CN113406438A - 一种适用于低压台区的故障智能诊断方法及其运维*** - Google Patents
一种适用于低压台区的故障智能诊断方法及其运维*** Download PDFInfo
- Publication number
- CN113406438A CN113406438A CN202110694891.5A CN202110694891A CN113406438A CN 113406438 A CN113406438 A CN 113406438A CN 202110694891 A CN202110694891 A CN 202110694891A CN 113406438 A CN113406438 A CN 113406438A
- Authority
- CN
- China
- Prior art keywords
- fault
- transformer area
- low
- characteristic
- model
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000012423 maintenance Methods 0.000 title claims abstract description 80
- 230000002159 abnormal effect Effects 0.000 claims abstract description 90
- 230000008447 perception Effects 0.000 claims abstract description 65
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 36
- 238000007726 management method Methods 0.000 claims description 33
- 238000009826 distribution Methods 0.000 claims description 28
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 16
- 230000005856 abnormality Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007635 classification algorithm Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000002547 anomalous effect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 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
- 238000011112 process operation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明涉及电力***领域,特别涉及一种适用于低压台区的故障智能诊断方法及其运维***。该故障智能诊断方法包括如下步骤:步骤一:确定低压台区出现的各个故障类型,以及与各个故障类型关联的多个特征量;并将各个特征量反映的异常特征状态定义为故障标签;步骤二:构建故障感知模型和故障诊断模型;步骤三:实时采集低压台区的特征数据并生成相应的故障标签;步骤四:将特征数据输入到故障感知模型中,判断当前低压台区是否存在故障;步骤五:将生成的故障标签的特征值输入到故障诊断模型中,诊断出引起当前低压台区故障的原因。本发明解决了现有低压台区的运行监测诊断和运维依赖人工,且电力管理的运维***自动化不足的问题。
Description
技术领域
本发明涉及电力***领域,特别涉及一种适用于低压台区的故障智能诊断方法及其运维***。
背景技术
现有的低压台区的运维管理过程中,主要依靠技术人员对***的运行状态进行管理,针对出现的故障状态进行分析和处理,保持电力***的稳定运行。这种管理方法对管理人员的能力和经验高度依赖,不利于电力***的常态化管理,当一线的技术人员发生***时,可能会对电力***的故障监测、故障原因诊断和***运维水平带来影响。
此外,以末端业务融合为目标的网格化综合服务是今后电力管理改革探索的重要工作之一,信息化技术发展、大数据应用为开展网格化综合服务提供了技术保障,同时也对基层人员综合素质提出了更高要求。物联网深入推进,低压台区用电业务末端的计量、采集、传感设备数量及种类越来越多,传统台区管理员所掌握的业务技能和专业知识难以满足现代管理业务发展需要,急需通过信息化手段提升低压台区业务自动化水平,适应网格化业务运维管控。
发明内容
基于此,为了解决现有低压台区的运行监测诊断和运维依赖人工,且电力管理的运维***自动化不足的问题,本发明提供了一种适用于低压台区的故障智能诊断方法及其运维***。
本发明提供了一种适用于低压台区的故障智能诊断方法,该故障智能诊断方法包括如下步骤:
步骤一:确定低压台区出现的各个故障类型,以及与各个故障类型关联的多个特征量;并将各个特征量反映的异常特征状态定义为一个相应的故障标签。
步骤二:构建用于识别低压台区出现的故障类型的故障感知模型,以及用于分析故障发生原因的故障诊断模型。故障感知模型为基于分类算法的标签模型;故障感知模型的输入为低压台区运行过程中各个特征量的特征值,故障感知模型的输出为不同故障类型的预测结果。故障诊断模型为经过训练的神经网络模型;故障诊断模型中包括与各个故障类型相对应的多个子模型。故障诊断模型的输入为故障感知模型输出的故障预测结果对应的各个故障标签的特征值,故障诊断模型的输出为预测出的故障对应的发生原因。
步骤三:实时采集与低压台区出现的各个故障类型相关的各类特征量的特征数据,并对特征数据进行数据清洗。基于清洗后的特征数据生成相应的故障标签,完成故障标签的赋值。
步骤四:将上步骤清洗后的特征数据输入到故障感知模型中,判断当前低压台区是否存在故障,输出相应的故障预测结果。
步骤五:在低压台区出现故障时,将生成的故障标签的特征值输入到故障诊断模型中,诊断出引起当前低压台区故障的原因。
进一步地,步骤一中,低压台区出现的故障类型包括采集故障、计量故障、用电故障、费控故障、配变故障和台区线损异常。
进一步地,步骤一中,与各个故障类型关联的异常特征状态的对应关系包括:
(a)与采集故障关联的异常特征状态,包括:终端离线、集中器下电表全无数据、采集器下电表全无数据、电能表持续多天无抄表数据。
(b)与计量故障关联的异常特征状态,包括:电能表飞走或突变、电能表倒走、电表示值停走、电能表时钟超差、电能表开盖、电能表开钮盖、电能表零电压、电能表电池欠压。
(c)与用电故障关联的异常特征状态,包括:电压缺相、电流失流、零序电流异常、电压断相、电流三相不平衡、电压三相不平衡、功率因数异常、过载。
(d)与费控故障关联的异常特征状态,包括:载波超时、任务下发失败、认证失败、终端响应超时、否认报文、任务超时、下发超次数或超时、上行报文错误、电表档案错误、任务下发失败、任务环境异常。
(e)与配变故障关联的异常特征状态,包括:电流三相不平衡、A/B/C相电流失流、A/B/C相过载、A/B/C相电压断相、A/B/C相电压失压、电压三相不平衡、功率因数异常、低电压、台区负载率>80%、A/B/C相重载、A/B/C相轻载、空载。
(f)与台区线损异常关联的异常特征状态,包括:采集运维管理类状态、台区计量管理类状态、台区诊断分析类状态和高损异常类状态。其中,采集运维管理类状态包括:连续超过三天采集失败、表计时钟错误、电能表飞走和突变、失压、失流、断相、过载;台区计量管理类状态包括:总表未覆盖、倍率异常、参考表异常、计量点级别异常;台区诊断分析类状态包括:台区三相不平衡、台区功率因数监测、反向有功大于0、电能表示值停走、电流反向、电能表开盖、电压越下限、零电压、零火线超差;高损异常类状态包括:月连续高损、日连续高损、月线损合格日线损不合格、不可监测台区分析。
进一步地,步骤二中,故障感知模型的构建方法如下:
(ⅰ)根据各个故障类型关联的故障标签,对低压台区中各个故障类型的异常特征状态进行特征值提取,并基于故障标签形成完整的故障画像。
(ⅱ)对上步骤中的各类故障标签进行人工类别区分和层级关系建立,并设计各故障类型中不同故障标签的权重,定义故障标签与故障类型的计算公式,形成训练数据集的预测模型。
(ⅲ)实时采集与低压台区出现的各个故障类型关联的异常特征状态的特征数据,将该特征数据作为训练数据集;结合预测模型和人工核验对训练数据集进行初步预测。
(ⅳ)使用高斯核函数作为故障感知模型的核函数,采用一对多的多标签故障诊断算法,并以训练数据集中的特征数据为输入样本,以采集故障、计量故障、用电故障、费控故障、配变故障和台区线损异常为输出的故障类型;针对六种故障类型构造六个支持向量机分类器;利用六个支持向量机分类器构成所需的故障感知模型。
(ⅴ)设置训练过程的超参数,获取经预测模型和人工核验综合判断得到的初步预测结果,并利用训练数据集对构建的故障感知模型进行训练,将初步预测结果与故障感知模型输出的结果进行比较,进而计算故障感知模型的最小误差;直到达到训练阶段对最小误差的要求,完成所述故障感知模型的训练过程。
进一步地,故障诊断模型是一个已完成训练的三层神经网络,包括输入层、隐含层和输出层。输入层的神经元数量与各个故障类型关联的故障标签的数量相对应,输入的特征数据为各个故障标签的特征值。隐含层采用ReLU激活函数;输出层的神经元数量等于各个故障类型关联的原因的数量,且输出层得到故障类型关联的各个原因的概率,并以各个原因中概率最大的原因作为输出的诊断结果。
进一步地,步骤三中,故障标签的生成与赋值过程如下:判断相应的采集的特征量是否处于异常区间内,是则生成一个与当前特征量关联的故障标签;然后对当前特征量的检测值进行归一化处理,将归一化处理的结果赋值给故障标签,作为故障标签的特征值。
进一步地,本发明提供一种适用于低压台区的故障智能诊断方法还包括:
步骤六:根据判定的故障以及诊断出的故障原因,查询一个由专家经验建立的“故障与解决方案对照表”,得到当前故障的解决方案,并将解决方案发送给相应的运维人员。
其中,“故障与解决方案对照表”中建立有不同原因引起的故障类型与相应的故障解决方案之间的映射关系。
本发明还包括一种适用于低压台区的运维***,该运维***采用如前述的适用于低压台区的故障智能诊断方法,实现对低压台区的实时监测、故障感知和故障原因诊断的过程,并将相应的运维需求和解决方案派单到对应的负责人员进行处理。该运维***包括:特征采集模块、故障标签生成模块、故障感知模块、故障诊断模块、解决方案查询模块,以及运维需求派单模块。
其中,特征采集模块用于采集与低压台区可能出现的故障关联的所有特征量的值。
故障标签生成模块用于判断特征采集模块采集到的各个特征量的值是否处于异常区间,并针对处于异常区间的特征量生成一个故障标签,对相应的特征量的特征值进行归一化处理,赋值给所述故障标签。
故障感知模块用于根据特征采集模块采集到的各个特征量的值,判断出当前低压台区是否存在故障;故障感知模型判断出的故障类型包括采集故障、计量故障、用电故障、费控故障、配变故障和台区线损异常。
故障诊断模块用于在故障诊断模块判断出当前低压台区存在故障时,获取当前故障对应的故障标签的值,并根据故障标签的特征值分析得出当前出现的故障对应的故障发生原因。
解决方案查询模块用于获取故障感知模块得出的故障以及故障诊断模块得出的故障发生原因;并查询一个根据专家经验建立的“故障与解决方案对照表”,得到当前故障的解决方案。
运维需求派单模块用于获取解决方案查询模型得到的当前故障的解决方案;并查询一个“运维人员责任表”,得到当前故障对应的运维人员,最后将当前故障对应的解决方案发送到当前故障对应的运维人员。
进一步地,故障诊断模块中包括采集故障子模型、计量故障子模型、用电故障子模型、费控故障子模型、配变故障子模型和台区线损异常子模型;故障诊断模型在获取到故障感知模型判断出的故障预测结果时,分别调用相应的子模型完成对不同故障类型对应的故障发生原因的分析过程。
进一步地,“运维人员责任表”是根据低压台区管理现状建立的负责人员的责任分类表;“运维人员责任表”中建立有不同的故障类型和故障发生原因与各个运维人员之间的对应关系;且“运维人员责任表”中的内容根据当前低压台区的管理现状进行实时更新。
本发明提供的一种适用于低压台区的故障智能诊断方法及其运维***,具有如下有益效果:
本发明提供的故障智能诊断方法,可以根据采集到的特征数据,对当前低压台区中各设备的实时运行情况进行监测,并对各设备的故障状态进行评估,及时预测可能存在的故障,并准确判断出故障类型以及故障的形成原因。其中本发明采用了基于聚类算法的标签模型以及神经网络模型作为方案中的故障感知模型和故障诊断模型;利用了这些模型的自学习性能、以及高可靠性和高可用性,极大提高了故障诊断结果的准确率和快速性,达到更加及时更加精准的故障分类和分析效果。降低了故障分析以及运维管理过程中对人工经验的依赖性。
本发明中还根据专家经验建立了故障与解决方案对照表,进而为各类型不同原因导致的故障提供最佳的运维方案,为相关的技术人员处理运维需求提供指引。同时本发明的技术方案具有高度的自动化水平,可操作形更高,实施过程无需对管理人员进行额外的教育培训;解决了不同技术人员能力水平不一致对运维稳定性带来了的影响。
附图说明
通过附图中所示的本发明优选实施例更具体说明,本发明上述及其它目的、特征和优势将变得更加清晰。
图1为本发明实施例1中一种适用于低压台区的故障智能诊断方法的流程图;
图2为本发明实施例2中增加了运维需求派单过程的一种适用于低压台区的故障智能诊断方法的流程图;
图3为本发明实施例3中一种适用于低压台区的运维***的模块示意图。
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,都属于本发明保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“或/及”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例1
本实施例提供一种适用于低压台区的故障智能诊断方法,该故障智能诊断方法包括如下步骤:
步骤一:确定低压台区出现的各个故障类型,以及与各个故障类型关联的多个特征量;并将各个特征量反映的异常特征状态定义为一个相应的故障标签。
其中,本实施例根据低压台区实际运行过程中出现的故障,将低压台区出现的故障类型分为采集故障、计量故障、用电故障、费控故障、配变故障和台区线损异常共六个大类。
本实施例中,与各个故障类型关联的异常特征状态的对应关系包括:
(a)与采集故障关联的异常特征状态,包括:终端离线、集中器下电表全无数据、采集器下电表全无数据、电能表持续多天无抄表数据。
(b)与计量故障关联的异常特征状态,包括:电能表飞走或突变、电能表倒走、电表示值停走、电能表时钟超差、电能表开盖、电能表开钮盖、电能表零电压、电能表电池欠压。
(c)与用电故障关联的异常特征状态,包括:电压缺相、电流失流、零序电流异常、电压断相、电流三相不平衡、电压三相不平衡、功率因数异常、过载。
(d)与费控故障关联的异常特征状态,包括:载波超时、任务下发失败、认证失败、终端响应超时、否认报文、任务超时、下发超次数或超时、上行报文错误、电表档案错误、任务下发失败、任务环境异常。
(e)与配变故障关联的异常特征状态,包括:电流三相不平衡、A/B/C相电流失流、A/B/C相过载、A/B/C相电压断相、A/B/C相电压失压、电压三相不平衡、功率因数异常、低电压、台区负载率>80%、A/B/C相重载、A/B/C相轻载、空载。
(f)与台区线损异常关联的异常特征状态,包括:采集运维管理类状态、台区计量管理类状态、台区诊断分析类状态和高损异常类状态。其中,采集运维管理类状态包括:连续超过三天采集失败、表计时钟错误、电能表飞走和突变、失压、失流、断相、过载;台区计量管理类状态包括:总表未覆盖、倍率异常、参考表异常、计量点级别异常;台区诊断分析类状态包括:台区三相不平衡、台区功率因数监测、反向有功大于0、电能表示值停走、电流反向、电能表开盖、电压越下限、零电压、零火线超差;高损异常类状态包括:月连续高损、日连续高损、月线损合格日线损不合格、不可监测台区分析。
步骤二:构建用于识别低压台区出现的故障类型的故障感知模型,以及用于分析故障发生原因的故障诊断模型。故障感知模型为基于分类算法的标签模型;故障感知模型的输入为低压台区运行过程中各个特征量的特征值,故障感知模型的输出为不同故障类型的预测结果。故障诊断模型为经过训练的神经网络模型;故障诊断模型中包括与各个故障类型相对应的多个子模型。故障诊断模型的输入为故障感知模型输出的故障预测结果对应的各个故障标签的特征值,故障诊断模型的输出为预测出的故障对应的发生原因。
本实施例中,故障感知模型的构建方法如下:
(ⅰ)根据各个故障类型关联的故障标签,对低压台区中各个故障类型的异常特征状态进行特征值提取,并基于故障标签形成完整的故障画像。
(ⅱ)对上步骤中的各类故障标签进行人工类别区分和层级关系建立,并设计各故障类型中不同故障标签的权重,定义故障标签与故障类型的计算公式,形成训练数据集的预测模型。
(ⅲ)实时采集与低压台区出现的各个故障类型关联的异常特征状态的特征数据,将该特征数据作为训练数据集;结合预测模型和人工核验对训练数据集进行初步预测。
(ⅳ)使用高斯核函数作为故障感知模型的核函数,采用一对多的多标签故障诊断算法,并以训练数据集中的特征数据为输入样本,以采集故障、计量故障、用电故障、费控故障、配变故障和台区线损异常为输出的故障类型;针对六种故障类型构造六个支持向量机分类器;利用六个支持向量机分类器构成所需的故障感知模型。
(ⅴ)设置训练过程的超参数,获取经预测模型和人工核验综合判断得到的初步预测结果,并利用训练数据集对构建的故障感知模型进行训练,将初步预测结果与故障感知模型输出的结果进行比较,进而计算故障感知模型的最小误差;直到达到训练阶段对最小误差的要求,完成所述故障感知模型的训练过程。
本实施例中构建的故障诊断模型是一个已完成训练的三层神经网络,包括输入层、隐含层和输出层。输入层的神经元数量与各个故障类型关联的故障标签的数量相对应,输入的特征数据为各个故障标签的特征值。隐含层采用ReLU激活函数;输出层的神经元数量等于各个故障类型关联的原因的数量,且输出层得到故障类型关联的各个原因的概率,并以各个原因中概率最大的原因作为输出的诊断结果。
步骤三:实时采集与低压台区出现的各个故障类型相关的各类特征量的特征数据,并对特征数据进行数据清洗。基于清洗后的特征数据生成相应的故障标签,完成故障标签的赋值。
本实施例中,故障标签的生成与赋值过程如下:判断相应的采集的特征量是否处于异常区间内,是则生成一个与当前特征量关联的故障标签;然后对当前特征量的检测值进行归一化处理,将归一化处理的结果赋值给故障标签,作为故障标签的特征值。
步骤四:将上步骤清洗后的特征数据输入到故障感知模型中,判断当前低压台区是否存在故障,输出相应的故障预测结果。
步骤五:在低压台区出现故障时,将生成的故障标签的特征值输入到故障诊断模型中,诊断出引起当前低压台区故障的原因。
本实施例中,诊断的故障原因主要包括如下内容:
当判断当前的故障类型为采集故障时:1、对于终端离线的异常状态,表现为终端离线某个台区的集中器不在线,其可能是某种或多种因素造成的,如现场断电、终端故障、通讯故障等。2、对于集中器下电表全无数据的异常状态,在出现该现象时,无法直接判断出该异常现象的具体问题出现在何处,可能是主站采集异常、集中器掉线、集中器不抄表、集中器时钟异常、CCO模块不抄表,还有可能是现场电能表抄表出现问题。3、对于采集器下电表全无数据的异常状态,该故障可能由于485线路断开、STA模块故障、采集器故障引起,一般很难由于所有电能表故障所引起。4、对于电能表持续多天无抄表数据的异常状态,可能是由于电能表自身存在硬件故障、时钟超差、电池欠压,也有可能是电能表采集器或载波模块与电表之间连接出现中断,还有可能是终端无法获取采集器或载波模块的数据。
当判断当前的故障类型为计量故障时:对于电能表示值不平的异常状态,可能是由于集中器、采集器或者载波模块导致,也可能是电能表自身存储或者硬件故障导致。
当判断当前的故障类型为用电故障时:对于电压三相不平衡的异常状态,可能是由于分相带的用户比较多导致,断线或者接地也可能导致用电故障。
当判断当前的故障类型为费控故障时:1、对于载波超时的异常状态,可能的原因包括终端下发指令到表计,表计受载波环境影响数据未及时或未成功返回结果导致任务超时。2、对于任务下发失败的异常状态,可能存在的原因是通道占用(多任务同时执行,集中器在接受费控指令时,还有其他任务在执行,如采集数据、下发参数等任务)。3、对于认证失败的异常状态,可能存在的原因是主站下发费控指令,需要先调用加密机身份认证,身份认证失败,则密钥无法下装,后续指令无法到终端执行该命令。4、对于终端响应超时的异常状态,可能存在的原因是终端接受费控指令后180秒内未返回结果至主站,超过180秒通道关闭,初步判断结果终端响应超时。5、对于否认报文的异常状态,表现为主站下发费控指令至终端,终端未成功识别该指令,终端直接回馈主站否认报文,不执行该命令,通道关闭。6、对于任务超时的异常状态,表现为主站下发费控指令至终端,终端接受并执行任务时间未在规定内返回执行结果,初步判断该任务超时未执行成功。7、对于下发超次数或超时的异常状态,表现为同一电表执行次数超过10次,判定下发超次数;多费控指令执行(一个集中器下有多个用户同时并发执行费控指令,造成集中器响应时间超时。8、对于上行报文错误的异常状态,表现为终端执行任务成功,返回执行结果至主站,终端返回报文类型不符合主站报文类型,主站无法识别该报文,则判断上行报文错误,无法识别。9、对于电表档案错误的异常状态,表现为主站下发指令至现场终端中包含电表档案,下发过程至现场终端未找到该电表档案(资产号、通信地址等)不一致,该命令无法执行,初步判断电表档案错误。10、对于下发失败,任务环境异常的问题,主要包括电表档案异常、终端参数缺失、现场4G信号问题、终端在线状态等原因造成任务无法正常下发到现场。这一类都是外部环境造成,初步判断环境异常。
当判断当前的故障类型为配变故障时:对于电流三相不平衡的异常状态,可能是电压波动,造成电压不平衡,三相电流不平衡;也可能三相,单相负载不平衡,造成三相电流不平衡;还有可能是相线与零线短路,都会造成三相电压,电流不平衡。
在实际应用过程中,本实施例中的故障感知模型和故障诊断模型可以根据实际运行过程中的感知或诊断结果的反馈,实现自主学习从而提高自身的预测成功率,进而更好地发挥保障低压台区运行稳定性的要求。
本实施例提供的故障智能诊断方法,可以根据采集到的特征数据,对当前低压台区中各设备的实时运行情况进行监测,并对各设备的故障状态进行评估,及时预测可能存在的故障,并准确判断出故障类型以及故障的形成原因。其中本发明采用了基于聚类算法的标签模型以及神经网络模型作为方案中的故障感知模型和故障诊断模型;利用了这些模型的自学习性能、以及高可靠性和高可用性,极大提高了故障诊断结果的准确率好快速性,达到更加及时更加精准的故障分类和分析效果;降低了故障分析以及运维管理过程中对人工经验的依赖性。
实施例2
本实施例提供一种适用于低压台区的故障智能诊断方法,本实施例与实施例1的区别在于:本实施例增加运维需求的派单过程,具体的本实施例提供的方法流程如图2所示,具体过程如下:
步骤一:确定低压台区出现的各个故障类型,以及与各个故障类型关联的多个特征量;并将各个特征量反映的异常特征状态定义为一个相应的故障标签。
其中,本实施例根据低压台区实际运行过程中出现的故障,将低压台区出现的故障类型分为采集故障、计量故障、用电故障、费控故障、配变故障和台区线损异常共六个大类。
本实施例中,与各个故障类型关联的异常特征状态的对应关系包括:
(a)与采集故障关联的异常特征状态,包括:终端离线、集中器下电表全无数据、采集器下电表全无数据、电能表持续多天无抄表数据。
(b)与计量故障关联的异常特征状态,包括:电能表飞走或突变、电能表倒走、电表示值停走、电能表时钟超差、电能表开盖、电能表开钮盖、电能表零电压、电能表电池欠压。
(c)与用电故障关联的异常特征状态,包括:电压缺相、电流失流、零序电流异常、电压断相、电流三相不平衡、电压三相不平衡、功率因数异常、过载。
(d)与费控故障关联的异常特征状态,包括:载波超时、任务下发失败、认证失败、终端响应超时、否认报文、任务超时、下发超次数或超时、上行报文错误、电表档案错误、任务下发失败、任务环境异常。
(e)与配变故障关联的异常特征状态,包括:电流三相不平衡、A/B/C相电流失流、A/B/C相过载、A/B/C相电压断相、A/B/C相电压失压、电压三相不平衡、功率因数异常、低电压、台区负载率>80%、A/B/C相重载、A/B/C相轻载、空载。
(f)与台区线损异常关联的异常特征状态,包括:采集运维管理类状态、台区计量管理类状态、台区诊断分析类状态和高损异常类状态。其中,采集运维管理类状态包括:连续超过三天采集失败、表计时钟错误、电能表飞走和突变、失压、失流、断相、过载;台区计量管理类状态包括:总表未覆盖、倍率异常、参考表异常、计量点级别异常;台区诊断分析类状态包括:台区三相不平衡、台区功率因数监测、反向有功大于0、电能表示值停走、电流反向、电能表开盖、电压越下限、零电压、零火线超差;高损异常类状态包括:月连续高损、日连续高损、月线损合格日线损不合格、不可监测台区分析。
步骤二:构建用于识别低压台区出现的故障类型的故障感知模型,以及用于分析故障发生原因的故障诊断模型。故障感知模型为基于分类算法的标签模型;故障感知模型的输入为低压台区运行过程中各个特征量的特征值,故障感知模型的输出为不同故障类型的预测结果。故障诊断模型为经过训练的神经网络模型;故障诊断模型中包括与各个故障类型相对应的多个子模型。故障诊断模型的输入为故障感知模型输出的故障预测结果对应的各个故障标签的特征值,故障诊断模型的输出为预测出的故障对应的发生原因。
本实施例中,故障感知模型的构建方法如下:
(ⅰ)根据各个故障类型关联的故障标签,对低压台区中各个故障类型的异常特征状态进行特征值提取,并基于故障标签形成完整的故障画像。
(ⅱ)对上步骤中的各类故障标签进行人工类别区分和层级关系建立,并设计各故障类型中不同故障标签的权重,定义故障标签与故障类型的计算公式,形成训练数据集的预测模型。
(ⅲ)实时采集与低压台区出现的各个故障类型关联的异常特征状态的特征数据,将该特征数据作为训练数据集;结合预测模型和人工核验对训练数据集进行初步预测。
(ⅳ)使用高斯核函数作为故障感知模型的核函数,采用一对多的多标签故障诊断算法,并以训练数据集中的特征数据为输入样本,以采集故障、计量故障、用电故障、费控故障、配变故障和台区线损异常为输出的故障类型;针对六种故障类型构造六个支持向量机分类器;利用六个支持向量机分类器构成所需的故障感知模型。
(ⅴ)设置训练过程的超参数,获取经预测模型和人工核验综合判断得到的初步预测结果,并利用训练数据集对构建的故障感知模型进行训练,将初步预测结果与故障感知模型输出的结果进行比较,进而计算故障感知模型的最小误差;直到达到训练阶段对最小误差的要求,完成所述故障感知模型的训练过程。
本实施例中构建的故障诊断模型是一个已完成训练的三层神经网络,包括输入层、隐含层和输出层。输入层的神经元数量与各个故障类型关联的故障标签的数量相对应,输入的特征数据为各个故障标签的特征值。隐含层采用ReLU激活函数;输出层的神经元数量等于各个故障类型关联的原因的数量,且输出层得到故障类型关联的各个原因的概率,并以各个原因中概率最大的原因作为输出的诊断结果。
步骤三:实时采集与低压台区出现的各个故障类型相关的各类特征量的特征数据,并对特征数据进行数据清洗。基于清洗后的特征数据生成相应的故障标签,完成故障标签的赋值。
本实施例中,故障标签的生成与赋值过程如下:判断相应的采集的特征量是否处于异常区间内,是则生成一个与当前特征量关联的故障标签;然后对当前特征量的检测值进行归一化处理,将归一化处理的结果赋值给故障标签,作为故障标签的特征值。
步骤四:将上步骤清洗后的特征数据输入到故障感知模型中,判断当前低压台区是否存在故障,输出相应的故障预测结果。
步骤五:在低压台区出现故障时,将生成的故障标签的特征值输入到故障诊断模型中,诊断出引起当前低压台区故障的原因。
步骤六:根据判定的故障以及诊断出的故障原因,查询一个由专家经验建立的“故障与解决方案对照表”,得到当前故障的解决方案,并将解决方案发送给相应的运维人员。
其中,“故障与解决方案对照表”中建立有不同原因引起的故障类型与相应的故障解决方案之间的映射关系。
在本实施例中,对于诊断出来的故障,通过查询“故障与解决方案对照表”能够得到相应的解决方案,这种解决方案通常是现场的运维人员根据工作经验总结的处理相关故障的标准流程,对于新进技术人员,这种解决方案的详细流程可以作为具体的工作指引,便于他们及时解决问题,这样就可以降低运维管理中的技术人员经验和或个人能力的依赖,达到更加稳定的运维水平。
通常来说,运维过程中不同的故障由相应的技术人员进行处理,在运维需求处理过程中,这些特定的运维需求通常也是发送给特定的运维管理技术人员的。
实施例3
本实施例提供一种适用于低压台区的运维***,该运维***采用如实施例2中的适用于低压台区的故障智能诊断方法,实现对低压台区的实时监测、故障感知和故障原因诊断的过程,并将相应的运维需求和解决方案派单到对应的负责人员进行处理。如图3所示,该运维***包括:特征采集模块、故障标签生成模块、故障感知模块、故障诊断模块、解决方案查询模块,以及运维需求派单模块。
其中,特征采集模块用于采集与低压台区可能出现的故障关联的所有特征量的值。
故障标签生成模块用于判断特征采集模块采集到的各个特征量的值是否处于异常区间,并针对处于异常区间的特征量生成一个故障标签,对相应的特征量的特征值进行归一化处理,赋值给所述故障标签。
故障感知模块用于根据特征采集模块采集到的各个特征量的值,判断出当前低压台区是否存在故障;故障感知模型判断出的故障类型包括采集故障、计量故障、用电故障、费控故障、配变故障和台区线损异常。
故障诊断模块用于在故障诊断模块判断出当前低压台区存在故障时,获取当前故障对应的故障标签的值,并根据故障标签的特征值分析得出当前出现的故障对应的故障发生原因。
解决方案查询模块用于获取故障感知模块得出的故障以及故障诊断模块得出的故障发生原因;并查询一个根据专家经验建立的“故障与解决方案对照表”,得到当前故障的解决方案。
运维需求派单模块用于获取解决方案查询模型得到的当前故障的解决方案;并查询一个“运维人员责任表”,得到当前故障对应的运维人员,最后将当前故障对应的解决方案发送到当前故障对应的运维人员。
本实施例中,故障诊断模块中包括采集故障子模型、计量故障子模型、用电故障子模型、费控故障子模型、配变故障子模型和台区线损异常子模型;故障诊断模型在获取到故障感知模型判断出的故障预测结果时,分别调用相应的子模型完成对不同故障类型对应的故障发生原因的分析过程。
其中,“运维人员责任表”是根据低压台区管理现状建立的负责人员的责任分类表;“运维人员责任表”中建立有不同的故障类型和故障发生原因与各个运维人员之间的对应关系。且“运维人员责任表”中的内容根据当前低压台区的管理现状进行实时更新。保证不同的运维需求总是能够被直接送达到相应的负责人处。
本实施例中的运维需求派单模块既可以向PC端发出相应的运维需求,也可以向移动端发出相应的运维需求。进而实现一键派单到台区经理,并提供有效的解决方案和操作指引的目的;台区经理接收到相应的运维需求时,可以在现场将台区内所有故障都处理完,大大提高故障处理效率。
以上所述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发明的几种实施方式,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,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明的保护范围应以所附权利要求为准。
Claims (10)
1.一种适用于低压台区的故障智能诊断方法,其特征在于,所述故障智能诊断方法包括如下步骤:
步骤一:确定低压台区出现的各个故障类型,以及与各个所述故障类型关联的多个特征量;并将各个所述特征量反映的异常特征状态定义为一个相应的故障标签;
步骤二:构建用于识别低压台区出现的故障类型的故障感知模型,以及用于分析故障发生原因的故障诊断模型;所述故障感知模型为基于分类算法的标签模型;所述故障感知模型的输入为低压台区运行过程中各个特征量的特征值,所述故障感知模型的输出为不同故障类型的预测结果;所述故障诊断模型为经过训练的神经网络模型;所述故障诊断模型中包括与各个所述故障类型相对应的多个子模型;所述故障诊断模型的输入为所述故障感知模型输出的故障预测结果对应的各个所述故障标签的特征值,所述故障诊断模型的输出为预测出的故障对应的发生原因;
步骤三:实时采集与低压台区出现的各个所述故障类型相关的各类特征量的特征数据,并对特征数据进行数据清洗;基于清洗后的所述特征数据生成相应的故障标签,完成所述故障标签的赋值;
步骤四:将上步骤清洗后的所述特征数据输入到所述故障感知模型中,判断当前低压台区是否存在故障,输出相应的故障预测结果;
步骤五:在低压台区出现故障时,将生成的故障标签的特征值输入到对应的所述故障诊断模型中,诊断出引起当前低压台区故障的原因。
2.根据权利要求1所述的适用于低压台区的故障智能诊断方法,其特征在于:所述步骤一中,低压台区出现的所述故障类型包括采集故障、计量故障、用电故障、费控故障、配变故障和台区线损异常。
3.根据权利要求2所述的适用于低压台区的故障智能诊断方法,其特征在于:所述步骤一中,与各个所述故障类型关联的异常特征状态的对应关系包括:
(a)与所述采集故障关联的异常特征状态,包括:终端离线、集中器下电表全无数据、采集器下电表全无数据、电能表持续多天无抄表数据;
(b)与所述计量故障关联的异常特征状态,包括:电能表飞走或突变、电能表倒走、电表示值停走、电能表时钟超差、电能表开盖、电能表开钮盖、电能表零电压、电能表电池欠压;
(c)与所述用电故障关联的异常特征状态,包括:电压缺相、电流失流、零序电流异常、电压断相、电流三相不平衡、电压三相不平衡、功率因数异常、过载;
(d)与所述费控故障关联的异常特征状态,包括:载波超时、任务下发失败、认证失败、终端响应超时、否认报文、任务超时、下发超次数或超时、上行报文错误、电表档案错误、任务下发失败、任务环境异常;
(e)与所述配变故障关联的异常特征状态,包括:电流三相不平衡、A/B/C相电流失流、A/B/C相过载、A/B/C相电压断相、A/B/C相电压失压、电压三相不平衡、功率因数异常、低电压、台区负载率>80%、A/B/C相重载、A/B/C相轻载、空载;
(f)与所述台区线损异常关联的异常特征状态,包括:采集运维管理类状态、台区计量管理类状态、台区诊断分析类状态和高损异常类状态;其中,所述采集运维管理类状态包括:连续超过三天采集失败、表计时钟错误、电能表飞走和突变、失压、失流、断相、过载;所述台区计量管理类状态包括:总表未覆盖、倍率异常、参考表异常、计量点级别异常;所述台区诊断分析类状态包括:台区三相不平衡、台区功率因数监测、反向有功大于0、电能表示值停走、电流反向、电能表开盖、电压越下限、零电压、零火线超差;所述高损异常类状态包括:月连续高损、日连续高损、月线损合格日线损不合格、不可监测台区分析。
4.根据权利要求3所述的适用于低压台区的故障智能诊断方法,其特征在于:所述步骤二中,所述故障感知模型的构建方法如下:
(ⅰ)根据各个故障类型关联的故障标签,对低压台区中各个故障类型的异常特征状态进行特征值提取,并基于故障标签形成完整的故障画像;
(ⅱ)对上步骤中的各类故障标签进行人工类别区分和层级关系建立,并设计各故障类型中不同故障标签的权重,定义故障标签与故障类型的计算公式,形成训练数据集的预测模型;
(ⅲ)实时采集与低压台区出现的各个所述故障类型关联的异常特征状态的特征数据,将该特征数据作为训练数据集;结合预测模型和人工核验对训练数据集进行初步预测;
(ⅳ)使用高斯核函数作为所述故障感知模型的核函数,采用一对多的多标签故障诊断算法,并以所述训练数据集中的特征数据为输入样本,以所述采集故障、计量故障、用电故障、费控故障、配变故障和台区线损异常为输出的故障类型;针对六种故障类型构造六个支持向量机分类器;利用六个所述支持向量机分类器构成所需的故障感知模型;
(ⅴ)设置训练过程的超参数,获取经所述预测模型和人工核验综合判断得到的初步预测结果,并利用所述训练数据集对构建的所述故障感知模型进行训练,将所述初步预测结果与所述故障感知模型输出的预测结果进行比较,进而计算出所述故障感知模型的最小误差;直到达到训练阶段对最小误差的要求,完成所述故障感知模型的训练过程。
5.根据权利要求4所述的适用于低压台区的故障智能诊断方法,其特征在于:所述故障诊断模型是一个已完成训练的三层神经网络,包括输入层、隐含层和输出层;所述输入层的神经元数量与各个所述故障类型关联的故障标签的数量相对应,输入的特征数据为各个故障标签的特征值;所述隐含层采用ReLU激活函数;所述输出层的神经元数量等于各个所述故障类型关联的原因的数量,且所述输出层得到所述故障类型关联的各个原因的概率,并以各个原因中概率最大的原因作为输出的诊断结果。
6.根据权利要求5所述的适用于低压台区的故障智能诊断方法,其特征在于,所述步骤三中,故障标签的生成与赋值过程如下:判断相应的采集的所述特征量是否处于异常区间内,是则生成一个与当前特征量关联的故障标签;然后对当前特征量的检测值进行归一化处理,将归一化处理的结果赋值给所述故障标签,作为所述故障标签的特征值。
7.根据权利要求6所述的适用于低压台区的故障智能诊断方法,其特征在于:所述故障智能诊断方法还包括:
步骤六:根据判定的故障以及诊断出的故障原因,查询一个由专家经验建立的“故障与解决方案对照表”,得到当前故障的解决方案,并将所述解决方案发送给相应的运维人员;其中,所述“故障与解决方案对照表”中建立有不同原因引起的故障类型与相应的故障解决方案之间的映射关系。
8.一种适用于低压台区的运维***,其特征在于,所述运维***采用如权利要求1-7任意一项所述的适用于低压台区的故障智能诊断方法,实现对低压台区的实时监测、故障感知和故障原因诊断的过程,并将相应的运维需求和解决方案派单到对应的负责人员进行处理;所述运维***包括:
特征采集模块,其用于采集与低压台区可能出现的故障关联的所有特征量的值;
故障标签生成模块,其用于判断所述特征采集模块采集到的各个特征量的值是否处于异常区间,并针对处于异常区间的特征量生成一个故障标签,对相应的特征量的特征值进行归一化处理,赋值给所述故障标签;
故障感知模块,其用于根据所述特征采集模块采集到的各个特征量的值,判断出当前低压台区是否存在故障;所述故障感知模型判断出的故障类型包括采集故障、计量故障、用电故障、费控故障、配变故障和台区线损异常;
故障诊断模块;其用于在故障诊断模块判断出当前低压台区存在故障时,获取当前故障对应的所述故障标签的值,并根据故障标签的特征值分析得出当前出现的故障对应的故障发生原因;
解决方案查询模块;其用于获取所述故障感知模块得出的故障以及所述故障诊断模块得出的所述故障发生原因;并查询一个根据专家经验建立的“故障与解决方案对照表”,得到当前故障的解决方案;以及
运维需求派单模块;其用于获取所述解决方案查询模型得到的当前故障的解决方案;并查询一个“运维人员责任表”,得到当前故障对应的运维人员,将当前故障对应的解决方案发送到当前故障对应的运维人员。
9.根据权利要求8所述的适用于低压台区的运维***,其特征在于,所述故障诊断模块中包括采集故障子模型、计量故障子模型、用电故障子模型、费控故障子模型、配变故障子模型和台区线损异常子模型;所述故障诊断模型在获取到所述故障感知模型判断出的故障预测结果时,分别调用相应的子模型完成对不同故障类型对应的故障发生原因的分析过程。
10.根据权利要求8所述的适用于低压台区的运维***,其特征在于,所述“运维人员责任表”是根据低压台区管理现状建立的负责人员的责任分类表;所述“运维人员责任表”中建立有不同的故障类型和故障发生原因与各个运维人员之间的对应关系;且所述“运维人员责任表”中的内容根据当前低压台区的管理现状进行实时更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110694891.5A CN113406438B (zh) | 2021-06-23 | 2021-06-23 | 一种适用于低压台区的故障智能诊断方法及其运维*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110694891.5A CN113406438B (zh) | 2021-06-23 | 2021-06-23 | 一种适用于低压台区的故障智能诊断方法及其运维*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113406438A true CN113406438A (zh) | 2021-09-17 |
CN113406438B CN113406438B (zh) | 2023-11-24 |
Family
ID=77682471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110694891.5A Active CN113406438B (zh) | 2021-06-23 | 2021-06-23 | 一种适用于低压台区的故障智能诊断方法及其运维*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113406438B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113923542A (zh) * | 2021-10-28 | 2022-01-11 | 国网江苏省电力有限公司营销服务中心 | 一种低压台区全链路抄表时延检测方法及*** |
CN114200243A (zh) * | 2021-12-24 | 2022-03-18 | 广西电网有限责任公司 | 低压台区故障智能诊断方法及*** |
CN114528929A (zh) * | 2022-02-14 | 2022-05-24 | 国网山东省电力公司营销服务中心(计量中心) | 一种多源数据的台区量测***和方法 |
CN115859162A (zh) * | 2023-02-21 | 2023-03-28 | 深圳市超业电力科技有限公司 | 基于物联网的配电***健康诊断方法及相关装置 |
WO2024098357A1 (zh) * | 2022-11-11 | 2024-05-16 | 宁德时代新能源科技股份有限公司 | 动力电池控制策略确定方法、设备控制方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108732528A (zh) * | 2018-05-28 | 2018-11-02 | 国网福建省电力有限公司电力科学研究院 | 一种基于深度置信网络的数字化电能表故障诊断方法 |
CN111985558A (zh) * | 2020-08-19 | 2020-11-24 | 安徽蓝杰鑫信息科技有限公司 | 一种电能表异常诊断方法及其*** |
CN111985561A (zh) * | 2020-08-19 | 2020-11-24 | 安徽蓝杰鑫信息科技有限公司 | 一种智能电表的故障诊断方法、***及电子装置 |
CN112749509A (zh) * | 2020-12-30 | 2021-05-04 | 西华大学 | 一种基于lstm神经网络的智能变电站故障诊断方法 |
-
2021
- 2021-06-23 CN CN202110694891.5A patent/CN113406438B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108732528A (zh) * | 2018-05-28 | 2018-11-02 | 国网福建省电力有限公司电力科学研究院 | 一种基于深度置信网络的数字化电能表故障诊断方法 |
CN111985558A (zh) * | 2020-08-19 | 2020-11-24 | 安徽蓝杰鑫信息科技有限公司 | 一种电能表异常诊断方法及其*** |
CN111985561A (zh) * | 2020-08-19 | 2020-11-24 | 安徽蓝杰鑫信息科技有限公司 | 一种智能电表的故障诊断方法、***及电子装置 |
CN112749509A (zh) * | 2020-12-30 | 2021-05-04 | 西华大学 | 一种基于lstm神经网络的智能变电站故障诊断方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113923542A (zh) * | 2021-10-28 | 2022-01-11 | 国网江苏省电力有限公司营销服务中心 | 一种低压台区全链路抄表时延检测方法及*** |
CN114200243A (zh) * | 2021-12-24 | 2022-03-18 | 广西电网有限责任公司 | 低压台区故障智能诊断方法及*** |
CN114200243B (zh) * | 2021-12-24 | 2023-10-24 | 广西电网有限责任公司 | 低压台区故障智能诊断方法及*** |
CN114528929A (zh) * | 2022-02-14 | 2022-05-24 | 国网山东省电力公司营销服务中心(计量中心) | 一种多源数据的台区量测***和方法 |
CN114528929B (zh) * | 2022-02-14 | 2023-06-20 | 国网山东省电力公司营销服务中心(计量中心) | 一种多源数据的台区量测***和方法 |
WO2024098357A1 (zh) * | 2022-11-11 | 2024-05-16 | 宁德时代新能源科技股份有限公司 | 动力电池控制策略确定方法、设备控制方法和装置 |
CN115859162A (zh) * | 2023-02-21 | 2023-03-28 | 深圳市超业电力科技有限公司 | 基于物联网的配电***健康诊断方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113406438B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113406438B (zh) | 一种适用于低压台区的故障智能诊断方法及其运维*** | |
CN112788142B (zh) | 一种支持多传感器接入的智能边缘物联网关 | |
CN108931972B (zh) | 一种基于模型驱动的变电站二次设备状态智能诊断方法 | |
CN113267692B (zh) | 一种低压台区线损智能诊断分析方法和*** | |
Khalyasmaa et al. | High-voltage circuit breakers technical state patterns recognition based on machine learning methods | |
CN110674282B (zh) | 基于专家知识规则库的一键顺控操作票智能拟制方法 | |
CN110826228B (zh) | 一种地区电网运行品质极限评估方法 | |
CN110311709A (zh) | 用电信息采集***故障判别方法 | |
CN116128467A (zh) | 用电***维护方法、装置、计算机设备和存储介质 | |
CN114202304A (zh) | 一种电网故障智能监控处理方法及*** | |
CN116522746A (zh) | 高耗能企业配电托管方法 | |
CN115293257A (zh) | 一种针对异常用电用户的检测方法及*** | |
CN110968703B (zh) | 基于lstm端到端抽取算法的异常计量点知识库构建方法及*** | |
CN108845285B (zh) | 电能计量装置检测方法和*** | |
CN112905670A (zh) | 用于户内停电故障研判的电能表***、户内停电故障研判方法 | |
CN115587635A (zh) | 一种基于中性点偏移判断的台区线损分析方法、*** | |
CN112053086B (zh) | 基于大数据电网运行诊断***的工作方法 | |
CN115146715A (zh) | 用电安全隐患诊断方法、装置、设备及存储介质 | |
CN114168662A (zh) | 一种基于多数据源的配电网问题梳理分析方法及*** | |
CN106684865A (zh) | 一种无功日曲线不良数据识别与修正方法 | |
CN112016631A (zh) | 一种低电压治理相关的改进方案 | |
CN113902278B (zh) | 一种专变用户设备管理***与方法 | |
Sun et al. | Design of Automatic Management System of Electric Power Marketing Charges and Accounts Based on Robot Process Automation | |
Yang et al. | Power Supply Reliability Evaluation Method of Distribution Network Based on Improved LSTM Neural Network | |
CN117575308B (zh) | 分布式配电网的风险评估方法、装置、设备及存储介质 |
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 |