CN116992399A - 一种基于电力数据分析的电力设备运维评估方法 - Google Patents
一种基于电力数据分析的电力设备运维评估方法 Download PDFInfo
- Publication number
- CN116992399A CN116992399A CN202311253416.XA CN202311253416A CN116992399A CN 116992399 A CN116992399 A CN 116992399A CN 202311253416 A CN202311253416 A CN 202311253416A CN 116992399 A CN116992399 A CN 116992399A
- Authority
- CN
- China
- Prior art keywords
- data
- power equipment
- equipment
- maintenance
- evaluation
- 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.)
- Granted
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000007405 data analysis Methods 0.000 title claims abstract description 24
- 238000013441 quality evaluation Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims abstract description 10
- 238000003860 storage Methods 0.000 claims abstract description 9
- 230000000007 visual effect Effects 0.000 claims abstract description 9
- 230000004927 fusion Effects 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 77
- 238000004364 calculation method Methods 0.000 claims description 73
- 239000013598 vector Substances 0.000 claims description 45
- 238000004422 calculation algorithm Methods 0.000 claims description 44
- 230000006870 function Effects 0.000 claims description 22
- 238000013210 evaluation model Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 230000005540 biological transmission Effects 0.000 claims description 16
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 15
- 238000005065 mining Methods 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000003745 diagnosis Methods 0.000 claims description 12
- 230000008439 repair process Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000012952 Resampling Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 8
- 230000002265 prevention Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000000670 limiting effect Effects 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 230000036962 time dependent Effects 0.000 claims description 6
- 230000001550 time effect Effects 0.000 claims description 6
- 230000006854 communication Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 5
- 238000013499 data model Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000007175 bidirectional communication Effects 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 239000003990 capacitor Substances 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000009423 ventilation Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 2
- 238000010616 electrical installation Methods 0.000 claims 1
- 238000012800 visualization Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000001303 quality assessment method Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000012098 association analyses Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/26—Discovering frequent patterns
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
- H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/56—Provisioning of proxy services
- H04L67/566—Grouping or aggregating service requests, e.g. for unified processing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/16—Implementation or adaptation of Internet protocol [IP], of transmission control protocol [TCP] or of user datagram protocol [UDP]
- H04L69/161—Implementation details of TCP/IP or UDP/IP stack architecture; Specification of modified or new header fields
- H04L69/162—Implementation details of TCP/IP or UDP/IP stack architecture; Specification of modified or new header fields involving adaptations of sockets based mechanisms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- Computer Security & Cryptography (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
Abstract
本发明公开了一种基于电力数据分析的电力设备运维评估方法,涉及运维评估领域,首先采集电力设备运行数据,然后对电力设备运行数据进行预处理和质量评价,然后实时多维度电力设备运维评估和预见性电力设备运维评估,并据实时多维度电力设备运维评估结果和预见性电力设备运维评估结果分级制定预警维护策略,然后对电力设备运维评估结果可视化融合展示;本发明能够监测电力设备的运行状态、异常情况和潜在风险,对采集数据进行质量评价和云平台储存,预测故障发生的可能性,制定精准的运维策略,降低设备维修成本,提高电力设备的整体运行效率和可靠性,自动化、智能化程度高。
Description
技术领域
本发明涉及运维评估领域,且更具体地涉及一种基于电力数据分析的电力设备运维评估方法。
背景技术
随着电力系统的不断发展和电力设备的日益普及,电力设备的运维工作越来越重要。传统的电力设备运维评估方法主要基于人工经验和检查,通常需要花费大量的时间和人力成本,而且存在主观偏差和易于被误判的问题。因此,需要一种基于电力数据分析的电力设备运维评估方法,以提高运维效率和准确性。
但是传统的人工运维方法具有成本高、效率低和容易出错的缺点,不能满足现代电力设备大数据时代的需求,而且,现有的评估方法,电力数据在采集过程中,由于传感器的质量和连接稳定性存在着误差、缺失、重复问题,导致了数据质量和可靠性的不足,并且随着时间的推移,传感器采集的数据容量会逐渐增加,难以存储和处理大量数据。
因此,本发明公开了一种基于电力数据分析的电力设备运维评估方法,能够监测电力设备的运行状态、异常情况和潜在风险,对采集数据进行质量评价和云平台储存,预测故障发生的可能性,制定精准的运维策略,降低设备维修成本,提高电力设备的整体运行效率和可靠性。
发明内容
针对现有技术的不足,本发明公开了一种基于电力数据分析的电力设备运维评估方法,能够监测电力设备的运行状态、异常情况和潜在风险;采用实时无线加速网络将电力设备运行数据无线传输至云平台进行储存和下一步处理,以提高采集数据传输的实时性和储存的可靠性;采用质量特征全评价算法对预处理后数据进行质量评价,数据质量评价结果低于质量评价阈值,则进行数据重采样和预处理,提高数据的处理效率和准确性;通过多维深度全特征评估模型对电力设备运行数据实时进行设备状态、运行质量、故障诊断和能效评估,提高电力设备的运行效率和安全性;采用时序挖掘预测算法对设备潜在故障进行预测,提高设备维护效率和准确性;自动化、智能化程度高。
本发明采用以下技术方案:
一种基于电力数据分析的电力设备运维评估方法,包括以下步骤:
步骤一、采集电力设备运行数据,通过电流传感器、电压传感器、温度传感器、湿度传感器和振动传感器感知电力设备运行数据,并采用实时无线加速网络将电力设备运行数据无线传输至云平台进行储存和下一步处理;
步骤二、对电力设备运行数据进行预处理和质量评价,通过数据预处理工具Trifacta对电力设备运行数据进行清洗和转换,并采用质量特征全评价算法对预处理后数据进行质量评价,数据质量评价结果低于质量评价阈值,则进行数据重采样和预处理;
步骤三、实时多维度电力设备运维评估,通过多维深度全特征评估模型对电力设备运行数据实时进行设备状态、运行质量、故障诊断和能效评估;
步骤四、预见性电力设备运维评估,采用时序挖掘预测算法对设备潜在故障进行预测,提高设备维护效率和准确性;
步骤五、运维预警,根据实时多维度电力设备运维评估结果和预见性电力设备运维评估结果分级制定预警维护策略,以延长设备使用寿命;
步骤六、对电力设备运维评估结果可视化融合展示,通过可视化平台Grafana展示设备的运行状态、异常情况和变化趋势。
作为本发明进一步的技术方案,所述实时无线加速网络通过MQTT轻量级底层协议、UDP传输层协议、HTTP/2安全传输协议和WebSocket双向通信协议监听采集电力设备运行数据信号,并通过服务器负载均衡逻辑和消息队列服务将数据分布式部署至传输节点,实现端对端的传输,以减少数据通讯、统计、处理和调控的时间延迟。
作为本发明进一步的技术方案,所述质量特征全评价算法通过准确性、完整性、一致性和时效性数据质量属性对采集电力设备运行数据质量进行评价,采集电力设备运行数据集为,n为采集电力设备运行数据个数,/>n,采集电力设备运行数据的准确性、完整性、一致性和时效性属性特征数据集排列为/>,/>表示准确性属性特征,/>表示完整度属性特征,/>表示一致性属性特征,/>表示时效性属性特征,/>为第i个采集电力设备运行数据的准确性属性特征,/>为第i个采集电力设备运行数据的完整性属性特征,/>为第i个采集电力设备运行数据的一致性属性特征,/>为第i个采集电力设备运行数据的时效性属性特征,采集电力设备运行数据的准确性、完整性、一致性和时效性属性特征的评价输出函数公式为:
(1)
在公式(1)中,为采集电力设备运行数据的准确性属性评估结果,/>为采集电力设备运行数据的完整性属性评估结果,/>为采集电力设备运行数据的一致性属性评估结果,/>为采集电力设备运行数据的时效性属性评估结果,/>为采集电力设备运行数据的准确性属性特征数据集,/>为采集电力设备运行数据的完整性属性特征数据集,/>为采集电力设备运行数据的一致性属性特征数据集,/>为采集电力设备运行数据的时效性属性特征数据集,/>为采集电力设备运行数据的准确性属性特征数据集最大值,/>为采集电力设备运行数据的准确性属性特征数据集最小值,/>为采集电力设备运行数据的完整性属性特征最大值,/>为采集电力设备运行数据的完整性属性特征最小值,/>为采集电力设备运行数据的一致性属性特征最大值,/>为采集电力设备运行数据的一致性属性特征最小值,/>为采集电力设备运行数据的时效性属性特征最大值,/>)为采集电力设备运行数据的时效性属性特征最小值,综合采集电力设备运行数据的准确性、完整性、一致性和时效性评价的输出函数公式为:
(2)
在公式(2)中,为采集电力设备运行数据的准确性、完整性、一致性和时效性综合评价值,/>为评价辅助值,/>1,/>)为云感知数据准确性综合加权函数。
作为本发明进一步的技术方案,所述多维深度全特征评估模型包括输入层、数据层、自适应权重层、模型层、算法层、优化层和输出层,所述多维深度全特征评估模型的工作包括以下步骤:
步骤1、数据输入并提取特征,将实时采集电力设备运行数据进行格式转换,并通过输入层输入至多维深度全特征评估模型,并提取电压、电流、湿度、温度和振动数据特征,形成原始多维特征向量;
步骤2、确定计算目标和参数,通过数据层从输入数据中获取计算参数和限制条件,计算参数和限制条件包括计算规模、目标函数、约束条件和变量范围,以保证求最优解过程的合理性和有效性,所述计算目标包括设备状态、运行质量、故障诊断和能效;
步骤3、处理原始多维特征向量,通过深度卷积神经网络和循环神经网络对特征向量进行处理,以提取全局特征和局部特征,并通过自适应权重层建立主次维度的权重关系,增强特征转换的分类能力和泛化性能,所述自适应权重层根据计算目标自适应地调整多维特征向量权重;
步骤4、多维特征向量融合,根据主次维度的权重关系将多维特征向量进行融合,形成全特征向量;
步骤5、建立多维度评估数学模型,所述模型层根据计算规模、目标函数、约束条件和变量范围建立多维度评估数学模型,并通过历史数据对模型进行训练和优化,提高模型的准确率和鲁棒性;
步骤6、多维度电力设备运维评估计算,所述算法层采用多维深度全特征评估算法进行电力设备运维评估的迭代计算和参数修正,并通过维护计算节点的邻居列表优化多维深度全特征评估算法的计算速度,减少计算流程中的冗余;
步骤7、对求解过程进行精细控制和优化,通过优化层合并或拆分计量单位,提高计算的准确性,并通过自适应参数选择方式设置阈值和迭代次数,所述优化层采用并行计算方式将计算任务分配给多个处理器或计算节点,以提高计算速度;
步骤8、结果输出,通过输出层对计算结果进行输出。
作为本发明进一步的技术方案,所述自适应权重层根据计算目标自适应地调整多维特征向量权重,所述自适应权重层的工作包括以下步骤:
(1)输入全局特征向量、局部特征向量和计算目标;
(2)设定特征量的关联优先级,通过扫描全局特征向量、局部特征向量和计算目标计算每个特征量与计算目标的关联度和支持度,并基于特征量与计算目标的关联度和支持度进行特征向量与计算目标的关联优先级排序;
(3)对特征量进行权重关联匹配,按照设定的特征量关联优先级依次进行权重匹配;
(4)调整和优化匹配点,通过不断迭代将正确的关联优先级作为新的参考点,重新进行权重匹配和关联操作,以找到新的正确权重匹配值;
(5)输出权重匹配结果。
作为本发明进一步的技术方案,所述时序挖掘预测算法根据历史采集电力设备运行数据对设备潜在故障进行预测,历史采集电力设备运行数据集为,/>为t时刻电力设备运行数据,/>,t为采集数据的时刻,根据历史采集电力设备运行数据的变化规律预测下一时刻电力设备运行数据,下一时刻电力设备运行数据输出函数公式为:
(3)
在公式(3)中,为t+1时刻电力设备运行数据预测加权系数,ξ为辅助加权参数,0</>为t-1时刻电力设备运行数据,/>为电力设备运行数据精准预测权重函数。
作为本发明进一步的技术方案,所述预警维护策略分为常规级、预防级、修复级和更新级,所述预警维护策略内容包括:
1)常规级,用于在设备运行期间,修复设备性能不良因素,常规级预警维护策略包括检查连接器及插头、检查散热器、风扇和设备外部环境,确保连接正常、散热系统正常运转和设备通风良好;
2)预防级,用于及时调整设备潜在的故障,预防级预警维护策略包括更换电力设备故障电容器和电动机和定期清洁,以确保设备运行的可靠性和可用性;
3)修复级,用于设备故障时,采取及时修复措施,修复级预警维护策略包括更换烧坏的电路元件和断开的电缆;
4)更新级,用于提高电力设备的运行性能,更新级预警维护策略包括更新部件和软件系统这些升级措施,以提高设备的运行效率。
作为本发明进一步的技术方案,所述可视化平台Grafana基于关联性数据模型获取海量数据源关联数据,以实现多维度数据关联分析,并采用交互式图表、热点图、地图和仪表板实现数据的趋势、关系及变化规律的实时显示,所述可视化平台Grafana采用Token用户身份验证机制验证访问用户的身份,以提高信息访问的安全性。
积极有益效果:
本发明公开了一种基于电力数据分析的电力设备运维评估方法,能够监测电力设备的运行状态、异常情况和潜在风险;采用实时无线加速网络将电力设备运行数据无线传输至云平台进行储存和下一步处理,以提高采集数据传输的实时性和储存的可靠性;采用质量特征全评价算法对预处理后数据进行质量评价,数据质量评价结果低于质量评价阈值,则进行数据重采样和预处理,提高数据的处理效率和准确性;通过多维深度全特征评估模型对电力设备运行数据实时进行设备状态、运行质量、故障诊断和能效评估,提高电力设备的运行效率和安全性;采用时序挖掘预测算法对设备潜在故障进行预测,提高设备维护效率和准确性;自动化、智能化程度高。
附图说明
图1为本发明一种基于电力数据分析的电力设备运维评估方法的整体流程示意图;
图2为本发明一种基于电力数据分析的电力设备运维评估方法中采集数据信号预处理示意图;
图3为本发明一种基于电力数据分析的电力设备运维评估方法中多维深度全特征评估模型的架构;
图4为本发明一种基于电力数据分析的电力设备运维评估方法中采集数据的电路示意图。
实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种基于电力数据分析的电力设备运维评估方法,包括以下步骤:
步骤一、采集电力设备运行数据,通过电流传感器、电压传感器、温度传感器、湿度传感器和振动传感器感知电力设备运行数据,并采用实时无线加速网络将电力设备运行数据无线传输至云平台进行储存和下一步处理;
步骤二、对电力设备运行数据进行预处理和质量评价,通过数据预处理工具Trifacta对电力设备运行数据进行清洗和转换,并采用质量特征全评价算法对预处理后数据进行质量评价,数据质量评价结果低于质量评价阈值,则进行数据重采样和预处理;
步骤三、实时多维度电力设备运维评估,通过多维深度全特征评估模型对电力设备运行数据实时进行设备状态、运行质量、故障诊断和能效评估;
步骤四、预见性电力设备运维评估,采用时序挖掘预测算法对设备潜在故障进行预测,提高设备维护效率和准确性;
步骤五、运维预警,根据实时多维度电力设备运维评估结果和预见性电力设备运维评估结果分级制定预警维护策略,以延长设备使用寿命;
步骤六、对电力设备运维评估结果可视化融合展示,通过可视化平台Grafana展示设备的运行状态、异常情况和变化趋势。
在具体实施例中,通过以上步骤,可以对电力设备进行运维评估和监测,及时发现和解决运行问题,保证电力设备的正常运行和安全使用;同时,也能够实现电力设备维护和保养的智能化管理,降低维护成本,提高设备的运行效率和可靠性,为电力企业及工厂的生产经营提供更全面、更可靠的保障。
在上述实施例中,所述实时无线加速网络通过MQTT轻量级底层协议、UDP传输层协议、HTTP/2安全传输协议和WebSocket双向通信协议监听采集电力设备运行数据信号,并通过服务器负载均衡逻辑和消息队列服务将数据分布式部署至传输节点,实现端对端的传输,以减少数据通讯、统计、处理和调控的时间延迟。
在具体实施例中,该方法在数据传输方面采用了多种协议,以实现实时无线加速网络。MQTT轻量级底层协议:该协议适用于低带宽、不稳定网络环境下的消息传输,可以实现设备之间的消息通讯、数据采集和发布/订阅模式。UDP传输层协议:通过UDP可以实现无需建立连接的快速数据传输,减少数据包重传等时间消耗,有效降低数据传输的时延。HTTP/2安全传输协议:该协议可以实现数据传输的加密和压缩,提高数据传输的安全性和效率。 WebSocket双向通信协议:通过WebSocket可以实现服务器与客户端之间的双向通信,可以在单个TCP连接上实现真正的实时交互,减少了网络连接的建立和关闭的时间消耗,提高了数据传输效率。采用实时无线加速网络比采用普通网络数据传输的延迟如表1所示。
表1 时间延迟对比统计表
抽取六组采集工作过程,分别进行添加实时多源加速网络和添加普通网络,每组实验六次取用时的平均值统计至表1,如表1所示添加实时无线加速网络将电力设备运行数据无线传输至云平台延迟短,证明实时多源加速网络的有效性。
在上述实施例中,所述质量特征全评价算法通过准确性、完整性、一致性和时效性数据质量属性对采集电力设备运行数据质量进行评价,采集电力设备运行数据集为,n为采集电力设备运行数据个数,/>n,采集电力设备运行数据的准确性、完整性、一致性和时效性属性特征数据集排列为/>,/>表示准确性属性特征,/>表示完整度属性特征,/>表示一致性属性特征,/>表示时效性属性特征,/>为第i个采集电力设备运行数据的准确性属性特征,/>为第i个采集电力设备运行数据的完整性属性特征,/>为第i个采集电力设备运行数据的一致性属性特征,/>为第i个采集电力设备运行数据的时效性属性特征,采集电力设备运行数据的准确性、完整性、一致性和时效性属性特征的评价输出函数公式为:
(1)
在公式(1)中,为采集电力设备运行数据的准确性属性评估结果,/>为采集电力设备运行数据的完整性属性评估结果,/>为采集电力设备运行数据的一致性属性评估结果,/>为采集电力设备运行数据的时效性属性评估结果,/>为采集电力设备运行数据的准确性属性特征数据集,/>为采集电力设备运行数据的完整性属性特征数据集,/>为采集电力设备运行数据的一致性属性特征数据集,/>为采集电力设备运行数据的时效性属性特征数据集,/>为采集电力设备运行数据的准确性属性特征数据集最大值,/>为采集电力设备运行数据的准确性属性特征数据集最小值,/>为采集电力设备运行数据的完整性属性特征最大值,/>为采集电力设备运行数据的完整性属性特征最小值,/>为采集电力设备运行数据的一致性属性特征最大值,/>为采集电力设备运行数据的一致性属性特征最小值,/>为采集电力设备运行数据的时效性属性特征最大值,/>)为采集电力设备运行数据的时效性属性特征最小值,综合采集电力设备运行数据的准确性、完整性、一致性和时效性评价的输出函数公式为:
(2)
在公式(2)中,为采集电力设备运行数据的准确性、完整性、一致性和时效性综合评价值,/>为评价辅助值,/>1,/>)为云感知数据准确性综合加权函数。
在具体实施例中,采用质量特征全评价算法对预处理后数据进行质量评价的目的是判断数据是否可靠,能否作为后续的分析和评估数据。该算法是基于数据质量特征的全面分析,通过计算数据的多个方面指标,来评判数据的质量,包括数据的稳定性、一致性、精度等。
如果数据质量评价结果低于质量评价阈值,说明数据存在较多的噪声、异常值或者数据采集过程中存在其他的问题,对后续的分析和评估会造成一些误差和不确定性。此时,需要进行数据重采样和预处理。
数据重采样通常是采用滤波算法对数据进行平滑处理,去除掉噪声和异常值,以提高数据的准确性和可靠性。预处理方法包括去重、归一化、特征提取等多种方式,以减少数据的冗余信息和噪声,提高数据的处理效率和准确性。
通过质量特征全评价算法对数据进行质量评价、重采样和预处理,可以提高数据分析和运维评估的准确性和有效性,采用公式(1)和(2)的计算结果判断采集数据的质量与人工判定结果对比统计入表2所示;
由表2可知,采用公式(1)和(2)的计算结果判断采集数据的质量与人工判定结果基本相同,当计算结果近似接近阈值时可能会导致判断失误,证明质量特征全评价算法的可用性。
在上述实施例中,所述多维深度全特征评估模型包括输入层、数据层、自适应权重层、模型层、算法层、优化层和输出层,所述多维深度全特征评估模型的工作包括以下步骤:
步骤1、数据输入并提取特征,将实时采集电力设备运行数据进行格式转换,并通过输入层输入至多维深度全特征评估模型,并提取电压、电流、湿度、温度和振动数据特征,形成原始多维特征向量;
步骤2、确定计算目标和参数,通过数据层从输入数据中获取计算参数和限制条件,计算参数和限制条件包括计算规模、目标函数、约束条件和变量范围,以保证求最优解过程的合理性和有效性,所述计算目标包括设备状态、运行质量、故障诊断和能效;
步骤3、处理原始多维特征向量,通过深度卷积神经网络和循环神经网络对特征向量进行处理,以提取全局特征和局部特征,并通过自适应权重层建立主次维度的权重关系,增强特征转换的分类能力和泛化性能,所述自适应权重层根据计算目标自适应地调整多维特征向量权重;
步骤4、多维特征向量融合,根据主次维度的权重关系将多维特征向量进行融合,形成全特征向量;
步骤5、建立多维度评估数学模型,所述模型层根据计算规模、目标函数、约束条件和变量范围建立多维度评估数学模型,并通过历史数据对模型进行训练和优化,提高模型的准确率和鲁棒性;
步骤6、多维度电力设备运维评估计算,所述算法层采用多维深度全特征评估算法进行电力设备运维评估的迭代计算和参数修正,并通过维护计算节点的邻居列表优化多维深度全特征评估算法的计算速度,减少计算流程中的冗余;
步骤7、对求解过程进行精细控制和优化,通过优化层合并或拆分计量单位,提高计算的准确性,并通过自适应参数选择方式设置阈值和迭代次数,所述优化层采用并行计算方式将计算任务分配给多个处理器或计算节点,以提高计算速度;
步骤8、结果输出,通过输出层对计算结果进行输出。
在具体实施例中,通过多维深度全特征评估模型,可以对电力设备运行数据实时进行设备状态、运行质量、故障诊断和能效评估。该模型基于深度学习和特征工程技术,通过对数据进行多维度的特征挖掘和分析,提取出各种设备状态、性能特征和质量指标,并基于这些特征,进行精细化的设备运行状态、质量和能效评估。多维深度全特征评估模型可以应用于电力设备的各种分析场景。
设备状态评估通过分析设备采集的数据,识别设备的状态,例如正常状态、工作状态、待机状态、故障状态等。运行质量评估评估设备运行状态的质量,例如设备的运行稳定性、运行周期、能耗等参数。故障诊断评估通过对设备采集的数据进行分析,及时发现设备故障、异常和警报事件,帮助运维人员快速定位和解决问题。能效评估评估设备在不同运行工况下的能效表现,包括峰值效率、拐点效率、全负荷效率等参数。
通过多维深度全特征评估模型进行实时设备状态、运行质量、故障诊断和能效评估,可以帮助运维人员及时发现低效、低质或故障状态,及时采取措施,提高电力设备的运行效率和安全性,并为设备的运维管理、优化调整提供有力的数据支持。通过多维深度全特征评估模型对电力设备运行数据实时进行设备状态、运行质量、故障诊断和能效评估的效果如表3所示。
表3效果对比统计表
在上述实施例中,所述自适应权重层根据计算目标自适应地调整多维特征向量权重,所述自适应权重层的工作包括以下步骤:
(1)输入全局特征向量、局部特征向量和计算目标;
(2)设定特征量的关联优先级,通过扫描全局特征向量、局部特征向量和计算目标计算每个特征量与计算目标的关联度和支持度,并基于特征量与计算目标的关联度和支持度进行特征向量与计算目标的关联优先级排序;
(3)对特征量进行权重关联匹配,按照设定的特征量关联优先级依次进行权重匹配;
(4)调整和优化匹配点,通过不断迭代将正确的关联优先级作为新的参考点,重新进行权重匹配和关联操作,以找到新的正确权重匹配值;
(5)输出权重匹配结果。
在具体实施例中,所述自适应权重层指的是一个神经网络中的一层,能够根据计算目标自适应地调整多维特征向量权重,以实现更准确的目标预测和优化。该自适应权重层通常采用特定的优化算法,能够对多维特征向量分别赋予不同的权重,从而凸显出不同的特征对于目标预测的影响程度,达到更准确的预测效果。自适应权重层的权重系数通常与目标预测的误差紧密相关,通过对误差的反向传播,不断更新权重系数,以最小化目标预测误差。
在多维特征向量评估模型中,自适应权重层可用于根据评估目标对特征向量进行自适应调整,以实现精细化的目标预测和分析。例如,对于电力设备运行状态评估,自适应权重层可以自适应地调整各个特征向量的权重系数,以达到更准确的设备运行状态评估结果。通过自适应地调整权重系数,多维特征向量评估模型能够更好地适应不同的应用场景和评估目标,提高模型的准确性和鲁棒性。
在上述实施例中,所述时序挖掘预测算法根据历史采集电力设备运行数据对设备潜在故障进行预测,历史采集电力设备运行数据集为,/>为t时刻电力设备运行数据,/>,t为采集数据的时刻,根据历史采集电力设备运行数据的变化规律预测下一时刻电力设备运行数据,下一时刻电力设备运行数据输出函数公式为:
(3)
在公式(3)中,为t+1时刻电力设备运行数据预测加权系数,ξ为辅助加权参数,0</>为t-1时刻电力设备运行数据,/>为电力设备运行数据精准预测权重函数。
在具体实施例中,采用时序挖掘预测算法对设备潜在故障进行预测,能够提高设备维护效率和准确性。所述时序挖掘预测算法是一类经典的时间序列分析算法,常用于数据挖掘、预测和建模等领域。该算法根据历史采集电力设备运行数据,对设备潜在故障进行预测。
时序挖掘预测算法的核心思想是利用历史信息来预测未来。在电力设备的应用场景中,时序挖掘预测算法可根据历史采集的设备运行数据,构建成相应的时序模型,然后利用这些模型对设备未来的运行情况进行预测和分析,以识别设备的潜在故障或异常状态。公式(3)计算的下一时刻电力设备运行数据预测结果与实际结果对比统计入表4所示;
表4结果对比统计表
由表4可知,公式(3)计算的下一时刻电力设备运行数据预测结果与实际结果基本相同,证明时序挖掘预测算法的可用性。
在上述实施例中,所述预警维护策略分为常规级、预防级、修复级和更新级,所述预警维护策略内容包括:
1)常规级,用于在设备运行期间,修复设备性能不良因素,常规级预警维护策略包括检查连接器及插头、检查散热器、风扇和设备外部环境,确保连接正常、散热系统正常运转和设备通风良好;
2)预防级,用于及时调整设备潜在的故障,预防级预警维护策略包括更换电力设备故障电容器和电动机和定期清洁,以确保设备运行的可靠性和可用性;
3)修复级,用于设备故障时,采取及时修复措施,修复级预警维护策略包括更换烧坏的电路元件和断开的电缆;
4)更新级,用于提高电力设备的运行性能,更新级预警维护策略包括更新部件和软件系统这些升级措施,以提高设备的运行效率。
在上述实施例中,所述可视化平台Grafana基于关联性数据模型获取海量数据源关联数据,以实现多维度数据关联分析,并采用交互式图表、热点图、地图和仪表板实现数据的趋势、关系及变化规律的实时显示,所述可视化平台Grafana采用Token用户身份验证机制验证访问用户的身份,以提高信息访问的安全性。
在具体实施例中,所述可视化平台Grafana能够基于关联性数据模型获取海量数据源关联数据,并通过交互式图表、热点图、地图和仪表板等方式,实现多维度数据关联分析和实时显示。Grafana通过支持多种数据源连接方式,包括各种类型的关系型数据库、NoSQL数据库、文件系统和云服务等,提供了对海量数据的访问和集成能力,从而实现了较为全面的数据展示和分析。
Grafana采用关联性数据模型,能够对不同数据源、不同类型的数据进行关联分析和可视化展示。它通过内置的数据分析引擎和大量的可视化组件,实现了对各种数据类型和场景的全面支持,包括指标分析、报表制作、数据挖掘和机器学习等。Grafana还支持实时数据处理和数据流分析,能够在几乎不延迟的情况下,对数据进行实时分析和实时呈现。
在信息访问的安全性方面,Grafana采用Token用户身份验证机制,为每个访问用户生成唯一的安全令牌,并通过该令牌验证用户身份。该机制能够保证信息访问的安全性和可追踪性,防止未经授权的用户访问和数据泄露,同时支持不同级别的权限控制和管理,以保证信息的机密性和完整性。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些具体实施方式仅是举例说明,本领域的技术人员在不脱离本发明的原理和实质的情况下,可以对上述方法和系统的细节进行各种省略、替换和改变。例如,合并上述方法步骤,从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此,本发明的范围仅由所附权利要求书限定。
Claims (8)
1.一种基于电力数据分析的电力设备运维评估方法,其特征在于:包括以下步骤:
步骤一、采集电力设备运行数据,通过电流传感器、电压传感器、温度传感器、湿度传感器和振动传感器感知电力设备运行数据,并采用实时无线加速网络将电力设备运行数据无线传输至云平台进行储存和下一步处理;
步骤二、对电力设备运行数据进行预处理和质量评价,通过数据预处理工具Trifacta对电力设备运行数据进行清洗和转换,并采用质量特征全评价算法对预处理后数据进行质量评价,数据质量评价结果低于质量评价阈值,则进行数据重采样和预处理;
步骤三、实时多维度电力设备运维评估,通过多维深度全特征评估模型对电力设备运行数据实时进行设备状态、运行质量、故障诊断和能效评估;
步骤四、预见性电力设备运维评估,采用时序挖掘预测算法对设备潜在故障进行预测,提高设备维护效率和准确性;
步骤五、运维预警,根据实时多维度电力设备运维评估结果和预见性电力设备运维评估结果分级制定预警维护策略,以延长设备使用寿命;
步骤六、对电力设备运维评估结果可视化融合展示,通过可视化平台Grafana展示设备的运行状态、异常情况和变化趋势。
2.根据权利要求1所述的一种基于电力数据分析的电力设备运维评估方法,其特征在于:所述实时无线加速网络通过MQTT轻量级底层协议、UDP传输层协议、HTTP/2安全传输协议和WebSocket双向通信协议监听采集电力设备运行数据信号,并通过服务器负载均衡逻辑和消息队列服务将数据分布式部署至传输节点,实现端对端的传输,以减少数据通讯、统计、处理和调控的时间延迟。
3.根据权利要求1所述的一种基于电力数据分析的电力设备运维评估方法,其特征在于:所述质量特征全评价算法通过准确性、完整性、一致性和时效性数据质量属性对采集电力设备运行数据质量进行评价,采集电力设备运行数据集为,n为采集电力设备运行数据个数,/>n,采集电力设备运行数据的准确性、完整性、一致性和时效性属性特征数据集排列为/>,/>表示准确性属性特征,/>表示完整度属性特征,/>表示一致性属性特征,/>表示时效性属性特征,/>为第i个采集电力设备运行数据的准确性属性特征,/>为第i个采集电力设备运行数据的完整性属性特征,/>为第i个采集电力设备运行数据的一致性属性特征,/>为第i个采集电力设备运行数据的时效性属性特征,采集电力设备运行数据的准确性、完整性、一致性和时效性属性特征的评价输出函数公式为:
(1)
在公式(1)中,为采集电力设备运行数据的准确性属性评估结果,/>为采集电力设备运行数据的完整性属性评估结果,/>为采集电力设备运行数据的一致性属性评估结果,/>为采集电力设备运行数据的时效性属性评估结果,/>为采集电力设备运行数据的准确性属性特征数据集,,/>为采集电力设备运行数据的完整性属性特征数据集,/>为采集电力设备运行数据的一致性属性特征数据集,/>为采集电力设备运行数据的时效性属性特征数据集,/>为采集电力设备运行数据的准确性属性特征数据集最大值,/>为采集电力设备运行数据的准确性属性特征数据集最小值,/>为采集电力设备运行数据的完整性属性特征最大值,/>为采集电力设备运行数据的完整性属性特征最小值,/>为采集电力设备运行数据的一致性属性特征最大值,/>为采集电力设备运行数据的一致性属性特征最小值,/>为采集电力设备运行数据的时效性属性特征最大值,/>)为采集电力设备运行数据的时效性属性特征最小值,综合采集电力设备运行数据的准确性、完整性、一致性和时效性评价的输出函数公式为:
(2)
在公式(2)中,为采集电力设备运行数据的准确性、完整性、一致性和时效性综合评价值,/>为评价辅助值,/>1,/>)为云感知数据准确性综合加权函数。
4.根据权利要求1所述的一种基于电力数据分析的电力设备运维评估方法,其特征在于:所述多维深度全特征评估模型包括输入层、数据层、自适应权重层、模型层、算法层、优化层和输出层,所述多维深度全特征评估模型的工作包括以下步骤:
步骤1、数据输入并提取特征,将实时采集电力设备运行数据进行格式转换,并通过输入层输入至多维深度全特征评估模型,并提取电压、电流、湿度、温度和振动数据特征,形成原始多维特征向量;
步骤2、确定计算目标和参数,通过数据层从输入数据中获取计算参数和限制条件,计算参数和限制条件包括计算规模、目标函数、约束条件和变量范围,以保证求最优解过程的合理性和有效性,所述计算目标包括设备状态、运行质量、故障诊断和能效;
步骤3、处理原始多维特征向量,通过深度卷积神经网络和循环神经网络对特征向量进行处理,以提取全局特征和局部特征,并通过自适应权重层建立主次维度的权重关系,增强特征转换的分类能力和泛化性能,所述自适应权重层根据计算目标自适应地调整多维特征向量权重;
步骤4、多维特征向量融合,根据主次维度的权重关系将多维特征向量进行融合,形成全特征向量;
步骤5、建立多维度评估数学模型,所述模型层根据计算规模、目标函数、约束条件和变量范围建立多维度评估数学模型,并通过历史数据对模型进行训练和优化,提高模型的准确率和鲁棒性;
步骤6、多维度电力设备运维评估计算,所述算法层采用多维深度全特征评估算法进行电力设备运维评估的迭代计算和参数修正,并通过维护计算节点的邻居列表优化多维深度全特征评估算法的计算速度,减少计算流程中的冗余;
步骤7、对求解过程进行精细控制和优化,通过优化层合并或拆分计量单位,提高计算的准确性,并通过自适应参数选择方式设置阈值和迭代次数,所述优化层采用并行计算方式将计算任务分配给多个处理器或计算节点,以提高计算速度;
步骤8、结果输出,通过输出层对计算结果进行输出。
5.根据权利要求4所述的一种基于电力数据分析的电力设备运维评估方法,其特征在于:所述自适应权重层根据计算目标自适应地调整多维特征向量权重,所述自适应权重层的工作包括以下步骤:
(1)输入全局特征向量、局部特征向量和计算目标;
(2)设定特征量的关联优先级,通过扫描全局特征向量、局部特征向量和计算目标计算每个特征量与计算目标的关联度和支持度,并基于特征量与计算目标的关联度和支持度进行特征向量与计算目标的关联优先级排序;
(3)对特征量进行权重关联匹配,按照设定的特征量关联优先级依次进行权重匹配;
(4)调整和优化匹配点,通过不断迭代将正确的关联优先级作为新的参考点,重新进行权重匹配和关联操作,以找到新的正确权重匹配值;
(5)输出权重匹配结果。
6.根据权利要求1所述的一种基于电力数据分析的电力设备运维评估方法,其特征在于:所述时序挖掘预测算法根据历史采集电力设备运行数据对设备潜在故障进行预测,历史采集电力设备运行数据集为,/>为t时刻电力设备运行数据,/>,t为采集数据的时刻,根据历史采集电力设备运行数据的变化规律预测下一时刻电力设备运行数据,下一时刻电力设备运行数据输出函数公式为:
(3)
在公式(3)中,为t+1时刻电力设备运行数据预测加权系数,ξ为辅助加权参数,0</>为t-1时刻电力设备运行数据,/>为电力设备运行数据精准预测权重函数。
7.根据权利要求1所述的一种基于电力数据分析的电力设备运维评估方法,其特征在于:所述预警维护策略分为常规级、预防级、修复级和更新级,所述预警维护策略内容包括:
1)常规级,用于在设备运行期间,修复设备性能不良因素,常规级预警维护策略包括检查连接器及插头、检查散热器、风扇和设备外部环境,确保连接正常、散热系统正常运转和设备通风良好;
2)预防级,用于及时调整设备潜在的故障,预防级预警维护策略包括更换电力设备故障电容器和电动机和定期清洁,以确保设备运行的可靠性和可用性;
3)修复级,用于设备故障时,采取及时修复措施,修复级预警维护策略包括更换烧坏的电路元件和断开的电缆;
4)更新级,用于提高电力设备的运行性能,更新级预警维护策略包括更新部件和软件系统这些升级措施,以提高设备的运行效率。
8.根据权利要求1所述的一种基于电力数据分析的电力设备运维评估方法,其特征在于:所述可视化平台Grafana基于关联性数据模型获取海量数据源关联数据,以实现多维度数据关联分析,并采用交互式图表、热点图、地图和仪表板实现数据的趋势、关系及变化规律的实时显示,所述可视化平台Grafana采用Token用户身份验证机制验证访问用户的身份,以提高信息访问的安全性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311253416.XA CN116992399B (zh) | 2023-09-27 | 2023-09-27 | 一种基于电力数据分析的电力设备运维评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311253416.XA CN116992399B (zh) | 2023-09-27 | 2023-09-27 | 一种基于电力数据分析的电力设备运维评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116992399A true CN116992399A (zh) | 2023-11-03 |
CN116992399B CN116992399B (zh) | 2024-02-27 |
Family
ID=88523533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311253416.XA Active CN116992399B (zh) | 2023-09-27 | 2023-09-27 | 一种基于电力数据分析的电力设备运维评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116992399B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117145753A (zh) * | 2023-10-31 | 2023-12-01 | 意朗智能科技(南通)有限公司 | 一种空压机的工作质量测试方法及装置 |
CN117540225A (zh) * | 2024-01-09 | 2024-02-09 | 成都电科星拓科技有限公司 | 一种基于DBSCAN聚类的分布式ups系统一致性评估系统及方法 |
CN117630758A (zh) * | 2024-01-24 | 2024-03-01 | 国能大渡河检修安装有限公司 | 发电站变压器健康状态监测方法及系统 |
CN117633636A (zh) * | 2024-01-25 | 2024-03-01 | 江苏省特种设备安全监督检验研究院 | 一种云端互联的特检数据处理系统及其处理设备 |
CN117933974A (zh) * | 2024-03-21 | 2024-04-26 | 深圳市朗石科学仪器有限公司 | 水质数据采集监测设备的远程维护方法及系统 |
CN117933974B (zh) * | 2024-03-21 | 2024-06-11 | 深圳市朗石科学仪器有限公司 | 水质数据采集监测设备的远程维护方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914791A (zh) * | 2014-03-17 | 2014-07-09 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种电力设备状态检修系统 |
CN105427047A (zh) * | 2015-11-27 | 2016-03-23 | 广州供电局有限公司 | 输变电设备多维运维数据融合方法和系统 |
CN106651188A (zh) * | 2016-12-27 | 2017-05-10 | 贵州电网有限责任公司贵阳供电局 | 一种输变电设备多源状态评估数据处理方法及其应用 |
CN108564254A (zh) * | 2018-03-15 | 2018-09-21 | 国网四川省电力公司绵阳供电公司 | 基于大数据的配电设备状态可视化平台 |
US20200285900A1 (en) * | 2019-03-06 | 2020-09-10 | Wuhan University | Power electronic circuit fault diagnosis method based on optimizing deep belief network |
US20210003640A1 (en) * | 2019-07-01 | 2021-01-07 | Wuhan University | Fault locating method and system based on multi-layer evaluation model |
CN112215457A (zh) * | 2020-08-28 | 2021-01-12 | 广州科腾信息技术有限公司 | 电力设备风险评估系统及排序方法 |
CN112767193A (zh) * | 2021-03-16 | 2021-05-07 | 广东电网有限责任公司广州供电局 | 一种基于态势感知的配网生产差异化运维策略方法 |
CN113112037A (zh) * | 2021-04-09 | 2021-07-13 | 宁夏力成电气集团有限公司 | 一种电力配电站远程运维健康管理系统及健康评估方法 |
CN114936725A (zh) * | 2021-10-19 | 2022-08-23 | 贵州电网有限责任公司 | 一种大电网风险评估与差异化运维系统 |
-
2023
- 2023-09-27 CN CN202311253416.XA patent/CN116992399B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914791A (zh) * | 2014-03-17 | 2014-07-09 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种电力设备状态检修系统 |
CN105427047A (zh) * | 2015-11-27 | 2016-03-23 | 广州供电局有限公司 | 输变电设备多维运维数据融合方法和系统 |
CN106651188A (zh) * | 2016-12-27 | 2017-05-10 | 贵州电网有限责任公司贵阳供电局 | 一种输变电设备多源状态评估数据处理方法及其应用 |
CN108564254A (zh) * | 2018-03-15 | 2018-09-21 | 国网四川省电力公司绵阳供电公司 | 基于大数据的配电设备状态可视化平台 |
US20200285900A1 (en) * | 2019-03-06 | 2020-09-10 | Wuhan University | Power electronic circuit fault diagnosis method based on optimizing deep belief network |
US20210003640A1 (en) * | 2019-07-01 | 2021-01-07 | Wuhan University | Fault locating method and system based on multi-layer evaluation model |
CN112215457A (zh) * | 2020-08-28 | 2021-01-12 | 广州科腾信息技术有限公司 | 电力设备风险评估系统及排序方法 |
CN112767193A (zh) * | 2021-03-16 | 2021-05-07 | 广东电网有限责任公司广州供电局 | 一种基于态势感知的配网生产差异化运维策略方法 |
CN113112037A (zh) * | 2021-04-09 | 2021-07-13 | 宁夏力成电气集团有限公司 | 一种电力配电站远程运维健康管理系统及健康评估方法 |
CN114936725A (zh) * | 2021-10-19 | 2022-08-23 | 贵州电网有限责任公司 | 一种大电网风险评估与差异化运维系统 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117145753A (zh) * | 2023-10-31 | 2023-12-01 | 意朗智能科技(南通)有限公司 | 一种空压机的工作质量测试方法及装置 |
CN117145753B (zh) * | 2023-10-31 | 2023-12-22 | 意朗智能科技(南通)有限公司 | 一种空压机的工作质量测试方法及装置 |
CN117540225A (zh) * | 2024-01-09 | 2024-02-09 | 成都电科星拓科技有限公司 | 一种基于DBSCAN聚类的分布式ups系统一致性评估系统及方法 |
CN117540225B (zh) * | 2024-01-09 | 2024-04-12 | 成都电科星拓科技有限公司 | 一种基于DBSCAN聚类的分布式ups系统一致性评估系统及方法 |
CN117630758A (zh) * | 2024-01-24 | 2024-03-01 | 国能大渡河检修安装有限公司 | 发电站变压器健康状态监测方法及系统 |
CN117630758B (zh) * | 2024-01-24 | 2024-05-03 | 国能大渡河检修安装有限公司 | 发电站变压器健康状态监测方法及系统 |
CN117633636A (zh) * | 2024-01-25 | 2024-03-01 | 江苏省特种设备安全监督检验研究院 | 一种云端互联的特检数据处理系统及其处理设备 |
CN117633636B (zh) * | 2024-01-25 | 2024-05-03 | 江苏省特种设备安全监督检验研究院 | 一种云端互联的特检数据处理系统及其处理设备 |
CN117933974A (zh) * | 2024-03-21 | 2024-04-26 | 深圳市朗石科学仪器有限公司 | 水质数据采集监测设备的远程维护方法及系统 |
CN117933974B (zh) * | 2024-03-21 | 2024-06-11 | 深圳市朗石科学仪器有限公司 | 水质数据采集监测设备的远程维护方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116992399B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116992399B (zh) | 一种基于电力数据分析的电力设备运维评估方法 | |
AU2019413432B2 (en) | Scalable system and engine for forecasting wind turbine failure | |
CN109146093A (zh) | 一种基于学习的电力设备现场勘查方法 | |
CN111092862A (zh) | 一种用于对电网终端通信流量异常进行检测的方法及系统 | |
US20230419425A1 (en) | Method for monitoring operation of liquefied natural gas (lng) storage and internet of things system (iot) thereof | |
CN116070802B (zh) | 一种基于数据孪生的智能监控运维方法和系统 | |
CN110826228B (zh) | 一种地区电网运行品质极限评估方法 | |
CN114936758A (zh) | 风电机组健康状态评估方法、装置及电子设备 | |
US20230118175A1 (en) | Event analysis in an electric power system | |
CN113239132A (zh) | 一种电压互感器的超差在线辨识方法 | |
CN115658400A (zh) | 一种计算芯片测试方法、系统、计算机设备和存储介质 | |
CN116308883A (zh) | 一种基于大数据的区域电网数据统筹管理系统 | |
CN110378586A (zh) | 基于动态闭环知识管理的变电设备缺陷预警方法及系统 | |
Yang et al. | A transfer learning fault diagnosis model of distribution transformer considering multi‐factor situation evolution | |
CN117291576A (zh) | 一种基于工业场景数据趋势预测的方法、系统、计算机设备及存储介质 | |
CN108123436B (zh) | 基于主成分分析和多元回归算法的电压越限预测模型 | |
CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
CN115689320A (zh) | 基站运行的健康管理方法、装置及计算机可读存储介质 | |
CN115693692A (zh) | 基于配电网电压数据分析的电压合格率提升方法 | |
CN117311295B (zh) | 基于无线网络设备的生产质量提升方法及系统 | |
Tan et al. | Research on Fault Prediction Model Based on 5G Data Center | |
CN117010663B (zh) | 基于图谱的智慧燃气数据管理方法和物联网系统及介质 | |
CN109670227A (zh) | 一种基于大数据的仿真数学模型参数对的估量方法 | |
CN117113157B (zh) | 一种基于人工智能的台区用电故障检测系统 | |
Bai et al. | Abnormal Detection Scheme of Substation Equipment based on Intelligent Fusion Terminal |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |