基于云边协同的能源站高频数据采集和异常状态识别方法技术

本发明专利技术公开了一种基于云边协同的能源站高频数据采集和异常状态识别方法，包括：通过在能源站设备处安装振动传感器、声音传感器和压力波传感器，获取能源站设备的振动、声音和压力波数据；通过边缘计算平台中的数据采集模块对相关的能源站设备数据信息进行采集，获得能源站设备高频数据；通过云平台对能源站设备历史高频数据进行聚类学习后，将高频数据打上正常和异常数据标签，并建立高频数据异常检测模型，下发至边缘计算平台对采集的能源站设备实时高频数据进行检测，若检测为异常高频数据，则上传至云平台；云平台接收到能源站设备异常高频数据后，通过预先建立的能源站设备异常识别模型进行能源站设备异常识别，获得能源站设备异常类型。站设备异常类型。站设备异常类型。

【技术实现步骤摘要】
基于云边协同的能源站高频数据采集和异常状态识别方法


[0001]本专利技术属于综合能源站
，具体涉及一种基于云边协同的能源站高频数据采集和异常状态识别方法。

技术介绍

[0002]在综合型的园区或开发区建设综合能源站，利用多种能源(气体、水、蒸汽、热能、电能)和多种供能、节能设备(发电机组、余热锅炉、制冷机组、太阳能板等)相结合，并通过互联网集中管理调控生产和能源输送，打造独立的能源岛，实现区域能源的资源整合和综合利用。
[0003]物联网是通过智能感知、识别技术与普适计算、泛在网络的融合应用，在5G的万物互联时代,物联网要通过不同类型的传感器去感知周边物体和物理环境，为物联网应用层的数据分析提供依据。传感器采集系统实时监测、感知和采集各种环境或监测对象信息，实现物理世界多种元素、信息空间以及人类社会之间的交流，不同规模，不同采集频率对传感器采集系统的要求不一样，对不同传感器进行高频次采集，要求传感器采集系统具备大范围高带宽的实时传输、计算、存储和处理能力。
[0004]目前，综合能源站中涉及的设备类型繁杂、耦合性较强，保证能源站各个设备的正常运行尤为重要，而目前大多数能源站设备运行监测通常是采用物联网技术对温度、流量进行采集和识别，针对振动数据、声音数据、压力波数据等高频数据很少有研究，另外，能源站各个设备使用年限较长，两次故障间的时间较长，长期进行高频数据的无筛选采集、传输和存储对硬件设备的要求过高，但这类高频数据更能及时、敏锐的对设备进行识别，帮助运行人员提前对能源站设备进行运行分析和维护，是能源站无人值守场景下的重要保障。因此，如何针对能源站设备的特点优化高频数据的采集方式，有效采集和数据检测、识别，保证能源站设备的正常安全运行是目前急需解决的问题。
[0005]基于上述技术问题，需要设计一种新的基于云边协同的能源站高频数据采集和异常状态识别方法。

