CN117572837B - 一种智慧电厂ai主动运维方法及*** - Google Patents
一种智慧电厂ai主动运维方法及*** Download PDFInfo
- Publication number
- CN117572837B CN117572837B CN202410062978.4A CN202410062978A CN117572837B CN 117572837 B CN117572837 B CN 117572837B CN 202410062978 A CN202410062978 A CN 202410062978A CN 117572837 B CN117572837 B CN 117572837B
- Authority
- CN
- China
- Prior art keywords
- abnormality
- state
- power plant
- node
- value
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000005856 abnormality Effects 0.000 claims abstract description 197
- 238000004458 analytical method Methods 0.000 claims abstract description 169
- 230000002159 abnormal effect Effects 0.000 claims abstract description 116
- 238000012544 monitoring process Methods 0.000 claims abstract description 97
- 238000012795 verification Methods 0.000 claims abstract description 86
- 238000007689 inspection Methods 0.000 claims abstract description 45
- 230000003213 activating effect Effects 0.000 claims abstract description 16
- 238000010586 diagram Methods 0.000 claims description 37
- 230000000694 effects Effects 0.000 abstract description 6
- 230000000737 periodic effect Effects 0.000 abstract description 3
- 230000001419 dependent effect Effects 0.000 abstract 1
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41845—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by system universality, reconfigurability, modularity
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31094—Data exchange between modules, cells, devices, processors
-
- 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)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种智慧电厂AI主动运维方法及***,属于电厂运维领域,其中方法包括:加载电厂设备的运行状态期望区间和运行参数离散点集;构建一级运行状态异常分析节点和二级运行状态异常分析节点;采集运行状态监测时序信息;激活运行状态异常分析节点对运行状态监测时序信息进行异常校验,当异常校验结果具有异常标识,对电厂设备标识主动巡检标签,添加进主动运维设备列表,发送至电厂设备运维终端。本申请解决了现有电厂设备运维依靠周期性被动巡检,针对性较差,导致电厂设备运维缺乏主动性与精准性的技术问题,达到了通过电厂设备运行状态配置异常分析节点,实现对电厂设备主动巡检与精准运维的技术效果。
Description
技术领域
本发明涉及电厂运维领域,具体涉及一种智慧电厂AI主动运维方法及***。
背景技术
随着电力行业的快速发展,电厂设备运维工作的重要性日益凸显。电厂设备的状态直接关系到电网的安全稳定运行,设备运维存在的风险会对电力供应产生重大影响。现有的电厂设备运维方式主要采用周期性巡检的方式,这种被动式的巡检方式存在缺乏针对性、事故应急能力有限等问题,导致巡检效果不稳定,无法实现主动、精准化的电厂设备运维。
发明内容
本申请通过提供了一种智慧电厂AI主动运维方法及***,旨在解决现有电厂设备运维依靠周期性被动巡检,针对性较差,导致电厂设备运维缺乏主动性与精准性的技术问题。
鉴于上述问题,本申请提供了一种智慧电厂AI主动运维方法及***。
本申请公开的第一个方面,提供了一种智慧电厂AI主动运维方法,该方法包括:基于预设数据库,加载第一电厂设备的第一工作模式下的运行状态期望区间和运行参数离散点集;以运行状态期望区间为基准,构建一级运行状态异常分析节点;以运行参数离散点集为基准,构建二级运行状态异常分析节点;通过底层感知组件,采集第一电厂设备的第一工作模式下的运行状态监测时序信息;激活一级运行状态异常分析节点对运行状态监测时序信息进行异常校验,生成一级异常校验结果;当一级异常校验结果具有异常标识,对第一电厂设备标识主动巡检标签,添加进主动运维设备列表,发送至电厂设备运维终端;当一级异常校验结果具有非异常标识,激活二级运行状态异常分析节点对运行状态监测时序信息进行异常校验,生成二级异常校验结果;当二级异常校验结果具有异常标识,对第一电厂设备标识主动巡检标签,添加进主动运维设备列表,发送至电厂设备运维终端。
本申请公开的另一个方面,提供了一种智慧电厂AI主动运维***,该***包括:运行数据加载模块,用于基于预设数据库,加载第一电厂设备的第一工作模式下的运行状态期望区间和运行参数离散点集;一级分析节点模块,用于以运行状态期望区间为基准,构建一级运行状态异常分析节点;二级分析节点模块,用于以运行参数离散点集为基准,构建二级运行状态异常分析节点;监测数据获取模块,用于通过底层感知组件,采集第一电厂设备的第一工作模式下的运行状态监测时序信息;一级节点校验模块,用于激活一级运行状态异常分析节点对运行状态监测时序信息进行异常校验,生成一级异常校验结果;一级结果异常模块,用于当一级异常校验结果具有异常标识,对第一电厂设备标识主动巡检标签,添加进主动运维设备列表,发送至电厂设备运维终端;二级节点校验模块,用于当一级异常校验结果具有非异常标识,激活二级运行状态异常分析节点对运行状态监测时序信息进行异常校验,生成二级异常校验结果;二级节点异常模块,用于当二级异常校验结果具有异常标识,对第一电厂设备标识主动巡检标签,添加进主动运维设备列表,发送至电厂设备运维终端。
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:
由于采用了基于预设数据库,加载第一电厂设备的第一工作模式下的运行状态期望区间和运行参数离散点集,以采集基准数据构建异常判断的依据;以运行状态期望区间为基准,构建一级运行状态异常分析节点,建立判断模型的第一层级,以正常区间判断;以运行参数离散点集为基准,构建二级运行状态异常分析节点,建立判断模型第二层级,以离散点计算异常概率判断;通过底层感知组件,采集第一电厂设备的运行状态监测时序信息,获取设备实时状态参数数据;激活一级异常分析节点对运行状态监测时序信息进行异常校验,生成一级异常校验结果,第一层级判断设备状态是否异常;当一级异常校验结果具有异常标识,标识主动巡检标签,添加进主动运维设备列表,确定需主动检查的设备;当一级校验结果为非异常,激活二级异常分析节点继续判断,生成二级异常校验结果,第一层级未发现则二级层级继续判断;二级异常校验结果异常则标识主动巡检标签,添加进主动运维设备列表,二级层级异常则确定需主动检查的设备的技术方案,解决了现有电厂设备运维依靠周期性被动巡检,针对性较差,导致电厂设备运维缺乏主动性与精准性的技术问题,达到了通过电厂设备运行状态配置异常分析节点,实现对电厂设备主动巡检与精准运维的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种智慧电厂AI主动运维方法的一种流程示意图;
图2为本申请实施例提供了一种智慧电厂AI主动运维方法中构建二级运行状态异常分析节点的一种流程示意图;
图3为本申请实施例提供了一种智慧电厂AI主动运维***的一种结构示意图。
附图标记说明:运行数据加载模块11,一级分析节点模块12,一级分析节点模块13,监测数据获取模块14,一级节点校验模块15,一级结果异常模块16,二级节点校验模块17,二级节点异常模块18。
具体实施方式
本申请提供的技术方案总体思路如下:
本申请实施例提供了一种智慧电厂AI主动运维方法及***,通过构建电厂设备多层级运行状态异常分析模型,实现对电厂设备运行参数的主动监测与智能判断,精准识别出需要专项巡检的电厂设备,从而指导设备的主动式精准运维。
首先,基于设备的运行数据,加载电厂设备的正常工作模式下的运行状态期望区间和运行参数离散点集,并以此构建一级运行状态异常分析节点和二级运行状态异常分析节点。然后,通过底层监测组件,实时采集电厂设备的温度、电流、电压等多维运行参数,获取设备的运行状态监测时序信息。随后,通过一级运行状态异常分析节点和二级运行状态异常分析节点对运行状态监测时序信息进行判断,识别异常设备。接着,对判断出的异常设备自动标识主动巡检标签,实时更新主动运维设备列表,为主动、精准的运维提供巡检对象。
通过电厂设备运行状态数字化监控和多层次智能技术分析的运用,有效解决现有电厂设备巡检效率低下和事故隐患排查不足的技术问题,实现精准化和主动化的电厂设备健康管理,确保电网设备的安全稳定运行。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种智慧电厂AI主动运维方法,该方法包括:
基于预设数据库,加载第一电厂设备的第一工作模式下的运行状态期望区间和运行参数离散点集;
进一步的,本步骤包括:
对所述第一电厂设备的所述第一工作模式进行正样本采集,生成运行状态记录事务集;
根据所述运行状态记录事务集,提取第一运行状态属性的运行状态记录值集合;
根据所述运行状态记录值集合,构建运行状态记录值箱线图;
基于所述运行状态记录值箱线图,提取箱体集中数据和箱线离散数据;
根据所述箱体集中数据,构建第一运行状态属性期望区间,添加进所述运行状态期望区间;
将所述箱线离散数据设为第一运行状态属性离散点集,添加进所述运行参数离散点集;
将所述运行状态期望区间和所述运行参数离散点集,和所述第一电厂设备的所述第一工作模式联立存储。
进一步的,本步骤还包括:
根据所述运行状态记录值箱线图,获得第一四分位记录值和第二四分位记录值,其中,所述第二四分位记录值大于或等于所述第一四分位记录值;
从所述运行状态记录值集合中,提取大于或等于所述第一四分位记录,且小于或等于所述第二四分位记录值的所述箱体集中数据;
根据所述运行状态记录值箱线图,获得箱线上限值和箱线下限值;
从所述运行状态记录值集合中,提取大于所述第二四分位记录值,且小于或等于所述箱线上限值的第一箱线离散数据;
从所述运行状态记录值集合中,提取小于所述第一四分位记录值,且大于或等于所述箱线下限值的第二箱线离散数据;
将所述第一箱线离散数据和所述第二箱线离散数据添加进所述箱线离散数据。
在一种优选的实施方式中,预设数据库是指用于存储第一电厂设备运行状态数据的数据库;第一电厂设备为电厂中的任一电气设备;第一工作模式为对电厂设备的任一不同运行状态。首先,在预设数据库中,配置数据采集设备,接入第一电厂设备,设置采集运行参数,确定采集设备的采集时序、采集频率等参数。其次,控制第一电厂设备按照第一工作模式启动,设备运行至稳定后,启动数据采集设备,按配置的频率和时序采集运行参数,生成原始数据样本。然后,收集多组原始数据样本,构成运行状态记录事务集,其中,每一组原始数据样本构成一个事务。随后,解析运行状态记录事务集,每个事务中包含多组运行状态属性监测数据,从全部事务的监测数据中提取与第一运行状态属性相关的监测数据值,构成第一运行状态属性的运行状态记录值的原始集合,对第一运行状态属性的运行状态记录值的原始集合进行冗余记录值的去重处理,得到第一运行状态属性的运行状态记录值集合。之后,对运行状态记录值集合进行排序处理,使其记录值从小到大有序排列,计算该集合中的记录值数量,确定其四分之一和四分之三位置的数据,即总数量的25%和75%位置,在这两个位置的记录值分别设定为第一四分位记录值和第二四分位记录值。接着,计算第二四分位记录值和第一四分位记录值之差,作为四分位极差,以四分位极差的-1.5作为箱线下限,以四分位极差的1.5作为箱线下限,并以第一四分位记录值和第二四分位记录值为箱体上下限,构建运行状态记录值箱线图。
然后,根据构建得到的运行状态记录值箱线图,读取图中箱体的下限值,即为第一四分位记录值;读取图中箱体的上限值,即为第二四分位记录值,根据箱线图的结构特征,第二四分位记录值大于等于第一四分位记录值。接着,遍历运行状态记录值集合,逐一判断每个记录值,对于每个记录值,判断它是否同时满足:大于或等于第一四分位记录值,且小于或等于第二四分位记录值,将满足条件的记录值提取出来,集合构成箱体集中数据。随后,在构建得到的运行状态记录值箱线图中,识别出构成箱线上边线和下边线的两个值,得到箱线上限值和箱线下限值。然后,遍历运行状态记录值集合,逐一判断每个记录值,对于每个记录值,判断它是否同时满足:大于第二四分位记录值,且小于或等于箱线上限值,将满足上述条件的记录值提取出来,集合构成第一箱线离散数据。同时,遍历运行状态记录值集合,逐一判断每个记录值,对于每个记录值,判断它是否同时满足:小于第一四分位记录值,且大于或等于箱线下限值,将满足上述条件的记录值提取出来,集合构成第二箱线离散数据。之后,将第一箱线离散数据和第二箱线离散数据合并,统一添加到箱线离散数据中,得到集成后的箱线离散数据,为准确判断异常运行状态提供支持。
随后,获取箱体集中数据,即在箱体区间内的数据集合,确定箱体集中数据的最小值和最大值,分别作为第一运行状态属性的下限期望值和上限期望值,以确定的下限期望值和上限期望值,构建该状态属性的期望区间,再将构建好的第一运行状态属性期望区间添加到运行状态期望区间中,为后续异常分析奠定基础。同时,将得到的箱线离散数据,即属于异常区间的数据集合,作为第一运行状态属性离散点集,添加进运行参数离散点集中。最后,新建第一电厂设备第一工作模式的数据结构,内部包含工作模式信息、所属设备标识等静态信息,将构建好的运行状态期望区间和运行参数离散点集与该数据结构关联绑定,实现联立存储,以实现对电厂设备在指定工作模式下的不同工作状态下的高效管理,为后续状态监测与异常识别提供数据支持。
以所述运行状态期望区间为基准,构建一级运行状态异常分析节点;
进一步的,本步骤包括:
构建第一运行状态异常分析函数:
,
其中,表征运行状态监测数据的第一运行状态异常系数,表征运行状态监测数据的第i属性偏离第i属性期望区间的频率,表征第i属性第j时刻的监测状态值,/>和/>表征第i属性期望区间的下限和上限,Q表征时序总数,N表征属性总数,/>表征第i属性的预设权重;
构建第二运行状态异常分析函数:
,
,
其中,表征第二运行状态异常系数,/>表征第i属性第j时刻监测值的偏离距离;
配置第一运行状态异常系数阈值和第二运行状态异常系数阈值,结合所述第一运行状态异常分析函数和所述第二运行状态异常分析函数,设定运行状态异常分析规则,构建所述一级运行状态异常分析节点。
进一步的,运行状态异常分析规则,包括:
触发条件A1:当所述第一运行状态异常分析函数的输出值大于或等于所述第一运行状态异常系数阈值,生成异常标识添加进所述一级异常校验结果;
触发条件A2:当所述第一运行状态异常分析函数小于所述第一运行状态异常系数阈值,且所述第二运行状态异常分析函数的输出值大于或等于所述第二运行状态异常系数阈值,生成异常标识添加进所述一级异常校验结果;
触发条件A3:当所述第一运行状态异常分析函数小于所述第一运行状态异常系数阈值,且所述第二运行状态异常分析函数的输出值小于所述第二运行状态异常系数阈值,生成非异常标识添加进所述一级异常校验结果。
在一种优选的实施方式中,首选,构建第一运行状态异常分析函数:
,
其中,表征运行状态监测数据的第一运行状态异常系数,用于量化表示运行状态监测数据的异常程度;/>表征运行状态监测数据的第i属性偏离第i属性期望区间的频率,/>表征第i属性第j时刻的监测状态值,/>和/>表征第i属性期望区间的下限和上限,Q表征时序总数,N表征属性总数,/>表征第i属性的预设权重。通过第一运行状态异常分析函数可以获得所有运行状态属性在指定时间窗口内的异常分布和贡献情况,反映设备整体运行异常程度,为异常处理提供依据。
同时,构建第二运行状态异常分析函数:
,
,
其中,表征第二运行状态异常系数,用于量化表示运行状态监测数据的异常程度,/>表征第i属性第j时刻监测值的偏离距离。通过求取所有属性的最大偏离距离的平均值,反映设备运行状态中的最大异常程度,为后续异常处理提供依据。
然后,根据对异常的响应要求确定第一运行状态异常系数阈值,用于判断第一运行状态异常分析函数输出是否异常;并确定第二运行状态异常系数阈值,用于判断第二运行状态异常分析函数输出是否异常。随后,以配置的第一运行状态异常系数阈值和第二运行状态异常系数阈值,结合第一运行状态异常分析函数和第二运行状态异常分析函数的输出值,通过运行状态异常分析规则,判断第一电厂设备是否为异常状态。其中,运行状态异常分析规则包括三个触发条件:第一,当第一运行状态异常分析函数的输出值大于或等于第一运行状态异常系数阈值,生成异常标识添加进一级异常校验结果;第二,当第一运行状态异常分析函数小于第一运行状态异常系数阈值,且第二运行状态异常分析函数的输出值大于或等于第二运行状态异常系数阈值,生成异常标识添加进一级异常校验结果;第三,当第一运行状态异常分析函数和第二运行状态异常分析函数的输出值均低于对应阈值,生成非异常标识添加进一级异常校验结果。
以所述运行参数离散点集为基准,构建二级运行状态异常分析节点;
进一步的,如图2所示,本申请实施例还包括:
获得运行参数离散点集的第一状态属性离散点集;
基于所述第一状态属性离散点集,构建第一异常分析连续节点图,其中,任意一个节点部署所述第一状态属性离散点集的相同大小的记录值,且保证任意一个节点的记录值数量至少等于2;
将所述第一异常分析连续节点图添加进多个异常分析连续节点图,其中,所述多个异常分析连续节点图和状态属性一一对应;
配置异常分析规则,结合所述多个异常分析连续节点图,构建所述二级运行状态异常分析节点。
进一步的,异常分析规则,包括:
当所述第一异常分析连续节点图的第k节点接收到第一属性监测状态值时,判断是否等于第k节点记录值;
若不等于,进入第k+1节点进行比对;
若等于,对所述第一属性监测状态值进行非异常标识;
若不等于,且所述第k节点为尾节点,对所述第一属性监测状态值进行异常标识;
当全部属性监测状态值的任意一个具有异常标识时,生成异常标识,添加进所述二级异常校验结果;
当全部属性监测状态值的异常标识数量等于0时,生成非异常标识,添加进所述二级异常校验结果。
在一种优选的实施方式中,首先,根据第一运行状态属性,从运行参数离散点集中查找和匹配,获取对应的第一状态属性离散点集。然后,根据第一状态属性离散点集中的异常点数量,计算确定连续节点的数量,为每个节点配置存储空间,确保可以存放数量相同的状态属性异常记录值。再然后,从第一状态属性离散点集中读取异常记录值,平均分配到每个异常分析节点中,若某个节点的记录值数量少于2,则需要在相邻节点中借调记录值,确保每个节点的记录值数量不少于2,从而得到第一异常分析连续节点图。随后,初始化异常分析节点图的存储单元,用于存放多个状态属性的异常分析节点图,实现状态属性与节点图的对应关系绑定。然后,取第一状态属性对应的第一异常分析连续节点图,与该状态属性进行对应绑定,统一存放进异常分析节点图的存储单元中,得到多个异常分析节点图,便于后续根据属性快速查找和获取对应的异常分析节点图,为异常值传递判断提供支持。
随后,配置异常分析规则,结合多个异常分析连续节点图,构建二级运行状态异常分析节点。其中,异常分析规则为:当第一异常分析连续节点图的第k节点接收到第一属性监测状态值时,判断是否等于第k节点记录值;如果第一属性监测状态值不等于第k节点记录值,则将第一属性监测状态值与第k+1节点进行比对;以此类推,在比对到第一异常分析连续节点图中的尾节点之前,将第一属性监测状态值与第一异常分析连续节点图中的每个节点进行比较;如果依次比较过程中,存在第一属性监测状态值等于某个节点记录值,对第一属性监测状态值进行非异常标识;如果比较至尾节点,还不存在于第一属性监测状态值相等的节点记录值,则对第一属性监测状态值进行异常标识;如果全部属性监测状态值的任意一个具有异常标识时,生成异常标识,添加进二级异常校验结果;如果全部属性监测状态值的异常标识数量等于0时,生成非异常标识,添加进二级异常校验结果。通过遍历节点比对判断状态值是否异常的方法,实现详尽的异常检查,为设备运维提供支持。
通过底层感知组件,采集第一电厂设备的第一工作模式下的运行状态监测时序信息;
在本申请实施例中,底层感知组件是用于采集设备运行状态数据的硬件***模块,由传感器组件和数据采集单元构成,其中,传感器组件包括温度、电流、电压、振动等参数的物理传感设备,这些传感器接入目标被监测设备,实时采集设备运行参数;数据采集单元负责对各类传感器采集的数据进行集中,并转换为数字信号。首先,锁定目标设备,确定为第一电厂设备;然后,查询并确定第一电厂设备当前的工作模式,得到第一工作模式;接着,在第一电厂设备上接入和配置底层感知组件,实现设备状态数据的采集,得到运行状态监测时序信息。
激活所述一级运行状态异常分析节点对所述运行状态监测时序信息进行异常校验,生成一级异常校验结果;
在本申请实施例中,在采集第一电厂设备在第一工作模式下的运行状态监测时序信息的同时,激活构建的一级运行状态异常分析节点,将运行状态监测时序信息实时输入该节点。接着,一级运行状态异常分析节点根据自身配置的运行状态异常分析函数和运行状态异常分析规则,对运行状态监测时序信息进行分析判别,从而生成一级异常校验结果,作为对状态监测信息进行初步的异常检测。
当所述一级异常校验结果具有异常标识,对所述第一电厂设备标识主动巡检标签,添加进主动运维设备列表,发送至电厂设备运维终端;
在本申请实施例中,首先,解析一级异常校验结果,判断一级异常校验结果中针对第一电厂设备是否具有异常标识。如果一级异常校验结果中对第一电厂设备存在异常标识,则生成第一电厂设备的主动巡检标签,并将该主动巡检标签添加至主动运维设备列表,更新主动运维设备列表,并将更新后的主动运维设备列表发送至电厂设备运维终端显示,从而提醒运维人员进行重点主动维护,提升电厂设备健康运行水平。
当所述一级异常校验结果具有非异常标识,激活所述二级运行状态异常分析节点对所述运行状态监测时序信息进行异常校验,生成二级异常校验结果;
在本申请实施例中,当一级异常校验结果中不存在针对第一电厂设备的异常标识时,说明设备初步判断状态正常。此时,激活构建好的二级运行状态异常分析节点,发送所采集的运行状态监测时序信息,二级运行状态异常分析节点接收信息,并根据已整合的多个异常分析连续节点图,进行详细的传递判断,生成二级异常校验结果。
当所述二级异常校验结果具有异常标识,对所述第一电厂设备标识主动巡检标签,添加进主动运维设备列表,发送至电厂设备运维终端。
在本申请实施例中,获取二级异常校验结果后,解析二级异常校验结果,判断针对第一电厂设备的异常标识是否存在。当二级异常校验结果中存在对第一电厂设备的异常标识时,生成第一电厂设备的主动巡检标签,加入主动运维设备名列表中,并将更新后的主动运维设备列表,发送至电厂设备运维终端显示,以对第一电厂设备进行精准的主动运维。
通过两级异常分析和标注,提高对设备潜在隐患的识别能力,实现对电厂设备的主动巡检和精准运维。
综上所述,本申请实施例所提供的一种智慧电厂AI主动运维方法具有如下技术效果:
基于预设数据库,加载第一电厂设备的第一工作模式下的运行状态期望区间和运行参数离散点集,为实现精准智能判断的提供数据基础。以运行状态期望区间为基准,构建一级运行状态异常分析节点,依据正常区间判断数据是否异常,实现简单快速判断。以运行参数离散点集为基准,构建二级运行状态异常分析节点;当一级运行状态异常分析节点判断不足时,依据离群点实现深度判断。通过底层感知组件,采集第一电厂设备的第一工作模式下的运行状态监测时序信息,为异常判断提供必要的输入数据。激活一级运行状态异常分析节点对运行状态监测时序信息进行异常校验,生成一级异常校验结果,判断数据是否异常。当一级异常校验结果具有异常标识,对第一电厂设备标识主动巡检标签,添加进主动运维设备列表,发送至电厂设备运维终端。当一级异常校验结果具有非异常标识,激活二级运行状态异常分析节点对运行状态监测时序信息进行异常校验,生成二级异常校验结果,实现对电厂设备的深度判断。当二级异常校验结果具有异常标识,对第一电厂设备标识主动巡检标签,添加进主动运维设备列表,发送至电厂设备运维终端,从而实现对电厂设备主动巡检与精准运维。
实施例二
基于与前述实施例中一种智慧电厂AI主动运维方法相同的发明构思,如图3所示,本申请实施例提供了一种智慧电厂AI主动运维***,该***包括:
运行数据加载模块11,用于基于预设数据库,加载第一电厂设备的第一工作模式下的运行状态期望区间和运行参数离散点集;
一级分析节点模块12,用于以所述运行状态期望区间为基准,构建一级运行状态异常分析节点;
二级分析节点模块13,用于以所述运行参数离散点集为基准,构建二级运行状态异常分析节点;
监测数据获取模块14,用于通过底层感知组件,采集第一电厂设备的第一工作模式下的运行状态监测时序信息;
一级节点校验模块15,用于激活所述一级运行状态异常分析节点对所述运行状态监测时序信息进行异常校验,生成一级异常校验结果;
一级结果异常模块16,用于当所述一级异常校验结果具有异常标识,对所述第一电厂设备标识主动巡检标签,添加进主动运维设备列表,发送至电厂设备运维终端;
二级节点校验模块17,用于当所述一级异常校验结果具有非异常标识,激活所述二级运行状态异常分析节点对所述运行状态监测时序信息进行异常校验,生成二级异常校验结果;
二级节点异常模块18,用于当所述二级异常校验结果具有异常标识,对所述第一电厂设备标识主动巡检标签,添加进主动运维设备列表,发送至电厂设备运维终端。
进一步的,运行数据加载模块11包括以下执行步骤:
对所述第一电厂设备的所述第一工作模式进行正样本采集,生成运行状态记录事务集;
根据所述运行状态记录事务集,提取第一运行状态属性的运行状态记录值集合;
根据所述运行状态记录值集合,构建运行状态记录值箱线图;
基于所述运行状态记录值箱线图,提取箱体集中数据和箱线离散数据;
根据所述箱体集中数据,构建第一运行状态属性期望区间,添加进所述运行状态期望区间;
将所述箱线离散数据设为第一运行状态属性离散点集,添加进所述运行参数离散点集;
将所述运行状态期望区间和所述运行参数离散点集,和所述第一电厂设备的所述第一工作模式联立存储。
进一步的,运行数据加载模块11还包括以下执行步骤:
根据所述运行状态记录值箱线图,获得第一四分位记录值和第二四分位记录值,其中,所述第二四分位记录值大于或等于所述第一四分位记录值;
从所述运行状态记录值集合中,提取大于或等于所述第一四分位记录,且小于或等于所述第二四分位记录值的所述箱体集中数据;
根据所述运行状态记录值箱线图,获得箱线上限值和箱线下限值;
从所述运行状态记录值集合中,提取大于所述第二四分位记录值,且小于或等于所述箱线上限值的第一箱线离散数据;
从所述运行状态记录值集合中,提取小于所述第一四分位记录值,且大于或等于所述箱线下限值的第二箱线离散数据;
将所述第一箱线离散数据和所述第二箱线离散数据添加进所述箱线离散数据。
进一步的,一级分析节点模块12包括以下执行步骤:
构建第一运行状态异常分析函数:
,
其中,表征运行状态监测数据的第一运行状态异常系数,表征运行状态监测数据的第i属性偏离第i属性期望区间的频率,表征第i属性第j时刻的监测状态值,/>和/>表征第i属性期望区间的下限和上限,Q表征时序总数,N表征属性总数,/>表征第i属性的预设权重;
构建第二运行状态异常分析函数:
,
,
其中,表征第二运行状态异常系数,/>表征第i属性第j时刻监测值的偏离距离;
配置第一运行状态异常系数阈值和第二运行状态异常系数阈值,结合所述第一运行状态异常分析函数和所述第二运行状态异常分析函数,设定运行状态异常分析规则,构建所述一级运行状态异常分析节点。
进一步的,一级分析节点模块12还包括以下执行步骤:
所述运行状态异常分析规则包括:
触发条件A1:当所述第一运行状态异常分析函数的输出值大于或等于所述第一运行状态异常系数阈值,生成异常标识添加进所述一级异常校验结果;
触发条件A2:当所述第一运行状态异常分析函数小于所述第一运行状态异常系数阈值,且所述第二运行状态异常分析函数的输出值大于或等于所述第二运行状态异常系数阈值,生成异常标识添加进所述一级异常校验结果;
触发条件A3:当所述第一运行状态异常分析函数小于所述第一运行状态异常系数阈值,且所述第二运行状态异常分析函数的输出值小于所述第二运行状态异常系数阈值,生成非异常标识添加进所述一级异常校验结果。
进一步的,二级分析节点模块13包括以下执行步骤:
获得运行参数离散点集的第一状态属性离散点集;
基于所述第一状态属性离散点集,构建第一异常分析连续节点图,其中,任意一个节点部署所述第一状态属性离散点集的相同大小的记录值,且保证任意一个节点的记录值数量至少等于2;
将所述第一异常分析连续节点图添加进多个异常分析连续节点图,其中,所述多个异常分析连续节点图和状态属性一一对应;
配置异常分析规则,结合所述多个异常分析连续节点图,构建所述二级运行状态异常分析节点。
进一步的,二级分析节点模块13还包括以下执行步骤:
所述异常分析规则为:
当所述第一异常分析连续节点图的第k节点接收到第一属性监测状态值时,判断是否等于第k节点记录值;
若不等于,进入第k+1节点进行比对;
若等于,对所述第一属性监测状态值进行非异常标识;
若不等于,且所述第k节点为尾节点,对所述第一属性监测状态值进行异常标识;
当全部属性监测状态值的任意一个具有异常标识时,生成异常标识,添加进所述二级异常校验结果;
当全部属性监测状态值的异常标识数量等于0时,生成非异常标识,添加进所述二级异常校验结果。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中,并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法,在此不做多余限制。
进一步的,综上所述的第一或第二可能不止代表次序关系,也可能代表某项特指概念,和/或指的是多个元素之间可单独或全部选择。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 (5)
1.一种智慧电厂AI主动运维方法,其特征在于,包括:
基于预设数据库,加载第一电厂设备的第一工作模式下的运行状态期望区间和运行参数离散点集;
以所述运行状态期望区间为基准,构建一级运行状态异常分析节点;
以所述运行参数离散点集为基准,构建二级运行状态异常分析节点;
通过底层感知组件,采集第一电厂设备的第一工作模式下的运行状态监测时序信息;
激活所述一级运行状态异常分析节点对所述运行状态监测时序信息进行异常校验,生成一级异常校验结果;
当所述一级异常校验结果具有异常标识,对所述第一电厂设备标识主动巡检标签,添加进主动运维设备列表,发送至电厂设备运维终端;
当所述一级异常校验结果具有非异常标识,激活所述二级运行状态异常分析节点对所述运行状态监测时序信息进行异常校验,生成二级异常校验结果;
当所述二级异常校验结果具有异常标识,对所述第一电厂设备标识主动巡检标签,添加进主动运维设备列表,发送至电厂设备运维终端;
其中,以所述运行状态期望区间为基准,构建一级运行状态异常分析节点,包括:
构建第一运行状态异常分析函数:
,
其中,表征运行状态监测数据的第一运行状态异常系数,/>表征运行状态监测数据的第i属性偏离第i属性期望区间的频率,/>表征第i属性第j时刻的监测状态值,/>和/>表征第i属性期望区间的下限和上限,Q表征时序总数,N表征属性总数,/>表征第i属性的预设权重;
构建第二运行状态异常分析函数:
,
,
其中,表征第二运行状态异常系数,/>表征第i属性第j时刻监测值的偏离距离;
配置第一运行状态异常系数阈值和第二运行状态异常系数阈值,结合所述第一运行状态异常分析函数和所述第二运行状态异常分析函数,设定运行状态异常分析规则,构建所述一级运行状态异常分析节点;
配置第一运行状态异常系数阈值和第二运行状态异常系数阈值,结合所述第一运行状态异常分析函数和所述第二运行状态异常分析函数,设定运行状态异常分析规则,构建所述一级运行状态异常分析节点,包括:
所述运行状态异常分析规则包括:
触发条件A1:当所述第一运行状态异常分析函数的输出值大于或等于所述第一运行状态异常系数阈值,生成异常标识添加进所述一级异常校验结果;
触发条件A2:当所述第一运行状态异常分析函数小于所述第一运行状态异常系数阈值,且所述第二运行状态异常分析函数的输出值大于或等于所述第二运行状态异常系数阈值,生成异常标识添加进所述一级异常校验结果;
触发条件A3:当所述第一运行状态异常分析函数小于所述第一运行状态异常系数阈值,且所述第二运行状态异常分析函数的输出值小于所述第二运行状态异常系数阈值,生成非异常标识添加进所述一级异常校验结果;
以所述运行参数离散点集为基准,构建二级运行状态异常分析节点,包括:
获得运行参数离散点集的第一状态属性离散点集;
基于所述第一状态属性离散点集,构建第一异常分析连续节点图,其中,任意一个节点部署所述第一状态属性离散点集的相同大小的记录值,且保证任意一个节点的记录值数量至少等于2;
将所述第一异常分析连续节点图添加进多个异常分析连续节点图,其中,所述多个异常分析连续节点图和状态属性一一对应;
配置异常分析规则,结合所述多个异常分析连续节点图,构建所述二级运行状态异常分析节点。
2.如权利要求1所述的方法,其特征在于,加载第一电厂设备的第一工作模式下的运行状态期望区间和运行参数离散点集,包括:
对所述第一电厂设备的所述第一工作模式进行正样本采集,生成运行状态记录事务集;
根据所述运行状态记录事务集,提取第一运行状态属性的运行状态记录值集合;
根据所述运行状态记录值集合,构建运行状态记录值箱线图;
基于所述运行状态记录值箱线图,提取箱体集中数据和箱线离散数据;
根据所述箱体集中数据,构建第一运行状态属性期望区间,添加进所述运行状态期望区间;
将所述箱线离散数据设为第一运行状态属性离散点集,添加进所述运行参数离散点集;
将所述运行状态期望区间和所述运行参数离散点集,和所述第一电厂设备的所述第一工作模式联立存储。
3.如权利要求2所述的方法,其特征在于,基于所述运行状态记录值箱线图,提取箱体集中数据和箱线离散数据,包括:
根据所述运行状态记录值箱线图,获得第一四分位记录值和第二四分位记录值,其中,所述第二四分位记录值大于或等于所述第一四分位记录值;
从所述运行状态记录值集合中,提取大于或等于所述第一四分位记录,且小于或等于所述第二四分位记录值的所述箱体集中数据;
根据所述运行状态记录值箱线图,获得箱线上限值和箱线下限值;
从所述运行状态记录值集合中,提取大于所述第二四分位记录值,且小于或等于所述箱线上限值的第一箱线离散数据;
从所述运行状态记录值集合中,提取小于所述第一四分位记录值,且大于或等于所述箱线下限值的第二箱线离散数据;
将所述第一箱线离散数据和所述第二箱线离散数据添加进所述箱线离散数据。
4.如权利要求1所述的方法,其特征在于,配置异常分析规则,结合所述多个异常分析连续节点图,构建所述二级运行状态异常分析节点,包括:
所述异常分析规则为:
当所述第一异常分析连续节点图的第k节点接收到第一属性监测状态值时,判断是否等于第k节点记录值;
若不等于,进入第k+1节点进行比对;
若等于,对所述第一属性监测状态值进行非异常标识;
若不等于,且所述第k节点为尾节点,对所述第一属性监测状态值进行异常标识;
当全部属性监测状态值的任意一个具有异常标识时,生成异常标识,添加进所述二级异常校验结果;
当全部属性监测状态值的异常标识数量等于0时,生成非异常标识,添加进所述二级异常校验结果。
5.一种智慧电厂AI主动运维***,其特征在于,用于实施权利要求1-4任意一项所述的一种智慧电厂AI主动运维方法,包括:
运行数据加载模块,所述运行数据加载模块用于基于预设数据库,加载第一电厂设备的第一工作模式下的运行状态期望区间和运行参数离散点集;
一级分析节点模块,所述一级分析节点模块用于以所述运行状态期望区间为基准,构建一级运行状态异常分析节点;
二级分析节点模块,所述一级分析节点模块用于以所述运行参数离散点集为基准,构建二级运行状态异常分析节点;
监测数据获取模块,所述监测数据获取模块用于通过底层感知组件,采集第一电厂设备的第一工作模式下的运行状态监测时序信息;
一级节点校验模块,所述一级节点校验模块用于激活所述一级运行状态异常分析节点对所述运行状态监测时序信息进行异常校验,生成一级异常校验结果;
一级结果异常模块,所述一级结果异常模块用于当所述一级异常校验结果具有异常标识,对所述第一电厂设备标识主动巡检标签,添加进主动运维设备列表,发送至电厂设备运维终端;
二级节点校验模块,所述二级节点校验模块用于当所述一级异常校验结果具有非异常标识,激活所述二级运行状态异常分析节点对所述运行状态监测时序信息进行异常校验,生成二级异常校验结果;
二级节点异常模块,所述二级节点异常模块用于当所述二级异常校验结果具有异常标识,对所述第一电厂设备标识主动巡检标签,添加进主动运维设备列表,发送至电厂设备运维终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410062978.4A CN117572837B (zh) | 2024-01-17 | 2024-01-17 | 一种智慧电厂ai主动运维方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410062978.4A CN117572837B (zh) | 2024-01-17 | 2024-01-17 | 一种智慧电厂ai主动运维方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117572837A CN117572837A (zh) | 2024-02-20 |
CN117572837B true CN117572837B (zh) | 2024-04-16 |
Family
ID=89862902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410062978.4A Active CN117572837B (zh) | 2024-01-17 | 2024-01-17 | 一种智慧电厂ai主动运维方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117572837B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117978628B (zh) * | 2024-03-29 | 2024-06-14 | 江苏芯宸信息***工程有限公司 | 一种基于智慧园区通信控制方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040038124A (ko) * | 2002-10-31 | 2004-05-08 | 한국전력공사 | 복합화력용 온라인 실시간 운전성능 감시 및 진단 시스템 |
WO2019233047A1 (zh) * | 2018-06-07 | 2019-12-12 | 国电南瑞科技股份有限公司 | 基于电网调度的运维方法 |
CN113657622A (zh) * | 2021-07-13 | 2021-11-16 | 国网河北省电力有限公司电力科学研究院 | 电力设备多维状态数据融合方法、装置、终端及存储介质 |
CN114048874A (zh) * | 2021-11-16 | 2022-02-15 | 西安热工研究院有限公司 | 一种用于智慧电厂总中运行的智慧监盘 |
CN117236934A (zh) * | 2023-11-01 | 2023-12-15 | 山东经纬信息集团有限公司 | 一种工业互联网远程监控运维管理***及其工作方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110088619A (zh) * | 2017-10-09 | 2019-08-02 | Bl科技有限责任公司 | 用于废水处理厂或饮用水厂的过程和资产健康诊断、异常检测和控制的智能***和方法 |
-
2024
- 2024-01-17 CN CN202410062978.4A patent/CN117572837B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040038124A (ko) * | 2002-10-31 | 2004-05-08 | 한국전력공사 | 복합화력용 온라인 실시간 운전성능 감시 및 진단 시스템 |
WO2019233047A1 (zh) * | 2018-06-07 | 2019-12-12 | 国电南瑞科技股份有限公司 | 基于电网调度的运维方法 |
CN113657622A (zh) * | 2021-07-13 | 2021-11-16 | 国网河北省电力有限公司电力科学研究院 | 电力设备多维状态数据融合方法、装置、终端及存储介质 |
CN114048874A (zh) * | 2021-11-16 | 2022-02-15 | 西安热工研究院有限公司 | 一种用于智慧电厂总中运行的智慧监盘 |
CN117236934A (zh) * | 2023-11-01 | 2023-12-15 | 山东经纬信息集团有限公司 | 一种工业互联网远程监控运维管理***及其工作方法 |
Non-Patent Citations (1)
Title |
---|
工控运维中基于语义分析的智能电网控制攻击防御;麻建中;胡凯波;於立峰;;中国电力(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117572837A (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117572837B (zh) | 一种智慧电厂ai主动运维方法及*** | |
CN105677791B (zh) | 用于分析风力发电机组的运行数据的方法和*** | |
CN111027615B (zh) | 基于机器学习的中间件故障预警方法和*** | |
CN111143438A (zh) | 一种基于流处理的车间现场数据实时监测与异常检测方法 | |
CN115170000A (zh) | 一种基于电能表通信模块的远程监测方法及*** | |
CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
CN115128345B (zh) | 一种基于谐波监测的电网安全预警方法及*** | |
CN117454283A (zh) | 一种用于风电机组运行检测数据的状态评估方法 | |
CN117436846B (zh) | 基于神经网络的设备预测性维护方法及*** | |
CN117368651B (zh) | 一种配电网故障综合分析***及方法 | |
CN117131364B (zh) | 一种滚动轴承的工艺检测集成方法及*** | |
CN117277566B (zh) | 基于大数据的电网数据分析电力调度***及方法 | |
CN113657747A (zh) | 一种企业安全生产标准化级别智能评定*** | |
CN113127464A (zh) | 农业大数据环境特征处理方法、装置及电子设备 | |
CN117110794A (zh) | 一种电缆故障智能诊断***及方法 | |
CN115469585B (zh) | 一种基于大数据的水电机组状态监测方法及*** | |
CN114492636B (zh) | 一种变压器绕组状态信号的采集*** | |
CN116738261A (zh) | 基于聚类分箱的数值型特征离散化归因分析方法及装置 | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、***、设备及介质 | |
CN115422821A (zh) | 用于岩体参数预测的数据处理方法和装置 | |
CN114518988A (zh) | 资源容量***及其控制方法和计算机可读存储介质 | |
CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 | |
CN113268552A (zh) | 一种基于局部敏感哈希的发电机设备隐患预警方法 | |
CN115408927B (zh) | 用于预测岩体参数的数据处理方法和装置 | |
CN116502070B (zh) | 一种微型风电机组状态智能监测*** |
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 |