CN117390566A - 一种基于卷积神经网络算法的智慧电厂异常检测方法 - Google Patents
一种基于卷积神经网络算法的智慧电厂异常检测方法 Download PDFInfo
- Publication number
- CN117390566A CN117390566A CN202311587541.4A CN202311587541A CN117390566A CN 117390566 A CN117390566 A CN 117390566A CN 202311587541 A CN202311587541 A CN 202311587541A CN 117390566 A CN117390566 A CN 117390566A
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal data
- power plant
- abnormal
- equipment
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 66
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 17
- 230000005856 abnormality Effects 0.000 title claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims abstract description 155
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000007689 inspection Methods 0.000 claims abstract description 6
- 238000012544 monitoring process Methods 0.000 claims abstract description 6
- 238000003491 array Methods 0.000 claims description 9
- 238000010248 power generation Methods 0.000 claims description 6
- 239000003550 marker Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及设备数据检测技术领域,具体涉及一种基于卷积神经网络算法的智慧电厂异常检测方法,包括以下步骤:S10:对电厂中每个设备利用关联度标记方法进行标记,赋予电厂中每个设备相对应的关联度标记系;S20:将电厂中每个设备配置对应的检测终端,并实现对该设备运行数据的间歇性检测;S30:利用设置的视频监测单元,间歇性的获取电厂中每个设备的运行图像;S40:将检测终端检测的到每个设备的运行数据与其正常运行的标准数据范围进行比对;S50:利用核对方法对异常数据进行核对。通过关联度标记方法对需要检测的设备进行标记,以配合核对方法实现对异常数据高效的核对,保证数据采集的真实性,提高对电厂设备运行的高效巡检。
Description
技术领域
本发明涉及设备数据检测技术领域,具体涉及一种基于卷积神经网络算法的智慧电厂异常检测方法。
背景技术
电厂是指将某种形式的原始能转化为电能以供固定设施或运输用电的动力厂。在电厂实际的运行成本较大,为了保证发电的持续性,一般都会采用辅助***对整个电厂的发电情况进行实时的检测,并针对采集到的数据进行实际的分析,以便及时的对有异常的设备进行处理。
现有的应用于电厂中的设备检测,通常采用的方式是利用多个检测设备分别对多个设备进行单独检测并得到相对应的数据,若数据存在异常则委派巡检人员予以检查复核,但是利用该种方式得到的单个设备的数据的真实性完全依赖于检测设备的性能,可能存在数据检测错误的情况,在电厂运行时,某些设备是巡检人员便于检查复核,但针对于核心的设备,例如火力发电厂中,检测到锅炉的部分参数存在异常,那么其可能需要将发电停止进行检修,所造成的损失较大。
因此在现有的电厂运行数据检测环节中,如何保证检测数据的真实性是尤为重要的,鉴于此,我们提出一种基于卷积神经网络算法的智慧电厂异常检测方法。
发明内容
针对现有技术所存在的上述缺点,本发明提供了一种基于卷积神经网络算法的智慧电厂异常检测方法,能够有效地解决现有的电厂运行时,针对于设备的检测数据的真实性得不到有效的复核,而导致复核数据成本较大的问题。
为实现以上目的,本发明通过以下技术方案予以实现:
本发明提供一种基于卷积神经网络算法的智慧电厂异常检测方法,包括以下步骤:
S10:对电厂中每个设备利用关联度标记方法进行标记,赋予电厂中每个设备相对应的关联度标记,关联度标记体现设备之间运行状态的逻辑关系;
S20:将电厂中每个设备配置对应的检测终端,并实现对该设备运行数据的间歇性检测,同时利用该设备对应的关联度标记对检测终端检测到的设备运行数据进行相对应的标记,记为关联度数据;
S30:利用设置的视频监测单元,间歇性的获取电厂中每个设备的运行图像,利用卷积神经网络算法将运行图像与设备正常运行时的标准图像进行比对,若比对结果存在差异,则赋予对应设备关注度标记;
S40:将检测终端检测的到每个设备的运行数据与其正常运行的标准数据范围进行比对,若两者存在差异则将对应设备的运行数据标记为异常数据,并且将该设备赋予异常标记;
S50:利用核对方法对异常数据进行核对,若核对异常数据是无误的,则指派巡检人员对检测到异常数据的设备进行检修,若核对异常数据是有误的,则需等待下次数据的检测进一步判断。
进一步地,关联度标记方法包括以下步骤:
S11:依据电厂中的各设备的具体功能为分类标准,对多个设备进行分组,将实现相同功能的设备赋予相同的同级关联度标记;
S12:依据电厂的发电顺序,将各个设备进行顺序标记,在顺序标记的基础上,依据相邻设备之间的功能逻辑关系,分别赋予对应设备对应的逻辑关联度标记;
其中,上述同级关联度标记以及逻辑关联度标记属于并列关系,其可以同时体现单个设备与其他设备之间的关联度;
其中,具有同级关联度标记的设备中,利用对应检测终端检测出的设备运行数据属于同类型数据,其可以进行直接比较;而具有逻辑关联度标记的设备之间,利用对应检测终端检测出的设备运行数据为不同类型数据,两种类型的数据之间可以采用既定的比例,或增长关系进行比较。
进一步地,步骤40中还包括的一筛选方法,包括以下步骤:
S41:判断处于标准数据范围内的多个正常数据中,多个正常数据对应的设备是否带有关注度标记;
S42:若带有关注度标记,则该正常数据也会被定义为异常数据。。
进一步地,步骤40中还包括一排序方法,用于对检测到异常数据的设备进行核对顺序的排列,包括以下步骤:
S43:定义异常数据与标准数据范围之间的数据差值为差异数值,判断差异数值与标准数据范围之间的百分比,利用该依据百分比从大到小的顺序将多个异常数据进行排列,形成初始异常数据排列数组;
S44:若排列的初始异常数据排列数组中,存在具有相同的同级关联度标记处于相邻位置,此时将百分比小的异常数据在初始异常数据排列数组中剔除,保留百分比大的异常数据,得到异常数据排列数组,并找出对应的设备,实现异常标记设备的核对顺序排列,得到核对序列。
进一步地,步骤S44后还包括:
S441:在核对序列中找出具有关注度标记的设备;
S442:将具有关注度标记的一个或多个设备的排在核对序列的首端。
进一步地,所述核对方法包括以下步骤:
S51:首先判断异常数据中是否具有相同的同级关联度标记的异常数据,若有,则比对具有相同同级关联度标记的多个异常数据,若多个异常数据均高于或者均低于标准数据范围,则判断多个异常数据中具相同同级关联度标记的异常数据为第一合理异常数据;
S52:再判断异常数据中是否具有相同的逻辑关联度标记的异常数据,若有,则比对具有具有相同逻辑关联度标记的多个异常数据,若多个异常数据与对应设备的功能逻辑关系相匹配,则判断改组具有相同逻辑关联度标记的异常数据为第二合理异常数据;
S53:若第一合理异常数据与第二合理异常数据重合,则默认重合的多个异常数据为第三合理异常数据,若第一合理异常数据与第二合理异常数据不重合,则将非重合的异常数据定义为不合理异常数据,需要等待下次数据的检测进一步判断。
有益效果
本发明提供的技术方案,与已知的公有技术相比,具有如下有益效果:
本发明通过关联度标记方法对需要检测的设备进行标记,以配合核对方法实现对异常数据高效的核对,保证数据采集的真实性,提高对电厂设备运行的高效巡检。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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为本发明的检测方法流程示意图;
图2为本发明的排序方法流程示意图;
图3为本发明的核对方法流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
下面结合实施例对本发明作进一步的描述。
实施例:
一种基于卷积神经网络算法的智慧电厂异常检测方法,包括以下步骤:
S10:对电厂中每个设备利用关联度标记方法进行标记,赋予电厂中每个设备相对应的关联度标记,关联度标记体现设备之间运行状态的逻辑关系;
具体的,关联度标记方法包括以下步骤:
S11:依据电厂中的各设备的具体功能为分类标准,对多个设备进行分组,将实现相同功能的设备赋予相同的同级关联度标记;
S12:依据电厂的发电顺序,将各个设备进行顺序标记,在顺序标记的基础上,依据相邻设备之间的功能逻辑关系,分别赋予对应设备对应的逻辑关联度标记;
其中,上述同级关联度标记以及逻辑关联度标记属于并列关系,其可以同时体现单个设备与其他设备之间的关联度;
其中,具有同级关联度标记的设备中,利用对应检测终端检测出的设备运行数据属于同类型数据,其可以进行直接比较;而具有逻辑关联度标记的设备之间,利用对应检测终端检测出的设备运行数据为不同类型数据,两种类型的数据之间可以采用既定的比例,或增长关系进行比较。
需要说明的是,在本案中,针对于设备之间的关联度的标记,是为了在检测对应设备的运行数据时,能够将具有一定关系的数据进行统一比较,这里需要说明的是,所谓的一定关系,可以理解为是同种类的关系,也可以是存在逻辑上的联系,具体的:
例如,在电厂的实际运行过程中,需要对发出的电力进行逐级变压,采用至少一个变压器去实现变压,那么在此过程中,多个变压器就可以理解为是同种类的关系,那么对应的在本检测方法中,检测终端在对变压器进行检测时,检测得到的多个变压器的运行数据就会被赋予相同的关联度标记,具体的就是同级关联度标记;进一步的,变压器的会因为基础参数的差异存在等级之分,例如最开始电厂发电机产生的电压为10kv,(当然每个电厂实际发出的电压与发电机组相关),在本案中只为了阐述相关概念,该部分不做具体阐述,当电厂发出的电压为10kv时,多个一级变压器,会将该10kv降低至5kv,多个二级变压器,会将5kv的电压降至1kv,直至降低到可以输入市电中;那么在上述设备中,多个一级变压器会被赋予相同的同级关联度标记,而一级变压器和二级变压器会被赋予相同的逻辑关联度标记;
针对于一级变压器和二级变压器,其在逻辑上存在一定的联系,具体的,例如检测终端检测的数据类型为设备温度,那么在实际的运行过程中,一级变压器和二级变压器运行的温度会存在一定的差异,这种差异在正常情况下,可以近似用一个增长关系来判断检测到的运行数据的准确性;
又或者,在实际火力发电过程中,锅炉设备对应检测终端会通过检测设备温度的方式来反应锅炉的运行状态;而在后续电处理环节,为了确定变压器是否正常运行,可以使得检测终端检测变压器中的电流来判断其是否正常运行,那么此时温度数据,和电压数据,两者属于不同类型数据,不能够进行直接比较,因此当遇到该种情况下,我们可以采用既定的比例去判断两个数据是否合理,具体的,理解为,若锅炉的温度较高,其发电效率高,那么对应的发出的电压也会随着有所变化,两者是正比例关系,亦或是检测终端是用于检测发电机组中旋转叶片的转速,当锅炉的温度高时,检测到的旋转叶片的转速也会变高,两者存在既定的比例关系。
S20:将电厂中每个设备配置对应的检测终端,并实现对该设备运行数据的间歇性检测,同时利用该设备对应的关联度标记对检测终端检测到的设备运行数据进行相对应的标记,记为关联度数据;
具体的,在本案中,异常检测方法采用的是间歇性的检测每个设备的运行数据,理解为在同一时刻实现所有设备运行数据的收集,而后间隔一段时间后再次进行所有设备运行数据的收集;并且根据对应设备上对应的关联度标记,对检测终端检测到的设备的运行数据进行相对应的标记,即为关联度数据,以便于在后续的比较核对。
S30:利用设置的视频监测单元,间歇性的获取电厂中每个设备的运行图像,利用卷积神经网络算法将运行图像与设备正常运行时的标准图像进行比对,若比对结果存在差异,则赋予对应设备关注度标记;
在本案中,所谓的视频监测单元,就是采用摄像头的方式,也与检测终端检测设备运行数据采集的时间点保持一致,完成对设备运行时的图像采集,并且将其对标准图像进行比对,通过将运行图像与标准图像进行比对,比对的方向主要是设备的外观尺寸以及颜色两种特征;
具体的,关于外观尺寸,利用针对于用于输送电力的电缆,当其输送的电压或者是电流超过其额定的参数,电缆外部的绝缘层会发生形变,并且该形变的位置常出现在连接处,当电缆产生形变时,那么视频监测单元获取的运行图像与标准图像会存在差异,那么对应的该电缆连通与其保持连接的设备会被赋予关注度标记;而关于颜色的比对,当电缆在输电过程中,温度异常时,电缆外部的绝缘层会变黑,进而与标准图像中电缆的原有颜色出现差异,此时对应的该电缆连通与其保持连接的设备会被赋予关注度标记;
需要说明的是,在本案中,采用卷积神经网络算法对采集的图像进行特征的提取的相关内容,已经是常见的应用,在本案中不做赘述。
S40:将检测终端检测的到每个设备的运行数据与其正常运行的标准数据范围进行比对,若两者存在差异则将对应设备的运行数据标记为异常数据,并且将该设备赋予异常标记;
步骤40中还包括的一筛选方法,包括以下步骤:
S41:判断处于标准数据范围内的多个正常数据中,多个正常数据对应的设备是否带有关注度标记;
S42:若带有关注度标记,则该正常数据也会被定义为异常数据。
步骤S40,岂会将采集到的每个设备的运行数据与标准数据范围进行比对,来判断当前设备的运行是否正常,若检测到的运行数据不在标准数据范围内时,则对应的运行数据会被标记为异常数据;
但是需要说明的是,针对于处于标准数据范围内的运行数据,其对应的设备也可能存在异常,具体的,例如上述提及的,当电缆在承受一定高温后,其会产生形变,但是形变在一定程度范围内,其后续仍能够被正常使用,那么在此种情况下,其对应检测到的设备运行数据是准确的,但是其持续的使用是存在风险的,因此在本案中,通过对设备进行关注度标记,用于去核对是否存在:设备存在异常但是检测到的运行数据是正常的情况,若有该种情况存在,即便当前检测该设备的运行数据是属于标准数据范围内,但是其仍会被标记为异常数据,实现对电厂中设备的高精度运行状态检测。
上述,已经明确一次完整数据采集后,所有异常数据的统计,那么在针对收集到的多个异常数据,其需要一一进行后续的核对,但是针对某些设备而言,若没有在一定的时间内及时作出调整,其会出现损坏的情况而导致电厂的发电暂停,因此在对多个异常数据进行核对时,在本方案中,还会依据多个异常数据的重要程度进行核对的排序,针对重要设备的异常数据优先进行核对,而次要的设备的优先级会往后排列,保证异常数据核对的科学合理。
具体的,步骤40中还包括一排序方法,用于对检测到异常数据的设备进行核对顺序的排列,包括以下步骤:
S43:定义异常数据与标准数据范围之间的数据差值为差异数值,判断差异数值与标准数据范围之间的百分比,利用该依据百分比从大到小的顺序将多个异常数据进行排列,形成初始异常数据排列数组;
S44:若排列的初始异常数据排列数组中,存在具有相同的同级关联度标记处于相邻位置,此时将百分比小的异常数据在初始异常数据排列数组中剔除,保留百分比大的异常数据,得到异常数据排列数组,并找出对应的设备,实现异常标记设备的核对顺序排列,得到核对序列。
同步步骤S43-S44,能够对多个异常数据的核对顺序进行合理的排序的,首先,针对于所有的异常数据,其异常的程度进行判断;
例如异常数据是温度类型的异常数据,A设备、B设备以及C设备对应的异常数据分别为:55℃、60℃以及70℃;标准温度的范围为40±2℃;则对应的差异数据分别为:15℃、20℃以及30℃;对应的百分比为:37.5%、50%以及75%,对应的,三个设备的排序为:C设备、B设备、A设备;在核对时,优先核对C设备,然后B设备,最后是A设备;
针对于不同数据类型而言,其均会得到具体的百分比,按照从大到小的顺序进行排列;但是针对具有相同的同级关联度的异常数据,其百分比可以存在细微的差异,但是其通常出现在同一位置,在此中情况下,其仅需要对百分比最大的异常数据做保留即可,对应的异常标记设备也可以被找到;
具体的,若A设备、B设备以及C设备分别是处于同一级的多个变压器,三者具有相同的同级关联度标记,计算出的对应的百分比为:16%、15.5%以及15%,并且在实际的初始异常数据排列数组中,上述三个百分比处于相邻位置,采用S44的方式,仅会保留16%用于后续的核对,理解为,具有相同的同级关联度标记仅需要保留一个最异常的异常数据即可,当该异常数据被核对确实异常后,那么后续的数据就无需在核对,其大概率也是有问题的,通过该种方式能够减少需要核对的异常数据,实现对初始异常数据排列数组的简化,得到核对序列。
步骤S44后还包括:
S441:在核对序列中找出具有关注度标记的设备;
S442:将具有关注度标记的一个或多个设备的排在核对序列的首端。
上述,已经的得到核对序列,在此基础上,还会找出核对序列中对应的设备,判断该该设备是否具有关注度标记,有关注度标记,说明该设备在物理层面已经出现了问题,例如电缆的膨胀,发生形变,在本案中,会将该部分设备的核对优先级进一步提高,尽快核对,若确实存在异常,需及时安排巡检人员去处理,降低损失。
S50:利用核对方法对异常数据进行核对,若核对异常数据是无误的,则指派巡检人员对检测到异常数据的设备进行检修,若核对异常数据是有误的,则需等待下次数据的检测进一步判断。
所述核对方法包括以下步骤:
S51:首先判断异常数据中是否具有相同的同级关联度标记的异常数据,若有,则比对具有相同同级关联度标记的多个异常数据,若多个异常数据均高于或者均低于标准数据范围,则判断多个异常数据中具相同同级关联度标记的异常数据为第一合理异常数据;
S52:再判断异常数据中是否具有相同的逻辑关联度标记的异常数据,若有,则比对具有具有相同逻辑关联度标记的多个异常数据,若多个异常数据与对应设备的功能逻辑关系相匹配,则判断改组具有相同逻辑关联度标记的异常数据为第二合理异常数据;
S53:若第一合理异常数据与第二合理异常数据重合,则默认重合的多个异常数据为第三合理异常数据,若第一合理异常数据与第二合理异常数据不重合,则将非重合的异常数据定义为不合理异常数据,需要等待下次数据的检测进一步判断。
步骤S40-S442,已经能够将异常数据的核对顺序进行合理可续的排列,后续就需要对多个异常数据核对,当核对发现异常数据是准确的,那么设备确实是出现了问题,需要去检修;
具体的,核对方法中,首先会统一对多个异常数据进行统计,具体的,步骤S51可以理解为,举例,同一级的变压器A、变压器B以及变压器C具有相同的同级关联度标记,在核对序列中,彼此不相邻(若相邻,通过步骤S44会被简化掉),其运行数据检测的类型都是电流,且变压器A、变压器B以及变压器C检测到的对应电流都是大于标准电压范围,此时,认为对应的三组电流异常数据为第一合理异常数据,但是若变压器B对应的电流数据,要低于标准电压范围,但是变压器A以及变压器C高于标准电压范围,则变压器B对应的电流数据不是第一合理异常数据,则需等待下次数据的检测进一步判断;
对应的S52对应的情况为,采集到的数据为不同类型的至少三组数据,且三组数据具有相同的逻辑关联度标记,三组数据中:a组是体现锅炉温度的异常数据;b组是体现旋转叶片转速的异常数据;c组是体现发出量的异常数据;在异常数据上的体现为:a组数据以及b组均低于标准数据范围,但c组数据高于标准数据范围,具体的的情况为,锅炉温度较低,旋转叶片转速较低,但发电量却高于标准数据范围,由此可以判断,c组数据整体不合理,其不是第二合理异常数据,则需等待下次数据的检测进一步判断;
通过步骤S51-S52,当保留下来的数据存在重合,则默认重合的多个异常数据为第三合理异常数据,该部分数据确实是存在异常的,需要委巡检人员去检修,针对于没有重合的异常数据,我们认为其可能存在数据采集错误,需要等待下次数据的检测进一步判断。
若针对某一设备多次数据采集均反馈为错误的,那么需要考量下对应的检测终端是否存在问题,以便及时进行更换,保证数据采集的合理。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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;而这些修改或者替换,并不会使相应技术方案的本质脱离本发明各实施例技术方案的保护范围。
Claims (6)
1.一种基于卷积神经网络算法的智慧电厂异常检测方法,其特征在于,包括以下步骤:
S10:对电厂中每个设备利用关联度标记方法进行标记,赋予电厂中每个设备相对应的关联度标记,关联度标记体现设备之间运行状态的逻辑关系;
S20:将电厂中每个设备配置对应的检测终端,并实现对电厂中每个设备运行数据的间歇性检测,同时利用该设备对应的关联度标记对检测终端检测到的设备运行数据进行相对应的标记,记为关联度数据;
S30:利用设置的视频监测单元,间歇性的获取电厂中每个设备的运行图像,利用卷积神经网络算法将运行图像与设备正常运行时的标准图像进行比对,若比对结果存在差异,则赋予对应设备关注度标记;
S40:将检测终端检测的到每个设备的运行数据与其正常运行的标准数据范围进行比对,若两者存在差异则将对应设备的运行数据标记为异常数据,并且将该设备赋予异常标记;
S50:利用核对方法对异常数据进行核对,若核对异常数据是无误的,则指派巡检人员对检测到异常数据的设备进行检修,若核对异常数据是有误的,则需等待下次数据的检测进一步判断。
2.根据权利要求1所述的一种基于卷积神经网络算法的智慧电厂异常检测方法,其特征在于,关联度标记方法包括以下步骤:
S11:依据电厂中的各设备的具体功能为分类标准,对多个设备进行分组,将实现相同功能的设备赋予相同的同级关联度标记;
S12:依据电厂的发电顺序,将各个设备进行顺序标记,在顺序标记的基础上,依据相邻设备之间的功能逻辑关系,分别赋予对应设备对应的逻辑关联度标记;
其中,上述同级关联度标记以及逻辑关联度标记属于并列关系,其可以同时体现单个设备与其他设备之间的关联度;
其中,具有同级关联度标记的设备中,利用对应检测终端检测出的设备运行数据属于同类型数据,其可以进行直接比较;而具有逻辑关联度标记的设备之间,利用对应检测终端检测出的设备运行数据为不同类型数据,两种类型的数据之间可以采用既定的比例,或增长关系进行比较。
3.根据权利要求2所述的一种基于卷积神经网络算法的智慧电厂异常检测方法,步骤40中还包括的一筛选方法,包括以下步骤:
S41:判断处于标准数据范围内的多个正常数据中,多个正常数据对应的设备是否带有关注度标记;
S42:若带有关注度标记,则该正常数据也会被定义为异常数据。
4.根据权利要求3所述的一种基于卷积神经网络算法的智慧电厂异常检测方法,其特征在于,步骤40中还包括一排序方法,用于对检测到异常数据的设备进行核对顺序的排列,包括以下步骤:
S43:定义异常数据与标准数据范围之间的数据差值为差异数值,判断差异数值与标准数据范围之间的百分比,利用差异数值与标准数据范围之间的百分比按照从大到小的顺序将多个异常数据进行排列,形成初始异常数据排列数组;
S44:若排列的初始异常数据排列数组中,存在具有相同的同级关联度标记处于相邻位置,此时将百分比小的异常数据在初始异常数据排列数组中剔除,保留百分比大的异常数据,得到异常数据排列数组,并找出对应的设备,实现异常标记设备的核对顺序排列,得到核对序列。
5.根据权利要求4所述的一种基于卷积神经网络算法的智慧电厂异常检测方法,其特征在于,步骤S44后还包括:
S441:在核对序列中找出具有关注度标记的设备;
S442:将具有关注度标记的一个或多个设备的排在核对序列的首端。
6.根据权利要求5所述的一种基于卷积神经网络算法的智慧电厂异常检测方法,其特征在于,所述核对方法包括以下步骤:
S51:首先判断异常数据中是否具有相同的同级关联度标记的异常数据,若有,则比对具有相同同级关联度标记的多个异常数据,若多个异常数据均高于或者均低于标准数据范围,则判断多个异常数据中具相同同级关联度标记的异常数据为第一合理异常数据;
S52:再判断异常数据中是否具有相同的逻辑关联度标记的异常数据,若有,则比对具有相同逻辑关联度标记的多个异常数据,若多个异常数据与对应设备的功能逻辑关系相匹配,则判断改组具有相同逻辑关联度标记的异常数据为第二合理异常数据;
S53:若第一合理异常数据与第二合理异常数据重合,则默认重合的多个异常数据为第三合理异常数据,若第一合理异常数据与第二合理异常数据不重合,则将非重合的异常数据定义为不合理异常数据,需要等待下次数据的检测进一步判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311587541.4A CN117390566B (zh) | 2023-11-27 | 2023-11-27 | 一种基于卷积神经网络算法的智慧电厂异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311587541.4A CN117390566B (zh) | 2023-11-27 | 2023-11-27 | 一种基于卷积神经网络算法的智慧电厂异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117390566A true CN117390566A (zh) | 2024-01-12 |
CN117390566B CN117390566B (zh) | 2024-03-29 |
Family
ID=89470225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311587541.4A Active CN117390566B (zh) | 2023-11-27 | 2023-11-27 | 一种基于卷积神经网络算法的智慧电厂异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117390566B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109120071A (zh) * | 2018-10-29 | 2019-01-01 | 国家电网有限公司 | 抽水蓄电站设备自动巡检***及自动巡检方法 |
CN110135273A (zh) * | 2019-04-19 | 2019-08-16 | 中铁第一勘察设计院集团有限公司 | 接触网视频图像云端智能监测与故障识别方法 |
WO2021208875A1 (zh) * | 2020-04-17 | 2021-10-21 | 华为技术有限公司 | 视觉检测方法和视觉检测装置 |
CN115293508A (zh) * | 2022-07-05 | 2022-11-04 | 国网江苏省电力有限公司南通市通州区供电分公司 | 一种可视化的光缆运行状态监控方法及*** |
CN115393118A (zh) * | 2022-07-15 | 2022-11-25 | 国网四川电力送变电建设有限公司 | 一种基于监测数据分析的二次***故障定位方法及*** |
CN116205226A (zh) * | 2023-03-09 | 2023-06-02 | 国网陕西省电力有限公司电力科学研究院 | 一种电力设备状态评估方法、装置、设备及可读存储介质 |
CN116300724A (zh) * | 2023-02-17 | 2023-06-23 | 南京鑫起点智能制造技术有限公司 | 一种智能工厂生产用数字化管理*** |
CN116631087A (zh) * | 2023-07-20 | 2023-08-22 | 厦门闽投科技服务有限公司 | 一种基于无人机的电力巡检*** |
CN116699329A (zh) * | 2023-06-05 | 2023-09-05 | 国网江苏省电力有限公司南通供电分公司 | 一种变电站空间声纹可视化成像方法 |
CN117037059A (zh) * | 2023-08-07 | 2023-11-10 | 上海控创信息技术股份有限公司 | 基于巡检监控的设备管理方法、装置及电子设备 |
CN117115937A (zh) * | 2023-10-20 | 2023-11-24 | 湖南半岛医疗科技有限公司 | 设备运行状态监测方法、装置、云端设备及存储介质 |
-
2023
- 2023-11-27 CN CN202311587541.4A patent/CN117390566B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109120071A (zh) * | 2018-10-29 | 2019-01-01 | 国家电网有限公司 | 抽水蓄电站设备自动巡检***及自动巡检方法 |
CN110135273A (zh) * | 2019-04-19 | 2019-08-16 | 中铁第一勘察设计院集团有限公司 | 接触网视频图像云端智能监测与故障识别方法 |
WO2021208875A1 (zh) * | 2020-04-17 | 2021-10-21 | 华为技术有限公司 | 视觉检测方法和视觉检测装置 |
CN115293508A (zh) * | 2022-07-05 | 2022-11-04 | 国网江苏省电力有限公司南通市通州区供电分公司 | 一种可视化的光缆运行状态监控方法及*** |
CN115393118A (zh) * | 2022-07-15 | 2022-11-25 | 国网四川电力送变电建设有限公司 | 一种基于监测数据分析的二次***故障定位方法及*** |
CN116300724A (zh) * | 2023-02-17 | 2023-06-23 | 南京鑫起点智能制造技术有限公司 | 一种智能工厂生产用数字化管理*** |
CN116205226A (zh) * | 2023-03-09 | 2023-06-02 | 国网陕西省电力有限公司电力科学研究院 | 一种电力设备状态评估方法、装置、设备及可读存储介质 |
CN116699329A (zh) * | 2023-06-05 | 2023-09-05 | 国网江苏省电力有限公司南通供电分公司 | 一种变电站空间声纹可视化成像方法 |
CN116631087A (zh) * | 2023-07-20 | 2023-08-22 | 厦门闽投科技服务有限公司 | 一种基于无人机的电力巡检*** |
CN117037059A (zh) * | 2023-08-07 | 2023-11-10 | 上海控创信息技术股份有限公司 | 基于巡检监控的设备管理方法、装置及电子设备 |
CN117115937A (zh) * | 2023-10-20 | 2023-11-24 | 湖南半岛医疗科技有限公司 | 设备运行状态监测方法、装置、云端设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
张鹏锋: "基于深度学习的电厂设备运行参数异常检测", 《全国优秀硕士学位论文全文数据库》, 15 May 2022 (2022-05-15), pages 042 - 692 * |
曹云梦: "一种基于多源事件流事件关联的设备异常检测方法", 《全国优秀硕士学位论文全文数据库》, no. 7, 15 July 2019 (2019-07-15), pages 042 - 376 * |
Also Published As
Publication number | Publication date |
---|---|
CN117390566B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105827200B (zh) | 光电***中电池组串故障的识别方法、装置和设备 | |
CN103616579B (zh) | 一种用于智能变电站二次***的故障诊断方法 | |
CN107395121B (zh) | 基于格拉布斯准则及离群点检测光伏阵列故障检测方法 | |
CN103278244A (zh) | 变压器过热故障的监测方法及其监测*** | |
CN108879956B (zh) | 基于设备运行状态对***故障进行主动判断并修复的方法 | |
WO2022057555A1 (zh) | 一种故障检测方法、装置和光伏发电*** | |
CN112269812A (zh) | 一种基于大数据的智能电力配电网安全监测管理*** | |
CN117390566B (zh) | 一种基于卷积神经网络算法的智慧电厂异常检测方法 | |
CN116743079A (zh) | 光伏组串故障处理方法、装置、光伏管理***及介质 | |
CN113054906B (zh) | 光伏电站的故障确定方法、装置、处理器与光伏*** | |
CN110838822A (zh) | 一种光伏逆变器的故障信息获取***及方法 | |
CN111711414B (zh) | 一种具有最大功率的光伏电站故障检测装置 | |
CN116975766A (zh) | 一种基于机器学习的配电网故障自愈方法和*** | |
CN116089790A (zh) | 一种光伏组件发电量损失的计算方法、装置及电子设备 | |
CN114785280A (zh) | 光伏电站太阳能电池组件发电性能缺陷的现场检测方法 | |
CN113743626A (zh) | 一种一次设备故障处理方法及设备 | |
LU504189B1 (en) | A system for monitoring the surface temperature of photovoltaic modules | |
CN116707445B (zh) | 一种光伏组件故障定位方法和*** | |
CN114915022B (zh) | 一种智能配电网无线通信方法及*** | |
CN211236173U (zh) | 一种风电机组变频器风扇电源板检测设备 | |
CN220543085U (zh) | 一种基于物联网的变压器绕组形变检测*** | |
CN115877275A (zh) | 一种自适应免拆线继电保护出口矩阵测试装置和方法 | |
Xu et al. | Diagnosis of Substation Equipment Operating Status Based on Target Detection and Information Extraction Technique in Infrared Image | |
Feng et al. | Infrared Image Recognition and Classification of Typical Electrical Equipment in Substation Based on YOLOv5 | |
CN117713350A (zh) | 一种变电设备运行监测*** |
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 |