CN117996966A - 一种基于优化算法的电力屏柜的智慧管理方法及*** - Google Patents
一种基于优化算法的电力屏柜的智慧管理方法及*** Download PDFInfo
- Publication number
- CN117996966A CN117996966A CN202410396420.XA CN202410396420A CN117996966A CN 117996966 A CN117996966 A CN 117996966A CN 202410396420 A CN202410396420 A CN 202410396420A CN 117996966 A CN117996966 A CN 117996966A
- Authority
- CN
- China
- Prior art keywords
- data
- power
- screen cabinet
- power screen
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 52
- 238000007726 management method Methods 0.000 title claims abstract description 46
- 238000004891 communication Methods 0.000 claims abstract description 82
- 230000005540 biological transmission Effects 0.000 claims abstract description 44
- 238000009826 distribution Methods 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims description 35
- 238000012423 maintenance Methods 0.000 claims description 30
- 238000007689 inspection Methods 0.000 claims description 28
- 230000007613 environmental effect Effects 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000003891 environmental analysis Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 238000003860 storage Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013527 convolutional neural network 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
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003631 expected effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000010960 cold rolled steel Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000005493 welding type Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于优化算法的电力屏柜的智慧管理方法及***,涉及电力屏柜管理技术领域,使用训练后的通信质量预测模型对传输时段内的通信能力进行预测,获取预测数据并构建通信预测数据集合;从若干个连续的子时段内框选出目标时段,在目标时段内将采集到的电力设备的运行状态数据发出;预测获取的电力设备运行数据生成运行状态系数,由运行状态系数配合,在分布区域内筛选出目标电力屏柜;由各个目标电力屏柜的检查优先度结合其位置,依次对各个电力设备进行检查,并依据获取的检测数据,对电力设备的运行状态进行优化。对待优化的目标电力屏柜及电力设备进行优化,对电力设备当前的运行状态进行调整和改善,提高电力设备的运行效率。
Description
技术领域
本发明涉及电力屏柜管理技术领域,具体为一种基于优化算法的电力屏柜的智慧管理方法及***。
背景技术
电力屏柜是一种用于电力行业的重要设备,主要用于安装、固定和保护电力设备。它通常由优质冷轧钢板制成,具有框架焊接式结构,外形美观,结构牢靠。电力屏柜的宽度通常扩大到800mm,使得柜内设备舱更加宽敞,便于设备的安装和维护。电力屏柜是电力行业中不可或缺的重要设备,其结构设计、布线工艺和运维管理等方面都需要不断优化和改进,以确保设备的正常运行和电力***的安全稳定。
申请公布号为CN117254594A的中国发明专利中,公开了一种用于数字一体化智能环网柜运行管理***,包括监测***,所述监测***的输出端和分配***的输入端电性连接,所述分配***的输出端和管理***的输入端电性连接。通过物理监测模块对环网柜的柜体表面进行监测,数据监测模块对数据进行监测,巡检监测模块对巡检人员进行巡检记录核销处理,保证巡检人员定期巡检,配合故障检测模块对故障问题进行检测处理分析操作,故障报修模块将故障问题和故障时间进行记录报修处理,处理方案模块对故障问题进行处理方案的筛选优化,从而使人工定期巡检工作量减少,能够做到及时发现故障征兆,避免错过最佳处理时机,保证了检修的时效性。
结合以上申请及现有的技术内容:在电力屏柜内的电力设备,为了保持电力设备良好的运行状态,需要及时地对电力设备的运行状态进行控制和调整,但是由于电力屏柜通常安装于室外,少部分安装在室内,电力屏柜内的电力设备的运行状态会受到环境条件的干扰,例如,环境内的温度及湿度等,若电力屏柜内处于湿度较高的环境下,电力设备表面甚至内部的元器件都存在被雨水腐蚀的可能,这会导致电力设备的运行状态会逐渐恶化,现有的对电力屏柜进行管理方法中,通常是对电力设备的运行状态参数进行实时监控,然后依据实时监控数据判断电力屏柜内的电力设备是否存在故障,若是存在故障,则发出故障维护指令,这种管理方法及时性较高,但是这种管理方式不具备前瞻性,若处理得不及时,会对当前的电力设备工作状态形成一定的负面影响,而且,若是在电力屏柜的所处的环境条件产生较大的变化时,接收到的电力设备故障维护指令较多,在需要同时对多个电力设备进行维护时,若不能进行有效的安排,仍可能会影响整体的维护效率。
为此,本发明提供了一种基于优化算法的电力屏柜的智慧管理方法及***。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于优化算法的电力屏柜的智慧管理方法及***,通过从若干个连续的子时段内框选出目标时段,在目标时段内将采集到的电力设备的运行状态数据发出;由预测获取的电力设备运行数据生成运行状态系数,由运行状态系数配合,在分布区域内筛选出目标电力屏柜;由各个目标电力屏柜检查优先度结合其位置,使用路径规划算法获取维护路径,依次对各个柜体设备进行检查,并依据获取的检测数据,对电力设备的运行状态进行优化。对待优化的目标电力屏柜及电力设备进行优化,对电力设备当前的运行状态进行调整和改善,从而解决了背景技术中提出的技术问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种基于优化算法的电力屏柜的智慧管理方法,包括,在分布区域内对电力屏柜的运行状态进行监控,并由获取的监控数据构建环境分析数据集合,并生成环境条件值对相应的电力屏柜进行标记,进而计算监控区域内的条件异常度/>;
若获取的条件异常度超过异常阈值,向外部发出优化指令,其中,以环境条件值对各个电力屏柜进行标记,并计算分布区域内的条件异常度/>,方式如下:
其中,/>,/>为电力屏柜的数量;/>为第/>个电力屏柜的环境条件值,/>为环境条件值的均值;其中,分别获取温度及湿度在子周期内的均值及标准差,以其均值与标准差的比值作为湿度稳定度及温度稳定度;
对电力屏柜内电力设备的运行状态数据进行采集,并使用训练后的通信质量预测模型对传输时段内的通信能力进行预测,获取预测数据并构建通信预测数据集合;
由构建的通信质量系数从若干个连续的子时段内框选出目标时段,在目标时段内将采集到的电力设备的运行状态数据发出;
使用柜体设备运行数字孪生模型对电力设备的运行状态进行预测,并由预测获取的电力设备运行数据生成运行状态系数,由运行状态系数/>配合,在分布区域内筛选出目标电力屏柜;
由各个目标电力屏柜的检查优先度结合其位置信息,使用路径规划算法获取维护路径,依据维护路径依次对各个电力屏柜进行检查,并依据获取的检测数据对柜体设备的运行状态进行优化。
进一步的,构建覆盖分布区域的电子地图,于采集节点处对电力屏柜运行环境进行监控,将若干个电力屏柜的湿度稳定度及温度稳定度汇总,构建环境分析数据集合;由环境分析数据集合生成环境条件值,方式如下:对湿度稳定度/>及温度稳定度/>做线性归一化处理,并将相应的数据值映射至区间/>内,依据如下方式:
其中,/>,/>为子周期的总数,权重系数:,/>,且/>;/>为湿度稳定度的标准参考值,/>为温度稳定度的标准参考值。
进一步的,接收到优化指令后,对电力屏柜内电力设备的运行状态数据进行采集,将采集的数据汇总构建柜体设备的运行参数集合;在电力设备与外部发生数据通信时,对电力设备的数据传输状态进行监控,并获取相应的通信状态数据;
预估采集数据全部发送完毕的发送耗时,将长于发送耗时的预留时段分割为若干个子时段,使若干个连续的子时段拼接形成传输时段,传输时段长于发送耗时;采集电力设备当前的数据传输数据作为样本数据,由样本数据训练获取通信质量预测模型。
进一步的,由通信预测数据集合内的预测数据构建通信质量系数,在获取到各个子时段内的通信质量系数/>后,对若干个子时段进行平滑,将平滑获取的传输时段确定为目标时段,使目标时段内各个子时段的通信质量系数/>超过通信质量阈值;
通信质量系数的生成方式如下:对获取的信噪比/>及数据通信的延迟/>做线性归一化处理,并将相应的数据值映射至区间/>内,依照如下公式:
其中,权重系数,/>,/>。
进一步的,接收到采集的数据后,对数据进行对采集的数据进行预处理,获取预处理数据集合;依据当前的数据发送状态,构建数据接收的密集度,若获取的密集度/>超过密度阈值,对最近一个目标时段内接收的数据进行备份;
具体方式如下:
其中,/>为数据接收的次数,/>是第/>次数据接收与第/>次数据接收间的数据量差,/>为数据量差值的平均值。
进一步的,训练并建立柜体设备运行数字孪生模型,使用柜体设备运行数字孪生模型对电力设备的运行状态进行预测,获取一个预测周期内的预测数据,构建柜体设备预测数据集合;由柜体设备预测数据集合内的电力设备运行数据生成运行状态系数;
若运行状态系数低于运行阈值,将对应的电力屏柜确定为低状态柜体;将监控区域分割为若干个子区,在各个子区域内随机抽取一个电力屏柜作为抽样柜体,将低状态柜体设备与抽样柜体设备汇总作为目标电力屏柜后并发出检修指令。
进一步的,运行状态系数的生成方式如下:对谐波失真比例/>及功率因数/>做线性归一化处理后,相应的数据值映射至区间/>内,依照如下公式:
其中,权重系数,/>,/> ,且/>,/>为电力设备在各个预测子周期谐波失真比例的均值,/>为谐波失真比例的合格标准值;/>为电力设备在各个预测子周期内功率因数的均值,/>为功率因数的合格标准值。
进一步的,将目标电力屏柜在电子地图上标记,为各个目标电力屏柜计算检查优先度,由检查优先度/>对各个目标电力屏柜进行标记;其方式如下:
其中,/>,/>为目标电力屏柜个数;权重系数:/>,/>且/>;/>为运行状态系数的参考标准值,/>为条件异常度的参考标准值。
进一步的,使用路径规划算法训练获取路径规划模型,结合各个目标电力屏柜的检查优先度及目标电力屏柜的位置,为目标电力屏柜规划出维护路径,以维护路径作为检查顺序,对各个目标电力屏柜的运行状态检测,并将检测数据汇总生成检测数据集合;对检测数据进行识别并获取相应的优化特征,使用训练后的优化模型,依据优化特征对电力设备的运行参数进行优化,并获取优化后的运行参数。
一种基于优化算法的电力屏柜的智慧管理***,包括:
柜体设备监控单元,在分布区域内对电力屏柜的运行状态进行监控,并由获取的监控数据构建环境分析数据集合,并生成环境条件值对相应的电力屏柜进行标记,进而计算监控区域内的条件异常度/>,若获取的条件异常度/>超过异常阈值,发出优化指令;
通信状态预测单元,对电力屏柜内电力设备的运行状态数据进行采集,并使用训练后的通信质量预测模型对传输时段内的通信能力进行预测,获取预测数据并构建通信预测数据集合;
时段筛选单元,由构建的通信质量系数从若干个连续的子时段内框选出目标时段,在目标时段内将采集到的电力设备的运行状态数据发出;
柜体设备筛选单元,使用柜体设备运行数字孪生模型对电力设备的运行状态进行预测,并由预测获取的电力设备运行数据生成运行状态系数,由运行状态系数/>配合,在分布区域内筛选出目标电力屏柜;
路径规划单元,由各个目标电力屏柜的检查优先度结合其位置,使用路径规划算法获取维护路径,依据维护路径依次对各个电力屏柜进行检查,并依据获取的检测数据,对电力设备的运行状态进行优化。
(三)有益效果
本发明提供了一种基于优化算法的电力屏柜的智慧管理方法及***,具备以下有益效果:
1、依据条件异常度能够在整体上对若干个电力屏柜所处的环境条件进行综合评估,若电力屏柜所处的环境条件存在一定的异常,则需要先对环境条件进行调整,通过改善其运行的环境条件来对电力设备的运行状态进行实现调整和修正,若是仍难以起到预期的效果,则需要对电力设备的运行参数进行调整,对电力设备的运行进行管理和优化,减少电力设备的电量消耗和电力设备自身的折旧。
2、对当前的数据通信状态进行监测和预测,获取各个子时段内的通信状态数据,依据各个子时段内的通信质量,确定当前时间段内是否满足数据发送条件,若是满足条件,在当前通信质量较佳时,则可以对数据进行发送,从而能够使数据快速完成发送,减少数据的丢失。通过对若干个子时段进行平滑和选择,在筛选出通信质量能够满足数据发送数据条件时,对采集到的数据进行发送,使数据能够有较佳的发送效果;
3、对接收到数据进行备份处理,通过将数据备份至云端,能够避免数据的丢失和泄露,对数据安全性形成保障;通过将数据备份及数据发送过程区分开,能够减少数据发送时的负担,减少数据通信通道的占用。
4、依据获取的运行状态系数可以对电力设备的运行状态进行综合预估和评价,并从中筛选出部分运行状态较差的作为低状态柜体,能够针对性地进行检查和维护,通过提前对电力屏柜进行提前感知提前处理,避免电力设备运行状态进一步恶化,进而引起更为严重的运行故障;在各个子区域内选择抽样柜体设备,在实现针对性检查之外实现抽样检查,能够对电力屏柜的状态检查覆盖面更广,避免产生遗漏。
5、构建检查优先度,在存在若干个目标电力屏柜的基础上,确定出对各个目标电力屏柜的优先程度,通过依次对各个目标电力屏柜进行检查和维护,优先对其中运行状态最差的严重部分进行处理,可以避免部分运行状态较差的部分进一步的恶化,降低柜体设备的运行风险。
6、使用训练后的路径规划算法结合各个电力屏柜的检查优先度给出维护路径,依据维护路径有序地对各个柜体设备及电力设备进行检查和维护时,可以提高维护的效率。依据预先构建的优化标准来获取若干个优化特征,此时,依据已经构建的优化模型对待优化的目标电力屏柜及电力设备进行优化,对电力设备当前的运行状态进行调整和改善,提高电力设备的运行效率。
附图说明
图1为本发明电力屏柜的智慧管理方法流程示意图;
图2为本发明电力屏柜的智慧管理***结构示意图。
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,本发明提供一种基于优化算法的电力屏柜的智慧管理方法,包括:
步骤一、在分布区域内对电力屏柜的运行状态进行监控,并由获取的监控数据构建环境分析数据集合,并生成环境条件值对相应的电力屏柜进行标记,进而计算监控区域内的条件异常度/>,若获取的条件异常度/>超过异常阈值,向外部发出优化指令;
所述步骤一包括如下内容:
步骤101、在确定电力屏柜的分布区域后,构建覆盖分布区域的电子地图,将各个电力屏柜的位置在电子地图上标记;对电力屏柜的运行环境进行监测,包括:设置子周期,在子周期内包括若干个等间隔的采集节点,于采集节点处对电力屏柜运行环境进行监控,包括电力屏柜表面的温度及湿度,分别获取温度及湿度在子周期内的均值及标准差,以均值与标准差的比值作为湿度稳定度及温度稳定度;
步骤102、将若干个电力屏柜的湿度稳定度及温度稳定度汇总,构建环境分析数据集合,由环境分析数据集合生成环境条件值方式如下:对湿度稳定度/>及温度稳定度/>做线性归一化处理,并将相应的数据值映射至区间/> 内,依据如下方式:
其中,/>,/>为子周期的总数,权重系数:,/>,且/>;/>为湿度稳定度的标准参考值,/>为温度稳定度的标准参考值;/>为湿度稳定度在/>子周期上的值,/>为温度稳定度在/>子周期上的值;
步骤103、以环境条件值对各个电力屏柜进行标记,并计算分布区域内的条件异常度/>,方式如下:
其中,/>,/>为电力屏柜的数量;/>为第/>个电力屏柜的环境条件值,/>为环境条件值的均值;
依据历史数据及对电力屏柜运行环境的管理预期,预先设置异常阈值;若获取的异常度超过异常阈值,则说明在分布区域内的电力屏柜及内部电力设备的运行状态在整体上存在一定的异常,需要对其中运行状态较差的电力设备的运行参数进行调整,此时,向外部发出优化指令;
使用时,结合步骤101至103中的内容:
在需要对电力设备的运行进行管理时,先对电力屏柜所处的环境条件进行监测,并由监测获取的数据生成条件异常度,依据条件异常度/>能够在整体上对若干个电力屏柜所处的环境条件进行综合评估,若电力屏柜所处的环境条件存在一定的异常,则需要先对环境条件,例如温度及湿度等外部条件进行调整,通过改善其运行的环境条件来对电力设备的运行状态进行实现调整和修正,若是仍难以起到预期的效果,则需要对电力屏柜的运行参数进行调整,从而对电力设备的运行进行管理和优化,减少电力设备的电量消耗和自身的折旧。
步骤二、对电力屏柜内电力设备的运行状态数据进行采集,并使用训练后的通信质量预测模型对传输时段内的通信能力进行预测,获取预测数据并构建通信预测数据集合;
所述步骤二包括如下内容:
步骤201、在接收到优化指令后,对电力屏柜内电力设备的运行状态数据进行采集,例如,电力设备的包括用电量、峰值负荷、运行电压、功率因数等等,将采集的数据汇总构建电力设备的运行参数集合;在电力设备与外部发生数据通信时,对电力设备的数据传输状态进行监控,并获取相应的通信状态数据;
步骤202、依据电力设备与外部的数据传输速度,预估采集数据全部发送完毕的发送耗时;将长于发送耗时的预留时段分割为若干个子时段,使若干个连续的子时段拼接形成传输时段,传输时段略长于发送耗时,例如,传输时段为其长度的110%;
步骤203、采集电力设备当前的数据传输数据作为样本数据,使用卷积神经网络构建初始模型,由样本数据训练获取通信质量预测模型,使用训练后的通信质量预测模型对各个连续的子时段内的通信能力进行预测,获取预测数据并构建通信预测数据集合;
使用时,结合步骤201至203中的内容:
在接收到优化指令后,对电力屏柜内电力设备的运行状态数据进行采集,并在完成数据采集的基础上,对当前的数据通信状态进行监测和预测,获取各个子时段内的通信状态数据,可以依据各个子时段内的通信质量,确定当前时间段内是否满足数据发送条件,若是满足条件,在当前通信质量较佳时,则可以对数据进行发送,从而能够使数据快速完成发送,减少数据的丢失。
步骤三、由构建的通信质量系数从若干个连续的子时段内框选出目标时段,在目标时段内将采集到的电力设备的运行状态数据发出;
所述步骤三包括如下内容:
步骤301、由通信预测数据集合内的预测数据构建通信质量系数,方式如下:
对获取的信噪比及数据通信的延迟/>做线性归一化处理,并将相应的数据值映射至区间/>内,依照如下公式:
其中,权重系数,/>,/>;权重系数的值可以由用户设置,或者参考层次分析法限定;
步骤302、依据历史数据及对通信质量的管理预期,设置通信质量阈值,在获取到各个子时段内的通信质量系数后,对若干个子时段进行平滑,将平滑获取的传输时段确定为目标时段,使目标时段内各个子时段的通信质量系数/>超过通信质量阈值;因此,在需要将采集到的数据向外部发送时,可以选择在通信质量较高的目标时段将采集的数据发出;
使用时,在构建通信质量系数后,以各个通信质量系数/>对各个子时段内通信质量进行评价和选择,通过对若干个子时段进行平滑和选择,在筛选出通信质量能够满足数据发送数据条件时,对采集到的数据进行发送,使数据能够有较佳的发送效果;
步骤303、接收到采集的数据后,对数据进行对采集的数据进行预处理,包括:进行清洗,排除错误和不一致的数据,将预处理后的数据进行汇总,获取预处理数据集合;设置备份策略以定期备份数据,以确保数据不会因设备故障而丢失,备份策略如下:依据当前的数据发送状态,构建数据接收的密集度具体方式如下:
为数据接收的次数,/>是第/>次数据接收与第/>次数据接收间的数据量差,/>为数据量差值的平均值;设置密度阈值,若获取的密集度/>超过密度阈值,对最近一个目标时段内接收的数据进行备份。
使用时,结合步骤301至303中的内容:
在完成预处理后数据的发送和接收后,对接收到数据进行备份处理,通过将数据备份至云端,能够避免数据的丢失和泄露,对数据安全性形成保障;通过将数据备份及数据发送过程区分开,能够减少数据发送时的负担,减少数据通信通道的占用。
步骤四、使用柜体设备运行数字孪生模型对电力设备的运行状态进行预测,并由预测获取的电力设备运行数据生成运行状态系数,由运行状态系数/>配合,在分布区域内筛选出目标电力屏柜;
所述步骤四包括如下内容:
步骤401、使用卷积神经网络构建初始模型,由接收到的预处理数据作为样本数据对初始模型进行训练并建立柜体设备运行数字孪生模型,在当前环境条件下,使用柜体设备运行数字孪生模型对电力设备的运行状态进行预测,在设置包含由若干个等间隔的预测子周期的预测周期后,获取一个预测周期内的预测数据,构建柜体设备预测数据集合;
步骤402、由柜体设备预测数据集合内的预测数据对柜体设备进行标注,并在电子地图上进行显示;由柜体设备预测数据集合内的电力设备运行数据生成运行状态系数,方式如下:对谐波失真比例/>及功率因数/>做线性归一化处理后,相应的数据值映射至区间/>内,依照如下公式:
其中,权重系数,/>,/> ,且/>,其具体值由用户调整设置;/>为电力设备在各个预测子周期谐波失真比例的均值,/>为谐波失真比例的合格标准值;/>为电力设备在各个预测子周期内功率因数的均值,/>为功率因数的合格标准值;
步骤403、依据历史数据及对电力设备数据的管理预期,预先设置运行阈值;在当前的管理周期内,若运行状态系数低于运行阈值,将对应的电力屏柜确定为低状态柜体;将监控区域分割为若干个子区,在各个子区域内随机抽取一个电力屏柜作为抽样柜体,将低状态柜体设备与抽样柜体设备汇总作为目标电力屏柜后并发出检修指令;
使用时,结合步骤401至403中的内容:
通过构建柜体设备运行数字孪生模型,以柜体设备运行数字孪生模型对电力设备的运行状态进行预测,依据获取的预测数据构建的电力设备的运行状态系数,从而依据获取的运行状态系数/>可以对电力设备的运行状态进行综合预估和评价,并从中筛选出部分运行状态较差的作为低状态柜体,在需要时,能够针对性地进行检查和维护,通过提前对电力屏柜进行提前感知提前处理,避免电力设备运行状态进一步恶化,进而引起更为严重的运行故障;而作为进一步的内容,在各个子区域内选择抽样柜体设备,在实现针对性检查之外实现抽样检查,能够对电力屏柜的状态检查覆盖面更广,避免产生遗漏。
步骤五、由各个目标电力屏柜检查优先度结合其位置,使用路径规划算法获取维护路径,依据维护路径依次对各个电力屏柜进行检查,并依据获取的检测数据,对电力设备的运行状态进行优化;
所述步骤五包括如下内容:
步骤501、将目标电力屏柜在电子地图上标记,为各个目标电力屏柜计算检查优先度,由检查优先度/>对各个目标电力屏柜进行标记;其方式如下:
其中,/>,/>为目标电力屏柜个数;权重系数:/>,/>且/>;/>为第/>个目标电力屏柜的运行状态系数,/>为运行状态系数的参考标准值,/> 为第/>个目标电力屏柜的条件异常度,/>为条件异常度的参考标准值;
使用时,在获取到若干个目标电力屏柜的基础上构建检查优先度,在存在若干个目标电力屏柜的基础上,确定出对各个目标电力屏柜的优先程度,通过依次对各个目标电力屏柜进行检查和维护,优先对其中运行状态最差的严重部分进行处理,可以避免部分运行状态较差的部分进一步的恶化,降低柜体设备的运行风险。
步骤502、使用路径规划算法训练获取路径规划模型,结合各个目标电力屏柜的检查优先度及目标电力屏柜的位置,为目标电力屏柜规划出维护路径,以维护路径作为检查顺序,对各个目标电力屏柜的运行状态检测,并将检测数据汇总生成检测数据集合;
使用时,结合各个目标电力屏柜的位置,使用训练后的路径规划算法结合各个电力屏柜的检查优先度给出维护路径,依据维护路径有序地对各个柜体设备及电力设备进行检查和维护时,可以提高维护的效率。
步骤503、依据预先设置的优化标准,对检测数据进行识别并获取相应的优化特征,使用蚁群算法,由样本数据训练并构建优化模型,使用训练后的优化模型,依据优化特征对电力设备的运行参数进行优化,并获取优化后的运行参数,由柜体设备执行优化后的运行参数,完成管理过程;
使用时,结合步骤501至503中的内容:
在对目标电力屏柜完成检查后获取相应的检查数据后,依据预先构建的优化标准来获取若干个优化特征,此时,依据已经构建的优化模型对待优化的目标电力屏柜及电力设备进行优化,对电力设备当前的运行状态进行调整和改善,提高电力设备的运行效率。
请参阅图2,本发明提供一种基于优化算法的电力屏柜的智慧管理***,包括:
柜体设备监控单元,在分布区域内对电力屏柜的运行状态进行监控,并由获取的监控数据构建环境分析数据集合,并生成环境条件值对相应的电力屏柜进行标记,进而计算监控区域内的条件异常度/>,若获取的条件异常度/>超过异常阈值,发出优化指令;
通信状态预测单元,对电力屏柜内电力设备的运行状态数据进行采集,并使用训练后的通信质量预测模型对传输时段内的通信能力进行预测,获取预测数据并构建通信预测数据集合;
时段筛选单元,由构建的通信质量系数从若干个连续的子时段内框选出目标时段,在目标时段内将采集到的电力设备的运行状态数据发出;
柜体设备筛选单元,使用柜体设备运行数字孪生模型对电力设备的运行状态进行预测,并由预测获取的电力设备运行数据生成运行状态系数,由运行状态系数/>配合,在分布区域内筛选出目标电力屏柜;
路径规划单元,由各个目标电力屏柜的检查优先度结合其位置,使用路径规划算法获取维护路径,依据维护路径依次对各个电力屏柜进行检查,并依据获取的检测数据,对电力设备的运行状态进行优化。
其中,需要说明的是:层次分析法是一种定性和定量相结合的分析方法,它可以将复杂的问题分解为多个层次,通过比较各层次因素的重要性,可以帮助决策者对复杂问题进行决策,确定最终的决策方案,在这个过程中,层次分析法可以用来确定这些指标的权重系数。
作为进一步的方案:
在确定电力设备的用途后,采集电力设备的属性参数,包括:电力设备的设计、制造工艺及材料数据,运行状态数据,运行时的负载、电压等;及运行环境条件数据,例如,环境温度、湿度等;收集和分析电力设备的故障数据,例如:设备的故障模式和失效机理等;获取设备的基本信息,如型号、规格、制造日期等;
对收集到的数据进行清洗,去除异常值和重复数据,对数据进行标准化或归一化处理,以便后续模型训练;从原始数据中提取与设备寿命相关的特征,如运行时间、负荷波动、环境因素等,此时,可以利用统计方法、信号处理技术或深度学习算法进行特征提取;
使用卷积神经网络构建初始模型,在采集的电力设备数据中抽取部分作为样本数据,对初始模型进行训练,使用合适的损失函数和优化算法,通过迭代训练优化模型的参数;并对训练后的初始模型进行验证,评估其测性能,根据验证结果对模型进行调优,如调整模型参数、更换模型结构等,最后获取训练后的电力设备寿命预测模型;
在电力设备仍处于运行的条件下时,使用训练后的电力设备寿命预测模型对电力设备的使用寿命进行预测;并在连续预测若干次后,获取相应的寿命值;由若干次寿命值构建预期的使用度/>,其中,对寿命值/>做线性归一化处理后,方式如下:
其中,/>,为测试次数,/>为第/>次测试时的寿命值,/>为寿命值的均值,权重系数:,/>,且/>。
使用时,在电力设备处于运行状态时,通过对电力设备的运行状态及运行环境进行监控,并使用训练后的预测模型对电力设备的使用寿命进行预测,在获取到预测结果后,能够及时的对电力设备的使用寿命进行预估,进而采取相应的处理措施,例如,在电力设备使用寿命即将耗尽时,对其进行更换等,从而对电力设备的平稳运行形成保证。
由电力设备的历史使用数据及对电力设备使用寿命的管理预期,预测设置使用度阈值;若获取的使用度低于使用度阈值,则说明,电力设备的预期剩余使用寿命较短,需要及时的进行维护,此时,向外部发出报警指令;在接收到报警指令后,对电力设备进行维护。
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。所述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所述计算机指令或计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述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。所述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,所述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(例如红外、无线、微波等)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。所述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。所述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,结合本文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申请的范围。
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。
在本申请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,仅仅为一些逻辑功能划分,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,在本申请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。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-onlymemory,ROM)、随机存取存储器(randomaccessmemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种基于优化算法的电力屏柜的智慧管理方法,其特征在于:包括,
在分布区域内对电力屏柜的运行状态进行监控,并由获取的监控数据构建环境分析数据集合,并生成环境条件值对相应的电力屏柜进行标记,进而计算监控区域内的条件异常度/>;
若获取的条件异常度超过异常阈值,向外部发出优化指令,其中,以环境条件值/>对各个电力屏柜进行标记,并计算分布区域内的条件异常度/>,方式如下:
其中,/>,/>为电力屏柜的数量;/>为第/>个电力屏柜的环境条件值,/>为环境条件值的均值;其中,分别获取温度及湿度在子周期内的均值及标准差,以其均值与标准差的比值作为湿度稳定度及温度稳定度;
对电力屏柜内电力设备的运行状态数据进行采集,并使用训练后的通信质量预测模型对传输时段内的通信能力进行预测,获取预测数据并构建通信预测数据集合;
由构建的通信质量系数从若干个连续的子时段内框选出目标时段,在目标时段内将采集到的电力设备的运行状态数据发出;
使用柜体设备运行数字孪生模型对电力设备的运行状态进行预测,并由预测获取的电力设备运行数据生成运行状态系数,由运行状态系数/>配合,在分布区域内筛选出目标电力屏柜;
由各个目标电力屏柜的检查优先度结合其位置信息,使用路径规划算法获取维护路径,依据维护路径依次对各个电力屏柜进行检查,并依据获取的检测数据对柜体设备的运行状态进行优化。
2.根据权利要求1所述的基于优化算法的电力屏柜的智慧管理方法,其特征在于:
构建覆盖分布区域的电子地图,于采集节点处对电力屏柜运行环境进行监控,将若干个电力屏柜的湿度稳定度及温度稳定度汇总,构建环境分析数据集合;由环境分析数据集合生成环境条件值,方式如下:对湿度稳定度/>及温度稳定度/>做线性归一化处理,并将相应的数据值映射至区间/> 内,依据如下方式:
其中,/>,/>为子周期的总数,权重系数:,/>,且/>;/>为湿度稳定度的标准参考值,/>为温度稳定度的标准参考值。
3.根据权利要求1所述的基于优化算法的电力屏柜的智慧管理方法,其特征在于:
接收到优化指令后,对电力屏柜内电力设备的运行状态数据进行采集,将采集的数据汇总构建运行参数集合,在电力设备与外部发生数据通信时,对电力设备的数据传输状态进行监控,并获取相应的通信状态数据;
预估采集数据全部发送完毕的发送耗时,将长于发送耗时的预留时段分割为若干个子时段,使若干个连续的子时段拼接形成传输时段,传输时段长于发送耗时,采集电力设备当前的数据传输数据作为样本数据,由样本数据训练获取通信质量预测模型。
4.根据权利要求3所述的基于优化算法的电力屏柜的智慧管理方法,其特征在于:
由通信预测数据集合内的预测数据构建通信质量系数,在获取到各个子时段内的通信质量系数/>后,对若干个子时段进行平滑,将平滑获取的传输时段确定为目标时段,使目标时段内各个子时段的通信质量系数/>超过通信质量阈值;其中,通信质量系数/>的生成方式如下:对获取的信噪比/>及数据通信的延迟/>做线性归一化处理,并将相应的数据值映射至区间/>内,依照如下公式:
其中,权重系数,/>,/>。
5.根据权利要求4所述的基于优化算法的电力屏柜的智慧管理方法,其特征在于:
接收到采集的数据后,对数据进行对采集的数据进行预处理,获取预处理数据集合;依据当前的数据发送状态,构建数据接收的密集度,若获取的密集度/>超过密度阈值,对最近一个目标时段内接收的数据进行备份;
密集度的构建方式如下:
其中,/>为数据接收的次数,/>是第/>次数据接收与第/>次数据接收间的数据量差,/>为数据量差值的平均值。
6.根据权利要求1所述的基于优化算法的电力屏柜的智慧管理方法,其特征在于:
训练并建立柜体设备运行数字孪生模型,使用柜体设备运行数字孪生模型对电力设备的运行状态进行预测,获取一个预测周期内的预测数据,构建柜体设备预测数据集合;由柜体设备预测数据集合内的电力设备运行数据生成运行状态系数;
若运行状态系数低于运行阈值,将对应的电力屏柜确定为低状态柜体,将监控区域分割为若干个子区,在各个子区域内随机抽取一个电力屏柜作为抽样柜体,将低状态柜体设备与抽样柜体设备汇总作为目标电力屏柜后并发出检修指令。
7.根据权利要求6所述的基于优化算法的电力屏柜的智慧管理方法,其特征在于:
运行状态系数的生成方式如下:对谐波失真比例/>及功率因数/>做线性归一化处理后,相应的数据值映射至区间/>内,依照如下公式:
其中,权重系数,/>,/> ,且,/>为电力设备在各个预测子周期谐波失真比例的均值,/>为谐波失真比例的合格标准值;/>为电力设备在各个预测子周期内功率因数的均值,/>为功率因数的合格标准值。
8.根据权利要求7所述的基于优化算法的电力屏柜的智慧管理方法,其特征在于:
将目标电力屏柜在电子地图上标记,为各个目标电力屏柜计算检查优先度,由检查优先度/>对各个目标电力屏柜进行标记;其方式如下:
其中,/>,/>为目标电力屏柜个数;权重系数:/>,/>且/>;/>为运行状态系数的参考标准值,/>为条件异常度的参考标准值。
9.根据权利要求8所述的基于优化算法的电力屏柜的智慧管理方法,其特征在于:
使用路径规划算法训练获取路径规划模型,结合各个目标电力屏柜的检查优先度及目标电力屏柜的位置,规划出维护路径,以维护路径作为检查顺序,对各个目标电力屏柜的运行状态检测,并将检测数据汇总生成检测数据集合;对检测数据进行识别并获取相应的优化特征,使用训练后的优化模型,依据优化特征对电力设备的运行参数进行优化,并获取优化后的运行参数。
10.一种基于优化算法的电力屏柜的智慧管理***,其特征在于:包括:
柜体设备监控单元,在分布区域内对电力屏柜的运行状态进行监控,并由获取的监控数据构建环境分析数据集合,并生成环境条件值对相应的电力屏柜进行标记,进而计算监控区域内的条件异常度/>,若获取的条件异常度/>超过异常阈值,发出优化指令;
通信状态预测单元,对电力屏柜内电力设备的运行状态数据进行采集,并使用训练后的通信质量预测模型对传输时段内的通信能力进行预测,获取预测数据并构建通信预测数据集合;
时段筛选单元,由构建的通信质量系数从若干个连续的子时段内框选出目标时段,在目标时段内将采集到的电力设备的运行状态数据发出;
柜体设备筛选单元,使用柜体设备运行数字孪生模型对电力设备的运行状态进行预测,并由预测获取的电力设备运行数据生成运行状态系数,由运行状态系数/>配合,在分布区域内筛选出目标电力屏柜;
路径规划单元,由各个目标电力屏柜的检查优先度结合其位置,使用路径规划算法获取维护路径,依据维护路径依次对各个电力屏柜进行检查,并依据获取的检测数据,对电力设备的运行状态进行优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410396420.XA CN117996966B (zh) | 2024-04-03 | 2024-04-03 | 一种基于优化算法的电力屏柜的智慧管理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410396420.XA CN117996966B (zh) | 2024-04-03 | 2024-04-03 | 一种基于优化算法的电力屏柜的智慧管理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117996966A true CN117996966A (zh) | 2024-05-07 |
CN117996966B CN117996966B (zh) | 2024-06-07 |
Family
ID=90891458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410396420.XA Active CN117996966B (zh) | 2024-04-03 | 2024-04-03 | 一种基于优化算法的电力屏柜的智慧管理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117996966B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110276818A1 (en) * | 2010-05-10 | 2011-11-10 | Pfu Limited | Power consumption quantity estimation system |
CN116433009A (zh) * | 2023-03-08 | 2023-07-14 | 广东电网有限责任公司 | 一种用于变电设备的异常监测方法、装置及存储介质 |
CN116865258A (zh) * | 2023-07-14 | 2023-10-10 | 国网冀北电力有限公司电力科学研究院 | 一种层级构造的分布式电源智能电网构建方法 |
CN117078017A (zh) * | 2023-09-15 | 2023-11-17 | 国网浙江省电力有限公司金华供电公司 | 一种用于电力电网设备监控智能化决策分析*** |
CN117439687A (zh) * | 2023-12-20 | 2024-01-23 | 江苏华鹏智能仪表科技股份有限公司 | 一种基于hplc和hrf的双模通信方法、***及装置 |
-
2024
- 2024-04-03 CN CN202410396420.XA patent/CN117996966B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110276818A1 (en) * | 2010-05-10 | 2011-11-10 | Pfu Limited | Power consumption quantity estimation system |
CN116433009A (zh) * | 2023-03-08 | 2023-07-14 | 广东电网有限责任公司 | 一种用于变电设备的异常监测方法、装置及存储介质 |
CN116865258A (zh) * | 2023-07-14 | 2023-10-10 | 国网冀北电力有限公司电力科学研究院 | 一种层级构造的分布式电源智能电网构建方法 |
CN117078017A (zh) * | 2023-09-15 | 2023-11-17 | 国网浙江省电力有限公司金华供电公司 | 一种用于电力电网设备监控智能化决策分析*** |
CN117439687A (zh) * | 2023-12-20 | 2024-01-23 | 江苏华鹏智能仪表科技股份有限公司 | 一种基于hplc和hrf的双模通信方法、***及装置 |
Non-Patent Citations (2)
Title |
---|
刘锋: "《面向分布式能源***的电力调度与检修协同优化算法研究》", 《装备制造技术》, 15 November 2023 (2023-11-15) * |
张笑迪 等: "《基于多波段激光数据聚类的电力屏柜压板状态图像位姿解算方法》", 《激光与红外》, 20 July 2023 (2023-07-20) * |
Also Published As
Publication number | Publication date |
---|---|
CN117996966B (zh) | 2024-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109389145B (zh) | 基于计量大数据聚类模型的电能表生产厂商评价方法 | |
CN109905885B (zh) | 一种确定巡检基站列表的方法以及巡检装置 | |
Xia et al. | Modeling and optimizing maintenance schedule for energy systems subject to degradation | |
CN110222991B (zh) | 基于rf-gbdt的计量装置故障诊断方法 | |
CN109447531A (zh) | 一种基于神经网络健康度评价的智能电表状态评价方法 | |
CN106557546B (zh) | 一种对特高压在线监测数据进行挖掘并评价的方法及*** | |
CN116345700B (zh) | 一种用于储能电站的能耗监测方法及监测*** | |
CN111339661B (zh) | 一种高压电缆巡检周期自动规划方法 | |
CN112767193A (zh) | 一种基于态势感知的配网生产差异化运维策略方法 | |
CN117761444B (zh) | 一种电涌保护器的寿命监测方法及*** | |
Wu et al. | Adaptive sequential predictive maintenance policy with nonperiodic inspection for hard failures | |
CN117996966B (zh) | 一种基于优化算法的电力屏柜的智慧管理方法及*** | |
CN117674249A (zh) | 一种含分布式光伏的配电网故障自愈控制与评价方法 | |
CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及*** | |
CN117375231A (zh) | 一种基于电网数据节点的统计方法及数据处理*** | |
CN117277435A (zh) | 一种光伏逆变器的健康评估方法、***及装置 | |
CN116611953A (zh) | 基于物联网的电能表生产制造实时数据管理方法和*** | |
CN115936663A (zh) | 一种电力***的维护方法及装置 | |
CN115809805A (zh) | 基于边缘计算的电网多源数据处理方法 | |
CN113807743A (zh) | 一种电网调度自动化软件可靠性评估方法及*** | |
CN114722705A (zh) | 一种电力电缆线路劣化诊断方法 | |
CN117589444B (zh) | 一种基于联邦学习的风力发电机齿轮箱故障诊断方法 | |
CN117852229B (zh) | 含新能源的配电网供电可靠性影响因素分析方法及*** | |
CN114414938B (zh) | 一种配电网故障的动态响应方法及*** | |
CN117875946B (zh) | 一种用于变电站设备运维的人机协同自主红外巡检方法 |
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 |