CN117726101A - 变电设备寿命预测方法、装置和计算机设备 - Google Patents
变电设备寿命预测方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN117726101A CN117726101A CN202311627857.1A CN202311627857A CN117726101A CN 117726101 A CN117726101 A CN 117726101A CN 202311627857 A CN202311627857 A CN 202311627857A CN 117726101 A CN117726101 A CN 117726101A
- Authority
- CN
- China
- Prior art keywords
- equipment
- power transformation
- real
- life
- monitoring 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.)
- Pending
Links
- 230000009466 transformation Effects 0.000 title claims abstract description 210
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012544 monitoring process Methods 0.000 claims abstract description 113
- 230000002159 abnormal effect Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 206010063659 Aversion Diseases 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请涉及一种变电设备寿命预测方法、装置和计算机设备,通过获取待检测变电设备的实时监测数据和设备属性参数;基于所述实时监测数据和设备属性参数,确定所述待检测变电设备的实时寿命指标;基于所述实时监测数据、设备属性参数以及实时寿命指标,确定所述待检测变电设备的寿命预测结果。上述变电设备寿命预测方法,基于待检测变电设备的实时监测数据和设备属性参数能够及时并且精准的对变电设备的寿命进行预测,因而可以实现最大程度的降低安全风险。
Description
技术领域
本申请涉及电力技术领域,特别是涉及一种变电设备寿命预测方法、装置和计算机设备。
背景技术
全域物联网技术是根据互联网技术交流物体与物体之间的信息。通过连接互联网,根据规定协议,智能化进行识别、定位、监控以及追踪管理的一种网络技术。在电网中,变电设备是最关键的一个环节,通常认为电网使用的寿命周期就是变电设备寿命周期。因此,对变电设备的寿命进行预测,是电网管理的重要环节。
随着电网快速地发展,为了保障所有的输电线路能够安全的运行,需要及时对变电设备的寿命进行预测,从而来采取相应的措施对变电设备进行维护和检修,防止发生变电设备瘫痪的事情。
目前的相关技术中,关于变电设备的寿命预测途径有较高的延迟,造成时效性滞后,问题处理不及时,从而最终导致安全风险大。
发明内容
基于此,有必要针对上述技术问题,提供一种变电设备寿命预测方法、装置和计算机设备。
第一方面,本申请提供了一种变电设备寿命预测方法,所述方法包括:
获取待检测变电设备的实时监测数据和设备属性参数;
基于所述实时监测数据和设备属性参数,确定所述待检测变电设备的实时寿命指标;
基于所述实时监测数据、设备属性参数以及实时寿命指标,确定所述待检测变电设备的寿命预测结果。
在其中一个实施例中,所述实时监测数据包括变电设备智能操作数据、变电设备智能巡视数据以及变电设备环境数据。
在其中一个实施例中,所述基于所述实时监测数据和设备属性参数,确定所述待检测变电设备的实时寿命指标包括:
基于所述实时监测数据,获取预设时间段内所述待检测变电设备的异常率;
获取预先设置的所述设备属性参数的加权值;
基于所述设备属性参数、对应的加权值以及预设时间段内所述待检测变电设备的异常率,确定所述待检测变电设备的实时寿命指标。
在其中一个实施例中,所述基于所述实时监测数据、设备属性参数以及实时寿命指标,确定所述待检测变电设备的寿命预测结果包括:
根据所述实时监测数据,所述设备属性参数和所述待检测变电设备的异常率,查询所述设备实时寿命指标对应的评估表,获取所述设备属性参数和所述异常率匹配的寿命周期;
基于所述寿命周期,确定所述待检测变电设备的寿命预测结果。
在其中一个实施例中,所述方法还包括:
基于所述设备属性参数,确定所述设备属性参数对应的变电设备的损耗率;
基于所述损耗率,修正各个寿命周期的设备寿命指标。
在其中一个实施例中,所述获取待检测变电设备的实时监测数据和设备属性参数包括:
利用智能终端实时采集待检测变电设备的实时监测数据和设备属性参数。
在其中一个实施例中,所述获取待检测变电设备的实时监测数据和设备属性参数之前包括:
配置各个待检测变电设备对应的智能终端。
第二方面,本申请还提供了一种变电设备寿命预测装置,所述装置包括:
获取模块,用于获取待检测变电设备的实时监测数据和设备属性参数;
计算模块,用于基于所述实时监测数据和设备属性参数,确定所述待检测变电设备的实时寿命指标;
预测模块,用于基于所述实时监测数据、设备属性参数以及实时寿命指标,确定所述待检测变电设备的寿命预测结果。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述实施例中任一种变电设备寿命预测方法:
获取待检测变电设备的实时监测数据和设备属性参数;
基于所述实时监测数据和设备属性参数,确定所述待检测变电设备的实时寿命指标;
基于所述实时监测数据、设备属性参数以及实时寿命指标,确定所述待检测变电设备的寿命预测结果。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述实施例中任一种变电设备寿命预测方法:
获取待检测变电设备的实时监测数据和设备属性参数;
基于所述实时监测数据和设备属性参数,确定所述待检测变电设备的实时寿命指标;
基于所述实时监测数据、设备属性参数以及实时寿命指标,确定所述待检测变电设备的寿命预测结果。
上述变电设备寿命预测方法、装置和计算机设备,通过获取待检测变电设备的实时监测数据和设备属性参数;基于所述实时监测数据和设备属性参数,确定所述待检测变电设备的实时寿命指标;基于所述实时监测数据、设备属性参数以及实时寿命指标,确定所述待检测变电设备的寿命预测结果。上述变电设备寿命预测方法,基于待检测变电设备的实时监测数据和设备属性参数能够及时并且精准的对变电设备的寿命进行预测,因而可以最大程度的降低安全风险。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案,下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为一个实施例中变电设备寿命预测方法的应用环境图;
图2为本发明一个实施例的变电设备寿命预测方法的流程示意图;
图3为本发明一个实施例中的基于全域物联网的变电设备寿命预测系统的示意图;
图4为本发明一个实施例中的基于全域物联网的变电设备寿命预测方法的具体实施示意图;
图5为本发明一个实施例中的变电设备寿命预测装置的结构框图;
图6为本发明一个实施例中的计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅用以解释本申请,并不用于限定本申请。
针对于电网单位经济效益而言,电网单位若想使发展效益能够更加长久,就必须要重视全寿命电网资产的周期管理工作,变电设备在电网资产中所占的比例很大。
因此,电网单位在输变电设备应用管理力度必须要加强加大,将全域物联网技术更好地应用,全景监测变电设备能够正常地使用,并且将设备属性与设备监测信息有机地结合,既要使设备运行的可靠性和安全性得以保证,又能够使电网资产寿命周期投入成本尽可能降低,全面地评估变电设备使用的周期,使全域物联网技术成为辅助变电设备运行的监测技术,对以前变电设备的管理经验进行综合总结,能够全方位地管理电网资产,使变电设备信息诊断能够更加真实。
在变电设备中应用全域物联网技术能够收集和分析输变电设备运行情况和运行环境以及自身性能等许多相关的信息,工作人员对信息进行收集并且统计,既能够掌握变电设备运用的当前的状况,又能够了解变电设备安全运行为什么会受影响,使建设变电设备评估风险的体系得以实现。评估输变电设备风险体系中,全域物联网技术就是一个支柱,电网相关人员应用新型传感器,能够评估变电设备运行的情况,根据理论的依据,电网单位能够将与变电设备运行状态相符合的评估方法更加健全,将一个电网资料全寿命的周期档案在电网企业中建立起来。
在电网中,变电设备的寿命要求有明确的规定,不同变电设备的寿命周期不同。变电设备随着使用会发生腐蚀、老化等情况,且处在恶略环境下的变电设备的实际寿命相较于设计寿命也存在区别。因此,有必要对变电设备的寿命进行监测。随着全域物联网技术的发展,通过连接互联网,智能设备可以智能化识别、定位、监控以及追踪管理对应的变电设备,可采集及传输的数据包括但不限于视频数据、图像数据以及文字数据等,海量数据使得对变电设备进行寿命预测可能性增加。
本申请实施例提供的变电设备寿命预测方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。用户在终端102上做出当前行为,终端102将当前行为数据传输给服务器104,服务器104获取待检测变电设备的实时监测数据和设备属性参数;基于所述实时监测数据和设备属性参数,确定所述待检测变电设备的实时寿命指标;基于所述实时监测数据、设备属性参数以及实时寿命指标,确定所述待检测变电设备的寿命预测结果。
其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种变电设备寿命预测方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤S201,获取待检测变电设备的实时监测数据和设备属性参数。
具体地,实时监测数据是指待检测变电设备在实际运行中产生的数据,例如操作数据,设备周围环境数据,一般情况下是属于非稳定数据,变动较大;设备属性参数是指待检测变电设备在实际运行中设备本身的属性参数,一般情况下是属于稳定数据,变动较少。
示例性地,设备属性参数可以是设备出厂时配置的参数,例如设计寿命、电池存储量、电阻值、额定功率等,也可以包括设备类型、设备编号等标识性参数。随着设备的老化和损耗,设计参数会发生变化,产生新的设备属性参数。不同寿命周期的同一种设备,其设备参数可能存在区别。这里的寿命周期可以是使用年限,使用年限越久,属性参数变化越大。
具体的,设备属性参数可以是存储在电网的设备管理数据库中的数据,该设备管理数据库可以是本地数据库,也可以是云端数据库,可以根据需求配置,在此不作赘述。
步骤S202,基于所述实时监测数据和设备属性参数,确定所述待检测变电设备的实时寿命指标。
具体地,实时寿命指标指的是用于评估变电设备当前实时所处寿命周期的所需使用的指标,该指标可以是多个分指标构成的指标体系,具体表现形式是寿命周期拟合曲线,或者设备寿命指标分布表。可以基于设备类型或者设备编号,确定各个变电设备对应的实时寿命指标。
变电设备之间存在较大差异,例如变压器、仪表和继电保护装置的设备寿命指标不同。因此,需要根据设备属性参数中的设备类型,或者其他更小单位的分类标准,确定变电设备的分类,并确定对应的实时寿命指标。
步骤S203,基于所述实时监测数据、设备属性参数以及实时寿命指标,确定所述待检测变电设备的寿命预测结果。
具体地,所述待检测变电设备的寿命预测结果可以是寿命周期,也可以依据实际情况确定寿命预测结果地类型,在此不作一一赘述。
上述变电设备寿命预测方法中,通过获取待检测变电设备的实时监测数据和设备属性参数;基于所述实时监测数据和设备属性参数,确定所述待检测变电设备的实时寿命指标;基于所述实时监测数据、设备属性参数以及实时寿命指标,确定所述待检测变电设备的寿命预测结果。上述变电设备寿命预测方法,基于所述实时监测数据、设备属性参数以及实时寿命指标,确定所述待检测变电设备的寿命预测结果,充分考虑设备属性和周围环境的影响因素,提高寿命预测的准确性,以方便及时更换设备,提高电网运行的安全性。。
在一个实施例中,所述实时监测数据包括变电设备智能操作数据、变电设备智能巡视数据以及变电设备环境数据。
具体地,所述实时监测数据包括但不限于变电设备智能操作数据、变电设备智能巡视数据、变电设备环境数据。
其中,变电设备智能操作数据指的是变电设备被操作或者执行相应任务的数据,可以理解的,变电设备使用频率越高,则损耗越大。
其中,变电设备智能巡视数据指的是通过巡检机器人或者巡检无人机采集到的设备的相关数据。示例性的,通过机器人或者无人机观测到的设备的外观磨损情况等,在其他情况下,也可以依据实际情况确定智能巡视数据的类型,在此不作一一赘述。
其中,变电设备环境数据指的是变电设备周围的环境温度,环境湿度等,在其他情况下,也可以依据实际情况确定变电设备环境数据的类型,在此不作一一赘述。
可以理解的,在其他实施例中,可以依据实际情况进行实时监测数据地确定,在此不作一一列举。
上述实施例中,精准确定实时监测数据的内容范围,使得数据采集更加具有针对性更加准确。
在一个实施例中,所述基于所述实时监测数据和设备属性参数,确定所述待检测变电设备的实时寿命指标包括:
基于所述实时监测数据,获取预设时间段内所述待检测变电设备的异常率;
获取预先设置的所述设备属性参数的加权值;
基于所述设备属性参数、对应的加权值以及预设时间段内所述待检测变电设备的异常率,确定所述待检测变电设备的实时寿命指标。
具体地,异常率是指所述实时监测数据中在预设周期内的异常数据的出现频次,具体可以表示为:异常频次/采样周期长度。
具体地,由于在进行设备的寿命评估时,针对设备属性的不同参数的侧重是不一样的,因此可以依据实际情况预先设置各个不同设备属性参数的加权值。
具体地,在一些情况下,待检测变电设备的异常率可以作为所述设备属性参数的加权值的调整系数,一旦发生不可容忍的设备异常,会导致变电设备迅速到期。在另一些情况下,异常率可以作为加权值的余数,说明该异常对设备寿命所起到的影响不大。将设备异常作为设备属性参数的补充,提高实施情况对设备的影响,同时剔除部分影响较小的因素,可以提高寿命预测的数据处理效率和准确性。
具体的,实时寿命指标是用于评估变电设备当前所处寿命周期的所需使用的指标,该指标可以是多个分指标构成的指标体系,具体表现形式是寿命周期拟合曲线,或者设备寿命指标分布表。可以基于设备类型或者设备编号,确定各个变电设备对应的设备寿命指标。寿命指标分为多种,例如寿命周期,寿命最低年限,寿命最高年限等,可以依据实际情况进行寿命指标的确定,在此不作一一列举。
上述实施例中,在精准计算获取预设时间段内所述待检测变电设备的异常率之后,综合考虑设备属性参数、对应的加权值以及预设时间段内所述待检测变电设备的异常率,利用行业内标准评估表,最终精准确定所述待检测变电设备的实时寿命指标。
在一个实施例中,所述基于所述实时监测数据、设备属性参数以及实时寿命指标,确定所述待检测变电设备的寿命预测结果包括:
根据所述实时监测数据,所述设备属性参数和所述待检测变电设备的异常率,查询所述设备实时寿命指标对应的评估表,获取所述设备属性参数和所述异常率匹配的寿命周期;
基于所述寿命周期,确定所述待检测变电设备的寿命预测结果。
具体的,寿命预测结果可以是寿命周期的本身数值,也可以是基于寿命周期得到的待检测变电设备的安全评估结果,例如寿命周期10年以上就是良好,寿命周期一年以下就是差;可以依据具体实际情况进行寿命预测结果的确定,在此不作赘述。
可以理解的,在获取预设时间段内所述待检测变电设备的异常率之后,根据设备属性参数和异常率,可以查询所述设备寿命指标对应的评估表,进而确定出所述待检测变电设备的实时寿命指标。
实时寿命指标是用于评估变电设备当前所处寿命周期的所需使用的指标,该指标可以是多个分指标构成的指标体系,具体表现形式是寿命周期拟合曲线,或者设备寿命指标分布表。
在其他一些实施例中,综合考虑所述实时监测数据,所述设备属性参数和所述待检测变电设备的异常率,还可以是根据设备属性参数以及实时监测数据进行数据拟合,确定变电设备当前对应的寿命周期,也可以是查询对应的设备寿命指标分布表,以确定变电设备当前对应的寿命周期。根据所述寿命周期,精准得到所述寿命预测结果。
本实施例中,将异常率作为评估指标之一,可以提高针对异常影响大的因素导致寿命减少的判断的准确率。
在一个实施例中,所述方法还包括:
基于所述设备属性参数,确定所述设备属性参数对应的变电设备的损耗率;
基于所述损耗率,修正各个寿命周期的设备寿命指标。
具体的,可以借助变电设备运维服务器,并根据设备属性参数,确定该设备属性参数对应的变电设备的损耗率;根据所述损耗率,修正各个寿命周期的设备寿命指标。该损耗率是基于设备设计阶段确定的自然损耗。
上述实施例中,引入损耗率可以实现对寿命的折旧,使得在进行寿命预测时,不仅考虑到设备的自然折旧,也考虑设备的使用中的异常损耗,提高了设备寿命预测的准确性。
在一个实施例中,所述获取待检测变电设备的实时监测数据和设备属性参数包括:
利用智能终端实时采集待检测变电设备的实时监测数据和设备属性参数。
具体地,智能终端用于采集变电设备的实时数据实时监测数据和设备属性参数,智能终端可以是根据待监测的变电设备的类型预先配置的,可以包括但不限于图像传感器、温度传感器、摄像头、状态监测传感器、电气传感器、巡检机器人等,用于采集变电设备的监测数据,包括但不限于操作数据、巡视数据、环境数据等。
上述实施例中,利用智能终端实现了对实时监测数据和设备属性参数的精准采集。
在一个实施例中,所述获取待检测变电设备的实时监测数据和设备属性参数之前包括:
配置各个待检测变电设备对应的智能终端。
具体地,不同的变电设备进行寿命预测所需的评价指标不同,因此,对应的实时监测数据也不同,需要根据待采集的变电设备的位置、类型、需采集数据的种类,配置合适的智能终端。
上述实施例中,配置设备对应的智能终端,能够提高智能终端的使用率,降低全域物联网的配置成本。
在一个实施例中,参阅图3所示,图3是一种基于全域物联网的变电设备寿命预测系统,该系统包括智能终端、边缘网关、实时监测数据处理平台、变电设备运维服务器。
其中,智能终端,用于采集变电设备的初始实时数据,通过边缘网关发送到初始实时监测数据处理平台。智能终端可以是根据待监测的变电设备的类型预先配置的,可以包括但不限于图像传感器、温度传感器、摄像头、状态监测传感器、电气传感器、巡检机器人等,用于采集变电设备的监测数据,包括但不限于操作数据、巡视数据、环境数据等。
