CN115759357A - 基于pscada数据的供电设备安全预测方法、系统、设备及介质 - Google Patents
基于pscada数据的供电设备安全预测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN115759357A CN115759357A CN202211339386.XA CN202211339386A CN115759357A CN 115759357 A CN115759357 A CN 115759357A CN 202211339386 A CN202211339386 A CN 202211339386A CN 115759357 A CN115759357 A CN 115759357A
- Authority
- CN
- China
- Prior art keywords
- power supply
- urban rail
- data
- supply equipment
- rail power
- 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 64
- 230000002159 abnormal effect Effects 0.000 claims abstract description 65
- 230000036541 health Effects 0.000 claims abstract description 54
- 238000012423 maintenance Methods 0.000 claims abstract description 42
- 230000009191 jumping Effects 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 238000007726 management method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000000611 regression analysis Methods 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000012106 screening analysis Methods 0.000 claims description 3
- 238000012358 sourcing Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 2
- 230000005856 abnormality Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000013211 curve analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明涉及轨道交通电力系统的技术领域,尤其是涉及一种基于PSCADA数据的供电设备安全预测方法、系统、设备及介质,所述基于PSCADA数据的供电设备安全预测方法包括:获取城轨供电设备的运行工况数据,基于所述运行工况数据获取设备特征数据;将所述设备特征数据输入至预设的城轨供电设备故障知识库中,获取城轨供电设备异常信息;将所述城轨供电设备异常信息输入至训练好的寿命模型中,获取城轨供电设备健康数据,基于所述城轨供电设备健康数据构建服役性能曲线;根据所述服役性能曲线分析城轨供电设备的工作状态,基于所述城轨供电设备的工作状态制定维护计划。本申请具有对城轨供电设备进行故障预测、健康管理,确保城轨的供电设备的安全运行的效果。
Description
技术领域
本申请涉及轨道交通电力系统的技术领域,尤其是涉及一种基于PSCADA数据的供电设备安全预测方法、系统、设备及介质。
背景技术
城市轨道交通已经逐渐成为现代必备的交通形式,城轨的供电设备的安全稳定是城轨可靠运行的基础。城轨的供电设备随着使用时间、使用次数的增加,设备的精度或寿命都将受到显著影响,当城轨的供电设备逐渐进入损耗期时,城轨的供电设备的服役性能不断下降,容易出现较严重的故障问题,形成安全隐患,因此,对城轨的供电设备进行故障预测有着十分重要的意义。
现有技术中,对城轨的供电设备进行监测采用定期检测方法,在城轨供电设备的电力采集与监控(Power Supervision Control And Date Acquisition,PSCADA)系统中获取城轨供电设备的测量数据,对测量数据进行分析,结合城轨供电设备出现过的历史故障信息和历史维修数据,以分析判断城轨的供电设备是否出现故障,并对城轨供电设备进行维护。
针对上述的现有技术,发明人认为采用工作人员定期检测城轨供电设备的数据的机制存在维护不足和过度维护等问题,且只能分析故障的类型,无法做到城轨供电设备的故障预测,因此,存在一定的改进空间。
发明内容
为了实现对城轨的供电设备进行故障预测、健康管理,确保城轨的供电设备的安全运行,本申请提供了一种基于PSCADA数据的供电设备安全预测方法、系统、设备及介质。
本申请的上述发明目的一是通过以下技术方案得以实现的:
一种基于PSCADA数据的供电设备安全预测方法,包括步骤:
获取城轨供电设备的运行工况数据,基于所述运行工况数据获取设备特征数据;
将所述设备特征数据输入至预设的城轨供电设备故障知识库中,获取城轨供电设备异常信息;
将所述城轨供电设备异常信息输入至训练好的寿命模型中,获取城轨供电设备健康数据,基于所述城轨供电设备健康数据构建服役性能曲线;
根据所述服役性能曲线分析城轨供电设备的工作状态,基于所述城轨供电设备的工作状态制定维护计划。
通过采用上述技术方案,在城轨供电设备运行过程中,城轨供电设备会将工况数据存储在PSCADA系统内,在PSCADA系统中实时获取城轨供电设备的运行工况数据,在城轨供电设备的运行工况数据中提取出设备特征数据,将得到的设备特征数据输入至预设的城轨供电设备故障知识库中,分析城轨供电设备是否出现故障,并生成城轨供电设备异常信息,实现对设备特征数据进行故障分析功能,将城轨供电设备异常信息输入进训练好的寿命模型中,寿命模型对城轨供电设备异常信息进行分析以得到城轨供电设备的健康数据,将城轨供电设备的健康数据构建成城轨供电设备的服役性能曲线,通过城轨供电设备的服役性能曲线分析能够对城轨供电设备进行故障预测,实现对城轨供电设备故障预测分析功能,同时通过对城轨供电设备的服役性能曲线进行分析得到城轨供电设备的工作状态,工作人员根据城轨供电设备的工作状态和异常信息,制定对城轨供电设备的维护计划,实现对城轨的供电设备进行健康管理功能,进而确保城轨供电设备的安全运行。
本申请在一较佳示例中可以进一步配置为:所述获取城轨供电设备的运行工况数据,基于所述运行工况数据获取设备特征数据,具体包括:
对所述运行工况数据进行去噪滤波处理得到处理后的运行工况数据;
在处理后的运行工况数据中提取数据跳跃点信息,将所述数据跳跃点信息作为设备特征数据。
通过采用上述技术方案,在城轨供电设备的PSCADA系统中获取到的运行工况数据都是含有其他类型数据,对运行工况数据进行滤波处理,将不相关的数据去除,提高对城轨供电设备进行故障预测的准确性,且也能够使城轨PSCADA系统对海量数据进行高效存储功能,筛选出无关数据后,再对运行工况数据进行去噪处理,快速处理运行工况数据内的平稳数据,提取出数据中的数据跳跃点,获取数据跳跃点的起始时间点和接收时间点,将所有的数据跳跃点作为设备特征数据,对运行工况数据进行去噪滤波处理,快速提取到设备特征数据,进一步加快城轨供电设备的故障预测功能,提高获取的设备特征数据的准确性,进而提高城轨供电设备故障预测的准确性。
本申请在一较佳示例中可以进一步配置为:所述将所述设备特征数据输入至预设的城轨供电设备故障知识库中,获取城轨供电设备异常信息之前,还包括:
获取城轨供电设备的历史工况数据和设备维保台账数据,基于所述历史工况数据获取历史故障集合;
基于所述历史故障集合和设备维保台账数据构建城轨供电设备故障知识库。
通过采用上述技术方案,通过对城轨供电设备的历史运行工况数据中,分析出城轨供电设备出现过的历史故障,将城轨供电设备出现过的历史故障整理成历史故障集合,将得到的历史故障集合和城轨供电设备的设备维保台账数据整理形成城轨供电设备故障知识库,进而便于对城轨供电设备进行故障分析,从而便于对城轨供电设备进行健康管理。
本申请在一较佳示例中可以进一步配置为:所述将所述设备特征数据输入至预设的城轨供电设备故障知识库中,获取城轨供电设备异常信息,具体包括:
基于所述设备特征数据获取城轨供电设备疑似故障数据集合,并输入至城轨供电设备故障知识库;
所述城轨供电设备故障知识库对疑似故障数据集合进行筛选分析,得到城轨供电设备的故障数据集合,基于所述故障数据集合获取城轨供电设备异常信息。
通过采用上述技术方案,对城轨供电设备的设备特征数据整理分析得到城轨供电设备的疑似故障数据集合,通过故障知识库对疑似故障数据集合进行筛选分析判断,最终确认得到城轨供电设备的故障数据集合,通过城轨供电设备的故障数据集合便于判断城轨供电设备是否出现故障,并进一步分析出故障类型信息,通过获取到的城轨供电设备异常信息便于对城轨供电设备进行健康管理,提高城轨供电设备的可靠性。
本申请在一较佳示例中可以进一步配置为:所述将所述设备特征数据输入至预设的城轨供电设备故障知识库中,获取城轨供电设备异常信息之后,还包括:
根据所述异常信息获取设备异常类型;
基于所述设备异常类型更新所述城轨供电设备故障知识库。
通过采用上述技术方案,通过对采集到的城轨供电设备的异常信息分析,得到城轨供电设备出现的故障异常的类型,并判断该故障异常的类型是否为新出现的城轨供电设备异常,若为新的故障异常类型,则对预设的城轨供电设备故障知识库进行更新,提高城轨供电设备故障知识库的故障分析能力。
本申请在一较佳示例中可以进一步配置为:所述将所述城轨供电设备异常信息输入至训练好的寿命模型中,获取城轨供电设备健康数据之前,还包括:
获取城轨供电设备历史状态数据集,其中,所述历史状态数据集包括训练数据集和验证数据集;
利用回归分析和相关性分析的方式对所述训练数据集进行训练,得到初始模型;
利用所述验证数据集对所述初始模型的输出数据进行验证,得到所述寿命模型。
通过采用上述技术方案,利用城轨供电设备的历史状态数据集构建城轨供电设备的寿命模型,便于对城轨供电设备的工作寿命进行预测,进而能够对城轨供电设备进行故障预测,利用回归分析和相关性分析技术对历史状态数据集的训练数据集进行分析,得到初始的寿命模型,再利用验证数据集对初始的寿命模型进行验证,使寿命模型能够更加准确地预测城轨供电设备的工作寿命和可能会出现的故障情况,提高故障预测的准确性。
本申请在一较佳示例中可以进一步配置为:所述将所述城轨供电设备异常信息输入至训练好的寿命模型中,获取城轨供电设备健康数据,基于所述城轨供电设备健康数据构建服役性能曲线,具体包括:
获取所述寿命模型输出的寿命计算数据,将所述寿命计算数据作为城轨供电设备健康数据;
根据所述城轨供电设备健康数据获取故障预测数据集合,基于所述故障预测数据集合构建安全服役性能模型,将所述安全服役性能模型输出的数据拟合成服役性能曲线。
通过采用上述技术方案,由于每个城轨供电设备的产品质量或者使用情况不同,其寿命会有波动,城轨供电设备的寿命模型输入异常信息后输出城轨供电设备的寿命计算数据,能够分析出城轨供电设备的可使用寿命周期情况,在城轨供电设备的寿命计算数据中提取出对城轨供电设备的故障预测数据集合,根据城轨供电设备的故障预测数据集合构建出城轨供电设备的安全服役性能模型,对安全服役性能模型输出的数据进行拟合,可以得到城轨供电设备的服役性能曲线,进而能够对城轨供电设备进行疲劳使用情况模拟,分析出城轨供电设备的生命周期情况,进而通过供电设备的生命周期情况对城轨供电设备的故障预测分析功能,实现故障预测目的。
本申请在一较佳示例中可以进一步配置为:所述根据所述服役性能曲线分析城轨供电设备的工作状态,基于所述城轨供电设备的工作状态制定维护计划,具体包括:
基于所述服役性能曲线获取城轨供电设备的预测状态数据;
根据所述城轨预测状态数据模拟城轨供电设备的安全曲线,基于所述安全曲线制定城轨供电设备的维护计划。
通过采用上述技术方案,对城轨供电设备的服役性能曲线进行分析,计算出城轨供电设备在当前使用情况下的预测状态情况,根据城轨供电设备的预测状态数据进行模拟,得到城轨供电设备的后期使用安全曲线,在城轨供电设备的安全曲线的辅助下,便于工作人员制定对城轨供电设备的未来维护方案,进而实现对城轨供电设备的健康管理功能。
本申请的上述发明目的二是通过以下技术方案得以实现的:
一种基于PSCADA数据的供电设备安全预测系统,包括:
设备特征数据提取模块:用于获取城轨供电设备的运行工况数据,基于所述运行工况数据获取设备特征数据;
异常信息分析模块:用于将所述设备特征数据输入至预设的城轨供电设备故障知识库中,获取城轨供电设备异常信息;
寿命健康预测模块:用于将所述城轨供电设备异常信息输入至训练好的寿命模型中,获取城轨供电设备健康数据,基于所述城轨供电设备健康数据构建服役性能曲线;
健康管理模块:用于根据所述服役性能曲线分析城轨供电设备的工作状态,基于所述城轨供电设备的工作状态制定维护计划。
通过采用上述技术方案,在城轨供电设备运行过程中,城轨供电设备会将工况数据存储在PSCADA系统内,在PSCADA系统中实时获取城轨供电设备的运行工况数据,在城轨供电设备的运行工况数据中提取出设备特征数据,将得到的设备特征数据输入至预设的城轨供电设备故障知识库中,分析城轨供电设备是否出现故障,并生成城轨供电设备异常信息,实现对设备特征数据进行故障分析功能,将城轨供电设备异常信息输入进训练好的寿命模型中,寿命模型对城轨供电设备异常信息进行分析以得到城轨供电设备的健康数据,将城轨供电设备的健康数据构建成城轨供电设备的服役性能曲线,通过城轨供电设备的服役性能曲线分析能够对城轨供电设备进行故障预测,实现对城轨供电设备故障预测分析功能,同时通过对城轨供电设备的服役性能曲线进行分析得到城轨供电设备的工作状态,工作人员根据城轨供电设备的工作状态和异常信息,制定对城轨供电设备的维护计划,实现对城轨的供电设备进行健康管理功能,进而确保城轨供电设备的安全运行。
本申请的上述目的三是通过以下技术方案得以实现的:
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于PSCADA数据的供电设备安全预测方法的步骤。
本申请的上述目的四是通过以下技术方案得以实现的:
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述基于PSCADA数据的供电设备安全预测方法的步骤。
综上所述,本申请包括以下至少一种有益技术效果:
1.通过在城轨供电设备的运行工况数据中提取出设备特征数据输入至预设的城轨供电设备故障知识库中,分析城轨供电设备是否出现故障,寿命模型对城轨供电设备异常信息进行分析,模拟出城轨供电设备的服役性能曲线,通过城轨供电设备的服役性能曲线分析能够对城轨供电设备进行故障预测,实现对城轨供电设备故障预测分析功能,同时通过对城轨供电设备的服役性能曲线进行分析得到城轨供电设备的工作状态,工作人员根据城轨供电设备的工作状态和异常信息,制定对城轨供电设备的维护计划;
2.对运行工况数据进行滤波处理,将不相关的数据去除,提高对城轨供电设备进行故障预测的准确性,且也能够使城轨PSCADA系统对海量数据进行高效存储功能;
3.对城轨供电设备的设备特征数据整理分析得到城轨供电设备的疑似故障数据集合,通过故障知识库对疑似故障数据集合进行筛选分析判断,最终确认得到城轨供电设备的故障数据集合,通过城轨供电设备的故障数据集合便于判断城轨供电设备是否出现故障,并进一步分析出故障类型信息,通过获取到的城轨供电设备异常信息便于对城轨供电设备进行健康管理,提高城轨供电设备的可靠性;
4.通过对采集到的城轨供电设备的异常信息分析,得到城轨供电设备出现的故障异常的类型,并判断该故障异常的类型是否为新出现的城轨供电设备异常,若为新的故障异常类型,则对预设的城轨供电设备故障知识库进行更新,提高城轨供电设备故障知识库的故障分析能力;
5.利用城轨供电设备的历史状态数据集构建城轨供电设备的寿命模型,便于对城轨供电设备的工作寿命进行预测,进而能够对城轨供电设备进行故障预测,利用回归分析和相关性分析技术对历史状态数据集的训练数据集进行分析,得到初始的寿命模型,再利用验证数据集对初始的寿命模型进行验证,使初始的寿命模型能够准确地预测城轨供电设备的工作寿命和可能会出现的故障情况,提高故障预测的准确性;
6.由于每个城轨供电设备的产品质量或者使用情况不同,其寿命会有波动,城轨供电设备的寿命模型输入异常信息后输出城轨供电设备的寿命计算数据,能够分析出城轨供电设备的可使用寿命周期情况,进而通过供电设备的生命周期情况对城轨供电设备的故障预测分析功能,实现故障预测目的。
附图说明
图1是本申请基于PSCADA数据的供电设备安全预测方法实施例的一实现流程图;
图2是申请基于PSCADA数据的供电设备安全预测方法实施例中步骤S10的实现流程图;
图3是申请基于PSCADA数据的供电设备安全预测方法实施例的另一实现流程图;
图4是申请基于PSCADA数据的供电设备安全预测方法实施例中步骤S20的实现流程图;
图5是本申请基于PSCADA数据的供电设备安全预测方法实施例的另一实现流程图;
图6是本申请基于PSCADA数据的供电设备安全预测方法实施例的另一实现流程图;
图7是本申请基于PSCADA数据的供电设备安全预测方法实施例中步骤S30的实现流程图;
图8是本申请基于PSCADA数据的供电设备安全预测系统实施例的原理框图;
图9是本申请一实施例中的计算机设备示意图。
具体实施方式
以下结合附图1-9对本申请作进一步详细说明。
在一实施例中,如图1所示,本申请公开了一种基于PSCADA数据的供电设备安全预测方法,具体包括如下步骤:
S10:获取城轨供电设备的运行工况数据,基于所述运行工况数据获取设备特征数据。
在本实施例中,运行工况数据是指城轨供电设备运行中的实时监测数据,设备特征数据是指城轨供电设备的运行工况数据中发生波动跳跃的数据。
具体的,在城轨供电设备运行过程中,城轨供电设备会将工况数据存储在PSCADA系统内,在PSCADA系统中实时获取城轨供电设备的实时监测数据,城轨供电设备的实时监测数据会出现有波动跳跃的数据段,将发生波动跳跃的数据段提取出来,作为城轨供电设备的设备特征数据。
S20:将所述设备特征数据输入至预设的城轨供电设备故障知识库中,获取城轨供电设备异常信息。
在本实施例中,城轨供电设备故障知识库是指城轨供电设备所有会出现的故障信息总集,城轨供电设备异常信息是指城轨供电设备是否出现故障的判断结果。
具体的,将城轨供电设备的实时监测数据中发生波动跳跃的数据输入至预先设置好的城轨供电设备故障信息总集内,对该发生波动跳跃的数据进行分析,判断城轨供电设备是否发生故障。
进一步地,若判断结果为城轨供电设备出现故障,则分析出城轨供电设备的故障类型以及故障情况,并生成警报,及时通知工作人员对城轨的供电设备进行维修;若判断结果为城轨供电设备未出现故障,则将该城轨供电设备发生波动跳跃的数据做进一步的分析,以预测城轨供电设备的未来使用情况。
S30:将所述城轨供电设备异常信息输入至训练好的寿命模型中,获取城轨供电设备健康数据,基于所述城轨供电设备健康数据构建服役性能曲线。
在本实施例中,寿命模型是指预测城轨供电设备可使用寿命的模型,城轨供电设备健康数据是指城轨供电设备的安全指数,服役性能曲线是指城轨供电设备的生命周期曲线。
具体的,将城轨供电设备发生波动跳跃的数据输入至预测城轨供电设备可使用的寿命模型中,寿命模型对发生波动跳跃的数据进行分析,得出城轨供电设备的安全指数情况,根据城轨供电设备的安全指数情况,模拟出该城轨供电设备可使用的生命周期曲线,实现对城轨供电设备的生命健康周期安全管理。
S40:根据所述服役性能曲线分析城轨供电设备的工作状态,基于所述城轨供电设备的工作状态制定维护计划。
在本实施例中,城轨供电设备的工作状态是指对城轨供电设备未来使用状态的预测数据,维护计划是指工作人员对城轨供电设备的维护保修计划。
具体的,对城轨供电设备的生命周期曲线进行分析,获取到对城轨供电设备未来使用状态的预测数据,使工作人员通过对城轨供电设备未来使用状态的预测数据分析,进一步制定出对城轨供电设备的未来维护保修计划,便于工作人员对城轨供电设备进行预防性维修,进一步地,工作人员可以根据对城轨供电设备维保过程的经济分析,判断城轨供电设备是否进行退役报废。
在城轨供电设备运行过程中,城轨供电设备会将工况数据存储在PSCADA系统内,在PSCADA系统中实时获取城轨供电设备的运行工况数据,在城轨供电设备的运行工况数据中提取出设备特征数据,将得到的设备特征数据输入至预设的城轨供电设备故障知识库中,分析城轨供电设备是否出现故障,并生成城轨供电设备异常信息,实现对设备特征数据进行故障分析功能,将城轨供电设备异常信息输入进训练好的寿命模型中,寿命模型对城轨供电设备异常信息进行分析以得到城轨供电设备的健康数据,将城轨供电设备的健康数据构建成城轨供电设备的服役性能曲线,通过城轨供电设备的服役性能曲线分析能够对城轨供电设备进行故障预测,实现对城轨供电设备故障预测分析功能,同时通过对城轨供电设备的服役性能曲线进行分析得到城轨供电设备的工作状态,工作人员根据城轨供电设备的工作状态和异常信息,制定对城轨供电设备的维护计划,实现对城轨的供电设备进行健康管理功能,进而确保城轨供电设备的安全运行。
在一实施例中,如图2所示,在步骤S10中,即获取城轨供电设备的运行工况数据,基于所述运行工况数据获取设备特征数据,具体包括:
S11:对所述运行工况数据进行去噪滤波处理得到处理后的运行工况数据。
在本实施例中,去噪滤波处理是指对运行工况数据进行过滤提取处理。
具体的,在城轨供电设备的PSCADA系统中获取到的运行工况数据都是含有其他类型数据,对运行工况数据进行滤波处理,将不相关的数据去除。
进一步地,筛选出无关数据后,再对运行工况数据进行去噪处理,快速处理运行工况数据内的平稳数据,提取出数据中的数据跳跃点,获取数据跳跃点的起始时间点和接收时间点,将所有的数据跳跃点作为设备特征数据,进而提高对城轨供电设备进行故障预测的准确性,同时也能够使城轨PSCADA系统对海量数据进行高效存储功能。
S12:在处理后的运行工况数据中提取数据跳跃点信息,将所述数据跳跃点信息作为设备特征数据。
具体的,获取数据跳跃点的起始时间点和接收时间点,将所有的数据跳跃点段作为设备特征数据,快速提取到设备特征数据。
在一实施例中,如图3所示,在步骤S20之前,即将所述设备特征数据输入至预设的城轨供电设备故障知识库中,获取城轨供电设备异常信息之前,基于PSCADA数据的供电设备安全预测方法还包括:
S201:获取城轨供电设备的历史工况数据和设备维保台账数据,基于所述历史工况数据获取历史故障集合。
在本实施例中,历史工况数据是指城轨供电设备的历史工作数据,设备维保台账数据是指对城轨供电设备历史维修的记录数据,历史故障集合是指城轨供电设备以往出现过的故障的具体信息以及维修情况。
具体的,工作人员可将城轨供电设备的历史工作数据和对城轨供电设备历史维修的记录数据输入至系统内,将城轨供电设备的历史工作情况与进行维修过的维修记录数据相关联,在城轨供电设备的历史工作数据中获取城轨供电设备以往出现过的故障的具体信息以及维修情况的整集。
S202:基于所述历史故障集合和设备维保台账数据构建城轨供电设备故障知识库。
具体的,将城轨供电设备以往出现过的故障的具体信息以及维修情况的整集和城轨供电设备历史维修的记录数据进行关联,构成一个城轨供电设备的故障知识库,其中城轨供电设备的故障知识库内包括城轨供电设备会出现的故障类型、故障信息以及相对应的维修步骤。
在一实施例中,如图4所示,在步骤S20中,即将所述设备特征数据输入至预设的城轨供电设备故障知识库中,获取城轨供电设备异常信息,具体包括:
S21:基于所述设备特征数据获取城轨供电设备疑似故障数据集合,并输入至城轨供电设备故障知识库。
在本实施例中,城轨供电设备疑似故障数据集合是指城轨供电设备疑似出现故障的工作数据集合。
具体的,通过对城轨供电设备的运行工况数据中发生波动跳跃的数据进行分析,获取到城轨供电设备疑似出现故障的工作数据集合,将城轨供电设备疑似出现故障的工作数据集合与城轨供电设备故障知识库中的数据比较,进行城轨供电设备是否出现故障判断功能。
S22:所述城轨供电设备故障知识库对疑似故障数据集合进行筛选分析,得到城轨供电设备的故障数据集合,基于所述故障数据集合获取城轨供电设备异常信息。
在本实施例中,城轨供电设备的故障数据集合是指城轨供电设备出现的故障类型、故障情况等信息集合。
具体的,通过城轨供电设备故障知识库对城轨供电设备疑似出现故障的工作数据集合进行分析判断,若判断出城轨供电设备出现故障,进一步分析出城轨供电设备出现的故障类型、故障情况等信息,若判断出城轨供电设备为出现故障,则分析出城轨供电设备未来工作状态情况,并基于城轨供电设备未来工作状态情况分析会出现的故障类型。
在一实施例中,如图5所示,在步骤S20之后,即将所述设备特征数据输入至预设的城轨供电设备故障知识库中,获取城轨供电设备异常信息之后,基于PSCADA数据的供电设备安全预测方法还包括:
S203:根据所述异常信息获取设备异常类型。
在本实施例中,设备异常类型是指城轨供电设备的故障异常类型。
具体的,当判断出城轨供电设备出现故障异常,则在城轨供电设备的故障异常数据中分析出城轨供电设备发生的故障异常类型信息。
S204:基于所述设备异常类型更新所述城轨供电设备故障知识库。
具体的,判断该故障异常的类型是否为新出现的城轨供电设备异常,若为新的故障异常类型,则对预设的城轨供电设备故障知识库进行更新,提高城轨供电设备故障知识库的故障分析能力。
在一实施例中,如图6所示,在步骤S30之前,即将所述城轨供电设备异常信息输入至训练好的寿命模型中,获取城轨供电设备健康数据之前,基于PSCADA数据的供电设备安全预测方法还包括:
S301:获取城轨供电设备历史状态数据集,其中,所述历史状态数据集包括训练数据集和验证数据集。
在本实施例中,历史状态数据集是指城轨供电设备的历史工作状态数据集合。
具体的,可通过步骤S201中的城轨供电设备的历史工况数据中获取到城轨供电设备的历史工作状态数据集合,并将城轨供电设备的历史工作状态数据集合分为一个用于训练模型的训练数据集和用于验证模型的验证数据集。
S302:利用回归分析和相关性分析的方式对所述训练数据集进行训练,得到初始模型。
具体的,对训练数据集中用于训练模型的数据进行回归性分析和相关性分析,训练出一个初步的寿命预测模型。
S303:利用所述验证数据集对所述初始模型的输出数据进行验证,得到所述寿命模型。
具体的,将验证数据集中的数据输入至步骤S302中的初步的寿命预测模型,对初步的寿命预测模型进行验证,进而得到城轨供电设备的预测城轨供电设备可使用寿命的模型,进而使模型能够更加准确地预测城轨供电设备的工作寿命和可能会出现的故障情况,提高故障预测的准确性。
在一实施例中,如图7所示,在步骤S30中,即将所述城轨供电设备异常信息输入至训练好的寿命模型中,获取城轨供电设备健康数据,基于所述城轨供电设备健康数据构建服役性能曲线,具体包括:
S31:获取所述寿命模型输出的寿命计算数据,将所述寿命计算数据作为城轨供电设备健康数据。
在本实施例中,寿命计算数据是指城轨供电设备的可使用生命周期。
具体的,将城轨供电设备发生波动跳跃的数据输入至预测城轨供电设备可使用的寿命模型中,寿命模型会输出该城轨供电设备的未来可使用的生命周期,将城轨供电设备的未来可使用的生命周期定为城轨供电设备的安全指数。
S32:根据所述城轨供电设备健康数据获取故障预测数据集合,基于所述故障预测数据集合构建安全服役性能模型,将所述安全服役性能模型输出的数据拟合成服役性能曲线。
在本实施例中,故障预测数据集合是指城轨会出现故障的机率信息以及出现故障的时间点信息,安全服役性能模型是指城轨供电设备的疲劳使用的预测模型。
具体的,对城轨供电设备的未来可使用的生命周期进行分析,得出城轨会出现故障的机率信息以及出现故障的时间点信息,将城轨会出现故障的机率信息以及出现故障的时间点信息构建成一个城轨供电设备的疲劳使用的预测模型,城轨供电设备的疲劳使用的预测模型进行预测分析,得到城轨供电设备的生命周期曲线,实现对城轨供电设备的生命健康周期安全管理,也便于工作人员根据城轨会出现故障的机率信息以及出现故障的时间点信息,对城轨供电设备进行预防性维修。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
在一实施例中,提供一种基于PSCADA数据的供电设备安全预测系统,该基于PSCADA数据的供电设备安全预测系统与上述实施例中基于PSCADA数据的供电设备安全预测方法一一对应。如图8所示,该基于PSCADA数据的供电设备安全预测系统包括:
设备特征数据提取模块:用于获取城轨供电设备的运行工况数据,基于所述运行工况数据获取设备特征数据;
异常信息分析模块:用于将所述设备特征数据输入至预设的城轨供电设备故障知识库中,获取城轨供电设备异常信息;
寿命健康预测模块:用于将所述城轨供电设备异常信息输入至训练好的寿命模型中,获取城轨供电设备健康数据,基于所述城轨供电设备健康数据构建服役性能曲线;
