CN104504525A - 通过大数据挖掘技术实现电网设备故障预警的方法 - Google Patents
通过大数据挖掘技术实现电网设备故障预警的方法 Download PDFInfo
- Publication number
- CN104504525A CN104504525A CN201410829285.XA CN201410829285A CN104504525A CN 104504525 A CN104504525 A CN 104504525A CN 201410829285 A CN201410829285 A CN 201410829285A CN 104504525 A CN104504525 A CN 104504525A
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- defect
- record
- training sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000007418 data mining Methods 0.000 title claims abstract description 19
- 238000005516 engineering process Methods 0.000 title claims abstract description 11
- 230000007547 defect Effects 0.000 claims abstract description 35
- 238000013210 evaluation model Methods 0.000 claims abstract description 6
- 238000007405 data analysis Methods 0.000 claims abstract description 5
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000010219 correlation analysis Methods 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 9
- 238000005065 mining Methods 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000007635 classification algorithm Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000009412 basement excavation Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000032683 aging Effects 0.000 claims description 2
- 230000002950 deficient Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
-
- 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
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种通过大数据挖掘技术实现电网设备故障预警的方法,包括以下步骤:通过历史故障记录以及缺陷数据分析,得到造成电网设备的主要因素;对安全事故因素进行关联性分析;通过对历史经验、基础数据以及因素之间关联关系构建风险评估模型;进行电网安全事故的应用场景选型,并根据场景进行数据准备、数据筛选、数据挖掘;通过决策平台对分析后的数据进行图形化展示,并对数据进行验证。该方法通过对历史故障记录以及缺陷记录进行大数据分析,预判电网设备发生故障的趋势,并发出安全预警,从而降低电网发生电网安全事故的概率,确保电网运行可靠性。
Description
技术领域
本发明属于电力领域,涉及一种电网设备故障预警的方法,具体地说是一种通过大数据挖掘技术实现电网设备故障预警的方法
背景技术
随着数字信息化时代的迅猛发展,信息量也呈***性增长态势。电力行业中数据量的增长也呈现出相似的态势,电力行业近年大规模的企业信息化建设,伴随着下一代智能化电网的全面建设,发电、输电、变电、调度、配电、用电等各个环节的数据飞速增长并形成了一定的规模,但是电力行业的精益化发展不能仅仅依靠的数据量的增长,如何从海量的数据中识别可用的数据,评估潜在的电网安全事故隐患,成为电力行业信息化的关键一步。因此,整合当前分散在各个***中的电网生产运行等关键数据,采用数据挖掘分析等相关技术,挖掘数据背后隐藏的规律和关联关系,为电网发展提供预测和决策支持。
发明内容
本发明的目的是提供一种通过大数据挖掘技术实现电网设备故障预警的方法,该方法通过对目前PMS(安全生产管理***)中的故障历史数据进行数据挖掘,从而分析出电网设备发生故障的趋势,并结合智能决策平台将分析结果进行可视化展现,实现了电网安全事故的预警,提高了电网供电安全可靠性。
本发明的目的通过以下技术方案实现:
一种通过大数据挖掘技术实现电网设备故障预警的方法,其特征在于该方法包括以下步骤:
1)通过历史故障记录以及缺陷数据分析,得到造成电网设备的主要因素;
2)对安全事故因素进行关联性分析;
3)通过对历史经验、基础数据以及因素之间关联关系构建风险评估模型;
4)进行电网安全事故的应用场景选型,并根据场景进行数据准备、数据筛选、数据挖掘;
5)通过决策平台对分析后的数据进行图形化展示,并对数据进行验证。
本发明中,历史故障记录包括安全生产管理***中变电故障记录、配电故障抢修记录,变电故障记录包括跳闸时间、保护动作、重合闸情况、处理经过与分析、责任原因、技术原因分析;配电故障抢修记录包括地区特征、故障时间、保护动作情况、故障分类、故障过程、故障分析;缺陷数据包括变电缺陷记录、输电缺陷记录和配电缺陷记录,变电缺陷记录包括设备类型、电压等级、缺陷内容、缺陷性质、技术原因、责任原因、发现时间;输电缺陷记录包括发现时间、缺陷分类、缺陷内容、缺陷内容备注;配电缺陷记录包括发现日期、设备类别、缺陷等级、缺陷内容、缺陷内容备注、缺陷原因;其中由自然环境引起的占33.65%;由设备老化引起的占22.48%;由外力破坏引起的占21.68%;由用户原因引起的占17.88%;由运行维护不良引起的占2.15%;由设备质量引起的占1.98%;由其他原因引起的约占0.18%。
1、构建风险评估模型以及数据挖掘时采用贝叶斯算法:贝叶斯分类是一类分类算法的总称,这类算法均以贝叶斯定理为基础,故统称为贝叶斯分类;朴素贝叶斯分类的在本***中进行电网设备故障挖掘的应用场景如下:
31)设类别集合C={y0=0,y1=1},其中C表示类别集合,0表示不发生故障,1表示发生故障;
32)设I={x1,x2,....xm},1≤i≤m,其中I叫待分类项集合,其中每个元素Xi表示一个待分类项;
33)设X={a1,a2…an},1≤j≤n为一个待分类项,aj为X的一个特征属性。X在故障挖掘模型中可以理解为包含如下字段的一条记录(ID,SB_ID,DYDJ,DW_ID,BDS_XL_ID,SJLX,SYHJ,JLZT,TYRQ,TZSJ,YEAR,DUR_DAY)其中,ID是设备的逻辑ID,SB_ID是设备的物理ID,DYDJ是设备的电压等级,DW_ID是设备的单位ID,BDS_XL_ID表示设备的上级(变电所或者线路)ID,SJLX是设备的类型,SYHJ是设备的使用环境,JLZT是设备的状态,TYRQ是设备的投运日期,TZSJ是设备跳闸时的统计月份,YEAR是设备的年份,DUR_DAY是设备跳闸时间和投运时间的间隔月份。
每个特征属性ai都做了分类,比如电压等级这个属性,DYDJ<=20000标志为1,即aj=1,DYDJ>20000标志为2,即aj=2。
34)根据上面的信息,计算某一条记录已发生的前提下,设备发生故障的概率。根据贝叶斯分类,设备发生故障的概率的计算公式为p(yi|x)=p(x|yi)p(yi)/p(x)
计算34)中的各个条件概率,具体如下:
341)P(x)=1/样本数量,即1/m;p(y0)=p(y1)=1/2。
342)统计得到在各类别下各个特征属性的条件概率估计;即
训练样本中,不发生故障的样本中,属性分别为a1,a2…an的概率:
P(a1|y0),P(a2|y0),…,P(an|y0)
其中,P(a1|y0)=p(a1=1|y0)*p(a1=2|y0)…*p(a1=m|y0),
以特征属性电压等级为例:
p(a1=1|y0)=不发生故障的训练样本中电压等级≤20000的样本数量/不发生故障的训练样本数量;
p(a1=2|y0)=不发生故障的训练样本中电压等级>20000的样本数量/不发生故障的训练样本数量
训练样本中,发生故障的样本中,属性分别为a1,a2…an的概率:
P(a1|y1),P(a2|y1),…,P(an|y1)
其中,P(a1|y1)=p(a1=1|y1)*p(a1=2|y1)…*p(a1=m|y1),
以特征属性电压等级为例:
p(a1=1|y1)=发生故障的训练样本中电压等级≤20000的样本数量/发生故障的训练样本数量;
p(a1=2|y1)=发生故障的训练样本中电压等级>20000的样本数量/发生故障的训练样本数量
343)由于各个特征属性是条件独立的,则根据贝叶斯定理有如下推导:
在本***故障挖掘模型中,即可得到两个结果:某条记录存在的前提下(相当于x),其发生故障的概率,和不发生故障的概率。
该方法通过对历史故障记录以及缺陷记录进行大数据分析,从而分析出电网设备发生故障的趋势,并结合智能决策平台将分析结果进行可视化展现,实现了电网安全事故的预警,从而降低电网发生电网安全事故的概率,确保电网运行可靠性。
附图说明
图1是朴素贝叶斯分类的流程图。
具体实施方式
一种通过大数据挖掘的数技术实现电网设备故障预警的方法,具体如下:
1)通过江苏电力的历史故障数据分析出造成电网安全事故的主要因素以及他们之间的关联关系。
2)通过对历史经验、基础数据以及因素之间关联关系构建风险评估模型;
3)进行电网安全事故的应用场景选型,并根据场景进行数据准备、数据筛选、数据挖掘。
4)通过决策平台对分析后的数据进行图形化展示,并对数据进行验证。
2、通过朴素贝叶斯分类算法对电网历史设备故障数据进行数据挖掘以及模型构建,贝叶斯分类是一类分类算法的总称,这类算法均以贝叶斯定理为基础,故统称为贝叶斯分类;朴素贝叶斯分类的在本***中进行电网设备故障挖掘的应用场景如下:
31)设类别集合C={y0=0,y1=1},其中C表示类别集合,0表示不发生故障,1表示发生故障;
32)设I={x1,x2,....xm},1≤i≤m,其中I叫待分类项集合,其中每个元素Xi表示一个待分类项;
33)设X={a1,a2…an},1≤j≤n为一个待分类项,aj为X的一个特征属性。X在故障挖掘模型中可以理解为包含如下字段的一条记录(ID,SB_ID,DYDJ,DW_ID,BDS_XL_ID,SJLX,SYHJ,JLZT,TYRQ,TZSJ,YEAR,DUR_DAY)其中,ID是设备的逻辑ID,SB_ID是设备的物理ID,DYDJ是设备的电压等级,DW_ID是设备的单位ID,BDS_XL_ID表示设备的上级(变电所或者线路)ID,SJLX是设备的类型,SYHJ是设备的使用环境,JLZT是设备的状态,TYRQ是设备的投运日期,TZSJ是设备跳闸时的统计月份,YEAR是设备的年份,DUR_DAY是设备跳闸时间和投运时间的间隔月份。
每个特征属性ai都做了分类,比如电压等级这个属性,DYDJ<=20000标志为1,即aj=1,DYDJ>20000标志为2,即aj=2。
34)根据上面的信息,计算某一条记录已发生的前提下,设备发生故障的概率。根据贝叶斯分类,设备发生故障的概率的计算公式为p(yi|x)=p(x|yi)p(yi)/p(x)
计算34)中的各个条件概率,具体如下:
341)P(x)=1/样本数量,即1/m;p(y0)=p(y1)=1/2。
342)统计得到在各类别下各个特征属性的条件概率估计;即
训练样本中,不发生故障的样本中,属性分别为a1,a2…an的概率:
P(a1|y0),P(a2|y0),…,P(an|y0)
其中,P(a1|y0)=p(a1=1|y0)*p(a1=2|y0)…*p(a1=m|y0),
以特征属性电压等级为例:
p(a1=1|y0)=不发生故障的训练样本中电压等级≤20000的样本数量/不发生故障的训练样本数量;
p(a1=2|y0)=不发生故障的训练样本中电压等级>20000的样本数量/不发生故障的训练样本数量
训练样本中,发生故障的样本中,属性分别为a1,a2…an的概率:
P(a1|y1),P(a2|y1),…,P(an|y1)
其中,P(a1|y1)=p(a1=1|y1)*p(a1=2|y1)…*p(a1=m|y1),
以特征属性电压等级为例:
p(a1=1|y1)=发生故障的训练样本中电压等级≤20000的样本数量/发生故障的训练样本数量;
p(a1=2|y1)=发生故障的训练样本中电压等级>20000的样本数量/发生故障的训练样本数量
343)由于各个特征属性是条件独立的,则根据贝叶斯定理有如下推导:
在本***故障挖掘模型中,即可得到两个结果:某条记录存在的前提下(相当于x),其发生故障的概率,和不发生故障的概率。
Claims (3)
1.一种通过大数据挖掘技术实现电网设备故障预警的方法,其特征在于该方法包括以下步骤:
1)通过历史故障记录以及缺陷数据分析,得到造成电网设备的主要因素;
2)对安全事故因素进行关联性分析;
3)通过对历史经验、基础数据以及因素之间关联关系构建风险评估模型;
4)进行电网安全事故的应用场景选型,并根据场景进行数据准备、数据筛选、数据挖掘;
5)通过决策平台对分析后的数据进行图形化展示,并对数据进行验证。
2.根据权利要求1所述的通过大数据挖掘技术实现电网设备故障预警的方法,其特征在于:步骤1)中,历史故障记录包括安全生产管理***中变电故障记录、配电故障抢修记录,变电故障记录包括跳闸时间、保护动作、重合闸情况、处理经过与分析、责任原因、技术原因分析;配电故障抢修记录包括地区特征、故障时间、保护动作情况、故障分类、故障过程、故障分析;缺陷数据包括变电缺陷记录、输电缺陷记录和配电缺陷记录,变电缺陷记录包括设备类型、电压等级、缺陷内容、缺陷性质、技术原因、责任原因、发现时间;输电缺陷记录包括发现时间、缺陷分类、缺陷内容、缺陷内容备注;配电缺陷记录包括发现日期、设备类别、缺陷等级、缺陷内容、缺陷内容备注、缺陷原因;其中由自然环境引起的占33.65%;由设备老化引起的占22.48%;由外力破坏引起的占21.68%;由用户原因引起的占17.88%;由运行维护不良引起的占2.15%;由设备质量引起的占1.98%;由其他原因引起的约占0.18%。
3.根据权利要求1所述通过大数据挖掘技术实现电网设备故障预警的方法,其特征在于:步骤3)和步骤4)中,构建风险评估模型以及数据挖掘时采用贝叶斯算法:贝叶斯分类是一类分类算法的总称,这类算法均以贝叶斯定理为基础,故统称为贝叶斯分类;朴素贝叶斯分类的在本***中进行电网设备故障挖掘的应用场景如下:
31)设类别集合C={y0=0,y1=1},其中C表示类别集合,0表示不发生故障,1表示发生故障;
32)设I={x1,x2,....xm},1≤i≤m,其中I叫待分类项集合,其中每个元素Xi表示一个待分类项;
33)设X={a1,a2…an},1≤j≤n为一个待分类项,aj为X的一个特征属性。X在故障挖掘模型中可以理解为包含如下字段的一条记录(ID,SB_ID,DYDJ,DW_ID,BDS_XL_ID,SJLX,SYHJ,JLZT,TYRQ,TZSJ,YEAR,DUR_DAY)其中,ID是设备的逻辑ID,SB_ID是设备的物理ID,DYDJ是设备的电压等级,DW_ID是设备的单位ID,BDS_XL_ID表示设备的上级(变电所或者线路)ID,SJLX是设备的类型,SYHJ是设备的使用环境,JLZT是设备的状态,TYRQ是设备的投运日期,TZSJ是设备跳闸时的统计月份,YEAR是设备的年份,DUR_DAY是设备跳闸时间和投运时间的间隔月份。
每个特征属性ai都做了分类,比如电压等级这个属性,DYDJ<=20000标志为1,即aj=1,DYDJ>20000标志为2,即aj=2。
34)根据上面的信息,计算某一条记录已发生的前提下,设备发生故障的概率。根据贝叶斯分类,设备发生故障的概率的计算公式为p(yi|x)=p(x|yi)p(yi)/p(x)
计算34)中的各个条件概率,具体如下:
341)P(x)=1/样本数量,即1/m;p(y0)=p(y1)=1/2。
342)统计得到在各类别下各个特征属性的条件概率估计;即
训练样本中,不发生故障的样本中,属性分别为a1,a2…an的概率:
P(a1|y0),P(a2|10),…,P(an|y0)
其中,P(a1|y0)=p(a1=1|y0)*p(a1=2|y0)…*p(a1=m|y0),
以特征属性电压等级为例:
p(a1=1|y0)=不发生故障的训练样本中电压等级≤20000的样本数量/不发生故障的训练样本数量;
p(a1=2|y0)=不发生故障的训练样本中电压等级
>20000的样本数量/不发生故障的训练样本数量
训练样本中,发生故障的样本中,属性分别为a1,a2…an的概率:
P(a1|y1),P(a2|y1),…,P(an|y1)
其中,P(a1|y1=p(a1=1|y1)*p(a1=2|y1)…*p(a1=m|y1),
以特征属性电压等级为例:
p(a1=1|y1)=发生故障的训练样本中电压等级≤20000的样本数量/
发生故障的训练样本数量;
p(a1=2|y1)=发生故障的训练样本中电压等级
>20000的样本数量/发生故障的训练样本数量
343)由于各个特征属性是条件独立的,则根据贝叶斯定理有如下推导:
在本***故障挖掘模型中,即可得到两个结果:某条记录存在的前提下相当于x,其发生故障的概率,和不发生故障的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410829285.XA CN104504525A (zh) | 2014-12-26 | 2014-12-26 | 通过大数据挖掘技术实现电网设备故障预警的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410829285.XA CN104504525A (zh) | 2014-12-26 | 2014-12-26 | 通过大数据挖掘技术实现电网设备故障预警的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104504525A true CN104504525A (zh) | 2015-04-08 |
Family
ID=52945920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410829285.XA Pending CN104504525A (zh) | 2014-12-26 | 2014-12-26 | 通过大数据挖掘技术实现电网设备故障预警的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104504525A (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105322519A (zh) * | 2015-11-02 | 2016-02-10 | 湖南大学 | 一种智能配电网大数据融合分析与运行状态监测方法 |
CN105320126A (zh) * | 2015-10-21 | 2016-02-10 | 中国南方电网有限责任公司 | 一种基于大数据技术的二次设备隐患挖掘方法 |
CN105354614A (zh) * | 2015-10-21 | 2016-02-24 | 国家电网公司 | 一种基于大数据的电网信息运维主动预警方法 |
CN105868373A (zh) * | 2016-03-31 | 2016-08-17 | 国网江西省电力公司信息通信分公司 | 电力业务信息***关键数据处理方法及装置 |
CN105913126A (zh) * | 2016-03-25 | 2016-08-31 | 北京用尚科技股份有限公司 | 一种面向大数据和云环境的变电站智能告警模型方法 |
CN106093703A (zh) * | 2016-06-07 | 2016-11-09 | 湖南大学 | 一种智能配电网故障的辨识与定位方法 |
CN106373032A (zh) * | 2016-09-09 | 2017-02-01 | 国网江苏省电力公司电力科学研究院 | 基于大数据的配网故障高发区域辨识方法 |
CN106649479A (zh) * | 2016-09-29 | 2017-05-10 | 国网山东省电力公司电力科学研究院 | 一种基于概率图的变压器状态关联规则挖掘方法 |
CN106843101A (zh) * | 2016-12-13 | 2017-06-13 | 国网北京市电力公司 | 数据分析处理方法及装置 |
CN106897743A (zh) * | 2017-02-22 | 2017-06-27 | 广州市勤思网络科技有限公司 | 基于贝叶斯模型的移动考勤防作弊大数据检测方法 |
CN107230015A (zh) * | 2017-05-25 | 2017-10-03 | 天津大学 | 一种基于***信息熵的配电网韧性评估方法 |
CN107807309A (zh) * | 2017-10-27 | 2018-03-16 | 广东电网有限责任公司中山供电局 | 一种基于大数据的输电线路故障预警方法及*** |
CN107977789A (zh) * | 2017-12-05 | 2018-05-01 | 国网河南省电力公司南阳供电公司 | 基于大数据信息下的审计工作方法 |
CN108287327A (zh) * | 2017-12-13 | 2018-07-17 | 广西电网有限责任公司电力科学研究院 | 基于贝叶斯分类的计量自动化终端故障诊断方法 |
CN108734418A (zh) * | 2018-06-13 | 2018-11-02 | 国网山东省电力公司蓬莱市供电公司 | 一种电网故障统计分析***及其分析方法 |
CN109324268A (zh) * | 2018-12-14 | 2019-02-12 | 国网山东省电力公司电力科学研究院 | 基于贝叶斯推理的配电网早期故障检测方法及装置 |
CN109740797A (zh) * | 2018-12-07 | 2019-05-10 | 国网江苏省电力有限公司南京供电分公司 | 一种基于条件概率的电力设备缺陷事件预警方法 |
CN109754158A (zh) * | 2018-12-07 | 2019-05-14 | 国网江苏省电力有限公司南京供电分公司 | 一种生成对应电网运行环境下的大数据因果模型的方法 |
CN109800995A (zh) * | 2019-01-30 | 2019-05-24 | 北京数介科技有限公司 | 一种电网设备故障识别方法及*** |
CN110245168A (zh) * | 2019-06-20 | 2019-09-17 | 国网江苏省电力有限公司南京供电分公司 | 一种提取电网历史告警中异常事件特征信号的方法及*** |
CN110718022A (zh) * | 2018-07-13 | 2020-01-21 | 中兴通讯股份有限公司 | 智能电表的告警方法、服务器及计算机可读存储介质 |
CN110928933A (zh) * | 2018-09-20 | 2020-03-27 | 鸿富锦精密电子(成都)有限公司 | 生产管理方法、装置及计算机可读存储介质 |
CN111695752A (zh) * | 2019-03-15 | 2020-09-22 | 中国石油化工股份有限公司 | 基于结构化事故数据库的过程安全数据挖掘与事故预警方法 |
CN113240180A (zh) * | 2021-05-18 | 2021-08-10 | 国网河南省电力公司电力科学研究院 | 一种基于Bayes-Adaboost改进算法的输电线路舞动预警方法 |
CN113435652A (zh) * | 2021-07-01 | 2021-09-24 | 贵州电网有限责任公司 | 一种一次设备缺陷诊断与预测方法 |
CN115268350A (zh) * | 2022-09-27 | 2022-11-01 | 江苏永鼎股份有限公司 | 一种稳压变压器的故障预警方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103426123A (zh) * | 2013-07-24 | 2013-12-04 | 国家电网公司 | 基于粗糙集理论的配电网故障风险评估方法 |
CN103871004A (zh) * | 2014-03-31 | 2014-06-18 | 国家电网公司 | 基于专家***和d-s证据理论的配电网故障原因分析法 |
-
2014
- 2014-12-26 CN CN201410829285.XA patent/CN104504525A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103426123A (zh) * | 2013-07-24 | 2013-12-04 | 国家电网公司 | 基于粗糙集理论的配电网故障风险评估方法 |
CN103871004A (zh) * | 2014-03-31 | 2014-06-18 | 国家电网公司 | 基于专家***和d-s证据理论的配电网故障原因分析法 |
Cited By (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105320126A (zh) * | 2015-10-21 | 2016-02-10 | 中国南方电网有限责任公司 | 一种基于大数据技术的二次设备隐患挖掘方法 |
CN105354614A (zh) * | 2015-10-21 | 2016-02-24 | 国家电网公司 | 一种基于大数据的电网信息运维主动预警方法 |
CN105354614B (zh) * | 2015-10-21 | 2019-03-26 | 国家电网公司 | 一种基于大数据的电网信息运维主动预警方法 |
CN105320126B (zh) * | 2015-10-21 | 2018-05-01 | 中国南方电网有限责任公司 | 一种基于大数据技术的二次设备隐患挖掘方法 |
CN105322519A (zh) * | 2015-11-02 | 2016-02-10 | 湖南大学 | 一种智能配电网大数据融合分析与运行状态监测方法 |
CN105322519B (zh) * | 2015-11-02 | 2018-02-13 | 湖南大学 | 一种智能配电网大数据融合分析与运行状态监测方法 |
CN105913126A (zh) * | 2016-03-25 | 2016-08-31 | 北京用尚科技股份有限公司 | 一种面向大数据和云环境的变电站智能告警模型方法 |
CN105868373A (zh) * | 2016-03-31 | 2016-08-17 | 国网江西省电力公司信息通信分公司 | 电力业务信息***关键数据处理方法及装置 |
CN105868373B (zh) * | 2016-03-31 | 2019-12-27 | 国网江西省电力有限公司信息通信分公司 | 电力业务信息***关键数据处理方法及装置 |
CN106093703A (zh) * | 2016-06-07 | 2016-11-09 | 湖南大学 | 一种智能配电网故障的辨识与定位方法 |
CN106373032A (zh) * | 2016-09-09 | 2017-02-01 | 国网江苏省电力公司电力科学研究院 | 基于大数据的配网故障高发区域辨识方法 |
CN106373032B (zh) * | 2016-09-09 | 2019-07-19 | 国网江苏省电力公司电力科学研究院 | 基于大数据的配网故障高发区域辨识方法 |
CN106649479A (zh) * | 2016-09-29 | 2017-05-10 | 国网山东省电力公司电力科学研究院 | 一种基于概率图的变压器状态关联规则挖掘方法 |
CN106843101A (zh) * | 2016-12-13 | 2017-06-13 | 国网北京市电力公司 | 数据分析处理方法及装置 |
CN106897743A (zh) * | 2017-02-22 | 2017-06-27 | 广州市勤思网络科技有限公司 | 基于贝叶斯模型的移动考勤防作弊大数据检测方法 |
CN106897743B (zh) * | 2017-02-22 | 2020-05-05 | 广州市勤思网络科技有限公司 | 基于贝叶斯模型的移动考勤防作弊大数据检测方法 |
CN107230015B (zh) * | 2017-05-25 | 2020-08-21 | 天津大学 | 一种基于***信息熵的配电网韧性评估方法 |
CN107230015A (zh) * | 2017-05-25 | 2017-10-03 | 天津大学 | 一种基于***信息熵的配电网韧性评估方法 |
CN107807309A (zh) * | 2017-10-27 | 2018-03-16 | 广东电网有限责任公司中山供电局 | 一种基于大数据的输电线路故障预警方法及*** |
CN107977789A (zh) * | 2017-12-05 | 2018-05-01 | 国网河南省电力公司南阳供电公司 | 基于大数据信息下的审计工作方法 |
CN108287327A (zh) * | 2017-12-13 | 2018-07-17 | 广西电网有限责任公司电力科学研究院 | 基于贝叶斯分类的计量自动化终端故障诊断方法 |
CN108734418A (zh) * | 2018-06-13 | 2018-11-02 | 国网山东省电力公司蓬莱市供电公司 | 一种电网故障统计分析***及其分析方法 |
CN110718022A (zh) * | 2018-07-13 | 2020-01-21 | 中兴通讯股份有限公司 | 智能电表的告警方法、服务器及计算机可读存储介质 |
CN110928933B (zh) * | 2018-09-20 | 2023-05-16 | 鸿富锦精密电子(成都)有限公司 | 生产管理方法、装置及计算机可读存储介质 |
CN110928933A (zh) * | 2018-09-20 | 2020-03-27 | 鸿富锦精密电子(成都)有限公司 | 生产管理方法、装置及计算机可读存储介质 |
CN109754158A (zh) * | 2018-12-07 | 2019-05-14 | 国网江苏省电力有限公司南京供电分公司 | 一种生成对应电网运行环境下的大数据因果模型的方法 |
CN109740797A (zh) * | 2018-12-07 | 2019-05-10 | 国网江苏省电力有限公司南京供电分公司 | 一种基于条件概率的电力设备缺陷事件预警方法 |
CN109324268B (zh) * | 2018-12-14 | 2021-02-12 | 国网山东省电力公司电力科学研究院 | 基于贝叶斯推理的配电网早期故障检测方法及装置 |
CN109324268A (zh) * | 2018-12-14 | 2019-02-12 | 国网山东省电力公司电力科学研究院 | 基于贝叶斯推理的配电网早期故障检测方法及装置 |
CN109800995A (zh) * | 2019-01-30 | 2019-05-24 | 北京数介科技有限公司 | 一种电网设备故障识别方法及*** |
CN111695752A (zh) * | 2019-03-15 | 2020-09-22 | 中国石油化工股份有限公司 | 基于结构化事故数据库的过程安全数据挖掘与事故预警方法 |
CN111695752B (zh) * | 2019-03-15 | 2024-02-27 | 中国石油化工股份有限公司 | 基于结构化事故数据库的过程安全数据挖掘与事故预警方法 |
CN110245168B (zh) * | 2019-06-20 | 2021-08-31 | 国网江苏省电力有限公司南京供电分公司 | 一种提取电网历史告警中异常事件特征信号的方法及*** |
CN110245168A (zh) * | 2019-06-20 | 2019-09-17 | 国网江苏省电力有限公司南京供电分公司 | 一种提取电网历史告警中异常事件特征信号的方法及*** |
CN113240180A (zh) * | 2021-05-18 | 2021-08-10 | 国网河南省电力公司电力科学研究院 | 一种基于Bayes-Adaboost改进算法的输电线路舞动预警方法 |
CN113240180B (zh) * | 2021-05-18 | 2022-08-05 | 国网河南省电力公司电力科学研究院 | 一种基于Bayes-Adaboost改进算法的输电线路舞动预警方法 |
CN113435652A (zh) * | 2021-07-01 | 2021-09-24 | 贵州电网有限责任公司 | 一种一次设备缺陷诊断与预测方法 |
CN113435652B (zh) * | 2021-07-01 | 2023-01-24 | 贵州电网有限责任公司 | 一种一次设备缺陷诊断与预测方法 |
CN115268350A (zh) * | 2022-09-27 | 2022-11-01 | 江苏永鼎股份有限公司 | 一种稳压变压器的故障预警方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104504525A (zh) | 通过大数据挖掘技术实现电网设备故障预警的方法 | |
CN108304942B (zh) | 智能变电站二次***异常智能处理方法及*** | |
Zhang et al. | Time series anomaly detection for smart grids: A survey | |
CN106888205A (zh) | 一种非侵入式基于功耗分析的plc异常检测方法 | |
CN107220775B (zh) | 一种考虑信息***作用的有源配电网多视角协同脆弱性评估方法 | |
US20180330250A1 (en) | Energy management system with intelligent anomaly detection and prediction | |
CN106124878A (zh) | 集成变压器健康监测架构 | |
Pavlovski et al. | Hierarchical convolutional neural networks for event classification on PMU measurements | |
CN107633050A (zh) | 一种基于大数据分析用电行为判定窃电概率的方法 | |
CN106570778A (zh) | 一种基于大数据的数据集成与线损分析计算的方法 | |
CN103793853A (zh) | 基于双向贝叶斯网络的架空输电线路运行状态评估方法 | |
CN104820953A (zh) | 一种配电网运行安全评估及报警*** | |
US20240142063A1 (en) | Method for troubleshooting potential safety hazards of compressor in smart gas pipeline network and internet of things system thereof | |
CN108734201B (zh) | 基于分层原因分析法的核电厂经验反馈事件的分类方法及*** | |
CN105719094A (zh) | 一种输电设备状态评估方法 | |
CN103914951A (zh) | 基于gis电网自然灾害数据信息挖掘与预警响应分析方法 | |
CN110472851A (zh) | 一种基于神经网络的配电网风险隐患动态评价模型构建方法 | |
Wang et al. | A data-driven integrated framework for predictive probabilistic risk analytics of overhead contact lines based on dynamic Bayesian network | |
Hong et al. | Data integrity attacks against outage management systems | |
Nan et al. | Multilayer hybrid modeling framework for the performance assessment of interdependent critical infrastructures | |
CN116523140A (zh) | 窃电检测方法、装置、电子设备和存储介质 | |
CN115457211A (zh) | 基于数字孪生的变电站管理方法及*** | |
Fogliatto et al. | Power distribution system interruption duration model using reliability analysis regression | |
Kuyunani et al. | Improving voltage harmonics forecasting at a wind farm using deep learning techniques | |
Stankovski et al. | Power blackouts in Europe: Analyses, key insights, and recommendations from empirical evidence |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150408 |
|
WD01 | Invention patent application deemed withdrawn after publication |