CN117134503B - 一种大型电力供电装置的状态监测方法及*** - Google Patents
一种大型电力供电装置的状态监测方法及*** Download PDFInfo
- Publication number
- CN117134503B CN117134503B CN202311373706.8A CN202311373706A CN117134503B CN 117134503 B CN117134503 B CN 117134503B CN 202311373706 A CN202311373706 A CN 202311373706A CN 117134503 B CN117134503 B CN 117134503B
- Authority
- CN
- China
- Prior art keywords
- power supply
- supply device
- operation characteristic
- data
- detection data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012544 monitoring process Methods 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 147
- 238000010801 machine learning Methods 0.000 claims abstract description 23
- 238000012423 maintenance Methods 0.000 claims abstract description 22
- 238000013210 evaluation model Methods 0.000 claims description 108
- 238000011156 evaluation Methods 0.000 claims description 89
- 238000012549 training Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 3
- 239000003921 oil Substances 0.000 description 33
- 239000007789 gas Substances 0.000 description 26
- 238000010586 diagram Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 239000002253 acid Substances 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000009413 insulation Methods 0.000 description 4
- 238000003556 assay Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000002378 acidificating effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 239000000314 lubricant Substances 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- -1 moisture Substances 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 150000007524 organic acids Chemical class 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
- H02J13/00016—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment using a wired telecommunication network or a data transmission bus
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Power Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明涉及供电装置维护的技术领域，特别是涉及一种大型电力供电装置的状态监测方法及***，其利用多种运行特征数据和机器学习技术，实现了对大型电力供电装置状态的监测和故障诊断，具有全面、准确、实时和高效节省成本的优点；方法应用于供电装置维护，其方法包括获取供电装置的历史运维数据信息，历史运维数据信息包括不同的供电装置历史故障类型以及故障发生前设定时间内的供电装置历史运行特征数据；根据运行特征检测特性，对供电装置历史运行特征数据进行分类，获得第一电力运行特征数据集合和第二电力运行特征数据集合。
Description
技术领域
本发明涉及供电装置维护的技术领域，特别是涉及一种大型电力供电装置的状态监测方法及***。
背景技术
大型电力供电装置是指能够提供大功率电力输出的装置，包括发电厂和变电站，这些装置通常需要高电压和大电流的电力输出，以确保电力需求的稳定和可靠；
现有的大型电力供电装置的状态监测方法仅仅是通过对供电装置的电流、电压参数进行监测，来判断大型电力供电装置的状态；由于不同类型的电力故障所引发的电流或电压波动可能存在相似情况，因此无法快速的确定供电装置的故障类型，因此，亟需一种大型电力供电装置的状态监测方法。
发明内容
为解决上述技术问题，本发明提供一种利用多种运行特征数据和机器学习技术，实现了对大型电力供电装置状态的监测和故障诊断，具有全面、准确、实时和高效节省成本的优点的大型电力供电装置的状态监测方法。
第一方面，本发明提供了一种大型电力供电装置的状态监测方法，所述方法包括：
获取供电装置的历史运维数据信息，所述历史运维数据信息包括不同的供电装置历史故障类型以及故障发生前设定时间内的供电装置历史运行特征数据；
所述供电装置历史运行特征数据包括供电装置在运行过程中的电流波动数据、电压波动数据、振动检测数据、温度检测数据、声波检测数据、气体检测数据和绝缘油检测数据；
其中，所述电流波动数据和电压波动数据实时获取，所述振动检测数据、温度检测数据、声波检测数据、气体检测数据和绝缘油检测数据按设定时间节点获取；
根据运行特征检测特性，对供电装置历史运行特征数据进行分类，获得第一电力运行特征数据集合和第二电力运行特征数据集合，所述第一电力运行特征数据集合包括电流波动数据和电压波动数据，所述第二电力运行特征数据集合包括振动检测数据、温度检测数据、声波检测数据、气体检测数据和绝缘油检测数据；
将第一电力运行特征数据集合、第二电力运行特征数据集合和对应的供电装置历史故障类型上传至机器学习平台，构建一阶设备状态评估模型和二阶设备状态评估模型；
其中，所述一阶设备状态评估模型的输入为第一电力运行特征数据集合，输出为二阶设备状态评估模型的评价参数；所述二阶设备状态评估模型的输入为第二电力运行特征数据集合和确定的评价参数，输出为供电装置的故障类型；
在实际应用中，实时获取供电装置的第一电力运行特征数据集合，并输入至一阶设备状态评估模型中，获得二阶设备状态评估模型的评价参数；
将二阶设备状态评估模型的评价参数与预设参数阈值进行比较：
若评价参数小于预设参数阈值，则无需获取第二电力运行特征数据集合，并继续保持对第一电力运行特征数据集合的获取与分析；
若评价参数不小于预设参数阈值，则获取第二电力运行特征数据集合，并将第二电力运行特征数据集合与评价参数输入至二阶设备状态评估模型中，获得供电装置的故障类型。
进一步地，所述二阶设备状态评估模型采用多元线性回归模型，所述一阶设备状态评估模型输出的评价参数表示为：
[ωv,ωt,ωs,ωg,ωi]
其中，ωv表示振动检测数据对故障类型判断的影响权重，ωt表示温度检测数据对故障类型判断的影响权重，ωs表示声波检测数据对故障类型判断的影响权重，ωg表示气体检测数据对故障类型判断的影响权重，ωi表示绝缘油检测数据对故障类型判断的影响权重。
进一步地，所述二阶设备状态评估模型的运算公式为：
Y＝ωv×V+ωt×T+ωs×S+ωg×G+ωi×I+ε
其中，Y表示供电装置的故障类型参数，V表示振动检测数据，T表示温度检测数据，S表示声波检测数据，G表示气体检测数据，I表示绝缘油检测数据,ε表示误差项。
进一步地，所述一阶设备状态评估模型的构建方法为：
根据历史运维数据信息，整理供电装置的历史运行特征数据和对应的故障类型数据；
对第一电力运行特征数据集合进行处理和提取特征，将原始数据转化为实用的特征，供机器学习模型使用；
选择机器学习方法，根据准备好的训练数据，使用选定的算法进行模型训练，并对模型进行评估和调优；
在训练完成后，提取模型的相关参数作为一阶设备状态评估模型的输出，输出的评价参数为[ωv,ωt,ωs,ωg,ωi]。
进一步地，所述二阶设备状态评估模型的构建方法为：
根据历史运维数据信息，整理供电装置的第二电力运行特征数据集合和对应的故障类型数据；
采用多元线性回归模型，将第二电力运行特征数据集合作为自变量，故障类型参数作为因变量，拟合回归模型，并对模型进行训练；
训练完成后，通过二阶设备状态评估模型来预测供电装置的故障类型参数；
对历史运维数据信息进行机器学习，建立故障类型参数与实际故障类型之间的映射关系。
进一步地，所述第二电力运行特征数据集合的数据采集方法，包括：
使用振动传感器检测供电装置的振动情况；
使用温度传感器监测供电装置的温度；
使用声学传感器采集供电装置产生的声波信号；
使用气体传感器测量供电装置周围的气体成分；
对供电装置的绝缘油进行采样和测试，分析油中的化学成分和物理特性。
进一步地，所述预设参数阈值的设定因素包括可靠性要求、历史数据分析、设备类型、出厂建议和实际维护经验。
另一方面，本申请还提供了一种大型电力供电装置的状态监测***，所述***包括：
数据获取模块，用于获取供电装置的历史运维数据信息，所述历史运维数据信息包括不同的供电装置历史故障类型以及故障发生前设定时间内的供电装置历史运行特征数据，并发送；
其中，所述供电装置历史运行特征数据包括供电装置在运行过程中的电流波动数据、电压波动数据、振动检测数据、温度检测数据、声波检测数据、气体检测数据和绝缘油检测数据；所述电流波动数据和电压波动数据实时获取，所述振动检测数据、温度检测数据、声波检测数据、气体检测数据和绝缘油检测数据按设定时间节点获取；
特征分类模块，用于接收历史故障类型和历史运行特征数据，基于运行特征检测特性，对供电装置历史运行特征数据进行分类，获得第一电力运行特征数据集合和第二电力运行特征数据集合，并发送；所述第一电力运行特征数据集合包括电流波动数据和电压波动数据，所述第二电力运行特征数据集合包括振动检测数据、温度检测数据、声波检测数据、气体检测数据和绝缘油检测数据；
模型构建模块，用于接收第一电力运行特征数据集合和第二电力运行特征数据集合并上传至机器学习平台，构建一阶设备状态评估模型和二阶设备状态评估模型，并发送；
其中，所述一阶设备状态评估模型的输入为第一电力运行特征数据集合，输出为二阶设备状态评估模型的评价参数；所述二阶设备状态评估模型的输入为第二电力运行特征数据集合和确定的评价参数，输出为供电装置的故障类型；
实时评估模块，用于接收一阶设备状态评估模型和二阶设备状态评估模型；实时获取第一电力运行特征数据集合，并输入至一阶设备状态评估模型中，获得二阶设备状态评估模型的评价参数，并发送；
故障分析模块，用于接收二阶设备状态评估模型的评价参数，将二阶设备状态评估模型的评价参数与预设参数阈值进行比较：
若评价参数小于预设参数阈值，则无需获取第二电力运行特征数据集合，并继续保持对第一电力运行特征数据集合的获取与分析；
若评价参数不小于预设参数阈值，则获取第二电力运行特征数据集合，并将第二电力运行特征数据集合与评价参数输入至二阶设备状态评估模型中，获得供电装置的故障类型。
第三方面，本申请提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
与现有技术相比本发明的有益效果为：本发明综合了供电装置的多种运行特征数据，通过获取这些数据，能够全面地了解供电装置的运行状态；该方法利用机器学习平台构建一阶设备状态评估模型和二阶设备状态评估模型，通过训练和学习历史运维数据信息以及对应的故障类型，模型能够识别和分类不同的供电装置故障类型；
根据评价参数与预设参数阈值的比较，可以确定是否需要获取第二电力运行特征数据集合，能够及时发现供电装置的故障类型，并采取相应的维修和保养措施；
通过综合多种运行特征数据和机器学习模型的应用，能够提高对供电装置故障的诊断准确性，不仅能够判断故障类型，还能够根据历史数据进行故障预测和趋势分析，有助于提前采取维修措施，避免供电中断和事故发生，
能够及时发现和解决供电装置的问题，减少故障带来的停电时间和维修成本，同时，对供电装置的维护和保养能够有针对性地进行，提高设备的可靠性和使用寿命；
综上所述，本方法利用多种运行特征数据和机器学习技术，实现了对大型电力供电装置状态的监测和故障诊断，具有全面、准确、实时和高效节省成本的优点。
附图说明
图1是本发明的流程图；
图2是一阶设备状态评估模型的构建方法的流程图；
图3是二阶设备状态评估模型的构建方法的流程图；
图4是大型电力供电装置的状态监测***的结构图。
具体实施方式
在本申请的描述中，所属技术领域的技术人员应当知道，本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此，本申请可以具体实现为以下形式：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外，在一些实施例中，本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式，该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括：电、磁、光、电磁、红外或半导体的***、装置或器件，或者以上任意的组合。计算机可读存储介质更具体的例子包括：便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中，计算机可读存储介质可以是任意包含或存储程序的有形介质，该程序可以被指令执行***、装置、器件使用或与其结合使用。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解，流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合，都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而生产出一种机器，这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行，产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样，存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一
如图1至图3所示，本发明的一种大型电力供电装置的状态监测方法，具体包括以下步骤：
S1、获取供电装置的历史运维数据信息，所述历史运维数据信息包括不同的供电装置历史故障类型以及故障发生前设定时间内的供电装置历史运行特征数据；
为了实现大型电力供电装置的状态监测，首先需要收集供电装置的历史运维数据信息，这些数据能够提供有关供电装置在运行过程中的性能、故障类型以及相关运行特征的信息，为后续的状态评估和故障诊断提供依据；
所述供电装置历史运行特征数据包括：
电流波动数据和电压波动数据：使用智能电表采集供电装置的电流和电压，并分析电流和电压的波动情况；电流和电压的波动情况能够反映供电装置的稳定性，需要实时获取供电装置的电流和电压参数，并记录其波动情况；
振动检测数据：使用振动传感器检测供电装置的振动情况，包括振动的幅值、频率和相位等，振动的变化能够反映供电装置的机械运行状态和故障情况；
温度检测数据：利用温度传感器监测供电装置的温度变化情况，包括设备内部和外部的温度，温度的异常变化能够表明供电装置存在过载、散热不良等故障；
声波检测数据：使用声学传感器采集供电装置产生的声波信号，并进行分析，声波信号能够提供供电装置内部的状态信息，如弧光、***或机械撞击等；
气体检测数据：使用气体传感器测量供电装置周围的气体成分变化，重点检测硫化氢、乙炔等有害气体的浓度，气体成分的异常变化表明供电设备的绝缘故障或其它设备问题相关；
绝缘油检测数据：对供电装置的绝缘油进行采样和测试，分析油中的化学成分和物理特性，绝缘油的测试结果能够提供有关绝缘性能的信息，具体包括以下内容：
污染物：绝缘油中的污染物包括固体颗粒、水分、气体和其他杂质；化验可以检测油中的颗粒和水分含量，它们会影响绝缘油的绝缘性能；
绝缘性能：绝缘油的绝缘性能是评估其作为绝缘介质的能力；常见的属性包括介电强度、介质损耗因子、介电常数和体积电阻率等；这些参数可以通过化验和测试来确定；
酸值：绝缘油中的有机酸含量可以通过酸值进行测量；酸值是表示绝缘油中酸性物质含量的指标，高酸值可能意味着油中存在酸性物质，可能导致绝缘材料腐蚀和劣化；
润滑性能：对于某些电力装置，绝缘油同时充当润滑剂；化验可以评估绝缘油的润滑性能，包括粘度、摩擦系数和磨损特性等。通过收集和记录这些历史运行特征数据，建立一份供电装置的数据集，用于后续数据分析、相关性分析和模型训练；其中，所述电流波动数据和电压波动数据实时获取，所述振动检测数据、温度检测数据、声波检测数据、气体检测数据和绝缘油检测数据按设定时间节点获取；通过获取供电装置的历史运维数据信息，能够提供供电装置在运行过程中的性能和故障类型的基础数据，为后续的状态评估、故障诊断和性能优化提供重要依据；
通过分析历史运维数据信息，可以揭示供电装置的稳定性、机械运行状态、绝缘性能和潜在故障等信息；除了电流和电压的波动数据外，通过振动传感器、温度传感器、声波检测、气体传感器和绝缘油检测等多种检测手段，全方位地对供电装置进行监测，从不同的角度获取供电装置的状态信息，提高故障检测和诊断的准确性；
