CN119508876A - 一种无人值守的换热站监测系统及其控制方法 - Google Patents
一种无人值守的换热站监测系统及其控制方法 Download PDFInfo
- Publication number
- CN119508876A CN119508876A CN202411511231.9A CN202411511231A CN119508876A CN 119508876 A CN119508876 A CN 119508876A CN 202411511231 A CN202411511231 A CN 202411511231A CN 119508876 A CN119508876 A CN 119508876A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- coefficient
- heat exchange
- exchange station
- preset
- 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
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24D—DOMESTIC- OR SPACE-HEATING SYSTEMS, e.g. CENTRAL HEATING SYSTEMS; DOMESTIC HOT-WATER SUPPLY SYSTEMS; ELEMENTS OR COMPONENTS THEREFOR
- F24D19/00—Details
- F24D19/10—Arrangement or mounting of control or safety devices
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; 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
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Thermal Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Selective Calling Equipment (AREA)
Abstract
本申请公开了一种无人值守的换热站监测系统及其控制方法，该系统包括：设定模块，用于确定换热站的多个需求模块，根据换热站设备对于需求模块的影响度设定关注设备；监测模块，用于预先设定多个特征监测指标，基于特征监测指标设定每个关注设备的多个监测点并获取对应关注设备的实时监测数据，根据实时监测数据生成关注设备对应特征监测指标的监测评价值；展示模块，用于根据全部监测点构建关联模型，根据关联模型以及全部监测评价值确定换热站的实时状态，将实时状态发送至监测终端进行展示，提高换热站无人值守的监测效率以及监测准确性，保证换热站的安全高效运行。
Description
技术领域
本申请涉及换热站监测技术领域，特别是涉及一种无人值守的换热站监测系统及其控制方法。
背景技术
换热站是城市供热系统中的重要组成部分，其安全、稳定和高效运行对于保障居民供暖和生活至关重要。而换热站监测则是确保其安全、稳定和高效运行的重要手段。
现有技术中，通过依靠人工巡检或传统监测系统对换热站进行监测，但是换热站所涉及设备数量较大，人工巡检费时费力，且不能及时发现设备故障，传统监测系统对设备的监测数据分析不够全面，不能准确判断换热站的运行状态，导致换热站供热效率低下，造成能源浪费。
发明内容
为解决上述技术问题，本申请提供了一种无人值守的换热站监测系统及其控制方法，通过设定多个关注设备，并基于特征监测指标设定关注设备的监测点，得到实时监测数据并生成监测评价值，根据监测点构建关联模型，根据关联模型与监测评价值确定换热站的实时状态，提高换热站无人值守的监测效率以及监测准确性，保证换热站的安全高效运行。
本申请的一些实施例中，提供了一种无人值守的换热站监测系统，包括：
设定模块，用于确定换热站的多个需求模块，根据换热站设备对于需求模块的影响度设定关注设备；
监测模块，用于预先设定多个特征监测指标，基于特征监测指标设定每个关注设备的多个监测点并获取对应关注设备的实时监测数据，根据实时监测数据生成关注设备对应特征监测指标的监测评价值；
展示模块，用于根据全部监测点构建关联模型，根据关联模型以及全部监测评价值确定换热站的实时状态，将实时状态发送至监测终端进行展示。
在本申请的一些实施例中，根据换热站设备对于需求模块的影响度设定关注设备，包括：
获取换热站设备的具体用途和需求指令，根据具体用途和需求指令确定对应换热站设备的功能类型，将同一功能类型的换热站设备划分为同一需求模块，得到多个需求模块以及对应的换热站设备；
根据每个需求模块的需求指令确定对应需求模块的多个作业流程，并将作业流程划分为主要作业流程和次要作业流程；
获取每个需求模块中的换热站设备对于主要作业流程的第一应用系数和第一重要系数以及次要作业流程的第二应用系数和第二重要系数；
根据第一应用系数大于第一预设应用系数的主要作业流程的个数、第一应用系数大于第一预设应用系数的第一应用系数差值、第一重要系数大于第一预设重要系数的主要作业流程的个数以及第一重要系数大于第一预设重要系数的第一重要系数差值生成第一影响系数；
根据第二应用系数大于第二预设应用系数的次要作业流程的个数、第二应用系数大于第二预设应用系数的第二应用系数差值、第二重要系数大于第二预设重要系数的次要作业流程的个数以及第二重要系数大于第二预设重要系数的第二重要系数差值生成第二影响系数；
根据第一影响系数和第二影响系数生成换热站设备对于相应需求模块的影响度。
在本申请的一些实施例中，所述影响度的计算公式为：
其中，Y为影响度，c1为第一影响系数的权重系数，m1为第一应用系数大于第一预设应用系数的主要作业流程的个数，n1为主要作业流程的总个数，△y1i为第i个第一应用系数差值，a1为第一应用系数的权重系数，m2为第一重要系数大于第一预设重要系数的主要作业流程的个数，△z1s第s个第一重要系数差值， 为第一影响系数，u1为第二应用系数大于第二预设应用系数的次要作业流程的个数，n2为次要作业流程的总个数，△y2r为第r个第二应用系数差值，a2为第二应用系数的权重系数，u2为第二重要系数大于第二预设重要系数的次要作业流程的个数，△z2v为第v个第二重要系数差值，b2为第二重要系数的权重系数，为第二影响系数。
在本申请的一些实施例中，根据监测相关数据生成关注设备对应特征监测指标的监测评价值，包括：
预先设定多个特征监测指标，根据特征监测指标与关注设备的历史监测数据的相关联程度设定对应关注设备的监测点，并为监测点配置不同的传感器，根据监测点处多个传感器所对应的历史监测数据的波动程度设定对应传感器的采集时间节点；
获取当前采集时间节点的关注设备的监测点的多个实时监测数据，将当前关注设备的同一特征监测指标的实时监测数据与对应的标准监测数据进行比较，根据比较结果生成对应特征监测指标的第一评价值；
将当前采集时间节点的关注设备的同一特征监测指标的实时监测数据与上一采集时间节点对应的历史监测数据进行对比，得到多个波动量值，根据多个波动量值生成补偿系数，根据补偿系数对第一评价值进行修正，得到关注设备对应特征监测指标的监测评价值。
其中，J为监测评价值，w为关注设备对应特征监测指标的实时监测数据的总个数，hd为第d个实时监测数据的权重系数，gd为第d个实时监测数据，g′d为第d个标准监测数据，为补偿系数，p为补偿转换系数，ld为第d个实时监测数据的波动量值，l′d为第d个标准波动量值。
在本申请的一些实施例中，根据全部监测点构建关联模型，包括：
获取每个监测点的历史运行日志，并对历史运行日志进行分析，筛选出对应监测点的历史故障数据以及历史正常数据；
将每个监测点的历史故障数据进行监测点的触发判断，确定预设时段下被触发的监测点并获取相应的历史故障数据，并将当前监测点的历史故障数据作为第一训练输入数据集，将被触发的监测点以及相应的历史故障数据作为训练输出标记集；
将每个监测点的历史正常数据作为第二训练输入数据集，将预设时段内没有被触发的监测点以及相应的历史正常数据作为训练输出未标记集；
基于第一训练输入数据集、训练输出标记集、第二训练输入数据集以及训练输出未标记集，进行半监督学习训练，生成关联模型。
在本申请的一些实施例中，根据关联模型以及全部监测评价值确定换热站的实时状态，包括：
获取每个关注设备的监测点的实时监测数据，根据实时监测数据与对应的标准监测数据的对比结果判断监测点是否出现故障，若是，筛选出故障的监测点并获取实时故障数据；
将故障的监测点以及实时故障数据输入至关联模型中，得到所有被触发的监测点以及对应的实时故障数据，构建故障监测数据集；
基于故障监测数据集中的每个监测点所对应关注设备的权重系数以及实时故障数据的故障程度生成第一状态系数；
根据多个关注设备的同一特征监测指标的监测评价值进行综合分析，得到换热站的对应特征监测指标的综合监测评价值；
根据多个特征监测指标的综合监测评价值以及对应特征监测指标的权重系数生成第二状态系数；
根据第一状态系数和第二状态系数生成换热站当前采集时间节点的综合状态系数；
预先设定状态系数阈值；
当综合状态系数大于状态系数阈值时，确定换热站的实时状态为健康状态；
当综合状态系数小于状态系数阈值时，计算综合状态系数与状态系数阈值的状态系数差值，根据状态系数差值与预设状态系数差值的关系，确定当前采集时间节点与下一采集时间节点的时间间隔中的换热站的异常概率，根据异常概率生成换热站的调节指令。
在本申请的一些实施例中，预先设定第一预设状态系数差值区间，第二预设状态系数差值区间，第三预设状态系数差值区间和第四预设状态系数差值区间；
当状态系数差值处于第一预设状态系数差值区间时，当前采集时间节点与下一采集时间节点的时间间隔中的换热站的异常概率为第一预设异常概率；
当状态系数差值处于第二预设状态系数差值区间时，当前采集时间节点与下一采集时间节点的时间间隔中的换热站的异常概率为第二预设异常概率；
当状态系数差值处于第三预设状态系数差值区间时，当前采集时间节点与下一采集时间节点的时间间隔中的换热站的异常概率为第三预设异常概率；
当状态系数差值处于第四预设状态系数差值区间时，当前采集时间节点与下一采集时间节点的时间间隔中的换热站的异常概率为第四预设异常概率。
在本申请的一些实施例中，根据异常概率生成换热站的调节指令，包括：
当异常概率小于或等于第二预设异常概率时，生成一级调节指令，所述一级调节指令包括预测换热站在当前采集时间节点与下一采集时间节点的时间间隔内的隐性故障特征；
当异常概率处于第二预设异常概率和第三预设异常概率之间时，生成二级调节指令，所述二级调节指标包括确定换热站在当前采集时间节点的隐性故障特征，并对隐性故障特征配置相应的调节策略；
当异常概率大于第三预设异常概率时，生成第三调节指令，所述第三调节指令包括确定换热站在当前采集时间节点的显性故障特征，并对显性故障特征配置相应的调节策略。
在本申请的一些实施例中，还包括一种无人值守的换热站监测系统的控制方法：
确定换热站的多个需求模块，根据换热站设备对于需求模块的影响度设定关注设备；
预先设定多个特征监测指标，基于特征监测指标设定每个关注设备的多个监测点并获取对应关注设备的实时监测数据，根据实时监测数据生成关注设备对应特征监测指标的监测评价值；
根据全部监测点构建关联模型，根据关联模型以及全部监测评价值确定换热站的实时状态，将实时状态发送至监测终端进行展示。
本申请实施例的一种无人值守的换热站监测系统及其控制方法，与现有技术相比，其有益效果在于：
通过设定多个关注设备，并基于特征监测指标设定关注设备的监测点，得到实时监测数据并生成监测评价值，根据监测点构建关联模型，根据关联模型与监测评价值确定换热站的实时状态，提高换热站无人值守的监测效率以及监测准确性，保证换热站的安全高效运行。
附图说明
图1是本申请实施例优选实施例中一种无人值守的换热站监测系统的示意图；
图2是本申请实施例优选实施例中一种无人值守的换热站监测系统的控制方法的流程示意图。
具体实施方式
下面结合附图和实施例，对本申请的具体实施方式做进一步详细描述。以下实施例用于说明本申请，但不用来限制本申请的范围。
在本申请的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体的连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
如图1所示，本申请实施例优选实施例的一种无人值守的换热站监测系统，包括：
设定模块，用于确定换热站的多个需求模块，根据换热站设备对于需求模块的影响度设定关注设备；
监测模块，用于预先设定多个特征监测指标，基于特征监测指标设定每个关注设备的多个监测点并获取对应关注设备的实时监测数据，根据实时监测数据生成关注设备对应特征监测指标的监测评价值；
展示模块，用于根据全部监测点构建关联模型，根据关联模型以及全部监测评价值确定换热站的实时状态，将实时状态发送至监测终端进行展示。
在本实施例中，换热站的需求模块包括热量传递模块、供热量调节模块、热量平衡模块、废热回收模块等，根据换热站设备与多个需求模块的功能关系以及对于需求模块的影响度设定关注设备，关注设备即需要监测的设备，提高监测效率以及后续换热站的状态的监测准确性。
在本实施例中，特征监测指标包括运行状态指标、供热效率指标、能耗指标、满意度指标，监测点包括但不限于可采集关注设备的温度、压力、流量等关键监测数据的点位，并将监测点的监测数据与关联的特征监测指标进行映射，并对每个特征监测指标所涉及的实时监测数据进行分析，得到关注设备对应特征监测指标的监测评价值，为后续确定换热站的实时状态奠定基础，根据特征监测指标的监测评价值进行多维度分析，提高换热站监测结果的准确性。
在本实施例中，关联模型是根据每个监测点出现故障时对其他监测点产生影响的关联关系进行构建的，通过构建关联模型并结合多个特征监测指标的监测评价值综合确定换热站的实时状态，提高换热站状态的精度。
在本实施例中，通过将多个监测数据实时传送到远程监测终端，通过远程监测终端可以实现对现场的监测数据采集、分析和显示，监测终端可以随时查看现场设备运行状态，并通过数据远程分析和诊断，确定换热站的实时状态并进行报警处理以及运维等。
在本申请的一些实施例中，根据换热站设备对于需求模块的影响度设定关注设备，包括：
获取换热站设备的具体用途和需求指令，根据具体用途和需求指令确定对应换热站设备的功能类型，将同一功能类型的换热站设备划分为同一需求模块，得到多个需求模块以及对应的换热站设备；
根据每个需求模块的需求指令确定对应需求模块的多个作业流程，并将作业流程划分为主要作业流程和次要作业流程；
获取每个需求模块中的换热站设备对于主要作业流程的第一应用系数和第一重要系数以及次要作业流程的第二应用系数和第二重要系数；
根据第一应用系数大于第一预设应用系数的主要作业流程的个数、第一应用系数大于第一预设应用系数的第一应用系数差值、第一重要系数大于第一预设重要系数的主要作业流程的个数以及第一重要系数大于第一预设重要系数的第一重要系数差值生成第一影响系数；
根据第二应用系数大于第二预设应用系数的次要作业流程的个数、第二应用系数大于第二预设应用系数的第二应用系数差值、第二重要系数大于第二预设重要系数的次要作业流程的个数以及第二重要系数大于第二预设重要系数的第二重要系数差值生成第二影响系数；
根据第一影响系数和第二影响系数生成换热站设备对于相应需求模块的影响度。
在本实施例中，根据作业流程对需求指令的作业结果的影响大小设定作业流程的主次。
在本实施例中，第一应用系数和第二应用系数分别是指对主要作业流程和次要作业流程中的应用频次以及换热站设备的监测数据的应用程度，监测数据的应用程度是指监测数据在评价主要作业流程或次要作业流程的作业效果时的使用大小，若应用频次多且应用程度大，则应用系数大，反之应用系数小，第一影响系数和第二影响系数分别时值对主要作业流程的作业结果和次要作业流程的作业结果的影响程度，若影响程度大，则影响系数大，反之影响系数小。
在本实施例中，通过对需求模块的作用流程进行主次划分，并对相应需求模块中的换热站设备对于主要作业流程和次要作业流程的应用系数和重要系数，确定换热站设备对于需求模块的影响度，从而确定关注设备，为后续计算每个特征监测指标的监测评价值奠定基础，减少数据监测量和分析量，提高监测效率。
在本申请的一些实施例中，所述影响度的计算公式为：
其中，Y为影响度，c1为第一影响系数的权重系数，m1为第一应用系数大于第一预设应用系数的主要作业流程的个数，n1为主要作业流程的总个数，△y1i为第i个第一应用系数差值，a1为第一应用系数的权重系数，m2为第一重要系数大于第一预设重要系数的主要作业流程的个数，△z1s第s个第一重要系数差值， 为第一影响系数，u1为第二应用系数大于第二预设应用系数的次要作业流程的个数，n2为次要作业流程的总个数，△y2r为第r个第二应用系数差值，a2为第二应用系数的权重系数，u2为第二重要系数大于第二预设重要系数的次要作业流程的个数，△z2v为第v个第二重要系数差值，b2为第二重要系数的权重系数，为第二影响系数。
在本实施例中，当影响度越大，说明当前换热站设备对于相应需求模块的作业影响越大，对后续监测换热站状态的影响程度也就越大。
在本申请的一些实施例中，根据监测相关数据生成关注设备对应特征监测指标的监测评价值，包括：
预先设定多个特征监测指标，根据特征监测指标与关注设备的历史监测数据的相关联程度设定对应关注设备的监测点，并为监测点配置不同的传感器，根据监测点处多个传感器所对应的历史监测数据的波动程度设定对应传感器的采集时间节点；
获取当前采集时间节点的关注设备的监测点的多个实时监测数据，将当前关注设备的同一特征监测指标的实时监测数据与对应的标准监测数据进行比较，根据比较结果生成对应特征监测指标的第一评价值；
将当前采集时间节点的关注设备的同一特征监测指标的实时监测数据与上一采集时间节点对应的历史监测数据进行对比，得到多个波动量值，根据多个波动量值生成补偿系数，根据补偿系数对第一评价值进行修正，得到关注设备对应特征监测指标的监测评价值。
在本实施例中，波动量值是指当前采集时间节点与上一采集时间节点的同一实时监测数据的变化量，并与提前设定好的标准波动量值进行对比，若波动量值大于标准波动量值，则说明对应的实时监测数据有较大波动，稳定性较低，即可靠性较低，则选定对应的补偿系数应较小，反之补偿系数较大，补偿系数的取值范围为(0.75，1)。
其中，J为监测评价值，w为关注设备对应特征监测指标的实时监测数据的总个数，hd为第d个实时监测数据的权重系数，gd为第d个实时监测数据，g′d为第d个标准监测数据，为补偿系数，p为补偿转换系数，ld为第d个实时监测数据的波动量值，l′d为第d个标准波动量值。
在本申请的一些实施例中，根据全部监测点构建关联模型，包括：
获取每个监测点的历史运行日志，并对历史运行日志进行分析，筛选出对应监测点的历史故障数据以及历史正常数据；
将每个监测点的历史故障数据进行监测点的触发判断，确定预设时段下被触发的监测点并获取相应的历史故障数据，并将当前监测点的历史故障数据作为第一训练输入数据集，将被触发的监测点以及相应的历史故障数据作为训练输出标记集；
将每个监测点的历史正常数据作为第二训练输入数据集，将预设时段内没有被触发的监测点以及相应的历史正常数据作为训练输出未标记集；
基于第一训练输入数据集、训练输出标记集、第二训练输入数据集以及训练输出未标记集，进行半监督学习训练，生成关联模型。
在本实施例中，关联模型通过半监督学习方法设定有标记数据和无标记数据，结合有标记数据和无标记数据，可以克服有限标记数据的限制，提供更多的数据信息，并利用无标记数据的结构和分布来进行更好的建模和分类，从而提高关联模型的精度，为后续确定换热站状态奠定基础，提高换热站状态的诊断精度。
在本申请的一些实施例中，根据关联模型以及全部监测评价值确定换热站的实时状态，包括：
获取每个关注设备的监测点的实时监测数据，根据实时监测数据与对应的标准监测数据的对比结果判断监测点是否出现故障，若是，筛选出故障的监测点并获取实时故障数据；
将故障的监测点以及实时故障数据输入至关联模型中，得到所有被触发的监测点以及对应的实时故障数据，构建故障监测数据集；
基于故障监测数据集中的每个监测点所对应关注设备的权重系数以及实时故障数据的故障程度生成第一状态系数；
根据多个关注设备的同一特征监测指标的监测评价值进行综合分析，得到换热站的对应特征监测指标的综合监测评价值；
根据多个特征监测指标的综合监测评价值以及对应特征监测指标的权重系数生成第二状态系数；
根据第一状态系数和第二状态系数生成换热站当前采集时间节点的综合状态系数；
预先设定状态系数阈值；
当综合状态系数大于状态系数阈值时，确定换热站的实时状态为健康状态；
当综合状态系数小于状态系数阈值时，计算综合状态系数与状态系数阈值的状态系数差值，根据状态系数差值与预设状态系数差值的关系，确定当前采集时间节点与下一采集时间节点的时间间隔中的换热站的异常概率，根据异常概率生成换热站的调节指令。
在本实施例中，根据关联模型确定每个监测点故障对其他监测点的影响，提高对于换热站状态的诊断精度，并结合多个特征监测指标的监测评价值，确定换热站的实时状态并确定换热站的异常概率，保证换热站的安全高效运行。
在本申请的一些实施例中，预先设定第一预设状态系数差值区间，第二预设状态系数差值区间，第三预设状态系数差值区间和第四预设状态系数差值区间；
当状态系数差值处于第一预设状态系数差值区间时，当前采集时间节点与下一采集时间节点的时间间隔中的换热站的异常概率为第一预设异常概率；
当状态系数差值处于第二预设状态系数差值区间时，当前采集时间节点与下一采集时间节点的时间间隔中的换热站的异常概率为第二预设异常概率；
当状态系数差值处于第三预设状态系数差值区间时，当前采集时间节点与下一采集时间节点的时间间隔中的换热站的异常概率为第三预设异常概率；
当状态系数差值处于第四预设状态系数差值区间时，当前采集时间节点与下一采集时间节点的时间间隔中的换热站的异常概率为第四预设异常概率。
在本实施例中，根据历史参数设定预设异常概率以及预设状态系数差值区间，第一预设异常概率、第二预设异常概率、第三预设异常概率、第四预设异常概率分别为20％、40％、60％、80％，第一预设状态系数差值区间＜第二预设状态系数差值区间＜第三预设状态系数差值区间＜第四预设状态系数差值区间。
在本申请的一些实施例中，根据异常概率生成换热站的调节指令，包括：
当异常概率小于或等于第二预设异常概率时，生成一级调节指令，所述一级调节指令包括预测换热站在当前采集时间节点与下一采集时间节点的时间间隔内的隐性故障特征；
当异常概率处于第二预设异常概率和第三预设异常概率之间时，生成二级调节指令，所述二级调节指令包括确定换热站在当前采集时间节点的隐性故障特征，并对隐性故障特征配置相应的调节策略；
当异常概率大于第三预设异常概率时，生成第三调节指令，所述第三调节指令包括确定换热站在当前采集时间节点的显性故障特征，并对显性故障特征配置相应的调节策略。
在本实施例中，隐性故障特征是指当前采集时间节点不明显或产生影响较小的故障特征，显性故障特征是指当前采集时间节点较为明显或产生影响较大的故障特征。
在本实施例中，一级调节指令是指根据当前采集时间节点处的各个监测点所对应的特征监测指标的监测评价值分析后续时间间隔内可能出现异常的原因，并生成对应的调整策略，从而保证换热站的高效稳定运行，二级调节指令是指根据当前采集时间节点处的各个监测点所对应的特征监测指标的监测评价值分析当前采集时间节点的可能异常原因，三级调节指令是指根据当前采集时间节点处的各个监测点所对应的特征监测指标的监测评价值确定当前采集时间节点的异常原因，并制定调节策略。
在本实施例中，通过对全部特征监测指标的监测评价值以及关联模型进行多维度分析，确定换热站的实时状态，并得到异常概率，根据异常概率及时对换热站异常进行预测或调节，保证换热站的安全高效运行。
在本申请的一些实施例中，如图2所示，还包括一种无人值守的换热站监测系统的控制方法：
步骤S201：确定换热站的多个需求模块，根据换热站设备对于需求模块的影响度设定关注设备；
步骤S202：预先设定多个特征监测指标，基于特征监测指标设定每个关注设备的多个监测点并获取对应关注设备的实时监测数据，根据实时监测数据生成关注设备对应特征监测指标的监测评价值；
步骤S203：根据全部监测点构建关联模型，根据关联模型以及全部监测评价值确定换热站的实时状态，将实时状态发送至监测终端进行展示。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本申请的保护范围。
Claims (10)
1.一种无人值守的换热站监测系统，其特征在于，包括：
设定模块，用于确定换热站的多个需求模块，根据换热站设备对于需求模块的影响度设定关注设备；
监测模块，用于预先设定多个特征监测指标，基于特征监测指标设定每个关注设备的多个监测点并获取对应关注设备的实时监测数据，根据实时监测数据生成关注设备对应特征监测指标的监测评价值；
展示模块，用于根据全部监测点构建关联模型，根据关联模型以及全部监测评价值确定换热站的实时状态，将实时状态发送至监测终端进行展示。
2.如权利要求1所述的无人值守的换热站监测系统，其特征在于，根据换热站设备对于需求模块的影响度设定关注设备，包括：
获取换热站设备的具体用途和需求指令，根据具体用途和需求指令确定对应换热站设备的功能类型，将同一功能类型的换热站设备划分为同一需求模块，得到多个需求模块以及对应的换热站设备；
根据每个需求模块的需求指令确定对应需求模块的多个作业流程，并将作业流程划分为主要作业流程和次要作业流程；
获取每个需求模块中的换热站设备对于主要作业流程的第一应用系数和第一重要系数以及次要作业流程的第二应用系数和第二重要系数；
根据第一应用系数大于第一预设应用系数的主要作业流程的个数、第一应用系数大于第一预设应用系数的第一应用系数差值、第一重要系数大于第一预设重要系数的主要作业流程的个数以及第一重要系数大于第一预设重要系数的第一重要系数差值生成第一影响系数；
根据第二应用系数大于第二预设应用系数的次要作业流程的个数、第二应用系数大于第二预设应用系数的第二应用系数差值、第二重要系数大于第二预设重要系数的次要作业流程的个数以及第二重要系数大于第二预设重要系数的第二重要系数差值生成第二影响系数；
根据第一影响系数和第二影响系数生成换热站设备对于相应需求模块的影响度。
3.如权利要求2所述的无人值守的换热站监测系统，其特征在于，
所述影响度的计算公式为：
其中，Y为影响度，c1为第一影响系数的权重系数，m1为第一应用系数大于第一预设应用系数的主要作业流程的个数，n1为主要作业流程的总个数，△y1i为第i个第一应用系数差值，a1为第一应用系数的权重系数，m2为第一重要系数大于第一预设重要系数的主要作业流程的个数，△z1s第s个第一重要系数差值， 为第一影响系数，u1为第二应用系数大于第二预设应用系数的次要作业流程的个数，n2为次要作业流程的总个数，△y2r为第r个第二应用系数差值，a2为第二应用系数的权重系数，u2为第二重要系数大于第二预设重要系数的次要作业流程的个数，△z2v为第v个第二重要系数差值，b2为第二重要系数的权重系数，为第二影响系数。
4.如权利要求3所述的无人值守的换热站监测系统，其特征在于，根据监测相关数据生成关注设备对应特征监测指标的监测评价值，包括：
预先设定多个特征监测指标，根据特征监测指标与关注设备的历史监测数据的相关联程度设定对应关注设备的监测点，并为监测点配置不同的传感器，根据监测点处多个传感器所对应的历史监测数据的波动程度设定对应传感器的采集时间节点；
获取当前采集时间节点的关注设备的监测点的多个实时监测数据，将当前关注设备的同一特征监测指标的实时监测数据与对应的标准监测数据进行比较，根据比较结果生成对应特征监测指标的第一评价值；
将当前采集时间节点的关注设备的同一特征监测指标的实时监测数据与上一采集时间节点对应的历史监测数据进行对比，得到多个波动量值，根据多个波动量值生成补偿系数，根据补偿系数对第一评价值进行修正，得到关注设备对应特征监测指标的监测评价值。
5.如权利要求4所述的无人值守的换热站监测系统，其特征在于，
所述监测评价值的计算公式为
其中，J为监测评价值，w为关注设备对应特征监测指标的实时监测数据的总个数，hd为第d个实时监测数据的权重系数，gd为第d个实时监测数据，g′d为第d个标准监测数据，为补偿系数，p为补偿转换系数，ld为第d个实时监测数据的波动量值，l′d为第d个标准波动量值。
6.如权利要求5所述的无人值守的换热站监测系统，其特征在于，根据全部监测点构建关联模型，包括：
获取每个监测点的历史运行日志，并对历史运行日志进行分析，筛选出对应监测点的历史故障数据以及历史正常数据；
将每个监测点的历史故障数据进行监测点的触发判断，确定预设时段下被触发的监测点并获取相应的历史故障数据，并将当前监测点的历史故障数据作为第一训练输入数据集，将被触发的监测点以及相应的历史故障数据作为训练输出标记集；
将每个监测点的历史正常数据作为第二训练输入数据集，将预设时段内没有被触发的监测点以及相应的历史正常数据作为训练输出未标记集；
基于第一训练输入数据集、训练输出标记集、第二训练输入数据集以及训练输出未标记集，进行半监督学习训练，生成关联模型。
7.如权利要求6所述的无人值守的换热站监测系统，其特征在于，根据关联模型以及全部监测评价值确定换热站的实时状态，包括：
获取每个关注设备的监测点的实时监测数据，根据实时监测数据与对应的标准监测数据的对比结果判断监测点是否出现故障，若是，筛选出故障的监测点并获取实时故障数据；
将故障的监测点以及实时故障数据输入至关联模型中，得到所有被触发的监测点以及对应的实时故障数据，构建故障监测数据集；
基于故障监测数据集中的每个监测点所对应关注设备的权重系数以及实时故障数据的故障程度生成第一状态系数；
根据多个关注设备的同一特征监测指标的监测评价值进行综合分析，得到换热站的对应特征监测指标的综合监测评价值；
根据多个特征监测指标的综合监测评价值以及对应特征监测指标的权重系数生成第二状态系数；
根据第一状态系数和第二状态系数生成换热站当前采集时间节点的综合状态系数；
预先设定状态系数阈值；
当综合状态系数大于状态系数阈值时，确定换热站的实时状态为健康状态；
当综合状态系数小于状态系数阈值时，计算综合状态系数与状态系数阈值的状态系数差值，根据状态系数差值与预设状态系数差值的关系，确定当前采集时间节点与下一采集时间节点的时间间隔中的换热站的异常概率，根据异常概率生成换热站的调节指令。
8.如权利要求7所述的无人值守的换热站监测系统，其特征在于，
预先设定第一预设状态系数差值区间，第二预设状态系数差值区间，第三预设状态系数差值区间和第四预设状态系数差值区间；
当状态系数差值处于第一预设状态系数差值区间时，当前采集时间节点与下一采集时间节点的时间间隔中的换热站的异常概率为第一预设异常概率；
当状态系数差值处于第二预设状态系数差值区间时，当前采集时间节点与下一采集时间节点的时间间隔中的换热站的异常概率为第二预设异常概率；
当状态系数差值处于第三预设状态系数差值区间时，当前采集时间节点与下一采集时间节点的时间间隔中的换热站的异常概率为第三预设异常概率；
当状态系数差值处于第四预设状态系数差值区间时，当前采集时间节点与下一采集时间节点的时间间隔中的换热站的异常概率为第四预设异常概率。
9.如权利要求8所述的无人值守的换热站监测系统，其特征在于，根据异常概率生成换热站的调节指令，包括：
当异常概率小于或等于第二预设异常概率时，生成一级调节指令，所述一级调节指令包括预测换热站在当前采集时间节点与下一采集时间节点的时间间隔内的隐性故障特征；
当异常概率处于第二预设异常概率和第三预设异常概率之间时，生成二级调节指令，所述二级调节指标包括确定换热站在当前采集时间节点的隐性故障特征，并对隐性故障特征配置相应的调节策略；
当异常概率大于第三预设异常概率时，生成第三调节指令，所述第三调节指令包括确定换热站在当前采集时间节点的显性故障特征，并对显性故障特征配置相应的调节策略。
10.一种无人值守的换热站监测系统的控制方法，其特征在于，包括：
确定换热站的多个需求模块，根据换热站设备对于需求模块的影响度设定关注设备；
预先设定多个特征监测指标，基于特征监测指标设定每个关注设备的多个监测点并获取对应关注设备的实时监测数据，根据实时监测数据生成关注设备对应特征监测指标的监测评价值；
根据全部监测点构建关联模型，根据关联模型以及全部监测评价值确定换热站的实时状态，将实时状态发送至监测终端进行展示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411511231.9A CN119508876A (zh) | 2024-10-28 | 2024-10-28 | 一种无人值守的换热站监测系统及其控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411511231.9A CN119508876A (zh) | 2024-10-28 | 2024-10-28 | 一种无人值守的换热站监测系统及其控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN119508876A true CN119508876A (zh) | 2025-02-25 |
Family
ID=94654607
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202411511231.9A Pending CN119508876A (zh) | 2024-10-28 | 2024-10-28 | 一种无人值守的换热站监测系统及其控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN119508876A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN120143200A (zh) * | 2025-02-25 | 2025-06-13 | 华能国际电力股份有限公司安徽风电分公司 | 一种基于北斗定位的光伏组件监测方法 |
| CN120160185A (zh) * | 2025-03-21 | 2025-06-17 | 北京国大能源有限公司 | 一种基于人工智能的供热水力调节系统 |
-
2024
- 2024-10-28 CN CN202411511231.9A patent/CN119508876A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN120143200A (zh) * | 2025-02-25 | 2025-06-13 | 华能国际电力股份有限公司安徽风电分公司 | 一种基于北斗定位的光伏组件监测方法 |
| CN120160185A (zh) * | 2025-03-21 | 2025-06-17 | 北京国大能源有限公司 | 一种基于人工智能的供热水力调节系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN119508876A (zh) | 一种无人值守的换热站监测系统及其控制方法 | |
| CN118915566A (zh) | 一种基于物联网的暖通设备异常在线监控系统 | |
| CN116228466B (zh) | 一种智能电网大数据分析系统 | |
| CN112817280A (zh) | 一种用于火电厂智慧监盘报警系统实现方法 | |
| CN118016202B (zh) | 一种基于汽水质量的化学设备运行分析方法及系统 | |
| CN118898205A (zh) | 一种基于数字孪生的设备故障检测方法及系统 | |
| CN116629627A (zh) | 输电在线监测装置的智能检测系统 | |
| CN103631145B (zh) | 基于监控指标切换的多工况过程监控方法和系统 | |
| CN104598968A (zh) | 变压器故障诊断方法 | |
| CN107437135A (zh) | 一种新型储能选型方法 | |
| CN118152871A (zh) | 一种基于数字孪生的配电网故障诊断系统及方法 | |
| CN118536038A (zh) | 基于互联网平台的油循环风冷变压器油温预警系统及方法 | |
| CN118378544B (zh) | 一种基于深度学习的智能电网线损预测方法 | |
| CN118917840A (zh) | 一种基于电力运维的智能化数据优化管理平台 | |
| CN119740786A (zh) | 基于鸿蒙系统的智慧站房能源管理系统及方法 | |
| CN120047132A (zh) | 基于机器学习专家模型的台区智能运维装置及方法 | |
| CN117553840A (zh) | 一种基于智能化管理的仪表及其系统 | |
| CN111179576B (zh) | 一种具有归纳学习的用电信息采集故障诊断方法及系统 | |
| CN115616471A (zh) | 一种智能电能表故障在线预警系统及方法 | |
| CN119879335A (zh) | 一种暖通设备故障预测系统及方法 | |
| CN119990608A (zh) | 一种基于互联网的企业能源使用行为智能分析方法及系统 | |
| CN119401412A (zh) | 一种基于人工智能的电力监控系统 | |
| CN118914712A (zh) | 一种空调机组运行能效测试方法、测试仪及存储介质 | |
| CN110455370A (zh) | 防汛抗旱远程遥测显示系统 | |
| CN118795794A (zh) | 一种发电厂计算机监控系统的仿真闭环测试系统及方法 |
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 |