CN112016743A - 电网设备的检修预测方法、装置、计算机设备和存储介质 - Google Patents
电网设备的检修预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112016743A CN112016743A CN202010856350.3A CN202010856350A CN112016743A CN 112016743 A CN112016743 A CN 112016743A CN 202010856350 A CN202010856350 A CN 202010856350A CN 112016743 A CN112016743 A CN 112016743A
- Authority
- CN
- China
- Prior art keywords
- power grid
- information
- detected
- grid equipment
- 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.)
- Pending
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 230000036541 health Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 4
- 238000011282 treatment Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011418 maintenance treatment Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Development Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
Abstract
本申请涉及一种电网设备的检修预测方法、装置、计算机设备和存储介质。所述方法包括:采集待检测电网设备的特征信息;对所述待检测电网设备的特征信息进行特征分析,得到所述待检测电网设备的故障发生概率;根据所述故障发生概率,确定所述待检测电网设备的故障风险信息;根据所述故障风险信息,生成所述待检测电网设备的预测检修信息。采用本方法,实现了根据待检测电网设备的故障发生概率,自动确定待检测电网设备的预测检修信息的目的,无需通过人工对采集的电网设备的多种信息进行计算分析,从而简化了电网设备的检修预测流程,进一步提高了电网设备的检修预测效率。
Description
技术领域
本申请涉及电力技术领域,特别是涉及一种电网设备的检修预测方法、装置、计算机设备和存储介质。
背景技术
随着电力技术的快速发展,越来越多的电网设备投入到电网应用中,比如发电机、变压器等;为了保证电网设备的正常运行,需要提前对电网设备进行检修预测。
相关技术中,对电网设备的检修预测方式,一般是通过人工对采集的电网设备的多种信息进行计算分析,以预测电网设备的检修信息;但是,通过人工预测电网设备的检修信息,过程比较繁琐,需要耗费大量时间,导致电网设备的检修预测效率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高电网设备的检修预测效率的电网设备的检修预测方法、装置、计算机设备和存储介质。
一种电网设备的检修预测方法,所述方法包括:
采集待检测电网设备的特征信息;
对所述待检测电网设备的特征信息进行特征分析,得到所述待检测电网设备的故障发生概率;
根据所述故障发生概率,确定所述待检测电网设备的故障风险信息;
根据所述故障风险信息,生成所述待检测电网设备的预测检修信息。
在其中一个实施例中,所述采集待检测电网设备的特征信息,包括:
获取多个信息采集终端采集得到的所述待检测电网设备的设备信息;
对所述设备信息进行预处理;
从预处理后的所述设备信息中,筛选出与特征信息标识符对应的信息,作为所述待检测电网设备的特征信息。
在其中一个实施例中,所述对所述待检测电网设备的特征信息进行特征分析,得到所述待检测电网设备的故障发生概率,包括:
获取所述待检测电网设备的特征信息对应的特征向量;
获取与所述待检测电网设备对应的故障预测模型,将所述特征向量输入所述故障预测模型,通过所述故障预测模型对所述特征向量进行全连接处理,得到所述待检测电网设备的故障发生概率。
在其中一个实施例中,所述获取与所述待检测电网设备对应的故障预测模型,包括:
识别所述待检测电网设备的设备类型;
查询预设的设备类型与故障预测模型的对应关系,获取与所述待检测电网设备对应的故障预测模型。
在其中一个实施例中,所述预设的设备类型与故障预测模型的对应关系通过下述方式得到:
获取各个设备类型对应的故障特征的特征信息;
分别根据所述各个设备类型对应的故障特征的特征信息,对预设类型的神经网络进行训练,得到所述各个设备类型对应的训练完成的故障预测模型;
根据所述各个设备类型对应的训练完成的故障预测模型,确定所述预设的设备类型与故障预测模型的对应关系。
在其中一个实施例中,所述根据所述故障风险信息,生成所述待检测电网设备的预测检修信息,包括:
根据所述待检测电网设备的特征信息,确定所述待检测电网设备的健康状态等级;
根据所述待检测电网设备的所述故障风险信息以及所述健康状态等级,生成与所述待检测电网设备对应的预测检修信息;所述预测检修信息用于推送至对应的用户终端。
在其中一个实施例中,所述方法还包括:
获取与所述预测检修信息对应的检修指令;
将所述检修指令发送至所述待检测电网设备;所述检修指令用于对所述待检测电网设备的故障进行检修处理。
一种电网设备的检修预测装置,所述装置包括:
特征信息采集模块,用于采集待检测电网设备的特征信息;
故障发生概率确定模块,用于对所述待检测电网设备的特征信息进行特征分析,得到所述待检测电网设备的故障发生概率;
故障风险信息确定模块,用于根据所述故障发生概率,确定所述待检测电网设备的故障风险信息;
预测检修信息确定模块,用于根据所述故障风险信息,生成所述待检测电网设备的预测检修信息。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
采集待检测电网设备的特征信息;
对所述待检测电网设备的特征信息进行特征分析,得到所述待检测电网设备的故障发生概率;
根据所述故障发生概率,确定所述待检测电网设备的故障风险信息;
根据所述故障风险信息,生成所述待检测电网设备的预测检修信息。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
采集待检测电网设备的特征信息;
对所述待检测电网设备的特征信息进行特征分析,得到所述待检测电网设备的故障发生概率;
根据所述故障发生概率,确定所述待检测电网设备的故障风险信息;
根据所述故障风险信息,生成所述待检测电网设备的预测检修信息。
上述电网设备的检修预测方法、装置、计算机设备和存储介质,通过采集待检测电网设备的特征信息;然后对待检测电网设备的特征信息进行特征分析,得到待检测电网设备的故障发生概率;最后根据故障发生概率,确定待检测电网设备的故障风险信息,并根据故障风险信息,生成待检测电网设备的预测检修信息;实现了根据待检测电网设备的故障发生概率,自动确定待检测电网设备的预测检修信息的目的,无需通过人工对采集的电网设备的多种信息进行计算分析,从而简化了电网设备的检修预测流程,进一步提高了电网设备的检修预测效率。
附图说明
图1为一个实施例中电网设备的检修预测方法的应用环境图;
图2为一个实施例中电网设备的检修预测方法的流程示意图;
图3为另一个实施例中电网设备的检修预测方法的流程示意图;
图4为一个实施例中电网设备的检修预测装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的电网设备的检修预测方法,可以应用于如图1所示的应用环境中。其中,信息采集终端110通过网络与服务器120进行通信,信息采集终端110还与待检测电网设备130连接,用于采集待检测电网设备130的特征信息,并将待检测电网设备130的特征信息上传至服务器120;服务器120获取待检测电网设备130的特征信息,对待检测电网设备130的特征信息进行特征分析,得到待检测电网设备130在的故障发生概率;根据故障发生概率,确定待检测电网设备130的故障风险信息;根据故障风险信息,生成待检测电网设备130的预测检修信息。其中,信息采集终端110是指用于采集电网设备的特征信息的终端,比如传感器,在线监测***、资产管理***等;服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现;待检测电网设备130主要包括发电设备和供电设备两大类,发电设备主要是电站锅炉、蒸汽轮机、燃气轮机、水轮机、发电机、变压器等等,供电设备主要是各种电压等级的输电线路、互感器、接触器等等。
在一个实施例中,如图2所示,提供了一种电网设备的检修预测方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤S201,采集待检测电网设备的特征信息。
其中,待检测电网设备是指需要预测故障发生风险的电网设备,比如发电机、变压器、互感器等,具体本申请不做限定。特征信息是指能够表征待检测电网设备的故障发生风险的关键特征,比如空载电压、稳态电压等。需要说明的是,不同待检测电网设备对应的特征信息不一样。
具体地,与待检测电网设备连接的信息采集终端采集待检测电网设备的特征信息,并将待检测电网设备的特征信息发送至对应的服务器,通过服务器接收待检测电网设备的特征信息。
当然,服务器还可以直接采集待检测电网设备的特征信息,或者从存储有多个电网设备的特征信息的数据库中,获取待检测电网设备的特征信息。
步骤S202,对待检测电网设备的特征信息进行特征分析,得到待检测电网设备的故障发生概率。
其中,待检测电网设备的故障发生概率,是指待检测电网设备未来发生故障信息的概率,用于表征待检测电网设备未来发生故障的风险;一般地,待检测电网设备的故障发生概率越大,表示待检测电网设备未来发生故障的风险越大。
具体地,服务器获取预设的故障信息识别指令,根据预设的故障信息识别指令,对待检测电网设备的特征信息进行特征分析,得到待检测电网设备的故障发生概率。其中,故障信息识别指令是一种能够基于待检测电网设备的特征信息,自动识别出待检测电网设备的故障发生概率的指令。这样,通过获取待检测电网设备的故障发生概率,有利于后续基于待检测电网设备的故障发生概率,确定待检测电网设备的故障风险信息,并生成待检测电网设备的预测检修信息,无需通过人工对采集的电网设备的多种信息进行计算分析,从而简化了电网设备的检修预测流程,进一步提高了电网设备的检修预测效率。
步骤S203,根据故障发生概率,确定待检测电网设备的故障风险信息。
其中,待检测电网设备的故障风险信息,是指待检测电网设备未来发生故障的风险。
具体地,服务器根据故障发生概率查询预设的故障发生概率与故障风险信息的对应关系,得到该故障发生概率对应的故障风险信息,作为待检测电网设备的故障风险信息。
进一步地,服务器还可以将故障发生概率与对应的预设阈值进行比较,若故障发生概率大于对应的预设阈值,则确认待检测电网设备存在故障风险信息,从而得到待检测电网设备的故障风险信息;若故障发生概率小于或者等于对应的预设阈值,则确认待检测电网设备不存在故障风险信息。
步骤S204,根据故障风险信息,生成待检测电网设备的预测检修信息。
其中,预测检修信息用于表征对待检测电网设备的检修计划信息,比如每个星期对待检测电网设备全面检修一次,每个月对待检测电网设备全面检修一次等。
具体地,服务器获取与故障风险信息对应的预测检修信息,作为待检测电网设备的预测检修信息,以替代待检测电网设备的历史检修信息。这样,无需通过人工预测电网设备的检修信息,从而节省了大量人力资源,进一步降低了人力成本;同时,避免了通过人工预测电网设备的检修信息容易出现错误,导致电网设备的检修预测准确率较低的缺陷。
此外,服务器还可以根据待检测电网设备的预测检修信息,查询预设的预测检修信息与检修优先级的对应关系,得到待检测电网设备的检修优先级。
进一步地,服务器还可以将待检测电网设备的预测检修信息发送至对应的用户终端,通过用户终端的终端界面展示待检测电网设备的预测检修信息,便于工作人员及时了解待检测电网设备未来的检修计划。
上述电网设备的检修预测方法中,通过采集待检测电网设备的特征信息;然后对待检测电网设备的特征信息进行特征分析,得到待检测电网设备的故障发生概率;最后根据故障发生概率,确定待检测电网设备的故障风险信息,并根据故障风险信息,生成待检测电网设备的预测检修信息;实现了根据待检测电网设备的故障发生概率,自动确定待检测电网设备的检修信息的目的,无需通过人工对采集的电网设备的多种信息进行计算分析,从而简化了电网设备的检修预测流程,进一步提高了电网设备的检修预测效率。
在一个实施例中,上述步骤S201,采集待检测电网设备的特征信息,包括:获取多个信息采集终端采集得到的待检测电网设备的设备信息;对设备信息进行预处理;从预处理后的设备信息中,筛选出与特征信息标识符对应的信息,作为待检测电网设备的特征信息。
其中,信息采集终端是指用于采集待检测电网设备的设备信息的终端,比如在线监测终端、资产管理终端等。待检测电网设备的设备信息是指与待检测电网设备相关的信息,比如设备基础数据、准实时监测数据、设备试验数据、历史检修数据、外部环境数据等。特征信息标识符是指特征信息的标识信息,不同待检测电网设备,对应的特征信息标识符不一样。
具体地,各个信息采集终端分别与待检测电网设备连接,用于采集待检测电网设备的设备信息,并将待检测电网设备的设备信息发送至服务器,通过服务器获取多个信息采集终端采集得到的待检测电网设备的设备信息;接着,服务器获取预设的预处理指令,根据预设的预处理指令,对待检测电网设备的设备信息进行预处理,比如数据清洗、数据过滤等,以去除设备信息中的坏数据和残缺数据,得到预处理后的设备信息;从预处理后的设备信息中,筛选出与特征信息标识符对应的信息,作为待检测电网设备的特征信息。
本实施例提供的技术方案,从待检测电网设备的设备信息中,提取出待检测电网设备的特征信息,有利于减少需要特征分析的数据范围,进一步缩短了电网设备的故障预测时长,从而提高了电网设备的故障预测效率。
在一个实施例中,上述步骤S202,对待检测电网设备的特征信息进行特征分析,得到待检测电网设备的故障发生概率,包括:获取待检测电网设备的特征信息对应的特征向量;获取与待检测电网设备对应的故障预测模型,将特征向量输入故障预测模型,通过故障预测模型对特征向量进行全连接处理,得到待检测电网设备的故障发生概率。
其中,特征向量用于表征待检测电网设备的特征信息。故障预测模型是一种用于对待检测电网设备进行故障预测的神经网络模型,比如深度学习模型。
具体地,服务器获取预设的特征向量生成指令,根据预设的特征向量生成指令,生成待检测电网设备的特征信息对应的特征向量;查询预设的电网设备与故障预测模型的对应关系,得到与待检测电网设备对应的故障预测模型;将检测电网设备的特征信息对应的特征向量输入故障预测模型,通过故障预测模型对特征向量进行全连接处理,得到待检测电网设备的故障发生概率。
本实施例提供的技术方案,通过获取待检测电网设备的故障发生概率,有利于后续基于待检测电网设备的故障发生概率,确定待检测电网设备的故障风险信息,并生成待检测电网设备的预测检修信息,避免了通过人工预测电网设备的检修信息容易出现错误,导致电网设备的检修预测准确率较低的缺陷,从而提高了电网设备的检修预测准确率。
在一个实施例中,获取与待检测电网设备对应的故障预测模型,包括:识别待检测电网设备的设备类型;查询预设的设备类型与故障预测模型的对应关系,获取与待检测电网设备对应的故障预测模型。
其中,待检测电网设备的设备类型,是指待检测电网设备所属的类型,比如变压器、互感器等。预设的设备类型与故障预测模型的对应关系,是指设备类型与故障预测模型存在一一对应的关系。
具体地,服务器根据预设的设备类型识别指令,对待检测电网设备进行识别,得到待检测电网设备的设备类型;从本地数据库中,获取预设的设备类型与故障预测模型的对应关系;查询预设的设备类型与故障预测模型的对应关系,得到待检测电网设备的设备类型对应的故障预测模型,作为该待检测电网设备的故障预测模型。
本实施例提供的技术方案,通过获取与待检测电网设备对应的故障预测模型,有利于后续将待检测电网设备的特征向量输入对应的故障预测模型,得到待检测电网设备的故障发生概率,进而确定待检测电网设备的故障风险信息和预测检修信息,无需通过人工对采集的电网设备的多种信息进行计算分析,从而提高了电网设备的检修预测效率。
在一个实施例中,预设的设备类型与故障预测模型的对应关系通过下述方式得到:获取各个设备类型对应的故障特征的特征信息;分别根据各个设备类型对应的故障特征的特征信息,对预设类型的神经网络进行训练,得到各个设备类型对应的训练完成的故障预测模型;根据各个设备类型对应的训练完成的故障预测模型,确定预设的设备类型与故障预测模型的对应关系。
其中,各个设备类型对应的故障特征,用于表征各个设备类型的故障信息。
具体地,服务器基于大数据,获取各个设备类型的电网设备对应的故障特征的特征信息;将某个设备类型的电网设备对应的故障特征的特征信息输入预设类型的神经网络,通过预设类型的神经网络对该设备类型的电网设备对应的故障特征的特征信息进行全连接处理,得到该设备类型的电网设备的故障发生概率;根据该设备类型的电网设备的故障发生概率与对应的实际故障发生概率之间的差值,确定预设类型的神经网络的损失值;根据损失值对预设类型的神经网络的网络参数进行调整,直到根据预设类型的神经网络得到的损失值小于预设阈值,则将该预设类型的神经网络,作为该设备类型对应的训练完成的故障预测模型;参照此方法,可以得到各个设备类型对应的训练完成的故障预测模型;根据各个设备类型对应的训练完成的故障预测模型,确定设备类型与故障预测模型的对应关系,作为预设的设备类型与故障预测模型的对应关系。
本实施例提供的技术方案,通过获取预设的设备类型与故障预测模型的对应关系,有利于后续根据待检测设备的设备类型,查询预设的设备类型与故障预测模型的对应关系,得到待检测电网设备对应的故障预测模型,从而提高了故障预测模型的确定准确率。
在一个实施例中,上述步骤S204,根据故障风险信息,生成待检测电网设备的预测检修信息,包括:根据待检测电网设备的特征信息,确定待检测电网设备的健康状态等级;根据待检测电网设备的预测故障信息以及健康状态等级,生成与待检测电网设备对应的预测检修信息;预测检修信息用于推送至对应的用户终端。
其中,待检测电网设备的健康状态等级,用于表征待检测电网设备的健康状态。
具体地,服务器根据待检测电网设备的特征信息,查询预设的特征信息与健康状态的对应关系,得到待检测电网设备的健康状态;根据待检测电网设备的健康状态,确定对应的健康状态等级,作为待检测电网设备的健康状态等级;根据待检测电网设备的故障风险信息以及健康状态等级,生成与故障风险信息以及健康状态等级均对应的预测检修信息,并将预测检修信息推送至对应的用户终端。
举例说明,服务器从资源、时间、费用、效益等多方面、多角度出发,根据待检测电网设备的故障风险信息以及健康状态等级,进行维修可行性分析,定出维修计划,确定维修保障资源,给出维修建议的活动的时间、地点和维修内容,从而得到与待检测电网设备对应的故障检修信息;将预测检修信息通过短信的形式推送至对应的用户终端,通过用户终端的终端界面展示待检测电网设备的预测检修信息。
本实施例提供的技术方案,通过生成待检测电网设备对应的预测检修信息,并将待检测电网设备对应的预测检修信息推送至对应的用户终端,有利于工作人员及时了解待检测电网设备的预测检修信息,以及时对待检测电网设备进行维修处理。
在一个实施例中,本申请的电网设备的检修预测方法还包括:获取与预测检修信息对应的检修指令;将检修指令发送至待检测电网设备;检修指令用于对待检测电网设备的故障进行检修处理。
其中,检修指令是指用于对电网设备的故障进行检修处理的指令。
具体地,服务器从本地数据库中获取与待检测电网设备的预测检修信息对应的检修指令,作为待检测电网设备的检修指令;将检修指令通过网络发送至待检测电网设备,通过检修指令自动对待检测电网设备的故障进行检修处理,得到对应的检修结果。
本实施例提供的技术方案,在确定待检测电网设备的预测检修信息之后,将相应的检修指令发送至待检测电网设备,有利于自动对待检测电网设备的故障进行检修处理,无需维修人员前往待检测电网设备所在位置,以对待检测电网设备进行检修,从而实现了对待检测电网设备的远程检修的目的。
在一个实施例中,如图3所示,提供了另一种电网设备的检修预测方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤S301,获取多个信息采集终端采集得到的待检测电网设备的设备信息。
步骤S302,对设备信息进行预处理。
步骤S303,从预处理后的设备信息中,筛选出与特征信息标识符对应的信息,作为待检测电网设备的特征信息。
步骤S304,获取待检测电网设备的特征信息对应的特征向量。
步骤S305,获取与待检测电网设备对应的故障预测模型,将特征向量输入故障预测模型,通过故障预测模型对特征向量进行全连接处理,得到待检测电网设备的故障发生概率。
步骤S306,根据故障发生概率,确定待检测电网设备的故障风险信息。
步骤S307,根据待检测电网设备的特征信息,确定待检测电网设备的健康状态等级。
步骤S308,根据待检测电网设备的故障风险信息以及健康状态等级,生成与待检测电网设备对应的预测检修信息。
步骤S309,将预测检修信息推送至对应的用户终端。
上述电网设备的检修预测方法中,实现了根据待检测电网设备的故障发生概率,自动确定待检测电网设备的检修信息的目的,无需通过人工对采集的电网设备的多种信息进行计算分析,从而简化了电网设备的检修预测流程,进一步提高了电网设备的检修预测效率。
在一个实施例中,为了更清晰阐明本申请实施例提供的技术方案,以下将详细阐述本申请的电网设备的检修预测方法的一个应用实例,该应用实例的具体内容如下:
预测性检修基于资产全生命周期全过程管理,获取设备相关基础资料、历史运行数据、家族缺陷、准实时在线监测信息等反映设备健康状态的特征参数,依据数据模型处理采集到的特征参数,评价设备当前健康状况,预测未来设备可能变化的趋势。对状态劣化和趋势不良的设备及时发布故障预测消息,并进行有效的故障原因分析。最终通过分析和评估,提出检修决策建议,并将决策建议展示到生产管理***,对于检修级别高的检修信息以短信形式自动推送至相关负责人,辅助相关责任人进行设备检修计划制定,有效支持预测性检修工作的具体实施。具体实现步骤如下:
(1)数据采集:通过在线监测***、资产管理***等***收集设备数据,包含设备基础数据、准实时监测数据、设备试验数据、历史检修数据和外部环境数据。
(2)数据处理:去除坏数据和残缺数据,筛选出有效数据,通过有效数据探索分析,发现有特征、规律的数据,进行建模分析。
(3)设备状态评价:根据状态评价相关标准,对反映设备状态指标项数据进行分析评价,完成设备主要部件的健康状态评价,并依据部件的状态评价结果最终得到设备整体健康状态等级。
(4)设备故障预测:分析各类型设备的不同故障关键影响因素,建立设备故障根因库,并依据不同设备的各种故障特征选取合适的算法建立预测分析模型,根据历史检修记录、试验报告、故障信息、设备状态信息通过大数据分析,得到设备未来可能发生故障的概率,用于辅助决策检修计划的制定。
(5)辅助决策:从资源、时间、费用、效益等多方面、多角度出发,根据状态评价、故障预测结果进行维修可行性分析,定出维修计划,确定维修保障资源,给出维修建议的活动的时间、地点和维修内容。
(6)检修计划制定:用户可根据辅助决策报告进行检修计划的编制。从而支撑设备未来可能发生的状况进行提前保养,计划应明确上次检修时间、检修等级、检修内容、检修工期、实施部门、费用预算等内容,检修计划主要由年度计划、月度检修计划、周检修计划组成。
上述实施例,可以达到以下技术效果:(1)通过对设备相关信息汇总分析,形成具体的预测性检修信息,根据预测性检修辅助决策报告,辅助运检人员制定检修计划,开展预测性检修工作。(2)通过大数据对数据进行处理分析,形成预测性分析结果,将满足预测性检修条件的设备数据提供给相应专责,由相关专责审核是否纳入年、月、周计划检修之中,达到减少人工确认检修对象时间,提升工作效率的目的。(3)明确检修对象之后,根据预测的结果,建议设备应该检修的时间、内容、方式和必需的技术,进而支撑检修计划的制定。(4)检修完成之后,记录故障信息、解决方案、技术手段等相关信息,为电网预测性检修工作提供有效合理的数据支撑,促进预测性检修工作的良性循环。
应该理解的是,虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-3中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种电网设备的检修预测装置,包括:特征信息采集模块410、故障发生概率确定模块420、故障风险信息确定模块430和预测检修信息确定模块440,其中:
特征信息采集模块410,用于采集待检测电网设备的特征信息。
故障发生概率确定模块420,用于对待检测电网设备的特征信息进行特征分析,得到待检测电网设备的故障发生概率。
故障风险信息确定模块430,用于根据故障发生概率,确定待检测电网设备的故障风险信息;
预测检修信息确定模块,用于根据故障风险信息,生成待检测电网设备的预测检修信息。
在一个实施例中,上述特征信息采集模块410,还用于获取多个信息采集终端采集得到的待检测电网设备的设备信息;对设备信息进行预处理;从预处理后的设备信息中,筛选出与特征信息标识符对应的信息,作为待检测电网设备的特征信息。
在一个实施例中,上述故障发生概率确定模块420,还用于获取待检测电网设备的特征信息对应的特征向量;获取与待检测电网设备对应的故障预测模型,将特征向量输入故障预测模型,通过故障预测模型对特征向量进行全连接处理,得到待检测电网设备的故障发生概率。
在一个实施例中,上述故障发生概率确定模块420,还用于识别待检测电网设备的设备类型;查询预设的设备类型与故障预测模型的对应关系,获取与待检测电网设备对应的故障预测模型。
在一个实施例中,电网设备的检修预测装置还包括关系确定模块,用于获取各个设备类型对应的故障特征的特征信息;分别根据各个设备类型对应的故障特征的特征信息,对预设类型的神经网络进行训练,得到各个设备类型对应的训练完成的故障预测模型;根据各个设备类型对应的训练完成的故障预测模型,确定预设的设备类型与故障预测模型的对应关系。
在一个实施例中,上述预测检修信息确定模块440,还用于根据待检测电网设备的特征信息,确定待检测电网设备的健康状态等级;根据待检测电网设备的故障风险信息以及健康状态等级,生成与待检测电网设备对应的预测检修信息;预测检修信息用于推送至对应的用户终端。
在一个实施例中,电网设备的检修预测装置还包括检修指令发送模块,用于获取与预测检修信息对应的检修指令;将检修指令发送至待检测电网设备;检修指令用于对待检测电网设备的故障进行检修处理。
上述各个实施例,实现了根据待检测电网设备的故障发生概率,自动确定待检测电网设备的预测检修信息的目的,无需通过人工对采集的电网设备的多种信息进行计算分析,从而简化了电网设备的检修预测流程,进一步提高了电网设备的检修预测效率。
关于电网设备的检修预测装置的具体限定可以参见上文中对于电网设备的检修预测方法的限定,在此不再赘述。上述电网设备的检修预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储待检测电网设备的特征信息、待检测电网设备的预测故障信息等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电网设备的检修预测方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种电网设备的检修预测方法,其特征在于,所述方法包括:
采集待检测电网设备的特征信息;
对所述待检测电网设备的特征信息进行特征分析,得到所述待检测电网设备的故障发生概率;
根据所述故障发生概率,确定所述待检测电网设备的故障风险信息;
根据所述故障风险信息,生成所述待检测电网设备的预测检修信息。
2.根据权利要求1所述的方法,其特征在于,所述采集待检测电网设备的特征信息,包括:
获取多个信息采集终端采集得到的所述待检测电网设备的设备信息;
对所述设备信息进行预处理;
从预处理后的所述设备信息中,筛选出与特征信息标识符对应的信息,作为所述待检测电网设备的特征信息。
3.根据权利要求1所述的方法,其特征在于,所述对所述待检测电网设备的特征信息进行特征分析,得到所述待检测电网设备的故障发生概率,包括:
获取所述待检测电网设备的特征信息对应的特征向量;
获取与所述待检测电网设备对应的故障预测模型,将所述特征向量输入所述故障预测模型,通过所述故障预测模型对所述特征向量进行全连接处理,得到所述待检测电网设备的故障发生概率。
4.根据权利要求3所述的方法,其特征在于,所述获取与所述待检测电网设备对应的故障预测模型,包括:
识别所述待检测电网设备的设备类型;
查询预设的设备类型与故障预测模型的对应关系,获取与所述待检测电网设备对应的故障预测模型。
5.根据权利要求4所述的方法,其特征在于,所述预设的设备类型与故障预测模型的对应关系通过下述方式得到:
获取各个设备类型对应的故障特征的特征信息;
分别根据所述各个设备类型对应的故障特征的特征信息,对预设类型的神经网络进行训练,得到所述各个设备类型对应的训练完成的故障预测模型;
根据所述各个设备类型对应的训练完成的故障预测模型,确定所述预设的设备类型与故障预测模型的对应关系。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述根据所述故障风险信息,生成所述待检测电网设备的预测检修信息,包括:
根据所述待检测电网设备的特征信息,确定所述待检测电网设备的健康状态等级;
根据所述待检测电网设备的所述故障风险信息以及所述健康状态等级,生成与所述待检测电网设备对应的预测检修信息;所述预测检修信息用于推送至对应的用户终端。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
获取与所述预测检修信息对应的检修指令;
将所述检修指令发送至所述待检测电网设备;所述检修指令用于对所述待检测电网设备的故障进行检修处理。
8.一种电网设备的检修预测装置,其特征在于,所述装置包括:
特征信息采集模块,用于采集待检测电网设备的特征信息;
故障发生概率确定模块,用于对所述待检测电网设备的特征信息进行特征分析,得到所述待检测电网设备的故障发生概率;
故障风险信息确定模块,用于根据所述故障发生概率,确定所述待检测电网设备的故障风险信息;
预测检修信息确定模块,用于根据所述故障风险信息,生成所述待检测电网设备的预测检修信息。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010856350.3A CN112016743A (zh) | 2020-08-24 | 2020-08-24 | 电网设备的检修预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010856350.3A CN112016743A (zh) | 2020-08-24 | 2020-08-24 | 电网设备的检修预测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112016743A true CN112016743A (zh) | 2020-12-01 |
Family
ID=73505644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010856350.3A Pending CN112016743A (zh) | 2020-08-24 | 2020-08-24 | 电网设备的检修预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016743A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113013985A (zh) * | 2021-02-20 | 2021-06-22 | 四川智水信息技术有限公司 | 一种变电站运维方法及装置 |
CN113252968A (zh) * | 2021-04-12 | 2021-08-13 | 国网河北省电力有限公司沧州供电分公司 | 一种抑制海上岸电柔直***电网故障过电压的方法 |
CN113610167A (zh) * | 2021-08-10 | 2021-11-05 | 宿迁旺春机械制造有限公司 | 基于度量学习与视觉感知的设备风险检测方法 |
CN113985207A (zh) * | 2021-10-28 | 2022-01-28 | 国网北京市电力公司 | 一种电网运行设备故障监测方法、***、装置及存储介质 |
CN116166967A (zh) * | 2023-04-21 | 2023-05-26 | 深圳开鸿数字产业发展有限公司 | 基于元学习与残差网络的数据处理方法、设备和存储介质 |
CN117057590A (zh) * | 2023-10-11 | 2023-11-14 | 国网山东省电力公司博兴县供电公司 | 一种电网检修管理***及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104730421A (zh) * | 2015-03-27 | 2015-06-24 | 广东电网有限责任公司中山供电局 | 电网故障设备的诊断方法和*** |
CN107358366A (zh) * | 2017-07-20 | 2017-11-17 | 国网辽宁省电力有限公司 | 一种配电变压器故障风险监测方法及*** |
CN110866839A (zh) * | 2019-10-25 | 2020-03-06 | 袁茂银 | 基于多模型的地下电缆故障修复方法和装置 |
-
2020
- 2020-08-24 CN CN202010856350.3A patent/CN112016743A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104730421A (zh) * | 2015-03-27 | 2015-06-24 | 广东电网有限责任公司中山供电局 | 电网故障设备的诊断方法和*** |
CN107358366A (zh) * | 2017-07-20 | 2017-11-17 | 国网辽宁省电力有限公司 | 一种配电变压器故障风险监测方法及*** |
CN110866839A (zh) * | 2019-10-25 | 2020-03-06 | 袁茂银 | 基于多模型的地下电缆故障修复方法和装置 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113013985A (zh) * | 2021-02-20 | 2021-06-22 | 四川智水信息技术有限公司 | 一种变电站运维方法及装置 |
CN113252968A (zh) * | 2021-04-12 | 2021-08-13 | 国网河北省电力有限公司沧州供电分公司 | 一种抑制海上岸电柔直***电网故障过电压的方法 |
CN113610167A (zh) * | 2021-08-10 | 2021-11-05 | 宿迁旺春机械制造有限公司 | 基于度量学习与视觉感知的设备风险检测方法 |
CN113985207A (zh) * | 2021-10-28 | 2022-01-28 | 国网北京市电力公司 | 一种电网运行设备故障监测方法、***、装置及存储介质 |
CN116166967A (zh) * | 2023-04-21 | 2023-05-26 | 深圳开鸿数字产业发展有限公司 | 基于元学习与残差网络的数据处理方法、设备和存储介质 |
CN117057590A (zh) * | 2023-10-11 | 2023-11-14 | 国网山东省电力公司博兴县供电公司 | 一种电网检修管理***及方法 |
CN117057590B (zh) * | 2023-10-11 | 2024-02-02 | 国网山东省电力公司博兴县供电公司 | 一种电网检修管理***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112016743A (zh) | 电网设备的检修预测方法、装置、计算机设备和存储介质 | |
CN108375715B (zh) | 一种配电网线路故障风险日预测方法及*** | |
CN104638764A (zh) | 配网设备状态智能诊断和检修*** | |
JP2013538543A (ja) | 送電網用の機械学習 | |
CN111562460B (zh) | 配电网停电事件侦测研判方法、装置、计算机设备及介质 | |
CN109800995A (zh) | 一种电网设备故障识别方法及*** | |
Sarih et al. | Data preparation and preprocessing for broadcast systems monitoring in PHM framework | |
CN113538370A (zh) | 电网巡检方法、装置、计算机设备和存储介质 | |
CN113010806A (zh) | 水利工程巡查区域的动态巡查方法及装置 | |
CN115130284A (zh) | 核电机组风险预测方法、预测***及评估*** | |
CN114879619A (zh) | 数字车间能源优化方法及*** | |
CN111080484A (zh) | 一种配电网异常数据监测方法及装置 | |
CN115081647A (zh) | 基于贝叶斯网络模型的工业智能仪表故障预诊断方法 | |
CN113313365A (zh) | 一种一次风机的劣化预警方法及设备 | |
CN112381242A (zh) | 核电站设备维修项目数据处理方法及*** | |
KR20220089853A (ko) | 머신러닝 기술을 활용한 신재생에너지 발전설비의 고장예지 및 건전성관리 방법 | |
CN117390944A (zh) | 一种变电站运行工况仿真*** | |
CN117408162A (zh) | 基于数字孪生的电网故障控制方法 | |
CN115907033A (zh) | 一种基于机器学习算法预测每小时用电量的方法及*** | |
CN115936663A (zh) | 一种电力***的维护方法及装置 | |
CN114066163A (zh) | 一种基于三层架构模式的电力设备状态分析方法及装置 | |
Chren | Towards multi-layered reliability analysis in smart grids | |
Xu et al. | Real-time online risk monitoring and management method for maintenance optimization in nuclear power plant | |
CN104751281A (zh) | 一种氧化锌避雷器设备的自动工况评价方法 | |
Handschin et al. | Novel Methods for the Condition Based Maintenance of Distribution Networks |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201201 |