TWI753397B - 具有自我健康狀態預測功能的電力設備及其自我健康狀態預測方法以及適用於多個電力設備的雲端伺服器 - Google Patents

具有自我健康狀態預測功能的電力設備及其自我健康狀態預測方法以及適用於多個電力設備的雲端伺服器 Download PDF

Info

Publication number
TWI753397B
TWI753397B TW109111228A TW109111228A TWI753397B TW I753397 B TWI753397 B TW I753397B TW 109111228 A TW109111228 A TW 109111228A TW 109111228 A TW109111228 A TW 109111228A TW I753397 B TWI753397 B TW I753397B
Authority
TW
Taiwan
Prior art keywords
data
prediction
health
electrical equipment
cloud server
Prior art date
Application number
TW109111228A
Other languages
English (en)
Other versions
TW202133194A (zh
Inventor
林詠翔
葉佳珉
Original Assignee
碩天科技股份有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 碩天科技股份有限公司 filed Critical 碩天科技股份有限公司
Publication of TW202133194A publication Critical patent/TW202133194A/zh
Application granted granted Critical
Publication of TWI753397B publication Critical patent/TWI753397B/zh

Links

Images

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/40—Testing power supplies
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/008—Reliability or availability analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3447—Performance evaluation by modeling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/185—Electrical failure alarms
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B7/00—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00
    • G08B7/06—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00 using electric transmission, e.g. involving audible and visible signalling through the use of sound and light sources
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J9/00—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting
    • H02J9/04—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting in which the distribution system is disconnected from the normal source and connected to a standby source
    • H02J9/06—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting in which the distribution system is disconnected from the normal source and connected to a standby source with automatic change-over, e.g. UPS systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/02—Details
    • H04L12/16—Arrangements for providing special services to substations
    • H04L12/18—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast
    • H04L12/1895—Arrangements for providing special services to substations for broadcast or conference, e.g. multicast for short real-time information, e.g. alarms, notifications, alerts, updates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/28—Supervision thereof, e.g. detecting power-supply failure by out of limits supervision
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0751—Error or fault detection not based on redundancy
    • G06F11/0754—Error or fault detection not based on redundancy by exceeding limits
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/16—Error detection or correction of the data by redundancy in hardware
    • G06F11/20—Error detection or correction of the data by redundancy in hardware using active fault-masking, e.g. by switching out faulty elements or by switching in spare elements
    • G06F11/2015—Redundant power supplies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
    • H04L51/04—Real-time or near real-time messaging, e.g. instant messaging [IM]
    • H04L51/046—Interoperability with other network applications or services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
    • H04L51/58—Message adaptation for wireless communication
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/18—Network protocols supporting networked applications, e.g. including control of end-device applications over a network

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Medical Informatics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Emergency Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Power Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Water Supply & Treatment (AREA)

Abstract

本發明提出一種具有自我健康狀態預測功能的電力設備及其自我健康狀態預測方法以及一種適用於多個電力設備的雲端伺服器。所述電力設備透過其通訊模組自前述雲端伺服器取得電力設備之一健康指數預測模型與一健康預測指數門檻值，並用以將所取得的多個感測資料與電力設備之基本資料帶入健康指數預測模型來進行運算，以獲得一健康預測指數。所述電力設備還用以依據健康預測指數與健康預測指數門檻值的比較結果來取得電力設備之一健康狀態預測資料，以便執行一後續處理。其中健康指數預測模型係前述雲端伺服器透過機器學習的方式來建立與訓練。

Description

具有自我健康狀態預測功能的電力設備及其自我健康狀態預測方法以及適用於多個電力設備的雲端伺服器
本發明涉及電力供應之技術領域，特別是涉及一種具有自我健康狀態預測功能的電力設備及其自我健康狀態預測方法以及一種適用於多個電力設備的雲端伺服器。
電力裝置，例如是不斷電系統(uninterruptible power system，UPS)、電源分配單元(power distribution unit，PDU)或自動電源切換開關(auto transfer switch，ATS)，係用以提供一操作電源給至少一負載，以便這些負載能夠正常操作。
然而，一旦電力裝置發生故障(例如因其內部零件損壞而導致故障)，就很可能會使得電力裝置無法正常供電給負載，進而使得這些負載無法正常操作。此時，若有重要的負載(例如是關鍵的醫療設備)無法正 常操作，則其所造成的後果是難以想像的。因此，若能夠預測電力裝置的健康狀態，使得維護人員能在電力裝置的健康狀態不佳時就先進行預防性的處置，這樣就能夠有效防止前述問題。
本發明的其中一目的在於提供一種具有自我健康狀態預測功能的電力設備。
本發明的另一目的在於提供一種電力設備的自我健康狀態預測方法。
本發明的再一目的在於提供一種適用於多個電力設備的雲端伺服器。
為達上述目的，本發明提供一種具有自我健康狀態預測功能的電力設備，其包括有多個感測器、一通訊模組、一控制單元與一記憶單元。所述之多個感測器用以取得多個感測資料。所述之控制單元用以透過通訊模組自一雲端伺服器取得電力設備之一健康指數預測模型與一健康預測指數門檻值，並用以將該些感測資料與電力設備之基本資料帶入健康指數預測模型來進行運算，以獲得一健康預測指數，並依據健康預測指數與健康預測指數門檻值的比較結果來取得電力設備之一健康狀態預測資料，以便執行一後續處理，其中健康指數預測模型係所述雲端伺服器透過機器學習的方式來建立與訓練。至於所述記憶單元，其用以儲存電力設備之基本資料、健康指數預測模型與健康預測指數門檻值。
為達上述目的，本發明另提供一種電力設備的自我健康狀態預測方法，所述電力設備包括有多個感測器與一通訊模組，而所述方法包括 有下列步驟：透過通訊模組自一雲端伺服器取得電力設備之一健康指數預測模型與一健康預測指數門檻值，其中健康指數預測模型係所述雲端伺服器透過機器學習的方式來建立與訓練；透過該些感測器取得多個感測資料；將該些感測資料與電力設備之基本資料帶入健康指數預測模型來進行運算，以獲得一健康預測指數；以及依據健康預測指數與健康預測指數門檻值的比較結果來取得電力設備之一健康狀態預測資料，以便執行一後續處理。
為達上述目的，本發明再提供一種雲端伺服器，其適用於多個電力設備。所述雲端伺服器包括有一通訊模組、一資料庫、一預測模型訓練模組與一資料蒐集模組。所述資料庫用以儲存每一電力設備的基本資料、感測資料、健康狀態預測資料、異常事件資料、壽命資料與維修資料，並用以儲存每一電力設備之一設備型號所對應的一健康預測指數門檻值。所述預測模型訓練模組用以針對每一設備型號來建立與訓練一健康指數預測模型，每一健康指數預測模型係依據資料庫中之具有一對應設備型號的該些電力設備的基本資料、感測資料、健康狀態預測資料、異常事件資料、壽命資料與維修資料而透過機器學習的方式來建立與訓練。至於資料蒐集模組，其用以透過通訊模組蒐集每一電力設備的基本資料、感測資料、健康狀態預測資料、異常事件資料，並依據每一電力設備的基本資料取得其對應之一壽命資料。此資料蒐集模組更用以提供一網路使用者介面，以透過網路使用者介面蒐集每一電力設備的維修資料與該些健康預測指數門檻值，並將蒐集到的所有資料、該些健康預測指數門檻值與取得的該些壽命資料皆儲存至資 料庫中。
為了讓上述目的、技術特徵以及實際實施後的增益性更為明顯易懂，於下文中將係以較佳的實施範例輔佐對應相關的圖式來進行更詳細的說明。
110:雲端伺服器
112:預測模型訓練模組
114:資料庫
116:資料蒐集模組
116-1:網路使用者介面
118:警示訊息推播模組
120、136:通訊模組
130:電力設備
132:控制單元
132-1:健康指數預測模組
132-2:健康狀態分析模組
134:記憶單元
138:感測器
140:警報模組
S310~S318、S410~S418、S510~S516:步驟
圖1繪有依照本發明一實施例之多個電力設備與依照本發明一實施例之雲端伺服器。
圖2係繪示圖1之每一電力設備的內部架構。
圖3為每一健康指數預測模型的建立流程。
圖4為每一健康指數預測模型的訓練流程。
圖5為依照本發明一實施例之電力設備的自我健康狀態預測方法的流程。
為更清楚了解本發明的特徵、內容與優點及其所能達成的功效，茲將本發明配合附圖，並以實施例的表達形式詳細說明如下，而其中所使用的圖式，其主旨僅為示意及輔助說明書之用，未必為本發明實施後的真實比例與精準配置，故不應就所附的圖式的比例與配置關係解讀、侷限本發明於實際實施上的權利範圍。
本發明的優點、特徵以及達到的技術方法將參照例示性實施例及所附圖式進行更詳細地描述而更容易理解，且本發明或可以不同形式來實 現，故不應被理解僅限於此處所陳述的實施例，相反地，對所屬技術領域具有通常知識者而言，所提供的實施例將使本揭露更加透徹與全面且完整地傳達本發明的範疇，且本發明將僅為所附加的申請專利範圍所定義。
圖1繪有依照本發明一實施例之多個電力設備與依照本發明一實施例之雲端伺服器，而圖2係繪示圖1之每一電力設備的內部架構。請同時參照圖1與圖2，在此例中，雲端伺服器110包括有預測模型訓練模組112、資料庫114、資料蒐集模組116、警示訊息推播模組118與通訊模組120，而每一電力設備130包括有控制單元132、記憶單元134、通訊模組136、多個感測器138與警報模組140。為方便說明，以下說明係以這些電力設備130皆為不斷電系統為例。這些電力設備130可以是皆為在線式不斷電系統(On-line UPS)、皆為離線式不斷電系統(Off-line UPS)或皆為在線互動式不斷電系統(Line-interactive UPS)，亦或者是由上述三種不斷電系統中之至少其中二種混和組成。另外，圖2僅繪示每一電力設備130中之與本發明相關的部分，以便聚焦在本發明之技術內容。
首先先說明電力設備130的操作。請參照圖2，電力設備130的控制單元132用以透過這些感測器138來取得多個感測資料，其取得這些資料的方式係可採用定時的方式或採用不定時的方式。而所取得的感測資料包括電力設備130的輸入電壓、輸入電流、輸出電壓、輸出電流、電池電壓、電池充電電流、電池放電電流、環境溫度、環境濕度之至少其中之一。在取得這些感測資料後，控制單元132便會據以決定是 否有發生異常事件(例如輸入電壓過低、電池電壓過低、電池內阻過高、環境溫度過高等等)，以取得異常事件資料，並將所取得的這些感測資料與所取得的異常事件資料皆儲存至記憶單元134中。記憶單元134亦儲存有電力設備130的基本資料，所述的基本資料包括電力設備130的設備型號、製造日期、額定功率、額定電壓與額定電流之至少其中之一。
控制單元132還用以透過通訊模組136自雲端伺服器110取得電力設備130之一健康指數預測模型與一健康預測指數門檻值，並將所取得的健康指數預測模型與健康預測指數門檻值皆儲存在記憶單元134中，其中健康指數預測模型係雲端伺服器110透過機器學習的方式來建立與訓練(詳後述)。在取得健康指數預測模型與健康預測指數門檻值後，控制單元132便將所取得的該些感測資料與電力設備130之基本資料帶入健康指數預測模型來進行運算，以獲得一健康預測指數(其例如是電力設備130在未來一預定時間內會發生故障的機率)，並依據健康預測指數與健康預測指數門檻值的比較結果來取得電力設備130之一健康狀態預測資料，並將所取得的健康狀態預測資料亦儲存至記憶單元134中。
在此例中，控制單元132包括有健康指數預測模組132-1與健康狀態分析模組132-2。其中健康指數預測模組132-1即用以將所取得的該些感測資料與電力設備130之基本資料帶入健康指數預測模型來進行運算，以獲得上述之健康預測指數。而健康狀態分析模組132-2即用以比較所取得的健康預測指數與健康預測指數門檻值，據以取得上述之健 康狀態預測資料。
在取得電力設備130的健康狀態預測資料後，控制單元132便據以執行一後續處理。舉例來說，當所取得的健康狀態預測資料呈現電力設備130的健康狀態不佳時，那麼所述之後續處理可包括透過通訊模組136通知一郵件伺服器(未繪示)發出一警報信件、透過通訊模組136通知一簡訊發報機(未繪示)發出一警報簡訊以及控制警報模組140發出一警報之至少其中之一，以使得維護人員能夠先進行預防性的處置，例如更換即將損壞的零件。當然，無論所取得的健康狀態預測資料所呈現之電力設備130的健康狀態為何，所述之後續處理亦可包括透過通訊模組136來將取得的健康狀態預測資料傳送至雲端伺服器110，以便雲端伺服器110依據此健康狀態預測資料所呈現之電力設備130的健康狀態來執行一對應處理(詳後述)。
另外，在此例中，警報模組140包括一顯示裝置(未繪示)與一聲音警示裝置(未繪示)之至少其中之一，以依照實際的需求發出對應的警示訊息。此外，在此例中，控制單元132更用以透過通訊模組136自雲端伺服器110取得一警報執行腳本。此警報執行腳本具有由一使用者設定的一警報動作與至少一判斷條件。所述之判斷條件例如是電池電壓是否低於一第一預設值、電力設備130的輸出電壓是否低於一第二預設值等等。當控制單元132判斷此警報執行腳本中所設定的這些條件皆被滿足時，便控制警報模組140執行上述之警報動作。所述警報動作例如是控制警報模組140中的顯示裝置發出紅色閃爍光，或是控制警報模組140中的聲音警示裝置發出一連串的警報聲，亦或是同時執行 上述二種警示方式。
接下來將說明雲端伺服器110的操作。請再參照圖1，在此例中，雲端伺服器110的資料庫114用以儲存每一電力設備130的基本資料、感測資料、健康狀態預測資料、異常事件資料、壽命資料與維修資料，並用以儲存每一電力設備130之一設備型號所對應的一健康預測指數門檻值。舉例來說，若圖1中的這些電力設備130共具有二種設備型號，則資料庫114便會儲存這二種設備型號所對應的二個健康預測指數門檻值。
預測模型訓練模組112用以針對每一設備型號來建立與訓練一健康指數預測模型，每一健康指數預測模型係依據資料庫114中之具有一對應設備型號的該些電力設備130的基本資料、感測資料、健康狀態預測資料、異常事件資料、壽命資料與維修資料而透過機器學習的方式來建立與訓練。在此例中，雲端伺服器110所使用的機器學習演算法包括類神經網路演算法(Artificial neural network algorithm)、決策樹演算法(Decision tree algorithm)、K平均演算法(K-means algorithm)、支援向量機演算法(Support vector machine algorithm)、線性回歸演算法(Linear regression algorithm)與邏輯回歸演算法(Logistic regression algorithm)之至少其中之一。
資料蒐集模組116用以透過通訊模組120蒐集每一電力設備130的基本資料、感測資料、健康狀態預測資料、異常事件資料，並依據每一電力設備130的基本資料取得其對應之一壽命資料。此外，資料蒐集模組116更用以提供網路使用者介面(web-based user interface)116-1，以 透過網路使用者介面116-1蒐集每一電力設備130的維修資料與該些健康預測指數門檻值，並將蒐集到的所有資料、該些健康預測指數門檻值與取得的該些壽命資料皆儲存至資料庫114中。
接下來將進一步說明每一健康指數預測模型的建立方式。圖3即為每一健康指數預測模型的建立流程。請同時參照圖3與圖1，在開始建立健康指數預測模型之前，資料庫114需先預存至少一種設備型號所對應之至少部分電力設備130的基本資料、感測資料、健康狀態預測資料、異常事件資料、壽命資料與維修資料，且所預存的資料需達一定數量。此外，部分的預存資料可由使用者給定，例如健康狀態預測資料。而雲端伺服器110即是依據其資料庫114所預存的現有資料來建立所需的健康指數預測模型。
在開始建立一健康指數預測模型時，預測模型訓練模組112便會自資料庫114中取得具有一對應設備型號的該些電力設備130的基本資料、感測資料、健康狀態預測資料、異常事件資料、壽命資料與維修資料，並據以透過機器學習的方式來建立一故障發生率預測模型(如步驟S310所示)。接著，預測模型訓練模組112將所取得之每一電力設備130的基本資料、感測資料、健康狀態預測資料、異常事件資料、壽命資料與維修資料帶入上述故障發生率預測模型，以取得前述每一電力設備130之一故障發生率預測值(如步驟S312所示)。
接下來，預測模型訓練模組112依據所取得之該些電力設備130的基本資料、感測資料、健康狀態預測資料、異常事件資料、壽命資料、維修資料與故障發生率預測值而透過機器學習的方式來建立一剩餘壽 命預測模型(如步驟S314所示)。然後，預測模型訓練模組112將所取得之每一電力設備130的基本資料、感測資料、健康狀態預測資料、異常事件資料、壽命資料、維修資料與故障發生率預測值帶入上述剩餘壽命預測模型，以取得前述每一電力設備130之一剩餘壽命預測值(如步驟S316所示)。接下來，預測模型訓練模組112依據所取得之該些電力設備130的基本資料、感測資料、健康狀態預測資料、異常事件資料、壽命資料、維修資料、故障發生率預測值與剩餘壽命預測值而透過機器學習的方式來建立一健康指數預測模型(如步驟S318所示)。
接下來將進一步說明每一健康指數預測模型的訓練方式。在建立完所需的健康指數預測模型後，雲端伺服器110會透過通訊模組120將建立好的這些健康指數預測模型傳送至對應的電力設備130，以供這些電力設備130產生新的健康狀態預測資料。接著，雲端伺服器110會再透過資料蒐集模組116蒐集這些健康指數預測模型所對應之該些電力設備130的基本資料、感測資料、健康狀態預測資料、異常事件資料與維修資料，並依據前述之每一電力設備130的基本資料取得其對應之一壽命資料，並把新蒐集到的資料以及新取得的這些壽命資料皆儲存至資料庫114中。如此一來，儲存內容更新後之資料庫114便儲存有原來的預存資料、新蒐集到的資料以及新取得的壽命資料。而雲端伺服器110即是依據資料庫114中之原預存的資料與新儲存的資料來訓練前述的這些健康指數預測模型。
圖4即為每一健康指數預測模型的訓練流程。請同時參照圖4與圖1，在開始訓練其中一健康指數預測模型時，預測模型訓練模組112便會 自儲存內容更新後之資料庫114中取得具有對應設備型號的該些電力設備130的基本資料、感測資料、健康狀態預測資料、異常事件資料、壽命資料與維修資料，並據以透過機器學習的方式來訓練對應之故障發生率預測模型(如步驟S410所示)。接著，預測模型訓練模組112將所取得之每一電力設備130的基本資料、感測資料、健康狀態預測資料、異常事件資料、壽命資料與維修資料帶入訓練完之故障發生率預測模型，以取得前述每一電力設備130之一故障發生率預測值(如步驟S412所示)。
接下來，預測模型訓練模組112依據所取得之該些電力設備130的基本資料、感測資料、健康狀態預測資料、異常事件資料、壽命資料、維修資料與故障發生率預測值而透過機器學習的方式來訓練對應之剩餘壽命預測模型(如步驟S414所示)。然後，預測模型訓練模組112將所取得之每一電力設備130的基本資料、感測資料、健康狀態預測資料、異常事件資料、壽命資料、維修資料與故障發生率預測值帶入訓練完之剩餘壽命預測模型，以取得前述每一電力設備130之一剩餘壽命預測值(如步驟S416所示)。接下來，預測模型訓練模組112依據所取得之該些電力設備130的基本資料、感測資料、健康狀態預測資料、異常事件資料、壽命資料、維修資料、故障發生率預測值與剩餘壽命預測值而透過機器學習的方式來訓練對應之健康指數預測模型(如步驟S418所示)。
在訓練完所需的這些健康指數預測模型後，雲端伺服器110會透過通訊模組120將訓練好的這些健康指數預測模型傳送至對應的電力設備 130，以供這些電力設備130使用。當然，前述的訓練流程可採用定期的方式或者採用不定期的方式再次執行，以便重新訓練這些健康指數預測模型。而隨著訓練次數的增加，健康狀態預測資料的精準度亦會隨之增加。
請再參照圖1，在此例中，當資料蒐集模組116判斷有任一新取得的健康狀態預測資料呈現出其對應之電力設備130的健康狀態不佳時，資料蒐集模組116便透過警示訊息推播模組118推播一警示訊息至對應使用者之智慧型手持裝置。所述智慧型手持裝置例如是手機、筆記型電腦或平板電腦。此外，在此例中，資料蒐集模組116更透過網路使用者介面116-1接收使用者所設定的一警報動作與至少一判斷條件，據以產生一警報執行腳本，並透過通訊模組120將此警報執行腳本傳送至至少一對應電力設備130。
儘管在前述實施例中，雲端伺服器110係具有警示訊息推播模組118，且每一電力設備130係具有警報模組140，然此並非用以限制本發明，本領域之通常知識者應知警示訊息推播模組118與警報模組140係可依據實際的設計需求來決定是否採用。此外，儘管在前述實施例中係以所有電力設備130皆為不斷電系統為例，然此亦非用以限制本發明，本領域之通常知識者應知前述這些電力設備130亦可皆為電源分配單元或是皆為自動電源切換開關，亦或是由上述三種電力設備中之至少其中二種混和組成。當然，若有電力設備130係採電源分配單元或是自動電源切換開關來實現，則其基本資料、感測資料、健康狀態預測資料、異常事件資料、壽命資料、維修資料及對應的健康預測指 數門檻值的內容便需對應地調整，且其對應的健康指數預測模型、故障發生率預測模型與剩餘壽命預測模型中所考量的因子亦需對應地調整。
此外，藉由上述說明，本領域之通常知識者應可歸納出本發明之電力設備的自我健康狀態預測方法的一些基本操作步驟，以圖5來說明之。圖5即為依照本發明一實施例之電力設備的自我健康狀態預測方法的流程。所述電力設備包括有多個感測器與一通訊模組，而所述方法包括有下列步驟：首先，透過通訊模組自一雲端伺服器取得電力設備之一健康指數預測模型與一健康預測指數門檻值(如步驟S510所示)，其中健康指數預測模型係所述雲端伺服器透過機器學習的方式來建立與訓練。接著，透過該些感測器取得多個感測資料(如步驟S512所示)。接下來，將該些感測資料與電力設備之基本資料帶入健康指數預測模型來進行運算，以獲得一健康預測指數(如步驟S514所示)。然後，依據健康預測指數與健康預測指數門檻值的比較結果來取得電力設備之一健康狀態預測資料，以便執行一後續處理(如步驟S516所示)。當然，前述步驟S510與S512係可對調。
綜上所述，由於本發明之電力設備能夠執行自我健康狀態預測功能，並可在健康狀態預測資料呈現其健康狀態不佳時執行對應的後續處理，使得維護人員能在電力裝置的健康狀態不佳時就先進行預防性的處置。此外，由於本發明之雲端伺服器能不斷地重新訓練電力設備所需之健康指數預測模型，因此健康狀態預測資料的精準度亦會不斷提高。
以上所述的實施例僅係為說明本發明的技術思想及特點，其目的在使熟習此項技藝的人士能夠瞭解本創作的內容並據以實施，當不能以之限定本發明的專利範圍，即凡依本發明所揭示的精神所作的均等變化或修飾，仍應涵蓋在本發明的專利範圍內。
S510~S516:步驟

Claims (9)

  1. 一種雲端伺服器，適用於多個電力設備，該雲端伺服器包括：一通訊模組；一資料庫，用以儲存每一電力設備的基本資料、感測資料、健康狀態預測資料、異常事件資料、壽命資料與維修資料，並用以儲存每一電力設備之一設備型號所對應的一健康預測指數門檻值；一預測模型訓練模組，用以針對每一設備型號來建立與訓練一健康指數預測模型，每一健康指數預測模型係依據該資料庫中之具有一對應設備型號的該些電力設備的基本資料、感測資料、健康狀態預測資料、異常事件資料、壽命資料與維修資料而透過機器學習的方式來建立與訓練；以及一資料蒐集模組，用以透過該通訊模組蒐集每一電力設備的基本資料、感測資料、健康狀態預測資料、異常事件資料，並依據每一電力設備的基本資料取得其對應之一壽命資料，該資料蒐集模組更用以提供一網路使用者介面，以透過該網路使用者介面蒐集每一電力設備的維修資料與該些健康預測指數門檻值，並將蒐集到的所有資料、該些健康預測指數門檻值與取得的該些壽命資料皆儲存至該資料庫中。
  2. 如申請專利範圍第1項所述之雲端伺服器，其中該預測模型訓練模組在建立每一健康指數預測模型時所執行之步驟包括：自該資料庫中取得具有一對應設備型號的該些電力設備的基本資料、感測資料、健康狀態預測資料、異常事件資料、壽命資料與維修 資料，並據以透過機器學習的方式來建立一故障發生率預測模型；將所取得之每一電力設備的基本資料、感測資料、健康狀態預測資料、異常事件資料、壽命資料與維修資料帶入該故障發生率預測模型，以取得每一電力設備之一故障發生率預測值；依據所取得之該些電力設備的基本資料、感測資料、健康狀態預測資料、異常事件資料、壽命資料、維修資料與故障發生率預測值而透過機器學習的方式來建立一剩餘壽命預測模型；將所取得之每一電力設備的基本資料、感測資料、健康狀態預測資料、異常事件資料、壽命資料、維修資料與故障發生率預測值帶入該剩餘壽命預測模型，以取得每一電力設備之一剩餘壽命預測值；以及依據所取得之該些電力設備的基本資料、感測資料、健康狀態預測資料、異常事件資料、壽命資料、維修資料、故障發生率預測值與剩餘壽命預測值而透過機器學習的方式來建立一健康指數預測模型。
  3. 如申請專利範圍第2項所述之雲端伺服器，其中該預測模型訓練模組在建立完該些健康指數預測模型後，便會訓練每一健康指數預測模型，該預測模型訓練模組在訓練每一健康指數預測模型時所執行之步驟包括：自儲存內容更新後之該資料庫中取得具有該對應設備型號的該些電力設備的基本資料、感測資料、健康狀態預測資料、異常事件資料、壽命資料與維修資料，並據以透過機器學習的方式來訓練該故障發生率預測模型；將所取得之每一電力設備的基本資料、感測資料、健康狀態預測資 料、異常事件資料、壽命資料與維修資料帶入訓練完之該故障發生率預測模型，以取得每一電力設備之一故障發生率預測值；依據所取得之該些電力設備的基本資料、感測資料、健康狀態預測資料、異常事件資料、壽命資料、維修資料與故障發生率預測值而透過機器學習的方式來訓練該剩餘壽命預測模型；將所取得之每一電力設備的基本資料、感測資料、健康狀態預測資料、異常事件資料、壽命資料、維修資料與故障發生率預測值帶入訓練完之該剩餘壽命預測模型，以取得每一電力設備之一剩餘壽命預測值；以及依據所取得之該些電力設備的基本資料、感測資料、健康狀態預測資料、異常事件資料、壽命資料、維修資料、故障發生率預測值與剩餘壽命預測值而透過機器學習的方式來訓練該健康指數預測模型。
  4. 如申請專利範圍第1項所述之雲端伺服器，其中每一電力設備之基本資料包括設備型號、製造日期、額定功率、額定電壓與額定電流之至少其中之一。
  5. 如申請專利範圍第1項所述之雲端伺服器，其中每一電力設備之感測資料包括輸入電壓、輸入電流、輸出電壓、輸出電流、電池電壓、電池充電電流、電池放電電流、環境溫度、環境濕度之至少其中之一。
  6. 如申請專利範圍第1項所述之雲端伺服器，其更包括一警示訊息推播模組，且當該資料蒐集模組判斷有任一健康狀態預測資料呈現出其對應之一電力設備的健康狀態不佳時，該資料蒐集模組便透過該警示訊息推播模組推播一警示訊息至一對應使用者之一智慧型手持裝置。
  7. 如申請專利範圍第1項所述之雲端伺服器，其中該資料蒐集模組更透過該網路使用者介面接收一使用者所設定的一警報動作與至少一判斷條件，據以產生一警報執行腳本，並透過該通訊模組將該警報執行腳本傳送至至少一對應電力設備。
  8. 如申請專利範圍第1項所述之雲端伺服器，其中該雲端伺服器所使用的機器學習演算法包括類神經網路演算法、決策樹演算法、K平均演算法、支援向量機演算法、線性回歸演算法與邏輯回歸演算法之至少其中之一。
  9. 如申請專利範圍第1項所述之雲端伺服器，其中該些電力設備皆為不斷電系統、電源分配單元或自動電源切換開關。
TW109111228A 2020-02-19 2020-04-01 具有自我健康狀態預測功能的電力設備及其自我健康狀態預測方法以及適用於多個電力設備的雲端伺服器 TWI753397B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010101505.2A CN113298278B (zh) 2020-02-19 2020-02-19 具有自我健康状态预测功能的电力设备及其自我健康状态预测方法以及云端服务器
CN202010101505.2 2020-02-19

Publications (2)

Publication Number Publication Date
TW202133194A TW202133194A (zh) 2021-09-01
TWI753397B true TWI753397B (zh) 2022-01-21

Family

ID=77271852

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109111228A TWI753397B (zh) 2020-02-19 2020-04-01 具有自我健康狀態預測功能的電力設備及其自我健康狀態預測方法以及適用於多個電力設備的雲端伺服器

Country Status (3)

Country Link
US (1) US11106985B1 (zh)
CN (1) CN113298278B (zh)
TW (1) TWI753397B (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220229755A1 (en) * 2021-01-16 2022-07-21 Hewlett-Packard Development Company, L.P. Docking stations health
CN113869721A (zh) * 2021-09-27 2021-12-31 广东电网有限责任公司 一种变电设备健康状态分类方法及装置
CN118202690A (zh) * 2021-10-20 2024-06-14 诺基亚通信公司 测量松弛
CN114091618A (zh) * 2021-11-30 2022-02-25 重庆允成互联网科技有限公司 工业设备健康状态诊断管理方法、装置及服务器
CN114216558B (zh) * 2022-02-24 2022-06-14 西安因联信息科技有限公司 一种无线振动传感器电池剩余寿命预测方法及系统
CN114298443B (zh) * 2022-03-03 2022-06-14 北京航空航天大学杭州创新研究院 基于健康状态指数的工业设备预测性维护方法、装置和电子设备
CN114861827B (zh) * 2022-05-27 2024-03-26 太原理工大学 基于多源数据融合的采煤机预测诊断与健康管理方法
CN117195323A (zh) * 2022-05-30 2023-12-08 硕天科技股份有限公司 云端服务器及其操作方法
CN114819415B (zh) * 2022-06-27 2022-09-20 中国标准化研究院 一种基于数据分析的电力设备故障预测系统
CN115359633A (zh) * 2022-08-11 2022-11-18 深圳市伊力科电源有限公司 健康状态预警方法、不间断电源及计算机可读存储介质
CN115355942B (zh) * 2022-08-16 2023-07-18 华珑(沈阳)智能电气有限公司 适用于kyn开关柜的健康管理方法
CN115759408B (zh) * 2022-11-21 2024-03-08 贵州电网有限责任公司 一种输变电设备寿命预测方法、装置、设备及存储介质
CN116132470A (zh) * 2022-12-27 2023-05-16 交控科技股份有限公司 一种基于安全云平台的ats系统及处理方法
CN115796059B (zh) * 2023-02-07 2023-06-20 中国电建集团山东电力建设第一工程有限公司 一种基于深度学习的电气设备寿命预测方法及系统
CN116093459B (zh) * 2023-03-20 2023-07-21 苏州时代华景新能源有限公司 一种锂电池储能箱的智能监测方法及系统
CN116774135B (zh) * 2023-08-22 2023-11-17 山东国研自动化有限公司 一种远程抄表异常监测方法及系统
CN117077873B (zh) * 2023-10-18 2024-06-04 金现代信息产业股份有限公司 一种工器具报废预测方法、系统、设备及介质
CN117196591B (zh) * 2023-11-07 2024-02-09 成都理工大学 一种设备失效模式预判与剩余寿命预测耦合系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW555986B (en) * 2001-04-06 2003-10-01 Eni Technology Inc Electrical power system, power delivery system, and method of monitoring power delivery system
TW200819723A (en) * 2006-07-03 2008-05-01 Ritsumeikan University Method and system for diagnosing equipment, and recording medium thereof
TWI451113B (zh) * 2007-07-23 2014-09-01 黃永松 Battery performance monitoring
US20180232036A1 (en) * 2017-02-15 2018-08-16 Vigyanlabs Innovations Private Limited Adaptive power consumption management in smart devices
CN109901075A (zh) * 2017-12-11 2019-06-18 福特全球技术公司 用于预测电池寿命的方法
TW201930910A (zh) * 2018-01-11 2019-08-01 日商半導體能源研究所股份有限公司 二次電池的異常檢測裝置、異常檢測方法以及程式
TWI669617B (zh) * 2018-10-12 2019-08-21 財團法人工業技術研究院 設備健康狀態監控方法及其系統

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9557723B2 (en) * 2006-07-19 2017-01-31 Power Analytics Corporation Real-time predictive systems for intelligent energy monitoring and management of electrical power networks
US20160247065A1 (en) * 2006-02-14 2016-08-25 Power Analytics Corporation Systems and Methods for Real-Time Forecasting and Predicting of Electrical Peaks and Managing the Energy, Health, Reliability, and Performance of Electrical Power Systems Based on an Artificial Adaptive Neural Network
US20090113049A1 (en) * 2006-04-12 2009-04-30 Edsa Micro Corporation Systems and methods for real-time forecasting and predicting of electrical peaks and managing the energy, health, reliability, and performance of electrical power systems based on an artificial adaptive neural network
CN108279383B (zh) * 2017-11-30 2020-07-03 深圳市科列技术股份有限公司 电池寿命预测方法、电池数据服务器及电池数据处理系统
CN110545334A (zh) * 2018-05-29 2019-12-06 硕天科技股份有限公司 Ip地址显示设备及采用此ip地址显示设备的电源分配器与不断电系统
EP3591800B1 (en) * 2018-07-03 2023-11-15 Schneider Electric IT Corporation Uninterruptible power suppy and non-transitory computer-readable medium
CN109271741B (zh) * 2018-10-25 2023-06-27 北京航空航天大学 一种降压型dc-dc电源模块剩余使用寿命预测与健康评估方法
US11927925B2 (en) * 2018-11-19 2024-03-12 Johnson Controls Tyco IP Holdings LLP Building system with a time correlated reliability data stream
US10984154B2 (en) * 2018-12-27 2021-04-20 Utopus Insights, Inc. System and method for evaluating models for predictive failure of renewable energy assets
CN110208705A (zh) * 2019-05-09 2019-09-06 赛尔网络有限公司 一种锂电池剩余寿命预测方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW555986B (en) * 2001-04-06 2003-10-01 Eni Technology Inc Electrical power system, power delivery system, and method of monitoring power delivery system
TW200819723A (en) * 2006-07-03 2008-05-01 Ritsumeikan University Method and system for diagnosing equipment, and recording medium thereof
TWI451113B (zh) * 2007-07-23 2014-09-01 黃永松 Battery performance monitoring
US20180232036A1 (en) * 2017-02-15 2018-08-16 Vigyanlabs Innovations Private Limited Adaptive power consumption management in smart devices
CN109901075A (zh) * 2017-12-11 2019-06-18 福特全球技术公司 用于预测电池寿命的方法
TW201930910A (zh) * 2018-01-11 2019-08-01 日商半導體能源研究所股份有限公司 二次電池的異常檢測裝置、異常檢測方法以及程式
TWI669617B (zh) * 2018-10-12 2019-08-21 財團法人工業技術研究院 設備健康狀態監控方法及其系統

Also Published As

Publication number Publication date
US20210256400A1 (en) 2021-08-19
TW202133194A (zh) 2021-09-01
CN113298278A (zh) 2021-08-24
US11106985B1 (en) 2021-08-31
CN113298278B (zh) 2023-12-05

Similar Documents

Publication Publication Date Title
TWI753397B (zh) 具有自我健康狀態預測功能的電力設備及其自我健康狀態預測方法以及適用於多個電力設備的雲端伺服器
KR102107117B1 (ko) IoT를 활용한 전기설비 모니터링 시스템
BRPI1100290A2 (pt) mÉtodo para detectar comportamento em equipamento de subestaÇço elÉtrica
KR102296568B1 (ko) 머신러닝 기반 배전반 관제시스템
JP7275490B2 (ja) 容量推定システム、容量推定方法、及び通信デバイス
KR101291287B1 (ko) 예비용 배터리를 구비한 유피에스의 유지보수 시스템
KR20200084401A (ko) 빅데이타를 활용한 공기압축기 양방향 고장진단 및 원격운전제어 시스템
KR102296561B1 (ko) 지그비를 이용한 인공지능 기반 복수개의 배전반 통합 관제시스템
US11677253B2 (en) Monitoring device, monitoring method, computer program, deterioration determination method, deterioration determination device, and deterioration determination system
CN117411184B (zh) 中低压供电应急处置智能指挥系统
CN117375147B (zh) 一种储能电站的安全监测预警与运行管理方法及系统
EP3705783A1 (en) System for controlling and monitoring devices, plants and/or domestic circuits and operation method thereof
CN114694354A (zh) 换电站安全告警方法及系统、云端服务器及存储介质
JP2022134340A (ja) 周辺機器、監視システム、監視方法及びプログラム
CN116799968B (zh) 用电设备的安全管理系统
JP2021092984A (ja) 非常用充放電器の遠隔監視システム
KR102627520B1 (ko) 배전 지능화 기기의 모니터링 장치 및 방법
JPWO2019208147A1 (ja) 蓄電装置、蓄電装置の制御装置及び蓄電装置の制御方法
CN217561935U (zh) 蓄电池在线监控系统
CN111652497B (zh) 基于调度规程的刀闸异常发热辅助决策系统
KR102420120B1 (ko) 전력량 측정장치의 이상상태 모니터링 시스템
CN105637890B (zh) 监视系统、通信适配器以及监视方法
Ragasudha et al. Real Time Smart Transformer Design Based on IoT
CN208723914U (zh) 一种广播设备的故障类别诊断系统
WO2020217328A1 (ja) 蓄電システムの保守方法及びコンピュータプログラム