CN114781657B - 一种基于人工智能的电力设备检修系统及方法 - Google Patents
一种基于人工智能的电力设备检修系统及方法 Download PDFInfo
- Publication number
- CN114781657B CN114781657B CN202210250944.9A CN202210250944A CN114781657B CN 114781657 B CN114781657 B CN 114781657B CN 202210250944 A CN202210250944 A CN 202210250944A CN 114781657 B CN114781657 B CN 114781657B
- Authority
- CN
- China
- Prior art keywords
- power equipment
- equipment
- operation state
- power
- maintenance
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims abstract description 39
- 239000000463 material Substances 0.000 claims abstract description 4
- 238000007689 inspection Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 21
- 230000007613 environmental effect Effects 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 6
- 239000000428 dust Substances 0.000 description 5
- 230000032683 aging Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 238000005461 lubrication Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
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
- G06Q10/20—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
- 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
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (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
本发明公开了一种基于人工智能的电力设备检修系统及方法,属于深度学习领域。本发明方法包括收集电力设备的材质,计算电力设备的故障率,根据电力设备的故障率对于电力设备进行初始评分,输出电力设备评估值,评估电力设备运行状态,根据电力设备评估值和电力设备运行环境对于电力设备运行状态进行评估,根据电力设备运行状态调整电力设备检修周期;本发明从电力设备本身的可能发生故障的概率和电力设备运行环境对于电力设备的影响两个方面评估电力设备的运行状态,根据电力设备的运行状态调整电力设备检修周期,合理的配置检修周期,及时排查容易出现故障隐患的电力设备,防患于未然,也避免检修过剩,盲目维修,合理分配检修资源。
Description
技术领域
本发明涉及深度学习技术领域,具体为一种基于人工智能的电力设备检修系统及方法。
背景技术
电力设备检修和维护工作有固定的流程和标准,但是不能解决电力设备的所有故障问题,阻碍了供电工作的平稳、监控运行,想要实现电力设备及维护工作的有效性和可靠性,需要正视外部的环境因素对于电气设备的影响,温度、湿度、粉尘、振动都将直接或间接地对电气设备的正常工作造成威胁;
另一方面,电力系统中电力设备大多采用的计划检修体制存在着严重缺陷,没有合理安排检修资源的能力,对于电力设备的运行状态没有一个可靠的把控,检修周期固定,但临时性维修频繁、维修不足或维修过剩、盲目维修等,如何合理的设置检修周期,节省检修费用、降低检修成本,同时保证系统有较高的可靠性,对系统运行人员来说是一个重要课题。
发明内容
本发明的目的在于提供一种基于人工智能的电力设备检修系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于人工智能的电力设备检修系统,所述电力设备检修系统包括电力设备环境采集模块、环境数据处理模块、电力设备评估模块、电力设备运行评估模块和电力设备检修单元;
所述电力设备环境采集模块采集电力设备的环境数据,将环境数据传输到环境数据处理模块;
所述环境数据处理模块接收初始的环境数据,根据环境数据采集设备的稳定性对于环境数据进行数据清洗和数据存储,进一步提高环境数据的精确度,保障电力设备运行评估模块评估的准确度;
所述电力设备评估模块根据电力设备运行的故障率对于电力设备进行评估,对电力设备进行初始评分,所述电力设备评估模块输出电力设备评估值至电力设备运行评估模块;
所述电力设备运行评估模块根据电力设备评估值和设备环境因素进一步评估电力设备的运行状态,所述电力设备运行评估模块输出电力设备的运行状态至电力设备检修单元;
所述电力设备检修单元根据电力设备运行状态调整电力设备检修的周期。
本发明从电力设备本身的可能发生故障的概率和电力设备运行环境对于电力设备的影响两个方面评估电力设备的运行状态,直观的展现电力设备的运行状态,根据电力设备的运行状态调整电力设备检修周期,合理的配置检修周期,及时排查容易出现故障隐患的电力设备,防患于未然。
所述电力设备的环境数据包括温度、湿度、雪天、雷暴天气、粉尘、大气压和紫外线强度。
一种基于人工智能的电力设备检修方法,所述电力设备检修方法具体步骤包括:
步骤一:采集电力设备的环境数据;
步骤二:结构化存储电力设备的环境数据;
步骤三:收集电力设备的材质,计算电力设备的故障率;
步骤四:根据电力设备的故障率对于电力设备进行初始评分,输出电力设备评估值;
步骤五:评估电力设备运行状态,根据电力设备评估值和电力设备运行环境对于电力设备运行状态进行评估;
步骤六:根据电力设备运行状态调整电力设备检修周期。
所述步骤三计算电力设备的故障率具体内容包括:
Step 1.1:收集电力设备同型号历史故障,统计电力设备历史故障时间、历史故障损坏的配件、同型号电力设备历史运行时间和历史维修费用;
Step 1.2:计算电力设备的故障率,具体计算公式为:
其中,Fr表示电力设备的故障率,FT表示单台电力设备的发生故障时间之和,RT表示单台电力设备运行时间之和;
Step 1.3:计算电力设备配件的损坏概率,具体的计算公式为:
其中,PA表示电力设备配件的损坏概率,mA表示单台电力设备配件损坏的次数,M表示单台电力设备发生故障的总次数;
Step 1.4:输出电力设备配件的损坏频率、电力设备的故障率、历史故障损坏的配件和历史维修费用。
根据电力设备同型号的历史故障数据对于电力设备进行打分,根据电力设备的历史故障率、电力设备历史故障的维修费用、历史故障损坏的配件对于设备进行打分,输出的值越高,说明设备发生故障的可能性越高;
当设备发生故障的配件越集中,说明设备发生的故障原因越可能是设备本身的原因,说明此电力设备将要发生故障的可能性越大,故评分越高;同时,通过电力设备历史故障的维修费用,可以说明电力设备历史故障的损害程度,越是靠近运行时间的维修费用的权重越低。
所述步骤四输出电力设备评估值具体内容包括:
计算单台电力设备初始评分,具体计算公式为:
其中,Eqv表示单台电力设备初始评分,A表示设备故障系数,B表示配件故障系数,C表示单台电力设备单次维修的费用,Ft表示单台电力设备单次维修的时间,v表示单台电力设备损坏配件的数量;
计算同型号电力设备初始评分的平均值,输出电力设备评估值,具体计算公式为:
其中,表示电力设备评估值,N表示同型号电力设备数量。
所述步骤五评估电力设备运行状态具体内容包括:归一化电力设备的环境数据,设置环境数据安全阈值,将电力设备的环境数据在环境数据安全阈值以内的置为零,缺失值和重复值置为零,超出环境安全阈值的数据进行归一化计算,具体计算公式为:
其中,x表示原始电力设备环境数据,表示环境数据安全阈值,X表示归一化电力设备环境数据。
所述步骤五评估电力设备运行状态具体内容还包括:基于DeepAR建立电力设备故障预测模型,构建RNN神经网络,设置数据历史故障,当同型号电力设备历史故障时,历史故障置为“1”,当同型号电力设备历史非故障时,历史故障置为“0”,输入归一化电力设备环境数据和历史故障,通过最大似然估计训练神经网络;输出当前设备的归一化电力设备环境数据,输出当前设备发生故障的概率。
现有很多经验和论文都可以发现,环境对于电力设备运行的影响,高温会导致设备的期间出现变形、烧坏以及老化,而低温会降低电力设备的韧性和弹力,降低设备之间的润滑,湿度高的环境会导致电力设备处在潮湿的环境,造成零件氧化腐蚀,粉尘过大会累积在电力设备上,降低设备的绝缘强度,磨损绝缘结构,或是堆积在触头上,造成接触不良,降低设备的散热能力,环境对于电力设备的影响需要我们正视,但是环境对于电力设备的影响是长时间累积进行,目前没有一个标定值可以衡量环境因素对于电力设备的影响。
同时,电力设备运转随着时间的运转,会不断的老化和磨损,消耗更多的能源,抵抗环境的剧烈变化的能力降低,所有电力设备受环境和时间的影响很难通过建立数学模型进行定量的评估,本发明通过基于DeepAR建立电力设备故障预测模型,本算法根据时间序列的过去生成时间序列未来的概率预测,解决多重因素,包括时间和电力设备环境数据,根据设备运转的时间和环境数据输出电力设备故障的概率分布,电力设备发生故障的概率体现了电力设备的运转状态,如果电力设备发生故障的概率高,则电力设备亟需检修,如果电力设备发生故障的概率低,则电力设备运转状态良好。
电力设备故障的原因还存在很多其他因素,且环境数据由于采集时很容易出现数据不稳定的情况,基于DeepAR建立电力设备故障预测模型可以适用于噪声较大的数据,预测出一个较为准确的设备故障概率。
所述步骤五评估电力设备运行状态具体内容还包括:根据电力设备发生故障的概率评估电力设备的运行状态,具体计算公式为:
其中,RSt表示电力设备的运行状态,表示需要巡检的电力设备评估值最小值,/>表示需要巡检的电力设备评估值最大值,P表示设备发生故障的概率。
所述步骤六根据电力设备运行状态调整电力设备检修周期具体内容包括:
设置电力设备的运行状态等级,根据电力设备的运行状态等级设置电力设备巡检周期:
当电力设备的运行状态RSt值在(0,RSt1),设置当前电力设备运行状态等级为一级,电力设备运行正常,输出电力设备巡检周期PIC为最大值PICmax;
当电力设备的运行状态RSt值在(RSt2,RSt3),设置当前电力设备运行状态等级为二级,电力设备运行存在故障风险,输出电力设备巡检周期为K2*PICmax,其中,K2表示二级巡检系数;
当电力设备的运行状态RSt值在(RSt4,1),设置当前电力设备运行状态等级为三级,电力设备运行危险,输出电力设备巡检周期为K3*PICmax,其中,K3表示三级巡检系数。
在电力设备的运行状态的评估值基础上,进一步反演电力设备可能故障的环境原因,找到对于电力设备运行状态影响大的环境因素,有助于及时采取合适的措施保护电力设备的平稳运行,进一步的,根据电力设备运行状态影响的环境因素,找到最可能发生故障的配件,输出巡检时需要重点检查的配件。
与现有技术相比,本发明所达到的有益效果是:
本发明从电力设备本身的可能发生故障的概率和电力设备运行环境对于电力设备的影响两个方面评估电力设备的运行状态,直观的展现电力设备的运行状态,根据电力设备的运行状态调整电力设备检修周期,合理的配置检修周期,及时排查容易出现故障隐患的电力设备,防患于未然,也避免检修过剩,盲目维修,合理分配检修资源。
本发明通过基于DeepAR建立电力设备故障预测模型,本算法根据时间序列的过去生成时间序列未来的概率预测,解决多重因素,包括时间和电力设备环境数据,根据设备运转的时间和环境数据输出电力设备故障的概率分布,电力设备发生故障的概率体现了电力设备的运转状态,如果电力设备发生故障的概率高,则电力设备亟需检修,如果电力设备发生故障的概率低,则电力设备运转状态良好;
电力设备故障的原因还存在很多其他因素,且环境数据由于采集时很容易出现数据不稳定的情况,基于DeepAR建立电力设备故障预测模型可以适用于噪声较大的数据,预测出一个较为准确的设备故障概率。
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是本发明一种基于节能环保的能源数据采集分析管控方法的流程示意图。
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,本发明提供技术方案:
实施例一:一种基于人工智能的电力设备检修系统,电力设备检修系统包括电力设备环境采集模块、环境数据处理模块、电力设备评估模块、电力设备运行评估模块和电力设备检修单元;
电力设备环境采集模块采集电力设备的环境数据,将环境数据传输到环境数据处理模块;
环境数据处理模块接收初始的环境数据,根据环境数据采集设备的稳定性对于环境数据进行数据清洗和数据存储,进一步提高环境数据的精确度,保障电力设备运行评估模块评估的准确度;
电力设备评估模块根据电力设备运行的故障率对于电力设备进行评估,对电力设备进行初始评分,电力设备评估模块输出电力设备评估值至电力设备运行评估模块;
电力设备运行评估模块根据电力设备评估值和设备环境因素进一步评估电力设备的运行状态,电力设备运行评估模块输出电力设备的运行状态至电力设备检修单元;
电力设备检修单元根据电力设备运行状态调整电力设备检修的周期。
本发明从电力设备本身的可能发生故障的概率和电力设备运行环境对于电力设备的影响两个方面评估电力设备的运行状态,直观的展现电力设备的运行状态,根据电力设备的运行状态调整电力设备检修周期,合理的配置检修周期,及时排查容易出现故障隐患的电力设备,防患于未然。
电力设备的环境数据包括温度、湿度、雪天、雷暴天气、粉尘、大气压和紫外线强度。
一种基于人工智能的电力设备检修方法,电力设备检修方法具体步骤包括:
步骤一:采集电力设备的环境数据;
步骤二:结构化存储电力设备的环境数据;
步骤三:收集电力设备的材质,计算电力设备的故障率;
步骤四:根据电力设备的故障率对于电力设备进行初始评分,输出电力设备评估值;
步骤五:评估电力设备运行状态,根据电力设备评估值和电力设备运行环境对于电力设备运行状态进行评估;
步骤六:根据电力设备运行状态调整电力设备检修周期。
步骤三计算电力设备的故障率具体内容包括:
Step 1.1:收集电力设备同型号历史故障,统计电力设备历史故障时间、历史故障损坏的配件、同型号电力设备历史运行时间和历史维修费用;
Step 1.2:计算电力设备的故障率,具体计算公式为:
其中,Fr表示电力设备的故障率,FT表示单台电力设备的发生故障时间之和,RT表示单台电力设备运行时间之和;
Step 1.3:计算电力设备配件的损坏概率,具体的计算公式为:
其中,PA表示电力设备配件的损坏概率,mA表示单台电力设备配件损坏的次数,M表示单台电力设备发生故障的总次数;
Step 1.4:输出电力设备配件的损坏频率、电力设备的故障率、历史故障损坏的配件和历史维修费用。
根据电力设备同型号的历史故障数据对于电力设备进行打分,根据电力设备的历史故障率、电力设备历史故障的维修费用、历史故障损坏的配件对于设备进行打分,输出的值越高,说明设备发生故障的可能性越高;
当设备发生故障的配件越集中,说明设备发生的故障原因越可能是设备本身的原因,说明此电力设备将要发生故障的可能性越大,故评分越高;同时,通过电力设备历史故障的维修费用,可以说明电力设备历史故障的损害程度,越是靠近运行时间的维修费用的权重越低。
步骤四输出电力设备评估值具体内容包括:
计算单台电力设备初始评分,具体计算公式为:
其中,Eqv表示单台电力设备初始评分,A表示设备故障系数,B表示配件故障系数,C表示单台电力设备单次维修的费用,Ft表示单台电力设备单次维修的时间,v表示单台电力设备损坏配件的数量;
计算同型号电力设备初始评分的平均值,输出电力设备评估值,具体计算公式为:
其中,表示电力设备评估值,N表示同型号电力设备数量。
步骤五评估电力设备运行状态具体内容包括:归一化电力设备的环境数据,设置环境数据安全阈值,将电力设备的环境数据在环境数据安全阈值以内的置为零,缺失值和重复值置为零,超出环境安全阈值的数据进行归一化计算,具体计算公式为:
其中,x表示原始电力设备环境数据,表示环境数据安全阈值,X表示归一化电力设备环境数据。
步骤五评估电力设备运行状态具体内容还包括:基于DeepAR建立电力设备故障预测模型,构建RNN神经网络,设置数据历史故障,当同型号电力设备历史故障时,历史故障置为“1”,当同型号电力设备历史非故障时,历史故障置为“0”,输入归一化电力设备环境数据和历史故障,通过最大似然估计训练神经网络;输出当前设备的归一化电力设备环境数据,输出当前设备发生故障的概率。
现有很多经验和论文都可以发现,环境对于电力设备运行的影响,高温会导致设备的期间出现变形、烧坏以及老化,而低温会降低电力设备的韧性和弹力,降低设备之间的润滑,湿度高的环境会导致电力设备处在潮湿的环境,造成零件氧化腐蚀,粉尘过大会累积在电力设备上,降低设备的绝缘强度,磨损绝缘结构,或是堆积在触头上,造成接触不良,降低设备的散热能力,环境对于电力设备的影响需要我们正视,但是环境对于电力设备的影响是长时间累积进行,目前没有一个标定值可以衡量环境因素对于电力设备的影响。
同时,电力设备运转随着时间的运转,会不断的老化和磨损,消耗更多的能源,抵抗环境的剧烈变化的能力降低,所有电力设备受环境和时间的影响很难通过建立数学模型进行定量的评估,本发明通过基于DeepAR建立电力设备故障预测模型,本算法根据时间序列的过去生成时间序列未来的概率预测,解决多重因素,包括时间和电力设备环境数据,根据设备运转的时间和环境数据输出电力设备故障的概率分布,电力设备发生故障的概率体现了电力设备的运转状态,如果电力设备发生故障的概率高,则电力设备亟需检修,如果电力设备发生故障的概率低,则电力设备运转状态良好。
电力设备故障的原因还存在很多其他因素,且环境数据由于采集时很容易出现数据不稳定的情况,基于DeepAR建立电力设备故障预测模型可以适用于噪声较大的数据,预测出一个较为准确的设备故障概率。
步骤五评估电力设备运行状态具体内容还包括:根据电力设备发生故障的概率评估电力设备的运行状态,具体计算公式为:
其中,RSt表示电力设备的运行状态,表示需要巡检的电力设备评估值最小值,/>表示需要巡检的电力设备评估值最大值,P表示设备发生故障的概率。
步骤六根据电力设备运行状态调整电力设备检修周期具体内容包括:
设置电力设备的运行状态等级,根据电力设备的运行状态等级设置电力设备巡检周期:
当电力设备的运行状态RSt值在(0,RSt1),设置当前电力设备运行状态等级为一级,电力设备运行正常,输出电力设备巡检周期PIC为最大值PICmax;
当电力设备的运行状态RSt值在(RSt2,RSt3),设置当前电力设备运行状态等级为二级,电力设备运行存在故障风险,输出电力设备巡检周期为K2*PICmax,其中,K2表示二级巡检系数;
当电力设备的运行状态RSt值在(RSt4,1),设置当前电力设备运行状态等级为三级,电力设备运行危险,输出电力设备巡检周期为K3*PICmax,其中,K3表示三级巡检系数。
在电力设备的运行状态的评估值基础上,进一步反演电力设备可能故障的环境原因,找到对于电力设备运行状态影响大的环境因素,有助于及时采取合适的措施保护电力设备的平稳运行,进一步的,根据电力设备运行状态影响的环境因素,找到最可能发生故障的配件,输出巡检时需要重点检查的配件。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于人工智能的电力设备检修方法,其特征在于:所述电力设备检修方法具体步骤包括:
步骤一:采集电力设备的环境数据;
步骤二:结构化存储电力设备的环境数据;
步骤三:收集电力设备的材质,计算电力设备的故障率;
步骤四:根据电力设备的故障率对于电力设备进行初始评分,输出电力设备评估值;
步骤五:评估电力设备运行状态,根据电力设备评估值和电力设备运行环境对于电力设备运行状态进行评估;
步骤六:根据电力设备运行状态调整电力设备检修周期;
所述步骤三计算电力设备的故障率具体内容包括:
Step 1.1:收集电力设备同型号历史故障,统计电力设备历史故障时间、历史故障损坏的配件、同型号电力设备历史运行时间和历史维修费用;
Step 1.2:计算电力设备的故障率,具体计算公式为:
其中,Fr表示电力设备的故障率,FT表示单台电力设备的发生故障时间之和,RT表示单台电力设备运行时间之和;
Step 1.3:计算电力设备配件的损坏概率,具体的计算公式为:
其中,PA表示电力设备配件的损坏概率,mA表示单台电力设备配件损坏的次数,M表示单台电力设备发生故障的总次数;
Step 1.4:输出电力设备配件的损坏频率、电力设备的故障率、历史故障损坏的配件和历史维修费用;
所述步骤四输出电力设备评估值具体内容包括:
计算单台电力设备初始评分,具体计算公式为:
其中,Eqv表示单台电力设备初始评分,A表示设备故障系数,B表示配件故障系数,C表示单台电力设备单次维修的费用,Ft表示单台电力设备单次维修的时间,v表示单台电力设备损坏配件的数量;
计算同型号电力设备初始评分的平均值,输出电力设备评估值,具体计算公式为:
其中,表示电力设备评估值,N表示同型号电力设备数量。
2.根据权利要求1所述的一种基于人工智能的电力设备检修方法,其特征在于:所述步骤五评估电力设备运行状态具体内容包括:归一化电力设备的环境数据,设置环境数据安全阈值,将电力设备的环境数据在环境数据安全阈值以内的置为零,缺失值和重复值置为零,超出环境安全阈值的数据进行归一化计算,具体计算公式为:
其中,x表示原始电力设备环境数据,表示环境数据安全阈值,X表示归一化电力设备环境数据。
3.根据权利要求2所述的一种基于人工智能的电力设备检修方法,其特征在于:所述步骤五评估电力设备运行状态具体内容还包括:基于DeepAR建立电力设备故障预测模型,构建RNN神经网络,设置数据历史故障,当同型号电力设备历史故障时,历史故障置为“1”,当同型号电力设备历史非故障时,历史故障置为“0”,输入归一化电力设备环境数据和历史故障,通过最大似然估计训练神经网络;输出当前设备的归一化电力设备环境数据,输出当前设备发生故障的概率。
4.根据权利要求3所述的一种基于人工智能的电力设备检修方法,其特征在于:所述步骤五评估电力设备运行状态具体内容还包括:根据电力设备发生故障的概率评估电力设备的运行状态,具体计算公式为:
其中,RSt表示电力设备的运行状态,表示需要巡检的电力设备评估值最小值,表示需要巡检的电力设备评估值最大值,P表示设备发生故障的概率。
5.根据权利要求4所述的一种基于人工智能的电力设备检修方法,其特征在于:所述步骤六根据电力设备运行状态调整电力设备检修周期具体内容包括:
设置电力设备的运行状态等级,根据电力设备的运行状态等级设置电力设备巡检周期:
当电力设备的运行状态RSt值在(0,RSt1),设置当前电力设备运行状态等级为一级,电力设备运行正常,输出电力设备巡检周期PIC为最大值PICmax;
当电力设备的运行状态RSt值在(RSt2,RSt3),设置当前电力设备运行状态等级为二级,电力设备运行存在故障风险,输出电力设备巡检周期为K2*PICmax,其中,K2表示二级巡检系数;
当电力设备的运行状态RSt值在(RSt4,1),设置当前电力设备运行状态等级为三级,电力设备运行危险,输出电力设备巡检周期为K3*PICmax,其中,K3表示三级巡检系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210250944.9A CN114781657B (zh) | 2022-03-15 | 2022-03-15 | 一种基于人工智能的电力设备检修系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210250944.9A CN114781657B (zh) | 2022-03-15 | 2022-03-15 | 一种基于人工智能的电力设备检修系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114781657A CN114781657A (zh) | 2022-07-22 |
CN114781657B true CN114781657B (zh) | 2023-09-26 |
Family
ID=82423701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210250944.9A Active CN114781657B (zh) | 2022-03-15 | 2022-03-15 | 一种基于人工智能的电力设备检修系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114781657B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115130936B (zh) * | 2022-09-01 | 2023-01-20 | 北京智盟信通科技有限公司 | 基于关键状态量的变电设备运行可靠性评估方法 |
CN116316613B (zh) * | 2023-05-18 | 2023-10-20 | 中国电建集团山东电力建设第一工程有限公司 | 电力设备运行监测方法、系统、电子设备及存储介质 |
CN118130957B (zh) * | 2024-05-08 | 2024-07-09 | 吉林大学 | 一种电气设备自动化巡检系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495967A (zh) * | 2011-12-12 | 2012-06-13 | 山东电力集团公司济宁供电公司 | 在运电力变压器检修周期计算方法 |
CN103630776A (zh) * | 2013-11-19 | 2014-03-12 | 中国南方电网有限责任公司 | 一种电力设备故障概率评估方法 |
CN105678440A (zh) * | 2015-12-03 | 2016-06-15 | 国电南瑞科技股份有限公司 | 一种基于多源信息融合的输变电设备故障率的计算方法 |
CN106503417A (zh) * | 2016-09-22 | 2017-03-15 | 国网江苏省电力公司泰州供电公司 | 一种基于状态评价的电力设备故障率计算方法 |
CN108062608A (zh) * | 2018-01-25 | 2018-05-22 | 武汉理工大学 | 计及环境因素的配电开关设备可靠性评估方法 |
CN108288123A (zh) * | 2018-01-25 | 2018-07-17 | 武汉理工大学 | 基于bp神经网络的配电开关设备可靠性评估方法 |
CN109239546A (zh) * | 2018-08-28 | 2019-01-18 | 西南交通大学 | 一种变压器绝缘寿命预测与可靠性评估方法 |
CN109818418A (zh) * | 2018-12-06 | 2019-05-28 | 安徽凯川电力保护设备有限公司 | 一种电力设备状态监控与展示的装置与方法 |
CN110110933A (zh) * | 2019-05-10 | 2019-08-09 | 西南交通大学 | 一种智能变电站保护系统的检修周期优化方法 |
CN112526251A (zh) * | 2020-10-22 | 2021-03-19 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于数据驱动的变电站电力设备故障诊断方法 |
CN113162232A (zh) * | 2021-04-09 | 2021-07-23 | 北京智盟信通科技有限公司 | 一种输电线路设备风险评估与防御决策系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101943438B1 (ko) * | 2016-12-28 | 2019-01-29 | 효성중공업 주식회사 | 전력설비의 자산관리 방법 |
-
2022
- 2022-03-15 CN CN202210250944.9A patent/CN114781657B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495967A (zh) * | 2011-12-12 | 2012-06-13 | 山东电力集团公司济宁供电公司 | 在运电力变压器检修周期计算方法 |
CN103630776A (zh) * | 2013-11-19 | 2014-03-12 | 中国南方电网有限责任公司 | 一种电力设备故障概率评估方法 |
CN105678440A (zh) * | 2015-12-03 | 2016-06-15 | 国电南瑞科技股份有限公司 | 一种基于多源信息融合的输变电设备故障率的计算方法 |
CN106503417A (zh) * | 2016-09-22 | 2017-03-15 | 国网江苏省电力公司泰州供电公司 | 一种基于状态评价的电力设备故障率计算方法 |
CN108062608A (zh) * | 2018-01-25 | 2018-05-22 | 武汉理工大学 | 计及环境因素的配电开关设备可靠性评估方法 |
CN108288123A (zh) * | 2018-01-25 | 2018-07-17 | 武汉理工大学 | 基于bp神经网络的配电开关设备可靠性评估方法 |
CN109239546A (zh) * | 2018-08-28 | 2019-01-18 | 西南交通大学 | 一种变压器绝缘寿命预测与可靠性评估方法 |
CN109818418A (zh) * | 2018-12-06 | 2019-05-28 | 安徽凯川电力保护设备有限公司 | 一种电力设备状态监控与展示的装置与方法 |
CN110110933A (zh) * | 2019-05-10 | 2019-08-09 | 西南交通大学 | 一种智能变电站保护系统的检修周期优化方法 |
CN112526251A (zh) * | 2020-10-22 | 2021-03-19 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于数据驱动的变电站电力设备故障诊断方法 |
CN113162232A (zh) * | 2021-04-09 | 2021-07-23 | 北京智盟信通科技有限公司 | 一种输电线路设备风险评估与防御决策系统及方法 |
Non-Patent Citations (2)
Title |
---|
人工智能技术在电力设备运维检修中的研究及应用;蒲天骄等;高电压技术;第46卷(第02期);369-383 * |
计及设备故障检修的电网可靠性和经济性分析;张煦;张向伍;;江苏电机工程(第02期);65-69 * |
Also Published As
Publication number | Publication date |
---|---|
CN114781657A (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114781657B (zh) | 一种基于人工智能的电力设备检修系统及方法 | |
CN117093879B (zh) | 一种数据中心智能化运营管理方法及系统 | |
CN114966467A (zh) | 一种基于数字孪生的输电线路状态评估方法 | |
CN111523595A (zh) | 一种基于离群点检测算法的电缆缺陷研判方法 | |
CN117408514A (zh) | 基于多参数传感器的智能运维变电站监测预警系统及方法 | |
CN115165725A (zh) | 一种基于数据驱动的海上装备腐蚀监测与安全预警系统 | |
CN113177646A (zh) | 一种基于自适应边缘代理的配电设备在线监测方法及系统 | |
CN117148045A (zh) | 配电网运行状态的故障研判管理系统 | |
CN117034174B (zh) | 变电站设备异常检测方法及其系统 | |
CN105741184B (zh) | 一种变压器状态评估方法及装置 | |
CN117409529B (zh) | 一种多场景电气火灾在线监测方法及系统 | |
CN116593829B (zh) | 基于数据分析的输电线路隐患在线监测系统 | |
CN117494009A (zh) | 基于绝缘材料热解分析的电气设备状态评估方法及云平台 | |
CN117590148A (zh) | 一种基于大数据的电网线路故障诊断方法和系统 | |
CN116150693A (zh) | 氢燃料电池发动机安全性评估方法、装置、设备及存储介质 | |
CN115856613A (zh) | 断路器状态评估方法 | |
CN115684833A (zh) | 一种基于谐波诊断的电缆线路劣化监测方法、系统及存储介质 | |
CN115906437A (zh) | 一种风机状态确定方法、装置、设备和存储介质 | |
CN115224684A (zh) | 基于免疫危险理论的智能配电网风险状态辨识方法及系统 | |
Shen | Classification of Wind Turbine Blade Performance State Through Statistical Methods | |
CN110442899B (zh) | 一种输电线塔健康状况分析方法 | |
CN115711206B (zh) | 一种基于聚类权重的风力发电机叶片覆冰状态监测系统 | |
CN117973877B (zh) | 基于智慧燃气物联网的燃气管井安全管理方法与系统 | |
CN118051813A (zh) | 一种基于孤僻森林修正lstm算法的电网故障检测方法及系统 | |
CN114439704A (zh) | 基于scada和fissa-dbn模型的风电机组运行状态监测方法 |
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 |