健康管理模块:用于根据所述服役性能曲线分析城轨供电设备的工作状态,基于所述城轨供电设备的工作状态制定维护计划。
关于基于PSCADA数据的供电设备安全预测系统的具体限定可以参见上文中对于基于PSCADA数据的供电设备安全预测方法的限定,在此不再赘述。上述基于PSCADA数据的供电设备安全预测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储运行工况数据、城轨供电设备故障知识库、寿命模型、城轨供电设备健康数据、服役性能曲线和维护计划。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于PSCADA数据的供电设备安全预测方法。
在一个实施例中,提供了一种计算机设备,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以下步骤:
获取城轨供电设备的运行工况数据,基于所述运行工况数据获取设备特征数据;
将所述设备特征数据输入至预设的城轨供电设备故障知识库中,获取城轨供电设备异常信息;
将所述城轨供电设备异常信息输入至训练好的寿命模型中,获取城轨供电设备健康数据,基于所述城轨供电设备健康数据构建服役性能曲线;
根据所述服役性能曲线分析城轨供电设备的工作状态,基于所述城轨供电设备的工作状态制定维护计划。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取城轨供电设备的运行工况数据,基于所述运行工况数据获取设备特征数据;
将所述设备特征数据输入至预设的城轨供电设备故障知识库中,获取城轨供电设备异常信息;
将所述城轨供电设备异常信息输入至训练好的寿命模型中,获取城轨供电设备健康数据,基于所述城轨供电设备健康数据构建服役性能曲线;
根据所述服役性能曲线分析城轨供电设备的工作状态,基于所述城轨供电设备的工作状态制定维护计划。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于PSCADA数据的供电设备安全预测方法,其特征在于,所述基于PSCADA数据的供电设备安全预测方法包括步骤:
获取城轨供电设备的运行工况数据,基于所述运行工况数据获取设备特征数据;
将所述设备特征数据输入至预设的城轨供电设备故障知识库中,获取城轨供电设备异常信息;
将所述城轨供电设备异常信息输入至训练好的寿命模型中,获取城轨供电设备健康数据,基于所述城轨供电设备健康数据构建服役性能曲线;
根据所述服役性能曲线分析城轨供电设备的工作状态,基于所述城轨供电设备的工作状态制定维护计划。
2.根据权利要求1所述的一种基于PSCADA数据的供电设备安全预测方法,其特征在于:所述获取城轨供电设备的运行工况数据,基于所述运行工况数据获取设备特征数据,具体包括:
对所述运行工况数据进行去噪滤波处理得到处理后的运行工况数据;
在处理后的运行工况数据中提取数据跳跃点信息,将所述数据跳跃点信息作为设备特征数据。
3.根据权利要求1所述的一种基于PSCADA数据的供电设备安全预测方法,其特征在于:所述将所述设备特征数据输入至预设的城轨供电设备故障知识库中,获取城轨供电设备异常信息之前,还包括:
获取城轨供电设备的历史工况数据和设备维保台账数据,基于所述历史工况数据获取历史故障集合;
基于所述历史故障集合和设备维保台账数据构建城轨供电设备故障知识库。
4.根据权利要求3所述的一种基于PSCADA数据的供电设备安全预测方法,其特征在于:所述将所述设备特征数据输入至预设的城轨供电设备故障知识库中,获取城轨供电设备异常信息,具体包括:
基于所述设备特征数据获取城轨供电设备疑似故障数据集合,并输入至城轨供电设备故障知识库;
所述城轨供电设备故障知识库对疑似故障数据集合进行筛选分析,得到城轨供电设备的故障数据集合,基于所述故障数据集合获取城轨供电设备异常信息。
5.根据权利要求4所述的一种基于PSCADA数据的供电设备安全预测方法,其特征在于:所述将所述设备特征数据输入至预设的城轨供电设备故障知识库中,获取城轨供电设备异常信息之后,还包括:
根据所述异常信息获取设备异常类型;
基于所述设备异常类型更新所述城轨供电设备故障知识库。
6.根据权利要求1所述的一种基于PSCADA数据的供电设备安全预测方法,其特征在于:所述将所述城轨供电设备异常信息输入至训练好的寿命模型中,获取城轨供电设备健康数据之前,还包括:
获取城轨供电设备历史状态数据集,其中,所述历史状态数据集包括训练数据集和验证数据集;
利用回归分析和相关性分析的方式对所述训练数据集进行训练,得到初始模型;
利用所述验证数据集对所述初始模型的输出数据进行验证,得到所述寿命模型。
7.根据权利要求1所述的一种基于PSCADA数据的供电设备安全预测方法,其特征在于:所述将所述城轨供电设备异常信息输入至训练好的寿命模型中,获取城轨供电设备健康数据,基于所述城轨供电设备健康数据构建服役性能曲线,具体包括:
获取所述寿命模型输出的寿命计算数据,将所述寿命计算数据作为城轨供电设备健康数据;
根据所述城轨供电设备健康数据获取故障预测数据集合,基于所述故障预测数据集合构建安全服役性能模型,将所述安全服役性能模型输出的数据拟合成服役性能曲线。
8.一种基于PSCADA数据的供电设备安全预测系统,其特征在于,包括:
设备特征数据提取模块:用于获取城轨供电设备的运行工况数据,基于所述运行工况数据获取设备特征数据;
异常信息分析模块:用于将所述设备特征数据输入至预设的城轨供电设备故障知识库中,获取城轨供电设备异常信息;
寿命健康预测模块:用于将所述城轨供电设备异常信息输入至训练好的寿命模型中,获取城轨供电设备健康数据,基于所述城轨供电设备健康数据构建服役性能曲线;
健康管理模块:用于根据所述服役性能曲线分析城轨供电设备的工作状态,基于所述城轨供电设备的工作状态制定维护计划。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述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如权利要求1至7任一项所述基于PSCADA数据的供电设备安全预测方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于PSCADA数据的供电设备安全预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211339386.XA CN115759357B (zh) | 2022-10-29 | 2022-10-29 | 基于pscada数据的供电设备安全预测方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211339386.XA CN115759357B (zh) | 2022-10-29 | 2022-10-29 | 基于pscada数据的供电设备安全预测方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115759357A true CN115759357A (zh) | 2023-03-07 |
CN115759357B CN115759357B (zh) | 2023-05-09 |
Family
ID=85354240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211339386.XA Active CN115759357B (zh) | 2022-10-29 | 2022-10-29 | 基于pscada数据的供电设备安全预测方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115759357B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452187A (zh) * | 2023-04-07 | 2023-07-18 | 北京思维实创科技有限公司 | 一种基于城轨iscs的电扶梯故障预测方法及系统 |
CN117010663A (zh) * | 2023-09-12 | 2023-11-07 | 成都秦川物联网科技股份有限公司 | 基于图谱的智慧燃气数据管理方法和物联网系统及介质 |
CN117852893A (zh) * | 2024-02-19 | 2024-04-09 | 公诚管理咨询有限公司 | 基于人工智能技术的工程安全风险检测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040049715A1 (en) * | 2002-09-05 | 2004-03-11 | Jaw Link C. | Computer networked intelligent condition-based engine/equipment management system |
CN114118225A (zh) * | 2021-11-02 | 2022-03-01 | 苏州热工研究院有限公司 | 发电机剩余寿命预测方法、系统、电子设备和存储介质 |
CN114154667A (zh) * | 2020-09-07 | 2022-03-08 | 思维实创(哈尔滨)科技有限公司 | 一种基于大数据的混合式时间序列电梯运行参数预测方法 |
CN114239377A (zh) * | 2021-11-10 | 2022-03-25 | 合肥赛为智能有限公司 | 一种城轨机电设备健康状态评估方法、系统及存储介质 |
CN114267178A (zh) * | 2021-12-30 | 2022-04-01 | 佳都科技集团股份有限公司 | 一种车站的智能运营维护方法及装置 |
CN114298521A (zh) * | 2021-12-23 | 2022-04-08 | 佳都科技集团股份有限公司 | 城轨设备的可靠性分析方法、装置、设备和存储介质 |
CN115081584A (zh) * | 2022-05-16 | 2022-09-20 | 合肥科大智能机器人技术有限公司 | 基于机器学习的电力设备健康管理方法、系统及介质 |
-
2022
- 2022-10-29 CN CN202211339386.XA patent/CN115759357B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040049715A1 (en) * | 2002-09-05 | 2004-03-11 | Jaw Link C. | Computer networked intelligent condition-based engine/equipment management system |
CN114154667A (zh) * | 2020-09-07 | 2022-03-08 | 思维实创(哈尔滨)科技有限公司 | 一种基于大数据的混合式时间序列电梯运行参数预测方法 |
CN114118225A (zh) * | 2021-11-02 | 2022-03-01 | 苏州热工研究院有限公司 | 发电机剩余寿命预测方法、系统、电子设备和存储介质 |
CN114239377A (zh) * | 2021-11-10 | 2022-03-25 | 合肥赛为智能有限公司 | 一种城轨机电设备健康状态评估方法、系统及存储介质 |
CN114298521A (zh) * | 2021-12-23 | 2022-04-08 | 佳都科技集团股份有限公司 | 城轨设备的可靠性分析方法、装置、设备和存储介质 |
CN114267178A (zh) * | 2021-12-30 | 2022-04-01 | 佳都科技集团股份有限公司 | 一种车站的智能运营维护方法及装置 |
CN115081584A (zh) * | 2022-05-16 | 2022-09-20 | 合肥科大智能机器人技术有限公司 | 基于机器学习的电力设备健康管理方法、系统及介质 |
Non-Patent Citations (2)
Title |
---|
WEI CHAO等: "A multi-layer transformer life span evaluating decision model based on information fusion" * |
李天伦 等: "基于Copula函数的热轧支持辊健康状态预测模型" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452187A (zh) * | 2023-04-07 | 2023-07-18 | 北京思维实创科技有限公司 | 一种基于城轨iscs的电扶梯故障预测方法及系统 |
CN117010663A (zh) * | 2023-09-12 | 2023-11-07 | 成都秦川物联网科技股份有限公司 | 基于图谱的智慧燃气数据管理方法和物联网系统及介质 |
CN117010663B (zh) * | 2023-09-12 | 2023-12-15 | 成都秦川物联网科技股份有限公司 | 基于图谱的智慧燃气数据管理方法和物联网系统及介质 |
CN117852893A (zh) * | 2024-02-19 | 2024-04-09 | 公诚管理咨询有限公司 | 基于人工智能技术的工程安全风险检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115759357B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115759357A (zh) | 基于pscada数据的供电设备安全预测方法、系统、设备及介质 | |
CN108445410B (zh) | 一种监测蓄电池组运行状态的方法及装置 | |
DE102010052998A1 (de) | Software-zentrierte Methodik für die Überprüfung und Bestätigung von Fehlermodellen | |
CN115511136B (zh) | 基于层次分析和故障树的设备故障辅助诊断方法及系统 | |
CN110727531A (zh) | 一种线上系统的故障预测及处理方法及系统 | |
CN111177655B (zh) | 一种数据处理方法、装置及电子设备 | |
CN116345690B (zh) | 基于供电系统设备清单的电力监测虚警识别方法及系统 | |
CN111898661A (zh) | 道岔转辙机的工作状态监测方法及装置 | |
CN115422635A (zh) | 基于bim的钢结构工程监测方法、系统、设备及存储介质 | |
CN115952081A (zh) | 一种软件测试方法、装置、存储介质及设备 | |
CN110264055B (zh) | 部件危害性评估方法、装置、设备及计算机可读存储介质 | |
CN117435883A (zh) | 一种基于数字孪生的设备故障预测的方法和系统 | |
CN111931323B (zh) | 存储器、加氢裂化设备故障预测方法、装置和设备 | |
CN112380759B (zh) | 基于深度学习和CoxPH模型的智能电表寿命预测方法 | |
CN115795907A (zh) | 一种机电设备的可靠性评估方法、系统、设备及介质 | |
CN111177488A (zh) | 计量设备检修处理方法、装置、计算机设备和存储介质 | |
CN114120598A (zh) | 轨道交通供电预警方法、装置、计算机设备以及存储介质 | |
CN110865939B (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
CN113887990A (zh) | 电气设备维修决策优化方法 | |
CN114487848A (zh) | 一种蓄电池的状态计算方法和装置 | |
CN114066163A (zh) | 一种基于三层架构模式的电力设备状态分析方法及装置 | |
CN105426999A (zh) | 输变电设备状态变化预测方法和系统 | |
CN113591266A (zh) | 一种电能表故障概率的分析方法及系统 | |
CN117852893A (zh) | 基于人工智能技术的工程安全风险检测方法及系统 | |
CN117272844B (zh) | 配电盘工作寿命的预测方法及系统 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231226 Address after: Room 1227-1, 12th floor, Haitai building, No. 229, Middle North Fourth Ring Road, Haidian District, Beijing 100089 Patentee after: Beijing maglev Co.,Ltd. Address before: 1021, 10th floor, No. 118, Xidazhi Street, Nangang District, Harbin, Heilongjiang Province, 150006 Patentee before: Thinking innovation (Harbin) Technology Co.,Ltd. |