CN110378586B - 基于动态闭环知识管理的变电设备缺陷预警方法及*** - Google Patents
基于动态闭环知识管理的变电设备缺陷预警方法及*** Download PDFInfo
- Publication number
- CN110378586B CN110378586B CN201910611732.7A CN201910611732A CN110378586B CN 110378586 B CN110378586 B CN 110378586B CN 201910611732 A CN201910611732 A CN 201910611732A CN 110378586 B CN110378586 B CN 110378586B
- Authority
- CN
- China
- Prior art keywords
- defect
- analysis layer
- correlation coefficient
- knowledge base
- defect rate
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 229
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000009466 transformation Effects 0.000 title claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 77
- 238000012423 maintenance Methods 0.000 claims abstract description 64
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 238000007726 management method Methods 0.000 claims description 34
- 238000007689 inspection Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000009411 base construction Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000002955 isolation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了基于动态闭环知识管理的变电设备缺陷预警方法及***。该方法,包括计算区域内缺陷样本数据的缺陷率及缺陷率‑特征因素之间的相关系数,按照相关系数的大小排序,得到缺陷率和特征因素间相关性强弱的相关系数序列;将区域内的相关系数序列与缺陷样本数据的缺陷率构成区域级分析层知识库,上传至云端智能分析层;云端智能分析层汇总数据,在考虑各区域级权重的情况下,计算不同特征因素组合下的设备缺陷率及缺陷率‑特征因素之间的相关系数,从大到小依次排列,形成云端智能分析层运维知识库;按照缺陷率‑特征因素之间的相关系数大小对应的特征因素顺序,形成现场运维巡视预警排查清单。
Description
技术领域
本公开属于变电设备缺陷预警领域,尤其涉及一种基于动态闭环知识管理的变电设备缺陷预警方法及***。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
电力物联网技术的发展提高了电网各个环节信息感知的深度和广度,数据多源且异构。但存于云平台的数据由于数据采集和传输过程中存在数据丢失和错误,数据质量不高。而本地数据由于专业划分又分散于各业务应用***,造成了数据信息的“隔离”。管理上的约束又导致数据由下向上传递过程中数据的扭曲。上述问题制约了人工智能技术在设备状态评价和故障诊断中的应用。
发明人发现,由于运维数据质量不高、信息隔离以及数据扭曲造成各级运维决策人员掌握的信息不完全,由于不完全信息导致运维决策所需的特征量和信息模型结构存在不确定问题,进而影响变电设备缺陷预警的准确性。
发明内容
为了解决电力设备运维数据质量不高、信息隔离以及数据扭曲等制约变电设备运维从事后分析到事前预防转变,从而影响变电设备缺陷预警的准确性的问题,本公开提供一种基于动态闭环知识管理的变电设备缺陷预警方法及***,其通过构建运维知识库,提高缺陷检索效率,并利用模型统一、分块统计和动态排序算法实现变电设备的异常诊断,降低了诊断算法的复杂性。
本公开的第一个方面提供一种基于动态闭环知识管理的变电设备缺陷预警方法。
一种基于动态闭环知识管理的变电设备缺陷预警方法,包括:
计算区域内缺陷样本数据的缺陷率及缺陷率-特征因素之间的相关系数,按照相关系数的大小排序,得到缺陷率和特征因素之间相关性强弱的相关系数序列;其中,缺陷率等于不同特征因素组合下出现缺陷的频率与缺陷样本数据总量的比值;
组合区域内的相关系数序列与缺陷样本数据的缺陷率,构成区域级分析层知识库,并上传至云端智能分析层;
由云端智能分析层汇总所有区域级分析层知识库上传的数据,在考虑各区域级权重的情况下,计算不同特征因素组合下的设备缺陷率及缺陷率-特征因素之间的相关系数,并从大到小依次排列,形成云端智能分析层运维知识库;
按照缺陷率-特征因素之间的相关系数大小对应的特征因素顺序,形成现场运维巡视预警排查清单。
本公开的第二个方面提供一种基于动态闭环知识管理的变电设备缺陷预警***。
一种基于动态闭环知识管理的变电设备缺陷预警***,包括:
缺陷率及相关系数计算模块,其用于计算区域内缺陷样本数据的缺陷率及缺陷率-特征因素之间的相关系数,按照相关系数的大小排序,得到缺陷率和特征因素之间相关性强弱的相关系数序列;其中,缺陷率等于不同特征因素组合下出现缺陷的频率与缺陷样本数据总量的比值;
区域级分析层知识库构建模块,其用于组合区域内的相关系数序列与缺陷样本数据的缺陷率,构成区域级分析层知识库,并上传至云端智能分析层;
云端智能分析层运维知识库构建模块,其用于由云端智能分析层汇总所有区域级分析层知识库上传的数据,在考虑各区域级权重的情况下,计算不同特征因素组合下的设备缺陷率及缺陷率-特征因素之间的相关系数,并从大到小依次排列,形成云端智能分析层运维知识库;
排查清单生成模块,其用于按照缺陷率-特征因素之间的相关系数大小对应的特征因素顺序,形成现场运维巡视预警排查清单。
本公开的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述所述的基于动态闭环知识管理的变电设备缺陷预警方法中的步骤。
本公开的第四个方面提供一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的基于动态闭环知识管理的变电设备缺陷预警方法中的步骤。
本公开的有益效果是:
(1)本公开的基于动态闭环知识管理的变电设备缺陷预警方法,以不同类型缺陷率和因素之间相关系数、不同特征组合下的设备缺陷率作为知识库,建立两层知识库架构,采用模型统一、分块统计和动态排序算法,构建运维知识生成数学模型,通过运维样本的不断积累,更新运维知识库中缺陷率和因素之间相关性和不同特征组合下的设备缺陷率,根据排序结果形成重点运维清单,提高现场运维缺陷识别的准确性。
(2)本公开的两层知识架构,解决不完全信息导致的运维决策所需的特征量和信息模型结构存在不确定问题,修正由于样本信息不完全造成的知识偏差,发现隐性缺陷,提前消缺。
(3)本公开的知识的闭环管理不断修正知识模型,进一步提高了异常诊断的准确率,指导现场开展设备的差异化运维,提升了运维效率和经济性。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例的两层知识库架构图。
图2为本公开实施例的基于动态闭环知识管理的变电设备缺陷预警方法流程图。
图3为本公开实施例的闭环知识管理图。
图4为本公开实施例的信息传递图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例1
知识库,是利用不同特征组合下的设备缺陷率、设备缺陷率和缺陷因素之间的相关系数对缺陷样本数据之间的关系进行知识表示,并构建知识库。其中知识表示即为将研究对象的语义信息表示为向量。语义信息在本发明中即为信息模型,在梳理大量历史运维信息样本数据的基础上,信息模型关键信息包括有站/线路、设备类型、缺陷部位、生产厂家、设备型号、投运年限、缺陷类型、缺陷严重程度、温湿度、气象、季节、检测数据。信息结构模型中,各个特征量即为知识表示学习所获得的结构化表达,基于不同特征量之间的组合可进一步转化成为知识。如信息模型中,综合考虑设备的生产厂家、设备类型可形成设备的共性问题和家族性缺陷分析的知识表示。缺陷的严重程度能够给不同的缺陷样本提供客观的区分度,考虑季节有助于分析运维周期和运维事项。本发明中,知识表示主要是在缺陷样本中计算出缺陷率和其他连续特征量之间的相关关系以及不同特征组合下缺陷率。针对连续性特征因素如温湿度、检测数据,采用距离相关系数dcor来度量设备缺陷率Y和(X1,...,Xm)任意两组变量之间的相关性。针对非连续性因素如厂家、缺陷类型,通过不同特征因素组合下的缺陷率来表示知识,缺陷率通过不同特征组合下出现的频率/数据总量来计算。
如图1所示,本公开的两层知识库架构,一层以运维单位管理职能划分,为区域级分析,一层为云端的大数据和智能分析。以运维单位管理职能划分的区域级分析层根据区域内运维发现的缺陷信息样本计算不同缺陷率和特征因素之间的相关系数以及不同特征组合下的设备缺陷率,形成知识模型Dr1,并将计算结果汇总上传至云端智能分析层。云端智能分析层分块统计k个区域级上传的缺陷-因素的相关关系、缺陷率,考虑各区域级相关系数的权重wk,计算缺陷-因素的相关关系和不同特征组合下缺陷率,并动态排序,形成云端智能分析层运维知识库Dr,Dr中计算所得的缺陷-因素的相关关系和不同特征组合下缺陷率可自动更新至区域级分析层的知识模型Dr1。
