CN117347791B - 基于大数据的电力电网故障在线识别***及方法 - Google Patents
基于大数据的电力电网故障在线识别***及方法 Download PDFInfo
- Publication number
- CN117347791B CN117347791B CN202311441619.1A CN202311441619A CN117347791B CN 117347791 B CN117347791 B CN 117347791B CN 202311441619 A CN202311441619 A CN 202311441619A CN 117347791 B CN117347791 B CN 117347791B
- Authority
- CN
- China
- Prior art keywords
- data
- power
- fault
- time interval
- power grid
- 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 31
- 238000012544 monitoring process Methods 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 38
- 230000005540 biological transmission Effects 0.000 claims description 85
- 238000012545 processing Methods 0.000 claims description 30
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000005516 engineering process Methods 0.000 claims description 12
- 238000012706 support-vector machine Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 10
- 238000000556 factor analysis Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 238000013524 data verification Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G01R1/00—Details of instruments or arrangements of the types included in groups G01R5/00 - G01R13/00 and G01R31/00
- G01R1/02—General constructional details
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R1/00—Details of instruments or arrangements of the types included in groups G01R5/00 - G01R13/00 and G01R31/00
- G01R1/02—General constructional details
- G01R1/04—Housings; Supporting members; Arrangements of terminals
- G01R1/0408—Test fixtures or contact fields; Connectors or connecting adaptors; Test clips; Test sockets
-
- 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)
- Selective Calling Equipment (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了基于大数据的电力电网故障在线识别***及方法,属于电力故障识别技术领域。本发明解决了现有识别方法可行性较差的问题,通过电力SCADA***进行电力数据采集,并将电力数据生成电力运行工作日志;将电力运行工作日志导入电网故障预测模型中进行训练,从而获得电网故障预测报告;通过将预测报告中实时电力数据和历史正常监测数据进行比对,从而得出该位置处的电网是否发生故障;并针对比对值的差距依次划分出一级故障信号、二级故障信号以及零级故障信号,通过云平台依次发出红灯预警、黄灯预警以及绿灯通知;由此实现在线识别电力电网发生故障的功能,保障电网故障在线识别的效率,提高了现有电力故障预警识别方法的可行性。
Description
技术领域
本发明涉及电力故障识别技术领域,具体为基于大数据的电力电网故障在线识别***及方法。
背景技术
随着互联网技术的飞速发展,数据已经成为企业未来发展的重要资源之一;大数据技术在电力故障识别和智能预警技术中具有重要的作用,因此智能化电网管理技术也成为了电网运行***的核心环节,也是推动电网智能化发展的强大支撑和动力;在智能化电网管理技术中,***中每时每刻都有着巨大的信息流量,通过***进行计算分析、对各种数据进行有效的处理,可以获得数量庞大的数据资源;再通过大数据技术对电网管理数据信息进行深刻挖掘,可以找出电网中大量有效信息,可以及时发现电力电网中隐藏的故障因素,为电网的正常运行提供更多有效的信息。
然而随着电力行业的快速发展,电力设备的数量和规模不断扩大,对电力故障的预警和识别需求越来越高;目前,现有的传统电力故障预警方法已经无法满足日益增长的需求量,因此降低了现有电力故障预警识别方法的可行性。
因此,不满足现有的需求,对此我们提出了基于大数据的电力电网故障在线识别***及方法。
发明内容
本发明的目的在于提供基于大数据的电力电网故障在线识别***及方法,通过电力SCADA***采集电力数据,并生成电力运行工作日志导入电网故障预测模型中进行训练,从而获得电网故障预测报告;通过将预测报告中实时电力数据和历史正常监测数据进行比对,从而得出该位置处的电网是否发生故障;并针对比对值的差距依次划分出一级故障信号、二级故障信号以及零级故障信号,通过云平台依次发出红灯预警、黄灯预警以及绿灯通知;由此实现在线识别电力电网发生故障的功能,解决了上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:基于大数据的电力电网故障在线识别***,包括:
数据获取模块,基于电力SCADA***中所部署的传感器对电力设备进行电力数据采集,由此获得电力设备的数据参数,并将所采集到的电力数据发送至数据处理单元进行预处理;
数据处理单元,用于接收数据获取模块所发送的电力数据,并对电力数据进行预处理和清洗,由此得到处理后的电力数据,并将处理后的电力数据发送至数据检验单元;
模型训练单元,用于创建数据训练模型,并基于电力SCADA***中以往所采集的电力数据对模型进行训练,由此获得最优化的电网故障预测模型;
数据检验单元,用于接收数据处理单元所发送的电力数据,并将该电力数据接入电网故障预测模型中进行检验,由此获得电网故障预测报告,并结合实际电网的拓扑结构,定位出故障位置,再将预测报告及故障位置传输至云平台;
云平台,用于接收数据检验单元所发出的预测报告,并基于预测报告的内容发出故障预警通知;
其中,数据获取模块还包括:
实时接收模块,用于实时接收所述基于电力SCADA***中所部署的传感器采集的数据信息;
时间间隔获取模块,用于获取所述基于电力SCADA***中所部署的传感器的数据采集时间间隔;
时间阈值设置模块,用于根据所述数据采集时间间隔设置第一时间阈值和第二时间阈值,其中,所述第一时间阈值和第二时间阈值通过如下公式获取:
其中,Ty1和Ty2分别表示第一时间阈值和第二时间阈值;Ty01和Ty02分别表示初始的第一时间阈值和第二时间阈值;C01表示传感器采集时间间隔小于初始的第一时间阈值的传感器一个采集周期所采集的数据形成的数据量;C02表示传感器采集时间间隔等于或大于初始的第一时间阈值,但,小于初始的第二时间阈值的传感器一个采集周期所采集的数据形成的数据量;C03表示传感器采集时间间隔等于或大于初始的第二时间阈值的传感器一个采集周期所采集的数据形成的数据量;Cz表示基于电力SCADA***中所部署的传感器的一个采集周期所采集数据的总数据量;e表示常数;n表示传感器的数量;T i表示第i个传感器对应的数据采集时间间隔;
数据集划分模块,用于根据所述第一时间阈值和第二时间阈值将所述传感器采集的数据信息进行数据划分,获得第一数据集、第二数据集和第三数据集;
数据传输时间间隔设置模块,用于针对第一数据集、第二数据集和第三数据集设置其对应的数据传输时间间隔,并按照所述数据传输时间间隔将所述第一数据集、第二数据集和第三数据集对应的数据传输至数据处理单元;
其中,第一数据集为传感器采集时间间隔小于第一时间阈值的传感器所采集的数据形成的数据集;
第二数据集为传感器采集时间间隔等于或大于第一时间阈值,但,小于第二时间阈值的传感器所采集的数据形成的数据集;
第三数据集为传感器采集时间间隔等于或大于第二时间阈值的传感器所采集的数据形成的数据集;
数据传输时间间隔设置模块包括:
第一信息获取模块,用于提取所述第一数据集所对应的传感器的采集时间间隔,作为第一信息数据;
第一数据传输时间间隔设置模块,用于根据所述第一信息数据设置所述第一数据集对应的第一数据传输时间间隔;其中,所述第一数据传输时间间隔通过如下公式获取:
其中,Tc1表示第一数据集对应的第一数据传输时间间隔;m1表示所述第一数据集所对应的传感器的个数;T01 i表示第一数据集对应的第i个传感器的数据采集时间间隔;Ty1表示第一时间阈值;Cm01表示第一数据集对应的一个采集周期的采集数据量;Cz表示基于电力SCADA***中所部署的传感器的一个采集周期所采集数据的总数据量;Tc01表示第一数据集对应的初始第一数据传输时间间隔;
第二信息获取模块,用于提取所述第二数据集所对应的传感器的采集时间间隔,作为第二信息数据;
第二数据传输时间间隔设置模块,用于根据所述第二信息数据设置所述第二数据集对应的第二数据传输时间间隔;其中,所述第二数据传输时间间隔通过如下公式获取:
其中,Tc2表示第二数据集对应的第二数据传输时间间隔;m2表示所述第二数据集所对应的传感器的个数;T02 i表示第二数据集对应的第i个传感器的数据采集时间间隔;Ty1表示第一时间阈值;Ty2表示第二时间阈值;Cm02表示第二数据集对应的一个采集周期的采集数据量;Cz表示基于电力SCADA***中所部署的传感器的一个采集周期所采集数据的总数据量;Tc02表示第二数据集对应的初始第二数据传输时间间隔;
第三信息获取模块,用于提取所述第三数据集所对应的传感器的采集时间间隔,作为第三信息数据;
第三数据传输时间间隔设置模块,用于根据所述第三信息数据设置所述第三数据集对应的第三数据传输时间间隔;其中,所述第三数据传输时间间隔通过如下公式获取:
其中,Tc3表示第三数据集对应的第三数据传输时间间隔;m3表示所述第三数据集所对应的传感器的个数;T03i表示第三数据集对应的第i个传感器的数据采集时间间隔;Ty2表示第二时间阈值;Cm03表示第三数据集对应的一个采集周期的采集数据量;Cz表示基于电力SCADA***中所部署的传感器的一个采集周期所采集数据的总数据量;Tc03表示第三数据集对应的初始第三数据传输时间间隔。
进一步的,所述数据获取模块中基于电力SCADA***中所部署的传感器包括:光电传感器、红外传感器、速度传感器、加速度传感器、温度传感器、湿度传感器、磁场传感器、GIS传感器、振动传感器、纹波传感器、RFID标签、GPS设备、射线辐射传感器、热敏传感器和能耗传感器。
进一步的,所述数据处理单元包括:
预处理模块,用于对电力数据进行预处理和清洗,并将处理后的电力数据生成相应的电力运行工作日志;
特征提取模块,用于对电力运行工作日志中的内容进行参数特征提取,由此获得参数特征集;其中,提取参数特征的内容包括:故障持续时间超过180秒、故障位置已被识别和故障诱因已被确定;
数据存储模块,用于将电力运行工作日志和参数特征集按时间序列进行保存,由此作为电力数据文本库。
进一步的,所述模型训练单元包括:
样本获取模块,基于数据处理单元中所存储的电力SCADA***以往的参数特征集为依据,由此作为特征样本集;
模型创建模块,用于将特征样本集导入支持向量机中进行训练,并对支持向量机的参数进行优化,由此建立电网故障预测模型。
进一步的,所述数据检验单元包括:
数据读取模块,用于实时接收数据处理单元所发送的电力运行工作日志,并将电力运行工作日志导入电网故障预测模型中进行训练,由此获得电网故障预测结果;
故障输出模块,用于输出电网故障预测模型的预测报告,分析电能质量的各种异常状态,并找出异常点;
无线传输模块,基于无线通讯技术将输出的预测报告传输至云平台进行监控预警。
进一步的,所述故障输出模块对预测报告分析电能异常状态,具体为:
通过将现在的监测数据和历史的正常监测数据进行比对,得出配电节点是否有故障产生,由此实现故障的定位;并通过故障影响因素分析结果对电网进行故障等级划分,生成相应的预警提醒。
进一步的,通过故障影响因素分析结果对电网进行故障等级划分,生成相应的预警提醒,具体为:
当分析结果显示该电力数据已大幅度超出历史的正常监测数据时,则判定为故障危险信号,据此生成一级故障信号,并将该信号传输至云平台发出红灯故障预警通知;当分析结果显示该电力数据小幅度超出历史的正常监测数据时,则判定为摆动故障信号,据此生成二级故障信号,并将该信号传输至云平台发出黄灯故障预警通知;当分析结果显示该电力数据未超出历史的正常监测数据时,则判定为安全稳定信号,据此生成零级故障信号,并将该信号传输至云平台发出绿灯通知,再分别生成对应的文字样本发送至云平台进行输出说明。
基于大数据的电力电网故障在线识别***的实现方法,包括以下步骤:
S1、通过电力SCADA***中所部署的传感器对电力设备进行电力数据采集,并对电力数据进行预处理和清洗,由此生成电力运行工作日志;
S2、提取历史电力数据的特征集,以作为特征样本集导入支持向量机中进行训练,由此得出电网故障预测模型;
S3、将S1中所生成的电力运行工作日志导入电网故障预测模型中进行训练,并输出电网故障预测报告以供分析;
S4、通过将实时电力数据和历史正常监测数据进行比对,从而得出位置处电网是否发生故障,并针对比对值的差距划分出故障等级;
S5、将比对值差距较大的电力数据划分为一级故障信号,并通过云平台发出红灯预警;将比对值差距一般的电力数据划分为二级故障信号,并通过云平台发出黄灯预警;将比对值未产生差距的电力数据划分为零级故障信号,并通过云平台发出绿灯通知,由此保障电网故障在线识别的效率。
与现有技术相比,本发明的有益效果是:
本发明通过电力SCADA***进行电力数据采集,并将电力数据生成电力运行工作日志;将电力运行工作日志导入电网故障预测模型中进行训练,从而获得电网故障预测报告;通过将预测报告中实时电力数据和历史正常监测数据进行比对,从而得出该位置处的电网是否发生故障;并针对比对值的差距依次划分出一级故障信号、二级故障信号以及零级故障信号,并通过云平台依次发出红灯预警、黄灯预警以及绿灯通知;由此实现在线识别电力电网发生故障的功能,保障电网故障在线识别的效率,提高了现有电力故障预警识别方法的可行性。
附图说明
图1为本发明的基于大数据的电力电网故障在线识别***组成图;
图2为本发明的基于大数据的电力电网故障在线识别方法流程图。
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。
为了解决现有电力设备的数量和规模不断扩大,对电力故障的预警和识别需求越来越高;传统电力故障预警方法已经无法满足日益增长的需求量,因此降低了现有电力故障预警识别方法可行性的技术问题,请参阅图1-图2,本实施例提供以下技术方案:
基于大数据的电力电网故障在线识别***,包括:
数据获取模块,基于电力SCADA***中所部署的传感器对电力设备进行电力数据采集,由此获得电力设备的数据参数,并将所采集到的电力数据发送至数据处理单元进行预处理;具体的,电力SCADA***即:数据采集与监视控制***;在电力***中,可以对现场的电力设备进行监视和控制,以实现数据采集、设备控制、测量、参数调节以及各类信号报警等各项功能;通过电力SCADA***中所部署的多种传感器对所需监测的电力设备进行数据采集,由此获得该电力电网中运行设备的各项数据;其中,数据获取模块中基于电力SCADA***中所部署的传感器具体包括:光电传感器、红外传感器、速度传感器、加速度传感器、温度传感器、湿度传感器、磁场传感器、G IS传感器、振动传感器、纹波传感器、RFID标签、GPS设备、射线辐射传感器、热敏传感器和能耗传感器。
数据处理单元,用于接收数据获取模块所发送的电力数据,并对电力数据进行预处理和清洗,由此得到处理后的电力数据,并将处理后的电力数据发送至数据检验单元;具体的,通过接收电力SCADA***所采集到的电力数据,并将其中无效数据进行剔除与修正,剩余数据经过数据清洗、数据格式化和数据的归一化处理之后,并保存至文档中,形成相应的电力运行工作日志。
模型训练单元,用于创建数据训练模型,并基于电力SCADA***中以往所采集的电力数据对模型进行训练,由此获得最优化的电网故障预测模型;具体的,通过筛选出电力SCADA***以往采集的优质电力数据为基础,并提取该电力数据的特征集,从而形成特征样本集;将特征样本集导入支持向量机中进行训练,由此得到电网故障预测模型,通过该电网故障预测模型为实时电力数据的故障点进行预测。
数据检验单元,用于接收数据处理单元所发送的电力数据,并将该电力数据接入电网故障预测模型中进行检验,由此获得电网故障预测报告,并结合实际电网的拓扑结构,定位出故障位置,再将预测报告及故障位置传输至云平台;具体的,通过上述电网故障预测模型为基准,将电力SCADA***采集的实时电力数据生成电力运行工作日志,并将电力运行工作日志导入电网故障预测模进行训练,由此得出电网故障预测报告,进而定位出电网故障的所在位置,并经由云平台做出预警通知,从而提高现有电力故障预警识别方法的可行性。
云平台,用于接收数据检验单元所发出的预测报告,并基于预测报告的内容发出故障预警通知;具体的,云平台即:监控平台,由显示终端及警示灯组成,该监控平台通过无线通讯技术与数据检验单元相连接;通过显示终端可对故障定位结果进行展示,通过警示灯可对预警结果进行灯光警示;其中,警示灯依次分为:红灯、黄灯以及绿灯,三色依次代表一级故障、二级故障以及零级故障,以便提醒在场用户了解到每个故障点的危险程度。
上述内容的工作原理:通过电力SCADA***进行电力数据采集,并将电力数据生成电力运行工作日志;将电力运行工作日志导入电网故障预测模型中进行训练,从而获得电网故障预测报告;通过将预测报告中实时电力数据和历史正常监测数据进行比对,从而得出该位置处的电网是否发生故障;并针对比对值的差距依次划分出一级故障信号、二级故障信号以及零级故障信号,并通过云平台依次发出红灯预警、黄灯预警以及绿灯通知;由此实现在线识别电力电网发生故障的功能,保障电网故障在线识别的效率,提高了现有电力故障预警识别方法的可行性。
具体的,所述数据获取模块还包括:
实时接收模块,用于实时接收所述基于电力SCADA***中所部署的传感器采集的数据信息;
时间间隔获取模块,用于获取所述基于电力SCADA***中所部署的传感器的数据采集时间间隔;
时间阈值设置模块,用于根据所述数据采集时间间隔设置第一时间阈值和第二时间阈值,其中,所述第一时间阈值和第二时间阈值通过如下公式获取:
其中,Ty1和Ty2分别表示第一时间阈值和第二时间阈值;Ty01和Ty02分别表示初始的第一时间阈值和第二时间阈值;C01表示传感器采集时间间隔小于初始的第一时间阈值的传感器一个采集周期所采集的数据形成的数据量;C02表示传感器采集时间间隔等于或大于初始的第一时间阈值,但,小于初始的第二时间阈值的传感器一个采集周期所采集的数据形成的数据量;C03表示传感器采集时间间隔等于或大于初始的第二时间阈值的传感器一个采集周期所采集的数据形成的数据量;Cz表示基于电力SCADA***中所部署的传感器的一个采集周期所采集数据的总数据量;e表示常数;n表示传感器的数量;Ti表示第i个传感器对应的数据采集时间间隔;
数据集划分模块,用于根据所述第一时间阈值和第二时间阈值将所述传感器采集的数据信息进行数据划分,获得第一数据集、第二数据集和第三数据集;
数据传输时间间隔设置模块,用于针对第一数据集、第二数据集和第三数据集设置其对应的数据传输时间间隔,并按照所述数据传输时间间隔将所述第一数据集、第二数据集和第三数据集对应的数据传输至数据处理单元;
其中,第一数据集为传感器采集时间间隔小于第一时间阈值的传感器所采集的数据形成的数据集;
第二数据集为传感器采集时间间隔等于或大于第一时间阈值,但,小于第二时间阈值的传感器所采集的数据形成的数据集;
第三数据集为传感器采集时间间隔等于或大于第二时间阈值的传感器所采集的数据形成的数据集。
上述技术方案的技术效果为:数据实时性提高:通过实时接收传感器采集的数据信息,并根据数据采集时间间隔设置不同的时间阈值,将数据信息划分为不同的数据集,可以更好地反映数据的实时性。传感器采集时间间隔较短的数据将被更快地传输和处理,有助于实时监测电力***的状态。
数据传输优化:根据不同的数据集设置对应的数据传输时间间隔,可以更有效地管理数据传输,确保及时传输重要数据,减少对网络和***资源的负载。这有助于提高数据传输的效率和可靠性。
资源利用效率提高:通过根据传感器采集时间间隔智能地管理数据,可以更好地利用***资源,降低不必要的数据传输和处理成本,从而提高资源的利用效率。
数据处理效率提高:将数据信息划分为不同的数据集,可以更有针对性地进行数据处理,减少不必要的数据处理时间和资源浪费,提高数据处理的效率。
综上所述,该技术方案通过根据传感器采集时间间隔和数据量设置不同的时间阈值,优化数据传输和处理,提高了数据实时性、传输效率和资源利用效率,有助于更好地监测和管理电力***的数据。这对于电力SCADA***的性能和可靠性具有重要意义。
具体的,所述数据传输时间间隔设置模块包括:
第一信息获取模块,用于提取所述第一数据集所对应的传感器的采集时间间隔,作为第一信息数据;
第一数据传输时间间隔设置模块,用于根据所述第一信息数据设置所述第一数据集对应的第一数据传输时间间隔;其中,所述第一数据传输时间间隔通过如下公式获取:
其中,Tc1表示第一数据集对应的第一数据传输时间间隔;m1表示所述第一数据集所对应的传感器的个数;T01i表示第一数据集对应的第i个传感器的数据采集时间间隔;Ty1表示第一时间阈值;Cm01表示第一数据集对应的一个采集周期的采集数据量;Cz表示基于电力SCADA***中所部署的传感器的一个采集周期所采集数据的总数据量;Tc01表示第一数据集对应的初始第一数据传输时间间隔;
第二信息获取模块,用于提取所述第二数据集所对应的传感器的采集时间间隔,作为第二信息数据;
第二数据传输时间间隔设置模块,用于根据所述第二信息数据设置所述第二数据集对应的第二数据传输时间间隔;其中,所述第二数据传输时间间隔通过如下公式获取:
其中,Tc2表示第二数据集对应的第二数据传输时间间隔;m2表示所述第二数据集所对应的传感器的个数;T02i表示第二数据集对应的第i个传感器的数据采集时间间隔;Ty1表示第一时间阈值;Ty2表示第二时间阈值;Cm02表示第二数据集对应的一个采集周期的采集数据量;Cz表示基于电力SCADA***中所部署的传感器的一个采集周期所采集数据的总数据量;Tc02表示第二数据集对应的初始第二数据传输时间间隔;
第三信息获取模块,用于提取所述第三数据集所对应的传感器的采集时间间隔,作为第三信息数据;
第三数据传输时间间隔设置模块,用于根据所述第三信息数据设置所述第三数据集对应的第三数据传输时间间隔;其中,所述第三数据传输时间间隔通过如下公式获取:
其中,Tc3表示第三数据集对应的第三数据传输时间间隔;m3表示所述第三数据集所对应的传感器的个数;T03i表示第三数据集对应的第i个传感器的数据采集时间间隔;Ty2表示第二时间阈值;Cm03表示第三数据集对应的一个采集周期的采集数据量;Cz表示基于电力SCADA***中所部署的传感器的一个采集周期所采集数据的总数据量;Tc03表示第三数据集对应的初始第三数据传输时间间隔。
上述技术方案的技术效果为:数据传输时间间隔的个性化设置:根据不同的数据集(第一数据集、第二数据集和第三数据集)所对应的传感器的采集时间间隔以及时间阈值,动态地设置每个数据集的数据传输时间间隔。这样可以使不同数据集的数据在传输时具有个性化的时间安排,更好地适应不同传感器的数据采集特点。
传感器数据传输的灵活性:通过根据传感器采集时间间隔进行数据传输时间间隔的智能调整,可以提高数据传输的灵活性。传感器采集时间间隔较短的数据集可以更频繁地传输,以确保实时性,而采集时间间隔较长的数据集则可以根据需要进行适度的减少传输次数,降低资源消耗。
资源利用效率提高:通过智能设置数据传输时间间隔,可以更有效地利用网络和***资源,减少不必要的数据传输和处理成本,提高资源的利用效率。
数据传输的平稳性:根据数据采集时间间隔和时间阈值设置的算法,可以更平稳地进行数据传输,避免过多的数据拥堵或传输间隔过长,从而提高数据传输的稳定性。
综上所述,该技术方案通过智能化地设置传感器数据传输时间间隔,实现了数据传输的个性化和灵活性,提高了资源利用效率和数据传输的稳定性,有助于更好地管理电力SCADA***中传感器数据的传输和处理。
数据处理单元包括:
预处理模块,用于对电力数据进行预处理和清洗,并将处理后的电力数据生成相应的电力运行工作日志;具体的,通过电力SCADA***采集到监测区域内电力电网的参数数据,此时电力数据包括:正常运行数据和出现故障数据及其错误数据,将错误数据进行剔除与修正,再将剩余数据经过数据清洗、数据格式化和数据的归一化处理之后,缓存至文档中,从而生成相应的电力运行工作日志。
特征提取模块,用于对电力运行工作日志中的内容进行参数特征提取,由此获得参数特征集;其中,提取参数特征的内容包括:故障持续时间超过180秒、故障位置已被识别和故障诱因已被确定;具体的,通过特征提取模块可对电力SCADA***所采集的电力数据进行特征提取,由此可得出参数特征集;若当前所提取的电力运行工作日志中的内容用作训练电网故障预测模型时,提取后的参数特征集,可将其归类为特征样本集。
数据存储模块,用于将电力运行工作日志和参数特征集按时间序列进行保存,由此作为电力数据文本库;具体的,通过将以往及现有所生成的电力运行工作日志及参数特征集进行保存,从而形成电力数据文本库,不仅为所采集的电力数据进行备份,以防丢失;同时可为后期训练电网故障预测模型提供优质的样本参数,进而提高电网故障预测模型预测的精度。
模型训练单元包括:
样本获取模块,基于数据处理单元中所存储的电力SCADA***以往的参数特征集为依据,通过无线传输技术获取其中任意一份参数特征集,由此作为训练电网故障预测模型的特征样本集。
模型创建模块,用于将特征样本集导入支持向量机中进行训练,并对支持向量机的参数进行优化,由此建立电网故障预测模型;具体的,通过将带有故障结果的特征样本集导入支持向量机进行训练,从而得出故障预测样本,由此建立出用于预测电网故障的训练模型。
数据检验单元包括:
数据读取模块,用于实时接收数据处理单元所发送的电力运行工作日志,并将电力运行工作日志导入电网故障预测模型中进行训练,由此获得电网故障预测结果;具体的,通过将现下所生成的电力运行工作日志导入至电网故障预测模型中进行训练,从而得出已发生故障及可能会发生故障的结果;并针对输出的结果,结合电力电网拓扑结果,判断出具体的位置,再将其最终结果传输至云平台进行预警通知。
故障输出模块,用于输出电网故障预测模型的预测报告,分析电能质量的各种异常状态,并找出异常点;故障输出模块对预测报告分析电能异常状态,具体为:通过将现在的监测数据和历史的正常监测数据进行比对,得出配电节点是否有故障产生,由此实现故障的定位;并通过故障影响因素分析结果对电网进行故障等级划分,生成相应的预警提醒;在一实施例中,如:某一区域的电网分布点为:T1、T2、T3...T9,通过电网故障预测模型对上述十个监测点的监测数据进行训练,得出T1、T3、T5的监测数据和T1、T3、T5历史正常监测数据差距较大,T2、T4、T6的监测数据和T2、T4、T6历史正常监测数据差距较小,T7、T8、T9的监测数据和T7、T8、T9历史正常监测数据持平,进而通过预测报告分析得出:T1、T3、T5以及T2、T4、T6处均为故障点或可能会发生故障点,T7、T8、T9为正常区域;通过上述方法对预测报告进行分析,从而得出电能质量的异常点。
通过故障影响因素分析结果对电网进行故障等级划分,生成相应的预警提醒,具体为:
当分析结果显示该电力数据已大幅度超出历史的正常监测数据时,则判定为故障危险信号,据此生成一级故障信号,并将该信号传输至云平台发出红灯故障预警通知;当分析结果显示该电力数据小幅度超出历史的正常监测数据时,则判定为摆动故障信号,据此生成二级故障信号,并将该信号传输至云平台发出黄灯故障预警通知;当分析结果显示该电力数据未超出历史的正常监测数据时,则判定为安全稳定信号,据此生成零级故障信号,并将该信号传输至云平台发出绿灯通知,再分别生成对应的文字样本发送至云平台进行输出说明;接上述实施例,如:通过对某一区域的T1、T2、T3...T9电网分布点的监测数据导入电网故障预测模型进行训练后,对输出的预测报告进行分析后得出:得出T1、T3、T5的监测数据和T1、T3、T5历史正常监测数据差距较大,则表明该处均为已经发生故障,从而判定为故障危险信号,据此生成一级故障信号,并将该信号传输至云平台发出红灯故障预警通知;T2、T4、T6的监测数据和T2、T4、T6历史正常监测数据差距较小,则表明该处均为可能会发生故障,则判定为摆动故障信号,据此生成二级故障信号,并将该信号传输至云平台发出黄灯故障预警通知;T7、T8、T9的监测数据和T7、T8、T9历史正常监测数据持平,则表明该处均为正常运行状态,则判定为安全稳定信号,据此生成零级故障信号,并将该信号传输至云平台发出绿灯通知;从而实现在线识别电力电网发生故障的功能,保障电网故障在线识别的效率,提高了现有电力故障预警识别方法的可行性。
无线传输模块,基于无线通讯技术将输出的预测报告传输至云平台进行监控预警。
为了更好地展现基于大数据的电力电网故障在线识别***的使用流程,本实施例提出基于大数据的电力电网故障在线识别***的实现方法,其实现方法包括以下步骤:
S1、通过电力SCADA***中所部署的传感器对电力设备进行电力数据采集,并对电力数据进行预处理和清洗,由此生成电力运行工作日志;
S2、提取历史电力数据的特征集,以作为特征样本集导入支持向量机中进行训练,由此得出电网故障预测模型;
S3、将S1中所生成的电力运行工作日志导入电网故障预测模型中进行训练,并输出电网故障预测报告以供分析;
S4、通过将实时电力数据和历史正常监测数据进行比对,从而得出位置处电网是否发生故障,并针对比对值的差距划分出故障等级;
S5、将比对值差距较大的电力数据划分为一级故障信号,并通过云平台发出红灯预警;将比对值差距一般的电力数据划分为二级故障信号,并通过云平台发出黄灯预警;将比对值未产生差距的电力数据划分为零级故障信号,并通过云平台发出绿灯通知,由此保障电网故障在线识别的效率。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.基于大数据的电力电网故障在线识别***,其特征在于,包括:
数据获取模块,基于电力SCADA***中所部署的传感器对电力设备进行电力数据采集,由此获得电力设备的数据参数,并将所采集到的电力数据发送至数据处理单元进行预处理;
数据处理单元,用于接收数据获取模块所发送的电力数据,并对电力数据进行预处理和清洗,由此得到处理后的电力数据,并将处理后的电力数据发送至数据检验单元;
模型训练单元,用于创建数据训练模型,并基于电力SCADA***中以往所采集的电力数据对模型进行训练,由此获得最优化的电网故障预测模型;
数据检验单元,用于接收数据处理单元所发送的电力数据,并将该电力数据接入电网故障预测模型中进行检验,由此获得电网故障预测报告,并结合实际电网的拓扑结构,定位出故障位置,再将预测报告及故障位置传输至云平台;
云平台,用于接收数据检验单元所发出的预测报告,并基于预测报告的内容发出故障预警通知;
其中,数据获取模块还包括:
实时接收模块,用于实时接收所述基于电力SCADA***中所部署的传感器采集的数据信息;
时间间隔获取模块,用于获取所述基于电力SCADA***中所部署的传感器的数据采集时间间隔;
时间阈值设置模块,用于根据所述数据采集时间间隔设置第一时间阈值和第二时间阈值,其中,所述第一时间阈值和第二时间阈值通过如下公式获取:
其中,Ty1和Ty2分别表示第一时间阈值和第二时间阈值;Ty01和Ty02分别表示初始的第一时间阈值和第二时间阈值;C01表示传感器采集时间间隔小于初始的第一时间阈值的传感器一个采集周期所采集的数据形成的数据量;C02表示传感器采集时间间隔等于或大于初始的第一时间阈值,但,小于初始的第二时间阈值的传感器一个采集周期所采集的数据形成的数据量;C03表示传感器采集时间间隔等于或大于初始的第二时间阈值的传感器一个采集周期所采集的数据形成的数据量;Cz表示基于电力SCADA***中所部署的传感器的一个采集周期所采集数据的总数据量;e表示常数;n表示传感器的数量;Ti表示第i个传感器对应的数据采集时间间隔;
数据集划分模块,用于根据所述第一时间阈值和第二时间阈值将所述传感器采集的数据信息进行数据划分,获得第一数据集、第二数据集和第三数据集;
数据传输时间间隔设置模块,用于针对第一数据集、第二数据集和第三数据集设置其对应的数据传输时间间隔,并按照所述数据传输时间间隔将所述第一数据集、第二数据集和第三数据集对应的数据传输至数据处理单元;
其中,第一数据集为传感器采集时间间隔小于第一时间阈值的传感器所采集的数据形成的数据集;
第二数据集为传感器采集时间间隔等于或大于第一时间阈值,但,小于第二时间阈值的传感器所采集的数据形成的数据集;
第三数据集为传感器采集时间间隔等于或大于第二时间阈值的传感器所采集的数据形成的数据集;
数据传输时间间隔设置模块包括:
第一信息获取模块,用于提取所述第一数据集所对应的传感器的采集时间间隔,作为第一信息数据;
第一数据传输时间间隔设置模块,用于根据所述第一信息数据设置所述第一数据集对应的第一数据传输时间间隔;其中,所述第一数据传输时间间隔通过如下公式获取:
其中,Tc1表示第一数据集对应的第一数据传输时间间隔;m1表示所述第一数据集所对应的传感器的个数;T01i表示第一数据集对应的第i个传感器的数据采集时间间隔;Ty1表示第一时间阈值;Cm01表示第一数据集对应的一个采集周期的采集数据量;Cz表示基于电力SCADA***中所部署的传感器的一个采集周期所采集数据的总数据量;Tc01表示第一数据集对应的初始第一数据传输时间间隔;
第二信息获取模块,用于提取所述第二数据集所对应的传感器的采集时间间隔,作为第二信息数据;
第二数据传输时间间隔设置模块,用于根据所述第二信息数据设置所述第二数据集对应的第二数据传输时间间隔;其中,所述第二数据传输时间间隔通过如下公式获取:
其中,Tc2表示第二数据集对应的第二数据传输时间间隔;m2表示所述第二数据集所对应的传感器的个数;T02i表示第二数据集对应的第i个传感器的数据采集时间间隔;Ty1表示第一时间阈值;Ty2表示第二时间阈值;Cm02表示第二数据集对应的一个采集周期的采集数据量;Cz表示基于电力SCADA***中所部署的传感器的一个采集周期所采集数据的总数据量;Tc02表示第二数据集对应的初始第二数据传输时间间隔;
第三信息获取模块,用于提取所述第三数据集所对应的传感器的采集时间间隔,作为第三信息数据;
第三数据传输时间间隔设置模块,用于根据所述第三信息数据设置所述第三数据集对应的第三数据传输时间间隔;其中,所述第三数据传输时间间隔通过如下公式获取:
其中,Tc3表示第三数据集对应的第三数据传输时间间隔;m3表示所述第三数据集所对应的传感器的个数;T03i表示第三数据集对应的第i个传感器的数据采集时间间隔;Ty2表示第二时间阈值;Cm03表示第三数据集对应的一个采集周期的采集数据量;Cz表示基于电力SCADA***中所部署的传感器的一个采集周期所采集数据的总数据量;Tc03表示第三数据集对应的初始第三数据传输时间间隔。
2.根据权利要求1所述的基于大数据的电力电网故障在线识别***,其特征在于:所述数据获取模块中基于电力SCADA***中所部署的传感器包括:光电传感器、红外传感器、速度传感器、加速度传感器、温度传感器、湿度传感器、磁场传感器、GIS传感器、振动传感器、纹波传感器、RFID标签、GPS设备、射线辐射传感器、热敏传感器和能耗传感器。
3.根据权利要求1所述的基于大数据的电力电网故障在线识别***,其特征在于:所述数据处理单元包括:
预处理模块,用于对电力数据进行预处理和清洗,并将处理后的电力数据生成相应的电力运行工作日志;
特征提取模块,用于对电力运行工作日志中的内容进行参数特征提取,由此获得参数特征集;其中,提取参数特征的内容包括:故障持续时间超过180秒、故障位置已被识别和故障诱因已被确定;
数据存储模块,用于将电力运行工作日志和参数特征集按时间序列进行保存,由此作为电力数据文本库。
4.根据权利要求1所述的基于大数据的电力电网故障在线识别***,其特征在于:所述模型训练单元包括:
样本获取模块,基于数据处理单元中所存储的电力SCADA***以往的参数特征集为依据,由此作为特征样本集;
模型创建模块,用于将特征样本集导入支持向量机中进行训练,并对支持向量机的参数进行优化,由此建立电网故障预测模型。
5.根据权利要求1所述的基于大数据的电力电网故障在线识别***,其特征在于:所述数据检验单元包括:
数据读取模块,用于实时接收数据处理单元所发送的电力运行工作日志,并将电力运行工作日志导入电网故障预测模型中进行训练,由此获得电网故障预测结果;
故障输出模块,用于输出电网故障预测模型的预测报告,分析电能质量的各种异常状态,并找出异常点;
无线传输模块,基于无线通讯技术将输出的预测报告传输至云平台进行监控预警。
6.根据权利要求5所述的基于大数据的电力电网故障在线识别***,其特征在于:所述故障输出模块对预测报告分析电能异常状态,具体为:
通过将现在的监测数据和历史的正常监测数据进行比对,得出配电节点是否有故障产生,由此实现故障的定位;并通过故障影响因素分析结果对电网进行故障等级划分,生成相应的预警提醒。
7.根据权利要求6所述的基于大数据的电力电网故障在线识别***,其特征在于:通过故障影响因素分析结果对电网进行故障等级划分,生成相应的预警提醒,具体为:
当分析结果显示该电力数据已大幅度超出历史的正常监测数据时,则判定为故障危险信号,据此生成一级故障信号,并将该信号传输至云平台发出红灯故障预警通知;当分析结果显示该电力数据小幅度超出历史的正常监测数据时,则判定为摆动故障信号,据此生成二级故障信号,并将该信号传输至云平台发出黄灯故障预警通知;当分析结果显示该电力数据未超出历史的正常监测数据时,则判定为安全稳定信号,据此生成零级故障信号,并将该信号传输至云平台发出绿灯通知,再分别生成对应的文字样本发送至云平台进行输出说明。
8.一种如权利要求1-7任一项所述的基于大数据的电力电网故障在线识别***的实现方法,其特征在于:包括以下步骤:
S1、通过电力SCADA***中所部署的传感器对电力设备进行电力数据采集,并对电力数据进行预处理和清洗,由此生成电力运行工作日志;
S2、提取历史电力数据的特征集,以作为特征样本集导入支持向量机中进行训练,由此得出电网故障预测模型;
S3、将S1中所生成的电力运行工作日志导入电网故障预测模型中进行训练,并输出电网故障预测报告以供分析;
S4、通过将实时电力数据和历史正常监测数据进行比对,从而得出位置处电网是否发生故障,并针对比对值的差距划分出故障等级;
S5、将比对值差距较大的电力数据划分为一级故障信号,并通过云平台发出红灯预警;将比对值差距一般的电力数据划分为二级故障信号,并通过云平台发出黄灯预警;将比对值未产生差距的电力数据划分为零级故障信号,并通过云平台发出绿灯通知,由此保障电网故障在线识别的效率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311441619.1A CN117347791B (zh) | 2023-11-01 | 2023-11-01 | 基于大数据的电力电网故障在线识别***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311441619.1A CN117347791B (zh) | 2023-11-01 | 2023-11-01 | 基于大数据的电力电网故障在线识别***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117347791A CN117347791A (zh) | 2024-01-05 |
CN117347791B true CN117347791B (zh) | 2024-05-03 |
Family
ID=89367681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311441619.1A Active CN117347791B (zh) | 2023-11-01 | 2023-11-01 | 基于大数据的电力电网故障在线识别***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117347791B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108923531A (zh) * | 2018-06-12 | 2018-11-30 | 国网河南省电力公司濮阳供电公司 | 一种基于大数据的电网调度告警监视*** |
WO2020147349A1 (zh) * | 2019-01-14 | 2020-07-23 | 中国电力科学研究院有限公司 | 配电网运行辅助决策分析***及方法 |
CN112257937A (zh) * | 2020-10-28 | 2021-01-22 | 国网信通亿力科技有限责任公司 | 一种基于大数据技术的配电网故障预测***及方法 |
CN112541603A (zh) * | 2020-12-22 | 2021-03-23 | 丁昆浩 | 一种基于大数据的电网运行状态监测*** |
CN113902164A (zh) * | 2021-09-03 | 2022-01-07 | 国网甘肃省电力公司武威供电公司 | 一种基于大数据技术的配电网故障预测***及方法 |
CN114065875A (zh) * | 2021-12-02 | 2022-02-18 | 中国石油大学胜利学院 | 基于大数据的电力电网故障识别*** |
WO2022041264A1 (zh) * | 2020-08-31 | 2022-03-03 | 苏州大成电子科技有限公司 | 一种大数据支持轨交电力***运营的方法 |
CN115460647A (zh) * | 2022-10-21 | 2022-12-09 | 北京中电飞华通信有限公司 | 基于eSIM卡和5G基站的物联网故障定位方法及*** |
CN115693948A (zh) * | 2022-11-14 | 2023-02-03 | 南京深科博业电气股份有限公司 | 一种电力***故障监测方法及监测*** |
CN115811138A (zh) * | 2022-12-20 | 2023-03-17 | 李彪 | 配电自动化主站设备异常监测*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10956632B2 (en) * | 2018-12-27 | 2021-03-23 | Utopus Insights, Inc. | Scalable system and engine for forecasting wind turbine failure |
-
2023
- 2023-11-01 CN CN202311441619.1A patent/CN117347791B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108923531A (zh) * | 2018-06-12 | 2018-11-30 | 国网河南省电力公司濮阳供电公司 | 一种基于大数据的电网调度告警监视*** |
WO2020147349A1 (zh) * | 2019-01-14 | 2020-07-23 | 中国电力科学研究院有限公司 | 配电网运行辅助决策分析***及方法 |
WO2022041264A1 (zh) * | 2020-08-31 | 2022-03-03 | 苏州大成电子科技有限公司 | 一种大数据支持轨交电力***运营的方法 |
CN112257937A (zh) * | 2020-10-28 | 2021-01-22 | 国网信通亿力科技有限责任公司 | 一种基于大数据技术的配电网故障预测***及方法 |
CN112541603A (zh) * | 2020-12-22 | 2021-03-23 | 丁昆浩 | 一种基于大数据的电网运行状态监测*** |
CN113902164A (zh) * | 2021-09-03 | 2022-01-07 | 国网甘肃省电力公司武威供电公司 | 一种基于大数据技术的配电网故障预测***及方法 |
CN114065875A (zh) * | 2021-12-02 | 2022-02-18 | 中国石油大学胜利学院 | 基于大数据的电力电网故障识别*** |
CN115460647A (zh) * | 2022-10-21 | 2022-12-09 | 北京中电飞华通信有限公司 | 基于eSIM卡和5G基站的物联网故障定位方法及*** |
CN115693948A (zh) * | 2022-11-14 | 2023-02-03 | 南京深科博业电气股份有限公司 | 一种电力***故障监测方法及监测*** |
CN115811138A (zh) * | 2022-12-20 | 2023-03-17 | 李彪 | 配电自动化主站设备异常监测*** |
Also Published As
Publication number | Publication date |
---|---|
CN117347791A (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115578015A (zh) | 基于物联网的污水处理全过程监管方法、***及存储介质 | |
CN113298422B (zh) | 一种基于用电数据的污染源企业违规生产监控方法 | |
CN108846585A (zh) | 一种煤矿隐患处理管理*** | |
CN104883278A (zh) | 一种利用机器学习对网络设备进行分类的方法 | |
CN115640915B (zh) | 一种智慧燃气管网压缩机安全管理方法和物联网*** | |
CN104616092A (zh) | 一种基于分布式日志分析的行为模式处理方法 | |
CN115423009A (zh) | 一种面向云边协同的电力设备故障识别方法及*** | |
CN116614177B (zh) | 一种光纤状态多维度参量监测*** | |
CN109491339B (zh) | 一种基于大数据的变电站设备运行状态预警*** | |
CN115865649A (zh) | 一种智能运维管理控制方法、***和存储介质 | |
CN117347791B (zh) | 基于大数据的电力电网故障在线识别***及方法 | |
CN117141265A (zh) | 一种智能无线充电桩的运行监测***及监测方法 | |
CN116845863A (zh) | 基于时空轨迹的末端电网异常设备接入告警方法及装置 | |
CN116951328A (zh) | 基于大数据的排水管线运行智慧监控*** | |
CN116881958A (zh) | 电网大数据安全防护方法、***、电子设备及存储介质 | |
KR101984257B1 (ko) | 클라우드기반 빅데이터분석시스템 및 방법 | |
CN115238918A (zh) | 一种基于边缘计算的海上风电场智能运维方法 | |
CN113887932A (zh) | 基于人工智能的运维管控方法、装置、计算机设备 | |
CN113129160A (zh) | 一种基于设备状态感知和智能化的电力通信网络巡检方法 | |
CN117113157B (zh) | 一种基于人工智能的台区用电故障检测*** | |
CN117040141B (zh) | 电力智能网关的安全监测***及方法 | |
CN116935598B (zh) | 一种基于建筑智能配电的监控方法及*** | |
CN117197770B (zh) | 一种基于物联网的巡检全流程数据监管***及方法 | |
CN116307229A (zh) | 一种基于深度学习的需求响应预测*** | |
CN118093700A (zh) | 继电保护接入云平台的实现方法、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 |