CN114693175A - 一种基于网源涉网试验的机组状态分析方法与系统 - Google Patents
一种基于网源涉网试验的机组状态分析方法与系统 Download PDFInfo
- Publication number
- CN114693175A CN114693175A CN202210495923.3A CN202210495923A CN114693175A CN 114693175 A CN114693175 A CN 114693175A CN 202210495923 A CN202210495923 A CN 202210495923A CN 114693175 A CN114693175 A CN 114693175A
- Authority
- CN
- China
- Prior art keywords
- unit
- state
- value
- network
- degree
- 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.)
- Pending
Links
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/08—Learning methods
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种基于网源涉网试验的机组状态分析方法与系统,所述方法包括获取电厂上送的涉网试验报告;提取对应的设备参数;将所述设备参数输入关联度计算公式,计算设备参数关联度;根据设备参数关联度计算结果,将设备参数进行分类,获取关联参数集合;从所述关联参数集合中选择强关联参数集合的信息并结合试验报告计算得出机组的劣化程度值;通过所述劣化程度值确定权重系数和基本扣分值,进而计算状态量应扣分值,进行最终运行状态判断,本发明可以根据网源机组涉网试验结果,及时更新机组状态,从而使得网源机组管理更加准确合理,能够及时的甄别出运行状态异常的机组,在未发生故障时及时进行预警,督促落实整改,保障电网安全。
Description
技术领域
本发明涉及一种基于网源涉网试验的机组状态分析方法与系统,属于电力系统技术领域。
背景技术
电网的发展承载着能源资源优化配置、降低能耗和有效利用新能源、推动新兴产业技术进步的使命,已成为我国能源战略的重要组成部分。作为智能电网建设的重要环节,随着电力电子装置的大量应用和大容量高压直流输电投入运行,我国电网“电力电子化”和“强直弱交”的特性日益明显。一方面,电网的新特性直接影响发电机组的运行。另一方面,发电机组的容量逐年增大,其运行状况也直接影响电网的安全。在这种新形势下,加强发电机组与电网之间的协调性研究意义重大,发电机涉网试验是预防性试验,是电力设备运行与维护的一个重要环节,是保证电力系统安全运行的有效手段之一。预防发生事故或设备损坏以及安全运行的重要措施。
现有技术主要是针对风电机组进行状态评估,但是对传统机组没有一套专门的评价体系,并且也没有将涉网试验的数据加入评价体系中进行动态的性能评估。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种基于网源涉网试验的机组状态分析方法与系统,可以根据网源机组涉网试验结果,及时更新机组状态,从而使得网源机组管理更加准确合理,能够及时的甄别出运行状态异常的机组,在未发生故障时及时进行预警,督促落实整改,保障电网安全。
为达到上述目的,本发明是采用下述技术方案实现的:
第一方面,本发明提供了一种基于网源涉网试验的机组状态分析方法,包括:
获取电厂上送的涉网试验报告,通过OCR图像识别技术将图片形式的试验报告转换为可编辑的文本信息;
将转换后的试验报告传入预先根据不同文件类型配置的设备参数模版,提取对应的设备参数;
将所述设备参数输入关联度计算公式,计算设备参数关联度;
根据设备参数关联度计算结果,将设备参数进行分类,获取关联参数集合;
从所述关联参数集合中选择与机组运行安全相关的且属于强关联参数集合的信息并结合试验报告计算得出机组的劣化程度值;
通过所述劣化程度值确定权重系数和基本扣分值,进而计算状态量应扣分值,进行最终运行状态判断。
进一步的,建立设备状态评估模型,评估机组的当前运行状态,包括:
通过多台机组多时段的历史数据为每台机组建立状态特性评估模型,即基于贝叶斯分类器的状态评估模型;
通过对现场数据的实时采集,计算得到当前状态属于不同类别的概率,公式如下:
y=f(x)=argmax
根据当前状态属于不同类别的概率,综合评估机组的当前运行状态。
进一步的,将机组各项指标综合汇总,形成机组安全评估报告,通过邮件的形式发送给对应系统专责。
进一步的,将所述设备参数输入关联度计算公式,计算设备参数关联度,包括:
假定要计算关联度的两序列分别为x,y,对x,y两序列进行无量纲处理;
求x,y两序列之间的关联系数ξ(xi),公式如下:
式中,ξ(xi)表示序列关联系统,ρ表示的是分辨系数,Δmin表示第二级最小差,Δmax表示两级最大差,Δoi(k)表示各比较数列Xi曲线上的每一个点与参考数列X0曲线上的每一个点的绝对差值;
计算不同序列之间在某时刻的关联度ri,公式如下:
式中,ri表示序列x对y的灰关联度,其中,ri值越接近1,则代表序列x与y的相关性越好。
进一步的,所述根据设备参数关联度计算结果,将设备参数进行分类,获取关联参数集合,包括:
根据设备参数关联度计算结果,构建机组各部件参数状态分类预测的神经网络模型;
随机选取包含低关联度以及高关联度的参数作为训练集以及验证集,选取一段包含无关联或者低关联的参数集合以及强关联度参数集合作为测试集,输入分类预测的神经网络模型中,得到分类预测值;
通过无监督聚类的方法对分类预测值进行聚类,得到关联参数集合。
进一步的,所述从所述关联参数集合中选择与机组运行安全相关的且属于强关联参数集合的信息并结合试验报告计算得出机组的劣化程度值,公式如下:
式中,g(x)为评判指标的劣化度;x为评判指标实测值;α为该指标允许值;α或β为该指标上下限值,θ为劣化程度限值。
进一步的,通过所述劣化程度值确定权重系数和基本扣分值,进而计算状态量应扣分值,并计算得到最终运行状态评分包括:
通过所述劣化程度值确定权重系数和基本扣分值;
将该状态量的基本扣分值乘以权重系数计算得到状态量应扣分值;
将状态量应扣分值与预先设定基本评价标准进行比较,进行最终运行状态判断。
第二方面,本发明提供一种基于网源涉网试验的机组状态分析系统,包括:
涉网试验报告数字化单元,用于获取电厂上送的涉网试验报告,通过OCR图像识别技术将图片形式的试验报告转换为可编辑的文本信息;
验报告参数提取单元,用于将转换后的试验报告传入预先根据不同文件类型配置的设备参数模版,提取对应的设备参数;
参数关联度计算单元,用于将所述设备参数输入关联度计算公式,计算设备参数关联度;
参数状态分类单元,用于根据设备参数关联度计算结果,将设备参数进行分类,获取关联参数集合;
机组的劣化程度计算单元,用于从所述关联参数集合中选择与机组运行安全相关的且属于强关联参数集合的信息并结合试验报告计算得出机组的劣化程度值;
参数状态评估单元,用于通过所述劣化程度值确定权重系数和基本扣分值,进而计算状态量应扣分值,进行最终运行状态判断。
第三方面,本发明提供一种基于网源涉网试验的机组状态分析装置,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据前述任一项所述方法的步骤。
第四方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前述任一项所述方法的步骤。
与现有技术相比,本发明所达到的有益效果:
本发明提供一种基于网源涉网试验的机组状态分析方法与系统,可以根据网源机组涉网试验结果,及时更新机组状态,从而使得网源机组管理更加准确合理,能够及时的甄别出运行状态异常的机组,在未发生故障时及时进行预警,督促落实整改,保障电网安全。
附图说明
图1是本发明实施例提供的一种基于网源涉网试验的机组状态分析方法的流程图;
图2是本发明实施例提供的分类情况要素图谱示意图;
图3是本发明实施例提供的试验报告截图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例1
本实施例介绍一种基于网源涉网试验的机组状态分析方法,包括:
获取电厂上送的涉网试验报告,通过OCR图像识别技术将图片形式的试验报告转换为可编辑的文本信息;
将转换后的试验报告传入预先根据不同文件类型配置的设备参数模版,提取对应的设备参数;
将所述设备参数输入关联度计算公式,计算设备参数关联度;
根据设备参数关联度计算结果,将设备参数进行分类,获取关联参数集合;
从所述关联参数集合中选择与机组运行安全相关的且属于强关联参数集合的信息并结合试验报告计算得出机组的劣化程度值;
通过所述劣化程度值确定权重系数和基本扣分值,进而计算状态量应扣分值,进行最终运行状态判断。
本实施例提供的基于网源涉网试验的机组状态分析方法,其应用过程具体涉及如下步骤:
本发明由包括网源涉网试验结果分析、机组运行状态性能评价管理。
网源涉网试验结果分析:网源涉网试验结果分析功能实现通过对试验报告抽取关键涉网参数,将其存入数据库中,对每项参数的数值进行分析,判断其是否处于合理区间内。
机组运行状态性能评价管理:构建机组运行状态性能评价体系,将对应机组的各项试验报告综合统计分析,对重要指标进行加权求和计算,得出机组运行状态评分,生成机组性能评估报告反馈给系统专责。
步骤1:涉网试验报告数字化:网源协调管理平台根据电厂上送的涉网试验文件进行处理,通过OCR图像识别技术将图片形式的试验报告转化为可编辑的文本信息。
步骤2:试验报告参数提取:根据不同文件类型预先配置需提取信息的参数模版,将转换后的试验报告传入,获得对应的参数信息。
步骤3:参数关联度计算:一个设备具有很多的参数,如风机,它的参数可能包括电机电流、电机线圈温度、轴承温度、振动值、进出口介质温度和流量等,这些参数间是有复杂的关联关系的,通过计算参数间的关联度这种手段剔除一些对设备运行状态影响不大的参数信息;
(1)假定要计算关联度的两序列分别为x,y。
(2)对x,y两序列进行无量纲处理。由于x,y两序列可能代表着不同的意义,所以量纲未必相同,以至于比较起来不是很方便,甚至无法得到准确结论。所以,当计算关联度之前,需要对数据进行预处理,即通常所说的无量纲化。
(3)求x,y两序列之间的关联系数ξ(xi),如公式(3-2)即为其计算公式。其中,ρ表示的是分辨系数,一般取值范围位于0和1之间,通常取为0.5即可。
式中,ξ(xi)表示序列关联系统,Δmin表示第二级最小差,Δmax表示两级最大差,Δoi(k)表示各比较数列Xi曲线上的每一个点与参考数列X0曲线上的每一个点的绝对差值。
(4)求关联度ri
该参数的计算应用了公式(3-3),计算结果表示的是不同序列之间在某时刻的关联度。
式中ri——序列x对y的灰关联度。
ri值越接近1,则代表序列x与y的相关性越好。
步骤4:参数状态分类:根据设备参数关联度计算结果,将设备参数分类进行状态评估值计算,参数关联度越高时,说明两个参数间影响越强,当一个参数的变化将影响到另一个参数的变化,构建机组各部件参数状态分类预测的神经网络模型,随机选取包含低关联度以及高关联度的参数作为训练集以及验证集,选取一段包含无关联或者低关联的参数集合以及强关联度参数集合作为测试集,输入分类预测的神经网络中,得到分类预测值,通过无监督聚类的方法对分类预测值进行聚类,得到了关联参数集合,这些参数集合中的某个参数发生变化时,集合中其他参数也会收到影响。对这些得到的关联参数集合进行机组部件状态评估。
步骤5:机组各部件状态评估值计算:综合与机组运行安全相关的强关联度参数集合信息以及结合试验报告计算得出机组的劣化程度值;
式中g(x)为评判指标的劣化度;x为评判指标实测值;α为该指标允许值(良好值);α或β为该指标上下限值,θ为劣化程度限值。
步骤6:机组设备各参数状态评估指标评分。视状态量的劣化程度从轻到重分为四级,分别为Ⅰ、Ⅱ、Ⅲ和Ⅳ级,对应计算的到的劣化程度值1、2、3和4,其对应的基本扣分值为2、4、8、10分。状态量应扣分值由劣化程度与权重值共同决定,即状态量应扣分值等于该状态量的实扣分值乘以权重系数。状态量正常时扣0分,未对某一状态进行评价,则不扣分。
表2状态量评分系数表
按照机组各部件运行情况,可以将评价标准分四个方面进行考虑,分别为基本情况、分类情况、例行试验以及诊断性试验。根据上述四个方面根据扣分情况进行机组各部件运行状态判断。
表1机组各部件评价标准
步骤7:建立设备状态评估模型:通过对机组电机各部件的运行数据进行清洗重构,在此基础上进行大数据分析与机器学习建模;采用基于贝叶斯分类器的运行进行状态评估,具体的步骤为:
(1)状态建模:通过多台机组多时段的历史数据可以为每台机组建立状态特性评估模型,即基于贝叶斯分类器的状态评估模型。
(2)分类概率计算:通过对现场数据的实时采集,根据式(4-1)计算得到当前状态属于不同类别的概率。
y=f(x)=argmax
(3)综合状态评估:根据当前状态属于不同类别的概率,综合评估机组的当前运行状态。
步骤8:设备状态信息推送:将机组各项指标综合汇总,形成机组安全评估报告,通过邮件的形式发送给对应系统专责。
本实施例可以根据网源机组涉网试验结果,及时更新机组状态,从而使得网源机组管理更加准确合理,能够及时的甄别出运行状态异常的机组,在未发生故障时及时进行预警,督促落实整改,保障电网安全。
实施例2
本实施例介绍一种基于网源涉网试验的机组状态分析方法,包括:
(1)后石火电厂上报了电厂7号机组发电机的试验报告:励磁试验报告、Pss试验报告、调速试验报告、进相试验报告、一次调频试验报告、AGC试验报告、AVC试验报告,如图3所示;
(2)试验报告参数提取:根据不同试验类型提取了关键信息参数,如,从PSS试验报告中提取出,机组情况信息:包含励磁设备型号、发电机型号、励磁方式等内容;分类情况信息:包含机组无功功率为372Mvar、机组有功功率为600MW、机组额定容量706MVA;
(3)参数关联度计算:根据关联度计算结果,按关联度从大到小排序,获得机组关键参数列表;
(4)参数状态分类:根据设备参数关联度计算结果,将设备参数分类进行状态评估值计算;
(5)机组各部件状态评估值计算:结合机组各项参数信息,根据各项参数实际值与评价规则库中的数据进行比对进行设备评分;
(6)机组设备各参数状态评估指标评分:根据评分结果获得该设备的劣化程度,根据权重占比计算获得最终运行状态评分。
(7)建立设备状态评估模型:评估机组的当前运行状态。
(8)运行状态报告推送:生成机组运行状态健康报告,通过邮件的形式发送给系统专责。
实施例3
本实施例提供一种基于网源涉网试验的机组状态分析系统,包括:
涉网试验报告数字化单元,用于获取电厂上送的涉网试验报告,通过OCR图像识别技术将图片形式的试验报告转换为可编辑的文本信息;
验报告参数提取单元,用于将转换后的试验报告传入预先根据不同文件类型配置的设备参数模版,提取对应的设备参数;
参数关联度计算单元,用于将所述设备参数输入关联度计算公式,计算设备参数关联度;
参数状态分类单元,用于根据设备参数关联度计算结果,将设备参数进行分类,获取关联参数集合;
机组的劣化程度计算单元,用于从所述关联参数集合中选择与机组运行安全相关的且属于强关联参数集合的信息并结合试验报告计算得出机组的劣化程度值;
参数状态评估单元,用于通过所述劣化程度值确定权重系数和基本扣分值,进而计算状态量应扣分值,进行最终运行状态判断。
实施例4
本实施例提供一种基于网源涉网试验的机组状态分析装置,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据实施例1中任一项所述方法的步骤。
实施例5
本实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现实施例1中任一项所述方法的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于网源涉网试验的机组状态分析方法,其特征在于,包括:
获取电厂上送的涉网试验报告,通过OCR图像识别技术将图片形式的试验报告转换为可编辑的文本信息;
将转换后的试验报告传入预先根据不同文件类型配置的设备参数模版,提取对应的设备参数;
将所述设备参数输入关联度计算公式,计算设备参数关联度;
根据设备参数关联度计算结果,将设备参数进行分类,获取关联参数集合;
从所述关联参数集合中选择与机组运行安全相关的且属于强关联参数集合的信息并结合试验报告计算得出机组的劣化程度值;
通过所述劣化程度值确定权重系数和基本扣分值,进而计算状态量应扣分值,进行最终运行状态判断。
3.根据权利要求1所述的基于网源涉网试验的机组状态分析方法,其特征在于,将机组各项指标综合汇总,形成机组安全评估报告,通过邮件的形式发送给对应系统专责。
5.根据权利要求1所述的基于网源涉网试验的机组状态分析方法,其特征在于,所述根据设备参数关联度计算结果,将设备参数进行分类,获取关联参数集合,包括:
根据设备参数关联度计算结果,构建机组各部件参数状态分类预测的神经网络模型;
随机选取包含低关联度以及高关联度的参数作为训练集以及验证集,选取一段包含无关联或者低关联的参数集合以及强关联度参数集合作为测试集,输入分类预测的神经网络模型中,得到分类预测值;
通过无监督聚类的方法对分类预测值进行聚类,得到关联参数集合。
7.根据权利要求1所述的基于网源涉网试验的机组状态分析方法,其特征在于,通过所述劣化程度值确定权重系数和基本扣分值,进而计算状态量应扣分值,并计算得到最终运行状态评分包括:
通过所述劣化程度值确定权重系数和基本扣分值;
将该状态量的基本扣分值乘以权重系数计算得到状态量应扣分值;
将状态量应扣分值与预先设定基本评价标准进行比较,进行最终运行状态判断。
8.一种基于网源涉网试验的机组状态分析系统,其特征在于,包括:
涉网试验报告数字化单元,用于获取电厂上送的涉网试验报告,通过OCR图像识别技术将图片形式的试验报告转换为可编辑的文本信息;
验报告参数提取单元,用于将转换后的试验报告传入预先根据不同文件类型配置的设备参数模版,提取对应的设备参数;
参数关联度计算单元,用于将所述设备参数输入关联度计算公式,计算设备参数关联度;
参数状态分类单元,用于根据设备参数关联度计算结果,将设备参数进行分类,获取关联参数集合;
机组的劣化程度计算单元,用于从所述关联参数集合中选择与机组运行安全相关的且属于强关联参数集合的信息并结合试验报告计算得出机组的劣化程度值;
参数状态评估单元,用于通过所述劣化程度值确定权重系数和基本扣分值,进而计算状态量应扣分值,进行最终运行状态判断。
9.一种基于网源涉网试验的机组状态分析装置,其特征在于:包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1~7任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:该程序被处理器执行时实现权利要求1~7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210495923.3A CN114693175A (zh) | 2022-05-09 | 2022-05-09 | 一种基于网源涉网试验的机组状态分析方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210495923.3A CN114693175A (zh) | 2022-05-09 | 2022-05-09 | 一种基于网源涉网试验的机组状态分析方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114693175A true CN114693175A (zh) | 2022-07-01 |
Family
ID=82144717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210495923.3A Pending CN114693175A (zh) | 2022-05-09 | 2022-05-09 | 一种基于网源涉网试验的机组状态分析方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114693175A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115034094A (zh) * | 2022-08-10 | 2022-09-09 | 南通恒强轧辊有限公司 | 一种金属加工机床运行状态预测方法及系统 |
-
2022
- 2022-05-09 CN CN202210495923.3A patent/CN114693175A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115034094A (zh) * | 2022-08-10 | 2022-09-09 | 南通恒强轧辊有限公司 | 一种金属加工机床运行状态预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
CN110097297A (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
CN105590146A (zh) | 一种基于大数据的电厂设备智能预测检修方法和系统 | |
CN113435652B (zh) | 一种一次设备缺陷诊断与预测方法 | |
CN111738462B (zh) | 电力计量装置故障抢修主动服务预警方法 | |
CN106384210A (zh) | 一种基于检修风险收益的输变电设备检修优先级排序方法 | |
CN110837866A (zh) | 基于XGBoost的电力二次设备缺陷程度评估方法 | |
CN110636066B (zh) | 基于无监督生成推理的网络安全威胁态势评估方法 | |
CN106447205A (zh) | 一种基于层次分析法的配电自动化终端状态评价方法 | |
CN104123678A (zh) | 一种基于状态等级评估模型的电力继电保护状态检修方法 | |
CN113221931B (zh) | 一种基于用电信息采集大数据分析的反窃电智能识别方法 | |
CN111209934A (zh) | 风机故障预报警方法及系统 | |
CN112990656A (zh) | 一种it设备监测数据的健康评价系统及健康评价方法 | |
CN116484751B (zh) | 一种风电机组部件的疲劳寿命评估方法及装置 | |
CN114169424A (zh) | 基于k近邻回归算法和用电数据的排污量预测方法 | |
CN113191585A (zh) | 一种输电线路的台风致灾风险评估方法 | |
CN114693175A (zh) | 一种基于网源涉网试验的机组状态分析方法与系统 | |
CN114358116A (zh) | 油浸式变压器故障诊断方法、系统及可读存储介质 | |
CN114169718A (zh) | 一种基于风电机组状态评估提高机组可靠性的方法 | |
CN111506636A (zh) | 一种基于自回归和近邻算法的居民用电行为分析的系统及方法 | |
CN103886512A (zh) | 基于灰度聚类的火电机组经济指标评价方法 | |
CN116467658A (zh) | 一种基于马尔科夫链的设备故障溯源方法 | |
CN115345379A (zh) | 一种变电设备运维辅助决策方法 | |
CN113298148B (zh) | 一种面向生态环境评价的不平衡数据重采样方法 | |
Zhang et al. | An evaluation method of health condition for wind turbine based on asymmetric proximity |
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 |