CN113379182A - 一种基于多维状态参数的中低压设备健康状态评估方法 - Google Patents
一种基于多维状态参数的中低压设备健康状态评估方法 Download PDFInfo
- Publication number
- CN113379182A CN113379182A CN202110461818.3A CN202110461818A CN113379182A CN 113379182 A CN113379182 A CN 113379182A CN 202110461818 A CN202110461818 A CN 202110461818A CN 113379182 A CN113379182 A CN 113379182A
- Authority
- CN
- China
- Prior art keywords
- state
- low voltage
- sub
- voltage equipment
- medium
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000036541 health Effects 0.000 title claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims abstract description 83
- 239000011159 matrix material Substances 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 33
- 230000003862 health status Effects 0.000 claims description 13
- 230000002068 genetic effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000004836 empirical method Methods 0.000 claims 1
- 238000004891 communication Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012360 testing method Methods 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
- G06Q10/06—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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- 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
- G06Q50/04—Manufacturing
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Algebra (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
Abstract
本发明公开了一种基于多维状态参数的中低压设备健康状态评估方法,该方法通过获取中低压设备的监测数据中指定的多维状态参数,并采用皮尔逊相关系数法,计算所述多维状态参数中每两个状态参数之间的相关系数;基于模糊层次分析以及根据状态参数之间的相关系数,得到隶属度函数矩阵;根据所述隶属度函数矩阵和相应的权重系数,得到每个子健康状态的评估结果;将每个子健康状态的评估结果作为子证据,以最大概率对应子健康状态作为最终评估结果,采用D‑S证据理论对各个子证据进行融合,得到中低压设备的最终评估结果。因此,本发明通过结合模糊层次分析与D‑S证据理论,能够准确、客观的评估中低压设备健康状态。
Description
技术领域
本发明涉及故障分析技术领域,特别是涉及一种基于多维状态参数的中低压设备健康状态评估方法、***及存储介质。
背景技术
随着传感监测设备及信息化技术的发展,电力设备自投运以来的各种运行数据、监测数据、试验数据和检修数据不断生成,数据呈现出多源异构的大数据特征,而多维数据分别从不同侧面、不同程度和不同层次上反映了设备运行状态的好坏,且状态信息间具有稠合性、模糊性、随机性等特征,使得电力设备的健康状态评估更加困难。
因此,有必要提出一种基于多维状态参数的中低压设备健康状态评估方法。
发明内容
鉴于以上所述现有技术的不足,本发明的目的在于:提供一种基于多维状态参数的中低压设备健康状态评估方法,能够准确、客观的评估中低压设备健康状态。
为实现上述发明目的,本发明提供以下技术方案:
一种基于多维状态参数的中低压设备健康状态评估方法,其包括以下步骤:
S1:获取中低压设备的监测数据中指定的多维状态参数,并采用皮尔逊相关系数法,计算所述多维状态参数中每两个状态参数之间的相关系数;
S2:基于模糊层次分析以及根据状态参数之间的相关系数,确定每个状态参数的对应各个子健康状态的隶属度函数,并得到隶属度函数矩阵;
S3:根据所述隶属度函数矩阵和相应的权重系数,得到每个子健康状态的评估结果;
S4:将每个子健康状态的评估结果作为子证据,以最大概率对应子健康状态作为最终评估结果,采用D-S证据理论对各个子证据进行融合,得到中低压设备的最终评估结果。
根据一种具体的实施方式,本发明基于多维状态参数的中低压设备健康状态评估方法中,步骤S2还包括:计算每个状态参数与其它各个状态参数的相关系数的平均值,并依据该平均值的大小,将该平局值较大的一半状态参数作为强关联性项,将该平局值较小的一半状态参数作为弱关联性项;以及,将中低压设备健康状态评估分为三个层次,即目标层、一级评价指标层和二级评价指标层;其中,一级评价指标层包括强关联性项和弱关联性项两个评价指标;二级评价指标层包括强关联性项和弱关联性项的状态参数。
根据一种具体的实施方式,本发明基于多维状态参数的中低压设备健康状态评估方法中,所述状态参数包括:中低压设备内部不同部件的制造参数以及不同部件上所设置的多种传感器的监测参数。
根据一种具体的实施方式,本发明基于多维状态参数的中低压设备健康状态评估方法中,确定所述权重系数包括:将专家经验法提供多个权重系数作为初始群体,然后通过遗传算法输出具有最大适应度的个体作为最优权重系数。
根据一种具体的实施方式,本发明基于多维状态参数的中低压设备健康状态评估方法中,采用ER算法对各个子证据进行融合。
本发明的另一方面,还提供一种基于多维状态参数的中低压设备健康状态评估***,其包括:
获取模块,用于获取中低压设备的监测数据中指定的多维状态参数;
相关系数计算模块,用于采用皮尔逊相关系数法,计算所述多维状态参数中每两个状态参数之间的相关系数;
隶属度函数矩阵生成模块,用于基于模糊层次分析以及根据状态参数之间的相关系数,确定每个状态参数的对应各个子健康状态的隶属度函数,并得到隶属度函数矩阵;
第一评估模块,用于根据所述隶属度函数矩阵和相应的权重系数,得到每个子健康状态的评估结果;
第二评估模块,用于将每个子健康状态的评估结果作为子证据,以最大概率对应子健康状态作为最终评估结果,采用D-S证据理论对各个子证据进行融合,得到中低压设备的最终评估结果。
进一步地,所述隶属度函数矩阵生成模块,还用于计算每个状态参数与其它各个状态参数的相关系数的平均值,并依据该平均值的大小,将该平局值较大的一半状态参数作为强关联性项,将该平局值较小的一半状态参数作为弱关联性项;以及,将中低压设备健康状态评估分为三个层次,即目标层、一级评价指标层和二级评价指标层;其中,一级评价指标层包括强关联性项和弱关联性项两个评价指标;二级评价指标层包括强关联性项和弱关联性项的状态参数。
再进一步地,所述隶属度函数矩阵生成模块,还用于将专家经验法提供多个权重系数作为初始群体,然后通过遗传算法输出具有最大适应度的个体作为最优权重系数。所述第二评估模块,用于采用ER算法对各个子证据进行融合。
本发明的另一方面,还提供一种计算机可读存储介质,所述计算机可读存储介质存储有程序指令,所述程序指令被执行时,用于实现本发明基于多维状态参数的中低压设备健康状态评估方法。
与现有技术相比,本发明的有益效果:
1、本发明基于多维状态参数的中低压设备健康状态评估方法,该方法通过获取中低压设备的监测数据中指定的多维状态参数,并采用皮尔逊相关系数法,计算所述多维状态参数中每两个状态参数之间的相关系数;基于模糊层次分析以及根据状态参数之间的相关系数,确定每个状态参数的对应各个子健康状态的隶属度函数,并得到隶属度函数矩阵;根据所述隶属度函数矩阵和相应的权重系数,得到每个子健康状态的评估结果;将每个子健康状态的评估结果作为子证据,以最大概率对应子健康状态作为最终评估结果,采用D-S证据理论对各个子证据进行融合,得到中低压设备的最终评估结果。因此,本发明通过结合模糊层次分析与D-S证据理论,能够准确、客观的评估中低压设备健康状态。
2、本发明基于多维状态参数的中低压设备健康状态评估方法,结合皮尔逊相关系数法计算出的状态参数之间的相关系数,将状态参数分为强关联性项和弱关联性项,并依据强关联性项和弱关联性项,将中低压设备健康状态评估分为三个层次。因此,本发明避免依赖主观经验来划分层次,给中低压设备健康状态评估引入主观影响。
3、本发明基于多维状态参数的中低压设备健康状态评估方法,在模糊层次分析过程中,通过将专家经验法提供多个权重系数作为初始群体,然后通过遗传算法输出具有最大适应度的个体作为最优权重系数。因此,本发明在专家经验法提供的权重系数的基础上,利用遗传算法搜索出更加匹配该模糊层次分析的权重系数,提高健康状态评估结果的准确性。
附图说明
图1为本发明基于多维状态参数的中低压设备健康状态评估方法的流程示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
如图1所示,本发明基于多维状态参数的中低压设备健康状态评估方法,包括:
S1:获取中低压设备的监测数据中指定的多维状态参数,并采用皮尔逊相关系数法,计算所述多维状态参数中每两个状态参数之间的相关系数;
S2:基于模糊层次分析以及根据状态参数之间的相关系数,确定每个状态参数的对应各个子健康状态的隶属度函数,并得到隶属度函数矩阵;具体的,本发明采用梯形隶属度函数作为模糊隶属度函数。
S3:根据所述隶属度函数矩阵和相应的权重系数,得到每个子健康状态的评估结果;
S4:将每个子健康状态的评估结果作为子证据,以最大概率对应子健康状态作为最终评估结果,采用D-S证据理论对各个子证据进行融合,得到中低压设备的最终评估结果。
