CN117312763B - 一种基于云平台的变频家电性能可视化监管***及方法 - Google Patents
一种基于云平台的变频家电性能可视化监管***及方法 Download PDFInfo
- Publication number
- CN117312763B CN117312763B CN202311616874.5A CN202311616874A CN117312763B CN 117312763 B CN117312763 B CN 117312763B CN 202311616874 A CN202311616874 A CN 202311616874A CN 117312763 B CN117312763 B CN 117312763B
- Authority
- CN
- China
- Prior art keywords
- equipment
- abnormal
- abnormality
- variable frequency
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000000007 visual effect Effects 0.000 title claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims abstract description 153
- 230000005856 abnormality Effects 0.000 claims abstract description 143
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000006243 chemical reaction Methods 0.000 claims abstract description 12
- 238000012544 monitoring process Methods 0.000 claims description 22
- 230000005611 electricity Effects 0.000 claims description 18
- 238000005265 energy consumption Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
- G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
- G06Q30/016—After-sales
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Artificial Intelligence (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及性能监管技术领域,具体为一种基于云平台的变频家电性能可视化监管***及方法,包括:采集云平台中各台变频家电的初始设备参数、各台变频家电的历史工作记录和各条历史工作记录中的电气性能参数;根据性能变化曲线中各时间节点的设备状态值分析目标设备的状态变化异常程度,分析目标设备在性能变化异常时用电异常对性能异常的影响程度;构建目标设备的设备损耗模型;基于各台异常设备的设备损耗值预测目标设备的异常发生时间节点;基于异常发生时间节点分析目标设备的异常发生时长和时长阈值的差值,则根据差值对目标设备进行选择性处理,有利于对变频家电进行及时预警,降低变频设备的损坏概率。
Description
技术领域
本发明涉及性能监管技术领域,具体为一种基于云平台的变频家电性能可视化监管***及方法。
背景技术
随着经济的发展,家电行业也在不断发展。从传统的家电到变频家电,家电行业的产品形态和功能不断升级。传统的家电大多使用的是单相异步电动机,它们工作时常处于短时重复状态,具有启动频繁、噪声大、电机寿命短、温度稳定性差等问题;而变频家电却能大大降低这些缺点,还可以通过改变供电电源的频率来改变电动机的转速,以实现节能和提高效率,具有很高的发展前景。
在变频家电使用的过程中,随着频家电工作次数、工作时间的增多,设备的不稳定度也会逐渐增加;而频繁的使用,无疑会造成设备磨损、零部件老化等是不可避免的问题,若无法及时处理,将会影响变频家电的正常运转,甚至导致故障停机。同时生产商将变频家电销售给消费者时,往往会存在一定的质保期,而质保期内的设备损坏对生产商来说无疑会造成一定损失,因此,如何通过获取各用户对云平台中变频家电的历史工作记录分析变频家电的异常损耗成为亟待解决的问题。
发明内容
本发明的目的在于提供一种基于云平台的变频家电性能可视化监管***及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于云平台的变频家电性能可视化监管方法,包括以下步骤:
步骤S100:采集云平台中各台变频家电的初始设备参数,形成设备信息集;采集设备信息集中各台变频家电的历史工作记录,分别形成各台变频家电的历史记录集;将设备信息集中任意一台变频家电设为目标设备,则根据历史记录集采集目标设备在各条历史工作记录中的电气性能参数,分别形成各条历史工作记录的电气参数集;
上述步骤中的各台变频家电属于相同型号的设备,由不同用户进行工作;
上述步骤中历史工作记录包括工作过程中的电量变化过程、设备开启和关闭的时间节点等;它是设备开启时到下一次设备开启时的全过程记录;
步骤S200:获取目标设备在各条历史工作记录中的电气性能参数,构建目标设备的性能变化曲线;根据性能变化曲线中各时间节点的设备状态值分析目标设备的状态变化异常程度;捕捉状态变化异常程度大于异常阈值的所有性能变化曲线,获取所述性能变化曲线对应历史工作记录的工作时长和工作时长内的实时耗电量,并分析目标设备在性能变化异常时用电异常对性能异常的影响程度;
步骤S300:根据目标设备的影响程度和状态变化异常程度分析各条历史工作记录的设备损耗概率,构建目标设备的设备损耗模型;
步骤S400:将设备信息集中已知发生设备异常的各台变频家电设为目标异常设备;利用相似度算法捕捉同目标设备状态变化异常程度相似的所有目标异常设备信息,形成异常同类集;根据设备损耗模型获取异常同类集中各台异常设备的设备损耗值,则基于各台异常设备的设备损耗值预测目标设备的异常发生时间节点;
步骤S500:基于异常发生时间节点分析目标设备的异常发生时长和时长阈值的差值,则根据差值对目标设备进行选择性处理;实时监测目标设备的工作记录,并将监测数据上传至数据库。
进一步的,步骤S200包括:
步骤S210:基于目标设备的初始设备参数值和在各条历史工作记录的电气性能参数,对目标设备在各时间节点上的电气性能参数进行捕捉,其中电气性能参数包括目标设备的实时电压、温度和振动速率;则分别对初始设备参数值/电压、初始设备参数值/温度、初始设备参数值/振动速率进行加权得到各个时间节点的设备状态值,分别构建各条历史工作记录的性能变化曲线;
上述步骤中的设备状态值X通过初始设备参数值/电压U1、初始设备参数值/温度U2和初始设备参数值/振动速率U3加权得到,其中X=ɑ1*U1+ɑ2*U2+ɑ3*U3,ɑ1、ɑ2和ɑ3分别表示1/电压值、1/温度值和1/振动速率的权重值;则当电压、温度、振动速率越高时,目标设备的电气性能参数越低,此时对目标设备的损耗概率增加;
步骤S220:对各性能变化曲线中各时间节点上的设备状态值X进行获取,分别得到各性能变化曲线对应的状态变化异常程度W=β*∑X;其中β表示目标设备的状态影响值;当W大于异常阈值γ1时,表示目标设备的性能变化异常;此时,获取状态变化异常程度W大于异常阈值γ1时各性能变化曲线对应的历史工作记录,则捕捉所述历史工作记录中目标设备在设备开启时截止到下一次设备开启过程中的实时耗电量,构建得到目标设备在各时间节点上的耗电变化曲线;
其中,耗电变化曲线表示目标设备在设备开启工作的时间节点→设备关闭结束工作的时间节点→设备开启准备工作的时间节点的耗电量变化全过程;
通过对历史工作记录的电气性能参数进行加权得到各时间节点上的设备状态值,分析各历史记录的状态变化异常程度,并基于状态变化异常程度分析性能变化异常中目标设备的实时耗电量,有利于分析目标设备的异常状态,便于后续对目标设备损耗程度进行分析;
步骤S230:依次获取耗电变化曲线中各相邻三个时间节点对应的坐标值(x1,y1),(x2,y2),(x3,y3),其中(x1,y1)、(x2,y2)、(x3,y3)分别表示耗电变化曲线中任意相邻的第一、二、三个时间节点对应的坐标值;则根据坐标值分别计算得到第一、二个时间节点的斜率值K1=(y2-y1)/(x2-x1)和第二、三个时间节点的斜率值K2=(y3-y2)/(x3-x2);基于斜率值K1和K2,当满足|K2-K1|>φ1且θ<φ2时,表示目标设备在时间节点x1~x3时耗能变化发生异常,则得到相应耗能异常时长|x3-x2|,其中θ表示由第一、二、三个时间节点对应坐标值的连线所组成的夹角,φ1和φ2分别表示斜率比较阈值和角度阈值;对耗电变化曲线中所有耗能变化发生异常的耗能异常时长进行求和,计算得到异常周期为T;
步骤S240:对耗电变化曲线中耗电量=0的时间节点进行捕捉,则基于所述时间节点分别计算得到耗电变化曲线中目标设备的工作时长t1和设备关闭时长t2;获取耗电变化曲线的异常周期T,则基于异常周期T、工作时长t1和设备关闭时长t2计算得到目标设备在耗电变化曲线中的用电异常概率F=T/[t1*(t1+t2)],并得到目标设备在性能变化异常时用电异常对性能异常的影响程度R=ε*F;其中ε表示目标设备性能影响因子;
上述步骤中耗电量=0表示目标设备为关闭状态;
实践可知,基于上述步骤中的用电异常概率F,当异常周期在工作时长中的占比越大,设备关闭时长越短,目标设备的用电异常概率越大,此时表示目标设备受工作中的设备使用状况影响而导致目标设备的电气性能异常,属于自然因素,可通过调节耗电状况来改善;
通过依次对耗电变化曲线中各相邻时间节点对应的坐标值进行捕捉,分析斜率和夹角的变化程度,得到耗电变化曲线的异常周期,并基于异常周期分析目标设备的用电异常概率,有利于分析目标设备在性能变化异常时用电异常对性能异常的影响程度,便于后续对目标设备的损耗程度进行分析。
进一步的,步骤S300包括:
步骤S310:基于状态变化异常程度W大于异常阈值γ1时各性能变化曲线对应的历史工作记录,其中相应历史工作记录的数量为m,则分别获取m条历史工作记录中用电异常对性能异常的影响程度R;
步骤S320:基于状态变化异常程度W小于异常阈值γ1时各性能变化曲线对应的历史工作记录,其中相应历史工作记录的数量为n,则根据目标设备的状态变化异常程度W和影响程度R构建目标设备在历史工作记录中的设备损耗模型Y=∑m(W*R)+∑nW;
上述步骤中的n条历史故障记录中出现性能变化异常的原因属于非自然因素导致的电气性能异常,并非为用电导致的异常。
进一步的,步骤S400包括:
步骤S410:将设备信息集中已知发生设备异常的各台变频家电设为目标异常设备;利用相似度算法捕捉同目标设备状态变化异常程度相似的所有目标异常设备,形成异常同类集;
步骤S420:分别获取异常同类集中各台异常设备发生异常的时间节点d1,基于此,计算目标设备的设备损耗值分别和各台异常设备的设备损耗值差值小于损耗阈值σ时各台异常设备的时间节点d2,则分别计算得到各异常设备的异常发生时长d1-d2;此时根据异常发生时长的均值预测得到目标设备的异常发生时间节点d0+d1-d2;其中d0表示目标设备当前在第m+n+1条工作记录开始时的时间节点;
通过对目标设备发生的异常时间进行预测,有利于对目标设备进行及时预警,降低变频设备的损坏概率。
进一步的,步骤S500包括:
步骤S510:基于目标设备的异常发生时间节点d0+d1-d2,则当d1-d2小于时长阈值ρ时,将目标设备判定为异常并及时反馈给相关负责人员;反之,则表示目标设备正常运行;
步骤S520:实时监测目标设备的工作记录,并将监测数据上传至数据库。
变频家电性能可视化监管***,其特征在于:所述***包括:数据采集模块、数据库、智能分析模块、模型构建模块、异常预测模块和数据监管模块;
通过所述数据采集模块采集云平台中各台变频家电的初始设备参数,形成设备信息集;采集设备信息集中各台变频家电的历史工作记录,分别形成各台变频家电的历史记录集;将设备信息集中任意一台变频家电设为目标设备,则根据历史记录集采集目标设备在各条历史工作记录中的电气性能参数,分别形成各条历史工作记录的电气参数集;
通过所述数据库对所有采集的数据进行存储;
通过所述智能分析模块获取目标设备在各条历史工作记录中的电气性能参数,构建目标设备的性能变化曲线;根据性能变化曲线中各时间节点的设备状态值分析目标设备的状态变化异常程度;捕捉状态变化异常程度大于异常阈值的所有性能变化曲线,获取所述性能变化曲线对应历史工作记录的工作时长和工作时长内的实时耗电量,并分析目标设备在性能变化异常时用电异常对性能异常的影响程度;
通过所述模型构建模块根据目标设备的影响程度和状态变化异常程度分析各条历史工作记录的设备损耗概率,构建目标设备的设备损耗模型;
通过所述异常预测模块将设备信息集中已知发生设备异常的各台变频家电设为目标异常设备;利用相似度算法捕捉同目标设备状态变化异常程度相似的所有目标异常设备信息,形成异常同类集;根据设备损耗模型获取异常同类集中各台异常设备的设备损耗值,则基于各台异常设备的设备损耗值预测目标设备的异常发生时间节点;
通过所述数据监管模块基于异常发生时间节点分析目标设备的异常发生时长和时长阈值的差值,则根据差值对目标设备进行选择性处理;实时监测目标设备的工作记录,并将监测数据上传至数据库。
进一步的,数据采集模块包括信息采集单元、工作记录采集单元和参数采集单元;
所述信息采集单元用于采集云平台中各台变频家电的初始设备参数;所述工作记录采集单元用于采集设备信息集中各台变频家电的历史工作记录;所述参数采集单元用于采集目标设备在各条历史工作记录中的电气性能参数。
进一步的,智能分析模块包括异常分析单元和程度分析单元;
所述异常分析单元用于根据性能变化曲线中各时间节点的设备状态值分析目标设备的状态变化异常程度;所述程度分析单元用于获取所述性能变化曲线对应历史工作记录的工作时长和工作时长内的实时耗电量,并分析目标设备在性能变化异常时用电异常对性能异常的影响程度。
进一步的,异常预测模块包括同类分析单元和异常预测单元;
所述同类分析单元用于利用相似度算法捕捉同目标设备状态变化异常程度相似的所有目标异常设备信息;所述异常预测单元用于根据设备损耗模型获取异常同类集中各台异常设备的设备损耗值,则基于各台异常设备的设备损耗值预测目标设备的异常发生时间节点。
进一步的,数据监管模块包括自适应处理单元和数据监管单元;
所述自适应处理单元用于基于异常发生时间节点分析目标设备的异常发生时长和时长阈值的差值,则根据差值对目标设备进行选择性处理;所述数据监管单元用于实时监测目标设备的工作记录,并将监测数据上传至数据库。
与现有技术相比,本发明所达到的有益效果是:
本发明通过依次对耗电变化曲线中各相邻时间节点对应的坐标值进行捕捉,分析斜率和夹角的变化程度,得到耗电变化曲线的异常周期,并基于异常周期分析目标设备的用电异常概率,有利于分析目标设备在性能变化异常时,电异常对性能异常的影响程度,便于后续对目标设备的损耗程度进行分析;通过对目标设备发生的异常时间进行预测,有利于对目标设备进行及时预警,降低变频设备的损坏概率。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于云平台的变频家电性能可视化监管***的结构图;
图2是本发明一种基于云平台的变频家电性能可视化监管方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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。
请参阅图1,本发明提供技术方案:变频家电性能可视化监管***,其特征在于:所述***包括:数据采集模块、数据库、智能分析模块、模型构建模块、异常预测模块和数据监管模块;
通过数据采集模块采集云平台中各台变频家电的初始设备参数,形成设备信息集;采集设备信息集中各台变频家电的历史工作记录,分别形成各台变频家电的历史记录集;将设备信息集中任意一台变频家电设为目标设备,则根据历史记录集采集目标设备在各条历史工作记录中的电气性能参数,分别形成各条历史工作记录的电气参数集;
数据采集模块包括信息采集单元、工作记录采集单元和参数采集单元;
所述信息采集单元用于采集云平台中各台变频家电的初始设备参数;所述工作记录采集单元用于采集设备信息集中各台变频家电的历史工作记录;所述参数采集单元用于采集目标设备在各条历史工作记录中的电气性能参数。
通过数据库对所有采集的数据进行存储;
通过智能分析模块获取目标设备在各条历史工作记录中的电气性能参数,构建目标设备的性能变化曲线;根据性能变化曲线中各时间节点的设备状态值分析目标设备的状态变化异常程度;捕捉状态变化异常程度大于异常阈值的所有性能变化曲线,获取所述性能变化曲线对应历史工作记录的工作时长和工作时长内的实时耗电量,并分析目标设备在性能变化异常时用电异常对性能异常的影响程度;
智能分析模块包括异常分析单元和程度分析单元;
所述异常分析单元用于根据性能变化曲线中各时间节点的设备状态值分析目标设备的状态变化异常程度;所述程度分析单元用于获取所述性能变化曲线对应历史工作记录的工作时长和工作时长内的实时耗电量,并分析目标设备在性能变化异常时用电异常对性能异常的影响程度。
通过模型构建模块根据目标设备的影响程度和状态变化异常程度分析各条历史工作记录的设备损耗概率,构建目标设备的设备损耗模型;
通过异常预测模块将设备信息集中已知发生设备异常的各台变频家电设为目标异常设备;利用相似度算法捕捉同目标设备状态变化异常程度相似的所有目标异常设备信息,形成异常同类集;根据设备损耗模型获取异常同类集中各台异常设备的设备损耗值,则基于各台异常设备的设备损耗值预测目标设备的异常发生时间节点;
异常预测模块包括同类分析单元和异常预测单元;
所述同类分析单元用于利用相似度算法捕捉同目标设备状态变化异常程度相似的所有目标异常设备信息;所述异常预测单元用于根据设备损耗模型获取异常同类集中各台异常设备的设备损耗值,则基于各台异常设备的设备损耗值预测目标设备的异常发生时间节点。
通过数据监管模块基于异常发生时间节点分析目标设备的异常发生时长和时长阈值的差值,则根据差值对目标设备进行选择性处理;实时监测目标设备的工作记录,并将监测数据上传至数据库;
数据监管模块包括自适应处理单元和数据监管单元;
所述自适应处理单元用于基于异常发生时间节点分析目标设备的异常发生时长和时长阈值的差值,则根据差值对目标设备进行选择性处理;所述数据监管单元用于实时监测目标设备的工作记录,并将监测数据上传至数据库。
请参阅图2,本发明提供技术方案:一种基于云平台的变频家电性能可视化监管方法,包括以下步骤:
步骤S100:采集云平台中各台变频家电的初始设备参数,形成设备信息集;采集设备信息集中各台变频家电的历史工作记录,分别形成各台变频家电的历史记录集;将设备信息集中任意一台变频家电设为目标设备,则根据历史记录集采集目标设备在各条历史工作记录中的电气性能参数,分别形成各条历史工作记录的电气参数集;
上述步骤中的各台变频家电属于相同型号的设备,由不同用户进行工作;
上述步骤中历史工作记录包括工作过程中的电量变化过程、设备开启和关闭的时间节点等;它是设备开启时到下一次设备开启时的全过程记录;
步骤S200:获取目标设备在各条历史工作记录中的电气性能参数,构建目标设备的性能变化曲线;根据性能变化曲线中各时间节点的设备状态值分析目标设备的状态变化异常程度;捕捉状态变化异常程度大于异常阈值的所有性能变化曲线,获取所述性能变化曲线对应历史工作记录的工作时长和工作时长内的实时耗电量,并分析目标设备在性能变化异常时用电异常对性能异常的影响程度;
步骤S200包括:
步骤S210:基于目标设备的初始设备参数值和在各条历史工作记录的电气性能参数,对目标设备在各时间节点上的电气性能参数进行捕捉,其中电气性能参数包括目标设备的实时电压、温度和振动速率;则分别对初始设备参数值/电压、初始设备参数值/温度、初始设备参数值/振动速率进行加权得到各个时间节点的设备状态值,分别构建各条历史工作记录的性能变化曲线;
上述步骤中的设备状态值X通过初始设备参数值/电压U1、初始设备参数值/温度U2和初始设备参数值/振动速率U3加权得到,其中X=ɑ1*U1+ɑ2*U2+ɑ3*U3,ɑ1、ɑ2和ɑ3分别表示1/电压值、1/温度值和1/振动速率的权重值;则当电压、温度、振动速率越高时,目标设备的电气性能参数越低,此时对目标设备的损耗概率增加;
步骤S220:对各性能变化曲线中各时间节点上的设备状态值X进行获取,分别得到各性能变化曲线对应的状态变化异常程度W=β*∑X;其中β表示目标设备的状态影响值;当W大于异常阈值γ1时,表示目标设备的性能变化异常;此时,获取状态变化异常程度W大于异常阈值γ1时各性能变化曲线对应的历史工作记录,则捕捉所述历史工作记录中目标设备在设备开启时截止到下一次设备开启过程中的实时耗电量,构建得到目标设备在各时间节点上的耗电变化曲线;
其中,耗电变化曲线表示目标设备在设备开启工作的时间节点→设备关闭结束工作的时间节点→设备开启准备工作的时间节点的耗电量变化全过程;
步骤S230:依次获取耗电变化曲线中各相邻三个时间节点对应的坐标值(x1,y1),(x2,y2),(x3,y3),其中(x1,y1)、(x2,y2)、(x3,y3)分别表示耗电变化曲线中任意相邻的第一、二、三个时间节点对应的坐标值;则根据坐标值分别计算得到第一、二个时间节点的斜率值K1=(y2-y1)/(x2-x1)和第二、三个时间节点的斜率值K2=(y3-y2)/(x3-x2);基于斜率值K1和K2,当满足|K2-K1|>φ1且θ<φ2时,表示目标设备在时间节点x1~x3时耗能变化发生异常,则得到相应耗能异常时长|x3-x2|,其中θ表示由第一、二、三个时间节点对应坐标值的连线所组成的夹角,φ1和φ2分别表示斜率比较阈值和角度阈值;对耗电变化曲线中所有耗能变化发生异常的耗能异常时长进行求和,计算得到异常周期为T;
步骤S240:对耗电变化曲线中耗电量=0的时间节点进行捕捉,则基于所述时间节点分别计算得到耗电变化曲线中目标设备的工作时长t1和设备关闭时长t2;获取耗电变化曲线的异常周期T,则基于异常周期T、工作时长t1和设备关闭时长t2计算得到目标设备在耗电变化曲线中的用电异常概率F=T/[t1*(t1+t2)],并得到目标设备在性能变化异常时用电异常对性能异常的影响程度R=ε*F;其中ε表示目标设备性能影响因子;
上述步骤中耗电量=0表示目标设备为关闭状态;
实践可知,基于上述步骤中的用电异常概率F,当异常周期在工作时长中的占比越大,设备关闭时长越短,目标设备的用电异常概率越大,此时表示目标设备受工作中的设备使用状况影响而导致目标设备的电气性能异常,属于自然因素,可通过调节耗电状况来改善。
步骤S300:根据目标设备的影响程度和状态变化异常程度分析各条历史工作记录的设备损耗概率,构建目标设备的设备损耗模型;
步骤S300包括:
步骤S310:基于状态变化异常程度W大于异常阈值γ1时各性能变化曲线对应的历史工作记录,其中相应历史工作记录的数量为500,则分别获取m条历史工作记录中用电异常对性能异常的影响程度R;
步骤S320:基于状态变化异常程度W小于异常阈值γ1时各性能变化曲线对应的历史工作记录,其中相应历史工作记录的数量为30,则根据目标设备的状态变化异常程度W和影响程度R构建目标设备在历史工作记录中的设备损耗模型Y=∑500(W*R)+∑30W;
上述步骤中的n条历史故障记录中出现性能变化异常的原因属于非自然因素导致的电气性能异常,并非为用电导致的异常。
步骤S400:将设备信息集中已知发生设备异常的各台变频家电设为目标异常设备;利用相似度算法捕捉同目标设备状态变化异常程度相似的所有目标异常设备信息,形成异常同类集;根据设备损耗模型获取异常同类集中各台异常设备的设备损耗值,则基于各台异常设备的设备损耗值预测目标设备的异常发生时间节点;
步骤S400包括:
步骤S410:将设备信息集中已知发生设备异常的各台变频家电设为目标异常设备;利用相似度算法捕捉同目标设备状态变化异常程度相似的所有目标异常设备,形成异常同类集;
步骤S420:分别获取异常同类集中各台异常设备发生异常的时间节点d1,基于此,计算目标设备的设备损耗值分别和各台异常设备的设备损耗值差值小于损耗阈值σ时各台异常设备的时间节点d2,则分别计算得到各异常设备的异常发生时长d1-d2;此时根据异常发生时长的均值预测得到目标设备的异常发生时间节点d0+d1-d2;其中d0表示目标设备当前在第m+n+1条工作记录开始时的时间节点。
步骤S500:基于异常发生时间节点分析目标设备的异常发生时长和时长阈值的差值,则根据差值对目标设备进行选择性处理;实时监测目标设备的工作记录,并将监测数据上传至数据库。
步骤S500包括:
步骤S510:基于目标设备的异常发生时间节点d0+d1-d2,则当d1-d2小于时长阈值ρ时,将目标设备判定为异常并及时反馈给相关负责人员;反之,则表示目标设备正常运行;
步骤S520:实时监测目标设备的工作记录,并将监测数据上传至数据库。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于云平台的变频家电性能可视化监管方法,其特征在于:包括以下步骤:
步骤S100:采集云平台中各台变频家电的初始设备参数,形成设备信息集;采集设备信息集中各台变频家电的历史工作记录,分别形成各台变频家电的历史记录集;根据历史记录集采集各台变频家电分别在各条历史工作记录中的电气性能参数,分别形成各条历史工作记录的电气参数集;
步骤S200:根据各条历史工作记录中的电气性能参数构建各台变频家电的性能变化曲线,并根据性能变化曲线分析各台变频家电的状态变化异常程度;基于状态变化异常程度获取性能变化曲线中各台变频家电的实时耗电量,则分析各台变频家电在性能变化异常时用电异常的影响程度;
步骤S300:根据各台变频家电的影响程度和状态变化异常程度分析各条历史工作记录的设备损耗概率,构建各台变频家电的设备损耗模型;
步骤S400:将设备信息集中已知发生设备异常的各台变频家电设为目标异常设备,则根据设备损耗模型获取目标异常设备的设备损耗值;基于目标异常设备的设备损耗值预测各台变频家电的异常发生时间节点;
步骤S500:基于各台变频家电的异常发生时间节点对各台变频家电进行选择性处理;实时监测各台变频家电的工作记录,并将监测数据上传至数据库;
所述步骤S200中根据各条历史工作记录中的电气性能参数构建各台变频家电的性能变化曲线,并根据性能变化曲线分析各台变频家电的状态变化异常程度的具体步骤包括:
步骤S210:将设备信息集中任意一台变频家电设为目标设备,则基于目标设备的初始设备参数值和在各条历史工作记录的电气性能参数,对目标设备在各时间节点上的电气性能参数进行捕捉,其中电气性能参数包括目标设备的实时电压、温度和振动速率;则分别对初始设备参数值/电压、初始设备参数值/温度、初始设备参数值/振动速率进行加权得到各个时间节点的设备状态值,分别构建各条历史工作记录的性能变化曲线;其中,初始设备参数值表示一个固定参数值;
步骤S220:对各性能变化曲线中各时间节点上的设备状态值X进行获取,分别得到各性能变化曲线对应的状态变化异常程度W=β*∑X;其中β表示目标设备的状态影响值;当W大于异常阈值γ1时,表示目标设备的性能变化异常;此时,获取状态变化异常程度W大于异常阈值γ1时各性能变化曲线对应的历史工作记录,则捕捉所述历史工作记录中目标设备在设备开启时截止到下一次设备开启过程中的实时耗电量,构建得到目标设备在各时间节点上的耗电变化曲线;
所述步骤S200中基于状态变化异常程度获取性能变化曲线中各台变频家电的实时耗电量,则分析各台变频家电在性能变化异常时用电异常的影响程度的具体步骤包括:
步骤S201:依次获取耗电变化曲线中各相邻三个时间节点对应的坐标值(x1,y1),(x2,y2),(x3,y3),其中(x1,y1)、(x2,y2)、(x3,y3)分别表示耗电变化曲线中任意相邻的第一、二、三个时间节点对应的坐标值;根据坐标值分别计算得到第一、二个时间节点的斜率值K1=(y2-y1)/(x2-x1)和第二、三个时间节点的斜率值K2=(y3-y2)/(x3-x2);
步骤S202:基于斜率值K1和K2,当满足|K2-K1|>φ1且θ<φ2时,表示目标设备在时间节点x1~x3时耗能变化发生异常,则得到相应耗能异常时长|x3-x2|,其中θ表示由第一、二、三个时间节点对应坐标值的连线所组成的夹角,φ1和φ2分别表示斜率比较阈值和角度阈值;则对耗电变化曲线中所有耗能变化发生异常的耗能异常时长进行求和,计算得到异常周期为T;
步骤S203:对耗电变化曲线中耗电量=0的时间节点进行捕捉,则基于所述时间节点分别计算得到耗电变化曲线中目标设备的工作时长t1和设备关闭时长t2;则根据异常周期T、工作时长t1和设备关闭时长t2计算得到目标设备在耗电变化曲线中的用电异常概率F=T/[t1*(t1+t2)],并得到目标设备在性能变化异常时用电异常对性能异常的影响程度R=ε*F;其中ε表示目标设备性能影响因子;
所述步骤S300包括:
步骤S310:基于状态变化异常程度W大于异常阈值γ1时各性能变化曲线对应的历史工作记录,其中相应历史工作记录的数量为m,则分别获取m条历史工作记录中用电异常对性能异常的影响程度R;
步骤S320:基于状态变化异常程度W小于异常阈值γ1时各性能变化曲线对应的历史工作记录,其中相应历史工作记录的数量为n,则根据目标设备的状态变化异常程度W和影响程度R构建目标设备在历史工作记录中的设备损耗模型Y=∑m(W*R)+∑nW;
所述步骤S400包括:
步骤S410:将设备信息集中已知发生设备异常的各台变频家电设为目标异常设备;利用相似度算法捕捉同目标设备状态变化异常程度相似的所有目标异常设备,形成异常同类集;
步骤S420:分别获取异常同类集中各台异常设备发生异常的时间节点d1,基于此,计算目标设备的设备损耗值分别和各台异常设备的设备损耗值差值小于损耗阈值σ时各台异常设备的时间节点d2,则分别计算得到各异常设备的异常发生时长d1-d2;此时根据异常发生时长的均值预测得到目标设备的异常发生时间节点d0+d1-d2;其中d0表示目标设备当前在第m+n+1条工作记录开始时的时间节点。
2.根据权利要求1所述的一种基于云平台的变频家电性能可视化监管方法,其特征在于:所述步骤S500包括:
步骤S510:基于目标设备的异常发生时间节点d0+d1-d2,则当d1-d2小于时长阈值ρ时,将目标设备判定为异常并及时反馈给相关负责人员;反之,则表示目标设备正常运行;
步骤S520:实时监测目标设备的工作记录,并将监测数据上传至数据库。
3.用于实现权利要求1-2中任一项所述的一种基于云平台的变频家电性能可视化监管方法的变频家电性能可视化监管***,其特征在于:所述***包括:数据采集模块、数据库、智能分析模块、模型构建模块、异常预测模块和数据监管模块;
通过所述数据采集模块采集云平台中各台变频家电的初始设备参数、历史工作记录和分别在各条历史工作记录中的电气性能参数;
通过所述数据库对所有采集的数据进行存储;
通过所述智能分析模块分析各台变频家电在性能变化异常时用电异常的影响程度;
通过所述模型构建模块构建各台变频家电的设备损耗模型;
通过所述异常预测模块预测各台变频家电的异常发生时间节点;
通过所述数据监管模块基于各台变频家电的异常发生时间节点对各台变频家电进行选择性处理。
4.根据权利要求3所述的变频家电性能可视化监管***,其特征在于:所述数据采集模块包括信息采集单元、工作记录采集单元和参数采集单元;
所述信息采集单元用于采集云平台中各台变频家电的初始设备参数;所述工作记录采集单元用于采集设备信息集中各台变频家电的历史工作记录;所述参数采集单元用于采集目标设备在各条历史工作记录中的电气性能参数。
5.根据权利要求3所述的变频家电性能可视化监管***,其特征在于:所述智能分析模块包括异常分析单元和程度分析单元;
所述异常分析单元用于根据性能变化曲线中各时间节点的设备状态值分析目标设备的状态变化异常程度;所述程度分析单元用于获取所述性能变化曲线对应历史工作记录的工作时长和工作时长内的实时耗电量,并分析目标设备在性能变化异常时用电异常对性能异常的影响程度。
6.根据权利要求3所述的变频家电性能可视化监管***,其特征在于:所述异常预测模块包括同类分析单元和异常预测单元;
所述同类分析单元用于利用相似度算法捕捉同目标设备状态变化异常程度相似的所有目标异常设备信息;所述异常预测单元用于根据设备损耗模型获取异常同类集中各台异常设备的设备损耗值,则基于各台异常设备的设备损耗值预测目标设备的异常发生时间节点;
所述数据监管模块包括自适应处理单元和数据监管单元;
所述自适应处理单元用于基于异常发生时间节点分析目标设备的异常发生时长和时长阈值的差值,则根据差值对目标设备进行选择性处理;所述数据监管单元用于实时监测目标设备的工作记录,并将监测数据上传至数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311616874.5A CN117312763B (zh) | 2023-11-30 | 2023-11-30 | 一种基于云平台的变频家电性能可视化监管***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311616874.5A CN117312763B (zh) | 2023-11-30 | 2023-11-30 | 一种基于云平台的变频家电性能可视化监管***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117312763A CN117312763A (zh) | 2023-12-29 |
CN117312763B true CN117312763B (zh) | 2024-02-23 |
Family
ID=89255761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311616874.5A Active CN117312763B (zh) | 2023-11-30 | 2023-11-30 | 一种基于云平台的变频家电性能可视化监管***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117312763B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117932522A (zh) * | 2024-03-22 | 2024-04-26 | 南京祥泰***科技有限公司 | 一种基于大数据的电能设备能耗数据动态监管方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113660335A (zh) * | 2021-08-17 | 2021-11-16 | 北京计算机技术及应用研究所 | 一种基于物联网的设备精细化管理方法与*** |
CN115940588A (zh) * | 2023-03-15 | 2023-04-07 | 南京美斯玛微电子技术有限公司 | 一种待机零功耗的开关电源的控制方法 |
CN116380445A (zh) * | 2023-06-05 | 2023-07-04 | 吉林市特种设备检验中心(吉林市特种设备事故调查服务中心) | 基于振动波形的设备状态诊断方法及相关装置 |
CN116430272A (zh) * | 2022-12-01 | 2023-07-14 | 上海山源电子科技股份有限公司 | 基于电气扰动的煤矿设备异常诊断方法、***及电子设备 |
CN116775408A (zh) * | 2023-06-19 | 2023-09-19 | 上海启斯云计算有限公司 | 一种储能设备运行状态的智能监测方法 |
CN116840606A (zh) * | 2023-09-01 | 2023-10-03 | 国网浙江省电力有限公司余姚市供电公司 | 基于非侵入式负荷的用电异常监测方法 |
CN116859838A (zh) * | 2023-06-28 | 2023-10-10 | 三峡高科信息技术有限责任公司 | 一种设备运行情况监测的预警*** |
CN117079220A (zh) * | 2023-10-13 | 2023-11-17 | 凌雄技术(深圳)有限公司 | 一种基于物联网的供应链智能监管***及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230168643A1 (en) * | 2022-10-13 | 2023-06-01 | Chengdu Qinchuan Iot Technology Co., Ltd. | Industrial internet of things based on abnormal identification, control method, and storage media thereof |
-
2023
- 2023-11-30 CN CN202311616874.5A patent/CN117312763B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113660335A (zh) * | 2021-08-17 | 2021-11-16 | 北京计算机技术及应用研究所 | 一种基于物联网的设备精细化管理方法与*** |
CN116430272A (zh) * | 2022-12-01 | 2023-07-14 | 上海山源电子科技股份有限公司 | 基于电气扰动的煤矿设备异常诊断方法、***及电子设备 |
CN115940588A (zh) * | 2023-03-15 | 2023-04-07 | 南京美斯玛微电子技术有限公司 | 一种待机零功耗的开关电源的控制方法 |
CN116380445A (zh) * | 2023-06-05 | 2023-07-04 | 吉林市特种设备检验中心(吉林市特种设备事故调查服务中心) | 基于振动波形的设备状态诊断方法及相关装置 |
CN116775408A (zh) * | 2023-06-19 | 2023-09-19 | 上海启斯云计算有限公司 | 一种储能设备运行状态的智能监测方法 |
CN116859838A (zh) * | 2023-06-28 | 2023-10-10 | 三峡高科信息技术有限责任公司 | 一种设备运行情况监测的预警*** |
CN116840606A (zh) * | 2023-09-01 | 2023-10-03 | 国网浙江省电力有限公司余姚市供电公司 | 基于非侵入式负荷的用电异常监测方法 |
CN117079220A (zh) * | 2023-10-13 | 2023-11-17 | 凌雄技术(深圳)有限公司 | 一种基于物联网的供应链智能监管***及方法 |
Non-Patent Citations (4)
Title |
---|
Anomaly Detection in Smart Meter Data for Preventing Potential Smart Grid Imbalance;Jaiswal, Rituka等;《ACM》;全文 * |
基于数据挖掘的集中监控设备典型缺陷预测方法;肖飞;冷喜武;徐元直;何忠;;科学技术与工程(第16期);全文 * |
基于电气信息的变电设备状态渐变过程分析方法研究;李建生;《中国优秀硕士学位论文全文数据库(工程科技Ⅱ辑)》(第10期);全文 * |
基于相似性建模的发电机组设备故障预警***;常剑;高明;;机电工程(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117312763A (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117312763B (zh) | 一种基于云平台的变频家电性能可视化监管***及方法 | |
US10443577B2 (en) | Systems and methods for improved wind power generation | |
CN110518880B (zh) | 一种光伏电站状态诊断方法及装置 | |
CN103872782B (zh) | 一种电能质量数据综合服务*** | |
CN109462223B (zh) | 一种基于大数据的电能质量与可靠性分析方法 | |
CN117411189B (zh) | 一种微电网协调控制器的监测数据增强方法 | |
CN111638692B (zh) | 智慧园区管理*** | |
CN114580666A (zh) | 一种多模式融合电动机智能维护*** | |
CN112433907A (zh) | 不间断电源的主机运行参量数据的处理方法、装置和电子装置 | |
CN116976707B (zh) | 基于用电信息采集的用户用电数据异常分析方法及*** | |
CN116505656A (zh) | 基于5g物联网技术的风-光-储多能互补智慧用电*** | |
CN115689524A (zh) | 一种数据中心机房电气设备预测性维护***及方法 | |
Huang et al. | Wind turbine health assessment framework based on power analysis using machine learning method | |
CN113632025B (zh) | 用于评估工业环境中的能量消耗的方法、***和计算机程序产品 | |
CN116914719A (zh) | 一种基于时空图网络的光伏发电站功率预测方法 | |
CN112994002B (zh) | 一种电力可移动负荷识别方法 | |
CN115267422A (zh) | 一种用于复杂配电网线路故障的感知诊断定位方法 | |
CN114118553A (zh) | 一种永磁直驱风力发电机双列圆锥滚子轴承劣化识别方法 | |
CN109474069B (zh) | 一种分布式发电站状态监测方法 | |
CN112257997A (zh) | 一种基于神经网络的pcs转化率计算方法及*** | |
Fang et al. | Research on Short-Term and Medium-Term Power Load Forecasting Based on STL-LightGBM | |
CN114691747A (zh) | 一种兆瓦级永磁直驱风力发电机电气设备劣化程度识别方法 | |
Liu et al. | Multi-timescale event detection in nonintrusive load monitoring based on MDL principle | |
CN118040912B (zh) | 一种基于大数据的可视化设备数据智能监管方法及*** | |
US20240046379A1 (en) | Systems and methods for automatically assessing event recovery in an electrical 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 |