CN110096723B - 基于运维检测大数据的高压开关柜绝缘状态分析方法 - Google Patents
基于运维检测大数据的高压开关柜绝缘状态分析方法 Download PDFInfo
- Publication number
- CN110096723B CN110096723B CN201910059512.8A CN201910059512A CN110096723B CN 110096723 B CN110096723 B CN 110096723B CN 201910059512 A CN201910059512 A CN 201910059512A CN 110096723 B CN110096723 B CN 110096723B
- Authority
- CN
- China
- Prior art keywords
- switch cabinet
- insulation state
- data
- layer
- neural network
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明基于运维检测大数据的高压开关柜绝缘状态分析方法,属于基于运维检测大数据的高压开关柜绝缘状态分析方法技术领域;所要解决的技术问题为:提供一种基于运维检测大数据的高压开关柜绝缘状态分析方法;解决该技术问题采用的技术方案为:包括如下步骤:步骤一:对一定区域内的高压开关柜基础数据进行采集,采集项包括:开关柜的电压等级、投运日期、生产厂家与型号、开关柜工作环境的温度、湿度;步骤二:以步骤一采集到的试验数据为基础,植入BP神经网络算法中,生成高压开关柜绝缘状态智能分析模型;步骤三:使用BP神经网络函数逼近功能,建立相关参数与开关柜绝缘状态之间非线性函数关系,实现精准评价开关柜绝缘状态的目的;本发明应用于评价开关柜的绝缘状态。
Description
技术领域
本发明基于运维检测大数据的高压开关柜绝缘状态分析方法,属于基于运维检测大数据的高压开关柜绝缘状态分析方法技术领域。
背景技术
开关柜是目前电网内广泛应用的配电设施,但由于其内部结构紧凑,绝缘距离难以得到有效保障,尤其是在雨季到来时,受湿度大、凝露等因素影响,开关柜的绝缘性降低,易造成局部放电,在较短的时间内可能造成沿面闪络,继而形成短路故障等较为严重的事故,存在较大的安全隐患。
开关柜的绝缘状态是电气试验人员根据超声波检测、暂态地电压检测、特高频检测及停电耐压等检测数据以及检测环境数据等进行综合分析诊断,开关柜根据所属地段要求的不同,设置数量众多,诊断开关柜绝缘状态需要处理的数据信息量庞大,同时开关柜绝缘状态评价规程中对绝缘状态的评价定位模糊,电气试验人员做出的诊断结论基于理论经验,往往缺乏对绝缘程度定量的数据统计。
发明内容
本发明为了克服现有技术中存在的不足,所要解决的技术问题为:提供一种基于运维检测大数据的高压开关柜绝缘状态分析方法;为了解决上述技术问题,本发明采用的技术方案为:基于运维检测大数据的高压开关柜绝缘状态分析方法,其特征在于:包括如下步骤:
步骤一:数据收集:
对一定区域内的高压开关柜基础数据进行采集,采集项包括:开关柜的电压等级、投运日期、生产厂家与型号、开关柜工作环境的温度、湿度;
步骤二:以步骤一采集到的试验数据为基础,植入BP神经网络算法中,生成高压开关柜绝缘状态智能分析模型;
步骤2.1:建立BP神经网络算法:
使用的BP神经网络算法,即误差反向传播算法的学习过程,包括输入层、输出层、和若干隐含层;
所述输入层各神经元负责接收来自外界的输入信息,并传递给中间层各神经元,所述中间层具体为内部信息处理层,负责信息变换,根据信息变化能力的需求,中间层可以设计为单隐含层或多隐含层结构;最后一个隐含层传递到输出层各神经元的信息,经进一步处理后,完成一次学习的正向传播处理过程,由输出层向外界输出信息处理结果;
其中,隐含层通过以下公式确定节点数目:
上式中:h为隐含层节点数目,m为输入层节点数目,n为输出层节点数目,a为1~10之间的调节常数;
所述BP神经网络算法分为两个过程:工作信号正向传递子过程和误差信号反向传递子过程;
步骤2.1.1:工作信号正向传递子过程:设节点i和节点j之间的权值为wij,节点j的阈值为bj,每个节点的输入值为xj,每个节点的输出值根据上层所有节点的输出值、当前节点与上一层所有节点的权值和当前节点的阈值和激活函数确定;
计算公式如下:
xj=f(Sj);
其中f为激活函数,一般选取S型函数或者线性函数;在BP神经网络中,输入层节点没有阈值;
步骤2.1.2:误差信号反向传递子过程:在BP神经网络中,误差信号反向传递子过程基于Widrow-Hoff学习规则,假设输出层的所有结果为dj,误差函数为:
通过BP神经网络反复修正权值和阈值,使得误差函数值达到最小;
Widrow-Hoff学***方和的最速下降方向,连续调整网络的权值和阈值,根据梯度下降法,权值矢量的修正正比于当前位置上E(ω,b)的梯度,对于第j个输出节点有:
假设选择激活函数为:
对激活函数求导,得到:
针对ωij有:
其中有:
同样对于bj有:
从而实现Widrow-Hoff学习规则,通过改变神经元之间的连接权值来减少***实际输出和期望输出的误差,不断提高网络精度;
步骤2.2:将步骤一采集到的试验数据,包括开关柜投运年限、超声、特高频、暂态地电压、温度、湿度、耐压值等作为模型输入,开关柜绝缘状态情况为模型输出,数据经过归一化处理后,作为BP网络样本,进行模型搭建,通过误差比对后不断的自动学习调整,逐渐提高模型精度;
步骤三:使用BP神经网络函数逼近功能,采用matlab编程语言按如下流程建立投运年限、超声、特高频、暂态地电压、温度、湿度、耐压值与开关柜绝缘状态之间非线性函数关系,实现精准评价开关柜绝缘状态的目的;
步骤3.1:输入训练原数据;
步骤3.2:对数据进行归一化处理;
步骤3.3:进行网络训练,对原数据进行仿真,将仿真结果与实际结果进行对比;
步骤3.4:判断对比误差是否小于规定范围,若小于则继续对新数据进行仿真,若大于则对数据进行反馈,重新进行步骤3.3;
步骤四:对数据进行分析,对建立模型进行应用:利用开关柜绝缘状态智能分析模型,对开关柜绝缘状态进行预判评估。
本发明相对于现有技术具备的有益效果为:本发明针对评价开关柜的绝缘状态所需处理的数据庞大,规程对绝缘状态的评价定位模糊等问题,利用BP神经函数逼近原理,建立投运年限、超声、特高频、暂态地电压、温湿度、耐压值等参数与开关柜绝缘状态之间的非线性函数关系,得出开关柜绝缘状态智能分析模型,该分析模型可精准评价开关柜绝缘状态,辅助开关柜选型,帮助检修试验人员确立开关柜的重点检测目标,合理安排检修计划,节约资源,有效提高工作效率,对保障电网长久稳定运行具有重要意义;开关柜的绝缘状态可以通过开关柜智能分析模型量化,直观具体的展现出绝缘状态,为开关柜检修提供重要参考依据,提高作业人员检修效率,避免浪费财力物力;新增开关柜招标时,将开关柜的厂家型号及其他参数代入开关柜绝缘智能分析模型中,选择合适的厂家,对保持电网的安全稳定运行有重要意义。
附图说明
下面结合附图对本发明做进一步说明:
图1为本发明BP神经网络算法原理图;
图2为本发明BP神经网络算法流程图;
图3为本发明matlab编程数学模型;
图4为本发明预测结果示意图;
图5为本发明实施例对开关柜绝缘状态预判结果图;
图6为本发明实施例开关柜绝缘状态异常分布占比饼状图;
图7为本发明实施例35kV、10kV开关柜异常数量条形图;
图8为本发明实施例35kV、10kV开关柜异常数量占比分布图;
图9为本发明实施例各异常开关柜投产期明细图;
图10为本发明实施例同一投产期异常开关柜占比图;
图11为本发明实施例各厂家型号开关柜异常数量图;
图12为本发明实施例各厂家型号开关柜异常数量及占比表;
图13为本发明实施例各厂家型号开关柜异常占比图;
图14为本发明实施例各季度发现异常数量条形图;
图15为本发明实施例各季度异常占比图;
其中:图5显示的结果与数量总计,颜色显示有关结果的详细信息,大小显示数量总计,标记按结果与数量总计进行标记;
图6显示电压等级与记录数总计,颜色显示有关电压等级的详细信息,大小显示记录数总计,标记按电压等级与记录数总计进行标记;
图7显示每个电压等级的记录数总计,标记按记录数总计进行标记;
图8显示异常数总计,总数总计与比例总计,颜色显示有关电压等级的详细信息,标记按比例总计,异常数总计,总数总计与电压等级进行标记;
图9显示每个运行编号的投运时间,标记按投运时间进行标记;
图10显示每个投产的异常数总计,总数总计与比例总计,颜色显示有关电压等级的详细信息;
图11显示每个型号的按厂家细分的记录数总计,标记按记录数总计进行标记;
图12显示按型号与厂家细分的总数,记录数与比例;
图13显示每个型号的按厂家细分的比例总计,标记按比例总计进行标记,视图按排除(厂家,型号)进行筛选,这会保留19个产品;
图14显示每个季度的运行编号不同计数,标记按运行编号不同计数进行标记;
图15显示每个季度的占比总计,总数总计与缺陷数总计,颜色显示有关电压等级的详细信息,标记按电压等级与占比总计进行标记。
具体实施方式
如图1和图2所示,本发明基于开关柜每项数据和其绝缘状态密切相关的特征,深入挖掘、利用开关柜绝缘状态和试验数据、环境参数、厂家型号的关联性、规律性,帮助电气试验人员精准评价开关柜绝缘状态,使电气试验人员对开关柜绝缘状态判断工作得到改进。
高压开关柜绝缘状态智能分析模型的建立分为数据准备,模型构建,数据分析三步,将步骤一采集到的试验数据为基础,植入BP神经网络算法中,生成高压开关柜绝缘状态智能分析模型;BP神经网络极强的非线性映射能力,可以对数据进行关联和自适应性学习的网络训练,训练数据样本足够多、隐层神经元数目合适,就能以任意精度逼近一个非线性函数,得出结果。
本发明使用的开关柜绝缘判断方法基于BP神经网络算法建立的模型,所述BP神经网络分为两个过程:工作信号正向传递子过程和误差信号反向传递子过程;
(1)正向传递子过程:
设节点i和节点j之间的权值为wij,节点j的阈值为bj,每个节点的输入值为xj,而每个节点的输出值是根据上层所有节点的输出值、当前节点与上一层所有节点的权值和当前节点的阈值还有激活函数来实现的;具体计算方法如下:
xj=f(Sj);
其中f为激活函数,一般选取S型函数或者线性函数,在BP神经网络中,输入层节点没有阈值。
(2)反向传递子过程:
在BP神经网络中,误差信号反向传递子过程基于Widrow-Hoff学习规则进行:
假设输出层的所有结果为dj,误差函数为:
而BP神经网络的主要目的是反复修正权值和阈值,使得误差函数值达到最小。
Widrow-Hoff学***方和的最速下降方向,连续调整网络的权值和阈值,根据梯度下降法,权值矢量的修正正比于当前位置上E(ω,b)的梯度,对于第j个输出节点有:
假设选择激活函数为:
对激活函数求导,得到:
针对ωij有:
其中有:
同样对于bj有:
这就是Widrow-Hoff学习规则,通过改变神经元之间的连接权值来减少***实际输出和期望输出的误差,不断提高网络精度。
基于上述学习计算方法,使得BP神经网络具有以下功能:
(1)函数逼近:用输入向量和相应的输出向量训练一个网络以逼近一个函数;
(2)模式识别:用一个待定的输出向量将它与输入向量联系起来;
(3)分类:把输入向量所定义的合适方式进行分类;
(4)数据压缩:减少输出向量维数以便传输或存储;
BP神经网络具备极强的非线性映射能力,可以对数据进行关联和自适应性学习的网络训练,只要训练数据样本足够多、隐层神经元数目合适,就能以任意精度逼近一个非线性函数,得出结果。
利用其函数逼近的功能,采用matlab编程语言按相应流程建立投运年限、超声、特高频、暂态地电压、温度、湿度、耐压值与开关柜绝缘状态之间非线性函数关系(数学模型),最终实现精准评价开关柜绝缘状态,如图3所示。
下面引用具体实施例对本发明提供的高压开关柜绝缘状态分析方法进行测试:
具体做法是:首先将2015-2017年中40000组试验数据,包括开关柜投运年限、超声、特高频、暂态地电压、温度、湿度、耐压值等作为模型输入,开关柜绝缘状态情况为模型输出,数据经过归一化处理后,作为BP网络样本,进行模型搭建,并通过误差比对后不断的自动学习调整,逐渐提高模型精度。
模型建立好后,对其余的8270组历史数据进行仿真预测,以检验网络模型的精确度;预测结果中,开关柜情况预测最高误差百分比18%,平均误差小于3%,结果精准,如图4所示。
利用开关柜绝缘状态智能分析模型,可以对开关柜绝缘状态进行预判和评估,得出绝缘状态良好、可按正常周期检修试验的开关柜1462面,需要缩短检测周期的开关柜144面,需要停电处理开关柜5面的结论,如图5所示。
