CN118040912B - 一种基于大数据的可视化设备数据智能监管方法及*** - Google Patents
一种基于大数据的可视化设备数据智能监管方法及*** Download PDFInfo
- Publication number
- CN118040912B CN118040912B CN202410445328.8A CN202410445328A CN118040912B CN 118040912 B CN118040912 B CN 118040912B CN 202410445328 A CN202410445328 A CN 202410445328A CN 118040912 B CN118040912 B CN 118040912B
- Authority
- CN
- China
- Prior art keywords
- power distribution
- distribution cabinet
- certain
- power
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 238000010586 diagram Methods 0.000 claims abstract description 48
- 230000005540 biological transmission Effects 0.000 claims abstract description 45
- 238000004088 simulation Methods 0.000 claims abstract description 20
- 238000009434 installation Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 33
- 238000004458 analytical method Methods 0.000 claims description 21
- 230000000007 visual effect Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000012098 association analyses Methods 0.000 claims description 10
- 230000001174 ascending effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及信息管理技术领域,具体为一种基于大数据的可视化设备数据智能监管方法及***,包括:采集电力***中各配电柜的初始电参量数据和实时电参量数据,分析各配电柜的电能质量状态值并构建电能质量轨迹图;分析各配电柜在进行电力传输时的关联值;基于电力***中各配电柜的安装位置点分别计算各配电柜之间进行电力传输时的线路损耗,并根据各配电柜之间的关联值和线路损耗分析各配电柜电能质量状态值的误差精度;根据各配电柜电能质量状态值的误差精度生成电能质量模拟轨迹图,分析各配电柜在电力传输过程中所监测到的曲线偏差;判断监测各配电柜的传感器是否故障。
Description
技术领域
本发明涉及信息管理技术领域,具体为一种基于大数据的可视化设备数据智能监管方法及***。
背景技术
随着科技的不断发展,电力行业也在不断地进行智能化升级。电能质量可视化作为一种新型的技术手段,正逐渐成为推动电网迈向新台阶的重要力量。它不仅能够帮助用户在电能管理过程中实现数据可视化分析、提高能源效率;还能够实现数据导入、数据清洗、节能效果模拟、图表生成、报告导出等功能。
目前针对配电柜电能质量可视化的监测具有一套完整的传感器体系,然而随着监测时间的推移,传感器的固定偏差故障、漂移偏差故障和精度下降等不易发现的软故障问题均容易造成电能质量可视化监测的数据异常,因此,如何根据实时监测的配电柜电能数据判断监测各配电柜的传感器是否故障成为一个亟待解决的问题。
发明内容
本发明的目的在于提供一种基于大数据的可视化设备数据智能监管方法及***,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于大数据的可视化设备数据智能监管方法,包括以下步骤:
S100、分别采集电力***中各配电柜的初始电参量数据和在历史运行记录中的实时电参量数据,分析各配电柜的电能质量状态值并构建电能质量轨迹图;根据各配电柜之间的连接方式分析各配电柜在进行电力传输时的关联值;
S200、历史运行记录中的某一时间节点下,基于电力***中各配电柜的安装位置点分别计算各配电柜之间进行电力传输时的线路损耗,并根据各配电柜之间的关联值和线路损耗分析各配电柜电能质量状态值的误差精度;
S300、根据各配电柜电能质量状态值的误差精度生成电能质量模拟轨迹图,则根据电能质量模拟轨迹图分析各配电柜在电力传输过程中所监测到的曲线偏差;
S400、根据各配电柜的曲线偏差判断监测各配电柜的传感器是否故障。
进一步的,在S100中,具体步骤如下:
S110、基于各配电柜在电力***中的历史运行记录,分别获取实时电参量数据中各配电柜的实时电压K1、电流K2和功率因数K3;并根据各配电柜的初始电参量数据分别获取各配电柜的额定电压Z1、额定电流Z2和额定功率因数Z3;则将K1/Z1、K2/Z2和K3/Z3进行乘积加权,分别计算得到各配电柜的电能质量状态值和根据电能质量状态值得到的各配电柜的电能质量轨迹图;
上述步骤中,实时电参量数据的参数选择中可以选择想要对比的参量进行一个数据分析,也可以直接查看该回路详细电参量,包括三相电流、三相电压、有功功率、无功功率、功率因数、电能等;其中电参量节能数据分析是一种通过对电力参数进行监测、分析和评估,以实现节能降耗的技术手段;它与传统数据分析方法的区别在于,电参量节能数据分析更加注重对能源消耗过程的实时监测和优化,而非单纯地对历史数据进行统计和分析;此外,电参量节能数据分析还融合了物联网、大数据、人工智能等先进技术,使其在实际应用中具有更高的准确性和效率;
上述步骤中的功率因数是电力***的一个重要的技术数据;它是衡量电气设备效率高低的一个系数:功率因数低,说明电路用于交变磁场转换的无功功率大,从而降低了设备的利用率,增加了线路供电损失;
S120、将某一配电柜所连接的任意配电柜设为某一配电柜的关联设备,其中任意配电柜信息由某一配电柜的级数确认;则分别获取各关联设备在电力***中的历史运行记录,分别确认各关联设备在运行过程中的工作频率和电量均值;
上述步骤中,配电柜的级数是根据配电柜的型号确认的;它包括一级配电柜、二级配电柜和三级配电柜;
S130、通过根据某一配电柜所连接的关联设备数量S、某一关联设备在运行过程中的工作频率V和电量均值U计算得到某一配电柜和某一关联设备在进行电力传输时的关联值G=[V*U/(S*∑U)]*(D/U);其中∑U表示S个关联设备的电量均值之和,D表示某一关联设备的电能质量状态均值;
通过根据各关联设备的电力传输频率、电量传输比例和电能质量状态值分别分析同某一配电柜的电力传输关联值,便于后续对线路损耗和配电柜的异常状态进行分析。
进一步的,在S200中,具体步骤如下:
S210、基于历史运行记录中的某一时间节点,对某一配电柜和某一关联设备的安装位置点分别进行距离测量和电流测量,则分别测量得到某一配电柜和某一关联设备连接的线路长度H和线路传输电流I,此时根据线路长度和线路传输电流计算得到某一配电柜和某一关联设备之间的线路损耗值∆P=∑HI2R;其中R表示某一配电柜和某一关联设备连接的线路电阻值;
S220、基于某一配电柜分别和各个关联设备之间的线路损耗值大小对各关联设备信息进行升序,生成一条根据线路损耗值排序的关联设备集合A1;同时基于某一配电柜分别和各个关联设备之间的关联值大小对各关联设备信息进行升序,生成一条根据关联值排序的关联设备集合A2;则获取某一关联设备分别在关联设备集合A1的序号值X1和在关联设备集合A2中的序号值X2,此时确认得到某一关联设备对某一配电柜的线路损耗影响程度为Q=m*X1/(|X1-X2|+1);其中m表示电力传输过程中的实际线损测量误差;
上述步骤中,当线路损耗值越大时,某一配电柜和关联设备之间的电力传输计算误差越大;反之当线路损耗值越小时,某一配电柜和关联设备之间的电力传输计算误差越小;
通过对关联设备集合A1和关联设备集合A2进行序号比较,分别确认同一关联设备在不同集合中的序号差值,分析各关联设备的线路损耗影响程度,有利于对误差精度的计算;
S230、分别获取某一时间节点下各个关联设备的实时电能质量状态值Dt,则基于某一配电柜分别和各个关联设备之间的线路损耗值∆P和关联值G,预测得到某一配电柜在某一时间节点下的电能质量状态计算值D1=∑s(G*D-Q*∆P)/S;同时获取历史运行记录中某一配电柜在某一时间节点下的实时电能质量状态值D2,计算得到某一配电柜电能质量状态值的误差精度为α=±|D2-D1|。
进一步的,在S300中,具体步骤如下:
S310、分别获取各个关联设备的电能质量轨迹图,则利用电能质量状态计算值D1的计算公式分别计算出各时间节点下某一配电柜的电能质量状态值,并根据所计算的电能质量状态值绘制出某一配电柜的电能质量模拟轨迹图;
S320、获取某一配电柜的电能质量轨迹图,利用蔡司三坐标曲线将所述电能质量轨迹图与电能质量模拟轨迹图进行曲线偏差比较,确认得到某一配电柜的曲线偏差值;
上述步骤中的蔡司三坐标曲线属于本领域技术人员的常规技术手段,因此在本申请中就不再做出过多的赘述。
进一步的,在S400中,具体步骤如下:
S410、当曲线偏差值大于偏差阈值时,判定监测某一配电柜的传感器出现异常,并通知相关负责人员进行处理;
上述步骤中出现的传感器属于软故障,即现实生活中较难发现的故障;
S420、当曲线偏差值小于偏差阈值时,判定监测某一配电柜的传感器未出现异常,则对某一配电柜的运行记录进行监测,并实时显示某一配电柜的电能质量轨迹图。
可视化设备数据智能监管***,***包括:数据采集模块、关联分析模块、误差计算模块、曲线判断模块和数据显示模块;
通过数据采集模块采集各配电柜的初始电参量数据和实时电参量数据;
通过关联分析模块分析各配电柜在进行电力传输时的关联值;
通过误差计算模块根据各配电柜之间的关联值和线路损耗分析各配电柜电能质量状态值的误差精度;
通过曲线判断模块分析各配电柜在电力传输过程中所监测到的曲线偏差;
通过数据显示模块判断监测各配电柜的传感器是否故障。
进一步的,数据采集模块包括参数采集单元、电参量采集单元和轨迹构建单元;
参数采集单元用于分别采集初始电参量数据中各配电柜的额定电压、额定电流和额定功率因数;电参量采集单元用于分别采集实时电参量数据中各配电柜的实时电压、电流和功率因数;轨迹构建单元用于根据初始电参量数据和实时电参量数据计算得到各配电柜的电能质量轨迹图。
进一步的,关联分析模块包括记录获取单元和关联分析单元;
记录获取单元用于根据某一配电柜的历史运行记录分别确认各关联设备在运行过程中的工作频率和电量均值;关联分析单元用于计算某一配电柜和某一关联设备在进行电力传输时的关联值。
进一步的,误差计算模块包括线损分析单元、影响程度分析单元和误差计算单元;
线损分析单元用于根据线路长度和线路传输电流计算某一配电柜和某一关联设备之间的线路损耗值;影响程度分析单元用于对两个关联设备集合进行序号比较,分别确认同一关联设备在不同集合中的序号差值,分析各关联设备的线路损耗影响程度;误差计算单元用于根据某一配电柜分别和各个关联设备之间的线路损耗值和关联值计算某一配电柜电能质量状态值的误差精度。
进一步的,曲线判断模块包括轨迹绘制单元和偏差计算单元;
轨迹绘制单元用于根据所计算的电能质量状态值绘制出某一配电柜的电能质量模拟轨迹图;偏差计算单元用于利用蔡司三坐标曲线将所述电能质量轨迹图与电能质量模拟轨迹图进行曲线偏差比较,确认得到某一配电柜的曲线偏差值。
进一步的,数据显示模块包括偏差分析单元和数据显示单元;
偏差分析单元用于将曲线偏差值同偏差阈值进行比较,分析监测某一配电柜的传感器是否异常;数据显示单元用于实时显示某一配电柜的电能质量轨迹图。
与现有技术相比,本发明所达到的有益效果是:
本发明通过将电参量节能数据融合了物联网、大数据、人工智能等先进技术,使其在实际应用中具有更高的准确性和效率;通过根据各关联设备的电力传输频率、电量传输比例和电能质量状态值分别分析同某一配电柜的电力传输关联值,便于后续对线路损耗和配电柜的异常状态进行分析;通过对两个关联设备集合进行序号比较,分别确认同一关联设备在不同集合中的序号差值,分析各关联设备的线路损耗影响程度,有利于对误差精度的计算。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于大数据的可视化设备数据智能监管***的结构图;
图2是本发明一种基于大数据的可视化设备数据智能监管方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明提供技术方案:可视化设备数据智能监管***,***包括:数据采集模块、关联分析模块、误差计算模块、曲线判断模块和数据显示模块;
通过数据采集模块采集各配电柜的初始电参量数据和实时电参量数据;
数据采集模块包括参数采集单元、电参量采集单元和轨迹构建单元;
参数采集单元用于分别采集初始电参量数据中各配电柜的额定电压、额定电流和额定功率因数;电参量采集单元用于分别采集实时电参量数据中各配电柜的实时电压、电流和功率因数;轨迹构建单元用于根据初始电参量数据和实时电参量数据计算得到各配电柜的电能质量轨迹图。
通过关联分析模块分析各配电柜在进行电力传输时的关联值;
关联分析模块包括记录获取单元和关联分析单元;
记录获取单元用于根据某一配电柜的历史运行记录分别确认各关联设备在运行过程中的工作频率和电量均值;关联分析单元用于计算某一配电柜和某一关联设备在进行电力传输时的关联值。
通过误差计算模块根据各配电柜之间的关联值和线路损耗分析各配电柜电能质量状态值的误差精度;
误差计算模块包括线损分析单元、影响程度分析单元和误差计算单元;
线损分析单元用于根据线路长度和线路传输电流计算某一配电柜和某一关联设备之间的线路损耗值;影响程度分析单元用于对两个关联设备集合进行序号比较,分别确认同一关联设备在不同集合中的序号差值,分析各关联设备的线路损耗影响程度;误差计算单元用于根据某一配电柜分别和各个关联设备之间的线路损耗值和关联值计算某一配电柜电能质量状态值的误差精度。
通过曲线判断模块分析各配电柜在电力传输过程中所监测到的曲线偏差;
曲线判断模块包括轨迹绘制单元和偏差计算单元;
轨迹绘制单元用于根据所计算的电能质量状态值绘制出某一配电柜的电能质量模拟轨迹图;偏差计算单元用于利用蔡司三坐标曲线将所述电能质量轨迹图与电能质量模拟轨迹图进行曲线偏差比较,确认得到某一配电柜的曲线偏差值。
通过数据显示模块判断监测各配电柜的传感器是否故障;
数据显示模块包括偏差分析单元和数据显示单元;
偏差分析单元用于将曲线偏差值同偏差阈值进行比较,分析监测某一配电柜的传感器是否异常;数据显示单元用于实时显示某一配电柜的电能质量轨迹图。
请参阅图2,本发明提供技术方案:一种基于大数据的可视化设备数据智能监管方法,包括以下步骤:
S100、分别采集电力***中各配电柜的初始电参量数据和在历史运行记录中的实时电参量数据,分析各配电柜的电能质量状态值并构建电能质量轨迹图;根据各配电柜之间的连接方式分析各配电柜在进行电力传输时的关联值;
在S100中,具体步骤如下:
S110、基于各配电柜在电力***中的历史运行记录,分别获取实时电参量数据中各配电柜的实时电压K1、电流K2和功率因数K3;并根据各配电柜的初始电参量数据分别获取各配电柜的额定电压Z1、额定电流Z2和额定功率因数Z3;则将K1/Z1、K2/Z2和K3/Z3进行乘积加权,分别计算得到各配电柜的电能质量状态值和根据电能质量状态值得到的各配电柜的电能质量轨迹图;
例如说,令U1=K1/Z1、I1=K2/Z2、cosΦ=K3/Z3,此时分别对K1/Z1、K2/Z2和K3/Z3进行乘积加权,得到电能质量状态值D=σ*U1*I1*cosΦ;进一步根据各时间节点下计算得到的电能质量状态值分别构建各配电柜的电能质量轨迹图;
其中,实时电参量数据的参数选择中可以选择想要对比的参量进行一个数据分析,也可以直接查看该回路详细电参量,包括三相电流、三相电压、有功功率、无功功率、功率因数、电能等;
S120、将某一配电柜所连接的任意配电柜设为某一配电柜的关联设备,其中任意配电柜信息由某一配电柜的级数确认;则分别获取各关联设备在电力***中的历史运行记录,分别确认各关联设备在运行过程中的工作频率和电量均值;
其中,配电柜的级数是根据配电柜的型号确认的;它包括一级配电柜、二级配电柜和三级配电柜;
S130、通过根据某一配电柜所连接的关联设备数量S、某一关联设备在运行过程中的工作频率V和电量均值U计算得到某一配电柜和某一关联设备在进行电力传输时的关联值G=[V*U/(S*∑U)]*(D/U);其中∑U表示S个关联设备的电量均值之和,D表示某一关联设备的电能质量状态均值;
例如说,确认某一配电柜F1所连接的关联设备信息集合{F2、F3、F4},则分别获取历史运行记录中的某一时间节点下关联设备F2、F3、F4的工作频率为50HZ、60HZ、40HZ和电量均值100W、150W、150W,此时计算得到某一配电柜F1和关联设备F2在进行电力传输时的关联值G=[50*100/(3*400)]*(10/100)=5/12,其中关联设备F2的电能质量状态均值为10。
S200、历史运行记录中的某一时间节点下,基于电力***中各配电柜的安装位置点分别计算各配电柜之间进行电力传输时的线路损耗,并根据各配电柜之间的关联值和线路损耗分析各配电柜电能质量状态值的误差精度;
在S200中,具体步骤如下:
S210、基于历史运行记录中的某一时间节点,对某一配电柜和某一关联设备的安装位置点分别进行距离测量和电流测量,则分别测量得到某一配电柜和某一关联设备连接的线路长度H和线路传输电流I,此时根据线路长度和线路传输电流计算得到某一配电柜和某一关联设备之间的线路损耗值∆P=∑HI2R;其中R表示某一配电柜和某一关联设备连接的线路电阻值;
S220、基于某一配电柜分别和各个关联设备之间的线路损耗值大小对各关联设备信息进行升序,生成一条根据线路损耗值排序的关联设备集合A1;同时基于某一配电柜分别和各个关联设备之间的关联值大小对各关联设备信息进行升序,生成一条根据关联值排序的关联设备集合A2;则获取某一关联设备分别在关联设备集合A1的序号值X1和在关联设备集合A2中的序号值X2,此时确认得到某一关联设备对某一配电柜的线路损耗影响程度为Q=m*X1/(|X1-X2|+1);其中m表示电力传输过程中的实际线损测量误差;
例如说,关联设备F2分别在关联设备集合A1的序号值X1=2,在关联设备集合A2中的序号值X2=3,则相应的关联设备F2对某一配电柜F1的线路损耗影响程度为Q=0.1*2/(3-2+1)=0.1;
S230、分别获取某一时间节点下各个关联设备的实时电能质量状态值Dt,则基于某一配电柜分别和各个关联设备之间的线路损耗值∆P和关联值G,预测得到某一配电柜在某一时间节点下的电能质量状态计算值D1=∑s(G*D-Q*∆P)/S;同时获取历史运行记录中某一配电柜在某一时间节点下的实时电能质量状态值D2,计算得到某一配电柜电能质量状态值的误差精度为α=±|D2-D1|;
此时得到电能质量状态计算值D1=10.3,而在监测传感器下获取的某一时间节点的实时电能质量状态值D2=10,则进一步得到某一配电柜F1电能质量状态值的误差精度为α=±0.3。
S300、根据各配电柜电能质量状态值的误差精度生成电能质量模拟轨迹图,则根据电能质量模拟轨迹图分析各配电柜在电力传输过程中所监测到的曲线偏差;
在S300中,具体步骤如下:
S310、分别获取各个关联设备的电能质量轨迹图,则利用电能质量状态计算值D1的计算公式分别计算出各时间节点下某一配电柜的电能质量状态值,并根据所计算的电能质量状态值绘制出某一配电柜的电能质量模拟轨迹图;
S320、获取某一配电柜的电能质量轨迹图,利用蔡司三坐标曲线将所述电能质量轨迹图与电能质量模拟轨迹图进行曲线偏差比较,确认得到某一配电柜的曲线偏差值。
S400、根据各配电柜的曲线偏差判断监测各配电柜的传感器是否故障。
在S400中,具体步骤如下:
S410、当曲线偏差值大于偏差阈值时,判定监测某一配电柜的传感器出现异常,并通知相关负责人员进行处理;
上述步骤中出现的传感器属于软故障,即现实生活中较难发现的故障;
S420、当曲线偏差值小于偏差阈值时,判定监测某一配电柜的传感器未出现异常,则对某一配电柜的运行记录进行监测,并实时显示某一配电柜的电能质量轨迹图。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于大数据的可视化设备数据智能监管方法,其特征在于:包括以下步骤:
S100、分别采集电力***中各配电柜的初始电参量数据和在历史运行记录中的实时电参量数据,分析各配电柜的电能质量状态值并构建电能质量轨迹图;根据各配电柜之间的连接方式分析各配电柜在进行电力传输时的关联值;
S200、历史运行记录中的某一时间节点下,基于电力***中各配电柜的安装位置点分别计算各配电柜之间进行电力传输时的线路损耗,并根据各配电柜之间的关联值和线路损耗分析各配电柜电能质量状态值的误差精度;
S200包括:
S210、基于历史运行记录中的某一时间节点,对某一配电柜和某一关联设备的安装位置点分别进行距离测量和电流测量,则分别测量得到某一配电柜和某一关联设备连接的线路长度H和线路传输电流I,此时根据线路长度和线路传输电流计算得到某一配电柜和某一关联设备之间的线路损耗值∆P=∑HI2R;其中R表示某一配电柜和某一关联设备连接的线路电阻值;
S220、基于某一配电柜分别和各个关联设备之间的线路损耗值大小对各关联设备信息进行升序,生成一条根据线路损耗值排序的关联设备集合A1;同时基于某一配电柜分别和各个关联设备之间的关联值大小对各关联设备信息进行升序,生成一条根据关联值排序的关联设备集合A2;则获取某一关联设备分别在关联设备集合A1的序号值X1和在关联设备集合A2中的序号值X2,此时确认得到某一关联设备对某一配电柜的线路损耗影响程度为Q=m*X1/(|X1-X2|+1);其中m表示电力传输过程中的实际线损测量误差;
S230、分别获取某一时间节点下各个关联设备的实时电能质量状态值Dt,则基于某一配电柜分别和各个关联设备之间的线路损耗值∆P和关联值G,预测得到某一配电柜在某一时间节点下的电能质量状态计算值D1=∑s(G*D-Q*∆P)/S;同时获取历史运行记录中某一配电柜在某一时间节点下的实时电能质量状态值D2,计算得到某一配电柜电能质量状态值的误差精度为α=±|D2-D1|;S表示某一配电柜所连接的关联设备数量,D表示表示某一关联设备的电能质量状态均值;
S300、根据各配电柜电能质量状态值的误差精度生成电能质量模拟轨迹图,则根据电能质量模拟轨迹图分析各配电柜在电力传输过程中所监测到的曲线偏差;
S400、根据各配电柜的曲线偏差判断监测各配电柜的传感器是否故障。
2.根据权利要求1所述的一种基于大数据的可视化设备数据智能监管方法,其特征在于:在S100中,具体步骤如下:
S110、基于各配电柜在电力***中的历史运行记录,分别获取实时电参量数据中各配电柜的实时电压K1、电流K2和功率因数K3;并根据各配电柜的初始电参量数据分别获取各配电柜的额定电压Z1、额定电流Z2和额定功率因数Z3;则将K1/Z1、K2/Z2和K3/Z3进行乘积加权,分别计算得到各配电柜的电能质量状态值和根据电能质量状态值得到的各配电柜的电能质量轨迹图;
S120、将某一配电柜所连接的任意配电柜设为某一配电柜的关联设备,其中任意配电柜信息由某一配电柜的级数确认;则分别获取各关联设备在电力***中的历史运行记录,分别确认各关联设备在运行过程中的工作频率和电量均值;
S130、通过根据某一配电柜所连接的关联设备数量S、某一关联设备在运行过程中的工作频率V和电量均值U计算得到某一配电柜和某一关联设备在进行电力传输时的关联值G=[V*U/(S*∑U)]*(D/U);其中∑U表示S个关联设备的电量均值之和,D表示某一关联设备的电能质量状态均值。
3.根据权利要求2所述的一种基于大数据的可视化设备数据智能监管方法,其特征在于:在S300中,具体步骤如下:
S310、分别获取各个关联设备的电能质量轨迹图,则利用电能质量状态计算值D1的计算公式分别计算出各时间节点下某一配电柜的电能质量状态值,并根据所计算的电能质量状态值绘制出某一配电柜的电能质量模拟轨迹图;
S320、获取某一配电柜的电能质量轨迹图,利用蔡司三坐标曲线将所述电能质量轨迹图与电能质量模拟轨迹图进行曲线偏差比较,确认得到某一配电柜的曲线偏差值。
4.根据权利要求3所述的一种基于大数据的可视化设备数据智能监管方法,其特征在于:在S400中,具体步骤如下:
S410、当曲线偏差值大于偏差阈值时,判定监测某一配电柜的传感器出现异常,并通知相关负责人员进行处理;
S420、当曲线偏差值小于偏差阈值时,判定监测某一配电柜的传感器未出现异常,则对某一配电柜的运行记录进行监测,并实时显示某一配电柜的电能质量轨迹图。
5.用于实现权利要求1-4中任一项所述的一种基于大数据的可视化设备数据智能监管方法的可视化设备数据智能监管***,其特征在于:所述***包括:数据采集模块、关联分析模块、误差计算模块、曲线判断模块和数据显示模块;
通过所述数据采集模块采集各配电柜的初始电参量数据和实时电参量数据;
通过所述关联分析模块分析各配电柜在进行电力传输时的关联值;
通过所述误差计算模块根据各配电柜之间的关联值和线路损耗分析各配电柜电能质量状态值的误差精度;
通过所述曲线判断模块分析各配电柜在电力传输过程中所监测到的曲线偏差;
通过所述数据显示模块判断监测各配电柜的传感器是否故障。
6.根据权利要求5所述的可视化设备数据智能监管***,其特征在于:所述数据采集模块包括参数采集单元、电参量采集单元和轨迹构建单元;
所述参数采集单元用于分别采集初始电参量数据中各配电柜的额定电压、额定电流和额定功率因数;所述电参量采集单元用于分别采集实时电参量数据中各配电柜的实时电压、电流和功率因数;所述轨迹构建单元用于根据初始电参量数据和实时电参量数据计算得到各配电柜的电能质量轨迹图。
7.根据权利要求5所述的可视化设备数据智能监管***,其特征在于:所述关联分析模块包括记录获取单元和关联分析单元;
所述记录获取单元用于根据某一配电柜的历史运行记录分别确认各关联设备在运行过程中的工作频率和电量均值;所述关联分析单元用于计算某一配电柜和某一关联设备在进行电力传输时的关联值。
8.根据权利要求5所述的可视化设备数据智能监管***,其特征在于:所述误差计算模块包括线损分析单元、影响程度分析单元和误差计算单元;
所述线损分析单元用于根据线路长度和线路传输电流计算某一配电柜和某一关联设备之间的线路损耗值;所述影响程度分析单元用于对两个关联设备集合进行序号比较,分别确认同一关联设备在不同集合中的序号差值,分析各关联设备的线路损耗影响程度;所述误差计算单元用于根据某一配电柜分别和各个关联设备之间的线路损耗值和关联值计算某一配电柜电能质量状态值的误差精度。
9.根据权利要求5所述的可视化设备数据智能监管***,其特征在于:所述曲线判断模块包括轨迹绘制单元和偏差计算单元;
所述轨迹绘制单元用于根据所计算的电能质量状态值绘制出某一配电柜的电能质量模拟轨迹图;所述偏差计算单元用于利用蔡司三坐标曲线将所述电能质量轨迹图与电能质量模拟轨迹图进行曲线偏差比较,确认得到某一配电柜的曲线偏差值;
数据显示模块包括偏差分析单元和数据显示单元;
所述偏差分析单元用于将曲线偏差值同偏差阈值进行比较,分析监测某一配电柜的传感器是否异常;所述数据显示单元用于实时显示某一配电柜的电能质量轨迹图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410445328.8A CN118040912B (zh) | 2024-04-15 | 2024-04-15 | 一种基于大数据的可视化设备数据智能监管方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410445328.8A CN118040912B (zh) | 2024-04-15 | 2024-04-15 | 一种基于大数据的可视化设备数据智能监管方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118040912A CN118040912A (zh) | 2024-05-14 |
CN118040912B true CN118040912B (zh) | 2024-06-18 |
Family
ID=90986326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410445328.8A Active CN118040912B (zh) | 2024-04-15 | 2024-04-15 | 一种基于大数据的可视化设备数据智能监管方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118040912B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112684399A (zh) * | 2020-11-23 | 2021-04-20 | 国网江苏省电力有限公司营销服务中心 | 基于人工智能的电能表运行误差监测数据拟合方法及*** |
CN116914917A (zh) * | 2023-05-31 | 2023-10-20 | 深圳市宝安爱德电气有限公司 | 一种基于大数据的配电柜运行状态监测管理*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112698261A (zh) * | 2020-11-25 | 2021-04-23 | 国网湖南省电力有限公司 | 一种智能电能表故障预警方法及装置 |
-
2024
- 2024-04-15 CN CN202410445328.8A patent/CN118040912B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112684399A (zh) * | 2020-11-23 | 2021-04-20 | 国网江苏省电力有限公司营销服务中心 | 基于人工智能的电能表运行误差监测数据拟合方法及*** |
CN116914917A (zh) * | 2023-05-31 | 2023-10-20 | 深圳市宝安爱德电气有限公司 | 一种基于大数据的配电柜运行状态监测管理*** |
Also Published As
Publication number | Publication date |
---|---|
CN118040912A (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113299042B (zh) | 一种用于工业电器变频设备的安全预警*** | |
CN109657912B (zh) | 一种可视化的电网风险管控方法及*** | |
CN107680368A (zh) | 一种基于采集数据的计量装置在线监测与智能诊断方法 | |
CN112700032A (zh) | 一种用于低压直流配用电***的故障预测***及方法 | |
CN112034260B (zh) | 一种配电台区低压线损精益分析与反窃电精准定位方法 | |
EP3972084A2 (en) | Systems and methods for monitoring energy-related data in an electrical system | |
CN114383652A (zh) | 一种配电网潜在故障在线风险辨识方法、***及装置 | |
CN114742488B (zh) | 一种主变压器运行风险评估方法和*** | |
CN106340963B (zh) | 一种电力配电室智能代维监控*** | |
CN113922326B (zh) | 基于scada数据的母线/线路接地选线轮切方法 | |
CN118040912B (zh) | 一种基于大数据的可视化设备数据智能监管方法及*** | |
Liu et al. | Study on reliability evaluation method based on improved Monte Carlo method | |
Guo et al. | A review of on-line condition monitoring in power system | |
CN113484658A (zh) | 电弧故障的诊断方法、***、介质及电子设备 | |
CN111537819A (zh) | 一种配电自动化监测方法、***、终端及存储介质 | |
CN114838756B (zh) | 一种智能环网柜监控*** | |
CN110674240A (zh) | 一种基于gis的电力设备分布式多级智能故障诊断*** | |
CN113990057B (zh) | 一种宽频振荡厂站端预警方法、***、存储介质及服务器 | |
CN115276230A (zh) | 一种配电网台区电能质量在线监测及异常分析平台 | |
CN111880121B (zh) | 一种基于运行扰动数据分析的低压台区拓扑***及拓扑识别方法 | |
CN114707789A (zh) | 一种低压配电网高频量测数据处理与拓扑识别方法和*** | |
WO2022133270A1 (en) | Systems and methods for evaluating electrical phasors to identify, assess, and mitigate power quality issues | |
CN112446801A (zh) | 一种有效提升电力***数据质量的***及方法 | |
Zhang et al. | Longitudinal protection method based on voltage waveform comparison for AC/DC hybrid system | |
CN117761468B (zh) | 一种新能源发电站多参数运行状态监控方法及*** |
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 |