CN116880320A - 一种热力管网调度监控方法及监控平台、装置、存储介质 - Google Patents
一种热力管网调度监控方法及监控平台、装置、存储介质 Download PDFInfo
- Publication number
- CN116880320A CN116880320A CN202310989710.0A CN202310989710A CN116880320A CN 116880320 A CN116880320 A CN 116880320A CN 202310989710 A CN202310989710 A CN 202310989710A CN 116880320 A CN116880320 A CN 116880320A
- Authority
- CN
- China
- Prior art keywords
- fault
- pipe network
- real
- connection structure
- time state
- 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
- 238000010438 heat treatment Methods 0.000 title claims abstract description 52
- 238000012544 monitoring process Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 52
- 238000009826 distribution Methods 0.000 claims abstract description 8
- 230000015654 memory Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 230000000712 assembly Effects 0.000 claims description 9
- 238000000429 assembly Methods 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 3
- 238000013433 optimization analysis Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 6
- 238000013500 data storage Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—Safety, monitoring
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24024—Safety, surveillance
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种热力管网调度监控方法及监控平台、装置、存储介质，包括：从传感器组件中获取检测数据；将各个检测数据代入管网拓扑模型中以在所述管网拓扑模型中形成各个位置的实时状态数据；将实时状态数据以及拓扑连接结构分析出所述热力管网中各个运行设备的运行情况并且得出调度策略对对应的运行设备进行反馈控制；将实时状态数据以及拓扑连接结构与预设的故障判断条件进行诊断，当实时状态数据满足故障判断条件则输出报警信息，并且将故障事件依据故障逻辑模型分析出故障原因；可视化地输出实时状态数据、拓扑连接结构、调度策略、报警信息以及故障原因；本设计提高热力管网的安全性能、故障追踪能力以及使用寿命，降低维护成本。
Description
技术领域
本发明涉及热力系统计算机控制领域，特别涉及一种热力管网调度监控方法及监控平台、装置、存储介质。
背景技术
热力管网是城市供热系统的重要组成部分，它通过供热管网等设施向热能用户供应生产或生活用的热能。
然而，现有的热力管网智能化水平较低，存在诸多问题和挑战。例如，供热管网质量控制缺失，造成管道密封不严、热力管网散热损失严重、供热管道使用寿命低，容易造成管道恶性事故，导致管网失水以及能源损失严重；供热管网缺乏质量调节和能耗计量手段，不仅造成水力工况失调，冷热不均，而且由于没有计量造成粗放运行浪费严重；供热管网数据采集和传输效率低，难以实现对供热系统的实时监测和优化分析，影响供热效率和质量；供热管网数据安全性和可追溯性差，难以实现数据的加密、分布式、不可篡改、可追溯等特性。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种热力管网调度监控方法及监控平台、装置、存储介质，能够对热力管网进行状态检测，并且自动反馈调节，在出现故障时及时汇报并且分析原因，提高热力管网的使用安全性能，故障追踪能力，提高热力管网的使用寿命，降低维护成本。
根据本发明的第一方面实施例的一种热力管网调度监控方法，包括：从设置于热力管网各个位置的传感器组件中获取检测数据，其中，每个所述检测数据均与管网位置对应并且多个所述检测数据有多种信息类别；将各个检测数据代入管网拓扑模型中以在所述管网拓扑模型中形成各个位置的实时状态数据，其中，所述管网拓扑模型用于模拟所述热力管网的拓扑连接结构以及各个检测数据在拓扑连接结构中引起的动态状态变化；将实时状态数据以及拓扑连接结构分析出所述热力管网中各个运行设备的运行情况并且得出调度策略，将调度策略分发至与各个运行设备对应的控制器中，由控制器对对应的运行设备进行反馈控制；将实时状态数据以及拓扑连接结构与预设的故障判断条件进行诊断，当实时状态数据满足故障判断条件则输出报警信息，所述报警信息用于表征发生的故障事件，并且将故障事件依据故障逻辑模型分析出故障原因，其中，所述故障逻辑模型为故障事件与故障原因之间的关系模型；可视化地输出实时状态数据、拓扑连接结构、调度策略、报警信息以及故障原因。
根据本发明实施例的一种热力管网调度监控方法，至少具有如下有益效果：
本发明热力管网调度监控方法，在热力管网各个位置布置各种类型的传感器组件，对传感器组件检测生成的检测数据进行获取，由于检测数据与管网位置对应，因此可以将各个检测数据代入管网拓扑模型中以形成各个位置的实时状态数据，而热力管网的拓扑连接结构已知，从而可以得知热力管网中不同位置的运行设备之间的关联关系，利用实时状态数据以及拓扑连接结构可以分析出各个运行设备的运行情况并且得出调度策略，从而可以根据调度策略自动对对应的运行设备进行反馈控制，使得整个热力管网处于合理稳定的运行状态；同时，还利用实时状态数据以及拓扑连接结构诊断是否出现故障事件，当出现故障事件则输出报警信息，并且将故障事件依据故障逻辑模型分析出故障原因以及处理建议，工作人员可以及时处理维修，本设计能够对热力管网进行状态检测，并且自动反馈调节，在出现故障时及时汇报并且分析原因，提高热力管网的使用安全性能，故障追踪能力，提高热力管网的使用寿命，降低维护成本。
根据本发明的一些实施例，所述管网拓扑模型包括卷积神经网络模型、循环神经网络模型、图神经网络模型中的一种或者多种，所述管网拓扑模型由多组包括检测数据、实时状态数据、拓扑连接结构以及调度策略的数据集合训练而成。
根据本发明的一些实施例，在所述将实时状态数据以及拓扑连接结构分析出所述热力管网中各个运行设备的运行情况并且得出调度策略中包括：基于多目标遗传算法确定调度策略的优化目标和约束条件；根据实时状态数据以及拓扑连接结构采用多目标遗传算法对调度策略进行优化分析，输出调度策略的最优解集。
根据本发明的一些实施例，在所述将实时状态数据以及拓扑连接结构与预设的故障判断条件进行诊断，当实时状态数据满足故障判断条件则输出报警信息中包括：所述故障判断条件包括多个在所述拓扑连接结构中各个位置以及各个类别参数对应的故障阈值，每个故障阈值至少对应一种故障事件；将所述实时状态数据与故障阈值判断，当实时状态数据超过所述故障阈值，则输出与该故障事件对应的报警信息。
根据本发明的一些实施例，所述将故障事件依据故障逻辑模型分析出故障原因中包括：所述故障逻辑模型基于树状分析法建立，故障事件基于故障逻辑关系趋于至少一个故障原因；将故障事件代入所述故障逻辑模型中分析出至少一个故障原因。
根据本发明的一些实施例，在所述故障逻辑模型中，将各个故障事件列为各个第一节点，将各个故障事件列为第二节点并且对每个第二节点设定该故障事件的发生概率以及影响程度，故障逻辑关系包括多个逻辑门，每个逻辑门用于表征每个故障事件与至少一个故障原因之间的关系，将各个逻辑门列为各个中间节点，将各个第一节点和各个第二节点通过对应的各个中间节点相关联。
根据本发明的一些实施例，将发生的故障事件根据故障逻辑模型分析出最小割集，其中，最小割集为导致该故障事件发生的故障原因的最小事件组合，并且根据最小事件组合中的各个故障原因的发生概率以及影响程度根据逻辑门计算出各个故障原因的关联程度指标，根据关联程度指标确定故障原因的优先级别，得出处理建议。
根据本发明第二方面实施例的监控平台，包括：传感器组件，用于检测热力管网的运行情况以生成检测数据，每个所述检测数据均与管网位置对应并且多个所述检测数据有多种信息类别；数据处理模块，用于获取检测数据，将各个检测数据代入管网拓扑模型中以在所述管网拓扑模型中形成各个位置的实时状态数据，其中，所述管网拓扑模型用于模拟所述热力管网的拓扑连接结构以及各个检测数据在拓扑连接结构中引起的动态状态变化；反馈控制模块，用于将实时状态数据以及拓扑连接结构分析出所述热力管网中各个运行设备的运行情况并且得出调度策略，将调度策略分发至与各个运行设备对应的控制器中，由控制器对对应的运行设备进行反馈控制；诊断报警模块，用于将实时状态数据以及拓扑连接结构与预设的故障判断条件进行诊断，当实时状态数据满足故障判断条件则输出报警信息，所述报警信息用于表征发生的故障事件，并且将故障事件依据故障逻辑模型分析出故障原因，其中，所述故障逻辑模型为故障事件与故障原因之间的关系模型；显示模块，用于可视化地输出实时状态数据、拓扑连接结构、调度策略、报警信息以及故障原因。
根据本发明实施例的监控平台，至少具有如下有益效果：
本发明监控平台，能够对热力管网进行状态检测，并且自动反馈调节，在出现故障时及时汇报并且分析原因，提高热力管网的使用安全性能，故障追踪能力，提高热力管网的使用寿命，降低维护成本。
根据本发明第三方面实施例的控制装置，包括：一个或多个存储器；一个或多个处理器，用于执行存储在所述一个或多个存储器中的一个或多个计算机程序，还用于执行上述任一实施例公开的热力管网调度监控方法。
根据本发明第四方面实施例的计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述任一实施例公开的热力管网调度监控方法。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明监控平台其中一种实施例的原理结构示意图；
图2为本发明调度监控方法其中一种实施例的流程图；
图3为本发明控制装置其中一种实施例的原理结构框图。
附图标记：
传感器组件210；数据处理模块220；反馈控制模块230；诊断报警模块240；显示模块250；联网链网络260；数据存储与共享模块270；控制器280；控制装置300；存储器310；处理器320。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
首先，根据本发明的第一方面实施例的一种热力管网调度监控方法，如图2所示，包括：
S110、从设置于热力管网各个位置的传感器组件中获取检测数据，其中，每个所述检测数据均与管网位置对应并且多个所述检测数据有多种信息类别；
S120、将各个检测数据代入管网拓扑模型中以在所述管网拓扑模型中形成各个位置的实时状态数据，其中，所述管网拓扑模型用于模拟所述热力管网的拓扑连接结构以及各个检测数据在拓扑连接结构中引起的动态状态变化；
S130、将实时状态数据以及拓扑连接结构分析出所述热力管网中各个运行设备的运行情况并且得出调度策略，将调度策略分发至与各个运行设备对应的控制器中，由控制器对对应的运行设备进行反馈控制；
S140、将实时状态数据以及拓扑连接结构与预设的故障判断条件进行诊断，当实时状态数据满足故障判断条件则输出报警信息，所述报警信息用于表征发生的故障事件，并且将故障事件依据故障逻辑模型分析出故障原因，其中，所述故障逻辑模型为故障事件与故障原因之间的关系模型；
S150、可视化地输出实时状态数据、拓扑连接结构、调度策略、报警信息以及故障原因。
其中，需要说明的是，热力管网的各个位置均可以设置多个传感器组件，传感器组件的种类有多种，例如温度传感器、压力传感器、流量传感器等，检测数据有多种信息类别，例如采集管网中的温度、压力、流量等数据。
传感器组件可以通过RS485等无线通信芯片发送到云端服务器，监控平台再从云端服务器获取相关的数据以进行处理，具体地，无线通信方式可以但不限于蓝牙、Wi-Fi、ZigBee、LoRa。
本发明热力管网调度监控方法，在热力管网各个位置布置各种类型的传感器组件，对传感器组件检测生成的检测数据进行获取，由于检测数据与管网位置对应，因此可以将各个检测数据代入管网拓扑模型中以形成各个位置的实时状态数据，而热力管网的拓扑连接结构已知，从而可以得知热力管网中不同位置的运行设备之间的关联关系，利用实时状态数据以及拓扑连接结构可以分析出各个运行设备的运行情况并且得出调度策略，从而可以根据调度策略自动对对应的运行设备进行反馈控制，使得整个热力管网处于合理稳定的运行状态；同时，还利用实时状态数据以及拓扑连接结构诊断是否出现故障事件，当出现故障事件则输出报警信息，并且将故障事件依据故障逻辑模型分析出故障原因以及处理建议，工作人员可以及时处理维修，本设计能够对热力管网进行状态检测，并且自动反馈调节，在出现故障时及时汇报并且分析原因，提高热力管网的使用安全性能，故障追踪能力，提高热力管网的使用寿命，降低维护成本。
在本发明的一些实施例中，所述管网拓扑模型包括卷积神经网络模型、循环神经网络模型、图神经网络模型中的一种或者多种，所述管网拓扑模型由多组包括检测数据、实时状态数据、拓扑连接结构以及调度策略的数据集合训练而成。
在进行训练前，通常需要对接收到的检测数据进行清洗，去除异常值、噪声、缺失值等，保证数据的质量和完整性；同时还可以对清洗后的数据进行校验，检查数据的一致性、有效性、准确性等，保证数据的可信度和可用性。
当管网拓扑模型选用卷积神经网络模型，可以将融合后的检测数据作为输入，通过多层卷积、池化、全连接等操作，提取热力管网中各个节点和边的特征向量，并将其组合成一个矩阵表示热力管网的状态参数；
当管网拓扑模型选用循环神经网络，可以将融合后的检测数据按照时间顺序作为输入，通过多层循环单元(如LSTM、GRU等)，捕捉热力管网中各个节点和边随时间变化的特征，并将其输出为一个序列表示热力管网的状态参数；
当管网拓扑模型选用图神经网络，可以将融合后的检测数据作为节点和边的属性，通过多层图卷积、图注意力、图池化等操作，聚合热力管网中各个节点和边的邻居信息，并将其输出为一个图表示热力管网的状态参数。
以采用图神经网络为例，具体地，可以简化地认为，热力管网有N个节点和M条边，每个节点有K个调控参数(如温度、压力、流量等)，每条边有L个属性参数(如长度、阻力、方向等)，则管网拓扑模型中，输入为：X∈RN×K,Y∈RM×L,A∈RN×N；输出为：Z∈RN×M；管网拓扑模型为：Z＝f(X,Y,A；W,b)。
其中，f是图神经网络函数，W和b是可训练的权重和偏置，A是热力管网的邻接矩阵。
在本发明的一些实施例中，在所述将实时状态数据以及拓扑连接结构分析出所述热力管网中各个运行设备的运行情况并且得出调度策略中包括：
基于多目标遗传算法确定调度策略的优化目标和约束条件；
根据实时状态数据以及拓扑连接结构采用多目标遗传算法对调度策略进行优化分析，输出调度策略的最优解集。
在对运行设备的运行情况制定调度策略的过程中，工作人员可以预先设定优化目标以及约束条件，从而在实时状态数据以及拓扑连接结构采用多目标遗传算法对调度策略进行优化分析的过程中，可以得到满足优化目标以及约束条件的最优解集，从而实现对各个运行设备的反馈控制，保持热力管网的稳定运行。
其中，在多目标遗传算法中，可以进行以下步骤：随机生成一定数量的个体，每个个体表示一种可能的供热参数和调度策略，如阀门开度、泵转速、水温等；根据优化目标和约束条件，计算每个个体的适应度值，如供热成本、供热效率、供热质量等；根据适应度值，采用非支配排序和拥挤距离等方法，选择一部分优良的个体作为父代；对父代中的每个个体，以一定概率进行变异操作，如随机改变某个参数的值，产生新的个体作为子代；对父代中的每对相邻的个体，以一定概率进行交叉操作，如交换某些参数的值，产生新的个体作为子代；从父代和子代中选择一部分最优秀的个体作为下一代；判断是否满足终止条件，如达到最大迭代次数或收敛程度等，如果是，则输出最优解集，如果否，则返回根据优化目标和约束条件，计算每个个体的适应度值的步骤中。
具体地，同样基于热力管网有N个节点和M条边的例子，多目标遗传算法的优化问题可以设定为：
决策变量：x＝(x1,x2,…,xN,y1,y2,…,yM1)；其中xi∈RK表示第i个节点的参数向量，yj∈RL表示第j条边的参数向量；
目标函数：f(x)＝(f1(x),f2(x),…,fp(x))；其中,fp(x)表示第P个优化目标；
约束条件：g(x)＝(g1(x),g2(x),…,gq(x))≤0；其中,gq(x)表示第q个约束条件；
最优解集：其中X表示可行解空间，＜表示帕累托支配关系。
在本发明的一些实施例中，在所述将实时状态数据以及拓扑连接结构与预设的故障判断条件进行诊断，当实时状态数据满足故障判断条件则输出报警信息中包括：
所述故障判断条件包括多个在所述拓扑连接结构中各个位置以及各个类别参数对应的故障阈值，每个故障阈值至少对应一种故障事件；
将所述实时状态数据与故障阈值判断，当实时状态数据超过所述故障阈值，则输出与该故障事件对应的报警信息。
需要说明的是，当热力管网中某些位置、某些运行设备出现故障，该位置某些传感器部件产生的检测数据会出现异常，通过设置故障阈值判断，可以快捷地判断出故障事件的发生，以便于及时作出故障处理。
在本发明的一些实施例中，所述将故障事件依据故障逻辑模型分析出故障原因中包括：
所述故障逻辑模型基于树状分析法建立，故障事件基于故障逻辑关系趋于至少一个故障原因；
将故障事件代入所述故障逻辑模型中分析出至少一个故障原因。
由于每个故障事件均有可能由一个或者多个故障原因导致，工作人员可以事先将故障事件故障原因录入系统中，并且利用树状分析法将故障事件引向各个故障原因，在出现故障事件后，系统可以根据故障逻辑关系趋于至少一个故障原因，从而形成报警信息。
具体地，在所述故障逻辑模型中，将各个故障事件列为各个第一节点，将各个故障事件列为第二节点并且对每个第二节点设定该故障事件的发生概率以及影响程度，故障逻辑关系包括多个逻辑门，每个逻辑门用于表征每个故障事件与至少一个故障原因之间的关系，将各个逻辑门列为各个中间节点，将各个第一节点和各个第二节点通过对应的各个中间节点相关联，由此，系统可以合理准确地依据故障事件分析出故障原因。
在本发明的一些实施例中，将发生的故障事件根据故障逻辑模型分析出最小割集，其中，最小割集为导致该故障事件发生的故障原因的最小事件组合，并且根据最小事件组合中的各个故障原因的发生概率以及影响程度根据逻辑门计算出各个故障原因的关联程度指标，根据关联程度指标确定故障原因的优先级别，得出处理建议。
需要说明的是，由于每个故障原因均具有发生概率以及影响程度，影响程度意味着该故障原因导致故障事件发生的可能性，因此，当故障事件发生后，系统即可根据故障事件反推出涉及到该故障原因的关联程度指标，例如，A故障原因的发生概率为60％，并且会影响某个故障事件发生的影响程度为高(此处可以通过分级别或者百分比来设定影响程度的高低)，B故障原因的发生概率为30％，并且会影响同一个故障事件发生的影响程度为中，则当该故障事件发生后，最小割集中有A故障原因，也有B故障原因，但是A故障原因的关联程度指标高于B故障原因，具体可以采用数值表示。
具体地，利用树状分析法可以对以上问题建立以下模型：
故障事件：F∈{0,1}，其中F＝1表示发生故障，F＝0表示未发生故障；
故障原因：Ei∈{0,1},i＝1,2,…N+M，其中，Ei＝1表示第i个节点或边发生异常或损坏，Ei＝0表示第i个节点或边正常；
故障概率：P(Ei)∈[0,1],i＝1,2,…N+M，其中，P(Ei)表示第i个节点或边发生异常或损坏的概率；
故障影响：I(Ei)∈[0,1],i＝1,2,…N+M，其中，I(Ei)表示第i个节点或边发生异常或损坏对热力管网的影响程度；
故障树：T(F,E1,E2…EN+M)，其中，T是逻辑函数，表示故障事件与故障原因之间的逻辑关系；
最小割集：C(F)＝{Ei1,Ei2,…,Eik}，其中，C(F)是基本事件集合，表示能够导致故障事件发生的最小基本事件组合；
最小割集概率：P(C(F))＝P(Ei1)×P(Ei2)×…×P(Eik)，其中，P(C(F))表示最小割集发生的概率；
最小割集影响：I(C(F))＝I(Ei1)+I(Eo2)+…+I(Eik)其中，I(C(F))表示最小割集对热力管网的影响程度；
最小割集重要度：R(C(F))＝P(C(F))×I(C(F))，其中，R(C(F))表示最小割集的重要度指标，反映故障原因的优先级。
根据本发明第二方面实施例的监控平台，如图1所示，包括：
传感器组件210，用于检测热力管网的运行情况以生成检测数据，每个所述检测数据均与管网位置对应并且多个所述检测数据有多种信息类别；
数据处理模块220，用于获取检测数据，将各个检测数据代入管网拓扑模型中以在所述管网拓扑模型中形成各个位置的实时状态数据，其中，所述管网拓扑模型用于模拟所述热力管网的拓扑连接结构以及各个检测数据在拓扑连接结构中引起的动态状态变化；
反馈控制模块230，用于将实时状态数据以及拓扑连接结构分析出所述热力管网中各个运行设备的运行情况并且得出调度策略，将调度策略分发至与各个运行设备对应的控制器280中，由控制器280对对应的运行设备进行反馈控制；
诊断报警模块240，用于将实时状态数据以及拓扑连接结构与预设的故障判断条件进行诊断，当实时状态数据满足故障判断条件则输出报警信息，所述报警信息用于表征发生的故障事件，并且将故障事件依据故障逻辑模型分析出故障原因，其中，所述故障逻辑模型为故障事件与故障原因之间的关系模型；
显示模块250，用于可视化地输出实时状态数据、拓扑连接结构、调度策略、报警信息以及故障原因。
本发明监控平台，能够对热力管网进行状态检测，并且自动反馈调节，在出现故障时及时汇报并且分析原因，提高热力管网的使用安全性能，故障追踪能力，提高热力管网的使用寿命，降低维护成本。
在本发明的一些实施例中，监控平台还包括热力管网上下游用户构建的联网链网络260，基于区块链加密共识机制对热力管网的实时状态数据、拓扑连接结构、调度策略、报警信息以及故障原因等进行加密处理和安全上链，并在联网链网络260中部署存储合约、数据访问合约、数据共享合约实现数据的安全访问和共享。
首先，数据存储与共享模块270将实时状态数据、拓扑连接结构、调度策略、报警信息以及故障原因等进行加密处理，生成加密数据；
其次，数据存储与共享模块270将加密数据打包成区块，并将区块广播到区块链网络中，由区块链网络中的用户节点进行共识验证，验证通过后将区块添加到区块链中，实现数据的分布式和不可篡改的存储；
再次，数据存储与共享模块270根据不同用户节点的身份和权限，编写相应的智能合约，定义数据的访问和共享规则，如访问条件、访问范围、访问费用等，并将智能合约部署到区块链网络中；
最后，当用户节点需要访问或共享数据时，可以通过调用智能合约，向数据存储与共享模块270发出请求，并提供相应的证明和支付；数据存储与共享模块270根据智能合约的规则，自动验证用户节点的请求是否合法和有效；如果验证通过，数据存储与共享模块270将返回相应的加密数据，并解密还原为原始数据；如果验证不通过，数据存储与共享模块270将拒绝用户节点的请求，并返回错误信息。通过这种方式，实现了数据的安全访问和共享。
具体地，联盟链网络用于运行一个基于区块链技术的数据存储与共享模块270，其中，联盟链网络由热力管网上下游用户包括：热源侧、热网侧、热用户(各种工厂、企业、单位、居民小区等)组建；具体可分类为：
热力管网运营商，负责热力管网的运行管理和维护，可以通过区块链网络访问和共享热力管网的数据和信息，提高运营效率和质量；
热力管网监管部门，负责热力管网的监督和检查，可以通过区块链网络访问和共享热力管网的数据和信息，提高监管效率和公信力；
热力管网用户，即供热终端用户，可以通过区块链网络访问和共享热力管网的数据和信息，提高供热满意度和参与度；
热力管网服务商，即提供热力管网相关服务的第三方机构，如设备供应商、维修商、咨询商等，可以通过区块链网络访问和共享热力管网的数据和信息，提高服务效率和质量。
数据存储与共享模块270用于将数据处理模块220生成的热力管网的实时状态数据、拓扑连接结构、调度策略、报警信息以及故障原因等内容，以加密、分布式、不可篡改的方式存储在联盟链网络中，并通过智能合约实现数据的安全访问和共享。
根据本发明第三方面实施例的控制装置300，如图3所示，控制装置300包括存储器310和处理器320，存储器310存储有计算机程序，处理器320执行计算机程序时实现上述任一实施例公开的热力管网调度监控方法。
该控制装置可以为包括中央电脑、远程设备终端电脑等任意智能终端。
根据本发明第四方面实施例的计算机可读存储介质，计算机可读存储介质存储有计算机程序，其特征在于，计算机程序被处理器执行时实现上述任一实施例公开的热力管网调度监控方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的，其中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，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模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。
Claims (10)
1.一种热力管网调度监控方法，其特征在于，包括：
从设置于热力管网各个位置的传感器组件中获取检测数据，其中，每个所述检测数据均与管网位置对应并且多个所述检测数据有多种信息类别；
将各个检测数据代入管网拓扑模型中以在所述管网拓扑模型中形成各个位置的实时状态数据，其中，所述管网拓扑模型用于模拟所述热力管网的拓扑连接结构以及各个检测数据在拓扑连接结构中引起的动态状态变化；
将实时状态数据以及拓扑连接结构分析出所述热力管网中各个运行设备的运行情况并且得出调度策略，将调度策略分发至与各个运行设备对应的控制器中，由控制器对对应的运行设备进行反馈控制；
将实时状态数据以及拓扑连接结构与预设的故障判断条件进行诊断，当实时状态数据满足故障判断条件则输出报警信息，所述报警信息用于表征发生的故障事件，并且将故障事件依据故障逻辑模型分析出故障原因，其中，所述故障逻辑模型为故障事件与故障原因之间的关系模型；
可视化地输出实时状态数据、拓扑连接结构、调度策略、报警信息以及故障原因。
2.根据权利要求1所述的一种热力管网调度监控方法，其特征在于：所述管网拓扑模型包括卷积神经网络模型、循环神经网络模型、图神经网络模型中的一种或者多种，所述管网拓扑模型由多组包括检测数据、实时状态数据、拓扑连接结构以及调度策略的数据集合训练而成。
3.根据权利要求1所述的一种热力管网调度监控方法，其特征在于，在所述将实时状态数据以及拓扑连接结构分析出所述热力管网中各个运行设备的运行情况并且得出调度策略中包括：基于多目标遗传算法确定调度策略的优化目标和约束条件；根据实时状态数据以及拓扑连接结构采用多目标遗传算法对调度策略进行优化分析，输出调度策略的最优解集。
4.根据权利要求1所述的一种热力管网调度监控方法，其特征在于，在所述将实时状态数据以及拓扑连接结构与预设的故障判断条件进行诊断，当实时状态数据满足故障判断条件则输出报警信息中包括：
所述故障判断条件包括多个在所述拓扑连接结构中各个位置以及各个类别参数对应的故障阈值，每个故障阈值至少对应一种故障事件；
将所述实时状态数据与故障阈值判断，当实时状态数据超过所述故障阈值，则输出与该故障事件对应的报警信息。
5.根据权利要求4所述的一种热力管网调度监控方法，其特征在于，所述将故障事件依据故障逻辑模型分析出故障原因中包括：
所述故障逻辑模型基于树状分析法建立，故障事件基于故障逻辑关系趋于至少一个故障原因；
将故障事件代入所述故障逻辑模型中分析出至少一个故障原因。
6.根据权利要求5所述的一种热力管网调度监控方法，其特征在于，在所述故障逻辑模型中，将各个故障事件列为各个第一节点，将各个故障事件列为第二节点并且对每个第二节点设定该故障事件的发生概率以及影响程度，故障逻辑关系包括多个逻辑门，每个逻辑门用于表征每个故障事件与至少一个故障原因之间的关系，将各个逻辑门列为各个中间节点，将各个第一节点和各个第二节点通过对应的各个中间节点相关联。
7.根据权利要求6所述的一种热力管网调度监控方法，其特征在于，将发生的故障事件根据故障逻辑模型分析出最小割集，其中，最小割集为导致该故障事件发生的故障原因的最小事件组合，并且根据最小事件组合中的各个故障原因的发生概率以及影响程度根据逻辑门计算出各个故障原因的关联程度指标，根据关联程度指标确定故障原因的优先级别，得出处理建议。
8.一种监控平台，其特征在于，包括：
传感器组件，用于检测热力管网的运行情况以生成检测数据，每个所述检测数据均与管网位置对应并且多个所述检测数据有多种信息类别；
数据处理模块，用于获取检测数据，将各个检测数据代入管网拓扑模型中以在所述管网拓扑模型中形成各个位置的实时状态数据，其中，所述管网拓扑模型用于模拟所述热力管网的拓扑连接结构以及各个检测数据在拓扑连接结构中引起的动态状态变化；
反馈控制模块，用于将实时状态数据以及拓扑连接结构分析出所述热力管网中各个运行设备的运行情况并且得出调度策略，将调度策略分发至与各个运行设备对应的控制器中，由控制器对对应的运行设备进行反馈控制；
诊断报警模块，用于将实时状态数据以及拓扑连接结构与预设的故障判断条件进行诊断，当实时状态数据满足故障判断条件则输出报警信息，所述报警信息用于表征发生的故障事件，并且将故障事件依据故障逻辑模型分析出故障原因，其中，所述故障逻辑模型为故障事件与故障原因之间的关系模型；
显示模块，用于可视化地输出实时状态数据、拓扑连接结构、调度策略、报警信息以及故障原因。
9.一种控制装置，其特征在于，包括：
一个或多个存储器；
一个或多个处理器，用于执行存储在所述一个或多个存储器中的一个或多个计算机程序，还用于执行如权利要求1-7任意一项所述的热力管网调度监控方法。
10.一种计算机可读存储介质，其特征在于，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-7任意一项所述的热力管网调度监控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310989710.0A CN116880320A (zh) | 2023-08-07 | 2023-08-07 | 一种热力管网调度监控方法及监控平台、装置、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310989710.0A CN116880320A (zh) | 2023-08-07 | 2023-08-07 | 一种热力管网调度监控方法及监控平台、装置、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116880320A true CN116880320A (zh) | 2023-10-13 |
Family
ID=88268176
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310989710.0A Pending CN116880320A (zh) | 2023-08-07 | 2023-08-07 | 一种热力管网调度监控方法及监控平台、装置、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116880320A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117252485A (zh) * | 2023-11-14 | 2023-12-19 | 北京埃睿迪硬科技有限公司 | 一种水务管网爆管关阀策略的确定方法及装置 |
| CN117291476A (zh) * | 2023-11-27 | 2023-12-26 | 南京如昼信息科技有限公司 | 基于遥控机器人的城市排水管道的评估方法及系统 |
-
2023
- 2023-08-07 CN CN202310989710.0A patent/CN116880320A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117252485A (zh) * | 2023-11-14 | 2023-12-19 | 北京埃睿迪硬科技有限公司 | 一种水务管网爆管关阀策略的确定方法及装置 |
| CN117291476A (zh) * | 2023-11-27 | 2023-12-26 | 南京如昼信息科技有限公司 | 基于遥控机器人的城市排水管道的评估方法及系统 |
| CN117291476B (zh) * | 2023-11-27 | 2024-02-13 | 南京如昼信息科技有限公司 | 基于遥控机器人的城市排水管道的评估方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108596229B (zh) | 在线异常的监测诊断方法和系统 | |
| CN116880320A (zh) | 一种热力管网调度监控方法及监控平台、装置、存储介质 | |
| US20200356087A1 (en) | Model predictive maintenance system with event or condition based performance | |
| US10282966B2 (en) | Systems and methods for systemic resource utilization analysis and management | |
| CN107430715A (zh) | 建筑物自动化中的级联识别 | |
| CN109861825B (zh) | Cps系统中基于加权规则与一致度的内部攻击检测方法 | |
| Horrigan et al. | A statistically-based fault detection approach for environmental and energy management in buildings | |
| Lore et al. | Detecting data integrity attacks on correlated solar farms using multi-layer data driven algorithm | |
| CN113177730A (zh) | 一种水资源溯源管理系统 | |
| CN115562225A (zh) | 工业机器人运维管理方法、装置、计算机设备和存储介质 | |
| CN117494032B (zh) | 建筑能耗实时监测控制系统及方法 | |
| CN117196159A (zh) | 基于互联网大数据分析的智慧水务分区计量系统 | |
| Zhu et al. | Long Short Term Memory Networks Based Anomaly Detection for KPIs. | |
| Mieth et al. | Learning-enabled residential demand response: Automation and security of cyberphysical demand response systems | |
| Sareen et al. | A robust De-Noising Autoencoder imputation and VMD algorithm based deep learning technique for short-term wind speed prediction ensuring cyber resilience | |
| CN117763555A (zh) | 一种基于区块链的配电网数据安全防护和评估方法 | |
| Xia et al. | Confidence-aware collaborative detection mechanism for false data attacks in smart grids | |
| Pandhare et al. | Collaborative prognostics for machine fleets using a novel federated baseline learner | |
| CN114330741A (zh) | 一种基于联邦学习的制造业装备故障监测模型训练方法 | |
| Schenkelberg et al. | A simulation-based process model for analyzing impact of maintenance on profitability | |
| Andryukhin et al. | Industrial network anomaly behavior detection via exponential smoothing model | |
| Fadli et al. | Unveiling Hidden Energy Anomalies: Harnessing Deep Learning to Optimize Energy Management in Sports Facilities | |
| Valarmathi et al. | Introduction and Development of Cyber Physical Systems in Smart Grid with Blockchain Technology to Enhance Sustainability | |
| CN109764476A (zh) | 冷媒泄漏监控方法、监控系统及空调机组 | |
| Bonci et al. | Innovative Approach in cyber physical system for smart building efficiency monitoring |
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 |