CN117370872A - 电力设备的寻优控制方法及装置 - Google Patents
电力设备的寻优控制方法及装置 Download PDFInfo
- Publication number
- CN117370872A CN117370872A CN202311672016.2A CN202311672016A CN117370872A CN 117370872 A CN117370872 A CN 117370872A CN 202311672016 A CN202311672016 A CN 202311672016A CN 117370872 A CN117370872 A CN 117370872A
- Authority
- CN
- China
- Prior art keywords
- fault
- dangerous
- data
- electromagnetic radiation
- comparison data
- 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 62
- 238000012423 maintenance Methods 0.000 claims abstract description 85
- 230000005670 electromagnetic radiation Effects 0.000 claims description 64
- 238000004458 analytical method Methods 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000009826 distribution Methods 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000033228 biological regulation Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011017 operating method Methods 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 206010010071 Coma Diseases 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000002498 deadly effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000005336 safety glass Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请提供了电力设备的寻优控制方法及装置，涉及设备寻优技术领域，所述方法包括：获取电网的多个电力设备的实时运行状态，得到各个设备的故障特征，根据故障特征确定危险点，获取对应的危险指数，再对危险点进行类型识别，得到危险点的裸露接触信息，根据危险指数进行寻优，最终根据最优方案进行维修控制。本申请主要解决了不能实时监测危险点，无法保障预测危险位置的准确性，无法对危险点及时做出预警的技术问题。通过获取各电力设备的故障特征，再对危险特征进行分析得到危险系数，最终根据危险系数进行寻优，最终根据最优策略进行维护控制，可以有效地提高危险预测的准确性和实时性，减少潜在危险对电力设备和工作人员的威胁。
Description
技术领域
本发明涉及设备寻优的技术领域，具体涉及电力设备的寻优控制及装置。
背景技术
电力设备作为新能源赛道的代表性行业，目前已经进入电力发展的新时期，愈发受到市场关注。近年来，由于智慧化进程不断加快，物联网、5G等信息技术不断发展，电气机械和器材也逐渐向智能化和数字化稳步推进，为电气机械和器材制造业的快速发展提供了良好的环境。在实际输配电过程中往往会出现严重的电能损耗，降低电能的利用率和质量，甚至出现意外爆炸等情况，安全性难以保障。
现有技术是制定并执行严格的电力设备操作流程，可以通过对设备的工作原理和常见故障模式的深入理解，预测并避免一些潜在的维修危险。在设备维修过程中，遵守相关的操作规程和安全规定，例如使用合适的工具、穿戴防护服和佩戴安全眼镜等。
现有技术无法保障预测危险位置的准确性，如果数据存在误差或缺失，可能会导致预测结果失真，还不能实时监测危险点，某些危险预测方法可能需要一定的时间来收集数据、处理和分析结果，对于一些需要紧急处理的危险因素，存在无法对危险点及时做出预警的技术问题。
发明内容
本申请主要解决了无法保障预测危险位置的准确性，如果数据存在误差或缺失，可能会导致预测结果失真，还不能实时监测危险点，某些危险预测方法可能需要一定的时间来收集数据、处理和分析结果，对于一些需要紧急处理的危险因素，存在无法对危险点及时做出预警的技术问题。
鉴于上述问题，本申请实施例提供了电力设备的寻优控制方法，第一方面，本申请实施例提供了电力设备的寻优控制方法，所述方法包括：获取组成目标电网的多个电力设备，对所述多个电力设备进行历史运行状态数据的采集，基于所述历史运行状态数据对各电力设备进行故障电压、故障电流、故障电磁辐射识别，获得各电力设备的故障特征信息，基于所述故障特征信息定位危险点，并获取对应的故障危险指数，所述危险点为基于所述故障特征信息进行故障危险指数分析后得到的故障危险指数高于预定危险指数的电力设备，对所述危险点进行裸露接触类型识别，获取所述危险点的裸露接触信息，基于所述裸露接触信息与所述故障危险指数对各危险点进行检修决策寻优，获取最优检修决策进行各危险点的维护控制。
第二方面，本申请实施例提供了电力设备的寻优控制装置，所述系统包括：历史运行状态数据采集模块，所述历史运行状态数据采集模块用于获取组成目标电网的多个电力设备，对所述多个电力设备进行历史运行状态数据的采集，设备故障特征信息获取模块，所述设备故障特征信息获取模块是基于所述历史运行状态数据对各电力设备进行故障电压、故障电流、故障电磁辐射识别，获得各电力设备的故障特征信息，危险指数获取模块，所述危险指数获取模块是基于所述故障特征信息定位危险点，并获取对应的故障危险指数，所述危险点为基于所述故障特征信息进行故障危险指数分析后得到的故障危险指数高于预定危险指数的电力设备，危险点裸露信息获取模块，所述危险点裸露信息获取模块用于对所述危险点进行裸露接触类型识别，获取所述危险点的裸露接触信息，维护控制模块，所述维护控制模块是基于所述裸露接触信息与所述故障危险指数对各危险点进行检修决策寻优，获取最优检修决策进行各危险点的维护控制。
本申请实施例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：
本申请提供了电力设备的寻优控制方法及装置，涉及设备寻优技术领域，所述方法包括：获取电网的多个电力设备的实时运行状态，得到各个设备的故障特征，根据故障特征确定危险点，获取对应的危险指数，再对危险点进行类型识别，得到危险点的裸露接触信息，根据危险指数进行寻优，最终根据最优方案进行维修控制。
本申请主要解决了不能实时监测危险点，无法保障预测危险位置的准确性，无法对危险点及时做出预警的技术问题。通过获取各电力设备的故障特征，再对危险特征进行分析得到危险系数，最终根据危险系数进行寻优，最终根据最优策略进行维护控制，可以有效地提高危险预测的准确性和实时性，减少潜在危险对电力设备和工作人员的威胁。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
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为本申请实施例提供了电力设备的寻优控制方法流程示意图；
图2为本申请实施例提供了电力设备的寻优控制方法中，获取故障特征信息的方法流程示意图；
图3为本申请实施例提供了电力设备的寻优控制方法中，对危险点进行维护控制的方法流程示意图；
图4为本申请实施例提供了电力设备的寻优控制装置的结构示意图。
附图标记说明：历史运行状态数据采集模块10，设备故障特征信息获取模块20，危险指数获取模块30，危险点裸露信息获取模块40，维护控制模块50。
具体实施方式
本申请主要解决了不能实时监测危险点，无法保障预测危险位置的准确性，无法对危险点及时做出预警的技术问题。通过获取各电力设备的故障特征，再对危险特征进行分析得到危险系数，最终根据危险系数进行寻优，最终根据最优策略进行维护控制，可以有效地提高危险预测的准确性和实时性，减少潜在危险对电力设备和工作人员的威胁。
为了更好地理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述方案进行详细介绍：
实施例一
如图1所示电力设备的寻优控制方法，所述方法包括：
获取组成目标电网的多个电力设备，对所述多个电力设备进行历史运行状态数据的采集；
具体而言，首先需要识别并接入目标电网中的各个电力设备。包括设备的类型、型号、位置等信息的获取。一旦设备被识别和接入，就可以开始进行历史运行状态数据的采集。历史运行状态包括正常带电运行、热备用状态、冷备用状态以及检修状态，采集时包括与设备进行通信，读取其运行状态数据，并将其存储在数据库或数据存储系统中。使用Modbus、IEC 60870等协议可以进行设备连接，而数据存储则可以使用各种数据库或文件系统。采集到的历史运行状态数据通常需要进行清洗，以去除错误或异常的数据，确保数据的准确性和可靠性。使用数据统计分析、时间序列分析等对数据进行分析保存，对清洗后的数据进行深入地分析。这可以帮助理解设备的运行状态和性能，发现潜在的问题或风险。对于电力设备的运行状态数据采集，通常需要考虑数据的安全性和实时性。这可能需要对数据进行加密或压缩，以避免数据泄露或被恶意利用。同时，由于电力设备通常是实时运行的，所以需要采用实时数据处理技术，如流数据处理、时间序列分析等，以快速地处理和响应实时数据。
基于所述历史运行状态数据对各电力设备进行故障电压、故障电流、故障电磁辐射识别，获得各电力设备的故障特征信息；
具体而言，对采集到的历史运行状态数据进行预处理，包括数据清洗、缺失值填补、异常值处理等，以提高数据分析的准确性。分析电力设备的电压变化情况，包括电压的波动、骤降、骤升等异常现象。通过比较正常状态下的电压数据和故障状态下的电压数据，可以识别出故障电压的特征。电流的变化也是电力设备故障的重要指示。电流的异常波动、突然增大或减小都可能意味着设备的故障。通过对比正常电流数据和故障电流数据，可以获取故障电流的特征信息。当电力设备出现故障时，可能会产生异常的电磁辐射。通过对电磁辐射的检测和分析，可以获取设备的故障信息。常用的电磁辐射监测技术包括电磁场测量、无线电干扰测量等。通过分析故障电压、故障电流、故障电磁辐射等数据，可以提取出各电力设备的故障特征信息。这些特征信息可以包括故障类型、故障严重程度、故障发生位置等。得到故障特征可以对危险点进行判断，提高预测的准确性。
基于所述故障特征信息定位危险点，并获取对应的故障危险指数，所述危险点为基于所述故障特征信息进行故障危险指数分析后得到的故障危险指数高于预定危险指数的电力设备；
具体而言，根据分析结果，将故障危险指数高于预定危险指数的电力设备定位为危险点。危险点包括电力设备故障处可能出现高压漏电、电磁辐射较高等危险现象，这些危险点可能是导致设备故障、影响设备性能或对设备安全运行构成威胁的关键因素。基于故障特征分析，对提取到的各电力设备的故障特征信息进行深入分析，寻找可能导致设备故障或危险的因素。涉及的分析方法包括数据挖掘、统计分析、机器学习等。对每个危险点进行进一步地故障危险指数分析。包括对设备的历史故障数据进行深入挖掘，分析故障模式和趋势，考虑环境因素、使用条件、维护情况等对设备故障的影响。对于每个危险点，通过综合分析其故障特征和其他相关因素，可以获取其对应的故障危险指数。这些指数可以反映各危险点对电力设备安全运行的潜在威胁程度。根据故障危险指数的分析结果，可以针对不同危险点制定相应的预防措施。这可能包括设备的维修和更换、操作规程的调整、安全防护措施的加强等。对定位出的危险点进行持续监测，及时发现潜在的故障或风险。同时，根据故障危险指数的预警阈值，及时发出预警信号，以采取必要的应对措施，防止设备故障或事故的发生。
对所述危险点进行裸露接触类型识别，获取所述危险点的裸露接触信息；
具体而言，首先，需要收集关于电力设备危险点的详细信息。这可能包括设备的设计图、制造过程文档、使用手册等。同时，也需要收集相关的操作规程、安全标准和行业规定等信息。根据收集到的信息，可以识别出危险点中可能存在裸露接触的类型。这可能包括带电部位裸露、高温部位裸露、机械外露等。对于每一种裸露接触类型，可以进一步获取详细的信息。例如，带电部位裸露可能涉及电压等级、电流类型等信息，高温部位裸露可能涉及温度、热辐射等信息，机械外露可能涉及运动部件、操作过程等信息。根据获取到的裸露接触信息，可以对每种裸露接触类型的风险进行评估。
基于所述裸露接触信息与所述故障危险指数对各危险点进行检修决策寻优，获取最优检修决策进行各危险点的维护控制。
具体而言，首先，整合裸露接触信息和故障危险指数。这包括将两者进行有效地关联，理解裸露接触类型对故障危险指数的影响，以及它们对设备维护需求的影响。根据整合的信息，可以制定初步的检修策略。对于故障危险指数高的危险点，可能需要进行更频繁地检修，或者采取更严格的维护措施。对于裸露接触信息显示存在高风险的点，可能需要进行专门的处理，例如使用特定的防护设备或者采用特定的操作规程。在初步的检修策略基础上，可以进行优化。通过数学方法来建立优化模型，并使用数学算法来求解最优解。包括线性规划、多目标规划、动态规划等进行寻优，根据检修周期和危险指数找寻最优方案。还需考虑设备的实际情况、可用资源、成本等因素，优化检修决策，例如选择最合适的检修时间、使用最有效的检修方法等。通过模型计算、仿真分析等方法，可以得到最优的检修决策。包括按照检修决策进行设备的检查、维修、更换等操作，同时也要对维护过程进行监控，确保维护措施的有效执行。在维护控制过程中，需要收集反馈信息，例如设备的运行状态、维修效果等。这些反馈信息可以用于对检修决策进行调整和优化，使其更符合实际情况。
进一步而言，本申请方法还包括：
基于各电力设备的历史运行状态数据获取各电力设备的预定计算任务数据量；
获取预定边缘计算器的计算能力；
根据所述预定计算任务数据量与所述预定边缘计算器的计算能力，进行所述预定边缘计算器的分布，并建立各电力设备与预定边缘计算器的连接；
具体而言，首先，需要收集各电力设备的历史运行状态数据，并进行深入地分析。例如处理的数据量、数据处理的复杂性等。根据对历史运行状态数据的分析，可以获取各电力设备的预定计算任务数据量。需要考虑设备的类型、使用条件、维护情况等因素。同时，需要获取预定边缘计算器的计算能力。包括处理器的速度、内存大小、存储能力等。根据预定计算任务数据量和预定边缘计算器的计算能力，可以进行优化分布。涉及如何将计算任务有效地分配给边缘计算器，以最大限度地利用计算资源，并满足电力设备的计算需求。在优化分布的基础上，可以建立各电力设备与预定边缘计算器的连接。涉及网络连接、数据通信协议的设置等。在建立连接后，需要持续监控电力设备的运行状态和边缘计算器的使用情况，并根据实际情况进行调整。包括调整计算任务的分配、优化网络连接等。
按照所述预定边缘计算器的分布，以及各电力设备与预定边缘计算器的连接，基于数字孪生技术建立边缘计算数字孪生模型，通过边缘计算数字孪生模型进行计算任务模拟仿真，根据模拟仿真结果对所述预定边缘计算器的分布进行调整优化，以优化后的预定边缘计算器分布进行故障特征信息获取、故障危险指数分析、检修决策寻优。
具体而言，建立边缘计算数字孪生模型，根据预定边缘计算器的分布以及各电力设备与预定边缘计算器的连接，利用数字孪生技术可以建立一个边缘计算数字孪生模型。该模型能够模拟仿真计算任务的过程和结果，为调整优化边缘计算器的分布提供依据。通过边缘计算数字孪生模型，可以模拟仿真各电力设备的计算任务。根据模拟仿真结果，可以分析计算任务的性能指标、数据传输效率、系统响应时间等参数，为调整优化边缘计算器的分布提供依据。根据模拟仿真结果，对预定边缘计算器的分布进行调整优化。调整优化的目的是为了提高边缘计算资源的使用效率、降低计算成本、满足电力设备的计算需求。对优化后的预定边缘计算器分布中的每个电力设备，基于其历史运行状态数据和故障特征信息获取方法，获取其故障特征信息。对优化后的预定边缘计算器分布中的每个电力设备，基于其故障特征信息进行故障危险指数分析。对优化后的预定边缘计算器分布中的每个电力设备，基于其裸露接触信息、故障危险指数和最优检修决策获取方法进行检修决策寻优，获取最优检修决策。根据最优检修决策，对各电力设备执行相应的维护控制措施，例如进行设备的检查、维修、更换等操作。可以为调整优化边缘计算器的分布提供重要依据。
进一步而言，如图2所示，本申请方法，所述基于所述历史运行状态数据对各电力设备进行故障电压、故障电流、故障电磁辐射识别，获得各电力设备的故障特征信息，还包括：
基于所述历史运行状态数据提取各电力设备的故障运行记录，其中，所述故障运行记录包括运行电压记录、运行电流记录、运行电磁辐射记录；
获取预定安全电压、预定安全电流、预定安全电磁辐射强度；
比较所述运行电压记录与所述预定安全电压、所述运行电流记录与所述预定安全电流、所述运行电磁辐射记录与所述预定安全电磁辐射强度，获得各电力设备的故障电压比较数据、故障电流比较数据和故障电磁辐射比较数据；
以所述故障电压比较数据、所述故障电流比较数据和所述故障电磁辐射比较数据组成所述故障特征信息。
具体而言，首先需要从历史运行状态数据中提取各电力设备的故障运行记录。这些记录可能包括运行电压、运行电流和运行电磁辐射等数据。接下来，需要获取预定安全电压、预定安全电流和预定安全电磁辐射强度。是根据行业标准、设备制造商提供的数据或其他相关文献资料确定的预定值，可以后台数据库中搜索获取。然后比较每个电力设备的运行电压记录与预定安全电压，运行电流记录与预定安全电流，以及运行电磁辐射记录与预定安全电磁辐射强度。这些比较将产生故障电压比较数据、故障电流比较数据和故障电磁辐射比较数据。最后，将故障电压比较数据、故障电流比较数据和故障电磁辐射比较数据组合起来，形成每个电力设备的故障特征信息。故障电压比较数据比较故障状态和正常状态的电压差值，故障电流比较数据比较故障状态和正常状态时的电流差值，故障电磁辐射比较数据比较的时故障状态和正常状态时的电磁辐射差值，通过差值可以得到故障范围，这些故障特征信息可以用来识别和确定电力设备在电压、电流和电磁辐射方面的故障模式和趋势，从而为设备的维护和检修提供重要依据。
进一步而言，本申请方法，所述基于所述故障特征信息定位危险点，还包括：
基于所述故障特征信息中的故障电压比较数据、故障电流比较数据和故障电磁辐射比较数据对各电力设备进行危险故障特征频率识别；
对所述故障电压比较数据、故障电流比较数据和故障电磁辐射比较数据进行正向差值识别，获得正向故障电压比较数据、正向故障电流比较数据和正向故障电磁辐射比较数据；
基于所述正向故障电压比较数据、正向故障电流比较数据和正向故障电磁辐射比较数据，结合危险故障特征频率进行各电力设备的故障危险指数分析，获得各电力设备的所述危险指数。
具体而言，首先，基于故障特征信息中的故障电压比较数据、故障电流比较数据和故障电磁辐射比较数据，对各电力设备进行危险故障特征频率识别。这可以通过统计和分析这些数据，识别出与各种故障模式和趋势相对应的频率。接下来，对故障电压比较数据、故障电流比较数据和故障电磁辐射比较数据进行正向差值识别。通过对比数据为正值的数据，即大于预定安全电压、预定安全电流和预定安全电磁辐射强度的数据。然后，基于正向故障电压比较数据、正向故障电流比较数据和正向故障电磁辐射比较数据，结合危险故障特征频率，对各电力设备进行故障危险指数分析。通过这些步骤，可以识别出各电力设备的危险故障特征，并对其危险指数进行量化评估。
进一步而言，本申请方法，获得各电力设备的所述危险指数的表达式如下：；其中，/>为危险指数；/>、/>、/>分别为预定安全电压、预定安全电流、预定安全电磁辐射强度；/>为所述正向故障电压比较数据中第/>个比较数据；/>为所述正向故障电流比较数据中第/>个比较数据， />为所述正向故障电磁辐射比较数据中第/>个比较数据；/>、/>、 />分别为危险故障特征频率中危险电压频率、危险电流频率和危险电磁辐射频率。危险故障特征频率中，危险电压频率代表伤害程度，危险频率高压高频电也有电击致命的危险，危险电流频率，在电流频率25-300HZ的电流对人体的伤害会受各方面因素影响，严重时可能危及生命。电流经过人体各个部位时，可能导致不同状态和不同程度的损伤，如中枢神经失调、瘫痪、昏迷等。
进一步而言，如图3所示，本申请方法，所述基于所述裸露接触信息与所述故障危险指数对各危险点进行检修决策寻优，获取最优检修决策进行各危险点的维护控制，还包括：
获取所述危险点的当前检修周期，基于所述裸露接触信息对所述当前检修周期进行一次检修周期优化，获得一次优化检修周期；
所述故障危险指数对一次优化检修周期进行二次检修周期优化，获得最优检修周期；
基于所述裸露接触信息与所述故障危险指数对各危险点进行检修防护方案的筛选，生成最优防护方案；
以所述最优检修周期与所述最优防护方案组成所述最优检修决策，进行各危险点的维护控制。
具体而言，首先需要获取每个危险点的当前检修周期。这个周期是设备制造商推荐的，或者是电力公司根据历史数据和经验确定的。然后，基于裸露接触信息，可以对每个危险点的当前检修周期进行一次优化。可以为缩短维修周期，优化的目的是为了更好地满足设备的安全需求和预防潜在的故障。在完成一次优化后，使用故障危险指数对一次优化后的检修周期进行二次优化。根据风险系数和维修周期跟确定位置进行维修，这个优化的目的是为了根据设备的故障风险程度，进一步调整和优化检修周期。根据裸露接触信息和故障危险指数，对每个危险点进行检修防护方案的筛选。这个过程可能涉及多种方案的比较和分析，以确定最优的防护方案。将最优检修周期和最优防护方案结合起来，生成针对每个危险点的最优检修决策。最后，根据最优检修决策对每个危险点进行维护和控制。这可能包括执行特定的检修任务、采取安全防护措施或者调整设备的运行参数等。
进一步而言，本申请方法还包括：
基于各电力设备进行历史运行状态数据，提取所述危险点的历史故障周期特征；
以所述历史故障周期特征对所述最优检修周期进行校正。
具体而言，从各电力设备的历史运行状态数据中，提取出每个危险点在过去出现故障的周期特征。这包括故障发生的频率、间隔时间等信息。使用提取到的历史故障周期特征，对之前得到的最优检修周期进行校正。这个过程包括对检修周期的调整、优化，以更好地符合实际设备的故障发生规律。在调整检修周期时，应充分考虑电力设备的实际运行条件。这包括设备的负载情况、运行环境、维护历史等信息。可以使用故障预测模型对未来可能发生的故障进行预测。这可以帮助确定未来一段时间内的故障风险，从而对最优检修周期进行更准确地校正。综合考虑上述因素后，制订出最终的检修计划。这包括针对每个危险点确定出最优的检修周期、检修内容、安全防护措施等。可以确保最终的检修计划能够有效地维护设备，并预防潜在的故障。
实施例二
基于与前述实施例电力设备的寻优控制方法相同的发明构思，如图4所示，本申请提供了电力设备的寻优控制装置，所述装置包括：
历史运行状态数据采集模块10，所述历史运行状态数据采集模块10用于获取组成目标电网的多个电力设备，对所述多个电力设备进行历史运行状态数据的采集；
设备故障特征信息获取模块20，所述设备故障特征信息获取模块20是基于所述历史运行状态数据对各电力设备进行故障电压、故障电流、故障电磁辐射识别，获得各电力设备的故障特征信息；
危险指数获取模块30，所述危险指数获取模块30是基于所述故障特征信息定位危险点，并获取对应的故障危险指数，所述危险点为基于所述故障特征信息进行故障危险指数分析后得到的故障危险指数高于预定危险指数的电力设备；
危险点裸露信息获取模块40，所述危险点裸露信息获取模块40用于对所述危险点进行裸露接触类型识别，获取所述危险点的裸露接触信息；
维护控制模块50，所述维护控制模块50是基于所述裸露接触信息与所述故障危险指数对各危险点进行检修决策寻优，获取最优检修决策进行各危险点的维护控制。
进一步地，该装置还包括：
任务数据量计算模块，是基于各电力设备的历史运行状态数据获取各电力设备的预定计算任务数据量；
计算能力获取模块，用于获取预定边缘计算器的计算能力；
各电力设备连接建立模块，用于根据所述定计算任务数据量与所述预定边缘计算器的计算能力，进行所述预定边缘计算器的分布，并建立各电力设备与预定边缘计算器的连接；
寻优模块，用于按照所述预定边缘计算器的分布，以及各电力设备与预定边缘计算器的连接，基于数字孪生技术建立边缘计算数字孪生模型，通过边缘计算数字孪生模型进行计算任务模拟仿真，根据模拟仿真结果对所述预定边缘计算器的分布进行调整优化，以优化后的预定边缘计算器分布进行故障特征信息获取、故障危险指数分析、检修决策寻优。
进一步地，该装置还包括：
故障记录获取模块，是基于所述历史运行状态数据提取各电力设备的故障运行记录，其中，所述故障运行记录包括运行电压记录、运行电流记录、运行电磁辐射记录；
辐射强度获取模块，用于获取预定安全电压、预定安全电流、预定安全电磁辐射强度；
比较数据获取模块，用于比较所述运行电压记录与所述预定安全电压、所述运行电流记录与所述预定安全电流、所述运行电磁辐射记录与所述预定安全电磁辐射强度，获得各电力设备的故障电压比较数据、故障电流比较数据和故障电磁辐射比较数据；
特征信息组成模块，是以所述故障电压比较数据、所述故障电流比较数据和所述故障电磁辐射比较数据组成所述故障特征信息。
进一步地，该装置还包括：
频率识别模块，是基于所述故障特征信息中的故障电压比较数据、故障电流比较数据和故障电磁辐射比较数据对各电力设备进行危险故障特征频率识别；
比较数据获取模块，用于对所述故障电压比较数据、故障电流比较数据和故障电磁辐射比较数据进行正向差值识别，获得正向故障电压比较数据、正向故障电流比较数据和正向故障电磁辐射比较数据；
各电力设备危险指数获取模块，是基于所述正向故障电压比较数据、正向故障电流比较数据和正向故障电磁辐射比较数据，结合危险故障特征频率进行各电力设备的故障危险指数分析，获得各电力设备的所述危险指数。
进一步地，该装置还包括
计算模块，所述模块包括， ；其中，/>为危险指数；/>、/>、/>分别为预定安全电压、预定安全电流、预定安全电磁辐射强度；/>为所述正向故障电压比较数据中第/>个比较数据；/>为所述正向故障电流比较数据中第/>个比较数据， />为所述正向故障电磁辐射比较数据中第/>个比较数据；/>、/>、 />分别为危险故障特征频率中危险电压频率、危险电流频率和危险电磁辐射频率。进一步地，该装置还包括：
一次优化检修周期获取模块，用于获取所述危险点的当前检修周期，基于所述裸露接触信息对所述当前检修周期进行一次检修周期优化，获得一次优化检修周期；
最优检修周期获取模块，是所述故障危险指数对一次优化检修周期进行二次检修周期优化，获得最优检修周期；
最优防护方案生成模块，是基于所述裸露接触信息与所述故障危险指数对各危险点进行检修防护方案的筛选，生成最优防护方案；
各危险点维护控制模块，是以所述最优检修周期与所述最优防护方案组成所述最优检修决策，进行各危险点的维护控制。
进一步地，该装置还包括：
周期特征提取模块，是基于各电力设备进行历史运行状态数据，提取所述危险点的历史故障周期特征；
校正模块，是以所述历史故障周期特征对所述最优检修周期进行校正。
说明书通过前述电力设备的寻优控制方法的详细描述，本领域技术人员可以清楚地知识本实施例中电力设备的寻优控制装置，对于实施例公开的系统而言，由于其与实施例公开装置相对应，所以描述得比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其他实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.电力设备的寻优控制方法，其特征在于，所述方法包括：
获取组成目标电网的多个电力设备，对所述多个电力设备进行历史运行状态数据的采集；
基于所述历史运行状态数据对各电力设备进行故障电压、故障电流、故障电磁辐射识别，获得各电力设备的故障特征信息；
基于所述故障特征信息定位危险点，并获取对应的故障危险指数，所述危险点为基于所述故障特征信息进行故障危险指数分析后得到的故障危险指数高于预定危险指数的电力设备；
对所述危险点进行裸露接触类型识别，获取所述危险点的裸露接触信息；
基于所述裸露接触信息与所述故障危险指数对各危险点进行检修决策寻优，获取最优检修决策进行各危险点的维护控制。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
基于各电力设备的历史运行状态数据获取各电力设备的预定计算任务数据量；
获取预定边缘计算器的计算能力；
根据所述预定计算任务数据量与所述预定边缘计算器的计算能力，进行所述预定边缘计算器的分布，并建立各电力设备与预定边缘计算器的连接；
按照所述预定边缘计算器的分布，以及各电力设备与预定边缘计算器的连接，基于数字孪生技术建立边缘计算数字孪生模型，通过边缘计算数字孪生模型进行计算任务模拟仿真，根据模拟仿真结果对所述预定边缘计算器的分布进行调整优化，以优化后的预定边缘计算器分布进行故障特征信息获取、故障危险指数分析、检修决策寻优。
3.如权利要求1所述的方法，其特征在于，所述基于所述历史运行状态数据对各电力设备进行故障电压、故障电流、故障电磁辐射识别，获得各电力设备的故障特征信息，包括：
基于所述历史运行状态数据提取各电力设备的故障运行记录，其中，所述故障运行记录包括运行电压记录、运行电流记录、运行电磁辐射记录；
获取预定安全电压、预定安全电流、预定安全电磁辐射强度；
比较所述运行电压记录与所述预定安全电压、所述运行电流记录与所述预定安全电流、所述运行电磁辐射记录与所述预定安全电磁辐射强度，获得各电力设备的故障电压比较数据、故障电流比较数据和故障电磁辐射比较数据；
以所述故障电压比较数据、所述故障电流比较数据和所述故障电磁辐射比较数据组成所述故障特征信息。
4.如权利要求3所述的方法，其特征在于，所述基于所述故障特征信息定位危险点，包括：
基于所述故障特征信息中的故障电压比较数据、故障电流比较数据和故障电磁辐射比较数据对各电力设备进行危险故障特征频率识别；
对所述故障电压比较数据、故障电流比较数据和故障电磁辐射比较数据进行正向差值识别，获得正向故障电压比较数据、正向故障电流比较数据和正向故障电磁辐射比较数据；
基于所述正向故障电压比较数据、正向故障电流比较数据和正向故障电磁辐射比较数据，结合危险故障特征频率进行各电力设备的故障危险指数分析，获得各电力设备的所述危险指数。
5.如权利要求4所述的方法，其特征在于，获得各电力设备的所述危险指数的表达式如下：；其中，/>为危险指数；/>、/>、/>分别为预定安全电压、预定安全电流、预定安全电磁辐射强度；/>为所述正向故障电压比较数据中第/>个比较数据；/>为所述正向故障电流比较数据中第/>个比较数据， />为所述正向故障电磁辐射比较数据中第/>个比较数据；/>、/>、 />分别为危险故障特征频率中危险电压频率、危险电流频率和危险电磁辐射频率。
6.如权利要求1所述的方法，其特征在于，所述基于所述裸露接触信息与所述故障危险指数对各危险点进行检修决策寻优，获取最优检修决策进行各危险点的维护控制，包括：
获取所述危险点的当前检修周期，基于所述裸露接触信息对所述当前检修周期进行一次检修周期优化，获得一次优化检修周期；
所述故障危险指数对一次优化检修周期进行二次检修周期优化，获得最优检修周期；
基于所述裸露接触信息与所述故障危险指数对各危险点进行检修防护方案的筛选，生成最优防护方案；
以所述最优检修周期与所述最优防护方案组成所述最优检修决策，进行各危险点的维护控制。
7.如权利要求6所述的方法，其特征在于，所述方法还包括：
基于各电力设备进行历史运行状态数据，提取所述危险点的历史故障周期特征；
以所述历史故障周期特征对所述最优检修周期进行校正。
8.电力设备的寻优控制装置，其特征在于，所述装置包括：
历史运行状态数据采集模块，所述历史运行状态数据采集模块用于获取组成目标电网的多个电力设备，对所述多个电力设备进行历史运行状态数据的采集；
设备故障特征信息获取模块，所述设备故障特征信息获取模块是基于所述历史运行状态数据对各电力设备进行故障电压、故障电流、故障电磁辐射识别，获得各电力设备的故障特征信息；
危险指数获取模块，所述危险指数获取模块是基于所述故障特征信息定位危险点，并获取对应的故障危险指数，所述危险点为基于所述故障特征信息进行故障危险指数分析后得到的故障危险指数高于预定危险指数的电力设备；
危险点裸露信息获取模块，所述危险点裸露信息获取模块用于对所述危险点进行裸露接触类型识别，获取所述危险点的裸露接触信息；
维护控制模块，所述维护控制模块是基于所述裸露接触信息与所述故障危险指数对各危险点进行检修决策寻优，获取最优检修决策进行各危险点的维护控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311672016.2A CN117370872B (zh) | 2023-12-07 | 2023-12-07 | 电力设备的寻优控制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311672016.2A CN117370872B (zh) | 2023-12-07 | 2023-12-07 | 电力设备的寻优控制方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117370872A true CN117370872A (zh) | 2024-01-09 |
| CN117370872B CN117370872B (zh) | 2024-03-26 |
Family
ID=89406321
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311672016.2A Active CN117370872B (zh) | 2023-12-07 | 2023-12-07 | 电力设备的寻优控制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117370872B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107516170A (zh) * | 2017-08-30 | 2017-12-26 | 东北大学 | 一种基于设备故障概率和电网运行风险的差异自愈控制方法 |
| CN112149877A (zh) * | 2020-08-31 | 2020-12-29 | 国网江苏省电力有限公司苏州供电分公司 | 多元复杂城市电网多源数据驱动的故障预测方法及其系统 |
| CN112990537A (zh) * | 2021-02-02 | 2021-06-18 | 辽宁邮电规划设计院有限公司 | 一种电力应急指挥系统及方法 |
| CN115587719A (zh) * | 2022-06-08 | 2023-01-10 | 国网安徽省电力有限公司 | 基于密集输电通道灾害的大电网静态安全风险分析方法 |
| CN116345693A (zh) * | 2023-04-21 | 2023-06-27 | 沈阳工程学院 | 一种变电站的安全监测管理方法及系统 |
| CN116739550A (zh) * | 2023-02-06 | 2023-09-12 | 广州辰创科技发展有限公司 | 一种抢修智能辅助决策方法及系统 |
-
2023
- 2023-12-07 CN CN202311672016.2A patent/CN117370872B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107516170A (zh) * | 2017-08-30 | 2017-12-26 | 东北大学 | 一种基于设备故障概率和电网运行风险的差异自愈控制方法 |
| CN112149877A (zh) * | 2020-08-31 | 2020-12-29 | 国网江苏省电力有限公司苏州供电分公司 | 多元复杂城市电网多源数据驱动的故障预测方法及其系统 |
| CN112990537A (zh) * | 2021-02-02 | 2021-06-18 | 辽宁邮电规划设计院有限公司 | 一种电力应急指挥系统及方法 |
| CN115587719A (zh) * | 2022-06-08 | 2023-01-10 | 国网安徽省电力有限公司 | 基于密集输电通道灾害的大电网静态安全风险分析方法 |
| CN116739550A (zh) * | 2023-02-06 | 2023-09-12 | 广州辰创科技发展有限公司 | 一种抢修智能辅助决策方法及系统 |
| CN116345693A (zh) * | 2023-04-21 | 2023-06-27 | 沈阳工程学院 | 一种变电站的安全监测管理方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 张琳;杨莎;: "分析变电检修的危险点和安全控制策略", 中国新技术新产品, no. 01 * |
| 邹梓秀;: "电网调控一体化运行电力设备危险点控制仿真", 计算机仿真, no. 03, pages 89 - 93 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117370872B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117674140B (zh) | 一种配电网测控系统及方法 | |
| CN110046182A (zh) | 一种巨型水电厂智能报警阈值设置方法及系统 | |
| CN102117450A (zh) | 基于经验反馈的核电设备预防性更换周期的优化方法 | |
| CN117408162B (zh) | 基于数字孪生的电网故障控制方法 | |
| CN116861797B (zh) | 一种基于机器学习的隧道电缆剩余寿命预测方法及装置 | |
| Xue et al. | Adaptive ultra-short-term wind power prediction based on risk assessment | |
| CN118281912A (zh) | 一种智能化新能源储能网络管理方法及系统 | |
| CN117691756A (zh) | 配电柜的安全预警管理方法及系统 | |
| CN117370872B (zh) | 电力设备的寻优控制方法及装置 | |
| CN103675518A (zh) | 油浸式高压设备检修方法及装置 | |
| Ozgonenel et al. | Detection of blackouts by using K-means clustering in a power system | |
| CN115169234B (zh) | 一种基于大数据分析的电力网络可靠性评估方法 | |
| Eltyshev | Electric equipment operation scenarios based on the results of non-destructive condition control | |
| Yue et al. | Development of a risk-informed decision-making capability using standard electric power industry planning tools | |
| CN105426999A (zh) | 输变电设备状态变化预测方法和系统 | |
| Li et al. | Control on abnormal data overflow of distribution network management platform | |
| CN118397771B (zh) | 一种电缆防盗系统 | |
| Wang et al. | State evaluation of relay protection system for state maintenance | |
| CN118428741B (zh) | 一种适应于特殊操作和应急操作的智能防误处理方法 | |
| Li et al. | Research on the screening method of predictive maintenance monitoring equipment in nuclear power plant | |
| Jia-Jia | Nonlinear regression analysis of failure probability of power grid equipment based on its condition | |
| CN118249295B (zh) | 一种配电装置的智能保护系统 | |
| Kong et al. | Design of Active Fault Diagnosis and Repair System for Active Distribution Networks Based on Decision Tree Algorithm | |
| Zhou et al. | RESEARCH ON MODEL ORDER REDUCTION FOR PREDICTING CORE DAMAGE FREQUENCY BASED ON RISMC METHOD | |
| Yang et al. | Intelligent misoperation prevention method for power regulation and control integration based on big data analysis technolog |
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 |