CN116522746A - 高耗能企业配电托管方法 - Google Patents
高耗能企业配电托管方法 Download PDFInfo
- Publication number
- CN116522746A CN116522746A CN202310171519.5A CN202310171519A CN116522746A CN 116522746 A CN116522746 A CN 116522746A CN 202310171519 A CN202310171519 A CN 202310171519A CN 116522746 A CN116522746 A CN 116522746A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- energy
- data
- equipment
- consumption
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 331
- 238000009826 distribution Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 86
- 230000005856 abnormality Effects 0.000 claims abstract description 15
- 239000000203 mixture Substances 0.000 claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims description 89
- 238000012544 monitoring process Methods 0.000 claims description 59
- 238000007726 management method Methods 0.000 claims description 53
- 238000004458 analytical method Methods 0.000 claims description 50
- 230000006870 function Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 14
- 230000008447 perception Effects 0.000 claims description 13
- 238000007418 data mining Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 12
- 230000005236 sound signal Effects 0.000 claims description 12
- 238000007405 data analysis Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 230000011664 signaling Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 230000036961 partial effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000004146 energy storage Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001012 protector Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 description 51
- 238000007689 inspection Methods 0.000 description 34
- 230000005611 electricity Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 15
- 230000008439 repair process Effects 0.000 description 13
- 238000004519 manufacturing process Methods 0.000 description 10
- 238000003745 diagnosis Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000007667 floating Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 208000025274 Lightning injury Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013450 outlier detection Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000035807 sensation Effects 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000009421 internal insulation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
本发明提供了一种高耗能企业配电托管方法,具体包括以下步骤:S1、进行前期信息采集,获取当前的高耗能企业能耗管理现状信息;S2、针对步骤S1中采集到的现状信息,对高耗能企业能耗数据的特点进行分析;S3、根据步骤S1获取的现状信息以及步骤S2获取的特点信息,对高耗能企业能耗异常判定;S4、针对步骤S3的异常判定结构,对配电设备中常见的故障分析;S5、构建配电托管系统,并对配电托管系统的组成分析。本发明有益效果:高耗能企业配电托管方法,用户可以利用PC、手机、平板电脑等多种终端实现对用电管理平台的访问,查询包括系统信息、实时数据、报警记录等在内的各种信息,使用方便。
Description
技术领域
本发明属于能源管理技术领域,尤其是涉及一种高耗能企业配电托管方法。
背景技术
高耗能企业一般有庞杂的配电设备,而配电设备运行年限长、运行维护无序无规、运行维护人员配置不足、运维成本高、定期巡检耗费大量人力物力,同时大故障发生后被动的对故障设备进行维修、更换,导致维护成本大大提高,以及行业用工难、用工贵,电能管理粗放等问题较为严重。而配电托管服务不同于一般的物业管理,是一项专业技术性很强的服务工作,不但需要有一支具有电气设备运行操作证的值班员队伍,而且需要集监测、统计、分析、运行维护、故障响应、事故抢修、设备维修更换等于一体的综合性力量做后盾。在传统的配电室运维模式中,用户配电室是由自己招聘人员管理的。但由于一些单位、企业运维人员的技术能力和综合素质得不到保证,加上缺乏智能化运维手段,配电室隐患难以发现,故障响应不及时,这些情况不但给企业造成经济损失,甚至有时候还会发生用电安全事故
发明内容
有鉴于此,本发明旨在提出一种高耗能企业配电托管方法,而智能化运维模式下,依靠智能配用电管理云平台,从远程监测分析到专业的配电室相关设备运行管理、值班巡视、日常操作、记录设备管理台账、定期保养维护等工作,可以实现线上线下一体化的配电运维管理。利用智能化运维手段,能够有效提升配电房安全性,而且平台具有实时监测和即时预警功能,可以大幅提高安全运行保障能力,帮助用户实现无人值守或少人值守的模式,大幅提高配电室的运行安全性,同时为用户节省百分之六十以上成本,提高经济效益,通过一站式“管家式“配电运维,提升高耗能企业合理用能,不断优化用能结构,最终实现减污降碳。
为达到上述目的,本发明的技术方案是这样实现的:
高耗能企业配电托管方法,具体包括以下步骤:
S1、进行前期信息采集,获取当前的高耗能企业能耗管理现状信息;
S2、针对步骤S1中采集到的现状信息,对高耗能企业能耗数据的特点进行分析;
S3、根据步骤S1获取的现状信息以及步骤S2获取的特点信息,对高耗能企业能耗异常判定;
S4、针对步骤S3的异常判定结构,对配电设备中常见的故障分析;
S5、构建配电托管系统,并对配电托管系统的组成分析。
进一步的,在步骤S3中,以步骤S1和步骤S2获取的设备能耗数据的分类为基础,首先针对可以利用规则进行异常感知的能耗异常数据类型采用定性的手段进行处理,根据典型异常情景的分析及相应的人工经验构建基于规则的能耗数据异常感知模型;
对于剩余的能耗异常数据类型,基于缩减问题计算空间的思想,先利用传统阈值法借助专家经验剔除明显用能异常数据,然后建立基于数据挖掘的能耗异常感知模型,具体方法如下:
首先,界定出某周期内设备能耗数据的正常范围,在该范围内的数据为正常能耗,反之则为异常能耗;
然后,建立外界能耗条件与能耗数据之间的联系;
进而,根据外界能耗条件的变化,更新能耗数据的正常范围,动态识别设备能耗异常数据,从而提高能耗异常识别的可靠性和科学性;
最后,通过报警决策分析,判定报警级别及可能异常原因并填补部分能耗异常数据。
进一步的,在步骤S3中,需要针对步骤S1和步骤S2获取的信息进行预处理,具体包括以下方法:
(1)数据融合:在能耗数据分析前,融合相关采集器的能耗数据,获得完整的能耗数据集,设定设备包含2个智能采集器,则该设备的能耗值C为两个采集器的逐时能耗值Ci与Cj的加和,即C=Ci+Cj,该设备的计量表累积示数A为两个采集器的计量表累计示数Ai与Aj的加和,即A=Ai+Aj;
(2)数据属性选择:数据分析前根据实际需求及算法要求选择合适的属性,属性包括能耗累积计量示数、能耗值、时间、日期;
(3)特征提取:将能够反应设备能源使用情况的重要特征向量从能耗时间序列中提取出来,特征向量提取需要结合耗能对象的实际用能特点,特征选取不同,所产生的聚类结果也不同;
(4)规范化处理:在聚类分析前采用z-score方法规范化处理能耗特征值,属性B的值x规范化为Z:
能耗异常非失真数据的识别发生在突变数据识别之后,实时采集的能耗数据经判定属于非0数据、非突变数据后,对其进行能耗异常非失真数据的识别;
(5)能耗模式判定模型构建:高耗能设备能耗模式识别后,能耗数据由无标签数据变为有标签数据,采用决策树方法来构建能耗模式判定模型。
进一步的,在步骤S4中,配电设备中常见的故障具体包括变压器故障、三相负荷不平衡和雷击。
进一步的,在步骤S5中,配电托管系统的组成包括:
(1)数据采集与电力监控单元:
遥测模块:通过系统网络监控主机、RS485测控模块以及组态软件实现变配电站所有回路的电量采集,即电流、电压、有功功率、无功功率、视在功率、有功电度、无功电度、视在电度、功率因数、频率;
遥信模块:通过系统网络监控主机、RS485测控模块/DI模块以及组态软件实现变配电站中所有开关量的采集,如断路器的分合闸、电机储能状态、变压器风机运行状态、高温报警信号、超高温跳闸信号、断路器故障信号、事故跳闸信号、综合保护器的故障为类型、以及变压器门开关信号的开关量;
遥控模块:通过系统网络监控主机、RS485测控模块/DO模块以及组态软件实现带有电动操作机构的断路器远程控制功能;
遥调模块:通过系统网络监控主机、RS485测控模块以及组态软件实现对现场仪表如微机保护装置、无功功率补偿控制器进行参数远程修改功能;
(2)视频功能单元:
电视墙监视:对配电室实施集中控制管理,每个配电室设置一台监视器,按照摄像机编号进行循环显示;
计算机信号选择切换:当需要对某个配电室进行操作时,画面切换到中间大屏监视器;
视频信号选择切换:对接入调度室的每个配电室视频信号进行交换控制;
音频信号选择切换:对接入调度室的每个配电室音频信号进行交换控制;
调度室录音:在控制室设置对调度室重要调度、指挥会议的录音功能;
调度室录像:在调度室可设置录像设备,对每个配电室视频信号进行录制;
调度室监听:在调度室对每个配电室的异常音频信号进行监听;
开放互连接口:为未来引入调度室导控平台的各种系统提供标准的互连控制接口;
(3)故障报警单元:研发一套触发式联动报警装置,进行报警语音信号的全面采集,并做杂波处理,在运行过程中,当联动报警装置发现一台或多台服务器出现语音报警情况时,就会对相应问题进行定位,并以数码或语音的形式传送给管理平台,还可将不同语音报警的声音显示在同一个设备的桌面上,让管理人员及时知晓具体情况,进而采取有效措施;
(4)平台性能评价单元;
(5)服务器信号的处理单元:针对服务器中包含的多种信号,包括音频信号、操作控制信号、VGA信号,均需要通过相关设备来实现有效传输,最终传输至远程监控中心。
进一步的,本方案公开了一种电子设备,包括处理器以及与处理器通信连接,且用于存储所述处理器可执行指令的存储器,所述处理器用于执行高耗能企业配电托管方法。
进一步的,本方案公开了一种服务器,包括至少一个处理器,以及与所述处理器通信连接的存储器,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述处理器执行,以使所述至少一个处理器执行高耗能企业配电托管方法。
进一步的,本方案公开了一种计算机可读取存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现高耗能企业配电托管方法。
相对于现有技术,本发明所述的高耗能企业配电托管方法具有以下有益效果:
(1)本发明所述的高耗能企业配电托管方法,釆用“平台+服务”的技术方式,建立智慧配电托管平台,构建安全用能和预防式维护体系,利用专业服务管家团队,整合线上线下资源,提供一站式智慧用能服务,助力高耗能工业企业用户实现“安全用能、高效用能、智慧用能”;
(2)本发明所述的高耗能企业配电托管方法,深度剖析传统配电室运维管理弊端密集暴露,已难以适应社会发展和用户管理的需要,创新提出高耗能企业配电托管技术方案的智慧用能;
(3)本发明所述的高耗能企业配电托管方法,用户可以利用PC、手机、平板电脑等多种终端实现对用电管理平台的访问,查询包括系统信息、实时数据、报警记录等在内的各种信息,使用方便。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例所述的高耗能企业配电托管技术路线图示意图;
图2为本发明实施例所述的不同设备全年能耗折线图示意图;
图3为本发明实施例所述的4种能耗模式示意图;
图4为本发明实施例所述的数据融合示意图示意图;
图5为本发明实施例所述的不同特征提取情况示意图;
图6为本发明实施例所述的能耗模式判定模型构建及分类过程示意图;
图7为本发明实施例所述的配电托管系统巡视管理图示意图;
图8为本发明实施例所述的配电托管系统抢修管理图示意图;
图9为本发明实施例所述的某企业用电监测图示意图;
图10为本发明实施例所述的某企业配电设备实时监测运行状态图示意图;
图11为本发明实施例所述的某企业配电设备运行报告示意图;
图12为本发明实施例所述的某企业设备告警预警监测示意图;
图13为本发明实施例所述的某企业负荷实时监测示意图;
图14为本发明实施例所述的某企业用电分析报告示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明。
本方案从通信网络架构的安全性、兼容性、稳定性以及对高耗能工业企业电力用户的可适应性等方面入手,采用目前先进的网络通信技术和设施,进行成套配合。在网络安全和接入技术方面,确保配电托管系统架构的稳定性和安全性。最终确定了远程、多端、跨区域的高兼容性智慧配电托管运维平台架构。平台设计包括逻辑结构和硬件结构设计。智慧配电托管运维平台先将高耗能工业企业用户供电设备的各类数据传输到前置数据缓冲队列,包括实时生产信息、在线监控信息以及设备管理等静态数据,再通过HDFS和HBase进行数据存储,利用MapReduce进行分布式计算,基于HiveQL实现数据的存储和读取,最终为应用层提供辅助决策、状态监测等。硬件结构方面,视频故障管理系统采用云平台上的现有资源,结合功能需求,对客户端进行模块设计,以软件配合形式实现故障记录、传递和管理。
2.1高耗能企业能耗管理现状分析
由于高耗能企业设备类型繁多,在用数量极大,能耗类型多,能耗量大,运行问题多、运行效率低,能源管理粗放及能源浪费严重等特点,使得高耗能设备的运行管理越来越复杂。另外部分高耗能企业的机器设备一旦开启需要较长的周期才可停止运行,这种情况如果不能提前发现设备潜在的能耗异常问题,将会产生巨大的能源浪费,也存在极高的安全隐患。
高耗能企业能源管理方面的经验比较薄弱,多数高层管理者“重建设、轻运行”,现有的能耗管理模式主要有两种:
(1)非物联网环境下的能耗管理模式:按照“现场人工能耗数据采集→手工统计分析处理→根据分析结果逐级考核”的流程进行。对高耗能企业设备能耗情况及运行状态的判断主要依靠设备管理者的经验知识。这种管理模式较为粗放,统计周期长,实时性差,缺乏对高耗能企业设备能耗情况的实时分析和控制。
(2)物联网环境下的能耗管理模式:高耗能企业设备能耗数据的分析和评估中,使用由水单耗、电单耗及综合单耗等构成的传统能源指标体系,对设备能耗数据进行环比和同比分析。这种新的管理模式提供了能耗数据实时采集、分析及精细化管理的条件,但目前该模式还仅处于数据采集的初级阶段,缺乏对能耗数据的深入挖掘利用,使目前的能耗管理工作难以对设备具体运行过程给出科学的评价和指导,制约高耗能企业设备节能降耗工作的深入开展。
只有将高耗能企业设备能耗管理和监管系统有机结合,依靠专业的能耗管理团队,利用数据库中大量的能耗数据,开展深入的数据挖掘,动态监控设备能源过程,才能及时检测和控制异常能耗,减少能源浪费,提高设备能耗使用效率,预防设备重大故障的发生,消除潜在安全隐患,实现高耗能企业配电的安全运行和有效节能。
2.2高耗能企业能耗数据特点分析
本方案选取4种高耗能设备2021年全年逐时能耗数据进行分析,每个设备的能耗折线图都是由365条日能耗曲线构成,代表一年365天的能耗趋势。可看出,每个设备的能耗曲线各不相同,不同设备具有不同的能耗模式;能耗数据中缺失数据较多,数据质量差;同时能耗时序数列是一个复杂多变的曲线,具有类周期特性。由此得高耗能设备能耗数据特点。
为进一步分析高耗能企业设备能耗数据特征,发现能耗数据背后隐含的特征及用能规律,本方案借助数据挖掘方法对不同设备的能耗数据进行聚类分析。与分类分析不同的是聚类之前,对样本数据集合即将要划分为几个模式、每个模式的分布情形以及模式划分的规则等都一无所知。由于聚类对象为设备日能耗曲线,因此本方案选用基于划分的K-means方法来分析不同设备的能耗数据。识别特有的能耗模式,经过多次实验比较分析得到最优聚类结果。4种不同类型的能耗模式,其中每种能耗模型的波峰、波谷、分布趋势都各有不同。
同一设备在不同条件下的能耗模式可能存在较大的差别,不同设备包含的能耗模式个数也可能不同,且每个能耗模式的形状复杂多变、数据密度极不均衡,同时设备的能耗模式经常发生变动,不同模式之间的数据不具有可比性,难以判断能耗数据的正常范围。能耗数据由传感器实时采集而来,所以兼具传感器数据特性,由此得高耗能设备能耗数据特点。
高耗能企业能耗数据量大多频,随着数据量的不断增加,所需内存开销越来越大,所需计算时间越来越长,而能耗异常的在线预警对实时性的要求较高,需要对能耗数据进行快速的识别,“时间紧,任务急”使问题的难度更加突出。如何设计有效的方法不仅能提高异常感知的实时性,又可以保证感知的准确性是该问题的难点之一。这些问题的存在使得通过人工分析或传统数据分析方法很难准确、可靠地发现高耗能企业能耗异常情况,给高耗能企业能耗异常的提前预警问题提出了极大的挑战。
为解决高耗能企业设备能耗异常的在线预警问题在实时性和可靠性上的不足,本方案首先按照异常来源的不同以及是否能反映真实的用能情况为标准建立一种能耗数据分类方法;其次针对可以用规则进行异常感知的能耗数据采用定性的手段进行处理,根据典型异常情景的分析建立基于规则的异常感知模型。针对剩余的能耗数据,基于缩减问题计算量的思想,先利用传统阈值法剔除用能明显异常数据,然后建立基于数据挖掘的能耗异常感知模型。最后通过报警决策分析,判定报警级别及可能异常原因并填补部分能耗异常数据。
2.3高耗能企业能耗异常判定
高耗能企业能耗异常监测过程是一个复杂艰难的过程,该问题可看作是一个基于经验数据的机器学习问题,由于高耗能企业设备能耗的相关影响因素很多且能耗异常类型多样,很难获取系统精确的数学模型,同时基于数学表达式的预警模型也很难将这些因素都考虑进去。其次高耗能设备能耗系统是一个典型的非线性复杂系统,其能耗异常的发生往往具有一定的模糊性、随机性和不确定性,而基于规则或知识的预警模型过于依赖人工经验,主观偏差较大,同时也不能很好的适应能耗环境的动态变化。因此本方案在能耗数据分类的基础上,以提高能耗异常预警的实时性、科学性和可靠性为目标,引入定性、定量结合的思想,建立基于规则和数据挖掘的高耗能设备能耗异常的在线预警模型。模型综合考虑设备能耗的相关影响因素,将人工经验融入到预警模型中,实现了模型预警方法与人工经验的结合。该模型是一个非线性处理能力强、具有高度自适应学习能力的系统,它具有较强的容错能力,能从大量的复杂能耗数据中通过学习发现用能规律,从而有效的进行预警分类。
以设备能耗数据的分类为基础,首先针对可以利用规则进行异常感知的能耗异常数据类型采用定性的手段进行处理,根据典型异常情景的分析及相应的人工经验构建基于规则的能耗数据异常感知模型。
对于剩余的能耗异常数据类型,基于缩减问题计算空间的思想,先利用传统阈值法借助专家经验剔除明显用能异常数据,然后建立基于数据挖掘的能耗异常感知模型,即首先界定出某周期内设备能耗数据的正常范围,在该范围内的数据为正常能耗,反之则为异常能耗;然后建立外界能耗条件与能耗数据之间的联系;最后根据外界能耗条件的变化,更新能耗数据的正常范围,动态识别设备能耗异常数据,从而提高能耗异常识别的可靠性和科学性。最后通过报警决策分析,判定报警级别及可能异常原因并填补部分能耗异常数据。该预警模型可使高耗能企业能耗异常的在线预警具有更高的精度和更好的科学性与客观性,为高耗能企业能耗异常的预警和诊断提供良好的指导。
直接来源于现实的能耗数据通常是不完整、不一致的,会对数据挖掘效果产生很大的影响。因此分析数据之前对数据预处理是非常必要的,不仅可以显著提高数据挖掘的总体质量还能减少挖掘过程所需时间。企业能耗数据的预处理主要包括数据融合、数据属性选择、特征提取及数据规范化处理。
(1)数据融合:高耗能设备可能有不止一个智能终端采集设备,这种条件下单个采集器采集的数据无法代表设备的整体能耗情况。因此在能耗数据分析前,需融合相关采集器的能耗数据,获得完整的能耗数据集。假设设备包含2个智能采集器,则该设备的能耗值C为两个采集器的逐时能耗值Ci与Cj的加和,即C=Ci+Cj,该设备的计量表累积示数A为两个采集器的计量表累计示数Ai与Aj的加和,即A=Ai+Aj。
(2)数据属性选择:由于高耗能企业设备能耗数据属性繁多,数据分析前须根据实际需求及算法要求选择合适的属性,如能耗累积计量示数、能耗值、时间、日期等。
(3)特征提取:为更好的识别高耗能设备的能耗模式,需将能够反应设备能源使用情况的重要特征向量从能耗时间序列中提取出来。特征向量提取需要结合耗能对象的实际用能特点,特征选取不同,所产生的聚类结果也不同。
(4)规范化处理:由于高耗能设备能耗数据数值较大,并且不同时段(工作时间、非工作时间)的能耗波动较大,因此在聚类分析前要采用z-score方法规范化处理能耗特征值,属性B的值x规范化为Z:
能耗异常非失真数据的识别发生在突变数据识别之后。实时采集的能耗数据经判定属于非0数据、非突变数据后,对其进行能耗异常非失真数据的识别。为提高异常非失真数据识别的准确率,本文采用基于聚类的离群点检测算法进行异常识别,该方法的原理是通过模式识别等技术动态判断高耗能企业能耗数据的正常范围,将范围之外的数据判定为异常数据。为了提高高耗能企业能耗异常感知的准确性,需要识别设备蕴含的能耗模式,然而高耗能企业能耗模式可能会随着季节、工作量等因素的变化而变化,所以需动态更新历史能耗数据库,重新识别当下高耗能企业的能耗模式。
能耗时序数据经过0数据和突变数据的识别,会有大量的缺失和错误数据被过滤出来,这些数据严重影响能耗数据的真实性,在一定程度上也会干扰数据挖掘技术对能耗采集数据的分析方案。因此为提高能耗企业数据质量方便后续能耗分析等工作的开展,本方案在报警决策模块融合了问题数据智能补充方法来填补所识别出的缺失、错误能耗数据。常用的数据填补方法有奇异值分解算法(Singular Value Decomposition,SVD)、k近邻算法(K-Nearest Neighbor,KNN[68])、全局常量填充法、时间序列预测法及均值填充法等。其中SVD方法利用奇异矩阵补充数据,非线性且需要迭代,其原理较为复杂,数据的转换难以理解,但精度较高;KNN填补算法的原理在于寻找最近邻,通过k个与其相近的历史数据组合来填补缺失数据,其特点是简洁,精度也较好;时间序列预测法对历史数据的完整性要求较高,对于缺失率较高的数据填补适用性较差。全局常量填充法是指将缺失的属性值用同一个常数替换,但如果缺失值都用同一个值替换,挖掘方法可能会误认为这些值存在某种联系,所以尽管该方法简单,但并不可靠。均值填充法是使用与缺失数据属同一类的所有样本的均值,该方法比较简单但准确率低。综合考虑能耗数据实时、量大及强噪音等特点,本方案选择简单易操作同时也能保证一定的精度KNN算法对能耗数据智能补充。
(5)能耗模式判定模型构建
高耗能设备能耗模式识别后,能耗数据由无标签数据变为有标签数据。为判别新采集能耗数据所属能耗模式,需要学习现有能耗模式与能耗属性之间的关系,提取判定规则,构建能耗模式判定模型。数据挖掘中一般采用分类方法构建能耗模式判定模型。分类算法的原理是利用某一算法学习现有训练样本数据,以最小总体损失为目标,从所学的函数集合中挑选出一个最优的函数作为分类规则。常用的分类方法有:决策树分类、朴素贝叶斯分类(Naive Bayesian)、神经网络分类、支持向量机分类SVM等。朴素贝叶斯分类是一种基于概率统计知识实现数据分类的算法,根据可能性大小来判定数据的类别,并且它要求目标数据的各属性之间必须相互独立的,但是实际情况中的数据很难满足这一条件;支持向量机是一类借助核函数进行分类的方法,通过核函数将特征向量映射到高维空间,随后构建线性判别函数区分训练数据。该方法一般适合小样本的数据,处理较大数据量时速度慢、效果差;神经网络分类训练时间长,生成规则不可解释;决策树采用树形结构进行分类,分类准确率较高、效率较好,并且生成的分类规则相对简单比较容易理解。由于高耗能设备能耗环境较为动态,其相关影响因素经常发生变化,需及时根据影响因素的变化来判断能耗模式的变化,所以构建的分类模型需要具有较强的解释能力。因此本方案采用决策树方法来构建能耗模式判定模型。
高耗能企业设备的能耗模式可能会随用能行为、工作计划等因素的改变而发生变化,为使本方案的方法能动态适应这些变化,需设定能耗模式重新识别周期,不断更新历史聚类数据集,动态识别设备最新能耗模式。能耗模式判定模型重建周期的设置一般有两种方式:第一种,如果出现长时间连续用能异常,有可能是当前设备确实存在连续用能异常情况,但也有可能是当前所识别的设备能耗模式已不适合现有环境,需重新识别,此时可设定一个连续异常次数阈值,如果连续异常次数超出该阈值,则能耗模式重识别周期到。第二种,根据经验设置固定的能耗模式重建周期,如:每隔一周或一月重新识别设备能耗模式;一旦周期到,将该周期内新采集的所有正常能耗数据增量添加到历史能耗数据集中,并增量删除历史数据集最早时间戳的能耗数据,聚类分析调整后的数据集,重新识别设备能耗模式,对更新的设备能耗模式构建新的能耗模式判定模型,对新采集的能耗数据继续进行分类与离群点分析。
基于高耗能企业能耗数据的分类及典型异常情景的分析,综合考虑设备运行、用能行为及时间变化等因素对设备能耗的影响,构建了一种基于规则和数据挖掘的高耗能设备能耗异常的在线预警模型。模型中设计了多种能耗异常感知方法来识别不同类型能耗异常数据,一方面根据典型异常情景提取异常判定规则来识别能耗异常失真数据;另一方面将传统阈值法和基于聚类的离群点检测方法相结合来识别能耗异常非失真数据。此外为了提高能企业耗数据的真实性和有效性,模型对能耗异常失真能耗数据进行了智能补充。最后融合人工经验对疑似能耗异常数据进行预警及预警类型决策,下一步将聚焦高耗能企业配电设备中实际用能情景对模型展开应用方案。
2.4配电设备中常见的故障分析
(1)变压器故障
配电变压器是电力系统运行中的重要设备,如果变压器出现故障,则会对正常的生产及生活都产生影响,制约正常用电。常见的变压器故障主要包括电路及磁路故障,电路故障主要包括引线和绕组故障两种,如接触不良、材料性能差、制造工艺不良等,都会导致系统出现短路故障。磁路故障主要是指铁芯或夹件之间发生故障,如绝缘损坏、铁芯接地不良导致放电等,由此对变压器运行产生制约。变压器的故障主要表现为运行过程中声音异常、内部绝缘遭到损坏、雷击等。
(2)三相负荷不平衡
在配电室的电力系统运行过程中,由于三相电流的幅值有一定差异,并不完全相同,从而会出现一个浮动范围,如果幅值差超出规定的浮动范围,则会出现三相负荷不平衡的情况。根据配电室设备的常见故障来看,主要是由于存在大量的不平衡三相负荷,而且大部分属于单相负荷,浮动范围较大,从而使得变压器的三相负荷不能够维持平衡,而且无法保持对称性运行,使得其中产生零序性电流,这样不仅会导致变压器损耗严重,同时还会降低变压器的有效容量,性能下降,影响到其后续的使用寿命。此外,还会导致电动机的转矩及过载能力下降,并导致输电线路损耗较大,最终会增加线路维护成本。
(3)雷击
由于配电室系统运行主要是电力运行,无论是输电还是配电,都很容易遭受雷击,从而导致配电房系统出现故障,尤其是大风大雨天气,会导致配电房过于潮湿,出现漏电现象,而雷击则会导致配电室设备遭到损坏,从而出现运行故障,影响到电力系统正常运行,这样也会给后期的维修工作带来较大难度。
2.5配电托管系统的组成分析
(1)数据采集与电力监控(SCADA)
遥测:通过系统网络监控主机、RS485测控模块以及组态软件实现变配电站所有回路的电量采集,即电流、电压、有功功率、无功功率、视在功率、有功电度、无功电度、视在电度、功率因数、频率等。
遥信:通过系统网络监控主机、RS485测控模块/DI模块以及组态软件实现变配电站中所有开关量的采集,如断路器的分合闸、电机储能状态、变压器风机运行状态、高温报警信号、超高温跳闸信号、断路器故障信号、事故跳闸信号、综合保护器的故障为类型、以及变压器门开关信号等开关量。
遥控:通过系统网络监控主机、RS485测控模块/DO模块以及组态软件实现带有电动操作机构的断路器等远程控制功能。
遥调:通过系统网络监控主机、RS485测控模块以及组态软件实现对现场仪表如微机保护装置、无功功率补偿控制器等进行参数远程修改功能。
(2)视频功能
电视墙监视:对配电室实施集中控制管理,每个配电室设置一台监视器,按照摄像机编号进行循环显示。
计算机信号选择切换:当需要对某个配电室进行操作时,画面切换到中间大屏监视器。
视频信号选择切换:对接入调度室的每个配电室视频信号进行交换控制。
音频信号选择切换:对接入调度室的每个配电室音频信号进行交换控制。
调度室录音:在控制室设置对调度室重要调度、指挥会议的录音功能。
调度室录像:在调度室可设置录像设备,对每个配电室视频信号进行录制。
调度室监听:在调度室对每个配电室的异常音频信号进行监听。
开放互连接口:为未来引入调度室导控平台的各种系统提供标准的互连控制接口。
(3)故障报警装置
研发一套触发式联动报警装置,进行报警语音信号的全面采集,并做杂波处理。在运行过程中,当联动报警装置发现一台或多台服务器出现语音报警情况时,就会对相应问题进行定位,并以数码或语音的形式传送给管理平台,还可将不同语音报警的声音显示在同一个设备的桌面上,让管理人员及时知晓具体情况,进而采取有效措施。
(4)平台性能评价
对于平台上的特定分析任务,明确网络带宽及Hadoop集群计算能力,达到经济效能优化。本项目建立了以分布式大数据技术为基础的远程、多端、跨区域的高兼容性供电设备托管平台架构,具备多媒体实时监测、报警、故障诊断、电气火灾预警、关键环境参数检测等综合监管功能,实现多维数据高度融合、通信网络架构安全、故障智能预警诊断及快速处理、通用性且自适应性强的新一代电力托管软硬件一体化系统。
(5)服务器信号的处理
服务器中包含多种信号,包括音频信号、操作控制信号、VGA信号。这些信号均需要通过相关设备来实现有效传输,最终传输至远程监控中心。设计人员对相关技术进行比较,并在现场开展测试,深入市场调研,选出当前市场中同时具备兼容性和稳定性产品,为配电托管平台的建设奠定坚实的基础。
2.6配电托管系统的平台功能
(1)运行监测
通过图形化的方式直观监控配电室的电气设备、环境、安防等运行状态和实时数据(如电压、电流、温度、用电量等),支持自定义监控画面和WEB展现页面,所见即所得。用户可同时通过WEB端和手机APP查看配电室实时运行状况。
1)运行状态采集
运行状态采集主要包括变压器(电机)运行、热备、冷备状态,电能表状态合闸、分闸、停电。其他用电设备的运行、停用(视用电设备而定)。
2)运行参数采集
运行参数采集主要包括用户设备设施的变压器(电机)一次侧电压电流,二次侧电压电流,电能表记录的时段表码、正反向表码、失压失流时间(次数)等设备运行关键参数。
3)运行环境采集
运行环境采集通过数据采集系统获取设备运行环境的环境参数(日照时数、水平面总辐射量、倾斜面总辐射量、温度、湿度、烟感、温感、温升、风向、风速、渗漏水、水浸等)及视频监控录像等。
4)用户站监测
用户站实时监测是指利用数据采集获取的供能和用能数据,实时监测能源供用、输配、使用情况,基于地理信息数据,显示该用户所在地理位置,更直观判断用户站所在位置。基于电力一次接线图展示用户站内用电信息,包括要遥测、遥信等数据(如接线方式,开关状态、运行电压、运行电流、运行功率、动态环境数据等),及时发现设备可能出现的故障,避免不必要的设备检修,降低设备维护成本,提高设备运行的经济性和稳定性。
(2)智能运检
通过“巡检管理+—键报修+工作评估”智能运检模式,实现智能化自动巡检和工单派发,任务快速响应,打造便捷高效的运检人员工作站,全面提升运维效率和工作体验。
1)巡视管理
设备巡检是指综合能源公司根据合同条款约定,对能源托管范围内的设备进行现场巡视检查。巡视检查包括周期巡检和临时巡检,记录现场巡视、检查情况。综合能源公司根据合同条款约定,对能源托管范围内的设备进行现场巡视检查。巡视检查包括周期巡检和临时巡检,记录现场巡视、检查情况(含照片、视频等多媒体记录及文字描述)。
提供设备代维相关设备的运行维护、设备巡视、事故或异常处理等运行管理工作等。以安全用电管理为目标,对设备的运行周期、检修周期、试验周期等进行跟踪管理。辅助平台管理人员对用能企业提供巡视管理功能,将巡视计划下发给合适班组执行巡视任务,包括巡视任务的。包括新增、编辑、删除、查询操作,企业客户可以查看运维单位对设备日常的运维记录,包括维修记录、检验记录、巡视记录等。
a.制定巡检计划,发起巡检流程。
b.生成设备巡检工作票,工作票内容包含:客户编号、客户名称、客户地址、设备名称、设备状态、巡检负责人、巡检人员、巡检任务描述、计划巡检时间区间、详细安全事项及措施、实际现场巡检时间区间,现场巡检内容及描述。
c.将现场巡检结果录入系统,巡检结果包含:客户编号、客户名称、客户地址、设备名称、巡检负责人、巡检人员、实际现场巡检时间区间,现场巡检内容及描述。
d.根据现场巡检结果,判断是否需要设备检修或者设备消缺。如需要设备检修或者设备消缺,流程中发起子流程(设备检修或者设备消缺)。
e.待设备检修或者设备消缺完成,则归档。
2)检修管理
设备检修是指按合同条款约定由综合能源公司为客户提供周期性和临时性设备保养、检查、维护、维修的服务,记录检修内容、检修日期、检修负责人和检修结果信息,保障客户设备正常运转,支撑客户生产工作。按合同条款约定,当设备监测告警时,由综合能源公司负责在约定时限内到达客户故障设备进行检修,并在约定时间内完成故障设备检修,检修前记录检修内容、检修日期、检修负责人和检修结果信息,并形成专业的检修报告。平台管理人员对用能企业提供检修管理功能,将检修计划下发给合适班组执行检修任务,包括检修任务新增、编辑、删除、查询操作;其中检修任务来源为新建、巡视转检修、抢修转检修三类。功能流程如下:
a.设备监测发现异常(系统给出告警提示),经异常处理人员判断是否需要检修。
b.编制现场作业工作票,告知现场检修人员,现场作业工作票含:客户编号、客户名称、客户地址、设备名称、设备状态、设备异常分类、设备异常简述、工作负责人、工作人员、工作任务描述、计划工作时间区间、详细安全措施、现场工作内容描述。
c.综合能源录入检修结果,检修结果包含:客户编号、客户名称、客户地址、设备名称、工作负责人、工作人员、计划工作时间区间、实际现场工作时间区间、现场工作内容描述、现场检修前与检修后照片。
d.确认检修完毕,进行归档操作,设备告警状态恢复正常。
3)抢修管理
用于平台管理人员对用能企业的抢修工单进行统一管理的功能,抢修工单来源于用户上报或巡视、检修过程中发现的故障信息,将抢修工单下发抢修班组执行,包括抢修任务查询(可查看抢修工单执行情况)、任务处理(抢修工单下发班组)操作。
(3)能效管理
通过对用电数据的分类分项计量,以及同比、环比、占比、排名、变化分析,迅速发现用电大负载和异常负载,做到节能降耗,做到有的放矢,有据可依。同时提供专业的电能质量分析功能,可作为电能质量优化的数据基础。
1)电量分析
通过采集或接入的企业用电数据,结合企业提供的建筑、生产线、工艺、用能设备等数据,一是统计企业用电量,按不同时间(年/季/月/日)、空间(楼宇、楼层、厂区、车间、班组、生产线、工艺等)、重点用能设备等维度,分析使用量趋势及所占能源总量的比例;二是开展同比环比、行业对比及区域对比等分析。通过多能用量分析服务,分析企业用能结构,找出企业高耗能点,寻找节能空间,判断企业用能的经济性、环保性,为优化企业用能结构、推进电能替代、开展节能改造提供依据。
2)电费分析
根据企业提供的多能单价、建筑、车间、生产线、工艺、用能设备等数据,一是统计企业用电成本,按不同时间(年/季/月/日)、空间(楼宇、楼层、厂区、车间、班组、生产线、工艺等)、重点用能设备等维度,分析能源使用成本趋势及所占用能成本总量的比例;二是开展同比环比、行业对比及区域对比等分析。通过电费分析服务,分析企业用能成本占比,为优化企业用能结构,提供合理的契约限额填报建议或需改容建议,推荐节能改造工程提供依据。
(4)配电设备
提供设备的全生命周期管理,通过各种流程管理措施实现设备高效运行,延长设备寿命,最大化设働值,并通过对设备运行数据、运维数据的记录和分析,并给出预测性运维建议。
1)设备实时监测
设备实时监测是指对监测范围内的系统、装置、设备的运行状态、运行参数实时在线监测,结合能源监测分析模块采集的用能数据、环境监测模块提供的环境监测数据和运行参数监测数据对运行异常实时告警,分析不同生产调度模式下系统或设备的节能情况,为设备运维、能效管理等工作提供数据支撑。
a.以电能一次接线图、能源管网图、设备或工艺流程图等形式,实时监测并记录区域总体及客户实时用电总量、当日用电总量、当日估算电费、昨日用电总量、昨日估算电费等数据;
b.根据监测数据计算并记录电量、电费环比、同比数据;
c.根据不同时间尺度或用能单元以柱状图的方式展示每月或每日历史用电量趋势;
d.按客户计量表计展示实时、本期和上期的抄表数据,并进行用量的环比、同比。通过表格展示客户的实时电量示数。
2)设备运行报告
设备运行报告根据监测数据定期综合展示客户能源托管设备运行状态,设备健康状况等,并提出合理运行建议。报告内容主要包括有功耗量对比、无功耗量对比,峰谷平尖用电详细分析、总柜最高电流、低压侧最高电压、三相电流不平衡度、平均负载率、最高负载率、设备巡视信息等内容,设备运行报告按月度自动生成和推送。
a.评估报告编制:配电托管相关人员基于设备代维客户的设备运行状态、采集信息等对设备质量、可靠性、安全性等进行综合评价,对设备运行异常、存在运行隐患的向客户提出合理化建议和处理方案,并生成客户设备运行报告;
b.评估报告推送:通过系统定期向高耗能工业企业用户推送《客户设备运行报告》,评估设备运行是否正常,对设备运行异常、存在运行隐患的向客户提出合理化建议和处理方案,以保证客户长期安全、经济用能。
3)设备告警预警
告警预警是在对监测、分析数据与设定阈值的比对的基础上,将遥信、遥测异常数据在监测页面中进行告警预警提示,发现异常情况及时告警。告警预警类型包括运行数据的实时预警(变压器过载预警、三相不平衡预警等多项预警,电压越限预警、功率因数越限预警、电流谐波越限预警、电压谐波越限预警等多项预警,包含系统预警及短信息预警)和用能信息分析预警(无功受罚预警、总电费越限预警、电价越限预警、容量费分摊成本越限预警等多项预警)。
4)设备安全报警
安全报警是指将采集监测的实时运行参数中危及能源、设备、环境安全的告警信息进行显示、确认及报告的业务,能进行故障定位,使维护管理人员能够准确、迅速地获得设备的运行状态信息,并根据事件紧迫程度及时进行维护。
1)安全报警阈值设定,包含报警类别、报警区域、报警对象、报警参数、报警等级。
2)支持多种方式设置安全报警参数阈值:如上下限设定,对目标参数的上限值和下限值进行设定;波幅设定,对目标参数设定一个基准值,在设定基准值所允许浮动的上限、下限的浮动百分比。
3)安全报警类别。能源类报警,应分为用电、用水、用气等;设备状态类报警,应分为异常开关机、异常停机、温度、振动等;环境类报警,应分为温度、湿度、空气成分、温感、烟感等。
4)安全报警对象为各类监测参数,如电流、电压、功率、流量、压力等。
5)安全报警信息,应包括报警类别、报警区域、报警对象、触发安全报警的实时数据、安全报警阈值和安全报警等级。
6)安全报警触发后,发出安全报警信息的同时,向运维管理发起工作需求。。
(5〉负荷监测
针对高耗能工业用户的用电负荷情况实现监控,实现负荷控制系统的遥控、遥信、远方抄表、用电负荷监控和防窃电,通过平台累计用户历史负荷数据,帮助企业实现多能互补、负荷平衡。
负荷分析是基于用能企业的监测数据,从日、月、年、多日及行业负荷情况进行多维度分析。结合企业提供的供电设别、用能设备数据,一是分析和展示企业内部电力负荷构成;二是在此基础上,实时分析企业、线路、设备的负荷构成及变化趋势,包括企业的年负荷分析、月负荷分析、日负荷分析、对日负荷对比、负荷特性查询等。通过电力负荷分析,及时发现客户用电异常,作为实施需求响应的重要依据,也为企业挖掘负荷潜力提供数据支撑。
(6)数据增值
通过云计算、人工智能、大数据分析技术,对配电设备运行数据进行分析,推算出用电结构性规划建议,完成从经验分析向大数据分析的转变。通过平台庞大的数据基础及大数据分析对外提供节能改造服务、电能质量、咨询服务、电能替代等数据增值服务。
用电分析诊断报告,即结合用户的企业信息、用能设备数据、生产数据、能源平衡分析、设备能效分析和能效对标分析等业务成果,为用户提供综合性的能效诊断报告,方便用户从全局方面了解自己用能情况。从能源利用效率的角度,通过能效诊断报告,提升企业能效水平,分析能耗薄弱环节和挖掘节能潜力,提出切实可行的节能措施和建议,以降低能源消费成本、提高经济效益。帮助客户发现能效异常、提高用能安全、挖掘节能潜力。主要内容包括:一是分析企业用能现状、用能合理性,指出企业用能异常情况(异常区域、异常时间)、存在的隐患及危害;二是基于能效分析模型及能效评价模型,给出企业的能源指数、能耗排名;三是根据企业用能现状及诊断结果中出现的异常、隐患、危害之处,给企业提供相关的建议或解决方案等增值服务。包括以下功能:
a.根据用户管理需求,设计能效诊断报告的内容及展现形式,应包括统计期内的用能统计、用能结构、能效分析、告警时间统计等内容。
b.在具备专业技术条件的情况下,可以为用户提供能效诊断建议。
c.用户可以查询已经生成的历史用能诊断报告。
d.报告可形成电子文档进行导出。
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方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法和系统,可以通过其它的方式实现。例如,以上所述单元的划分,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。上述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发明实施例方案的目的。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.高耗能企业配电托管方法,其特征在于,具体包括以下步骤:
S1、进行前期信息采集,获取当前的高耗能企业能耗管理现状信息;
S2、针对步骤S1中采集到的现状信息,对高耗能企业能耗数据的特点进行分析;
S3、根据步骤S1获取的现状信息以及步骤S2获取的特点信息,对高耗能企业能耗异常判定;
S4、针对步骤S3的异常判定结构,对配电设备中常见的故障分析;
S5、构建配电托管系统,并对配电托管系统的组成分析。
2.根据权利要求1所述的高耗能企业配电托管方法,其特征在于,在步骤S3中,以步骤S1和步骤S2获取的设备能耗数据的分类为基础,首先针对可以利用规则进行异常感知的能耗异常数据类型采用定性的手段进行处理,根据典型异常情景的分析及相应的人工经验构建基于规则的能耗数据异常感知模型;
对于剩余的能耗异常数据类型,基于缩减问题计算空间的思想,先利用传统阈值法借助专家经验剔除明显用能异常数据,然后建立基于数据挖掘的能耗异常感知模型,具体方法如下:
首先,界定出某周期内设备能耗数据的正常范围,在该范围内的数据为正常能耗,反之则为异常能耗;
然后,建立外界能耗条件与能耗数据之间的联系;
进而,根据外界能耗条件的变化,更新能耗数据的正常范围,动态识别设备能耗异常数据,从而提高能耗异常识别的可靠性和科学性;
最后,通过报警决策分析,判定报警级别及可能异常原因并填补部分能耗异常数据。
3.根据权利要求1所述的高耗能企业配电托管方法,其特征在于,在步骤S3中,需要针对步骤S1和步骤S2获取的信息进行预处理,具体包括以下方法:
(1)数据融合:在能耗数据分析前,融合相关采集器的能耗数据,获得完整的能耗数据集,设定设备包含2个智能采集器,则该设备的能耗值C为两个采集器的逐时能耗值Ci与Cj的加和,即C=Ci+Cj,该设备的计量表累积示数A为两个采集器的计量表累计示数Ai与Aj的加和,即A=Ai+Aj;
(2)数据属性选择:数据分析前根据实际需求及算法要求选择合适的属性,属性包括能耗累积计量示数、能耗值、时间、日期;
(3)特征提取:将能够反应设备能源使用情况的重要特征向量从能耗时间序列中提取出来,特征向量提取需要结合耗能对象的实际用能特点,特征选取不同,所产生的聚类结果也不同;
(4)规范化处理:在聚类分析前采用z-score方法规范化处理能耗特征值,属性B的值x规范化为Z:
能耗异常非失真数据的识别发生在突变数据识别之后,实时采集的能耗数据经判定属于非0数据、非突变数据后,对其进行能耗异常非失真数据的识别;
(5)能耗模式判定模型构建:高耗能设备能耗模式识别后,能耗数据由无标签数据变为有标签数据,采用决策树方法来构建能耗模式判定模型。
4.根据权利要求1所述的高耗能企业配电托管方法,其特征在于,在步骤S4中,配电设备中常见的故障具体包括变压器故障、三相负荷不平衡和雷击。
5.根据权利要求1所述的高耗能企业配电托管方法,其特征在于,在步骤S5中,配电托管系统的组成包括:
(1)数据采集与电力监控单元:
遥测模块:通过系统网络监控主机、RS485测控模块以及组态软件实现变配电站所有回路的电量采集,即电流、电压、有功功率、无功功率、视在功率、有功电度、无功电度、视在电度、功率因数、频率;
遥信模块:通过系统网络监控主机、RS485测控模块/DI模块以及组态软件实现变配电站中所有开关量的采集,如断路器的分合闸、电机储能状态、变压器风机运行状态、高温报警信号、超高温跳闸信号、断路器故障信号、事故跳闸信号、综合保护器的故障为类型、以及变压器门开关信号的开关量;
遥控模块:通过系统网络监控主机、RS485测控模块/DO模块以及组态软件实现带有电动操作机构的断路器远程控制功能;
遥调模块:通过系统网络监控主机、RS485测控模块以及组态软件实现对现场仪表如微机保护装置、无功功率补偿控制器进行参数远程修改功能;
(2)视频功能单元:
电视墙监视:对配电室实施集中控制管理,每个配电室设置一台监视器,按照摄像机编号进行循环显示;
计算机信号选择切换:当需要对某个配电室进行操作时,画面切换到中间大屏监视器;
视频信号选择切换:对接入调度室的每个配电室视频信号进行交换控制;
音频信号选择切换:对接入调度室的每个配电室音频信号进行交换控制;
调度室录音:在控制室设置对调度室重要调度、指挥会议的录音功能;
调度室录像:在调度室可设置录像设备,对每个配电室视频信号进行录制;
调度室监听:在调度室对每个配电室的异常音频信号进行监听;
开放互连接口:为未来引入调度室导控平台的各种系统提供标准的互连控制接口;
(3)故障报警单元:研发一套触发式联动报警装置,进行报警语音信号的全面采集,并做杂波处理,在运行过程中,当联动报警装置发现一台或多台服务器出现语音报警情况时,就会对相应问题进行定位,并以数码或语音的形式传送给管理平台,还可将不同语音报警的声音显示在同一个设备的桌面上,让管理人员及时知晓具体情况,进而采取有效措施;
(4)平台性能评价单元;
(5)服务器信号的处理单元:针对服务器中包含的多种信号,包括音频信号、操作控制信号、VGA信号,均需要通过相关设备来实现有效传输,最终传输至远程监控中心。
6.一种电子设备,包括处理器以及与处理器通信连接,且用于存储所述处理器可执行指令的存储器,其特征在于:所述处理器用于执行上述权利要求1-5任一所述的高耗能企业配电托管方法。
7.一种服务器,其特征在于:包括至少一个处理器,以及与所述处理器通信连接的存储器,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述处理器执行,以使所述至少一个处理器执行如权利要求1-5任一所述的高耗能企业配电托管方法。
8.一种计算机可读取存储介质,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权利要求1-5任一项所述的高耗能企业配电托管方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310171519.5A CN116522746A (zh) | 2023-02-24 | 2023-02-24 | 高耗能企业配电托管方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310171519.5A CN116522746A (zh) | 2023-02-24 | 2023-02-24 | 高耗能企业配电托管方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116522746A true CN116522746A (zh) | 2023-08-01 |
Family
ID=87403571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310171519.5A Pending CN116522746A (zh) | 2023-02-24 | 2023-02-24 | 高耗能企业配电托管方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116522746A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117458486A (zh) * | 2023-12-25 | 2024-01-26 | 宁波长壁流体动力科技有限公司 | 矿区智能供电系统的控制方法和矿区智能供电系统 |
-
2023
- 2023-02-24 CN CN202310171519.5A patent/CN116522746A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117458486A (zh) * | 2023-12-25 | 2024-01-26 | 宁波长壁流体动力科技有限公司 | 矿区智能供电系统的控制方法和矿区智能供电系统 |
CN117458486B (zh) * | 2023-12-25 | 2024-04-05 | 宁波长壁流体动力科技有限公司 | 矿区智能供电系统的控制方法和矿区智能供电系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106709580B (zh) | 一种变电站二次系统运维云平台 | |
CN102193555B (zh) | 集控中心全景状态监测系统 | |
CN110097297A (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
CN203324773U (zh) | 一种风电场集控系统 | |
CN105426980B (zh) | 一种配电网健康指数评估工程应用系统 | |
CN110806518B (zh) | 一种台区线损异动分析模块及其操作方法 | |
CN113406438B (zh) | 一种适用于低压台区的故障智能诊断方法及其运维系统 | |
CN110826228B (zh) | 一种地区电网运行品质极限评估方法 | |
CN110619469A (zh) | 一种新能源电站运营管理系统 | |
CN114596693A (zh) | 用于能源监控和管理的方法、系统、介质和程序产品 | |
CN111310854A (zh) | 基于用电负荷指纹的低误报率窃电检测二次筛选方法 | |
CN111667143A (zh) | 电网调度实时监测数据与业务管理数据融合的实现方法 | |
CN116522746A (zh) | 高耗能企业配电托管方法 | |
CN116596512A (zh) | 一种基于信息系统的电力运维安全强化方法和系统 | |
Zhang et al. | Research on comprehensive diagnosis model of anti-stealing electricity based on big data technology | |
Hu et al. | Research on intelligent inspection technology of distribution network based on RFID | |
CN116468243A (zh) | 一种基于监控运行数据的电网趋势预警方法 | |
Zhou et al. | Research and Implementation of Distribution Network Operating Analysis Platform Based on Multi-source Heterogeneous Data | |
CN112765425B (zh) | 水电站数据处理方法及电子设备 | |
CN115965266A (zh) | 一种基于大数据的智能分析系统 | |
Ya’An | Application of artificial intelligence in computer network technology in the era of big data | |
CN112271821A (zh) | 基于云计算的用电终端降损节能智能化监测与分析系统 | |
Han et al. | Application of artificial intelligence technology in power grid enterprises based on enterprise architecture method | |
Li et al. | Research and design of power Visualization intelligent management platform based on big data technology | |
CN113269435B (zh) | 一种新能源场站运行状态耦合监测评估系统 |
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 |