CN116861797B - 一种基于机器学习的隧道电缆剩余寿命预测方法及装置 - Google Patents
一种基于机器学习的隧道电缆剩余寿命预测方法及装置 Download PDFInfo
- Publication number
- CN116861797B CN116861797B CN202311100340.7A CN202311100340A CN116861797B CN 116861797 B CN116861797 B CN 116861797B CN 202311100340 A CN202311100340 A CN 202311100340A CN 116861797 B CN116861797 B CN 116861797B
- Authority
- CN
- China
- Prior art keywords
- tunnel cable
- monitoring period
- monitoring
- expressed
- tunnel
- 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 56
- 238000010801 machine learning Methods 0.000 title claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 204
- 238000004458 analytical method Methods 0.000 claims description 33
- 230000005540 biological transmission Effects 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 31
- 230000008859 change Effects 0.000 claims description 23
- 238000009413 insulation Methods 0.000 claims description 22
- 239000011810 insulating material Substances 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 20
- 238000012216 screening Methods 0.000 claims description 18
- 230000007613 environmental effect Effects 0.000 claims description 16
- 239000012774 insulation material Substances 0.000 claims description 9
- 238000012512 characterization method Methods 0.000 claims description 8
- -1 period Chemical class 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 9
- 238000005457 optimization Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000003993 interaction Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000012407 engineering method Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- 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
- 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
-
- 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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1272—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06F2113/00—Details relating to the application field
- G06F2113/16—Cables, cable trees or wire harnesses
-
- 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
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明涉及电缆寿命预测技术领域，具体公开一种基于机器学习的隧道电缆剩余寿命预测方法及装置，该方法包括：隧道电缆统计划分、隧道电缆电力传输性能监测、隧道电缆绝缘材料性能监测、合成特征组合构建分析和电缆剩余寿命预测，本发明通过机器学习对隧道电缆剩余寿命进行预测，能够从大量的历史数据中学习电缆寿命与各种特征之间的复杂关系，从而实现更准确的预测，能够更好地捕捉到电缆寿命的非线性关系和特征之间的相互作用，同时通过对电缆各部位损耗程度的监测，利用不同部位损耗程度结果进行维护优化和决策支持，避免电缆故障造成的损失，提高维护效率和成本效益，并维护电力网络的可靠性和稳定性。
Description
技术领域
本发明涉及电缆寿命预测技术领域，具体为一种基于机器学习的隧道电缆剩余寿命预测方法及装置。
背景技术
电缆是现代工业中广泛使用的重要组成部分，它们承载着电力和数据传输等关键任务。然而，随着时间的推移，电缆会受到多种因素的影响，如负载变化、温度变化、机械应力等，导致其逐渐老化和损坏。这些电缆故障可能会导致停机时间、生产成本的增加，甚至对人身安全产生风险。因此，准确预测电缆寿命成为安全生产的关键任务之一。
如今，对电缆寿命预测方面还存在一些不足，具体体现在以下几个层面：
（1）当前对电缆寿命的预测缺乏精准度，一方面过于依赖经验规则和行业经验，通过考虑电缆的使用时间、工作条件、环境因素等来估计电缆的寿命，缺乏个性化和准确性，且需要对电缆的物理特性和影响因素有较深入的理解，容易受主观因素影响，另一方面电缆寿命预测模型的构建过于简单，适用情况相对较窄，处理复杂的电缆系统不够准确，只能处理线性或简单的非线性关系，无法捕捉电缆寿命与影响因素之间的高阶或交互效应；
（2）当前对电缆寿命的预测相对笼统，没有具体到电缆各个部位的损耗，无法精准反映影响电缆寿命的各个因素，例如电缆的电力传输性能和局部放电现象的监测，电力传输性能是反映电缆使用情况的重要标识，局部放电现象会严重影响电缆的使用寿命，忽视对电缆的电力传输性能和局部放电现象的监测，不利于后续的故障检测和预防，导致传输能耗加大，造成资源的浪费，并容易引发安全事故，影响电力网络的可靠性和稳定性。
发明内容
针对现有技术的不足，本发明提供了一种基于机器学习的隧道电缆剩余寿命预测方法及装置，能够有效解决上述背景技术中涉及的问题。
为实现以上目的，本发明通过以下技术方案予以实现：本发明第一方面提供了一种基于机器学习的隧道电缆剩余寿命预测方法，包括：
步骤一、隧道电缆统计划分：对目标隧道电缆进行统计划分，标记为各隧道电缆段；
步骤二、隧道电缆电力传输性能监测：对各隧道电缆段的电力传输性能进行监测，计算各隧道电缆段在各监测周期的电力传输性能损耗程度值；
步骤三、隧道电缆绝缘材料性能监测：对各隧道电缆段的绝缘材料性能进行监测，计算各隧道电缆段在各监测周期的绝缘材料性能损耗程度值；
步骤四、合成特征组合构建分析：对各隧道电缆段的信息数据进行采集，由此进行特征组合分析，综合构建各隧道电缆段在各监测周期的组合特征值；
步骤五、电缆剩余寿命预测：计算目标隧道电缆在各监测周期的表征变化程度指数，构建得到目标隧道电缆的指定参照预测曲线模型，并对电缆剩余寿命进行预测。
作为进一步的方法，所述对各隧道电缆段的电力传输性能进行监测，其具体分析过程为：以设定间隔对目标隧道电缆的生命周期进行划分，标记为各监测周期，以设定数目对各监测周期进行划分得到各监测时间点，监测得到各隧道电缆段在各监测周期的各监测时间点的电阻，从电缆信息库中获取目标隧道电缆的额定规格电阻/>。
综合计算各隧道电缆段在各监测周期的电阻变动程度，其计算公式为：
，其中/>表示为设定的允许偏差电阻，/>表示为各隧道电缆段的编号，/>，/>表示为目标监测段的总数，/>表示为各监测周期的编号，/>，/>表示为监测周期的总数，/>表示为各监测时间点的编号，/>，/>表示为监测时间点的总数。
监测得到各隧道电缆段在各监测周期的各监测时间点的电能传输损耗，综合计算各隧道电缆段在各监测周期的电能损耗变动程度/>，其计算公式为：
，其中/>表示为设定的允许电能损耗；
在各监测周期内对各隧道电缆段的输出端和输入端的电信号进行监测，得到各隧道电缆段在各监测周期的输出端和输入端的电信号波形图，将输出端和输入端的电信号波形图进行重合比对，进而得到各隧道电缆段在各监测周期的重合信号波形长度、输出端信号波形长度/>和输入端信号波形长度/>，并从电缆信息库中获取目标隧道电缆的参照运行理论信号波形长度/>；
综合计算各隧道电缆段在各监测周期的信号变动程度，其计算公式为：
，其中/>表示为设定的输出端和输入端之间的允许偏差波形长度。
作为进一步的方法，所述计算各隧道电缆段在各监测周期的电力传输性能损耗程度值，其计算公式为：
，其中/>表示为自然常数，/>、/>和分别表示为设定的电阻变动程度、电能损耗变动程度和信号变动程度所属占比权重。
作为进一步的方法，所述对各隧道电缆段的绝缘材料性能进行监测，其具体分析过程为：对各隧道电缆段在各监测周期的局部放电现象进行监测，统计各隧道电缆段在各监测周期的局部放电频次，并对各次局部放电的脉冲电流强度进行监测，标记为，从电缆信息库中获取目标隧道电缆的额定脉冲输入电流/>。
综合计算各隧道电缆段在各监测周期的绝缘材料局部放电危害程度值，其计算公式为：
，其中/>表示为设定的局部放电频次界定值，表示为各次局部放电的编号，/>，/>表示为监测周期内局部放电的总次数。
以设定数目在各隧道电缆段的绝缘层表面布设绝缘筛查点，并监测提取各监测周期各隧道电缆段的各绝缘筛查点的绝缘层厚度，从电缆信息库中获取目标隧道电缆的绝缘层规格厚度/>，进而计算各隧道电缆段在各监测周期的绝缘层厚度损耗程度，其计算公式为：
，其中/>表示为设定的允许偏差绝缘层厚度，/>表示为各绝缘筛查点的编号，/>，/>表示为绝缘筛查点的总数。
作为进一步的方法，所述计算各隧道电缆段在各监测周期的绝缘材料性能损耗程度值，其计算公式为：
，其中/>和/>分别表示为设定的绝缘材料局部放电危害程度和绝缘层厚度损耗程度所属占比权重。
作为进一步的方法，所述对各隧道电缆段的信息数据进行采集，其具体分析过程为：采集各隧道电缆段在各监测周期的环境数据，其中环境数据包括环境温度、隧道电缆负载电流和电压、环境振动应力和振动频率。
作为进一步的方法，所述综合构建各隧道电缆段在各监测周期的组合特征值，其具体分析过程为：依据各隧道电缆段在各监测周期的温度、负载电流和电压、环境振动应力和振动频率，由此进行特征组合分析，依次构建各隧道电缆段在各监测周期的组合特征值，并分别标记为、/>、/>、/>、/>、/>和/>。
热-振动应力特征，具体表达式为：/>其中和/>分别表示为各隧道电缆段在各监测周期的最大温度和最大振动应力，/>和分别表示为各隧道电缆段在各监测周期的平均温度和平均振动应力；
热-电-振动应力特征，具体表达式为：，其中/>表示为各隧道电缆段在各监测周期的最大电流，/>表示为各隧道电缆段在各监测周期的平均电流；
热-电-振动特征,具体表达式为：，其中/>表示为各隧道电缆段在各监测周期的振动频率；
振动数据的频域分析特征，具体表达式为：/>，其中表示为各隧道电缆段在各监测周期内频域信号中第/>个频率分量的复数值，，/>表示为信号采样点的总数；
温度差-时间-频率特征，具体表达式为：/>，其中和/>表示为各隧道电缆段在各监测周期的最小温度和振动周期，/>表示为目标隧道电缆的已使用年限；
电流-电压-振动特征，具体表达式为：/>，其中/>表示为各隧道电缆段在各监测周期的最大电压；
电流-电压-温度特征，具体表达式为：/>；
构建相关性矩阵进行特征筛选，筛选后的组合子特征标记为，综合构建各隧道电缆段在各监测周期的组合特征值/>，其计算公式为：/>，其中/>表示为各组合子特征的编号，/>，/>表示为组合子特征的总数。
作为进一步的方法，所述计算目标隧道电缆在各监测周期的表征变化程度指数，其具体分析过程为：依据各隧道电缆段在各监测周期的电力传输性能损耗程度值、绝缘材料性能损耗程度值和组合特征值，综合计算目标隧道电缆在各监测周期的表征变化程度指数，其计算公式为：
,其中/>表示为设定的参照组合特征值，/>、/>和/>分别表示为设定的电力传输性能损耗程度值、绝缘材料性能损耗程度值和组合特征值所属占比权重。
作为进一步的方法，所述对电缆剩余寿命进行预测,其具体分析过程为：依据目标隧道电缆各监测周期的表征变化程度指数，与设定的各表征变化程度指数区间对应的参照预测曲线模型进行匹配，得到目标隧道电缆各监测周期对应的参照预测曲线模型，并通过动态拟合构建得到目标隧道电缆的指定参照预测曲线模型，同时将目标隧道电缆各监测周期的表征变化程度指数进行均值处理，得到目标隧道电缆的表征变化程度指数平均值，并带入目标隧道电缆的指定参照预测曲线模型中，定位提取目标隧道电缆的预估剩余使用寿命值进行输出显示。
本发明第二方面提供了一种基于机器学习的隧道电缆剩余寿命预测装置，包括：处理器，以及与处理器连接的内存和网络接口；所述网络接口与服务器中的非易失性存储器连接；所述处理器在运行时通过所述网络接口从所述非易失性存储器中调取计算机程序，并通过所述内存运行所述计算机程序，以执行上述任一项所述的方法。
相对于现有技术，本发明的实施例至少具有如下优点或有益效果：
（1）本发明通过提供一种基于机器学习的隧道电缆剩余寿命预测方法及装置，能够从大量的历史数据中学习电缆寿命与各种特征之间的复杂关系，从而实现更准确的预测，相比传统的基于经验规则或统计方法的预测技术，基于机器学习的方法能够更好地捕捉到电缆寿命的非线性关系和特征之间的相互作用；
（2）本发明通过动态时间点数据生成，以每条电缆的生命周期为基准划分各监测周期，收集各监测周期内电缆的动态数据信息，利用动态时间点数据生成方法能有效避免电缆寿命的不确定性和时间依赖性对电缆寿命预测结果的影响，使得数据更加贴近实际情况，同时对收集到的数据进行数据清洗和异常值处理，保证数据集的质量和可信度，从而提高预测模型的稳定性和准确性；
（3）本发明通过电缆的电力传输性能和局部放电现象的监测，不仅实现对隧道电缆寿命的预测，还可以利用不同部位损耗程度结果进行维护优化和决策支持，通过提前预警和优化维修策略，避免电缆故障造成的损失，并优化维修计划和资源分配，提高维护效率和成本效益，维护电力网络的可靠性和稳定性；
（4）本发明通过多源数据特征融合创建新的特征，囊括温度、振动、电流、电压等特征信息，利用特征工程的方法将这些多源数据特征融合到预测模型中，提供了更全面、多维度的信息，增强了预测模型的复杂度和表现力，提高预测结果的精准性。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图；
图1为本发明的方法步骤流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照图1所示，本发明第一方面提供了一种基于机器学习的隧道电缆剩余寿命预测方法，包括：
步骤一、隧道电缆统计划分：对目标隧道电缆进行统计划分，标记为各隧道电缆段；
步骤二、隧道电缆电力传输性能监测：对各隧道电缆段的电力传输性能进行监测，计算各隧道电缆段在各监测周期的电力传输性能损耗程度值。
具体的，所述对各隧道电缆段的电力传输性能进行监测，其具体分析过程为：以设定间隔对目标隧道电缆的生命周期进行划分，标记为各监测周期，以设定数目对各监测周期进行划分得到各监测时间点，监测得到各隧道电缆段在各监测周期的各监测时间点的电阻，从电缆信息库中获取目标隧道电缆的额定规格电阻/>。
在一个具体的实施例中，通过动态时间点数据生成，以每条电缆的生命周期为基准划分各监测周期，收集各监测周期内电缆的动态数据信息，利用动态时间点数据生成方法能有效避免电缆寿命的不确定性和时间依赖性对电缆寿命预测结果的影响，使得数据更加贴近实际情况，同时对收集到的数据进行数据清洗和异常值处理，保证数据集的质量和可信度，从而提高预测模型的稳定性和准确性。
综合计算各隧道电缆段在各监测周期的电阻变动程度，其计算公式为：
，其中/>表示为设定的允许偏差电阻，表示为各隧道电缆段的编号，/>，/>表示为目标监测段的总数，/>表示为各监测周期的编号，/>，/>表示为监测周期的总数，/>表示为各监测时间点的编号，/>，/>表示为监测时间点的总数。
监测得到各隧道电缆段在各监测周期的各监测时间点的电能传输损耗，综合计算各隧道电缆段在各监测周期的电能损耗变动程度/>，其计算公式为：
，其中/>表示为设定的允许电能损耗；
需要解释的是，电能传输损耗数值利用各隧道电缆段的输入电能减去输出电能计算得到，其计算公式为：，其中/>和/>分别表示为各隧道电缆段在各监测周期的各监测时间点的输入电压和输出电压，/>和/>分别表示为各隧道电缆段在各监测周期的各监测时间点的输入电流和输出电流，/>表示为设定的监测时长。
在各监测周期内对各隧道电缆段的输出端和输入端的电信号进行监测，得到各隧道电缆段在各监测周期的输出端和输入端的电信号波形图，将输出端和输入端的电信号波形图进行重合比对，进而得到各隧道电缆段在各监测周期的重合信号波形长度、输出端信号波形长度/>和输入端信号波形长度/>，并从电缆信息库中获取目标隧道电缆的参照运行理论信号波形长度/>；
综合计算各隧道电缆段在各监测周期的信号变动程度，其计算公式为：
，其中/>表示为设定的输出端和输入端之间的允许偏差波形长度。
进一步的，所述计算各隧道电缆段在各监测周期的电力传输性能损耗程度值，其计算公式为：
，其中/>表示为自然常数，/>、/>和分别表示为设定的电阻变动程度、电能损耗变动程度和信号变动程度所属占比权重。
步骤三、隧道电缆绝缘材料性能监测：对各隧道电缆段的绝缘材料性能进行监测，计算各隧道电缆段在各监测周期的绝缘材料性能损耗程度值。
具体的，所述对各隧道电缆段的绝缘材料性能进行监测，其具体分析过程为：对各隧道电缆段在各监测周期的局部放电现象进行监测，统计各隧道电缆段在各监测周期的局部放电频次，并对各次局部放电的脉冲电流强度进行监测，标记为/>，从电缆信息库中获取目标隧道电缆的额定脉冲输入电流/>；
综合计算各隧道电缆段在各监测周期的绝缘材料局部放电危害程度值，其计算公式为：
，其中/>表示为设定的局部放电频次界定值，/>表示为各次局部放电的编号，/>，/>表示为监测周期内局部放电的总次数。
以设定数目在各隧道电缆段的绝缘层表面布设绝缘筛查点，并监测提取各监测周期各隧道电缆段的各绝缘筛查点的绝缘层厚度，从电缆信息库中获取目标隧道电缆的绝缘层规格厚度/>，进而计算各隧道电缆段在各监测周期的绝缘层厚度损耗程度，其计算公式为：
，其中/>表示为设定的允许偏差绝缘层厚度，/>表示为各绝缘筛查点的编号，/>，/>表示为绝缘筛查点的总数。
进一步的，所述计算各隧道电缆段在各监测周期的绝缘材料性能损耗程度值，其计算公式为：
，其中/>和/>分别表示为设定的绝缘材料局部放电危害程度和绝缘层厚度损耗程度所属占比权重。
在一个具体的实施例中，通过电缆的电力传输性能和局部放电现象的监测，不仅实现对隧道电缆寿命的预测，还可以利用不同部位损耗程度结果进行维护优化和决策支持，通过提前预警和优化维修策略，避免电缆故障造成的损失，并优化维修计划和资源分配，提高维护效率和成本效益，维护电力网络的可靠性和稳定性。
步骤四、合成特征组合构建分析：对各隧道电缆段的信息数据进行采集，由此进行特征组合分析，综合构建各隧道电缆段在各监测周期的组合特征值。
具体的，所述对各隧道电缆段的信息数据进行采集，其具体分析过程为：并采集各隧道电缆段在各监测周期的环境数据，其中环境数据包括环境温度、隧道电缆负载电流和电压、环境振动应力和振动频率。
进一步的，所述综合构建各隧道电缆段在各监测周期的组合特征值，其具体分析过程为：依据各隧道电缆段在各监测周期的温度、负载电流和电压、环境振动应力和振动频率，由此进行特征组合分析，依次构建各隧道电缆段在各监测周期的组合特征值，并分别标记为、/>、/>、/>、/>、/>和/>;
热-振动应力特征，具体表达式为：/>其中/>和/>分别表示为各隧道电缆段在各监测周期的最大温度和最大振动应力，/>和/>分别表示为各隧道电缆段在各监测周期的平均温度和平均振动应力；
热-电-振动应力特征，具体表达式为：，其中/>表示为各隧道电缆段在各监测周期的最大电流，/>表示为各隧道电缆段在各监测周期的平均电流；
热-电-振动特征，具体表达式为：，其中/>表示为各隧道电缆段在各监测周期的振动频率；
振动数据的频域分析特征，具体表达式为：/>，其中表示为各隧道电缆段在各监测周期内频域信号中第/>个频率分量的复数值，，/>表示为信号采样点的总数；
需要解释的是，振动数据的频域分析特征的具体分析过程为：对监测得到的振动信号进行傅里叶变换提取特征，其计算公式为：
，其中/>表示为各隧道电缆段在各监测周期内时域信号中第/>个采样点的值，/>表示为自然常数；
计算频域信号的能量用来表示在不同频率上信号的能量分布，利用频谱幅值的平方和描述信号在频率上的强度，其计算公式为：
，其中/>表示为各隧道电缆段在各监测周期内频域信号/>的实部，/>表示为各隧道电缆段在各监测周期内频域信号/>的虚部；温度差-时间-频率特征/>，具体表达式为：，其中/>和/>表示为各隧道电缆段在各监测周期的最小温度和振动周期，/>表示为目标隧道电缆的已使用年限；
电流-电压-振动特征，具体表达式为：/>，其中/>表示为各隧道电缆段在各监测周期的最大电压；
电流-电压-温度特征，具体表达式为：/>。
在一个具体的实施例中，通过多源数据特征融合创建新的特征，囊括温度、振动、电流、电压等特征信息，利用特征工程的方法将这些多源数据特征融合到预测模型中，提供了更全面、多维度的信息，增强了预测模型的复杂度和表现力，提高预测结果的精准性。
构建相关性矩阵进行特征筛选，筛选后的组合子特征标记为，综合构建各隧道电缆段在各监测周期的组合特征值/>，其计算公式为：
，其中/>表示为各组合子特征的编号，/>，/>表示为组合子特征的总数。
需要解释的是，对影响特征进行相关性筛选，其具体分析过程为：对所有特征两两计算相关性，得到相关性系数矩阵，对于特征之间相关性过高的删除其中一个特征，对于特征与损耗程度值相关系太低的删除该特征，相关性系数计算公式为：
，其中X和Z表示为各影响特征值，/>和/>分别表示为X和Z的标准差，/>表示为期望值，/>和/>分别表示为X和Z的的均值。
步骤五、电缆剩余寿命预测：计算目标隧道电缆在各监测周期的表征变化程度指数，构建得到目标隧道电缆的指定参照预测曲线模型，并对电缆剩余寿命进行预测；
具体的，所述计算目标隧道电缆在各监测周期的表征变化程度指数，其具体分析过程为：依据各隧道电缆段在各监测周期的电力传输性能损耗程度值和绝缘材料性能损耗程度值，综合计算目标隧道电缆在各监测周期的表征变化程度指数，其计算公式为：
，其中/>表示为设定的参照组合特征值，/>、/>和/>分别表示为设定的电力传输性能损耗程度值、绝缘材料性能损耗程度值和组合特征值所属占比权重。
进一步的，对电缆剩余寿命进行预测,其具体分析过程为：依据目标隧道电缆各监测周期的表征变化程度指数，与设定的各表征变化程度指数区间对应的参照预测曲线模型进行匹配，得到目标隧道电缆各监测周期对应的参照预测曲线模型，并通过动态拟合构建得到目标隧道电缆的指定参照预测曲线模型，同时将目标隧道电缆各监测周期的表征变化程度指数进行均值处理，得到目标隧道电缆的表征变化程度指数平均值，并带入目标隧道电缆的指定参照预测曲线模型中，定位提取目标隧道电缆的预估剩余使用寿命值进行输出显示。
需要解释的是，上述预测曲线的动态拟合采用最小二乘法，使多条曲线拟合成一条曲线，有利于数据的降噪处理，降低异常数据对最终结果的干扰，提高预测的精准性。
本发明第二方面提供了一种基于机器学习的隧道电缆剩余寿命预测装置，包括：处理器，以及与处理器连接的内存和网络接口；所述网络接口与服务器中的非易失性存储器连接；所述处理器在运行时通过所述网络接口从所述非易失性存储器中调取计算机程序，并通过所述内存运行所述计算机程序，以执行上述任一项所述的方法。
本发明通过提供一种基于机器学习的隧道电缆剩余寿命预测方法及装置，对于机器学习算法的选择和优化进行了细致考虑，选择适合的回归算法和集成学习算法，并进行参数调优，使得预测模型在复杂的数据情况下能够得到良好的预测性能，并利用机器学习算法的自动化和智能化特性，能够从大量的数据中学习隧道电缆寿命的模式和规律，使模型能够自适应地更新和优化，适应新的数据和变化的条件，提高预测的准确性和稳定性。
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。
Claims (6)
1.一种基于机器学习的隧道电缆剩余寿命预测方法，其特征在于，包括：
步骤一、隧道电缆统计划分：对目标隧道电缆进行统计划分，标记为各隧道电缆段；
步骤二、隧道电缆电力传输性能监测：对各隧道电缆段的电力传输性能进行监测，计算各隧道电缆段在各监测周期的电力传输性能损耗程度值；
步骤三、隧道电缆绝缘材料性能监测：对各隧道电缆段的绝缘材料性能进行监测，计算各隧道电缆段在各监测周期的绝缘材料性能损耗程度值；
步骤四、合成特征组合构建分析：对各隧道电缆段的信息数据进行采集，由此进行特征组合分析，综合构建各隧道电缆段在各监测周期的组合特征值；
所述对各隧道电缆段的信息数据进行采集，其具体分析过程为：采集各隧道电缆段在各监测周期的环境数据，其中环境数据包括环境温度、隧道电缆负载电流和电压、环境振动应力和振动频率；
步骤五、电缆剩余寿命预测：依据各隧道电缆段在各监测周期的电力传输性能损耗程度值、绝缘材料性能损耗程度值和组合特征值，综合计算目标隧道电缆在各监测周期的表征变化程度指数，构建得到目标隧道电缆的指定参照预测曲线模型，并对电缆剩余寿命进行预测；
所述各隧道电缆段在各监测周期的电力传输性能损耗程度值的计算公式为：，其中/>表示为自然常数，/>、/>和/>分别表示为设定的电阻变动程度、电能损耗变动程度和信号变动程度所属占比权重，/>表示各隧道电缆段在各监测周期的电阻变动程度，/>表示各隧道电缆段在各监测周期的电能损耗变动程度，/>表示各隧道电缆段在各监测周期的信号变动程度；
所述各隧道电缆段在各监测周期的绝缘材料性能损耗程度值的计算公式为：
，其中/>和/>分别表示为设定的绝缘材料局部放电危害程度和绝缘层厚度损耗程度所属占比权重，/>表示各隧道电缆段在各监测周期的绝缘材料局部放电危害程度值，/>表示隧道电缆段在各监测周期的绝缘层厚度损耗程度，/>表示为自然常数；
所述各隧道电缆段在各监测周期的组合特征值计算公式为：
，其中/>表示为各组合子特征的编号，/>，/>表示为组合子特征的总数，/>表示依据各隧道电缆段的信息数据，进行特征组合分析，依次构建各隧道电缆段在各监测周期的组合特征值，构建相关性矩阵进行特征筛选，筛选后的组合子特征标记；
所述目标隧道电缆在各监测周期的表征变化程度指数计算公式为：
，其中/>表示为设定的参照组合特征值，/>、/>和/>分别表示为设定的电力传输性能损耗程度值、绝缘材料性能损耗程度值和组合特征值所属占比权重，/>表示为自然常数，/>表示为各隧道电缆段的编号， />，/>表示为目标监测段的总数，/>表示为各监测周期的编号，，/>表示为监测周期的总数。
2.根据权利要求1所述的一种基于机器学习的隧道电缆剩余寿命预测方法，其特征在于：所述对各隧道电缆段的电力传输性能进行监测，其具体分析过程为：
以设定间隔对目标隧道电缆的生命周期进行划分，标记为各监测周期，以设定数目对各监测周期进行划分得到各监测时间点，监测得到各隧道电缆段在各监测周期的各监测时间点的电阻，从电缆信息库中获取目标隧道电缆的额定规格电阻/>；综合计算各隧道电缆段在各监测周期的电阻变动程度/>，其计算公式为：
，其中/>表示为设定的允许偏差电阻，表示为各隧道电缆段的编号，/>，/>表示为目标监测段的总数，/>表示为各监测周期的编号，/>，/>表示为监测周期的总数，/>表示为各监测时间点的编号，/>，/>表示为监测时间点的总数；
监测得到各隧道电缆段在各监测周期的各监测时间点的电能传输损耗，综合计算各隧道电缆段在各监测周期的电能损耗变动程度/>，其计算公式为：
，其中/>表示为设定的允许电能损耗；
在各监测周期内对各隧道电缆段的输出端和输入端的电信号进行监测，得到各隧道电缆段在各监测周期的输出端和输入端的电信号波形图，将输出端和输入端的电信号波形图进行重合比对，进而得到各隧道电缆段在各监测周期的重合信号波形长度、输出端信号波形长度/>和输入端信号波形长度/>，并从电缆信息库中获取目标隧道电缆的参照运行理论信号波形长度/>；
综合计算各隧道电缆段在各监测周期的信号变动程度，其计算公式为：
，其中/>表示为设定的输出端和输入端之间的允许偏差波形长度。
3.根据权利要求1所述的一种基于机器学习的隧道电缆剩余寿命预测方法，其特征在于：所述对各隧道电缆段的绝缘材料性能进行监测，其具体分析过程为：
对各隧道电缆段在各监测周期的局部放电现象进行监测，统计各隧道电缆段在各监测周期的局部放电频次，并对各次局部放电的脉冲电流强度进行监测，标记为/>，从电缆信息库中获取目标隧道电缆的额定脉冲输入电流/>；综合计算各隧道电缆段在各监测周期的绝缘材料局部放电危害程度值/>，其计算公式为：
，其中/>表示为设定的局部放电频次界定值，/>表示为各次局部放电的编号，/>，/>表示为监测周期内局部放电的总次数；
以设定数目在各隧道电缆段的绝缘层表面布设绝缘筛查点，并监测提取各监测周期各隧道电缆段的各绝缘筛查点的绝缘层厚度，从电缆信息库中获取目标隧道电缆的绝缘层规格厚度/>，进而计算各隧道电缆段在各监测周期的绝缘层厚度损耗程度/>，其计算公式为：
，其中/>表示为设定的允许偏差绝缘层厚度，/>表示为各绝缘筛查点的编号，/>，/>表示为绝缘筛查点的总数。
4.根据权利要求1所述的一种基于机器学习的隧道电缆剩余寿命预测方法，其特征在于：所述综合构建各隧道电缆段在各监测周期的组合特征值，其具体分析过程为：
依据各隧道电缆段在各监测周期的温度、负载电流和电压、环境振动应力和振动频率，由此进行特征组合分析，依次构建各隧道电缆段在各监测周期的组合特征值，并分别标记为、/>、/>、/>、/>、/>和/>;热-振动应力特征/>，具体表达式为：，其中/>和/>分别表示为各隧道电缆段在各监测周期的最大温度和最大振动应力，/>和/>分别表示为各隧道电缆段在各监测周期的平均温度和平均振动应力；
热-电-振动应力特征，具体表达式为：
，其中/>表示为各隧道电缆段在各监测周期的最大电流，/>表示为各隧道电缆段在各监测周期的平均电流；
热-电-振动特征，具体表达式为：
，其中/>表示为各隧道电缆段在各监测周期的振动频率；
振动数据的频域分析特征，具体表达式为：
，其中/>表示为各隧道电缆段在各监测周期内频域信号中第/>个频率分量的复数值，/>，/>表示为信号采样点的总数；
温度差-时间-频率特征，具体表达式为：
其中/>和/>表示为各隧道电缆段在各监测周期的最小温度和振动周期，/>表示为目标隧道电缆的已使用年限；
电流-电压-振动特征，具体表达式为：
，其中/>表示为各隧道电缆段在各监测周期的最大电压；
电流-电压-温度特征，具体表达式为：
；构建相关性矩阵进行特征筛选，筛选后的组合子特征标记为，综合构建各隧道电缆段在各监测周期的组合特征值/>。
5.根据权利要求1所述的一种基于机器学习的隧道电缆剩余寿命预测方法，其特征在于：所述对电缆剩余寿命进行预测,其具体分析过程为：
依据目标隧道电缆各监测周期的表征变化程度指数，与设定的各表征变化程度指数区间对应的参照预测曲线模型进行匹配，得到目标隧道电缆各监测周期对应的参照预测曲线模型，并通过动态拟合构建得到目标隧道电缆的指定参照预测曲线模型，同时将目标隧道电缆各监测周期的表征变化程度指数进行均值处理，得到目标隧道电缆的表征变化程度指数平均值，并带入目标隧道电缆的指定参照预测曲线模型中，定位提取目标隧道电缆的预估剩余使用寿命值进行输出显示。
6.一种基于机器学习的隧道电缆剩余寿命预测装置，其特征在于：包括：
处理器，以及与处理器连接的内存和网络接口；所述网络接口与服务器中的非易失性存储器连接；所述处理器在运行时通过所述网络接口从所述非易失性存储器中调取计算机程序，并通过所述内存运行所述计算机程序，以执行上述权利要求1-5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311100340.7A CN116861797B (zh) | 2023-08-30 | 2023-08-30 | 一种基于机器学习的隧道电缆剩余寿命预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311100340.7A CN116861797B (zh) | 2023-08-30 | 2023-08-30 | 一种基于机器学习的隧道电缆剩余寿命预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116861797A CN116861797A (zh) | 2023-10-10 |
| CN116861797B true CN116861797B (zh) | 2023-11-24 |
Family
ID=88228857
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311100340.7A Active CN116861797B (zh) | 2023-08-30 | 2023-08-30 | 一种基于机器学习的隧道电缆剩余寿命预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116861797B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117056875B (zh) * | 2023-10-10 | 2024-01-02 | 湖南华菱线缆股份有限公司 | 一种基于测试数据的电缆传输性能分析方法及装置 |
| CN118134116B (zh) * | 2024-05-07 | 2024-07-12 | 国网山东省电力公司烟台供电公司 | 一种基于大数据分析的电缆及通道的状态监测评估方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09251003A (ja) * | 1996-03-15 | 1997-09-22 | Chubu Electric Power Co Inc | ゴム、プラスチックケーブルの寿命判定試験方法 |
| JP2005345450A (ja) * | 2004-06-07 | 2005-12-15 | J-Power Systems Corp | ケーブルの非破壊劣化診断方法および劣化位置標定方法 |
| CN105243520A (zh) * | 2015-11-18 | 2016-01-13 | 国网上海市电力公司 | 一种基于电力电缆传热模型的全寿命周期成本评价方法 |
| CN108399286A (zh) * | 2018-02-05 | 2018-08-14 | 三峡大学 | 一种电缆线路钢支架全寿命周期成本评估方法 |
| CN111382542A (zh) * | 2020-02-26 | 2020-07-07 | 长安大学 | 一种面向全寿命周期的公路机电设备寿命预测系统 |
| CN115481806A (zh) * | 2022-09-23 | 2022-12-16 | 广东电网有限责任公司广州供电局 | 基于相关系数保留率的电缆剩余寿命在线预测方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011142303A1 (ja) * | 2010-05-10 | 2011-11-17 | 古河電気工業株式会社 | 超電導ケーブル |
| US20230086049A1 (en) * | 2021-09-21 | 2023-03-23 | Abb Schweiz Ag | Systems and methods of predicting the remaining useful life of industrial mechanical power transmission equipment using a machine learning model |
-
2023
- 2023-08-30 CN CN202311100340.7A patent/CN116861797B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09251003A (ja) * | 1996-03-15 | 1997-09-22 | Chubu Electric Power Co Inc | ゴム、プラスチックケーブルの寿命判定試験方法 |
| JP2005345450A (ja) * | 2004-06-07 | 2005-12-15 | J-Power Systems Corp | ケーブルの非破壊劣化診断方法および劣化位置標定方法 |
| CN105243520A (zh) * | 2015-11-18 | 2016-01-13 | 国网上海市电力公司 | 一种基于电力电缆传热模型的全寿命周期成本评价方法 |
| CN108399286A (zh) * | 2018-02-05 | 2018-08-14 | 三峡大学 | 一种电缆线路钢支架全寿命周期成本评估方法 |
| CN111382542A (zh) * | 2020-02-26 | 2020-07-07 | 长安大学 | 一种面向全寿命周期的公路机电设备寿命预测系统 |
| CN115481806A (zh) * | 2022-09-23 | 2022-12-16 | 广东电网有限责任公司广州供电局 | 基于相关系数保留率的电缆剩余寿命在线预测方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 动车双螺旋电缆线剩余寿命预测模型设计与实验;李彬 等;机械研究与应用;第33卷(第2期);第181-183页 * |
| 航天器电线电缆寿命预测模型研究;潘江江 等;宇航计测技术;第39卷(第6期);第14-18页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116861797A (zh) | 2023-10-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116861797B (zh) | 一种基于机器学习的隧道电缆剩余寿命预测方法及装置 | |
| Meng et al. | Remaining useful life prediction of rolling bearing using fractal theory | |
| JP2000512766A (ja) | 高電圧絶縁における部分放電測定の統計的パターン分析方法 | |
| CN105740975A (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
| CN103711645A (zh) | 基于建模参数特征分析的风力发电机组状态评估方法 | |
| CN115796059B (zh) | 一种基于深度学习的电气设备寿命预测方法及系统 | |
| CN108921409B (zh) | 一种电压暂降严重度等级判定方法 | |
| KR20200128232A (ko) | 전력 수요 예측 장치 및 그 방법 | |
| CN117391459B (zh) | 基于深度学习的电力运行风险预警方法及系统 | |
| CN109670652A (zh) | 一种光伏组件的故障预测方法 | |
| CN118432000B (zh) | 一种高压隔离保护方法及系统 | |
| Wang et al. | Data-driven prediction method for characteristics of voltage sag based on fuzzy time series | |
| AU2023297073A1 (en) | Method and device for forecasting upcoming faults in power systems | |
| CN113821931A (zh) | 风机输出功率预测方法和系统 | |
| McMillan et al. | Towards quantification of condition monitoring benefit for wind turbine generators | |
| CN114925614A (zh) | 采煤机剩余寿命的预测方法 | |
| CN118132931A (zh) | 基于机器学习的日用电器亚健康检测方法 | |
| Lima et al. | Wind turbine failure prediction using SCADA data | |
| CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及系统 | |
| CN112347663A (zh) | 融合变压器健康状态和役龄的故障概率预测方法 | |
| CN108123436B (zh) | 基于主成分分析和多元回归算法的电压越限预测模型 | |
| Hu et al. | Anomaly detection and remaining useful lifetime estimation based on degradation state for bearings | |
| Kadhem et al. | Differential evolution optimization algorithm based on generation systems reliability assessment integrated with wind energy | |
| Wang et al. | A review on data-driven predictive maintenance approach for hydro turbines/generators | |
| CN114414938B (zh) | 一种配电网故障的动态响应方法及系统 |
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 |