CN116307641B - 一种面向数字化电厂的资源协同调度管理方法及*** - Google Patents
一种面向数字化电厂的资源协同调度管理方法及*** Download PDFInfo
- Publication number
- CN116307641B CN116307641B CN202310565220.8A CN202310565220A CN116307641B CN 116307641 B CN116307641 B CN 116307641B CN 202310565220 A CN202310565220 A CN 202310565220A CN 116307641 B CN116307641 B CN 116307641B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- abnormal
- data
- abnormality
- power plant
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 455
- 230000002159 abnormal effect Effects 0.000 claims abstract description 193
- 238000010248 power generation Methods 0.000 claims abstract description 97
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000005856 abnormality Effects 0.000 claims description 125
- 238000001514 detection method Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 9
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 238000006477 desulfuration reaction Methods 0.000 description 3
- 230000023556 desulfurization Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Public Health (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Water Supply & Treatment (AREA)
- Algebra (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种面向数字化电厂的资源协同调度管理方法及***,涉及数据处理技术领域,该方法包括获取目标电厂内与发电作业相关的多个监测项目;分析多个监测项目出现异常与发电作业出现异常的多个相关性系数;构建用于对目标电厂进行发电作业监测的数字孪生模型;根据多个相关性系数,获取在下一个预设时间周期内,对多个监测项目进行数据采集更新的多个更新频率信息,以及对其中M个区域进行图像数据采集更新的M个数据规模信息,并在下一个预设时间周期内,对多个监测项目进行监测数据采集更新,输入至数字孪生模型内,获得作业异常概率,进行预警。本发明达到了提升数字化电厂内发电作业监测资源调度管理的合理性的技术效果。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种面向数字化电厂的资源协同调度管理方法及***。
背景技术
电厂的正常发电运行影响着正常的生产生活,对于电厂正常发电的监测对于维持发电运行稳定性有着重要的意义。目前通过物联网和数字化等技术,能够提升电厂正常发电运行监测的准确性和效率。
但是,由于电厂内新老设备、异构设备的复杂性,导致在进行数字化监测的过程中,需要的计算资源以及网络带宽等较为庞大,常会出现监测迟滞等现象,影响电厂发电运行监测的稳定性。因此,需要一种在进行数字化电厂发电运行监测过程中,对计算资源和网络资源进行调度的方案,提升电厂发电运行监测的稳定性。
发明内容
本申请提供了一种面向数字化电厂的资源协同调度管理方法及***,用于针对解决现有技术中电厂内各类设备异构,进行发电运行监测时对于计算资源和网络资源的调度不合理,导致发电运行监测效率低、存在迟滞的技术问题。
鉴于上述问题,本申请提供了一种面向数字化电厂的资源协同调度管理方法及***。
本申请的第一个方面,提供了一种面向数字化电厂的资源协同调度管理方法,所述方法包括:
获取目标电厂内与发电作业相关的M个区域、N个设备和O个工作岗位,作为多个监测项目,并通过预设在所述目标电厂内的多个检测设备,对所述M个区域进行图像监测,对所述N个设备进行运行参数监测,对所述O个工作岗位进行状态监测,M、N、O为大于1的整数;
根据所述目标电厂在上一个预设时间周期内出现发电作业异常的监测数据,分析所述M个区域、N个设备和O个工作岗位出现异常与发电作业出现异常的相关程度,获得多个相关性系数;
构建用于对所述目标电厂进行发电作业监测的数字孪生模型,其中,所述数字孪生模型内包括数据采集模块和异常预测模块,所述数据采集模块用于接收所述多个监测项目的多个监测数据,异常预测模块用于根据所述多个监测数据输出作业异常的概率;
根据所述多个相关性系数,调度所述多个监测项目占用的监测计算资源,获取在下一个预设时间周期内,对所述多个监测项目进行数据采集更新的多个更新频率信息,以及对所述M个区域进行图像数据采集更新的M个数据规模信息;
在下一个预设时间周期内,按照所述多个更新频率信息和M个数据规模信息,对所述多个监测项目进行监测数据采集更新,输入至所述数字孪生模型内,获得作业异常概率,进行预警。
本申请的第二个方面,提供了一种面向数字化电厂的资源协同调度管理***,所述***包括:
监测项目获取模块,用于获取目标电厂内与发电作业相关的M个区域、N个设备和O个工作岗位,作为多个监测项目,并通过预设在所述目标电厂内的多个检测设备,对所述M个区域进行图像监测,对所述N个设备进行运行参数监测,对所述O个工作岗位进行状态监测,M、N、O为大于1的整数;
相关性分析模块,用于根据所述目标电厂在上一个预设时间周期内出现发电作业异常的监测数据,分析所述M个区域、N个设备和O个工作岗位出现异常与发电作业出现异常的相关程度,获得多个相关性系数;
数字孪生模型构建模块,用于构建用于对所述目标电厂进行发电作业监测的数字孪生模型,其中,所述数字孪生模型内包括数据采集模块和异常预测模块,所述数据采集模块用于接收所述多个监测项目的多个监测数据,异常预测模块用于根据所述多个监测数据输出作业异常的概率;
计算资源调度模块,用于根据所述多个相关性系数,调度所述多个监测项目占用的监测计算资源,获取在下一个预设时间周期内,对所述多个监测项目进行数据采集更新的多个更新频率信息,以及对所述M个区域进行图像数据采集更新的M个数据规模信息;以及
异常监测模块,用于在下一个预设时间周期内,按照所述多个更新频率信息和M个数据规模信息,对所述多个监测项目进行监测数据采集更新,输入至所述数字孪生模型内,获得作业异常概率,进行预警。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请提供的技术方案通过获取在电厂内与发电作业相关的多个监测项目,分析多个监测项目对于发电作业出现异常的相关程度,并作为对多个监测项目进行计算资源和网络资源调度的基础,按照多个相关性系数,设置对多个监测项目进行数据采集更新的多个更新频率信息,以及对其中图像监测项目的图像采集数据规模,使得与发电作业异常相关性较大的监测项目能够以更大的更新频率进行数据采集更新,占用较多的资源,提升发电作业监测资源调度的合理性,并通过构建数字孪生模型,提升发电厂发电作业监测以及异常预警的效率和准确性,达到了提升发电运行监测时对于计算资源和网络资源调度的合理性,以及发电运行监测的效率、准确性和时效性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种面向数字化电厂的资源协同调度管理方法流程示意图;
图2为本申请实施例提供的一种面向数字化电厂的资源协同调度管理方法中获得多个相关性系数的流程示意图;
图3为本申请实施例提供的一种面向数字化电厂的资源协同调度管理方法中构建获得数字孪生模型的流程示意图;
图4为本申请实施例提供的一种面向数字化电厂的资源协同调度管理***结构示意图。
附图标记说明:监测项目获取模块11,相关性分析模块12,数字孪生模型构建模块13,计算资源调度模块14,异常监测模块15。
具体实施方式
本申请通过提供了一种面向数字化电厂的资源协同调度管理方法及***,用于针对解决现有技术中电厂内各类设备异构,进行发电运行监测时对于计算资源和网络资源的调度不合理,导致发电运行监测效率低、存在迟滞的技术问题。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例一
如图1所示,本申请提供了一种面向数字化电厂的资源协同调度管理方法,其中,所述方法包括:
步骤S100:获取目标电厂内与发电作业相关的M个区域、N个设备和O个工作岗位,作为多个监测项目,并通过预设在所述目标电厂内的多个检测设备,对所述M个区域进行图像监测,对所述N个设备进行运行参数监测,对所述O个工作岗位进行状态监测,M、N、O为大于1的整数;
本申请实施例中,目标电厂为待进行发电作业是否正常的监测的任意数字化电厂,数字化指目标电厂内安装了传感器、图像采集装置、处理器等设备,可通过数字技术远程采集电厂内的运行数据,并进行运行状态分析。
目标电厂例如可为火力发电厂、风力发电厂、水电站等发电厂。
获取目标电厂内与发电作业相关的M个区域、N个设备和O个工作岗位,M、N、O均为大于1的整数。M个区域、N个设备和O个工作岗位可基于本领域技术人员根据目标电厂的类别和构架等进行确定。
示例性地,目标电厂为火力发电厂,则M个区域中可以包括机组区域、除灰区域、脱硫区域、水网区域和输煤***区域等多个与发电作业稳定性相关的区域,N个设备例如可以包括变压器、锅炉、汽轮机组等,O个工作岗位例如可以为消防岗位、值班岗位、巡检岗位等。
通过预设在目标电厂内的多个检测设备,对M个区域进行图像监测,对N个设备进行运行参数监测,对O个工作岗位进行状态监测,多个检测设备例如可以包括摄像头、传感器等设备,用于监测采集M个区域的图像,N个设备的运行参数,例如温度、压力等,以及O个工作岗位是否正常在岗等。
在后续内容中,需要根据多个监测项目与目标电厂发电作业出现异常的相关性系数的大小,对多个监测项目进行监测数据采集的频率进行调整,以提升发电作业监测的计算资源、网络资源和内存资源分配调度的合理性。
步骤S200:根据所述目标电厂在上一个预设时间周期内出现发电作业异常的监测数据,分析所述M个区域、N个设备和O个工作岗位出现异常与发电作业出现异常的相关程度,获得多个相关性系数;
本申请实施例中,预设时间周期为具有任意时间长度的时间周期,例如可为一个月。
根据标电厂在上一个预设时间周期内出现发电作业异常时,上述的多个监测项目的监测数据,分析M个区域、N个设备和O个工作岗位出现异常与发电作业出现异常的相关程度,作为进行资源调度管理的根据。
如图2所示,本申请实施例提供的方法中的步骤S200包括:
S210:获取所述目标电厂在上一个预设时间周期出现发电作业异常时,对所述多个监测项目进行监测的监测数据,获得多个异常监测数据,每个异常监测数据内包括所述多个监测项目是否出现异常的数据;
S220:分别获取所述多个监测项目在所述多个异常监测数据内出现异常的次数,获得多个异常次数,并计算与所述多个异常监测数据的数量的比值,获得多个异常相关性系数;
S230:根据所述多个异常监测数据,分析所述多个监测项目之间的关联相关性,获得多个关联相关性系数;
S240:根据所述多个异常相关性系数和所述多个关联相关性系数,加权计算获得所述多个相关性系数。
本申请实施例中,获取目标电厂在上一个预设时间周期内每次出现发电作业异常时,对多个监测项目进行监测的监测数据,获得多个异常监测数据,每个异常监测数据内包括多个监测项目是否出现异常的数据,多个异常监测数据内包括多个监测项目是否出现异常的判断结果。
示例性地,多个异常监测数据可根据该目标电厂内多个检测设备对多个监测项目进行数据采集监测的数据日志进行获取,并基于本领域技术人员进行判断,判断多个监测项目是否出现异常,例如判断脱硫作业是否正常,变压器电压是否正常,巡检岗位是否正常等,获得多个异常监测数据。
进一步地,分别在多个异常监测数据内进行遍历检索,获取多个监测项目在多个异常监测数据内判断出现异常的次数,获得多个异常次数,并分别计算多个异常次数与多个异常监测数据的数量的比值,即上一个预设时间周期内目标电厂出现发电作业异常的次数,获得多个异常相关性系数。异常相关性系数越大,则说明对应的监测项目出现异常时,目标电厂出现发电作业异常的概率越大。
本申请实施例中,还根据多个异常监测数据,分析多个监测项目之间的关联相关性,获得多个关联相关性系数。
本申请实施例提供的方法中的步骤S230包括:
S231:获取所述多个异常监测数据内,所述多个监测项目出现异常的异常总次数;
S232:计算所述多个异常次数和所述异常总次数之间的比值,获得所述多个关联相关性系数。
本申请实施例中,遍历该多个异常监测数据内多个监测项目出现异常的次数,并计算获取多个监测项目出现异常的异常总次数,该异常总次数即为上述的多个异常次数的和。
进一步地,计算多个异常次数和该异常总次数之间的比值,作为多个关联相关性系数,其中,关联相关性系数越大,则说明对应的监测项目出现异常的比例越大。
结合多个异常相关性系数和多个关联相关性系数,分别进行加权计算求和,计算获得多个监测项目的多个相关性系数。其中,异常相关性系数和关联相关性系数在加权计算中的权值可基于本领域技术人员自行设置,例如异常相关性系数对应的权值为0.6,关联相关性系数对应的权值为0.4。
本申请实施例通过从两个方面分析多个监测项目出现异常与目标电厂出现发电作业异常的相关性,进一步作为调度管理目标电厂内发电运行监测的资源的根据,进而实现较为准确合理的资源调度。
步骤S300:构建用于对所述目标电厂进行发电作业监测的数字孪生模型,其中,所述数字孪生模型内包括数据采集模块和异常预测模块,所述数据采集模块用于接收所述多个监测项目的多个监测数据,异常预测模块用于根据所述多个监测数据输出作业异常的概率;
本申请实施例中,在对目标电厂内进行发电作业监测的计算资源和网络资源进行调度管理的同时,还需要提升发电作业监测的准确性,在监测项目出现异常时,及时进行预警,避免发电作业异常而导致损失。
构建用于对目标电厂进行发电作业监测的数字孪生模型,其中,数字孪生模型内包括数据采集模块和异常预测模块,数据采集模块用于接收通过多个检测设备检测获得的多个监测项目的多个监测数据,异常预测模块用于根据多个监测数据输出作业异常的概率,进而进行发电作业异常的预警,避免出现损失。
如图3所示,本申请实施例提供的方法中的步骤S300包括:
S310:根据所述多个检测设备,构建所述数据采集模块,所述数据采集模块连接所述多个检测设备;
S320:根据所述目标电厂在历史时间内所述M个区域的图像监测数据以及所述M个区域是否出现异常的数据,获得M个样本图像数据集合和M个样本区域监测结果集合;
S330:采用所述M个样本图像数据集合和M个样本区域监测结果集合,分别构建所述M个区域对应的M个区域监测单元;
S340:根据所述目标电厂在历史时间内多个预设时间周期内的监测数据,获取不同的监测项目出现异常时所述目标电厂出现发电作业异常的概率,获得多个样本异常监测项目组合和样本作业异常概率集合;
S350:采用所述多个样本异常监测项目组合和样本作业异常概率集合,构建异常概率输出单元;
S360:结合所述M个区域监测单元和所述异常概率输出单元,获得所述异常预测模块;
S370:整合所述数据采集模块和所述异常预测模块,获得所述数字孪生模型。
本申请实施例中,根据多个检测设备,构建用于收集并存储多个监测项目的监测数据的数据采集模块,数据采集模块连接多个检测设备,可用于接收并存储多个检测设备检测获得的多个监测项目的监测数据。
数据采集模块示例如为具有一定内存空间的计算机。
本申请实施例中,为提升电厂发电作业监测的效率,通过图像处理技术,对M个区域内的监测图像进行识别处理,判断M个区域内是否出现异常。
根据该目标电厂在历史时间内M个区域的图像监测数据以及M个区域是否出现异常的数据,可基于M个区域的图像监控历史数据,进行历史图像监测数据的提取,并基于本领域技术人员进行判断,判断每个历史图像监测数据内对应的区域是否出现生产异常,例如脱硫作业是否正常等,进而获得M个区域的M个样本图像数据集合和M个样本区域监测结果集合,作为构建图像识别处理模型的构建数据。
进一步地,采用M个样本图像数据集合和M个样本区域监测结果集合,分别构建M个区域对应的M个区域监测单元。
本申请实施例提供的方法中的步骤S330包括:
S331:基于卷积神经网络,构建所述M个区域对应的M个区域监测单元;
S332:分别采用所述M个样本图像数据集合和M个样本区域监测结果集合,对所述M个区域监测单元进行监督训练,通过每个区域监测单元实际输出的区域监测结果和样本区域监测结果的误差,进行网络参数的更新,直到达到收敛条件;
S333:分别对所述M个区域监测单元进行验证和测试,在符合预设条件时,获得所述M个区域监测单元。
本申请实施例中,基于卷积神经网络构建M个区域监测单元,用于对M个区域内的图像监测数据进行识别,进而判断M个区域内是否出现异常。
基于现有技术中的卷积神经网络,构建M个区域对应的M个区域监测单元,M个区域监测单元内包括多层卷积层、池化层和一全连接层,卷积层和池化层可提取不同尺度下M个区域内图像数据的图像特征,全连接层可基于提取到的特征进行非线性逻辑运算,最终得到是否出现异常的输出区域监测结果。
分别采用M个样本图像数据集合和M个样本区域监测结果集合,作为构建数据并进行划分,获得M个训练数据、M个验证数据和M个测试数据,采用该M个训练数据对M个区域监测单元进行监督训练,通过每个区域监测单元实际输出的区域监测结果和样本区域监测结果的误差,对每个区域监测单元内的网络参数进行随机调整和更新,直到达到收敛条件。示例性地,该收敛条件可以是M个区域监测单元分别对于M个样本图像数据集合和M个样本区域监测结果集合收敛,或者准确率达到预设要求,例如达到85%。
进一步地,分别采用M个验证数据和M个测试数据,对M个区域监测单元进行验证和测试,在符合预设条件时,获得M个区域监测单元,该预设条件为M个区域监测单元的性能满足使用要求的条件,示例性地,该预设条件可为准确率达到85%。
如此,构建获得M个区域监测单元,可对M个区域内的图像监测数据进行智能识别处理,判断M个区域内是否异常,进而作为监测目标电厂内发生发电作业异常概率的根据,提升发电作业监测分析的效率。
进一步地,为提升发电作业监测的准确性和时效性,构建用于分析目标电池出现发电作业异常概率的异常概率输出单元,该异常概率输出单元可基于多个监测项目的监测结果,进一步分析目标电厂当前发电作业出现异常的概率。
本申请实施例中,根据目标电厂在历史时间内多个预设时间周期内的监测数据,获取不同的监测项目出现异常时目标电厂出现发电作业异常的概率,获得多个样本异常监测项目组合和样本作业异常概率集合。
示例性地,对多个监测项目进行随机数量的随机选取和组合,作为多个不同的监测项目组合,进而获取在历史时间内的多个预设时间周期中,每个监测项目组合内的监测项目在历史时间中多个预设时间周期内发现同时监测出现异常时,目标电厂出现发电作业异常的次数与监测项目组合内的监测项目同时出现异常的次数的比值,作为在一个预设时间周期内,该监测项目组合内全部监测项目出现异常时,目标电厂出现发电作业异常的概率。
如此,基于多个监测项目以及多个预设时间周期,可以组合获得多个样本异常监测项目组合,并计算每个样本异常监测项目组合在多个预设时间周期内对应目标电厂出现发电作业异常的概率的平均值,获得多个样本作业异常概率,即样本作业异常概率集合。多个样本异常监测项目组合与样本作业异常概率集合内的多个样本作业异常概率一一对应。
进一步地,采用该多个样本异常监测项目组合和样本作业异常概率集合作为构建数据,构建异常概率输出单元,用于分析不同的监测项目在出现异常时,目标电厂内出现发电作业异常的概率。
本申请实施例提供的方法中的步骤S350包括:
S351:基于前馈神经网络构建所述异常概率输出单元;
S352:采用所述多个样本异常监测项目组合和样本作业异常概率集合作为构建数据,对所述异常概率输出单元进行监督训练、验证和测试,直到所述异常概率输出单元的准确率符合预设要求,获得所述异常概率输出单元。
本申请实施例中,基于前馈神经网络,构建用于分析不同的监测项目在出现异常时,目标电厂内出现发电作业异常的概率的异常概率输出单元的网络结构,该异常概率输出单元内包括输入层、输出层和隐含层。
前馈神经网络为机器学习中较为基础的神经网络,隐含层内包括多层、多个通过权值网络参数连接的神经元,可根据输入数据进行非线性的逻辑运算,得到训练过程中所需求的输出结果,且各层神经元之间没有反馈,仅前向传播,训练过程中较为容易收敛。
对多个样本异常监测项目组合和样本作业异常概率集合进行监督学习中的数据标识,并进行划分,获得训练集、验证集和测试集,并对异常概率输出单元进行监督训练、验证和测试,通过异常概率输出单元输出的作业异常概率和预期的样本作业异常概率之间的误差,对异常概率输出单元内的网络参数进行调整更新,直到收敛,并验证测试异常概率输出单元的准确率符合预设要求,则获得异常概率输出单元。示例性地,该预设要求可为准确率达到90%。
结合上述的M个区域监测单元和异常概率输出单元,获得该数字孪生模型内的异常预测模块。
进一步地,整合该数据采集模块和所述异常预测模块,获得上述的数字孪生模型。
本申请实施例中,通过构建包括数据采集模块和异常预测模块的数字孪生模型,能够获取多个监测项目的监测数据,判断多个监测项目是否异常,其中结合图像处理的手段,提升区域图像监测的效率,能够较为准确地预测目标电厂内出现发电作业异常的概率,进行预警,进而可对异常的监测项目进行及时的检修处理,从而保证发电作业的稳定性。
步骤S400:根据所述多个相关性系数,调度所述多个监测项目占用的监测计算资源,获取在下一个预设时间周期内,对所述多个监测项目进行数据采集更新的多个更新频率信息,以及对所述M个区域进行图像数据采集更新的M个数据规模信息;
本申请实施例中,根据上述内容中多个监测项目与目标电厂内发电作业出现异常的多个相关性系数,对多个监测项目占用的监测计算资源以及网络资源等资源进行调度,获取下一个预设时间周期内,对多个监测项目进行数据采集更新的多个更新频率信息,以及对M个区域进行图像数据采集更新的M个数据规模信息,实现合理化地分配进行生产作业监测分析的计算资源。
本申请实施例提供的方法中的步骤S400包括:
S410:获取预设更新频率;
S420:计算所述多个相关性系数和相关性系数期望值的比值,对所述预设更新频率进行校正,获得所述多个更新频率信息;
S430:获取对所述M个区域进行图像数据采集更新的预设数据规模信息;
S440:计算所述M个区域对应的M个相关性系数与M个相关性系数的期望值的比值,对所述预设数据规模信息进行校正,获得所述M个数据规模信息。
本申请实施例中,首先获取目标电厂内进行多个监测项目数据监测更新的预设更新频率,可通过查询目标电厂内监测数据更新频率获得,也可基于本领域技术人员设置获得。例如该预设更新频率可为1次/10min,即每10分钟进行多个监测项目的一次监测数据更新,进而判断是否出现异常。
但是,每个监测项目与目标电厂内出现发电作业异常的相关性不同,如果数据更新频率一致,会带来计算资源以及网络资源的浪费,因此,本申请实施例中,根据多个相关性系数,对每个监测项目占用的资源进行调节。
示例性地,计算多个相关性系数和多个相关性系数的期望值的比值,期望值即为均值,根据多个比值,对预设更新频率进行校正,获得多个更新频率信息。
示例性地,预设更新频率为1次/10min,某一个监测项目的相关性系数与相关性系数期望值的比值为2,则调整后为预设更新频率为2次/10min,即1次/5min。
如此,相关性系数较大的监测项目的监测数据的更新频率更高,可占用更多的计算资源和网络资源,相关性较小的监测项目的监测数据的更新频率较低,保证发电作业监测可靠性的同时,避免网络迟滞,提升资源调度利用的合理性。
进一步地,M个区域进行图像采集监测,较大的图像数据规模也会占用过多的资源,因此,根据M个区域对应的M个监测项目的相关性系数,对M个区域进行图像采集的数据规模进行调整。
获取对M个区域进行图像数据采集更新的预设数据规模信息,即采集图像的预设数据规模,可通过查询目标电厂内监控图像的数据规模,或基于本领域技术人员设置获得。示例性地,预设数据规模信息为图像分辨率为1600*1200。
计算M个区域对应的M个相关性系数与M个相关性系数的期望值的比值,对预设数据规模信息进行校正,获得M个数据规模信息。
示例性地,预设数据规模信息为图像分辨率为1600*1200,某个区域的相关性系数与M个相关性系数的期望值的比值为0.5,通过根据现有技术中常规的图像分辨率的大小,选取像素点数量与1600*1200的像素点数量的0.5倍最接近的图像分辨率,例如为800x600,完成M个数据规模信息的获取。
需要说明的是,M个区域监测单元在进行训练的过程中,可采用具有不同图像分辨率的样本图像数据进行训练,以满足不同数据规模信息的图像数据的处理识别。
本申请实施例通过根据各监测项目以及各区域的相关性系数的大小水平,对各监测项目采集更新监测数据的频率进行调整,以及对图像数据规模进行调整,使得与发电作业异常相关性更大的监测项目和区域可以占用更多的计算资源和网络资源,最大程度保证可靠的发电作业监测,提升数字化电厂内数字化资源调度使用的合理性。
步骤S500:在下一个预设时间周期内,按照所述多个更新频率信息和M个数据规模信息,对所述多个监测项目进行监测数据采集更新,输入至所述数字孪生模型内,获得作业异常概率,进行预警。
本申请实施例中,在获取多个更新频率信息和M个数据规模信息后,在下一个预设时间周期内,按照多个更新频率信息,对多个监测项目内的监测数据进行定期采集更新,以及按照M个数据规模信息,对M个区域内的监测图像进行采集更新,并定期将最新的M个监测项目的监测数据输入至数字孪生模型内,获得作业异常概率,并在作业异常概率大于0时,进行预警。
其中,将多个监测项目最新的监测数据输入到数字孪生模型内的周期与多个更新频率信息无关,多个监测项目按照各自的更新频率信息进行监测数据采集更新,然后定期输入数字孪生模型进行处理。示例性地,将多个监测项目最新的监测数据输入到数字孪生模型内的周期可以为5min。
本申请实施例提供的方法中的步骤S500包括:
S510:在下一个预设时间周期内,按照所述多个更新频率信息和M个数据规模信息,对所述多个监测项目进行监测数据采集更新,并获得最新多个监测数据,所述多个监测数据内包括M个区域图像、N个设备参数和O个岗位状态;
S520:将所述M个区域图像输入所述M个区域监测单元内,并对所述N个设备参数和O个岗位状态进行判断,获得Q个异常监测项目,Q为大于等于0的整数;
S530:将所述Q个异常监测项目的组合输入所述异常概率输出单元内,获得所述作业异常概率。
本申请实施例中,在下一个预设时间周期内,按照多个更新频率信息和M个数据规模信息,对多个监测项目进行监测数据采集更新,其中,按照M个数据规模信息,对M个区域内的图像进行监测图像数据采集更新,获得最新的多个监测数据。
多个监测数据内包括M个区域图像、N个设备参数和O个岗位状态。
进一步地,将M个区域图像输入M个区域监测单元内,进行处理识别,判断M个区域内是否正常运行,获得M个判断结果。
以及,对N个设备参数和O个岗位状态进行判断,判断N个设备是否正常运行以及O个岗位是否正常在岗,示例性地,可基于本领域技术人员判断,或设置预设的判断规则进行判断,获得Q个异常监测项目。可选的,预设的判断规则可以包括N个设备参数区间,若设备参数未落入对应的设备参数区间内,则为异常,若O个岗位内的作业人员未在岗,则为异常。如此,获得多个判断结果,多个判断结果包括出现异常的Q个异常监测项目,Q为大于等于0的整数。
进一步地,将该Q个异常监测项目进行组合,输入数字孪生模型内的异常概率输出单元内,获得输出结果,输出结果内包括在Q个异常监测项目出现异常时目标电厂出现作业异常的概率信息,即作业异常概率。
可选的,在作业异常概率大于0且越接近1时,则预警的紧急程度越大,例如可为响铃声音越大或越尖锐等,也可为警报灯亮度越高说闪烁频率越快等。
综上所述,本申请实施例至少具有如下技术效果:
本申请实施例提供的技术方案通过获取在电厂内与发电作业相关的多个监测项目,分析多个监测项目对于发电作业出现异常的相关程度,并作为对多个监测项目进行计算资源和网络资源调度的基础,按照多个相关性系数,设置对多个监测项目进行数据采集更新的多个更新频率信息,以及对其中图像监测项目的图像采集数据规模,使得与发电作业异常相关性较大的监测项目能够以更大的更新频率进行数据采集更新,占用较多的资源,提升发电作业监测资源调度的合理性,并通过构建数字孪生模型,提升发电厂发电作业监测以及异常预警的效率和准确性,达到了提升发电运行监测时对于计算资源和网络资源调度的合理性,以及发电运行监测的效率、可靠性、准确性和时效性。
实施例二
基于与前述实施例中一种面向数字化电厂的资源协同调度管理方法相同的发明构思,如图4所示,本申请提供了一种面向数字化电厂的资源协同调度管理***,本申请实施例中的***与方法实施例基于同样的发明构思。其中,所述***包括:
监测项目获取模块11,用于获取目标电厂内与发电作业相关的M个区域、N个设备和O个工作岗位,作为多个监测项目,并通过预设在所述目标电厂内的多个检测设备,对所述M个区域进行图像监测,对所述N个设备进行运行参数监测,对所述O个工作岗位进行状态监测,M、N、O为大于1的整数;
相关性分析模块12,用于根据所述目标电厂在上一个预设时间周期内出现发电作业异常的监测数据,分析所述M个区域、N个设备和O个工作岗位出现异常与发电作业出现异常的相关程度,获得多个相关性系数;
数字孪生模型构建模块13,用于构建用于对所述目标电厂进行发电作业监测的数字孪生模型,其中,所述数字孪生模型内包括数据采集模块和异常预测模块,所述数据采集模块用于接收所述多个监测项目的多个监测数据,异常预测模块用于根据所述多个监测数据输出作业异常的概率;
计算资源调度模块14,用于根据所述多个相关性系数,调度所述多个监测项目占用的监测计算资源,获取在下一个预设时间周期内,对所述多个监测项目进行数据采集更新的多个更新频率信息,以及对所述M个区域进行图像数据采集更新的M个数据规模信息;以及
异常监测模块15,用于在下一个预设时间周期内,按照所述多个更新频率信息和M个数据规模信息,对所述多个监测项目进行监测数据采集更新,输入至所述数字孪生模型内,获得作业异常概率,进行预警。
进一步的,所述相关性分析模块12还用于实现以下功能:
获取所述目标电厂在上一个预设时间周期出现发电作业异常时,对所述多个监测项目进行监测的监测数据,获得多个异常监测数据,每个异常监测数据内包括所述多个监测项目是否出现异常的数据;
分别获取所述多个监测项目在所述多个异常监测数据内出现异常的次数,获得多个异常次数,并计算与所述多个异常监测数据的数量的比值,获得多个异常相关性系数;
根据所述多个异常监测数据,分析所述多个监测项目之间的关联相关性,获得多个关联相关性系数;
根据所述多个异常相关性系数和所述多个关联相关性系数,加权计算获得所述多个相关性系数。
其中,根据所述多个异常监测数据,分析所述多个监测项目之间的关联相关性,获得多个关联相关性系数,包括:
获取所述多个异常监测数据内,所述多个监测项目出现异常的异常总次数;
计算所述多个异常次数和所述异常总次数之间的比值,获得所述多个关联相关性系数。
进一步地,所述数字孪生模型构建模块13还用于实现以下功能:
根据所述多个检测设备,构建所述数据采集模块,所述数据采集模块连接所述多个检测设备;
根据所述目标电厂在历史时间内所述M个区域的图像监测数据以及所述M个区域是否出现异常的数据,获得M个样本图像数据集合和M个样本区域监测结果集合;
采用所述M个样本图像数据集合和M个样本区域监测结果集合,分别构建所述M个区域对应的M个区域监测单元;
根据所述目标电厂在历史时间内多个预设时间周期内的监测数据,获取不同的监测项目出现异常时所述目标电厂出现发电作业异常的概率,获得多个样本异常监测项目组合和样本作业异常概率集合;
采用所述多个样本异常监测项目组合和样本作业异常概率集合,构建异常概率输出单元;
结合所述M个区域监测单元和所述异常概率输出单元,获得所述异常预测模块;
整合所述数据采集模块和所述异常预测模块,获得所述数字孪生模型。
其中,采用所述M个样本图像数据集合和M个样本区域监测结果集合,分别构建所述M个区域对应的M个区域监测单元,包括:
基于卷积神经网络,构建所述M个区域对应的M个区域监测单元;
分别采用所述M个样本图像数据集合和M个样本区域监测结果集合,对所述M个区域监测单元进行监督训练,通过每个区域监测单元实际输出的区域监测结果和样本区域监测结果的误差,进行网络参数的更新,直到达到收敛条件;
分别对所述M个区域监测单元进行验证和测试,在符合预设条件时,获得所述M个区域监测单元。
其中,采用所述多个样本异常监测项目组合和样本作业异常概率集合,构建异常概率输出单元,包括:
基于前馈神经网络构建所述异常概率输出单元;
采用所述多个样本异常监测项目组合和样本作业异常概率集合作为构建数据,对所述异常概率输出单元进行监督训练、验证和测试,直到所述异常概率输出单元的准确率符合预设要求,获得所述异常概率输出单元。
进一步的,所述计算资源调度模块14还用于实现以下功能:
获取预设更新频率;
计算所述多个相关性系数和相关性系数期望值的比值,对所述预设更新频率进行校正,获得所述多个更新频率信息;
获取对所述M个区域进行图像数据采集更新的预设数据规模信息;
计算所述M个区域对应的M个相关性系数与M个相关性系数的期望值的比值,对所述预设数据规模信息进行校正,获得所述M个数据规模信息。
进一步的,所述异常监测模块15还用于实现以下功能:
在下一个预设时间周期内,按照所述多个更新频率信息和M个数据规模信息,对所述多个监测项目进行监测数据采集更新,并获得最新多个监测数据,所述多个监测数据内包括M个区域图像、N个设备参数和O个岗位状态;
将所述M个区域图像输入所述M个区域监测单元内,并对所述N个设备参数和O个岗位状态进行判断,获得Q个异常监测项目,Q为大于等于0的整数;
将所述Q个异常监测项目的组合输入所述异常概率输出单元内,获得所述作业异常概率。
需要说明的是,上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (4)
1.一种面向数字化电厂的资源协同调度管理方法,其特征在于,所述方法包括:
获取目标电厂内与发电作业相关的M个区域、N个设备和O个工作岗位,作为多个监测项目,并通过预设在所述目标电厂内的多个检测设备,对所述M个区域进行图像监测,对所述N个设备进行运行参数监测,对所述O个工作岗位进行状态监测,M、N、O为大于1的整数;
根据所述目标电厂在上一个预设时间周期内出现发电作业异常的监测数据,分析所述M个区域、N个设备和O个工作岗位出现异常与发电作业出现异常的相关程度,获得多个相关性系数;
构建用于对所述目标电厂进行发电作业监测的数字孪生模型,其中,所述数字孪生模型内包括数据采集模块和异常预测模块,所述数据采集模块用于接收所述多个监测项目的多个监测数据,异常预测模块用于根据所述多个监测数据输出作业异常的概率;
根据所述多个相关性系数,调度所述多个监测项目占用的监测计算资源,获取在下一个预设时间周期内,对所述多个监测项目进行数据采集更新的多个更新频率信息,以及对所述M个区域进行图像数据采集更新的M个数据规模信息,所述数据规模信息为进行图像数据采集更新的图像分辨率;以及在下一个预设时间周期内,按照所述多个更新频率信息和M个数据规模信息,对所述多个监测项目进行监测数据采集更新,输入至所述数字孪生模型内,获得作业异常概率,进行预警;
其中,根据所述目标电厂在上一个预设时间周期内出现发电作业异常的监测数据,分析所述M个区域、N个设备和O个工作岗位出现异常与发电作业出现异常的相关程度,包括:
获取所述目标电厂在上一个预设时间周期出现发电作业异常时,对所述多个监测项目进行监测的监测数据,获得多个异常监测数据,每个异常监测数据内包括所述多个监测项目是否出现异常的数据;
分别获取所述多个监测项目在所述多个异常监测数据内出现异常的次数,获得多个异常次数,并计算与所述多个异常监测数据的数量的比值,获得多个异常相关性系数;
根据所述多个异常监测数据,分析所述多个监测项目之间的关联相关性,获得多个关联相关性系数;
根据所述多个异常相关性系数和所述多个关联相关性系数,加权计算获得所述多个相关性系数;
其中,根据所述多个异常监测数据,分析所述多个监测项目之间的关联相关性,获得多个关联相关性系数,包括:
获取所述多个异常监测数据内,所述多个监测项目出现异常的异常总次数;
计算所述多个异常次数和所述异常总次数之间的比值,获得所述多个关联相关性系数;
其中,构建用于对所述目标电厂进行发电作业监测的数字孪生模型,包括:
根据所述多个检测设备,构建所述数据采集模块,所述数据采集模块连接所述多个检测设备;
根据所述目标电厂在历史时间内所述M个区域的图像监测数据以及所述M个区域是否出现异常的数据,获得M个样本图像数据集合和M个样本区域监测结果集合;
采用所述M个样本图像数据集合和M个样本区域监测结果集合,分别构建所述M个区域对应的M个区域监测单元;
根据所述目标电厂在历史时间内多个预设时间周期内的监测数据,获取不同的监测项目出现异常时所述目标电厂出现发电作业异常的概率,获得多个样本异常监测项目组合和样本作业异常概率集合;
采用所述多个样本异常监测项目组合和样本作业异常概率集合,构建异常概率输出单元;
结合所述M个区域监测单元和所述异常概率输出单元,获得所述异常预测模块;
整合所述数据采集模块和所述异常预测模块,获得所述数字孪生模型;
其中,采用所述多个样本异常监测项目组合和样本作业异常概率集合,构建异常概率输出单元,包括:
基于前馈神经网络构建所述异常概率输出单元;
采用所述多个样本异常监测项目组合和样本作业异常概率集合作为构建数据,对所述异常概率输出单元进行监督训练、验证和测试,直到所述异常概率输出单元的准确率符合预设要求,获得所述异常概率输出单元;
其中,根据所述多个相关性系数,获取在下一个预设时间周期内,对所述多个监测项目进行数据采集更新的多个更新频率信息,以及对所述M个区域进行图像数据采集更新的M个数据规模信息,包括:
获取预设更新频率;
计算所述多个相关性系数和相关性系数期望值的比值,对所述预设更新频率进行校正,获得所述多个更新频率信息;
获取对所述M个区域进行图像数据采集更新的预设数据规模信息;
计算所述M个区域对应的M个相关性系数与M个相关性系数的期望值的比值,对所述预设数据规模信息进行校正,获得所述M个数据规模信息。
2.根据权利要求1所述的方法,其特征在于,采用所述M个样本图像数据集合和M个样本区域监测结果集合,分别构建所述M个区域对应的M个区域监测单元,包括:
基于卷积神经网络,构建所述M个区域对应的M个区域监测单元;
分别采用所述M个样本图像数据集合和M个样本区域监测结果集合,对所述M个区域监测单元进行监督训练,通过每个区域监测单元实际输出的区域监测结果和样本区域监测结果的误差,进行网络参数的更新,直到达到收敛条件;
分别对所述M个区域监测单元进行验证和测试,在符合预设条件时,获得所述M个区域监测单元。
3.根据权利要求1所述的方法,其特征在于,所述方法包括:
在下一个预设时间周期内,按照所述多个更新频率信息和M个数据规模信息,对所述多个监测项目进行监测数据采集更新,并获得最新多个监测数据,所述多个监测数据内包括M个区域图像、N个设备参数和O个岗位状态;
将所述M个区域图像输入所述M个区域监测单元内,并对所述N个设备参数和O个岗位状态进行判断,获得Q个异常监测项目,Q为大于等于0的常数;
将所述Q个异常监测项目的组合输入所述异常概率输出单元内,获得所述作业异常概率。
4.一种面向数字化电厂的资源协同调度管理***,其特征在于,所述***包括:
监测项目获取模块,用于获取目标电厂内与发电作业相关的M个区域、N个设备和O个工作岗位,作为多个监测项目,并通过预设在所述目标电厂内的多个检测设备,对所述M个区域进行图像监测,对所述N个设备进行运行参数监测,对所述O个工作岗位进行状态监测,M、N、O为大于1的整数;
相关性分析模块,用于根据所述目标电厂在上一个预设时间周期内出现发电作业异常的监测数据,分析所述M个区域、N个设备和O个工作岗位出现异常与发电作业出现异常的相关程度,获得多个相关性系数;
数字孪生模型构建模块,用于构建用于对所述目标电厂进行发电作业监测的数字孪生模型,其中,所述数字孪生模型内包括数据采集模块和异常预测模块,所述数据采集模块用于接收所述多个监测项目的多个监测数据,异常预测模块用于根据所述多个监测数据输出作业异常的概率;
计算资源调度模块,用于根据所述多个相关性系数,调度所述多个监测项目占用的监测计算资源,获取在下一个预设时间周期内,对所述多个监测项目进行数据采集更新的多个更新频率信息,以及对所述M个区域进行图像数据采集更新的M个数据规模信息,所述数据规模信息为进行图像数据采集更新的图像分辨率;以及异常监测模块,用于在下一个预设时间周期内,按照所述多个更新频率信息和M个数据规模信息,对所述多个监测项目进行监测数据采集更新,输入至所述数字孪生模型内,获得作业异常概率,进行预警;
所述相关性分析模块还用于实现以下功能:
获取所述目标电厂在上一个预设时间周期出现发电作业异常时,对所述多个监测项目进行监测的监测数据,获得多个异常监测数据,每个异常监测数据内包括所述多个监测项目是否出现异常的数据;
分别获取所述多个监测项目在所述多个异常监测数据内出现异常的次数,获得多个异常次数,并计算与所述多个异常监测数据的数量的比值,获得多个异常相关性系数;
根据所述多个异常监测数据,分析所述多个监测项目之间的关联相关性,获得多个关联相关性系数;
根据所述多个异常相关性系数和所述多个关联相关性系数,加权计算获得所述多个相关性系数;
其中,根据所述多个异常监测数据,分析所述多个监测项目之间的关联相关性,获得多个关联相关性系数,包括:
获取所述多个异常监测数据内,所述多个监测项目出现异常的异常总次数;
计算所述多个异常次数和所述异常总次数之间的比值,获得所述多个关联相关性系数;
所述数字孪生模型构建模块还用于实现以下功能:
根据所述多个检测设备,构建所述数据采集模块,所述数据采集模块连接所述多个检测设备;
根据所述目标电厂在历史时间内所述M个区域的图像监测数据以及所述M个区域是否出现异常的数据,获得M个样本图像数据集合和M个样本区域监测结果集合;
采用所述M个样本图像数据集合和M个样本区域监测结果集合,分别构建所述M个区域对应的M个区域监测单元;
根据所述目标电厂在历史时间内多个预设时间周期内的监测数据,获取不同的监测项目出现异常时所述目标电厂出现发电作业异常的概率,获得多个样本异常监测项目组合和样本作业异常概率集合;
采用所述多个样本异常监测项目组合和样本作业异常概率集合,构建异常概率输出单元;
结合所述M个区域监测单元和所述异常概率输出单元,获得所述异常预测模块;
整合所述数据采集模块和所述异常预测模块,获得所述数字孪生模型;
所述计算资源调度模块还用于实现以下功能:
获取预设更新频率;
计算所述多个相关性系数和相关性系数期望值的比值,对所述预设更新频率进行校正,获得所述多个更新频率信息;
获取对所述M个区域进行图像数据采集更新的预设数据规模信息;
计算所述M个区域对应的M个相关性系数与M个相关性系数的期望值的比值,对所述预设数据规模信息进行校正,获得所述M个数据规模信息;
所述异常监测模块还用于实现以下功能:
在下一个预设时间周期内,按照所述多个更新频率信息和M个数据规模信息,对所述多个监测项目进行监测数据采集更新,并获得最新多个监测数据,所述多个监测数据内包括M个区域图像、N个设备参数和O个岗位状态;
将所述M个区域图像输入所述M个区域监测单元内,并对所述N个设备参数和O个岗位状态进行判断,获得Q个异常监测项目,Q为大于等于0的整数;
将所述Q个异常监测项目的组合输入所述异常概率输出单元内,获得所述作业异常概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310565220.8A CN116307641B (zh) | 2023-05-19 | 2023-05-19 | 一种面向数字化电厂的资源协同调度管理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310565220.8A CN116307641B (zh) | 2023-05-19 | 2023-05-19 | 一种面向数字化电厂的资源协同调度管理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116307641A CN116307641A (zh) | 2023-06-23 |
CN116307641B true CN116307641B (zh) | 2023-08-11 |
Family
ID=86785300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310565220.8A Active CN116307641B (zh) | 2023-05-19 | 2023-05-19 | 一种面向数字化电厂的资源协同调度管理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307641B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116520755B (zh) * | 2023-06-29 | 2023-09-26 | 深圳东原电子有限公司 | 一种音响的自动化产线监测预警方法及*** |
CN117235460B (zh) * | 2023-10-12 | 2024-05-31 | 广州拾贝云科技有限公司 | 一种基于电力时序数据的数据传输处理方法及*** |
CN117371337B (zh) * | 2023-12-07 | 2024-03-15 | 安徽金海迪尔信息技术有限责任公司 | 一种基于数字孪生的水利模型构建方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011085A (zh) * | 2021-02-26 | 2021-06-22 | 青岛弯弓信息技术有限公司 | 一种设备数字孪生建模方法及*** |
CN114863661A (zh) * | 2022-07-05 | 2022-08-05 | 苏州翔楼新材料股份有限公司 | 一种特钢生产车间的监测预警方法及*** |
CN115860684A (zh) * | 2022-12-23 | 2023-03-28 | 上海裕隆医学检验所股份有限公司 | 一种基于数字孪生的管理*** |
CN115951617A (zh) * | 2023-01-16 | 2023-04-11 | 上海裕隆医学检验所股份有限公司 | 一种基于数字孪生的控制*** |
CN116129356A (zh) * | 2023-02-02 | 2023-05-16 | 南通市亿控自动化***有限公司 | 一种监控数据分析方法及*** |
CN116126645A (zh) * | 2023-04-04 | 2023-05-16 | 江苏天创科技有限公司 | 一种基于数字孪生的机房稳定性监测方法及*** |
-
2023
- 2023-05-19 CN CN202310565220.8A patent/CN116307641B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011085A (zh) * | 2021-02-26 | 2021-06-22 | 青岛弯弓信息技术有限公司 | 一种设备数字孪生建模方法及*** |
CN114863661A (zh) * | 2022-07-05 | 2022-08-05 | 苏州翔楼新材料股份有限公司 | 一种特钢生产车间的监测预警方法及*** |
CN115860684A (zh) * | 2022-12-23 | 2023-03-28 | 上海裕隆医学检验所股份有限公司 | 一种基于数字孪生的管理*** |
CN115951617A (zh) * | 2023-01-16 | 2023-04-11 | 上海裕隆医学检验所股份有限公司 | 一种基于数字孪生的控制*** |
CN116129356A (zh) * | 2023-02-02 | 2023-05-16 | 南通市亿控自动化***有限公司 | 一种监控数据分析方法及*** |
CN116126645A (zh) * | 2023-04-04 | 2023-05-16 | 江苏天创科技有限公司 | 一种基于数字孪生的机房稳定性监测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116307641A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116307641B (zh) | 一种面向数字化电厂的资源协同调度管理方法及*** | |
KR102159692B1 (ko) | 빅데이터 분석을 통한 태양광 발전량 예측 장치 및 방법 | |
US11977375B2 (en) | Scalable systems and methods for assessing healthy condition scores in renewable asset management | |
Garcia Marquez et al. | A comprehensive review of artificial intelligence and wind energy | |
US20200210824A1 (en) | Scalable system and method for forecasting wind turbine failure with varying lead time windows | |
CN111754020A (zh) | 基于数据分析的智能电厂设备巡检***及方法 | |
CN102339347A (zh) | 用于技术***的计算机辅助分析的方法 | |
CN106649479A (zh) | 一种基于概率图的变压器状态关联规则挖掘方法 | |
CN117172620B (zh) | 一种基于参数化分析的建筑光伏潜力评估方法及*** | |
Jiang et al. | Energy prediction using spatiotemporal pattern networks | |
CN115796434A (zh) | 一种用于配电网的管控方法、装置、电子设备及存储介质 | |
CN112270429A (zh) | 基于云边协同的动力电池极片制造设备维护方法和*** | |
CN113408659A (zh) | 一种基于数据挖掘的建筑能耗集成分析方法 | |
CN117878925B (zh) | 一种智能电网的输电数据控制方法及*** | |
Vera-Tudela et al. | On the selection of input variables for a wind turbine load monitoring system | |
Javed et al. | Cloud-based collaborative learning (ccl) for the automated condition monitoring of wind farms | |
CN116714469A (zh) | 充电桩健康监测方法、装置、终端及存储介质 | |
CN113723670B (zh) | 变时间窗口的光伏发电功率短期预测方法 | |
CN117113267B (zh) | 基于大数据的预测模型训练方法、光伏发电性能检测方法 | |
Ferrero Bermejo et al. | A CPS for Condition Based Maintenance Based on a Multi-agent System for Failure Modes Prediction in Grid Connected PV Systems | |
CN117390556A (zh) | 一种柴油发电机组的故障监控方法及装置 | |
CN118068797B (zh) | 工厂生产运行自动化控制*** | |
Prasad et al. | A Comprehensive Study of Machine Learning Models and Computer Vision Techniques for Renewable Energy Forecasting | |
Rama et al. | Predictive Maintenance and Anomaly Detection of Wind Turbines Based on Bladed Simulator Models | |
Bermejo et al. | A CPS for Condition Based Maintenance Based on a Multi-agent 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |