CN117892085A - 一种用于新能源自控柜运行操作演示***及方法 - Google Patents
一种用于新能源自控柜运行操作演示***及方法 Download PDFInfo
- Publication number
- CN117892085A CN117892085A CN202410056579.7A CN202410056579A CN117892085A CN 117892085 A CN117892085 A CN 117892085A CN 202410056579 A CN202410056579 A CN 202410056579A CN 117892085 A CN117892085 A CN 117892085A
- Authority
- CN
- China
- Prior art keywords
- data
- control cabinet
- fault
- automatic control
- abnormal
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000002159 abnormal effect Effects 0.000 claims description 85
- 238000003062 neural network model Methods 0.000 claims description 19
- 238000012423 maintenance Methods 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 17
- 239000000203 mixture Substances 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 32
- 238000004590 computer program Methods 0.000 description 12
- 230000015654 memory Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009795 derivation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种用于新能源自控柜运行操作演示***及方法,属于演示用具领域,本发明根据设置的各功能组件的参数信息和历史设备运行数据,对各指标数据进行监测和输出,记录相应设备的运行数据,基于指标数据和相应设备的运行数据对自控柜的异常故障进行识别及报警,并进行故障场景识别,基于自控柜的异常故障识别和报警数据,代入解决方案导出策略中进行若干个解决方案的导出,将若干个解决方案和故障场景导入场景判断识别策略中进行最优解决方案的最终确定,基于场景数据和故障数据对最优解决方案进行准确快速获取,提高了快速准确进行故障检修的能力,提高了演示功能的完整性。
Description
技术领域
本发明属于演示用具技术领域,具体的说是一种用于新能源自控柜运行操作演示***及方法。
背景技术
随着计算机与网络技术的发展,机柜已经成为其重要的组成部分,数据中心的服务器、网络通信设备等IT设施,正在向着小型化、网络化、机架化的方向发展,机柜在其中起到的作用尤为重要,机柜是一种用于放置电器元件的辅助装置,可以对内部的电子元件进行有效的保护,并且具有很多有益的效果,机柜的种类一般分为服务器机柜、网络机柜、控制台机柜等;
例如在申请公开号为CN102930754A的中国专利中公开一种视频监控***演示与实训装置,包括设备柜和通过“几”字型支架安装在设备柜内的方位摄像机、半球摄像机、红外摄像机、枪式摄像机、液晶显示器和视频监控主机;全方位摄像机、半球摄像机、红外摄像机、枪式摄像机、液晶显示器均通过接线端子及导线与视频监控主机相连。设备柜在存放各设备终端的同时也可做为实训环境,不用拆卸即可直接进行***连接实训,也可将设备柜内的各设备终端方便地取出,安装于其它载体上进行实训;设备柜的透明玻璃门及内部的照明灯可保证在不打开柜门的情况下直观地显示出***的整体连接及运行状况;直观性好、操作方便。为高校电气及自动化类等专业开设智能化实训课提供了急需的设备,提高学生的动手能力;
同时例如在授权公告号为CN213935356U的中国专利中提供教学装置技术领域的一种适用于电动汽车高压安全教学的模拟实验装置,教学柜顶端设有教学面板和展示台;所述教学面板上设有绘刻的彩色高压***结构和电路原理图框和显示屏,所述教学面板内设有连接显示屏的电脑主机,所述电脑主机控制整个实验台运行,所述教学柜上还设有高压***元件和车辆***元件,高压***元件和车辆***元件按照原车电路连接,本实用新型的电动汽车高压安全教学实验台采用电脑显示屏展示与实物零件运行相结合体验式模拟实验方式,演示高压***安全原理、高压***的安全保护措施,学习操作高压***的测试和诊断,安全可靠、形象生动、实验体验性强,适合学校教学环境运用。
以上专利均存在本背景技术提出的问题:现有的新能源自控柜在进行运行操作的过程中,演示遇到故障时,有很多种故障的解决方案,无法根据场景数据和故障数据对最优解决方案进行准确快速获取,这样导致故障检修能力演示效果较差,为了解决这些问题,本申请设计了一种用于新能源自控柜运行操作演示***及方法。
发明内容
针对现有技术的不足,本发明提出了一种用于新能源自控柜运行操作演示***及方法,本发明根据实际的演示功能需要,打开自控柜的控制面板,启动自控柜的操作界面,登录相应账户并进入操作界面,打开操作界面中的参数配置界面,设置各功能组件的参数信息,并通过选择相应设备的控制界面控制各设备的运行情况,根据设置的各功能组件的参数信息和历史设备运行数据,对各指标数据进行监测和输出,记录相应设备的运行数据,基于指标数据和相应设备的运行数据对自控柜的异常故障进行识别及报警,并进行故障场景识别,基于自控柜的异常故障识别和报警数据,代入解决方案导出策略中进行若干个解决方案的导出,将若干个解决方案和故障场景导入场景判断识别策略中进行最优解决方案的最终确定,基于场景数据和故障数据对最优解决方案进行准确快速获取,提高了快速准确进行故障检修的能力,提高了演示功能的完整性。
为实现上述目的,本发明提供如下技术方案:
一种用于新能源自控柜运行操作演示方法,其包括以下具体步骤:
S1、根据实际的演示功能需要,打开自控柜的控制面板,启动自控柜的操作界面,登录相应账户并进入操作界面;
S2、根据实际的演示功能需要,打开操作界面中的参数配置界面,设置各功能组件的参数信息,并通过选择相应设备的控制界面控制各设备的运行情况;
S3、根据设置的各功能组件的参数信息和历史设备运行数据,对各指标数据进行监测和输出,记录相应设备的运行数据;
S4、基于指标数据和相应设备的运行数据对自控柜的异常故障进行识别及报警,并进行故障场景识别;
S5、基于自控柜的异常故障识别和报警数据,代入解决方案导出策略中进行若干个解决方案的导出;
S6、将若干个解决方案和故障场景导入场景判断识别策略中进行最优解决方案的最终确定。
具体的,所述S1包括以下具体步骤:
S11、根据需要选择需要演示的功能,根据选择的需要演示功能打开自控柜的控制面板,启动自控柜的相应操作界面;
S12、提取登录需要选择的演示功能的相应账户的次数和登录演示功能的总次数,计算登录需要选择的演示功能的相应账户的次数占登录演示功能的总次数的比例设为相应账号使用比例,并将各相应账号使用比例降序排列,提取各相应账号使用比例大于等于设定使用比例阈值的相应账号设为选择账号;
S13、使用者登录账号,识别登录账号是否在若干个选择账号中,若登录账号在若干个选择账号中,则进行登录,若登录账号不在若干个选择账号中,则选择该登录账号的关联账号提供给使用者登录,其中关联账号为登录账号的对应用户的在选择账号中的对应账号,这样避免了多账号使用者的账号登录错误,提高了账号登录的准确率。
具体的,所述S4的具体步骤如下:
S41、获取历史的指标数据、相应设备的运行数据和异常故障数据代码构建参数模型方程,将这些数据分为作为70%的系数训练集和30%的系数测试集;对参数模型方程进行参数训练构建输入为指标数据、相应设备的运行数据,输出为异常故障数据代码的神经网络模型,将70%的系数训练集输入神经网络模型进行训练,以得到初始神经网络模型,利用30%的系数测试集对初始神经网络模型进行测试,输出满足异常故障数据代码准确度的最优初始异常故障数据作为参数模型方程,其中,所述参数模型方程的输出策略公式为:其中/>为n+1层p项神经元输出,所述/>为第n层神经元i与n+1层p项神经元的连接权重,所述/>代表第n层神经元i,所述/>代表n+1层p项神经元的线性关系的偏倚,所述σ()代表Sigmoid激活函数,m为n层神经元的项数;
S42、实时获取指标数据和相应设备的运行数据,代入参数模型方程中进行自控柜异常故障代码的识别并输出自控柜异常故障类型,并进行异常故障代码的报警;
S43、提取故障场景位置的维护人员组成和维护人员信息,同时提取故障场景位置的环境数据,其中环境数据为和故障维修内容相关的外界环境数据,例如维护设备的最合适温度数据范围、最合适湿度数据范围。
具体的,所述S5中的解决方案导出策略的具体步骤为:
S51、提取识别到的自控柜异常故障类型数据,获取储存模组中储存的异常故障类型数据的解决方案数据、指标数据和相应设备的运行数据;
S52、将获取的历史解决方案数据对应的指标数据、相应设备的运行数据与本次自控柜异常故障类型的指标数据、相应设备的运行数据代入数据相差值计算公式中计算数据相差值,数据相差值的计算公式为:其中,c为指标数据和相应设备的运行数据集合中数据的总数,kj为历史解决方案数据对应的指标数据、相应设备的运行数据集合中第j个数据,/>为本次自控柜异常故障类型的指标数据、相应设备的运行数据集合中第j个数据,αj为指标数据和相应设备的运行数据集合中第j个数据的占比系数,其中,在此需要说明的是,这里的αj通过500名本领域计算人员打分,取平均获得;
S53、计算得到的数据相差值升序排列,取与本次自控柜异常故障类型的指标数据、相应设备的运行数据相差值最小的对应的若干个历史解决方案进行导出,将这些历史解决方案设为初始方案。
具体的,所述S6中的场景判断识别策略包括以下具体步骤:
S61、提取经过S53步骤提取的若干个初始方案,提取初始方案的对应的维护人员组成和维护人员信息、故障场景位置的环境数据,同时提取故障场景位置的维护人员组成和维护人员信息,同时提取故障场景位置的环境数据和计算得到的数据相差值;
S62、将经过S61提取的数据代入判断值计算公式中计算初始方案的判断值,其中m()为括号中集合的元素个数,A1为初始方案的对应的维护人员组成和维护人员信息、故障场景位置的环境数据构成的集合,A2为故障场景位置的维护人员组成和维护人员信息,同时提取故障场景位置的环境数据构成的集合;
S63、将得到的若干个初始方案的判断值降序排列,得到其中最大的判断值对应的初始方案,设为最优解决方案发布给维护人员,维护人员根据最优解决方案进行故障的排查。
具体的,一种用于新能源自控柜运行操作演示***,其基于上述一种用于新能源自控柜运行操作演示方法实现,其具体包括:登录模块、参数设置模块、运行数据检测模块、故障识别模块、场景识别模块、初始方案导出模块、最优解决方案确定模块和控制模块,所述登录模块用于根据实际的演示功能需要,打开自控柜的控制面板,启动自控柜的操作界面,登录相应账户并进入操作界面,所述参数设置模块用于根据实际的演示功能需要,打开操作界面中的参数配置界面,设置各功能组件的参数信息,并通过选择相应设备的控制界面控制各设备的运行情况,所述运行数据检测模块用于根据设置的各功能组件的参数信息和历史设备运行数据,对各指标数据进行监测和输出,记录相应设备的运行数据,所述故障识别模块用于基于指标数据和相应设备的运行数据对自控柜的异常故障进行识别及报警,所述控制模块用于控制登录模块、参数设置模块、运行数据检测模块、故障识别模块、场景识别模块、初始方案导出模块和最优解决方案确定模块的运行。
具体的,所述场景识别模块用于对故障场景识别,所述初始方案导出模块用于基于自控柜的异常故障识别和报警数据,代入解决方案导出策略中进行若干个初始方案的导出,所述最优解决方案确定模块用于将若干个初始方案和故障场景导入场景判断识别策略中进行最优解决方案的最终确定。
具体的,所述故障识别模块包括神经网络构建单元、异常故障代码输出单元和故障场景信息提取单元,所述神经网络构建单元用于构建输入为指标数据、相应设备的运行数据,输出为异常故障数据代码的神经网络模型,所述异常故障代码输出单元用于实时获取指标数据和相应设备的运行数据,代入参数模型方程中进行自控柜异常故障代码的识别并输出自控柜异常故障类型,所述故障场景信息提取单元用于提取故障场景位置的维护人员组成和维护人员信息,同时提取故障场景位置的环境数据。
具体的,所述解决方案导出模块包括数据提取单元、数据相差值计算单元和初始方案导出单元,所述数据提取单元用于提取识别到的自控柜异常故障类型数据,获取储存模组中储存的异常故障类型数据的解决方案数据、指标数据和相应设备的运行数据,所述数据相差值计算单元用于将获取的历史解决方案数据对应的指标数据、相应设备的运行数据与本次自控柜异常故障类型的指标数据、相应设备的运行数据代入数据相差值计算公式中计算数据相差值,所述初始方案导出单元用于将计算得到的数据相差值升序排列,取与本次自控柜异常故障类型的指标数据、相应设备的运行数据相差值最小的对应的若干个历史解决方案进行导出,将这些历史解决方案设为初始方案。
具体的,一种电子设备,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行上述的一种用于新能源自控柜运行操作演示方法。
具体的,一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行如上述的一种用于新能源自控柜运行操作演示方法。
与现有技术相比,本发明的有益效果是:
本发明根据实际的演示功能需要,打开自控柜的控制面板,启动自控柜的操作界面,登录相应账户并进入操作界面,打开操作界面中的参数配置界面,设置各功能组件的参数信息,并通过选择相应设备的控制界面控制各设备的运行情况,根据设置的各功能组件的参数信息和历史设备运行数据,对各指标数据进行监测和输出,记录相应设备的运行数据,基于指标数据和相应设备的运行数据对自控柜的异常故障进行识别及报警,并进行故障场景识别,基于自控柜的异常故障识别和报警数据,代入解决方案导出策略中进行若干个解决方案的导出,将若干个解决方案和故障场景导入场景判断识别策略中进行最优解决方案的最终确定,基于场景数据和故障数据对最优解决方案进行准确快速获取,提高了快速准确进行故障检修的能力,提高了演示功能的完整性。
附图说明
图1为本发明一种用于新能源自控柜运行操作演示方法流程示意图;
图2为本发明一种用于新能源自控柜运行操作演示***框架示意图;
图3为本发明一种用于新能源自控柜运行操作演示***的故障识别模块框架示意图;
图4为本发明一种用于新能源自控柜运行操作演示***解决方案导出模块的构架示意图。
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,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。
实施例1
请参阅图1,本发明提供的一种实施例:一种用于新能源自控柜运行操作演示方法,其包括以下具体步骤:
S1、根据实际的演示功能需要,打开自控柜的控制面板,启动自控柜的操作界面,登录相应账户并进入操作界面;
在本实施例中,S1包括以下具体步骤:
S11、根据选择的需要演示功能打开自控柜的控制面板,启动自控柜的相应操作界面;
S12、提取登录需要选择的演示功能的相应账户的次数和登录演示功能的总次数,计算登录需要选择的演示功能的相应账户的次数占登录演示功能的总次数的比例设为相应账号使用比例,并将各相应账号使用比例降序排列,提取各相应账号使用比例大于等于设定使用比例阈值的相应账号设为选择账号;
S13、使用者登录账号,识别登录账号是否在若干个选择账号中,若登录账号在若干个选择账号中,则进行登录,若登录账号不在若干个选择账号中,则选择该登录账号的关联账号提供给使用者登录,其中关联账号为登录账号的对应用户的在选择账号中的对应账号,这样避免了多账号使用者的账号登录错误,提高了账号登录的准确率;
S2、根据实际的演示功能需要,打开操作界面中的参数配置界面,设置各功能组件的参数信息,并通过选择相应设备的控制界面控制各设备的运行情况;
S3、根据设置的各功能组件的参数信息和历史设备运行数据,对各指标数据进行监测和输出,记录相应设备的运行数据;
S4、基于指标数据和相应设备的运行数据对自控柜的异常故障进行识别及报警,并进行故障场景识别;
在本实施例中,S4的具体步骤如下:
S41、获取历史的指标数据、相应设备的运行数据和异常故障数据代码构建参数模型方程,将这些数据分为作为70%的系数训练集和30%的系数测试集;对参数模型方程进行参数训练构建输入为指标数据、相应设备的运行数据,输出为异常故障数据代码的神经网络模型,将70%的系数训练集输入神经网络模型进行训练,以得到初始神经网络模型,利用30%的系数测试集对初始神经网络模型进行测试,输出满足异常故障数据代码准确度的最优初始异常故障数据作为参数模型方程,其中,参数模型方程的输出策略公式为:其中/>为n+1层p项神经元输出,/>为第n层神经元i与n+1层p项神经元的连接权重,/>代表第n层神经元i,/>代表n+1层p项神经元的线性关系的偏倚,σ()代表Sigmoid激活函数,m为n层神经元的项数;
在此通过代码实际解释如何进行神经网络模型的构建,请注意,对于具体的数据集、参数模型方程以及神经网络模型的细节,无法通过文字描述完成。编写这样一段完整的代码需要根据实际情况进行深入的了解和分析。以下是一个示例的代码,用来说明实现的思路:
1.导入所需的库:
#include<stdio.h>
#include<stdlib.h>
#include<math.h>
#include<time.h>
//其他所需的库
2.定义参数模型方程的输入和输出:
3.读取数据集:
4.划分训练集和测试集:
5.构建神经网络模型:
6.主函数
这只是一个简单的代码框架,具体的实现还需要根据数据集特点和所选用的神经网络模型进行进一步完善;
S42、实时获取指标数据和相应设备的运行数据,代入参数模型方程中进行自控柜异常故障代码的识别并输出自控柜异常故障类型,并进行异常故障代码的报警;
S43、提取故障场景位置的维护人员组成和维护人员信息,同时提取故障场景位置的环境数据,其中环境数据为和故障维修内容相关的外界环境数据,例如维护设备的最合适温度数据范围、最合适湿度数据范围;
S5、基于自控柜的异常故障识别和报警数据,代入解决方案导出策略中进行若干个解决方案的导出;
在本实施例中,S5中的解决方案导出策略的具体步骤为:
S51、提取识别到的自控柜异常故障类型数据,获取储存模组中储存的异常故障类型数据的解决方案数据、指标数据和相应设备的运行数据;
S52、将获取的历史解决方案数据对应的指标数据、相应设备的运行数据与本次自控柜异常故障类型的指标数据、相应设备的运行数据代入数据相差值计算公式中计算数据相差值,数据相差值的计算公式为:其中,c为指标数据和相应设备的运行数据集合中数据的总数,kj为历史解决方案数据对应的指标数据、相应设备的运行数据集合中第j个数据,/>为本次自控柜异常故障类型的指标数据、相应设备的运行数据集合中第j个数据,αj为指标数据和相应设备的运行数据集合中第j个数据的占比系数,其中,在此需要说明的是,这里的αj通过500名本领域计算人员打分,取平均获得;
S53、计算得到的数据相差值升序排列,取与本次自控柜异常故障类型的指标数据、相应设备的运行数据相差值最小的对应的若干个历史解决方案进行导出,将这些历史解决方案设为初始方案;
S6、将若干个解决方案和故障场景导入场景判断识别策略中进行最优解决方案的最终确定;
在本实施例中,S6中的场景判断识别策略包括以下具体步骤:
S61、提取经过S53步骤提取的若干个初始方案,提取初始方案的对应的维护人员组成和维护人员信息、故障场景位置的环境数据,同时提取故障场景位置的维护人员组成和维护人员信息,同时提取故障场景位置的环境数据和计算得到的数据相差值;
S62、将经过S61提取的数据代入判断值计算公式中计算初始方案的判断值,其中m()为括号中集合的元素个数,A1为初始方案的对应的维护人员组成和维护人员信息、故障场景位置的环境数据构成的集合,A2为故障场景位置的维护人员组成和维护人员信息,同时提取故障场景位置的环境数据构成的集合;
S63、将得到的若干个初始方案的判断值降序排列,得到其中最大的判断值对应的初始方案,设为最优解决方案发布给维护人员,维护人员根据最优解决方案进行故障的排查。
通过本实施例能够实现:根据实际的演示功能需要,打开自控柜的控制面板,启动自控柜的操作界面,登录相应账户并进入操作界面,打开操作界面中的参数配置界面,设置各功能组件的参数信息,并通过选择相应设备的控制界面控制各设备的运行情况,根据设置的各功能组件的参数信息和历史设备运行数据,对各指标数据进行监测和输出,记录相应设备的运行数据,基于指标数据和相应设备的运行数据对自控柜的异常故障进行识别及报警,并进行故障场景识别,基于自控柜的异常故障识别和报警数据,代入解决方案导出策略中进行若干个解决方案的导出,将若干个解决方案和故障场景导入场景判断识别策略中进行最优解决方案的最终确定,基于场景数据和故障数据对最优解决方案进行准确快速获取,提高了快速准确进行故障检修的能力,提高了演示功能的完整性。
实施例2
如图2-4所示,一种用于新能源自控柜运行操作演示***,其基于上述一种用于新能源自控柜运行操作演示方法实现,其具体包括:登录模块、参数设置模块、运行数据检测模块、故障识别模块、场景识别模块、初始方案导出模块、最优解决方案确定模块和控制模块,登录模块用于根据实际的演示功能需要,打开自控柜的控制面板,启动自控柜的操作界面,登录相应账户并进入操作界面,参数设置模块用于根据实际的演示功能需要,打开操作界面中的参数配置界面,设置各功能组件的参数信息,并通过选择相应设备的控制界面控制各设备的运行情况,运行数据检测模块用于根据设置的各功能组件的参数信息和历史设备运行数据,对各指标数据进行监测和输出,记录相应设备的运行数据,故障识别模块用于基于指标数据和相应设备的运行数据对自控柜的异常故障进行识别及报警,控制模块用于控制登录模块、参数设置模块、运行数据检测模块、故障识别模块、场景识别模块、初始方案导出模块和最优解决方案确定模块的运行。
在本实施例中,场景识别模块用于对故障场景识别,初始方案导出模块用于基于自控柜的异常故障识别和报警数据,代入解决方案导出策略中进行若干个初始方案的导出,最优解决方案确定模块用于将若干个初始方案和故障场景导入场景判断识别策略中进行最优解决方案的最终确定。
在本实施例中,故障识别模块包括神经网络构建单元、异常故障代码输出单元和故障场景信息提取单元,神经网络构建单元用于构建输入为指标数据、相应设备的运行数据,输出为异常故障数据代码的神经网络模型,异常故障代码输出单元用于实时获取指标数据和相应设备的运行数据,代入参数模型方程中进行自控柜异常故障代码的识别并输出自控柜异常故障类型,故障场景信息提取单元用于提取故障场景位置的维护人员组成和维护人员信息,同时提取故障场景位置的环境数据。
在本实施例中,解决方案导出模块包括数据提取单元、数据相差值计算单元和初始方案导出单元,数据提取单元用于提取识别到的自控柜异常故障类型数据,获取储存模组中储存的异常故障类型数据的解决方案数据、指标数据和相应设备的运行数据,数据相差值计算单元用于将获取的历史解决方案数据对应的指标数据、相应设备的运行数据与本次自控柜异常故障类型的指标数据、相应设备的运行数据代入数据相差值计算公式中计算数据相差值,初始方案导出单元用于将计算得到的数据相差值升序排列,取与本次自控柜异常故障类型的指标数据、相应设备的运行数据相差值最小的对应的若干个历史解决方案进行导出,将这些历史解决方案设为初始方案。
实施例3
本实施例提供一种电子设备,包括:处理器和存储器,其中,存储器中存储有可供处理器调用的计算机程序;
处理器通过调用存储器中存储的计算机程序,执行上述的一种用于新能源自控柜运行操作演示方法。
该电子设备可因配置或性能不同而产生比较大的差异,能够包括一个或一个以上的处理器(Central Processing Units,CPU)和一个或一个以上的存储器,其中,该存储器中存储有至少一条计算机程序,该计算机程序由该处理器加载并执行以实现上述方法实施例提供的一种用于新能源自控柜运行操作演示方法。该电子设备还能够包括其他用于实现设备功能的部件,例如,该电子设备还能够具有有线或无线网络接口以及输入输出接口等部件,以便进行数据的输入输出。本实施例在此不做赘述。
实施例4
本实施例提出一种计算机可读存储介质,其上存储有可擦写的计算机程序;
当计算机程序在计算机设备上运行时,使得计算机设备执行上述的一种用于新能源自控柜运行操作演示方法。
例如,计算机可读存储介质能够是只读存储器(Read-Only Memory,简称:ROM)、随机存取存储器(Random Access Memory,简称:RAM)、只读光盘(Compact Disc Read-OnlyMemory,简称:CD-ROM)、磁带、软盘和光数据存储设备等。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
应理解,根据A确定B并不意味着仅仅根据A确定B,还能够根据A和/或其它信息确定B。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行计算机指令或计算机程序时,全部或部分地产生按照本发明实施例的流程或功能。计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或/和无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到,结合本发明中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可做很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种用于新能源自控柜运行操作演示方法,其特征在于,其包括以下具体步骤:
S1、根据实际的演示功能需要,打开自控柜的控制面板,启动自控柜的操作界面,登录相应账户并进入操作界面;
S2、根据实际的演示功能需要,打开操作界面中的参数配置界面,设置各功能组件的参数信息,并通过选择相应设备的控制界面控制各设备的运行情况;
S3、根据设置的各功能组件的参数信息和历史设备运行数据,对各指标数据进行监测和输出,记录相应设备的运行数据;
S4、基于指标数据和相应设备的运行数据对自控柜的异常故障进行识别及报警,并进行故障场景识别;
S5、基于自控柜的异常故障识别和报警数据,代入解决方案导出策略中进行若干个解决方案的导出;
S6、将若干个解决方案和故障场景导入场景判断识别策略中进行最优解决方案的最终确定。
2.如权利要求1所述的一种用于新能源自控柜运行操作演示方法,其特征在于,所述S1包括以下具体步骤:
S11、根据需要选择需要演示的功能,根据选择的需要演示功能打开自控柜的控制面板,启动自控柜的相应操作界面;
S12、提取登录需要选择的演示功能的相应账户的次数和登录演示功能的总次数,计算登录需要选择的演示功能的相应账户的次数占登录演示功能的总次数的比例设为相应账号使用比例,并将各相应账号使用比例降序排列,提取各相应账号使用比例大于等于设定使用比例阈值的相应账号设为选择账号;
S13、使用者登录账号,识别登录账号是否在若干个选择账号中,若登录账号在若干个选择账号中,则进行登录,若登录账号不在若干个选择账号中,则选择该登录账号的关联账号提供给使用者登录,其中关联账号为登录账号的对应用户的在选择账号中的对应账号。
3.如权利要求2所述的一种用于新能源自控柜运行操作演示方法,其特征在于,所述S4的具体步骤如下:
S41、获取历史的指标数据、相应设备的运行数据和异常故障数据代码构建参数模型方程,将这些数据分为作为70%的系数训练集和30%的系数测试集;对参数模型方程进行参数训练构建输入为指标数据、相应设备的运行数据,输出为异常故障数据代码的神经网络模型,将70%的系数训练集输入神经网络模型进行训练,以得到初始神经网络模型,利用30%的系数测试集对初始神经网络模型进行测试,输出满足异常故障数据代码准确度的最优初始异常故障数据作为参数模型方程,其中,所述参数模型方程的输出策略公式为:其中/>为n+1层p项神经元输出,所述/>为第n层神经元i与n+1层p项神经元的连接权重,所述/>代表第n层神经元i,所述/>代表n+1层p项神经元的线性关系的偏倚,所述σ()代表Sigmoid激活函数,m为n层神经元的项数。
4.如权利要求3所述的一种用于新能源自控柜运行操作演示方法,其特征在于,所述S4的具体步骤还包括:
S42、实时获取指标数据和相应设备的运行数据,代入参数模型方程中进行自控柜异常故障代码的识别并输出自控柜异常故障类型,并进行异常故障代码的报警;
S43、提取故障场景位置的维护人员组成和维护人员信息,同时提取故障场景位置的环境数据,其中环境数据为和故障维修内容相关的外界环境数据。
5.如权利要求4所述的一种用于新能源自控柜运行操作演示方法,其特征在于,所述S5中的解决方案导出策略的具体步骤为:
S51、提取识别到的自控柜异常故障类型数据,获取储存模组中储存的异常故障类型数据的解决方案数据、指标数据和相应设备的运行数据;
S52、将获取的历史解决方案数据对应的指标数据、相应设备的运行数据与本次自控柜异常故障类型的指标数据、相应设备的运行数据代入数据相差值计算公式中计算数据相差值,数据相差值的计算公式为:其中,c为指标数据和相应设备的运行数据集合中数据的总数,kj为历史解决方案数据对应的指标数据、相应设备的运行数据集合中第j个数据,/>为本次自控柜异常故障类型的指标数据、相应设备的运行数据集合中第j个数据,αj为指标数据和相应设备的运行数据集合中第j个数据的占比系数,其中,
S53、计算得到的数据相差值升序排列,取与本次自控柜异常故障类型的指标数据、相应设备的运行数据相差值最小的对应的若干个历史解决方案进行导出,将这些历史解决方案设为初始方案。
6.如权利要求5所述的一种用于新能源自控柜运行操作演示方法,其特征在于,所述S6中的场景判断识别策略包括以下具体步骤:
S61、提取经过S53步骤提取的若干个初始方案,提取初始方案的对应的维护人员组成和维护人员信息、故障场景位置的环境数据,同时提取故障场景位置的维护人员组成和维护人员信息,同时提取故障场景位置的环境数据和计算得到的数据相差值;
S62、将经过S61提取的数据代入判断值计算公式中计算初始方案的判断值,其中m()为括号中集合的元素个数,A1为初始方案的对应的维护人员组成和维护人员信息、故障场景位置的环境数据构成的集合,A2为故障场景位置的维护人员组成和维护人员信息,同时提取故障场景位置的环境数据构成的集合;
S63、将得到的若干个初始方案的判断值降序排列,得到其中最大的判断值对应的初始方案,设为最优解决方案发布给维护人员,维护人员根据最优解决方案进行故障的排查。
7.一种用于新能源自控柜运行操作演示***,其基于如权利要求1-6任一项的所述一种用于新能源自控柜运行操作演示方法实现,其特征在于,其具体包括:登录模块、参数设置模块、运行数据检测模块、故障识别模块、场景识别模块、初始方案导出模块和最优解决方案确定模块,所述登录模块用于根据实际的演示功能需要,打开自控柜的控制面板,启动自控柜的操作界面,登录相应账户并进入操作界面,所述参数设置模块用于根据实际的演示功能需要,打开操作界面中的参数配置界面,设置各功能组件的参数信息,并通过选择相应设备的控制界面控制各设备的运行情况,所述运行数据检测模块用于根据设置的各功能组件的参数信息和历史设备运行数据,对各指标数据进行监测和输出,记录相应设备的运行数据,所述故障识别模块用于基于指标数据和相应设备的运行数据对自控柜的异常故障进行识别及报警。
8.如权利要求7所述的一种用于新能源自控柜运行操作演示***,其特征在于,所述场景识别模块用于对故障场景识别,所述初始方案导出模块用于基于自控柜的异常故障识别和报警数据,代入解决方案导出策略中进行若干个初始方案的导出,所述最优解决方案确定模块用于将若干个初始方案和故障场景导入场景判断识别策略中进行最优解决方案的最终确定。
9.如权利要求8所述的一种用于新能源自控柜运行操作演示***,其特征在于,所述故障识别模块包括神经网络构建单元、异常故障代码输出单元和故障场景信息提取单元,所述神经网络构建单元用于构建输入为指标数据、相应设备的运行数据,输出为异常故障数据代码的神经网络模型,所述异常故障代码输出单元用于实时获取指标数据和相应设备的运行数据,代入参数模型方程中进行自控柜异常故障代码的识别并输出自控柜异常故障类型,所述故障场景信息提取单元用于提取故障场景位置的维护人员组成和维护人员信息,同时提取故障场景位置的环境数据。
10.如权利要求9中所述的一种用于新能源自控柜运行操作演示***,其特征在于,所述解决方案导出模块包括数据提取单元、数据相差值计算单元和初始方案导出单元,所述数据提取单元用于提取识别到的自控柜异常故障类型数据,获取储存模组中储存的异常故障类型数据的解决方案数据、指标数据和相应设备的运行数据,所述数据相差值计算单元用于将获取的历史解决方案数据对应的指标数据、相应设备的运行数据与本次自控柜异常故障类型的指标数据、相应设备的运行数据代入数据相差值计算公式中计算数据相差值,所述初始方案导出单元用于将计算得到的数据相差值升序排列,取与本次自控柜异常故障类型的指标数据、相应设备的运行数据相差值最小的对应的若干个历史解决方案进行导出,将这些历史解决方案设为初始方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410056579.7A CN117892085A (zh) | 2024-01-15 | 2024-01-15 | 一种用于新能源自控柜运行操作演示***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410056579.7A CN117892085A (zh) | 2024-01-15 | 2024-01-15 | 一种用于新能源自控柜运行操作演示***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117892085A true CN117892085A (zh) | 2024-04-16 |
Family
ID=90642341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410056579.7A Pending CN117892085A (zh) | 2024-01-15 | 2024-01-15 | 一种用于新能源自控柜运行操作演示***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117892085A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860900A (zh) * | 2020-08-14 | 2020-10-30 | 中国能源建设集团广东省电力设计研究院有限公司 | 基于bim的数字孪生智慧机房管理方法、装置、设备及介质 |
WO2022048168A1 (zh) * | 2020-09-03 | 2022-03-10 | 上海上讯信息技术股份有限公司 | 一种用于故障预测神经网络模型的训练方法与设备 |
CN116778836A (zh) * | 2023-06-06 | 2023-09-19 | 西安诺瓦星云科技股份有限公司 | 显示***的信息监控方法、***、装置和存储介质 |
CN116827764A (zh) * | 2023-08-23 | 2023-09-29 | 山西绿柳科技有限公司 | 一种基于神经网络的物联网故障检测控制方法及*** |
CN117310353A (zh) * | 2023-11-30 | 2023-12-29 | 淮安苏达电气有限公司 | 一种变电站一、二次回路通流加压故障测试方法及*** |
-
2024
- 2024-01-15 CN CN202410056579.7A patent/CN117892085A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860900A (zh) * | 2020-08-14 | 2020-10-30 | 中国能源建设集团广东省电力设计研究院有限公司 | 基于bim的数字孪生智慧机房管理方法、装置、设备及介质 |
WO2022048168A1 (zh) * | 2020-09-03 | 2022-03-10 | 上海上讯信息技术股份有限公司 | 一种用于故障预测神经网络模型的训练方法与设备 |
CN116778836A (zh) * | 2023-06-06 | 2023-09-19 | 西安诺瓦星云科技股份有限公司 | 显示***的信息监控方法、***、装置和存储介质 |
CN116827764A (zh) * | 2023-08-23 | 2023-09-29 | 山西绿柳科技有限公司 | 一种基于神经网络的物联网故障检测控制方法及*** |
CN117310353A (zh) * | 2023-11-30 | 2023-12-29 | 淮安苏达电气有限公司 | 一种变电站一、二次回路通流加压故障测试方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1097760C (zh) | 用于技术设备的过程数据的分析方法 | |
CN110223477B (zh) | 一种实验室火灾***预警方法及其*** | |
CN109560610A (zh) | 一种变电站视频及环境监控*** | |
CN107612938A (zh) | 一种网络用户异常行为检测方法、装置、设备及存储介质 | |
CN108764047A (zh) | 群体情绪行为分析方法和装置、电子设备、介质、产品 | |
CN1157661A (zh) | 工业设备的监测*** | |
CN117310353B (zh) | 一种变电站一、二次回路通流加压故障测试方法及*** | |
CN110379036A (zh) | 变电站智能巡检识别方法、***、装置及存储介质 | |
CN108266219A (zh) | 基于风量特征的矿井通风***阻变型单故障源诊断方法 | |
CN113470288A (zh) | 一种电厂用声光报警*** | |
CN114298558B (zh) | 电力网络安全研判***及其研判方法 | |
CN113268870B (zh) | 一种基于蒙特卡洛的室外环境条件下图像识别可靠性评估方法 | |
CN114743089A (zh) | 一种基于ssa-svm的图像识别gis故障诊断装置及方法 | |
CN117892085A (zh) | 一种用于新能源自控柜运行操作演示***及方法 | |
CN116796261B (zh) | 一种基于人工智能的封闭开关设备机械特性预测方法 | |
CN115965625B (zh) | 一种基于视觉识别的仪表检测装置及其检测方法 | |
CN112508143A (zh) | 一种智慧住房管理装置和方法 | |
CN116720098A (zh) | 一种异常行为敏感的学生行为时序建模及学业预警方法 | |
CN112104507B (zh) | 发电企业网络安全的监测方法、***、设备及介质 | |
CN112347889B (zh) | 一种变电站作业行为辨识方法及装置 | |
CN114490829A (zh) | 一种故障识别方法、装置、设备及存储介质 | |
Zhu | [Retracted] Research on Education Teaching Quality Analysis Based on the Neural Network Model | |
CN112510699A (zh) | 一种基于大数据的变电站二次设备状态分析方法及设备 | |
CN209821917U (zh) | 一种应用于数据运维室的安全检测装置 | |
CN109974765B (zh) | 一种自动测试***用智能助手 |
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 |