CN117909864A - 一种电力故障预测系统及方法 - Google Patents
一种电力故障预测系统及方法 Download PDFInfo
- Publication number
- CN117909864A CN117909864A CN202311863298.4A CN202311863298A CN117909864A CN 117909864 A CN117909864 A CN 117909864A CN 202311863298 A CN202311863298 A CN 202311863298A CN 117909864 A CN117909864 A CN 117909864A
- Authority
- CN
- China
- Prior art keywords
- data
- power
- power equipment
- current
- knowledge graph
- 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
- 238000000034 method Methods 0.000 title claims description 25
- 238000009826 distribution Methods 0.000 claims abstract description 44
- 239000000203 mixture Substances 0.000 claims abstract description 42
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000004140 cleaning Methods 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 11
- 238000013499 data model Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012800 visualization Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种电力故障预测系统,包括:信息获取模块,用于获取故障事件和对应的电力历史数据,所述电力历史数据包括各电力设备的历史电压数据、历史电流数据和历史功率数据;模型建立模块,基于每一故障事件和对应的电力历史数据,分别建立对应的高斯分布,进而建立高斯混合模型;知识图谱建立模块,用于建立知识图谱,从而将各电力设备和各功能节点进行关联;结果分析模块,用于将当前电力设备的电压数据、电流数据和功率数据输入高斯混合模型,确定当前故障事件概率,并基于知识图谱确定导致当前电力设备发生故障时的对应功能节点。通过对每一故障事件建立高斯分布,再进一步构建高斯混合模型,能够准确的预测每一电力设备故障发生的概率。
Description
技术领域
本发明涉及电力故障技术领域,具体涉及一种电力故障预测系统及方法。
背景技术
目前,随着电网的发展与沿革,电力设备越来越复杂,电力设备之间相互影响程度越来越大,将各电力设备连接起来的功能节点也越来越多,这些功能节点例如变压设备和控制装置,而往往电力设备的故障是由于这些功能节点故障所导致的。由于电力设备之间相互影响程度越来越大,这可能导致技术人员无法根据电力信息判断某个电力设备是否故障,而且功能节点也越来越多的情况导致无法准确追踪导致电力设备故障的是哪个功能节点。
因此,为了解决这一问题,本发明提供了一种电力故障预测系统及方法。
发明内容
本发明的目的就是针对现有技术的缺陷,通过对每一故障事件建立高斯分布,再进一步构建高斯混合模型,能够准确的预测每一电力设备故障发生的概率,进而为决策提供支撑,提供一种电力故障预测系统及方法。
本发明提供一种电力故障预测系统,包括:信息获取模块,用于获取故障事件和对应的电力历史数据,所述电力历史数据包括各电力设备的历史电压数据、历史电流数据和历史功率数据;模型建立模块,基于每一故障事件和对应的电力历史数据,分别建立对应的高斯分布,进而建立高斯混合模型;知识图谱建立模块,用于建立知识图谱,从而将各电力设备和各功能节点进行关联;结果分析模块,用于将当前电力设备的电压数据、电流数据和功率数据输入高斯混合模型,确定当前故障事件概率,并基于知识图谱确定导致当前电力设备发生故障时的对应功能节点。
进一步的,所述模型建立模块建立高斯混合模型的具体步骤为:
建立高斯混合模型,根据不同的故障事件,建立对应的高斯分布,而每个高斯分布中数据点x作为输入,数据点x表示对应的电力历史数据,建立如下高斯混合模型:
P(x)=∑iwi*n(x|μi,Σi)
其中,i是第几个高斯分布,wi是第i个高斯分布的混合权重,N(x|μi,Σi)是表示在给定第i个高斯分布的均值μi和协方差矩阵Σi的情况下的概率密度,P(x)为输入数据点x后得到的概率,并通过Expectation Maximization算法计算每个高斯分布的均值μi、协方差矩阵∑i和混合权重wi,计算步骤如下:
需要监测的信息获取系统中的各类信息的类别总量设置为i,则代表了i个高斯分布,在Expectation Maximization算法中将每个混合权重初始化为并代入计算:具体是通过交替进行的Expectation算法和Maximization算法更新混合权重,直到模型收敛,得出均值、协方差矩阵和混合权重参数。
进一步的,所述知识图谱建立模块建立知识图谱,从而将各电力设备和各功能节点进行关联具体步骤为:
收集各电力设备和各功能节点之间的拓扑数据和运行数据,然后通过已开源的OpenRefine数据清洗工具对各电力设备和各功能节点之间的拓扑数据和运行数据进行数据清洗、去重;
通过Cypher可视化编辑器将各电力设备和对应功能节点的连接关系进行定义,形成知识图谱可视化数据模型;
根据知识图谱可视化数据模型,在已开源的Amazon Neptune图数据库中创建功能节点和对应的电力设备的实体,建立实体之间的连接关系,然后根据电力设备和对应功能节点的连接关系创建边,使用自然语言文本为边添加关系属性以代表电力设备和对应功能节点的连接关系,得到知识图谱。
进一步的,所述结果分析模块将当前电力设备的电压数据、电流数据和功率数据输入高斯混合模型,确定当前故障事件概率的具体方法为:
通过将当前电力设备的电压数据、电流数据和功率数据输入至高斯混合模型中,输出概率P(x),即为该电力设备的故障概率,有以下判断规则:
α为判断电力设备是否故障概率的参数,α为1时,则该电力设备发生故障,α为-1时,则该电力设备为正常,α为0时,则该电力设备标记异常,对该电力设备进行监控。
进一步的,所述结果分析模块基于知识图谱确定导致当前电力设备发生故障时的对应功能节点的具体方法为:
通过关键词检索与当前电力设备连接的所有边的关系属性,确定导致当前电力设备故障的对应功能节点。
一种电力故障预测方法,包括:
获取故障事件和对应的电力历史数据,所述电力历史数据包括各电力设备的历史电压数据、历史电流数据和历史功率数据;
基于每一故障事件和对应的电力历史数据,分别建立对应的高斯分布,进而建立高斯混合模型;
建立知识图谱,从而将各电力设备和各功能节点进行关联;
将当前电力设备的电压数据、电流数据和功率数据输入高斯混合模型,确定当前故障事件概率,并基于知识图谱确定导致当前电力设备发生故障时的对应功能节点。
进一步的,所述模型建立模块建立高斯混合模型的具体步骤为:
建立高斯混合模型,根据不同的故障事件,建立对应的高斯分布,而每个高斯分布中数据点x作为输入,数据点x表示对应的电力历史数据,建立如下高斯混合模型:
P(x)=∑iwi*N(x|μi,∑i)
其中,i是第几个高斯分布,wi是第i个高斯分布的混合权重,N(x|μi,∑i)是表示在给定第i个高斯分布的均值μi和协方差矩阵∑i的情况下的概率密度,P(x)为输入数据点x后得到的概率,并通过Expectation Maximization算法计算每个高斯分布的均值μi、协方差矩阵∑i和混合权重wi,计算步骤如下:
需要监测的信息获取系统中的各类信息的类别总量设置为i,则代表了i个高斯分布,在Expectation Maximization算法中将每个混合权重初始化为并代入计算:具体是通过交替进行的Expectation算法和Maximization算法更新混合权重,直到模型收敛,得出均值、协方差矩阵和混合权重参数。
进一步的,所述知识图谱建立模块建立知识图谱,从而将各电力设备和各功能节点进行关联具体步骤为:
收集各电力设备和各功能节点之间的拓扑数据和运行数据,然后通过已开源的OpenRefine数据清洗工具对各电力设备和各功能节点之间的拓扑数据和运行数据进行数据清洗、去重;
通过Cypher可视化编辑器将各电力设备和对应功能节点的连接关系进行定义,形成知识图谱可视化数据模型;
根据知识图谱可视化数据模型,在已开源的Amazon Neptune图数据库中创建功能节点和对应的电力设备的实体,建立实体之间的连接关系,然后根据电力设备和对应功能节点的连接关系创建边,使用自然语言文本为边添加关系属性以代表电力设备和对应功能节点的连接关系,得到知识图谱。
进一步的,所述结果分析模块将当前电力设备的电压数据、电流数据和功率数据输入高斯混合模型,确定当前故障事件概率的具体方法为:
通过将当前电力设备的电压数据、电流数据和功率数据输入至高斯混合模型中,输出概率P(x),即为该电力设备的故障概率,有以下判断规则:
α为判断电力设备是否故障概率的参数,α为1时,则该电力设备发生故障,α为-1时,则该电力设备为正常,α为0时,则该电力设备标记异常,对该电力设备进行监控;
所述结果分析模块基于知识图谱确定导致当前电力设备发生故障时的对应功能节点的具体方法为:
通过关键词检索与当前电力设备连接的所有边的关系属性,确定导致当前电力设备故障的对应功能节点。
一种计算机可读介质,所述计算机可读介质上存储有计算机程序,所述计算机程序在运行时执行上述信息交互方法。
本发明的有益效果为:
1.通过对每一故障事件建立高斯分布,再进一步构建高斯混合模型,能够准确的预测每一电力设备故障发生的概率,进而为决策提供支撑。
2.通过建立知识图谱,在预测故障发生概率的同时,也能准确的定位到导致电力设备发生故障的功能节点。
附图说明
图1为本发明的系统框图;
具体实施方式
为了使本申请所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
一种电力故障预测系统,包括:信息获取模块,用于获取故障事件和对应的电力历史数据,所述电力历史数据包括各电力设备的历史电压数据、历史电流数据和历史功率数据;模型建立模块,基于每一故障事件和对应的电力历史数据,分别建立对应的高斯分布,进而建立高斯混合模型;知识图谱建立模块,用于建立知识图谱,从而将各电力设备和各功能节点进行关联;结果分析模块,用于将当前电力设备的电压数据、电流数据和功率数据输入高斯混合模型,确定当前故障事件概率,并基于知识图谱确定导致当前电力设备发生故障时的对应功能节点。
其中:
(1)所述模型建立模块建立高斯混合模型的具体步骤为:
建立高斯混合模型,根据不同的故障事件,建立对应的高斯分布,而每个高斯分布中数据点x作为输入,数据点x表示对应的电力历史数据,建立如下高斯混合模型:
P(x)=∑iwi*N(x|μi,∑i)
其中,i是第几个高斯分布,wi是第i个高斯分布的混合权重,N(x|μi,∑i)是表示在给定第i个高斯分布的均值μi和协方差矩阵∑i的情况下的概率密度,P(x)为输入数据点x后得到的概率,并通过Expectation Maximization算法计算每个高斯分布的均值μi、协方差矩阵∑i和混合权重wi,计算步骤如下:
需要监测的信息获取系统中的各类信息的类别总量设置为i,则代表了i个高斯分布,在Expectation Maximization算法中将每个混合权重初始化为并代入计算:具体是通过交替进行的Expectation算法和Maximization算法更新混合权重,直到模型收敛,得出均值、协方差矩阵和混合权重参数。
上述Expectation Maximization算法具体是通过交替进行的Expectation算法和Maximization算法对高斯混合模型进行迭代,当电力历史数据足够多时,高斯混合模型越准确。
(2)所述知识图谱建立模块建立知识图谱,从而将各电力设备和各功能节点进行关联具体步骤为:
收集各电力设备和各功能节点之间的拓扑数据和运行数据,然后通过已开源的OpenRefine数据清洗工具对各电力设备和各功能节点之间的拓扑数据和运行数据进行数据清洗、去重;
通过Cypher可视化编辑器将各电力设备和对应功能节点的连接关系进行定义,形成知识图谱可视化数据模型;
根据知识图谱可视化数据模型,在已开源的Amazon Neptune图数据库中创建功能节点和对应的电力设备的实体,建立实体之间的连接关系,然后根据电力设备和对应功能节点的连接关系创建边,使用自然语言文本为边添加关系属性以代表电力设备和对应功能节点的连接关系,得到知识图谱。
已开源的OpenRefine数据清洗工具是一种常规数据清洗工具,用于对数据去噪、去重、去除异常值。
Amazon Neptune图数据库模型是是基于亚马逊提供的代码开发的,它可以实现辅助开发知识图谱。
Cypher可视化编辑器是将大量数据以图形化构建的工具,它提供了一个操作界面来构建各功能节点、电力设备之间的关系。
(3)所述结果分析模块将当前电力设备的电压数据、电流数据和功率数据输入高斯混合模型,确定当前故障事件概率的具体方法为:
通过将当前电力设备的电压数据、电流数据和功率数据输入至高斯混合模型中,输出概率P(x),即为该电力设备的故障概率,有以下判断规则:
α为判断电力设备是否故障概率的参数,α为1时,则该电力设备发生故障,α为-1时,则该电力设备为正常,α为0时,则该电力设备标记异常,对该电力设备进行监控。
所述结果分析模块基于知识图谱确定导致当前电力设备发生故障时的对应功能节点的具体方法为:
通过关键词检索与当前电力设备连接的所有边的关系属性,确定导致当前电力设备故障的对应功能节点。
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在发明待批的权利要求保护范围之内。
Claims (10)
1.一种电力故障预测系统,其特征在于,包括:
信息获取模块,用于获取故障事件和对应的电力历史数据,所述电力历史数据包括各电力设备的历史电压数据、历史电流数据和历史功率数据;
模型建立模块,基于每一故障事件和对应的电力历史数据,分别建立对应的高斯分布,进而建立高斯混合模型;
知识图谱建立模块,用于建立知识图谱,从而将各电力设备和各功能节点进行关联;
结果分析模块,用于将当前电力设备的电压数据、电流数据和功率数据输入高斯混合模型,确定当前故障事件概率,并基于知识图谱确定导致当前电力设备发生故障时的对应功能节点。
2.根据权利要求1所述的一种电力故障预测系统,其特征在于:
所述模型建立模块建立高斯混合模型的具体步骤为:
建立高斯混合模型,根据不同的故障事件,建立对应的高斯分布,而每个高斯分布中数据点x作为输入,数据点x表示对应的电力历史数据,建立如下高斯混合模型:
P(x)=∑iwi*N(x|μi,∑i)
其中,i是第几个高斯分布,wi是第i个高斯分布的混合权重,N(x|μi,∑i)是表示在给定第i个高斯分布的均值μi和协方差矩阵∑i的情况下的概率密度,P(x)为输入数据点x后得到的概率,并通过Expectation Maximization算法计算每个高斯分布的均值μi、协方差矩阵∑i和混合权重wi,计算步骤如下:
需要监测的信息获取系统中的各类信息的类别总量设置为i,则代表了i个高斯分布,在Expectation Maximization算法中将每个混合权重初始化为并代入计算;
通过交替进行的Expectation算法和Maximization算法更新混合权重,直到模型收敛,得出均值、协方差矩阵和混合权重参数。
3.根据权利要求1所述的一种电力故障预测系统,其特征在于:
所述知识图谱建立模块建立知识图谱,从而将各电力设备和各功能节点进行关联具体步骤为:
收集各电力设备和各功能节点之间的拓扑数据和运行数据,然后通过已开源的OpenRefine数据清洗工具对各电力设备和各功能节点之间的拓扑数据和运行数据进行数据清洗、去重;
通过Cypher可视化编辑器将各电力设备和对应功能节点的连接关系进行定义,形成知识图谱可视化数据模型;
根据知识图谱可视化数据模型,在已开源的Amazon Neptune图数据库中创建功能节点和对应的电力设备的实体,建立实体之间的连接关系,然后根据电力设备和对应功能节点的连接关系创建边,使用自然语言文本为边添加关系属性以代表电力设备和对应功能节点的连接关系,得到知识图谱。
4.根据权利要求1所述的一种电力故障预测系统,其特征在于:
所述结果分析模块将当前电力设备的电压数据、电流数据和功率数据输入高斯混合模型,确定当前故障事件概率的具体方法为:
通过将当前电力设备的电压数据、电流数据和功率数据输入至高斯混合模型中,输出概率P(x),即为该电力设备的故障概率,有以下判断规则:
α为判断电力设备是否故障概率的参数,α为1时,则该电力设备发生故障,α为-1时,则该电力设备为正常,α为0时,则该电力设备标记异常,对该电力设备进行监控。
5.根据权利要求3所述的一种电力故障预测系统,其特征在于:
所述结果分析模块基于知识图谱确定导致当前电力设备发生故障时的对应功能节点的具体方法为:
通过关键词检索与当前电力设备连接的所有边的关系属性,确定导致当前电力设备故障的对应功能节点。
6.一种电力故障预测法,其特征在于,包括:
获取故障事件和对应的电力历史数据,所述电力历史数据包括各电力设备的历史电压数据、历史电流数据和历史功率数据;
基于每一故障事件和对应的电力历史数据,分别建立对应的高斯分布,进而建立高斯混合模型;
建立知识图谱,从而将各电力设备和各功能节点进行关联;
将当前电力设备的电压数据、电流数据和功率数据输入高斯混合模型,确定当前故障事件概率,并基于知识图谱确定导致当前电力设备发生故障时的对应功能节点。
7.根据权利要求6所述的一种电力故障预测方法,其特征在于:
所述模型建立模块建立高斯混合模型的具体步骤为:
建立高斯混合模型,根据不同的故障事件,建立对应的高斯分布,而每个高斯分布中数据点x作为输入,数据点x表示对应的电力历史数据,建立如下高斯混合模型:
P(x)=∑iwi*N(x|μi,∑i)
其中,i是第几个高斯分布,wi是第i个高斯分布的混合权重,N(x|μi,∑i)是表示在给定第i个高斯分布的均值μi和协方差矩阵∑i的情况下的概率密度,P(x)为输入数据点x后得到的概率,并通过Expectation Maximization算法计算每个高斯分布的均值μi、协方差矩阵∑i和混合权重wi,计算步骤如下:
需要监测的信息获取系统中的各类信息的类别总量设置为i,则代表了i个高斯分布,在Expectation Maximization算法中将每个混合权重初始化为并代入计算;
通过交替进行的Expectation算法和Maximization算法更新混合权重,直到模型收敛,得出均值、协方差矩阵和混合权重参数。
8.根据权利要求6所述的一种电力故障预测方法,其特征在于:
所述知识图谱建立模块建立知识图谱,从而将各电力设备和各功能节点进行关联具体步骤为:
收集各电力设备和各功能节点之间的拓扑数据和运行数据,然后通过已开源的OpenRefine数据清洗工具对各电力设备和各功能节点之间的拓扑数据和运行数据进行数据清洗、去重;
通过Cypher可视化编辑器将各电力设备和对应功能节点的连接关系进行定义,形成知识图谱可视化数据模型;
根据知识图谱可视化数据模型,在已开源的Amazon Neptune图数据库中创建功能节点和对应的电力设备的实体,建立实体之间的连接关系,然后根据电力设备和对应功能节点的连接关系创建边,使用自然语言文本为边添加关系属性以代表电力设备和对应功能节点的连接关系,得到知识图谱。
9.根据权利要求8所述的一种电力故障预测方法,其特征在于:
所述结果分析模块将当前电力设备的电压数据、电流数据和功率数据输入高斯混合模型,确定当前故障事件概率的具体方法为:
通过将当前电力设备的电压数据、电流数据和功率数据输入至高斯混合模型中,输出概率P(x),即为该电力设备的故障概率,有以下判断规则:
α为判断电力设备是否故障概率的参数,α为1时,则该电力设备发生故障,α为-1时,则该电力设备为正常,α为0时,则该电力设备标记异常,对该电力设备进行监控;
所述结果分析模块基于知识图谱确定导致当前电力设备发生故障时的对应功能节点的具体方法为:
通过关键词检索与当前电力设备连接的所有边的关系属性,确定导致当前电力设备故障的对应功能节点。
10.一种计算机可读介质,所述计算机可读介质上存储有计算机程序,所述计算机程序在运行时执行如权利要求1-9中的任一项所述的信息交互方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311863298.4A CN117909864A (zh) | 2023-12-29 | 2023-12-29 | 一种电力故障预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311863298.4A CN117909864A (zh) | 2023-12-29 | 2023-12-29 | 一种电力故障预测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117909864A true CN117909864A (zh) | 2024-04-19 |
Family
ID=90688202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311863298.4A Pending CN117909864A (zh) | 2023-12-29 | 2023-12-29 | 一种电力故障预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117909864A (zh) |
-
2023
- 2023-12-29 CN CN202311863298.4A patent/CN117909864A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110609759B (zh) | 一种故障根因分析的方法及装置 | |
CN112181758B (zh) | 一种基于网络拓扑及实时告警的故障根因定位方法 | |
CN113282461A (zh) | 传输网的告警识别方法和装置 | |
CN109861206B (zh) | 一种基于支持向量机的暂态功角稳定故障筛选系统及方法 | |
JP4326731B2 (ja) | リスクモニターを有する工程管理システム及びリスク表示機能を有する工程管理方法 | |
CN111400505A (zh) | 一种用电信息采集系统匹配故障消缺方案的方法及系统 | |
CN116467674A (zh) | 一种配电网智能故障处理融合更新系统及其方法 | |
CN117041029A (zh) | 网络设备故障处理方法、装置、电子设备及存储介质 | |
CN110781206A (zh) | 一种学习拆回表故障特征规则预测在运电能表是否故障的方法 | |
Solomentsev et al. | Diagnostics programs efficiency analysis in operation system of radioelectronic eguipment | |
CN116541748A (zh) | 基于人工智能技术的电网故障诊断方法和系统 | |
CN111522705A (zh) | 一种工业大数据智能运维解决方法 | |
CN111612149A (zh) | 一种基于决策树的主网线路状态检测方法、系统及介质 | |
CN115169426B (zh) | 一种基于相似性学习融合模型的异常检测方法及系统 | |
CN117909864A (zh) | 一种电力故障预测系统及方法 | |
CN112905370A (zh) | 拓扑图生成方法、异常检测方法、装置、设备及存储介质 | |
CN116225752A (zh) | 基于故障模式库的微服务系统故障根因分析方法及系统 | |
CN112712305B (zh) | 一种飞行器系统及其健康评估方法和装置 | |
CN114386510A (zh) | 一种电力系统量测错误辨识方法及系统 | |
CN113887101A (zh) | 网络模型的可视化方法、装置、电子设备及存储介质 | |
Zhang et al. | Key fault propagation path identification of CNC machine tools based on maximum occurrence probability | |
CN109685453B (zh) | 智能识别工作流有效路径的方法 | |
CN112667957A (zh) | 一种基于深度神经网络的智能电能表失效率预测方法 | |
Bukowski et al. | Evaluation of technical systems dependability with the use of fuzzy logic and experts’ knowledge | |
Shooshtarian et al. | System dynamics modelling, simulation and analysis of production line systems for the continuous models of transfer lines with unreliable machines and finite buffers |
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 |