CN118229259A - 一种电力设备智能管理方法及*** - Google Patents
一种电力设备智能管理方法及*** Download PDFInfo
- Publication number
- CN118229259A CN118229259A CN202410201228.0A CN202410201228A CN118229259A CN 118229259 A CN118229259 A CN 118229259A CN 202410201228 A CN202410201228 A CN 202410201228A CN 118229259 A CN118229259 A CN 118229259A
- Authority
- CN
- China
- Prior art keywords
- equipment
- interference
- module
- overhaul
- power
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 17
- 230000007613 environmental effect Effects 0.000 claims abstract description 85
- 238000013507 mapping Methods 0.000 claims abstract description 75
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000004088 simulation Methods 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims description 73
- 238000012423 maintenance Methods 0.000 claims description 67
- 230000002159 abnormal effect Effects 0.000 claims description 33
- 238000005457 optimization Methods 0.000 claims description 31
- 238000012937 correction Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000003344 environmental pollutant Substances 0.000 claims description 10
- 231100000719 pollutant Toxicity 0.000 claims description 10
- 238000005094 computer simulation Methods 0.000 claims description 8
- 238000011002 quantification Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 description 19
- 230000008859 change Effects 0.000 description 4
- 239000000306 component Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 239000000809 air pollutant Substances 0.000 description 2
- 231100001243 air pollutant Toxicity 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种电力设备智能管理方法及***,涉及智慧电厂技术领域,方法包括:对电力设备进行结构模块划分,确定结构映射关联;将结构映射关联嵌入电厂设备孪生模型中,得到设备模块孪生模型;基于设备模块孪生模型,根据预设环境干扰因子对电厂设备进行多次环境干扰模拟,确定环境与设备模块的干扰映射关联;基于环境预测数据和干扰映射关联匹配获得多个设备模块的干扰系数;基于干扰系数和位置标记对设备检修方案进行优化。能够解决由于无法对不同环境下的电力设备的损耗情况进行针对性的精准分析,同时设备检修时并未精确到检修零部件,导致电力设备检修的精度和准确性较低的问题,可以提高电力设备检修的精度和准确性。
Description
技术领域
本公开涉及智慧电厂技术领域,并且更具体地,涉及一种电力设备智能管理方法及***。
背景技术
电厂电力设备检修是确保电厂正常运行和发电的重要环节,由于电厂电力设备在一年内每个时间段所处的环境各不相同,同时由于在不同温度、湿度、气候等环境干扰下,各电力设备的损耗情况也不完全一样,传统的电力设备检修方法通常是按照固定周期对电力设备进行检修,并未考虑到外界因素对设备损耗造成的影响,同时传统方法在进行设备检修时,通常是对整个设备进行检修,并不会精确到需要进行检修的设备零部件,造成电力设备检修精度和准确性较低的现象,影响了电厂的安全稳定供电。
现有的电厂电力设备管理方法存在的不足之处在于:由于无法对不同环境下的电力设备的损耗情况进行针对性的精准分析,同时在设备检修时并未精确到设备检修零部件,导致电力设备检修的精度和准确性较低。
发明内容
因此,为了解决上述技术问题,本公开的实施例采用的技术方案如下:
一种电力设备智能管理方法,包括以下步骤:获取目标电厂的电力设备信息,并根据所述电力设备信息进行孪生仿真建模,生成电厂设备孪生模型;提取所述电力设备信息中的电力设备类型,并基于所述电力设备类型对电力设备进行结构模块划分,确定电力设备与结构模块的结构映射关联;将所述结构映射关联嵌入所述电厂设备孪生模型中,得到设备模块孪生模型,所述设备模块孪生模型中每个设备模块均具有位置标记;基于所述设备模块孪生模型,根据预设环境干扰因子对电厂设备进行多次环境干扰模拟,确定环境与设备模块的干扰映射关联;获取预设时间周期内多个时间窗口的环境预测数据,并基于所述环境预测数据和所述干扰映射关联匹配获得多个设备模块的干扰系数;基于多个干扰系数和所述位置标记对预设时间周期内的设备检修方案进行优化,生成设备优化检修方案;基于所述设备优化检修方案对目标电厂的电力设备进行检修。
一种电力设备智能管理***,包括:电厂设备孪生模型生成模块,所述电厂设备孪生模型生成模块用于获取目标电厂的电力设备信息,并根据所述电力设备信息进行孪生仿真建模,生成电厂设备孪生模型;结构映射关联确定模块,所述结构映射关联确定模块用于提取所述电力设备信息中的电力设备类型,并基于所述电力设备类型对电力设备进行结构模块划分,确定电力设备与结构模块的结构映射关联;设备模块孪生模型得到模块,所述设备模块孪生模型得到模块用于将所述结构映射关联嵌入所述电厂设备孪生模型中,得到设备模块孪生模型,所述设备模块孪生模型中每个设备模块均具有位置标记;干扰映射关联确定模块,所述干扰映射关联确定模块用于基于所述设备模块孪生模型,根据预设环境干扰因子对电厂设备进行多次环境干扰模拟,确定环境与设备模块的干扰映射关联;干扰系数匹配模块,所述干扰系数匹配模块用于获取预设时间周期内多个时间窗口的环境预测数据,并基于所述环境预测数据和所述干扰映射关联匹配获得多个设备模块的干扰系数;设备检修方案优化模块,所述设备检修方案优化模块用于基于多个干扰系数和所述位置标记对预设时间周期内的设备检修方案进行优化,生成设备优化检修方案;电力设备检修模块,所述电力设备检修模块用于基于所述设备优化检修方案对目标电厂的电力设备进行检修。
由于采用了上述技术方法,本公开相对于现有技术来说,取得的技术进步有如下几点:
可以解决现有的电厂电力设备管理方法存在由于无法对不同环境下的电力设备的损耗情况进行针对性的精准分析,同时在设备检修时并未精确到设备检修零部件,导致电力设备检修的精度和准确性较低的技术问题。首先,获取目标电厂的电力设备信息,并根据所述电力设备信息进行孪生仿真建模,生成电厂设备孪生模型;然后提取所述电力设备信息中的电力设备类型,并基于所述电力设备类型对电力设备进行结构模块划分,确定电力设备与结构模块的结构映射关联;将所述结构映射关联嵌入所述电厂设备孪生模型中,得到设备模块孪生模型,所述设备模块孪生模型中每个设备模块均具有位置标记;进一步基于所述设备模块孪生模型,根据预设环境干扰因子对电厂设备进行多次环境干扰模拟,确定环境与设备模块的干扰映射关联;获取预设时间周期内多个时间窗口的环境预测数据,并基于所述环境预测数据和所述干扰映射关联匹配获得多个设备模块的干扰系数;最后基于多个干扰系数和所述位置标记对预设时间周期内的设备检修方案进行优化,生成设备优化检修方案;基于所述设备优化检修方案对目标电厂的电力设备进行检修。通过基于环境变化影响分析生成针对性的电力设备检修方案,可以提高电力设备检修的精度和准确性,从而保障电厂供电的稳定性和可靠性。
附图说明
为了更清楚地说明本公开的实施例的技术方案,下面将对实施例的描述中所需要使用的附图作简单的介绍。
图1为本申请提供了一种电力设备智能管理方法的流程示意图;
图2为本申请提供了一种电力设备智能管理方法中确定环境与设备模块的干扰映射关联的流程示意图;
图3为本申请提供了一种电力设备智能管理***的结构示意图。
附图标记说明:电厂设备孪生模型生成模块01、结构映射关联确定模块02、设备模块孪生模型得到模块03、干扰映射关联确定模块04、干扰系数匹配模块05、设备检修方案优化模块06、电力设备检修模块07。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整的描述。基于本公开中的实施例,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,都属于本公开保护的范围。
实施例一
基于上述描述,如图1所示,本公开提供了一种电力设备智能管理方法,包括:
本申请提供的方法用于基于环境变化影响分析对现有的电力设备检修方法进行优化,生成针对性的电力设备检修方案,来达到提高电力设备检修的精度和准确性,保障电厂供电的稳定性和可靠性的技术效果,所述方法具体实施于一种电力设备智能管理***。
获取目标电厂的电力设备信息,并根据所述电力设备信息进行孪生仿真建模,生成电厂设备孪生模型;
在本申请实施例中,首先,获取目标电厂的电力设备信息,其中所述电力设备信息包括设备类型以及数量、设备规格、设备连接关系、设备位置坐标等信息,本领域技术人员可根据实际情况进行设置。
基于数字孪生技术,根据所述电力设备信息中的设备类型以及设备规格等信息在可视化仿真平台内进行三维仿真建模,得到多个电力设备孪生模型。然后根据设备数量、设备连接关系和设备位置坐标将多个电力设备孪生模型进行连接,生成电厂设备孪生模型。通过构建电厂设备孪生模型,可以提高电厂设备模拟运行的准确性,为下一步进行环境与设备的关联分析提供了支持。
提取所述电力设备信息中的电力设备类型,并基于所述电力设备类型对电力设备进行结构模块划分,确定电力设备与结构模块的结构映射关联;
在本申请实施例中,在所述电力设备信息中提取多个电力设备类型,然后根据所述电力设备类型依次对电力设备进行结构模块划分,其中结构模块划分是指将整个电力设备划分为多个模块部件,例如:假设电力设备为变压器,则对变压器进行结构模块划分后得到的模块部件包括变压器外壳、铁芯部件、绕组部件、变压器油箱及冷却装置等,本领域技术人员可根据实际设备类型进行划分;根据划分结果得到多个电力设备以及对应结构模块集合。
将电力设备作为子节点,将结构模块集合作为所述子节点的叶子节点,将多个电力设备以及对应结构模块集合作为构建数据,构建电力设备与结构模块的结构映射关联。通过生成结构映射关联,可以提高电力设备分析的精细度,从而可以提高环境对设备干扰分析的精细度。例如:变压器的引出线和接线端子通常采用金属材料制成,在潮湿或腐蚀性环境中,这些金属部件容易受到腐蚀,导致接触不良、电阻增大或断路等问题。
将所述结构映射关联嵌入所述电厂设备孪生模型中,得到设备模块孪生模型,所述设备模块孪生模型中每个设备模块均具有位置标记;
在本申请实施例中,根据设备位置坐标和设备模块序号对每个设备模块进行位置标记,其中设备模块的位置标记结果包括位置坐标以及模块序号。然后将所述结构映射关联嵌入所述电厂设备孪生模型中,即对电厂设备孪生模型中的电力设备按照模块划分结果进行细化,得到设备模块孪生模型,其中所述设备模块孪生模型中每个设备模块均具有位置标记。通过构建设备模块孪生模型,为下一步进行环境对电力设备模块的干扰分析提供了支持。
基于所述设备模块孪生模型,根据预设环境干扰因子对电厂设备进行多次环境干扰模拟,确定环境与设备模块的干扰映射关联;
在本申请实施例中,首先,获取预设环境干扰因子,其中预设环境干扰因子是指对电力设备损耗造成影响的因素,然后在所述设备模块孪生模型中,根据所述预设环境干扰因子对电厂设备进行多次环境干扰模拟,根据环境干扰模拟结果确定环境与设备模块的干扰映射关联。
如图2所示,在一个实施例中,所述方法还包括:
获取预设环境干扰因子,其中所述预设环境干扰因子包括环境温度、环境湿度、风力、空气中污染物含量;
在所述预设环境干扰因子中随机选取第一干扰因子;
获取所述第一干扰因子的第一调整步长;
以所述第一干扰因子为变量,所述预设环境干扰因子中除所述第一干扰因子外的其他干扰因子为定量,根据所述第一调整步长对所述第一干扰因子进行调整,生成多个第一环境参数;
在本申请实施例中,首先,获取预设环境干扰因子,其中所述预设环境干扰因子包括环境温度、环境湿度、风力、空气中污染物含量,其中空气污染物含量包括灰尘、化学气体等,会对电力设备的外部造成污染和腐蚀。
在所述预设环境干扰因子中随机选取第一干扰因子,所述第一干扰因子为环境温度、环境湿度、风力、空气中污染物含量中的任意一个。获取所述第一干扰因子的第一调整步长,其中所述第一调整步长为对第一干扰因子进行参数调整的距离,本领域技术人员可根据干扰因子的实际类型和设备运行的实际环境进行设置,例如:假设第一干扰因子为环境温度,第一调整步长为0.01,则第一干扰因子每次调整时,则为增加0.01摄氏度。
将所述第一干扰因子作为变量,所述预设环境干扰因子中除所述第一干扰因子外的其他干扰因子为定量,其中变量是指根据调整步长进行调整的,定量是指固定的,参数不发生变动,然后根据所述第一调整步长对所述第一干扰因子进行调整,生成多个第一环境参数,其中在多个第一环境参数中除第一干扰因子的参数外,其他数据完全相同。
在一个实施例中,所述方法还包括:
调取所述目标电厂的历史环境监测记录,基于所述历史环境监测记录提取多个历史环境监测数据,所述历史环境监测数据包括温度监测数据、湿度监测数据、风力监测数据、污染物含量监测数据;
在所述历史环境监测数据中选取第一历史环境监测数据,按照第一预设聚类规则对多个第一历史环境监测数据进行聚类,得到多个第一环境监测数据聚类结果;
提取所述多个第一环境监测数据聚类结果中数据数量大于预设数量阈值的第一环境监测数据聚类结果,并进行均值计算得到第一环境定量数据;
基于所述第一环境定量数据依次得到多个环境定量数据;
提取所述多个环境定量数据中除所述第一干扰因子外的环境定量数据,结合多个第一干扰因子调整结果生成多个第一环境参数。
在本申请实施例中,首先,调取所述目标电厂的历史环境监测记录,然后在所述历史环境监测记录中提取多个历史环境监测数据,其中所述历史环境监测数据包括温度监测数据、湿度监测数据、风力监测数据、污染物含量监测数据。然后在所述历史环境监测数据中选取第一历史环境监测数据,所述第一历史环境监测数据为温度监测数据、湿度监测数据、风力监测数据、污染物含量监测数据中的任意一个。
获取第一预设聚类规则,所述第一预设聚类规则可根据环境监测数据类型和实际情况进行设置,例如:当第一历史环境监测数据为温度监测数据时,假设第一预设聚类规则为1,即将温度偏差处于1摄氏度之内的多个温度监测数据聚为一类。然后按照所述第一预设聚类规则对多个第一历史环境监测数据进行聚类,得到多个第一环境监测数据聚类结果。
获取预设数量阈值,所述预设数量阈值本领域技术人员可根据实际情况进行设置。然后提取所述多个第一环境监测数据聚类结果中数据数量大于预设数量阈值的第一环境监测数据聚类结果,其中设置所述预设数量阈值的目的是将多个第一环境监测数据聚类结果中出现频次较高的监测数据进行提取,然后对提取的第一环境监测数据聚类结果进行均值计算,将均值计算结果作为第一环境定量数据。然后利用获得所述第一环境定量数据相同的方法依次对其他历史环境监测数据进行分析,得到多个环境定量数据。通过生成环境定量数据,可以提高环境参数设置的准确性和真实性,从而提高环境因素对设备干扰分析的准确性。
最后提取所述多个环境定量数据中除所述第一干扰因子外的环境定量数据,然后根据所述环境定量数据和多个第一干扰因子调整结果组合生成多个第一环境参数。
将所述多个第一环境参数输入所述设备模块孪生模型中进行环境干扰模拟,得到多个设备模块干扰系数集合,其中每个设备模块均具有对应的第一干扰系数;
基于所述多个第一环境参数和所述多个设备模块干扰系数集合生成第一干扰映射关联;
基于所述第一干扰映射关联依次得到多个干扰映射关联,并根据所述多个干扰映射关联组成所述干扰映射关联。
在本申请实施例中,设置预设模拟时长,所述预设模拟时长可自行设置,例如:1周,然后将所述多个第一环境参数输入所述设备模块孪生模型中,按照所述预设模拟时长进行环境干扰模拟,并根据环境干扰模拟结果生成多个设备模块干扰系数集合,其中每个设备模块均具有对应的第一干扰系数,其中所述第一环境参数对设备模块的损耗越大,则该设备模块对应的干扰系数越大,其中不受所述第一环境参数影响的设备模块的第一干扰系数为0。然后根据所述多个第一环境参数和所述多个设备模块干扰系数集合生成第一干扰映射关联。
通过进行环境干扰模拟依次得到多个环境参数与设备模块的干扰映射关联,并根据所述多个干扰映射关联组成所述干扰映射关联。通过进行环境干扰模拟生成干扰映射关联,为当前环境下的电力设备损耗分析提供了支持。
获取预设时间周期内多个时间窗口的环境预测数据,并基于所述环境预测数据和所述干扰映射关联匹配获得多个设备模块的干扰系数;
在本申请实施例中,首先,获取预设时间周期内多个时间窗口的环境预测数据,所述预设时间周期为一个较长的时间段,本领域技术人员可根据实际情况进行设置,例如:20天、25天等,所述多个时间窗口为所述预设时间周期内多个较小的时间段,例如:1天;其中所述环境预测数据包括温度预测数据、湿度预测数据、风力预测数据和空气中污染物含量预测数据,可通过天气预报等手段进行获取。然后将所述环境预测数据输入所述干扰映射关联中进行匹配,获得多个设备模块的干扰系数。
在一个实施例中,所述方法还包括:
将多个时间窗口的环境预测数据依次输入所述干扰映射关联中进行匹配,得到多个干扰设备模块和对应的干扰系数集合;
在所述多个干扰设备模块中选取第一干扰设备模块,并获取所述第一干扰设备模块的第一干扰系数集合;
根据预设系数阈值对所述第一干扰系数集合中的第一干扰系数进行判断,当所述第一干扰系数满足所述预设系数阈值时,将所述第一干扰系数标记为有效干扰系数,得到多个有效干扰系数;
对所述多个有效干扰系数进行均值计算,并将有效干扰系数均值作为所述第一干扰设备模块的第一干扰系数,依次得到多个干扰设备模块的干扰系数。
在本申请实施例中,首先,将多个时间窗口的环境预测数据依次输入所述干扰映射关联中进行匹配,得到多个干扰设备模块和对应的干扰系数集合。然后在所述多个干扰设备模块中选取第一干扰设备模块,所述第一干扰设备模块为所述多个干扰设备模块中的任意一个,并获取所述第一干扰设备模块的第一干扰系数集合。
获取预设系数阈值,所述预设系数阈值可根据实际设备损耗状况进行设置,可将设备损耗不影响设备正常运行时的干扰系数设置为预设系数阈值。然后根据所述预设系数阈值对所述第一干扰系数集合中的第一干扰系数进行判断,当所述第一干扰系数大于所述预设系数阈值时,则将所述第一干扰系数标记为有效干扰系数,其中有效干扰系数是指会对电力设备正常运行造成影响的干扰强度,得到多个有效干扰系数。然后对所述多个有效干扰系数进行均值计算,得到有效干扰系数均值,并将所述有效干扰系数均值作为所述第一干扰设备模块的第一干扰系数,利用相同的方法依次得到多个干扰设备模块的干扰系数。
通过对干扰系数进行有效性分析,并通过有效干扰系数均值计算获得干扰设备模块的干扰系数,可以提高干扰系数设置的准确性,从而可以提高设备检修方案优化调整的准确性。
基于多个干扰系数和所述位置标记对预设时间周期内的设备检修方案进行优化,生成设备优化检修方案;
在本申请实施例中,获取所述多个干扰系数对应的多个干扰设备模块,并根据所述多个干扰系数,对预设时间周期内的设备检修方案中对应的多个干扰设备模块的检修方案进行优化调整,并根据方案优化调整结果和多个干扰设备模块的位置标记生成设备优化检修方案。
在一个实施例中,所述方法还包括:
依次判断所述多个干扰系数是否大于预设系数预警阈值;
若是,将所述干扰系数对应的设备模块标记为异常检修模块,得到多个异常检修模块;
在本申请实施例中,首先,获取预设系数预警阈值,所述预设系数预警阈值可根据实际设备检修需求进行设置,其中设备检修需求质量越高,则预设系数预警阈值越小。然后依次判断所述多个干扰系数是否大于预设系数预警阈值,若干扰系数大于所述预设系数预警阈值,则将所述干扰系数对应的设备模块标记为异常检修模块,获得多个异常检修模块,其中异常检修模块为需要进行检修方案优化调整的设备模块。
在一个实施例中,所述方法还包括:
若否,则将所述干扰系数对应的设备模块标记为正常检修模块,其中所述正常检修模块的设备检修方案不变。
在本申请实施例中,若干扰系数小于等于所述预设系数预警阈值,则将所述干扰系数对应的设备模块标记为正常检修模块,其中所述正常检修模块的设备检修方案不变,即按照之前的设备检修方案进行正常检修即可。
计算所述多个异常检修模块的多个干扰系数偏差,所述干扰系数偏差为干扰系数与所述预设系数预警阈值的差值;
将所述多个干扰系数偏差输入检修校正通道进行检修时间偏差分析,得到多个检修时间偏差;
根据所述多个检修时间偏差对设备检修方案进行优化,生成设备优化检修方案。
在本申请实施例中,依次计算所述干扰系数与所述预设系数预警阈值的系数差值,并将所述系数差值作为干扰系数偏差,得到所述多个异常检修模块的多个干扰系数偏差。
然后将所述多个干扰系数偏差输入检修校正通道进行检修时间偏差分析,得到多个检修时间偏差,其中所述干扰系数偏差越大,则检修时间偏差越大。
其中所述检修校正通道为基于机器学习和BP神经网络构建的神经网络模型,通过训练数据集进行监督训练获得,其中所述检修校正通道包括输入层、时间校正层和输出层,所述输入层的输入数据为干扰系数偏差和设备模块,输出数据为检修时间偏差,其中所述检修校正通道的训练过程如下,获取多个样本训练数据,其中所述样本训练数据包括样本干扰系数偏差、样本设备模块和样本检修时间偏差;然后根据所述多个样本训练数据对所述检修校正通道进行监督训练,首先,在所述多个样本训练数据中随机选取第一样本训练数据,通过所述第一样本训练数据对所述检修校正通道进行监督训练,得到第一输出结果;将所述第一输出结果与所述第一样本训练数据中的第一检修时间偏差进行比对;当两者一致时,则随机选取第二训练数据进行监督训练;当两者不一致时,获取两者之间的偏差数据,并根据所述偏差数据对所述检修校正通道的权重参数进行优化调整,然后随机选取第二训练数据进行监督训练;不断进行迭代训练,直到所述检修校正通道趋于收敛状态时,则停止训练,获得训练完成的检修校正通道。通过基于机器学习和BP神经网络构建检修校正通道,可以提高检修时间偏差获得的准确性和效率,从而提高设备检修方案优化调整的准确性。
最后根据所述多个检修时间偏差对设备检修方案进行优化,得到设备优化检修方案。
在一个实施例中,所述方法还包括:
根据所述多个检修时间偏差对所述多个异常检修模块的常规检修时长进行校正,得到多个校正检修时长;
判断所述多个校正检修时长是否小于设备检修时间间隔;
若是,则判断所述校正检修时长对应的异常检修模块是否存在于所述设备检修方案中;
若否,则将所述异常检修模块添加进所述设备检修方案,得到设备优化检修方案,其中所述设备优化检修方案中的异常检修模块带有位置标记。
在本申请实施例中,首先,根据所述多个检修时间偏差对所述多个异常检修模块的常规检修时长进行校正,即用常规检修时长减去检修时间偏差,并将两者的差值作为校正检修时长,得到多个校正检修时长。
获取设备检修时间间隔,其中设备检修时间间隔是指距离下一次最近的设备检修时间的时间间隔,然后判断所述多个校正检修时长是否小于设备检修时间间隔,若校正检修时长小于所述设备检修时间间隔,则判断所述校正检修时长对应的异常检修模块是否存在于所述设备检修方案中;若存在,则不对所述设备检修方案中该异常检修模块对应的检修方案进行调整;若不存在,则将所述异常检修模块和对应的位置标记添加进所述设备检修方案,得到设备优化检修方案。
基于所述设备优化检修方案对目标电厂的电力设备进行检修。
在本申请实施例中,最后根据所述设备优化检修方案对目标电厂的电力设备进行检修。通过上述方法可以解决现有的电厂电力设备管理方法存在由于无法对不同环境下的电力设备的损耗情况进行针对性的精准分析,同时在设备检修时并未精确到设备检修零部件,导致电力设备检修的精度和准确性较低的技术问题,通过基于环境变化影响分析生成针对性的电力设备检修方案,可以提高电力设备检修的精度和准确性,从而保障电厂供电的稳定性和可靠性。
实施例二
基于与上述实施例一中电力设备智能管理方法同样的发明构思,如图3所示,本申请还提供了一种电力设备智能管理***,包括:电厂设备孪生模型生成模块01、结构映射关联确定模块02、设备模块孪生模型得到模块03、干扰映射关联确定模块04、干扰系数匹配模块05、设备检修方案优化模块06、电力设备检修模块07,其中:
电厂设备孪生模型生成模块01,所述电厂设备孪生模型生成模块01用于获取目标电厂的电力设备信息,并根据所述电力设备信息进行孪生仿真建模,生成电厂设备孪生模型;
结构映射关联确定模块02,所述结构映射关联确定模块02用于提取所述电力设备信息中的电力设备类型,并基于所述电力设备类型对电力设备进行结构模块划分,确定电力设备与结构模块的结构映射关联;
设备模块孪生模型得到模块03,所述设备模块孪生模型得到模块03用于将所述结构映射关联嵌入所述电厂设备孪生模型中,得到设备模块孪生模型,所述设备模块孪生模型中每个设备模块均具有位置标记;
干扰映射关联确定模块04,所述干扰映射关联确定模块04用于基于所述设备模块孪生模型,根据预设环境干扰因子对电厂设备进行多次环境干扰模拟,确定环境与设备模块的干扰映射关联;
干扰系数匹配模块05,所述干扰系数匹配模块05用于获取预设时间周期内多个时间窗口的环境预测数据,并基于所述环境预测数据和所述干扰映射关联匹配获得多个设备模块的干扰系数;
设备检修方案优化模块06,所述设备检修方案优化模块06用于基于多个干扰系数和所述位置标记对预设时间周期内的设备检修方案进行优化,生成设备优化检修方案;
电力设备检修模块07,所述电力设备检修模块07用于基于所述设备优化检修方案对目标电厂的电力设备进行检修。
在一个实施例中,所述***还包括:
预设环境干扰因子获取模块,所述预设环境干扰因子获取模块用于获取预设环境干扰因子,其中所述预设环境干扰因子包括环境温度、环境湿度、风力、空气中污染物含量;
第一干扰因子选取模块,所述第一干扰因子选取模块用于在所述预设环境干扰因子中随机选取第一干扰因子;
第一调整步长获取模块,所述第一调整步长获取模块用于获取所述第一干扰因子的第一调整步长;
第一环境参数生成模块,所述第一环境参数生成模块用于以所述第一干扰因子为变量,所述预设环境干扰因子中除所述第一干扰因子外的其他干扰因子为定量,根据所述第一调整步长对所述第一干扰因子进行调整,生成多个第一环境参数;
环境干扰模拟模块,所述环境干扰模拟模块用于将所述多个第一环境参数输入所述设备模块孪生模型中进行环境干扰模拟,得到多个设备模块干扰系数集合,其中每个设备模块均具有对应的第一干扰系数;
第一干扰映射关联生成模块,所述第一干扰映射关联生成模块用于基于所述多个第一环境参数和所述多个设备模块干扰系数集合生成第一干扰映射关联;
干扰映射关联获得模块,所述干扰映射关联获得模块用于基于所述第一干扰映射关联依次得到多个干扰映射关联,并根据所述多个干扰映射关联组成所述干扰映射关联。
在一个实施例中,所述***还包括:
历史环境监测数据提取模块,所述历史环境监测数据提取模块用于调取所述目标电厂的历史环境监测记录,基于所述历史环境监测记录提取多个历史环境监测数据,所述历史环境监测数据包括温度监测数据、湿度监测数据、风力监测数据、污染物含量监测数据;
第一环境监测数据聚类结果得到模块,所述第一环境监测数据聚类结果得到模块用于在所述历史环境监测数据中选取第一历史环境监测数据,按照第一预设聚类规则对多个第一历史环境监测数据进行聚类,得到多个第一环境监测数据聚类结果;
第一环境定量数据计算模块,所述第一环境定量数据计算模块用于提取所述多个第一环境监测数据聚类结果中数据数量大于预设数量阈值的第一环境监测数据聚类结果,并进行均值计算得到第一环境定量数据;
环境定量数据得到模块,所述环境定量数据得到模块用于基于所述第一环境定量数据依次得到多个环境定量数据;
第一环境参数生成模块,所述第一环境参数生成模块用于提取所述多个环境定量数据中除所述第一干扰因子外的环境定量数据,结合多个第一干扰因子调整结果生成多个第一环境参数。
在一个实施例中,所述***还包括:
干扰系数集合得到模块,所述干扰系数集合得到模块用于将多个时间窗口的环境预测数据依次输入所述干扰映射关联中进行匹配,得到多个干扰设备模块和对应的干扰系数集合;
第一干扰系数集合获取模块,所述第一干扰系数集合获取模块用于在所述多个干扰设备模块中选取第一干扰设备模块,并获取所述第一干扰设备模块的第一干扰系数集合;
有效干扰系数标记模块,所述有效干扰系数标记模块用于根据预设系数阈值对所述第一干扰系数集合中的第一干扰系数进行判断,当所述第一干扰系数满足所述预设系数阈值时,将所述第一干扰系数标记为有效干扰系数,得到多个有效干扰系数;
干扰系数得到模块,所述干扰系数得到模块用于对所述多个有效干扰系数进行均值计算,并将有效干扰系数均值作为所述第一干扰设备模块的第一干扰系数,依次得到多个干扰设备模块的干扰系数。
在一个实施例中,所述***还包括:
干扰系数判断模块,所述干扰系数判断模块用于依次判断所述多个干扰系数是否大于预设系数预警阈值;
异常检修模块标记模块,所述异常检修模块标记模块用于若是,将所述干扰系数对应的设备模块标记为异常检修模块,得到多个异常检修模块;
干扰系数偏差计算模块,所述干扰系数偏差计算模块用于计算所述多个异常检修模块的多个干扰系数偏差,所述干扰系数偏差为干扰系数与所述预设系数预警阈值的差值;
检修时间偏差分析模块,所述检修时间偏差分析模块用于将所述多个干扰系数偏差输入检修校正通道进行检修时间偏差分析,得到多个检修时间偏差;
设备优化检修方案生成模块,所述设备优化检修方案生成模块用于根据所述多个检修时间偏差对设备检修方案进行优化,生成设备优化检修方案。
在一个实施例中,所述***还包括:
正常检修模块标记模块,所述正常检修模块标记模块是指若否,则将所述干扰系数对应的设备模块标记为正常检修模块,其中所述正常检修模块的设备检修方案不变。
在一个实施例中,所述***还包括:
常规检修时长校正模块,所述常规检修时长校正模块用于根据所述多个检修时间偏差对所述多个异常检修模块的常规检修时长进行校正,得到多个校正检修时长;
校正检修时长判断模块,所述校正检修时长判断模块用于判断所述多个校正检修时长是否小于设备检修时间间隔;
异常检修模块判断模块,所述异常检修模块判断模块用于若是,则判断所述校正检修时长对应的异常检修模块是否存在于所述设备检修方案中;
设备优化检修方案得到模块,所述设备优化检修方案得到模块用于若否,则将所述异常检修模块添加进所述设备检修方案,得到设备优化检修方案,其中所述设备优化检修方案中的异常检修模块带有位置标记。
综上所述,与现有技术相比,本公开的实施例具有以下技术效果:
(1)通过基于环境变化影响分析生成针对性的电力设备检修方案,可以提高电力设备检修的精度和准确性,从而保障电厂供电的稳定性和可靠性。
(2)通过生成环境定量数据,可以提高环境参数设置的准确性和真实性,从而提高环境因素对设备干扰分析的准确性。
(3)通过基于机器学习和BP神经网络构建检修校正通道,可以提高检修时间偏差获得的准确性和效率,从而提高设备检修方案优化调整的准确性。
以上所述实施例仅表达了本公开的几种实施方式,但并不能因此而理解为对发明专利范围的限制。因此,在不脱离如由所附权利要求限定的本公开构思的范围的情况下,本领域普通技术人员可做出各种类型的替换、修改和变更,并且这些替换、修改和变更都属于本公开的保护范围。
Claims (8)
1.一种电力设备智能管理方法,其特征在于,所述方法包括:
获取目标电厂的电力设备信息,并根据所述电力设备信息进行孪生仿真建模,生成电厂设备孪生模型;
提取所述电力设备信息中的电力设备类型,并基于所述电力设备类型对电力设备进行结构模块划分,确定电力设备与结构模块的结构映射关联;
将所述结构映射关联嵌入所述电厂设备孪生模型中,得到设备模块孪生模型,所述设备模块孪生模型中每个设备模块均具有位置标记;
基于所述设备模块孪生模型,根据预设环境干扰因子对电厂设备进行多次环境干扰模拟,确定环境与设备模块的干扰映射关联;
获取预设时间周期内多个时间窗口的环境预测数据,并基于所述环境预测数据和所述干扰映射关联匹配获得多个设备模块的干扰系数;
基于多个干扰系数和所述位置标记对预设时间周期内的设备检修方案进行优化,生成设备优化检修方案;
基于所述设备优化检修方案对目标电厂的电力设备进行检修。
2.如权利要求1所述的方法,其特征在于,所述根据预设环境干扰因子对电厂设备进行多次环境干扰模拟,确定环境与设备模块的干扰映射关联,包括:
获取预设环境干扰因子,其中所述预设环境干扰因子包括环境温度、环境湿度、风力、空气中污染物含量;
在所述预设环境干扰因子中随机选取第一干扰因子;
获取所述第一干扰因子的第一调整步长;
以所述第一干扰因子为变量,所述预设环境干扰因子中除所述第一干扰因子外的其他干扰因子为定量,根据所述第一调整步长对所述第一干扰因子进行调整,生成多个第一环境参数;
将所述多个第一环境参数输入所述设备模块孪生模型中进行环境干扰模拟,得到多个设备模块干扰系数集合,其中每个设备模块均具有对应的第一干扰系数;
基于所述多个第一环境参数和所述多个设备模块干扰系数集合生成第一干扰映射关联;
基于所述第一干扰映射关联依次得到多个干扰映射关联,并根据所述多个干扰映射关联组成所述干扰映射关联。
3.如权利要求2所述的方法,其特征在于,所述生成多个第一环境参数,包括:
调取所述目标电厂的历史环境监测记录,基于所述历史环境监测记录提取多个历史环境监测数据,所述历史环境监测数据包括温度监测数据、湿度监测数据、风力监测数据、污染物含量监测数据;
在所述历史环境监测数据中选取第一历史环境监测数据,按照第一预设聚类规则对多个第一历史环境监测数据进行聚类,得到多个第一环境监测数据聚类结果;
提取所述多个第一环境监测数据聚类结果中数据数量大于预设数量阈值的第一环境监测数据聚类结果,并进行均值计算得到第一环境定量数据;
基于所述第一环境定量数据依次得到多个环境定量数据;
提取所述多个环境定量数据中除所述第一干扰因子外的环境定量数据,结合多个第一干扰因子调整结果生成多个第一环境参数。
4.如权利要求1所述的方法,其特征在于,所述基于所述环境预测数据和所述干扰映射关联匹配获得多个设备模块的干扰系数,包括:
将多个时间窗口的环境预测数据依次输入所述干扰映射关联中进行匹配,得到多个干扰设备模块和对应的干扰系数集合;
在所述多个干扰设备模块中选取第一干扰设备模块,并获取所述第一干扰设备模块的第一干扰系数集合;
根据预设系数阈值对所述第一干扰系数集合中的第一干扰系数进行判断,当所述第一干扰系数满足所述预设系数阈值时,将所述第一干扰系数标记为有效干扰系数,得到多个有效干扰系数;
对所述多个有效干扰系数进行均值计算,并将有效干扰系数均值作为所述第一干扰设备模块的第一干扰系数,依次得到多个干扰设备模块的干扰系数。
5.如权利要求4所述的方法,其特征在于,所述基于多个干扰系数和所述位置标记对预设时间周期内的设备检修方案进行优化,生成设备优化检修方案,包括:
依次判断所述多个干扰系数是否大于预设系数预警阈值;
若是,将所述干扰系数对应的设备模块标记为异常检修模块,得到多个异常检修模块;
计算所述多个异常检修模块的多个干扰系数偏差,所述干扰系数偏差为干扰系数与所述预设系数预警阈值的差值;
将所述多个干扰系数偏差输入检修校正通道进行检修时间偏差分析,得到多个检修时间偏差;
根据所述多个检修时间偏差对设备检修方案进行优化,生成设备优化检修方案。
6.如权利要求5所述的方法,其特征在于,所述方法还包括:
若否,则将所述干扰系数对应的设备模块标记为正常检修模块,其中所述正常检修模块的设备检修方案不变。
7.如权利要求5所述的方法,其特征在于,所述根据所述多个检修时间偏差对设备检修方案进行优化,生成设备优化检修方案,包括:
根据所述多个检修时间偏差对所述多个异常检修模块的常规检修时长进行校正,得到多个校正检修时长;
判断所述多个校正检修时长是否小于设备检修时间间隔;
若是,则判断所述校正检修时长对应的异常检修模块是否存在于所述设备检修方案中;
若否,则将所述异常检修模块添加进所述设备检修方案,得到设备优化检修方案,其中所述设备优化检修方案中的异常检修模块带有位置标记。
8.一种电力设备智能管理***,其特征在于,所述***包括:
电厂设备孪生模型生成模块,所述电厂设备孪生模型生成模块用于获取目标电厂的电力设备信息,并根据所述电力设备信息进行孪生仿真建模,生成电厂设备孪生模型;
结构映射关联确定模块,所述结构映射关联确定模块用于提取所述电力设备信息中的电力设备类型,并基于所述电力设备类型对电力设备进行结构模块划分,确定电力设备与结构模块的结构映射关联;
设备模块孪生模型得到模块,所述设备模块孪生模型得到模块用于将所述结构映射关联嵌入所述电厂设备孪生模型中,得到设备模块孪生模型,所述设备模块孪生模型中每个设备模块均具有位置标记;
干扰映射关联确定模块,所述干扰映射关联确定模块用于基于所述设备模块孪生模型,根据预设环境干扰因子对电厂设备进行多次环境干扰模拟,确定环境与设备模块的干扰映射关联;
干扰系数匹配模块,所述干扰系数匹配模块用于获取预设时间周期内多个时间窗口的环境预测数据,并基于所述环境预测数据和所述干扰映射关联匹配获得多个设备模块的干扰系数;
设备检修方案优化模块,所述设备检修方案优化模块用于基于多个干扰系数和所述位置标记对预设时间周期内的设备检修方案进行优化,生成设备优化检修方案;
电力设备检修模块,所述电力设备检修模块用于基于所述设备优化检修方案对目标电厂的电力设备进行检修。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410201228.0A CN118229259A (zh) | 2024-02-23 | 2024-02-23 | 一种电力设备智能管理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410201228.0A CN118229259A (zh) | 2024-02-23 | 2024-02-23 | 一种电力设备智能管理方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118229259A true CN118229259A (zh) | 2024-06-21 |
Family
ID=91507674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410201228.0A Pending CN118229259A (zh) | 2024-02-23 | 2024-02-23 | 一种电力设备智能管理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118229259A (zh) |
-
2024
- 2024-02-23 CN CN202410201228.0A patent/CN118229259A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543906B (zh) | 一种大气能见度预测的方法及设备 | |
CN115329812B (zh) | 一种基于人工智能的桥梁基础设施异常监测方法 | |
CN108802856B (zh) | 一种基于ai的源数据动态修正预报***及其工作方法 | |
CN113672606A (zh) | 油色谱监测数据质量评价方法 | |
CN110737975B (zh) | 基于经验模态分解与自回归模型的风电场风速、功率预测和异常修正方法 | |
CN115979339A (zh) | 一种基于大数据分析的蛋鸡养殖环境智能监管*** | |
CN112949201B (zh) | 一种风速预测方法、装置、电子设备及存储介质 | |
CN111062516A (zh) | 一种基于gmdh多变量处理的风机出力预测的方法 | |
CN113869633A (zh) | 一种配电网多源数据质量管控方法 | |
CN116316615B (zh) | 基于数据增强的分布式光伏群短期功率预测方法及*** | |
CN118229259A (zh) | 一种电力设备智能管理方法及*** | |
CN117200223A (zh) | 日前电力负荷预测方法和装置 | |
CN117291576A (zh) | 一种基于工业场景数据趋势预测的方法、***、计算机设备及存储介质 | |
CN116071036A (zh) | 一种变压器温度状态评价方法、设备和介质 | |
CN113779892B (zh) | 一种风速和风向的预测方法 | |
CN114814578A (zh) | 超大型灯泡贯流式水轮机发电机组运行监测*** | |
CN111428344B (zh) | 一种高速公路机电设备退化分析模型的构建方法 | |
CN113469419A (zh) | 一种商业楼宇用电量预测方法及*** | |
CN114192583A (zh) | 一种基于Scada平台的带钢轧制过程质量监控方法和*** | |
CN109376451B (zh) | 一种基于拟合关联的自动化设备故障率计算方法 | |
CN118095145B (zh) | 基于cfsr的预期发电量序列的分析方法及装置 | |
CN117010837B (zh) | 一种基于经纬度坐标的基础资源批量匹配方法 | |
CN115566997B (zh) | 用于空压站的光伏组件衰减测试***及方法 | |
CN116522166B (zh) | 一种基于大数据的空气污染监测*** | |
CN116702610B (zh) | 一种基于gbdt和数值模式的风速预测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |