CN105740975A - 一种基于数据关联关系的设备缺陷评估与预测方法 - Google Patents
一种基于数据关联关系的设备缺陷评估与预测方法 Download PDFInfo
- Publication number
- CN105740975A CN105740975A CN201610051473.3A CN201610051473A CN105740975A CN 105740975 A CN105740975 A CN 105740975A CN 201610051473 A CN201610051473 A CN 201610051473A CN 105740975 A CN105740975 A CN 105740975A
- Authority
- CN
- China
- Prior art keywords
- data
- defect
- assessment
- equipment deficiency
- equipment
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012544 monitoring process Methods 0.000 claims abstract description 41
- 238000009826 distribution Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 230000007812 deficiency Effects 0.000 claims description 68
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 3
- 238000011237 bivariate analysis Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 8
- 230000002950 deficient Effects 0.000 description 6
- 230000010354 integration Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000004899 motility Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010061619 Deformity Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (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
本发明公开的基于数据关联关系的设备缺陷评估与预测方法,主要包括整合电网设备的历史监测数据,提取所述电网设备的某一项设备缺陷类型与所述设备缺陷类型对应的数据因素;将所述设备缺陷类型对应的数据因素进行整合,获得因素监测数据库,所述因素监测数据库包括所述设备缺陷类型的监测数据;获取所述设备缺陷类型与其对应的所述数据因素集合内元素的关联系数;构建所述设备缺陷类型的评估预测模型;结合所述评估预测模型和所述因素监测数据库,计算所述缺陷类型对应的所有评估预测模型y值根据所述所有设备缺陷类型的评估预测模型和所有设备缺陷类型对应的区间分布概率进行设备缺陷评估和设备缺陷预测。提升了缺陷分析的灵活性。
Description
技术领域
本发明涉及电力设备管理技术领域,更为具体地说,涉及一种基于数据关联关系的设备缺陷评估与预测方法。
背景技术
随着近些年电网***数字化管理需求的不断提高、各业务生产***的不断集成,积累获取的电力业务数据储存量迅猛增长。这些数据信息量大,包含重要的信息,是对设备管理的数据参考。如此分析并应用这些庞大、种类复杂且客观真实的在线监测、试验、检修类数据及数据之间的隐藏信息,对提升电网和电力设备风险管理和防控水平具有非常重要的意义。然而,此数据因为种类繁杂,要想做到方便的查看与应用,比较困难。所以现在有关企业不断加大有关此类数据处理的投入,以获取更加方便的数据处理方法。
电网***中涉及的设备量众多,处理设备缺陷数据有着重要的意义。目前,对设备缺陷数据的处理主要是利用缺陷数据或缺陷与设备数据构建缺陷模型,并对模型进行学***具有重要指导意义。
发明内容
本发明的目的是提供一种基于数据关联关系的设备缺陷评估与预测方法,以提高数据关联关系及历史数据等客观信息的利用效率,提升了缺陷分析模型的灵活性。
为了解决上述技术问题,本发明提供如下技术方案:
本发明提供的一种基于数据关联关系的设备缺陷评估与预测方法,所述方法主要包括:
整合电网设备的历史监测数据,提取所述电网设备的某一项设备缺陷类型与所述设备缺陷类型对应的数据因素,所述数据因素为所述设备缺陷类型对应的检测对象;
将所述设备缺陷类型对应的数据因素进行整合,获得包括其对应全部数据因素的数据因素集合和所述数据因素集合对应的因素监测数据库,所述因素监测数据库包括所述设备缺陷类型的监测数据;
获取所述设备缺陷类型与其对应的所述数据因素集合内元素的关联系数,并获得关联系数集合,所述关联系数集合为Γ={γ1,γ2,...γi,...,γn},其中:n为所述设备缺陷类型对应的数据因素的个数,γi为第i个数据因素对应的关联系数;
构建所述设备缺陷类型的评估预测模型,y=γ1x1+γ2x2+...+γixi+...+γnxn;
结合所述评估预测模型和所述因素监测数据库,计算所述缺陷类型对应的所有评估预测模型y值;
将计算得到的所述所有评估预测模型y值,按照缺陷发生或缺陷未发生将所述所有评估预测模型y值分成两个集合;
将所述所有评估预测模型y值进行区间划分,计算每一个区间内评估预测模型y值的分布概率;
重复上述步骤,分别构建所有设备缺陷类型的评估预测模型,获取所述所有设备缺陷类型对应的区间分布概率;
根据所述所有设备缺陷类型的评估预测模型和所有设备缺陷类型对应的区间分布概率进行设备缺陷评估和设备缺陷预测,所述设备缺陷评估是对当前时刻设备状态进行评估,所述设备缺陷预测是对未来时刻设备缺陷是可能发生进行预测;
其中,所述关联系数的获得是利用双变量相关分析中的Spearman秩相关方法及相关系数临界表计算得出。
优选的,上述基于数据关联关系的设备缺陷评估与预测方法中,所述方法还包括:将所述所有设备缺陷类型进行编码,所述编码与所述评估预测模型一一对应。
优选的,上述基于数据关联关系的设备缺陷评估与预测方法中,所述方法还包括:
比较所述所有设备缺陷类型对应的区间分布概率,获取最大的分布概率,将所述最大的分布概率对应的评估预测模型作为缺陷评估的最终结论。
优选的,上述基于数据关联关系的设备缺陷评估与预测方法中,所述方法还包括:
当对未来一周进行缺陷预测,获取所述一周前一个月内的因素监测数据库;
对所述因素监测数据库内各类数据进行趋势拟合曲线预测;
预测获得未来一周的因素监测数据,将所述未来一周的因素监测数据带入所述最大分布概率对应的评估预测模型,分析得缺陷分析结论,所述缺陷分析结论包括不发生缺陷或可能发生缺陷。
优选的,上述基于数据关联关系的设备缺陷评估与预测方法中,在所述将计算得到的所述所有评估预测模型y值,按照缺陷发生或缺陷未发生将所述所有评估预测模型y值分成两个集合中,
将所述两个集合分别记为Y(z=0|y)和Y(z=1|y),其中:z=1表示缺陷发生,z=0表示缺陷未发生。
优选的,上述基于数据关联关系的设备缺陷评估与预测方法中,所述历史监测数据为5-10年内的监测数据。
本发明提供的基于数据关联关系的设备缺陷评估与预测方法,该方法结合数理统计与挖掘分析理论,不仅提高了数据关联关系及历史数据等客观信息的利用效率,提升了缺陷分析模型的灵活性,而且能在较好的缺陷评估预测效果上降低计算的复杂性,发挥电网数据在设备运行决策、风险监控中的重要应用价值,为电网数据角度上的工程应用提供有效指导。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的基于数据关联关系的设备缺陷评估与预测方法的结构流程图。
具体实施方式
本发明实施例基于数据关联关系的设备缺陷评估与预测方法,提高了数据关联关系及历史数据等客观信息的利用效率,提升了缺陷分析模型的灵活性。
为了使本技术领域的人员更好地理解本发明实施例中的技术方案,并使本发明实施例的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明实施例中的技术方案作进一步详细的说明。
参考附图1,该图示出了本发明提供的基于数据关联关系的设备缺陷评估与预测方法的结构流程图,其主要包括:
S101:整合电网设备的历史监测数据,提取所述电网设备的某一项设备缺陷类型与所述设备缺陷类型对应的数据因素,所述数据因素为所述设备缺陷类型对应的检测对象。
电网设备的历史监测数据是指变电监测数据、输电监测数据、工况数据、电能质量监测数据、气象雷电监测数据、检修数据、试验数据及各电压监测站采集的数值类数据,包括数值量和布尔量等,涵盖了生产管理***中的缺陷信息。缺陷信息主要包括设备ID、缺陷表象、缺陷部位、缺陷类型、缺陷等级、发现时间、完成处理时间等描述性信息。将缺陷信息一历史监测数据进行统一整合,获得电网设备的所有缺陷类型,将缺陷类型逐一统计,将缺陷类型与反应或影响所述缺陷类型的数据因素对应。
整合电网设备历史监测数据的内容包括:历史监测数据的采集接入、建立统一数据规范、各类数据集成、数据质量提升(涉及完整性、一致性、及时性、准确性、规范性的验证及提升)、数据特点的初步分析(涉及数据缺失值的分析处理、数据分布趋势分析等)。通过上述整合过程,历史监测数据将实现所有设备信息与设备监测数据、环境数据在空间与时间上的多维集成。所述整合电网设备缺陷数据,是指将非结构化历史缺陷数据进行结构化设计,统一缺陷分类标准,建立相应的缺陷数据,并对历史缺陷数据与增量数据进行结构化处理。通过上述缺陷数据整合过程,缺陷数据将实现非结构化向结构化的数据转变,方便后续定量缺陷评估与预测的分析计算。同时,整理统计不同区域各类型设备发生缺陷的情况(包括发生缺陷总次数、缺陷类型、缺陷等级、缺陷时间、发生缺陷频次等情况),以及分析对应设备的数据变量。
所述历史监测数据一般为5-10年内的监测数据,为保证数据的有效性和数据的量数一般选择5-10年内的监测数据。
将所有设备缺陷类型进行编码,如此将电网设备历史监测数据整合为电网设备类别缺陷数据集合QD={Q1,Q2,...,Qi,...,Qk},1≤i≤k,其中,Qi表示第i个缺陷类型,k表示总的缺陷个数,且每个缺陷类型Qi由{SBLX,QXBX,QXBW,QXLX,QXDJ}字段信息分类确定,SBLX表示设备类型,QXBX表示缺陷表象,QXBW表示缺陷部位,QXLX表示缺陷类型,QXDJ表示缺陷等级;而每个缺陷数据集合是由设备ID、对应缺陷发现时间和缺陷处理结束时间组成,记为
Qi={SBID1,(T1B,T1E),(T2B,T2E),...;SBID2,(T1B,T1E),...;...}
其中,SBID1、SBID2...表示相应设备类型下所有设备的设备名称ID,T1B,T1E,T2B,T2E,...表示同类型所有设备发生Qi类缺陷的发现时间和处理结束时间,若数据库中的历史缺陷记录未出现相应记录的处理结束时间,则认为对应设备的缺陷未消除。
S102:将所述设备缺陷类型对应的数据因素进行整合,获得包括其对应全部数据因素的数据因素集合和所述数据因素集合对应的因素监测数据库,所述因素监测数据库包括所述设备缺陷类型的监测数据。
将设备缺陷类型对应的数据因素进行整合,可记作MD={M1,M2,...,Mi,...,Mn},1≤i≤n,其中Mi表示设备缺陷对应的影响因素,第i个数据因素类别中历史监测数据集合;M={m1,m2,...mj,...mt},1≤j≤t,其中mj表示j时刻Mi的各因素对应的监测值。
S103:获取所述设备缺陷类型与其对应的所述数据因素集合内元素的关联系数,并获得关联系数集合,所述关联系数集合为Γ={γ1,γ2,...γi,...,γn},其中:n为所述设备缺陷类型对应的数据因素的个数,γi为第i个数据因素对应的关联系数。
通过双变量相关分析中的Spearman秩相关方法及相关系数临界表计算设备缺陷类型对应的数据因素之间的关联系数,记作Γ={γ1,γ2,...γi,...,γn},其为一个关联系数集合,其中,n为所述设备缺陷类型对应的数据因素的个数,γi为第i个数据因素对应的关联系数。
S104:构建所述设备缺陷类型的评估预测模型,y=γ1x1+γ2x2+...+γixi+...+γnxn。
根据步骤S103中计算得出的关联系数集合,获得设备缺陷类型的评估预测模型,y=γ1x1+γ2x2+...+γixi+...+γnxn。
S105:结合所述评估预测模型和所述因素监测数据库,计算所述缺陷类型对应的所有评估预测模型y值。
结合历史数据,利用上述因素监测数据库,将对应的数据带入评估预测模型,可以获得缺陷类型对应的所有评估预测模型y值,每一组数据将对应一个评估预测模型y值。
S106:将计算得到的所述所有评估预测模型y值,按照缺陷发生或缺陷未发生将所述所有评估预测模型y值分成两个集合。
根据缺陷类型的发生与否,将S105中获得的所有评估预测模型y值分为两个集合。可记为集合Y(z=0|y)和Y(z=1|y),z=1表示缺陷发生,z=0表示缺陷未发生,Y(z=0|y)表示未发生缺陷条件下的模型值集合,Y(z=1|y)表示发生缺陷条件下的模型值集合。
S107:将所述所有评估预测模型y值进行区间划分,计算每一个区间内评估预测模型y值的分布概率。
根据S105中的获得的所有评估预测模型y值进行区间划分,根据y值的范围自行选择划分区间的个数。根据缺陷的发生或未发生,计算每个区间内评估预测模型y值的分布概率。
S108:构建所有设备缺陷类型的评估预测模型,获取所述所有设备缺陷类型对应的区间分布概率。
重复步骤S102到S106,构建所有设备缺陷类型的评估预测模型,获取所述所有设备缺陷类型对应的区间分布概率。
根据所述所有设备缺陷类型的评估预测模型和所有设备缺陷类型对应的区间分布概率进行设备缺陷评估和设备缺陷预测,所述设备缺陷评估是对当前时刻设备状态进行评估,所述设备缺陷预测是对未来时刻设备缺陷是可能发生进行预测。
根据设备所有缺陷类型的评估预测模型和评判准则,分别计算得到评估或预测对象的缺陷分析结论及相应模型概率即{P(z=0|Qi),P(z=1|Qi)}。对所有概率按从大到小进行排序比较,将最大模型概率所对应的集合状态和概率值作为缺陷评估或预测的最终结论。记缺陷发生条件下的最大模型概为缺陷发生概率,缺陷发生概率所对应的缺陷信息为设备缺陷的评估预测结果,包括缺陷表象、缺陷部位、缺陷类型、缺陷等级等信息。
进一步优化技术方案,利用上述得到的评估预测模型,对未来进行缺陷预测。如当对未来一周进行缺陷预测,获取所述一周前一个月内的因素监测数据库;对所述因素监测数据库内各类数据进行趋势拟合曲线预测;预测获得未来一周的因素监测数据,将所述未来一周的因素监测数据带入所述最大分布概率对应的评估预测模型,分析得缺陷分析结论,所述缺陷分析结论包括不发生缺陷或可能发生缺陷。
本发明提供的基于数据关联关系的设备缺陷评估与预测方法,该方法结合数理统计与挖掘分析理论,不仅提高了数据关联关系及历史数据等客观信息的利用效率,提升了缺陷分析模型的灵活性,而且能在较好的缺陷评估预测效果上降低计算的复杂性,发挥电网数据在设备运行决策、风险监控中的重要应用价值,为电网数据角度上的工程应用提供有效指导。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其它实施例的不同之处。
以上所述的本发明实施方式,并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于数据关联关系的设备缺陷评估与预测方法,其特征在于,所述方法主要包括:
整合电网设备的历史监测数据,提取所述电网设备的某一项设备缺陷类型与所述设备缺陷类型对应的数据因素,所述数据因素为所述设备缺陷类型对应的检测对象;
将所述设备缺陷类型对应的数据因素进行整合,获得包括其对应全部数据因素的数据因素集合和所述数据因素集合对应的因素监测数据库,所述因素监测数据库包括所述设备缺陷类型的监测数据;
获取所述设备缺陷类型与其对应的所述数据因素集合内元素的关联系数,并获得关联系数集合,所述关联系数集合为Γ={γ1,γ2,...γi,...,γn},其中:n为所述设备缺陷类型对应的数据因素的个数,γi为第i个数据因素对应的关联系数;
构建所述设备缺陷类型的评估预测模型,y=γ1x1+γ2x2+...+γixi+...+γnxn;
结合所述评估预测模型和所述因素监测数据库,计算所述缺陷类型对应的所有评估预测模型y值;
将计算得到的所述所有评估预测模型y值,按照缺陷发生或缺陷未发生将所述所有评估预测模型y值分成两个集合;
将所述所有评估预测模型y值进行区间划分,计算每一个区间内评估预测模型y值的分布概率;
重复上述步骤,分别构建所有设备缺陷类型的评估预测模型,获取所述所有设备缺陷类型对应的区间分布概率;
根据所述所有设备缺陷类型的评估预测模型和所有设备缺陷类型对应的区间分布概率进行设备缺陷评估和设备缺陷预测,所述设备缺陷评估是对当前时刻设备状态进行评估,所述设备缺陷预测是对未来时刻设备缺陷是可能发生进行预测;
其中,所述关联系数的获得是利用双变量相关分析中的Spearman秩相关方法及相关系数临界表计算得出。
2.根据权利要求1所述的基于数据关联关系的设备缺陷评估与预测方法,其特征在于,所述方法还包括:将所述所有设备缺陷类型进行编码,所述编码与所述评估预测模型一一对应。
3.根据权利要求1所述的基于数据关联关系的设备缺陷评估与预测方法,其特征在于,所述方法还包括:
比较所述所有设备缺陷类型对应的区间分布概率,获取最大的分布概率,将所述最大的分布概率对应的评估预测模型作为缺陷评估的最终结论。
4.根据权利要求3所述的基于数据关联关系的设备缺陷评估与预测方法,其特征在于,所述方法还包括:
当对未来一周进行缺陷预测,获取所述一周前一个月内的因素监测数据库;
对所述因素监测数据库内各类数据进行趋势拟合曲线预测;
预测获得未来一周的因素监测数据,将所述未来一周的因素监测数据带入所述最大分布概率对应的评估预测模型,分析得缺陷分析结论,所述缺陷分析结论包括不发生缺陷或可能发生缺陷。
5.根据权利要求1所述的基于数据关联关系的设备缺陷评估与预测方法,其特征在于,在所述将计算得到的所述所有评估预测模型y值,按照缺陷发生或缺陷未发生将所述所有评估预测模型y值分成两个集合中,
将所述两个集合分别记为Y(z=0|y)和Y(z=1|y),其中:z=1表示缺陷发生,z=0表示缺陷未发生。
6.根据权利要求4所述的基于数据关联关系的设备缺陷评估与预测方法,其特征在于,所述历史监测数据为5-10年内的监测数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610051473.3A CN105740975B (zh) | 2016-01-26 | 2016-01-26 | 一种基于数据关联关系的设备缺陷评估与预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610051473.3A CN105740975B (zh) | 2016-01-26 | 2016-01-26 | 一种基于数据关联关系的设备缺陷评估与预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105740975A true CN105740975A (zh) | 2016-07-06 |
CN105740975B CN105740975B (zh) | 2019-08-27 |
Family
ID=56247363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610051473.3A Active CN105740975B (zh) | 2016-01-26 | 2016-01-26 | 一种基于数据关联关系的设备缺陷评估与预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105740975B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832908A (zh) * | 2017-09-29 | 2018-03-23 | 深圳供电局有限公司 | 一种基于缺陷数据的备品备件需求预测方法 |
CN108846511A (zh) * | 2018-06-04 | 2018-11-20 | 国家电网公司 | 一种基于调控大数据平台的变电设备缺陷趋势分析方法 |
CN108984863A (zh) * | 2018-06-27 | 2018-12-11 | 淮阴工学院 | 一种基于方向距离与超效率模型的图纸设计效率评估方法 |
CN109242340A (zh) * | 2018-09-29 | 2019-01-18 | 国网辽宁省电力有限公司电力科学研究院 | 一种蓄热电锅炉消纳***监测数据评价***及其评价方法 |
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 |
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 |
CN110378586A (zh) * | 2019-07-08 | 2019-10-25 | 国网山东省电力公司菏泽供电公司 | 基于动态闭环知识管理的变电设备缺陷预警方法及*** |
CN110489721A (zh) * | 2019-08-09 | 2019-11-22 | 国网山西省电力公司 | 电力设备典型缺陷预测方法、终端设备和存储介质 |
CN110502751A (zh) * | 2019-08-09 | 2019-11-26 | 国网山西省电力公司 | 大电网运行态势感知方法、终端设备和存储介质 |
CN113408656A (zh) * | 2021-07-14 | 2021-09-17 | 广东电网有限责任公司广州供电局 | 一种适用于由气象变化引起电力故障级别分类方法 |
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 |
CN113435759A (zh) * | 2021-07-01 | 2021-09-24 | 贵州电网有限责任公司 | 一种基于深度学习的一次设备风险智能评估方法 |
CN113722659A (zh) * | 2021-08-30 | 2021-11-30 | 北京智盟信通科技有限公司 | 一种基于缺陷模式的变电主设备诊断方法和*** |
CN113779005A (zh) * | 2021-08-02 | 2021-12-10 | 南方电网深圳数字电网研究院有限公司 | 一次设备的缺陷评估方法和装置、存储介质 |
CN117540258A (zh) * | 2024-01-10 | 2024-02-09 | 深圳市艾克姆科技发展有限公司 | 一种注塑生产监测方法、装置及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013093027A (ja) * | 2011-10-24 | 2013-05-16 | Fisher Rosemount Systems Inc | 予測された欠陥分析 |
JP2014056859A (ja) * | 2012-09-11 | 2014-03-27 | Nec Corp | 太陽電池故障診断装置、太陽電池故障診断方法、太陽電池故障診断システム、並びにコンピュータ・プログラム |
CN104573866A (zh) * | 2015-01-08 | 2015-04-29 | 深圳供电局有限公司 | 一种预测电力设备缺陷的方法和*** |
-
2016
- 2016-01-26 CN CN201610051473.3A patent/CN105740975B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013093027A (ja) * | 2011-10-24 | 2013-05-16 | Fisher Rosemount Systems Inc | 予測された欠陥分析 |
JP2014056859A (ja) * | 2012-09-11 | 2014-03-27 | Nec Corp | 太陽電池故障診断装置、太陽電池故障診断方法、太陽電池故障診断システム、並びにコンピュータ・プログラム |
CN104573866A (zh) * | 2015-01-08 | 2015-04-29 | 深圳供电局有限公司 | 一种预测电力设备缺陷的方法和*** |
Non-Patent Citations (3)
Title |
---|
任南编著: "《做最优秀的设备管理员一本通》", 31 October 2013, 北京:北京工业大学出版社 * |
张增敏: "数据挖掘技术在变电站设备及缺陷管理***中的应用", 《CNKI优秀硕士论文全文库》 * |
陈工孟主编: "《会计实证研究及Stata的应用实现》", 31 October 2014, 北京:经济管理出版社 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832908A (zh) * | 2017-09-29 | 2018-03-23 | 深圳供电局有限公司 | 一种基于缺陷数据的备品备件需求预测方法 |
CN108846511A (zh) * | 2018-06-04 | 2018-11-20 | 国家电网公司 | 一种基于调控大数据平台的变电设备缺陷趋势分析方法 |
CN108984863A (zh) * | 2018-06-27 | 2018-12-11 | 淮阴工学院 | 一种基于方向距离与超效率模型的图纸设计效率评估方法 |
CN108984863B (zh) * | 2018-06-27 | 2023-07-25 | 淮阴工学院 | 一种基于方向距离与超效率模型的图纸设计效率评估方法 |
CN109242340B (zh) * | 2018-09-29 | 2021-08-27 | 国网辽宁省电力有限公司电力科学研究院 | 一种蓄热电锅炉消纳***监测数据评价***及其评价方法 |
CN109242340A (zh) * | 2018-09-29 | 2019-01-18 | 国网辽宁省电力有限公司电力科学研究院 | 一种蓄热电锅炉消纳***监测数据评价***及其评价方法 |
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 |
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 |
CN110378586A (zh) * | 2019-07-08 | 2019-10-25 | 国网山东省电力公司菏泽供电公司 | 基于动态闭环知识管理的变电设备缺陷预警方法及*** |
CN110378586B (zh) * | 2019-07-08 | 2021-11-09 | 国网山东省电力公司菏泽供电公司 | 基于动态闭环知识管理的变电设备缺陷预警方法及*** |
CN110489721A (zh) * | 2019-08-09 | 2019-11-22 | 国网山西省电力公司 | 电力设备典型缺陷预测方法、终端设备和存储介质 |
CN110502751A (zh) * | 2019-08-09 | 2019-11-26 | 国网山西省电力公司 | 大电网运行态势感知方法、终端设备和存储介质 |
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 |
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 |
CN113435759A (zh) * | 2021-07-01 | 2021-09-24 | 贵州电网有限责任公司 | 一种基于深度学习的一次设备风险智能评估方法 |
CN113408656A (zh) * | 2021-07-14 | 2021-09-17 | 广东电网有限责任公司广州供电局 | 一种适用于由气象变化引起电力故障级别分类方法 |
CN113408656B (zh) * | 2021-07-14 | 2022-12-27 | 广东电网有限责任公司广州供电局 | 一种适用于由气象变化引起电力故障级别分类方法 |
CN113779005A (zh) * | 2021-08-02 | 2021-12-10 | 南方电网深圳数字电网研究院有限公司 | 一次设备的缺陷评估方法和装置、存储介质 |
CN113722659A (zh) * | 2021-08-30 | 2021-11-30 | 北京智盟信通科技有限公司 | 一种基于缺陷模式的变电主设备诊断方法和*** |
CN117540258A (zh) * | 2024-01-10 | 2024-02-09 | 深圳市艾克姆科技发展有限公司 | 一种注塑生产监测方法、装置及*** |
Also Published As
Publication number | Publication date |
---|---|
CN105740975B (zh) | 2019-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105740975A (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
Kang et al. | Big data analytics in China's electric power industry: modern information, communication technologies, and millions of smart meters | |
CN103617561A (zh) | 一种电网智能变电站二次设备状态评估***和方法 | |
Abbasghorbani et al. | Reliability‐centred maintenance for circuit breakers in transmission networks | |
CN206312210U (zh) | 一种配电网设备的状态评估*** | |
KR20200128232A (ko) | 전력 수요 예측 장치 및 그 방법 | |
CN116937575A (zh) | 一种网格***用的能源监控管理*** | |
CN111680841A (zh) | 基于主成分分析的短期负荷预测方法、***及终端设备 | |
Cioara et al. | An overview of digital twins application domains in smart energy grid | |
CN114065634A (zh) | 一种数据驱动的电能质量监测布点优化方法及装置 | |
CN103617447A (zh) | 智能变电站的评价***及评价方法 | |
CN111738854A (zh) | 一种基于云计算的新能源现货交易决策的数据服务*** | |
Amini et al. | Electrical energy systems resilience: A comprehensive review on definitions, challenges, enhancements and future proceedings | |
Zhou et al. | Dynamic battery loss evaluation and its application for optimal online wind‐storage integrated scheduling | |
Cioara et al. | An overview of digital twins application in smart energy grids | |
Tavakoli et al. | Development of Monte‐Carlo‐based stochastic scenarios to improve uncertainty modelling for optimal energy management of a renewable energy hub | |
CN113837473A (zh) | 基于bp神经网络的充电设备故障率分析***和方法 | |
CN116756505B (zh) | 一种基于大数据的光伏设备智能管理***及方法 | |
Chi et al. | Zoning‐based candidate bus selection for dynamic VAR planning in power system towards voltage resilience | |
CN112560325B (zh) | 换电业务的预测方法、***、设备及存储介质 | |
Hur et al. | An Enhanced Short-term Forecasting of Wind Generating Resources based on Edge Computing in Jeju Carbon-Free Islands | |
CN111178763A (zh) | 一种企业能效数据管理方法和装置 | |
CN105760956A (zh) | 一种基于线性回归分析的电网可靠性预测方法 | |
CN111857015A (zh) | 输变电云端智能控制器 | |
CN104751281A (zh) | 一种氧化锌避雷器设备的自动工况评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |