CN117272844B - 配电盘工作寿命的预测方法及*** - Google Patents

配电盘工作寿命的预测方法及*** Download PDF

Info

Publication number
CN117272844B
CN117272844B CN202311557988.7A CN202311557988A CN117272844B CN 117272844 B CN117272844 B CN 117272844B CN 202311557988 A CN202311557988 A CN 202311557988A CN 117272844 B CN117272844 B CN 117272844B
Authority
CN
China
Prior art keywords
working
distribution board
fluctuation
time
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
Application number
CN202311557988.7A
Other languages
English (en)
Other versions
CN117272844A (zh
Inventor
王登峰
张勇
赵鸿
张银龙
李铭
司玉杰
汪红星
刘申玉
徐勤
李叶
李萍
章泽昊
章国榜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
WUHAN HONGLIAN WIRE & CABLE CO LTD
Xiangyang Power Supply Co of State Grid Hubei Electric Power Co Ltd
Original Assignee
WUHAN HONGLIAN WIRE & CABLE CO LTD
Xiangyang Power Supply Co of State Grid Hubei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by WUHAN HONGLIAN WIRE & CABLE CO LTD, Xiangyang Power Supply Co of State Grid Hubei Electric Power Co Ltd filed Critical WUHAN HONGLIAN WIRE & CABLE CO LTD
Priority to CN202311557988.7A priority Critical patent/CN117272844B/zh
Publication of CN117272844A publication Critical patent/CN117272844A/zh
Application granted granted Critical
Publication of CN117272844B publication Critical patent/CN117272844B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及配电盘管理的技术领域，特别是涉及一种配电盘工作寿命的预测方法及***，其能够改善配电盘管理和维护工作，提高电力***的可靠性和安全性；方法包括：设定电气数据采集时间节点，并根据设定的采集时间节点，对配电盘的电气数据进行采集，获得配电盘电气数据集合；配电盘电气数据集合包括工作负载、工作电压、工作电流和工作温度；对配电盘电气数据集合进行工作负载提取，并将工作负载与其采集的时间节点相关联，获得配电盘的工作实况异构向量；将工作实况异构向量输入至预先训练的配电盘工作参数评估模型中，获得配电盘在此工作状态下的理想工作参数集合；理想工作参数集合包括理想工作电压、理想工作电流和理想工作温度。

Description

配电盘工作寿命的预测方法及***
技术领域
本发明涉及配电盘管理的技术领域，特别是涉及一种配电盘工作寿命的预测方法及***。
背景技术
配电盘也被称为电力分配盘或电力配电盘，是电力***中的关键部件之一；它用于接收来自主要电源或主配电盘的电能，然后将电能分配到建筑物、工业设施或其他用电设备的分支电路；其主要功能是将电能分发到各种用电设备，同时提供对电路的过载和短路保护。
在配电盘的工作过程中，大多时候需要对其进行定期维护检查，检查配电盘的故障、老化等情况，并根据运维人员的工作经验判断配电盘的剩余使用寿命，以便进行及时制定更换计划。现有的通过运维人员的工作经验判断配电盘的剩余使用寿命的方法，过于依赖运维人员的经验和主观判断，因此亟需一种能够客观且精准的预测配电盘剩余使用寿命的预测方法。
发明内容
为解决上述技术问题，本发明提供一种能够改善配电盘管理和维护工作，提高电力***的可靠性和安全性的配电盘工作寿命的预测方法。
第一方面，本发明提供了配电盘工作寿命的预测方法，所述方法包括：
设定电气数据采集时间节点，并根据设定的采集时间节点，对配电盘的电气数据进行采集，获得配电盘电气数据集合；所述配电盘电气数据集合包括工作负载、工作电压、工作电流和工作温度；
对所述配电盘电气数据集合进行工作负载提取，并将工作负载与其采集的时间节点相关联，获得配电盘的工作实况异构向量；
将工作实况异构向量输入至预先训练的配电盘工作参数评估模型中，获得配电盘在此工作状态下的理想工作参数集合；所述理想工作参数集合包括理想工作电压、理想工作电流和理想工作温度；
对所述配电盘电气数据集合进行工作参数提取，获得实时工作参数集合；所述实时工作参数集合包括实时工作电压、实时工作电流和实时工作温度；
根据理想工作参数集合和实时工作参数集合，计算得到工作参数波动集合，并将工作参数波动集合与电气数据采集时间节点相关联；
根据采集时间节点的先后时间顺序，对工作参数波动集合进行数据转换，获得配电盘工作参数波动特征矩阵；
将配电盘工作参数波动特征矩阵输入至预先构建的配电盘工作寿命预测模型中，获得配电盘剩余工作寿命。
进一步地，所述理想工作参数集合为：[UAi,IAi,TAi]；其中UAi表示第i个采集时间节点下的理想工作电压；IAi表示第i个采集时间节点下的理想工作电流；TAi表示第i个采集时间节点下的理想工作温度；
所述实时工作参数集合为：[URi,IRi,TRi]；其中URi表示第i个采集时间节点下的实时工作电压；IRi表示第i个采集时间节点下的实时工作电流；TRi表示第i个采集时间节点下的实时工作温度；
所述工作参数波动集合为：[UΔi,IΔi,TΔi]；其中UΔi表示第i个采集时间节点下的电压波动值，UΔi＝URi-UAi；IΔi表示第i个采集时间节点下的电流波动值，IΔi＝IRi-IAi；TΔi表示第i个采集时间节点下的温度波动值,TΔi＝TRi-TAi；
所述配电盘工作参数波动特征矩阵为：
进一步地，所述配电盘电气数据集合获取方法包括：
部署传感器监测配电盘的电气参数，所述传感器包括温度传感器、电流传感器和电压传感器；
设定数据采集时间节点，使传感器按照采集时间节点对配电盘的电气参数进行采集；
将采集的配电盘的电气数据存储在数据库中；
对存储的数据进行处理，识别和处理异常数据，保证数据的准确性，获得配电盘电气数据集合。
进一步地，所述配电盘工作参数评估模型的构建方法包括：
获取历史配电盘数据的数据集，所述历史配电盘数据的数据集包括工作负载、工作电压、工作电流、工作温度以及相应的理想工作参数；
选择回归模型，包括线性回归、决策树回归、随机森林回归；
对历史配电盘数据的数据集，进行标准化和归一化处理；
将历史配电盘数据的数据集划分为训练数据集和验证数据集，训练数据集用于训练模型，验证数据集用于监测模型的性能；
使用训练数据集来训练回归模型，训练过程通过多次迭代来优化模型参数；
使用验证数据集来评估模型的性能，计算模型的性能指标，包括均方误差、准确率、召回率、精确度；
调整模型的超参数，包括学习率、层数、神经元数，提高模型性能；
将最终的模型部署到生产环境中，用于实际的配电盘工作参数评估。
进一步地，所述配电盘工作参数波动特征矩阵获取方法包括：
将采集时间节点按时间顺序进行排序；
针对每个时间节点，从工作参数波动集合中提取有关工作参数波动的特征；
将从每个时间节点提取的特征组织成一个特征矩阵；
确保特征矩阵中的每个特征与其对应的时间节点相关联，保持时间序列信息；
对特征矩阵进行标准化处理，确保不同特征之间的数值范围一致。
进一步地，所述配电盘工作寿命预测模型的构建方法包括：
收集配电盘的历史工作数据，包括工作负载、电压、电流、温度；
对收集到的数据进行清理，处理缺失值、异常值，进行数据预处理，包括归一化、标准化；
从原始数据中提取与寿命相关的特征，包括工作负载的变化模式、电压和电流的波动性、温度的变化趋势；
确定每个时间点的配电盘剩余寿命标签；
将数据集划分为训练集和测试集，训练集用于训练模型，测试集用于评估模型性能；
选择预测模型，包括回归模型、时间序列模型、深度学习模型；
使用训练集对选定的模型进行训练；
使用测试集对模型进行评估，了解模型在预测配电盘工作寿命方面的效果；
当模型达到满意的性能后，将其部署到实际***中。
进一步地，所述采集时间节点设定影响因素包括电气参数的变化速度、配电盘的工作环境、数据采集的成本因素和历史数据的可用性。
另一方面，本申请还提供了配电盘工作寿命的预测***，所述***包括：
数据采集模块，用于设定电气数据采集时间节点，根据设定的采集时间节点，对配电盘的电气数据进行采集，获得配电盘电气数据集合，并发送；所述配电盘电气数据集合包括工作负载、工作电压、工作电流和工作温度；
异构向量提取模块，用于接收配电盘电气数据集合，对配电盘电气数据集合进行工作负载提取，并将工作负载与其采集的时间节点相关联，获得配电盘的工作实况异构向量，并发送；
工作参数评估模块，用于接收配电盘的工作实况异构向量，将工作实况异构向量输入至预先训练的配电盘工作参数评估模型中，获得配电盘在此工作状态下的理想工作参数集合，并发送；所述理想工作参数集合包括理想工作电压、理想工作电流和理想工作温度；
实时工作参数提取模块，用于接收配电盘电气数据集合，对配电盘电气数据集合进行工作参数提取，获得实时工作参数集合，并发送；所述实时工作参数集合包括实时工作电压、实时工作电流和实时工作温度；
工作参数波动计算模块，用于接收理想工作参数集合和实时工作参数集合，根据理想工作参数集合和实时工作参数集合，计算得到工作参数波动集合，将工作参数波动集合与电气数据采集时间节点相关联，并发送；
特征矩阵转换模块，用于接收工作参数波动集合，根据采集时间节点的先后时间顺序，对工作参数波动集合进行数据转换，获得配电盘工作参数波动特征矩阵，并发送；
工作寿命预测模型，用于接收配电盘工作参数波动特征矩阵，将配电盘工作参数波动特征矩阵输入至预先构建的配电盘工作寿命预测模型中，获得配电盘剩余工作寿命。
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：通过采集配电盘的电气数据并提取工作实况异构向量，使用预先训练的工作参数评估模型获取配电盘的理想工作参数集合，避免了对运维人员经验和主观判断的依赖，提供了客观且精准的配电盘剩余使用寿命预测；通过综合分析数据，能够全面地了解配电盘的工作状态和参数波动情况，从而提高预测的准确性；
方法中使用了实时工作参数集合和工作参数波动特征矩阵，能够基于配电盘当前的工作状态进行实时的剩余寿命预测，使得运维人员能够及时监测和评估配电盘的健康状况，采取相应的维护措施，减少故障风险和停机时间；
方法中提到了预先构建的配电盘工作参数评估模型和配电盘工作寿命预测模型，通过充分的训练和验证，能够适应不同类型和规模的配电盘，提高预测结果的可信度和准确性；
综上所述，该方法方法具有客观、精准、多维、实时性和可信度高等优点，能够改善配电盘管理和维护工作，提高电力***的可靠性和安全性。
附图说明
图1是本发明的流程图；
图2是配电盘电气数据集合获取方法的流程图；
图3是配电盘工作参数评估模型的构建方法的流程图；
图4是配电盘工作参数波动特征矩阵获取方法的流程图；
图5是配电盘工作寿命预测模型的构建方法的流程图；
图6是配电盘工作寿命的预测***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。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
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5所示，本发明的配电盘工作寿命的预测方法，具体包括以下步骤：
S1、设定电气数据采集时间节点，并根据设定的采集时间节点，对配电盘的电气数据进行采集，获得配电盘电气数据集合；所述配电盘电气数据集合包括工作负载、工作电压、工作电流和工作温度；
所述配电盘电气数据集合获取方法包括：
S11、部署传感器监测配电盘的电气参数，所述传感器包括温度传感器、电流传感器和电压传感器；
S12、设定数据采集时间节点，使传感器按照采集时间节点对配电盘的电气参数进行采集；
S13、将采集的配电盘的电气数据存储在数据库中；
S14、对存储的数据进行处理，识别和处理异常数据，保证数据的准确性，获得配电盘电气数据集合；
所述采集时间节点设定影响因素包括：
A、考虑电气参数的变化速度，包括电流、电压、温度的波动情况，如果参数的变化很快，则需要频繁的数据采集，以便捕捉瞬时变化；
B、考虑配电盘的工作环境，若配电盘处于恶劣的工作环境中，则需要更频繁的数据采集以监测潜在的问题；
C、考虑数据采集的成本因素，更频繁的数据采集则需要更多的传感器和数据存储资源。
D、考虑历史数据的可用性，根据历史数据来计划最佳的采集频率。
在本步骤中，通过部署传感器监测配电盘的电气参数并根据设定的采集时间节点进行数据采集，能够实时监测电气数据，同时将采集的数据存储在数据库中，及时检测问题和记录历史数据，以便后续分析和报告；对存储的数据进行处理，识别和处理异常数据，以确保数据的准确性，提高数据质量，并减少错误或噪音的影响；
采集时间节点的设定综合考虑了电气参数变化速度、工作环境、成本因素和历史数据可用性等多个因素，这样优化采集频率，既满足实时监测的需要，又避免不必要的数据采集成本；
通过实时监测和数据存储，能够及时发现潜在问题，并采取措施来减少突发故障的发生，从而提高***的可维护性；
综上所述，本步骤能够提高配电盘电气数据的采集、存储、处理和分析的效率，有助于确保电气***的可靠性和安全性，降低维护成本，减少潜在的故障风险。
S2、对所述配电盘电气数据集合进行工作负载提取，并将工作负载与其采集的时间节点相关联，获得配电盘的工作实况异构向量；
从电气数据集合中提取工作负载信息，工作负载是指配电盘在特定时间点的电流负荷情况，可以通过测量电流数据来实现；
将提取的工作负载与其采集的时间节点进行关联，确保了解每个时间节点的工作负载情况；
工作实况异构向量是一个数据结构，是一个向量，其中包含了不同时间点的工作负载数据，这个向量以时间序列的形式呈现，每个时间点都对应着相应的工作负载值，目的是描述配电盘在不同时间段内的工作状态，是工作状态的客观表征。
在本步骤中，通过测量电流数据来准确提取配电盘在特定时间点的工作负载情况，确保了数据的客观性和准确性；工作实况异构向量是以时间序列的形式呈现的，每个时间点都对应着相应的工作负载值，这种时序性考虑了时间因素，能够反映配电盘工作状态随时间的变化，从而更全面地描述了配电盘的运行情况；
将提取的工作负载与采集的时间节点关联，确保了解每个时间节点的具体工作负载情况，关联性使得工作实况异构向量能够精确地反映配电盘在不同时间段内的工作状态，为后续的分析和预测提供可靠的基础；
综上所述，S2步骤提高生成的工作实况异构向量的可信度，为后续的配电盘剩余使用寿命预测提供了可靠的数据基础。
S3、将工作实况异构向量输入至预先训练的配电盘工作参数评估模型中，获得配电盘在此工作状态下的理想工作参数集合；所述理想工作参数集合包括理想工作电压、理想工作电流和理想工作温度；所述配电盘工作参数评估模型的输入为工作实况异构向量，所述配电盘工作参数评估模型的输出为配电盘的理想工作参数集合；
所述配电盘工作参数评估模型的构建方法包括：
S31、获取历史配电盘数据的数据集，所述历史配电盘数据的数据集包括工作负载、工作电压、工作电流、工作温度以及相应的理想工作参数；
S32、选择回归模型，包括线性回归、决策树回归、随机森林回归；
S33、对历史配电盘数据的数据集，进行标准化和归一化处理，确保它们在相同尺度上进行比较；
S34、将历史配电盘数据的数据集划分为训练数据集和验证数据集，训练数据集用于训练模型，验证数据集用于监测模型的性能；
S35、使用训练数据集来训练回归模型，训练过程将通过多次迭代来优化模型参数；
S36、使用验证数据集来评估模型的性能，计算模型的性能指标，包括均方误差、准确率、召回率、精确度，以了解模型在评估配电盘工作参数方面的效果；
S37、调整模型的超参数，包括学习率、层数、神经元数，以提高模型性能；
S38、将最终的模型部署到生产环境中，用于实际的配电盘工作参数评估；
所述理想工作参数集合为：[UAi,IAi,TAi]；其中UAi表示第i个采集时间节点下的理想工作电压；IAi表示第i个采集时间节点下的理想工作电流；TAi表示第i个采集时间节点下的理想工作温度。
在本步骤中，基于历史配电盘数据来构建模型，模型能够从实际数据中学习，而不依赖于静态规则和主观经验；能够提供客观和量化的评估，不受个体经验和主观判断的干扰，减少误判和提高决策的一致性；一旦模型训练完成并部署，便能够提供实时的理想工作参数估计，进而及时发现潜在问题并采取措施，以防止故障和不良事件的发生；选择回归模型，如线性回归、决策树回归和随机森林回归，可以适应不同类型的数据和复杂的关系，进而提供准确的理想工作参数估计；
综上所述，S3中的配电盘工作参数评估模型的构建方法结合了数据驱动和机器学习技术，提供了客观、实时、适应性强的方法，以估算配电盘的理想工作参数，从而改善了配电盘管理的质量和效率。
S4、对所述配电盘电气数据集合进行工作参数提取，获得实时工作参数集合；所述实时工作参数集合包括实时工作电压、实时工作电流和实时工作温度；
S41、从配电盘电气数据集合中提取实时工作电压，这是当前时刻配电盘的电压水平，它影响电能的分配和供应负载的电压需求；
S42、从配电盘电气数据集合中提取实时工作电流，实时工作电流代表当前时刻配电盘上的电流负荷，用于评估过载和负载变化；
S43、实时工作温度是当前时刻配电盘的温度，温度会对电气元件的寿命产生重要影响；
S44、将实时工作参数集合与其采集的时间节点相关联，确定实时参数在时间上的变化趋势，以便更好地理解配电盘的动态性能；
S45、使实时工作参数与历史数据进行对比，以检测是否存在异常或不寻常的工作状态，进而发现潜在的问题和故障；
所述实时工作参数集合为：[URi,IRi,TRi]；其中URi表示第i个采集时间节点下的实时工作电压；IRi表示第i个采集时间节点下的实时工作电流；TRi表示第i个采集时间节点下的实时工作温度。
在本步骤中，对配电盘的实时工作参数进行监测，能够及时检测任何电气参数的异常或突发变化，从而能够快速采取措施来应对问题，减少潜在的故障风险；通过从电气数据集合中提取实时工作参数，基于真实数据而非主观判断，增加了预测的客观性和准确性；
提取实时工作电流和电压允许对过载和负载变化进行评估，确保电能供应的稳定性和可靠性；将实时工作参数与历史数据进行对比有助于检测不寻常的工作状态，帮助预防潜在的故障，并提高***的可用性；
综上所述，步骤S4具有实时性、数据驱动性、动态性能理解、寿命预测基础和故障预防的优点，能够提高配电盘管理的效率和可靠性，减少停机时间和维护成本。
S5、根据理想工作参数集合和实时工作参数集合，计算得到工作参数波动集合，并将工作参数波动集合与电气数据采集时间节点相关联；
在S5步骤中，目的是分析配电盘的工作参数在不同时间点之间的波动情况，以了解参数的变化趋势和稳定性，进而对配电盘的状态进行更深入的评估；以下是S5步骤的详细解释：
S51、计算实时工作参数与理想工作参数之间的差异，以获取工作参数的波动情况，通过差异计算来实现，具体通过计算实时工作电压与理想工作电压之间的差值、实时工作电流与理想工作电流之间的差值以及实时工作温度与理想工作温度之间的差值，这些差值表示了实际工作参数与理想参数之间的波动情况；
S52、对于每个计算得到的工作参数差值，将其关联到相应的电气数据采集时间节点，建立工作参数波动与时间的关系，跟踪参数的变化趋势；
S53、对工作参数波动集合和其关联的时间节点进行记录和存储，以便后续的分析和处理，将数据整理成一个表格或数据集，其中包含了时间节点和对应的工作参数波动差值；
S54、一旦工作参数波动集合与时间节点相关联，便进行进一步的分析，包括统计分析、数据可视化、时间序列分析等，以识别参数的周期性波动、趋势或异常情况；
所述工作参数波动集合为：[UΔi,IΔi,TΔi]；其中UΔi表示第i个采集时间节点下的电压波动值，UΔi＝URi-UAi；IΔi表示第i个采集时间节点下的电流波动值，IΔi＝IRi-IAi；TΔi表示第i个采集时间节点下的温度波动值,TΔi＝TRi-TAi。
在本步骤中，通过实时工作参数和理想工作参数的比较，能够及时监测工作参数的波动情况，有助于及时发现问题和异常情况，从而更好地维护和管理配电盘；通过计算差值，得到了工作参数波动的具体数值，使波动情况变得可量化，进而准确地评估参数的变化；
将工作参数波动与电气数据采集时间节点相关联，建立了工作参数波动与时间的关系，能够跟踪参数变化的趋势，分析参数随时间的演化；工作参数波动集合和相关的时间节点被记录和存储，这有助于数据的长期保存和追踪，为后续的分析提供了数据基础；一旦波动集合与时间节点相关联，能够进行更深入的分析，包括统计分析、数据可视化和时间序列分析，有助于识别参数的周期性波动、趋势和异常情况；降低突发故障的风险，提高***的可靠性和稳定性；
综上所述，S5步骤通过数据分析来深入了解配电盘工作参数的波动情况，能够提高***的可维护性和稳定性；
S6、根据采集时间节点的先后时间顺序，对工作参数波动集合进行数据转换，获得配电盘工作参数波动特征矩阵；所述配电盘工作参数波动特征矩阵用于表征配电盘在对应的数据采集时间段内的工作状态；
所述配电盘工作参数波动特征矩阵获取方法包括：
S61、将采集时间节点按时间顺序进行排序，确保数据的连续性和可比性；
S62、针对每个时间节点，从工作参数波动集合中提取有关工作参数波动的特征；
S63、将从每个时间节点提取的特征组织成一个特征矩阵，其中每行代表一个时间节点，每列代表一个特征；
S64、确保特征矩阵中的每个特征与其对应的时间节点相关联，以保持时间序列信息；
S65、对特征矩阵进行标准化，以确保不同特征之间的数值范围一致，避免某些特征对最终预测结果的影响过大；
所述配电盘工作参数波动特征矩阵为：
在本步骤中，通过将采集时间节点按时间顺序排序，确保了数据的连续性和可比性，保持工作参数波动的时间序列信息，使得特征矩阵能够准确地反映配电盘在不同时间点的工作状态；针对每个时间节点从工作参数波动集合中提取有关工作参数波动的特征，这确保了特征的准确性和相关性，每个时间节点的特征提取有助于捕捉到工作参数波动在不同时间段内的变化模式；
将从每个时间节点提取的特征组织成一个特征矩阵，使得数据结构清晰；确保特征矩阵中的每个特征与其对应的时间节点相关联，有助于保持时序信息的关联性，使得模型在学习时能够更好地理解工作参数波动的时间依赖性；对特征矩阵进行标准化，有助于确保不同特征之间的数值范围一致，避免某些特征对最终预测结果的影响过大，提高模型的稳定性和准确性；
综上所述，本步骤保留了时间序列信息，提取了关键特征并组织成矩阵的形式，确保了这些特征与时间节点的对应关系，并通过标准化确保了特征之间的可比性和稳定性，有助于后续的工作状态分析和预测建模。
S7、将配电盘工作参数波动特征矩阵输入至预先构建的配电盘工作寿命预测模型中，获得配电盘剩余工作寿命；所述配电盘工作寿命预测模型的输入为配电盘工作参数波动特征矩阵，所述配电盘工作寿命预测模型的输出为配电盘剩余工作寿命；
所述配电盘工作寿命预测模型的构建方法包括：
S71、收集配电盘的历史工作数据，包括工作负载、电压、电流、温度等参数的时间序列数据，这些数据包括正常运行期间和故障期间的信息；
S72、对收集到的数据进行清理，处理缺失值、异常值等，进行数据预处理，包括归一化、标准化，确保数据适用于模型的训练；
S73、从原始数据中提取与寿命相关的特征，包括工作负载的变化模式、电压和电流的波动性、温度的变化趋势，特征提取的目标是找到能够反映配电盘状态的关键特征；
S74、确定每个时间点的配电盘剩余寿命标签；
S75、将数据集划分为训练集和测试集，训练集用于训练模型，测试集用于评估模型性能；
S76、选择预测模型，常用的包括回归模型、时间序列模型、深度学习模型；
S77、使用训练集对选定的模型进行训练，训练的目标是最小化预测寿命与实际寿命标签之间的差异；
S78、使用测试集对模型进行评估，以了解模型在预测配电盘工作寿命方面的效果；
S79、当模型达到满意的性能后，将其部署到实际***中；
一旦模型构建完成并且在实际配电盘中应用，确保模型能够定期更新并适应实际运行中的变化，建立一个实时数据接收和模型更新***，以保持模型的准确性。
在本步骤中，将配电盘工作参数波动特征矩阵输入到预建模型中，能够实时获得配电盘的剩余工作寿命预测，能够实现及时维护和故障预测，以最大程度地减少不必要的停机和维修；
通过模型预测，无需人工干预即可获得寿命预测结果，减少了人工错误和主观判断的风险；
基于历史工作数据和特征的模型能够更好地理解配电盘的状态和性能，便于制定更明智的维护计划和决策，减少未预期的停机；
通过构建基于数据的模型，能够准确地估计配电盘的剩余寿命，提高了预测的准确性；
通过根据预测的剩余寿命计划维护和更换，能够更有效地利用资源，延长设备寿命，并降低维护成本；
综上所述，本步骤能够提高配电盘工作寿命的预测准确性和效率，减少不必要的维护和降低运营成本。
实施例二
如图6所示，本发明的配电盘工作寿命的预测***，具体包括以下模块；
数据采集模块，用于设定电气数据采集时间节点，根据设定的采集时间节点，对配电盘的电气数据进行采集，获得配电盘电气数据集合，并发送；所述配电盘电气数据集合包括工作负载、工作电压、工作电流和工作温度；
异构向量提取模块，用于接收配电盘电气数据集合，对配电盘电气数据集合进行工作负载提取，并将工作负载与其采集的时间节点相关联，获得配电盘的工作实况异构向量，并发送；
工作参数评估模块，用于接收配电盘的工作实况异构向量，将工作实况异构向量输入至预先训练的配电盘工作参数评估模型中，获得配电盘在此工作状态下的理想工作参数集合，并发送；所述理想工作参数集合包括理想工作电压、理想工作电流和理想工作温度；所述配电盘工作参数评估模型的输入为工作实况异构向量，所述配电盘工作参数评估模型的输出为配电盘的理想工作参数集合；
实时工作参数提取模块，用于接收配电盘电气数据集合，对配电盘电气数据集合进行工作参数提取，获得实时工作参数集合，并发送；所述实时工作参数集合包括实时工作电压、实时工作电流和实时工作温度；
工作参数波动计算模块，用于接收理想工作参数集合和实时工作参数集合，根据理想工作参数集合和实时工作参数集合，计算得到工作参数波动集合，将工作参数波动集合与电气数据采集时间节点相关联，并发送；
特征矩阵转换模块，用于接收工作参数波动集合，根据采集时间节点的先后时间顺序，对工作参数波动集合进行数据转换，获得配电盘工作参数波动特征矩阵，并发送；所述配电盘工作参数波动特征矩阵用于表征配电盘在对应的数据采集时间段内的工作状态；
工作寿命预测模型，用于接收配电盘工作参数波动特征矩阵，将配电盘工作参数波动特征矩阵输入至预先构建的配电盘工作寿命预测模型中，获得配电盘剩余工作寿命；所述配电盘工作寿命预测模型的输入为配电盘工作参数波动特征矩阵，所述配电盘工作寿命预测模型的输出为配电盘剩余工作寿命。
该***通过采集配电盘的电气数据并进行分析，以数据为基础进行剩余工作寿命的预测，减少了对运维人员主观经验的依赖，提高了预测结果的客观性；
***利用预先训练的配电盘工作参数评估模型和工作寿命预测模型，结合实时采集的电气数据和工作参数波动特征矩阵，能够准确评估配电盘的理想工作参数和预测剩余工作寿命，提高了预测结果的精准性；
***具备实时工作参数提取和数据采集的模块，能够及时获取配电盘的实时工作参数并进行预测，及时发现工作状态的变化，并提供准确的寿命预测；***采用自动化的数据采集和处理流程，减少了人工操作的需求，提高了工作效率和数据处理的准确性；***结合了多个模块和模型，以工作负载、工作电压、工作电流和工作温度等多个参数作为依据，综合分析配电盘的工作状态和参数波动，提供了更全面和综合的配电盘剩余工作寿命预测；
综上所述，该***能够实现客观且精准的配电盘剩余使用寿命预测，提供有效的决策支持，减少配电盘故障和停机时间，提高电力***的可靠性和运行效率。
前述实施例一中的配电盘工作寿命的预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配电盘工作寿命的预测***,通过前述对配电盘工作寿命的预测方法的详细描述,本领域技术人员可以清楚的知道本实施例中配电盘工作寿命的预测***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)

1.一种配电盘工作寿命的预测方法，其特征在于，所述方法包括：
设定电气数据采集时间节点，并根据设定的采集时间节点，对配电盘的电气数据进行采集，获得配电盘电气数据集合；所述配电盘电气数据集合包括工作负载、工作电压、工作电流和工作温度；
对所述配电盘电气数据集合进行工作负载提取，并将工作负载与其采集的时间节点相关联，获得配电盘的工作实况异构向量；
将工作实况异构向量输入至预先训练的配电盘工作参数评估模型中，获得配电盘在此工作状态下的理想工作参数集合；所述理想工作参数集合包括理想工作电压、理想工作电流和理想工作温度；
对所述配电盘电气数据集合进行工作参数提取，获得实时工作参数集合；所述实时工作参数集合包括实时工作电压、实时工作电流和实时工作温度；
根据理想工作参数集合和实时工作参数集合，计算得到工作参数波动集合，并将工作参数波动集合与电气数据采集时间节点相关联；
根据采集时间节点的先后时间顺序，对工作参数波动集合进行数据转换，获得配电盘工作参数波动特征矩阵；
将配电盘工作参数波动特征矩阵输入至预先构建的配电盘工作寿命预测模型中，获得配电盘剩余工作寿命；
所述理想工作参数集合为：[UAi,IAi,TAi]；其中UAi表示第i个采集时间节点下的理想工作电压；IAi表示第i个采集时间节点下的理想工作电流；TAi表示第i个采集时间节点下的理想工作温度；
所述实时工作参数集合为：[URi,IRi,TRi]；其中URi表示第i个采集时间节点下的实时工作电压；IRi表示第i个采集时间节点下的实时工作电流；TRi表示第i个采集时间节点下的实时工作温度；
所述工作参数波动集合为：[UΔi,IΔi,TΔi]；其中UΔi表示第i个采集时间节点下的电压波动值，UΔi＝URi-UAi；IΔi表示第i个采集时间节点下的电流波动值，IΔi＝IRi-IAi；TΔi表示第i个采集时间节点下的温度波动值,TΔi＝TRi-TAi；
所述配电盘工作参数波动特征矩阵为：
所述配电盘工作参数波动特征矩阵获取方法包括：
将采集时间节点按时间顺序进行排序；
针对每个时间节点，从工作参数波动集合中提取有关工作参数波动的特征；
将从每个时间节点提取的特征组织成一个特征矩阵；
确保特征矩阵中的每个特征与其对应的时间节点相关联，保持时间序列信息；
对特征矩阵进行标准化处理，确保不同特征之间的数值范围一致。
2.如权利要求1所述的配电盘工作寿命的预测方法，其特征在于，所述配电盘电气数据集合获取方法包括：
部署传感器监测配电盘的电气参数，所述传感器包括温度传感器、电流传感器和电压传感器；
设定数据采集时间节点，使传感器按照采集时间节点对配电盘的电气参数进行采集；
将采集的配电盘的电气数据存储在数据库中；
对存储的数据进行处理，识别和处理异常数据，保证数据的准确性，获得配电盘电气数据集合。
3.如权利要求1所述的配电盘工作寿命的预测方法，其特征在于，所述配电盘工作参数评估模型的构建方法包括：
获取历史配电盘数据的数据集，所述历史配电盘数据的数据集包括工作负载、工作电压、工作电流、工作温度以及相应的理想工作参数；
选择回归模型，包括线性回归、决策树回归、随机森林回归；
对历史配电盘数据的数据集，进行标准化和归一化处理；
将历史配电盘数据的数据集划分为训练数据集和验证数据集，训练数据集用于训练模型，验证数据集用于监测模型的性能；
使用训练数据集来训练回归模型，训练过程通过多次迭代来优化模型参数；
使用验证数据集来评估模型的性能，计算模型的性能指标，包括均方误差、准确率、召回率、精确度；
调整模型的超参数，包括学习率、层数、神经元数，提高模型性能；
将最终的模型部署到生产环境中，用于实际的配电盘工作参数评估。
4.如权利要求1所述的配电盘工作寿命的预测方法，其特征在于，所述配电盘工作寿命预测模型的构建方法包括：
收集配电盘的历史工作数据，包括工作负载、电压、电流、温度；
对收集到的数据进行清理，处理缺失值、异常值，进行数据预处理，包括归一化、标准化；
从原始数据中提取与寿命相关的特征，包括工作负载的变化模式、电压和电流的波动性、温度的变化趋势；
确定每个时间点的配电盘剩余寿命标签；
将数据集划分为训练集和测试集，训练集用于训练模型，测试集用于评估模型性能；
选择预测模型，包括回归模型、时间序列模型、深度学习模型；
使用训练集对选定的模型进行训练；
使用测试集对模型进行评估，了解模型在预测配电盘工作寿命方面的效果；
当模型达到满意的性能后，将其部署到实际***中。
5.如权利要求1所述的配电盘工作寿命的预测方法，其特征在于，所述采集时间节点设定影响因素包括电气参数的变化速度、配电盘的工作环境、数据采集的成本因素和历史数据的可用性。
6.一种配电盘工作寿命的预测***，其特征在于，所述***包括：
数据采集模块，用于设定电气数据采集时间节点，根据设定的采集时间节点，对配电盘的电气数据进行采集，获得配电盘电气数据集合，并发送；所述配电盘电气数据集合包括工作负载、工作电压、工作电流和工作温度；
异构向量提取模块，用于接收配电盘电气数据集合，对配电盘电气数据集合进行工作负载提取，并将工作负载与其采集的时间节点相关联，获得配电盘的工作实况异构向量，并发送；
工作参数评估模块，用于接收配电盘的工作实况异构向量，将工作实况异构向量输入至预先训练的配电盘工作参数评估模型中，获得配电盘在此工作状态下的理想工作参数集合，并发送；所述理想工作参数集合包括理想工作电压、理想工作电流和理想工作温度；
实时工作参数提取模块，用于接收配电盘电气数据集合，对配电盘电气数据集合进行工作参数提取，获得实时工作参数集合，并发送；所述实时工作参数集合包括实时工作电压、实时工作电流和实时工作温度；
工作参数波动计算模块，用于接收理想工作参数集合和实时工作参数集合，根据理想工作参数集合和实时工作参数集合，计算得到工作参数波动集合，将工作参数波动集合与电气数据采集时间节点相关联，并发送；
特征矩阵转换模块，用于接收工作参数波动集合，根据采集时间节点的先后时间顺序，对工作参数波动集合进行数据转换，获得配电盘工作参数波动特征矩阵，并发送；
工作寿命预测模型，用于接收配电盘工作参数波动特征矩阵，将配电盘工作参数波动特征矩阵输入至预先构建的配电盘工作寿命预测模型中，获得配电盘剩余工作寿命；
其中，所述理想工作参数集合为：[UAi,IAi,TAi]；其中UAi表示第i个采集时间节点下的理想工作电压；IAi表示第i个采集时间节点下的理想工作电流；TAi表示第i个采集时间节点下的理想工作温度；
所述实时工作参数集合为：[URi,IRi,TRi]；其中URi表示第i个采集时间节点下的实时工作电压；IRi表示第i个采集时间节点下的实时工作电流；TRi表示第i个采集时间节点下的实时工作温度；
所述工作参数波动集合为：[UΔi,IΔi,TΔi]；其中UΔi表示第i个采集时间节点下的电压波动值，UΔi＝URi-UAi；IΔi表示第i个采集时间节点下的电流波动值，IΔi＝IRi-IAi；TΔi表示第i个采集时间节点下的温度波动值,TΔi＝TRi-TAi；
所述配电盘工作参数波动特征矩阵为：
所述配电盘工作参数波动特征矩阵获取方法包括：
将采集时间节点按时间顺序进行排序；
针对每个时间节点，从工作参数波动集合中提取有关工作参数波动的特征；
将从每个时间节点提取的特征组织成一个特征矩阵；
确保特征矩阵中的每个特征与其对应的时间节点相关联，保持时间序列信息；
对特征矩阵进行标准化处理，确保不同特征之间的数值范围一致。
7.一种配电盘工作寿命的预测电子设备，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。
CN202311557988.7A 2023-11-22 2023-11-22 配电盘工作寿命的预测方法及*** Active CN117272844B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311557988.7A CN117272844B (zh) 2023-11-22 2023-11-22 配电盘工作寿命的预测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311557988.7A CN117272844B (zh) 2023-11-22 2023-11-22 配电盘工作寿命的预测方法及***

Publications (2)

Publication Number Publication Date
CN117272844A CN117272844A (zh) 2023-12-22
CN117272844B true CN117272844B (zh) 2024-04-09

Family

ID=89218144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311557988.7A Active CN117272844B (zh) 2023-11-22 2023-11-22 配电盘工作寿命的预测方法及***

Country Status (1)

Country Link
CN (1) CN117272844B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11354233A (ja) * 1998-06-09 1999-12-24 Mitsubishi Electric Corp 電力設備運転支援システム
KR101550585B1 (ko) * 2014-12-22 2015-09-08 대한기전 주식회사 잔존 수명 예측 관리가 가능한 성능기준 기반의 유지관리형 수배전반
CN114547795A (zh) * 2022-02-21 2022-05-27 苏州科技大学 一种基于数据驱动的滚动轴承剩余寿命预测方法
CN114994555A (zh) * 2022-06-06 2022-09-02 浙大宁波理工学院 一种基于混合模型的燃料电池剩余寿命预测方法及装置
WO2022189613A1 (en) * 2021-03-11 2022-09-15 Tridonic Gmbh & Co Kg Method for predicting a remaining failure or lifetime of an electrical component of an electrical circuit
CN116049686A (zh) * 2022-12-14 2023-05-02 沈阳工业大学 基于距离度量的铁路直流继电器运行状态评估方法
CN116203362A (zh) * 2023-02-10 2023-06-02 深圳市云帆自动化技术有限公司 一种配电盘状态监测***
CN116738862A (zh) * 2023-07-12 2023-09-12 南方电网电力科技股份有限公司 一种锅炉结垢故障预测方法、装置、设备和介质
CN116796631A (zh) * 2023-05-16 2023-09-22 广东电网有限责任公司广州供电局 一种计及约束条件的锂电池寿命预测方法
CN117060409A (zh) * 2023-10-13 2023-11-14 国网甘肃省电力公司白银供电公司 电力线路运行状态自动化检测分析方法及***
CN117074965A (zh) * 2023-10-17 2023-11-17 深圳市神通天下科技有限公司 一种锂离子电池剩余寿命预测方法及***

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11354233A (ja) * 1998-06-09 1999-12-24 Mitsubishi Electric Corp 電力設備運転支援システム
KR101550585B1 (ko) * 2014-12-22 2015-09-08 대한기전 주식회사 잔존 수명 예측 관리가 가능한 성능기준 기반의 유지관리형 수배전반
WO2022189613A1 (en) * 2021-03-11 2022-09-15 Tridonic Gmbh & Co Kg Method for predicting a remaining failure or lifetime of an electrical component of an electrical circuit
CN114547795A (zh) * 2022-02-21 2022-05-27 苏州科技大学 一种基于数据驱动的滚动轴承剩余寿命预测方法
CN114994555A (zh) * 2022-06-06 2022-09-02 浙大宁波理工学院 一种基于混合模型的燃料电池剩余寿命预测方法及装置
CN116049686A (zh) * 2022-12-14 2023-05-02 沈阳工业大学 基于距离度量的铁路直流继电器运行状态评估方法
CN116203362A (zh) * 2023-02-10 2023-06-02 深圳市云帆自动化技术有限公司 一种配电盘状态监测***
CN116796631A (zh) * 2023-05-16 2023-09-22 广东电网有限责任公司广州供电局 一种计及约束条件的锂电池寿命预测方法
CN116738862A (zh) * 2023-07-12 2023-09-12 南方电网电力科技股份有限公司 一种锅炉结垢故障预测方法、装置、设备和介质
CN117060409A (zh) * 2023-10-13 2023-11-14 国网甘肃省电力公司白银供电公司 电力线路运行状态自动化检测分析方法及***
CN117074965A (zh) * 2023-10-17 2023-11-17 深圳市神通天下科技有限公司 一种锂离子电池剩余寿命预测方法及***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于LS-SVM的电力电子电路故障预测方法;姜媛媛;王友仁;崔江;孙凤艳;;电机与控制学报(第08期);第64-68, 74页 *
基于全寿命数据的滚动轴承运行状态评估和剩余寿命预测;张金豹;《中国博士学位论文全文数据库 (工程科技Ⅰ辑)》;C029-35 *
基于退化轨迹相似性的航空发动机剩余寿命预测方法研究;李固良;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;C031-96 *

Also Published As

Publication number Publication date
CN117272844A (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
US10444746B2 (en) Method for managing subsystems of a process plant using a distributed control system
CN117060409B (zh) 电力线路运行状态自动化检测分析方法及***
CN110703743A (zh) 设备故障预测与检测***和方法
CN113888353A (zh) 分布式光伏发电设备的能效诊断方法、***及介质
CN117474357A (zh) 基于深度学习的配电房运维管理方法及***
CN117114454A (zh) 一种基于Apriori算法的直流套管状态评估方法及***
CN114462820A (zh) 一种轴承状态监测与健康管理***性能测试及优化方法和***
CN116975604B (zh) 贴片机驱动***的故障预测方法及***
CN117331790A (zh) 一种用于数据中心的机房故障检测方法及装置
CN117609716A (zh) 基于状态健康信息的电力设备剩余寿命远程预测方法及***
CN117272844B (zh) 配电盘工作寿命的预测方法及***
CN113887990A (zh) 电气设备维修决策优化方法
CN117783769B (zh) 基于可视平台的配电网络故障定位方法、***、设备及存储介质
CN111650444A (zh) 基于回归分析的电磁环境中tcu失效预警方法
CN117808456B (zh) 一种基于智慧运营管理的设备故障预警方法及装置
CN116258467B (zh) 一种电力施工管控***
CN117929904B (zh) 一种逆变器老化测试方法、装置及存储介质
CN114414938B (zh) 一种配电网故障的动态响应方法及***
CN117490338A (zh) 基于深度学习的船舶冷却机组控制方法及***
CN118263872A (zh) 一种定制化电压暂降治理优化方法及***
Abdulova Analysis of Approximating and Detailing Wavelet Decomposition Coefficients in the Risk Potential Predictive Algorithm
CN117375231A (zh) 一种基于电网数据节点的统计方法及数据处理***
CN118066934A (zh) 一种武器装备智能故障定位***
CN117590159A (zh) 一种基于深度学习的隧道电缆供电状态监测方法及***
Dadfarnia et al. A Simulation-Based Approach to Assess Condition Monitoring-Enabled Maintenance in Manufacturing

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