CN111754020A - 基于数据分析的智能电厂设备巡检系统及方法 - Google Patents
基于数据分析的智能电厂设备巡检系统及方法 Download PDFInfo
- Publication number
- CN111754020A CN111754020A CN202010407296.4A CN202010407296A CN111754020A CN 111754020 A CN111754020 A CN 111754020A CN 202010407296 A CN202010407296 A CN 202010407296A CN 111754020 A CN111754020 A CN 111754020A
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- inspection
- server
- running state
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 128
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000007405 data analysis Methods 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 85
- 238000012423 maintenance Methods 0.000 claims abstract description 47
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims description 46
- 238000004458 analytical method Methods 0.000 claims description 34
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 238000007726 management method Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 10
- 230000005284 excitation Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000013499 data model Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 26
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000013529 biological neural network Methods 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000003758 nuclear fuel Substances 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/35—Utilities, e.g. electricity, gas or water
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/40—Maintenance of things
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Toxicology (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
Abstract
本发明属于电力设备检修技术领域,具体涉及基于数据分析的智能电厂设备巡检系统及方法。所述系统包括:设备检测端、手持检测终端和服务器;所述设备检测端,获取电力设备的运行状态信息,定时将获取的运行状态信息发送至服务器;所述手持检测终端,提供给巡检人员,接收服务器发布的巡检任务和巡检路线,在进行巡检时,实时反馈巡检过程中的信息至服务器;通过建立完备的电力巡检检修系统,实时获取电力设备的运行状态,能够及时获知电力设备的运行故障信息,使得检修效率更高。
Description
技术领域
本发明属于电力设备检修技术领域,具体涉及基于数据分析的智能电厂设备巡检系统及方法。
背景技术
电力设备(power system)主要包括发电设备和供电设备两大类,发电设备主要是电站锅炉、蒸汽轮机、燃气轮机、水轮机、发电机、变压器等等,供电设备主要是各种电压等级的输电线路、互感器、接触器等等。
电力二次设备构成的是一个系统,不仅仅是装置本身,如交流、直流、控制回路等,由于部分回路还没有监测手段,对设备状态无法进行实时的技术分析判断。因此,就电气二次设备的应用现状而言严格意义上讲大多数保护并不具备状态检修的条件
电力系统中电力设备大多采用的计划检修体制存在着严重缺陷,如临时性维修频繁、维修不足或维修过剩、盲目维修等,这使世界各国每年在设备维修方面耗资巨大。怎样合理安排电力设备的检修,节省检修费用、降低检修成本,同时保证系统有较高的可靠性,对系统运行人员来说是一个重要课题。随着传感技术、微电子、计算机软硬件和数字信号处理技术、人工神经网络、专家系统、模糊集理论等综合智能系统在状态监测及故障诊断中应用,使基于设备状态监测和先进诊断技术的状态检修研究得到发展,成为电力系统中的一个重要研究领域。
发电厂(power plant)又称发电站,是将自然界蕴藏的各种一次能源转换为电能(二次能源)的工厂。19世纪末,随着电力需求的增长,人们开始提出建立电力生产中心的设想。电机制造技术的发展,电能应用范围的扩大,生产对电的需要的迅速增长,发电厂随之应运而生。发电厂有多种发电途径:靠火力发电的称火电厂,靠水力发电的称水电厂,还有些靠太阳能(光伏)和风力与潮汐发电的电厂等。而以核燃料为能源的核电厂已在世界许多国家发挥越来越大的作用。
但电厂系统的运行的稳定与否最终都取决于各种系统设备的可靠性与稳定性,所以在电厂生产过程中需要由运行值班人员定期进行巡检,一旦设备出现可靠性问题,则需要检修人员进行维修,另一方面设备的可靠运行也需要检修人员定期维护以预防设备出现不可靠性问题。由此可见,电厂巡检与维修工作的配合程度很大程度上决定了电厂运行的可靠性,因此一套规范的电厂设备巡检、维修管理系统对电厂安全稳定生产起着至关重要的作用。
现行的电厂设备巡检,往往采用巡检人员进行定期检查,但由于人工检查的局限性,往往存在以下的缺点:
(1)巡检人员对设备进行定期巡检,设备检查状态、设备故障信息以及故障原因分析等信息共享不及时;
(2)巡检人员对设备的巡检工作受个人积极性和经验影响大,易造成错检、漏检等工作失误;
(3)检修人员对设备前阶段的运行状态及故障情况不了解,易造成重复性检修工作,费时费力;
(4)各级管理人员无法实时准确掌握现场设备运行状况,安排、指导工作时容易造成效率不高、安排不当等情况。
发明内容
有鉴于此,本发明的主要目的在于提供基于数据分析的智能电厂设备巡检系统及方法,其通过建立完备的电力巡检检修系统,实时获取电力设备的运行状态,能够及时获知电力设备的运行故障信息,使得检修效率更高;同时,本发明通过对电力设备的历史运行数据的数据分析,可以判断当前电力设备中哪些有较大概率存在故障可能,进行故障预测,进一步提升故障检测的智能化,大幅度减少了电力设备故障的发生。
为达到上述目的,本发明的技术方案是这样实现的:
基于数据分析的智能电厂设备巡检系统,所述系统包括:设备检测端、手持检测终端和服务器;所述设备检测端,获取电力设备的运行状态信息,定时将获取的运行状态信息发送至服务器;所述手持检测终端,提供给巡检人员,接收服务器发布的巡检任务和巡检路线,在进行巡检时,实时反馈巡检过程中的信息至服务器;所述服务器,接收设备检测端获取的实时的运行状态信息,进行存储,完成历史运行状态信息数据库的构建,进行故障预测分析,同时,提供给服务器管理员,向手持检测终端发布电力设备巡检任务、巡检路线,对人工巡检进行综合管理;所述服务器包括:存储单元,用于存储数据信息,所述数据信息至少包括:接收自设备检测端的运行状态信息组成的历史运行状态信息数据库,以及接收自手持检测终端的实时反馈的巡检过程中的信息;数据分析单元,用于根据历史运行状态信息数据库,定时进行故障预测分析,将故障可能性超过设定阈值的设备筛选出来;管理员控制单元,用于提供给服务器管理员,向手持检测终端发布电力设备巡检任务、巡检路线,对人工巡检进行综合管理。
进一步的,所述设备检测端包括:传感器组、数据传输装置和设备标识;所述设备标识为一种可被读取识别的数字标签,巡检人员可通过手持检测终端扫描数字标签,获取设备对应的设备信息,同时,上传设备对应的检修信息;所述数字标签可以是:二维码/射频ID/条形码;所述传感器组获取设备运行时的运行状态数据;所述传感器组至少包括:电压传感器、电流传感器、电弧传感器、温度传感器和湿度传感器;所述数据传输装置将传感器获取的设备运行时的运行状态数据发送至服务器。
进一步的,所述手持检测终端为手机,通过安装APP,扫描设备标识,完成设备读取识别;同时,所述手持终端将巡检过程中的信息实时发送至服务器。
进一步的,所述数据分析单元,根据历史运行状态信息数据库,定时进行故障预测分析,将故障可能性超过设定阈值的设备筛选出来的方法为:对历史运行状态信息数据库中的数据信息进行数据处理,根据数据处理的结果进行数据建模,生成电力设备故障自动评价的数据模型,具体包括:
步骤S1:进行数据预处理,包括:去除唯一属性、处理缺失值和异常值检测及处理;
步骤S2:进行数据规约处理,包括: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、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S3:进行数据标准化处理,将数据按比例缩放,使之落入一个特定的区间;其中,使用如下的转换函数,对数据进行线性变换,使结果落到[0,1]区间,转换函数如下:
步骤S3.4:进行数据建模;
步骤S3.5:进行效果分析,包括:当模型训练结束后,采用如下公式,计算模型生成的电力设备故障率与原有电力设备故障率进行精准度计算,即得到R2得分,得分越高,表示模型精准度越好;
其中y代表模型生成的电力设备故障率(预测值);
nsamples代表进入模型的样本量大小。
进一步的,所述步骤S3.4:进行数据建模的方法执行以下步骤:
步骤S3.4.1:获取用于建模的数据,作为输入变量,用xi表示,其中,i代表该数据中的第i个变量;所述xi至少包括:电力设备运行时的电压值、电流值、电弧值、温度值和湿度值;
步骤S3.4.2:设定一个权重函数,用wi表示,将每个输入变量与相对应的权重函数进行卷积运算,得到第一中间结果;
步骤S3.4.5:计算前向神经网络的训练误差;由于本次训练的输出变量E为“电力设备故障率”,但模型训练后会产生一个预测值为O,故得出误差函数为:
其中m代表输入本次建模样本的数量,i表示第i个变量。
步骤S3.4.6:反向传播更新权重w
为让误差越来越小,提高模型预测的精确度,神经网络会从输出层反向传播数据给输入层,重新调整权重w的值,直到模型误差达到最小后停止训练,完成模型创建。
一种基于数据分析的智能电厂设备巡检方法,所述方法执行以下步骤:
步骤1:设备检测端,获取电力设备的运行状态信息,定时将获取的运行状态信息发送至服务器;
步骤2:所手持检测终端,提供给巡检人员,接收服务器发布的巡检任务和巡检路线,在进行巡检时,实时反馈巡检过程中的信息至服务器;
步骤3:服务器,接收设备检测端获取的实时的运行状态信息,进行存储,完成历史运行状态信息数据库的构建,进行故障预测分析,同时,提供给服务器管理员,向手持检测终端发布电力设备巡检任务、巡检路线,对人工巡检进行综合管理。
进一步的,所述服务器包括:存储单元,用于存储数据信息,所述数据信息至少包括:接收自设备检测端的运行状态信息组成的历史运行状态信息数据库,以及接收自手持检测终端的实时反馈的巡检过程中的信息;数据分析单元,用于根据历史运行状态信息数据库,定时进行故障预测分析,将故障可能性超过设定阈值的设备筛选出来;管理员控制单元,用于提供给服务器管理员,向手持检测终端发布电力设备巡检任务、巡检路线,对人工巡检进行综合管理。
进一步的,所述设备检测端包括:传感器组、数据传输装置和设备标识;所述设备标识为一种可被读取识别的数字标签,巡检人员可通过手持检测终端扫描数字标签,获取设备对应的设备信息,同时,上传设备对应的检修信息;所述数字标签可以是:二维码/射频ID/条形码;所述传感器组获取设备运行时的运行状态数据;所述传感器组至少包括:电压传感器、电流传感器、电弧传感器、温度传感器和湿度传感器;所述数据传输装置将传感器获取的设备运行时的运行状态数据发送至服务器。
进一步的,所述手持检测终端为手机,通过安装APP,扫描设备标识,完成设备读取识别;同时,所述手持终端将巡检过程中的信息实时发送至服务器。
进一步的,所述数据分析单元,根据历史运行状态信息数据库,定时进行故障预测分析,将故障可能性超过设定阈值的设备筛选出来的方法为:对历史运行状态信息数据库中的数据信息进行数据处理,根据数据处理的结果进行数据建模,生成电力设备故障自动评价的数据模型,具体包括:
步骤S1:进行数据预处理,包括:去除唯一属性、处理缺失值和异常值检测及处理;
步骤S2:进行数据规约处理,包括: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、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S3:进行数据标准化处理,将数据按比例缩放,使之落入一个特定的区间;其中,使用如下的转换函数,对数据进行线性变换,使结果落到[0,1]区间,转换函数如下:
步骤S3.4:进行数据建模;
步骤S3.5:进行效果分析,包括:当模型训练结束后,采用如下公式,计算模型生成的电力设备故障率与原有电力设备故障率进行精准度计算,即得到R2得分,得分越高,表示模型精准度越好;
其中y代表模型生成的电力设备故障率(预测值);
nsamples代表进入模型的样本量大小。
本发明的基于数据分析的智能电厂设备巡检系统及方法,具有如下有益效果:本发明的手持检测终端可以是手机,通过手机终端进行登陆,比人手一台手持机的方案更便捷,节约成本的同时工作人员使用更便利;同时,本发明通过扫描二维码进行设备巡检及检修信息上传确保了设备信息的准确性,与传统GPS定位设备等方法相比保证了;有独立的信息传送渠道,比以往设备故障后巡检人员返回通知值长再通知检修人员的方法,更快捷、高效;另外,本发明的系统可以对存放在数据库中的各类历史数据进行分析,与以往运行人员自行制作表格分析的方法相比,更具有准确性、便利性。另外,本发明的服务器定期对电力设备的历史运行数据信息进行分析,在设备出现故障以前,通过分析设备的既往的运行数据,可以对设备进行故障预测分析,大大减少了设备故障的发生。除了能够降低设备故障率以外,还能确保生产效率不会因为设备故障而降低,可以在出现问题前,规避问题的发生。
附图说明
图1为本发明实施例提供的基于数据分析的智能电厂设备巡检系统的系统结构示意图;
图2为本发明实施例提供的基于数据分析的智能电厂设备巡检方法的方法流程示意图;
图3为本发明实施例提供的基于数据分析的智能电厂设备巡检方法的故障排查率实验曲线示意图与现有技术的巡检方法的故障排查率的实验曲线示意图的对比实验效果示意图。
其中,100-设备检测端,200-手持检测终端,300-服务器,1-本发明实验曲线,2-现有技术的实验曲线。
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,基于数据分析的智能电厂设备巡检系统,所述系统包括:设备检测端300、手持检测终端100和服务器200;所述设备检测端300,获取电力设备的运行状态信息,定时将获取的运行状态信息发送至服务器200;所述手持检测终端100,提供给巡检人员,接收服务器200发布的巡检任务和巡检路线,在进行巡检时,实时反馈巡检过程中的信息至服务器200;所述服务器200,接收设备检测端300获取的实时的运行状态信息,进行存储,完成历史运行状态信息数据库的构建,进行故障预测分析,同时,提供给服务器200管理员,向手持检测终端100发布电力设备巡检任务、巡检路线,对人工巡检进行综合管理;所述服务器200包括:存储单元,用于存储数据信息,所述数据信息至少包括:接收自设备检测端300的运行状态信息组成的历史运行状态信息数据库,以及接收自手持检测终端100的实时反馈的巡检过程中的信息;数据分析单元,用于根据历史运行状态信息数据库,定时进行故障预测分析,将故障可能性超过设定阈值的设备筛选出来;管理员控制单元,用于提供给服务器200管理员,向手持检测终端100发布电力设备巡检任务、巡检路线,对人工巡检进行综合管理。
采用上述技术方案,本发明的手持检测终端可以是手机,通过手机终端进行登陆,比人手一台手持机的方案更便捷,节约成本的同时时工作人员使用更便利;同时,本发明通过扫描二维码进行设备巡检及检修信息上传确保了设备信息的准确性,与传统GPS定位设备等方法相比保证了;有独立的信息传送渠道,比以往设备故障后巡检人员返回通知值长再通知检修人员的方法,更快捷、高效;另外,本发明的系统可以对存放在数据库中的各类历史数据进行分析,与以往运行人员自行制作表格分析的方法相比,更具有准确性、便利性。另外,本发明的服务器定期对电力设备的历史运行数据信息进行分析,在设备出现故障以前,通过分析设备的既往的运行数据,可以对设备进行故障预测分析,大大减少了设备故障的发生。除了能够降低设备故障率以外,还能确保生产效率不会因为设备故障而降低,可以在出现问题前,规避问题的发生。
实施例2
在上一实施例的基础上,所述设备检测端300包括:传感器组、数据传输装置和设备标识;所述设备标识为一种可被读取识别的数字标签,巡检人员可通过手持检测终端100扫描数字标签,获取设备对应的设备信息,同时,上传设备对应的检修信息;所述数字标签可以是:二维码/射频ID/条形码;所述传感器组获取设备运行时的运行状态数据;所述传感器组至少包括:电压传感器、电流传感器、电弧传感器、温度传感器和湿度传感器;所述数据传输装置将传感器获取的设备运行时的运行状态数据发送至服务器200。
采用上述技术方案,二维码又称二维条码,常见的二维码为QR Code,QR全称QuickResponse,是一个近几年来移动设备上超流行的一种编码方式,它比传统的Bar Code条形码能存更多的信息,也能表示更多的数据类型。
二维条码/二维码(2-dimensional bar code)是用某种特定的几何图形按一定规律在平面(二维方向上)分布的、黑白相间的、记录数据符号信息的图形;在代码编制上巧妙地利用构成计算机内部逻辑基础的“0”、“1”比特流的概念,使用若干个与二进制相对应的几何形体来表示文字数值信息,通过图象输入设备或光电扫描设备自动识读以实现信息自动处理:它具有条码技术的一些共性:每种码制有其特定的字符集;每个字符占有一定的宽度;具有一定的校验功能等。同时还具有对不同行的信息自动识别功能、及处理图形旋转变化点。
实施例3
在上一实施例的基础上,所述手持检测终端100为手机,通过安装APP,扫描设备标识,完成设备读取识别;同时,所述手持终端将巡检过程中的信息实时发送至服务器200。
实施例4
在上一实施例的基础上,所述数据分析单元,根据历史运行状态信息数据库,定时进行故障预测分析,将故障可能性超过设定阈值的设备筛选出来的方法为:对历史运行状态信息数据库中的数据信息进行数据处理,根据数据处理的结果进行数据建模,生成电力设备故障自动评价的数据模型,具体包括:
步骤S1:进行数据预处理,包括:去除唯一属性、处理缺失值和异常值检测及处理;
步骤S2:进行数据规约处理,包括: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、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S3:进行数据标准化处理,将数据按比例缩放,使之落入一个特定的区间;其中,使用如下的转换函数,对数据进行线性变换,使结果落到[0,1]区间,转换函数如下:
步骤S3.4:进行数据建模;
步骤S3.5:进行效果分析,包括:当模型训练结束后,采用如下公式,计算模型生成的电力设备故障率与原有电力设备故障率进行精准度计算,即得到R2得分,得分越高,表示模型精准度越好;
其中y代表模型生成的电力设备故障率(预测值);
nsamples代表进入模型的样本量大小。
采用上述技术方案,在进行数据建模前,本发明针对历史运行状态数据进行了数据预处理,使得后续的建模结果更加精确。同时在进行建模后,针对数据模型进行效果分析,在故障预测显著低于预期值的情况下,调整模型,保证模型预测的准确性。
实施例5
在上一实施例的基础上,所述步骤S3.4:进行数据建模的方法执行以下步骤:
步骤S3.4.1:获取用于建模的数据,作为输入变量,用xi表示,其中,i代表该数据中的第i个变量;所述xi至少包括:电力设备运行时的电压值、电流值、电弧值、温度值和湿度值;
步骤S3.4.2:设定一个权重函数,用wi表示,将每个输入变量与相对应的权重函数进行卷积运算,得到第一中间结果;
步骤S3.4.5:计算前向神经网络的训练误差;由于本次训练的输出变量E为“电力设备故障率”,但模型训练后会产生一个预测值为O,故得出误差函数为:
其中m代表输入本次建模样本的数量,i表示第i个变量。
步骤S3.4.6:反向传播更新权重w
为让误差越来越小,提高模型预测的精确度,神经网络会从输出层反向传播数据给输入层,重新调整权重w的值,直到模型误差达到最小后停止训练,完成模型创建。
采用上述技术方案,生物神经网络主要是指人脑的神经网络,它是人工神经网络的技术原型。人脑是人类思维的物质基础,思维的功能定位在大脑皮层,后者含有大约10^11个神经元,每个神经元又通过神经突触与大约103个其它神经元相连,形成一个高度复杂高度灵活的动态网络。作为一门学科,生物神经网络主要研究人脑神经网络的结构、功能及其工作机制,意在探索人脑思维和智能活动的规律。
人工神经网络是生物神经网络在某种简化意义下的技术复现,作为一门学科,它的主要任务是根据生物神经网络的原理和实际应用的需要建造实用的人工神经网络模型,设计相应的学习算法,模拟人脑的某种智能活动,然后在技术上实现出来用以解决实际问题。因此,生物神经网络主要研究智能的机理;人工神经网络主要研究智能机理的实现,两者相辅相成。
实施例6
一种基于数据分析的智能电厂设备巡检方法,所述方法执行以下步骤:
步骤1:设备检测端300,获取电力设备的运行状态信息,定时将获取的运行状态信息发送至服务器200;
步骤2:所手持检测终端100,提供给巡检人员,接收服务器200发布的巡检任务和巡检路线,在进行巡检时,实时反馈巡检过程中的信息至服务器200;
步骤3:服务器200,接收设备检测端300获取的实时的运行状态信息,进行存储,完成历史运行状态信息数据库的构建,进行故障预测分析,同时,提供给服务器200管理员,向手持检测终端100发布电力设备巡检任务、巡检路线,对人工巡检进行综合管理。
具体的,对每一台设备建立独立的二维码,巡检人员或检修人员通过手机终端进行识别后上报数据,以保证工作人员及时且有针对性的上报巡检、维修信息;有独立的信息传送渠道,可以在重点设备故障或急需处理的情况下,直接将故障信息发送至对应检修管理人员处,便于检修管理人员及时下发给对应检修人员进行检修或抢修;检修人员可以通过手机终端上报维修信息,巡视或检修后的信息记录并上传到服务器平台中,服务器数据可以随时调取查看。系统可以对存放在数据库中的各类历史数据进行统计、汇总、分析,用各类图表或报表的格式显示某种故障在某段时间内发生的频率和发生对象,供管理人员通过预测分析加强管理和制定应对措施。
同时,检人员在外出巡检时,通过手机登陆APP,下载巡检任务并开始巡检,每巡检至一台设备或定点处,通过扫描设备二维码方式对设备当前状态进行上传,巡检过程中若发现设备故障,则把故障类型等信息发送到数据云端。
集控运行管理人员可以随时对接收到的信息通过系统进行读取,系统自动分析并整理出故障发生的时间、地点、设备类型、发现者等信息,并把这些数据信息自动存入数据库服务器,并同步在公共平台上发布以便检修人员查询。
对于重点设备故障或急需处理的设备故障信息,巡检人员可以选择经由集控运行管理人员许可后直接将故障信息发送至对应检修管理人员处,检修管理人员及时下发给对应检修人员进行检修或抢修。
各台设备或重点巡检点处挂有对应二维码标签,透过全球唯一的二维码,让巡检人员或检修人员通过手机终端进行识别后上报数据,巡检人员可以通过手机终端上报故障信息,检修人员可以通过手机终端上报维修信息,巡视或检修后的信息记录并上传到云端平台中,随时调取查看。
系统还可以对存放在数据库中的各类历史数据进行统计、汇总、分析,用各类图表或报表的格式显示某种故障在某段时间内发生的频率和发生对象,供管理人员通过预测分析加强管理和制定应对措施,达到事前控制的目的,以减少事故发生率,确保安全大生产的顺利进行。
实施例7
在上一实施例的基础上,所述服务器200包括:存储单元,用于存储数据信息,所述数据信息至少包括:接收自设备检测端300的运行状态信息组成的历史运行状态信息数据库,以及接收自手持检测终端100的实时反馈的巡检过程中的信息;数据分析单元,用于根据历史运行状态信息数据库,定时进行故障预测分析,将故障可能性超过设定阈值的设备筛选出来;管理员控制单元,用于提供给服务器200管理员,向手持检测终端100发布电力设备巡检任务、巡检路线,对人工巡检进行综合管理。
实施例8
在上一实施例的基础上,所述设备检测端300包括:传感器组、数据传输装置和设备标识;所述设备标识为一种可被读取识别的数字标签,巡检人员可通过手持检测终端100扫描数字标签,获取设备对应的设备信息,同时,上传设备对应的检修信息;所述数字标签可以是:二维码/射频ID/条形码;所述传感器组获取设备运行时的运行状态数据;所述传感器组至少包括:电压传感器、电流传感器、电弧传感器、温度传感器和湿度传感器;所述数据传输装置将传感器获取的设备运行时的运行状态数据发送至服务器200。
实施例9
在上一实施例的基础上,所述手持检测终端100为手机,通过安装APP,扫描设备标识,完成设备读取识别;同时,所述手持终端将巡检过程中的信息实时发送至服务器200。
实施例10
在上一实施例的基础上,所述数据分析单元,根据历史运行状态信息数据库,定时进行故障预测分析,将故障可能性超过设定阈值的设备筛选出来的方法为:对历史运行状态信息数据库中的数据信息进行数据处理,根据数据处理的结果进行数据建模,生成电力设备故障自动评价的数据模型,具体包括:
步骤S1:进行数据预处理,包括:去除唯一属性、处理缺失值和异常值检测及处理;
步骤S2:进行数据规约处理,包括: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、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S3:进行数据标准化处理,将数据按比例缩放,使之落入一个特定的区间;其中,使用如下的转换函数,对数据进行线性变换,使结果落到[0,1]区间,转换函数如下:
步骤S3.4:进行数据建模;
步骤S3.5:进行效果分析,包括:当模型训练结束后,采用如下公式,计算模型生成的电力设备故障率与原有电力设备故障率进行精准度计算,即得到R2得分,得分越高,表示模型精准度越好;
其中y代表模型生成的电力设备故障率(预测值);
nsamples代表进入模型的样本量大小。
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.基于数据分析的智能电厂设备巡检系统,所述系统包括:设备检测端、手持检测终端和服务器;所述设备检测端,获取电力设备的运行状态信息,定时将获取的运行状态信息发送至服务器;所述手持检测终端,提供给巡检人员,接收服务器发布的巡检任务和巡检路线,在进行巡检时,实时反馈巡检过程中的信息至服务器;其特征在于,所述服务器,接收设备检测端获取的实时的运行状态信息,进行存储,完成历史运行状态信息数据库的构建,进行故障预测分析,同时,提供给服务器管理员,向手持检测终端发布电力设备巡检任务、巡检路线,对人工巡检进行综合管理;所述服务器包括:存储单元,用于存储数据信息,所述数据信息至少包括:接收自设备检测端的运行状态信息组成的历史运行状态信息数据库,以及接收自手持检测终端的实时反馈的巡检过程中的信息;数据分析单元,用于根据历史运行状态信息数据库,定时进行故障预测分析,将故障可能性超过设定阈值的设备筛选出来;管理员控制单元,用于提供给服务器管理员,向手持检测终端发布电力设备巡检任务、巡检路线,对人工巡检进行综合管理。
2.如权利要求1所述的系统,其特征在于,所述设备检测端包括:传感器组、数据传输装置和设备标识;所述设备标识为一种可被读取识别的数字标签,巡检人员可通过手持检测终端扫描数字标签,获取设备对应的设备信息,同时,上传设备对应的检修信息;所述数字标签可以是:二维码/射频ID/条形码;所述传感器组获取设备运行时的运行状态数据;所述传感器组至少包括:电压传感器、电流传感器、电弧传感器、温度传感器和湿度传感器;所述数据传输装置将传感器获取的设备运行时的运行状态数据发送至服务器。
3.如权利要求2所述的系统,其特征在于,所述手持检测终端为手机,通过安装APP,扫描设备标识,完成设备读取识别;同时,所述手持终端将巡检过程中的信息实时发送至服务器。
4.如权利要求3所述的系统,其特征在于,所述数据分析单元,根据历史运行状态信息数据库,定时进行故障预测分析,将故障可能性超过设定阈值的设备筛选出来的方法为:对历史运行状态信息数据库中的数据信息进行数据处理,根据数据处理的结果进行数据建模,生成电力设备故障自动评价的数据模型,具体包括:
步骤S1:进行数据预处理,包括:去除唯一属性、处理缺失值和异常值检测及处理;
步骤S2:进行数据规约处理,包括: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、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S3:进行数据标准化处理,将数据按比例缩放,使之落入一个特定的区间;其中,使用如下的转换函数,对数据进行线性变换,使结果落到[0,1]区间,转换函数如下:
步骤S3.4:进行数据建模;
步骤S3.5:进行效果分析,包括:当模型训练结束后,采用如下公式,计算模型生成的电力设备故障率与原有电力设备故障率进行精准度计算,即得到R2得分,得分越高,表示模型精准度越好;
其中y代表模型生成的电力设备故障率(预测值);
nsamples代表进入模型的样本量大小。
5.如权利要求4所述的系统,其特征在于,所述步骤S3.4:进行数据建模的方法执行以下步骤:
步骤S3.4.1:获取用于建模的数据,作为输入变量,用xi表示,其中,i代表该数据中的第i个变量;所述xi至少包括:电力设备运行时的电压值、电流值、电弧值、温度值和湿度值;
步骤S3.4.2:设定一个权重函数,用wi表示,将每个输入变量与相对应的权重函数进行卷积运算,得到第一中间结果;
步骤S3.4.5:计算前向神经网络的训练误差;由于本次训练的输出变量E为“电力设备故障率”,但模型训练后会产生一个预测值为O,故得出误差函数为:
其中m代表输入本次建模样本的数量,i表示第i个变量。
步骤S3.4.6:反向传播更新权重w
为让误差越来越小,提高模型预测的精确度,神经网络会从输出层反向传播数据给输入层,重新调整权重w的值,直到模型误差达到最小后停止训练,完成模型创建。
6.一种基于权利要求1至5之一所述系统的基于数据分析的智能电厂设备巡检方法,其特征在于,所述方法执行以下步骤:
步骤1:设备检测端,获取电力设备的运行状态信息,定时将获取的运行状态信息发送至服务器;
步骤2:所手持检测终端,提供给巡检人员,接收服务器发布的巡检任务和巡检路线,在进行巡检时,实时反馈巡检过程中的信息至服务器;
步骤3:服务器,接收设备检测端获取的实时的运行状态信息,进行存储,完成历史运行状态信息数据库的构建,进行故障预测分析,同时,提供给服务器管理员,向手持检测终端发布电力设备巡检任务、巡检路线,对人工巡检进行综合管理。
7.如权利要求6所述的方法,其特征在于,所述服务器包括:存储单元,用于存储数据信息,所述数据信息至少包括:接收自设备检测端的运行状态信息组成的历史运行状态信息数据库,以及接收自手持检测终端的实时反馈的巡检过程中的信息;数据分析单元,用于根据历史运行状态信息数据库,定时进行故障预测分析,将故障可能性超过设定阈值的设备筛选出来;管理员控制单元,用于提供给服务器管理员,向手持检测终端发布电力设备巡检任务、巡检路线,对人工巡检进行综合管理。
8.如权利要求7所述的方法,其特征在于,所述设备检测端包括:传感器组、数据传输装置和设备标识;所述设备标识为一种可被读取识别的数字标签,巡检人员可通过手持检测终端扫描数字标签,获取设备对应的设备信息,同时,上传设备对应的检修信息;所述数字标签可以是:二维码/射频ID/条形码;所述传感器组获取设备运行时的运行状态数据;所述传感器组至少包括:电压传感器、电流传感器、电弧传感器、温度传感器和湿度传感器;所述数据传输装置将传感器获取的设备运行时的运行状态数据发送至服务器。
9.如权利要求8所述的方法,其特征在于,所述手持检测终端为手机,通过安装APP,扫描设备标识,完成设备读取识别;同时,所述手持终端将巡检过程中的信息实时发送至服务器。
10.如权利要求9所述的系统,其特征在于,所述数据分析单元,根据历史运行状态信息数据库,定时进行故障预测分析,将故障可能性超过设定阈值的设备筛选出来的方法为:对历史运行状态信息数据库中的数据信息进行数据处理,根据数据处理的结果进行数据建模,生成电力设备故障自动评价的数据模型,具体包括:
步骤S1:进行数据预处理,包括:去除唯一属性、处理缺失值和异常值检测及处理;
步骤S2:进行数据规约处理,包括: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、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S3:进行数据标准化处理,将数据按比例缩放,使之落入一个特定的区间;其中,使用如下的转换函数,对数据进行线性变换,使结果落到[0,1]区间,转换函数如下:
步骤S3.4:进行数据建模;
步骤S3.5:进行效果分析,包括:当模型训练结束后,采用如下公式,计算模型生成的电力设备故障率与原有电力设备故障率进行精准度计算,即得到R2得分,得分越高,表示模型精准度越好;
其中y代表模型生成的电力设备故障率(预测值);
nsampies代表进入模型的样本量大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010407296.4A CN111754020A (zh) | 2020-05-14 | 2020-05-14 | 基于数据分析的智能电厂设备巡检系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010407296.4A CN111754020A (zh) | 2020-05-14 | 2020-05-14 | 基于数据分析的智能电厂设备巡检系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111754020A true CN111754020A (zh) | 2020-10-09 |
Family
ID=72673865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010407296.4A Pending CN111754020A (zh) | 2020-05-14 | 2020-05-14 | 基于数据分析的智能电厂设备巡检系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111754020A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112015169A (zh) * | 2020-10-19 | 2020-12-01 | 金税信息技术服务股份有限公司 | 智能设备箱的设备运行状态监测维护方法、装置和设备 |
CN112562295A (zh) * | 2020-10-27 | 2021-03-26 | 刘瑞宇 | 一种电力设备巡检系统 |
CN112949873A (zh) * | 2021-02-28 | 2021-06-11 | 杭州翔毅科技有限公司 | 一种产业链用人工智能运维方法 |
CN113449966A (zh) * | 2021-06-03 | 2021-09-28 | 湖北北新建材有限公司 | 一种石膏板设备巡检方法及系统 |
CN113537625A (zh) * | 2021-07-30 | 2021-10-22 | 重庆移通学院 | 基于区块链的电力物联网中考虑能耗效率的数据共享方法 |
CN113554777A (zh) * | 2021-06-24 | 2021-10-26 | 国网山东省电力公司济宁市任城区供电公司 | 一种智能化供电设备巡检方法及系统 |
CN115879915A (zh) * | 2023-02-21 | 2023-03-31 | 华能济南黄台发电有限公司 | 一种用于发电厂的跨平台标准化检修方法 |
CN116091034A (zh) * | 2022-12-08 | 2023-05-09 | 新疆升晟股份有限公司 | 一种电炉变压器智能运维方法、系统及设备 |
CN116436159A (zh) * | 2023-03-24 | 2023-07-14 | 江苏泽宇智能电力股份有限公司 | 一种具有辅助监控功能的变电站远程在线巡视系统 |
CN116593939A (zh) * | 2023-05-15 | 2023-08-15 | 厦门星拉科技有限公司 | 一种基于电力物联网的故障预警装置及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331943A (zh) * | 2014-10-29 | 2015-02-04 | 国网辽宁省电力有限公司朝阳供电公司 | 一种电力设备智能巡检管理系统 |
CN105957177A (zh) * | 2015-09-29 | 2016-09-21 | 北京中恒瑞翔能源科技有限公司 | 电气二次标准化巡点检系统及方法 |
CN109284863A (zh) * | 2018-09-04 | 2019-01-29 | 南京理工大学 | 一种基于深度神经网络的电力设备温度预测方法 |
CN109558979A (zh) * | 2018-11-29 | 2019-04-02 | 广东电网有限责任公司 | 电力设备缺陷预测方法及装置 |
CN110689069A (zh) * | 2019-09-25 | 2020-01-14 | 贵州电网有限责任公司 | 一种基于半监督bp网络的变压器故障类型诊断方法 |
-
2020
- 2020-05-14 CN CN202010407296.4A patent/CN111754020A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331943A (zh) * | 2014-10-29 | 2015-02-04 | 国网辽宁省电力有限公司朝阳供电公司 | 一种电力设备智能巡检管理系统 |
CN105957177A (zh) * | 2015-09-29 | 2016-09-21 | 北京中恒瑞翔能源科技有限公司 | 电气二次标准化巡点检系统及方法 |
CN109284863A (zh) * | 2018-09-04 | 2019-01-29 | 南京理工大学 | 一种基于深度神经网络的电力设备温度预测方法 |
CN109558979A (zh) * | 2018-11-29 | 2019-04-02 | 广东电网有限责任公司 | 电力设备缺陷预测方法及装置 |
CN110689069A (zh) * | 2019-09-25 | 2020-01-14 | 贵州电网有限责任公司 | 一种基于半监督bp网络的变压器故障类型诊断方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112015169A (zh) * | 2020-10-19 | 2020-12-01 | 金税信息技术服务股份有限公司 | 智能设备箱的设备运行状态监测维护方法、装置和设备 |
CN112015169B (zh) * | 2020-10-19 | 2021-02-09 | 金税信息技术服务股份有限公司 | 智能设备箱的设备运行状态监测维护方法、装置和设备 |
CN112562295A (zh) * | 2020-10-27 | 2021-03-26 | 刘瑞宇 | 一种电力设备巡检系统 |
CN112949873A (zh) * | 2021-02-28 | 2021-06-11 | 杭州翔毅科技有限公司 | 一种产业链用人工智能运维方法 |
CN113449966A (zh) * | 2021-06-03 | 2021-09-28 | 湖北北新建材有限公司 | 一种石膏板设备巡检方法及系统 |
CN113554777A (zh) * | 2021-06-24 | 2021-10-26 | 国网山东省电力公司济宁市任城区供电公司 | 一种智能化供电设备巡检方法及系统 |
CN113537625A (zh) * | 2021-07-30 | 2021-10-22 | 重庆移通学院 | 基于区块链的电力物联网中考虑能耗效率的数据共享方法 |
CN116091034A (zh) * | 2022-12-08 | 2023-05-09 | 新疆升晟股份有限公司 | 一种电炉变压器智能运维方法、系统及设备 |
CN116091034B (zh) * | 2022-12-08 | 2023-08-29 | 新疆升晟股份有限公司 | 一种电炉变压器智能运维方法、系统及设备 |
CN115879915A (zh) * | 2023-02-21 | 2023-03-31 | 华能济南黄台发电有限公司 | 一种用于发电厂的跨平台标准化检修方法 |
CN115879915B (zh) * | 2023-02-21 | 2023-05-26 | 华能济南黄台发电有限公司 | 一种用于发电厂的跨平台标准化检修方法 |
CN116436159A (zh) * | 2023-03-24 | 2023-07-14 | 江苏泽宇智能电力股份有限公司 | 一种具有辅助监控功能的变电站远程在线巡视系统 |
CN116436159B (zh) * | 2023-03-24 | 2024-05-17 | 江苏泽宇智能电力股份有限公司 | 一种具有辅助监控功能的变电站远程在线巡视系统 |
CN116593939A (zh) * | 2023-05-15 | 2023-08-15 | 厦门星拉科技有限公司 | 一种基于电力物联网的故障预警装置及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111754020A (zh) | 基于数据分析的智能电厂设备巡检系统及方法 | |
CN110320892A (zh) | 基于Lasso回归的污水处理设备故障诊断系统及方法 | |
CN109101906A (zh) | 一种变电站电力设备红外图像异常实时检测方法及装置 | |
CN109492777A (zh) | 一种基于机器学习算法平台的风电机组健康管理方法 | |
CN111985561A (zh) | 一种智能电表的故障诊断方法、系统及电子装置 | |
CN110807550B (zh) | 基于神经网络的配变重过载识别预警方法及终端设备 | |
CN110674189B (zh) | 一种智能变电站二次状态监测与故障定位的方法 | |
CN108320043A (zh) | 一种基于电力大数据的配电网设备状态诊断预测方法 | |
CN109782124B (zh) | 一种基于梯度下降算法的主配用一体化故障定位方法及系统 | |
CN113450065A (zh) | 一种用于风电场的生产运营管理系统及方法 | |
CN113391239B (zh) | 一种基于边缘计算的互感器异常监测方法与系统 | |
CN116307641B (zh) | 一种面向数字化电厂的资源协同调度管理方法及系统 | |
CN112464995A (zh) | 一种基于决策树算法的电网配变故障诊断方法及系统 | |
CN105022373A (zh) | 基于zigbee技术的港口设备维护系统 | |
CN115329812A (zh) | 一种基于人工智能的道路基础设施异常监测方法 | |
CN114021822A (zh) | 一种清洁能源发电功率预测方法和系统 | |
CN110095661A (zh) | 一种配电变压器高压侧缺相故障抢修方法 | |
CN115293383A (zh) | 融合博弈论的变压器风险致因分析方法 | |
CN113988573A (zh) | 基于电力系统巡检无人机的风险判断方法、系统和介质 | |
CN115829145A (zh) | 一种光伏发电量预测系统及方法 | |
CN114037194B (zh) | 基于机器学习的水电厂发电负荷预测系统及方法 | |
CN117390403B (zh) | 一种新能源灯塔发电站的电网故障检测方法及系统 | |
CN114487705A (zh) | 一种电网设备故障定位检测方法 | |
CN113901621A (zh) | 一种基于人工鱼群算法优化的svm的配电网拓扑辨识方法 | |
CN116664095B (zh) | 一种基于深度学习的安保巡检预测方法 |
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 |