CN117113157A - 一种基于人工智能的台区用电故障检测系统 - Google Patents
一种基于人工智能的台区用电故障检测系统 Download PDFInfo
- Publication number
- CN117113157A CN117113157A CN202311371599.5A CN202311371599A CN117113157A CN 117113157 A CN117113157 A CN 117113157A CN 202311371599 A CN202311371599 A CN 202311371599A CN 117113157 A CN117113157 A CN 117113157A
- Authority
- CN
- China
- Prior art keywords
- data
- evaluation
- fault detection
- representing
- coefficient
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 242
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 40
- 238000011156 evaluation Methods 0.000 claims abstract description 281
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 98
- 238000012937 correction Methods 0.000 claims abstract description 61
- 238000013499 data model Methods 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000013441 quality evaluation Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 54
- 238000000034 method Methods 0.000 claims description 31
- 238000012423 maintenance Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000001932 seasonal effect Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000012986 modification Methods 0.000 claims description 7
- 230000004048 modification Effects 0.000 claims description 7
- 238000001303 quality assessment method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于人工智能的台区用电故障检测系统。该基于人工智能的台区用电故障检测系统,包括数据获取模块、故障检测综合评估模块和故障检测分析模块,本发明通过构建故障检测综合评估系数模型并对故障检测数据进行数据质量评估、数据模型评估、算法逻辑评估、环境补正评估、人为补正评估、更新补正评估得到故障检测综合评估系数,从而根据故障检测综合评估系数在故障检测分析模块中判断台区是否出现故障,进而提高故障检测生成解决方案的准确性,解决了现有技术中,存在不能有效的评估故障检测故障检测以提高台区用电故障检测系统准确性的问题。
Description
技术领域
本发明涉及台区用电故障检测技术领域,尤其涉及一种基于人工智能的台区用电故障检测系统。
背景技术
随着智能化、信息化的不断发展,人工智能已经广泛应用于各个领域,在台区用电故障检测中,人工智能可以通过故障检测算法识别电力设备的故障模式,实现电力设备的智能化管理,拥有提高故障检测准确性、降低维护成本、提高系统稳定性和可靠性、自动化决策支持等诸多优势。
现有的基于人工智能的台区用电故障检测系统通过以下技术实现,包括机器学习和深度学习:通过收集台区的历史数据和实时数据,训练模型来识别和预测电力系统中可能的故障。物联网传感器技术:用于收集台区的电力数据,如电流、电压、频率等。通信技术:用于实时传输台区的数据到中心服务器或云端进行分析。大数据技术:数据存储:用于存储和处理大量的电力数据。数据处理和分析:处理和分析收集到的大规模数据,以识别潜在的故障模式。边缘计算:对于需要快速响应的系统,可以在数据初步生成位置进行初步的数据分析和处理,从而实现快速的故障检测。数据融合技术:由于故障检测系统可能从多个源收集数据,数据融合技术可以帮助整合这些数据,提供一个全面的视图,增加检测的准确性。图形处理和可视化:通过图形界面实时显示台区的电力数据和故障信息,帮助操作员更直观地了解系统的状态。
例如公告号为:CN111541227B公告的基于人工智能的AT全并联供电网络的广域保护系统,包括:S1、在AT全并联供电网络供电区间内设置广域保护装置,供电区间内的每个所均设有一台广域保护装置,各个广域保护装置相互连接;S2、将供电区间内的各所分为一个主所和数个子所,将子所广域保护装置的数据实时上传至主所广域保护装置中;S3、在主所的广域保护装置内嵌入智能学习网络。本发明创造针对AT全并联供电网络提出了一套广域保护系统。
例如公开号为:CN112308732A公开的基于人工智能与数据交互模拟技术的台区线损智能管理平台,包括:台区线损模块,台区线损模块的输出端连接台区线损预警模块的输入端,台区线损预警模块的输出端分别连接有台区总表检测模块、低压互联登记模块、抄表质量监测模块、窃电登记模块、微小用电登记模块的输入端。本基于人工智能与数据交互模拟技术的台区线损智能管理平台,台区线损模块的输出端连接台区线损预警模块的输入端,台区线损模块检测到问题,能够及时传送给台区线损预警模块,既能进行报警,又能及时检测并记录发生的故障问题。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中,基于人工智能的台区用电故障检测系统难以进行故障检测的评估以提高故障检测准确性,存在不能有效的评估故障检测故障检测以提高台区用电故障检测系统准确性的问题。
发明内容
本申请实施例通过提供一种基于人工智能的台区用电故障检测系统,解决了现有技术中存在不能有效的评估故障检测故障检测以提高台区用电故障检测系统准确性的问题,实现了提高故障检测生成解决方案的准确性的效果。
本申请实施例提供了一种基于人工智能的台区用电故障检测系统,包括:数据获取模块,用于获取台区历史故障检测数据;故障检测综合评估模块,用于根据检测评估数据,构建故障检测综合评估系数模型;故障检测分析模块,用于获取故障检测综合评估模块计算得到的故障检测综合评估系数,并将故障检测综合评估系数与预定义故障检测综合评估系数阈值对比,判断台区是否出现故障。
进一步的,所述故障检测分析模块具体分析方法为:将故障检测综合评估系数与预定义故障检测综合评估系数阈值对比,若故障检测综合评估系数在预定义误差允许范围内,则出现台区用电故障,则进行下一步骤;根据历史故障检测数据,生成故障检测训练集,将本次台区用电故障数据与训练集中的数据进行对比,若数据相同,则判断为历史故障,否则,为新故障,并将新故障进行保存;对新故障数据进行数据训练,判断故障的准确性并综合显示。
进一步的,所述构建故障检测综合评估系数模型公式如下:
,式中,/>表示故障检测综合评估系数;数据质量评估系数/>、数据模型评估系数/>、算法逻辑评估系数/>、环境补正评估系数/>、人为补正评估系数/>和更新补正评估系数/>;/>、/>、/>和/>分别表示数据质量评估系数、数据模型评估系数、环境补正评估系数和人为补正评估系数对应的故障检测算法的故障检测权重因子。
进一步的,所述数据质量评估系数的具体计算公式为:
,式中,/>表示数据质量评估系数;/>表示第/>类第/>个故障检测原始数据组数据完整性标准值,/>表示第/>类第/>个故障检测原始数据组数据准确性标准值,/>表示第/>类第/>个故障检测原始数据组数据时效性标准值,/>、/>和/>分别表示第/>类第/>个故障检测原始数据组数据设定完整性标准值、设定准确性标准值和设定时效性标准值,/>表示故障检测原始数据组数据噪音影响读取误差因子,/>表示第/>类第个预定义故障检测原始数据组数据噪音修正标准值;/>表示故障检测原始数据组数据类别,/>,/>为故障检测原始数据组数据类别总数,/>表示故障检测原始数据组第类数据数量,/>,/>为故障检测原始数据组第/>类数据总数。
进一步的,所述数据模型评估系数的具体计算公式为:
,式中,/>表示数据模型评估系数;/>表示数据模型适用性评估值,/>表示模型架构适配性评估值,/>表示数据特征故障检测评估值,/>表示数据标准归一性评估值,/>表示数据模型适用性评估值与模型架构适配性评估值匹配调和因子,/>和/>分别表示数据模型适用性评估值与模型架构适配性评估值对应的权重因子,/>表示预定义模型架构适配性评估标准值,/>表示预定义数据特征故障检测评估标准值,/>表示预定义设备接口兼容性匹配调和因子,/>表示预定义数据标准归一性评估值匹配调和因子,/>表示数据模型适用性评估值、模型架构适配性评估值和数据特征故障检测评估值相互叠加负向影响系数,/>表示预定义算法类型修正系数。
进一步的,所述算法逻辑评估系数的具体计算公式为:,/>,,/>,/>,式中,/>表示算法逻辑评估系数,/>表示预定义算法训练集影响修正匹配系数,/>表示超参数调整影响系数的影响匹配因子,/>表示超参数调整影响系数,/>表示数据模型评估值,/>表示特征选择适配性评估值,/>表示算法模型复杂性评估值、/>表示算法可扩展性匹配系数,/>、/>与分别表示特征选择适配性评估标准值、算法模型复杂性评估标准值和算法可扩展性匹配系数标准值,/>表示特征选择适配性评估值和算法模型复杂性评估值与算法可扩展性匹配系数的联合匹配因子,/>与/>分别表示特征选择适配性评估值和算法模型复杂性评估值的影响匹配因子,/>表示自然常数。
进一步的,所述环境补正评估系数的具体计算公式为:
,式中,/>表示环境补正评估系数,/>表示温湿度影响匹配评估值,/>表示风力影响匹配评估值,/>表示雨雪影响匹配评估值,/>表示季节变化电力负荷匹配影响系数,/>表示预定义极端天气修正系数,/>和/>分别表示温湿度影响匹配评估值和雨雪影响匹配评估值对应的影响匹配因子,/>和/>分别表示温湿度影响匹配评估值和雨雪影响匹配评估值对应的故障检测权重因子,/>表示雨雪影响匹配评估标准值,/>表示风力影响匹配评估值对温湿度影响匹配评估值和雨雪影响匹配评估值的对应的影响叠加因子,/>表示季节变化电力负荷匹配影响系数对环境补正评估的影响叠加因子。
进一步的,所述人为补正评估系数的具体计算公式为:
,式中,/>表示人为补正评估系数,/>表示人为补正原始数据组数据类别,/>,/>为人为补正原始数据组数据类别总数,/>表示人为维护影响评估值,/>表示第/>类人员培训匹配影响系数,/>表示人为决策支持匹配影响系数和/>表示预定义数据安全人为影响系数,/>表示第/>类人员培训匹配影响系数的预定义标准值,/>表示第/>类人员培训匹配影响系数的预定义差值标准值,/>表示算法逻辑评估系数对第/>类人员培训匹配影响系数的预定义匹配因子,/>表示设定人为维护影响评估标准值。
进一步的,所述更新补正评估系数的具体计算公式为:
,式中,/>表示更新补正评估系数,/>表示更新算法适配性评估值、/>表示更新算法故障检测评估值,/>表示预定义更新算法稳定性匹配影响系数,/>与/>分别表示更新算法适配性评估值和更新算法故障检测评估值的影响权重因子,/>表示更新算法适配性评估值和更新算法故障检测评估值对算法逻辑评估系数的影响匹配因子,/>表示更新算法适配性评估值、更新算法故障检测评估值和预定义更新算法稳定性匹配影响系数叠加负向影响因子,/>表示台区用电季节性变化影响匹配因子。
进一步的,所述对新故障数据进行数据训练,判断故障的准确性并综合显示还包括:若检测到新故障,则将所有数据标红,根据预定义故障检测算法生成故障解决方案,立即通知相关人员按照故障解决方案处理故障并将故障处理实际情况反馈,判断故障的准确性,根据故障处理反馈情况加入已有的故障检测训练集实例,并根据故障检测训练集实例对新故障数据进行数据训练。
本申请实施例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:
1、通过故障检测综合评估模块进行数据质量评估、数据模型评估、算法逻辑评估、环境补正评估、人为补正评估和更新补正评估得到数据质量评估系数、数据模型评估系数、算法逻辑评估系数、环境补正评估系数、人为补正评估系数和更新补正评估系数,再通过故障检测综合评估综合以上评估系数得到故障检测综合评估系数,从而根据故障检测综合评估系数对故障检测方法进行对应的调节并综合显示,有效提高了故障检测算法的故障检测准确性,有效解决了现有技术中,存在不能有效的评估故障检测故障检测以提高台区用电故障检测系统准确性的问题。
2、通过故障检测分析模块综合各评估系数,得到故障检测综合评估系数,将数据质量评估、数据模型评估、算法逻辑评估、环境补正评估、人为补正评估和更新补正评估结果与预定义故障检测综合评估系数阈值对比,判断台区是否出现故障,从而提高了理解故障检测系统得出故障检测结果的客观性,进而实现了提高制定新的运营和维护决策的支持性。
3、通过故障检测分析模块对将故障检测综合评估系数及其各评估系数依次与对应的预定义阈值比较,对新故障数据进行数据训练,判断故障的准确性并综合显示,通知相关人员按照故障解决方案处理故障并将故障处理实际情况反馈,从而判断故障检测的新故障在实际处理下的反馈性,进而实现了提高故障检测系统的鲁棒性。
附图说明
图1为本申请实施例提供的基于人工智能的台区用电故障检测系统的结构示意图;
图2为本申请实施例提供的基于人工智能的台区用电故障检测系统中故障检测综合评估模块的结构示意图;
图3为本申请实施例提供的基于人工智能的台区用电故障检测系统中故障检测综合评估模块的更新补正评估的结构示意图。
具体实施方式
本申请实施例通过提供一种基于人工智能的台区用电故障检测系统,解决了现有技术中存在不能有效的评估故障检测故障检测以提高台区用电故障检测系统准确性的问题,通过对故障检测算法故障检测综合评估对故障检测算法进行对应的调节并综合显示,实现了提高故障检测生成解决方案的准确性。
本申请实施例中的技术方案为解决上述存在不能有效的评估故障检测故障检测以提高台区用电故障检测系统准确性的问题,总体思路如下:
通过构建故障检测综合评估系数模型并对故障检测数据进行数据质量评估、数据模型评估、算法逻辑评估、环境补正评估、人为补正评估、更新补正评估得到故障检测综合评估系数,从而根据故障检测综合评估系数在故障检测分析模块中判断台区是否出现故障,进而提高故障检测生成解决方案的准确性。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。如图1所示,为本申请实施例提供的基于人工智能的台区用电故障检测系统的结构示意图,本申请实施例提供的基于人工智能的台区用电故障检测系统包括:数据获取模块,用于获取台区历史故障检测数据;故障检测综合评估模块,用于根据检测评估数据,构建故障检测综合评估系数模型;故障检测分析模块,用于获取故障检测综合评估模块计算得到的故障检测综合评估系数,并将故障检测综合评估系数与预定义故障检测综合评估系数阈值对比,判断台区是否出现故障。
进一步的,故障检测分析模块具体分析方法为:将故障检测综合评估系数与预定义故障检测综合评估系数阈值对比,若故障检测综合评估系数在预定义误差允许范围内,则出现台区用电故障,并进行下一步骤;根据历史故障检测数据,生成故障检测训练集,将当前台区用电故障数据与训练集中的数据进行对比,若数据相同,则判断为历史故障,否则,为新故障,并将新故障进行保存;对新故障数据进行数据训练,判断故障的准确性并综合显示。
在本实施例中,上述流程包括故障检测综合评估、历史故障数据对比和新故障数据的训练。这个过程有以下好处:准确性提高:通过将故障检测综合评估系数与预定义故障检测综合评估系数阈值进行对比,系统可以快速识别出台区用电故障。这有助于提高故障检测的准确性,减少误报和漏报。历史故障分类:通过将当前台区用电故障数据与历史故障检测数据对比,系统可以将故障分类为历史故障或新故障。这有助于更好地理解和管理故障情况,为历史故障提供更快速的响应。新故障识别:系统可以识别新故障并将其保存。这有助于建立对新类型故障的知识库,以便今后更好地应对类似问题。故障准确性评估:对新故障数据进行训练和综合显示,可以帮助评估故障的准确性。这有助于了解故障检测系统的性能,并在必要时进行改进。数据驱动决策:整个过程是数据驱动的,它基于历史故障数据和预定义的阈值进行决策。这有助于更好地理解和解决台区用电故障问题,同时降低主观判断的风险。快速响应:通过快速检测和分类故障,系统可以实现更快速的响应时间,有助于减少故障对电力系统和用户的影响。
进一步的,构建故障检测综合评估系数模型公式如下:
,式中,/>表示故障检测综合评估系数;数据质量评估系数/>、数据模型评估系数/>、算法逻辑评估系数/>、环境补正评估系数/>、人为补正评估系数/>和更新补正评估系数/>;/>、/>、/>和/>分别表示数据质量评估系数、数据模型评估系数、环境补正评估系数和人为补正评估系数对应的故障检测算法的故障检测权重因子。
在本实施例中,如图2所示,为本申请实施例提供的基于人工智能的台区用电故障检测系统中故障检测综合评估模块的结构示意图,在基于人工智能的台区用电故障检测系统中,获得故障检测综合评估系数的好处包括:增强可故障检测:故障检测综合评估系数可以帮助理解系统是如何得出故障检测结果的。这对于系统操作员、维护人员和决策者来说非常重要,因为他们需要明白为什么系统认为某个台区存在潜在故障,以便采取适当的措施。故障诊断和根本原因分析:故障检测评估系数可以帮助确定导致故障检测结果的根本原因。这有助于快速定位问题,采取正确的纠正措施,以便尽快恢复台区的正常运行。支持决策制定:故障检测综合评估系数提供了关于台区用电情况的详细信息,可以支持运营和维护决策的制定。例如,它可以指导资源分配、维护计划和投资决策。知识共享和培训:可故障检测评估系数使得系统的工作原理更容易传授给操作员和维护人员。这可以加速培训过程,使他们更快地适应和利用人工智能系统。改进模型和系统性能:通过了解故障检测综合评估系数,可以识别模型和系统的局限性和缺陷,进而改进它们的性能和准确性
进一步的,数据质量评估系数的具体计算公式为:
,式中,/>表示数据质量评估系数;/>表示第/>类第/>个故障检测原始数据组数据完整性标准值,/>表示第/>类第/>个故障检测原始数据组数据准确性标准值,/>表示第/>类第/>个故障检测原始数据组数据时效性标准值,/>、/>和/>分别表示第/>类第/>个故障检测原始数据组数据设定完整性标准值、设定准确性标准值和设定时效性标准值,/>表示故障检测原始数据组数据噪音影响读取误差因子,/>表示第/>类第/>个预定义故障检测原始数据组数据噪音修正标准值;/>表示数据类别,/>,/>为故障检测原始数据组数据类别总数,/>表示故障检测原始数据组第/>类的数据,/>,为故障检测原始数据组第/>类数据总数。
在本实施例中,系统的准确性和可靠性取决于所使用的数据的质量。如果输入的数据有噪声、缺失或错误,那么系统可能会产生误判或错误的故障检测结果。基于人工智能的台区用电故障检测系统的性能受多种数据质量因素的影响。数据完整性:数据的完整性涉及到是否存在缺失值、重复值或异常值。缺失的数据点或异常值可能会导致模型训练和预测的不准确性,从而降低系统的性能。数据准确性:数据准确性涉及到数据是否准确地反映了真实情况。如果数据包含错误的信息或存在录入错误,那么模型可能会基于错误的信息做出决策。数据时效性:在电力系统中,数据的时效性非常重要。过时的数据可能不再反映当前的系统状态,这可能导致系统无法有效地检测故障或做出错误的决策。
进一步的,数据模型评估系数的具体计算公式为:
,式中,/>表示数据模型评估系数;/>表示数据模型适用性评估值,/>表示模型架构适配性评估值,/>表示数据特征故障检测评估值,/>表示数据标准归一性评估值,/>表示数据模型适用性评估值与模型架构适配性评估值匹配调和因子,/>和/>分别表示数据模型适用性评估值与模型架构适配性评估值对应的权重因子,/>表示预定义模型架构适配性评估标准值,/>表示预定义数据特征故障检测评估标准值,/>表示预定义设备接口兼容性匹配调和因子,/>表示预定义数据标准归一性评估值匹配调和因子,/>表示数据模型适用性评估值、模型架构适配性评估值和数据特征故障检测评估值相互叠加负向影响系数,/>表示预定义算法类型修正系数。
在本实施例中,系统所使用的数据应涵盖各种不同情况下的用电情况,包括正常情况和各种故障情况。如果数据集没有覆盖全面,特别是在少见的故障情况下,系统可能无法准确检测到这些故障。基于人工智能的台区用电故障检测系统的性能受多种数据模型相关因素的影响。以下是一些主要因素:模型选择:选择用于台区用电故障检测的人工智能模型是关键的因素。不同的模型具有不同的能力和适用性,例如,深度学习模型如卷积神经网络(CNN)和循环神经网络(RNN)在处理时间序列数据时可能更有效,而决策树或随机森林等传统机器学习模型可能适用于结构化数据。模型架构:模型的架构、层数、单元数等超参数会影响性能。优化模型架构以适应台区用电数据的特点是重要的。特征工程:台区用电数据的特征工程是关键的。选择合适的特征、进行特征提取和转换,以及处理缺失值和异常值等预处理过程可以显著影响模型的性能。数据标准化和归一化:数据的标准化和归一化可以确保模型在不同尺度的数据上表现稳定,并有助于模型更快地收敛。
进一步的,算法逻辑评估系数的具体计算公式为:,/>,,/>,/>,式中,/>表示算法逻辑评估系数;/>表示预定义算法训练集影响修正匹配系数,/>表示超参数调整影响系数的影响匹配因子,/>表示超参数调整影响系数,/>表示数据模型评估值,/>表示特征选择适配性评估值,/>表示算法模型复杂性评估值、/>表示算法可扩展性匹配系数,/>、/>与分别表示特征选择适配性评估标准值、算法模型复杂性评估标准值和算法可扩展性匹配系数标准值,/>表示特征选择适配性评估值和算法模型复杂性评估值与算法可扩展性匹配系数的联合匹配因子,/>与/>分别表示特征选择适配性评估值和算法模型复杂性评估值的影响匹配因子,/>表示自然常数。
在本实施例中,选择合适的算法和正确设置其参数对于故障检测系统的性能至关重要。不同的算法适用于不同类型的故障,并且参数的设置直接影响到系统的敏感性和准确性。如果选择的算法不适合问题场景或者参数设置不当,可能会导致漏报或误报情况的发生。特征选择:算法逻辑需要与所选特征一致。合适的特征选择可以提高算法的性能。特征选择可能涉及到领域知识,以确保选择的特征与台区用电故障相关。模型复杂性:算法的复杂性也会影响性能。一些复杂的算法可能需要更多的计算资源和数据来训练和运行,而简单的算法可能在特定情况下更有效。参数调整:算法通常有一些参数需要调整,以使其在特定问题上表现最佳。例如,学习率、迭代次数、正则化参数等都可以影响算法的性能。算法的可扩展性:如果用电系统需要扩展到更多的台区或处理更大规模的数据,算法逻辑必须具有可扩展性,以适应这些变化。
进一步的,环境补正评估系数的具体计算公式为:
,式中,/>表示环境补正评估系数;/>表示温湿度影响匹配评估值,/>表示风力影响匹配评估值,/>表示雨雪影响匹配评估值,/>表示季节变化电力负荷匹配影响系数,/>表示预定义极端天气修正系数,/>和/>分别表示温湿度影响匹配评估值和雨雪影响匹配评估值对应的影响匹配因子,/>和/>分别表示温湿度影响匹配评估值和雨雪影响匹配评估值对应的故障检测权重因子,/>表示雨雪影响匹配评估标准值,/>表示风力影响匹配评估值对温湿度影响匹配评估值和雨雪影响匹配评估值的对应的影响叠加因子,/>表示季节变化电力负荷匹配影响系数对环境补正评估的影响叠加因子。
在本实施例中,系统可能受到环境变化的影响。例如,天气变化、季节性变化以及行业或用电设备的变化都可能导致用电行为的变化,从而影响故障检测系统的性能。温度和气温波动:温度是一个重要因素,它可以影响电力设备的性能。极端温度(寒冷或高温)可能导致设备过热或冷却不足,增加了设备故障的风险。湿度:高湿度或潮湿的气候条件可能导致电力设备受潮,引发短路或绝缘故障。另一方面,低湿度可能增加火灾风险。降水:降雨、雪或冰雹可能对电力设备和线路造成损害,尤其是在洪水、冰雹或积雪引起的情况下。风速和风暴:强风季节性变化:季节性的气象变化,如冬季的寒冷和夏季的高温,可能导致电力设备的负荷变化,需要不同的监测和管理策略。天气极端事件:极端的天气事件,如飓风、龙卷风、台风等,可能对电力基础设施造成严重损害,引发广泛的电力故障。和风暴可能导致树木倒塌、电线断裂,或是设备受损,从而引发电力故障。
进一步的,人为补正评估系数的具体计算公式为:
,式中,/>表示人为补正评估系数;/>表示人为补正原始数据组数据类别,/>,/>为人为补正原始数据组数据类别总数,/>表示人为维护影响评估值,/>表示第/>类人员培训匹配影响系数,/>表示人为决策支持匹配影响系数和/>表示预定义数据安全人为影响系数,/>表示第/>类人员培训匹配影响系数的预定义标准值,/>表示第/>类人员培训匹配影响系数的预定义差值标准值,/>表示算法逻辑评估系数对第/>类人员培训匹配影响系数的预定义匹配因子,/>表示设定人为维护影响评估标准值。
在本实施例中,人为因素,如人工操作错误、设备维护不当等,也可能引发故障。这些故障可能不会通过人工智能系统的算法进行准确检测,因为系统主要是通过学习历史数据来进行判断。系统操作和维护:系统的操作和维护由人员负责。不正确的操作、维护不当或忽略可能导致设备故障,或是使系统无法正常运行。人员培训:系统的操作和维护人员需要接受适当的培训,以确保他们能够正确地使用和管理系统。决策支持:人工智能系统可能用于支持决策制定,但最终的决策通常是由人员做出的。不正确的决策可能导致不必要的干预或资源浪费。模型选择和参数设置:选择适当的AI模型以及参数的设置需要人的干预和决策。不恰当的模型选择或参数配置可能导致性能下降。
进一步的,更新补正评估系数的具体计算公式为:,式中,/>表示更新补正评估系数;/>表示更新算法适配性评估值、/>表示更新算法故障检测评估值,/>表示预定义更新算法稳定性匹配影响系数,/>与/>分别表示更新算法适配性评估值和更新算法故障检测评估值的影响权重因子,/>表示更新算法适配性评估值和更新算法故障检测评估值对算法逻辑评估系数的影响匹配因子,/>表示更新算法适配性评估值、更新算法故障检测评估值和预定义更新算法稳定性匹配影响系数叠加负向影响因子,表示台区用电季节性变化影响匹配因子。/>
在本实施例中,如图3所示,为本申请实施例提供的基于人工智能的台区用电故障检测系统中故障检测综合评估模块的更新补正评估的结构示意图,更新和维护:故障检测系统需要定期更新和维护,以适应变化的环境和新的故障模式。如果系统没有及时更新,可能会导致无法正确检测新型故障或者出现性能下降的问题。数据适应性:台区用电数据可能随时间变化,包括负载模式、设备状态等。算法更新需要考虑这些数据的变化,以确保模型对新数据的适应性。模型故障检测:某些算法更新可能会提高模型的故障检测,使人能够更好地理解模型的决策过程。这对于故障诊断和维护决策可能很重要。系统稳定性:算法更新可能会引入新的bug或不稳定性,因此需要进行充分的测试和验证,以确保系统的稳定性。
进一步的,对新故障数据进行数据训练,判断故障的准确性并综合显示还包括:若检测到新故障,则将所有数据标红,根据预定义故障检测算法生成故障解决方案,立即通知相关人员按照故障解决方案处理故障并将故障处理实际情况反馈,判断故障的准确性,根据故障处理反馈情况加入已有的故障检测训练集实例,并根据故障检测训练集实例对新故障数据进行数据训练。
在本实施例中,对新故障数据进行数据训练、故障解决方案的生成、通知相关人员、故障处理实际情况反馈、以及将实际情况加入故障检测训练集实例的步骤,带来了一系列好处:实时响应和处理:通过立即通知相关人员,并生成故障解决方案,系统能够实时响应并处理新故障。这有助于降低故障对电力系统和用户的影响,并提高系统的可靠性。自动化决策:预定义的故障检测算法生成故障解决方案,实现了一定程度的自动化决策。这可以减轻人工处理负担,提高决策的一致性和效率。知识库更新:将实际情况加入故障检测训练集实例,有助于更新系统的知识库。这可以提高系统对新情况的适应能力,使其更具智能和学习能力。准确性提高:通过对新故障数据进行数据训练,系统可以不断优化模型,提高故障检测的准确性。新的训练数据有助于系统更好地理解和识别新的故障模式。反馈循环:故障处理实际情况反馈形成一个反馈循环,可以用于改进系统的性能。通过分析反馈,可以发现系统的不足之处并采取相应的改进措施。持续优化:通过不断地将故障处理反馈情况加入故障检测训练集实例,系统可以实现持续优化。这使系统能够适应不断变化的电力系统和故障模式,保持高水平的性能。避免重复故障:将实际情况加入训练集有助于系统更好地识别和处理相似的故障情况,从而避免重复的故障发生。人工智能增强:这个流程结合了人工智能的思想,通过不断学习和更新模型,使系统更智能化。这对于复杂和多变的电力系统环境非常有益。
上述本申请实施例中的技术方案,至少具有如下的技术效果或优点:相对于公开号为:CN111541227B公告的基于人工智能的AT全并联供电网络的广域保护系统,本申请实施例通过故障检测综合评估模块综合各评估系数,得到故障检测综合评估系数,从而提高了理解故障检测系统得出故障检测结果的可读性,进而实现了提高制定新的运营和维护决策的支持性;相对于公开号为:CN112308732A公开的基于人工智能与数据交互模拟技术的台区线损智能管理平台,本申请实施例通过评估反馈优化终端对故障检测算法进行对应的调节,从而评估故障检测算法在不同条件下的故障检测,对算法进行精细调整,提高故障检测系统的个性化定制性,进而实现了提高故障检测系统的鲁棒性。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的系统、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作过程以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的过程。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于人工智能的台区用电故障检测系统,其特征在于,包括:
数据获取模块,用于获取台区历史故障检测数据;
故障检测综合评估模块,用于根据检测评估数据,构建故障检测综合评估系数模型;
故障检测分析模块,用于获取故障检测综合评估模块计算得到的故障检测综合评估系数,并将故障检测综合评估系数与预定义故障检测综合评估系数阈值对比,判断台区是否出现故障。
2.根据权利要求1所述的基于人工智能的台区用电故障检测系统,其特征在于:所述故障检测分析模块具体分析方法为:
将故障检测综合评估系数与预定义故障检测综合评估系数阈值对比,若故障检测综合评估系数在预定义误差允许范围内,则出现台区用电故障,并进行下一步骤;
根据历史故障检测数据,生成故障检测训练集,将当前台区用电故障数据与训练集中的数据进行对比,若数据相同,则判断为历史故障,否则,为新故障,并将新故障进行保存;
对新故障数据进行数据训练,判断故障的准确性并综合显示。
3.根据权利要求1所述的基于人工智能的台区用电故障检测系统,其特征在于:所述构建故障检测综合评估系数模型公式如下:
,
式中,表示故障检测综合评估系数;数据质量评估系数/>、数据模型评估系数/>、算法逻辑评估系数/>、环境补正评估系数/>、人为补正评估系数/>和更新补正评估系数/>;、/>、/>和/>分别表示数据质量评估系数、数据模型评估系数、环境补正评估系数和人为补正评估系数对应的故障检测算法的故障检测权重因子。
4.根据权利要求3所述的基于人工智能的台区用电故障检测系统,其特征在于:所述数据质量评估系数的具体计算公式为:
,
式中,表示数据质量评估系数;/>表示第/>类第/>个故障检测原始数据组数据完整性标准值,/>表示第/>类第/>个故障检测原始数据组数据准确性标准值,/>表示第/>类第/>个故障检测原始数据组数据时效性标准值,/>、/>和/>分别表示第/>类第/>个故障检测原始数据组数据设定完整性标准值、设定准确性标准值和设定时效性标准值,/>表示故障检测原始数据组数据噪音影响读取误差因子,/>表示第/>类第个预定义故障检测原始数据组数据噪音修正标准值;/>表示故障检测原始数据组数据类别,/>,/>为故障检测原始数据组数据类别总数,/>表示故障检测原始数据组第类数据数量,/>,/>为故障检测原始数据组第/>类数据总数。
5.如权利要求3所述基于人工智能的台区用电故障检测系统,其特征在于:所述数据模型评估系数的具体计算公式为:
,
式中,表示数据模型评估系数;/>表示数据模型适用性评估值,/>表示模型架构适配性评估值,/>表示数据特征故障检测评估值,/>表示数据标准归一性评估值,/>表示数据模型适用性评估值与模型架构适配性评估值匹配调和因子,/>和/>分别表示数据模型适用性评估值与模型架构适配性评估值对应的权重因子,/>表示预定义模型架构适配性评估标准值,/>表示预定义数据特征故障检测评估标准值,/>表示预定义设备接口兼容性匹配调和因子,/>表示预定义数据标准归一性评估值匹配调和因子,/>表示数据模型适用性评估值、模型架构适配性评估值和数据特征故障检测评估值相互叠加负向影响系数,/>表示预定义算法类型修正系数。
6.如权利要求3所述基于人工智能的台区用电故障检测系统,其特征在于:所述算法逻辑评估系数的具体计算公式为:
,/>,
,/>,
,
式中,表示算法逻辑评估系数;/>表示预定义算法训练集影响修正匹配系数,/>表示超参数调整影响系数的影响匹配因子,/>表示超参数调整影响系数,/>表示数据模型评估值,/>表示特征选择适配性评估值,/>表示算法模型复杂性评估值、/>表示算法可扩展性匹配系数,/>、/>与/>分别表示特征选择适配性评估标准值、算法模型复杂性评估标准值和算法可扩展性匹配系数标准值,/>表示特征选择适配性评估值和算法模型复杂性评估值与算法可扩展性匹配系数的联合匹配因子,/>与/>分别表示特征选择适配性评估值和算法模型复杂性评估值的影响匹配因子,/>表示自然常数。
7.如权利要求3所述基于人工智能的台区用电故障检测系统,其特征在于:所述环境补正评估系数的具体计算公式为:
,
式中,表示环境补正评估系数;/>表示温湿度影响匹配评估值,/>表示风力影响匹配评估值,/>表示雨雪影响匹配评估值,/>表示季节变化电力负荷匹配影响系数,/>表示预定义极端天气修正系数,/>和/>分别表示温湿度影响匹配评估值和雨雪影响匹配评估值对应的影响匹配因子,/>和/>分别表示温湿度影响匹配评估值和雨雪影响匹配评估值对应的故障检测权重因子,/>表示雨雪影响匹配评估标准值,/>表示风力影响匹配评估值对温湿度影响匹配评估值和雨雪影响匹配评估值的对应的影响叠加因子,/>表示季节变化电力负荷匹配影响系数对环境补正评估的影响叠加因子。
8.如权利要求3所述基于人工智能的台区用电故障检测系统,其特征在于:所述人为补正评估系数的具体计算公式为:
,
式中,表示人为补正评估系数;/>表示人为补正原始数据组数据类别,/>,/>为人为补正原始数据组数据类别总数,/>表示人为维护影响评估值,/>表示第/>类人员培训匹配影响系数,/>表示人为决策支持匹配影响系数和/>表示预定义数据安全人为影响系数,/>表示第/>类人员培训匹配影响系数的预定义标准值,/>表示第/>类人员培训匹配影响系数的预定义差值标准值,/>表示算法逻辑评估系数对第/>类人员培训匹配影响系数的预定义匹配因子,/>表示设定人为维护影响评估标准值。
9.如权利要求3所述基于人工智能的台区用电故障检测系统,其特征在于,所述更新补正评估系数的具体计算公式为:
,
式中,表示更新补正评估系数;/>表示更新算法适配性评估值、/>表示更新算法故障检测评估值,/>表示预定义更新算法稳定性匹配影响系数,/>与/>分别表示更新算法适配性评估值和更新算法故障检测评估值的影响权重因子,/>表示更新算法适配性评估值和更新算法故障检测评估值对算法逻辑评估系数的影响匹配因子,/>表示更新算法适配性评估值、更新算法故障检测评估值和预定义更新算法稳定性匹配影响系数叠加负向影响因子,表示台区用电季节性变化影响匹配因子。
10.如权利要求2所述基于人工智能的台区用电故障检测系统,其特征在于:所述对新故障数据进行数据训练,判断故障的准确性并综合显示还包括:
若检测到新故障,则将所有数据标红,根据预定义故障检测算法生成故障解决方案,立即通知相关人员按照故障解决方案处理故障并将故障处理实际情况反馈,判断故障的准确性,根据故障处理反馈情况加入已有的故障检测训练集实例,并根据故障检测训练集实例对新故障数据进行数据训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311371599.5A CN117113157B (zh) | 2023-10-23 | 2023-10-23 | 一种基于人工智能的台区用电故障检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311371599.5A CN117113157B (zh) | 2023-10-23 | 2023-10-23 | 一种基于人工智能的台区用电故障检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117113157A true CN117113157A (zh) | 2023-11-24 |
CN117113157B CN117113157B (zh) | 2024-02-09 |
Family
ID=88811351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311371599.5A Active CN117113157B (zh) | 2023-10-23 | 2023-10-23 | 一种基于人工智能的台区用电故障检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117113157B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014000769A1 (de) * | 2012-06-26 | 2014-01-03 | Siemens Aktiengesellschaft | Fehlererkennung in energieversorgungsnetzen |
WO2016026355A1 (zh) * | 2014-08-18 | 2016-02-25 | 国家电网公司 | 一种有源配电网电压跌落仿真与评估方法 |
CN105954615A (zh) * | 2016-04-29 | 2016-09-21 | 国家电网公司 | 一种变压器短路后的状态评估方法及评估系统 |
CN106124902A (zh) * | 2016-07-19 | 2016-11-16 | 广西电网有限责任公司电力科学研究院 | 一种配电变压器健康状态评估系统 |
CN107271808A (zh) * | 2017-05-17 | 2017-10-20 | 浙江万里学院 | 基于红外热成像技术的多电平逆变器故障诊断方法 |
CN111105140A (zh) * | 2019-11-20 | 2020-05-05 | 国网新疆电力有限公司经济技术研究院 | 一种配电网运行状态风险综合评估方法 |
CN113866574A (zh) * | 2021-09-24 | 2021-12-31 | 国网江苏省电力有限公司宿迁供电分公司 | 一种环网柜故障检测系统 |
CN113919967A (zh) * | 2021-08-19 | 2022-01-11 | 国网(苏州)城市能源研究院有限责任公司 | 动态评估系统备用需求的评估方法及系统 |
CN114779127A (zh) * | 2022-06-22 | 2022-07-22 | 湖南科鑫电力设计有限公司 | 一种电力变压器出线短路冲击管控系统及其方法 |
CN115936448A (zh) * | 2023-02-13 | 2023-04-07 | 南京深科博业电气股份有限公司 | 一种基于大数据的城市配电网电力评估系统及方法 |
CN116502894A (zh) * | 2023-06-08 | 2023-07-28 | 南方电网科学研究院有限责任公司 | 光伏台区停电风险评估方法、装置、电子设备及存储介质 |
CN116581890A (zh) * | 2023-06-29 | 2023-08-11 | 浙江稳山电气科技有限公司 | 一种电网运行稳定性的智能监测方法及系统 |
-
2023
- 2023-10-23 CN CN202311371599.5A patent/CN117113157B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014000769A1 (de) * | 2012-06-26 | 2014-01-03 | Siemens Aktiengesellschaft | Fehlererkennung in energieversorgungsnetzen |
WO2016026355A1 (zh) * | 2014-08-18 | 2016-02-25 | 国家电网公司 | 一种有源配电网电压跌落仿真与评估方法 |
CN105954615A (zh) * | 2016-04-29 | 2016-09-21 | 国家电网公司 | 一种变压器短路后的状态评估方法及评估系统 |
CN106124902A (zh) * | 2016-07-19 | 2016-11-16 | 广西电网有限责任公司电力科学研究院 | 一种配电变压器健康状态评估系统 |
CN107271808A (zh) * | 2017-05-17 | 2017-10-20 | 浙江万里学院 | 基于红外热成像技术的多电平逆变器故障诊断方法 |
CN111105140A (zh) * | 2019-11-20 | 2020-05-05 | 国网新疆电力有限公司经济技术研究院 | 一种配电网运行状态风险综合评估方法 |
CN113919967A (zh) * | 2021-08-19 | 2022-01-11 | 国网(苏州)城市能源研究院有限责任公司 | 动态评估系统备用需求的评估方法及系统 |
CN113866574A (zh) * | 2021-09-24 | 2021-12-31 | 国网江苏省电力有限公司宿迁供电分公司 | 一种环网柜故障检测系统 |
CN114779127A (zh) * | 2022-06-22 | 2022-07-22 | 湖南科鑫电力设计有限公司 | 一种电力变压器出线短路冲击管控系统及其方法 |
CN115936448A (zh) * | 2023-02-13 | 2023-04-07 | 南京深科博业电气股份有限公司 | 一种基于大数据的城市配电网电力评估系统及方法 |
CN116502894A (zh) * | 2023-06-08 | 2023-07-28 | 南方电网科学研究院有限责任公司 | 光伏台区停电风险评估方法、装置、电子设备及存储介质 |
CN116581890A (zh) * | 2023-06-29 | 2023-08-11 | 浙江稳山电气科技有限公司 | 一种电网运行稳定性的智能监测方法及系统 |
Non-Patent Citations (3)
Title |
---|
JINHAI LIU 等: "A Small-Sample Wind Turbine Fault Detection Method With Synthetic Fault Data Using Generative Adversarial Nets", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》, vol. 15, no. 7, pages 3877 - 3888, XP011734075, DOI: 10.1109/TII.2018.2885365 * |
孙岩: "配电网综合评价方法及应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, pages 042 - 456 * |
许锐埼: "基于随机森林理论的配变台区低压跳闸预测", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, pages 042 - 1125 * |
Also Published As
Publication number | Publication date |
---|---|
CN117113157B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3902992B1 (en) | Scalable system and engine for forecasting wind turbine failure | |
CN109146093A (zh) | 一种基于学习的电力设备现场勘查方法 | |
CN109858140B (zh) | 一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法 | |
CN115329812B (zh) | 一种基于人工智能的桥梁基础设施异常监测方法 | |
CN114328198A (zh) | 一种系统故障检测方法、装置、设备及介质 | |
CN105719094A (zh) | 一种输电设备状态评估方法 | |
CN117176560B (zh) | 一种基于物联网的监测设备监管系统及其方法 | |
US20230118175A1 (en) | Event analysis in an electric power system | |
CN112183906B (zh) | 一种基于多模型组合模型的机房环境预测方法及系统 | |
CN113902241A (zh) | 一种基于综合状态评价的电网设备检修的策略系统及方法 | |
CN112379325A (zh) | 一种用于智能电表的故障诊断方法及系统 | |
CN110941558B (zh) | 一种智慧办公远程运维的方法及系统 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN116308304A (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及系统 | |
CN117113157B (zh) | 一种基于人工智能的台区用电故障检测系统 | |
CN116611953A (zh) | 基于物联网的电能表生产制造实时数据管理方法和系统 | |
CN112507290B (zh) | 配电设备故障概率预判方法、装置及存储介质 | |
CN111625525A (zh) | 一种环境数据修复/填充方法及系统 | |
CN115456168B (zh) | 强化学习模型的训练方法、能耗确定方法和装置 | |
CN114414938B (zh) | 一种配电网故障的动态响应方法及系统 | |
Liangzhi et al. | Research on fault prediction and diagnosis of power equipment based on big data | |
CN117560300B (zh) | 一种智能物联网流量预测与优化系统 | |
Liu et al. | Self-Organized Criticality Identification of Power System Based on SC-GCN Network | |
Yuan et al. | A Health Status Assessment Method of Switchgear in Substation Based on Digital Twin Technology and Random Matrix Model | |
CN117408162A (zh) | 基于数字孪生的电网故障控制方法 |
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 |