CN111624931A - 工业园区用电互联网智能运维管控系统及其方法 - Google Patents
工业园区用电互联网智能运维管控系统及其方法 Download PDFInfo
- Publication number
- CN111624931A CN111624931A CN202010561083.7A CN202010561083A CN111624931A CN 111624931 A CN111624931 A CN 111624931A CN 202010561083 A CN202010561083 A CN 202010561083A CN 111624931 A CN111624931 A CN 111624931A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- historical
- space mapping
- unit
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0423—Input/output
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/23—Pc programming
- G05B2219/23051—Remote control, enter program remote, detachable programmer
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明互联网技术领域,具体涉及工业园区用电互联网智能运维管控系统及其方法。所述系统包括:数据采集单元,配置用于采集用于训练的用电历史故障数据;数据预处理单元,配置用于对采集到的用电历史故障数据进行数据预处理;所述数据预处理至少包括:去除数据唯一属性、处理缺失值、异常值检测、数据规约和数据标准化;历史故障数据分析单元,配置用于对历史故障数据进行多空间映射分析,针对每个历史故障数据建立多空间映射标签集合;其基于神经网络的预测分析和数据分析,实现了园区用电的智能运维,有效降低运维成本,同时能够预测故障发生,降低了故障发生率。
Description
技术领域
本发明属于互联网技术领域,具体涉及工业园区用电互联网智能运维管控系统及其方法。
背景技术
工业园区是一个国家或区域的政府根据自身经济发展的内在要求,通过行政手段划出一块区域,聚集各种生产要素,在一定空间范围内进行科学整合,提高工业化的集约强度,突出产业特色,优化功能布局,使之成为适应市场竞争和产业升级的现代化产业分工协作生产区。中工招商网资料里显示我国的工业园区包括各种类型的开发区,如国家级经济技术开发区、高新技术产业开发区、保税区、出口加工区以及各类省级工业园区等。
而作为工业园区的重要能源供应之一,电力供应配电室是用户侧配电网中传输、分配电能的主要电气设备场所,是园区配电网系统的重要组成部分,是物业设备设施管理的重中之重。目前大多数能源公司依旧采用传统人工运维方式,运维管理粗放,无法实现配电设备全生命周期管理;频繁的巡检维护增加人工成本,且大多依赖运维人员经验,无法通过“表面现象看本质”。如何能够保证电力系统运行安全的同时,又可以提高物业配电运维管理水平、降低运维成本,成为物业急需解决的痛点之一。因此,利用先进的物联网、云计算、大数据等新兴技术建设合理可靠的配电运维系统,来降低运维成本具有重要的意义。因此,使用智能运维的手段对工业园区用电具有如下的优势:
1.降低人工成本:通过智能运维手段,能够实现配电室365*24全方位、无死角、不间断的集中化监控,实现无人值守,简化冗长的管理流程,降低值班人员劳动负荷;用电采集系统能够大幅减少每个月集中、突击抄表的工作量,提升抄表效率,全面取消专职抄表岗位,提高配电室自动化水平和管理水平;利用移动端app实现集约化管理,对高低压值班、运维人员集中调度,优化裁减,在运维质量提升的条件下,大幅度节约人工成本。
2.降低损耗成本:合理的运行方式对降低电气损耗、优化电费空间至关重要。通过对三相不平衡、谐波、功率因数、变压器负载率、需量等实时监测,以及基于大数据模型的配电室健康状态评价,动态评估配电系统运行状态,挖掘在变压器降损、力调电费与基本电费优化、负载均衡等优化空间,进而持续跟踪和优化运行方式,提升配电运行的经济性。
3.降低运维成本:由于传统运维方式没有运行隐患预警手段,运行缺陷不能及时发现;对于突发的电气故障,缺少专业团队和专业手段支撑,应急响应速度慢,解决问题能力差,加剧设备老化。通过对配电设备全生命周期管理,配电室运维人员可以及时、全面了解配电室的设备运行状态、运行趋势,有针对性的采取预防性维保措施,最大限度延长设备运转周期,有效降低设备检修、维修费用。
发明内容
有鉴于此,本发明的主要目的在于提供工业园区用电互联网智能运维管控系统及其方法,其基于神经网络的预测分析和数据分析,实现了园区用电的智能运维,有效降低运维成本,同时能够预测故障发生,降低了故障发生率。
为达到上述目的,本发明的技术方案是这样实现的:
工业园区用电互联网智能运维管控系统,所述系统包括:数据采集单元,配置用于采集用于训练的用电历史故障数据;数据预处理单元,配置用于对采集到的用电历史故障数据进行数据预处理;所述数据预处理至少包括:去除数据唯一属性、处理缺失值、异常值检测、数据规约和数据标准化;历史故障数据分析单元,配置用于对历史故障数据进行多空间映射分析,针对每个历史故障数据建立多空间映射标签集合;预测模型建立单元,配置用于基于多空间映射标签集合,建立故障预测模型,所述故障预测模型,用于基于当前的用电数据,进行故障预测;第一故障分析建立单元,配置用于基于多空间映射标签集合,在预设误差率0.01的情况下,进行故障判断,得出第一故障分析结果;第二故障分析建立单元,配置用于基于多空间映射标签集合,在预设误差率0.02的情况下,进行故障判断,得出第二故障分析结果;判断单元,配置用于基于第一故障分析结果和第二故障分析结果,以及基于当前的用电数据,得出的当前运行结果,对比当前故障分析结果、第一故障分析结果和当前运行结果,判断得出当前用电是否出现异常。
进一步的,所述数据预处理单元包括:异常处理单元,配置用于去除用电历史故障数据的唯一属性、处理缺失值和异常值检测及处理;数据规约单元,配置用于对用电历史故障数据进行去平均值、计算协方差矩阵、计算协方差矩阵的特征值与特征向量处理,对特征值从大到小排序、保留最大的k个特征向量、将数据转换到k个特征向量构建的新空间中;最后得处理后的新的数据,这些数据之间两两不相干,但保持原有的信息;数据标准化单元,配置用于对历史故障数据进行数据标准化处理,将数据按比例缩放,使之落入设定的区间。
进一步的,所述历史故障数据分析单元包括:空间映射单元,配置用于将每个历史的数据分为t个空间映射,通过如下公式,计算得到每个历史故障数据的聚类中心;距离计算单元,配置用于通过建立的聚类中心,计算每个空间映射标签距离聚类中心的距离;根据计算出的距离,得到该空间映射标签的坐标点;将得到的所有的坐标点组成一个集合,作为多空间映射标签集合。
进一步的,所述第一故障分析建立单元和第二故障分析单元分别均包括:无监督分类模型单元,配置用于建立基于预先建立的多空间映射标签集合的分类模型,以及建立分类模型后,使用该分类模型将待处理的当前用电数据分类为若干个类别;有监督故障分析单元,其包括若干个有监督故障分析子单元,每个有监督行为故障子单元与分类模型中的一个类别一一对应,将对应类别的待处理的当前用电数据进行分析,获得分析结果。
进一步的,所述无监督分类模型单元建立基于预先建立的多空间映射标签集合的分类模型,以及建立分类模型后,使用该分类模型将待处理的当前用电数据分类为若干个类别的方法执行以下步骤:输入历史故障数据训练集,历史故障的类别集合为S={S1,S2,S3,...,Sn},历史故障的属性特征集合为O={O1,O2,O3,...,On};使用如下步骤,计算并保存所有历史故障类别为Sj的概率分布,j=1,2,3,...,n:步骤S1:使用如下公式计算具有特征O的历史故障所属类别Si的概率分布为:其中,p(Sj|Oj)表示某个历史故障类别为Sj具有属性特征O的概率,λ位调整系数,取值范围为:0.3~0.9;步骤S2:通过步骤S1计算得到的概率,使用如下公式,计算每个用户类别具有属性特征O的概率为:λ);其中,y为定义的类别参数,其可以是任何值,但每一个历史故障类别对应的y之间均互不相同;根据计算得到的p(Sj),进行分类,具体执行以下步骤:设定一个阈值,将所有计算得到的p(Sj)两两之间进行差值运算,将计算得到的差值在设定的阈值范围内的两个历史故障贵为同一类别,对应为同一y值。
一种工业园区用电互联网智能运维管控方法,所述方法执行以下步骤:
步骤1:采集用于训练的用电历史故障数据;
步骤2:对采集到的用电历史故障数据进行数据预处理;所述数据预处理至少包括:去除数据唯一属性、处理缺失值、异常值检测、数据规约和数据标准化;
步骤3:对历史故障数据进行多空间映射分析,针对每个历史故障数据建立多空间映射标签集合;
步骤4:基于多空间映射标签集合,建立故障预测模型,所述故障预测模型,用于基于当前的用电数据,进行故障预测;
步骤5:基于多空间映射标签集合,在预设误差率0.01的情况下,进行故障判断,得出第一故障分析结果;
步骤6:基于多空间映射标签集合,在预设误差率0.02的情况下,进行故障判断,得出第二故障分析结果;
步骤7:基于第一故障分析结果和第二故障分析结果,以及基于当前的用电数据,得出的当前运行结果,对比当前故障分析结果、第一故障分析结果和当前运行结果,判断得出当前用电是否出现异常。
进一步的,所述步骤3:对历史故障数据进行多空间映射分析,针对每个历史故障数据建立多空间映射标签集合的方法执行以下步骤:对历史故障数据进行多空间映射分析,针对每个历史故障数据建立多空间映射标签集合的方法执行以下步骤:将每个历史的数据分为t个空间映射,通过如下公式,计算得到每个历史故障数据的聚类中心:
;其中,t为空间映射数量,c为聚类数,N为样本总数,Ut表示第t个空间映射下的隶属度矩阵,Vt表示第t个空间映射下的聚类中心,Xt表示第t个空间映射小的聚类样本,表示第t个空间映射下的第i类的中心点,d为样本的空间映射数,xj,t表示第t个空间映射下的第j个样本点,μij,t表示第t个空间映射下的第j个样本属于第i类的隶属度,m为调整系数,必须满足m<1:根据建立的聚类中心,为聚类中心;通过建立的聚类中心,计算每个空间映射标签距离聚类中心的距离;根据计算出的距离,得到该空间映射标签的坐标点;将得到的所有的坐标点组成一个集合,作为多空间映射标签集合。
进一步的,所述步骤2:对采集到的用电历史故障数据进行数据预处理;所述数据预处理至少包括:去除数据唯一属性、处理缺失值、异常值检测、数据规约和数据标准化的方法执行以下步骤:步骤2.1:去除用电历史故障数据的唯一属性、处理缺失值和异常值检测及处理;步骤2.2:对用电历史故障数据进行去平均值、计算协方差矩阵、计算协方差矩阵的特征值与特征向量处理,对特征值从大到小排序、保留最大的k个特征向量、将数据转换到k个特征向量构建的新空间中;最后得处理后的新的数据,这些数据之间两两不相干,但保持原有的信息;步骤2.3:对历史故障数据进行数据标准化处理,将数据按比例缩放,使之落入设定的区间。
进一步的,所述步骤4:基于多空间映射标签集合,建立故障预测模型,所述故障预测模型,用于基于当前的用电数据,进行故障预测的方法执行以下步骤:步骤4.1:将每个历史的数据分为t个空间映射,计算得到每个历史故障数据的聚类中心;步骤4.2:通过建立的聚类中心,计算每个空间映射标签距离聚类中心的距离;根据计算出的距离,得到该空间映射标签的坐标点;将得到的所有的坐标点组成一个集合,作为多空间映射标签集合。
进一步的,所述第一故障分结果和第二故障分析单元分别均包括:无监督分类模型单元,配置用于建立基于预先建立的多空间映射标签集合的分类模型,以及建立分类模型后,使用该分类模型将待处理的当前用电数据分类为若干个类别;有监督故障分析单元,其包括若干个有监督故障分析子单元,每个有监督行为故障子单元与分类模型中的一个类别一一对应,将对应类别的待处理的当前用电数据进行分析,获得分析结果。
