CN114997335A - 水电站典型设备故障的ai图像识别分析算法 - Google Patents
水电站典型设备故障的ai图像识别分析算法 Download PDFInfo
- Publication number
- CN114997335A CN114997335A CN202210780189.5A CN202210780189A CN114997335A CN 114997335 A CN114997335 A CN 114997335A CN 202210780189 A CN202210780189 A CN 202210780189A CN 114997335 A CN114997335 A CN 114997335A
- Authority
- CN
- China
- Prior art keywords
- equipment
- hydropower station
- typical
- typical equipment
- image recognition
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 50
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 27
- 238000010586 diagram Methods 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 22
- 238000012423 maintenance Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 12
- 230000005284 excitation Effects 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 102100036790 Tubulin beta-3 chain Human genes 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000012351 Integrated analysis Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000007689 inspection 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
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 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
- G06Q10/20—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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开水电站典型设备故障的AI图像识别分析算法，包括如下步骤：获取水电站典型设备的传感器检测得到的水电站典型设备运行监测数据；进行特征提取，生成批量点阵图数据，对所述批量点阵图数据进行整合分析成基于的运行时间点的点阵图形和基于水电站典型设备运行阈值的点阵图形；进行AI图像识别，找出未检测到监测数据的水电站典型设备M，进行AI图像识别，找出超出运行阈值的水电站典型设备N；对未检测到监测数据的水电站典型设备M判定为设备异常故障，对超出运行阈值的水电站典型设备N判定为运行故障。本发明从整体上通过AI图像识别技术对获取的点阵图数据进行识别分析，识别分析出设备异常的故障设备以及存在运行故障的局部线路。
Description
技术领域
本发明涉及一种水电站典型设备故障的AI图像识别分析算法，属于AI智能识别分析技术领域。
背景技术
现有的大型水电站设备故障监测及检修是电站人员的重要工作内容。目前大型水电站设备故障监测及检修方法是依靠电站人员到现场对设备进行定期检查，依靠人员进行设备运行是否正常的判断和记录。这种传统的故障监测及检修方法存在监测不及时、人身安全风险、人力需求量大、无法对设备性能数据进行科学分析和预判等问题，不能及时发现和消除设备隐患而影响设备安全稳定运行。
发明内容
本发明的目的在于，克服现有技术存在的技术缺陷，解决上述技术问题，提出水电站典型设备故障的AI图像识别分析算法。
本发明具体采用如下技术方案：水电站典型设备故障的AI图像识别分析算法，包括如下步骤：
步骤SS1：采用数据流的模式，批量的获取水电站典型设备的传感器检测得到的水电站典型设备运行监测数据；
步骤SS2：获取的水电站典型设备运行监测数据进行特征提取，生成批量点阵图数据，对所述批量点阵图数据进行整合分析成基于的运行时间点的点阵图形和基于水电站典型设备运行阈值的点阵图形；
步骤SS3：对所述运行时间点的点阵图形与点阵图训练模型进行AI图像识别，找出未检测到监测数据的水电站典型设备M，对所述水电站典型设备运行阈值的点阵图形与点阵图训练模型进行AI图像识别，找出超出运行阈值的水电站典型设备N；
步骤SS4：对未检测到监测数据的水电站典型设备M判定为设备异常故障，对超出运行阈值的水电站典型设备N判定为运行故障，获取有设备异常故障的水电站典型设备M的位置信息进行设备故障检修，获取有运行故障的水电站典型设备N的局部线路图进行线路故障检修。
作为一种较佳的实施例，所述水电站典型设备包括水电站变配电设备、水轮发电机组、水轮发电机组附属电气机械设备。
作为一种较佳的实施例，所述水电站变配电设备包括变压器、断路器、隔离开关、互感器、组合电器和控制器。
作为一种较佳的实施例，所述水轮发电机组包括水轮机和水轮发电机。
作为一种较佳的实施例，所述水轮发电机组附属电气机械设备包括调速器、油压装置、励磁设备、自动化及保护系统的设备。
作为一种较佳的实施例，所述点阵图训练模型采用如下方法获得：对步骤SS1获取的水电站典型设备运行监测数据进行特征提取，生成批量点阵图数据，按照运行时序以及各水电站典型设备分别存储到点阵图数据库进行AI图像训练，生成点阵图训练模型。
作为一种较佳的实施例，所述水电站典型设备运行监测数据包括：水电站变配电设备的电流及电压数据、水轮发电机组的转速及流量数据、水轮发电机组附属电气机械设备的电气量及控制量数据。
本发明所达到的有益效果：本发明针对如何解决传统的水电站典型设备故障监测及检修方法存在监测不及时、人身安全风险、人力需求量大、无法对设备性能数据进行科学分析和预判等问题，不能及时发现和消除设备隐患而影响设备安全稳定运行的技术需求，通过一种水电站典型设备故障的AI图像识别分析算法，包括如下步骤：步骤SS1：采用数据流的模式，批量的获取水电站典型设备的传感器检测得到的水电站典型设备运行监测数据；步骤SS2：获取的水电站典型设备运行监测数据进行特征提取，生成批量点阵图数据，对所述批量点阵图数据进行整合分析成基于的运行时间点的点阵图形和基于水电站典型设备运行阈值的点阵图形；步骤SS3：对所述运行时间点的点阵图形与点阵图训练模型进行AI图像识别，找出未检测到监测数据的水电站典型设备M，对所述水电站典型设备运行阈值的点阵图形与点阵图训练模型进行AI图像识别，找出超出运行阈值的水电站典型设备N；步骤SS4：对未检测到监测数据的水电站典型设备M判定为设备异常故障，对超出运行阈值的水电站典型设备N判定为运行故障，获取有设备异常故障的水电站典型设备M的位置信息进行设备故障检修，获取有运行故障的水电站典型设备N的局部线路图进行线路故障检修，从整体上通过AI图像识别技术对获取的点阵图数据进行识别分析，识别分析出设备异常的故障设备以及存在运行故障的局部线路，解决了传统的水电站典型设备故障监测及检修方法存在监测不及时、人身安全风险、人力需求量大、无法对设备性能数据进行科学分析和预判等问题，不能及时发现和消除设备隐患而影响设备安全稳定运行的技术需求。
附图说明
图1是本发明的水电站典型设备故障的AI图像识别分析算法的流程图。
图2是本发明的水电站典型设备故障的AI图像识别分析系统的拓扑图。
图3是本发明的一个实施例的水电站典型设备正常运行状态的点阵图形示意图。
图4是本发明的水电站典型设备发生线路异常故障时的点阵图形示意图。
图5是本发明的水电站典型设备发生设备异常故障时的点阵图形示意图。
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：如图1所示，本发明提出水电站典型设备故障的AI图像识别分析算法，包括如下步骤：
步骤SS1：采用数据流的模式，批量的获取水电站典型设备的传感器检测得到的水电站典型设备运行监测数据；
步骤SS2：获取的水电站典型设备运行监测数据进行特征提取，生成批量点阵图数据，对所述批量点阵图数据进行整合分析成基于的运行时间点的点阵图形和基于水电站典型设备运行阈值的点阵图形；
步骤SS3：对所述运行时间点的点阵图形与点阵图训练模型进行AI图像识别，找出未检测到监测数据的水电站典型设备M，对所述水电站典型设备运行阈值的点阵图形与点阵图训练模型进行AI图像识别，找出超出运行阈值的水电站典型设备N；
步骤SS4：对未检测到监测数据的水电站典型设备M判定为设备异常故障，对超出运行阈值的水电站典型设备N判定为运行故障，获取有设备异常故障的水电站典型设备M的位置信息进行设备故障检修，获取有运行故障的水电站典型设备N的局部线路图进行线路故障检修。
作为一种较佳的实施例，所述水电站典型设备包括水电站变配电设备、水轮发电机组、水轮发电机组附属电气机械设备。
作为一种较佳的实施例，所述水电站变配电设备包括变压器、断路器、隔离开关、互感器、组合电器和控制器。
作为一种较佳的实施例，所述水轮发电机组包括水轮机和水轮发电机。
作为一种较佳的实施例，所述水轮发电机组附属电气机械设备包括调速器、油压装置、励磁设备、自动化及保护系统的设备。
作为一种较佳的实施例，所述点阵图训练模型采用如下方法获得：对步骤SS1获取的水电站典型设备运行监测数据进行特征提取，生成批量点阵图数据，按照运行时序以及各水电站典型设备分别存储到点阵图数据库进行AI图像训练，生成点阵图训练模型。
作为一种较佳的实施例，所述水电站典型设备运行监测数据包括：水电站变配电设备的电流及电压数据、水轮发电机组的转速及流量数据、水轮发电机组附属电气机械设备的电气量及控制量数据。
具体的如图3、图4和图5所示的分别是本发明一个实施例的水电站典型设备正常运行状态的点阵图形示意图、水电站典型设备发生线路异常故障时的点阵图形示意图和水电站典型设备发生设备异常故障时的点阵图形示意图，获取水轮机的转速、水轮发电机的转速、变压器的电压、断路器的电流信号、隔离开关的电流信号、互感器的电流信号、组合电器的电压信号、控制器的控制信号、调速器的调速信号、油压装置的油压信号、励磁设备的励磁信号、自动化及保护系统的设备的电气信号生成点阵图形，与批量监测数据训练后的点阵图训练模型以及各水电站典型设备的运行阈值范围进行识别分析，如图4中的组合电器的电压信号和油压装置的油压信号均不在点阵图训练模型的范围中，判定为运行故障，如图5中的变压器的电压信号和油压装置的油压信号均未检测到监测数据判定为设备异常故障。
本发明所达到的有益效果：本发明针对如何解决传统的水电站典型设备故障监测及检修方法存在监测不及时、人身安全风险、人力需求量大、无法对设备性能数据进行科学分析和预判等问题，不能及时发现和消除设备隐患而影响设备安全稳定运行的技术需求，通过一种水电站典型设备故障的AI图像识别分析算法，包括如下步骤：步骤SS1：采用数据流的模式，批量的获取水电站典型设备的传感器检测得到的水电站典型设备运行监测数据；步骤SS2：获取的水电站典型设备运行监测数据进行特征提取，生成批量点阵图数据，对所述批量点阵图数据进行整合分析成基于的运行时间点的点阵图形和基于水电站典型设备运行阈值的点阵图形；步骤SS3：对所述运行时间点的点阵图形与点阵图训练模型进行AI图像识别，找出未检测到监测数据的水电站典型设备M，对所述水电站典型设备运行阈值的点阵图形与点阵图训练模型进行AI图像识别，找出超出运行阈值的水电站典型设备N；步骤SS4：对未检测到监测数据的水电站典型设备M判定为设备异常故障，对超出运行阈值的水电站典型设备N判定为运行故障，获取有设备异常故障的水电站典型设备M的位置信息进行设备故障检修，获取有运行故障的水电站典型设备N的局部线路图进行线路故障检修，从整体上通过AI图像识别技术对获取的点阵图数据进行识别分析，识别分析出设备异常的故障设备以及存在运行故障的局部线路，解决了传统的水电站典型设备故障监测及检修方法存在监测不及时、人身安全风险、人力需求量大、无法对设备性能数据进行科学分析和预判等问题，不能及时发现和消除设备隐患而影响设备安全稳定运行的技术需求。
实施例2：如图2所示，本发明提出水电站典型设备故障的AI图像识别分析系统，包括：
数据获取模块，具体执行：采用数据流的模式，批量的获取水电站典型设备的传感器检测得到的水电站典型设备运行监测数据；
特征提取模块，具体执行：获取的水电站典型设备运行监测数据进行特征提取，生成批量点阵图数据，对所述批量点阵图数据进行整合分析成基于的运行时间点的点阵图形和基于水电站典型设备运行阈值的点阵图形；
图像识别模块，具体执行：对所述运行时间点的点阵图形与点阵图训练模型进行AI图像识别，找出未检测到监测数据的水电站典型设备M，对所述水电站典型设备运行阈值的点阵图形与点阵图训练模型进行AI图像识别，找出超出运行阈值的水电站典型设备N；
故障判定模块，具体执行：对未检测到监测数据的水电站典型设备M判定为设备异常故障，对超出运行阈值的水电站典型设备N判定为运行故障，获取有设备异常故障的水电站典型设备M的位置信息进行设备故障检修，获取有运行故障的水电站典型设备N的局部线路图进行线路故障检修。
作为一种较佳的实施例，所述水电站典型设备包括水电站变配电设备、水轮发电机组、水轮发电机组附属电气机械设备。
作为一种较佳的实施例，所述水电站变配电设备包括变压器、断路器、隔离开关、互感器、组合电器和控制器。
作为一种较佳的实施例，所述水轮发电机组包括水轮机和水轮发电机。
作为一种较佳的实施例，所述水轮发电机组附属电气机械设备包括调速器、油压装置、励磁设备、自动化及保护系统的设备。
作为一种较佳的实施例，所述点阵图训练模型采用如下方式获得：对水电站典型设备运行监测数据进行特征提取，生成批量点阵图数据，按照运行时序以及各水电站典型设备分别存储到点阵图数据库进行AI图像训练，生成点阵图训练模型。
作为一种较佳的实施例，所述水电站典型设备运行监测数据包括：水电站变配电设备的电流及电压数据、水轮发电机组的转速及流量数据、水轮发电机组附属电气机械设备的电气量及控制量数据。
需要说明的是，本发明中的水轮机的转速、水轮发电机的转速、变压器的电压、断路器的电流信号、隔离开关的电流信号、互感器的电流信号、组合电器的电压信号、控制器的控制信号、调速器的调速信号、油压装置的油压信号、励磁设备的励磁信号、自动化及保护系统的设备的电气信号均不仅仅限定于一类设备的一类数据，而是根据水电站的运行需要采集的若干水电站典型设备运行的监测数据。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、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。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (7)
1.水电站典型设备故障的AI图像识别分析算法，其特征在于，包括如下步骤：
步骤SS1：采用数据流的模式，批量的获取水电站典型设备的传感器检测得到的水电站典型设备运行监测数据；
步骤SS2：获取的水电站典型设备运行监测数据进行特征提取，生成批量点阵图数据，对所述批量点阵图数据进行整合分析成基于的运行时间点的点阵图形和基于水电站典型设备运行阈值的点阵图形；
步骤SS3：对所述运行时间点的点阵图形与点阵图训练模型进行AI图像识别，找出未检测到监测数据的水电站典型设备M，对所述水电站典型设备运行阈值的点阵图形与点阵图训练模型进行AI图像识别，找出超出运行阈值的水电站典型设备N；
步骤SS4：对未检测到监测数据的水电站典型设备M判定为设备异常故障，对超出运行阈值的水电站典型设备N判定为运行故障，获取有设备异常故障的水电站典型设备M的位置信息进行设备故障检修，获取有运行故障的水电站典型设备N的局部线路图进行线路故障检修。
2.根据权利要求1所述的水电站典型设备故障的AI图像识别分析算法，其特征在于，所述水电站典型设备包括水电站变配电设备、水轮发电机组、水轮发电机组附属电气机械设备。
3.根据权利要求2所述的水电站典型设备故障的AI图像识别分析算法，其特征在于，所述水电站变配电设备包括变压器、断路器、隔离开关、互感器、组合电器和控制器。
4.根据权利要求2所述的水电站典型设备故障的AI图像识别分析算法，其特征在于，所述水轮发电机组包括水轮机和水轮发电机。
5.根据权利要求2所述的水电站典型设备故障的AI图像识别分析算法，其特征在于，所述水轮发电机组附属电气机械设备包括调速器、油压装置、励磁设备、自动化及保护系统的设备。
6.根据权利要求1所述的水电站典型设备故障的AI图像识别分析算法，其特征在于，所述点阵图训练模型采用如下方法获得：对步骤SS1获取的水电站典型设备运行监测数据进行特征提取，生成批量点阵图数据，按照运行时序以及各水电站典型设备分别存储到点阵图数据库进行AI图像训练，生成点阵图训练模型。
7.根据权利要求1所述的水电站典型设备故障的AI图像识别分析算法，其特征在于，所述水电站典型设备运行监测数据包括：水电站变配电设备的电流及电压数据、水轮发电机组的转速及流量数据、水轮发电机组附属电气机械设备的电气量及控制量数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210780189.5A CN114997335A (zh) | 2022-07-04 | 2022-07-04 | 水电站典型设备故障的ai图像识别分析算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210780189.5A CN114997335A (zh) | 2022-07-04 | 2022-07-04 | 水电站典型设备故障的ai图像识别分析算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114997335A true CN114997335A (zh) | 2022-09-02 |
Family
ID=83019331
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210780189.5A Pending CN114997335A (zh) | 2022-07-04 | 2022-07-04 | 水电站典型设备故障的ai图像识别分析算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114997335A (zh) |
-
2022
- 2022-07-04 CN CN202210780189.5A patent/CN114997335A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111898669B (zh) | 一种基于机器学习的直流矿热炉异常事件预警系统 | |
| CN109188227B (zh) | 一种双馈型风力发电机绝缘状态评估方法及系统 | |
| CN106443433B (zh) | 基于分合闸线圈电流的断路器状态监测系统及监测方法 | |
| CN113092900B (zh) | 光伏逆变器的状态检测方法、装置及计算机可读存储介质 | |
| CN110851469A (zh) | 基于新能源集控系统的风机运行状态分析方法 | |
| CN103675355A (zh) | 风速仪监测方法和系统 | |
| CN106773993A (zh) | 现场数据采集终端及系统 | |
| CN114726642B (zh) | 一种基于电力监控系统网络威胁的量化系统 | |
| CN105717877B (zh) | 基于顺控流程的抽水蓄能机组运行工况校验方法及装置 | |
| CN116882979A (zh) | 一种电力安防监控异常检测方法 | |
| CN114997335A (zh) | 水电站典型设备故障的ai图像识别分析算法 | |
| CN111537819A (zh) | 一种配电自动化监测方法、系统、终端及存储介质 | |
| CN117031201A (zh) | 一种配电网多场景拓扑异常识别方法及系统 | |
| CN116703852A (zh) | 一种电网检修风险预警方法及系统 | |
| CN114151147B (zh) | 汽轮机转速异常的故障预警方法、系统、设备及介质 | |
| CN112240267A (zh) | 基于风速相关性与风功率曲线的风机监测方法 | |
| CN113417809B (zh) | 一种视觉雷击监测方法及系统 | |
| CN209483540U (zh) | 低风速风电机组固定螺栓紧固状态智能监测装置及其机组 | |
| CN111191864A (zh) | 一种光伏出力数据修复方法及系统 | |
| CN112666458B (zh) | 发电设备状态评估方法以及评估装置 | |
| CN113985207A (zh) | 一种电网运行设备故障监测方法、系统、装置及存储介质 | |
| CN111986469A (zh) | 一种现场终端故障智能化诊断的方法 | |
| CN112598141A (zh) | 一种用于区域光伏电站的运维检修方法及系统 | |
| CN117034157B (zh) | 一种结合多模态运行数据的水电设备故障识别方法与系统 | |
| CN113900865B (zh) | 智能的电网设备自动化测试方法、系统和可读存储介质 |
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 |