CN117934248B - 一种电厂安全管控平台数据分析方法及系统 - Google Patents
一种电厂安全管控平台数据分析方法及系统 Download PDFInfo
- Publication number
- CN117934248B CN117934248B CN202410338355.5A CN202410338355A CN117934248B CN 117934248 B CN117934248 B CN 117934248B CN 202410338355 A CN202410338355 A CN 202410338355A CN 117934248 B CN117934248 B CN 117934248B
- Authority
- CN
- China
- Prior art keywords
- data
- variable
- management
- power plant
- control
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000007405 data analysis Methods 0.000 title claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000007726 management method Methods 0.000 claims description 229
- 238000013507 mapping Methods 0.000 claims description 73
- 230000002159 abnormal effect Effects 0.000 claims description 56
- 230000003321 amplification Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电厂安全管控平台数据分析方法及系统,涉及厂安全管控技术领域,分别将历史事故记录和推测事故记录中的每一事故事件和历史电厂管控数据进行映射关联,得到电厂管控数据参考集,将确定出来的当下特征因子在电厂管控数据参考集中进行相关性匹配,确定出当下电厂管控数据对应的可能事故事件,对事故爆发管控节点进行管控节点的反向遍历分析,确定出若干具有相关性的相关管控节点,并计算每一相关管控节点相对事故爆发管控节点之间的危害相关度,对大于危害相关度阈值的相关管控节点进行高危提示,本发明通过上述技术方案实现了对管控平台数据的预测性分析,对于可能发生的危害情况进行事先报警。
Description
技术领域
本发明涉及电厂安全管控技术领域,尤其涉及一种电厂安全管控平台数据分析方法及系统。
背景技术
电力产业中,电厂的安全运营是至关重要的;一个结构完善、运行高效且安全的电厂不仅可以保障持续稳定的电力供应,还能避免因事故导致的人员伤亡和经济损失。随着信息技术和数据科学的发展,传统的以人工检查和定期维护为主的安全管理方法逐渐向利用数据分析和实时监控过渡;这种趋势催生了电厂安全管控平台数据分析方法和系统的发展。
现有的电厂安全管控平台通常集成了大量的传感器和监测设备,这些设备能够提供关于电厂各个角落的实时数据,如温度、压力、湿度、流量、振动等参数。通过收集和分析这些数据,可以对设备的健康状况进行实时监控,但上述监控方法大多只能发现已经出现危害的异常情况,无法就管控数据的表现进行事先的预警,进而及时进行处置。
发明内容
本发明的目的是为了提供一种能够根据管控数据的表现进行事先预警的电厂安全管控平台数据分析方法及系统。
本发明公开了一种电厂安全管控平台数据分析方法,包括:
获取历史电厂管控数据,并基于历史电厂管控数据进行特征因子分析,并将确定出来的特征因子对历史电厂管控数据进行标记,其中所述特征因子包括温度因子、压力因子和湿度因子;
获取历史事故记录,并基于历史事故记录中每一历史事故事件的危害程度分析,对每一历史事故事件标记危害程度,得到已标记历史事故记录;
构建推测事故事件,并对每一推测事故事件进行危害程度分析,并对每一推测事故事件标记危害程度,得到推测事故记录;
分别将历史事故记录和推测事故记录中的每一事故事件和历史电厂管控数据进行映射关联,得到电厂管控数据参考集;
获取当下电厂管控数据,并对当下电厂管控数据进行特征因子分析,并将确定出来的当下特征因子在电厂管控数据参考集中进行相关性匹配,确定出当下电厂管控数据对应的可能事故事件;
将当下管控数据对应的可能事故事件所属的管控节点记为事故爆发管控节点,对事故爆发管控节点进行管控节点的反向遍历分析,确定出若干具有相关性的相关管控节点,并计算每一相关管控节点相对事故爆发管控节点之间的危害相关度;
对大于危害相关度阈值的相关管控节点进行高危提示。
在本发明公开的一些实施例中,对历史电厂管控数据进行特征因子分析的方法包括:
预设若干数据因子类型,并基于每一数据因子类型对历史电厂管控数据进行扫描提取,得到若干数据因子;
基于数据因子所属的数据因子类型,确定数据因子的正常变量波动区间和异常变量波动区间,并基于等同的数据因子的集中表现,对数据因子的正常变量波动区间和异常变量波动区间进行划分,得到正常变量子区间和异常变量子区间,并基于等同的数据因子的集中表现,对不同的正常变量子区间和异常变量子区间配置特征性基础值;
基于数据因子所属的正常变量子区间或异常变量子区间,确定数据因子对应的特征性基础值,并基于数据因子所属的数据因子类型,对特征性基础值配置重要程度权重,得到数据因子的特征性参考值;
设定有特征性参考阈值,若存在数据因子的特征性参考值大于等于特征性参考阈值,则将所述数据因子认定为特征因子。
在本发明公开的一些实施例中,对数据因子的正常变量波动区间和异常变量波动区间进行划分的方法包括:
将等同的数据因子对应的变量映射于正常变量波动区间或异常变量波动区间,形成变量映射点;
对正常变量波动区间或异常变量波动区间进行动态区段扫描,并统计动态区段内的变量映射点数量,若动态区段内的变量映射点数量与变量映射点数量总和的第一映射点比值不符合预设标准,则逐步扩大动态区段,直到第一映射点比值符合预设标准,并将此时的动态区段长度认定为对正常变量波动区间和异常变量波动区间进行划分的间隔长度。
在本发明公开的一些实施例中,对不同的正常变量子区间和异常变量子区间配置特征性基础值的方法包括:
将等同的数据因子对应的变量映射于正常变量波动区间或异常变量波动区间,形成变量映射点;
对每一正常变量子区间或异常变量子区间内的变量映射点进行统计,并计算各个变量子区间中变量映射点数量与变量映射点数量总和的第二映射点比值;
基于变量子区间的第二映射点比值与最大映射点比值的差异量,确定正常变量子区间或异常变量子区间的特征性基础值;
其中,计算特征性基础值的表达式为:
;
其中,为特征性基础值,/>为特征性基础值转换系数,/>为第二映射点比值,为最大映射点比值,/>为差异量区间判断函数,/>根据所属的差异量区间,输出对应基础值计算参数,/>为计算参数调整常数。
在本发明公开的一些实施例中,将确定出来的当下特征因子在电厂管控数据参考集中进行相关性匹配的方法包括:
将确定出的每一当下特征因子依次代入电厂管控数据参考集中进行筛选,并将最后筛选出来的历史电厂管控数据进行输出;
将最后筛选出来的历史电厂管控数据分别和当下电厂管控数据中的若干等同的数据因子分别进行线性拟合,得到若干对数据变量因子曲线;
同时动态平移历史电厂管控数据对应的若干数据变量因子曲线或当下电厂管控数据对应的若干数据变量因子曲线,并实时计算等同的数据因子曲线之间的第一相似程度,并基于若干等同的数据因子曲线之间的第一相似程度,确定历史电厂管控数据和当下电厂管控数据之间的第二相似程度;
基于第二相似程度,确定出最匹配历史电厂管控数据;
将最匹配历史管控数据对应的历史事故时间或推测事故事件认定为可能事故事件。
在本发明公开的一些实施例中,计算历史电厂管控数据和当下电厂管控数据之间的第二相似程度的方法包括:
针对数据变量因子曲线按照均匀间隔设定有若干数据采集点,并计算相对的数据采集点之间的数据变量差值,并对连续的数据变量差值进行判断,确定出数据变量差值连续区段;
基于数据变量差值以及数据变量差值连续区段的表现,得到等同的数据因子曲线之间的第一相似程度;
针对不同的数据变量因子曲线配置有不同的权重系数,并结合第一相似程度,确定历史电厂管控数据和当下管控数据之间的第二相似程度;
计算第一相似程度的表达式为:
;
其中,为第一相似程度,/>为相似程度转换系数,n为数据变量因子曲线中数据采集点的数量,i表示第i个数据采集点,/>为连续区段判断函数,若第i个数据采集节点处于数据变量差值连续区段,则根据数据变量差值连续区段的长度输出数据变量差值扩增参数,/>为扩增参数调整常数,/>为第i个数据采集点对应的数据变量差值;
计算第二相似程度的表达式为:
;
其中,为第二相似程度,/>为数据变量因子曲线的数量,/>为第m个数据变量因子曲线的权重系数,/>为第m对数据变量因子曲线对应的第一相似程度。
在本发明公开的一些实施例中,计算每一相关管控节点相对事故爆发管控节点之间的危害相关度的方法包括:
基于管控数据采集的位置点之间的关系或者管控行为发生的工艺顺序关系,构建管控流程树;
在管控流程树上锁定事故爆发管控节点的位置,并反向遍历预设层级数,筛选出若干相关管控节点;
基于管控节点的所属类型,确定最近层级的危害相关度以及相邻层级之间的危害相关度累减值,并基于相关管控节点相距事故爆发管控节点的层级数,计算得到相关管控节点的危害相关度。
在本发明公开的一些实施例中,还公开了一种安全管控平台数据分析系统,包括:
第一模块,用于获取历史电厂管控数据,并基于历史电厂管控数据进行特征因子分析,并将确定出来的特征因子对历史电厂管控数据进行标记,其中所述特征因子包括温度因子、压力因子和湿度因子;
第二模块,用于获取历史事故记录,并基于历史事故记录中每一历史事故事件的危害程度分析,对每一历史事故事件标记危害程度,得到已标记历史事故记录,还用于构建推测事故事件,并对每一推测事故事件进行危害程度分析,并对每一推测事故事件标记危害程度,得到推测事故记录,并分别将历史事故记录和推测事故记录中的每一事故事件和历史电厂管控数据进行映射关联,得到电厂管控数据参考集;