通过本发明对模型输入的数据与输出的结果进行分析,发现开关柜的绝缘状态与开关柜的电压等级、投运期、厂家与型号以及环境的温湿度等因素存在一定关系。
分析模型得出结论1:35kV开关柜比10kV开关柜异常概率更高,分析结果如图6所示:根据图6、图7显示,在发现的缺陷中,35kV开关柜缺陷有132条,占缺陷总数的90%,10kV开关柜缺陷17条,占所有缺陷10%。
根据图8所示,35kV开关柜异常率为25.6%,10kV开关柜异常率为0.25%。
综合对比发现,35kV开关柜比10kV开关柜更容易发生缺陷,因此在今后的工作中要以35kV开关柜为重点检测对象。
分析模型得出结论2:开关柜投运时间在6至10年内出现异常的概率较大;由图10可以看出,某地区投产期处于6年至10年这个时间段的开关柜出现异常的概率最多,6至10年这个时间段可以作为一个分界点,投运期小于6年,开关柜较新,不容易发生异常状况;投运期超过6年后,开关柜各元件会不同程度出现老化,问题随之增多;而投运期超过10年的开关柜,经历过大型的检查维修,问题得到处理;因此,电气试验人员在带电检测的过程中要多加注意投产期在6至10年的开关柜。
分析模型得出结论3:开关柜厂家与型号的影响;经对比发现,不同厂家型号的开关柜发生异常的概率不同;在某地区的变电站中,江苏XXX有限公司的XGN-40.5型号开关柜,宁波XXX有限公司的XGN-35型号开关柜,江苏XXX有限公司的GG-35型号开关柜,XX集团有限公司的KYN61-40.5型号开关柜的异常占比较大,因此提示电气试验人员进行带电检测要有针对性,重点检测这些厂家、型号的开关柜。
分析模型得出结论4:开关柜异常与环境温湿度的关系;由图15所示,10kV异常开关柜占正常开关柜的比值远远小于35kV开关柜的比值,重点对35kV开关柜异常进行阐述:35kV开关柜发生异常主要发生在第三季度,占同期所测开关柜48.84%,是排在第二位的第一季度的占比的两倍,在某些地区,七、八、九月份多雷雨天气,高压室内环境较为闷热、湿度普遍大于40%,在这种环境条件下,开关柜的异常绝缘状态会加重,因此,第三季度是电气试验人员发现开关柜缺陷的最好时间段。
综上所述,本发明利用开关柜绝缘状态智能分析模型对开关柜绝缘状态进行预判,可以帮助检修试验人员确立重点工作目标,集中人力物力对判断出来有异常的开关柜进行重点检测;检修人员也可以根据预判的结果合理安排检修计划,提高工作效率,避免人力财力物力资源的浪费;新增开关柜招标时,将各投标的开关柜厂家、开关柜型号以及其他参数分别代入开关柜绝缘状态智能分析模型,得出的预判结果作为一项重要参考依据来选择最适宜的厂家、型号,对保障电网长久稳定运行有着重要的意义。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (1)
1.基于运维检测大数据的高压开关柜绝缘状态分析方法,其特征在于:包括如下步骤:
步骤一:数据收集:
对一定区域内的高压开关柜基础数据进行采集,采集项包括:开关柜的电压等级、投运日期、生产厂家与型号、开关柜工作环境的温度、湿度;
步骤二:以步骤一采集到的试验数据为基础,植入BP神经网络算法中,生成高压开关柜绝缘状态智能分析模型;
步骤2.1:建立BP神经网络算法:
使用的BP神经网络算法,即误差反向传播算法的学习过程,包括输入层、输出层、和若干隐含层;
所述输入层各神经元负责接收来自外界的输入信息,并传递给中间层各神经元,所述中间层具体为内部信息处理层,负责信息变换,根据信息变化能力的需求,中间层设计为单隐含层或多隐含层结构;最后一个隐含层传递到输出层各神经元的信息,经进一步处理后,完成一次学习的正向传播处理过程,由输出层向外界输出信息处理结果;
其中,隐含层通过以下公式确定节点数目:
上式中:h为隐含层节点数目,m为输入层节点数目,n为输出层节点数目,a为1~10之间的调节常数;
所述BP神经网络算法分为两个过程:工作信号正向传递子过程和误差信号反向传递子过程;步骤2.1.1:工作信号正向传递子过程:
设节点i和节点j之间的权值为wij,节点j的阈值为bj,每个节点的输入值为xj,每个节点的输出值根据上层所有节点的输出值、当前节点与上一层所有节点的权值和当前节点的阈值和激活函数确定;
计算公式如下:
xj=f(Sj);
其中f为激活函数,选取S型函数或者线性函数;在BP神经网络中,输入层节点没有阈值;步骤2.1.2:误差信号反向传递子过程:
在BP神经网络中,误差信号反向传递子过程基于Widrow-Hoff学习规则,假设输出层的所有结果为dj,误差函数为:
通过BP神经网络反复修正权值和阈值,使得误差函数值达到最小;
Widrow-Hoff学***方和的最速下降方向,连续调整网络的权值和阈值,根据梯度下降法,权值矢量的修正正比于当前位置上E(ω,b)的梯度,对于第j个输出节点有:
假设选择激活函数为:
对激活函数求导,得到:
针对ωij有:
其中有:
同样对于bj有:
从而实现Widrow-Hoff学习规则,通过改变神经元之间的连接权值来减少***实际输出和期望输出的误差,不断提高网络精度;
步骤2.2:将步骤一采集到的试验数据,包括开关柜投运年限、超声、特高频、暂态地电压、温度、湿度、耐压值作为模型输入,开关柜绝缘状态情况为模型输出,数据经过归一化处理后,作为BP网络样本,进行模型搭建,通过误差比对后不断的自动学习调整,逐渐提高模型精度;
步骤三:使用BP神经网络函数逼近功能,采用matlab编程语言按如下流程建立投运年限、超声、特高频、暂态地电压、温度、湿度、耐压值与开关柜绝缘状态之间非线性函数关系,实现精准评价开关柜绝缘状态的目的;
步骤3.1:输入训练原数据;
步骤3.2:对数据进行归一化处理;
步骤3.3:进行网络训练,对原数据进行仿真,将仿真结果与实际结果进行对比;
步骤3.4:判断对比误差是否小于规定范围,若小于则继续对新数据进行仿真,若大于则对数据进行反馈,重新进行步骤3.3;
步骤四:对数据进行分析,对建立模型进行应用:利用开关柜绝缘状态智能分析模型,对开关柜绝缘状态进行预判评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910059512.8A CN110096723B (zh) | 2019-01-22 | 2019-01-22 | 基于运维检测大数据的高压开关柜绝缘状态分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910059512.8A CN110096723B (zh) | 2019-01-22 | 2019-01-22 | 基于运维检测大数据的高压开关柜绝缘状态分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110096723A CN110096723A (zh) | 2019-08-06 |
CN110096723B true CN110096723B (zh) | 2023-05-16 |
Family
ID=67443750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910059512.8A Active CN110096723B (zh) | 2019-01-22 | 2019-01-22 | 基于运维检测大数据的高压开关柜绝缘状态分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110096723B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112597697A (zh) * | 2020-12-08 | 2021-04-02 | 广西电网有限责任公司电力科学研究院 | 一种绝缘损坏故障诊断方法及*** |
CN113297865B (zh) * | 2021-05-21 | 2023-06-20 | 贵州电网有限责任公司 | 一种基于rfid温度标签的开关柜数据管理方法 |
CN116433226A (zh) * | 2023-06-14 | 2023-07-14 | 浙江亿视电子技术有限公司 | 基于电参数ai分析的交流供电设备管理方法及*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636605A (zh) * | 2015-01-23 | 2015-05-20 | 昆明理工大学 | 一种电力高压开关柜局放程度的状态评价方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100729107B1 (ko) * | 2005-10-27 | 2007-06-14 | 한국전력공사 | 부분방전 원인 자동 추론용 신경망 회로의 입력벡터생성방법 |
CN203759355U (zh) * | 2013-12-16 | 2014-08-06 | 国家电网公司 | 一种开关柜隔离开关位置观测仪 |
CN106779069A (zh) * | 2016-12-08 | 2017-05-31 | 国家电网公司 | 一种基于神经网络的异常用电检测方法 |
-
2019
- 2019-01-22 CN CN201910059512.8A patent/CN110096723B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636605A (zh) * | 2015-01-23 | 2015-05-20 | 昆明理工大学 | 一种电力高压开关柜局放程度的状态评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110096723A (zh) | 2019-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104914327B (zh) | 基于实时监测信息的变压器故障检修预测方法 | |
CN110096723B (zh) | 基于运维检测大数据的高压开关柜绝缘状态分析方法 | |
CN106651169A (zh) | 基于模糊综合评价的配电自动化终端状态评价方法及*** | |
CN106327062A (zh) | 一种配电网设备的状态评估方法 | |
CN206312210U (zh) | 一种配电网设备的状态评估*** | |
CN104218570A (zh) | 一种电能计量装置整体计量误差的在线评估方法和*** | |
CN111797365B (zh) | 一种换流变压器温度异常判断方法及*** | |
CN110705887A (zh) | 一种基于神经网络模型的低压台区运行状态综合评价方法 | |
CN104462718A (zh) | 一种变电站经济运行年限区间评估方法 | |
CN108287327A (zh) | 基于贝叶斯分类的计量自动化终端故障诊断方法 | |
CN103440410A (zh) | 主变个体缺陷概率预测方法 | |
CN109409425A (zh) | 一种基于近邻成分分析的故障类型识别方法 | |
CN110378549A (zh) | 一种基于fahp-熵权法的输电杆塔鸟害等级评估方法 | |
CN110766313A (zh) | 一种基于运维检修制度的电缆隧道综合状态评价方法 | |
CN110443481B (zh) | 基于混合k-近邻算法的配电自动化终端状态评价***及方法 | |
CN117849700B (zh) | 可控制测量的模块化电能计量*** | |
CN116125204A (zh) | 一种基于电网数字化的故障预测*** | |
CN117932501A (zh) | 一种电能表运行状态管理方法和*** | |
CN115829145A (zh) | 一种光伏发电量预测***及方法 | |
CN105741184B (zh) | 一种变压器状态评估方法及装置 | |
CN112508254B (zh) | 变电站工程项目投资预测数据的确定方法 | |
CN104598969B (zh) | 一种基于神经网络的高压电器运行质量评估方法及*** | |
CN117808456A (zh) | 一种基于智慧运营管理的设备故障预警方法及装置 | |
CN106644436B (zh) | 一种断路器机械特性的评定方法 | |
CN109784777B (zh) | 基于时序信息片段云相似度度量的电网设备状态评估方法 |
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 |