CN113255917A - 一种基于电力大脑的数据接入与集成方法 - Google Patents
一种基于电力大脑的数据接入与集成方法 Download PDFInfo
- Publication number
- CN113255917A CN113255917A CN202110794593.3A CN202110794593A CN113255917A CN 113255917 A CN113255917 A CN 113255917A CN 202110794593 A CN202110794593 A CN 202110794593A CN 113255917 A CN113255917 A CN 113255917A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- power equipment
- periodic
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000010354 integration Effects 0.000 title claims abstract description 19
- 210000004556 brain Anatomy 0.000 title claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 33
- 238000007405 data analysis Methods 0.000 claims abstract description 17
- 239000000284 extract Substances 0.000 claims abstract description 4
- 230000004927 fusion Effects 0.000 claims abstract description 4
- 230000000737 periodic effect Effects 0.000 claims description 58
- 238000012795 verification Methods 0.000 claims description 20
- 238000001914 filtration Methods 0.000 claims description 9
- 238000013480 data collection Methods 0.000 claims description 6
- 230000001932 seasonal effect Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 10
- 238000013461 design Methods 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于电力大脑的数据接入与集成方法,解决了现有技术的不足,包括以下步骤:步骤1,数据采集单元进行数据采集工作;步骤2,数据分析单元提取电力设备数据的特征值,根据电力设备数据信号的特征值对所有电力设备数据信号进行数据融合,得到融合后的电力设备数据;步骤3,数据分析单元对融合后的电力设备数据进行结构化编码,根据结构化编码生成电力设备知识图谱,完成数据接入与集成过程。数据分析单元提取电力设备数据的特征值包括电力设备数据的时间信息,电力设备数据的时间信息为经过时间校准的时间信息。
Description
技术领域
本发明涉及电力数据技术领域,尤其是指一种基于电力大脑的数据接入与集成方法。
背景技术
电力大脑,即电力调度控制中心,负责监控电网的安全运行,维持电网电压、频率等稳定运行,而电力大脑运行的基础则需要对电力行业的数据信息进行采集分析整合,电力行业所涉及到的数据信息涵盖了电力企业内部数据和外部数据,其中内部数据包括电网规划数据、电网资产数据、电网业务数据、电网空间数据、电网拓扑数据以及电网实时运行数据等,而外部数据包括与能源、气象、环境、交通、社会活动、智能楼宇、智能家庭等相关联的多元数据。这些数据通过采集分析后已成为电力行业发电运行、故障检修、用电客户活动、燃料供应、发电能力评估、发电报价与交易、预算与计划业务应用、智能分析决策的重要基础。
现有的电力大脑的数据信息,存在着数据同步的问题,即在数据信息的分析整合中,对于数据信息的采集时间上要进行同步,现有的数据信息尽管有采集时间的记录,但是无法确定各种采集的数据信息的不同延迟,例如在某一个电力设备在接受控制信号后,需要一定的时间执行相应的操作并对操作结果的数据信息进行反馈,若缺乏数据同步,则对不同的数据信息间的关联必然会存在误差,进而使采集分析整合的数据信息误差较大,影响电力大脑运行的效果。
