CN117290795A - 一种适用于单个仪表测量结果异常值的在线识别方法 - Google Patents

一种适用于单个仪表测量结果异常值的在线识别方法 Download PDF

Info

Publication number
CN117290795A
CN117290795A CN202311047846.6A CN202311047846A CN117290795A CN 117290795 A CN117290795 A CN 117290795A CN 202311047846 A CN202311047846 A CN 202311047846A CN 117290795 A CN117290795 A CN 117290795A
Authority
CN
China
Prior art keywords
measurement result
operation parameter
normal
abnormal
instrument
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
Application number
CN202311047846.6A
Other languages
English (en)
Inventor
刘晓燕
伍文华
杨长柱
雷晓龙
宋放放
谢林贵
刘兴
赵晓苗
蔡绍旺
陈贝贝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
DEC Dongfang Turbine Co Ltd
Original Assignee
DEC Dongfang Turbine Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by DEC Dongfang Turbine Co Ltd filed Critical DEC Dongfang Turbine Co Ltd
Priority to CN202311047846.6A priority Critical patent/CN117290795A/zh
Publication of CN117290795A publication Critical patent/CN117290795A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种适用于单个仪表测量结果异常值的在线识别方法，属于动力设备技术领域；该方法通过运行参数A和运行参数B的测量，并通过运行参数B计算运行参数A的正常值，与运行参数A的实时测量结果对比识别运行参数A的正常或异常；本发明通过单个仪表是指为获取设备的某个运行参数，仅配置了1个仪表进行测量，其中测点、仪表、以及数据传输过程均可能发生故障，当故障发生时，获取的对应测量结果就是异常的。把异常的测量结果在线识别出来，不参与后续的算法，是提高智能运维结果准确性和可信度的重要环节，避免由于测点/仪表/数据传输故障导致的测量结果异常而触发的误报警、误诊断，可广泛应用于智慧电站的设备智能运维建设。

Description

一种适用于单个仪表测量结果异常值的在线识别方法
技术领域
本发明涉及一种适用于单个仪表测量结果异常值的在线识别方法，属于动力设备技术领域。
背景技术
随着经济的发展，电站的数字化和智慧化转型已经成为电力企业保障生产作业安全、提升生产运营效率、实现节能减排的必由之路。
智慧电站的组成包括了智能设备层、智能控制层、智能生产监管层和智能管理层，其中，实现生产设备的智能运维是智能生产监管层的重要组成部分。
实现设备的智能运维功能，就需要对设备的运行数据进行收集、整理、计算和分析，如测点或仪表故障就会导致收集到的运行数据是异常的，基于异常运行数据得到的计算结果和分析结论并不能反映设备的真实运行状态，反而会触发误报警、误诊断。因此如何将由于测点/仪表故障导致的异常运行数据识别出来就至关重要。
发明内容
本发明的发明目的在于：针对上述存在的问题，提供一种单个仪表测量结果异常值的在线识别方法，单个仪表是指为获取设备的某个运行参数，仅配置了1个仪表进行测量，其中测点、仪表、以及数据传输过程均可能发生故障，当故障发生时，获取的对应测量结果就是异常的，把异常的测量结果在线识别出来，不参与后续的算法，是提高智能运维结果准确性和可信度的重要环节。
本发明采用的技术方案如下：
一种适用于单个仪表测量结果异常值的在线识别方法，包括以下步骤：
S1，针对指定的运行参数A，配置1个仪表进行测量；
S2，针对同一设备或者系统的另一指定运行参数B，配置至少3个仪表进行测量；
S3，建立运行参数A与运行参数B的函数关系特性；
S4，将上述仪表采集的测量结果传输至指定系统或平台，并作为原始测量结果；
S5，系统或平台获取运行参数B多个仪表处理后实时测量结果，分别对应数据为数据1、数据2、数据3、……、数据n；n为运行参数B测量仪表的数量；
S6，根据步骤S5中的数据，计算整体数据的中位数；
S7，基于运行参数A与运行参数B的函数关系，将步骤S6的中位数输入对应的函数中，得到运行参数A的正常值，该值称为该时间戳下运行参数A的正常值；
S8，系统或平台获取运行参数A的实时测量结果，并与步骤S7计算得到得运行参数A的正常值进行对比；
S9，步骤S8进行数据对比后，若对比后运行参数A的实时测量结果判定为异常，则不执行后续工作；若对比后运行参数A的实时测量结果判定为正常，则执行后续正常的操作，并存储判定结果。
S10，重复步骤S5－S9，实现运行参数A的单个仪表测量结果异常值的在线识别。
进一步的，在步骤S3中，运行参数A与运行参数B的函数关系为线性关系、多项式关系或者指数关系。
进一步的，在步骤S4中，将原始测量结果通过重采样算法，使原始测量结果的时间戳和周期相同，并存储处理后的测量结果，此时存储的测量结果称为处理后实时测量结果。
进一步的，在步骤S5中，获取最新的、时间戳相同的运行参数B多个仪表处理后实时测量结果。
进一步的，在步骤S5中，对应的数据分别为：B＿d1、B＿d2、B＿d3、……、B＿dn，n为运行参数B测量仪表的数量；
进一步的，在步骤S6中，获取运行参数B多个仪表处理后实时测量结果的中位数B＿dM。
进一步的，在步骤S8中，获取相同时间戳下，运行参数A配置仪表的处理后的实时测量结果。
进一步的，在步骤S8中，还包括步骤：S81，设置运行参数A的正常偏差量，该正常偏差量为绝对或相对值，且正常偏差量为正数。
进一步的，在步骤S8中，还包括步骤：S82，计算运行参数A处理后的实时测量结果与运行参数A的正常值的偏差值并取其绝对值，同时保证该偏差的算法与权利8中的正常偏差量算法一致，作为运行参数A的实际运行偏差值。
进一步的，在步骤S9中，比较运行参数A的实际运行偏差值与正常偏差量的大小，当实际运行偏差值小于等于正常偏差量，则判定运行参数A仪表测量结果为正常状态；当实际运行偏差值大于正常偏差量，则判定运行参数A仪表测量结果为异常状态。
进一步的，在步骤S9中，存储运行参数A仪表测量结果为正常或异常的判定结果。
进一步的，对于其他运行参数，仅配置了1个仪表进行测量，采用同样的方法进行单个仪表测量结果异常值的在线识别，判定方法为重复上述步骤S1－S10。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
本发明的一种有效的在线识别单个仪表测量结果异常值方法，单个仪表是指为获取设备的某个运行参数，仅配置了1个仪表进行测量，其中测点、仪表、以及数据传输过程均可能发生故障，当故障发生时，获取的对应测量结果就是异常的。把异常的测量结果在线识别出来，不参与后续的算法，是提高智能运维结果准确性和可信度的重要环节，避免由于测点/仪表/数据传输故障导致的测量结果异常而触发的误报警、误诊断，可广泛应用于智慧电站的设备智能运维建设。
附图说明
本发明将通过例子并参照附图的方式说明，其中：
图1是本发明的流程示意图；
具体实施方式
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
本说明书中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。
实施例
一种有效的在线识别单个仪表测量结果异常值方法，如图1所述，包括以下步骤：
S1，针对指定的运行参数A，配置1个仪表进行测量；
S2，针对同一设备或者系统的另一指定运行参数B，配置至少3个仪表进行测量；
S3，建立运行参数A与运行参数B的函数关系特性；
S4，将上述仪表采集的测量结果传输至指定系统或平台，并作为原始测量结果；
S5，系统或平台获取运行参数B多个仪表处理后实时测量结果，分别对应数据为数据1、数据2、数据3、……、数据n；n为运行参数B测量仪表的数量；
S6，根据步骤S5中的数据，计算整体数据的中位数；
S7，基于运行参数A与运行参数B的函数关系，将步骤S6的中位数输入对应的函数中，得到运行参数A的正常值(符号为A＿cal)，该值称为该时间戳下运行参数A的正常值(符号为A＿cal)；
S8，系统或平台获取运行参数A的实时测量结果(符号为A＿d)，并与步骤S7计算得到得运行参数A的正常值进行对比；
S9，步骤S8进行数据对比后，若对比后运行参数A的实时测量结果判定为异常，则不执行后续工作；若对比后运行参数A的实时测量结果判定为正常，则执行后续正常的操作，并存储判定结果。通过重复步骤S5－S9就可实现运行参数A的单个仪表测量结果异常值的在线识别。
在本实施例中，通过运行参数A的单个仪表测量的方式，有效避免由于测点/仪表/数据传输故障导致的测量结果异常而触发的误报警、误诊断，可广泛应用于智慧电站的设备智能运维建设。
具体的，上述系统或者平台支持算法模型运行。仪表的测量结果实时传输至指定的系统或平台存储，存储类型为数字量，此时存储的测量结果称为原始测量结果。
在上述具体的参数设计上，在步骤S3中，运行参数A与运行参数B的函数关系为线性关系、多项式关系或者指数关系。
更加具体的，在步骤S4中，将原始测量结果通过重采样算法，使原始测量结果的时间戳和周期相同，并存储处理后的测量结果，此时存储的测量结果称为处理后实时测量结果。
作为更加具体的设计，在步骤S5中，获取最新的、时间戳相同的运行参数B多个仪表处理后实时测量结果。
在上述具体的步骤中，具体的，在步骤S5中，对应的数据分别为：B＿d1、B＿d2、B＿d3、……、B＿dn，n为运行参数B测量仪表的数量；
在步骤S6中，获取运行参数B多个仪表处理后实时测量结果的中位数B_dM。
更加具体的，在步骤S8中，获取相同时间戳下，运行参数A配置仪表的处理后的实时测量结果(符号为A＿d)。
作为数据的分析和对比，具体的，在步骤S8中，还包括步骤：S81，设置运行参数A的正常偏差量(符号为δ)，该正常偏差量为绝对或相对值，且正常偏差量为正数。
作为更加具体的设计，在步骤S8中，还包括步骤：S82，计算运行参数A的实时测量结果(符号为A＿d)与运行参数A的正常值(符号为A＿cal)的偏差值并取其绝对值，作为运行参数A的实际运行偏差值(符号δ1)。
具体的，在步骤S9中，比较运行参数A的实际运行偏差值与正常偏差量的大小，当实际运行偏差值小于等于正常偏差量，则判定运行参数A仪表测量结果为正常状态；当实际运行偏差值大于正常偏差量，则判定运行参数A仪表测量结果为异常状态，并存储判定结果。判定运行参数A仪表测量结果为正常状态后，运行参数A所得到的实时测量结果则参与整个系统的后续计算。
在具体的设计上，对于其他运行参数，仅配置了1个仪表进行测量，采用同样的方法进行单个仪表测量结果异常值的在线识别，判定方法为重复上述步骤S1－S10。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。

Claims (10)

1.一种适用于单个仪表测量结果异常值的在线识别方法，其特征在于：包括以下步骤：
S1，针对指定的运行参数A，配置1个仪表进行测量；
S2，针对同一设备或者系统的另一指定运行参数B，配置至少3个仪表进行测量；
S3，建立运行参数A与运行参数B的函数关系特性；
S4，将上述仪表采集的测量结果传输至指定系统或平台，并作为原始测量结果；
S5，系统或平台获取运行参数B多个仪表处理后实时测量结果，分别对应数据为数据1、数据2、数据3、……、数据n；n为运行参数B测量仪表的数量；
S6，根据步骤S5中的数据，计算整体数据的中位数；
S7，基于运行参数A与运行参数B的函数关系，将步骤S6的中位数输入对应的函数中，得到运行参数A的正常值，该值称为该时间戳下运行参数A的正常值；
S8，系统或平台获取运行参数A的实时测量结果，并与步骤S7计算得到得运行参数A的正常值进行对比；
S9，步骤S8进行数据对比后，若对比后运行参数A的实时测量结果判定为异常，则不执行后续工作；若对比后运行参数A的实时测量结果判定为正常，则执行后续正常的操作，并存储判定结果；
S10，重复步骤S5－S9，实现运行参数A的单个仪表测量结果异常值的在线识别。
2.如权利要求1所述的一种适用于单个仪表测量结果异常值的在线识别方法，其特征在于：在步骤S3中，运行参数A与运行参数B的函数关系为线性关系、多项式关系或者指数关系。
3.如权利要求1所述的一种适用于单个仪表测量结果异常值的在线识别方法，其特征在于：在步骤S4中，将原始测量结果通过重采样算法，使原始测量结果的时间戳和周期相同，并存储处理后的测量结果，此时存储的测量结果称为处理后实时测量结果。
4.如权利要求3所述的一种适用于单个仪表测量结果异常值的在线识别方法，其特征在于：在步骤S5中，获取最新的、时间戳相同的运行参数B多个仪表处理后实时测量结果。
5.如权利要求4所述的一种适用于单个仪表测量结果异常值的在线识别方法，其特征在于：在步骤S5中，对应的数据分别为：B＿d1、B＿d2、B＿d3、……、B＿dn，n为运行参数B测量仪表的数量；在步骤S6中，获取运行参数B多个仪表处理后实时测量结果的中位数B＿dM。
6.如权利要求1所述的一种适用于单个仪表测量结果异常值的在线识别方法，其特征在于：在步骤S8中，获取相同时间戳下，运行参数A配置仪表的处理后的实时测量结果。
7.如权利要求1所述的一种适用于单个仪表测量结果异常值的在线识别方法，其特征在于：在步骤S8中，还包括步骤：S81，设置运行参数A的正常偏差量，该正常偏差量为绝对或相对值，且正常偏差量为正数。
8.如权利要求7所述的一种适用于单个仪表测量结果异常值的在线识别方法，其特征在于：在步骤S8中，还包括步骤：S82，计算运行参数A处理后的实时测量结果与运行参数A的正常值的偏差值并取其绝对值，同时保证该偏差的算法与权利8中的正常偏差量算法一致，作为运行参数A的实际运行偏差值。
9.如权利要求1所述的一种适用于单个仪表测量结果异常值的在线识别方法，其特征在于：在步骤S9中，比较运行参数A的实际运行偏差值与正常偏差量的大小，当实际运行偏差值小于等于正常偏差量，则判定运行参数A仪表测量结果为正常状态；当实际运行偏差值大于正常偏差量，则判定运行参数A仪表测量结果为异常状态；运行参数A进行对比分析后，存储运行参数A仪表测量结果为正常或异常的判定结果。
10.如权利要求1所述的一种适用于单个仪表测量结果异常值的在线识别方法，其特征在于：对于其他运行参数，仅配置了1个仪表进行测量，采用同样的方法进行单个仪表测量结果异常值的在线识别，判定方法为重复上述步骤S1－S10。
CN202311047846.6A 2023-08-18 2023-08-18 一种适用于单个仪表测量结果异常值的在线识别方法 Pending CN117290795A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311047846.6A CN117290795A (zh) 2023-08-18 2023-08-18 一种适用于单个仪表测量结果异常值的在线识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311047846.6A CN117290795A (zh) 2023-08-18 2023-08-18 一种适用于单个仪表测量结果异常值的在线识别方法

Publications (1)

Publication Number Publication Date
CN117290795A true CN117290795A (zh) 2023-12-26

Family

ID=89239873

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311047846.6A Pending CN117290795A (zh) 2023-08-18 2023-08-18 一种适用于单个仪表测量结果异常值的在线识别方法

Country Status (1)

Country Link
CN (1) CN117290795A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117553840A (zh) * 2024-01-11 2024-02-13 深圳汉光电子技术有限公司 一种基于智能化管理的仪表及其系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117553840A (zh) * 2024-01-11 2024-02-13 深圳汉光电子技术有限公司 一种基于智能化管理的仪表及其系统

Similar Documents

Publication Publication Date Title
CN108627720B (zh) 一种基于贝叶斯算法的电力设备状态监测方法
CN115225463B (zh) 一种基于it运维的硬件故障监测方法及系统
CN108335021A (zh) 一种风力机状态可靠度评估的方法及维修决策优化
CN117290795A (zh) 一种适用于单个仪表测量结果异常值的在线识别方法
CN113762604B (zh) 一种工业互联网大数据服务系统
CN106529832A (zh) 一种基于马尔科夫可靠性修正模型的继电保护系统风险评估方法
CN112734977B (zh) 一种基于物联网的设备风险预警系统及算法
CN116992346A (zh) 一种基于人工智能大数据分析的企业生产数据处理系统
CN118430092B (zh) 一种基于mcc系统的数据通用采集方法
CN117970168B (zh) 一种双电源转换装置的监测数据高效处理方法
CN112580858A (zh) 设备参数预测分析方法及系统
CN117849700B (zh) 可控制测量的模块化电能计量系统
CN116910677A (zh) 一种工业仪表故障诊断方法及系统
CN117560300B (zh) 一种智能物联网流量预测与优化系统
CN110083804B (zh) 基于条件分布回归的风电场scada数据缺失的智能修复方法
CN116662466B (zh) 通过大数据进行土地全生命周期维护系统
CN117009741A (zh) 基于发电量的异常分析方法及系统
CN117313006A (zh) 一种适用于多重仪表测量结果异常值的在线识别方法
CN111784103A (zh) 一种基于区块链技术的试剂质量全流程管理系统
CN112785142A (zh) 物联网污水处理设备预警智慧工单方法及其系统
CN118396252B (zh) 基于云计算的mes客户端数据分析优化方法
CN117541191A (zh) 基于数字孪生的工厂业务协同系统
CN118413265B (zh) 一种卫星在线状态监测系统及方法
CN118311379B (zh) 一种高压电力电缆在线监测故障定位方法和系统
CN118706176A (zh) 一种基于工业废气处理的智能同步监测方法及系统

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