CN112731827B - 一种用于电力设备的智能传感器的监控*** - Google Patents
一种用于电力设备的智能传感器的监控*** Download PDFInfo
- Publication number
- CN112731827B CN112731827B CN202011447328.XA CN202011447328A CN112731827B CN 112731827 B CN112731827 B CN 112731827B CN 202011447328 A CN202011447328 A CN 202011447328A CN 112731827 B CN112731827 B CN 112731827B
- Authority
- CN
- China
- Prior art keywords
- sensor
- network
- data
- equipment
- module
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—Safety, monitoring
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24024—Safety, surveillance
-
- 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
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明提供了一种用于电力设备的智能传感器的监控***。包括:第一传感器,用于安装在第一设备上,包括组网模块,用于根据自身监控的第一设备属性、以及预先存储的对应故障的事件属性,与选择的多个关联的传感器组成第一网络;与所述第一传感器关联的多个传感器,部分数量的传感器与所述第一传感器用于安装在同一设备上,另一部分数量的传感器在所述第一设备相关联的多个设备上;第一传感器用于获得所述第一网络内的传感器的数据,根据事件属性分析所述获得的数据,确定故障发生的概率;用于按照故障发生概率是否符合阈值,选择是否将本次分析的数据通过汇聚节点传输至网络层的用户侧。本***可以实现降低云侧的数据压力,提升了云侧的分析和响应的效率。
Description
技术领域
本发明涉及电力技术领域,尤其涉及一种用于电力设备的智能传感器的监控***。
背景技术
在电力设备领域,特别是电网设备集中的区域,如火力、水力、核能、风能等能源设备聚集区域,通常含有大量的设备,这些设备需要人员进行安全检查,常见的检查,除人工巡检之外,还通过智能传感器自身发现当前运转的缺陷,并进行上报。
现有技术中,随着上报的数据越来越多,导致汇聚节点、或人机接口的显示方面,存在较多的数据量。这些数据量降低了人工的工作效率,提升的监控成本。
经上述的技术分析,现有技术中用于上报监控的数据较多,例如变频器相关的设备、变压器等,这些数据,包括温度、电流、电压波动、运行时间等,这些数据统一汇聚到物联网侧,由物联网侧的云平台根据之前的历史时间的数据分析,做出故障的预测判断,从而对受监控的设备进行干预,由于物联网侧的数据汇聚较多,容易出现云分析判断时间长,反馈到用户时间长,容易出现干预滞后的情况。
发明内容
本发明实施例提供了一种用于电力设备的智能传感器的监控***,以解决现有技术中数据长传过多,传输拥塞、用户干预措施滞后的缺陷。
本发明实施例提供一种用于电力设备的智能传感器的数据处理的监控***,包括:
第一传感器,用于安装在第一设备上,包括组网模块,用于根据自身监控的第一设备属性、以及预先存储的对应故障的事件属性,与选择的多个关联的传感器组成第一网络;
与所述第一传感器关联的多个传感器,部分数量的传感器与所述第一传感器用于安装在同一设备上,另一部分数量的传感器在所述第一设备相关联的多个设备上;
所述第一传感器,包括分析模块,用于获得所述第一网络内的传感器的数据,根据事件属性分析所述获得的数据,确定故障发生的概率;
所述第一传感器,包括决策模块,用于按照故障发生概率是否符合阈值,选择是否将本次分析的数据通过汇聚节点传输至网络层的用户侧。
优选地,所述第一传感器中的所述分析模块:
所述分析模块,用于在大数据中,预先根据与所述第一设备的同类设备故障时,采集的所述同类设备以及关联设备的多个用于监控的传感器数据,训练机器学习;
在预定时间内,从所述第一网络中,采集相关数据,并将所述采集的相关数据带入训练好的学习模型,确定故障发生的概率。
优选地,所述决策模块,用于当所述概率符合阈值,将所述本次分析的数据传输至网络层的用户侧,
还包括:
调整模块,用于当所述用户侧的反馈为不需要干涉,则调整所述学习模型的模型参数、以及剔除或新增所述第一网络内的所监控的设备的传感器;
所述模型参数包括:每个设备的电力物理参数以及拓扑参数。
优选地,所述第一传感器包括触发模块,用于在监测到数据高于阈值后,执行所述选择组成所述第一网络的步骤。
优选地,所述关联设备包括:与所述第一设备电气连接的电力设备。
优选地,所述第一传感器包括优先级模块:在设备属性、事件属性均含有设置的优先级;用于根据所述优先级选择相应的多个关联的传感器组成所述第一网络。
优选地,所述电力物理参数包括:每个传感器检测到的异常数据的持续时间、幅值、告警;
所述拓扑参数包括:节点、数量和连接关系;其中,所述第一网络的拓扑参数与所述机器学习中网络的拓扑参数相同;其中,所述机器学习中网络为所述同类故障设备和其关联设备组成网络。
优选地,所述第一传感器还包括告警模块,用于所述确定故障发生的概率后,告知用户根据故障概率的情况,更换元器件或进行检修。
优选地,所述第一设备为变压器、整流器、断路器、逆变器或电抗器。
通过上述的实施例的***,可以实现在传感器侧,对故障数据的初次判断,根据概率分析,对于概率较低的事件属性,确定为不容易出现问题,并将对应的数据丢弃;对于概率高过阈值的事件属性,根据自身和关联设备的传感器的数据进行分析,选择有可能产生故障的数据上传,并附着相应的事件属性。由于抛弃了一部分事件属性出现概率较低的数据,从而降低了云分析的数据压力,提升了数据分析的效率,以及维修响应的速度,降低了故障的风险。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一优选实施例的***结构框图;
图2为本发明的一个实施例中的第一传感器的结构框图;
图3是本发明应用在变压器上的***结构图框图;
图4是本发明应用在直流滤波器上的***结构框图。
具体实施方式
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作出创造性劳动前提下所获取的所有其他实施例,都属于本发明保护的范围。
参见图1,图1是本发明实施例的结构框图,包括:
第一传感器,内有组网模块,用于安装在第一设备上,根据自身监控的第一设备属性、以及预先存储的对应故障的事件属性,与选择的多个关联的传感器组成第一网络;
与所述第一传感器关联的多个传感器,部分数量的传感器与所述第一传感器用于安装在同一设备上,另一部分数量的传感器在所述第一设备相关联的多个设备上;
优选地,可采用zigbee协议方式组网,在短时间可实现不同数量的传感器的任意组网,形成第一网络;如第一设备为变压器,其属性为功能,用于调压。
所述第一传感器,包括分析模块,用于获得所述第一网络内的传感器的数据,根据事件属性分析所述获得的数据,确定故障发生的概率;
事件均为故障事件,如变压器故障、逆变器故障、整流器故障等。事件的属性,包括更换、维修、保养、检修等。
分析过程,可根据预先设置的阈值,分析每个采集的数据与阈值之间的差距,分析是否异常,通过多个传感器采集的数据,确定每类数据是否异常,总体得出每个事件属性出现的概率。
例如,对于更换器件、和保养器件,采集的数据会有所不同,且数据的异常值,也不同。在计算出现的概率时,计算标准也不同,如在保养时,温度偏差2度,形变超过1毫米,以前其他检测的数据中,80%的出现的幅值超过2%,即可认为需要保养的概率为0.8;
在更换器件时,相关的传感器中50%的器件出现的幅值波动超过阈值,即认为需要更换的概率为1。
概率的计算,可以采用给每个传感器器在不同事件的属性中,赋予不同的权重,计算概率时,有多种方式,最常用的如均值、贝叶斯模型等。
所述第一传感器,包括决策模块,用于按照故障发生概率是否符合阈值,选择是否将本次分析的数据通过汇聚节点传输至网络层的用户侧。
不同设备的故障事件,可以采用不同的事件属性进行处理,以实现更好的电力设备的寿命延续。
通过上述的实施例的***,可以实现在传感器侧,对故障数据的初次判断,根据概率分析,对于概率较低的事件属性,确定为不容易出现问题,并将对应的数据丢弃;对于概率高过阈值的事件属性,根据自身和关联设备的传感器的数据进行分析,选择有可能产生故障的数据上传,并附着相应的事件属性。由于抛弃了一部分事件属性出现概率较低的数据,从而降低了云分析的数据压力,提升了数据分析的效率,以及维修响应的速度,降低了故障的风险。
对于需要维修、保养的事件属性,可以将概率值调节为较低的数值,如0.6;以增加保养、和维修的次数,从而实现在适当的时机进行保养,以提升设备运转的状态;对于需要停产,实现元器件更换的事件属性,则需要将概率值提升,如0.95以上,以降低错误识别。
优选地,参见图2,所述第一传感器的结构包括:分析模块,用于在大数据中,预先根据与所述第一设备的同类设备故障时,采集的所述同类设备以及关联设备的多个用于监控的传感器数据,训练机器学习;
这些大数据,为各个省市电力公司、各个相同或同类设备的数据样本,包括该故障设备(即第一设备)在故障时,自身的数据变化,以及关联设备的数据变化。例如,当变压器的数据变化,并出现故障时,以及故障之前,采集一段时间的数据,如需要采集变压器自身的数据变化,如油温、气体、电流、噪声、振动等;除此之外,还需要采集关联设备的数据变化,如与变压器连接的断路器、继电器、母线等电力设备上的参数变化,如谐波、发热等,特别是变压器故障时,关联设备的谐波和温度通常都会出现波动。这点也验证了关联的电力设备之间的故障传递和故障反应。
采用的机器学习的算法很多,如SVM、或神经网络算法等,均可以实现,用于训练机器学习模型。特别是对于有些视频监控的数据,卷积神经网络更利于分析,如出现的螺丝松动、火花、机械形变、专家经验决策等。
在预定时间内,从所述第一网络中,采集相关的传感器检测到的数据,并将所述采集的相关数据带入训练好的学习模型,确定故障发生的概率。
优选地,上述实施例中的监控***,决策模块:用于当所述概率符合阈值,将所述本次分析的数据传输至网络层的用户侧,所述监控***还包括:
调整模块,当所述用户侧的反馈为不需要干涉,则调整所述学习模型的模型参数、以及剔除或新增所述第一网络内的所监控的设备的传感器;
所述模型参数包括:每个设备的电力物理参数以及拓扑参数。优选地,所述电力物理参数包括:每个传感器检测到的异常数据的持续时间、幅值、告警等。
以上的调整,可以根据用户的经验,或专家组的经验,依据电力设备的电器特性,做相应调整,甚至还可以进一步地重新进行训练机器模型,如去除一些无关的参数的传感器参数,增加一些新的传感器,采集更适合的参数,如将电流参数替换为电压参数,将采集的持续时间由5毫秒,调整为10毫秒,将幅值从±30V波动,调整为±15V波动就进行采集等。
将调整后的参数、传感器的位置、及数量,用于重新训练机器模型,以贴合后期的用户侧的反馈情况,减少人员干涉的调整。
优选地,在实施例中,为了能实现关联设备在对故障数据的处理,体现关联关系。以克服现有技术中关联关系不明显,不能体现关联设备的传感器的数据变化与第一设备的故障变化发展之间的关联关系的缺陷。为此,本申请在训练机器模型中,限制了关联设备和第一设备之间的关联属性的参数。
在关联设备和第一设备安装时,记载安装的拓扑参数,为减少随机事件的影响,只选择第一设备直接相连的设备,如对于直流滤波器作为第一设备,其关联设备的主要设备只有逆变器和整流器。将这样的设备在电网中的安装位置参数、电器特性参数(如用于中压范围还是中高压范围)等,这些参数表征为向量参数,以及各自作为节点的位置关系、连接关系等。
在训练机器模型时,所述第一网络的拓扑参数与所述机器学习中网络的拓扑参数相同;其中,所述机器学习中网络为所述同类故障设备和其关联设备组成网络。
通过这样的设置,在训练机器模型时,可以将机器学习中的网络更贴近后续分析的第一网络,由于两个网络参数的近乎一致,即使稍有偏差也不影响训练结果和后续分析故障概率的准确性。这个偏差本领域技术人员可以根据实际情况予以掌握,两个网络内的设备是否实质上相同。
采用这样的网络,检测到设备的故障时的当前参数异常,以及前后一段时间内的参数异常,由于训练模型中的网络与第一网络中的设备的拓扑结构相同,可以实现训练后的模型,检测出设备的不同事件属性下的,第一设备和关联设备的异常数据,对于设备的影响,以及对不同的事件属性,发生的概率影响。用户在收到这些概率分析后,可以进一步决定对元器件进行更换、还是保养维护、检修等操作。
优选地,所述第一传感器,还包括:告警模块,用于第一传感器确定故障发生的概率后,在概率高于阈值时,告知用户根据故障概率的情况,更换元器件或进行检修。概率低于阈值时,不作数据上报。
优选地,所述第一传感器,还包括:触发模块,用于在进行组网监控时,可定时监测不同属性的事件,进行组网分析;还可以在第一传感器监测到数据高于阈值后,触发组网模块执行所述选择组成所述第一网络的步骤。第一传感器为当前设备内安装的传感器。
所述第一传感器还包括优先级模块,用于不同的事件属性监测时,如果出现在同一时刻监测,则根据设备的属性、事件的属性的优先级,确定先对哪个类型的事件进行监控。用于根据所述优先级选择相应的多个关联的传感器组成所述第一网络。
从而实现对监控流程上起到更好的监控顺序。
综上,本发明的实施例可以实现对多监测数据的传感器、以及关联设备的数据,共同分析设备事件的多个属性发生的概率,从而实现对设备的监控,且由于监控数据的训练模型,所采用的网络数据,与第一网络的设备为相同或实质相同的设备数据。从而更有效的分析出来,各个设备与当前设备之间的传感器数据的相关性。在训练模型实际使用中,有更好的分析效果,对故障有更好的预判。并通过用户的干涉,进一步降低了无效数据的采集,从而使监控网络随着使用时间的延长,分析的更精准,降低了汇聚节点上传数据的压力。同时提升了设备维护周期的精确时间,与定期维护相比,也降低了成本。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,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以权利要求的保护范围为准。
Claims (6)
1.一种用于电力设备的智能传感器的监控***,其特征在于,包括:
第一传感器,用于安装在第一设备上,包括组网模块,用于根据自身监控的第一设备属性、以及预先存储的对应故障的事件属性,与选择的多个关联的传感器组成第一网络;
与所述第一传感器关联的多个传感器,部分数量的传感器与所述第一传感器用于安装在同一设备上,另一部分数量的传感器在所述第一设备相关联的多个设备上;
所述第一传感器,包括分析模块,用于获得所述第一网络内的传感器的数据,根据事件属性分析所述获得的数据,确定故障发生的概率;所述分析模块,用于在大数据中,预先根据与所述第一设备的同类设备故障时,采集的所述同类设备以及关联设备的多个用于监控的传感器数据,训练机器学习;在预定时间内,从所述第一网络中,采集相关数据,并将所述采集的相关数据带入训练好的学习模型,确定故障发生的概率,
所述第一传感器,包括决策模块,用于按照故障发生概率是否符合阈值,选择是否将本次分析的数据通过汇聚节点传输至网络层的用户侧,所述决策模块,用于当所述概率符合阈值,将所述本次分析的数据传输至网络层的用户侧,对于概率较低的事件属性,确定为不容易出现问题,并将对应的数据丢弃;
还包括:调整模块,用于当所述用户侧的反馈为不需要干涉,则调整所述学习模型的模型参数、以及剔除或新增所述第一网络内的所监控的设备的传感器;所述模型参数包括:每个设备的电力物理参数以及拓扑参数,所述第一传感器包括触发模块,用于在监测到数据高于阈值后,触发zigbee组网模块执行所述选择组成所述第一网络;
所述电力物理参数包括:每个传感器检测到的异常数据的持续时间、幅值、告警;所述拓扑参数包括:节点、数量和连接关系;其中,所述第一网络的拓扑参数与所述机器学习中网络的拓扑参数相同;其中,所述机器学习中网络为所述同类故障设备和其关联设备组成网络。
2.根据权利要求1所述的监控***,其特征在于,所述关联设备包括:与所述第一设备电气连接的电力设备。
3.根据权利要求1所述的监控***,其特征在于,所述第一传感器包括优先级模块:
在设备属性、事件属性均含有设置的优先级;
用于根据所述优先级选择相应的多个关联的传感器组成所述第一网络。
4.根据权利要求1所述的监控***,其特征在于,所述电力物理参数包括:每个传感器检测到的异常数据的持续时间、幅值、告警;
所述拓扑参数包括:节点、数量和连接关系;其中,所述第一网络的拓扑参数与所述机器学习中网络的拓扑参数相同;其中,所述机器学习中网络为所述同类故障设备和其关联设备组成网络。
5.根据权利要求4所述的监控***,其特征在于,所述第一传感器还包括告警模块,用于所述确定故障发生的概率后,告知用户根据故障概率的情况,更换元器件或进行检修。
6.根据权利要求1所述的监控***,其特征在于,所述第一设备为变压器、整流器、断路器、逆变器或电抗器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011447328.XA CN112731827B (zh) | 2020-12-11 | 2020-12-11 | 一种用于电力设备的智能传感器的监控*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011447328.XA CN112731827B (zh) | 2020-12-11 | 2020-12-11 | 一种用于电力设备的智能传感器的监控*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112731827A CN112731827A (zh) | 2021-04-30 |
CN112731827B true CN112731827B (zh) | 2022-07-08 |
Family
ID=75599247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011447328.XA Active CN112731827B (zh) | 2020-12-11 | 2020-12-11 | 一种用于电力设备的智能传感器的监控*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112731827B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112699104B (zh) * | 2020-12-11 | 2023-04-07 | 国网宁夏电力有限公司吴忠供电公司 | 一种电力设备的智能传感器的数据处理方法及智能传感器 |
CN116118511B (zh) * | 2023-04-18 | 2023-07-07 | 中国第一汽车股份有限公司 | 电动车辆的动力电池断电功能的安全监控方法和装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108574691A (zh) * | 2017-03-09 | 2018-09-25 | 通用电气公司 | 用于保护电力网控制***的***、方法以及计算机可读介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150066431A1 (en) * | 2013-08-27 | 2015-03-05 | General Electric Company | Use of partial component failure data for integrated failure mode separation and failure prediction |
CN107065605B (zh) * | 2017-01-22 | 2019-03-22 | 苏州利盛欣信息科技有限公司 | 一种故障诊断及报警方法 |
CN108171953B (zh) * | 2018-02-09 | 2018-11-20 | 广东科源电气有限公司 | 电力变压器的无线传感器网络测控装置 |
US20200210824A1 (en) * | 2018-12-28 | 2020-07-02 | Utopus Insights, Inc. | Scalable system and method for forecasting wind turbine failure with varying lead time windows |
CN111736566A (zh) * | 2019-03-25 | 2020-10-02 | 南京智能制造研究院有限公司 | 一种基于机器学习与边缘计算的远程设备健康预测方法 |
CN110690699B (zh) * | 2019-07-30 | 2022-03-18 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于泛在电力物联网的变电站智慧检测*** |
CN110942221A (zh) * | 2019-08-02 | 2020-03-31 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于物联网的变电站故障快速修复方法 |
CN111650921A (zh) * | 2020-05-20 | 2020-09-11 | 国网江苏省电力有限公司泰州供电分公司 | 一种智能电网调控控制***设备故障诊断方法及*** |
-
2020
- 2020-12-11 CN CN202011447328.XA patent/CN112731827B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108574691A (zh) * | 2017-03-09 | 2018-09-25 | 通用电气公司 | 用于保护电力网控制***的***、方法以及计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112731827A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112731827B (zh) | 一种用于电力设备的智能传感器的监控*** | |
CN104038371B (zh) | 一种电力通信传输网自适应性能采集方法 | |
CN116069079B (zh) | 一种智能开关柜的散热智能控制方法及*** | |
CN102231521B (zh) | 一种配电网自愈控制中的电网运行状态辨识方法 | |
CN108627720B (zh) | 一种基于贝叶斯算法的电力设备状态监测方法 | |
CN110443037B (zh) | 一种基于改进ahp方法的电力监控网络安全态势感知方法 | |
EP2810134B1 (en) | Monitoring of primary devices in a power system | |
CN106961349A (zh) | 一种基于数据融合的传感器故障识别***及方法 | |
CN104951900A (zh) | 一种励磁调节器及其电力***稳定器的性能评估装置 | |
CN105634796A (zh) | 一种网络设备故障预测及诊断方法 | |
CN111398723A (zh) | 一种变压器故障智能诊断的模型方法 | |
CN108051672A (zh) | 一种电力设备安全监测***及监测方法 | |
CN104486101A (zh) | 一种在线电力远动iec104传输异常检测方法 | |
CN110621003B (zh) | 一种电气设备故障诊断装置 | |
CN106372816A (zh) | 一种基于贝叶斯推理的变电站二次***故障评估方法 | |
CN113777434A (zh) | 一种故障监测方法、装置及供配电*** | |
CN112699104B (zh) | 一种电力设备的智能传感器的数据处理方法及智能传感器 | |
CN105471278B (zh) | 应用于变流器中的辅助控制装置及变流器*** | |
CN117614140A (zh) | 一种配电设备运行监控***及其方法 | |
CN105515203B (zh) | 一种变电主站与从站之间的预警与控制*** | |
CN104682565A (zh) | 电网信息自动采集监控*** | |
CN113418632B (zh) | 一种油浸式变压器油温预测的概念漂移检测方法 | |
Gao et al. | The diagnosis of wired network malfunctions based on big data and traffic prediction: An overview | |
CN118137679B (zh) | 变电站安全智慧管控集成*** | |
CN118348946A (zh) | 一种220v直流***故障诊断方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230329 Address after: 751199 Nanhuan Road, Wuzhong City, Ningxia Hui Autonomous Region Patentee after: STATE GRID NINGXIA ELECTRIC POWER COMPANY WUZHONG POWER SUPPLY CO. Patentee after: STATE GRID NINGXIA ELECTRIC POWER Co.,Ltd. Address before: 751100 Wuzhong Road, Litong District, Wuzhong City, the Ningxia Hui Autonomous Region Patentee before: STATE GRID NINGXIA ELECTRIC POWER COMPANY WUZHONG POWER SUPPLY CO. |