CN118096131A - 一种基于电力场景模型的运维巡检方法 - Google Patents
一种基于电力场景模型的运维巡检方法 Download PDFInfo
- Publication number
- CN118096131A CN118096131A CN202410487035.6A CN202410487035A CN118096131A CN 118096131 A CN118096131 A CN 118096131A CN 202410487035 A CN202410487035 A CN 202410487035A CN 118096131 A CN118096131 A CN 118096131A
- Authority
- CN
- China
- Prior art keywords
- fault
- inspection
- power
- equipment
- power equipment
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 216
- 238000012423 maintenance Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000011156 evaluation Methods 0.000 claims abstract description 39
- 238000003745 diagnosis Methods 0.000 claims abstract description 27
- 230000001172 regenerating effect Effects 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims description 32
- 238000004458 analytical method Methods 0.000 claims description 30
- 230000007547 defect Effects 0.000 claims description 27
- 230000005856 abnormality Effects 0.000 claims description 26
- 238000001514 detection method Methods 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000006731 degradation reaction Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 10
- 230000015572 biosynthetic process Effects 0.000 claims description 9
- 238000003786 synthesis reaction Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 230000015556 catabolic process Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000036541 health Effects 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000003466 anti-cipated effect Effects 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims 1
- 238000007726 management method Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000012800 visualization Methods 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
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种基于电力场景模型的运维巡检方法，属于电力工程技术领域。该基于电力场景模型的运维巡检方法，包括以下步骤：步骤1，构建电力场景模型；步骤2，根据电力场景模型，结合电力系统的运行规则、安全标准以及运维需求，生成巡检计划并执行；步骤3，根据巡检计划的执行结果，对电力设备的状态进行评估诊断，同时对电力设备的状态进行趋势预测；步骤4，基于步骤3的诊断评估和趋势预测结果，对电力场景模型进行更新；步骤5，基于更新后的电力场景模型，重新生成巡检计划并执行，以确保电力系统的持续稳定运行。
Description
技术领域
本申请涉及电力工程技术领域，具体为一种基于电力场景模型的运维巡检方法。
背景技术
随着电力系统的规模和复杂性不断增加，传统的运维巡检方法已经难以满足对电力设备状态实时监测、故障诊断和预测分析的需求。传统的巡检方法通常是基于固定周期的计划，忽视了电力设备实际运行环境的动态变化，无法有效发现设备潜在的故障隐患，也无法精准评估设备的运行状态和风险程度。
另外，传统的巡检方法通常依赖于人工经验和主观判断，存在巡检计划制定不科学、资源分配不合理等问题，导致运维效率低下和成本高昂。同时，由于电力设备数量庞大、类型繁多，传统的人工巡检方法难以满足对大规模电力系统的实时监测和快速响应需求，容易造成漏检和误检现象，影响电力系统的安全稳定运行。
因此，迫切需要一种基于先进技术手段的电力系统运维巡检方法，能够充分利用大数据分析、人工智能等技术，实现对电力设备状态的精准监测、故障诊断和趋势预测，提高运维效率和资源利用效率，保障电力系统的安全稳定运行。
发明内容
为了克服现有技术存在的一系列缺陷，本申请的目的在于针对上述问题，提供一种基于电力场景模型的运维巡检方法，包括以下步骤。
步骤1，构建电力场景模型。
步骤2，根据电力场景模型，结合电力系统的运行规则、安全标准以及运维需求，生成巡检计划并执行。
步骤3，根据巡检计划的执行结果，对电力设备的状态进行评估诊断，同时对电力设备的状态进行趋势预测。
步骤4，基于步骤3的诊断评估和趋势预测结果，对电力场景模型进行更新。
步骤5，基于更新后的电力场景模型，重新生成巡检计划并执行，以确保电力系统的持续稳定运行。
进一步的，步骤1包括以下步骤。
步骤1.1，收集电力设备的图像数据、文本数据以及时序数据并进行预处理。
步骤1.2，利用卷积神经网络提取特征，形成电力设备的状态特征向量。
步骤1.3，从图像中识别出电力设备的位置、属性以及状态信息，形成电力设备的场景表示向量。
步骤1.4，从状态特征向量和场景表示向量中分析出电力设备的故障类型、故障等级以及故障原因，形成电力设备的故障表示向量。
步骤1.5，将状态特征向量、场景表示向量和故障表示向量融合为电力场景模型，以描述设备、环境与任务之间的内在联系和影响因素。
步骤1.6，利用已有的数据和标签，对电力场景模型进行训练和优化，以提高电力场景模型的准确性和泛化能力。
进一步的，电力场景模型的结构包括输入层、特征提取层、输出层和融合层，其中，输入层负责收集电力设备的图像数据、文本数据以及时序数据，图像数据包括电力设备的外观图像、结构图像以及标识图像，文本数据包括电力设备的名称、型号、参数、规格以及使用说明，时序数据包括电力设备的运行状态、电压、电流、功率、温度以及湿度；特征提取层负责从输入层的数据中提取特征，形成电力设备的状态特征向量和场景表示向量；输出层负责从电力设备的状态特征向量和场景表示向量中分析出电力设备的故障类型、故障等级以及故障原因，形成电力设备的故障表示向量；融合层用于将状态特征向量、场景表示向量和故障表示向量融合为一个电力场景模型，以描述电力设备、环境与任务之间的内在联系和影响因素。
进一步的，特征提取层包括状态特征提取模块和场景特征提取模块，状态特征提取模块用于从时序数据中提取电力设备的运行状态特征，状态特征提取模块的输出是一个状态特征向量；场景特征提取模块用于从图像数据和文本数据中提取电力设备的位置、属性以及状态，场景特征提取模块的输出是一个场景表示向量。
输出层包括故障类型识别模块、故障等级评估模块和故障原因分析模块，其中：故障类型识别模块用于对电力设备的故障类型进行分类，故障类型识别模块的输出是一个故障类型向量，其维度为故障类型的类别数，每个维度表示该类别的概率；故障等级评估模块用于对电力设备的故障等级进行评估，故障等级评估模块的输出是一个故障等级向量，其维度为故障等级的类别数，每个维度表示该类别的概率；故障原因分析模块用于对电力设备的故障原因进行分析，故障原因分析模块的输出是一个故障原因向量，其维度为故障原因的类别数，每个维度表示该类别的概率。
融合层包括特征融合模块和模型训练模块，其中：特征融合模块用于将状态特征向量、场景表示向量和故障表示向量进行融合，形成一个综合的特征向量；模型训练模块用于对电力场景模型进行训练和优化，输出是一个训练好的电力场景模型。
进一步的，步骤2包括以下步骤。
步骤2.1，根据电力场景模型，获取电力设备的状态特征、场景表示和故障表示，分析电力设备的运行状况、故障类型、故障等级以及故障原因信息，确定巡检的优先级和紧急程度。
步骤2.2，结合电力系统的运行规则、安全标准和运维需求，制定巡检的目标和约束，构建巡检的目标函数和约束条件。
步骤2.3，对巡检的目标函数和约束条件进行求解，生成巡检计划，包括巡检时间、巡检范围、巡检方式和巡检人员，实现巡检资源的合理分配和调度。
步骤2.4，对生成的巡检计划进行评估和验证，检查巡检计划是否满足目标和约束，对巡检计划进行调整和优化。
步骤2.5，根据巡检计划，选择智能检测设备并分配巡检任务。
步骤2.6，根据巡检任务实时采集电力设备的运行数据以及图像数据并发送至边缘计算节点。
步骤2.7，在边缘计算节点，对收到的运行数据和图像数据进行初步分析。
进一步的，巡检的优先级和紧急程度用以下公式计算：P=w1×S+ w2×Fc+ w3×Fl+w4×Fr，E=w5×S+w6×Fc+w7×Fl+w8×Fr，其中：P表示巡检的优先级；E表示故障的紧急程度；S是场景表示，反映电力设备所处环境及工作状态的重要性或复杂性；Fc是故障类型特征，不同类型的故障对系统安全和稳定性的影响程度不同；Fl是故障等级特征，等级越高代表故障的严重程度越大；Fr是故障原因特征，某些故障原因会导致更快速度的恶化或者更大的安全风险；w1,w2,w3,w4,w5,w6,w7,w8分别是各因素对应的权重系数，根据实际情况调整以体现不同因素在决策中的相对重要性。
进一步的，目标函数用以下公式表示：F=Σi=1 ND(Ci×Pi)-Σj=1 NS(Tj×Ej)，其中，F代表巡检任务的整体优化目标，目的是在满足所有安全标准和运维需求的基础上，最小化总的巡检成本或最大化巡检效率；Ci表示第i个电力设备的巡检成本；Pi表示第i个电力设备的巡检优先级；Tj表示第j个安全标准或运维需求的满足程度，取值范围0到1，1表示该标准或需求被完全满足；Ej 表示未能满足第j个安全标准或运维需求时产生的潜在风险值或经济损失；ND为电力设备的总数目；NS为安全标准或运维需求的总数目。
约束条件包括。
巡检频率约束：∀i∈[1, ND]，Fi_min≤Fi≤Fi_max，其中，Fi为设备i的巡检频率，Fi_min和Fi_max分别为规定的最小和最大巡检频率。
资源限制约束：∑i=1 ND(Rk×Ri)≤Rtotal，其中，Rk为执行设备i的巡检任务所需资源k的数量，Ri为执行设备i巡检任务所需的各类资源总量，Rtotal为总可用资源量。
时间窗口约束：Ti_start≤Ti≤Ti_end，其中，Ti为设备i的实际巡检时间，Ti_start和Ti_end分别为设备i可接受巡检的时间窗口起始和结束时间。
安全标准满足约束：∀j∈[1, NS]，Tj≥ Tj_min，其中，Tj_min为每个标准或需求必须达到的最低满足程度。
进一步的，步骤2.5中，引入设备选择与任务分配效率指数来量化巡检资源利用效率和智能设备协作性能，具体公式为：设备选择与任务分配效率指数=智能检测设备适配度×巡检任务完成度/ 巡检资源消耗率，其中：智能检测设备适配度表示所选智能检测设备对巡检任务需求的匹配程度，数值范围为0至1，越接近1表示设备越适合执行当前巡检任务；巡检任务完成度表示已分配巡检任务的完成效率和质量，取值范围为0至1，越接近1表示巡检任务完成得越好；巡检资源消耗率：包括各类成本投入相对于预期投入的比例，数值越低表示资源利用越充分。
进一步的，步骤2.7包括以下步骤。
步骤2.7.1，使用部署在边缘计算节点的轻量级目标识别模型对输入图像数据进行处理，识别出电力设备的类型及其位置，将识别结果与电力场景模型和地理信息系统数据进行匹配，从而精准定位检测目标。
步骤2.7.2，针对识别出的电力设备目标图像，采用图像特征提取算法提取与设备状态相关的图像特征参数。
步骤2.7.3，对电力设备的运行数据进行分析，将实时状态量与正常工作区间进行比对，识别可疑的异常值。
进一步的，步骤3包括以下步骤。
步骤3.1，综合图像目标识别结果、提取的图像特征参数和异常值识别结果，以判断是否存在设备异常、缺陷或故障，并评估其等级。
步骤3.2，针对存在的异常、缺陷或故障，结合历史数据和专家知识库，对其类型、严重程度及潜在原因实施智能诊断评估。
步骤3.3，结合电力设备的运行模式和环境条件，对电力设备未来一段时间内的状态变化趋势进行预测分析。
进一步的，步骤3.1包括以下步骤。
将图像目标识别结果、提取的图像特征参数和异常值识别结果标准化到同一量级。
设定权重系数wobj、wfeat及wanomaly来表示图像目标识别结果、提取的图像特征参数和异常值识别结果的重要性，其中，wobj+wfeat+wanomaly=1。
定义一个综合得分S综合作为判断和评估的依据，具体公式为：S综合=wobj×Robj+Ffeat×wfeat+Aanomaly×wanomaly，其中，Robj为图像目标识别结果的标准化值，Ffeat为提取的图像特征参数的标准化值，Aanomaly为异常值识别结果。
根据综合得分S综合与预设阈值比较，即可评估其等级。
进一步的，步骤3.3包括以下步骤。
将步骤3.1中确认的设备异常、缺陷或故障及其评估等级，步骤3.2中的智能诊断结果，以及电力设备的运行模式和环境条件数据输入预训练的电力设备状态退化模型，模拟电力设备未来的退化过程，预测一段时间内电力设备健康度及残余寿命指标的变化趋势。
基于预测结果评估电力设备在该时间段内的运行可靠性，并针对可能出现的故障给出风险提示，为制定检修策略及备品备件储备提供决策依据。
将预测结果及相关评估结果整理形成报告，同时建立定期预测和趋势跟踪的机制，实现对电力设备状态的动态监控和管理。
进一步的，步骤4包括以下步骤。
从评估诊断结果中提取关键信息，包括已发现异常、缺陷或者故障的类型、等级、严重程度以及潜在原因。
将提取的关键信息与电力场景模型中的正常状态定义进行比对，识别出需要更新的部分。
基于专家知识库和历史数据，优化场景模型中异常、缺陷或故障的定义、判断规则以及状态量阈值范围。
将更新后的电力场景模型与地理信息系统数据融合，同步更新电力设备的空间分布信息及其当前运行状态。
针对更新后的电力场景模型，设计测试用例并验证其正确性和稳定性，确保模型更新的有效性。
与现有技术相比，本申请至少具有如下技术效果或优点。
本申请通过构建综合的电力场景模型，结合实时数据和专家知识，实现了对电力设备状态的精准评估、故障诊断和趋势预测。通过优化巡检计划和资源分配，提高了巡检效率和资源利用效率。同时，通过智能诊断和预测分析，实现了对电力设备未来状态的预测和风险提示，为运维决策提供了可靠依据。通过场景模型的持续更新和验证，保证了系统的稳定性和准确性，为电力系统的持续稳定运行提供了有力支持。
附图说明
图1为本申请实施例公开的一种基于电力场景模型的运维巡检方法的流程示意图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚，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更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例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前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面通过参考附图描述的实施例以及方位性的词语均是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
如图1所示，一种基于电力场景模型的运维巡检方法，包括以下步骤。
步骤1，构建电力场景模型。
步骤2，根据电力场景模型，结合电力系统的运行规则、安全标准以及运维需求，生成巡检计划并执行。
步骤3，根据巡检计划的执行结果，对电力设备的状态进行评估诊断，同时对电力设备的状态进行趋势预测。
步骤4，基于步骤3的诊断评估和趋势预测结果，对电力场景模型进行更新。
步骤5，基于更新后的电力场景模型，重新生成巡检计划并执行，以确保电力系统的持续稳定运行。
步骤1中，电力场景模型是对电力系统的物理结构、运行参数、环境因素等要素的抽象表示，可以采用图形化、数学化或数据化的方式进行建模。电力场景模型的目的是为了描述电力系统的运行特性和状态变化，以及与外界的交互关系，为后续的巡检计划提供依据。
步骤2中，巡检计划是指在一定的时间范围内，对电力设备进行检查、测试、维护、修理等操作的具体安排，包括巡检对象、巡检内容、巡检方法、巡检周期、巡检人员、巡检工具等要素。根据电力场景模型的数据分析结果，自动或半自动地生成最优或次优的巡检计划，以提高巡检效率和质量。执行巡检计划是指按照巡检计划的要求，对电力设备进行实际的巡检操作，包括数据采集、数据传输、数据处理、数据存储等过程。执行巡检计划的方法可以采用智能化的手段，如无人机、机器人、智能传感器等，实现电力设备的自动或半自动的巡检，以减少人力投入和安全风险。
步骤3中，评估诊断是指根据巡检数据，对电力设备的当前状态进行评价和判断，识别出设备的异常或故障，并给出相应的处理建议。趋势预测是指根据巡检数据，对电力设备的未来状态进行预测和分析，预警出设备的潜在风险或故障，并给出相应的预防措施。根据电力场景模型的数据特征，自动或半自动地进行设备状态的分析和预测，以提高设备状态的可视化和智能化水平。
步骤4中，更新电力场景模型是指根据评估诊断的结果，对电力场景模型的参数或结构进行调整或优化，以使电力场景模型更加符合电力系统的实际情况，为下一轮的巡检计划提供更准确的依据。根据电力场景模型的数据反馈，自动或半自动地进行模型的学习和更新，以提高模型的适应性和泛化性。
步骤5中，重新生成巡检计划是指在电力场景模型更新后，根据新的模型数据和分析结果，重新制定巡检计划并执行。这个步骤的目的是确保电力系统的持续稳定运行，及时发现和处理设备异常或故障，防止事故的发生。重新生成巡检计划的方法可以基于优化算法、机器学习算法等，以实现巡检计划的高效性和准确性。
总的来说，该运维巡检方法通过构建电力场景模型，结合电力系统的运行规则、安全标准以及运维需求，生成最优或次优的巡检计划，并通过对设备状态的评估诊断和趋势预测，对电力场景模型进行动态更新，重新生成巡检计划并执行，从而实现了对电力系统的全面监控和智能运维。这种方法不仅提高了巡检效率和质量，降低了人力投入和安全风险，还提高了电力系统的可靠性和稳定性，为电力系统的长期运行和维护提供了有力保障。
此外，该运维巡检方法还可以结合地理信息系统数据，实现电力设备空间分布信息的同步更新和展示，使得运维人员能够更直观地了解电力设备的分布和状态，进一步提高了运维的效率和准确性。同时，还可以结合专家知识库和历史数据，对电力场景模型进行持续优化和改进，以适应电力系统的不断变化和发展。
进一步的，步骤1包括以下步骤。
步骤1.1，收集电力设备的图像数据、文本数据以及时序数据并进行预处理。
步骤1.2，利用卷积神经网络提取特征，形成电力设备的状态特征向量。
步骤1.3，从图像中识别出电力设备的位置、属性以及状态信息，形成电力设备的场景表示向量。
步骤1.4，从状态特征向量和场景表示向量中分析出电力设备的故障类型、故障等级以及故障原因，形成电力设备的故障表示向量。
步骤1.5，将状态特征向量、场景表示向量和故障表示向量融合为电力场景模型，以描述设备、环境与任务之间的内在联系和影响因素。
步骤1.6，利用已有的数据和标签，对电力场景模型进行训练和优化，以提高电力场景模型的准确性和泛化能力。
步骤1.1中，图像数据包括电力设备的外观照片、红外热成像等，可以通过无人机、机器人、智能传感器等方式采集。文本数据包括电力设备的型号、参数、运行记录等，可以通过扫描二维码、读取电子标签等方式获取。时序数据包括电力设备的电压、电流、温度、湿度等，可以通过智能仪表、信号指示灯等方式监测。数据预处理包括数据清洗、数据转换、数据归一化等，目的是去除噪声、缺失值、异常值等，提高数据的质量和可用性。
步骤1.2中，卷积神经网络是一种深度学习模型，能够从图像数据中自动学习和提取有用的特征，如边缘、纹理、形状等。状态特征向量是一种数学表示，能够反映电力设备的运行状态和性能，如正常、异常、损坏等。
步骤1.3中，场景表示向量是一种数学表示，能够描述电力设备在电力场景中的位置、属性以及状态信息，如位置坐标、设备类型、设备编号、设备状态等。从图像中识别出这些信息，可以利用图像识别、目标检测、语义分割等人工智能技术，如YOLO、Mask R-CNN等。
步骤1.4中，故障表示向量是一种数学表示，能够描述电力设备的故障类型、故障等级以及故障原因，如故障类别、故障程度、故障来源等。从状态特征向量和场景表示向量中分析出这些信息，可以利用故障诊断、故障分类、故障定位等人工智能技术，如决策树、支持向量机、神经网络等。
步骤1.5中，电力场景模型是一种综合表示，能够描述电力系统的物理结构、运行参数、环境因素等要素的抽象表示，以及设备、环境、任务之间的内在联系和影响因素。将状态特征向量、场景表示向量和故障表示向量融合为电力场景模型，可以利用特征融合、特征选择、特征降维等人工智能技术，如主成分分析、线性判别分析、自编码器等。
步骤1.6中，电力场景模型的训练和优化是指根据已有的数据和标签，对电力场景模型的参数或结构进行调整或优化，以使电力场景模型更加符合电力系统的实际情况，提高电力场景模型的准确性和泛化能力。利用已有的数据和标签，对电力场景模型进行训练和优化，可以利用人工智能技术，如强化学习、迁移学习等，根据电力场景模型的数据反馈，自动或半自动地进行模型的学习和更新。
进一步的，电力场景模型的结构包括输入层、特征提取层、输出层和融合层，其中，输入层负责收集电力设备的图像数据、文本数据以及时序数据，图像数据包括电力设备的外观图像、结构图像以及标识图像，文本数据包括电力设备的名称、型号、参数、规格以及使用说明，时序数据包括电力设备的运行状态、电压、电流、功率、温度以及湿度；特征提取层负责从输入层的数据中提取特征，形成电力设备的状态特征向量和场景表示向量；输出层负责从电力设备的状态特征向量和场景表示向量中分析出电力设备的故障类型、故障等级以及故障原因，形成电力设备的故障表示向量；融合层用于将状态特征向量、场景表示向量和故障表示向量融合为一个电力场景模型，以描述电力设备、环境与任务之间的内在联系和影响因素。
进一步的，特征提取层包括状态特征提取模块和场景特征提取模块，状态特征提取模块用于从时序数据中提取电力设备的运行状态特征，状态特征提取模块的输出是一个状态特征向量；场景特征提取模块用于从图像数据和文本数据中提取电力设备的位置、属性以及状态，场景特征提取模块的输出是一个场景表示向量。
输出层包括故障类型识别模块、故障等级评估模块和故障原因分析模块，其中：故障类型识别模块用于对电力设备的故障类型进行分类，故障类型识别模块的输出是一个故障类型向量，其维度为故障类型的类别数，每个维度表示该类别的概率；故障等级评估模块用于对电力设备的故障等级进行评估，故障等级评估模块的输出是一个故障等级向量，其维度为故障等级的类别数，每个维度表示该类别的概率；故障原因分析模块用于对电力设备的故障原因进行分析，故障原因分析模块的输出是一个故障原因向量，其维度为故障原因的类别数，每个维度表示该类别的概率。
融合层包括特征融合模块和模型训练模块，其中：特征融合模块用于将状态特征向量、场景表示向量和故障表示向量进行融合，形成一个综合的特征向量；模型训练模块用于对电力场景模型进行训练和优化，输出是一个训练好的电力场景模型。
进一步的，步骤2包括以下步骤。
步骤2.1，根据电力场景模型，获取电力设备的状态特征、场景表示和故障表示，分析电力设备的运行状况、故障类型、故障等级以及故障原因信息，确定巡检的优先级和紧急程度。
步骤2.2，结合电力系统的运行规则、安全标准和运维需求，制定巡检的目标和约束，构建巡检的目标函数和约束条件。
步骤2.3，对巡检的目标函数和约束条件进行求解，生成巡检计划，包括巡检时间、巡检范围、巡检方式和巡检人员，实现巡检资源的合理分配和调度。
步骤2.4，对生成的巡检计划进行评估和验证，检查巡检计划是否满足目标和约束，对巡检计划进行调整和优化。
步骤2.5，根据巡检计划，选择智能检测设备并分配巡检任务。
步骤2.6，根据巡检任务实时采集电力设备的运行数据以及图像数据并发送至边缘计算节点。
步骤2.7，在边缘计算节点，对收到的运行数据和图像数据进行初步分析。
步骤2.1中，可以利用人工智能技术，如图像识别、故障诊断、状态预测等，对电力设备的状态特征、场景表示和故障表示进行提取和分析，得到电力设备的运行状况、故障类型、故障等级以及故障原因信息。根据这些信息，可以利用多属性决策方法，如层次分析法、模糊综合评价法等，对电力设备进行巡检的优先级和紧急程度的评估，确定巡检的先后顺序和时间要求。
步骤2.2中，结合电力系统的运行规则、安全标准和运维需求，可以确定巡检的目标和约束，如巡检的覆盖率、巡检的精度、巡检的成本、巡检的时间等3。根据巡检的目标和约束，可以利用数学建模方法，如线性规划、非线性规划、整数规划等，构建巡检的目标函数和约束条件，形式化地描述巡检的优化问题。
步骤2.3中，对巡检的目标函数和约束条件进行求解，可以利用优化算法，如遗传算法、粒子群算法、模拟退火算法等，寻找巡检的最优或次优解，生成巡检计划。巡检计划包括巡检时间、巡检范围、巡检方式和巡检人员，指定了每个电力设备的巡检时间点、巡检区域、巡检工具和巡检负责人，实现了巡检资源的合理分配和调度。
步骤2.4中，对生成的巡检计划进行评估和验证，可以利用评价指标，如巡检效率、巡检质量、巡检满意度等，对巡检计划的优劣进行量化和比较，检查巡检计划是否满足目标和约束。对巡检计划进行调整和优化，可以利用反馈机制，根据巡检计划的执行情况和评价结果，对巡检计划的参数或结构进行调整或优化，以提高巡检计划的适应性和灵活性。
步骤2.5中，选择智能检测设备并分配巡检任务，是确保巡检计划顺利执行的关键环节。智能检测设备应具备高精度、高可靠性、高自动化的特点，能够实现对电力设备运行数据和图像数据的快速采集、处理和传输。在选择智能检测设备时，需要考虑设备的性能、成本、维护等因素，并结合巡检任务的具体要求，选择最合适的设备。同时，还需要对巡检任务进行合理分配，确保每个巡检任务都有合适的设备和人员去执行，避免资源的浪费和冲突。
步骤2.6中，实时采集电力设备的运行数据以及图像数据并发送至边缘计算节点，是实现巡检智能化的重要步骤。通过部署在电力设备附近的智能传感器和摄像头等设备，可以实现对电力设备运行状态的实时监控和数据采集。采集到的数据通过网络传输到边缘计算节点进行处理和分析，可以及时发现设备的异常情况，为后续的故障诊断和预测提供数据支持。
步骤2.7中，在边缘计算节点对收到的运行数据和图像数据进行初步分析，可以实现对电力设备运行状态的快速判断和处理。边缘计算节点具备强大的计算能力和数据处理能力，可以对接收到的数据进行实时分析、处理和存储，提取出有用的信息并生成相应的分析结果。这些分析结果可以为后续的巡检决策提供重要依据，提高巡检的效率和准确性。
综上所述，通过构建电力场景模型并基于该模型进行巡检计划的生成和执行，可以实现对电力设备的智能化巡检和故障预测。这不仅可以提高巡检的效率和准确性，还可以及时发现设备的异常情况并进行处理，保障电力系统的安全稳定运行。
进一步的，巡检的优先级和紧急程度用以下公式计算：P=w1×S+ w2×Fc+ w3×Fl+w4×Fr，E=w5×S+w6×Fc+w7×Fl+w8×Fr，其中：P表示巡检的优先级；E表示故障的紧急程度；S是场景表示，反映电力设备所处环境及工作状态的重要性或复杂性；Fc是故障类型特征，不同类型的故障对系统安全和稳定性的影响程度不同；Fl是故障等级特征，等级越高代表故障的严重程度越大；Fr是故障原因特征，某些故障原因会导致更快速度的恶化或者更大的安全风险；w1,w2,w3,w4,w5,w6,w7,w8分别是各因素对应的权重系数，根据实际情况调整以体现不同因素在决策中的相对重要性。
权重系数的确定是一个关键步骤，可以通过专家打分、历史数据分析和统计等方法来确定。专家打分法可以邀请行业专家对各个因素的重要性和影响程度进行打分，然后根据打分结果计算权重系数。历史数据分析法可以利用历史故障数据和巡检数据，分析各个因素与故障发生率和故障严重程度的关系，从而确定权重系数。统计方法如主成分分析、因子分析等可以对数据进行降维处理，提取出影响巡检优先级和紧急程度的主要因素，并计算相应的权重系数。
在确定权重系数后，可以根据公式计算巡检的优先级和紧急程度，并根据结果进行巡检计划的生成和调整。例如，对于优先级较高的电力设备，可以安排更频繁的巡检和更全面的检查项目，以确保设备的正常运行和安全性能。对于紧急程度较高的故障，可以立即启动应急预案和紧急维修措施，以减少故障对电力系统的影响和损失。
此外，随着智能巡检技术的发展和应用，还可以通过机器学习、深度学习等方法对巡检数据进行挖掘和分析，实现故障预测和预警。通过对历史巡检数据和故障数据的学习和训练，可以建立预测模型，预测设备的故障趋势和可能发生的故障类型，从而提前进行预防性维护和检修，避免设备故障的发生和影响。
综上所述，通过构建电力场景模型、生成巡检计划、评估和调整巡检计划、选择合适的智能检测设备、实时采集和处理数据以及应用机器学习和深度学习等方法，可以实现电力设备的智能化巡检和故障预测。这将有助于提高巡检的效率和准确性，及时发现和处理设备异常情况，保障电力系统的安全稳定运行，为电力行业的可持续发展提供有力支持。
进一步的，目标函数用以下公式表示：F=Σi=1 ND(Ci×Pi)-Σj=1 NS(Tj×Ej)，其中，F代表巡检任务的整体优化目标，目的是在满足所有安全标准和运维需求的基础上，最小化总的巡检成本或最大化巡检效率；Ci表示第i个电力设备的巡检成本；Pi表示第i个电力设备的巡检优先级；Tj表示第j个安全标准或运维需求的满足程度，取值范围0到1，1表示该标准或需求被完全满足；Ej 表示未能满足第j个安全标准或运维需求时可能产生的潜在风险值或经济损失；ND为电力设备的总数目；NS为安全标准或运维需求的总数目。
约束条件包括。
巡检频率约束：∀i∈[1, ND]，Fi_min≤Fi≤Fi_max，其中，Fi为设备i的巡检频率，Fi_min和Fi_max分别为规定的最小和最大巡检频率。
资源限制约束：∑i=1 ND(Rk×Ri)≤Rtotal，其中，Rk为执行设备i的巡检任务所需资源k的数量，Ri为执行设备i巡检任务所需的各类资源总量，Rtotal为总可用资源量。
时间窗口约束：Ti_start≤Ti≤Ti_end，其中，Ti为设备i的实际巡检时间，Ti_start和Ti_end分别为设备i可接受巡检的时间窗口起始和结束时间。
安全标准满足约束：∀j∈[1, NS]，Tj≥ Tj_min，其中，Tj_min为每个标准或需求必须达到的最低满足程度。
进一步的，步骤2.5中，引入设备选择与任务分配效率指数来量化巡检资源利用效率和智能设备协作性能，具体公式为：设备选择与任务分配效率指数=智能检测设备适配度×巡检任务完成度/ 巡检资源消耗率，其中：智能检测设备适配度表示所选智能检测设备对巡检任务需求的匹配程度，数值范围为0至1，越接近1表示设备越适合执行当前巡检任务；巡检任务完成度表示已分配巡检任务的完成效率和质量，取值范围为0至1，越接近1表示巡检任务完成得越好；巡检资源消耗率：包括各类成本投入相对于预期投入的比例，数值越低表示资源利用越充分。
本实施例中，设备选择与任务分配效率指数不仅反映了巡检工作的效率，还体现了智能巡检系统的智能化程度和资源优化能力。通过不断优化设备选择与任务分配策略，可以提高巡检工作的效率和质量，减少不必要的资源浪费和成本支出。
进一步的，步骤2.7包括以下步骤。
步骤2.7.1，使用部署在边缘计算节点的轻量级目标识别模型对输入图像数据进行处理，识别出电力设备的类型及其位置，将识别结果与电力场景模型和地理信息系统数据进行匹配，从而精准定位检测目标。
步骤2.7.2，针对识别出的电力设备目标图像，采用图像特征提取算法提取与设备状态相关的图像特征参数。
步骤2.7.3，对电力设备的运行数据进行分析，将实时状态量与正常工作区间进行比对，识别可疑的异常值。
边缘计算节点是指在网络边缘或靠近数据源的位置进行计算和数据处理的设备。在步骤2.7.1中，使用部署在边缘计算节点的轻量级目标识别模型对输入的图像数据进行处理。这种在边缘节点上进行识别和处理可以减少数据传输和处理延迟，提高系统的实时性和效率。通过轻量级目标识别模型，可以识别出电力设备的类型及其位置。将识别结果与电力场景模型和地理信息系统数据进行匹配，可以精准定位检测目标。这样可以帮助监测系统准确地识别出设备，并确定其在电力场景中的位置。轻量级目标识别模型选择采用现有成熟技术，如YOLO系列、SSD(Single Shot MultiBox Detector)、MobileNets+SSDLite、NANODET等，这些模型已经较为成熟，不再赘述。
步骤2.7.2中，采用图像特征提取算法，用于提取与电力设备状态相关的图像特征参数。这些特征可以用于后续的状态分析和异常检测。图像特征提取的目的是将图像数据转换为具有可量化特征的形式，以便进一步的分析和处理。
步骤2.7.3描述了对电力设备的运行数据进行分析的过程。通过将实时状态量与正常工作区间进行比对，系统可以识别出可疑的异常值，从而及时发现设备可能存在的问题或故障。这有助于提高设备的可靠性和安全性，并减少由于故障造成的停机时间和损失。
进一步的，步骤3包括以下步骤。
步骤3.1，综合图像目标识别结果、提取的图像特征参数和异常值识别结果，以判断是否存在设备异常、缺陷或故障，并评估其等级。
步骤3.2，针对存在的异常、缺陷或故障，结合历史数据和专家知识库，对其类型、严重程度及潜在原因实施智能诊断评估。
步骤3.3，结合电力设备的运行模式和环境条件，对电力设备未来一段时间内的状态变化趋势进行预测分析。
步骤3.1综合了图像目标识别结果、提取的图像特征参数以及异常值识别结果，以全面审视设备的运行状态。通过综合这些信息，能够精准地判断是否存在设备异常、缺陷或故障，并对其严重程度进行初步评估。这一步骤的关键在于数据的准确性与完整性，因为只有充分的数据支持，才能做出准确的判断。
步骤3.2通过挖掘历史数据中的规律，结合专家知识库中的经验，能够更深入地了解异常的类型、严重程度以及潜在原因。这一步骤不仅体现了数据分析的重要性，更突显了专家智慧在故障诊断中的独特价值。
步骤3.3通过模拟设备的运行状态，考虑环境因素的影响，能够预测设备的发展趋势，从而提前采取预防措施，避免故障的发生。这一步骤体现了对设备状态变化的深度理解和前瞻性思考。
综上所述，步骤3提供了一个全面而精细的电力设备状态监测与故障诊断框架。这一框架不仅能够及时发现设备的异常情况，还能对异常情况进行深入评估与预测，为设备的维护与管理提供了有力的支持。
进一步的，步骤3.1包括以下步骤。
将图像目标识别结果、提取的图像特征参数和异常值识别结果标准化到同一量级。
设定权重系数wobj、wfeat及wanomaly来表示图像目标识别结果、提取的图像特征参数和异常值识别结果的重要性，其中，wobj+wfeat+wanomaly=1。
定义一个综合得分S综合作为判断和评估的依据，具体公式为：S综合=wobj×Robj+Ffeat×wfeat+Aanomaly×wanomaly，其中，Robj为图像目标识别结果的标准化值，Ffeat为提取的图像特征参数的标准化值，Aanomaly为异常值识别结果。
根据综合得分S综合与预设阈值比较，即可评估其等级。
进一步的，步骤3.3包括以下步骤。
将步骤3.1中确认的设备异常、缺陷或故障及其评估等级，步骤3.2中的智能诊断结果，以及电力设备的运行模式和环境条件数据输入预训练的电力设备状态退化模型，模拟电力设备未来的退化过程，预测一段时间内电力设备健康度及残余寿命指标的变化趋势。
基于预测结果评估电力设备在该时间段内的运行可靠性，并针对可能出现的故障给出风险提示，为制定检修策略及备品备件储备提供决策依据。
将预测结果及相关评估结果整理形成报告，同时建立定期预测和趋势跟踪的机制，实现对电力设备状态的动态监控和管理。
步骤3.3在电力设备状态管理中起着至关重要的作用。它整合了之前的分析和诊断结果，通过利用先进的模型来预测设备的未来状态，为设备维护和管理提供了宝贵的信息。
首先，将步骤3.1中识别出的设备异常、缺陷或故障及其评估等级，与步骤3.2中通过智能诊断获得的结果相结合。这些结果包括设备的健康状况、性能数据以及其他关键指标。此外，还会将电力设备的运行模式和环境条件数据纳入考虑范围，如温度、湿度、负载等，以更全面地了解设备的工作状态。
接下来，这些综合信息将被输入到预训练的电力设备状态退化模型中。这个模型基于大量的历史数据和先进的算法，能够模拟电力设备的退化过程，并预测在一段时间内电力设备健康度及残余寿命指标的变化趋势。这样的预测不仅有助于及时发现潜在问题，还能为制定检修策略提供有力支持。
在预测结果的基础上，进一步评估电力设备在该时间段内的运行可靠性。通过深入分析预测数据，可以识别出设备可能出现的故障，并给出相应的风险提示。这些风险提示不仅提醒管理人员关注设备的状态，还为制定针对性的维护计划提供了依据。
此外，还将预测结果及相关评估结果整理成报告，以便于决策者和管理人员快速了解设备的状态和未来发展趋势。同时，为了确保对电力设备状态的持续监控和管理，还会建立定期预测和趋势跟踪的机制。通过这些措施，可以及时发现并解决问题，确保电力设备的稳定运行和安全生产。
综上所述，步骤3.3在电力设备状态管理中发挥着至关重要的作用。它整合了设备诊断、预测模型、风险提示和定期监控等多个环节，为电力设备的维护和管理提供了全面而有效的支持。通过这样的流程，不仅可以提高设备的使用效率和可靠性，还能降低维护成本。
进一步的，步骤4包括以下步骤。
从评估诊断结果中提取关键信息，包括已发现异常、缺陷或者故障的类型、等级、严重程度以及潜在原因。
将提取的关键信息与电力场景模型中的正常状态定义进行比对，识别出需要更新的部分。
基于专家知识库和历史数据，优化场景模型中异常、缺陷或故障的定义、判断规则以及状态量阈值范围。
将更新后的电力场景模型与地理信息系统数据融合，同步更新电力设备的空间分布信息及其当前运行状态。
针对更新后的电力场景模型，设计测试用例并验证其正确性和稳定性，确保模型更新的有效性。
步骤4的实施过程涉及多个重要环节，旨在确保电力场景模型的准确性和实用性。
首先，从评估诊断结果中提取关键信息是至关重要的。这包括已发现异常、缺陷或故障的类型、等级、严重程度以及潜在原因。通过对这些信息的仔细分析，可以更全面地了解电力系统中存在的问题和挑战。
接下来，将提取的关键信息与电力场景模型中的正常状态定义进行比对，以识别出需要更新的部分。这一步骤的关键在于确保模型中的正常状态与实际电力系统的运行情况保持一致。通过比对分析，可以发现模型中的不足之处，为后续的更新工作提供依据。
在识别出需要更新的部分后，基于专家知识库和历史数据，对场景模型中异常、缺陷或故障的定义、判断规则以及状态量阈值范围进行优化。这一过程需要充分利用专家的专业知识和历史数据中的宝贵信息，以提高模型的准确性和可靠性。
随后，将更新后的电力场景模型与地理信息系统数据融合，同步更新电力设备的空间分布信息及其当前运行状态。这一步骤的目的是确保模型中的空间数据和设备状态与实际情况保持同步，从而提高模型在实际应用中的价值。
最后，针对更新后的电力场景模型，设计测试用例并验证其正确性和稳定性，确保模型更新的有效性。这一步骤的重要性不言而喻，它直接关系到模型更新后能否在实际应用中发挥应有的作用。通过严格的测试和验证，可以确保模型的质量和可靠性，为电力系统的安全稳定运行提供有力保障。
综上所述，步骤4的实施过程涉及提取关键信息、比对分析、模型优化、数据融合和测试验证等多个环节。通过这些步骤的有机结合和精心实施，可以确保电力场景模型的准确性和实用性，为电力系统的安全稳定运行提供有力支持。
Claims (13)
1.一种基于电力场景模型的运维巡检方法，其特征在于，包括以下步骤：
步骤1，构建电力场景模型；
步骤2，根据电力场景模型，结合电力系统的运行规则、安全标准以及运维需求，生成巡检计划并执行；
步骤3，根据巡检计划的执行结果，对电力设备的状态进行评估诊断，同时对电力设备的状态进行趋势预测；
步骤4，基于步骤3的诊断评估和趋势预测结果，对电力场景模型进行更新；
步骤5，基于更新后的电力场景模型，重新生成巡检计划并执行，以确保电力系统的持续稳定运行。
2.根据权利要求1所述的一种基于电力场景模型的运维巡检方法，其特征在于，步骤1包括以下步骤：
步骤1.1，收集电力设备的图像数据、文本数据以及时序数据并进行预处理；
步骤1.2，利用卷积神经网络提取特征，形成电力设备的状态特征向量；
步骤1.3，从图像中识别出电力设备的位置、属性以及状态信息，形成电力设备的场景表示向量；
步骤1.4，从状态特征向量和场景表示向量中分析出电力设备的故障类型、故障等级以及故障原因，形成电力设备的故障表示向量；
步骤1.5，将状态特征向量、场景表示向量和故障表示向量融合为电力场景模型，以描述设备、环境与任务之间的内在联系和影响因素；
步骤1.6，利用已有的数据和标签，对电力场景模型进行训练和优化，以提高电力场景模型的准确性和泛化能力。
3.根据权利要求2所述的一种基于电力场景模型的运维巡检方法，其特征在于，电力场景模型的结构包括输入层、特征提取层、输出层和融合层，其中，输入层负责收集电力设备的图像数据、文本数据以及时序数据，图像数据包括电力设备的外观图像、结构图像以及标识图像，文本数据包括电力设备的名称、型号、参数、规格以及使用说明，时序数据包括电力设备的运行状态、电压、电流、功率、温度以及湿度；特征提取层负责从输入层的数据中提取特征，形成电力设备的状态特征向量和场景表示向量；输出层负责从电力设备的状态特征向量和场景表示向量中分析出电力设备的故障类型、故障等级以及故障原因，形成电力设备的故障表示向量；融合层用于将状态特征向量、场景表示向量和故障表示向量融合为一个电力场景模型，以描述电力设备、环境与任务之间的内在联系和影响因素。
4.根据权利要求3所述的一种基于电力场景模型的运维巡检方法，其特征在于，特征提取层包括状态特征提取模块和场景特征提取模块，状态特征提取模块用于从时序数据中提取电力设备的运行状态特征，状态特征提取模块的输出是一个状态特征向量；场景特征提取模块用于从图像数据和文本数据中提取电力设备的位置、属性以及状态，场景特征提取模块的输出是一个场景表示向量；
输出层包括故障类型识别模块、故障等级评估模块和故障原因分析模块，其中：故障类型识别模块用于对电力设备的故障类型进行分类，故障类型识别模块的输出是一个故障类型向量，其维度为故障类型的类别数，每个维度表示该类别的概率；故障等级评估模块用于对电力设备的故障等级进行评估，故障等级评估模块的输出是一个故障等级向量，其维度为故障等级的类别数，每个维度表示该类别的概率；故障原因分析模块用于对电力设备的故障原因进行分析，故障原因分析模块的输出是一个故障原因向量，其维度为故障原因的类别数，每个维度表示该类别的概率；
融合层包括特征融合模块和模型训练模块，其中：特征融合模块用于将状态特征向量、场景表示向量和故障表示向量进行融合，形成一个综合的特征向量；模型训练模块用于对电力场景模型进行训练和优化，输出是一个训练好的电力场景模型。
5.根据权利要求1所述的一种基于电力场景模型的运维巡检方法，其特征在于，步骤2包括以下步骤：
步骤2.1，根据电力场景模型，获取电力设备的状态特征、场景表示和故障表示，分析电力设备的运行状况、故障类型、故障等级以及故障原因信息，确定巡检的优先级和紧急程度；
步骤2.2，结合电力系统的运行规则、安全标准和运维需求，制定巡检的目标和约束，构建巡检的目标函数和约束条件；
步骤2.3，对巡检的目标函数和约束条件进行求解，生成巡检计划，包括巡检时间、巡检范围、巡检方式和巡检人员，实现巡检资源的合理分配和调度；
步骤2.4，对生成的巡检计划进行评估和验证，检查巡检计划是否满足目标和约束，对巡检计划进行调整和优化；
步骤2.5，根据巡检计划，选择智能检测设备并分配巡检任务；
步骤2.6，根据巡检任务实时采集电力设备的运行数据以及图像数据并发送至边缘计算节点；
步骤2.7，在边缘计算节点，对收到的运行数据和图像数据进行初步分析。
6.根据权利要求5所述的一种基于电力场景模型的运维巡检方法，其特征在于，巡检的优先级和紧急程度用以下公式计算：P=w1×S+ w2×Fc+ w3×Fl+w4×Fr，E=w5×S+w6×Fc+w7×Fl+w8×Fr，其中：P表示巡检的优先级；E表示故障的紧急程度；S是场景表示，反映电力设备所处环境及工作状态的重要性或复杂性；Fc是故障类型特征，不同类型的故障对系统安全和稳定性的影响程度不同；Fl是故障等级特征，等级越高代表故障的严重程度越大；Fr是故障原因特征，某些故障原因会导致更快速度的恶化或者更大的安全风险；w1,w2,w3,w4,w5,w6,w7,w8分别是各因素对应的权重系数，根据实际情况调整以体现不同因素在决策中的相对重要性。
7.根据权利要求6所述的一种基于电力场景模型的运维巡检方法，其特征在于，目标函数用以下公式表示：F=Σi=1 ND(Ci×Pi)-Σj=1 NS(Tj×Ej)，其中，F 代表巡检任务的整体优化目标，目的是在满足所有安全标准和运维需求的基础上，最小化总的巡检成本或最大化巡检效率；Ci表示第i个电力设备的巡检成本；Pi表示第i个电力设备的巡检优先级；Tj表示第j个安全标准或运维需求的满足程度，取值范围0到1，1表示该标准或需求被完全满足；Ej 表示未能满足第j个安全标准或运维需求时产生的潜在风险值或经济损失；ND为电力设备的总数目；NS为安全标准或运维需求的总数目；
约束条件包括：
巡检频率约束：∀i∈[1, ND]，Fi_min≤Fi≤Fi_max，其中，Fi为设备i的巡检频率，Fi_min和Fi_max分别为规定的最小和最大巡检频率；
资源限制约束：∑i=1 ND(Rk×Ri)≤Rtotal，其中，Rk为执行设备i的巡检任务所需资源k的数量，Ri为执行设备i巡检任务所需的各类资源总量，Rtotal为总可用资源量；
时间窗口约束：Ti_start≤Ti≤Ti_end，其中，Ti为设备i的实际巡检时间，Ti_start和Ti_end分别为设备i可接受巡检的时间窗口起始和结束时间；
安全标准满足约束：∀j∈[1, NS]，Tj≥ Tj_min，其中，Tj_min为每个标准或需求必须达到的最低满足程度。
8.根据权利要求5所述的一种基于电力场景模型的运维巡检方法，其特征在于，步骤2.5中，引入设备选择与任务分配效率指数来量化巡检资源利用效率和智能设备协作性能，具体公式为：设备选择与任务分配效率指数=智能检测设备适配度×巡检任务完成度/ 巡检资源消耗率，其中：智能检测设备适配度表示所选智能检测设备对巡检任务需求的匹配程度，数值范围为0至1，越接近1表示设备越适合执行当前巡检任务；巡检任务完成度表示已分配巡检任务的完成效率和质量，取值范围为0至1，越接近1表示巡检任务完成得越好；巡检资源消耗率：包括各类成本投入相对于预期投入的比例，数值越低表示资源利用越充分。
9.根据权利要求5所述的一种基于电力场景模型的运维巡检方法，其特征在于，步骤2.7包括以下步骤：
使用部署在边缘计算节点的轻量级目标识别模型对输入图像数据进行处理，识别出电力设备的类型及其位置，将识别结果与电力场景模型和地理信息系统数据进行匹配，从而精准定位检测目标；
针对识别出的电力设备目标图像，采用图像特征提取算法提取与设备状态相关的图像特征参数；
对电力设备的运行数据进行分析，将实时状态量与正常工作区间进行比对，识别可疑的异常值。
10.根据权利要求9所述的一种基于电力场景模型的运维巡检方法，其特征在于，步骤3包括以下步骤：
步骤3.1，综合图像目标识别结果、提取的图像特征参数和异常值识别结果，以判断是否存在设备异常、缺陷或故障，并评估其等级；
步骤3.2，针对存在的异常、缺陷或故障，结合历史数据和专家知识库，对其类型、严重程度及潜在原因实施智能诊断评估；
步骤3.3，结合电力设备的运行模式和环境条件，对电力设备未来一段时间内的状态变化趋势进行预测分析。
11.根据权利要求10所述的一种基于电力场景模型的运维巡检方法，其特征在于，步骤3.1包括以下步骤：
将图像目标识别结果、提取的图像特征参数和异常值识别结果标准化到同一量级；
设定权重系数wobj、wfeat及wanomaly来表示图像目标识别结果、提取的图像特征参数和异常值识别结果的重要性，其中，wobj+wfeat+wanomaly=1；
定义一个综合得分S综合作为判断和评估的依据，具体公式为：S综合=wobj×Robj+Ffeat×wfeat+Aanomaly×wanomaly，其中，Robj为图像目标识别结果的标准化值，Ffeat为提取的图像特征参数的标准化值，Aanomaly为异常值识别结果；
根据综合得分S综合与预设阈值比较，即可评估其等级。
12.根据权利要求10所述的一种基于电力场景模型的运维巡检方法，其特征在于，步骤3.3包括以下步骤：
将步骤3.1中确认的设备异常、缺陷或故障及其评估等级，步骤3.2中的智能诊断结果，以及电力设备的运行模式和环境条件数据输入预训练的电力设备状态退化模型，模拟电力设备未来的退化过程，预测一段时间内电力设备健康度及残余寿命指标的变化趋势；
基于预测结果评估电力设备在该时间段内的运行可靠性，并针对出现的故障给出风险提示，为制定检修策略及备品备件储备提供决策依据；
将预测结果及相关评估结果整理形成报告，同时建立定期预测和趋势跟踪的机制，实现对电力设备状态的动态监控和管理。
13.根据权利要求1-12任一所述的一种基于电力场景模型的运维巡检方法，其特征在于，步骤4包括以下步骤：
从评估诊断结果中提取关键信息，包括已发现异常、缺陷或者故障的类型、等级、严重程度以及潜在原因；
将提取的关键信息与电力场景模型中的正常状态定义进行比对，识别出需要更新的部分；
基于专家知识库和历史数据，优化场景模型中异常、缺陷或故障的定义、判断规则以及状态量阈值范围；
将更新后的电力场景模型与地理信息系统数据融合，同步更新电力设备的空间分布信息及其当前运行状态；
针对更新后的电力场景模型，设计测试用例并验证其正确性和稳定性，确保模型更新的有效性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410487035.6A CN118096131A (zh) | 2024-04-23 | 2024-04-23 | 一种基于电力场景模型的运维巡检方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410487035.6A CN118096131A (zh) | 2024-04-23 | 2024-04-23 | 一种基于电力场景模型的运维巡检方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118096131A true CN118096131A (zh) | 2024-05-28 |
Family
ID=91160084
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410487035.6A Pending CN118096131A (zh) | 2024-04-23 | 2024-04-23 | 一种基于电力场景模型的运维巡检方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118096131A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108376374A (zh) * | 2018-02-02 | 2018-08-07 | 国网山西省电力公司阳泉供电公司 | 一种适用于跨国互联电力市场的中长期交易优化方法 |
| CN115979622A (zh) * | 2022-12-16 | 2023-04-18 | 中冶宝钢技术服务有限公司 | 带式输送机减速器异常振动故障诊断方法、系统及介质 |
| CN116993075A (zh) * | 2023-06-30 | 2023-11-03 | 许昌许继软件技术有限公司 | 一种基于优先级的巡视任务管理方法及巡检机器人 |
| CN117014472A (zh) * | 2023-09-04 | 2023-11-07 | 中国长江电力股份有限公司 | 一种基于云边端协同的电厂设备智能巡检方法及系统 |
| WO2024012109A1 (zh) * | 2022-07-11 | 2024-01-18 | 中兴通讯股份有限公司 | 巡检方法、告警方法、巡检系统和计算机可读存储介质 |
| CN117556238A (zh) * | 2023-11-09 | 2024-02-13 | 深圳市铁越电气有限公司 | 一种基于故障预测的电力设备巡检方法及系统 |
| CN117574321A (zh) * | 2024-01-16 | 2024-02-20 | 中国电建集团西北勘测设计研究院有限公司 | 基于海量监测巡检信息融合模型的大坝安全评估方法 |
| CN117671812A (zh) * | 2022-08-26 | 2024-03-08 | 中国移动通信集团广东有限公司 | 基站巡检优先级量化评估方法、装置和电子设备 |
| CN117909855A (zh) * | 2024-03-20 | 2024-04-19 | 南京鼎研电力科技有限公司 | 基于电力模型的数据监测与辅助治理方法 |
-
2024
- 2024-04-23 CN CN202410487035.6A patent/CN118096131A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108376374A (zh) * | 2018-02-02 | 2018-08-07 | 国网山西省电力公司阳泉供电公司 | 一种适用于跨国互联电力市场的中长期交易优化方法 |
| WO2024012109A1 (zh) * | 2022-07-11 | 2024-01-18 | 中兴通讯股份有限公司 | 巡检方法、告警方法、巡检系统和计算机可读存储介质 |
| CN117671812A (zh) * | 2022-08-26 | 2024-03-08 | 中国移动通信集团广东有限公司 | 基站巡检优先级量化评估方法、装置和电子设备 |
| CN115979622A (zh) * | 2022-12-16 | 2023-04-18 | 中冶宝钢技术服务有限公司 | 带式输送机减速器异常振动故障诊断方法、系统及介质 |
| CN116993075A (zh) * | 2023-06-30 | 2023-11-03 | 许昌许继软件技术有限公司 | 一种基于优先级的巡视任务管理方法及巡检机器人 |
| CN117014472A (zh) * | 2023-09-04 | 2023-11-07 | 中国长江电力股份有限公司 | 一种基于云边端协同的电厂设备智能巡检方法及系统 |
| CN117556238A (zh) * | 2023-11-09 | 2024-02-13 | 深圳市铁越电气有限公司 | 一种基于故障预测的电力设备巡检方法及系统 |
| CN117574321A (zh) * | 2024-01-16 | 2024-02-20 | 中国电建集团西北勘测设计研究院有限公司 | 基于海量监测巡检信息融合模型的大坝安全评估方法 |
| CN117909855A (zh) * | 2024-03-20 | 2024-04-19 | 南京鼎研电力科技有限公司 | 基于电力模型的数据监测与辅助治理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117495210B (zh) | 公路混凝土施工质量管理系统 | |
| CN116862199A (zh) | 基于大数据和云计算的建筑施工优化系统 | |
| CN106598791B (zh) | 一种基于机器学习的工业设备故障预防性识别方法 | |
| CN117494292B (zh) | 一种基于bim和ai大模型的工程进度管理方法及系统 | |
| CN114267178B (zh) | 一种车站的智能运营维护方法及装置 | |
| CN116681250A (zh) | 一种基于人工智能的建筑工程进度监管系统 | |
| CN114626615A (zh) | 一种生产过程监控管理方法及系统 | |
| CN113962299A (zh) | 一种核电设备智能运行监测与故障诊断通用模型 | |
| CN106570567A (zh) | 一种主网检修多约束多目标评估专家系统及优化方法 | |
| CN112257914B (zh) | 一种基于随机森林的航空安全因果预测方法 | |
| Eltyshev et al. | Intelligent decision support in the electrical equipment diagnostics | |
| CN117055502A (zh) | 基于物联网和大数据分析的智能控制系统 | |
| CN116992346A (zh) | 一种基于人工智能大数据分析的企业生产数据处理系统 | |
| CN117032165A (zh) | 一种工业设备故障诊断方法 | |
| CN115938124A (zh) | 一种城市轨道交通突发事件影响预测方法、系统及产品 | |
| CN117393076A (zh) | 耐热环氧树脂生产过程智能监测方法及系统 | |
| CN110781206A (zh) | 一种学习拆回表故障特征规则预测在运电能表是否故障的方法 | |
| CN117689373A (zh) | 一种柔性直流牵引供电系统能量路由器维护决策支持方法 | |
| CN117408162A (zh) | 基于数字孪生的电网故障控制方法 | |
| Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
| CN118096131A (zh) | 一种基于电力场景模型的运维巡检方法 | |
| CN115600695A (zh) | 一种计量设备的故障诊断方法 | |
| CN117853078B (zh) | 基于无人机的建筑工程施工现场动态安全报警系统及方法 | |
| CN118011990B (zh) | 基于人工智能的工业数据品质监控与提升系统 | |
| CN117630758B (zh) | 发电站变压器健康状态监测方法及系统 |
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 |