logo全球能源互联网期刊信息服务平台

目录

图片(0

    表格(0

      全球能源互联网

      第6卷 第4期 2023年07月;页码:437-444
      EN

      新型电力系统生产设备智能化管理平台建设关键技术与应用

      Key Technologies and Applications of Intelligent Management Platform Construction for Production Equipment in New Power System

      李雅丹1* ,邓大为1 ,吴振田2, 刘炜伦2 ,卢文冰3
      LI Yadan1* , DENG Dawei1 , WU Zhentian 2, 刘炜伦2 , LIU Weilun3
      • 1.广东电网有限责任公司电力调度控制中心,广东省 广州市 510600
      • 2.广东电力通信科技有限公司,广东省 广州市 510600
      • 3.华北电力大学,北京市 昌平区 102206
      • 1. Electric Power Dispatching Control Center of Guangdong Grid Co., Ltd., Guangzhou 510600, Guangdong Province, China
      • 2. Guangdong Electric Power Communication Technology Co., Ltd., Guangzhou 510600, Guangdong Province, China
      • 3. North China Electric Power University, Changping District, Beijing 102206, China

      摘 要

      Abstract

      随着新型电力系统的发展,电网生产设备数量激增,对生产设备的智能化管理需求随之增加。以智能化技术为生产设备管理赋能仍存在数据价值挖掘不充分、算法智能化及扩展性不足、可视化需求迫切等问题。针对上述问题,从多元生产设备数据融合、智能化算法、设备智能化管理三个方面阐述了新型电力系统生产设备智能化管理平台架构,提出了涵盖数据清洗、统计分析、可视化精控的关键技术,根据所提出平台架构与关键技术,建设生产设备智能化管理平台。实际应用效果表明:电网生产设备数据清洗治理、数据统计分析以及数据可视化精控等关键技术的应用,可有效提升账卡物一致率、降低任务逾期数、降低人力投入。

      With the development of new power system,the number of production equipment in the power grid has increased dramatically. However, intelligent technology enabled production equipment management still faces challenges such as insufficient data value mining, inadequate algorithm intellectualization and expansibility, and urgent demand for visualization. In response to the above challenges, this paper expounds the production equipment intelligent management platform architecture in new power system from three aspects,i.e., multiple production equipment data fusion, intelligent algorithm, and intelligent equipment management. The key technologies including data cleaning, statistical analysis, and visualized precise control are proposed. Based on the proposed platform architecture and key technologies, an intelligent production equipment management platform for production equipment is built. The practical application results show that through the application of key technologies such as data cleaning and management, data statistical analysis, and visualized precise control of power grid production equipment, the consistency rate of ledger, card, and entity is improved, the overdue tasks are reduced, and the manpower input is reduced.

      0 引言

      随着“碳达峰、碳中和”(简称“双碳”)目标的提出以及以高比例新能源为主体的新型电力系统构建,大规模新能源生产设备的接入进一步加大了生产设备精细化与智能化管控运维难度[1-4]。电力系统生产设备智能化管理平台通过数据清洗治理、数据统计分析、数据可视化精控等关键技术,能够为生产设备基础数据的集成管理与设备运维提供平台支撑[5-7]。然而,随着电力系统数字化进程速度不断加快,电力系统基础数据呈现爆发式增长,数据处理需求激增[8],亟需通过智能化、精细化运维手段提升平台的运行性能[9-10]。此外,数据的多源异构性以及部门、专业、系统之间的数据壁垒导致现有平台与新型电力系统适配性有待提升[11],以数字化转型赋能电力行业高质量发展,加快推动平台升级的呼声日益高涨。

      利用数据清洗、数据统计、数据可视化精控技术提升电网生产设备管理能力,已成为新型电力系统生产设备智能运维的热点研究方向[12-13],工业界和学术界已开展了前期研究。文献[14]基于过程控制理论建立了特有的电力设备投资、运行和管理全流程运维管理机制,通过管理流程优化实现成本降低。文献[15]提出了基于全生命周期管理的电网设备管理系统,对监测数据与全生命周期数据库设备数据进行联合分析,实现设备运维及时管理。文献[16]结合设备以及电网工程的全生命周期管理特点建设电网设备状态监测体系,为设备运行维护及检修提供了有力的数据支撑。

      上述研究实现了设备管理流程优化,节省了人力成本,但均未形成跨部门、多数据源、可视化的设备全流程管理平台。本文针对新型电力系统生产设备智能化管理应用面临的技术挑战,从终端层、应用层、展示层三个层面阐述智能化管理平台特征与架构,提出面向新型电力系统生产设备智能化管理的关键技术,包括基于孤立森林与BP神经网络的生产设备数据清洗治理技术、基于知识图谱的生产设备数据统计分析技术、基于3D可视化的生产设备数据可视化精控技术,最后通过企业电力设备智能化管理平台的典型应用进行所提方案的实践验证。

      1 新型电力系统生产设备智能化管理应用面临的技术挑战

      在高比例新能源并网、电网生产设备数量激增背景下,以智能化技术为新型电力系统生产设备管理赋能面临的技术挑战介绍如下。

      1)新型电力系统中大量新型电力电子元器件的使用导致其数据采集环境电磁干扰情况复杂,且所涉及生产设备隶属关系复杂,电网内外资产采用通信协议各异,跨部门数据协调难度大,导致生产设备数据缺失、错误、重复等异常情况。未来新型电力系统高比例新能源并网的发展特性使得电网的运行特性更加多元,多主体生产设备间的交互特性更加复杂,如何有效提升数据质量,支撑海量生产设备的智能化运维与管理仍面临挑战。

      2)新型电力系统生产设备海量多源异构数据的价值尚未充分挖掘。生产设备在运行管理全过程中积累了海量数据,涵盖资产名称、编码、分类、位置、归口部门、使用部分以及状态数据、环境数据等,易导致数据冗余度高,处理难度大。此外,海量的结构化、非结构化以及其他形式的生产设备数据呈现“多源异构”特点,为深入挖掘数据应用价值,支撑生产设备智能化运维管理,提升电网工作效率,亟需通过数据融合与清洗技术实现多源异构数据的融通互联。

      3)新型电力系统生产设备的全景可视化与全生命周期管控对算法的智能化、扩展性、协同性提出了更高要求。新型电力系统生产设备管理多元应用对数据及算法的需求存在交集,而各方任务间壁垒会导致算法成本高、协同性差、效率低,因此亟需设计高智能化、扩展性强、协同性高的算法实现生产设备数据的高效挖掘,提升设备可视化精控与高效运维能力,保障电网安全稳定运行。

      解决以上问题迫切需要依托“平台+数据+算法”,探索新型电力系统生产设备管理的新业态和新模式,突破生产设备智能化管理平台建设关键技术,提升电网设备运行、维护、管理效率,为建设新型电力系统与实现“双碳”目标创造有利条件。

      2 新型电力系统生产设备智能化管理平台架构

      新型电力系统生产设备数据呈现数据量大、来源广泛、数据结构多样的海量多源异构特征,且需要针对不同的应用场景实现生产设备数据融合应用[17-18]。因此,本文采用分布式分层架构,通过对生产设备数据进行清洗以及融合处理,解决生产设备智能化管理平台建设机理及实现方法这一关键性问题。此外,与传统的分布式架构相比,新型电力系统生产设备智能化管理平台采用数据清洗治理技术、统计分析技术与可视化精控技术,能够保证盘点核对效果,提升账卡物签一致率;推动任务执行,减少盘点任务逾期;提高业务人员工作效率,降低人力投入。

      图1给出了生产设备智能化管理平台总体架构,包括终端层、应用层以及展示层。其中,终端层负责生产设备数据获取,包括标签数据、运行数据、退役数据等;应用层通过多层级协作实现从采集管理、数据清洗到统计分析的生产设备数据全流程处理;展示层实现地市、机房、机柜等多级别任务提醒、任务逾期警告、中心数据治理统计等信息的可视化。

      图1 生产设备智能化管理平台总体架构
      Fig. 1 Overall architecture of production equipment intelligent management platform

      生产设备智能化管理平台的功能主要包括多元生产设备数据融合、智能化算法架构和生产设备智能化管理三个方面。

      2.1 多元生产设备数据融合

      为实现生产设备的全生命周期管理,系统接入电网公司内部、新能源/储能/负荷第三方运营商及厂家的多元数据,并通过多种异构通信方式与通信协议实现海量多元生产设备数据的转换融合,打破多系统间信息孤岛,形成全面可共享的大数据平台[19]。多元生产设备数据包括电网调度中心、电网营销中心监测数据,发电机组、储能站、负荷等运行数据,以及水文气象平台监控数据等,涉及时间尺度涵盖秒级、分钟级甚至月度级,从而实现跨行业级的全方位设备管理。

      2.2 智能化算法架构

      系统各功能实现依赖于各种先进智能化算法的研究与应用,且算法对新型电力系统生产设备智能化管理的不同环节与目标具有普适性。为降低数据冗余度,提升数据质量与后续处理效率,依托目前电网构建的云边服务平台强大算力[20],结合各种生产设备管理应用场景,系统嵌入了各种大数据挖掘与处理的智能化算法,包括集束搜索、聚类分析、机器学习算法等,各种算法的有机融合与协调统一共同构成支撑新型电力系统生产设备管理的智能化算法架构,助力设备故障预判与预警、电能质量监测、新能源出力预测与控制优化、精准负荷控制等传统业务与新业务实现,为新型电力系统多业务场景需求提供解决方案。

      2.3 生产设备智能化管理

      生产设备智能化管理首先需要全方位的终端层数据采集,包含标签数据、运行数据、退役数据等,通过融合RFID、二维码等传统物理标识载体以及报文流量、电气指纹、信息指纹等新型特征标识[17],实现电网内外生产设备数据的智能化管理。新型电力系统持续建设带来各类设备大规模广泛接入,通过各类数据的智能化处理与可视化展现,支撑电网生产设备的即插即用,扩大电网监管范围,保障设备安全稳定运行。

      3 新型电力系统生产设备智能化管理关键技术

      3.1 基于深度学习的生产设备数据清洗治理技术

      利用生产设备数据清洗技术,能够将基础数据集中的不一致错误、不合理值、缺失值和重复记录等不良数据进行删除与修正[21],使其转化为满足数据分析质量要求的数据,并利用清洗数据对生产设备进行常规盘点与快速盘点,对设备进行全方面、详细的校核和整改。图2给出了生产设备常规任务数据清洗流程。

      图2 生产设备常规任务数据清洗流程
      Fig. 2 Production equipment routine task data cleaning flowchart

      本文提出了基于孤立森林的异常数据监测算法和基于BP神经网络的数据修正算法,支撑设备故障预判、电能质量监测等新型电力业务数据清洗治理功能的实现。

      3.1.1 基于孤立森林的异常数据监测算法

      算法目标是对基础数据集进行采样并构造iTree,然后将多个iTree集成为iForest检测异常数据,具体介绍如下。

      首先将属性分组。其次,从训练集中选择Γ个样本数据构造iTree,将符合属性关联性规律的数据划分到iTree的同一个分支。剩余的数据划分到另一分支。最后,定义异常数据评价体系,对于测试数据κ,将其代入森林中的每一棵iTree,计算其落在每棵树的深度,记为h()κ,所有h()κ的平均值为E(h()κ),标准平均搜索长度C()Γ

      其中,函数H(x)定义为

      定义待测数据的异常评分为

      由公式(3)可得,若iTree分支的深度最小,则异常评分S(κ,Γ)→1,此时待测数据是异常数据;若iTree分支的深度最大,则异常评分S(κ,Γ)→0,此时该待测数据不包含明显的异常样本。

      3.1.2 基于改进BP神经网络的数据修正

      针对故障预测及数据清洗的高精度需求,本文基于BP神经网络[22],对通过孤立森林算法检测出的异常数据进行预测修正,修正过程如下。

      初始化BP神经网络,将输入向量和期望输出代入神经网络。在前向传播过程中,获取各层神经元的输出,并求出期望值与实际输出的误差,若实际输出满足收敛要求,则本轮数据修正结束,若不满足收敛要求,则在反向传播过程,计算各神经元的误差,并得到误差梯度。基于梯度变化趋势,自适应调整学习速率,更新神经网络参数,进行下一轮数据修正。

      具体而言,用ai(l)表示BP神经网络第l层第i单元的激活值,其计算公式为

      式中:f(x)为修正线性单元(rectified linear units,ReLU)函数;表示第l层第j单元与l+1层第i单元之间的权重参数;bi(l)表示第l+1层第i单元的偏置。

      反向传播过程的误差表达式为

      设{[x(1),y(1),…,(x(m),y(m))]}为固定样本集,则整体代价函数为

      基于梯度变化趋势,调整学习速率,从而实现数据的自适应修正。

      3.2 基于知识图谱的生产设备数据统计分析技术

      针对海量多源异构生产设备数据分析与检索的挑战[23],本文提出基于知识图谱的生产设备数据统计分析技术。图3给出了基于知识图谱的生产设备数据统计分析框架。基于平台采集和记录的生产设备结构化、半结构化、非结构化的信息数据和运行数据,首先,采用神经网络、规则与词典等方法对数据有效特征进行捕获和表示,完成实体和属性的抽取,形成离散的实体/属性;其次,采用半监督协同训练的方法对实体和属性进行分类,抽取出实体与实体之间的关系和实体与属性之间的关系,形成实体—属性网状知识库;在此基础上,通过实体消歧义、共指消解和实体链接等技术将多个知识库的信息进行融合,并通过质量评估和动态反馈更正形成网格化、结构化的知识体系,构建支撑数据统计分析与任务检索的多层级生产设备知识图谱。

      图3 基于知识图谱的生产设备数据统计分析框架
      Fig. 3 Statistical analysis framework of production equipment data based on knowledge graph

      基于平台整合的设备多源数据,平台能够通过知识抽取、实体链接构建多层级生产设备知识图谱,并基于子图检索实现不同层级、不同尺度的数据统计分析和任务检索。具体来说,平台能够基于知识图谱,根据日期、任务类型、当前进度、是否预期、任务名称等关键词完成不同层级的管理进度检索,同时基于评价模型对检索结果进行评价;进一步在系统中查询正在进行的清洗任务及其完成情况、任务清单等内容,导出数据清洗清单检索分析、任务检索分析、历史数据清洗报告检索分析报告,从而完成月度、季度任务盘点工作。

      与传统生产设备管理模式相比,所研发生产设备数据统计分析技术实现了快速、自动化、多层级的任务检索,解决了现有管理系统自动化程度低、统计分析细度不足的问题。

      3.3 基于3D可视化的生产设备数据可视化精控技术

      针对生产设备数据的3D可视化精控需求,本文将3D技术与视频技术相结合,实现机房场景多角度全方位实时数据展示、设备精准定位、实时告警等功能。图4给出了生产设备数据可视化精控技术实现框架,主要包括机房3D建模、模型与实体设备匹配、生产设备数据可视化场景生成。

      图4 生产设备数据可视化精控技术实现框架
      Fig. 4 Production equipment data visualization fine control technology implementation framework

      为了实现机房3D建模,首先获取机房各设备的三维信息,包括形状、尺寸等物理形态的距离信息和光学信息,并将不同视点的3D图像数据进行匹配融合;其次用若干多边形平面或曲面分别表示机房各设备的表面部分,搭建机房各设备的几何模型;最后在构建几何模型的基础上,融合距离图像以及光学图像构建机房各设备的3D纹理模型。

      进一步,通过建立的机房3D纹理模型与实体机房设备进行匹配,将实时获取的设备状态信息、生产设备数据、历史运行数据、设备资产等信息与生成的3D模型绑定,实现模型与实体设备匹配。

      最后,生成生产设备数据可视化场景。首先对生成3D模型进行统一格式转换与维护,进而通过细节帧核校与3D场景渲染增强整体模型立体感。其次进行材质贴图,模拟生产设备真实观感与形态,通过生成机房内设备的位置关系最终实现整体3D可视化建模,便于设备直观展示与管理。

      4 工程应用案例

      依据南方电网生产设备管理规定,以某省的新型电力系统生产设备智能化管理平台建设情况为例,验证本文所提平台构建关键技术的有效性。该省生产设备智能化管理平台应用范围涵盖该省12个地级市,针对设备交付、使用、维修到报废的设备全生命周期管理,根据账卡物一致率、任务逾期数、管理效率等生产设备管理关键指标进行验证。

      4.1 账卡物一致率提升

      所提关键技术应用前后账卡物签平均一致率对比如图5所示,其中账卡物一致率指仓库账册、设备标签与实际设备之间的相符程度。在传统的生产设备管理模式下,7个月平均账卡一致率和卡物一致率可达到87.94%和88.54%。应用所提平台关键技术后,7个月平均账卡一致率和卡物一致率分别为94.96%和95.35%,提升约7.98%和7.69%,最低账卡一致率和卡物一致率不低于94.85%和94.52%,相比同月份提升约11.26%和9.39%。基于本文所提的数据清洗治理、数据统计分析、可视化精控等关键技术,实现了设备自动化管理方法及流程监控闭环,为账卡字段校对、现场设备查找、盘点结果数据录入等工作提供了一种快速、智能、完善的管理模式,有效保障账卡物签一致性校核准确率以及生产设备数据管理效率。

      图5 账卡物签平均一致率对比图
      Fig. 5 Comparison of average concordant rate among account,card, object and tag

      4.2 任务逾期数降低

      所提关键技术应用前后任务逾期数对比如图6所示。月度抽查方面,在传统的生产设备管理模式下,各部门的月均任务逾期数为33.5,所提关键技术应用以来,各部门的月均任务逾期数降为6,下降率达82.09%。快速盘点方面,原有生产设备管理模式下各部门月均任务逾期数为20,所提关键技术应用以来,各部门的月均任务逾期数降为3,下降率达85.00%。原因在于数据清洗治理技术及数据统计分析技术的应用能够实现月度抽查或其他临时核查任务的全流程监控,并提供多层级数据清洗报告检索功能,从而显著降低任务逾期数。

      图6 任务逾期数对比图
      Fig. 6 Comparison of number of overdue tasks

      4.3 管理效率提升

      以该省四座典型城市为例,所提关键技术应用前后月度抽查人力投入情况对比如图7所示,包括任务制定、一轮盘点、一轮整改、一轮核校、二轮整改、二轮校核等环节。在传统的生产设备管理模式下,四地平均月度抽查人力投入分别为133.09、108.93、143.03、112.4人·天,应用所提平台关键技术后,人力投入降低约45.94%,分别为76.02、58.38、100.73、82.98人·天。所提关键技术通过结合数据清洗治理技术和统计分析技术提升数据处理效率与精度,并利用可视化精控技术实现了生产设备管理进程可视化,能够为管理人员提供任务监控与任务提醒手段,完善了生产设备管理流程,进一步提高了对人力资源的利用程度。

      图7 月度抽查人力投入对比图
      Fig. 7 Comparison of manpower input for monthly random inspection

      5 结论

      本文在分析新型电力系统生产设备智能化管理应用面临的技术挑战基础上,提出了多元生产设备数据融合、智能化算法、设备智能化管理的新型电力系统生产设备智能化管理平台架构,从数据清洗、统计分析、可视化精控等三个方面,介绍了实现平台智能化管理的关键技术,基于所述平台架构与关键技术建设生产设备智能化管理平台并开展工程应用案例实践。实践表明,所开发平台可显著提升账卡物一致率、降低任务逾期率、提升管理效率,为新型电力系统生产设备自动化管理和实践应用提供了有益探索。

      参考文献

      1. [1]

        张小平,鲁宗相,马世英. 能源转型中的电力系统规划关键技术及案例研究[J]. 全球能源互联网,2021,4(4):321-322.ZHANG Xiaoping, LU Zongxiang, MA Shiying. Key technologies and case studies of power system planning in energy transition[J]. Journal of Global Energy Interconnection,2021, 4(4): 321-322 (in Chinese). [百度学术]

      2. [2]

        艾芊. 双碳目标下虚拟电厂资源聚合与协同调控研究[J]. 电力工程技术,2022, 41(6): 1.AI Qian. Research on resource aggregation and collaborative regulation of virtual power plant under double carbon target[J].Electric Power Engineering Technology, 2022, 41(6): 1 (in Chinese). [百度学术]

      3. [3]

        李建林. 双碳目标下储能系统关键技术及应用[J]. 电力工程技术,2021,40(3):1.LI Jianlin. Key technology and application of energy storage system under double carbon target[J]. Electric Power Engineering Technology, 2021, 40(3): 1 (in Chinese). [百度学术]

      4. [4]

        王新宝,葛景,韩连山,等. 构网型储能支撑新型电力系统建设的思考与实践[J]. 电力系统保护与控制,2023,51(5):172-179.WANG Xinbao, GE Jing, HAN Lianshan, et al. Theory and practice of grid-forming BESS supporting the construction of a new type of power system[J]. Power System Protection and Control, 2023, 51(5): 172-179 (in Chinese). [百度学术]

      5. [5]

        栾文鹏,吕军,徐丙垠. 新型配电系统智能感知、分析与优化运行[J]. 全球能源互联网,2022,5(3):201-202.LUAN Wenpeng, LYU Jun, XU Bingyin. Intelligent perception, analysis and optimal operation of new distribution system[J]. Journal of Global Energy Interconnection, 2022,5(3): 201-202 (in Chinese). [百度学术]

      6. [6]

        申望. 基于电网设备的资产全生命周期成本归集与分摊方法研究[J]. 南方能源建设,2021,8(S1):53-58.SHEN Wang. Research on asset life cycle cost accumulation and approtionment method based on power grid equipment[J].Southern Energy Construction, 2021, 8(S1): 53-58 (in Chinese). [百度学术]

      7. [7]

        SHAH Z, ANWAR A, MAHMOOD A N, et al. A spatiotemporal data summarization approach for real-time operation of smart grid[J]. IEEE Transactions on Big Data,2020, 6(4): 624-637. [百度学术]

      8. [8]

        王阔,刘辉. 面向新能源多业务场景的大数据平台构建关键技术与应用[J]. 全球能源互联网,2022,5(2):157-165.WANG Kuo, LIU Hui. Key technologies and applications of big data platform construction for renewable energy multi-business scenarios[J]. Journal of Global Energy Interconnection, 2022, 5(2): 157-165 (in Chinese). [百度学术]

      9. [9]

        杨小莲,卞蓓蕾,张烨华,等. 新型配电系统智能终端分布式控制通信方案[J]. 全球能源互联网,2022,5(3):282-289.YANG Xiaolian, BIAN Beilei, ZHANG Yehua, et al.Intelligent terminal distributed control communication solutions for new power distribution system[J]. Journal of Global Energy Interconnection, 2022, 5(3): 282-289 (in Chinese). [百度学术]

      10. [10]

        朱吉然,康童,王风华,等. 基于智能电子装置建模方法的配电终端自描述技术研究[J]. 电力系统保护与控制,2022,50(6):149-157.ZHU Jiran, KANG Tong, WANG Fenghua, et al. Selfdescription technology of a distribution terminal unit based on IED modeling method[J]. Power System Protection and Control, 2022, 50(6): 149-157 (in Chinese). [百度学术]

      11. [11]

        郝永康,刘文霞,张馨月,等. 计及服务能力的配电网资产管理综合绩效评价方法[J]. 现代电力,2019,36(4):79-87.HAO Yongkang, LIU Wenxia, ZHANG Xinyue, et al.Comprehensive performance evaluation method for asset management of distribution network considering service capability[J]. Modern Electric Power, 2019, 36(4): 79-87 (in Chinese). [百度学术]

      12. [12]

        廖海君,贾泽晗,周振宇,等. 面向调控信息新鲜度保障的电力至简物联网资源优化[J]. 通信学报,2022,43(7):203-214.LIAO Haijun, JIA Zehan, ZHOU Zhenyu, et al. Dispatching and control information freshness guaranteed resource optimization in simplified power Internet of Things[J]. Journal on Communications, 2022, 43(7): 203-214 (in Chinese). [百度学术]

      13. [13]

        梅玉杰,李勇,周王峰,等. 基于机器学习的配电网异常缺失数据动态清洗方法[J]. 电力系统保护与控制,2023,51(7):158-169.MEI Yujie, LI Yong, ZHOU Wangfeng, et al. Dynamic data cleaning method of abnormal and missing data in a distribution network based on machine learning[J]. Power System Protection and Control, 2023, 51(7): 158-169 (in Chinese). [百度学术]

      14. [14]

        XIAO Z F, LI W L, WU Y F, et al. Preliminary study on regional technology architecture and planning of ubiquitous power Internet of Things part one overall architecture[J].Procedia Computer Science, 2020, 175: 752-757. [百度学术]

      15. [15]

        董炜,沈金荣,惠杰,等. 基于全生命周期管理的微电网设备管理系统[J]. 机电工程,2017,34(11):1330-1333.DONG Wei, SHEN Jinrong, HUI Jie, et al. Equipment management system for micro-grid based on life cycle management[J]. Journal of Mechanical & Electrical Engineering, 2017, 34(11): 1330-1333 (in Chinese). [百度学术]

      16. [16]

        周旸,沈祝园,曹雯. 基于资产全寿命周期管理的电网设备状态监测体系优化[J]. 企业改革与管理,2018(21):215.ZHOU Yang, SHEN Zhuyuan, CAO Wen. Optimization of power grid equipment condition monitoring system based on asset life cycle management[J]. Enterprise Reform and Management, 2018(21): 215 (in Chinese). [百度学术]

      17. [17]

        DÍAZ N L, VASQUEZ J C, GUERRERO J M. A communication-less distributed control architecture for islanded microgrids with renewable generation and storage[J]. IEEE Transactions on Power Electronics, 2018, 33(3): 1922-1939. [百度学术]

      18. [18]

        王建玺,岳圆. 基于云计算的智能电网大数据处理技术研究[J]. 通信电源技术,2019,36(12):3-4.WANG Jianxi, YUE Yuan. Research on big data processing technology of smart grid based on cloud computing[J].Telecom Power Technology, 2019, 36(12): 3-4 (in Chinese). [百度学术]

      19. [19]

        ARDAGNA C A, BELLANDI V, BEZZI M, et al. Modelbased big data analytics-as-a-service: take big data to the next level[J]. IEEE Transactions on Services Computing, 2021,14(2): 516-529. [百度学术]

      20. [20]

        LIAO H J, JIA Z H, ZHOU Z Y, et al. Cloud-edgeend collaboration in air–ground integrated power IoT: a semidistributed learning approach[J]. IEEE Transactions on Industrial Informatics, 2022, 18(11): 8047-8057. [百度学术]

      21. [21]

        王冲,邹潇. 基于Spark框架的电力大数据清洗模型[J]. 电测与仪表,2017,54(14):33-38.WANG Chong, ZOU Xiao. A data cleaning model for electric power big data based on Spark framework[J]. Electrical Measurement & Instrumentation, 2017, 54(14): 33-38 (in Chinese). [百度学术]

      22. [22]

        李星南,施展,亢中苗,等. 基于孤立森林算法和BP神经网络算法的电力运维数据清洗方法[J]. 电气应用,2018,37(16):72-79.LI Xingnan, SHI Zhan, KANG Zhongmiao, et al. Power operation and maintenance data cleaning method based on isolated forest algorithm and BP neural network algorithm[J].Electrotechnical Application, 2018, 37(16): 72-79 (in Chinese). [百度学术]

      23. [23]

        胡杰,孙秋野,胡旌伟,等. 信息能源系统自-互-群立体协同优化方法[J]. 全球能源互联网,2019,2(5):457-465.HU Jie, SUN Qiuye, HU Jingwei, et al. Three-dimensional self-mutual-group collaborative optimization method for information-energy systems[J]. Journal of Global Energy Interconnection, 2019, 2(5): 457-465 (in Chinese). [百度学术]

      基金项目

      国家自然科学基金资助项目(51907063);南方电网公司科技项目(036000GS62210015)。

      National Natural Science Foundation of China (51907063);Science and Technology Project of China Southern Power Grid Company (036000GS62210015).

      作者简介

      • 李雅丹

        李雅丹 (1983),女,工程师,硕士,主要从事电力系统自动化研究。通信作者,E-mail:305185347@qq.com。

      • 邓大为

        邓大为 (1975),男,高级工程师,主要从事电力系统自动化研究。

      • 吴振田

        吴振田 (1980),男,高级工程师,主要从事电力系统自动化研究。

      • 卢文冰

        卢文冰(1969),男,主要从事电力信息通信研究。

      出版信息

      文章编号:2096-5125 (2023) 04-0437-08

      中图分类号:TM73; TP311

      文献标志码:A

      DOI:10.19705/j.cnki.issn2096-5125.2023.04.012

      收稿日期:2022-11-09

      修回日期:

      出版日期:2023-07-25

      引用信息: 李雅丹,邓大为,吴振田等.新型电力系统生产设备智能化管理平台建设关键技术与应用[J].全球能源互联网,2023,6(4):437-444 .LI Yadan, DENG Dawei, WU Zhentian ,et al.Key Technologies and Applications of Intelligent Management Platform Construction for Production Equipment in New Power System[J].Journal of Global Energy Interconnection,2023,6(4):437-444 (in Chinese).

      (责任编辑 张鹏)
      分享给微信好友或者朋友圈

      使用微信“扫一扫”功能
      将此文章分享给您的微信好友或者朋友圈