CN117148805A - 一种多场景适应的电厂设备预警方法及系统 - Google Patents
一种多场景适应的电厂设备预警方法及系统 Download PDFInfo
- Publication number
- CN117148805A CN117148805A CN202311417067.0A CN202311417067A CN117148805A CN 117148805 A CN117148805 A CN 117148805A CN 202311417067 A CN202311417067 A CN 202311417067A CN 117148805 A CN117148805 A CN 117148805A
- Authority
- CN
- China
- Prior art keywords
- power plant
- equipment
- digital twin
- target
- real
- 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 58
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 18
- 238000013461 design Methods 0.000 claims abstract description 83
- 238000012544 monitoring process Methods 0.000 claims abstract description 63
- 238000004088 simulation Methods 0.000 claims abstract description 14
- 230000015654 memory Effects 0.000 claims description 22
- 239000000446 fuel Substances 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 5
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 230000008030 elimination Effects 0.000 abstract description 4
- 238000003379 elimination reaction Methods 0.000 abstract description 4
- 230000003213 activating effect Effects 0.000 abstract description 2
- 238000010248 power generation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开提供了一种多场景适应的电厂设备预警方法及系统,涉及监测预警技术领域,该方法包括:获得目标电厂的目标设计信息;构建目标电厂数字孪生模型;获得历史运行场景数据集;构建数字孪生关联网络集合;交互获得目标电厂的实时运行参数,确定实时运行场景特征;进行对应数字孪生关联网络激活;进行实时数字孪生关联网络的运行模拟,获得目标故障预警设备。通过本公开可以解决现有技术中存在进行电厂设备故障监测预警较为粗放,导致实际电厂设备故障预警准确性较弱且滞后性较强,对于设备故障隐患排除的有效性较弱的技术问题,实现精细化进行电厂设备故障识别预警的目标,达到提高电厂故障干预及时性和有效性的技术效果。
Description
技术领域
本公开涉及监测预警技术领域,具体涉及一种多场景适应的电厂设备预警方法及系统。
背景技术
电厂设备是电厂中的核心部分,电厂设备的正常与否直接影响着整个电厂系统的安全与稳定。应用开发实用的电厂设备故障监测和预警系统,是为了对电厂设备运行更安全、可靠。
综上所述,现有技术存在进行电厂设备故障监测预警较为粗放,导致实际电厂设备故障预警准确性较弱且滞后性较强,对于设备故障隐患排除的有效性较弱的技术问题。
发明内容
本公开提供了一种多场景适应的电厂设备预警方法及系统,用以解决现有技术中存在进行电厂设备故障监测预警较为粗放,导致实际电厂设备故障预警准确性较弱且滞后性较强,对于设备故障隐患排除的有效性较弱的技术问题。
根据本公开的第一方面,提供了一种多场景适应的电厂设备预警方法,包括:获得目标电厂的目标设计信息,其中,所述目标设计信息包括K个设备组成信息和K个设备设计信息,K为正整数;构建目标电厂数字孪生模型,其中,所述目标电厂数字孪生模型基于所述目标设计信息构建生成,所述目标电厂数字孪生模型包括K个设备数字孪生子模型;获得历史运行场景数据集,其中,所述历史运行场景数据集通过交互所述目标电厂的历史运行日志构建获得,所述历史运行场景数据集包括H组电厂设备运行数据记录,其中,H为正整数;构建数字孪生关联网络集合,其中,所述数字孪生关联网络集合根据所述H组电厂设备运行数据记录进行所述K个设备数字孪生子模型的连接构建;交互获得所述目标电厂的实时运行参数,并基于所述实时运行参数确定实时运行场景特征;基于所述实时运行场景特征在所述数字孪生关联网络集合中进行对应数字孪生关联网络激活,获得实时数字孪生关联网络;根据所述实时运行参数进行所述实时数字孪生关联网络的运行模拟,获得目标故障预警设备。
根据本公开的第二方面,提供了一种多场景适应的电厂设备预警系统,包括:历史用电信息获得模块,所述历史用电信息获得模块用于获得目标电厂的目标设计信息,其中,所述目标设计信息包括K个设备组成信息和K个设备设计信息,K为正整数;目标电厂数字孪生模型获得模块,所述目标电厂数字孪生模型获得模块用于构建目标电厂数字孪生模型,其中,所述目标电厂数字孪生模型基于所述目标设计信息构建生成,所述目标电厂数字孪生模型包括K个设备数字孪生子模型;历史运行场景数据集获得模块,所述历史运行场景数据集获得模块用于获得历史运行场景数据集,其中,所述历史运行场景数据集通过交互所述目标电厂的历史运行日志构建获得,所述历史运行场景数据集包括H组电厂设备运行数据记录,其中,H为正整数;数字孪生关联网络集合获得模块,所述数字孪生关联网络集合获得模块用于构建数字孪生关联网络集合,其中,所述数字孪生关联网络集合根据所述H组电厂设备运行数据记录进行所述K个设备数字孪生子模型的连接构建;实时运行参数获得模块,所述实时运行参数获得模块用于交互获得所述目标电厂的实时运行参数,并基于所述实时运行参数确定实时运行场景特征;实时数字孪生关联网络获得模块,所述实时数字孪生关联网络获得模块用于基于所述实时运行场景特征在所述数字孪生关联网络集合中进行对应数字孪生关联网络激活,获得实时数字孪生关联网络;目标故障预警设备获得模块,所述目标故障预警设备获得模块用于根据所述实时运行参数进行所述实时数字孪生关联网络的运行模拟,获得目标故障预警设备。
根据本公开的第三方面,一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器实现能够执行第一方面中任一项所述的方法。
根据本公开的第四方面,一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现能够执行第一方面中任一项所述的方法。
本公开中提供的一个或多个技术方案,至少具有如下技术效果或优点:根据本公开采用的通过获得目标电厂的目标设计信息,其中,所述目标设计信息包括K个设备组成信息和K个设备设计信息,K为正整数;构建目标电厂数字孪生模型,其中,所述目标电厂数字孪生模型基于所述目标设计信息构建生成,所述目标电厂数字孪生模型包括K个设备数字孪生子模型;获得历史运行场景数据集,其中,所述历史运行场景数据集通过交互所述目标电厂的历史运行日志构建获得,所述历史运行场景数据集包括H组电厂设备运行数据记录,其中,H为正整数;构建数字孪生关联网络集合,其中,所述数字孪生关联网络集合根据所述H组电厂设备运行数据记录进行所述K个设备数字孪生子模型的连接构建;交互获得所述目标电厂的实时运行参数,并基于所述实时运行参数确定实时运行场景特征;基于所述实时运行场景特征在所述数字孪生关联网络集合中进行对应数字孪生关联网络激活,获得实时数字孪生关联网络;根据所述实时运行参数进行所述实时数字孪生关联网络的运行模拟,获得目标故障预警设备,解决了现有技术中存在进行电厂设备故障监测预警较为粗放,导致实际电厂设备故障预警准确性较弱且滞后性较强,对于设备故障隐患排除的有效性较弱的技术问题,实现精细化进行电厂设备故障识别预警的目标,达到提高电厂故障干预及时性和有效性的技术效果。
应当理解,本部分所描述的内容并非旨在标示本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其他特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本公开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的介绍,显而易见地,下面描述中的附图仅仅是示例性的,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为本公开实施例提供的一种多场景适应的电厂设备预警方法的流程示意图;
图2为本公开实施例一种多场景适应的电厂设备预警方法中构建目标电厂数字孪生模型的流程示意图;
图3为本公开实施例一种多场景适应的电厂设备预警方法中目标电厂数字孪生模型的逻辑示意图;
图4为本公开实施例提供的一种多场景适应的电厂设备预警系统的结构示意图;
图5为本公开实施例提供的一种计算机设备的结构示意图。
附图标记说明:历史用电信息获得模块11,目标电厂数字孪生模型获得模块12,历史运行场景数据集获得模块13,数字孪生关联网络集合获得模块14,实时运行参数获得模块15,实时数字孪生关联网络获得模块16,目标故障预警设备获得模块17,电子设备800,处理器801,存储器802,总线803。
具体实施方式
以下结合附图对本公开的示范性实施例作出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
实施例一
本公开实施例提供的一种多场景适应的电厂设备预警方法,兹参照图1、图2及图3作说明,所述方法包括:
本公开实施例提供的方法中包括:
获得目标电厂的目标设计信息,其中,所述目标设计信息包括K个设备组成信息和K个设备设计信息,K为正整数;
目标电厂为待进行电厂设备故障监测预警的对应电厂。获取目标电厂的目标设计信息,目标电厂的目标设计信息为目标电厂的整体运行情况和条件。其中,目标设计信息包括K个设备组成信息和K个设备设计信息,由于目标电厂至少包括一个电厂设备,因此K为正整数。进一步地,K个设备组成信息为电厂设备的类型信息和组成组件信息,比如发电设备和供电设备,发电设备的组成组件,包括母线、断路器、开关等。K个设备设计信息包括电厂设备的运行情况和条件,比如电厂设备的负荷需求、发电能力、供电要求等。
构建目标电厂数字孪生模型,其中,所述目标电厂数字孪生模型基于所述目标设计信息构建生成,所述目标电厂数字孪生模型包括K个设备数字孪生子模型;
基于大数据,以电厂设备孪生模型为索引进行检索,获得多个电厂设备孪生模型。将多个电厂设备孪生模型进行提取并组合,获得电厂设备孪生模型库。其中,目标电厂的电厂设备与K个设备组成信息、K个设备设计信息具有映射关系。进一步地,对K个设备组成信息进行组成特征提取,获得K个组件特征和K个类型特征。进一步地,对K个设备设计信息进行设计特征提取,获得K个设计特征。进一步地,将K个组件特征和K个类型特征进行提取,依次访问电厂设备孪生模型库进行匹配,匹配获得第一电厂设备对应的电厂设备孪生模型库,获得K个标准数字孪生子模型。进一步地,进行K个标准数字孪生子模型的非标化调整,用于获得差异化的模型。
获得历史运行场景数据集,其中,所述历史运行场景数据集通过交互所述目标电厂的历史运行日志构建获得,所述历史运行场景数据集包括H组电厂设备运行数据记录,其中,H为正整数;
目标电厂的历史运行日志用于记录目标电厂的历史运行数据。通过交互目标电厂的历史运行日志,获得多个历史运行场景数据。将多个历史运行场景数据进行组合构建,获得历史运行场景数据集。进一步地,历史运行场景数据集包括H组电厂设备运行数据记录。其中,多个电厂设备的运行数据为一组电厂设备运行数据记录。
构建数字孪生关联网络集合,其中,所述数字孪生关联网络集合根据所述H组电厂设备运行数据记录进行所述K个设备数字孪生子模型的连接构建;
通过历史运行场景数据集中H组电厂设备运行数据记录,获得运行场景分类特征。通过运行场景分类特征对历史运行场景数据集进行分类,获得多种样本运行场景类型,通过多种样本运行场景类型对应获得多组运行场景设备集合。进一步地,按照多组运行场景设备集合调用对应的K个设备数字孪生子模型,将K个设备数字孪生子模型进行连接,构建数字孪生关联网络集合。
交互获得所述目标电厂的实时运行参数,并基于所述实时运行参数确定实时运行场景特征;
基于所述实时运行场景特征在所述数字孪生关联网络集合中进行对应数字孪生关联网络激活,获得实时数字孪生关联网络;
通过电厂运行监测设备对目标电厂进行监测,交互获得目标电厂的实时运行参数。按照目标电厂的实时运行参数确定实时运行参数对应实时运行场景特征。
进一步地,根据实时运行场景特征在数字孪生关联网络集合中进行对应数字孪生关联网络激活,获得实时数字孪生关联网络。用于在判断确定电厂实时运行工况后,进行对应电厂设备关联数字孪生子网络的激活,以实现仅激活与当前运行工况相关联的多个电厂设备。
根据所述实时运行参数进行所述实时数字孪生关联网络的运行模拟,获得目标故障预警设备。
通过与实时数字孪生关联网络进行交互,获得多个标准运行工况参数,将多个标准运行工况参数组合获得标准运行工况参数集。进一步地,按照目标电厂的实时运行参数对实时数字孪生关联网络进行运行模拟。进一步地,获得工况相似分析子网络,用于进行工况相似程度比对。将标准运行工况参数集和实时运行工况参数集作为输入数据输入同步至工况相似分析子网络,获得工况相似度,对应获得多个实时工况偏离参数,将多个实时工况偏离参数进行组合获得实时工况偏离参数集。进一步地,按照工况相似度由低到高,将实时工况偏离参数集中多个实时工况偏离参数进行序列化处理,进而根据实时工况偏离参数对应获得目标故障预警设备。
其中,通过本实施例可以解决现有技术中存在进行电厂设备故障监测预警较为粗放,导致实际电厂设备故障预警准确性较弱且滞后性较强,对于设备故障隐患排除的有效性较弱的技术问题,实现精细化进行电厂设备故障识别预警的目标,达到提高电厂故障干预及时性和有效性的技术效果。
本公开实施例提供的方法中还包括:
预构建电厂设备孪生模型库;
基于所述目标设计信息提取获得第一设备组成信息和第一设备设计信息,其中,所述第一设备组成信息和第一设备设计信息基于第一电厂设备具有映射关系;
对所述第一设备组成信息进行组成特征提取,获得第一组件特征和第一类型特征;
对所述第一设备设计信息进行设计特征提取,获得第一设计特征;
采用所述第一组件特征和所述第一类型特征遍历所述电厂设备孪生模型库获得所述第一电厂设备的第一标准数字孪生子模型;
采用所述第一设计特征进行所述第一标准数字孪生子模型的非标化调整,获得第一设备数字孪生子模型;
以此类推,获得所述K个设备数字孪生子模型。
基于大数据,以电厂设备孪生模型为索引进行检索,获得多个电厂设备孪生模型。将多个电厂设备孪生模型进行提取并组合,获得电厂设备孪生模型库。
进一步地,从目标电厂的目标设计信息中进行提取,目标设计信息包括K个设备组成信息和K个设备设计信息,随机提取一个设备组成信息和一个设备设计信息,作为第一设备组成信息和第一设备设计信息。将第一设备组成信息和第一设备设计信息对应的电厂设备进行提取,作为第一电厂设备。因此第一电厂设备与第一设备组成信息、第一设备设计信息具有映射关系。
进一步地,基于大数据,以电厂设备组件和电厂设备类型为索引进行检索,获得多个电厂设备组件组成和类型数据。对第一设备组成信息进行组成特征提取,将第一设备组成信息与大数据获得的电厂设备组件组成和类型数据进行匹配,获得第一组件特征和第一类型特征。其中,第一组件特征为组成第一电厂设备的多个组件特征。第一类型特征为第一电厂设备的类型,比如第一电厂设备的发电设备或者供电设备。
进一步地,基于大数据,以电厂设备设计信息为索引进行检索,获得多个电厂设备设计信息。对第一设备设计信息进行设计特征提取,将第一设备设计信息与大数据获得的电厂设备设计信息进行匹配,获得第一设计特征。其中,第一设计特征为第一电厂设备的运行情况和条件,比如第一电厂设备的负荷需求、发电能力、供电要求等。
进一步地,将第一组件特征和第一类型特征进行提取,依次访问电厂设备孪生模型库进行匹配,匹配获得第一电厂设备对应的电厂设备孪生模型库,作为第一标准数字孪生子模型。第一标准数字孪生子模型为标准化的、统一的模型。
进一步地,通过第一设计特征进行第一标准数字孪生子模型的非标化调整,用于获得差异化的模型。举例而言,非标化调整的过程可以为根据第一设计特征中的电厂设备的运行情况和条件调整。按照与获得第一电厂设备的第一标准数字孪生模型的方法,获得K个设备组成信息和K个设备设计信息对应的K个电厂设备,进而获得K个设备数字孪生子模型。
其中,构建目标电厂数字孪生模型,其中,目标电厂数字孪生模型基于目标设计信息构建生成,目标电厂数字孪生模型包括K个设备数字孪生子模型,可以获得较多电厂故障监测数据,提高电厂设备故障监测的准确度。
本公开实施例提供的方法中还包括:
所述历史运行场景数据集包括H组历史电厂负荷需求-历史燃料消耗速率,其中,所述H组历史电厂负荷需求-历史燃料消耗速率和所述H组电厂设备运行数据记录存在映射关系;
预构建运行场景分类特征,其中,所述运行场景分类特征包括对用于F种样本运行场景类型的F组样本电厂负荷特征-样本燃料消耗特征;
基于所述F组历史电厂负荷需求-历史燃料消耗速率遍历所述运行场景分类特征,对所述历史运行场景数据集进行运行场景分类,获得F组历史运行场景数据子集,其中,所述F组历史运行场景数据子集对应于所述F种样本运行场景类型,且每一历史运行场景数据子集中存储有M组电厂设备运行数据记录,M为小于H的正整数;
基于所述F组历史运行场景数据子集进行运行状态设备调用,获得F组运行场景设备集合。
历史运行场景数据集包括H组电厂设备运行数据记录。历史运行场景数据集包括H组历史电厂负荷需求-历史燃料消耗速率。其中,H组历史电厂负荷需求-历史燃料消耗速率和H组电厂设备运行数据记录存在映射关系。
进一步地,交互目标电厂的历史运行日志,构建运行场景分类特征,其中,运行场景分类特征包括用于F种样本运行场景类型的F组样本电厂负荷特征-样本燃料消耗特征。F种样本运行场景类型为通过运行场景分类特征进行分类获得。
进一步地,依次访问运行场景分类特征对应的F组历史电厂负荷需求-历史燃料消耗速率,提取运行场景分类特征,通过运行场景分类特征对历史运行场景数据集进行运行场景分类,获得F组历史运行场景数据子集。其中,F组历史运行场景数据子集与F种样本运行场景类型关联对应。每一组历史运行场景数据子集中存储有M组电厂设备运行数据记录,M为小于H的正整数。进一步地,按照F组历史运行场景数据子集对应电厂设备,进行运行状态设备调用,获得F组运行场景设备集合,用于确定每种运行场景对应的电厂设备,进而向对应的电厂设备进行监测预警。
其中,确定每种运行场景需要对哪些电厂设备进行监测预警,可以提高电厂设备监测预警的准确性。
本公开实施例提供的方法中还包括:
基于所述F组运行场景设备集合提取第一运行场景设备集合,其中,所述第一运行场景设备集合采用第一样本运行场景类型进行运行场景类型标识;
根据所述第一运行场景设备集合在所述数字孪生关联网络集合进行对应设备数字孪生子模型调用,获得第一数字孪生关联网络;
以此类推,采用所述F组运行场景设备集合进行F个数字孪生关联网络构建;
所述F个数字孪生关联网络构成所述数字孪生关联网络集合。
从F组运行场景设备集合中随机提取一组运行场景设备集合,作为第一运行场景设备集合。其中,对第一运行场景设备集合进行运行场景类型标识,对第一运行场景设备集合标识第一样本运行场景类型,获得具有第一样本运行场景类型标识的第一运行场景设备集合。
进一步地,对K个设备数字孪生子模型进行连接,构建数字孪生关联网络集合。按照第一运行场景设备集合对应电厂设备,在数字孪生关联网络集合中进行对应电厂设备的数字孪生子模型的调用,获得第一数字孪生关联网络。进一步地,根据获得第一数字孪生关联网络的方法,同样的,对F组运行场景设备集合标识F种样本运行场景类型,进而调取F组运行场景设备集合对应的数字孪生子模型。对多个设备数字孪生子模型组合获得数字孪生关联网络集合。
其中,构建数字孪生关联网络集合,其中,数字孪生关联网络集合根据H组电厂设备运行数据记录进行K个设备数字孪生子模型的连接构建,提高电厂设备监测预警的精确度。
本公开实施例提供的方法中还包括:
获得K个第一设备关联频次,其中,所述K个第一设备关联频次基于所述F个数字孪生关联网络进行设备关联频次计数确定;
获得K个第二设备关联频次,其中,所述K个第二设备关联频次基于所述F组运行场景设备集合进行设备出现频次计数确定;
对第一设备关联频次和第二设备关联频次分别设定第一权重和第二权重;
交互获得所述K个设备数字孪生子模型的K个标准监测预警窗口;
根据所述第一权重、所述第二权重、所述K个第一设备关联频次和所述K个第二设备关联频次计算获得K个监测周期调节参数;
基于所述K个监测周期调节参数进行所述K个标准监测预警窗口的监测周期优化,获得K个非标监测预警窗口。
对F个数字孪生关联网络进行设备关联频次计数,获得多个设备关联频次。其中,根据目标电厂的目标设计信息中K个设备组成信息对应获得K个电厂设备,根据K个电厂设备,对应获得K个第一设备关联频次。
进一步地,对F组运行场景设备集合进行设备出现频次计数,获得多个设备出现频次。其中,根据K个电厂设备,对应获得K个第二设备关联频次。
进一步地,对第一设备关联频次设定第一权重,对第二设备关联频次设定第二权重。举例而言,第一权重与第二权重为根据目标电厂实际情况进行自定义设置。
进一步地,对K个设备数字孪生子模型进行交互获得K个标准监测预警窗口,用于生成预警信息。
进一步地,计算第一权重与K个第一设备关联频次的权重结果,计算第二权重与K个第二设备关联频次的权重结果,将二者相加之和作为K个监测周期调节参数。举例而言,若F个数字孪生关联网络的影响作用较大,则设置第一权重大于第二权重。
进一步地,按照K个监测周期调节参数进行K个标准监测预警窗口的监测周期优化,获得K个非标监测预警窗口,用于结合对应实时运行工况的电厂设备故障识别特征进行电厂设备故障识别预警。举例而言,第一权重大于第二权重,则将K个监测周期调节参数设置为K个监测周期的周期增加,获得周期优化结果。
其中,基于K个监测周期调节参数进行K个标准监测预警窗口的监测周期优化,获得K个非标监测预警窗口,可以精细化进行电厂设备故障识别预警。
本公开实施例提供的方法中还包括:
交互所述实时数字孪生关联网络,获得标准运行工况参数集;
根据所述实时运行参数进行所述实时数字孪生关联网络的运行模拟,获得实时运行工况参数集;
将所述标准运行工况参数集和所述实时运行工况参数集同步至工况相似分析子网络,获得实时工况偏离参数集;
序列化所述实时工况偏离参数集,获得所述目标故障预警设备。
通过与实时数字孪生关联网络进行交互,用于在判断确定电厂实时运行工况,获得多个标准运行工况参数,将多个标准运行工况参数组合获得标准运行工况参数集。进一步地,按照目标电厂的实时运行参数对实时数字孪生关联网络进行运行模拟。
进一步地,获得工况相似分析子网络,用于进行工况相似程度比对。将标准运行工况参数集和实时运行工况参数集作为输入数据输入同步至工况相似分析子网络,获得工况相似度,对应获得多个实时工况偏离参数,将多个实时工况偏离参数进行组合获得实时工况偏离参数集。
进一步地,按照工况相似度由低到高,将实时工况偏离参数集中多个实时工况偏离参数进行序列化处理,获得序列化处理结果,进而根据序列化处理结果中实时工况偏离参数对应获得目标故障预警设备。
其中,根据实时运行参数进行实时数字孪生关联网络的运行模拟,获得目标故障预警设备,可以结合对应实时运行工况的电厂设备故障识别特征进行电厂设备故障识别预警。
本公开实施例提供的方法中还包括:
预构建电厂设备故障预警记录,其中,所述电厂设备故障预警记录包括K组历史电厂设备故障频次-历史电厂设备运维频次;
获得所述目标故障预警设备的目标设备名称;
基于所述目标设备名称遍历所述电厂设备故障预警记录,结合所述目标故障预警设备计算获得目标故障概率;
预设阶梯监测预警等级,并基于所述目标故障概率调用对应监测预警等级进行电厂设备故障预警。
通过进行故障监测,获得并构建电厂设备故障预警记录,其中,电厂设备故障预警记录包括K组历史电厂设备故障频次-历史电厂设备运维频次。由于存在假性故障,历史电厂设备故障频次和历史电厂设备运维频次不具有一致性。
进一步地,获得目标故障预警设备的目标设备名称。举例而言,目标设备名称为发电机等。进一步地,依次访问电厂设备故障预警记录,将目标设备名称与电厂设备故障预警记录进行匹配,获得目标故障预警设备与对应电厂设备故障预警记录,结合目标故障预警设备与对应电厂设备故障预警记录计算获得目标故障概率。
进一步地,根据目标电厂实际情况,自定义预设阶梯监测预警等级。每个阶梯监测预警等级对应一个故障概率阈值。进一步地,根据目标故障概率获得目标故障概率所处的故障概率阈值。调用目标故障概率所处的故障概率阈值对应监测预警等级进行电厂设备故障预警。
其中,基于目标故障概率调用对应监测预警等级进行电厂设备故障预警,可以提高电厂故障干预及时性和有效性。
实施例二
基于与前述实施例中一种多场景适应的电厂设备预警方法同样的发明构思,兹参照图4作说明,本公开还提供了一种多场景适应的电厂设备预警系统,所述系统包括:
历史用电信息获得模块,所述历史用电信息获得模块用于获得目标电厂的目标设计信息,其中,所述目标设计信息包括K个设备组成信息和K个设备设计信息,K为正整数;
目标电厂数字孪生模型获得模块,所述目标电厂数字孪生模型获得模块用于构建目标电厂数字孪生模型,其中,所述目标电厂数字孪生模型基于所述目标设计信息构建生成,所述目标电厂数字孪生模型包括K个设备数字孪生子模型;
历史运行场景数据集获得模块,所述历史运行场景数据集获得模块用于获得历史运行场景数据集,其中,所述历史运行场景数据集通过交互所述目标电厂的历史运行日志构建获得,所述历史运行场景数据集包括H组电厂设备运行数据记录,其中,H为正整数;
数字孪生关联网络集合获得模块,所述数字孪生关联网络集合获得模块用于构建数字孪生关联网络集合,其中,所述数字孪生关联网络集合根据所述H组电厂设备运行数据记录进行所述K个设备数字孪生子模型的连接构建;
实时运行参数获得模块,所述实时运行参数获得模块用于交互获得所述目标电厂的实时运行参数,并基于所述实时运行参数确定实时运行场景特征;
实时数字孪生关联网络获得模块,所述实时数字孪生关联网络获得模块用于基于所述实时运行场景特征在所述数字孪生关联网络集合中进行对应数字孪生关联网络激活,获得实时数字孪生关联网络;
目标故障预警设备获得模块,所述目标故障预警设备获得模块用于根据所述实时运行参数进行所述实时数字孪生关联网络的运行模拟,获得目标故障预警设备。
进一步地,所述系统还包括:
电厂设备孪生模型库获得模块,所述电厂设备孪生模型库获得模块用于预构建电厂设备孪生模型库;
目标设计信息获得模块,所述目标设计信息获得模块用于基于所述目标设计信息提取获得第一设备组成信息和第一设备设计信息,其中,所述第一设备组成信息和第一设备设计信息基于第一电厂设备具有映射关系;
第一设备组成信息获得模块,所述第一设备组成信息获得模块用于对所述第一设备组成信息进行组成特征提取,获得第一组件特征和第一类型特征;
第一设计特征获得模块,所述第一设计特征获得模块用于对所述第一设备设计信息进行设计特征提取,获得第一设计特征;
第一标准数字孪生子模型获得模块,所述第一标准数字孪生子模型获得模块用于采用所述第一组件特征和所述第一类型特征遍历所述电厂设备孪生模型库获得所述第一电厂设备的第一标准数字孪生子模型;
第一设备数字孪生子模型获得模块,所述第一设备数字孪生子模型获得模块用于采用所述第一设计特征进行所述第一标准数字孪生子模型的非标化调整,获得第一设备数字孪生子模型;
数字孪生子模型获得模块,所述数字孪生子模型获得模块用于以此类推,获得所述K个设备数字孪生子模型。
进一步地,所述系统还包括:
历史运行场景数据集获得模块,所述历史运行场景数据集获得模块用于所述历史运行场景数据集包括H组历史电厂负荷需求-历史燃料消耗速率,其中,所述H组历史电厂负荷需求-历史燃料消耗速率和所述H组电厂设备运行数据记录存在映射关系;
运行场景分类特征获得模块,所述运行场景分类特征获得模块用于预构建运行场景分类特征,其中,所述运行场景分类特征包括对用于F种样本运行场景类型的F组样本电厂负荷特征-样本燃料消耗特征;
样本运行场景类型获得模块,所述样本运行场景类型获得模块用于基于所述F组历史电厂负荷需求-历史燃料消耗速率遍历所述运行场景分类特征,对所述历史运行场景数据集进行运行场景分类,获得F组历史运行场景数据子集,其中,所述F组历史运行场景数据子集对应于所述F种样本运行场景类型,且每一历史运行场景数据子集中存储有M组电厂设备运行数据记录,M为小于H的正整数;
运行场景设备集合获得模块,所述运行场景设备集合获得模块用于基于所述F组历史运行场景数据子集进行运行状态设备调用,获得F组运行场景设备集合。
进一步地,所述系统还包括:
第一运行场景设备集合获得模块,所述第一运行场景设备集合获得模块用于基于所述F组运行场景设备集合提取第一运行场景设备集合,其中,所述第一运行场景设备集合采用第一样本运行场景类型进行运行场景类型标识;
第一数字孪生关联网络获得模块,所述第一数字孪生关联网络获得模块用于根据所述第一运行场景设备集合在所述数字孪生关联网络集合进行对应设备数字孪生子模型调用,获得第一数字孪生关联网络;
F个数字孪生关联网络获得模块,所述F个数字孪生关联网络获得模块用于以此类推,采用所述F组运行场景设备集合进行F个数字孪生关联网络构建;
数字孪生关联网络集合获得模块,所述数字孪生关联网络集合获得模块用于所述F个数字孪生关联网络构成所述数字孪生关联网络集合。
进一步地,所述系统还包括:
第一设备关联频次获得模块,所述第一设备关联频次获得模块用于获得K个第一设备关联频次,其中,所述K个第一设备关联频次基于所述F个数字孪生关联网络进行设备关联频次计数确定;
第二设备关联频次获得模块,所述第二设备关联频次获得模块用于获得K个第二设备关联频次,其中,所述K个第二设备关联频次基于所述F组运行场景设备集合进行设备出现频次计数确定;
第一权重获得模块,所述第一权重获得模块用于对第一设备关联频次和第二设备关联频次分别设定第一权重和第二权重;
标准监测预警窗口获得模块,所述标准监测预警窗口获得模块用于交互获得所述K个设备数字孪生子模型的K个标准监测预警窗口;
监测周期调节参数获得模块,所述监测周期调节参数获得模块用于根据所述第一权重、所述第二权重、所述K个第一设备关联频次和所述K个第二设备关联频次计算获得K个监测周期调节参数;
非标监测预警窗口获得模块,所述非标监测预警窗口获得模块用于基于所述K个监测周期调节参数进行所述K个标准监测预警窗口的监测周期优化,获得K个非标监测预警窗口。
进一步地,所述系统还包括:
标准运行工况参数集获得模块,所述标准运行工况参数集获得模块用于交互所述实时数字孪生关联网络,获得标准运行工况参数集;
实时运行工况参数集获得模块,所述实时运行工况参数集获得模块用于根据所述实时运行参数进行所述实时数字孪生关联网络的运行模拟,获得实时运行工况参数集;
实时工况偏离参数集获得模块,所述实时工况偏离参数集获得模块用于将所述标准运行工况参数集和所述实时运行工况参数集同步至工况相似分析子网络,获得实时工况偏离参数集;
目标故障预警设备获得模块,所述目标故障预警设备获得模块用于序列化所述实时工况偏离参数集,获得所述目标故障预警设备。
进一步地,所述系统还包括:
电厂设备故障预警记录获得模块,所述电厂设备故障预警记录获得模块用于预构建电厂设备故障预警记录,其中,所述电厂设备故障预警记录包括K组历史电厂设备故障频次-历史电厂设备运维频次;
目标设备名称获得模块,所述目标设备名称获得模块用于获得所述目标故障预警设备的目标设备名称;
目标故障概率获得模块,所述目标故障概率获得模块用于基于所述目标设备名称遍历所述电厂设备故障预警记录,结合所述目标故障预警设备计算获得目标故障概率;
监测预警等级获得模块,所述监测预警等级获得模块用于预设阶梯监测预警等级,并基于所述目标故障概率调用对应监测预警等级进行电厂设备故障预警。
前述实施例一中的一种多场景适应的电厂设备预警方法具体实例同样适用于本实施例的一种多场景适应的电厂设备预警系统,通过前述对一种多场景适应的电厂设备预警方法的详细描述,本领域技术人员可以清楚地知道本实施例中一种多场景适应的电厂设备预警系统,所以为了说明书的简洁,在此不再详述。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述得比较简单,相关之处参见方法部分说明即可。
实施例三
图5是根据本公开第三实施例的示意图,如图5所示,本公开中的计算机设备800可以包括:处理器801和存储器802。
存储器802,用于存储程序;存储器802,可以包括易失性存储器(英文:volatilememory),例如随机存取存储器(英文:random-access memory,缩写:RAM),如静态随机存取存储器(英文:static random-access memory,缩写:SRAM),双倍数据率同步动态随机存取存储器(英文:Double Data Rate Synchronous Dynamic Random Access Memory,缩写:DDR SDRAM)等;存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory)。存储器802用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等,上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器802中。并且上述的计算机程序、计算机指令、数据等可以被处理器801调用。
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器802中。并且上述的计算机程序、计算机指令等可以被处理器801调用。
处理器801,用于执行存储器802存储的计算机程序,以实现上述实施例涉及的方法中的各个步骤。
具体可以参见前面方法实施例中的相关描述。
处理器801和存储器802可以是独立结构,也可以是集成在一起的集成结构。当处理器801和存储器802是独立结构时,存储器802、处理器801可以通过总线803耦合连接。
本实施例的计算机设备可以执行上述方法中的技术方案,其具体实现过程和技术原理相同,此处不再赘述。
根据本公开的实施例,本公开还提供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计算机程序,所述计算机程序在执行时实现上述任一实施例提供的步骤。
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。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所做的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (10)
1.一种多场景适应的电厂设备预警方法,其特征在于,所述方法包括:
获得目标电厂的目标设计信息,其中,所述目标设计信息包括K个设备组成信息和K个设备设计信息,K为正整数;
构建目标电厂数字孪生模型,其中,所述目标电厂数字孪生模型基于所述目标设计信息构建生成,所述目标电厂数字孪生模型包括K个设备数字孪生子模型;
获得历史运行场景数据集,其中,所述历史运行场景数据集通过交互所述目标电厂的历史运行日志构建获得,所述历史运行场景数据集包括H组电厂设备运行数据记录,其中,H为正整数;
构建数字孪生关联网络集合,其中,所述数字孪生关联网络集合根据所述H组电厂设备运行数据记录进行所述K个设备数字孪生子模型的连接构建;
交互获得所述目标电厂的实时运行参数,并基于所述实时运行参数确定实时运行场景特征;
基于所述实时运行场景特征在所述数字孪生关联网络集合中进行对应数字孪生关联网络激活,获得实时数字孪生关联网络;
根据所述实时运行参数进行所述实时数字孪生关联网络的运行模拟,获得目标故障预警设备。
2.如权利要求1所述的方法,其特征在于,构建目标电厂数字孪生模型,其中,所述目标电厂数字孪生模型基于所述目标设计信息构建生成,所述目标电厂数字孪生模型包括K个设备数字孪生子模型,所述方法还包括:
预构建电厂设备孪生模型库;
基于所述目标设计信息提取获得第一设备组成信息和第一设备设计信息,其中,所述第一设备组成信息和第一设备设计信息基于第一电厂设备具有映射关系;
对所述第一设备组成信息进行组成特征提取,获得第一组件特征和第一类型特征;
对所述第一设备设计信息进行设计特征提取,获得第一设计特征;
采用所述第一组件特征和所述第一类型特征遍历所述电厂设备孪生模型库获得所述第一电厂设备的第一标准数字孪生子模型;
采用所述第一设计特征进行所述第一标准数字孪生子模型的非标化调整,获得第一设备数字孪生子模型;
以此类推,获得所述K个设备数字孪生子模型。
3.如权利要求1所述的方法,其特征在于,构建数字孪生关联网络集合,之前,所述方法还包括:
所述历史运行场景数据集包括H组历史电厂负荷需求-历史燃料消耗速率,其中,所述H组历史电厂负荷需求-历史燃料消耗速率和所述H组电厂设备运行数据记录存在映射关系;
预构建运行场景分类特征,其中,所述运行场景分类特征包括对用于F种样本运行场景类型的F组样本电厂负荷特征-样本燃料消耗特征;
基于所述F组历史电厂负荷需求-历史燃料消耗速率遍历所述运行场景分类特征,对所述历史运行场景数据集进行运行场景分类,获得F组历史运行场景数据子集,其中,所述F组历史运行场景数据子集对应于所述F种样本运行场景类型,且每一历史运行场景数据子集中存储有M组电厂设备运行数据记录,M为小于H的正整数;
基于所述F组历史运行场景数据子集进行运行状态设备调用,获得F组运行场景设备集合。
4.如权利要求3所述的方法,其特征在于,构建数字孪生关联网络集合,其中,所述数字孪生关联网络集合根据所述H组电厂设备运行数据记录进行所述K个设备数字孪生子模型的连接构建,所述方法还包括:
基于所述F组运行场景设备集合提取第一运行场景设备集合,其中,所述第一运行场景设备集合采用第一样本运行场景类型进行运行场景类型标识;
根据所述第一运行场景设备集合在所述数字孪生关联网络集合进行对应设备数字孪生子模型调用,获得第一数字孪生关联网络;
以此类推,采用所述F组运行场景设备集合进行F个数字孪生关联网络构建;
所述F个数字孪生关联网络构成所述数字孪生关联网络集合。
5.如权利要求4所述的方法,其特征在于,所述方法还包括:
获得K个第一设备关联频次,其中,所述K个第一设备关联频次基于所述F个数字孪生关联网络进行设备关联频次计数确定;
获得K个第二设备关联频次,其中,所述K个第二设备关联频次基于所述F组运行场景设备集合进行设备出现频次计数确定;
对第一设备关联频次和第二设备关联频次分别设定第一权重和第二权重;
交互获得所述K个设备数字孪生子模型的K个标准监测预警窗口;
根据所述第一权重、所述第二权重、所述K个第一设备关联频次和所述K个第二设备关联频次计算获得K个监测周期调节参数;
基于所述K个监测周期调节参数进行所述K个标准监测预警窗口的监测周期优化,获得K个非标监测预警窗口。
6.如权利要求1所述的方法,其特征在于,根据所述实时运行参数进行所述实时数字孪生关联网络的运行模拟,获得目标故障预警设备,所述方法还包括:
交互所述实时数字孪生关联网络,获得标准运行工况参数集;
根据所述实时运行参数进行所述实时数字孪生关联网络的运行模拟,获得实时运行工况参数集;
将所述标准运行工况参数集和所述实时运行工况参数集同步至工况相似分析子网络,获得实时工况偏离参数集;
序列化所述实时工况偏离参数集,获得所述目标故障预警设备。
7.如权利要求6所述的方法,其特征在于,根据所述实时运行参数进行所述实时数字孪生关联网络的运行模拟,获得目标故障预警设备,之后,所述方法还包括:
预构建电厂设备故障预警记录,其中,所述电厂设备故障预警记录包括K组历史电厂设备故障频次-历史电厂设备运维频次;
获得所述目标故障预警设备的目标设备名称;
基于所述目标设备名称遍历所述电厂设备故障预警记录,结合所述目标故障预警设备计算获得目标故障概率;
预设阶梯监测预警等级,并基于所述目标故障概率调用对应监测预警等级进行电厂设备故障预警。
8.一种多场景适应的电厂设备预警系统,其特征在于,用于实施权利要求1-7中任意一项所述的一种多场景适应的电厂设备预警方法,所述系统包括:
历史用电信息获得模块,所述历史用电信息获得模块用于获得目标电厂的目标设计信息,其中,所述目标设计信息包括K个设备组成信息和K个设备设计信息,K为正整数;
目标电厂数字孪生模型获得模块,所述目标电厂数字孪生模型获得模块用于构建目标电厂数字孪生模型,其中,所述目标电厂数字孪生模型基于所述目标设计信息构建生成,所述目标电厂数字孪生模型包括K个设备数字孪生子模型;
历史运行场景数据集获得模块,所述历史运行场景数据集获得模块用于获得历史运行场景数据集,其中,所述历史运行场景数据集通过交互所述目标电厂的历史运行日志构建获得,所述历史运行场景数据集包括H组电厂设备运行数据记录,其中,H为正整数;
数字孪生关联网络集合获得模块,所述数字孪生关联网络集合获得模块用于构建数字孪生关联网络集合,其中,所述数字孪生关联网络集合根据所述H组电厂设备运行数据记录进行所述K个设备数字孪生子模型的连接构建;
实时运行参数获得模块,所述实时运行参数获得模块用于交互获得所述目标电厂的实时运行参数,并基于所述实时运行参数确定实时运行场景特征;
实时数字孪生关联网络获得模块,所述实时数字孪生关联网络获得模块用于基于所述实时运行场景特征在所述数字孪生关联网络集合中进行对应数字孪生关联网络激活,获得实时数字孪生关联网络;
目标故障预警设备获得模块,所述目标故障预警设备获得模块用于根据所述实时运行参数进行所述实时数字孪生关联网络的运行模拟,获得目标故障预警设备。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311417067.0A CN117148805B (zh) | 2023-10-30 | 2023-10-30 | 一种多场景适应的电厂设备预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311417067.0A CN117148805B (zh) | 2023-10-30 | 2023-10-30 | 一种多场景适应的电厂设备预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117148805A true CN117148805A (zh) | 2023-12-01 |
CN117148805B CN117148805B (zh) | 2024-01-12 |
Family
ID=88902990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311417067.0A Active CN117148805B (zh) | 2023-10-30 | 2023-10-30 | 一种多场景适应的电厂设备预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117148805B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117786385A (zh) * | 2023-12-26 | 2024-03-29 | 嘉兴欣晟电机股份有限公司 | 基于孪生网络的三相异步电动机故障监测方法及系统 |
CN117786385B (zh) * | 2023-12-26 | 2024-05-17 | 嘉兴欣晟电机股份有限公司 | 基于孪生网络的三相异步电动机故障监测方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050033481A1 (en) * | 2003-08-08 | 2005-02-10 | Budhraja Vikram S. | Real-time performance monitoring and management system |
US20200003442A1 (en) * | 2018-06-29 | 2020-01-02 | Johnson Controls Technology Company | Quantitative monthly visual indicator to determine data availability for utility rates |
WO2020023998A1 (en) * | 2018-07-29 | 2020-02-06 | Nova Professional Services Pty Ltd | Improvements to operational state determination and modification |
CN113065580A (zh) * | 2021-03-17 | 2021-07-02 | 国能大渡河大数据服务有限公司 | 一种基于多信息融合的电厂设备管理方法及系统 |
CN113703410A (zh) * | 2021-08-31 | 2021-11-26 | 华电国际电力股份有限公司深圳公司 | 一种智慧电厂的智慧运行平台 |
CN114280955A (zh) * | 2021-11-18 | 2022-04-05 | 南方电网调峰调频发电有限公司 | 基于领域信息模型及数字孪生的智能水电厂体系系统及架构方法 |
CN114282828A (zh) * | 2021-12-27 | 2022-04-05 | 华北电力大学 | 一种碳循环系统及其应用 |
CN114429092A (zh) * | 2022-04-06 | 2022-05-03 | 温州电力建设有限公司 | 一种基于数字孪生的继电保护设备数字化仿真系统 |
CN115074158A (zh) * | 2022-06-21 | 2022-09-20 | 湖南工商大学 | 一种基于数字孪生的煤气化技术过程安全预警系统 |
CN115364992A (zh) * | 2022-08-22 | 2022-11-22 | 国能长源武汉青山热电有限公司 | 一种磨煤机健康监测系统及健康监测方法 |
CN116933626A (zh) * | 2023-07-07 | 2023-10-24 | 国网浙江省电力有限公司杭州供电公司 | 一种基于数字孪生的数据监测方法及装置 |
-
2023
- 2023-10-30 CN CN202311417067.0A patent/CN117148805B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050033481A1 (en) * | 2003-08-08 | 2005-02-10 | Budhraja Vikram S. | Real-time performance monitoring and management system |
US20200003442A1 (en) * | 2018-06-29 | 2020-01-02 | Johnson Controls Technology Company | Quantitative monthly visual indicator to determine data availability for utility rates |
WO2020023998A1 (en) * | 2018-07-29 | 2020-02-06 | Nova Professional Services Pty Ltd | Improvements to operational state determination and modification |
CN113065580A (zh) * | 2021-03-17 | 2021-07-02 | 国能大渡河大数据服务有限公司 | 一种基于多信息融合的电厂设备管理方法及系统 |
CN113703410A (zh) * | 2021-08-31 | 2021-11-26 | 华电国际电力股份有限公司深圳公司 | 一种智慧电厂的智慧运行平台 |
CN114280955A (zh) * | 2021-11-18 | 2022-04-05 | 南方电网调峰调频发电有限公司 | 基于领域信息模型及数字孪生的智能水电厂体系系统及架构方法 |
CN114282828A (zh) * | 2021-12-27 | 2022-04-05 | 华北电力大学 | 一种碳循环系统及其应用 |
CN114429092A (zh) * | 2022-04-06 | 2022-05-03 | 温州电力建设有限公司 | 一种基于数字孪生的继电保护设备数字化仿真系统 |
CN115074158A (zh) * | 2022-06-21 | 2022-09-20 | 湖南工商大学 | 一种基于数字孪生的煤气化技术过程安全预警系统 |
CN115364992A (zh) * | 2022-08-22 | 2022-11-22 | 国能长源武汉青山热电有限公司 | 一种磨煤机健康监测系统及健康监测方法 |
CN116933626A (zh) * | 2023-07-07 | 2023-10-24 | 国网浙江省电力有限公司杭州供电公司 | 一种基于数字孪生的数据监测方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117786385A (zh) * | 2023-12-26 | 2024-03-29 | 嘉兴欣晟电机股份有限公司 | 基于孪生网络的三相异步电动机故障监测方法及系统 |
CN117786385B (zh) * | 2023-12-26 | 2024-05-17 | 嘉兴欣晟电机股份有限公司 | 基于孪生网络的三相异步电动机故障监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117148805B (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | Probabilistic framework for assessing the accuracy of data mining tool for online prediction of transient stability | |
CN112699605B (zh) | 一种充电桩故障元件预测方法及系统 | |
Jia et al. | Defect prediction of relay protection systems based on LSSVM-BNDT | |
Zhang et al. | State‐of‐health estimation for the lithium‐ion battery based on gradient boosting decision tree with autonomous selection of excellent features | |
CN116169675B (zh) | 考虑运行方式变化的电力系统动态稳定性在线评估方法 | |
CN116610104B (zh) | 基于砷烷合成控制系统的故障分析方法及系统 | |
CN112633315A (zh) | 一种电力系统扰动分类方法 | |
CN105630656A (zh) | 基于日志模型的系统健壮性分析方法及装置 | |
CN116205226A (zh) | 一种电力设备状态评估方法、装置、设备及可读存储介质 | |
CN114609994A (zh) | 基于多粒度正则化重平衡增量学习的故障诊断方法及装置 | |
CN112485597A (zh) | 基于多源数据的电力系统输电线路故障诊断方法及系统 | |
Koochi et al. | Taxonomy of coherency detection and coherency‐based methods for generators grouping and power system partitioning | |
CN113935443B (zh) | 异构设备多域联合故障预测方法、装置、终端及存储介质 | |
CN117148805B (zh) | 一种多场景适应的电厂设备预警方法及系统 | |
CN117318033A (zh) | 一种结合数据孪生的电网数据管理方法及系统 | |
CN116389062A (zh) | 基于流量安全分析的工业控制系统行为监测方法及设备 | |
Bashiri Mosavi | Extracting Discriminative Features in Reactive Power Variations by 1-Persistence Parallel Fragmented Hybrid Feature Selection Scheme for Transient Stability Prediction. | |
CN115980585A (zh) | 电池故障的检测方法、装置、计算机设备和存储介质 | |
CN113570473B (zh) | 设备故障监测方法、装置、计算机设备和存储介质 | |
Hou et al. | A federated learning-based fault detection algorithm for power terminals | |
CN112737120B (zh) | 区域电网控制报告的生成方法、装置和计算机设备 | |
CN115327299A (zh) | 一种电力系统连锁故障的识别方法及相关设备 | |
CN114298188A (zh) | 一种电力设备故障智能分析方法及系统 | |
Qing | Controlled islanding of power systems using label propagation | |
Chen et al. | A data mining method for extracting key factors of distribution network reliability |
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 |