CN116529740A - 使用机器学习对电气设备的负载预报 - Google Patents
使用机器学习对电气设备的负载预报 Download PDFInfo
- Publication number
- CN116529740A CN116529740A CN202080107235.4A CN202080107235A CN116529740A CN 116529740 A CN116529740 A CN 116529740A CN 202080107235 A CN202080107235 A CN 202080107235A CN 116529740 A CN116529740 A CN 116529740A
- Authority
- CN
- China
- Prior art keywords
- load parameter
- parameter values
- electrical device
- load
- time
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 claims description 35
- 238000001816 cooling Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 6
- 238000012806 monitoring device Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 description 28
- 238000004891 communication Methods 0.000 description 19
- 238000012544 monitoring process Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000010200 validation analysis Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 239000002655 kraft paper Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012627 multivariate algorithm Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Mathematical Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Optimization (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
公开了若干实施例，这些实施例用于由处理器电路基于至少一个机器学习模型和多个负载参数值来预测电气设备的针对未来时间的负载参数值，所述多个负载参数值包括从为电气设备获得的负载参数值的时间序列数据流中提取的一组预定义数量的负载参数值。其后，由处理器电路基于预测的负载参数值来计算针对未来时间的过载能力，并且由处理器电路基于针对未来时间的计算的过载能力来改变在当前时间的与电气设备相关联的至少一个参数。
Description
技术领域
本公开涉及对电气设备(诸如，高压变压器)的分析。特别地，本公开涉及使用机器学习对电气设备的负载预报。
背景技术
用于电气设备(诸如，例如变压器)的常规负载预报技术通常使用复杂的统计工具来估计对负载、热点温度、过载容量和其他参数的短期和长期预报。这些工具(诸如，自回归集成移动平均(ARIMA))可将历史负载数据的时间序列分解成几个分量，诸如趋势分量、季节变化分量、随机变化分量等，以得出将这几个分量聚合到最终预报中的复杂模型。为了减少预测误差，这些工具还可结合附加的相关参数，诸如日平均温度、季节性、节日和体育赛事等，这增加了附加的复杂性并且针对不同时间和地区(例如，在具有不同文化、节假日、气候等的国家或地区)可能需要专门的工具以及可能需要专门的数据。
例如，在变压器的情况下，可期望获得针对未来时间(诸如，未来一小时或两小时)的负载的准确估计，以便计划降载、突发事件的过载需求、以及基于变压器使用年限和剩余寿命或电力系统的不断变化的需求最终从操作中移除变压器。然而，由于现有解决方案的复杂性所致，许多类型的电气设备缺乏准确地估计未来负载所需的计算能力。
发明内容
根据一些实施例，一种方法包括：由处理器电路基于至少一个机器学习模型和多个负载参数值来预测电气设备的针对未来时间的负载参数值，所述多个负载参数值包括从为电气设备获得的负载参数值的时间序列数据流中提取的一组预定义数量的负载参数值。该方法进一步包括：由处理器电路基于预测的负载参数值来计算针对未来时间的过载能力。该方法进一步包括：由处理器电路基于针对未来时间的计算的过载能力来改变在当前时间的与电气设备相关联的至少一个参数。
根据一些实施例，所述至少一个机器学习模型是基于预定义数量的负载参数值与来自在预定时间段内获得的时间序列数据流的至少一个后续负载参数值之间的多个确定的关系来训练的。
根据一些实施例，所述多个确定的关系是基于从预定义数量的负载参数值导出的至少一个预期负载参数值与所述至少一个后续负载参数值的比较来验证的。
根据一些实施例，使用预定义数量的负载参数值作为所述至少一个机器学习模型的输入集来相继地预测针对未来时间的负载参数值。该输入集是使用移动窗口技术从负载参数值的时间序列数据流相继地生成的。
根据一些实施例，所述多个负载参数值包括从获自电气设备的负载参数值流中迭代地提取的一组至少五个负载参数值。
根据一些实施例，预测的负载参数值的未来时间是在该预测之后的至少一小时。
根据一些实施例，所述至少一个机器学习模型仅基于所述多个负载参数值来预测电气设备的针对未来时间的负载参数值。
根据一些实施例，所述至少一个机器学习模型基于所述多个负载参数值以及与电气设备相关联的至少一个温度参数来预测电气设备的针对未来时间的负载参数值。
根据一些实施例，该方法进一步包括：由处理器电路基于预测的负载参数值来预测电气设备的部件的针对未来时间的至少一个热点温度值。
根据一些实施例，该方法进一步包括：由处理器电路基于预测的负载参数值来预测电气设备的至少一个过载容量值，所述至少一个过载容量值与在未来时间之后的至少一个时间段相关联。
根据一些实施例，电气设备包括变压器，并且该方法进一步包括：至少部分地基于所述至少一个被改变的参数来操作变压器。
根据一些实施例，操作变压器包括响应于预测的负载参数值来操作变压器的至少一个冷却部件以在未来时间之前改变电气设备的至少一个部件的温度。
根据一些实施例，一种监测装置包括处理器电路和包括机器可读指令的存储器。当由处理器电路执行时，机器可读指令引起处理器电路基于至少一个机器学习模型和多个负载参数值来预测电气设备的针对未来时间的负载参数值，所述多个负载参数值包括从为电气设备获得的负载参数值的时间序列数据流中提取的一组预定义数量的负载参数值。机器可读指令进一步引起处理器电路基于预测的负载参数值来计算针对未来时间的过载能力。机器可读指令进一步引起处理器电路基于针对未来时间的计算的过载能力来改变在当前时间的与电气设备相关联的至少一个参数。
根据一些实施例，所述至少一个机器学习模型是基于预定义数量的负载参数值与来自在预定时间段内获得的时间序列数据流的至少一个后续负载参数值之间的多个确定的关系来训练的。
根据一些实施例，所述多个负载参数值包括从获自电气设备的负载参数值流中迭代地提取的一组至少五个负载参数值。
根据一些实施例，预测的负载参数值的未来时间是在该预测之后的至少一小时。
根据一些实施例，一种非暂时性计算机可读介质包括指令，这些指令在由处理器电路执行时引起处理器电路基于至少一个机器学习模型和多个负载参数值来预测电气设备的针对未来时间的负载参数值，所述多个负载参数值包括从为电气设备获得的负载参数值的时间序列数据流中提取的一组预定义数量的负载参数值。这些指令进一步引起处理器电路基于预测的负载参数值来计算针对未来时间的过载能力。这些指令进一步引起处理器电路基于针对未来时间的计算的过载能力来改变在当前时间的与电气设备相关联的至少一个参数。
根据一些实施例，所述至少一个机器学习模型是基于预定义数量的负载参数值与来自在预定时间段内获得的时间序列数据流的至少一个后续负载参数值之间的多个确定的关系来训练的。
根据一些实施例，所述多个负载参数值包括从获自电气设备的负载参数值流中迭代地提取的一组至少五个负载参数值。
根据一些实施例，预测的负载参数值的未来时间是在该预测之后的至少一小时。
附图说明
附图图示了发明性构思的某些非限制性实施例，这些附图被包括以提供对本公开的进一步理解并且被并入以构成本申请的一部分。在附图中：
图1图示了根据一些实施例的平面文件，该平面文件供机器学习应用程序用于多变量算法的迭代应用；
图2A和图2B图示了根据一些实施例的将表示历史负载数据的单变量数据集转换成展平数据集以与机器学习算法一起用来预测电气设备的未来负载；
图3图示了根据一些实施例的用于训练和选择机器学习模型以基于历史负载数据来预测电气设备的未来负载的操作；
图4图示了根据一些实施例的图3的操作在机器学习模型的训练和验证数据集上的可视化；
图5A-5C是图示根据一些实施例的使用机器学习模型的电气设备随时间的实际负载与随时间的预测负载的比较的图表；
图6是根据一些实施例的用于基于历史负载数据来预测针对未来时间的负载参数值的操作的流程图；
图7是图示根据一些实施例的使用图6的操作的随时间的历史负载、针对未来时间的预测负载和确定的未来过载容量的图表；以及
图8是图示根据一些实施例的用于执行操作的负载预报系统的框图。
具体实施方式
现在将在下文中参考附图更充分地描述发明性构思，附图中示出了发明性构思的实施例的示例。然而，发明性构思可以以许多不同的形式体现，并且不应被解释为限于本文中所阐述的实施例。相反，提供这些实施例，使得本公开将是彻底的和完整的，并且将向本领域技术人员充分传达本发明性构思的范围。还应指出，这些实施例不互相排斥。可心照不宣地假设在另一个实施例中存在/使用来自一个实施例的部件。
以下描述呈现了所公开的主题的各种实施例。这些实施例被呈现为教导示例，并且将不被解释为限制所公开的主题的范围。例如，在不脱离所描述的主题的范围的情况下，可修改、省略或扩展所所描述的实施例的某些细节。
可基于现有的动态热模型以及当前的环境温度和负载状况(这些允许连续计算热点温度和由此产生的寿命消耗)来估计针对当前时间的变压器过载容量。为针对给定的未来时间间隔计算过载能力，模型可假设热点温度将不超过给定的限值(例如，对于热升级牛皮纸为110C且对于普通牛皮纸为98C)以避免不必要地缩短变压器的操作寿命。基于变压器的当前状况，可计算最佳“k”负载系数，其允许变压器针对不同的对应时间以不同的水平被过载而不牺牲寿命。
准确地预测未来负载值可以有助于对电力系统中的电力设备和输电/配电线路进行有效的负载管理，例如，在电力系统中，如果承载(load bearing)设备响应于并联配电线路中的设备故障而具有过载容量，则可以通过重新分配负载来完成负载管理，并且还可以用于使电气设备准备有效地应对未来状况，例如，在预计的过载状况之前提供足够的冷却以延长电气设备可以安全地被过载的时间量、或预计到需求的降低而减少冷却。这在较大型变压器中是有用的，在这些变压器中冷却会是一个耗时的过程。
根据本公开的实施例，可使用相对小的一组历史负载数据来准确地估计变压器的未来负载以训练机器学习模型并针对不同的电气设备高效地选择具有最高精度的机器学习模型。在一些实施例中，可以在没有任何其他外部信息(诸如，节假日、体育赛事、一年中的时间等)的情况下准确地估计未来负载。这种方法的一个优点是，模型的复杂性大大降低，从而允许更多种类的电气和/或计算设备采用模型并减少对可远程定位且难以访问的较大功率计算设备的依赖。
许多机器学习应用程序(例如，监督学习问题)在平面文件或采样数据流的基础上工作。在这方面，图1图示了平面文件100的示例，该平面文件供机器学习应用程序用于将多元回归算法迭代地应用于每一行1–m(使用列x1–xn作为输入并且最后一列为目标输出)以随时间确定并改善算法。
如由图2A和图2B所示，单变量数据集200(在该示例中为负载对时间的时间序列)可以转换成多变量展平数据集202。在该简化的示例中，单变量数据集200在时间t1–t14提供十四个连续负载值204，并且展平数据集202的每一行206使用五个连续负载值204的序列作为输入208以对该序列中的下一个负载值(即，目标值210)建模，使得展平数据集202的每一行206使用六个连续负载值204的序列(例如，“移动窗口”)。然而，应理解，变量(即，预测子)数量的选择将取决于每个单独的问题。每一行206中的变量数量可以基于附加的测试(例如，针对灵敏度、模型精度、硬件和软件约束以及其他参数)来确定和优化。
为了将单变量数据集200转换成展平数据集202，用来自单变量数据集200的在时间t1–t6的负载值204填充展平数据集的第一行206，用在时间t2–t7的负载值204填充第二行206等等，以填充展平数据集的九行206，其中用在时间t9–t14的最后六个负载值204填充第九行206。以这种方式，竖直单变量数据集200被转换成呈表格格式的多变量展平数据集以适合于供与许多种类型的机器学习模型一起使用。