第三模块,用于获取当下电厂管控数据,并对当下电厂管控数据进行特征因子分析,并将确定出来的当下特征因子在电厂管控数据参考集中进行相关性匹配,确定出当下电厂管控数据对应的可能事故事件;
第四模块,用于将当下管控数据对应的可能事故事件所属的管控节点记为事故爆发管控节点,对事故爆发管控节点进行管控节点的反向遍历分析,确定出若干具有相关性的相关管控节点,并计算每一相关管控节点相对事故爆发管控节点之间的危害相关度;
第五模块,用于对大于危害相关度阈值的相关管控节点进行高危提示。
本发明公开了一种电厂安全管控平台数据分析方法及系统,涉及厂安全管控技术领域,分别将历史事故记录和推测事故记录中的每一事故事件和历史电厂管控数据进行映射关联,得到电厂管控数据参考集,将确定出来的当下特征因子在电厂管控数据参考集中进行相关性匹配,确定出当下电厂管控数据对应的可能事故事件,对事故爆发管控节点进行管控节点的反向遍历分析,确定出若干具有相关性的相关管控节点,并计算每一相关管控节点相对事故爆发管控节点之间的危害相关度,对大于危害相关度阈值的相关管控节点进行高危提示,本发明通过上述技术方案实现了对管控平台数据的预测性分析,对于可能发生的危害情况进行事先报警。
附图说明
图1为本发明公开的一种电厂安全管控平台数据分析方法的方法步骤图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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。
本发明的目的是为了提供一种能够根据管控数据的表现进行事先预警的电厂安全管控平台数据分析方法及系统。
本发明公开了一种电厂安全管控平台数据分析方法,参阅图1,包括:
步骤S100,获取历史电厂管控数据,并基于历史电厂管控数据进行特征因子分析,并将确定出来的特征因子对历史电厂管控数据进行标记。
这一步中,通过对历史数据进行特征因子分析,可以识别出与电厂运行和安全相关的关键特征;这些特征可能包括温度、压力、湿度等参数,以及与管控措施相关的因素;通过对这些特征进行分析,可以了解历史数据的模式和趋势,为后续的风险评估提供基础。
在本发明公开的一些实施例中,对历史电厂管控数据进行特征因子分析的方法包括:
步骤S101,预设若干数据因子类型,并基于每一数据因子类型对历史电厂管控数据进行扫描提取,得到若干数据因子。
在这一步中,首先确定数据因子的类型,例如温度、压力、湿度等,然后对历史电厂管控数据进行扫描提取,得到这些预设类型的数据因子;这一步骤有助于将数据按照不同的因子类型进行分类和处理。
步骤S102,基于数据因子所属的数据因子类型,确定数据因子的正常变量波动区间和异常变量波动区间,并基于等同的数据因子的集中表现,对数据因子的正常变量波动区间和异常变量波动区间进行划分,得到正常变量子区间和异常变量子区间,并基于等同的数据因子的集中表现,对不同的正常变量子区间和异常变量子区间配置特征性基础值。
在这一步中,基于数据因子类型,确定其正常变量和异常变量的波动区间,并根据历史数据对这些波动区间进行划分,得到正常变量子区间和异常变量子区间;同时根据历史数据的表现,配置特征性基础值,以便后续识别和分析。
步骤S103,基于数据因子所属的正常变量子区间或异常变量子区间,确定数据因子对应的特征性基础值,并基于数据因子所属的数据因子类型,对特征性基础值配置重要程度权重,得到数据因子的特征性参考值。
在这一步中,根据数据因子所属的正常变量子区间或异常变量子区间,确定其对应的特征性基础值;同时,根据数据因子类型,为这些特征性基础值配置重要程度权重,以综合考虑不同因子的重要性。
步骤S104,设定有特征性参考阈值,若存在数据因子的特征性参考值大于等于特征性参考阈值,则将所述数据因子认定为特征因子。
在这一步中,设定特征性参考阈值,若某数据因子的特征性参考值大于等于该阈值,则认定该数据因子为特征因子;这有助于筛选出对电厂管控具有重要影响的因子,为后续分析提供重要依据。
在本发明公开的一些实施例中,对数据因子的正常变量波动区间和异常变量波动区间进行划分的方法包括:
步骤S1021,将等同的数据因子对应的变量映射于正常变量波动区间或异常变量波动区间,形成变量映射点。
步骤S1022,对正常变量波动区间或异常变量波动区间进行动态区段扫描,并统计动态区段内的变量映射点数量,若动态区段内的变量映射点数量与变量映射点数量总和的第一映射点比值不符合预设标准,则逐步扩大动态区段,直到第一映射点比值符合预设标准,并将此时的动态区段长度认定为对正常变量波动区间和异常变量波动区间进行划分的间隔长度。
在本发明公开的一些实施例中,对不同的正常变量子区间和异常变量子区间配置特征性基础值的方法包括:
步骤S1031,将等同的数据因子对应的变量映射于正常变量波动区间或异常变量波动区间,形成变量映射点。
步骤S1032,对每一正常变量子区间或异常变量子区间内的变量映射点进行统计,并计算各个变量子区间中变量映射点数量与变量映射点数量总和的第二映射点比值。
步骤S1033,基于变量子区间的第二映射点比值与最大映射点比值的差异量,确定正常变量子区间或异常变量子区间的特征性基础值。
其中,计算特征性基础值的表达式为:
。
