CN117493498A - 基于工业互联网的电力数据挖掘与分析系统 - Google Patents

基于工业互联网的电力数据挖掘与分析系统 Download PDF

Info

Publication number
CN117493498A
CN117493498A CN202410001731.1A CN202410001731A CN117493498A CN 117493498 A CN117493498 A CN 117493498A CN 202410001731 A CN202410001731 A CN 202410001731A CN 117493498 A CN117493498 A CN 117493498A
Authority
CN
China
Prior art keywords
data
real
historical
time
state
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
Application number
CN202410001731.1A
Other languages
English (en)
Other versions
CN117493498B (zh
Inventor
阴国富
王广帅
孙涛
张鹏
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.)
Shaanxi Bogude Intelligent Technology Co ltd
Original Assignee
Shaanxi Bogude Intelligent Technology 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 Shaanxi Bogude Intelligent Technology Co ltd filed Critical Shaanxi Bogude Intelligent Technology Co ltd
Priority to CN202410001731.1A priority Critical patent/CN117493498B/zh
Publication of CN117493498A publication Critical patent/CN117493498A/zh
Application granted granted Critical
Publication of CN117493498B publication Critical patent/CN117493498B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/3332—Query translation
    • G06F16/3335—Syntactic pre-processing, e.g. stopword elimination, stemming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3346—Query execution using probabilistic model
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于工业互联网的电力数据挖掘与分析系统，涉及电力数据分析技术领域，有效的解决了因电力设备种类复杂而导致的检测效率低的问题。本发明通过采集电力设备在各个运行状态下的历史运行数据和实时运行数据，进而生成若干个历史特征词和实时特征词，建立数据区块和特征区块，将历史运行数据以及历史特征词输入至数据区块和特征区块中，根据历史特征词与历史运行数据之间的对应关系建立数据关联网络，将实时特征词与特征区块进行匹配得到多个数据区块，根据数据区块中的历史运行数据与实时运行数据之间的关联系数确定关联的数据区块，将数据区块与实时运行数据进行映射，判断电力设备的当前状态，根据判断结果对电力设备进行维护。

Description

基于工业互联网的电力数据挖掘与分析系统
技术领域
本发明涉及电力数据分析技术领域，具体涉及基于工业互联网的电力数据挖掘与分析系统。
背景技术
电力数据分析是利用各种技术和方法对电力系统产生的大量数据进行处理、分析和挖掘，以获取有益的信息和见解。这些数据包括电力负荷、发电量、电网运行状态、设备健康状况、能源市场价格等多方面的信息。
现有的电力数据分析技术存在以下缺陷：
数据分析技术：包括可视化、机器学习等技术，可以实现对电力数据进行分析和预测，但当需要同时分析种类及数量庞大的电力设备的运行数据时，需要考虑多因素相互作用的影响，单一算法难以满足需求。
机器学习技术：利用机器学习算法对设备运行数据进行建模和预测，识别设备运行异常和故障风险。但通过机器学习模型在处理电力设备运行数据时，需要考虑模型的精度和泛化能力，尤其是在复杂多变的环境下，模型的性能表现可能受到限制。
因此，怎样在提高数据分析和数据挖掘技术对多种类电力设备的运行数据分析准确性的同时，提高对复杂环境下的数据准确性是现有技术的难点，为此提供基于工业互联网的电力数据挖掘与分析系统。
发明内容
为了解决上述技术问题，本发明的目的在于提供基于工业互联网的电力数据挖掘与分析系统。
为了实现上述目的，本发明提供如下技术方案：
基于工业互联网的电力数据挖掘与分析系统，包括云计算平台，所述云计算平台通信连接有数据采集模块、数据关联网络模块以及状态检测模块；
所述数据采集模块用于通过若干种传感器采集电力设备在各个运行状态下的历史运行数据和实时运行状态下的实时运行数据；
所述数据关联网络模块用于对电力设备的历史运行数据以及实时运行数据进行数据清洗，进而对数据清洗后的历史运行数据和实时运行数据进行特征提取并得到若干个历史特征词和实时特征词，同时建立数据区块和特征区块，将历史运行数据以及历史特征词分别输入至数据区块和特征区块中，进而根据历史特征词与历史运行数据之间的对应关系，将各个数据区块与特征区块进行相连得到数据关联网络；
所述状态检测模块用于将实时特征词与特征区块进行匹配，根据匹配结果找寻多个对应的数据区块，进而根据数据区块中的历史运行数据与实时运行数据之间的关联系数确定相关的数据区块，将数据区块与实时运行数据进行映射，进而判断电力设备的当前状态，并生成相应的维护决策。
进一步的，所述电力设备的历史运行数据和实时运行数据的采集过程包括：
对各个电力设备设置传感器，同时对各个电力设备设置编号S1、S2、……、Si，i为大于0的自然数；
传感器采集其所在位置的电力设备实时运行状态下的J项实时状态数据，其中J为大于0的自然数；
数据采集模块整合接收到全部实时状态数据生成实时运行数据，并标注对应电力设备的编号；
采集相同方法，数据采集模块采集电力设备采集各个运行状态的K份历史运行数据，并标注对应的编号，其中运行状态包括正常运行状态、异常运行状态以及牵连运行状态，K为大于0的自然数。
进一步的，对所述实时运行数据和历史运行数据进行数据清洗的过程包括：
设置标准数据格式，对于历史运行数据和实时运行数据中不符合标准数据格式的部分进行标注，进而对带有标注的部分进行格式调整以及空白段删除，当数据清洗完成后，对历史运行数据和实时运行数据进行特征提取，进而得到若干个历史特征词与实时特征词。
进一步的，所述数据关联网络的建立过程包括：
建立与历史运行数据和历史特征词相同数量的数据区块和特征区块，将全部历史运行数据和历史特征词分别存储于数据区块和特征区块，进而根据各个历史特征词与历史检测数据之间的对应关系，将历史特征区域与数据区块进行关联得到数据关联网络，并对其设置对应电力设备的编号。
进一步的，将实时特征词与特征区块进行匹配的过程包括：
将实时特征词输入至数据关联网络中匹配相应的特征区块，找寻所匹配的各个特征区块在数据关联网络中所关联的数据区块；
提取并统计得到数据区块中的历史运行数据的数量num，进而根据历史运行数据中的历史状态数据种类数量J，建立J*num个平面坐标系；
从实时运行数据以及历史运行数据中提取出相同种类的实时状态数据和历史状态数据，进而成对依次映射于平面坐标系中；
将全部状态数据对应的时间长度划分为H个时间区段，进而计算各个时间区段内实时状态数据的微积分数值w以及历史状态数据的微积分数值W，并根据各个时间区段间的微积分数值w和W计算实时运行数据与历史运行数据之间的协方差cov和标准差std。
进一步的，所述实时运行数据与历史运行数据之间的协方差cov以及标准差std、STD的获取过程为：
计算各个时间区段内的微积分数值w的平均值bar，其中bar的计算公式为：，其中T表示时间区段的数量，bara，j表示编号为Sa的电力设备的第j个实时 状态数据的微积分平均值，j为大于0且小于等于J的自然数，a为大于0且小于等于i自然数；
采用相同方法获得各个时间区段内的微积分数值W的平均值BAR；
根据平均值bar和平均值BAR计算协方差cov的计算公式为：；其中表示编号为Sa的电力设备的第j个历史状态 数据的微积分平均值，表示编号为Sa的电力设备的第k份历史运行数据与实时运行数 据之间的协方差，其中k为大于0且小于等于K的自然数，和分别表示第e个时间区段内 实时状态数据和历史状态数据的微积分数值；
根据平均值bar计算实时状态数据的标准差std的计算公式为：，表示编号为Sa的电力设备的实时运行数据内各个实时状态 数据的标准差；
根据平均值BAR计算历史状态数据的标准差STD的计算公式为：，表示编号为Sa的电力设备第k份历史运行数据中各 个历史状态数据的标准差；
进而根据实时运行数据与历史运行数据之间的协方差cov以及标准差std、STD获 得关联系数φ公式为：，表示编号为Sa的电力设备的第k份历史运行 数据与实时运行数据之间的关联系数。
进一步的，根据所述关联系数判断对应设备的当前状态的过程包括：
设置系数阈值，进而将实时运行数据与各个历史运行数据之间的关联系数φ与系数阈值进行对比，根据对比结果剔除相应的历史运行数据；
统计保留的历史运行数据位于各个状态空间区域的数量，进而判断对应电力设备的当前状态，所述当前状态包括自身异常状态、正常状态以及异常干扰状态。
进一步的，根据电力设备的当前状态对电力设备进行维护的过程包括：
根据电力设备的当前状态生成设备维修策略发送至维修人员；
维修人员根据设备维修策略对电力设备维修，并在维修完成生成维修提示发送至云计算平台，进而重新获取对应电力设备的实时运行数据，直到对应电力数据处于正常状态为止。
与现有技术相比，本发明的有益效果是：
1、本发明通过采集电力设备在各个运行状态下的历史运行数据和实时运行状态下的实时运行数据，进而生成若干个历史特征词和实时特征词，建立数据区块和特征区块，将历史运行数据以及历史特征词输入至数据区块和特征区块中，根据历史特征词与历史运行数据之间的对应关系建立数据关联网络，进而提高了对运行数据的可靠性，以及为后续对实时运行数据进行分析提供了数据保障。
2、本发明通过将实时特征词与特征区块进行匹配得到对应的数据区块，进而根据数据区块中的历史运行数据与实时运行数据之间的关联系数确定关联的数据区块，将数据区块与实时运行数据进行映射，进而判断电力设备的当前状态，有效的提高了对电力设备的实时状态监测的准确性以及效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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本发明中记载的一些实施例。
图1为本发明的原理图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。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的前提下所得到的所有其他实施方式，都属于本发明所保护的范围。
如图1所示，基于工业互联网的电力数据挖掘与分析系统，包括云计算平台，所述云计算平台通信连接有数据采集模块、数据关联网络模块以及状态检测模块；
所述数据采集模块用于通过若干种传感器采集电力设备在各个运行状态下的历史运行数据和实时运行状态下的实时运行数据；
所述数据关联网络模块设置数据分析单元和数据关联网络建立单元；
所述数据分析单元用于对电力设备的历史运行数据以及实时运行数据进行数据清洗，进而对数据清洗后的历史运行数据和实时运行数据进行特征提取并得到若干个历史特征词和实时特征词；
所述数据关联网络建立单元用于建立数据区块和特征区块，将历史运行数据以及历史特征词分别输入至数据区块和特征区块中，进而根据历史特征词与历史运行数据之间的对应关系，将各个数据区块与特征区块进行相连得到数据关联网络；
所述状态检测模块用于将实时特征词与特征区块进行匹配，根据匹配结果找寻多个对应的数据区块，进而根据数据区块中的历史运行数据与实时运行数据之间的关联系数确定相关的数据区块，将数据区块与实时运行数据进行映射，进而判断电力设备的当前状态，并生成相应的维护决策。
进一步的，下面通过实施例说明本发明的工作原理：
对发电厂或配电厂内的各个电力设备设置若干种传感器，其中传感器的种类包括电流传感器、电压传感器。温度传感器等，电力设备的种类可为发电机、输电线等；
数据采集模块设置有数据采集周期，同时对各个电力设备设置编号S1、S2、……、Si，在数据采集周期开始前，数据采集模块向各个电力设备所带有的全部传感器发送数据采集指令，i为大于0的自然数；
根据数据采集指令，各个种类的传感器采集其所在位置的电力设备实时运行状态下的J项实时状态数据，并实时发送至数据采集模块，其中J为大于0的自然数；
在数据采集周期结束后，数据采集模块整合接收到全部实时状态数据生成实时运行数据，并标注对应电力设备的编号；
采集相同方法，数据采集模块采集电力设备采集各个运行状态的历史运行数据，并标注对应的编号，其中运行状态包括正常运行状态、异常运行状态以及牵连运行状态；
数据采集模块将电力设备的K份历史运行数据与实时运行数据发送至数据关联网络模块，K为大于0的自然数。
进一步的，数据关联网络模块接收到历史运行数据与实时运行数据后，将历史运行数据与实时运行数据发送至数据处理单元；
数据处理单元预设有标准数据格式，通过标准数据格式对历史运行数据和实时运行数据进行数据清洗；
对于历史运行数据和实时运行数据中不符合标准数据格式的部分进行标注，并在遍历完成后对其中不符合标准数据格式的部分进行标注，进而数据处理单元对带有标注的部分进行格式调整以及空白段删除；
当数据清洗完成后，数据处理单元对历史运行数据和实时运行数据进行特征提取，进而得到N个历史特征词与n个实时特征词，N、n为大于0的自然数，且N大于等于i；
数据处理单元将数据清洗后的实时运行数据以及相关的实时特征词发送至状态检测模块，以及将历史运行数据和历史特征词发送至数据关联网络建立单元。
当数据关联网络建立单元接收到历史运行数据和历史特征词后，建立K个数据区块和N个特征区块；
将全部历史运行数据和历史特征词分别存储于数据区块和特征区块，进而根据各个历史特征词与历史检测数据之间的对应关系，将历史特征区域与数据区块进行关联；
需要说明的是，对于任意一个数据区块，其可同时关联多个特征区块，且对应任意一个特征区块，其可同时关联多个数据区块；
根据电力设备的运行状态划分出三个状态空间区域，其中状态空间区域分别为正常空间区域、异常空间区域以及干涉空间区域，同时设置特征空间区域；
进而根据各个数据区块所对应的运行状态，将数据区块发送至对应的状态空间区域，以及将特征区块发送至特征空间区域，进而得到数据关联网络，对其设置对应电力设备的编号后将其发送至状态检测模块。
进一步的，状态检测模块根据实时运行数据带有的编号匹配相应的数据关联网络；
根据匹配结果，将实时特征词输入至数据关联网络中，进而通过实时特征词在数据关联网络匹配相应的特征区块；
找寻所匹配的各个特征区块在数据关联网络中所关联的数据区块；
提取并统计得到数据区块中的历史运行数据的数量num，进而根据历史运行数据中的历史状态数据种类数量J，建立J*num个平面坐标系；
从实时运行数据以及各个历史运行数据中提取出相同种类的实时状态数据和历史状态数据，进而成对依次映射于平面坐标系中；
将全部状态数据对应的时间长度划分为H个时间区段，进而计算各个时间区段内实时状态数据的微积分数值w以及历史状态数据的微积分数值W，并根据各个时间区段间的微积分数值w和W计算实时运行数据与历史运行数据之间的协方差cov和标准差std；
获得实时运行数据与历史运行数据之间的协方差cov，以及标准差std、STD的过程为：
计算各个时间区段内的微积分数值w的平均值bar，其中bar的计算公式为：，其中T表示时间区段的数量，bara，j表示编号为Sa的电力设备的第j个实时 状态数据的微积分平均值，j为大于0且小于等于J的自然数，a为大于0且小于等于i自然数；
采用相同方法获得各个时间区段内的微积分数值W的平均值BAR；
根据平均值bar和平均值BAR计算协方差cov的计算公式为：；其中表示编号为Sa的电力设备的第j个历史状态 数据的微积分平均值，表示编号为Sa的电力设备的第k份历史运行数据与实时运行数 据之间的协方差，其中k为大于0且小于等于K的自然数，和分别表示第e个时间区段内 实时状态数据和历史状态数据的微积分数值；
根据平均值bar计算实时状态数据的标准差std的计算公式为：，表示编号为Sa的电力设备的实时运行数据内各个实时状态 数据的标准差；
根据平均值BAR计算历史状态数据的标准差STD的计算公式为：，表示编号为Sa的电力设备第k份历史运行数据中各 个历史状态数据之间的标准差；
进而根据实时运行数据与历史运行数据之间的协方差cov以及标准差std、STD获 得关联系数φ公式为：，表示编号为Sa的电力设备的第k份历史运行 数据与实时运行数据之间的关联系数；
设置系数阈值，进而将实时运行数据与各个历史运行数据之间的关联系数φ与系数阈值进行对比；
若关联系数φ小于等于系数阈值，则剔除对应的历史运行数据；
若关联系数φ大于系数阈值，则保留对应的历史运行数据；
统计保留的历史运行数据位于各个状态空间区域的数量，若位于正常空间区域的历史运行数据最多，且位于干涉空间区域次之，则判断对应电力设备处于正常状态；
若位于正常空间区域的历史运行数据最多，且位于异常空间区域的数量次之，则判断对应电力设备处于自身异常状态；
若位于干涉空间区域的历史运行数据最多，且位于正常空间区域的数量次之，则判断对应电力设备处于正常状态；
若位于干涉空间区域的历史运行数据最多，且位于异常空间区域的数量次之，则判断对应电力设备处于异常干扰状态；
若位于异常空间区域的历史运行数据最多，且位于干涉空间区域的数量次之，则判断对应电力设备处于异常干扰状态；
若位于异常空间区域的历史运行数据最多，且位于正常空间区域的数量次之，则判断对应电力设备处于自身异常状态，对于处于正常状态的电力设备不做任何操作；
对于处于自身异常状态的电力设备，状态检测模块根据对应电力设备的编号生成设备维修策略并发送至维修人员；
对于处于异常干扰状态的电力设备，状态检测模块根据对应电力设备的编号定位其位置，进而生成设备维修策略以及干扰设备找寻指令发送至维修人员；
维修人员根据设备维修策略对电力设备维修，并在维修完成生成维修提示发送至云计算平台，进而云计算平台通过数据采集模块重新获取对应电力设备的实时运行数据，直到对应电力数据处于正常状态为止；
同时，维修人员根据干扰设备找寻指令找寻对处于造成异常干扰状态的电力设备，进而停止对应的电力设备并进行维修，直到该电力设备处于正常状态为止。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (8)

1.基于工业互联网的电力数据挖掘与分析系统，包括云计算平台，其特征在于，所述云计算平台通信连接有数据采集模块、数据关联网络模块以及状态检测模块；
所述数据采集模块用于通过若干种传感器采集电力设备在各个运行状态下的历史运行数据和实时运行状态下的实时运行数据；
所述数据关联网络模块用于对电力设备的历史运行数据以及实时运行数据进行数据清洗，进而对数据清洗后的历史运行数据和实时运行数据进行特征提取并得到若干个历史特征词和实时特征词，同时建立数据区块和特征区块，将历史运行数据以及历史特征词分别输入至数据区块和特征区块中，进而根据历史特征词与历史运行数据之间的对应关系，将各个数据区块与特征区块进行相连得到数据关联网络；
所述状态检测模块用于将实时特征词与特征区块进行匹配，根据匹配结果找寻对应的多个数据区块，进而根据数据区块中的历史运行数据与实时运行数据之间的关联系数确定相关的数据区块，将数据区块与实时运行数据进行映射，进而判断电力设备的当前状态，并生成相应的维护决策。
2.根据权利要求1所述的基于工业互联网的电力数据挖掘与分析系统，其特征在于，所述电力设备的历史运行数据和实时运行数据的采集过程包括：
对各个电力设备设置传感器，同时对各个电力设备设置编号S1、S2、……、Si，i为大于0的自然数；
传感器采集其所在位置的电力设备实时运行状态下的J项实时状态数据，其中J为大于0的自然数；
数据采集模块整合接收到全部实时状态数据生成实时运行数据，并标注对应电力设备的编号；
同时采集电力设备在各个运行状态的K份历史运行数据，并标注对应的编号，其中运行状态包括正常运行状态、异常运行状态以及牵连运行状态，K为大于0的自然数。
3.根据权利要求2所述的基于工业互联网的电力数据挖掘与分析系统，其特征在于，对所述实时运行数据和历史运行数据进行数据清洗的过程包括：
设置标准数据格式，对于历史运行数据和实时运行数据中不符合标准数据格式的部分进行标注，进而对带有标注的部分进行格式调整以及空白段删除，当数据清洗完成后，对历史运行数据和实时运行数据进行特征提取，进而得到若干个历史特征词与实时特征词。
4.根据权利要求3所述的基于工业互联网的电力数据挖掘与分析系统，其特征在于，所述数据关联网络的建立过程包括：
建立与历史运行数据和历史特征词相同数量的数据区块和特征区块，将全部历史运行数据和历史特征词分别存储于数据区块和特征区块，进而根据各个历史特征词与历史检测数据之间的对应关系，将历史特征区域与数据区块进行关联得到数据关联网络，并对其设置对应电力设备的编号。
5.根据权利要求4所述的基于工业互联网的电力数据挖掘与分析系统，其特征在于，将实时特征词与特征区块进行匹配的过程包括：
将实时特征词输入至数据关联网络中匹配相应的特征区块，找寻所匹配的各个特征区块在数据关联网络中所关联的数据区块；
提取并统计得到数据区块中的历史运行数据的数量num，进而根据历史运行数据中的历史状态数据种类数量J，建立J*num个平面坐标系；
从实时运行数据以及历史运行数据中提取出相同种类的实时状态数据和历史状态数据，进而成对依次映射于平面坐标系中；
将全部状态数据对应的时间长度划分为H个时间区段，进而计算各个时间区段内实时状态数据的微积分数值w以及历史状态数据的微积分数值W，并根据各个时间区段间的微积分数值w和W计算实时运行数据与历史运行数据之间的协方差cov和标准差std。
6.根据权利要求5所述的基于工业互联网的电力数据挖掘与分析系统，其特征在于，所述实时运行数据与历史运行数据之间的协方差cov以及标准差std、STD的获取过程为：
计算各个时间区段内的微积分数值w的平均值bar，其中bar的计算公式为：，其中T表示时间区段的数量，/>表示编号为Sa的电力设备的第j个实时状态数据的微积分平均值，j为大于0且小于等于J的自然数，a为大于0且小于等于i自然数；
采用相同方法获得各个时间区段内的微积分数值W的平均值BAR；
根据平均值bar和平均值BAR计算协方差cov的计算公式为：；其中/>表示编号为Sa的电力设备的第j个历史状态数据的微积分平均值，/>表示编号为Sa的电力设备的第k份历史运行数据与实时运行数据之间的协方差，其中k为大于0且小于等于K的自然数，/>和/>分别表示第e个时间区段内实时状态数据和历史状态数据的微积分数值；
根据平均值bar计算实时状态数据的标准差std的计算公式为：，/>表示编号为Sa的电力设备的实时运行数据内各个实时状态数据之间的标准差；
根据平均值BAR计算历史状态数据的标准差STD的计算公式为：，/>表示编号为Sa的电力设备第k份历史运行数据中各个历史状态数据之间的标准差；
进而根据实时运行数据与历史运行数据之间的协方差cov以及标准差std、STD获得关联系数φ公式为：，/>表示编号为Sa的电力设备的第k份历史运行数据与实时运行数据之间的关联系数。
7.根据权利要求6所述的基于工业互联网的电力数据挖掘与分析系统，其特征在于，根据所述关联系数判断对应设备的当前状态的过程包括：
设置系数阈值，进而将实时运行数据与各个历史运行数据之间的关联系数φ与系数阈值进行对比，根据对比结果剔除相应的历史运行数据；
统计保留的历史运行数据位于各个状态空间区域的数量，进而判断对应电力设备的当前状态。
8.根据权利要求7所述的基于工业互联网的电力数据挖掘与分析系统，其特征在于，根据电力设备的当前状态对电力设备进行维护的过程包括：
根据电力设备的当前状态生成设备维修策略发送至维修人员；
维修人员根据设备维修策略对电力设备维修，并在维修完成生成维修提示发送至云计算平台，进而重新获取对应电力设备的实时运行数据，直到对应电力数据处于正常状态为止。
CN202410001731.1A 2024-01-02 2024-01-02 基于工业互联网的电力数据挖掘与分析系统 Active CN117493498B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410001731.1A CN117493498B (zh) 2024-01-02 2024-01-02 基于工业互联网的电力数据挖掘与分析系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410001731.1A CN117493498B (zh) 2024-01-02 2024-01-02 基于工业互联网的电力数据挖掘与分析系统

Publications (2)

Publication Number Publication Date
CN117493498A true CN117493498A (zh) 2024-02-02
CN117493498B CN117493498B (zh) 2024-04-02

Family

ID=89669452

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410001731.1A Active CN117493498B (zh) 2024-01-02 2024-01-02 基于工业互联网的电力数据挖掘与分析系统

Country Status (1)

Country Link
CN (1) CN117493498B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105608519A (zh) * 2015-11-09 2016-05-25 国家电网公司 一种电网通信设备运行状态的预测算法
CN107357243A (zh) * 2017-06-26 2017-11-17 苏州健雄职业技术学院 基于云端数据监控的污水处理系统
CN112926749A (zh) * 2020-12-30 2021-06-08 国网宁夏电力有限公司信息通信公司 一种智能电网信息设备监控系统及方法
CN114118222A (zh) * 2021-11-02 2022-03-01 国家能源集团华北电力有限公司廊坊热电厂 一种磨煤机状态预警系统及故障识别诊断方法
CN115330285A (zh) * 2022-10-17 2022-11-11 广东电网有限责任公司佛山供电局 一种变电站数据处理方法及系统
CN117093952A (zh) * 2023-10-19 2023-11-21 北京松岛菱电电力工程有限公司 基于电力设备运行状态的智能控制方法及系统
CN117153431A (zh) * 2023-10-26 2023-12-01 武汉盛博汇信息技术有限公司 基于互联网的医疗服务系统及方法
CN117148045A (zh) * 2023-09-28 2023-12-01 国网河南省电力公司开封供电公司 配电网运行状态的故障研判管理系统
CN117272179A (zh) * 2023-11-22 2023-12-22 南京迅集科技有限公司 基于物联网的设备状态检测系统及方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105608519A (zh) * 2015-11-09 2016-05-25 国家电网公司 一种电网通信设备运行状态的预测算法
CN107357243A (zh) * 2017-06-26 2017-11-17 苏州健雄职业技术学院 基于云端数据监控的污水处理系统
CN112926749A (zh) * 2020-12-30 2021-06-08 国网宁夏电力有限公司信息通信公司 一种智能电网信息设备监控系统及方法
CN114118222A (zh) * 2021-11-02 2022-03-01 国家能源集团华北电力有限公司廊坊热电厂 一种磨煤机状态预警系统及故障识别诊断方法
CN115330285A (zh) * 2022-10-17 2022-11-11 广东电网有限责任公司佛山供电局 一种变电站数据处理方法及系统
CN117148045A (zh) * 2023-09-28 2023-12-01 国网河南省电力公司开封供电公司 配电网运行状态的故障研判管理系统
CN117093952A (zh) * 2023-10-19 2023-11-21 北京松岛菱电电力工程有限公司 基于电力设备运行状态的智能控制方法及系统
CN117153431A (zh) * 2023-10-26 2023-12-01 武汉盛博汇信息技术有限公司 基于互联网的医疗服务系统及方法
CN117272179A (zh) * 2023-11-22 2023-12-22 南京迅集科技有限公司 基于物联网的设备状态检测系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
乔骥;王新迎;闵睿;白淑华;姚冬;蒲天骄;: "面向电网调度故障处理的知识图谱框架与关键技术初探", 中国电机工程学报, no. 18, 18 April 2020 (2020-04-18), pages 5837 - 5849 *
向萌;左剑;谢晓骞;沈阳武;崔挺;: "湖南电网运行状态分析系统的设计与实现", 湖南电力, no. 05, 25 October 2017 (2017-10-25), pages 5 - 9 *
江秀臣;盛戈;: "电力设备状态大数据分析的研究和应用", 高电压技术, no. 04, 16 April 2018 (2018-04-16), pages 1041 - 1050 *

Also Published As

Publication number Publication date
CN117493498B (zh) 2024-04-02

Similar Documents

Publication Publication Date Title
CN108446864B (zh) 基于大数据分析的轨道交通设备的故障预警系统及方法
CN108873830A (zh) 一种生产现场数据在线采集分析及故障预测系统
CN111898669B (zh) 一种基于机器学习的直流矿热炉异常事件预警系统
CN112737936A (zh) 一种用于设备预维护的边缘计算网关
CN110543142A (zh) 一种数控机床故障诊断与预警系统
CN213754105U (zh) 一种基于大数据的光伏电站智能管理系统
CN116483015B (zh) 一种车间设备监控方法、装置、设备及存储介质
CN114519923A (zh) 一种电厂智能诊断预警方法和系统
CN115438726A (zh) 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统
CN116185757A (zh) 机房能耗智能监测系统
CN107742883A (zh) 一种基于Spark的电力系统拓扑岛快速识别系统和方法
CN117493498B (zh) 基于工业互联网的电力数据挖掘与分析系统
CN110674240B (zh) 一种基于gis的电力设备分布式多级智能故障诊断系统
CN115514679B (zh) 一种基于通信模块的异常来源监测方法及系统
CN115392663A (zh) 一种基于大数据的数据采集处理方法
CN111539642B (zh) 一种基于面向对象的电厂数据采集处理系统及其方法
CN114065651A (zh) 一种用于旋转类设备的故障时间预测方法
CN104375020B (zh) 一种分布式在线电网故障诊断方法
CN109102001A (zh) 一种遗传基因改进神经网络的转子在线故障诊断方法
CN117148048B (zh) 基于数字孪生技术的配电网故障预测方法及系统
CN117078232B (zh) 一种基于大数据的加工设备故障预防系统及方法
CN117669374A (zh) 一种基于数字孪生的配变设备巡检方法
CN117907728A (zh) 电能质量检测方法、系统、装置、设备及存储介质
CN117668551A (zh) 输电线路缺陷识别方法、装置、计算机设备和存储介质
CN116859159A (zh) 一种基于数字孪生模型的电力变压器故障监测管理系统

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