CN112461289A - 一种环网柜故障监控方法、***、终端及存储介质 - Google Patents
一种环网柜故障监控方法、***、终端及存储介质 Download PDFInfo
- Publication number
- CN112461289A CN112461289A CN202011167852.1A CN202011167852A CN112461289A CN 112461289 A CN112461289 A CN 112461289A CN 202011167852 A CN202011167852 A CN 202011167852A CN 112461289 A CN112461289 A CN 112461289A
- Authority
- CN
- China
- Prior art keywords
- fault
- ring main
- main unit
- fault diagnosis
- value
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000003745 diagnosis Methods 0.000 claims abstract description 40
- 230000008859 change Effects 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims description 20
- 238000003062 neural network model Methods 0.000 claims description 15
- 230000007613 environmental effect Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 239000000779 smoke Substances 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008439 repair process Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/02—Arrangements for measuring frequency, e.g. pulse repetition rate; Arrangements for measuring period of current or voltage
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种环网柜故障监控方法、***、终端及存储介质，包括：利用传感器采集环网柜监控参数；从所述监控参数提取变化趋势特征值；判断所述变化趋势特征值是否在预设阈值范围内：若否，则生成故障告警，并将所述变化趋势特征值导入预先训练好的故障诊断模型进行故障诊断。本发明能够及时发现环网柜故障并对故障进行诊断，提高环网柜监管效率，简化了环网柜的修检过程。
Description
技术领域
本发明涉及环网供电***技术领域，具体涉及一种环网柜故障监控方法、***、终端及存储介质。
背景技术
环网供电是城市供电网主要结构形式，环网柜目前是城市6～10kV供电网络的重要组成部分和控制节点，数量众多，分布范围广泛，因此环网柜内设备的运行状态直接关系到城市供电***的可靠性。
现有的环网柜状态评估仍以停电检修、离线试验、额定寿命为主，设备状态感知、数据诊断覆盖不够或缺乏。这样，一方面可能由于巡检人员经验不足或维护不及时导致设备出现故障，造成生产不能有效保障，导致产生经济损失甚至重大事故；另一方面有可能对运行良好的设备也停机检修，造成不必要的生产中断和维护费用的浪费。
发明内容
针对现有技术的上述不足，本发明提供一种环网柜故障监控方法、***、终端及存储介质，以解决上述技术问题。
第一方面，本发明提供一种环网柜故障监控方法，包括：
利用传感器采集环网柜监控参数；
从所述监控参数提取变化趋势特征值；
判断所述变化趋势特征值是否在预设阈值范围内：
若否，则生成故障告警，并将所述变化趋势特征值导入预先训练好的故障诊断模型进行故障诊断。
进一步的，所述利用传感器采集环网柜监控参数，包括：
采集环网柜的电压值、电流值和频率值；
采集环网柜的环境参数，所述环境参数包括温度、湿度、烟雾和机械特性。
进一步的，所述从监控参数提取变化趋势特征值，包括：
根据所述监控参数的采集时间计算监控参数的变化斜率、跃变幅度和变化幅度。
进一步的，所述故障诊断模型的训练方法，包括：
采集历史故障信息，所述历史故障信息包括故障特征值和对应的故障类型；
将所述历史故障信息对创建的多层前馈神经网络模型的训练集，对所述多层前馈神经网络模型进行训练；
将训练好的多层前馈神经网络模型作为故障诊断模型输出。
第二方面，本发明提供一种环网柜故障监控***，包括：
参数采集单元，配置用于利用传感器采集环网柜监控参数；
特征提取单元，配置用于特征从所述监控参数提取变化趋势特征值；
特征判断单元，配置用于判断所述变化趋势特征值是否在预设阈值范围内；
故障诊断单元，配置用于若所述变化趋势特征值不在预设阈值范围内，则生成故障告警，并将所述变化趋势特征值导入预先训练好的故障诊断模型进行故障诊断。
进一步的，所述参数采集单元包括：
第一采集模块，配置用于采集环网柜的电压值、电流值和频率值；
第二采集模块，配置用于采集环网柜的环境参数，所述环境参数包括温度、湿度、烟雾和机械特性。
进一步的，所述特征提取单元包括：
特征提取模块，配置用于根据所述监控参数的采集时间计算监控参数的变化斜率、跃变幅度和变化幅度。
进一步的，所述故障诊断模型的训练方法，包括：
采集历史故障信息，所述历史故障信息包括故障特征值和对应的故障类型；
将所述历史故障信息对创建的多层前馈神经网络模型的训练集，对所述多层前馈神经网络模型进行训练；
将训练好的多层前馈神经网络模型作为故障诊断模型输出。
第三方面，提供一种终端，包括：
处理器、存储器，其中，
该存储器用于存储计算机程序，
该处理器用于从存储器中调用并运行该计算机程序，使得终端执行上述的终端的方法。
第四方面，提供了一种计算机存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。
本发明的有益效果在于，
本发明提供的环网柜故障监控方法、***、终端及存储介质，能够自动采集环网柜运行参数和环境参数，并对采集的参数进行处理，及时发现故障，并在发现环网柜故障之后，及时利用故障诊断模型进行诊断，便于运维人员及时有针对性地处理故障。本发明能够及时发现环网柜故障并对故障进行诊断，提高环网柜监管效率，简化了环网柜的修检过程。
此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的方法的示意性流程图。
图2是本发明一个实施例的方法的另一示意性流程图。
图3是本发明一个实施例的***的示意性框图。
图4为本发明实施例提供的一种终端的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
图1是本发明一个实施例的方法的示意性流程图。其中，图1执行主体可以为一种环网柜故障监控***。
如图1所示，该方法包括：
步骤110，利用传感器采集环网柜监控参数；
步骤120，从所述监控参数提取变化趋势特征值；
步骤130，判断所述变化趋势特征值是否在预设阈值范围内：
步骤140，若否，则生成故障告警，并将所述变化趋势特征值导入预先训练好的故障诊断模型进行故障诊断。
具体的，请参考图2，所述环网柜故障监控方法包括：
S1、利用传感器采集环网柜监控参数。
传感器包括温湿度、烟雾、水位、电压、电流、频率、机械特性传感器、局放传感器等，传感器安装环网柜上，实现设备运行状态的信号转换。
将传感器采集的信号进行A/D转换(将数据状态信号转换为适合计算机处理的数字信号)、信号调理、存储环网柜相关配置文件同时根据配置信息对调理后的信号进行预处理；从采集的信号中提取的数据类型包括有效值、峰值、瞬时值、频率值。采集的数据包括每间隔环网柜配置的温湿度、烟雾、水位、电压、电流、机械特性传感器、局放传感器等，但不限于此，凡是需要的数据均可以通过终端层获取；配置文件包括环网柜配置信息如环网柜的安装位置坐标、厂家、二次厂家等。
S2、从所述监控参数提取变化趋势特征值。
对步骤S1提取的数据提取变化趋势特征值，变化趋势特征值包括变化斜率、跃变幅度、变化幅度。
S3、判断所述变化趋势特征值是否在预设阈值范围内：若否，则生成故障告警，并将所述变化趋势特征值导入预先训练好的故障诊断模型进行故障诊断。
预先设置各项数据的特征值的阈值范围，判断步骤S2提取的各项数据的特征值是否否在对应的阈值范围内，若存在不在对应阈值范围内的异常特征值，则说明环网柜存在故障。
此时将异常特征值输入预先训练好的故障诊断模型，进行故障诊断。
故障诊断模型的训练方法如下：
(1)模型训练
a)从数据中心(云端或者平台层)获取环网柜历史运行数据；
b)进行数据处理与特征提取，结合各数据对应的故障类型确定训练样本集合；
c)确定BP神经网络的参数，包括输入层节点数、隐含层节点数、输出层节点数，根据训练样本集合对BP神经网络进行训练，得到神经网络权重矩阵，建立故障诊断模型；
(2)实时诊断
a)采集环网柜实时运行数据；
b)进行数据处理及特征提取，并利用提取的特征进行报警判别，其中具体的报警判别方法可以根据具体情况采用不同的措施，只要能够达到设计者的目的即可；根据特征值与设定的阈值进行比较，当没有超过阈值时，不会触发报警，当超过阈值时就触发报警；
c)若产生报警则调用相应故障诊断模型，将该组数据对应的特征值输入至故障诊断模型，完成故障诊断过程；
如图3所示，该***300包括：
参数采集单元310，配置用于利用传感器采集环网柜监控参数；
特征提取单元320，配置用于特征从所述监控参数提取变化趋势特征值；
特征判断单元330，配置用于判断所述变化趋势特征值是否在预设阈值范围内；
故障诊断单元340，配置用于若所述变化趋势特征值不在预设阈值范围内，则生成故障告警，并将所述变化趋势特征值导入预先训练好的故障诊断模型进行故障诊断。
可选地，作为本发明一个实施例，所述参数采集单元包括：
第一采集模块，配置用于采集环网柜的电压值、电流值和频率值；
第二采集模块，配置用于采集环网柜的环境参数，所述环境参数包括温度、湿度、烟雾和机械特性。
可选地，作为本发明一个实施例，所述特征提取单元包括：
特征提取模块，配置用于根据所述监控参数的采集时间计算监控参数的变化斜率、跃变幅度和变化幅度。
可选地，作为本发明一个实施例，所述故障诊断模型的训练方法，包括：
采集历史故障信息，所述历史故障信息包括故障特征值和对应的故障类型；
将所述历史故障信息对创建的多层前馈神经网络模型的训练集，对所述多层前馈神经网络模型进行训练；
将训练好的多层前馈神经网络模型作为故障诊断模型输出。
图4为本发明实施例提供的一种终端400的结构示意图，该终端400可以用于执行本发明实施例提供的环网柜故障监控方法。
其中，该终端400可以包括：处理器410、存储器420及通信单元430。这些组件通过一条或多条总线进行通信，本领域技术人员可以理解，图中示出的服务器的结构并不构成对本发明的限定，它既可以是总线形结构，也可以是星型结构，还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
其中，该存储器420可以用于存储处理器410的执行指令，存储器420可以由任何类型的易失性或非易失性存储终端或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。当存储器420中的执行指令由处理器410执行时，使得终端400能够执行以下上述方法实施例中的部分或全部步骤。
处理器410为存储终端的控制中心，利用各种接口和线路连接整个电子终端的各个部分，通过运行或执行存储在存储器420内的软件程序和/或模块，以及调用存储在存储器内的数据，以执行电子终端的各种功能和/或处理数据。所述处理器可以由集成电路(Integrated Circuit，简称IC)组成，例如可以由单颗封装的IC所组成，也可以由连接多颗相同功能或不同功能的封装IC而组成。举例来说，处理器410可以仅包括中央处理器(Central Processing Unit，简称CPU)。在本发明实施方式中，CPU可以是单运算核心，也可以包括多运算核心。
通信单元430，用于建立通信信道，从而使所述存储终端可以与其它终端进行通信。接收其他终端发送的用户数据或者向其他终端发送用户数据。
本发明还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本发明提供的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文：read-only memory，简称：ROM)或随机存储记忆体(英文：random access memory，简称：RAM)等。
因此，本发明能够自动采集环网柜运行参数和环境参数，并对采集的参数进行处理，及时发现故障，并在发现环网柜故障之后，及时利用故障诊断模型进行诊断，便于运维人员及时有针对性地处理故障。本发明能够及时发现环网柜故障并对故障进行诊断，提高环网柜监管效率，简化了环网柜的修检过程，本实施例所能达到的技术效果可以参见上文中的描述，此处不再赘述。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中如U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，包括若干指令用以使得一台计算机终端(可以是个人计算机，服务器，或者第二终端、网络终端等)执行本发明各个实施例所述方法的全部或部分步骤。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于终端实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
