CN113283510B - 一种基于全业务混合数据的二次设备健康状况分析方法 - Google Patents

一种基于全业务混合数据的二次设备健康状况分析方法 Download PDF

Info

Publication number
CN113283510B
CN113283510B CN202110593619.8A CN202110593619A CN113283510B CN 113283510 B CN113283510 B CN 113283510B CN 202110593619 A CN202110593619 A CN 202110593619A CN 113283510 B CN113283510 B CN 113283510B
Authority
CN
China
Prior art keywords
equipment
data
full
fault type
service mixed
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
Application number
CN202110593619.8A
Other languages
English (en)
Other versions
CN113283510A (zh
Inventor
吴振杰
钱建国
方愉冬
王源涛
潘武略
侯伟宏
马伟
胡晨
刘东冉
陈嘉宁
殷建军
殷欢
王帅
卜少明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sifang Automation Co Ltd
Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Beijing Sifang Engineering Co Ltd
Original Assignee
Beijing Sifang Automation Co Ltd
Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Beijing Sifang Engineering Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Sifang Automation Co Ltd, Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd, Beijing Sifang Engineering Co Ltd filed Critical Beijing Sifang Automation Co Ltd
Priority to CN202110593619.8A priority Critical patent/CN113283510B/zh
Publication of CN113283510A publication Critical patent/CN113283510A/zh
Application granted granted Critical
Publication of CN113283510B publication Critical patent/CN113283510B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Water Supply & Treatment (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Selective Calling Equipment (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及一种基于全业务混合数据的二次设备健康状况分析方法，属于二次设备健康状况分析技术领域，解决了现有技术无法实现基于全业务混合数据的二次设备健康状况实时在线分析的问题。该方法步骤为：实时采集待分析二次设备的全业务混合数据；全业务混合数据包括二次设备的设备编号和设备状态监测数据；设备状态监测数据包括装置自检信息、压板、定值、通信状态、电源电压、光强、设备温度、装置差流状况、内部状态监视及装置运行状态数据；对实时采集到的全业务混合数据进行合规性检测并生成特征数据；基于设备温度选择匹配的故障类型确定模型，由选择的故障类型确定模型处理特征数据并输出故障类型及健康状况分析结果。

Description

一种基于全业务混合数据的二次设备健康状况分析方法
技术领域
本发明涉及二次设备健康状况分析技术领域，尤其涉及一种基于全业务混合数据的二次设备健康状况分析方法。
背景技术
在智能变电站的工作过程中，利用二次设备对电力***内的一次设备进行监察、测量、控制、保护及调节的辅助设备。通过对二次设备采集的信息进行梳理、判断，可以发现异常信息，从而实现继电保护设备中二次设备健康状态分析。特别是国家电网企业标准《继电保护信息规范》发布之后，为在线运维的实施提供了统一的数据标准，为二次设备健康状态智能分析奠定了基础。
目前，继电保护二次设备的健康状况分析主要基于长期的数据积累、并依赖离线评价的方式实现。这种方式的缺陷是：第一，无法实时获取二次设备的健康状况、实时发现电网故障；第二，无法快速感知站内二次设备的状态变化。由于存在上述缺陷，使得电网运行的风险大大增加，同时，调度及监控人员无法及时做出消缺、检修、调度决策，从而严重威胁着电网的安全稳定运行。
此外，现有技术中缺乏基于全业务混合数据的二次设备健康状况实时在线分析方法，导致二次设备健康状况实时在线分析准确性较差，无法实际应用。
发明内容
鉴于上述的分析，本发明实施例旨在提供一种基于全业务混合数据的二次设备健康状况分析方法，用以解决现有技术无法实现基于全业务混合数据的二次设备健康状况实时在线分析的问题。
本发明公开了一种基于全业务混合数据的二次设备健康状况分析方法，包括如下步骤：
实时采集待分析二次设备的全业务混合数据；所述全业务混合数据包括二次设备的设备编号和设备状态监测数据；所述设备状态监测数据包括装置自检信息、压板、定值、通信状态、电源电压、光强、设备温度、装置差流状况、内部状态监视及装置运行状态数据；
对实时采集到的全业务混合数据进行合规性检测，并基于检测通过后的全业务混合数据生成特征数据；所述特征数据与所述设备编号存在映射关系；
基于全业务混合数据中的设备温度选择匹配的故障类型确定模型，由所选择的故障类型确定模型接收并处理特征数据、输出全业务混合数据对应的故障类型；
输出匹配于所述全业务混合数据对应的故障类型的健康状况分析结果。
基于上述方案的进一步改进，所述设备编号与二次设备的设备技术参数存在映射关系；
对实时采集到的全业务混合数据进行合规性检测，包括：
基于设备编号与设备技术参数之间的映射关系，获取待分析二次设备的设备技术参数；
基于获取到的设备技术参数，判断全业务混合数据中各数据的数据类型、数据格式是否正确，若均正确，则合规性检测通过；否则，合规性检测不通过。
基于上述方案的进一步改进，所述基于检测通过后的全业务混合数据生成特征数据，包括：
若设备温度在正常工作范围内，依次将设备状态监测数据中除设备温度外的每一数据作为矩阵元素存入特征矩阵，形成特征数据；
若设备温度异常，则依次将设备状态监测数据的每一数据作为矩阵元素存入特征矩阵，形成特征数据。
基于上述方案的进一步改进，基于全业务混合数据中的设备温度选择匹配的故障类型确定模型，包括：
若二次设备的设备温度在正常工作范围内，则选择的故障类型确定模型为温度正常时的故障类型确定模型；
若二次设备的设备温度异常，则选择的故障类型确定模型为温度异常时的故障类型确定模型。
基于上述方案的进一步改进，通过执行以下操作训练并测试故障类型确定模型：
采集静态数据及布设位置与待分析二次设备均相同的多个二次设备的全生命周期的全业务混合数据，并提取全生命周期中出现各种故障类型时的全业务混合数据，组建样本库；
基于设备温度对所述样本库中的全业务混合数据及其对应的故障类型进行分类，形成设备温度正常和设备温度异常时的样本集；
基于样本集中的全业务混合数据生成特征数据，以特征数据为输入、以相应的故障类型为输出训练并测试与之匹配的故障类型确定模型。
基于上述方案的进一步改进，所述设备温度正常时的样本集，包括：设备温度在正常工作范围内的全业务混合数据，以及此时全业务混合数据对应的故障类型；
所述设备温度异常时的样本集，包括：设备温度在正常工作范围内的全业务混合数据，以及此时全业务混合数据对应的故障类型。
基于上述方案的进一步改进，所述输出匹配于所述全业务混合数据对应的故障类型的健康状况分析结果，包括：
通过查询故障类型-健康状况关系表，得到匹配于全业务混合数据对应的故障类型的健康状况，将该健康状况作为分析结果输出。
基于上述方案的进一步改进，所述故障类型-健康状况关系表用于存储每种故障类型对应的健康状况，每种故障类型对应的健康状况均基于故障类型的重要程度确定。
基于上述方案的进一步改进，所述故障类型包括二次设备硬件故障、二次设备软件故障、二次设备硬件告警、二次设备软件告警、检测型状态量存在严重偏差及无故障。
基于上述方案的进一步改进，所述故障类型确定模型基于神经网络模型或贝叶斯网络分类模型实现。
与现有技术相比，本发明至少可实现如下有益效果之一：
一方面，本发明提供的基于全业务混合数据的二次设备健康状况分析方法，能够实现基于全业务混合数据的二次设备健康状况实时在线分析，可用快速获取二次设备的健康状况评分，便于调度及监控人员及时了解二次设备的健康状况，并基于二次设备的健康状态做出相应的控制指令。
另一方面，为进一步提升故障类型识别的准确度，本发明从设备温度维度出发，分别构建了适配于具备不同数据特征的特征数据及故障类型确定模型，使得故障类型确定过程的针对性更强、故障类型确定的效果更好，从而能够更加快速、准确地识别全业务混合数据对应的故障类型，并基于故障类型评估二次设备的健康状况，得到二次设备健康状况的分析结果。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为本发明实施例中基于全业务混合数据的二次设备健康状况分析方法流程图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
本发明的一个具体实施例，公开了一种基于全业务混合数据的二次设备健康状况分析方法，流程图如图1所示，包括如下步骤：
步骤S1：实时采集待分析二次设备的全业务混合数据；
二次设备是对电力***内的一次设备进行监察、测量、控制、保护及调节的辅助设备。示例性地，本实施例中待分析二次设备可以包括以下类型：保护装置、测控装置、站内交直流电源及安稳设备等。
优选地，本实施例中的全业务混合数据包括二次设备的设备编号和设备状态监测数据；
需要说明的是，每一台二次设备均具备唯一的设备编号；由于在后续健康状况分析过程中会用到二次设备的静态数据，且对于一台固定的二次设备而言，其静态数据为固定信息，因此，为减少数据传输的数据量，减轻数据传输压力，在后台***中维护了二次设备的静态数据、以及设备编号与静态数据之间的映射关系；优选地，静态数据至少包括设备技术参数，其中，设备技术参数用于描述二次设备正常工作时的相关技术参数。此外，为便于用户更为全面地了解二次设备的相关信息，静态数据中还可以包括设备名称、设备厂家、设备型号以及设备版本等信息。
优选地，本实施例中的设备状态监测数据包括装置自检信息、压板、定值、通信状态、电源电压、光强、设备温度、装置差流状况、内部状态监视及装置运行状态；其中，定值、电源电压、光强、设备温度及装置差流是模拟量，其他是开关量。为更好地评估二次设备的健康状况，在实际实施过程中，设备状态监测数据还可以包括SV采样数据异常、GOOSE数据异常、SV信号通断、GOOSE信号通断、对时信号、端口状态监视、CPU使用率(％)中的一项或多项。通过监测上述数据正常与否，能够判断出二次设备的故障类型。
需要说明的是，设备状态监测数据中的各数据均可通过现有的采集方式得到，此处不再赘述。
为减少全业务混合数据因数据类型和数据格式错误对后续过程造成的影响，本实施例还增加了合规性检测的步骤，如步骤S2所示。
步骤S2：对实时采集到的全业务混合数据进行合规性检测，并基于检测通过后的全业务混合数据生成特征数据。
优选地，本实施例中合规性检测的过程如下：
基于二次设备的设备技术参数，判断全业务混合数据中设备状态监测数据的数据类型、数据格式是否正确，若均正确，则合规性检测通过；否则，合规性检测不通过，此时，需要重新获取相应数据或上报平台以供技术人员确认。
具体地，由于设备技术参数包括每一设备状态监测数据的数据类型及数据格式，因此，将设备状态监测数据与设备技术参数中的信息进行对应比较，即可判断出数据类型、数据格式的正确性。
合规性检测通过后，即可生成特征数据；考虑到设备温度是影响二次设备能否正常运行的重要指征，因此，本实施例对设备温度正常及设备温度异常时二次设备的健康状况分别进行评估。优选地，可通过执行以下操作生成特征数据：
若设备温度在正常工作范围内，依次将设备状态监测数据中除设备温度外的每一数据作为矩阵元素存入特征矩阵，形成特征数据；
若设备温度异常，则依次将设备状态监测数据的每一数据作为矩阵元素存入特征矩阵，形成特征数据；
需要说明的是，上述特征数据与二次设备的设备编号存在一一映射关系，以保证特征数据与二次设备之间的关联关系。
步骤S3：基于所述设备温度选择匹配的故障类型确定模型，由所选择的故障类型确定模型接收并处理特征数据、输出全业务混合数据对应的故障类型；
为提升故障类型确定模型分析结果的准确性，本实施例重点从设备温度的维度出发，分别构建了适配于具备不同数据特征的故障类型确定模型，包括：
1)温度正常时的故障类型确定模型：设备温度在正常工作范围内；
2)温度异常时的故障类型确定模型：设备温度异常。
因此，通过设备温度确定所选择的故障类型确定模型，并将特征数据输入相应的故障类型确定模型，以获得全业务混合数据对应的故障类型。
以上两种故障类型确定模型均可通过以下方式训练得到：
采集静态数据及布设位置与待分析二次设备均相同的多个二次设备的全生命周期的全业务混合数据，并提取全生命周期中出现各种故障类型时的全业务混合数据，组建样本库；
基于设备温度对样本库中的全业务混合数据及其对应的故障类型进行分类，形成两种类型的样本集；
1)设备温度在正常工作范围内的全业务混合数据，以及此时全业务混合数据对应的故障类型；
该样本集用于训练并测试设备温度正常时的故障类型确定模型；
2)设备温度异常的全业务混合数据，以及此时全业务混合数据对应的故障类型；
该样本集用于训练并测试设备温度异常时的故障类型确定模型。
在训练及测试过程中，基于样本集中的全业务混合数据生成特征数据，以特征数据为输入、以相应的故障类型为输出训练并测试与之匹配的故障类型确定模型。
需要说明的是，为保证故障类型确定模型的可靠性及稳定性，训练及测试故障类型确定模型过程中用到的样本集中的样本数量应该足够大，且需要包括无故障时的情况。
由于各监测数据之间并不独立、而是相互影响的，因此，很难通过建立数学模型的方式厘清监测数据与故障类型的对应关系。因此，本实施例通过分析监测数据与故障类型之间的影响关系，采用故障类型确定模型的方式确定监测数据与故障类型之间的对应关系，避免对监测数据与故障类型之间关系的详细分析。
通过分析上述设备状态监测数据能够指示的故障类型，本实施例选取了以下常见的二次设备的故障类型：二次设备硬件故障、二次设备软件故障、二次设备硬件告警、二次设备软件告警、检测型状态量存在严重偏差及无故障。
具体地，二次设备硬件故障、二次设备硬件告警均与二次设备硬件相关，其区别在于：二次设备硬件告警时二次设备还可正常使用，但是提示用户二次设备存在部分问题，以便引起用户注意；二次设备硬件故障时二次设备已无法正常使用，需及时更换，避免造成更为严重的影响。需要说明的是，二次设备硬件故障、二次设备硬件告警均与通信状态、电源电压、光强、设备温度、端口状态监视、装置运行状态、CPU使用率(％)等信息有关，因此，可通过这些数据获取二次设备是否属于二次设备硬件故障或二次设备硬件告警。
二次设备软件故障、二次设备软件告警均与二次设备软件有关，其区别在于：二次设备软件告警时部分保护功能存在闭锁，二次设备部分功能还可正常使用，但是提示用户二次设备存在部分问题，以便引起用户注意；二次设备软件故障时二次设备上的软件无法正常运行，需及时更新重装或更新软件，避免造成更为严重的影响。需要说明的是，二次设备软件故障、二次设备软件告警均与装置自检信息、压板、定值、通信状态、装置差流状况、内部状态监视及装置运行状态等信息有关，因此，可通过这些数据获取二次设备是否属于二次设备软件故障或二次设备软件告警。
检测型状态量存在严重偏差与装置自检信息、定值、装置差流状况、内部状态监视及装置运行状态等信息有关，因此，可通过这些数据获取二次设备是否属于检测型状态量存在严重偏差。
若设备状态监测数据均正常，则二次设备为无故障。
此外，故障类型还可以包括网络故障，通过分析SV采样数据异常、GOOSE数据异常、SV信号通断、GOOSE信号通断确定二次设备是否属于网络故障。
优选地，为提升故障类型确定模型的准确度，还可基于实时采集的全业务混合数据对应的特征数据和故障类型更新故障类型确定模型。
示例性地，故障类型确定模型可基于神经网络模型或贝叶斯网络分类模型实现。
步骤S4：输出匹配于所述全业务混合数据对应的故障类型的健康状况分析结果。
构建故障类型-健康状况关系表，用于存储每种故障类型对应的健康状况，示例性地，健康状态可用评分表示，每种故障类型对应的健康状况评分均基于故障类型的重要程度确定。
通过执行步骤S3，可以确定全业务混合数据对应的故障类型，通过查询故障类型-健康状况关系表，即可得到匹配于全业务混合数据对应的故障类型的健康状况，将该健康状况作为分析结果输出。
本实施例提供的基于全业务混合数据的二次设备健康状况分析方法，能够实现基于全业务混合数据的二次设备健康状况实时在线分析，可用快速获取二次设备的健康状况评分，便于调度及监控人员及时了解二次设备的健康状况，并基于二次设备的健康状态做出相应的控制指令。此外，本实施例从设备温度维度出发，分别构建了适配于具备不同数据特征的特征数据及故障类型确定模型，使得故障类型确定过程的针对性更强、故障类型确定效果更好，能够更加快速、准确地识别全业务混合数据对应的故障类型，并基于故障类型评估二次设备的健康状况，得到健康状况分析结果。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
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，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种基于全业务混合数据的二次设备健康状况分析方法，其特征在于，包括如下步骤：
实时采集待分析二次设备的全业务混合数据；所述全业务混合数据包括二次设备的设备编号和设备状态监测数据；所述设备状态监测数据包括装置自检信息、压板、定值、通信状态、电源电压、光强、设备温度、装置差流状况、内部状态监视及装置运行状态数据；
对实时采集到的全业务混合数据进行合规性检测，并基于检测通过后的全业务混合数据生成特征数据；所述特征数据与所述设备编号存在映射关系；
所述基于检测通过后的全业务混合数据生成特征数据，包括：
若设备温度在正常工作范围内，依次将设备状态监测数据中除设备温度外的每一数据作为矩阵元素存入特征矩阵，形成特征数据；
若设备温度异常，则依次将设备状态监测数据的每一数据作为矩阵元素存入特征矩阵，形成特征数据；
基于所述设备温度选择匹配的故障类型确定模型，由所选择的故障类型确定模型接收并处理所述特征数据、输出全业务混合数据对应的故障类型；特征数据与二次设备的设备编号存在一一映射关系；
基于全业务混合数据中的设备温度选择匹配的故障类型确定模型，包括：
若二次设备的设备温度在正常工作范围内，则选择的故障类型确定模型为温度正常时的故障类型确定模型；
若二次设备的设备温度异常，则选择的故障类型确定模型为温度异常时的故障类型确定模型；
通过执行以下操作训练并测试故障类型确定模型：
采集静态数据及布设位置与待分析二次设备均相同的多个二次设备的全生命周期的全业务混合数据，并提取全生命周期中出现各种故障类型时的全业务混合数据，组建样本库；
基于设备温度对所述样本库中的全业务混合数据及其对应的故障类型进行分类，形成设备温度正常和设备温度异常时的样本集；
基于样本集中的全业务混合数据生成特征数据，以特征数据为输入、以相应的故障类型为输出训练并测试与之匹配的故障类型确定模型；
所述设备温度正常时的样本集，包括：设备温度在正常工作范围内的全业务混合数据，以及此时全业务混合数据对应的故障类型；
所述设备温度异常时的样本集，包括：设备温度在异常工作范围内的全业务混合数据，以及此时全业务混合数据对应的故障类型；
输出匹配于所述全业务混合数据对应的故障类型的健康状况分析结果；通过查询故障类型-健康状况关系表，得到匹配于全业务混合数据对应的故障类型的健康状况，将该健康状况作为分析结果输出。
2.根据权利要求1所述的基于全业务混合数据的二次设备健康状况分析方法，其特征在于，所述设备编号与二次设备的设备技术参数存在映射关系；
对实时采集到的全业务混合数据进行合规性检测，包括：
基于设备编号与设备技术参数之间的映射关系，获取待分析二次设备的设备技术参数；
基于获取到的设备技术参数，判断全业务混合数据中各数据的数据类型、数据格式是否正确，若均正确，则合规性检测通过；否则，合规性检测不通过。
3.根据权利要求1或2所述的基于全业务混合数据的二次设备健康状况分析方法，其特征在于，所述故障类型-健康状况关系表用于存储每种故障类型对应的健康状况，每种故障类型对应的健康状况均基于故障类型的重要程度确定。
4.根据权利要求3所述的基于全业务混合数据的二次设备健康状况分析方法，其特征在于，所述故障类型包括二次设备硬件故障、二次设备软件故障、二次设备硬件告警、二次设备软件告警、检测型状态量存在严重偏差及无故障。
5.根据权利要求1所述的基于全业务混合数据的二次设备健康状况分析方法，其特征在于，所述故障类型确定模型基于神经网络模型或贝叶斯网络分类模型实现。
CN202110593619.8A 2021-05-28 2021-05-28 一种基于全业务混合数据的二次设备健康状况分析方法 Active CN113283510B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110593619.8A CN113283510B (zh) 2021-05-28 2021-05-28 一种基于全业务混合数据的二次设备健康状况分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110593619.8A CN113283510B (zh) 2021-05-28 2021-05-28 一种基于全业务混合数据的二次设备健康状况分析方法

Publications (2)

Publication Number Publication Date
CN113283510A CN113283510A (zh) 2021-08-20
CN113283510B true CN113283510B (zh) 2023-05-30

Family

ID=77282395

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110593619.8A Active CN113283510B (zh) 2021-05-28 2021-05-28 一种基于全业务混合数据的二次设备健康状况分析方法

Country Status (1)

Country Link
CN (1) CN113283510B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115047281B (zh) * 2022-08-11 2023-01-20 广东电网有限责任公司佛山供电局 一种电网二次设备的智能检测***

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105320126A (zh) * 2015-10-21 2016-02-10 中国南方电网有限责任公司 一种基于大数据技术的二次设备隐患挖掘方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7941701B2 (en) * 2007-08-03 2011-05-10 Smartsignal Corporation Fuzzy classification approach to fault pattern matching
CN103454516B (zh) * 2013-05-06 2015-10-28 国家电网公司 智能化变电站二次设备健康状态诊断方法
CN106197758B (zh) * 2016-06-29 2019-06-28 广东美的厨房电器制造有限公司 温度检测电路的故障检测方法及装置
US20200250584A1 (en) * 2019-01-31 2020-08-06 Marketech International Corp. Modeling method for smart prognostics and health management system and computer program product thereof
CN109933881A (zh) * 2019-03-06 2019-06-25 武汉大学 一种基于优化深度信念网络的电力电子电路故障诊断方法
US20210062764A1 (en) * 2019-08-20 2021-03-04 Raytheon Company Effector health monitor system and methods for same
CN111488947B (zh) * 2020-04-28 2024-02-02 深圳力维智联技术有限公司 电力***设备的故障检测方法与装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105320126A (zh) * 2015-10-21 2016-02-10 中国南方电网有限责任公司 一种基于大数据技术的二次设备隐患挖掘方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
智能变电站二次设备多维度故障诊断与定位***方案设计;张历;辛明勇;高吉普;王宇;胡星;张成模;;自动化与仪器仪表(05);全文 *

Also Published As

Publication number Publication date
CN113283510A (zh) 2021-08-20

Similar Documents

Publication Publication Date Title
CN112101764B (zh) 基于状态监测的船舶技术状况综合评估***
CN107069960B (zh) 一种二次运维管理***的在线缺陷诊断方法
CN111738631B (zh) 仪表管理***、管理平台、工业仪表及方法
CN114721352B (zh) Dcs***的状态监测与故障诊断方法及***
CN110174878A (zh) 一种无人化智能装备健康与保障综合管理通用***
CN113283510B (zh) 一种基于全业务混合数据的二次设备健康状况分析方法
CN111627199A (zh) 一种水电站大坝安全监测***及监测方法
CN117406026A (zh) 一种适用于分布式电源的配电网故障检测方法
JP2012018623A (ja) 異常データ分析システム
CN114255784A (zh) 一种基于声纹识别的变电站设备故障诊断方法及相关装置
CN116184265A (zh) 一种基于多分类svm的避雷器泄漏电流检测方法和***
CN112580858A (zh) 设备参数预测分析方法及***
KR20140051678A (ko) 스마트 기기 결함 관리 장치 및 방법
CN117150418B (zh) 基于状态特征故障树的变压器运检周期制定方法和***
CN117171366B (zh) 用于电网调度运行态势的知识图谱构建方法及***
CN106644436B (zh) 一种断路器机械特性的评定方法
CN116760191A (zh) 电力负荷调试方法及装置
CN107273984A (zh) 一种电力用油化学监督管理方法和***
CN116611953A (zh) 基于物联网的电能表生产制造实时数据管理方法和***
CN116224208A (zh) 电能表的误差检测方法、***及存储介质
CN108760285A (zh) 一种电磁阀在线检测***及方法
CN116186976A (zh) 装备平台传感器采集数据准确度验证方法及验证***
CN105548939B (zh) 一种电压互感器状态检验方法
CN115146715A (zh) 用电安全隐患诊断方法、装置、设备及存储介质
CN110398791A (zh) 一种可实现自诊断的智能基测箱

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