CN114764672A - 联合学习框架下的融合多因素的电网设备风险评估方法 - Google Patents
联合学习框架下的融合多因素的电网设备风险评估方法 Download PDFInfo
- Publication number
- CN114764672A CN114764672A CN202110044686.4A CN202110044686A CN114764672A CN 114764672 A CN114764672 A CN 114764672A CN 202110044686 A CN202110044686 A CN 202110044686A CN 114764672 A CN114764672 A CN 114764672A
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- risk
- index
- assessment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
- G06Q10/06—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
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
本发明公开了一种联合学习框架下的融合多因素的电网设备风险评估方法,其步骤如下:步骤一:数据收集;步骤二:设定阈值并进行对比;步骤三:选取设备重要度指标集和设备集;步骤四:数据融合计算;步骤五:对工厂设备进行健康评估,得到健康等级,并决策应于何时,使用何种方法对设备进行维护,从而保证整体良好的评估效果,该联合学习框架下的融合多因素的电网设备风险评估方法,综合能源场景中的设备健康评估,联合学习框架;多因素,主因素,子因素融合的评估设备健康,保证整体良好的评估效果;只对未出现故障设备做健康评估,保证整体正确的评估效果;设备健康多级别划分,电网设备风险度评估,增加了整体的安全性,增加了整体的实用性。
Description
技术领域
本发明涉及供联合学习引擎技术领域,具体为一种联合学习框架下的融合多因素的电网设备风险评估方法。
背景技术
综合能源系统是由多种设备和管道链接而成,同时具备多种能源输入,转化,并能供给多种能源给不同的用户的一个系统,综合能源系统中设备包括:燃气内燃机,余热锅炉,蒸汽锅炉,溴冷机,光伏设备,地源热泵,风能设备,储能设备等,对于大量的综合能源设备,视情维修的前提是根据设备所表现出的健康状态而定,决定何时并且采用何种方式对设备进行维修保障,因此评估设备的健康状态,确定设备健康状态的退化情况,对于整个综合能源系统具有重要意义,由于在综合能源系统中,大量的设备由于长期工作,环境变化,频繁起停等原因,可能会损伤设备的健康度,甚至出现在未到定期维护时间时,设备出现故障,这种现象可能会导致整个综合能源系统出现问题,所以对于设备的健康度的评估是及其必要的,抛弃现有的‘是非制’(是:设备未出现故障,非:设备故障)设备健康评估方法,细化设备健康等级(即设备未出现故障时的状态等级),因为设备故障与否可以直接通过收集的数据进行阈值判断,可以简单得到设备的状态,即故障与未出现故障。但是健康度分级之间没有明确的界限划分,只有模糊的过度区域。由此引入模糊集合理论,并确定设备参数健康状态隶属度,通过对上述方法的结果进行归一化,确定各个健康状态的权重值。
但是一个或多个参数属于故障,则判断故障,当所有参数都未出现故障,我们需要对设备的健康度根据分级进行评估,对设备的健康状态评估是一个多属性的决策问题,现有的是非制对设备风险度的判断太粗糙,且单一的对一项参数指标进行判断不够全面,降低了整体判断的精准性,在传统的机器学习建模中,通常是把模型训练需要的数据集合到一个数据中心然后再训练模型,之后预测,在横向联邦学习中,可以看作是基于样本的分布式模型训练,分发全部数据到不同的机器,每台机器从服务器下载模型,然后利用本地数据训练模型,之后返回给服务器需要更新的参数,服务器聚合各机器上的返回的参数,更新模型,再把最新的模型反馈到每台机器,同时由于设备的状态具有动态的过渡性,直接使用阈值并不准确,且专家经验引入,具有处理不确定性问题的能量,能将来自不同信息源的独立证据信息进行融合,具有较强的决策处理能力,不方便进行评估,且多因素多因子评价体系,降低了整体的评估效果,从而降低了整体实用性。
发明内容
本发明的目的在于提供一种联合学习框架下的融合多因素的电网设备风险评估方法,以解决上述背景技术中提出现有的是非制对设备风险度的判断太粗糙,且单一的对一项参数指标进行判断不够全面,降低了整体判断的精准性,同时由于设备的状态具有动态的过渡性,直接使用阈值并不准确,且专家经验引入,具有处理不确定性问题的能量,能将来自不同信息源的独立证据信息进行融合,具有较强的决策处理能力,不方便进行评估,且多因素多因子评价体系,降低了整体的评估效果,从而降低了整体实用性的问题。
为实现上述目的,本发明提供如下技术方案:一种联合学习框架下的融合多因素的电网设备风险评估方法,其特征在于:其步骤如下:
步骤一:数据收集,结合运行年限、历史维修保养数据、当前运行数据、能耗数据、选择想要对设备进行评估的一个时间段,其中运行数据从scada(数据采集与监视控制系统)收集各个参数数据,方便整体对所收集到的数据进行对比,从而得出正常的数值参与方各自从服务器A下载最新模型,每个参与方利用本地数据训练模型,加密梯度上传给服务器A,服务器A聚各用户的梯度更新模型参数,服务器A返回更新后的模型给各参与方,各参与方更新各自模型;
步骤二:设定阈值并进行对比,通过提前设定的阈值,判断收集数据是否有超出阈值,从而直接判断设备参数是否有故障,如判断有故障,直接报修,如判断没有故障,则进入下一步;
步骤三:选取设备重要度指标集和设备集,K={In},n=1,2,...,N1,其中,N1为设备重要度指标集个数,如N1=2,则在电网中,I1为设备造价,I2为相关联的设备规模,设备集D={di},其中i=1,2,3,。。。N,N为设备数,di为设备标识,将设备集D中,不能量化的设备风险度指标的值映射到其相对应的数据等级,可量化的重要度指标本身为其对应数据的等级,构成指标数据等级值序列Si(In),然后计算指标In下的设备相对风险度矩阵 设备风险度指标就是对设备的最重要的健康评估数值;
步骤四:数据融合计算,在联合学习框架下,对三组所得结果进行融合,并得到最终结果,通过对三组的融合,我们可以得到多方汇总的权重,也可以得到多方的评价结果;
步骤五:根据步骤四中所得结果,对工厂设备进行健康评估,得到健康等级,并决策应于何时,使用何种方法对设备进行维护,从而保证整体良好的评估效果。
优选的,所述步骤一中的数据收集需要对三组数据点进行收集,且数据收集的过程中需要对设备输入数据、设备输出数据和设备运行数据进行收集和记录,并且三组数据点的收集方式相同。
优选的,所述三组数据点的对比阈值相同,且步骤二中的设定阈值并进行对比需要对设备输入数据、设备输出数据和设备运行数据的数据全进行对比,并且三组数据点的输入数据、设备输出数据和设备运行对比方式相同。
优选的,所述步骤三中的构成指标数据等级值序列Si(In)需要结合专家知识库或者专家经验作为启动,且表示设备di在指标In下的数据等级值,并且需要整体进行逐级运算得出数值。
优选的,所述风险值为2时整体处于风险大的情况,且风险值为0时整体处于无风险的情况,并且风险值为1时整体处于同风险的情况。
本发明的有益效果是:该联合学习框架下的融合多因素的电网设备风险评估方法,综合能源场景中的设备健康评估,联合学习框架;通过对三组数据点进行收集,其中运行数据从scada(数据采集与监视控制系统)收集各个参数数据,方便整体对所收集到的数据进行对比,从而得出正常的数值,且对设备输入数据、设备输出数据和设备运行数据进行收集和记录,多因素,主因素,子因素融合的评估设备健康,保证整体良好的评估效果;只对未出现故障设备做健康评估,通过选取设备重要度指标集和设备集,不能量化的设备风险度指标的值映射到其相对应的数据等级,可量化的重要度指标本身为其对应数据的等级,构成指标数据等级值序列,接着通过公式和算法进行对比分析,设备风险度指标就是对设备的最重要的健康评估数值,保证整体正确的评估效果;设备健康多级别划分,通过风险值的判定数量为三组,并且三组数字代表三组不同的风险情况,从而跟直观的显示出整体的风险对比效果,方便整体进行风险评估;电网设备风险度评估,通过收集数据和比较数据对整体进行风险评估,增加了整体的安全性,方便整体进行评估,从而增加了整体的实用性。
附图说明
图1为本发明整体结构示意图。
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。
请参阅图1,本发明提供一种技术方案:一种联合学习框架下的融合多因素的电网设备风险评估方法,其步骤如下:
步骤一:数据收集,结合运行年限、历史维修保养数据、当前运行数据、能耗数据、选择想要对设备进行评估的一个时间段,其中运行数据从scada(数据采集与监视控制系统)收集各个参数数据,方便整体对所收集到的数据进行对比,从而得出正常的数值参与方各自从服务器A下载最新模型,每个参与方利用本地数据训练模型,加密梯度上传给服务器A,服务器A聚各用户的梯度更新模型参数,服务器A返回更新后的模型给各参与方,各参与方更新各自模型;
步骤二:设定阈值并进行对比,通过提前设定的阈值,判断收集数据是否有超出阈值,从而直接判断设备参数是否有故障,如判断有故障,直接报修,如判断没有故障,则进入下一步;
步骤三:选取设备重要度指标集和设备集,K={In},n=1,2,…,N1,其中,N1为设备重要度指标集个数,如N1=2,则在电网中,I1为设备造价,I2为相关联的设备规模,设备集D={di},其中i=1,2,3,。。。N,N为设备数,di为设备标识,将设备集D中,不能量化的设备风险度指标的值映射到其相对应的数据等级,可量化的重要度指标本身为其对应数据的等级,构成指标数据等级值序列Si(In),然后计算指标In下的设备相对风险度矩阵 设备风险度指标就是对设备的最重要的健康评估数值;
步骤四:数据融合计算,在联合学习框架下,对三组所得结果进行融合,并得到最终结果,通过对三组的融合,我们可以得到多方汇总的权重,也可以得到多方的评价结果;
步骤五:根据步骤四中所得结果,对工厂设备进行健康评估,得到健康等级,并决策应于何时,使用何种方法对设备进行维护,从而保证整体良好的评估效果。
进一步的,步骤一中的数据收集需要对三组数据点进行收集,且数据收集的过程中需要对设备输入数据、设备输出数据和设备运行数据进行收集和记录,并且三组数据点的收集方式相同,输入数据、设备输出数据和设备运行数据三组数据进行对比,从而方便整体进行充分的比较,增加了整体的对比效果。
进一步的,三组数据点的对比阈值相同,且步骤二中的设定阈值并进行对比需要对设备输入数据、设备输出数据和设备运行数据的数据全进行对比,并且三组数据点的输入数据、设备输出数据和设备运行对比方式相同,保证整体多样化的对比效果,方便整体进行充分内的对比效果。
进一步的,步骤三中的构成指标数据等级值序列Si(In)需要结合专家知识库或者专家经验作为启动,且表示设备di在指标In下的数据等级值,并且需要整体进行逐级运算得出数值,方便整体根据指标数据等级进行对比,从而增加了整体的对比效果。
进一步的,表示设备di在指标In下相对设备dj风险影响,且的评估需要结合专家经验作为评判,并且通过指标In下的设备相对风险度矩阵计算出整体的风险范围,方便整体对风险值进行对比和判断,增加了整体实用性。
进一步的,风险值为2时整体处于风险大的情况,且风险值为0时整体处于无风险的情况,并且风险值为1时整体处于同风险的情况,风险值方便整体进行直观的观察,增加了整体的直观性。
工作原理:首先数据收集,结合运行年限、历史维修保养数据、当前运行数据、能耗数据、选择想要对设备进行评估的一个时间段,其中运行数据从scada(数据采集与监视控制系统)收集各个参数数据,且需要对三组数据点进行收集,且数据收集的过程中需要对设备输入数据、设备输出数据和设备运行数据进行收集和记录,并且三组数据点的收集方式相同,方便整体对所收集到的数据进行对比,从而得出正常的数值,同时设定阈值并进行对比,通过提前设定的阈值,判断收集数据是否有超出阈值,从而直接判断设备参数是否有故障,如判断有故障,直接报修,如判断没有故障,则进入下一步,选取设备重要度指标集和设备集,K={In},n=1,2,...,N1,其中,N1为设备重要度指标集个数,如N1=2,则在电网中,I1为设备造价,I2为相关联的设备规模,设备集D={di},其中i=1,2,3,。。。N,N为设备数,di为设备标识,将设备集D中,不能量化的设备风险度指标的值映射到其相对应的数据等级,可量化的重要度指标本身为其对应数据的等级,构成指标数据等级值序列Si(In),然后计算指标In下的设备相对风险度矩阵 构成指标数据等级值序列Si(In)需要结合专家知识库或者专家经验作为启动,且表示设备di在指标In下的数据等级值,表示设备di在指标In下相对设备dj风险影响,且的评估需要结合专家经验作为评判,并且通过指标In下的设备相对风险度矩阵计算出整体的风险范围,结合专家经验作为评判所得风险值范围 且风险值的判定数量为三组,并且三组数字代表三组不同的风险情况,风险值为2时整体处于风险大的情况,且风险值为0时整体处于无风险的情况,并且风险值为1时整体处于同风险的情况,风险值范围中的i不等于j,且对同一指标下,可得到In下的设备di的相对风险度为根据层次分析法构造判断矩阵,求出最大特征值λmax,和特征向量W,然后对特征向量W进行归一化处理将设备i的重要度指标加权求和就可以得到这个设备的综合相对风险度 并且需要整体进行逐级运算得出数值,设备风险度指标就是对设备的最重要的健康评估数值,数据融合计算,在联合学习框架下,对三组所得结果进行融合,并得到最终结果,通过对三组的融合,我们可以得到多方汇总的权重,也可以得到多方的评价结果,根据步骤四中所得结果,对工厂设备进行健康评估,得到健康等级,并决策应于何时,使用何种方法对设备进行维护,从而保证整体良好的评估效果,从而方便整体对数据结果进行比较,保证整体对风险进行良好的评估。
下面通过实施例对整体进行直面评估
实施例一
步骤一:数据收集,结合运行年限、历史维修保养数据、当前运行数据、能耗数据、选择想要对设备进行评估的一个时间段,其中运行数据从scada(数据采集与监视控制系统)收集各个参数数据,方便整体对所收集到的数据进行对比,从而得出正常的数值参与方各自从服务器A下载最新模型,每个参与方利用本地数据训练模型,加密梯度上传给服务器A,服务器A聚各用户的梯度更新模型参数,服务器A返回更新后的模型给各参与方,各参与方更新各自模型;
步骤二:设定阈值并进行对比,通过提前设定的阈值,判断收集数据是否有超出阈值,从而直接判断设备参数是否有故障,如判断有故障,直接报修,如判断没有故障,则进入下一步;
步骤三:选取设备重要度指标集和设备集,K={In},n=1,2,...,N1,其中,N1为设备重要度指标集个数,如N1=2,则在电网中,I1为设备造价,I2为相关联的设备规模,设备集D={di},其中i=1,2,3,。。。N,N为设备数,di为设备标识,将设备集D中,不能量化的设备风险度指标的值映射到其相对应的数据等级,可量化的重要度指标本身为其对应数据的等级,构成指标数据等级值序列Si(In),然后计算指标In下的设备相对风险度矩阵 表示设备di在指标In下相对设备dj风险影响,且的评估需要结合专家经验作为评判,并且通过指标In下的设备相对风险度矩阵计算出整体的风险范围,方便整体对风险值进行对比和判断,增加了整体实用性,构成指标数据等级值序列Si(In)需要结合专家知识库或者专家经验作为启动,且表示设备di在指标In下的数据等级值,表示设备di在指标In下相对设备dj风险影响,且的评估需要结合专家经验作为评判,并且通过指标In下的设备相对风险度矩阵计算出整体的风险范围,结合专家经验作为评判所得风险值范围且风险值的判定数量为三组,并且三组数字代表三组不同的风险情况,风险值为2时整体处于风险大的情况,且风险值为0时整体处于无风险的情况,并且风险值为1时整体处于同风险的情况,风险值范围中的i不等于j,且对同一指标下,可得到In下的设备di的相对风险度为根据层次分析法构造判断矩阵,求出最大特征值λmax,和特征向量W,然后对特征向量W进行归一化处理将设备i的重要度指标加权求和就可以得到这个设备的综合相对风险度并且需要整体进行逐级运算得出数值,设备风险度指标就是对设备的最重要的健康评估数值;
根据实施例一所得的数据基本可以得出最佳的风险评估状态,方便对整体进行维修;
实施例二
步骤一:数据收集,结合运行年限、历史维修保养数据、当前运行数据、能耗数据、选择想要对设备进行评估的一个时间段,其中运行数据从scada(数据采集与监视控制系统)收集各个参数数据,方便整体对所收集到的数据进行对比,从而得出正常的数值参与方各自从服务器A下载最新模型,每个参与方利用本地数据训练模型,加密梯度上传给服务器A,服务器A聚各用户的梯度更新模型参数,服务器A返回更新后的模型给各参与方,各参与方更新各自模型;
步骤二:设定阈值并进行对比,通过提前设定的阈值,判断收集数据是否有超出阈值,从而直接判断设备参数是否有故障,如判断有故障,直接报修,如判断没有故障,则进入下一步;
步骤三:选取设备重要度指标集和设备集,K={In},n=1,2,...,N1,其中,N1为设备重要度指标集个数,如N1=2,则在电网中,I1为设备造价,I2为相关联的设备规模,设备集D={di},其中i=1,2,3,。。。N,N为设备数,di为设备标识,将设备集D中,不能量化的设备风险度指标的值映射到其相对应的数据等级,可量化的重要度指标本身为其对应数据的等级,构成指标数据等级值序列Si(In),然后计算指标In下的设备相对风险度矩阵 表示设备di在指标In下相对设备dj风险影响,且的评估需要结合专家经验作为评判,并且通过指标In下的设备相对风险度矩阵计算出整体的风险范围,方便整体对风险值进行对比和判断,增加了整体实用性,构成指标数据等级值序列Si(In)需要结合专家知识库或者专家经验作为启动,且表示设备di在指标In下的数据等级值,表示设备di在指标In下相对设备dj风险影响,且的评估需要结合专家经验作为评判,并且通过指标In下的设备相对风险度矩阵计算出整体的风险范围,结合专家经验作为评判所得风险值范围且风险值的判定数量为三组,并且三组数字代表三组不同的风险情况,且对同一指标下,可得到In下的设备di的相对风险度为根据层次分析法构造判断矩阵,求出最大特征值λmax,和特征向量W,然后对特征向量W进行归一化处理将设备i的重要度指标加权求和就可以得到这个设备的综合相对风险度并且需要整体进行逐级运算得出数值,设备风险度指标就是对设备的最重要的健康评估数值;
根据实施例二所得的数据基本可以得出较差的风险评估状态,没有对风险值进行判定,从而不方便整体得出风险评估状态,且不方便对整体进行维修。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种联合学习框架下的融合多因素的电网设备风险评估方法,其特征在于:其步骤如下:
步骤一:数据收集,结合运行年限、历史维修保养数据、当前运行数据、能耗数据、选择想要对设备进行评估的一个时间段,其中运行数据从scada(数据采集与监视控制系统)收集各个参数数据,方便整体对所收集到的数据进行对比,从而得出正常的数值参与方各自从服务器A下载最新模型,每个参与方利用本地数据训练模型,加密梯度上传给服务器A,服务器A聚各用户的梯度更新模型参数,服务器A返回更新后的模型给各参与方,各参与方更新各自模型;
步骤二:设定阈值并进行对比,通过提前设定的阈值,判断收集数据是否有超出阈值,从而直接判断设备参数是否有故障,如判断有故障,直接报修,如判断没有故障,则进入下一步;
步骤三:选取设备重要度指标集和设备集,K={In},n=1,2,…,N1,其中,N1为设备重要度指标集个数,如N1=2,则在电网中,I1为设备造价,I2为相关联的设备规模,设备集D={di},其中i=1,2,3,。。。N,N为设备数,di为设备标识,将设备集D中,不能量化的设备风险度指标的值映射到其相对应的数据等级,可量化的重要度指标本身为其对应数据的等级,构成指标数据等级值序列Si(In),然后计算指标In下的设备相对风险度矩阵 设备风险度指标就是对设备的最重要的健康评估数值;
步骤四:数据融合计算,在联合学习框架下,对三组所得结果进行融合,并得到最终结果,通过对三组的融合,我们可以得到多方汇总的权重,也可以得到多方的评价结果;
步骤五:根据步骤四中所得结果,对工厂设备进行健康评估,得到健康等级,并决策应于何时,使用何种方法对设备进行维护,从而保证整体良好的评估效果。
2.根据权利要求1所述的一种联合学习框架下的融合多因素的电网设备风险评估方法,其特征在于:所述步骤一中的数据收集需要对三组数据点进行收集,且数据收集的过程中需要对设备输入数据、设备输出数据和设备运行数据进行收集和记录,并且三组数据点的收集方式相同。
3.根据权利要求1所述的一种联合学习框架下的融合多因素的电网设备风险评估方法,其特征在于:所述三组数据点的对比阈值相同,且步骤二中的设定阈值并进行对比需要对设备输入数据、设备输出数据和设备运行数据的数据全进行对比,并且三组数据点的输入数据、设备输出数据和设备运行对比方式相同。
4.根据权利要求1所述的一种联合学习框架下的融合多因素的电网设备风险评估方法,其特征在于:所述步骤三中的构成指标数据等级值序列Si(In)需要结合专家知识库或者专家经验作为启动,且表示设备di在指标In下的数据等级值,并且需要整体进行逐级运算得出数值。
7.根据权利要求6所述的一种联合学习框架下的融合多因素的电网设备风险评估方法,其特征在于:所述风险值为2时整体处于风险大的情况,且风险值为0时整体处于无风险的情况,并且风险值为1时整体处于同风险的情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110044686.4A CN114764672A (zh) | 2021-01-13 | 2021-01-13 | 联合学习框架下的融合多因素的电网设备风险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110044686.4A CN114764672A (zh) | 2021-01-13 | 2021-01-13 | 联合学习框架下的融合多因素的电网设备风险评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114764672A true CN114764672A (zh) | 2022-07-19 |
Family
ID=82363460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110044686.4A Pending CN114764672A (zh) | 2021-01-13 | 2021-01-13 | 联合学习框架下的融合多因素的电网设备风险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114764672A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116187768A (zh) * | 2023-04-26 | 2023-05-30 | 浙江电力交易中心有限公司 | 适用于绿电市场的风险评估及防护方法 |
-
2021
- 2021-01-13 CN CN202110044686.4A patent/CN114764672A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116187768A (zh) * | 2023-04-26 | 2023-05-30 | 浙江电力交易中心有限公司 | 适用于绿电市场的风险评估及防护方法 |
CN116187768B (zh) * | 2023-04-26 | 2023-07-18 | 浙江电力交易中心有限公司 | 适用于绿电市场的风险评估及防护方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106054104B (zh) | 一种基于决策树的智能电表故障实时预测方法 | |
CN106154084A (zh) | 电网负荷异常及运行风险实时监控预警方法 | |
CN107292502B (zh) | 一种配电网可靠性评估方法 | |
CN107437135B (zh) | 一种新型储能选型方法 | |
CN116865258B (zh) | 一种层级构造的分布式电源智能电网构建方法 | |
CN108155674B (zh) | 考虑不确定分布特性的水火电联合调度方法及系统 | |
CN113487447A (zh) | 一种基于大数据的配电网负荷预测及线损成因分析方法 | |
CN109993665B (zh) | 电力系统在线安全稳定评估方法、装置及系统 | |
CN110264032A (zh) | 一种直流配网规划方案评价结果的获取方法 | |
CN111967777B (zh) | 一种储能促进清洁能源利用价值的综合评价方法 | |
Xue et al. | Adaptive ultra-short-term wind power prediction based on risk assessment | |
CN114764672A (zh) | 联合学习框架下的融合多因素的电网设备风险评估方法 | |
CN106548284A (zh) | 一种面向运行调控的自适应模块化电网安全预警评价方法 | |
CN110533291B (zh) | 一种基于风险评估的中压配电网薄弱环节辨识方法 | |
CN112734274A (zh) | 一种低碳电网运营主导影响因素挖掘及综合评估方法 | |
Eltohamy et al. | Technical investigation for power system flexibility | |
CN108288122B (zh) | 一种多区域互联系统的评估方法和装置 | |
US20220091601A1 (en) | Method, system and computer program product for evaluation of energy consumption in industrial environments | |
CN110619489A (zh) | 一种电网自动电压控制策略评价方法及可读存储介质 | |
Langouranis et al. | Fuzzy total power quality index for electric networks | |
CN115587685A (zh) | 含高渗透率分布式电源的韧性配电网评价体系 | |
CN115049004A (zh) | 基于多源数据融合的配电网线损管理辅助决策系统 | |
Sekretarev et al. | Development of the intelligent decision support system for situation management of hydro units | |
Ding et al. | Reliability evaluation of direct current distribution system for intelligent buildings based on big data analysis | |
CN114154848B (zh) | 一种终端设备供电动态风险评估方法、系统、设备及介质 |
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 |