本发明的工业园区用电互联网智能运维管控系统及其方法,具有如下有益效果:本发明基于神经网络的预测分析和数据分析,实现了园区用电的智能运维,有效降低运维成本,同时能够预测故障发生,降低了故障发生率。本发明主要通过以下工程实现上述功能:1.采集用于训练的用电历史故障数据,根据用电历史故障数据可以构建多空间映射标签集合,同时,利用采集到的历史数据也可以根据统计规律,构建时间和失效率曲线,供研究人员分析,在构建的多空间映射标签集合上,可以更加准确的分析得出结论,供后续的故障分析使用;2.对采集到的数据进行数据预处理,该过程可以将采集到的数据进行去噪处理,保证采集到的数据有效性更好,是的后续的故障分析和多空间映射标签集合构建更加准确;3.多空间映射标签集合的建立,建立的聚类中心,计算每个空间映射标签距离聚类中心的距离;根据计算出的距离,得到该空间映射标签的坐标点;将得到的所有的坐标点组成一个集合,作为多空间映射标签集合,该过程可以将数据进行有效分类和整合,便于后续的分析和预测,提升分析和预测的效率和准确率;4.无监督分类模型的建立,基于多空间映射标签集合的建立,将数据进一步的进行分类,使得后续的预测分析和故障分析结果更加准确。
附图说明
图1为本发明实施例提供的工业园区用电互联网智能运维管控系统的系统结构示意图;
图2为本发明实施例提供的工业园区用电互联网智能运维管控方法的方法流程示意图;
图3为本发明实施例提供的工业园区用电互联网智能运维管控系统及方法根据用电历史故障数据得出的时间和失效率曲线示意图;
图4为本发明实施例提供的工业园区用电互联网智能运维管控系统及方法的第一故障分析建立单元和第二故障分析建立单元分析出的误差-时间曲线实验示意图;
图5为本发明实施例提供的工业园区用电互联网智能运维管控系统及方法的第一故障分析建立单元和第二故障分析建立单元分析出的误差-时间曲线分析实验示意图;
图6为本发明实施例提供的业园区用电互联网智能运维管控系统及方法的准确率实验曲线示意图。
具体实施方式
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
实施例1
如图1所示,工业园区用电互联网智能运维管控系统,所述系统包括:数据采集单元,配置用于采集用于训练的用电历史故障数据;数据预处理单元,配置用于对采集到的用电历史故障数据进行数据预处理;所述数据预处理至少包括:去除数据唯一属性、处理缺失值、异常值检测、数据规约和数据标准化;历史故障数据分析单元,配置用于对历史故障数据进行多空间映射分析,针对每个历史故障数据建立多空间映射标签集合;预测模型建立单元,配置用于基于多空间映射标签集合,建立故障预测模型,所述故障预测模型,用于基于当前的用电数据,进行故障预测;第一故障分析建立单元,配置用于基于多空间映射标签集合,在预设误差率0.01的情况下,进行故障判断,得出第一故障分析结果;第二故障分析建立单元,配置用于基于多空间映射标签集合,在预设误差率0.02的情况下,进行故障判断,得出第二故障分析结果;判断单元,配置用于基于第一故障分析结果和第二故障分析结果,以及基于当前的用电数据,得出的当前运行结果,对比当前故障分析结果、第一故障分析结果和当前运行结果,判断得出当前用电是否出现异常。
采用上述技术方案,本发明基于神经网络的预测分析和数据分析,实现了园区用电的智能运维,有效降低运维成本,同时能够预测故障发生,降低了故障发生率。本发明主要通过以下工程实现上述功能:1.采集用于训练的用电历史故障数据,根据用电历史故障数据可以构建多空间映射标签集合,同时,利用采集到的历史数据也可以根据统计规律,构建时间和失效率曲线,供研究人员分析,在构建的多空间映射标签集合上,可以更加准确的分析得出结论,供后续的故障分析使用;2.对采集到的数据进行数据预处理,该过程可以将采集到的数据进行去噪处理,保证采集到的数据有效性更好,是的后续的故障分析和多空间映射标签集合构建更加准确;3.多空间映射标签集合的建立,建立的聚类中心,计算每个空间映射标签距离聚类中心的距离;根据计算出的距离,得到该空间映射标签的坐标点;将得到的所有的坐标点组成一个集合,作为多空间映射标签集合,该过程可以将数据进行有效分类和整合,便于后续的分析和预测,提升分析和预测的效率和准确率;4.无监督分类模型的建立,基于多空间映射标签集合的建立,将数据进一步的进行分类,使得后续的预测分析和故障分析结果更加准确。
实施例2
在上一实施例的基础上,所述数据预处理单元包括:异常处理单元,配置用于去除用电历史故障数据的唯一属性、处理缺失值和异常值检测及处理;数据规约单元,配置用于对用电历史故障数据进行去平均值、计算协方差矩阵、计算协方差矩阵的特征值与特征向量处理,对特征值从大到小排序、保留最大的k个特征向量、将数据转换到k个特征向量构建的新空间中;最后得处理后的新的数据,这些数据之间两两不相干,但保持原有的信息;数据标准化单元,配置用于对历史故障数据进行数据标准化处理,将数据按比例缩放,使之落入设定的区间。
采用上述技术方案,利用标准化后的数据进行数据分析。数据标准化也就是统计数据的指数化。数据标准化处理主要包括数据同趋化处理和无量纲化处理两个方面。数据同趋化处理主要解决不同性质数据问题,对不同性质指标直接加总不能正确反映不同作用力的综合结果,须先考虑改变逆指标数据性质,使所有指标对测评方案的作用力同趋化,再加总才能得出正确结果。数据无量纲化处理主要解决数据的可比性。数据标准化的方法有很多种,常用的有“最小—最大标准化”、“Z-score标准化”和“按小数定标标准化”等。经过上述标准化处理,原始数据均转换为无量纲化指标测评值,即各指标值都处于同一个数量级别上,可以进行综合测评分析。
实施例3
在上一实施例的基础上,所述历史故障数据分析单元包括:空间映射单元,配置用于将每个历史的数据分为t个空间映射,通过如下公式,计算得到每个历史故障数据的聚类中心;距离计算单元,配置用于通过建立的聚类中心,计算每个空间映射标签距离聚类中心的距离;根据计算出的距离,得到该空间映射标签的坐标点;将得到的所有的坐标点组成一个集合,作为多空间映射标签集合。
采用上述技术方案,聚类是将数据分类到不同的类或者簇这样的一个过程,所以同一个簇中的对象有很大的相似性,而不同簇间的对象有很大的相异性。
从统计学的观点看,聚类分析是通过数据建模简化数据的一种方法。传统的统计聚类分析方法包括系统聚类法、分解法、加入法、动态聚类法、有序样品聚类、有重叠聚类和模糊聚类等。采用k-均值、k-中心点等算法的聚类分析工具已被加入到许多著名的统计分析软件包中,如SPSS、SAS等。
从机器学习的角度讲,簇相当于隐藏模式。聚类是搜索簇的无监督学习过程。与分类不同,无监督学习不依赖预先定义的类或带类标记的训练实例,需要由聚类学习算法自动确定标记,而分类学习的实例或数据对象有类别标记。聚类是观察式学习,而不是示例式的学习。
聚类分析是一种探索性的分析,在分类的过程中,人们不必事先给出一个分类的标准,聚类分析能够从样本数据出发,自动进行分类。聚类分析所使用方法的不同,常常会得到不同的结论。不同研究者对于同一组数据进行聚类分析,所得到的聚类数未必一致。
从实际应用的角度看,聚类分析是数据挖掘的主要任务之一。而且聚类能够作为一个独立的工具获得数据的分布状况,观察每一簇数据的特征,集中对特定的聚簇集合作进一步地分析。聚类分析还可以作为其他算法(如分类和定性归纳算法)的预处理步骤。
实施例4
在上一实施例的基础上,所述第一故障分析建立单元和第二故障分析单元分别均包括:无监督分类模型单元,配置用于建立基于预先建立的多空间映射标签集合的分类模型,以及建立分类模型后,使用该分类模型将待处理的当前用电数据分类为若干个类别;有监督故障分析单元,其包括若干个有监督故障分析子单元,每个有监督行为故障子单元与分类模型中的一个类别一一对应,将对应类别的待处理的当前用电数据进行分析,获得分析结果。
采用上述技术方案,常用的无监督学习算法主要有主成分分析方法PCA等,等距映射方法、局部线性嵌入方法、拉普拉斯特征映射方法、黑塞局部线性嵌入方法和局部切空间排列方法等。
从原理上来说PCA等数据降维算法同样适用于深度学习,但是这些数据降维方法复杂度较高,并且其算法的目标太明确,使得抽象后的低维数据中没有次要信息,而这些次要信息可能在更高层看来是区分数据的主要因素。所以现在深度学习中采用的无监督学习方法通常采用较为简单的算法和直观的评价标准。
实施例5
在上一实施例的基础上,所述无监督分类模型单元建立基于预先建立的多空间映射标签集合的分类模型,以及建立分类模型后,使用该分类模型将待处理的当前用电数据分类为若干个类别的方法执行以下步骤:输入历史故障数据训练集,历史故障的类别集合为S={S1,S2,S3,...,Sn},历史故障的属性特征集合为O={O1,O2,O3,...,On};使用如下步骤,计算并保存所有历史故障类别为Sj的概率分布,j=1,2,3,...,n:步骤S1:使用如下公式计算具有特征O的历史故障所属类别Si的概率分布为:其中,p(Sj|Oj)表示某个历史故障类别为Sj具有属性特征O的概率,λ位调整系数,取值范围为:0.3~0.9;步骤S2:通过步骤S1计算得到的概率,使用如下公式,计算每个用户类别具有属性特征O的概率为: 其中,y为定义的类别参数,其可以是任何值,但每一个历史故障类别对应的y之间均互不相同;根据计算得到的p(Sj),进行分类,具体执行以下步骤:设定一个阈值,将所有计算得到的p(Sj)两两之间进行差值运算,将计算得到的差值在设定的阈值范围内的两个历史故障贵为同一类别,对应为同一y值。
采用上述技术方案,无监督分类模型的建立,基于多空间映射标签集合的建立,将数据进一步的进行分类,使得后续的预测分析和故障分析结果更加准确
实施例6
如图2所示,一种工业园区用电互联网智能运维管控方法,所述方法执行以下步骤:
步骤1:采集用于训练的用电历史故障数据;
步骤2:对采集到的用电历史故障数据进行数据预处理;所述数据预处理至少包括:去除数据唯一属性、处理缺失值、异常值检测、数据规约和数据标准化;
步骤3:对历史故障数据进行多空间映射分析,针对每个历史故障数据建立多空间映射标签集合;
步骤4:基于多空间映射标签集合,建立故障预测模型,所述故障预测模型,用于基于当前的用电数据,进行故障预测;
步骤5:基于多空间映射标签集合,在预设误差率0.01的情况下,进行故障判断,得出第一故障分析结果;
步骤6:基于多空间映射标签集合,在预设误差率0.02的情况下,进行故障判断,得出第二故障分析结果;
步骤7:基于第一故障分析结果和第二故障分析结果,以及基于当前的用电数据,得出的当前运行结果,对比当前故障分析结果、第一故障分析结果和当前运行结果,判断得出当前用电是否出现异常。
采用上述技术方案,1.采集用于训练的用电历史故障数据,根据用电历史故障数据可以构建多空间映射标签集合,同时,利用采集到的历史数据也可以根据统计规律,构建时间和失效率曲线,供研究人员分析,在构建的多空间映射标签集合上,可以更加准确的分析得出结论,供后续的故障分析使用;2.对采集到的数据进行数据预处理,该过程可以将采集到的数据进行去噪处理,保证采集到的数据有效性更好,是的后续的故障分析和多空间映射标签集合构建更加准确;3.多空间映射标签集合的建立,建立的聚类中心,计算每个空间映射标签距离聚类中心的距离;根据计算出的距离,得到该空间映射标签的坐标点;将得到的所有的坐标点组成一个集合,作为多空间映射标签集合,该过程可以将数据进行有效分类和整合,便于后续的分析和预测,提升分析和预测的效率和准确率;4.无监督分类模型的建立,基于多空间映射标签集合的建立,将数据进一步的进行分类,使得后续的预测分析和故障分析结果更加准确。
实施例7