发明内容
本发明的目的是克服现有技术中的缺点,提供一种基于电力大脑的数据接入与集成方法。
本发明的目的是通过下述技术方案予以实现:
一种基于电力大脑的数据接入与集成方法,包括以下步骤:
步骤1,数据采集单元进行数据采集工作,具体为:采集若干个电力设备数据,然后数据采集单元对电力设备数据进行清洗并进行归一化,最后数据采集单元将清洗并进行归一化后的电力设备数据发送至数据分析单元;
步骤2,数据分析单元提取电力设备数据的特征值,根据电力设备数据的特征值对所有电力设备数据进行数据融合,得到融合后的电力设备数据;
步骤3,数据分析单元对融合后的电力设备数据进行结构化编码,根据结构化编码生成电力设备知识图谱,完成数据接入与集成过程;
所述的步骤2中,数据分析单元提取电力设备数据的特征值包括电力设备数据的时间信息,电力设备数据的时间信息为经过时间校准的时间信息,时间校准的具体过程为:
定义某一电力设备为基准电力设备,其它电力设备为待校准电力设备,基准电力设备发送数据信号至待校准电力设备,数据信号包括数据信息和校验信息,所述的数据信息为连续信号,所述的校验信息为间隔的周期性信号,数据信号进行滤波后,待校准电力设备收到数据信息后执行相应的操作,待校准电力设备收到校验信息,再记录反馈校验信息的时间,根据基准电力设备发送校验信息的时间和反馈校验信息的时间之间的差值确定待校准电力设备的延迟时间,通过延迟时间对待校准电力设备的时间信息进行校准。
在本方案中,基准电力设备即为用于对其它电力设备的延迟进行校准的设备,其它电力设备在进行校准后,可以确保各自发出的电力设备数据在时间上保持和基准电力设备一致,完成了数据同步的过程。由于现有的电力设备数据基本为连续的数据信号,对于不同设备的连续的数据信号,现有技术没有较好的方法进行数据同步校准,而对信号的接受处理过程中,必然会有信号的滤波的过程,因此,本方案的设计中,对于基准电力设备发出的数据信号,包括数据信息和校验信息,数据信息和现有技术相同,即基准电力设备发出的数据信息,在待校准电力设备接收后对数据信息进行滤波,然后对数据信息进行解析后执行相应的操作,并发出反馈的数据信号,而校验信息设置的频率则明显区别于数据信息的频率,因此在待校准电力设备进行滤波时校验信息不会干扰影响数据信息的正常采集过程,又因为校验信息设计成了间隔的周期性信号,因此在待校准电力设备在收到间隔的周期性信号后可以清楚的分析出间隔的周期性信号的周期以及获取时间并反馈检验信息时间,通过校验信息和反馈校验信息就可以清楚的确定基准电力设备和待校准电力设备之间的延迟时间。在对基准电力设备和待校准电力设备的数据同步过程中,待校准电力设备的电力设备数据的具体时间对应的是基础电力设备的电力设备数据时间加上延迟的时间,通过延迟时间的计算即完成了时间校准,避免了未进行数据同步时不同的数据信息间的关联必然会存在误差的问题。
滤波是将信号中特定波段频率滤除的操作,是抑制和防止干扰的一项重要措施,本方案巧妙的运用了数据信号在传输过程中需要进行滤波的原理,在基准电力设备发送的数据信号中即能完成正常的数据信号接收完成相应的操作的过程又能进行时间校准的过程,相比起现有技术需要对电力设备的参数进行获取计算得出的延迟时间来进行校准,本方案的时间校准过程较为简便且准确性较高。
作为优选,所述的数据信号包括若干个校验信息,所有校验信息的频段皆不相同,且每一个校验信息与数据信息的频段的频率差值大于设定的阈值,每一个校验信息对应一个电力设备,电力设备接收与自己匹配的校验信息。此设计用于对多个待校准电力设备同时进行校对,只需要基准电力设备发送一个数据信号即可,不同的设备设置为只能接收与自己匹配的频段的校验信息,其余频段的校验信息在滤波过程中进行过滤。此外,可以根据电力设备的实际情况灵活设置校验信息的频率和周期,例如,对于同类型的电力设备,可以设置周期相同的校验信息,但是校验信息之间的频率值则差别较大,这样的好处可以比较相同类型的电力设备之间的反馈校验信息的区别,便于筛选异常的电力设备,同时由于同类型的电力设备之间的频率值差别较大避免其中某一个电力设备误接收其它电力设备匹配的校验信息;对于不同类型的电力设备,则可以设置周期不相同的校验信息,这样也可以根据反馈校验信息来判断校验信息是否与电力设备匹配,若反馈校验信息异常则判断匹配错误,及时发出告警。
作为优选,基准电力设备发送的校验信息为第一周期性单脉冲信号,反馈校验信息为第二周期性单脉冲信号。周期性单脉冲信号的设计容易找出第一周期性单脉冲信号的波形与第二周期性单脉冲信号的波形之间的匹配关系,两者的周期相同,单个脉冲的持续时间也相同,便于快速确定第一周期单脉冲信号与第二周期单脉冲信号匹配的周期的时间差值。
作为优选,将第一周期性单脉冲信号进行周期分解,记录第一周期性单脉冲信号的每一个周期的起始时间和结束时间,将第二周期性单脉冲信号进行周期分解,记录第二周期性单脉冲信号的每一个周期的起始时间和结束时间,第一周期性单脉冲信号的周期与第二周期性单脉冲信号的周期一一对应,记录第一周期单脉冲信号与第二周期单脉冲信号匹配的周期的时间差值,所有时间差值之和的平均数即为待校准电力设备的延迟时间。延迟时间的计算方法较多,例如在一段时间内的第一周期性单脉冲信号的起始时间和第二周期性单脉冲信号的起始时间的差值,或者在一段时间内的第一周期性单脉冲信号的结束时间和第二周期性单脉冲信号的结束时间的差值。而本方案中由于单脉冲信号的单个周期很好判断,因此将每个单周期的时间差值都进行获取,时间差值之和的平均数即为待校准电力设备的延迟时间,这样的好处是进一步提高了延迟时间的精度。
作为优选,还对第一周期单脉冲信号与第二周期单脉冲信号匹配的周期的时间差值进行置信度分析,若某一个时间差值与所有时间差值之和的平均数之间的数值大于设定的第一时间阈值,且该时间差值与相邻的周期的时间差值的数值大于设定的第二时间阈值,则将该时间差值舍弃,其它情况则保留该时间差值;遍历所有时间差值后,重新计算所有时间差值之和的平均数。此设计的好处是避免了异常的时间差值对于真实结果的影响,在实际电力设备运行的过程中,内部或外部的环境因素对延迟时间的变化造成影响,对于突破的延迟时间即判断为异常数据舍弃,但是某些电力设备在一定的时间或一定的环境下延迟时间会发生较为明显的变化,因此需要与相邻的周期的时间差值进行比较,若小于设定的第二时间阈值则判断为正常的时间差值变化需要予以保留。
作为优选,基于电力大脑的数据接入与集成方法还对所述的延迟时间进行预测,具体为:进行若干次时间校准步骤,记录每次时间校准日期和延迟时间,任意两个相邻的校准日期之间的时间间隔相同,构建校准日期和延迟时间的关系曲线,然后通过prophet模型对延迟时间分解成非线性趋势成分数据、季节性成分数据以及假日成分数据,然后以电力设备的运行参数对prophet模型进行训练,获取电力设备的运行参数和非线性趋势成分之间的依赖关系,然后对非线性趋势成分的变化进行预测,最后通过prophet模型对未来的延迟时间进行预测。本设计考虑的是电力设备的延迟时间会随着电力设备自身的参数变化而发生变化,例如电力设备的负荷,使用的时间,电力设备所处的环境变化等等,因此需要对延迟时间进行预测,进一步减少了延迟时间的误差。
本发明的有益效果是:在对基准电力设备和待校准电力设备的数据同步过程中,待校准电力设备的电力设备数据的具体时间对应的是基础电力设备的电力设备数据时间加上延迟的时间,通过延迟时间的计算即完成了时间校准,避免了未进行数据同步时不同的数据信息间的关联必然会存在误差的问题。本方案巧妙的运用了数据信号在传输过程中需要进行滤波的原理,在基准电力设备发送的数据信号中即能完成正常的数据信号接收完成相应的操作的过程又能进行时间校准的过程,相比起现有技术需要对电力设备的参数进行获取计算得出的延迟时间来进行校准,本方案的时间校准过程较为简便且准确性较高。通过对电力设备数据的时间校准,为电力大脑的精确收集信息并加以准确信息提供了保障。
附图说明
图1是本发明的一种流程示意图。
具体实施方式
下面结合附图和实施例对本发明进一步描述。
实施例1:
一种基于电力大脑的数据接入与集成方法,包括以下步骤:
步骤1,数据采集单元进行数据采集工作,具体为:采集若干个电力设备数据,然后数据采集单元对电力设备数据进行清洗并进行归一化,最后数据采集单元将清洗并进行归一化后的电力设备数据发送至数据分析单元;
步骤2,数据分析单元提取电力设备数据的特征值,根据电力设备数据的特征值对所有电力设备数据进行数据融合,得到融合后的电力设备数据;
步骤3,数据分析单元对融合后的电力设备数据进行结构化编码,根据结构化编码生成电力设备知识图谱,完成数据接入与集成过程。
所述的步骤2中,数据分析单元提取电力设备数据的特征值包括电力设备数据的时间信息,电力设备数据的时间信息为经过时间校准的时间信息,时间校准的具体过程为:
定义某一电力设备为基准电力设备,其它电力设备为待校准电力设备,基准电力设备发送数据信号至待校准电力设备,数据信号包括数据信息和校验信息,所述的数据信息为连续信号,所述的校验信息为间隔的周期性信号,数据信号进行滤波后,待校准电力设备收到数据信息后执行相应的操作,待校准电力设备收到校验信息,再记录反馈校验信息的时间,根据基准电力设备发送校验信息的时间和反馈校验信息的时间之间的差值确定待校准电力设备的延迟时间,通过延迟时间对待校准电力设备的时间信息进行校准。
在本方案中,基准电力设备即为用于对其它电力设备的延迟进行校准的设备,其它电力设备在进行校准后,可以确保各自发出的电力设备数据在时间上保持和基准电力设备一致,完成了数据同步的过程。由于现有的电力设备数据基本为连续的数据信号,对于不同设备的连续的数据信号,现有技术没有较好的方法进行数据同步校准,而对信号的接受处理过程中,必然会有信号的滤波的过程,因此,本方案的设计中,对于基准电力设备发出的数据信号,包括数据信息和校验信息,数据信息和现有技术相同,即基准电力设备发出的数据信息,在待校准电力设备接收后对数据信息进行滤波,然后对数据信息进行解析后执行相应的操作,并发出反馈的数据信号,而校验信息设置的频率则明显区别于数据信息的频率,因此在待校准电力设备进行滤波时校验信息不会干扰影响数据信息的正常采集过程,又因为校验信息设计成了间隔的周期性信号,因此在待校准电力设备在收到间隔的周期性信号后可以清楚的分析出间隔的周期性信号的周期以及获取时间并反馈检验信息时间,通过校验信息和反馈校验信息就可以清楚的确定基准电力设备和待校准电力设备之间的延迟时间。在对基准电力设备和待校准电力设备的数据同步过程中,待校准电力设备的电力设备数据的具体时间对应的是基础电力设备的电力设备数据时间加上延迟的时间,通过延迟时间的计算即完成了时间校准,避免了未进行数据同步时不同的数据信息间的关联必然会存在误差的问题。综上,对所有电力设备进行时间校准后,在电力大脑对电力设备数据进行收集分析整合的过程中,可以统一数据的时间,这样可以对整体电力设备运行的状况做精准的分析。
滤波是将信号中特定波段频率滤除的操作,是抑制和防止干扰的一项重要措施,本方案巧妙的运用了数据信号在传输过程中需要进行滤波的原理,在基准电力设备发送的数据信号中即能完成正常的数据信号接收完成相应的操作的过程又能进行时间校准的过程,相比起现有技术需要对电力设备的参数进行获取计算得出的延迟时间来进行校准,本方案的时间校准过程较为简便且准确性较高。
在本方案中,结构化编码是知识图谱构建的基础,结构化编码采用自顶向下、逐步细化的方法,先全局,后局部,先整体,后细节,先抽象,后具体,逐步求精,使编制出来的程序具有清晰的逻辑层次结构,容易阅读、理解、修改和维护。
在本方案中,结构化编码分为以下四个步骤:
一,数据过程梳理,整理电力设备数据,梳理电力设备数据之间的衔接关系,明确电力设备数据的输入数据和输出数据;
二,局部概念模型建模,对电力设备数据进行主数据分析,形成此电力设备数据的局部主数据概念模型;
三,模型整合,对所有局部主数据概念模型进行整合,采用全局主数据分析方法,实现全局模型的搭建,并对全局模型进行校核;
四,模型转换,采用模型转换方法将全局主数据模型转换为逻辑数据模型。
在本方案的结构化编码过程中,要遵循以下几个原则:
1、尽可能使用语言提供的基本控制结构:顺序结构、选择结构和重复结构。
2、选用的控制结构只准许有一个入口和一个出口。
3、利用程序内部函数,把程序组织成容易识别的内部函数模块,每个模块只有一个入口或一个出口,一般不超过200行。
4、复杂结构应该用基本控制结构组合或嵌套来实现。
5、尽可能减少GOTO语句的使用。
所述的数据信号包括若干个校验信息,所有校验信息的频段皆不相同,且每一个校验信息与数据信息的频段的频率差值大于设定的阈值,每一个校验信息对应一个电力设备,电力设备接收与自己匹配的校验信息。此设计用于对多个待校准电力设备同时进行校对,只需要基准电力设备发送一个数据信号即可,不同的设备设置为只能接收与自己匹配的频段的校验信息,其余频段的校验信息在滤波过程中进行过滤。此外,可以根据电力设备的实际情况灵活设置校验信息的频率和周期,例如,对于同类型的电力设备,可以设置周期相同的校验信息,但是校验信息之间的频率值则差别较大,这样的好处可以比较相同类型的电力设备之间的反馈校验信息的区别,便于筛选异常的电力设备,同时由于同类型的电力设备之间的频率值差别较大避免其中某一个电力设备误接收其它电力设备匹配的校验信息;对于不同类型的电力设备,则可以设置周期不相同的校验信息,这样也可以根据反馈校验信息来判断校验信息是否与电力设备匹配,若反馈校验信息异常则判断匹配错误,及时发出告警。
基准电力设备发送的校验信息为第一周期性单脉冲信号,反馈校验信息为第二周期性单脉冲信号。周期性单脉冲信号的设计容易找出第一周期性单脉冲信号的波形与第二周期性单脉冲信号的波形之间的匹配关系,两者的周期相同,单个脉冲的持续时间也相同,便于快速确定第一周期单脉冲信号与第二周期单脉冲信号匹配的周期的时间差值。
实施例2,一种基于电力大脑的数据接入与集成方法,其原理和实施方法与实施例1基本相同,不同之处在于延迟时间的判定,具体为将第一周期性单脉冲信号进行周期分解,记录第一周期性单脉冲信号的每一个周期的起始时间和结束时间,将第二周期性单脉冲信号进行周期分解,记录第二周期性单脉冲信号的每一个周期的起始时间和结束时间,第一周期性单脉冲信号的周期与第二周期性单脉冲信号的周期一一对应,记录第一周期单脉冲信号与第二周期单脉冲信号匹配的周期的时间差值,所有时间差值之和的平均数即为待校准电力设备的延迟时间。本方案中由于单脉冲信号的单个周期很好判断,因此将每个单周期的时间差值都进行获取,时间差值之和的平均数即为待校准电力设备的延迟时间,这样的好处是进一步提高了延迟时间的精度。
还对第一周期单脉冲信号与第二周期单脉冲信号匹配的周期的时间差值进行置信度分析,若某一个时间差值与所有时间差值之和的平均数之间的数值大于设定的第一时间阈值,且该时间差值与相邻的周期的时间差值的数值大于设定的第二时间阈值,则将该时间差值舍弃,其它情况则保留该时间差值;遍历所有时间差值后,重新计算所有时间差值之和的平均数。此设计的好处是避免了异常的时间差值对于真实结果的影响,在实际电力设备运行的过程中,内部或外部的环境因素对延迟时间的变化造成影响,对于突破的延迟时间即判断为异常数据舍弃,但是某些电力设备在一定的时间或一定的环境下延迟时间会发生较为明显的变化,因此需要与相邻的周期的时间差值进行比较,若小于设定的第二时间阈值则判断为正常的时间差值变化需要予以保留。
实施例3,基于电力大脑的数据接入与集成方法,其原理和实施方法与与实施例1基本相同,不同之处在于还对所述的延迟时间进行预测,具体为:进行设定次数的时间校准步骤,记录每次时间校准日期和延迟时间,任意两个相邻的校准日期之间的时间间隔相同,构建校准日期和延迟时间的关系曲线,然后通过prophet模型对延迟时间分解成非线性趋势成分数据、季节性成分数据以及假日成分数据,然后以电力设备的运行参数对prophet模型进行训练,获取电力设备的运行参数和非线性趋势成分之间的依赖关系,然后对非线性趋势成分的变化进行预测,最后通过prophet模型对未来的延迟时间进行预测。本设计考虑的是电力设备的延迟时间会随着电力设备自身的参数变化而发生变化,例如电力设备的负荷,使用的时间,电力设备所处的环境变化等等,因此需要对延迟时间进行预测,进一步减少了延迟时间的误差。
Prophet模型是一种针对时间序列预测的算法模型。它的算法原理是将数据分解成非线性趋势成分、周(日)季节性成分以及假日成分,从而对序列进行预测。由于季节性成分数据以及假日成分数据为周期性变化数据较为稳定,因此只需要对prohpet模型分解的非线性趋势成分进行预测即可,而非线性趋势成分与电力设备的参数相关,例如电力设备的运行工况、单次运行时间、使用年限和外部的环境因素,对于电力设备的延迟时间的影响都较大,因此本方案通过对电力设备自身的参数和延迟时间的关系,可以对延迟时间的变化进行预测,在不再进行时间校准的步骤后仍然能较为准确预测延迟时间,进一步为电力大脑的精准分析提供了保障。
以上所述的实施例只是本发明的一种较佳的方案,并非对本发明作任何形式上的限制,在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (6)
1.一种基于电力大脑的数据接入与集成方法,其特征是,包括以下步骤:
步骤1,数据采集单元进行数据采集工作,具体为:采集若干个电力设备数据,然后数据采集单元对电力设备数据进行清洗并进行归一化,最后数据采集单元将清洗并进行归一化后的电力设备数据发送至数据分析单元;
步骤2,数据分析单元提取电力设备数据的特征值,根据电力设备数据的特征值对所有电力设备数据进行数据融合,得到融合后的电力设备数据;
步骤3,数据分析单元对融合后的电力设备数据进行结构化编码,根据结构化编码生成电力设备知识图谱,完成数据接入与集成过程;
所述的步骤2中,数据分析单元提取电力设备数据的特征值包括电力设备数据的时间信息,电力设备数据的时间信息为经过时间校准的时间信息,时间校准的具体过程为:
定义某一电力设备为基准电力设备,其它电力设备为待校准电力设备,基准电力设备发送数据信号至待校准电力设备,数据信号包括数据信息和校验信息,所述的数据信息为连续信号,所述的校验信息为间隔的周期性信号,数据信号进行滤波后,待校准电力设备收到数据信息后执行相应的操作,待校准电力设备收到校验信息,再记录反馈校验信息的时间,根据基准电力设备发送的校验信息的时间和反馈校验信息的时间差值确定待校准电力设备的延迟时间,通过延迟时间对待校准电力设备进行校准。
2.根据权利要求1所述的一种基于电力大脑的数据接入与集成方法,其特征是,所述的数据信号包括若干个校验信息,所有校验信息的频段皆不相同,且每一个校验信息与数据信息的频段的频率差值大于设定的阈值,每一个校验信息对应一个电力设备,电力设备接收与自己匹配的校验信息。
3.根据权利要求1或2所述的一种基于电力大脑的数据接入与集成方法,其特征是,基准电力设备发送的校验信息为第一周期性单脉冲信号,反馈校验信息为第二周期性单脉冲信号。
4.根据权利要求3所述的一种基于电力大脑的数据接入与集成方法,其特征是,将第一周期性单脉冲信号进行周期分解,记录第一周期性单脉冲信号的每一个周期的起始时间和结束时间,将第二周期性单脉冲信号进行周期分解,记录第二周期性单脉冲信号的每一个周期的起始时间和结束时间,第一周期性单脉冲信号的周期与第二周期性单脉冲信号的周期一一对应,记录第一周期单脉冲信号与第二周期单脉冲信号匹配的周期的时间差值,所有时间差值之和的平均数即为待校准电力设备的延迟时间。
5.根据权利要求4所述的一种基于电力大脑的数据接入与集成方法,其特征是,还对第一周期单脉冲信号与第二周期单脉冲信号匹配的周期的时间差值进行置信度分析,若某一个时间差值与所有时间差值之和的平均数之间的数值大于设定的第一时间阈值,且该时间差值与相邻的周期的时间差值的数值大于设定的第二时间阈值,则将该时间差值舍弃,其它情况则保留该时间差值;遍历所有时间差值后,重新计算所有时间差值之和的平均数。
6.根据权利要求1所述的一种基于电力大脑的数据接入与集成方法,其特征是,还对所述的延迟时间进行预测,具体为:进行若干次时间校准步骤,记录每次时间校准日期和延迟时间,任意两个相邻的校准日期之间的时间间隔相同,构建校准日期和延迟时间的关系曲线,然后通过prophet模型对延迟时间分解成非线性趋势成分数据、季节性成分数据以及假日成分数据,然后以电力设备的运行参数对prophet模型进行训练,获取电力设备的运行参数和非线性趋势成分之间的依赖关系,然后对非线性趋势成分的变化进行预测,最后通过prophet模型对未来的延迟时间进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110794593.3A CN113255917B (zh) | 2021-07-14 | 2021-07-14 | 一种基于电力大脑的数据接入与集成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110794593.3A CN113255917B (zh) | 2021-07-14 | 2021-07-14 | 一种基于电力大脑的数据接入与集成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113255917A true CN113255917A (zh) | 2021-08-13 |
CN113255917B CN113255917B (zh) | 2021-10-26 |
Family
ID=77191244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110794593.3A Active CN113255917B (zh) | 2021-07-14 | 2021-07-14 | 一种基于电力大脑的数据接入与集成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255917B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488247A (zh) * | 2013-09-17 | 2014-01-01 | 沈阳东软医疗系统有限公司 | 一种时钟校准方法、装置与系统 |
CN110825881A (zh) * | 2019-09-26 | 2020-02-21 | 中国电力科学研究院有限公司 | 一种建立电力知识图谱的方法 |
CN110866121A (zh) * | 2019-09-26 | 2020-03-06 | 中国电力科学研究院有限公司 | 一种面向电力领域知识图谱构建方法 |
CN112486970A (zh) * | 2020-12-07 | 2021-03-12 | 吴娟 | 一种用于电力设备的运行状态评估方法及装置 |
CN112737762A (zh) * | 2020-12-25 | 2021-04-30 | 深圳深宝电器仪表有限公司 | 时间校准方法、装置、待校准设备和存储介质 |
-
2021
- 2021-07-14 CN CN202110794593.3A patent/CN113255917B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488247A (zh) * | 2013-09-17 | 2014-01-01 | 沈阳东软医疗系统有限公司 | 一种时钟校准方法、装置与系统 |
CN110825881A (zh) * | 2019-09-26 | 2020-02-21 | 中国电力科学研究院有限公司 | 一种建立电力知识图谱的方法 |
CN110866121A (zh) * | 2019-09-26 | 2020-03-06 | 中国电力科学研究院有限公司 | 一种面向电力领域知识图谱构建方法 |
CN112486970A (zh) * | 2020-12-07 | 2021-03-12 | 吴娟 | 一种用于电力设备的运行状态评估方法及装置 |
CN112737762A (zh) * | 2020-12-25 | 2021-04-30 | 深圳深宝电器仪表有限公司 | 时间校准方法、装置、待校准设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113255917B (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102130783B (zh) | 神经网络的智能化告警监控方法 | |
CN105225979A (zh) | 一种半导体器件制程预测系统和方法 | |
CN115657617A (zh) | 一种用于火电厂智慧监盘报警系统实现方法 | |
CN109409561B (zh) | 多时间尺度时间序列协同预测模型的构建方法 | |
CN106161138A (zh) | 一种智能自动计量方法及装置 | |
EP3170141B1 (en) | Systems and methods for classifying in-situ sensor response data patterns representative of grid pathology severity | |
WO2017152951A1 (en) | Optimized smart meter reporting schedule | |
CN117878925B (zh) | 一种智能电网的输电数据控制方法及系统 | |
Kharlamova et al. | A digital twin of battery energy storage systems providing frequency regulation | |
Züfle et al. | A predictive maintenance methodology: predicting the time-to-failure of machines in industry 4.0 | |
CN114756394A (zh) | 全链路生产数据质量智能诊断系统 | |
Høverstad et al. | Effects of data cleansing on load prediction algorithms | |
CN113255917B (zh) | 一种基于电力大脑的数据接入与集成方法 | |
CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及系统 | |
CN117349627A (zh) | 一种用于油田的能源管控系统及管控方法 | |
CN116128690B (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
KR101984257B1 (ko) | 클라우드기반 빅데이터분석시스템 및 방법 | |
CN116108376A (zh) | 一种反窃电的监测系统、方法、电子设备及介质 | |
CN115936663A (zh) | 一种电力系统的维护方法及装置 | |
Tan et al. | Automatic Model Generation and Data Assimilation Framework for Cyber-Physical Production Systems | |
CN114168409A (zh) | 一种业务系统运行状态监控预警方法与系统 | |
Seshan et al. | LSTM-based autoencoder models for real-time quality control of wastewater treatment sensor data | |
CN114065651A (zh) | 一种用于旋转类设备的故障时间预测方法 | |
CN110008245B (zh) | 一个适用于设备故障预警模型时间段查找的方法 | |
Zhu et al. | Automated generation of digital models for production lines through state reconstruction |
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 |