本发明基于多维状态参数的中低压设备健康状态评估方法中,步骤S2还包括:计算每个状态参数与其它各个状态参数的相关系数的平均值,并依据该平均值的大小,将该平局值较大的一半状态参数作为强关联性项,将该平局值较小的一半状态参数作为弱关联性项;以及,将中低压设备健康状态评估分为三个层次,即目标层、一级评价指标层和二级评价指标层;其中,一级评价指标层包括强关联性项和弱关联性项两个评价指标;二级评价指标层包括强关联性项和弱关联性项的状态参数。
本发明基于多维状态参数的中低压设备健康状态评估方法中,所述状态参数包括:中低压设备内部不同部件的制造参数以及不同部件上所设置的多种传感器的监测参数。
本发明基于多维状态参数的中低压设备健康状态评估方法中,确定所述权重系数包括:将专家经验法提供多个权重系数作为初始群体,然后通过遗传算法输出具有最大适应度的个体作为最优权重系数。
本发明基于多维状态参数的中低压设备健康状态评估方法中,采用ER算法对各个子证据进行融合。
本发明的另一方面,还提供一种基于多维状态参数的中低压设备健康状态评估***,其包括:
获取模块,用于获取中低压设备的监测数据中指定的多维状态参数;
相关系数计算模块,用于采用皮尔逊相关系数法,计算所述多维状态参数中每两个状态参数之间的相关系数;
隶属度函数矩阵生成模块,用于基于模糊层次分析以及根据状态参数之间的相关系数,确定每个状态参数的对应各个子健康状态的隶属度函数,并得到隶属度函数矩阵;
第一评估模块,用于根据所述隶属度函数矩阵和相应的权重系数,得到每个子健康状态的评估结果;
第二评估模块,用于将每个子健康状态的评估结果作为子证据,以最大概率对应子健康状态作为最终评估结果,采用D-S证据理论对各个子证据进行融合,得到中低压设备的最终评估结果。
进一步地,所述隶属度函数矩阵生成模块,还用于计算每个状态参数与其它各个状态参数的相关系数的平均值,并依据该平均值的大小,将该平局值较大的一半状态参数作为强关联性项,将该平局值较小的一半状态参数作为弱关联性项;以及,将中低压设备健康状态评估分为三个层次,即目标层、一级评价指标层和二级评价指标层;其中,一级评价指标层包括强关联性项和弱关联性项两个评价指标;二级评价指标层包括强关联性项和弱关联性项的状态参数。
再进一步地,所述隶属度函数矩阵生成模块,还用于将专家经验法提供多个权重系数作为初始群体,然后通过遗传算法输出具有最大适应度的个体作为最优权重系数。所述第二评估模块,用于采用ER算法对各个子证据进行融合。
本发明的另一方面,还提供一种计算机可读存储介质,所述计算机可读存储介质存储有程序指令,所述程序指令被执行时,用于实现本发明基于多维状态参数的中低压设备健康状态评估方法。
应该理解到,本发明所揭露的***,可通过其它的方式实现。例如所述模块的划分,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,模块之间的通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种基于多维状态参数的中低压设备健康状态评估方法,其特征在于,包括以下步骤:
S1:获取中低压设备的监测数据中指定的多维状态参数,并采用皮尔逊相关系数法,计算所述多维状态参数中每两个状态参数之间的相关系数;
S2:基于模糊层次分析以及根据状态参数之间的相关系数,确定每个状态参数的对应各个子健康状态的隶属度函数,并得到隶属度函数矩阵;
S3:根据所述隶属度函数矩阵和相应的权重系数,得到每个子健康状态的评估结果;
S4:将每个子健康状态的评估结果作为子证据,以最大概率对应子健康状态作为最终评估结果,采用D-S证据理论对各个子证据进行融合,得到中低压设备的最终评估结果。
2.如权利要求1所述的基于多维状态参数的中低压设备健康状态评估方法,其特征在于,步骤S2还包括:计算每个状态参数与其它各个状态参数的相关系数的平均值,并依据该平均值的大小,将该平局值较大的一半状态参数作为强关联性项,将该平局值较小的一半状态参数作为弱关联性项;以及,将中低压设备健康状态评估分为三个层次,即目标层、一级评价指标层和二级评价指标层;其中,一级评价指标层包括强关联性项和弱关联性项两个评价指标;二级评价指标层包括强关联性项和弱关联性项的状态参数。
3.如权利要求2所述的基于多维状态参数的中低压设备健康状态评估方法,其特征在于,所述状态参数包括:中低压设备内部不同部件的制造参数以及不同部件上所设置的多种传感器的监测参数。
4.如权利要求3所述的基于多维状态参数的中低压设备健康状态评估方法,其特征在于,确定所述权重系数包括:将专家经验法提供多个权重系数作为初始群体,然后通过遗传算法输出具有最大适应度的个体作为最优权重系数。
5.如权利要求4所述的基于多维状态参数的中低压设备健康状态评估方法,其特征在于,采用ER算法对各个子证据进行融合。
6.一种基于多维状态参数的中低压设备健康状态评估***,其特征在于,包括:
获取模块,用于获取中低压设备的监测数据中指定的多维状态参数;
相关系数计算模块,用于采用皮尔逊相关系数法,计算所述多维状态参数中每两个状态参数之间的相关系数;
隶属度函数矩阵生成模块,用于基于模糊层次分析以及根据状态参数之间的相关系数,确定每个状态参数的对应各个子健康状态的隶属度函数,并得到隶属度函数矩阵;
第一评估模块,用于根据所述隶属度函数矩阵和相应的权重系数,得到每个子健康状态的评估结果;
第二评估模块,用于将每个子健康状态的评估结果作为子证据,以最大概率对应子健康状态作为最终评估结果,采用D-S证据理论对各个子证据进行融合,得到中低压设备的最终评估结果。
7.如权利要求6所述的一种基于多维状态参数的中低压设备健康状态评估***,其特征在于,所述隶属度函数矩阵生成模块,还用于计算每个状态参数与其它各个状态参数的相关系数的平均值,并依据该平均值的大小,将该平局值较大的一半状态参数作为强关联性项,将该平局值较小的一半状态参数作为弱关联性项;以及,将中低压设备健康状态评估分为三个层次,即目标层、一级评价指标层和二级评价指标层;其中,一级评价指标层包括强关联性项和弱关联性项两个评价指标;二级评价指标层包括强关联性项和弱关联性项的状态参数。
8.如权利要求7所述的一种基于多维状态参数的中低压设备健康状态评估***,其特征在于,所述隶属度函数矩阵生成模块,还用于将专家经验法提供多个权重系数作为初始群体,然后通过遗传算法输出具有最大适应度的个体作为最优权重系数。
9.如权利要求8所述的一种基于多维状态参数的中低压设备健康状态评估***,其特征在于,所述第二评估模块,用于采用ER算法对各个子证据进行融合。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有程序指令,所述程序指令被执行时,用于实现如权利要求1~5任一项所述的基于多维状态参数的中低压设备健康状态评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110461818.3A CN113379182B (zh) | 2021-04-27 | 2021-04-27 | 一种基于多维状态参数的中低压设备健康状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110461818.3A CN113379182B (zh) | 2021-04-27 | 2021-04-27 | 一种基于多维状态参数的中低压设备健康状态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113379182A true CN113379182A (zh) | 2021-09-10 |
CN113379182B CN113379182B (zh) | 2022-09-16 |
Family
ID=77570069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110461818.3A Active CN113379182B (zh) | 2021-04-27 | 2021-04-27 | 一种基于多维状态参数的中低压设备健康状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379182B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115396920A (zh) * | 2022-08-22 | 2022-11-25 | 中国联合网络通信集团有限公司 | 设备评估方法、装置及可读存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488344A (zh) * | 2015-11-26 | 2016-04-13 | 中国电力科学研究院 | 一种配电设备健康指数通用评价方法 |
CN105975735A (zh) * | 2016-07-19 | 2016-09-28 | 广西电网有限责任公司电力科学研究院 | 一种用于电力设备健康状态评估的建模方法 |
CN106096830A (zh) * | 2016-06-07 | 2016-11-09 | 武汉大学 | 基于广义证据理论的继电保护状态评价方法及*** |
US20170097863A1 (en) * | 2015-10-05 | 2017-04-06 | Fujitsu Limited | Detection method and information processing device |
CN108399340A (zh) * | 2018-03-06 | 2018-08-14 | 中国民航大学 | 基于改进fahp和云模型的机载网络安全风险评估方法 |
CN108537448A (zh) * | 2018-04-12 | 2018-09-14 | 西南交通大学 | 基于集对分析和证据理论的高铁接触网健康状态评估方法 |
CN109657872A (zh) * | 2018-12-29 | 2019-04-19 | 云南电网有限责任公司电力科学研究院 | 一种配网变压器运行状态的预测方法 |
CN109711663A (zh) * | 2018-11-15 | 2019-05-03 | 国网山东省电力公司淄博供电公司 | 基于大数据分析的变电站油浸式变压器状态评估与修正方法及*** |
CN110826690A (zh) * | 2019-10-10 | 2020-02-21 | 深圳供电局有限公司 | 一种设备状态识别方法及其***、计算机可读存储介质 |
CN111507365A (zh) * | 2019-09-02 | 2020-08-07 | 中南大学 | 一种基于模糊聚类的置信规则自动生成方法 |
CN111537219A (zh) * | 2020-01-20 | 2020-08-14 | 内蒙古工业大学 | 一种基于温度参数的风机齿轮箱性能检测与健康评估方法 |
CN112116489A (zh) * | 2020-07-29 | 2020-12-22 | 西安交通大学 | 一种基于泛在互联的主动配电网供电质量复合感知与评价方法及*** |
AU2020103731A4 (en) * | 2020-11-27 | 2021-02-11 | Ningxia Medical University | Two-modal medical image fusion method for improving credibility of image evaluation results |
-
2021
- 2021-04-27 CN CN202110461818.3A patent/CN113379182B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170097863A1 (en) * | 2015-10-05 | 2017-04-06 | Fujitsu Limited | Detection method and information processing device |
CN105488344A (zh) * | 2015-11-26 | 2016-04-13 | 中国电力科学研究院 | 一种配电设备健康指数通用评价方法 |
CN106096830A (zh) * | 2016-06-07 | 2016-11-09 | 武汉大学 | 基于广义证据理论的继电保护状态评价方法及*** |
CN105975735A (zh) * | 2016-07-19 | 2016-09-28 | 广西电网有限责任公司电力科学研究院 | 一种用于电力设备健康状态评估的建模方法 |
CN108399340A (zh) * | 2018-03-06 | 2018-08-14 | 中国民航大学 | 基于改进fahp和云模型的机载网络安全风险评估方法 |
CN108537448A (zh) * | 2018-04-12 | 2018-09-14 | 西南交通大学 | 基于集对分析和证据理论的高铁接触网健康状态评估方法 |
CN109711663A (zh) * | 2018-11-15 | 2019-05-03 | 国网山东省电力公司淄博供电公司 | 基于大数据分析的变电站油浸式变压器状态评估与修正方法及*** |
CN109657872A (zh) * | 2018-12-29 | 2019-04-19 | 云南电网有限责任公司电力科学研究院 | 一种配网变压器运行状态的预测方法 |
CN111507365A (zh) * | 2019-09-02 | 2020-08-07 | 中南大学 | 一种基于模糊聚类的置信规则自动生成方法 |
CN110826690A (zh) * | 2019-10-10 | 2020-02-21 | 深圳供电局有限公司 | 一种设备状态识别方法及其***、计算机可读存储介质 |
CN111537219A (zh) * | 2020-01-20 | 2020-08-14 | 内蒙古工业大学 | 一种基于温度参数的风机齿轮箱性能检测与健康评估方法 |
CN112116489A (zh) * | 2020-07-29 | 2020-12-22 | 西安交通大学 | 一种基于泛在互联的主动配电网供电质量复合感知与评价方法及*** |
AU2020103731A4 (en) * | 2020-11-27 | 2021-02-11 | Ningxia Medical University | Two-modal medical image fusion method for improving credibility of image evaluation results |
Non-Patent Citations (3)
Title |
---|
L ZHU等: "State Evaluation for Intelligent Distribution Terminal Units Based on Mining Association Rules", 《IOP CONFERENCE SERIES:MATERIALS SCIENCE AND ENGINEERING》 * |
詹林献 等: "一种基于参数特征的设备健康状态评估方法", 《可靠性与环境适应性理论研究》 * |
韩亚娟等: "基于组合赋权法和未确知测度模型的发动机健康状况评估", 《运筹与管理》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115396920A (zh) * | 2022-08-22 | 2022-11-25 | 中国联合网络通信集团有限公司 | 设备评估方法、装置及可读存储介质 |
CN115396920B (zh) * | 2022-08-22 | 2024-04-19 | 中国联合网络通信集团有限公司 | 设备评估方法、装置及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113379182B (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111314173B (zh) | 监控信息异常的定位方法、装置、计算机设备及存储介质 | |
Yan et al. | Big-data-driven based intelligent prognostics scheme in industry 4.0 environment | |
CN113219341B (zh) | 一种模型生成及电池劣化推测装置、方法、介质及设备 | |
CN112287556A (zh) | 电缆绝缘状态的确定方法及装置 | |
Parvatharaju et al. | Learning saliency maps to explain deep time series classifiers | |
Yilmaz et al. | Using ontology and sequence information for extracting behavior patterns from web navigation logs | |
CN116882303B (zh) | 一种激光电源的寿命预测方法、***及存储介质 | |
CN113379182B (zh) | 一种基于多维状态参数的中低压设备健康状态评估方法 | |
Priya et al. | Data fault detection in wireless sensor networks using machine learning techniques | |
Zeng et al. | Muformer: A long sequence time-series forecasting model based on modified multi-head attention | |
CN114444910A (zh) | 一种面向电力物联网的边缘网络***健康度评估方法 | |
CN115221982A (zh) | 牵引供电运维方法、装置、终端及存储介质 | |
Agiollo et al. | Towards quality-of-service metrics for symbolic knowledge injection | |
Sönmez et al. | Anomaly detection using data mining methods in it systems: a decision support application | |
CN116259161B (zh) | 一种电力故障预警*** | |
Sheng et al. | Network traffic anomaly detection method based on chaotic neural network | |
Wang et al. | An intelligent fault detection and diagnosis model for refrigeration systems with a comprehensive feature selection method | |
Benouioua et al. | Multifractal analysis of stack voltage based on wavelet leaders: A new tool for PEMFC diagnosis | |
Chang et al. | Fault diagnosis of lithium-ion batteries based on voltage dip behavior | |
Guo et al. | Health condition monitoring of hydraulic system based on ensemble support vector machine | |
CN113642669B (zh) | 基于特征分析的防欺诈检测方法、装置、设备及存储介质 | |
Yin et al. | A network security situation assessment model based on BP neural network optimized by DS evidence theory | |
Sai et al. | New rules generation from measurement data using an expert system in a power station | |
Liu et al. | Adaptive fusion transfer learning-based digital multitwin-assised intelligent fault diagnosis | |
Lin et al. | Predicting the severity of nuclear power plant transients using nearest neighbors modeling optimized by genetic algorithms on a parallel computer |
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 |