CN117592795A - 一种风电光伏设备的智能运维系统 - Google Patents
一种风电光伏设备的智能运维系统 Download PDFInfo
- Publication number
- CN117592795A CN117592795A CN202311332112.2A CN202311332112A CN117592795A CN 117592795 A CN117592795 A CN 117592795A CN 202311332112 A CN202311332112 A CN 202311332112A CN 117592795 A CN117592795 A CN 117592795A
- Authority
- CN
- China
- Prior art keywords
- state
- equipment
- real
- time
- maintenance
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 177
- 238000007689 inspection Methods 0.000 claims abstract description 51
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims description 46
- 230000007613 environmental effect Effects 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
Abstract
本申请涉及智能运维技术领域,特别是涉及一种风电光伏设备的智能运维系统,该系统包括:监控模块,用于实时监控风电光伏设备的运行状态以及运行数据,根据运行状态以及运行数据确定实时设备状态;运维模块,用于根据实时设备状态和实时环境状态确定第一运维策略,预测预设时段的设备环境数据,根据设备环境数据调整第一运维策略;调整模块,用于获取预设时段后的巡检结果,根据巡检结果评估第一运维策略应用值,根据第一运维策略应用值确定第二运维策略。本发明解决了现有运维系统无法反应风电光伏设备的真实状态,不能提供合理的运维策略,大大降低了运维效率的技术问题。
Description
技术领域
本申请涉及智能运维技术领域,特别是涉及一种风电光伏设备的智能运维系统。
背景技术
风电光伏设备的运维工作,是保证风电光伏系统正常运行的重要措施之一,而如何在合适的运维周期内针对风电光伏设备如何开展合理的运维工作,提高运维的准确性、降低资源浪费,提高工作效率低是运维过程的重点与难点。
目前,在风电光伏设备的运维技术中,运维策略和周期是根据历史经验总结、人为判断的,无法反应风电光伏设备的真实状态,不能提供合理的运维策略,不能及时发现设备故障或对设备过度运维,大大降低了运维效率。
发明内容
为解决上述技术问题,本申请提供了一种风电光伏设备的智能运维系统,旨在解决运维策略和周期是根据历史经验总结、人为判断的,无法反应风电光伏设备的真实状态,不能提供合理的运维策略,不能及时发现设备故障或对设备过度运维,大大降低了运维效率的技术问题。
本申请的一些实施例中,根据视频图像确定第一实时设备状态,根据运行数据确定第二实时设备状态,第一实时设备状态和第二实时设备状态综合得到实时设备状态,准确反应了风电光伏设备的真实状态,防止单维度数据得到的设备状态不准确,可及时发现设备故障,为后续制定运维策略打下基础。
本申请的一些实施例中,根据实时设备状态和实时环境状态确定第一运维策略,预测预设时段后的设备环境数据,根据设备环境数据和实时环境状态的偏差度,调整第一运维策略,减少设备环境影响使第一运维策略更加合理,根据预设时段后的巡检结果和第一运维策略应用值,确定下一次的第二运维策略,制定合理运维策略,大大提高了运维效率。
本申请的一些实施例中,提供了一种风电光伏设备的智能运维系统,包括:
监控模块,用于实时监控风电光伏设备的运行状态以及运行数据,根据运行状态以及运行数据确定实时设备状态;
运维模块,用于根据实时设备状态和实时环境状态确定第一运维策略,预测预设时段的设备环境数据,根据设备环境数据调整第一运维策略;
调整模块,用于获取预设时段后的巡检结果,根据巡检结果评估第一运维策略应用值,根据第一运维策略应用值确定第二运维策略。
在本申请的一些实施例中,根据运行状态以及运行数据确定实时设备状态,包括:
实时监控风电光伏设备并获取风电光伏设备的实时视频图像,对实时视频图像进行预处理,对预处理后的实时视频图像进行特征提取,确定特征图像数据;
建立图像中设备位置识别模型和设备状态识别模型,将特征图像数据输入至图像中设备位置识别模型和设备状态识别模型中,得到特征图像数据对应的设备特征位置和设备状态;
对设备特征位置和设备状态设定对应的权重系数,根据设备特征位置和设备状态以及对应的权重系数,确定第一实时设备状态;
其中,通过多个设备特征位置标签的图像数据作为训练集,得到图像中设备位置识别模型,通过多个设备状态标签的图像数据作为训练集,得到设备状态识别模型,其中,设备状态包括故障状态、非故障状态和疑似故障状态。
在本申请的一些实施例中,根据运行状态以及运行数据确定实时设备状态,还包括:
将运行数据进行标准化处理,将处理后的运行数据与对应的历史正常运行数据进行作差,得到运行数据差值W0;
将运行数据差值W0与预设运行数据差值Wi进行对比,得到第二实时设备状态;
当0.95∣Wi∣≤∣W0∣≤1.05∣Wi∣时,第二实时设备状态为非故障状态;
当0.8∣Wi∣≤∣W0∣<0.95∣Wi∣或1.05Wi<∣W0∣≤1.2∣Wi∣时,第二实时设备状态为为疑似故障状态;
当∣W0∣<0.8∣Wi∣或1.2∣Wi∣<∣W0∣时,第二实时设备状态为故障状态;
将同一时刻的第一实时设备状态和第二实时设备状态进行状态比对,若状态比对结果一致,将第二实时设备状态设定为实时设备状态,若状态比对结果不一致,将第一实时设备状态或第二实时设备状态中,低状态等级的设备状态设定为实时设备状态。
在本申请的一些实施例中,根据实时设备状态和实时环境状态确定第一运维策略,包括:
实时获取设备周围环境数据,得到多个环境因子;
基于设备状态-影响因子映射表,将与设备状态有关的环境因子筛选出来,构建环境影响因子序列,将环境影响因子序列中的实时数据与设备状态-影响因子映射表中的环境数据进行比对,根据比对结果确定实时环境状态,所述实时环境状态包括良好状态、一般状态和恶劣状态;
第一运维策略包括运维参数和巡检周期,根据实时设备状态确定运维参数,根据实时环境状态确定巡检周期,所述巡检周期包括第一周期、第二周期和第三周期。
在本申请的一些实施例中,所述设备状态-影响因子映射表,包括:
获取历史环境数据,得到多个影响因子,计算多个影响因子与设备非故障状态、设备故障状态、设备疑似故障状态的第一关联度、第二关联度和第三关联度;
根据第一关联度大于预设关联度阈值的环境影响因子,按照顺序性构建非故障因子序列,根据第二关联度大于预设关联度阈值的环境影响因子,按照顺序性构建故障因子序列,根据第三关联度大于预设关联度阈值的环境影响因子,按照顺序性构建故障因子序列;
将非故障因子序列与非故障状态进行映射,得到第一设备状态-影响因子映射表,将故障因子序列与故障状态进行映射,得到第二设备状态-影响因子映射表,将疑似故障因子序列与疑似故障状态进行映射,得到第三设备状态-影响因子映射表,根据第一设备状态-影响因子映射表、第二设备状态-影响因子映射表、第三设备状态-影响因子映射表构成设备状态-影响因子映射表。
在本申请的一些实施例中,预测预设时段的设备环境数据,根据设备环境数据调整第一运维策略,包括:
根据实时设备状态以及实时设备状态前预设时段的历史环境数据,绘制第一状态-环境曲线;
根据历史环境数据与多个设备状态绘制历史状态-环境曲线,将与实时设备状态相同状态的历史状态-环境曲线筛选出来,根据曲线重合程度确定确定重合曲线,根据重合曲线确定预设时段内的第二状态-环境曲线,根据第二状态-环境曲线预测预设时段的设备环境数据;
计算设备环境数据与实时环境状态对应数据的多个偏差度,根据偏差度平均值对巡检周期进行调整;
若偏差度平均值小于第一偏差度,不对巡检周期进行调整,若偏差度平均值处于第一偏差度和第二偏差度之间,将巡检周期调高一级,若偏差度平均值大于第二偏差度,将巡检周期调高二级;
其中,第三周期为最高巡检周期,若没调高之前,巡检周期为第三周期,发送报警信号。
在本申请的一些实施例中,根据巡检结果评估第一运维策略应用值,包括:
所述巡检结果为设备状态结果和设备环境结果,将设备状态结果进行量化,将非故障状态记为第一量值N1,疑似故障状态记为第二量值N2,故障状态记为第三量值N3,将设备环境结果与设备环境数据进行比对,根据比对结果设定第一影响系数a1、第二影响系数a2和第三影响系数a3;
所述第一运维策略应用值为:
G=Ni×et×L1+Tsn×aj×L2;
其中,G为第一运维策略应用值,Ni为第i量值,i=1,2,3;t为运维时长,L1为设备状态结果对应的权重系数,Ts为巡检周期,Tsn为第n周期,n=1,2,3aj为第j影响系数,j=1,2,3,L2为设备环境结果对应的权重系数;
预先设定有第一应用值阈值和第二应用值阈值,且第一应用值阈值小于第二应用值阈值,根据第一运维策略应用值与第一应用值阈值、第二应用值阈值之间的关系,确定第二运维策略。
在本申请的一些实施例中,根据第一运维策略应用值确定第二运维策略,包括:
当第一运维策略应用值小于第一应用值阈值时,说明设备处于故障或疑似故障状态,根据设备具体故障对第一运维策略中的运维参数进行调整,得到第二运维策略;
当第一运维策略应用值处于第一应用值阈值和第二应用值阈值之间时,说明设备处于非故障状态且第一运维策略可以优化,根据设备环境状态对巡检周期进行优化,得到第二运维策略;
当第一运维策略应用值大于第二应用值阈值时,说明设备处于非故障状态且第一运维策略无需优化,将第一运维策略确定为第二运维策略;
其中,第二运维策略为第一运维策略的下一时刻运维。
本申请实施例的一种风电光伏设备的智能运维系统,与现有技术相比,其有益效果在于:
根据视频图像确定第一实时设备状态,根据运行数据确定第二实时设备状态,第一实时设备状态和第二实时设备状态综合得到实时设备状态,准确反应了风电光伏设备的真实状态,防止单维度数据得到的设备状态不准确,可及时发现设备故障,为后续制定运维策略打下基础。
根据实时设备状态和实时环境状态确定第一运维策略,预测预设时段后的设备环境数据,根据设备环境数据和实时环境状态的偏差度,调整第一运维策略,减少设备环境影响使第一运维策略更加合理,根据预设时段后的巡检结果和第一运维策略应用值,确定下一次的第二运维策略,制定合理运维策略,大大提高了运维效率。
附图说明
图1是本申请实施例优选实施例中一种风电光伏设备的智能运维系统的示意图。
具体实施方式
下面结合附图和实施例,对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本申请,但不用来限制本申请的范围。
在本申请的描述中,需要理解的是,术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”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,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本申请的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体的连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
如图1所示,本申请实施例优选实施例的一种风电光伏设备的智能运维系统,包括:
监控模块,用于实时监控风电光伏设备的运行状态以及运行数据,根据运行状态以及运行数据确定实时设备状态;
运维模块,用于根据实时设备状态和实时环境状态确定第一运维策略,预测预设时段的设备环境数据,根据设备环境数据调整第一运维策略;
调整模块,用于获取预设时段后的巡检结果,根据巡检结果评估第一运维策略应用值,根据第一运维策略应用值确定第二运维策略。
在本实施例中,根据视频监控和数据监控得到运行状态和运行数据,根据视频监控得到视频图像,确定实时设备重要位置的运行状态,设定为第一实时设备状态,根据运行数据确定实时设备数据是否处于标准数据区间内,设定为第二实时设备状态,将同一时刻的第一实时设备状态和第二实时设备状态进行比对,根据比对结果确定实时设备状态。
在本实施例中,预测预设时段的设备环境数据,预设时段具体根据巡检周期进行设定,若巡检周期为两天一次,则预设时段为两天,预测两天的设备环境数据,根据设备环境数据和实时环境状态的偏差度,对第一运维策略的巡检周期进行调整。
在本实施例中,实时设备状态准确反应了风电光伏设备的真实状态,提高了设备状态准确性,为后续制定运维策略打下基础,根据实时设备状态和实时环境状态确定第一运维策略,根据设备环境数据和实时环境状态的偏差度,调整第一运维策略,减少设备环境影响使第一运维策略更加合理,大大提高了运维效率。
在本申请的一些实施例中,根据运行状态以及运行数据确定实时设备状态,包括:
实时监控风电光伏设备并获取风电光伏设备的实时视频图像,对实时视频图像进行预处理,对预处理后的实时视频图像进行特征提取,确定特征图像数据;
建立图像中设备位置识别模型和设备状态识别模型,将特征图像数据输入至图像中设备位置识别模型和设备状态识别模型中,得到特征图像数据对应的设备特征位置和设备状态;
对设备特征位置和设备状态设定对应的权重系数,根据设备特征位置和设备状态以及对应的权重系数,确定第一实时设备状态;
其中,通过多个设备特征位置标签的图像数据作为训练集,得到图像中设备位置识别模型,通过多个设备状态标签的图像数据作为训练集,得到设备状态识别模型,其中,设备状态包括故障状态、非故障状态和疑似故障状态。
在本实施例中,对实时视频图像进行分割,得到若干子图像,对若干子图像进行滤波处理,得到图像集,根据特征图像集对图像集进行筛选,根据筛选出的图像集确定特征图像数据,特征图像集是提前设定好的,采集设备重要位置的运行状态的视频图像构成特征图像集,若设备为逆变器,逆变器的特征图像集包括组件电压显示值、直流开关状态、交流开关状态和组件串联接头位置等。
在本实施例中,图像中设备位置识别模型、设备状态识别模型都是深度学习模型训练得来,不再此进行赘述。
在本申请的一些实施例中,根据运行状态以及运行数据确定实时设备状态,还包括:
将运行数据进行标准化处理,将处理后的运行数据与对应的历史正常运行数据进行作差,得到运行数据差值W0;
将运行数据差值W0与预设运行数据差值Wi进行对比,得到第二实时设备状态;
当0.95∣Wi∣≤∣W0∣≤1.05∣Wi∣时,第二实时设备状态为非故障状态;
当0.8∣Wi∣≤∣W0∣<0.95∣Wi∣或1.05Wi<∣W0∣≤1.2∣Wi∣时,第二实时设备状态为为疑似故障状态;
当∣W0∣<0.8∣Wi∣或1.2∣Wi∣<∣W0∣时,第二实时设备状态为故障状态;
将同一时刻的第一实时设备状态和第二实时设备状态进行状态比对,若状态比对结果一致,将第二实时设备状态设定为实时设备状态,若状态比对结果不一致,将第一实时设备状态或第二实时设备状态中,低状态等级的设备状态设定为实时设备状态。
在本实施例中,对运行数据进行标准化处理,避免数据中的噪声和异常值对后续确定设备状态产生影响,历史正常运行数据具体为设备正常运行时产生的运行数据,预设运行数据差值为正常运行数据中的最大值和最小值作差得到的。
在本实施例中,将同一时刻的第一实时设备状态和第二实时设备状态进行状态比对,若不一致,例如第一实时设备状态为故障状态,第二实时设备状态为疑似故障状态,则实时设备状态为故障状态,其中,故障状态与疑似故障状态相比,故障状态为低状态等级。
在本实施例中,根据第一实时设备状态和第二实时设备状态进行比对,得到实时设备状态,大大提高了设备状态的准确度,为后续制定合理的运维策略打下数据基础。
在本申请的一些实施例中,根据实时设备状态和实时环境状态确定第一运维策略,包括:
实时获取设备周围环境数据,得到多个环境因子;
基于设备状态-影响因子映射表,将与设备状态有关的环境因子筛选出来,构建环境影响因子序列,将环境影响因子序列中的实时数据与设备状态-影响因子映射表中的环境数据进行比对,根据比对结果确定实时环境状态,所述实时环境状态包括良好状态、一般状态和恶劣状态;
第一运维策略包括运维参数和巡检周期,根据实时设备状态确定运维参数,根据实时环境状态确定巡检周期,所述巡检周期包括第一周期、第二周期和第三周期。
在本实施例中,第一周期大于第二周期,第二周期大于第三周期,例如,第一周期为七天,第二周期为四天,第三周期为二天,当实时设备环境状态为恶劣状态时,巡检周期为二天一巡检,实时设备环境状态为一般状态时,巡检周期为四天一巡检,实时设备环境状态为良好状态时,巡检周期为七天一巡检。
在本申请的一些实施例中,所述设备状态-影响因子映射表,包括:
获取历史环境数据,得到多个影响因子,计算多个影响因子与设备非故障状态、设备故障状态、设备疑似故障状态的第一关联度、第二关联度和第三关联度;
根据第一关联度大于预设关联度阈值的环境影响因子,按照顺序性构建非故障因子序列,根据第二关联度大于预设关联度阈值的环境影响因子,按照顺序性构建故障因子序列,根据第三关联度大于预设关联度阈值的环境影响因子,按照顺序性构建故障因子序列;
将非故障因子序列与非故障状态进行映射,得到第一设备状态-影响因子映射表,将故障因子序列与故障状态进行映射,得到第二设备状态-影响因子映射表,将疑似故障因子序列与疑似故障状态进行映射,得到第三设备状态-影响因子映射表,根据第一设备状态-影响因子映射表、第二设备状态-影响因子映射表、第三设备状态-影响因子映射表构成设备状态-影响因子映射表。
在本实施例中,将环境影响因子序列中的实时数据与设备状态-影响因子映射表中的环境数据进行比对,确定实时数据处于第一设备状态-影响因子映射表、第二设备状态-影响因子映射表或第三设备状态-影响因子映射表中,若处于第一设备状态-影响因子映射表中,实时环境状态为良好状态,确定巡检周期为第一周期,若处于第二设备状态-影响因子映射表中,实时环境状态为恶劣状态,确定巡检周期为第三周期,若处于第三设备状态-影响因子映射表中,实时环境状态为一般状态,确定巡检周期为第二周期。
在本申请的一些实施例中,预测预设时段的设备环境数据,根据设备环境数据调整第一运维策略,包括:
根据实时设备状态以及实时设备状态前预设时段的历史环境数据,绘制第一状态-环境曲线;
根据历史环境数据与多个设备状态绘制历史状态-环境曲线,将与实时设备状态相同状态的历史状态-环境曲线筛选出来,根据曲线重合程度确定确定重合曲线,根据重合曲线确定预设时段内的第二状态-环境曲线,根据第二状态-环境曲线预测预设时段的设备环境数据;
计算设备环境数据与实时环境状态对应数据的多个偏差度,根据偏差度平均值对巡检周期进行调整;
若偏差度平均值小于第一偏差度,不对巡检周期进行调整,若偏差度平均值处于第一偏差度和第二偏差度之间,将巡检周期调高一级,若偏差度平均值大于第二偏差度,将巡检周期调高二级;
其中,第三周期为最高巡检周期,若没调高之前,巡检周期为第三周期,发送报警信号。
在本实施例中,根据历史环境数据与多个设备状态,得到多个历史状态-环境曲线,根据历史状态-环境曲线与第一状态-环境曲线的重合度,确定第二状态-环境曲线,第二状态-环境曲线即在实时设备状态之后的环境曲线,获取预设时段的环境曲线,得到预设时段的设备环境数据,根据设备环境数据与实时环境状态对应数据的偏差度平均值,对巡检周期进行调整,第一偏差度和第二偏差度根据环境数据变化,设备状态发生变化的节点数据进行设定。
在本实施例中,根据偏差度平均值与第一偏差度、第二偏差度之间的关系,对巡检周期进行调整,确保风电光伏设备的真实状态,从而制定合理的运维策略。
在本申请的一些实施例中,根据巡检结果评估第一运维策略应用值,包括:
所述巡检结果为设备状态结果和设备环境结果,将设备状态结果进行量化,将非故障状态记为第一量值N1,疑似故障状态记为第二量值N2,故障状态记为第三量值N3,将设备环境结果与设备环境数据进行比对,根据比对结果设定第一影响系数a1、第二影响系数a2和第三影响系数a3;
所述第一运维策略应用值为:
G=Ni×et×L1+Tsn×aj×L2;
其中,G为第一运维策略应用值,Ni为第i量值,i=1,2,3;t为运维时长,L1为设备状态结果对应的权重系数,Ts为巡检周期,Tsn为第n周期,n=1,2,3aj为第j影响系数,j=1,2,3,L2为设备环境结果对应的权重系数;
预先设定有第一应用值阈值和第二应用值阈值,且第一应用值阈值小于第二应用值阈值,根据第一运维策略应用值与第一应用值阈值、第二应用值阈值之间的关系,确定第二运维策略。
在本实施例中,第一量值N1设定为1,第二量值N2设定为0.2第三量值N3设定为-1,设备环境结果与预测的设备环境数据进行比对,得到误差值,根据误差值设定第一影响系数a1、第二影响系数a2和第三影响系数a3,L1设定为0.7,L2设定为0.3。
在本申请的一些实施例中,根据第一运维策略应用值确定第二运维策略,包括:
当第一运维策略应用值小于第一应用值阈值时,说明设备处于故障或疑似故障状态,根据设备具体故障对第一运维策略中的运维参数进行调整,得到第二运维策略;
当第一运维策略应用值处于第一应用值阈值和第二应用值阈值之间时,说明设备处于非故障状态且第一运维策略可以优化,根据设备环境状态对巡检周期进行优化,得到第二运维策略;
当第一运维策略应用值大于第二应用值阈值时,说明设备处于非故障状态且第一运维策略无需优化,将第一运维策略确定为第二运维策略;
其中,第二运维策略为第一运维策略的下一时刻运维。
在本实施例汇总,第一应用值阈值和第二应用值阈值根据历史运维策略应用值与运维结果进行设定,根据第一运维策略应用值与第一应用值阈值、第二应用值阈值之间的关系,制定下一时刻的第二运维策略,大大提高了运维效率。
根据本申请的第一构思,根据视频图像确定第一实时设备状态,根据运行数据确定第二实时设备状态,第一实时设备状态和第二实时设备状态综合得到实时设备状态,准确反应了风电光伏设备的真实状态,防止单维度数据得到的设备状态不准确,可及时发现设备故障,为后续制定运维策略打下基础。
根据本申请的第二构思,根据实时设备状态和实时环境状态确定第一运维策略,预测预设时段后的设备环境数据,根据设备环境数据和实时环境状态的偏差度,调整第一运维策略,减少设备环境影响使第一运维策略更加合理,根据预设时段后的巡检结果和第一运维策略应用值,确定下一次的第二运维策略,制定合理运维策略,大大提高了运维效率。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本申请的保护范围。
Claims (8)
1.一种风电光伏设备的智能运维系统,其特征在于,包括:
监控模块,用于实时监控风电光伏设备的运行状态以及运行数据,根据运行状态以及运行数据确定实时设备状态;
运维模块,用于根据实时设备状态和实时环境状态确定第一运维策略,预测预设时段的设备环境数据,根据设备环境数据调整第一运维策略;
调整模块,用于获取预设时段后的巡检结果,根据巡检结果评估第一运维策略应用值,根据第一运维策略应用值确定第二运维策略。
2.如权利要求1所述的风电光伏设备的智能运维系统,其特征在于,根据运行状态以及运行数据确定实时设备状态,包括:
实时监控风电光伏设备并获取风电光伏设备的实时视频图像,对实时视频图像进行预处理,对预处理后的实时视频图像进行特征提取,确定特征图像数据;
建立图像中设备位置识别模型和设备状态识别模型,将特征图像数据输入至图像中设备位置识别模型和设备状态识别模型中,得到特征图像数据对应的设备特征位置和设备状态;
对设备特征位置和设备状态设定对应的权重系数,根据设备特征位置和设备状态以及对应的权重系数,确定第一实时设备状态;
其中,通过多个设备特征位置标签的图像数据作为训练集,得到图像中设备位置识别模型,通过多个设备状态标签的图像数据作为训练集,得到设备状态识别模型,其中,设备状态包括故障状态、非故障状态和疑似故障状态。
3.如权利要求2所述的风电光伏设备的智能运维系统,其特征在于,根据运行状态以及运行数据确定实时设备状态,还包括:
将运行数据进行标准化处理,将处理后的运行数据与对应的历史正常运行数据进行作差,得到运行数据差值W0;
将运行数据差值W0与预设运行数据差值Wi进行对比,得到第二实时设备状态;
当0.95∣Wi∣≤∣W0∣≤1.05∣Wi∣时,第二实时设备状态为非故障状态;
当0.8∣Wi∣≤∣W0∣<0.95∣Wi∣或1.05Wi<∣W0∣≤1.2∣Wi∣时,第二实时设备状态为为疑似故障状态;
当∣W0∣<0.8∣Wi∣或1.2∣Wi∣<∣W0∣时,第二实时设备状态为故障状态;
将同一时刻的第一实时设备状态和第二实时设备状态进行状态比对,若状态比对结果一致,将第二实时设备状态设定为实时设备状态,若状态比对结果不一致,将第一实时设备状态或第二实时设备状态中,低状态等级的设备状态设定为实时设备状态。
4.如权利要求3所述的风电光伏设备的智能运维系统,其特征在于,根据实时设备状态和实时环境状态确定第一运维策略,包括:
实时获取设备周围环境数据,得到多个环境因子;
基于设备状态-影响因子映射表,将与设备状态有关的环境因子筛选出来,构建环境影响因子序列,将环境影响因子序列中的实时数据与设备状态-影响因子映射表中的环境数据进行比对,根据比对结果确定实时环境状态,所述实时环境状态包括良好状态、一般状态和恶劣状态;
第一运维策略包括运维参数和巡检周期,根据实时设备状态确定运维参数,根据实时环境状态确定巡检周期,所述巡检周期包括第一周期、第二周期和第三周期。
5.如权利要求4所述的风电光伏设备的智能运维系统,其特征在于,所述设备状态-影响因子映射表,包括:
获取历史环境数据,得到多个影响因子,计算多个影响因子与设备非故障状态、设备故障状态、设备疑似故障状态的第一关联度、第二关联度和第三关联度;
根据第一关联度大于预设关联度阈值的环境影响因子,按照顺序性构建非故障因子序列,根据第二关联度大于预设关联度阈值的环境影响因子,按照顺序性构建故障因子序列,根据第三关联度大于预设关联度阈值的环境影响因子,按照顺序性构建故障因子序列;
将非故障因子序列与非故障状态进行映射,得到第一设备状态-影响因子映射表,将故障因子序列与故障状态进行映射,得到第二设备状态-影响因子映射表,将疑似故障因子序列与疑似故障状态进行映射,得到第三设备状态-影响因子映射表,根据第一设备状态-影响因子映射表、第二设备状态-影响因子映射表、第三设备状态-影响因子映射表构成设备状态-影响因子映射表。
6.如权利要求4所述的风电光伏设备的智能运维系统,其特征在于,预测预设时段的设备环境数据,根据设备环境数据调整第一运维策略,包括:
根据实时设备状态以及实时设备状态前预设时段的历史环境数据,绘制第一状态-环境曲线;
根据历史环境数据与多个设备状态绘制历史状态-环境曲线,将与实时设备状态相同状态的历史状态-环境曲线筛选出来,根据曲线重合程度确定确定重合曲线,根据重合曲线确定预设时段内的第二状态-环境曲线,根据第二状态-环境曲线预测预设时段的设备环境数据;
计算设备环境数据与实时环境状态对应数据的多个偏差度,根据偏差度平均值对巡检周期进行调整;
若偏差度平均值小于第一偏差度,不对巡检周期进行调整,若偏差度平均值处于第一偏差度和第二偏差度之间,将巡检周期调高一级,若偏差度平均值大于第二偏差度,将巡检周期调高二级;
其中,第三周期为最高巡检周期,若没调高之前,巡检周期为第三周期,发送报警信号。
7.如权利要求6所述的风电光伏设备的智能运维系统,其特征在于,根据巡检结果评估第一运维策略应用值,包括:
所述巡检结果为设备状态结果和设备环境结果,将设备状态结果进行量化,将非故障状态记为第一量值N1,疑似故障状态记为第二量值N2,故障状态记为第三量值N3,将设备环境结果与设备环境数据进行比对,根据比对结果设定第一影响系数a1、第二影响系数a2和第三影响系数a3;
所述第一运维策略应用值为:
G=Ni×et×L1+Tsn×aj×L2;
其中,G为第一运维策略应用值,Ni为第i量值,i=1,2,3;t为运维时长,L1为设备状态结果对应的权重系数,Ts为巡检周期,Tsn为第n周期,n=1,2,3aj为第j影响系数,j=1,2,3,L2为设备环境结果对应的权重系数;
预先设定有第一应用值阈值和第二应用值阈值,且第一应用值阈值小于第二应用值阈值,根据第一运维策略应用值与第一应用值阈值、第二应用值阈值之间的关系,确定第二运维策略。
8.如权利要求7所述的风电光伏设备的智能运维系统,其特征在于,根据第一运维策略应用值确定第二运维策略,包括:
当第一运维策略应用值小于第一应用值阈值时,说明设备处于故障或疑似故障状态,根据设备具体故障对第一运维策略中的运维参数进行调整,得到第二运维策略;
当第一运维策略应用值处于第一应用值阈值和第二应用值阈值之间时,说明设备处于非故障状态且第一运维策略可以优化,根据设备环境状态对巡检周期进行优化,得到第二运维策略;
当第一运维策略应用值大于第二应用值阈值时,说明设备处于非故障状态且第一运维策略无需优化,将第一运维策略确定为第二运维策略;
其中,第二运维策略为第一运维策略的下一时刻运维。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311332112.2A CN117592795A (zh) | 2023-10-13 | 2023-10-13 | 一种风电光伏设备的智能运维系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311332112.2A CN117592795A (zh) | 2023-10-13 | 2023-10-13 | 一种风电光伏设备的智能运维系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117592795A true CN117592795A (zh) | 2024-02-23 |
Family
ID=89917227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311332112.2A Pending CN117592795A (zh) | 2023-10-13 | 2023-10-13 | 一种风电光伏设备的智能运维系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117592795A (zh) |
-
2023
- 2023-10-13 CN CN202311332112.2A patent/CN117592795A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114819415B (zh) | 一种基于数据分析的电力设备故障预测系统 | |
CN114801751B (zh) | 一种基于数据分析的汽车电池故障预测系统 | |
CN110687473B (zh) | 一种智能变电站继电保护测试故障定位方法及系统 | |
CN107147213A (zh) | 电网频发监控信息智能告警及综合分析治理方法 | |
CN117078113B (zh) | 一种基于数据分析的户外电池生产质量管理系统 | |
CN116502160A (zh) | 一种电量数据自动采集系统 | |
CN115189456B (zh) | 一种小微型水质水量在线监测站的太阳能供电系统 | |
CN113639842A (zh) | 一种基于5g的远程设备故障诊断方法及系统 | |
CN117614487A (zh) | 一种基于北斗系统的输电线路通信方法及系统 | |
Dong et al. | Fault diagnosis and classification in photovoltaic systems using scada data | |
CN117592795A (zh) | 一种风电光伏设备的智能运维系统 | |
CN116820014A (zh) | 一种交通机电设备智能化监控预警方法及系统 | |
CN115759521B (zh) | 一种基于大数据的海上风力发电机运行故障预测系统 | |
CN116736134A (zh) | 一种实时性储能电池数据监测方法及装置 | |
CN116488578A (zh) | 一种基于ai视觉辅助的光伏设备分析方法 | |
CN114281846B (zh) | 一种基于机器学习的新能源发电预测方法 | |
CN115619098A (zh) | 一种基于分级监控预警的智能电力物资数据处理方法 | |
CN115102287A (zh) | 一种新能源电站集中区域智能管控系统 | |
CN114442543A (zh) | 一种适用于水电站故障预警的计算机监测方法 | |
CN117792279B (zh) | 基于神经网络的分布式光伏监控系统 | |
CN117394409B (zh) | 储能电站设备状态的智能评估方法及系统 | |
CN118152873A (zh) | 一种机组设备安全隐患管理方法 | |
CN117938073A (zh) | 一种基于光伏发电设备的巡检方法及系统 | |
CN113872325A (zh) | 一种基于云计算的电力通讯系统 | |
CN117872178A (zh) | 一种储能电堆故障检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |