CN115713320A - 设备的运维策略优化方法、装置、设备及存储介质 - Google Patents
设备的运维策略优化方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115713320A CN115713320A CN202211358714.0A CN202211358714A CN115713320A CN 115713320 A CN115713320 A CN 115713320A CN 202211358714 A CN202211358714 A CN 202211358714A CN 115713320 A CN115713320 A CN 115713320A
- Authority
- CN
- China
- Prior art keywords
- maintenance
- power equipment
- fault
- degradation rate
- time
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供设备的运维策略优化方法、装置、设备及存储介质,该方法包括:基于电力设备的初始劣化速率以及实时的状态运行参数,构建电力设备的故障率预测模型;基于故障预测模块以及电力设备在多种不同运维等级下的故障停用时间、故障损失费用、运维维修时间、运维维修费用和运维造成的失负荷量,构建电力设备实时监测的运维策略优化模型;基于预设约束条件,对运维策略优化模型求解,确定最优运维方案;在最优运维方案下确定电力设备在该方案下的第一劣化速率,若第一劣化速率小于初始劣化速率,则按照最优运维方案执行;否则,重新设定电力设备的初始劣化速率,重新对运维策略优化模型求解。本发明提供的运维策略的准确性较高。
Description
技术领域
本发明涉及电力设备检修技术领域,尤其涉及一种设备的运维策略优化方法、装置、设备及存储介质。
背景技术
在电力系统中,非常重要的一个组成局部就是电力设备,要想保证配电系统的正常运行,就需要做好电力设备的运行维护工作。
配电运维是连接输电网络和用户之间的桥梁纽带,是提高电力系统运行可靠性及设备利用效率的重要保障。目前,配电运维主要有事后运维、定期运维和状态运维三种。事后运维为设备故障后对设备进行修理或更换。定期运维是以一定的时间间隔进行检修,主要依赖设备自身参数和维修人员的维修经验。状态运维是依赖状态检测与诊断技术,从设备运行状态出发制定检修计划的检修方式。
随着智能电网、数字电网以及能源互联网的建设,电力设备在线监测技术得到了大力的发展,电力设备运维正在由定期运维向状态运维转变。然而,现有的运维策略的准确性较低,无法满足智能电网和数字电网的需求。
发明内容
本发明实施例提供了一种设备的运维策略优化方法、装置、设备及存储介质,以解决目前的运维策略的准确性较低的问题。
第一方面,本发明实施例提供了一种设备的运维策略优化方法,包括:
基于电力设备的初始劣化速率以及实时的状态运行参数,构建电力设备的故障率预测模型;
基于故障预测模块以及电力设备在多种不同运维等级下的故障停用时间、故障损失费用、运维维修时间、运维维修费用和运维造成的失负荷量,构建电力设备实时监测的运维策略优化模型;
基于预设约束条件,对运维策略优化模型求解,确定最优运维方案;
在最优运维方案下确定电力设备在该方案下的第一劣化速率,若第一劣化速率小于初始劣化速率,则按照最优运维方案执行;否则,重新设定电力设备的初始劣化速率,重新对运维策略优化模型求解。
在一种可能的实现方式中,基于电力设备的初始劣化速率以及实时的状态运行参数,构建电力设备的故障率预测模型,包括:
构建电力设备的健康评估模型;
基于电力设备的初始劣化速率、实时的状态运行参数,以及健康评估模型,确定电力设备的健康指数;
基于健康指数、电力设备的历史故障率与历史健康评估指数,确定电力设备的故障率预测模型。
在一种可能的实现方式中,基于电力设备的初始劣化速率、实时的状态运行参数,以及健康评估模型,确定电力设备的健康指数,包括:
将目标状态运行参数输入至健康评估模型中,得到目标状态运行参数的健康指数;
将所有目标状态运行参数的健康指数中最大的健康指数,确定为电力设备的实时健康指数;
将实时健康指数与初始劣化速率的比值,确定为电力设备的健康指数。
在一种可能的实现方式中,电力设备的健康评估模型H为:
其中,H′=max{H1′,H2′,…,Hn′,…,Hk′},
H为电力设备的健康指数;Hn'为电力设备第n个状态运行参数的健康指数;vi为电力设备的初始劣化速率,初始值为1;xi为第n个状态运行参数的实时监测值,分别为电力设备的正常状态、轻度劣化和重度劣化的上下限值。
在一种可能的实现方式中,基于故障预测模块以及电力设备在多种不同运维等级下的故障停用时间、故障损失费用、运维维修时间、运维维修费用和运维造成的失负荷量,构建电力设备实时监测的运维策略优化模型,包括:
基于故障率预测模型以及电力设备在多种不同运维等级下的故障停用时间、故障损失费用,构建电力设备的故障损失模型;
基于电力设备在多种不同运维等级下的运维维修时间以及运维维修费用,构建电力设备的运维损失模型;
基于电力设备在运维前后的损失成本差值,构建电力设备的运维效益;
基于电力设备的故障损失最小、运维损失最小、以及运维效益最大为目标,构建电力设备实时监测的运维策略优化模型。
在一种可能的实现方式中,运维策略优化模型Zmax为:
Zmax=[ω1B-ω2(EF+EM)]max;
其中,B为电力设备的运维效益,EF为电力设备的故障损失,EM为电力设备的运维损失,ω1和ω2分别为电力设备的运维效益和电力设备的损失的权重。
在一种可能的实现方式中,在最优运维方案下确定电力设备在该方案下的第一劣化速率,包括:
获取电力设备按照最优运维方案运行时的实时状态运行参数;
基于预先构建的设备劣化速率模型、实时状态运行参数、电力设备在指定运维计划时的历史状态运行参数,确定第一劣化速率。
第二方面,本发明实施例提供了一种设备的运维策略优化装置,包括:
构建第一模型模块,用于基于电力设备的初始劣化速率以及实时的状态运行参数,构建电力设备的故障率预测模型;
构建第二模型模块,用于基于故障预测模块以及电力设备在多种不同运维等级下的故障停用时间、故障损失费用、运维维修时间、运维维修费用和运维造成的失负荷量,构建电力设备实时监测的运维策略优化模型;
确定运维方案模块,用于基于预设约束条件,对运维策略优化模型求解,确定最优运维方案;
执行模块,用于在最优运维方案下确定电力设备在该方案下的第一劣化速率,若第一劣化速率小于初始劣化速率,则按照最优运维方案执行;否则,重新设定电力设备的初始劣化速率,重新对运维策略优化模型求解。
在一种可能的实现方式中,构建第一模型模块,用于构建电力设备的健康评估模型;
基于电力设备的初始劣化速率、实时的状态运行参数,以及健康评估模型,确定电力设备的健康指数;
基于电力设备的健康指数、电力设备的历史故障率与历史健康评估指数,确定电力设备的故障率预测模型。
在一种可能的实现方式中,构建第一模型模块,用于将目标状态运行参数输入至健康评估模型中,得到目标状态运行参数的健康指数;
将所有目标状态运行参数的健康指数中最大的健康指数,确定为电力设备的实时健康指数;
将实时健康指数与初始劣化速率的比值,确定为电力设备的健康指数。
在一种可能的实现方式中,电力设备的健康评估模型H为:
其中,H′=max{H1′,H2′,…,Hn′,…,Hk′},
H为电力设备的健康指数;Hn'为电力设备第n个状态运行参数的健康指数;vi为电力设备的初始劣化速率,初始值为1;xi为第n个状态运行参数的实时监测值,分别为电力设备的正常状态、轻度劣化和重度劣化的上下限值。
在一种可能的实现方式中,构建第二模型模块,用于基于故障率预测模型以及电力设备在多种不同运维等级下的故障停用时间、故障损失费用,构建电力设备的故障损失模型;
基于电力设备在多种不同运维等级下的运维维修时间以及运维维修费用,构建电力设备的运维损失模型;
基于电力设备在运维前后的损失成本差值,构建电力设备的运维效益;
基于电力设备的故障损失最小、运维损失最小、以及运维效益最大为目标,构建电力设备实时监测的运维策略优化模型。
在一种可能的实现方式中,运维策略优化模型Zmax为:
Zmax=[ω1B-ω2(EF+EM)]max;
其中,B为电力设备的运维效益,EF为电力设备的故障损失,EM为电力设备的运维损失,ω1和ω2分别为电力设备的运维效益和电力设备的损失的权重。
在一种可能的实现方式中,执行模块,用于获取电力设备按照最优运维方案运行时的实时状态运行参数;
基于预先构建的设备劣化速率模型、实时状态运行参数、电力设备在指定运维计划时的历史状态运行参数,确定第一劣化速率。
第三方面,本发明实施例提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施例提供一种设备的运维策略优化方法、装置、设备及存储介质,首先,基于电力设备的初始劣化速率以及实时的状态运行参数,构建电力设备的故障率预测模型。然后,基于故障预测模块以及电力设备在多种不同运维等级下的故障停用时间、故障损失费用、运维维修时间、运维维修费用和运维造成的失负荷量,构建电力设备实时监测的运维策略优化模型。接着,基于预设约束条件,对运维策略优化模型求解,确定最优运维方案。最后,在最优运维方案下确定电力设备在该方案下的第一劣化速率,若第一劣化速率小于初始劣化速率,则按照最优运维方案执行;否则,重新设定电力设备的初始劣化速率,重新对运维策略优化模型求解。
本发明在制定运维方案时,充分利用了电力设备实时监测的状态运行参数,并结合了电力设备的初始劣化速率,将电力设备的运维方案与电力设备的实时状态运行参数紧密结合,从而提高了设备运维方案的准确性,进一步提高电力设备运行的可靠性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的设备的运维策略优化方法的实现流程图;
图2是本发明实施例提供的一种设备的运维策略优化方法的流程图;
图3是本发明实施例提供的设备的运维策略优化装置的结构示意图;
图4是本发明实施例提供的电子设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
“双碳”目标下建设新型电力系统要求电力设备的运维工作更加安全和高效,电力设备运维是提高电力系统运行可靠性及设备利用效率的重要保障。随着智能电网、数字电网以及能源互联网的建设,电力设备在线监测技术得到大力的发展,设备运维正在由定期运维向状态运维转变。电力设备状态运维方案首先需要评估设备实时状态,然后根据设备运行的安全性、可靠性和经济性,制定设备的运维方案。
然而,目前对电力设备的运维方案缺少对电力设备状态的实时监测,导致最终制定的运维方案不准确。
为了解决现有技术问题,本发明实施例提供了一种设备的运维策略优化方法、装置、设备及存储介质。下面首先对本发明实施例所提供的设备的运维策略优化方法进行介绍。
设备的运维策略优化方法的执行主体,可以是设备的运维策略优化装置,该设备的运维策略优化装置可以是具有处理器和存储器的电子设备,例如移动电子设备或者非移动电子设备。本发明实施例不作具体限定。
参见图1,其示出了本发明实施例提供的设备的运维策略优化方法的实现流程图,详述如下:
步骤S110、基于电力设备的初始劣化速率以及实时的状态运行参数,构建电力设备的故障率预测模型。
其中,状态运行参数包括电力设备的电气参数和非电气参数。电气参数包括电流、电压等参数,非电气参数包括温度、压力、振动等参数。
电气参数和非电气参数可以使用相关的监测设备监测,如采用电流表采集实时的电流,采用电压表采集实时的电压,采用温度传感器、压力传感器以及振动传感器分别检测温度、压力以及振动。
初始劣化速率可以设定为1,此处可以根据电力设备的情况进行设定,此处不做限定。
在一些实施例中,为了准确的构建电力设备的故障率预测模型,可以首先构建健康评估模型,基于健康评估模型评估电力设备的健康程度,结合健康程度构建电力设备的故障预测模型。示例性的,步骤S110可以包括:
步骤S1110、构建电力设备的健康评估模型。
需要监测的状态运行参数有很多,因此需要对每个监测到的状态运行参数都计算与其对应的健康指数。
步骤S1120、基于电力设备的初始劣化速率、实时的状态运行参数,以及健康评估模型,确定电力设备的健康指数。
在此实施例中,首先,将目标状态运行参数输入至健康评估模型中,得到目标状态运行参数的健康指数。
假设共有k个状态运行参数,分别将k个状态运行参数输入至健康评估模型中,即可得到这k个状态运行参数的健康指数。
然后,将所有目标状态运行参数的健康指数中最大的健康指数,确定为电力设备的实时健康指数。
H′=max{H1′,H2′,…,Hn′,…,Hk′};
最后,将实时健康指数与初始劣化速率的比值,确定为电力设备的健康指数。
步骤S1130、基于实时健康指数、电力设备的历史故障率与历史健康评估指数,确定电力设备的故障率预测模型。
λ(t)=K(t)eH·C(t);
其中,t为电力设备的运行年限;λ(t)为电力设备的故障率;H为电力设备的健康指数;K、C为待定系数。K和C可以根据电力设备的历史数据推导出来。通过多组已知的电力设备的历史故障率与历史健康评估指数,即可确定K和C的值。
在本实施例中,通过在构建电力设备的故障率预测模型时,充分考虑了电力设备的初始劣化速率以及实时的状态运行参数,从而可以更准确的反应电力设备的运行状态,使得构建的电力设备的故障率预测模型更加准确。
步骤S120、基于故障预测模块以及电力设备在多种不同运维等级下的故障停用时间、故障损失费用、运维维修时间、运维维修费用和运维造成的失负荷量,构建电力设备实时监测的运维策略优化模型。
电力设备具有多种不同的运维等级,多种不同的运维等级对应着不同的处理方式,从而形成不同的运维策略。
具体的,可以分为5种运维等级,每种运维等级对应不同的故障停用时间、故障损失费用、运维维修时间、运维维修费用和运维造成的失负荷量。
如可以根据《国家电网公司配网状态检修制度标准》,将运维等级分为A、B、C、D、E五类,A类为设备整体性运维,B类为设备局部性运维,C类为设备一般性运维,D类为设备的测试保养,E类为设备的消缺维护。
示例性的,步骤S120可以包括下述的步骤S1210至步骤S1230:
步骤S1210、基于故障率预测模型以及电力设备在多种不同运维等级下的故障停用时间、故障损失费用,构建电力设备的故障损失模型。
EF1,f=∑i∈f(t)Ci,lΔTi,l;
EF2,f=Pf(t)cFΔTf(t);
其中,EF为电力设备的故障损失;EF1,f、EF2,f分别为故障状态f(t)引起的设备故障自身损失成本及设备故障造成的失负荷成本;Ci,l、ΔTi,l分别为电力设备i采取运维等级l的运维维修费用及运维维修时间;ΔTf(t)、Pf(t)分别为故障状态f(t)造成的故障停用时间及失负荷量;cF为设备故障造成的单位失负荷费用,f(t)为所有故障状态的集合,NT为故障和运维时间的总和。
步骤S1220、基于电力设备在多种不同运维等级下的运维维修时间以及运维维修费用,构建电力设备的运维损失模型。
EM1=∑i∈m(t)Ci,jΔTi,j;
EM2=Pm(t)cMΔTm(t);
其中,EM为电力设备运维损失;EM1、EM2分别为电力设备运维造成的自身损失成本及计划失负荷损失成本;Ci,j、ΔTi,j为设备i采取运维等级j的运维维修费用及运维维修时间;Pm(t)为某运维时段t内设备引起的计划失负荷量;ΔTm(t)为设备总的运维时间;cM为设备计划运维造成的单位失负荷费用,m(t)表示所有电力设备的集合,NT为故障和运维时间的总和。
步骤S1230、基于电力设备在运维前后的损失成本差值,构建电力设备的运维效益。
Ei,t=E1i,t+E2i,t=ΔTi,lPicF+Ci,lΔTi,l;
其中,ΔEF为设备运维前后损失成本差值;Ei,t为某运维时段t设备i故障损失成本;B为电力设备的运维效益;λi,t为运维前电力设备i的故障率,λ′i,t为运维后电力设备i的故障率,N为电力设备的总数。
步骤S1240、基于电力设备的故障损失最小、运维损失最小、以及运维效益最大为目标,构建电力设备实时监测的运维策略优化模型。
具体的,运维策略优化模型Zmax为:
Zmax=[ω1B-ω2(EF+EM)]max;
其中,B为电力设备的运维效益,EF为电力设备的故障损失,EM为电力设备的运维损失,ω1和ω2分别为电力设备的运维效益和电力设备的损失的权重。ω1和ω2分别由电力设备在电力系统中的重要程度决定。电力设备的重要程度越高,对应的权重越大,此处不做限定。
步骤S130、基于预设约束条件,对运维策略优化模型求解,确定最优运维方案。
根据电力申报的维修时间、维修资源以及电网的安全条件,建立运维策略优化模型的约束条件。
运维时间的约束为:tzao≤tmi≤twan;
tzao为电力设备i允许的最早运维时间;tmi为电力设备i的运维时间;twan为电力设备i允许的最晚运维时间。
运维资源约束为:
式中:Dε,i(t)为t时段电力设备i对运维资源ε的需求量;Qε(t)为t时段资源ε的最大可用量。
电网安全约束为:
式中:Pi为线路i的实际传输功率;Pimax为线路i允许传输的最大功率;ui、uimax、uimin为节点i的电压及电压的上下限。
基于上述约束条件,对运维策略优化模型求解,确定最优运维方案。
具体的,可以利用MATLAB环境下的Yalmip工具箱对运维策略优化模型进行寻优求解,得出满足优化目标的电力设备运维时间及运维等级,形成设备的运维方案。
步骤S140、在最优运维方案下确定电力设备在该方案下的第一劣化速率,若第一劣化速率小于初始劣化速率,则按照最优运维方案执行;否则,重新设定电力设备的初始劣化速率,重新对运维策略优化模型求解。
通过求解运维策略优化模型,即可得到电力设备的最优运维方案,从而即可确定在该最优运维方案下,该电力设备的第一劣化速率。
在一些实施例中,首先,获取电力设备按照最优运维方案运行时的实时状态运行参数。然后,基于预先构建的设备劣化速率模型、实时状态运行参数、电力设备在指定运维计划时的历史状态运行参数,确定第一劣化速率。
在此实施例中,通过对电力设备的实时监测,即可判断电力设备在最优运维方案中是否发生劣化。
设备劣化速率模型为:
vi为电力设备i在最优运维方案周期内的劣化速率;α为电力设备实时状态等级;xi为电力设备在最优运维方案周期内的状态实时监测值;xi’为电力设备在制定运维方案时的状态监测值;xα为设备实时状态限值。
通过计算得到的第一劣化速率与初始劣化速率相比,若第一劣化速率小于初始劣化速率,则按照最优运维方案执行。若第一劣化速率大于等于初始劣化速率,则需要更新初始劣化速率,然后重新求解运维策略优化模型。
本发明在制定运维方案时,充分利用了电力设备实时监测的状态运行参数,并结合了电力设备的初始劣化速率,将电力设备的运维方案与电力设备的实时状态运行参数紧密结合,从而提高了设备运维方案的准确性,进一步提高电力设备运行的可靠性和安全性。
以下,详细介绍本发明提供的设备的运维策略优化方法,如图2所示,
首先,采集电力设备的电气量和非电气量的运行参数,如电压、电流、温度、压力、振动的值。
然后,基于电力设备的初始劣化速率,构建电力设备的健康评估模型和故障率预测模型。考虑电力设备的运维等级和运维参数,构建电力设备的损失模型和运维效益。其中。运维参数包括:故障停用时间、故障损失费用、运维维修时间、运维维修费用和运维造成的失负荷量。损失模型包括电力设备的故障损失模型和运维损失模型。
接着,根据电力申报的维修时间、检修资源以及电网的安全条件,建立运维策略优化模型的约束条件。以电力设备的故障损失最小、运维损失最小、以及运维效益最大为目标,构建电力设备实时监测的运维策略优化模型。
次之,对运维策略优化模型的目标函数进行求解,得出满足优化目标的设备运维时间和运维等级,形成运维方案。
最后,根据在最优运维方案下确定电力设备在该方案下的第一劣化速率,若第一劣化速率小于初始劣化速率,则按照最优运维方案执行;否则,重新设定电力设备的初始劣化速率,重新对运维策略优化模型求解。
通过对电力设备的健康状态进行评价,优化设备运维策略,同时有效地利用了设备状态运行监测信息,实时跟踪设备状态变化,进一步调整运维方案,对于提高设备运维的可靠性和经济性具有重要意义。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
基于上述实施例提供的设备的运维策略优化方法,相应地,本发明还提供了应用于该设备的运维策略优化方法的设备的运维策略优化装置的具体实现方式。请参见以下实施例。
如图3所示,提供了一种设备的运维策略优化装置300,该装置包括:
构建第一模型模块310,用于基于电力设备的初始劣化速率以及实时的状态运行参数,构建电力设备的故障率预测模型;
构建第二模型模块320,用于基于故障预测模块以及电力设备在多种不同运维等级下的故障停用时间、故障损失费用、运维维修时间、运维维修费用和运维造成的失负荷量,构建电力设备实时监测的运维策略优化模型;
确定运维方案模块330,用于基于预设约束条件,对运维策略优化模型求解,确定最优运维方案;
执行模块340,用于在最优运维方案下确定电力设备在该方案下的第一劣化速率,若第一劣化速率小于初始劣化速率,则按照最优运维方案执行;否则,重新设定电力设备的初始劣化速率,重新对运维策略优化模型求解。
在一种可能的实现方式中,构建第一模型模块310,用于构建电力设备的健康评估模型;
基于电力设备的初始劣化速率、实时的状态运行参数,以及健康评估模型,确定电力设备的健康指数;
基于电力设备的健康指数、电力设备的历史故障率与历史健康评估指数,确定电力设备的故障率预测模型。
在一种可能的实现方式中,构建第一模型模块310,用于将目标状态运行参数输入至健康评估模型中,得到目标状态运行参数的健康指数;
将所有目标状态运行参数的健康指数中最大的健康指数,确定为电力设备的实时健康指数;
将实时健康指数与初始劣化速率的比值,确定为电力设备的健康指数。
在一种可能的实现方式中,电力设备的健康评估模型H为:
其中,H′=max{H1′,H2′,…,Hn′,…,Hk′},
H为电力设备的健康指数;Hn'为电力设备第n个状态运行参数的健康指数;vi为电力设备的初始劣化速率,初始值为1;xi为第n个状态运行参数的实时监测值,分别为电力设备的正常状态、轻度劣化和重度劣化的上下限值。
在一种可能的实现方式中,构建第二模型模块320,用于基于故障率预测模型以及电力设备在多种不同运维等级下的故障停用时间、故障损失费用,构建电力设备的故障损失模型;
基于电力设备在多种不同运维等级下的运维维修时间以及运维维修费用,构建电力设备的运维损失模型;
基于电力设备在运维前后的损失成本差值,构建电力设备的运维效益;
基于电力设备的故障损失最小、运维损失最小、以及运维效益最大为目标,构建电力设备实时监测的运维策略优化模型。
在一种可能的实现方式中,运维策略优化模型Zmax为:
Zmax=[ω1B-ω2(EF+EM)]max;
其中,B为电力设备的运维效益,EF为电力设备的故障损失,EM为电力设备的运维损失,ω1和ω2分别为电力设备的运维效益和电力设备的损失的权重。
在一种可能的实现方式中,执行模块340,用于获取电力设备按照最优运维方案运行时的实时状态运行参数;
基于预先构建的设备劣化速率模型、实时状态运行参数、电力设备在指定运维计划时的历史状态运行参数,确定第一劣化速率。
图4是本发明实施例提供的电子设备的示意图。如图4所示,该实施例的电子设备4包括:处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个设备的运维策略优化方法实施例中的步骤,例如图1所示的步骤110至步骤140。或者,所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块的功能,例如图3所示模块310至340的功能。
示例性的,所述计算机程序42可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器41中,并由所述处理器40执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序42在所述电子设备4中的执行过程。例如,所述计算机程序42可以被分割成图3所示的模块310至340。
所述电子设备4可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图4仅仅是电子设备4的示例,并不构成对电子设备4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述电子设备4的内部存储单元,例如电子设备4的硬盘或内存。所述存储器41也可以是所述电子设备4的外部存储设备,例如所述电子设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器41还可以既包括所述电子设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/电子设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/电子设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个设备的运维策略优化方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种设备的运维策略优化方法,其特征在于,包括:
基于电力设备的初始劣化速率以及实时的状态运行参数,构建所述电力设备的故障率预测模型;
基于所述故障预测模块以及所述电力设备在多种不同运维等级下的故障停用时间、故障损失费用、运维维修时间、运维维修费用和运维造成的失负荷量,构建所述电力设备实时监测的运维策略优化模型;
基于预设约束条件,对所述运维策略优化模型求解,确定最优运维方案;
在所述最优运维方案下确定所述电力设备在该方案下的第一劣化速率,若所述第一劣化速率小于初始劣化速率,则按照所述最优运维方案执行;否则,重新设定所述电力设备的初始劣化速率,重新对所述运维策略优化模型求解。
2.如权利要求1所述的运维策略优化方法,其特征在于,所述基于电力设备的初始劣化速率以及实时的状态运行参数,构建所述电力设备的故障率预测模型,包括:
构建所述电力设备的健康评估模型;
基于所述电力设备的初始劣化速率、实时的状态运行参数,以及所述健康评估模型,确定所述电力设备的健康指数;
基于所述电力设备的健康指数、所述电力设备的历史故障率与历史健康评估指数,确定所述电力设备的故障率预测模型。
3.如权利要求2所述的运维策略优化方法,其特征在于,所述基于所述电力设备的初始劣化速率、实时的状态运行参数,以及所述健康评估模型,确定所述电力设备的健康指数,包括:
将目标状态运行参数输入至健康评估模型中,得到所述目标状态运行参数的健康指数;
将所有所述目标状态运行参数的健康指数中最大的健康指数,确定为所述电力设备的实时健康指数;
将所述实时健康指数与所述初始劣化速率的比值,确定为所述电力设备的健康指数。
5.如权利要求1所述的运维策略优化方法,其特征在于,所述基于所述故障预测模块以及所述电力设备在多种不同运维等级下的故障停用时间、故障损失费用、运维维修时间、运维维修费用和运维造成的失负荷量,构建所述电力设备实时监测的运维策略优化模型,包括:
基于所述故障率预测模型以及所述电力设备在多种不同运维等级下的故障停用时间、故障损失费用,构建所述电力设备的故障损失模型;
基于所述电力设备在多种不同运维等级下的运维维修时间以及运维维修费用,构建所述电力设备的运维损失模型;
基于所述电力设备在运维前后的损失成本差值,构建所述电力设备的运维效益;
基于所述电力设备的故障损失最小、运维损失最小、以及运维效益最大为目标,构建所述电力设备实时监测的运维策略优化模型。
6.如权利要求5所述的运维策略优化方法,其特征在于,所述运维策略优化模型Zmax为:
Zmax=[ω1B-ω2(EF+EM)]max;
其中,B为所述电力设备的运维效益,EF为所述电力设备的故障损失,EM为所述电力设备的运维损失,ω1和ω2分别为所述电力设备的运维效益和所述电力设备的损失的权重。
7.如权利要求1所述的运维策略优化方法,其特征在于,所述在所述最优运维方案下确定所述电力设备在该方案下的第一劣化速率,包括:
获取所述电力设备按照所述最优运维方案运行时的实时状态运行参数;
基于预先构建的设备劣化速率模型、所述实时状态运行参数、所述电力设备在指定运维计划时的历史状态运行参数,确定所述第一劣化速率。
8.一种设备的运维策略优化装置,其特征在于,包括:
构建第一模型模块,用于基于电力设备的初始劣化速率以及实时的状态运行参数,构建所述电力设备的故障率预测模型;
构建第二模型模块,用于基于所述故障预测模块以及所述电力设备在多种不同运维等级下的故障停用时间、故障损失费用、运维维修时间、运维维修费用和运维造成的失负荷量,构建所述电力设备实时监测的运维策略优化模型;
确定运维方案模块,用于基于预设约束条件,对所述运维策略优化模型求解,确定最优运维方案;
执行模块,用于在所述最优运维方案下确定所述电力设备在该方案下的第一劣化速率,若所述第一劣化速率小于初始劣化速率,则按照所述最优运维方案执行;否则,重新设定所述电力设备的初始劣化速率,重新对所述运维策略优化模型求解。
9.一种电子设备,其特征在于,包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器用于调用并运行所述存储器中存储的计算机程序,执行如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211358714.0A CN115713320A (zh) | 2022-11-01 | 2022-11-01 | 设备的运维策略优化方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211358714.0A CN115713320A (zh) | 2022-11-01 | 2022-11-01 | 设备的运维策略优化方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115713320A true CN115713320A (zh) | 2023-02-24 |
Family
ID=85231996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211358714.0A Pending CN115713320A (zh) | 2022-11-01 | 2022-11-01 | 设备的运维策略优化方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115713320A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116862480A (zh) * | 2023-08-30 | 2023-10-10 | 国网江苏省电力有限公司信息通信分公司 | 一种电力设备故障预测与维修的智能决策支持方法及装置 |
CN117057785A (zh) * | 2023-10-11 | 2023-11-14 | 国网山东省电力公司鱼台县供电公司 | 电力设备运维调度方法、系统、电子设备及存储介质 |
-
2022
- 2022-11-01 CN CN202211358714.0A patent/CN115713320A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116862480A (zh) * | 2023-08-30 | 2023-10-10 | 国网江苏省电力有限公司信息通信分公司 | 一种电力设备故障预测与维修的智能决策支持方法及装置 |
CN116862480B (zh) * | 2023-08-30 | 2024-02-13 | 国网江苏省电力有限公司信息通信分公司 | 一种电力设备故障预测与维修的智能决策支持方法及装置 |
CN117057785A (zh) * | 2023-10-11 | 2023-11-14 | 国网山东省电力公司鱼台县供电公司 | 电力设备运维调度方法、系统、电子设备及存储介质 |
CN117057785B (zh) * | 2023-10-11 | 2024-01-19 | 国网山东省电力公司鱼台县供电公司 | 电力设备运维调度方法、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115713320A (zh) | 设备的运维策略优化方法、装置、设备及存储介质 | |
Mohammadi et al. | Machine learning assisted stochastic unit commitment during hurricanes with predictable line outages | |
Mohammadi et al. | Multidimensional scenario selection for power systems with stochastic failures | |
CN111695754A (zh) | 一种电力物联网信息安全风险评估方法和装置 | |
Xue et al. | Adaptive ultra-short-term wind power prediction based on risk assessment | |
CN117874688B (zh) | 基于数字孪生的电力数字化异常识别方法及系统 | |
CN118365307A (zh) | 一种电厂设备状态检修决策支持方法及系统 | |
CN112332420B (zh) | 电力系统风险评估中的分层负荷削减量确定装置及方法 | |
CN116258467B (zh) | 一种电力施工管控系统 | |
CN105488343A (zh) | 一种电力二次设备故障概率计算方法 | |
CN112800674A (zh) | 一种基于极限学习机的电力系统元件可靠性参数计算方法 | |
CN111864728B (zh) | 一种可重构配电网重要设备识别方法和系统 | |
CN116452070A (zh) | 多辨识框架下的大型设备健康评估方法和装置 | |
Alweshah et al. | Evolution of software reliability growth models: a comparison of auto-regression and genetic programming models | |
CN114091618A (zh) | 工业设备健康状态诊断管理方法、装置及服务器 | |
CN114022013A (zh) | 一种系统保护故障场景生成方法及装置 | |
Weng et al. | An optimal control-based cascading failure risk assessment method | |
Zhang et al. | Data Cleaning for Prediction and its Evaluation of Building Energy Consumption | |
CN117278096B (zh) | 一种灰色多状态通信卫星动态可靠性评估方法 | |
CN114414938B (zh) | 一种配电网故障的动态响应方法及系统 | |
CN117640218B (zh) | 一种电力网络安全仿真方法和系统 | |
Weihua et al. | Risk based vulnerability assessment for HVDC transmission system | |
CN117744977A (zh) | 配电网规划确定方法、装置、设备、存储介质和程序产品 | |
Wang et al. | Microgrid Cyber-physical modeling and Channel Fault Analysis | |
Hu et al. | Reliability Assessment of Transmission Lines Considering Extreme Weather Conditions and Human Factors |
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 |