CN115639470B - 一种基于数据趋势分析的发电机监测方法及系统 - Google Patents
一种基于数据趋势分析的发电机监测方法及系统 Download PDFInfo
- Publication number
- CN115639470B CN115639470B CN202211165333.0A CN202211165333A CN115639470B CN 115639470 B CN115639470 B CN 115639470B CN 202211165333 A CN202211165333 A CN 202211165333A CN 115639470 B CN115639470 B CN 115639470B
- Authority
- CN
- China
- Prior art keywords
- data
- working condition
- curve
- trend
- screening
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 85
- 238000004458 analytical method Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000005856 abnormality Effects 0.000 claims abstract description 13
- 238000012417 linear regression Methods 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims description 58
- 238000005457 optimization Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012806 monitoring device Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 15
- 238000010248 power generation Methods 0.000 abstract description 3
- 238000011161 development Methods 0.000 description 12
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000001502 supplementing effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000002407 reforming Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种基于数据趋势分析的发电机监测方法及系统,属于发电技术领域,所述方法包括:根据数据采集装置,获取目标发电机的实时工况数据;对实时工况数据进行数据类型分析,获取多类数据源;连接工况终端系统,获取历史工况数据;根据历史工况数据进行线性回归分析,生成工况拟合曲线;以工况拟合曲线,搭建趋势预测模型;以多类数据源为输入数据,输入趋势预测模型中,根据趋势预测模型,获取趋势偏离度;生成偏离预警信息,将偏离预警信息发送至相关管理人员进行监测异常提醒。解决了现有技术中存在发电机管理质量和效率低、发电机运行监测准确率和智能化程度低的技术问题。达到了提高对发电机工况的监测准确度和效率的技术效果。
Description
技术领域
本申请涉及发电技术领域,尤其涉及一种基于数据趋势分析的发电机监测方法及系统。
背景技术
随着经济和科技的不断发展,尤其是信息化技术的进步,为企业提供了新的生产和管理模式,不断提高工作效率。在电力行业中,通过基于一体化大数据平台,依托先进的工业互联网技术,不断提升发电设备自动化、数字化、可视化和智能化程度。
目前,通过对电力企业的升级改造,各种新型设备传感器与自动化操作系统逐步应用到电力生产过程中,尤其应用于对发电机的运行进行监测。通过对发电机运行过程中的数据进行获取,分析,得到发电机的运行状态。
然而,在发电机运行过程中产生的数据种类众多,依靠人工对数据进行操作,容易导致操作失误,进而导致数据信息不能充分挖掘,对同类数据或同类型的多个数据量无法进行系统化分析,增加重复工作量,导致无法及时发现发电机的运行问题,使发电机出现故障,延误生产的后果。现有技术中存在发电机管理质量和效率低、发电机运行监测准确率和智能化程度低的技术问题。
发明内容
本申请的目的是提供一种基于数据趋势分析的发电机监测方法及系统,用以解决现有技术中存在发电机管理质量和效率低、发电机运行监测准确率和智能化程度低的技术问题。
鉴于上述问题,本申请提供了一种基于数据趋势分析的发电机监测方法及系统。
第一方面,本申请提供了一种基于数据趋势分析的发电机监测方法,其中,所述方法应用于发电机监测预警系统,所述系统与数据采集装置通信连接,所述方法包括:根据所述数据采集装置,获取目标发电机的实时工况数据;对所述实时工况数据进行数据类型分析,获取多类数据源;连接目标发电机的工况终端系统,获取所述目标发电机的历史工况数据;根据所述历史工况数据进行线性回归分析,生成工况拟合曲线;以所述工况拟合曲线,搭建趋势预测模型,其中,所述趋势预测模型用于对所述目标发电机进行预测预警;以所述多类数据源为输入数据,输入所述趋势预测模型中,根据所述趋势预测模型,获取趋势偏离度;根据所述趋势偏离度,生成偏离预警信息,将所述偏离预警信息发送至相关管理人员进行监测异常提醒。
