WO2015176565A1 - 一种基于多维时间序列的电气设备故障预测方法 - Google Patents

一种基于多维时间序列的电气设备故障预测方法 Download PDF

Info

Publication number
WO2015176565A1
WO2015176565A1 PCT/CN2015/072881 CN2015072881W WO2015176565A1 WO 2015176565 A1 WO2015176565 A1 WO 2015176565A1 CN 2015072881 W CN2015072881 W CN 2015072881W WO 2015176565 A1 WO2015176565 A1 WO 2015176565A1
Authority
WO
WIPO (PCT)
Prior art keywords
time series
data
fault
equipment
time
Prior art date
Application number
PCT/CN2015/072881
Other languages
English (en)
French (fr)
Inventor
袁志贤
Original Assignee
袁志贤
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 袁志贤 filed Critical 袁志贤
Publication of WO2015176565A1 publication Critical patent/WO2015176565A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass

Definitions

  • the invention belongs to the research field of computer technology and electric power professional intersection, and specifically proposes a device fault prediction method based on multi-dimensional time series for power system.
  • some equipment is a large-scale equipment that maintains the operation of the power grid, such as transformers in substations, steam turbines, generators, excitation systems, etc., which are the core of power enterprise equipment. If failure occurs, it will not only affect the production of the enterprise. The normal operation will also cause huge losses. Serious accidents of large steam turbines occurring at home and abroad are typical examples. Therefore, in order to take preventive measures in time and avoid unnecessary losses, it is very important to predict the failure of these core devices.
  • the invention captures the time series sampling data of the fault point of the power equipment and the historical monitoring time series data before the fault point, captures the change of the peripheral equipment and the device before the fault occurs, and establishes a kind of A general multi-dimensional time series-based analysis mining method, through mining to capture the change characteristics of other devices associated with this fault before the failure of the critical core device, that is, the "precursor event", to achieve the target of predicting the fault or impact.
  • the time series data in the power system is a kind of high-density sampling data, the sampling standard storage methods are different, and the historical time series data volume is relatively large, and the current time series analysis algorithm cannot meet the current demand for advanced applications such as fault prediction.
  • the invention proposes three key steps in a device fault prediction method based on multi-dimensional time series: historical time series training data establishment and time series decomposition, feature event generation and association association based fault association mining as follows:
  • a time series is a sequence of time information and each time point consists of a single or multiple variables. From a time series perspective, each data unit can be abstracted into a two-tuple (v, t). Where: t is the time variable; v is the data variable, reflecting the actual meaning of the data unit, such as the state of the switch, the value of the analog quantity, and so on.
  • the time series is a finite set ⁇ (v 0 , t 0 ), (v 1 , t 1 ), ... ⁇ , and the time series data composed of multiple measurement items of multiple devices is a multi-dimensional time series.
  • the establishment of multi-dimensional time series data requires certain data conversion and normalization of existing measurement data. In terms of normalization, it is necessary to unify the time interval, such as interpolating the data compressed in the power history based on the revolving gate algorithm into time and aligning with the sampling interval.
  • the historical data of the device is classified layer by layer according to the physical connection relationship, and is divided into one connection, two times connection, and n times.
  • the iterative range and time window are used together as an iterative adjustment parameter, and iterative mining calculation is performed in the training phase to obtain a training model that satisfies the requirements.
  • the time window w needs to be set multiple times according to the actual situation, but at least it is greater than the cycle period of all devices in the normal state, so as to judge the change of the device index.
  • the cyclical variation factor is the characteristic quantity collected by the measuring point, which is affected by the variation of the periodic factor, and a periodic fluctuation of the length and amplitude formed in a certain period of time.
  • Irregular changes also known as random changes, are irregular changes caused by various accidental factors.
  • the time series y can be expressed as a function of the above three factors, namely:
  • three decomposition factor subsequences are obtained from the original sequence: the trend factor sequence T t , the periodic variation factor sequence S t and the irregular variation factor I t .
  • Time series data has the characteristics of large scale, frequent short-term fluctuations, a large amount of noise interference and non-steady state, which makes the similarity query, time series classification and clustering, and time series pattern mining directly in the original time series not only inefficient, It even affects the accuracy and reliability of time series data mining. Therefore, based on the decomposition of historical time series data, this patent proposes a new time series feature description method, extracts the main features of the sequence, and then prepares data for the subsequent data mining steps.
  • This paper proposes a new time-sequence representation method for the sequence of factores after decomposition: the main features are extracted from the three factor sequences, and their features are transformed into sample data in association rule mining.
  • the random part has been removed, so the local extreme point and the inflection point are used to describe the variation characteristics, and the extreme point indicates the sample value before and after this time point.
  • the event is changed from small to large, and the inflection point is the key point indicating the rate of change of the trend.
  • v m is the termination point of the time series data
  • this patent focuses on the point where the slope of the function changes to zero, that is, the inflection point.
  • the inflection point indicates the transformation of the growth trend of the function, so it is also very important for sampling.
  • the second derivative of the inflection point is zero, and its discretization is expressed as:
  • the characteristic events corresponding to the extreme values and the inflection points in T t can be identified as the trend becomes larger, the trend becomes smaller, the trend growth rate becomes smaller, and the trend growth rate becomes larger.
  • the sequence is more regular, and the key features in the sequence: period, amplitude, phase are used to describe its sequence.
  • the historical monitoring data under normal working conditions of the system is obtained.
  • the key eigenvalues of the normal periodic sequence of the feature quantity are established, and the normal period characteristic model is established.
  • the periodic sequence feature value of the fault sample is compared with the normal cycle feature model, and the change exceeds the set threshold to identify the feature event.
  • association rule mining is to search for all strong association rules that satisfy the preset minimum support threshold and minimum confidence threshold by a certain data mining algorithm for a given transaction data set.
  • Association rules The basic process of mining is divided into two phases: 1 searching for all frequent itemsets in the transaction database; 2 generating strong association rules from frequent itemsets. In these two phases, finding the most frequent itemsets is the most critical, and it determines the overall performance of the association rules.
  • Table 1 data composition of the transaction data set
  • the original transaction data set is the transaction item ID and the event analyzed by the first two algorithms based on the multi-dimensional time series data—that is, some measurement index of the device in the device topology network.
  • the characteristic event of the decomposition sequence - composition is used for association analysis.
  • the Aprior algorithm uses an iterative method of layer-by-layer search, using frequent K itemsets (K items in the set, and the combination of these K items appears more frequently than the minimum support given in advance) to find frequent (K +1) item set.
  • the algorithm finds the frequent 1 item set records it as L1, then uses L1 to find the frequent 2 item set, denotes L2, and then uses L2 to find L3, and so on, until the Lk item set that does not meet the minimum support degree, that is, the frequent K item. set.
  • the prediction rules of the algorithm output are:
  • n devices which are the secondary indicator abnormal modes of the decomposition time series.
  • Ws is the fault or impact of the s type of critical equipment W.
  • the invention has the beneficial effects that the method is a data-driven fault prediction method, which overcomes the difficulty of modeling complex and prior parameter determination based on the previous model method.
  • the method is based on a large amount of historical monitoring data, mining associated rules that meet the set confidence level, filtering out noise data, eliminating accidental events that cause false alarms, and effectively identifying faults or impacts on core devices.
  • the method not only analyzes the individual devices independently, but also considers the network topology of the device where the core device is located, analyzes the relationship between the abnormal changes of the device and the faults and impacts of the core devices, and identifies the ontology and external causes of the fault. . Longitudinal analysis is performed on the time dimension.
  • the result of the mining is a combination of precursory events with time advancement, so that the user can adopt anti-accident protection measures in advance for the core equipment according to the aura events.
  • the method is a fault prediction method based on the characteristics of electrical equipment combined with the characteristics of electrical equipment. It can effectively utilize the massive high-density operation monitoring data of the equipment to perform faults or impacts on the core equipment of the power enterprise. Predicting in advance so as to avoid preventive measures in a timely manner has very important practical value.
  • Figure 3 is a flow chart of the present invention.
  • the method is mainly divided into two phases, a training phase and a prediction phase, as shown in FIG.
  • the first phase is the training phase, which includes historical time series data decomposition, feature generation, and association rule analysis.
  • the measurement module judges the reliability of the association rule analysis. If the generated prediction rule supports and the confidence meets the requirements. Then, these rules are stored in the rule base for use in the prediction phase; otherwise, the time window parameters and the participating computing device nodes are adjusted, and iterative calculations are performed until the results meet the requirements. Through the steps of the above training process, a prediction rule with certain credibility is established.
  • the second phase is the forecast phase.
  • the device fault prediction application it is necessary to collect online monitoring data of each node in the device topology network in real time, and perform feature extraction on the multi-dimensional time series collection amount of the set period: the time series analysis method mentioned above is also used. Decomposition and feature generation. Based on the established prediction rule model and generated features, the impacts on critical equipment are predicted.

Abstract

一种基于多维时间序列的设备故障预测方法，该方法针对电力系统中高密集采样的在线运行电气测量数据，提出一种多维时间序列的数据挖掘方法，通过历史时间序列训练数据建立与时间序列分解算法、特征事件生成算法和基于关联规则的故障关联关系挖掘算法，与此故障有关联关系的其他设备的变化特征，即"前兆事件"挖掘出来，此关系形成设备故障预测模型，结合在线监测数据，为复杂非线性电气设备的故障预测与判断提供有力支撑。以上方法能有效利用设备的海量高密度运行监测历史数据，对电力企业核心设备所可能遭受的故障或冲击进行提前预测，以便及时采取预防措施避免。

Description

一种基于多维时间序列的电气设备故障预测方法 技术领域
本发明属于计算机技术与电力专业交叉的研究领域，具体是提出了针对电力系统的一种基于多维时间序列的设备故障预测方法。
背景技术
在电力行业，有一些设备是维持电网运行的大型设备，如变电站的变压器，发电站的汽轮机、发电机、励磁系统等，这些设备是电力企业设备的核心，如果发生故障，不但会影响企业生产的正常进行，还将造成巨大损失。国内外发生的大型汽轮机严重事故就是典型实例。因此，为了及时采取预防措施，避免不必要的损失，对这些核心设备进行故障预测具有非常重要的意义。
传统的时间序列预报是用线性模型来拟合数据序列，对线性系统有较好的结果，但不适合对非线性系统的预报。在实际中，由于核心设备与周边设备的拓扑结构复杂，关键核心设备的故障具有突发性，引起其故障的原因可能是外部的冲击或是本体的原因。在当前的研究中经常是通过故障发生时产生的暂态数据，如录波文件、告警等，进行较为独立的单一分析，较难实现对这些故障、冲击的预测。本专利基于多维时间序列历史数据，提出一种设备故障预测的方法，可有效综合利用设备拓扑网上传感器历史监测数据，对其中的信息进行抽样与挖掘，形成准确的预测模式，以达到对核心设备进行在线预测的目的。
发明内容
本发明通过对电力设备的故障点时间序列采样数据及故障点前的历史监测时间序列数据的分析，捕获周边设备、装置发生故障前的变化情况，建立一种 通用的基于多维时间序列的分析挖掘方法，通过挖掘捕获关键核心设备发生故障之前，与此故障有关联关系的其他设备的变化特征，即“前兆事件”，达到对故障或冲击进行预测的目标。由于电力系统中的时间序列数据是一种高密度采样数据，采样标准存储方式等各有不同，并且历史时序数据量比较庞大，当前的时序分析算法不能满足当前对故障预测等高级应用的需求，本发明提出一种基于多维时间序列的设备故障预测方法中的三个关键步骤：历史时间序列训练数据建立与时间序列分解、特征事件生成和基于关联规则的故障关联关系挖掘如下详述：
(1)历史时间序列训练数据建立与时间序列分解
时间序列是一种具有时间信息、并且每一个时间点都由单个或多个变量构成的序列。从时间序列的角度来看，每个数据单元可以被抽象为一个二元组(v，t)。其中：t为时间变量；v为数据变量，反映数据单元的实际意义，如开关的状态、模拟量的值等。时间序列为一个有限集{(v0，t0)，(v1，t1)，…}，由多个设备多个测量项构成的时间序列数据为多维时间序列。
建立多维时间序列数据需要对现有的测量数据进行一定的数据转换与规范化。在规范化方面，需要进行时间间隔的统一，比如将电力历史中基于旋转门算法压缩的数据插值为时间、与采样间隔对齐的数据。另外根据设备之间的拓扑关系，如图1所示，将设备的历史数据按照物理连接关系进行逐层分类，分为一次连接，二次连接…n次连接设备。将迭代的范围和时间窗口共同作为迭代调节参数，在训练阶段进行迭代挖掘计算，从而获得满足要求的训练模型。时间窗口w需要根据实际情况进行多次尝试设定，但至少要大于所有设备正常状态的循环周期，以便对设备的指标变化进行判断。
电力系统中传感器所采集的时间序列数据的变化受到趋势因素、周期变动 因素和不规则扰动因素这三个因素的影响，如图2所示。
a)趋势因素
反映了该特征量在一个较长时间内的发展方向，它可以在一个相当长的时间内表现为一种频率较低、变化较慢的行为。这种现象在电力系统中较为常见，比如变压器因介质老化而引起的某种气体含量有随着时间缓慢上升的情况。
b)周期变动因素
周期变动因素是测点所采集特征量，受周期性因素变动影响，在一段时间内所形成的一种长度和幅度固定的周期波动。
c)不规则变动因素
不规则变动又称随机变动，它是受各种偶然因素影响所形成的不规则变动。
时间序列y可表示为以上三个因素的函数，即：
yt＝f(Tt,St,It)
时间序列分解的方法较常用的模型有加法模型yt＝Tt+St+It和乘法模型yt＝Tt×St×It。经过时间序列的周期性分解方法的分解，从原始序列中，得到三个分解因素子序列:趋势因素序列Tt、周期变动因素序列St和不规则变动因素It。
(2)特征事件生成
时间序列数据具有规模大、短期波动频繁、大量噪声干扰以及非稳态等特点，这使得直接在原始时间序列上进行相似性查询、时间序列分类和聚类、时序模式挖掘等工作不但效率低下，甚至会影响时间序列数据挖掘的准确性和可靠性。因此本专利在对历史时间序列数据进行分解的基础上，提出一种新的时间序列特征描述方法，提取序列主要特征，进而为后续的数据挖掘步骤准备数据。
本专利针对分解后的因素序列，提出一种时间序列新的模式表示方法：从三种因素序列中提取了其主要特征，并将其特征转换为关联规则挖掘中的样本数据。
对于趋势序列Tt来说，由于其表示的是长期的趋势，已经去掉了随机的部分，因此采用局部极值点与拐点来描述其变化特征，极值点表示在此时间点前后的采样值由小变大的事件，而拐点是表示趋势变化率的关键点。
给定时间序列{<x1＝(v1,t1)>,…,<xn＝(vn,tn)>}，如果数据点xm满足下面条件之一：
当1<m<n时，存在下标i和j且1≤i<m<j≤n使得vm是vi,…,vj中的最小值且vi/vm≥R成立；当m＝1是即vm为时间序列的起始数据点时，存在j且m<j<＝n是的vm是vi,…,vj中的最小值且vj/vm≥R成立；当m＝n时，即vm为时间序列的终止数据点时，存在下标i且1<＝i<m使得vm是vi,…,vj中的最小值，且vj/vm≥R成立。
另外本专利关注了函数中斜率变化为零的点即拐点，拐点表明了函数的增长趋势的变换，因此对于采样也非常重要。拐点的二次导数为零，它的离散化表示为：
△2v[i]＝△v[i+1]-△v[i]
而其中
△v[i]＝v[i+1]-v[i]
v[i]为时间序列中第i个时间点的值，采样间隔为△t。△v[i]保存了临近两个值之间的差。如果△v[i]△v[i+1]<＝0，那么i+1次的采样值将同时小于或大于第i和i+2次的采样值。此时，它为一个极值。
Tt中的极值和拐点对应的特征事件可以标识为趋势变大、趋势变小、趋势增长率变小、趋势增长率变大。
对于周期序列St来说，序列较为规律，采用序列中的关键特征：周期、幅值、相位来描述其序列。在电力系统正常运行过程中，获得系统正常工作状态下的历史监控数据，用第一步中时间序列分解方法，将建立特征量的正常周期序列关键特征值，建立正常周期特征模型。在训练阶段，将故障样本的周期序列特征值与正常周期特征模型比较，其变化超过设定的阈值则标识为特征事件。
在分解随机序列It中，通常有一些样本不符合数据模型的一般规则，这些样本和数据集中的其他数据有很大的不同或不一致，而这些数据可能是有测量误差造成的，也可能缘于数据固有的可变性。由于It中数据分布是未知的，采用基于统计学的方法，基于系统正常工作状态下建立的常态数据统计模型，将反常点检测出来标识为正激励和反激励两种事件，构成关联规则挖掘所依赖的事务数据库中的一项事务。
(3)基于关联规则的故障关联关系挖掘
经过前两步算法的处理，形成关联规则挖掘的事务数据集：D＝{T1,T2,…,Tn}。其中Tj(j＝1,2,…,n)称为事务T；构成事务T的元素ik(k＝1,2,…,p)被称为项；设D中所有项的集合为I＝{i1,i2,…,im},显然
Figure PCTCN2015072881-appb-000001
关联规则A＝>B的支持度就是同时包含项集A和项集B的事务所在事务集合D的所有事务中所占的比例。关联规则A＝>B的置信度就是同时包含项集A和项集B的事务在所有事务中所占比例。如果存在关联规则A＝>B,其支持度和置信度分别满足用于预设的最小支持度阀值(min_Support)和最小置信度阀值(min_Confidence)，则称为强关联规则。强关联规则是故障关联关系存在的可信度较高的潜在规律，具有重要价值。
关联规则挖掘的基本过程为给定的事务数据集中通过一定的数据挖掘算法搜索满足预设的最小支持度阀值和最小置信度阀值的所有强关联规则。关联规 则挖掘的基本过程分为两个阶段：①寻找事务数据库中的所有频繁项集；②由频繁项集产生强关联规则。这两个阶段中，寻找频繁项集最为关键，它决定着关联规则的总体性能。
表1事务数据集的数据构成
Figure PCTCN2015072881-appb-000002
如表1所示为原始事务数据集，数据表中记录是事务项ID和由前两个算法根据多维时间序列数据分析得到的事件—即设备拓扑网络中的设备的某个测量指标的某个分解序列的特征事件—构成。要找到字段中频繁项集，考虑到设备故障预测是要提取一种因果关系，符合布尔关联规则的适用情况，因此使用Aprior算法进行关联分析。Aprior算法使用一种逐层搜寻的迭代方法，使用频繁K项集(集合中含有K个项，并且这K个项的组合出现的频率高于预先给点的最小支持度)去寻找频繁(K+1)项集。算法找出频繁1项集，记作L1,然后用L1发现频繁2项集，记作L2,再用L2发现L3，如此下去，直到不符合最小支持度为止的Lk项集，即频繁K项集。算法输出的预测规则形式为：
A1 iA2 j......An k→ws
其中
Figure PCTCN2015072881-appb-000003
代表可n个设备的第k个异常模式，这些异常模式为分解时间序列的二级指标异常模式。而Ws为关键设备W的s类型的故障或冲击。这些规则基 于样本的统计具有不同的支持度和置信度，即这些揭示设备内部隐含的故障关联关系的预测规则在一定的可信度下成立。
本发明的有益效果为：本方法是一种数据驱动的故障预测方法，克服了之前基于模型方法的建模复杂、先验参数确定的困难。该方法基于大量历史监测数据，挖掘满足设定置信度的关联规则，可滤除噪声数据，消除引起误报告警的偶然事件，有效识别对核心设备的故障或冲击。该方法不仅针对单个设备独立进行分析，而且将核心设备所在的设备网络拓扑整理考虑，分析设备异常变化特征与核心设备的所受故障、冲击的关联关系，可识别出故障的本体原因和外部原因。在时间维度上进行纵向分析，挖掘的结果是有时间提前量的先兆事件组合，以便于用户依据先兆事件对核心设备提前采用反事故保护措施。总的说来，该方法是一种从数据角度出发、结合电气设备特点的故障预测方法，能有效利用设备的海量高密度运行监测历史数据，对电力企业核心设备所可能遭受的故障或冲击进行提前预测，以便及时采取预防措施避免，具有非常重要的现实价值。
附图说明
下面结合附图及具体实施例对本发明再作进一步详细的说明。
图1为本发明设备之间的拓扑关系图；
图2为本发明的时间序列分解示意图；
图3为本发明的流程图。
具体实施方式
本方法主要分为训练阶段和预测阶段两个阶段进行实施，如图3所示。
第一个阶段为训练阶段，包含历史时间序列数据分解、特征生成、关联规则分析，测量模块是对关联规则分析的结果进行可信度判断，如果生成的预测规则的支持度、置信度满足要求，则将这些规则存入规则库以供预测阶段使用；反之则调整时间窗口参数及参与计算设备节点，进行迭代计算，直到结果满足要求为止。经过上述训练过程的步骤，建立了具有一定可信度的预测规则。
第二个阶段为预测阶段。在进行设备故障预测应用时，需要实时采集设备拓扑网络中的每个节点的在线监测数据，将设定周期的多维时间序列采集量进行特征提取：同样采用上面提到的是时间序列分析方法进行分解和特征生成。根据建立的预测规则模型和生成的特征，对关键设备所可能受到的冲击进行预测。

Claims (1)

  1. 一种基于多维时间序列的设备故障预测方法，其特征在于，所述方法分为两个阶段：训练阶段和预测阶段，
    其中所述训练阶段为：
    a)历史时间序列训练数据建立与时间序列分解
    对现有的测量数据进行一定的数据转换与规范化：在规范化方面，需要进行时间对齐、时间间隔的统一，另外根据设备之间的拓扑关系，将设备的历史数据按照物理连接关系进行逐层分类，分为广度N次连接的设备，同时提前的时间窗口w也作为可调整参数，将迭代的范围和时间窗口共同作为迭代调节参数，在训练阶段进行迭代挖掘计算，在迭代中不断调整参数获得最优结果；
    在对时间序列分解中，将原始多维时序数据分解得到三个分解因素子序列:趋势因素序列Tt、周期变动因素序列St和不规则变动因素It，从不同的角度描述时序数据的变化；
    b)特征事件生成
    在此模块中提出一种时间序列新的模式表示方法：从趋势因素、周期变动因素、不规则变动因素三种因素序列中提取了其主要特征，用不同的特征时间模式表示方法来抽取不同的分解序列中的特征事件，并将其特征转换为关联规则挖掘中的事务数据记录；
    c)基于关联规则的故障关联关系挖掘
    关联规则分析所用的事务数据集的记录是由事务项ID和由前两个算法对多维时间序列数据进行分析得到的特征事件构成，表示为设备拓扑网络中设备的某个测量指标分解序列的特征事件，进而采用Aprior算法对事务数据集进行挖掘，算法输出结果是揭示隐含的设备内部故障关联关系的预测规则，即满足一 定的支持度和置信度的、设备拓扑网络非核心设备的变化特征与核心设备的故障或冲击事件的关联关系；
    所述预测阶段为将一定时间窗口的在线监测时间序列数据用同样的时间序列数据分解、特征生成算法进行特征提取，进而与规则库中的预测规则进行匹配，从而提供故障预测结果给上层高级应用。
PCT/CN2015/072881 2014-05-22 2015-02-12 一种基于多维时间序列的电气设备故障预测方法 WO2015176565A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201410218375.5A CN103996077B (zh) 2014-05-22 2014-05-22 一种基于多维时间序列的电气设备故障预测方法
CN201410218375.5 2014-05-22

Publications (1)

Publication Number Publication Date
WO2015176565A1 true WO2015176565A1 (zh) 2015-11-26

Family

ID=51310237

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2015/072881 WO2015176565A1 (zh) 2014-05-22 2015-02-12 一种基于多维时间序列的电气设备故障预测方法

Country Status (2)

Country Link
CN (1) CN103996077B (zh)
WO (1) WO2015176565A1 (zh)

Cited By (50)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295882A (zh) * 2016-08-10 2017-01-04 国网北京市电力公司 用于预测设备需求的数据处理方法和装置
CN106651606A (zh) * 2016-11-29 2017-05-10 河南科技大学 一种多媒体社交网络用户行为模式发现方法
CN109614576A (zh) * 2018-12-11 2019-04-12 福建工程学院 基于多维高斯分布与趋势分段的变压器异常检测方法
CN109857758A (zh) * 2018-12-29 2019-06-07 天津南大通用数据技术股份有限公司 一种基于邻居窗口的关联分析方法及系统
CN110321240A (zh) * 2019-06-28 2019-10-11 阿里巴巴集团控股有限公司 一种基于时序预测的业务影响评估方法和装置
CN110502590A (zh) * 2019-08-27 2019-11-26 紫荆智维智能科技研究院(重庆)有限公司 基于格兰杰因果关系校验构建工业装备故障关系的方法
CN110598899A (zh) * 2019-07-31 2019-12-20 国网上海市电力公司 一种基于数据预测的地方电能表申校服务规划方法及系统
CN111275288A (zh) * 2019-12-31 2020-06-12 华电国际电力股份有限公司十里泉发电厂 基于XGBoost的多维数据异常检测方法与装置
CN111353637A (zh) * 2020-02-24 2020-06-30 北京工业大学 一种基于时空序列的大型活动突发事件预测分层架构和方法
CN111428344A (zh) * 2020-02-26 2020-07-17 长安大学 一种高速公路机电设备退化分析模型的构建方法
CN111488947A (zh) * 2020-04-28 2020-08-04 深圳力维智联技术有限公司 电力系统设备的故障检测方法与装置
CN111552843A (zh) * 2020-04-23 2020-08-18 中国电子科技集团公司第五十四研究所 一种基于加权因果依赖图的故障预测方法
CN111582343A (zh) * 2020-04-29 2020-08-25 青岛聚好联科技有限公司 一种设备故障预测的方法及装置
CN112213571A (zh) * 2019-07-11 2021-01-12 华北电力大学（保定） 一种电动汽车充电设施故障特征库的构建方法
CN112364069A (zh) * 2020-09-14 2021-02-12 光大环境科技（中国）有限公司 基于时间序列的热电偶故障预警方法、系统及存储介质
CN112487048A (zh) * 2020-10-28 2021-03-12 清华大学 基于时间序列异常波动的关联分析方法及装置
CN112785109A (zh) * 2019-11-11 2021-05-11 国网天津市电力公司 一种基于调控云的电网设备故障分析方法及系统
CN112801327A (zh) * 2019-11-14 2021-05-14 顺丰科技有限公司 预测物流件量与其建模的方法、装置、设备及存储介质
CN112884179A (zh) * 2021-03-30 2021-06-01 北京交通大学 基于机器故障和文本主题分析的城轨折返故障诊断方法
CN112906967A (zh) * 2021-02-24 2021-06-04 大唐环境产业集团股份有限公司 一种脱硫系统浆液循环泵性能预测方法、装置
CN112949677A (zh) * 2021-01-04 2021-06-11 杭州恒朴电子科技有限公司 一种基于邻近算法的分拣回流异常关联性分析方法
CN113268552A (zh) * 2021-05-28 2021-08-17 江苏国电南自海吉科技有限公司 一种基于局部敏感哈希的发电机设备隐患预警方法
CN113537627A (zh) * 2021-08-04 2021-10-22 华能(浙江)能源开发有限公司清洁能源分公司 一种面向运维的海上风电机组故障间隔时间预测方法
CN113556369A (zh) * 2020-04-24 2021-10-26 国网辽宁省电力有限公司 基于电力物联网的电网设备管控方法及管控系统
CN113572152A (zh) * 2021-06-21 2021-10-29 国网山东省电力公司电力科学研究院 一种基于FP-growth的风电机组振荡模态与影响因素关联分析方法
CN113642827A (zh) * 2021-06-21 2021-11-12 南方电网调峰调频发电有限公司 大坝监测数据的分析方法、装置、设备和存储介质
CN113691505A (zh) * 2021-08-05 2021-11-23 黎阳 基于大数据的工业互联网入侵检测方法
CN113987033A (zh) * 2021-12-28 2022-01-28 国网江西省电力有限公司电力科学研究院 主变在线监测数据群体偏差识别与校准方法
CN114091625A (zh) * 2022-01-18 2022-02-25 岚图汽车科技有限公司 一种基于故障代码序列的车辆零件失效预测方法及系统
CN114156865A (zh) * 2021-11-01 2022-03-08 国网天津市电力公司电力科学研究院 一种考虑状态感知的低压配电网拓扑生成及故障预测方法
CN114372093A (zh) * 2021-12-15 2022-04-19 南昌大学 一种变压器dga在线监测数据的处理方法
CN114386603A (zh) * 2022-01-13 2022-04-22 合肥工业大学 基于时序因果网络的火电厂发电机故障预警方法
CN114936581A (zh) * 2022-06-01 2022-08-23 中国人民解放军63796部队 一种基于时序数据分段的多参数关联挖掘方法
CN115329900A (zh) * 2022-10-12 2022-11-11 北京安帝科技有限公司 面向海量工控网络日志数据的异常事件挖掘方法及系统
CN115422263A (zh) * 2022-11-01 2022-12-02 广东亿能电力股份有限公司 一种电力现场多功能通用型故障分析方法及系统
WO2023029654A1 (zh) * 2021-09-06 2023-03-09 中兴通讯股份有限公司 一种故障根因确定方法、装置、存储介质及电子装置
CN115794801A (zh) * 2022-12-23 2023-03-14 东南大学 一种挖掘自动驾驶事故致因链式关系的数据分析方法
CN115829160A (zh) * 2022-12-29 2023-03-21 上海鼎茂信息技术有限公司 一种时序异常预测方法、装置、设备及存储介质
CN116093459A (zh) * 2023-03-20 2023-05-09 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
CN116187981A (zh) * 2023-04-21 2023-05-30 广东工业大学 一种基于历史维修数据的微波炉智能检测方法
CN116401614A (zh) * 2023-06-06 2023-07-07 苏州振州机电科技有限公司 设备的故障识别方法及系统
CN116628608A (zh) * 2023-04-23 2023-08-22 华能国际电力江苏能源开发有限公司 一种光伏发电故障诊断方法及系统
CN117081260A (zh) * 2023-10-12 2023-11-17 南京江行联加智能科技有限公司 应用边缘计算的可视化人工智能巡检系统及方法
CN117235649A (zh) * 2023-11-09 2023-12-15 广东正德工业科技股份有限公司 一种基于大数据的工业设备状态智能监测系统及方法
CN117436846A (zh) * 2023-12-18 2024-01-23 陕西智科云控电子有限公司 基于神经网络的设备预测性维护方法及系统
CN117478018A (zh) * 2023-12-28 2024-01-30 山东拓新电气有限公司 一种变频双轮铣车调速方法及系统
CN117592823A (zh) * 2024-01-19 2024-02-23 天津路联智通交通科技有限公司 一种土木建筑污水处理方法及系统
CN117665495A (zh) * 2024-02-01 2024-03-08 山西省财政税务专科学校 一种基于智能计算机的工业供配电故障诊断系统
CN117691755A (zh) * 2024-02-02 2024-03-12 南京雅宸众联电力技术有限公司 一种智能变电站二次回路的可视化监测及异常检测系统
CN114156865B (zh) * 2021-11-01 2024-04-23 国网天津市电力公司电力科学研究院 一种考虑状态感知的低压配电网拓扑生成及故障预测方法

Families Citing this family (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103996077B (zh) * 2014-05-22 2018-01-05 中国南方电网有限责任公司电网技术研究中心 一种基于多维时间序列的电气设备故障预测方法
CN104166727B (zh) * 2014-08-28 2018-01-02 北京京东尚科信息技术有限公司 一种相似性时间序列搜索的方法和装置
US10552746B2 (en) 2014-09-25 2020-02-04 International Business Machines Corporation Identification of time lagged indicators for events with a window period
CN104281891A (zh) * 2014-10-13 2015-01-14 安徽华贞信息科技有限公司 一种时间序列数据挖掘方法及系统
CN104316801B (zh) * 2014-10-31 2015-09-02 国家电网公司 基于时间序列相似性匹配的电力系统故障诊断方法
CN105634781B (zh) * 2014-11-05 2020-03-13 中兴通讯股份有限公司 一种多故障数据解耦方法和装置
CN105138413B (zh) * 2015-08-19 2019-03-08 中国电力科学研究院 一种配电网在线数据异常检测方法
CN105184394B (zh) * 2015-08-26 2019-12-24 中国电力科学研究院 基于配电网cps在线数据挖掘的优化控制方法
CN105608519A (zh) * 2015-11-09 2016-05-25 国家电网公司 一种电网通信设备运行状态的预测算法
CN108700873B (zh) * 2016-03-09 2022-02-11 西门子股份公司 用于自动化系统的现场设备的智能嵌入式控制系统
US20180005127A1 (en) * 2016-06-29 2018-01-04 Alcatel-Lucent Usa Inc. Predicting problem events from machine data
CN107248004B (zh) * 2016-07-20 2020-02-14 国网山东省电力公司电力科学研究院 一种用于线路故障预测的时序数据粒度统一转换方法
CN106383999A (zh) * 2016-09-13 2017-02-08 北京协力筑成金融信息服务股份有限公司 一种多源时序数据的趋势分析方法和装置
US10712733B2 (en) * 2016-12-12 2020-07-14 Mitsubishi Electric Research Laboratories, Inc. Methods and systems for discovery of prognostic subsequences in time series
CN106779505B (zh) * 2017-02-28 2021-04-02 中国南方电网有限责任公司 一种基于大数据驱动的输电线路故障预警方法及系统
CN108415789B (zh) * 2018-01-24 2020-05-22 西安交通大学 面向大规模混合异构存储系统的节点故障预测系统及方法
JP6865189B2 (ja) * 2018-03-16 2021-04-28 株式会社日立製作所 故障確率評価システム及び方法
US10740310B2 (en) * 2018-03-19 2020-08-11 Oracle International Corporation Intelligent preprocessing of multi-dimensional time-series data
CN110347544A (zh) * 2018-04-08 2019-10-18 微软技术许可有限责任公司 异常智能监测处理技术
CN110019421B (zh) * 2018-07-27 2023-09-01 山东大学 一种基于数据特征片段的时间序列数据分类方法
CN110874601B (zh) * 2018-08-29 2023-05-26 阿里巴巴集团控股有限公司 识别设备运行状态的方法、状态识别模型训练方法及装置
CN109490711B (zh) * 2018-11-27 2020-12-01 中国南方电网有限责任公司 基于保护启动录波数据的扰动路径分析方法
CN109768890B (zh) * 2019-01-17 2021-12-17 内蒙古工业大学 基于stl分解法的符号化有向加权复杂网络建网方法
CN110263944A (zh) * 2019-05-21 2019-09-20 中国石油大学(华东) 一种多变量故障预测方法和装置
CN110182520B (zh) * 2019-05-29 2020-11-17 浪潮集团有限公司 一种基于融合时序预测模型的钢卷仓储吞吐量的预测方法
CN110297951A (zh) * 2019-07-02 2019-10-01 济南浪潮高新科技投资发展有限公司 一种物联网数据的时间同步处理方法及系统、终端
CN112529232A (zh) * 2019-08-30 2021-03-19 比亚迪股份有限公司 车站设备故障预测方法、系统及轨道交通管理系统
CN110994788B (zh) * 2019-11-25 2021-08-20 北京科东电力控制系统有限责任公司 一种根据电网特征事件进行场景动态切换的方法、系统和存储介质
TWI719786B (zh) * 2019-12-30 2021-02-21 財團法人工業技術研究院 資料處理系統與方法
CN111242348B (zh) * 2019-12-30 2023-08-01 安徽先兆科技有限公司 基于时间序列的电气安全监测方法和系统
CN111459697A (zh) * 2020-03-27 2020-07-28 河海大学 一种基于深度学习网络的励磁系统故障监测方法
CN112464439A (zh) * 2020-11-02 2021-03-09 天津理工大学 基于三层数据挖掘的电力系统故障类型分析方法及装置
CN113343228B (zh) * 2021-06-30 2023-11-10 北京天融信网络安全技术有限公司 事件可信度分析方法、装置、电子设备及可读存储介质
CN113589098A (zh) * 2021-07-12 2021-11-02 国网河南省电力公司灵宝市供电公司 基于大数据驱动的电网故障预测和诊断方法
CN115460098B (zh) * 2022-09-15 2023-04-07 中国人民解放军军事科学院系统工程研究院 基于时间间隔分布特征的网络管理系统故障模型建立方法
CN115587978B (zh) * 2022-10-08 2023-04-21 盐城工学院 一种基于深度学习的地板革贴合压纹在线检测系统
CN115453297B (zh) * 2022-10-10 2024-01-30 东莞市昌晖电气工程有限公司 一种变压器局部放电在线监测系统及监测方法
CN116975604B (zh) * 2023-09-22 2023-12-08 张家港市得道电子有限公司 贴片机驱动系统的故障预测方法及系统
CN117350774B (zh) * 2023-12-05 2024-03-05 山东大学 基于大数据的市区体育建材预算执行管控方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101957889A (zh) * 2010-09-01 2011-01-26 燕山大学 一种基于选择性磨损的设备最优维修时间预测方法
CN102663412A (zh) * 2012-02-27 2012-09-12 浙江大学 基于最小二乘支持向量机的电力设备载流故障趋势预测方法
CN103996077A (zh) * 2014-05-22 2014-08-20 中国南方电网有限责任公司电网技术研究中心 一种基于多维时间序列的电气设备故障预测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0621734D0 (en) * 2006-11-01 2006-12-13 Univ Lancaster Machine learning
CN103341506B (zh) * 2013-07-10 2015-03-11 鞍钢股份有限公司 一种基于数据模式的板形时间序列数据挖掘方法
CN103676645B (zh) * 2013-12-11 2016-08-17 广东电网公司电力科学研究院 一种时间序列数据流中的关联规则的挖掘方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101957889A (zh) * 2010-09-01 2011-01-26 燕山大学 一种基于选择性磨损的设备最优维修时间预测方法
CN102663412A (zh) * 2012-02-27 2012-09-12 浙江大学 基于最小二乘支持向量机的电力设备载流故障趋势预测方法
CN103996077A (zh) * 2014-05-22 2014-08-20 中国南方电网有限责任公司电网技术研究中心 一种基于多维时间序列的电气设备故障预测方法

Cited By (77)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295882A (zh) * 2016-08-10 2017-01-04 国网北京市电力公司 用于预测设备需求的数据处理方法和装置
CN106651606A (zh) * 2016-11-29 2017-05-10 河南科技大学 一种多媒体社交网络用户行为模式发现方法
CN106651606B (zh) * 2016-11-29 2021-02-05 河南科技大学 一种多媒体社交网络用户行为模式发现方法
CN109614576A (zh) * 2018-12-11 2019-04-12 福建工程学院 基于多维高斯分布与趋势分段的变压器异常检测方法
CN109614576B (zh) * 2018-12-11 2022-08-30 福建工程学院 基于多维高斯分布与趋势分段的变压器异常检测方法
CN109857758A (zh) * 2018-12-29 2019-06-07 天津南大通用数据技术股份有限公司 一种基于邻居窗口的关联分析方法及系统
CN110321240A (zh) * 2019-06-28 2019-10-11 阿里巴巴集团控股有限公司 一种基于时序预测的业务影响评估方法和装置
CN112213571A (zh) * 2019-07-11 2021-01-12 华北电力大学（保定） 一种电动汽车充电设施故障特征库的构建方法
CN112213571B (zh) * 2019-07-11 2023-01-24 华北电力大学（保定） 一种电动汽车充电设施故障特征库的构建方法
CN110598899A (zh) * 2019-07-31 2019-12-20 国网上海市电力公司 一种基于数据预测的地方电能表申校服务规划方法及系统
CN110598899B (zh) * 2019-07-31 2023-09-15 国网上海市电力公司 一种基于数据预测的地方电能表申校服务规划方法及系统
CN110502590A (zh) * 2019-08-27 2019-11-26 紫荆智维智能科技研究院(重庆)有限公司 基于格兰杰因果关系校验构建工业装备故障关系的方法
CN112785109A (zh) * 2019-11-11 2021-05-11 国网天津市电力公司 一种基于调控云的电网设备故障分析方法及系统
CN112801327A (zh) * 2019-11-14 2021-05-14 顺丰科技有限公司 预测物流件量与其建模的方法、装置、设备及存储介质
CN111275288A (zh) * 2019-12-31 2020-06-12 华电国际电力股份有限公司十里泉发电厂 基于XGBoost的多维数据异常检测方法与装置
CN111275288B (zh) * 2019-12-31 2023-12-26 华电国际电力股份有限公司十里泉发电厂 基于XGBoost的多维数据异常检测方法与装置
CN111353637A (zh) * 2020-02-24 2020-06-30 北京工业大学 一种基于时空序列的大型活动突发事件预测分层架构和方法
CN111353637B (zh) * 2020-02-24 2023-11-07 北京工业大学 一种基于时空序列的大型活动突发事件预测分层架构和方法
CN111428344B (zh) * 2020-02-26 2023-06-16 长安大学 一种高速公路机电设备退化分析模型的构建方法
CN111428344A (zh) * 2020-02-26 2020-07-17 长安大学 一种高速公路机电设备退化分析模型的构建方法
CN111552843B (zh) * 2020-04-23 2023-03-31 中国电子科技集团公司第五十四研究所 一种基于加权因果依赖图的故障预测方法
CN111552843A (zh) * 2020-04-23 2020-08-18 中国电子科技集团公司第五十四研究所 一种基于加权因果依赖图的故障预测方法
CN113556369A (zh) * 2020-04-24 2021-10-26 国网辽宁省电力有限公司 基于电力物联网的电网设备管控方法及管控系统
CN111488947A (zh) * 2020-04-28 2020-08-04 深圳力维智联技术有限公司 电力系统设备的故障检测方法与装置
CN111488947B (zh) * 2020-04-28 2024-02-02 深圳力维智联技术有限公司 电力系统设备的故障检测方法与装置
CN111582343B (zh) * 2020-04-29 2023-09-26 青岛聚好联科技有限公司 一种设备故障预测的方法及装置
CN111582343A (zh) * 2020-04-29 2020-08-25 青岛聚好联科技有限公司 一种设备故障预测的方法及装置
CN112364069A (zh) * 2020-09-14 2021-02-12 光大环境科技（中国）有限公司 基于时间序列的热电偶故障预警方法、系统及存储介质
CN112487048A (zh) * 2020-10-28 2021-03-12 清华大学 基于时间序列异常波动的关联分析方法及装置
CN112949677A (zh) * 2021-01-04 2021-06-11 杭州恒朴电子科技有限公司 一种基于邻近算法的分拣回流异常关联性分析方法
CN112906967A (zh) * 2021-02-24 2021-06-04 大唐环境产业集团股份有限公司 一种脱硫系统浆液循环泵性能预测方法、装置
CN112884179B (zh) * 2021-03-30 2024-02-09 北京交通大学 基于机器故障和文本主题分析的城轨折返故障诊断方法
CN112884179A (zh) * 2021-03-30 2021-06-01 北京交通大学 基于机器故障和文本主题分析的城轨折返故障诊断方法
CN113268552B (zh) * 2021-05-28 2022-04-05 江苏国电南自海吉科技有限公司 一种基于局部敏感哈希的发电机设备隐患预警方法
CN113268552A (zh) * 2021-05-28 2021-08-17 江苏国电南自海吉科技有限公司 一种基于局部敏感哈希的发电机设备隐患预警方法
CN113642827A (zh) * 2021-06-21 2021-11-12 南方电网调峰调频发电有限公司 大坝监测数据的分析方法、装置、设备和存储介质
CN113572152A (zh) * 2021-06-21 2021-10-29 国网山东省电力公司电力科学研究院 一种基于FP-growth的风电机组振荡模态与影响因素关联分析方法
CN113572152B (zh) * 2021-06-21 2023-10-13 国网山东省电力公司电力科学研究院 一种基于FP-growth的风电机组振荡模态与影响因素关联分析方法
CN113537627B (zh) * 2021-08-04 2023-07-11 华能(浙江)能源开发有限公司清洁能源分公司 一种面向运维的海上风电机组故障间隔时间预测方法
CN113537627A (zh) * 2021-08-04 2021-10-22 华能(浙江)能源开发有限公司清洁能源分公司 一种面向运维的海上风电机组故障间隔时间预测方法
CN113691505A (zh) * 2021-08-05 2021-11-23 黎阳 基于大数据的工业互联网入侵检测方法
WO2023029654A1 (zh) * 2021-09-06 2023-03-09 中兴通讯股份有限公司 一种故障根因确定方法、装置、存储介质及电子装置
CN114156865A (zh) * 2021-11-01 2022-03-08 国网天津市电力公司电力科学研究院 一种考虑状态感知的低压配电网拓扑生成及故障预测方法
CN114156865B (zh) * 2021-11-01 2024-04-23 国网天津市电力公司电力科学研究院 一种考虑状态感知的低压配电网拓扑生成及故障预测方法
CN114372093A (zh) * 2021-12-15 2022-04-19 南昌大学 一种变压器dga在线监测数据的处理方法
CN113987033A (zh) * 2021-12-28 2022-01-28 国网江西省电力有限公司电力科学研究院 主变在线监测数据群体偏差识别与校准方法
CN113987033B (zh) * 2021-12-28 2022-04-12 国网江西省电力有限公司电力科学研究院 主变在线监测数据群体偏差识别与校准方法
CN114386603B (zh) * 2022-01-13 2024-02-20 合肥工业大学 基于时序因果网络的火电厂发电机故障预警方法
CN114386603A (zh) * 2022-01-13 2022-04-22 合肥工业大学 基于时序因果网络的火电厂发电机故障预警方法
CN114091625A (zh) * 2022-01-18 2022-02-25 岚图汽车科技有限公司 一种基于故障代码序列的车辆零件失效预测方法及系统
CN114936581B (zh) * 2022-06-01 2024-04-26 中国人民解放军63796部队 一种基于时序数据分段的多参数关联挖掘方法
CN114936581A (zh) * 2022-06-01 2022-08-23 中国人民解放军63796部队 一种基于时序数据分段的多参数关联挖掘方法
CN115329900B (zh) * 2022-10-12 2023-01-24 北京安帝科技有限公司 面向海量工控网络日志数据的异常事件挖掘方法及系统
CN115329900A (zh) * 2022-10-12 2022-11-11 北京安帝科技有限公司 面向海量工控网络日志数据的异常事件挖掘方法及系统
CN115422263A (zh) * 2022-11-01 2022-12-02 广东亿能电力股份有限公司 一种电力现场多功能通用型故障分析方法及系统
CN115794801B (zh) * 2022-12-23 2023-08-15 东南大学 一种挖掘自动驾驶事故致因链式关系的数据分析方法
CN115794801A (zh) * 2022-12-23 2023-03-14 东南大学 一种挖掘自动驾驶事故致因链式关系的数据分析方法
CN115829160B (zh) * 2022-12-29 2023-09-01 上海鼎茂信息技术有限公司 一种时序异常预测方法、装置、设备及存储介质
CN115829160A (zh) * 2022-12-29 2023-03-21 上海鼎茂信息技术有限公司 一种时序异常预测方法、装置、设备及存储介质
CN116093459A (zh) * 2023-03-20 2023-05-09 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
CN116187981B (zh) * 2023-04-21 2023-07-25 广东工业大学 一种基于历史维修数据的微波炉智能检测方法
CN116187981A (zh) * 2023-04-21 2023-05-30 广东工业大学 一种基于历史维修数据的微波炉智能检测方法
CN116628608A (zh) * 2023-04-23 2023-08-22 华能国际电力江苏能源开发有限公司 一种光伏发电故障诊断方法及系统
CN116401614B (zh) * 2023-06-06 2023-08-18 苏州振州机电科技有限公司 设备的故障识别方法及系统
CN116401614A (zh) * 2023-06-06 2023-07-07 苏州振州机电科技有限公司 设备的故障识别方法及系统
CN117081260B (zh) * 2023-10-12 2023-12-22 南京江行联加智能科技有限公司 应用边缘计算的可视化人工智能巡检系统及方法
CN117081260A (zh) * 2023-10-12 2023-11-17 南京江行联加智能科技有限公司 应用边缘计算的可视化人工智能巡检系统及方法
CN117235649A (zh) * 2023-11-09 2023-12-15 广东正德工业科技股份有限公司 一种基于大数据的工业设备状态智能监测系统及方法
CN117235649B (zh) * 2023-11-09 2024-02-13 广东正德工业科技股份有限公司 一种基于大数据的工业设备状态智能监测系统及方法
CN117436846A (zh) * 2023-12-18 2024-01-23 陕西智科云控电子有限公司 基于神经网络的设备预测性维护方法及系统
CN117436846B (zh) * 2023-12-18 2024-03-05 陕西智科云控电子有限公司 基于神经网络的设备预测性维护方法及系统
CN117478018A (zh) * 2023-12-28 2024-01-30 山东拓新电气有限公司 一种变频双轮铣车调速方法及系统
CN117478018B (zh) * 2023-12-28 2024-03-01 山东拓新电气有限公司 一种变频双轮铣车调速方法及系统
CN117592823A (zh) * 2024-01-19 2024-02-23 天津路联智通交通科技有限公司 一种土木建筑污水处理方法及系统
CN117592823B (zh) * 2024-01-19 2024-03-29 天津路联智通交通科技有限公司 一种土木建筑污水处理方法及系统
CN117665495A (zh) * 2024-02-01 2024-03-08 山西省财政税务专科学校 一种基于智能计算机的工业供配电故障诊断系统
CN117691755A (zh) * 2024-02-02 2024-03-12 南京雅宸众联电力技术有限公司 一种智能变电站二次回路的可视化监测及异常检测系统

Also Published As

Publication number Publication date
CN103996077B (zh) 2018-01-05
CN103996077A (zh) 2014-08-20

Similar Documents

Publication Publication Date Title
WO2015176565A1 (zh) 一种基于多维时间序列的电气设备故障预测方法
Zhu et al. Time series shapelet classification based online short-term voltage stability assessment
CN111768082A (zh) 一种基于大数据分析的电力设备状态评估方法
CN113935562A (zh) 一种电力设备健康状况智能评级与自动预警方法
Feng et al. Data mining for abnormal power consumption pattern detection based on local matrix reconstruction
Liu et al. A data-driven approach for online dynamic security assessment with spatial-temporal dynamic visualization using random bits forest
CN110263944A (zh) 一种多变量故障预测方法和装置
He et al. Intelligent Fault Analysis With AIOps Technology
CN103529337B (zh) 设备故障与电气量信息间非线性相关关系的识别方法
Chen et al. Boruta-XGBoost electricity theft detection based on features of electric energy parameters
Pang et al. Intelligent pattern analysis and anomaly detection of satellite telemetry series with improved time series representation
CN117074852A (zh) 一种配电网电能监测预警管理方法及系统
Haomin et al. Fault prediction for power system based on multidimensional time series correlation analysis
KR102486463B1 (ko) 열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치
Wilson et al. Uncertainty Quantification of Capacitor Switching Transient Location using Machine Learning
Khalyasmaa et al. Fuzzy inference algorithms for power equipment state assessment
Mishra et al. Power quality disturbance recognition using hybrid signal processing and machine intelligence techniques
Kummerow et al. Ensemble approach for automated extraction of critical events from mixed historical PMU data sets
Dagnely et al. Annotating the performance of industrial assets via relevancy estimation of event logs
Das et al. Data-driven event detection with PMU data using a novel composite deep learning technique
Sadanandan et al. Synchrophasor Data Analytics for Anomaly and Event Detection, Classification, and Localization
Cai et al. Anomaly detection of online monitoring data of power equipment based on association rules and clustering algorithm
Xie et al. Power Transformer Fault Diagnosis Model Based on Association Rules Analysis
Alluri et al. Power system state recognition using data mining algorithms
Wang et al. An Efficient Power System Risk Identification Method Considering PMU Bad Data

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15795739

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 06.04.2017)

122 Ep: pct application non-entry in european phase

Ref document number: 15795739

Country of ref document: EP

Kind code of ref document: A1