CN115271249A - 一种基于故障预测的电网维修操作安排和操作票生成智能*** - Google Patents
一种基于故障预测的电网维修操作安排和操作票生成智能*** Download PDFInfo
- Publication number
- CN115271249A CN115271249A CN202211026958.9A CN202211026958A CN115271249A CN 115271249 A CN115271249 A CN 115271249A CN 202211026958 A CN202211026958 A CN 202211026958A CN 115271249 A CN115271249 A CN 115271249A
- Authority
- CN
- China
- Prior art keywords
- module
- maintenance
- data
- prediction
- fault prediction
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 230000000306 recurrent effect Effects 0.000 claims abstract description 10
- 230000002787 reinforcement Effects 0.000 claims abstract description 10
- 230000002452 interceptive effect Effects 0.000 claims abstract description 9
- 230000008439 repair process Effects 0.000 claims abstract description 6
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 210000001503 joint Anatomy 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000013486 operation strategy Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000007726 management method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation 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
- G06Q10/04—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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于故障预测的电网维修操作安排和操作票生成智能***,属检修领域。构建一个包括数据获取接口、故障预测模块、检修调度模块、操作票生成模块和交互前端组成的电网维修操作安排和操作票生成智能***;使用循环神经网络进行序列预测;建立基于树状动态规划的电网检修调度方法;采用基于深度强化学习的两票生成方法。其使用基于神经网络的序列预测模型,利用大量历史数据对结点未来的故障进行精确预测;使用动态规划算法,为已发生和未发生的故障安排维修排程,并自动生成相应的操作票和作业票;以最优的经济代价完成故障修复或排除。可广泛用于电力***的运维管理和现场检修领域。
Description
技术领域
本发明属于电力检修及安全管理领域,尤其涉及一种基于故障预测的电网维修操作安排和操作票生成智能***。
背景技术
供电中断对地区的生产生活有非常大的负面影响。
因此,如何准确地对电力***潜在的问题作出预测,以及高效地对已发生和未发生的故障进行修复、排除有重要的研究价值。
在对已发生和未发生的故障进行修复、排除的过程中,必然要涉及到操作票生成的相关步骤和方法。
操作票是指在电力***中进行电气操作的书面依据,包括调度指令票和变电操作票。
操作票一般由操作人员根据值长、车间负责人或电站调度员的命令填写;操作票填写前,要操作任务明确,运行方式明确,设备状态清楚,要根据现场实际情况填写操作票。
授权公告日为2019年4月2日,授权公告号为CN 105446749 B的发明专利,公开了一种“生成操作票的方法及装置”,其根据操作需求确定待操作的部件;在逻辑表中查找待操作的部件对应的部件参数;根据部件参数调用操作票生成脚本以生成操作票;其中,逻辑表中存储有操作票生成脚本对应的逻辑顺序;由于在该过程中,各个部件参数之间是相互独立的,即使需要修改其中的一个部件参数或者是几个参数,那么相应的操作票生成脚本也就相应的发生了改变,因此,修改量很小,不需要对整个操作票修改。该技术方案可以避免由于当前存储的操作票与实际操作需求不对应时对操作票的修改,提高了工作效率。
但是,现有的操作票生成策略,通常使用模板匹配方法生成操作票(包括使用强化学习的模式以优化操作票的生成,以及根据预设规则进行评分),仅在结点故障发生后进行补救式维修,无法精确的预测结点将要发生故障的时间;且维修排程只与故障发生的顺序相关,计划性差,无法以最小的经济代价修复或排除故障。
发明内容
本发明所要解决的技术问题是提供一种基于故障预测的电网维修操作安排和操作票生成智能***。其使用基于神经网络的序列预测模型,利用大量历史数据对结点未来的故障进行精确预测;使用动态规划算法,为已发生和未发生的故障安排维修排程,并自动生成相应的操作票和作业票;本技术方案的数据接口灵活,可以接入SCADA***或电网数据中台;此外,亦提供了方便使用的前端操作界面,能够以最优的经济代价完成故障修复或排除。
本发明的技术方案是:提供一种基于故障预测的电网维修操作安排和操作票生成智能***,其特征是:
1)构建一个包括数据获取接口、故障预测模块、检修调度模块、操作票生成模块和交互前端组成的电网维修操作安排和操作票生成智能***;
2)故障预测模块使用循环神经网络进行序列预测;
3)针对有根树状电网结构,检修调度模块建立基于树状动态规划的电网检修调度方法;
4)操作票生成模块采用基于深度强化学习的两票生成方法;
5)使用基于神经网络的序列预测模型,利用大量历史数据对结点未来的故障进行精确预测;使用动态规划算法,为已发生和未发生的故障安排维修排程,并自动生成相应的操作票和作业票;以最优的经济代价完成故障修复或排除。
2.按照权利要求1所述的基于故障预测的电网维修操作安排和操作票生成智能***,其特征是所述的数据获取接口包括:
1)SCADA接口:
本***的数据分析模块与SCADA***对接,固定间隔时间获取电网中各设备的运行状态值,并进行数据分析,进行状态值的预测,辅助决策;
2)中台:
操作票生成模块中所需要的数据信息需要中台***的支持;通过调用中台***中的相应API接口,即可获取相关数据并进行解析分析,从而生成针对相关任务的相关操作序列。
3.按照权利要求1所述的基于故障预测的电网维修操作安排和操作票生成智能***,其特征是所述的故障预测模块依据现有的电网中各设备的运行状态数据以及交互方式,预测出电网所有设备未来一段时间的状态值,从而预判整个电网的运行状况,为电站的后续操作安排提供决策信息。
4.按照权利要求3所述的基于故障预测的电网维修操作安排和操作票生成智能***,其特征是所述的故障预测模块分为两个部分:
第一部分,设计时间序列预测的深度学习算法模型,并通过海量历史数据,拟合模型,使得模型具备获取时间序列特征信息的能力;
第二部分,主要分成三个子模块:第一个子模块是对接SCADA,实时获取电网中所有设备的多维度的实时运行数据;第二个子模块是对所获取的数据进行预处理,去除无意义值以及进行包括部分数据的归一化在内的操作;第三个子模块,获取预处理的电网设备的特征数据,传入时间序列预测的深度学习的算法模型,对设备的未来状况进行预测,并将预测传给操作生成模块,辅助设备操作决策。
5.按照权利要求1所述的基于故障预测的电网维修操作安排和操作票生成智能***,其特征是所述的检修调度模块用于生成最小代价操作方案序列;首先,该模块调用中台的API接口获取到相对应的数据信息,其中包括故障或检修的结点信息和时刻信息,而该模块通过基于动态规划思想建立的数学模型,可以求解出最佳操作策略,从而使得消耗的代价最小,之后,将生成的最小代价策略序列发送至基于模板的操作票生成模块来生成相对应的操作指令票。
6.按照权利要求1所述的基于故障预测的电网维修操作安排和操作票生成智能***,其特征是所述的操作票生成模块对最小代价操作生成模块所生成传送过来的最小代价策略序列进行解析,通过解析可得到相关的站点名称和操作类别信息以及如何开断开关的策略信息;之后,该模块则根据操作类别信息去调取知识库中所存储的该操作类别的操作指令票模板,然后再结合相关站点名称来生成操作指令票;最后,将该操作指令票信息传送至前端进行展示;
其中,所述的操作类别包括故障或检修。
7.按照权利要求6述的基于故障预测的电网维修操作安排和操作票生成智能***,其特征是所述交互前端包括前端web可视化展示页面;
交互前端分别针对电网数据、故障预测模块和操作票生成模块所智能化生成的数据信息,在相关的页面中对用户进行交互展示。
8.按照权利要求1所述的基于故障预测的电网维修操作安排和操作票生成智能***,其特征是所述的故障预测模块,采用基于循环图神经网络的电网故障预测方法,将电网抽象成图结构,变配电位置抽象为结点,线路抽象成边,然后使用循环神经网络进行序列预测;其输入、状态和输出均为张量图结构,而状态变化的计算则由全连接变成图卷积,从而能够有效利用电网结构信息进行更准确的预测。
9.按照权利要求1所述的基于故障预测的电网维修操作安排和操作票生成智能***,其特征是所述的检修调度模块,采用基于树状动态规划的电网检修调度方法,针对有根树状电网结构,采用动态规划算法,假定电网结点的停电损失,并从故障预测获取预期故障时间,通过从叶节点到根节点逐层优化,设计出最合理的停电检修方案,最小化停电造成的经济损失。。
10.按照权利要求1所述的基于故障预测的电网维修操作安排和操作票生成智能***,其特征是所述的操作票生成模块,接受调度任务作为输入,通过操作票生成多个概率较高的操作票组合,由用户进行选择和修改并实际使用;最后,根据用户选择和修改的结构进行反馈训练,根据用户的操作反馈进行迭代强化学习,优化操作票生成模型。
与现有技术比较,本发明的优点是:
1.公开了一种基于循环图神经网络的电网故障预测方法,相比单点式的故障预测方法,本发明的技术方案,能够更有效地利用电网节点间关联信息,进行更准确、及时的故障预测。
2.公开了一种基于树状动态规划的电网检修调度方法,相比传统面向单任务的检修调度方法,本技术方案能够在保证安全的前提下,更好地减小因检修停电带来的经济损失。
3.公开了一种基于深度强化学习的两票生成方法,相比现有的基于模板或规则的方法,本技术方案能够有效利用用户在线操作进行反馈迭代,不断优化生成效果。
4.本发明的技术方案,将上述多个功能组合成***,可以直接完成从故障预测到操作票生成的全部工作。
附图说明
图1是本发明的***整体结构示意图;
图2是本发明基于循环图神经网络的电网故障预测方法示意图;
图3是本发明基于树状动态规划的电网检修调度方法示意图;
图4是本发明基于深度强化学习的两票生成方法示意图。
具体实施方式
下面结合附图对本发明做进一步说明。
一、整体结构:
本技术方案的整体结构见图1中所示。
1.数据获取接口:
a.SCADA:
SCADA(Supervisory Control And Data Acquisition)***,即数据采集与监视控制***。
SCADA***是以计算机为基础的DCS与电力自动化监控***。
在电力***中,SCADA***应用最为广泛,技术发展也最为成熟。它在远动***中占重要地位,可以对现场的运行设备进行监视和控制,以实现数据采集、设备控制、测量、参数调节以及各类信号报警等各项功能。本发明技术方案的数据分析模块与SCADA***对接,固定间隔时间获取电网中各设备的运行状态值,并进行数据分析,进行状态值的预测,辅助决策。
b.中台:
中台***是电网内部进行获取信息、显示电网状态和人工打印各项操作票的数据平台。而本技术方案的最小代价操作生成模块中所需要的数据信息则需要该中台***的支持,而最小代价操作生成模块则通过调用中台***中的相应API接口,即可获取相关数据并进行解析分析,从而生成针对相关任务的相关操作序列。
2.故障预测模块:
电网数据和状态预测模块,主要目的是,依据现有的电网中各设备的运行状态数据以及交互方式,预测出电网所有设备未来一段时间的状态值,从而预判整个电网的运行状况。为电站的后续操作安排提供决策信息。电网数据和状态预测模块主要分为两个部分。
第一部分,设计时间序列预测的深度学习算法模型,并通过海量历史数据,拟合模型,使得模型具备获取时间序列特征信息的能力。
第二部分,主要分成三个子模块,第一个子模块是对接SCADA,实时获取电网中所有设备的多维度的实时运行数据。第二个子模块是对所获取的数据进行预处理,去除无意义值以及进行部分数据的归一化等等操作,第三个子模块,获取预处理的电网设备的特征数据,传入时间序列预测的深度学习的算法模型,对设备的未来状况进行预测,并将预测传给操作生成模块,辅助设备操作决策。
3.检修调度模块:
该模块主要用于生成最小代价操作方案序列。首先,该模块将调用中台的API接口获取到相对应的数据信息,其中包括故障或检修的结点信息和时刻信息,而该模块通过基于动态规划思想建立的数学模型,可以求解出最佳操作策略,从而使得消耗的代价最小,之后就将生成的最小代价策略序列发送至基于模板的操作票生成模块来生成相对应的操作指令票。
4.操作票生成模块:
该模块将对最小代价操作生成模块所生成传送过来的最小代价策略序列进行解析,通过解析可得到相关的站点名称和操作类别(故障或检修)信息以及如何开断开关的策略信息。之后,该模块则将根据操作类别信息去调取知识库中所存储的该操作类别的操作指令票模板,然后再结合相关站点名称来生成操作指令票。最后,将该操作指令票信息传送至前端进行展示。
5.交互前端:
前端web可视化展示页面分别会针对电网数据和状态预测模块和基于模板的操作票生成模块这两个模块所智能化生成的数据信息在相关的页面中对用户进行交互展示,其详细内容如下。
对于电网数据和状态预测模块的数据信息展示,前端页面中提供了用户需要输入的三个参数的文本框,该三个参数分别为用户所想要查询的厂站名称、类型和设备名称,前端页面则将该三个参数打包为json格式的数据,通过http请求将其发送给后端。后端在接收到该request请求之后,通过解析提取得到该三个参数信息,并调用电网数据和状态预测模块,而该模块则将事先实时预测得到的预测值以及历史数据值一起打包后响应前端发送过来的请求。前端在对后端响应的数据解析提取后,以折线图的形式展示给用户。此外,通过不同的颜色来展示历史数据和预测值数据,以便于用户更好清晰地查看比较。
对于基于模板的操作票生成模块的数据信息展示,对后端进行一个轮询请求,当后端基于模板的操作票生成模块响应了该请求,并返回了该模块生成的相关操作指令票信息。之后,前端在接收到响应后,对其数据信息进行分析提取,并在页面中进行展示。
二、基于循环图神经网络的电网故障预测方法:
如图2中所示,本发明的技术方案,将电网抽象成图结构,变配电位置抽象为结点,线路抽象成边。
然后使用循环神经网络进行序列预测。
但是本发明的技术方案,不同于现有单点预测方法,其输入、状态和输出均为张量图结构,而状态变化的计算则由全连接变成图卷积,从而使得本方法能够有效利用电网结构信息进行更准确的预测。
三、基于树状动态规划的电网检修调度方法:
如图3中所示,本发明针对有根树状电网结构,设计了一套动态规划算法。改算法假定电网结点的停电损失,并从故障预测获取预期故障时间。通过从叶节点到根节点逐层优化,设计出最合理的停电检修方案,最小化停电造成的经济损失。
四、基于深度强化学习的两票生成方法:
如图4中所示,本发明的操作票生成***接受上述调度任务作为输入,通过操作票生成多个概率较高的操作票组合,由用户进行选择和修改并实际使用。最后,***会根据用户选择和修改的结构进行反馈训练,根据用户的操作反馈进行迭代强化学习,优化操作票生成模型。
综上,本发明的技术方案,公开了基于循环图神经网络的电网故障预测方法、基于树状动态规划的电网检修调度方法以及基于深度强化学习的两票生成方法。
本发明的技术方案,采用基于循环图神经网络的电网故障预测方法,能够更有效地利用电网节点间关联信息,进行更准确、及时的故障预测,能够在保证安全的前提下,更好地减小因检修停电带来的经济损失,能够有效利用用户在线操作进行反馈迭代,不断优化生成效果,将上述多个功能组合成***,可以直接完成从故障预测到操作票生成的全部工作。
本发明可广泛用于电力***的运维管理和现场检修领域。
Claims (10)
1.一种基于故障预测的电网维修操作安排和操作票生成智能***,其特征是:
1)构建一个包括数据获取接口、故障预测模块、检修调度模块、操作票生成模块和交互前端组成的电网维修操作安排和操作票生成智能***;
2)故障预测模块使用循环神经网络进行序列预测;
3)针对有根树状电网结构,检修调度模块建立基于树状动态规划的电网检修调度方法;
4)操作票生成模块采用基于深度强化学习的两票生成方法;
5)使用基于神经网络的序列预测模型,利用大量历史数据对结点未来的故障进行精确预测;使用动态规划算法,为已发生和未发生的故障安排维修排程,并自动生成相应的操作票和作业票;以最优的经济代价完成故障修复或排除。
2.按照权利要求1所述的基于故障预测的电网维修操作安排和操作票生成智能***,其特征是所述的数据获取接口包括:
1)SCADA接口:
本***的数据分析模块与SCADA***对接,固定间隔时间获取电网中各设备的运行状态值,并进行数据分析,进行状态值的预测,辅助决策;
2)中台:
操作票生成模块中所需要的数据信息需要中台***的支持;通过调用中台***中的相应API接口,即可获取相关数据并进行解析分析,从而生成针对相关任务的相关操作序列。
3.按照权利要求1所述的基于故障预测的电网维修操作安排和操作票生成智能***,其特征是所述的故障预测模块依据现有的电网中各设备的运行状态数据以及交互方式,预测出电网所有设备未来一段时间的状态值,从而预判整个电网的运行状况,为电站的后续操作安排提供决策信息。
4.按照权利要求3所述的基于故障预测的电网维修操作安排和操作票生成智能***,其特征是所述的故障预测模块分为两个部分:
第一部分,设计时间序列预测的深度学习算法模型,并通过海量历史数据,拟合模型,使得模型具备获取时间序列特征信息的能力;
第二部分,主要分成三个子模块:第一个子模块是对接SCADA,实时获取电网中所有设备的多维度的实时运行数据;第二个子模块是对所获取的数据进行预处理,去除无意义值以及进行包括部分数据的归一化在内的操作;第三个子模块,获取预处理的电网设备的特征数据,传入时间序列预测的深度学习的算法模型,对设备的未来状况进行预测,并将预测传给操作生成模块,辅助设备操作决策。
5.按照权利要求1所述的基于故障预测的电网维修操作安排和操作票生成智能***,其特征是所述的检修调度模块用于生成最小代价操作方案序列;首先,该模块调用中台的API接口获取到相对应的数据信息,其中包括故障或检修的结点信息和时刻信息,而该模块通过基于动态规划思想建立的数学模型,可以求解出最佳操作策略,从而使得消耗的代价最小,之后,将生成的最小代价策略序列发送至基于模板的操作票生成模块来生成相对应的操作指令票。
6.按照权利要求1所述的基于故障预测的电网维修操作安排和操作票生成智能***,其特征是所述的操作票生成模块对最小代价操作生成模块所生成传送过来的最小代价策略序列进行解析,通过解析可得到相关的站点名称和操作类别信息以及如何开断开关的策略信息;之后,该模块则根据操作类别信息去调取知识库中所存储的该操作类别的操作指令票模板,然后再结合相关站点名称来生成操作指令票;最后,将该操作指令票信息传送至前端进行展示;
其中,所述的操作类别包括故障或检修。
7.按照权利要求6述的基于故障预测的电网维修操作安排和操作票生成智能***,其特征是所述交互前端包括前端web可视化展示页面;
交互前端分别针对电网数据、故障预测模块和操作票生成模块所智能化生成的数据信息,在相关的页面中对用户进行交互展示。
8.按照权利要求1所述的基于故障预测的电网维修操作安排和操作票生成智能***,其特征是所述的故障预测模块,采用基于循环图神经网络的电网故障预测方法,将电网抽象成图结构,变配电位置抽象为结点,线路抽象成边,然后使用循环神经网络进行序列预测;其输入、状态和输出均为张量图结构,而状态变化的计算则由全连接变成图卷积,从而能够有效利用电网结构信息进行更准确的预测。
9.按照权利要求1所述的基于故障预测的电网维修操作安排和操作票生成智能***,其特征是所述的检修调度模块,采用基于树状动态规划的电网检修调度方法,针对有根树状电网结构,采用动态规划算法,假定电网结点的停电损失,并从故障预测获取预期故障时间,通过从叶节点到根节点逐层优化,设计出最合理的停电检修方案,最小化停电造成的经济损失。
10.按照权利要求1所述的基于故障预测的电网维修操作安排和操作票生成智能***,其特征是所述的操作票生成模块,接受调度任务作为输入,通过操作票生成多个概率较高的操作票组合,由用户进行选择和修改并实际使用;最后,根据用户选择和修改的结构进行反馈训练,根据用户的操作反馈进行迭代强化学习,优化操作票生成模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211026958.9A CN115271249A (zh) | 2022-08-25 | 2022-08-25 | 一种基于故障预测的电网维修操作安排和操作票生成智能*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211026958.9A CN115271249A (zh) | 2022-08-25 | 2022-08-25 | 一种基于故障预测的电网维修操作安排和操作票生成智能*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115271249A true CN115271249A (zh) | 2022-11-01 |
Family
ID=83753407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211026958.9A Pending CN115271249A (zh) | 2022-08-25 | 2022-08-25 | 一种基于故障预测的电网维修操作安排和操作票生成智能*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115271249A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117114362A (zh) * | 2023-10-18 | 2023-11-24 | 江苏秉信科技有限公司 | 一种电网操作计划排程方法、***、终端设备及存储介质 |
-
2022
- 2022-08-25 CN CN202211026958.9A patent/CN115271249A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117114362A (zh) * | 2023-10-18 | 2023-11-24 | 江苏秉信科技有限公司 | 一种电网操作计划排程方法、***、终端设备及存储介质 |
CN117114362B (zh) * | 2023-10-18 | 2024-02-06 | 江苏秉信科技有限公司 | 一种电网操作计划排程方法、***、终端设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109559027B (zh) | 应用于钢铁企业高速工具钢冶炼流程的计划调度*** | |
CN103606018B (zh) | 一种钢铁企业电力负荷短期动态预测*** | |
CN112859792B (zh) | 一种智能工厂管控*** | |
CN112561238A (zh) | 一种抽水蓄能电站辅机设备状态健康评价***及方法 | |
CN117411039A (zh) | 一种智能储能充电*** | |
CN114462761A (zh) | 基于物联网的分布式能源智能管控*** | |
CN115271249A (zh) | 一种基于故障预测的电网维修操作安排和操作票生成智能*** | |
CN115511656A (zh) | 一种基于挖掘电网数据价值的需求规划辅助决策*** | |
CN115908046A (zh) | 基于航站楼bim的可视化配电*** | |
CN111046519A (zh) | 一种人工智能技术在电能表误差诊断中的应用分析方法 | |
CN117375246B (zh) | 电力设备管理方法、***及设备 | |
CN117636868A (zh) | 一种用于电网调控业务的智能语音调度*** | |
CN111126825B (zh) | 一种可视化电池智能充放电节能管理***及其控制方法 | |
CN112288170A (zh) | 基于大数据分析的电厂机组工况寻优分析方法 | |
CN115438958A (zh) | 一种基于互联网的智慧能效管理***及其管理方法 | |
CN109799732B (zh) | 一种数据驱动的梯级水电和新能源联合运行实验*** | |
Yang | Design of Intelligent Voice Interactive Robot Based On Cloud Platform [J] | |
CN112329237A (zh) | 一种综合判断给水泵状态的方法和*** | |
CN112290676B (zh) | 现场数据与云存储***相结合的光伏电站控制*** | |
CN109409907B (zh) | 一种风电机组监控***产品缺陷智能追溯***及追溯方法 | |
CN117439263A (zh) | 一种可远程监测的10kv开关柜及其监测方法 | |
Jian et al. | Application Of AI Technology On Power Dispatching Automation System | |
CN116596216A (zh) | 一种基于电力***的能源规划***及方法 | |
CN112564289A (zh) | 一种基于电网调控***的全过程智能停电管控*** | |
Zhang et al. | Research on Application Scenarios of Artificial Intelligence in New Power System |
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 |