CN113902222A - 一种新能源智慧运维系统与方法 - Google Patents
一种新能源智慧运维系统与方法 Download PDFInfo
- Publication number
- CN113902222A CN113902222A CN202111363485.7A CN202111363485A CN113902222A CN 113902222 A CN113902222 A CN 113902222A CN 202111363485 A CN202111363485 A CN 202111363485A CN 113902222 A CN113902222 A CN 113902222A
- Authority
- CN
- China
- Prior art keywords
- data
- maintenance
- unit
- abnormal
- strategy
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 175
- 238000000034 method Methods 0.000 title claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims abstract description 189
- 238000004458 analytical method Methods 0.000 claims abstract description 72
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000004088 simulation Methods 0.000 claims description 89
- 238000010586 diagram Methods 0.000 claims description 40
- 238000012216 screening Methods 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000010977 unit operation Methods 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000007405 data analysis Methods 0.000 claims description 18
- 238000005516 engineering process Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 14
- 230000007547 defect Effects 0.000 claims description 13
- 238000012163 sequencing technique Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 11
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000005094 computer simulation Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007499 fusion processing Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000003745 diagnosis Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000013589 supplement Substances 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
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/43—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
- G06F16/48—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/483—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Library & Information Science (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种新能源智慧运维系统与方法,其系统包括:智能终端模块,用于获取现场运行数据并接收用户输入的远程指导信息;新型运维智库,用于获得异常特征智库和策略与方案智库;智能分析模块,用于生成综合分析结果;运维决策模块,用于基于所述综合分析结果和所述策略与方案智库,确定对应的定制运维策略;资产管理系统,用于基于所述定制运维策略生成控制指令,同时,将所述定制运维策略的相关信息更新到所述异常特征智库和所述策略与方案智库;运维执行模块,用于驱动现场执行所述定制运维策略;用以自动生成运维优化策略,并直接指导一线运维人员,从而提高运维质量。
Description
技术领域
本发明涉及自动寻优控制技术领域,特别涉及一种新能源智慧运维系统与方法。
背景技术
目前,新能源电站与风电机组运维管理,主要通过人为发现问题、人为运维决策来进行运维管理和优化,这种方式比较依赖运维人员的能力和技术水平,在当前新能源行业专家人才严重缺乏情况下,运维质量参差不齐,无法形成标准化和高水平的运维管理模式,运维质量不能保证,且与运维成本严重冲突。
当前行业在研究的智慧运维方案,有以下几类:
1)基于电站与风电机组运行数据,对某一设备或某一类型缺陷故障进行诊断,但因为数据缺乏或样本不够、或不够全面等原因,没有对现有运维模式进行很好的改进;
2)建立电站与风电机组运行大数据,并尝试研究预警、诊断等方法,出具分析报告对现场进行指导。但也存在数据缺乏、样本不够,专家经验和数据分析系统没有有机结合,时效性不好等诸多问题。导致大数据云平台建了很多,指导意义和实用性严重不足。
3)结合设备缺陷和故障机理,由专家研究建立运维智库,提供线下或线上运维指导手册或建议。但专家研究很难包含现场所有实际情况,往往出现误导,专家经验和一线经验没有有机结合,运维智库没有实现实时更新迭代。
4)孤立的研发智能终端模块,仅实现了图像、声音、运行数据、过程数据等记录和输出功能。
现有方案存在以下缺点:
数据缺乏、样本不够或不够全面,运维智库准确性和完善度不够;
专家经验和一线经验没有有机结合,运维智库大多是死的指导书,没有实现实时更新迭代,往往对现场形成误导;
智能终端模块输出数据种类较多,但没有形成综合的设备缺陷故障特征以及诊断结论;
专家经验和数据分析系统没有有机结合,指导意义和实用性严重不足。
因此,本发明提出一种新能源智慧运维系统与方法。
发明内容
本发明提供一种新能源智慧运维系统与方法,通过建立新型运维智库,结合运维智库、智能终端模块、智能分析系统,自动生成运维优化策略,与现有资产管理系统联动,以自动驱动运维管理的迭代优化,并将专家经验和人工智能智库直接指导一线运维人员,从而降低对一线运维人员技术水平要求,降低运维成本,并减少停机时间和不必要的损失,提高运维质量。
本发明提供一种新能源智慧运维系统,包括:
智能终端模块,用于获取现场运行数据,并接收用户输入的远程指导信息;
新型运维智库,用于基于预设的建模参数和机组设备信息,获得异常特征智库和策略与方案智库;
智能分析模块,用于对所述现场运行数据进行综合分析,结合所述异常特征智库,并基于智能特征检索技术,生成综合分析结果;
运维决策模块,用于基于所述综合分析结果和所述策略与方案智库,确定对应的定制运维策略;
资产管理系统,用于基于所述定制运维策略生成控制指令,同时,将所述定制运维策略的相关信息更新到所述异常特征智库和所述策略与方案智库;
运维执行模块,用于基于所述控制指令和所述远程指导信息驱动现场执行所述定制运维策略。
优选的,所述的一种新能源智慧运维系统,所述智能终端模块,包括:
智能输入终端,用于基于语音采集、视频采集,获得现场运行数据;
智能输出终端,用于接收用户输入的远程语音指导信息,并将所述远程语音指导信息传输给所述运维执行模块。
优选的,所述的一种新能源智慧运维系统,所述新型运维智库,包括:
样本特征库,用于存储建模参数和预设的机组设备信息;
仿真建模单元,用于基于所述建模参数和每种组合模型类别对应的机组设备信息进行组合仿真建模,生成每种组合模型类别对应的组合模型群;
组合工况模拟器,用于基于每种工况模拟类别对应的机组设备信息和所述建模参数进行组合模拟,生成每种工况模拟类别对应的组合工况模型;
综合仿真平台,用于将每种组合工况模型和每种组合模型群进行综合仿真计算,生成不同运行情况对应的仿真结果,将所述仿真结果存储至仿真结果库;
专家系统,用于从所述仿真结果中提取第一异常特征数据,将所有第一异常特征数据汇总生成所述异常特征智库,并基于所述第一异常特征数据生成对应的运维策略,将所有运维策略汇总生成所述策略与方案智库。
优选的,所述的一种新能源智慧运维系统,所述智能分析模块,包括:
数据提取单元,用于从所述现场运行数据中提取每个机组设备对应的视频特征数据、声音特征数据、机组运行数据;
融合单元,用于将每个机组设备对应的视频特征数据、声音特征数据进行融合分析,获得每个机组设备对应的第一特征数据;
第一评分单元,用于对所述机组运行数据进行分析获得每个机组设备的评分值;
特征提取单元,用于基于所述现场运行数据从所述异常特征智库中提取当前运行工况中每个机组设备对应的第一异常特征数据;
分析单元,用于将所述第一特征数据和所述第一异常特征数据以及所述评分值进行综合分析,获得每个机组设备对应的综合分析结果。
优选的,所述的一种新能源智慧运维系统,所述运维决策模块,包括:
判断单元,用于基于所述综合分析结果判断每个机组设备的当前设备状态,所述当前设备状态包括:正常状态、缺陷状态、异常状态;
检索单元,用于基于所述综合分析结果,从所述策略与方案智库中检索出每个被判定为异常状态的机组设备对应的第一运维策略,同时,从所述策略与方案智库中检索出每个被判定为缺陷状态的机组设备对应的第二运维策略;
模拟仿真单元,用于基于所述机组运行数据确定当前运行情况对应的目标组合工况模型和目标组合模型群,基于所有被判定为正常状态的机组设备对应的机组运行数据、所有第一运维策略中的第一运行数据、所有第二运维策略中的第二运行数据和所述目标组合工况模型以及所述目标组合模型群进行模拟仿真,生成对应的模拟仿真结果;
优化单元,用于判断所述模拟仿真结果中是否存在第二异常特征数据,若是,则基于所述第二异常特征数据从所述策略与方案智库中检索出对应的第三运维策略,基于所述第三运维策略和所述模拟仿真结果对被判定为正常状态的机组设备对应的机组运行数据和所述第一运行数据以及所述第二运行数据进行优化,直至优化后生成的模拟仿真结果中不存在第二异常特征数据时,则生成定制运维策略;
定制单元,用于当判定所述模拟仿真结果中不存在第二异常特征数据时,则基于所有被判定为正常状态的机组设备对应的机组运行数据和所有第一运行数据以及所有第二运行数据,生成定制运维策略。
优选的,所述的一种新能源智慧运维系统,所述分析单元,包括:
构建子单元,用于基于预设时间间隔梯度确定T个筛选时间点,并从每个筛选时间点对应的第一特征数据中筛选出N个第三异常特征数据,同时,从每个筛选时间点对应的第一异常特征数据中筛选出M个第四异常特征数据,基于从T个筛选时间点筛选出的所有第三异常特征数据和第四异常特征数据,构建每个机组设备对应的异常特征数据分析矩阵;
计算子单元,用于计算所述异常特征数据分析矩阵和预设的标准运行特征数据矩阵之间的欧氏距离值,基于所述欧氏距离值和所述评分值获得每个机组设备对应的综合分析结果。
优选的,所述的一种新能源智慧运维系统,所述资产管理系统,包括:
生成单元,用于基于所述定制运维策略生成控制指令;
更新单元,用于将所述定制运维策略更新至所述策略与方案智库,同时,将所述模拟仿真结果补充至所述仿真结果库,且若判定所述模拟仿真结果中存在第二异常特征数据时,则将所述模拟仿真结果中包含的第二异常特征数据存储至异常特征智库。
优选的,所述的一种新能源智慧运维系统,所述第一评分单元,包括:
预处理子单元,用于将所述机组运行数据进行预处理获得对应的运行评价数据,对所述运行评价数据进行特征提取,获得每个机组设备对应的运行评价特征数据;
确定子单元,用于将所述运行评价特征数据与对应机组设备在当前运行工况对应的预设运行特征数据进行比较,筛选出所述运行评价特征数据中的第一异常特征数据,确定出每个第一异常特征数据对应的评分影响因素,同时,确定出所述第一异常特征数据和预设运行特征数据的偏差值,基于所述偏差值确定出每个第一异常特征数据的第一评分值;
划分子单元,用于基于预设的影响因素层次分析模型,将所述评分影响因素划分为多个层次,获得每个第一异常特征数据对应的划分结果;
第一评分子单元,用于基于所述划分结果获得每个第一异常特征数据的评分结构图,从预设的评分结构图中筛选出与所述评分结构图匹配的目标结构图,基于所述目标结构图中包含的每个元素对应的权重值和所述目标结构图,计算出每个第一异常特征数据对应的第一权重值;
检索子单元,用于获取每个机组设备对应的评分偏好信息,基于所述评分偏好信息构建判断标准梯度,基于所述第一异常特征数据类别和所述判断标准梯度确定所述第一异常特征数据的第二权重值;
第二评分子单元,用于基于所述第一评分值、所述第一权重值以及所述第二权重值,计算出对应机组设备的评分值。
优选的,所述的一种新能源智慧运维系统,所述融合单元,包括:
清洗子单元,用于对所述视频特征数据和所述声音特征数据进行数据清洗,获得对应的视频特征去冗余数据和声音特征去冗余数据;
排序子单元,用于按照时间顺序将所述视频特征去冗余数据和所述声音特征去冗余数据进行排列,获得对应的第一排列数据和第二排列数据;
配准子单元,用于将所述第一排列数据和所述第二排列数据转换在预设空间坐标系中,获得对应的第一时空配准结果和第二时空配准结果;
标准化子单元,用于对所述第一时空配准结果和所述第二时空配准结果中包含的特征数据进行归一化处理,获得对应的第一标准特征数据和第二标准特征数据;
降维子单元,用于基于预设的降维算法将所述第一标准特征数据和所述第二标准特征数据降维至低维度空间中,并进行数据解耦处理,获得对应的第一底层特征数据和第二底层特征数据;
融合子单元,用于将所述第一底层特征数据和所述第二底层特征数据进行深度融合处理,获得对应的第一特征数据。
一种新能源智慧运维方法,包括:
S1:获取现场运行数据,并接收用户输入的远程指导信息;
S2:基于预设的建模参数和机组设备信息,获得异常特征智库和策略与方案智库;
S3:对所述现场运行数据进行综合分析,结合所述异常特征智库,并基于智能特征检索技术,生成综合分析结果;
S4:基于所述综合分析结果和所述策略与方案智库,确定对应的定制运维策略;
S5:基于所述定制运维策略生成控制指令,同时,将所述定制运维策略的相关信息更新到所述异常特征智库和所述策略与方案智库;
S6:基于所述控制指令和所述远程指导信息驱动现场执行所述定制运维策略。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种新能源智慧运维系统示意图;
图2为本发明实施例中一种新能源智慧运维系统结构图;
图3为本发明实施例中一种智能终端模块结构图;
图4为本发明实施例中一种新型运维智库结构图;
图5为本发明实施例中一种智能分析模块结构图;
图6为本发明实施例中一种运维决策模块结构图;
图7为本发明实施例中一种分析单元结构图;
图8为本发明实施例中一种资产管理系统结构图;
图9为本发明实施例中一种第一评分单元结构图;
图10为本发明实施例中一种融合单元结构图;
图11为本发明实施例中一种新能源智慧运维方法流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
本发明提供了一种新能源智慧运维系统,参考图1和2,包括:
智能终端模块,用于获取现场运行数据,并接收用户输入的远程指导信息;
新型运维智库,用于基于预设的建模参数和机组设备信息,获得异常特征智库和策略与方案智库;
智能分析模块,用于对所述现场运行数据进行综合分析,结合所述异常特征智库,并基于智能特征检索技术,生成综合分析结果;
运维决策模块,用于基于所述综合分析结果和所述策略与方案智库,确定对应的定制运维策略;
资产管理系统,用于基于所述定制运维策略生成控制指令,同时,将所述定制运维策略的相关信息更新到所述异常特征智库和所述策略与方案智库;
运维执行模块,用于基于所述控制指令和所述远程指导信息驱动现场执行所述定制运维策略。
该实施例中,本发明的应用场景有:新能源电站、风电机组等。
该实施例中,新型运维智库是综合专家经验沉淀、机器学习和现场运维执行经验的综合动态智库。
该实施例中,智能输入终端有运行数据获取、图像采集、语音采集、视频采集等功能类别,为智能分析模块提供数据输入。
该实施例中,现场运行数据即为应用场景现场的机组运行数据、采集的监控图像、监控语音、监控视频等。
该实施例中,智能输出终端有远程语音指导、远程视频指导、远程专家会诊等功能类别,为运维执行提供智能远程在线支持。
该实施例中,远程指导信息即为运维人员输入的远程指导语音、远程指导视频、远程专家会诊结果等。
该实施例中,建模参数即为应用现场的机组设备连接关系。
该实施例中,机组设备信息即为不同厂家规格的设备规格等设备相关信息。
该实施例中,异常特征智库用于存储设备异常特征、异常原因、异常检修点、异常变化趋势等与设备相关的异常特征数据。
该实施例中,策略与方案智库用于存储运维策略与方案。
该实施例中,综合分析结果即表征对应机组设备的设备状态。
该实施例中,定制运维策略即为新能源智慧运维系统最终确定的定制运维策略。
该实施例中,控制指令用于基于定制运维策略控制现场的机组设备。
该实施例中,相关信息即为定制运维策略和对应的异常特征数据和对应的模拟仿真结果。
以上技术的有益效果为:通过建立新型运维智库,结合运维智库、智能终端模块、智能分析系统,自动生成运维优化策略,与现有资产管理系统联动,以自动驱动运维管理的迭代优化,并将专家经验和人工智能智库直接指导一线运维人员,从而降低对一线运维人员技术水平要求,降低运维成本,并减少停机时间和不必要的损失,提高运维质量。
实施例2:
在实施例1的基础上,所述智能终端模块,参考图3,包括:
智能输入终端,用于基于语音采集、视频采集,获得现场运行数据;
智能输出终端,用于接收用户输入的远程语音指导信息,并将所述远程语音指导信息传输给所述运维执行模块。
以上技术的有益效果为:本发明提出的智能终端模块,主要包括:智能输入终端和智能输出终端两大类。智能输入终端有运行数据获取、图像采集、语音采集、视频采集等功能类别,为智能分析模块提供数据输入;智能输出终端有远程语音指导、远程视频指导、远程专家会诊等功能类别,为运维执行提供智能远程在线支持。
实施例3:
在实施例1的基础上,所述新型运维智库,参考图4,包括:
样本特征库,用于存储建模参数和预设的机组设备信息;
仿真建模单元,用于基于所述建模参数和每种组合模型类别对应的机组设备信息进行组合仿真建模,生成每种组合模型类别对应的组合模型群;
组合工况模拟器,用于基于每种工况模拟类别对应的机组设备信息和所述建模参数进行组合模拟,生成每种工况模拟类别对应的组合工况模型;
综合仿真平台,用于将每种组合工况模型和每种组合模型群进行综合仿真计算,生成不同运行情况对应的仿真结果,将所述仿真结果存储至仿真结果库;
专家系统,用于从所述仿真结果中提取第一异常特征数据,将所有第一异常特征数据汇总生成所述异常特征智库,并基于所述第一异常特征数据生成对应的运维策略,将所有运维策略汇总生成所述策略与方案智库。
该实施例中,样本特征库涉及电站与风电机组主要设备,主要分为:正常样本库、缺陷样本库、故障样本库三大类。
该实施例中,组合模型类别例如有:电站模型、风电机组模型、电网模型等类别。
该实施例中,组合模型群例如有:电站模型群、风电机组模型群、电网模型群等。
该实施例中,工况模拟类别例如有:风/光资源模拟、异常特征模拟、境温湿度模拟、空气密度和海拔高度模拟等类别。
该实施例中,组合工况模型例如有:风/光资源模拟模型、异常特征模拟模型、境温湿度模拟模型、空气密度和海拔高度模拟模型等。
该实施例中,仿真结果即为不同运行情况(不同工况和不同组合模型群)对应的系统仿真结果。
该实施例中,仿真结果库用于存储不同运行情况(不同工况和不同组合模型群)对应的仿真结果。
该实施例中,综合仿真平台利用组合模型群与对应的组合工况模型,进行海量仿真计算,形成不同设备类别、不同运行工况下、不同运行特征状态下的仿真结果库。
该实施例中,专家系统依据大量实际样本、海量仿真结果库,提取设备异常特征、异常原因、异常检修点、异常变化趋势等,并给出对应运维策略与方案,形成策略与方案组合智库。这里的设备异常主要包括:设备缺陷(亚健康)、设备故障等类别。
该实施例中,第一异常特征数据包括:电压波动幅度值、过流电流值、过压电压值等。
该实施例中,运维策略即为针对异常特征数据生成的对应机组设备的运维方案。
以上技术的有益效果为:运用组合模型群与组合工况模型,进行海量仿真计算,形成不同设备类别、不同运行工况下、不同运行特征状态下的仿真结果库,并将仿真结果库与大量实际样本特征分析结合,形成海量的运维智库数据,解决运维智库研发中存在的样本不足和数据不全面的问题。
实施例4:
在实施例3的基础上,所述智能分析模块,参考图5,包括:
数据提取单元,用于从所述现场运行数据中提取每个机组设备对应的视频特征数据、声音特征数据、机组运行数据;
融合单元,用于将每个机组设备对应的视频特征数据、声音特征数据进行融合分析,获得每个机组设备对应的第一特征数据;
第一评分单元,用于对所述机组运行数据进行分析获得每个机组设备的评分值;
特征提取单元,用于基于所述现场运行数据从所述异常特征智库中提取当前运行工况中每个机组设备对应的第一异常特征数据;
分析单元,用于将所述第一特征数据和所述第一异常特征数据以及所述评分值进行综合分析,获得每个机组设备对应的综合分析结果。
该实施例中,视频特征数据即为从现场运行数据中包含的现场视频数据中提取出的特征数据。
该实施例中,声音特征数据即为从现场运行数据中包含的现场声音数据中提取出的特征数据。
该实施例中,机组运行数据即为现场运行数据中包含的现场及足额设备运行数据。
该实施例中,第一特征数据即为将视频特征数据和声音特征数据进行融合后获得的特征数据。
该实施例中,评分值用于表征机组设备的运行状态健康度。
该实施例中,基于所述现场运行数据从所述异常特征智库中提取当前运行工况中每个机组设备对应的异常特征数据即为:基于现场运行数据选择对应组合工况模型和对应组合模型群组合仿真对应的仿真结果,从对应的仿真结果中提取出异常特征数据。
以上技术的有益效果为:本发明提出的智能分析模块,主要通过对智能输入终端的数据进行综合分析,结合新型运维智库提供的专家系统诊断意见(主要包括:设备异常特征、异常原因、异常检修点、异常变化趋势等),以及运维智库提供的异常特征数据,运用智能特征检索技术,自动形成对应机组设备的综合分析结果,实现通过智能分析算法,将智能终端模块输入数据,自动识别异常特征,并实现远程智能支持系统,以指导现场运维执行,使得获得对应机组设备的设备状态分析结果,为后续生成对应的定制运维策略提供数据基础。
实施例5:
在实施例4的基础上,所述运维决策模块,参考图6,包括:
判断单元,用于基于所述综合分析结果判断每个机组设备的当前设备状态,所述当前设备状态包括:正常状态、缺陷状态、异常状态;
检索单元,用于基于所述综合分析结果,从所述策略与方案智库中检索出每个被判定为异常状态的机组设备对应的第一运维策略,同时,从所述策略与方案智库中检索出每个被判定为缺陷状态的机组设备对应的第二运维策略;
模拟仿真单元,用于基于所述机组运行数据确定当前运行情况对应的目标组合工况模型和目标组合模型群,基于所有被判定为正常状态的机组设备对应的机组运行数据、所有第一运维策略中的第一运行数据、所有第二运维策略中的第二运行数据和所述目标组合工况模型以及所述目标组合模型群进行模拟仿真,生成对应的模拟仿真结果;
优化单元,用于判断所述模拟仿真结果中是否存在第二异常特征数据,若是,则基于所述第二异常特征数据从所述策略与方案智库中检索出对应的第三运维策略,基于所述第三运维策略和所述模拟仿真结果对被判定为正常状态的机组设备对应的机组运行数据和所述第一运行数据以及所述第二运行数据进行优化,直至优化后生成的模拟仿真结果中不存在第二异常特征数据时,则生成定制运维策略;
定制单元,用于当判定所述模拟仿真结果中不存在第二异常特征数据时,则基于所有被判定为正常状态的机组设备对应的机组运行数据和所有第一运行数据以及所有第二运行数据,生成定制运维策略。
该实施例中,第二异常特征数据即为模拟仿真结果中可能存在的异常特征数。
该实施例中,第一运维策略即为基于所述综合分析结果从所述策略与方案智库中检索出的每个被判定为异常状态的机组设备对应的运维策略。
该实施例中,第二运维策略即为基于所述综合分析结果从所述策略与方案智库中检索出的每个被判定为缺陷状态的机组设备对应的运维策略。
该实施例中,第一运行数据即为第一运维策略中包含的机组设备运维后的机组运行数据。
该实施例中,第二运行数据即为第二运维策略中包含的机组设备运维后的机组运行数据。
该实施例中,模拟仿真结果即为基于所有被判定为正常状态的机组设备对应的机组运行数据、所有第一运维策略中的第一运行数据、所有第二运维策略中的第二运行数据和所述目标组合工况模型以及所述目标组合模型群进行模拟仿真获得的仿真结果。
该实施例中,第三运维策略即为基于模拟仿真结果中包含的异常特征数据从所述策略与方案智库中检索出地对应的运维策略。
该实施例中,定制运维策略即为基于综合分析结果和策略与方案智库中的运维策略最终确定的机组设备运维策略,主要包括:自动工单、指导方案派发、工器具准备、备件管理、指导工时、人力素质模型等。
以上技术的有益效果为:本发明提出的运维决策模块,主要结合智能分析模块给出的综合分析结果,以及运维智库给出的对应问题处理措施与运维策略,以及二次判断优化过程,形成本次诊断后的定制运维策略,从而实现杜绝人工决策缺失情况,提高运维质量,降低对一线运维人员技术水平要求,并降低运维成本,减少停机时间和不必要的损失。
实施例6:
在实施例5的基础上,所述分析单元,参考图7,包括:
构建子单元,用于基于预设时间间隔梯度确定T个筛选时间点,并从每个筛选时间点对应的第一特征数据中筛选出N个第三异常特征数据,同时,从每个筛选时间点对应的第一异常特征数据中筛选出M个第四异常特征数据,基于从T个筛选时间点筛选出的所有第三异常特征数据和第四异常特征数据,构建每个机组设备对应的异常特征数据分析矩阵;
计算子单元,用于计算所述异常特征数据分析矩阵和预设的标准运行特征数据矩阵之间的欧氏距离值,基于所述欧氏距离值和所述评分值获得每个机组设备对应的综合分析结果。
该实施例中,预设时间间隔梯度例如为100毫秒。
该实施例中,第三异常特征数据即为从每个筛选时间点对应的第一特征数据中筛选出的N个异常特征数据,例如有:电压波动幅度值、过流电流值、过压电压值等,其中第三异常数据的个数N由当前筛选时间点对应的第一特征数据中包含的异常特征数据总个数决定。
该实施例中,第四异常特征数据从每个筛选时间点对应的第一异常特征数据中筛选出的M个异常特征数据,例如有:电压波动幅度值、过流电流值、过压电压值等,其中第四异常数据的个数M由当前筛选时间点对应的第一异常特征数据中包含的异常特征数据总个数决定。
该实施例中,异常特征数据分析矩阵用于从第一特征数据和第一异常特征数据方面体现机组设备的分析结果(设备状态健康值),为T行(N+M)列矩阵。
该实施例中,基于所述欧氏距离值和所述评分值获得每个机组设备对应的综合分析结果即为:
评分值和欧式距离值的差。
式中,G为对应机组设备的综合分析结果,B为评分值,D(A,C)为异常特征数据分析矩阵和预设的标准运行特征数据矩阵之间的欧氏距离值,A为异常特征数据分析矩阵,C为预设的标准运行特征数据矩阵,X为异常特征数据分析矩阵或预设的标准运行特征数据矩阵的第X行,Y为异常特征数据分析矩阵或预设的标准运行特征数据矩阵的第Y列,T为异常特征数据分析矩阵或预设的标准运行特征数据矩阵的总行数,N为异常特征数据分析矩阵每行中包含的第三异常特征数据总个数,M为异常特征数据分析矩阵每行中包含的第四异常特征数据总个数,N+M为异常特征数据分析矩阵或预设的标准运行特征数据矩阵的总列数,axy为异常特征数据分析矩阵的第X行第Y列对应的数值,cxy为预设的标准运行特征数据矩阵的第X行第Y列对应的数值。
以上技术的有益效果为:基于时间维度和数据种类维度两方面获得的综合分析结果准确客观地表征了机组设备的设备状态,为形成本次诊断后的定制运维策略提供了基础。
实施例7:
在实施例5的基础上,所述资产管理系统,参考图8,包括:
生成单元,用于基于所述定制运维策略生成控制指令;
更新单元,用于将所述定制运维策略更新至所述策略与方案智库,同时,将所述模拟仿真结果补充至所述仿真结果库,且若判定所述模拟仿真结果中存在第二异常特征数据时,则将所述模拟仿真结果中包含的第二异常特征数据存储至异常特征智库。
以上技术的有益效果为:资产管理系统基于生成单元和更新单元实现自动导入现场运维执行经验,以补充与迭代优化运维智库。
实施例8:
在实施例4的基础上,所述第一评分单元,参考图9,包括:
预处理子单元,用于将所述机组运行数据进行预处理获得对应的运行评价数据,对所述运行评价数据进行特征提取,获得每个机组设备对应的运行评价特征数据;
确定子单元,用于将所述运行评价特征数据与对应机组设备在当前运行工况对应的预设运行特征数据进行比较,筛选出所述运行评价特征数据中的第一异常特征数据,确定出每个第一异常特征数据对应的评分影响因素,同时,确定出所述第一异常特征数据和预设运行特征数据的偏差值,基于所述偏差值确定出每个第一异常特征数据的第一评分值;
划分子单元,用于基于预设的影响因素层次分析模型,将所述评分影响因素划分为多个层次,获得每个第一异常特征数据对应的划分结果;
第一评分子单元,用于基于所述划分结果获得每个第一异常特征数据的评分结构图,从预设的评分结构图中筛选出与所述评分结构图匹配的目标结构图,基于所述目标结构图中包含的每个元素对应的权重值和所述目标结构图,计算出每个第一异常特征数据对应的第一权重值;
检索子单元,用于获取每个机组设备对应的评分偏好信息,基于所述评分偏好信息构建判断标准梯度,基于所述第一异常特征数据类别和所述判断标准梯度确定所述第一异常特征数据的第二权重值;
第二评分子单元,用于基于所述第一评分值、所述第一权重值以及所述第二权重值,计算出对应机组设备的评分值。
该实施例中,预处理即为进行数据清洗,为了去除机组运行数据中的重复数据和错误数据。
该实施例中,运行评价数据即为机组运行数据经过预处理后获得的对应的数据。
该实施例中,运行评价特征数据即为对运行评价数据进行特征提取获得的对应的特征数据。
该实施例中,预设运行特征数据即为对应机组设备在标准运行状态下对应的运行特征数据。
该实施例中,基于所述偏差值确定出每个第一异常特征数据的第一评分值即为:将满分值减去偏差值获得第一评分值。
该实施例中,影响因素层次分析模型即为用于分析影响机组设备状态健康度的因素层次的模型。
该实施例中,评分结构图即为基于影响因素层次分析模型划分获得的划分结果构建的影响因素结构图。
该实施例中,目标结构图即为从预设的评分结构图中筛选出与评分结构图匹配的结构图:目标结构图和评分结构图按照树状分布。
该实施例中,基于所述目标结构图中包含的每个元素对应的权重值和所述目标结构图,计算出每个第一异常特征数据对应的第一权重值即为:将目标结构图中包含的每个元素对应的权重值累加获得。
该实施例中,评分偏好信息即为反映影响因素重要程度和评价侧重点的信息,例如:偏重关注电压波动值,则电压波动值位于第一梯度。
该实施例中,判断标准梯度即为反映第一异常特征数据类别对机组设备的评分值的影响程度,判断标准梯度由高到低反映重要程度由高到低。
该实施例中,基于所述第一异常特征数据类别和所述判断标准梯度确定所述第一异常特征数据的第二权重值,即为:判断第一异常特征数据类别位于判断标准梯度的第几梯度,并将对应梯度的权重值确定为第二权重值。
该实施例中,基于所述第一评分值、所述第一权重值以及所述第二权重值,计算出对应机组设备的评分值,包括:
基于每个机组设备包含的第一异常数据对应的第一评分值和第一权重值,计算出评分值:
式中,B为评分值,n为对应机组设备包含的的第一异常数据的总个数,α1为第一权重值,lg为对数函数,Si为对应机组设备的第i个第一异常数据对应的第一评分值,max(Si)为对应机组设备包含的第一异常数据对应的第一评分值中的最大值,min(Si)为对应机组设备包含的第一异常数据对应的第一评分值中的最小值,α2为第二权重值;
例如,n为2,α1为0.5,S1为90,S2为40,max(Si)为90,min(Si)为40,α2为0.5,则B为0.24389。
以上技术的有益效果为:通过确定出每个第一异常特征数据对应的评分影响因素,同时,确定出所述第一异常特征数据和预设运行特征数据的偏差值,基于所述偏差值确定出的每个第一异常特征数据的第一评分值、基于划分结果获得每个第一异常特征数据的评分结构图,基于目标结构图中包含的每个元素对应的权重值和目标结构图,计算出的每个第一异常特征数据对应的第一权重值、基于所述评分偏好信息构建判断标准梯度,基于所述第一异常特征数据类别和所述判断标准梯度确定的所述第一异常特征数据的第二权重值,计算出的对应机组设备的评分值,充分考虑到异常数据的偏差程度、影响因素的重要性、影响因素之间的关联性对设备状态评分的影响,保证了获得的评分值可以充分反映出机组设备的设备状态,为后续确定定制运维策略提供了基础。
实施例9:
在实施例4的基础上,所述融合单元,参考图10,包括:
清洗子单元,用于对所述视频特征数据和所述声音特征数据进行数据清洗,获得对应的视频特征去冗余数据和声音特征去冗余数据;
排序子单元,用于按照时间顺序将所述视频特征去冗余数据和所述声音特征去冗余数据进行排列,获得对应的第一排列数据和第二排列数据;
配准子单元,用于将所述第一排列数据和所述第二排列数据转换在预设空间坐标系中,获得对应的第一时空配准结果和第二时空配准结果;
标准化子单元,用于对所述第一时空配准结果和所述第二时空配准结果中包含的特征数据进行归一化处理,获得对应的第一标准特征数据和第二标准特征数据;
降维子单元,用于基于预设的降维算法将所述第一标准特征数据和所述第二标准特征数据降维至低维度空间中,并进行数据解耦处理,获得对应的第一底层特征数据和第二底层特征数据;
融合子单元,用于将所述第一底层特征数据和所述第二底层特征数据进行深度融合处理,获得对应的第一特征数据。
该实施例中,视频特征去冗余数据即为视频特征数据经过数据清洗后获得的对应数据。
该实施例中,声音特征去冗余数据即为声音特征数据经过数据清洗后获得的对应数据。
该实施例中,第一排列数据即为将视频特征去冗余数据按照时间顺序排列获得的对应数据。
该实施例中,第二排列数据即为将声音特征去冗余数据按照时间顺序排列获得的对应数据。
该实施例中,第一时空配准结果即为将第一排列数据转换在预设空间坐标系中获得的对应数据。
该实施例中,第二时空配准结果即为将第二排列数据转换在预设空间坐标系中获得的对应数据。
该实施例中,第一标准特征数据即为将第一时空配准结果中包含的特征数据进行归一化处理获得的对应数据。
该实施例中,第二标准特征数据即为将第二时空配准结果中包含的特征数据进行归一化处理获得的对应数据。
该实施例中,第一底层特征数据即为基于预设的降维算法将所述第一标准特征数据降维至低维度空间中,并进行数据解耦处理,获得的对应数据。
该实施例中,第二底层特征数据即为基于预设的降维算法将所述第二标准特征数据降维至低维度空间中,并进行数据解耦处理,获得的对应数据。
该实施例中,第一特征数据即为将所述第一底层特征数据和所述第二底层特征数据进行深度融合处理获得的对应数据。
以上技术的有益效果为:通过将视频特征数据和声音特征数据进行数据清洗处理、时间排序处理、空间配准处理、归一化处理、降维处理、融合处理,获得对应的第一特征数据,实现将现场运行数据中的视频特征数据和声音特征数据深度融合,为后续获得综合分析结果提供了数据基础。
实施例10:
本发明提供了一种新能源智慧运维方法,参考图11,包括:
S1:获取现场运行数据,并接收用户输入的远程指导信息;
S2:基于预设的建模参数和机组设备信息,获得异常特征智库和策略与方案智库;
S3:对所述现场运行数据进行综合分析,结合所述异常特征智库,并基于智能特征检索技术,生成综合分析结果;
S4:基于所述综合分析结果和所述策略与方案智库,确定对应的定制运维策略;
S5:基于所述定制运维策略生成控制指令,同时,将所述定制运维策略的相关信息更新到所述异常特征智库和所述策略与方案智库;
S6:基于所述控制指令和所述远程指导信息驱动现场执行所述定制运维策略。
以上技术的有益效果为:通过建立新型运维智库,结合运维智库、智能终端模块、智能分析系统,自动生成运维优化策略,与现有资产管理系统联动,以自动驱动运维管理的迭代优化,并将专家经验和人工智能智库直接指导一线运维人员,从而降低对一线运维人员技术水平要求,降低运维成本,并减少停机时间和不必要的损失,提高运维质量。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种新能源智慧运维系统,其特征在于,包括:
智能终端模块,用于获取现场运行数据,并接收用户输入的远程指导信息;
新型运维智库,用于基于预设的建模参数和机组设备信息,获得异常特征智库和策略与方案智库;
智能分析模块,用于对所述现场运行数据进行综合分析,结合所述异常特征智库,并基于智能特征检索技术,生成综合分析结果;
运维决策模块,用于基于所述综合分析结果和所述策略与方案智库,确定对应的定制运维策略;
资产管理系统,用于基于所述定制运维策略生成控制指令,同时,将所述定制运维策略的相关信息更新到所述异常特征智库和所述策略与方案智库;
运维执行模块,用于基于所述控制指令和所述远程指导信息驱动现场执行所述定制运维策略。
2.根据权利要求1所述的一种新能源智慧运维系统,其特征在于,所述智能终端模块,包括:
智能输入终端,用于基于语音采集、视频采集,获得现场运行数据;
智能输出终端,用于接收用户输入的远程语音指导信息,并将所述远程语音指导信息传输给所述运维执行模块。
3.根据权利要求1所述的一种新能源智慧运维系统,其特征在于,所述新型运维智库,包括:
样本特征库,用于存储建模参数和预设的机组设备信息;
仿真建模单元,用于基于所述建模参数和每种组合模型类别对应的机组设备信息进行组合仿真建模,生成每种组合模型类别对应的组合模型群;
组合工况模拟器,用于基于每种工况模拟类别对应的机组设备信息和所述建模参数进行组合模拟,生成每种工况模拟类别对应的组合工况模型;
综合仿真平台,用于将每种组合工况模型和每种组合模型群进行综合仿真计算,生成不同运行情况对应的仿真结果,将所述仿真结果存储至仿真结果库;
专家系统,用于从所述仿真结果中提取第一异常特征数据,将所有第一异常特征数据汇总生成所述异常特征智库,并基于所述第一异常特征数据生成对应的运维策略,将所有运维策略汇总生成所述策略与方案智库。
4.根据权利要求3所述的一种新能源智慧运维系统,其特征在于,所述智能分析模块,包括:
数据提取单元,用于从所述现场运行数据中提取每个机组设备对应的视频特征数据、声音特征数据、机组运行数据;
融合单元,用于将每个机组设备对应的视频特征数据、声音特征数据进行融合分析,获得每个机组设备对应的第一特征数据;
第一评分单元,用于对所述机组运行数据进行分析获得每个机组设备的评分值;
特征提取单元,用于基于所述现场运行数据从所述异常特征智库中提取当前运行工况中每个机组设备对应的第一异常特征数据;
分析单元,用于将所述第一特征数据和所述第一异常特征数据以及所述评分值进行综合分析,获得每个机组设备对应的综合分析结果。
5.根据权利要求4所述的一种新能源智慧运维系统,其特征在于,所述运维决策模块,包括:
判断单元,用于基于所述综合分析结果判断每个机组设备的当前设备状态,所述当前设备状态包括:正常状态、缺陷状态、异常状态;
检索单元,用于基于所述综合分析结果,从所述策略与方案智库中检索出每个被判定为异常状态的机组设备对应的第一运维策略,同时,从所述策略与方案智库中检索出每个被判定为缺陷状态的机组设备对应的第二运维策略;
模拟仿真单元,用于基于所述机组运行数据确定当前运行情况对应的目标组合工况模型和目标组合模型群,基于所有被判定为正常状态的机组设备对应的机组运行数据、所有第一运维策略中的第一运行数据、所有第二运维策略中的第二运行数据和所述目标组合工况模型以及所述目标组合模型群进行模拟仿真,生成对应的模拟仿真结果;
优化单元,用于判断所述模拟仿真结果中是否存在第二异常特征数据,若是,则基于所述第二异常特征数据从所述策略与方案智库中检索出对应的第三运维策略,基于所述第三运维策略和所述模拟仿真结果对被判定为正常状态的机组设备对应的机组运行数据和所述第一运行数据以及所述第二运行数据进行优化,直至优化后生成的模拟仿真结果中不存在第二异常特征数据时,则生成定制运维策略;
定制单元,用于当判定所述模拟仿真结果中不存在第二异常特征数据时,则基于所有被判定为正常状态的机组设备对应的机组运行数据和所有第一运行数据以及所有第二运行数据,生成定制运维策略。
6.根据权利要求5所述的一种新能源智慧运维系统,其特征在于,所述分析单元,包括:
构建子单元,用于基于预设时间间隔梯度确定T个筛选时间点,并从每个筛选时间点对应的第一特征数据中筛选出N个第三异常特征数据,同时,从每个筛选时间点对应的第一异常特征数据中筛选出M个第四异常特征数据,基于从T个筛选时间点筛选出的所有第三异常特征数据和第四异常特征数据,构建每个机组设备对应的异常特征数据分析矩阵;
计算子单元,用于计算所述异常特征数据分析矩阵和预设的标准运行特征数据矩阵之间的欧氏距离值,基于所述欧氏距离值和所述评分值获得每个机组设备对应的综合分析结果。
7.根据权利要求5所述的一种新能源智慧运维系统,其特征在于,所述资产管理系统,包括:
生成单元,用于基于所述定制运维策略生成控制指令;
更新单元,用于将所述定制运维策略更新至所述策略与方案智库,同时,将所述模拟仿真结果补充至所述仿真结果库,且若判定所述模拟仿真结果中存在第二异常特征数据时,则将所述模拟仿真结果中包含的第二异常特征数据存储至异常特征智库。
8.根据权利要求4所述的一种新能源智慧运维系统,其特征在于,所述第一评分单元,包括:
预处理子单元,用于将所述机组运行数据进行预处理获得对应的运行评价数据,对所述运行评价数据进行特征提取,获得每个机组设备对应的运行评价特征数据;
确定子单元,用于将所述运行评价特征数据与对应机组设备在当前运行工况对应的预设运行特征数据进行比较,筛选出所述运行评价特征数据中的第一异常特征数据,确定出每个第一异常特征数据对应的评分影响因素,同时,确定出所述第一异常特征数据和预设运行特征数据的偏差值,基于所述偏差值确定出每个第一异常特征数据的第一评分值;
划分子单元,用于基于预设的影响因素层次分析模型,将所述评分影响因素划分为多个层次,获得每个第一异常特征数据对应的划分结果;
第一评分子单元,用于基于所述划分结果获得每个第一异常特征数据的评分结构图,从预设的评分结构图中筛选出与所述评分结构图匹配的目标结构图,基于所述目标结构图中包含的每个元素对应的权重值和所述目标结构图,计算出每个第一异常特征数据对应的第一权重值;
检索子单元,用于获取每个机组设备对应的评分偏好信息,基于所述评分偏好信息构建判断标准梯度,基于所述第一异常特征数据类别和所述判断标准梯度确定所述第一异常特征数据的第二权重值;
第二评分子单元,用于基于所述第一评分值、所述第一权重值以及所述第二权重值,计算出对应机组设备的评分值。
9.根据权利要求4所述的一种新能源智慧运维系统,其特征在于,所述融合单元,包括:
清洗子单元,用于对所述视频特征数据和所述声音特征数据进行数据清洗,获得对应的视频特征去冗余数据和声音特征去冗余数据;
排序子单元,用于按照时间顺序将所述视频特征去冗余数据和所述声音特征去冗余数据进行排列,获得对应的第一排列数据和第二排列数据;
配准子单元,用于将所述第一排列数据和所述第二排列数据转换在预设空间坐标系中,获得对应的第一时空配准结果和第二时空配准结果;
标准化子单元,用于对所述第一时空配准结果和所述第二时空配准结果中包含的特征数据进行归一化处理,获得对应的第一标准特征数据和第二标准特征数据;
降维子单元,用于基于预设的降维算法将所述第一标准特征数据和所述第二标准特征数据降维至低维度空间中,并进行数据解耦处理,获得对应的第一底层特征数据和第二底层特征数据;
融合子单元,用于将所述第一底层特征数据和所述第二底层特征数据进行深度融合处理,获得对应的第一特征数据。
10.一种新能源智慧运维方法,包括:
S1:获取现场运行数据,并接收用户输入的远程指导信息;
S2:基于预设的建模参数和机组设备信息,获得异常特征智库和策略与方案智库;
S3:对所述现场运行数据进行综合分析,结合所述异常特征智库,并基于智能特征检索技术,生成综合分析结果;
S4:基于所述综合分析结果和所述策略与方案智库,确定对应的定制运维策略;
S5:基于所述定制运维策略生成控制指令,同时,将所述定制运维策略的相关信息更新到所述异常特征智库和所述策略与方案智库;
S6:基于所述控制指令和所述远程指导信息驱动现场执行所述定制运维策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111363485.7A CN113902222B (zh) | 2021-11-17 | 2021-11-17 | 一种新能源智慧运维系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111363485.7A CN113902222B (zh) | 2021-11-17 | 2021-11-17 | 一种新能源智慧运维系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113902222A true CN113902222A (zh) | 2022-01-07 |
CN113902222B CN113902222B (zh) | 2022-04-15 |
Family
ID=79194491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111363485.7A Active CN113902222B (zh) | 2021-11-17 | 2021-11-17 | 一种新能源智慧运维系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113902222B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116030422A (zh) * | 2023-03-28 | 2023-04-28 | 深圳市海威恒泰智能科技有限公司 | 一种可视化视频监控智能运维管理系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108628291A (zh) * | 2018-06-26 | 2018-10-09 | 绿色动力环保集团股份有限公司 | 一种垃圾焚烧厂基于仿真平台的专家智能诊断系统 |
CN111230887A (zh) * | 2020-03-10 | 2020-06-05 | 合肥学院 | 一种基于数字孪生技术的工业涂胶机器人运行状态监测方法 |
US20210018881A1 (en) * | 2019-07-16 | 2021-01-21 | University College Cardiff Consultants Limited (Uc3) | Autonomous and semantic optimization approach for real-time performance management in a built environment |
CN112800668A (zh) * | 2021-01-20 | 2021-05-14 | 西安科技大学 | 基于数字孪生的复杂产品运维与制造集成总体模型 |
CN113450065A (zh) * | 2021-05-27 | 2021-09-28 | 中国电建集团西北勘测设计研究院有限公司 | 一种用于风电场的生产运营管理系统及方法 |
-
2021
- 2021-11-17 CN CN202111363485.7A patent/CN113902222B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108628291A (zh) * | 2018-06-26 | 2018-10-09 | 绿色动力环保集团股份有限公司 | 一种垃圾焚烧厂基于仿真平台的专家智能诊断系统 |
US20210018881A1 (en) * | 2019-07-16 | 2021-01-21 | University College Cardiff Consultants Limited (Uc3) | Autonomous and semantic optimization approach for real-time performance management in a built environment |
CN111230887A (zh) * | 2020-03-10 | 2020-06-05 | 合肥学院 | 一种基于数字孪生技术的工业涂胶机器人运行状态监测方法 |
CN112800668A (zh) * | 2021-01-20 | 2021-05-14 | 西安科技大学 | 基于数字孪生的复杂产品运维与制造集成总体模型 |
CN113450065A (zh) * | 2021-05-27 | 2021-09-28 | 中国电建集团西北勘测设计研究院有限公司 | 一种用于风电场的生产运营管理系统及方法 |
Non-Patent Citations (1)
Title |
---|
王成亮等: "基于多智能体的配电台区智能决策系统研究", 《信息技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116030422A (zh) * | 2023-03-28 | 2023-04-28 | 深圳市海威恒泰智能科技有限公司 | 一种可视化视频监控智能运维管理系统 |
CN116030422B (zh) * | 2023-03-28 | 2023-05-30 | 深圳市海威恒泰智能科技有限公司 | 一种可视化视频监控智能运维管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113902222B (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985561B (zh) | 一种智能电表的故障诊断方法、系统及电子装置 | |
US20220137612A1 (en) | Transformer fault diagnosis and positioning system based on digital twin | |
CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN108375715B (zh) | 一种配电网线路故障风险日预测方法及系统 | |
CN102509178B (zh) | 配网设备状态评估系统 | |
CN111259947A (zh) | 一种基于多模态学习的电力系统故障预警方法和系统 | |
CN106204330A (zh) | 一种配电网智能诊断系统 | |
CN106533754A (zh) | 用于高校教学服务器故障诊断的方法及专家系统 | |
CN110703057A (zh) | 基于数据增强和神经网络的电力设备局部放电诊断方法 | |
CN112859822A (zh) | 基于人工智能的设备健康分析及故障诊断的方法及系统 | |
CN111444169A (zh) | 一种变电站电气设备状态监测与诊断系统及方法 | |
CN106897779A (zh) | 一种数据中心运维系统事件的处理方法 | |
CN110320893A (zh) | 一种基于rcm的火电机组设备检修方法 | |
CN113902222B (zh) | 一种新能源智慧运维系统 | |
CN116933010A (zh) | 一种基于多源数据融合与深度学习的负载率分析评价方法和系统 | |
CN115859450A (zh) | 一种基于bim技术的建筑建模数据处理方法及系统 | |
CN116771576A (zh) | 水电机组故障综合诊断方法 | |
CN113593605B (zh) | 一种基于深度神经网络的工业音频故障监测系统和方法 | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
CN110033102A (zh) | 一种巨型水电厂具有学习功能的智能诊断方法及专家系统 | |
CN115186935B (zh) | 一种机电设备非线性故障预测方法及系统 | |
CN112000708A (zh) | 一种基于调控配用数据融合的异常数据处理方法及系统 | |
CN115603459A (zh) | 一种基于数字孪生技术的配电网关键厂站监测方法与系统 | |
CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 | |
CN117764547A (zh) | 一种光伏组串故障诊断方法及系统 |
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 |