CN111784077A - 一种基于边缘侧的电力设备状态的预测方法和装置 - Google Patents
一种基于边缘侧的电力设备状态的预测方法和装置 Download PDFInfo
- Publication number
- CN111784077A CN111784077A CN202010716489.8A CN202010716489A CN111784077A CN 111784077 A CN111784077 A CN 111784077A CN 202010716489 A CN202010716489 A CN 202010716489A CN 111784077 A CN111784077 A CN 111784077A
- Authority
- CN
- China
- Prior art keywords
- parameter
- parameters
- edge side
- side server
- edge
- 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 50
- 238000012545 processing Methods 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 20
- 230000009467 reduction Effects 0.000 claims description 13
- 238000012423 maintenance Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 12
- 230000005540 biological transmission Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- IJGRMHOSHXDMSA-UHFFFAOYSA-N nitrogen Substances N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 6
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 description 4
- 239000001569 carbon dioxide Substances 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- 229910052757 nitrogen Inorganic materials 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种基于边缘侧的电力设备状态的预测方法和装置,该预测方法和装置应用于电站的边缘侧服务器,电站包括边缘侧服务器和多个相邻边缘侧服务器,该预测方法具体为获取边缘侧服务器所辖范围内的多种设备的第一参数;接收每个相邻边缘侧服务器所辖范围内的多种其他设备的第二参数;将第一参数和第二参数输入到基于LSTM网络的预测模型进行运算,得到多种设备中至少一种设备将来时段的运行状态,即预测状态。这样运维人员即可根据该预测状态采取处置措施,以避免电力系统安全事故的发生。
Description
技术领域
本申请涉及电力技术领域,更具体地说,涉及一种基于边缘侧的电力设备状态的预测方法和装置。
背景技术
工业化的持续进行导致了用电需求量的日益增加,维护电力设备的稳定安全运行成为了电网安全生产的重要保障。其中,设备状态预测方法被广泛研究和使用,以尽早发现潜在的设备故障。
而目前采用的云端计算架构由于数据规模的增大,给云端的计算资源、网络传输造成巨大的压力,导致无法及时对电力设备状态进行快速准确的早期预测,运维人员也就无法根据预测状态及时采取处置措施,从而给电网的安全生产造成极大的安全隐患。
发明内容
有鉴于此,本申请提供一种基于边缘侧的电力设备状态的预测方法和装置,用于对电力设备的运行状态进行预测,以避免电力系统安全事故的发生。
为了实现上述目的,现提出的方案如下:
一种基于边缘侧的电力设备状态的预测方法,应用于电站的边缘侧服务器,所述电站包括所述边缘侧服务器和多个相邻边缘侧服务器,所述预测方法包括步骤:
获取所述边缘侧服务器所辖范围内的多种设备的第一参数;
接收每个所述相邻边缘侧服务器所辖范围内的多种其他设备的第二参数;
将所述第一参数和所述第二参数输入到基于LSTM网络的预测模型进行运算,得到所述多种设备中至少一种所述设备的运行状态。
可选的,所述第一参数包括所述多种设备的当前参数和历史数据。
可选的,所述获取所述边缘侧服务器所辖范围内多种设备的第一参数,包括步骤:
采集所述多种设备的运行参数;
基于自编码器对所述运行参数进行降维处理,得到所述当前参数。
可选的,所述获取所述边缘侧服务器所辖范围内多种设备的第一参数,还包括步骤:
基于二次编码器对所述当前参数进行编码处理,得到针对所述相邻边缘侧服务器的第二参数。
可选的,所述接收与所述边缘侧服务器相邻的相邻边缘侧服务器所辖范围内的多种其他设备的第二参数,包括步骤:
基于与二次编码器对应的解码器对接收到的第二参数进行处理,得到原始的第二参数。
可选的,还包括步骤:
采集与所述第一参数对应的第一样本和与所述第二参数对应的第二样本和所述所辖范围内单个或多个设备的状态参数;
将所述第一样本、所述第二样本和所述状态参数输入LSTM网络进行训练,得到所述预测模型。
一种基于边缘侧的电力设备状态的预测装置,应用于电站的边缘侧服务器,所述电站包括所述边缘侧服务器和多个相邻边缘侧服务器,所述预测装置包括:
第一接收模块,用于获取所述边缘侧服务器所辖范围内的多种设备的第一参数;
第二接收模块,用于接收每个所述相邻边缘侧服务器所辖范围内的多种其他设备的第二参数;
预测执行模块,用于将所述第一参数和所述第二参数输入到基于LSTM网络的预测模型进行运算,得到所述多种设备中至少一种所述设备的运行状态。
可选的,所述第一参数包括所述多种设备的当前参数和历史数据。
可选的,所述第一接收模块包括:
参数采集单元,用于采集所述多种设备的运行参数;
第一编码单元,用于基于自编码器对所述运行参数进行降维处理,得到所述当前参数。
可选的,所述第一接收模块还包括:
第二编码单元,用于基于二次编码器对所述当前参数进行编码处理,得到针对所述相邻边缘侧服务器的第二参数。
可选的,所述第二接收模块包括:
解码处理单元,用于基于与二次编码器对应的解码器对接收到的第二参数进行处理,得到原始的第二参数。
可选的,还包括:
样本采集模块,用于采集与所述第一参数对应的第一样本和与所述第二参数对应的第二样本和所述所辖范围内单个或多个设备的状态参数;
模型训练模块,用于将所述第一样本、所述第二样本和所述状态参数输入LSTM网络进行训练,得到所述预测模型。
从上述的技术方案可以看出,本申请公开了一种基于边缘侧的电力设备状态的预测方法和装置,该预测方法和装置应用于电站的边缘侧服务器,电站包括边缘侧服务器和多个相邻边缘侧服务器,该预测方法具体为获取边缘侧服务器所辖范围内的多种设备的第一参数;接收每个相邻边缘侧服务器所辖范围内的多种其他设备的第二参数;将第一参数和第二参数输入到基于LSTM网络的预测模型进行运算,得到多种设备中至少一种设备将来时段的运行状态,即预测状态。这样运维人员即可根据该预测状态采取处置措施,以避免电力系统安全事故的发生。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例的一种基于边缘侧的电力设备状态的预测方法的流程图;
图2为本申请实施例的另一种基于边缘侧的电力设备状态的预测方法的流程图;
图3为本申请实施例的一种基于边缘侧的电力设备状态的预测装置的框图;
图4为本申请实施例的另一种基于边缘侧的电力设备状态的预测装置的框图;
图5为本申请实施例的另一种基于边缘侧的电力设备状态的预测装置的框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
实施例一
图1为本申请实施例的一种基于边缘侧的电力设备状态的预测方法的流程图。
本实施例提供的预测方法应用于电站的边缘侧服务器,可以理解为运行于边缘侧服务器的应用程序或者操作步骤,该电站包括本地边缘侧服务器和多个相邻边缘侧服务器,当然,这里本地边缘侧服务器和相邻边缘侧服务器为一个相对概念,当将一个相邻边缘侧服务器选择为本地边缘侧服务器时,原来的本地边缘侧服务器和其他相邻边缘侧服务器即变为相邻边缘侧服务器。
具体来说,每个边缘侧服务器为用于监测边缘侧节点中各个设备状态的计算机,边缘侧节点是指根据电站、如换流站内部设备成区域分布的特定,将换流站内部的电力设备划分到各个区域,每个区域内所有电力设备的总和则抽象为该边缘侧节点。
例如,特高压换流站内部分为直流场、换流器、交流场、交流滤波器区等多个不同厂区。厂区内部设备共同承担某一生产任务,由现场传感器系统监控。不同厂区间互相关联,如换流器厂区的功率大小直接决定交流滤波器的负载强度。基于此,以生产厂区为单元对换流站内部区域进行划分,划分成不同边缘侧节点,如直流场节点、换流器节点、交流场节点、交流滤波器节点等。
如图1所示,本实施例提供的预测方法包括如下步骤:
S1、获取边缘侧服务器所限范围内的多种设备的第一参数。
对于每个边缘侧节点来说,基于其所需完成的功能,必定布设有多种设备,例如,针对换流站来说,其包括的直流场节点、换流器节点、交流处节点和交流滤波器节点均由多种设备构成。
具体来说,需要针对每种设备利用相应的传感器采集相应设备的第一参数,这里的第一参数包括当前参数和历史数据。当前参数是指经过编码的原始参数,基于此,本申请中通过如下步骤获取当前参数:
首先,采集每种设备的运行参数。例如其中的极1低端YD-A相油位-本体油位、极2低端YD-B相-油中溶解气体-氮气、极1低端YD-A相-油中溶解气体-二氧化碳、极1高端YD-A相-油位-分接开关油位等共80余个设备的状态变量;
然后,按照一定比例设定该边缘侧节点的编码长度,基于该编码长度利用自编码器对上述运行参数进行降维处理,得到本实施例中的当前参数。本实施例中取20%,设定换流器边缘侧节点的编码长度为16。同时设定自编码器内部的层数为5层,从输入端到输出端,利用自编码器内部层数节点数依次为80,40,16,40,80。
这里的历史数据是指当前时刻之前一段时间内、如1个月、2个月……1年等市场内每个一个时间窗口所采集的运行参数。
S2、接收相邻边缘侧服务器的第二参数。
这里相邻边缘侧服务器是指同属该场区内的其他边缘侧服务器,这里的相邻仅是一种相对概念,如果直流场节点的边缘侧服务器为当前边缘侧服务器,那么换流器节点的边缘侧服务器、交流处节点的边缘侧服务器和交流滤波器节点的边缘侧服务器即为相邻边缘侧服务器,同理,从中选以为当前边缘侧服务器后,其他边缘侧服务器均为相邻边缘侧服务器。
这里的第二参数即为相邻服务器通过网络所传输的设备参数,这里的设备参数是指相应相邻边缘侧服务器所辖范围内每种设备在运行时的状态变量,且经过该相邻边缘侧服务器降维处理。该第二参数可以是仅经过降维处理的低维数据,还可以是通过相邻边缘侧服务器再次进行二次编码处理后的压缩数据。这样在传输时可以节省带宽,还可以在网络状态较差时提高传输效率。
当接收到第二参数时所接收的数据为经过二次编码后的压缩数据,本地边缘侧服务器需要针对二次编码进行解码操作,即得到解压缩后的低维数据,即仅经过降维处理后的相邻边缘侧服务器降维处理后的低维数据。
当本地边缘侧服务器作为其他边缘侧服务器的相邻边缘侧服务器时,也将本地产生的第一参数进行二次编码,以便在向其他边缘侧服务器发送数据时节省带宽或者在网络状态较差时起到提高传输效率的效果。
S3、基于预测模型对第一参数和第二参数进行处理,得到运行状态。
即将第一参数和第二参数输入到预先训练的预测模型,预测模型基于该第一参数和第二参数输出该边缘侧节点内一个或多个设备将来的运行状态。运维人员即可根据该运行状态提前采取处置措施。
该预测模型是基于LSTM网络进行训练得到的。
在实际实施时,利用训练好的自编码器和二次自编码器对当前时刻实时数据进行编码信息的提取。首先,预处理当前时刻的设备状态信息,本实施例当中,以换流器边缘侧节点为例,组合极1低端YD-A相.油位.本体油位、极2低端YD-B相.油中溶解气体.氮气、极1低端YD-A相.油中溶解气体.二氧化碳、极1高端YD-A相.油位.分接开关油位等共80余个设备状态变量,按照自编码器训练时的顺序组成输入向量,将其输入自编码器,取出自编码器中间层长度为16的向量信息作为该时刻点的编码信息。
此时评估网络状况,本实施例中采取统计本边缘侧服务器发送数据包到网关得到回应整个过程所耗费的时间作为评价指标,若发现当前网络传输出现延迟高、阻塞等情况,则进一步利用二次编码器处理编码信息,获得二次编码的信息。
获取了编码信息或二次编码信息后,进入编码信息、二次编码信息在边缘侧节点之间共享传输过程。遍历所有边缘侧节点,被遍历到的当前节点为接收节点,其余边缘侧节点为发送节点,发送节点发送本地的编码信息和二次编码信息至接收节点处,接收节点获取完所有的编码信息后,对二次编码信息利用该二次编码所对应的解码器还原成编码信息。某节点接收完所有发送节点的数据后,自身成为发送节点,下一节点成为接收节点,循环直至所有节点都获取了其余节点的编码信息。
从上述技术方案可以看出,本实施例提供了一种基于边缘侧的电力设备状态的预测方法,该预测方法应用于电站的边缘侧服务器,电站包括边缘侧服务器和多个相邻边缘侧服务器,该预测方法具体为获取边缘侧服务器所辖范围内的多种设备的第一参数;接收每个相邻边缘侧服务器所辖范围内的多种其他设备的第二参数;将第一参数和第二参数输入到基于LSTM网络的预测模型进行运算,得到多种设备中至少一种设备将来时段的运行状态,即预测状态。这样运维人员即可根据该预测状态采取处置措施,以避免电力系统安全事故的发生。
另外,本实施例还包括如下步骤,如图2所示。
S4、采集与第一参数、第二参数对应的训练样本。
即该电站的每个边缘侧节点的边缘侧服务器从自身存储的数据获取历史存储的第一参数,即与第一参数对应的第一样本;同时接收其他边缘侧节点的边缘侧服务器历史存储的第二参数,即与第二参数对应的第二样本。训练样本中出包括第一样本和第二样本外,还包括该边缘侧节点内的设备的状态参数,即单个设备或每个设备与上述第一样本、第二样本对应时间的状态,状态为良好、故障等描述性参数。
S5、基于第一样本、第二样本和状态参数对LSTM网络进行训练。
即将第一样本、第二样本和状态参数作为训练样本输入到随机构建的LSTM网络中进行训练,从而得到基于该LSTM网络的该预测模型。
实施例二
图3为本申请实施例的一种基于边缘侧的电力设备状态的预测装置的框图。
本实施例提供的预测装置应用于电站的边缘侧服务器,可以理解为运行于边缘侧服务器的功能模块,该电站包括本地边缘侧服务器和多个相邻边缘侧服务器,当然,这里本地边缘侧服务器和相邻边缘侧服务器为一个相对概念,当将一个相邻边缘侧服务器选择为本地边缘侧服务器时,原来的本地边缘侧服务器和其他相邻边缘侧服务器即变为相邻边缘侧服务器。
具体来说,每个边缘侧服务器为用于监测边缘侧节点中各个设备状态的计算机,边缘侧节点是指根据电站、如换流站内部设备成区域分布的特定,将换流站内部的电力设备划分到各个区域,每个区域内所有电力设备的总和则抽象为该边缘侧节点。
例如,特高压换流站内部分为直流场、换流器、交流场、交流滤波器区等多个不同厂区。厂区内部设备共同承担某一生产任务,由现场传感器系统监控。不同厂区间互相关联,如换流器厂区的功率大小直接决定交流滤波器的负载强度。基于此,以生产厂区为单元对换流站内部区域进行划分,划分成不同边缘侧节点,如直流场节点、换流器节点、交流场节点、交流滤波器节点等。
如图3所示,本实施例提供的预测装置包括第一接收模块10、第二接收模块20和预测执行模块30。
第一接收模块用于获取边缘侧服务器所限范围内的多种设备的第一参数。
对于每个边缘侧节点来说,基于其所需完成的功能,必定布设有多种设备,例如,针对换流站来说,其包括的直流场节点、换流器节点、交流处节点和交流滤波器节点均由多种设备构成。
具体来说,需要针对每种设备利用相应的传感器采集相应设备的第一参数,这里的第一参数包括当前参数和历史数据。当前参数是指经过编码的原始参数,基于此,本申请中的第一接收模块包括参数采集单元11和第一编码单元12,如图4所示。
参数采集单元用于采集每种设备的运行参数。例如其中的极1低端YD-A相油位-本体油位、极2低端YD-B相-油中溶解气体-氮气、极1低端YD-A相-油中溶解气体-二氧化碳、极1高端YD-A相-油位-分接开关油位等共80余个设备的状态变量;
第一编码单元用于按照一定比例设定该边缘侧节点的编码长度,基于该编码长度利用自编码器对上述运行参数进行降维处理,得到本实施例中的当前参数。本实施例中取20%,设定换流器边缘侧节点的编码长度为16。同时设定自编码器内部的层数为5层,从输入端到输出端,利用自编码器内部层数节点数依次为80,40,16,40,80。
这里的历史数据是指当前时刻之前一段时间内、如1个月、2个月……1年等市场内每个一个时间窗口所采集的运行参数。
第二接收模块用于接收相邻边缘侧服务器的第二参数。
这里相邻边缘侧服务器是指同属该场区内的其他边缘侧服务器,这里的相邻仅是一种相对概念,如果直流场节点的边缘侧服务器为当前边缘侧服务器,那么换流器节点的边缘侧服务器、交流处节点的边缘侧服务器和交流滤波器节点的边缘侧服务器即为相邻边缘侧服务器,同理,从中选以为当前边缘侧服务器后,其他边缘侧服务器均为相邻边缘侧服务器。
这里的第二参数即为相邻服务器通过网络所传输的设备参数,这里的设备参数是指相应相邻边缘侧服务器所辖范围内每种设备在运行时的状态变量,且经过该相邻边缘侧服务器降维处理。该第二参数可以是仅经过降维处理的低维数据,还可以是通过相邻边缘侧服务器再次进行二次编码处理后的压缩数据。这样在传输时可以节省带宽,还可以在网络状态较差时提高传输效率。
本模块还包括解码处理单元,该单元用于当接收到第二参数时所接收的数据为经过二次编码后的压缩数据,针对二次编码进行解码操作,即得到解压缩后的低维数据,即仅经过降维处理后的相邻边缘侧服务器降维处理后的低维数据。
另外,第一接收模块还包括第二编码单元13,该单元用于当本地边缘侧服务器作为其他边缘侧服务器的相邻边缘侧服务器时,将本地产生的第一参数进行二次编码,以便在向其他边缘侧服务器发送数据时节省带宽或者在网络状态较差时起到提高传输效率的效果。
预测执行模块用于基于预测模型对第一参数和第二参数进行处理,得到运行状态。
即将第一参数和第二参数输入到预先训练的预测模型,预测模型基于该第一参数和第二参数输出该边缘侧节点内一个或多个设备将来的运行状态。运维人员即可根据该运行状态提前采取处置措施。
该预测模型是基于LSTM网络进行训练得到的。
在实际实施时,利用训练好的自编码器和二次自编码器对当前时刻实时数据进行编码信息的提取。首先,预处理当前时刻的设备状态信息,本实施例当中,以换流器边缘侧节点为例,组合极1低端YD-A相.油位.本体油位、极2低端YD-B相.油中溶解气体.氮气、极1低端YD-A相.油中溶解气体.二氧化碳、极1高端YD-A相.油位.分接开关油位等共80余个设备状态变量,按照自编码器训练时的顺序组成输入向量,将其输入自编码器,取出自编码器中间层长度为16的向量信息作为该时刻点的编码信息。
此时评估网络状况,本实施例中采取统计本边缘侧服务器发送数据包到网关得到回应整个过程所耗费的时间作为评价指标,若发现当前网络传输出现延迟高、阻塞等情况,则进一步利用二次编码器处理编码信息,获得二次编码的信息。
获取了编码信息或二次编码信息后,进入编码信息、二次编码信息在边缘侧节点之间共享传输过程。遍历所有边缘侧节点,被遍历到的当前节点为接收节点,其余边缘侧节点为发送节点,发送节点发送本地的编码信息和二次编码信息至接收节点处,接收节点获取完所有的编码信息后,对二次编码信息利用该二次编码所对应的解码器还原成编码信息。某节点接收完所有发送节点的数据后,自身成为发送节点,下一节点成为接收节点,循环直至所有节点都获取了其余节点的编码信息。
从上述技术方案可以看出,本实施例提供了一种基于边缘侧的电力设备状态的预测装置,该预测装置应用于电站的边缘侧服务器,电站包括边缘侧服务器和多个相邻边缘侧服务器,该预测装置具体用于获取边缘侧服务器所辖范围内的多种设备的第一参数;接收每个相邻边缘侧服务器所辖范围内的多种其他设备的第二参数;将第一参数和第二参数输入到基于LSTM网络的预测模型进行运算,得到多种设备中至少一种设备将来时段的运行状态,即预测状态。这样运维人员即可根据该预测状态采取处置措施,以避免电力系统安全事故的发生。
另外,本实施例还包括样本采集模块40和模型训练模块50,如图5所示。
样本采集模块用于采集与第一参数、第二参数对应的训练样本。
即该电站的每个边缘侧节点的边缘侧服务器从自身存储的数据获取历史存储的第一参数,即与第一参数对应的第一样本;同时接收其他边缘侧节点的边缘侧服务器历史存储的第二参数,即与第二参数对应的第二样本。训练样本中出包括第一样本和第二样本外,还包括该边缘侧节点内的设备的状态参数,即单个设备或每个设备与上述第一样本、第二样本对应时间的状态,状态为良好、故障等描述性参数。
模型训练模块用于基于第一样本、第二样本和状态参数对LSTM网络进行训练。
即将第一样本、第二样本和状态参数作为训练样本输入到随机构建的LSTM网络中进行训练,从而得到基于该LSTM网络的该预测模型。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意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、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的技术方案进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (12)
1.一种基于边缘侧的电力设备状态的预测方法,应用于电站的边缘侧服务器,所述电站包括所述边缘侧服务器和多个相邻边缘侧服务器,其特征在于,所述预测方法包括步骤:
获取所述边缘侧服务器所辖范围内的多种设备的第一参数;
接收每个所述相邻边缘侧服务器所辖范围内的多种其他设备的第二参数;
将所述第一参数和所述第二参数输入到基于LSTM网络的预测模型进行运算,得到所述多种设备中至少一种所述设备的运行状态。
2.如权利要求1所述的预测方法,其特征在于,所述第一参数包括所述多种设备的当前参数和历史数据。
3.如权利要求2所述的预测方法,其特征在于,所述获取所述边缘侧服务器所辖范围内多种设备的第一参数,包括步骤:
采集所述多种设备的运行参数;
基于自编码器对所述运行参数进行降维处理,得到所述当前参数。
4.如权利要求3所述的预测方法,其特征在于,所述获取所述边缘侧服务器所辖范围内多种设备的第一参数,还包括步骤:
基于二次编码器对所述当前参数进行编码处理,得到针对所述相邻边缘侧服务器的第二参数。
5.如权利要求4所述的预测方法,其特征在于,所述接收与所述边缘侧服务器相邻的相邻边缘侧服务器所辖范围内的多种其他设备的第二参数,包括步骤:
基于与二次编码器对应的解码器对接收到的第二参数进行处理,得到原始的第二参数。
6.如权利要求1所述的预测方法,其特征在于,还包括步骤:
采集与所述第一参数对应的第一样本和与所述第二参数对应的第二样本和所述所辖范围内单个或多个设备的状态参数;
将所述第一样本、所述第二样本和所述状态参数输入LSTM网络进行训练,得到所述预测模型。
7.一种基于边缘侧的电力设备状态的预测装置,应用于电站的边缘侧服务器,所述电站包括所述边缘侧服务器和多个相邻边缘侧服务器,其特征在于,所述预测装置包括:
第一接收模块,用于获取所述边缘侧服务器所辖范围内的多种设备的第一参数;
第二接收模块,用于接收每个所述相邻边缘侧服务器所辖范围内的多种其他设备的第二参数;
预测执行模块,用于将所述第一参数和所述第二参数输入到基于LSTM网络的预测模型进行运算,得到所述多种设备中至少一种所述设备的运行状态。
8.如权利要求7所述的预测装置,其特征在于,所述第一参数包括所述多种设备的当前参数和历史数据。
9.如权利要求8所述的预测装置,其特征在于,所述第一接收模块包括:
参数采集单元,用于采集所述多种设备的运行参数;
第一编码单元,用于基于自编码器对所述运行参数进行降维处理,得到所述当前参数。
10.如权利要求9所述的预测装置,其特征在于,所述第一接收模块还包括:
第二编码单元,用于基于二次编码器对所述当前参数进行编码处理,得到针对所述相邻边缘侧服务器的第二参数。
11.如权利要求10所述的预测方法,其特征在于,所述第二接收模块包括:
解码处理单元,用于基于与二次编码器对应的解码器对接收到的第二参数进行处理,得到原始的第二参数。
12.如权利要求7所述的预测装置,其特征在于,还包括:
样本采集模块,用于采集与所述第一参数对应的第一样本和与所述第二参数对应的第二样本和所述所辖范围内单个或多个设备的状态参数;
模型训练模块,用于将所述第一样本、所述第二样本和所述状态参数输入LSTM网络进行训练,得到所述预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010716489.8A CN111784077A (zh) | 2020-07-23 | 2020-07-23 | 一种基于边缘侧的电力设备状态的预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010716489.8A CN111784077A (zh) | 2020-07-23 | 2020-07-23 | 一种基于边缘侧的电力设备状态的预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111784077A true CN111784077A (zh) | 2020-10-16 |
Family
ID=72763225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010716489.8A Pending CN111784077A (zh) | 2020-07-23 | 2020-07-23 | 一种基于边缘侧的电力设备状态的预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784077A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109479121A (zh) * | 2017-03-14 | 2019-03-15 | 深圳中兴力维技术有限公司 | 视频监控系统、客户端和信令交互服务器及控制方法 |
CN109613428A (zh) * | 2018-12-12 | 2019-04-12 | 广州汇数信息科技有限公司 | 一种能像系统及其在电机设备故障检测方法中的应用 |
CN109635958A (zh) * | 2018-12-12 | 2019-04-16 | 成都航天科工大数据研究院有限公司 | 一种基于边缘计算的预测性工业设备维护方法及维护系统 |
CN110677464A (zh) * | 2019-09-09 | 2020-01-10 | 深圳市网心科技有限公司 | 边缘节点设备、内容分发系统、方法、计算机设备及介质 |
CN110719210A (zh) * | 2019-12-05 | 2020-01-21 | 赣江新区智慧物联研究院有限公司 | 一种基于云边协同的工业设备预测性维护方法 |
CN110769055A (zh) * | 2019-10-22 | 2020-02-07 | 北京地平线机器人技术研发有限公司 | 用于实现服务发现的方法、装置、介质以及电子设备 |
CN111024158A (zh) * | 2019-12-23 | 2020-04-17 | 广东工业大学 | 一种结合边缘计算的厨电危险智能监测方法 |
CN111178555A (zh) * | 2019-12-24 | 2020-05-19 | 重庆特斯联智慧科技股份有限公司 | 一种基于边缘计算的社区安防设备报修方法和系统 |
-
2020
- 2020-07-23 CN CN202010716489.8A patent/CN111784077A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109479121A (zh) * | 2017-03-14 | 2019-03-15 | 深圳中兴力维技术有限公司 | 视频监控系统、客户端和信令交互服务器及控制方法 |
CN109613428A (zh) * | 2018-12-12 | 2019-04-12 | 广州汇数信息科技有限公司 | 一种能像系统及其在电机设备故障检测方法中的应用 |
CN109635958A (zh) * | 2018-12-12 | 2019-04-16 | 成都航天科工大数据研究院有限公司 | 一种基于边缘计算的预测性工业设备维护方法及维护系统 |
CN110677464A (zh) * | 2019-09-09 | 2020-01-10 | 深圳市网心科技有限公司 | 边缘节点设备、内容分发系统、方法、计算机设备及介质 |
CN110769055A (zh) * | 2019-10-22 | 2020-02-07 | 北京地平线机器人技术研发有限公司 | 用于实现服务发现的方法、装置、介质以及电子设备 |
CN110719210A (zh) * | 2019-12-05 | 2020-01-21 | 赣江新区智慧物联研究院有限公司 | 一种基于云边协同的工业设备预测性维护方法 |
CN111024158A (zh) * | 2019-12-23 | 2020-04-17 | 广东工业大学 | 一种结合边缘计算的厨电危险智能监测方法 |
CN111178555A (zh) * | 2019-12-24 | 2020-05-19 | 重庆特斯联智慧科技股份有限公司 | 一种基于边缘计算的社区安防设备报修方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368890A (zh) | 故障检测方法及装置、信息物理融合系统 | |
CN109501834B (zh) | 一种道岔转辙机故障预测方法及装置 | |
CN105787606A (zh) | 一种基于超短期负荷预测的电力调度在线趋势预警系统 | |
CN116739829B (zh) | 一种基于大数据的电力数据分析方法、系统及介质 | |
CN113742993B (zh) | 干式变压器寿命损失预测方法、装置、设备及存储介质 | |
CN111383128A (zh) | 一种用于监测电网嵌入式终端设备运行状态的方法及系统 | |
CN114062872A (zh) | 电气设备的状态监测方法、装置、系统及存储介质 | |
CN115395643A (zh) | 基于全数据采集和状态感知的低压配电网故障预警定位装置及系统 | |
CN115081597A (zh) | 一种基于机器学习的以电核碳方法、系统、设备和介质 | |
CN110927497A (zh) | 一种转辙机故障检测方法及装置 | |
CN104795894A (zh) | 大电网故障信息智能处理系统 | |
CN111784077A (zh) | 一种基于边缘侧的电力设备状态的预测方法和装置 | |
CN111049131B (zh) | 一种地区电网在线故障处置预案生成方法及系统 | |
CN117526998A (zh) | 基于扩频载波通信的供电故障监测方法及系统 | |
CN102946394B (zh) | 数据采集与监控系统中基于振荡波形特征的电网动态过程数据压缩传输与重构方法 | |
CN115495427B (zh) | 一种基于智慧安全管理平台的日志数据存储方法 | |
CN114760341B (zh) | 一种工业互联网设备智能管控远程运维平台及方法 | |
CN112163702B (zh) | 稳定断面负载率的预测方法、装置、电子设备及存储介质 | |
CN111339664A (zh) | 一种基于边缘计算的逐层负荷建模方法和系统 | |
Cai et al. | Performance degradation based reliability prediction method for CTCS on-board equipment | |
CN114362858B (zh) | 基于图卷积的窄带物联网基站负载预测方法、系统和介质 | |
CN111131249A (zh) | 数据的处理方法及装置 | |
CN113592672B (zh) | 基于工业互联网平台的工业管理控制方法、设备及介质 | |
CN116859169B (zh) | 一种非侵入式电力负荷分解方法及系统 | |
CN110232482B (zh) | 基于神经网络的设备管理方法及装置 |
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 |