CN116304778A - 一种用于小型断路器维护数据处理方法 - Google Patents
一种用于小型断路器维护数据处理方法 Download PDFInfo
- Publication number
- CN116304778A CN116304778A CN202310551979.0A CN202310551979A CN116304778A CN 116304778 A CN116304778 A CN 116304778A CN 202310551979 A CN202310551979 A CN 202310551979A CN 116304778 A CN116304778 A CN 116304778A
- Authority
- CN
- China
- Prior art keywords
- influence factor
- sequence
- factor sequence
- difference
- influence
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 20
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 238000012937 correction Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000000739 chaotic effect Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000009423 ventilation 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术领域，具体涉及一种用于小型断路器维护数据处理方法，包括：获取温度时间序列与若干个影响因素序列；获取每一影响因素序列的初始关联度与影响波动性，获取每一影响因素序列的差值序列及若干个差值聚类簇，根据每一差值聚类簇中数据在影响因素序列的差值序列中的位置差异获取每一影响因素序列的波动校正值，进而获取加权系数；利用加权系数对未来时刻的温度进行预测，并根据预测结果及时对断路器进行维护。本发明根据小型断路器维护数据中不同影响因素数据对温度数据影响程度的不同及不同影响因素数据的数据波动差异预测温度值，提升预测精度，提升对小型断路器维护处理的准确性。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种用于小型断路器维护数据处理方法。
背景技术
小型断路器适用于交流50/60Hz或额定电压230/400V，额定电流至63A线路的过载和短路保护，也可以在正常情况下用于线路的不频繁操作转换，主要用于工业、商业、高层和民用住宅等各种场所。为保持小型断路器的正常使用、保证使用寿命，在使用的过程中，需要保持小型断路器周围的空气温度在-5℃—40℃范围内。但是，不应使设备在接近-5℃或40℃的极限温度下持续工作，这会使小型断路器的性能受到较大影响，也会导致其使用寿命急速损耗。
小型断路器安装位置的环境温度一般为当地气温，但在小型断路器工作的过程中，当电路中的载流量较高时，小型断路器和配电箱中的其他器件会放热使配电箱内的温度升高。同时，因温度升高导致小型断路器工作性能受到的影响并不是达到某个温度阈值突然出现的跃升影响，所以，需要在小型断路器工作的过程中及时监测其所处环境的温度，预测后续时间的温度，在未来时间温度对小型断路器工作性能产生一定影响时及时进行维护。现有的温度预测一般基于温度的往期数据，对离预测时刻越为相近的温度值对预测值的影响程度赋予更大的权重，以保证预测结果更为精确，但是往期各数值具体的影响程度为一人工确定的常数值，该常数值的选取对预测结果影响较大，所以预测精度往往受到该常值是否合适的影响。
发明内容
本发明提供一种用于小型断路器维护数据处理方法，以解决现有的问题。
本发明的一种用于小型断路器维护数据处理方法采用如下技术方案：
本发明一个实施例提供了一种用于小型断路器维护数据处理方法，该方法包括以下步骤：
获取小型断路器的温度时间序列与若干个影响因素序列；
根据每一影响因素序列与温度时间序列的关联性获取每一影响因素序列的初始关联度，根据每一影响因素序列中数据的混乱程度获取每一影响因素序列的影响波动性；
获取每一影响因素序列的差值序列及若干个差值聚类簇，获取每一差值聚类簇的极差，根据每一差值聚类簇中数据在影响因素序列的差值序列中的位置差异获取每一差值聚类簇的位置混乱程度，根据每一影响因素序列的每一差值聚类簇的位置混乱程度的数值差异及每一差值聚类簇的极差获取每一影响因素序列的波动校正值，根据每一影响因素序列的波动校正值与影响波动性获取每一影响因素序列的影响校正系数，根据每一影响因素序列的影响校正系数与每一影响因素序列的初始关联度获取加权系数；
利用加权系数对未来时刻的温度进行预测，并根据预测结果及时对断路器进行维护。
可选的，所述根据每一差值聚类簇中数据在影响因素序列的差值序列中的位置差异获取每一差值聚类簇的位置混乱程度，包括的具体步骤如下：
记任意一影响因素序列为关注影响因素序列，记关注影响因素序列中任意一差值聚类簇为关注差值聚类簇，获取关注差值聚类簇中每一数据在关注影响因素序列的差值序列中的序号值，构成关注差值聚类簇的位置序列，获取位置序列中数据的标准差，记为每一关注差值聚类簇的位置混乱程度。
可选的，所述根据每一影响因素序列的每一差值聚类簇的位置混乱程度的数值差异及每一差值聚类簇的极差获取每一影响因素序列的波动校正值，计算公式如下：
其中，
表示第
影响因素序列的波动校正值，
表示第
影响因素序列的第
个差
值聚类簇的位置混乱程度，
表示第
影响因素序列的第
个差值聚类簇的极差，
表示第
影响因素序列的差值聚类簇的个数，
表示第
影响因素序列的混乱集中度，
表示第
影响
因素序列的强度混乱距离，
表示累乘运算。
可选的，所述根据每一影响因素序列中数据的混乱程度获取每一影响因素序列的影响波动性，包括的具体步骤如下：
记任意一影响因素序列为关注影响因素序列，将关注影响因素序列中每一数据与
时序上前一数据的差值的绝对值按照关注影响因素序列的顺序进行排列，得到关注影响因
素序列的差值序列，获取差值序列中前
个数据的均值，记为关注影响因素序列的前期波动
程度，获取差值序列中第
个数据至第
个数据的均值，记为关注影响因素序列的后期
波动程度，其中
表示差值序列中的数据的个数，获取关注影响因素序列的熵值；
将关注影响因素序列的后期波动程度与前期波动程度的比值与关注影响因素序列的熵值的乘积记为关注影响因素序列的影响波动性。
可选的，所述根据每一影响因素序列的影响校正系数与每一影响因素序列的初始关联度获取加权系数，包括的具体步骤如下：
其中，
表示加权系数，
表示第
影响因素序列的初始关联度，
表示第
影响因
素序列的波动校正值，
表示预设的第一常数系数，
表示预设的第二常数系数，
为
归一化函数。
可选的，所述每一影响因素序列的影响校正系数的具体获取方法为：
将每一影响因素序列的波动校正值与影响波动值的乘积记为每一影响因素序列的影响校正系数。
本发明的技术方案的有益效果是：本发明通过小型断路器所处温度对工作效率的影响出发，在预测未来时刻的温度过程中根据影响小型断路器发热的各影响因素进行加权系数的自适应确定。其中加权系数的确定根据各影响因素的影响程度，在获取影响程度的基础上获取各影响因素序列的波动程度，对波动明显的数据进行筛选，根据这些数据相对于较为稳定的数据的突出程度和位于序列中的分散程度进行深入分析，对波动性较小的数据匹配较小的加权系数以减少波动的异常值的影响，对波动性较大的数据匹配较大的加权系数使预测值较快地适应较近数值的变化，使预测结果更为准确，提升预测精度，提升小型断路器维护的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种用于小型断路器维护数据处理方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种用于小型断路器维护数据处理方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种用于小型断路器维护数据处理方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种用于小型断路器维护数据处理方法的步骤流程图，该方法包括以下步骤：
步骤S001、获取温度时间序列与若干个影响因素序列。
需要说明的是，小型断路器一般设置于配电箱中，当电路中的电流、电压和功率等因素产生变化时，则断路器接线端和配电箱内其他元件可能会产生温升，影响小型断路器所处环境的温度。
在配电箱的小型断路器附近设置温度传感器，在小型断路器所在电路设置电流
表、电压表、功率表，自电路正常运行时刻起始，每间隔
时间，获取一次温度传感器及电流
表、电压表、功率表的数值，按照时序顺序依次构成温度时间序列、电流时序序列、电压时序
序列、功率时序列，每一序列获取
个时刻的数据停止，将电流时序序列、电压时序序列、功
率时序序列均记为影响因素序列；需要说明的是，本实施例设定
为1分钟，
，实施者
可视具体实施情况进行调整，本实施例设定影响因素序列为电流、电压、功率数据，具体实
施过程实施者可视实际需求进行调整，影响因素序列个数大于等于3。
至此，得到温度时间序列与若干个影响因素序列。
步骤S002、获取每一影响因素序列的影响波动性。
需要说明的是，本方案的目的为根据各影响因素和温度的历史值来预测下一段时间内温度的值，以指数移动平均EMA算法基础进行预测，但是该算法在使用的过程中，需确定加权系数，加权系数为一人工确定的参数，体现了不同时刻的数据在预测中影响的程度，当加权系数越大时，则预测值受到越近邻的数值影响越大，适应新数值的水平越快，但当该值过大时，则预测值的灵敏度会过高，容易对距离预测值时刻较近的异常数值过于灵敏，所以，需要在预测过程中根据历史值的特征获得更为准确的自适应加权系数，以获得更为准确的预测结果。
利用灰色关联分析获取温度时间序列与每一影响因素序列的关联度，记为每一影响因素序列的初始关联度；需要说明的是，关联度表征温度受到各影响因素影响的相对强弱，即为两个系统之间的因素随时间而变化的关联性大小的度量，为根据数据的变化规律的几何形状的相似性获得的联系的紧密性，将关联度作为这些影响因素对温度的影响度的初始值，对影响度进行矫正; 灰色关联分析为现有技术，本实施例不再过多赘述。
进一步需要说明的是，当历史数据较为混乱、波动性较大时，根据历史数据对未来进行预测的过程中，需要使预测值适应新数值的速度相对放缓，同时，若随着时间的推移，该波动性程度逐渐增加，则需要将预测值适应新数值的速度放缓的程度进行增加，以减小与预测值时刻较近的波动性增强的数值对预测值的影响，所以需要衡量各影响因素序列的波动强度。
记任意一影响因素序列为关注影响因素序列，将关注影响因素序列中每一数据与
时序上前一数据的差值的绝对值按照关注影响因素序列的顺序进行排列，得到关注影响因
素序列的差值序列，获取差值序列中前
个数据的均值，记为关注影响因素序列的前期波动
程度，获取差值序列中第
个数据至第
个数据的均值，记为关注影响因素序列的后期
波动程度，其中
表示差值序列中的数据的个数，获取关注影响因素序列的熵值；需要说明
的是，
为预设个数，本实施例设定
，实施者可视具体实施情况进行调整，关注影
响因素序列中第一个数据不与上一数据求取差值的绝对值，熵值的计算公式为现有技术，
本实施例不再过多赘述。
将关注影响因素序列的后期波动程度与前期波动程度的比值与关注影响因素序列的熵值的乘积记为关注影响因素序列的影响波动性。
当关注影响因素序列的熵值越大时，表示关注影响因素序列中数值越混乱，当关注影响因素序列的后期波动程度与前期波动程度的比值越大，表示关注影响因素序列的波动程度出现增大趋势，进而关注影响因素序列的影响波动性越大。
至此，得到每一影响因素序列的影响波动性，表征每一影响因素序列中数据的波动程度。
步骤S003、获取每一影响因素序列的若干个差值聚类簇，获取每一差值簇的位置混乱程度，根据位置混乱程度的差异获取每一影响因素序列的波动校正值，根据每一影响因素序列的波动校正值获取加权系数。
需要说明的是，当影响因素序列越混乱时，需要降低该影响因素序列对温度预测的影响，即该影响因素序列对应的加权系数应较小，而影响因素序列的影响波动性是根据整个序列中数据是否出现数值波动得到的，未考虑出现波动的数值的大小，即当影响因素序列出现较大波动的数值和影响因素序列中出现较小波动的数值时影响波动性可能相近，而对于出现较大的波动数据值，需要使得预测值的灵敏度降低，使预测值受到较相近的极端异常值的影响较小，当出现较小的波动值时，则需要使预测值对较近的指标值越灵敏，使得更快的适应序列中数据的变化规律，进而需要在影响波动性的基础上结合影响因素序列中数据数值的差异。
记任意一影响因素序列为关注影响因素序列，对关注影响因素序列的差值序列中
的数据使用DBSCAN聚类算法进行聚类处理，得到若干个聚类簇，记为关注影响因素序列的
差值聚类簇，获取每一差值聚类簇中数据的极差，获取每一差值聚类簇中数据的个数；需要
说明的是，若得到的差值聚类簇的个数小于
时，使用K-means聚类算法将关注影响因素序
列的差值序列中的数据划分为两簇，获取每一差值聚类簇中数据的极差，获取每一差值聚
类簇中数据的个数；需要说明的是，本实施例设定
，实施者可视具体实施情况进行调
整。
至此，得到每一影响因素序列的若干个差值聚类簇，每一差值聚类簇中数据的个数，每一差值聚类簇中数据的极差。
获取每一差值聚类簇内数据的均值，记为每一差值聚类簇的数据均值，由于需要考虑影响因素序列中相邻时刻的差值中波动较大的数值，将数据均值最小的差值聚类簇排除，即后续操作中差值聚类簇不包含数据均值最小的差值聚类簇。
记任意一影响因素序列为关注影响因素序列，记关注影响因素序列中任意一差值聚类簇为关注差值聚类簇，获取关注差值聚类簇中每一数据在关注影响因素序列的差值序列中的序号值即关注差值聚类簇中每一数据在关注影响因素序列的差值序列中的位置，构成关注差值聚类簇的位置序列，获取位置序列中数据的标准差，记为每一关注差值聚类簇的位置混乱程度。
具体的，以第
影响因素序列为例，获取第
影响因素序列的波动校正值
的计算方
法为：
其中，
表示第
影响因素序列的第
个差值聚类簇的位置混乱程度，
表示第
影
响因素序列的第
个差值聚类簇的极差，
表示第
影响因素序列的差值聚类簇的个数，
表
示第
影响因素序列的混乱集中度，
表示第
影响因素序列的强度混乱距离，
表示累乘运
算。
由于波动校正值是对各数值的波动性的集中程度进行分析评价，分为波动性较大的数据的突出程度和这些数据的分散程度，其中波动性较大的数据的突出程度以混乱集中度进行衡量，分散程度以强度混乱距离进行衡量；当波动性较大的数据相对于其他数据越为突出时，则影响因素序列中波动性越大、越为混乱的数值与其他数值之间的数值差异越大，即序列中出现的波动相对越为明显，在进行预测时，需要使预测值的灵敏度较低，使预测值受到极端异常值的影响较小，即混乱集中度越大时，对应的加权系数应越小；当这些数据的分散程度越大时，则认为在该影响因素序列中的波动性越强，序列中距离越远的数据对预测数据的参考价值越低，所以需要使预测值更为敏感，即强度混乱距离越大时，对应的加权系数应越大；即当波动校正值较大时，对应的加权系数应越大。
至此，得到每一影响因素序列的波动校正值。
进一步的，根据每一影响因素序列的波动校正值与影响波动性获取每一影响因素序列的影响校正系数。
将每一影响因素序列的波动校正值与影响波动值的乘积记为每一影响因素序列的影响校正系数。
进一步的，根据每一影响因素序列的影响校正系数与每一影响因素序列的初始关联度获取加权系数，进而利用加权系数对未来时刻的温度进行预测。
具体的，加权系数
的计算方法为：
其中，
表示第
影响因素序列的初始关联度，
表示第
影响因素序列的影响校正
系数，
表示预设的第一常数系数，
表示预设的第二常数系数，
为归一化函数，本实
施例设定
为
模型，本实施例设定
，
，实施者可视具体实施情
况进行调整；需要说明的是，本实施例中所用的
模型仅用于表示负相关关系和约束模
型输出的结果处于
区间内，具体实施时可替换成具有同样目的的其他模型，本实施例
只是以
模型为例进行叙述，不做具体限定。
至此，得到加权系数。
步骤S004、利用加权系数对未来时刻的温度进行预测，并根据预测结果及时对断路器进行维护。
将步骤S003得到的加权系数作为指数滑动平均法的加权系数，根据温度时间序列
和若干个影响因素序列使用指数滑动平均法对
时刻的温度值进行预测，得到
时
刻的预测温度值，依次类推，得到
周期内各时刻的预测温度值，本实施例设定
周期为30
个时刻的预测温度值。
当预测温度值在
周期内上升的绝对值大于
且该周期内有温度值相较于该地区
的环境温度值大于等于
时，则认为该小型断路器所处空间需要及时进行散热通风；当
周
期内上升的绝对值超过
且有温度值相较于该地区的环境温度值大于等于
时，则认为该
小型断路器有高温故障风险，需要及时进行检修或替换；需要说明的是，本实施例设定
，
，
。
至此，完成对未来时刻的温度的预测，并根据预测结果对断路器进行维护。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种用于小型断路器维护数据处理方法，其特征在于，该方法包括以下步骤：
获取小型断路器的温度时间序列与若干个影响因素序列；
根据每一影响因素序列与温度时间序列的关联性获取每一影响因素序列的初始关联度，根据每一影响因素序列中数据的混乱程度获取每一影响因素序列的影响波动性；
获取每一影响因素序列的差值序列及若干个差值聚类簇，获取每一差值聚类簇的极差，根据每一差值聚类簇中数据在影响因素序列的差值序列中的位置差异获取每一差值聚类簇的位置混乱程度，根据每一影响因素序列的每一差值聚类簇的位置混乱程度的数值差异及每一差值聚类簇的极差获取每一影响因素序列的波动校正值，根据每一影响因素序列的波动校正值与影响波动性获取每一影响因素序列的影响校正系数，根据每一影响因素序列的影响校正系数与每一影响因素序列的初始关联度获取加权系数；
利用加权系数对未来时刻的温度进行预测，并根据预测结果及时对断路器进行维护。
2.根据权利要求1所述一种用于小型断路器维护数据处理方法，其特征在于，所述根据每一差值聚类簇中数据在影响因素序列的差值序列中的位置差异获取每一差值聚类簇的位置混乱程度，包括的具体步骤如下：
记任意一影响因素序列为关注影响因素序列，记关注影响因素序列中任意一差值聚类簇为关注差值聚类簇，获取关注差值聚类簇中每一数据在关注影响因素序列的差值序列中的序号值，构成关注差值聚类簇的位置序列，获取位置序列中数据的标准差，记为每一关注差值聚类簇的位置混乱程度。
3.根据权利要求1所述一种用于小型断路器维护数据处理方法，其特征在于，所述根据每一影响因素序列的每一差值聚类簇的位置混乱程度的数值差异及每一差值聚类簇的极差获取每一影响因素序列的波动校正值，计算公式如下：
其中，
表示第/>
影响因素序列的波动校正值，/>
表示第/>
影响因素序列的第/>
个差值聚类簇的位置混乱程度，/>
表示第/>
影响因素序列的第/>
个差值聚类簇的极差，/>
表示第/>
影响因素序列的差值聚类簇的个数，/>
表示第/>
影响因素序列的混乱集中度，/>
表示第/>
影响因素序列的强度混乱距离，/>
表示累乘运算。
4.根据权利要求1所述一种用于小型断路器维护数据处理方法，其特征在于，所述根据每一影响因素序列中数据的混乱程度获取每一影响因素序列的影响波动性，包括的具体步骤如下：
记任意一影响因素序列为关注影响因素序列，将关注影响因素序列中每一数据与时序上前一数据的差值的绝对值按照关注影响因素序列的顺序进行排列，得到关注影响因素序列的差值序列，获取差值序列中前
个数据的均值，记为关注影响因素序列的前期波动程度，获取差值序列中第/>
个数据至第/>
个数据的均值，记为关注影响因素序列的后期波动程度，其中/>
表示差值序列中的数据的个数，获取关注影响因素序列的熵值；
将关注影响因素序列的后期波动程度与前期波动程度的比值与关注影响因素序列的熵值的乘积记为关注影响因素序列的影响波动性。
5.根据权利要求1所述一种用于小型断路器维护数据处理方法，其特征在于，所述根据每一影响因素序列的影响校正系数与每一影响因素序列的初始关联度获取加权系数，包括的具体步骤如下：
其中，
表示加权系数，/>
表示第/>
影响因素序列的初始关联度，/>
表示第/>
影响因素序列的波动校正值，/>
表示预设的第一常数系数，/>
表示预设的第二常数系数，/>
为归一化函数。
6.根据权利要求1所述一种用于小型断路器维护数据处理方法，其特征在于，所述每一影响因素序列的影响校正系数的具体获取方法为：
将每一影响因素序列的波动校正值与影响波动值的乘积记为每一影响因素序列的影响校正系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310551979.0A CN116304778B (zh) | 2023-05-17 | 2023-05-17 | 一种用于小型断路器维护数据处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310551979.0A CN116304778B (zh) | 2023-05-17 | 2023-05-17 | 一种用于小型断路器维护数据处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116304778A true CN116304778A (zh) | 2023-06-23 |
| CN116304778B CN116304778B (zh) | 2023-08-01 |
Family
ID=86803508
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310551979.0A Active CN116304778B (zh) | 2023-05-17 | 2023-05-17 | 一种用于小型断路器维护数据处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116304778B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116502070A (zh) * | 2023-06-26 | 2023-07-28 | 天津创界点新型材料有限公司 | 一种微型风电机组状态智能监测系统 |
| CN116738187A (zh) * | 2023-08-08 | 2023-09-12 | 山东航宇游艇发展有限公司 | 基于人工智能的船舶燃气功率动态预测方法及系统 |
| CN116820056A (zh) * | 2023-08-29 | 2023-09-29 | 青岛义龙包装机械有限公司 | 用于袋式包装机的生产工艺参数处理方法 |
| CN116821834A (zh) * | 2023-08-29 | 2023-09-29 | 浙江北岛科技有限公司 | 基于内嵌传感器的真空断路器检修管理系统 |
| CN116956140A (zh) * | 2023-09-19 | 2023-10-27 | 保定市佳宇软件科技有限公司 | 一种智能分拣过程中参数动态预测方法及系统 |
| CN116994416A (zh) * | 2023-09-26 | 2023-11-03 | 无锡市明通动力工业有限公司 | 基于人工智能的风机运行故障预警方法及系统 |
| CN117007979A (zh) * | 2023-10-07 | 2023-11-07 | 深圳市众航物联网有限公司 | 基于数据驱动的电源输出掉电异常预警方法 |
| CN117173703A (zh) * | 2023-11-02 | 2023-12-05 | 温州华嘉电器有限公司 | 一种隔离开关状态识别方法 |
| CN117434486A (zh) * | 2023-12-20 | 2024-01-23 | 智联信通科技股份有限公司 | 一种直流分路计量误差分析处理方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107301296A (zh) * | 2017-06-27 | 2017-10-27 | 西安电子科技大学 | 基于数据的断路器故障影响因素定性分析方法 |
| CN108281329A (zh) * | 2018-03-28 | 2018-07-13 | 温州华嘉电器有限公司 | 一种电气终端使用的小型断路器 |
| CN109614676A (zh) * | 2018-11-29 | 2019-04-12 | 广东电网有限责任公司 | 一种评价空气间隙放电电压影响因素方法 |
| US20210047993A1 (en) * | 2018-03-05 | 2021-02-18 | Sheng Zhong | Wave Power Generation Unit Suitable For Large-Scale Application and System Thereof |
| CN114264957A (zh) * | 2021-12-02 | 2022-04-01 | 东软集团股份有限公司 | 一种异常单体检测方法及其相关设备 |
| CN114912339A (zh) * | 2022-03-21 | 2022-08-16 | 国网浙江省电力有限公司湖州供电公司 | 一种变电站一次设备多因素温度预测方法 |
| CN114925943A (zh) * | 2022-07-22 | 2022-08-19 | 江苏布罗信息技术有限公司 | 一种基于电力物联网的变压器异常状态预测方法 |
| CN114936691A (zh) * | 2022-05-06 | 2022-08-23 | 河北工业大学 | 一种融合关联度加权与时空注意力的温度预报方法 |
| CN115081308A (zh) * | 2022-04-29 | 2022-09-20 | 同济大学 | 考虑时空关联特性的电驱变速箱瞬态温度场精确预测方法 |
-
2023
- 2023-05-17 CN CN202310551979.0A patent/CN116304778B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107301296A (zh) * | 2017-06-27 | 2017-10-27 | 西安电子科技大学 | 基于数据的断路器故障影响因素定性分析方法 |
| US20210047993A1 (en) * | 2018-03-05 | 2021-02-18 | Sheng Zhong | Wave Power Generation Unit Suitable For Large-Scale Application and System Thereof |
| CN108281329A (zh) * | 2018-03-28 | 2018-07-13 | 温州华嘉电器有限公司 | 一种电气终端使用的小型断路器 |
| CN109614676A (zh) * | 2018-11-29 | 2019-04-12 | 广东电网有限责任公司 | 一种评价空气间隙放电电压影响因素方法 |
| CN114264957A (zh) * | 2021-12-02 | 2022-04-01 | 东软集团股份有限公司 | 一种异常单体检测方法及其相关设备 |
| CN114912339A (zh) * | 2022-03-21 | 2022-08-16 | 国网浙江省电力有限公司湖州供电公司 | 一种变电站一次设备多因素温度预测方法 |
| CN115081308A (zh) * | 2022-04-29 | 2022-09-20 | 同济大学 | 考虑时空关联特性的电驱变速箱瞬态温度场精确预测方法 |
| CN114936691A (zh) * | 2022-05-06 | 2022-08-23 | 河北工业大学 | 一种融合关联度加权与时空注意力的温度预报方法 |
| CN114925943A (zh) * | 2022-07-22 | 2022-08-19 | 江苏布罗信息技术有限公司 | 一种基于电力物联网的变压器异常状态预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| NING CHEN等: "Temperature prediction model for roller kiln by ALD-based double locally weighted kernel principal component regression", IEEE * |
| 叶梓键 等: "基于轨迹聚类的航空器异常识别", 武汉理工大学学报 * |
| 潘彦龙 等: "基于灰色关联度样本优化的高速列车轴箱轴承温度预测方法", 铁道机车车辆 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116502070B (zh) * | 2023-06-26 | 2023-08-29 | 天津创界点新型材料有限公司 | 一种微型风电机组状态智能监测系统 |
| CN116502070A (zh) * | 2023-06-26 | 2023-07-28 | 天津创界点新型材料有限公司 | 一种微型风电机组状态智能监测系统 |
| CN116738187A (zh) * | 2023-08-08 | 2023-09-12 | 山东航宇游艇发展有限公司 | 基于人工智能的船舶燃气功率动态预测方法及系统 |
| CN116738187B (zh) * | 2023-08-08 | 2023-10-24 | 山东航宇游艇发展有限公司 | 基于人工智能的船舶燃气功率动态预测方法及系统 |
| CN116820056B (zh) * | 2023-08-29 | 2023-11-14 | 青岛义龙包装机械有限公司 | 用于袋式包装机的生产工艺参数处理方法 |
| CN116820056A (zh) * | 2023-08-29 | 2023-09-29 | 青岛义龙包装机械有限公司 | 用于袋式包装机的生产工艺参数处理方法 |
| CN116821834A (zh) * | 2023-08-29 | 2023-09-29 | 浙江北岛科技有限公司 | 基于内嵌传感器的真空断路器检修管理系统 |
| CN116821834B (zh) * | 2023-08-29 | 2023-11-24 | 浙江北岛科技有限公司 | 基于内嵌传感器的真空断路器检修管理系统 |
| CN116956140B (zh) * | 2023-09-19 | 2023-12-08 | 保定市佳宇软件科技有限公司 | 一种智能分拣过程中参数动态预测方法及系统 |
| CN116956140A (zh) * | 2023-09-19 | 2023-10-27 | 保定市佳宇软件科技有限公司 | 一种智能分拣过程中参数动态预测方法及系统 |
| CN116994416A (zh) * | 2023-09-26 | 2023-11-03 | 无锡市明通动力工业有限公司 | 基于人工智能的风机运行故障预警方法及系统 |
| CN116994416B (zh) * | 2023-09-26 | 2023-12-08 | 无锡市明通动力工业有限公司 | 基于人工智能的风机运行故障预警方法及系统 |
| CN117007979A (zh) * | 2023-10-07 | 2023-11-07 | 深圳市众航物联网有限公司 | 基于数据驱动的电源输出掉电异常预警方法 |
| CN117173703A (zh) * | 2023-11-02 | 2023-12-05 | 温州华嘉电器有限公司 | 一种隔离开关状态识别方法 |
| CN117173703B (zh) * | 2023-11-02 | 2024-01-16 | 温州华嘉电器有限公司 | 一种隔离开关状态识别方法 |
| CN117434486A (zh) * | 2023-12-20 | 2024-01-23 | 智联信通科技股份有限公司 | 一种直流分路计量误差分析处理方法 |
| CN117434486B (zh) * | 2023-12-20 | 2024-03-08 | 智联信通科技股份有限公司 | 一种直流分路计量误差分析处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116304778B (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116304778B (zh) | 一种用于小型断路器维护数据处理方法 | |
| CN117093879B (zh) | 一种数据中心智能化运营管理方法及系统 | |
| CN117421687B (zh) | 一种数字化电力环网柜运行状态监测方法 | |
| CN109598061A (zh) | 一种变压器群平均寿命损失的监测方法 | |
| CN115902647B (zh) | 一种电池状态智能监测方法 | |
| CN112651849B (zh) | 基于不平衡数据集的电压监测异常数据识别方法及系统 | |
| CN107370169B (zh) | 基于anfis短期负荷预测的大规模储能电站调峰控制器及方法 | |
| CN116529740A (zh) | 使用机器学习对电气设备的负载预报 | |
| CN113687176A (zh) | 一种基于深度神经网络的用电异常检测方法、系统 | |
| CN116993329B (zh) | 一种基于数据分析的通讯设备运行维修决策管理系统 | |
| CN110969306A (zh) | 基于深度学习的配电低压台区负荷预测方法及装置 | |
| CN110298494A (zh) | 一种基于分段聚类及组合优化的风电功率预测方法 | |
| CN116994416A (zh) | 基于人工智能的风机运行故障预警方法及系统 | |
| CN115730256A (zh) | 一种基于油温自适应控制的变压器负载增容策略 | |
| CN117150244B (zh) | 基于电参数分析的智能配电柜状态监测方法及系统 | |
| CN114429238A (zh) | 一种基于时空特征提取的风电机组故障预警方法 | |
| CN113376485A (zh) | 一种基于svm算法的变压器绝缘热老化评估方法及装置 | |
| CN115877145A (zh) | 一种变压器重过载工况大数据交叉评估系统及方法 | |
| 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 | |
| CN113406537A (zh) | 一种电力设备故障程度的定量评估方法 | |
| CN117540330B (zh) | 基于自学习功能的配电柜系统 | |
| CN116953381B (zh) | 基于恢复-聚合-分解的配电变压器老化故障率评估方法 | |
| CN116757337B (zh) | 一种基于人工智能的房建施工进度预测系统 | |
| CN117325699B (zh) | 一种用于液冷超充技术的安全监控系统 | |
| CN116796213B (zh) | 一种基于聚类算法的配电网线变关系辨识方法 |
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 |