在本发明所提供的几个实施例中，应该理解到，所揭露的***和方法，可以通过其它的方式实现。例如，以上所描述的***实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，***或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述，但本发明并不限于此。在不脱离本发明的精神和实质的前提下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换，而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种环网柜故障监控方法，其特征在于，包括：
利用传感器采集环网柜监控参数；
从所述监控参数提取变化趋势特征值；
判断所述变化趋势特征值是否在预设阈值范围内：
若否，则生成故障告警，并将所述变化趋势特征值导入预先训练好的故障诊断模型进行故障诊断。
2.根据权利要求1所述的方法，其特征在于，所述利用传感器采集环网柜监控参数，包括：
采集环网柜的电压值、电流值和频率值；
采集环网柜的环境参数，所述环境参数包括温度、湿度、烟雾和机械特性。
3.根据权利要求1所述的方法，其特征在于，所述从监控参数提取变化趋势特征值，包括：
根据所述监控参数的采集时间计算监控参数的变化斜率、跃变幅度和变化幅度。
4.根据权利要求1所述的方法，其特征在于，所述故障诊断模型的训练方法，包括：
采集历史故障信息，所述历史故障信息包括故障特征值和对应的故障类型；
将所述历史故障信息对创建的多层前馈神经网络模型的训练集，对所述多层前馈神经网络模型进行训练；
将训练好的多层前馈神经网络模型作为故障诊断模型输出。
5.一种环网柜故障监控***，其特征在于，包括：
参数采集单元，配置用于利用传感器采集环网柜监控参数；
特征提取单元，配置用于特征从所述监控参数提取变化趋势特征值；
特征判断单元，配置用于判断所述变化趋势特征值是否在预设阈值范围内；
故障诊断单元，配置用于若所述变化趋势特征值不在预设阈值范围内，则生成故障告警，并将所述变化趋势特征值导入预先训练好的故障诊断模型进行故障诊断。
6.根据权利要求5所述的***，其特征在于，所述参数采集单元包括：
第一采集模块，配置用于采集环网柜的电压值、电流值和频率值；
第二采集模块，配置用于采集环网柜的环境参数，所述环境参数包括温度、湿度、烟雾和机械特性。
7.根据权利要求5所述的***，其特征在于，所述特征提取单元包括：
特征提取模块，配置用于根据所述监控参数的采集时间计算监控参数的变化斜率、跃变幅度和变化幅度。
8.根据权利要求5所述的***，其特征在于，所述故障诊断模型的训练方法，包括：
采集历史故障信息，所述历史故障信息包括故障特征值和对应的故障类型；
将所述历史故障信息对创建的多层前馈神经网络模型的训练集，对所述多层前馈神经网络模型进行训练；
将训练好的多层前馈神经网络模型作为故障诊断模型输出。
9.一种终端，其特征在于，包括：
处理器；
用于存储处理器的执行指令的存储器；
其中，所述处理器被配置为执行权利要求1-4任一项所述的方法。
10.一种存储有计算机程序的计算机可读存储介质，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011167852.1A CN112461289A (zh) | 2020-10-27 | 2020-10-27 | 一种环网柜故障监控方法、***、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011167852.1A CN112461289A (zh) | 2020-10-27 | 2020-10-27 | 一种环网柜故障监控方法、***、终端及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112461289A true CN112461289A (zh) | 2021-03-09 |
Family
ID=74834193
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011167852.1A Pending CN112461289A (zh) | 2020-10-27 | 2020-10-27 | 一种环网柜故障监控方法、***、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112461289A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113740776A (zh) * | 2021-08-17 | 2021-12-03 | 广州番禺电缆集团有限公司 | 电缆护层接地环流故障预测方法、装置、设备及储存介质 |
| CN113779328A (zh) * | 2021-08-11 | 2021-12-10 | 邹平市供电有限公司 | 供电监测数据整合处理方法、***、终端及存储介质 |
| CN114660399A (zh) * | 2022-02-28 | 2022-06-24 | 湖北拓普电力有限公司 | 一种环网柜设备状态监测及故障诊断方法 |
| CN115766400A (zh) * | 2022-12-26 | 2023-03-07 | 海南电网有限责任公司信息通信分公司 | 模型驱动和数据驱动相结合的链路故障诊断方法 |
| CN115913898A (zh) * | 2023-01-09 | 2023-04-04 | 浙江数思信息技术有限公司 | 一种基于机器学习算法的物联网终端故障诊断方法与介质 |
| CN116846080A (zh) * | 2023-07-13 | 2023-10-03 | 国网山东省电力公司聊城供电公司 | 基于数据分析的户外环网柜运行状态监管***及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109324270A (zh) * | 2018-08-07 | 2019-02-12 | 国网山东省电力公司淄博供电公司 | 一种高压开关柜智能在线监测*** |
| CN109343430A (zh) * | 2018-11-21 | 2019-02-15 | 宁波恒晨电力建设有限公司 | 配电网开关柜远程检测方法及*** |
| CN109459671A (zh) * | 2018-09-27 | 2019-03-12 | 国网浙江省电力有限公司湖州供电公司 | 一种基于遗传算法的改进神经网络的开关柜状态监测方法 |
| CN109614664A (zh) * | 2018-11-21 | 2019-04-12 | 宁波恒晨电力建设有限公司 | 配电网开关柜状态分析方法及*** |
| CN110794243A (zh) * | 2019-11-14 | 2020-02-14 | 南方电网科学研究院有限责任公司 | 一种直流***故障诊断方法、***以及设备 |
| CN111525694A (zh) * | 2020-05-08 | 2020-08-11 | 广东电网有限责任公司惠州供电局 | 一种基于物联网的开关柜智能标示装置及*** |
| CN111578999A (zh) * | 2020-05-25 | 2020-08-25 | 东北电力大学 | 一种环网柜的集成信息监控*** |
-
2020
- 2020-10-27 CN CN202011167852.1A patent/CN112461289A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109324270A (zh) * | 2018-08-07 | 2019-02-12 | 国网山东省电力公司淄博供电公司 | 一种高压开关柜智能在线监测*** |
| CN109459671A (zh) * | 2018-09-27 | 2019-03-12 | 国网浙江省电力有限公司湖州供电公司 | 一种基于遗传算法的改进神经网络的开关柜状态监测方法 |
| CN109343430A (zh) * | 2018-11-21 | 2019-02-15 | 宁波恒晨电力建设有限公司 | 配电网开关柜远程检测方法及*** |
| CN109614664A (zh) * | 2018-11-21 | 2019-04-12 | 宁波恒晨电力建设有限公司 | 配电网开关柜状态分析方法及*** |
| CN110794243A (zh) * | 2019-11-14 | 2020-02-14 | 南方电网科学研究院有限责任公司 | 一种直流***故障诊断方法、***以及设备 |
| CN111525694A (zh) * | 2020-05-08 | 2020-08-11 | 广东电网有限责任公司惠州供电局 | 一种基于物联网的开关柜智能标示装置及*** |
| CN111578999A (zh) * | 2020-05-25 | 2020-08-25 | 东北电力大学 | 一种环网柜的集成信息监控*** |
Non-Patent Citations (1)
| Title |
|---|
| 黄瑜珑: "高压开关柜智能化状态监测装置的研制", 《电工技术杂志》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113779328A (zh) * | 2021-08-11 | 2021-12-10 | 邹平市供电有限公司 | 供电监测数据整合处理方法、***、终端及存储介质 |
| CN113779328B (zh) * | 2021-08-11 | 2023-10-31 | 邹平市供电有限公司 | 供电监测数据整合处理方法、***、终端及存储介质 |
| CN113740776A (zh) * | 2021-08-17 | 2021-12-03 | 广州番禺电缆集团有限公司 | 电缆护层接地环流故障预测方法、装置、设备及储存介质 |
| CN113740776B (zh) * | 2021-08-17 | 2024-04-12 | 广州番禺电缆集团有限公司 | 电缆护层接地环流故障预测方法、装置、设备及储存介质 |
| CN114660399A (zh) * | 2022-02-28 | 2022-06-24 | 湖北拓普电力有限公司 | 一种环网柜设备状态监测及故障诊断方法 |
| CN115766400A (zh) * | 2022-12-26 | 2023-03-07 | 海南电网有限责任公司信息通信分公司 | 模型驱动和数据驱动相结合的链路故障诊断方法 |
| CN115913898A (zh) * | 2023-01-09 | 2023-04-04 | 浙江数思信息技术有限公司 | 一种基于机器学习算法的物联网终端故障诊断方法与介质 |
| CN115913898B (zh) * | 2023-01-09 | 2023-05-16 | 浙江数思信息技术有限公司 | 一种基于机器学习算法的物联网终端故障诊断方法与介质 |
| CN116846080A (zh) * | 2023-07-13 | 2023-10-03 | 国网山东省电力公司聊城供电公司 | 基于数据分析的户外环网柜运行状态监管***及方法 |
| CN116846080B (zh) * | 2023-07-13 | 2024-03-26 | 国网山东省电力公司聊城供电公司 | 基于数据分析的户外环网柜运行状态监管***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112461289A (zh) | 一种环网柜故障监控方法、***、终端及存储介质 | |
| CN109886475B (zh) | 基于ai的计量自动化***的信息安全态势感知*** | |
| CN111353911A (zh) | 电力设备运维方法、***、设备和存储介质 | |
| CN106549366B (zh) | 用电安全检测防护电路、开关设备或插座 | |
| CN108665186A (zh) | 基于计量自动化***的配变重过载停电监测方法及装置 | |
| CN104810921A (zh) | 基于配变终端信息的馈线断线停电范围识别***及方法 | |
| CN110456234B (zh) | 故障电弧的检测方法、装置和*** | |
| CN106837707B (zh) | 一种基于故障模型触发的自动故障诊断*** | |
| GB2476246A (en) | Diagnosing an operation mode of a machine | |
| CN110556920A (zh) | 一种配电自动化监测方法、***、终端及存储介质 | |
| CN110739637A (zh) | 一种输电线路监控方法、***、终端及存储介质 | |
| CN111426909A (zh) | 电缆老化检测方法、装置、计算机设备及存储介质 | |
| CN106773993A (zh) | 现场数据采集终端及*** | |
| CN114383652A (zh) | 一种配电网潜在故障在线风险辨识方法、***及装置 | |
| CN107944721A (zh) | 一种通用的基于数据挖掘的机器学习方法、装置以及*** | |
| CN114511147A (zh) | 一种线损监测预警方法、装置、设备及存储介质 | |
| CN106451791B (zh) | 供断电信息检测方法和*** | |
| CN108009063A (zh) | 一种电子设备故障阈值检测的方法 | |
| CN108037387B (zh) | 基于聚类归集的设备故障分析方法及装置 | |
| CN111062503B (zh) | 一种电网监控告警处理方法、***、终端及存储介质 | |
| CN103997126A (zh) | 一种基于开关量状态的故障诊断分级方法及*** | |
| CN112398226A (zh) | 一种供电***反窃电方法、***、终端及存储介质 | |
| CN108009582A (zh) | 一种电子设备标准工作指标设置的方法 | |
| CN116149226B (zh) | 一种基于数据分析的开关柜远程控制*** | |
| CN107977626A (zh) | 一种电子设备工作数据的分组方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210309 |
|
| RJ01 | Rejection of invention patent application after publication |