具体实施方式
实施例一
如图1所示,本申请实施例提供了一种基于人工智能的电力设备现场运维方法,所述方法应用于电力设备现场运维***,所述***与数据监测模块通信连接,所述方法包括:
步骤S100:连接电力设备管理***进行数据采集,获取电力设备现场区域;
电力设备作为当前电网的基础设备,与电网的可靠性和安全性相关,因此,电力设备的日常维护保养管理成为目前的电力***的关键,而在目前的电力设备运维中,其变电设备的检查仍然存在一定的实时难度,比如检修方向不准确,容易造成人力资源或者维修成本的浪费,从而影响电力设备运行的质量,拟提出一种基于人工智能的电力设备现场运维方法,经由数据监测模块连接实现智能化的数据监测,从而提高了异常定位精度和运维效率,进而保证电力设备稳定运行的技术效果。
通过连接电力设备管理***,获取目标运维区域,确定其运维范围有助于进一步实现设备的准确管理,基于所述电力设备管理***获取数据进而确定电力设备现场区域,其中,所述电力设备现场区域为处于所述目标运维区域中任一部分的现场区域,能够进一步提高数据来源的准确性和数据获取效率。
步骤S200:通过对所述电力设备现场区域进行网格划分,确定网格交点集合;
步骤S300:基于所述网格交点集合设置监测点位,以使所述数据监测模块按照所述监测点位进行数据监测,输出实时监测数据;
具体而言,当获取所述电力设备现场区域后,为了实现智能化的设备运维,提高运维效率,增加其数据监测的定位性和数据来源可追溯性,从而实现对应目的,因此,对所述电力设备现场区域进行网络划分,按照网格划分后的网格交点生成所述网格交底集合,其中,对所述电力设备现场区域进行网格划分的过程有:
进一步的,如图2所示,通过对所述电力设备现场区域进行网格划分,确定网格交点集合,本申请实施例步骤S200还包括:
步骤S210:根据所述电力设备现场区域的区域数据,获取网格监测密度;
步骤S220:获取用于监测所述电力设备现场区域的各项监测因子;
步骤S230:以所述各项监测因子和所述网格监测密度,生成监测网格线;
步骤S240:根据所述监测网络线对所述电力设备现场区域进行网格划分,得到所述网格交点集合。
具体而言,为了保证所述网格交点集合获取途径的有效性,通过对所述电力设备现场区域的区域几何数据进行分析,确定网格监测密度,以确保构建网格划分时的数据有效性。进一步的,获取用于监测所述电力设备现场区域的各项监测因子,其中,所述各项监测因子为进行电力设备监测的各项指标,从而以所述各项监测因子在所述电力设备现场区域上进行对应点位的分配,且基于所述网格监测密度的设置,对其点位分配时的间距进行进一步的调整,从而进行网格划分,并采集网格中的交点集合,以得到所述网格交点集合。
进一步的,根据所述网格交点集合获取对应的有效监测点位,由所述数据监测模块按照所述监测点位进行数据监测,其中,各个监测点位上具有对应的传感器,即所述数据监测模块为各个传感器拟合而成的数据采集单元,能够进行数据交互,从而输出所述实时监测数据。
应理解,根据所述网格交点集合获取对应的有效监测点位,是为了保证所有的监测点位能够最大利用化,排除一些冗余的交点,不仅能够提高数据监测的效率,还能够满足数据的采集需求。其排除冗余交点的步骤有:
进一步的,本申请实施例步骤300还包括:
步骤S310:利用分布式冗余交点判断算法,对所述网格交点集合进行交点冗余计算,输出标识冗余交点;
步骤S320:从所述网格交底集合中剔除所述标识冗余交点,输出所述监测点位,其中,所述监测点位包括对应的监测传感器。
具体而言,分布式冗余交点判断算法能够对采集到的所有网格交点集合进行计算,获取每个节点基于局部圆周覆盖情况,独立计算自身是否为冗余节点,换句话说,由于每个交点上具有对应的传感器,即找到任一两个传感器感知区域边界,即感知半径关系及交点处的覆盖程度来检测冗余,从而输出标识冗余交点,其中,所述标识冗余交点为检测获取的冗余交点,可进行剔除处理,从而将剔除所述标识冗余交点后的剩余交底集合作为所述监测点位,保证了监测点位的有效性,达到了去除传感器冗余节点,从而降低计算复杂度,通信开销及设备成本,同时能够准确判断监测数据的有效性和精确性的效果。
步骤S400:将所述实时监测数据输入异常预警模型中,根据所述异常预警模型,输出设备预警信息,其中,所述异常预警模型用于进行异常设备定位;
进一步的,如图3所示,本申请实施例步骤S400还包括:
步骤S410:获取所述电力设备现场区域的环境属性信息;
步骤S420:按照所述环境属性信息对所述电力设备现场区域进行分类,得到内环境现场区域和外环境现场区域;
步骤S430:以所述内环境现场区域和所述外环境现场区域,分别搭建内环境异常预警模型和外环境异常预警模型;
步骤S440:按照所述内环境异常预警模型和所述外环境异常预警模型,生成所述异常预警模型。
进一步的,本申请实施例步骤S400还包括:
步骤S450:将所述实时监测数据输入所述异常预警模型中,其中,所述异常预警模型包括数据分类层、模型匹配层和预警输出层;
步骤S460:按照所述数据分类层,对输入的所述实时监测数据进行分类,获取内环境监测数据和外环境监测数据;
步骤S470:根据所述模型匹配层,对所述内环境监测数据匹配内环境异常预警模型,对所述外环境监测数据匹配外环境异常预警模型,输出内环境预警信息和外环境预警信息;
步骤S480:通过所述预警输出层,将所述内环境预警信息和所述外环境预警信息输出。
具体而言,基于获取的实时监测数据,进一步的实现异常设备定位,由于所述实时监测数据为针对所述电力设备现场区域的所有监测数据,其电力设备在室内环境下和室外环境下的异常监测指标不相同,因此,为了针对所述实时监测数据进行更精确化的异常分析,搭建包括内环境和外环境的异常预警模型,用于输出所述设备预警信息,即所述设备预警信息包括内环境预警信息和外环境预警信息。
进一步的,搭建包括内环境和外环境的异常预警模型,需要对所述电力设备现场区域中的环境属性进行分析,进而分类得到内环境现场区域和外环境现场区域,按照内、外环境的电力设备异常数据进行样本数据拟合和样本数据的模型训练,从而搭建内环境异常预警模型和外环境异常预警模型,生成所述异常预警模型。
所述异常预警模型能够包括数据分类层、模型匹配层和预警输出层,按照所述数据分类层对输入的所述实时监测数据进行内、外环境的分类,按照所述模型匹配层对分类后的数据进行内、外环境的模型匹配,从而将所述内环境预警信息和所述外环境预警信息通过所述预警输出层,作为最终的所述设备预警信息进行输出,达到了基于实时监测环境的进一步细致分类,提高设备预警信息的有效度和准确度。
步骤S500:基于设备现场运维终端,获取远程协助请求信息;
进一步的,本申请实施例步骤S500还包括:
步骤S510:将所述设备预警信息输入异常复杂度分析模型,根据所述异常复杂度分析模型进行分析,获取复杂度指数;
步骤S520:基于所述设备现场运维终端,生成预设复杂度指数;
步骤S530:判断所述复杂度指数是否大于所述预设复杂度指数,若所述复杂度指数大于所述预设复杂度指数,激活远程协助指令;
步骤S540:按照所述远程协助指令,生成所述远程协助请求信息。
具体而言,当获取所述设备预警信息后,为了提高***自身的智能处理性,结合该设备预警信息,执行对应处理操作,当设备预警信息自身较为复杂时,本***自身不满足处理条件时,通过获取远程协助请求信息进行协助处理。
针对设备预警信息进行进一步分析的过程如下:将获取的所述设备预警信息输入异常复杂度分析模型中,根据所述异常复杂度分析模型对所述设备预警信息进行分析,确定处理该设备预警信息以达成智能运维结果的条件是否满足***自身运维条件,所述异常复杂度分析模型输出的复杂度指数为标识所述设备预警信息的处理复杂程度,所述预设复杂度指数为基于所述设备现场运维终端历史执行日志确定出的预设复杂度指数,从而判断所述复杂度指数是否大于所述预设复杂度指数,若所述复杂度指数大于所述预设复杂度指数,标识目前所述设备现场运维终端无法满足处理所述设备预警信息的终端条件,因此,激活远程协助指令用于生成所述远程协助请求信息。
进一步的,本申请实施例步骤S510还包括:
步骤S511:将所述设备预警信息输入所述异常复杂度分析模型中,获取设备预警量化指数、设备预警罕见度指数和设备预警联动指数;
步骤S512:根据所述设备预警量化指数、所述设备预警罕见度指数和所述设备预警联动指数,配置权重比值;
步骤S513:按照所述权重比值对所述设备预警量化指数、所述设备预警罕见度指数和所述设备预警联动指数进行计算,得到所述复杂度指数。
具体而言,将所述设备预警信息输入所述异常复杂度分析模型中进行处理复杂度分析,包括设备预警量化分析、设备预警罕见度分析和设备预警联动分析,其中,设备预警量化分析为所述设备预警信息中存在异常状态的设备数量的数量大小;所述设备预警罕见度分析为所述设备预警信息中设备异常状态历史出现次数;所述设备预警联动分析为存在异常状态需要关联维修的关联涉及范围。从而根据所述异常复杂度分析模型,获取针对于所述设备预警信息的设备预警量化指数、设备预警罕见度指数和设备预警联动指数,并按照与复杂度计算的信息熵计算大小,分别配置对应的权重比值,进而按照所述权重比值对所述设备预警量化指数、所述设备预警罕见度指数和所述设备预警联动指数进行计算,得到所述复杂度指数,通过三维指标分析,实现远程协助请求的条件限制,在降低***容量负载的情况下,提高运维效率。
步骤S600:按照所述远程协助请求信息调取运维知识库,将所述运维知识库嵌于所述异常预警模型;
步骤S700:根据所述设备预警信息和所述运维知识库,生成运维方案以待所述设备现场运维终端执行。
具体而言,当激活远程协助请求信息后,调取所述运维知识库,其中,所述运维知识库是通过对所述电力设备现场区域中的所有设备进行分析,获取对应设备处于异常状态的样本数据,以及对应的执行措施,从而形成对应的映射关系,进一步的,所述运维知识库嵌于所述异常预警模型中,将所述异常预警模型获取的设备预警信息与所运维知识库进行综合分析,生成运维方案,使得所述设备现场运维终端按照所述运维方案执行相应操作,从而达到了基于多个功能模型拟合的方式对电力设备运行进行监测,从而提高了异常定位精度和运维效率,进而保证电力设备稳定运行的技术效果。
结合上述实施例,本发明具有如下的有益效果:
由于采用了通过连接电力设备管理***对设备运维的对象进行数据采集,从而获取电力设备现场区域,并按照监测属性在该现场区域上进行网格划分,确定网格交点集合,进一步的,以所述网格交点集合上设置对应的传感器作为监测点位进行数据的采集,输出实时监测数据,从而以所述实时监测数据作为基础数据实现异常预警模型的功能,即用于进行异常设备的定位输出对应的设备预警信息,为了进一步的提高运维管理的有效性,基于所述设备现场运维终端获取远程协助请求信息,来进行运维知识库的调取,以结合所述设备预警信息和所述运维知识库,生成针对所述设备预警信息的运维方案,达到了基于多个功能模型拟合的方式对电力设备运行进行监测,从而提高了异常定位精度和运维效率,进而保证电力设备稳定运行的技术效果。
采用了利用分布式冗余交点判断算法从所述网格交点集合获取对应的有效监测点位,排除一些冗余的交点,达到了去除传感器冗余节点,从而降低计算复杂度,通信开销及设备成本,同时能够准确判断监测数据的有效性和精确性的效果。
采用了根据所述异常复杂度分析模型对所述设备预警信息进行分析,包括设备预警量化分析、设备预警罕见度分析和设备预警联动分析,通过三维指标分析,实现远程协助请求的条件限制,在降低***容量负载的情况下,提高运维效率。
实施例二
基于与前述实施例中一种基于人工智能的电力设备现场运维方法同样发明构思,本发明还提供了一种基于人工智能的电力设备现场运维方法的***,如图4所示,所述***包括:
现场数据采集模块11,所述现场数据采集模块11用于连接电力设备管理***进行数据采集,获取电力设备现场区域;
区域划分模块12,所述区域划分模块12用于通过对所述电力设备现场区域进行网格划分,确定网格交点集合;
数据监测模块13,所述数据监测模块13用于基于所述网格交点集合设置监测点位,以使所述数据监测模块按照所述监测点位进行数据监测,输出实时监测数据;
异常预警模块14,所述异常预警模块14用于将所述实时监测数据输入异常预警模型中,根据所述异常预警模型,输出设备预警信息,其中,所述异常预警模型用于进行异常设备定位;
远程协助模块15,所述远程协助模块15用于基于设备现场运维终端,获取远程协助请求信息;
知识库调用模块16,所述知识库调用模块16用于按照所述远程协助请求信息调取运维知识库,将所述运维知识库嵌于所述异常预警模型;
运维方案执行模块17,所述运维方案执行模块17用于根据所述设备预警信息和所述运维知识库,生成运维方案以待所述设备现场运维终端执行。
进一步的,所述区域划分模块12还包括:
区域数据分析单元,所述区域数据分析单元用于根据所述电力设备现场区域的区域数据,获取网格监测密度;
监测因子获取单元,所述监测因子获取单元用于获取用于监测所述电力设备现场区域的各项监测因子;
网格线输出单元,所述网格线输出单元用于以所述各项监测因子和所述网格监测密度,生成监测网格线;
网格交点采集单元,所述网格交点采集单元用于根据所述监测网络线对所述电力设备现场区域进行网格划分,得到所述网格交点集合。
进一步的,所述数据监测模块13还包括:
交点冗余计算单元,所述交点冗余计算采集单元用于利用分布式冗余交点判断算法,对所述网格交点集合进行交点冗余计算,输出标识冗余交点;
监测点位输出单元,所述监测点位输出单元从所述网格交底集合中剔除所述标识冗余交点,输出所述监测点位,其中,所述监测点位包括对应的监测传感器。
进一步的,所述异常预警模块14还包括:
环境属性获取单元,所述环境属性获取单元用于获取所述电力设备现场区域的环境属性信息;
区域分类单元,所述区域分类单元按照所述环境属性信息对所述电力设备现场区域进行分类,得到内环境现场区域和外环境现场区域;
模型搭建单元,所述模型搭建单元以所述内环境现场区域和所述外环境现场区域,分别搭建内环境异常预警模型和外环境异常预警模型;
模型拟合单元,所述模型拟合单元按照所述内环境异常预警模型和所述外环境异常预警模型,生成所述异常预警模型。
进一步的,所述模型拟合单元还包括:
模型输入单元,所述模型输入单元用于将所述实时监测数据输入所述异常预警模型中,其中,所述异常预警模型包括数据分类层、模型匹配层和预警输出层;
监测数据分类单元,所述监测数据分类单元用于按照所述数据分类层,对输入的所述实时监测数据进行分类,获取内环境监测数据和外环境监测数据;
模型匹配单元,所述模型匹配单元用于根据所述模型匹配层,对所述内环境监测数据匹配内环境异常预警模型,对所述外环境监测数据匹配外环境异常预警模型,输出内环境预警信息和外环境预警信息;
预警输出单元,所述预警输出单元用于通过所述预警输出层,将所述内环境预警信息和所述外环境预警信息输出。
进一步的,所述远程协助模块15还包括:
预警信息分析单元,所述预警信息分析单元用于将所述设备预警信息输入异常复杂度分析模型,根据所述异常复杂度分析模型进行分析,获取复杂度指数;
数据阈值设置单元,所述数据阈值设置单元用于基于所述设备现场运维终端,生成预设复杂度指数;
指数判断单元,所述指数判断单元用于判断所述复杂度指数是否大于所述预设复杂度指数,若所述复杂度指数大于所述预设复杂度指数,激活远程协助指令;
协助请求生成单元,所述协助请求生成单元用于按照所述远程协助指令,生成所述远程协助请求信息。
进一步的,所述预警信息分析单元还包括:
复杂度分析单元,所述复杂度分析单元用于将所述设备预警信息输入所述异常复杂度分析模型中,获取设备预警量化指数、设备预警罕见度指数和设备预警联动指数;
指数权重配置单元,所述指数权重配置单元用于根据所述设备预警量化指数、所述设备预警罕见度指数和所述设备预警联动指数,配置权重比值;
复杂度计算单元,所述复杂度计算单元用于按照所述权重比值对所述设备预警量化指数、所述设备预警罕见度指数和所述设备预警联动指数进行计算,得到所述复杂度指数。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的装置及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。以上实施例所述,仅为本发明的具体实施方式,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,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。