另一方面,本申请还提供了一种基于数据趋势分析的发电机监测系统,其中,所述系统包括:数据采集模块,所述数据采集模块用于根据数据采集装置,获取目标发电机的实时工况数据;数据源获得模块,所述数据源获得模块用于对所述实时工况数据进行数据类型分析,获取多类数据源;历史数据获得模块,所述历史数据获得模块用于连接目标发电机的工况终端系统,获取所述目标发电机的历史工况数据;拟合曲线生成模块,所述拟合曲线生成模块用于根据所述历史工况数据进行线性回归分析,生成工况拟合曲线;预测模型搭建模块,预测模型搭建模块用于以所述工况拟合曲线,搭建趋势预测模型,其中,所述趋势预测模型用于对所述目标发电机进行预测预警;趋势偏离度获得模块,所述趋势偏离度获得模块用于以所述多类数据源为输入数据,输入所述趋势预测模型中,根据所述趋势预测模型,获取趋势偏离度;异常提醒模块,所述异常提醒模块用于根据所述趋势偏离度,生成偏离预警信息,将所述偏离预警信息发送至相关管理人员进行监测异常提醒。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请通过数据采集装置,对目标发电机的实时工况进行采集,得到实时工况数据,然后对得到的实时工况数据类型进行分析,得到多类数据源,通过连接目标发电机的工况终端系统,从系统中获得目标发电机的历史工况数据,然后对历史工况数据进行线性回归分析,生成工况拟合曲线,来搭建趋势预测模型,对目标发电机的运行进行预测预警,进而将多类数据源作为输入数据,输入趋势预测模型中,得到趋势偏离度,然后根据趋势偏离度得到偏离预警信息,通过将偏离预警信息发送给相关管理人员进行监测异常提醒。实现了对数据进行深入分析,得到工况偏离情况的目标,达到了提高监测的准确性和监测效率的技术效果。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种基于数据趋势分析的发电机监测方法的流程示意图;
图2为本申请实施例提供的一种基于数据趋势分析的发电机监测方法中获取目标发电机的历史工况数据的流程示意图;
图3为本申请实施例提供的一种基于数据趋势分析的发电机监测方法中对历史工况数据进行优化的流程示意图;
图4为本申请一种基于数据趋势分析的发电机监测系统的结构示意图;
附图标记说明:数据采集模块11,数据源获得模块12,历史数据获得模块13,拟合曲线生成模块14,预测模型搭建模块15,趋势偏离度获得模块16,异常提醒模块17。
具体实施方式
本申请通过提供一种基于数据趋势分析的发电机监测方法及系统,解决了现有技术中存在发电机管理质量和效率低、发电机运行监测准确率和智能化程度低的技术问题。实现了提高发电机管理质量与效率和发电机设备的智能化管理的功能,达到了对发电机工况的监测准确度和监测效率的技术效果。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
下面,将参考附图对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。基于本申请的实施例,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,都属于本申请保护的范围。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部。
实施例一
如图1所示,本申请提供了一种基于数据趋势分析的发电机监测方法,其中,所述方法应用于发电机监测预警系统,所述系统与数据采集装置通信连接,所述方法包括:
步骤S100:根据所述数据采集装置,获取目标发电机的实时工况数据;
具体而言,所述数据采集装置是用来对目标发电机在工作过程中的运行数据进行采集的装置,可选的,包括:数据采集接口、温度采集装置、噪声数据采集装置等。所述目标发电机是需要进行运行工况分析的任意一个发电机。在对目标发电机进行工况分析时,需要获取分析数据,通过数据采集装置对发电机的实时工作数据进行采集,从而得到所述实时工况数据。其中,所述实时工况数据是指所述目标发电机在运行过程中实时产生的运行数据,可选的,包括:定子温度、转子温度、有功功率、定子电压、定子电流、功率因数、转子电流等。由此,实现了对目标发电机的工况进行实时采集的目标,达到了对发电机工况分析监测提供基础分析数据的技术效果。
步骤S200:对所述实时工况数据进行数据类型分析,获取多类数据源;
具体而言,对所述实时工况数据按照数据类型进行分类,从而得到多类数据源。可选的,按照数据产生的部件不同,对所述实时工况数据进行分析,得到不同类型的多类数据源。从而在将所述多类数据源输入所述趋势预测模型中时,可以对同一类型的数据或不同类型的数据进行分析,对数据的发展趋势进行预测,得到发电机在未来一段时间的运行状态。示例性的,将实时工况数据按照产生的部件进行分类,得到定子数据、转子数据和轴承数据,组成所述多类数据源。在将多类数据源输入趋势预测模型后,对定子数据进行分析,根据定子数据的趋势情况,对定子的运行状态进行监测。
可选的,按照数据的属性进行分类,得到属性不同的多类数据源。其中,所述属性是描述发电机运行状态的特征,包括:开关状态、电压、电流、温度等。示例性的,将温度工况数据输入趋势预测模型中,对温度工况数据的趋势发展进行分析,得到温度的发展情况,从而对发电机的温度状态进行监测。由此,实现了对数据进行分类的目标,达到了提高分析预测的效率和准确性的技术效果。
步骤S300:连接目标发电机的工况终端系统,获取所述目标发电机的历史工况数据;
进一步的,如图2所示,获取所述目标发电机的历史工况数据,本申请实施例步骤S300还包括:
步骤S310:将所述历史工况数据输入数据质量自检单元中,根据所述数据质量自检单元,得到数据质量自检结果,其中,所述数据质量自检结果包括数据缺失度;
步骤S320:判断所述数据缺失度是否大于等于预设数据缺失度;
步骤S330:若所述数据缺失度大于等于所述预设数据缺失度,获取数据优化指令;
步骤S340:根据所述数据优化指令,对所述历史工况数据进行优化。
具体而言,所述工况终端系统是对目标发电机在一定条件下的工作状况进行记录、调整的系统。其中,所述历史工况数据是所述目标发电机在过去的某一段时间内运行时产生的工作数据,可选的,包括运行功率、轴承温度、电压、电流等。所述数据质量自检单元是对工况数据的质量进行检验的单元,尤其是对数据的缺失度进行检验。其中,数据质量自检结果是对数据质量进行分析评价后得到的表征数据的可用程度。其中,所述数据缺失度是在对发电机的历史工况数据进行采集过程中数据的遗漏、缺失情况进行分析后得到,反映了数据的完整程度。数据缺失度越低,表明数据越完整,对数据进行分析后得到的分析结果越准确。
因此,需要对所述数据缺失度的大小进行分析判断,通过将所述数据缺失度与所述预设数据缺失度进行比对分析,得到历史工况数据是否满足分析的要求。其中,所述预设数据缺失度是预先设置的数据能够满足分析使用要求的最大数据缺失度,由工作人员自行设定,在此不做限制。当所述数据缺失度大于等于所述预设数据缺失度时,表明历史工况数据的数据缺失程度过大,无法用于准确对工况进行分析,需要对数据进行优化。其中,所述数据优化指令是用于对系统发出对历史工况数据进行优化的命令。通过数据优化指令对历史工况数据进行优化,实现了对分析数据的质量进行检验的目标,达到了提高监测的准确性的技术效果。
进一步的,如图3所示,根据所述数据优化指令,对所述历史工况数据进行优化,本申请实施例步骤S340还包括:
步骤S341:通过对所述历史工况数据进行数据特征分析,输出工况数据特征;
步骤S342:基于所述工况数据特征采用缺省数据算法进行数据插补,输出插补工况数据;
步骤S343:按照所述插补工况数据对所述历史工况数据进行数据补充优化。
具体而言,对历史工况数据的数据特征进行分析,得到表征历史工况数据的缺失程度、数据分布等情况的工况数据特征。可选的,所述工况数据特征包括:数据缺失区域、数据范围、数据量、数据缺失原因等。所述缺省数据算法是用于对历史工况数据中缺失的数据进行自动插补的算法,可选的,插补方法包括:平均值填充、特殊值填写、期望值最大化方法等。然后通过所述缺省数据算法得到所述插补工况数据,其中,所述插补工况数据是用于对历史工况数据中的缺失部分进行补充的数据,可以优化历史工况数据,使其满足数据分析的要求。由此,达到了提高分析数据的完整性,进而提高监测的准确程度的技术效果。
步骤S400:根据所述历史工况数据进行线性回归分析,生成工况拟合曲线;
具体而言,所述线性回归分析是用于对所述历史工况数据进行分析,得到数据与时间之间的关系,进而得到数据发展的趋势情况。所述工况拟合曲线是对优化后的历史工况数据进行线性回归分析后,得到的反映数据随时间变化情况的曲线。示例性的,历史工况数据是对发电机的推力轴承进行温度测量得到的数据,然后通过对历史工况数据进行线性回归分析,得到以时间为横坐标,温度数据趋势为纵坐标的工况拟合曲线,可以直观的观测出在历史时间内推力轴承的温度变化情况。由此,实现了对数据进行分析处理,达到了数据的可视化展现的技术效果。
步骤S500:以所述工况拟合曲线,搭建趋势预测模型,其中,所述趋势预测模型用于对所述目标发电机进行预测预警;
具体而言,根据所述工况拟合曲线所反映的信息,来搭建所述趋势预测模型。其中,所述趋势预测模型是用来对目标发电机进行预测预警的功能模型。通过将可以反应历史工况数据的发展情况的工况拟合曲线作为输入数据,对所述趋势预测模型进行训练,从而根据工况拟合曲线中历史数据的发展规律,来得到对不同类型数据的发展趋势进行预测的趋势预测模型。由此,实现了对数据发展的趋势进行预测的目标。
步骤S600:以所述多类数据源为输入数据,输入所述趋势预测模型中,根据所述趋势预测模型,获取趋势偏离度;
进一步的,以所述多类数据源为输入数据输入所述趋势预测模型中之前,本申请实施例步骤S600还包括:
步骤S610:根据所述多类数据源,确定数据监测设备源;
步骤S620:按照所述监测设备源的工作状态进行分析,配置监测时间节点;
步骤S630:以所述监测时间节点分别对所述多类数据源进行数据筛选提取,输出筛选工况数据;
步骤S640:将所述筛选工况数据输入所述趋势预测模型中,得到所述趋势偏离度。
进一步的,将所述筛选数据集合输入所述趋势预测模型中,得到所述趋势偏离度,本申请实施例步骤S640还包括:
步骤S641:根据所述趋势预测模型中的所述工况拟合曲线,获取曲线斜率、曲线极值、曲线均值和曲线终值;
步骤S642:基于曲线斜率、曲线极值、曲线均值和曲线终值进行工况预测,获取预测工况数据;
步骤S643:将所述筛选数据集合输入所述趋势预测模型中,比对所述预测工况数据和所述筛选工况数据,输出所述趋势偏离度。
进一步的,比对所述预测工况数据和所述筛选工况数据,本申请实施例步骤S643还包括:
步骤S6431:利用最小二乘法对所述预测工况数据进行线性拟合,获取预测工况曲线;
步骤S6432:分别计算所述预测工况曲线的预测曲线斜率和所述工况拟合曲线的实时曲线斜率;
步骤S6433:以所述预测曲线斜率和所述实时曲线斜率进行斜率偏差计算,获取偏差数值;
步骤S6434:以所述偏差数值作为所述趋势偏离度进行输出。
具体而言,通过将按照数据类型进行分类的多类数据源输入所述趋势预测模型中,进行比对分析,得到数据与预测数据的偏离程度,从而对发电机的运行状态进行预测预警。其中,所述数据监测设备源是产生多类数据源的监测设备。通过根据所述监测设备源的工作状态进行分析,得到监测设备源的正常工作时间和对应的工作模式,根据不同监测设备源的工作状态,配置对应的监测时间节点。所述监测时间节点是对设备源的运行状态进行监测的起止时间点。根据检测时间节点对所述多类数据源进行数据筛选提取,提取对应时间节点内的数据,得到所述筛选工况数据,从而,实现对数据进行筛选,减少分析数据的目标,达到了提高数据分析的精准度和分析效率的技术效果。
具体的,所述工况拟合曲线反映了历史工况数据的趋势情况,其中,所述曲线斜率反映了数据的变化的快慢程度。所述曲线极值反映了数据在监测过程中变化的最大的范围,包括极大值和极小值。所述曲线均值反映了数据的平均水平。所述曲线终值是在监测时间段内的工况最终值。通过根据所述曲线斜率、曲线极值、曲线均值和曲线终值对发电机的工况进行预测,得到基于历史工况情况进行预测的工况情况,进而得到所述预测工况数据。
具体的,在得到所述预测工况数据之后,利用最小二乘法对所述预测工况数据进行线性拟合,得到所述预测工况曲线。其中,最小二乘法通过最小化误差的平方和来寻找数据的最佳函数匹配,对离散的数据点拟合到曲线上,得到可以表征数据总体分布的预测工况曲线。所述预测曲线斜率反映了所述预测工况数据的变化程度,所述实时曲线斜率反映了实时工况数据的变化程度。其中,变化程度可以是:缓慢上升、快速上升、缓慢下降、快速下降和稳定趋势。通过计算所述预测曲线斜率和所述实时曲线斜率的偏差数值,可以得到预测工况与实际工况的趋势偏差程度。所述偏差数值作为表征实时工况数据的发展趋势与预测趋势的趋势偏离度。从而,达到了对数据趋势进行深入分析,得到数据偏离情况的技术效果。
进一步的,根据所述多类数据源,确定数据监测设备源,本申请实施例步骤S610还包括:
步骤S611:通过对所述数据监测设备源进行稳定性分析,获取稳定性指数;
步骤S612:若所述稳定性指数小于预设稳定性指数,获取筛选条件新增指令;
步骤S613:根据所述筛选条件新增指令,配置筛选条件参数;
步骤S614:以所述筛选条件参数对所述多类数据源进行二次数据筛选提取,输出二次筛选数据。
具体而言,对所述数据监测设备源进行稳定性分析是指分析数据监测设备源的运行状况受外部因素影响的程度大小,稳定性越大,表明对数据监测设备源进行监测获得的数据可靠度越高,稳定性越小,表明获得的监测数据可靠性越低。所述稳定性指数表明数据监测设备源的运行稳定性大小。所述预设稳定性指数是预先设置的数据监测设备的运行稳定性最小值。当所述稳定性指数小于预设稳定性指数时,需要增加数据来源来提高数据的可靠性,进而获得所述筛选条件新增指令。其中,所述筛选条件参数是根据所述筛选条件新增指令,增加的对数据进行筛选的条件。可选的,包括:监测测点、测点点名、部件等。通过对多类数据源进行二次筛选提取,得到所述二次筛选数据,来提高分析数据的可靠程度,进而达到了提高数据趋势分析的准确程度的技术效果。
步骤S700:根据所述趋势偏离度,生成偏离预警信息,将所述偏离预警信息发送至相关管理人员进行监测异常提醒。
具体而言,根据所述趋势偏离度来判断数据趋势的发展是否在正常范围内,趋势偏离度越大,表明运行状态出现异常,从而得到所述偏离预警信息。其中,所述偏离预警信息反映了监测过程中发电机的运行状态出现异常。通过将所述偏离预警信息发送给相关管理人员,提醒相关管理人员发电机的运行出现异常。由此,达到了对发电机的运行状态进行实时监测,提高监测的智能化程度和准确度的技术效果。
综上所述,本申请所提供的一种基于数据趋势分析的发电机监测方法具有如下技术效果:
本申请实施例通过对目标发电机的实时工况数据进行采集,进而根据数据的类型得到多类数据源,实现数据的系统化分类,然后通过连接工况终端系统,得到历史工况数据,进而对历史工况数据进行线性回归分析,得到工况拟合曲线,根据工况拟合曲线表明的数据发展趋势,搭建趋势预测模型,来对目标发电机的运行工况数据进行预测预警,然后将多类数据源输入趋势预测模型中,得到趋势偏离度,得到预测工况数据趋势与实时运行工况数据趋势的偏离程度,进而生成偏离预警信息,对相关管理人员进行监测异常提醒。由此,达到了提高对发电机的监测准确度和效率的技术效果。
实施例二
基于与前述实施例中一种基于数据趋势分析的发电机监测方法同样的发明构思,如图4所示,本申请还提供了一种基于数据趋势分析的发电机监测系统,其中,所述系统包括:
数据采集模块11,所述数据采集模块11用于根据数据采集装置,获取目标发电机的实时工况数据;
数据源获得模块12,所述数据源获得模块12用于对所述实时工况数据进行数据类型分析,获取多类数据源;
历史数据获得模块13,所述历史数据获得模块13用于连接目标发电机的工况终端系统,获取所述目标发电机的历史工况数据;
拟合曲线生成模块14,所述拟合曲线生成模块14用于根据所述历史工况数据进行线性回归分析,生成工况拟合曲线;
预测模型搭建模块15,所述预测模型搭建模块15用于以所述工况拟合曲线,搭建趋势预测模型,其中,所述趋势预测模型用于对所述目标发电机进行预测预警;
趋势偏离度获得模块16,所述趋势偏离度获得模块16用于以所述多类数据源为输入数据,输入所述趋势预测模型中,根据所述趋势预测模型,获取趋势偏离度;
异常提醒模块17,所述异常提醒模块17用于根据所述趋势偏离度,生成偏离预警信息,将所述偏离预警信息发送至相关管理人员进行监测异常提醒。
进一步的,所述系统还包括:
自检结果获得单元,所述自检结果获得单元用于将所述历史工况数据输入数据质量自检单元中,根据所述数据质量自检单元,得到数据质量自检结果,其中,所述数据质量自检结果包括数据缺失度;
缺失度判断单元,所述缺失度判断单元用于判断所述数据缺失度是否大于等于预设数据缺失度;
优化指令获得单元,所述优化指令获得单元用于若所述数据缺失度大于等于所述预设数据缺失度,获取数据优化指令;
数据优化单元,所述数据优化单元用于根据所述数据优化指令,对所述历史工况数据进行优化。
进一步的,所述系统还包括:
数据特征输出单元,所述数据特征输出单元用于通过对所述历史工况数据进行数据特征分析,输出工况数据特征;
数据插补单元,所述数据插补单元用于基于所述工况数据特征采用缺省数据算法进行数据插补,输出插补工况数据;
补充优化单元,所述补充优化单元用于按照所述插补工况数据对所述历史工况数据进行数据补充优化。
进一步的,所述系统还包括:
检测设备源确定单元,所述检测设备源确定单元用于根据所述多类数据源,确定数据监测设备源;
时间节点配置单元,所述时间节点配置单元用于按照所述监测设备源的工作状态进行分析,配置监测时间节点;
数据筛选单元,所述数据筛选单元用于以所述监测时间节点分别对所述多类数据源进行数据筛选提取,输出筛选工况数据;
偏离度获得单元,所述偏离度获得单元用于将所述筛选工况数据输入所述趋势预测模型中,得到所述趋势偏离度。
进一步的,所述系统还包括:
曲线数据获得单元,所述曲线数据获得单元用于根据所述趋势预测模型中的所述工况拟合曲线,获取曲线斜率、曲线极值、曲线均值和曲线终值;
预测工况数据获得单元,所述预测工况数据获得单元用于基于曲线斜率、曲线极值、曲线均值和曲线终值进行工况预测,获取预测工况数据;
偏离度输出单元,所述偏离度输出单元用于将所述筛选数据集合输入所述趋势预测模型中,比对所述预测工况数据和所述筛选工况数据,输出所述趋势偏离度。
进一步的,所述系统还包括:
工况曲线获得单元,所述工况曲线获得单元用于利用最小二乘法对所述预测工况数据进行线性拟合,获取预测工况曲线;
曲线斜率计算单元,所述曲线斜率计算单元用于分别计算所述预测工况曲线的预测曲线斜率和所述工况拟合曲线的实时曲线斜率;
偏差数值获得单元,所述偏差数值获得单元用于以所述预测曲线斜率和所述实时曲线斜率进行斜率偏差计算,获取偏差数值;
偏差数值输出单元,所述偏差数值输出单元用于以所述偏差数值作为所述趋势偏离度进行输出。
进一步的,所述系统还包括:
稳定性指数获得单元,所述稳定性指数获得单元用于通过对所述数据监测设备源进行稳定性分析,获取稳定性指数;
条件新增指令获得单元,所述条件新增指令获得单元用于若所述稳定性指数小于预设稳定性指数,获取筛选条件新增指令;
条件参数配置单元,所述条件参数配置单元用于根据所述筛选条件新增指令,配置筛选条件参数;
二次筛选数据获得单元,所述二次筛选数据获得单元用于以所述筛选条件参数对所述多类数据源进行二次数据筛选提取,输出二次筛选数据。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,前述图1实施例一中的一种基于数据趋势分析的发电机监测方法和具体实例同样适用于本实施例的一种基于数据趋势分析的发电机监测系统,通过前述对一种基于数据趋势分析的发电机监测方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于数据趋势分析的发电机监测系统,所以为了说明书的简洁,在此不再详述。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (4)
1.一种基于数据趋势分析的发电机监测方法,其特征在于,所述方法应用于发电机监测预警系统,所述系统与数据采集装置通信连接,包括:
根据所述数据采集装置,获取目标发电机的实时工况数据;
对所述实时工况数据进行数据类型分析,获取多类数据源;
连接目标发电机的工况终端系统,获取所述目标发电机的历史工况数据;
根据所述历史工况数据进行线性回归分析,生成工况拟合曲线;
以所述工况拟合曲线,搭建趋势预测模型,其中,所述趋势预测模型用于对所述目标发电机进行预测预警;
以所述多类数据源为输入数据,输入所述趋势预测模型中,根据所述趋势预测模型,获取趋势偏离度;
根据所述趋势偏离度,生成偏离预警信息,将所述偏离预警信息发送至相关管理人员进行监测异常提醒;
其中,以所述多类数据源为输入数据输入所述趋势预测模型中之前,还包括:
根据所述多类数据源,确定数据监测设备源;
按照所述监测设备源的工作状态进行分析,配置监测时间节点;
以所述监测时间节点分别对所述多类数据源进行数据筛选提取,输出筛选工况数据;
将所述筛选工况数据输入所述趋势预测模型中,得到所述趋势偏离度;
将所述筛选工况数据输入所述趋势预测模型中,得到所述趋势偏离度,所述方法还包括:
根据所述趋势预测模型中的所述工况拟合曲线,获取曲线斜率、曲线极值、曲线均值和曲线终值;
基于曲线斜率、曲线极值、曲线均值和曲线终值进行工况预测,获取预测工况数据;
将所述筛选工况数据输入所述趋势预测模型中,比对所述预测工况数据和所述筛选工况数据,包括:
利用最小二乘法对所述预测工况数据进行线性拟合,获取预测工况曲线;
分别计算所述预测工况曲线的预测曲线斜率和所述工况拟合曲线的实时曲线斜率;
以所述预测曲线斜率和所述实时曲线斜率进行斜率偏差计算,获取偏差数值;
以所述偏差数值作为所述趋势偏离度进行输出;
其中,根据所述多类数据源,确定数据监测设备源,还包括:
通过对所述数据监测设备源进行稳定性分析,获取稳定性指数;
若所述稳定性指数小于预设稳定性指数,获取筛选条件新增指令;
根据所述筛选条件新增指令,配置筛选条件参数;
以所述筛选条件参数对所述多类数据源进行二次数据筛选提取,输出二次筛选数据。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
将所述历史工况数据输入数据质量自检单元中,根据所述数据质量自检单元,得到数据质量自检结果,其中,所述数据质量自检结果包括数据缺失度;
判断所述数据缺失度是否大于等于预设数据缺失度;
若所述数据缺失度大于等于所述预设数据缺失度,获取数据优化指令;
根据所述数据优化指令,对所述历史工况数据进行优化。
3.如权利要求2所述的方法,其特征在于,根据所述数据优化指令,对所述历史工况数据进行优化,还包括:
通过对所述历史工况数据进行数据特征分析,输出工况数据特征;
基于所述工况数据特征采用缺省数据算法进行数据插补,输出插补工况数据;
按照所述插补工况数据对所述历史工况数据进行数据补充优化。
4.一种基于数据趋势分析的发电机监测系统,其特征在于,所述系统包括:
数据采集模块,所述数据采集模块用于根据数据采集装置,获取目标发电机的实时工况数据;
数据源获得模块,所述数据源获得模块用于对所述实时工况数据进行数据类型分析,获取多类数据源;
历史数据获得模块,所述历史数据获得模块用于连接目标发电机的工况终端系统,获取所述目标发电机的历史工况数据;
拟合曲线生成模块,所述拟合曲线生成模块用于根据所述历史工况数据进行线性回归分析,生成工况拟合曲线;
预测模型搭建模块,预测模型搭建模块用于以所述工况拟合曲线,搭建趋势预测模型,其中,所述趋势预测模型用于对所述目标发电机进行预测预警;
趋势偏离度获得模块,所述趋势偏离度获得模块用于以所述多类数据源为输入数据,输入所述趋势预测模型中,根据所述趋势预测模型,获取趋势偏离度;
异常提醒模块,所述异常提醒模块用于根据所述趋势偏离度,生成偏离预警信息,将所述偏离预警信息发送至相关管理人员进行监测异常提醒;
所述系统还包括:
检测设备源确定单元,所述检测设备源确定单元用于根据所述多类数据源,确定数据监测设备源;
时间节点配置单元,所述时间节点配置单元用于按照所述监测设备源的工作状态进行分析,配置监测时间节点;
数据筛选单元,所述数据筛选单元用于以所述监测时间节点分别对所述多类数据源进行数据筛选提取,输出筛选工况数据;
偏离度获得单元,所述偏离度获得单元用于将所述筛选工况数据输入所述趋势预测模型中,得到所述趋势偏离度;
曲线数据获得单元,所述曲线数据获得单元用于根据所述趋势预测模型中的所述工况拟合曲线,获取曲线斜率、曲线极值、曲线均值和曲线终值;
预测工况数据获得单元,所述预测工况数据获得单元用于基于曲线斜率、曲线极值、曲线均值和曲线终值进行工况预测,获取预测工况数据;
偏离度输出单元,所述偏离度输出单元用于将所述筛选工况数据输入所述趋势预测模型中,比对所述预测工况数据和所述筛选工况数据,输出所述趋势偏离度;
工况曲线获得单元,所述工况曲线获得单元用于利用最小二乘法对所述预测工况数据进行线性拟合,获取预测工况曲线;
曲线斜率计算单元,所述曲线斜率计算单元用于分别计算所述预测工况曲线的预测曲线斜率和所述工况拟合曲线的实时曲线斜率;
偏差数值获得单元,所述偏差数值获得单元用于以所述预测曲线斜率和所述实时曲线斜率进行斜率偏差计算,获取偏差数值;
偏差数值输出单元,所述偏差数值输出单元用于以所述偏差数值作为所述趋势偏离度进行输出;
稳定性指数获得单元,所述稳定性指数获得单元用于通过对所述数据监测设备源进行稳定性分析,获取稳定性指数;
条件新增指令获得单元,所述条件新增指令获得单元用于若所述稳定性指数小于预设稳定性指数,获取筛选条件新增指令;
条件参数配置单元,所述条件参数配置单元用于根据所述筛选条件新增指令,配置筛选条件参数;
二次筛选数据获得单元,所述二次筛选数据获得单元用于以所述筛选条件参数对所述多类数据源进行二次数据筛选提取,输出二次筛选数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211165333.0A CN115639470B (zh) | 2022-09-23 | 2022-09-23 | 一种基于数据趋势分析的发电机监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211165333.0A CN115639470B (zh) | 2022-09-23 | 2022-09-23 | 一种基于数据趋势分析的发电机监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115639470A CN115639470A (zh) | 2023-01-24 |
CN115639470B true CN115639470B (zh) | 2024-01-30 |
Family
ID=84941096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211165333.0A Active CN115639470B (zh) | 2022-09-23 | 2022-09-23 | 一种基于数据趋势分析的发电机监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115639470B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115862303B (zh) * | 2023-02-28 | 2023-05-16 | 北京蓝天多维科技有限公司 | 用于机车火灾监测系统的信息实时传输方法 |
CN116703309B (zh) * | 2023-03-28 | 2024-01-30 | 北京中外建工程管理有限公司 | 一种工程监理中基于bim模型的工程信息处理系统 |
CN116151521B (zh) * | 2023-04-04 | 2023-07-04 | 四川省自然资源科学研究院(四川省生产力促进中心) | 一种大数据信息采集方法及系统 |
CN116383752B (zh) * | 2023-05-26 | 2023-08-22 | 天津华来科技股份有限公司 | 电机堵转分析方法及系统 |
CN116701731B (zh) * | 2023-06-08 | 2024-04-05 | 费莱(浙江)科技有限公司 | 一种电机生命周期内运行稳定性的动态监测预警方法 |
CN116859838B (zh) * | 2023-06-28 | 2024-02-06 | 三峡高科信息技术有限责任公司 | 一种设备运行情况监测的预警系统 |
CN117008559B (zh) * | 2023-10-07 | 2024-01-26 | 同心县京南惠方农林科技有限公司 | 应用于有机肥料生产系统的数据采集处理方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015116047A1 (en) * | 2014-01-29 | 2015-08-06 | Hewlett-Packard Development Company, L.P. | Predictive analytics utilizing real time events |
CN106600064A (zh) * | 2016-12-16 | 2017-04-26 | 东软集团股份有限公司 | 一种数据预测方法及装置 |
CN113792940A (zh) * | 2021-09-30 | 2021-12-14 | 湖南五凌电力科技有限公司 | 基于深度学习的水轮发电机组振摆数据预测方法及装置 |
CN113934615A (zh) * | 2021-12-15 | 2022-01-14 | 山东中创软件商用中间件股份有限公司 | 一种数据监控方法、装置及设备 |
CN114091792A (zh) * | 2022-01-21 | 2022-02-25 | 华电电力科学研究院有限公司 | 基于稳定工况的水轮发电机劣化预警方法、设备及介质 |
CN114519923A (zh) * | 2021-11-24 | 2022-05-20 | 新疆天池能源有限责任公司 | 一种电厂智能诊断预警方法和系统 |
-
2022
- 2022-09-23 CN CN202211165333.0A patent/CN115639470B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015116047A1 (en) * | 2014-01-29 | 2015-08-06 | Hewlett-Packard Development Company, L.P. | Predictive analytics utilizing real time events |
CN106600064A (zh) * | 2016-12-16 | 2017-04-26 | 东软集团股份有限公司 | 一种数据预测方法及装置 |
CN113792940A (zh) * | 2021-09-30 | 2021-12-14 | 湖南五凌电力科技有限公司 | 基于深度学习的水轮发电机组振摆数据预测方法及装置 |
CN114519923A (zh) * | 2021-11-24 | 2022-05-20 | 新疆天池能源有限责任公司 | 一种电厂智能诊断预警方法和系统 |
CN113934615A (zh) * | 2021-12-15 | 2022-01-14 | 山东中创软件商用中间件股份有限公司 | 一种数据监控方法、装置及设备 |
CN114091792A (zh) * | 2022-01-21 | 2022-02-25 | 华电电力科学研究院有限公司 | 基于稳定工况的水轮发电机劣化预警方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115639470A (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115639470B (zh) | 一种基于数据趋势分析的发电机监测方法及系统 | |
US7275018B2 (en) | Method of condition monitoring | |
EP1242923B1 (en) | A process for the monitoring and diagnostics of data from a remote asset | |
US7873581B2 (en) | Method and system for determining the reliability of a DC motor system | |
CN111353911A (zh) | 电力设备运维方法、系统、设备和存储介质 | |
CN113361139A (zh) | 一种基于数字孪生的产线仿真滚动优化系统及方法 | |
CN113204919B (zh) | 基于数字孪生的主变油枕状态预测方法、装置及电子设备 | |
CN116859838B (zh) | 一种设备运行情况监测的预警系统 | |
Pandit et al. | A comprehensive review on enhancing wind turbine applications with advanced SCADA data analytics and practical insights | |
CN115469585B (zh) | 一种基于大数据的水电机组状态监测方法及系统 | |
CN111062133A (zh) | 风电机组性能分析方法及系统 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN113703401B (zh) | 异常检测算法的配置方法、装置、电子设备和存储介质 | |
Nemani et al. | Health index construction with feature fusion optimization for predictive maintenance of physical systems | |
CN115238929A (zh) | 一种石油炼化体系预测性维护方法及系统 | |
CN113591266A (zh) | 一种电能表故障概率的分析方法及系统 | |
Li et al. | Research on digital twin and collaborative cloud and edge computing applied in operations and maintenance in wind turbines of wind power farm | |
Lee et al. | Deployment of prognostics technologies and tools for asset management: Platforms and applications | |
CN115018366B (zh) | 储能系统工作状态监测方法、装置、存储介质及电子设备 | |
CN117150032B (zh) | 一种水电站发电机组的智能维护系统及方法 | |
CN116447089B (zh) | 一种风电机组的运行状态检测方法、装置及介质 | |
KR102599802B1 (ko) | 산업 공정 및 유틸리티 에너지효율향상을 위한 에너지솔루션 | |
CN113341366B (zh) | 一种用户电表状态监测方法、装置设备和存储介质 | |
CN118245917A (zh) | 一种伺服逆变器的故障检测方法及系统 | |
WO2023006606A1 (en) | A system and method to monitor operation of a machine in a manufacturing industry |
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 |