CN117093952A - 基于电力设备运行状态的智能控制方法及系统 - Google Patents
基于电力设备运行状态的智能控制方法及系统 Download PDFInfo
- Publication number
- CN117093952A CN117093952A CN202311354261.9A CN202311354261A CN117093952A CN 117093952 A CN117093952 A CN 117093952A CN 202311354261 A CN202311354261 A CN 202311354261A CN 117093952 A CN117093952 A CN 117093952A
- Authority
- CN
- China
- Prior art keywords
- fault
- power equipment
- power
- equipment
- probability
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012423 maintenance Methods 0.000 claims abstract description 82
- 230000002776 aggregation Effects 0.000 claims description 33
- 238000004220 aggregation Methods 0.000 claims description 33
- 230000003213 activating effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 abstract description 13
- 238000004458 analytical method Methods 0.000 abstract description 11
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000004931 aggregating effect Effects 0.000 description 3
- 238000012098 association analyses Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000009365 direct transmission Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06F18/25—Fusion techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Power Engineering (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Water Supply & Treatment (AREA)
- Algebra (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了基于电力设备运行状态的智能控制方法及系统，涉及电力设备安全技术领域，该方法包括：获取历史传感数据集；输出各个电力设备分别对应的故障频率特征；得到故障关联系数集合；以故障频率特征获取第一预测时间节点下各个电力设备发生故障的预测故障概率；获取设备并行故障概率；对所述第一电力网络进行维护，解决了现有技术中存在由于缺乏对多个电力设备的并行状态监测，进而导致难以保证电力设备的运行安全的技术问题，实现对多个电力设备的并行故障概率分析，达到便于及时对多个电力设备进行检修维护，实现对电力设备运行状态的控制，防止多个电力设备同时发生故障，保证电力网络的输配电安全的技术效果。
Description
技术领域
本发明涉及电力设备安全技术领域，具体涉及基于电力设备运行状态的智能控制方法及系统。
背景技术
电力设备是电力系统中用于变电、输电、配电等的设备，包括发电机、配电设备、变压器、互感器等，电力设备在运行过程中，会产生老化、磨损等问题，导致电力设备的运行出现故障，从而影响电力系统的正常供配电。目前，智能运维管控技术在电力设备的监测中应用广泛，现有的电力设备的监测运维方法大多只是对电力设备进行独立监测，对于单独的电力设备进行检修维护，当多个设备同时发生故障时，难以同时对多个设备进行检修安排，多个设备故障对整个电力系统的影响较大。
综上，现有技术中存在由于缺乏对多个电力设备的并行状态监测，进而导致难以保证电力设备的运行安全的技术问题。
发明内容
本发明提供了基于电力设备运行状态的智能控制方法及系统，用以解决现有技术中存在由于缺乏对多个电力设备的并行状态监测，进而导致难以保证电力设备的运行安全的技术问题。
根据本发明的第一方面，提供了基于电力设备运行状态的智能控制方法，包括：获取第一电力网络的电力设备构成，根据数据采集卡对各个电力设备进行运行状态数据采集，获取历史传感数据集；根据所述历史传感数据集对各个电力设备进行历史故障特征识别，输出各个电力设备分别对应的故障频率特征；记录各个电力设备发生故障的时间节点，将处于同一时间节点发生故障电力设备为一组进行故障关联性识别，得到故障关联系数集合；获取第一预测时间节点，以所述故障频率特征获取所述第一预测时间节点下各个电力设备发生故障的预测故障概率；利用所述预测故障概率和所述故障关联系数集合进行识别，获取设备并行故障概率，其中，所述设备并行故障概率为基于所述第一预测时间节点下至少两个电力设备同时发生故障的风险概率；根据所述设备并行故障概率激活维护控制模块，对所述第一电力网络进行维护。
根据本发明的第二方面，提供了基于电力设备运行状态的智能控制系统，包括：运行状态数据采集单元，所述运行状态数据采集单元用于获取第一电力网络的电力设备构成，根据数据采集卡对各个电力设备进行运行状态数据采集，获取历史传感数据集；历史故障特征识别单元，所述历史故障特征识别单元用于根据所述历史传感数据集对各个电力设备进行历史故障特征识别，输出各个电力设备分别对应的故障频率特征；故障关联性识别单元，所述故障关联性识别单元用于记录各个电力设备发生故障的时间节点，将处于同一时间节点发生故障电力设备为一组进行故障关联性识别，得到故障关联系数集合；故障概率预测单元，所述故障概率预测单元用于获取第一预测时间节点，以所述故障频率特征获取所述第一预测时间节点下各个电力设备发生故障的预测故障概率；并行故障概率获取单元，所述并行故障概率获取单元用于利用所述预测故障概率和所述故障关联系数集合进行识别，获取设备并行故障概率，其中，所述设备并行故障概率为基于所述第一预测时间节点下至少两个电力设备同时发生故障的风险概率；设备维护控制单元，所述设备维护控制单元用于根据所述设备并行故障概率激活维护控制模块，对所述第一电力网络进行维护。
根据本发明采用的一个或多个技术方案，可达到的有益效果如下：
1.根据数据采集卡对各个电力设备进行运行状态数据采集，获取历史传感数据集，根据历史传感数据集对各个电力设备进行历史故障特征识别，输出各个电力设备分别对应的故障频率特征，记录各个电力设备发生故障的时间节点，将处于同一时间节点发生故障电力设备为一组进行故障关联性识别，得到故障关联系数集合，获取第一预测时间节点，以故障频率特征获取第一预测时间节点下各个电力设备发生故障的预测故障概率，利用预测故障概率和故障关联系数集合进行识别，获取设备并行故障概率，根据设备并行故障概率激活维护控制模块，对第一电力网络进行维护，实现对多个电力设备的并行故障概率分析，达到便于及时对多个电力设备进行检修维护，实现对电力设备运行状态的控制，防止多个电力设备同时发生故障，保证电力网络的输配电安全的技术效果。
2.采集多个时间节点样本，并输出对应时间节点下发生故障的电力设备，基于一个时间节点样本对应的电力设备为一个集合，生成多个故障设备集合，其中，每个集合中的电力设备数量至少为2，通过对多个故障设备集合中每个集合中对应的电力设备进行组合，生成故障关联组集合，根据故障关联组集合进行聚合，输出聚合结果，其中，聚合结果为故障关联组集合中每个关联组中两个元素相同的聚合结果，根据聚合结果进行故障关联性识别，得到故障关联系数集合，由此通过对电力设备进行组合后进行关联分析，达到为设备并行故障概率计算提供支持，提升设备并行故障概率的准确度，进而保证电力网络的输配电安全的技术效果。
3.根据预测故障概率，获取大于等于预设故障概率的N个电力设备，并获取N个电力设备对应的N个预测故障概率，基于N个电力设备，建立M个关联组，基于故障关联系数集合输出M个关联组的M个关联系数，通过调用N个预测故障概率的数据对M个关联系数进行计算，获取设备并行故障概率，由此实现对电力设备的并行故障概率分析，达到为电力设备的维护提供参考，便于进行电力设备的提前维护，防止多个电力设备同时发生故障的技术效果。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。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，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的基于电力设备运行状态的智能控制方法的流程示意图；
图2为本发明基于电力设备运行状态的智能控制方法中硬件关系的逻辑示意图；
图3为本发明实施例提供的基于电力设备运行状态的智能控制系统的结构示意图。
附图标记说明：运行状态数据采集单元11，历史故障特征识别单元12，故障关联性识别单元13，故障概率预测单元14，并行故障概率获取单元15，设备维护控制单元16。
具体实施方式
为了使得本发明的目的、技术方案和优点更为明显，下面将参照附图详细描述本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。
说明书中使用的术语用于描述实施例，而不是限制本发明。如在说明书中所使用的，单数术语“一”“一个”和“该”旨在也包括复数形式，除非上下文另有清楚指示。当在说明书中使用时，术语“包括”和/或“包含”指定了步骤、操作、元件和/或组件的存在，但是不排除一个或多个其他步骤、操作、元件、组件和/或其组的存在或添加。
除非另有定义，本说明书中使用的所有术语(包括技术和科学术语)应具有与本发明所属领域的技术人员通常理解的相同含义。术语，如常用词典中定义的术语，不应以理想化或过于正式的意义来解释，除非在此明确定义。在整个说明书中，相同的附图标记表示相同的元件。
需要说明的是，本发明所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
实施例一：
本发明实施例提供基于电力设备运行状态的智能控制方法，兹参照图1及图2作说明，所述方法包括：
获取第一电力网络的电力设备构成，根据数据采集卡对各个电力设备进行运行状态数据采集，获取历史传感数据集；
电力网络是电力系统中的电力设备按照电能的传输、分配等构成的网络，包括变电、输电、配电等，它把分布在广阔地域内的发电厂和用电户连成一体，把集中生产的电能送到分散用电用户。第一电力网络泛指任意一个电力网络，可结合实际应用情况确定。第一电力网络中包含多个电力设备，比如输电线路、变电设备等，可通过连接对应的电力系统直接提取第一电力网络的电力设备构成，比如输电线路、变压器、发电机等。进而根据数据采集卡对各个电力设备进行运行状态数据采集，获取历史传感数据集，运行状态数据采集是指对电力设备的在过去一段时间内（比如过去一年、半年等）的状态信息（是否发生故障）自动采集并送到存储至数据采集卡，数据采集卡即实现数据采集功能的计算机扩展卡，可以通过USB、PXI、PCI、PCI Express、以太网、各种无线网络等总线接入计算机和电力设备，从而对各个电力设备的运行状态数据进行采集并存储，得到历史传感数据集，第一电力网络中每一个电力设备对应一个历史传感数据集。
在一个优选实施例中，还包括：
按照电力设备构成确定数据传感通道，其中，所述数据传感通道与所述数据采集卡接口连接；将所述数据传感通道与信号调制模块连接，根据所述数据传感通道对各个电力设备进行状态数据传感，获取多通道传感数据，将所述多通道传感数据输入所述信号调制模块中进行处理，输出调制后的传感数据；将调制后的传感数据作为所述历史传感数据集存储至所述数据采集卡中以备调用。
按照电力设备构成确定数据传感通道，即一个电力设备对应一个数据传感通道，其中，所述数据传感通道与所述数据采集卡接口连接，用于将采集并处理的数据存储至数据采集卡。将所述数据传感通道与信号调制模块连接，在通信中发送端的原始电信号通常具有频率很低的频谱分量，一般不适宜直接在信道中进行传输，因此，通常需要将原始信号变换成频带适合信道传输的高频信号，这一过程被称为调制，常用的调制方法包括幅度键控（ASK）、频移键控（FSK）、相移键控（PSK）等，信号调制是使一种波形的某些特性按另一种波形或信号而变化的过程或处理方法，本领域技术人员可自行选取任意一种调制方法作为信号调制模块的信号调制原理，信号调制是本领域技术人员常用手段，在此不进行展开。
根据所述数据传感通道对各个电力设备进行状态数据传感，获取多通道传感数据，多通道传感数据即为每一个电力设备对应的历史运行状态数据，将所述多通道传感数据输入所述信号调制模块中进行处理，经过信号调制模块可以对多通道传感数据进行频谱搬移，输出调制后的传感数据，调制后的传感数据携带有电力设备的运行状态信息且适合在信道中进行传输，将调制后的传感数据作为所述历史传感数据集存储至所述数据采集卡中以备调用。由此实现对历史传感数据的采集，为后续的电力设备的维护控制提供基础。
根据所述历史传感数据集对各个电力设备进行历史故障特征识别，输出各个电力设备分别对应的故障频率特征；
根据所述历史传感数据集对各个电力设备进行历史故障特征识别，输出各个电力设备分别对应的故障频率特征，简单来说，所述历史传感数据集包含各个电力设备在历史时间内的运行状态数据，即历史时间内的每一个时间节点是否发生故障，由此统计得到各个电力设备发生故障的时间周期，比如每隔多长时间会发生故障，以故障发生的时间周期作为各个电力设备分别对应的故障频率特征。
记录各个电力设备发生故障的时间节点，将处于同一时间节点发生故障电力设备为一组进行故障关联性识别，得到故障关联系数集合；
在一个优选实施例中，还包括：
采集多个时间节点样本，并输出对应时间节点下发生故障的电力设备，基于一个时间节点样本对应的电力设备为一个集合，生成多个故障设备集合，其中，每个集合中的电力设备数量至少为2；通过对所述多个故障设备集合中每个集合中对应的电力设备进行组合，生成故障关联组集合；根据所述故障关联组集合进行聚合，输出聚合结果，其中，所述聚合结果为所述故障关联组集合中每个关联组中两个元素相同的聚合结果；根据所述聚合结果进行故障关联性识别，得到故障关联系数集合。
记录各个电力设备发生故障的时间节点，将处于同一时间节点发生故障电力设备为一组进行故障关联性识别，简单来说，就是分析历史中同时发生故障的电力设备之间的关联性，得到故障关联系数集合，具体过程如下：
基于所述历史传感数据集，以所述历史传感数据集中的运行状态采集时间节点，获取至少两个电力设备发生故障的时间节点作为多个时间节点样本，并输出对应时间节点下发生故障的电力设备，基于一个时间节点样本对应的电力设备为一个集合，生成多个时间节点样本对应的多个故障设备集合，其中，每个集合中的电力设备数量至少为2。通过对所述多个故障设备集合中每个集合中对应的电力设备进行组合，生成故障关联组集合，每个关联组包括至少两个电力设备，故障关联组集合包括多个关联组。根据所述故障关联组集合进行聚合，输出聚合结果，其中，所述聚合结果为所述故障关联组集合中每个关联组中两个元素相同的聚合结果，简单来说，故障关联组集合的多个关联组中，可能存在相同的关联中，即可能有多个关联组中包含的电力设备完全相同，将此类关联组聚合到一起作为一个聚合结果，可以得到多个聚合结果，每个聚合结果中包含多个元素相同的关联组。根据所述聚合结果进行故障关联性识别，简单来说，就是分析聚合结果中的关联组中的两个或多个电力设备之间的故障关联性，比如其中一个电力设备发生故障后，可能会影响另一个电力设备发生故障，具体来说，可根据历史传感数据集基于现有的关联性分析算法，比如灰色关联度计算获取聚合结果中的电力设备之间的故障关联系数，关联分析是本领域技术人员常用技术手段，故在此不进行展开，故障关联系数取值介于0至1，由此得到多个聚合结果的多个故障关联系数组成故障关联系数集合。对多设备的设备并行故障概率计算提供支持，便于用户及时对电力设备进行维护，防止多个设备同时发生故障。
获取第一预测时间节点，以所述故障频率特征获取所述第一预测时间节点下各个电力设备发生故障的预测故障概率；
在一个优选实施例中，还包括：
连接所述维护控制模块，获取所述维护控制模块中各个电力设备的检修日志；根据所述检修日志中的信息，获取各个电力设备对应的上一故障时间节点；根据所述故障频率特征和所述各个电力设备的上一故障时间节点，预测所述各个电力设备的下一故障时间节点；以所述下一故障时间节点与所述第一预测时间节点的差异，获取所述第一预测时间节点下各个电力设备发生故障的预测故障概率。
获取第一预测时间节点，第一预测时间节点由用户自行设定，其可以是从当前时刻开始的任意一个未来的时间点，以所述故障频率特征获取所述第一预测时间节点下各个电力设备发生故障的预测故障概率，具体过程如下：
连接维护控制模块，维护控制模块是用于对第一电力网络中的电力设备进行检修维护的控制系统或平台，对各个电力设备的每一次检修维护都会进行记录，包括检修确定的故障类型、故障时间等作为检修日志并存储至维护控制模块，通过连接维护控制模块可直接提取其中的各个电力设备的检修日志。根据所述检修日志中的信息，获取各个电力设备对应的上一故障时间节点，上一故障时间节点泛指距离当前时间最近的故障时间作为各个电力设备对应的上一故障时间节点。进一步根据所述故障频率特征和所述各个电力设备的上一故障时间节点，预测所述各个电力设备的下一故障时间节点，所述故障频率特征是指各个电力设备发生故障的时间周期，即每隔多长时间会发生故障，基于此，以上一故障时间节点加上发生故障的时间周期所得到的新的时间点即为预测出的下一故障时间节点，需要说明的是，每个电力设备均对应一个下一故障时间节点，且不同的电力设备的下一故障时间节点可不同。以所述下一故障时间节点与所述第一预测时间节点的差异，获取所述第一预测时间节点下各个电力设备发生故障的预测故障概率，简单来说，所述第一预测时间节点与所述下一故障时间节点越接近，第一预测时间节点下各个电力设备发生故障的预测故障概率越高，示例性地，可计算获取上一故障时间节点与下一故障时间节点之间的故障时间长度，然后根据下一故障时间节点与所述第一预测时间节点的差异得到差异的时间长度，用1减去差异的时间长度与故障时间长度的比值，所得结果作为所述第一预测时间节点下各个电力设备发生故障的预测故障概率。由此实现对各个电力设备的在第一预测时间节点下的故障概率预测，为设备并行故障概率的分析提供数据支持。
利用所述预测故障概率和所述故障关联系数集合进行识别，获取设备并行故障概率，其中，所述设备并行故障概率为基于所述第一预测时间节点下至少两个电力设备同时发生故障的风险概率；
在一个优选实施例中，还包括：
根据所述预测故障概率，获取大于等于预设故障概率的N个电力设备，并获取所述N个电力设备对应的N个预测故障概率；基于所述N个电力设备，建立M个关联组，其中，，M＞0，N＞0；基于所述故障关联系数集合输出所述M个关联组的M个关联系数；通过调用所述N个预测故障概率的数据对所述M个关联系数进行计算，获取所述设备并行故障概率。
利用所述预测故障概率和所述故障关联系数集合进行识别，获取设备并行故障概率，其中，所述设备并行故障概率为基于所述第一预测时间节点下至少两个电力设备同时发生故障的风险概率，具体获取过程如下：
根据所述预测故障概率，获取大于等于预设故障概率的N个电力设备，预设故障概率由本领域技术人员结合历史经验自行设定，就是说，在满足预设故障概率的情况下，电力设备实际发生故障的概率更大，比如60%，由此获取大于等于预设故障概率的N个电力设备对应的N个预测故障概率。基于所述N个电力设备，建立M个关联组，关联组中至少包含N个电力设备中的两个电力设备，可以理解为，M个关联组中包含的电力设备数量可分别为2、3、4、5直至N，基于此对N个电力设备中任意两个进行组合、任意三个进行组合、任意四个进行组合，以此类推，直到最后将N个电力设备也组合为其中一个关联组，即可得到M个关联组，通过简单数学计算，可以得出，对N个电力设备中进行组合时，关联组中包含N个电力设备的组合只有1个，关联组中包含N－1个电力设备的组合有2个，以此类推，关联组中包含2个电力设备的组合有N－1个，所有关联组的总数为M，，M＞0，N＞0。然后基于所述故障关联系数集合输出所述M个关联组的M个关联系数，故障关联系数集合是基于同一时间节点下同时发生故障的电力设备建立，所以故障关联系数集合只包含历史时间内曾经同时发生过故障的电力设备组成的关联组，就是说，M个关联组与所述故障关联系数集合并不具备一一对应关系，在故障关联系数集合中寻找与M个关联组中的电力设备相同的故障关联系数，M个关联组中的某个关联组在故障关联系数集合中可能没有匹配的故障关联系数，该关联组中的电力设备历史中没有同时出现过故障，就默认该关联组中的电力设备之间的故障关联系数为0，由此输出所述M个关联组对应的M个关联系数。通过调用所述N个预测故障概率的数据对所述M个关联系数进行计算，获取所述设备并行故障概率，其中，获取所述设备并行故障概率的表达式如下：
，
其中，P为所述设备并行故障概率，可以理解为对M个关联组分别进行并行概率计算后求得平均值，为所述M个关联组中的第i个电力设备关联组/>中电力设备的预测故障概率，/>为第i个关联组/>中电力设备/>的预测故障概率，可根据N个预测故障概率直接提取后代入；/>为M个关联系数中的所述第i个电力设备关联组的关联系数。需要说明的是，/>泛指M个关联组中任意一个关联组中包含的所有电力设备，就是说，如果关联组中包含3个电力设备，在进行设备并行故障概率计算时，需要加上第三个电力设备/>，获取所述设备并行故障概率的表达式变换为：
；
即为第i个关联组/>中电力设备/>的预测故障概率，以此类推，根据M个关联组中的每一个电力设备关联组中的所包含的电力设备对应的预测故障概率和关联系数计算获取所述设备并行故障概率。
由此实现对电力设备的并行故障概率分析，便于进行电力设备的提前维护，防止多个电力设备同时发生故障，及时有效地对多个电力设备进行检修维护，防止造成第一电力网络的运行故障。
根据所述设备并行故障概率激活维护控制模块，对所述第一电力网络进行维护。
在一个优选实施例中，还包括：
当所述设备并行故障概率大于预设并行故障概率，激活所述维护控制模块，并获取第一级维护对象和第二级维护对象，其中，所述第一级维护对象为所述N个预测故障概率中故障概率最大的电力设备，所述第二级维护对象为所述M个关联系数中关联系数最大的两个电力设备；将所述第一级维护对象和所述第二级维护对象作为所述维护控制模块的被控对象进行电力设备维护。
预设并行故障概率由用户自行设定，优选地，可设为60%，当所述设备并行故障概率大于预设并行故障概率，激活所述维护控制模块，并获取第一级维护对象和第二级维护对象，其中，所述第一级维护对象为所述N个预测故障概率中故障概率最大的电力设备，所述第二级维护对象为所述M个关联系数中关联系数最大的两个电力设备，需要说明的是，此处的两个电力设备只是假设关联系数最大的关联组中只包含两个电力设备，如果其中包含三个或者多个电力设备，那么所述第二级维护对象为对应的三个或者多个电力设备。将所述第一级维护对象和所述第二级维护对象作为所述维护控制模块的被控对象进行电力设备维护，简单来说，通过所述维护控制模块将所述第一级维护对象和所述第二级维护对象发送至第一电力网络的管理人员，管理人员利用所述维护控制模块指派检修人员对所述第一级维护对象和所述第二级维护对象进行检修维护，同时将检修维护过程中产生的数据存储至所述维护控制模块，便于下一次进行设备并行故障概率的预测。由此实现对多个电力设备的并行故障概率分析，便于及时对多个电力设备进行检修维护，实现对电力设备运行状态的控制，防止多个电力设备同时发生故障，保证电力网络的输配电安全。
基于上述分析可知，本发明提供的一个或多个技术方案，可达到的有益效果如下：
1.根据数据采集卡对各个电力设备进行运行状态数据采集，获取历史传感数据集，根据历史传感数据集对各个电力设备进行历史故障特征识别，输出各个电力设备分别对应的故障频率特征，记录各个电力设备发生故障的时间节点，将处于同一时间节点发生故障电力设备为一组进行故障关联性识别，得到故障关联系数集合，获取第一预测时间节点，以故障频率特征获取第一预测时间节点下各个电力设备发生故障的预测故障概率，利用预测故障概率和故障关联系数集合进行识别，获取设备并行故障概率，根据设备并行故障概率激活维护控制模块，对第一电力网络进行维护，实现对多个电力设备的并行故障概率分析，达到便于及时对多个电力设备进行检修维护，实现对电力设备运行状态的控制，防止多个电力设备同时发生故障，保证电力网络的输配电安全的技术效果。
2.采集多个时间节点样本，并输出对应时间节点下发生故障的电力设备，基于一个时间节点样本对应的电力设备为一个集合，生成多个故障设备集合，其中，每个集合中的电力设备数量至少为2，通过对多个故障设备集合中每个集合中对应的电力设备进行组合，生成故障关联组集合，根据故障关联组集合进行聚合，输出聚合结果，其中，聚合结果为故障关联组集合中每个关联组中两个元素相同的聚合结果，根据聚合结果进行故障关联性识别，得到故障关联系数集合，由此通过对电力设备进行组合后进行关联分析，达到为设备并行故障概率计算提供支持，提升设备并行故障概率的准确度，进而保证电力网络的输配电安全的技术效果。
3.根据预测故障概率，获取大于等于预设故障概率的N个电力设备，并获取N个电力设备对应的N个预测故障概率，基于N个电力设备，建立M个关联组，基于故障关联系数集合输出M个关联组的M个关联系数，通过调用N个预测故障概率的数据对M个关联系数进行计算，获取设备并行故障概率，由此实现对电力设备的并行故障概率分析，达到为电力设备的维护提供参考，便于进行电力设备的提前维护，防止多个电力设备同时发生故障的技术效果。
实施例二：
基于与前述实施例中基于电力设备运行状态的智能控制方法同样的发明构思，如图3所示，本发明还提供了基于电力设备运行状态的智能控制系统，所述系统包括：
运行状态数据采集单元11，所述运行状态数据采集单元11用于获取第一电力网络的电力设备构成，根据数据采集卡对各个电力设备进行运行状态数据采集，获取历史传感数据集；
历史故障特征识别单元12，所述历史故障特征识别单元12用于根据所述历史传感数据集对各个电力设备进行历史故障特征识别，输出各个电力设备分别对应的故障频率特征；
故障关联性识别单元13，所述故障关联性识别单元13用于记录各个电力设备发生故障的时间节点，将处于同一时间节点发生故障电力设备为一组进行故障关联性识别，得到故障关联系数集合；
故障概率预测单元14，所述故障概率预测单元14用于获取第一预测时间节点，以所述故障频率特征获取所述第一预测时间节点下各个电力设备发生故障的预测故障概率；
并行故障概率获取单元15，所述并行故障概率获取单元15用于利用所述预测故障概率和所述故障关联系数集合进行识别，获取设备并行故障概率，其中，所述设备并行故障概率为基于所述第一预测时间节点下至少两个电力设备同时发生故障的风险概率；
设备维护控制单元16，所述设备维护控制单元16用于根据所述设备并行故障概率激活维护控制模块，对所述第一电力网络进行维护。
进一步而言，所述运行状态数据采集单元11还用于：
按照电力设备构成确定数据传感通道，其中，所述数据传感通道与所述数据采集卡接口连接；
将所述数据传感通道与信号调制模块连接，根据所述数据传感通道对各个电力设备进行状态数据传感，获取多通道传感数据，将所述多通道传感数据输入所述信号调制模块中进行处理，输出调制后的传感数据；
将调制后的传感数据作为所述历史传感数据集存储至所述数据采集卡中以备调用。
进一步而言，所述故障概率预测单元14还用于：
连接所述维护控制模块，获取所述维护控制模块中各个电力设备的检修日志；
根据所述检修日志中的信息，获取各个电力设备对应的上一故障时间节点；
根据所述故障频率特征和所述各个电力设备的上一故障时间节点，预测所述各个电力设备的下一故障时间节点；
以所述下一故障时间节点与所述第一预测时间节点的差异，获取所述第一预测时间节点下各个电力设备发生故障的预测故障概率。
进一步而言，所述故障关联性识别单元13还用于：
采集多个时间节点样本，并输出对应时间节点下发生故障的电力设备，基于一个时间节点样本对应的电力设备为一个集合，生成多个故障设备集合，其中，每个集合中的电力设备数量至少为2；
通过对所述多个故障设备集合中每个集合中对应的电力设备进行组合，生成故障关联组集合；
根据所述故障关联组集合进行聚合，输出聚合结果，其中，所述聚合结果为所述故障关联组集合中每个关联组中两个元素相同的聚合结果；
根据所述聚合结果进行故障关联性识别，得到故障关联系数集合。
进一步而言，所述并行故障概率获取单元15还用于：
根据所述预测故障概率，获取大于等于预设故障概率的N个电力设备，并获取所述N个电力设备对应的N个预测故障概率；
基于所述N个电力设备，建立M个关联组，其中，，M＞0，N＞0；
基于所述故障关联系数集合输出所述M个关联组的M个关联系数；
通过调用所述N个预测故障概率的数据对所述M个关联系数进行计算，获取所述设备并行故障概率。
进一步而言，所述并行故障概率获取单元15还用于：
根据所述M个关联系数和所述N个预测故障概率，获取所述设备并行故障概率的表达式如下：
，
其中，P为所述设备并行故障概率，为第i个电力设备关联组/>中电力设备/>的预测故障概率，/>为第i个关联组/>中电力设备/>的预测故障概率；/>为所述第i个电力设备关联组/>的关联系数。
进一步而言，所述设备维护控制单元16还用于：
当所述设备并行故障概率大于预设并行故障概率，激活所述维护控制模块，并获取第一级维护对象和第二级维护对象，其中，所述第一级维护对象为所述N个预测故障概率中故障概率最大的电力设备，所述第二级维护对象为所述M个关联系数中关联系数最大的两个电力设备；
将所述第一级维护对象和所述第二级维护对象作为所述维护控制模块的被控对象进行电力设备维护。
前述实施例一中的基于电力设备运行状态的智能控制方法具体实例同样适用于本实施例的基于电力设备运行状态的智能控制系统，通过前述对基于电力设备运行状态的智能控制方法的详细描述，本领域技术人员可以清楚地知道本实施例中基于电力设备运行状态的智能控制系统，所以为了说明书的简洁，在此不再详述。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤，只要能够实现本发明公开的技术方案所期望的结果，本文在此不进行限制。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.基于电力设备运行状态的智能控制方法，其特征在于，所述方法包括：
获取第一电力网络的电力设备构成，根据数据采集卡对各个电力设备进行运行状态数据采集，获取历史传感数据集；
根据所述历史传感数据集对各个电力设备进行历史故障特征识别，输出各个电力设备分别对应的故障频率特征；
记录各个电力设备发生故障的时间节点，将处于同一时间节点发生故障电力设备为一组进行故障关联性识别，得到故障关联系数集合；
获取第一预测时间节点，以所述故障频率特征获取所述第一预测时间节点下各个电力设备发生故障的预测故障概率；
利用所述预测故障概率和所述故障关联系数集合进行识别，获取设备并行故障概率，其中，所述设备并行故障概率为基于所述第一预测时间节点下至少两个电力设备同时发生故障的风险概率；
根据所述设备并行故障概率激活维护控制模块，对所述第一电力网络进行维护。
2.如权利要求1所述的方法，其特征在于，根据数据采集卡采集对各个电力设备进行运行状态数据采集，方法还包括：
按照电力设备构成确定数据传感通道，其中，所述数据传感通道与所述数据采集卡接口连接；
将所述数据传感通道与信号调制模块连接，根据所述数据传感通道对各个电力设备进行状态数据传感，获取多通道传感数据，将所述多通道传感数据输入所述信号调制模块中进行处理，输出调制后的传感数据；
将调制后的传感数据作为所述历史传感数据集存储至所述数据采集卡中以备调用。
3.如权利要求1所述的方法，其特征在于，以所述故障频率特征获取所述第一预测时间节点下各个电力设备发生故障的预测故障概率，方法还包括：
连接所述维护控制模块，获取所述维护控制模块中各个电力设备的检修日志；
根据所述检修日志中的信息，获取各个电力设备对应的上一故障时间节点；
根据所述故障频率特征和所述各个电力设备的上一故障时间节点，预测所述各个电力设备的下一故障时间节点；
以所述下一故障时间节点与所述第一预测时间节点的差异，获取所述第一预测时间节点下各个电力设备发生故障的预测故障概率。
4.如权利要求1所述的方法，其特征在于，对处于同一时间节点发生故障电力设备为一组进行故障关联性识别，得到故障关联系数集合，方法还包括：
采集多个时间节点样本，并输出对应时间节点下发生故障的电力设备，基于一个时间节点样本对应的电力设备为一个集合，生成多个故障设备集合，其中，每个集合中的电力设备数量至少为2；
通过对所述多个故障设备集合中每个集合中对应的电力设备进行组合，生成故障关联组集合；
根据所述故障关联组集合进行聚合，输出聚合结果，其中，所述聚合结果为所述故障关联组集合中每个关联组中两个元素相同的聚合结果；
根据所述聚合结果进行故障关联性识别，得到故障关联系数集合。
5.如权利要求1所述的方法，其特征在于，利用所述预测故障概率和所述故障关联系数集合进行识别，获取设备并行故障概率，方法包括：
根据所述预测故障概率，获取大于等于预设故障概率的N个电力设备，并获取所述N个电力设备对应的N个预测故障概率；
基于所述N个电力设备，建立M个关联组，其中，，M＞0，N＞0；
基于所述故障关联系数集合输出所述M个关联组的M个关联系数；
通过调用所述N个预测故障概率的数据对所述M个关联系数进行计算，获取所述设备并行故障概率。
6.如权利要求5所述的方法，其特征在于，根据所述M个关联系数和所述N个预测故障概率，获取所述设备并行故障概率的表达式如下：
，
其中，P为所述设备并行故障概率，为第i个电力设备关联组/>中电力设备的预测故障概率，/>为第i个关联组/>中电力设备/>的预测故障概率；/>为所述第i个电力设备关联组/>的关联系数。
7.如权利要求5所述的方法，其特征在于，根据所述设备并行故障概率激活维护控制模块，对所述第一电力网络进行维护，方法还包括：
当所述设备并行故障概率大于预设并行故障概率，激活所述维护控制模块，并获取第一级维护对象和第二级维护对象，其中，所述第一级维护对象为所述N个预测故障概率中故障概率最大的电力设备，所述第二级维护对象为所述M个关联系数中关联系数最大的两个电力设备；
将所述第一级维护对象和所述第二级维护对象作为所述维护控制模块的被控对象进行电力设备维护。
8.基于电力设备运行状态的智能控制系统，其特征在于，用于执行权利要求1至7所述的基于电力设备运行状态的智能控制方法中任意一项方法的步骤，所述系统包括：
运行状态数据采集单元，所述运行状态数据采集单元用于获取第一电力网络的电力设备构成，根据数据采集卡对各个电力设备进行运行状态数据采集，获取历史传感数据集；
历史故障特征识别单元，所述历史故障特征识别单元用于根据所述历史传感数据集对各个电力设备进行历史故障特征识别，输出各个电力设备分别对应的故障频率特征；
故障关联性识别单元，所述故障关联性识别单元用于记录各个电力设备发生故障的时间节点，将处于同一时间节点发生故障电力设备为一组进行故障关联性识别，得到故障关联系数集合；
故障概率预测单元，所述故障概率预测单元用于获取第一预测时间节点，以所述故障频率特征获取所述第一预测时间节点下各个电力设备发生故障的预测故障概率；
并行故障概率获取单元，所述并行故障概率获取单元用于利用所述预测故障概率和所述故障关联系数集合进行识别，获取设备并行故障概率，其中，所述设备并行故障概率为基于所述第一预测时间节点下至少两个电力设备同时发生故障的风险概率；
设备维护控制单元，所述设备维护控制单元用于根据所述设备并行故障概率激活维护控制模块，对所述第一电力网络进行维护。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311354261.9A CN117093952B (zh) | 2023-10-19 | 2023-10-19 | 基于电力设备运行状态的智能控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311354261.9A CN117093952B (zh) | 2023-10-19 | 2023-10-19 | 基于电力设备运行状态的智能控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117093952A true CN117093952A (zh) | 2023-11-21 |
| CN117093952B CN117093952B (zh) | 2024-01-02 |
Family
ID=88780134
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311354261.9A Active CN117093952B (zh) | 2023-10-19 | 2023-10-19 | 基于电力设备运行状态的智能控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117093952B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117493498A (zh) * | 2024-01-02 | 2024-02-02 | 陕西博古德智能科技有限公司 | 基于工业互联网的电力数据挖掘与分析系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110334866A (zh) * | 2019-07-05 | 2019-10-15 | 上海交通大学 | 考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法及系统 |
| US20200387785A1 (en) * | 2019-06-05 | 2020-12-10 | Wuhan University | Power equipment fault detecting and positioning method of artificial intelligence inference fusion |
| CN113779496A (zh) * | 2021-09-24 | 2021-12-10 | 广州健新科技有限责任公司 | 一种基于设备全景数据的电力设备状态评估方法及系统 |
| CN114205214A (zh) * | 2021-12-10 | 2022-03-18 | 广东电网有限责任公司广州供电局 | 一种电力通信网络故障识别方法、装置、设备及存储介质 |
| CN116881675A (zh) * | 2023-09-07 | 2023-10-13 | 南京中鑫智电科技有限公司 | 一种基于贝叶斯算法的电力设备状态监测方法 |
-
2023
- 2023-10-19 CN CN202311354261.9A patent/CN117093952B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200387785A1 (en) * | 2019-06-05 | 2020-12-10 | Wuhan University | Power equipment fault detecting and positioning method of artificial intelligence inference fusion |
| CN110334866A (zh) * | 2019-07-05 | 2019-10-15 | 上海交通大学 | 考虑绝缘缺陷类别与故障关联性的电力设备故障概率预测方法及系统 |
| CN113779496A (zh) * | 2021-09-24 | 2021-12-10 | 广州健新科技有限责任公司 | 一种基于设备全景数据的电力设备状态评估方法及系统 |
| CN114205214A (zh) * | 2021-12-10 | 2022-03-18 | 广东电网有限责任公司广州供电局 | 一种电力通信网络故障识别方法、装置、设备及存储介质 |
| CN116881675A (zh) * | 2023-09-07 | 2023-10-13 | 南京中鑫智电科技有限公司 | 一种基于贝叶斯算法的电力设备状态监测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117493498A (zh) * | 2024-01-02 | 2024-02-02 | 陕西博古德智能科技有限公司 | 基于工业互联网的电力数据挖掘与分析系统 |
| CN117493498B (zh) * | 2024-01-02 | 2024-04-02 | 陕西博古德智能科技有限公司 | 基于工业互联网的电力数据挖掘与分析系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117093952B (zh) | 2024-01-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117093952B (zh) | 基于电力设备运行状态的智能控制方法及系统 | |
| CN101149416B (zh) | 电力电缆绝缘状态监测与寿命管理系统 | |
| CN115170000B (zh) | 一种基于电能表通信模块的远程监测方法及系统 | |
| CN109800995A (zh) | 一种电网设备故障识别方法及系统 | |
| CN105548744A (zh) | 一种基于运检大数据的变电设备故障识别方法及其系统 | |
| CN111242171A (zh) | 网络故障的模型训练、诊断预测方法、装置以及电子设备 | |
| CN115221982B (zh) | 牵引供电运维方法、装置、终端及存储介质 | |
| CN115423009A (zh) | 一种面向云边协同的电力设备故障识别方法及系统 | |
| CN116739829B (zh) | 一种基于大数据的电力数据分析方法、系统及介质 | |
| CN115441456A (zh) | 一种电网调度支持系统故障诊断方法及装置 | |
| CN110361609A (zh) | 特高压设备监测系统及方法 | |
| CN117526998A (zh) | 基于扩频载波通信的供电故障监测方法及系统 | |
| CN116881661A (zh) | 一种基于低压电力电容器的性能自动化分析方法及系统 | |
| Benouioua et al. | Multifractal analysis of stack voltage based on wavelet leaders: A new tool for PEMFC diagnosis | |
| CN114167837B (zh) | 一种铁路信号系统的智能故障诊断方法及系统 | |
| CN113848410B (zh) | 一种控保装置的检测方法及装置 | |
| CN115825602A (zh) | 一种综合多元信息相似性分析的负荷辨识方法及系统 | |
| CN113825162B (zh) | 电信网络故障原因定位方法及装置 | |
| CN115150248A (zh) | 网络流量异常检测方法、装置、电子设备和存储介质 | |
| CN117408537B (zh) | 一种能够实现实时风险预测的电能质量监测系统 | |
| KR20220025342A (ko) | 로지스틱 회귀를 이용한 아크신호 검출방법 | |
| CN112347655A (zh) | 一种基于机组运行性能评估的风电场理论功率计算方法 | |
| CN112465358A (zh) | 基于支持向量机的电压质量分类方法及装置 | |
| CN117615338B (zh) | 基于生成式ai的门诊管理方法及系统 | |
| CN117152925B (zh) | 基于大数据的电力通信数据处理系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |