CN116881658A - 一种水轮发电机组的智能状态评估方法及系统 - Google Patents
一种水轮发电机组的智能状态评估方法及系统 Download PDFInfo
- Publication number
- CN116881658A CN116881658A CN202310851601.2A CN202310851601A CN116881658A CN 116881658 A CN116881658 A CN 116881658A CN 202310851601 A CN202310851601 A CN 202310851601A CN 116881658 A CN116881658 A CN 116881658A
- Authority
- CN
- China
- Prior art keywords
- real
- time
- state evaluation
- measuring point
- unit
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 165
- 238000012544 monitoring process Methods 0.000 claims abstract description 116
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000004458 analytical method Methods 0.000 claims abstract description 39
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 39
- 238000009826 distribution Methods 0.000 claims abstract description 26
- 238000013210 evaluation model Methods 0.000 claims abstract description 25
- 238000012423 maintenance Methods 0.000 claims abstract description 23
- 238000005259 measurement Methods 0.000 claims abstract description 23
- 238000010586 diagram Methods 0.000 claims description 23
- 230000003993 interaction Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 7
- 238000007789 sealing Methods 0.000 claims description 5
- 238000004804 winding Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013075 data extraction Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03B—MACHINES OR ENGINES FOR LIQUIDS
- F03B11/00—Parts or details not provided for in, or of interest apart from, the preceding groups, e.g. wear-protection couplings, between turbine and generator
- F03B11/008—Measuring or testing arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Control Of Water Turbines (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明公开了一种水轮发电机组的智能状态评估方法及系统,涉及数据处理技术领域,该方法包括:采集目标水轮发电机组的测点分布数据,获得监测传感器布设结果;生成监测传感器阵列;获得目标水轮发电机组在预设时间窗口的运行数据,生成实时状态数据集;获得第一实时状态数据集和第二实时状态数据集;输入机组测点状态评估模型中进行分析,获得机组实时测点状态评估结果;获得机组设备评估结果;结合机组实时测点状态评估结果输入检修策略决策模型中,获得检修策略决策方案。本发明解决了现有技术存在着水轮发电机组状态评估准确度不高,检修策略决策质量差的技术问题,达到了智能化对机组状态进行评估,制定高质量的监测策略的技术效果。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种水轮发电机组的智能状态评估方法及系统。
背景技术
水轮发电机组的正常运行对于保障生产安全和操作人员安全有着十分重要的意义。因此,需要对水轮发电机组的运行过程进行状态评估,从而及时发现问题。然而,现有的人工监测数据变化,对机组运行状态进行评估的方式,受限于技术人员的能力,不能及时解决问题,造成安全隐患,且制定检修策略周期较长,导致检修质量低现有技术存在着水轮发电机组状态评估准确度不高,检修策略决策质量差的技术问题。
发明内容
本申请提供了一种水轮发电机组的智能状态评估方法及系统,用于针对解决现有技术存在着水轮发电机组状态评估准确度不高,检修策略决策质量差的技术问题。
鉴于上述问题,本申请提供了一种水轮发电机组的智能状态评估方法及系统。
本申请的第一个方面,提供了一种水轮发电机组的智能状态评估方法,其中,所述方法应用于智能决策分析系统,所述智能决策分析系统与监测传感器阵列通信连接,所述方法包括:
采集目标水轮发电机组的测点分布数据,根据所述测点分布数据进行监测传感器的布设,获得监测传感器布设结果;
基于所述目标水轮发电机组的设备影响关系对所述监测传感器布设结果进行映射调整,生成监测传感器阵列;
通过数据交互模块与监测传感器阵列进行数据交互,获得目标水轮发电机组在预设时间窗口的运行数据,生成实时状态数据集,其中,所述实时状态数据集具有监测传感器序号标识;
基于所述监测传感器序号标识对所述实时状态数据集进行一次采集和二次采集,分别获得第一实时状态数据集和第二实时状态数据集;
将所述第一实时状态数据集和第二实时状态数据集输入机组测点状态评估模型中进行分析,获得机组实时测点状态评估结果;
从智能决策分析系统中调取目标水轮发电机组的运行状态评估结果对机组设备运行状态进行分析,获得机组设备评估结果;
基于所述机组实时测点状态评估结果和机组设备评估结果输入检修策略决策模型中,获得检修策略决策方案。
本申请的第二个方面,提供了一种水轮发电机组的智能状态评估系统,所述系统包括:
布设结果获得模块,所述布设结果获得模块用于采集目标水轮发电机组的测点分布数据,根据所述测点分布数据进行监测传感器的布设,获得监测传感器布设结果;
传感器阵列生成模块,所述传感器阵列生成模块用于基于所述目标水轮发电机组的设备影响关系对所述监测传感器布设结果进行映射调整,生成监测传感器阵列;
运行数据集生成模块,所述运行数据集生成模块用于通过数据交互模块与监测传感器阵列进行数据交互,获得目标水轮发电机组在预设时间窗口的运行数据,生成实时状态数据集,其中,所述实时状态数据集具有监测传感器序号标识;
一次采集模块,所述一次采集模块用于基于所述监测传感器序号标识对所述实时状态数据集进行一次采集和二次采集,分别获得第一实时状态数据集和第二实时状态数据集;
测点监测结果获得模块,所述测点监测结果获得模块用于将所述第一实时状态数据集和第二实时状态数据集输入机组测点状态评估模型中进行分析,获得机组实时测点状态评估结果;
设备监测结果获得模块,所述设备监测结果获得模块用于从智能决策分析系统中调取目标水轮发电机组的运行状态评估结果对机组设备运行状态进行分析,获得机组设备评估结果;
检修策略决策方案获得模块,所述检修策略决策方案获得模块用于基于所述机组实时测点状态评估结果和机组设备评估结果输入检修策略决策模型中,获得检修策略决策方案。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
采集目标水轮发电机组的测点分布数据,根据所述测点分布数据进行监测传感器的布设,获得监测传感器布设结果;基于所述目标水轮发电机组的设备影响关系对所述监测传感器布设结果进行映射调整,生成监测传感器阵列;通过数据交互模块与监测传感器阵列进行数据交互,获得目标水轮发电机组在预设时间窗口的运行数据,生成实时状态数据集,其中,所述实时状态数据集具有监测传感器序号标识;基于所述监测传感器序号标识对所述实时状态数据集进行一次采集和二次采集,分别获得第一实时状态数据集和第二实时状态数据集;将所述第一实时状态数据集和第二实时状态数据集输入机组测点状态评估模型中进行分析,获得机组实时测点状态评估结果;从智能决策分析系统中调取目标水轮发电机组的运行状态评估结果对机组设备运行状态进行分析,获得机组设备评估结果;基于所述机组实时测点状态评估结果和机组设备评估结果输入检修策略决策模型中,获得检修策略决策方案。达到了对水轮机和发电机的状态进行综合评估,智能化的输出检修策略决策方案,提升评估的可靠性和效率的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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为本申请实施例提供的一种水轮发电机组的智能状态评估方法流程示意图;
图2为本申请实施例提供的一种水轮发电机组的智能状态评估方法中确定监测传感器序号的流程示意图;
图3为本申请实施例提供的一种水轮发电机组的智能状态评估方法中基于检修策略决策方案散点图构建检修策略决策模型。的流程示意图;
图4为本申请实施例提供的一种水轮发电机组的智能状态评估系统结构示意图。
附图标记说明:布设结果获得模块11,传感器阵列生成模块12,运行数据集生成模块13,一次采集模块14,测点监测结果获得模块15,设备监测结果获得模块16,检修策略决策方案获得模块17。
具体实施方式
本申请通过提供了一种水轮发电机组的智能状态评估方法及系统,用于针对解决现有技术存在着水轮发电机组状态评估准确度不高,检修策略决策质量差的技术问题。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例一
如图1所示,本申请提供了一种水轮发电机组的智能状态评估方法,其中,所述方法应用于智能决策分析系统,所述智能决策分析系统与监测传感器阵列通信连接,所述方法包括:
步骤S100:采集目标水轮发电机组的测点分布数据,根据所述测点分布数据进行监测传感器的布设,获得监测传感器布设结果;
步骤S200:基于所述目标水轮发电机组的设备影响关系对所述监测传感器布设结果进行映射调整,生成监测传感器阵列;
进一步的,如图2所示,本申请实施例步骤S200还包括:
步骤S210:获取所述目标水轮发电机组的关键设备集合,其中,所述关键设备集合包括发电机定子铁芯、定子绕组、水轮机水导轴承瓦、水轮机主轴密封温度灯;
步骤S220:基于所述关键设备集合中设备布设的多个监测传感器作为监测传感器阵列的多个节点,以所述关键设备集合的配套设备上布设的多个监测传感器作为监测传感器阵列的多个子节点,其中,一个节点对应多个子节点;
步骤S230:基于所述多个节点和多个子节点生成所述监测传感器阵列,并根据所述多个节点的布设顺序和所述多个子节点的布设顺序确定监测传感器序号。
在一个可能的实施例中,所述智能决策分析系统是用于支持发电机、水轮机状态评估和检修策略制定的智能决策分析系统,通过对设备在线运行数据、试验数据进行综合评估分析,评估发电机、水轮机综合状态,从而输出检测策略。优选的,所述智能决策分析系统运行在南网云双调节点两台虚拟机上,其中,两台虚拟机中的一台为数据库服务器,一台为应用服务器,只有通过南网内部网络才可以访问本系统,从而保证了数据的安全性。优选的,系统菜单采用单体应用部署方式,业务应用系统安装部署在应用服务器上,数据库管理系统采用MySQL8部署在数据库服务器上,其中,数据库服务器通过开放8080端口为应用服务器提供读写通道。
在一个实施例中,所述目标水轮发电机组是由水轮机进行驱动,将水能转换成机械能,水轮机的转轴又带动发电机的转子,将机械能转换成电能而输出。为了对目标水轮发电机组的运行状态进行可靠监测,通过在机组不同设备上设定安装监测传感器的测点,获得所述测点分布数据。其中,所述测点分布数据反映了安装监测传感器的位置和数量。根据所述测点分布数据对监测传感器进行布设,从而获得布设完之后的监测传感器布设结果。其中,监测传感器是用于对目标水轮机组不同的运行状态进行监测的装置,包括温度传感器、湿度传感器和振动传感器等。
在本申请的实施例中,在获得所述监测传感器布设结果后,为了对监测获得的数据进行快速处理,根据目标水轮发电机组的设备影响关系对监测传感器布设结果进行映射调整,也就是根据设备的重要程度进行数据传输顺序的对应调整,从而获得所述监测传感器阵列。实现对数据进行高效、有序传输的目标。
在一个可能的实施例中,通过对目标水轮发电机组的关键设备集合进行获取,也就是影响目标水轮发电机组正常运行的设备进行汇总,为后续确定安装在设备上的监测传感器在监测传感器阵列中的位置提供依据。其中,所述关键设备集合包括发电机定子铁芯、定子绕组、水轮机水导轴承瓦和水轮机主轴密封温度灯。通过将关键设备集合中设备布设的多个监测传感器作为监测传感器阵列的多个节点,然后根据与关键设备集合进行配套使用的配套设备上布设的多个监测传感器作为监测传感器阵列的多个子节点,每个节点对应多个子节点。通过根据关键设备集合对机组的整体状态进行评估,进而通过与关键设备集合进行配套使用的配套设备进行机组的局部状态评估,达到了提高评估的精细化程度,提升评估准确性的技术效果。
在一个可能的实施例中,根据多个节点对应的设备在运行时的动力传输顺序确定多个节点的布设顺序,并设置对应的监测传感器序号,如1、2、3……。进而,对每个节点对应的多个子节点对应的配套设备与关键设备之间的关联程度确定多个子节点的布设顺序,并设置对应的监测传感器序号,如1.1、2.1、3.1……。进而,根据所述多个节点和多个子节点生成所述监测传感器阵列。达到了为后续进行有序的数据传输做铺垫。
步骤S300:通过数据交互模块与监测传感器阵列进行数据交互,获得目标水轮发电机组在预设时间窗口的运行数据,生成实时状态数据集,其中,所述实时状态数据集具有监测传感器序号标识;
具体而言,所述数据交互模块是用于对监测传感器阵列在预设时间窗口内对目标水轮发电机组进行监测后生成的运行数据进行获取的功能模块。所述预设时间窗口是预先设置分析目标水轮发电机运行状态的时间段。通过数据交互模块与监测传感器进行数据交互,从而获得所述实时状态数据集。机组的状态主要是通过监测数据来表示,通过数据交互模块对发电机、水轮机量测类数据进行同步采集,从而获得状态数据,为后续评估各个部件的实时状态提供基础数据。优选的,数据交互模块可以对离线数据进行导入,从而实现后续的自动评估。其中,所述实时状态数据集反映了目标水轮发电机组在预设时间窗口内的运行情况,且实时状态数据集中的数据具有监测传感器序号标识,从而保证了数据与监测传感器一一对应,确保数据的准确性。
步骤S400:基于所述监测传感器序号标识对所述实时状态数据集进行一次采集和二次采集,分别获得第一实时状态数据集和第二实时状态数据集;
进一步的,本申请实施例步骤S400还包括:
步骤S410:根据所述监测传感器序号标识中的一级标识,按照第一采集间距对所述实时状态数据集进行一次采集,获得第一实时状态数据集;
步骤S420:根据所述监测传感器序号标识中的二级标识,按照第二采集间距对所述实时状态数据集进行二次采集,获得第二实时状态数据集。
在本申请的实施例中,在获得所述实时状态数据集后,由于数据量较多,在分析过程中,如果对数据进行逐一分析,不仅会消耗较多的人力物力。因此通过按照第一采集间距和第二采集间距对实时状态数据集中的数据进行采集,可靠的进行数据提取,在保证数据分析准确性的基础上,提高数据的分析效率。由于目标水轮发电机组在正常运行过程中,运行数据会在一个正常的范围内波动,直到发生异常的时候才会有突然的波动,因此,可以通过对数据进行抽取的方式,减少分析数据量,提高分析效率。优选的,通过根据获取的状态数据,可以反映出蓄能机组发电机、水轮机的发展趋势,如发电机定子铁芯温度、定子绕组温度、水轮机水导轴承瓦温、水轮机主轴密封温度灯趋势等。同时,通过数据抽取,在不影响分析准确性的基础上,提升分析效率。
在本申请的实施例中,一级标识是对多个节点对应的序号进行标识,二级标识是对多个子节点对应的序号进行标识。通过根据一级标识对实时状态数据集中的数据进行提取,并按照第一采集间距进行数据采集获得第一实时状态数据集。进而,根据二级标识对实时状态数据集中的数据进行提取,并按照第二采集间距进行数据采集,获得第二实时状态数据集。其中,所述第一采集间距是根据关键设备集合中的设备发生异常时多个最小间隔时间的平均值获得的。所述第二采集间距是根据多个配套设备发生异常时多个最小间隔时间的平均值获得的。示例性的,第一采集间距为50s,第二采集间距为120s。
步骤S500:将所述第一实时状态数据集和第二实时状态数据集输入机组测点状态评估模型中进行分析,获得机组实时测点状态评估结果;
进一步的,本申请实施例步骤S500还包括:
步骤S510:基于SLOWFAST网络构建所述机组测点状态评估模型的第一状态评估分支和第二状态评估分支,其中,所述机组测点状态评估模型包括测点状态评估网络层,所述测点状态评估网络层是全连接网络层,与第一状态评估分支和第二状态评估分支连接;
步骤S520:将所述第一实时状态数据集和第二实时状态数据集分别输入第一状态评估分支和第二状态评估分支中,经过测点状态评估网络层分析获得所述机组实时测点状态评估结果。
进一步的,本申请实施例步骤S500还包括:
步骤S530:获取多个样本第一实时状态数据集、多个样本第二实时状态数据集和多个样本机组实时测点状态评估结果作为构建数据集;
步骤S540:按照预设划分规则对构建数据集进行划分,并根据划分结果对所述机组测点状态评估模型进行监督和训练;
步骤S550:直至输出结果满足预设要求,获得训练完成的机组测点状态评估模型。
具体而言,所述机组测点状态评估模型是用于对机组测点处的运行数据进行智能化评估的功能模型,包括第一状态评估分支、第二状态评估分支和测点状态评估网络层。其中,所述第一状态评估分支是用于对关键设备集合中的设备运行状态进行状态评估的功能分支,输入数据为第一实时状态数据集。第二状态评估分支是用于对配套设备中的设备运行状态进行状态评估的功能分支,输入数据为第二实时状态数据集。所述机组实时测点状态评估结果反映了目标水轮发电机组在预设时间窗口内的运行状态异常情况。
在一个可能的实施例中,通过从大数据中以水轮发电机组运行状态评估为索引,获得多个样本第一实时状态数据集、多个样本第二实时状态数据集和多个样本机组实时测点状态评估结果作为构建所述机组测点状态评估模型的构建数据集。在获得所述多个样本机组实时测点状态评估结果时,主要是根据抽水蓄能电站发电电动机、水泵水轮机状态评估导则,对多个样本第一实时状态数据集、多个样本第二实时状态数据集进行状态评估,优选的,基于状态评估导则构建状态量标准,其中,状态量标准包括离线标准和在线标准,标准中详细记录了设备的评价项目、评估范围(整体评估、局部评估)、劣化程序级别、基本扣分项目、评判要求和对应的权重系数。进而,根据状态量标准进行水轮发电机组的状态评估,获得多个样本机组实时测点状态评估结果,达到了提升评估准确性的技术效果。
在一个可能的实施例中,所述预设划分规则是预先设置将构建数据集划分为训练集和验证集的划分比例,可选的,训练集和验证集的比例为6:4。利用训练集对以BP神经网络为基础构建的框架进行训练,直至训练至收敛,然后将验证集中的多个样本第一实时状态数据集、多个样本第二实时状态数据集输入所述机组测点状态评估模型中,获得多个验证样本机组实时测点状态评估结果。将所述多个验证样本机组实时测点状态评估结果与多个样本机组实时测点状态评估结果进行比对,将比对成功的比例作为准确度,当准确度满足预设要求中的预设准确度时,获得训练完成的所述机组测点状态评估模型。
步骤S600:从智能决策分析系统中调取目标水轮发电机组的运行状态评估结果对机组设备运行状态进行分析,获得机组设备评估结果;
步骤S700:基于所述机组实时测点状态评估结果和机组设备评估结果输入检修策略决策模型中,获得检修策略决策方案。
进一步的,如图3所示,本申请实施例步骤S700还包括:
步骤S710:获取所述目标水轮发电机组的历史机组实时测点状态评估结果集合、历史机组设备评估结果集合和历史检修策略决策方案集合;
步骤S720:以机组实时测点状态评估结果为横坐标,以机组设备评估结果集合为纵坐标,并用检修策略决策方案对坐标点进行标记,构建检修策略决策方案散点图的基础框架;
步骤S730:将所述历史机组实时测点状态评估结果集合、历史机组设备评估结果集合和历史检修策略决策方案集合输入所述检修策略决策方案散点图的基础框架中,生成检修策略决策方案散点图;
步骤S740:基于所述检修策略决策方案散点图构建检修策略决策模型。
进一步的,本申请实施例步骤S700还包括:
步骤S750:基于所述机组实时测点状态评估结果和机组设备评估结果输入检修策略决策模型中,获得目标坐标点;
步骤S760:根据目标坐标点,并按照预设距离阈值进行坐标点选取,获得邻域坐标点;
步骤S770:根据所述邻域坐标点对应的历史检修策略决策方案集合,进行参数均值化处理,获得所述检修策略决策方案。
在一个可能的实施例中,从所述智能决策分析系统的面板中获得目标水轮发电机组的机组设备的运行状态,获得所述机组设备评估结果。优选的,通过根据状态评价标准对目标水轮发电机组的各部件状态进行单项扣分及合计扣分规则,从而为评估机组运行状态提供依据。其中,所述机组设备评估结果中包括设备的正常状态、注意状态、异常状态和严重状态。通过将所述机组实时测点状态评估结果和机组设备评估结果输入所述检修策略决策模型中,从而获得检修策略决策方案。其中,所述检修策略决策模型是用于对目标水轮发电机组的运行进行监测策略决策分析的智能化模型,由检修策略决策方案散点图构成。所述检修策略决策方案用于对目标水轮发电机组的监测运行状态中的异常情况确定对应的检修策略执行。
在一个可能的实施例中,进行检修策略决策时不仅通过根据对机组状态进行评估后获得的机组设备评估结果,而且结合机组状态的测点对应机组实时测点状态评估结果,从而对机组状态进行整体的状态评估,提供对应的检修策略决策。
在一个可能的实施例中,通过从智能决策分析系统中调取目标水轮发电机组在历史时间内的历史数据,其中,历史数据包括历史机组实时测点状态评估结果集合、历史机组设备评估结果集合和历史检修策略决策方案集合,以机组实时测点状态评估结果为横坐标,以机组设备评估结果集合为纵坐标,并用检修策略决策方案对坐标点进行标记,构建检修策略决策方案散点图的基础框架。在构建好框架之后,将所述历史机组实时测点状态评估结果集合、历史机组设备评估结果集合和历史检修策略决策方案集合输入所述检修策略决策方案散点图的基础框架中,生成检修策略决策方案散点图,以所述检修策略决策方案散点图构建检修策略决策模型。
在一个可能的实施例中,通过以机组实时测点状态评估结果为目标坐标点的横坐标,以机组设备评估结果为目标坐标点的纵坐标,在检修策略决策模型中的检修策略决策方案散点图中获得目标坐标点。根据所述目标坐标点,按照预设距离阈值在检修策略决策方案散点图中进行坐标点选取,获得邻域坐标点。其中,所述预设距离阈值是预先设置可以为选取检修策略决策方案提供参考的坐标点距离目标坐标点的距离范围,由工作人员自行设定,在此不做限制。进而,根据所述邻域坐标点对应的历史检修策略决策方案集合,进行对所述历史检修策略决策方案集合中的维护参数进行均值化处理,获得所述检修策略决策方案。
综上所述,本申请实施例至少具有如下技术效果:
本申请通过根据目标水轮发电机组的测点分布情况,对监测传感器进行阵列排序,获得监测传感器阵列,然后利用数据交互模块对预设时间窗口内监测传感器阵列监测到的数据进行交互采集,获得能够反映目标水轮发电机组运行状态的实时状态数据集,然后通过进行一次采集和二次采集,对不同设备的实时运行数据进行数据抽取,实现了降低分析数据量,提升分析效率的目标,然后利用智能化的机组测点状态评估模型进行分析,获得机组实时测点状态评估结果,并结合机组设备评估结果,利用检修策略决策模型,获得检修策略决策方案。达到了提升状态评估的智能化程度,提升检修策略决策质量的技术效果。
实施例二
基于与前述实施例中一种水轮发电机组的智能状态评估方法相同的发明构思,如图4所示,本申请提供了一种水轮发电机组的智能状态评估系统,本申请实施例中的系统与方法实施例基于同样的发明构思。其中,所述系统包括:
布设结果获得模块11,所述布设结果获得模块11用于采集目标水轮发电机组的测点分布数据,根据所述测点分布数据进行监测传感器的布设,获得监测传感器布设结果;
传感器阵列生成模块12,所述传感器阵列生成模块12用于基于所述目标水轮发电机组的设备影响关系对所述监测传感器布设结果进行映射调整,生成监测传感器阵列;
运行数据集生成模块13,所述运行数据集生成模块13用于通过数据交互模块与监测传感器阵列进行数据交互,获得目标水轮发电机组在预设时间窗口的运行数据,生成实时状态数据集,其中,所述实时状态数据集具有监测传感器序号标识;
一次采集模块14,所述一次采集模块14用于基于所述监测传感器序号标识对所述实时状态数据集进行一次采集和二次采集,分别获得第一实时状态数据集和第二实时状态数据集;
测点监测结果获得模块15,所述测点监测结果获得模块15用于将所述第一实时状态数据集和第二实时状态数据集输入机组测点状态评估模型中进行分析,获得机组实时测点状态评估结果;
设备监测结果获得模块16,所述设备监测结果获得模块16用于从智能决策分析系统中调取目标水轮发电机组的运行状态评估结果对机组设备运行状态进行分析,获得机组设备评估结果;
检修策略决策方案获得模块17,所述检修策略决策方案获得模块17用于基于所述机组实时测点状态评估结果和机组设备评估结果输入检修策略决策模型中,获得检修策略决策方案。
进一步的,所述传感器阵列生成模块12用于执行如下方法:
获取所述目标水轮发电机组的关键设备集合,其中,所述关键设备集合包括发电机定子铁芯、定子绕组、水轮机水导轴承瓦、水轮机主轴密封温度灯;
基于所述关键设备集合中设备布设的多个监测传感器作为监测传感器阵列的多个节点,以所述关键设备集合的配套设备上布设的多个监测传感器作为监测传感器阵列的多个子节点,其中,一个节点对应多个子节点;
基于所述多个节点和多个子节点生成所述监测传感器阵列,并根据所述多个节点的布设顺序和所述多个子节点的布设顺序确定监测传感器序号。
进一步的,所述一次采集模块14用于执行如下方法:
根据所述监测传感器序号标识中的一级标识,按照第一采集间距对所述实时状态数据集进行一次采集,获得第一实时状态数据集;
根据所述监测传感器序号标识中的二级标识,按照第二采集间距对所述实时状态数据集进行二次采集,获得第二实时状态数据集。
进一步的,所述测点监测结果获得模块15用于执行如下方法:
基于SLOWFAST网络构建所述机组测点状态评估模型的第一状态评估分支和第二状态评估分支,其中,所述机组测点状态评估模型包括测点状态评估网络层,所述测点状态评估网络层是全连接网络层,与第一状态评估分支和第二状态评估分支连接;
将所述第一实时状态数据集和第二实时状态数据集分别输入第一状态评估分支和第二状态评估分支中,经过测点状态评估网络层分析获得所述机组实时测点状态评估结果。
进一步的,所述测点监测结果获得模块15用于执行如下方法:
获取多个样本第一实时状态数据集、多个样本第二实时状态数据集和多个样本机组实时测点状态评估结果作为构建数据集;
按照预设划分规则对构建数据集进行划分,并根据划分结果对所述机组测点状态评估模型进行监督和训练;
直至输出结果满足预设要求,获得训练完成的机组测点状态评估模型。
进一步的,所述检修策略决策方案获得模块17用于执行如下方法:
获取所述目标水轮发电机组的历史机组实时测点状态评估结果集合、历史机组设备评估结果集合和历史检修策略决策方案集合;
以机组实时测点状态评估结果为横坐标,以机组设备评估结果集合为纵坐标,并用检修策略决策方案对坐标点进行标记,构建检修策略决策方案散点图的基础框架;
将所述历史机组实时测点状态评估结果集合、历史机组设备评估结果集合和历史检修策略决策方案集合输入所述检修策略决策方案散点图的基础框架中,生成检修策略决策方案散点图;
基于所述检修策略决策方案散点图构建检修策略决策模型。
进一步的,所述检修策略决策方案获得模块17用于执行如下方法:
基于所述机组实时测点状态评估结果和机组设备评估结果输入检修策略决策模型中,获得目标坐标点;
根据目标坐标点,并按照预设距离阈值进行坐标点选取,获得邻域坐标点;
根据所述邻域坐标点对应的历史检修策略决策方案集合,进行参数均值化处理,获得所述检修策略决策方案。
需要说明的是,上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种水轮发电机组的智能状态评估方法,其特征在于,所述方法应用于智能决策分析系统,所述智能决策分析系统与监测传感器阵列通信连接,所述方法包括:
采集目标水轮发电机组的测点分布数据,根据所述测点分布数据进行监测传感器的布设,获得监测传感器布设结果;
基于所述目标水轮发电机组的设备影响关系对所述监测传感器布设结果进行映射调整,生成监测传感器阵列;
通过数据交互模块与监测传感器阵列进行数据交互,获得目标水轮发电机组在预设时间窗口的运行数据,生成实时状态数据集,其中,所述实时状态数据集具有监测传感器序号标识;
基于所述监测传感器序号标识对所述实时状态数据集进行一次采集和二次采集,分别获得第一实时状态数据集和第二实时状态数据集;
将所述第一实时状态数据集和第二实时状态数据集输入机组测点状态评估模型中进行分析,获得机组实时测点状态评估结果;
从智能决策分析系统中调取目标水轮发电机组的运行状态评估结果对机组设备运行状态进行分析,获得机组设备评估结果;
基于所述机组实时测点状态评估结果和机组设备评估结果输入检修策略决策模型中,获得检修策略决策方案。
2.如权利要求1所述的方法,其特征在于,所述方法包括:
获取所述目标水轮发电机组的关键设备集合,其中,所述关键设备集合包括发电机定子铁芯、定子绕组、水轮机水导轴承瓦、水轮机主轴密封温度灯;
基于所述关键设备集合中设备布设的多个监测传感器作为监测传感器阵列的多个节点,以所述关键设备集合的配套设备上布设的多个监测传感器作为监测传感器阵列的多个子节点,其中,一个节点对应多个子节点;
基于所述多个节点和多个子节点生成所述监测传感器阵列,并根据所述多个节点的布设顺序和所述多个子节点的布设顺序确定监测传感器序号。
3.如权利要求1所述的方法,其特征在于,所述方法包括:
根据所述监测传感器序号标识中的一级标识,按照第一采集间距对所述实时状态数据集进行一次采集,获得第一实时状态数据集;
根据所述监测传感器序号标识中的二级标识,按照第二采集间距对所述实时状态数据集进行二次采集,获得第二实时状态数据集。
4.如权利要求1所述的方法,其特征在于,所述方法包括:
基于SLOWFAST网络构建所述机组测点状态评估模型的第一状态评估分支和第二状态评估分支,其中,所述机组测点状态评估模型包括测点状态评估网络层,所述测点状态评估网络层是全连接网络层,与第一状态评估分支和第二状态评估分支连接;
将所述第一实时状态数据集和第二实时状态数据集分别输入第一状态评估分支和第二状态评估分支中,经过测点状态评估网络层分析获得所述机组实时测点状态评估结果。
5.如权利要求1所述的方法,其特征在于,所述方法包括:
获取多个样本第一实时状态数据集、多个样本第二实时状态数据集和多个样本机组实时测点状态评估结果作为构建数据集;
按照预设划分规则对构建数据集进行划分,并根据划分结果对所述机组测点状态评估模型进行监督和训练;
直至输出结果满足预设要求,获得训练完成的机组测点状态评估模型。
6.如权利要求1所述的方法,其特征在于,所述方法包括:
获取所述目标水轮发电机组的历史机组实时测点状态评估结果集合、历史机组设备评估结果集合和历史检修策略决策方案集合;
以机组实时测点状态评估结果为横坐标,以机组设备评估结果集合为纵坐标,并用检修策略决策方案对坐标点进行标记,构建检修策略决策方案散点图的基础框架;
将所述历史机组实时测点状态评估结果集合、历史机组设备评估结果集合和历史检修策略决策方案集合输入所述检修策略决策方案散点图的基础框架中,生成检修策略决策方案散点图;
基于所述检修策略决策方案散点图构建检修策略决策模型。
7.如权利要求6所述的方法,其特征在于,所述方法包括:
基于所述机组实时测点状态评估结果和机组设备评估结果输入检修策略决策模型中,获得目标坐标点;
根据目标坐标点,并按照预设距离阈值进行坐标点选取,获得邻域坐标点;
根据所述邻域坐标点对应的历史检修策略决策方案集合,进行参数均值化处理,获得所述检修策略决策方案。
8.一种水轮发电机组的智能状态评估系统,其特征在于,所述系统包括:
布设结果获得模块,所述布设结果获得模块用于采集目标水轮发电机组的测点分布数据,根据所述测点分布数据进行监测传感器的布设,获得监测传感器布设结果;
传感器阵列生成模块,所述传感器阵列生成模块用于基于所述目标水轮发电机组的设备影响关系对所述监测传感器布设结果进行映射调整,生成监测传感器阵列;
运行数据集生成模块,所述运行数据集生成模块用于通过数据交互模块与监测传感器阵列进行数据交互,获得目标水轮发电机组在预设时间窗口的运行数据,生成实时状态数据集,其中,所述实时状态数据集具有监测传感器序号标识;
一次采集模块,所述一次采集模块用于基于所述监测传感器序号标识对所述实时状态数据集进行一次采集和二次采集,分别获得第一实时状态数据集和第二实时状态数据集;
测点监测结果获得模块,所述测点监测结果获得模块用于将所述第一实时状态数据集和第二实时状态数据集输入机组测点状态评估模型中进行分析,获得机组实时测点状态评估结果;
设备监测结果获得模块,所述设备监测结果获得模块用于从智能决策分析系统中调取目标水轮发电机组的运行状态评估结果对机组设备运行状态进行分析,获得机组设备评估结果;
检修策略决策方案获得模块,所述检修策略决策方案获得模块用于基于所述机组实时测点状态评估结果和机组设备评估结果输入检修策略决策模型中,获得检修策略决策方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310851601.2A CN116881658B (zh) | 2023-07-12 | 2023-07-12 | 一种水轮发电机组的智能状态评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310851601.2A CN116881658B (zh) | 2023-07-12 | 2023-07-12 | 一种水轮发电机组的智能状态评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116881658A true CN116881658A (zh) | 2023-10-13 |
CN116881658B CN116881658B (zh) | 2024-01-26 |
Family
ID=88258159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310851601.2A Active CN116881658B (zh) | 2023-07-12 | 2023-07-12 | 一种水轮发电机组的智能状态评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116881658B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117911010A (zh) * | 2024-03-19 | 2024-04-19 | 南方电网调峰调频发电有限公司检修试验分公司 | 一种水轮机调速器检修评估设备、方法、装置及介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101566523A (zh) * | 2009-05-11 | 2009-10-28 | 中能电力科技开发有限公司 | 风力发电机组齿轮箱状态监测方法 |
CN105184059A (zh) * | 2015-08-20 | 2015-12-23 | 国家电网公司 | 一种基于海量数据的水电机组状态分析评估方法 |
CN113027658A (zh) * | 2021-03-24 | 2021-06-25 | 华中科技大学 | 一种水轮机转轮实时状态评估方法及其应用 |
WO2022063282A1 (zh) * | 2020-09-27 | 2022-03-31 | 国家电网有限公司 | 确定光伏组件的生命周期的方法及装置 |
CN114936758A (zh) * | 2022-04-29 | 2022-08-23 | 国电联合动力技术有限公司 | 风电机组健康状态评估方法、装置及电子设备 |
CN115015757A (zh) * | 2022-08-09 | 2022-09-06 | 天津九信科技有限公司 | 一种电机运行状态的风险评估方法及系统 |
CN115034483A (zh) * | 2022-06-16 | 2022-09-09 | 西安热工研究院有限公司 | 一种水轮发电机组运行故障监测方法及系统 |
CN115469585A (zh) * | 2022-09-26 | 2022-12-13 | 广州健新科技有限责任公司 | 一种基于大数据的水电机组状态监测方法及系统 |
CN115559890A (zh) * | 2022-11-04 | 2023-01-03 | 江苏省水利科学研究院 | 一种水泵机组运行故障预测调整方法及系统 |
CN115726935A (zh) * | 2022-11-15 | 2023-03-03 | 武汉大学 | 一种基于人工智能的风力机组异常状态检测系统及方法 |
CN116123042A (zh) * | 2023-03-08 | 2023-05-16 | 大唐凉山新能源有限公司 | 一种风力发电机组的智能监测预警方法及系统 |
CN116184192A (zh) * | 2023-02-02 | 2023-05-30 | 大唐万宁天然气发电有限责任公司 | 一种天然气发电机组运行状态评估方法及系统 |
-
2023
- 2023-07-12 CN CN202310851601.2A patent/CN116881658B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101566523A (zh) * | 2009-05-11 | 2009-10-28 | 中能电力科技开发有限公司 | 风力发电机组齿轮箱状态监测方法 |
CN105184059A (zh) * | 2015-08-20 | 2015-12-23 | 国家电网公司 | 一种基于海量数据的水电机组状态分析评估方法 |
WO2022063282A1 (zh) * | 2020-09-27 | 2022-03-31 | 国家电网有限公司 | 确定光伏组件的生命周期的方法及装置 |
CN113027658A (zh) * | 2021-03-24 | 2021-06-25 | 华中科技大学 | 一种水轮机转轮实时状态评估方法及其应用 |
CN114936758A (zh) * | 2022-04-29 | 2022-08-23 | 国电联合动力技术有限公司 | 风电机组健康状态评估方法、装置及电子设备 |
CN115034483A (zh) * | 2022-06-16 | 2022-09-09 | 西安热工研究院有限公司 | 一种水轮发电机组运行故障监测方法及系统 |
CN115015757A (zh) * | 2022-08-09 | 2022-09-06 | 天津九信科技有限公司 | 一种电机运行状态的风险评估方法及系统 |
CN115469585A (zh) * | 2022-09-26 | 2022-12-13 | 广州健新科技有限责任公司 | 一种基于大数据的水电机组状态监测方法及系统 |
CN115559890A (zh) * | 2022-11-04 | 2023-01-03 | 江苏省水利科学研究院 | 一种水泵机组运行故障预测调整方法及系统 |
CN115726935A (zh) * | 2022-11-15 | 2023-03-03 | 武汉大学 | 一种基于人工智能的风力机组异常状态检测系统及方法 |
CN116184192A (zh) * | 2023-02-02 | 2023-05-30 | 大唐万宁天然气发电有限责任公司 | 一种天然气发电机组运行状态评估方法及系统 |
CN116123042A (zh) * | 2023-03-08 | 2023-05-16 | 大唐凉山新能源有限公司 | 一种风力发电机组的智能监测预警方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117911010A (zh) * | 2024-03-19 | 2024-04-19 | 南方电网调峰调频发电有限公司检修试验分公司 | 一种水轮机调速器检修评估设备、方法、装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116881658B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108252873B (zh) | 一种风力发电机组在线数据监测及其性能评估的系统 | |
CN102434387A (zh) | 风机检测诊断系统 | |
CN116881658B (zh) | 一种水轮发电机组的智能状态评估方法及系统 | |
CN102003341B (zh) | 用于风力方案集的系统和方法 | |
CN103343728A (zh) | 风力发电机组远程在线多模式健康状态监测与故障诊断系统 | |
CN115013261B (zh) | 一种用于海上风电场的状态监测方法及系统 | |
CN108331718A (zh) | 风电机组偏航系统在线监测机构及故障诊断系统和方法 | |
CN108894932B (zh) | 一种风电机组发电机轴承故障智能诊断系统及方法 | |
CN115170000B (zh) | 一种基于电能表通信模块的远程监测方法及系统 | |
CN110469462A (zh) | 一种基于多模板的风电机组智能状态监测系统 | |
CN111878322B (zh) | 风力发电机装置 | |
CN111125895B (zh) | 一种风力发电机整机服役功率特性在线评估方法 | |
CN113298134B (zh) | 一种基于bpnn的风机叶片远程非接触健康监测系统和方法 | |
CN115614292B (zh) | 一种立式水泵机组振动监测装置及其方法 | |
CN115712735A (zh) | 一种基于大数据的风电机组故障监测预警方法及系统 | |
CN109974780A (zh) | 一种基于物联网的电气设备状态监测系统 | |
CN115455358A (zh) | 基于非线性回归模型的电气参数趋势预警及故障诊断方法 | |
CN113726006A (zh) | 水电生产分析决策支持系统 | |
CN208431106U (zh) | 风电机组偏航系统在线监测机构 | |
CN115065289B (zh) | 一种基于转子磁极缺陷的协同检修方法及系统 | |
CN111553808A (zh) | 风电场的指标信息展示方法、装置及存储介质 | |
CN115563885A (zh) | 一种风电厂储能电池能量转换系统 | |
CN102497025B (zh) | 一种自动分段器的远程状态监测方法 | |
CN114997375A (zh) | 一种空气型开关柜中绝缘子表面金属污秽模型搭建系统 | |
CN101620250B (zh) | 量测质量的自适应监测方法 |
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 |