CN117391663A - 设备检修方法、装置、非易失性存储介质和计算机设备 - Google Patents

设备检修方法、装置、非易失性存储介质和计算机设备 Download PDF

Info

Publication number
CN117391663A
CN117391663A CN202311220843.8A CN202311220843A CN117391663A CN 117391663 A CN117391663 A CN 117391663A CN 202311220843 A CN202311220843 A CN 202311220843A CN 117391663 A CN117391663 A CN 117391663A
Authority
CN
China
Prior art keywords
power transmission
probability
transformation
determining
equipment
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
Application number
CN202311220843.8A
Other languages
English (en)
Inventor
张潇
丁建武
黄楠
曹玲玲
纪利军
李多娇
解晓东
衣书伟
赵璧
董光哲
闫付乐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Beijing Electric Power Co Ltd
State Grid Corp of China SGCC
Original Assignee
State Grid Beijing Electric Power Co Ltd
State Grid Corp of China SGCC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Beijing Electric Power Co Ltd, State Grid Corp of China SGCC filed Critical State Grid Beijing Electric Power Co Ltd
Priority to CN202311220843.8A priority Critical patent/CN117391663A/zh
Publication of CN117391663A publication Critical patent/CN117391663A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02B—BOARDS, SUBSTATIONS OR SWITCHING ARRANGEMENTS FOR THE SUPPLY OR DISTRIBUTION OF ELECTRIC POWER
    • H02B3/00—Apparatus specially adapted for the manufacture, assembly, or maintenance of boards or switchgear

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Water Supply & Treatment (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种设备检修方法、装置、非易失性存储介质和计算机设备。其中，该方法包括：获取多个输变电设备之间的连接关系，和多个输变电设备的电气参数；根据多个输变电设备之间的连接关系，构建多个输变电设备的故障树模型，其中，故障树模型用于表征多个输变电设备发生故障的原因和结果；根据故障树模型，确定多个输变电设备发生故障的第一概率；根据多个输变电设备的电气参数，确定多个输变电设备发生故障的第二概率；根据第一概率和第二概率，对多个输变电设备进行检修。本发明解决了由于相关技术中无法全面了解设备的运行状态造成的无法在故障风险较高的情况下及时进行检修的技术问题。

Description

设备检修方法、装置、非易失性存储介质和计算机设备
技术领域
本发明涉及设备检修技术领域，具体而言，涉及一种设备检修方法、装置、非易失性存储介质和计算机设备。
背景技术
传统的输变电检修方法通常基于经验，依赖人工的判断和操作。然而，电力系统的复杂性和大规模性使得传统方法很难全面而准确地评估设备的健康状态，尤其是在实时监测和大数据分析方面的缺乏。因此，无法在设备出现潜在问题之前做出及时干预，往往需要在故障发生后才采取应对措施，导致停电时间过长，影响电力供应的稳定性。简单的检修方法往往难以有效地应对设备的多样化故障模式。输变电设备的故障可能涉及电气、机械、热学等多个方面，而传统方法可能只侧重于某一方面，忽视了整体性能，因此，无法全面了解设备的运行状态，无法在故障风险较高的情况下及时检修并排除故障风险，从而无法保障设备的可靠运行。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种设备检修方法、装置、非易失性存储介质和计算机设备，以至少解决由于相关技术中无法全面了解设备的运行状态造成的无法在故障风险较高的情况下及时进行检修的技术问题。
根据本发明实施例的一个方面，提供了一种设备检修方法，包括：获取多个输变电设备之间的连接关系，和多个输变电设备的电气参数；根据多个输变电设备之间的连接关系，构建多个输变电设备的故障树模型，其中，故障树模型用于表征多个输变电设备发生故障的原因和结果；根据故障树模型，确定多个输变电设备发生故障的第一概率；根据多个输变电设备的电气参数，确定多个输变电设备发生故障的第二概率；根据第一概率和第二概率，对多个输变电设备进行检修。
可选地，根据多个输变电设备之间的连接关系，构建多个输变电设备的故障树模型，包括：根据预先确定的待分析的故障事件，生成故障树模型的顶节点；分别根据多个基本事件生成故障树模型的多个基本节点，其中，多个基本事件为导致待分析的故障事件发生的事件；根据多个输变电设备之间的连接关系，确定多个基本节点之间的连接关系，以及多个基本节点与顶节点之间的连接关系；根据多个基本节点之间的连接关系，以及多个基本节点与顶节点之间的连接关系，构建故障树模型。
可选地，根据多个输变电设备之间的连接关系，确定多个基本节点之间的连接关系，以及多个基本节点与顶节点之间的连接关系，构建故障树模型，包括：根据多个输变电设备之间的连接关系，确定多个基本节点之间的父子关系，其中，多个基本节点之间的父子关系表征子节点对应的事件发生导致父节点对应的事件发生；根据多个基本节点之间的父子关系，确定多个基本节点之间的连接关系；根据多个输变电设备之间的连接关系，确定多个基本节点与顶节点之间的父子关系，其中，顶节点与直接导致待分析故障发生的基本事件对应的基本节点连接；根据多个基本节点与顶节点之间的父子关系，确定多个基本节点与顶节点之间的连接关系。
可选地，根据多个基本节点之间的连接关系，以及多个基本节点与顶节点之间的连接关系，构建故障树模型，包括：根据多个输变电设备之间的连接关系，确定多个基本节点和顶节点之间的连接边的属性，其中，连接边的属性表征子节点对应的事件的发生单独导致对应的父节点对应的事件发生，或，多个子节点对应的事件的发生共同导致对应的父节点对应的事件发生；根据多个基本节点和顶节点之间的连接边的属性、多个基本节点之间的连接关系，以及多个基本节点与顶节点之间的连接关系，将多个基本节点和顶节点连接，构建故障树模型。
可选地，根据故障树模型，确定多个输变电设备发生故障的第一概率，包括：确定多个基本节点对应的事件发生的概率；根据多个基本节点和顶节点之间的连接边的属性，确定顶节点对应的待分析的故障事件发生的概率；根据待分析的故障事件发生的概率，确定多个输变电设备发生故障的第一概率。
可选地，根据多个输变电设备的电气参数，确定多个输变电设备发生故障的第二概率，包括：将多个输变电设备的电气参数输入预先确定的时间序列预测模型中，有时间序列预测模型输出第二概率，其中，时间序列预测模型通过多组训练样本训练得到，多组训练样本中每组样本包括多个输变电设备在历史时间段内的历史电气参数，以及历史时间段内发生故障的概率。
可选地，根据第一概率和第二概率，对多个输变电设备进行检修，包括：根据第一概率和第二概率，确定多个输变电设备发生故障的综合概率；根据综合概率，确定对多个输变电设备进行检修的方案；根据对多个输变电设备进行检修的方案，对多个输变电设备进行检修。
根据本发明实施例的另一方面，还提供了一种设备检修装置，包括：获取模块，用于获取多个输变电设备之间的连接关系，和多个输变电设备的电气参数；建模模块，用于根据多个输变电设备之间的连接关系，构建多个输变电设备的故障树模型，其中，故障树模型用于表征多个输变电设备发生故障的原因和结果；第一确定模块，用于根据故障树模型，确定多个输变电设备发生故障的第一概率；第二确定模块，用于根据多个输变电设备的电气参数，确定多个输变电设备发生故障的第二概率；检修模块，用于根据第一概率和第二概率，对多个输变电设备进行检修。
根据本发明实施例的又一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行上述中任意一项设备检修方法。
根据本发明实施例的再一方面，还提供了一种计算机设备，计算机设备包括处理器，处理器用于运行程序，其中，程序运行时执行上述中任意一项设备检修方法。
在本发明实施例中，通过获取多个输变电设备之间的连接关系，和多个输变电设备的电气参数；根据多个输变电设备之间的连接关系，构建多个输变电设备的故障树模型，其中，故障树模型用于表征多个输变电设备发生故障的原因和结果；根据故障树模型，确定多个输变电设备发生故障的第一概率；根据多个输变电设备的电气参数，确定多个输变电设备发生故障的第二概率；根据第一概率和第二概率，对多个输变电设备进行检修，达到了同时考虑多个输变电设备当前的电气参数和多个输变电设备的连接情况来确定当前多个输变电设备发生故障的风险的目的，从而全面了解设备的运行状态，实现了准确且及时地预测多个输变电设备发生故障的概率，并据此对多个输变电设备进行检修的技术效果，进而解决了由于相关技术中无法全面了解设备的运行状态造成的无法在故障风险较高的情况下及时进行检修的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1示出了一种用于实现设备检修方法的计算机终端的硬件结构框图；
图2是根据本发明实施例提供的设备检修方法的流程示意图；
图3是根据本发明实施例提供的设备检修装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例，提供了一种设备检修的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现设备检修方法的计算机终端的硬件结构框图。如图1所示，计算机终端10可以包括一个或多个(图中采用102a、102b，……，102n来示出)处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为BUS总线的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的设备检修方法对应的程序指令/数据存储装置，处理器通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的设备检修方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算机终端10的用户界面进行交互。
图2是根据本发明实施例提供的设备检修方法的流程示意图，如图2所示，该方法包括如下步骤：
步骤S202，获取多个输变电设备之间的连接关系，和多个输变电设备的电气参数。
本步骤中，多个输变电设备可以是位于同一片区域内的电力设备，多个输变电设备之间存在各种连接关系。多个输变电设备的电气参数可以包括当前时刻下设备的电压、电流和功率等电气数据。需要说明的是，在本专利中，多个输变电设备不但可以指大型的、集成度较高的电力设备，也可以指设备中的某个模块或某个元件。
步骤S204，根据多个输变电设备之间的连接关系，构建多个输变电设备的故障树模型，其中，故障树模型用于表征多个输变电设备发生故障的原因和结果。
步骤S206，根据故障树模型，确定多个输变电设备发生故障的第一概率。
故障树模型(Fault Tree Analysis，简称FTA)是一种用于分析和预测系统故障发生的可靠性工具。它是一种定性和定量的可靠性分析方法，可用于评估系统的安全性和可靠性。故障树模型可以帮助识别系统中可能导致故障的各种事件，并通过逻辑关系构建一棵树状结构来表示故障发生的可能性。以上两个步骤中，可以通过多个输变电设备之间在的连接关系，确定多个输变电设备可能导致故障的各种事件，构建多个输变电设备的故障树模型，进而多个输变电设备发生故障的第一概率。
步骤S208，根据多个输变电设备的电气参数，确定多个输变电设备发生故障的第二概率。
本步骤中，还可以分析当前时刻下多个输变电设备的电气参数，通过电气参数是否异常来确定多个输变电设备发生故障的第二概率。需要说明的是，第一概率和第二概率是从不同角度确定的多个输变电设备发生故障的概率，具体地，第一概率是在确定设备可能出现的导致故障的各种事件的基础上，分析多个输变电设备实际的连接关系，根据逻辑关系确定多个输变电设备可能会发生故障的概率，也就是说，在确定第一概率时没有涉及多个输变电设备各自的个性化的情况，仅考虑了该类设备在当前的连接关系下发生故障的概率，例如，第一概率是考虑某一类型的变压器发生故障的概率，而没有考虑当前进行输变电的具体变压器本身的工作情况；而第二概率是根据多个输变电设备的电气参数确定的，也就是说，第二概率涉及了多个输变电设备各自的个性化的情况，根据当前进行输变电的具体变压器本身的工作情况，确定多个输变电设备发生故障的概率。
步骤S210，根据第一概率和第二概率，对多个输变电设备进行检修。
本步骤中，可以综合考虑上述两种方式得到的第一概率和第二概率，确定当前多个输变电设备发生故障的风险，并据此对多个输变电设备进行检修。
通过上述步骤，可以达到同时考虑多个输变电设备当前的电气参数和多个输变电设备的连接情况来确定当前多个输变电设备发生故障的风险的目的，从而全面了解设备的运行状态，实现了准确且及时地预测多个输变电设备发生故障的概率，并据此对多个输变电设备进行检修的技术效果，进而解决了由于相关技术中无法全面了解设备的运行状态造成的无法在故障风险较高的情况下及时进行检修的技术问题。
作为一种可选的实施例，根据多个输变电设备之间的连接关系，构建多个输变电设备的故障树模型，包括：根据预先确定的待分析的故障事件，生成故障树模型的顶节点；分别根据多个基本事件生成故障树模型的多个基本节点，其中，多个基本事件为导致待分析的故障事件发生的事件；根据多个输变电设备之间的连接关系，确定多个基本节点之间的连接关系，以及多个基本节点与顶节点之间的连接关系；根据多个基本节点之间的连接关系，以及多个基本节点与顶节点之间的连接关系，构建故障树模型。
可选地，可以根据设备之间的连接关系和已知的故障模式，识别可能的故障事件，将主要设备元件和可能的故障事件列出，作为故障树的节点。可以在可能的故障事件中，选择一个或多个最终的故障事件作为待分析的故障事件，并将待分析的故障事件作为故障树的顶节点，导致待分析的故障事件作为故障树的基本节点。然后可以根据多个输变电设备之间的连接关系，确定故障事件之间的因果关系，进而可以确定多个基本节点和顶节点之间的连接关系。
作为一种可选的实施例，根据多个输变电设备之间的连接关系，确定多个基本节点之间的连接关系，以及多个基本节点与顶节点之间的连接关系，构建故障树模型，包括：根据多个输变电设备之间的连接关系，确定多个基本节点之间的父子关系，其中，多个基本节点之间的父子关系表征子节点对应的事件发生导致父节点对应的事件发生；根据多个基本节点之间的父子关系，确定多个基本节点之间的连接关系；根据多个输变电设备之间的连接关系，确定多个基本节点与顶节点之间的父子关系，其中，顶节点与直接导致待分析故障发生的基本事件对应的基本节点连接；根据多个基本节点与顶节点之间的父子关系，确定多个基本节点与顶节点之间的连接关系。
可选地，对每个故障事件，确定其故障原因和效应，并将原因和效应之间的逻辑关系表示为故障树的分支，也即，可以将故障事件、原因和效应以树状结构关联起来。每个故障事件作为树的一个节点，原因和效应作为分支连接到相应的事件节点。
作为一种可选的实施例，根据多个基本节点之间的连接关系，以及多个基本节点与顶节点之间的连接关系，构建故障树模型，包括：根据多个输变电设备之间的连接关系，确定多个基本节点和顶节点之间的连接边的属性，其中，连接边的属性表征子节点对应的事件的发生单独导致对应的父节点对应的事件发生，或，多个子节点对应的事件的发生共同导致对应的父节点对应的事件发生；根据多个基本节点和顶节点之间的连接边的属性、多个基本节点之间的连接关系，以及多个基本节点与顶节点之间的连接关系，将多个基本节点和顶节点连接，构建故障树模型。
可选地，连接多个节点之间的边可以具有各自的属性，边的属性可以表示节点对应的事件发生的因果关系，也即，边的属性可以表示节点对应的事件之间的逻辑关系，逻辑关系可以是“与”、“或”等。对于分支关系中的逻辑运算，可以使用布尔代数来表示。例如，“与”关系表示为逻辑与运算，使用AND操作符；“或”关系表示为逻辑或运算，使用OR操作符。例如：假设要进行变压器故障树分析，识别可能的故障事件，如变压器过载、绝缘破损等，对于变压器过载，确定其原因可能包括过电流和电压波动，使用逻辑与运算符(AND)表示过电流和电压波动两个原因同时发生时才导致过载；对于绝缘破损，可能的原因包括环境损害和老化，可以使用逻辑或运算符(OR)表示环境损害或老化导致绝缘破损。
作为一种可选的实施例，根据故障树模型，确定多个输变电设备发生故障的第一概率，包括：确定多个基本节点对应的事件发生的概率；根据多个基本节点和顶节点之间的连接边的属性，确定顶节点对应的待分析的故障事件发生的概率；根据待分析的故障事件发生的概率，确定多个输变电设备发生故障的第一概率。
可选地，可以先对多个基本节点对应的事件发生的概率进行初步的估计，具体可以基于历史数据、专家判断和相关文献进行估计，估计的概率表示该故障事件发生的可能性，例如，变压器过载概率为0.05，绝缘破损概率为0.1。然后可以通过故障树模型，根据节点之间的逻辑关系和初步的概率估计值，计算每个故障事件的发生概率(第一概率)。可以从故障树模型的底层的基本事件开始，沿着树的分支向上逐步计算顶节点对应的事件发生的概率，根据逻辑关系(AND、OR)，将子节点的概率传递给父节点，并使用布尔代数来执行逻辑运算。具体地，如果父节点表示AND逻辑，即多个子节点同时发生，那么父节点的概率等于所有子节点概率的乘积；如果父节点表示OR逻辑，即多个子节点中至少一个发生，那么父节点的概率等于1减去所有子节点未发生的概率的乘积；通过逐步计算，将概率从底层节点向上层节点传递，直至传递到顶层节点，顶节点对应的事件发生的概率表示了设备发生故障的可能性。最后，可以根据计算得出的顶层事件概率，判断设备发生故障的风险程度。
其中，初步的概率估计值可以基于历史数据和专业知识来得出，可以收集各类输变电设备的历史数据，计算故障事件的频率和发生次数。例如，对于一个特定的故障事件，可以计算它在过去一年内发生的次数。概率可以简单地定义为故障事件发生的次数除以总的操作次数。例如，故障事件发生了20次，总共进行了100次操作，那么故障事件的概率为20/100＝0.2。
作为一种可选的实施例，根据多个输变电设备的电气参数，确定多个输变电设备发生故障的第二概率，包括：将多个输变电设备的电气参数输入预先确定的时间序列预测模型中，有时间序列预测模型输出第二概率，其中，时间序列预测模型通过多组训练样本训练得到，多组训练样本中每组样本包括多个输变电设备在历史时间段内的历史电气参数，以及历史时间段内发生故障的概率。
可选地，可以针对每个输变电设备或设备元件，安装传感器以收集实时数据，并基于实时传感器数据，应用时间序列预测算法预测设备运行状态，包括潜在的故障和性能下降。其中，数据采集和预处理是为了收集设备元件的实时数据并将其准备好用于后续的预测维护算法和故障树分析算法。
以下详细说明如何收集多个输变电设备的实时数据：针对每个设备元件，根据需要监测的参数(如温度、湿度、电流、电压等)选择适当的传感器，传感器的选择应该基于其精度、可靠性和适应性，传感器的位置和安装方式不会影响设备的正常运行；可以配置数据采集系统，该系统可以连接和读取传感器的数据；设置数据采集频率，即多久获取一次数据，这可以根据设备的重要性、故障模式和数据存储能力进行调整，可以确保采集的数据具有一致的时间戳，以便后续的时序分析；监控传感器数据的质量，检测是否出现异常值或数据漂移，如果发现数据异常，可能需要检查传感器、连接线路等是否有问题；对采集到的数据进行预处理，以确保数据的准确性和一致性，具体可以包括去除噪音、填充缺失值、数据插值和异常值处理；将经过预处理的数据存储到数据库、数据仓库或类似的存储系统中，以备后续分析使用。例如：假设要监测一个变压器的温度和电流，选择一个温度传感器和电流传感器，其适用于变压器的工作环境和参数范围，将温度传感器安装在变压器的表面，电流传感器通过电气连接测量变压器的电流，配置数据采集系统，每隔15分钟获取一次温度和电流数据，在数据采集系统中设置警报机制，以便在温度异常高或电流过载时及时通知维护人员，对采集到的数据进行预处理，如去除瞬时噪音，然后存储在数据库中。通过以上的步骤，可以确保从设备元件获取到准确、可靠的实时数据，为后续的预测分析提供基础。
以下详细说明如何应用时间序列预测算法预测设备运行状态：收集已经历的历史数据，包括设备运行状态、温度、电流、电压等传感器数据，将这些数据将作为训练集，用于建立时间序列预测模型；对收集到的历史数据进行预处理，包括去除异常值、填充缺失值和平滑数据等，确保数据的质量和稳定性；对历史数据进行时序分析，检查数据是否具有趋势性、季节性和周期性，根据分析结果选择合适的分析模型参数；根据时序分析的结果，确定分析模型的参数，包括自回归阶数(p)、差分阶数(d)和移动平均阶数(q)，并根据选定的参数，建立分析模型；使用训练数据对建立的分析模型进行训练，估计模型的参数值；使用训练数据中的一部分数据作为验证集，评估分析模型的预测性能，具体可以使用均方根误差(RMSE)等指标来衡量预测误差；可以使用训练好的分析模型对实时传感器数据进行预测，将预测的结果与实际观测值进行比较，以检查预测的准确性；根据分析模型的预测结果，判断设备运行状态是否可能出现故障或性能下降，如果预测值与历史数据中的异常情况相符，可能需要考虑进行维护。例如：假设要预测一个变压器的温度，可以收集过去一年的温度历史数据，每天记录一次，对历史数据进行平滑和趋势性分析，发现数据具有季节性和趋势性，根据时序分析，选择分析模型的参数为(p＝1,d＝1,q＝1)，表示一阶自回归、一阶差分和一阶移动平均，使用过去11个月的数据训练分析模型，使用最后一个月的数据进行模型评估，再使用训练好的分析模型对最新的传感器数据进行温度预测。通过以上步骤，可以使用分析模型基于历史数据和实时传感器数据预测设备的运行状态，识别潜在的故障和性能下降，从而制定更有效的维护计划。
作为一种可选的实施例，根据第一概率和第二概率，对多个输变电设备进行检修，包括：根据第一概率和第二概率，确定多个输变电设备发生故障的综合概率；根据综合概率，确定对多个输变电设备进行检修的方案；根据对多个输变电设备进行检修的方案，对多个输变电设备进行检修。
可选地，可以获取第一概率和第二概率，将其作为制定检修计划的基础。根据故障树分析的第一概率，确定每个故障事件的发生概率和影响程度，再结合时间序列预测算法确定的第二概率，为每个故障事件分配一个优先级，如高、中、低优先级，或紧急、重要、一般等，这将有助于区分哪些故障需要紧急处理，哪些可以稍后处理。还可以评估每个故障事件的影响程度，即故障发生后可能对系统运行造成的损失，考虑损失的经济成本、安全风险和可靠性影响。对于高优先级的故障事件，可以制定相应的维护策略，可以包括立即停机检修、部分停机检修或在线维护等。例如：假设在故障树分析中，发现变压器过载的概率较高，而且其影响严重；预测维护算法也显示该变压器的温度可能会在未来一周内超过安全范围；鉴于高概率和严重影响，将变压器过载事件设定为高优先级；制定检修计划，决定在未来两天内进行停机检修，以清理变压器并确保其正常运行；通过以上步骤，可以根据故障概率和影响程度制定合理的检修计划，优先处理可能影响设备稳定运行和安全的故障事件。
具体的，根据设备的运行时间表、生产计划和维护窗口，确定最佳的检修时间。考虑到设备的负荷情况和对生产的影响，选择在合适的时间段进行维护。还可以根据维护目标和设备状况，选择适当的检修方式，可以是预防性检修、修复性检修或在线维护。考虑设备的状态和故障概率，选择最合适的维护方法。还可以确定所需的维护人员、工具、材料和设备，根据检修任务的复杂性和所需技能，分配合适的人员和资源。还可以制定详细的维护步骤和流程，从准备工作开始，逐步指导维护人员进行设备的检查、清洁、维修和测试。还可以识别可能的风险和安全隐患，制定相应的风险管理措施，确保维护过程安全可靠，避免意外发生。可以根据维护计划，准备所需的备件和零部件，确保备件的充足性，避免因为缺乏备件导致维护工作受阻。在维护开始之前，可以执行必要的预备工作，如设备停机、拆卸工作、设备清洁等，确保维护过程的顺利进行。按照制定的维护步骤，执行维护工作，记录维护过程中的关键信息，如操作记录、维修情况、使用的备件等。详细记录维护过程中的所有信息，包括问题、解决方案、消耗的时间和资源等，这将为未来的维护决策提供有用的参考。在维护完成后，收集维护人员的反馈意见，评估维护执行的效果，根据反馈结果，对维护计划和执行过程进行改进和优化。
例如：假设检修计划决定对变压器进行停机检修。维护优化决策包括选择在生产低峰期进行检修，准备所需的维护人员、工具、备件和设备。细化维护步骤，包括清洁绝缘材料、检查电缆连接、测试电流和电压等。在维护过程中，记录了检修的每个步骤，发现了一个老化的电缆连接，需要及时更换。维护人员在维护过程中注意到设备的温度上升情况，根据预测维护算法的结果，决定在维护过程中更换散热器。通过以上步骤，可以根据制定的检修计划，制定细化的维护决策，以确保维护过程的顺利执行，并优化维护效果。这有助于提高设备的可靠性和性能。
本发明提出的设备检修方法将预测维护算法、故障树分析算法和输变电设备的拓扑结构(连接关系)相结合，可以在输变电设备检修过程中带来多方面的突出优点：
(1)综合性能分析：结合拓扑结构、预测维护算法和故障树分析，可以对设备的整体性能进行综合分析。预测维护算法通过时间序列分析提供设备未来可能的状态，故障树分析从逻辑关系角度评估故障概率，拓扑结构模拟则将这些信息融合，帮助确定合适的维护时机和策略。
(2)准确的维护预测：预测维护算法能够利用历史数据和实时传感器数据，准确预测设备的未来状态。通过结合故障树分析，可以更准确地估计不同故障事件的发生概率，帮助提前识别可能的故障，采取针对性的维护措施。
(3)优化维护决策：故障树分析和拓扑结构模拟帮助识别可能的故障模式和影响路径。预测维护算法提供了设备的状态信息。将这些信息结合起来，可以优化维护决策，制定更具针对性的检修计划，最大程度地减少维护对生产的影响。
(4)系统级别考虑：故障树分析考虑了不同故障事件之间的逻辑关系，而拓扑结构模拟则将设备的物理连接纳入考虑。这种系统级别的考虑能够更全面地评估故障风险和维护需求，从而提供更完整的维护决策。
(5)资源优化利用：结合拓扑结构模拟，可以在制定维护计划时考虑设备之间的相互影响。这有助于合理分配人力、物资和时间资源，避免资源浪费和重复工作。
(6)风险降低：故障树分析能够明确故障发生的可能路径和潜在原因。结合预测维护算法，可以及早预测到潜在故障。通过综合分析，可以采取针对性的维护策略，降低设备故障带来的风险。
综合利用这三种方法的优点，可以实现更精准、高效、全面的输变电设备检修计划制定，最大程度地保障设备的稳定运行和安全性。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的设备检修方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
根据本发明实施例，还提供了一种用于实施上述设备检修方法的设备检修装置，图3是根据本发明实施例提供的设备检修装置的结构框图，如图3所示，该设备检修装置包括：获取模块31、建模模块32、第一确定模块33、第二确定模块34和检修模块35，下面对该设备检修装置进行说明。
获取模块31，用于获取多个输变电设备之间的连接关系，和多个输变电设备的电气参数。
建模模块32，与获取模块31连接，用于根据多个输变电设备之间的连接关系，构建多个输变电设备的故障树模型，其中，故障树模型用于表征多个输变电设备发生故障的原因和结果。
第一确定模块33，与建模模块32连接，用于根据故障树模型，确定多个输变电设备发生故障的第一概率。
第二确定模块34，与第一确定模块33连接，用于根据多个输变电设备的电气参数，确定多个输变电设备发生故障的第二概率。
检修模块35，与第二确定模块34连接，用于根据第一概率和第二概率，对多个输变电设备进行检修。
此处需要说明的是，上述获取模块31、建模模块32、第一确定模块33、第二确定模块34和检修模块35对应于实施例中的步骤S202至步骤S210，多个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例提供的计算机终端10中。
本发明的实施例可以提供一种计算机设备，可选地，在本实施例中，上述计算机设备可以位于计算机网络的多个网络设备中的至少一个网络设备。该计算机设备包括存储器和处理器。
其中，存储器可用于存储软件程序以及模块，如本发明实施例中的设备检修方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的设备检修方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取多个输变电设备之间的连接关系，和多个输变电设备的电气参数；根据多个输变电设备之间的连接关系，构建多个输变电设备的故障树模型，其中，故障树模型用于表征多个输变电设备发生故障的原因和结果；根据故障树模型，确定多个输变电设备发生故障的第一概率；根据多个输变电设备的电气参数，确定多个输变电设备发生故障的第二概率；根据第一概率和第二概率，对多个输变电设备进行检修。
可选地，根据多个输变电设备之间的连接关系，构建多个输变电设备的故障树模型，包括：根据预先确定的待分析的故障事件，生成故障树模型的顶节点；分别根据多个基本事件生成故障树模型的多个基本节点，其中，多个基本事件为导致待分析的故障事件发生的事件；根据多个输变电设备之间的连接关系，确定多个基本节点之间的连接关系，以及多个基本节点与顶节点之间的连接关系；根据多个基本节点之间的连接关系，以及多个基本节点与顶节点之间的连接关系，构建故障树模型。
可选地，根据多个输变电设备之间的连接关系，确定多个基本节点之间的连接关系，以及多个基本节点与顶节点之间的连接关系，构建故障树模型，包括：根据多个输变电设备之间的连接关系，确定多个基本节点之间的父子关系，其中，多个基本节点之间的父子关系表征子节点对应的事件发生导致父节点对应的事件发生；根据多个基本节点之间的父子关系，确定多个基本节点之间的连接关系；根据多个输变电设备之间的连接关系，确定多个基本节点与顶节点之间的父子关系，其中，顶节点与直接导致待分析故障发生的基本事件对应的基本节点连接；根据多个基本节点与顶节点之间的父子关系，确定多个基本节点与顶节点之间的连接关系。
可选地，根据多个基本节点之间的连接关系，以及多个基本节点与顶节点之间的连接关系，构建故障树模型，包括：根据多个输变电设备之间的连接关系，确定多个基本节点和顶节点之间的连接边的属性，其中，连接边的属性表征子节点对应的事件的发生单独导致对应的父节点对应的事件发生，或，多个子节点对应的事件的发生共同导致对应的父节点对应的事件发生；根据多个基本节点和顶节点之间的连接边的属性、多个基本节点之间的连接关系，以及多个基本节点与顶节点之间的连接关系，将多个基本节点和顶节点连接，构建故障树模型。
可选地，根据故障树模型，确定多个输变电设备发生故障的第一概率，包括：确定多个基本节点对应的事件发生的概率；根据多个基本节点和顶节点之间的连接边的属性，确定顶节点对应的待分析的故障事件发生的概率；根据待分析的故障事件发生的概率，确定多个输变电设备发生故障的第一概率。
可选地，根据多个输变电设备的电气参数，确定多个输变电设备发生故障的第二概率，包括：将多个输变电设备的电气参数输入预先确定的时间序列预测模型中，有时间序列预测模型输出第二概率，其中，时间序列预测模型通过多组训练样本训练得到，多组训练样本中每组样本包括多个输变电设备在历史时间段内的历史电气参数，以及历史时间段内发生故障的概率。
可选地，根据第一概率和第二概率，对多个输变电设备进行检修，包括：根据第一概率和第二概率，确定多个输变电设备发生故障的综合概率；根据综合概率，确定对多个输变电设备进行检修的方案；根据对多个输变电设备进行检修的方案，对多个输变电设备进行检修。
采用本发明实施例，提供了一种设备检修的方案。通过获取多个输变电设备之间的连接关系，和多个输变电设备的电气参数；根据多个输变电设备之间的连接关系，构建多个输变电设备的故障树模型，其中，故障树模型用于表征多个输变电设备发生故障的原因和结果；根据故障树模型，确定多个输变电设备发生故障的第一概率；根据多个输变电设备的电气参数，确定多个输变电设备发生故障的第二概率；根据第一概率和第二概率，对多个输变电设备进行检修，达到了同时考虑多个输变电设备当前的电气参数和多个输变电设备的连接情况来确定当前多个输变电设备发生故障的风险的目的，从而全面了解设备的运行状态，实现了准确且及时地预测多个输变电设备发生故障的概率，并据此对多个输变电设备进行检修的技术效果，进而解决了由于相关技术中无法全面了解设备的运行状态造成的无法在故障风险较高的情况下及时进行检修的技术问题。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一非易失性存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(RandomAccess Memory，RAM)、磁盘或光盘等。
本发明的实施例还提供了一种非易失性存储介质。可选地，在本实施例中，上述非易失性存储介质可以用于保存上述实施例所提供的设备检修方法所执行的程序代码。
可选地，在本实施例中，上述非易失性存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，非易失性存储介质被设置为存储用于执行以下步骤的程序代码：获取多个输变电设备之间的连接关系，和多个输变电设备的电气参数；根据多个输变电设备之间的连接关系，构建多个输变电设备的故障树模型，其中，故障树模型用于表征多个输变电设备发生故障的原因和结果；根据故障树模型，确定多个输变电设备发生故障的第一概率；根据多个输变电设备的电气参数，确定多个输变电设备发生故障的第二概率；根据第一概率和第二概率，对多个输变电设备进行检修。
可选地，根据多个输变电设备之间的连接关系，构建多个输变电设备的故障树模型，包括：根据预先确定的待分析的故障事件，生成故障树模型的顶节点；分别根据多个基本事件生成故障树模型的多个基本节点，其中，多个基本事件为导致待分析的故障事件发生的事件；根据多个输变电设备之间的连接关系，确定多个基本节点之间的连接关系，以及多个基本节点与顶节点之间的连接关系；根据多个基本节点之间的连接关系，以及多个基本节点与顶节点之间的连接关系，构建故障树模型。
可选地，根据多个输变电设备之间的连接关系，确定多个基本节点之间的连接关系，以及多个基本节点与顶节点之间的连接关系，构建故障树模型，包括：根据多个输变电设备之间的连接关系，确定多个基本节点之间的父子关系，其中，多个基本节点之间的父子关系表征子节点对应的事件发生导致父节点对应的事件发生；根据多个基本节点之间的父子关系，确定多个基本节点之间的连接关系；根据多个输变电设备之间的连接关系，确定多个基本节点与顶节点之间的父子关系，其中，顶节点与直接导致待分析故障发生的基本事件对应的基本节点连接；根据多个基本节点与顶节点之间的父子关系，确定多个基本节点与顶节点之间的连接关系。
可选地，根据多个基本节点之间的连接关系，以及多个基本节点与顶节点之间的连接关系，构建故障树模型，包括：根据多个输变电设备之间的连接关系，确定多个基本节点和顶节点之间的连接边的属性，其中，连接边的属性表征子节点对应的事件的发生单独导致对应的父节点对应的事件发生，或，多个子节点对应的事件的发生共同导致对应的父节点对应的事件发生；根据多个基本节点和顶节点之间的连接边的属性、多个基本节点之间的连接关系，以及多个基本节点与顶节点之间的连接关系，将多个基本节点和顶节点连接，构建故障树模型。
可选地，根据故障树模型，确定多个输变电设备发生故障的第一概率，包括：确定多个基本节点对应的事件发生的概率；根据多个基本节点和顶节点之间的连接边的属性，确定顶节点对应的待分析的故障事件发生的概率；根据待分析的故障事件发生的概率，确定多个输变电设备发生故障的第一概率。
可选地，根据多个输变电设备的电气参数，确定多个输变电设备发生故障的第二概率，包括：将多个输变电设备的电气参数输入预先确定的时间序列预测模型中，有时间序列预测模型输出第二概率，其中，时间序列预测模型通过多组训练样本训练得到，多组训练样本中每组样本包括多个输变电设备在历史时间段内的历史电气参数，以及历史时间段内发生故障的概率。
可选地，根据第一概率和第二概率，对多个输变电设备进行检修，包括：根据第一概率和第二概率，确定多个输变电设备发生故障的综合概率；根据综合概率，确定对多个输变电设备进行检修的方案；根据对多个输变电设备进行检修的方案，对多个输变电设备进行检修。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种设备检修方法，其特征在于，包括：
获取多个输变电设备之间的连接关系，和所述多个输变电设备的电气参数；
根据所述多个输变电设备之间的连接关系，构建所述多个输变电设备的故障树模型，其中，所述故障树模型用于表征所述多个输变电设备发生故障的原因和结果；
根据所述故障树模型，确定所述多个输变电设备发生故障的第一概率；
根据所述多个输变电设备的电气参数，确定所述多个输变电设备发生故障的第二概率；
根据所述第一概率和所述第二概率，对所述多个输变电设备进行检修。
2.根据权利要求1所述的方法，其特征在于，所述根据所述多个输变电设备之间的连接关系，构建所述多个输变电设备的故障树模型，包括：
根据预先确定的待分析的故障事件，生成所述故障树模型的顶节点；
分别根据多个基本事件生成所述故障树模型的多个基本节点，其中，所述多个基本事件为导致所述待分析的故障事件发生的事件；
根据所述多个输变电设备之间的连接关系，确定所述多个基本节点之间的连接关系，以及所述多个基本节点与所述顶节点之间的连接关系；
根据所述多个基本节点之间的连接关系，以及所述多个基本节点与所述顶节点之间的连接关系，构建所述故障树模型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述多个输变电设备之间的连接关系，确定所述多个基本节点之间的连接关系，以及所述多个基本节点与所述顶节点之间的连接关系，构建所述故障树模型，包括：
根据所述多个输变电设备之间的连接关系，确定所述多个基本节点之间的父子关系，其中，所述多个基本节点之间的父子关系表征子节点对应的事件发生导致父节点对应的事件发生；
根据所述多个基本节点之间的父子关系，确定所述多个基本节点之间的连接关系；
根据所述多个输变电设备之间的连接关系，确定所述多个基本节点与所述顶节点之间的父子关系，其中，所述顶节点与直接导致所述待分析故障发生的基本事件对应的基本节点连接；
根据所述多个基本节点与所述顶节点之间的父子关系，确定所述多个基本节点与所述顶节点之间的连接关系。
4.根据权利要求3所述的方法，其特征在于，所述根据所述多个基本节点之间的连接关系，以及所述多个基本节点与所述顶节点之间的连接关系，构建所述故障树模型，包括：
根据所述多个输变电设备之间的连接关系，确定所述多个基本节点和所述顶节点之间的连接边的属性，其中，所述连接边的属性表征子节点对应的事件的发生单独导致对应的父节点对应的事件发生，或，多个子节点对应的事件的发生共同导致对应的父节点对应的事件发生；
根据所述多个基本节点和所述顶节点之间的连接边的属性、所述多个基本节点之间的连接关系，以及所述多个基本节点与所述顶节点之间的连接关系，将所述多个基本节点和所述顶节点连接，构建所述故障树模型。
5.根据权利要求4所述的方法，其特征在于，所述根据所述故障树模型，确定所述多个输变电设备发生故障的第一概率，包括：
确定所述多个基本节点对应的事件发生的概率；
根据所述多个基本节点和所述顶节点之间的连接边的属性，确定所述顶节点对应的所述待分析的故障事件发生的概率；
根据所述待分析的故障事件发生的概率，确定所述多个输变电设备发生故障的第一概率。
6.根据权利要求1所述的方法，其特征在于，所述根据所述多个输变电设备的电气参数，确定所述多个输变电设备发生故障的第二概率，包括：
将所述多个输变电设备的电气参数输入预先确定的时间序列预测模型中，有所述时间序列预测模型输出所述第二概率，其中，所述时间序列预测模型通过多组训练样本训练得到，所述多组训练样本中每组样本包括所述多个输变电设备在历史时间段内的历史电气参数，以及所述历史时间段内发生故障的概率。
7.根据权利要求1至6中任意一项所述的方法，其特征在于，所述根据所述第一概率和所述第二概率，对所述多个输变电设备进行检修，包括：
根据所述第一概率和所述第二概率，确定所述多个输变电设备发生故障的综合概率；
根据所述综合概率，确定对所述多个输变电设备进行检修的方案；
根据所述对所述多个输变电设备进行检修的方案，对所述多个输变电设备进行检修。
8.一种设备检修装置，其特征在于，包括：
获取模块，用于获取多个输变电设备之间的连接关系，和所述多个输变电设备的电气参数；
建模模块，用于根据所述多个输变电设备之间的连接关系，构建所述多个输变电设备的故障树模型，其中，所述故障树模型用于表征所述多个输变电设备发生故障的原因和结果；
第一确定模块，用于根据所述故障树模型，确定所述多个输变电设备发生故障的第一概率；
第二确定模块，用于根据所述多个输变电设备的电气参数，确定所述多个输变电设备发生故障的第二概率；
检修模块，用于根据所述第一概率和所述第二概率，对所述多个输变电设备进行检修。
9.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至7中任意一项所述设备检修方法。
10.一种计算机设备，其特征在于，包括：存储器和处理器，
所述存储器存储有计算机程序；
所述处理器，用于执行所述存储器中存储的计算机程序，所述计算机程序运行时使得所述处理器执行权利要求1至7中任意一项所述设备检修方法。
CN202311220843.8A 2023-09-20 2023-09-20 设备检修方法、装置、非易失性存储介质和计算机设备 Pending CN117391663A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311220843.8A CN117391663A (zh) 2023-09-20 2023-09-20 设备检修方法、装置、非易失性存储介质和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311220843.8A CN117391663A (zh) 2023-09-20 2023-09-20 设备检修方法、装置、非易失性存储介质和计算机设备

Publications (1)

Publication Number Publication Date
CN117391663A true CN117391663A (zh) 2024-01-12

Family

ID=89438162

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311220843.8A Pending CN117391663A (zh) 2023-09-20 2023-09-20 设备检修方法、装置、非易失性存储介质和计算机设备

Country Status (1)

Country Link
CN (1) CN117391663A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118469540A (zh) * 2024-04-29 2024-08-09 中云智能科技(广州)有限公司 一种输变电设备的故障排查和维修方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104122488A (zh) * 2014-08-13 2014-10-29 国家电网公司 一种输电线路故障校核诊断方法
CN109784575A (zh) * 2019-01-24 2019-05-21 新奥数能科技有限公司 设备状态的预测方法及装置、存储介质、电子装置
CN114693078A (zh) * 2022-03-09 2022-07-01 华北电力大学 基于t-s故障树外力作用下的变电站故障树构建方法
CN116542288A (zh) * 2023-05-24 2023-08-04 国网智能电网研究院有限公司 中低压变压器故障预警模型构建方法以及故障预警方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104122488A (zh) * 2014-08-13 2014-10-29 国家电网公司 一种输电线路故障校核诊断方法
CN109784575A (zh) * 2019-01-24 2019-05-21 新奥数能科技有限公司 设备状态的预测方法及装置、存储介质、电子装置
CN114693078A (zh) * 2022-03-09 2022-07-01 华北电力大学 基于t-s故障树外力作用下的变电站故障树构建方法
CN116542288A (zh) * 2023-05-24 2023-08-04 国网智能电网研究院有限公司 中低压变压器故障预警模型构建方法以及故障预警方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118469540A (zh) * 2024-04-29 2024-08-09 中云智能科技(广州)有限公司 一种输变电设备的故障排查和维修方法及系统

Similar Documents

Publication Publication Date Title
Vilarinho et al. Preventive maintenance decisions through maintenance optimization models: a case study
CN113361139A (zh) 一种基于数字孪生的产线仿真滚动优化系统及方法
CN118585755B (zh) 基于人工智能的充电桩安全性监测与故障诊断方法及系统
JP3968039B2 (ja) 保守計画立案支援方法及び装置
CN112016743A (zh) 电网设备的检修预测方法、装置、计算机设备和存储介质
CN114862275B (zh) 基于数字孪生模型的仓储物流系统可靠性评估方法及系统
CN111915192A (zh) 电力设备故障管理系统的建立方法和系统、计算机设备
JP2003099119A (ja) 最適保守計画決定方法
KR101278428B1 (ko) 예지 보전 기반의 실시간 협업 기업 자산 관리 시스템 및 방법
CN112862218A (zh) 电力设备超期服役管理系统
CN118611260A (zh) 基于数字孪生的变电设备监控方法、装置、设备及介质
CN118469548A (zh) 设备维修方法、装置、电子设备和存储介质
CN112381242A (zh) 核电站设备维修项目数据处理方法及系统
CN117150032B (zh) 一种水电站发电机组的智能维护系统及方法
CN117391663A (zh) 设备检修方法、装置、非易失性存储介质和计算机设备
CN119743507A (zh) 一种基于云平台的自动巡检管理系统
CN118536979A (zh) 抽水蓄能电站智能检修方法、计算机装置
JP7339861B2 (ja) 故障確率評価システム
CN113757223B (zh) 液压部件可靠性分析方法和系统、计算机装置和存储介质
CN119228365A (zh) 风电机组维护方法、装置、计算机设备及存储介质
JP2026027714A (ja) 電力設備管理システム、電力設備管理方法、および電力設備管理プログラム
CN118938830A (zh) 一种基于数字孪生的洗衣机装配生产线性能监测系统
Ab-Samat et al. Development of opportunistic maintenance policy towards optimal maintenance system (OPTOMS) model: a case study
CN118174292A (zh) 智慧后勤信息管理方法
CN117875149A (zh) 一种用于生产加工的预判式问题管理方法

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