参考图3,在上一实施例的基础上,所述步骤3:对历史故障数据进行多空间映射分析,针对每个历史故障数据建立多空间映射标签集合的方法执行以下步骤:对历史故障数据进行多空间映射分析,针对每个历史故障数据建立多空间映射标签集合的方法执行以下步骤:将每个历史的数据分为t个空间映射,通过如下公式,计算得到每个历史故障数据的聚类中心:
;其中,t为空间映射数量,c为聚类数,N为样本总数,Ut表示第t个空间映射下的隶属度矩阵,Vt表示第t个空间映射下的聚类中心,Xt表示第t个空间映射小的聚类样本,表示第t个空间映射下的第i类的中心点,d为样本的空间映射数,xj,t表示第t个空间映射下的第j个样本点,μij,t表示第t个空间映射下的第j个样本属于第i类的隶属度,m为调整系数,必须满足m<1:根据建立的聚类中心,为聚类中心;通过建立的聚类中心,计算每个空间映射标签距离聚类中心的距离;根据计算出的距离,得到该空间映射标签的坐标点;将得到的所有的坐标点组成一个集合,作为多空间映射标签集合。
实施例8
在上一实施例的基础上,所述步骤2:对采集到的用电历史故障数据进行数据预处理;所述数据预处理至少包括:去除数据唯一属性、处理缺失值、异常值检测、数据规约和数据标准化的方法执行以下步骤:步骤2.1:去除用电历史故障数据的唯一属性、处理缺失值和异常值检测及处理;步骤2.2:对用电历史故障数据进行去平均值、计算协方差矩阵、计算协方差矩阵的特征值与特征向量处理,对特征值从大到小排序、保留最大的k个特征向量、将数据转换到k个特征向量构建的新空间中;最后得处理后的新的数据,这些数据之间两两不相干,但保持原有的信息;步骤2.3:对历史故障数据进行数据标准化处理,将数据按比例缩放,使之落入设定的区间。
参考图6,基于神经网络的预测分析和数据分析,实现了园区用电的智能运维,有效降低运维成本,同时能够预测故障发生,降低了故障发生率。
实施例9
在上一实施例的基础上,所述步骤4:基于多空间映射标签集合,建立故障预测模型,所述故障预测模型,用于基于当前的用电数据,进行故障预测的方法执行以下步骤:步骤4.1:将每个历史的数据分为t个空间映射,计算得到每个历史故障数据的聚类中心;步骤4.2:通过建立的聚类中心,计算每个空间映射标签距离聚类中心的距离;根据计算出的距离,得到该空间映射标签的坐标点;将得到的所有的坐标点组成一个集合,作为多空间映射标签集合。
实施例10
在上一实施例的基础上,所述第一故障分结果和第二故障分析单元分别均包括:无监督分类模型单元,配置用于建立基于预先建立的多空间映射标签集合的分类模型,以及建立分类模型后,使用该分类模型将待处理的当前用电数据分类为若干个类别;有监督故障分析单元,其包括若干个有监督故障分析子单元,每个有监督行为故障子单元与分类模型中的一个类别一一对应,将对应类别的待处理的当前用电数据进行分析,获得分析结果。
参考图4,和图5,采集用于训练的用电历史故障数据,根据用电历史故障数据可以构建多空间映射标签集合,同时,利用采集到的历史数据也可以根据统计规律,构建时间和失效率曲线,供研究人员分析,在构建的多空间映射标签集合上,可以更加准确的分析得出结论,供后续的故障分析使用;对采集到的数据进行数据预处理,该过程可以将采集到的数据进行去噪处理,保证采集到的数据有效性更好,是的后续的故障分析和多空间映射标签集合构建更加准确;多空间映射标签集合的建立,建立的聚类中心,计算每个空间映射标签距离聚类中心的距离;根据计算出的距离,得到该空间映射标签的坐标点;将得到的所有的坐标点组成一个集合,作为多空间映射标签集合,该过程可以将数据进行有效分类和整合,便于后续的分析和预测,提升分析和预测的效率和准确率;无监督分类模型的建立,基于多空间映射标签集合的建立,将数据进一步的进行分类,使得后续的预测分析和故障分析结果更加准确
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例提供的系统,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的存储装置、处理装置的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的模块、方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子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。本领域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发明的范围。
术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨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/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (10)
1.工业园区用电互联网智能运维管控系统,其特征在于,所述系统包括:数据采集单元,配置用于采集用于训练的用电历史故障数据;数据预处理单元,配置用于对采集到的用电历史故障数据进行数据预处理;所述数据预处理至少包括:去除数据唯一属性、处理缺失值、异常值检测、数据规约和数据标准化;历史故障数据分析单元,配置用于对历史故障数据进行多空间映射分析,针对每个历史故障数据建立多空间映射标签集合;预测模型建立单元,配置用于基于多空间映射标签集合,建立故障预测模型,所述故障预测模型,用于基于当前的用电数据,进行故障预测;第一故障分析建立单元,配置用于基于多空间映射标签集合,在预设误差率0.01的情况下,进行故障判断,得出第一故障分析结果;第二故障分析建立单元,配置用于基于多空间映射标签集合,在预设误差率0.02的情况下,进行故障判断,得出第二故障分析结果;判断单元,配置用于基于第一故障分析结果和第二故障分析结果,以及基于当前的用电数据,得出的当前运行结果,对比当前故障分析结果、第一故障分析结果和当前运行结果,判断得出当前用电是否出现异常。
2.如权利要求1所述的系统,其特征在于,所述数据预处理单元包括:异常处理单元,配置用于去除用电历史故障数据的唯一属性、处理缺失值和异常值检测及处理;数据规约单元,配置用于对用电历史故障数据进行去平均值、计算协方差矩阵、计算协方差矩阵的特征值与特征向量处理,对特征值从大到小排序、保留最大的k个特征向量、将数据转换到k个特征向量构建的新空间中;最后得处理后的新的数据,这些数据之间两两不相干,但保持原有的信息;数据标准化单元,配置用于对历史故障数据进行数据标准化处理,将数据按比例缩放,使之落入设定的区间。
3.如权利要求2所述的系统,其特征在于,所述历史故障数据分析单元包括:空间映射单元,配置用于将每个历史的数据分为t个空间映射,通过如下公式,计算得到每个历史故障数据的聚类中心;距离计算单元,配置用于通过建立的聚类中心,计算每个空间映射标签距离聚类中心的距离;根据计算出的距离,得到该空间映射标签的坐标点;将得到的所有的坐标点组成一个集合,作为多空间映射标签集合。
4.如权利要求3所述的系统,其特征在于,所述第一故障分析建立单元和第二故障分析单元分别均包括:无监督分类模型单元,配置用于建立基于预先建立的多空间映射标签集合的分类模型,以及建立分类模型后,使用该分类模型将待处理的当前用电数据分类为若干个类别;有监督故障分析单元,其包括若干个有监督故障分析子单元,每个有监督行为故障子单元与分类模型中的一个类别一一对应,将对应类别的待处理的当前用电数据进行分析,获得分析结果。
5.如权利要求4所述的系统,其特征在于,所述无监督分类模型单元建立基于预先建立的多空间映射标签集合的分类模型,以及建立分类模型后,使用该分类模型将待处理的当前用电数据分类为若干个类别的方法执行以下步骤:输入历史故障数据训练集,历史故障的类别集合为S={S1,S2,S3,...,Sn},历史故障的属性特征集合为O={O1,O2,O3,...,On};使用如下步骤,计算并保存所有历史故障类别为Sj的概率分布,j=1,2,3,...,n:步骤S1:使用如下公式计算具有特征O的历史故障所属类别Si的概率分布为:其中,p(Sj|Oj)表示某个历史故障类别为Sj具有属性特征O的概率,λ位调整系数,取值范围为:0.3~0.9;步骤S2:通过步骤S1计算得到的概率,使用如下公式,计算每个用户类别具有属性特征O的概率为:其中,y为定义的类别参数,其可以是任何值,但每一个历史故障类别对应的y之间均互不相同;根据计算得到的p(Sj),进行分类,具体执行以下步骤:设定一个阈值,将所有计算得到的p(Sj)两两之间进行差值运算,将计算得到的差值在设定的阈值范围内的两个历史故障贵为同一类别,对应为同一y值。
6.一种基于权利要求1至4之一所述系统的工业园区用电互联网智能运维管控方法,其特征在于,所述方法执行以下步骤:
步骤1:采集用于训练的用电历史故障数据;
步骤2:对采集到的用电历史故障数据进行数据预处理;所述数据预处理至少包括:去除数据唯一属性、处理缺失值、异常值检测、数据规约和数据标准化;
步骤3:对历史故障数据进行多空间映射分析,针对每个历史故障数据建立多空间映射标签集合;
步骤4:基于多空间映射标签集合,建立故障预测模型,所述故障预测模型,用于基于当前的用电数据,进行故障预测;
步骤5:基于多空间映射标签集合,在预设误差率0.01的情况下,进行故障判断,得出第一故障分析结果;
步骤6:基于多空间映射标签集合,在预设误差率0.02的情况下,进行故障判断,得出第二故障分析结果;
步骤7:基于第一故障分析结果和第二故障分析结果,以及基于当前的用电数据,得出的当前运行结果,对比当前故障分析结果、第一故障分析结果和当前运行结果,判断得出当前用电是否出现异常。
7.如权利要求6所述的方法,其特征在于,所述步骤3:对历史故障数据进行多空间映射分析,针对每个历史故障数据建立多空间映射标签集合的方法执行以下步骤:对历史故障数据进行多空间映射分析,针对每个历史故障数据建立多空间映射标签集合的方法执行以下步骤:将每个历史的数据分为t个空间映射,通过如下公式,计算得到每个历史故障数据的聚类中心:
8.如权利要求7所述的系统,其特征在于,所述步骤2:对采集到的用电历史故障数据进行数据预处理;所述数据预处理至少包括:去除数据唯一属性、处理缺失值、异常值检测、数据规约和数据标准化的方法执行以下步骤:步骤2.1:去除用电历史故障数据的唯一属性、处理缺失值和异常值检测及处理;步骤2.2:对用电历史故障数据进行去平均值、计算协方差矩阵、计算协方差矩阵的特征值与特征向量处理,对特征值从大到小排序、保留最大的k个特征向量、将数据转换到k个特征向量构建的新空间中;最后得处理后的新的数据,这些数据之间两两不相干,但保持原有的信息;步骤2.3:对历史故障数据进行数据标准化处理,将数据按比例缩放,使之落入设定的区间。
9.如权利要求2所述的系统,其特征在于,所述步骤4:基于多空间映射标签集合,建立故障预测模型,所述故障预测模型,用于基于当前的用电数据,进行故障预测的方法执行以下步骤:步骤4.1:将每个历史的数据分为t个空间映射,计算得到每个历史故障数据的聚类中心;步骤4.2:通过建立的聚类中心,计算每个空间映射标签距离聚类中心的距离;根据计算出的距离,得到该空间映射标签的坐标点;将得到的所有的坐标点组成一个集合,作为多空间映射标签集合。
10.如权利要求3所述的系统,其特征在于,所述第一故障分结果和第二故障分析单元分别均包括:无监督分类模型单元,配置用于建立基于预先建立的多空间映射标签集合的分类模型,以及建立分类模型后,使用该分类模型将待处理的当前用电数据分类为若干个类别;有监督故障分析单元,其包括若干个有监督故障分析子单元,每个有监督行为故障子单元与分类模型中的一个类别一一对应,将对应类别的待处理的当前用电数据进行分析,获得分析结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010561083.7A CN111624931B (zh) | 2020-06-18 | 2020-06-18 | 工业园区用电互联网智能运维管控系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010561083.7A CN111624931B (zh) | 2020-06-18 | 2020-06-18 | 工业园区用电互联网智能运维管控系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111624931A true CN111624931A (zh) | 2020-09-04 |
CN111624931B CN111624931B (zh) | 2021-05-11 |
Family
ID=72271490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010561083.7A Active CN111624931B (zh) | 2020-06-18 | 2020-06-18 | 工业园区用电互联网智能运维管控系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111624931B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613562A (zh) * | 2020-12-24 | 2021-04-06 | 山东鑫泰洋智能科技有限公司 | 基于多中心云计算的数据分析系统及方法 |
CN112686582A (zh) * | 2021-03-11 | 2021-04-20 | 南方电网数字电网研究院有限公司 | 基于多源异构数据挖掘的综合能源园区的智能运维系统 |
CN112862249A (zh) * | 2021-01-12 | 2021-05-28 | 广州市锐赛科技有限公司 | 一种智能配电设备精益管理方法及其系统 |
CN113395182A (zh) * | 2021-06-21 | 2021-09-14 | 山东八五信息技术有限公司 | 具有故障预测的智能网络设备管理系统及方法 |
CN116383262A (zh) * | 2023-05-31 | 2023-07-04 | 山东英伟电子技术有限公司 | 一种基于电厂sis系统的能耗数据管理平台 |
CN116842330A (zh) * | 2023-08-31 | 2023-10-03 | 庆云县人民医院 | 一种可对比历史记录的保健信息处理方法及装置 |
CN117078232A (zh) * | 2023-10-17 | 2023-11-17 | 山东沪金精工科技股份有限公司 | 一种基于大数据的加工设备故障预防系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030208706A1 (en) * | 2002-05-03 | 2003-11-06 | Roddy Nicholas E. | Method and system for analyzing fault and quantized operational data for automated diagnostics of locomotives |
CN101393543A (zh) * | 2007-09-18 | 2009-03-25 | 西门子公司 | 一种故障分析和诊断的方法及系统 |
CN102809965A (zh) * | 2012-07-30 | 2012-12-05 | 燕山大学 | 一种基于故障频繁模式的液压设备故障预警方法 |
CN104343709A (zh) * | 2013-07-24 | 2015-02-11 | 华北电力大学(保定) | 一种检测风机故障的装置及方法 |
CN106371427A (zh) * | 2016-10-28 | 2017-02-01 | 浙江大学 | 基于层次分析法和模糊融合的工业过程故障分类方法 |
CN108765373A (zh) * | 2018-04-26 | 2018-11-06 | 西安工程大学 | 一种基于集成分类器在线学习的绝缘子异常自动检测方法 |
CN111274290A (zh) * | 2020-01-19 | 2020-06-12 | 温州市中鼎网络科技有限公司 | 一种基于多维数据分析的考试安排系统及方法 |
-
2020
- 2020-06-18 CN CN202010561083.7A patent/CN111624931B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030208706A1 (en) * | 2002-05-03 | 2003-11-06 | Roddy Nicholas E. | Method and system for analyzing fault and quantized operational data for automated diagnostics of locomotives |
CN101393543A (zh) * | 2007-09-18 | 2009-03-25 | 西门子公司 | 一种故障分析和诊断的方法及系统 |
CN102809965A (zh) * | 2012-07-30 | 2012-12-05 | 燕山大学 | 一种基于故障频繁模式的液压设备故障预警方法 |
CN104343709A (zh) * | 2013-07-24 | 2015-02-11 | 华北电力大学(保定) | 一种检测风机故障的装置及方法 |
CN106371427A (zh) * | 2016-10-28 | 2017-02-01 | 浙江大学 | 基于层次分析法和模糊融合的工业过程故障分类方法 |
CN108765373A (zh) * | 2018-04-26 | 2018-11-06 | 西安工程大学 | 一种基于集成分类器在线学习的绝缘子异常自动检测方法 |
CN111274290A (zh) * | 2020-01-19 | 2020-06-12 | 温州市中鼎网络科技有限公司 | 一种基于多维数据分析的考试安排系统及方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613562A (zh) * | 2020-12-24 | 2021-04-06 | 山东鑫泰洋智能科技有限公司 | 基于多中心云计算的数据分析系统及方法 |
CN112613562B (zh) * | 2020-12-24 | 2023-05-12 | 广州禧闻信息技术有限公司 | 基于多中心云计算的数据分析系统及方法 |
CN112862249A (zh) * | 2021-01-12 | 2021-05-28 | 广州市锐赛科技有限公司 | 一种智能配电设备精益管理方法及其系统 |
CN112686582A (zh) * | 2021-03-11 | 2021-04-20 | 南方电网数字电网研究院有限公司 | 基于多源异构数据挖掘的综合能源园区的智能运维系统 |
CN113395182A (zh) * | 2021-06-21 | 2021-09-14 | 山东八五信息技术有限公司 | 具有故障预测的智能网络设备管理系统及方法 |
CN116383262A (zh) * | 2023-05-31 | 2023-07-04 | 山东英伟电子技术有限公司 | 一种基于电厂sis系统的能耗数据管理平台 |
CN116383262B (zh) * | 2023-05-31 | 2023-08-11 | 山东英伟电子技术有限公司 | 一种基于电厂sis系统的能耗数据管理平台 |
CN116842330A (zh) * | 2023-08-31 | 2023-10-03 | 庆云县人民医院 | 一种可对比历史记录的保健信息处理方法及装置 |
CN116842330B (zh) * | 2023-08-31 | 2023-11-24 | 庆云县人民医院 | 一种可对比历史记录的保健信息处理方法及装置 |
CN117078232A (zh) * | 2023-10-17 | 2023-11-17 | 山东沪金精工科技股份有限公司 | 一种基于大数据的加工设备故障预防系统及方法 |
CN117078232B (zh) * | 2023-10-17 | 2024-01-09 | 山东沪金精工科技股份有限公司 | 一种基于大数据的加工设备故障预防系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111624931B (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111624931B (zh) | 工业园区用电互联网智能运维管控系统及其方法 | |
CN110223196B (zh) | 基于典型行业特征库和反窃电样本库的反窃电分析方法 | |
CN107742127B (zh) | 一种改进的防窃电智能预警系统及方法 | |
CN110097297A (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
CN109902953B (zh) | 一种基于自适应粒子群聚类的电力用户分类方法 | |
CN111724278A (zh) | 一种面向电力多元负荷用户的精细分类方法及系统 | |
CN108197817A (zh) | 一种基于大数据的非侵入式负荷暂态监测的方法 | |
CN113570200B (zh) | 一种基于多维信息的电网运行状态监测方法及系统 | |
Huang et al. | A weighted fuzzy C-means clustering method with density peak for anomaly detection in IoT-enabled manufacturing process | |
CN111784093B (zh) | 一种基于电力大数据分析的企业复工辅助判断方法 | |
CN110991555A (zh) | 一种典型行业的用户用电量异常监控方法 | |
CN110866841A (zh) | 基于双聚类法的电力用户行业维度用电模式辨识分析方法及系统 | |
CN112132210A (zh) | 一种基于客户用电行为的窃电概率预警分析方法 | |
CN109034241A (zh) | 基于支持向量机的负荷集群控制方法和系统 | |
CN117559443A (zh) | 尖峰负荷下大工业用户集群有序用电控制方法 | |
CN115905319B (zh) | 一种海量用户电费异常的自动识别方法及系统 | |
CN111861785A (zh) | 一种基于用电特征与离群点检测的专变行业错户识别方法 | |
CN111428780B (zh) | 基于数据驱动的电网异常运行状态识别方法 | |
CN115147242A (zh) | 一种基于数据挖掘的电网数据管理系统 | |
CN114662576A (zh) | 基于有监督分类的非侵入式电瓶车充电检测方法及系统 | |
CN114091904A (zh) | 一种基于人工智能算法的企业迁移园区招商分析方法 | |
CN113723671A (zh) | 一种基于用电情况大数据的数据聚类分析方法 | |
CN112307671A (zh) | 一种自适应不同大型设备仪器状态阈值的方法 | |
Huang et al. | An intelligent operation and maintenance system for power consumption based on deep learning | |
Li | Practice of machine learning algorithm in data mining field |
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 |