CN118261584A - 基于多参量数据的变压器状态评估方法及*** - Google Patents
基于多参量数据的变压器状态评估方法及*** Download PDFInfo
- Publication number
- CN118261584A CN118261584A CN202410470851.6A CN202410470851A CN118261584A CN 118261584 A CN118261584 A CN 118261584A CN 202410470851 A CN202410470851 A CN 202410470851A CN 118261584 A CN118261584 A CN 118261584A
- Authority
- CN
- China
- Prior art keywords
- transformer
- data
- state
- abnormal
- response
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 57
- 230000004044 response Effects 0.000 claims abstract description 161
- 230000002159 abnormal effect Effects 0.000 claims abstract description 108
- 230000005856 abnormality Effects 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims description 41
- 238000004364 calculation method Methods 0.000 claims description 35
- 238000003066 decision tree Methods 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 24
- 238000012544 monitoring process Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 2
- 238000013480 data collection Methods 0.000 abstract description 2
- 238000007405 data analysis Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Protection Of Transformers (AREA)
Abstract
本发明公开了基于多参量数据的变压器状态评估方法及***,具体涉及变压器状态评估技术领域;通过多参量数据收集和分析,对变压器的运行状况进行全面评估和异常监测;首先,通过实时获取变压器参数数据,并建立关键参数数据集;根据观察时间内不同负荷状态评估关键参数的响应能力,以及异常程度;通过分析负荷状态对关键参数响应能力和异常程度,判断变压器状态是否异常;建立基准数据集并构建故障识别模型,对异常状态进行故障判断,区分正常和潜在故障状态;最后,将判断结果进行可视化展示,包括准确识别潜在故障的比例和准确性划分,提高了***对变压器关键参数的识别能力,以及对潜在故障判断的准确性,增加了变压器运行的稳定性。
Description
技术领域
本发明涉及变压器状态评估技术领域,具体涉及基于多参量数据的变压器状态评估方法及***。
背景技术
多参数数据的变压器状态评估指的是利用多种参数数据对变压器的运行状态进行全面评估和分析的过程。这些参数数据可以包括电压、电流、温度、湿度、振动等多个方面的信息,通过对这些数据的监测和分析,可以及时发现变压器可能存在的问题或异常情况,进而采取相应的措施进行维护或修复,确保变压器的正常运行和安全性。
首先,多参数数据的变压器状态评估通过收集和分析变压器运行过程中的各种参数数据,如电流、电压、温度等,以全面了解变压器的运行状况。其次,基于这些参数数据的监测和分析,可以识别出变压器可能存在的问题或异常情况,如过载、过热、绝缘老化等,并及时采取相应的措施进行维护或修复,以保证变压器的安全运行和延长其使用寿命。
现有技术中存在以下不足之处:
现有技术中,通过收集和分析变压器运行过程中的各种参数数据,如电流、电压、温度等,以全面了解变压器的运行状况。但是,如果某些关键参数的响应速度较慢,可能导致对潜在故障的判断不准确。例如,电流异常可能会比温度变化更快地反映出故障情况,如果监测到的电流数据滞后于温度数据,可能导致错过故障的及时诊断,从而延误维修和保养。同时,随着潜在故障判断的准确性持续降低,意味着监测到潜在问题的时间延迟较长,这可能增加了变压器运行时发生安全事故的风险。例如,如果温度快速上升但温度传感器响应速度慢,可能会延迟对过热情况的发现,潜在故障判断的准确性也随之降低,可能增加了变压器受损或甚至引发火灾的风险。
发明内容
本发明的目的是提供一种基于多参量数据的变压器状态评估方法及***,以解决背景技术中不足。
为了实现上述目的,本发明提供如下技术方案:基于多参量数据的变压器状态评估方法,包括以下步骤;
S1:实时获取变压器运行过程中的各种参数数据,对获取到的参数数据进行筛选和清洗,以提取关键参数信息,并建立关键参数数据集;
S2:设定观察时间,根据观察时间内不同模式下变压器的负荷状态,判断其对关键参数响应能力的影响程度,根据观察期间内关键参数的实际响应时间变化情况,评估关键参数响应速度的异常程度;
S3:将变压器的负荷状态对关键参数响应能力的影响程度和关键参数响应速度的异常程度进行综合分析,评估变压器关键参数响应状态是否出现异常,并根据评估结果区分异常响应状态和正常响应状态;
S4:对于异常响应状态的变压器,根据变压器的历史运行数据建立基准数据集,并构建故障识别模型,将关键参数数据集与基准数据集进行匹配;
S5:根据匹配结果对异常响应状态的变压器进行故障判断,以区分正常状态和潜在故障状态;
S6:根据故障判断的结果,计算模型准确识别潜在故障的比例,根据潜在故障比例对故障判断进行准确性划分,将其划分为高准确性判断,中等准确性判断以及低准确性判断,并将划分结果进行可视化展示。
在一个优选地实施方式中,S1中,实时获取变压器运行过程中的各种参数数据;对获取到的参数数据进行筛选,选择与变压器状态评估相关的关键参数,包括电流、电压、温度、湿度、压力;对筛选后的参数数据进行清洗,去除异常值、错误数据;清洗过程包括识别和处理缺失值、异常值和重复数据;从清洗后的数据中提取关键参数信息;将提取的关键参数信息进行合并,形成一个完整的数据集。
在一个优选地实施方式中,S2中,分别采集不同模式下变压器的负荷数据,从采集到的变压器的负荷数据中获取变压器的负荷数据异常指数,则负荷数据异常指数的获取方法为:
分别采集不同模式下变压器的负荷数据,计算负荷数据的移动平均值,具体的计算表达式为:式中,MAi是第i个时间点的移动平均值,LDj是第j个时间点的变压器负荷数据,n是移动平均窗口的长度;确定变压器负荷数据的波动程度,计算负荷数据的标准差,具体的计算表达式为:式中,dgr为负荷数据的标准差,LDk为变压器负荷数据的均值,N是变压器负荷数据的总数;
通过计算变压器负荷数据与移动平均值之间的偏差与标准差的比例计算负荷数据异常指数,具体的计算表达式为:式中,wgf为负荷数据异常指数,dgr为负荷数据的标准差,LDj是第j个时间点的变压器负荷数据,MAi是第i个时间点的移动平均值。
在一个优选地实施方式中,S2中,分别获取关键参数的实际响应时间变化数据,根据关键参数的实际响应时间变化数据获取关键参数的响应速度漂移指数,则响应速度漂移指数的获取方法为:
将获取的关键参数的实际响应时间变化数据表示为一个矩阵,每一行代表一个观测样本,每一列代表一个关键参数的实际响应时间数据;
计算数据中每对样本之间的相似度,利用局部加权矩阵W对每个样本进行线性重建,通过最小化重建误差计算每个样本与其邻居之间的线性关系,得到一个局部线性重建系数矩阵C;
对局部线性重建系数矩阵C进行特征值分解,提取前gd个特征向量作为新的低维嵌入坐标,计算所有样本的嵌入坐标的平均值,具体的计算表达式为:gde=∑gd*C;式中,gde为所有样本的嵌入坐标的平均值;
对嵌入坐标进行统计分析,计算响应速度漂移指数,具体的计算表达式为:式中,m为样本的数量,也就是观测期间内的数据点数量,gdq为预设的标准状态下所有样本的嵌入坐标的标准值,rke为响应速度漂移指数。
在一个优选地实施方式中,S3中,将变压器的负荷状态对关键参数响应能力的影响程度和关键参数响应速度的异常程度进行综合分析,具体为:
将负荷数据异常指数和响应速度漂移指数进行归一化处理,通过归一化处理后的负荷数据异常指数和响应速度漂移指数计算变压器关键参数响应状态的异常评估系数。
在一个优选地实施方式中,S3中,评估变压器关键参数响应状态是否出现异常,并根据评估结果区分异常响应状态和正常响应状态,具体为:
将变压器关键参数响应状态的异常评估系数与异常阈值进行比较,若变压器关键参数响应状态的异常评估系数大于等于异常阈值,则变压器关键参数响应状态被判定为异常响应状态,此时发出预警信号;若变压器关键参数响应状态的异常评估系数小于异常阈值,则变压器关键参数响应状态被判定为正常响应状态,此时不发出预警信号。
在一个优选地实施方式中,S4中,使用决策树作为故障识别模型时,收集变压器历史运行数据,并根据数据特征构建基准数据集,使用基准数据集训练决策树模型,当收集到实时变压器参数数据时,将其输入到已训练的决策树模型中进行匹配;具体为:
根据每个内部节点的***条件,决策树模型会选择一个路径,直到到达叶子节点;
叶子节点将给出一个分类标签,指示该数据属于正常状态还是异常状态;
每一步都根据参数数据的值和决策树节点的条件进行判断,直到最终得到分类结果;
使用已经训练好的决策树模型,将实时采集到的变压器参数数据输入到模型中进行分类。
在一个优选地实施方式中,S5中,根据匹配结果对异常响应状态的变压器进行故障判断,以区分正常状态和潜在故障状态;
决策树根据输入数据的特征逐步进行决策;根据决策树的分类结果,对变压器进行故障判断,如果分类结果指示该数据属于异常状态,则变压器存在潜在故障,此时发出变压器故障信号;如果分类结果表明该数据属于正常状态,则变压器的运行状态良好,变压器不存在潜在故障,此时发出变压器正常信号,无需处理。
在一个优选地实施方式中,S6中,根据故障判断的结果,计算模型准确识别潜在故障的比例,具体为:
获取总样本数H并对其进行标号,其中H=[1,2,3...n];n为大于0的正整数;获取模型成功识别了的潜在故障样本数量M;计算模型准确识别潜在故障的比例,具体的计算表达式为:其中,P是模型准确识别潜在故障的比例,M是模型成功识别的潜在故障样本数量,H是总体样本数量。
在一个优选地实施方式中,S6中,使用模糊逻辑根据潜在故障比例对故障判断进行准确性划分,将其划分为高准确性判断、中等准确性判断以及低准确性判断,具体为:
将模型准确识别潜在故障的比例P转化为模糊集合;将P分为三个模糊集合:低L、中等Q和高D;
使用Logistic函数来定义隶属度函数,其函数形式为:低准确性判断L:中等准确性判断Q:高准确性判断D:其中,ai和bi为模糊隶属度函数的参数,uL(p)、uQ(p)、uD(p)分别代表低、中等和高准确性判断的模糊隶属度;
将模糊输出转化为具体的准确性级别,选择具有最大隶属度的准确性级别作为最终的准确性判断;具体的计算表达式为:准确性判断=argmax(uL(p),uQ(p),uD(p));其中,uL(p)、uQ(p)、uD(p)分别代表低、中等和高准确性判断的模糊隶属度,函数argmax返回具有最大值的参数,选择具有最大隶属度的准确性级别作为最终判断结果。
在一个优选地实施方式中,将获取到的潜在故障的比例与梯度阈值进行比较,梯度阈值包括第一阈值和第二阈值,且第一阈值小于第二阈值,将潜在故障的比例分别与第一阈值和第二阈值进行对比;若潜在故障的比例大于第二阈值,则输出为高准确性判断;若潜在故障的比例大于等于第一阈值且小于等于第二阈值,则输出为中等准确性判断;若潜在故障的比例小于第一阈值,则输出为准确性判断。
本发明还提供了基于多参量数据的变压器状态评估***,包括数据获取模块、异常监测模块、评估模块、匹配模块,状态划分模块以及可视化模块;
数据获取模块:实时获取变压器运行过程中的各种参数数据,对获取到的参数数据进行筛选和清洗,以提取关键参数信息,并建立关键参数数据集;
异常监测模块:设定观察时间,根据观察时间内不同模式下变压器的负荷状态,判断其对关键参数响应能力的影响程度,根据观察期间内关键参数的实际响应时间变化情况,评估关键参数响应速度的异常程度;
评估模块:将变压器的负荷状态对关键参数响应能力的影响程度和关键参数响应速度的异常程度进行综合分析,评估变压器关键参数响应状态是否出现异常,并根据评估结果区分异常响应状态和正常响应状态;
匹配模块:对于异常响应状态的变压器,根据变压器的历史运行数据建立基准数据集,并构建故障识别模型,将关键参数数据集与基准数据集进行匹配;
状态划分模块:根据匹配结果对异常响应状态的变压器进行故障判断,以区分正常状态和潜在故障状态;
可视化模块:根据故障判断的结果,计算模型准确识别潜在故障的比例,根据潜在故障比例对故障判断进行准确性划分,将其划分为高准确性判断,中等准确性判断以及低准确性判断,并将划分结果进行可视化展示。
在上述技术方案中,本发明提供的技术效果和优点:
1、本发明通过实时获取变压器运行过程中的关键参数数据,并对这些数据进行综合分析和异常监测,可以更准确地识别潜在的故障状态。建立基准数据集和构建故障识别模型能够帮助将变压器的实际运行数据与历史数据进行比较,并识别异常响应状态。有助于及时发现变压器运行中的异常情况,从而减少了故障漏报和误报的情况,提高了故障诊断的准确性。
2、本发明通过及时识别和准确判断变压器的潜在故障状态可以帮助预防严重的安全事故发生。通过对异常响应状态的变压器进行故障判断,可以快速采取必要的维修和保养措施,避免故障进一步恶化或演变成严重问题。这种及时的故障诊断和处理方式有效地降低了变压器运行时发生安全事故的风险,保障了设备和运行的安全稳定。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明的方法流程图。
图2为本发明的***模块图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
实施例1
请参阅图1所示,本实施例所述基于多参量数据的变压器状态评估方法,包括以下步骤:
S1:实时获取变压器运行过程中的各种参数数据,对获取到的参数数据进行筛选和清洗,以提取关键参数信息,并建立关键参数数据集;
S2:设定观察时间,根据观察时间内不同模式下变压器的负荷状态,判断其对关键参数响应能力的影响程度,根据观察期间内关键参数的实际响应时间变化情况,评估关键参数响应速度的异常程度;
S3:将变压器的负荷状态对关键参数响应能力的影响程度和关键参数响应速度的异常程度进行综合分析,评估变压器关键参数响应状态是否出现异常,并根据评估结果区分异常响应状态和正常响应状态;
S4:对于异常响应状态的变压器,根据变压器的历史运行数据建立基准数据集,并构建故障识别模型,将关键参数数据集与基准数据集进行匹配;
S5:根据匹配结果对异常响应状态的变压器进行故障判断,以区分正常状态和潜在故障状态;
S6:根据故障判断的结果,计算模型准确识别潜在故障的比例,根据潜在故障比例对故障判断进行准确性划分,将其划分为高准确性判断、中等准确性判断以及低准确性判断,并将划分结果进行可视化展示。
其中,在S1中,实时获取变压器运行过程中的各种参数数据,对获取到的参数数据进行筛选和清洗,以提取关键参数信息,并建立关键参数数据集,具体为:
根据需求,从实时获取的参数数据中选择与变压器运行状态相关的数据,排除不相关或冗余的数据。
实时获取变压器运行过程中的各种参数数据并提取关键参数信息,通常需要使用各种手段和技术来实现。以下是一些常见的提取关键数据的手段:
传感器技术:安装各种类型的传感器在变压器上,用于实时监测各种参数数据,如电流、电压、温度、湿度、压力等。传感器可以是温度传感器、电流传感器、电压传感器、湿度传感器等,通过传感器技术可以直接获取各种参数数据。
监测设备:使用专门的监测设备或监测***,对变压器运行过程中的各种参数数据进行监测和记录。这些监测设备通常具有数据采集、存储、分析和报警等功能,能够实时获取并处理各种参数数据。
