CN113191074B - 一种用于数据中心的机房供电参数检测方法 - Google Patents
一种用于数据中心的机房供电参数检测方法 Download PDFInfo
- Publication number
- CN113191074B CN113191074B CN202110396105.3A CN202110396105A CN113191074B CN 113191074 B CN113191074 B CN 113191074B CN 202110396105 A CN202110396105 A CN 202110396105A CN 113191074 B CN113191074 B CN 113191074B
- Authority
- CN
- China
- Prior art keywords
- power supply
- machine room
- parameters
- preset
- target power
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 230000002159 abnormal effect Effects 0.000 claims abstract description 37
- 238000010586 diagram Methods 0.000 claims abstract description 33
- 238000012423 maintenance Methods 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims description 42
- 238000011156 evaluation Methods 0.000 claims description 39
- 230000011218 segmentation Effects 0.000 claims description 20
- 238000010248 power generation Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 10
- 238000012935 Averaging Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000032683 aging Effects 0.000 claims description 4
- 238000010937 topological data analysis Methods 0.000 claims description 4
- AFSYRVDDZGJTIL-UHFFFAOYSA-N oxydibutanol Chemical compound CC(O)CCOCCC(C)O AFSYRVDDZGJTIL-UHFFFAOYSA-N 0.000 claims 2
- 230000002035 prolonged effect Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 12
- 230000005251 gamma ray Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于数据中心的机房供电参数检测方法,包括:获取机房供电拓扑关系数据,根据所述机房供电拓扑关系数据生成机房供电拓扑关系图;获取所述机房供电拓扑关系图中的目标供电设备,并为所述目标供电设备配置供电参数检测节点;接收所述供电参数检测节点发送的相对应的目标供电设备的供电参数,将所述供电参数分别与目标供电设备相对应的标准供电参数进行比对,根据比对结果确定目标供电设备的所述供电参数为异常参数时,在所述机房供电拓扑关系图中标记目标供电设备并进行第一报警提示。有益效果:通过对供电参数进行比对,保证了检测结果的准确性,通过对故障供电设备进行标记,保证了维修的及时性,减少了用户的财产损失。
Description
技术领域
本发明涉及机房监控技术领域,具体涉及一种用于数据中心的机房供电参数检测方法。
背景技术
随着信息化技术的飞速发展,随着智慧城市的逐步推出,为保障信息化建设的需要,需要建立大量的中心机房,机房内的设备成为信息化建设必要的支撑,如果机房设备运行不稳定甚至经常发生故障,将造成较大的直接的及间接的经济损失,以保障机房设备稳定运行,成为信息化建设的一个重点。
要保证机房设备稳定运行,供电设备的工作状态是重中之重,在现有技术中,对供电参数没有智能化的分析管理,在供电参数发生异常时,不能够及时的报警,且不能知道发生故障的供电设备的位置信息,往往造成巨大的经济损失。
发明内容
本发明旨在至少一定程度上解决上述技术中的技术问题之一。为此,本发明的第一个目的在于提出一种用于数据中心的机房供电参数检测方法,通过对供电参数进行比对,保证了检测结果的准确性,通过对故障供电设备进行标记,保证了维修的及时性,减少了用户的财产损失。
为达到上述目的,本发明实施例提出了一种用于数据中心的机房供电参数检测方法,包括:
获取机房供电拓扑关系数据,根据所述机房供电拓扑关系数据生成机房供电拓扑关系图;
获取所述机房供电拓扑关系图中的目标供电设备,并为所述目标供电设备配置供电参数检测节点;其中,一个目标供电设备配置一个供电参数检测节点;
接收所述供电参数检测节点发送的相对应的目标供电设备的供电参数,将所述供电参数分别与目标供电设备相对应的标准供电参数进行比对,得到比对结果,根据比对结果确定目标供电设备的所述供电参数为异常参数时,在所述机房供电拓扑关系图中标记目标供电设备并进行第一报警提示,同时将所述供电参数检测节点发送的相对应的目标供电设备的供电参数存储至磁盘中。
进一步地,所述获取机房供电拓扑关系数据,根据机房供电拓扑关系数据生成机房供电拓扑关系图,包括:
所述机房供电拓扑关系数据包括机房电网的第一运行数据及机房GIS地图;
对所述第一运行数据基于数据核对算法进行处理,得到第二运行数据,对所述第二运行数据基于网络拓扑分析算法进行拓扑分析,得到拓扑分析结果;
根据所述机房GIS地图与所述拓扑分析结果生成机房供电拓扑关系图。
进一步地,所述为所述目标供电设备配置供电参数检测节点,包括:
获取目标供电设备在所述机房供电拓扑关系图中的位置信息,根据所述位置信息为所述目标供电设备配置供电参数检测节点。
进一步地,所述将所述供电参数分别与目标供电设备相对应的标准供电参数进行比对,得到比对结果,包括:
获取目标供电设备的设备类型;
根据所述设备类型查询预设的设备类型-标准供电参数表,得到相对应标准供电参数;
将所述供电参数与标准供电参数进行比对,得到比对结果。
进一步地,所述供电参数包括第一发电量、第一有功功率、第一功率因数、第一视在功率;
所述标准供电参数包括第二发电量、第二有功功率、第二功率因数、第二视在功率。
进一步地,所述根据比对结果确定所述供电参数为异常参数,包括:
计算所述第一发电量与第二发电量的第一差值绝对值,判断所述第一差值绝对值是否在预设第一差值范围内,在确定所述第一差值绝对值不在预设第一差值范围内时,确定所述供电参数为异常参数;
或
计算所述第一有功功率与第二有功功率的第二差值绝对值,判断所述第二差值绝对值是否在预设第二差值范围内,在确定所述第二差值绝对值不在预设第二差值范围内时,确定所述供电参数为异常参数;
或
计算所述第一功率因数与第二功率因数的第三差值绝对值,判断所述第三差值绝对值是否在预设第二差值范围内,在确定所述第三差值绝对值不在预设第三差值范围内时,确定所述供电参数为异常参数;
或
计算所述第一视在功率与第二视在功率的第四差值绝对值,判断所述第四差值绝对值是否在预设第四差值范围内,在确定所述第四差值绝对值不在预设第四差值范围内时,确定所述供电参数为异常参数。
进一步地,用于数据中心的机房供电参数检测方法,还包括:
从所述磁盘中提取出为异常参数的历史供电参数,提取所述历史供电参数的特征信息,将所述历史供电参数的特征信息作为自组织映射神经网络的输入进行聚类,得到若干个历史供电参数集,并根据所述特征信息得到相对应的所述历史供电参数集的第一故障类型;
根据所述第一故障类型生成第一故障文本,对所述第一故障文本进行分词处理,得到若干个第一分词,分别对所述若干个第一分词进行向量化处理,得到若干个第一分词向量,对所述若干个第一分词向量求和后取平均值,得到第一故障向量;
建立基于深度学***均值,得到第二故障向量,根据预设损失函数计算所述第一故障向量与第二故障向量的误差值,并判断所述误差值是否小于预设误差值,在确定所述误差值小于预设误差值时,训练结束,得到训练好的故障识别模型;
将比对结果为异常参数的供电参数输入训练好的故障识别模型中,输出第三故障类型;
根据第三故障类型查询预设的故障类型-解决方案表,获取相对应的解决方案并发送至维修人员终端。
进一步地,用于数据中心的机房供电参数检测方法,还包括:
获取目标供电设备信息;
根据所述目标供电设备信息计算所述目标供电设备的剩余使用寿命评价值,并判断所述剩余使用寿命评价值否小于预设剩余使用寿命评价值,在确定所述剩余使用寿命评价值小于预设剩余使用寿命评价值时,在所述机房供电拓扑关系图中标记目标供电设备并进行第二报警提示。
进一步地,所述根据所述目标供电设备信息计算所述目标供电设备的剩余使用寿命评价值,包括:
计算所述目标供电设备的健康系数K,如公式(1)所示:
其中,ζ为所述目标供电设备的性能系数;λ为所述目标设备的疲劳系数;N为所述目标供电设备的历史维修次数;Mi为第i次维修时,所述目标供电设备的损坏程度;χ为所述目标供电设备的老化系数;t为所述目标供电设备的供电时长;D为所述目标供电设备的出厂寿命;
根据所述目标供电设备的健康系数K,计算所述目标供电设备的剩余使用寿命评价值S,如公式(2)所示:
其中,α为所述目标供电设备的稳定性因子;γ1为所述目标供电设备性能受外部环境影响的衰减系数;γ2为所述目标供电设备性能受内部影响的衰减系数;Z为所述目标供电设备性能的自然衰减系数。
进一步地,所述将所述供电参数检测节点发送的相对应的目标供电设备的供电参数存储至磁盘前,还包括:
获取所述磁盘的工作信息;
根据所述工作信息计算所述磁盘的故障率,并判断所述故障率是否大于预设故障率,在确定所述故障率大于预设故障率时,将所述供电参数检测节点发送的相对应的目标供电设备的供电参数存储至备用磁盘中;
所述根据所述工作信息计算所述磁盘的故障率,包括:
计算所述磁盘在预设时间T内,实际消耗的能量E1,如公式(3)所示:
E1=(P×T+E2×n1+E3×n2)×3.14d×ρ×ω (3)
其中,P为所述磁盘的运作功率;E2为所述磁盘启动需要的能量;n1为所述磁盘在预设时间T内启动的次数;E3为所述磁盘停转时需要的能量;n2为所述磁盘在预设时间T内停转的次数;d为所述磁盘的最内圈直径;ρ为所述磁盘的位密度;ω为所述磁盘在预设时间T内的平均转速;
根据所述磁盘在预设时间T内,实际消耗的能量E1,计算所述磁盘的故障率β,如公式(4)所示:
其中,τ为所述磁盘的可靠性系数;e为自然常数;R为磁盘空间的有效利用率;C1为所述磁盘已存储的供电参数的数据量;C2为所述磁盘的总容量;E4为所述磁盘在预设时间T内,预设消耗的能量。