其中:
Dr={(dcor(Y1,X1),dcor(Y2,X2),...,dcor(Yp,Xm)},Y},其中,Y={Y1,...,Yp}为不同特征组合下的设备缺陷率,Y为设备缺陷率,X1,...,Xm为缺陷影响因素,p表示不同特征组合的数量,m表示n个特征因素中连续变量的数量,dcov,dvar分别表示距离协方差和协方差,i=1,2,...,m,j=1,2,...,p,0≤dcor(Yj,Xi)≤1。
本公开实施例通过分析设备运维缺陷样本之间存在的逻辑关系,利用不同特征组合下的设备缺陷率、设备缺陷率和缺陷因素之间的相关系数对缺陷样本数据之间的关系进行知识表示,并构建知识库,研究基于知识的电力设备缺陷分析方法,建立两层知识结构,一层以运维单位管理职能划分,为区域级分析,一层为云端的大数据和智能分析,通过分块计算和区域级缺陷率和相关系数汇总和修正,不断积累和更新缺陷分析知识库,根据标准化的相关系数对缺陷率和缺陷因素之间的相关关系以及不同特征组合下缺陷率进行排序,与缺陷率相关关系最高的因素组成缺陷预警指标,为电力设备运维决策提供依据。
如图2所示,本实施例的基于动态闭环知识管理的变电设备缺陷预警方法,包括:
S101:计算区域内缺陷样本数据的缺陷率Y={Y1,...,Yp}及缺陷率-特征因素之间的相关系数dcor(Yj,Xi),按照相关系数的大小排序,得到缺陷率和特征因素之间相关性强弱的相关系数序列;其中,缺陷率等于不同特征因素组合下出现缺陷的频率与缺陷样本数据总量的比值。
其中,所述特征因素包括但不限于:有站/线路、设备类型、缺陷部位、生产厂家、设备型号、投运年限、缺陷类型、缺陷严重程度、温湿度、气象、季节和检测数据。
S102:组合区域内的相关系数序列与缺陷样本数据的缺陷率,构成区域级分析层知识库,并上传至云端智能分析层;
S103:由云端智能分析层汇总所有区域级分析层知识库上传的数据,在考虑各区域级权重的情况下,计算不同特征因素组合下的设备缺陷率及缺陷率-特征因素之间的相关系数,并从大到小依次排列,形成云端智能分析层运维知识库;
其中,云端智能分析层运维知识库为:
Dr=∑Drk×wk;
其中,Dr为云端智能分析层运维知识库,Drk为第k个区域级分析层知识库;wk为第k个区域级的权重。
S104:输出云端智能分析层运维知识库中缺陷率-特征因素之间的相关系数最大值对应的特征因素作为预警指标,生成现场运维巡视排查清单进行缺陷排查。
在具体实施中,如图3所示,该方法还包括:
将现场运维巡视排查得到的缺陷数据累计至相应区域内的缺陷样本数据中,以更新区域级分析层知识库。
随着样本数据的积累,相关系数的排序相应改变。Dr中计算所得的缺陷-因素的相关关系和不同特征组合下的设备缺陷率可自动更新至区域级分析层的知识模型Dri,根据Dri中与缺陷率相关关系最大的因素,为现场运维提供巡视排查清单。
本实施例中,汇总多个运维单位红外检测缺陷样本,基于不同运维单位的缺陷样本数据计算35kV隔离开关、触指、厂家和发热缺陷类型四类不同特征量组合出现的缺陷率,分别为Dr1={(厂家A|缺陷率,0.46%),(厂家B|缺陷率,0.65%),(厂家C|缺陷率,0.22%)}
Dr2={(厂家A|缺陷率,0.43%),(厂家B|缺陷率,1.51%),(厂家C|缺陷率,0.49%)}
Dr3={(厂家A|缺陷率,0.54%),(厂家B|缺陷率,1.73%),(厂家C|缺陷率,0.86%)}
根据不同运维单位权重wk={0.1,05,0.4}进一步计算,结合动态排序,得到综合的缺陷与因素的知识库Dr,即为:
Dr1={(厂家B|缺陷率,1.51%),(厂家C|缺陷率,0.61%),(厂家A|缺陷率,0.47%)}。
通过Dr知识库中不同厂家缺陷率的比较,发现厂家B生产的35kV户外隔离开关的触指发热缺陷率最高,疑似家族性缺陷。因此针对该厂家同型号和同批次出厂的35kV户外隔离开关触指进行统一排查,集中整改。
实施例2
本实施例的基于动态闭环知识管理的变电设备缺陷预警***,包括:
(1)缺陷率及相关系数计算模块,其用于计算区域内缺陷样本数据的缺陷率及缺陷率-特征因素之间的相关系数,按照相关系数的大小排序,得到缺陷率和特征因素之间相关性强弱的相关系数序列;其中,缺陷率等于不同特征因素组合下出现缺陷的频率与缺陷样本数据总量的比值;
需要说明的是,所述特征因素包括但不限于:有站/线路、设备类型、缺陷部位、生产厂家、设备型号、投运年限、缺陷类型、缺陷严重程度、温湿度、气象、季节和检测数据。
(2)区域级分析层知识库构建模块,其用于组合区域内的相关系数序列与缺陷样本数据的缺陷率,构成区域级分析层知识库,并上传至云端智能分析层;
(3)云端智能分析层运维知识库构建模块,其用于由云端智能分析层汇总所有区域级分析层知识库上传的数据,在考虑各区域级权重的情况下,计算不同特征因素组合下的设备缺陷率及缺陷率-特征因素之间的相关系数,并从大到小依次排列,形成云端智能分析层运维知识库;
其中,云端智能分析层运维知识库为:
Dr=∑Drk×wk;
其中,Dr为云端智能分析层运维知识库,Drk为第k个区域级分析层知识库;wk为第k个区域级的权重。
(4)排查清单生成模块,其用于按照缺陷率-特征因素之间的相关系数大小对应的特征因素顺序,形成现场运维巡视预警排查清单。
具体地,该***还包括:
区域级分析层知识库更新模块,其用于将现场运维巡视排查得到的缺陷数据累计至相应区域内的缺陷样本数据中,以更新区域级分析层知识库。
本实施例的基于动态闭环知识管理的变电设备缺陷预警***,以不同类型缺陷率和因素之间相关系数、不同特征组合下的设备缺陷率作为知识库,建立两层知识库架构,采用模型统一、分块统计和动态排序算法,构建运维知识生成数学模型,通过运维样本的不断积累,更新运维知识库中缺陷率和因素之间相关性和不同特征组合下的设备缺陷率,根据排序结果形成重点运维清单,提高现场运维缺陷识别的准确性。
在具体实施中,如图4所示,基于动态闭环知识管理的变电设备缺陷预警***与各个移动终端通信模块相互通信,基于动态闭环知识管理的变电设备缺陷预警***将现场运维巡视预警排查清单发送给移动终端通信模块,移动终端通信模块将缺陷数据及消缺情况反馈至基于动态闭环知识管理的变电设备缺陷预警***,这样形成闭环***,增加了样本数据,有利于提高缺陷巡视预警的准确率。
实施例3
本实施例的一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如图2所示的基于动态闭环知识管理的变电设备缺陷预警方法中的步骤。
实施例4
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如图2所示的基于动态闭环知识管理的变电设备缺陷预警方法中的步骤。
本领域内的技术人员应明白,本公开的实施例可提供为方法、***、或计算机程序产品。因此,本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种基于动态闭环知识管理的变电设备缺陷预警方法,其特征在于,包括:
计算区域内缺陷样本数据的缺陷率及缺陷率-特征因素之间的相关系数,按照相关系数的大小排序,得到缺陷率和特征因素之间相关性强弱的相关系数序列;其中,缺陷率等于不同特征因素组合下出现缺陷的频率与缺陷样本数据总量的比值;缺陷率-特征因素之间的相关系数计算方法为:采用距离相关系数dcor表示设备缺陷率Y和任意两组变量(X1,...,Xm)之间的相关系数;
其中,i=1,2,...,m,j=1,2,...,p,Y1,...,Yp为不同特征组合下的设备缺陷率,X1,...,Xm为缺陷影响因素,dcov,dvar分别表示距离协方差和协方差,0≤dcor(Yj,Xi)≤1;
组合区域内的相关系数序列与缺陷样本数据的缺陷率,构成区域级分析层知识库,并上传至云端智能分析层;
由云端智能分析层汇总所有区域级分析层知识库上传的数据,在考虑各区域级权重的情况下,计算不同特征因素组合下的设备缺陷率及缺陷率-特征因素之间的相关系数,并从大到小依次排列,形成云端智能分析层运维知识库;
按照缺陷率-特征因素之间的相关系数大小对应的特征因素顺序,形成现场运维巡视预警排查清单。
2.如权利要求1所述的基于动态闭环知识管理的变电设备缺陷预警方法,其特征在于,区域级分析层和云端智能分析层这两层知识库架构,采用模型统一、分块统计和动态排序算法,共同构建出运维知识库。
3.如权利要求1所述的基于动态闭环知识管理的变电设备缺陷预警方法,其特征在于,云端智能分析层运维知识库为:
Dr=∑Drk×wk;
其中,Dr为云端智能分析层运维知识库,Drk为第k个区域级分析层知识库;wk为第k个区域级的权重。
4.如权利要求1所述的基于动态闭环知识管理的变电设备缺陷预警方法,其特征在于,该方法还包括:
将现场运维巡视排查得到的缺陷数据累计至相应区域内的缺陷样本数据中,以更新区域级分析层知识库。
5.如权利要求1所述的基于动态闭环知识管理的变电设备缺陷预警方法,其特征在于,所述特征因素包括:有站/线路、设备类型、缺陷部位、生产厂家、设备型号、投运年限、缺陷类型、缺陷严重程度、温湿度、气象、季节和检测数据。
6.一种基于动态闭环知识管理的变电设备缺陷预警***,其特征在于,包括:
缺陷率及相关系数计算模块,其用于计算区域内缺陷样本数据的缺陷率及缺陷率-特征因素之间的相关系数,按照相关系数的大小排序,得到缺陷率和特征因素之间相关性强弱的相关系数序列;其中,缺陷率等于不同特征因素组合下出现缺陷的频率与缺陷样本数据总量的比值;缺陷率-特征因素之间的相关系数计算方法为:采用距离相关系数dcor表示设备缺陷率Y和任意两组变量(X1,...,Xm)之间的相关系数;
其中,i=1,2,...,m,j=1,2,...,p,Y1,...,Yp为不同特征组合下的设备缺陷率,X1,...,Xm为缺陷影响因素,dcov,dvar分别表示距离协方差和协方差,0≤dcor(Yj,Xi)≤1;
区域级分析层知识库构建模块,其用于组合区域内的相关系数序列与缺陷样本数据的缺陷率,构成区域级分析层知识库,并上传至云端智能分析层;
云端智能分析层运维知识库构建模块,其用于由云端智能分析层汇总所有区域级分析层知识库上传的数据,在考虑各区域级权重的情况下,计算不同特征因素组合下的设备缺陷率及缺陷率-特征因素之间的相关系数,并从大到小依次排列,形成云端智能分析层运维知识库;
排查清单生成模块,其用于按照缺陷率-特征因素之间的相关系数大小对应的特征因素顺序,形成现场运维巡视预警排查清单。
7.如权利要求6所述的基于动态闭环知识管理的变电设备缺陷预警***,其特征在于,该***还包括:
区域级分析层知识库更新模块,其用于将现场运维巡视排查得到的缺陷数据累计至相应区域内的缺陷样本数据中,以更新区域级分析层知识库。
8.如权利要求6所述的基于动态闭环知识管理的变电设备缺陷预警***,其特征在于,云端智能分析层运维知识库为:
Dr=∑Drk×wk;
其中,Dr为云端智能分析层运维知识库,Drk为第k个区域级分析层知识库;wk为第k个区域级的权重;
或
所述特征因素包括:有站/线路、设备类型、缺陷部位、生产厂家、设备型号、投运年限、缺陷类型、缺陷严重程度、温湿度、气象、季节和检测数据。
9.一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,该程序被处理器执行时实现如权利要求1-5中任一项所述的基于动态闭环知识管理的变电设备缺陷预警方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-5中任一项所述的基于动态闭环知识管理的变电设备缺陷预警方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910611732.7A CN110378586B (zh) | 2019-07-08 | 2019-07-08 | 基于动态闭环知识管理的变电设备缺陷预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910611732.7A CN110378586B (zh) | 2019-07-08 | 2019-07-08 | 基于动态闭环知识管理的变电设备缺陷预警方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110378586A CN110378586A (zh) | 2019-10-25 |
CN110378586B true CN110378586B (zh) | 2021-11-09 |
Family
ID=68252353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910611732.7A Active CN110378586B (zh) | 2019-07-08 | 2019-07-08 | 基于动态闭环知识管理的变电设备缺陷预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378586B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110956447A (zh) * | 2019-11-27 | 2020-04-03 | 云南电网有限责任公司电力科学研究院 | 确定疑似家族性缺陷的方法及其*** |
CN114766023B (zh) * | 2020-10-30 | 2023-05-16 | 京东方科技集团股份有限公司 | 数据处理方法、装置及***、电子设备 |
CN116777292B (zh) * | 2023-06-30 | 2024-04-16 | 北京京航计算通讯研究所 | 基于多批次小样本航天产品的缺陷率指标修正方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105426991A (zh) * | 2015-11-06 | 2016-03-23 | 深圳供电局有限公司 | 一种变压器缺陷率预测的方法和*** |
CN105740975A (zh) * | 2016-01-26 | 2016-07-06 | 云南电网有限责任公司电力科学研究院 | 一种基于数据关联关系的设备缺陷评估与预测方法 |
CN107730079A (zh) * | 2017-09-15 | 2018-02-23 | 广西电网有限责任公司电力科学研究院 | 一种基于数据挖掘的输变电设备缺陷画像方法 |
CN108537344A (zh) * | 2018-02-01 | 2018-09-14 | 贵州电网有限责任公司 | 基于闭环知识管理的二次设备智能运维方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9323234B2 (en) * | 2009-06-10 | 2016-04-26 | Fisher-Rosemount Systems, Inc. | Predicted fault analysis |
-
2019
- 2019-07-08 CN CN201910611732.7A patent/CN110378586B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105426991A (zh) * | 2015-11-06 | 2016-03-23 | 深圳供电局有限公司 | 一种变压器缺陷率预测的方法和*** |
CN105740975A (zh) * | 2016-01-26 | 2016-07-06 | 云南电网有限责任公司电力科学研究院 | 一种基于数据关联关系的设备缺陷评估与预测方法 |
CN107730079A (zh) * | 2017-09-15 | 2018-02-23 | 广西电网有限责任公司电力科学研究院 | 一种基于数据挖掘的输变电设备缺陷画像方法 |
CN108537344A (zh) * | 2018-02-01 | 2018-09-14 | 贵州电网有限责任公司 | 基于闭环知识管理的二次设备智能运维方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110378586A (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047082B (zh) | 设备的预警方法及装置、存储介质和电子装置 | |
CN110378586B (zh) | 基于动态闭环知识管理的变电设备缺陷预警方法及*** | |
CN107578104B (zh) | 一种中药生产过程知识*** | |
CN111783953B (zh) | 一种基于优化lstm网络的24点电力负荷值7日预测方法 | |
CN102183621B (zh) | 水产养殖溶解氧浓度在线预测方法及*** | |
CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN107169598A (zh) | 一种基于深度学习的天气预测方法及*** | |
CN112734128A (zh) | 一种基于优化rbf的7日电力负荷峰值预测方法 | |
CN105259827A (zh) | 一种固态发酵过程状况的实时监控***与监控方法 | |
CN111930790B (zh) | 一种基于时序分析的阀冷设备进阀温度预测方法 | |
CN114418177B (zh) | 基于生成对抗网络的数字孪生车间的新产品物料配送预测方法 | |
CN110555058A (zh) | 基于改进决策树的电力通信设备状态的预测方法 | |
CN116028887B (zh) | 一种连续性工业生产数据的分析方法 | |
CN116562514B (zh) | 基于神经网络的企业生产状况即时分析方法及*** | |
CN109856973A (zh) | 一种基于模糊神经网络的温室环境控制方法及*** | |
CN114548494B (zh) | 一种可视化造价数据预测智能分析*** | |
CN110443481B (zh) | 基于混合k-近邻算法的配电自动化终端状态评价***及方法 | |
CN111626539A (zh) | 一种基于q强化学习的电网运行断面动态生成方法 | |
CN114637351A (zh) | 一种设施作物温室环境调控方法及*** | |
CN114529204A (zh) | 一种组件化的生产过程控制管理方法及*** | |
CN113587986B (zh) | 一种自适应自调整的多维度养殖环境质量评估方法及*** | |
CN116401545A (zh) | 一种多模型融合的水轮机振摆分析方法 | |
CN115864644A (zh) | 一种继电保护装置状态评价方法、***、设备及介质 | |
CN115392663A (zh) | 一种基于大数据的数据采集处理方法 | |
CN114118592B (zh) | 一种智能电网用电端短期能耗预测*** |
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 | ||
GR01 | Patent grant |