智能电表:在变压器输入和输出侧安装智能电表,用于实时监测电流、电压、功率因数等电气参数,并将数据传输到监控***进行处理和分析。
对所选的参数数据进行清洗,去除异常值、错误数据或噪音数据,以确保数据的质量和准确性。
提取关键数据的具体步骤包括:
实时获取变压器运行过程中的各种参数数据,包括电流、电压、温度、湿度等。数据收集可以通过传感器、监测设备、智能电表等实现。
对获取到的参数数据进行筛选,选择与变压器状态评估相关的关键参数。这些参数可能包括电流、电压、温度、湿度、压力等。
对筛选后的参数数据进行清洗,去除异常值、错误数据或噪音数据。清洗过程包括识别和处理缺失值、异常值和重复数据等。
从清洗后的数据中提取关键参数信息。这可能涉及计算参数的统计量(如平均值、标准差、峰值等)、时域特征(如波形形状、周期性等)、频域特征(如频谱分析、频率成分等)等。
将提取的关键参数信息进行合并,形成一个完整的数据集或数据记录。这可以是一个时间序列数据集,其中每行代表一个时间点,每列代表一个关键参数。
将合并后的数据存储到数据库或文件中,以备后续的分析和处理。数据存储的形式可以是结构化的数据库表格、时间序列数据库、文本文件等。
对存储的数据进行分析,探索数据之间的关系和模式。这可能涉及统计分析、机器学习、模型建立等方法。
将分析的结果以可视化的方式呈现。
S2:设定观察时间,根据观察时间内不同模式下变压器的负荷状态,判断其对关键参数响应能力的影响程度,根据观察期间内关键参数的实际响应时间变化情况,评估关键参数响应速度的异常程度。
选择一个合适的时间段来观察变压器的运行状态。这个时间段可以是几个小时、一天、一周甚至更长的时间,具体取决于变压器的运行模式和周期性变化。
在观察时间内,分别采集不同模式下变压器的负荷数据,从采集到的变压器的负荷数据中获取变压器的负荷数据异常指数,则负荷数据异常指数的获取方法为:
分别采集不同模式下变压器的负荷数据,计算负荷数据的移动平均值,移动平均值是在一个固定长度的窗口内计算变压器负荷数据的平均值。这个窗口会随着时间的推移而移动,每次移动一个时间步长。具体的计算表达式为:式中,MAi是第i个时间点的移动平均值,LDj是第j个时间点的变压器负荷数据,n是移动平均窗口的长度。
计算负荷数据的标准差,负荷数据的标准差用于衡量变压器负荷数据的波动程度。标准差越大,表示数据的波动越大。具体的计算表达式为:式中,dgr为负荷数据的标准差,LDk为变压器负荷数据的均值,N是变压器负荷数据的总数。
计算负荷数据异常指数,负荷数据异常指数可以通过计算变压器负荷数据与移动平均值之间的偏差与标准差的比例来获得,具体的计算表达式为:式中,wgf为负荷数据异常指数,dgr为负荷数据的标准差,LDj是第j个时间点的变压器负荷数据,MAi是第i个时间点的移动平均值。
在观察期间内,分别获取关键参数的实际响应时间变化数据,根据关键参数的实际响应时间变化数据获取关键参数的响应速度漂移指数,则响应速度漂移指数的获取方法为:
将观察期间内获取的关键参数的实际响应时间变化数据表示为一个矩阵,其中每一行代表一个观测样本,每一列代表一个关键参数的实际响应时间数据。
计算数据中每对样本之间的相似度,常用的相似度度量包括欧氏距离、曼哈顿距离或高斯核函数等。得到一个相似度矩阵,其中元素Sij表示样本i和样本j之间的相似度。
对相似度矩阵进行局部加权处理,通常采用加权最近邻方法,对每个样本选择其最近的k个邻居,并对这些邻居进行加权,得到局部加权矩阵W。
利用局部加权矩阵W对每个样本进行线性重建,即通过最小化重建误差,计算每个样本与其邻居之间的线性关系,得到一个局部线性重建系数矩阵C。
对局部线性重建系数矩阵C进行特征值分解,提取前gd个特征向量作为新的低维嵌入坐标,gd是目标低维空间的维度。计算所有样本的嵌入坐标的平均值,具体的计算表达式为:gde=∑gd*C;式中,gde为所有样本的嵌入坐标的平均值。
对嵌入坐标进行统计分析,计算响应速度漂移指数,具体的计算表达式为:式中,m为样本的数量,也就是观测期间内的数据点数量,gdq为预设的标准状态下所有样本的嵌入坐标的标准值,rke为响应速度漂移指数。
在此需要说明的是,所有样本的嵌入坐标的标准值由本领域人员根据具体的关键参数实际响应时间变化情况进行设置,在此不作赘述。
S3:将变压器的负荷状态对关键参数响应能力的影响程度和关键参数响应速度的异常程度进行综合分析,评估变压器关键参数响应状态是否出现异常,并根据评估结果区分异常响应状态和正常响应状态。
将负荷数据异常指数和响应速度漂移指数进行归一化处理,通过归一化处理后的负荷数据异常指数和响应速度漂移指数计算变压器关键参数响应状态的异常评估系数。
例如,本发明可以采用如下公式进行变压器关键参数响应状态的异常评估系数的计算,计算表达式为:式中,tgv为异常评估系数,wgf为负荷数据异常指数,rke为响应速度漂移指数,a1、a2为负荷数据异常指数,响应速度漂移指数的比例系数,且a2>a1>0。
由计算表达式可知,负荷数据异常指数,响应速度漂移指数同异常评估系数为正比关系,且随着负荷数据异常指数,响应速度漂移指数的增大,异常评估系数也随之增大,变压器关键参数响应状态异常的可能性就越大。
将变压器关键参数响应状态的异常评估系数与异常阈值进行比较,若变压器关键参数响应状态的异常评估系数大于等于异常阈值,则变压器关键参数响应状态被判定为异常响应状态,此时发出预警信号通知相关人员,采取进一步的检查、维修或调整措施以解决异常情况,确保变压器安全运行。若变压器关键参数响应状态的异常评估系数小于异常阈值,则变压器关键参数响应状态被判定为正常响应状态,此时不发出预警信号,相关人员在正常响应状态下,可以继续监测变压器运行情况,不需要采取额外的紧急措施。
本实施例中,通过实时获取变压器运行过程中的各种参数数据,对获取到的参数数据进行筛选和清洗,以提取关键参数信息,并建立关键参数数据集;设定观察时间,根据观察时间内不同模式下变压器的负荷状态,判断其对关键参数响应能力的影响程度,根据观察期间内关键参数的实际响应时间变化情况,评估关键参数响应速度的异常程度;将变压器的负荷状态对关键参数响应能力的影响程度和关键参数响应速度的异常程度进行综合分析,评估变压器关键参数响应状态是否出现异常,并根据评估结果区分异常响应状态和正常响应状态。不仅全面了解变压器的运行状况,而且能够及时发现并处理任何可能存在的异常情况,确保变压器的安全和稳定运行。
实施例2
S4:对于异常响应状态的变压器,根据变压器的历史运行数据建立基准数据集,并构建故障识别模型,将关键参数数据集与基准数据集进行匹配,具体为:
使用决策树作为故障识别模型时,数据集的匹配步骤包括:
收集变压器历史运行数据,并根据数据特征构建基准数据集。基准数据集应包含各种正常运行状态下的参数值。这些数据可以包括电流、电压、温度等参数。
使用基准数据集训练决策树模型。决策树模型将学习如何根据输入的参数数据进行分类,以区分正常和异常状态。
当收集到实时变压器参数数据时,将其输入到已训练的决策树模型中进行匹配。
决策树模型将根据参数数据的特征逐步进行决策,最终给出对应的分类结果,即正常或异常状态。
首先,将实时采集到的关键参数数据作为输入,按照决策树的内部节点进行比较。
根据每个内部节点的***条件,决策树模型会选择一个特定的路径,直到到达叶子节点。
叶子节点将给出一个分类标签,指示该数据属于正常状态还是异常状态。
决策树的匹配过程类似于一系列的逻辑判断,每一步都根据参数数据的值和决策树节点的条件进行判断,直到最终得到分类结果。
S5:根据匹配结果对异常响应状态的变压器进行故障判断,以区分正常状态和潜在故障状态。
根据决策树对数据集的匹配结果,对异常响应状态的变压器进行故障判断,以区分正常状态和潜在故障状态意味着利用决策树模型对实时采集到的变压器参数数据进行分类,以确定当前变压器的运行状态是否存在异常或潜在故障,具体为:
使用已经训练好的决策树模型,将实时采集到的变压器参数数据输入到模型中进行分类。
决策树根据输入数据的特征逐步进行决策,最终给出该数据所属的分类标签,即正常状态或异常状态。
根据决策树的分类结果,对变压器进行故障判断。
如果分类结果指示该数据属于异常状态,则变压器存在潜在故障,此时发出变压器故障信号,需要进行进一步的检查和维修。
如果分类结果表明该数据属于正常状态,则变压器的运行状态良好,变压器不存在潜在故障,此时发出变压器正常信号,无需特别的处理。
如果决策树模型将变压器参数数据分类为异常状态,则可能存在潜在的故障或异常情况。在异常状态下,可以进一步采取措施,例如通知维修人员进行检查、采取预防性维护措施等,以防止故障进一步恶化或避免不必要的损失。
S6:根据故障判断的结果,计算模型准确识别潜在故障的比例,根据潜在故障比例对故障判断进行准确性划分,将其划分为高准确性判断、中等准确性判断以及低准确性判断,并将划分结果进行可视化展示。
获取统计模型在一定时期内的故障识别情况,通常是历史数据或验证数据集。获取总样本数H,并对其进行标号,其中H=[1,2,3...n];n为大于0的正整数;获取模型成功识别了的潜在故障样本数量M。计算模型准确识别潜在故障的比例,具体的计算表达式为:其中,P是模型准确识别潜在故障的比例,M是模型成功识别的潜在故障样本数量,H是总体样本数量。
使用模糊逻辑根据潜在故障比例对故障判断进行准确性划分,将其划分为高准确性判断、中等准确性判断以及低准确性判断,具体为:
在模糊化步骤中,将模型准确识别潜在故障的比例P转化为模糊集合。可以使用S形的隶属函数来模糊化输出,其中P表示模型准确识别潜在故障的比例,范围在0到1之间。将P分为三个模糊集合:低L、中等Q和高D。
使用Logistic函数来定义隶属度函数,其函数形式为:
低准确性判断L:
中等准确性判断Q:
高准确性判断D:
其中,ai和bi为模糊隶属度函数的参数,它们可以根据具体情况进行调整,以确保模糊化的效果符合实际情况,uL(p)、uQ(p)、uD(p)分别代表低、中等和高准确性判断的模糊隶属度。
在解模糊化过程中,需要将模糊输出转化为具体的准确性级别。一种常用的方法是最大隶属度法,即选择具有最大隶属度的准确性级别作为最终的准确性判断。具体的计算表达式为:准确性判断=argmax(uL(p),uQ(p),uD(p));其中,uL(p)、uQ(p)、uD(p)分别代表低、中等和高准确性判断的模糊隶属度。函数argmax返回具有最大值的参数,即选择具有最大隶属度的准确性级别作为最终判断结果。
在定义模糊规则时,判断模型准确识别潜在故障的比例P对准确性判断的影响。一个简单的模糊规则可以是:将获取到的潜在故障的比例与梯度阈值进行比较,梯度阈值包括第一阈值和第二阈值,且第一阈值小于第二阈值,将潜在故障的比例分别与第一阈值和第二阈值进行对比;
若潜在故障的比例大于第二阈值,则输出为高准确性判断;
若潜在故障的比例大于等于第一阈值且小于等于第二阈值,则输出为中等准确性判断;
若潜在故障的比例小于第一阈值,则输出为准确性判断。
例如,模糊输出为uL(p)=0.2、uQ(p)=0.5、uD(p)=0.7,则需要选择具有最大隶属度的准确性级别作为最终的准确性判断。因为uD(p)具有最大值0.7,若第一阈值为0.4,第二阈值为0.8,可以得到中等准确性判断作为最终结果。
将故障判断结果进行可视化展示,可以采用各种图表或图形展示方法,如折线图、散点图、热力图等,以直观地展示变压器的运行状态和潜在故障情况。可以结合地图等地理信息展示方式,将故障状态在空间上进行可视化展示,以便更好地理解和分析变压器的运行情况。同时,对可视化展示的结果进行解释和分析,为决策者提供直观的信息和建议,以便及时采取相应的维修或保养措施,确保变压器的安全和稳定运行。
在本实施例中,对于异常响应状态的变压器,根据变压器的历史运行数据建立基准数据集,并构建故障识别模型,将关键参数数据集与基准数据集进行匹配;根据匹配结果对异常响应状态的变压器进行故障判断,以区分正常状态和潜在故障状态;根据故障判断的结果,计算模型准确识别潜在故障的比例,根据潜在故障比例对故障判断进行准确性划分,将其划分为高准确性判断、中等准确性判断以及低准确性判断,可以对异常响应状态的变压器进行故障判断和准确性评估,并将结果可视化展示,为决策者提供有效的参考信息。
实施例3
请参阅图2所示,本实施例所述基于大数据的金融风险预测***,包括数据获取模块、异常监测模块、评估模块、匹配模块,状态划分模块以及可视化模块;
数据获取模块:实时获取变压器运行过程中的各种参数数据,对获取到的参数数据进行筛选和清洗,以提取关键参数信息,并建立关键参数数据集;
异常监测模块:设定观察时间,根据观察时间内不同模式下变压器的负荷状态,判断其对关键参数响应能力的影响程度,根据观察期间内关键参数的实际响应时间变化情况,评估关键参数响应速度的异常程度;
评估模块:将变压器的负荷状态对关键参数响应能力的影响程度和关键参数响应速度的异常程度进行综合分析,评估变压器关键参数响应状态是否出现异常,并根据评估结果区分异常响应状态和正常响应状态;
匹配模块:对于异常响应状态的变压器,根据变压器的历史运行数据建立基准数据集,并构建故障识别模型,将关键参数数据集与基准数据集进行匹配;
状态划分模块:根据匹配结果对异常响应状态的变压器进行故障判断,以区分正常状态和潜在故障状态;
可视化模块:根据故障判断的结果,计算模型准确识别潜在故障的比例,根据潜在故障比例对故障判断进行准确性划分,将其划分为高准确性判断、中等准确性判断以及低准确性判断,并将划分结果进行可视化展示。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况进行设置。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,其中A,B可以是单数或者复数。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系,但也可能表示的是一种“和/或”的关系,具体可参考前后文进行理解。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (11)
1.基于多参量数据的变压器状态评估方法,其特征在于:包括以下步骤;
S1:实时获取变压器运行过程中的各种参数数据,对获取到的参数数据进行筛选和清洗,以提取关键参数信息,并建立关键参数数据集;
S2:设定观察时间,根据观察时间内不同模式下变压器的负荷状态,判断其对关键参数响应能力的影响程度,根据观察期间内关键参数的实际响应时间变化情况,评估关键参数响应速度的异常程度;
S3:将变压器的负荷状态对关键参数响应能力的影响程度和关键参数响应速度的异常程度进行综合分析,评估变压器关键参数响应状态是否出现异常,并根据评估结果区分异常响应状态和正常响应状态;
S4:对于异常响应状态的变压器,根据变压器的历史运行数据建立基准数据集,并构建故障识别模型,将关键参数数据集与基准数据集进行匹配;
S5:根据匹配结果对异常响应状态的变压器进行故障判断,以区分正常状态和潜在故障状态;
S6:根据故障判断的结果,计算模型准确识别潜在故障的比例,根据潜在故障比例对故障判断进行准确性划分,将其划分为高准确性判断,中等准确性判断以及低准确性判断,并将划分结果进行可视化展示。
2.根据权利要求1所述的基于多参量数据的变压器状态评估方法,其特征在于:S1中,实时获取变压器运行过程中的各种参数数据;对获取到的参数数据进行筛选,选择与变压器状态评估相关的关键参数,包括电流、电压、温度、湿度、压力;对筛选后的参数数据进行清洗,去除异常值、错误数据;清洗过程包括识别和处理缺失值、异常值和重复数据;从清洗后的数据中提取关键参数信息;将提取的关键参数信息进行合并,形成一个完整的数据集。
3.根据权利要求2所述的基于多参量数据的变压器状态评估方法,其特征在于:S2中,分别采集不同模式下变压器的负荷数据,从采集到的变压器的负荷数据中获取变压器的负荷数据异常指数,则负荷数据异常指数的获取方法为:
分别采集不同模式下变压器的负荷数据,计算负荷数据的移动平均值,具体的计算表达式为:式中,MAi是第i个时间点的移动平均值,LDj是第j个时间点的变压器负荷数据,n是移动平均窗口的长度;确定变压器负荷数据的波动程度,计算负荷数据的标准差,具体的计算表达式为:式中,dgr为负荷数据的标准差,LDk为变压器负荷数据的均值,N是变压器负荷数据的总数;
通过计算变压器负荷数据与移动平均值之间的偏差与标准差的比例计算负荷数据异常指数,具体的计算表达式为:式中,wgf为负荷数据异常指数,dgr为负荷数据的标准差,LDj是第j个时间点的变压器负荷数据,MAi是第i个时间点的移动平均值。
