CN117422310A - 一种全钢内衬层联动线群的电控决策优化方法 - Google Patents
一种全钢内衬层联动线群的电控决策优化方法 Download PDFInfo
- Publication number
- CN117422310A CN117422310A CN202311565399.3A CN202311565399A CN117422310A CN 117422310 A CN117422310 A CN 117422310A CN 202311565399 A CN202311565399 A CN 202311565399A CN 117422310 A CN117422310 A CN 117422310A
- Authority
- CN
- China
- Prior art keywords
- value
- power supply
- preset
- threshold
- safety
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 86
- 239000010959 steel Substances 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000005457 optimization Methods 0.000 title claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 57
- 238000011156 evaluation Methods 0.000 claims description 95
- 230000004927 fusion Effects 0.000 claims description 69
- 238000007726 management method Methods 0.000 claims description 52
- 230000000903 blocking effect Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 231100000279 safety data Toxicity 0.000 claims description 14
- 238000012502 risk assessment Methods 0.000 claims description 9
- 238000013524 data verification Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000000556 factor analysis Methods 0.000 claims description 5
- 230000005764 inhibitory process Effects 0.000 claims description 5
- 230000001154 acute effect Effects 0.000 claims description 3
- 239000000428 dust Substances 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 2
- 230000000630 rising effect Effects 0.000 claims 2
- 238000011157 data evaluation Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 6
- 230000001174 ascending effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000033228 biological regulation Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013097 stability assessment Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
- 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)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明涉及电控监管技术领域,尤其涉及一种全钢内衬层联动线群的电控决策优化方法;本发明通过从电控过程的角度进行分析,以保证全钢内衬层联动线群电控的稳定性和安全性,同时侧面反映全钢内衬层联动线群电控是否合理,以便合理的对电控决策进行调整,以保证后续运行安全性,且通过信息反馈的方式,即在供电正常和数据有效的前提下对状态数据进行运行表现状态监管反馈分析,判断全钢内衬层联动线群在供电正常的前提下的运行风险是否过高,以便根据信息反馈情况及时的做出电控调整,即根据不同的管理等级进行合理的电控决策调整,以提高全钢内衬层联动线群电控质量和电控决策的调控灵活性。
Description
技术领域
本发明涉及电控监管技术领域,尤其涉及一种全钢内衬层联动线群的电控决策优化方法。
背景技术
随着科技的不断进步和智能化的发展,智能电力技术已逐渐渗透到人们的生活和工作中,智能电力技术通过将传感器、物联网和人工智能等先进技术与电力系统相结合,实现了对电力系统的监测、控制和管理,其中,数据分析和决策支持是智能电力技术中至关重要的一部分;
但是,现有的全钢内衬层联动线群的电控技术中,无法对全钢内衬层联动线群的电控决策合理性和安全性进行监管,进而无法对及时的对电控决策进行合理、有针对性的调整优化,导致全钢内衬层联动线群的电控效率低和安全性,且无法对传感器的采集数据是否有效进行信息反馈,进而降低分析结果的准确性,同时影响电控决策的调整优化精度和效率;
针对上述的技术缺陷,现提出一种解决方案。
发明内容
本发明的目的在于提供一种全钢内衬层联动线群的电控决策优化方法,去解决上述提出的技术缺陷,本发明通过从电控过程的角度进行分析,以保证全钢内衬层联动线群电控的稳定性和安全性,同时侧面反映全钢内衬层联动线群电控是否合理,以便合理的对电控决策进行调整,以保证后续运行安全性,且通过信息反馈的方式,即在供电正常和数据有效的前提下对状态数据进行运行表现状态监管反馈分析,判断全钢内衬层联动线群在供电正常的前提下的运行风险是否过高,以便根据信息反馈情况及时的做出电控调整,即根据不同的管理等级进行合理的电控决策调整,以提高全钢内衬层联动线群电控质量和电控决策的调控灵活性。
本发明的目的可以通过以下技术方案实现:一种全钢内衬层联动线群的电控决策优化方法,包括以下步骤:
步骤一:采集联动线群的供电数据和状态数据,将供电数据和状态数据分别发送至步骤二和步骤三进行分析;
步骤二:对供电数据进行供电越界稳定性评估分析,判断全钢内衬层联动线群的供电稳定性是否正常,同时结合干扰因素分析,以保证电控的精度和可靠性;
步骤三:对状态数据进行运行表现状态监管反馈分析和数据核实评估分析,判断全钢内衬层联动线群在供电正常的前提下的运行风险是否过高和分析结果是否准确,在数据有效的前提下,若得到优化信号,则对电控决策进行优化处理,若得到反馈信号,则进入步骤四;
步骤四:在运行状态正常的前提下,采集全钢内衬层联动线群的安全数据,并对安全数据进行运行趋势监管分析,了解全钢内衬层联动线群的安全供电运行趋势情况;
步骤五:通过信息反馈的方式进行管理匹配分析,以便根据趋势风险情况进行合理、有针对性的电控决策调整,以保证后续运行安全性。
优选的,所述供电越界稳定性评估分析过程如下:
集联动线群的供电数据和状态数据,其中,供电数据包括波动失衡值和供电影响值,状态数据包括温度干扰值和偏离风险值,同时采集到全钢内衬层联动线群开始电控时刻到结束电控时刻之间的时长,并将其标记为时间阈值,获取到时间阈值内全钢内衬层联动线群供电设备的波动失衡值,波动失衡值表示供电电压变化曲线中波动幅度超出预设波动幅度阈值的个数与波动幅度超出预设波动幅阈值的部分之和经数据归一化处理后得到的积值,并将波动失衡值与存储的预设波动失衡值阈值进行比对分析,若波动失衡值大于预设波动失衡值阈值,则将波动失衡值大于预设波动失衡值阈值的部分标记为供电阻碍值;
获取到时间阈值内全钢内衬层联动线群供电设备的供电影响值,供电影响值表示供电设备内部电气元件运行温度超出预设运行温度阈值的个数与总个数之比,再与环境参数所对应数值超出预设阈值的个数经数据归一化处理后得到的积值,环境参数包括内温度均值、内粉尘浓度均值。
优选的,将供电阻碍值和供电影响值与其内部录入存储的预设供电阻碍值阈值和预设供电影响值阈值进行比对分析:
若供电阻碍值小于预设供电阻碍值阈值,且供电影响值小于预设供电影响值阈值,则生成正常信号;
若供电阻碍值大于等于预设供电阻碍值阈值,或供电影响值大于等于预设供电影响值阈值,则生成异常信号。
优选的,所述数据核实评估分析过程如下:
立即采集各个传感器的有效数据,有效数据包括采集稳定值和运行特征值,获取到各个子时间段内各个传感器的采集稳定值,采集稳定值表示供电电流波动频率小于预设供电电流波动频率阈值的部分与线路无功功率均值超出预设线路无功功率均值的部分经数据归一化处理后得到的比值,将采集稳定值与预设采集稳定值阈值进行比对分析,若采集稳定值大于预设采集稳定值阈值,则将采集稳定值大于预设采集稳定值阈值所对应子时间段的总个数与子时间段总个数之比标记为有效评估值;
获取到各个子时间段内各个传感器的运行特征值,运行特征值表示运行特征参数所对应数值超出预设阈值的个数,运行特征参数包括运行异响均值、运行温度均值,以此构建运行特征值的集合A,获取到集合A中的最大子集和最小子集,并将集合A中的最大子集和最小子集之间的差值标记为特征风险值。
优选的,将有效评估值和特征风险值与其内部录入存储的预设有效评估值阈值和预设特征风险值阈值进行比对分析:
若有效评估值大于预设有效评估值阈值,且特征风险值小于预设特征风险值阈值,则生成核实信号;若有效评估值小于等于预设有效评估值阈值,或特征风险值大于等于预设特征风险值阈值,则生成告警信号。
优选的,所述运行表现状态监管反馈分析过程如下:
将时间阈值划分为i个子时间段,i为大于零的自然数,获取到各个子时间段内全钢内衬层联动线群的温度干扰值,温度干扰值表示联动线群的运行温度特征曲线与预设运行温度特征曲线首次相交所形成的锐角度数和运行温度特征曲线超出预设运行温度特征曲线的线段长度经数据归一化处理后得到的积值;
获取到各个子时间段内全钢内衬层联动线群的偏离风险值,偏离风险值表示电控参数所对应数值偏离预算阈值范围的部分经数据归一化处理后得到的积值,电控参数包括电控频率、电控功率。
优选的,将温度干扰值和偏离风险值分别标号为WG i和PL i;
根据公式得到各个子时间段的状态风险评估系数,其中,a1和a2分别为温度干扰值和偏离风险值的预设比例因子系数,a1和a2均为大于零的正数,a3为预设修正因子系数,取值为1.221,Pi为各个子时间段的状态风险评估系数,以此构建状态风险评估系数Pi的集合A,获取到集合A中的最大子集和最小子集,并将集合A中的最大子集和最小子集之间的差值标记为状态风险跨度值,并将状态风险跨度值与其内部录入存储的预设状态风险跨度值阈值进行比对分析:
若状态风险跨度值与预设状态风险跨度值阈值之间的比值大于等于1,则生成优化信号;若状态风险跨度值与预设状态风险跨度值阈值之间的比值小于1,则生成反馈信号。
优选的,所述运行趋势监管分析过程如下:
获取到时间阈值内全钢内衬层联动线群的安全数据,安全数据表示安全匹配值,安全匹配值表示全钢内衬层联动线群的投入使用时刻到当前时刻之间的时长与故障维护次数经数据归一化处理后得到的积值,同时获取到时间阈值内反馈信号所对应的状态风险跨度值,获取到时间阈值内正常信号所对应的供电阻碍值和供电影响值。
优选的,将安全匹配值、状态风险跨度值、供电阻碍值以及供电影响值标号为AP、ZF、GZ以及GY;
根据公式得到安全运行融合评估系数,其中,f1、f2、f3以及f4分别为安全匹配值、状态风险跨度值、供电阻碍值以及供电影响值的预设影响因子系数,f1、f2、f3以及f4均为大于零的正数,f5为预设修正因子系数,取值为1.221,Q为安全运行融合评估系数,获取到历史k个时间阈值内正常全钢内衬层联动线群的安全运行融合评估系数,k为大于零的自然数,以个数为X轴,以安全运行融合评估系数为Y轴建立直角坐标系,通过描点的方式绘制安全运行融合评估系数曲线,进而获取到安全运行融合评估系数曲线中的上升线段所对应的总长度与安全运行融合评估系数曲线所对应的总长度之比,并将安全运行融合评估系数曲线中的上升线段所对应的总长度与安全运行融合评估系数曲线所对应的总长度之比标记为安全融合趋势值,并将安全融合趋势值与其内部录入存储的预设安全融合趋势值阈值进行比对分析:
若安全融合趋势值与预设安全融合趋势值阈值之间的比值小于等于1,则不生成任何信号;若安全融合趋势值与预设安全融合趋势值阈值之间的比值大于1,则生成风险信号。
优选的,所述管理匹配分析过程如下:
获取到安全融合趋势值大于预设安全融合趋势值阈值的部分,并将安全融合趋势值大于预设安全融合趋势值阈值的部分标记为安全管理评估值,将安全管理评估值与其内部录入存储的预设安全融合趋势值区间进行比对分析:
若安全管理评估值大于预设安全管理评估值区间中的最大值,则生成一级管理信号;若安全管理评估值属于预设安全管理评估值区间,则生成二级管理信号;若安全管理评估值小于预设安全管理评估值区间中的最小值,则生成三级管理信号。
本发明的有益效果如下:
(1)本发明通过从电控过程的角度进行分析,以保证全钢内衬层联动线群电控的稳定性和安全性,同时侧面反映全钢内衬层联动线群电控是否合理,以便合理的对电控决策进行调整,以保证后续运行安全性,即对供电数据进行供电越界稳定性评估分析,判断全钢内衬层联动线群的供电稳定性是否正常,同时结合干扰因素分析,以保证电控的精度和可靠性,对有效数据进行数据核实评估分析,以便及时的对异常传感器进行更换或维修,以保证数据采集的有效性,同时降低数据对分析结果的影响,而通过传感器采集监管的方式有助于提高分析结果的准确性;
(2)本发明通过信息反馈的方式,即在供电正常和数据有效的前提下对状态数据进行运行表现状态监管反馈分析,判断全钢内衬层联动线群在供电正常的前提下的运行风险是否过高,以便根据信息反馈情况及时的做出电控调整,即根据不同的管理等级进行合理的电控决策调整,以提高全钢内衬层联动线群电控质量和电控决策的调控灵活性。
附图说明
下面结合附图对本发明作进一步的说明;
图1是本发明方法框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一:
请参阅图1所示,本发明为一种全钢内衬层联动线群的电控决策优化方法,包括以下步骤:
步骤一:采集联动线群的供电数据和状态数据,将供电数据和状态数据分别发送至步骤二和步骤三进行分析;
步骤二:对供电数据进行供电越界稳定性评估分析,判断全钢内衬层联动线群的供电稳定性是否正常,同时结合干扰因素分析,以保证电控的精度和可靠性;
步骤三:对状态数据进行运行表现状态监管反馈分析和数据核实评估分析,判断全钢内衬层联动线群在供电正常的前提下的运行风险是否过高和分析结果是否准确,在数据有效的前提下,若得到优化信号,则对电控决策进行优化处理,若得到反馈信号,则进入步骤四;
步骤四:在运行状态正常的前提下,采集全钢内衬层联动线群的安全数据,并对安全数据进行运行趋势监管分析,了解全钢内衬层联动线群的安全供电运行趋势情况;
步骤五:通过信息反馈的方式进行管理匹配分析,以便根据趋势风险情况进行合理、有针对性的电控决策调整,以保证后续运行安全性;
采集联动线群的供电数据和状态数据,其中,供电数据包括波动失衡值和供电影响值,状态数据包括温度干扰值和偏离风险值,通过对供电数据和状态数据分别进行分析,一方面有助于从点的角度侧面反映全钢内衬层联动线群电控决策是否合格,另一方面有助于从点的角度对全钢内衬层联动线群电控进行安全监管,以提高全钢内衬层联动线群电控的安全性和稳定性,同时有助于提高全钢内衬层联动线群的电控精度,具体的供电越界稳定性评估分析过程如下:
采集到全钢内衬层联动线群开始电控时刻到结束电控时刻之间的时长,并将其标记为时间阈值,获取到时间阈值内全钢内衬层联动线群供电设备的波动失衡值,波动失衡值表示供电电压变化曲线中波动幅度超出预设波动幅度阈值的个数与波动幅度超出预设波动幅阈值的部分之和经数据归一化处理后得到的积值,并将波动失衡值与存储的预设波动失衡值阈值进行比对分析,若波动失衡值大于预设波动失衡值阈值,则将波动失衡值大于预设波动失衡值阈值的部分标记为供电阻碍值,需要说明的是,供电阻碍值的数值越大,则电控失控风险越高,电控决策调控需求越高;
获取到时间阈值内全钢内衬层联动线群供电设备的供电影响值,供电影响值表示供电设备内部电气元件运行温度超出预设运行温度阈值的个数与总个数之比,再与环境参数所对应数值超出预设阈值的个数经数据归一化处理后得到的积值,环境参数包括内温度均值、内粉尘浓度均值等,需要说明的是,供电影响值的数值越大,则电控失控风险越高,电控决策优化需求越高;
将供电阻碍值和供电影响值与其内部录入存储的预设供电阻碍值阈值和预设供电影响值阈值进行比对分析:
若供电阻碍值小于预设供电阻碍值阈值,且供电影响值小于预设供电影响值阈值,则生成正常信号;
若供电阻碍值大于等于预设供电阻碍值阈值,或供电影响值大于等于预设供电影响值阈值,则生成异常信号,当生成异常信号后,做出异常信号所对应的预设预警操作,以便及时的对全钢内衬层联动线群供电设备进行管理,以降低设备自身对全钢内衬层联动线群电控的影响,以提高全钢内衬层联动线群电控精度和电控稳定性;
具体的数据核实评估分析过程如下:
立即采集各个传感器的有效数据,有效数据包括采集稳定值和运行特征值,获取到各个子时间段内各个传感器的采集稳定值,采集稳定值表示供电电流波动频率小于预设供电电流波动频率阈值的部分与线路无功功率均值超出预设线路无功功率均值的部分经数据归一化处理后得到的比值,将采集稳定值与预设采集稳定值阈值进行比对分析,若采集稳定值大于预设采集稳定值阈值,则将采集稳定值大于预设采集稳定值阈值所对应子时间段的总个数与子时间段总个数之比标记为有效评估值,需要说明的是,有效评估值的数值越大,则数据采集异常风险越小;
获取到各个子时间段内各个传感器的运行特征值,运行特征值表示运行特征参数所对应数值超出预设阈值的个数,运行特征参数包括运行异响均值、运行温度均值等,以此构建运行特征值的集合A,获取到集合A中的最大子集和最小子集,并将集合A中的最大子集和最小子集之间的差值标记为特征风险值,需要说明的是,特征风险值的数值越大,则数据采集异常风险越小;
将有效评估值和特征风险值与其内部录入存储的预设有效评估值阈值和预设特征风险值阈值进行比对分析:
若有效评估值大于预设有效评估值阈值,且特征风险值小于预设特征风险值阈值,则生成核实信号;
若有效评估值小于等于预设有效评估值阈值,或特征风险值大于等于预设特征风险值阈值,则生成告警信号,当生成告警信号时,立即显示告警信号所对应传感器的编号,以便及时的对异常传感器进行更换或维修,以保证数据采集的有效性,同时降低数据对分析结果的影响,而通过传感器采集监管的方式有助于提高分析结果的准确性。
实施例二:
而在供电正常和数据有效的前提下对状态数据进行运行表现状态监管反馈分析,判断全钢内衬层联动线群在供电正常的前提下的运行风险是否过高,以便根据信息反馈情况及时的做出电控调整,以提高全钢内衬层联动线群电控质量和电控决策的灵活性,具体的运行表现状态监管反馈分析过程如下:
将时间阈值划分为i个子时间段,i为大于零的自然数,获取到各个子时间段内全钢内衬层联动线群的温度干扰值,温度干扰值表示联动线群的运行温度特征曲线与预设运行温度特征曲线首次相交所形成的锐角度数和运行温度特征曲线超出预设运行温度特征曲线的线段长度经数据归一化处理后得到的积值,需要说明的是,温度干扰值的数值越大,则电控异常风险越大;
获取到各个子时间段内全钢内衬层联动线群的偏离风险值,偏离风险值表示电控参数所对应数值偏离预算阈值范围的部分经数据归一化处理后得到的积值,电控参数包括电控频率、电控功率等,需要说明的是,偏离风险值的数值越大,则电控异常风险越大,并将温度干扰值和偏离风险值分别标号为WG i和PLi;
根据公式得到各个子时间段的状态风险评估系数,其中,a1和a2分别为温度干扰值和偏离风险值的预设比例因子系数,比例因子系数用于修正各项参数在公式计算过程中出现的偏差,从而使得计算结果更加准确,a1和a2均为大于零的正数,a3为预设修正因子系数,取值为1.221,Pi为各个子时间段的状态风险评估系数,以此构建状态风险评估系数Pi的集合A,获取到集合A中的最大子集和最小子集,并将集合A中的最大子集和最小子集之间的差值标记为状态风险跨度值,并将状态风险跨度值与其内部录入存储的预设状态风险跨度值阈值进行比对分析:
若状态风险跨度值与预设状态风险跨度值阈值之间的比值大于等于1,则生成优化信号,当生成优化信号后,做出优化信号所对应的预设预警操作,以便及时的对全钢内衬层联动线群电控进行调整,以保证全钢内衬层联动线群电控决策的合理性和可靠性;
若状态风险跨度值与预设状态风险跨度值阈值之间的比值小于1,则生成反馈信号;
而当生成反馈信号后,即在运行状态正常的前提下,采集全钢内衬层联动线群的安全数据,并对安全数据进行运行趋势监管分析,了解全钢内衬层联动线群的安全供电运行趋势情况,以便根据趋势风险情况进行合理的电控决策调整,以保证后续运行安全性,具体的运行趋势监管分析过程如下:
获取到时间阈值内全钢内衬层联动线群的安全数据,安全数据表示安全匹配值,安全匹配值表示全钢内衬层联动线群的投入使用时刻到当前时刻之间的时长与故障维护次数经数据归一化处理后得到的积值,同时获取到时间阈值内反馈信号所对应的状态风险跨度值,获取到时间阈值内正常信号所对应的供电阻碍值和供电影响值,并将安全匹配值、状态风险跨度值、供电阻碍值以及供电影响值标号为AP、ZF、GZ以及GY;
根据公式得到安全运行融合评估系数,其中,f1、f2、f3以及f4分别为安全匹配值、状态风险跨度值、供电阻碍值以及供电影响值的预设影响因子系数,比例因子系数用于修正各项参数在公式计算过程中出现的偏差,从而使得计算结果更加准确,f1、f2、f3以及f4均为大于零的正数,f5为预设修正因子系数,取值为1.221,Q为安全运行融合评估系数,获取到历史k个时间阈值内正常全钢内衬层联动线群的安全运行融合评估系数,k为大于零的自然数,以个数为X轴,以安全运行融合评估系数为Y轴建立直角坐标系,通过描点的方式绘制安全运行融合评估系数曲线,进而获取到安全运行融合评估系数曲线中的上升线段所对应的总长度与安全运行融合评估系数曲线所对应的总长度之比,并将安全运行融合评估系数曲线中的上升线段所对应的总长度与安全运行融合评估系数曲线所对应的总长度之比标记为安全融合趋势值,并将安全融合趋势值与其内部录入存储的预设安全融合趋势值阈值进行比对分析:
若安全融合趋势值与预设安全融合趋势值阈值之间的比值小于等于1,则不生成任何信号;
若安全融合趋势值与预设安全融合趋势值阈值之间的比值大于1,则生成风险信号,当生成风险信号时,立即进行管理匹配分析,具体的管理匹配分析过程如下:
获取到安全融合趋势值大于预设安全融合趋势值阈值的部分,并将安全融合趋势值大于预设安全融合趋势值阈值的部分标记为安全管理评估值,将安全管理评估值与其内部录入存储的预设安全融合趋势值区间进行比对分析:
若安全管理评估值大于预设安全管理评估值区间中的最大值,则生成一级管理信号;
若安全管理评估值属于预设安全管理评估值区间,则生成二级管理信号;
若安全管理评估值小于预设安全管理评估值区间中的最小值,则生成三级管理信号,其中,一级管理信号、二级管理信号以及三级管理信号所对应的管控程度依次降低,进而根据不同的管理等级进行合理的电控决策调整,以保证后续运行安全性;
综上所述,本发明通过从电控过程的角度进行分析,以保证全钢内衬层联动线群电控的稳定性和安全性,同时侧面反映全钢内衬层联动线群电控是否合理,以便合理的对电控决策进行调整,以保证后续运行安全性,即对供电数据进行供电越界稳定性评估分析,判断全钢内衬层联动线群的供电稳定性是否正常,同时结合干扰因素分析,以保证电控的精度和可靠性,对有效数据进行数据核实评估分析,以便及时的对异常传感器进行更换或维修,以保证数据采集的有效性,同时降低数据对分析结果的影响,而通过传感器采集监管的方式有助于提高分析结果的准确性,通过信息反馈的方式,即在供电正常和数据有效的前提下对状态数据进行运行表现状态监管反馈分析,判断全钢内衬层联动线群在供电正常的前提下的运行风险是否过高,以便根据信息反馈情况及时的做出电控调整,即根据不同的管理等级进行合理的电控决策调整,以提高全钢内衬层联动线群电控质量和电控决策的调控灵活性。
阈值的大小的设定是为了便于比较,关于阈值的大小,取决于样本数据的多少及本领域技术人员对每一组样本数据设定基数数量;只要不影响参数与量化后数值的比例关系即可。
上述公式均是采集大量数据进行软件模拟得出且选取与真实值接近的一个公式,公式中的系数是由本领域技术人员根据实际情况进行设置,以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种全钢内衬层联动线群的电控决策优化方法,其特征在于,包括以下步骤:
步骤一:采集联动线群的供电数据和状态数据,将供电数据和状态数据分别发送至步骤二和步骤三进行分析;
步骤二:对供电数据进行供电越界稳定性评估分析,判断全钢内衬层联动线群的供电稳定性是否正常,同时结合干扰因素分析,以保证电控的精度和可靠性;
步骤三:对状态数据进行运行表现状态监管反馈分析和数据核实评估分析,判断全钢内衬层联动线群在供电正常的前提下的运行风险是否过高和分析结果是否准确,在数据有效的前提下,若得到优化信号,则对电控决策进行优化处理,若得到反馈信号,则进入步骤四;
步骤四:在运行状态正常的前提下,采集全钢内衬层联动线群的安全数据,并对安全数据进行运行趋势监管分析,了解全钢内衬层联动线群的安全供电运行趋势情况;
步骤五:通过信息反馈的方式进行管理匹配分析,以便根据趋势风险情况进行合理、有针对性的电控决策调整,以保证后续运行安全性。
2.根据权利要求1所述的一种全钢内衬层联动线群的电控决策优化方法,其特征在于,所述供电越界稳定性评估分析过程如下:
集联动线群的供电数据和状态数据,其中,供电数据包括波动失衡值和供电影响值,状态数据包括温度干扰值和偏离风险值,同时采集到全钢内衬层联动线群开始电控时刻到结束电控时刻之间的时长,并将其标记为时间阈值,获取到时间阈值内全钢内衬层联动线群供电设备的波动失衡值,波动失衡值表示供电电压变化曲线中波动幅度超出预设波动幅度阈值的个数与波动幅度超出预设波动幅阈值的部分之和经数据归一化处理后得到的积值,并将波动失衡值与存储的预设波动失衡值阈值进行比对分析,若波动失衡值大于预设波动失衡值阈值,则将波动失衡值大于预设波动失衡值阈值的部分标记为供电阻碍值;
获取到时间阈值内全钢内衬层联动线群供电设备的供电影响值,供电影响值表示供电设备内部电气元件运行温度超出预设运行温度阈值的个数与总个数之比,再与环境参数所对应数值超出预设阈值的个数经数据归一化处理后得到的积值,环境参数包括内温度均值、内粉尘浓度均值。
3.根据权利要求2所述的一种全钢内衬层联动线群的电控决策优化方法,其特征在于,将供电阻碍值和供电影响值与其内部录入存储的预设供电阻碍值阈值和预设供电影响值阈值进行比对分析:
若供电阻碍值小于预设供电阻碍值阈值,且供电影响值小于预设供电影响值阈值,则生成正常信号;
若供电阻碍值大于等于预设供电阻碍值阈值,或供电影响值大于等于预设供电影响值阈值,则生成异常信号。
4.根据权利要求1所述的一种全钢内衬层联动线群的电控决策优化方法,其特征在于,所述数据核实评估分析过程如下:
立即采集各个传感器的有效数据,有效数据包括采集稳定值和运行特征值,获取到各个子时间段内各个传感器的采集稳定值,采集稳定值表示供电电流波动频率小于预设供电电流波动频率阈值的部分与线路无功功率均值超出预设线路无功功率均值的部分经数据归一化处理后得到的比值,将采集稳定值与预设采集稳定值阈值进行比对分析,若采集稳定值大于预设采集稳定值阈值,则将采集稳定值大于预设采集稳定值阈值所对应子时间段的总个数与子时间段总个数之比标记为有效评估值;
获取到各个子时间段内各个传感器的运行特征值,运行特征值表示运行特征参数所对应数值超出预设阈值的个数,运行特征参数包括运行异响均值、运行温度均值,以此构建运行特征值的集合A,获取到集合A中的最大子集和最小子集,并将集合A中的最大子集和最小子集之间的差值标记为特征风险值。
5.根据权利要求4所述的一种全钢内衬层联动线群的电控决策优化方法,其特征在于,将有效评估值和特征风险值与其内部录入存储的预设有效评估值阈值和预设特征风险值阈值进行比对分析:
若有效评估值大于预设有效评估值阈值,且特征风险值小于预设特征风险值阈值,则生成核实信号;若有效评估值小于等于预设有效评估值阈值,或特征风险值大于等于预设特征风险值阈值,则生成告警信号。
6.根据权利要求2所述的一种全钢内衬层联动线群的电控决策优化方法,其特征在于,所述运行表现状态监管反馈分析过程如下:
将时间阈值划分为i个子时间段,i为大于零的自然数,获取到各个子时间段内全钢内衬层联动线群的温度干扰值,温度干扰值表示联动线群的运行温度特征曲线与预设运行温度特征曲线首次相交所形成的锐角度数和运行温度特征曲线超出预设运行温度特征曲线的线段长度经数据归一化处理后得到的积值;
获取到各个子时间段内全钢内衬层联动线群的偏离风险值,偏离风险值表示电控参数所对应数值偏离预算阈值范围的部分经数据归一化处理后得到的积值,电控参数包括电控频率、电控功率。
7.根据权利要求6所述的一种全钢内衬层联动线群的电控决策优化方法,其特征在于,将温度干扰值和偏离风险值分别标号为WGi和PLi;
根据公式得到各个子时间段的状态风险评估系数,其中,a1和a2分别为温度干扰值和偏离风险值的预设比例因子系数,a1和a2均为大于零的正数,a3为预设修正因子系数,取值为1.221,Pi为各个子时间段的状态风险评估系数,以此构建状态风险评估系数Pi的集合A,获取到集合A中的最大子集和最小子集,并将集合A中的最大子集和最小子集之间的差值标记为状态风险跨度值,并将状态风险跨度值与其内部录入存储的预设状态风险跨度值阈值进行比对分析:
若状态风险跨度值与预设状态风险跨度值阈值之间的比值大于等于1,则生成优化信号;若状态风险跨度值与预设状态风险跨度值阈值之间的比值小于1,则生成反馈信号。
8.根据权利要求1所述的一种全钢内衬层联动线群的电控决策优化方法,其特征在于,所述运行趋势监管分析过程如下:
获取到时间阈值内全钢内衬层联动线群的安全数据,安全数据表示安全匹配值,安全匹配值表示全钢内衬层联动线群的投入使用时刻到当前时刻之间的时长与故障维护次数经数据归一化处理后得到的积值,同时获取到时间阈值内反馈信号所对应的状态风险跨度值,获取到时间阈值内正常信号所对应的供电阻碍值和供电影响值。
9.根据权利要求8所述的一种全钢内衬层联动线群的电控决策优化方法,其特征在于,将安全匹配值、状态风险跨度值、供电阻碍值以及供电影响值标号为AP、ZF、GZ以及GY;
根据公式得到安全运行融合评估系数,其中,f1、f2、f3以及f4分别为安全匹配值、状态风险跨度值、供电阻碍值以及供电影响值的预设影响因子系数,f1、f2、f3以及f4均为大于零的正数,f5为预设修正因子系数,取值为1.221,Q为安全运行融合评估系数,获取到历史k个时间阈值内正常全钢内衬层联动线群的安全运行融合评估系数,k为大于零的自然数,以个数为X轴,以安全运行融合评估系数为Y轴建立直角坐标系,通过描点的方式绘制安全运行融合评估系数曲线,进而获取到安全运行融合评估系数曲线中的上升线段所对应的总长度与安全运行融合评估系数曲线所对应的总长度之比,并将安全运行融合评估系数曲线中的上升线段所对应的总长度与安全运行融合评估系数曲线所对应的总长度之比标记为安全融合趋势值,并将安全融合趋势值与其内部录入存储的预设安全融合趋势值阈值进行比对分析:
若安全融合趋势值与预设安全融合趋势值阈值之间的比值小于等于1,则不生成任何信号;若安全融合趋势值与预设安全融合趋势值阈值之间的比值大于1,则生成风险信号。
10.根据权利要求9所述的一种全钢内衬层联动线群的电控决策优化方法,其特征在于,所述管理匹配分析过程如下:
获取到安全融合趋势值大于预设安全融合趋势值阈值的部分,并将安全融合趋势值大于预设安全融合趋势值阈值的部分标记为安全管理评估值,将安全管理评估值与其内部录入存储的预设安全融合趋势值区间进行比对分析:
若安全管理评估值大于预设安全管理评估值区间中的最大值,则生成一级管理信号;若安全管理评估值属于预设安全管理评估值区间,则生成二级管理信号;若安全管理评估值小于预设安全管理评估值区间中的最小值,则生成三级管理信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311565399.3A CN117422310A (zh) | 2023-11-22 | 2023-11-22 | 一种全钢内衬层联动线群的电控决策优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311565399.3A CN117422310A (zh) | 2023-11-22 | 2023-11-22 | 一种全钢内衬层联动线群的电控决策优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117422310A true CN117422310A (zh) | 2024-01-19 |
Family
ID=89530216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311565399.3A Pending CN117422310A (zh) | 2023-11-22 | 2023-11-22 | 一种全钢内衬层联动线群的电控决策优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117422310A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117689372A (zh) * | 2024-01-31 | 2024-03-12 | 西电济南变压器股份有限公司 | 一种适用于变压器的运行状态分析系统及方法 |
-
2023
- 2023-11-22 CN CN202311565399.3A patent/CN117422310A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117689372A (zh) * | 2024-01-31 | 2024-03-12 | 西电济南变压器股份有限公司 | 一种适用于变压器的运行状态分析系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116702081B (zh) | 基于人工智能的配电设备智能巡检方法 | |
CN117422310A (zh) | 一种全钢内衬层联动线群的电控决策优化方法 | |
CN110648480B (zh) | 一种基于变化速率的单变量报警系统及方法 | |
CN106053067A (zh) | 基于量子遗传算法优化支持向量机的轴承故障诊断方法 | |
CN115528810B (zh) | 一种基于电力设备的测温数据运检分析管理系统 | |
CN110636066B (zh) | 基于无监督生成推理的网络安全威胁态势评估方法 | |
CN111582542B (zh) | 一种基于异常修复的电力负荷预测方法及系统 | |
CN116400126B (zh) | 一种具有数据处理系统的低压电力箱 | |
CN114135477B (zh) | 一种机泵设备状态监测动态阈值预警方法 | |
CN112746934B (zh) | 一种自联想神经网络诊断风机故障方法 | |
CN113570200B (zh) | 一种基于多维信息的电网运行状态监测方法及系统 | |
CN116660672B (zh) | 基于大数据的电网设备故障诊断方法及系统 | |
CN106405280B (zh) | 一种智能变电站在线监测参数趋势预警方法 | |
CN112288157A (zh) | 一种基于模糊聚类与深度强化学习的风电场功率预测方法 | |
CN116579615A (zh) | 一种基于无人机遥感的植被覆盖监测系统 | |
CN117454114A (zh) | 基于多点位分布的地铁隧道掘进爆破振动安全监测装置 | |
CN106325258B (zh) | 一种基于在线监测信息的继电保护装置状态评估方法 | |
CN114925614A (zh) | 采煤机剩余寿命的预测方法 | |
CN109211564B (zh) | 一种用于滚珠丝杠副健康评估的自适应阈值检测方法 | |
CN116957120A (zh) | 一种基于数据分析的设备状态历史趋势异常预测方法 | |
CN107808209B (zh) | 基于加权kNN距离的风电场异常数据辨识方法 | |
CN117574264A (zh) | 一种基于知识约束神经网络的变压器故障诊断方法及系统 | |
CN112240267B (zh) | 基于风速相关性与风功率曲线的风机监测方法 | |
CN115423134A (zh) | 基于人工智能的重膜吹膜机运行检测系统 | |
Wang et al. | Predictive maintenance and sensitivity analysis for equipment with multiple quality states |
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 |