CN115689177A - 一种基于机器学习的变电检修计划智能排程策略方法 - Google Patents

Abstract

本发明公开了一种基于机器学习的变电检修计划智能排程策略方法，包括以下步骤：S1.基于多态时域信息的检修计划发起：构建状态信息数据库，实现设备状态信息管理，确保设备在全寿命的周期间的运行状态信息标准化、完整性和准确性；S2.基于人工智能的检修内容编排；S3.基于多约束条件的车辆及驾驶员智能排程；S4.人员承载力分析及多维度报表管理。本发明利用大数据、人工智能技术，支撑变电站检修事前科学计划制定，事中进度管控和资源合理分配，事后统计分析，能够解决检修计划生成依据不科学的问题、检修计划生成过分依赖人工经验的问题、检修车辆安排不合理问题以及检修人员工作量分配不合理问题。

Description

一种基于机器学习的变电检修计划智能排程策略方法

技术领域

本发明属于变电检修计划技术领域，具体涉及一种基于机器学习的变电检修计划智能排程策略方法。

背景技术

变电站作为电力系统中最为重要的变、配电枢纽，变电站的运行的安全稳定性直接关系着整个电网的运行质量，对维持电能质量和系统稳定极其重要。在日常的运行工作中，由于变电站的特殊性质，需要长期稳定运行，为了保证站内设备的长期安全稳定性，就有必要定期对设备进行检修维护。因此，在整个电力系统中，最为关键的一个组成部分就是变电检修工作，只有变电检修工作的实施良好有效，才能确保供电工作没有纰漏。

变电站检修计划是变电检修工作良好实施的有效前提，是电力系统运行过程中一项十分重要的内容，直接关系到供电部门和用户的利益，对于确保居民用电的安全性及可靠性具有重要的促进作用，对系统运行的可靠性和经济性都有很大影响。变电站自动化设备数量迅猛增长，增加了变电站检修工作的范围，但是自动化设备的实时数据也丰富了变电站设备状态的分析评价维度。当前采用的计划检修模式使得运维任务繁重，超出运维人员的工作负担；没能发挥设备状态信息作用，存在如下几方面管理短板：(1)计划检修按照规定的时间周期对电气设备进行检修工作，时间间隔往往是根据长期的实践经验总结而来的，预先制定好检修内容与周期，没有考虑设备的状态情况，缺乏针对性。(2)变电站电力设备的日常巡检和试验中，积累了大量关于设备检修记录和缺陷情况的记录文本，而在检修流程和缺陷的分级消缺等处理工作完成后，相应的检修和缺陷记录往往闲置，没有发挥知识性作用。(3)缺乏对计划的整体控制与调整。检修作业计划管理过程中没有滚动修编各项生产指标作为参考和约束条件，只有一个粗略的工作顺序计划表，无法对检修作业计划进行统一纳管和整体把控；(4)缺少统一的线上信息化互动方式。检修作业计划处理流程目前使用excel+email的方式进行，且班组成员编辑工作文档时信息交互不及时，存在重复编写、内容冗余、工作完成效率低、无法协同处理、信息丢失等问题；(5)存在信息壁垒，横向协同沟通不足。检修作业计划管理在计划编制期间需要根据人员的工作情况进行排班，当前依然使用电话沟通方式，缺少对人员工作量分布数据，缺乏科学的信息化工作编制方法，同时缺乏有效的绩效考核方法；(6)缺少核心流程固化，出现管理空白。生产计划管理中的人为因素较多，随意性较强，计划执行期间临时增加作业的处理没有与计划工作风险以及人员工作强度相关联，人员及车辆管理混乱，缺乏有效的辅助决策手段。

发明内容

本发明的目的在于提供一种基于机器学习的变电检修计划智能排程策略方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于机器学习的变电检修计划智能排程策略方法，包括以下步骤：

S1.基于多态时域信息的检修计划发起：构建状态信息数据库，实现设备状态信息管理，确保设备在全寿命的周期间的运行状态信息标准化、完整性和准确性；

S2.基于人工智能的检修内容编排：经过基于多态时域信息的检修计划发起，根据设备状态智能分析结果判断检修时机，以人工智能方式自动生成检修计划的工作内容；

S3.基于多约束条件的车辆及驾驶员智能排程：检修基于多约束条件的车辆及驾驶员自动分配算法，引入实际检修工作中车辆、驾驶员的安排规则和特性，实现车辆自动安排、驾驶员自动安排、人员拼车内容；

S4.人员承载力分析及多维度报表管理：基于完备的检修数据，运用人工智能智慧分析技术及大数据处理工具，实现人员承载力分析并进行直观展示，同时支持多维度、多粒度报表自动生成，辅助管理决策。

优选的，所述S1中状态信息包括设备投运前的参数信息、运行中的实时信息、检修中的各类信息。

优选的，所述S1基于多态时域信息的检修计划发起步骤中还包括：将设备静态、稳态、暂态信息构成多态设备状态描述，根据检测周期、主动预警、历史运行数据，形成时间维度设备生命周期状态评价，根据生命周期不同时期设备特征，结合设备缺陷定级标准、状态评价导则和异常故障案例库，实时动态评价设备状态，生成检修计划制定意见，精准检修类型、周期等计划要素内容。

优选的，所述S2基于人工智能的检修内容编排步骤中还包括：基于历史检修记录，针对异常设备，根据设备异常类型、异常部位，参考以往的处理方法，生成应急处理方案、诊断性试验建议及检修辅助决策建议，提升作业效率及设备健康水平。

优选的，所述S2中在异常设备进行检修时需要构建捏合算法模型，根据捏合算法模型中的捏合算法计算每个检修日的平均停电数据、对排程计划数据进行编号排序，将排程计划数据均匀插入每个检修人员的工作日任务内，检测保电和双电源冲突量。

优选的，所述S3基于多约束条件的车辆及驾驶员智能排程的步骤中还包括在车辆信息管理、驾驶员信息管理的基础上，构建基础信息库，结合检修计划智能决策管控系统的次日检修计划安排，得到次日检修任务的地点、时间信息。

优选的，所述S4人员承载力分析及多维度报表管理步骤中还包括：根据每条检修计划的人员安排、工作时长，通过建立计算模型，对检修班组的人员工作量分布数据进行直观分析，利用计算得出的客观数据绘制出年度/月度承载力分析曲线，计划专职人员根据曲线的起伏幅度对年度/月度检修计划进行适当调整，直至承载力分析曲线呈现平缓状态。

优选的，所述S1设备状态信息管理时包括获取变电设备的运行状态正常值。

优选的，所述获取变电设备的运行状态正常值中运用如下公式计算：

其中，

与

分别表示监测数据的上下限，f为监测数据之间的相关性函数；Y为约束函数；X为监测数据；Ω为监测数据集，且多个参数之间相互独立；S_i为参数约束的允许区间，

和

分别表示允许区间的上下界；

其中，X_n表示任意一个监测数据，X_n∈X，n＝1，2，…；

根据变电设备的故障限值和警报限值计算归一化值

和超出警报限值的值

其中，

为变电设备监测数据的上、下警报限值，

为变电设备监测数据的上、下故障限值，

为设备所需的监测参数期望值，

即为故障限值和警报限值之间的差值。

优选的，所述获取变电设备的运行状态正常值中还运用如下公式计算运行状态正常值H_n：

其中m为设备操作次数，

和

为

的上、下限，

和

为

的上、下限。

与现有技术相比，本发明的有益效果是：

(1)本发明利用大数据、人工智能技术，支撑变电站检修事前科学计划制定，事中进度管控和资源合理分配，事后统计分析，能够解决检修计划生成依据不科学的问题、检修计划生成过分依赖人工经验的问题、检修车辆安排不合理问题以及检修人员工作量分配不合理问题。

(2)本发明基于多态时域信息的检修计划发起相较于现有规则生成的单一性、局限性问题，提高了计划完整性和准确性，基于人工智能的检修内容编排，通过对设备状态智能分析，大大提高了检修计划更新的时效性，依赖于智能排程算法的多约束条件的车辆及驾驶员智能排程相较于现有的人工和规则逻辑排程具有更高的使用率和安排合理性。

附图说明

图1为本发明的流程图。

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：一种基于机器学习的变电检修计划智能排程策略方法，包括以下步骤：

S1.基于多态时域信息的检修计划发起：构建状态信息数据库，实现设备状态信息管理，确保设备在全寿命的周期间的运行状态信息标准化、完整性和准确性；

S2.基于人工智能的检修内容编排：经过基于多态时域信息的检修计划发起，根据设备状态智能分析结果判断检修时机，以人工智能方式自动生成检修计划的工作内容；

S3.基于多约束条件的车辆及驾驶员智能排程：检修基于多约束条件的车辆及驾驶员自动分配算法，引入实际检修工作中车辆、驾驶员的安排规则和特性，实现车辆自动安排、驾驶员自动安排、人员拼车内容；

S4.人员承载力分析及多维度报表管理：基于完备的检修数据，运用人工智能智慧分析技术及大数据处理工具，实现人员承载力分析并进行直观展示，同时支持多维度、多粒度报表自动生成，辅助管理决策。

本实施例中，优选的，所述S1中状态信息包括设备投运前的参数信息、运行中的实时信息、检修中的各类信息。

本实施例中，优选的，所述S1基于多态时域信息的检修计划发起步骤中还包括：将设备静态、稳态、暂态信息构成多态设备状态描述，根据检测周期、主动预警、历史运行数据，形成时间维度设备生命周期状态评价，根据生命周期不同时期设备特征，结合设备缺陷定级标准、状态评价导则和异常故障案例库，实时动态评价设备状态，生成检修计划制定意见，精准检修类型、周期等计划要素内容。

本实施例中，优选的，所述S2基于人工智能的检修内容编排步骤中还包括：基于历史检修记录，针对异常设备，根据设备异常类型、异常部位，参考以往的处理方法，生成应急处理方案、诊断性试验建议及检修辅助决策建议，提升作业效率及设备健康水平。

本实施例中，优选的，所述S2中在异常设备进行检修时需要构建捏合算法模型，根据捏合算法模型中的捏合算法计算每个检修日的平均停电数据、对排程计划数据进行编号排序，将排程计划数据均匀插入每个检修人员的工作日任务内，检测保电和双电源冲突量。

本实施例中，优选的，所述S3基于多约束条件的车辆及驾驶员智能排程的步骤中还包括在车辆信息管理、驾驶员信息管理的基础上，构建基础信息库，结合检修计划智能决策管控系统的次日检修计划安排，得到次日检修任务的地点、时间信息。

本实施例中，优选的，所述S4人员承载力分析及多维度报表管理步骤中还包括：根据每条检修计划的人员安排、工作时长，通过建立计算模型，对检修班组的人员工作量分布数据进行直观分析，利用计算得出的客观数据绘制出年度/月度承载力分析曲线，计划专职人员根据曲线的起伏幅度对年度/月度检修计划进行适当调整，直至承载力分析曲线呈现平缓状态。

本实施例中，优选的，所述获取变电设备的运行状态正常值中运用如下公式计算：

其中，

与

分别表示监测数据的上下限，f为监测数据之间的相关性函数；Y为约束函数；X为监测数据；Ω为监测数据集，且多个参数之间相互独立；S_i为参数约束的允许区间，

和

分别表示允许区间的上下界；

其中，X_n表示任意一个监测数据，X_n∈X，n＝1，2，…；

根据变电设备的故障限值和警报限值计算归一化值

和超出警报限值的值

其中，

为变电设备监测数据的上、下警报限值，

为变电设备监测数据的上、下故障限值，

为设备所需的监测参数期望值，

即为故障限值和警报限值之间的差值。

本实施例中，优选的，所述获取变电设备的运行状态正常值中还运用如下公式计算运行状态正常值H_n：

其中m为设备操作次数，

和

为

的上、下限，

和

为

的上、下限。

本发明的原理及优点：本发明利用大数据、人工智能技术，支撑变电站检修事前科学计划制定，事中进度管控和资源合理分配，事后统计分析，能够解决检修计划生成依据不科学的问题、检修计划生成过分依赖人工经验的问题、检修车辆安排不合理问题以及检修人员工作量分配不合理问题；本发明基于多态时域信息的检修计划发起相较于现有规则生成的单一性、局限性问题，提高了计划完整性和准确性，基于人工智能的检修内容编排，通过对设备状态智能分析，大大提高了检修计划更新的时效性，依赖于智能排程算法的多约束条件的车辆及驾驶员智能排程相较于现有的人工和规则逻辑排程具有更高的使用率和安排合理性。

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)

1.一种基于机器学习的变电检修计划智能排程策略方法，其特征在于：包括以下步骤：

S1.基于多态时域信息的检修计划发起：构建状态信息数据库，实现设备状态信息管理，确保设备在全寿命的周期间的运行状态信息标准化、完整性和准确性；

S2.基于人工智能的检修内容编排：经过基于多态时域信息的检修计划发起，根据设备状态智能分析结果判断检修时机，以人工智能方式自动生成检修计划的工作内容；

S3.基于多约束条件的车辆及驾驶员智能排程：检修基于多约束条件的车辆及驾驶员自动分配算法，引入实际检修工作中车辆、驾驶员的安排规则和特性，实现车辆自动安排、驾驶员自动安排、人员拼车内容；

S4.人员承载力分析及多维度报表管理：基于完备的检修数据，运用人工智能智慧分析技术及大数据处理工具，实现人员承载力分析并进行直观展示，同时支持多维度、多粒度报表自动生成，辅助管理决策。

2.根据权利要求1所述的一种基于机器学习的变电检修计划智能排程策略方法，其特征在于：所述S1中状态信息包括设备投运前的参数信息、运行中的实时信息、检修中的各类信息。

3.根据权利要求1所述的一种基于机器学习的变电检修计划智能排程策略方法，其特征在于：所述S1基于多态时域信息的检修计划发起步骤中还包括：将设备静态、稳态、暂态信息构成多态设备状态描述，根据检测周期、主动预警、历史运行数据，形成时间维度设备生命周期状态评价，根据生命周期不同时期设备特征，结合设备缺陷定级标准、状态评价导则和异常故障案例库，实时动态评价设备状态，生成检修计划制定意见，精准检修类型、周期等计划要素内容。

4.根据权利要求1所述的一种基于机器学习的变电检修计划智能排程策略方法，其特征在于：所述S2基于人工智能的检修内容编排步骤中还包括：基于历史检修记录，针对异常设备，根据设备异常类型、异常部位，参考以往的处理方法，生成应急处理方案、诊断性试验建议及检修辅助决策建议，提升作业效率及设备健康水平。

5.根据权利要求4所述的一种基于机器学习的变电检修计划智能排程策略方法，其特征在于：所述S2中在异常设备进行检修时需要构建捏合算法模型，根据捏合算法模型中的捏合算法计算每个检修日的平均停电数据、对排程计划数据进行编号排序，将排程计划数据均匀插入每个检修人员的工作日任务内，检测保电和双电源冲突量。

6.根据权利要求1所述的一种基于机器学习的变电检修计划智能排程策略方法，其特征在于：所述S3基于多约束条件的车辆及驾驶员智能排程的步骤中还包括在车辆信息管理、驾驶员信息管理的基础上，构建基础信息库，结合检修计划智能决策管控系统的次日检修计划安排，得到次日检修任务的地点、时间信息。

7.根据权利要求1所述的一种基于机器学习的变电检修计划智能排程策略方法，其特征在于：所述S4人员承载力分析及多维度报表管理步骤中还包括：根据每条检修计划的人员安排、工作时长，通过建立计算模型，对检修班组的人员工作量分布数据进行直观分析，利用计算得出的客观数据绘制出年度/月度承载力分析曲线，计划专职人员根据曲线的起伏幅度对年度/月度检修计划进行适当调整，直至承载力分析曲线呈现平缓状态。

8.根据权利要求1所述的一种基于机器学习的变电检修计划智能排程策略方法，其特征在于：所述S1设备状态信息管理时包括获取变电设备的运行状态正常值。

9.根据权利要求8所述的一种基于机器学习的变电检修计划智能排程策略方法，其特征在于：所述获取变电设备的运行状态正常值中运用如下公式计算：

其中，

与

分别表示监测数据的上下限，f为监测数据之间的相关性函数；Y为约束函数；X为监测数据；Ω为监测数据集，且多个参数之间相互独立；S_i为参数约束的允许区间，

和

分别表示允许区间的上下界；

其中，X_n表示任意一个监测数据，X_n∈X，n＝1，2，…；

根据变电设备的故障限值和警报限值计算归一化值

和超出警报限值的值

其中，

为变电设备监测数据的上、下警报限值，

为变电设备监测数据的上、下故障限值，

为设备所需的监测参数期望值，

即为故障限值和警报限值之间的差值。

10.根据权利要求9所述的一种基于机器学习的变电检修计划智能排程策略方法，其特征在于：所述获取变电设备的运行状态正常值中还运用如下公式计算运行状态正常值H_n：

其中m为设备操作次数，

和

为

的上、下限，

和

为

的上、下限。

Images