CN113779496B - 一种基于设备全景数据的电力设备状态评估方法及系统 - Google Patents
一种基于设备全景数据的电力设备状态评估方法及系统 Download PDFInfo
- Publication number
- CN113779496B CN113779496B CN202111118823.0A CN202111118823A CN113779496B CN 113779496 B CN113779496 B CN 113779496B CN 202111118823 A CN202111118823 A CN 202111118823A CN 113779496 B CN113779496 B CN 113779496B
- Authority
- CN
- China
- Prior art keywords
- equipment
- index set
- model
- obtaining
- qualitative
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 77
- 238000012544 monitoring process Methods 0.000 claims abstract description 117
- 238000013210 evaluation model Methods 0.000 claims abstract description 57
- 238000012502 risk assessment Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 abstract description 13
- 230000000694 effects Effects 0.000 description 16
- 238000004458 analytical method Methods 0.000 description 12
- 230000036541 health Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000012097 association analysis method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Analysis (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Power Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种基于设备全景数据的电力设备状态评估方法及系统，方法包括：获得电厂电力设备的多维监测指标集合；对多维监测指标集合进行预处理，获得标准化监测指标集合；根据评估指标的性质，对标准化监测指标集合进行分类，获得定量指标集合和定性指标集合；构建设备状态评价模型；将定量指标集合和所述定性指标集合输入设备状态评价模型，获得设备状态评价结果；根据设备状态评价结果，获得第一设备故障概率；根据第一设备故障概率，获得第一设备的故障损失；构建设备风险评估模型；将第一设备故障概率和故障损失输入所述设备风险评估模型，获得第一设备的风险评估结果，解决了现有技术中设备维护存在滞后性较大的技术问题。
Description
技术领域
本发明涉及设备监控相关技术领域，具体涉及一种基于设备全景数据的电力设备状态评估方法及系统。
背景技术
大型电力设备在搭载的同时都会配备计算机监控系统及大量的在线监测等辅助系统，通过对设备进行监测，可以准确定位故障设备进行报警，完备的故障监测对设备的良好运行意义重大。
随着电厂辅助系统中的设备的结构也越来越复杂，对设备维护的精确性要求也随之提高，修复故障所需要的时间成本和人力成本也不断上升，电力设备故障监测系统的升级迭代势在必行。
但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
现有技术中由于是在设备出现故障后进行维护，会造成人力和时间成本损失，导致设备维护存在滞后性较大的技术问题。
发明内容
本申请实施例通过提供了一种基于设备全景数据的电力设备状态评估方法及系统，解决了现有技术中由于是在设备出现故障后进行维护，会造成人力和时间成本损失，导致设备维护存在滞后性较大的技术问题。通过采集电力设备各项工作指标状态参数，利用定性和定量的状态数据利用设备状态评价模型得到设备各指标的评价结果，再利用风险评估模型将各个指标数据综合起来评估设备可能故障的风险大小，达到对电力设备故障风险进行预测的技术效果。
鉴于上述问题，本申请实施例提供了一种基于设备全景数据的电力设备状态评估方法及系统。
第一方面，本申请实施例提供了一种基于设备全景数据的电力设备状态评估方法，其中，所述方法包括：获得电厂电力设备的多维监测指标集合；对所述多维监测指标集合进行预处理，获得标准化监测指标集合；根据评估指标的性质，对所述标准化监测指标集合进行分类，获得定量指标集合和定性指标集合；构建设备状态评价模型；将所述定量指标集合和所述定性指标集合输入所述设备状态评价模型，获得设备状态评价结果；根据所述设备状态评价结果，获得第一设备故障概率；根据所述第一设备故障概率，获得所述第一设备的故障损失；构建设备风险评估模型；将所述第一设备故障概率和所述故障损失输入所述设备风险评估模型，获得所述第一设备的风险评估结果。
另一方面，本申请实施例提供了一种基于设备全景数据的电力设备状态智能评估系统，其中，所述系统包括：第一获得单元，所述第一获得单元用于获得电厂电力设备的多维监测指标集合；第一预处理单元，所述第一预处理单元用于对所述多维监测指标集合进行预处理，获得标准化监测指标集合；第一分类单元，所述第一分类单元用于根据评估指标的性质，对所述标准化监测指标集合进行分类，获得定量指标集合和定性指标集合；第一构建单元，所述第一构建单元用于构建设备状态评价模型；第二获得单元，所述第二获得单元用于将所述定量指标集合和所述定性指标集合输入所述设备状态评价模型，获得设备状态评价结果；第三获得单元，所述第三获得单元用于根据所述设备状态评价结果，获得第一设备故障概率；第四获得单元，所述第四获得单元用于根据所述第一设备故障概率，获得所述第一设备的故障损失；第二构建单元，所述第二构建单元用于构建设备风险评估模型；第五获得单元，所述第五获得单元用于将所述第一设备故障概率和所述故障损失输入所述设备风险评估模型，获得所述第一设备的风险评估结果。
第三方面，本申请实施例提供了一种基于设备全景数据的电力设备状态智能评估系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了获得电厂电力设备的多维监测指标集合；对所述多维监测指标集合进行预处理，获得标准化监测指标集合；根据评估指标的性质，对所述标准化监测指标集合进行分类，获得定量指标集合和定性指标集合；构建设备状态评价模型；将所述定量指标集合和所述定性指标集合输入所述设备状态评价模型，获得设备状态评价结果；根据所述设备状态评价结果，获得第一设备故障概率；根据所述第一设备故障概率，获得所述第一设备的故障损失；构建设备风险评估模型；将所述第一设备故障概率和所述故障损失输入所述设备风险评估模型，获得所述第一设备的风险评估结果的技术方案，通过采集电力设备各项工作指标状态参数，利用定性和定量的状态数据利用设备状态评价模型得到设备各指标的评价结果，再利用风险评估模型将各个指标数据综合起来评估设备可能故障的风险大小，达到对电力设备故障风险进行预测的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种基于设备全景数据的电力设备状态评估方法流程示意图；
图2为本申请实施例构建所述设备状态评价模型方法流程示意图；
图3为本申请实施例一种基于设备全景数据的电力设备状态智能评估系统结构示意图；
图4为本申请实施例示例性电子设备的结构示意图。
附图标记说明：第一获得单元11，第一预处理单元12，第一分类单元13，第一构建单元14，第二获得单元15，第三获得单元16，第四获得单元17，第二构建单元18，第五获得单元19，电子设备300，存储器301，处理器302，通信接口303，总线架构304。
具体实施方式
本申请实施例通过提供了一种基于设备全景数据的电力设备状态评估方法及系统，解决了现有技术中由于是在设备出现故障后进行维护，会造成人力和时间成本损失，导致设备维护存在滞后性较大的技术问题。通过采集电力设备各项工作指标状态参数，利用定性和定量的状态数据利用设备状态评价模型得到设备各指标的评价结果，再利用风险评估模型将各个指标数据综合起来评估设备可能故障的风险大小，达到对电力设备故障风险进行预测的技术效果。
申请概述
大型电力设备在搭载的同时都会配备计算机监控系统及大量的在线监测等辅助系统，通过对设备进行监测，可以准确定位故障设备进行报警，完备的故障监测对设备的良好运行意义重大。
随着电厂辅助系统中的设备的结构也越来越复杂，对设备维护的精确性要求也随之提高，修复故障所需要的时间成本和人力成本也不断上升，电力设备故障监测系统的升级迭代势在必行。但现有技术中由于是在设备出现故障后进行维护，会造成人力和时间成本损失，导致设备维护存在滞后性较大的技术问题。
针对上述技术问题，本申请提供的技术方案总体思路如下：
本申请实施例提供了一种基于设备全景数据的电力设备状态评估方法，其中，所述方法包括：获得电厂电力设备的多维监测指标集合；对所述多维监测指标集合进行预处理，获得标准化监测指标集合；根据评估指标的性质，对所述标准化监测指标集合进行分类，获得定量指标集合和定性指标集合；构建设备状态评价模型；将所述定量指标集合和所述定性指标集合输入所述设备状态评价模型，获得设备状态评价结果；根据所述设备状态评价结果，获得第一设备故障概率；根据所述第一设备故障概率，获得所述第一设备的故障损失；构建设备风险评估模型；将所述第一设备故障概率和所述故障损失输入所述设备风险评估模型，获得所述第一设备的风险评估结果。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了一种基于设备全景数据的电力设备状态评估方法，其中，所述方法包括：
S100：获得电厂电力设备的多维监测指标集合；
具体而言，所述电厂电力设备包括投入电厂应用的一次设备（包括发电机、变压器、断路器、隔离开关、自动开关、接触器等直接用于生产、输送和分配电能的生产过程的设备）和二次设备（包括测量仪器、控制开关等对一次设备进行控制保护的设备）；所述多维监测指标集合指的是在不同方面、不同层次上反映着各个电力设备的实际状况的数据集合，优选为包括在线监测指标信息，日常巡检数据信息和试验数据构成所述多维监测指标集合；举不设限制的一例：如基于某设备的工作实时参数、历史工作参数及工作参数的变化趋势三个维度评价该设备的状态是否健康。通过对所述电厂电力设备的所述多维监测指标集合进行采集，为后步对电力设备工作状态的准确评估提供了全面的信息基础，提高了数据处理的准确性。
S200：对所述多维监测指标集合进行预处理，获得标准化监测指标集合；
进一步的，基于所述对所述多维监测指标集合进行预处理，获得标准化监测指标集合，步骤S200包括；
S210：获得预设量纲条件；
S220：根据所述预设量纲条件，对所述多维监测指标集合进行预处理，获得符合所述预设量纲条件的监测指标集合，作为所述标准化监测指标集合。
S300：根据评估指标的性质，对所述标准化监测指标集合进行分类，获得定量指标集合和定性指标集合；
具体而言，因为所述多维监测指标集合是基于评测的电力设备从多个层次，多个方面采集到的数据，所以单位不同，量纲不同，有的是定性数据，有的是定量数据，都需要进行标准化处理之后才可以进行后步进程；所述预设量纲条件指的是预先设定的统一量纲的标准，如预设的统一的单位基准等；进一步的，依据所述预设量纲条件对所述多维监测指标集合进行预处理得到所述标准化监测指标集合。
更进一步的，优选的将所述标准化监测指标集合基于设备状态做归一化处理，其中归一化处理为常规所述归一化处理：定量的指标数据只需要将其作数值的归一化处理即可，定性的指标信息基于其评价的电力设备某个特征进行状态描述，可选的利用专家评分，对描述的状态进行分级，利用近量化数据表征设备状态。
更进一步的，可选的基于关联分析方法对进行归一化处理之后的所述多维监测指标集合进行降维处理得到所述标准化监测指标集合，关联分析是指从大量的数据集中，搜索出有强关联的规则，通过归一化处理之后的数据，因为都有评价基准，因为可以更快速的从相关性较高的高维变量中提取其共有特征将之命名为公因子，从而剔除相关性较强的变量，降低变量数量。此外，关联分析还对变量依据相关度进行分类，将关联关系程度较高的变量分为一组，是多元分析中的一种比较简单的降维方式。关联分析通过相关系数矩阵探究多变量之间的相互依存关系，然后根据其相关度大小进行分组。分组的目的是使得在同一组内，各变量之间的相关性较高，反映同一种信息；不同分组内，变量的相关性较低，反映不同信息。同一个分组内的联程度较高的变量，可以从中选择少数的变量代替其他变量来表征该组变量的变化趋势，从而达到数据降维，提高模型训练效率的技术效果。
更进一步的，所述定量指标集合和所述定性指标集合指的是在对所述多维监测指标集合进行预处理后，对得到的所述标准化监测指标集合依据信息属性进行划分得到结果。通过对所述多维监测指标集合进行预处理，统一量纲，降维数据，并对得到的数据进行分类，达到提高数据处理效率的技术效果。
S400：构建设备状态评价模型；
S500：将所述定量指标集合和所述定性指标集合输入所述设备状态评价模型，获得设备状态评价结果；
具体而言，所述设备状态评价模型优选的为基于灰色模型训练出来的评价模型，灰色理论针对于信息贫乏、缺乏经验数据等情况，通过对动态信息的开发、利用和加工，实现对离散数据建立微分方程的动态模型，即灰色模型，从而了解系统动态行为和发展趋势。灰色模型着重研究概率统计、模糊数学所难以解决的小样本、贫信息等不确定性问题，并依据信息覆盖，通过序列算子的作用探索事物发展的现实规律。灰色系统的特点是小样本建模和新信息优先原理。小样本建模体现在只需要时间序列中 5 至 8 个数据就可以保证预测精度和自我学习能力，数据运算量小，可以及时地反映系统的变化情况，在灰色系统建模中为实时信息分配的权重要大于历史数据，信息的实时性保障评估的准确性。通过在所述设备状态评价模型输入基于实时更新的所述定量指标集合和所述定性指标集合，得到了较准确的所述设备状态评价结果，用来预测所述定量指标集合和所述定性指标集合各个指标的变化趋势。
S600：根据所述设备状态评价结果，获得第一设备故障概率；
具体而言，所述第一设备的故障概率指的是通过所述设备状态评价模型所述定量指标集合和所述定性指标集合对应于所述第一设备的各个指标的发展趋势做出的预测每个指标数据异常的概率大小，并将概率和各个指标对应会造成的故障类型进行匹配得到结果。通过对所述第一设备的各个所述定量指标和所述定性指标信息的发展趋势进行分析，得到不同指标对应的不同故障发生的概率大小，可选的在超过预定阈值后即进行预警，达到及时维护电力设备的技术效果。
S700：根据所述第一设备故障概率，获得所述第一设备的故障损失；
进一步的，基于所述根据所述第一设备故障概率，获得所述第一设备的故障损失，步骤S700包括：
S710：构建事件树的故障可能损失模型；
S720：根据所述第一设备故障概率和所述事件数的故障可能损失模型，获得所述第一设备的故障损失。
具体而言，所述第一设备的故障损失指的是基于所述第一设备故障概率分析得到各类型故障会造成的损失事件；优选的确定方式为：基于事件树建立所述故障可能损失模型，根据所述第一设备各个具有异常趋势所述定量指标和所述定性指标信息对应故障类型建立事件树的根节点，将根据不同故障类型对应的影响后果建立事件树的叶节点，即为可能的后果和损失，用来表征所述第一设备的故障损失，建立故障导致可能损失的事件树后，即可根据事件树的根结点来提取能够表征各枝叶结点损失严重性的关注因素。通过对所述第一设备的故障损失的预测，进而可以依据所述第一设备的故障损失的严重性对其对应的根节点上的故障类型对应的所述指标数据异常状况的优选监控与报警，达到了故障监测个体化程度更高的技术效果。
S800：构建设备风险评估模型；
S900：将所述第一设备故障概率和所述故障损失输入所述设备风险评估模型，获得所述第一设备的风险评估结果。
具体而言，所述第一设备的风险评估结果信息是根据所述第一设备故障概率信息和所述故障损失输信息经过智能化模型分析得到的依据各个指标以及依据所述故障损失为各个指标分配的权重综合评估所述第一设备的健康风险状态预测评估结果，所述设备风险评估模型是以神经网络模型为基础建立，具有神经网络模型的特性，其中，人工神经网络是在现代神经科学的基础上提出和发展起来的，旨在反映人脑结构及功能的一种抽象数学模型，神经网络是一种运算模型，由大量的节点（或称神经元）之间相互连接构成，每个节点代表一种特定的输出函数称为激励函数，每两个节点之间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆，网络的输出则依照网络的连接方式，是对一种逻辑策略的表达，基于神经网络模型建立的所述设备风险评估模型能够输出准确的所述第一设备的风险评估结果信息，从而具备了较强的分析计算能力，达到了准确而高效的技术效果。
进一步的，基于所述根据评估指标的性质，对所述标准化监测指标集合进行分类，获得定量指标集合和定性指标集合，步骤S300包括：
S310：获得电厂辅助系统运行规程；
S320：根据所述电厂辅助系统运行规程，对所述标准化监测指标集合进行归一化处理；
S330：根据所述归一化处理后的所述标准化监测指标集合，获得各标准化监测指标的定性特征和定量特征；
S340：对所述各标准化监测指标和所述定性特征进行信息论编码运算，获得定性特征信息熵；
S350：对所述各标准化监测指标和所述定量特征进行信息论编码运算，获得定量特征信息熵；
S360：基于所述定量特征信息熵和所述定性特征信息熵，对所述标准化监测指标集合进行分类，获得定量指标集合和定性指标集合。
具体而言，所述电厂辅助系统运行规程指的是指导所述电厂运行人员对所述电厂电力设备进行各种操作和监护、处理系统和设备故障及各种事故的文件，运行规程由总体运行规程、系统运行规程、换料与大修运行规程、系统报警手册、故障处理规程、事故处理规程、行政隔离规程和定期试验规程组成；所述归一化处理指的是依据所述标准化监测指标集合对应于所述电厂辅助系统运行规程记录的监测标准和监测的设备故障类型为基准进行归一化处理，将所述标准化监测指标集合由绝对值转为相对值的过程，即为常规所述归一化处理；所述定性特征和所述定量特征将得到的归一化处理后的所述标准化监测指标集合依据属性进行分类的结果。所述定量特征信息包括但不限于通过监测设备获取的实际数据（如有油中溶解气体含量、铁心接地电流等），所述定性特征信息包括但不限于通过状态描述（如不良工况记录、家族缺陷等）来表征所述电厂电力设备的某一特征的信息。
进一步的，所述定性特征信息熵和所述定量特征信息熵指的是通过信息论编码中的信息熵计算公式：
其中，t表示随机变量，与之相对应的是所有可能输出的集合，定义为符号集，随机变量的输出用t表示，
表示输出概率函数，变量的不确定性越大，熵也就越大。
进一步，优选的通过构建决策树的方式进行分类，分别将所述定性各个特征的信息熵和所述定量各个特征的信息熵进行大小数值的比对，继而获得熵值最小的特征，作为第一根节点特征信息，通过对熵值最小的特征进行优先分类，继而按照熵值由小到大的顺序，依次对各特征进行递归算法的分类，最终构建多层级的决策树，使得每个所述电力设备可匹配适合的指标分类结果，进而可在对所述电力设备进行监测时对所述标准化监测指标可侧重性的监测，达到了个体化程度更高的技术效果。
进一步的，基于所述构建设备状态评价模型，如图2所示，包括步骤S1000；
S1010：构建模型指标层，将所述模型指标层作为设备状态评价模型的输入层；
S1020：构建模型系统层，将所述模型指标层的输出信息作为所述模型系统层的输入信息；
S1030：构建模型设备层，将所述模型系统层的输出信息作为所述模型设备层的输入信息。
具体而言，所述构建设备状态评价模型主要通过多层级分析构建。层级分析指的是将偏于主观的定性分析与偏于客观的定量分析结合在一起，汲取各自的优点，基于专家的少量参考意见，使用数学方法反映专家的主观判断，从而为最终的决策提供科学的依据，这在涉及到模糊因素、需要专家凭借经验进行判断时尤其重要。
单个指标不一定能全面、完整地反映可能出现的问题。因此需要从整体出发，尽可能多的收集设备的状态信息，将影响设备运行状态的指标全方位地考虑进来，而因为数据量较多，所以需要采取层级分析法对采集到的信息进行分层级逐步处理，可以增加信息处理的效率和准确性。此处优选的构建三层，第一层为所述模型指标层：通过各类信息传感器收集不同类别的设备状态信息作为模型的数据支持，作为衡量设备状态的基础；第二层为所述模型系统层：因为不同设备的结构有所不同，导致设备表现出来的各指标之间的数据耦合性也各不相同。所以，应该根据不同设备的结构特点设立不同的子系统进行分别统计，如机械设备中的动力系统、传动系统、支撑系统；电子设备中的电源系统、输出系统等；第三层为所述模型设备层：是模型最终输出的评价结果，包含了设备的健康值信息。所述定性指标信息集合和所述定量信息集合为第一层的输入信息，得到设备各部位的状态参数，并拟合变化趋势；进一步的，将第一层的输出信息作为第二层输入信息，结合专家意见评估各个子系统的工作状态；更进一步的，将第二层的输出信息作为第三层的输入信息评估所述设备整体的工作状态，并对设备的健康值进行评估。其中，设备的健康值指的是设备在当前使用环境下，发挥和保持原定性能的能力，此类评价需要结合依据专家的意见信息构建的数学映射进行评价得到结果。通过层级分析搭建所述设备状态评价模型评价结构，可以将各个底层的定量的指标数据层层递进分析再结合定性的主观分析整体评价所述电厂电力设备的健康状态及对健康状态进行预测，便于出现异常时或可能出现异常时及时维护，达到了预见性维护所述电力设备的技术效果。
进一步的，基于所述根据所述设备状态评价结果，获得第一设备的故障概率，步骤S600包括；
S610：根据设备故障概率和所述设备状态评价结果的对应关系，获得第一关联曲线；
S620：根据所述第一关联曲线对第一设备的状态参量进行打分，获得所述第一设备的状态参量的评分和权重值；
S630：根据所述评分和权重值，获得所述第一设备的故障概率。
具体而言，所述第一关联曲线指的是基于所述设备状态评价结果中反应的不同状态和对应的不同故障的对应关系构建的关联曲线，可选的实现方式为以所述第一设备的健康指标参数和依据历史数据得到的所述第一设备的故障指标值的差值为基准，作为分母，以所述第一设备实时监测的所述标准指标和所述第一设备的故障指标值的差值作为分子，计算故障概率。以多组数据构建得到关联曲线，再依据所述定性指标，如实际的应用环境因素对所述第一设备的故障指标值造成的影响，得到修正参数，修正关联曲线得到所述第一关联曲线。进一步的，所述第一设备的状态参量的评分和权重值指的是依据所述第一关联曲线可对后步监测到的所述第一设备的状态参量进行打分赋予权重值，得以更新所述第一设备的故障概率，用来评价所述第一设备的故障可能性大小。
进一步的，基于所述将所述第一设备故障概率和所述故障损失输入所述设备风险评估模型，获得所述第一设备的风险评估结果，步骤S900包括：
S910：将所述第一设备故障概率和所述故障损失输入所述设备风险评估模型；
S920：所述设备风险评估模型通过多组输入数据训练至收敛状态而得，所述多组输入数据中的每组数据均包含所述第一设备故障概率信息和所述故障损失信息和用于标识所述第一设备的故障风险的标识信息；
S930：获得所述设备风险评估模型的输出信息，所述输出信息包括所述第一设备的风险评估结果。
具体而言，所述设备风险评估模型神经网络模型，所述神经网络模型即机器学习中的神经网络模型，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。其中，它能根据训练数据进行不断的自我训练学习，所述设备风险评估模型通过多组输入数据训练至收敛状态而得，所述多组输入数据中的每组数据均包含所述第一设备故障概率信息和所述故障损失信息和用于标识所述第一设备的故障风险的标识信息，所述第一诊断评估模型不断地自我的修正，当所述第一诊断评估模型的输出信息达到预定的准确率/收敛状态时，则监督学习过程结束。通过对所述设备风险评估模型进行数据训练，使得所述设备风险评估模型处理输入数据更加准确，进而使得输出的所述第一设备的风险评估结果信息也更加准确，达到了准确获得数据信息，提高评估结果智能化的技术效果。
综上所述，本申请实施例所提供的中一种基于设备全景数据的电力设备状态评估方法及系统具有如下技术效果：
1.由于采用了获得电厂电力设备的多维监测指标集合；对所述多维监测指标集合进行预处理，获得标准化监测指标集合；根据评估指标的性质，对所述标准化监测指标集合进行分类，获得定量指标集合和定性指标集合；构建设备状态评价模型；将所述定量指标集合和所述定性指标集合输入所述设备状态评价模型，获得设备状态评价结果；根据所述设备状态评价结果，获得第一设备故障概率；根据所述第一设备故障概率，获得所述第一设备的故障损失；构建设备风险评估模型；将所述第一设备故障概率和所述故障损失输入所述设备风险评估模型，获得所述第一设备的风险评估结果的技术方案，通过采集电力设备各项工作指标状态参数，利用定性和定量的状态数据利用设备状态评价模型得到设备各指标的评价结果，再利用风险评估模型将各个指标数据综合起来评估设备可能故障的风险大小，达到对电力设备故障风险进行预测的技术效果。
2.通过层级分析搭建所述设备状态评价模型评价结构，可以将各个底层的定量的指标数据层层递进分析再结合定性的主观分析整体评价所述电厂电力设备的健康状态及对健康状态进行预测，便于出现异常时或可能出现异常时及时维护，达到了预见性维护所述电力设备的技术效果。
3.通过在基于灰色模型构建的所述设备状态评价模型输入少量的实时更新的所述定量指标集合和所述定性指标集合，也能得到较准确的所述设备状态评价结果，用来预测所述定量指标集合和所述定性指标集合各个指标的变化趋势。
实施例二
基于与前述实施例中一种基于设备全景数据的电力设备状态评估方法相同的发明构思，如图3所示，本申请实施例提供了一种基于设备全景数据的电力设备状态智能评估系统，其中，所述系统包括：
第一获得单元11，所述第一获得单元11用于获得电厂电力设备的多维监测指标集合；
第一预处理单元12，所述第一预处理单元12用于对所述多维监测指标集合进行预处理，获得标准化监测指标集合；
第一分类单元13，所述第一分类单元13用于根据评估指标的性质，对所述标准化监测指标集合进行分类，获得定量指标集合和定性指标集合；
第一构建单元14，所述第一构建单元14用于构建设备状态评价模型；
第二获得单元15，所述第二获得单元15用于将所述定量指标集合和所述定性指标集合输入所述设备状态评价模型，获得设备状态评价结果；
第三获得单元16，所述第三获得单元16用于根据所述设备状态评价结果，获得第一设备故障概率；
第四获得单元17，所述第四获得单元17用于根据所述第一设备故障概率，获得所述第一设备的故障损失；
第二构建单元18，所述第二构建单元18用于构建设备风险评估模型；
第五获得单元19，所述第五获得单元19用于将所述第一设备故障概率和所述故障损失输入所述设备风险评估模型，获得所述第一设备的风险评估结果。
进一步的，所述系统还包括；
第六获得单元，所述第六获得单元用于获得预设量纲条件；
第七获得单元，所述第七获得单元用于根据所述预设量纲条件，对所述多维监测指标集合进行预处理，获得符合所述预设量纲条件的监测指标集合，作为所述标准化监测指标集合。
进一步的，所述系统还包括：
第八获得单元，所述第八获得单元用于获得电厂辅助系统运行规程；
第一处理单元，所述第一处理单元用于根据所述电厂辅助系统运行规程，对所述标准化监测指标集合进行归一化处理；
第九获得单元，所述第九获得单元用于根据所述归一化处理后的所述标准化监测指标集合，获得各标准化监测指标的定性特征和定量特征；
第十获得单元，所述第十获得单元用于对所述各标准化监测指标和所述定性特征进行信息论编码运算，获得定性特征信息熵；
第十一获得单元，第十一获得单元用于对所述各标准化监测指标和所述定量特征进行信息论编码运算，获得定量特征信息熵；
第十二获得单元，第十二获得单元用于基于所述定量特征信息熵和所述定性特征信息熵，对所述标准化监测指标集合进行分类，获得定量指标集合和定性指标集合。
进一步的，所述系统还包括：
第三构建单元，所述第三构建单元用于构建模型指标层，将所述模型指标层作为设备状态评价模型的输入层；
第四构建单元，所述第四构建单元用于构建模型系统层，将所述模型指标层的输出信息作为所述模型系统层的输入信息；
第五构建单元，所述第五构建单元用于构建模型设备层，将所述模型系统层的输出信息作为所述模型设备层的输入信息。
进一步的，所述系统还包括：
第十三获得单元，第十三获得单元用于根据设备故障概率和所述设备状态评价结果的对应关系，获得第一关联曲线；
第十四获得单元，第十四获得单元用于根据所述第一关联曲线对第一设备的状态参量进行打分，获得所述第一设备的状态参量的评分和权重值；
第十五获得单元，第十五获得单元用于根据所述评分和权重值，获得所述第一设备的故障概率。
进一步的，所述系统还包括：
第五构建单元，所述第五构建单元用于构建事件数的故障可能损失模型；
第十六获得单元，第十六获得单元用于根据所述第一设备故障概率和所述事件数的故障可能损失模型，获得所述第一设备的故障损失。
进一步的，所述系统还包括：
第一输入单元，所述第一输入单元用于将所述第一设备故障概率和所述故障损失输入所述设备风险评估模型；
第一训练单元，所述第一训练单元用于所述设备风险评估模型通过多组输入数据训练至收敛状态而得，所述多组输入数据中的每组数据均包含所述第一设备故障概率信息和所述故障损失信息和用于标识所述第一设备的故障风险的标识信息；
第一输出单元，所述第一输出单元用于获得所述设备风险评估模型的输出信息，所述输出信息包括所述第一设备的风险评估结果。
示例性电子设备
下面参考图4来描述本申请实施例的电子设备，
基于与前述实施例中一种基于设备全景数据的电力设备状态评估方法相同的发明构思，本申请实施例还提供了一种电子设备，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使得系统以执行第一方面任一项所述的方法
该电子设备300包括：处理器302、通信接口303、存储器301。可选的，电子设备300还可以包括总线架构304。其中，通信接口303、处理器302以及存储器301可以通过总线架构304相互连接；总线架构304可以是外设部件互连标(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture，简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU，微处理器，ASIC，或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303，使用任何收发器一类的系统，用于与其他设备或通信网络通信，如以太网，无线接入网(radio access network，RAN),无线局域网(wireless local areanetworks，WLAN)，有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory，EEPROM)、只读光盘(compactdisc
read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中，存储器301用于存储执行本申请方案的计算机执行指令，并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令，从而实现本申请上述实施例提供的一种基于设备全景数据的电力设备状态评估方法。
可选的，本申请实施例中的计算机执行指令也可以称之为应用程序代码，本申请实施例对此不作具体限定。
本申请实施例提供了一种基于设备全景数据的电力设备状态评估方法，其中，所述方法包括：获得电厂电力设备的多维监测指标集合；对所述多维监测指标集合进行预处理，获得标准化监测指标集合；根据评估指标的性质，对所述标准化监测指标集合进行分类，获得定量指标集合和定性指标集合；构建设备状态评价模型；将所述定量指标集合和所述定性指标集合输入所述设备状态评价模型，获得设备状态评价结果；根据所述设备状态评价结果，获得第一设备故障概率；根据所述第一设备故障概率，获得所述第一设备的故障损失；构建设备风险评估模型；将所述第一设备故障概率和所述故障损失输入所述设备风险评估模型，获得所述第一设备的风险评估结果。通过采集电力设备各项工作指标状态参数，利用定性和定量的状态数据利用设备状态评价模型得到设备各指标的评价结果，再利用风险评估模型将各个指标数据综合起来评估设备可能故障的风险大小，达到对电力设备故障风险进行预测的技术效果。
本领域普通技术人员可以理解：本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分，并不用来限制本申请实施例的范围，也不表示先后顺序。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a ,b,或c中的至少一项(个、种)，可以表示：a ,b,c,a -b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程系统。所述计算机指
令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程门阵列(FPGA)或其它可编程逻辑系统，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算系统的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于终端中。可选地，处理器和存储媒介也可以设置于终端中的不同的部件中。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设备上，使得在计算机或其他可编程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。
尽管结合具体特征及其实施例对本申请进行了描述，显而易见的，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (7)
1.一种基于设备全景数据的电力设备状态评估方法，其中，所述方法包括：获得电厂电力设备的多维监测指标集合；
对所述多维监测指标集合进行预处理，获得标准化监测指标集合；
根据评估指标的性质，对所述标准化监测指标集合进行分类，获得定量指标集合和定性指标集合；
构建设备状态评价模型；
将所述定量指标集合和所述定性指标集合输入所述设备状态评价模型，获得设备状态评价结果；
根据所述设备状态评价结果，获得第一设备故障概率；
根据所述第一设备故障概率，获得所述第一设备的故障损失；
构建设备风险评估模型；
将所述第一设备故障概率和所述故障损失输入所述设备风险评估模型，获得所述第一设备的风险评估结果；
所述根据评估指标的性质，对所述标准化监测指标集合进行分类，获得定量指标集合和定性指标集合，包括：
获得电厂辅助系统运行规程；
根据所述电厂辅助系统运行规程，对所述标准化监测指标集合进行归一化处理；
根据所述归一化处理后的所述标准化监测指标集合，获得各标准化监测指标的定性特征和定量特征；
对所述各标准化监测指标和所述定性特征进行信息论编码运算，获得定性特征信息熵；
对所述各标准化监测指标和所述定量特征进行信息论编码运算，获得定量特征信息熵；
基于所述定量特征信息熵和所述定性特征信息熵，对所述标准化监测指标集合进行分类，获得定量指标集合和定性指标集合；
所述构建设备状态评价模型，包括：
构建模型指标层，将所述模型指标层作为设备状态评价模型的输入层；
构建模型系统层，将所述模型指标层的输出信息作为所述模型系统层的输入信息；
构建模型设备层，将所述模型系统层的输出信息作为所述模型设备层的输入信息。
2.如权利要求1所述的方法，其中，所述对所述多维监测指标集合进行预处理，获得标准化监测指标集合，包括：
获得预设量纲条件；
根据所述预设量纲条件，对所述多维监测指标集合进行预处理，获得符合所述预设量纲条件的监测指标集合，作为所述标准化监测指标集合。
3.如权利要求1所述的方法，其中，所述根据所述设备状态评价结果，获得第一设备的故障概率，包括：
根据设备故障概率和所述设备状态评价结果的对应关系，获得第一关联曲线；
根据所述第一关联曲线对第一设备的状态参量进行打分，获得所述第一设备的状态参量的评分和权重值；根据所述评分和权重值，获得所述第一设备的故障概率。
4.如权利要求1所述的方法，其中，所述根据所述第一设备故障概率，获得所述第一设备的故障损失，包括：
构建事件树的故障可能损失模型；
根据所述第一设备故障概率和所述事件树的故障可能损失模型，获得所述第一设备的故障损失。
5.如权利要求1所述的方法，其中，所述将所述第一设备故障概率和所述故障损失输入所述设备风险评估模型，获得所述第一设备的风险评估结果，包括：
将所述第一设备故障概率和所述故障损失输入所述设备风险评估模型；
所述设备风险评估模型通过多组输入数据训练至收敛状态而得，所述多组输入数据中的每组数据均包含所述第一设备故障概率信息和所述故障损失信息和用于标识所述第一设备的故障风险的标识信息；
获得所述设备风险评估模型的输出信息，所述输出信息包括所述第一设备的风险评估结果。
6.一种基于设备全景数据的电力设备状态智能评估系统，其中，所述系统包括：
第一获得单元，所述第一获得单元用于获得电厂电力设备的多维监测指标集合；
第一预处理单元，所述第一预处理单元用于对所述多维监测指标集合进行预处理，获得标准化监测指标集合；
第一分类单元，所述第一分类单元用于根据评估指标的性质，对所述标准化监测指标集合进行分类，获得定量指标集合和定性指标集合；
第一构建单元，所述第一构建单元用于构建设备状态评价模型；
第二获得单元，所述第二获得单元用于将所述定量指标集合和所述定性指标集合输入所述设备状态评价模型，获得设备状态评价结果；
第三获得单元，所述第三获得单元用于根据所述设备状态评价结果，获得第一设备故障概率；
第四获得单元，所述第四获得单元用于根据所述第一设备故障概率，获得所述第一设备的故障损失；
第二构建单元，所述第二构建单元用于构建设备风险评估模型；
第五获得单元，所述第五获得单元用于将所述第一设备故障概率和所述故障损失输入所述设备风险评估模型，获得所述第一设备的风险评估结果；
第八获得单元，所述第八获得单元用于获得电厂辅助系统运行规程；
第一处理单元，所述第一处理单元用于根据所述电厂辅助系统运行规程，对所述标准化监测指标集合进行归一化处理；
第九获得单元，所述第九获得单元用于根据所述归一化处理后的所述标准化监测指标集合，获得各标准化监测指标的定性特征和定量特征；
第十获得单元，所述第十获得单元用于对所述各标准化监测指标和所述定性特征进行信息论编码运算，获得定性特征信息熵；
第十一获得单元，第十一获得单元用于对所述各标准化监测指标和所述定量特征进行信息论编码运算，获得定量特征信息熵；
第十二获得单元，第十二获得单元用于基于所述定量特征信息熵和所述定性特征信息熵，对所述标准化监测指标集合进行分类，获得定量指标集合和定性指标集合；
第三构建单元，所述第三构建单元用于构建模型指标层，将所述模型指标层作为设备状态评价模型的输入层；
第四构建单元，所述第四构建单元用于构建模型系统层，将所述模型指标层的输出信息作为所述模型系统层的输入信息；
第五构建单元，所述第五构建单元用于构建模型设备层，将所述模型系统层的输出信息作为所述模型设备层的输入信息。
7.一种电子设备，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使电子设备以执行如权利要求1至5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111118823.0A CN113779496B (zh) | 2021-09-24 | 2021-09-24 | 一种基于设备全景数据的电力设备状态评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111118823.0A CN113779496B (zh) | 2021-09-24 | 2021-09-24 | 一种基于设备全景数据的电力设备状态评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113779496A CN113779496A (zh) | 2021-12-10 |
| CN113779496B true CN113779496B (zh) | 2022-04-26 |
Family
ID=78852933
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111118823.0A Active CN113779496B (zh) | 2021-09-24 | 2021-09-24 | 一种基于设备全景数据的电力设备状态评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113779496B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114444859A (zh) * | 2021-12-23 | 2022-05-06 | 黄河水利水电开发集团有限公司 | 一种发电机-变压器组设备健康状态评估方法 |
| CN114542444B (zh) * | 2022-01-18 | 2022-12-20 | 江苏日易能源科技有限公司 | 一种空压机智能监控方法及系统 |
| CN115016353A (zh) * | 2022-06-17 | 2022-09-06 | 浙大城市学院 | 一种用于远程控制设备的监控管理系统 |
| CN114841626B (zh) * | 2022-07-01 | 2022-09-27 | 张家港市欧凯医疗器械有限公司 | 一种导尿管质量智能评估方法及系统 |
| CN115580637B (zh) * | 2022-09-26 | 2023-05-19 | 广州健新科技有限责任公司 | 一种用于电厂辅机设备的安全监测预警方法及系统 |
| CN115345523B (zh) * | 2022-10-13 | 2023-03-24 | 富联裕展科技(深圳)有限公司 | 一种设备风险系数评估方法及相关装置 |
| CN115578078A (zh) * | 2022-11-15 | 2023-01-06 | 云智慧（北京）科技有限公司 | 一种运维系统的数据处理方法、装置及设备 |
| CN116136987B (zh) * | 2023-02-21 | 2023-08-15 | 北京思维实创科技有限公司 | 一种基于pscada数据的供电设备可靠性在线评估方法及其系统 |
| CN117078043B (zh) * | 2023-08-22 | 2024-04-30 | 华能澜沧江水电股份有限公司 | 一种水电厂计算机监控系统的状态评价方法 |
| CN117093952B (zh) * | 2023-10-19 | 2024-01-02 | 北京松岛菱电电力工程有限公司 | 基于电力设备运行状态的智能控制方法及系统 |
| CN117134503B (zh) * | 2023-10-23 | 2024-01-19 | 武汉宏联电线电缆有限公司 | 一种大型电力供电装置的状态监测方法及系统 |
| CN117113282B (zh) * | 2023-10-24 | 2024-02-02 | 福建阿古电务数据科技有限公司 | 一种多元数据融合的设备健康预测诊断方法 |
| CN118114405B (zh) * | 2024-04-25 | 2024-07-09 | 昆山润阳机械有限公司 | 用于零件生产流程的智能检测方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103366096A (zh) * | 2013-07-22 | 2013-10-23 | 广东电网公司电力调度控制中心 | 电力通信设备风险评估方法 |
| CN105631578A (zh) * | 2015-12-10 | 2016-06-01 | 浙江大学 | 一种面向风险评估的输变电设备故障概率模型的建模方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102324068A (zh) * | 2011-08-31 | 2012-01-18 | 广东省电力调度中心 | 电力二次设备风险评估方法及其系统 |
-
2021
- 2021-09-24 CN CN202111118823.0A patent/CN113779496B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103366096A (zh) * | 2013-07-22 | 2013-10-23 | 广东电网公司电力调度控制中心 | 电力通信设备风险评估方法 |
| CN105631578A (zh) * | 2015-12-10 | 2016-06-01 | 浙江大学 | 一种面向风险评估的输变电设备故障概率模型的建模方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于运行状态的500kV变电站电力设备风险评估;杨慧;《中国优秀硕士学位论文全文数据库（工程科技II辑）》;20190615(第6期);摘要，正文第2页，第24-27页，第34-35页，第40页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113779496A (zh) | 2021-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113779496B (zh) | 一种基于设备全景数据的电力设备状态评估方法及系统 | |
| CN108320043B (zh) | 一种基于电力大数据的配电网设备状态诊断预测方法 | |
| CN113435652B (zh) | 一种一次设备缺陷诊断与预测方法 | |
| CN111539515B (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
| US7213174B2 (en) | Provision of process related information | |
| Ouyang et al. | Multiple perspectives on analyzing risk factors in FMEA | |
| CN105825342A (zh) | 一种管道失效可能性评价方法及系统 | |
| CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及系统 | |
| CN117422447A (zh) | 变压器维护策略生成方法、系统、电子设备及存储介质 | |
| Dong | Combining unsupervised and supervised learning for asset class failure prediction in power systems | |
| CN115796843A (zh) | 一种电力变压器的运维策略生成方法及相关装置 | |
| CN115688581A (zh) | 油气集输站设备参数预警方法、系统、电子设备及介质 | |
| Sharma et al. | FM–a pragmatic tool to model, analyse and predict complex behaviour of industrial systems | |
| Burmeister et al. | Exploration of production data for predictive maintenance of industrial equipment: A case study | |
| CN111061191A (zh) | 一种基于分布式的油气储罐远程运维系统及方法 | |
| CN115864644A (zh) | 一种继电保护装置状态评价方法、系统、设备及介质 | |
| CN116224950A (zh) | 面向无人生产线自组织重构的智能故障诊断方法和系统 | |
| CN113447813B (zh) | 海上风力发电机组的故障诊断方法及设备 | |
| CN113537759A (zh) | 一种基于权重自适应的用户体验度量模型 | |
| CN107291065A (zh) | 改进的基于决策树的制造过程多元质量诊断分类器 | |
| Kolodenkova et al. | Approach to the Selection of Significant Parameters for Diagnostics of Complex Technical Systems Using Soft Computing | |
| CN114692996A (zh) | 生产状态优化方法、系统及存储介质 | |
| CN118154152A (zh) | 一种基于云服务平台的设备全生命周期管理方法及系统 | |
| CN115269869A (zh) | 一种隐患数据信息检索方法、装置、计算机设备及介质 | |
| CN118761001A (zh) | 基于工业互联网平台的水电设备状态分析方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP02 | Change in the address of a patent holder | ||
| CP02 | Change in the address of a patent holder |
Address after: 510663 unit 02-04, floor 14, unit 1, building 2, No. 11, spectrum Middle Road, Lianhe street, Huangpu District, Guangzhou, Guangdong Province Patentee after: Guangzhou Jianxin Technology Co.,Ltd. Address before: 510700 floor 12, No. 20, Keyun Road, Tianhe District, Guangzhou City, Guangdong Province Patentee before: Guangzhou Jianxin Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230508 Address after: 510663 unit 02-04, floor 14, unit 1, building 2, No. 11, spectrum Middle Road, Lianhe street, Huangpu District, Guangzhou, Guangdong Province Patentee after: Guangzhou Jianxin Technology Co.,Ltd. Patentee after: China Southern power grid peak load regulation and frequency modulation power generation Co.,Ltd. Western maintenance test branch Address before: 510663 unit 02-04, floor 14, unit 1, building 2, No. 11, spectrum Middle Road, Lianhe street, Huangpu District, Guangzhou, Guangdong Province Patentee before: Guangzhou Jianxin Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231124 Address after: 510663 unit 02-04, floor 14, unit 1, building 2, No. 11, spectrum Middle Road, Lianhe street, Huangpu District, Guangzhou, Guangdong Province Patentee after: Guangzhou Jianxin Technology Co.,Ltd. Patentee after: Southern Power Grid Energy Storage Co.,Ltd. Western Maintenance and Testing Branch Address before: 510663 unit 02-04, floor 14, unit 1, building 2, No. 11, spectrum Middle Road, Lianhe street, Huangpu District, Guangzhou, Guangdong Province Patentee before: Guangzhou Jianxin Technology Co.,Ltd. Patentee before: China Southern power grid peak load regulation and frequency modulation power generation Co.,Ltd. Western maintenance test branch |