CN113065580A - 一种基于多信息融合的电厂设备管理方法及系统 - Google Patents
一种基于多信息融合的电厂设备管理方法及系统 Download PDFInfo
- Publication number
- CN113065580A CN113065580A CN202110287410.9A CN202110287410A CN113065580A CN 113065580 A CN113065580 A CN 113065580A CN 202110287410 A CN202110287410 A CN 202110287410A CN 113065580 A CN113065580 A CN 113065580A
- Authority
- CN
- China
- Prior art keywords
- power plant
- plant equipment
- fault
- data
- processing
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 34
- 230000004927 fusion Effects 0.000 title claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 71
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000007547 defect Effects 0.000 claims description 30
- 230000011218 segmentation Effects 0.000 claims description 19
- 238000002360 preparation method Methods 0.000 claims description 18
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 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
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于多信息融合的电厂管理方法及系统，所述方法包括：采集电厂设备的历史多源数据，并对所述历史多源数据进行预处理得到准备数据，基于所述准备数据建立故障模型，将所述准备数据进行二次处理得到二次数据，所述二次处理包括刻画处理、关联性处理和预测性处理，通过所述二次数据对所述故障模型进行训练，基于训练后的所述故障模型与所述电厂设备的当前状态进行故障预警，实现了将不同来源的信息进行有效的收集融合，并对各类设备事故进行事前预防。
Description
技术领域
本申请涉及设备管理领域，更具体地，涉及一种基于多信息融合的电厂设备管理方法及系统。
背景技术
随着现代科技的发展，以及物联网、大数据、人工智能和云计算等技术的日新月异，电厂的设备也呈现自动化、智能化、环保型等发展趋势，海量的工业数据正在向云端迁移，另外大数据分析与数据挖掘贯穿于设备生产运行过程中，这对于电力企业设备的智能化管控提出了更高的要求。
目前，市面上传统电力生产企业在追求设备智能化的进程中，对于设备的智能化管理依然存在某些短板，一方面是各种设备巡检类业务系统存在信息孤岛问题，各专业系统间信息和数据融合度、互动性差，对于设备间错综复杂的关系所导致的缺陷间的关联与诱发关系认识不足，更多的是单点缺陷单独处理，另一方面是预见性较差，电力生产是典型的复杂巨系统，对于何时何地何种情形下容易出现故障，无法对内在规律进行定量刻画，无法做到各类设备事故的事前预防。
因此，如何将不同来源的信息进行有效的收集并融合，以及对各类设备事故的事前预防，是本领域技术人员有待解决的技术问题。
发明内容
本发明提供一种基于多信息融合的电厂设备管理方法，用于将不同来源的信息进行有效的收集，并对各类设备事故进行事前预防，所述方法包括：
采集所有电厂设备的历史多源数据，并对所述历史多源数据进行预处理得到准备数据；
基于所述准备数据建立故障模型；
将所述准备数据进行二次处理得到二次数据，所述二次处理包括刻画处理、关联性处理和预测性处理；
通过所述二次数据对所述故障模型进行训练；
基于训练后的所述故障模型与所述电厂设备的当前运行状态进行故障预警；
其中，所述历史多源数据可以通过生产管理系统进行采集，所述多源数据具体为工作票、电厂设备故障、电厂设备缺陷、电厂设备隐患、电厂设备手册、电厂设备运行状态数据。
优选地，对所述历史多源数据进行预处理，具体为：
通过分词算法对所述历史多源数据进行分词处理；
对分词处理后的所述历史多源数据进行词性标注得到标注多源数据；
基于杰卡德距离、余弦相似性原理和词典库对所述标注多源数据进行关键词提取。
优选地，所述词典库，具体为对所有电厂设备的设备树记录和实际缺陷记录中的设备故障描述内容进行分词处理得到的标准文本集合，其中，所述设备树为所有电厂设备的层级关系树。
优选地，所述刻画处理，具体为：
按照电厂设备的部件以及电厂设备所属的系统将电厂设备对应的电厂设备故障、电厂设备缺陷、电厂设备隐患进行分类得到分类数据，其中，所述分类数据包括电厂设备故障分类数据、电厂设备缺陷分类数据、电厂设备隐患分类数据；
统计所有电厂设备的故障频次；
基于所述分类数据和所述故障频次确定电厂设备发生故障的区域性和时域性，其中，所述区域性具体为电厂的检修期和汛期，所述时域性为不同的时间，包括一天中的故障发生时间节点，一年中的故障发生时间节点。
优选地，所述关联性处理，具体为：
将所有电厂设备故障按照两个一组进行不重复排列划分，其中，排列时某一电厂设备故障和其余电厂设备故障均进行组合；
基于皮尔逊系数和灰色关联度确定所有电厂设备故障的故障属性，所述故障属性分为独立性故障和从属性故障，其中，所述独立性故障为某一电厂设备故障发生时没有其他电厂设备故障发生，所述从属性故障为某一电厂设备故障发生时还有其他电厂设备故障发生。
优选地，所述预测性处理，具体为：
基于所述准备数据建立所有电厂设备间的贝叶斯网络模型和或同一系统中的电厂设备间的贝叶斯网络模型；
基于所述贝叶斯网络模型和所述电厂设备故障对应的电厂设备故障分类数据、故障属性确定其他电厂设备故障发生的类型及概率。
优选地，所述当前运行状态具体是已发生故障、未发生故障，所述基于训练后的所述故障模型与所述电厂设备的当前运行状态进行故障预警，具体为：
若所述电厂设备的当前运行状态为已发生故障，则将对应的电厂设备故障导入至所述故障模型中并得到其他电厂设备故障发生的类型及概率。
相对应的，本申请还提出了一种基于多信息融合的电厂设备管理系统，所述系统包括：
采集模块，用于采集所有电厂设备的历史多源数据，并对所述历史多源数据进行预处理得到准备数据；
建立模块，用于基于所述准备数据建立故障模型；
处理模块，用于将所述准备数据进行二次处理得到二次数据，所述二次处理包括刻画处理、关联性处理和预测性处理；
训练模块，用于通过所述二次数据对所述故障模型进行训练；
预警模块，用于基于训练后的所述故障模型与所述电厂设备的当前运行状态进行故障预警。
优选地，所述历史多源数据可以通过生产管理系统进行采集，所述历史多源数据具体可以为工作票、电厂设备故障、电厂设备缺陷、电厂设备隐患、电厂设备手册、电厂设备运行状态数据。
相对应的，本发明还提出了一种处理器，所述处理器工作时执行如上述述的基于电厂设备管理方法。
与现有技术相比，本申请具备以下有益效果：
本发明公开了一种基于多信息融合的电厂设备管理方法及系统，所述方法包括：采集电厂设备的历史多源数据，并对所述历史多源数据进行预处理得到准备数据，基于所述准备数据建立故障模型，将所述准备数据进行二次处理得到二次数据，所述二次处理包括刻画处理、关联性处理和预测性处理，通过所述二次数据对所述故障模型进行训练，基于训练后的所述故障模型与所述电厂设备的当前运行状态进行故障预警，实现了将不同来源的信息进行有效的收集融合，并对各类设备事故进行事前预防。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本发明实施例提出的一种基于多信息融合的电厂设备管理方法的流程示意图；
图2示出了本发明实施例中词典库的部分示意图；
图3示出了本发明实施例中部分电厂设备之间的关系矩阵图；
图4示出了本发明实施例中部分电厂设备之间的条件概率和因果置信度；
图5示出了本发明是实施例提出的一种基于多信息融合的电厂管理系统的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
电厂中的设备繁多且复杂，各类信息数据无法进行统一收集融合，且无法对电厂设备发生故障时的内在联系进行分析并在某一电厂设备发生故障时对其他设备进行故障预测。
因此，本申请提出了一种基于多信息融合的电厂设备管理方法，用以实现对某一电厂设备发生故障时对其他电厂设备进行故障预测，以及对电厂设备的运行进行管理。
如图1所示为本发明实施例提出的一种基于多信息融合的电厂设备管理方法的流程示意图，所述方法包括：
步骤S101、采集所有电厂设备的历史多源数据，并对所述历史多源数据进行预处理得到准备数据；
步骤S102、基于所述准备数据建立故障模型；
步骤S103、将所述准备数据进行二次处理得到二次数据，所述二次处理包括刻画处理、关联性处理和预测性处理；
步骤S104、通过所述二次数据对所述故障模型进行训练；
步骤S105、基于训练后的所述故障模型与所述电厂设备的当前运行状态进行故障预警；
其中，所述历史多源数据可以通过生产管理系统进行采集，所述历史多源数据具体为工作票、电厂设备故障、电厂设备缺陷、电厂设备隐患、电厂设备手册、电厂设备运行状态数据。
具体的，首先采用电厂设备的历史多源数据，该历史多源数据可以通过电厂的生产管理系统来进行采集，多源数据可以是工作票、电厂设备故障、电厂设备缺陷、电厂设备隐患、电厂设备手册、电厂设备运行状态数据，其中，电厂设备手册还具体是设备型号、生产厂家、设计使用年限、投运时间，设备运行状态数据具体是每周或每月等固定周期内对电厂设备的分析数据。
其中，分析数据可以是投运时间和设计使用年限的关联关系；缺陷和缺陷之间的关联关系；缺陷在不同时域内和不同区域内发生的高低频次；缺陷设备和设备厂家的关联关系等。
采集到历史多源数据后，先将该历史多源数据进行预处理，得到准备数据，然后基于该准备数据建立故障模型，该模型用于对后面可能会发生故障的电厂设备进行预测，以及保存电厂设备使用过程中故障发生的时间点。
得出的准备数据，还需要进行二次处理，二次处理包括刻画处理、关联性处理和预测性处理，通过二次处理后的二次数据来对上述故障模型进行训练，以使故障模型具有对电厂设备故障进行预测的能力，最后基于训练后的故障模型，和电厂设备的当前运行状态进行故障预警，具体可以是当某一电厂设备发生故障时，训练后的故障模型可以确定出其他电厂设备有多大概率出现故障以及故障类型，以提醒相关人员进行注意。
为了更准确地建立故障模型，在本申请实施例中，对所述多源数据进行预处理，具体为：
通过分词算法对所述历史多源数据进行分词处理；
对所述分词处理后的历史多源数据进行词性标注得到标注多源数据；
基于杰卡德距离、余弦相似性原理和词典库对所述标注多源数据进行关键词提取。
具体的，可以通过采用ICTCLAS(Institute of Computing Technology,ChineseLexical Analysis System，汉语词法分析系统)分词算法来对历史多源数据进行分词处理，皮尔逊距离及余弦相似性原理来对历史多源数据进行分词、词性标注和关键字提取，且预先设有词典库，该词典库是预先对所有电厂设备的设备树记录和实际缺陷记录中的设备故障描述内容进行分词处理得到标准文本集合，如图2所示为词典库中的部分举例示意，实际缺陷记录包括了设备手册中和人工撰写的电厂设备故障描述。
为了准确的对准备数据进行刻画处理，在本申请实施例中，所述刻画处理，具体为：
按照电厂设备的部件以及电厂设备所属的系统将电厂设备对应的电厂设备故障、电厂设备缺陷、电厂设备隐患进行分类得到分类数据，其中，所述分类数据包括电厂设备故障分类数据、电厂设备缺陷分类数据、电厂设备隐患分类数据；
统计所有电厂设备的故障频次；
基于所述分类数据和所述故障频次确定电厂设备发生故障的区域性和时域性，其中，所述区域性具体为电厂的检修期和汛期，所述时域性为不同的时间，包括一天中的故障发生时间节点，一年中的故障发生时间节点。
按照电厂设备的部件和电厂设备所属的系统将对应的电厂设备故障、电厂设备缺陷、电厂设备隐患进行分类得到分类数据，并统计所有电厂设备的故障频次，然后基于分类数据和故障频次确定电厂设备发生故障的区域性和时域性，区域性具体为电厂的检修期和汛期，汛期也就是电厂机组长时间或满负荷运行期间，时域性是指不同的时间节点，比如一天中的某个时间节点，一年中的某个时间节点，
通过计算相对隶属度，对不同阶段的缺陷状况进行分析，绘制其对比词云。相对隶属度计算公式如下：
其中为第i个词出现在第j个阶段缺陷描述中的频次，计算出相对隶属度后可将结果保存并展示。
为了更准确地对准备数据进行关联性处理，在本申请实施例中，所述关联性处理，具体为：
将所有电厂设备故障按照两个一组进行不重复排列划分，其中，排列时某一电厂设备故障和其余电厂设备故障均进行组合；
基于皮尔逊系数和灰色关联度确定所有电厂设备故障的故障属性，所述故障属性分为独立性故障和从属性故障，其中，所述独立性故障为某一电厂设备故障发生时没有其他电厂设备故障发生，所述从属性故障为某一电厂设备故障发生时还有其他电厂设备故障发生。
具体可由如下关联度公式进行确定：
其中，X位时间序列，X0(k)为初始值，Xi(k)为第i个数据点，P为均衡系数，一般取值为0.5。
通过计算皮尔逊相关系数和灰色关联度，对不同电厂设备故障发生时序曲线的几何相似性进行量化，刻画不同电厂设备故障发生的内在关联性，识别出独立性故障和从属性故障，也即确定出电厂设备故障的故障属性。
其中，独立性故障是某一电厂设备发生故障，其他电厂设备不会发生故障，从属性故障是某一电厂设备发生故障时，单位时间内还有其他电厂设备发生故障。
为了更准确的对准备数据进行预测性处理，在本申请实施例中，所述预测性处理，具体为：
基于所述准备数据建立所有电厂设备间的贝叶斯网络模型和或同一系统中的电厂设备间的贝叶斯网络模型；
基于所述贝叶斯网络模型和所述电厂设备故障对应的电厂设备故障分类数据、故障属性确定其他电厂设备故障发生的类型及概率。
具体的，首先确定对电厂设备之间存在的关联关系进行确定，形成各系统间的关系矩阵图，如图3所示为部分电厂设备之间的关系矩阵图，然后为了挖掘电厂设备故障之间的正向依存关系，建立贝叶斯网络模型，贝叶斯网络模型的不同节点表现为不同类型的故障以及不同类型故障之间的概率关系，确定各电厂设备之间的条件概率和因果置信度，如图4所示为部分电厂设备之间的条件概率和因果置信度，均是由预设历史时间周期内所发生的的实际电厂设备缺陷确定得出的。
其中，条件概率具体为当某一电厂设备故障或缺陷出现的时候，后继其他电厂设备故障或缺陷出现的概率，因果置信度是贝叶斯网络模型中的置信度传播算法确定出的。
通过上述方案，则可基于贝叶斯网络模型和电厂设备故障对应的电厂设备故障分类数据、故障属性确定其他电厂设备故障发生的类型及概率。
需要说明的是，条件概率可以在贝叶斯网络中，通过前导项和后继项确定，具体确定公式如下：
一旦观察到前导项E故障的发生，对于后继项H发生概率P(H)将进行调整。换言之，将E作为新观测到的证据时，P(E|H)/P(E)可视为该证据下对于先验概率P(H)的调整因子。
为了实现对电厂设备故障的提前预警，在本申请实施例中，所述当前运行状态具体是已发生故障、未发生故障，所述基于训练后的所述故障模型与所述电厂设备的当前运行状态进行故障预警，具体为：
若所述电厂设备的当前运行状态为已发生故障，则将对应的电厂设备故障导入至所述故障模型中并得到其他电厂设备故障发生的类型及概率。
同时，电厂设备的当前运行状态还可以包括存在隐患、未存在隐患，当电厂设备的当前运行状态为存在隐患时，可将对应的电厂设备隐患导入至故障模型中并得到其他电厂设备隐患发生的类型及概率。
本发明公开了一种电厂设备管理方法，所述方法包括：采集所有电厂设备的历史多源数据，并对所述历史多源数据进行预处理得到准备数据，基于所述准备数据建立故障模型，将所述准备数据进行二次处理得到二次数据，所述二次处理包括刻画处理、关联性处理和预测性处理，通过所述二次数据对所述故障模型进行训练，基于训练后的所述故障模型与所述电厂设备的当前运行状态进行故障预警，实现了将不同来源的信息进行有效的收集融合，并对各类设备事故进行事前预防。
与本申请实施例中基于多信息融合的电厂设备管理方法相对应，本申请实施例还提出了一种基于多信息融合的电厂设备管理系统，如图5所示，所述系统包括：
采集模块501，用于采集所有电厂设备的历史多源数据，并对所述历史多源数据进行预处理得到准备数据；
建立模块502，用于基于所述准备数据建立故障模型；
处理模块503，用于将所述准备数据进行二次处理得到二次数据，所述二次处理包括刻画处理、关联性处理和预测性处理；
训练模块504，用于通过所述二次数据对所述故障模型进行训练；
预警模块505，用于基于训练后的所述故障模型与所述电厂设备的当前运行状态进行故障预警。
在具体的应用场景中，所述历史多源数据可以通过生产管理系统进行采集，所述历史多源数据具体可以为工作票、电厂设备故障、电厂设备缺陷、电厂设备隐患、电厂设备手册、电厂设备运行状态数据。
在具体的应用场景中，所述采集模块501，还具体用于：
通过分词算法对所述历史多源数据进行分词处理；
对分词处理后的所述历史多源数据进行词性标注得到标注多源数据；
基于杰卡德距离、余弦相似性原理和词典库对所述标注多源数据进行关键词提取；
其中，所述词典库，具体为对所有电厂设备的设备树记录和实际缺陷记录中的设备故障描述内容进行分词处理得到的标准文本集合，其中，所述设备树为所有电厂设备的层级关系树。
在具体的应用场景中，所述处理模块503，具体用于：
按照电厂设备的部件以及电厂设备所属的系统将电厂设备对应的电厂设备故障、电厂设备缺陷、电厂设备隐患进行分类得到分类数据，其中，所述分类数据包括电厂设备故障分类数据、电厂设备缺陷分类数据、电厂设备隐患分类数据；
统计所有电厂设备的故障频次；
基于所述分类数据和所述故障频次确定电厂设备发生故障的区域性和时域性，其中，所述区域性具体为电厂的检修期和汛期，所述时域性为不同的时间，包括一天中的故障发生时间节点，一年中的故障发生时间节点。
在具体的应用场景中，所述处理模块503，还具体用于：
将所有电厂设备故障按照两个一组进行不重复排列划分，其中，排列时某一电厂设备故障和其余电厂设备故障均进行组合；
基于皮尔逊系数和灰色关联度确定所有电厂设备故障的故障属性，所述故障属性分为独立性故障和从属性故障，其中，所述独立性故障为某一电厂设备故障发生时没有其他电厂设备故障发生，所述从属性故障为某一电厂设备故障发生时还有其他电厂设备故障发生。
在具体的应用场景中，所述处理模块503，还具体用于：
基于所述准备数据建立所有电厂设备间的贝叶斯网络模型和或同一系统中的电厂设备间的贝叶斯网络模型；
基于所述贝叶斯网络模型和所述电厂设备故障对应的电厂设备故障分类数据、故障属性确定其他电厂设备故障发生的类型及概率。
在具体的应用场景中，所述当前运行状态具体是已发生故障、未发生故障，所述预警模块505，具体用于：
若所述电厂设备的当前运行状态为已发生故障，则将对应的电厂设备故障导入至所述故障模型中并得到其他电厂设备故障发生的类型及概率。
本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
本领域技术人员可以理解装置中的模块可以按照实施场景描述分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员当理解：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；而这些修改或者替换，并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种基于多信息融合的电厂设备管理方法，其特征在于，所述方法包括：
采集所有电厂设备的历史多源数据，并对所述历史多源数据进行预处理得到准备数据；
基于所述准备数据建立故障模型；
将所述准备数据进行二次处理得到二次数据，所述二次处理包括刻画处理、关联性处理和预测性处理；
通过所述二次数据对所述故障模型进行训练；
基于训练后的所述故障模型与所述电厂设备的当前运行状态进行故障预警；
其中，所述历史多源数据可以通过生产管理系统进行采集，所述历史多源数据具体为工作票、电厂设备故障、电厂设备缺陷、电厂设备隐患、电厂设备手册、电厂设备运行状态数据。
2.如权利要求1所述的一种基于多信息融合的电厂设备管理方法，其特征在于，对所述历史多源数据进行预处理，具体为：
通过分词算法对所述历史多源数据进行分词处理；
对分词处理后的所述历史多源数据进行词性标注得到标注多源数据；
基于杰卡德距离、余弦相似性原理和词典库对所述标注多源数据进行关键词提取。
3.如权利要求2所述的一种基于多信息融合的电厂设备管理方法，其特征在于，所述词典库，具体为对所有电厂设备的设备树记录和实际缺陷记录中的设备故障描述内容进行分词处理得到的标准文本集合，其中，所述设备树为所有电厂设备的层级关系树。
4.如权利要求1所述的一种基于多信息融合的电厂设备管理方法，其特征在于，所述刻画处理，具体为：
按照电厂设备的部件以及电厂设备所属的系统将电厂设备对应的电厂设备故障、电厂设备缺陷、电厂设备隐患进行分类得到分类数据，其中，所述分类数据包括电厂设备故障分类数据、电厂设备缺陷分类数据、电厂设备隐患分类数据；
统计所有电厂设备的故障频次；
基于所述分类数据和所述故障频次确定电厂设备发生故障的区域性和时域性，其中，所述区域性具体为电厂的检修期和汛期，所述时域性为不同的时间，包括一天中的故障发生时间节点，一年中的故障发生时间节点。
5.如权利要求4所述的一种基于多信息融合的电厂设备管理方法，其特征在于，所述关联性处理，具体为：
将所有电厂设备故障按照两个一组进行不重复排列划分，其中，排列时某一电厂设备故障和其余电厂设备故障均进行组合；
基于皮尔逊系数和灰色关联度确定所有电厂设备故障的故障属性，所述故障属性分为独立性故障和从属性故障，其中，所述独立性故障为某一电厂设备故障发生时没有其他电厂设备故障发生，所述从属性故障为某一电厂设备故障发生时还有其他电厂设备故障发生。
6.如权利要求5所述的一种基于多信息融合的电厂设备管理方法，其特征在于，所述预测性处理，具体为：
基于所述准备数据建立所有电厂设备间的贝叶斯网络模型和或同一系统中的电厂设备间的贝叶斯网络模型；
基于所述贝叶斯网络模型和所述电厂设备故障对应的电厂设备故障分类数据、故障属性确定其他电厂设备故障发生的类型及概率。
7.如权利要求1所述的一种基于多信息融合的电厂设备管理方法，其特征在于，所述当前运行状态具体是已发生故障、未发生故障，所述基于训练后的所述故障模型与所述电厂设备的当前运行状态进行故障预警，具体为：
若所述电厂设备的当前运行状态为已发生故障，则将对应的电厂设备故障导入至所述故障模型中并得到其他电厂设备故障发生的类型及概率。
8.一种基于多信息融合的电厂设备管理系统，其特征在于，所述系统包括：
采集模块，用于采集电厂设备的历史多源数据，并对所述历史多源数据进行预处理得到准备数据；
建立模块，用于基于所述准备数据建立故障模型；
处理模块，用于将所述准备数据进行二次处理得到二次数据，所述二次处理包括刻画处理、关联性处理和预测性处理；
训练模块，用于通过所述二次数据对所述故障模型进行训练；
预警模块，用于基于训练后的所述故障模型与所述电厂设备的当前状态进行故障预警。
9.如权利要求8所述的系统，其特征在于，所述历史多源数据可以通过生产管理系统进行采集，所述历史多源数据具体可以为工作票、电厂设备故障、电厂设备缺陷、电厂设备隐患、电厂设备手册、电厂设备运行状态数据。
10.一种处理器，其特征在于，所述处理器工作时执行如权利要求1-7任一项所述的基于多信息融合的电厂设备管理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110287410.9A CN113065580B (zh) | 2021-03-17 | 2021-03-17 | 一种基于多信息融合的电厂设备管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110287410.9A CN113065580B (zh) | 2021-03-17 | 2021-03-17 | 一种基于多信息融合的电厂设备管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113065580A true CN113065580A (zh) | 2021-07-02 |
| CN113065580B CN113065580B (zh) | 2024-04-16 |
Family
ID=76561048
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110287410.9A Active CN113065580B (zh) | 2021-03-17 | 2021-03-17 | 一种基于多信息融合的电厂设备管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113065580B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114519923A (zh) * | 2021-11-24 | 2022-05-20 | 新疆天池能源有限责任公司 | 一种电厂智能诊断预警方法和系统 |
| CN117148805A (zh) * | 2023-10-30 | 2023-12-01 | 国网江苏省电力有限公司南通供电分公司 | 一种多场景适应的电厂设备预警方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104020396A (zh) * | 2014-06-12 | 2014-09-03 | 国家电网公司 | 一种基于数据挖掘的电网故障诊断方法 |
| US20160034856A1 (en) * | 2014-07-31 | 2016-02-04 | Doosan Heavy Industries & Construction Co., Ltd. | Wind power plant management system and method thereof |
| CN108320040A (zh) * | 2017-01-17 | 2018-07-24 | 国网重庆市电力公司 | 基于贝叶斯网络优化算法的采集终端故障预测方法及系统 |
| CN109146093A (zh) * | 2018-08-08 | 2019-01-04 | 成都保源酷码科技有限公司 | 一种基于学习的电力设备现场勘查方法 |
| CN109544399A (zh) * | 2018-11-29 | 2019-03-29 | 广东电网有限责任公司 | 基于多源异构数据的输电设备状态评价方法及装置 |
| CN110555477A (zh) * | 2019-08-30 | 2019-12-10 | 青岛海信网络科技股份有限公司 | 一种市政设施故障预测方法及装置 |
| CN111368888A (zh) * | 2020-02-25 | 2020-07-03 | 重庆邮电大学 | 基于深度动态贝叶斯网络的服务功能链故障诊断方法 |
| CN111624986A (zh) * | 2020-06-17 | 2020-09-04 | 国网山东省电力公司莱芜供电公司 | 基于案例库的故障诊断方法和系统 |
| CN112415331A (zh) * | 2020-10-27 | 2021-02-26 | 中国南方电网有限责任公司 | 基于多源故障信息的电网二次系统故障诊断方法 |
-
2021
- 2021-03-17 CN CN202110287410.9A patent/CN113065580B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104020396A (zh) * | 2014-06-12 | 2014-09-03 | 国家电网公司 | 一种基于数据挖掘的电网故障诊断方法 |
| US20160034856A1 (en) * | 2014-07-31 | 2016-02-04 | Doosan Heavy Industries & Construction Co., Ltd. | Wind power plant management system and method thereof |
| CN108320040A (zh) * | 2017-01-17 | 2018-07-24 | 国网重庆市电力公司 | 基于贝叶斯网络优化算法的采集终端故障预测方法及系统 |
| CN109146093A (zh) * | 2018-08-08 | 2019-01-04 | 成都保源酷码科技有限公司 | 一种基于学习的电力设备现场勘查方法 |
| CN109544399A (zh) * | 2018-11-29 | 2019-03-29 | 广东电网有限责任公司 | 基于多源异构数据的输电设备状态评价方法及装置 |
| CN110555477A (zh) * | 2019-08-30 | 2019-12-10 | 青岛海信网络科技股份有限公司 | 一种市政设施故障预测方法及装置 |
| CN111368888A (zh) * | 2020-02-25 | 2020-07-03 | 重庆邮电大学 | 基于深度动态贝叶斯网络的服务功能链故障诊断方法 |
| CN111624986A (zh) * | 2020-06-17 | 2020-09-04 | 国网山东省电力公司莱芜供电公司 | 基于案例库的故障诊断方法和系统 |
| CN112415331A (zh) * | 2020-10-27 | 2021-02-26 | 中国南方电网有限责任公司 | 基于多源故障信息的电网二次系统故障诊断方法 |
Non-Patent Citations (5)
| Title |
|---|
| 万欣 等: "基于多信息融合的设备管理策略模型研究", 《水电与抽水蓄能》, vol. 07, no. 06, 20 December 2021 (2021-12-20) * |
| 冷喜武 等: "智能电网监控运行大数据应用模型构建方法", 《电力系统自动化》, vol. 42, no. 20, 31 August 2018 (2018-08-31) * |
| 杨献 等: "大数据技术在LKJ设备分析系统中的应用研究", 《控制与信息技术》, no. 04, 31 August 2020 (2020-08-31) * |
| 章鑫锋: "基于大数据分析的换流站设备智能运维研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑(月刊)》, no. 02, 15 February 2021 (2021-02-15) * |
| 郭志民 等: "基于多源数据融合策略的配电网停电故障分析", 《电网与清洁能源》, vol. 34, no. 01, 31 January 2018 (2018-01-31) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114519923A (zh) * | 2021-11-24 | 2022-05-20 | 新疆天池能源有限责任公司 | 一种电厂智能诊断预警方法和系统 |
| CN117148805A (zh) * | 2023-10-30 | 2023-12-01 | 国网江苏省电力有限公司南通供电分公司 | 一种多场景适应的电厂设备预警方法及系统 |
| CN117148805B (zh) * | 2023-10-30 | 2024-01-12 | 国网江苏省电力有限公司南通供电分公司 | 一种多场景适应的电厂设备预警方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113065580B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112860872B (zh) | 基于自学习的配电网操作票语义合规性的校验方法及系统 | |
| CN112905804B (zh) | 一种电网调度知识图谱的动态更新方法及装置 | |
| CN116910633B (zh) | 一种基于多模态知识混合推理的电网故障预测方法 | |
| CN109993189A (zh) | 一种网络故障预警方法、装置和介质 | |
| CN113065580A (zh) | 一种基于多信息融合的电厂设备管理方法及系统 | |
| CN116094174A (zh) | 基于知识图谱的电网运维监控方法、系统、设备及介质 | |
| Andrade et al. | Data-driven anomaly detection and event log profiling of SCADA alarms | |
| CN116028646A (zh) | 一种基于机器学习的电网调度领域知识图谱构建方法 | |
| CN118035910A (zh) | 面向新型电力系统的电网资源聚类预警方法、系统、设备及存储介质 | |
| CN117932295A (zh) | 多源数据融合的电网监控运行特征信息提取方法及系统 | |
| CN117544482A (zh) | 基于ai的运维故障确定方法、装置、设备和存储介质 | |
| CN117170724A (zh) | 用于检测业务异常的ai模型自动化更新方法、装置及设备 | |
| CN112000708A (zh) | 一种基于调控配用数据融合的异常数据处理方法及系统 | |
| CN116739408A (zh) | 基于数据标签的电网调度安全监控方法、系统及电子设备 | |
| CN114266472A (zh) | 基于Spark的地铁站疏散风险分析方法 | |
| CN112765425A (zh) | 水电站数据处理方法及电子设备 | |
| Zhang et al. | [Retracted] Substation Operation Information Maintenance Based on Intelligent Data Mining | |
| CN114721861B (zh) | 一种基于日志差异化比对的故障定位方法与系统 | |
| Qin et al. | Some Thoughts on Using Artificial Intelligence to Improve Data Quality | |
| Chen et al. | Intelligent Identification of Transmission Line Defects Based on Fast Neural Network Model | |
| Chu et al. | Information Semantic Mining Method for Risk Warning Scenarios of Electric Power Field Operations | |
| CN118410440A (zh) | 一种主网图模的异常识别和校验方法 | |
| CN112269821A (zh) | 一种基于大数据的电力设备状态分析方法 | |
| Fernandes et al. | A Business Intelligence Application for the Failure Detection in Automatic Recloser Assets: A Preliminary Investigation | |
| Cheng et al. | Application of System Operation and Maintenance Knowledge Base based on Machine Learning in Automobile Industry |
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 |