CN108062603A - 基于配电自动化终端设备全生命周期寿命预测方法及*** - Google Patents
基于配电自动化终端设备全生命周期寿命预测方法及*** Download PDFInfo
- Publication number
- CN108062603A CN108062603A CN201711498861.7A CN201711498861A CN108062603A CN 108062603 A CN108062603 A CN 108062603A CN 201711498861 A CN201711498861 A CN 201711498861A CN 108062603 A CN108062603 A CN 108062603A
- Authority
- CN
- China
- Prior art keywords
- data
- distribution automation
- master station
- terminal equipment
- station terminal
- 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 35
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims description 21
- 230000006378 damage Effects 0.000 claims description 17
- 238000007689 inspection Methods 0.000 claims description 9
- 238000005286 illumination Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 11
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000011664 signaling Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000004575 stone Substances 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
-
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于配电自动化终端设备全生命周期寿命预测方法及***。首先,对配电自动化主站终端设备的相关数据进行采集,对采集数据进行预处理,以克服采集数据存在的包括不一致、重复、含噪声、维度高的问题;而后,对预处理后的数据进行特征提取,即根据对配电自动化主站终端设备的影响指标,进行特征提取;再而,根据特征提取结果,依据每一个配电自动化主站终端设备的影响指标,分别进行模型的建立;最后,根据权重比较法,进行各个影响指标的融合,从而得出配电自动化主站终端设备的当前健康指数;以此预测未来一年的配电自动化主站终端设备的生命周期。本发明进行了终端生命周期的预测,为更好的进行配电巡检和办公带来有力的支撑。
Description
技术领域
本发明属于电气设备及电气工程领域,具体涉及一种基于配电自动化终端设备全生命周期寿命预测方法及***。
背景技术
配电自动化终端设备是实现配网自动化和配网智能化的基石,其正常运行是保障配网调度工作正常开展的保障,关系到配电网安全稳定运行。由于配电自动化设备数量多、分布广、现场环境复杂,因此配电自动化终端设备发生故障概率很高,并且引发故障的原因多种多样。目前自动化终端设备的维护还停留在流程化的管理当中,设备进行未投运->调试->投运->拆除->退役->检修,还未进行具体而深入的分析,以达到设备不断完善,减少因为可避免的原因引起的停电和线路故障。
目前针对自动化终端设备的管理不足点为自动化设备只进行流程化的跟踪使用,没有进行深层次的问题归纳分析,对后续的故障无法进行预测。
发明内容
本发明的目的在于针对以上不足,提供一种基于配电自动化终端设备全生命周期寿命预测方法及***,有利于终端故障高发区的统计,并能够按区域进行改善,且有利于厂家间的竞争,从而推动终端质量的提升。
为实现上述目的,本发明的技术方案是:一种基于配电自动化终端设备全生命周期寿命预测方法,采集配电自动化主站终端设备的实时数据,根据各个配电自动化主站终端设备的影响指标的故障模型,采用权重比较法,进行各个影响指标的融合,从而得出配电自动化主站终端设备的当前健康指数;以此预测预定周期内的配电自动化主站终端设备的生命周期;
所述配电自动化主站终端设备的影响指标的故障模型建立方式如下:
S1、数据采集:采集配电自动化主站终端设备的历史数据;
S2、数据预处理:对采集数据进行预处理,以克服采集数据存在的不一致、重复或含噪声的问题;
S3、特征提取:对预处理后的数据进行特征提取;
S4、故障模型建立:根据步骤S3的特征提取结果,依据每一个配电自动化主站终端设备的影响指标,分别进行模型的建立。
在本发明一实施例中,所述配电自动化主站终端设备的实时数据包括与配电自动化主站终端设备相应的区域、厂家、天气、地理环境、人文面貌数据,其中,区域数据为电力自动化覆盖率,厂家数据包括设备的电池容量、消耗功率,天气数据包括风力、光照,地理环境数据包括温度、湿度,人文面貌数据包括设备人为破坏、盗窃的百分比。
在本发明一实施例中,所述步骤S2中,数据预处理的手段包括分箱、聚类、计算机和人工检查结合、回归中的一种或多种的组合。
在本发明一实施例中,所述配电自动化主站终端设备的影响指标包括电力自动化覆盖率、设备的电池容量、消耗功率、风力、光照、温度、湿度、设备人为破坏、盗窃的百分比指标。
在本发明一实施例中,所述采用权重比较法,进行各个影响指标的融合的具体公式如下:
其中,K代表融合入的影响指标个数;
Bk:代表第K个影响指标对应的权限比重;
reck(u,i):第K个影响指标的第i维度的线性分析;
u:原始分析数据;
result(u,i):最终的第i维度设备健康值。
本发明还提供了一种基于配电自动化终端设备全生命周期寿命预测***,包括
数据采集模块:采集配电自动化主站终端设备的实时数据;
寿命预测模块:根据各个配电自动化主站终端设备的影响指标的故障模型,采用权重比较法,进行各个影响指标的融合,从而得出配电自动化主站终端设备的当前健康指数;以此预测未来一年的配电自动化主站终端设备的生命周期,并对因配电自动化主站终端设损坏引起的问题进行规避;
所述故障模型,是通过对配电自动化主站终端设备的历史数据进行预处理,而后,对预处理后的数据进行特征提取,最后,根据特征提取结果,依据每一个配电自动化主站终端设备的影响指标,分别建立而成。
在本发明一实施例中,所述配电自动化主站终端设备的实时数据包括与配电自动化主站终端设备相应的区域、厂家、天气、地理环境、人文面貌数据,其中,区域数据为电力自动化覆盖率,厂家数据包括设备的电池容量、消耗功率,天气数据包括风力、光照,地理环境数据包括温度、湿度,人文面貌数据包括设备人为破坏、盗窃的百分比。
在本发明一实施例中,所述通过对配电自动化主站终端设备的历史数据进行预处理中采用的预处理的手段包括分箱、聚类、计算机和人工检查结合、回归中的一种或多种的组合。
在本发明一实施例中,所述配电自动化主站终端设备的影响指标包括电力自动化覆盖率、设备的电池容量、消耗功率、风力、光照、温度、湿度、设备人为破坏、盗窃的百分比指标。
在本发明一实施例中,所述采用权重比较法,进行各个影响指标的融合的具体公式如下:
其中,K代表融合入的影响指标个数;
Bk:代表第K个影响指标对应的权限比重;
reck(u,i):第K个影响指标的第i维度的线性分析;
u:原始分析数据;
result(u,i):最终的第i维度设备健康值。
相较于现有技术,本发明具有以下有益效果:
1、区域的终端分析,有利于终端故障高发区的统计,并能够按区域进行改善;
2、厂家的故障次数和原因的分析,有利于厂家间的竞争,从而推动终端质量的提升;
3、天气和地理位置的影响,为终端质量的提升提供数据基础,让厂家能够更全面的解决终端质量问题,从而达到双赢的局面;
4、终端的失窃和人为破坏案件也不在少数,这从反面提供了区域的精神面貌,对城市的建设和人文面貌建设提供了依据;
5、终端生命周期的预测,有利于巡检工作的周期性安排,并对财政支出提供基础数据,为更好的进行配电巡检和办公带来有力的支撑。
附图说明
图1为本发明方法的流程图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
本发明的一种基于配电自动化终端设备全生命周期寿命预测方法,采集配电自动化主站终端设备的的实时数据,根据各个配电自动化主站终端设备的影响指标的故障模型,采用权重比较法,进行各个影响指标的融合,从而得出配电自动化主站终端设备的当前健康指数;以此预测预定周期内的配电自动化主站终端设备的生命周期;
所述配电自动化主站终端设备的影响指标的故障模型建立方式如下:
S1、数据采集:采集配电自动化主站终端设备的历史数据;
S2、数据预处理:对采集数据进行预处理,以克服采集数据存在的不一致、重复或含噪声的问题;
S3、特征提取:对预处理后的数据进行特征提取;
S4、故障模型建立:根据步骤S3的特征提取结果,依据每一个配电自动化主站终端设备的影响指标,分别进行模型的建立。
所述配电自动化主站终端设备的实时数据包括与配电自动化主站终端设备相应的区域、厂家、天气、地理环境、人文面貌数据,其中,区域数据为电力自动化覆盖率,厂家数据包括设备的电池容量、消耗功率,天气数据包括风力、光照,地理环境数据包括温度、湿度,人文面貌数据包括设备人为破坏、盗窃的百分比。
所述步骤S2中,数据预处理的手段包括分箱、聚类、计算机和人工检查结合、回归中的一种或多种的组合。
所述配电自动化主站终端设备的影响指标包括电力自动化覆盖率、设备的电池容量、消耗功率、风力、光照、温度、湿度、设备人为破坏、盗窃的百分比指标。
在本发明一实施例中,所述采用权重比较法,进行各个影响指标的融合的具体公式如下:
其中,K代表融合入的影响指标个数;
Bk:代表第K个影响指标对应的权限比重;
reck(u,i):第K个影响指标的第i维度的线性分析;
u:原始分析数据;
result(u,i):最终的第i维度设备健康值。
本发明还提供了一种基于配电自动化终端设备全生命周期寿命预测***,包括
数据采集模块:采集配电自动化主站终端设备的实时数据;
寿命预测模块:根据各个配电自动化主站终端设备的影响指标的故障模型,采用权重比较法,进行各个影响指标的融合,从而得出配电自动化主站终端设备的当前健康指数;以此预测未来一年的配电自动化主站终端设备的生命周期,并对因配电自动化主站终端设损坏引起的问题进行规避;
所述故障模型,是通过对配电自动化主站终端设备的历史数据进行预处理,而后,对预处理后的数据进行特征提取,最后,根据特征提取结果,依据每一个配电自动化主站终端设备的影响指标,分别建立而成。
所述配电自动化主站终端设备的实时数据包括与配电自动化主站终端设备相应的区域、厂家、天气、地理环境、人文面貌数据,其中,区域数据为电力自动化覆盖率,厂家数据包括设备的电池容量、消耗功率,天气数据包括风力、光照,地理环境数据包括温度、湿度,人文面貌数据包括设备人为破坏、盗窃的百分比。
所述通过对配电自动化主站终端设备的历史数据进行预处理中采用的预处理的手段包括分箱、聚类、计算机和人工检查结合、回归中的一种或多种的组合。
所述配电自动化主站终端设备的影响指标包括电力自动化覆盖率、设备的电池容量、消耗功率、风力、光照、温度、湿度、设备人为破坏、盗窃的百分比指标。
在本发明一实施例中,所述采用权重比较法,进行各个影响指标的融合的具体公式如下:
其中,K代表融合入的影响指标个数;
Bk:代表第K个影响指标对应的权限比重;
reck(u,i):第K个影响指标的第i维度的线性分析;
u:原始分析数据;
result(u,i):最终的第i维度设备健康值。
以下为本发明的具体实施过程。
方案前提
对配电自动化终端设备进行台账管理,【未投运】、【调试】、【投运】、【拆除】、【退役】、【检修】六种状态的运维。拆除和退役需要提供具体的问题描述。主站不断采集设备上送上来的遥信、遥测数据进行实时存储,基于终端台账管理和大数据采集,为后续的分析提供数据基础。
在设备的多维度历史数据基础之上,结合一下主站提供的数据,对寿命预测进行人为的分析和验证。
区域分析、厂家分析
通过区域为分析维度(区域为供电分区,也可以细化到下面的厂站),根据周、月、季、年不同的时间查询维度,进行统计分析,整理出故障的高发时间、地区、厂家,结果采用饼图、棒图和柱状图的形式进行展示,运维人员可以对高发的地带和时间进行下一步的故障分析。厂家分析报表,进行普及,加强厂家对质量的关心程序,推动设备质量改善。
人文面貌
按照区域,统计由人为盗窃和破坏的终端所占的终端比,从而可以对区域电力设备安全作出评估,加强安防和推广该地区的安全电力知识和公共财产的普及,提高该地区的人文面貌。
天气影响、地理位置
***按照天为维度,根据设备的地理位置采集平均温度和湿度,根据结合时间维度以及区域分析,综合进行分析,给出温度和湿度对设备寿命的影响曲线。将影响曲线提取对应的系数,该数据还可以作为终端生成的进一步抗压指标。
未来终端生命预测
作为数据重点分析,根据终端的各个维度造成的影响,进一步推算出未来一年的终端缺陷和终端寿命。具体的分析流程如下:
1、数据采集
数据采集,主要基于配电自动化主站终端相关数据采集。不同类型的配电终端采集信息不同,如遥信和遥测信息采集,遥信点位可以表示设备某些状态位的变化;遥测点可以表示设备某些量测值的变化。数据采集过程分为实时数据采集和历史数据存储。
2、数据预处理
数据采集、存储之后,***需要对采集到的数据进行预处理。原始数据存在的几个问题:不一致;重复;含噪声;维度高等。这些问题不利于接下来的数据特征值的提取。目前数据的预处理主要分为分箱、聚类、计算机和人工检查结合、回归。这些方法都可以按照***实际采集的数据进行合理的使用和规划。
3、特征提取
经过数据预处理后,要对数据进行特征提取。特征的提取跟数据的属性相关。分析每个因素的数据特征,***根据终端提供的累积数据进行分析,如影响指标为:温度、湿度、电池电压等,那么对温度、湿度和电池电压的历史数据分别进行特征提取。
4、模型建立
每一个影响指标进行模型建立,形成各自的模型公式。概率分析方法、人工神经网络、专家***、模糊集等都可以用于建立关系模型。通过对应的模型预测未来的值,每年进行估计并不断优化模型库。模型的建立要基于经验的积累,才能逐步完善每个地区的故障预测模型的建立。下面展示初步模型建立的过程:
基于大量的历史数据,对影响因素进行独立的模型建立,以温度为例进行模型建立(一元线性回归):
Yi=B0+B1Xi+ei
基于特征值的获取,确定模型的系数和参数。各个影响因素建立完各自的模型后,通过线性融合加权法:
其中,K代表融合入的影响指标个数;Bk代表第K个影响指标对应的权限比重;reck(u,i)代表第K个影响指标的第i维度的线性分析;u代表原始分析数据;result(u,i)代表最终的第i维度设备健康值;
而后进行模型融合,从和算出最后的健康值。
寿命预测、风险规避
每个指标的模型建立完成,根据权重比较法,进行各个指标的融合,从而得出终端的当前健康指数.预测未来一年的终端生存周期,从而指定终端检查的时间点。对设备坏掉引起的问题进行规避。将损失降低。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (10)
1.一种基于配电自动化终端设备全生命周期寿命预测方法,其特征在于:采集配电自动化主站终端设备的实时数据,根据各个配电自动化主站终端设备的影响指标的故障模型,采用权重比较法,进行各个影响指标的融合,从而得出配电自动化主站终端设备的当前健康指数;以此预测预定周期内的配电自动化主站终端设备的生命周期;
所述配电自动化主站终端设备的影响指标的故障模型建立方式如下:
S1、数据采集:采集配电自动化主站终端设备的历史数据;
S2、数据预处理:对采集数据进行预处理,以克服采集数据存在的不一致、重复或含噪声的问题;
S3、特征提取:对预处理后的数据进行特征提取;
S4、故障模型建立:根据步骤S3的特征提取结果,依据每一个配电自动化主站终端设备的影响指标,分别进行模型的建立。
2.根据权利要求1所述的方法,其特征在于:所述配电自动化主站终端设备的实时数据包括与配电自动化主站终端设备相应的区域、厂家、天气、地理环境、人文面貌数据,其中,区域数据为电力自动化覆盖率,厂家数据包括设备的电池容量、消耗功率,天气数据包括风力、光照,地理环境数据包括温度、湿度,人文面貌数据包括设备人为破坏、盗窃的百分比。
3.根据权利要求1所述的方法,其特征在于:所述步骤S2中,数据预处理的手段包括分箱、聚类、计算机和人工检查结合、回归中的一种或多种的组合。
4.根据权利要求3所述的方法,其特征在于:所述配电自动化主站终端设备的影响指标包括电力自动化覆盖率、设备的电池容量、消耗功率、风力、光照、温度、湿度、设备人为破坏、盗窃的百分比指标。
5.根据权利要求1所述的方法,其特征在于:所述采用权重比较法,进行各个影响指标的融合的具体公式如下:
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
<mi>u</mi>
<mi>l</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>B</mi>
<mi>k</mi>
</msub>
<mo>*</mo>
<msub>
<mi>rec</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,K代表融合入的影响指标个数;
Bk:代表第K个影响指标对应的权限比重;
reck(u,i):第K个影响指标的第i维度的线性分析;
u:原始分析数据;
result(u,i):最终的第i维度设备健康值。
6.一种基于配电自动化终端设备全生命周期寿命预测***,其特征在于:包括
数据采集模块:采集配电自动化主站终端设备的实时数据;
寿命预测模块:根据各个配电自动化主站终端设备的影响指标的故障模型,采用权重比较法,进行各个影响指标的融合,从而得出配电自动化主站终端设备的当前健康指数;以此预测未来一年的配电自动化主站终端设备的生命周期,并对因配电自动化主站终端设损坏引起的问题进行规避;
所述故障模型,是通过对配电自动化主站终端设备的历史数据进行预处理;而后,对预处理后的数据进行特征提取;最后,根据特征提取结果,依据每一个配电自动化主站终端设备的影响指标建立而成。
7.根据权利要求6所述的***,其特征在于:所述配电自动化主站终端设备的实时数据包括与配电自动化主站终端设备相应的区域、厂家、天气、地理环境、人文面貌数据,其中,区域数据为电力自动化覆盖率,厂家数据包括设备的电池容量、消耗功率,天气数据包括风力、光照,地理环境数据包括温度、湿度,人文面貌数据包括设备人为破坏、盗窃的百分比。
8.根据权利要求6所述的***,其特征在于:所述通过对配电自动化主站终端设备的历史数据进行预处理中采用的预处理的手段包括分箱、聚类、计算机和人工检查结合、回归中的一种或多种的组合。
9.根据权利要求7所述的***,其特征在于:所述配电自动化主站终端设备的影响指标包括电力自动化覆盖率、设备的电池容量、消耗功率、风力、光照、温度、湿度、设备人为破坏、盗窃的百分比指标。
10.根据权利要求6所述的***,其特征在于:所述采用权重比较法,进行各个影响指标的融合的具体公式如下:
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
<mi>u</mi>
<mi>l</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>B</mi>
<mi>k</mi>
</msub>
<mo>*</mo>
<msub>
<mi>rec</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,K代表融合入的影响指标个数;
Bk:代表第K个影响指标对应的权限比重;
reck(u,i):第K个影响指标的第i维度的线性分析;
u:原始分析数据;
result(u,i):最终的第i维度设备健康值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711498861.7A CN108062603A (zh) | 2017-12-29 | 2017-12-29 | 基于配电自动化终端设备全生命周期寿命预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711498861.7A CN108062603A (zh) | 2017-12-29 | 2017-12-29 | 基于配电自动化终端设备全生命周期寿命预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108062603A true CN108062603A (zh) | 2018-05-22 |
Family
ID=62140612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711498861.7A Pending CN108062603A (zh) | 2017-12-29 | 2017-12-29 | 基于配电自动化终端设备全生命周期寿命预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108062603A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543847A (zh) * | 2018-10-16 | 2019-03-29 | 中国电力科学研究院有限公司 | 一种电力大数据设备生命周期管理*** |
CN110333689A (zh) * | 2019-03-20 | 2019-10-15 | 广西壮族自治区机械工业研究院 | 一种用于包装码垛生产线的物联网数据采集分析*** |
CN110929952A (zh) * | 2019-12-02 | 2020-03-27 | 中国人民解放军国防科技大学 | 基于线路周边环境和敷设类型的光缆故障概率预测方法 |
CN112698129A (zh) * | 2020-12-11 | 2021-04-23 | 深圳供电局有限公司 | 基于多体系信息融合的配电网设备可靠性分析方法及*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101425936A (zh) * | 2007-10-30 | 2009-05-06 | 北京启明星辰信息技术有限公司 | 基于异常度量的宏观网络安全状态评估方法 |
CN102768115A (zh) * | 2012-06-27 | 2012-11-07 | 华北电力大学 | 一种风电机组齿轮箱健康状态实时动态监控方法 |
CN103400310A (zh) * | 2013-08-08 | 2013-11-20 | 华北电力大学(保定) | 考虑历史数据趋势预测的配电网电气设备状态评估方法 |
CN105303329A (zh) * | 2015-11-20 | 2016-02-03 | 国网上海市电力公司 | 一种基于监控信息的设备健康状态评估方法 |
CN105447646A (zh) * | 2015-12-02 | 2016-03-30 | 中国电力科学研究院 | 一种配电***健康指数评估方法 |
CN105512448A (zh) * | 2014-09-22 | 2016-04-20 | 国家电网公司 | 一种配电网健康指数的评估方法 |
CN105975735A (zh) * | 2016-07-19 | 2016-09-28 | 广西电网有限责任公司电力科学研究院 | 一种用于电力设备健康状态评估的建模方法 |
CN106327062A (zh) * | 2016-08-11 | 2017-01-11 | 中国南方电网有限责任公司电网技术研究中心 | 一种配电网设备的状态评估方法 |
CN106952028A (zh) * | 2017-03-13 | 2017-07-14 | 杭州安脉盛智能技术有限公司 | 机电装备故障预诊与健康管理方法及*** |
CN107016235A (zh) * | 2017-03-21 | 2017-08-04 | 西安交通大学 | 基于多特征自适应融合的设备运行状态健康度评估方法 |
EP3236258A2 (en) * | 2016-03-30 | 2017-10-25 | Pouria Ghods | Embedded wireless monitoring sensors |
-
2017
- 2017-12-29 CN CN201711498861.7A patent/CN108062603A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101425936A (zh) * | 2007-10-30 | 2009-05-06 | 北京启明星辰信息技术有限公司 | 基于异常度量的宏观网络安全状态评估方法 |
CN102768115A (zh) * | 2012-06-27 | 2012-11-07 | 华北电力大学 | 一种风电机组齿轮箱健康状态实时动态监控方法 |
CN103400310A (zh) * | 2013-08-08 | 2013-11-20 | 华北电力大学(保定) | 考虑历史数据趋势预测的配电网电气设备状态评估方法 |
CN105512448A (zh) * | 2014-09-22 | 2016-04-20 | 国家电网公司 | 一种配电网健康指数的评估方法 |
CN105303329A (zh) * | 2015-11-20 | 2016-02-03 | 国网上海市电力公司 | 一种基于监控信息的设备健康状态评估方法 |
CN105447646A (zh) * | 2015-12-02 | 2016-03-30 | 中国电力科学研究院 | 一种配电***健康指数评估方法 |
EP3236258A2 (en) * | 2016-03-30 | 2017-10-25 | Pouria Ghods | Embedded wireless monitoring sensors |
CN105975735A (zh) * | 2016-07-19 | 2016-09-28 | 广西电网有限责任公司电力科学研究院 | 一种用于电力设备健康状态评估的建模方法 |
CN106327062A (zh) * | 2016-08-11 | 2017-01-11 | 中国南方电网有限责任公司电网技术研究中心 | 一种配电网设备的状态评估方法 |
CN106952028A (zh) * | 2017-03-13 | 2017-07-14 | 杭州安脉盛智能技术有限公司 | 机电装备故障预诊与健康管理方法及*** |
CN107016235A (zh) * | 2017-03-21 | 2017-08-04 | 西安交通大学 | 基于多特征自适应融合的设备运行状态健康度评估方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543847A (zh) * | 2018-10-16 | 2019-03-29 | 中国电力科学研究院有限公司 | 一种电力大数据设备生命周期管理*** |
CN109543847B (zh) * | 2018-10-16 | 2023-11-14 | 中国电力科学研究院有限公司 | 一种电力大数据设备生命周期管理*** |
CN110333689A (zh) * | 2019-03-20 | 2019-10-15 | 广西壮族自治区机械工业研究院 | 一种用于包装码垛生产线的物联网数据采集分析*** |
CN110929952A (zh) * | 2019-12-02 | 2020-03-27 | 中国人民解放军国防科技大学 | 基于线路周边环境和敷设类型的光缆故障概率预测方法 |
CN110929952B (zh) * | 2019-12-02 | 2022-05-03 | 中国人民解放军国防科技大学 | 基于线路周边环境和敷设类型的光缆故障概率预测方法 |
CN112698129A (zh) * | 2020-12-11 | 2021-04-23 | 深圳供电局有限公司 | 基于多体系信息融合的配电网设备可靠性分析方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378492A (zh) | 一种加强配网设备运维管控的方法 | |
CN108062603A (zh) | 基于配电自动化终端设备全生命周期寿命预测方法及*** | |
CN103903408B (zh) | 设备故障侦查预警方法和*** | |
CN106655522A (zh) | 一种适用于电网二次设备运维管理的主站*** | |
CN108665186B (zh) | 基于计量自动化***的配变重过载停电监测方法及装置 | |
CN104410067A (zh) | 一种基于公变和用户采集大数据分析的台区停电分析方法 | |
CN104123682A (zh) | 一种基于气象影响因素的配网故障风险评估方法 | |
CN213750303U (zh) | 一种基于用电信息采集***的电能计量异常诊断*** | |
CN107256442B (zh) | 基于移动客户端的线损计算方法 | |
CN110879327A (zh) | 一种多元数据融合10kv线路监测方法 | |
CN110095661B (zh) | 一种配电变压器高压侧缺相故障抢修方法 | |
CN112713658A (zh) | 一种电网设备监控缺陷智能控制方法及*** | |
CN106373032A (zh) | 基于大数据的配网故障高发区域辨识方法 | |
CN108898239A (zh) | 一种基于数据分析的配电变压器选址方法 | |
CN110570628B (zh) | 一种输电线路杆塔地质灾害监测预警分析***及使用方法 | |
CN113449925B (zh) | 一种基于随机森林模型的台区停电风险等级预测方法 | |
CN113177718B (zh) | 基于数据可视化的智能电网基建工程分析管理*** | |
CN117614137A (zh) | 基于多源数据融合的配电网优化*** | |
CN113949155A (zh) | 一种具有实时监测功能的全景式电能质量监测*** | |
CN117498559A (zh) | 配电网低电压预警分析方法及*** | |
CN113011477A (zh) | 一种太阳辐照数据的清洗和补全***及方法 | |
CN112308248A (zh) | 一种输电线路杆塔监测管理***及方法 | |
CN115566803B (zh) | 一种线路故障溯源方法及*** | |
CN117728379A (zh) | 用于区域电网的智能运行调度方法 | |
CN115880803A (zh) | 一种智能巡检***及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180522 |
|
RJ01 | Rejection of invention patent application after publication |