CN116433226A - 基于电参数ai分析的交流供电设备管理方法及系统 - Google Patents
基于电参数ai分析的交流供电设备管理方法及系统 Download PDFInfo
- Publication number
- CN116433226A CN116433226A CN202310700820.0A CN202310700820A CN116433226A CN 116433226 A CN116433226 A CN 116433226A CN 202310700820 A CN202310700820 A CN 202310700820A CN 116433226 A CN116433226 A CN 116433226A
- Authority
- CN
- China
- Prior art keywords
- equipment
- value
- power supply
- current
- management
- 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 65
- 238000004458 analytical method Methods 0.000 title claims abstract description 15
- 238000012423 maintenance Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000002452 interceptive effect Effects 0.000 abstract description 2
- 230000005611 electricity Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 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
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
Abstract
本发明涉及一种基于电参数AI分析的交流供电设备管理方法及系统,该方法由数据采集与存储、设备开机状态分类、设备运行状态分类、设备资产位置识别、设备运维保养管理五个步骤组成;该系统由电参数传感器组、电参数采集电路板、边缘主机、云管理平台四部分组成。本发明无需设备厂家通讯协议配合,同时不干扰设备正常运行状态,即可实现设备存放位置监管、设备实际使用率监管、设备保养维护提醒三项功能;本发明既将计算压力合理分到各层次,又保证了设备管理的时效性;本发明适用于需要对交流供电设备进行管理的场合,例如高校实验室、银行无人网点、工厂无人车间等场合。
Description
技术领域
本发明属于设备管理技术领域,具体地说是涉及一种基于电参数AI分析的交流供电设备管理方法及系统。
背景技术
随着数字化改革的持续深入,越来越多的场景进行了无人化改革,例如银行网点,使用大量的设备、机具、机器人来代替传统大堂经理、安保人员。在无人化背景下,对设备的管理就显得尤为重要,包括设备存放位置监管、设备实际使用率监管、设备保养维护管理等工作。
在设备存放位置监管(即设备资产盘点)方面:传统方法是利用人工进行周期性地盘点,费时费力且容易出错。为提升盘点效率,很多公司采购了基于RFID、二维码等电子标签的设备盘点系统。将电子标签粘贴在设备上,就可通过手持式读卡器实现相对高效的盘点,或通过固定挂载式读卡器实现设备存放位置的定位。然而,基于电子标签的盘点仍然不能做到实时和在线。
在设备实际使用率监管方面:很多单位里面,设备采购部门、设备使用部门、设备所有部门之间会不一致,例如部分高校的实验室设备由资产部负责采购,财务部负责付款,实验室负责使用,这就造成资产部和财务部并不清楚设备的实际利用率情况,甚至出现“长年不用、隐形退役”的现象,这对后续的设备采购计划制定造成较大的信息不对称。
在设备保养维护管理方面:虽然目前各单位对保养维护的重要性有充分认识,但保养维护的质量还是非常依赖于人工经验。目前常规做法是定期维护、定期厂家上门服务、设备故障后联系厂家维修。然而,若要最大程度地延长设备实际使用寿命并保持设备运行状态,上述常规维护保养方案还远远不够,更应在设备出现故障停机之前,对设备进行预测性维护。
发明内容
为了克服现有技术的缺点和不足,本发明提供了一种基于电参数AI分析的交流供电设备管理方法及系统;该方法基于电压电流等电参数变化与设备状态变化之间存在的强关联性,在无需设备厂家提供通讯协议配合(即盲侦),同时不干扰设备正常运行状态(即非侵入式)的情况下,可实现设备存放位置监管、设备实际使用率监管、设备保养维护提醒等功能。
本发明所采取的技术方案为:
一种基于电参数AI分析的交流供电设备管理方法,包括数据采集与存储、设备开机状态分类、设备运行状态分类、设备资产位置识别和设备运维保养管理五个步骤,
数据采集与存储:对三相供电设备或两相供电设备的电参数进行采集与存储;
设备开机状态分类:根据电参数来判断设备的关机、待机、开机状态;
设备运行状态分类:将设备运行状态区分为正常还是异常;
设备资产位置识别:识别设备资产的存放位置是否发生了变化;
设备运维保养管理:首先为通知设备管理员对设备异常状态进行判断;其次为设备运行状态分类步骤内的SVM模型、设备资产位置识别步骤内的BP神经网络模型提供并完善训练样本数据。
作为优选,数据采集与存储步骤,对三相供电设备采集其A、B、C三相的电参数,包括每一相电流有效值IA、IB、IC,电压有效值UA、UB、UC,功率因数ψ A 、ψ B 、ψ C ,有功功率PA、PB、PC,总有功功率PABC,总视在功率SABC,总功率因数ψ ABC 和漏电流值I△;对两相供电设备采集的电参数包括电流有效值IN、电压有效值UN、功率因数ψ N 、有功功率PN、视在功率SN和漏电流值I△;该步骤还对电参数的传感器ID号、以及电参数采集时间进行采集与存储。
作为优选,设备开机状态分类步骤内,对于三相供电设备,首先将A、B、C三相的电流有效值IA、IB、IC做平均计算,得到平均电流I’值,如下式所示:
I’ = (I A +I B +I C ) / 3,
对于两相供电设备,直接取其电流有效值作为平均电流I’值,然后取平均电流I’值和总有功功率PABC两项参数,计算其欧几里得距离值ED,如下式所示:
最后根据ED值,将设备开机状态分为关机、待机、运行三种状态;且当设备处于运行状态时,进一步执行设备运行状态分类步骤。
作为优选,使用如下式所示的支持向量机SVM模型,将设备运行状态区分为运行正常和运行异常两种状态:
f(x) =w T x+b,
上式中,f(x)表示设备运行状态,有运行正常和运行异常两种状态;w表示SVM的分类超平面法向量,T是转置标志,b表示偏差值;x为SVM的输入变量:对三相供电设备,x为经过归一化处理之后的A、B、C三相电流有效值IA、IB、IC,总有功功率PABC,总视在功率SABC五项电参数;对两相供电设备,x为经过归一化处理之后的电流有效值IN,有功功率PN,总视在功率SN三项电参数;
当设备运行状态分类步骤内SVM模型输出值为运行正常状态时,进入到设备资产位置识别步骤;SVM模型输出值为异常状态时,进入到设备运维保养管理步骤。
作为优选,设备资产位置识别步骤内,首先将上次设备资产位置识别与本次设备资产位置识别之间所有待机状态时的总有功功率值、正常运行状态时的总有功功率值分别做平均计算,进而求取两个平均值之间的差值,得到有功功率增加值△PS-W;然后,将正常运行状态时的最大总有功功率减去最小总有功功率,得到有功功率变化区间△PW-W;然后构建三层BP神经网络,利用已知样本数据训练给出BP神经网络预测模型,对设备资产位置是否有变动进行识别,识别结果由下式通过计算给出:
Y=f (X, W, V, b 1 , b 2 ) ,
式中:
X= (x 1 , x 2 , …, x N )为神经网络输入参数,其中对于三相供电设备而言,X有N =18项输入参数,即X= (x 1 , x 2 , …, x 18 )=(IA、IB、IC、UA、UB、UC、ψ A 、ψ B 、ψ C 、PA、PB、PC、PABC、SABC、ψ ABC 、I△、△PS-W、△PW-W);对两相供电设备而言,X有N = 8项输入参数,即X= (x 1 , x 2 , …, x 8 )=(IN、UN、、PN、SN、I△、△PS-W、△PW-W);
Y为神经网络预测输出项,其值为0,表示设备资产位置无变化,值为1,表示设备资产位置有变化;
为输入层到隐含层的权值矩阵和偏置向量,其中N = 18或N = 8,L为神经网络隐含层节点数;
V= [v 1 v 2 …v L ] T ,b 2 为隐含层到输出层的权值矩阵和偏置量;
至此,上式具体化为如下公式:
式中,f为隐含层激活函数,g为输出层激活函数。
作为优选,设备运维保养管理内,如果设备运行状态被SVM模型判定为异常,或者系统内预设的设备运维时间已到,则将通知设备管理员对设备运行状态予以现场判断;若判断无需维修则将设备运行状态或运维时间重置,并将本次电参数打上标签0并存储在数据库内;若判断需维修则通知设备厂家工作人员予以维修,并将本次电参数打上标签1存储在数据库内,用以完善设备运行状态分类的SVM模型训练样本数据集。
作为优选,所述的数据采集与存储步骤、设备开机状态分类步骤和设备运行状态分类步骤每隔1~3秒执行一次,所述的设备资产位置识别步骤每隔30~60分钟执行一次,所述的设备运维保养管理步骤每隔4~6小时执行一次。
本发明还提供了采用上述方法的交流供电设备管理系统,所述系统包括电参数传感器组、电参数采集电路板、边缘主机和云管理平台,所述电参数传感器组包括电流互感器、漏电流互感器和电压传感器;一个边缘主机下挂多个电参数采集电路板,一个电参数采集电路板下面挂载一个电参数传感器组。
作为优选,所述的电参数传感器组包含了三个电流互感器、一个漏电流互感器和三个电压传感器。
作为优选,所述的数据采集与存储步骤和设备开机状态分类步骤在电参数采集电路板内执行,所述的设备运行状态分类步骤在边缘主机内执行,所述的设备资产位置识别步骤和设备运维保养管理步骤在云管理平台内执行。
与现有技术相比,本发明具有的有益效果在于:
1、本发明提出的交流供电设备管理系统,由云(云管理平台)、边(边缘主机)、端(电参数采集电路板)三个层次组成,各有分工,互相协同,合理地分解了监管压力,同时也保证了监管时效性;
2、本发明提出的交流供电设备管理方法,只需采集设备的电参数(用电参数),无需对接设备的通讯接口,无需设备厂家提供通讯协议,大幅降低了本方法的推广难度;
3、本发明提出的交流供电设备管理方法,电参数采集过程不会影响设备的正常运行状态,大幅提升了设备管理人员的可接受程度。
附图说明
图1是本发明交流供电设备管理方法的流程图;
图2是本发明交流供电设备管理系统的架构图;
图3是本发明利用欧几里得距离值判定设备开机状态的示意图。
具体实施方式
下面通过实施例,对本发明的技术方案作进一步具体的说明,这些实施例是对本发明的说明而作,不是对本发明的限制。基于本申请中的实施例,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,都属于本申请保护的范围。
参照图1,图2,一种基于电参数AI分析的交流供电设备管理方法,由数据采集与存储、设备开机状态分类、设备运行状态分类、设备资产位置识别、设备运维保养管理五个步骤组成;
数据采集与存储:对三相供电设备或两相供电设备的电参数进行采集与存储;
设备开机状态分类:根据电参数来判断设备的关机、待机、开机状态;
设备运行状态分类:将设备运行状态区分为正常还是异常;
设备资产位置识别:识别设备资产的存放位置是否发生了变化;
设备运维保养管理:首先为通知设备管理员对设备异常状态进行判断;其次为设备运行状态分类步骤内的SVM模型、设备资产位置识别步骤内的BP神经网络模型提供并完善训练样本数据。
本发明的交流供电设备管理系统由电参数传感器组、电参数采集电路板、边缘主机、云管理平台四部分组成。其中电参数传感器组包含了三个电流互感器、一个漏电流互感器、三个电压传感器共七个器件,一个电参数传感器组挂载在一个电参数采集电路板下面,可针对一个三相供电设备进行监测,也可闲置两个电流互感器和两个电压传感器对一个两相供电设备进行监测。通常在一个设备间内部署一个边缘主机,一个边缘主机下挂多个电参数采集电路板,实现对设备间内多台设备的监测。
本发明方法的第一个步骤,数据采集与存储步骤,将对三相供电设备采集其A、B、C三相的每一相电流有效值(IA、IB、IC)、电压有效值(UA、UB、UC)、功率因数(ψ A 、ψ B 、ψ C )、有功功率(PA、PB、PC),同时采集ABC三相的总有功功率PABC、总视在功率SABC、总功率因数ψ ABC 、漏电流值I△,共16项参数;对两相供电设备采集其电流有效值IN、电压有效值UN、功率因数ψ N 、有功功率PN、视在功率SN、漏电流值I△共6项参数。上述参数均有很多现成传感器可以采用,例如北京阿尔泰科技公司的DAM3535N型号三相交流电压电流采集器等。
除采集与存储上述电参数并对其进行数据预处理(包括数据缺失项处理、奇异项剔除、噪声滤波等)外,该步骤还将对电参数的传感器ID号(用电回路传感器ID)、以及电参数采集时间进行采集与存储。其中,传感器ID号可用以后续的设备资产位置识别,电参数采集时间可用于后续的设备运维保养管理。
本发明方法的第二个步骤,设备开机状态分类步骤,其中心思想是根据用电参数来判断设备的关机、待机、开机(运行)状态。由于设备待机或开机后,其电流值、功率值将发生明显变化,因此将这两项参数在单片机内做简单计算即可实现设备的开机状态分类。
设备开机状态分类步骤内,首先将A、B、C三相的电流有效值IA、IB、IC做平均计算,得到平均电流I’值,如下式所示:
I’ = (I A +I B +I C ) / 3,
对于两相供电设备,直接取其电流有效值作为平均电流I’值。
然后取平均电流I’值和总有功功率PABC两项参数,计算其欧几里得距离值ED,如下式所示:
最后根据ED值,将设备开机状态分为关机、待机、运行三种状态,如图3所示,关机、待机、运行三种状态的ED值在坐标轴上区分为很明显的三种状态。部分设备的待机电流与功率很小,但与关机状态下的零电流与零功率还是有很明显的差别。
需补充说明的是,设备开机之后,其功率因素ψ N 也将发生显著变化,因此也可选用功率因素ψ N 进行欧几里得距离值计算。但是,本步骤采用了平均电流I’值和总有功功率PABC两项参数,实质上已将功率因素ψ N 考虑在内,因为总有功功率PABC的计算公式内已经含有功率因素ψ N 。
在设备开机状态分类步骤内,若当设备处于运行状态时,进一步执行设备运行状态分类步骤。
本发明方法的第三个步骤,设备运行状态分类步骤,其主要目的是将设备运行状态区分为正常还是异常。设备运行状态分类步骤内,使用如下式所示的支持向量机SVM模型,将设备运行状态区分为运行正常和运行异常两种状态:
f(x) =w T x+b,
上式中,f(x)表示设备运行状态,有运行正常和运行异常两种状态;w表示SVM的分类超平面法向量,T是转置标志,b表示偏差值;x为SVM的输入变量:对三相供电设备,x为经过归一化处理之后的A、B、C三相电流有效值IA、IB、IC,总有功功率PABC,总视在功率SABC五项电参数;对两相供电设备,x为经过归一化处理之后的电流有效值IN,有功功率PN,总视在功率SN三项参数。
需补充说明的是,设备运行状态分类步骤最困难的点在于如何训练SVM模型,即通过样本数据告诉SVM哪些用电参数下设备属于正常运行,哪些用电参数下设备属于异常运行。本发明在实际使用时,SVM的初始训练样本由人工采集并人工打上标签,训练样本格式可参照表1所示。后续在本发明在第五步骤(即设备运维保养管理步骤)运行过程中,通过现场管理人员对设备状态的判断,可持续地更新SVM训练样本,进而使得SVM模型越来越贴近实际。
表1
当设备运行状态分类步骤内SVM模型输出值为运行正常状态时,可进入到设备资产位置识别步骤;SVM模型输出值为异常状态时,可进入到设备运维保养管理步骤。
本发明方法的第四个步骤,设备资产位置识别步骤,其主要依据是同一个设备的用电参数在30~60分钟的短时间内基本保持不变。由于绑定在某供电回路下的电参数采集传感器的ID号已知,因此电参数来自于哪一路供电回路已知,若该用电回路下的电参数性质发生突变(如功率因素、有功功率等发生突变),那么就可判定该供电回路下的设备已发生了变化。基于上述原理,可识别设备资产的存放位置是否发生了变化,并进而通知设备管理人员进行相应查看与处理。设备资产位置识别步骤内,首先将上次设备资产位置识别与本次设备资产位置识别之间所有待机状态时的总有功功率值、正常运行状态时的总有功功率值分别做平均计算,进而求取两个平均值之间的差值,得到有功功率增加值△PS-W;然后,将正常运行状态时的最大总有功功率减去最小总有功功率,得到有功功率变化区间△PW-W;然后构建三层BP神经网络,利用已知样本数据训练给出BP神经网络预测模型,对设备资产位置是否有变动进行识别,识别结果可由下式通过计算给出:
Y=f (X, W, V, b 1 , b 2 ),
式中:
X= (x 1 , x 2 , …, x N )为神经网络输入参数,其中对于三相供电设备而言,X有N =18项输入参数,即X= (x 1 , x 2 , …, x 18 )=(IA、IB、IC、UA、UB、UC、ψ A 、ψ B 、ψ C 、PA、PB、PC、PABC、SABC、ψ ABC 、I△、△PS-W、△PW-W);对两相供电设备而言,X有N = 8项输入参数,即X= (x 1 , x 2 , …, x 8 )=(IN、UN、ψ N 、PN、SN、I△、△PS-W、△PW-W);
Y为神经网络预测输出项,其值为0,表示设备资产位置无变化,值为1,表示设备资产位置有变化;
为输入层到隐含层的权值矩阵和偏置向量,其中N = 18或N = 8,L为神经网络隐含层节点数;
V= [v 1 v 2 …v L ] T ,b 2 为隐含层到输出层的权值矩阵和偏置量;
至此,上式可以具体化为如下公式:
式中,f为隐含层激活函数,g为输出层激活函数。
同样地,设备资产位置识别步骤内最困难的点在于如何训练BP神经网络,即通过样本数据告诉BP神经网络怎样的电参数是属于该设备,而怎样的电参数是属于其他设备。本发明在实际使用时,通过采集多台设备的电参数,并由人工完成每一类电参数属于哪台设备的打标签工作,以此形成BP神经网络训练样本集,形式可参照表2所示,完成BP神经网络的训练。
表2
本发明方法的第五个步骤,设备运维保养管理步骤,其主要目的有两个,首先是为通知设备管理员对设备异常状态进行判断,其次是为设备运行状态分类步骤内的SVM模型、设备资产位置识别步骤内的BP神经网络模型提供并完善训练样本数据。
设备运维保养管理步骤内,如果设备运行状态被SVM模型判定为异常,或者系统内预设的设备运维时间已到,则将通知设备管理员对设备运行状态予以现场判断,若判断无需维修则将设备运行状态或运维时间重置,并将本次电参数打上标签0并存储在数据库内,若判断需维修则通知设备厂家工作人员予以维修,并将本次电参数打上标签1后存储在数据库内,用以完善设备运行状态分类的SVM模型训练样本数据集。
本发明提出的方法里,各个步骤的执行硬件与执行周期分别如下所述:
数据采集与存储步骤和设备开机状态分类步骤在电参数采集电路板内执行,每隔1~3秒执行一次;1~3秒执行周期的确定,一方面是因为电参数采集速度需要能监测到电参数的变化,另一方面是因为电参数采集电路板内单片机能实现1秒钟完成欧几里得距离值的计算。
设备运行状态分类步骤在边缘主机内执行,也是每隔1~3秒执行一次,因为边缘主机的硬件配置足以1秒钟之内完成SVM模型的运算。
设备资产位置识别步骤在云管理平台内执行,每隔30~60分钟执行一次;设备运维保养管理步骤在云管理平台内执行,每隔4~6小时执行一次;上述执行周期的制定,既考虑了云管理平台的硬件资源是否足够应付,同时也考虑了设备资产位置识别的时间需求,即每隔30~60分钟识别一次设备有否被移动、每隔4~6小时判断一次设备是否需要维护保养,已足够满足设备管理的需求。
通过上述电参数采集电路板、边缘主机、云管理平台三个层次的云边端协同体系,使得本发明提出的方法将计算压力合理分到各个层次,同时又保证了设备管理的时效性。
本发明提出的系统符合云边端协同体系,既将计算压力合理分到各层次,又保证了设备管理的时效性;本发明提出的基于电参数AI分析的交流供电设备管理方法,只需采集设备的电参数,无需对接设备的通讯接口,无需设备厂家提供通讯协议(即盲侦),同时该方法可不干扰设备正常运行状态(即非侵入式),即可实现设备存放位置监管、设备实际使用率监管、设备保养维护提醒等三项功能。本发明适用于需要对交流供电设备进行管理的场合,例如高校实验室、银行无人网点、工厂无人车间等场合。
上述具体实施方式用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (10)
1.一种基于电参数AI分析的交流供电设备管理方法,其特征在于包括数据采集与存储、设备开机状态分类、设备运行状态分类、设备资产位置识别和设备运维保养管理五个步骤,
数据采集与存储:对三相供电设备或两相供电设备的电参数进行采集与存储;
设备开机状态分类:根据电参数来判断设备的关机、待机、开机状态;
设备运行状态分类:将设备运行状态区分为正常还是异常;
设备资产位置识别:识别设备资产的存放位置是否发生了变化;
设备运维保养管理:首先为通知设备管理员对设备异常状态进行判断;其次为设备运行状态分类步骤内的SVM模型、设备资产位置识别步骤内的BP神经网络模型提供并完善训练样本数据。
2.根据权利要求1所述基于电参数AI分析的交流供电设备管理方法,其特征在于:数据采集与存储步骤,对三相供电设备采集其A、B、C三相的电参数,包括每一相电流有效值IA、IB、IC,电压有效值UA、UB、UC,功率因数ψ A 、ψ B 、ψ C ,有功功率PA、PB、PC,总有功功率PABC,总视在功率SABC,总功率因数ψ ABC 和漏电流值I△;对两相供电设备采集的电参数包括电流有效值IN、电压有效值UN、功率因数ψ N 、有功功率PN、视在功率SN和漏电流值I△;该步骤还对电参数的传感器ID号、以及电参数采集时间进行采集与存储。
4.根据权利要求1所述基于电参数AI分析的交流供电设备管理方法,其特征在于:使用如下式所示的支持向量机SVM模型,将设备运行状态区分为运行正常和运行异常两种状态:
f(x) = w T x + b,
上式中,f(x)表示设备运行状态,有运行正常和运行异常两种状态;w表示SVM的分类超平面法向量,T是转置标志,b表示偏差值;x为SVM的输入变量:对三相供电设备,x为经过归一化处理之后的A、B、C三相电流有效值IA、IB、IC,总有功功率PABC,总视在功率SABC五项电参数;对两相供电设备,x为经过归一化处理之后的电流有效值IN,有功功率PN,总视在功率SN三项电参数;
当设备运行状态分类步骤内SVM模型输出值为运行正常状态时,进入到设备资产位置识别步骤;SVM模型输出值为异常状态时,进入到设备运维保养管理步骤。
5.根据权利要求1所述基于电参数AI分析的交流供电设备管理方法,其特征在于:设备资产位置识别步骤内,首先将上次设备资产位置识别与本次设备资产位置识别之间所有待机状态时的总有功功率值、正常运行状态时的总有功功率值分别做平均计算,进而求取两个平均值之间的差值,得到有功功率增加值△PS-W;然后,将正常运行状态时的最大总有功功率减去最小总有功功率,得到有功功率变化区间△PW-W;然后构建三层BP神经网络,利用已知样本数据训练给出BP神经网络预测模型,对设备资产位置是否有变动进行识别,识别结果由下式通过计算给出:
Y = f ( X, W, V, b 1 , b 2 ) ,
式中:
X = ( x 1 , x 2 , …, x N )为神经网络输入参数,其中对于三相供电设备而言,X有N = 18项输入参数,即X = ( x 1 , x 2 , …, x 18 )X==(IA、IB、IC、UA、UB、UC、ψ A 、ψ B 、ψ C 、PA、PB、PC、PABC、SABC、ψ ABC 、I△、△PS-W、△PW-W);对两相供电设备而言,X有N = 8项输入参数,即X =( x 1 , x 2 , …, x 8 ) =(IN、UN、ψ N 、PN、SN、I△、△PS-W、△PW-W);
Y为神经网络预测输出项,其值为0,表示设备资产位置无变化,值为1,表示设备资产位置有变化;
为输入层到隐含层的权值矩阵和偏置向量,其中N = 18或N = 8,L为神经网络隐含层节点数;
V = [v 1 v 2 …v L ] T ,b 2 为隐含层到输出层的权值矩阵和偏置量;
至此,上式具体化为如下公式:
式中,f为隐含层激活函数,g为输出层激活函数。
6.根据权利要求1所述基于电参数AI分析的交流供电设备管理方法,其特征在于:设备运维保养管理内,如果设备运行状态被SVM模型判定为异常,或者系统内预设的设备运维时间已到,则将通知设备管理员对设备运行状态予以现场判断;若判断无需维修则将设备运行状态或运维时间重置,并将本次电参数打上标签0并存储在数据库内;若判断需维修则通知设备厂家工作人员予以维修,并将本次电参数打上标签1后存储在数据库内,用以完善设备运行状态分类的SVM模型训练样本数据集。
7.根据权利要求1所述基于电参数AI分析的交流供电设备管理方法,其特征在于:所述的数据采集与存储步骤、设备开机状态分类步骤和设备运行状态分类步骤每隔1~3秒执行一次,所述的设备资产位置识别步骤每隔30~60分钟执行一次,所述的设备运维保养管理步骤每隔4~6小时执行一次。
8.一种采用权利要求1-7任一种所述方法的交流供电设备管理系统,其特征在于:所述系统包括电参数传感器组、电参数采集电路板、边缘主机和云管理平台,所述电参数传感器组包括电流互感器、漏电流互感器和电压传感器;一个边缘主机下挂多个电参数采集电路板,一个电参数采集电路板下面挂载一个电参数传感器组。
9.根据权利要求8所述的交流供电设备管理系统,其特征在于:所述的电参数传感器组包含了三个电流互感器、一个漏电流互感器和三个电压传感器。
10.根据权利要求8所述的交流供电设备管理系统,其特征在于:所述的数据采集与存储步骤和设备开机状态分类步骤在电参数采集电路板内执行,所述的设备运行状态分类步骤在边缘主机内执行,所述的设备资产位置识别步骤和设备运维保养管理步骤在云管理平台内执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310700820.0A CN116433226A (zh) | 2023-06-14 | 2023-06-14 | 基于电参数ai分析的交流供电设备管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310700820.0A CN116433226A (zh) | 2023-06-14 | 2023-06-14 | 基于电参数ai分析的交流供电设备管理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116433226A true CN116433226A (zh) | 2023-07-14 |
Family
ID=87091163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310700820.0A Pending CN116433226A (zh) | 2023-06-14 | 2023-06-14 | 基于电参数ai分析的交流供电设备管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116433226A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573740A (zh) * | 2014-12-22 | 2015-04-29 | 山东鲁能软件技术有限公司 | 一种基于svm分类模型的设备故障诊断方法 |
CN106712713A (zh) * | 2017-03-13 | 2017-05-24 | 广西大学 | 一种光伏电站的监测系统以及监测和异常定位方法 |
CN110096723A (zh) * | 2019-01-22 | 2019-08-06 | 国网山西省电力公司长治供电公司 | 基于运维检测大数据的高压开关柜绝缘状态分析方法 |
CN110503004A (zh) * | 2019-07-29 | 2019-11-26 | 七彩安科智慧科技有限公司 | 一种开关电源运行状态的在线判别方法 |
CN111368890A (zh) * | 2020-02-26 | 2020-07-03 | 珠海格力电器股份有限公司 | 故障检测方法及装置、信息物理融合系统 |
CN112418202A (zh) * | 2021-01-11 | 2021-02-26 | 上海恒能泰企业管理有限公司 | 一种基于MaskRCNN的变电设备异常识别定位方法及系统 |
CN113138894A (zh) * | 2021-04-14 | 2021-07-20 | 哈尔滨工业大学 | 基于电力参数监测与屏幕信息识别的实验设备监控方法 |
CN113837479A (zh) * | 2021-09-28 | 2021-12-24 | 南京凡科信息科技有限公司 | 一种监测目标设备运行状态的预警方法和系统 |
CN113848417A (zh) * | 2021-08-09 | 2021-12-28 | 上海应用技术大学 | 轨道交通供电设备故障预测方法及装置 |
CN113933706A (zh) * | 2021-09-26 | 2022-01-14 | 闽南理工学院 | 一种基于bp神经网络的直流电机故障检测方法 |
CN114254772A (zh) * | 2021-12-10 | 2022-03-29 | 国网上海市电力公司 | 一种基于svm的配电网装置设备故障分析方法 |
CN114942344A (zh) * | 2022-06-07 | 2022-08-26 | 西安电子科技大学 | 一种非侵入式用电器识别方法、系统、介质、设备及终端 |
KR102482240B1 (ko) * | 2021-09-03 | 2022-12-28 | 재단법인차세대융합기술연구원 | 장비 이상 탐지 장치 및 방법 |
CN116244765A (zh) * | 2023-01-03 | 2023-06-09 | 汤洁 | 一种基于工业互联网的设备维护管理方法 |
-
2023
- 2023-06-14 CN CN202310700820.0A patent/CN116433226A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573740A (zh) * | 2014-12-22 | 2015-04-29 | 山东鲁能软件技术有限公司 | 一种基于svm分类模型的设备故障诊断方法 |
CN106712713A (zh) * | 2017-03-13 | 2017-05-24 | 广西大学 | 一种光伏电站的监测系统以及监测和异常定位方法 |
CN110096723A (zh) * | 2019-01-22 | 2019-08-06 | 国网山西省电力公司长治供电公司 | 基于运维检测大数据的高压开关柜绝缘状态分析方法 |
CN110503004A (zh) * | 2019-07-29 | 2019-11-26 | 七彩安科智慧科技有限公司 | 一种开关电源运行状态的在线判别方法 |
CN111368890A (zh) * | 2020-02-26 | 2020-07-03 | 珠海格力电器股份有限公司 | 故障检测方法及装置、信息物理融合系统 |
CN112418202A (zh) * | 2021-01-11 | 2021-02-26 | 上海恒能泰企业管理有限公司 | 一种基于MaskRCNN的变电设备异常识别定位方法及系统 |
CN113138894A (zh) * | 2021-04-14 | 2021-07-20 | 哈尔滨工业大学 | 基于电力参数监测与屏幕信息识别的实验设备监控方法 |
CN113848417A (zh) * | 2021-08-09 | 2021-12-28 | 上海应用技术大学 | 轨道交通供电设备故障预测方法及装置 |
KR102482240B1 (ko) * | 2021-09-03 | 2022-12-28 | 재단법인차세대융합기술연구원 | 장비 이상 탐지 장치 및 방법 |
CN113933706A (zh) * | 2021-09-26 | 2022-01-14 | 闽南理工学院 | 一种基于bp神经网络的直流电机故障检测方法 |
CN113837479A (zh) * | 2021-09-28 | 2021-12-24 | 南京凡科信息科技有限公司 | 一种监测目标设备运行状态的预警方法和系统 |
CN114254772A (zh) * | 2021-12-10 | 2022-03-29 | 国网上海市电力公司 | 一种基于svm的配电网装置设备故障分析方法 |
CN114942344A (zh) * | 2022-06-07 | 2022-08-26 | 西安电子科技大学 | 一种非侵入式用电器识别方法、系统、介质、设备及终端 |
CN116244765A (zh) * | 2023-01-03 | 2023-06-09 | 汤洁 | 一种基于工业互联网的设备维护管理方法 |
Non-Patent Citations (4)
Title |
---|
"神经网络之BP神经网络", vol. 1, pages 186 - 190 * |
"神经网络之BP算法(图说神经网络+BP算法理论推导+例子运用+代码" * |
张计龙 主编: "《慧源共享 数据悦读:第二届全国高校开放数据创新研究大赛数据论文集》", 复旦大学出版社, pages: 178 - 179 * |
程春雨 等: "基于BP神经网络的用电器识别系统设计", 《实验科学与技术》, vol. 19, no. 2, pages 14 - 15 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102165644B (zh) | 电源插座和it设备之间的物理连通性的自动发现 | |
CN207301773U (zh) | 一种基于物联网的数控机床监控系统 | |
US8645150B2 (en) | Source aware data center power profiles | |
CN109525614A (zh) | 工业云运维系统 | |
CN108776276A (zh) | 用电异常检测方法及系统 | |
CN103793857A (zh) | 一种与智能手机结合的电力现场作业系统 | |
CN106815667A (zh) | 基于无线互联网的大型科研仪器实时监控及使用管理系统 | |
CN104345721A (zh) | 一种基于rfid技术的物资状态监控系统与方法 | |
CN105553733A (zh) | 资源监控管理系统 | |
CN105260866A (zh) | 一种储物柜开箱故障检测方法 | |
CN115512520A (zh) | 基于智慧燃气的用气安全预警方法及物联网系统 | |
CN110276853A (zh) | 一种基于动态绑定的设备巡检方法、装置及电子设备 | |
CN107885637B (zh) | 一种服务器异常检测方法及装置 | |
CN116433226A (zh) | 基于电参数ai分析的交流供电设备管理方法及系统 | |
CN117371788A (zh) | 一种电力营销风险预警方法及系统 | |
CN111290323A (zh) | 设备监控系统及方法 | |
CN112348207A (zh) | 电网防灾预警方法及装置 | |
CN209276294U (zh) | 超纯水智能远程运维系统 | |
CN116467648A (zh) | 一种基于物联表的非线性台区电力故障的早期监测方法 | |
Mufassirin et al. | Development of IOT based smart energy meter reading and monitoring system | |
CN116226293A (zh) | 一种电力客户画像生成管理的方法及系统 | |
CN114500316B (zh) | 一种物联网设备巡检方法和系统 | |
CN114200203B (zh) | 一种变电站计量装置故障监控方法和系统 | |
CN109697842A (zh) | 基于智能水表持续多天无数据异常远程处理方法 | |
CN204258435U (zh) | 智能型电网巡检管理系统 |
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 |