CN117454121B - 一种基于电厂安全预警的数据分析处理方法及系统 - Google Patents
一种基于电厂安全预警的数据分析处理方法及系统 Download PDFInfo
- Publication number
- CN117454121B CN117454121B CN202311776012.9A CN202311776012A CN117454121B CN 117454121 B CN117454121 B CN 117454121B CN 202311776012 A CN202311776012 A CN 202311776012A CN 117454121 B CN117454121 B CN 117454121B
- Authority
- CN
- China
- Prior art keywords
- power plant
- data
- production operation
- operation data
- quartile
- 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.)
- Active
Links
- 238000007405 data analysis Methods 0.000 title claims abstract description 16
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 238000004519 manufacturing process Methods 0.000 claims abstract description 110
- 230000002159 abnormal effect Effects 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims description 47
- 238000012549 training Methods 0.000 claims description 19
- 230000015556 catabolic process Effects 0.000 claims description 13
- 238000006731 degradation reaction Methods 0.000 claims description 13
- 238000012423 maintenance Methods 0.000 claims description 11
- 230000000670 limiting effect Effects 0.000 description 6
- 230000002411 adverse Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及数据处理技术领域，公开了一种基于电厂安全预警的数据分析处理方法及系统，包括：获取电厂的历史生产运行数据和电厂相关设施基本参数；根据历史生产运行数据和电厂相关设施基本参数建立电厂相关设施状态预测模型；根据历史生产运行数据对所述电厂相关设施基本参数进行调整，得到电厂相关设施调整参数；获取电厂的实时生产运行数据，并对实时生产运行数据进行处理，剔除非正常数据，得到正常生产运行数据；基于正常生产运行数据和电厂相关设施调整参数，根据电厂相关设施状态预测模型对电厂相关设施的状态进行预测，根据预测结果实现电厂安全预警。本发明通过对电厂实际运行情况进行分析确定电厂设备的状态，综合管理电厂安全。
Description
技术领域
本发明涉及数据处理技术领域，尤其是涉及一种基于电厂安全预警的数据分析处理方法及系统。
背景技术
电厂电力设施种类和数量繁多，在电力生产各个环节发挥着不同的功能，其安全稳定运行对电厂电力生产具有重要意义。电站设施运行环境恶劣,难免发生故障，然而一旦发生故障，造成的损失无法估量，轻则导致某个设施损坏，而电站设施由于其特殊性，维修时间较长，维修费用昂贵，给电力生产造成不利影响，重则导致整个机组非计划停机，严重影响生产，甚至发生重大的安全事故，严重威胁工作人员的生命健康。
传统上,可以合理安排巡查人员定期对电站设施进行检修，及时更换老化设施，在一定程度上避免了一些重大安全事故的发生。但这种方式人员成本较高，且存在主观原因，易造成误差。因此，亟需一种基于电厂安全预警的数据分析处理方法，实现智能安全预警。
发明内容
本发明的目的是提供一种基于电厂安全预警的数据分析处理方法及系统，解决传统方法检查方法存在误差，人员成本较高，造成资源浪费，且对于电厂设施检查不完全的问题。
本发明提供了一种基于电厂安全预警的数据分析处理方法，包括：
获取电厂的历史生产运行数据和电厂相关设施基本参数；
根据所述历史生产运行数据和电厂相关设施基本参数建立电厂相关设施状态预测模型；
根据所述历史生产运行数据对所述电厂相关设施基本参数进行调整，得到电厂相关设施调整参数；
获取电厂的实时生产运行数据，并对所述实时生产运行数据进行处理，剔除非正常数据，得到正常生产运行数据；
基于所述正常生产运行数据和电厂相关设施调整参数，根据所述电厂相关设施状态预测模型对电厂相关设施的状态进行预测，根据预测结果实现电厂安全预警。
在本申请的一些实施例中，根据所述历史生产运行数据和电厂相关设施基本参数建立电厂相关设施状态预测模型，包括：
对所述历史生产运行数据进行数据处理，得到训练数据集和测试数据集；
根据所述训练数据集建立电厂相关设施状态预测模型；
基于所述测试数据集对所述电厂相关设施状态预测模型进行测试，基于所述电厂相关设施基本参数确定测试结果，根据测试结果得到测试后的电厂相关设施状态预测模型。
在本申请的一些实施例中，根据测试结果得到测试后的电厂相关设施状态预测模型，包括：
若测试结果的偏差在接受范围内，则保留所述电厂相关设施状态预测模型；
若测试结果的偏差不在接受范围内，则对所述训练数据集进行调整，并重新建立电厂相关设施状态预测模型进行测试。
在本申请的一些实施例中，根据所述历史生产运行数据对所述电厂相关设施基本参数进行调整，得到电厂相关设施调整参数，包括：
对电厂相关设施进行分析，确定电厂相关设施的影响因素；
根据所述影响因素确定所述历史生产运行数据中的影响因素数据；
根据所述影响因素数据对所述电厂相关设施基本参数进行调整，得到电厂相关设施调整参数。
在本申请的一些实施例中，对所述实时生产运行数据进行处理，剔除非正常数据，包括：
确定所述实时生产运行数据的下四分位数Q1和上四分位数Q3，其中，将所述实时生产运行数据从小到大排序，所述下四分位数Q1为排名处于25%的数据，所述上四分位数Q3为排名处于75%的数据；
根据所述下四分位数Q1和上四分位数Q3确定四分位距IQR，所述四分位距IQR=Q3-Q1；
根据所述下四分位数Q1、上四分位数Q3和四分位距IQR确定非正常值上限MAX和非正常值下限MIN；
根据所述非正常值上限MAX和非正常值下限MIN确定非正常数据，并将确定的非正常数据剔除。
在本申请的一些实施例中，根据所述非正常值上限MAX和非正常值下限MIN确定非正常数据，包括：
将所述实时生产运行数据中，小于所述非正常值下限MIN或者大于所述非正常值上限MAX的数据确定为非正常数据。
在本申请的一些实施例中，根据所述下四分位数Q1、上四分位数Q3和四分位距IQR确定非正常值上限MAX和非正常值下限MIN，包括：
设定非正常系数k；
根据所述下四分位数Q1、四分位距IQR和非正常系数K确定非正常值下限MIN，所述非正常值下限MIN=Q1-k*IQR；
根据所述上四分位数Q3、四分位距IQR和非正常系数K确定非正常值上限MAX，所述非正常值上限MAX=Q3+k*IQR。
在本申请的一些实施例中，根据所述电厂相关设施状态预测模型对电厂相关设施的状态进行预测，包括：
根据所述电厂相关设施状态预测模型得到预测值；
根据所述预测值确定所述电厂相关设施的状态；
其中，所述电厂相关设施的状态包括正常运行状态、一般劣化状态和严重劣化状态。
在本申请的一些实施例中，根据预测结果实现电厂安全预警，包括：
当电厂相关设施的状态为一般劣化状态或者严重劣化状态时，将电厂相关设施的基本信息发送给运维人员进行检修。
本发明还公开了一种基于电厂安全预警的数据分析处理系统，包括：
获取模块，所述获取模块用于获取电厂的历史生产运行数据、实时生产运行数据和电厂相关设施基本参数；
建立模块，所述建立模块用于根据所述历史生产运行数据和电厂相关设施基本参数建立电厂相关设施状态预测模型；
数据处理模块，所述数据处理模块用于根据所述历史生产运行数据对所述电厂相关设施基本参数进行调整，得到电厂相关设施调整参数；并对所述实时生产运行数据进行处理，剔除非正常数据，得到正常生产运行数据；
安全预警模块，所述安全预警模块用于基于所述正常生产运行数据和电厂相关设施调整参数，根据所述电厂相关设施状态预测模型对电厂相关设施的状态进行预测，根据预测结果实现电厂安全预警。
在本申请的一些实施例中，根据所述历史生产运行数据对所述电厂相关设施基本参数进行调整，得到电厂相关设施调整参数，包括：
对电厂相关设施进行分析，确定电厂相关设施的影响因素；
根据所述影响因素确定所述历史生产运行数据中的影响因素数据；
根据所述影响因素数据对所述电厂相关设施基本参数进行调整，得到电厂相关设施调整参数；
对所述实时生产运行数据进行处理，剔除非正常数据，包括：
确定所述实时生产运行数据的下四分位数Q1和上四分位数Q3，其中，将所述实时生产运行数据从小到大排序，所述下四分位数Q1为排名处于25%的数据，所述上四分位数Q3为排名处于75%的数据；
根据所述上四分位数和下四分位数确定四分位距IQR，所述四分位距IQR=Q3-Q1；
根据所述下四分位数Q1、上四分位数Q3和四分位距IQR确定非正常值上限MAX和非正常值下限MIN；
根据所述非正常值上限MAX和非正常值下限MIN确定非正常数据，并将确定的非正常数据剔除。
本发明提公开了一种基于电厂安全预警的数据分析处理方法，包括：获取电厂的历史生产运行数据和电厂相关设施基本参数；根据所述历史生产运行数据和电厂相关设施基本参数建立电厂相关设施状态预测模型；根据所述历史生产运行数据对所述电厂相关设施基本参数进行调整，得到电厂相关设施调整参数；获取电厂的实时生产运行数据，并对所述实时生产运行数据进行处理，剔除非正常数据，得到正常生产运行数据；基于所述正常生产运行数据和电厂相关设施调整参数，根据所述电厂相关设施状态预测模型对电厂相关设施的状态进行预测，根据预测结果实现电厂安全预警。
本发明建立电厂相关设施状态预测模型，根据实际情况对电厂相关设施的状态进行预测，保证电厂相关设施的状态的准确性，减小误差，节约人力成本，便于及时通知运维人员对需检修设施进行检修。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明一种基于电厂安全预警的数据分析处理方法的流程示意图；
图2为本发明一种基于电厂安全预警的数据分析处理系统的功能框图。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的通常意义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合，而不排除其他元件或者物件。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本发明各部件或元件结构关系而确定的关系词，并非特指发明中任一部件或元件，不能理解为对发明的限制。术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本发明中的具体含义，不能理解为对本发明的限制。
实施例
本发明提供了一种基于电厂安全预警的数据分析处理方法，如图1所示，包括：
S1，获取电厂的历史生产运行数据和电厂相关设施基本参数。
S2，根据所述历史生产运行数据和电厂相关设施基本参数建立电厂相关设施状态预测模型。
S3，根据所述历史生产运行数据对所述电厂相关设施基本参数进行调整，得到电厂相关设施调整参数。
S4，获取电厂的实时生产运行数据，并对所述实时生产运行数据进行处理，剔除非正常数据，得到正常生产运行数据。
S5，基于所述正常生产运行数据和电厂相关设施调整参数，根据所述电厂相关设施状态预测模型对电厂相关设施的状态进行预测，根据预测结果实现电厂安全预警。
在本申请的一些实施例中，公开了建立电厂相关设施状态预测模型的具体方法，根据所述历史生产运行数据和电厂相关设施基本参数建立电厂相关设施状态预测模型，包括：
对所述历史生产运行数据进行数据处理，得到训练数据集和测试数据集。
根据所述训练数据集建立电厂相关设施状态预测模型。
基于所述测试数据集对所述电厂相关设施状态预测模型进行测试，基于所述电厂相关设施基本参数确定测试结果，根据测试结果得到测试后的电厂相关设施状态预测模型。
在本实施例中，对所述历史生产运行数据进行数据处理，包括：去除所述历史生产运行数据中的缺失值，并对剩余的历史生产运行数据进行单位的统一，是所有数据的单位均为基本单位；历史生产运行数据可以为发电量、实时温度、实时压力、功率、振动数据等。同时，对数据进行划分，可按照9:1的比例将数据划分为训练数据集和测试数据集。其中90%划分为训练数据集，该部分数据作为状态预测模型的数据样本。10%划分为测试数据集，若直接用相同的数据进行训练后模型的验证，无法发现模型的问题，通过随机划分，将10%的数据划分为测试数据集，其作为已知数据，进行模型的反向验证，可以验证出训练后的模型是否符合要求，若符合要求，则说明训练数据集训练的模型可以用来预测实际情况，反之，若不符合要求，则说明模型存在问题，需要重新进行训练，再对重新训练后的模型进行测试。
电厂相关设施状态预测模型是通过计算机构建的，将得到的训练数据集输入到神经网络模型中，并在服务器中进行训练，得到电厂相关设施状态预测模型。
基于所述电厂相关设施基本参数确定测试结果，具体为，根据电厂相关设施基本参数确定电厂相关设施的实际值，电厂相关设施基本参数可以为使用时长、剩余寿命、安全值等，根据这些参数得到电厂相关设施的状态实际值，状态实际值可以为安全值，也可以为根据剩余寿命确定的值，将测试得到的值与状态实际值进行对比，确定比值，也就是测试结果。
在本申请的一些实施例中，根据测试结果得到测试后的电厂相关设施状态预测模型，包括：
若测试结果的偏差在接受范围内，则保留所述电厂相关设施状态预测模型。
若测试结果的偏差不在接受范围内，则对所述训练数据集进行调整，并重新建立电厂相关设施状态预测模型进行测试。
在本实施例中，接受范围可以设置为95%及以上，当测试结果的偏差在接受范围内，也就是测试值与实际值的比值大于95%，则说明建立的电厂相关设施状态预测模型可以准确预测电厂相关设施的状态，因此，需要保留电厂相关设施状态预测模型，可以进行应用；若测试结果的偏差不在接受范围内，也就是测试结果小于95%，则说明建立的电厂相关设施状态预测模型不能准确预测电厂相关设施的状态，而电厂相关设施状态预测模型是根据训练数据集建立的，因此，需要对训练数据集进行调整，再根据调整后的训练数据集重新建立电厂相关设施状态预测模型，并根据测试数据集进行测试，知道测试结果的偏差在接受范围内。
在本申请的一些实施例中，根据所述历史生产运行数据对所述电厂相关设施基本参数进行调整，得到电厂相关设施调整参数，包括：
对电厂相关设施进行分析，确定电厂相关设施的影响因素。
根据所述影响因素确定所述历史生产运行数据中的影响因素数据。
根据所述影响因素数据对所述电厂相关设施基本参数进行调整，得到电厂相关设施调整参数。
在本实施例中，电厂相关设施可以包括有发电机组、锅炉、变压器、输电线路、用电设备等等。电厂相关设施基本参数可以包括设施的使用时长、剩余寿命、安全值等等。
对电厂相关设施进行分析，确定电厂相关设施的影响因素，可以为：若设施为发电机组中汽轮机，那么可以确定汽轮机的蒸汽量、蒸汽流速、蒸汽温度均会对其造成影响，可以确定这些因素为影响因素，若设施为变压器，那么变压器的温度、湿度、负载均会影响其安全运行。
根据所述影响因素确定所述历史生产运行数据中的影响因素数据，为：若确定变压器的影响因素为温度、湿度、负载等，那么从历史生产运行数据中筛选出这些影响因素对应的数据就是影响因素数据。当确定影响因素数据后，根据这些影响因素数据对对所述电厂相关设施基本参数进行调整，为：若温度、湿度、负载超过变压器的正常承受范围，那么变压器的基本参数如剩余寿命、安全值等会降低，降低后的基本参数为电厂相关设施调整参数。同样，需要针对其他设施的基本参数进行调整。
在本申请的一些实施例中，对所述实时生产运行数据进行处理，剔除非正常数据，包括：
确定所述实时生产运行数据的下四分位数Q1和上四分位数Q3，其中，将所述实时生产运行数据从小到大排序，所述下四分位数Q1为排名处于25%的数据，所述上四分位数Q3为排名处于75%的数据。
根据所述下四分位数Q1和上四分位数Q3确定四分位距IQR，所述四分位距IQR=Q3-Q1。
根据所述下四分位数Q1、上四分位数Q3和四分位距IQR确定非正常值上限MAX和非正常值下限MIN。
根据所述非正常值上限MAX和非正常值下限MIN确定非正常数据，并将确定的非正常数据剔除。
在本实施例中，四分位距，又称四分差。是描述统计学中的一种方法，与方差、标准差一样，表示统计资料中各变量分散情形，但四分差更多为一种稳健统计。把所有数值由小到大排列并分成四等份，处于三个分割点位置的数值就是四分位数，分别为下四分位数、中位数、上四分位数。因每个四分位距占据着全部数据中的25%的数据，小部分的数据波动不会对四分位距造成影响，而且非正常数据在正常数据中占比较小，因此采用四分位距方法可以表现出原始数据的本来面貌，具有很强的抗干扰能力。
在本申请的一些实施例中，根据所述非正常值上限MAX和非正常值下限MIN确定非正常数据，包括：
将所述实时生产运行数据中，小于所述非正常值下限MIN或者大于所述非正常值上限MAX的数据确定为非正常数据。
在本实施例中，通过根据下四分位数Q1、上四分位数Q3和四分位距IQR确定非正常值上限MAX和非正常值下限MIN，处于非正常值上限MAX和非正常值下限MIN之间的为正常数据，需要保留，而大于正常值上限MAX，或小于非正常值下限MIN的为非正常数据，需要剔除。
在本申请的一些实施例中，根据所述下四分位数Q1、上四分位数Q3和四分位距IQR确定非正常值上限MAX和非正常值下限MIN，包括：
设定非正常系数k。
根据所述下四分位数Q1、四分位距IQR和非正常系数K确定非正常值下限MIN，所述非正常值下限MIN=Q1-k*IQR。
根据所述上四分位数Q3、四分位距IQR和非正常系数K确定非正常值上限MAX，所述非正常值上限MAX=Q3+k*IQR。
在本实施例中，非正常系数k根据所需要数据的异常程度进行设置，若需要剔除中度异常数据，非正常系数k的取值可为1.5；若需要剔除中极度异常数据，非正常系数k的取值可为3。
在本申请的一些实施例中，根据所述电厂相关设施状态预测模型对电厂相关设施的状态进行预测，包括：
根据所述电厂相关设施状态预测模型得到预测值。
根据所述预测值确定所述电厂相关设施的状态。
其中，所述电厂相关设施的状态包括正常运行状态、一般劣化状态和严重劣化状态。
在本实施例中，电厂设施运行环境恶劣,难免发生故障。然而一旦发生故障，造成的损失无法估量，轻则导致某个设施损坏，而电厂设施由于其特殊性，维修时间较长，维修费用昂贵，给电力生产造成不利影响；重则导致整个机组非计划停机，严重影响生产，甚至发生重大的安全事故，严重威胁工作人员的生命健康。而往往电厂设施发生故障前，会经历状态劣化的过程，能够表现一定的故障征兆，如内部出现噪音，轴承温度过高，水平振动幅值过大，电机停止转动等。因此，需要对电厂相关设施的状态进行预测，做出预警应答，为工作人员预留一定的时间，便于工作人员采取紧急措施。
在本申请的一些实施例中，根据预测结果实现电厂安全预警，包括：
当电厂相关设施的状态为一般劣化状态或者严重劣化状态时，将电厂相关设施的基本信息发送给运维人员进行检修。
本发明还公开了一使用上述数据分析处理方法的基于电厂安全预警的数据分析处理系统，如图2所示，包括：
获取模块，所述获取模块用于获取电厂的历史生产运行数据、实时生产运行数据和电厂相关设施基本参数。
建立模块，所述建立模块用于根据所述历史生产运行数据和电厂相关设施基本参数建立电厂相关设施状态预测模型。
数据处理模块，所述数据处理模块用于根据所述历史生产运行数据对所述电厂相关设施基本参数进行调整，得到电厂相关设施调整参数；并对所述实时生产运行数据进行处理，剔除非正常数据，得到正常生产运行数据。
安全预警模块，所述安全预警模块用于基于所述正常生产运行数据和电厂相关设施调整参数，根据所述电厂相关设施状态预测模型对电厂相关设施的状态进行预测，根据预测结果实现电厂安全预警。
在本申请的一些实施例中，根据所述历史生产运行数据对所述电厂相关设施基本参数进行调整，得到电厂相关设施调整参数，包括：
对电厂相关设施进行分析，确定电厂相关设施的影响因素。
根据所述影响因素确定所述历史生产运行数据中的影响因素数据。
根据所述影响因素数据对所述电厂相关设施基本参数进行调整，得到电厂相关设施调整参数。
对所述实时生产运行数据进行处理，剔除非正常数据，包括：
确定所述实时生产运行数据的下四分位数Q1和上四分位数Q3，其中，将所述实时生产运行数据从小到大排序，所述下四分位数Q1为排名处于25%的数据，所述上四分位数Q3为排名处于75%的数据。
根据所述上四分位数和下四分位数确定四分位距IQR，所述四分位距IQR=Q3-Q1。
根据所述下四分位数Q1、上四分位数Q3和四分位距IQR确定非正常值上限MAX和非正常值下限MIN。
根据所述非正常值上限MAX和非正常值下限MIN确定非正常数据，并将确定的非正常数据剔除。
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
上述实施例提供的系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
Claims (6)
1.一种基于电厂安全预警的数据分析处理方法，其特征在于，包括：
获取电厂的历史生产运行数据和电厂相关设施基本参数，所述电厂相关设施基本参数包括设施的使用时长、剩余寿命、安全值；
根据所述历史生产运行数据和电厂相关设施基本参数建立电厂相关设施状态预测模型；根据所述历史生产运行数据对所述电厂相关设施基本参数进行调整，得到电厂相关设施调整参数；
获取电厂的实时生产运行数据，并对所述实时生产运行数据进行处理，剔除非正常数据，得到正常生产运行数据；
基于所述正常生产运行数据和电厂相关设施调整参数，根据所述电厂相关设施状态预测模型对电厂相关设施的状态进行预测，根据预测结果实现电厂安全预警；
根据所述历史生产运行数据和电厂相关设施基本参数建立电厂相关设施状态预测模型，包括：
对所述历史生产运行数据进行数据处理，得到训练数据集和测试数据集；
根据所述训练数据集建立电厂相关设施状态预测模型；
基于所述测试数据集对所述电厂相关设施状态预测模型进行测试，基于所述电厂相关设施基本参数确定测试结果，根据测试结果得到测试后的电厂相关设施状态预测模型；
根据所述历史生产运行数据对所述电厂相关设施基本参数进行调整，得到电厂相关设施调整参数，包括：
对电厂相关设施进行分析，确定电厂相关设施的影响因素；
根据所述影响因素确定所述历史生产运行数据中的影响因素数据；
根据所述影响因素数据对所述电厂相关设施基本参数进行调整，得到电厂相关设施调整参数；
对所述实时生产运行数据进行处理，剔除非正常数据，包括：
确定所述实时生产运行数据的下四分位数Q1和上四分位数Q3，其中，将所述实时生产运行数据从小到大排序，所述下四分位数Q1为排名处于25%的数据，所述上四分位数Q3为排名处于75%的数据；
根据所述上四分位数和下四分位数确定四分位距IQR，所述四分位距IQR=Q3-Q1；
根据所述下四分位数Q1、上四分位数Q3和四分位距IQR确定非正常值上限MAX和非正常值下限MIN；
根据所述非正常值上限MAX和非正常值下限MIN确定非正常数据，并将确定的非正常数据剔除。
2.根据权利要求1所述的一种基于电厂安全预警的数据分析处理方法，其特征在于，根据测试结果得到测试后的电厂相关设施状态预测模型，包括：
若测试结果的偏差在接受范围内，则保留所述电厂相关设施状态预测模型；
若测试结果的偏差不在接受范围内，则对所述训练数据集进行调整，并重新建立电厂相关设施状态预测模型进行测试。
3.根据权利要求1所述的一种基于电厂安全预警的数据分析处理方法，其特征在于，根据所述下四分位数Q1、上四分位数Q3和四分位距IQR确定非正常值上限MAX和非正常值下限MIN，包括：
设定非正常系数k；
根据所述下四分位数Q1、四分位距IQR和非正常系数K确定非正常值下限MIN，所述非正常值下限MIN=Q1-k*IQR；
根据所述上四分位数Q3、四分位距IQR和非正常系数K确定非正常值上限MAX，所述非正常值上限MAX=Q3+k*IQR。
4.根据权利要求1所述的一种基于电厂安全预警的数据分析处理方法，其特征在于，根据所述电厂相关设施状态预测模型对电厂相关设施的状态进行预测，包括：
根据所述电厂相关设施状态预测模型得到预测值；
根据所述预测值确定所述电厂相关设施的状态；
其中，所述电厂相关设施的状态包括正常运行状态、一般劣化状态和严重劣化状态。
5.根据权利要求4所述的一种基于电厂安全预警的数据分析处理方法，其特征在于，根据预测结果实现电厂安全预警，包括：
当电厂相关设施的状态为一般劣化状态或者严重劣化状态时，将电厂相关设施的基本信息发送给运维人员进行检修。
6.一种基于电厂安全预警的数据分析处理系统，其特征在于，包括：
获取模块，所述获取模块用于获取电厂的历史生产运行数据、实时生产运行数据和电厂相关设施基本参数，所述电厂相关设施基本参数包括设施的使用时长、剩余寿命、安全值；
建立模块，所述建立模块用于根据所述历史生产运行数据和电厂相关设施基本参数建立电厂相关设施状态预测模型；
建立模块用于根据所述历史生产运行数据和电厂相关设施基本参数建立电厂相关设施状态预测模型，包括：
对所述历史生产运行数据进行数据处理，得到训练数据集和测试数据集；
根据所述训练数据集建立电厂相关设施状态预测模型；
基于所述测试数据集对所述电厂相关设施状态预测模型进行测试，基于所述电厂相关设施基本参数确定测试结果，根据测试结果得到测试后的电厂相关设施状态预测模型；
数据处理模块，所述数据处理模块用于根据所述历史生产运行数据对所述电厂相关设施基本参数进行调整，得到电厂相关设施调整参数；并对所述实时生产运行数据进行处理，剔除非正常数据，得到正常生产运行数据；
根据所述历史生产运行数据对所述电厂相关设施基本参数进行调整，得到电厂相关设施调整参数，包括：
对电厂相关设施进行分析，确定电厂相关设施的影响因素；
根据所述影响因素确定所述历史生产运行数据中的影响因素数据；
根据所述影响因素数据对所述电厂相关设施基本参数进行调整，得到电厂相关设施调整参数；
安全预警模块，所述安全预警模块用于基于所述正常生产运行数据和电厂相关设施调整参数，根据所述电厂相关设施状态预测模型对电厂相关设施的状态进行预测，根据预测结果实现电厂安全预警；
根据所述历史生产运行数据对所述电厂相关设施基本参数进行调整，得到电厂相关设施调整参数，包括：
对电厂相关设施进行分析，确定电厂相关设施的影响因素；
根据所述影响因素确定所述历史生产运行数据中的影响因素数据；
根据所述影响因素数据对所述电厂相关设施基本参数进行调整，得到电厂相关设施调整参数；
对所述实时生产运行数据进行处理，剔除非正常数据，包括：
确定所述实时生产运行数据的下四分位数Q1和上四分位数Q3，其中，将所述实时生产运行数据从小到大排序，所述下四分位数Q1为排名处于25%的数据，所述上四分位数Q3为排名处于75%的数据；
根据所述上四分位数和下四分位数确定四分位距IQR，所述四分位距IQR=Q3-Q1；
根据所述下四分位数Q1、上四分位数Q3和四分位距IQR确定非正常值上限MAX和非正常值下限MIN；
根据所述非正常值上限MAX和非正常值下限MIN确定非正常数据，并将确定的非正常数据剔除。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311776012.9A CN117454121B (zh) | 2023-12-22 | 2023-12-22 | 一种基于电厂安全预警的数据分析处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311776012.9A CN117454121B (zh) | 2023-12-22 | 2023-12-22 | 一种基于电厂安全预警的数据分析处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117454121A CN117454121A (zh) | 2024-01-26 |
| CN117454121B true CN117454121B (zh) | 2024-04-05 |
Family
ID=89591514
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311776012.9A Active CN117454121B (zh) | 2023-12-22 | 2023-12-22 | 一种基于电厂安全预警的数据分析处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117454121B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107103554A (zh) * | 2017-04-27 | 2017-08-29 | 中国农业科学院农业信息研究所 | 一种奶牛的智能监测方法及系统 |
| CN111310775A (zh) * | 2018-12-11 | 2020-06-19 | Tcl集团股份有限公司 | 数据训练方法、装置、终端设备及计算机可读存储介质 |
| CN111626153A (zh) * | 2020-05-13 | 2020-09-04 | 电子科技大学 | 一种基于集成学习的局放故障状态识别方法 |
| WO2021052031A1 (zh) * | 2019-09-20 | 2021-03-25 | 苏宁云计算有限公司 | 基于统计四分位距的商品库存风险预警方法、系统及计算机可读存储介质 |
| CN113743674A (zh) * | 2021-09-10 | 2021-12-03 | 中国电力科学研究院有限公司 | 基于深度学习的储能出力预测方法、系统、设备及介质 |
| CN115201608A (zh) * | 2022-07-26 | 2022-10-18 | 广东粤电靖海发电有限公司 | 一种基于神经网络的电厂设备运行参数监测方法 |
| CN116384526A (zh) * | 2022-12-09 | 2023-07-04 | 中广核工程有限公司 | 一种核电厂系统或设备的重要参数故障预警方法及系统 |
| CN116972910A (zh) * | 2023-07-24 | 2023-10-31 | 华能大庆热电有限公司 | 一种火电厂电气设备的监测方法及系统 |
-
2023
- 2023-12-22 CN CN202311776012.9A patent/CN117454121B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107103554A (zh) * | 2017-04-27 | 2017-08-29 | 中国农业科学院农业信息研究所 | 一种奶牛的智能监测方法及系统 |
| CN111310775A (zh) * | 2018-12-11 | 2020-06-19 | Tcl集团股份有限公司 | 数据训练方法、装置、终端设备及计算机可读存储介质 |
| WO2021052031A1 (zh) * | 2019-09-20 | 2021-03-25 | 苏宁云计算有限公司 | 基于统计四分位距的商品库存风险预警方法、系统及计算机可读存储介质 |
| CN111626153A (zh) * | 2020-05-13 | 2020-09-04 | 电子科技大学 | 一种基于集成学习的局放故障状态识别方法 |
| CN113743674A (zh) * | 2021-09-10 | 2021-12-03 | 中国电力科学研究院有限公司 | 基于深度学习的储能出力预测方法、系统、设备及介质 |
| CN115201608A (zh) * | 2022-07-26 | 2022-10-18 | 广东粤电靖海发电有限公司 | 一种基于神经网络的电厂设备运行参数监测方法 |
| CN116384526A (zh) * | 2022-12-09 | 2023-07-04 | 中广核工程有限公司 | 一种核电厂系统或设备的重要参数故障预警方法及系统 |
| CN116972910A (zh) * | 2023-07-24 | 2023-10-31 | 华能大庆热电有限公司 | 一种火电厂电气设备的监测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| Assessment of Power Plant Baded on Unsafe Behavior of Workers through Backpropagation Neural Network Model;Juan Shi 等;Hindawi;20220112;1-12 * |
| 基于大数据技术的电厂设备状态评估和预警应用研究;胡杰;唐静;谢仕义;王云;;华电技术;20200225(02);5-10+15 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117454121A (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110320892A (zh) | 基于Lasso回归的污水处理设备故障诊断系统及方法 | |
| CN109188227B (zh) | 一种双馈型风力发电机绝缘状态评估方法及系统 | |
| CN104573850A (zh) | 一种火电厂设备状态评估方法 | |
| CN103559648A (zh) | 电网设备状态检测与评价实训系统 | |
| CN117689214B (zh) | 一种柔性直流牵引供电系统能量路由器动态安全评估方法 | |
| CN110865924B (zh) | 电力信息系统内部服务器健康度诊断方法与健康诊断框架 | |
| CN115469176A (zh) | 一种基于数据模型的数字孪生电网用风险评估系统 | |
| CN117808456B (zh) | 一种基于智慧运营管理的设备故障预警方法及装置 | |
| CN113537523A (zh) | 一种变电设备状态检修及辅助决策方法 | |
| CN112001511A (zh) | 基于数据挖掘的设备可靠性及动态风险评价方法、系统和设备 | |
| CN107656156A (zh) | 一种基于云平台的设备故障诊断及运行状态评估方法与系统 | |
| CN112580858A (zh) | 设备参数预测分析方法及系统 | |
| CN114400776B (zh) | 基于数字镜像的变电站自动化设备状态诊断方法和系统 | |
| CN111507603A (zh) | 一种在产企业环境风险现状评估方法和系统 | |
| CN117221145A (zh) | 基于物联网平台的设备故障预测性维护系统 | |
| CN111339661A (zh) | 一种高压电缆巡检周期自动规划方法 | |
| CN118520359A (zh) | 一种水电站故障预测与事故预警方法及系统 | |
| CN110443481A (zh) | 基于混合k-近邻算法的配电自动化终端状态评价系统及方法 | |
| CN117952591A (zh) | 一种变电站继电保护智能巡检方法 | |
| CN109240253A (zh) | 一种在线设备诊断及预防性维护方法及系统 | |
| CN117454121B (zh) | 一种基于电厂安全预警的数据分析处理方法及系统 | |
| CN114861973B (zh) | 一种计及多源因素的风力发电系统风险评估方法 | |
| CN113538997A (zh) | 一种设备预测性维护学习系统 | |
| CN114167342A (zh) | 一种继电保护装置运行健康状态的评价方法 | |
| CN106708008A (zh) | 一种输变电设备故障诊断系统 |
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 |