CN113988552A - 基于大数据的氢产业链风险监测*** - Google Patents
基于大数据的氢产业链风险监测*** Download PDFInfo
- Publication number
- CN113988552A CN113988552A CN202111208956.7A CN202111208956A CN113988552A CN 113988552 A CN113988552 A CN 113988552A CN 202111208956 A CN202111208956 A CN 202111208956A CN 113988552 A CN113988552 A CN 113988552A
- Authority
- CN
- China
- Prior art keywords
- data
- risk
- leakage
- hydrogen
- alarm
- 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
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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Fuel Cell (AREA)
- Filling Or Discharging Of Gas Storage Vessels (AREA)
Abstract
本发明提供了一种基于大数据的氢产业链风险监测***,通过由数据采集层、数据存储层、数据处理层、风险分析层以及智能应用层组成的***结构,能够实现对氢产业链中各个环节大规模数据的提取、处理、识别、分析和报告,从而将风险信息及时、准确地呈现,为日常管理和决策提供全方位的支持,并达到了现有技术所不具备的诸多有益效果。
Description
技术领域
本发明属于氢能源产业大数据技术领域,具体涉及一种针对氢产业链全环节的大数据风险监测***。
背景技术
氢燃料作为一种清洁能源,具有热效率高、零污染等诸多优点,可预见将在未来的新能源领域中占据主流地位。然而,在产业大规模增长的前景下,氢安全问题需要首先被关注,近年来世界各地接连发生多起氢能泄漏、***事故,安全问题已充斥氢产业链的各个环节。现有技术中,无论是国家还是地方层面,均没有针对整个产业进行风险监测与处理的完整方法,产业链上各个环节所产生的大量运营信息与风险数据仍然依赖于各环节的企业自行处理和维护,管理部门尚无法对风险事件进行及时的发现、跟踪和处理,企业自身获取风险信息也会存在一定的滞后性,导致无法及时上报风险与事故信息,延误处理的最佳时间。因此,如何提供一套科学高效且能够有效结合大数据能力、充分发挥大数据价值的氢产业链风险监测***,以提升对产业监管的效率与能力,是本领域中亟待解决的技术问题。
发明内容
针对上述本领域中存在的技术问题,本发明提供了一种基于大数据的氢产业链风险监测***,主要由数据采集层、数据存储层、数据处理层、风险分析层以及智能应用层组成;
其中,所述数据采集层用于对接产业链各环节的设备和业务***,针对包括制氢企业、运氢车、加氢站、氢燃料电池汽车的对象,执行分布式的实时数据采集;
所述数据存储层用于通过网关接收所述数据采集层采集到的数据进行存储,并把不同来源、类型的数据进行预分类,为后续数据处理层的操作提供支持;
所述数据处理层用于对预分类后的数据依次执行数据清洗、标准化和输出关键指标;
所述风险分析层利用数据处理层输出的历史标准化数据中提取相应的学习指标,并对风险预测模型算法进行训练;并从实时的标准化数据中提取相应的监测指标,输入训练好的风险预测模型算法,输出风险告警信息和未来风险预测信息数据,发送到智能应用层进行下一步处理;
所述智能应用层用于针对风险识别与警情发现结果,通过消息推送、可视化显示以及生成数据报表等方式,为管理人员提供分析材料与决策依据。
进一步地,所述数据采集层针对各所述对象,具体执行以下数据采集操作:
(1)针对制氢企业通过对接其业务***,获取制氢设备(如水电解制氢设备)、压缩机设备、氢气储存设备的运行情况及数据指标;
(2)针对运氢车(如移动式承压设备长管拖车)通过对接罐体监控设备与驾驶员监测设备,获取罐体温度、压力、倾角、泄漏指数、设备位置和驾驶员行为数据等指标;
(3)针对加氢站通过与站控***进行对接,获取站内设备如压缩机、储氢罐、加氢机、链接阀门等的运行数据,以及通过站内监测装置获取温度、烟雾检测等环境数据;
(4)针对氢燃料电池汽车通过对接车企平台或监管平台,获取实时运行数据,包括整车数据、驱动电机数据、燃料电池数据、车辆位置、极值数据、报警数据等。
进一步地,所述数据处理层所执行的数据标准化操作具体为:
以数据存储层预分类后的原始数据为目标,通过缺失值清洗、格式内容校验、逻辑错误清洗、非需求数据清洗后得到标准化数据;
所述输出关键指标操作具体为:
数据指标输出步骤中,按照风险分析模块的评估需求,对数据指标进行分类提取,并传输至风险分析模块进行分析;数据指标将按照监测指标、学习指标两个维度进行提取;
其中,所述监测指标具体包括:
针对卸气柱的泄漏百分比与火焰探测状态指标;
针对压缩机的泄漏百分比、进气压力、排气压力、排气温度、油压、控制器断电状态、压缩机膜片破裂状态、随动阀膜片破裂状态指标;
针对储氢罐的前泄漏百分比、后泄漏百分比、罐体压力、罐体温度指标;
针对加氢机的泄露百分比、火焰探测状态、加氢盖棚泄漏百分比、加氢枪压力、加氢枪加注速度、控制器断电状态指标;
所述学习指标具体包括:
针对卸气柱对是否存在泄漏大于10%、泄漏大于25%、火焰探测报警、检修日期30天内的判断结果;
针对压缩机是否存在泄漏大于10%、泄漏大于25%、进气压力过高、进气压力过低、排气压力过高、排气压力过低、排气温度过高、排气温度过低、油压过高、油压过低、控制器断电、压缩机膜片破裂、随动阀膜片破裂、检修日期30天内的判断结果特征;
针对储氢罐是否存在前泄漏大于10%、前泄漏大于25%、后泄漏大于10%、后泄漏大于25%、罐体压力过高、罐体压力过低、罐体温度过高、罐体温度过低、检修日期30天内的判断结果特征;
针对加氢机是否存在泄漏大于10%、泄漏大于25%、火焰探测报警、加氢盖棚泄漏大于10%、加氢盖棚泄漏大于25%、加氢枪压力过高、加氢枪压力过低、加氢枪加注速度过快、加氢枪加注速度过慢、控制器断电、检修日期30天内的判断结果特征;
以及加氢站是否存在加氢站环境温度<0℃、加氢站环境温度0-30℃、环境温度>30℃、加氢站输出报警的判断结果特征。
进一步地,所述风险分析层的风险预测模型算法训练和输出风险告警信息时,根据学习指标与监测指标的阈值范围对风险划分不同的等级;
在对风险预测模型算法进行训练过程中,针对所述学习指标以滑动窗口法的方式构造数据集,在每个时间区间内对学习指标数据进行特征提取,通过提取的各特征数据样本对基于长短时记忆神经网络(LSTM)的所述风险预测模型算法进行训练,过程具体包括:
1)定义数据集的时间窗口T为24小时,滑动步长为1小时,标签值为时间序列上最后一小时的风险判断结果(设备是否有告警情况);每一个时间窗口内,以设备的学习指标作Xt为样本,以某时间区间t内样本的判断结果特征作为标签值ht,进行算法训练;
2)在时间区间t内,利用LSTM,结合前一时间区间的记忆内容、状态结果,输入本区间内的记忆内容,通过LSTM的输出门、输入门和遗忘门的处理完成本区间的学习训练,输出本区间的标签值果ht和记忆内容Xt+1至下一时间区间;其中ht在算法运行过程中还作为上报内容;
3)针对所述风险预测模型算法的输出结果,利用网格搜索、贝叶斯优化、随机搜索、专家咨询法等方法优化算法输出的拟合程度,以提高算法预测风险的精确性。
进一步地,所述智能应用层具体包括实时报警模块、风险预警模块、数据可视化模块与数据报表模块;
其中,所述实时报警模块用于根据风险分析层的告警信息,展示当前全产业链上不同环节中各设备、人员和环境的实时告警情况,包括如燃料电池汽车过压/高温报警、运氢长管拖车泄漏报警、长管拖车驾驶员驾驶行为不当报警、加氢站泄漏报警、制氢厂产线异常报警等;
所述风险预警模块用于根据风险分析层对当前时间窗口中前24小时设备情况的评估结果,提供在未来1小时内可能发生风险的设备以及其风险因素,包括如制氢设施风险预测、加氢站设备风险预测、设备检修维护计划、潜在损坏零件更换警告、运氢长管拖车行驶路线风险情况等内容;
所述数据可视化模块用于基于Echarts等开源数据可视化框架,通过提供类型多种图表形式对实时告警和风险预警数据进行展示,辅助管理人员进行数据分析与决策;
所述数据报表模块用于根据风险告警信息和未来风险预测信息数据,定期生成全产业链的风险情况数据报表,多角度全方位地归纳整理行业整体的风险情况与处置结果,为进一步增强行业风险管理水平,提高风险事件响应与处置效率提供支持。
上述本发明所提供的基于大数据的氢产业链风险监测***,通过由数据采集层、数据存储层、数据处理层、风险分析层以及智能应用层组成的***结构,能够实现对氢产业链中各个环节大规模数据的提取、处理、识别、分析和报告,从而将风险信息及时、准确地呈现,为日常管理和决策提供全方位的支持,并达到了现有技术所不具备的诸多有益效果。
附图说明
图1为本发明所提供***的总体结构图;
图2为长短时记忆神经网络的工作原理示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,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。
本发明所提供的一种基于大数据的氢产业链风险监测***,如图1所示,其主要由数据采集层、数据存储层、数据处理层、风险分析层以及智能应用层组成;
其中,所述数据采集层用于对接产业链各环节的设备和业务***,针对包括制氢企业、运氢车、加氢站、氢燃料电池汽车的对象,执行分布式的实时数据采集;
所述数据存储层用于通过网关接收所述数据采集层采集到的数据进行存储,并把不同来源、类型的数据进行预分类,为后续数据处理层的操作提供支持;
所述数据处理层用于对预分类后的数据依次执行数据清洗、标准化和输出关键指标;
所述风险分析层利用数据处理层输出的历史标准化数据中提取相应的学习指标,并对风险预测模型算法进行训练;并从实时的标准化数据中提取相应的监测指标,输入训练好的风险预测模型算法,输出风险告警信息和未来风险预测信息数据,发送到智能应用层进行下一步处理;
所述智能应用层用于针对风险识别与警情发现结果,通过消息推送、可视化显示以及生成数据报表等方式,为管理人员提供分析材料与决策依据。
在本发明的一个优选实施方式中,所述数据采集层针对各所述对象,具体执行以下数据采集操作:
(1)针对制氢企业通过对接其业务***,获取制氢设备(如水电解制氢设备)、压缩机设备、氢气储存设备的运行情况及数据指标;
(2)针对运氢车(如移动式承压设备长管拖车)通过对接罐体监控设备与驾驶员监测设备,获取罐体温度、压力、倾角、泄漏指数、设备位置和驾驶员行为数据等指标;
(3)针对加氢站通过与站控***进行对接,获取站内设备如压缩机、储氢罐、加氢机、链接阀门等的运行数据,以及通过站内监测装置获取温度、烟雾检测等环境数据;
(4)针对氢燃料电池汽车通过对接车企平台或监管平台,获取实时运行数据,包括整车数据、驱动电机数据、燃料电池数据、车辆位置、极值数据、报警数据等。
在本发明的一个优选实施方式中,所述数据处理层所执行的数据标准化操作具体为:
以数据存储层预分类后的原始数据为目标,通过缺失值清洗、格式内容校验、逻辑错误清洗、非需求数据清洗后得到标准化数据;
所述输出关键指标操作具体为:
数据指标输出步骤中,按照风险分析模块的评估需求,对数据指标进行分类提取,并传输至风险分析模块进行分析;数据指标将按照监测指标、学习指标两个维度进行提取;
其中,所述监测指标具体包括:
针对卸气柱的泄漏百分比与火焰探测状态指标;
针对压缩机的泄漏百分比、进气压力、排气压力、排气温度、油压、控制器断电状态、压缩机膜片破裂状态、随动阀膜片破裂状态指标;
针对储氢罐的前泄漏百分比、后泄漏百分比、罐体压力、罐体温度指标;
针对加氢机的泄露百分比、火焰探测状态、加氢盖棚泄漏百分比、加氢枪压力、加氢枪加注速度、控制器断电状态指标;
所述学习指标具体包括:
针对卸气柱对是否存在泄漏大于10%、泄漏大于25%、火焰探测报警、检修日期30天内的判断结果;
针对压缩机是否存在泄漏大于10%、泄漏大于25%、进气压力过高、进气压力过低、排气压力过高、排气压力过低、排气温度过高、排气温度过低、油压过高、油压过低、控制器断电、压缩机膜片破裂、随动阀膜片破裂、检修日期30天内的判断结果特征;
针对储氢罐是否存在前泄漏大于10%、前泄漏大于25%、后泄漏大于10%、后泄漏大于25%、罐体压力过高、罐体压力过低、罐体温度过高、罐体温度过低、检修日期30天内的判断结果特征;
针对加氢机是否存在泄漏大于10%、泄漏大于25%、火焰探测报警、加氢盖棚泄漏大于10%、加氢盖棚泄漏大于25%、加氢枪压力过高、加氢枪压力过低、加氢枪加注速度过快、加氢枪加注速度过慢、控制器断电、检修日期30天内的判断结果特征;
以及加氢站是否存在加氢站环境温度<0℃、加氢站环境温度0-30℃、环境温度>30℃、加氢站输出报警的判断结果特征。
在本发明的一个优选实施方式中,所述风险分析层的风险预测模型算法训练和输出风险告警信息时,根据学习指标与监测指标的阈值范围对风险划分不同的等级;以加氢站设备卸气柱的监测指标“泄露百分比”为例,可进行如下表所示的等级设定:
在对风险预测模型算法进行训练过程中,针对所述学习指标以滑动窗口法的方式构造数据集,在每个时间区间内对学习指标数据进行特征提取,通过提取的各特征数据样本对基于长短时记忆神经网络(LSTM)的所述风险预测模型算法进行训练,如图2所示,其过程具体包括:
1)定义数据集的时间窗口T为24小时,滑动步长为1小时,标签值为时间序列上最后一小时的风险判断结果(设备是否有告警情况);每一个时间窗口内,以设备的学习指标作Xt为样本,以某时间区间t内样本的判断结果特征作为标签值ht,进行算法训练;
2)在时间区间t内,利用LSTM,结合前一时间区间的记忆内容、状态结果,输入本区间内的记忆内容,通过LSTM的输出门、输入门和遗忘门的处理完成本区间的学习训练,输出本区间的标签值果ht和记忆内容Xt+1至下一时间区间;其中ht在算法运行过程中还作为上报内容;对于任意时间区间如与当前时间区间相邻的t-1和t+1区间,均具有相同的神经网络结构;
3)针对所述风险预测模型算法的输出结果,利用网格搜索、贝叶斯优化、随机搜索、专家咨询法等方法优化算法输出的拟合程度,以提高算法预测风险的精确性。
在本发明的一个优选实施方式中,所述智能应用层具体包括实时报警模块、风险预警模块、数据可视化模块与数据报表模块;
其中,所述实时报警模块用于根据风险分析层的告警信息,展示当前全产业链上不同环节中各设备、人员和环境的实时告警情况,包括如燃料电池汽车过压/高温报警、运氢长管拖车泄漏报警、长管拖车驾驶员驾驶行为不当报警、加氢站泄漏报警、制氢厂产线异常报警等;
所述风险预警模块用于根据风险分析层对当前时间窗口中前24小时设备情况的评估结果,提供在未来1小时内可能发生风险的设备以及其风险因素,包括如制氢设施风险预测、加氢站设备风险预测、设备检修维护计划、潜在损坏零件更换警告、运氢长管拖车行驶路线风险情况等内容;
具体实施时,本领域技术人员应当知晓对于以上两个模块,需要提供***消息、短信、邮件等方式,自动发送实时告警、风险预警信息,所发送的信息至少包括评估结果、风险/告警设备、人员等的基本信息以及对应的处置决策推荐
所述数据可视化模块用于基于Echarts等开源数据可视化框架,通过提供类型多种图表形式对实时告警和风险预警数据进行展示,辅助管理人员进行数据分析与决策;
所述数据报表模块用于根据风险告警信息和未来风险预测信息数据,定期生成全产业链的风险情况数据报表,多角度全方位地归纳整理行业整体的风险情况与处置结果,为进一步增强行业风险管理水平,提高风险事件响应与处置效率提供支持。
应理解,本发明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。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.基于大数据的氢产业链风险监测***,其特征在于:所述***由数据采集层、数据存储层、数据处理层、风险分析层以及智能应用层组成;
其中,所述数据采集层用于对接产业链各环节的设备和业务***,针对包括制氢企业、运氢车、加氢站、氢燃料电池汽车的对象,执行分布式的实时数据采集;
所述数据存储层用于通过网关接收所述数据采集层采集到的数据进行存储,并把不同来源、类型的数据进行预分类,为后续数据处理层的操作提供支持;
所述数据处理层用于对预分类后的数据依次执行数据清洗、标准化和输出关键指标;
所述风险分析层利用数据处理层输出的历史标准化数据中提取相应的学习指标,并对风险预测模型算法进行训练;并从实时的标准化数据中提取相应的监测指标,输入训练好的风险预测模型算法,输出风险告警信息和未来风险预测信息数据,发送到智能应用层进行下一步处理;
所述智能应用层用于针对风险识别与警情发现结果,通过消息推送、可视化显示以及生成数据报表等方式,为管理人员提供分析材料与决策依据。
2.如权利要求1所述的***,其特征在于:所述数据采集层针对各所述对象,具体执行以下数据采集操作:
(1)针对制氢企业通过对接其业务***,获取制氢设备、压缩机设备、氢气储存设备的运行情况及数据指标;
(2)针对运氢车通过对接罐体监控设备与驾驶员监测设备,获取罐体温度、压力、倾角、泄漏指数、设备位置和驾驶员行为数据指标;
(3)针对加氢站通过与站控***进行对接,获取站内压缩机、储氢罐、加氢机、链接阀门的运行数据,以及通过站内监测装置获取温度、烟雾检测环境数据;
(4)针对氢燃料电池汽车通过对接车企平台或监管平台,获取实时运行数据,包括整车数据、驱动电机数据、燃料电池数据、车辆位置、极值数据、报警数据。
3.如权利要求1所述的***,其特征在于:所述数据处理层所执行的数据标准化操作具体为:
以数据存储层预分类后的原始数据为目标,通过缺失值清洗、格式内容校验、逻辑错误清洗、非需求数据清洗后得到标准化数据;
所述输出关键指标操作具体为:
数据指标输出步骤中,按照风险分析模块的评估需求,对数据指标进行分类提取,并传输至风险分析模块进行分析;数据指标将按照监测指标、学习指标两个维度进行提取;
其中,所述监测指标具体包括:
针对卸气柱的泄漏百分比与火焰探测状态指标;
针对压缩机的泄漏百分比、进气压力、排气压力、排气温度、油压、控制器断电状态、压缩机膜片破裂状态、随动阀膜片破裂状态指标;
针对储氢罐的前泄漏百分比、后泄漏百分比、罐体压力、罐体温度指标;
针对加氢机的泄露百分比、火焰探测状态、加氢盖棚泄漏百分比、加氢枪压力、加氢枪加注速度、控制器断电状态指标;
所述学习指标具体包括:
针对卸气柱对是否存在泄漏大于10%、泄漏大于25%、火焰探测报警、检修日期30天内的判断结果;
针对压缩机是否存在泄漏大于10%、泄漏大于25%、进气压力过高、进气压力过低、排气压力过高、排气压力过低、排气温度过高、排气温度过低、油压过高、油压过低、控制器断电、压缩机膜片破裂、随动阀膜片破裂、检修日期30天内的判断结果特征;
针对储氢罐是否存在前泄漏大于10%、前泄漏大于25%、后泄漏大于10%、后泄漏大于25%、罐体压力过高、罐体压力过低、罐体温度过高、罐体温度过低、检修日期30天内的判断结果特征;
针对加氢机是否存在泄漏大于10%、泄漏大于25%、火焰探测报警、加氢盖棚泄漏大于10%、加氢盖棚泄漏大于25%、加氢枪压力过高、加氢枪压力过低、加氢枪加注速度过快、加氢枪加注速度过慢、控制器断电、检修日期30天内的判断结果特征;
以及加氢站是否存在加氢站环境温度<0℃、加氢站环境温度0-30℃、环境温度>30℃、加氢站输出报警的判断结果特征。
4.如权利要求1所述的***,其特征在于:所述风险分析层的风险预测模型算法训练和输出风险告警信息时,根据学习指标与监测指标的阈值范围对风险划分不同的等级;
在对风险预测模型算法进行训练过程中,针对所述学习指标以滑动窗口法的方式构造数据集,在每个时间区间内对学习指标数据进行特征提取,通过提取的各特征数据样本对基于长短时记忆神经网络LSTM的所述风险预测模型算法进行训练,过程具体包括:
1)定义数据集的时间窗口T为24小时,滑动步长为1小时,标签值为时间序列上最后一小时的风险判断结果;每一个时间窗口内,以设备的学习指标作Xt为样本,以某时间区间t内样本的判断结果特征作为标签值ht,进行算法训练;
2)在时间区间t内,利用LSTM,结合前一时间区间的记忆内容、状态结果,输入本区间内的记忆内容,通过LSTM的输出门、输入门和遗忘门的处理完成本区间的学习训练,输出本区间的标签值果ht和记忆内容Xt+1至下一时间区间;其中ht在算法运行过程中还作为上报内容;
3)针对所述风险预测模型算法的输出结果,利用网格搜索、贝叶斯优化、随机搜索、专家咨询法等方法优化算法输出的拟合程度,以提高算法预测风险的精确性。
5.如权利要求1所述的***,其特征在于:所述智能应用层具体包括实时报警模块、风险预警模块、数据可视化模块与数据报表模块;
其中,所述实时报警模块用于根据风险分析层的告警信息,展示当前全产业链上不同环节中各设备、人员和环境的实时告警情况,包括如燃料电池汽车过压/高温报警、运氢长管拖车泄漏报警、长管拖车驾驶员驾驶行为不当报警、加氢站泄漏报警、制氢厂产线异常报警;
所述风险预警模块用于根据风险分析层对当前时间窗口中前24小时设备情况的评估结果,提供在未来1小时内可能发生风险的设备以及其风险因素,包括如制氢设施风险预测、加氢站设备风险预测、设备检修维护计划、潜在损坏零件更换警告、运氢长管拖车行驶路线风险情况;
所述数据可视化模块用于基于Echarts可视化框架,通过提供类型多种图表形式对实时告警和风险预警数据进行展示;
所述数据报表模块用于根据风险告警信息和未来风险预测信息数据,定期生成全产业链的风险情况数据报表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111208956.7A CN113988552A (zh) | 2021-10-18 | 2021-10-18 | 基于大数据的氢产业链风险监测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111208956.7A CN113988552A (zh) | 2021-10-18 | 2021-10-18 | 基于大数据的氢产业链风险监测*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113988552A true CN113988552A (zh) | 2022-01-28 |
Family
ID=79739085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111208956.7A Pending CN113988552A (zh) | 2021-10-18 | 2021-10-18 | 基于大数据的氢产业链风险监测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113988552A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114781936A (zh) * | 2022-06-20 | 2022-07-22 | 北京理工大学 | 一种氢气泄漏风险预警方法及*** |
CN115208871A (zh) * | 2022-07-11 | 2022-10-18 | 阳光氢能科技有限公司 | 一种制氢设备监控***、方法及存储介质 |
CN115358647A (zh) * | 2022-10-24 | 2022-11-18 | 齐鲁云商数字科技股份有限公司 | 基于大数据的氢能产业链风险监测***及监测方法 |
CN116452396A (zh) * | 2023-06-17 | 2023-07-18 | 北京清众神州大数据有限公司 | 一种能源产业链的监控方法、装置、设备和介质 |
CN117071000A (zh) * | 2023-10-17 | 2023-11-17 | 深圳润世华研发科技有限公司 | 一种用于pem电解水制氢设备的远程安全监控*** |
-
2021
- 2021-10-18 CN CN202111208956.7A patent/CN113988552A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114781936A (zh) * | 2022-06-20 | 2022-07-22 | 北京理工大学 | 一种氢气泄漏风险预警方法及*** |
US11897344B2 (en) | 2022-06-20 | 2024-02-13 | Beijing Institute Of Technology | Risk early warning method and system for hydrogen leakage |
CN115208871A (zh) * | 2022-07-11 | 2022-10-18 | 阳光氢能科技有限公司 | 一种制氢设备监控***、方法及存储介质 |
CN115358647A (zh) * | 2022-10-24 | 2022-11-18 | 齐鲁云商数字科技股份有限公司 | 基于大数据的氢能产业链风险监测***及监测方法 |
CN116452396A (zh) * | 2023-06-17 | 2023-07-18 | 北京清众神州大数据有限公司 | 一种能源产业链的监控方法、装置、设备和介质 |
CN116452396B (zh) * | 2023-06-17 | 2023-08-25 | 北京清众神州大数据有限公司 | 一种能源产业链的监控方法、装置、设备和介质 |
CN117071000A (zh) * | 2023-10-17 | 2023-11-17 | 深圳润世华研发科技有限公司 | 一种用于pem电解水制氢设备的远程安全监控*** |
CN117071000B (zh) * | 2023-10-17 | 2023-12-15 | 深圳润世华研发科技有限公司 | 一种用于pem电解水制氢设备的远程安全监控*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113988552A (zh) | 基于大数据的氢产业链风险监测*** | |
CN107179503B (zh) | 基于随机森林的风电机组故障智能诊断预警的方法 | |
CN110807550B (zh) | 基于神经网络的配变重过载识别预警方法及终端设备 | |
CN102765643B (zh) | 基于数据驱动的电梯故障诊断与预警方法 | |
Abbassi et al. | Risk-based and predictive maintenance planning of engineering infrastructure: existing quantitative techniques and future directions | |
CN112101790B (zh) | 一种水体监测视频及数据联动预警方法及*** | |
CN111860882A (zh) | 一种电网调度故障处理知识图谱的构建方法及装置 | |
CN110276372B (zh) | 基于云平台的燃料电池发动机故障诊断方法 | |
CN110674189A (zh) | 一种智能变电站二次状态监测与故障定位的方法 | |
CN111817880A (zh) | 一种油气田生产设备健康管理***以及实现方法 | |
CN107122879A (zh) | 一种基于大数据与设备状态异常跟踪的电网状态检修方法 | |
CN114856941A (zh) | 海上风电场及机组故障诊断运维***及其诊断运维方法 | |
CN114693087A (zh) | 城市能源***多尺度能耗模型及其能流监测方法 | |
CN113627784A (zh) | 一种基于工业互联网的企业资产管理智能决策*** | |
CN111311133A (zh) | 一种应用于电网生产设备的监测*** | |
CN115358647A (zh) | 基于大数据的氢能产业链风险监测***及监测方法 | |
CN116050262A (zh) | 一种压缩空气储能电站的安全状态评估方法、装置和*** | |
Kumari et al. | A unified causation prediction model for aboveground onshore oil and refined product pipeline incidents using artificial neural network | |
CN110348517B (zh) | 一种基于大数据的清洁能源供暖***报警分类预测方法 | |
CN116933656A (zh) | 一种基于深度学习的船舶动力***故障诊断方法 | |
CN114969068B (zh) | 城市压力管网实时流量监测数据分析方法及*** | |
CN111709597A (zh) | 一种电网生产域运营监测*** | |
CN114881154A (zh) | 一种基于pca和深度森林的天然气场站故障检测方法及*** | |
CN111476383B (zh) | 一种泵站机组状态检修动态决策方法 | |
CN112966867A (zh) | 基于pso-bp神经网络和四分位法的变压器预警方法 |
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 |