CN117009741A - 基于发电量的异常分析方法及系统 - Google Patents
基于发电量的异常分析方法及系统 Download PDFInfo
- Publication number
- CN117009741A CN117009741A CN202310623407.9A CN202310623407A CN117009741A CN 117009741 A CN117009741 A CN 117009741A CN 202310623407 A CN202310623407 A CN 202310623407A CN 117009741 A CN117009741 A CN 117009741A
- Authority
- CN
- China
- Prior art keywords
- data
- target
- abnormal
- power generation
- equipment
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 224
- 238000004458 analytical method Methods 0.000 title claims abstract description 108
- 239000003245 coal Substances 0.000 claims abstract description 172
- 238000010438 heat treatment Methods 0.000 claims abstract description 169
- 238000006243 chemical reaction Methods 0.000 claims abstract description 127
- 238000009826 distribution Methods 0.000 claims abstract description 112
- 230000005856 abnormality Effects 0.000 claims abstract description 103
- 238000001514 detection method Methods 0.000 claims abstract description 71
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000013507 mapping Methods 0.000 claims abstract description 37
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000010248 power generation Methods 0.000 claims description 136
- 238000012545 processing Methods 0.000 claims description 62
- 230000020169 heat generation Effects 0.000 claims description 51
- 238000010606 normalization Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 26
- 238000012544 monitoring process Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 15
- 230000010365 information processing Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 25
- 238000012423 maintenance Methods 0.000 description 22
- 239000000284 extract Substances 0.000 description 11
- 230000006399 behavior Effects 0.000 description 8
- 206010037660 Pyrexia Diseases 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000002485 combustion reaction Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 230000000630 rising effect Effects 0.000 description 4
- 238000002759 z-score normalization Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement 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
- 239000003921 oil Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明涉及人工智能领域,公开了一种基于发电量的异常分析方法及系统,用于提高企业的发电量异常检测的准确率。方法包括:根据煤量消耗数据生成煤量消耗分布曲线,以及根据发电量转化数据生成发电量转化分布曲线;分别对煤量消耗分布曲线和发电量转化分布曲线进行特征提取,得到多个煤量曲线特征点和多个发电量曲线特征点,并根据多个煤量曲线特征点和多个发电量曲线特征点构建目标特征点集;对目标特征点集进行编码映射,得到目标编码特征,并将目标编码特征输入预置的发热量异常分析模型进行设备异常发热检测,得到设备异常发热检测结果;根据设备异常发热检测结果生成标准发热量数据对应的目标异常设备以及发热异常原因。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于发电量的异常分析方法及系统。
背景技术
企业的发热量是评价一个企业发电是否正常的重要指标,发电作为现代工业生产的基础设施之一,对于一个国家或企业来说都非常重要。因此,如何有效地识别发电设备的问题并快速地采取相应的措施进行处理,已经成为一个需要重点关注的问题。通过分析和建立模型能够明确各种发电参数之间的联系,进而提出一个判断指标,以便对异常进行快速的判断和识别,从而能够及时地消除设备故障或改善设备运行状况,保证发电设备正常运转。
但是,现有方案还存在以下不足之处,主要是由于设备工作环境的复杂性,数据的异常情况不能被精确地捕捉和正确地分析,即现有方案的准确率较低。
发明内容
本发明提供了一种基于发电量的异常分析方法及系统,用于提高企业的发电量异常检测的准确率。
本发明第一方面提供了一种基于发电量的异常分析方法,所述基于发电量的异常分析方法包括:
获取目标企业的初始发热量数据,以及对所述初始发热量数据进行数据标准化处理,得到标准发热量数据;
分别提取所述标准发热量数据中的煤量消耗数据和发电量转化数据,并根据所述煤量消耗数据生成煤量消耗分布曲线,以及根据所述发电量转化数据生成发电量转化分布曲线;
分别对所述煤量消耗分布曲线和所述发电量转化分布曲线进行特征提取,得到多个煤量曲线特征点和多个发电量曲线特征点,并根据所述多个煤量曲线特征点和多个发电量曲线特征点构建目标特征点集;
对所述目标特征点集进行编码映射,得到目标编码特征,并将所述目标编码特征输入预置的发热量异常分析模型进行设备异常发热检测,得到设备异常发热检测结果;
根据所述设备异常发热检测结果生成所述标准发热量数据对应的目标异常设备以及发热异常原因,并根据所述目标异常设备以及发热异常原因生成异常设备处理工单。
结合第一方面,在本发明第一方面的第一实施方式中,所述获取目标企业的初始发热量数据,以及对所述初始发热量数据进行数据标准化处理,得到标准发热量数据,包括:
获取待处理的企业设备异常分析请求,并根据所述企业设备异常分析请求确定对应的目标企业;
提取所述目标企业的企业信息,并根据所述企业信息从发热量监测系统中获取所述目标企业的初始发热量数据;
对所述初始发热量数据进行数据标准化处理,得到标准发热量数据。
结合第一方面,在本发明第一方面的第二实施方式中,所述分别提取所述标准发热量数据中的煤量消耗数据和发电量转化数据,并根据所述煤量消耗数据生成煤量消耗分布曲线,以及根据所述发电量转化数据生成发电量转化分布曲线,包括:
获取所述标准发热量数据对应的第一数据标识和第二数据标识;
根据所述第一数据标识获取所述标准发热量数据中的煤量消耗数据,并根据所述第二数据标识获取所述标准发热量数据中的发电量转化数据;
根据预置的第一曲线拟合函数生成所述煤量消耗数据对应的煤量消耗分布曲线;
根据预置的第二曲线拟合函数生成所述发电量转化数据对应的发电量转化分布曲线。
结合第一方面,在本发明第一方面的第三实施方式中,所述分别对所述煤量消耗分布曲线和所述发电量转化分布曲线进行特征提取,得到多个煤量曲线特征点和多个发电量曲线特征点,并根据所述多个煤量曲线特征点和多个发电量曲线特征点构建目标特征点集,包括:
提取所述煤量消耗分布曲线中的多个第一初始特征点,以及提取所述发电量转化分布曲线中的多个第二初始特征点;
计算所述煤量消耗分布曲线的第一标准偏差,以及计算所述发电量转化分布曲线的第二标准偏差;
对所述多个第一初始特征点和所述第一标准偏差进行比较,得到多个第一比较结果,并根据所述多个第一比较结果生成多个煤量曲线特征点;
对所述多个第二初始特征点和所述第二标准偏差进行比较,得到多个第二比较结果,并根据所述多个第二比较结果生成多个发电量曲线特征点;
根据所述多个煤量曲线特征点和所述多个发电量曲线特征点构建目标特征点集。
结合第一方面,在本发明第一方面的第四实施方式中,所述对所述目标特征点集进行编码映射,得到目标编码特征,并将所述目标编码特征输入预置的发热量异常分析模型进行设备异常发热检测,得到设备异常发热检测结果,包括:
根据预设的编码映射规则获取所述目标特征点集对应的目标映射关系;
根据所述目标映射关系对所述目标特征点集进行编码映射,得到目标编码特征;
将所述目标编码特征输入预置的发热量异常分析模型,通过所述发热量异常分析模型计算所述目标编码特征对应的目标概率值;
根据所述目标概率值生成设备异常发热检测结果。
结合第一方面,在本发明第一方面的第五实施方式中,所述根据所述设备异常发热检测结果生成所述标准发热量数据对应的目标异常设备以及发热异常原因,并根据所述目标异常设备以及发热异常原因生成异常设备处理工单,包括:
根据所述设备异常发热检测结果匹配对应的目标异常设备以及发热异常原因;
对所述目标异常设备以及发热异常原因进行异常信息处理,得到异常设备处理工单;
将所述异常设备处理工单下发至目标维护人员。
本发明第二方面提供了一种基于发电量的异常分析系统,所述基于发电量的异常分析系统包括:
获取模块,用于获取目标企业的初始发热量数据,以及对所述初始发热量数据进行数据标准化处理,得到标准发热量数据;
提取模块,用于分别提取所述标准发热量数据中的煤量消耗数据和发电量转化数据,并根据所述煤量消耗数据生成煤量消耗分布曲线,以及根据所述发电量转化数据生成发电量转化分布曲线;
构建模块,用于分别对所述煤量消耗分布曲线和所述发电量转化分布曲线进行特征提取,得到多个煤量曲线特征点和多个发电量曲线特征点,并根据所述多个煤量曲线特征点和多个发电量曲线特征点构建目标特征点集;
检测模块,用于对所述目标特征点集进行编码映射,得到目标编码特征,并将所述目标编码特征输入预置的发热量异常分析模型进行设备异常发热检测,得到设备异常发热检测结果;
生成模块,用于根据所述设备异常发热检测结果生成所述标准发热量数据对应的目标异常设备以及发热异常原因,并根据所述目标异常设备以及发热异常原因生成异常设备处理工单。
本发明第三方面提供了一种基于发电量的异常分析设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于发电量的异常分析设备执行上述的基于发电量的异常分析方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的基于发电量的异常分析方法。
本发明提供的技术方案中,根据煤量消耗数据生成煤量消耗分布曲线,以及根据发电量转化数据生成发电量转化分布曲线;分别对煤量消耗分布曲线和发电量转化分布曲线进行特征提取,得到多个煤量曲线特征点和多个发电量曲线特征点,并根据多个煤量曲线特征点和多个发电量曲线特征点构建目标特征点集;对目标特征点集进行编码映射,得到目标编码特征,并将目标编码特征输入预置的发热量异常分析模型进行设备异常发热检测,得到设备异常发热检测结果;根据设备异常发热检测结果生成标准发热量数据对应的目标异常设备以及发热异常原因,本发明通过对设备运行数据进行持续监控,定期发掘和分析发电过程中的隐蔽点,提出优化建议和改进方案,进而逐步提高设备的运行效率和性能,进而提高企业的发电量异常检测的准确率。
附图说明
图1为本发明实施例中基于发电量的异常分析方法的一个实施例示意图;
图2为本发明实施例中生成煤量消耗分布曲线和发电量转化分布曲线的流程图;
图3为本发明实施例中构建目标特征点集的流程图;
图4为本发明实施例中设备异常发热检测的流程图;
图5为本发明实施例中基于发电量的异常分析系统的一个实施例示意图;
图6为本发明实施例中基于发电量的异常分析设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于发电量的异常分析方法及系统,用于提高企业的发电量异常检测的准确率。本发明的说明书和权利要求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,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,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。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中基于发电量的异常分析方法的一个实施例包括:
S101、获取目标企业的初始发热量数据,以及对初始发热量数据进行数据标准化处理,得到标准发热量数据;
可以理解的是,本发明的执行主体可以为基于发电量的异常分析系统,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,服务器在工业生产和能源管理领域,了解企业的能源使用情况和发热量数据对于评估能源效率、制定节能措施和改善能源利用至关重要。为了获取目标企业的初始发热量数据,并对其进行数据标准化处理以得到标准发热量数据,服务器进行以下步骤和解释。为了获取目标企业的初始发热量数据,服务器采用以下途径之一:1.直接测量:通过安装适当的仪器和传感器,服务器直接测量目标企业产生的热量。这些传感器可以包括温度计、压力计、流量计等。通过监测这些参数的变化,服务器计算出发热量数据。2.数据采集:如果目标企业已经安装了能源管理系统或监测设备,服务器通过这些系统收集实时的能源数据,包括发热量。这些系统可以自动记录能源使用情况,并提供相应的数据报告。3.历史记录:如果目标企业已经在过去记录了能源使用数据,服务器使用这些历史数据来获取初始发热量数据。这些数据可以包括燃料消耗量、能源输入和输出等信息。服务器对数据进行标准化处理,以得到标准发热量数据。数据标准化是指将原始数据转换为具有标准分布的数据,以便进行比较和分析。以下是标准化处理的一般步骤:1.数据清洗:在进行标准化处理之前,服务器先对数据进行清洗,以去除异常值、缺失值和错误数据。这确保了我们处理的数据质量和准确性。2.标准化方法选择:选择适合的标准化方法是很重要的。常用的标准化方法包括最小-最大标准化(Min-MaxNormalization)、Z-Score标准化和小数定标标准化等。每种方法都有其适用的场景和限制。3.数据转换:根据所选的标准化方法,我们对初始发热量数据进行相应的转换。例如,在最小-最大标准化中,我们将数据缩放到给定的最小值和最大值之间的范围内;而在Z-Score标准化中,我们将数据转换为具有均值为0和标准差为1的标准正态分布。4.计算标准发热量数据:将转换后的数据计算为标准发热量数据。这些标准化数据将具有相对统一的尺度,使得不同企业之间的发热量数据可以进行比较和分析。通过获取目标企业的初始发热量数据并进行数据标准化处理,服务器获得标准发热量数据,这为能源管理、节能措施和能源利用的改善提供了基础。标准发热量数据的分析和比较可以揭示企业的能源使用模式、识别潜在的节能机会,并为制定针对性的能源管理策略提供依据。
S102、分别提取标准发热量数据中的煤量消耗数据和发电量转化数据,并根据煤量消耗数据生成煤量消耗分布曲线,以及根据发电量转化数据生成发电量转化分布曲线;
具体的,服务器要分别提取标准发热量数据中的煤量消耗数据和发电量转化数据,并根据这些数据生成相应的分布曲线,服务器按照以下步骤进行。一、提取煤量消耗数据在标准发热量数据中,服务器识别与煤相关的能源消耗数据,以提取煤量消耗数据。例如,我们有一个发电厂的能源数据集,其中包括不同能源类型的消耗量,如煤、天然气和石油。服务器筛选出与煤燃烧相关的能源消耗数据,即煤量消耗数据。例如,从该数据集中选择煤的消耗量,服务器得到煤量消耗数据二、提取发电量转化数据,在标准发热量数据中,服务器找到与发电量相关的数据,以提取发电量转化数据。例如,我们有一个发电厂的能源数据集,其中包括能源输入数据(如煤量、天然气消耗)和能源产出数据(如发电量)。服务器提取与发电量转化相关的数据,例如煤炭消耗量与发电量之间的关系数据。三、生成煤量消耗分布曲线,使用提取的煤量消耗数据,按照以下步骤生成煤量消耗分布曲线:1.统计数据:对提取的煤量消耗数据进行统计,包括计算均值、标准差、最小值和最大值等。2.数据分组:根据数据的范围或分布特征,将煤量消耗数据进行分组。可以采用等宽分组或等频分组等方法。3.计算频率:对于每个数据分组,计算该组内煤量消耗的频率,即该范围内的数据占总体数据的比例。4.绘制分布曲线:使用统计和频率数据,绘制煤量消耗分布曲线,通常是直方图或概率密度曲线。横轴表示煤量消耗的范围,纵轴表示频率。四、生成发电量转化分布曲线,使用提取的发电量转化数据,按照以下步骤生成发电量转化分布曲线:1.统计数据:对提取的发电量转化数据进行统计,计算均值、标准差、最小值和最大值等。2.数据分组:根据数据的范围或分布特征,将煤量消耗数据进行分组。3.计算频率:对于每个数据分组,计算该组内发电量转化的频率,即该范围内的数据占总体数据的比例。4.绘制分布曲线:使用统计和频率数据,绘制发电量转化分布曲线,通常是直方图或概密度曲线。横轴表示发电量转化的范围,纵轴表示频率。
S103、分别对煤量消耗分布曲线和发电量转化分布曲线进行特征提取,得到多个煤量曲线特征点和多个发电量曲线特征点,并根据多个煤量曲线特征点和多个发电量曲线特征点构建目标特征点集;
需要说明的是,分别对煤量消耗分布曲线和发电量转化分布曲线进行特征提取,得到多个煤量曲线特征点和多个发电量曲线特征点,并根据多个煤量曲线特征点和多个发电量曲线特征点构建目标特征点集是为了从曲线中提取关键信息,进一步分析和比较数据。一、煤量消耗分布曲线特征提取,在煤量消耗分布曲线上,服务器通过以下方式提取特征点:1.峰值点:识别曲线中的峰值,即煤量消耗达到最高点的位置。这些峰值点反映了煤量消耗的集中区域。2.谷值点:识别曲线中的谷值,即煤量消耗达到最低点的位置。这些谷值点反映了煤量消耗的低谷区域。3.拐点:识别曲线上的拐点,即曲线从上升转为下降或从下降转为上升的位置。这些拐点标志着煤量消耗的变化点。4.曲线的斜率:计算曲线在特定点处的斜率,以反映煤量消耗的变化速率。例如:假设我们绘制了煤量消耗分布曲线,并进行特征提取。我们发现曲线中有一个明显的峰值点和两个拐点。这些特征点可以被标记并用于后续分析。二、发电量转化分布曲线特征提取,在发电量转化分布曲线上,服务器使用类似的方法提取特征点:1.峰值点:识别曲线中的峰值,即发电量转化达到最高点的位置。这些峰值点反映了发电量转化的集中区域。2.谷值点:识别曲线中的谷值,即发电量转化达到最低点的位置。这些谷值点反映了发电量转化的低谷区域。3.拐点:识别曲线上的拐点,即曲线从上升转为下降或从下降转为上升的位置。这些拐点标志着发电量转化的变化点。4.曲线的斜率:计算曲线在特定点处的斜率,以反映发电量转化的变化速率。例如:假设我们绘制了发电量转化分布曲线,并进行了特征提取。我们发现曲线中存在一个明显的峰值点和两个拐点。这些特征点可以用于描述发电量转化的集中区域和变化趋势。三、构建目标特征点集:通过对煤量消耗分布曲线和发电量转化分布曲线进行特征提取,服务器得到多个煤量曲线特征点和多个发电量曲线特征点。为了综合分析煤量消耗和发电量转化之间的关系,服务器将这些特征点结合起来构建目标特征点集。例如:假设我们从煤量消耗分布曲线中得到了两个特征点:峰值点和一个拐点,以及从发电量转化分布曲线中得到了一个特征点:峰值点。这些特征点可以形成一个目标特征点集,其中包括煤量消耗的峰值点、煤量消耗的拐点和发电量转化的峰值点。通过构建目标特征点集,服务器更好地理解煤量消耗和发电量转化之间的关系。进一步的分析可能涉及特征点之间的距离、趋势和变化率等信息,以揭示潜在的模式和趋势。
S104、对目标特征点集进行编码映射,得到目标编码特征,并将目标编码特征输入预置的发热量异常分析模型进行设备异常发热检测,得到设备异常发热检测结果;
具体的,对目标特征点集进行编码映射,得到目标编码特征,并将目标编码特征输入预置的发热量异常分析模型进行设备异常发热检测,得到设备异常发热检测结果是一个基于特征编码和模型分析的流程,旨在识别设备在发热方面的异常情况。一、目标特征点集编码映射,目标特征点集包含了从煤量消耗分布曲线和发电量转化分布曲线中提取的关键特征点。为了将这些特征点转化为计算机可处理的形式,服务器对它们进行编码映射。编码映射的目的是将每个特征点转换为一个数值或二进制编码,以便能够输入到后续的发热量异常分析模型中。例如:假设我们的目标特征点集包含煤量消耗的峰值点、煤量消耗的拐点和发电量转化的峰值点。服务器将每个特征点映射为一个数值编码,例如将峰值点映射为1,拐点映射为2,以及发电量转化的峰值点映射为3。这样,我们就得到了目标编码特征。二、发热量异常分析模型,发热量异常分析模型是一个预置的模型,其目的是分析设备的发热情况并检测异常。该模型通常基于机器学习或统计方法,通过学习正常发热行为的模式,能够识别与正常行为不符的异常情况。三、设备异常发热检测将目标编码特征输入到发热量异常分析模型中进行设备异常发热检测。模型将根据之前学习到的正常发热行为模式,对目标编码特征进行分析和比较。如果检测到与正常行为不符的特征组合或模式,模型将产生异常发热检测结果。例如:假设我们将目标编码特征(1代表峰值点,2代表拐点,3代表发电量转化的峰值点)输入发热量异常分析模型。模型会分析这些特征的组合和模式,与之前学习到的正常发热行为进行比较。如果模型发现特定的特征组合与正常行为不符,例如在某些情况下峰值点和拐点同时出现,模型将识别这个特征组合作为异常发热的指示。检测结果可以是二元的,表示设备正常或异常,也可以是概率或置信度的形式,表示设备发生异常发热的可能性。四、设备异常发热检测结果,根据发热量异常分析模型的输出,我们将得到设备异常发热检测结果。这个结果可以告诉我们设备的发热情况是否正常。如果检测结果显示设备发生异常发热,可能意味着设备存在故障、过载、磨损或其他异常情况,需要进行进一步的检查和维修。例如:设备异常发热检测结果可以是“正常”或“异常”的二元结果。如果模型分析目标编码特征并判断它们与正常发热行为不符,则结果将标记为“异常”。这意味着设备的发热情况存在异常,并需要进行进一步的调查和处理。
S105、根据设备异常发热检测结果生成标准发热量数据对应的目标异常设备以及发热异常原因,并根据目标异常设备以及发热异常原因生成异常设备处理工单。
具体的,根据设备异常发热检测结果生成标准发热量数据对应的目标异常设备以及发热异常原因,并根据目标异常设备以及发热异常原因生成异常设备处理工单是一个将异常检测结果应用于设备管理和维护的过程。通过这一过程,服务器准确地识别出发生异常发热的设备,并确定其异常原因,然后生成相应的工单以采取适当的维修措施。一、生成目标异常设备,根据设备异常发热检测结果,服务器确定哪些设备发生了异常发热。这些设备将被标记为目标异常设备。服务器根据检测结果的设备标识或其他唯一标识来进行的,以确保准确地识别出异常设备。二、确定发热异常原因,对于每个目标异常设备,服务器确定其发热异常的具体原因。这可以通过进一步的分析和诊断来实现。例如,服务器进行设备检查、故障诊断、数据分析等操作,以找出设备异常发热的根本原因。可能的异常原因包括设备故障、部件磨损、不当操作或维护等。三、生成异常设备处理工单,当发现了目标异常设备以及其发热异常的原因,服务器生成异常设备处理工单。这个工单包含了处理该异常设备的详细信息,包括设备标识、异常发热原因、维修或替换措施等。工单的生成可以采用自动化的方式,将相关信息填入预设的模板中,也可以由专业人员根据检测结果手动创建。例如:假设设备异常发热检测结果显示设备A和设备B发生了异常发热。经进一步的分析,发现设备A的异常原因是故障的电路板,而设备B的异常原因是磨损的轴承。根据这些信息,服务器生成两个异常设备处理工单,分别指定针对设备A的电路板维修和设备B的轴承更换。生成的异常设备处理工单可以包含以下内容:设备标识(如设备编号或名称)、异常发热原因描述、诊断结果、维修或替换措施、维修时间计划、负责人等。这些信息将为设备维修人员提供指导,以便他们可以准确地处理异常设备并消除发热异常的原因。
本发明实施例中,根据煤量消耗数据生成煤量消耗分布曲线,以及根据发电量转化数据生成发电量转化分布曲线;分别对煤量消耗分布曲线和发电量转化分布曲线进行特征提取,得到多个煤量曲线特征点和多个发电量曲线特征点,并根据多个煤量曲线特征点和多个发电量曲线特征点构建目标特征点集;对目标特征点集进行编码映射,得到目标编码特征,并将目标编码特征输入预置的发热量异常分析模型进行设备异常发热检测,得到设备异常发热检测结果;根据设备异常发热检测结果生成标准发热量数据对应的目标异常设备以及发热异常原因,本发明通过对设备运行数据进行持续监控,定期发掘和分析发电过程中的隐蔽点,提出优化建议和改进方案,进而逐步提高设备的运行效率和性能,进而提高企业的发电量异常检测的准确率。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)获取待处理的企业设备异常分析请求,并根据企业设备异常分析请求确定对应的目标企业;
(2)提取目标企业的企业信息,并根据企业信息从发热量监测系统中获取目标企业的初始发热量数据;
(3)对初始发热量数据进行数据标准化处理,得到标准发热量数据。
具体的,(1)获取待处理的企业设备异常分析请求,并根据企业设备异常分析请求确定对应的目标企业:在设备管理和维护过程中,企业可能会遇到各种设备异常情况,如发热异常、故障报警等。当企业发现设备异常时,他们可以提出设备异常分析请求,以寻求专业的支持和解决方案。首先,服务器获取待处理的企业设备异常分析请求,这可以通过不同的渠道获得,如企业内部的报告系统、维修申请单或在线支持平台等。当获取了设备异常分析请求,下一步是根据请求中提供的信息确定对应的目标企业。请求中通常包含有关设备异常的描述、设备标识(如设备编号、名称或位置)、时间戳等信息。服务器根据这些信息来唯一标识目标企业,并确保我们针对的是请求中所指定的设备异常情况。例如:假设我们收到一份设备异常分析请求,描述了企业A的某台锅炉发热异常的情况。请求中提供了锅炉的编号、异常发生的时间、发热量异常的具体表现等。服务器根据这些信息确定目标企业是企业A,并且我们将重点分析和解决锅炉发热异常的问题。(2)提取目标企业的企业信息,并根据企业信息从发热量监测系统中获取目标企业的初始发热量数据:在进行设备异常分析之前,服务器获取目标企业的相关信息,并从发热量监测系统中获取目标企业的初始发热量数据。这些数据将作为后续分析和处理的基础。首先,服务器提取目标企业的企业信息。这些信息可以包括企业名称、地址、联系人、设备清单、设备参数等。企业信息的获取可以通过与企业相关的数据库、文档或联系企业的管理人员来完成。接下来,根据企业信息,服务器访问发热量监测系统,并获取目标企业的初始发热量数据。发热量监测系统通常会记录和存储设备的发热量数据,这些数据可以反映设备的运行状态和发热情况。通过与监测系统的接口或数据查询功能,服务器选择特定的设备、时间范围,并获取相应的发热量数据。例如:假设我们确定目标企业是企业A,我们将提取企业A的企业信息,包括企业名称、地址和联系人等。然后,我们访问发热量监测系统,使用企业A的信息进行登录或身份验证,然后进入系统的数据查询界面。在界面中,我们选择目标设备(如锅炉)以及所需的时间范围(如最近一个月),然后点击查询按钮。监测系统将根据选择的条件,从数据库中检索并提供企业A的初始发热量数据。初始发热量数据是指在设备异常发生之前的一段时间内收集到的发热量数据。这些数据可以是以时间序列的形式记录的,每个时间点对应设备的发热量数值。通过获取初始发热量数据,服务器对设备在正常运行状态下的发热情况有一个基准了解,以便后续的异常分析和比较。(3)对初始发热量数据进行数据标准化处理,得到标准发热量数据:当获取了目标企业的初始发热量数据,下一步是对这些数据进行数据标准化处理,以得到标准发热量数据。数据标准化是一个常用的数据预处理步骤,用于将数据转化为具有统一度量和范围的标准形式,以便更好地进行分析和比较。数据标准化的过程可以包括以下步骤:去除异常值:检查初始发热量数据中是否存在异常值,如采集误差、设备故障等导致的极端数值。如果发现异常值,可以选择删除或进行修正处理。数据归一化:将发热量数据进行归一化处理,使其具有相似的范围和分布。常用的归一化方法包括最小-最大归一化和Z-score归一化。最小-最大归一化将数据线性映射到指定的范围(如0-1),而Z-score归一化将数据转化为均值为0、标准差为1的正态分布。数据平滑:对发热量数据进行平滑处理,以去除数据中的噪声和波动。常用的平滑方法包括移动平均、加权移动平均和指数平滑等。数据聚合:如果初始发热量数据是按照较小的时间间隔采集的(如每分钟、每小时),而我们对整体发热量趋势更感兴趣,可以对数据进行聚合,将其转化为较大时间间隔(如每天、每周)的发热量总和或平均值。通过这些数据标准化处理步骤,服务器得到标准发热量数据,即经过预处理和转换后的发热量数据。假设我们获取了企业A的初始发热量数据,并进行了数据标准化处理。通过数据标准化,我们得到了标准发热量数据,即具有相同度量和范围的数据集。这些数据可以表示为每小时的发热量数值。服务器绘制标准发热量数据随时间的趋势图,以观察发热量的变化模式。在该图中,服务器识别出异常发热的时间段或数据点,这将有助于我们进一步分析异常的原因,并制定相应的处理措施。
在一具体实施例中,如图2所示,执行步骤S102的过程可以具体包括如下步骤:
S201、获取标准发热量数据对应的第一数据标识和第二数据标识;
S202、根据第一数据标识获取标准发热量数据中的煤量消耗数据,并根据第二数据标识获取标准发热量数据中的发电量转化数据;
S203、根据预置的第一曲线拟合函数生成煤量消耗数据对应的煤量消耗分布曲线;
S204、根据预置的第二曲线拟合函数生成发电量转化数据对应的发电量转化分布曲线。
具体的,(1)获取标准发热量数据对应的第一数据标识和第二数据标识:在进行异常分析和处理时,服务器确定标准发热量数据的第一数据标识和第二数据标识。这些标识是用来区分和索引不同类型的数据,以便后续的数据提取和处理。第一数据标识通常用于表示煤量消耗数据,它可以是一个唯一的标识符或一个指向相应数据的索引。该标识可以通过数据库查询或系统接口获取。例如,在发热量监测系统中,服务器使用设备ID或煤量消耗记录的时间戳作为第一数据标识。第二数据标识用于表示发电量转化数据,它也可以是一个唯一的标识符或索引。与第一数据标识类似,第二数据标识可以通过数据库查询或系统接口获取。在发热量监测系统中,服务器使用设备ID或发电量转化记录的时间戳作为第二数据标识。通过获取标准发热量数据对应的第一数据标识和第二数据标识,服务器准确定位并提取煤量消耗数据和发电量转化数据,为后续的分析和处理提供基础。(2)根据第一数据标识获取标准发热量数据中的煤量消耗数据,并根据第二数据标识获取标准发热量数据中的发电量转化数据:通过使用第一数据标识和第二数据标识,服务器从标准发热量数据中提取煤量消耗数据和发电量转化数据。首先,根据第一数据标识,服务器查询标准发热量数据,筛选出与煤量消耗相关的数据。这些数据通常包括煤量消耗的数值以及与之相关的时间戳或其他辅助信息。例如,服务器从数据库中检索出与特定设备ID或时间范围相关联的煤量消耗数据。然后,根据第二数据标识,服务器查询标准发热量数据,获取与发电量转化相关的数据。这些数据可以包括发电量转化的数值以及与之相关的时间戳或其他附加信息。进一步地,服务器从数据库中提取与特定设备ID或时间范围相关联的发电量转化数据。通过这样的数据提取过程,服务器获取到与煤量消耗和发电量转化相关的标准发热量数据,为后续的分析和处理做准备。(3)根据预置的第一曲线拟合函数生成煤量消耗数据对应的煤量消耗分布曲线:当我们获取了标准发热量数据中的煤量消耗数据,服务器利用预置的第一曲线拟合函数来生成煤量消耗分布曲线。拟合函数是一种数学模型,它可以将实际观测到的数据点拟合成一条曲线,以描述数据的分布特征。在这种情况下,服务器选择适合描述煤量消耗数据的拟合函数,并根据已知的煤量消耗数据点来计算拟合曲线上的其他数据点。例如,常见的拟合函数包括线性函数、多项式函数、指数函数等。根据实际情况和数据的分布特征,服务器选择合适的拟合函数,并使用最小二乘法等方法来拟合曲线参数。当服务器获得了拟合函数的参数,服务器使用该函数来生成煤量消耗数据对应的煤量消耗分布曲线。这个曲线将展示煤量消耗数据在不同取值范围内的概率分布情况。通常,服务器使用直方图来表示煤量消耗分布曲线,其中横轴表示煤量消耗的取值范围,纵轴表示该范围内数据出现的频率或概率。煤量消耗分布曲线的生成可以帮助我们理解煤量消耗数据的分布特征,例如发现峰值、异常值或集中度等。这有助于我们更好地了解设备的煤量消耗情况,并根据曲线的特征来判断是否存在异常情况。(4)根据预置的第二曲线拟合函数生成发电量转化数据对应的发电量转化分布曲线:进一步地,服务器利用预置的第二曲线拟合函数来生成发电量转化数据对应的发电量转化分布曲线。首先,我们根据标准发热量数据中的发电量转化数据点选择合适的拟合函数。根据数据的特征和分布情况,服务器选择适当的曲线模型,并使用拟合函数来估计曲线上未知数据点的取值。然后,利用拟合函数的参数,服务器生成发电量转化分布曲线。这个曲线将显示发电量转化数据在不同取值范围内的概率分布情况。同样,服务器使用直方图或其他可视化方法来表示发电量转化分布曲线,以便更直观地观察数据的分布情况。生成发电量转化分布曲线有助于我们了解发电量转化数据的特征和分布情况。通过分析曲线的形状、峰值、偏态等特征,服务器获得关于发电量转化的更多信息。例如,曲线可能呈现单峰、双峰或多峰分布,反映了不同的发电量转化模式或异常情况。通过对曲线的分析,服务器发现异常点、异常区间或其他异常模式,从而识别设备的异常发电量转化情况。总结起来,根据预置的第一曲线拟合函数和第二曲线拟合函数,服务器生成煤量消耗分布曲线和发电量转化分布曲线。这些曲线展示了煤量消耗和发电量转化数据在不同取值范围内的概率分布情况。通过分析这些曲线的特征,服务器更好地了解设备的运行情况,并发现潜在的异常情况。
在一具体实施例中,如图3所示,执行步骤S103的过程可以具体包括如下步骤:
S301、提取煤量消耗分布曲线中的多个第一初始特征点,以及提取发电量转化分布曲线中的多个第二初始特征点;
S302、计算煤量消耗分布曲线的第一标准偏差,以及计算发电量转化分布曲线的第二标准偏差;
S303、对多个第一初始特征点和第一标准偏差进行比较,得到多个第一比较结果,并根据多个第一比较结果生成多个煤量曲线特征点;
S304、对多个第二初始特征点和第二标准偏差进行比较,得到多个第二比较结果,并根据多个第二比较结果生成多个发电量曲线特征点;
S305、根据多个煤量曲线特征点和多个发电量曲线特征点构建目标特征点集。
具体的,(1)提取煤量消耗分布曲线中的多个第一初始特征点,以及提取发电量转化分布曲线中的多个第二初始特征点:在煤量消耗分布曲线中,服务器通过以下步骤提取多个第一初始特征点:分析曲线的形状和特点,确定可能的峰值或拐点位置,作为第一初始特征点的候选位置。使用数值计算方法或插值技术,精确地获取这些特征点的位置和数值。进一步地,对于发电量转化分布曲线,服务器通过类似的方法提取多个第二初始特征点:通过分析曲线的形状和特征,确定可能的峰值或拐点位置,作为第二初始特征点的候选位置。利用数值计算或插值技术,准确地获取这些特征点的位置和数值。(2)计算煤量消耗分布曲线的第一标准偏差,以及计算发电量转化分布曲线的第二标准偏差:标准偏差是用来衡量数据集中数值的离散程度,它描述了数据点相对于数据集均值的分散程度。为了计算煤量消耗分布曲线的第一标准偏差,服务器执行以下步骤:首先,计算煤量消耗分布曲线的均值,即所有数据点的平均值。接下来,计算每个数据点与均值的差值的平方,并将这些差值的平方求和。最后,将求和值除以数据点的数量,并取其平方根,得到煤量消耗分布曲线的第一标准偏差。对于发电量转化分布曲线,服务器通过相似的步骤计算第二标准偏差。(3)对多个第一初始特征点和第一标准偏差进行比较,得到多个第一比较结果,并根据多个第一比较结果生成多个煤量曲线特征点:通过将第一初始特征点与第一标准偏差进行比较,服务器确定哪些特征点相对于整体数据分布的偏离程度较大。具体的比较步骤包括:将每个第一初始特征点与煤量消耗分布曲线的均值进行比较,计算它们与均值的偏离程度。将这些偏离程度与第一标准偏差进行比较,判断它们的差异是否显著。通过这个比较,服务器得到多个第一比较结果,即判断每个第一初始特征点是否与整体分布显著偏离。基于这些第一比较结果,服务器生成多个煤量曲线特征点。对于那些与整体分布显著偏离的特征点,服务器将它们作为煤量曲线的关键特征点进行记录和分析。(4)对多个第二初始特征点和第二标准偏差进行比较,得到多个第二比较结果,并根据多个第二比较结果生成多个发电量曲线特征点:进一步地,我们对多个第二初始特征点和第二标准偏差进行比较,以确定它们与整体数据分布的偏离情况。具体步骤包括:将每个第二初始特征点与发电量转化分布曲线的均值进行比较,计算它们与均值的偏离程度。将这些偏离程度与第二标准偏差进行比较,判断它们的差异是否显著。通过这个比较,服务器得到多个第二比较结果,即判断每个第二初始特征点是否与整体分布显著偏离。基于这些第二比较结果,服务器生成多个发电量曲线特征点。对于那些与整体分布显著偏离的特征点,服务器将它们作为发电量曲线的关键特征点进行记录和分析。(5)根据多个煤量曲线特征点和多个发电量曲线特征点构建目标特征点集:最后,我们根据多个煤量曲线特征点和多个发电量曲线特征点构建目标特征点集。这个目标特征点集包含了煤量消耗和发电量转化过程中的关键特征点,它们是分析异常情况和进行后续处理的基础。通过采集和整理这些特征点,我们能够更准确地描述设备的异常情况,并为后续的异常分析和处理工作提供重要依据。目标特征点集的构建有助于识别潜在问题和优化设备性能,从而提高生产效率和设备的可靠性。
在一具体实施例中,如图4所示,执行步骤S104的过程可以具体包括如下步骤:
S401、根据预设的编码映射规则获取目标特征点集对应的目标映射关系;
S402、根据目标映射关系对目标特征点集进行编码映射,得到目标编码特征;
S403、将目标编码特征输入预置的发热量异常分析模型,通过发热量异常分析模型计算目标编码特征对应的目标概率值;
S404、根据目标概率值生成设备异常发热检测结果。
具体的,(1)根据预设的编码映射规则获取目标特征点集对应的目标映射关系:在设备异常发热分析过程中,服务器将目标特征点集映射到相应的目标。为了实现这一步骤,我们事先设定了编码映射规则。这些规则定义了特征点集与目标之间的对应关系。例如,假设我们的目标是判断设备的异常状态,服务器将目标分为正常和异常两类。服务器将目标特征点集中的特征点编码为0表示正常状态,编码为1表示异常状态。这样,我们就建立了特征点与目标之间的映射关系。(2)根据目标映射关系对目标特征点集进行编码映射,得到目标编码特征:利用预设的编码映射规则,服务器对目标特征点集进行编码映射,将特征点映射为相应的编码。这个步骤可以将目标特征点集转化为目标编码特征,方便后续的处理和分析。继续上面的例子,服务器根据目标映射关系,将目标特征点集中的正常状态特征点编码为0,将异常状态特征点编码为1。通过这个编码映射过程,我们得到了目标编码特征,它是一个由0和1组成的编码序列,表示了目标特征点集中的各个特征点的状态。(3)将目标编码特征输入预置的发热量异常分析模型,通过发热量异常分析模型计算目标编码特征对应的目标概率值:为了进一步分析和判断目标的异常情况,我们将目标编码特征输入预置的发热量异常分析模型。这个模型是根据历史数据和机器学习算法构建的,用于预测和分析发热量异常情况。发热量异常分析模型会对输入的目标编码特征进行处理和计算,得到对应的目标概率值。这个概率值表示了目标处于异常状态的可能性。通过模型的计算,服务器了解目标的异常程度和异常的概率。(4)根据目标概率值生成设备异常发热检测结果:根据发热量异常分析模型计算得到的目标概率值,服务器生成设备异常发热检测结果。这个结果可以告诉我们设备是否存在发热异常以及异常的程度。例如,假设我们得到了一个目标概率值为0.85,表示设备发热异常的可能性较高。根据设定的阈值,服务器将概率值与阈值进行比较,如果高于阈值,则判断设备存在异常发热。根据设备异常发热检测结果,服务器进一步分析异常的原因和具体的异常设备。根据目标特征点集中的对应信息,服务器确定发生异常的具体设备,例如某台发电机或某个燃烧炉。同时,我们还可以根据发热量异常分析模型中的数据,推断出异常发热的原因,例如过载、燃烧不完全或设备故障等。基于异常设备和异常原因的分析,服务器生成异常设备处理工单。这个工单包含了针对异常设备的处理措施,例如修理、更换部件或进行维护等。工单中还会详细记录异常的原因和异常发热的影响程度,以便工作人员能够有针对性地解决问题。本实施例中,根据目标编码特征和发热量异常分析模型的计算,服务器生成设备异常发热检测结果。这个结果可以告知我们设备是否存在异常发热以及异常的程度。进一步根据异常设备和异常原因的分析,服务器生成异常设备处理工单,帮助工作人员针对异常情况采取相应的措施,确保设备的正常运行。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)根据设备异常发热检测结果匹配对应的目标异常设备以及发热异常原因;
(2)对目标异常设备以及发热异常原因进行异常信息处理,得到异常设备处理工单;
(3)将异常设备处理工单下发至目标维护人员。
具体的,(1)根据设备异常发热检测结果匹配对应的目标异常设备以及发热异常原因:设备异常发热检测结果提供了设备发热异常的信息,包括异常设备和发热异常原因。通过匹配这些信息,服务器准确定位到目标异常设备以及发热异常的具体原因。根据设备异常发热检测结果中的异常设备信息,服务器从设备台账或数据库中获取目标企业的设备清单。通过比对异常设备的标识符或其他特征,可以找到与之匹配的目标异常设备。随后,根据发热异常的原因,服务器结合设备的技术规格、运行记录以及专家知识等信息,进行推断和分析。例如,如果异常原因是过载,那么可能是设备负荷超出了设计范围;如果是燃烧不完全,可能是燃烧系统出现问题。通过对异常原因的匹配和分析,可以进一步确定目标异常设备和发热异常的具体原因。(2)对目标异常设备以及发热异常原因进行异常信息处理,得到异常设备处理工单:当确定了目标异常设备和发热异常的原因,就可以进行异常信息处理,生成相应的异常设备处理工单。异常设备处理工单是对异常设备和发热异常原因进行记录和处理的文档,它包含了以下内容:1.异常设备的详细信息:包括设备名称、型号、规格、所在位置等。2.发热异常原因的描述:详细说明发热异常的具体原因和可能的影响。3.处理措施:根据异常原因和设备特点,提供针对性的处理建议,例如维修、更换部件、调整参数等。4.处理优先级:根据发热异常的严重程度和设备重要性,确定处理的优先级,以便及时采取措施。异常设备处理工单的生成可以通过信息系统自动生成,也可以由专业人员手动填写。在填写过程中,需要确保工单的准确性和完整性,以便后续的处理工作。(3)将异常设备处理工单下发至目标维护人员:完成异常设备处理工单的生成后,下一步是将工单发送给目标维护人员,通知他们有关设备异常的情况以及需要采取的处理措施。通常情况下,工单可以通过信息系统进行下发,目标维护人员可以在系统中查看和接收工单。工单中应包含以下信息:1.异常设备的标识和名称:确保目标维护人员能够准确识别需要处理的设备。2.发热异常的原因和描述:提供关于发热异常的详细说明,以便目标维护人员了解问题的性质和可能的解决方案。3.处理措施和建议:指导目标维护人员应采取的具体处理措施,包括维修、更换部件、调整参数等。如果需要特定的工具或材料,也应在工单中明确指出。4.处理优先级和截止日期:根据设备的重要性和发热异常的严重程度,设定处理的优先级和完成的截止日期,以确保问题能够及时得到解决。5.联络人信息:提供工单创建者的联系方式,以便目标维护人员在处理过程中进行沟通和咨询。工单下发后,目标维护人员会收到通知,并根据工单中提供的信息和要求,及时对异常设备进行处理。他们可能需要进行现场调查、设备维修、更换零部件或调整设备参数等操作,以解决发热异常问题。同时,管理人员可以通过信息系统跟踪工单的处理进展,确保工单得到及时处理和关闭。本实施例中,维护人员可以更新工单状态,并在工单中记录相关的处理结果和操作细节,以便后续的审查和参考。
上面对本发明实施例中基于发电量的异常分析方法进行了描述,下面对本发明实施例中基于发电量的异常分析系统进行描述,请参阅图5,本发明实施例中基于发电量的异常分析系统一个实施例包括:
获取模块501,用于获取目标企业的初始发热量数据,以及对所述初始发热量数据进行数据标准化处理,得到标准发热量数据;
提取模块502,用于分别提取所述标准发热量数据中的煤量消耗数据和发电量转化数据,并根据所述煤量消耗数据生成煤量消耗分布曲线,以及根据所述发电量转化数据生成发电量转化分布曲线;
构建模块503,用于分别对所述煤量消耗分布曲线和所述发电量转化分布曲线进行特征提取,得到多个煤量曲线特征点和多个发电量曲线特征点,并根据所述多个煤量曲线特征点和多个发电量曲线特征点构建目标特征点集;
检测模块504,用于对所述目标特征点集进行编码映射,得到目标编码特征,并将所述目标编码特征输入预置的发热量异常分析模型进行设备异常发热检测,得到设备异常发热检测结果;
生成模块505,用于根据所述设备异常发热检测结果生成所述标准发热量数据对应的目标异常设备以及发热异常原因,并根据所述目标异常设备以及发热异常原因生成异常设备处理工单。
通过上述各个组成部分的协同合作,根据煤量消耗数据生成煤量消耗分布曲线,以及根据发电量转化数据生成发电量转化分布曲线;分别对煤量消耗分布曲线和发电量转化分布曲线进行特征提取,得到多个煤量曲线特征点和多个发电量曲线特征点,并根据多个煤量曲线特征点和多个发电量曲线特征点构建目标特征点集;对目标特征点集进行编码映射,得到目标编码特征,并将目标编码特征输入预置的发热量异常分析模型进行设备异常发热检测,得到设备异常发热检测结果;根据设备异常发热检测结果生成标准发热量数据对应的目标异常设备以及发热异常原因,本发明通过对设备运行数据进行持续监控,定期发掘和分析发电过程中的隐蔽点,提出优化建议和改进方案,进而逐步提高设备的运行效率和性能,进而提高企业的发电量异常检测的准确率。
上面图5从模块化功能实体的角度对本发明实施例中的基于发电量的异常分析系统进行详细描述,下面从硬件处理的角度对本发明实施例中基于发电量的异常分析设备进行详细描述。
图6是本发明实施例提供的一种基于发电量的异常分析设备的结构示意图,该基于发电量的异常分析设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对基于发电量的异常分析设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在基于发电量的异常分析设备600上执行存储介质630中的一系列指令操作。
基于发电量的异常分析设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作系统631,例如Windows Serve,MacOS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的基于发电量的异常分析设备结构并不构成对基于发电量的异常分析设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种基于发电量的异常分析设备,所述基于发电量的异常分析设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述基于发电量的异常分析方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述基于发电量的异常分析方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(randomacceS memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于发电量的异常分析方法,其特征在于,所述基于发电量的异常分析方法包括:
获取目标企业的初始发热量数据,以及对所述初始发热量数据进行数据标准化处理,得到标准发热量数据;
分别提取所述标准发热量数据中的煤量消耗数据和发电量转化数据,并根据所述煤量消耗数据生成煤量消耗分布曲线,以及根据所述发电量转化数据生成发电量转化分布曲线;
分别对所述煤量消耗分布曲线和所述发电量转化分布曲线进行特征提取,得到多个煤量曲线特征点和多个发电量曲线特征点,并根据所述多个煤量曲线特征点和多个发电量曲线特征点构建目标特征点集;
对所述目标特征点集进行编码映射,得到目标编码特征,并将所述目标编码特征输入预置的发热量异常分析模型进行设备异常发热检测,得到设备异常发热检测结果;
根据所述设备异常发热检测结果生成所述标准发热量数据对应的目标异常设备以及发热异常原因,并根据所述目标异常设备以及发热异常原因生成异常设备处理工单。
2.根据权利要求1所述的基于发电量的异常分析方法,其特征在于,所述获取目标企业的初始发热量数据,以及对所述初始发热量数据进行数据标准化处理,得到标准发热量数据,包括:
获取待处理的企业设备异常分析请求,并根据所述企业设备异常分析请求确定对应的目标企业;
提取所述目标企业的企业信息,并根据所述企业信息从发热量监测系统中获取所述目标企业的初始发热量数据;
对所述初始发热量数据进行数据标准化处理,得到标准发热量数据。
3.根据权利要求1所述的基于发电量的异常分析方法,其特征在于,所述分别提取所述标准发热量数据中的煤量消耗数据和发电量转化数据,并根据所述煤量消耗数据生成煤量消耗分布曲线,以及根据所述发电量转化数据生成发电量转化分布曲线,包括:
获取所述标准发热量数据对应的第一数据标识和第二数据标识;
根据所述第一数据标识获取所述标准发热量数据中的煤量消耗数据,并根据所述第二数据标识获取所述标准发热量数据中的发电量转化数据;
根据预置的第一曲线拟合函数生成所述煤量消耗数据对应的煤量消耗分布曲线;
根据预置的第二曲线拟合函数生成所述发电量转化数据对应的发电量转化分布曲线。
4.根据权利要求1所述的基于发电量的异常分析方法,其特征在于,所述分别对所述煤量消耗分布曲线和所述发电量转化分布曲线进行特征提取,得到多个煤量曲线特征点和多个发电量曲线特征点,并根据所述多个煤量曲线特征点和多个发电量曲线特征点构建目标特征点集,包括:
提取所述煤量消耗分布曲线中的多个第一初始特征点,以及提取所述发电量转化分布曲线中的多个第二初始特征点;
计算所述煤量消耗分布曲线的第一标准偏差,以及计算所述发电量转化分布曲线的第二标准偏差;
对所述多个第一初始特征点和所述第一标准偏差进行比较,得到多个第一比较结果,并根据所述多个第一比较结果生成多个煤量曲线特征点;
对所述多个第二初始特征点和所述第二标准偏差进行比较,得到多个第二比较结果,并根据所述多个第二比较结果生成多个发电量曲线特征点;
根据所述多个煤量曲线特征点和所述多个发电量曲线特征点构建目标特征点集。
5.根据权利要求1所述的基于发电量的异常分析方法,其特征在于,所述对所述目标特征点集进行编码映射,得到目标编码特征,并将所述目标编码特征输入预置的发热量异常分析模型进行设备异常发热检测,得到设备异常发热检测结果,包括:
根据预设的编码映射规则获取所述目标特征点集对应的目标映射关系;
根据所述目标映射关系对所述目标特征点集进行编码映射,得到目标编码特征;
将所述目标编码特征输入预置的发热量异常分析模型,通过所述发热量异常分析模型计算所述目标编码特征对应的目标概率值;
根据所述目标概率值生成设备异常发热检测结果。
6.根据权利要求1所述的基于发电量的异常分析方法,其特征在于,所述根据所述设备异常发热检测结果生成所述标准发热量数据对应的目标异常设备以及发热异常原因,并根据所述目标异常设备以及发热异常原因生成异常设备处理工单,包括:
根据所述设备异常发热检测结果匹配对应的目标异常设备以及发热异常原因;
对所述目标异常设备以及发热异常原因进行异常信息处理,得到异常设备处理工单;
将所述异常设备处理工单下发至目标维护人员。
7.一种基于发电量的异常分析系统,其特征在于,所述基于发电量的异常分析系统包括:
获取模块,用于获取目标企业的初始发热量数据,以及对所述初始发热量数据进行数据标准化处理,得到标准发热量数据;
提取模块,用于分别提取所述标准发热量数据中的煤量消耗数据和发电量转化数据,并根据所述煤量消耗数据生成煤量消耗分布曲线,以及根据所述发电量转化数据生成发电量转化分布曲线;
构建模块,用于分别对所述煤量消耗分布曲线和所述发电量转化分布曲线进行特征提取,得到多个煤量曲线特征点和多个发电量曲线特征点,并根据所述多个煤量曲线特征点和多个发电量曲线特征点构建目标特征点集;
检测模块,用于对所述目标特征点集进行编码映射,得到目标编码特征,并将所述目标编码特征输入预置的发热量异常分析模型进行设备异常发热检测,得到设备异常发热检测结果;
生成模块,用于根据所述设备异常发热检测结果生成所述标准发热量数据对应的目标异常设备以及发热异常原因,并根据所述目标异常设备以及发热异常原因生成异常设备处理工单。
8.根据权利要求7所述的基于发电量的异常分析系统,其特征在于,所述构建模块具体用于:
获取所述标准发热量数据对应的第一数据标识和第二数据标识;
根据所述第一数据标识获取所述标准发热量数据中的煤量消耗数据,并根据所述第二数据标识获取所述标准发热量数据中的发电量转化数据;
根据预置的第一曲线拟合函数生成所述煤量消耗数据对应的煤量消耗分布曲线;
根据预置的第二曲线拟合函数生成所述发电量转化数据对应的发电量转化分布曲线。
9.一种基于发电量的异常分析设备,其特征在于,所述基于发电量的异常分析设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于发电量的异常分析设备执行如权利要求1-6中任一项所述的基于发电量的异常分析方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-6中任一项所述的基于发电量的异常分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310623407.9A CN117009741A (zh) | 2023-05-30 | 2023-05-30 | 基于发电量的异常分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310623407.9A CN117009741A (zh) | 2023-05-30 | 2023-05-30 | 基于发电量的异常分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117009741A true CN117009741A (zh) | 2023-11-07 |
Family
ID=88573494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310623407.9A Pending CN117009741A (zh) | 2023-05-30 | 2023-05-30 | 基于发电量的异常分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117009741A (zh) |
-
2023
- 2023-05-30 CN CN202310623407.9A patent/CN117009741A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027615B (zh) | 基于机器学习的中间件故障预警方法和系统 | |
CN116011827B (zh) | 一种用于重点小区的停电监测分析与预警系统及方法 | |
JP7053152B2 (ja) | 推奨点検間隔を最適化するシステム及び方法 | |
CN117008479B (zh) | 基于生物质气化炉的负碳排放优化控制方法及系统 | |
CN116028887B (zh) | 一种连续性工业生产数据的分析方法 | |
KR102073537B1 (ko) | 리스크 평가 장치, 리스크 평가 시스템, 리스크 평가 방법 및 리스크 평가 프로그램 | |
CN116976707B (zh) | 基于用电信息采集的用户用电数据异常分析方法及系统 | |
CN116186624A (zh) | 一种基于人工智能的锅炉评估方法及系统 | |
CN112580858A (zh) | 设备参数预测分析方法及系统 | |
JP2017151980A5 (zh) | ||
CN116821107A (zh) | 一种用于智慧电厂的主数据智能化管理方法及系统 | |
CN112417627A (zh) | 一种基于四维指标体系配电网运行可靠性分析方法 | |
CN117056688A (zh) | 一种基于数据分析的新材料生产数据管理系统及方法 | |
CN114879619A (zh) | 数字车间能源优化方法及系统 | |
KR20200009081A (ko) | 리스크 평가 장치, 리스크 평가 시스템, 리스크 평가 방법, 리스크 평가 프로그램 및 데이터 구조 | |
CN112508359A (zh) | 一种设备管理系统和方法 | |
CN116910128A (zh) | 风电机组硬软故障数据分析系统及其分析方法 | |
CN113537681A (zh) | 用于炼化企业设备管理信息化的方法及系统 | |
CN117009741A (zh) | 基于发电量的异常分析方法及系统 | |
Beduschi et al. | Optimizing rotating equipment maintenance through machine learning algorithm | |
CN115392663A (zh) | 一种基于大数据的数据采集处理方法 | |
KR20040038124A (ko) | 복합화력용 온라인 실시간 운전성능 감시 및 진단 시스템 | |
CN117574180B (zh) | 燃料生产排放系统数据关联性控制管理系统 | |
CN117932520A (zh) | 基于数据识别的固体生物废物处理设备监测方法 | |
CN118071168A (zh) | 一种综合能源管理系统 |
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 |