这种数据变换技术的一个优点是将单变量数据集(例如，负载对比时间)转换成多变元问题，这促进对适合于回归或分类应用的许多机器学习模型的使用。此类机器学习模型的强大之处在于如下事实：它们可以从包含大量案例(或示例)以及还有大量特征(或预测子或自变量)的大型数据集进行“学习”。在该示例中，机器学习模型执行回归类型的预测以预测作为目标值210的实数，但在其他示例中，可执行分类类型的预测以预测类别目标(诸如，“好或坏”、“是或否”、第1、2、3级等)。
将这些和其他机器学习技术与变压器负载数据一起使用的一个优点是，这些技术基于随时间的历史负载的相对小的单变量数据集提供了非常高度准确地未来负载预测，而无需任何其他外部参数，诸如温度、节假日、事件等。
在一些实施例中，使用展平数据来训练许多不同的机器学习模型(例如，线性和非线性算法)，并且比较这些结果以确定具有最高精度的机器学习模型。可使用许多不同的标准来确定精度，诸如均方根误差(RMSE)、平均绝对误差(MAE)等。合适的线性机器学习模型的示例可包括一般线性回归、逻辑回归(例如，用于分类)、线性判别分析等。合适的非线性机器学习模型的示例可包括分类和回归树、朴素贝叶斯、K最近邻、支持向量机等。合适的集成机器学习模型的示例可包括随机森林、树袋装(tree-bagging)、极端梯度提升机(extreme gradient boosting machine)、人工神经网络等。
在一个图示性示例中，使用大约120,000个负载数据点的大型数据集来训练和测试不同的机器学习模型。该数据集表示在几年的时段内收集的每小时负载数据。在该示例中，负载数据被划分成一组训练数据(包含80％的数据)和验证数据(包含其余20％的数据)。训练数据被转换成具有25列的平面文件(即，24列输入变量和一列目标变量)。然后使用训练数据来训练各种机器学习模型。在训练之后，验证数据被类似地转换成25列的平面文件，其中目标列被去除。在预测了验证数据的目标值之后，将预测值与实际目标值进行比较。然后重复该过程，使得可将机器学习模型如何处理数据的差异结合到结果中，这些结果能够以高精度预测在接下来1-2小时内的短期负载。
在一个示例中，图3图示了用于训练和选择机器学习模型以基于历史负载数据来预测电气设备的未来负载的操作300。还将参考图4，其图示了图3的操作300在用于机器学习模型的训练和验证数据集402上的可视化。
图3的操作300包括：将完整的数据集分解成训练数据和可视化数据(框302)。例如，在图4中，数据集402被分成训练数据404(例如，80％)和验证数据406(例如，20％)。这些操作进一步包括：将训练数据分解成K个随机片断(框304)。例如，图4的训练数据404被分解成K个大小相等的片断408(例如，为了该示例的目的为10个片断)。
接下来，用训练数据的K-1个片断训练机器学习模型(框306)，并使用训练数据的剩余片断验证该机器学习模型(框308)。对模型的精度进行注释(框310)，并且针对多个不同的机器学习模型重复该过程(框312)。例如，在图4中，使用十个片断408中的九个(例如，片断1-9)来训练每个机器学习模型，并且使用最后一个片断408(例如，片断10)来测试每个训练的机器学习模型的精度，其中训练数据404的每个片断408被保留用于每个机器学习模型测试一次。
然后针对每组K-1个片断重复操作306-310(框312)，每个机器学习模型总共进行K次训练和测试操作(例如，对于图4中的9个片断408的每个组合，每个机器学习模型进行10次)。然后针对训练数据的不同的一组随机K个片断重复操作304-314(框316)，以获得独立的结果。例如，针对图4的训练数据404重复操作306-310总共三次将导致在该示例中总共有30个训练操作。操作300进一步包括使用验证数据(例如，图4的验证数据406)来验证训练的机器学习模型、以及选择(多个)最准确的机器学习模型来用于预测未来负载。
图3的这些操作300具有最小化“训练过度”的优点，其中给定的模型很多次处理相同的数据并对训练数据赋予过多的权重，使得当再次面对训练数据时，它的输出几乎100％正确。这意味着，模型关于训练集几乎“没有偏见”并且被认为是“训练过度的”。当面对新的、看不见的数据时，训练过度的模型可能提供糟糕的结果，因为它只能完美地表示训练数据，而不能表示新的、看不见的数据。一般而言，训练后的机器学习常常更期望具有强大的泛化能力，即使以关于训练数据的完美精度为代价。
现在参考图5A-5C，图表500A-500C图示了使用已使用图3的操作300进行训练和选择的机器学习模型对电气设备随时间的实际负载值502A-502C(实线)与随时间的预测负载值504A-504C(虚线)的比较。在该示例中，来自三个不同的1000小时时段的实际负载值502A-502C的数据集是选自涵盖变压器的数千小时负载数据的大型验证数据集。实际负载值502A-502C的每个数据集用于训练机器学习模型以针对相应的每组实际负载值502A-502C以高精度预测随时间的预测负载值504A-504C。值得注意的是，该示例中的每组预测负载值504A-504C是从相应的每组实际负载值502A-502C独立地导出的，而不重新训练或以其他方式结合来自其他训练示例的结果。尽管不同组的实际负载值502A-502C之间存在大的变化，但是所有三组预测负载值504A-504C都展现出高精度。例如，图5A的实际负载值502A在大约11250MW与21250MW之间变化，图5B的实际负载值502A在大约10000MW与17000MW之间变化，并且图5C的实际负载值502C在大约12500MW与22500MW之间变化。尽管不同组的实际负载值502A-502C之间的差异高，但相应的预测负载504A全部都提供了介于1.13％与1.26％之间的平均预测误差，其中90％的所有预测负载值504A-504C提供了小于2.55％的错误率。结果，使用本文中所公开的实施例(包括例如图3的操作300)来训练和选择的机器学习模型可以以高精度提供预测负载值504A-504C且特别是短期预测负载506A-506C。
现在参考图6，图示了用于基于历史负载数据来预测针对未来时间的负载参数值的操作600的流程图。还将参考图7，其是图示随时间的负载702、针对未来时间的预测的负载参数值706、以及使用图6的操作确定的未来过载容量710A-710C的图表700。
操作600包括：基于至少一个机器学习模型和多个负载参数值来预测电气设备的针对未来时间的负载参数值(框602)。在该示例中，所述多个负载参数值是通过在负载参数值的时间序列数据流上使用连续移动窗口对值进行采样来获得的。因此，所述多个负载参数值包括从为电气设备获得的负载参数值的时间序列数据流中提取的一组预定义数量的负载参数值(例如，预定窗口大小，诸如上文关于图2A和图2B描述的五个连续负载值204的移动窗口)。例如，如由图7所示，一个或多个机器学习模型(例如，使用上图3的操作来训练和选择的模型)用于在当前时间t0预测针对未来时间t1(例如，在当前时间t0之后的一到两个小时)的预测负载。该示例中的预测是基于一组历史负载值704。在一些示例中，负载参数值可以是电气设备的电和/或热负载值。电负载可通过负载电流值来测量。此外，在变压器中，可以测量二次电流，并且可以从测得的二次电流导出变压器的电负载。
热负载可以通过温度值来测量，该温度值对应于由电气设备内的电损耗引起的热量。在变压器中，例如，温度值可以从不同的部件获得，诸如例如最高油温，并且与单独变压器的当前负载和热指纹一起可以用于估计可以指示过量热对变压器老化的贡献的未来的电负载和/或未来的相关联的热点温度。其他参数也可以用于估计操作温度，包括输出功率、初级电流等。因此，在一些实施例中，操作600可进一步包括：基于预测的负载参数值来预测电气设备的部件的针对未来时间的至少一个热点温度值(框604)。
操作600进一步包括：基于预测的负载参数值来计算针对未来时间的过载能力(框606)。在一些示例中，计算过载能力包括基于预测的负载参数值来预测电气设备的针对在未来时间之后的时间段的至少一个过载容量值(框608)。例如，如图7中所示，可以基于负载参数值和/或其他因素(诸如，环境温度、最高油位、热指纹等)来计算不同的过载容量710A-710C。例如，基于针对未来时间t1的预测的负载参数值706，变压器可能够在不同的时间量内以超过满容量712(即，100％)安全地操作。例如，基于预测的负载参数值706，变压器可在30分钟(例如，直到时间t2)具有135％的过载容量710A、在一个小时(例如，直到时间t3)具有120％的过载容量710B、或者在两个小时(例如，直到时间t3)具有105％的过载容量710C。以这种方式，过载能力可以被确定为指示附加负载量的百分比，该附加负载量可以由特定的电气器械在特定时间量内承受而不会使电气设备异常地和/或广泛地老化或损坏电气设备。
不同于一些常规的过载容量计算(其中过载容量是基于在当前时间直接测得的负载(例如，图7的在t0的当前负载708)来计算的)，这些和其他实施例容许在知道针对未来时间的实际负载之前基于高度准确的预测负载(例如，针对未来时间t1的预测的负载参数值706)来计算未来过载容量(例如，过载容量710A-710C)。这进而向操作员和资产管理者提供更多时间来计划和应对突发事件。
操作600进一步包括：基于针对未来时间的计算的过载能力来改变在当前时间的与电气设备相关联的至少一个参数(框610)。操作600还可包括：至少部分地基于所述至少一个被改变参数来操作电气设备(框612)。例如，如上文所讨论的，可响应于预测的负载参数值来操作变压器的冷却部件以在未来时间之前改变电气设备的至少一个部件的温度。改变参数和/或操作电气设备还可包括与电气设备通信和/或向电气设备提供指示。
在一些示例中，所述至少一个机器学习模型是基于预定义数量的负载参数值与来自在预定时间段内获得的时间序列数据流的至少一个后续负载参数值之间的多个确定的关系来训练的。在该示例中，训练是在部署机器学习模型之前执行的，并且也可能在操作期间连续地发生。
在一些示例中，所述多个确定的关系是基于从预定义数量的负载参数值导出的至少一个预期负载参数值与所述至少一个后续负载参数值的比较来验证的。例如，如上文关于图2A-2B所讨论的，可使用预定义数量的负载参数值作为所述至少一个机器学习模型的输入集来相继地预测针对未来时间的负载参数值。该输入集可使用移动窗口技术从负载参数值的时间序列数据流相继地生成。例如，所述多个负载参数值可包括从获自电气设备的负载参数值流中迭代地提取的一组至少五个负载参数值。预测的负载参数值的未来时间也可以是在该预测之后的至少一小时或更长时间。
在一些示例中，所述至少一个机器学习模型仅基于所述多个负载参数值来预测电气设备的针对未来时间的负载参数值。例如，如上文所讨论的，机器学习模型可以使用相对比较小的一组历史负载数据并且在没有任何附加输入的情况下来准确地预测未来负载。在一些示例中，机器学习模型还可以将电气设备的已知变化考虑在内，诸如预计到过载状况来执行冷却操作。例如，在一些实施例中，所述至少一个机器学习模型基于所述多个负载参数值以及与电气设备相关联的至少一个温度参数来预测电气设备的针对未来时间的负载参数值。
所述至少一个机器学习模型相应地用负载参数值的数据流值进行训练，这些负载参数值可包括实际测得的负载值、温度值等以进行预测。所述至少一个机器学习模型可以包括在装置(例如，与电气设备相关联的控制器或继电器)内，该装置从连接到电气设备的传感器接收数据流值并且能够控制或协调其他装置以用于执行与电气设备相关联的或包括在中央监测系统中的至少一个操作，该中央监测系统部署在用于管理电力系统的变电站或配电管理系统中。例如，基于对未来负载参数值的预测并且基于为在未来时间确定过载状况所实施的处理，装置(例如，控制器/继电器)可以预计到未来过载状况而执行/协调冷却操作。
图8是变压器负载预报系统800的框图，该变压器负载预报系统被配置成执行本文中所公开的操作，诸如例如图3的操作300和/或图6的操作600。在图8的实施例中，负载预报系统800的变压器监测系统30可以监测一个或多个变压器10A、10B。在一些实施例中，变压器监测系统30集成在变压器10A内，该变压器被提供作为用于监测和负载预报的装置并且可以被启用来仅监测变压器10A，而在其他实施例中，变压器监测系统30可以与变压器10A集成以监测变压器10A并且可选地还监测或接收来自邻近的一个或多个电气设备(例如，变压器10B或另一个电力或电流变压器或断路器)或连接的输电/配电线路的数据。在又一实施例中，变压器监测系统30与被监测的变压器10A、10B分开。
变压器监测系统30包括处理器电路34、联接到处理器电路的通信接口32、以及联接到处理器电路34的存储器36。存储器36包括机器可读计算机程序指令，这些指令在由处理器电路34执行时引起处理器电路34执行本文中所描绘和描述的操作(诸如，如上文关于例如图6所描述的操作600)中的一些操作。
如图所示，负载预报系统800包括通信接口32(也称为网络接口)，该通信接口被配置成提供与其他装置的通信，例如，经由有线或无线通信信道14与变压器10A、10B中的传感器20的通信。变压器监测系统30可从传感器20接收指示变压器10A、10B的物理参数(例如，与变压器10A、10B相关联的电压、电流、油温、环境温度等)的信号。一些实施例的一个优点是，变压器监测系统30可以是资源受限装置，因为(多个)机器学习算法需要较少的数据和/或参数来执行准确的负载预报和预测。
在该示例中，变压器监测系统30被描绘为经由通信信道14与变压器10A、10B电路通信的单独的监测装置，例如在服务器-客户端模型、基于云的平台、变电站中使用的变电站自动化系统、用于电力系统管理的配电管理系统、或其他网络布置中。客户端-服务器配置的一个优点是，可以基于对多个单独设备(诸如，变压器10A、10B)的负载预报和过载容量计算来实现对电力系统和/或变电站中的负载的整体优化。例如，电力系统中的负载管理可包括基于不同电气设备的预测的负载能力跨越不同电气设备重新分配负载。然而，还应理解，在其他实施例中，变压器监测系统30可根据需要是变压器10A、10B或其他电气设备的一部分，也可在客户端服务器模型中工作，其中客户端与电气设备相关联并进行测量，并且服务器运行机器学习算法并计算过载能力。
在服务器-客户端模型的另一个实施例中，变压器监测系统可以具有与被监测的变压器相关联的装置(例如，客户端)，其中，该装置包括用于负载预报的机器学习模型，并且中央系统(例如，服务器)被配置成监测多个电气设备/变压器。服务器还可包括被包括在与变压器相关联的装置中的机器学习模型的实例。可使用从变压器或/和多个电气设备接收到的数据来连续地训练服务器中的机器学习模型以进行负载预报，其中服务器提供信息/数据(例如，模型系数)来调谐/适配装置中的机器学习模型，该信息/数据是从服务器中的连续地学习的机器学习模型导出的。服务器还可能够执行模拟或高级处理以预报/模拟变压器中的状况(例如，基于由连接到变压器的装置或传感器提供的电/热负载信息进行热点确定)并将与此类确定相关的信息提供给连接到变压器的装置(例如，客户端)以由该装置改变与变压器(或其他电气设备)相关联的至少一个参数(例如，冷却)。根据各种实施例，变压器监测系统30可包括用于预测负载参数值并执行与变压器相关联的至少一项活动的电子、计算及通信硬件和软件。
变压器监测系统30还包括处理器电路34(也称为处理器)和联接到处理器电路34的存储器电路36(也称为存储器)。根据其他实施例，处理器电路34可被定义为包括存储器，使得不需要单独的存储器电路。
如本文中所讨论的，变压器监测系统30和负载预报系统800的其他方面的操作可由处理器电路34和/或通信接口32执行。例如，处理器电路34可控制通信接口32通过通信接口32将通信内容(communications)传输到一个或多个其他装置和/或通过网络接口从一个或多个其他装置接收通信内容。此外，模块可存储在存储器36中，并且这些模块可提供指令，使得当由处理器电路34执行模块的指令时，处理器电路34执行相应的操作(例如，本文中关于示例实施例所讨论的操作)。例如，模块可进一步被配置成根据需要管理故障检测、为不同节点生成更新的概率、提供接口(例如，应用程序编程接口(API))以用于由客户或其他用户管理、配置和/或修改故障树结构等。
变压器10A、10B(其例如可以是高压变压器)包括传感器20，该传感器测量与变压器10A、10B相关联的各种量(诸如，操作负载、环境温度、水分和/或氧含量)并经由通信信道14将这些测量值传输到变压器监测系统30。变压器10A、10B还可包括子系统，诸如联接到电力线路26(例如，架空电力输电线路)的有源部分22、冷却系统24(例如，用于变压器或电抗器)等，这些子系统可进而由例如处理器电路34操作或响应于来自该处理器电路的指令操作。在一些示例中，类似的监测系统可与电力线路26或负载预报系统800的其他部件相关联。在该示例和其他示例中，为简化图示在变压器的上下文中描述了实施例，但应理解，经受负载状况的许多其他类型的电气设备可受益于本文中所描述的实施例，诸如电抗器、输电线路、仪表变压器、发电机等等，并且所有此类电气设备也都应被设想为在本公开的范围内。
变压器监测系统30可以使用这些测得的量来检测和/或确定变压器10A、10B的各种部件或子系统中故障的存在和/或变压器10A、10B的一般故障状况。通信信道14可包括有线或无线链路，并且在一些实施例中可包括无线局域网(WLAN)或蜂窝通信网络，诸如4G或5G通信网络。
负载预报系统800可从变压器10A、10B接收操作负载、温度、水分、氧含量等的在线或离线测量值并且处理这些测量值以检测和/或确定故障的存在。负载预报系统800可在服务器、服务器集群、基于云的远程服务器系统和/或独立装置中实施。传感器数据可由负载预报系统800从一个变压器和/或从多个变压器获得。
可以许多不同的方式实施如本文中所描述的负载预报系统700。例如，根据一些实施例的变压器监测系统30可接收在线/离线数据，并且被配置在装置中的机器学习技术使用接收到的数据来学习和分类以识别可以被考虑用于在各种实施例中所描述的估计/模拟的不同模式。装置可能够连接到一个或多个变压器10以接收测量数据。
在本发明性构思的各种实施例的以上描述中，将理解，本文中所使用的术语是出于仅描述特定实施例的目的，而不旨在限制本发明性构思。除非另有定义，否则本文中使用的所有术语(包括技术和科学术语)具有与本发明性构思所属领域的普通技术人员通常理解的含义相同的含义。将进一步理解，术语(诸如，在常用词典中定义的那些术语)应被解释为具有与其在本说明书和相关技术的上下文中的含义一致的含义。
当元件被称为与另一个元件“连接”、“联接”、“响应”或其变体时，它可以直接与另一元件连接、联接或响应，或者可存在介入元件。相比之下，当元件被称为与另一个元件“直接连接”、“直接联接”、“直接响应”或其变体时，不存在介入元件。相似的数字通篇指代相似的元件。此外，如本文中所使用的“联接”、“连接”、“响应”或其变体可包括无线联接、连接或响应。如本文中所使用的，单数形式“一”、“一个”和“该”也旨在包括复数形式，除非上下文另有明确指示。为了简洁和/或清楚起见，可能不详细描述众所周知的功能或构造。术语“和/或”包括相关联的列出项目中的一个或多个的任何和所有组合。短语“A和B中的至少一个”意指“A或B”或“A和B”。
将理解，尽管术语第一、第二、第三等等在本文中可用来描述各种元件/操作，但是这些元件/操作不应由这些术语限制。这些术语仅用来将一个元件/操作与另一个元件/操作相区分。因此，在不脱离本发明性构思的教导的情况下，一些实施例中的第一元件/操作可在其他实施例中被称为第二元件/操作。相同的附图标记或相同的参考指示符贯穿说明书表示相同或类似的元件。
如本文中所使用的，术语“包括(comprise/comprising/comprises)”、“包含(include/including/includes)”、“具有(have/has/having)”或其变体是开放式的，并且包括一个或多个所陈述的特征、整数、元件、步骤、部件或功能，但不排除一个或多个其他的特征、整数、元件、步骤、部件、功能或其群组的存在或添加。
本文中参考计算机实施的方法、器械(系统和/或装置)和/或计算机程序产品的框图和/或流程图示来描述示例实施例。应理解，可以通过由一个或多个计算机电路执行的计算机程序指令来实施框图和/或流程图图示的框、以及框图和/或流程图图示中的框的组合。可将这些计算机程序指令提供给通用计算机电路、专用计算机电路的处理器电路和/或其他可编程数据处理电路以产生机器，使得经由计算机和/或其他可编程数据处理器械的处理器执行的指令变换并控制晶体管、存储在存储器位置中的值以及此类电路系统内的其他硬件部件，以实施框图和/或一个或多个流程图框中指定的功能/动作，并由此创建用于实施框图和/或(多个)流程图框中指定的功能/动作的手段(功能)和/或结构。
这些计算机程序指令还可存储在有形的计算机可读介质中，该有形的计算机可读介质可以指导计算机或其他可编程数据处理器械以特定方式起作用，使得存储在计算机可读介质中的指令产生包括实施框图和/或一个或多个流程图框中指定的功能/动作的指令的制品。因此，本发明性构思的实施例可体现在硬件和/或在处理器(诸如，数字信号处理器)上运行的软件(包括固件、常驻软件、微代码等)中，该处理器可统称为“电路系统”、“模块”或其变体。
还应指出，在一些替代性实施方式中，框中指出的功能/动作可不按流程图中指出的顺序发生。例如，接连示出的两个框事实上可基本上同时执行，或者这些框有时可按相反的顺序执行，具体取决于所涉及的功能/动作。此外，流程图和/或框图的给定框的功能可被分成多个框，和/或流程图和/或框图的两个或更多个框的功能可被至少部分地集成。最后，在不脱离发明性构思的范围的情况下，可在所图示的框之间添加/插入其他框，和/或可省略框/操作。此外，虽然一些图包括通信路径上的箭头以示出主要的通信方向，但是将理解，通信可沿与所描绘的箭头相反的方向发生。
在基本上不脱离本发明性构思的原理的情况下，可以对实施例做出许多变化和修改。所有此类变化和修改都旨在在本发明性构思的范围内被包括在本文中。因此，上文所公开的主题将被认为是图示性的而非限制性的，并且实施例的示例旨在涵盖落入本发明性构思的精神和范围内的所有此类修改、增强和其他实施例。因此，在法律允许的最大程度上，本发明性构思的范围将由本公开(包括实施例的示例及其等同物)的最宽泛的容许解释来确定，并且不应受到前述详细描述的约束或限制。
Claims (20)
1.一种方法，包括：
由处理器电路基于至少一个机器学习模型和多个负载参数值来预测电气设备的针对未来时间的负载参数值，所述多个负载参数值包括从为所述电气设备获得的负载参数值的时间序列数据流中提取的一组预定义数量的负载参数值；
由所述处理器电路基于所预测的负载参数值来计算针对所述未来时间的过载能力；以及
由所述处理器电路基于针对所述未来时间的计算的过载能力来改变在当前时间的与所述电气设备相关联的至少一个参数。
2.根据权利要求1所述的方法，其中，所述至少一个机器学习模型是基于预定义数量的负载参数值与来自在预定时间段内获得的时间序列数据流的至少一个后续负载参数值之间的多个确定的关系来训练的。
3.根据权利要求2所述的方法，其中，所述多个确定的关系是基于从所述预定义数量的负载参数值导出的至少一个预期负载参数值与所述至少一个后续负载参数值的比较来验证的。
4.根据权利要求1至3中任一项所述的方法，其中，使用所述预定义数量的负载参数值作为所述至少一个机器学习模型的输入集来相继地预测针对所述未来时间的所述负载参数值，并且
其中，所述输入集是使用移动窗口技术从负载参数值的所述时间序列数据流相继地生成的。
5.根据权利要求1至4中任一项所述的方法，其中，所述多个负载参数值包括从获自所述电气设备的负载参数值流中迭代地提取的一组至少五个负载参数值。
6.根据权利要求1至5中任一项所述的方法，其中，所预测的负载参数值的所述未来时间是在所述预测之后的至少一小时。
7.根据权利要求1至6中任一项所述的方法，其中，所述至少一个机器学习模型仅基于所述多个负载参数值来预测所述电气设备的针对所述未来时间的所述负载参数值。
8.根据权利要求1至7中任一项所述的方法，其中，所述至少一个机器学习模型基于所述多个负载参数值以及与所述电气设备相关联的至少一个温度参数来预测所述电气设备的针对所述未来时间的所述负载参数值。
9.根据权利要求1至8中任一项所述的方法，进一步包括：由所述处理器电路基于所预测的负载参数值来预测所述电气设备的部件的针对所述未来时间的至少一个热点温度值。
10.根据权利要求1至9中任一项所述的方法，进一步包括：由所述处理器电路基于所预测的负载参数值来预测所述电气设备的至少一个过载容量值，所述至少一个过载容量值与在所述未来时间之后的至少一个时间段相关联。
11.根据权利要求1至10中任一项所述的方法，其中，所述电气设备包括变压器，所述方法进一步包括：
至少部分地基于所述至少一个被改变的参数来操作所述变压器。
12.根据权利要求11所述的方法，其中，操作所述变压器包括响应于所预测的负载参数值来操作所述变压器的至少一个冷却部件以在所述未来时间之前改变所述电气设备的至少一个部件的温度。
13.一种监测装置，包括：
处理器电路；以及
存储器，所述存储器包括机器可读指令，所述指令在由所述处理器电路执行时引起所述处理器电路：
基于至少一个机器学习模型和多个负载参数值来预测电气设备的针对未来时间的负载参数值，所述多个负载参数值包括从为所述电气设备获得的负载参数值的时间序列数据流中提取的一组预定义数量的负载参数值；
基于所预测的负载参数值来计算针对所述未来时间的过载能力；以及
基于针对所述未来时间的计算的过载能力来改变在当前时间的与所述电气设备相关联的至少一个参数。
14.根据权利要求13所述的监测装置，其中，所述至少一个机器学习模型是基于预定义数量的负载参数值与来自在预定时间段内获得的时间序列数据流的至少一个后续负载参数值之间的多个确定的关系来训练的。
15.根据权利要求13或14所述的监测装置，其中，所述多个负载参数值包括从获自所述电气设备的负载参数值流中迭代地提取的一组至少五个负载参数值。
16.根据权利要求13至15中任一项所述的监测装置，其中，所预测的负载参数值的所述未来时间是在所述预测之后的至少一小时。
17.一种包括指令的非暂时性计算机可读介质，所述指令在由处理器电路执行时引起所述处理器电路：
基于至少一个机器学习模型和多个负载参数值来预测电气设备的针对未来时间的负载参数值，所述多个负载参数值包括从为所述电气设备获得的负载参数值的时间序列数据流中提取的一组预定义数量的负载参数值；
基于所预测的负载参数值来计算针对所述未来时间的过载能力；以及
基于针对所述未来时间的计算的过载能力来改变在当前时间的与所述电气设备相关联的至少一个参数。
18.根据权利要求17所述的计算机可读介质，其中，所述至少一个机器学习模型是基于预定义数量的负载参数值与来自在预定时间段内获得的时间序列数据流的至少一个后续负载参数值之间的多个确定的关系来训练的。
19.根据权利要求17或18所述的计算机可读介质，其中，所述多个负载参数值包括从获自所述电气设备的负载参数值流中迭代地提取的一组至少五个负载参数值。
20.根据权利要求17至19中任一项所述的计算机可读介质，其中，所预测的负载参数值的所述未来时间是在所述预测之后的至少一小时。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202063118828P | 2020-11-27 | 2020-11-27 | |
| US63/118,828 | 2020-11-27 | ||
| PCT/EP2020/086740 WO2022111841A1 (en) | 2020-11-27 | 2020-12-17 | Load forecasting for electrical equipment using machine learning |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116529740A true CN116529740A (zh) | 2023-08-01 |
Family
ID=74130189
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202080107235.4A Pending CN116529740A (zh) | 2020-11-27 | 2020-12-17 | 使用机器学习对电气设备的负载预报 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20230420938A1 (zh) |
| EP (1) | EP4232969A1 (zh) |
| JP (1) | JP2023550995A (zh) |
| CN (1) | CN116529740A (zh) |
| CA (1) | CA3199948A1 (zh) |
| WO (1) | WO2022111841A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117436848A (zh) * | 2023-12-21 | 2024-01-23 | 山东康吉诺技术有限公司 | 基于人工智能的电机能耗监测方法 |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115237179B (zh) * | 2022-09-22 | 2023-01-20 | 之江实验室 | 一种基于机器学习的智能温控管理电路 |
| CN115579887B (zh) * | 2022-12-07 | 2023-04-07 | 国网湖北省电力有限公司信息通信公司 | 一种传输线路动态增容方法、系统及介质 |
| CN115759236B (zh) * | 2022-12-30 | 2024-01-12 | 北京德风新征程科技股份有限公司 | 模型训练方法、信息发送方法、装置、设备和介质 |
| CN116070962B (zh) * | 2023-03-06 | 2023-06-30 | 泰安鲁怡高分子材料有限公司 | 一种基于大数据的老化试验箱运行可行性评估系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102427218B (zh) * | 2011-10-28 | 2014-06-11 | 国家电网公司 | 基于人工智能技术的变压器短期过载能力评估系统 |
| CN106874534A (zh) * | 2016-12-28 | 2017-06-20 | 国网内蒙古东部电力有限公司检修分公司 | 一种变压器过载能力评估方法 |
| CN108664682A (zh) * | 2017-11-30 | 2018-10-16 | 全球能源互联网研究院有限公司 | 一种变压器顶层油温的预测方法及其系统 |
-
2020
- 2020-12-17 CA CA3199948A patent/CA3199948A1/en active Pending
- 2020-12-17 CN CN202080107235.4A patent/CN116529740A/zh active Pending
- 2020-12-17 WO PCT/EP2020/086740 patent/WO2022111841A1/en active Application Filing
- 2020-12-17 JP JP2023532396A patent/JP2023550995A/ja active Pending
- 2020-12-17 EP EP20837977.6A patent/EP4232969A1/en active Pending
- 2020-12-17 US US18/253,834 patent/US20230420938A1/en active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117436848A (zh) * | 2023-12-21 | 2024-01-23 | 山东康吉诺技术有限公司 | 基于人工智能的电机能耗监测方法 |
| CN117436848B (zh) * | 2023-12-21 | 2024-03-08 | 山东康吉诺技术有限公司 | 基于人工智能的电机能耗监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20230420938A1 (en) | 2023-12-28 |
| WO2022111841A1 (en) | 2022-06-02 |
| CA3199948A1 (en) | 2022-06-02 |
| EP4232969A1 (en) | 2023-08-30 |
| JP2023550995A (ja) | 2023-12-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116529740A (zh) | 使用机器学习对电气设备的负载预报 | |
| Aizpurua et al. | Adaptive power transformer lifetime predictions through machine learning and uncertainty modeling in nuclear power plants | |
| Ouyang et al. | A combined multivariate model for wind power prediction | |
| US20190067946A1 (en) | System and method for distribution load forecasting in a power grid | |
| CN110326182B (zh) | 具有自主der电压控制的协调和优化的分层鲁棒模型预测电压和var控制 | |
| CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
| KR101941854B1 (ko) | 미취득 데이터 보정을 통한 부하 예측 시스템 및 방법 | |
| JP2022140414A (ja) | 動的潮流モデリングによる最適な電力潮流制御 | |
| EP3798778A1 (en) | Method and system for detecting an anomaly of an equipment in an industrial environment | |
| CN112085285A (zh) | 母线负荷预测方法、装置、计算机设备和存储介质 | |
| US20220245096A1 (en) | Method and device for facilitating storage of data from an industrial automation control system or power system | |
| CN116227637A (zh) | 一种面向有源配电网的精细化负荷预测方法和系统 | |
| Song et al. | Dynamic thermal line rating model of conductor based on prediction of meteorological parameters | |
| CN117394529A (zh) | 基于scada的主配网合环倒供电控制条件辅助决策方法及系统 | |
| Aizpurua et al. | Probabilistic power transformer condition monitoring in smart grids | |
| Prabakar et al. | Applying machine learning to study the relationship between electricity consumption and weather variables using open data | |
| Chen et al. | Prediction interval estimation of dynamic thermal rating considering weather uncertainty | |
| CN114065460A (zh) | 火电发电系统中模型处理方法、存储介质和电子装置 | |
| Jimenez et al. | Short-term load forecasting for low voltage distribution lines in tucumán, argentina | |
| Hou et al. | Cooling load prediction based on the combination of rough set theory and support vector machine | |
| Abeywickrama et al. | Integrating Weather Patterns into Machine Learning Models for Improved Electricity Demand Forecasting in Sri Lanka | |
| Moroz et al. | Neural network modeling in problems of electrical grids modes prediction | |
| US20230315940A1 (en) | Method and system for monitoring and/or operating a power system asset | |
| Marzbani et al. | Short-term wind power forecast for economic dispatch | |
| Aguilar et al. | Hybrid methodology for modeling short-term wind power generation using conditional Kernel density estimation and singular spectrum analysis |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240124 Address after: Zurich, SUI Applicant after: Hitachi Energy Co.,Ltd. Country or region after: Switzerland Address before: Swiss Baden Applicant before: Hitachi energy Switzerland AG Country or region before: Switzerland |
|
| TA01 | Transfer of patent application right |