CN115587669A - 一种变电资产管理方法及系统 - Google Patents
一种变电资产管理方法及系统 Download PDFInfo
- Publication number
- CN115587669A CN115587669A CN202211398021.4A CN202211398021A CN115587669A CN 115587669 A CN115587669 A CN 115587669A CN 202211398021 A CN202211398021 A CN 202211398021A CN 115587669 A CN115587669 A CN 115587669A
- Authority
- CN
- China
- Prior art keywords
- cost
- sub
- asset
- equipment
- power transformation
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 121
- 230000009466 transformation Effects 0.000 claims abstract description 147
- 238000012423 maintenance Methods 0.000 claims abstract description 89
- 238000012544 monitoring process Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims description 30
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 206010011906 Death Diseases 0.000 claims 2
- 230000000875 corresponding effect Effects 0.000 description 77
- 238000012549 training Methods 0.000 description 42
- 238000009434 installation Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 17
- 230000008859 change Effects 0.000 description 11
- 230000008439 repair process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 238000013024 troubleshooting Methods 0.000 description 3
- 208000033999 Device damage Diseases 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000000135 prohibitive effect Effects 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- 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
- 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)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供一种变电资产管理方法及系统,包括:获取变电设备的基础资产信息;基础资产信息包括:状态监测信息、设备信息、设备维护信息、变电设备供电量中的至少一种;基于基础资产信息,确定资产管理成本;基于基础资产信息和资产管理成本,更新变电设备的资产管理信息;基于更新后的变电设备的资产管理信息,确定重点监测设备并向关联用户端发出预警信息。
Description
技术领域
本说明书涉及电力管理领域,特别涉及变电资产管理方法及系统。
背景技术
在发电厂和电力用户之间需要通过变电所变换电压,传输和分配电能,将各电压等级的电网联系起来。变电所的主要电气设备包括变压器、高压断路器等直接生产、输送、分配和使用电能的一次设备以及继电保护装置、自动装置等对一次设备和系统的运行工况进行测量、监视、控制和保护的二次设备。因此,在设备使用过程中,需要一种方法来监测设备使用过程中的长期成本、设备状态变化引起的潜在风险以及这些风险带来的成本,并基于监测到的信息确定出需要在后续需要重点监测的变电设备及其子设备,以提高后续的设备管理效率及准确性。
发明内容
本说明书实施例之一提供一种变电资产管理方法,包括:获取变电设备的基础资产信息;所述基础资产信息包括:状态监测信息、设备信息、设备维护信息、变电设备供电量中的至少一种;基于所述基础资产信息,确定资产管理成本;基于所述基础资产信息和所述资产管理成本,更新所述变电设备的资产管理信息。基于更新后的所述变电设备的所述资产管理信息,确定重点监测设备并向关联用户端发出预警信息。
本说明书实施例之一提供一种变电资产管理系统,包括获取模块,确定模块,更新模块和预警模块;所述获取模块用于获取变电设备的基础资产信息;所述基础资产信息包括:状态监测信息、设备信息、设备维护信息、变电设备供电量中的至少一种;所述确定模块用于基于所述基础资产信息,确定资产管理成本;所述更新模块用于基于所述基础资产信息和所述资产管理成本,更新所述变电设备的资产管理信息。所述预警模块用于基于更新后的所述变电设备的所述资产管理信息,确定重点监测设备并向关联用户端发出预警信息。
本说明书实施例之一提供一种变电资产管理装置,包括处理器,所述处理器用于执行以上任一项实施例所述的变电资产管理方法。
本说明书实施例之一提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行以上任一项实施例所述的变电资产管理方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的一种变电资产管理方法的系统模块图;
图2是根据本说明书一些实施例所示的一种变电资产管理的方法流程图;
图3是根据本说明书一些实施例所示的变电资产知识图谱的示例性示意图;
图4是根据本说明书一些实施例所示的确定报废成本的示例性流程图;
图5是根据本说明书一些实施例所示的预测损失成本的示例性流程图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的变电资产管理系统的系统模块图。如图1所示,变电资产管理系统100可以包括获取模块110、确定模块120、更新模块130和预警模块140。
获取模块110用于获取变电设备的基础资产信息。关于获取基础资产信息的更多细节可以参见图2及其相关描述。
确定模块120用于确定资产管理成本。关于确定资产管理成本的更多细节可以参见图2、图4、图5及其相关描述。
更新模块130用于更新变电设备的资产管理信息。关于更新资产管理信息的更多细节可以参见图2、图3及其相关描述。
预警模块140用于确定重点监测设备并向关联用户端发出预警信息。关于发出预警信息的更多细节可以参见图2及其相关描述。
图2是根据本说明书一些实施例所示的变电资产管理方法的方法流程图。如图2所示,流程200包括下述步骤。在一些实施例中,流程200由获取模块110执行。
步骤210,获取变电设备的基础资产信息;基础资产信息包括:状态监测信息、设备信息、设备维护信息、变电设备供电量中的至少一种。
变电设备指直接生产、输送、分配和使用电能的设备,可以由多个子设备组成。例如,变电设备可以包括变压器、高压断路器、隔离开关、母线、避雷器、电容器、电抗器等子设备。变电设备的基础资产信息是指与变电设备的基础资产有关的信息。例如,基础资产信息可以包括状态监测信息、设备信息、设备维护信息、变电设备供电量中的至少一种。
状态监测信息是指监测设备状态获取的相关信息。例如,状态监测信息可以包括设备使用时长、工作、备用、停用、故障检修、损坏程度等与设备状态有关的信息。其中,设备的损坏程度可以基于故障检修次数、使用时长确定。例如,故障检修次数越多,则设备的损坏程度越大;设备使用时长越长,则设备的损坏程度越大。
设备信息是指设备固有的信息。例如,设备信息可以包括设备类型、设备数量、设备采购成本等与设备本身相关的信息。
设备维护信息是指维护设备时产生的相关信息。例如,设备维护信息可以包括保养检修记录、保养检修成本、保养检修时的设备状态监测信息等。
变电设备供电量是指变电设备在一定时间内供应的电量。例如,每小时供应30万千瓦电量等。
在一些实施例中,获取模块110可以通过多种方式获取变电设备的基础资产信息。
在一些实施例中,获取模块110可以通过监控系统获取状态监测信息。监控系统可以包括摄像头、传感设备、手持终端、电子标签等。例如,可以使用手持终端人工检测设备是否已停用,还可以通过计时器获取设备的使用时长。
在一些实施例中,获取模块110可以通过人工输入获取设备信息。例如,人工输入设备类型、设备数量等,设备类型、设备数量等;也可以通过各个变电所的采购、安装记录中查询获取设备信息。
在一些实施例中,获取模块110可以通过人工输入获取设备维护信息。在一些实施例中,获取模块110可以通过调取监控系统中的历史监控信息来获取设备维护信息。其中,历史监控信息包括设备维护信息,其可以存储在存储设备或者数据库中。
在一些实施例中,获取模块110可以基于变电设备的历史供电数据确定变电设备供电量。例如,某变电设备过去一段时间内平均每小时供应30万千瓦电量,则确定该变电设备供电量为每小时供应30万千瓦。
步骤220,基于基础资产信息,确定资产管理成本。
资产管理成本是指管理及使用变电设备相关资产需要投入的成本。例如,变电设备在使用过程中进行维护投入的成本。在一些实施例中,资产管理成本可以包括更换成本、维护成本、报废成本、损失成本等。其中,更换成本、维护成本参见后文相关描述。报废成本的更多内容参加图4及相关描述。损失成本的更多内容参加图5及相关描述。
在一些实施例中,确定模块120可以基于历史资产管理成本确定资产管理成本。例如,若当前基础资产信息与某历史基础资产信息类似,则确定模块120可以调取该历史基础资产信息对应的历史资产管理成本,并确定其为当前的资产管理成本。其中,历史基础资产信息和对应的历史资产管理成本均可存储在存储设备或数据库中。
在一些实施例中,可以基于基础资产信息构建变电资产知识图谱,并基于变电资产知识图谱,通过成本预测模型,确定资产管理成本。成本预测模型为机器学习模型。
变电资产知识图谱可以指反映变电设备的资产情况的图谱,由节点和边组成。关于变电资产知识图谱的更多内容参见图3及其相关内容。
在一些实施例中,可以基于变电资产知识图谱,通过成本预测模型,确定变电设备的资产管理成本。在一些实施例中,可以基于变电资产知识图谱的子图,通过成本预测模型,确定每个子设备的资产管理成本,并将变电设备的各个子设备的资产管理成本的总和作为该变电设备的资产管理成本。在一些实施例中,可以基于变电资产知识图谱的子图的细分,通过成本预测模型,确定每个子设备的更换成本、维护成本、报废成本、损失成本等具体资产管理成本,进而确定各个子设备的资产管理成本。具体说明参见本说明书其他部分的内容描述,如图4、图5的描述等。
成本预测模型为机器学习模型。在一些实施例中,成本预测模型可以包括图神经网络模型。
成本预测模型的输入是变电资产知识图谱。成本预测模型的输出为变电设备的资产管理成本。
可以基于训练样本及其标签对初始成本预测模型进行训练。初始成本预测模型可以是未设置参数的成本预测模型。训练样本可以包括历史变电资产知识图谱,标签可以包括历史产生的实际资产管理成本。训练样本和标签可以根据存储设备或数据库中存储的历史数据确定,标签可以基于人工标注获取。可以将训练样本输入初始成本预测模型,并基于初始成本预测模型的输出与标签构建损失函数,并基于损失函数迭代更新初始成本预测模型的参数,直到预设条件被满足,训练完成,得到训练好的成本预测模型。其中,预设条件可以是损失函数小于阈值、收敛或训练周期达到阈值。
在一些实施例中,成本预测模型的输入还可以是变电资产知识图谱的子图。成本预测模型的输出还可以是每个子设备的资产管理成本。对应的,在对成本预测模型进行训练时,训练样本还可以包括变电资产知识图谱的子图。其余训练部分参见本说明书前文部分的描述。
在一些实施例中,成本预测模型包括第一预测模型、第二预测模型、第三预测模型和第四预测模型。第一预测模型用于确定报废成本,关于第一预测模型的更多内容参加图4及其相关内容。第二预测模型用于确定损失成本,关于第二预测模型的更多内容参见图5及其相关内容。第三预测模型和第四预测模型分别用于确定更换成本及维护成本,关于第三预测模型和第四预测模型的更多内容参见后文中相关内容。
基于变电资产知识图谱,通过成本预测模型确定资产管理成本,可以使得到的资产管理成本更加准确,且成本预测模型的使用大大缩短了资产管理成本的确定时长,有效提高了运算效率。
步骤230,基于基础资产信息和资产管理成本,更新变电设备的资产管理信息。
资产管理信息是指管理变电设备相关资产的信息。在一些实施例中,资产管理信息可以包括设备类型及数量、设备状态、设备管理策略、对应的资产管理成本等。其中,设备管理策略可以包括设备是否更换、是否继续使用、是否报废等。
在一些实施例中,可以通过电子标签更新资产管理信息。例如,电子标签可以将设备类型及数量、设备状态、设备管理策略、对应的资产管理成本进行关联存储。基于基础资产信息和资产管理成本,可以确定设备是否更换、是否继续使用、是否报废等,从而更新设备管理策略。例如,变电设备的更换成本大于更换成本阈值时,则确定设备报废,从而更新设备管理策略为确定设备报废。由于设备类型及数量、设备状态、设备管理策略、对应的成本通过电子标签关联存储,因此,设备管理策略的更新会使资产管理信息联动更新。
在一些实施例中,变电设备的资产管理信息更新后,资产管理成本也会联动更新。更新的资产管理成本可以包括变电设备的更换成本、变电设备的维护成本、变电设备的报废成本、变电设备的损失成本、每个子设备的资产管理成本等。
步骤240,基于更新后的变电设备的资产管理信息,确定重点监测设备并向关联用户端发出预警信息。
重点监测设备是指需要重点监测的可能存在问题或维护成本过高的设备。在一些实施例中,可以将更新后的变电设备的资产管理信息满足预设条件的变电设备或其子设备作为重点监测设备,如更换成本或维护成本高于预设成本值的设备。
关联用户端是指与变电设备关联用于监测变电设备的用户端。用户端可以包括移动终端、台式电脑等,具体不作限制。关联用户端的用户可以是变电设备的维护人员、管理人员等。
预警信息是指提醒关联用户端的信息。例如,预警信息包含重点监测设备的资产管理信息以及后续的设备管理策略。在一些实施例中,预警模块140可以通过无线通信的方式发送预警信息至关联用户端。
基于基础资产信息和资产管理成本,更新变电设备的资产管理信息,进而确定重点监测设备并向关联用户端发出预警信息,能提示关联用户端需要重点监测的设备,从而使关联用户端及时确认设备管理策略,实现高效且精确地管理变电设备。
图3是根据本说明书一些实施例所示的变电资产知识图谱的示例性示意图。
如图3所示为变电资产知识图谱的示意图,变电资产知识图谱300由若干节点及连接节点的边构成。变电资产知识图谱的节点可以包括变电设备节点、子设备节点、采购节点、安装节点、维护节点和报废节点,各节点可以包括对应的节点属性信息。
变电设备节点可以指对应变电设备的节点。例如,如图3中的变电设备节点A可以是对应变电设备A。在一些实施例中,变电设备节点的节点属性信息可以包括其对应的变电设备的组成部分情况、变电设备整体状态、变电设备供电量、各个子设备的历史数据。组成部分情况可以指变电设备的各个子设备的使用情况。变电设备整体状态可以包括变电设备的投用时间等。各个子设备的历史数据可以包括与采购、安装、维护、报废情况及对应费用等相关的各个子设备的数据。各个子设备的历史数据还可以是基于多个时间点采集的历史数据构成的时间序列数据,子设备的采购、安装、维护、报废中至少部分对应的费用随时间会有变化,因此,子设备的采购、安装、维护、报废可以分别对应一个时间序列数据。
子设备节点可以指对应子设备的节点。例如,子设备节点可以分别对应变压器、高压断路器、隔离开关、母线、避雷器、电容器、电抗器等。如图3所示的子设备节点C和子设备节点B可以表示构成变电设备A的变压器C、高压断路器B。需要说明的是图3中所示的节点及边仅为示例,实际中的图谱数据结构会更复杂。在一些实施例中,子设备节点的节点属性信息可以包括设备类型、设备型号、设备编号、状态监测信息等。状态监测信息的相关内容参见图2及相关描述。
采购节点可以指与子设备的设备采购信息有关的节点。在一些实施例中,采购节点的节点属性信息可以包括采购费用、供应商、供应商的质量参数要求等。供应商的质量参数要求是指为检测供应商提供的设备的质量是否达标而设置的参数。
在一些实施例中,一个变电资产知识图谱中可以基于包含的子设备的采购信息进行分类,设置多个具有不同属性信息的采购节点,则各个子设备对应的子设备节点可以基于其采购信息所属的类型与相应的采购节点通过相应的边进行连接。如图3中所示的子设备节点C与子设备节点B均与采购节点D通过边连接,表明子设备节点C与子设备节点B对应的子设备的采购信息属于同一类型,如采购费用属于相同范围、供应商属于同一地区、供应商的质量参数要求属于同一级别等。
安装节点可以指与子设备的设备安装信息有关的节点。在一些实施例中,安装节点的节点属性信息可以包括安装验收情况、安装和拆卸人工费用、安装环境等。
维护节点可以指与子设备的设备维护信息有关的节点。在一些实施例中,维护节点的节点属性信息可以包括保养检修信息。保养检修信息可以包括保养项目、保养费用、保养时间、检修项目、检修原因、检修时间等。
报废节点可以指与子设备的设备报废信息有关的节点。在一些实施例中,报废节点的节点属性信息可以包括报废运输路程、报废环境、拆卸人工费用等。
同采购节点的设置,一个变电资产知识图谱中可以基于包含的变电设备以及子设备的具体情况设置多个安装节点、多个维护节点、多个报废节点,且不同的安装节点、不同的维护节点、不同的报废节点对应的节点属性信息可以不同。
变电资产知识图谱的边包括5个类型的边,分别为第1类型的边、第2类型的边、第3类型的边、第4类型的边、第5类型的边。各类型的边包括与边类型对应的属性信息。
第1类型的边可以用于连接变电设备节点与子设备节点,如图3所示,第1类型的边可以表示为“边1”,其中,子设备节点B与变电设备节点A通过边1a连接,子设备节点C与变电设备节点A通过边1b连接,表示变电设备节点A对应的变电设备A包括两个子设备。图3所示的变电资产知识图谱仅为示例,一个变电资产知识图谱中可以包括若干变电设备节点,每个变电设备节点可以通过若干条第1类型的边与其对应的若干子设备节点连接。第1类型的边对应的属性信息为子设备类型、功能等。
第2类型的边可以用于连接各个子设备节点与对应的采购节点,如图3所示,第2类型的边可以表示为“边2”其中,子设备节点B与采购节点D通过边2b连接,子设备节点C与采购节点D通过边2a连接,表示子设备节点C与子设备节点B对应的子设备的采购信息属于同一类型。图3所示的变电资产知识图谱仅为示例,一个变电资产知识图谱中可以包括若干采购节点,每个子设备节点可以通过一条第2类型的边与其对应的一个采购节点连接。第2类型的边对应的属性信息为采购时间。
第3类型的边可以用于连接各个子设备节点与对应的安装节点,如图3所示,第3类型的边可以表示为“边3”。
其中,子设备节点B与安装节点E通过边3b连接,子设备节点C与安装节点E通过边3a连接,表示子设备节点C与子设备节点B对应的子设备的安装信息属于同一类型。图3所示的变电资产知识图谱仅为示例,一个变电资产知识图谱中可以包括若干安装节点,每个子设备节点可以通过一条第3类型的边与其对应的一个安装节点连接。第3类型的边对应的属性信息为安装时间。
第4类型的边可以用于连接各个子设备节点与对应的维护节点,如图3所示,第4类型的边可以表示为“边4”其中,子设备节点B与维护节点F通过边4b连接,子设备节点C与维护节点F通过边4a连接,表示子设备节点C与子设备节点B对应的子设备的维护信息属于同一类型。图3所示的变电资产知识图谱仅为示例,一个变电资产知识图谱中可以包括若干维护节点,每个子设备节点可以通过一条第4类型的边与其对应的一个维护节点连接。第4类型的边对应的属性信息为保养次数、检修次数。
第5类型的边可以用于连接各个子设备节点与对应的报废节点,如图3所示,第5类型的边可以表示为“边5”其中,子设备节点B与报废节点G通过边5b连接,子设备节点C与报废节点G通过边5a连接,表示子设备节点C与子设备节点B对应的子设备的报废信息可以属于同一类型。图3所示的变电资产知识图谱仅为示例,一个变电资产知识图谱中可以包括若干报废节点,每个子设备节点可以通过一条第5类型的边与其对应的一个报废节点连接。第5类型的边对应的属性信息为是否报废、报废时间。其中,若某子设备节点对应的子设备不需要报废,则该子设备节点可以与变电资产知识图谱中任一报废节点连接,且对应的第5类型的边对应的属性信息为不报废。
在一些实施例中,子设备节点的节点属性信息还可以包括故障概率。在一些实施例中,变电资产知识图谱还包括第6类型的边。当某个子设备的故障会影响另一子设备的故障时,这两个子设备对应的两个子设备节点通过第6类型的边连接。如图3中,第6类型的边可以表示为“边6”。其中,子设备节点B与子设备节点C通过边6a连接,表示子设备节点C与子设备节点B对应的两个子设备中任一子设备出现故障时,会影响另一子设备的故障。第6类型的边的属性信息包括故障关联度。
故障概率是指子设备出现故障的概率。在一些实施例中,故障概率可以用百分比表示。百分比越大则表示故障概率越大。例如,故障概率可以用20%、50%、80%表示,其中80%表示的故障概率大于20%。故障概率可以基于相应子设备的历史使用数据统计或预测。在一些实施例中,子设备的故障概率可以与该子设备的使用时间正相关,例如,使用时间越长,则对应的故障概率越高。
故障关联度是指子设备之间故障相互影响的程度。例如,故障关联度可以用数值表示(如1-10之间的任意整数),子设备之间故障相互影响的程度越大,则故障关联度越大。故障关联度可以根据经验值预设,预设之后可以为定值。例如,基于变电设备的历史运行、配置等数据确定两个子设备之间的故障关联度,设定后不再发生变化。
将故障概率作为子设备节点的节点属性信息,并将故障关联度作为连接子设备节点的边的属性信息,可以反映子设备之间故障的相互影响,使构建的变电资产知识图谱可以体现子设备之间的相互关联性,从而使基于变电资产知识图谱得到的资产管理成本更加准确。
在一些实施例中,确定模块120可以更新变电资产知识图谱中的故障概率。例如,当子设备在使用中出现问题、损坏、维修、保养等影响子设备质量的情况时,则进行一次故障概率更新。
在一些实施例中,对变电资产知识图谱的故障概率进行更新时,可以从质量发生变化(如出现问题、损坏、维修、保养等时)的子设备节点开始更新,并从该节点相邻的节点逐步更新,直至每个子设备节点完成更新。质量发生变化的子设备节点的故障概率可以通过公式(1)进行更新。
s′=s+a*T公式(1)
其中,s′表示质量发生变化的子设备节点的更新后的故障概率,s表示质量发生变化的子设备节点的更新前的故障概率,a表示质量变化因子,T表示转换基准值。
在一些实施例中,不同子设备的转换基准值T可以相同或者不同,各个子设备的转换基准值T的最初始值都预设为0。T可以随子设备使用时间更新,子设备使用时间越长,T越大。子设备报废时,可以直接将发生变化的子设备节点故障概率调至最大值,如100%。质量变化因子a的确定参见后文相关描述。
其他子设备节点的故障概率可以通过公式(2)进行更新。
si″=si+r1*s1+r2*s2+…+rn*sn公式(2)
其中si″表示质量发生变化的子设备节点的邻近子设备节点i(后面简称子设备节点i)更新后的故障概率,si表示子设备节点i更新前的故障概率,s1至sn分别表示子设备节点i的n个邻近子设备节点对应的故障概率,其中,对于n个邻近子设备节点中故障概率已更新的,则其对应的故障概率取值为更新后的故障概率,未更新的则取值为更新前的故障概率,如s1为前述质量发生变化的子设备节点,则s1的取值可以为前述s′。r1至rn分别表示子设备节点i的n个邻近子设备节点与子设备节点i的故障关联度,如s1为前述质量发生变化的子设备节点,则r1表示前述质量发生变化的子设备节点与子设备节点i的故障关联度,故障关联度可以基于两个子设备节点间的第6类型的边的边属性确定,若两个子设备节点间不存在第6类型的边,则故障关联度取值为0。
其中,子设备节点i的邻近子设备节点可以指基于一条边直接与子设备节点i连接的子设备节点。如图3中子设备节点C和子设备节点B即互为邻近子设备节点。
通过更新质量发生变化的子设备的故障概率,直至更新每个子设备的故障概率,可以使得各个子设备的故障概率更加准确,从而使建构的变电资产知识图谱更加准确。
在一些实施例中,可以通过因子模型预测质量变化因子a。因子模型为机器学习模型。
因子模型的输入是质量的变化方式(如出现问题、损坏、维修、保养等)、子设备类型、子设备历史变化数据、子设备出厂时的性能参数。其中变化方式的可以基于不同的取值表示不同的变化情况。例如,变化方式1表示出现问题,变化方式2表示损坏,变化方式3表示维修,变化方式4表示保养等。因子模型的输出是质量变化因子。
可以基于训练样本及其标签对初始因子模型进行训练。初始因子模型可以是未设置参数的因子模型。训练样本可以包括历史变化方式(出现问题、损坏、维修、保养等)、历史子设备类型、子设备历史变化数据、子设备出厂时的性能参数。标签可以基于预设的使用时长,以及实际的使用时长之间的比例确定,即标签为预设的使用时长/实际的使用时长,可以用数值表示,该数值理论上为≥1的数。标签可以基于人工标注获取。其中,预设的使用时长是出厂时给出的使用时长。训练样本和标签可以根据存储设备或数据库中存储的历史数据确定。可以将训练样本输入初始因子模型,并基于初始因子模型的输出与标签构建损失函数,并基于损失函数迭代更新初始因子模型的参数,直到预设条件被满足,训练完成,得到训练好的因子模型。其中,预设条件可以是损失函数小于阈值、收敛或训练周期达到阈值。
通过因子模型确定质量变化因子,使用该质量变化因子来更新质量发生变化的子设备的故障概率,能使故障概率的更新更为准确。
可以理解的是,图3中的变电资产知识图谱只是用于简单示意,实际上的变电资产知识图谱更为复杂,可以包括更多节点和更多条边。
图4是根据本说明书一些实施例所示的确定报废成本的示意图。如图4所示,流程400包括以下步骤。在一些实施例中,流程400由确定模块120执行。
步骤410,确定变电设备的子设备是否报废。
在一些实施例中,可以通过人工确认子设备是否报废。例如,依据经验判断子设备是否继续使用,若判断子设备不再继续使用,则可以确定变电设备的子设备报废。
在一些实施例中,还可以基于子设备的故障概率、更换次数和维护次数确定子设备是否报废。例如,若变电资产知识图谱中,子设备节点的故障概率大于概率阈值、子设备节点的更换次数和维护次数大于对应的次数阈值,则子设备报废。
关于子设备节点的故障概率的更多内容参见图3及其相关内容。子设备节点的更换和维护次数分别指更换子设备的次数和维护子设备的次数,可以用数值表示。例如,更换和维护次数可以分别是3次和5次等。更换子设备的次数和维护子设备的次数可以基于子设备的历史维护记录数据获取。
子设备节点的故障概率的确定参见图3及其相关内容,子设备节点的更换和维护次数可以从存储历史维护记录的存储设备或者数据库中调取。在一些实施例中,可以设定若某子设备的故障概率、更换次数、维护次数中任一满足超过对应阈值,则该子设备即需要报废。如若设置故障概率阈值为80%,则当子设备节点的故障概率大于80%,则确定子设备报废。若更换次数阈值设置为5次,则子设备节点的更换次数大于5次(如6次等)时,确定子设备报废。若维护次数阈值设置为10次,则子设备节点的更换次数大于10次(如11次等)时,确定子设备报废。
在一些实施例中,可以基于预测的更换成本和维护成本来确定子设备是否报废。例如,若预测的更换成本和维护成本都高于对应的预设成本阈值,则确定子设备报废。又例如,若预测的维护成本大于更换成本,则确定子设备报废。关于预测的更换成本和维护成本的更多内容可以参加后文相关描述。
根据子设备节点的故障概率、更换次数和维护次数判断子设备是否报废,同时可以通过维护成本和更换成本判断子设备是否报废,上述判断方式多元化,能够实现准确判断子设备是否报废。
步骤420,响应于子设备为报废,确定资产管理成本的成本类型为报废成本,从变电资产知识图谱中提取报废成本子图。
报废成本是指设备报废时产生的成本。例如,报废成本可以包括人工拆卸的成本、运输成本等。
报废成本子图是指变电资产知识图谱中提取的用于反映子设备报废情况的子图。如图4所示为基于图3的变电资产知识图谱300提取的报废成本子图430-1,报废成本子图430-1的节点包括变电设备节点A、子设备节点B、报废节点G,边包括第1类型的边“边1a”、第5类型的边“边5b”,其中,变电设备节点A与子设备节点B通过边1a连接,子设备节点B与报废节点G通过边5b连接。报废成本子图430-1表示变电资产知识图谱300中子设备节点B需要报废,则“边5b”的属性信息包括报废。报废成本子图430-1中其他节点和边对应的节点的属性和边的属性的说明参见图3的描述。上述报废成本子图430-1仅作为示例,报废成本子图还可以包括其他变电设备节点、以及其他需要报废的子设备对应的子设备节点、以及相应需要报废的子设备对应的报废节点等。
在一些实施例中,可以基于每个子设备提取对应的报废成本子图。例如,在变电资产知识图谱中通过提取一个子设备节点,及与子设备节点通过边相连的变电设备节点与报废节点,得到报废成本子图。若某子设备节点对应的子设备不需报废,则其对应的报废成本子图中,第5类型的边的边属性可以包括不报废,则其对应的报废成本即为0。
步骤430,基于第一预测模型处理报废成本子图,确定报废成本;第一预测模型为图神经网络模型。
第一预测模型是用于确定报废成本的图神经网络模型,可以基于对机器学习模型的训练获取。
如图4所示,第一预测模型430-2的输入是报废成本子图430-1,第一预测模型430-2的输出是报废成本430-3。报废成本430-3可以基于报废成本子图430-1中的第5类型的边的输出获取,可以用于表示第5类型的边对应的子设备节点对应的子设备发生报废时,产生的报废成本。
第一预测模型可以基于训练样本及标签训练获得。第一预测模型的训练样本可以包括历史报废成本子图,标签可以包括历史报废成本子图中相应子设备的历史实际报废成本。训练样本和标签可以根据存储设备或数据库中存储的历史数据确定。第一预测模型的训练过程与成本预测模型的训练过程相似,具体参见图1及其相关描述。
基于第一预测模型确定报废成本,可以获得的报废成本更加准确,且缩短报废成本的确定时长,提高了变电资产的管理效率。
图5是根据本说明书一些实施例所示的预测损失成本的流程示意图。如图5所示,流程500包括以下步骤。在一些实施例中,流程500由确定模块120执行。
步骤510,确定变电设备的子设备的风险等级。
子设备的风险等级用于反映子设备发生风险的程度。子设备的风险等级可以由正整数表示,如风险等级可以表示为1、2等,数值越大,风险等级越高,可以设置最大风险等级(如10)。在一些实施例中,子设备的风险等级可以基于子设备发生故障的故障概率、故障对变电设备产生的影响等确定。例如,子设备发生故障的故障概率越大,子设备的风险等级越高。又例如,故障对变电设备产生的影响越大,子设备的风险等级越高。
在一些实施例中,可以通过人工确定变电设备的子设备的风险等级。例如,依据经验判断子设备对变电设备产生的影响程度来确定变电设备的子设备的风险等级。若人工判断子设备对变电设备产生的影响程度较小,则确定子设备的风险等级为1,若人工判断子设备对变电设备产生的影响程度较大,则确定子设备的风险等级为5等。
子设备的风险等级与变电资产知识图谱中各个子设备节点的故障概率正相关。子设备节点的故障概率的更多内容参见图3及其相关内容。
在一些实施例中,可以通过子设备的风险等级与变电资产知识图谱中各个子设备节点的故障概率的正相关关系,确定子设备的风险等级。例如,子设备节点的故障概率10%对应子设备的风险等级为1,子设备节点的故障概率20%对应子设备的风险等级为2等。
由于子设备节点的故障概率会实时更新,因此基于子设备节点的故障概率确定子设备的风险等级会使得到的风险等级更加准确,进而使预测的损失成本更加准确。
步骤520,响应于风险等级大于预设风险阈值,确定资产管理成本的成本类型为损失成本,从变电资产知识图谱中提取损失成本子图。
预设风险阈值可以基于可能导致断电的子设备的故障概率确定,故障概率越高,断电风险相应也越高,则可能造成电量损失、设备损坏的概率也越高。在一些实施例中,预设风险阈值可以人工设置,如预设风险阈值设为8。
损失成本是指设备损坏导致损失的成本。例如,损失成本可以包括电量损失成本、设备损坏损失成本等。其中,电量损失成本是指因断电流失的电量而损失的成本。
损失成本子图是指变电资产知识图谱中提取的用于反映子设备损失情况的子图。如图5所示为基于图3的变电资产知识图谱300提取的损失成本子图530-1,损失成本子图530-1的节点包括变电设备节点A、子设备节点B、采购节点D,边包括第1类型的边“边1a”、第2类型的边“边2b”,其中,变电设备节点A与子设备节点B通过边1a连接,子设备节点B与采购节点D通过边2b连接。损失成本子图530-1表示变电资产知识图谱300中子设备节点B的风险等级大于预设风险阈值,会产生损失成本。损失成本子图530-1中节点和边对应的节点的属性和边的属性的说明参见图3的描述。上述损失成本子图530-1仅作为示例,损失成本子图还可以包括其他变电设备节点、其他风险等级大于预设风险阈值的子设备对应的子设备节点、以及相应子设备对应的采购节点等。
在一些实施例中,可以基于每个子设备提取对应的损失成本子图。例如,在变电资产知识图谱中通过提取一个子设备节点,及与子设备节点通过边相连的变电设备节点与采购节点,得到损失成本子图。
步骤530,基于第二预测模型处理损失成本子图,确定损失成本;第二预测模型为图神经网络模型。
第二预测模型是用于确定损失成本的图神经网络模型,可以基于对机器学习模型的训练获取。
如图5所示,第二预测模型530-2的输入是损失成本子图530-1,第二预测模型530-2的输出是损失成本530-3。损失成本530-3可以基于损失成本子图530-1中的第2类型的边的输出获取,可以用于表示第2类型的边对应的子设备节点对应的子设备产生的损失成本。
第二预测模型可以基于训练样本及标签训练获得。第二预测模型的训练样本可以包括历史损失成本子图,标签可以包括历史损失成本子图中相应子设备的历史实际损失成本。训练样本和标签可以根据存储设备或数据库中存储的历史数据确定。第二预测模型的训练过程与成本预测模型的训练过程相似,具体参见图1及其相关描述。
基于第二预测模型确定损失成本,可以获得的损失成本更加准确,且缩短损失成本的确定时长,提高了变电资产的管理效率。
在一些实施例中,资产管理成本包括更换成本。更换成本是指更换设备时产生的成本。例如,更换成本可以包括重新采购、安装拆卸等涉及的费用等。
在一些实施例中,从变电资产知识图谱中提取更换成本子图,基于第三预测模型处理更换成本子图,确定更换成本。
更换成本子图是指变电资产知识图谱中提取的用于反映子设备更换情况的子图。更换成本子图的节点包括变电设备节点、子设备节点、采购节点、安装节点,边包括第1类型的边、第2类型的边,第3类型的边,及对应的节点属性和边属性。其中,变电设备节点与子设备节点通过第1类型的边连接,子设备节点与其对应的采购节点通过第2类型的边连接,子设备节点与其对应的安装节点通过第3类型的边连接。关于节点与边的更多内容可以参见图3及相关描述。
在一些实施例中,可以基于每个子设备提取对应的更换成本子图。例如,在变电资产知识图谱中通过提取一个子设备节点,及与子设备节点通过边相连的变电设备节点、采购节点与安装节点,得到更换成本子图。
第三预测模型是用于确定更换成本的图形经网络模型,可以基于对机器学习模型的训练获取。
第三预测模型的输入是更换成本子图,第三预测模型的输出是更换成本。更换成本可以基于更换成本子图中的第2类型的边和第3类型的边的输出获取,可以用于表示第2类型的边和第3类型的边对应的子设备节点对应的子设备产生的更换成本,一个子设备对应的总的更换成本可以为更换成本子图中,其对应的第2类型的边和第3类型的边的输出之和。
第三预测模型可以基于训练样本及标签训练获得。第三预测模型的训练样本可以包括历史更换成本子图,标签可以包括历史更换成本子图中相应子设备的历史实际更换成本(如实际采购成本、安装成本等)。训练样本和标签可以根据存储设备或数据库中存储的历史数据确定。第三预测模型的训练过程与成本预测模型的训练过程相似,具体参见图1及其相关描述。
基于第三预测模型确定更换成本,可以获得的更换成本更加准确,且缩短更换成本的确定时长,提高了变电资产的管理效率。
在一些实施例中,资产管理成本包括维护成本。维护成本是指维护设备时产生的成本。例如,维护成本可以包括人工维护的费用等。
在一些实施例中,从变电资产知识图谱中提取维护成本子图,基于第四预测模型处理维护成本子图,确定维护成本。
维护成本子图是指变电资产知识图谱中提取的用于反映子设备维护情况的子图。维护成本子图的节点包括变电设备节点、子设备节点、维护节点,边包括第1类型的边、第4类型的边,及对应的节点属性和边属性。其中,变电设备节点与子设备节点通过第1类型的边连接,子设备节点与维护节点通过第4类型的边连接。关于节点与边的更多内容可以参见图3及相关描述。
在一些实施例中,可以基于每个子设备提取对应的维护成本子图。例如,在变电资产知识图谱中通过提取一个子设备节点,及与子设备节点通过边相连的变电设备节点与维护节点,得到维护成本子图。
第四预测模型是用于确定维护成本的图形经网络模型,可以基于对机器学习模型的训练获取。
第四预测模型的输入是维护成本子图,第四预测模型的输出是维护成本。维护成本可以基于维护成本子图中的第4类型的边的输出获取,可以用于表示第4类型的边对应的子设备节点对应的子设备产生的维护成本。
第四预测模型可以基于训练样本及标签训练获得。第四预测模型的训练样本可以包括历史维护成本子图,标签可以包括历史维护成本子图中相应子设备的历史实际维护成本。训练样本和标签可以根据存储设备或数据库中存储的历史数据确定。第四预测模型的训练过程与成本预测模型的训练过程相似,具体参见图1及其相关描述。
基于第四预测模型确定维护成本,可以获得的维护成本更加准确,且缩短维护成本的确定时长,提高了变电资产的管理效率。
在一些实施例中,一种变电资产管理装置包括处理器,该处理器可以用于执行变电资产管理方法。
在一些实施例中,一种计算机可读存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机可以执行变电资产管理方法。需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种变电资产管理方法,包括:
获取变电设备的基础资产信息;所述基础资产信息包括:状态监测信息、设备信息、设备维护信息、变电设备供电量中的至少一种;
基于所述基础资产信息,确定资产管理成本;
基于所述基础资产信息和所述资产管理成本,更新所述变电设备的资产管理信息;
基于更新后的所述变电设备的所述资产管理信息,确定重点监测设备并向关联用户端发出预警信息。
2.根据权利要求1所述的方法,所述基于所述基础资产信息,确定资产管理成本包括:
基于所述基础资产信息构建变电资产知识图谱;
基于所述变电资产知识图谱,通过成本预测模型,确定所述资产管理成本;所述成本预测模型为机器学习模型。
3.根据权利要求2所述的方法,所述资产管理成本包括报废成本;所述成本预测模型包括第一预测模型;
所述基于所述基础资产信息,确定资产管理成本包括:
确定所述变电设备的子设备是否报废;
响应于所述子设备为报废,确定所述资产管理成本的成本类型为所述报废成本,从所述变电资产知识图谱中提取报废成本子图;
基于所述第一预测模型处理所述报废成本子图,确定所述报废成本;所述第一预测模型为图神经网络模型。
4.根据权利要求2所述的方法,所述资产管理成本包括损失成本;所述成本预测模型包括第二预测模型;
所述基于所述基础资产信息,确定资产管理成本包括:
确定所述变电设备的子设备的风险等级;
响应于所述风险等级大于预设风险阈值,确定所述资产管理成本的成本类型为所述损失成本,从所述变电资产知识图谱中提取损失成本子图;
基于所述第二预测模型处理所述损失成本子图,确定所述损失成本;所述第二预测模型为图神经网络模型。
5.一种变电资产管理系统,包括获取模块,确定模块,更新模块和预警模块;
所述获取模块用于获取变电设备的基础资产信息;所述基础资产信息包括:状态监测信息、设备信息、设备维护信息、变电设备供电量中的至少一种;
所述确定模块用于基于所述基础资产信息,确定资产管理成本;
所述更新模块用于基于所述基础资产信息和所述资产管理成本,更新所述变电设备的资产管理信息;
所述预警模块用于基于更新后的所述变电设备的所述资产管理信息,确定重点监测设备并向关联用户端发出预警信息。
6.根据权利要求5所述的系统,所述确定模块进一步用于:
基于所述基础资产信息构建变电资产知识图谱;
基于所述变电资产知识图谱,通过成本预测模型,确定所述资产管理成本;所述成本预测模型为机器学习模型。
7.根据权利要求6所述的系统,所述资产管理成本包括报废成本;所述成本预测模型包括第一预测模型;
所述基于所述基础资产信息,确定资产管理成本包括:
确定所述变电设备的子设备是否报废;
响应于所述子设备为报废,确定所述资产管理成本的成本类型为所述报废成本,从所述变电资产知识图谱中提取报废成本子图;
基于所述第一预测模型处理所述报废成本子图,确定所述报废成本;所述第一预测模型为图神经网络模型。
8.根据权利要求6所述的系统,所述资产管理成本包括损失成本;所述成本预测模型包括第二预测模型;
所述基于所述基础资产信息,确定资产管理成本包括:
确定所述变电设备的子设备的风险等级;
响应于所述风险等级大于预设风险阈值,确定所述资产管理成本的成本类型为所述损失成本,从所述变电资产知识图谱中提取损失成本子图;
基于所述第二预测模型处理所述损失成本子图,确定所述损失成本;所述第二预测模型为图神经网络模型。
9.一种变电资产管理装置,包括处理器,其特征在于,所述处理器用于执行如权利要求1~4任一项所述的变电资产管理方法。
10.一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求1~4任一项所述的变电资产管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211398021.4A CN115587669A (zh) | 2022-11-09 | 2022-11-09 | 一种变电资产管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211398021.4A CN115587669A (zh) | 2022-11-09 | 2022-11-09 | 一种变电资产管理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115587669A true CN115587669A (zh) | 2023-01-10 |
Family
ID=84781925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211398021.4A Pending CN115587669A (zh) | 2022-11-09 | 2022-11-09 | 一种变电资产管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115587669A (zh) |
-
2022
- 2022-11-09 CN CN202211398021.4A patent/CN115587669A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11055450B2 (en) | Industrial asset health model update | |
EP3023851B1 (en) | System and method for determining the current and future state of health of a power transformer | |
Velasquez-Contreras et al. | General asset management model in the context of an electric utility: Application to power transformers | |
JP2013538543A (ja) | 送電網用の機械学習 | |
WO2013023178A1 (en) | Adaptive stochastic controller for dynamic treatment of cyber-physical systems | |
AU2020309879B2 (en) | Failure probability assessment system and method therefor | |
EP3072200B1 (en) | Holistic optimization of distribution automation using survivability modeling to support storm hardening | |
CN114862296A (zh) | 备件库存管理方法、装置、电子设备及计算机存储介质 | |
CN109685344A (zh) | 一种电力设备运维策略确定方法、装置及存储介质 | |
CN111985940A (zh) | 售后服务的数据处理方法、装置、电子设备与存储介质 | |
CN110675070A (zh) | 智能微网设备关键度分析方法 | |
Alvarez et al. | A framework for asset management in electrical systems, part i: Conceptual model | |
CN113344364B (zh) | 停电计划的风险分析方法、装置、电子设备及存储介质 | |
Anguelov et al. | Risk based asset management of electrical distribution network | |
CN117349624A (zh) | 一种电力能源监控方法、系统、终端设备及存储介质 | |
CN115587669A (zh) | 一种变电资产管理方法及系统 | |
CN111709597A (zh) | 一种电网生产域运营监测系统 | |
JP6411628B2 (ja) | 技術的設備のメンテナンス期日を状態に基づいて算定する方法、装置およびコンピュータプログラム製品 | |
van Schijndel | Power transformer reliability modelling | |
Attanayake et al. | On the necessity of using supervised machine learning for risk-based screening of distribution transformers: An industrial case study | |
Desai et al. | Needed: ASAP approach | |
Kumar | Overview on role of asset management systems for smart microgrids | |
CN114819710A (zh) | 电能计量装置的管理方法、装置、计算机设备、存储介质 | |
CN111260150A (zh) | 一种通信设备运行风险预警方法及通信管理系统 | |
Vines | Transformer health in the real world |
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 |