CN117893199A - 变电站自动化设备监测方法、装置、终端设备及存储介质 - Google Patents
变电站自动化设备监测方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN117893199A CN117893199A CN202410081270.3A CN202410081270A CN117893199A CN 117893199 A CN117893199 A CN 117893199A CN 202410081270 A CN202410081270 A CN 202410081270A CN 117893199 A CN117893199 A CN 117893199A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- data
- substation automation
- value
- substation
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 223
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000011156 evaluation Methods 0.000 claims abstract description 105
- 239000011159 matrix material Substances 0.000 claims abstract description 62
- 239000013598 vector Substances 0.000 claims abstract description 56
- 238000012806 monitoring device Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 36
- 230000032683 aging Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 2
- 238000009825 accumulation Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance 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
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种变电站自动化设备监测方法、装置、终端设备及存储介质。本发明的监测方法包括:获取变电站自动化设备关键芯片的监测数据,作为样本监测数据;将样本监测数据输入至灰色预测模型进行预测,以预测值对监测值进行评分;将所得的芯片监测值评分与装置其他状态监测信息结合,输入到装置评价矩阵获得装置评价向量,并以装置评价向量得到装置处置意见。本发明可以实时和全周期对设备状态进行监测,并实现设备故障前的有效预警。
Description
技术领域
本发明属于变电站自动化设备监测领域,尤其是一种基于关键芯片监测的变电站自动化设备监测方法、装置、终端设备及存储介质。
背景技术
变电站自动化设备的正常运行是电力系统稳定运行的基础。目前,对于变电站自动化设备状态的监测还停留在对设备故障的监测,结合平时的人力及自动化巡检,主要针对设备故障后的及时发现;不能实现设备状态实时及全周期监测,也不能实现设备故障前的有效预警。
发明内容
本发明所要解决的技术问题是克服上述现有技术存在的缺陷,提供一种基于关键芯片监测的变电站自动化设备监测方法、装置和终端设备,以实时和全周期对设备状态进行监测,并实现设备故障前的有效预警。
第一方面,本发明提供一种变电站自动化设备监测方法,其包括:
获取变电站自动化设备关键芯片的监测数据,作为样本监测数据;
将样本监测数据输入至灰色预测模型进行预测,以预测值对监测值进行评分;
将所得的芯片监测值评分与装置其他状态监测信息结合,输入到装置评价矩阵获得装置评价向量,并以装置评价向量得到装置处置意见。
进一步地,所述芯片监测数据输入至灰色预测模型进行预测,具体包括:
对样本监测数据进行序列化处理,以满足灰色预测模型对数据序列进行预测的应用要求;
基于处理后数据序列,计算灰色预测模型预测算子;
根据灰色预测模型预测算子,计算芯片监测数据的预测值。
更进一步地,对样本监测数据进行序列化处理,以满足灰色预测模型数据序列要求,具体包括:
获取样本监测数据的带时标数据,以时标顺序形成初始数据序列;
根据初始数据序列特征,采取累加、累减、加权累加和加权累减获得初步处理数据序列;
以初步处理数据序列再次加权获得有效数据序列。
进一步地,将样本监测数据输入至灰色预测模型进行预测,以预测值对监测值进行评分,具体包括:
开机运行设定初始化时间之后,开始监测预测值与监测值的一致性;
采用差值比率法或者标准差比率法判断预测值与监测值的一致性;
预测值与监测值趋于一致之后,采用单次标准差计算法以预测值作为基准对监测值进行评分。
进一步地,装置评价矩阵的构建方法包括:
以评价因素对变电站自动化设备运行稳定性影响严重程度作为基础评价矩阵基础行向量;
以变电站自动化设备内各芯片监测值评分结合装置状态监测数据作为评价矩阵的列数,以各对应影响因素作为对应数值共同构成基础评价矩阵;
增加考虑运行老化影响,引入老化参数,以老化参数构建老化修正矩阵;
以老化修正矩阵和基础评价矩阵,共同构建成装置评价矩阵。
进一步地,所述装置处置意见的获得,具体包括:
以芯片监测值评分结合装置其他状态监测信息共同构成装置监测向量;
以装置监测向量,输入到装置评价矩阵,获得装置评价向量;
以装置评价向量为基础,区间判断获得装置处置意见。
进一步地,在变电站部署变电站设备状态监测装置,变电站设备状态监测装置具有数据交互枢纽功能,变电站设备状态监测装置通过通信采集变电站自动化设备的关键芯片监测信息和运行状态数据,利用灰色预测模型对关键芯片监测信息进行预测处理,以预测值作为基准对关键芯片后续监测信息评分,将芯片监测评分结合装置其他状态监测信息通过评价矩阵得到装置评价向量,以装置评价向量加权得到装置处置意见;变电站设备状态监测装置将变电站设备监测信息、评分信息、评价信息及装置处置意见上送到监测主站。
第二方面,本发明提供一种变电站自动化设备监测装置,其包括:
数据采集模块,用于获取包括关键芯片监测数据在内的变电站自动化设备监测数据,所述监测数据包括不同属性的数据;
数据处理模块,将关键芯片监测数据处理之后输入灰色预测模型,以模型预测值作为基准对后续的监测值进行评分;
装置评价模块,结合关键芯片监测评分和变电站自动化设备其他的监测数据,采用装置评价矩阵对变电站自动化设备进行评价获得评价向量,最终产生装置处置意见。
第三方面,本发明提供一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的变电站自动化设备监测方法。
第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的变电站自动化设备监测方法。
本发明与现有技术相比存在的有益效果是:本发明通过获取变电站设备关键芯片监测数据,将所获取的芯片监测数据输入至灰色预测模型进行预测,获取到监测数据的后续预测值;以预测模型预测值作为监测基准,对后续实际测量值进行评分;构建装置评价矩阵,以关键芯片评分结合芯片监测测量值作为数据输入到评价矩阵进行装置评价,获得装置评价向量,以装置评价向量,采用区间判断的方式产生装置处置建议。即本发明可以通过获取设备关键芯片的监测数据,将监测数据输入至预设灰色模型进行预测,将预测值作为基准对监测值进行评分,通过对评分进行评价获得装置处置意见,可以实时和全周期的对设备状态进行监测,并在设备故障前进行有效预警。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有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发明的一些实施例,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是本发明一实施例提供的基于关键芯片状态监视的变电站自动化设备监测方法的网络架构示意图;
图2是本发明一实施例提供的基于关键芯片状态监视的变电站自动化设备监测方法的示意性流程图;
图3是本发明一实施例提供的预设灰色预测模型的构建方法的示意性流程图;
图4是本发明一实施例提供的以监测数据处理序列化处理示意性流程图;
图5是本发明一实施例提供的以预测值作为监测基准对后续实际监测值进行评分的方法的示意性流程图;
图6是本发明一实施例提供的构建装置评价矩阵的方法的示意性流程图;
图7是本发明一实施例提供的以关键芯片评分结合芯片监测测量值作为数据输入到评价矩阵进行装置评价获得处置意见的方法的示意性流程图;
图8是本发明一实施例提供的基于关键芯片监测的变电站自动化设备监测装置的结构示意图;
图9是本发明一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
应当理解,当在本发明说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在本发明说明书中描述的参考“本发明实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在另一些实施例中”、“本发明一实施例”、“本发明其他实施例”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
另外,在本发明说明书和所附权利要求书的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
目前,变电站自动化设备的正常运行是电力系统稳定运行的基础,对变电站中电力设备进行状态监测是保障变电站可靠供电的一种重要措施。目前对于变电站中电力设备的状态监测主要还停留在对设备故障的监测,结合平时的人力及自动化巡检,主要针对设备故障后的及时发现;不能实现设备状态实时及全周期监测,也不能实现设备故障前的有效预警。
为了解决上述问题,本发明实施例通过获取设备内部关键芯片的监测数据,将将监测数据输入至预设灰色模型进行预测,将预测值作为基准对监测值进行评分,通过对评分进行评价获得装置处置意见,可以实时和全周期的对设备状态进行监测,并在设备故障前进行有效预警。
为了说明本发明的技术方案,下面通过具体实施例来进行说明。
请参考图1,图1是本发明一实施例提供的基于关键芯片监测的变电站自动化设备监测方法的网络架构示意图。该网络架构依托现有变电站主子站架构方式,在变电站部署自动化设备状态监测装置,完成变电站自动化装置状态监测后,将监测结果和装置处置意见发送到调控主站。在图1中,该网络架构包括变电站自动化设备30(简称装置)、变电站设备状态监测装置20和调控主站10(简称主站)。
变电站自动化设备30包括变电站内保护装置、测控装置、网关机装置、交换机装置等,本发明实施例所述的方法是对上述设备进行状态监测。
变电站设备状态监测装置20具有数据交互枢纽功能,变电站设备状态监测装置20通过通信采集变电站自动化设备30的关键核心芯片监测信息和变电站自动化设备30的状态数据,利用灰色预测模型关键芯片监测信息进行预测处理,以预测值作为基准对关键芯片后续监测信息评分,将芯片监测评分结合设备状态监测数据通过评价矩阵得到装置评价向量,以装置评价向量加权得到装置处置意见;变电站设备状态监测装置20将变电站设备监测信息、评分信息、评价信息及装置处置意见等上送到调控主站10。
本发明实施例中,变电站设备状态监测装置20可通过通信采集或者部署传感器方式采集变电站自动化设备30关键芯片监测信息和装置监测信息,采集的主要信息包括但不限于芯片供电电压、芯片结温、运行状态、工作状态、通信状态、数据品质等。
调控主站10依托强大的分析计算能力,借助于边缘计算变电站设备状态监测装置20提供的数据支撑,可以实现装置状态监测进一步策略应用并提供运维检修辅助决策等高级人机交互服务。
在该网络架构中,变电站自动化设备30的原始状态监测数据到变电站设备状态监测装置20、变电站设备状态监测装置20与调控主站10之间的通信传输方式,本发明实施例对此不作限制。
请参阅图2,图2是本发明一实施例提供的基于关键芯片监测的变电站自动化设备监测方法的示意性流程图。如图2所示,该方法包括:S201至S203。
S201、获取变电站自动化设备关键芯片的监测数据。
具体地,部署在变电站内的变电站设备状态监测装置通过通信方式采集变电站自动化设备关键芯片的监测数据。在本发明实施例中,所采集的变电站自动化设备主要包括保护装置、测控装置、网关机、交换机等类型;每种类型设备依据其设备特性不同,采集各装置相关的关键芯片监测数据。例如:各类二次设备都有CPU芯片和内存芯片,都可以监视CPU芯片的供电电压和芯片结温、内存芯片的使用率和内核电压;测控装置可监测内部ADC芯片的供电电压和采样状态;网关机装置各个通信接口芯片可监测通信状态和链路状态;交换机装置可以监视交换芯片的供电电压、结温和链路工作状态。
S202、将芯片监测数据输入至灰色预测模型进行预测,以预测值对监测值进行评分。
具体地,为了能够及时对芯片监测数据进行评分以获得装置即时状态评估值,本发明通过对芯片监测数据进行预测,以预测值作为基准值对后续的检测值进行评分,用以完成后续的装置评价。
本发明实施例中,预设灰色预测模型的构建方法请参阅图3,图3是本发明一实施例提供的预设灰色预测模型的构建方法的示意性流程图。如图3所示,该方法包括:S301至S303。
S301、对样本监测数据进行序列化处理以满足灰色预测模型数据序列要求。
具体地,要有效应用灰色预测模型对数据序列进行有效预测,数据序列本身需要能够满足灰色预测模型对于数据序列的应用要求。
灰色预测模型对于数据序列的应用要求为数据序列级比值范围满足区间要求。
定义原始的数据序列为:
X0={x0(1),x0(2),x0(3),...,x0(n)}
其中,x0(k)>0,k=1,2,...,n。
则数据序列的级比为:
σ(k)=x0(k-1)/x0(k),k=2,3,...,n
若数据序列的级比能够满足:σ(k)∈(e-2/(n+1),e2/(n+1))条件,则可以对数据序列建立GM(1,1)预测模型进行数据预测。
本发明为有效应用灰色预测模型进行数据预测,先行对采集的监测数据进行序列化处理,处理方法请参阅图4,图4是本发明一实施例提供的对芯片监测数据进行序列化处理的示意性流程图。如图4所示,该方法包括:S401至S403。
S401、获取样本监测数据的带时标数据,以时标顺序形成初始数据序列。
本发明应用灰色预测模型,是为了能有效预测出芯片监测数据的预测值,以等时间间隔获取目标监测芯片的带时标数据,形成初始数据序列;以此序列进行处理预测之后获得的预测值即为同时间间隔的未来时标的预测值,以便以此作为基准对当时的实际预测值进行评分判断。
S402、根据初始数据序列特征,采取累加、累减、加权累加、加权累减获得初步处理序列。
具体地,为了有效应用灰色预测模型,对初始数据序列进行处理,使其满足灰色预测模型数据序列的级比要求。为此,常用的初步数据处理方式有累加、累减、加权累加、加权累减几种;根据初始数据序列特征选择对应的初步处理数据序列,一阶单因子递增数据序列采用累加处理方式,一阶单因子递减采用累减处理方式,一阶多因子递增数据序列采用加权累加处理方式,一阶多因子递减数据序列采用加权累减处理方式;本发明实施例应用对象为装置芯片监测数据,其特征为一阶单因子递增数据序列,适用于累加处理方式,应用累加方式进行处理之后获得初步处理数据序列。
原始时标序列X0的一阶累加算子序列(1-accumulated genarating operation1-AGO)X1为:
X1={x1(1),x1(2),x1(3),...,x1(n)}
其中:
S403、以初步处理数据序列再次加权获得有效数据序列。
具体地,数据经过初步数据处理后获得的初步处理数据序列,再次进行加权处理即可获得有效数据序列,应用灰色预测模型进行数据预测。本发明实施例应用对象装置内关键芯片监测数据,不做特殊加权处理,直接以紧邻均值方式进行处理,依次获取到有效数据序列。
序列X1的紧邻均值序列为:
Z1={z1(1),z1(2),z1(3),...,z1(n)}
其中:z1(k)=1/2(x1(k-1)+x1(k))k=2,3,...
S302、基于处理后数据序列,计算灰色预测模型预测算子。
对于符合序列级比要求的数据序列,应用灰色预测模型进行预测,先以数据序列计算获得序列灰色预测模型预测算子。
灰色预测模型的均值方程(其中参数a称为发展系数,参数b称为灰色作用量):
x0(k)+az1(k)=b
对方程进行求解,均值方程白化微分方程(又称影子方程)为:
dx1(t)/dt+ax1(t)=b
方程的解为:x1(k)=Ce-ak+b/a;
当k=1时,取x1(1)=x0(1);可以得到:
x1(t)=(x0(1)-b/a)e-a(t-1)+b/a;
由此,可以计算得到灰色预测模型的时间相应式如下,也就是对应的序列预测值(x~1表示x1预测值)。
x~1(k+1)=(x0(1)-b/a)e-ak+b/a;
更新求解a、b的值,带入即可获得对应的预测值。通过采用向量化处理,持续获得数据序列不断更新之后的a、b值。
令:
则可得:U=(BT.B)-1BTY,由此可根据数据序列持续更新获得a,b值,代入到上述的预测值计算式中,便可以获得队列预测值。
随数据序列不断更新获得的向量U即为灰色预测模型预测算子。
S303、根据灰色预测算子,计算获取芯片监测数据的预测值。
具体地,根据数据序列,持续更新灰色预测模型预测算子,以更新获得的a、b值,计算获得对应的预测值。
x~1(k+1)=(x0(1)-b/a)e-ak+b/a;
再此计算获得原始队列的预测值,原序列的对应的预测值(x~0表示x0预测值)为:
x~0(k+1)=x~1(k+1)-x~0(k),k=1,2,...,n-1
获得芯片监测数据预测值之后,以预测值作为标准对监测值进行评分,处理方法请参阅图5。图5是以预测值作为判断基准对监测值进行评分方法的示意性流程图,如图5所示,该方法包括:S501至S503。
S501、开机运行设定初始化时间之后,开始监测预测值与监测值的一致性。
具体地,装置开机之后,装置内部关键芯片的一些监测数据(例如温度)在一段时间内从初始态逐步进入相对稳定的工作状态,在此期间内,芯片监测数据会在经历较大的变化幅度之后趋于平稳,在此过程中,预测模型的预测值逐步与实际监测值趋于一致。
为了能获得更加有效的预测算子,也为了缩小预测值与实测值之间的误差,在装置上设定一个开机初始化运行时间,在此时间内,预测模型收集装置关键芯片监测数据,并计算生成预测数据,但是不检查预测值预测精度,也不将预测值作为基准对监测值进行评分;在经过开机初始化运行时间之后,开始检查预测值与监测值的一致性。
本发明实施例中,考虑到变电站自动化装置运行特征,设置开机初始化运行时间为30分钟。
S502、采用差值比率法或者标准差比率法判断预测值与监测值的一致性。
具体地,在经过设定开机初始化运行时间之后,为保证预测模型预测有效性,先对预测值和监测值的一致性进行判断,判断方法可以应用差值比率法和标准差计算法进行判断。
沿用前述定义,应用差值比率法计算当前预测值与监测值差值跟最近m此监测值平均值的差值比率。
最近m次监测值平均值为:
当前预测值与监测值的差值比率:
当差值比率缩小到一定数值,即可认为预测值已经与监测值趋于一致。
采用标准差计算法,计算最近m次预测值的标准误差。为计算获得标注误差,先计算最近m次预测的总体标准差:
然后计算标准差:
当计算获得的标准差缩小到一定数值,即可认为预测值已经与监测值趋于一致。
S503、预测值与监测值趋于一致之后,采用单次标准差计算法以预测值作为基准对监测值进行评分。
具体的,判断预测值与监测值趋于一致之后,表明预测模型对于芯片监测值曲线有了很好的拟合;后续如果芯片监测值与预测值之间出现了较大的误差,非常有可能是芯片的工作状态出现了异常。
以预测值作为基准对监测值进行评分的方法采用单次标准差计算方法,计算最近一次监测值对预测值的标准差:
以计算所得标准差与模型标准差做比较得到评分值:D=σnew/σn。
S203、将芯片监测值评分与装置其他状态监测信息结合,输入至装置评价矩阵获得装置评价向量,以装置评价得到装置处置意见。
具体地,在完成装置内关键芯片监测信息评分之后,结合装置其他状态监测信息,共同构成装置监测向量,输入到装置评价矩阵,最终获得装置评价向量,并依此获得装置处理意见。装置评价矩阵的构建方法请参阅图6。图6是构建装置评价矩阵的示意性流程图,如图6所示,该方法包括:S601至S604。
S601、以评价因素对装置运行稳定性影响严重程度作为基础评价矩阵基础行向量。
具体地,装置不同关键芯片出现不同程度的异常,对于装置运行的影响程度各不相同,为能综合各芯片评分和装置监测信息,以评价因素对装置运行稳定性影响严重程度区分为不同级别作为基础评价矩阵基础行向量。在本发明实施例中,将装置运行稳定性影响程度统一确定为:重要功能异常、部分功能异常、有功能异常可能、稳定性有风险几个级别,在每个风险级对应位置填写影响系数;影响系数表示对装置稳定运行的影响,系数越大表明对装置运行稳定性影响越大。依此构建基础评价矩阵基础行向量。
w=(w1,w2,...wn)
S602、以装置内各芯片监测值评分结合装置状态监测数据作为评价矩阵的列数,以各对应影响因素作为对应数值共同构成基础评价矩阵。
具体地,根据每个装置不同情况,以装置各关键芯片评分结合装置状态监测信息,将每个量对应在每个风险级别的影响系数作为一行,共同组成基础评价矩阵。
S603、增加考虑运行老化影响,引入老化参数,以老化参数构建老化修正矩阵。
具体地,变电站自动化设备随着运行年限的增加,出故障的几率随时间变化尤其固有特征规律;一般来讲,在装置投入运行最初一段时间和运行较长时间之后相对来说更易出现故障;将运行老化影响引入到装置评价矩阵内,以老化参数构建老化修正矩阵。老化修正矩阵以装置运行时间按月份进行更新,每运行一个月份,更新一次老化修正矩阵参数。
S604、以老化修正矩阵和基础评价矩阵,共同构建成装置评价矩阵。
具体地,以老化修正矩阵和基础评价矩阵,共同构建成装置评价矩阵、其中基础评价矩阵按照装置关键芯片监测情况和装置监测信息情况进行设置;老化修正矩阵则对应装置运行老化情况。
以装置监测向量输入到装置评价矩阵,获得装置评价向量,并依此获得装置处置建议的方法请参阅图7。图7是以装置监测向量输入到装置评价矩阵,获得装置评价向量,并依此获得装置处置意见的方法的示意性流程图,如图7所示,该方法包括:S701至S703。
S701、以装置关键芯片评分结合装置状态监测信息共同构成装置监测向量。
具体地,将装置关键芯片评分结合装置状态监测信息依次排列,共同构成装置监测向量。
M=(c1,c2,...cm)T
S702、以装置监测向量,输入到装置评价矩阵,获得装置评价向量。
具体地,将实时监测获得的装置监测向量,输入到装置评价矩阵,通过计算得到装置评价向量。
得到的评价向量为n维向量,具体与基础评价矩阵基础行向量中的评价因素对装置运行稳定性影响严重程度想对应。可以写作:E=(e1,e2,...en)T。
S703、以装置评价向量为基础,区间判断获得装置处置意见。
具体地,在获得了装置评价向量之后,可以根据装置评价向量内不同程度装置运行稳定性影响的最终评价值,最终得到装置处置意见。在本发明实施例中,采用区间判断的方法依此进行处理:以评价值的数值区间判断对于本级装置运行稳定性影响程度,并给出对应的本级处置意见;获得各级处置意见之后,综合为装置处置意见。
综上,本发明实施例提供的基于关键芯片监测的变电站自动化设备监测方法,通过获取变电站设备关键芯片监测数据,将所获取的芯片监测数据输入至灰色预测模型进行预测,获取到监测数据的后续预测值;以预测模型预测值作为监测基准,对后续实际测量值进行评分;构建装置评价矩阵,以关键芯片评分结合芯片监测测量值作为数据输入到评价矩阵进行装置评价,获得装置评价向量;以装置评价向量,采用区间判断的方式产生装置处置意见。可以实现对变电站自动化装置进行实时和全周期的状态监测,并在设备故障前进行有效预警。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
请参考图8,图8是本发明一实施例提供的基于关键芯片监测的变电站自动化设备监测装置的结构示意图,该装置包括:
数据采集模块81,用于获取包括关键芯片监测数据在内的变电站自动化设备监测数据,所述监测数据包括不同属性的数据;
数据处理模块82,将关键芯片监测数据处理之后输入灰色预测模型,以模型预测值作为基准对后续的监测值进行评分;
装置评价模块83,结合关键芯片监测评分和装置其他的监测数据,采用装置评价矩阵对装置进行评价获得评价向量,最终产生装置处置建议。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本发明基于关键芯片监测的变电站自动化设备监测方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,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单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述基于关键芯片监测的变电站自动化设备监测方法实施例中的对应过程,在此不再赘述。
图9是本发明一实施例提供的终端设备的结构示意图。如图9所示,该实施例的终端设备9包括:至少一个处理器90(图9中仅示出一个)、存储器101以及存储在所述存储器91中并可在所述至少一个处理器90上运行的计算机程序92,所述处理器90执行所述计算机程序92时实现上述任意各个基于关键芯片监测的变电站自动化设备监测方法实施例中的步骤。
所述终端设备9可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括,但不仅限于,处理器90、存储器91。本领域技术人员可以理解,图9仅仅是终端设备9的举例,并不构成对终端设备9的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所述处理器90可以是中央处理单元(central processing unit,CPU),该处理器90还可以是其他通用处理器、数字信号处理器(digital signal processor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现场可编程门阵列(field-programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器91在一些实施例中可以是所述终端设备9的内部存储单元,例如终端设备9的硬盘或内存。所述存储器91在另一些实施例中也可以是所述终端设备9的外部存储设备,例如所述终端设备9上配备的插接式硬盘,智能存储卡(smart media card,SMC),安全数字(secure digital,SD)卡,闪存卡(flash card)等。进一步地,所述存储器91还可以既包括所述终端设备9的内部存储单元也包括外部存储设备。所述存储器91用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时可实现上述各实施例基于关键芯片监测的变电站自动化设备监测方法。
本发明实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行时实现上述各实施例基于关键芯片监测的变电站自动化设备监测方法。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质至少可以包括:能够将计算机程序代码携带到装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读存储介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以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。专业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。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种变电站自动化设备监测方法,其特征在于,包括:
获取变电站自动化设备关键芯片的监测数据,作为样本监测数据;
将样本监测数据输入至灰色预测模型进行预测,以预测值对监测值进行评分;
将所得的芯片监测值评分与装置其他状态监测信息结合,输入到装置评价矩阵获得装置评价向量,并以装置评价向量得到装置处置意见。
2.根据权利要求1所述的变电站自动化设备监测方法,其特征在于,所述芯片监测数据输入至灰色预测模型进行预测,具体包括:
对样本监测数据进行序列化处理,以满足灰色预测模型对数据序列进行预测的应用要求;
基于处理后数据序列,计算灰色预测模型预测算子;
根据灰色预测模型预测算子,计算芯片监测数据的预测值。
3.根据权利要求2所述的变电站自动化设备监测方法,其特征在于,对样本监测数据进行序列化处理,以满足灰色预测模型数据序列要求,具体包括:
获取样本监测数据的带时标数据,以时标顺序形成初始数据序列;
根据初始数据序列特征,采取累加、累减、加权累加和加权累减获得初步处理数据序列;
以初步处理数据序列再次加权获得有效数据序列。
4.根据权利要求2所述的变电站自动化设备监测方法,其特征在于,将样本监测数据输入至灰色预测模型进行预测,以预测值对监测值进行评分,具体包括:
开机运行设定初始化时间之后,开始监测预测值与监测值的一致性;
采用差值比率法或者标准差比率法判断预测值与监测值的一致性;
预测值与监测值趋于一致之后,采用单次标准差计算法以预测值作为基准对监测值进行评分。
5.根据权利要求1所述的变电站自动化设备监测方法,其特征在于,装置评价矩阵的构建方法包括:
以评价因素对变电站自动化设备运行稳定性影响严重程度作为基础评价矩阵基础行向量;
以变电站自动化设备内各芯片监测值评分结合装置状态监测数据作为评价矩阵的列数,以各对应影响因素作为对应数值共同构成基础评价矩阵;
增加考虑运行老化影响,引入老化参数,以老化参数构建老化修正矩阵;
以老化修正矩阵和基础评价矩阵,共同构建成装置评价矩阵。
6.根据权利要求1所述的变电站自动化设备监测方法,其特征在于,所述装置处置意见的获得,具体包括:
以芯片监测值评分结合装置其他状态监测信息共同构成装置监测向量;
以装置监测向量,输入到装置评价矩阵,获得装置评价向量;
以装置评价向量为基础,区间判断获得装置处置意见。
7.根据权利要求1所述的变电站自动化设备监测方法,其特征在于,在变电站部署变电站设备状态监测装置(20),变电站设备状态监测装置(20)具有数据交互枢纽功能,变电站设备状态监测装置(20)通过通信采集变电站自动化设备(30)的关键芯片监测信息和运行状态数据,利用灰色预测模型对关键芯片监测信息进行预测处理,以预测值作为基准对关键芯片后续监测信息评分,将芯片监测评分结合装置其他状态监测信息通过评价矩阵得到装置评价向量,以装置评价向量加权得到装置处置意见;变电站设备状态监测装置(20)将变电站设备监测信息、评分信息、评价信息及装置处置意见上送到监测主站(10)。
8.一种变电站自动化设备监测装置,其特征在于,包括:
数据采集模块,用于获取包括关键芯片监测数据在内的变电站自动化设备监测数据,所述监测数据包括不同属性的数据;
数据处理模块,将关键芯片监测数据处理之后输入灰色预测模型,以模型预测值作为基准对后续的监测值进行评分;
装置评价模块,结合关键芯片监测评分和变电站自动化设备其他的监测数据,采用装置评价矩阵对变电站自动化设备进行评价获得评价向量,最终产生装置处置意见。
9.一种终端设备,其特征在于,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的变电站自动化设备监测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的变电站自动化设备监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410081270.3A CN117893199A (zh) | 2024-01-19 | 2024-01-19 | 变电站自动化设备监测方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410081270.3A CN117893199A (zh) | 2024-01-19 | 2024-01-19 | 变电站自动化设备监测方法、装置、终端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117893199A true CN117893199A (zh) | 2024-04-16 |
Family
ID=90651879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410081270.3A Pending CN117893199A (zh) | 2024-01-19 | 2024-01-19 | 变电站自动化设备监测方法、装置、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117893199A (zh) |
-
2024
- 2024-01-19 CN CN202410081270.3A patent/CN117893199A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liao et al. | A hybrid framework combining data-driven and model-based methods for system remaining useful life prediction | |
US20210157310A1 (en) | System and method for forecasting industrial machine failures | |
Feng et al. | SOH and RUL prediction of Li-ion batteries based on improved Gaussian process regression | |
KR101941854B1 (ko) | 미취득 데이터 보정을 통한 부하 예측 시스템 및 방법 | |
US20200234165A1 (en) | Prediction method for aero-engine starting exhaust temperature | |
WO2023065584A1 (zh) | 设备的剩余使用寿命的确定方法、装置和电子设备 | |
US12007753B2 (en) | System and method for predicting industrial equipment motor behavior | |
WO2020242553A1 (en) | Failure prediction using gradient-based sensor identification | |
CN111625516A (zh) | 检测数据状态的方法、装置、计算机设备和存储介质 | |
CN110570544A (zh) | 飞机燃油系统故障识别方法、装置、设备和存储介质 | |
CN117176560A (zh) | 一种基于物联网的监测设备监管系统及其方法 | |
Yang et al. | A Fuzzy Comprehensive CS-SVR Model-based health status evaluation of radar | |
Pandit et al. | SCADA based nonparametric models for condition monitoring of a wind turbine | |
CN114879070A (zh) | 一种电池状态评估方法及相关设备 | |
EP4137815A1 (en) | Failure prediction system | |
CN115544803B (zh) | 一种变压器剩余寿命预测方法、装置、设备及存储介质 | |
KR102110319B1 (ko) | 학습 데이터 생성 시스템 | |
CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及系统 | |
CN116777281A (zh) | 一种基于arima模型的电力设备质量趋势预测方法及装置 | |
CN117893199A (zh) | 变电站自动化设备监测方法、装置、终端设备及存储介质 | |
Park et al. | A robust health prediction using Bayesian approach guided by physical constraints | |
CN114157486B (zh) | 通信流量数据异常检测方法、装置、电子设备及存储介质 | |
EP4015781B1 (en) | System for validating validity of sensor using control limit | |
CN114743703A (zh) | 核电站机组的可靠性分析方法、装置、设备和存储介质 | |
CN114510469A (zh) | 电力系统不良数据辨识方法、装置、设备及介质 |
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 |