CN109389325A - 基于小波神经网络的变电站电子式互感器状态评估方法 - Google Patents
基于小波神经网络的变电站电子式互感器状态评估方法 Download PDFInfo
- Publication number
- CN109389325A CN109389325A CN201811301943.2A CN201811301943A CN109389325A CN 109389325 A CN109389325 A CN 109389325A CN 201811301943 A CN201811301943 A CN 201811301943A CN 109389325 A CN109389325 A CN 109389325A
- Authority
- CN
- China
- Prior art keywords
- neural network
- correlation
- signal
- wavelet
- wavelet neural
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 22
- 230000002950 deficient Effects 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 11
- 238000012549 training Methods 0.000 description 7
- 230000001537 neural effect Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 238000003012 network analysis Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification 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
- G06Q10/06—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了基于小波神经网络的变电站电子式互感器状态评估方法,基于智能变电站二次设备运行状态建模所需要的运行参数,建立电子式互感器工况监测指标体系,建立基本的电子式互感器工况监测指标体系。根据智能变电站自身的大数据特点,首先将海量参数利用信号相关性算法分析,利用相关规律予以监测,另外将相关性不明显的参数归类,并建立基于小波神经网络的电子式互感器工况在线监测方案,进行进一步分析,通过实验及仿真得到的数据分别对算法进行验证,结果表明采用信号相关性分析能够实时监测各参量间的变化关系,同时经过训练的小波神经网络算法可以较好地对辨识故障。
Description
技术领域
本发明涉及变智能变电站电子式互感器状态评估方法,具体涉及基于小波神经网络的变电站电子式互感器状态评估方法。
背景技术
近年来,国家积极推动对智能电网的投资与建设。其中,智能变电站作为智能电网发展的基础设施和技术指标,在电网建设总投资中的占比不断扩大。同时,一批传统变电站将逐步接受智能化改造,向智能变电站靠拢。在对智能变电站的改造和新建下,对电网运行的可靠性的要求并未降低,即防止智能变电站因为通信故障或软硬件故障引起的保护拒动和误动。由于智能变电站相比与传统变电站在结构上和信息繁杂度上都大大增加,传统的变电站所采取的“定期检修”的设备检修策略不再适合,急需一种新型的在线监测、分析手段,即“运行状态评估”。
但是,目前针对电子式互感器的在线监测尚无统一的技术标准,只有IEC61850标准为组建在线监测网络提供了相关规范。而建立完善的在线监测***,首先需要规范监测目的所需的状态参数,建立电子式互感器工况监测指标体系(供电电压电流、设备指示状况等),确定电子式互感器数据收集方案。建立可行的电子式互感器工况在线监测方案,提出检测设备需求。进一步利用运行状态数据对电子式互感器的设备预警原理研究,灵活实现设备失效预警和设备电流异常预警等功能,并提供设备正常工作情况实时监控数据。最后实现对电子互感器乃至相关配套二次设备的故障发生自动预测,改善运维效率。
发明内容
本发明所要解决的技术问题是:目前智能变电站采用传统变电站的定期检修策略,无法满足现有智能变电站实时在线监测以及分析的问题,本发明提供了解决上述问题的基于小波神经网络的变电站电子式互感器状态评估方法。
本发明通过下述技术方案实现:
基于小波神经网络的变电站电子式互感器状态评估方法,主要包括以下步骤:
S1、按照电子式互感器工况监测指标体系,按设定的时间频率评估进行采集***需要的主要量、辅助量、通信量的原始数据信号;
S2、采用信号相关性算法,在原始数据信号中选择信号对,并比较同一时间点的不同信号之间的关联性及其变化趋势,得到二者的关联情况;
S3、分析关联情况的变化,来评估电子互感器的运行状态,当相关性算法得到的相关度发生较大变化时,参数序列对所属器件有大概率发生故障,以此分析出明显故障;
S4、将步骤S3中的明显故障器件的参数序列对从基本信号剔除,再将剔除过后的源数据信号采用小波神经网络法进行分析偏差故障。
当下常用的故障诊断方法大多基于信号处理的手段,通过提取测量数据中被诊断***时域和频域中较深层次的特征向量,根据这些特征向量与***故障之间的关联来判断被诊断***的运行状况。在这种方法中,将外部特征利用之前所述的多种监测参数完整建模并描述,当故障发展到一定程度并影响到外部特征时,基于信号处理方法的诊断算法可以及时发现故障。同时***对故障范围进行粗略的判断,进一步的通过外部特征中多种监测参数的关系,直接定位故障部位。本专利通过采用信号相关性算法分析出大概率发生故障,采用小波神经网络法分析偏差故障,由于偏差故障数据相关度不高,因此,简单采用相关性算法分析无法检测到偏差故障,由于神经网络算法复杂,通过相关性算法将其原始数据进行先行处理,将其中相关度高的故障数据分出,剩下的再用神经网络算法进行运算,由此减轻了神经网络运算的工作量,使得的***分析效率更高。
进一步的,信号相关性算法步骤如下:
A1、以时间为轴,在第1个时刻到第t个时刻的时间段内各单个基本元件采集回的信号可以用下式表示:
Sn(t)=[fn(1),fn(2),…fn(t)];
A2、采集得到的各个参量数据在一定时间内形成多个信号序列;将不同参量在t时刻形成的序列信号定义为{xi}和{yi},按照时间排序整理为一组序列对{x1,x2,x3……}和{y1,y2,y3……};定义相关程度为相关系数ρxy,其定义为
A3、定义ρxy的取值范围来判断两组信号之间的关系:
A4、得到的相关程度为强相关性值以及正相关性值,说明相关程度发生较大变化,说明参数序列对所属器件有大概率发生故障,以此检测出故障器件。
按照电子式互感器工况监测指标体系,评估***需要的主要量、辅助量、通信量的信号,是按一定的时间频率进行采集的。信号以时间轴为基准,呈离散分布态势。通过有策略地选择信号对,并比较同一时间点的不同信号之间的关联性,及其变化趋势,得到二者的关联情况。在实际监测过程中,通过分析关联情况的变化,来评估电子互感器的运行状态。
进一步的,小波神经网络法步骤如下:
B1、对原始信号进行多尺度小波分解,得到各层小波分解系数
Xj=W(S),(j=1,2...8);
B2、对得到的小波系数进行处理,取小波系数的绝对值并对每一层的小波系数求和
B3、构造特征向量并归一化处理
T=[E1,E2,E3,E4,E5,E6,E7,E8],
T'=[E1/E,E2/E,E3/E,E4/E,E5/E,E6/E,E7/E,E8/E],
神经网络参数选择包括传输函数、输入输出层数及隐含层节点数,由于在小波分解过程中取前8个分量,因此输入层定为8;神经元的传输函数采用非对称sigmoid函数
输入层和隐含层之间的传递函数为tansig,隐含层和输出层之间的传递函数为logsig,其他参数需要根据测量得到的数据来决定,其中,隐含层节点数需满足
其中,N1为输入层节点数,N2为隐含层节点数;N3为输出层节点数;α为1~10之间的常数。
样本转化为包含很少量数据的样本,这种样本在用于神经网络训练时,可以大大提高收敛速度和成功率。同时,由于小波分析提取的频域特征向量数据中变化趋势明显,可以提供神经网络学习的特征显著,因此用于神经网络训练既可以有效地减少了样本需求量,又可以使神经网络的诊断的准确度提高。
进一步的,偏差故障包括漂移偏差故障、固定偏差故障和变比偏差故障。
本发明具有如下的优点和有益效果:
1、本发明通过采用信号相关性算法分析出大概率发生故障,采用小波神经网络法分析偏差故障,由于偏差故障数据相关度不高,因此,简单采用相关性算法分析无法检测到偏差故障,由于神经网络算法复杂,通过相关性算法将其原始数据进行先行处理,将其中相关度高的故障数据分出,剩下的再用神经网络算法进行运算,由此减轻了神经网络运算的工作量,使得的***分析效率更高;
2、本发明通过有策略地选择信号对,并比较同一时间点的不同信号之间的关联性,及其变化趋势,得到二者的关联情况;在实际监测过程中,通过分析关联情况的变化,来评估电子互感器的运行状态,当监测算法得到的相关度发生较大变化时,应注意到参数序列对所属器件有大概率发生故障;
3、本发明样本转化为包含很少量数据的样本,这种样本在用于神经网络训练时,可以大大提高收敛速度和成功率,由于小波分析提取的频域特征向量数据中变化趋势明显,可以提供神经网络学习的特征显著,因此用于神经网络训练既可以有效地减少了样本需求量,又可以使神经网络的诊断的准确度提高。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1
基于小波神经网络的变电站电子式互感器状态评估方法,主要包括以下步骤:
S1、按照电子式互感器工况监测指标体系,按设定的时间频率评估进行采集***需要的主要量、辅助量、通信量的原始数据信号;
S2、采用信号相关性算法,在原始数据信号中选择信号对,并比较同一时间点的不同信号之间的关联性及其变化趋势,得到二者的关联情况;
S3、分析关联情况的变化,来评估电子互感器的运行状态,当相关性算法得到的相关度发生较大变化时,参数序列对所属器件有大概率发生故障,以此分析出明显故障;
S4、将步骤S3中的明显故障器件的参数序列对从基本信号剔除,再将剔除过后的源数据信号采用小波神经网络法进行分析偏差故障。
基于智能变电站二次设备运行状态建模所需要的运行参数,建立电子式互感器工况监测指标体系,建立基本的电子式互感器工况监测指标体系。根据智能变电站自身的大数据特点,首先将海量参数利用信号相关性算法分析,利用相关规律予以监测,另外将相关性不明显的参数归类,并建立基于小波神经网络的电子式互感器工况在线监测方案,进行进一步分析,通过实验及仿真得到的数据分别对算法进行验证,结果表明采用信号相关性分析能够实时监测各参量间的变化关系,同时经过训练的小波神经网络算法可以较好地对辨识故障。
实施时,信号相关性算法步骤如下:
A1、以时间为轴,在第1个时刻到第t个时刻的时间段内各单个基本元件采集回的信号可以用下式表示:
Sn(t)=[fn(1),fn(2),…fn(t)];
A2、采集得到的各个参量数据在一定时间内形成多个信号序列;将不同参量在t时刻形成的序列信号定义为{xi}和{yi},按照时间排序整理为一组序列对{x1,x2,x3……}和{y1,y2,y3……};定义相关程度为相关系数ρxy,其定义为
A3、定义ρxy的取值范围来判断两组信号之间的关系:
A4、得到的相关程度为强相关性值以及正相关性值,说明相关程度发生较大变化,说明参数序列对所属器件有大概率发生故障,以此检测出故障器件。
小波神经网络法步骤如下:
B1、对原始信号进行多尺度小波分解,得到各层小波分解系数
Xj=W(S),(j=1,2...8);
B2、对得到的小波系数进行处理,取小波系数的绝对值并对每一层的小波系数求和
B3、构造特征向量并归一化处理
T=[E1,E2,E3,E4,E5,E6,E7,E8],
T'=[E1/E,E2/E,E3/E,E4/E,E5/E,E6/E,E7/E,E8/E],
神经网络参数选择包括传输函数、输入输出层数及隐含层节点数,由于在小波分解过程中取前8个分量,因此输入层定为8;神经元的传输函数采用非对称sigmoid函数
输入层和隐含层之间的传递函数为tansig,隐含层和输出层之间的传递函数为logsig,其他参数需要根据测量得到的数据来决定,其中,隐含层节点数需满足
其中,N1为输入层节点数,N2为隐含层节点数;N3为输出层节点数;α为1~10之间的常数。
为了验证信号相关性算法的正确性,在此针对电子式电压互感器的分压电容C与温度t之间的关系,采集得到随机时间点的对应数据组,并利用上文提到的相关性算法进行分析。
在不连续时间点分别采集到的电子式电压互感器数据组如下所示:
其中,电容C1与C2的比值经过计算为
C1/C2={0.623,0.623,0.627,0.631,0.634,0.636,0.637,0.636,0.632,0631},与对应时间点的温度数值构成数据组t={25.6,25.7,22.3,24.1,23.6,21.2,26.2,25.2,21.4,26.4},经过计算,二者的相关度为ρxy=0.931。
由电路结构可知,电子式电压互感器的温度t与电容满足关系式
因此上述数据组应为相关性较高的线性关系,验证结果说明了在该运行状况下,温度参数与电容参数始终保持在正常范围之内。
在小波神经网络分析方法中,本文设计了三种电子互感器的故障分类——漂移偏差故障、固定偏差故障和变比偏差故障。
由于本算法目的是区分并识别三种不同的故障类型,因此神经网络的输出层数设置为4,令[1,0,0,0],[0,1,0,0],[0,0,1,0],[0,0,0,1]为样本的训练目标向量,表征电子式互感器发生漂移偏差故障、固定偏差故障、变比偏差故障和处于正常状态。神经网络训练目标精net.trainparam.goal设置为0.001,最大训练次数net.trainparam.epochs为10000次。隐含层选择10层。得到的辨识结果如下:
该结果说明小波神经对以上三种偏差故障的辨识率皆在85%以上,可以很好地实现针对特定已分类故障的数据辨识。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.基于小波神经网络的变电站电子式互感器状态评估方法,其特征在于,主要包括以下步骤:
S1、按照电子式互感器工况监测指标体系,按设定的时间频率评估进行采集***需要的主要量、辅助量、通信量的原始数据信号;
S2、采用信号相关性算法,在原始数据信号中选择信号对,并比较同一时间点的不同信号之间的关联性及其变化趋势,得到二者的关联情况;
S3、分析关联情况的变化,来评估电子互感器的运行状态,当相关性算法得到的相关性发生较大变化时,参数序列对所属器件有大概率发生故障,以此分析出明显故障;
S4、将步骤S3中的明显故障的参数序列对从基本信号剔除,将相关性不明显的参数归类,采用小波神经网络法进行分析偏差故障。
2.根据权利要求1所述的基于小波神经网络的变电站电子式互感器状态评估方法,其特征在于,所述信号相关性算法步骤如下:
A1、以时间为轴,在第1个时刻到第t个时刻的时间段内各单个基本元件采集回的信号可以用下式表示:
Sn(t)=[fn(1),fn(2),…fn(t)];
A2、采集得到的各个参量数据在一定时间内形成多个信号序列;将不同参量在t时刻形成的序列信号定义为{xi}和{yi},按照时间排序整理为一组序列对{x1,x2,x3……}和{y1,y2,y3……};定义相关程度为相关系数ρxy,其定义为
A3、定义ρxy的取值范围来判断两组信号之间的关系:
A4、得到的相关程度为强相关性值以及正相关性值,说明相关程度发生较大变化,说明参数序列对所属器件有大概率发生故障,以此检测出故障器件。
3.根据权利要求1所述的基于小波神经网络的变电站电子式互感器状态评估方法,其特征在于,所述小波神经网络法步骤如下:
B1、对原始信号进行多尺度小波分解,得到各层小波分解系数
Xj=W(S),(j=1,2...8);
B2、对得到的小波系数进行处理,取小波系数的绝对值并对每一层的小波系数求和
B3、构造特征向量并归一化处理
T=[E1,E2,E3,E4,E5,E6,E7,E8],
T'=[E1/E,E2/E,E3/E,E4/E,E5/E,E6/E,E7/E,E8/E],
神经网络参数选择包括传输函数、输入输出层数及隐含层节点数,由于在小波分解过程中取前8个分量,因此输入层定为8;神经元的传输函数采用非对称sigmoid函数
输入层和隐含层之间的传递函数为tansig,隐含层和输出层之间的传递函数为logsig,其他参数需要根据测量得到的数据来决定,其中,隐含层节点数需满足
其中,N1为输入层节点数,N2为隐含层节点数;N3为输出层节点数;α为1~10之间的常数。
4.根据权利要求1所述的基于小波神经网络的变电站电子式互感器状态评估方法,其特征在于,所述偏差故障包括漂移偏差故障、固定偏差故障和变比偏差故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811301943.2A CN109389325B (zh) | 2018-11-02 | 2018-11-02 | 基于小波神经网络的变电站电子式互感器状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811301943.2A CN109389325B (zh) | 2018-11-02 | 2018-11-02 | 基于小波神经网络的变电站电子式互感器状态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109389325A true CN109389325A (zh) | 2019-02-26 |
CN109389325B CN109389325B (zh) | 2021-10-08 |
Family
ID=65428204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811301943.2A Active CN109389325B (zh) | 2018-11-02 | 2018-11-02 | 基于小波神经网络的变电站电子式互感器状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109389325B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222085A (zh) * | 2020-04-15 | 2020-06-02 | 广东电网有限责任公司佛山供电局 | 一种电容式电压互感器健康状态实时评价方法 |
CN111239344A (zh) * | 2020-02-24 | 2020-06-05 | 西安理工大学 | 一种基于小波分析的气体分解物评估方法 |
CN111308260A (zh) * | 2020-04-16 | 2020-06-19 | 山东卓文信息科技有限公司 | 一种基于小波神经网络的电能质量监测和电器故障分析***及其工作方法 |
CN115372881A (zh) * | 2022-10-25 | 2022-11-22 | 武汉格蓝若智能技术股份有限公司 | 一种电压互感器计量误差评估方法及*** |
CN116070140A (zh) * | 2023-04-03 | 2023-05-05 | 国网冀北电力有限公司 | 一种配电变电站安全运行状态监测***及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439647A (zh) * | 2013-08-28 | 2013-12-11 | 深圳华越天芯电子有限公司 | 一种动态电源电流监测的模拟电路故障诊断方法 |
US20140351423A1 (en) * | 2013-05-24 | 2014-11-27 | Connectloud, Inc. | Method and Apparatus for Dynamic Correlation of Large Cloud Firewall Fault Event Stream |
CN104200288A (zh) * | 2014-09-18 | 2014-12-10 | 山东大学 | 一种基于因素与事件间相关关系识别的设备故障预测方法 |
CN104573845A (zh) * | 2014-12-03 | 2015-04-29 | 国家电网公司 | 信息***设备状态检修辅助决策方法 |
CN104597344A (zh) * | 2015-01-08 | 2015-05-06 | 上海交通大学 | 基于小波一层高频分量相关性的故障电弧在线检测方法 |
CN108444696A (zh) * | 2018-03-09 | 2018-08-24 | 武汉工程大学 | 一种齿轮箱故障分析方法 |
CN108627720A (zh) * | 2018-03-08 | 2018-10-09 | 国网四川省电力公司电力科学研究院 | 一种基于贝叶斯算法的电力设备状态监测方法 |
-
2018
- 2018-11-02 CN CN201811301943.2A patent/CN109389325B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140351423A1 (en) * | 2013-05-24 | 2014-11-27 | Connectloud, Inc. | Method and Apparatus for Dynamic Correlation of Large Cloud Firewall Fault Event Stream |
CN103439647A (zh) * | 2013-08-28 | 2013-12-11 | 深圳华越天芯电子有限公司 | 一种动态电源电流监测的模拟电路故障诊断方法 |
CN104200288A (zh) * | 2014-09-18 | 2014-12-10 | 山东大学 | 一种基于因素与事件间相关关系识别的设备故障预测方法 |
CN104573845A (zh) * | 2014-12-03 | 2015-04-29 | 国家电网公司 | 信息***设备状态检修辅助决策方法 |
CN104597344A (zh) * | 2015-01-08 | 2015-05-06 | 上海交通大学 | 基于小波一层高频分量相关性的故障电弧在线检测方法 |
CN108627720A (zh) * | 2018-03-08 | 2018-10-09 | 国网四川省电力公司电力科学研究院 | 一种基于贝叶斯算法的电力设备状态监测方法 |
CN108444696A (zh) * | 2018-03-09 | 2018-08-24 | 武汉工程大学 | 一种齿轮箱故障分析方法 |
Non-Patent Citations (2)
Title |
---|
WANG YONGQIANG等: "Fault Diagnosis Model for Power Transformer Based on Bayesian Network", 《ICEMI"2005 THE SEVENTH INTERNATIONAL CONFERENCE ON ELECTRONIC MEASUREMENT AND INSTRUMENT》 * |
张可 等: "复合故障诊断技术综述", 《控制理论与应用》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111239344A (zh) * | 2020-02-24 | 2020-06-05 | 西安理工大学 | 一种基于小波分析的气体分解物评估方法 |
CN111222085A (zh) * | 2020-04-15 | 2020-06-02 | 广东电网有限责任公司佛山供电局 | 一种电容式电压互感器健康状态实时评价方法 |
CN111308260A (zh) * | 2020-04-16 | 2020-06-19 | 山东卓文信息科技有限公司 | 一种基于小波神经网络的电能质量监测和电器故障分析***及其工作方法 |
CN111308260B (zh) * | 2020-04-16 | 2022-09-06 | 山东卓文信息科技有限公司 | 一种基于小波神经网络的电能质量监测和电器故障分析***及其工作方法 |
CN115372881A (zh) * | 2022-10-25 | 2022-11-22 | 武汉格蓝若智能技术股份有限公司 | 一种电压互感器计量误差评估方法及*** |
CN115372881B (zh) * | 2022-10-25 | 2023-02-10 | 武汉格蓝若智能技术股份有限公司 | 一种电压互感器计量误差评估方法及*** |
CN116070140A (zh) * | 2023-04-03 | 2023-05-05 | 国网冀北电力有限公司 | 一种配电变电站安全运行状态监测***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109389325B (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109389325A (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
CN108931387B (zh) | 提供准确诊断决策的基于多传感器信号分析的故障诊断方法 | |
CN106168799B (zh) | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 | |
CN107436597B (zh) | 一种基于稀疏过滤和逻辑回归的化工过程故障检测方法 | |
CN106202886B (zh) | 基于模糊粗糙集与决策树的轨道电路红光带故障定位方法 | |
CN102496069B (zh) | 基于模糊层次分析法的电缆多状态安全运行评估方法 | |
CN102289590B (zh) | Sf6高压断路器运行状态评估方法及智能*** | |
CN106055918A (zh) | 一种电力***负荷数据辨识及修复方法 | |
WO2016091084A1 (zh) | 一种基于复杂网络的高速列车***安全评估方法 | |
CN104299115B (zh) | 基于模糊c均值聚类算法的智能变电站二次***状态分析方法 | |
CN107065834B (zh) | 湿法冶金过程中浓密机的故障诊断方法 | |
CN101957889A (zh) | 一种基于选择性磨损的设备最优维修时间预测方法 | |
CN110163075A (zh) | 一种基于权值训练的多信息融合故障诊断方法 | |
CN110852441B (zh) | 一种基于改进朴素贝叶斯算法的火灾预警方法 | |
CN112200263B (zh) | 一种应用于配电物联网的自组织联邦聚类方法 | |
CN107328560A (zh) | 一种有载分接开关诊断方法及装置 | |
CN112684301A (zh) | 一种电网故障的检测方法和装置 | |
CN111143835B (zh) | 基于机器学习的电力计量***业务逻辑非侵入式防护方法 | |
CN110837532A (zh) | 一种基于大数据平台对充电桩窃电行为的检测方法 | |
CN109726770A (zh) | 一种模拟电路故障测试诊断方法 | |
Li et al. | Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy | |
CN105866664A (zh) | 一种基于幅频特征的模拟电路智能化故障诊断方法 | |
CN104101795A (zh) | 一种变压器故障控制方法 | |
CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
CN109116319A (zh) | 雷达***的故障检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |