CN117611135A - 一种可视化设备运维管控方法及系统 - Google Patents
一种可视化设备运维管控方法及系统 Download PDFInfo
- Publication number
- CN117611135A CN117611135A CN202311602962.XA CN202311602962A CN117611135A CN 117611135 A CN117611135 A CN 117611135A CN 202311602962 A CN202311602962 A CN 202311602962A CN 117611135 A CN117611135 A CN 117611135A
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- state
- model
- inverter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000000007 visual effect Effects 0.000 title claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 25
- 238000005516 engineering process Methods 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000013507 mapping Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000002787 reinforcement Effects 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 230000006978 adaptation Effects 0.000 claims abstract description 8
- 238000013526 transfer learning Methods 0.000 claims abstract description 8
- 238000004891 communication Methods 0.000 claims description 48
- 238000004590 computer program Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000012800 visualization Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000005299 abrasion Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000010248 power generation Methods 0.000 claims description 4
- 241000282326 Felis catus Species 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000010367 cloning Methods 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000001681 protective effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000013024 troubleshooting Methods 0.000 claims description 3
- 230000001364 causal effect Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims 1
- 239000004065 semiconductor Substances 0.000 claims 1
- 230000036541 health Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- 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
- G06N3/092—Reinforcement learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioethics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种可视化设备运维管控方法,涉及运维管控技术领域。包括使用神经网络博弈论模型实现设备与环境的多源异构数据采集,并使用联邦学习技术在保护数据隐私的前提下进行数据处理;使用基于图神经网络的RELATION NET算法建立设备运行全生命周期的动态数字孪生,以实现设备多维度状态的准实时映射;基于强化学习的PPO算法训练设备异常检测与故障预测的策略模型,并使用弹性分析引擎进行模型性能和安全性监测;使用基于强化迁移学习的模型辑专家网络,实现模型的在线适应和升级。本发明通过对电力系统多源异构数据的采集与深度跨域分析,实现了对设备状态的准实时高保真映射,为设备健康评估和状况预测提供了基础。
Description
技术领域
本发明涉及设备运维管控技术领域,特别是一种可视化设备运维管控方法及系统。
背景技术
目前,电力系统数据建模与分析更多局限在传统物理场景,无法实现电、信息系统的深度融合。现有框架下,不同业务系统和层级之间的数据失联与模型脱节现象普遍,设备层数据无法与GIS空间资源进行关联,制约了更上层优化分析与决策。基于机理模型的数值分析很难处理电力系统中的新设备、新材料、新工艺带来的复杂演化。分立的静态系统模型也无法反映动态运行态的细粒度特性。
然而,新形势下智能电力体系对跨源异构数据的关联分析,以及对物理世界的准实时高保真数字映射,提出了更高要求。这不仅关系到新设备技术的迅速吸纳,也制约着电力系统的安全、经济、清洁转型。所以,急需一种新的方法论体系,实现强大的跨界数据驱动与数字孪生智能化,开启电力新技术试验、验证、应用的新模式。
发明内容
鉴于现有可视化设备运维管控方法及系统存在数据失联与模型脱节、机理模型的局限性、静态模型的限制以及缺乏灵活性的问题,提出了本发明。
因此,本发明所要解决的问题在于如何解决传统方法存在的数据失联与模型脱节、机理模型的局限性和静态模型的限制等问题。
为解决上述技术问题,本发明提供如下技术方案:
第一方面,本发明实施例提供了一种可视化设备运维管控方法,其包括使用神经网络博弈论模型实现设备与环境的多源异构数据采集,并使用联邦学习技术在保护数据隐私的前提下进行数据处理;使用基于图神经网络的RELATION NET算法建立设备运行全生命周期的动态数字孪生,以实现设备多维度状态的准实时映射;基于强化学习的PPO算法训练设备异常检测与故障预测的策略模型,并使用弹性分析引擎进行模型性能和安全性监测;使用基于强化迁移学习的模型辑专家网络,实现模型的在线适应和升级。
作为本发明所述可视化设备运维管控方法的一种优选方案,其中:使用联邦学习技术在保护数据隐私的前提下进行数据处理包括,若数据集中包含用户的身份信息、账户密码或生物特征等敏感数据,则判定此数据集为高隐私风险数据集,采用加密或差分隐私技术来保护数据;若数据集用于商业化开发或模型训练,且具有高经济价值或社会影响力,则判定此数据集为高价值数据集,建议使用联邦学习技术来保护数据价值;若任务的输入特征和标签分别保存在不同节点上,则判定采用垂直联邦学习方式进行模型训练和数据处理;若输入特征在各节点上分布,但标签集中存储,则判定采用水平联邦学习方式进行模型训练和数据处理;根据数据提供节点的身份认证、历史信用以及执行操作的可解释性,对节点进行信任度打分,低信任节点采用差分隐私或加密强度更高的保护措施;通过比较拆分节点前后联邦模型和本地模型在性能指标上的差异,若差异超过预设阈值,则判断需要增加通信频次或并行度以提升联邦模型的准确率。
作为本发明所述可视化设备运维管控方法的一种优选方案,其中:使用基于图神经网络的RELATION NET算法建立设备运行全生命周期的动态数字孪生包括以下步骤:收集设备整个生命周期的历史数据包括结构数据、运维日志、监控数据、手册说明书;针对结构数据,根据历史数据提取产品的结构树和状态分类,并建立部件之间的包含关系模型;针对文本数据,运用命名实体识别和关系提取技术,抽取出实体信息和实体间的联系;针对时序数据,应用相关性分析方法,提取变量之间的动态贝叶斯网络;对提取的关系信息进行统一和规范化,以建立设备的复杂网络关系图谱;基于设备历史数据构建设备复杂网络关系图谱,并对设备的各种信息进行统一和规范化;利用图神经网络对关系图谱进行节点向量化表示,并在消息传递等机制下学习每个实体的特征向量;使用连续到达的实时状态数据不断更新图网络中节点的特征向量,以实现设备多维动态状态到数字孪生的准实时映射;依托数字孪生的模拟运行,预测设备未来的热故障和磨损情况,并制定最优的保养维护计划;基于映射后的数字孪生,使用邻域信息和历史轨迹进行状态推理,并模拟设备的运行与故障演化以实现数字孪生的克隆;数字孪生的状态变化会及时地影响实际设备的控制策略,形成信息物理系统的反馈环路。
作为本发明所述可视化设备运维管控方法的一种优选方案,其中:根据历史数据提取产品的结构树和状态分类包括以下内容:若设备型号包含逆变器关键字,且设备主要功能是将直流电转换为交流电输出,则判断其设备类型为逆变器;若设备型号包含光猫或路由器关键字,或产品描述明确注明了通信或网络功能,则判断其设备类型为通讯设备;若设备型号包含开关柜或配电柜关键字,且设备具有控制电力负载分配与保护的功能,则判断其设备类型为开关柜;若设备安装的目的为接收配电网电压,且设备型号包含变压器或箱变关键字,则判断其设备类型为箱变。
作为本发明所述可视化设备运维管控方法的一种优选方案,其中:根据历史数据提取产品的结构树和状态分类还包括,对于逆变器设备,若逆变器在连续的6小时时间窗口内未向监控系统汇报传感数据,也未在网络设备扫描中出现,则判定此逆变器当前为离线状态;若逆变器智能终端在过去24小时内上报了报警代码,表示此逆变器经历了栅驱故障、过流故障或过压故障,则判定此逆变器当前为故障状态;若逆变器在上一个月的运行时间数据小于设定的最低运行阈值200小时,则判定此逆变器当前为长时间停机状态;若逆变器不满足以上情形,并且在当前时间窗口内能够正常汇报传感器数据到监控系统,也未上报任何故障报警代码,则判定此逆变器当前为正常状态;若逆变器处于离线状态,则检查逆变器与监控系统之间的通信链路以确定通信中断的位置,或通过登录逆变器本地终端检查传感器数据采集模块的工作状态;若逆变器处于故障状态,则根据报警代码原因来识别导致故障的硬件模块,并对故障模块进行测试、更换和修复操作,同时检查防浪涌保护和配线接地环境因素是否导致了故障;若逆变器处于长时间停机状态,则检查光伏板的清洁情况以确保能够获取足够的光照输入,并联系发电厂家的调度人员,沟通并制定增加逆变器功率调度计划;在进行处理方案后进行二次判断,若方案无法解决问题并使设备恢复正常运行,则需要寻求专业维保团队进行现场检修保养或设备更换,直至判断结果为正常。
作为本发明所述可视化设备运维管控方法的一种优选方案,其中:根据历史数据提取产品的结构树和状态分类还包括,对于通讯设备,若通讯设备在连续12个心跳周期内均有发送TCP保持心跳包到服务器,则判定通讯设备当前网络连接正常,为在线状态;若连续12个心跳周期内没有接收到设备的心跳包,则判定通讯设备已断开网络连接,为离线状态;若通讯设备处于离线状态,则检查物理连接、网络配置和固件版本,尝试重启设备和更换网络端口,并排查网络接口设备故障;若通过以上步骤仍然无法解决通讯设备离线问题,则需要进行现场测试或更换新设备来维持通讯的正常运行,直到设备处于在线状态;对于箱变设备,若最近6小时内未接收到任何一个数据包,情况符合箱变离线判断标准,则判定箱变设备当前状态为断联离线;若1分钟内采集到的电压电流数据波动在正常工作限制范围内,则判定箱变设备当前状态为正常状态;若箱变设备处于离线状态,则检查箱变设备的电源供电是否正常,检查箱变设备的通信连接是否正常,检查箱变设备的软件版本和配置文件是否正确;若以上步骤无法解决离线问题,则调用专业技术人员进行更深入的排查和维护以确定问题的根本原因。
作为本发明所述可视化设备运维管控方法的一种优选方案,其中:根据历史数据提取产品的结构树和状态分类还包括,对于开关柜设备,若在连续的30分钟时间窗口内,开关柜主回路电流采样值的中位数为0,方差也为0,则判断此开关柜设备当前为断电离线状态;若经过现场检查后确定所有断路器触头处于断开状态,全部输出端电路被切断,则判断此开关柜设备当前为分闸状态;若实时有功功率数据经过去皮动作后,最近2小时数据中位数稳定为0,则判断此开关柜设备当前为长时间未发出电能,处于未发电状态;若最近15分钟内,电量计量误差大于预置阈值100千瓦时出现瞬时增减异常,并且进行有原因的分析包括计量芯片故障或电磁环境造成统计紊乱,则判断此开关柜设备当前为电量测量异常状态;若开关柜设备既未断电,电路也未切断,功率正常有输电,电量统计也在正常准确范围内,则综合以上指标判断此开关柜设备当前为正常工作状态。
第二方面,本发明实施例提供了一种可视化设备运维管控系统,其包括数据采集模块,用于使用神经网络博弈论模型实现设备与环境的多源异构数据采集,并使用联邦学习技术在保护数据隐私的前提下进行数据处理;映射模块,用于使用基于图神经网络的RELATION NET算法建立设备运行全生命周期的动态数字孪生,以实现设备多维度状态的准实时映射;模型构建模块,用于基于强化学习的PPO算法训练设备异常检测与故障预测的策略模型,并使用弹性分析引擎进行模型性能和安全性监测;模型升级模块,用于使用基于强化迁移学习的模型辑专家网络,实现模型的在线适应和升级。
第三方面,本发明实施例提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其中:所述计算机程序指令被处理器执行时实现如本发明第一方面所述的可视化设备运维管控方法的步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其中:所述计算机程序指令被处理器执行时实现如本发明第一方面所述的可视化设备运维管控方法的步骤。
本发明有益效果为:本发明通过对电力系统多源异构数据的采集与深度跨域分析,实现了对设备状态的准实时高保真映射,为设备健康评估和状况预测提供了基础;本发明可对重要设备进行故障风险评估和剩余寿命测算,提供个性化的保养建议,降低维保支出,并缩短优化决策周期和降低复杂工况演练成本;数字孪生场景实现了多样故障的仿真演练与风险预判,改善了应急处理能力;采用微服务化设计和标准化的数据和接口服务,促进多方共享资源和互操作利用,提高模型和数据的复用率,推动数字化转型。
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的前提下,还可以根据这些附图获得其它的附图。
图1为可视化设备运维管控方法的方法流程图。
图2为可视化设备运维管控方法的逆变器清单展示图。
图3为可视化设备运维管控方法的通讯设备清单展示图。
图4为可视化设备运维管控方法的开关柜清单展示图。
图5为可视化设备运维管控方法的箱变清单展示图。
图6为可视化设备运维管控方法的箱变详情图。
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1
参照图1~图6,为本发明第一个实施例,该实施例提供了一种可视化设备运维管控方法,包括,
S1:使用神经网络博弈论模型实现设备与环境的多源异构数据采集,并使用联邦学习技术在保护数据隐私的前提下进行数据处理。
具体的,研究不同类型IOT设备的数据接口技术,构建通用的数据采集连接器,以实现异构数据源的自动化采集;基于5G网络开发低功耗广域网技术,构建采集节点之间的mesh网络,以实现数据的高效传输和通信效率的提升;使用无人机设备,通过研究基于无人机的移动采集站点技术,实现对特定区域数据的快速、高效、精确的采集,从而保证数据的准确性和全面性。
进一步的,设计合适的联邦学习网络拓扑结构,定义参与节点,并设计节点之间的通信机制,以确保节点间的有效协作和信息交流;每个节点使用差分隐私或加密技术对本地数据集进行处理,以确保单个数据的隐私性;根据需求选择合适的加密强度,以平衡安全性和数据用途之间的关系;根据任务的特点选择垂直联邦学习或水平联邦学习,并针对每个任务设计参数聚合规则;将元数据生成哈希值,并上传至联邦区块链,以保证数据的可审计性和溯源能力;比较联邦模型和本地模型在性能上的区别,根据需求调整通信频次增加并行度,以减少模型训练时间并提高效率。
需要说明的是,联邦学习技术在保护数据隐私的前提下进行数据处理还包括,若数据集中包含用户的身份信息、账户密码或生物特征等敏感数据,则判定该数据集为高隐私风险数据集,采用加密或差分隐私技术来保护数据;若数据集用于商业化开发或模型训练,且具有高经济价值或社会影响力,则判定该数据集为高价值数据集,建议使用联邦学习技术来保护数据价值;若任务的输入特征和标签分别保存在不同节点上,则判定采用垂直联邦学习方式进行模型训练和数据处理;若输入特征在各节点上分布,但标签集中存储,则判定采用水平联邦学习方式进行模型训练和数据处理;根据数据提供节点的身份认证、历史信用以及执行操作的可解释性,对节点进行信任度打分,低信任节点采用差分隐私或加密强度更高的保护措施;通过比较拆分节点前后联邦模型和本地模型在性能指标上的差异,若差异超过预设阈值,则判断需要增加通信频次或并行度以提升联邦模型的准确率。
S2:使用基于图神经网络的RELATION NET算法建立设备运行全生命周期的动态数字孪生,以实现设备多维度状态的准实时映射。
具体的,收集包括结构数据、运维日志、监控数据、手册说明书等设备整个生命周期的历史数据;针对结构数据,根据历史数据提取产品的结构树和状态分类,并建立部件之间的包含关系模型;针对文本数据,运用命名实体识别和关系提取技术,抽取出实体信息和实体间的联系;对时序数据,应用相关性分析方法,提取变量之间的动态贝叶斯网络;对上述提取的关系信息进行统一和规范化,以建立设备的复杂网络关系图谱。
进一步的,基于设备历史数据构建设备复杂网络关系图谱,并对设备的各种信息进行统一和规范化;利用图神经网络对关系图谱进行节点向量化表示,并在消息传递等机制下学习每个实体的特征向量;使用连续到达的实时状态数据不断更新图网络中节点的特征向量,以实现设备多维动态状态到数字孪生的准实时映射;依托数字孪生的模拟运行,预测设备未来的热故障和磨损情况,并制定最优的保养维护计划;基于映射后的数字孪生,使用邻域信息和历史轨迹进行状态推理,并模拟设备的运行与故障演化以实现数字孪生的克隆;数字孪生的状态变化会及时地影响实际设备的控制策略,形成信息物理系统的反馈环路。
需要说明的是,根据历史数据提取产品的结构树和状态分类包括以下步骤:若设备型号包含逆变器关键字,且设备主要功能是将直流电转换为交流电输出,则判断其设备类型为逆变器;若设备型号包含光猫或路由器关键字,或产品描述明确注明了通信或网络功能,则判断其设备类型为通讯设备;若设备型号包含开关柜或配电柜关键字,且设备具有控制电力负载分配与保护的功能,则判断其设备类型为开关柜;若设备安装的目的为接收配电网电压,且设备型号包含变压器或箱变关键字,则判断其设备类型为箱变。
具体的,对于逆变器设备,若逆变器在连续的6小时时间窗口内未向监控系统汇报传感数据,也未在网络设备扫描中出现,则判定该逆变器当前为离线状态;若逆变器智能终端在过去24小时内上报了报警代码,表示该逆变器经历了栅驱故障、过流故障或过压故障,则判定该逆变器当前为故障状态;若逆变器在上一个月的运行时间数据小于设定的最低运行阈值200小时,则判定该逆变器当前为长时间停机状态;若逆变器不满足以上情形,并且在当前时间窗口内能够正常汇报传感器数据到监控系统,也未上报任何故障报警代码,则判定该逆变器当前为正常状态。
进一步的,若逆变器处于离线状态,则检查逆变器与监控系统之间的通信链路以确定通信中断的位置,或通过登录逆变器本地终端检查传感器数据采集模块的工作状态;若逆变器处于故障状态,则根据报警代码原因来识别导致故障的硬件模块,并对故障模块进行测试、更换和修复操作,同时检查防浪涌保护和配线接地环境因素是否导致了故障;若逆变器处于长时间停机状态,则检查光伏板的清洁情况以确保能够获取足够的光照输入,并联系发电厂家的调度人员,沟通并制定增加逆变器功率调度计划;在进行上述处理方案后进行二次判断,若上述方案无法解决问题并使设备恢复正常运行,则需要寻求专业维保团队进行现场检修保养或设备更换,直至判断结果为正常。
具体的,对于通讯设备,若通讯设备在连续12个心跳周期内均有发送TCP保持心跳包到服务器,则判定通讯设备当前网络连接正常,为在线状态;若连续12个心跳周期内没有接收到设备的心跳包,则判定通讯设备已断开网络连接,为离线状态;若通讯设备处于离线状态,则检查物理连接、网络配置和固件版本,尝试重启设备和更换网络端口,并排查网络接口设备故障;若通过以上步骤仍然无法解决通讯设备离线问题,则需要进行现场测试或更换新设备来维持通讯的正常运行,直到设备处于在线状态。
进一步的,对于开关柜设备,若在连续的30分钟时间窗口内,开关柜主回路电流采样值的中位数为0,方差也为0,则判断此开关柜设备当前为断电离线状态;若经过现场检查后确定所有断路器触头处于断开状态,全部输出端电路被切断,则判断该开关柜设备当前为分闸状态;若实时有功功率数据经过去皮动作后,最近2小时数据中位数稳定为0,则判断该开关柜设备当前为长时间未发出电能,处于未发电状态;若最近15分钟内,电量计量误差大于预置阈值100千瓦时出现瞬时增减异常,并且可以进行有原因的分析包括计量芯片故障或电磁环境造成统计紊乱,则判断该开关柜设备当前为电量测量异常状态;若开关柜设备既未断电,电路也未切断,功率正常有输电,电量统计也在正常准确范围内,则综合以上指标判断该开关柜设备当前为正常工作状态。
具体的,若开关柜设备处于离线状态,则检查开关柜电源供电是否正常,并仔细检查接线端子是否松动,若有必要则考虑更换电源模块;若开关柜设备处于分闸状态,则检查所有开关是否按照正常逻辑置位,并进行人工或远程重置开关状态,同时查找机械或信号触发因素以避免再次发生分闸;若开关柜设备处于电量测量异常状态,则校验电表校准参数并重新配置,同时检查电磁环境噪声以避免电量统计出现紊乱;若开关柜设备处于未发电状态,则检查输入端电源电压确定是否存在异常,并对变压器和逆变器电力转换模块进行检查;在每个步骤完毕后重新检查设备状态,直到确认开关柜设备正常运行为止。
进一步的,对于箱变设备,若最近6小时内未接收到任何一个数据包,情况符合箱变离线判断标准,则判定箱变设备当前状态为断联离线;若1分钟内采集到的电压电流数据波动在正常工作限制范围内,则判定箱变设备当前状态为正常状态;若箱变设备处于离线状态,则检查箱变设备的电源供电是否正常,检查箱变设备的通信连接是否正常,检查箱变设备的软件版本和配置文件是否正确;若以上步骤无法解决离线问题,则调用专业技术人员进行更深入的排查和维护以确定问题的根本原因。
S3:基于强化学习的PPO算法训练设备异常检测与故障预测的策略模型,并使用弹性分析引擎进行模型性能和安全性监测。
具体的,收集设备历史运行数据包括状态监测数据、事件日志、报警信息以及维修记录;标注故障样本,提取与故障相关的状态特征作为模型输入,并构建训练数据集、验证数据集和测试数据集;选择神经网络函数逼近的PPO算法,并定义状态空间、动作空间和奖励函数;初始化策略网络参数,迭代多次执行策略,并根据反馈不断调整网络提高累积奖励;在测试集上评估策略的精度、召回率和F1分数,分析不同状态下的预测结果;删除一些状态特征,重新评估模型性能变化,并通过改变网络结构单元个数评估模型稳定性;使用新数据微调模型参数,集成多个模型并采用投票机制合并预测输出。
S4:使用基于强化迁移学习的模型辑专家网络,实现模型的在线适应和升级。
优选的,使用历史数据预训练一个强化学习异常检测模型,并获得初始策略;邀请多个检测领域的专家对给定状态进行修正,并将“状态-判断修正”作为新样本以修正基础模型的异常判断;使用强化迁移学习算法,在基础模型微调的同时,结合专家样本进行模型训练,使其策略适应专家经验;每个专家示教样本集与基模型微调过程构成一个专家子模型,所有子模型汇总形成专家库;若出现新状态,则计算所有子模型的适应度以选择最匹配的模型进行异常判断;使用模型串联和投票策略,融合不同专家子模型的判断结果以形成稳定的综合判断;持续吸纳更多专家示教以增量升级专家库,不断演化模型判断策略;检验专家子模型的判断结果与真实专家判断的一致性,以及模型判断的检测效果指标,确保其在线适应与升级过程的有效性。
进一步的,本实施例还提供一种可视化设备运维管控系统,包括数据采集模块,用于使用神经网络博弈论模型实现设备与环境的多源异构数据采集,并使用联邦学习技术在保护数据隐私的前提下进行数据处理;映射模块,用于使用基于图神经网络的RELATIONNET算法建立设备运行全生命周期的动态数字孪生,以实现设备多维度状态的准实时映射;模型构建模块,用于基于强化学习的PPO算法训练设备异常检测与故障预测的策略模型,并使用弹性分析引擎进行模型性能和安全性监测;模型升级模块,用于使用基于强化迁移学习的模型辑专家网络,实现模型的在线适应和升级。
本实施例还提供一种计算机设备,适用于可视化设备运维管控方法的情况,包括存储器和处理器;存储器用于存储计算机可执行指令,处理器用于执行计算机可执行指令,实现如上述实施例提出的可视化设备运维管控方法。
该计算机设备可以是终端,该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本实施例还提供一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例提出的实现可视化设备运维管控方法。
综上,本发明通过对电力系统多源异构数据的采集与深度跨域分析,实现了对设备状态的准实时高保真映射,为设备健康评估和状况预测提供了基础;本发明可对重要设备进行故障风险评估和剩余寿命测算,提供个性化的保养建议,降低维保支出,并缩短优化决策周期和降低复杂工况演练成本;数字孪生场景实现了多样故障的仿真演练与风险预判,改善了应急处理能力;采用微服务化设计和标准化的数据和接口服务,促进多方共享资源和互操作利用,提高模型和数据的复用率,推动数字化转型。
实施例2
参照图1~图6,为本发明第二个实施例,该实施例提供了一种可视化设备运维管控方法,为了验证本发明的有益效果,通过经济效益计算和仿真实验进行科学论证。
具体的,智慧电站作为示范区,选定了35个关键设备作为监测对象,其中包含12台不同型号规格的变流器和逆变器、3台匝道交换机、5个开关柜与键控室,以及5台箱式变压器,设备清单表如表1所示。在这些对象上架设了480余道传感器接入点,通过光纤接入数据中枢,同时提取出设备一年多以来的7540条事件日志。
表1设备清单表
序号 | 设备编号 | 设备名称 | 项目包 | ... | 协议 |
1 | ZHNY_JS_ORD_1_01 | BW1NB1逆变器 | 常州一包 | ... | MODBUS |
2 | ZHNY_JS_ORD_1_02 | BW1NB2逆变器 | 常州一包 | ... | MODBUS |
3 | ZHNY_JS_ORD_1_03 | BW1NB3逆变器 | 常州一包 | ... | MODBUS |
4 | ZHNY_JS_ORD_1_04 | BW1NB4逆变器 | 常州一包 | ... | MODBUS |
5 | ZHNY_JS_ORD_1_05 | BW1NB5逆变器 | 常州一包 | ... | MODBUS |
... | ... | ... | ... | ... | ... |
进一步的,对采集所得的3万余条结构化状态数据应用关系抽取算法,准确识别出33种关键实体,例如1250kVA变流器、气体与温控子系统、开关柜C2号柜等,并描绘出它们之间的关联拓扑,形成具有丰富节点和复杂联系的电力物理-信息网络双网格模型的雏形。逆变器测点属性表如表2所示。
表2逆变器测点属性表
序号 | 设备编号 | 属性类型 | 属性值 | ... | 在历史信息显示 |
1 | ZHNY_JS_ORD_1_01_IVMPPT01 | 监测 | 701.2 | ... | 是 |
2 | ZHNY_JS_ORD_1_01_IVMPPT01 | 监测 | 0.45 | ... | 是 |
3 | ZHNY_JS_ORD_1_01_IVMPPT02 | 监测 | 668.9 | ... | 是 |
4 | ZHNY_JS_ORD_1_01_IVMPPT02 | 监测 | 0.47 | ... | 是 |
5 | ZHNY_JS_ORD_1_01_IVMPPT03 | 监测 | 637.4 | ... | 是 |
... | ... | ... | ... | ... | ... |
进一步的,在数字孪生的指导下,使用商业工具Unity等,实现了智慧电站三维场景的高精度重构,并通过交互式、沉浸式的可视化呈现,帮助工程师更好地了解设备的运行状态和维护需求。
进一步的,不同型号的逆变器和开关柜在长期运行中会面临不同的磨损与维护需求,数字孪生技术评估其继续运行的风险,并相应制定出个性化的保养建议。
优选的,本发明方法与现有技术的对比指标如表3所示。
表3本发明方法与现有技术的对比指标
对比指标 | 本发明 | 现有技术 |
状态映射延迟 | ≤1分钟 | ≥5分钟 |
运维决策效率 | ≤1小时 | 2-3小时 |
精度 | 85%-95% | 65%-75% |
召回率 | 80%-90% | 60%-70% |
关键情况漏报率 | ≤5% | ≥15% |
故障预警准确率 | ≥85% | 60%-70% |
连续运行时间 | 129天 | 89天 |
进一步的,由表3可得,本数字孪生和可视化运维技术方案,通过深度跨界的数据驱动与高保真数字映射,打造了新一代的电力物理-信息世界融合框架。在状态感知与映射的实时响应速率、运维与管控的决策效率、检测与预警的精度水平、设备的可靠连续运行时间等多个关键指标上,均较现有技术取得了指数级的大幅度提升。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种可视化设备运维管控方法,其特征在于:包括,
使用神经网络博弈论模型实现设备与环境的多源异构数据采集,并使用联邦学习技术在保护数据隐私的前提下进行数据处理;
使用基于图神经网络的RELATION NET算法建立设备运行全生命周期的动态数字孪生,以实现设备多维度状态的准实时映射;
基于强化学习的PPO算法训练设备异常检测与故障预测的策略模型,并使用弹性分析引擎进行模型性能和安全性监测;
使用基于强化迁移学习的模型辑专家网络,实现模型的在线适应和升级。
2.如权利要求1所述的可视化设备运维管控方法,其特征在于:所述使用联邦学习技术在保护数据隐私的前提下进行数据处理包括,
若数据集中包含用户的身份信息、账户密码或生物特征,则判定此数据集为高隐私风险数据集,采用加密或差分隐私技术来保护数据;
若数据集用于商业化开发或模型训练,且具有高经济价值或社会影响力,则判定此数据集为高价值数据集,建议使用联邦学习技术来保护数据价值;
若任务的输入特征和标签分别保存在不同节点上,则判定采用垂直联邦学习方式进行模型训练和数据处理;
若输入特征在各节点上分布,但标签集中存储,则判定采用水平联邦学习方式进行模型训练和数据处理;
根据数据提供节点的身份认证、历史信用以及执行操作的可解释性,对节点进行信任度打分,低信任节点采用差分隐私或加密强度更高的保护措施;
通过比较拆分节点前后联邦模型和本地模型在性能指标上的差异,若差异超过预设阈值,则判断需要增加通信频次或并行度以提升联邦模型的准确率。
3.如权利要求1所述的可视化设备运维管控方法,其特征在于:所述使用基于图神经网络的RELATION NET算法建立设备运行全生命周期的动态数字孪生包括以下步骤:
收集设备整个生命周期的历史数据包括结构数据、运维日志、监控数据、手册说明书;
针对结构数据,根据历史数据提取产品的结构树和状态分类,并建立部件之间的包含关系模型;
针对文本数据,运用命名实体识别和关系提取技术,抽取出实体信息和实体间的联系;
针对时序数据,应用相关性分析方法,提取变量之间的动态贝叶斯网络;
对提取的关系信息进行统一和规范化,以建立设备的复杂网络关系图谱;
基于设备历史数据构建设备复杂网络关系图谱,并对设备的各种信息进行统一和规范化;
利用图神经网络对关系图谱进行节点向量化表示,并在消息传递机制下学习每个实体的特征向量;
使用连续到达的实时状态数据不断更新图网络中节点的特征向量,以实现设备多维动态状态到数字孪生的准实时映射;
依托数字孪生的模拟运行,预测设备未来的热故障和磨损情况,并制定最优的保养维护计划;
基于映射后的数字孪生,使用邻域信息和历史轨迹进行状态推理,并模拟设备的运行与故障演化以实现数字孪生的克隆;
数字孪生的状态变化会及时地影响实际设备的控制策略,形成信息物理系统的反馈环路。
4.如权利要求3所述的可视化设备运维管控方法,其特征在于:所述根据历史数据提取产品的结构树和状态分类包括以下内容:
若设备型号包含逆变器关键字,且设备主要功能是将直流电转换为交流电输出,则判断其设备类型为逆变器;
若设备型号包含光猫或路由器关键字,或产品描述明确注明了通信或网络功能,则判断其设备类型为通讯设备;
若设备型号包含开关柜或配电柜关键字,且设备具有控制电力负载分配与保护的功能,则判断其设备类型为开关柜;
若设备安装的目的为接收配电网电压,且设备型号包含变压器或箱变关键字,则判断其设备类型为箱变。
5.如权利要求3所述的可视化设备运维管控方法,其特征在于:所述根据历史数据提取产品的结构树和状态分类还包括,
对于逆变器设备,若逆变器在连续的6小时时间窗口内未向监控系统汇报传感数据,也未在网络设备扫描中出现,则判定此逆变器当前为离线状态;
若逆变器智能终端在过去24小时内上报了报警代码,表示此逆变器经历了栅驱故障、过流故障或过压故障,则判定此逆变器当前为故障状态;
若逆变器在上一个月的运行时间数据小于设定的最低运行阈值200小时,则判定此逆变器当前为长时间停机状态;
若逆变器不满足以上情形,并且在当前时间窗口内能够正常汇报传感器数据到监控系统,也未上报任何故障报警代码,则判定此逆变器当前为正常状态;
若逆变器处于离线状态,则检查逆变器与监控系统之间的通信链路以确定通信中断的位置,或通过登录逆变器本地终端检查传感器数据采集模块的工作状态;
若逆变器处于故障状态,则根据报警代码原因来识别导致故障的硬件模块,并对故障模块进行测试、更换和修复操作,同时检查防浪涌保护和配线接地环境因素是否导致了故障;
若逆变器处于长时间停机状态,则检查光伏板的清洁情况以确保能够获取足够的光照输入,并联系发电厂家的调度人员,沟通并制定增加逆变器功率调度计划;
在进行处理方案后进行二次判断,若方案无法解决问题并使设备恢复正常运行,则需要寻求专业维保团队进行现场检修保养或设备更换,直至判断结果为正常。
6.如权利要求3所述的可视化设备运维管控方法,其特征在于:所述根据历史数据提取产品的结构树和状态分类还包括,
对于通讯设备,
若通讯设备在连续12个心跳周期内均有发送TCP保持心跳包到服务器,则判定通讯设备当前网络连接正常,为在线状态;
若连续12个心跳周期内没有接收到设备的心跳包,则判定通讯设备已断开网络连接,为离线状态;
若通讯设备处于离线状态,则检查物理连接、网络配置和固件版本,尝试重启设备和更换网络端口,并排查网络接口设备故障;
若通过以上步骤仍然无法解决通讯设备离线问题,则需要进行现场测试或更换新设备来维持通讯的正常运行,直到设备处于在线状态;
对于箱变设备,
若最近6小时内未接收到任何一个数据包,情况符合箱变离线判断标准,则判定箱变设备当前状态为断联离线;
若1分钟内采集到的电压电流数据波动在正常工作限制范围内,则判定箱变设备当前状态为正常状态;
若箱变设备处于离线状态,则检查箱变设备的电源供电是否正常,检查箱变设备的通信连接是否正常,检查箱变设备的软件版本和配置文件是否正确;
若以上步骤无法解决离线问题,则调用专业技术人员进行更深入的排查和维护以确定问题的根本原因。
7.如权利要求3所述的可视化设备运维管控方法,其特征在于:所述根据历史数据提取产品的结构树和状态分类还包括,
对于开关柜设备,若在连续的30分钟时间窗口内,开关柜主回路电流采样值的中位数为0,方差也为0,则判断此开关柜设备当前为断电离线状态;
若经过现场检查后确定所有断路器触头处于断开状态,全部输出端电路被切断,则判断此开关柜设备当前为分闸状态;
若实时有功功率数据经过去皮动作后,最近2小时数据中位数稳定为0,则判断此开关柜设备当前为长时间未发出电能,处于未发电状态;
若最近15分钟内,电量计量误差大于预置阈值100千瓦时出现瞬时增减异常,并且进行有原因的分析包括计量芯片故障或电磁环境造成统计紊乱,则判断此开关柜设备当前为电量测量异常状态;
若开关柜设备既未断电,电路也未切断,功率正常有输电,电量统计也在正常准确范围内,则综合以上指标判断此开关柜设备当前为正常工作状态。
8.一种可视化设备运维管控系统,基于权利要求1~7任一所述的可视化设备运维管控方法,其特征在于:还包括,
数据采集模块,用于使用神经网络博弈论模型实现设备与环境的多源异构数据采集,并使用联邦学习技术在保护数据隐私的前提下进行数据处理;
映射模块,用于使用基于图神经网络的RELATION NET算法建立设备运行全生命周期的动态数字孪生,以实现设备多维度状态的准实时映射;
模型构建模块,用于基于强化学习的PPO算法训练设备异常检测与故障预测的策略模型,并使用弹性分析引擎进行模型性能和安全性监测;
模型升级模块,用于使用基于强化迁移学习的模型辑专家网络,实现模型的在线适应和升级。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于:所述处理器执行所述计算机程序时实现权利要求1~7任一所述的可视化设备运维管控方法的步骤。
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权利要求1~7任一所述的可视化设备运维管控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311602962.XA CN117611135A (zh) | 2023-11-28 | 2023-11-28 | 一种可视化设备运维管控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311602962.XA CN117611135A (zh) | 2023-11-28 | 2023-11-28 | 一种可视化设备运维管控方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117611135A true CN117611135A (zh) | 2024-02-27 |
Family
ID=89949388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311602962.XA Pending CN117611135A (zh) | 2023-11-28 | 2023-11-28 | 一种可视化设备运维管控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117611135A (zh) |
-
2023
- 2023-11-28 CN CN202311602962.XA patent/CN117611135A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180373824A1 (en) | Systems and Methods for Automated Model-Based Real-Time Simulation of a Microgrid for Market-Based Electric Power System Optimization | |
Abiri-Jahromi et al. | A two-stage framework for power transformer asset maintenance management—Part I: Models and formulations | |
US20130253718A1 (en) | Systems and methods for integrated, model, and role-based management of a microgrid based on real-time power management | |
Ge et al. | Reliability and maintainability improvement of substations with aging infrastructure | |
CN108336725A (zh) | 电网调度设备监控管理及智能分析系统 | |
JP2013538543A (ja) | 送電網用の機械学習 | |
Abbasghorbani et al. | Reliability‐centred maintenance for circuit breakers in transmission networks | |
CN104463696A (zh) | 电网运行风险识防方法及系统 | |
Lin et al. | A general framework for quantitative modeling of dependability in cyber-physical systems: A proposal for doctoral research | |
Kandaperumal et al. | AWR: Anticipate, withstand, and recover resilience metric for operational and planning decision support in electric distribution system | |
CN108508852A (zh) | 隔离管理系统与隔离管理方法 | |
Guo et al. | Evidence-based approach to power transmission risk assessment with component failure risk analysis | |
Ying et al. | Research on state evaluation and risk assessment for relay protection system based on machine learning algorithm | |
CN115603459A (zh) | 一种基于数字孪生技术的配电网关键厂站监测方法与系统 | |
CN117394529A (zh) | 基于scada的主配网合环倒供电控制条件辅助决策方法及系统 | |
CN115730749A (zh) | 基于融合电力数据的电力调度风险预警方法及装置 | |
Amini et al. | Electrical energy systems resilience: A comprehensive review on definitions, challenges, enhancements and future proceedings | |
CN110361609A (zh) | 特高压设备监测系统及方法 | |
Guo et al. | Power transmission risk assessment considering component condition | |
CN114138982A (zh) | 一种用于干式变压器故障诊断的知识图谱的构建方法 | |
Bagen et al. | Enhanced probabilistic approach for substation reliability assessment | |
Li et al. | A summary of relay protection-based simulation for Dynamic Performance and Reliability Assessment | |
Hamzeh et al. | The impact of cyber network configuration on the dynamic-thermal failure of transformers considering distributed generator controller | |
Stewart et al. | Integrated multi-scale data analytics and machine learning for the distribution grid and building-to-grid interface | |
Wang et al. | Human Operating Risk Assessment for Outdoor Terminal Box of Electric Power |
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 |