CN111026624A - 电网信息***的故障预测方法、装置 - Google Patents
电网信息***的故障预测方法、装置 Download PDFInfo
- Publication number
- CN111026624A CN111026624A CN201911093204.3A CN201911093204A CN111026624A CN 111026624 A CN111026624 A CN 111026624A CN 201911093204 A CN201911093204 A CN 201911093204A CN 111026624 A CN111026624 A CN 111026624A
- Authority
- CN
- China
- Prior art keywords
- maintenance data
- fault
- model
- maintenance
- prediction
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3447—Performance evaluation by modeling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3466—Performance evaluation by tracing or monitoring
- G06F11/3476—Data logging
-
- 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)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电网信息***的故障预测方法、装置,方法包括:按照设定的一级时间期间从运维日志中获得一级时间期间内的一级运维数据指标;将一级运维数据指标按照二级时间期间进行划分得到多组二级运维数据指标,将相同时间节点的多个运维数据指标进行处理,得到用于表征时间节点下对应的多个运维数据指标的特征的模型值;将得到的多个模型值以及实际获得的多个故障值作为训练集对预测模型进行训练,使用训练完成的预测模型预测,若未来时间节点下的运维数据指标属于故障值范围内,则进行故障报告。采用上述方案,实现对未来时间节点的故障情况的预测,以缓解实时运维对运维人员的压力,同时避免故障所造成的损失。
Description
技术领域
本发明涉及数据处理领域,尤其涉及电网信息***的故障预测方法、装置。
背景技术
电网信息***中的数据处理量十分庞大,同时,电网信息***对于各行各业的影响都十分巨大。因此,对于电网信息***的运维工作十分重要。
现有技术中的运维方案通常是采用手工运维、脚本工具运维、流程工具运维、自动化运维。其中,手工运维,指遇到的全部运维问题,基本依靠人工操作完成。脚本工具运维,指将可复制的运维操作用shell脚本来实现,Perl、Ruby、Python等编程语言都可以被用来编写运维脚本工具。流程工具运维,指使用流程将多个脚本工具串联起来,同时对脚本执行结果做校验。自动化运维,指借助一系列运维分析工具对***状态进行可视化监控,保障***稳定运行,智能调度***资源来满足***稳定高效运行。
但现有技术中运维方案,十分依赖人工操作,同时由于属于实时运维,对运维人员的维护压力较大,在出现***故障时,如果运维人员的经验和技术水平不达标,故障恢复时限过长,容易对依赖电网信息***的行业造成较大的损失。
发明内容
发明目的:本发明旨在提供一种电网信息***的故障预测方法、装置。
技术方案:本发明实施例中提供一种电网信息***的故障预测方法,包括:从所述电网信息***中获取运维日志;按照设定的一级时间期间从所述运维日志中获得所述一级时间期间内的一级运维数据指标;将所述一级运维数据指标按照二级时间期间进行划分得到多组二级运维数据指标,将划分得到的多组二级运维数据指标中相同时间节点的多个运维数据指标进行处理,得到用于表征时间节点下对应的多个运维数据指标的特征的模型值;将得到的多个模型值以及实际获得的多个故障值作为训练集对预测模型进行训练,使用训练完成的预测模型预测。
具体的,所述一级运维数据指标包括所述一级时间期间内多个时间节点下的运维数据指标,每个时间节点之间的时间间隔相同。
具体的,所述运维数据指标包括以下至少一种:CPU、内存、存储利用率、I/O带宽、网络延时、带宽、服务器温度、风扇转数、环境温度、湿度。
具体的,所述模型值采用以下公式进行计算:
其中,d表示划分得到的二级运维数据指标的组的数量,xi表示d组二级运维数据指标中相同时间节点下的运维数据指标,当f(x)取得最小值时的x值为模型值。
具体的,将得到的多个模型值进行拟合得到模型值对应的模型曲线,将模型曲线、与模型曲线在时间节点上对应的故障模型值作为训练集,对由长短期记忆网络算法构建的预测模型进行训练。
具体的,所述故障模型值由相同时间节点下的多个故障值进行处理得到,用于表征时间节点下对应的多个故障值的特征。
具体的,若根据预测结果确定未来时间节点下的运维数据指标属于故障值范围内,则进行故障报告。
具体的,使用所述预测模型对过去的时间节点进行计算,若计算得到的运维数据指标属于故障值范围内,而实际的时间节点对应的运维数据指标属于非故障值范围内,则对所述预测模型进行反馈训练。
本发明实施例中还提供一种电网信息***的故障预测装置,包括:第一获取单元、第二获取单元、处理单元和预测单元,其中:所述第一获取单元,用于从所述电网信息***中获取运维日志;所述第二获取单元,用于按照设定的一级时间期间从所述运维日志中获得所述一级时间期间内的一级运维数据指标;所述处理单元,用于将所述一级运维数据指标按照二级时间期间进行划分得到多组二级运维数据指标,将划分得到的多组二级运维数据指标中相同时间节点的多个运维数据指标进行处理,得到用于表征时间节点下对应的多个运维数据指标的特征的模型值;所述预测单元,用于将得到的多个模型值以及实际获得的多个故障值作为训练集对预测模型进行训练,使用训练完成的预测模型预测,若未来时间节点下的运维数据指标属于故障值范围内,则进行故障报告。
具体的,所述处理单元,还用于采用以下公式进行计算所述模型值:
其中,d表示划分得到的二级运维数据指标的组的数量,xi表示d组二级运维数据指标中相同时间节点下的运维数据指标,当f(x)取得最小值时的x值为模型值。
有益效果:与现有技术相比,本发明具有如下显著优点:通过获取运维数据指标,并处理得到表征多个运维数据指标的特征的模型值,将模型值作为训练集对预测模型进行训练,实现对未来的时间节点的故障情况的预测,以缓解实时运维对运维人员的压力,同时避免故障所造成的损失。
附图说明
图1为本发明实施例中提供的电网信息***的故障预测方法的流程示意图;
图2为本发明实施例中模型值拟合得到的模型曲线图;
图3为本发明实施例中根据图2确定的模型曲线训练得到的预测模型的判断范围示意图;
图4为本发明实施例中提供的电网信息***的故障预测装置的结构示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
参阅图1,其为本发明实施例中提供的电网信息***的故障预测方法的流程示意图,其中包括具体步骤,以下结合具体步骤进行详细说明。
步骤S101,从所述电网信息***中获取运维日志。
在具体实施中,运维日志中记录了电网信息***在运行时记录下的运维数据指标。
步骤S102,按照设定的一级时间期间从所述运维日志中获得所述一级时间期间内的一级运维数据指标。
在具体实施中,一级时间期间可以由用户根据实际应用场景进行相应的设定。
本发明实施例中,所述一级运维数据指标包括所述一级时间期间内多个时间节点下的运维数据指标,每个时间节点之间的时间间隔相同。
例如,以分钟为单位,每1分钟作为一个时间节点,即每1分钟获取相应时间节点下的运维数据指标。
本发明实施例中,所述运维数据指标包括以下至少一种:CPU、内存、存储利用率、I/O带宽、网络延时、带宽、服务器温度、风扇转数、环境温度、湿度。
在具体实施中,运维数据指标的种类数量可以为一个,也可以为多个。在运维数据指标种类的数量为多个时,可以对每个种类分别进行相应的数据处理,并根据每个种类的预测结果进行加权,得到最终的预测结果。
步骤S103,将所述一级运维数据指标按照二级时间期间进行划分得到多组二级运维数据指标,将划分得到的多组二级运维数据指标中相同时间节点的多个运维数据指标进行处理,得到用于表征时间节点下对应的多个运维数据指标的特征的模型值。
在具体实施中,二级时间期间,指用于将一级时间期间进行划分的时间长度。例如,一级时间期间为30天,二级时间期间为1天,每1分钟为一时间节点。则每组二级时间期间对应的二级运维数据指标包括1天内的1440个运维数据指标。
在具体实施中,为了进一步提升预测结果的准确度,对预测模型进行训练的训练数据需要具有较高的相关度。因此,可以将二级运维数据指标中相同时间节点的多个运维数据指标进行处理,得到模型值。例如,一级时间期间为30天,二级时间期间为1天,每1分钟为一时间节点。则一共有30组二级运维数据指标,在二级时间期间中的9点这个时间节点下,获取每组二级运维数据指标9点这个时间节点的运维数据指标,总共获取30个,将这30个运维数据指标进行处理,获取用于表征9点这个时间节点下对应的30个运维数据指标的特征的模型值。由于每组二级运维数据指标对应有1440个时间节点,因此,最终可以获取1440个模型值。
本发明实施例中,模型值采用以下公式进行计算:
其中,d表示划分得到的二级运维数据指标的组的数量,xi表示d组二级运维数据指标中相同时间节点下的运维数据指标,当f(x)取得最小值时的x值为模型值。
在具体实施中,可以将每个时间节点对应的多个运维数据指标进行计算处理,最终可以获得每个时间节点对应的模型值。
步骤S104,将得到的多个模型值以及实际获得的多个故障值作为训练集对预测模型进行训练,使用训练完成的预测模型预测。
本发明实施例中,若根据预测结果确定未来时间节点下的运维数据指标属于故障值范围内,则进行故障报告。
本发明实施例中,将得到的多个模型值进行拟合得到模型值对应的模型曲线,将模型曲线、与模型曲线在时间节点上对应的故障模型值作为训练集,对由长短期记忆网络算法构建的预测模型进行训练。
本发明实施例中,所述故障模型值由相同时间节点下的多个故障值进行处理得到,用于表征时间节点下对应的多个故障值的特征。
在具体实施中,例如,首先获取故障值,相同时间节点下的多个故障值处理得到对应的故障模型值。
在具体实施中,在训练完成后,预测模型可以预测未来时间节点下的运维数据指标,并且由于训练集同时包括模型值和故障值,因此在预测得到未来时间节点下的运维数据指标后,预测模型可以判断该未来时间节点下的运维数据指标是否属于故障值范围内,如果属于,则在该未来时间节点时电网信息***可能出现故障,相应的进行故障报告,以期避免故障的发生。
本发明实施例中,使用所述预测模型对过去的时间节点进行计算,若计算得到的运维数据指标属于故障值范围内,而实际的时间节点对应的运维数据指标属于非故障值范围内,则对所述预测模型进行反馈训练。
在具体实施中,在预测模型训练完成后,还可以通过已有的时间节点下的运维数据指标判断预测模型的预测准确度,并对预测模型进行反馈训练,进一步提升预测结果的准确度。
参阅图2,其为本发明实施例中模型值拟合得到的模型曲线图。图2中的曲线是由实际获取的运维数据指标获得,在实际获得的运维数据指标发生变化时,模型曲线也相应的发生变化。
在具体实施中,图2中的模型曲线是根据一级时间期间为30天,二级时间期间为1天,每1分钟为一时间节点获得。其中,纵坐标是模型值的数值,横坐标是时间节点。其中的多条曲线是对离散的模型值利用二次多项式,三次多项式,乃至六次多项式进行拟合,多项式的次数越高,对模型的拟合效果越好。当函数次数为5次时,拟合函数的相关性已经达到了0.9769。计算拟合函数所耗费的时间仅需1.5s。当函数次数提升到6次以后,虽然拟合函数相关系数更高,但是所耗费的计算时间却已经达到了8.43s。在实际生产环境中可以选择适当放弃函数拟合的准确性来换取***运行效率的大幅提升。因此在此场景中可以选定次数为5的多项式函数作为应用的模型曲线。
参阅图3,其为本发明实施例中根据图2确定的模型曲线训练得到的预测模型的判断范围示意图。
在具体实施中,预测模型是利用模型值和故障值训练得到的运维数据指标二分类器。如图3所示在两条线内侧的点为没有导致***故障的点,外侧点为故障点。将参数输入分类器函数若返回值大于0,则在线内侧,为正常点。反之若返回值小于等于0,则在线上或外侧,为故障点。将模型值和实际值均带入预测模型进行计算,其返回状态值均相同。证明其返回的状态一致。均为正常运行状态,预测值较好的反应了实际***运行状态。说明在该区间的运维数据指标未造成***故障。通过利用模型值的验证,可以发现实际值与预测值之间存在一定的偏差,但偏差均在合理范围内的,预测模型能较好的反应出***当时运行状态。
参阅图4,其为本发明实施例中提供的电网信息***的故障预测装置40的结构示意图,具体包括:第一获取单元401、第二获取单元402、处理单元403和预测单元404,其中:
所述第一获取单元401,用于从所述电网信息***中获取运维日志;
所述第二获取单元402,用于按照设定的一级时间期间从所述运维日志中获得所述一级时间期间内的一级运维数据指标;
所述处理单元403,用于将所述一级运维数据指标按照二级时间期间进行划分得到多组二级运维数据指标,将划分得到的多组二级运维数据指标中相同时间节点的多个运维数据指标进行处理,得到用于表征时间节点下对应的多个运维数据指标的特征的模型值;
所述预测单元404,用于将得到的多个模型值以及实际获得的多个故障值作为训练集对预测模型进行训练,使用训练完成的预测模型预测。
本发明实施例中,所述一级运维数据指标包括所述一级时间期间内多个时间节点下的运维数据指标,每个时间节点之间的时间间隔相同。
本发明实施例中,所述运维数据指标包括以下至少一种:CPU、内存、存储利用率、I/O带宽、网络延时、带宽、服务器温度、风扇转数、环境温度、湿度。
本发明实施例中,所述处理单元403,还可以用于采用以下公式进行计算所述模型值:
其中,d表示划分得到的二级运维数据指标的组的数量,xi表示d组二级运维数据指标中相同时间节点下的运维数据指标,当f(x)取得最小值时的x值为模型值。
本发明实施例中,所述预测单元404,还可以用于将得到的多个模型值进行拟合得到模型值对应的模型曲线,将模型曲线、与模型曲线在时间节点上对应的故障模型值作为训练集,对由长短期记忆网络算法构建的预测模型进行训练。
本发明实施例中,所述预测单元404,还可以用于故障模型值由相同时间节点下的多个故障值进行处理得到,用于表征时间节点下对应的多个故障值的特征。
本发明实施例中,所述预测单元404,还可以用于若根据预测结果确定未来时间节点下的运维数据指标属于故障值范围内,则进行故障报告。
本发明实施例中,所述预测单元404,还可以用于使用所述预测模型对过去的时间节点进行计算,若计算得到的运维数据指标属于故障值范围内,而实际的时间节点对应的运维数据指标属于非故障值范围内,则对所述预测模型进行反馈训练。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种电网信息***的故障预测方法,其特征在于,包括:
从所述电网信息***中获取运维日志;
按照设定的一级时间期间从所述运维日志中获得所述一级时间期间内的一级运维数据指标;
将所述一级运维数据指标按照二级时间期间进行划分得到多组二级运维数据指标,根据划分得到的多组二级运维数据指标中相同时间节点的多个运维数据指标进行处理,得到用于表征时间节点下对应的多个运维数据指标的特征的模型值;
将得到的多个模型值以及实际获得的多个故障值作为训练集对预测模型进行训练,使用训练完成的预测模型预测。
2.根据权利要求1所述的电网信息***的故障预测方法,其特征在于,所述一级运维数据指标包括所述一级时间期间内多个时间节点下的运维数据指标,每个时间节点之间的时间间隔相同。
3.根据权利要求2所述的电网信息***的故障预测方法,其特征在于,所述运维数据指标包括以下至少一种:CPU、内存、存储利用率、I/O带宽、网络延时、带宽、服务器温度、风扇转数、环境温度、湿度。
5.根据权利要求4所述的电网信息***的故障预测方法,其特征在于,在所述将得到的多个模型值以及实际获得的多个故障值作为训练集对预测模型进行训练,包括:
将得到的多个模型值进行拟合得到模型值对应的模型曲线,将模型曲线、与模型曲线在时间节点上对应的故障模型值作为训练集,对由长短期记忆网络算法构建的预测模型进行训练。
6.根据权利要求5所述的电网信息***的故障预测方法,其特征在于,所述故障模型值由相同时间节点下的多个故障值进行处理得到,用于表征时间节点下对应的多个故障值的特征。
7.根据权利要求5所述的电网信息***的故障预测方法,其特征在于,在所述使用训练完成的预测模型预测之后,还包括:
若根据预测结果确定未来时间节点下的运维数据指标属于故障值范围内,则进行故障报告。
8.根据权利要求5所述的电网信息***的故障预测方法,其特征在于,使用所述预测模型对过去的时间节点进行计算,若计算得到的运维数据指标属于故障值范围内,而实际的时间节点对应的运维数据指标属于非故障值范围内,则对所述预测模型进行反馈训练。
9.一种电网信息***的故障预测装置,其特征在于,包括:第一获取单元、第二获取单元、处理单元和预测单元,其中:
所述第一获取单元,用于从所述电网信息***中获取运维日志;
所述第二获取单元,用于按照设定的一级时间期间从所述运维日志中获得所述一级时间期间内的一级运维数据指标;
所述处理单元,用于将所述一级运维数据指标按照二级时间期间进行划分得到多组二级运维数据指标,将划分得到的多组二级运维数据指标中相同时间节点的多个运维数据指标进行处理,得到用于表征时间节点下对应的多个运维数据指标的特征的模型值;
所述预测单元,用于将得到的多个模型值以及实际获得的多个故障值作为训练集对预测模型进行训练,使用训练完成的预测模型预测,若未来时间节点下的运维数据指标属于故障值范围内,则进行故障报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911093204.3A CN111026624B (zh) | 2019-11-11 | 2019-11-11 | 电网信息***的故障预测方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911093204.3A CN111026624B (zh) | 2019-11-11 | 2019-11-11 | 电网信息***的故障预测方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111026624A true CN111026624A (zh) | 2020-04-17 |
CN111026624B CN111026624B (zh) | 2023-06-02 |
Family
ID=70205201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911093204.3A Active CN111026624B (zh) | 2019-11-11 | 2019-11-11 | 电网信息***的故障预测方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111026624B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113607413A (zh) * | 2021-08-26 | 2021-11-05 | 上海航数智能科技有限公司 | 一种基于可控温湿度的轴承部件故障监测预测方法 |
CN117791856A (zh) * | 2023-12-20 | 2024-03-29 | 武汉人云智物科技有限公司 | 一种基于巡检机器人的电网故障预警方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102331543A (zh) * | 2011-06-23 | 2012-01-25 | 上海市安全生产科学研究所 | 基于支持向量机的故障电弧检测方法 |
CN108197748A (zh) * | 2018-01-08 | 2018-06-22 | 国网江苏省电力有限公司 | 一种基于思维进化算法的人流量预测方法 |
CN108375715A (zh) * | 2018-03-08 | 2018-08-07 | 中国电力科学研究院有限公司 | 一种配电网线路故障风险日预测方法及*** |
WO2019137052A1 (zh) * | 2018-01-11 | 2019-07-18 | 华为技术有限公司 | 网络运维的方法及装置 |
-
2019
- 2019-11-11 CN CN201911093204.3A patent/CN111026624B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102331543A (zh) * | 2011-06-23 | 2012-01-25 | 上海市安全生产科学研究所 | 基于支持向量机的故障电弧检测方法 |
CN108197748A (zh) * | 2018-01-08 | 2018-06-22 | 国网江苏省电力有限公司 | 一种基于思维进化算法的人流量预测方法 |
WO2019137052A1 (zh) * | 2018-01-11 | 2019-07-18 | 华为技术有限公司 | 网络运维的方法及装置 |
CN108375715A (zh) * | 2018-03-08 | 2018-08-07 | 中国电力科学研究院有限公司 | 一种配电网线路故障风险日预测方法及*** |
Non-Patent Citations (2)
Title |
---|
杨丽君等: "基于多代理***的智能配电网分散协调恢复策略", 《电工电能新技术》 * |
杨航等: "基于Storm的局部放电信号集合经验模态分解", 《计算机工程与应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113607413A (zh) * | 2021-08-26 | 2021-11-05 | 上海航数智能科技有限公司 | 一种基于可控温湿度的轴承部件故障监测预测方法 |
CN117791856A (zh) * | 2023-12-20 | 2024-03-29 | 武汉人云智物科技有限公司 | 一种基于巡检机器人的电网故障预警方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111026624B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108375715B (zh) | 一种配电网线路故障风险日预测方法及*** | |
CN113240289B (zh) | 一种电网调度控制***运行状态评估方法及*** | |
CN113570138B (zh) | 一种时间卷积网络的设备剩余使用寿命预测方法及装置 | |
CN112734128A (zh) | 一种基于优化rbf的7日电力负荷峰值预测方法 | |
CN110633194B (zh) | 一种硬件资源在特定环境下的性能评估方法 | |
CN111026624B (zh) | 电网信息***的故障预测方法、装置 | |
CN114066262A (zh) | 一种电网调度后评估异常指标溯因推理方法、***、装置及存储介质 | |
CN114862275B (zh) | 基于数字孪生模型的仓储物流***可靠性评估方法及*** | |
JP7053152B2 (ja) | 推奨点検間隔を最適化するシステム及び方法 | |
JP7422272B2 (ja) | 産業オートメーション制御システムまたは電力システムからのデータの保存を促進するための方法および装置 | |
CN116739829B (zh) | 一种基于大数据的电力数据分析方法、***及介质 | |
CN108306997B (zh) | 域名解析监控方法及装置 | |
CN113988325A (zh) | 一种电力***故障预警方法、装置、终端设备及存储介质 | |
CN113742993A (zh) | 干式变压器寿命损失预测方法、装置、设备及存储介质 | |
CN115453356A (zh) | 一种动力设备运行状态监测分析方法、***、终端及介质 | |
CN117318069B (zh) | 一种供电***故障自愈方法及*** | |
US12007751B2 (en) | Methods for smart gas data management, internet of things systems, and storage media | |
CN111367255A (zh) | 一种多变量控制***性能评价测试***及方法 | |
CN110069379B (zh) | 监控指标的筛选方法及筛选装置 | |
CN116566839A (zh) | 一种电力企业通信资源质量评估*** | |
CN106650154B (zh) | 一种基于热力性能指标的核电常规岛设备可靠性监测方法 | |
CN114696328A (zh) | 电力线损分析方法、***及存储介质 | |
CN114970311A (zh) | 一种远端模块寿命预测模型的建立方法与寿命预测方法 | |
CN114414938B (zh) | 一种配电网故障的动态响应方法及*** | |
CN112988529A (zh) | 一种基于机器学习进行数据库***性能预测的方法及*** |
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 |