式，对变分循环神经网络模型进行训练和更新，得到故障类型分析模型。
本发明采用变分循环神经网络模型，以相关元器件的状态数据为输入层，对于t时刻的输入数据xt，用长度为w的矢量xt-w+1，xt-w，…xt表示。
首先，设定变分循环神经网络模型的隐变量为正态分布，在每一个时间点t上都包含变分编码器模块，隐变量z变为zt，并利用长短期记忆网络中的隐藏状态ht-1对隐变量zt进行映射变换；
其中，
表示先验分布zt的均值，
表示先验分布zt的标准差，
表示神经网络。
神经网络
使用前一时刻隐藏层的状态ht-1对zt的先验分布进行设定，说明隐变量zt不再是一个独立的变量，而是受ht-1影响，这样使得变分循环神经网络模型能够更好的学习数据的时间依赖关系。
其中，神经网络
采用线性单元和非线性激活函数relu和softplus.
然后，对隐变量的近似后验分布进行采样，并使用解码网络对隐变量进行映射变换，得到重构的输入层数据的分布参数；
在重构过程中不仅依赖于隐变量zt，还和前一时刻的隐藏状态ht-1有关，假设重建的xt的分布服从高斯分布，首先对隐变量zt的近似后验分布进行采样，接着对其使用解码网络进行映射变换，获得重建的xt的分布参数；
其中，
表示重构xt时的高斯分布的均值，
表示重构xt时的高斯分布的标准差，
表示解码网络，负责生成重构xt的分布均值和分布标准差，
负责从隐变量zt中提取特征。
再者，利用重构的输入层数据的分布参数和隐变量更新变分循环神经网络模型；
其中，f表示长短期记忆网络，其对隐藏状态进行更新时，不仅使用了输入变量xt，还使用了隐变量z，这样，变分循环神经网络就将变分自编码器和长短期记忆网络中的时间特征相关性结合在了一起，从而拥有强大的建模能力。
最后，利用编码网络对重构的输入层数据的分布参数进行映射变换，学习一个近似的后验分布以逼近隐变量的真实后验分布；
其中，
表示隐变量zt的近似后验分布的均值，
表示隐变量zt的近似后验分布的标准差，
表示编码网络，对隐变量zt的近似后验分布的均值和标准差进行推断。
在建立变分循环神经网络模型后，以故障数据集为训练集，对变分循环神经网络模型进行训练及参数更新；对于变分编码器，引入时间特征作为新的变分下界。
以故障数据集为训练集，对变分循环神经网络模型进行训练及参数更新；
对于变分编码器，引入时间特征作为新的变分下界。
本发明实施例中提供的技术方案，至少具有如下技术效果或优点：
本发明提供了一种环网柜设备状态监测及故障诊断方法，通过采集环网柜设备的运行数据，及时发现设备异常信息，生成故障诊断工单，进而利用故障分析模型，快速确定故障类型，实时检测，无需人工巡检，为设备运维人员的维修提供先验信息。本发明基于相关性分析筛选出故障类型对应的多个相关元器件，相比于经验性筛选更具有科学性，通过筛选对数据进行降维，提高了故障模型学习的学习和计算的速度，提高预测速率。本发明采用变分循环网络构建故障分类模型，不仅考虑相关元器件的状态数据对于故障类型的综合影响，同时考虑了相关元器件的状态数据的时间特征对于模型分析结果的影响，提高了模型预判的准确性。
以上内容仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不脱离本发明的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。
Claims (9)
1.一种环网柜设备状态监测及故障诊断方法，其特征在于，包括：
步骤一、采集环网柜设备的运行数据，并根据所述运行数据确定所述环网柜设备的异常状态信息；
步骤二、获取所述环网柜设备的设备信息，并根据所述设备信息和所述异常状态信息生成故障诊断工单；
步骤三、根据所述故障诊断工单，基于元器件的状态数据与异常状态信息的相关性分析，采集所述环网柜设备的多个相关元器件的状态数据；
所述元器件状态数据与异常状态信息的相关性分析包括：
获取环网柜设备故障数据，以构建故障数据集，所述故障数据包括异常状态信息、多个元器件的状态数据和故障类型；
分别计算单个元器件的状态数据与异常状态信息的相关性系数，并按照相关性系数值排序得到相关性列表；
按照排序从所述相关性列表中筛选所述故障类型对应的多个相关元器件；
步骤四、将所述多个相关元器件的状态数据输入到故障分析模型中，确定所述环网柜设备的故障类型。
2.如权利要求1所述的环网柜设备状态监测及故障诊断方法，其特征在于，所述运行数据包括运行电压、运行电流和运行温度。
3.如权利要求2所述的环网柜设备状态监测及故障诊断方法，其特征在于，所述元器件状态数据与异常状态信息的相关性分析包括：
获取环网柜设备故障数据，以构建故障数据集，所述故障数据包括异常状态信息、多个元器件的状态数据和故障类型；
分别计算单个元器件的状态数据与异常状态信息的相关性系数，并按照相关性系数值排序得到相关性列表；
按照排序从所述相关性列表中筛选所述故障类型对应的多个相关元器件。
4.如权利要求3所述的环网柜设备状态监测及故障诊断方法，其特征在于，所述元器件包括：电压互感器、电流互感器、通信传感器、负荷开关、真空断路器、过电压保护器、高压带电显示器、高压熔断器、避雷器和隔离刀闸。
5.如权利要求4所述的环网柜设备状态监测及故障诊断方法，其特征在于，所述故障分析模型包括：
以所述相关元器件的状态数据为输入层，故障类型为输出层建立变分循环神经网络模型；
采用半监督的学习方式，对所述变分循环神经网络模型进行训练和更新，得到故障类型分析模型。
6.如权利要求5所述的环网柜设备状态监测及故障诊断方法，其特征在于，所述故障类型包括传动系统故障、开合故障、绝缘故障、截流故障和通信故障。
7.如权利要求6所述的环网柜设备状态监测及故障诊断方法，其特征在于，所述相关性系数通过计算得到，计算公式为：
其中，x表示元器件的状态数据，y表示异常状态信息，S(x，y)表示元器件状态数据x与异常状态信息y表的相关性系数，μx表示状态数据均值，μy表示异常状态信息均值，
表示状态数据方差，
表示异常状态信息方差，
表示元器件状态数据x与异常状态信息y的像素协方差，C1，C2，C3表示极小参数。
8.如权利要求7所述的环网柜设备状态监测及故障诊断方法，其特征在于，所述变分循环神经网络模型，包括：
设定变分循环神经网络模型的隐变量为正态分布，并利用长短期记忆网络中的隐藏状态对所述隐变量进行映射变换；
对所述隐变量的近似后验分布进行采样，并使用解码网络对所述隐变量进行映射变换，得到重构的输入层数据的分布参数；
利用所述重构的输入层数据的分布参数和所述隐变量更新所述变分循环神经网络模型；
利用编码网络对所述重构的输入层数据的分布参数进行映射变换，学习一个近似的后验分布以逼近所述隐变量的真实后验分布。
9.如权利要求8所述的环网柜设备状态监测及故障诊断方法，其特征在于，所述半监督学习包括：
以所述故障数据集为训练集，对所述变分循环神经网络模型进行训练及参数更新；
对于变分编码器，引入时间特征作为新的变分下界。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210188328.5A CN114660399B (zh) | 2022-02-28 | 2022-02-28 | 一种环网柜设备状态监测及故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210188328.5A CN114660399B (zh) | 2022-02-28 | 2022-02-28 | 一种环网柜设备状态监测及故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114660399A CN114660399A (zh) | 2022-06-24 |
| CN114660399B true CN114660399B (zh) | 2022-12-06 |
Family
ID=82028229
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210188328.5A Active CN114660399B (zh) | 2022-02-28 | 2022-02-28 | 一种环网柜设备状态监测及故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114660399B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116436819B (zh) * | 2023-02-22 | 2024-06-21 | 深圳市昆腾电源科技有限公司 | 并机ups通信异常检测方法、装置及并机ups系统 |
| CN116953413B (zh) * | 2023-08-28 | 2024-05-31 | 建能电气股份有限公司 | 基于开关柜内部元器件的故障诊断系统 |
| CN117351276B (zh) * | 2023-09-28 | 2024-07-26 | 国网江苏省电力有限公司南通供电分公司 | 一种用于环网柜的智能监测方法及系统 |
| CN117691750B (zh) * | 2024-01-30 | 2024-04-09 | 深圳市森通电力科技有限公司 | 一种智能电力配电监控方法和系统 |
| CN118035925B (zh) * | 2024-04-11 | 2024-07-26 | 国网信息通信产业集团有限公司 | 一种基于电力大模型的数据处理系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103901298A (zh) * | 2014-03-13 | 2014-07-02 | 广东电网公司电力科学研究院 | 变电站设备运行状态的检测方法与系统 |
| WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
| CN106959400A (zh) * | 2017-02-28 | 2017-07-18 | 中国南方电网有限责任公司 | 一种基于异常点监测和大数据分析的二次设备隐患故障诊断方法 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3321487B2 (ja) * | 1993-10-20 | 2002-09-03 | 株式会社日立製作所 | 機器／設備診断方法およびシステム |
| JP5331774B2 (ja) * | 2010-10-22 | 2013-10-30 | 株式会社日立パワーソリューションズ | 設備状態監視方法およびその装置並びに設備状態監視用プログラム |
| CN203218737U (zh) * | 2013-04-16 | 2013-09-25 | 湖北拓普电力有限公司 | 固定式智能低压环网设备 |
| CN111340264A (zh) * | 2018-12-18 | 2020-06-26 | 中国移动通信集团广东有限公司 | 基于升级多差树模型的投诉升级预测方法及装置 |
| CN109887122A (zh) * | 2019-02-19 | 2019-06-14 | 南京洛普股份有限公司 | 一种船闸机电故障远程智能诊断方法及系统 |
| CN110726964A (zh) * | 2019-09-05 | 2020-01-24 | 国网新疆电力有限公司电力科学研究院 | 一种基于电压电流类计量异常远程诊断方法 |
| CN111666982B (zh) * | 2020-05-19 | 2023-04-18 | 上海核工程研究设计院股份有限公司 | 一种基于深度神经网络的机电设备故障诊断方法 |
| CN112461289A (zh) * | 2020-10-27 | 2021-03-09 | 国网山东省电力公司昌邑市供电公司 | 一种环网柜故障监控方法、系统、终端及存储介质 |
| CN113567805A (zh) * | 2021-07-01 | 2021-10-29 | 中国电力科学研究院有限公司 | 一种基于数据相关性的配电网故障诊断方法及装置 |
| CN113866574B (zh) * | 2021-09-24 | 2022-06-24 | 国网江苏省电力有限公司宿迁供电分公司 | 一种环网柜故障检测系统 |
| CN113962299A (zh) * | 2021-10-15 | 2022-01-21 | 上海核工程研究设计院有限公司 | 一种核电设备智能运行监测与故障诊断通用模型 |
-
2022
- 2022-02-28 CN CN202210188328.5A patent/CN114660399B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103901298A (zh) * | 2014-03-13 | 2014-07-02 | 广东电网公司电力科学研究院 | 变电站设备运行状态的检测方法与系统 |
| WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
| CN106959400A (zh) * | 2017-02-28 | 2017-07-18 | 中国南方电网有限责任公司 | 一种基于异常点监测和大数据分析的二次设备隐患故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114660399A (zh) | 2022-06-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114660399B (zh) | 一种环网柜设备状态监测及故障诊断方法 | |
| CN102779230B (zh) | 一种电力变压器系统状态分析和维修决策判断方法 | |
| CN109597396B (zh) | 一种基于大数据流及迁移学习的配变故障在线诊断方法 | |
| CN106226621A (zh) | 一种基于灰色关联分析的二次设备故障诊断和预警方法 | |
| CN114065875B (zh) | 基于大数据的电力电网故障识别系统 | |
| CN112883634B (zh) | 基于多维度分析的直流测量系统状态预测方法及系统 | |
| CN112149877B (zh) | 多元复杂城市电网多源数据驱动的故障预测方法及其系统 | |
| CN115372816B (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 | |
| CN112069930A (zh) | 提升gis设备故障诊断准确率的振动信号处理方法及装置 | |
| CN110163477A (zh) | 一种基于状态监测数据确定电力设备的运行状态的方法及系统 | |
| CN115453267A (zh) | 一种电力信息系统故障诊断系统 | |
| KR102604708B1 (ko) | 인공 지능 기반 수배전반 진단 시스템 및 방법 | |
| CN117612345A (zh) | 一种电力设备状态监测报警系统及方法 | |
| CN113763667A (zh) | 一种基于5g边缘计算的火灾预警及状态监测装置及方法 | |
| CN103631145A (zh) | 基于监控指标切换的多工况过程监控方法和系统 | |
| CN102930408B (zh) | 一种基于信息融合的750kV电网二次设备状态评估方法 | |
| CN113780401A (zh) | 基于主成分分析法的复合绝缘子故障检测方法及系统 | |
| CN117560300B (zh) | 一种智能物联网流量预测与优化系统 | |
| CN115081647A (zh) | 基于贝叶斯网络模型的工业智能仪表故障预诊断方法 | |
| CN114114001A (zh) | 一种gis设备隔离开关机械状态监测方法及系统 | |
| CN116796261B (zh) | 一种基于人工智能的封闭开关设备机械特性预测方法 | |
| CN109030976B (zh) | 一种电力电子设备监测诊断系统和方法 | |
| CN104573361B (zh) | 一种gis设备评估的方法和装置 | |
| CN113418632B (zh) | 一种油浸式变压器油温预测的概念漂移检测方法 | |
| Xu et al. | A Wavelet Transform and ResNet Based Method for Sensing the Operational Status of Secondary Equipment in the Distribution Room |
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 |