CN117973902B - 一种基于保电平台故障处置智能决策方法及系统 - Google Patents
一种基于保电平台故障处置智能决策方法及系统 Download PDFInfo
- Publication number
- CN117973902B CN117973902B CN202410369636.7A CN202410369636A CN117973902B CN 117973902 B CN117973902 B CN 117973902B CN 202410369636 A CN202410369636 A CN 202410369636A CN 117973902 B CN117973902 B CN 117973902B
- Authority
- CN
- China
- Prior art keywords
- fault
- processing
- event
- equipment
- decision
- 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
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000012545 processing Methods 0.000 claims abstract description 167
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 238000011282 treatment Methods 0.000 claims abstract description 14
- 238000011084 recovery Methods 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims description 39
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- 230000009471 action Effects 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 17
- 230000002787 reinforcement Effects 0.000 claims description 15
- 230000035945 sensitivity Effects 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 12
- 238000012423 maintenance Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000001364 causal effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 6
- 230000032683 aging Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 241001123248 Arma Species 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 3
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 abstract description 5
- 238000007405 data analysis Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 238000011269 treatment regimen Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005713 exacerbation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于保电平台故障处置智能决策方法及系统，涉及电力故障处置技术领域，包括：保电平台实时采集电力数据，根据实时的电力数据确定当前发生的故障事件以及发生故障事件的设备；根据历史故障事件的规程数据构建故障事件的事件图谱；对每个待选择处理决策的处理结果进行评估，并获取当前的调度资源信息，根据评估结果以及调度资源信息选择当前发生的故障事件的处理决策。本发明提供的基于保电平台故障处置智能决策方法提高了故障识别的准确性和响应速度，缩短了故障恢复时间，提升了故障处理策略的有效性和资源利用率，增强了对电力系统故障模式的理解和预测能力，提升了电力系统的整体可靠性和稳定性。
Description
技术领域
本发明涉及电力故障处置技术领域，具体为一种基于保电平台故障处置智能决策方法及系统。
背景技术
随着电力系统规模的扩大，故障事件的频率增加，传统的人工故障判断和处理决策方法难以及时应对电力系统中频繁发生的故障，影响了电力系统的供电可靠性。虚拟调度平台被用于电力系统的运行中，以实现故障的实时检测和提供故障处理决策建议，旨在提高故障判断和处理决策制定的效率。然而，现有的虚拟调度平台在处理复杂或非标准化故障时，往往不能提供适配当前故障情况的决策建议，可能导致连锁反应和其他故障事件的发生，从而影响电力系统的安全性。
传统方法在处理复杂或非标准化故障时缺乏灵活性和适应性，无法充分预测和反映故障事件间的关系和连锁反应，故障处理决策建议可能不适配当前故障情况，导致其他故障的发生，缺乏对故障事件全局视角的分析，无法有效评估和优化处理决策。
因此亟需一种基于保电平台故障处置智能决策方法，解决现有电力系统故障处理方法的局限性，在处理复杂或非标准化故障时的不足。更全面地分析和评估不同故障事件的处理效果，选择更适配当前故障情况的处理决策，从而提高电力系统的安全性和故障处理效率。
发明内容
鉴于上述存在的问题，提出了本发明。
因此，本发明解决的技术问题是：现有的电力系统故障处理方法缺乏灵活性和准确性，以及如何实现基于数据驱动的故障处理决策的优化问题。
为解决上述技术问题，本发明提供如下技术方案：一种基于保电平台故障处置智能决策方法，包括：保电平台实时采集电力数据，根据实时的电力数据确定当前发生的故障事件以及发生故障事件的设备；根据故障事件、发生故障事件的设备对应的设备类型匹配待选择处理决策；调取历史故障事件对应的处理决策和处理结果，构建历史故障事件的规程数据，根据所述历史故障事件的规程数据构建故障事件的事件图谱；基于规程数据与事件图谱对每个待选择处理决策的处理结果进行评估，并获取当前的调度资源信息，根据评估结果以及调度资源信息选择当前发生的故障事件的处理决策；保电平台将选择的当前发生的故障事件的处理决策发送至对应的操作人员；所述采集电力数据包括电流、电压、频率和温度；所述根据实时的电力数据确定当前发生的故障事件包括基于实时的电力数据构建故障识别模型，基于所述故障识别模型获得故障评分，若小于预设阈值判断设备状态正常，若大于等于预设阈值，判断设备状态异常发生故障，构建深度神经网络模型，将故障评分与设备关键特征作为输入数据输入到深度神经网络模型中，根据输入数据对故障类型进行分类，确定故障为过载、短路或设备老化，所述设备关键特征包括历史运行数据、维护记录和网络拓扑结构。
作为本发明所述的基于保电平台故障处置智能决策方法的一种优选方案，其中：所述发生故障事件的设备是当识别出特定的故障类型后，分析与类型故障相关的典型设备特性，若判断为过载故障，关注电流超标的设备；若判断为短路故障，检查电压异常下降的区域；若判断为设备老化，关注历史数据中表现出性能下降的设备；利用电力系统的网络拓扑结构信息，对从特性分析中识别的设备或区域，使用电力网络模型分析故障信号的传播路径，并结合故障类型和分析结果，识别故障源头的设备或线路；在完成网络拓扑的定位分析后，应用K-均值聚类对受故障影响的设备或线路的数据进行分组，识别相似模式，分析受影响的设备或线路在故障发生时的行为，识别出在故障事件中表现出相似异常行为的设备群体，使用Apriori算法发现故障类型与设备或线路间的关联性，分析历史故障数据，寻找故障事件和设备特性之间的潜在关系，将K-均值聚类和Apriori算法的结果与网络拓扑定位分析结果进行对比，确定发生故障事件的设备。
所述故障识别模型表示为：
其中，表示故障评分，分别表示权重因子，表示自然对数的底数表示模型参数，用于调整电流特征变换的灵敏度，表示电流值，ln表示自然对数函数，表示模型参数，用于调整电压特征变换的灵敏度，表示电压值，表示模型参数，用于调整频率特征变换的灵敏度，表示频率值，表示模型参数，用于调整温度特征变换的灵敏度，表示正弦函数，表示温度值。
作为本发明所述的基于保电平台故障处置智能决策方法的一种优选方案，其中：所述匹配待选择处理决策包括对故障类型和故障位置进行分析，确定故障的关键特征，根据故障特征从电力系统的故障处理数据库中匹配处理方案进行故障处理，记录故障事件的故障类型、发生时间、影响范围、受影响的设备类型、实施的处理措施信息，将故障事件按类型、原因、影响范围因素进行分类，对每个故障事件所采取的处理决策进行记录，并关联到对应的故障事件，分析每个故障事件处理决策效果，所述处理决策效果包括故障恢复的速度和效率、是否有重复故障。
作为本发明所述的基于保电平台故障处置智能决策方法的一种优选方案，其中：所述构建故障事件的事件图谱包括构建事件图谱模型，每个故障事件都作为一个节点，节点包含故障的类型、位置、受影响的设备类型信息以及历史故障事件的处理决策和处理结果，对于图谱中的每个故障事件节点，构建规程数据，记录故障处理的标准程序和步骤以及处理结果，分析故障事件之间的因果关系、时间序列关系和影响范围，并映射为图谱中的边，识别故障模式、关键节点和潜在的风险点，考虑历史故障事件的处理决策和结果，分析处理措施对系统的影响，优化未来的故障处理策略。
作为本发明所述的基于保电平台故障处置智能决策方法的一种优选方案，其中：所述根据评估结果以及调度资源信息选择当前发生的故障事件的处理决策包括通过图神经网络模型对事件图谱分析，识别故障事件的类型、具体位置和受影响的设备类型以及故障事件间的相互影响和传播路径；应用社区检测算法在事件图谱中识别故障模式和关键节点；结合图神经网络和社区检测算法获得的特征，使用支持向量机模型对故障事件进行深度学习分类；对分类后的故障事件进行时间序列分析，使用ARMA模型评估故障的影响；利用Apriori算法，评估历史上针对不同类别故障的处理决策和结果；根据前面的分析结果，使用强化学习算法优化故障处理策略。
作为本发明所述的基于保电平台故障处置智能决策方法的一种优选方案，其中：所述使用强化学习算法优化故障处理策略包括定义状态空间，表示为：
其中，表示故障类型，表示故障位置，表示受影响的设备类型，表示资源状态。
构建行动空间，所述行动空间包括派遣维修团队，调配备件，调整运行模式，定义故障处理时可以采取的所有行动选项。
设计奖励函数，表示为：
其中，表示处理时间，表示总成本，表示平衡因子。
应用深度Q网络学习最优行动策略，使用DQN模型学习在特定状态下采取的最优行动。
所述DQN模型表示为：
其中，表示在状态下采取行动的最优预期奖励，表示寻找使期望奖励最大化的策略，表示故障处理策略，表示故障处理策略的期望奖励值，表示求和符号，到表示考虑从当前时刻到未来所有可能的故障处理步骤，表示折扣因子，表示故障处理过程中的时间步索引，表示给定当前状态和行动的条件下。
优化策略并将其应用于实际故障处理，监控结果并据此调整策略，表示为：
其中，表示在状态下的最优故障处理策略，max表示确定最大化预期奖励的故障处理行动，表示在时间可选的故障处理行动。
作为本发明所述的基于保电平台故障处置智能决策方法的一种优选方案，其中：所述优化未来的故障处理策略包括基于强化学习流程的结果调整所述故障识别模型的参数，收集强化学习流程中得到的故障处理数据，所述故障处理数据包括每次处理的成功率、持续时间和资源消耗，将故障处理数据与故障识别模型生成的故障识别结果进行关联分析，使用线性回归分析确定故障识别参数与故障处理效率间的关系，使用线性回归分析结果来确定哪些故障识别参数与故障处理效率最相关，确定需要调整的参数范围和调整的方向，使用梯度下降算法基于分析结果自动调整故障识别模型中的权重因子和灵敏度参数，调整目标是最大化故障处理的成功率和效率，同时最小化资源消耗。
本发明的另外一个目的是提供一种基于保电平台故障处置智能决策系统，其能通过集成先进的数据分析、机器学习和人工智能技术，解决了故障快速识别、分类和智能处理策略优化问题。
为解决上述技术问题，本发明提供如下技术方案：一种基于保电平台故障处置智能决策系统，包括：数据采集模块、故障处理模块、事件图谱构建模块、决策评估模块以及决策可视化模块；所述数据采集模块用于保电平台实时采集电力数据，根据实时的电力数据确定当前发生的故障事件以及发生故障事件的设备；所述故障处理模块用于根据故障事件、发生故障事件的设备对应的设备类型匹配待选择处理决策；所述事件图谱构建模块用于调取历史故障事件对应的处理决策和处理结果，构建历史故障事件的规程数据，根据所述历史故障事件的规程数据构建故障事件的事件图谱；所述决策评估模块用于基于规程数据与事件图谱对每个待选择处理决策的处理结果进行评估，并获取当前的调度资源信息，根据评估结果以及调度资源信息选择当前发生的故障事件的处理决策；所述决策可视化模块用于保电平台将选择的当前发生的故障事件的处理决策发送至对应的操作人员。
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，所述处理器执行所述计算机程序时实现如上所述基于保电平台故障处置智能决策方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述基于保电平台故障处置智能决策方法的步骤。
本发明的有益效果：本发明提供的基于保电平台故障处置智能决策方法提高了故障识别的准确性和响应速度，缩短了故障恢复时间，通过智能决策支持系统，提升了故障处理策略的有效性和资源利用率，利用事件图谱和历史故障数据，增强了对电力系统故障模式的理解和预测能力，实现了对故障处理策略的持续优化和自我学习，提升了电力系统的整体可靠性和稳定性。
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为本发明一个实施例提供的一种基于保电平台故障处置智能决策方法的整体流程图。
图2为本发明第二个实施例提供的一种基于保电平台故障处置智能决策系统的整体结构图。
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，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
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。
实施例一：参照图1，为本发明的一个实施例，提供了一种基于保电平台故障处置智能决策方法，包括：
保电平台实时采集电力数据，根据实时的电力数据确定当前发生的故障事件以及发生故障事件的设备。
根据故障事件、发生故障事件的设备对应的设备类型匹配待选择处理决策。
调取历史故障事件对应的处理决策和处理结果，构建历史故障事件的规程数据，根据所述历史故障事件的规程数据构建故障事件的事件图谱。
基于规程数据与事件图谱对每个待选择处理决策的处理结果进行评估，并获取当前的调度资源信息，根据评估结果以及调度资源信息选择当前发生的故障事件的处理决策。
保电平台将选择的当前发生的故障事件的处理决策发送至对应的操作人员。
采集电力数据包括电流、电压、频率和温度；电流和电压指的是电力系统中各设备（如变压器、电缆、开关设备等）的运行电流和电压。
在电力系统中，频率指的是供电系统的交流电频率，通常在特定范围内。频率的波动可能表明电网负荷不平衡或发电量与用电量不匹配。
温度指的是电力设备自身的温度，如变压器油的温度或电缆的表面温度。温度监测有助于预防因过热导致的设备损坏或故障。
根据实时的电力数据确定当前发生的故障事件包括基于实时的电力数据构建故障识别模型，基于故障识别模型获得故障评分，若小于预设阈值判断设备状态正常，若大于等于预设阈值，判断设备状态异常发生故障，构建深度神经网络模型，将故障评分与设备关键特征作为输入数据输入到深度神经网络模型中，根据输入数据对故障类型进行分类，确定故障为过载、短路或设备老化，设备关键特征包括历史运行数据、维护记录和网络拓扑结构；
设计具有多种类型隐藏层的混合神经网络，结合卷积神经网络（CNN）层处理空间特征（设备间的物理布局）和长短期记忆（LSTM）层处理时间序列数据（负载和频率的时间变化）。引入注意力机制，使网络能够自动识别和关注输入数据中最关键的部分，从而提高故障识别的准确度。在特征融合时，使用深度学习的特征提取技术来发现不同数据源之间的潜在关联和交互作用。运用基于信息增益和互信息的特征选择方法，确保输入到DNN模型的特征是最具代表性和诊断价值的。在训练DNN模型时，使用基于自适应学习率的优化器，以提高训练效率和模型性能。引入数据增强技术，通过模拟不同的故障情况和运行条件，生成更多的训练样本，增强模型的泛化能力和鲁棒性。
发生故障事件的设备是当识别出特定的故障类型后，分析与类型故障相关的典型设备特性，若判断为过载故障，关注电流超标的设备；若判断为短路故障，检查电压异常下降的区域；若判断为设备老化，关注历史数据中表现出性能下降的设备。
利用电力系统的网络拓扑结构信息，对从特性分析中识别的设备或区域，使用电力网络模型分析故障信号的传播路径，并结合故障类型和分析结果，识别故障源头的设备或线路。
电力网络模型是指对电力系统的结构和运行方式的数学或计算机模拟。这个模型包括电网中的所有设备（如变压器、电缆、开关设备等）和它们之间的连接关系（线路）。模型能够模拟电流、电压在电网中的分布和变化。
在确定了故障类型之后，使用电力网络模型来模拟故障信号在电网中的传播方式。
传播路径分析是通过模拟故障发生时电网的运行状态来完成的，包括分析故障点附近的电压、电流变化和可能受影响的设备或线路。
将分析得出的典型设备特性与电力网络模型的传播路径分析结果相结合。识别哪些设备或线路最有可能是故障的源头。
在完成网络拓扑的定位分析后，应用K-均值聚类对受故障影响的设备或线路的数据进行分组，识别相似模式，分析受影响的设备或线路在故障发生时的行为，包括电流、电压的异常变化，以及设备运行状态的异常模式，识别出在故障事件中表现出相似异常行为的设备群体，使用Apriori算法发现故障类型与设备或线路间的关联性，分析历史故障数据，寻找故障事件和设备特性之间的潜在关系，确定故障是否经常出现在同一设备或线路上，确定关联规则，揭示故障发生的模式和趋势，将K-均值聚类和Apriori算法的结果与网络拓扑定位分析结果进行对比，确定发生故障事件的设备。
对比包括对从网络拓扑定位分析、聚类分析和关联规则挖掘得到的结果进行详细对比。比较这些结果中识别的设备或线路是否一致，以及它们是否指向同一个故障源头。若不同分析结果之间存在一致性，将这些结果作为确认故障源头的依据。若结果不一致或存在疑点，进行进一步的数据分析或现场检查以解决矛盾。根据对比分析的结果，调整和细化故障定位。在对比分析和调整的基础上，综合考虑所有分析结果，包括网络拓扑分析、聚类分析和关联规则挖掘的发现，对故障源头进行最终评估和确定。综合评估时，考虑每种分析方法的优势和局限性，并权衡它们提供的信息。基于综合分析确定的故障源头，制定相应的故障响应措施和维修计划。包括安排维修团队对特定设备进行检查、更换损坏部件或调整系统配置。
故障识别模型表示为：
其中，表示故障评分，分别表示权重因子，表示自然对数的底数表示模型参数，用于调整电流特征变换的灵敏度，表示电流值，ln表示自然对数函数，表示模型参数，用于调整电压特征变换的灵敏度，表示电压值，表示模型参数，用于调整频率特征变换的灵敏度，表示频率值，表示模型参数，用于调整温度特征变换的灵敏度，表示正弦函数，表示温度值。
提供了实时和准确的故障识别，快速响应电力系统的异常情况。利用深度神经网络更准确地识别和分类故障，提升故障处理的效率和准确性。通过综合考虑电流、电压、频率和温度等多种数据，提高了故障诊断的综合性和可靠性。
匹配待选择处理决策包括对故障类型和故障位置进行分析，确定故障的关键特征，根据故障特征从电力系统的故障处理数据库中匹配处理方案进行故障处理，记录故障事件的故障类型、发生时间、影响范围、受影响的设备类型、实施的处理措施信息，将故障事件按类型、原因、影响范围因素进行分类，对每个故障事件所采取的处理决策进行记录，并关联到对应的故障事件，分析每个故障事件处理决策效果，处理决策效果包括故障恢复的速度和效率、是否有重复故障。
利用深度神经网络模型得到的故障类型，对该类型的典型特征进行分析。利用故障检测过程中收集的数据，包括电力系统的网络拓扑结构信息，来分析故障发生的具体位置。结合故障类型和位置的分析结果，确定故障的关键特征。包括故障发生时的电流和电压水平、频率变化、温度异常等。这些关键特征有助于后续的故障处理决策匹配。根据分析得到的故障关键特征，从电力系统的故障处理数据库中匹配适合的处理决策。
电力系统的故障处理数据库是集中存储了电力系统历史故障事件和相应处理措施的数据集合。这个数据库包含了各种故障类型的详细信息，如故障原因、影响范围、所涉及的设备类型，以及针对这些故障所采取的处理方法和效果评估。
数据库中的内容可能包括但不限于：故障代码、故障描述、故障发生的时间和地点、受影响的设备或系统、已采取的应对措施、修复时间、故障原因分析、预防措施建议等。
这些数据来源于电力系统的运行历史记录、维修记录、故障报告和系统分析。
在故障处置过程中，通过查询这个数据库，快速获得与当前故障相似的历史事件和成功的处理经验，从而为制定有效的故障处理策略提供参考。
数据库用于数据分析，识别故障模式和趋势，优化故障预防和响应措施。
为保证数据库的有效性和实用性，需要定期更新和维护，添加新的故障案例、更新处理方法和效果评估。
确保故障处理决策与实际故障类型和位置高度匹配，提高处理措施的有效性。从电力系统故障处理数据库中选择最适合的处理方案，减少人为判断错误和处理延迟。记录故障处理的详细信息有助于未来故障分析和策略优化。
构建故障事件的事件图谱包括构建事件图谱模型，每个故障事件都作为一个节点，节点包含故障的类型、位置、受影响的设备类型信息以及历史故障事件的处理决策和处理结果，对于图谱中的每个故障事件节点，构建规程数据，规程数据作为图谱中节点的一部分，提供关于如何应对类似故障的指导，记录故障处理的标准程序和步骤以及处理结果，分析故障事件之间的因果关系、时间序列关系和影响范围，并映射为图谱中的边，识别故障模式、关键节点和潜在的风险点，考虑历史故障事件的处理决策和结果，分析处理措施对系统的影响，优化未来的故障处理策略。
通过构建事件图谱模型，可视化地表示故障事件之间的关系，增强了故障分析的直观性和深度。有助于识别故障模式、关键节点和风险点，为未来的故障预防和处理提供参考。通过历史故障事件的处理决策和结果的整合，提高了故障处理的知识基础。
根据评估结果以及调度资源信息选择当前发生的故障事件的处理决策包括通过图神经网络模型对事件图谱分析，识别故障事件的类型、具体位置和受影响的设备类型以及故障事件间的相互影响和传播路径；应用社区检测算法在事件图谱中识别故障模式和关键节点，算法可以发现某个区域频繁发生过载故障，或者某个关键变电站经常是故障的起点。这些模式和节点用于了解系统的脆弱性和重点监控区域；结合图神经网络和社区检测算法获得的特征，使用支持向量机模型对故障事件进行深度学习分类，按照故障的原因（自然因素、设备老化等）、严重程度和影响范围；对分类后的故障事件进行时间序列分析，使用ARMA模型评估故障的影响，分析故障如何随时间发展，以及对电力系统运行的影响，如电力供应中断的持续时间和范围；利用Apriori算法，评估历史上针对不同类别故障的处理决策和结果，分析历史数据中哪些处理措施对于特定类型的故障最为有效，以及哪些措施可能导致问题的重复或加剧；根据前面的分析结果，使用强化学习算法优化故障处理策略。
通过图神经网络和社区检测算法，可以更深入地理解故障事件的特性和关联性。支持向量机的应用使得故障事件能被更准确地分类，便于采取针对性的处理措施。时间序列分析和Apriori算法的应用有助于理解故障的发展过程和影响。
使用强化学习算法优化故障处理策略包括定义状态空间，表示为：
其中，表示故障类型，表示故障位置，表示受影响的设备类型，表示资源状态。
构建行动空间，行动空间包括派遣维修团队，调配备件，调整运行模式，定义故障处理时可以采取的所有行动选项。
设计奖励函数，表示为：
其中，表示处理时间，表示总成本，表示平衡因子。
应用深度Q网络学习最优行动策略，使用DQN模型学习在特定状态下采取的最优行动。
DQN模型通过学习过程找到在不同状态下应采取的最佳行动，表示为：
其中，表示在状态下采取行动的最优预期奖励，表示寻找使期望奖励最大化的策略，表示故障处理策略，表示故障处理策略的期望奖励值，表示求和符号，到表示考虑从当前时刻到未来所有可能的故障处理步骤，表示折扣因子，表示故障处理过程中的时间步索引，表示给定当前状态和行动的条件下。
优化策略并将其应用于实际故障处理，监控结果并据此调整策略，确保故障处理策略在实际应用中的有效性，并根据实际结果进行持续优化，表示为：
其中，表示在状态下的最优故障处理策略，max表示确定最大化预期奖励的故障处理行动，表示在时间可选的故障处理行动。
提供了一种动态学习和自适应优化故障处理策略的方法。利用强化学习算法，基于实际故障处理的结果不断优化决策模型。帮助系统更有效地分配资源，减少故障处理的成本和时间。
优化未来的故障处理策略包括基于强化学习流程的结果调整故障识别模型的参数，收集强化学习流程中得到的故障处理数据，故障处理数据包括每次处理的成功率、持续时间和资源消耗，将故障处理数据与故障识别模型生成的故障识别结果进行关联分析，使用线性回归分析确定故障识别参数与故障处理效率间的关系，使用线性回归分析结果来确定哪些故障识别参数与故障处理效率最相关分析电流、电压、频率和温度各自与故障处理时间和资源消耗的相关性，确定需要调整的参数范围和调整的方向，增加或减少权重，使用梯度下降算法基于分析结果自动调整故障识别模型中的权重因子和灵敏度参数，调整目标是最大化故障处理的成功率和效率，同时最小化资源消耗。
通过实际故障处理数据反馈，持续优化故障识别模型的准确性。使用线性回归和梯度下降算法调整模型参数，提高故障处理的成功率和效率。实现了故障识别模型的自我学习和适应性调整，提升了整个电力系统的可靠性。
实施例二：参照图2，为本发明的一个实施例，提供了一种基于保电平台故障处置智能决策系统，包括：
数据采集模块、故障处理模块、事件图谱构建模块、决策评估模块以及决策可视化模块。
数据采集模块用于保电平台实时采集电力数据，根据实时的电力数据确定当前发生的故障事件以及发生故障事件的设备。
故障处理模块用于根据故障事件、发生故障事件的设备对应的设备类型匹配待选择处理决策。
事件图谱构建模块用于调取历史故障事件对应的处理决策和处理结果，构建历史故障事件的规程数据，根据所述历史故障事件的规程数据构建故障事件的事件图谱。
决策评估模块用于基于规程数据与事件图谱对每个待选择处理决策的处理结果进行评估，并获取当前的调度资源信息，根据评估结果以及调度资源信息选择当前发生的故障事件的处理决策。
决策可视化模块用于保电平台将选择的当前发生的故障事件的处理决策发送至对应的操作人员。
实施例三：本发明的一个实施例，其不同于前两个实施例的是：
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置）、便携式计算机盘盒（磁装置）、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编辑只读存储器（EPROM或闪速存储器）、光纤装置以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
实施例四：为本发明的一个实施例，提供了一种基于保电平台故障处置智能决策方法，为验证本发明方法的有效性，设计了一个模拟实验，比较了本发明方法与传统方法以及现有技术A和B在电力系统故障处理方面的性能。
传统方法应用SCADA系统，SCADA系统实时监控电力系统的运行状态，收集关键的运行数据，并支持一定程度的自动化控制。尽管SCADA系统提供了实时监控和数据收集能力，但在故障分析和决策制定方面仍然依赖于人工干预，特别是在处理复杂、非线性的故障模式时，其自动化处理的有效性有限。
现有技术A采用基于预设规则的自动化故障处理系统，这类系统根据预设的逻辑和规则来自动识别和响应故障，通过设置故障阈值来触发报警和执行预定义的处理程序。虽然提高了处理速度，但在面对复杂故障场景时，预设规则的灵活性和适应性有限，难以应对多变的故障模式。
现有技术B主要依靠人工经验和简单的监控设备来判断和处理电力系统中的故障，通过人工监视系统状态，依靠简单的指示器或警报来识别故障，然后根据运维人员的经验来决定处理措施，传统方法依赖于人工经验，响应时间长，难以及时准确地处理复杂或隐藏的故障，容易受到人为因素的影响，故障处理效率和准确性较低。
实验模拟了一个中型电力系统的运行环境，其中包含多个故障类型和复杂的网络结构。该系统配置了传感器和监控设备以收集电流、电压、频率和温度等实时数据。
本发明方法采用了先进的数据分析和人工智能技术，包括深度神经网络模型、图神经网络、社区检测算法、支持向量机模型、ARMA时间序列分析、Apriori算法和强化学习算法。这些技术被整合到保电平台中，形成一个智能决策支持系统。
在实验过程中，模拟了多种故障情况，包括设备过载、短路和老化等。每种故障情况下，分别采用传统方法、现有技术A和B以及本发明方法进行故障处理。在每次故障处理中，记录了故障识别时间、故障定位精度、处理时间、成功率和资源利用率。故障识别模型使用了实时数据，而故障处理策略则基于历史故障数据和实时分析结果。实验结束后，收集了所有故障处理的相关数据，并进行了统计分析。实验结果如表1所示：
表格中数据清晰地展示了本发明方法与其他方法在电力系统故障处理方面的性能对比。从故障识别时间来看，本发明方法远优于传统方法和现有技术A、B。使用的高效的故障识别模型，能够迅速处理实时数据并准确识别故障。由于采用了图神经网络和社区检测算法，在故障定位精度方面能够准确分析故障传播路径和关键节点。相比之下，传统方法和现有技术的定位精度较低。故障处理时间是衡量故障处置效率的关键指标。本发明方法通过优化后的故障处理策略和自动化决策支持实现的。同时，故障处理成功率显示了本发明方法在处理各类故障方面的高效性和可靠性。资源利用率方面，本发明方法得益于强化学习算法的应用，使得故障处理策略能够根据实际情况动态调整，优化资源分配。
综上所述，通过对比实验数据可以看出，本发明方法在故障处理的速度、精度、成功率和资源效率方面都具有显著优势，为电力系统故障处置提供了一种高效、智能的解决方案。通过本发明，显著提高电力系统的稳定性和可靠性，减少故障对供电系统的影响，保障电力系统的连续运行。
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 (5)
1.一种基于保电平台故障处置智能决策方法，其特征在于，包括：
保电平台实时采集电力数据，根据实时的电力数据确定当前发生的故障事件以及发生故障事件的设备；
根据故障事件、发生故障事件的设备对应的设备类型匹配待选择处理决策；
调取历史故障事件对应的处理决策和处理结果，构建历史故障事件的规程数据，根据所述历史故障事件的规程数据构建故障事件的事件图谱；
基于规程数据与事件图谱对每个待选择处理决策的处理结果进行评估，并获取当前的调度资源信息，根据评估结果以及调度资源信息选择当前发生的故障事件的处理决策；
保电平台将选择的当前发生的故障事件的处理决策发送至对应的操作人员；
所述根据实时的电力数据确定当前发生的故障事件包括：
基于实时的电力数据构建故障识别模型，基于所述故障识别模型获得故障评分S，若S小于预设阈值，则判断设备状态正常，若S大于等于预设阈值，则判断设备状态异常发生故障；
构建深度神经网络模型，将故障评分与设备关键特征作为输入数据输入到深度神经网络模型中，根据输入数据对故障类型进行分类，确定故障类型；
所述采集电力数据包括电流、电压、频率和温度；
所述确定故障类型包括确定故障为过载、短路或设备老化，所述设备关键特征包括历史运行数据、维护记录和网络拓扑结构；
所述发生故障事件的设备是当识别出特定的故障类型后，分析与类型故障相关的典型设备特性，若判断为过载故障，关注电流超标的设备；若判断为短路故障，检查电压异常下降的区域；若判断为设备老化，关注历史数据中表现出性能下降的设备；
利用电力系统的网络拓扑结构信息，对从特性分析中识别的设备或区域，使用电力网络模型分析故障信号的传播路径，并结合故障类型和分析结果，识别故障源头的设备或线路；
在完成网络拓扑的定位分析后，应用K-均值聚类对受故障影响的设备或线路的数据进行分组，识别相似模式，分析受影响的设备或线路在故障发生时的行为，识别出在故障事件中表现出相似异常行为的设备群体，使用Apriori算法发现故障类型与设备或线路间的关联性，分析历史故障数据，寻找故障事件和设备特性之间的潜在关系，将K-均值聚类和Apriori算法的结果与网络拓扑定位分析结果进行对比，确定发生故障事件的设备；
所述故障识别模型表示为，
其中，S表示故障评分，w1,w2,w3,w4分别表示权重因子，e表示自然对数的底数，α表示模型参数，用于调整电流特征变换的灵敏度，I表示电流值，ln表示自然对数函数，β表示模型参数，用于调整电压特征变换的灵敏度，V表示电压值，γ表示模型参数，用于调整频率特征变换的灵敏度，F表示频率值，δ表示模型参数，用于调整温度特征变换的灵敏度，sin表示正弦函数，T表示温度值；
所述匹配待选择处理决策包括对故障类型和故障位置进行分析，确定故障的关键特征，根据故障特征从电力系统的故障处理数据库中匹配处理方案进行故障处理，记录故障事件的故障类型、发生时间、影响范围、受影响的设备类型、实施的处理措施信息，将故障事件按类型、原因、影响范围因素进行分类，对每个故障事件所采取的处理决策进行记录，并关联到对应的故障事件，分析每个故障事件处理决策效果，所述处理决策效果包括故障恢复的速度和效率、是否有重复故障；
所述构建故障事件的事件图谱包括构建事件图谱模型，每个故障事件都作为一个节点，节点包含故障的类型、位置、受影响的设备类型信息以及历史故障事件的处理决策和处理结果，对于图谱中的每个故障事件节点，构建规程数据，记录故障处理的标准程序和步骤以及处理结果，分析故障事件之间的因果关系、时间序列关系和影响范围，并映射为图谱中的边，识别故障模式、关键节点和潜在的风险点，考虑历史故障事件的处理决策和结果，分析处理措施对系统的影响，优化未来的故障处理策略；
所述根据评估结果以及调度资源信息选择当前发生的故障事件的处理决策包括通过图神经网络模型对事件图谱分析，识别故障事件的类型、具体位置和受影响的设备类型以及故障事件间的相互影响和传播路径；应用社区检测算法在事件图谱中识别故障模式和关键节点；结合图神经网络和社区检测算法获得的特征，使用支持向量机模型对故障事件进行深度学习分类；对分类后的故障事件进行时间序列分析，使用ARMA模型评估故障的影响；利用Apriori算法，评估历史上针对不同类别故障的处理决策和结果；根据前面的分析结果，使用强化学习算法优化故障处理策略；
所述使用强化学习算法优化故障处理策略包括定义状态空间St，表示为，
St＝{ft,lt,dt,rt}
其中，ft表示故障类型，lt表示故障位置，dt表示受影响的设备类型，rt表示资源状态；
构建行动空间At，所述行动空间At包括派遣维修团队a1，调配备件a2，调整运行模式a3，定义故障处理时可以采取的所有行动选项；
设计奖励函数R(St,At)，表示为，
其中，T(ft,lt,At)表示处理时间，C(rt,At)表示总成本，λ表示平衡因子；
应用深度Q网络学习最优行动策略，使用DQN模型学习在特定状态St下采取的最优行动At；
所述DQN模型表示为，
其中，Q*(St,At)表示在状态St下采取行动At的最优预期奖励，max表示寻找使期望奖励最大化的策略，π表示故障处理策略，E表示故障处理策略的期望奖励值，∑表示求和符号，k＝0到∞表示考虑从当前时刻到未来所有可能的故障处理步骤，γ表示折扣因子，k表示故障处理过程中的时间步索引，∣表示给定当前状态和行动的条件下；
优化策略π并将其应用于实际故障处理，监控结果并据此调整策略，表示为，
其中，π*(St)表示在状态St下的最优故障处理策略，argmaxAt表示确定最大化预期奖励的故障处理行动，At表示在时间t可选的故障处理行动。
2.如权利要求1所述的基于保电平台故障处置智能决策方法，其特征在于：所述优化未来的故障处理策略包括基于强化学习流程的结果调整所述故障识别模型的参数，收集强化学习流程中得到的故障处理数据，所述故障处理数据包括每次处理的成功率、持续时间和资源消耗，将故障处理数据与故障识别模型生成的故障识别结果进行关联分析，使用线性回归分析确定故障识别参数与故障处理效率间的关系，使用线性回归分析结果来确定哪些故障识别参数与故障处理效率最相关，确定需要调整的参数范围和调整的方向，使用梯度下降算法基于分析结果自动调整故障识别模型中的权重因子和灵敏度参数，调整目标是最大化故障处理的成功率和效率，同时最小化资源消耗。
3.一种采用如权利要求1～2任一所述的基于保电平台故障处置智能决策方法的系统，其特征在于，包括：数据采集模块、故障处理模块、事件图谱构建模块、决策评估模块以及决策可视化模块；
所述数据采集模块用于保电平台实时采集电力数据，根据实时的电力数据确定当前发生的故障事件以及发生故障事件的设备；
所述故障处理模块用于根据故障事件、发生故障事件的设备对应的设备类型匹配待选择处理决策；
所述事件图谱构建模块用于调取历史故障事件对应的处理决策和处理结果，构建历史故障事件的规程数据，根据所述历史故障事件的规程数据构建故障事件的事件图谱；
所述决策评估模块用于基于规程数据与事件图谱对每个待选择处理决策的处理结果进行评估，并获取当前的调度资源信息，根据评估结果以及调度资源信息选择当前发生的故障事件的处理决策；
所述决策可视化模块用于保电平台将选择的当前发生的故障事件的处理决策发送至对应的操作人员。
4.一种计算机设备，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至2中任一项所述的基于保电平台故障处置智能决策方法的步骤。
5.一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至2中任一项所述的基于保电平台故障处置智能决策方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410369636.7A CN117973902B (zh) | 2024-03-28 | 2024-03-28 | 一种基于保电平台故障处置智能决策方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410369636.7A CN117973902B (zh) | 2024-03-28 | 2024-03-28 | 一种基于保电平台故障处置智能决策方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117973902A CN117973902A (zh) | 2024-05-03 |
| CN117973902B true CN117973902B (zh) | 2024-07-12 |
Family
ID=90848163
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410369636.7A Active CN117973902B (zh) | 2024-03-28 | 2024-03-28 | 一种基于保电平台故障处置智能决策方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117973902B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118134208A (zh) * | 2024-05-06 | 2024-06-04 | 国网山东省电力公司滨州市沾化区供电公司 | 输变电运检数据处理方法、系统、终端及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108320043A (zh) * | 2017-12-19 | 2018-07-24 | 江苏瑞中数据股份有限公司 | 一种基于电力大数据的配电网设备状态诊断预测方法 |
| CN112383052A (zh) * | 2020-11-16 | 2021-02-19 | 国网电子商务有限公司 | 基于电力物联网的电网故障修复方法和装置 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10425291B2 (en) * | 2015-01-27 | 2019-09-24 | Moogsoft Inc. | System for decomposing events from managed infrastructures with prediction of a networks topology |
| CN107633307B (zh) * | 2017-09-08 | 2021-08-31 | 国家计算机网络与信息安全管理中心 | 供配电系统根源告警检测方法、装置、终端及计算机存储介质 |
| CN109636131A (zh) * | 2018-11-21 | 2019-04-16 | 北京域天科技有限公司 | 一种应急通信智能应急决策支持系统 |
| CN110110870B (zh) * | 2019-06-05 | 2022-03-22 | 厦门邑通软件科技有限公司 | 一种基于事件图谱技术的设备故障智能监控方法 |
| US11886515B2 (en) * | 2021-09-03 | 2024-01-30 | Thomson Reuters Enterprise Centre Gmbh | Hierarchical clustering on graphs for taxonomy extraction and applications thereof |
| CN117420380A (zh) * | 2023-09-14 | 2024-01-19 | 云南电网有限责任公司丽江供电局 | 一种配电网故障预警、处置方法及系统 |
| CN117436004B (zh) * | 2023-12-20 | 2024-03-22 | 深圳市鸿明机电有限公司 | 电机性能实时监测系统及方法 |
| CN117763449A (zh) * | 2023-12-28 | 2024-03-26 | 易站智联科技(广州)有限公司 | 一种多源故障自主定位与分类方法 |
-
2024
- 2024-03-28 CN CN202410369636.7A patent/CN117973902B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108320043A (zh) * | 2017-12-19 | 2018-07-24 | 江苏瑞中数据股份有限公司 | 一种基于电力大数据的配电网设备状态诊断预测方法 |
| CN112383052A (zh) * | 2020-11-16 | 2021-02-19 | 国网电子商务有限公司 | 基于电力物联网的电网故障修复方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117973902A (zh) | 2024-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117973902B (zh) | 一种基于保电平台故障处置智能决策方法及系统 | |
| Al-Dahidi et al. | Remaining useful life estimation in heterogeneous fleets working under variable operating conditions | |
| Huang et al. | Dissolved gas analysis of mineral oil for power transformer fault diagnosis using fuzzy logic | |
| Aizpurua et al. | Towards a methodology for design of prognostic systems | |
| Du et al. | Degradation process prediction for rotational machinery based on hybrid intelligent model | |
| CN108196143A (zh) | 电力变压器故障深度诊断方法及终端设备 | |
| Sharma et al. | Review of artificial intelligence techniques application to dissolved gas analysis on power transformer | |
| CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
| CN117390536A (zh) | 基于人工智能的运维管理方法及系统 | |
| Dong | Combining unsupervised and supervised learning for asset class failure prediction in power systems | |
| CN117422447A (zh) | 变压器维护策略生成方法、系统、电子设备及存储介质 | |
| Esmaeili Nezhad et al. | A review of the applications of machine learning in the condition monitoring of transformers | |
| CN116720324A (zh) | 基于预测模型的牵引变电所关键设备故障预警方法及系统 | |
| CN117590159A (zh) | 一种基于深度学习的隧道电缆供电状态监测方法及系统 | |
| CN117630758B (zh) | 发电站变压器健康状态监测方法及系统 | |
| CN117689373A (zh) | 一种柔性直流牵引供电系统能量路由器维护决策支持方法 | |
| CN117408162A (zh) | 基于数字孪生的电网故障控制方法 | |
| Gopakumar et al. | Determination of Power Transformer Fault’s Severity Based on Fuzzy Logic Model with GR, Level and DGA Interpretation | |
| CN115864644A (zh) | 一种继电保护装置状态评价方法、系统、设备及介质 | |
| KR102350636B1 (ko) | 플랜트 고장 예지 장치 및 방법 | |
| Palhares et al. | Bayesian network and compact genetic algorithm approach for classifying partial discharges in power transformers | |
| Verbeke et al. | Fleet-Based Remaining Useful Life Prediction of Safety-critical Electronic Devices | |
| CN117272844B (zh) | 配电盘工作寿命的预测方法及系统 | |
| CN117992776B (zh) | 基于人工智能的电网设备健康状态实时预测方法 | |
| CN117574303B (zh) | 施工状况的监测预警方法、装置、设备及存储介质 |
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 |