4.根据权利要求3所述的基于多参量数据的变压器状态评估方法,其特征在于:S2中,分别获取关键参数的实际响应时间变化数据,根据关键参数的实际响应时间变化数据获取关键参数的响应速度漂移指数,则响应速度漂移指数的获取方法为:
将获取的关键参数的实际响应时间变化数据表示为一个矩阵,每一行代表一个观测样本,每一列代表一个关键参数的实际响应时间数据;
计算数据中每对样本之间的相似度,利用局部加权矩阵W对每个样本进行线性重建,通过最小化重建误差计算每个样本与其邻居之间的线性关系,得到一个局部线性重建系数矩阵C;
对局部线性重建系数矩阵C进行特征值分解,提取前gd个特征向量作为新的低维嵌入坐标,计算所有样本的嵌入坐标的平均值,具体的计算表达式为:gde=∑gd*C;式中,gde为所有样本的嵌入坐标的平均值;
对嵌入坐标进行统计分析,计算响应速度漂移指数,具体的计算表达式为:式中,m为样本的数量,也就是观测期间内的数据点数量,gdq为预设的标准状态下所有样本的嵌入坐标的标准值,rke为响应速度漂移指数。
5.根据权利要求4所述的基于多参量数据的变压器状态评估方法,其特征在于:S3中,将变压器的负荷状态对关键参数响应能力的影响程度和关键参数响应速度的异常程度进行综合分析,具体为:
将负荷数据异常指数和响应速度漂移指数进行归一化处理,通过归一化处理后的负荷数据异常指数和响应速度漂移指数计算变压器关键参数响应状态的异常评估系数。
6.根据权利要求5所述的基于多参量数据的变压器状态评估方法,其特征在于:S3中,评估变压器关键参数响应状态是否出现异常,并根据评估结果区分异常响应状态和正常响应状态,具体为:
将变压器关键参数响应状态的异常评估系数与异常阈值进行比较,若变压器关键参数响应状态的异常评估系数大于等于异常阈值,则变压器关键参数响应状态被判定为异常响应状态,此时发出预警信号;若变压器关键参数响应状态的异常评估系数小于异常阈值,则变压器关键参数响应状态被判定为正常响应状态,此时不发出预警信号。
7.根据权利要求6所述的基于多参量数据的变压器状态评估方法,其特征在于:S4中,使用决策树作为故障识别模型时,收集变压器历史运行数据,并根据数据特征构建基准数据集,使用基准数据集训练决策树模型,当收集到实时变压器参数数据时,将其输入到已训练的决策树模型中进行匹配;具体为:
根据每个内部节点的***条件,决策树模型会选择一个路径,直到到达叶子节点;
叶子节点将给出一个分类标签,指示该数据属于正常状态还是异常状态;
每一步都根据参数数据的值和决策树节点的条件进行判断,直到最终得到分类结果;
使用已经训练好的决策树模型,将实时采集到的变压器参数数据输入到模型中进行分类。
8.根据权利要求7所述的基于多参量数据的变压器状态评估方法,其特征在于:S5中,根据匹配结果对异常响应状态的变压器进行故障判断,以区分正常状态和潜在故障状态;
决策树根据输入数据的特征逐步进行决策;根据决策树的分类结果,对变压器进行故障判断,如果分类结果指示该数据属于异常状态,则变压器存在潜在故障,此时发出变压器故障信号;如果分类结果表明该数据属于正常状态,则变压器的运行状态良好,变压器不存在潜在故障,此时发出变压器正常信号,无需处理。
9.根据权利要求8所述的基于多参量数据的变压器状态评估方法,其特征在于:S6中,根据故障判断的结果,计算模型准确识别潜在故障的比例,具体为:
获取总样本数H并对其进行标号,其中H=[1,2,3...n];n为大于0的正整数;获取模型成功识别了的潜在故障样本数量M;计算模型准确识别潜在故障的比例,具体的计算表达式为:其中,P是模型准确识别潜在故障的比例,M是模型成功识别的潜在故障样本数量,H是总体样本数量。
10.根据权利要求9所述的基于多参量数据的变压器状态评估方法,其特征在于:S6中,使用模糊逻辑根据潜在故障比例对故障判断进行准确性划分,将其划分为高准确性判断、中等准确性判断以及低准确性判断,具体为:
将模型准确识别潜在故障的比例P转化为模糊集合;将P分为三个模糊集合:低L、中等Q和高D;
使用Logistic函数来定义隶属度函数,其函数形式为:低准确性判断L:中等准确性判断Q:高准确性判断D:其中,ai和bi为模糊隶属度函数的参数,uL(p)、uQ(p)、uD(p)分别代表低、中等和高准确性判断的模糊隶属度;
将模糊输出转化为具体的准确性级别,选择具有最大隶属度的准确性级别作为最终的准确性判断;具体的计算表达式为:准确性判断=argmax(uL(p),uQ(p),uD(p));其中,uL(p)、uQ(p)、uD(p)分别代表低、中等和高准确性判断的模糊隶属度,函数argmax返回具有最大值的参数,选择具有最大隶属度的准确性级别作为最终判断结果;
将获取到的潜在故障的比例与梯度阈值进行比较,梯度阈值包括第一阈值和第二阈值,且第一阈值小于第二阈值,将潜在故障的比例分别与第一阈值和第二阈值进行对比;
若潜在故障的比例大于第二阈值,则输出为高准确性判断;若潜在故障的比例大于等于第一阈值且小于等于第二阈值,则输出为中等准确性判断;若潜在故障的比例小于第一阈值,则输出为准确性判断。
11.基于多参量数据的变压器状态评估***,用于实现权利要求1-10任一项所述的基于多参量数据的变压器状态评估方法,其特征在于:包括数据获取模块、异常监测模块、评估模块、匹配模块,状态划分模块以及可视化模块;
数据获取模块:实时获取变压器运行过程中的各种参数数据,对获取到的参数数据进行筛选和清洗,以提取关键参数信息,并建立关键参数数据集;
异常监测模块:设定观察时间,根据观察时间内不同模式下变压器的负荷状态,判断其对关键参数响应能力的影响程度,根据观察期间内关键参数的实际响应时间变化情况,评估关键参数响应速度的异常程度;
评估模块:将变压器的负荷状态对关键参数响应能力的影响程度和关键参数响应速度的异常程度进行综合分析,评估变压器关键参数响应状态是否出现异常,并根据评估结果区分异常响应状态和正常响应状态;
匹配模块:对于异常响应状态的变压器,根据变压器的历史运行数据建立基准数据集,并构建故障识别模型,将关键参数数据集与基准数据集进行匹配;
状态划分模块:根据匹配结果对异常响应状态的变压器进行故障判断,以区分正常状态和潜在故障状态;
可视化模块:根据故障判断的结果,计算模型准确识别潜在故障的比例,根据潜在故障比例对故障判断进行准确性划分,将其划分为高准确性判断,中等准确性判断以及低准确性判断,并将划分结果进行可视化展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410470851.6A CN118261584A (zh) | 2024-04-18 | 2024-04-18 | 基于多参量数据的变压器状态评估方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410470851.6A CN118261584A (zh) | 2024-04-18 | 2024-04-18 | 基于多参量数据的变压器状态评估方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118261584A true CN118261584A (zh) | 2024-06-28 |
Family
ID=91611202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410470851.6A Pending CN118261584A (zh) | 2024-04-18 | 2024-04-18 | 基于多参量数据的变压器状态评估方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118261584A (zh) |
-
2024
- 2024-04-18 CN CN202410470851.6A patent/CN118261584A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414155B (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
US20220283576A1 (en) | Automatic diagnosis method, system and storage medium for equipment | |
CN109186813B (zh) | 一种温度传感器自检装置及方法 | |
US6088658A (en) | Statistical pattern analysis methods of partial discharge measurements in high voltage insulation | |
CN116559598B (zh) | 一种智慧配电网故障定位方法及*** | |
CN112561736A (zh) | 智能变电站继电器保护装置故障诊断***和方法 | |
CN113762329A (zh) | 一种大型轧机状态预测模型的构建方法及构建*** | |
CN111538311B (zh) | 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置 | |
CN112179691A (zh) | 基于对抗学习策略的机械装备运行状态异常检测***和方法 | |
CN117131110B (zh) | 一种基于关联分析的容性设备介质损耗监测方法及*** | |
CN116914917A (zh) | 一种基于大数据的配电柜运行状态监测管理*** | |
CN115524002B (zh) | 一种电厂旋转设备的运行状态预警方法、***及存储介质 | |
CN115858794B (zh) | 用于网络运行安全监测的异常日志数据识别方法 | |
CN116629627A (zh) | 输电在线监测装置的智能检测*** | |
CN115729761B (zh) | 一种硬盘故障预测方法、***、设备及介质 | |
CN116861369A (zh) | 工业互联网异构数据融合的空压机健康评估方法及*** | |
CN118015812A (zh) | 一种设备异常报警方法 | |
CN117150418B (zh) | 基于状态特征故障树的变压器运检周期制定方法和*** | |
CN111314110B (zh) | 一种用于分布式***的故障预警方法 | |
CN114492636B (zh) | 一种变压器绕组状态信号的采集*** | |
CN115169650B (zh) | 一种大数据分析的装备健康预测方法 | |
CN118261584A (zh) | 基于多参量数据的变压器状态评估方法及*** | |
CN117560300B (zh) | 一种智能物联网流量预测与优化*** | |
CN117783792B (zh) | 基于多参数实时监测的阀侧套管绝缘状态检测方法及*** | |
CN117978628B (zh) | 一种基于智慧园区通信控制方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |