CN117060409B - 电力线路运行状态自动化检测分析方法及系统 - Google Patents
电力线路运行状态自动化检测分析方法及系统 Download PDFInfo
- Publication number
- CN117060409B CN117060409B CN202311326768.3A CN202311326768A CN117060409B CN 117060409 B CN117060409 B CN 117060409B CN 202311326768 A CN202311326768 A CN 202311326768A CN 117060409 B CN117060409 B CN 117060409B
- Authority
- CN
- China
- Prior art keywords
- power line
- time node
- fluctuation
- detection
- operation parameter
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 148
- 238000004458 analytical method Methods 0.000 title claims abstract description 53
- 239000011159 matrix material Substances 0.000 claims abstract description 55
- 239000013598 vector Substances 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims description 38
- 238000012544 monitoring process Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims 1
- 238000012423 maintenance Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- 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
- H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
- H02J3/0012—Contingency detection
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电力线路检测的技术领域，特别是涉及一种电力线路运行状态自动化检测分析方法及系统，其能够准确地判断潜在的故障临界时间节点；按计划自动检测时间节点依次采集电力线路运行状态信息；并对电力线路运行状态信息进行关键参数提取，获得电力线路运行参数集合；将不同时间节点的电力线路运行参数集合按照时间顺序进行排列，同时将不同电力线路运行参数集合中相同的运行参数进行对齐，获得电力线路运行状态特征矩阵；获取电力线路电压等级，根据电力线路电压等级获知各项运行参数允许的最大波动范围；根据各项运行参数允许的最大波动范围，对电力线路运行状态特征矩阵进行逐列趋势分析，获得运行参数波动特征向量。
Description
技术领域
本发明涉及电力线路检测的技术领域，特别是涉及一种电力线路运行状态自动化检测分析方法及系统。
背景技术
电力线路检测是电力系统维护和运行管理的重要组成部分，对电力系统的安全性和稳定性起到了重要作用，电力线路检测的主要目的是及时发现潜在的问题或异常情况；现有的电力线路检测往往是对电力系统中的线路和设备进行定期检测，检测时间节点均是按照提前做好的检测计划进行。现有的检测方法在运行过程中，由于限制于固定的检测时间点，难以及时应对发生在相邻两个检测时间节点之间的突发性故障。因此，亟需一种能够根据现有电力线路运行状态来精准指导下次检测时间节点的电力线路运行状态自动化检测分析方法。
发明内容
为解决上述技术问题，本发明提供一种能够准确地判断潜在的故障临界时间节点，在故障发生前及时调整检测计划，提高故障的检测和预测能力的电力线路运行状态自动化检测分析方法。
第一方面，本发明提供了电力线路运行状态自动化检测分析方法，所述方法包括：
按计划自动检测时间节点依次采集电力线路运行状态信息；并对所述电力线路运行状态信息进行关键参数提取，获得电力线路运行参数集合；
将不同时间节点的电力线路运行参数集合按照时间顺序进行排列，同时将不同电力线路运行参数集合中相同的运行参数进行对齐，获得电力线路运行状态特征矩阵；所述电力线路运行状态特征矩阵中每一列代表同一项运行参数在不同时间节点下的数值，每一行表示同一时间节点下不同运行参数的数值；
获取电力线路电压等级，根据电力线路电压等级获知各项运行参数允许的最大波动范围；
根据各项运行参数允许的最大波动范围，对电力线路运行状态特征矩阵进行逐列趋势分析，获得运行参数波动特征向量；所述运行参数波动特征向量中各元素表示相对应运行参数的波动超标频率；
将运行参数波动特征向量输入至预先构建的电力线路状态预测模型中，获得电力线路故障临界时间节点；
判断电力线路故障临界时间节点与计划自动检测时间节点的关系，
若电力线路故障临界时间节点晚于计划自动检测时间节点，则将计划自动检测时间节点作为下次电力线路运行状态检测的时间节点；
若电力线路故障临界时间节点早于计划自动检测时间节点，则将电力线路故障临界时间节点作为下次电力线路运行状态检测的时间节点；
根据确定的下次电力线路运行状态检测的时间节点，自动调整电力线路的运行状态监测计划。
进一步地，所述电力线路运行参数集合包括电压、电流、温度、频率；使用电压表、电流互感器、温度传感器、频率计分别对电力线路的电压、电流、温度、频率进行测量。
进一步地，所述电力线路运行状态特征矩阵，如下所示：其中，Un表示第n个时间节点检测到的电压，In表示第n个时间节点检测到的电流，Tn表示第n个时间节点检测到的温度，Fn表示第n个时间节点检测到的频率；电力线路运行状态特征矩阵有4列，分别代表运行参数：电压、电流、温度和频率，在不同时间节点下的数值分别是矩阵中的元素；每一行表示一个时间节点，不同的运行参数在该时间节点下的数值按照对应的列排列。
进一步地，对电力线路运行状态特征矩阵进行逐列趋势分析的方法，包括：
获取电力线路运行状态特征矩阵；
设定检测时间窗口长度；
对于电力线路运行状态特征矩阵中的每项运行参数，判断其数值在设定的检测时间窗口内是否超过该运行参数允许的最大波动范围；
统计每项运行参数在时间窗口内超过允许波动范围的次数；
将超过允许波动范围的次数除以时间窗口的长度，得到波动超标频率；
将得到的波动超标频率按照相应运行参数的顺序构成运行参数波动特征向量。
进一步地，所述电力线路状态预测模型的构建方法，包括：
通过监测设备，获取各项运行参数的历史数据；历史数据包含正常和故障状态下的电力线路信息；
根据电力线路的运行参数及对应的波动特征向量，对数据进行特征工程处理，获得历史数据集；
将历史数据集划分为训练集和测试集；训练集用于训练模型，测试集用于评估模型的性能；
选择学习模型进行训练，使用训练集进行模型参数的学习和调整，使用测试集评估训练得到的模型的性能；
对模型进行验证和应用；将运行参数波动特征向量输入到预测模型中，预测电力线路的故障临界时间节点。
进一步地，所述学习模型包括决策树、支持向量机、卷积神经网络和循环神经网络。
进一步地，获得电力线路运行参数集合的方法，包括：
根据预先设定的检测计划，确定电力线路的检测时间节点；
在每个检测时间节点，使用监测设备对电力线路进行测量和监测，获取电力线路运行状态信息；
使用信号处理技术从电力线路运行状态信息中，提取关键的运行参数；
将所提取的运行参数整理成电力线路运行参数集合；所述电力线路运行参数集合以时间序列的形式组织，每个时间节点对应一组运行参数值。
另一方面，本申请还提供了电力线路运行状态自动化检测分析系统，所述系统包括：
数据采集模块，用于按计划自动检测时间节点依次采集电力线路运行状态信息，并发送；所述电力线路运行状态信息包括电压、电流、温度、频率；
参数提取模块，用于接收电力线路运行状态信息，并对电力线路运行状态信息进行关键参数提取，得到电力线路运行参数集合，并发送；
特征提取模块，用于接收电力线路运行参数集合，并将不同时间节点的电力线路运行参数集合按照时间顺序进行排列，并对相同的运行参数进行对齐，得到电力线路运行状态特征矩阵，并发送；所述特征矩阵中的每一列代表同一项运行参数在不同时间节点下的数值，每一行表示同一时间节点下不同运行参数的数值；
波动特征分析模块，用于获取电力线路的电压等级，并接收电力线路运行状态特征矩阵；所述波动特征分析模块根据电压等级确定各项运行参数的波动范围，并对电力线路运行状态特征矩阵进行逐列趋势分析，得到运行参数波动特征向量，并发送；所述运行参数波动特征向量中每个元素表示相应运行参数的波动超标频率；
状态预测模块，用于接收运行参数波动特征向量，并将波动特征向量输入预先存储的电力线路状态预测模型中，得到电力线路故障临界时间节点，并发送；
时间节点判断模块，用于接收电力线路故障临界时间节点，并判断电力线路故障临界时间节点与计划自动检测时间节点的关系：
若故障临界时间节点晚于计划自动检测时间节点，则将计划自动检测时间节点作为下次电力线路运行状态检测的时间节点，并发送；
若故障临界时间节点早于计划自动检测时间节点，则将故障临界时间节点作为下次电力线路运行状态检测的时间节点，并发送；
检测计划调整模块，用于接收下次电力线路运行状态检测的时间节点，并根据确定的下次电力线路运行状态检测的时间节点，自动调整电力线路的运行状态监测计划。
第三方面，本申请提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
与现有技术相比本发明的有益效果为：
本发明能够根据当前电力线路的实际运行状态来决定下次检测时间节点，具有更好的实时性和灵活性；通过采集电力线路的运行状态信息，并根据关键参数提取和波动特征分析，能够准确地判断潜在的故障临界时间节点，从而在故障发生前及时调整检测计划，提高故障的检测和预测能力；
本发明通过将不同时间节点的电力线路运行参数集合按照时间顺序排列，并将相同运行参数进行对齐，构建电力线路运行状态特征矩阵；能够针对不同运行参数在不同时间节点下的数值进行逐列趋势分析，得到运行参数波动特征向量；通过运行参数波动特征向量的分析，能够对电力线路的状态进行更加细致和个性化的评估，提高故障的检测准确性；
及时发现潜在的问题或异常情况是保证电力系统安全性和稳定性的关键；本发明通过提供对电力线路运行状态变化的精确监测和预测，能够更早地发现潜在故障点或异常情况，采取必要的维护措施，确保电力系统的安全运行和稳定性。
附图说明
图1是本发明的流程图；
图2是获得电力线路运行参数集合的流程图；
图3是获得运行参数波动特征向量的流程图；
图4是电力线路运行状态自动化检测分析系统的结构图。
具体实施方式
在本申请的描述中，所属技术领域的技术人员应当知道，本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此，本申请可以具体实现为以下形式：完全的硬件、完全的软件（包括固件、驻留软件、微代码等）、硬件和软件结合的形式。此外，在一些实施例中，本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式，该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括：电、磁、光、电磁、红外或半导体的系统、装置或器件，或者以上任意的组合。计算机可读存储介质更具体的例子包括：便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中，计算机可读存储介质可以是任意包含或存储程序的有形介质，该程序可以被指令执行系统、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解，流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合，都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而生产出一种机器，这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行，产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样，存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一：如图1至图3所示，本发明的电力线路运行状态自动化检测分析方法，具体包括以下步骤：
S1、按计划自动检测时间节点依次采集电力线路运行状态信息；并对所述电力线路运行状态信息进行关键参数提取，获得电力线路运行参数集合；所述电力线路运行参数集合包括电压、电流、温度、频率；
具体的，S1步骤包括以下内容：
S11、根据预先设定的检测计划，确定电力线路的检测时间节点；这些时间节点是按固定时间间隔进行的周期性检测，也可以是根据特定事件或需求进行的非周期性检测；
S12、在每个检测时间节点，使用合适的传感器或监测设备对电力线路进行测量和监测，以获取关键的运行状态信息；例如，可以使用电压表、电流互感器、温度传感器和频率计等设备进行测量；
S13、从所得到的监测数据中，提取关键的运行参数；这可以通过数据处理和分析的方法来实现；例如，可以使用信号处理技术、滤波算法和数据采样技术等来提取电力线路的电压、电流、温度和频率等参数；
S14、将所提取的运行参数整理成电力线路的运行参数集合；这些参数集合是以时间序列的形式组织，每个时间节点对应一组运行参数值。
通过以上步骤，能够按照计划的检测时间节点逐次采集电力线路的运行状态信息，并提取关键的运行参数集合；这为后续的分析和预测步骤提供了必要的数据基础，以实现对电力线路运行状态的自动化检测和分析；在后续的步骤中，这些运行参数将用于构建特征矩阵、进行波动分析、预测故障时间节点并调整监测计划，以实现更精确和实时的电力线路检测管理。
S2、将不同时间节点的电力线路运行参数集合按照时间顺序进行排列，同时将不同电力线路运行参数集合中相同的运行参数进行对齐，获得电力线路运行状态特征矩阵；所述电力线路运行状态特征矩阵中每一列代表同一项运行参数在不同时间节点下的数值，每一行表示同一时间节点下不同运行参数的数值；
S2步骤中，电力线路运行状态信息的关键参数被提取，并将这些参数按照时间顺序排列形成电力线路运行状态特征矩阵；这个特征矩阵哪个用来描述电力线路在不同时间节点下的各项运行参数数值；下面是对S2步骤中每个运行参数的处理方法：
S2a、电压：在电力系统中，电压是一个重要的运行参数，用来衡量电力线路的电压水平；在S1步骤中，可以采集不同时间节点下电力线路的电压数值，并按时间顺序排列；在S2步骤中，将这些电压数值整合到电力线路运行状态特征矩阵中的一列；
S2b、电流：电流是指通过电力线路的电流流动量，在电力系统中也是一个重要的参数；通过采集不同时间节点下电力线路的电流数值，并按时间顺序排列，将这些数值作为电力线路运行状态特征矩阵中的另一列；
S2c、温度：在电力系统中，一些元件的温度变化可以提供有关线路运行状态的重要信息；温度可以通过传感器或其他监测设备进行实时监测，并将不同时间节点的温度数值整合到电力线路运行状态特征矩阵中的另一列；
S2d、频率：频率是电力系统中电压和电流的振荡频率，通常以赫兹为单位表示；采集不同时间节点下电力线路的频率数值，并按时间顺序排列，将这些数据作为电力线路运行状态特征矩阵中的另一列。
具体的，所述电力线路运行状态特征矩阵，如下所示：其中，Un表示第n个时间节点检测到的电压，In表示第n个时间节点检测到的电流，Tn表示第n个时间节点检测到的元件温度，Fn表示第n个时间节点检测到的频率；电力线路运行状态特征矩阵有4列，分别代表电压、电流、温度和频率这4个运行参数，在不同时间节点下的数值分别是矩阵中的元素；每一行表示一个时间节点，不同的运行参数在该时间节点下的数值按照对应的列排列。
通过在电力线路的每个时间节点上采集和提取这些运行参数的数值，并将它们组织成电力线路运行状态特征矩阵，可以提供一种综合、时序的视角来描述电力线路运行状态的变化；这种特征矩阵可以为后续的波动分析和预测模型提供输入数据，以实现对电力线路运行状态的自动化检测和分析。
S3、获取电力线路电压等级，根据电力线路电压等级获知各项运行参数的波动范围；
S3步骤是获取电力线路电压等级，根据电力线路电压等级获知各项运行参数的波动范围；这一步骤的目的是根据电力线路的电压等级确定运行参数的预期波动范围，为后续的波动特征分析提供参考；在电力系统中，不同电力线路的电压等级可以不同，例如110kV、220kV、500kV等；电力线路的电压等级决定了其所承载的功率和传输能力，同时也对各项运行参数的预期范围产生影响；为了确定电力线路各项运行参数的波动范围，具体包括以下方法：
S3a、标准参考值：电力系统通常有一些标准参考值或规范，其中包含了各项运行参数的典型值和预期范围；可以从相关的标准、规范或设计文件中获取电力线路电压等级对应的典型运行参数范围；
S3b、统计分析：通过对历史数据进行统计分析，可以获得不同电力线路电压等级下各项运行参数的典型波动范围；这可以基于过去的电力线路运行数据，计算出平均值、标准差等统计指标，并结合经验判断确定典型的波动范围；
S3c、数据模型：利用电力系统的模型和仿真工具，可以对电力线路在不同电压等级下的运行参数进行分析；通过模型模拟和仿真，可以获得预期的运行参数范围，并用于评估实际运行数据的波动情况。
综合考虑以上方法，可以在S3步骤中使用合适的方法来获取电力线路电压等级，并根据该等级确定各项运行参数的波动范围；哪个为后续的波动特征分析提供准确的参考，帮助识别异常情况并进行故障预测和检测；根据不同地区、不同电力系统的实际情况，可以采用适合的方法来获取准确的电力线路电压等级和运行参数的波动范围。
S4、对电力线路运行状态特征矩阵进行逐列趋势分析，获得运行参数波动特征向量；所述运行参数波动特征向量中各元素表示相对应运行参数的波动超标频率；
在S4步骤中，根据S3步骤中获知的各项运行参数的波动范围，对电力线路运行状态特征矩阵进行逐列趋势分析，以获取运行参数的波动特征向量；该波动特征向量中的各元素表示相应运行参数的波动超标频率，即在一定时间窗口内该运行参数超过允许的最大波动范围的频率；下面是S4步骤的详细描述：
S41、获取电力线路运行状态特征矩阵，该矩阵由不同时间节点下的电力线路运行参数组成；每一列代表同一项运行参数在不同时间节点下的数值，每一行表示同一时间节点下不同运行参数的数值；
S42、对电力线路运行状态特征矩阵进行逐列趋势分析；针对每一列（即每个运行参数），将其数值按时间顺序排列；然后分析该列数值的变化趋势；
S43、对于每个运行参数，判断其数值在时间窗口内是否超过了在S3步骤中获知的该运行参数允许的最大波动范围；时间窗口的长度可以根据实际需求设定；
S44、统计每个运行参数在时间窗口内超过允许波动范围的次数；
S45、计算波动超标频率；将超过允许波动范围的次数除以时间窗口的长度，得到波动超标频率；
S46、将得到的波动超标频率按照相应运行参数的顺序构成运行参数波动特征向量。
在本步骤中，通过逐列趋势分析，可以了解每个运行参数的变化趋势，即该参数在一段时间内是上升、下降还是保持稳定；这有助于检测运行参数是否存在异常或波动情况，为问题的定位和解决提供线索；通过计算波动超标频率，可以获得每个运行参数的波动特征向量；该特征向量反映了每个运行参数相对应的波动超标频率，即运行参数超过允许波动范围的频率；这种特征向量可以用于运行参数的比较和评估，有助于判断哪些参数的波动情况较为严重，需要特别关注和处理；该方法可以根据实际需求设置时间窗口的长度，以适应不同的监测要求；通过实时获取电力线路的运行状态特征矩阵，并进行波动特征向量的计算，可以及时监测运行参数的波动情况，以便及时采取措施进行调整和修复。
S5、将运行参数波动特征向量输入至预先构建的电力线路状态预测模型中，获得电力线路故障临界时间节点；
在S5步骤中，电力线路状态预测模型的设计是关键的一步，它负责分析运行参数波动特征向量并预测电力线路的状态，尤其是故障临界时间节点；所述电力线路状态预测模型的构建方法，包括：
S51、数据收集和准备：通过监测设备，获取包括电流、电压、温度、频率等运行参数的历史数据；这些数据应包含正常和故障状态下的电力线路信息，以便建立模型进行预测；数据应经过预处理、清洗和标准化，以确保数据的质量和一致性；
S52、特征工程：根据电力线路的运行参数及其波动特征向量，对数据进行特征工程处理；这包括选择合适的特征、降维、变换等，以提取出对于预测目标有意义的特征；
S53、数据分割：将数据集划分为训练集和测试集；训练集用于训练模型，测试集用于评估模型的性能；
S54、模型选择、训练和评估：选择适当的机器学习模型进行训练，如决策树、支持向量机、神经网络等；根据数据的特点和问题的需求，选择最合适的模型进行训练；在训练过程中，使用训练集进行模型参数的学习和调整，以使模型能够较好地拟合训练数据；使用测试集评估训练得到的模型的性能；常用的评估指标包括准确率、召回率、F1值等；根据评估结果，对模型进行调整和改进；
S55、模型应用：对模型进行验证和应用；将运行参数波动特征向量输入到预测模型中，以预测电力线路的故障临界时间节点；预测结果可以是某个具体时间点或某个时间范围，在该时间范围内可能发生故障；预测结果应该提供足够的准确性和可信度，以便系统操作人员可以根据预测结果做出相应的决策。
总的来说，S5步骤的关键是设计和实现一个准确可靠的电力线路状态预测模型，该模型能够根据运行参数波动特征向量预测电力线路的故障临界时间节点；通过合理选择特征、构建合适的模型，并进行训练和验证，可以提高预测模型的准确性和稳定性，从而为电力线路的运行和维护提供有力的支持。
S6、判断电力线路故障临界时间节点与计划自动检测时间节点的关系，若电力线路故障临界时间节点晚于计划自动检测时间节点，则将计划自动检测时间节点作为下次电力线路运行状态检测的时间节点；若电力线路故障临界时间节点早于计划自动检测时间节点，则将电力线路故障临界时间节点作为下次电力线路运行状态检测的时间节点；
在S6步骤中，根据电力线路故障临界时间节点与计划自动检测时间节点的关系，确定下次电力线路运行状态检测的时间节点；这个判断是基于当前的电力线路运行状态自动化检测分析结果进行的；
首先，根据S5步骤中获得的电力线路故障临界时间节点，可以确定潜在的故障发生时间；如果电力线路故障临界时间节点晚于计划自动检测时间节点，意味着故障可能在下次检测之后发生，因此可以将计划自动检测时间节点作为下次电力线路运行状态检测的时间节点；
然而，如果电力线路故障临界时间节点早于计划自动检测时间节点，说明可能存在潜在的风险和问题，需要尽早进行检测和维护；在这种情况下，将电力线路故障临界时间节点作为下次电力线路运行状态检测的时间节点是更合适的选择。
关于如何判断电力线路故障临界时间节点与计划自动检测时间节点的关系，可以结合以下方面考虑：
S6a、故障严重性评估：根据预先设置的故障类型和严重性等级，对当前故障临界时间节点的故障情况进行评估；如果故障严重性较高，即使距离计划自动检测时间节点还有一定的时间，也值得提前进行故障检测；
S6b、故障概率评估：根据历史数据和统计分析，评估当前运行状态下故障发生的概率；如果故障发生的概率较高，即使故障临界时间节点较远，也应该在前一次计划自动检测时间节点之前进行故障检测；
S6c、系统可靠性要求：考虑到电力系统的可靠性和安全性要求，如果当前的运行状态存在潜在风险，即使故障临界时间节点较远，也应提前进行检测，以保证电力系统的稳定运行。
在本步骤中，如果电力线路故障临界时间节点早于计划自动检测时间节点，将故障临界时间节点作为下次检测的时间节点，确保尽早检测到潜在的故障情况；这可以避免故障进一步恶化，减少故障带来的影响和损失；如果电力线路故障临界时间节点晚于计划自动检测时间节点，将计划自动检测时间节点作为下次检测的时间节点；这避免了频繁无谓的检测，节省了资源和成本；只在需要的时候进行检测，有助于优化系统运行和维护计划；
在判断故障临界时间节点与计划自动检测时间节点的关系时，综合考虑了故障严重性评估、故障概率评估和系统可靠性要求等因素；这确保了决策的综合性和全面性，避免了单一指标或单一角度的局限性；通过动态调整下次检测的时间节点，可以实现对电力线路的精细化运维管理；根据实际情况灵活安排检测时间，提高运维效率和准确性，优化运维资源利用。
S7、根据确定的下次电力线路运行状态检测的时间节点，自动调整电力线路的运行状态监测计划；
S7步骤中，根据确定的下次电力线路运行状态检测的时间节点，自动调整电力线路的运行状态监测计划，是指根据前面步骤得到的电力线路运行状态信息和预测模型的结果，对未来的电力线路检测计划进行调整；具体的操作可以采取以下几个方面的措施：
S7a、灵活调整检测时间点：根据电力线路故障临界时间节点与计划自动检测时间节点的比较结果，在下次检测开始前，对计划的检测时间节点进行灵活调整；如果故障临界时间节点晚于计划自动检测时间节点，即预测到可能发生故障的时间在计划检测之后，则将计划自动检测时间节点作为下次电力线路运行状态检测的时间节点；能够保证在故障发生前能够及时检测到潜在的问题；反之，如果故障临界时间节点早于计划自动检测时间节点，即预测到可能发生故障的时间在计划检测之前，则将电力线路故障临界时间节点作为下次电力线路运行状态检测的时间节点，以便更早地发现和解决问题；
S7b、调整检测频率：除了调整检测时间点外，还可以根据预测模型的结果，调整电力线路的检测频率；如果预测模型得出电力线路存在较高故障风险的情况，可以增加检测频率，以减少故障发生的概率；反之，如果预测模型得出电力线路存在较低故障风险的情况，可以降低检测频率，以节约资源和成本；
S7c、确定检测区域和方法：根据预测模型得到的故障临界时间节点和波动特征向量，可以确定需要特别关注的电力线路区域和检测方法；如果某个特定的运行参数在预测的故障临界时间节点附近有明显的波动超标频率，可以将该参数及相应区域作为重点监测对象，加强检测措施，如加装传感器、增加巡检次数等；
S7d、结合人工判断与意见：虽然S7步骤是自动化的调整过程，但考虑到复杂的电力线路系统和检测情况，还应该充分结合人工判断与意见；专业人员可以根据实际运行经验和现场情况，对预测模型的结果进行评估和调整，以获取更准确的检测计划；同时，他们还可以对自动化系统提供的建议进行审查，将自动调整的计划与实际情况相结合，进一步优化整个系统。
在本步骤中，一旦确定了新的监测计划，需要在下次电力线路运行状态检测时按照新计划进行操作。这涉及调整监测设备的设置、通知维护人员或自动化系统，以确保在新的时间节点进行检测。整个自动化检测过程是一个持续的循环；根据新的监测计划执行结果，应该定期回顾和更新计划，以确保它在不断变化的电力线路环境中保持有效性；总之，S7步骤的关键是根据分析结果和历史数据，灵活地调整电力线路的监测计划，以适应电力线路状态的变化，确保故障能够及时检测和解决，同时最大程度地减少不必要的检测频率，提高效率和资源利用率。
实施例二：如图4所示，本发明的电力线路运行状态自动化检测分析系统，具体包括以下模块；
数据采集模块，用于按计划自动检测时间节点依次采集电力线路运行状态信息，并发送；所述电力线路运行状态信息包括电压、电流、温度、频率；
参数提取模块，用于接收电力线路运行状态信息，并对电力线路运行状态信息进行关键参数提取，得到电力线路运行参数集合，并发送；
特征提取模块，用于接收电力线路运行参数集合，并将不同时间节点的电力线路运行参数集合按照时间顺序进行排列，并对相同的运行参数进行对齐，得到电力线路运行状态特征矩阵，并发送；所述特征矩阵中的每一列代表同一项运行参数在不同时间节点下的数值，每一行表示同一时间节点下不同运行参数的数值；
波动特征分析模块，用于获取电力线路的电压等级，并接收电力线路运行状态特征矩阵；所述波动特征分析模块根据电压等级确定各项运行参数的波动范围，并对电力线路运行状态特征矩阵进行逐列趋势分析，得到运行参数波动特征向量，并发送；所述运行参数波动特征向量中每个元素表示相应运行参数的波动超标频率；
状态预测模块，用于接收运行参数波动特征向量，并将波动特征向量输入预先存储的电力线路状态预测模型中，得到电力线路故障临界时间节点，并发送；
时间节点判断模块，用于接收电力线路故障临界时间节点，并判断电力线路故障临界时间节点与计划自动检测时间节点的关系：
若故障临界时间节点晚于计划自动检测时间节点，则将计划自动检测时间节点作为下次电力线路运行状态检测的时间节点，并发送；
若故障临界时间节点早于计划自动检测时间节点，则将故障临界时间节点作为下次电力线路运行状态检测的时间节点，并发送；
检测计划调整模块，用于接收下次电力线路运行状态检测的时间节点，并根据确定的下次电力线路运行状态检测的时间节点，自动调整电力线路的运行状态监测计划。
在本实施例中，通过采集实时数据，并根据电力线路运行状态实时调整下次检测时间节点，能够更快速地响应并检测潜在问题或异常情况；系统根据电力线路的实际运行状态自动调整下次检测时间节点，确保在有故障或异常情况时能够及时检测，减少漏检或错检的可能性；通过参数提取和特征提取模块，系统能够对电力线路运行状态信息进行精准处理，从而得到更具体、更有意义的特征矩阵，有助于更准确地分析电力线路的运行状态。
通过波动特征分析模块，系统能够根据电压等级确定各项运行参数的波动范围，这有助于检测异常或超标的运行参数，提高系统稳定性和安全性；通过状态预测模块，系统能够预测电力线路的故障临界时间节点，这使得可以在故障发生前进行预防性维护，减少故障的持续时间，降低维修成本；检测计划调整模块能够根据系统的实时状态智能调整检测计划，确保系统能够高效、有效地运行，并优化电力线路的维护计划。
前述实施例一中的电力线路运行状态自动化检测分析方法的各种变化方式和具体实施例同样适用于本实施例的电力线路运行状态自动化检测分析系统,通过前述对电力线路运行状态自动化检测分析方法的详细描述,本领域技术人员可以清楚的知道本实施例中电力线路运行状态自动化检测分析系统的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、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,该收发器、该存储器和处理器分别通过总线相连，计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。
Claims (10)
1.一种电力线路运行状态自动化检测分析方法，其特征在于，所述方法包括：
按计划自动检测时间节点依次采集电力线路运行状态信息；并对所述电力线路运行状态信息进行关键参数提取，获得电力线路运行参数集合；
将不同时间节点的电力线路运行参数集合按照时间顺序进行排列，同时将不同电力线路运行参数集合中相同的运行参数进行对齐，获得电力线路运行状态特征矩阵；所述电力线路运行状态特征矩阵中每一列代表同一项运行参数在不同时间节点下的数值，每一行表示同一时间节点下不同运行参数的数值；
获取电力线路电压等级，根据电力线路电压等级获知各项运行参数允许的最大波动范围；
根据各项运行参数允许的最大波动范围，对电力线路运行状态特征矩阵进行逐列趋势分析，获得运行参数波动特征向量；所述运行参数波动特征向量中各元素表示相对应运行参数的波动超标频率；
将运行参数波动特征向量输入至预先构建的电力线路状态预测模型中，获得电力线路故障临界时间节点；
判断电力线路故障临界时间节点与计划自动检测时间节点的关系：
若电力线路故障临界时间节点晚于计划自动检测时间节点，则将计划自动检测时间节点作为下次电力线路运行状态检测的时间节点；
若电力线路故障临界时间节点早于计划自动检测时间节点，则将电力线路故障临界时间节点作为下次电力线路运行状态检测的时间节点；
根据确定的下次电力线路运行状态检测的时间节点，自动调整电力线路的运行状态监测计划。
2.如权利要求1所述的电力线路运行状态自动化检测分析方法，其特征在于，所述电力线路运行参数集合包括电压、电流、温度、频率；使用电压表、电流互感器、温度传感器、频率计分别对电力线路的电压、电流、温度、频率进行测量。
3.如权利要求2所述的电力线路运行状态自动化检测分析方法，其特征在于，所述电力线路运行状态特征矩阵，如下所示：其中，Un表示第n个时间节点检测到的电压，In表示第n个时间节点检测到的电流，Tn表示第n个时间节点检测到的温度，Fn表示第n个时间节点检测到的频率；电力线路运行状态特征矩阵有4列，分别代表运行参数：电压、电流、温度和频率，在不同时间节点下的数值分别是矩阵中的元素；每一行表示一个时间节点，不同的运行参数在该时间节点下的数值按照对应的列排列。
4.如权利要求3所述的电力线路运行状态自动化检测分析方法，其特征在于，对电力线路运行状态特征矩阵进行逐列趋势分析的方法，包括：
获取电力线路运行状态特征矩阵；
设定检测时间窗口长度；
对于电力线路运行状态特征矩阵中的每项运行参数，判断其数值在设定的检测时间窗口内是否超过该运行参数允许的最大波动范围；
统计每项运行参数在时间窗口内超过允许波动范围的次数；
将超过允许波动范围的次数除以时间窗口的长度，得到波动超标频率；
将得到的波动超标频率按照相应运行参数的顺序构成运行参数波动特征向量。
5.如权利要求1所述的电力线路运行状态自动化检测分析方法，其特征在于，所述电力线路状态预测模型的构建方法，包括：
通过监测设备，获取各项运行参数的历史数据；历史数据包含正常和故障状态下的电力线路信息；
根据电力线路的运行参数及对应的波动特征向量，对数据进行特征工程处理，获得历史数据集；
将历史数据集划分为训练集和测试集；训练集用于训练模型，测试集用于评估模型的性能；
选择学习模型进行训练，使用训练集进行模型参数的学习和调整，使用测试集评估训练得到的模型的性能；
对模型进行验证和应用；将运行参数波动特征向量输入到预测模型中，预测电力线路的故障临界时间节点。
6.如权利要求5所述的电力线路运行状态自动化检测分析方法，其特征在于，所述学习模型包括决策树、支持向量机、卷积神经网络和循环神经网络。
7.如权利要求1所述的电力线路运行状态自动化检测分析方法，其特征在于，获得电力线路运行参数集合的方法，包括：
根据预先设定的检测计划，确定电力线路的检测时间节点；
在每个检测时间节点，使用监测设备对电力线路进行测量和监测，获取电力线路运行状态信息；
使用信号处理技术从电力线路运行状态信息中，提取关键的运行参数；
将所提取的运行参数整理成电力线路运行参数集合；所述电力线路运行参数集合以时间序列的形式组织，每个时间节点对应一组运行参数值。
8.一种电力线路运行状态自动化检测分析系统，其特征在于，所述系统包括：
数据采集模块，用于按计划自动检测时间节点依次采集电力线路运行状态信息，并发送；所述电力线路运行状态信息包括电压、电流、温度、频率；
参数提取模块，用于接收电力线路运行状态信息，并对电力线路运行状态信息进行关键参数提取，得到电力线路运行参数集合，并发送；
特征提取模块，用于接收电力线路运行参数集合，并将不同时间节点的电力线路运行参数集合按照时间顺序进行排列，并对相同的运行参数进行对齐，得到电力线路运行状态特征矩阵，并发送；所述特征矩阵中的每一列代表同一项运行参数在不同时间节点下的数值，每一行表示同一时间节点下不同运行参数的数值；
波动特征分析模块，用于获取电力线路的电压等级，并接收电力线路运行状态特征矩阵；所述波动特征分析模块根据电压等级确定各项运行参数的波动范围，并对电力线路运行状态特征矩阵进行逐列趋势分析，得到运行参数波动特征向量，并发送；所述运行参数波动特征向量中每个元素表示相应运行参数的波动超标频率；
状态预测模块，用于接收运行参数波动特征向量，并将波动特征向量输入预先存储的电力线路状态预测模型中，得到电力线路故障临界时间节点，并发送；
时间节点判断模块，用于接收电力线路故障临界时间节点，并判断电力线路故障临界时间节点与计划自动检测时间节点的关系：
若故障临界时间节点晚于计划自动检测时间节点，则将计划自动检测时间节点作为下次电力线路运行状态检测的时间节点，并发送；
若故障临界时间节点早于计划自动检测时间节点，则将故障临界时间节点作为下次电力线路运行状态检测的时间节点，并发送；
检测计划调整模块，用于接收下次电力线路运行状态检测的时间节点，并根据确定的下次电力线路运行状态检测的时间节点，自动调整电力线路的运行状态监测计划。
9.一种电力线路运行状态自动化检测分析电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，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1-7中任一项所述方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311326768.3A CN117060409B (zh) | 2023-10-13 | 2023-10-13 | 电力线路运行状态自动化检测分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311326768.3A CN117060409B (zh) | 2023-10-13 | 2023-10-13 | 电力线路运行状态自动化检测分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117060409A CN117060409A (zh) | 2023-11-14 |
| CN117060409B true CN117060409B (zh) | 2023-12-29 |
Family
ID=88666736
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311326768.3A Active CN117060409B (zh) | 2023-10-13 | 2023-10-13 | 电力线路运行状态自动化检测分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117060409B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117289085A (zh) * | 2023-11-22 | 2023-12-26 | 武汉宏联电线电缆有限公司 | 一种多线路故障分析诊断方法及系统 |
| CN117272844B (zh) * | 2023-11-22 | 2024-04-09 | 武汉宏联电线电缆有限公司 | 配电盘工作寿命的预测方法及系统 |
| CN117579101B (zh) * | 2024-01-17 | 2024-04-30 | 南京飞腾电子科技有限公司 | 载波通讯模块的控制方法及其系统 |
| CN118100446A (zh) * | 2024-04-24 | 2024-05-28 | 国网黑龙江省电力有限公司绥化供电公司 | 一种用于电力系统的节点运行状态智能检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111222702A (zh) * | 2020-01-09 | 2020-06-02 | 中国电力科学研究院有限公司 | 一种调控系统运行变化趋势预测方法和系统 |
| KR102226687B1 (ko) * | 2019-11-20 | 2021-03-11 | (주)위세아이텍 | 딥러닝을 활용한 시계열 예측 기반의 정비 주기 예측 장치 및 방법 |
| CN113077172A (zh) * | 2021-04-19 | 2021-07-06 | 瑞湖智科数据(苏州)有限公司 | 一种设备状态趋势分析及故障诊断方法 |
| WO2021212752A1 (zh) * | 2020-04-23 | 2021-10-28 | 平安科技（深圳）有限公司 | 基于设备指标数据的异常检测方法、装置、设备及存储介质 |
| CN113988325A (zh) * | 2021-10-08 | 2022-01-28 | 广东能源集团科学技术研究院有限公司 | 一种电力系统故障预警方法、装置、终端设备及存储介质 |
| CN114004331A (zh) * | 2021-10-14 | 2022-02-01 | 武汉烽火技术服务有限公司 | 一种基于关键指标和深度学习的故障分析方法 |
| CN116596512A (zh) * | 2023-05-22 | 2023-08-15 | 湖北华中电力科技开发有限责任公司 | 一种基于信息系统的电力运维安全强化方法和系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4068551B1 (en) * | 2021-03-29 | 2023-10-11 | Siemens Aktiengesellschaft | System and method for predicting failure in a power system in real-time |
-
2023
- 2023-10-13 CN CN202311326768.3A patent/CN117060409B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102226687B1 (ko) * | 2019-11-20 | 2021-03-11 | (주)위세아이텍 | 딥러닝을 활용한 시계열 예측 기반의 정비 주기 예측 장치 및 방법 |
| CN111222702A (zh) * | 2020-01-09 | 2020-06-02 | 中国电力科学研究院有限公司 | 一种调控系统运行变化趋势预测方法和系统 |
| WO2021212752A1 (zh) * | 2020-04-23 | 2021-10-28 | 平安科技（深圳）有限公司 | 基于设备指标数据的异常检测方法、装置、设备及存储介质 |
| CN113077172A (zh) * | 2021-04-19 | 2021-07-06 | 瑞湖智科数据(苏州)有限公司 | 一种设备状态趋势分析及故障诊断方法 |
| CN113988325A (zh) * | 2021-10-08 | 2022-01-28 | 广东能源集团科学技术研究院有限公司 | 一种电力系统故障预警方法、装置、终端设备及存储介质 |
| CN114004331A (zh) * | 2021-10-14 | 2022-02-01 | 武汉烽火技术服务有限公司 | 一种基于关键指标和深度学习的故障分析方法 |
| CN116596512A (zh) * | 2023-05-22 | 2023-08-15 | 湖北华中电力科技开发有限责任公司 | 一种基于信息系统的电力运维安全强化方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117060409A (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117060409B (zh) | 电力线路运行状态自动化检测分析方法及系统 | |
| CN1862278A (zh) | 预测电动机剩余寿命的方法和系统 | |
| CN113239132B (zh) | 一种电压互感器的超差在线辨识方法 | |
| KR101953558B1 (ko) | 스마트 기기 결함 관리 장치 및 방법 | |
| 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 | |
| CN117407679A (zh) | 智能末屏传感器的数据采集方法及系统 | |
| CN114255784A (zh) | 一种基于声纹识别的变电站设备故障诊断方法及相关装置 | |
| CN117375231A (zh) | 一种基于电网数据节点的统计方法及数据处理系统 | |
| CN117031182A (zh) | 配电站所终端遥测值异常检测方法及系统 | |
| CN112345972A (zh) | 基于停电事件的配电网线变关系异常诊断方法、装置及系统 | |
| CN116975389A (zh) | 一种变电站故障分析方法及装置 | |
| CN116881661A (zh) | 一种基于低压电力电容器的性能自动化分析方法及系统 | |
| CN114037010A (zh) | 一种电量数据异常的识别方法及装置 | |
| CN112465358A (zh) | 基于支持向量机的电压质量分类方法及装置 | |
| CN117272844B (zh) | 配电盘工作寿命的预测方法及系统 | |
| CN105426999A (zh) | 输变电设备状态变化预测方法和系统 | |
| CN118112359B (zh) | 基于物联网的开关柜故障诊断方法及系统 | |
| CN117148048B (zh) | 基于数字孪生技术的配电网故障预测方法及系统 | |
| CN117591507B (zh) | 一种用于测控装备的数据质量特性自动化构建方法和系统 | |
| CN117038048B (zh) | 一种用于医疗器械的远程故障处理方法及系统 | |
| CN117783769B (zh) | 基于可视平台的配电网络故障定位方法、系统、设备及存储介质 | |
| CN114414938B (zh) | 一种配电网故障的动态响应方法及系统 | |
| CN117978837B (zh) | 一种电力数据采集传输方法及其系统 | |
| CN113361849B (zh) | 超越概率模型的确定方法及装置、风险评估方法及装置 | |
| Abdulova | Analysis of Approximating and Detailing Wavelet Decomposition Coefficients in the Risk Potential Predictive Algorithm |
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 |