雙管齊下,“大數據+AI”讓設備運行更健康
2020-03-19 11:30:55
次
湖北武漢火神山醫(yī)院亮了,湖北武漢雷神山醫(yī)院通電了,浙江溫州甌江口醫(yī)院實現雙電源供電……,近日來,全國各地新型冠狀病毒肺炎患者定點收治醫(yī)院相繼被點亮,為我國新冠肺炎、遏制疫情蔓延再添助力。在被一次次的“電力拓荒”震撼的同時,小編會忍不住地問:在這個特殊的節(jié)點,一方面是娛樂業(yè)、零售、餐飲等行業(yè)的停工,另一方面是醫(yī)院、工廠等“連軸轉”,供電方該如何該如何保證相關電力設備的良好運行,保障電力均衡供應?

隨著電力系統信息化程度的不斷提升和電力市場化的深度推進,電網運營模式中智能化訴求日趨明顯。配用電領域無疑是大數據和人工智能應用研究的重要土壤 。因此也產生了大量基于大數據和人工智能的業(yè)務場景和實踐。今天在直播課程中,我們的數據專家和大家分享的就是“基于設備運行狀態(tài)的重過載精準預測“案例應用。
01、項目背景
供電企業(yè)原有配變設備所承受的負荷日益增高,給電網運行安全造成重大的安全隱患。特別在夏季、節(jié)假日等用電高峰時段,存在重過載變壓器燒壞及配電變壓器容量不足導致不能正常供電的情況,影響供電可靠性且造成客戶投訴,同時也會造成直接的經濟損失。
另外,設備長時間處于重過載狀態(tài)會加速元器件老化,降低設備使用壽命,給電網帶來故障隱患和運行風險,同時也影響公司經濟效益。
02、問題與挑戰(zhàn)
1)、隨著生產、生活用電負荷在不斷攀升,使得供電企業(yè)原有的配變設備所承受的負荷日趨嚴重,故障頻發(fā),成為電網安全運行的重大隱患。
2)、工作量大:設備數量巨大,開展所有設備巡檢,需要現有檢修人員3個月的工作量;
3)、檢修效率低:故障頻發(fā),人工檢修 ‘檢修不及時’或‘檢修過剩’,平均檢修治理成功率20%左右。
03、解決方案
項目簡介
以電力行業(yè)的配電設備精準管控為業(yè)務背景,基于配電設備歷史的運行數據和機器學習等大數據相關知識,一方面了解設備精準管控的業(yè)務背景和傳統治理方式存在的問題,另一方面掌握通過機器學習技術如何建立設備運行狀態(tài)智能感知模型和設備重過載預測模型來實現設備精準管控和治理的目的,從而全方位的掌握設備運行狀態(tài),優(yōu)化設備檢修維護策略,提升配電網的供電可靠率,降低設備檢修維護成本,保障電網經濟運行。
分析思路
分析方案
分析場景1:運行狀態(tài)智能感知
通過綜合評價算法分析完成設備運行狀態(tài)智能感知,基于設備投運年限、歷史運行數據等對設備運行狀態(tài)進行評價,并將其結果映射至0-100,劃分為優(yōu)、良、劣、差四級。不同狀態(tài)之間特征差異明顯,相同評價組內的設備具有相同特性,因此針對運行狀態(tài)差的設備進行著重監(jiān)測,設備健康度評價結果作為重過載預測的特征之一。
- 基于設備廠家、生產日期、生產批次、投運日期、額定容量等設備運行數據,包括設備的輕空載、重過載等,然后利用層次分析法算法進行建模。
- 構建設備運行狀態(tài)感知模型,對設備的健康度進行打分。建模流程主要包含5個步驟:數據讀取、數據處理、算法選擇、數據輸出、執(zhí)行流程。
分析場景2:重過載精準預測
基于分類集成算法,實現重過載配變鑒別。基于設備運行狀態(tài)評價結果、設備投運年限、設備半年內重過載情況、設備歷史同期運行情況等,構建設備重過載精準預測模型?;谠撃P?,可以預測出哪些配變下個月的哪一天會發(fā)生重過載,為檢修部門提供精準維護配變名單,精準開展治理,提升檢修效率,降低檢修成本。
- 將設備基本信息(如投運年限、出廠年限等)、運行信息(如去年同期運行數據、近幾月運行數據),設備運行狀態(tài)感知結果等作為影響因素。
- 通過梯度提升決策樹分類算法對訓練集進行建模,尋找影響因素和是否為重過載設備之間的數學模型,然后通過測試集來驗證該數學模型的準確率。
- 從ROC曲線曲線拐點接近左上角,K-S曲線80.89%,可直觀看出分類效果較好。
- 基于訓練好的大數據分析模型,對所有配變運行數據進行分類預測,將結果輸出,對其利用Tempo大數據分析平臺進行可視化展示。
04、項目成果
(1)檢修工作更加規(guī)范:基于設備狀態(tài)評價和重過載預測結果,制定合理的檢修計劃,避免了檢修過剩及檢修不及時等情況,使得檢修計劃更加合理。
(2)一致性:實際業(yè)務驗證效果同模型評價結果整體保持基本一致,符合模型預期的目標。
(3)服務質量提升:通過合理的安排設備檢修工作,避免了檢修不及時等情況,替代人工經驗最大負荷預測的傳統方式,使‘被動搶修’轉化為‘主動搶修’,提高公司供電水平。
電力保障關系能源安全,關乎國計民生?;谠O備運行狀態(tài)的重過載精準預測對于及時發(fā)現電力隱患、優(yōu)化設備升級改造計劃具有重要作用。同樣地,隨著工業(yè)4.0時代的到來,智能工廠的工業(yè)設備都配上了各種感應器,采集其溫度、振動、電流、電壓等數據顯得輕而易舉,利用大數據和機器學習等技術對這些實時數據進行分析,對于提升組織運營水平具有舉足輕重的作用。
掃描下方二維碼即可觀看案例講解視頻~