CN115587331A - 电网设备运行状态诊断预测方法及系统 - Google Patents
电网设备运行状态诊断预测方法及系统 Download PDFInfo
- Publication number
- CN115587331A CN115587331A CN202211051481.XA CN202211051481A CN115587331A CN 115587331 A CN115587331 A CN 115587331A CN 202211051481 A CN202211051481 A CN 202211051481A CN 115587331 A CN115587331 A CN 115587331A
- Authority
- CN
- China
- Prior art keywords
- power grid
- grid equipment
- data
- operation state
- prediction
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种电网设备运行状态诊断预测方法,包括以下步骤:S1.获取电网设备的历史运行状态数据;S2.对电网设备的历史运行状态数据进行分析处理,选取电网设备运行状态相关的特征数据,生成数据集并分为训练集和测试集;S3.利用训练集对预测模型进行训练,将测试集输入预测模型对电网设备运行状态进行预测,获得电网设备运行状态的预测数据;S4.将电网设备运行状态的预测数据与电网设备运行状态的实际数据相比较,根据两者的比较结果对电网设备运行状态进行判定。本发明通过对电网设备运行状态的精准预测,提高了电网设备运行诊断的水平,能够及时地对电网设备在运行过程中产生的故障及异常进行处理,降低经济损失,为人民的正常生活提供了稳定。
Description
技术领域
本发明涉及电力技术领域,具体地说,涉及一种电网设备的运行状态诊断预测方法及系统。
背景技术
电力设备(power system)主要包括发电设备和供电设备两大类,发电设备主要是电站锅炉、蒸汽轮机、燃气轮机、水轮机、发电机、变压器等,供电设备主要是各种电压等级的输电线路、互感器、接触器等。电力系统中的电力设备很多,根据它们在运行中所起的作用不同,通常将它们分为电气一次设备和电气二次设备。
随着人们的用电量增大以及电力设备系统的扩大,电力设备系统更加复杂化,电力设备系统通常会出现各种各样的故障。当电力设备系统中负荷过大或者出现异常故障时,如果不能及时地对其进行诊断处理,会给人民的生活带来影响,从而造成经济上的损失。
公开号为CN107527121A的专利申请公开了一种电网的信息系统运行状态诊断预测的方法,包括两部分内容:系统负载预测和安全容量预测。该专利申请通过采用arima算法分别对资源利用率和系统响应时长进行预测,以及对服务器指标和数据库指标进行指标预测。而用arima算法模型预测时序数据,必须是稳定的数据,如果是不稳定的数据则无法捕捉到规律。然而,由于电网设备系统的复杂化,使得电网设备运行过程中的数据很难维持稳定,从而会使得arima算法模型预测数据会产生波动,使得预测数据产生差异化。
发明内容
本发明的目的在于解决现有技术的问题,提供一种电网设备运行状态诊断预测方法,预测模型输出电网设备运行状态的预测数据,比较电网设备运行状态的预测数据与实际数据差异,能够对电网设备的运行状态进行精准预测。
为了实现上述目的,本发明所采用的技术方案如下:
一种电网设备运行状态诊断预测方法,包括以下步骤:
S1.获取电网设备的历史运行状态数据;
S2.对电网设备的历史运行状态数据进行分析处理,选取电网设备运行状态相关的特征数据,生成数据集并分为训练集和测试集;
S3.利用训练集对预测模型进行训练,将测试集输入预测模型对电网设备运行状态进行预测,获得电网设备运行状态的预测数据;
S4.将电网设备运行状态的预测数据与电网设备运行状态的实际数据相比较,根据两者的比较结果对电网设备运行状态进行判定。
进一步地,步骤S2中,对电网设备的历史运行状态数据通过逻辑校验、异常规则筛选、箱体图方法中的至少一种进行分析处理,分析处理方式包括质量核查和数据清洗。