综上所述，通过获取供电装置的历史运维数据信息和运行特征数据，可以全面了解供电装置的性能、故障类型和运行特征，并为后续的状态评估、故障诊断和性能优化提供基础数据和依据
S2、根据运行特征检测特性，对供电装置历史运行特征数据进行分类，获得第一电力运行特征数据集合和第二电力运行特征数据集合，所述第一电力运行特征数据集合包括电流波动数据和电压波动数据，所述第二电力运行特征数据集合包括振动检测数据、温度检测数据、声波检测数据、气体检测数据和绝缘油检测数据；
在S2步骤中，首先需要根据运行特征检测特性，对供电装置历史运行特征数据进行分类，将历史运行特征数据分成两个不同的集合，即第一电力运行特征数据集合和第二电力运行特征数据集合；
第一电力运行特征数据集合包括电流波动数据和电压波动数据。这些数据可以通过实时监测供电装置的电流和电压参数来获取；
第二电力运行特征数据集合包括振动检测数据、温度检测数据、声波检测数据、气体检测数据和绝缘油检测数据，用于监测供电装置在运行过程中的振动、温度、声波、气体和绝缘油的状态；
第一电力运行特征数据集合和第二电力运行特征数据集合的分类依据为：
不同类型的故障对应着不同的运行特征，通过将电流波动数据和电压波动数据与其它多个特征数据分开分类，能够更有针对性地对不同类型的故障进行判断和分析，电流和电压波动更容易与电力故障相关，而振动、温度、声音等数据更容易与机械或绝缘故障相关，电流波动数据和电压波动数据在实时监测中获取较为方便，通过这些数据可以快速进行初步的故障判断；
第二电力运行特征数据集合涉及到更多的传感器获取和检测设备，获取需要一定的时间和成本，因此通过设定一个预设参数阈值，如果第一电力运行特征数据集合的评价参数小于阈值，可以避免频繁地获取第二电力运行特征数据集合，提高效率和成本效益。
通过将运行特征数据分为两个集合，可以更有针对性地对不同类型的故障进行判断和分析；通过设定一个预设参数阈值，如果第一电力运行特征数据集合的评价参数小于阈值，可以避免频繁地获取第二电力运行特征数据集合，从而提高效率和成本效益；将不同类型的运行特征数据分开分类，可以通过综合分析不同特征数据之间的关联性来得出更准确的判断和诊断结果。
S3、将第一电力运行特征数据集合、第二电力运行特征数据集合和对应的供电装置历史故障类型上传至机器学习平台，构建一阶设备状态评估模型和二阶设备状态评估模型；
一阶设备状态评估模型的构建方法为：
S311、根据步骤S1中获取的供电装置历史运维数据信息，整理供电装置的历史运行特征数据和对应的故障类型数据；
S312、对第一电力运行特征数据集合进行处理和提取特征，将原始数据转化为实用的特征，供机器学习模型使用；
S313、根据问题描述，选择适合该场景的机器学习方法，如支持向量机(SVM)、决策树、随机森林等，根据准备好的训练数据，使用选定的算法进行模型训练，并对模型进行评估和调优；
S314、在训练完成后，提取模型的相关参数作为一阶设备状态评估模型的输出，输出的评价参数为[ωv,ωt,ωs,ωg,ωi]，这些参数表示了各个运行特征数据对故障类型判断的影响权重，其中，ωv表示振动检测数据对故障类型判断的影响权重，ωt表示温度检测数据对故障类型判断的影响权重，ωs表示声波检测数据对故障类型判断的影响权重，ωg表示气体检测数据对故障类型判断的影响权重，ωi表示绝缘油检测数据对故障类型判断的影响权重。
二阶设备状态评估模型的构建方法为：
S321、根据步骤S1中获取的供电装置历史运维数据信息，整理供电装置的第二电力运行特征数据集合和对应的故障类型数据；
S322、采用多元线性回归模型，将第二电力运行特征数据集合作为自变量，故障类型参数作为因变量，拟合回归模型，并对模型进行训练；
S323、训练完成后，通过二阶设备状态评估模型来预测供电装置的故障类型，运算公式为Y＝ωv×V+ωt×T+ωs×S+ωg×G+ωi×I+ε，其中，Y表示供电装置的故障类型参数，V表示振动检测数据，T表示温度检测数据，S表示声波检测数据，G表示气体检测数据，I表示绝缘油检测数据,ε表示误差项。
将故障类型参数Y与实际故障类型建立对应关系；具体地，通过对历史运维数据进行训练和学习，得到故障类型参数Y与实际故障类型之间的对应关系，通过对历史运维数据进行分类和回归等机器学习方法，建立故障类型参数Y与实际故障类型之间的映射关系；
其中，所述一阶设备状态评估模型的输入为第一电力运行特征数据集合，输出为二阶设备状态评估模型的评价参数；所述二阶设备状态评估模型的输入为第二电力运行特征数据集合和确定的评价参数，输出为供电装置的故障类型；
本步骤通过整理和处理供电装置的历史运行特征数据和故障类型数据，能够获得完整的输入信息，使得设备状态评估模型能够更准确地判断设备的状态和故障类型；使用准备好的训练数据对选定的机器学习算法进行模型训练，并对模型进行评估和调优，能够通过不断优化模型参数和算法选择，提高模型的准确性和性能；通过输出评价参数，能够了解每个特征对故障类型判断的重要程度，从而更好地理解设备状态和故障类型的关系；
综上所述，设备状态评估模型能够更准确地评估供电装置的状态和故障类型，为运维人员提供有效的决策支持和故障排除指导。
S4、在实际应用中，实时获取供电装置的第一电力运行特征数据集合，并输入至一阶设备状态评估模型中，获得二阶设备状态评估模型的评价参数；
在步骤S4中，数据输入前，对数据进行预处理，包括数据清洗、去噪、采样率调整等，确保输入到模型中的数据质量和一致性；
将实时获取的第一电力运行特征数据集合作为输入，传递给一阶设备状态评估模型进行特征提取和状态评估，为后续的二阶设备状态评估模型提供评价参数；评价参数反映了供电装置的当前状态和性能状况，通过评价参数，能够对供电装置的运行状况进行初步的判断和评估；
在本步骤中，通过数据清洗、去噪和采样率调整等预处理步骤，可以确保输入到模型中的数据质量和一致性，能够排除数据中的异常值、噪声和采样率不一致等问题，提高了评估模型的准确性和可靠性；
通过一阶设备状态评估模型获得的评价参数，能够反映供电装置的当前状态和性能状况，这些评价参数能够用于供电装置的初步判断和评估，为后续的二阶设备状态评估模型提供重要的输入；
通过持续监测和评估供电装置的状态，能够及时发现潜在的故障或异常情况，从而提前采取维护措施，避免设备故障对电力供应的影响，通过对供电装置的状态进行实时分析和评估，能够优化设备运行策略，提高供电装置的运行效率和能源利用效率。