其中,智能终端可以通过R5485线,UTP网线,电力线等多种类型的传输线与边缘网关相连,进行数据传输,可以依据实际情况进行传输线的选择,在此不作一一列举。
实时监测数据处理平台,用于处理初始实时数据,得到实时监测数据。其中,实时监测数据处理平台中预先配置有多种处理工具,包括但不限于AI处理单元、视频数据处理单元、Web处理单元、模型数据处理单元、视频化存储单元等,其中多种单元之间电连接,并且多个单元可以根据数据类型的不同和分析需求不同,为各类数据分配适合的处理工具,提高数据分析的效率。
边缘网关,与所述智能终端和所述实时监测数据处理平台分别连接,用于将智能终端采集的数据传输至实时监测数据处理平台。
变电设备运维服务器,用于获取所述实时监测数据,并从存储模块获取所述变电设备的设备属性参数和所述变电设备对应的设备寿命指标,进行处理后,得到变电设备的寿命预测结果。
变电设备运维服务器可以通过多个同类变电设备的历史数据,进行统计、聚类以及其他机器学习模型方法进行处理,得到设备属性参数、监测数据和设备寿命之间的关系。例如,变电设备运维服务器可以获取多个变压器在低1~10年的寿命周期期间的设备属性参数、监测数据,用于确定可以进行设备寿命评估的指标。
在一个实施例中,参阅图4所示,图4是一种基于全域物联网的变电设备寿命预测方法的具体实施示意图,该方法可以应用于图3的变电设备运维服务器,包括以下步骤:
S410,获取智能终端采集的变电设备的实时监测数据;
其中,实时监测数据包括但不限于智能操作数据、智能巡视数据、设备状态数据和环境数据。智能操作数据指的是变电设备被操作或者执行相应任务的数据,应当理解,变电设备使用频率越高,则损耗越大。智能巡视数据指的是通过巡检机器人或者巡检无人机采集到的设备的相关数据;设备状态数据可以是从设备监测传感器中提取的设备当前工作状态是否发生异常的数据,通常情况下,设备异常可能会影响该设备的运行,也可能会影响关联设备的寿命。环境数据指的是变电设备所处的物理环境,湿度、温度等可能对设备寿命造成影响。上述各类实时监测数据,可以是独立说明变电设备的寿命的影响,也可以多种类型的监测数据,共同作用影响变电设备的寿命。
其中,变电设备运维服务器可以直接从智能终端采集变电设备的实时监测数据,也可以从实时监测数据处理平台采集经过处理后的监测数据。
S420,获取所述变电设备的设备属性参数和所述变电设备对应的设备寿命指标;
其中,设备属性参数,指的是设备出厂时配置的参数,例如设计寿命、电池存储量、电阻值、额定功率等,也可以包括设备分类、设备编号等标识性参数。随着设备的老化和损耗,设计参数会发生变化,产生新的设备属性参数。不同寿命周期的同一种设备,其设备参数可能存在区别。这里的寿命周期可以是使用年限,使用年限越久,属性参数变化越大。
其中,设备寿命指标,指的是用于评估变电设备当前所处寿命周期的所需使用的指标,该指标可以是多个分指标构成的指标体系,具体表现形式是寿命周期拟合曲线,或者设备寿命指标分布表。可以基于设备类型或者设备编号,确定各个变电设备对应的设备寿命指标。
S430,将所述设备属性参数、实时监测数据与所述设备寿命指标进行对比,根据对比结果得到所述变电设备的寿命预测结果。
其中,该对比过程可以是根据设备属性参数以及实时监测数据进行数据拟合,确定变电设备当前对应的寿命周期,也可以是查询对应的设备寿命指标分布表,以确定变电设备当前对应的寿命周期。
上述方法通过获取智能终端采集的变电设备的实时监测数据;获取所述变电设备的设备属性参数和所述变电设备对应的设备寿命指标;将所述设备属性参数、实时监测数据与所述设备寿命指标进行对比,根据对比结果得到所述变电设备的寿命预测结果。构建了基于设备属性数据、监测数据的变电设备寿命指标,以此进行变电设备寿命预测,引入监测数据,充分考虑设运行属性和周围环境的影响因素,提高寿命预测的准确性,及时更换设备,提高电网运行的安全性。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的基于聚类描述的小样本实体识别方法的基于聚类描述的小样本实体识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个基于聚类描述的小样本实体识别装置实施例中的具体限定可以参见上文中对于基于聚类描述的小样本实体识别方法的限定,在此不再赘述。
在一个实施例中,如图5所示,提供了一种变电设备寿命预测装置,包括:获取模块510、计算模块520和预测模块530其中:
获取模块510,用于获取待检测变电设备的实时监测数据和设备属性参数。
计算模块520,用于基于所述实时监测数据和设备属性参数,确定所述待检测变电设备的实时寿命指标。
计算模块520,还用于基于所述实时监测数据,获取预设时间段内所述待检测变电设备的异常率;获取预先设置的所述设备属性参数的加权值;基于所述设备属性参数、对应的加权值以及预设时间段内所述待检测变电设备的异常率,确定所述待检测变电设备的实时寿命指标。
预测模块530,用于基于所述实时监测数据、设备属性参数以及实时寿命指标,确定所述待检测变电设备的寿命预测结果。
预测模块530,还用于根据所述实时监测数据,所述设备属性参数和所述待检测变电设备的异常率,查询所述设备实时寿命指标对应的评估表,获取所述设备属性参数和所述异常率匹配的寿命周期;
基于所述寿命周期,确定所述待检测变电设备的寿命预测结果。
变电设备寿命预测装置,还包括:修正模块,配置模块。
修正模块,用于基于所述设备属性参数,确定所述设备属性参数对应的变电设备的损耗率;基于所述损耗率,修正各个寿命周期的设备寿命指标。
配置模块,用于配置各个待检测变电设备对应的智能终端。
上述变电设备寿命预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种变电设备寿命预测装置。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述实施例中任一种变电设备寿命预测方法:
获取待检测变电设备的实时监测数据和设备属性参数;
基于所述实时监测数据和设备属性参数,确定所述待检测变电设备的实时寿命指标;
基于所述实时监测数据、设备属性参数以及实时寿命指标,确定所述待检测变电设备的寿命预测结果。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中任一种变电设备寿命预测方法:
获取待检测变电设备的实时监测数据和设备属性参数;
基于所述实时监测数据和设备属性参数,确定所述待检测变电设备的实时寿命指标;
基于所述实时监测数据、设备属性参数以及实时寿命指标,确定所述待检测变电设备的寿命预测结果。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种变电设备寿命预测方法,其特征在于,包括:
获取待检测变电设备的实时监测数据和设备属性参数;
基于所述实时监测数据和设备属性参数,确定所述待检测变电设备的实时寿命指标;
基于所述实时监测数据、设备属性参数以及实时寿命指标,确定所述待检测变电设备的寿命预测结果。
2.根据权利要求1所述的方法,其特征在于,所述实时监测数据包括变电设备智能操作数据、变电设备智能巡视数据以及变电设备环境数据。
3.根据权利要求1所述的方法,其特征在于,所述基于所述实时监测数据和设备属性参数,确定所述待检测变电设备的实时寿命指标包括:
基于所述实时监测数据,获取预设时间段内所述待检测变电设备的异常率;
获取预先设置的所述设备属性参数的加权值;
基于所述设备属性参数、对应的加权值以及预设时间段内所述待检测变电设备的异常率,确定所述待检测变电设备的实时寿命指标。
4.根据权利要求3所述的方法,其特征在于,所述基于所述实时监测数据、设备属性参数以及实时寿命指标,确定所述待检测变电设备的寿命预测结果包括:
根据所述实时监测数据,所述设备属性参数和所述待检测变电设备的异常率,查询所述实时寿命指标对应的评估表,获取所述设备属性参数和所述异常率匹配的寿命周期;
基于所述寿命周期,确定所述待检测变电设备的寿命预测结果。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
基于所述设备属性参数,确定所述设备属性参数对应的变电设备的损耗率;
基于所述损耗率,修正各个寿命周期的设备寿命指标。
6.根据权利要求1至5中任一项所述的方法,其特征在于,所述获取待检测变电设备的实时监测数据和设备属性参数包括:
利用智能终端实时采集待检测变电设备的实时监测数据和设备属性参数。
7.根据权利要求1至5中任一项所述的方法,其特征在于,所述获取待检测变电设备的实时监测数据和设备属性参数之前包括:
配置各个待检测变电设备对应的智能终端。
8.一种变电设备寿命预测装置,其特征在于,所述装置包括:
获取模块,用于获取待检测变电设备的实时监测数据和设备属性参数;
计算模块,用于基于所述实时监测数据和设备属性参数,确定所述待检测变电设备的实时寿命指标;
预测模块,用于基于所述实时监测数据、设备属性参数以及实时寿命指标,确定所述待检测变电设备的寿命预测结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至权利要求7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至权利要求7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311627857.1A CN117726101A (zh) | 2023-11-29 | 2023-11-29 | 变电设备寿命预测方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311627857.1A CN117726101A (zh) | 2023-11-29 | 2023-11-29 | 变电设备寿命预测方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117726101A true CN117726101A (zh) | 2024-03-19 |
Family
ID=90206260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311627857.1A Pending CN117726101A (zh) | 2023-11-29 | 2023-11-29 | 变电设备寿命预测方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117726101A (zh) |
-
2023
- 2023-11-29 CN CN202311627857.1A patent/CN117726101A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA2916454C (en) | Distribution transformer heavy loading and overloading mid-term and short-term pre-warning analytics model | |
US10481195B2 (en) | Distributed IoT based sensor analytics for power line diagnosis | |
US8738351B2 (en) | Historic storage of dual layer power grid connectivity model | |
KR20170060031A (ko) | 머신 러닝을 이용한 비-기술적인 손실의 식별 | |
CN114254879B (zh) | 多传感器信息融合的电力设备安全诊断方法和装置 | |
CN110765189A (zh) | 互联网产品的异常管理方法和系统 | |
CN112488877A (zh) | 一种用于能源服务平台的工业能耗可视化系统 | |
CN113837596A (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN114356631A (zh) | 故障定位方法、装置、计算机设备和存储介质 | |
CN113487086A (zh) | 设备剩余使用寿命预测方法、装置、计算机设备和介质 | |
CN117726101A (zh) | 变电设备寿命预测方法、装置和计算机设备 | |
CN115438812A (zh) | 输电设备全生命管理方法、装置、计算机设备和存储介质 | |
CN114254864A (zh) | 用电数据处理方法、装置、计算机设备、存储介质 | |
CN114356737A (zh) | 模型监测方法、设备、存储介质及计算机程序产品 | |
CN111931798B (zh) | 进行冷头状态分类检测和寿命预测的方法 | |
CN115372752A (zh) | 故障检测方法、装置、电子设备以及存储介质 | |
CN115829543B (zh) | 基于故障需检区间的电力设备预防性试验有效性确定方法 | |
CN115392859A (zh) | 功率因数核查方法、装置、电子设备及存储介质 | |
CN118054397A (zh) | 区域停电方法、装置、设备、存储介质和计算机产品 | |
CN117495131A (zh) | 用电数据预测方法、装置、计算机设备和存储介质 | |
CN117520743A (zh) | 用户用电风险的监测方法、装置、设备、存储介质和产品 | |
CN117724930A (zh) | 数据监测方法、装置、计算机设备和存储介质 | |
CN116795617A (zh) | 硬件设备评估方法、装置、电子设备及可读存储介质 | |
CN115964943A (zh) | 离线设备剩余寿命预测方法、装置和计算机设备 | |
CN117726102A (zh) | 配电网预警方法、装置、计算机设备和存储介质 |
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 |