CN117148017A - 一种高压套管油气远程监测方法及系统 - Google Patents
一种高压套管油气远程监测方法及系统 Download PDFInfo
- Publication number
- CN117148017A CN117148017A CN202311403508.1A CN202311403508A CN117148017A CN 117148017 A CN117148017 A CN 117148017A CN 202311403508 A CN202311403508 A CN 202311403508A CN 117148017 A CN117148017 A CN 117148017A
- Authority
- CN
- China
- Prior art keywords
- data
- oil
- transformer
- gas
- transmission
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000007789 gas Substances 0.000 claims abstract description 191
- 230000005540 biological transmission Effects 0.000 claims abstract description 184
- 238000004364 calculation method Methods 0.000 claims abstract description 89
- 230000002159 abnormal effect Effects 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims abstract description 17
- 238000003860 storage Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000013486 operation strategy Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000005265 energy consumption Methods 0.000 claims description 44
- 238000012546 transfer Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 19
- 229930195733 hydrocarbon Natural products 0.000 claims description 18
- 150000002430 hydrocarbons Chemical class 0.000 claims description 18
- 239000004215 Carbon black (E152) Substances 0.000 claims description 17
- 238000007621 cluster analysis Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 12
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000032683 aging Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 claims description 6
- 239000005977 Ethylene Substances 0.000 claims description 6
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 claims description 6
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 4
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 claims description 4
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 4
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000001816 cooling Methods 0.000 claims description 4
- 229910052739 hydrogen Inorganic materials 0.000 claims description 4
- 239000001257 hydrogen Substances 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000010992 reflux Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 description 12
- 238000012937 correction Methods 0.000 description 4
- 241000764238 Isis Species 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明涉及高压套管远程监测技术领域，是一种高压套管油气远程监测方法及系统，具体方法包括：通过射频无线传输将电能传输至高压套管内部的微型传感器，采集高压套管内部的油气数据；构建油气数据的数据计算传输模型，通过边缘数据计算存储中心，在变压器附近的设备节点上进行数据过滤预处理和存储；构建油气数据聚类分析模型，对油气数据的异常数据进行高维聚类分析；计算变压器的负载温度变化率，评估变压器的剩余寿命指数，为电力运营部门提供变压器的优化运行策略。本发明解决了现有技术中高压套管油气检测中油气数据时效性差，各种气体之间与变压器故障关联性不准确，且缺少变压器的优化运行策略规划的问题。
Description
技术领域
本发明涉及高压套管远程监测技术领域，是一种高压套管油气远程监测方法及系统。
背景技术
随着电网技术的持续改进与升级，电力变压器作为输配电网络中最重要和最昂贵的资产，因此必须有一个明确的维护策略，以确保在整个变压器运行寿命期间的工作性能的可靠性。当前变电站资产维护策略的趋势是通过高压套管的在线油气数据实现对变压器工作状态的远程监测，并通过预测工具评估变压器的剩余运行时间。
在现有已公开的发明技术中，如申请公开号为CN107145624A的中国专利公开了基于人工神经网络的变压器油中溶解气体在线监测数据矫正方法。矫正过程分为两步，一是从变压器设备中提取带电检测数据以及相同时间范围内的在线监测数据，并将在线监测数据分为趋势序列和波动序列两个部分。二是利用人工神经网络和带电检测数据对在线监测数据的趋势序列进行矫正，矫正结果、人工神经网络的误差序列以及波动序列的共同组成了最终的矫正数据。
又如申请公开号为CN104820146A的专利公开了基于变压器油中溶解气体监测数据的变压器故障预测方法，该方法包括对变压器个体油中溶解气体历史在线数据优化、模型识别优化后的数据、自回归滑动平均模型参数的估计、模型检验及建立，预测未来任意时刻变压器油中特征气体含量并对变压器的故障做出预判与维修措施。
上述专利均将发明重心置于油气数据的评估分析上，未考虑到油气数据的数据传输体积大、数据传输过程中的失真性高、实时油气数据时效性差以致后续数据分析误差大准确性低的问题，且在对变压器故障类型进行判断的同时，缺少对变压器的整体性使用寿命分析，无法向电力运营部门提供全面准确的变压器优化运行策略。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
本发明所要解决的技术问题是针对现有技术中，高压套管油气检测中油气数据时效性差，各种气体之间与变压器故障关联性不准确，且缺少变压器的优化运行策略规划的问题，提出了一种高压套管油气远程监测方法及系统。
为了达到上述目的，本发明一种高压套管油气远程监测方法的技术方案包括如下步骤：
S1：通过射频无线传输将电能传输至高压套管内部的微型传感器，采集高压套管内部的油气数据；
S2：构建油气数据的数据计算传输模型，通过边缘数据计算存储中心，在变压器附近的设备节点上进行数据过滤预处理和存储，对异常数据集中传输存储；
S3：构建油气数据聚类分析模型，对油气数据的异常数据进行高维聚类分析；
S4：根据S3，计算变压器的负载温度变化率，评估变压器的剩余寿命指数，为电力运营部门提供变压器的优化运行策略。
具体的，所述S1中，微型传感器包括：气体多参数浓度传感器和热电偶温度传感器，所述气体多参数浓度传感器通过变压器法兰环安装于变压器冷却回路出水管直段的回流阀处，所述热电偶温度传感器安装于有油流通过的供油阀处。
具体的，所述油气数据包括高压套管绝缘油内水分含量、氢气浓度、一氧化碳浓度、甲烷浓度、乙烷浓度、乙烯浓度和乙炔浓度。
具体的，所述数据计算传输模型包括：边缘数据计算存储中心、无线通信网络、数据传输中转站和物联网设备终端。
具体的，所述边缘数据计算存储中心的数据预处理过程包括如下具体步骤：
S21：根据微型传感器采集到的油气数据，将所述数据代入数据传输带宽利用率计算公式、数据延时动量计算公式和数据传输能耗公式，计算数据传输过程中的带宽利用率、延时动量和传输能耗；
S22：提取S21中的带宽利用率、延时动量和传输能耗，预估边缘数据计算存储中心传输数据的传输成本；
S23：对经边缘计算后的油气数据进行数据清洗与存储。
具体的，S21中，所述数据传输带宽利用率计算公式为：
；
其中，为第n条数据传输线路上数据传输带宽利用率；
为第n条数据传输线路的数据传输带宽；
为自然对数；/>为圆周率；/>为噪声功率；/>为数据传输功率；
所述数据延时动量计算公式为：
；
其中，为第n条数据传输线路的数据延时动量；
为第n条数据传输线路上数据完成一次计算处理的时间；
为油气数据从微型传感器至边缘数据计算存储中心的耗时占比因子；
为油气数据从边缘数据计算存储中心至数据传输中转站的耗时占比因子；
为第i次边缘处理的油气数据的计算任务总体积；
为第i次边缘处理的油气数据中过滤后的异常数据体积；
x为油气数据从微型传感器至边缘数据计算存储中心的数据传输速率；
y为油气数据从边缘数据计算存储中心至数据传输中转站的数据传输速率；
所述数据传输能耗公式为：
；
其中，为第n条数据传输线路上的数据传输能耗；
为油气数据从微型传感器至边缘数据计算存储中心的数据传输能耗；
为油气数据从边缘数据计算存储中心至数据传输中转站的数据传输能耗；
为油气数据从微型传感器至边缘数据计算存储中心的数据传输能耗占比因子；
为油气数据从边缘数据计算存储中心至数据传输中转站的数据传输能耗占比因子。
具体的，S22中，所述边缘数据计算存储中心传输数据的传输成本的计算策略为：
；
其中，；
为第n条数据传输线路上的数据传输成本；
为数据传输带宽利用率的成本相关系数；
为数据延时动量的成本相关系数；
为数据传输能耗的成本相关系数。
具体的，所述油气数据聚类分析模型的构建包括如下具体步骤：
S31：根据油气数据，组成一个e维的数据特征集A，记为，其中，/>为第/>组油气数据的第/>种特征数值；通过隶属度函数将数据特征集进行模糊处理，模糊后的特征数据集B，记为/>，其中，/>对应于/>经过模糊处理后的特征数值；其中/>，，S为油气数据的总组数，F为油气数据特征数值的种类总数；
S32：根据S31，提取模糊处理后的特征数据集B，并将所述特征数据集B映射到高维平面，设定m个聚类中心数据点，构成聚类中心数据点集，其中高维平面上的特征数据点密度为/>；
S33：构造隶属度为的分类矩阵，对高维平面上的特征数据集B进行划分聚类，其中，/>为特征数据集B中第/>组油气数据对第y个聚类中心数据点的隶属度，/>。
具体的，所述高维平面上的特征数据点密度的计算策略为：
；
其中，ln为自然对数；为圆周率；
为高维平面上的特征数据集B中第/>组油气数据的第/>种特征数值点；
为高维平面上的特征数据集B中第/>组油气数据的第/>种特征数值点；
为高维平面上两个数值点的曼哈顿距离。
具体的，所述负载温度变化率的计算策略如下：
；
其中，为变压器的负载温度变化率；
为变压器瞬时负载超过变压器额定负载时，相对高压套管外空气温度的增量；
V为变压器瞬时负载电流与额定电流的比值；
G为变压器额定功率下的负载损耗。
具体的，所述剩余寿命指数L的计算策略如下：
；
其中，X为高压套管所接变压器的出厂寿命；
n为高压套管所接变压器的总损耗老化次数；
为负载运行状态下变压器单位损耗老化的时间间隔；
m为油气特征数据集B在高维平面上聚类中心数据点的总个数。
另外，本发明一种高压套管油气远程监测系统包括如下模块：油气数据采集模块、数据计算传输模块、油气数据聚类分析模块和变压器参数评估模块；
具体的，所述油气数据采集模块通过射频无线传输将电能传输至高压套管内部的微型传感器，采集高压套管内部的油气数据；
所述数据计算传输模块用于构建油气数据的数据计算传输模型，通过边缘数据计算存储中心，在变压器附近的设备节点上进行数据过滤预处理和存储，对异常数据集中传输存储；
所述油气数据聚类分析模块用于构建油气数据聚类分析模型，对油气数据的异常数据进行高维聚类分析；
所述变压器参数评估模块用于计算变压器的负载温度变化率，评估变压器的剩余寿命指数，为电力运营部门提供变压器的优化运行策略。
一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行上述任一项所述的一种高压套管油气远程监测方法。
一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项的一种高压套管油气远程监测方法。
与现有技术相比，本发明的技术效果如下：
1、本发明针对高压套管油气数据远程监测中，由于多个微型传感器采集的瞬时油气数据量过大导致的油气数据时效性差的问题，构建了油气数据的数据计算传输模型，降低了数据处理的延时性，增强了系统处理数据的能力，提高了油气数据的时效性，采集到的油气数据能更真实地反映变压器的实时工作状态，同时也提高了数据传输过程的安全性，使得系统的运行更加稳定。
2、本发明所构建的油气数据聚类分析模型，针对包含多气体参量的油气数据，克服了以往某一异常数据点仅仅归为某个单一故障类型的指标项数的缺陷，所述油气数据聚类分析模型能更好地给出每种异常气体数据的隶属聚类，所得的聚类结果是全面准确的，具有较高的鲁棒性。
3、本发明通过综合油气数据的聚类结果，计算变压器的负载温度变化率，评估变压器的剩余寿命指数，有助于及时且针对性地制定变压器的维护计划，减少了无效维护，节约了维护成本，不仅仅为电力部门提供了故障指示和维修策略，同时也为电力运营部门提供变压器的优化运营策略。
附图说明
为了更清楚地说明本发明实施例的技术方案，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性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明实施例一的一种高压套管油气远程监测方法的流程示意图；
图2为本发明实施例二的一种高压套管油气远程监测系统的结构示意图；
图3为本发明实施例一和实施例二的一种油气数据的数据计算传输模型的结构示意图；
图4为本发明实施例一的一种油气数据高维平面上的各个聚类中心的特征数据点密度；
图5为本发明实施例二的一种油气数据高维平面上的各个聚类中心的特征数据点密度。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例一：
如图1、3、4所示，本发明实施例的一种高压套管油气远程监测方法，如图1所示，包括如下具体步骤：
以出厂并投入使用的工业变压器为例，对其所接高压套管的油气数据进行远程监测，具体步骤如下：
S1：通过射频无线传输将电能传输至高压套管内部的微型传感器，采集高压套管内部的油气数据；
所述S1中，微型传感器包括：气体多参数浓度传感器和热电偶温度传感器，所述气体多参数浓度传感器通过变压器法兰环安装于变压器冷却回路出水管直段的回流阀处，所述热电偶温度传感器安装于有油流通过的供油阀处。
所述油气数据包括高压套管绝缘油内水分含量、氢气浓度、一氧化碳浓度、甲烷浓度、乙烷浓度、乙烯浓度和乙炔浓度。
S2：构建油气数据的数据计算传输模型，通过边缘数据计算存储中心，在变压器附近的设备节点上进行数据过滤预处理和存储，对异常数据集中传输存储；
如图3所示，所述数据计算传输模型包括：边缘数据计算存储中心、无线通信网络、数据传输中转站和物联网设备终端。
其中数据计算存储中心包括87个边缘数据的计算服务器，n=87。
所述边缘数据计算存储中心的数据预处理过程包括如下具体步骤：
S21：根据微型传感器采集到的油气数据，将所述数据代入数据传输带宽利用率计算公式、数据延时动量计算公式和数据传输能耗公式，计算数据传输过程中的带宽利用率、延时动量和传输能耗；
S22：提取S21中的带宽利用率、延时动量和传输能耗，预估边缘数据计算存储中心传输数据的传输成本；
S23：对经边缘计算后的油气数据进行数据清洗与存储。
步骤S21中，所述数据传输带宽利用率计算公式为：
；
其中，为第n条数据传输线路上数据传输带宽利用率；
为第n条数据传输线路的数据传输带宽；
为自然对数；/>为圆周率；/>为噪声功率；/>为数据传输功率；
所述数据延时动量计算公式为：
；
其中，为第n条数据传输线路的数据延时动量；
为第n条数据传输线路上数据完成一次计算处理的时间；
为油气数据从微型传感器至边缘数据计算存储中心的耗时占比因子，/>；
为油气数据从边缘数据计算存储中心至数据传输中转站的耗时占比因子，；
为第i次边缘处理的油气数据的计算任务总体积；
为第i次边缘处理的油气数据中过滤后的异常数据体积；
x为油气数据从微型传感器至边缘数据计算存储中心的数据传输速率；
y为油气数据从边缘数据计算存储中心至数据传输中转站的数据传输速率；
所述数据传输能耗公式为：
；
其中，为第n条数据传输线路上的数据传输能耗；
为油气数据从微型传感器至边缘数据计算存储中心的数据传输能耗；
为油气数据从边缘数据计算存储中心至数据传输中转站的数据传输能耗；
为油气数据从微型传感器至边缘数据计算存储中心的数据传输能耗占比因子，；
为油气数据从边缘数据计算存储中心至数据传输中转站的数据传输能耗占比因子，/>。
通过将该工业变压器的实时油气数据代入数据传输带宽利用率计算公式、数据延时动量计算公式和数据传输能耗公式，计算可得数据传输过程中的：
带宽利用率为：；
延时动量为：；
传输能耗为：。
S22中，所述边缘数据计算存储中心传输数据的传输成本的计算策略为：
；
其中，；
为第n条数据传输线路上的数据传输成本；
为数据传输带宽利用率的成本相关系数；
为数据延时动量的成本相关系数；
为数据传输能耗的成本相关系数。
提取上述计算数据，该工业变压器边缘数据计算存储中心传输数据的传输成本为：；
其中，；/>；/>。
S3：构建油气数据聚类分析模型，对油气数据的异常数据进行高维聚类分析；
所述油气数据聚类分析模型的构建包括如下具体步骤：
S31：根据油气数据，组成一个e维的数据特征集A，记为，其中，/>为第/>组油气数据的第/>种特征数值；通过隶属度函数将数据特征集进行模糊处理，模糊后的特征数据集B，记为/>，其中，/>对应于/>经过模糊处理后的特征数值；其中/>，，S为油气数据的总组数，F为油气数据特征数值的种类总数；
S32：根据S31，提取模糊处理后的特征数据集B，并将所述特征数据集B映射到高维平面，设定m个聚类中心数据点，构成聚类中心数据点集，其中高维平面上的特征数据点密度为/>；
S33：构造隶属度为的分类矩阵，对高维平面上的特征数据集B进行划分聚类，其中，/>为特征数据集B中第/>组油气数据对第y个聚类中心数据点的隶属度，/>。
如图4所示，所述高维平面上的特征数据点密度的计算策略为：
；
其中，ln为自然对数；为圆周率；
为高维平面上的特征数据集B中第/>组油气数据的第/>种特征数值点；
为高维平面上的特征数据集B中第/>组油气数据的第/>种特征数值点；
为高维平面上两个数值点的曼哈顿距离。
S4：根据S3，计算变压器的负载温度变化率，评估变压器的剩余寿命指数，为电力运营部门提供变压器的优化运行策略。
所述负载温度变化率的计算策略如下：
；
其中，为变压器的负载温度变化率；
为变压器瞬时负载超过变压器额定负载时，相对高压套管外空气温度的增量；
V为变压器瞬时负载电流与额定电流的比值；
G为变压器额定功率下的负载损耗。
所述剩余寿命指数L的计算策略如下：
；
其中，X为高压套管所接变压器的出厂寿命；
n为高压套管所接变压器的总损耗老化次数；
为负载运行状态下变压器单位损耗老化的时间间隔；
m为油气特征数据集B在高维平面上聚类中心数据点的总个数。
参阅图4可知，该工业变压器所接高压套管的油气数据中聚类中心甲烷的特征数据值点密度较高，变压器内部存在低能放电和局部放电，且除甲烷气体外，各个聚类中心的特征数据点密度较低，该工业变压器存在较大的剩余寿命指数。
实施例二：
如图2、3、5所示，本发明实施例的一种高压套管油气远程监测系统，如图2所示，包括如下模块：
油气数据采集模块、数据计算传输模块、油气数据聚类分析模块和变压器参数评估模块；
以出厂并投入使用的住宅变压器为例，对其所接高压套管的油气数据进行远程监测，具体步骤如下：
所述油气数据采集模块通过射频无线传输将电能传输至高压套管内部的微型传感器，采集高压套管内部的油气数据；
所述S1中，微型传感器包括：气体多参数浓度传感器和热电偶温度传感器，所述气体多参数浓度传感器通过变压器法兰环安装于变压器冷却回路出水管直段的回流阀处，所述热电偶温度传感器安装于有油流通过的供油阀处。
所述油气数据包括高压套管绝缘油内水分含量、氢气浓度、一氧化碳浓度、甲烷浓度、乙烷浓度、乙烯浓度和乙炔浓度。
所述数据计算传输模块用于构建油气数据的数据计算传输模型，通过边缘数据计算存储中心，在变压器附近的设备节点上进行数据过滤预处理和存储，对异常数据集中传输存储；
如图3所示，所述数据计算传输模型包括：边缘数据计算存储中心、无线通信网络、数据传输中转站和物联网设备终端。
其中数据计算存储中心包括46个边缘数据的计算服务器，n=46。
所述边缘数据计算存储中心的数据预处理过程包括如下具体步骤：
S21：根据微型传感器采集到的油气数据，将所述数据代入数据传输带宽利用率计算公式、数据延时动量计算公式和数据传输能耗公式，计算数据传输过程中的带宽利用率、延时动量和传输能耗；
S22：提取S21中的带宽利用率、延时动量和传输能耗，预估边缘数据计算存储中心传输数据的传输成本；
S23：对经边缘计算后的油气数据进行数据清洗与存储。
步骤S21中，所述数据传输带宽利用率计算公式为：
；
其中，为第n条数据传输线路上数据传输带宽利用率；
为第n条数据传输线路的数据传输带宽；
为自然对数；/>为圆周率；/>为噪声功率；/>为数据传输功率；
所述数据延时动量计算公式为：
；
其中，为第n条数据传输线路的数据延时动量；
为第n条数据传输线路上数据完成一次计算处理的时间；
为油气数据从微型传感器至边缘数据计算存储中心的耗时占比因子；
为油气数据从边缘数据计算存储中心至数据传输中转站的耗时占比因子；
为第i次边缘处理的油气数据的计算任务总体积；
为第i次边缘处理的油气数据中过滤后的异常数据体积；
x为油气数据从微型传感器至边缘数据计算存储中心的数据传输速率；
y为油气数据从边缘数据计算存储中心至数据传输中转站的数据传输速率；
所述数据传输能耗公式为：
；
其中，为第n条数据传输线路上的数据传输能耗；
为油气数据从微型传感器至边缘数据计算存储中心的数据传输能耗；
为油气数据从边缘数据计算存储中心至数据传输中转站的数据传输能耗；
为油气数据从微型传感器至边缘数据计算存储中心的数据传输能耗占比因子；
为油气数据从边缘数据计算存储中心至数据传输中转站的数据传输能耗占比因子。
通过将该住宅变压器的实时油气数据代入数据传输带宽利用率计算公式、数据延时动量计算公式和数据传输能耗公式，计算可得数据传输过程中的：
带宽利用率为：；
延时动量为：；
传输能耗为：。
S22中，所述边缘数据计算存储中心传输数据的传输成本的计算策略为：
；
其中，；
为第n条数据传输线路上的数据传输成本；
为数据传输带宽利用率的成本相关系数；
为数据延时动量的成本相关系数；
为数据传输能耗的成本相关系数。
提取上述计算数据，该住宅变压器边缘数据计算存储中心传输数据的传输成本为：；
其中，；/>；/>。
所述油气数据聚类分析模块用于构建油气数据聚类分析模型，对油气数据的异常数据进行高维聚类分析；
所述油气数据聚类分析模型的构建包括如下具体步骤：
S31：根据油气数据，组成一个e维的数据特征集A，记为，其中，/>为第/>组油气数据的第/>种特征数值；通过隶属度函数将数据特征集进行模糊处理，模糊后的特征数据集B，记为/>，其中，/>对应于/>经过模糊处理后的特征数值；其中/>，，S为油气数据的总组数，F为油气数据特征数值的种类总数；
S32：根据S31，提取模糊处理后的特征数据集B，并将所述特征数据集B映射到高维平面，设定m个聚类中心数据点，构成聚类中心数据点集，其中高维平面上的特征数据点密度为/>；
S33：构造隶属度为的分类矩阵，对高维平面上的特征数据集B进行划分聚类，其中，/>为特征数据集B中第/>组油气数据对第y个聚类中心数据点的隶属度，/>。
如图5所示，所述高维平面上的特征数据点密度的计算策略为：
；
其中，ln为自然对数；为圆周率；
为高维平面上的特征数据集B中第/>组油气数据的第/>种特征数值点；
为高维平面上的特征数据集B中第/>组油气数据的第/>种特征数值点；
为高维平面上两个数值点的曼哈顿距离。
所述变压器参数评估模块用于计算变压器的负载温度变化率，评估变压器的剩余寿命指数，为电力运营部门提供变压器的优化运行策略。
所述负载温度变化率的计算策略如下：
；
其中，为变压器的负载温度变化率；
为变压器瞬时负载超过变压器额定负载时，相对高压套管外空气温度的增量；
V为变压器瞬时负载电流与额定电流的比值；
G为变压器额定功率下的负载损耗。
所述剩余寿命指数L的计算策略如下：
；
其中，X为高压套管所接变压器的出厂寿命；
n为高压套管所接变压器的总损耗老化次数；
为负载运行状态下变压器单位损耗老化的时间间隔；
m为油气特征数据集B在高维平面上聚类中心数据点的总个数。
参阅图5可知，该住宅变压器所接高压套管的油气数据中聚类中心乙烯和乙炔的特征数据值点密度较高，变压器内部存在热故障和电气故障的混合故障，相应电力部门应采取具体维护措施；且除乙烯和乙炔气体外，各个聚类中心的特征数据点密度普遍偏高，计算可得该住宅变压器存在较小的剩余寿命指数。
实施例三：
本实施例提供一种电子设备，包括：处理器和存储器，其中，存储器中存储有可供处理器调用的计算机程序；
处理器通过调用存储器中存储的计算机程序，执行上述的一种高压套管油气远程监测方法。
该电子设备可因配置或性能不同而产生比较大的差异，能够包括一个或一个以上的处理器（Central Processing Units，CPU）和一个或一个以上的存储器，其中，该存储器中存储有至少一条计算机程序，该计算机程序由该处理器加载并执行以实现上述方法实施例提供的一种高压套管油气远程监测方法。该电子设备还能够包括其他用于实现设备功能的部件，例如，该电子设备还能够具有有线或无线网络接口以及输入输出接口等部件，以便进行数据的输入输出。本实施例在此不做赘述。
实施例四：
本实施例提出一种计算机可读存储介质，其上存储有可擦写的计算机程序；
当计算机程序在计算机设备上运行时，使得计算机设备执行上述的一种高压套管油气远程监测方法。
例如，计算机可读存储介质能够是只读存储器（Read-Only Memory，简称：ROM）、随机存取存储器（Random Access Memory，简称：RAM）、只读光盘（Compact Disc Read-OnlyMemory，简称：CD-ROM）、磁带、软盘和光数据存储设备等。
综上实施例，与现有技术相比，本发明的技术效果如下：
1、本发明针对高压套管油气数据远程监测中，由于多个微型传感器采集的瞬时油气数据量过大导致的油气数据时效性差的问题，构建了油气数据的数据计算传输模型，降低了数据处理的延时性，增强了系统处理数据的能力，提高了油气数据的时效性，采集到的油气数据能更真实地反映变压器的实时工作状态，同时也提高了数据传输过程的安全性，使得系统的运行更加稳定。
2、本发明所构建的油气数据聚类分析模型，针对包含多气体参量的油气数据，克服了以往某一异常数据点仅仅归为某个单一故障类型的指标项数的缺陷，所述油气数据聚类分析模型能更好地给出每种异常气体数据的隶属聚类，所得的聚类结果是全面准确的，具有较高的鲁棒性。
3、本发明通过综合油气数据的聚类结果，计算变压器的负载温度变化率，评估变压器的剩余寿命指数，有助于及时且针对性地制定变压器的维护计划，减少了无效维护，节约了维护成本，不仅仅为电力部门提供了故障指示和维修策略，同时也为电力运营部门提供变压器的优化运营策略。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (14)
1.一种高压套管油气远程监测方法，其特征在于，所述方法包括如下具体步骤：
S1：通过射频无线传输将电能传输至高压套管内部的微型传感器，采集高压套管内部的油气数据；
S2：构建油气数据的数据计算传输模型，通过边缘数据计算存储中心，在变压器附近的设备节点上进行数据过滤预处理和存储，对异常数据集中传输存储；
S3：构建油气数据聚类分析模型，对油气数据的异常数据进行高维聚类分析；
S4：根据S3，计算变压器的负载温度变化率，评估变压器的剩余寿命指数，为电力运营部门提供变压器的优化运行策略。
2.根据权利要求1所述的一种高压套管油气远程监测方法，其特征在于，所述S1中，微型传感器包括：气体多参数浓度传感器和热电偶温度传感器，所述气体多参数浓度传感器通过变压器法兰环安装于变压器冷却回路出水管直段的回流阀处，所述热电偶温度传感器安装于有油流通过的供油阀处。
3.根据权利要求1所述的一种高压套管油气远程监测方法，其特征在于，所述油气数据包括高压套管绝缘油内水分含量、氢气浓度、一氧化碳浓度、甲烷浓度、乙烷浓度、乙烯浓度和乙炔浓度。
4.根据权利要求1所述的一种高压套管油气远程监测方法，其特征在于，所述数据计算传输模型包括：边缘数据计算存储中心、无线通信网络、数据传输中转站和物联网设备终端。
5.根据权利要求4所述的一种高压套管油气远程监测方法，其特征在于，所述边缘数据计算存储中心的数据预处理过程包括如下具体步骤：
S21：根据微型传感器采集到的油气数据，将所述数据代入数据传输带宽利用率计算公式、数据延时动量计算公式和数据传输能耗公式，计算数据传输过程中的带宽利用率、延时动量和传输能耗；
S22：提取S21中的带宽利用率、延时动量和传输能耗，预估边缘数据计算存储中心传输数据的传输成本；
S23：对经边缘计算后的油气数据进行数据清洗与存储。
6.根据权利要求5所述的一种高压套管油气远程监测方法，其特征在于，S21中，所述数据传输带宽利用率计算公式为：
；
其中，为第n条数据传输线路上数据传输带宽利用率；
为第n条数据传输线路的数据传输带宽；
为自然对数；/>为圆周率；/>为噪声功率；/>为数据传输功率；
所述数据延时动量计算公式为：
；
其中，为第n条数据传输线路的数据延时动量；
为第n条数据传输线路上数据完成一次计算处理的时间；
为油气数据从微型传感器至边缘数据计算存储中心的耗时占比因子；
为油气数据从边缘数据计算存储中心至数据传输中转站的耗时占比因子；
为第i次边缘处理的油气数据的计算任务总体积；
为第i次边缘处理的油气数据中过滤后的异常数据体积；
x为油气数据从微型传感器至边缘数据计算存储中心的数据传输速率；
y为油气数据从边缘数据计算存储中心至数据传输中转站的数据传输速率；
所述数据传输能耗公式为：
；
其中，为第n条数据传输线路上的数据传输能耗；
为油气数据从微型传感器至边缘数据计算存储中心的数据传输能耗；
为油气数据从边缘数据计算存储中心至数据传输中转站的数据传输能耗；
为油气数据从微型传感器至边缘数据计算存储中心的数据传输能耗占比因子；
为油气数据从边缘数据计算存储中心至数据传输中转站的数据传输能耗占比因子。
7.根据权利要求6所述的一种高压套管油气远程监测方法，其特征在于，S22中，所述边缘数据计算存储中心传输数据的传输成本的计算策略为：
；
其中，；
为第n条数据传输线路上的数据传输成本；
为数据传输带宽利用率的成本相关系数；
为数据延时动量的成本相关系数；
为数据传输能耗的成本相关系数。
8.根据权利要求1所述的一种高压套管油气远程监测方法，其特征在于，所述油气数据聚类分析模型的构建包括如下具体步骤：
S31：根据油气数据，组成一个e维的数据特征集A，记为，其中，/>为第/>组油气数据的第/>种特征数值；通过隶属度函数将数据特征集进行模糊处理，模糊后的特征数据集B，记为/>，其中，/>对应于/>经过模糊处理后的特征数值；其中/>，，S为油气数据的总组数，F为油气数据特征数值的种类总数；
S32：根据S31，提取模糊处理后的特征数据集B，并将所述特征数据集B映射到高维平面，设定m个聚类中心数据点，构成聚类中心数据点集，其中高维平面上的特征数据点密度为/>；
S33：构造隶属度为的分类矩阵，对高维平面上的特征数据集B进行划分聚类，其中，为特征数据集B中第/>组油气数据对第y个聚类中心数据点的隶属度，/>。
9.根据权利要求8所述的一种高压套管油气远程监测方法，其特征在于，所述高维平面上的特征数据点密度的计算策略为：
；
其中，ln为自然对数；为圆周率；
为高维平面上的特征数据集B中第/>组油气数据的第/>种特征数值点；
为高维平面上的特征数据集B中第/>组油气数据的第/>种特征数值点；
为高维平面上两个数值点的曼哈顿距离。
10.根据权利要求1所述的一种高压套管油气远程监测方法，其特征在于，所述负载温度变化率的计算策略如下：
；
其中，为变压器的负载温度变化率；
为变压器瞬时负载超过变压器额定负载时，相对高压套管外空气温度的增量；
V为变压器瞬时负载电流与额定电流的比值；
G为变压器额定功率下的负载损耗。
11.根据权利要求9所述的一种高压套管油气远程监测方法，其特征在于，所述剩余寿命指数L的计算策略如下：
；
其中，X为高压套管所接变压器的出厂寿命；
n为高压套管所接变压器的总损耗老化次数；
为负载运行状态下变压器单位损耗老化的时间间隔；
m为油气特征数据集B在高维平面上聚类中心数据点的总个数。
12.一种高压套管油气远程监测系统，其基于如权利要求1-11任一项所述的一种高压套管油气远程监测方法实现，其特征在于，所述系统包括以下模块：油气数据采集模块、数据计算传输模块、油气数据聚类分析模块和变压器参数评估模块；
所述油气数据采集模块通过射频无线传输将电能传输至高压套管内部的微型传感器，采集高压套管内部的油气数据；
所述数据计算传输模块用于构建油气数据的数据计算传输模型，通过边缘数据计算存储中心，在变压器附近的设备节点上进行数据过滤预处理和存储，对异常数据集中传输存储；
所述油气数据聚类分析模块用于构建油气数据聚类分析模型，对油气数据的异常数据进行高维聚类分析；
所述变压器参数评估模块用于计算变压器的负载温度变化率，评估变压器的剩余寿命指数，为电力运营部门提供变压器的优化运行策略。
13.一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，该计算机程序被处理器执行时，实现如权利要求1-11中任一项所述的一种高压套管油气远程监测方法。
14.一种设备，其特征在于，包括：
存储器，用于存储指令；
处理器，用于执行所述指令，使得所述设备执行实现如权利要求1-11任一项所述的一种高压套管油气远程监测方法的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311403508.1A CN117148017B (zh) | 2023-10-27 | 2023-10-27 | 一种高压套管油气远程监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311403508.1A CN117148017B (zh) | 2023-10-27 | 2023-10-27 | 一种高压套管油气远程监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117148017A true CN117148017A (zh) | 2023-12-01 |
| CN117148017B CN117148017B (zh) | 2023-12-26 |
Family
ID=88910386
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311403508.1A Active CN117148017B (zh) | 2023-10-27 | 2023-10-27 | 一种高压套管油气远程监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117148017B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103369620A (zh) * | 2013-06-24 | 2013-10-23 | 天津理工大学 | 一种面向wsn的最小传输多播路由方法 |
| CN108681625A (zh) * | 2018-04-25 | 2018-10-19 | 深圳凯达通光电科技有限公司 | 基于大数据技术的变压器短期过载能力智能评估系统 |
| US20180307943A1 (en) * | 2017-04-25 | 2018-10-25 | The Johns Hopkins University | Method and apparatus for clustering, analysis and classification of high dimensional data sets |
| CN110008983A (zh) * | 2019-01-17 | 2019-07-12 | 西安交通大学 | 一种基于分布式模糊支持向量机的自适应模型的网络流量分类方法 |
| CN111209928A (zh) * | 2019-12-06 | 2020-05-29 | 南京国电南自电网自动化有限公司 | 一种变压器设备预警和状态预测评估方法及其系统 |
| KR102235237B1 (ko) * | 2021-01-22 | 2021-04-02 | 유호전기공업주식회사 | 부분방전 진단시스템의 동작 시험용 데이터를 편집하는 방법 및 장치 |
| CN113221065A (zh) * | 2020-02-06 | 2021-08-06 | 北京三星通信技术研究有限公司 | 数据密度估计及回归方法、相应装置、电子设备、介质 |
| CN113965944A (zh) * | 2021-09-14 | 2022-01-21 | 中国船舶重工集团公司第七一六研究所 | 保证系统控制性能的使延迟确定性最大化的方法及系统 |
| CN114064294A (zh) * | 2021-11-29 | 2022-02-18 | 郑州轻工业大学 | 移动边缘计算环境下的动态资源分配方法和系统 |
| US20220318451A1 (en) * | 2021-03-31 | 2022-10-06 | Metlab Research Inc. | Scalable simulation platform for power transformers rating, loading policy, and thermal performances evaluation |
| CN115219835A (zh) * | 2022-09-20 | 2022-10-21 | 北京智盟信通科技有限公司 | 油浸式变压器寿命评估方法 |
| CN115310506A (zh) * | 2022-04-06 | 2022-11-08 | 沈阳航空航天大学 | 基于反馈控制系统的高维流数据聚类方法 |
| CN115795389A (zh) * | 2022-11-21 | 2023-03-14 | 国网四川省电力公司电力科学研究院 | 一种变压器冷却装置运行工况的监测方法及系统 |
| CN116881675A (zh) * | 2023-09-07 | 2023-10-13 | 南京中鑫智电科技有限公司 | 一种基于贝叶斯算法的电力设备状态监测方法 |
-
2023
- 2023-10-27 CN CN202311403508.1A patent/CN117148017B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103369620A (zh) * | 2013-06-24 | 2013-10-23 | 天津理工大学 | 一种面向wsn的最小传输多播路由方法 |
| US20180307943A1 (en) * | 2017-04-25 | 2018-10-25 | The Johns Hopkins University | Method and apparatus for clustering, analysis and classification of high dimensional data sets |
| CN108681625A (zh) * | 2018-04-25 | 2018-10-19 | 深圳凯达通光电科技有限公司 | 基于大数据技术的变压器短期过载能力智能评估系统 |
| CN110008983A (zh) * | 2019-01-17 | 2019-07-12 | 西安交通大学 | 一种基于分布式模糊支持向量机的自适应模型的网络流量分类方法 |
| CN111209928A (zh) * | 2019-12-06 | 2020-05-29 | 南京国电南自电网自动化有限公司 | 一种变压器设备预警和状态预测评估方法及其系统 |
| CN113221065A (zh) * | 2020-02-06 | 2021-08-06 | 北京三星通信技术研究有限公司 | 数据密度估计及回归方法、相应装置、电子设备、介质 |
| KR102235237B1 (ko) * | 2021-01-22 | 2021-04-02 | 유호전기공업주식회사 | 부분방전 진단시스템의 동작 시험용 데이터를 편집하는 방법 및 장치 |
| US20220318451A1 (en) * | 2021-03-31 | 2022-10-06 | Metlab Research Inc. | Scalable simulation platform for power transformers rating, loading policy, and thermal performances evaluation |
| CN113965944A (zh) * | 2021-09-14 | 2022-01-21 | 中国船舶重工集团公司第七一六研究所 | 保证系统控制性能的使延迟确定性最大化的方法及系统 |
| CN114064294A (zh) * | 2021-11-29 | 2022-02-18 | 郑州轻工业大学 | 移动边缘计算环境下的动态资源分配方法和系统 |
| CN115310506A (zh) * | 2022-04-06 | 2022-11-08 | 沈阳航空航天大学 | 基于反馈控制系统的高维流数据聚类方法 |
| CN115219835A (zh) * | 2022-09-20 | 2022-10-21 | 北京智盟信通科技有限公司 | 油浸式变压器寿命评估方法 |
| CN115795389A (zh) * | 2022-11-21 | 2023-03-14 | 国网四川省电力公司电力科学研究院 | 一种变压器冷却装置运行工况的监测方法及系统 |
| CN116881675A (zh) * | 2023-09-07 | 2023-10-13 | 南京中鑫智电科技有限公司 | 一种基于贝叶斯算法的电力设备状态监测方法 |
Non-Patent Citations (4)
| Title |
|---|
| NARESH: ""An integrated neural fuzzy approach for fault diagnosis of transformers"", 《IEEE TRANSACTIONS ON POWER DELIVERY》 * |
| 万能飞: ""基于油气分析优化的电力变压器故障诊断算法研究"", 《中国优秀硕士学位论文全文数据库》 * |
| 吴琼: ""基于变压器特性数据聚类的电力负荷分布式预测"", 《广东电力》 * |
| 曹博洋: ""基于大数据的变压器油中溶解气体关键状态量动态预警研究"", 《电力大数据》, vol. 2021 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117148017B (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110428168A (zh) | 一种计及储能的多能源配电系统协调调度综合评价方法 | |
| Qiu et al. | Data mining based framework to identify rule based operation strategies for buildings with power metering system | |
| JP2003242212A (ja) | ユーティリティの消費特性が類似する曜日を決定する装置および方法 | |
| CN111161095B (zh) | 一种检测建筑能源异常消耗的方法 | |
| CN114004296A (zh) | 一种基于电力负荷特征反向提取监测点的方法及系统 | |
| CN116742799A (zh) | 一种基于物联网技术的配电辅助监测预警系统 | |
| CN115640915A (zh) | 一种智慧燃气管网压缩机安全管理方法和物联网系统 | |
| CN110045237A (zh) | 基于果蝇算法优化的变压器状态参量数据预测方法及系统 | |
| CN109164248A (zh) | 一种变压器油中溶解气体浓度预测方法 | |
| CN113036913A (zh) | 一种综合能源设备状态监测方法及装置 | |
| CN116186624A (zh) | 一种基于人工智能的锅炉评估方法及系统 | |
| CN112862188A (zh) | 一种多传感器环境预测方法及系统 | |
| CN115965125A (zh) | 一种基于深度学习的电力负荷预测方法 | |
| CN116862081A (zh) | 一种污染治理设备运维方法及系统 | |
| CN110880055A (zh) | 楼宇智能电表系统 | |
| CN117148017B (zh) | 一种高压套管油气远程监测方法及系统 | |
| CN116384843B (zh) | 数字能源氮气站的能效评估模型训练方法及其监测方法 | |
| CN117196120A (zh) | 一种用户用水行为分析算法 | |
| CN110750760B (zh) | 一种基于态势感知和控制图的异常理论线损检测方法 | |
| CN115906437A (zh) | 一种风机状态确定方法、装置、设备和存储介质 | |
| CN107274112B (zh) | 改良油中溶解气体的诊断算法模型 | |
| CN115877145A (zh) | 一种变压器重过载工况大数据交叉评估系统及方法 | |
| CN116224950A (zh) | 面向无人生产线自组织重构的智能故障诊断方法和系统 | |
| CN112462708B (zh) | 一种泵站远程诊断及优化调度方法及系统 | |
| Panapakidis et al. | The effect of dimensionality reduction methods in short-term load forecasting performance |
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 |