本发明的有益效果:通过对供电参数进行比对,保证了检测结果的准确性,通过获取的机房供电拓扑关系图,在所述机房供电拓扑关系图中对故障供电设备进行标记,可以准确的、直观的看到故障供电设备的位置信息,保证了维修人员维修的及时性,减少了用户的财产损失。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明一实施例的一种用于数据中心的机房供电参数检测方法的流程图;
图2为本发明一实施例的生成机房供电拓扑关系图的的流程图;
图3为本发明一实施例的获取供电参数与标准供电参数的比对结果的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
下面参考图1至图3来描述本发明实施例提出的一种用于数据中心的机房供电参数检测方法。
如图1所示,一种用于数据中心的机房供电参数检测方法包括:
S1:获取机房供电拓扑关系数据,根据所述机房供电拓扑关系数据生成机房供电拓扑关系图;
S2:获取所述机房供电拓扑关系图中的目标供电设备,并为所述目标供电设备配置供电参数检测节点;其中,一个目标供电设备配置一个供电参数检测节点;
S3:接收所述供电参数检测节点发送的相对应的目标供电设备的供电参数,将所述供电参数分别与目标供电设备相对应的标准供电参数进行比对,得到比对结果,根据比对结果确定目标供电设备的所述供电参数为异常参数时,在所述机房供电拓扑关系图中标记目标供电设备并进行第一报警提示,同时将所述供电参数检测节点发送的相对应的目标供电设备的供电参数存储至磁盘中。
上述方案的工作原理:获取机房供电拓扑关系数据,根据所述机房供电拓扑关系数据生成机房供电拓扑关系图;获取所述机房供电拓扑关系图中的目标供电设备,并为所述目标供电设备配置供电参数检测节点;其中,一个目标供电设备配置一个供电参数检测节点;接收所述供电参数检测节点发送的相对应的目标供电设备的供电参数,将所述供电参数分别与目标供电设备相对应的标准供电参数进行比对,得到比对结果,根据比对结果确定目标供电设备的所述供电参数为异常参数时,在所述机房供电拓扑关系图中标记目标供电设备并进行第一报警提示,同时将所述供电参数检测节点发送的相对应的目标供电设备的供电参数存储至磁盘中。
上述方案的有益效果:通过机房供电关系图,为目标供电设备配置供电参数检测节点,建立的目标供电设备与检测检点的一一对应关系,将检测检测节点检测的供电参数与相对应的标准供电参数进行比对,得到比对结果,保证了供电参数检测结果的精确性,在供电参数为异常参数时,将所述目标供电设备在所述机房供电拓扑关系图中标记并进行第一报警提示,提醒维修人员及时维修,保证了维修的及时性,避免了因维修不及时造成重大的财产损失,提高了用户的体验感,增加了本方法的实用性。
如图2所示,根据本发明的一些实施例,所述获取机房供电拓扑关系数据,根据机房供电拓扑关系数据生成机房供电拓扑关系图,包括:
S201:所述机房供电拓扑关系数据包括机房电网的第一运行数据及机房GIS地图;
S202:对所述第一运行数据基于数据核对算法进行处理,得到第二运行数据,对所述第二运行数据基于网络拓扑分析算法进行拓扑分析,得到拓扑分析结果;
S203:根据所述机房GIS地图与所述拓扑分析结果生成机房供电拓扑关系图。
上述方案的工作原理:所述机房供电拓扑关系数据包括机房电网的第一运行数据及机房GIS地图;对所述第一运行数据基于数据核对算法进行处理,得到第二运行数据,对所述第二运行数据基于网络拓扑分析算法进行拓扑分析,得到拓扑分析结果;根据所述机房GIS地图与所述拓扑分析结果生成机房供电拓扑关系图。GIS,全称:GeographicInformation Science,地理信息科学的缩写。它是在计算机硬、软件***支持下,对整个或部分地球表层(包括大气层)空间中的有关地理分布数据进行采集、储存、管理、运算、分析、显示和描述的技术***。
上述方案的有益效果:先将电网运行数据通过网络拓扑分析算法进行网络拓扑关系的分析,然后根据网络拓扑关系分析的结果在GIS地图上绘制电网供电路径图,以实现在企业中台微服务架构下,通过调用GIS服务在地图上绘制比较直观的用户供电路径图,操作方便、简单。
根据本发明的一些实施例,所述为所述目标供电设备配置供电参数检测节点,包括:
获取目标供电设备在所述机房供电拓扑关系图中的位置信息,根据所述位置信息为所述目标供电设备配置供电参数检测节点。
上述方案的工作原理:获取目标供电设备在所述机房供电拓扑关系图中的位置信息,根据所述位置信息为所述目标供电设备配置供电参数检测节点。
上述方案的有益效果:根据位置信息建立目标供电设备与供电参数检测节点的一一对应关系,保证最后检测结果的准确性。
如图3所示,根据本发明的一些实施例,所述将所述供电参数分别与目标供电设备相对应的标准供电参数进行比对,得到比对结果,包括:
S301:获取目标供电设备的设备类型;
S302:根据所述设备类型查询预设的设备类型-标准供电参数表,得到相对应标准供电参数;
S303:将所述供电参数与标准供电参数进行比对,得到比对结果。
上述方案的工作原理:获取目标供电设备的设备类型;根据所述设备类型查询预设的设备类型-标准供电参数表,得到相对应标准供电参数;将所述供电参数与标准供电参数进行比对,得到比对结果。
上述方案的有益效果:根据目标供电设备的设备类型获取相对应的标准供电参数,保证最后检测结果的精确性。
根据本发明的一些实施例,所述供电参数包括第一发电量、第一有功功率、第一功率因数、第一视在功率;
所述标准供电参数包括第二发电量、第二有功功率、第二功率因数、第二视在功率。
上述方案的工作原理:所述供电参数包括第一发电量、第一有功功率、第一功率因数、第一视在功率;所述标准供电参数包括第二发电量、第二有功功率、第二功率因数、第二视在功率。
根据本发明的一些实施例,所述根据比对结果确定所述供电参数为异常参数,包括:
计算所述第一发电量与第二发电量的第一差值绝对值,判断所述第一差值绝对值是否在预设第一差值范围内,在确定所述第一差值绝对值不在预设第一差值范围内时,确定所述供电参数为异常参数;
或
计算所述第一有功功率与第二有功功率的第二差值绝对值,判断所述第二差值绝对值是否在预设第二差值范围内,在确定所述第二差值绝对值不在预设第二差值范围内时,确定所述供电参数为异常参数;
或
计算所述第一功率因数与第二功率因数的第三差值绝对值,判断所述第三差值绝对值是否在预设第二差值范围内,在确定所述第三差值绝对值不在预设第三差值范围内时,确定所述供电参数为异常参数;
或
计算所述第一视在功率与第二视在功率的第四差值绝对值,判断所述第四差值绝对值是否在预设第四差值范围内,在确定所述第四差值绝对值不在预设第四差值范围内时,确定所述供电参数为异常参数。
上述方案的工作原理:计算所述第一发电量与第二发电量的第一差值绝对值,判断所述第一差值绝对值是否在预设第一差值范围内,在确定所述第一差值绝对值不在预设第一差值范围内时,确定所述供电参数为异常参数;计算所述第一有功功率与第二有功功率的第二差值绝对值,判断所述第二差值绝对值是否在预设第二差值范围内,在确定所述第二差值绝对值不在预设第二差值范围内时,确定所述供电参数为异常参数;计算所述第一功率因数与第二功率因数的第三差值绝对值,判断所述第三差值绝对值是否在预设第二差值范围内,在确定所述第三差值绝对值不在预设第三差值范围内时,确定所述供电参数为异常参数;计算所述第一视在功率与第二视在功率的第四差值绝对值,判断所述第四差值绝对值是否在预设第四差值范围内,在确定所述第四差值绝对值不在预设第四差值范围内时,确定所述供电参数为异常参数。
上述方案的有益效果:通过对第一发电量、第一有功功率、第一功率因数、第一视在功率、第二发电量、第二有功功率、第二功率因数、第二视在功率的计算,精确的筛选出了供电参数中的异常参数,提高了供电参数检测结果的精确性,增加了本方法的实用性。
根据本发明的一些实施例,一种用于数据中心的机房供电参数检测方法,还包括:
从所述磁盘中提取出为异常参数的历史供电参数,提取所述历史供电参数的特征信息,将所述历史供电参数的特征信息作为自组织映射神经网络的输入进行聚类,得到若干个历史供电参数集,并根据所述特征信息得到相对应的所述历史供电参数集的第一故障类型;
根据所述第一故障类型生成第一故障文本,对所述第一故障文本进行分词处理,得到若干个第一分词,分别对所述若干个第一分词进行向量化处理,得到若干个第一分词向量,对所述若干个第一分词向量求和后取平均值,得到第一故障向量;
建立基于深度学***均值,得到第二故障向量,根据预设损失函数计算所述第一故障向量与第二故障向量的误差值,并判断所述误差值是否小于预设误差值,在确定所述误差值小于预设误差值时,训练结束,得到训练好的故障识别模型;
将比对结果为异常参数的供电参数输入训练好的故障识别模型中,输出第三故障类型;
根据第三故障类型查询预设的故障类型-解决方案表,获取相对应的解决方案并发送至维修人员终端。
上述方案的工作原理:从所述磁盘中提取出为异常参数的历史供电参数,提取所述历史供电参数的特征信息,将所述历史供电参数的特征信息作为自组织映射神经网络的输入进行聚类,得到若干个历史供电参数集,并根据所述特征信息得到相对应的所述历史供电参数集的第一故障类型;根据所述第一故障类型生成第一故障文本,对所述第一故障文本进行分词处理,得到若干个第一分词,分别对所述若干个第一分词进行向量化处理,得到若干个第一分词向量,对所述若干个第一分词向量求和后取平均值,得到第一故障向量;建立基于深度学***均值,得到第二故障向量,根据预设损失函数计算所述第一故障向量与第二故障向量的误差值,并判断所述误差值是否小于预设误差值,在确定所述误差值小于预设误差值时,训练结束,得到训练好的故障识别模型;将比对结果为异常参数的供电参数输入训练好的故障识别模型中,输出第三故障类型;根据第三故障类型查询预设的故障类型-解决方案表,获取相对应的解决方案并发送至维修人员终端。
上述方案的有益效果:以往的技术对供电参数没有智能化的分析管理,在供电参数发生异常时,不能够及时的报警,且不能知道发生故障的供电设备的位置信息,往往造成巨大的经济损失,本方案提出异常供电参数的故障检测方法,从所述磁盘中提取出为异常参数的历史供电参数,提取所述历史供电参数的特征信息,将所述历史供电参数的特征信息作为自组织映射神经网络的输入进行聚类,得到若干个历史供电参数集,并根据所述特征信息得到相对应的所述历史供电参数集的第一故障类型;根据所述第一故障类型生成第一故障文本,对所述第一故障文本进行分词处理,得到若干个第一分词,分别对所述若干个第一分词进行向量化处理,得到若干个第一分词向量,对所述若干个第一分词向量求和后取平均值,得到第一故障向量;建立基于深度学***均值,得到第二故障向量,根据预设损失函数计算所述第一故障向量与第二故障向量的误差值,并判断所述误差值是否小于预设误差值,在确定所述误差值小于预设误差值时,训练结束,得到训练好的故障识别模型;LSTM(Long Short-Term Memory)是长短期记忆网络,是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件,通过第一故障类型得到的第一故障向量及第二故障类型得到的第二故障向量进行计算误差值,根据误差值对所述LSTM模型进行迭代更新,直至误差值小于预设误差值,使得最后建立的模型更加的可靠,误差更加的小,保证最后输出结果的精确性,将比对结果为异常参数的供电参数输入训练好的故障识别模型中,输出第三故障类型;第三故障类型为最后的故障类型,根据第三故障类型查询预设的故障类型-解决方案表,获取相对应的解决方案并发送至维修人员终端,保证维修的及时性及时效性。
根据本发明的一些实施例,一种用于数据中心的机房供电参数检测方法,还包括:
获取目标供电设备信息;
根据所述目标供电设备信息计算所述目标供电设备的剩余使用寿命评价值,并判断所述剩余使用寿命评价值否小于预设剩余使用寿命评价值,在确定所述剩余使用寿命评价值小于预设剩余使用寿命评价值时,在所述机房供电拓扑关系图中标记目标供电设备并进行第二报警提示。
上述方案的工作原理:获取目标供电设备信息;根据所述目标供电设备信息计算所述目标供电设备的剩余使用寿命评价值,并判断所述剩余使用寿命评价值否小于预设剩余使用寿命评价值,在确定所述剩余使用寿命评价值小于预设剩余使用寿命评价值时,在所述机房供电拓扑关系图中标记目标供电设备并进行第二报警提示。
上述方案的有益效果:根据所述目标供电设备信息计算所述目标供电设备的剩余使用寿命评价值并判断所述剩余使用寿命评价值否小于预设剩余使用寿命评价值,在确定所述剩余使用寿命评价值小于预设剩余使用寿命评价值时,在所述机房供电拓扑关系图中标记目标供电设备并进行第二报警提示,提醒工人人员及时更换目标供电设备,保证机房供电的稳定性。
根据本发明的一些实施例,所述根据所述目标供电设备信息计算所述目标供电设备的剩余使用寿命评价值,包括:
计算所述目标供电设备的健康系数K,如公式(1)所示:
其中,ζ为所述目标供电设备的性能系数;λ为所述目标设备的疲劳系数;N为所述目标供电设备的历史维修次数;Mi为第i次维修时,所述目标供电设备的损坏程度;χ为所述目标供电设备的老化系数;t为所述目标供电设备的供电时长;D为所述目标供电设备的出厂寿命;
根据所述目标供电设备的健康系数K,计算所述目标供电设备的剩余使用寿命评价值S,如公式(2)所示:
其中,α为所述目标供电设备的稳定性因子;γ1为所述目标供电设备性能受外部环境影响的衰减系数;γ2为所述目标供电设备性能受内部影响的衰减系数;Z为所述目标供电设备性能的自然衰减系数。
上述方案的有益效果:目标供电设备性能受外部环境影响的衰减系数,所述外部环境为污垢、温度等因素;目标供电设备性能受内部影响的衰减系数,所述内部环境为短路、断路等因素。
上述方案的有益效果:在计算所述目标供电设备的剩余使用寿命评价值时,考虑目标供电设备的稳定性因子、目标供电设备性能受外部环境影响的衰减系数、目标供电设备性能受内部影响的衰减系数、目标供电设备的老化系数、目标供电设备的供电时长、目标供电设备性能的自然衰减系数、目标供电设备的历史维修次数等因素,使得计算出来的剩余使用寿命评价值更加的精确,提高判断所述剩余使用寿命评价值与预设剩余使用寿命评价值大小的准确性,便于在所述剩余使用寿命评价值小于预设剩余使用寿命评价值时,在所述机房供电拓扑关系图中标记目标供电设备并进行第二报警提示,提醒工人人员及时更换目标供电设备,保证机房供电的稳定性。
根据本发明的一些实施例,所述将所述供电参数检测节点发送的相对应的目标供电设备的供电参数存储至磁盘前,还包括:
获取所述磁盘的工作信息;
根据所述工作信息计算所述磁盘的故障率,并判断所述故障率是否大于预设故障率,在确定所述故障率大于预设故障率时,将所述供电参数检测节点发送的相对应的目标供电设备的供电参数存储至备用磁盘中;
所述根据所述工作信息计算所述磁盘的故障率,包括:
计算所述磁盘在预设时间T内,实际消耗的能量E1,如公式(3)所示:
E1=(P×T+E2×n1+E3×n2)×3.14d×ρ×ω (3)
其中,P为所述磁盘的运作功率;E2为所述磁盘启动需要的能量;n1为所述磁盘在预设时间T内启动的次数;E3为所述磁盘停转时需要的能量;n2为所述磁盘在预设时间T内停转的次数;d为所述磁盘的最内圈直径;ρ为所述磁盘的位密度;ω为所述磁盘在预设时间T内的平均转速;
根据所述磁盘在预设时间T内,实际消耗的能量E1,计算所述磁盘的故障率β,如公式(4)所示:
其中,τ为所述磁盘的可靠性系数;e为自然常数;R为磁盘空间的有效利用率;C1为所述磁盘已存储的供电参数的数据量;C2为所述磁盘的总容量;E4为所述磁盘在预设时间T内,预设消耗的能量。
上述方案的工作原理:获取所述磁盘的工作信息;根据所述工作信息计算所述磁盘的故障率,并判断所述故障率是否大于预设故障率,在确定所述故障率大于预设故障率时,将所述供电参数检测节点发送的相对应的目标供电设备的供电参数存储至备用磁盘中。
上述方案的有益效果:磁盘是本方法中重要的部件,磁盘存储供电参数,若磁盘的故障率太大,会造成供电参数无法进行存储,使得供电参数丢失,针对此种情况,在将所述供电参数检测节点发送的相对应的目标供电设备的供电参数存储至磁盘前,计算所述磁盘的故障率是非常必要的,在计算所述磁盘的故障率时,考虑磁盘已存储的供电参数的数据量、磁盘的总容量、磁盘在预设时间T内,预设消耗的能量、磁盘的运作功率等因素,使得计算出来的故障率更加的精确,便于在所述故障率小于预设故障率时,将所述供电参数检测节点发送的相对应的目标供电设备的供电参数存储至备用磁盘中,保证供电参数不会丢失,提高用户的体验感。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种用于数据中心的机房供电参数检测方法,其特征在于,包括:
获取机房供电拓扑关系数据,根据所述机房供电拓扑关系数据生成机房供电拓扑关系图;
获取所述机房供电拓扑关系图中的目标供电设备,并为所述目标供电设备配置供电参数检测节点;其中,一个目标供电设备配置一个供电参数检测节点;
接收所述供电参数检测节点发送的相对应的目标供电设备的供电参数,将所述供电参数分别与目标供电设备相对应的标准供电参数进行比对,得到比对结果,根据比对结果确定目标供电设备的所述供电参数为异常参数时,在所述机房供电拓扑关系图中标记目标供电设备并进行第一报警提示,同时将所述供电参数检测节点发送的相对应的目标供电设备的供电参数存储至磁盘中;
还包括:
从所述磁盘中提取出为异常参数的历史供电参数,提取所述历史供电参数的特征信息,将所述历史供电参数的特征信息作为自组织映射神经网络的输入进行聚类,得到若干个历史供电参数集,并根据所述特征信息得到相对应的所述历史供电参数集的第一故障类型;
根据所述第一故障类型生成第一故障文本,对所述第一故障文本进行分词处理,得到若干个第一分词,分别对所述若干个第一分词进行向量化处理,得到若干个第一分词向量,对所述若干个第一分词向量求和后取平均值,得到第一故障向量;
建立基于深度学***均值,得到第二故障向量,根据预设损失函数计算所述第一故障向量与第二故障向量的误差值,并判断所述误差值是否小于预设误差值,在确定所述误差值小于预设误差值时,训练结束,得到训练好的故障识别模型;
将比对结果为异常参数的供电参数输入训练好的故障识别模型中,输出第三故障类型;
根据第三故障类型查询预设的故障类型-解决方案表,获取相对应的解决方案并发送至维修人员终端;
所述将所述供电参数检测节点发送的相对应的目标供电设备的供电参数存储至磁盘前,还包括:
获取所述磁盘的工作信息;
根据所述工作信息计算所述磁盘的故障率,并判断所述故障率是否大于预设故障率,在确定所述故障率大于预设故障率时,将所述供电参数检测节点发送的相对应的目标供电设备的供电参数存储至备用磁盘中;
所述根据所述工作信息计算所述磁盘的故障率,包括:
计算所述磁盘在预设时间内,实际消耗的能量/>,如公式(3)所示:
;
其中,为所述磁盘的运作功率;/>为所述磁盘启动需要的能量;/>为所述磁盘在预设时间/>内启动的次数;/>为所述磁盘停转时需要的能量;/>为所述磁盘在预设时间内停转的次数;/>为所述磁盘的最内圈直径;/>为所述磁盘的位密度;/>为所述磁盘在预设时间/>内的平均转速;
根据所述磁盘在预设时间内,实际消耗的能量/>,计算所述磁盘的故障率/>,如公式(4)所示:
;
其中,为所述磁盘的可靠性系数;/>为自然常数;/>为磁盘空间的有效利用率;/>为所述磁盘已存储的供电参数的数据量;/>为所述磁盘的总容量;/>为所述磁盘在预设时间/>内,预设消耗的能量。
2.根据权利要求1的用于数据中心的机房供电参数检测方法,其特征在于,所述获取机房供电拓扑关系数据,根据机房供电拓扑关系数据生成机房供电拓扑关系图,包括:
所述机房供电拓扑关系数据包括机房电网的第一运行数据及机房GIS地图;
对所述第一运行数据基于数据核对算法进行处理,得到第二运行数据,对所述第二运行数据基于网络拓扑分析算法进行拓扑分析,得到拓扑分析结果;
根据所述机房GIS地图与所述拓扑分析结果生成机房供电拓扑关系图。
3.根据权利要求1的用于数据中心的机房供电参数检测方法,其特征在于,所述为所述目标供电设备配置供电参数检测节点,包括:
获取目标供电设备在所述机房供电拓扑关系图中的位置信息,根据所述位置信息为所述目标供电设备配置供电参数检测节点。
4.根据权利要求1的用于数据中心的机房供电参数检测方法,其特征在于,所述将所述供电参数分别与目标供电设备相对应的标准供电参数进行比对,得到比对结果,包括:
获取目标供电设备的设备类型;
根据所述设备类型查询预设的设备类型-标准供电参数表,得到相对应标准供电参数;
将所述供电参数与标准供电参数进行比对,得到比对结果。
5.根据权利要求4的用于数据中心的机房供电参数检测方法,其特征在于:
所述供电参数包括第一发电量、第一有功功率、第一功率因数、第一视在功率;
所述标准供电参数包括第二发电量、第二有功功率、第二功率因数、第二视在功率。
6.根据权利要求5的用于数据中心的机房供电参数检测方法,所述根据比对结果确定所述供电参数为异常参数,包括:
计算所述第一发电量与第二发电量的第一差值绝对值,判断所述第一差值绝对值是否在预设第一差值范围内,在确定所述第一差值绝对值不在预设第一差值范围内时,确定所述供电参数为异常参数;
或
计算所述第一有功功率与第二有功功率的第二差值绝对值,判断所述第二差值绝对值是否在预设第二差值范围内,在确定所述第二差值绝对值不在预设第二差值范围内时,确定所述供电参数为异常参数;
或
计算所述第一功率因数与第二功率因数的第三差值绝对值,判断所述第三差值绝对值是否在预设第二差值范围内,在确定所述第三差值绝对值不在预设第三差值范围内时,确定所述供电参数为异常参数;
或
计算所述第一视在功率与第二视在功率的第四差值绝对值,判断所述第四差值绝对值是否在预设第四差值范围内,在确定所述第四差值绝对值不在预设第四差值范围内时,确定所述供电参数为异常参数。
7.根据权利要求1的用于数据中心的机房供电参数检测方法,其特征在于,还包括:
获取目标供电设备信息;
根据所述目标供电设备信息计算所述目标供电设备的剩余使用寿命评价值,并判断所述剩余使用寿命评价值否小于预设剩余使用寿命评价值,在确定所述剩余使用寿命评价值小于预设剩余使用寿命评价值时,在所述机房供电拓扑关系图中标记目标供电设备并进行第二报警提示。
8.根据权利要求7的用于数据中心的机房供电参数检测方法,其特征在于,所述根据所述目标供电设备信息计算所述目标供电设备的剩余使用寿命评价值,包括:
计算所述目标供电设备的健康系数,如公式(1)所示:
;
其中,为所述目标供电设备的性能系数;/>为所述目标供电设备的疲劳系数;/>为所述目标供电设备的历史维修次数;/>为第/>次维修时,所述目标供电设备的损坏程度;为所述目标供电设备的老化系数;/>为所述目标供电设备的供电时长;/>为所述目标供电设备的出厂寿命;
根据所述目标供电设备的健康系数,计算所述目标供电设备的剩余使用寿命评价值,如公式(2)所示:
;
其中,为所述目标供电设备的稳定性因子;/>为所述目标供电设备性能受外部环境影响的衰减系数;/>为所述目标供电设备性能受内部影响的衰减系数; />为所述目标供电设备性能的自然衰减系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110396105.3A CN113191074B (zh) | 2021-04-13 | 2021-04-13 | 一种用于数据中心的机房供电参数检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110396105.3A CN113191074B (zh) | 2021-04-13 | 2021-04-13 | 一种用于数据中心的机房供电参数检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113191074A CN113191074A (zh) | 2021-07-30 |
CN113191074B true CN113191074B (zh) | 2023-11-21 |
Family
ID=76975658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110396105.3A Active CN113191074B (zh) | 2021-04-13 | 2021-04-13 | 一种用于数据中心的机房供电参数检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191074B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113687259B (zh) * | 2021-09-23 | 2023-11-24 | 北京中大科慧科技发展有限公司 | 一种用于数据中心的机房ups检测方法及*** |
CN114780622B (zh) * | 2022-06-27 | 2022-09-02 | 天津能源物联网科技股份有限公司 | 一种基于大数据平台的供热数据的智能分析方法及*** |
CN115343086B (zh) * | 2022-08-04 | 2024-05-03 | 上海智能新能源汽车科创功能平台有限公司 | 一种高压加氢机在线预检方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7800856B1 (en) * | 2009-03-24 | 2010-09-21 | Western Digital Technologies, Inc. | Disk drive flushing write cache to a nearest set of reserved tracks during a power failure |
CN106603274A (zh) * | 2016-11-21 | 2017-04-26 | 中国电力科学研究院 | 一种基于多维通信数据的配电网故障定位方法 |
CN109657912A (zh) * | 2018-11-15 | 2019-04-19 | 国网浙江省电力有限公司金华供电公司 | 一种可视化的电网风险管控方法及*** |
CN111737496A (zh) * | 2020-06-29 | 2020-10-02 | 东北电力大学 | 一种电力设备故障知识图谱构建方法 |
CN111881971A (zh) * | 2020-07-24 | 2020-11-03 | 成都理工大学 | 一种基于深度学习lstm模型的输电线路故障类型识别方法 |
CN111915063A (zh) * | 2020-07-09 | 2020-11-10 | 国网冀北电力有限公司信息通信分公司 | 基于微服务架构的供电路径网络拓扑分析展示方法、***及存储介质 |
CN112182205A (zh) * | 2020-08-24 | 2021-01-05 | 华北电力大学(保定) | 一种利用文字识别识别电气设备中监测数据的处理方法 |
CN112526251A (zh) * | 2020-10-22 | 2021-03-19 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于数据驱动的变电站电力设备故障诊断方法 |
CN112541600A (zh) * | 2020-12-07 | 2021-03-23 | 上海电科智能***股份有限公司 | 一种基于知识图谱的辅助维修决策方法 |
-
2021
- 2021-04-13 CN CN202110396105.3A patent/CN113191074B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7800856B1 (en) * | 2009-03-24 | 2010-09-21 | Western Digital Technologies, Inc. | Disk drive flushing write cache to a nearest set of reserved tracks during a power failure |
CN106603274A (zh) * | 2016-11-21 | 2017-04-26 | 中国电力科学研究院 | 一种基于多维通信数据的配电网故障定位方法 |
CN109657912A (zh) * | 2018-11-15 | 2019-04-19 | 国网浙江省电力有限公司金华供电公司 | 一种可视化的电网风险管控方法及*** |
CN111737496A (zh) * | 2020-06-29 | 2020-10-02 | 东北电力大学 | 一种电力设备故障知识图谱构建方法 |
CN111915063A (zh) * | 2020-07-09 | 2020-11-10 | 国网冀北电力有限公司信息通信分公司 | 基于微服务架构的供电路径网络拓扑分析展示方法、***及存储介质 |
CN111881971A (zh) * | 2020-07-24 | 2020-11-03 | 成都理工大学 | 一种基于深度学习lstm模型的输电线路故障类型识别方法 |
CN112182205A (zh) * | 2020-08-24 | 2021-01-05 | 华北电力大学(保定) | 一种利用文字识别识别电气设备中监测数据的处理方法 |
CN112526251A (zh) * | 2020-10-22 | 2021-03-19 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于数据驱动的变电站电力设备故障诊断方法 |
CN112541600A (zh) * | 2020-12-07 | 2021-03-23 | 上海电科智能***股份有限公司 | 一种基于知识图谱的辅助维修决策方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113191074A (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113191074B (zh) | 一种用于数据中心的机房供电参数检测方法 | |
US20220037918A1 (en) | Maintaining connectivity information for meters and transformers located in a power distribution network | |
US10571493B2 (en) | Smart grid topology estimator | |
US9287713B2 (en) | Topology identification in distribution network with limited measurements | |
Trakas et al. | Spatial risk analysis of power systems resilience during extreme events | |
US20230083626A1 (en) | Pipeline monitoring methods and internet of things based on smart gas pipeline network safety | |
Yuan et al. | Outage detection in partially observable distribution systems using smart meters and generative adversarial networks | |
CN102953936A (zh) | 风力发电的机组组合 | |
Kaneriya et al. | A range-based approach for long-term forecast of weather using probabilistic markov model | |
US10389600B2 (en) | Network management based on modeling of cascading effect of failure | |
CN117390403B (zh) | 一种新能源灯塔发电站的电网故障检测方法及*** | |
CN113554526A (zh) | 电力设备的故障预警方法、装置、存储介质及处理器 | |
CN116187552A (zh) | 异常检测方法、计算设备及计算机存储介质 | |
CN116794510A (zh) | 故障预测方法、装置、计算机设备和存储介质 | |
CN114726740A (zh) | 台区拓扑识别方法、***及智能融合终端 | |
EP3449267A1 (en) | A method for identifying the phases of a multi-phase distribution grid | |
CN111221849A (zh) | 一种卫星故障定位方法、装置、终端及计算机可读介质 | |
CN113993005A (zh) | 电网设备检查方法、装置、计算机设备和存储介质 | |
CN117668692A (zh) | 基于故障检测的智能化电能监控方法、装置、设备和介质 | |
CN111614504A (zh) | 基于时间序列和故障树分析的电网调控数据中心业务特性故障定位方法及*** | |
CN117235664A (zh) | 配电通信设备的故障诊断方法、***和计算机设备 | |
CN110807014A (zh) | 一种基于交叉验证的台区数据异常甄别方法和装置 | |
CN116826961A (zh) | 电网智能调度和运维***、方法及存储介质 | |
CN109633329B (zh) | 多回路储能设备的故障检测方法、装置、终端设备及介质 | |
CN110020472A (zh) | 一种产品剩余寿命预测方法、装置和*** |
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 |