CN117878821B - 一种高压直流系统接地监测与保护分析方法 - Google Patents
一种高压直流系统接地监测与保护分析方法 Download PDFInfo
- Publication number
- CN117878821B CN117878821B CN202410276893.6A CN202410276893A CN117878821B CN 117878821 B CN117878821 B CN 117878821B CN 202410276893 A CN202410276893 A CN 202410276893A CN 117878821 B CN117878821 B CN 117878821B
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring
- sensor
- generate
- grounding
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 357
- 238000004458 analytical method Methods 0.000 title claims abstract description 56
- 238000012423 maintenance Methods 0.000 claims abstract description 159
- 238000012545 processing Methods 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000009826 distribution Methods 0.000 claims abstract description 41
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000001228 spectrum Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000005540 biological transmission Effects 0.000 claims description 39
- 238000005457 optimization Methods 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 30
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000013480 data collection Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 238000004140 cleaning Methods 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 10
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 238000011425 standardization method Methods 0.000 claims description 3
- 238000013079 data visualisation Methods 0.000 claims description 2
- 238000007794 visualization technique Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 7
- 238000004891 communication Methods 0.000 description 23
- 238000007726 management method Methods 0.000 description 17
- 230000000737 periodic effect Effects 0.000 description 15
- 230000009286 beneficial effect Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 230000003595 spectral effect Effects 0.000 description 8
- 238000007405 data analysis Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000003449 preventive effect Effects 0.000 description 5
- 238000012800 visualization Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 238000013468 resource allocation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000013486 operation strategy Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013523 data management 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
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明涉及数据运维技术领域,尤其涉及一种高压直流系统接地监测与保护分析方法。所述方法包括以下步骤:获取接地系统位置数据;基于接地系统位置数据进行监测数据采集,从而得到智能传感器监测数据;对智能传感器监测数据进行数据预处理,生成智能传感器监测标准数据;基于智能传感器监测标准数据进行传感器自组网构建,生成智能传感器自组网络;通过智能传感器自组网络对智能传感器监测标准数据进行功率谱密度计算,得到接地监测能量分布数据;对接地监测能量分布数据进行监测周期特征提取,生成接地监测能量时序特征数据。本发明通过智能传感器数据处理、自组网络构建、安全隐患预测和系统维护周期确定,提高了HVDC系统的安全性和精准性。
Description
技术领域
本发明涉及数据运维技术领域,尤其涉及一种高压直流系统接地监测与保护分析方法。
背景技术
随着HVDC系统的发展,最初的HVDC接地保护系统采用了基于电流比对的传统保护方式,例如过流保护和接地短路保护。随着数字化技术的发展,开始出现了基于微处理器的数字接地保护装置,提高了接地保护的精度和可靠性。随着数字技术的进步,出现了更加智能化的接地保护装置,可以实时监测HVDC系统的接地状态。传感器技术的应用使得HVDC系统接地监测更加全面,包括接地电流、接地电压等参数的实时监测。随着传感器技术的不断成熟,HVDC系统接地监测装置开始广泛应用光纤传感器、电容式传感器等,提高了接地监测的精度和灵敏度。近年来,人工智能和大数据技术的应用使得HVDC系统的接地监测装置变得更加智能化和自适应。基于机器学习的接地故障诊断系统不断发展,可以通过历史数据分析预测接地故障,并提供更加精准的保护响应。然而,目前的高压直流接地监测往往缺乏对大量数据进行有效管理和分析的能力。随着传感器数量增加,数据的处理和存储变得复杂,需要更有效的管理方法,同时存在传感器网络不稳定、能量分布计算不精确的问题,导致监测系统的安全性和精度不足。
发明内容
基于此,有必要提供一种高压直流系统接地监测与保护分析方法,以解决至少一个上述技术问题。
为实现上述目的,一种高压直流接地监测与保护分析方法,所述方法包括以下步骤:
步骤S1:获取接地系统位置数据;基于接地系统位置数据进行监测数据采集,从而得到智能传感器监测数据;对智能传感器监测数据进行数据预处理,生成智能传感器监测标准数据;
步骤S2:基于智能传感器监测标准数据进行传感器自组网构建,生成智能传感器自组网络;通过智能传感器自组网络对智能传感器监测标准数据进行功率谱密度计算,得到接地监测能量分布数据;对接地监测能量分布数据进行监测周期特征提取,生成接地监测能量时序特征数据;
步骤S3:对接地监测能量时序特征数据进行历史数据收集,生成历史接地监测能量时序特征数据;对历史接地监测能量时序特征数据进行模型训练,生成安全隐患预测模型;将接地监测能量时序特征数据导入至安全隐患预测模型中进行安全隐患预测,生成安全隐患预测数据;对安全隐患预测数据进行隐患分级,生成安全隐患分级数据;
步骤S4:根据安全隐患分级数据进行维护周期确定,生成系统维护周期数据;通过系统维护周期数据对智能传感器自组网络进行安全维护执行,生成高压直流系统接地监测维护报告。
本发明通过基于智能传感器监测数据,系统可以实时监测接地系统的状态,及时发现异常情况并发出预警,有助于避免潜在的安全风险和故障发生。生成的监测标准数据可用于数据分析和模型建立,为管理者提供基于数据的决策支持,优化接地系统的维护和运行策略。通过持续监测和数据分析,可以及时发现并解决接地系统中的问题,提高系统的稳定性和可靠性,减少停机时间和维修成本。通过有效的监测和预测,可以优化资源分配和维护计划,提高资源利用效率,降低运营成本。基于传感器自组网构建的智能监测系统可以实时监测接地系统的能量分布和周期特征,及时发现异常情况并进行分析和处理。通过对能量分布数据和周期特征的分析,可以预测接地系统可能出现的故障,并采取预防措施,提高系统的可靠性和稳定性。根据时序特征数据,制定合理的维护周期和维护策略,降低维护成本,提高资源利用效率。通过对监测数据的分析和挖掘,为管理者提供数据支持的决策依据,优化接地系统的运行和管理。借助安全隐患预测模型,可以提前识别潜在的安全隐患,有助于采取预防措施,避免事故的发生,保障设备和人员的安全。通过预测可能出现的安全隐患,可以有针对性地进行维护和修复,避免因故障造成的生产停止和维修成本的增加。根据安全隐患的分级情况,合理配置资源和人力,优先处理高风险的隐患,提高资源利用效率。安全隐患预测和分级数据为管理者提供了数据支持的决策依据,帮助其制定合理的管理策略和应对措施。根据安全隐患分级数据确定维护周期,可以确保系统及时得到维护,降低了安全风险。对智能传感器自组网络进行安全维护,可以及时发现并修复网络中的安全漏洞和问题,保障系统的安全运行。通过定期的维护和监测,可以有效预防系统故障和性能下降,提高系统的稳定性和可靠性。特别是针对高压直流系统接地监测的维护,可以及时发现接地问题,防止因此引发的电气故障和事故,保障设备和人员的安全。通过合理确定维护周期,可以避免过度维护或者不足维护所带来的额外成本。及时发现和修复问题,可以减少因故障和事故导致的停工损失和维修费用,从而降低维护成本。生成系统维护周期数据和维护报告,可以为管理决策提供依据和参考。这些数据可以用于分析系统运行状态和维护效果,优化维护策略和计划,提升管理水平和效率。因此,本发明通过智能传感器数据处理、自组网络构建、安全隐患预测和系统维护周期确定,提高了HVDC系统的安全性和精准性。
在本说明书中,提供了一种高压直流系统,用于执行上述的高压直流接地监测与保护分析方法,该高压直流系统包括:
数据采集模块,用于获取接地系统位置数据;基于接地系统位置数据进行监测数据采集,从而得到智能传感器监测数据;对智能传感器监测数据进行数据预处理,生成智能传感器监测标准数据;
自组网模块,用于基于智能传感器监测标准数据进行传感器自组网构建,生成智能传感器自组网络;通过智能传感器自组网络对智能传感器监测标准数据进行功率谱密度计算,得到接地监测能量分布数据;对接地监测能量分布数据进行监测周期特征提取,生成接地监测能量时序特征数据;
安全隐患预测模块,用于对接地监测能量时序特征数据进行历史数据收集,生成历史接地监测能量时序特征数据;对历史接地监测能量时序特征数据进行模型训练,生成安全隐患预测模型;将接地监测能量时序特征数据导入至安全隐患预测模型中进行安全隐患预测,生成安全隐患预测数据;对安全隐患预测数据进行隐患分级,生成安全隐患分级数据;
维护执行模块,用于根据安全隐患分级数据进行维护周期确定,生成系统维护周期数据;通过系统维护周期数据对智能传感器自组网络进行安全维护执行,生成高压直流系统接地监测维护报告。
本发明的有益效果在于通过智能传感器监测数据的实时采集和数据预处理,可以及时获得关键的接地监测信息。标准化的监测数据有助于提高数据质量和可比性。通过智能传感器自组网络的构建,系统可以实现更广泛的监测范围和更高效的数据处理。分布式计算的使用有助于加快功率谱密度计算等计算密集型任务,提高系统响应速度。利用历史接地监测能量时序特征数据进行模型训练,系统可以学习历史性的隐患模式。这使得系统能够更准确地预测未来的安全隐患,为维护提供更精准的指导。通过对安全隐患预测数据进行分级,系统可以根据紧急程度和严重性有针对性地进行维护。这有助于优化资源分配,提高维护效率。根据安全隐患分级数据确定维护周期,使得维护更具针对性。定期的维护可以有效预防潜在问题,提高系统的稳定性和可靠性。生成高压直流系统接地监测维护报告,为管理层提供清晰的维护信息和建议,支持决策过程。因此,本发明通过智能传感器数据处理、自组网络构建、安全隐患预测和系统维护周期确定,提高了HVDC系统的安全性和精准性。
附图说明
图1为一种高压直流接地监测与保护分析方法的步骤流程示意图;
图2为图1中步骤S2的详细实施步骤流程示意图;
图3为图2中步骤S22的详细实施步骤流程示意图;
图4为图3中步骤S224的详细实施步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图4,一种高压直流接地监测与保护分析方法,所述方法包括以下步骤:
步骤S1:获取接地系统位置数据;基于接地系统位置数据进行监测数据采集,从而得到智能传感器监测数据;对智能传感器监测数据进行数据预处理,生成智能传感器监测标准数据;
步骤S2:基于智能传感器监测标准数据进行传感器自组网构建,生成智能传感器自组网络;通过智能传感器自组网络对智能传感器监测标准数据进行功率谱密度计算,得到接地监测能量分布数据;对接地监测能量分布数据进行监测周期特征提取,生成接地监测能量时序特征数据;
步骤S3:对接地监测能量时序特征数据进行历史数据收集,生成历史接地监测能量时序特征数据;对历史接地监测能量时序特征数据进行模型训练,生成安全隐患预测模型;将接地监测能量时序特征数据导入至安全隐患预测模型中进行安全隐患预测,生成安全隐患预测数据;对安全隐患预测数据进行隐患分级,生成安全隐患分级数据;
步骤S4:根据安全隐患分级数据进行维护周期确定,生成系统维护周期数据;通过系统维护周期数据对智能传感器自组网络进行安全维护执行,生成高压直流系统接地监测维护报告。
本发明通过基于智能传感器监测数据,系统可以实时监测接地系统的状态,及时发现异常情况并发出预警,有助于避免潜在的安全风险和故障发生。生成的监测标准数据可用于数据分析和模型建立,为管理者提供基于数据的决策支持,优化接地系统的维护和运行策略。通过持续监测和数据分析,可以及时发现并解决接地系统中的问题,提高系统的稳定性和可靠性,减少停机时间和维修成本。通过有效的监测和预测,可以优化资源分配和维护计划,提高资源利用效率,降低运营成本。基于传感器自组网构建的智能监测系统可以实时监测接地系统的能量分布和周期特征,及时发现异常情况并进行分析和处理。通过对能量分布数据和周期特征的分析,可以预测接地系统可能出现的故障,并采取预防措施,提高系统的可靠性和稳定性。根据时序特征数据,制定合理的维护周期和维护策略,降低维护成本,提高资源利用效率。通过对监测数据的分析和挖掘,为管理者提供数据支持的决策依据,优化接地系统的运行和管理。借助安全隐患预测模型,可以提前识别潜在的安全隐患,有助于采取预防措施,避免事故的发生,保障设备和人员的安全。通过预测可能出现的安全隐患,可以有针对性地进行维护和修复,避免因故障造成的生产停止和维修成本的增加。根据安全隐患的分级情况,合理配置资源和人力,优先处理高风险的隐患,提高资源利用效率。安全隐患预测和分级数据为管理者提供了数据支持的决策依据,帮助其制定合理的管理策略和应对措施。根据安全隐患分级数据确定维护周期,可以确保系统及时得到维护,降低了安全风险。对智能传感器自组网络进行安全维护,可以及时发现并修复网络中的安全漏洞和问题,保障系统的安全运行。通过定期的维护和监测,可以有效预防系统故障和性能下降,提高系统的稳定性和可靠性。特别是针对高压直流系统接地监测的维护,可以及时发现接地问题,防止因此引发的电气故障和事故,保障设备和人员的安全。通过合理确定维护周期,可以避免过度维护或者不足维护所带来的额外成本。及时发现和修复问题,可以减少因故障和事故导致的停工损失和维修费用,从而降低维护成本。生成系统维护周期数据和维护报告,可以为管理决策提供依据和参考。这些数据可以用于分析系统运行状态和维护效果,优化维护策略和计划,提升管理水平和效率。因此,本发明通过智能传感器数据处理、自组网络构建、安全隐患预测和系统维护周期确定,提高了HVDC系统的安全性和精准性。
本发明实施例中,参考图1所述,为本发明一种高压直流接地监测与保护分析方法的步骤流程示意图,在本实例中,所述一种高压直流接地监测与保护分析方法包括以下步骤:
步骤S1:获取接地系统位置数据;基于接地系统位置数据进行监测数据采集,从而得到智能传感器监测数据;对智能传感器监测数据进行数据预处理,生成智能传感器监测标准数据;
本发明实施例中,通过使用GPS(全球定位系统)或其他定位技术获取接地系统各个组件的位置信息。这可能涉及到安装位置传感器或者通过网络或设备自身获取位置信息。针对接地系统的不同部件,安装智能传感器,如压力传感器、温度传感器、湿度传感器等,以实时监测相关数据。传感器可以通过有线或者无线网络连接到数据采集节点,将采集的数据传输到数据处理中心。对从传感器采集的原始数据进行预处理,包括数据清洗、去噪、校准、插值等处理,以确保数据的准确性和可靠性。可以采用滤波技术来去除数据中的噪声,或者使用校准算法来校正传感器的误差。对预处理后的数据进行标准化处理,确保不同传感器采集的数据具有相同的数据格式和单位,以便后续的数据分析和比较。可以使用统一的数据结构或者标准的数据交换格式(如JSON、CSV等)来表示监测数据。
步骤S2:基于智能传感器监测标准数据进行传感器自组网构建,生成智能传感器自组网络;通过智能传感器自组网络对智能传感器监测标准数据进行功率谱密度计算,得到接地监测能量分布数据;对接地监测能量分布数据进行监测周期特征提取,生成接地监测能量时序特征数据;
本发明实施例中,通过使用无线传感器网络技术,基于智能传感器监测标准数据,实现传感器的自组网构建。传感器节点之间通过无线通信建立网络,可以采用各种通信协议,如Wi-Fi、Zigbee、LoRa等,根据具体应用场景选择合适的通信方式。在智能传感器自组网络中,每个传感器节点收集到的监测数据可以用于计算功率谱密度。使用数字信号处理技术,对采集到的监测数据进行频谱分析,计算其功率谱密度,以了解不同频率下的信号能量分布情况。根据功率谱密度计算结果,得到接地监测能量在不同频率范围内的分布情况。可以将功率谱密度数据进行分段处理,提取出不同频率范围内的能量分布特征,形成接地监测能量分布数据。对接地监测能量分布数据进行周期特征提取,例如提取出能量分布的周期性变化特征。可以使用时域分析或频域分析方法,如傅里叶变换、小波变换等,提取出能量分布数据中的周期性成分,以揭示接地系统的周期性变化规律。
步骤S3:对接地监测能量时序特征数据进行历史数据收集,生成历史接地监测能量时序特征数据;对历史接地监测能量时序特征数据进行模型训练,生成安全隐患预测模型;将接地监测能量时序特征数据导入至安全隐患预测模型中进行安全隐患预测,生成安全隐患预测数据;对安全隐患预测数据进行隐患分级,生成安全隐患分级数据;
本发明实施例中,通过收集历史接地监测能量时序特征数据,建立一个包含多个时间点的历史数据集。对历史数据进行预处理,包括数据清洗、缺失值处理等。利用之前提到的特征提取方法,提取历史数据中的接地监测能量时序特征。选择适当的机器学习或深度学习算法进行模型训练。常见的算法包括决策树、支持向量机、神经网络等。利用历史接地监测能量时序特征数据,将数据集分为训练集和测试集,用训练集训练模型。在训练过程中,进行模型参数的调优,以提高模型的准确性和泛化能力。将新的接地监测能量时序特征数据导入已训练好的安全隐患预测模型中。模型将输出安全隐患的概率或类别信息,表示系统当前的安全状态。预测结果可以用于实时监测系统的安全性,并及时发现潜在的问题。预测结果可以根据概率或类别信息进行隐患分级。设定阈值,将预测概率划分为不同的等级,例如低、中、高风险。根据分级结果制定相应的应对措施,以便针对不同级别的隐患采取不同的处理方式。将实时采集到的接地监测能量时序特征数据输入预测模型,实时进行安全隐患预测和分级。定期对模型进行更新和调整,以适应系统运行状态的变化。
步骤S4:根据安全隐患分级数据进行维护周期确定,生成系统维护周期数据;通过系统维护周期数据对智能传感器自组网络进行安全维护执行,生成高压直流系统接地监测维护报告。
本发明实施例中,通过根据安全隐患分级数据,对接地监测系统的安全隐患进行详细分析。确定每个隐患级别的维护紧急性和重要性。制定维护周期的标准或规则,例如高风险隐患需要更短的维护周期。结合安全隐患分级数据,确定每个隐患级别对应的维护周期。考虑系统的特性和使用环境,灵活调整维护周期。根据确定的维护周期,生成系统的维护周期数据表。表中包含每个智能传感器自组网络的维护计划,包括维护开始时间、结束时间等信息。在维护周期开始时,启动对智能传感器自组网络的安全维护。对每个传感器进行状态检查、固件更新、电池更换等例行性维护操作。利用远程管理技术,对传感器节点进行远程控制和监测。在维护执行完成后,生成高压直流系统接地监测维护报告。报告应包括维护过程中发现的问题、解决方案、曾经采取的措施等详细信息。通过报告记录系统的健康状况,为未来的维护提供参考。
优选的,步骤S1包括以下步骤:
步骤S11:获取接地系统位置数据;
步骤S12:基于接地系统位置数据进行智能传感器部署,生成传感器部署数据,其中智能传感器部署包括电流传感器、电压传感器、温湿度传感器和水位传感器;
步骤S13:利用传感器部署数据对智能传感器进行传感器校准,生成传感器部署校准数据;通过传感器部署校准数据进行传感器监测数据采集,从而得到智能传感器监测数据;
步骤S14:对智能传感器监测数据进行数据清洗,生成智能传感器监测清洗数据;对智能传感器监测清洗数据进行数据缺失值填充,生成智能传感器监测填充数据;根据最大-最小标准化方法对智能传感器监测填充数据进行数据标准化,生成智能传感器监测标准数据。
本发明通过获取接地系统位置数据,确保了接地系统位置数据的准确性和完整性,为后续的传感器部署提供了可靠的基础。利用接地系统位置数据智能地部署了电流、电压、温湿度和水位传感器,有效覆盖了监测所需的多模参量,提高了监测系统的全面性和有效性。通过传感器部署校准,确保了传感器的准确性和稳定性,提高了监测数据的可信度和精度。对监测数据进行了清洗、缺失值填充和标准化处理,消除了数据中的噪声和异常,提高了数据的质量和可用性,为后续的建模和分析提供了可靠的数据基础。
本发明实施例,通过确定数据来源,可能是现场调查、GPS定位设备、地图数据等。收集接地系统位置数据,并确保数据的准确性和完整性。对数据进行清洗和预处理,去除重复项、异常值和错误数据。基于接地系统位置数据,设计智能传感器部署方案,确保各个区域都能得到有效监测覆盖。根据需要选择并安装电流传感器、电压传感器、温湿度传感器和水位传感器。生成传感器部署数据,记录每个传感器的位置、类型和参数设置。利用传感器部署数据,对智能传感器进行校准,确保其测量结果准确可靠。通过校准后的传感器进行监测数据采集,将采集到的数据存储或传输至数据处理系统。对采集到的智能传感器监测数据进行清洗,去除噪声、异常值和错误数据。对清洗后的数据进行缺失值填充,采用合适的方法填补缺失的数据,如插值、均值填充等。根据最大-最小标准化方法对填充后的数据进行标准化处理,将数据缩放到指定的范围内,以便于后续分析和应用。
优选的,步骤S2包括以下步骤:
步骤S21:对智能传感器监测标准数据进行传感器部署数量分析,生成智能传感器部署数量数据;基于智能传感器部署数量数据对智能传感器进行传感器类型分析,得到智能传感器部署类型数据;
步骤S22:根据智能传感器部署类型数据对智能传感器进行传感器自组网构建,生成智能传感器自组网络;
步骤S23:通过智能传感器自组网络对智能传感器监测标准数据进行快速傅里叶变换处理,生成接地监测频谱图;对接地监测频谱图进行频域特征提取,生成接地监测频域特征数据;基于接地监测频域特征数据进行功率谱密度计算,得到接地监测能量分布数据;
步骤S24:利用滑动窗口方法对接地监测能量分布数据进行时域特征分析,生成接地监测能量时域特征数据;对接地监测能量时域特征数据进行监测周期特征提取,生成接地监测能量时序特征数据。
本发明通过对监测标准数据进行传感器部署数量分析和类型分析,可以优化智能传感器的部署策略,确保在需要监测的区域覆盖合适数量和类型的传感器,提高监测系统的效率和准确性。基于部署类型数据,建立智能传感器的自组网络,使得传感器之间可以实现数据交换和协作,提高系统的整体性能和灵活性。通过快速傅里叶变换处理监测数据,可以得到接地监测频谱图,并提取频域特征,这有助于了解监测数据在频域上的特点和规律,进而计算功率谱密度,从而得到接地监测能量在频域上的分布情况,这些信息对于故障诊断和预测具有重要意义。利用滑动窗口方法对能量分布数据进行时域特征分析,可以得到接地监测能量在时域上的变化规律和特征,进一步对时域特征进行周期性分析,提取监测数据的周期特征,这有助于识别周期性的变化和故障信号,为预防性维护和故障诊断提供支持。
作为本发明的一个实例,参考图2所示,在本实例中所述步骤S2包括:
步骤S21:对智能传感器监测标准数据进行传感器部署数量分析,生成智能传感器部署数量数据;基于智能传感器部署数量数据对智能传感器进行传感器类型分析,得到智能传感器部署类型数据;
本发明实施例中,通过收集智能传感器监测标准数据,这些数据可能包括已部署传感器的位置信息、监测参数数据、监测时间段等。这些数据可以来自现有的监测系统、传感器网络或者其他数据来源。对收集到的监测标准数据进行分析,确定监测区域的范围和需求。根据监测区域的特点、监测目标和监测参数的要求,进行传感器部署数量的分析,确定需要部署的传感器数量以覆盖整个监测区域。根据传感器部署数量分析的结果,生成智能传感器部署数量数据,这些数据可以包括每个区域需要部署的传感器数量、传感器的类型(如温度传感器、湿度传感器等)以及部署位置等信息。基于智能传感器部署数量数据,进行传感器类型的分析。根据监测需求、监测参数以及监测区域的特点,确定需要使用的传感器类型。这可能涉及到选择不同传感器的技术规格、测量范围、精度等方面的考虑。根据传感器类型分析的结果,生成智能传感器部署类型数据,这些数据可以包括每个区域部署的传感器类型、传感器的技术规格和参数等信息。
步骤S22:根据智能传感器部署类型数据对智能传感器进行传感器自组网构建,生成智能传感器自组网络;
本发明实施例中,通过基于智能传感器部署类型数据,设计传感器自组网络的拓扑结构。考虑监测区域的地理布局、传感器的通信范围和类型,确定传感器之间的连接方式,可以采用星型、网状或树状等拓扑结构。选择适当的通信协议,确保传感器之间可以有效地进行通信和数据交换。常用的协议包括物联网标准的CoAP、MQTT,无线传感器网络中的Zigbee、LoRa等。选择协议时要考虑功耗、带宽、传输距离等因素。对每个智能传感器进行识别和初始化,确保传感器具有唯一的标识符,以便在网络中正确识别和定位每个节点。初始化包括配置网络参数、分配地址等操作。实施邻近节点发现机制,使每个传感器节点能够感知附近的其他节点。这可以通过广播、扫描或其他自组网协议提供的机制来实现。建立节点之间的网络连接和路由。使用自组网协议,节点可以自动选择最优的路由路径,确保数据可以高效地传输到目标节点。考虑节点间的信号强度、传输距离等因素,选择合适的路由算法。实施数据同步机制,确保传感器节点之间的数据是同步的。这有助于提高系统的实时性和准确性。共享数据时,考虑安全性和隐私保护,采用加密等手段确保数据传输的安全性。实施网络管理功能,监控传感器自组网络的状态、性能和健康状况。对于网络中断、节点故障等情况,实施自动修复和优化措施,以提高系统的稳定性和可靠性。
步骤S23:通过智能传感器自组网络对智能传感器监测标准数据进行快速傅里叶变换处理,生成接地监测频谱图;对接地监测频谱图进行频域特征提取,生成接地监测频域特征数据;基于接地监测频域特征数据进行功率谱密度计算,得到接地监测能量分布数据;
本发明实施例中,通过使用快速傅里叶变换算法对采集到的接地监测标准数据进行频谱分析。FFT可以将时域数据转换为频域数据,提供了监测信号在不同频率上的分量信息。将经过FFT处理的数据转换为频谱图,横轴表示频率,纵轴表示信号的幅值或功率。通过可视化工具或算法将频谱信息呈现为图形,便于分析和理解监测信号的频域特性。从生成的接地监测频谱图中提取频域特征。常见的频域特征包括主要频率成分、频谱峰值、频谱带宽等。可以使用峰值检测、频谱分析等技术进行特征提取。基于提取的频域特征数据,计算接地监测信号的功率谱密度。功率谱密度表示在不同频率下信号的能量分布情况,是评估信号能量分布的重要指标之一。计算方法包括对频谱图中每个频率分量的幅值或功率进行平方运算。将计算得到的功率谱密度数据以合适的格式保存,作为接地监测能量分布的结果。这些数据可以用于进一步分析、比较、可视化或者与其他数据进行关联。
步骤S24:利用滑动窗口方法对接地监测能量分布数据进行时域特征分析,生成接地监测能量时域特征数据;对接地监测能量时域特征数据进行监测周期特征提取,生成接地监测能量时序特征数据。
本发明实施例中,通过确定滑动窗口的大小和步长。窗口大小决定了每次分析的数据段长度,而步长则控制着窗口之间的重叠程度。将接地监测能量分布数据按照窗口大小和步长进行分段,形成多个重叠的数据段。对每个数据段进行时域特征提取,常见的时域特征包括均值、方差、标准差、最大值、最小值、峰值等。这些特征可以反映信号的振幅、波形、周期性等信息。对时域特征数据进行周期性分析,以确定可能存在的监测周期。针对确定的监测周期,提取相应的周期性特征,如周期内的平均能量、峰值能量、能量变化趋势等。将提取的时域特征和周期特征组合起来,形成接地监测能量时序特征数据。这些数据可以用于描述接地监测能量的时变特性和周期性变化规律。使用编程语言(如Python、MATLAB等)中的相关库或自行实现滑动窗口方法。这包括编写代码来定义窗口大小、步长,并在每个窗口上执行特征提取和分析操作。对提取的时域特征和周期特征进行数据处理和优化,包括去除异常值、平滑处理、归一化等,以提高特征的稳定性和可靠性。
优选的,步骤S22包括以下步骤:
步骤S221:根据智能传感器部署类型数据对智能传感器进行分布式传感器网络构建,生成分布式传感器网络;通过分布式传感器网络对智能传感器进行数据汇集,生成分布式传感器汇集数据;
步骤S222:对分布式传感器汇集数据进行边缘计算节点设置,生成边缘计算节点;利用边缘计算节点对分布式传感器汇集网络进行监测数据优化,生成分布式传感器优化数据;通过流式数据处理引擎对分布式传感器优化数据进行数据流式处理,生成分布式传感器流式处理数据;
步骤S223:对分布式传感器流式处理数据进行分布式存储索引,从而生成分布式监测数据索引表;基于分布式监测数据索引表对智能传感器监测标准数据进行数据查询优化,生成分布式传感器监测查询优化数据;
步骤S224:根据分布式传感器监测查询优化数据进行智能网关构建,生成传感器智能网关数据;通过分布式传感器监测查询优化数据和传感器智能网关数据进行传感器自组网构建,生成智能传感器自组网络。
本发明通过智能传感器部署类型数据,实现了分布式传感器网络的构建。生成了分布式传感器网络,有助于在系统中实现传感器之间的协同工作。通过边缘计算节点的设置,实现了在边缘进行数据处理,减轻了中心服务器的负担。优化了分布式传感器汇集网络的监测数据,提高了系统的效率和响应速度。将流式处理数据进行分布式存储索引,建立了分布式监测数据索引表,有助于快速查询和检索监测数据。数据的索引化提高了数据管理的效率,减少了查询时间。根据监测查询优化数据构建智能网关,有助于管理和控制传感器网络。通过传感器自组网络,实现了传感器之间的智能协作,提高了整个系统的鲁棒性和灵活性。
作为本发明的一个实例,参考图3所示,在本实例中所述步骤S22包括:
步骤S221:根据智能传感器部署类型数据对智能传感器进行分布式传感器网络构建,生成分布式传感器网络;通过分布式传感器网络对智能传感器进行数据汇集,生成分布式传感器汇集数据;
本发明实施例中,通过收集智能传感器的部署类型数据,包括传感器的位置、布局、通信协议等信息。分析这些数据,确定传感器之间的拓扑结构,例如网状、星型、树状等。根据分析得到的部署类型数据,设计并建立分布式传感器网络。根据网络拓扑结构,配置传感器节点之间的通信方式和路由协议,确保传感器之间可以相互通信和数据交换。可能涉及到部署额外的通信设备或者调整传感器节点的位置以优化网络连接。在建立的分布式传感器网络中,设定数据采集的频率和方式。配置传感器节点,使其能够根据预定的采集规则主动采集数据,或者接收来自其他传感器节点的数据。将采集到的数据传输至指定的数据汇集节点,可以是特定的传感器节点,也可以是专门的数据汇集设备。在数据汇集节点或设备上,收集来自分布式传感器网络的数据。对收集到的数据进行处理和整理,可能包括数据清洗、去噪、校正等步骤。生成分布式传感器汇集数据,即汇总整合了所有传感器节点采集的数据。
步骤S222:对分布式传感器汇集数据进行边缘计算节点设置,生成边缘计算节点;利用边缘计算节点对分布式传感器汇集网络进行监测数据优化,生成分布式传感器优化数据;通过流式数据处理引擎对分布式传感器优化数据进行数据流式处理,生成分布式传感器流式处理数据;
本发明实施例中,通过确定边缘计算节点的位置,通常是靠近传感器网络但又能连接到中央数据处理中心的地点。部署边缘计算节点的硬件设备,如服务器、网关等,并配置所需的软件环境,包括操作系统、边缘计算平台等。确保边缘计算节点能够与传感器网络中的节点进行通信,并能够接收和处理传感器汇集数据。在边缘计算节点上部署数据处理算法或模型,用于对传感器汇集数据进行实时监测和优化。实时监测传感器数据的质量和准确性,检测可能存在的异常数据或噪声。对传感器数据进行优化处理,如数据压缩、降噪、滤波等,以提高数据的可用性和准确性。在边缘计算节点上,对经过优化处理的传感器数据进行整合和汇总,生成优化后的分布式传感器数据。这些优化后的数据可能包括更准确的测量数值、更可靠的数据质量指标等。部署流式数据处理引擎,如Apache Kafka、ApacheFlink等,用于处理实时数据流。将优化后的分布式传感器数据输入到流式数据处理引擎中,进行实时的数据流处理。在数据流处理过程中,可以进行复杂的数据分析、模式识别、异常检测等操作,以实现更高级的数据处理和应用。
步骤S223:对分布式传感器流式处理数据进行分布式存储索引,从而生成分布式监测数据索引表;基于分布式监测数据索引表对智能传感器监测标准数据进行数据查询优化,生成分布式传感器监测查询优化数据;
本发明实施例中,通过选择合适的分布式存储系统,如Hadoop HDFS、ApacheCassandra、Amazon S3等,用于存储处理后的传感器流式数据。针对存储系统的特性,设计并实现数据索引方案,以便快速、高效地查询数据。确保索引能够支持分布式存储环境下的数据分片和并行查询,以提高查询性能和扩展性。定期更新索引以反映最新的数据存储情况,确保查询的准确性和及时性。在分布式存储系统中,根据数据的特征和需求,建立监测数据的索引表。索引表应包括关键字段,如时间戳、传感器类型、位置等,以便于快速定位和检索数据。确保索引表的设计能够支持各种类型的查询需求,包括按时间范围、传感器类型、地理位置等条件进行过滤和检索。基于生成的分布式监测数据索引表,设计查询优化算法或工具,用于智能传感器监测标准数据的查询。根据查询需求和条件,利用索引表进行快速定位和过滤数据,减少查询的时间和资源消耗。考虑到数据分布、查询频率等因素,对查询执行计划进行优化,以提高查询性能和效率。在查询过程中,根据查询优化算法的结果,生成优化后的监测查询数据。这些优化后的数据可能包括更快速的查询响应时间、更高效的资源利用等特点,以满足实时监测和查询的需求。
步骤S224:根据分布式传感器监测查询优化数据进行智能网关构建,生成传感器智能网关数据;通过分布式传感器监测查询优化数据和传感器智能网关数据进行传感器自组网构建,生成智能传感器自组网络。
本发明实施例中,通过为构建智能网关,首先需要选择适合的硬件平台,如Raspberry Pi、NVIDIA Jetson等,并安装适当的操作系统和相关软件框架,如Linux操作系统和Docker容器化平台。在智能网关上部署数据处理和通信模块,用于接收来自分布式传感器的数据流,对数据进行处理和分析,并与其他传感器或系统进行通信。基于步骤S223中生成的传感器监测查询优化数据,设计并集成查询优化功能到智能网关中,以实现对传感器数据的高效查询和分析。在智能网关上实施安全措施,如数据加密、访问控制等,以保护传感器数据的安全性。同时,确保智能网关的稳定性和可靠性,以保证系统的正常运行。根据传感器的类型、数量和部署环境,确定合适的通信协议和网络拓扑结构,如无线传感器网络(WSN)的拓扑结构可以是星型、网状型或混合型等。针对每个传感器节点,配置必要的硬件和软件,并根据网络拓扑结构进行部署,确保节点之间的通信范围和覆盖面。基于传感器监测查询优化数据和智能网关数据,设计并实现传感器自组网的协议和算法,用于节点之间的自动发现、路由选择和数据传输,以构建智能传感器自组网络。在设计自组网协议和算法时,考虑能源管理和网络优化策略,以延长传感器节点的电池寿命,并优化网络性能和资源利用率。