S5、将二阶设备状态评估模型的评价参数与预设参数阈值进行比较：
若评价参数小于预设参数阈值，则无需获取第二电力运行特征数据集合，并继续保持对第一电力运行特征数据集合的获取与分析；
若评价参数不小于预设参数阈值，则获取第二电力运行特征数据集合，并将第二电力运行特征数据集合与评价参数输入至二阶设备状态评估模型中，获得供电装置的故障类型。
所述预设参数阈值是指用于判断是否需要获取第二电力运行特征数据集合的一个固定值或范围，所述预设参数阈值基于以下因素设定：
可靠性要求，根据供电装置的重要性和关键程度，设置不同的可靠性要求，若供电装置对电力可靠性的要求非常高，则需要相对较小的预设参数阈值，以便尽早检测到潜在故障并采取相应的维修措施；
历史数据分析，通过对历史运维数据信息的分析和统计，能够确定某些电力运行特征数据集合与故障类型之间的相关性，基于这些相关性，设置相应的预设参数阈值，当评价参数超过阈值时，表示供电装置存在特定类型的故障；
设备类型和出厂建议，不同类型和制造商的大型电力供电装置具有不同的运行特征和故障模式，厂家会提供维护手册或建议，其中包括建议的参数阈值范围或设备状态评估方法，这些建议可以作为设定预设参数阈值的参考；
实际维护经验，供电装置维护人员在实际工作中会积累丰富的经验和知识，根据过去的维护经验和故障案例来设定预设参数阈值，这些经验来自定期检查、维修记录、故障分析报告等途径；
进一步的，预设参数阈值的设定是一个动态过程，需要根据实际情况进行调整和优化，通过不断观察和分析***运行状态、故障数据和维护记录，需要不断地优化预设参数阈值，提高状态监测的准确性和可靠性。
若评价参数小于预设参数阈值，代表供电装置的一阶状态评估结果表明其处于正常状态，在这种情况下，无需获取第二电力运行特征数据集合，并且可以继续保持对第一电力运行特征数据集合的获取与分析，帮助监测供电装置的基本运行状态；
如果评价参数不小于预设参数阈值，表明供电装置的一阶状态评估结果指示存在潜在故障或异常情况，在此情况下，需要获取第二电力运行特征数据集合，并将其与一阶评价参数一起输入二阶设备状态评估模型中，以获得供电装置的故障类型；
二阶设备状态评估模型将综合考虑第一电力运行特征数据集合、第二电力运行特征数据集合以及预设的评价参数，并利用机器学习等算法进行训练和分析，从而确定供电装置的故障类型；
通过对评价参数与预设参数阈值的比较，能够快速判断供电装置是否处于正常状态，从而决定是否需要获取第二电力运行特征数据集合，如果评价参数小于预设参数阈值，能够避免额外的数据收集和分析，节省时间和资源；
当评价参数不小于预设参数阈值时，获取第二电力运行特征数据集合，并将其与评价参数一起输入二阶设备状态评估模型中，能够提供准确的故障类型判断，通过综合考虑多个数据集合和预设参数，利用机器学习等算法进行训练和分析，能够准确地确定供电装置的故障类型；
预设参数阈值的确定基于多个因素，通过综合考虑这些因素，制定适合具体供电装置的预设参数阈值，提高状态监测的准确性和可靠性；通过观察和分析***运行状态、故障数据和维护记录，能够不断优化预设参数阈值，适应供电装置的实际运行情况，提高评估模型的准确性和可靠性。
实施例二
如图4所示，本发明的一种大型电力供电装置的状态监测***，具体包括以下模块；
数据获取模块，用于获取供电装置的历史运维数据信息，所述历史运维数据信息包括不同的供电装置历史故障类型以及故障发生前设定时间内的供电装置历史运行特征数据，并发送；
其中，所述供电装置历史运行特征数据包括供电装置在运行过程中的电流波动数据、电压波动数据、振动检测数据、温度检测数据、声波检测数据、气体检测数据和绝缘油检测数据；所述电流波动数据和电压波动数据实时获取，所述振动检测数据、温度检测数据、声波检测数据、气体检测数据和绝缘油检测数据按设定时间节点获取；
特征分类模块，用于接收历史故障类型和历史运行特征数据，基于运行特征检测特性，对供电装置历史运行特征数据进行分类，获得第一电力运行特征数据集合和第二电力运行特征数据集合，并发送；所述第一电力运行特征数据集合包括电流波动数据和电压波动数据，所述第二电力运行特征数据集合包括振动检测数据、温度检测数据、声波检测数据、气体检测数据和绝缘油检测数据；
模型构建模块，用于接收第一电力运行特征数据集合和第二电力运行特征数据集合并上传至机器学习平台，构建一阶设备状态评估模型和二阶设备状态评估模型，并发送；
其中，所述一阶设备状态评估模型的输入为第一电力运行特征数据集合，输出为二阶设备状态评估模型的评价参数；所述二阶设备状态评估模型的输入为第二电力运行特征数据集合和确定的评价参数，输出为供电装置的故障类型；
实时评估模块，用于接收一阶设备状态评估模型和二阶设备状态评估模型；实时获取第一电力运行特征数据集合，并输入至一阶设备状态评估模型中，获得二阶设备状态评估模型的评价参数，并发送；
故障分析模块，用于接收二阶设备状态评估模型的评价参数，将二阶设备状态评估模型的评价参数与预设参数阈值进行比较：
若评价参数小于预设参数阈值，则无需获取第二电力运行特征数据集合，并继续保持对第一电力运行特征数据集合的获取与分析；
若评价参数不小于预设参数阈值，则获取第二电力运行特征数据集合，并将第二电力运行特征数据集合与评价参数输入至二阶设备状态评估模型中，获得供电装置的故障类型。
该***通过获取供电装置的历史故障类型和历史运行特征数据，并进行特征分类和模型构建，从而实现对供电装置状态的全面监测，相对于仅仅监测电流和电压参数的传统方法，该***考虑了更多的运行特征数据，提供了更综合全面的状态评估；
该***采用一阶设备状态评估模型和二阶设备状态评估模型相结合的方法对供电装置进行状态评估，一阶设备状态评估模型通过实时获取第一电力运行特征数据进行评估，更加实时和迅速；而二阶设备状态评估模型通过综合考虑历史故障类型和历史运行特征数据进行评估，更加准确和可靠；
通过比较二阶设备状态评估模型的评价参数与预设参数阈值，可以确定供电装置的故障类型，由于该***综合考虑了历史故障类型和历史运行特征数据，并采用了分层评估方法，因此能够提高故障类型的判断准确性，减少误判和漏判的可能性；
综上所述，该大型电力供电装置的状态监测***通过综合考虑供电装置的历史故障类型和历史运行特征数据，采用分层评估和实时评估方法，提供了更全面、准确和实时的供电装置状态监测，有助于快速确定故障类型，提高供电装置的可靠性和稳定性。
前述实施例一中的大型电力供电装置的状态监测方法的各种变化方式和具体实施例同样适用于本实施例的大型电力供电装置的状态监测***,通过前述对大型电力供电装置的状态监测方法的详细描述,本领域技术人员可以清楚的知道本实施例中大型电力供电装置的状态监测***的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连，计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。
Claims (8)
1.一种大型电力供电装置的状态监测方法，其特征在于，所述方法包括：
获取供电装置的历史运维数据信息，所述历史运维数据信息包括不同的供电装置历史故障类型以及故障发生前设定时间内的供电装置历史运行特征数据；
所述供电装置历史运行特征数据包括供电装置在运行过程中的电流波动数据、电压波动数据、振动检测数据、温度检测数据、声波检测数据、气体检测数据和绝缘油检测数据；
其中，所述电流波动数据和电压波动数据实时获取，所述振动检测数据、温度检测数据、声波检测数据、气体检测数据和绝缘油检测数据按设定时间节点获取；
根据运行特征检测特性，对供电装置历史运行特征数据进行分类，获得第一电力运行特征数据集合和第二电力运行特征数据集合，所述第一电力运行特征数据集合包括电流波动数据和电压波动数据，所述第二电力运行特征数据集合包括振动检测数据、温度检测数据、声波检测数据、气体检测数据和绝缘油检测数据；
将第一电力运行特征数据集合、第二电力运行特征数据集合和对应的供电装置历史故障类型上传至机器学习平台，构建一阶设备状态评估模型和二阶设备状态评估模型；
其中，所述一阶设备状态评估模型的输入为第一电力运行特征数据集合，输出为二阶设备状态评估模型的评价参数；所述二阶设备状态评估模型的输入为第二电力运行特征数据集合和确定的评价参数，输出为供电装置的故障类型；
在实际应用中，实时获取供电装置的第一电力运行特征数据集合，并输入至一阶设备状态评估模型中，获得二阶设备状态评估模型的评价参数；
将二阶设备状态评估模型的评价参数与预设参数阈值进行比较：
若评价参数小于预设参数阈值，则无需获取第二电力运行特征数据集合，并继续保持对第一电力运行特征数据集合的获取与分析；
若评价参数不小于预设参数阈值，则获取第二电力运行特征数据集合，并将第二电力运行特征数据集合与评价参数输入至二阶设备状态评估模型中，获得供电装置的故障类型；
所述二阶设备状态评估模型采用多元线性回归模型，所述一阶设备状态评估模型输出的评价参数表示为：
[ωv,ωt,ωs,ωg,ωi]
其中，ωv表示振动检测数据对故障类型判断的影响权重，ωt表示温度检测数据对故障类型判断的影响权重，ωs表示声波检测数据对故障类型判断的影响权重，ωg表示气体检测数据对故障类型判断的影响权重，ωi表示绝缘油检测数据对故障类型判断的影响权重；
所述二阶设备状态评估模型的运算公式为：
Y＝ωv×V+ωt×T+ωs×S+ωg×G+ωi×I+ε
其中，Y表示供电装置的故障类型参数，V表示振动检测数据，T表示温度检测数据，S表示声波检测数据，G表示气体检测数据，I表示绝缘油检测数据,ε表示误差项。
2.如权利要求1所述的一种大型电力供电装置的状态监测方法，其特征在于，所述一阶设备状态评估模型的构建方法为：
根据历史运维数据信息，整理供电装置的历史运行特征数据和对应的故障类型数据；
对第一电力运行特征数据集合进行处理和提取特征，将原始数据转化为实用的特征，供机器学习模型使用；
选择机器学习方法，根据准备好的训练数据，使用选定的算法进行模型训练，并对模型进行评估和调优；
在训练完成后，提取模型的相关参数作为一阶设备状态评估模型的输出，输出的评价参数为[ωv,ωt,ωs,ωg,ωi]。
3.如权利要求1所述的一种大型电力供电装置的状态监测方法，其特征在于，所述二阶设备状态评估模型的构建方法为：
根据历史运维数据信息，整理供电装置的第二电力运行特征数据集合和对应的故障类型数据；
采用多元线性回归模型，将第二电力运行特征数据集合作为自变量，故障类型参数作为因变量，拟合回归模型，并对模型进行训练；
训练完成后，通过二阶设备状态评估模型来预测供电装置的故障类型参数；
对历史运维数据信息进行机器学习，建立故障类型参数与实际故障类型之间的映射关系。
4.如权利要求1所述的一种大型电力供电装置的状态监测方法，其特征在于，所述第二电力运行特征数据集合的数据采集方法，包括：
使用振动传感器检测供电装置的振动情况；
使用温度传感器监测供电装置的温度；
使用声学传感器采集供电装置产生的声波信号；
使用气体传感器测量供电装置周围的气体成分；
对供电装置的绝缘油进行采样和测试，分析油中的化学成分和物理特性。
5.如权利要求1所述的一种大型电力供电装置的状态监测方法，其特征在于，所述预设参数阈值的设定因素包括可靠性要求、历史数据分析、设备类型、出厂建议和实际维护经验。
6.一种大型电力供电装置的状态监测***，其特征在于，所述***包括：
数据获取模块，用于获取供电装置的历史运维数据信息，所述历史运维数据信息包括不同的供电装置历史故障类型以及故障发生前设定时间内的供电装置历史运行特征数据，并发送；
其中，所述供电装置历史运行特征数据包括供电装置在运行过程中的电流波动数据、电压波动数据、振动检测数据、温度检测数据、声波检测数据、气体检测数据和绝缘油检测数据；所述电流波动数据和电压波动数据实时获取，所述振动检测数据、温度检测数据、声波检测数据、气体检测数据和绝缘油检测数据按设定时间节点获取；
特征分类模块，用于接收历史故障类型和历史运行特征数据，基于运行特征检测特性，对供电装置历史运行特征数据进行分类，获得第一电力运行特征数据集合和第二电力运行特征数据集合，并发送；所述第一电力运行特征数据集合包括电流波动数据和电压波动数据，所述第二电力运行特征数据集合包括振动检测数据、温度检测数据、声波检测数据、气体检测数据和绝缘油检测数据；
模型构建模块，用于接收第一电力运行特征数据集合和第二电力运行特征数据集合并上传至机器学习平台，构建一阶设备状态评估模型和二阶设备状态评估模型，并发送；
其中，所述一阶设备状态评估模型的输入为第一电力运行特征数据集合，输出为二阶设备状态评估模型的评价参数；所述二阶设备状态评估模型的输入为第二电力运行特征数据集合和确定的评价参数，输出为供电装置的故障类型；所述二阶设备状态评估模型采用多元线性回归模型，所述一阶设备状态评估模型输出的评价参数表示为：
[ωv,ωt,ωs,ωg,ωi]
其中，ωv表示振动检测数据对故障类型判断的影响权重，ωt表示温度检测数据对故障类型判断的影响权重，ωs表示声波检测数据对故障类型判断的影响权重，ωg表示气体检测数据对故障类型判断的影响权重，ωi表示绝缘油检测数据对故障类型判断的影响权重；
所述二阶设备状态评估模型的运算公式为：
Y＝ωv×V+ωt×T+ωs×S+ωg×G+ωi×I+ε
其中，Y表示供电装置的故障类型参数，V表示振动检测数据，T表示温度检测数据，S表示声波检测数据，G表示气体检测数据，I表示绝缘油检测数据,ε表示误差项；
实时评估模块，用于接收一阶设备状态评估模型和二阶设备状态评估模型；实时获取第一电力运行特征数据集合，并输入至一阶设备状态评估模型中，获得二阶设备状态评估模型的评价参数，并发送；
故障分析模块，用于接收二阶设备状态评估模型的评价参数，将二阶设备状态评估模型的评价参数与预设参数阈值进行比较：
若评价参数小于预设参数阈值，则无需获取第二电力运行特征数据集合，并继续保持对第一电力运行特征数据集合的获取与分析；
若评价参数不小于预设参数阈值，则获取第二电力运行特征数据集合，并将第二电力运行特征数据集合与评价参数输入至二阶设备状态评估模型中，获得供电装置的故障类型。
7.一种大型电力供电装置的状态监测电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1-5中任一项所述方法中的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311373706.8A CN117134503B (zh) | 2023-10-23 | 2023-10-23 | 一种大型电力供电装置的状态监测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311373706.8A CN117134503B (zh) | 2023-10-23 | 2023-10-23 | 一种大型电力供电装置的状态监测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117134503A CN117134503A (zh) | 2023-11-28 |
| CN117134503B true CN117134503B (zh) | 2024-01-19 |
Family
ID=88863056
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311373706.8A Active CN117134503B (zh) | 2023-10-23 | 2023-10-23 | 一种大型电力供电装置的状态监测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117134503B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117538686A (zh) * | 2023-12-20 | 2024-02-09 | 四川易信达电气有限公司 | 一种供电设备故障检测方法及*** |
| CN117767577B (zh) * | 2024-02-22 | 2024-05-24 | 大连华亿电力电器有限公司 | 一种基于电流、电压测量的电力故障监控*** |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103914791A (zh) * | 2014-03-17 | 2014-07-09 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种电力设备状态检修*** |
| KR20160090406A (ko) * | 2014-12-31 | 2016-08-01 | 주식회사 효성 | 전력 설비 위험도 평가 시스템 및 방법 |
| CN108564254A (zh) * | 2018-03-15 | 2018-09-21 | 国网四川省电力公司绵阳供电公司 | 基于大数据的配电设备状态可视化平台 |
| CN109765883A (zh) * | 2019-03-04 | 2019-05-17 | 积成电子股份有限公司 | 配电自动化终端运行状态评价与故障诊断方法 |
| CN110826733A (zh) * | 2019-10-24 | 2020-02-21 | 华电邹县发电有限公司 | 一种基于发电设备运行状态综合评价模型的维修决策方法 |
| CN113779496A (zh) * | 2021-09-24 | 2021-12-10 | 广州健新科技有限责任公司 | 一种基于设备全景数据的电力设备状态评估方法及*** |
| CN114971351A (zh) * | 2022-06-09 | 2022-08-30 | 郑州恩普特科技股份有限公司 | 一种基于熵值法的设备多指标健康状况评估方法 |
-
2023
- 2023-10-23 CN CN202311373706.8A patent/CN117134503B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103914791A (zh) * | 2014-03-17 | 2014-07-09 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种电力设备状态检修*** |
| KR20160090406A (ko) * | 2014-12-31 | 2016-08-01 | 주식회사 효성 | 전력 설비 위험도 평가 시스템 및 방법 |
| CN108564254A (zh) * | 2018-03-15 | 2018-09-21 | 国网四川省电力公司绵阳供电公司 | 基于大数据的配电设备状态可视化平台 |
| CN109765883A (zh) * | 2019-03-04 | 2019-05-17 | 积成电子股份有限公司 | 配电自动化终端运行状态评价与故障诊断方法 |
| CN110826733A (zh) * | 2019-10-24 | 2020-02-21 | 华电邹县发电有限公司 | 一种基于发电设备运行状态综合评价模型的维修决策方法 |
| CN113779496A (zh) * | 2021-09-24 | 2021-12-10 | 广州健新科技有限责任公司 | 一种基于设备全景数据的电力设备状态评估方法及*** |
| CN114971351A (zh) * | 2022-06-09 | 2022-08-30 | 郑州恩普特科技股份有限公司 | 一种基于熵值法的设备多指标健康状况评估方法 |
Non-Patent Citations (4)
| Title |
|---|
| Fault Recognition Technology for Pipeline Systems Based on Multi-feature Fusion of Monitoring Data;Hongquan Jiang;《2019 IEEE International Conference on Prognostics and Health Management (ICPHM)》;全文 * |
| The two-level fault diagnosis model of SF6 electrical equipment;Xuanxuan Xiao;《2017 3rd IEEE International Conference on Computer and Communications (ICCC)》;全文 * |
| 基于大数据技术的电厂设备状态评估和预警应用研究;胡杰;唐静;谢仕义;王云;;华电技术(02);全文 * |
| 电力设备状态大数据分析的研究和应用;江秀臣;盛戈;;高电压技术(04);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117134503A (zh) | 2023-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117134503B (zh) | 一种大型电力供电装置的状态监测方法及*** | |
| CN110647133B (zh) | 轨道交通设备状态检测维护方法及*** | |
| US10852357B2 (en) | System and method for UPS battery monitoring and data analysis | |
| CN114004306A (zh) | 一种基于物联网多维度数据的设备故障评估***及其方法 | |
| WO2023065580A1 (zh) | 风电机组齿轮箱的故障诊断方法及装置 | |
| KR102417800B1 (ko) | 전력 케이블 노후도 판단 장치 및 방법 | |
| CN117590159A (zh) | 一种基于深度学习的隧道电缆供电状态监测方法及*** | |
| CN114895163A (zh) | 一种基于电缆绝缘性能的电缆巡检定位装置及方法 | |
| CN112257224B (zh) | 汽轮发电机状态检修方法、***以及终端 | |
| CN117330948A (zh) | 一种断路器机械特性在线监测方法及*** | |
| CN117744029A (zh) | 基于数据分析的电脑主机运行环境适应性测试*** | |
| CN117435883A (zh) | 一种基于数字孪生的设备故障预测的方法和*** | |
| CN114492636A (zh) | 一种变压器绕组状态信号的采集*** | |
| CN112885049A (zh) | 基于运行数据的智能电缆预警***、方法及装置 | |
| Jarrah et al. | Web-based monitoring and fault diagnostics of machinery | |
| CN117589444B (zh) | 一种基于联邦学习的风力发电机齿轮箱故障诊断方法 | |
| CN117272844B (zh) | 配电盘工作寿命的预测方法及*** | |
| CN116643170B (zh) | 电机轴系振动测试方法、装置和计算机设备 | |
| CN116878728B (zh) | 一种压力传感器故障检测分析处理*** | |
| RU2698416C1 (ru) | Способ мониторинга и прогнозирования состояния отдельных агрегатов и сложных технологических комплексов при помощи семантически-ориентированного искусственного интеллекта | |
| CN118400835A (zh) | 基于深度学习的led驱动电源故障预警方法及*** | |
| CN118261584A (zh) | 基于多参量数据的变压器状态评估方法及*** | |
| CN118410449A (zh) | 一种异常信息诊断的方法、装置、设备及可读存储介质 | |
| CN117764167A (zh) | 一种逆变器智能故障推理的方法 | |
| CN117194188A (zh) | 服务器健康诊断的方法、***、电子设备及存储介质 |
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 |