发明内容
有鉴于此,为解决上述问题,本发明提供一种综合能源设备状态监测方法及装置,技术方案如下:
一种综合能源设备状态监测方法,所述方法包括:
采集综合能源设备在当前时刻的第一状态数据;
将所述第一状态数据输入至已建立的多元状态估计模型,以使所述多元状态估计模型对所述第一状态数据进行预测估计;
获取所述多元状态估计模型所输出的预测状态数据,并根据所述预测状态数据和所述第一状态数据计算所述综合能源设备在当前时刻的故障风险程度。
优选的,所述多元状态估计模型的建立过程,包括:
采集所述综合能源设备在历史时刻的第二状态数据;
确定关键监测变量,并在所述第二状态数据中选取所述关键监测变量对应的关键状态数据;
将所述关键状态数据划分为多个数据区间,并根据每个数据区间的概率分布确定每个数据区间的状态数据量,每个数据区间的概率分布是预设的;
根据每个数据区间的状态数据量构建过程记忆矩阵,所述过程记忆矩阵是构造所述多元状态估计模型的基础。
优选的,所述根据所述预测状态数据和所述第一状态数据计算所述综合能源设备在当前时刻的故障风险程度,包括:
确定当前时刻的滑动时间窗口,并调取位于所述滑动时间窗口内的目标第一状态数据;
确定所述目标第一状态数据的变量系数,所述变量系数能够表征故障灵敏程度;
根据所述预测状态数据、所述目标第一状态数据和所述目标第一状态数据的变量系数,计算所述综合能源设备在当前时刻的故障风险程度。
优选的,所述将所述第一状态数据输入至已建立的多元状态估计模型之前,所述方法还包括:
剔除所述第一状态数据中的异常状态数据。
优选的,所述方法还包括:
将所述第一状态数据上传至服务器。
优选的,所述方法还包括:
将所述综合能源设备在当前时刻的故障风险程度添加至时间-风险程度的二维图形中,并将添加后的二维图形与所述第一状态数据同时上传至所述服务器。
优选的,所述第一正常状态数据中包括冗余状态数据,所述冗余状态数据表征多个传感器对同一监测变量的监测数据;
所述方法还包括:
对所述冗余状态数据进行降维,以获取一维的状态数据。
一种综合能源设备状态监测装置,所述装置包括:
数据采集模块,用于采集综合能源设备在当前时刻的第一状态数据;
预测估计模块,用于将所述第一状态数据输入至已建立的多元状态估计模型,以使所述多元状态估计模型对所述第一状态数据进行预测估计;
风险计算模块,用于获取所述多元状态估计模型所输出的预测状态数据,并根据所述预测状态数据和所述第一状态数据计算所述综合能源设备在当前时刻的故障风险程度。
优选的,所述预测估计模块建立所述多元状态估计模型的过程,包括:
采集所述综合能源设备在历史时刻的第二状态数据;确定关键监测变量,并在所述第二状态数据中选取所述关键监测变量对应的关键状态数据;将所述关键状态数据划分为多个数据区间,并根据每个数据区间的概率分布确定每个数据区间的状态数据量,每个数据区间的概率分布是预设的;根据每个数据区间的状态数据量构建过程记忆矩阵,所述过程记忆矩阵是构造所述多元状态估计模型的基础。
优选的,所述风险计算模块根据所述预测状态数据和所述第一状态数据计算所述综合能源设备在当前时刻的故障风险程度的过程,包括:
确定当前时刻的滑动时间窗口,并调取位于所述滑动时间窗口内的目标第一状态数据;确定所述目标第一状态数据的变量系数,所述变量系数能够表征故障灵敏程度;根据所述预测状态数据、所述目标第一状态数据和所述目标第一状态数据的变量系数,计算所述综合能源设备在当前时刻的故障风险程度。
相较于现有技术,本发明实现的有益效果为:
本发明提供一种综合能源设备状态监测方法及装置,能够利用普遍性的历史状态数据训练建立多元状态估计模型,其为综合能源设备正常状态的非参数模型,将其针对正常的状态数据的输出作为综合状态设备故障风险的衡量标准,由此本发明注重对于设备状态数据所反映出的潜在故障风险进行分析预测,能够提高风险监测能力,减少经济损失。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
以下首先对本发明出现的相关概念进行说明:
综合能源系统:是指一定区域内利用先进的物理信息技术和创新管理模式,整合区域内电能、热能、燃气等多种能源,实现多种异质能源子系统之间的协调规划、优化运行,协同管理、交互响应和互补互济,在满足系统内多元化用能需求的同时,要有效地提升能源利用效率,促进能源可持续发展的新型一体化的能源系统。在综合能源系统进行实时监控过程中,积累了海量的设备数据。
多元状态估计:多元状态估计技术可以对设备正常状态进行学习,然后对新出现状态进行估计,实际状态和估计状态之间的差异隐含异常信息。多元状态估计属于非参数建模方法,可以发现设备异常起点,而且实时性较好。经过不断的完善和发展,目前多元状态估计技术在设备状态监测、设备全寿命周期管理等方面取得了成功的应用。
进一步,对于现有技术方案进行如下分析:
现有技术方案中技术根据故障特征、概率模型、状态分类、状态预测等多种方式对能源设备状态进行监测预警,虽然均能够实现各类能源设备状态的监测目的,但是结合实际应用及监测效果分析,很多技术方法存在数据门槛高、时效性差、算法复杂等不足,下面针对不同方法进行分析对比。具体如下:
1)故障特征法一般通过实验或机理模型建立特征监测指标,在能源设备对象是强非线性或建模精度较差时,难以准确判断设备状态,此外难以捕捉仍在正常变量数值范围内的早期征兆。仅凭实时的状态监测并不能有效保证机组设备的运行安全性。
2)概率模型法根据不同设备状态概率分布进行设备状态判断,过程中需要大量已分类的正常及故障状态数据,但是一方面针对训练数据的故障程度判断需要深入的故障机理研究,更重要的是,往往在实际运行中较高安全要求的能源设备故障数据少之又少,故障数据量及所覆盖故障类型难以支撑模型建立;
3)状态分类法利用正常状态数据分布范围进行设备状态分析,因此克服了上一方法对故障数据的依赖性,但是状态分类法往往算法复杂,并且状态监测判断结果具有一定的随机性,频繁错误预警将会失去状态监测预警意义。
状态预测方法以人工神经网络、时间序列分析等算法为代表,但是各个预测算法均对数据依赖性较高,神经网络的系统计算量较大、实时性差,时间序列分析准确性易受预测步长影响。
需要说明的是,多元状态估计技术也属于一种状态预测方法,但它是一种具有灵活性的非参数建模方法,无需具体确定模型的结构参数,该方法容易发现设备状态异常起点,而且实时性较好,在综合能源设备状态监测领域较为适用。
本发明旨在通过研究综合能源设备状态数据特性,提出基于多元状态估计的综合能源设备状态监测策略,依据综合能源设备状态监测要求深度挖掘综合能源设备初期异常及潜在风险,及时发出设备安全风险预警及运行督导建议,保障综合能源系统安全稳定运行。本发明重点如下:
(1)综合能源系统中存在大量用户设备,本发明在现有技术基础上,更加关注综合能源设备状态参数特性分析,针对综合能源设备参数复杂高维特性,创新性提出使用改进的多元状态估计技术对综合能源设备正常状态进行建模,利用具有普遍性的历史正常状态数据而非难以全面覆盖故障类型的稀少故障数据进行模型训练,从而建立综合能源设备正常状态的非参数模型,其输出将作为综合能源设备状态判断的衡量标准。
(2)与现阶段综合能源系统监测技术不同,本发明采用改进多元状态估计技术配合风险度函数对其状态安全水平进行评估监测,并不主要侧重实时设备状态数据展示,而是更加注重对设备状态数据反映出的潜在故障风险进行分析预测,通过基于概率密度的改进过程记忆矩阵构造方法科学提高全工况空间覆盖率,进而利用安全度函数捕捉设备状态异常,在保证灵敏度的同时降低消除监测预警的随机波动性。
本发明实施例提供一种综合能源设备状态监测方法,该方法的方法流程图如图1所示,包括如下步骤:
S10,采集综合能源设备在当前时刻的第一状态数据。
本发明实施例中,通过综合能源系统的数据终端设备能够分项采集不同综合能源设备的状态数据,该状态数据属于综合能源设备正常状态下的数据。例如,在系统管辖区域内存在多种综合能源系统,包括:微电网系统、太阳能集热系统、暖通空调系统、锅炉系统、热泵系统、光伏系统等;不同系统中的不同能源设备对应多种需要监测的状态数据,以锅炉系统为例,包括:燃烧状态参数、给水状态参数、压力状态参数等。
并且,随着综合能源系统的日趋复杂及规模的扩大,各系统集成产生的数据急剧增加,实时信息的处理量非常巨大,需要处理海量数据信息,分布式能源的大量引入、电动汽车的快速发展、各类能源控制终端的接入,必将会向综合能源系统数据资源池注入更多的数据流。在庞大的时变综合能源运行数据中,如何对数据进行筛选、整理、融合、挖掘,获得实时、高效、高精度的信息,并深入挖掘其内在隐含知识,是综合能源设备状态监测技术的重要研究内容。
对此,本发明实施例还可以进一步对采集的第一状态数据进行分析处理:
1)剔除异常状态数据。
由于很多综合能源设备运行现场的温度高、压力大,测量传感器容易产生临时性故障或误差。此外,在传感器和计算机之间的数据传输过程中,也容易发生通信错误。因此,从分布式数据终端设备或测量传感器中提取的状态数据极有可能存在异常量测数据,因此,需要对监测变量的异常零数据及数据范围外的负数据进行删除,但不宜删除难以排除为正常数据的离群点数据。
该离散点数据即远离序列一般水平的数据,比如大部分状态数据聚集在3-5范围内,但是正常数据范围为1-10,因此对于数值为8的状态数据可能被判定为离散点数据,但难以排除它为正常数据。
2)多测点冗余数据降维。
为获得最精确的测量信号,工程现场会利用多个传感装置对综合能源设备进行参数测量。为降低模型维度,这些冗余信号数据应被处理成低维状态变量。即如果第一正常状态数据中包含冗余状态数据,则对冗余状态数据进行降维,以获取一维的状态数据,该冗余状态数据表征多个传感器对同一监测变量的监测数据。
具体的,本发明实施例对各传感装置的冗余信号采用多测点数据合成处理,每两个传感装置的监测数据之间计算绝对误差,选取绝对误差最小的两个监测数据做平均值操作,使各综合能源设备传感测量信号从多测点数据降到一维合成数据。
3)数据标准化。
部分综合能源设备在正常工况下设备数据难以形成固定参数范围,而直接归一化方法对于动态范围的数据是不适用的,难以确定状态数据的最大值和最小值,因此本发明可以应用Z-score标准化避免变量数据范围的确定。
假设监测变量x的平均值为μ,标准差为σ,则标准化公式为:
其中,xs为标准化结果,x为第一状态数据。
此外,还可以将第一状态数据上传至服务器,服务器中的数据库用于保存各综合能源设备的状态数据,为综合能源系统平台应用提供数据服务,保障综合能源系统的查询检索、管理更新、安全监测等基础功能实现。
由此,本发明能够应用于综合能源管控系统,通过现有用能单位的综合能源设备状态数据进行采集(如水、电、气、暖等),实时监测各综合能源设备,对状态数据进行统计与分析,根据系统分析结果提供设备监测与控制建议,从而科学有效地保障能源安全、设备管理。
S20,将第一状态数据输入至已建立的多元状态估计模型,以使多元状态估计模型对第一状态数据进行预测估计。
本发明依托综合能源系统平台,通过提炼能源设备数据差异化的统计分析需求特性,提出基于多元状态估计的能源设备状态评估策略,采用定量指标反映综合能源系统的能源供应、设备运行异常的风险水平,从而指导综合能源系统的规划、运行等生产实践活动。
基于多元状态估计的能源设备状态评估策略,依托于综合能源系统,其主要包括的技术工作一方面在于建立多元状态估计模型。具体的:
利用收集到的综合能源设备状态数据,先依据特定能源设备监测参数相关性选择建模变量,然后对数据进行预处理,包括上述剔除异常状态数据、多测点冗余数据降维和数据标准化,判别筛选出综合能源设备的状态数据构建动态过程记忆矩阵,再利用改进多元状态估计技术建立覆盖综合能源系统内设备的正常状态模型,即多元状态估计模型。
具体实现过程中,多元状态估计模型的建立过程,包括如下步骤,方法流程图如图2所示:
101,采集综合能源设备在历史时刻的第二状态数据。
102,确定关键监测变量,并在第二状态数据中选取关键监测变量对应的关键状态数据。
本发明实施例中,为实现建模输入变量的筛选,可以根据各综合能源设备机理分析与实际运行参数测点设置,在控制系统参数点目录中选取全面覆盖综合能源系统状态特性的关键监测变量。
在实际状态监测时,需要考虑实际控制运行特性及时空相关性的监测技术要求,选择综合能源系统设备关键监测变量。这里关键监测变量的特征为:具有在可预料的合理范围内变动会显著影响综合能源设备、设施、过程和(或)系统的设备安全、运行稳定、能源效率的特性。
在此,列举部分综合能源设备的关键监测变量:电力系统中变压器负载系数、功率因数等;热力管网中保温结构表面温升、疏水阀监测温度等;空调制冷主机系统COP、冷却塔水温降幅等;水处理系统污水系统补水率、软水系统排污率等。
这些变量将被作为对多元状态估计模型的输入变量,得到的状态模型将对监测参数进行正常状态的预测。
103,将关键状态数据划分为多个数据区间,并根据每个数据区间的概率分布确定每个数据区间的状态数据量,每个数据区间的概率分布是预设的。
本发明实施例中,影响多元状态估计模型性能最为关键的步骤是过程记忆矩阵的构造,过程记忆矩阵能够直接决定多元状态估计模型的预测精度。这就要求过程记忆矩阵应充分覆盖综合能源设备的正常运行状态。
对于a×b矩阵D,每列表示a个综合能源设备的关键监测变量在某一时刻的观测向量,每行表示某个综合能源设备的关键监测变量在b个时刻的观测向量,则多元状态估计模型的过程记忆矩阵可表示为:
其中X(tj)表示tj时刻变量的观测向量:
X(tj)=[x1(tj),x2(tj),…,xa(tj)]T (3)
在传统多元状态估计方法中,在离线构建过程记忆矩阵D时,其中的观测向量采用是等时间间隔采样方法,但这种采样方法仅侧重时间分布上的平均,难以科学覆盖综合能源设备运行工况。
对此,本发明提出改进的过程记忆矩阵构造方法,根据关键监测变量的状态数据概况分布筛选对应训练状态数据。首先,选择关键状态数据中的最大值Lmax和最小值Lmin;然后,将数据区间[Lmin,Lmax]划分为n0个等间隔的数据区间[L1,L2,…,Li,…,Ln0];进一步,获得数据区间Li的概率密度,并通过积分确定关键状态变量在数据区间Li内的概率pi,该概率密度是基于关键监测变量的大量历史状态数据所统计出来的;最后,将概率pi与过程记忆矩阵D中的状态向量数b相乘,即可获得数据区间Li的状态数据量,即状态向量数Ki。
104,根据每个数据区间的状态数据量构建过程记忆矩阵,过程记忆矩阵是构造多元状态估计模型的基础。
本发明实施例中,对于数据区间Li的状态向量数Ki,可以在以往的状态数据筛选出历史状态数据Xi,并将筛选的历史状态数据Xi添加到过程记忆矩阵D中,直到历史状态数据Xi的数量达到状态向量数Ki。
参见图3所示的过程记忆矩阵构造的算法流程图,其中,δ是一个极小数,
是关键变量间隔L
i中的平均值,m
0是历史状态数据的总数,j是筛选的历史状态数据序号,需要遍历完所有历史状态数据。
在多元状态估计模型构造完成后,其预测估计过程如下:
对于观测向量Xo,通过观测状态与历史状态之间相关性得到估计向量Xe,引入权值向量W,计算可得估计向量:
所得估计向量Xe为过程记忆矩阵D中每个向量的线性组合,权值向量W代表当前状态与过程记忆矩阵中所有状态之间的一种相似性度量,W可利用观测向量Xo和估计向量Xe之间的残差向量获得。在残差二范数最小的约束条件下,权值向量W由最小二乘法求得。推导过程如下:
残差平方和为:
将Sr(w)分别对w1,w2,…,wm求偏导,并令其等于0,可得:
即:
改写为矩阵形式:
DT·D·W=DT·Xo (8)
可得权值向量:
W=(DT·D)-1·(DT·Xo) (9)
如果过程记忆矩阵D中向量之间存在相关性,则DT·D不可逆,公式(9)将失去意义。因此采用非线性运算符代替矩阵之间单纯的乘法运算,可以得到:
这里选择通用的欧式距离运作为非线性运算形式:
将公式(10)代入公式(4),IMSET模型的最终估计向量描述如下:
需要说明的是,本发明实施例中出现的“向量”其为状态数据在实际应用中的表现形式,两者所表达的含义并不区别。观测向量即为多元状态估计模型的输入,即第一状态数据,而估计向量则为多元状态估计模型的输出,即为预测状态数据。
S30,获取多元状态估计模型所输出的预测状态数据,并根据预测状态数据和第一状态数据计算综合能源设备在当前时刻的故障风险程度。
本发明实施例中,利用已建立的多元状态估计模型对综合能源设备正常状态数据进行预测估计,并将此正常状态估计状态数据作为状态判断参考,再将预测得到的预测状态数据与之对比情况转换为风险度性能数据,即故障风险程度。
故障风险程度可以展示为时间-风险程度的二维图,与正常状态数据一同上传至服务器,与服务器连接的可视监测装置负责显示图形结果,该可视监测装置用于获取和显示综合能源设备的状态数据和以及状态风险度分析图形。以某设备故障预警状态结果为例说明时间-风险程度的二维图,参见图4,当故障风险程度高于阈值0.7时,该设备应触发状态预警,若预警信号反馈至综合能源系统平台,对运行人员给予检修运维提醒,则会避免后续设备故障停机。
风险度用来描述观测向量与估计向量之间的差异度量,其能够用于计算故障风险程度。在实际工程计算中,通常以向量空间距离中最常用的欧氏距离反映状态差异,其公式为:
其中,dij表示观测向量xi与估计向量xj之间的欧氏距离;m为向量维度;k表示向量内元素序号;xik与xjk分别表示状态向量xi与xj对应的第k个元素。
为提高故障风险评估的准确性,发明实施例中,基于多元状态估计的能源设备状态评估策略,其主要包括的技术工作另一方面在于分析不同状态数据对于综合能源设备状态影响程度,定义风险度函数定量评价设备状态观测向量和估计向量之间的差异,反映综合能源系统的能源供应、设备运行异常的风险水平。
最后通过滑动窗口统计法配合所建立的综合能源设备状态模型捕捉设备异常发展过程,给出各类综合能源设备的异常预警阈值,指导综合能源系统平台监测运行。
具体的,本发明采用滑动窗口的风险度指标作为状态判断评估标准。首先,采用层次分析法确定综合能源设备变量故障灵敏度,所得结果作为风险度函数中相应变量系数。变量故障灵敏度与变量故障信息量及参数传感可靠性相关,而变量故障信息量及参数传感可靠性很难量化,层次分析法能够避免经验赋值法非常容易受到主观因素干扰的缺点,保障状态监测的客观科学性。进一步地,滑动窗口法对动态风险度序列作平滑和滤波处理,得到平滑的风险度序列,使得风险度序列中有效信息被保留,随机误差影响被过滤消除。
用于各综合能源设备变量故障灵敏度计算的层次分析法具体步骤如下:
步骤1.明确影响变量故障灵敏度的分层结构,按照目标层、标准层、方案层进行划分,分析各层次的组成因素;
步骤2.按照故障信息专家经验,比较目标层、标准层、方案层等同一层次上每两元素的优先级,构造定量的比较矩阵;
步骤3.计算出各层次比较矩阵的最大特征值和特征向量,归一化各元素的权重向量并排序;
步骤4.一致性检验,若通过则得到的向量是上层的权重向量;
步骤5.从最高层次到最低层次,依次计算层次内所有因素对于故障灵敏度相对重要性的权值并排序。
将得到的变量故障灵敏度作为对应变量系数ɑk,重新构造风险度函数。为了将直观显示状态风险程度,将风险度指标范围标准化到[0,1]。因此,观测状态向量与参考状态向量之间的风险度设置如下:
进一步地,采用滑动窗口法消除测量误差等原因造成的离群点影响,从而消除综合能源设备运行中不确定因素和随机扰动(如传感器误差),提高状态监测的稳定性与可靠性。由此将滑动窗口下风险度函数代表设备故障可能性信息,综合判断设备状态。具体实现步骤如下:
确定当前时刻的滑动时间窗口,并调取位于滑动时间窗口内的目标第一状态数据;确定目标第一状态数据的变量系数,变量系数能够表征故障灵敏程度;根据预测状态数据、目标第一状态数据和目标第一状态数据的变量系数,计算综合能源设备在当前时刻的故障风险程度。
在时间维度下,设定滑动时间窗口宽度为N,当滑动窗口每次划过状态数据序列时,计算预测向量xi分别与实际正常运行时N个观测向量xj间的故障风险程度,并做均值处理得到风险度的滑动均值,快速捕获风险度统计特征的连续变化。
S(xi,xj)=[S1,S2,…,SN] (15)
定义历史很长一段运行时间内最大的风险度的滑动均值作为故障预警阈值St,滑动窗口中存在故障风险程度高于预警阈值时系统发出警报。
综上,本发明具有如下优势:
(1)本发明提出利用改进多元状态估计技术建立综合能源设备状态模型。从模型复杂度方面,模型以综合能源设备的政策状态数据作为训练数据,相比于故障数据训练模型的方法更具普适性,所建非参数模型可通过直接记录系统输出对输入的响应建模、不需针对特定模型参数进行求解,具有较高建模灵活性。从运算性能方面,综合能源系统需要考虑综合能源设备实际控制运行特性及时空相关性的状态趋势数据,因此综合能源设备实时信息的处理量非常巨大,改进多元状态估计建模方法相对于其他方法具有计算快速、预测准确、性能稳定的优点,特别是针对高维状态的态势预测输出具有独特的运算性能优势。
(2)本发明在状态模型基础上,配合风险度函数对设备状态进行潜在风险评估判断。首先,采用层次分析法确定综合能源设备参数故障灵敏度权重,作为风险度函数中相应参数系数,该方法能够避免经验赋值法对难量化参数赋值时容易受到主观因素干扰的缺点,保障状态监测的客观科学性。进一步地,利用滑动窗口法对动态风险度序列进行平滑和滤波处理,过滤消除随机误差影响。
基于上述实施例提供的综合能源设备状态监测方法,本发明实施例则对应提供执行该综合能源设备状态监测方法的装置,该装置的结构示意图如图5所示,包括:
数据采集模块10,用于采集综合能源设备在当前时刻的第一状态数据;
预测估计模块20,用于将第一状态数据输入至已建立的多元状态估计模型,以使多元状态估计模型对第一状态数据进行预测估计;
风险计算模块30,用于获取多元状态估计模型所输出的预测状态数据,并根据预测状态数据和第一状态数据计算综合能源设备在当前时刻的故障风险程度。
可选的,预测估计模块20建立多元状态估计模型的过程,包括:
采集综合能源设备在历史时刻的第二状态数据;确定关键监测变量,并在第二状态数据中选取关键监测变量对应的关键状态数据;将关键状态数据划分为多个数据区间,并根据每个数据区间的概率分布确定每个数据区间的状态数据量,每个数据区间的概率分布是预设的;根据每个数据区间的状态数据量构建过程记忆矩阵,过程记忆矩阵是构造多元状态估计模型的基础。
可选的,风险计算模块30根据预测状态数据和第一状态数据计算综合能源设备在当前时刻的故障风险程度的过程,包括:
确定当前时刻的滑动时间窗口,并调取位于滑动时间窗口内的目标第一状态数据;确定目标第一状态数据的变量系数,变量系数能够表征故障灵敏程度;根据预测状态数据、目标第一状态数据和目标第一状态数据的变量系数,计算综合能源设备在当前时刻的故障风险程度。
可选的,数据采集模块10,还用于:
剔除第一状态数据中的异常状态数据。
可选的,上述装置还包括:
通信模块,用于将第一状态数据上传至服务器。
可选的,通信模块,还用于:
将综合能源设备在当前时刻的故障风险程度添加至时间-风险程度的二维图形中,并将添加后的二维图形与第一状态数据同时上传至服务器。
可选的,第一正常状态数据中包括冗余状态数据,冗余状态数据表征多个传感器对同一监测变量的监测数据;
数据采集模块10,还用于:
对冗余状态数据进行降维,以获取一维的状态数据。
需要说明的是,本发明实施例中各模块的细化功能可以参见上述方法实施例对应公开部分,在此不再赘述。
本发明实施例提供的综合能源设备状态监测装置,能够利用普遍性的历史状态数据训练建立多元状态估计模型,其为综合能源设备正常状态的非参数模型,将其针对正常的状态数据的输出作为综合状态设备故障风险的衡量标准,由此本发明注重对于设备状态数据所反映出的潜在故障风险进行分析预测,能够提高风险监测能力,减少经济损失。
以上对本发明所提供的一种综合能源设备状态监测方法及装置进行了详细介绍,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。
需要说明的是,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。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
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、物品或者设备所固有的要素,或者是还包括为这些过程、方法、物品或者设备所固有的要素。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、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。