其中,为特征性基础值,/>为特征性基础值转换系数,/>为第二映射点比值,为最大映射点比值,/>为差异量区间判断函数,/>根据所属的差异量区间,输出对应基础值计算参数,/>为计算参数调整常数。
步骤S200,获取历史事故记录,并基于历史事故记录中每一历史事故事件的危害程度分析,对每一历史事故事件标记危害程度,得到已标记历史事故记录。
这一步中,分析历史事故记录的危害程度有助于了解不同类型事故对电厂运行安全的影响程度;这些分析可以帮助确定事故类型及其对生产和环境的影响程度,为后续风险评估提供依据。
步骤S300,构建推测事故事件,并对每一推测事故事件进行危害程度分析,并对每一推测事故事件标记危害程度,得到推测事故记录。
在这一步中,基于历史数据和经验,推测可能的事故事件,并对其危害程度进行分析;这有助于预测未来潜在的事故风险,为风险管理提供参考。
步骤S400,分别将历史事故记录和推测事故记录中的每一事故事件和历史电厂管控数据进行映射关联,得到电厂管控数据参考集。
在这一步中,将历史数据与事故记录进行关联,可以建立历史数据和事故事件之间的联系。这有助于理解历史数据与事故之间的关系,为后续的风险评估和预测提供依据。
步骤S500,获取当下电厂管控数据,并对当下电厂管控数据进行特征因子分析,并将确定出来的当下特征因子在电厂管控数据参考集中进行相关性匹配,确定出当下电厂管控数据对应的可能事故事件。
在这一步中,通过分析当前数据的特征因子,并将其与历史数据参考集进行匹配,可以识别出当前电厂可能出现的事故事件;这有助于实时监测和预测电厂运行中的潜在风险。
在本发明公开的一些实施例中,将确定出来的当下特征因子在电厂管控数据参考集中进行相关性匹配的方法包括:
步骤S501,将确定出的每一当下特征因子依次代入电厂管控数据参考集中进行筛选,并将最后筛选出来的历史电厂管控数据进行输出。
步骤S502,将最后筛选出来的历史电厂管控数据分别和当下电厂管控数据中的若干等同的数据因子分别进行线性拟合,得到若干对数据变量因子曲线。
步骤S503,同时动态平移历史电厂管控数据对应的若干数据变量因子曲线或当下电厂管控数据对应的若干数据变量因子曲线,并实时计算等同的数据因子曲线之间的第一相似程度,并基于若干等同的数据因子曲线之间的第一相似程度,确定历史电厂管控数据和当下电厂管控数据之间的第二相似程度。
步骤S504,基于第二相似程度,确定出最匹配历史电厂管控数据。
步骤S505,将最匹配历史管控数据对应的历史事故时间或推测事故事件认定为可能事故事件。
在本发明公开的一些实施例中,计算历史电厂管控数据和当下电厂管控数据之间的第二相似程度的方法包括:
步骤S5031,针对数据变量因子曲线按照均匀间隔设定有若干数据采集点,并计算相对的数据采集点之间的数据变量差值,并对连续的数据变量差值进行判断,确定出数据变量差值连续区段。
步骤S5032,基于数据变量差值以及数据变量差值连续区段的表现,得到等同的数据因子曲线之间的第一相似程度。
步骤S5033,针对不同的数据变量因子曲线配置有不同的权重系数,并结合第一相似程度,确定历史电厂管控数据和当下管控数据之间的第二相似程度。
计算第一相似程度的表达式为:
。
其中,为第一相似程度,/>为相似程度转换系数,n为数据变量因子曲线中数据采集点的数量,i表示第i个数据采集点,/>为连续区段判断函数,若第i个数据采集节点处于数据变量差值连续区段,则根据数据变量差值连续区段的长度输出数据变量差值扩增参数,/>为扩增参数调整常数,/>为第i个数据采集点对应的数据变量差值;
计算第二相似程度的表达式为:
。
其中,为第二相似程度,/>为数据变量因子曲线的数量,/>为第m个数据变量因子曲线的权重系数,/>为第m对数据变量因子曲线对应的第一相似程度。
步骤S600,将当下管控数据对应的可能事故事件所属的管控节点记为事故爆发管控节点,对事故爆发管控节点进行管控节点的反向遍历分析,确定出若干具有相关性的相关管控节点,并计算每一相关管控节点相对事故爆发管控节点之间的危害相关度。
在这一步中,识别可能的事故爆发管控节点,并分析其周围的相关管控节点,可以理解事故事件扩散的路径和影响;评估相关节点之间的危害相关度有助于确定潜在的风险来源和传播路径。
在本发明公开的一些实施例中,计算每一相关管控节点相对事故爆发管控节点之间的危害相关度的方法包括:
步骤S601,基于管控数据采集的位置点之间的关系或者管控行为发生的工艺顺序关系,构建管控流程树。
在这一步中,构建管控流程树是为了更好地理解不同管控节点之间的关系。这个关系可以是基于它们在物理位置上的布局,或者是根据工艺流程中的顺序关系;例如,某些操作可能需要在其他操作之后才能执行,这种顺序关系对于理解整个系统的运作至关重要。通过构建这棵树,我们可以清晰地看到每个节点(即管控行为)在整个流程中的位置和作用。
步骤S602,在管控流程树上锁定事故爆发管控节点的位置,并反向遍历预设层级数,筛选出若干相关管控节点。
在这一步中,在管控流程树上确定事故爆发管控节点的位置,并向上反向遍历预设层级数,以查找与之相关的其他管控节点;这一步骤的目的是确定可能影响事故爆发的其他管控节点,以便进行进一步分析和评估。
步骤S603,基于管控节点的所属类型,确定最近层级的危害相关度以及相邻层级之间的危害相关度累减值,并基于相关管控节点相距事故爆发管控节点的层级数,计算得到相关管控节点的危害相关度。
在这一步中,基于管控节点的所属类型,确定最近层级的危害相关度以及相邻层级之间的危害相关度累减值;根据相关管控节点与事故爆发管控节点之间的层级数,计算得到相关管控节点的危害相关度;这一步骤有助于理解不同管控节点对事故爆发的影响程度。
步骤S700,对大于危害相关度阈值的相关管控节点进行高危提示。
在本发明公开的一些实施例中,还公开了一种安全管控平台数据分析系统,包括:第一模块、第二模块、第三模块、第四模块和第五模块。
第一模块,用于获取历史电厂管控数据,并基于历史电厂管控数据进行特征因子分析,并将确定出来的特征因子对历史电厂管控数据进行标记;
第二模块,用于获取历史事故记录,并基于历史事故记录中每一历史事故事件的危害程度分析,对每一历史事故事件标记危害程度,得到已标记历史事故记录,还用于构建推测事故事件,并对每一推测事故事件进行危害程度分析,并对每一推测事故事件标记危害程度,得到推测事故记录,并分别将历史事故记录和推测事故记录中的每一事故事件和历史电厂管控数据进行映射关联,得到电厂管控数据参考集;
第三模块,用于获取当下电厂管控数据,并对当下电厂管控数据进行特征因子分析,并将确定出来的当下特征因子在电厂管控数据参考集中进行相关性匹配,确定出当下电厂管控数据对应的可能事故事件;
第四模块,用于将当下管控数据对应的可能事故事件所属的管控节点记为事故爆发管控节点,对事故爆发管控节点进行管控节点的反向遍历分析,确定出若干具有相关性的相关管控节点,并计算每一相关管控节点相对事故爆发管控节点之间的危害相关度;
第五模块,用于对大于危害相关度阈值的相关管控节点进行高危提示。
本发明公开了一种电厂安全管控平台数据分析方法及系统,涉及厂安全管控技术领域,分别将历史事故记录和推测事故记录中的每一事故事件和历史电厂管控数据进行映射关联,得到电厂管控数据参考集,将确定出来的当下特征因子在电厂管控数据参考集中进行相关性匹配,确定出当下电厂管控数据对应的可能事故事件,对事故爆发管控节点进行管控节点的反向遍历分析,确定出若干具有相关性的相关管控节点,并计算每一相关管控节点相对事故爆发管控节点之间的危害相关度,对大于危害相关度阈值的相关管控节点进行高危提示,本发明通过上述技术方案实现了对管控平台数据的预测性分析,对于可能发生的危害情况进行事先报警。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种电厂安全管控平台数据分析方法,其特征在于,包括:
获取历史电厂管控数据,并基于历史电厂管控数据进行特征因子分析,并将确定出来的特征因子对历史电厂管控数据进行标记,其中所述特征因子包括温度因子、压力因子和湿度因子;
获取历史事故记录,并基于历史事故记录中每一历史事故事件的危害程度分析,对每一历史事故事件标记危害程度,得到已标记历史事故记录;
构建推测事故事件,并对每一推测事故事件进行危害程度分析,并对每一推测事故事件标记危害程度,得到推测事故记录;
分别将历史事故记录和推测事故记录中的每一事故事件和历史电厂管控数据进行映射关联,得到电厂管控数据参考集;
获取当下电厂管控数据,并对当下电厂管控数据进行特征因子分析,并将确定出来的当下特征因子在电厂管控数据参考集中进行相关性匹配,确定出当下电厂管控数据对应的可能事故事件;
将当下管控数据对应的可能事故事件所属的管控节点记为事故爆发管控节点,对事故爆发管控节点进行管控节点的反向遍历分析,确定出若干具有相关性的相关管控节点,并计算每一相关管控节点相对事故爆发管控节点之间的危害相关度;
对大于危害相关度阈值的相关管控节点进行高危提示;
对历史电厂管控数据进行特征因子分析的方法包括:
预设若干数据因子类型,并基于每一数据因子类型对历史电厂管控数据进行扫描提取,得到若干数据因子;
基于数据因子所属的数据因子类型,确定数据因子的正常变量波动区间和异常变量波动区间,并基于等同的数据因子的集中表现,对数据因子的正常变量波动区间和异常变量波动区间进行划分,得到正常变量子区间和异常变量子区间,并基于等同的数据因子的集中表现,对不同的正常变量子区间和异常变量子区间配置特征性基础值;
基于数据因子所属的正常变量子区间或异常变量子区间,确定数据因子对应的特征性基础值,并基于数据因子所属的数据因子类型,对特征性基础值配置重要程度权重,得到数据因子的特征性参考值;
设定有特征性参考阈值,若存在数据因子的特征性参考值大于等于特征性参考阈值,则将所述数据因子认定为特征因子;
对数据因子的正常变量波动区间和异常变量波动区间进行划分的方法包括:
将等同的数据因子对应的变量映射于正常变量波动区间或异常变量波动区间,形成变量映射点;
对正常变量波动区间或异常变量波动区间进行动态区段扫描,并统计动态区段内的变量映射点数量,若动态区段内的变量映射点数量与变量映射点数量总和的第一映射点比值不符合预设标准,则逐步扩大动态区段,直到第一映射点比值符合预设标准,并将此时的动态区段长度认定为对正常变量波动区间和异常变量波动区间进行划分的间隔长度;
对不同的正常变量子区间和异常变量子区间配置特征性基础值的方法包括:
将等同的数据因子对应的变量映射于正常变量波动区间或异常变量波动区间,形成变量映射点;
对每一正常变量子区间或异常变量子区间内的变量映射点进行统计,并计算各个变量子区间中变量映射点数量与变量映射点数量总和的第二映射点比值;
基于变量子区间的第二映射点比值与最大映射点比值的差异量,确定正常变量子区间或异常变量子区间的特征性基础值;
其中,计算特征性基础值的表达式为:
;
其中,为特征性基础值,/>为特征性基础值转换系数,/>为第二映射点比值,/>为最大映射点比值,/>为差异量区间判断函数,/>根据/>所属的差异量区间,输出对应基础值计算参数,/>为计算参数调整常数;
将确定出来的当下特征因子在电厂管控数据参考集中进行相关性匹配的方法包括:
将确定出的每一当下特征因子依次代入电厂管控数据参考集中进行筛选,并将最后筛选出来的历史电厂管控数据进行输出;
将最后筛选出来的历史电厂管控数据分别和当下电厂管控数据中的若干等同的数据因子分别进行线性拟合,得到若干对数据变量因子曲线;
同时动态平移历史电厂管控数据对应的若干数据变量因子曲线或当下电厂管控数据对应的若干数据变量因子曲线,并实时计算等同的数据因子曲线之间的第一相似程度,并基于若干等同的数据因子曲线之间的第一相似程度,确定历史电厂管控数据和当下电厂管控数据之间的第二相似程度;
基于第二相似程度,确定出最匹配历史电厂管控数据;
将最匹配历史管控数据对应的历史事故时间或推测事故事件认定为可能事故事件;
计算历史电厂管控数据和当下电厂管控数据之间的第二相似程度的方法包括:
针对数据变量因子曲线按照均匀间隔设定有若干数据采集点,并计算相对的数据采集点之间的数据变量差值,并对连续的数据变量差值进行判断,确定出数据变量差值连续区段;
基于数据变量差值以及数据变量差值连续区段的表现,得到等同的数据因子曲线之间的第一相似程度;
针对不同的数据变量因子曲线配置有不同的权重系数,并结合第一相似程度,确定历史电厂管控数据和当下管控数据之间的第二相似程度;
计算第一相似程度的表达式为:
;
其中,为第一相似程度,/>为相似程度转换系数,n为数据变量因子曲线中数据采集点的数量,i表示第i个数据采集点,/>为连续区段判断函数,若第i个数据采集节点处于数据变量差值连续区段,则根据数据变量差值连续区段的长度输出数据变量差值扩增参数,/>为扩增参数调整常数,/>为第i个数据采集点对应的数据变量差值;
计算第二相似程度的表达式为:
;
其中,为第二相似程度,/>为数据变量因子曲线的数量,/>为第m个数据变量因子曲线的权重系数,/>为第m对数据变量因子曲线对应的第一相似程度。
2.根据权利要求1所述的一种电厂安全管控平台数据分析方法,其特征在于,计算每一相关管控节点相对事故爆发管控节点之间的危害相关度的方法包括:
基于管控数据采集的位置点之间的关系或者管控行为发生的工艺顺序关系,构建管控流程树;
在管控流程树上锁定事故爆发管控节点的位置,并反向遍历预设层级数,筛选出若干相关管控节点;
基于管控节点的所属类型,确定最近层级的危害相关度以及相邻层级之间的危害相关度累减值,并基于相关管控节点相距事故爆发管控节点的层级数,计算得到相关管控节点的危害相关度。
3.一种电厂安全管控平台数据分析系统,其特征在于,包括:
第一模块,用于获取历史电厂管控数据,并基于历史电厂管控数据进行特征因子分析,并将确定出来的特征因子对历史电厂管控数据进行标记,其中所述特征因子包括温度因子、压力因子和湿度因子;
第二模块,用于获取历史事故记录,并基于历史事故记录中每一历史事故事件的危害程度分析,对每一历史事故事件标记危害程度,得到已标记历史事故记录,还用于构建推测事故事件,并对每一推测事故事件进行危害程度分析,并对每一推测事故事件标记危害程度,得到推测事故记录,并分别将历史事故记录和推测事故记录中的每一事故事件和历史电厂管控数据进行映射关联,得到电厂管控数据参考集;
第三模块,用于获取当下电厂管控数据,并对当下电厂管控数据进行特征因子分析,并将确定出来的当下特征因子在电厂管控数据参考集中进行相关性匹配,确定出当下电厂管控数据对应的可能事故事件;
第四模块,用于将当下管控数据对应的可能事故事件所属的管控节点记为事故爆发管控节点,对事故爆发管控节点进行管控节点的反向遍历分析,确定出若干具有相关性的相关管控节点,并计算每一相关管控节点相对事故爆发管控节点之间的危害相关度;
第五模块,用于对大于危害相关度阈值的相关管控节点进行高危提示;
对历史电厂管控数据进行特征因子分析的方法包括:
预设若干数据因子类型,并基于每一数据因子类型对历史电厂管控数据进行扫描提取,得到若干数据因子;
基于数据因子所属的数据因子类型,确定数据因子的正常变量波动区间和异常变量波动区间,并基于等同的数据因子的集中表现,对数据因子的正常变量波动区间和异常变量波动区间进行划分,得到正常变量子区间和异常变量子区间,并基于等同的数据因子的集中表现,对不同的正常变量子区间和异常变量子区间配置特征性基础值;
基于数据因子所属的正常变量子区间或异常变量子区间,确定数据因子对应的特征性基础值,并基于数据因子所属的数据因子类型,对特征性基础值配置重要程度权重,得到数据因子的特征性参考值;
设定有特征性参考阈值,若存在数据因子的特征性参考值大于等于特征性参考阈值,则将所述数据因子认定为特征因子;
对数据因子的正常变量波动区间和异常变量波动区间进行划分的方法包括:
将等同的数据因子对应的变量映射于正常变量波动区间或异常变量波动区间,形成变量映射点;
对正常变量波动区间或异常变量波动区间进行动态区段扫描,并统计动态区段内的变量映射点数量,若动态区段内的变量映射点数量与变量映射点数量总和的第一映射点比值不符合预设标准,则逐步扩大动态区段,直到第一映射点比值符合预设标准,并将此时的动态区段长度认定为对正常变量波动区间和异常变量波动区间进行划分的间隔长度;
对不同的正常变量子区间和异常变量子区间配置特征性基础值的方法包括:
将等同的数据因子对应的变量映射于正常变量波动区间或异常变量波动区间,形成变量映射点;
对每一正常变量子区间或异常变量子区间内的变量映射点进行统计,并计算各个变量子区间中变量映射点数量与变量映射点数量总和的第二映射点比值;
基于变量子区间的第二映射点比值与最大映射点比值的差异量,确定正常变量子区间或异常变量子区间的特征性基础值;
其中,计算特征性基础值的表达式为:
;
其中,为特征性基础值,/>为特征性基础值转换系数,/>为第二映射点比值,/>为最大映射点比值,/>为差异量区间判断函数,/>根据/>所属的差异量区间,输出对应基础值计算参数,/>为计算参数调整常数;
将确定出来的当下特征因子在电厂管控数据参考集中进行相关性匹配的方法包括:
将确定出的每一当下特征因子依次代入电厂管控数据参考集中进行筛选,并将最后筛选出来的历史电厂管控数据进行输出;
将最后筛选出来的历史电厂管控数据分别和当下电厂管控数据中的若干等同的数据因子分别进行线性拟合,得到若干对数据变量因子曲线;
同时动态平移历史电厂管控数据对应的若干数据变量因子曲线或当下电厂管控数据对应的若干数据变量因子曲线,并实时计算等同的数据因子曲线之间的第一相似程度,并基于若干等同的数据因子曲线之间的第一相似程度,确定历史电厂管控数据和当下电厂管控数据之间的第二相似程度;
基于第二相似程度,确定出最匹配历史电厂管控数据;
将最匹配历史管控数据对应的历史事故时间或推测事故事件认定为可能事故事件;
计算历史电厂管控数据和当下电厂管控数据之间的第二相似程度的方法包括:
针对数据变量因子曲线按照均匀间隔设定有若干数据采集点,并计算相对的数据采集点之间的数据变量差值,并对连续的数据变量差值进行判断,确定出数据变量差值连续区段;
基于数据变量差值以及数据变量差值连续区段的表现,得到等同的数据因子曲线之间的第一相似程度;
针对不同的数据变量因子曲线配置有不同的权重系数,并结合第一相似程度,确定历史电厂管控数据和当下管控数据之间的第二相似程度;
计算第一相似程度的表达式为:
;
其中,为第一相似程度,/>为相似程度转换系数,n为数据变量因子曲线中数据采集点的数量,i表示第i个数据采集点,/>为连续区段判断函数,若第i个数据采集节点处于数据变量差值连续区段,则根据数据变量差值连续区段的长度输出数据变量差值扩增参数,/>为扩增参数调整常数,/>为第i个数据采集点对应的数据变量差值;
计算第二相似程度的表达式为:
;
其中,为第二相似程度,/>为数据变量因子曲线的数量,/>为第m个数据变量因子曲线的权重系数,/>为第m对数据变量因子曲线对应的第一相似程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410338355.5A CN117934248B (zh) | 2024-03-25 | 2024-03-25 | 一种电厂安全管控平台数据分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410338355.5A CN117934248B (zh) | 2024-03-25 | 2024-03-25 | 一种电厂安全管控平台数据分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117934248A CN117934248A (zh) | 2024-04-26 |
CN117934248B true CN117934248B (zh) | 2024-06-25 |
Family
ID=90763345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410338355.5A Active CN117934248B (zh) | 2024-03-25 | 2024-03-25 | 一种电厂安全管控平台数据分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117934248B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118095812A (zh) * | 2024-04-29 | 2024-05-28 | 山东汇通创软信息技术有限公司 | 一种电厂智能巡检管理方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214595A (zh) * | 2018-10-23 | 2019-01-15 | 中核核电运行管理有限公司 | 基于大数据分析的核电厂主泵三级密封故障预测方法 |
CN114358500A (zh) * | 2021-12-06 | 2022-04-15 | 国网辽宁省电力有限公司电力科学研究院 | 中压配电网多源多维停电预警与应对策略生成方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270271B (zh) * | 2011-05-03 | 2014-03-19 | 北京中瑞泰科技有限公司 | 基于相似度曲线的设备故障早期预警及优化的方法和系统 |
CN112257988A (zh) * | 2020-09-29 | 2021-01-22 | 中广核工程有限公司 | 核电厂复杂事故特征识别及风险预警系统和方法 |
CN117149498B (zh) * | 2023-10-27 | 2024-03-01 | 华能信息技术有限公司 | 一种电厂故障诊断方法及系统 |
-
2024
- 2024-03-25 CN CN202410338355.5A patent/CN117934248B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214595A (zh) * | 2018-10-23 | 2019-01-15 | 中核核电运行管理有限公司 | 基于大数据分析的核电厂主泵三级密封故障预测方法 |
CN114358500A (zh) * | 2021-12-06 | 2022-04-15 | 国网辽宁省电力有限公司电力科学研究院 | 中压配电网多源多维停电预警与应对策略生成方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117934248A (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117934248B (zh) | 一种电厂安全管控平台数据分析方法及系统 | |
CN110414155B (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
CN112987675B (zh) | 一种异常检测的方法、装置、计算机设备和介质 | |
CN110008301B (zh) | 基于机器学习的区域性地质灾害易发性预测方法及装置 | |
TWI543102B (zh) | 異因分析與校正方法與系統 | |
CN113310528B (zh) | 一种基于多元传感数据的实时隧道结构健康监测方法 | |
CN113255795A (zh) | 一种基于多指标集群分析的设备状态监测方法 | |
CN112348237B (zh) | 一种动态钻井数据异常趋势检测方法 | |
CN115329812B (zh) | 一种基于人工智能的桥梁基础设施异常监测方法 | |
CN113568774B (zh) | 使用无监督深度神经网络的多维时序数据实时异常检测方法 | |
CN112598172A (zh) | 一种风电机组轴承温度预警方法 | |
CN107403279B (zh) | 一种输油泵工况自适应状态预警系统及方法 | |
CN117172556B (zh) | 一种桥梁工程的施工风险预警方法与系统 | |
CN109255201B (zh) | 一种基于som-mqe的滚珠丝杠副健康评估方法 | |
CN116737510B (zh) | 一种基于数据分析的键盘智能监测方法及系统 | |
CN113036913A (zh) | 一种综合能源设备状态监测方法及装置 | |
CN111191855B (zh) | 一种基于管网多元水质时序数据的水质异常事件识别预警方法 | |
CN116663962A (zh) | 一种用于水利工程堤坝材料质量检测分析系统 | |
CN116310940A (zh) | 一种机电设备运行状态的风险评估方法及系统 | |
CN117041312A (zh) | 基于物联网的企业级信息技术监控系统 | |
EP4206838A1 (en) | Forecasting and anomaly detection method for low density polyethylene autoclave reactor | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
CN117291781A (zh) | 一种突发性水污染溯源方法、设备及介质 | |
CN113392576A (zh) | 一种系留气球主缆绳拉力状态评估预警方法 | |
CN117842909B (zh) | 一种用于高空车平台的自动调平方法及系统 |
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 |