CN108985467A - 基于人工智能的二次设备精益化管控方法 - Google Patents
基于人工智能的二次设备精益化管控方法 Download PDFInfo
- Publication number
- CN108985467A CN108985467A CN201810651579.6A CN201810651579A CN108985467A CN 108985467 A CN108985467 A CN 108985467A CN 201810651579 A CN201810651579 A CN 201810651579A CN 108985467 A CN108985467 A CN 108985467A
- Authority
- CN
- China
- Prior art keywords
- secondary device
- defect
- signal
- artificial intelligence
- abnormal signal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 27
- 230000007547 defect Effects 0.000 claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 24
- 238000005516 engineering process Methods 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 230000008030 elimination Effects 0.000 claims abstract description 8
- 238000003379 elimination reaction Methods 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000012423 maintenance Methods 0.000 claims description 12
- 238000007726 management method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 230000009471 action Effects 0.000 claims description 7
- 230000036541 health Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 230000002950 deficient Effects 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 4
- 230000008439 repair process Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 2
- 239000002131 composite material Substances 0.000 abstract description 2
- 238000003066 decision tree Methods 0.000 description 12
- 230000008901 benefit Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 241000272510 Apteryx Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 125000002015 acyclic group Chemical group 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011430 maximum method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/027—Frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工智能的二次设备精益化管控方法，包括：步骤一：基于人工智能的二次设备信号专家知识库建模；步骤二：通过步骤一建立的信号专家知识库，实时获取该异常信号准确的含义、产生原因、关联其它信号、处理措施；步骤三：综合采样的其它信息，使用人工智能技术，分析设备是否存在缺陷、缺陷历次发生的情况、按本次缺陷最有可能缺陷产生的原因及处理措施进行排序；步骤四：向现场工作人员上传或下载当前需要核实的异常信号记录；步骤五：创建基于搜索引擎技术的资料查询系统。本发明可广泛应用于电网各级调控一体化系统，能够显著提高监控人员对异常信号的监视效率，缩短巡维检修人员对设备的巡视和消缺时间，也可为二次设备超期服役、运行状态评价等提供决策依据。
Description
技术领域
本发明涉及一种基于人工智能的二次设备精益化管控方法。
背景技术
随着电网调控一体化模式深入推进，变电站大量运行数据接入调度系统，为人工智能和机器学习提供了客观准确的电力大数据土壤。这些数据来自不同的系统，其结构和格式都有不同程度的差异，传统的基于结构化分析的大数据存贮和处理模式将难以适应多元异构的数据处理要求；
目前中调对于调管二次设备的缺陷管理，要依靠运维单位进行人工录入生产管理系统中缺陷条目，缺乏对二次设备状态量预警与过程化管控实时处理机制，存在管理时滞性的问题，不满足二次设备缺陷管理精益化的要求；
设备主人现场巡视和维护水平个体化差异较大。设备异常告警巡视任务下达到巡视人员中间环节多，延误消缺时间。另一方面，在处理隐患和缺陷作业时，现场作业人员由于多凭借个人主观经验和对规章制度的记忆开展工作，作业完成质量和效率难以保证。现场缺少专业性的检修辅助决策系统，导致二次设备运维作业风险精益化管控难以实现。
为加强中调对调管二次设备缺陷管理力度，强化二次设备风险与一次系统风险的关联，有效提高现场巡维和缺陷预警处置能力。有必要探索一种新的及时的缺陷管理和基于人工智能的二次设备精益化管控方法现场运维联动模式。
发明内容
有鉴于此，本发明的目的是提供一种基于人工智能的二次设备精益化管控方法。包括中调端远程告警监控、人工智能专家知识分析、快速基于人工智能的二次设备精益化管控、检修辅助决策准确消缺，确保无人值守变电站的健康运行，能够适应调控一体化的快速发展，确保电网安全、稳定运行。
本发明的目的是通过以下技术方案实现的：
本发明的基于人工智能的二次设备精益化管控方法，包括以下步骤：
步骤一：基于人工智能的二次设备信号专家知识库建模；
步骤二：以自动获取调控一体化系统的异常信号作为数据源，通过步骤一建立的信号专家知识库，实时能获取该异常信号准确的含义、产生原因、关联其它信号、处理措施；
步骤三：综合采样的其它信息，使用人工智能技术，分析设备是否存在缺陷、缺陷历次发生的情况、按本次缺陷最有可能缺陷产生的原因及处理措施进行排序；
步骤四：向现场工作人员上传或下载当前需要核实的异常信号记录，现场人员核实或消缺的情况自动生成记录，通过上传或下载返回给主站系统，作为历史存储和今后发生类似异常信号的训练样本，达到异常信号闭环管控的目的；
步骤五：创建基于搜索引擎技术的资料查询系统，便于监控人员、专业人员、设备管理人员在实际的工作中随时查询、阅读资料信息。
进一步，所述步骤一中，根据二次设备信号专家知识库的建模与管理技术，建立涵盖各个专业的二次设备告警知识库，包括告警信号名称、信号来源、信号含义、告警发生原因、关联信号和处置原则等内容，为二次设备智能告警和辅助检修决策提供基础。
进一步，所述步骤三中，还通过分析二次设备的各类告警信号、动作信息，结合专家知识库，实现对二次设备运行态势的实时感知、智能告警、设备健康状态评估，给出二次设备的缺陷影响范围和处理原则，为检修提供辅助决策。
本发明的有益效果是：
本发明提供了一种二次设备异常信号集中监控和智能告警替代人工监视的方法，同时建立了一套基于人工智能的二次设备异常信号分析和设备缺陷处置的电力系统专家知识库，为预警和决策系统做好预备工作。本发明可广泛应用于电网各级调控一体化系统，能够显著提高监控人员对异常信号的监视效率，缩短巡维检修人员对设备的巡视和消缺时间，也可为二次设备超期服役、运行状态评价等提供决策依据。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
具体实施方式
以下将对本发明的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。
本发明基于人工智能的二次设备精益化管控方法，包括以下步骤：
步骤一：基于人工智能的二次设备信号专家知识库建模；该建模是根据二次设备信号专家知识库的建模与管理技术，建立涵盖各个专业的二次设备告警知识库，包括告警信号名称、信号来源、信号含义、告警发生原因、关联信号和处置原则等内容，为二次设备智能告警和辅助检修决策提供基础，同时还通过制定变电站二次设备遥信信号的采集原则，规范化各类遥信信号的命名规则，并建立信号的设备台账标签；
步骤二：以自动获取调控一体化系统的异常信号作为数据源，通过步骤一建立的信号专家知识库，实时获取该异常信号准确的含义、产生原因、关联其它信号以及处理措施；
步骤三：综合采样的其它信息，使用人工智能技术，分析设备是否存在缺陷、缺陷历次发生的情况、按本次缺陷最有可能缺陷产生的原因及处理措施进行排序；作为进一步的改进，还通过分析二次设备的各类告警信号、动作信息，结合专家知识库，实现对二次设备运行态势的实时感知、智能告警、设备健康状态评估，给出二次设备的缺陷影响范围和处理原则，为检修提供辅助决策；
步骤四：向现场工作人员上传或下载当前需要核实的异常信号记录，现场人员核实或消缺的情况自动生成记录，通过上传或下载返回给主站系统，作为历史存储和今后发生类似异常信号的训练样本，达到异常信号闭环管控的目的；
步骤五：创建基于搜索引擎技术的资料查询系统，便于监控人员、专业人员、设备管理人员在实际的工作中随时查询、阅读资料信息。
本发明的基于人工智能的二次设备精益化管控系统，包括以下组成部分：
(1)专家知识库：通过梳理继电保护、安全稳定控制装置、测控装置、通信装置等二次设备的管理规程、规范、变电运行人员的经验总结而建立；本发明中，项目提供按：专业类型(企业专业划分类别)、发布单位(具体单位名称)、权威级别(国家级、行业级、总公司级、厂家级、省公司级、市公司级、部分级、班组级)、文档归类(厂家说明书、厂家技术文件、技术规程、培训资料、教科参考书、反错文件、技措文件等等)、文档属性(文件格式类型：例如文字文档、扫描文档、CAD图、音频、视屏、图片等等)、用途分类(按企业部门性质分类，例如：基建工作作业、检修维护作业、变电运行作业、调度运行作业、生产管理、职工培训、定值整定等等)等进行分类，按文档标题、文档摘要、关键词、文档内容等给出查询关键词的权重，实现对各类文档使用引擎技术对文档内部查询关键词的查询功能。
语义建模是一种对加强技术用于填充场景识别的语义鸿沟。然而，大多数的语义建模方法学习浅，一层表示的场景识别，而忽略了其他电子结构信息相关的图像，往往导致性能不佳。建立自己的视觉体系后，因为它的目的是继承人的判断，一个流形正则化深层建筑现场识别。所提出的深层结构利用数据的结构信息，使可见层和隐藏层之间的映射。到了提出的方法，一个深层的架构可以被设计为学习高层次的功能，在无监督的方式场景识别。
字符识别处理的信息可分为两大类：一类是文字信息，处理的主要是用各国家、各民族的文字(如：汉字，英文等)书写或印刷的文本信息，目前在印刷体和联机手写方面技术已趋向成熟，并推出了很多应用系统；另一类是数据信息，主要是由阿拉伯数字及少量特殊符号组成的各种编号和统计数据，如：邮政编码、统计报表、财务报表、银行票据等等，处理这类信息的核心技术是手写数字识别。
语义分析，指运用各种机器学习方法，挖掘与学习文本、图片等的深层次概念。基于字符串匹配的分词方法。此方法按照不同的扫描方式，逐个查找词库进行分词。根据扫描方式可细分为：正向最大匹配，反向最大匹配，双向最大匹配，最小切分(即最短路径)；总之就是各种不同的启发规则，目前SimNet的匹配框架非常普适。
本发明中，设计了一种巧妙的统计量度量方式，基于大数据只挑选少量对匹配任务有很好信息量的高频共现Term组合，作为Bigram词加入字典，进一步显著提升了模型效果。例如输入语料「汽车蓝牙自动连接」，利用基本分词工具，可以把序列分割为「汽车蓝牙自动连接」四个Term。此时依据大数据下的统计分析，可以发现「汽车-蓝牙」的统计量得分最高，「自动-连接」次之，「蓝牙-自动」最小，那么依照设定的统计量阈值，就得到了基于Bigram粒度的输出。
不论是Bigram还是Collocation，都相当于使用NLP基础技术，用简洁地方式引入了一些先验信息到模型里面，降低了模型学习的难度，在很多场景下都较明显地提升了语义匹配的效果。以上探索表明，针对文本任务的特点、语言本身特色，除了从神经网络模型更好地设计选型之外，也可以将一些基础NLP分析技术更好地和模型融合，以更高效地获取更好的效果。
从Power System Resource抽象类继承下来的子类分别代表不同的电力设备实体，比如线路、电容器、断路器、变压器以及变电所等。类和类之间的关联也在图中表示出来，比如一个公司可以拥有多个电力系统设备，一个变电所有多个设备等。CIM系统地定义了每个类的名字、属性和关联，建立了一个公共的数据字典，使得各个应用和系统能够很好地结合在一起。
可简单形成分类的专家系统表如下表所示。
表1专家系统表
(2)二次设备精益化管控模块：通过变电站远动机上送或地调转发的方式，实时采集各类二次设备的遥信；由于利用人工智能技术的分类技术将采集和分析得到的信号告警信息提供相应信息的所属设备、信号名称、信号来源、信号类型、信号含义、关联信号、产生原因和处理原则等支持查询功能，用于监视人员、专业人员、管理人员、运维人员，发现异常信号、判别分析缺陷的真实性、支持运维人员现场核实缺陷和处理缺陷、并将核实处理情况反馈给项目，所以需要与调度一体化系统接口获取现场的实时异常信号，然后项目搭建目标内容的系统模型、设计实现相应的功能模块，最后将系统输出结果采用网页形式提供业务应用。
此时需要用到信息的处理和分类算法。
分类可描述如下：输入数据，或称训练集(TrainingSet)，是一条条的数据库记录(Record)组成的。每一条记录包含若干个属性(Attribute)，组成一个特征向量。训练集的每条记录还有一个特定的类标签(ClassLabel)与之对应。该类标签是系统的输入，通常是以往的一些经验数据。一个具体样本的形式可为样本向量：(v1，v2，…，vn；c)。在这里vi表示字段值，c表示类别。分类的目的是：分析输入数据，通过在训练集中的数据表现出来的特性，为每一个类找到一种准确的描述或者模型。这种描述常常用谓词表示。由此生成的类描述用来对未来的测试数据进行分类。尽管这些未来的测试数据的类标签是未知的，仍可以由此预测这些新数据所属的类。注意是预测，而不能肯定，因为分类的准确率不能达到百分之百。也可以由此对数据中的每一个类有更好的理解。也就是说：我们获得了对这个类的知识。
决策树(Decision Tree)是一种有向无环图(Directed Acyclic Graphics,DAG)。决策树方法是利用信息论中的信息增益寻找数据库中具有最大信息量的属性字段，建立决策树的一个结点，在根据该属性字段的不同取值建立树的分支，在每个子分支子集中重复建立树的下层结点和分支的一个过程。构造决策树的具体过程为：首先寻找初始分裂，整个训练集作为产生决策树的集合，训练集每个记录必须是已经分好类的，以决定哪个属性域(Field)作为目前最好的分类指标。一般的做法是穷尽所有的属性域，对每个属性域分裂的好坏做出量化，计算出最好的一个分裂。量化的标准是计算每个分裂的多样性(Diversity)指标。其次，重复第一步，直至每个叶节点内的记录都属于同一类且增长到一棵完整的树。
主要的决策树算法有ID3、C4.5(C5.0)、CART、PUBLIC、SLIQ和SPRINT算法等。它们在选择测试属性采用的技术、生成的决策树的结构、剪枝的方法以及时刻，能否处理大数据集等方面都有各自的不同之处。
随机森林由决策树组成，决策树实际上是将空间用超平面进行划分的一种方法，每次分割的时候，都将当前的空间一分为二。
随机深林的优点：比较适合做多分类问题；训练和预测速度快；对训练数据的容错能力，是一种有效地估计缺失数据的一种方法，当数据集中有大比例的数据缺失时仍然可以保持精度不变；能够有效地处理大的数据集；可以处理没有删减的成千上万的变量；能够在分类的过程中可以生成一个泛化误差的内部无偏估计；能够检测到特征之间的相互影响以及重要性程度；不过出现过度拟合；实现简单容易并行化。
故障分类决策阶段的实现步骤：装入随机森林学习阶段的有关数据；输入未知故障样本，由各个决策树分别判别这个未知故障数据所属的类别；采用多数投票法，决定输入未知故障样本的所有故障类型。
随机森林基本上继承决策树的全部优点，只需做很少的数据准备，其他算法往往需要数据归一化。决策树能处理连续变量，还能处理离散变量，当然也能处理多分类问题，多分类问题依然还是二叉树；因为随机森林能计算参数的重要性，因此也可用于对数据的降维，只选取少量几维重要的特征来近似表示原数据。同理，在数据有众多的特征时，也可以用于特征选择，选择关键的特征用于算法中。随机森林还有天生的并行性，可以很好的处理大规模数据，也可以很容易的在分布式环境中使用。最后，在大数据环境下，随着森林中树的增加，最后生成的模型可能过大，因为每颗树都是完全生长，存储了用于决策的全部数据，导致模型可能达到几G甚至几十G。如果用于在线的预测，光把模型加载到内存就需要很长时间，因此比较适合离线处理。
(3)人工智能分析与决策模块：通过分析二次设备的各类异常信号、动作信息，结合专家知识库，实现对二次设备运行态势的实时感知、智能告警和设备健康状态评估，利用人工智能技术给出二次设备的缺陷影响范围和处理原则，为检修提供辅助决策；本发明基于现有二次设备的自检和保护逻辑判断能力，提出对涉及保护动作性能的关键信息筛选的原则和存储策略，方便保护专业人员对信息进行提取和回放。利用大数据分析软件和算法实现保护装置的动态分析及缺陷统计等。与保信系统接口只获取保护自检报告和运行状态等信息，确定这些信息的筛选的原则和存储策略。并利用网络将大数据信息分析系统做出的分析及保护评价结果，自动生成保护动态数据反映的设备缺陷报告，及时推送。
故障诊断专家系统是依据对诊断对象征兆的观察与分析推断故障所在，并给出故障排除方案的专家系统。其学习素材为领域专家求解问题的启发式经验、诊断对象的结构和功能知识、因果知识、原理知识等。因此，机械学习、讲授学习、归纳学习等应是其主要的学习方法。
诊断系统运行时，首先采集用于故障诊断所必须的诊断信息和故障征兆，然后利用诊断知识进行推理。当系统发现诊断对象中存在故障时，要判断该故障是以前曾经发生过的故障还是从未遇到过的故障。若是前者，则可作进一步的诊断，并根据诊断结论对知识库中的知识进行检验，以便做相应的修改；若是后者，当对该故障问题求解成功时，应通过学习机制获取新的知识，并对知识库进行扩充和完善，当对该问题求解失败时，应将该故障问题及求解情况存入问题库，待系统具备了更多的知识后再进行解决。每次知识库更新以后，系统总要扫描问题库，查看是否可以解决以前尚未解决的某些故障诊断问题。
作为进一步的改进，该系统还包括可安装于智能设备上的移动APP,该APP能提供移动应用功能，通过APP能够查询二次设备的异常信息、缺陷信息和处理措施，有针对性的消缺，提高作业效率。
继电保护、安全稳定控制装置及相关二次设备构成了保障电网安全稳定运行的第一、二道防线，其能否可靠动作对于保障系统的安全稳定运行至关重要。二次设备良好的运行状态是保证其可靠动作的必要条件，对二次设备异常问题快速定位并及时处理和远端便捷维护一直是二次设备管理中的重要内容。本发明的实施可以推动二次设备运维的管理工作，提高二次设备运维水平，有效降低由于二次设备不及时维护或不正确维护引起电网事故扩大的几率，提高电力系统运行的安全稳定性，提高电力系统的供电可靠性。系统的建立可以提高系统调度人员和运行人员对电力系统运行状态判断的准确性，减少人为干预，提高效率。实施将有效提高二次设备的运行维护水平，提高二次设备和电力系统的安全性和可靠性，对保障整个电网的安全稳定运行具有重要作用，能够产生巨大的社会效益和经济效益。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (3)
1.基于人工智能的二次设备精益化管控方法，其特征在于：包括以下步骤：
步骤一：基于人工智能的二次设备信号专家知识库建模；
步骤二：以自动获取调控一体化系统的异常信号作为数据源，通过步骤一建立的信号专家知识库，实时能获取该异常信号准确的含义、产生原因、关联其它信号、处理措施；
步骤三：综合采样的其它信息，使用人工智能技术，分析设备是否存在缺陷、缺陷历次发生的情况、按本次缺陷最有可能缺陷产生的原因及处理措施进行排序；
步骤四：向现场工作人员上传或下载当前需要核实的异常信号记录，现场人员核实或消缺的情况自动生成记录，通过上传或下载返回给主站系统，作为历史存储和今后发生类似异常信号的训练样本，达到异常信号闭环管控的目的；
步骤五：创建基于搜索引擎技术的资料查询系统，便于监控人员、专业人员、设备管理人员在实际的工作中随时查询、阅读资料信息。
2.根据权利要求1所述的基于人工智能的二次设备精益化管控方法，其特征在于：所述步骤一中，根据二次设备信号专家知识库的建模与管理技术，建立涵盖各个专业的二次设备告警知识库，包括告警信号名称、信号来源、信号含义、告警发生原因、关联信号和处置原则等内容，为二次设备智能告警和辅助检修决策提供基础。
3.根据权利要求1所述的基于人工智能的二次设备精益化管控方法，其特征在于：所述步骤三中，还通过分析二次设备的各类告警信号、动作信息，结合专家知识库，实现对二次设备运行态势的实时感知、智能告警、设备健康状态评估，给出二次设备的缺陷影响范围和处理原则，为检修提供辅助决策。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810651579.6A CN108985467A (zh) | 2018-06-22 | 2018-06-22 | 基于人工智能的二次设备精益化管控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810651579.6A CN108985467A (zh) | 2018-06-22 | 2018-06-22 | 基于人工智能的二次设备精益化管控方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108985467A true CN108985467A (zh) | 2018-12-11 |
Family
ID=64538119
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810651579.6A Pending CN108985467A (zh) | 2018-06-22 | 2018-06-22 | 基于人工智能的二次设备精益化管控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108985467A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110276372A (zh) * | 2019-05-08 | 2019-09-24 | 复变时空(武汉)数据科技有限公司 | 基于云平台的燃料电池发动机故障诊断方法 |
| CN110991184A (zh) * | 2019-12-10 | 2020-04-10 | 国网青海省电力公司 | 一种基于综合字典特性的继电保护定值自适应校核方法 |
| CN111241247A (zh) * | 2020-01-19 | 2020-06-05 | 国网湖南省电力有限公司 | 一种电力系统异常状态历史记录搜索方法、系统及介质 |
| CN112069058A (zh) * | 2020-08-11 | 2020-12-11 | 国网河北省电力有限公司保定供电分公司 | 一种基于专家库和自学习技术的缺陷处置方法 |
| CN112434079A (zh) * | 2020-11-25 | 2021-03-02 | 国网湖北省电力有限公司咸宁供电公司 | 一种基于大数据的二次设备异常判别决策方法及装置 |
| CN112686402A (zh) * | 2020-12-28 | 2021-04-20 | 无锡市工业设备安装有限公司 | 一种日常巡检与智慧运维管理平台结合的方法 |
| CN112803587A (zh) * | 2020-12-30 | 2021-05-14 | 国网河北省电力有限公司 | 一种基于诊断决策库的自动化设备状态智能巡视方法 |
| CN113256051A (zh) * | 2021-03-16 | 2021-08-13 | 贵州电网有限责任公司 | 一种启发式发电机组检修计划的编制处理方法 |
| CN113435652A (zh) * | 2021-07-01 | 2021-09-24 | 贵州电网有限责任公司 | 一种一次设备缺陷诊断与预测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103604622A (zh) * | 2013-11-29 | 2014-02-26 | 北京普拉斯科技发展有限公司 | 一种风电机组在线监测即时报警与故障诊断系统 |
| CN105160483A (zh) * | 2015-09-10 | 2015-12-16 | 国家电网公司 | 一种基于数据挖掘的二次设备故障诊断方法 |
-
2018
- 2018-06-22 CN CN201810651579.6A patent/CN108985467A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103604622A (zh) * | 2013-11-29 | 2014-02-26 | 北京普拉斯科技发展有限公司 | 一种风电机组在线监测即时报警与故障诊断系统 |
| CN105160483A (zh) * | 2015-09-10 | 2015-12-16 | 国家电网公司 | 一种基于数据挖掘的二次设备故障诊断方法 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110276372A (zh) * | 2019-05-08 | 2019-09-24 | 复变时空(武汉)数据科技有限公司 | 基于云平台的燃料电池发动机故障诊断方法 |
| CN110276372B (zh) * | 2019-05-08 | 2022-02-11 | 复变时空(武汉)数据科技有限公司 | 基于云平台的燃料电池发动机故障诊断方法 |
| CN110991184A (zh) * | 2019-12-10 | 2020-04-10 | 国网青海省电力公司 | 一种基于综合字典特性的继电保护定值自适应校核方法 |
| CN110991184B (zh) * | 2019-12-10 | 2023-04-07 | 国网青海省电力公司 | 一种基于综合字典特性的继电保护定值自适应校核方法 |
| CN111241247A (zh) * | 2020-01-19 | 2020-06-05 | 国网湖南省电力有限公司 | 一种电力系统异常状态历史记录搜索方法、系统及介质 |
| CN112069058A (zh) * | 2020-08-11 | 2020-12-11 | 国网河北省电力有限公司保定供电分公司 | 一种基于专家库和自学习技术的缺陷处置方法 |
| CN112434079A (zh) * | 2020-11-25 | 2021-03-02 | 国网湖北省电力有限公司咸宁供电公司 | 一种基于大数据的二次设备异常判别决策方法及装置 |
| CN112686402A (zh) * | 2020-12-28 | 2021-04-20 | 无锡市工业设备安装有限公司 | 一种日常巡检与智慧运维管理平台结合的方法 |
| CN112803587A (zh) * | 2020-12-30 | 2021-05-14 | 国网河北省电力有限公司 | 一种基于诊断决策库的自动化设备状态智能巡视方法 |
| CN113256051A (zh) * | 2021-03-16 | 2021-08-13 | 贵州电网有限责任公司 | 一种启发式发电机组检修计划的编制处理方法 |
| CN113256051B (zh) * | 2021-03-16 | 2023-01-20 | 贵州电网有限责任公司 | 一种启发式发电机组检修计划的编制处理方法 |
| CN113435652A (zh) * | 2021-07-01 | 2021-09-24 | 贵州电网有限责任公司 | 一种一次设备缺陷诊断与预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108985467A (zh) | 基于人工智能的二次设备精益化管控方法 | |
| CN112612902B (zh) | 一种电网主设备的知识图谱构建方法及设备 | |
| WO2021184630A1 (zh) | 基于知识图谱定位排污对象的方法及相关设备 | |
| CN105160038B (zh) | 一种基于审计知识库的数据分析方法及系统 | |
| CN117271767B (zh) | 基于多智能体的运维知识库的建立方法 | |
| CN112860872A (zh) | 基于自学习的配电网操作票语义合规性的校验方法及系统 | |
| CN106067094A (zh) | 一种动态评估方法及系统 | |
| CN117876016B (zh) | 一种分布式市场数据采集管理系统 | |
| CN112859822A (zh) | 基于人工智能的设备健康分析及故障诊断的方法及系统 | |
| CN116894152B (zh) | 一种多源数据调研与实时分析方法 | |
| CN105677791A (zh) | 用于分析风力发电机组的运行数据的方法和系统 | |
| CN117235524A (zh) | 自动估值模型的学习训练平台 | |
| CN116662577B (zh) | 基于知识图谱的大型语言模型训练方法及装置 | |
| Jeong et al. | A systemic approach to exploring an essential patent linking standard and patent maps: Application of generative topographic mapping (GTM) | |
| CN113723737A (zh) | 一种基于企业画像的政策匹配方法、装置、设备及介质 | |
| Si | Construction and application of enterprise internal audit data analysis model based on decision tree algorithm | |
| CN115660464A (zh) | 一种基于大数据与实物id的设备智慧化检修方法及终端 | |
| CN116976318A (zh) | 基于深度学习和模型推理的电网倒闸操作票智能审核系统 | |
| CN113393084B (zh) | 作业票流程管理系统 | |
| Sun | Management Research of Big Data Technology in Financial Decision-Making of Enterprise Cloud Accounting | |
| CN116050139A (zh) | 一种多尺度国土空间规划实施监测方法及系统 | |
| Shi et al. | Knowledge management platforms and intelligent knowledge beyond data mining | |
| CN114881154A (zh) | 一种基于pca和深度森林的天然气场站故障检测方法及系统 | |
| CN113326882A (zh) | 一种基于分类和回归算法的模型集成方法、装置 | |
| CN113377746B (zh) | 一种试验报告数据库构建和智能诊断分析系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181211 |
|
| RJ01 | Rejection of invention patent application after publication |