本发明属于电力设备监控领域,特别涉及对监控巡视进行辅助的隐患挖掘方法。
背景技术:
当前电力设备的运行监控主要依托于“实时监控”、“专业巡视”、“运维巡视”三种方式。“实时监控”巡视周期太长,手段单一,质量不高;“专业巡视”不但周期长,由于各专业侧重不同,数据不够全面,“运维巡视”为被动等待式,现场感不佳。
综上可知,现有的监控方式不能有效的挖掘数据价值,有效地发现潜在的问题和隐患。
技术实现要素:
为了解决现有技术中存在的缺点和不足,本发明提供了用于通过阈值筛选出可能存在隐患的电网设备的隐患挖掘方法。
为了达到上述技术目的,本发明提供了对监控巡视进行辅助的隐患挖掘方法,所述隐患挖掘方法,包括:
获取每台电网设备的实时监测数据,根据实时监测数据对每台电网设备的历史监测数据进行增量覆盖,得到表征每台电网设备最新状态的样本数据库;
对样本数据库中的关键数据设定参考阈值,选取超出阈值的样本数据;
根据巡视需求,对样本数据进行合并运算得到运算结果,将运算结果对应的电网设备作为待处理对象。
可选的,所述实时检测数据,包括:
变电站、间隔、电网设备名称、遥测描述、遥测类型、越限状态、遥测状态、实测值、发生时间、限值;
其中,遥测类型包含电流、电压、有功;
越限状态包含正常、上限、上上限;
遥测状态包含封锁、抑制;
限值包含来自ems和运检限额发文。
可选的,所述隐患挖掘方法,包括:
获取每台电网设备在各时刻的实时监测数据;
对各时刻的实时监测数据进行聚类评估,以获得监控巡视评估结果;
其中,所述实时监测数据包括:电网设备编码、电网设备运行状态、电网设备监控参数、电网设备故障参数。
可选的,所述隐患挖掘方法,包括:
将监控巡视评估结果显示在与每台电网设备对应的监控巡视弹窗窗口中;
可选的,所述隐患挖掘方法,包括:
对多个电网设备的监控巡视评估结果进行过滤;
将满足过滤条件的电网设备的监控巡视评估结果显示在与每台电网设备对应的弹窗窗口中。
可选的,所述隐患挖掘方法,包括:
根据所述电网设备的历史上各时刻的监控样本数据,采用预设的事故反演模拟算法进行模拟重演;
对模拟重演过程进行分析,以得出每台电网设备故障信息。
可选的,所述隐患挖掘方法,包括:
根据电网设备结构,建立电网设备故障树;
采用故障模型概率计算模型及故障概率计算模型,利用电网设备历史缺陷记录计算出所述电网设备故障树中各级事件的故障概率;
其中,电网设备故障树中包含有构成树状结构的多级事件。
可选的,所述隐患挖掘方法,包括:
根据电网检修工作情况、新设备投产启动、气候环境特点、电网负荷状况等制定深度巡视主题;
根据深度巡视主题,深入巡视各类监控图表和画面,对监控数据进行趋势比对和关联分析。
可选的,所述隐患挖掘方法,包括:
选取定制辅助工具包,利用工具包中提供的工具开展深度巡视。
可选的,所述隐患挖掘方法,包括:
对待处理对象进行人工确认、分析,判定待处理对象对应的电网设备是否存在隐患。
本发明提供的技术方案带来的有益效果是:
通过阈值判断、比对逻辑、关联分析等手段,将判断、计算、分析的结果存入计算机缓存中支撑上层应用,告别传统需要人力频繁巡视、跨专业获取信息不全,关系型数据查询慢的问题,将不同专业、相关的数据巡视操作和逻辑算法进行打包,充分挖掘数据价值,有效地发现潜在的问题和隐患。
附图说明
为了更清楚地说明本发明的技术方案,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发明的一些实施例,对于本领域普通技术人员来讲,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是本发明提供的对监控巡视进行辅助的隐患挖掘方法的流程示意图;
图2是本发明提供的对监控巡视进行辅助的隐患挖掘方法的另一流程示意图。
具体实施方式
为使本发明的结构和优点更加清楚,下面将结合附图对本发明的结构作进一步地描述。
实施例一
本发明提供了对监控巡视进行辅助的隐患挖掘方法,如图1所示,所述隐患挖掘方法,包括:
11、获取每台电网设备的实时监测数据,根据实时监测数据对每台电网设备的历史监测数据进行增量覆盖,得到表征每台电网设备最新状态的样本数据库;
12、对样本数据库中的关键数据设定参考阈值,选取超出阈值的样本数据;
13、根据巡视需求,对样本数据进行合并运算得到运算结果,将运算结果对应的电网设备作为待处理对象。
在实施中,为了能够发现电网设备中可能存在的隐患,本实施例提供了基于电网设备的监测数据判定电网设备是否存在隐患的隐患挖掘方法。具体方法包括如下三步:
首先,获取每台电网设备的实时监测数据,基于实时监测数据对历史监测数据增量覆盖。这里之所以进行增量覆盖,是因为传统的巡视结果都是从历史监测数据中,通过数据追溯的方式知道电网设备的最新状态,这样的做法即对历史监测数据表进行全表扫描,效率较差的同时还给数据库带来极大的负担,会影响系统整体功能。考虑到上述缺陷,本申请基于获取到的实时监测数据对历史监测数据进行实时的增量覆盖,即在历史监测数据的基础上补充更新实时监测数据相对于历史监测数据多出来的部分,这样在巡视时,可以第一时间获得电网设备最新的状态值。
其次,在获取到实时监测数据后,如果积累得到的数据量较少时,可以很快从中发现问题数据,但是如果是海量源源不断生成,就需要进行自动筛选,做法是在得到的监测数据内的关键维度设置阈值,只有数据超越阈值,才能被挑选出。实际建立的阈值是可接受范围内的上限或是下限,根据隐患导致问题的严重程度,上限也可以进行细分,如上上限、上上上限等,所有纬度的限值都需要进行设置,可缩小范围。
最后,当获取到样本数据后,可能还会需要和其他模块数据进行合并运算,并将结果进行记录。这里的合并运算是指在筛选出样本数据的基础上,增加与该样本数据对应电网设备相连的其他电网设备产生的实时监测数据。这里之所以将样本数据与其他电网设备的实时监测数据进行合并运算,是考虑到电网设备并未完全独立的个体,某些故障是由多个电网设备构成的多个模块共同导致的,因此这里将单一电网设备得到的样本数据联合其他电网设备的实时监测数据进行合并处理,便于对每个模块的缺陷进行预测。
可选的,所述实时检测数据,包括:
变电站、间隔、电网设备名称、遥测描述、遥测类型、越限状态、遥测状态、实测值、发生时间、限值;
其中,遥测类型包含电流、电压、有功;
越限状态包含正常、上限、上上限;
遥测状态包含封锁、抑制;
限值包含来自ems和运检限额发文。
在实施中,为了充分对电网设备的状态进行检测,获取的实时监测数据包含众多内容,典型的包括变电站、间隔、电网设备名称、遥测描述、遥测类型、越限状态、遥测状态、实测值、发生时间、限值。
可选的,所述隐患挖掘方法,如图2所示,包括:
21、获取每台电网设备在各时刻的实时监测数据;
22、对各时刻的实时监测数据进行聚类评估,以获得监控巡视评估结果;
其中,所述实时监测数据包括:电网设备编码、电网设备运行状态、电网设备监控参数、电网设备故障参数。
在实施中,本实施例提出的隐患挖掘方法,除了前述列举出的步骤11-13外,还包括如步骤21至22所示的步骤。
其中步骤21的内容与步骤11中获取实时监测数据的内容相似,在步骤22中需要对得到的实时监测数据进行聚类评估。
顾名思义,聚类评估即对聚类得到的结果进行评估的过程。在目前的情况下,评估的方法主要包括:
(1)外部法,根据已知的真实分组评价聚类分析的结果,构造混淆矩阵病总结包含两条记录的任意一对记录是否属于同一分组,并根据混淆矩阵计算聚类分析的准确率。
(2)内部法,当真实分组情况未知时,可以用记录的特征向量计算内平方和、外平方和作为评价指标。
(3)当仅有两个变量时,采用可视化方法评估聚类结果。例如可以调用ggplot()函数绘制散点图,标识各个聚类和各自的中心点,一般考虑如下因素:
1)聚类之间是否较好的相互分离;
2)是否存在只有几个点的聚类;
3)是否存在靠的很近的中心点。
在对得到的实时监控数据进行聚类评估后,得到分类后实时监测数据表征的典型数据,进而确定由典型数据对应的电网设备故障参数构成的监控巡视评估结果。
可选的,所述隐患挖掘方法,包括:
23、巡视评估结果显示在与每台电网设备对应的监控巡视弹窗窗口中;
在实施中,在执行步骤21-22获取到监控巡视评估结果后,还需要将监控巡视评估结果发送至监控巡视终端中,以便在监控巡视终端的显示界面中的监控巡视弹窗窗口内将监控巡视评估结果进行显示,从而完成结果提醒的过程。
可选的,所述隐患挖掘方法,包括:
231、对电网设备的监控巡视评估结果进行过滤;
232、将满足过滤条件的电网设备的监控巡视评估结果显示在与每台电网设备对应的弹窗窗口中。
在实施中,前述步骤23具体还包括如步骤231、232所示的内容。
在获取到监控巡视评估结果后,需要将监控巡视评估结果以弹窗的形式进行显示。但是考虑到弹窗的显示方式会对待显示内容进行限制,因此在进行显示前,还需要执行如步骤231所示的内容进行过滤,过滤掉不适宜用弹窗方式进行显示的内容,将过滤后的内容再发送至与每台电网设备对应的监控巡视终端的显示界面以弹窗窗口的形式显示。
可选的,所述隐患挖掘方法,包括:
根据所述电网设备的历史上各时刻的监控样本数据,采用预设的事故反演模拟算法进行模拟重演;
对模拟重演过程进行分析,以得出每台电网设备故障信息。
在实施中,根据预设的事故模型,建立各类事故模拟推演逻辑,采用所述电网设备的历史上各时刻的监控样本数据,推演出每台电网设备故障信息。
可选的,所述隐患挖掘方法,包括:
根据电网设备结构,建立电网设备故障树;
采用故障模型概率计算模型及故障概率计算模型,利用电网设备历史缺陷记录计算出所述电网设备故障树中各级事件的故障概率;
其中,电网设备故障树中包含有构成树状结构的多级事件。
在实施中,根据设备结构,建立设备故障树,所述设备故障树中包含有构成树状结构的多级事件;采用故障模型概率计算模型及故障概率计算模型,利用设备历史缺陷记录计算出所述设备故障树中各级事件的故障概率。
可选的,所述隐患挖掘方法,包括:
根据电网检修工作情况、新设备投产启动、气候环境特点、电网负荷状况等制定深度巡视主题;
根据深度巡视主题,深入巡视各类监控图表和画面,对监控数据进行趋势比对和关联分析。
在实施中,在具体执行过程中,为了对基于实时监测数据对电网设备可能存在的隐患进行分析,还提出了预先根据电网检修工作情况、新设备投产启动、气候环境特点、电网负荷状况等制定深度巡视主题,接着根据深度巡视主题对电网设备进行监测,获取监控图表和画面,从而对监控数据进行趋势比对和关联分析,确定电网设备中可能存在的缺陷。
可选的,所述隐患挖掘方法,包括:
选取定制辅助工具包,利用工具包中提供的工具开展深度巡视。
在实施中,监控信息分析师根据电网检修工作情况、新设备投产启动、气候环境特点、电网负荷状况等制定深度巡视主题,深入巡视各类监控图表和画面,对监控数据进行趋势比对和关联分析,也可以选取定制辅助工具包,利用工具包中提供的工具开展深度巡视。
可选的,所述隐患挖掘方法,包括:
对待处理对象进行人工确认、分析,判定待处理对象对应的电网设备是否存在隐患。
在实施中,为了提高本申请提出的隐患挖掘方法的可靠性,在依靠前述内容进行处理的基础上,还需要引入人工分析的步骤,依靠工作经验,对步骤13得到的待处理对应进行进一步的分析,判定待处理对象是否存在隐患。
本实施例提出了对监控巡视进行辅助的隐患挖掘方法,包括:获取每台电网设备的实时监测数据,根据实时监测数据对每台电网设备的历史监测数据进行增量覆盖,得到表征每台电网设备最新状态的样本数据库;对样本数据库中的关键数据设定参考阈值,选取超出阈值的样本数据;根据巡视需求,对样本数据进行合并运算得到运算结果,将运算结果对应的电网设备作为待处理对象。通过阈值判断、比对逻辑、关联分析等手段,将判断、计算、分析的结果存入计算机缓存中支撑上层应用,告别传统需要人力频繁巡视、跨专业获取信息不全,关系型数据查询慢的问题,将不同专业、相关的数据巡视操作和逻辑算法进行打包,充分挖掘数据价值,有效地发现潜在的问题和隐患。
上述实施例中的各个序号仅仅为了描述,不代表各部件的组装或使用过程中的先后顺序。
以上所述仅为本发明的实施例,并不用以限制本发明,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。