优选的,步骤S224包括以下步骤:
步骤S2241:对分布式传感器监测查询优化数据进行智能网关设备部署,生成智能网关设备数据;对智能网关设备数据进行无线网络参数设置,生成无线网络配置数据;
步骤S2242:基于智能网关设备和智能传感器进行网状网络构建,生成传感器智能网关数据;根据智能网关设备数据和分布式传感器监测查询优化数据对传感器智能网关数据进行网络拓扑分析,生成自组网拓扑数据;
步骤S2243:通过智能网关设备对自组网拓扑数据进行数据传输指令调整,从而生成传感器数据传输协作机制;利用传感器数据传输协作机制对自组网拓扑数据进行动态路由监控,生成动态路由监控数据;
步骤S2244:根据用户访问控制权限划分公式对动态路由监控数据进行自组网网关访问控制划分,生成自组网网关访问划分数据;根据自组网网关访问划分数据对传感器智能网关数据进行防火墙构建,生成智能传感器自组网络。
本发明通过部署智能网关设备有助于提高传感器数据的处理能力和响应速度,为整个系统提供更强大的计算和存储能力。通过合理配置无线网络参数,可以优化通信质量,提高数据传输的稳定性和效率,确保传感器数据的可靠性。基于智能网关设备和智能传感器构建网状网络有助于传感器之间的高效通信,提高网络覆盖范围和灵活性。通过网络拓扑分析生成的自组网拓扑数据为系统提供了关键信息,可用于优化数据传输路由和节点之间的通信方式。通过智能网关设备对自组网拓扑数据进行调整,生成传感器数据传输协作机制,有助于协调传感器节点之间的数据传输,提高数据传输的效率和可靠性。利用用户访问控制权限划分公式对动态路由监控数据进行自组网网关访问控制划分,有助于管理和优化用户对传感器网络的访问权限,提高网络的安全性和隐私保护。根据自组网网关访问划分数据构建防火墙有助于过滤恶意访问和保护传感器网络免受潜在的安全威胁。
作为本发明的一个实例,参考图4所示,在本实例中所述步骤S224包括:
步骤S2241:对分布式传感器监测查询优化数据进行智能网关设备部署,生成智能网关设备数据;对智能网关设备数据进行无线网络参数设置,生成无线网络配置数据;
本发明实施例中,通过根据实际情况确定智能网关设备的部署位置,确保能够最大程度地覆盖传感器节点并保证通信质量。将智能网关设备安装在已确定的位置,确保设备安全稳固地安装在合适的高度或位置,以便于其能够有效地接收来自传感器节点的数据并进行处理。确保智能网关设备接通电源并连接到网络,以便进行后续的配置和数据传输操作。对智能网关设备进行初始化设置,包括设定基本参数、网络连接配置等。根据应用场景和要求选择适当的无线通信协议,如Wi-Fi、Zigbee、LoRa等。在智能网关设备上设置无线网络参数,包括网络名称(SSID)、加密方式、密码等,确保无线网络的安全性和稳定性。根据周围环境和可能的干扰源,调整无线网络的信道设置,以减少信道干扰和提高通信质量。根据传感器节点的位置和通信距离需求,调整无线网络设备的传输功率,以平衡能耗和通信范围。
步骤S2242:基于智能网关设备和智能传感器进行网状网络构建,生成传感器智能网关数据;根据智能网关设备数据和分布式传感器监测查询优化数据对传感器智能网关数据进行网络拓扑分析,生成自组网拓扑数据;
本发明实施例中,通过识别并确认智能网关设备和智能传感器的位置和标识信息,以便后续构建网状网络。将智能传感器与最近的智能网关设备建立连接,确保传感器能够通过网关进行数据传输和通信。对于那些具有直接通信能力的传感器,直接建立彼此之间的连接,以增强网络的稳定性和灵活性。在已建立的传感器和网关之间建立多种路径的连接,形成网状拓扑结构,提高网络的可靠性和覆盖范围。收集智能网关设备的数据,包括其位置、连接状态、网络负载等信息。收集分布式传感器监测查询优化数据,了解各个传感器节点的状态和监测数据。结合智能网关设备数据和传感器监测数据,利用网络分析算法对传感器智能网关数据进行拓扑分析,找出最佳的网络连接路径和优化方案。根据分析结果,生成自组网拓扑数据,包括节点之间的连接关系、传输路径、数据传输优先级等信息,以供后续网络管理和优化使用。
步骤S2243:通过智能网关设备对自组网拓扑数据进行数据传输指令调整,从而生成传感器数据传输协作机制;利用传感器数据传输协作机制对自组网拓扑数据进行动态路由监控,生成动态路由监控数据;
本发明实施例中,通过从智能网关设备中获取当前的自组网拓扑数据,包括节点之间的连接状态、数据传输路径等信息。利用收集到的拓扑数据,分析网络中的节点关系和数据传输状况,识别潜在的瓶颈和性能瓶颈。基于分析结果,智能网关设备制定数据传输指令,调整传感器之间的数据传输路径和优先级,以优化网络性能。根据制定的数据传输指令,智能网关设备通过与传感器通信,调整数据传输路径,确保数据经过最优的网络节点进行传输。制定协作机制,协调传感器之间的数据传输时间,避免数据冲突和碰撞,提高数据传输效率。在数据传输过程中,实时监测数据传输状态,确保数据的可靠性和完整性。在实施过程中,通过智能网关设备实时监测传感器之间的数据传输状态,包括延迟、丢包率等指标。根据监测到的数据,动态调整传感器之间的数据传输路径,以适应网络状态的变化,确保始终选择最优的传输路径。收集和整理动态路由调整的信息,生成动态路由监控数据,包括路由变化记录、性能指标等,用于网络管理和优化。
步骤S2244:根据用户访问控制权限划分公式对动态路由监控数据进行自组网网关访问控制划分,生成自组网网关访问划分数据;根据自组网网关访问划分数据对传感器智能网关数据进行防火墙构建,生成智能传感器自组网络。
本发明实施例中,通过根据用户需求和安全策略,制定自组网网关访问控制划分的公式或规则,包括对动态路由监控数据的访问权限划分。将动态路由监控数据输入到访问控制划分公式中,根据公式计算每个用户或用户组对监控数据的访问权限。根据计算结果,生成自组网网关访问划分数据,明确每个用户或用户组可以访问的监控数据范围和权限等级。利用生成的自组网网关访问划分数据,对传感器智能网关进行防火墙配置,限制对监控数据的访问权限。设计智能传感器自组网络的架构,包括智能网关、传感器节点和数据传输通道等组成部分,确保网络连接稳定可靠。在智能网关上配置防火墙策略,根据访问划分数据,设置访问控制规则,阻止未经授权的访问,保护监控数据的安全性和隐私性。根据实际需求和性能要求,对智能传感器自组网络进行优化调整,包括带宽分配、数据传输优化等,以提升网络效率和性能。建立网络监控系统,实时监测智能传感器自组网络的运行状态和数据传输情况,及时发现并解决潜在问题,确保网络安全稳定运行。
优选的,步骤S2244中的用户访问控制权限划分公式具体如下:
;
式中,表示为用户的访问权限,/>表示为监控时间段,/>表示为用户数量,/>表示为第/>个用户的权重,/>表示为第/>个用户的访问量,/>表示为第/>个资源的权重,/>表示为第个资源的需求量,/>表示为网络负载的权重,/>表示为网络负载。
本发明通过分析并整合了一种身份共享等级匹配公式,公式中的积分项保证了权限分配的动态性,能够根据实时数据不断调整用户的访问权限。这样可以在网络变化时及时做出反应,确保网络资源的高效利用。通过和/>权重,可以根据不同用户和资源的重要性来调节其访问权限。这样能够更合理地分配权限,保证关键用户和资源的稳定访问。用户访问量/>的影响使得公式能够根据用户的实际行为调整权限。如果某个用户在特定时间段内的访问量很高,可以相应增加其权限,提高其访问效率。网络负载 />的考虑使得公式能够根据网络状态调整权限。当网络负载较高时,通过/>的调节,可以降低用户的访问权限,避免网络拥堵,保障网络的稳定性。这些参数之间的复杂交互作用能够实现整体的优化,使得在给定的监控时间段内,用户的访问权限既能够满足需求,又能够充分利用网络资源,同时确保网络的稳定运行。在使用本领域常规的用户访问控制权限划分公式时,可以得到用户的访问权限,通过应用本发明提供的用户访问控制权限划分公式,可以更加精确的计算出用户的访问权限。通过综合考虑身份共享等级、匹配参考等级、修正系数、修正因子以及时间范围,上述公式通过综合考虑多个因素,能够实现用户访问控制权限的动态划分,并在保障用户需求的同时,最大程度地优化了网络资源的利用和网络的稳定性。
优选的,步骤S3包括以下步骤:
步骤S31:对接地监测能量时序特征数据进行历史数据收集,生成历史接地监测能量时序特征数据;将历史接地监测能量时序特征数据进行数据集划分,生成模型训练集和模型测试集;
步骤S32:通过支持向量机算法对模型训练集进行模型训练,生成安全隐患训练模型;利用模型测试集对安全隐患训练模型进行模型测试,从而生成安全隐患预测模型;
步骤S33:将接地监测能量时序特征数据导入至安全隐患预测模型中进行安全隐患预测,生成安全隐患预测数据;利用安全隐患异常分析公式对安全隐患预测数据进行风险量化,生成异常安全隐患系数;
步骤S34:将异常安全隐患系数和预设的标准预警阈值进行对比,当异常安全隐患系数大于或等于预设的标准预警阈值时,则进行警报处理;当异常安全隐患系数小雨预设的标准预警阈值时,则对安全隐患预测数据进行隐患分级,生成安全隐患分级数据。
本发明通过支持向量机算法对模型训练集进行训练,生成安全隐患训练模型。这种算法通常用于分类和回归分析,对于安全隐患的预测效果可能较好。利用模型测试集对训练好的模型进行测试,以评估模型的准确性和泛化能力。将实时的接地监测能量时序特征数据导入训练好的安全隐患预测模型中,生成安全隐患预测数据。利用安全隐患异常分析公式对预测数据进行风险量化,生成异常安全隐患系数。这有助于量化预测结果的可信度和风险程度。将异常安全隐患系数与预设的标准预警阈值进行对比。这可以有效地识别潜在的安全问题。当异常安全隐患系数大于或等于预设的标准预警阈值时,系统触发警报处理,可能包括通知相关人员或系统的紧急措施。当异常安全隐患系数小于预设的标准预警阈值时,对安全隐患预测数据进行隐患分级。这有助于系统对不同风险水平的隐患进行有效的管理和响应。系统能够实时监测接地监测能量时序特征数据,预测潜在的安全隐患,从而提前采取必要的措施。通过异常安全隐患系数和分级数据,系统能够量化风险并采取相应的措施,提高系统的整体安全性。
本发明实施例中,通过收集接地监测能量时序特征数据,可以通过传感器、监测设备等方式获取数据,并将其存储在数据库或数据仓库中。将收集到的历史数据进行划分,一部分作为模型训练集,用于训练预测模型;另一部分作为模型测试集,用于评估模型性能。可以采用交叉验证或者随机划分的方式进行数据集的划分。选择支持向量机算法作为预测模型的基础算法,因其在处理复杂数据和分类问题上具有一定优势。使用模型训练集对支持向量机模型进行训练,通过优化算法调整模型参数,使其能够更好地拟合数据特征。使用模型测试集对训练好的模型进行测试,评估其预测性能,包括准确率、召回率、F1值等指标。将实时获取的接地监测能量时序特征数据导入训练好的支持向量机模型中,进行安全隐患的预测。对预测数据应用安全隐患异常分析公式,将预测结果转化为异常安全隐患系数,用于评估预测结果的风险程度。将计算得到的异常安全隐患系数与预设的标准预警阈值进行比较。若异常安全隐患系数超过或等于预设的标准预警阈值,则触发警报处理机制,警示相关人员或系统进行处理。若异常安全隐患系数低于预设的标准预警阈值,则对预测数据进行隐患分级,确定其安全隐患的级别,以便采取适当的措施处理。
优选的,步骤S33中的安全隐患异常分析公式具体如下:
;
式中,表示为安全隐患的异常系数,/>表示为时间的起始点,/>表示为时间的终止点,/>表示为第/>个安全隐患的权重,/>表示为第 />个安全隐患的概率,/>表示为第/>个安全隐患的时间系数,/>表示为第/>个安全隐患的风险系数,/>表示为特定安全隐患的相关数据,/>表示为特定安全隐患的规模系数,/>表示为特定安全隐患的复杂性系数,/>表示为特定安全隐患的可行性系数,/>表示为特定安全隐患的影响系数,/>表示为特定安全隐患的损失程度,/>表示为特定安全隐患的质量系数,/>表示为安全分析时间点。
本发明通过分析并整合了一种安全隐患异常分析公式,公式的原理为对于给定的时间范围(从到/>),公式对各个安全隐患进行综合评估,最终得到安全隐患的异常系数。公式通过对各个安全隐患的权重/>、概率/>和相关参数的乘积进行求和,反映了各个安全隐患在整体风险中的贡献程度。公式中的修正项包括数据的平方根除以规模系数/>、复杂性系数/>的对数除以可行性系数/>,以及指数项/>,用于调整风险的影响程度。最后,通过对整个表达式进行积分,对时间范围内的各个安全隐患进行综合考量,得到安全隐患的异常系数/>。通过调整各个安全隐患的重要性和发生概率,可以对不同安全隐患的风险进行加权处理,使得更重要且更可能发生的安全隐患在计算中占据更大的比重。通过设置不同的时间系数和风险系数,可以考虑到不同安全隐患在不同时间段内的变化趋势和风险水平,从而更准确地评估安全隐患的异常系数。通过调整特定安全隐患的规模、复杂性和可行性,可以考虑到特定安全隐患的具体特征和条件,使得对不同类型的安全隐患进行更准确的风险量化。通过设置影响系数、损失程度和质量系数,可以更准确地估计特定安全隐患对整体风险的贡献,并考虑到安全隐患的影响程度、损失程度和质量因素。在使用本领域常规的安全隐患异常分析公式时,可以得到安全隐患的异常系数,通过应用本发明提供的安全隐患异常分析公式,可以更加精确的计算出安全隐患的异常系数。通过调整公式中的各个参数,我们可以根据不同安全隐患的特点和条件,以及其在整体风险中的贡献程度,对安全隐患进行综合评估和量化分析。这有助于识别和优先处理高风险的安全隐患,提高安全管理和决策的准确性,并采取相应的风险控制措施,以降低潜在的安全风险。
优选的,步骤S4包括以下步骤:
步骤S41:根据安全隐患分级数据进行高压直流接地隐患分类,生成接地隐患分类数据;对接地隐患分类数据进行维护周期确定,生成系统维护周期数据;
步骤S42:通过系统维护周期数据对智能传感器自组网络进行安全维护执行,生成高压直流系统维护数据;利用可视化方法对高压直流系统维护数据进行数据可视化,生成高压直流系统接地监测维护报告。
本发明通过对安全隐患分级数据进行分类,可以更加清晰地了解不同级别接地隐患的性质和危害程度,有针对性地采取相应的维护和处理措施。确定接地隐患分类数据的维护周期,有助于规划和安排系统维护工作,提高维护效率和资源利用率。借助系统维护周期数据,可以及时对智能传感器自组网络进行安全维护和执行,包括设备检修、数据校准、通信网络优化等,确保系统的正常运行和性能稳定。通过系统维护执行,可以预防和减少潜在的故障和安全隐患,提高系统的可靠性和安全性。利用可视化方法对高压直流系统维护数据进行展示和分析,可以直观地了解系统运行状态、维护情况和存在的问题,为决策提供依据和支持。生成高压直流系统接地监测维护报告,有助于向相关部门或管理者汇报系统的维护情况、安全状况和改进建议,促进问题的及时解决和改进措施的落实。通过步骤S4的实施,可以提高系统运行的稳定性和安全性,减少因接地隐患而引发的故障和事故,降低系统维护成本和安全风险。同时,定期的维护和监测工作有助于延长系统设备的使用寿命,保障设备的长期稳定运行,为企业或机构带来经济和社会效益。
本发明实施例中,通过收集高压直流系统的安全隐患分级数据,可能包括历史事故记录、设备检测报告、维护日志等。开发或选择合适的算法,基于安全隐患分级数据对接地隐患进行分类。这可能涉及机器学习、统计分析等方法。根据算法对系统中的接地隐患进行分类,生成接地隐患分类数据。设计算法,根据接地隐患分类数据确定维护周期。考虑不同隐患等级可能需要不同的维护频率。根据确定的维护周期,生成系统维护周期数据。这可以是一个维护计划,包括维护频率、维护内容等信息。部署智能传感器自组网络,确保网络覆盖高压直流系统的关键区域。这可能包括传感器的安装和配置。开发或使用安全维护执行系统,根据系统维护周期数据,定期对智能传感器自组网络进行维护。这可能包括设备检修、固件升级、数据校准等。在维护执行过程中,记录维护的详细信息,包括执行时间、维护内容、发现的问题等。这些数据用于生成维护报告。使用可视化工具对高压直流系统维护数据进行可视化,以便用户直观地了解系统的状态和维护情况。这可能包括图表、仪表盘、地图等形式。基于可视化结果和维护执行记录,生成高压直流系统接地监测维护报告。报告应包括系统整体状况、维护执行情况、可能的风险和建议改进措施。
在本说明书中,提供了一种高压直流系统,用于执行上述的高压直流接地监测与保护分析方法,该高压直流系统包括:
数据采集模块,用于获取接地系统位置数据;基于接地系统位置数据进行监测数据采集,从而得到智能传感器监测数据;对智能传感器监测数据进行数据预处理,生成智能传感器监测标准数据;
自组网模块,用于基于智能传感器监测标准数据进行传感器自组网构建,生成智能传感器自组网络;通过智能传感器自组网络对智能传感器监测标准数据进行功率谱密度计算,得到接地监测能量分布数据;对接地监测能量分布数据进行监测周期特征提取,生成接地监测能量时序特征数据;
安全隐患预测模块,用于对接地监测能量时序特征数据进行历史数据收集,生成历史接地监测能量时序特征数据;对历史接地监测能量时序特征数据进行模型训练,生成安全隐患预测模型;将接地监测能量时序特征数据导入至安全隐患预测模型中进行安全隐患预测,生成安全隐患预测数据;对安全隐患预测数据进行隐患分级,生成安全隐患分级数据;
维护执行模块,用于根据安全隐患分级数据进行维护周期确定,生成系统维护周期数据;通过系统维护周期数据对智能传感器自组网络进行安全维护执行,生成高压直流系统接地监测维护报告。
本发明的有益效果在于通过智能传感器监测数据的实时采集和数据预处理,可以及时获得关键的接地监测信息。标准化的监测数据有助于提高数据质量和可比性。通过智能传感器自组网络的构建,系统可以实现更广泛的监测范围和更高效的数据处理。分布式计算的使用有助于加快功率谱密度计算等计算密集型任务,提高系统响应速度。利用历史接地监测能量时序特征数据进行模型训练,系统可以学习历史性的隐患模式。这使得系统能够更准确地预测未来的安全隐患,为维护提供更精准的指导。通过对安全隐患预测数据进行分级,系统可以根据紧急程度和严重性有针对性地进行维护。这有助于优化资源分配,提高维护效率。根据安全隐患分级数据确定维护周期,使得维护更具针对性。定期的维护可以有效预防潜在问题,提高系统的稳定性和可靠性。生成高压直流系统接地监测维护报告,为管理层提供清晰的维护信息和建议,支持决策过程。因此,本发明通过智能传感器数据处理、自组网络构建、安全隐患预测和系统维护周期确定,提高了HVDC系统的安全性和精准性。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种高压直流系统接地监测与保护分析方法,其特征在于,包括以下步骤:
步骤S1:获取接地系统位置数据;基于接地系统位置数据进行监测数据采集,从而得到智能传感器监测数据;对智能传感器监测数据进行数据预处理,生成智能传感器监测标准数据;
步骤S2:基于智能传感器监测标准数据进行传感器自组网构建,生成智能传感器自组网络;通过智能传感器自组网络对智能传感器监测标准数据进行功率谱密度计算,得到接地监测能量分布数据;对接地监测能量分布数据进行监测周期特征提取,生成接地监测能量时序特征数据;步骤S2包括以下步骤:
步骤S21:对智能传感器监测标准数据进行传感器部署数量分析,生成智能传感器部署数量数据;基于智能传感器部署数量数据对智能传感器进行传感器类型分析,得到智能传感器部署类型数据;
步骤S22:根据智能传感器部署类型数据对智能传感器进行传感器自组网构建,生成智能传感器自组网络;
步骤S23:通过智能传感器自组网络对智能传感器监测标准数据进行快速傅里叶变换处理,生成接地监测频谱图;对接地监测频谱图进行频域特征提取,生成接地监测频域特征数据;基于接地监测频域特征数据进行功率谱密度计算,得到接地监测能量分布数据;
步骤S24:利用滑动窗口方法对接地监测能量分布数据进行时域特征分析,生成接地监测能量时域特征数据;对接地监测能量时域特征数据进行监测周期特征提取,生成接地监测能量时序特征数据;
步骤S3:对接地监测能量时序特征数据进行历史数据收集,生成历史接地监测能量时序特征数据;对历史接地监测能量时序特征数据进行模型训练,生成安全隐患预测模型;将接地监测能量时序特征数据导入至安全隐患预测模型中进行安全隐患预测,生成安全隐患预测数据;对安全隐患预测数据进行隐患分级,生成安全隐患分级数据;
步骤S4:根据安全隐患分级数据进行维护周期确定,生成系统维护周期数据;通过系统维护周期数据对智能传感器自组网络进行安全维护执行,生成高压直流系统接地监测维护报告。
2.根据权利要求1所述的高压直流系统接地监测与保护分析方法,其特征在于,步骤S1包括以下步骤:
步骤S11:获取接地系统位置数据;
步骤S12:基于接地系统位置数据进行智能传感器部署,生成传感器部署数据,其中智能传感器部署包括电流传感器、电压传感器、温湿度传感器和水位传感器;
步骤S13:利用传感器部署数据对智能传感器进行传感器校准,生成传感器部署校准数据;通过传感器部署校准数据进行传感器监测数据采集,从而得到智能传感器监测数据;
步骤S14:对智能传感器监测数据进行数据清洗,生成智能传感器监测清洗数据;对智能传感器监测清洗数据进行数据缺失值填充,生成智能传感器监测填充数据;根据最大-最小标准化方法对智能传感器监测填充数据进行数据标准化,生成智能传感器监测标准数据。
3.根据权利要求1所述的高压直流系统接地监测与保护分析方法,其特征在于,步骤S22包括以下步骤:
步骤S221:根据智能传感器部署类型数据对智能传感器进行分布式传感器网络构建,生成分布式传感器网络;通过分布式传感器网络对智能传感器进行数据汇集,生成分布式传感器汇集数据;
步骤S222:对分布式传感器汇集数据进行边缘计算节点设置,生成边缘计算节点;利用边缘计算节点对分布式传感器汇集网络进行监测数据优化,生成分布式传感器优化数据;通过流式数据处理引擎对分布式传感器优化数据进行数据流式处理,生成分布式传感器流式处理数据;
步骤S223:对分布式传感器流式处理数据进行分布式存储索引,从而生成分布式监测数据索引表;基于分布式监测数据索引表对智能传感器监测标准数据进行数据查询优化,生成分布式传感器监测查询优化数据;
步骤S224:根据分布式传感器监测查询优化数据进行智能网关构建,生成传感器智能网关数据;通过分布式传感器监测查询优化数据和传感器智能网关数据进行传感器自组网构建,生成智能传感器自组网络。
4.根据权利要求3所述的高压直流系统接地监测与保护分析方法,其特征在于,步骤S224包括以下步骤:
步骤S2241:对分布式传感器监测查询优化数据进行智能网关设备部署,生成智能网关设备数据;对智能网关设备数据进行无线网络参数设置,生成无线网络配置数据;
步骤S2242:基于智能网关设备和智能传感器进行网状网络构建,生成传感器智能网关数据;根据智能网关设备数据和分布式传感器监测查询优化数据对传感器智能网关数据进行网络拓扑分析,生成自组网拓扑数据;
步骤S2243:通过智能网关设备对自组网拓扑数据进行数据传输指令调整,从而生成传感器数据传输协作机制;利用传感器数据传输协作机制对自组网拓扑数据进行动态路由监控,生成动态路由监控数据;
步骤S2244:根据用户访问控制权限划分公式对动态路由监控数据进行自组网网关访问控制划分,生成自组网网关访问划分数据;根据自组网网关访问划分数据对传感器智能网关数据进行防火墙构建,生成智能传感器自组网络。
5.根据权利要求4所述的高压直流系统接地监测与保护分析方法,其特征在于,步骤S2244中的用户访问控制权限划分公式如下所示:
;
式中,表示为用户的访问权限,/>表示为监控时间段,/>表示为用户数量,/>表示为第/>个用户的权重,/>表示为第/>个用户的访问量,/>表示为第/>个资源的权重,表示为第/>个资源的需求量,/>表示为网络负载的权重,/>表示为网络负载。
6.根据权利要求1所述的高压直流系统接地监测与保护分析方法,其特征在于,步骤S3包括以下步骤:
步骤S31:对接地监测能量时序特征数据进行历史数据收集,生成历史接地监测能量时序特征数据;将历史接地监测能量时序特征数据进行数据集划分,生成模型训练集和模型测试集;
步骤S32:通过支持向量机算法对模型训练集进行模型训练,生成安全隐患训练模型;利用模型测试集对安全隐患训练模型进行模型测试,从而生成安全隐患预测模型;
步骤S33:将接地监测能量时序特征数据导入至安全隐患预测模型中进行安全隐患预测,生成安全隐患预测数据;利用安全隐患异常分析公式对安全隐患预测数据进行风险量化,生成异常安全隐患系数;
步骤S34:将异常安全隐患系数和预设的标准预警阈值进行对比,当异常安全隐患系数大于或等于预设的标准预警阈值时,则进行警报处理;当异常安全隐患系数小雨预设的标准预警阈值时,则对安全隐患预测数据进行隐患分级,生成安全隐患分级数据。
7.根据权利要求6所述的高压直流系统接地监测与保护分析方法,其特征在于,步骤S33中的安全隐患异常分析公式如下所示:
;
式中,表示为安全隐患的异常系数,/>表示为时间的起始点,/>表示为时间的终止点,/>表示为第/>个安全隐患的权重,/>表示为第/>个安全隐患的概率,/>表示为第/>个安全隐患的时间系数,/>表示为第/>个安全隐患的风险系数,/>表示为特定安全隐患的相关数据,/>表示为特定安全隐患的规模系数,/>表示为特定安全隐患的复杂性系数,/>表示为特定安全隐患的可行性系数,/>表示为特定安全隐患的影响系数,表示为特定安全隐患的损失程度,/>表示为特定安全隐患的质量系数,/>表示为安全分析时间点。
8.根据权利要求1所述的高压直流系统接地监测与保护分析方法,其特征在于,步骤S4包括以下步骤:
步骤S41:根据安全隐患分级数据进行高压直流接地隐患分类,生成接地隐患分类数据;对接地隐患分类数据进行维护周期确定,生成系统维护周期数据;
步骤S42:通过系统维护周期数据对智能传感器自组网络进行安全维护执行,生成高压直流系统维护数据;利用可视化方法对高压直流系统维护数据进行数据可视化,生成高压直流系统接地监测维护报告。
9.一种高压直流系统,其特征在于,用于执行如权利要求1所述的高压直流系统接地监测与保护分析方法,该高压直流系统包括:
数据采集模块,用于获取接地系统位置数据;基于接地系统位置数据进行监测数据采集,从而得到智能传感器监测数据;对智能传感器监测数据进行数据预处理,生成智能传感器监测标准数据;
自组网模块,用于基于智能传感器监测标准数据进行传感器自组网构建,生成智能传感器自组网络;通过智能传感器自组网络对智能传感器监测标准数据进行功率谱密度计算,得到接地监测能量分布数据;对接地监测能量分布数据进行监测周期特征提取,生成接地监测能量时序特征数据;
安全隐患预测模块,用于对接地监测能量时序特征数据进行历史数据收集,生成历史接地监测能量时序特征数据;对历史接地监测能量时序特征数据进行模型训练,生成安全隐患预测模型;将接地监测能量时序特征数据导入至安全隐患预测模型中进行安全隐患预测,生成安全隐患预测数据;对安全隐患预测数据进行隐患分级,生成安全隐患分级数据;
维护执行模块,用于根据安全隐患分级数据进行维护周期确定,生成系统维护周期数据;通过系统维护周期数据对智能传感器自组网络进行安全维护执行,生成高压直流系统接地监测维护报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410276893.6A CN117878821B (zh) | 2024-03-12 | 2024-03-12 | 一种高压直流系统接地监测与保护分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410276893.6A CN117878821B (zh) | 2024-03-12 | 2024-03-12 | 一种高压直流系统接地监测与保护分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117878821A CN117878821A (zh) | 2024-04-12 |
CN117878821B true CN117878821B (zh) | 2024-06-04 |
Family
ID=90595274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410276893.6A Active CN117878821B (zh) | 2024-03-12 | 2024-03-12 | 一种高压直流系统接地监测与保护分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117878821B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1724684A1 (en) * | 2005-05-17 | 2006-11-22 | BUSI Incubateur d'entreprises d'AUVEFGNE | System and method for task scheduling, signal analysis and remote sensor |
EP3062185A1 (de) * | 2015-02-27 | 2016-08-31 | Siemens Aktiengesellschaft | Modelbasiertes schutzsystem für elektrische systeme |
CN111367187A (zh) * | 2015-08-27 | 2020-07-03 | 雾角系统公司 | 用于改进对分布式网络中的传感器流数据的处理的方法 |
US11146103B1 (en) * | 2017-11-21 | 2021-10-12 | University Of Hawai'i | Distribution grid monitoring |
CN115409335A (zh) * | 2022-08-15 | 2022-11-29 | 广东电网有限责任公司广州供电局 | 基于深度学习考虑未知扰动类型的电力系统扰动识别方法 |
CN115792457A (zh) * | 2022-12-06 | 2023-03-14 | 安徽大学 | 一种基于边缘计算的台区采集故障诊断与分析方法及系统 |
CN116222663A (zh) * | 2023-03-08 | 2023-06-06 | 中国石油大学(北京) | 一种级联式边缘智能监测方法、装置、电子设备及介质 |
CN117251812A (zh) * | 2023-09-22 | 2023-12-19 | 河南博兆电子科技有限公司 | 一种基于大数据分析的高压电力线路运行故障检测方法 |
CN117370925A (zh) * | 2023-10-10 | 2024-01-09 | 安徽继远软件有限公司 | 一种基于ai技术的智能配网巡检无人机及巡检方法 |
CN117554752A (zh) * | 2023-12-24 | 2024-02-13 | 北京松岛菱电电力工程有限公司 | 电力电缆故障在线检测系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10212024B2 (en) * | 2017-06-02 | 2019-02-19 | Sas Institute Inc. | Techniques for multi-stage analysis of measurement data with event stream processing |
-
2024
- 2024-03-12 CN CN202410276893.6A patent/CN117878821B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1724684A1 (en) * | 2005-05-17 | 2006-11-22 | BUSI Incubateur d'entreprises d'AUVEFGNE | System and method for task scheduling, signal analysis and remote sensor |
EP3062185A1 (de) * | 2015-02-27 | 2016-08-31 | Siemens Aktiengesellschaft | Modelbasiertes schutzsystem für elektrische systeme |
CN111367187A (zh) * | 2015-08-27 | 2020-07-03 | 雾角系统公司 | 用于改进对分布式网络中的传感器流数据的处理的方法 |
US11146103B1 (en) * | 2017-11-21 | 2021-10-12 | University Of Hawai'i | Distribution grid monitoring |
CN115409335A (zh) * | 2022-08-15 | 2022-11-29 | 广东电网有限责任公司广州供电局 | 基于深度学习考虑未知扰动类型的电力系统扰动识别方法 |
CN115792457A (zh) * | 2022-12-06 | 2023-03-14 | 安徽大学 | 一种基于边缘计算的台区采集故障诊断与分析方法及系统 |
CN116222663A (zh) * | 2023-03-08 | 2023-06-06 | 中国石油大学(北京) | 一种级联式边缘智能监测方法、装置、电子设备及介质 |
CN117251812A (zh) * | 2023-09-22 | 2023-12-19 | 河南博兆电子科技有限公司 | 一种基于大数据分析的高压电力线路运行故障检测方法 |
CN117370925A (zh) * | 2023-10-10 | 2024-01-09 | 安徽继远软件有限公司 | 一种基于ai技术的智能配网巡检无人机及巡检方法 |
CN117554752A (zh) * | 2023-12-24 | 2024-02-13 | 北京松岛菱电电力工程有限公司 | 电力电缆故障在线检测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117878821A (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3110198B1 (en) | Wi-fi access points performance management | |
US11638160B2 (en) | System, method, and apparatus for providing dynamic, prioritized spectrum management and utilization | |
US20140223555A1 (en) | Method and system for improving security threats detection in communication networks | |
CN109034400B (zh) | 一种变电站异常量测数据预测平台系统 | |
TWI721693B (zh) | 基於行動物聯網之網路行為異常偵測系統及方法 | |
CN117010863A (zh) | 一种基于物联网技术的市政管网健康度在线监测系统和方法 | |
CN116633978B (zh) | 基于物联网的污水处理远程监控系统 | |
CN113473514B (zh) | 电力无线专网故障诊断模型训练方法、诊断方法及装置 | |
CN105242128A (zh) | 基于模糊神经网络的避雷器在线监测系统 | |
CN117041312A (zh) | 基于物联网的企业级信息技术监控系统 | |
CN115033450A (zh) | 一种基于分布式的贝叶斯集群监控预警分析方法 | |
CN104238521A (zh) | 海上风电场远程管理系统 | |
CN117878821B (zh) | 一种高压直流系统接地监测与保护分析方法 | |
CN117494009A (zh) | 基于绝缘材料热解分析的电气设备状态评估方法及云平台 | |
CN114693111A (zh) | 变电站少油设备智能监测分析系统及方法 | |
KR102097772B1 (ko) | 풍력발전 종합관리용 플랫폼 시스템 | |
CN117878925B (zh) | 一种智能电网的输电数据控制方法及系统 | |
CN204044617U (zh) | 海上风电场远程管理系统 | |
CN117786372B (zh) | 基于机器学习的分布式光伏发电数据处理方法及系统 | |
CN118094262B (zh) | 一种基于空间聚类的负荷异常值检测方法 | |
CN117768013B (zh) | 一种卫星地面站链路的智能运维系统 | |
KR20220075164A (ko) | IoT 디바이스를 포함하는 시스템의 이상 탐지 장치 및 방법 | |
CN117302297A (zh) | 用于列车边缘通信的安全防护系统、方法、设备及介质 | |
CN117808627A (zh) | 能耗监管方法以及相关装置 | |
KR20240096961A (ko) | Ami 장애복구 대상설비 추천 시스템 및 방법 |
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 |