进一步地,步骤S2中,特征数据包括电网设备输出功率、电阻、电压、电流、局部放电、温度及空气密度数据。
进一步地,步骤S3中,预测模型采用随机森林回归大数据模型,电网设备输出功率作为预测模型的输出,电阻、电压、电流、局部放电、温度及空气密度数据作为预测模型的输入,采用5折交叉验证方法对预测模型进行训练和打分,预测模型评价标准采用决定系数R2。
进一步地,5折交叉验证方法具体为:
将全部训练集S分成5个不相交的子集,训练集S中的训练样例个数为m,每一个子集有m/5个训练样例,相应的子集称作{s1,s2,…,s5};
每次从分好的子集中里面,拿出一个作为测试集,其它4个作为训练集;
通过训练集重复训练,获得训练好的随机森林回归大数据模型;
将测试集输入随机森林回归大数据模型,计算决定系数R2值;
计算5次决定系数R2值,求解决定系数R2的平均值,决定系数R2的平均值作为随机森林回归大数据模型的准确率。
进一步地,决定系数R2的计算公式为:
进一步地,随机森林回归大数据模型训练完成后,将电网设备的电阻、电压、电流、局部放电、温度及空气密度历史数据输入随机森林回归大数据模型,通过随机森林回归大数据模型对电网设备输出功率进行预测。
进一步地,步骤S4中,将电网设备运行状态的预测数据与电网设备运行状态的实际数据相比较,根据两者的比较结果判定电网设备运行状态,具体为:
将电网设备输出功率的预测数据与电网设备的输出功率的实际数据相比较,并进行偏差统计;根据电网设备输出功率的实际数据相对于电网设备输出功率的预测数据波动,采用多数投票算法对电网设备运行状态进行判定。
进一步地,采用多数投票算法对电网设备运行状态进行判定,具体为:
当电网设备输出功率的实际数据相对于电网设备输出功率的预测数据波动多数在0.5%以内,则判定电网设备处于正常运行状态;
当电网设备输出功率的实际数据相对于电网设备输出功率的预测数据波动多数在 0.5-2.5%内,则判定电网设备处于非正常运行状态;
当电网设备输出功率的实际数据相对于电网设备输出功率的预测数据波动多数超过 2.5%,则判定电网设备处于故障状态。
一种电网设备运行状态诊断预测系统,用于执行上述任一项的电网设备运行状态诊断预测方法的步骤,包括:
数据采集模块,用于获取电网设备的历史运行状态数据;
数据处理模块,与数据采集模块连接,用于对电网设备的历史运行状态数据进行分析处理,选取电网设备运行状态相关的特征数据,生成数据集并分为训练集和测试集;
数据预测模块,与数据处理模块连接,用于利用训练集对预测模型进行训练,将测试集输入预测模型对电网设备运行状态进行预测,获得电网设备运行状态的预测数据;
数据判定模块,与数据预测模块连接,用于将电网设备运行状态的预测数据与电网设备运行状态的实际数据相比较,根据两者的比较结果对电网设备运行状态进行判定。
与现有技术相比,本发明具有以下有益效果:
1.通过对电网设备运行状态的预测,提高了电网设备运行诊断的水平,能够精准地对电网设备运行时的输出功率进行预测,能够及时地对电网设备在运行过程中产生的故障及异常进行处理,降低经济损失,为人民的正常生活提供了稳定。
2.通过逻辑校验、异常规则筛选、箱体图方法对电网设备的历史运行状态数据进行质量核查和数据清洗,能够有效且准确地对电网设备运行状态的各种数据集进行筛选,提高数据的准确性。
3.通过采用随机森林回归大数据模型,可以将电阻、电压、电流、局部放电、温度及空气密度数据输入至随机森林回归大数据模型,并观察预测值与实际值差异,使得可以对电网设备的输出功率进行预测,进而能够对电网设备的运行状态进行精准预测。
4.通过交叉验证的方法,提高了随机森林回归大数据模型的准确性,避免过拟合和欠拟合情形,进而能够预测电网设备故障的发生,能够减少电网设备的故障发生和提高故障处理效率,保证电网设备的供电安全。
附图说明
图1为本发明电网设备运行状态诊断预测方法的流程图。
图2为本发明电网设备运行状态诊断预测系统的结构图。
附图标号说明:
数据采集模块-1;数据处理模块-2;数据预测模块-3;数据判定模块-4。
具体实施方式
下面结合附图和具体实施例对本发明电网设备运行状态诊断预测方法及系统作进一步说明。
请参阅图1,本发明公开了一种电网设备运行状态诊断预测方法,电网设备运行状态诊断预测方法包括以下步骤:
S1.获取电网设备的历史运行状态数据。
S2.对电网设备的历史运行状态数据进行分析处理,选取电网设备运行状态相关的特征数据,生成数据集并分为训练集和测试集。
S3.利用训练集对预测模型进行训练,将测试集输入预测模型对电网设备运行状态进行预测,获得电网设备运行状态的预测数据。
S4.将电网设备运行状态的预测数据与电网设备运行状态的实际数据相比较,根据两者的比较结果对电网设备运行状态进行判定。
步骤S1中,获取电网设备的历史运行数据时,先识别电网设备的设备类型,再采集电网设备各个预设时间段的历史运行状态数据。本实施例中,时间段设置为一小时,将每天的时间分为24个时间段,分别采集0点-1点、1点-2点……23点-24点各个时间段的历史运行状态数据。通过设定时间段,有针对性地选取电网设备的历史运行数据,提高预测模型的预测精度。
步骤S2中,通过逻辑校验、异常规则筛选、箱体图方法对电网设备的历史运行状态数据进行质量核查和数据清洗。数据清洗后,根据电网设备的历史运行状态数据构造特征数据,并分析特征数据间的相关性,选取与电网设备运行状态相关的特征数据,特征数据包括电网设备输出功率、电阻、电压、电流、局部放电、温度及空气密度数据。将特征数据整理归类生成数据集,并将数据集划分为训练集和测试集。
步骤S3中,预测模型采用随机森林回归大数据模型,电网设备输出功率作为预测模型的输出,电阻、电压、电流、局部放电、温度及空气密度数据作为预测模型的输入。电阻单位采用欧姆,电压单位采用伏特,电流单位采用安培,温度单位采用摄氏度,空气密度单位采用千克/立方米,电阻、电压、电流、温度及空气密度参数均采用国际单位制。
根据数据集的训练集的大小,采用5折交叉验证方法来对预测模型进行训练和打分,预测模型评价标准采用决定系数R2,同时做出ROC曲线(receiver operatingcharacteristic curve,接受者操作特性曲线),直观观察预测值与实际值差异。
本发明通过采用随机森林回归大数据模型,将电阻、电压、电流、局部放电、温度及空气密度数据输入至随机森林回归大数据模型,并观察预测值与实际值差异,使得可以对电网设备的输出功率进行预测,进而能够对电网设备的运行状态进行精准预测。
5折交叉验证方法具体为:将全部训练集S分成5个不相交的子集,训练集S中的训练样例个数为m,每一个子集有m/5个训练样例,相应的子集称作{s1,s2,…,s5};每次从分好的子集中里面,拿出一个作为测试集,其它4个作为训练集;通过训练集重复训练,获得训练好的随机森林回归大数据模型;将测试集输入随机森林回归大数据模型,计算决定系数R2值;计算5次决定系数R2值,求解决定系数R2的平均值,决定系数R2的平均值作为随机森林回归大数据模型的准确率。
本发明采用随机森林回归大数据模型作为电网设备运行状态的预测模型,具有以下优点: (1)随机森林能处理很高维度的数据(也就是很多特征的数据),并且不用做特征选择。(2) 在训练完之后,随机森林能给出哪些特征比较重要。(3)对于不平衡数据集来说,随机森林可以平衡误差,当存在分类不平衡的情况时,随机森林能提供平衡数据集误差的有效方法。 (4)随机森林算法有很强的抗干扰能力以及抗过拟合能力。(5)随机森林能够解决分类与回归两种类型的问题,并在这两方面都有相当好的估计表现。
本实施例中,决定系数R2的计算公式为:
随机森林回归大数据模型训练完成后,将预设时间段电网设备的电阻、电压、电流、局部放电、温度及空气密度的历史数据输入随机森林回归大数据模型,通过随机森林回归大数据模型对同时间段的电网设备输出功率进行预测,获得电网设备输出功率的预测数据。
步骤S4中,将电网设备运行状态的预测数据与电网设备运行状态的实际数据相比较,根据两者的比较结果判定电网设备运行状态,具体为:将电网设备输出功率的预测数据与电网设备的输出功率的实际数据相比较,并进行偏差统计;根据电网设备输出功率的实际数据相对于电网设备输出功率的预测数据波动,采用多数投票算法对电网设备运行状态进行判定。
采用多数投票算法对电网设备运行状态进行判定,具体为:当电网设备输出功率的实际数据相对于电网设备输出功率的预测数据波动多数在0.5%以内,则判定电网设备处于正常运行状态;当电网设备输出功率的实际数据相对于电网设备输出功率的预测数据波动多数在 0.5-2.5%内,则判定电网设备处于非正常运行状态;当电网设备输出功率的实际数据相对于电网设备输出功率的预测数据波动多数超过2.5%,则判定电网设备处于故障状态。
综上所述,本发明具有以下有益效果:
1.通过对电网设备运行状态的预测,提高了电网设备运行诊断的水平,能够精准地对电网设备运行时的输出功率进行预测,能够及时地对电网设备在运行过程中产生的故障及异常进行处理,降低经济损失,为人民的正常生活提供了稳定。
2.通过逻辑校验、异常规则筛选、箱体图方法对电网设备的历史运行状态数据进行质量核查和数据清洗,能够有效且准确地对电网设备运行状态的各种数据集进行筛选,提高数据的准确性。
3.通过采用随机森林回归大数据模型,可以将电阻、电压、电流、局部放电、温度及空气密度数据输入至随机森林回归大数据模型,并观察预测值与实际值差异,使得可以对电网设备的输出功率进行预测,进而能够对电网设备的运行状态进行精准预测。
4.通过交叉验证的方法,提高了随机森林回归大数据模型的准确性,避免过拟合和欠拟合情形,进而能够预测电网设备故障的发生,能够减少电网设备的故障发生和提高故障处理效率,保证电网设备的供电安全。
请参阅图2,本发明还公开了一种电网设备运行状态诊断预测系统,用于执行上述任一项的电网设备运行状态诊断预测方法的步骤,并具备电网设备运行状态诊断预测方法相应的功能和有益效果。电网设备运行状态诊断预测系统包括:数据采集模块1,用于获取电网设备的历史运行状态数据;数据处理模块2,与数据采集模块1连接,用于对电网设备的历史运行状态数据进行分析处理,选取电网设备运行状态相关的特征数据,生成数据集并分为训练集和测试集;数据预测模块3,与数据处理模块2连接,用于利用训练集对预测模型进行训练,将测试集输入预测模型对电网设备运行状态进行预测,获得电网设备运行状态的预测数据;数据判定模块4,与数据预测模块3连接,用于将电网设备运行状态的预测数据与电网设备运行状态的实际数据相比较,根据两者的比较结果对电网设备运行状态进行判定。
上述说明是针对本发明较佳可行实施例的详细说明,但实施例并非用以限定本发明的专利申请范围,凡本发明所揭示的技术精神下所完成的同等变化或修饰变更,均应属于本发明所涵盖专利范围。
Claims (10)
1.一种电网设备运行状态诊断预测方法,其特征在于,包括以下步骤:
S1.获取电网设备的历史运行状态数据;
S2.对电网设备的历史运行状态数据进行分析处理,选取电网设备运行状态相关的特征数据,生成数据集并分为训练集和测试集;
S3.利用训练集对预测模型进行训练,将测试集输入预测模型对电网设备运行状态进行预测,获得电网设备运行状态的预测数据;
S4.将电网设备运行状态的预测数据与电网设备运行状态的实际数据相比较,根据两者的比较结果对电网设备运行状态进行判定。
2.根据权利要求1的电网设备运行状态诊断预测方法,其特征在于,步骤S2中,对电网设备的历史运行状态数据通过逻辑校验、异常规则筛选、箱体图方法中的至少一种进行分析处理,分析处理方式包括质量核查和数据清洗。
3.根据权利要求1的电网设备运行状态诊断预测方法,其特征在于,步骤S2中,特征数据包括电网设备输出功率、电阻、电压、电流、局部放电、温度及空气密度数据。
4.根据权利要求3的电网设备运行状态诊断预测方法,其特征在于,步骤S3中,预测模型采用随机森林回归大数据模型,电网设备输出功率作为预测模型的输出,电阻、电压、电流、局部放电、温度及空气密度数据作为预测模型的输入,采用5折交叉验证方法对预测模型进行训练和打分,预测模型评价标准采用决定系数R2。
5.根据权利要求4的电网设备运行状态诊断预测方法,其特征在于,5折交叉验证方法具体为:
将全部训练集S分成5个不相交的子集,训练集S中的训练样例个数为m,每一个子集有m/5个训练样例,相应的子集称作{s1,s2,…,s5};
每次从分好的子集中里面,拿出一个作为测试集,其它4个作为训练集;
通过训练集重复训练,获得训练好的随机森林回归大数据模型;
将测试集输入随机森林回归大数据模型,计算决定系数R2值;
计算5次决定系数R2值,求解决定系数R2的平均值,决定系数R2的平均值作为随机森林回归大数据模型的准确率。
7.根据权利要求4的电网设备运行状态诊断预测方法,其特征在于,随机森林回归大数据模型训练完成后,将电网设备的电阻、电压、电流、局部放电、温度及空气密度历史数据输入随机森林回归大数据模型,通过随机森林回归大数据模型对电网设备输出功率进行预测。
8.根据权利要求7的电网设备运行状态诊断预测方法,其特征在于,步骤S4中,将电网设备运行状态的预测数据与电网设备运行状态的实际数据相比较,根据两者的比较结果判定电网设备运行状态,具体为:
将电网设备输出功率的预测数据与电网设备的输出功率的实际数据相比较,并进行偏差统计;根据电网设备输出功率的实际数据相对于电网设备输出功率的预测数据波动,采用多数投票算法对电网设备运行状态进行判定。
9.根据权利要求8的电网设备运行状态诊断预测方法,其特征在于,采用多数投票算法对电网设备运行状态进行判定,具体为:
当电网设备输出功率的实际数据相对于电网设备输出功率的预测数据波动多数在0.5%以内,则判定电网设备处于正常运行状态;
当电网设备输出功率的实际数据相对于电网设备输出功率的预测数据波动多数在0.5-2.5%内,则判定电网设备处于非正常运行状态;
当电网设备输出功率的实际数据相对于电网设备输出功率的预测数据波动多数超过2.5%,则判定电网设备处于故障状态。
10.一种电网设备运行状态诊断预测系统,用于执行权利要求1至9任一项的电网设备运行状态诊断预测方法的步骤,其特征在于,包括:
数据采集模块,用于获取电网设备的历史运行状态数据;
数据处理模块,与数据采集模块连接,用于对电网设备的历史运行状态数据进行分析处理,选取电网设备运行状态相关的特征数据,生成数据集并分为训练集和测试集;
数据预测模块,与数据处理模块连接,用于利用训练集对预测模型进行训练,将测试集输入预测模型对电网设备运行状态进行预测,获得电网设备运行状态的预测数据;
数据判定模块,与数据预测模块连接,用于将电网设备运行状态的预测数据与电网设备运行状态的实际数据相比较,根据两者的比较结果对电网设备运行状态进行判定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211051481.XA CN115587331A (zh) | 2022-08-30 | 2022-08-30 | 电网设备运行状态诊断预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211051481.XA CN115587331A (zh) | 2022-08-30 | 2022-08-30 | 电网设备运行状态诊断预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115587331A true CN115587331A (zh) | 2023-01-10 |
Family
ID=84771522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211051481.XA Pending CN115587331A (zh) | 2022-08-30 | 2022-08-30 | 电网设备运行状态诊断预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115587331A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117037454A (zh) * | 2023-10-08 | 2023-11-10 | 上海聚信海聚新能源科技有限公司 | 电气柜的预警保护系统、控制方法、装置、介质及电气柜 |
-
2022
- 2022-08-30 CN CN202211051481.XA patent/CN115587331A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117037454A (zh) * | 2023-10-08 | 2023-11-10 | 上海聚信海聚新能源科技有限公司 | 电气柜的预警保护系统、控制方法、装置、介质及电气柜 |
CN117037454B (zh) * | 2023-10-08 | 2023-12-19 | 上海聚信海聚新能源科技有限公司 | 电气柜的预警保护系统、控制方法、装置、介质及电气柜 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106908674B (zh) | 一种基于多状态量预测的变压器状态评估方法 | |
CN107358366B (zh) | 一种配电变压器故障风险监测方法及系统 | |
CN106054104A (zh) | 一种基于决策树的智能电表故障实时预测方法 | |
CN104917085B (zh) | 一种优化可靠性与经济性的变压器检修决策方法 | |
CN108347352B (zh) | 一种电力系统中信息系统及设备性能的诊断方法 | |
CN111581597A (zh) | 基于自组织核回归模型的风电机组齿轮箱轴承温度状态监测方法 | |
CN112966990B (zh) | 一种变电设备综合状态评价方法 | |
CN111458149B (zh) | 一种滚动轴承性能及使用寿命的预测方法及系统 | |
CN113030761B (zh) | 一种超大规模储能电站电池健康状态的评估方法及系统 | |
CN111929579B (zh) | 发电机在线故障诊断方法、设备及计算机设备 | |
CN110443481B (zh) | 基于混合k-近邻算法的配电自动化终端状态评价系统及方法 | |
CN115587331A (zh) | 电网设备运行状态诊断预测方法及系统 | |
CN116629658A (zh) | 一种锂电池正极材料生产质量评估和工艺优化方法 | |
CN116754967A (zh) | 用于储能电站电化学电池在线评估的方法和系统 | |
CN117113166A (zh) | 一种基于改进的集成学习的工业锅炉故障检测方法 | |
CN112183610A (zh) | 变压器故障预测方法及变压器故障预测装置 | |
CN109359742B (zh) | 一种地铁子系统预防维修周期的生成方法 | |
CN106644436B (zh) | 一种断路器机械特性的评定方法 | |
CN109784777B (zh) | 基于时序信息片段云相似度度量的电网设备状态评估方法 | |
CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
Nie et al. | Research on AHP-based Multi-factor Medium Voltage Distribution Network Line Risk Quantitative Assessment Method | |
CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
Aizpurua et al. | Determining appropriate data analytics for transformer health monitoring | |
CN115809805A (zh) | 基于边缘计算的电网多源数据处理方法 | |
Patil et al. | DGA Based Ensemble learning and Random Forest Models for Condition Assessment of Transformers |
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 |