技术实现思路

[0006]本专利技术所要解决的技术问题是，克服现有技术的不足，提供一种基于云边协同的能源站高频数据采集和异常状态识别方法，边缘计算平台与云平台协同运行，既能充分利用边缘计算平台的数据采集和局部数据检测处理能力，又能利用云平台的大数据处理、模型训练和数据共享能力，最终实现高频数据的采集、异常检测和异常状态识别。
[0007]为了解决上述技术问题，本专利技术的技术方案是：
[0008]本专利技术提供了一种基于云边协同的能源站高频数据采集和异常状态识别方法，包括：高频数据采集阶段和异常状态识别阶段；
[0009]所述高频数据采集阶段包括：
[0010]通过在能源站设备处安装振动传感器、声音传感器和压力波传感器，获取能源站
设备的振动数据、声音数据和压力波数据信息；
[0011]通过边缘计算平台中的数据采集模块根据预先定义的能源站设备采集对象、高频数据采集内容、高频数据采集频率、高频数据采集起止条件和高频数据采集优先级对相关的能源站设备数据信息进行采集，获得能源站设备高频数据；所述能源站设备高频数据至少包括能源站内水泵、风机、管道和压缩机的声音数据、振动数据和压力波数据；
[0012]所述异常状态识别阶段包括：
[0013]通过云平台对能源站设备历史高频数据进行聚类学习后，将高频数据打上正常和异常数据标签，并对带有标签的历史高频数据进行训练后建立高频数据异常检测模型，下发至边缘计算平台；
[0014]通过边缘计算平台中的高频数据异常检测模型对采集的能源站设备实时高频数据进行检测，若检测为异常高频数据，则上传至云平台；否则，将该高频数据直接存储至边缘计算平台；
[0015]通过云平台接收到能源站设备异常高频数据后，通过预先建立的能源站设备异常识别模型进行能源站设备异常识别，获得能源站设备异常类型。
[0016]进一步，所述通过边缘计算平台中的数据采集模块根据预先定义的能源站设备采集对象、高频数据采集内容、高频数据采集频率、高频数据采集起止条件和高频数据采集优先级对相关的能源站设备数据信息进行采集，获得能源站设备高频数据，包括：
[0017]通过边缘计算平台中的数据采集模块接收预设的数据采集定义文件，包括能源站设备采集对象、高频数据采集内容、高频数据采集频率、高频数据采集起止条件和高频数据采集优先级；
[0018]将每一个能源站设备采集对象虚拟为一个采集元模型进行建模，并标识采集元模型ID，在边缘计算平台中进行登记，登记成功后检测是否拥有该采集元模型ID记录，确认后方可对其进行数据采集；所述采集元模型包括该能源站设备采集对象相关的高频数据采集内容、高频数据采集频率、高频数据采集起止条件和高频数据采集优先级；
[0019]根据高频数据采集优先级，逐级选取高优先级、中优先级和低优先级的能源站设备，并依据高频数据采集起止条件，在能源站设备状态符合开始采集条件时，依据高频数据采集频率以预设的高频采样频率，跟踪采集对应能源站设备对象的高频数据状态变化，获取高频数据采集内容相关的该能源站设备高频数据，在能源站设备状态符合停止采集条件时，停止对应能源站设备对象的高频数据采集，生成能源站设备高频数据；
[0020]其中，所述高频数据采集优先级的设定包括：获取能源站设备运行专家经验值变量区间，所述经验值变量区间为[0,1]，0为最低优先级的能源站设备对象，1为最高优先级的能源站设备对象；根据能源站设备运行专家经验值变量区间设定采集数据优先级，包括高优先级、中优先级和低优先级；
[0021]所述高频数据采集起止条件包括采集开始标识、采集结束标识、暂停采集标识和恢复采集标识。
[0022]进一步，所述边缘计算平台还包括高精度授时模块、移动通信模块、WIFI通信模块、传感器网络通信模块、数据处理和控制模块、外部接口模块、设备位置模块和存储模块；所述高精度授时模块用于为能源站设备提供高精度的时间同步功能；所述移动通信模块用于支持与5G移动网络进行通信；所述WIFI通信模块用于提供无线局域网的接入能力；所述
传感器网络通信模块用于提供与高速传感器网络及设备的通信；所述数据处理和控制模块用于提供高性能的处理能力，进行数据融合挖掘处理；所述外部接口模块用于提供连接多种传感器的接口；所述设备位置模块用于通过GPS或北斗装置提供设备位置信息；所述存储模块用于提供特定的存储结构，进行高频数据的存储。
[0023]进一步，所述通过云平台对能源站设备历史高频数据进行聚类学习后，将高频数据打上正常和异常数据标签，并对带有标签的历史高频数据进行训练后建立高频数据异常检测模型，包括：
[0024]通过云平台获取能源站设备预设历史时间段内的设备高频数据，并进行预处理；
[0025]采用聚类算法计算各个能源站设备高频数据到初始中心的距离，按照距离的大小将数据划分为与之距离最小的簇内，并进行迭代；
[0026]根据聚类的结果将数据量最小的簇定义为异常数据簇，并对正常高频数据簇和异常高频数据簇分别打上标签；
[0027]设置神经网络参数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于云边协同的能源站高频数据采集和异常状态识别方法，其特征在于，包括：高频数据采集阶段和异常状态识别阶段；所述高频数据采集阶段包括：通过在能源站设备处安装振动传感器、声音传感器和压力波传感器，获取能源站设备的振动数据、声音数据和压力波数据信息；通过边缘计算平台中的数据采集模块根据预先定义的能源站设备采集对象、高频数据采集内容、高频数据采集频率、高频数据采集起止条件和高频数据采集优先级对相关的能源站设备数据信息进行采集，获得能源站设备高频数据；所述能源站设备高频数据至少包括能源站内水泵、风机、管道和压缩机的声音数据、振动数据和压力波数据；所述异常状态识别阶段包括：通过云平台对能源站设备历史高频数据进行聚类学习后，将高频数据打上正常和异常数据标签，并对带有标签的历史高频数据进行训练后建立高频数据异常检测模型，下发至边缘计算平台；通过边缘计算平台中的高频数据异常检测模型对采集的能源站设备实时高频数据进行检测，若检测为异常高频数据，则上传至云平台；否则，将该高频数据直接存储至边缘计算平台；通过云平台接收到能源站设备异常高频数据后，通过预先建立的能源站设备异常识别模型进行能源站设备异常识别，获得能源站设备异常类型。2.根据权利要求1所述的能源站高频数据采集和异常状态识别方法，其特征在于，所述通过边缘计算平台中的数据采集模块根据预先定义的能源站设备采集对象、高频数据采集内容、高频数据采集频率、高频数据采集起止条件和高频数据采集优先级对相关的能源站设备数据信息进行采集，获得能源站设备高频数据，包括：通过边缘计算平台中的数据采集模块接收预设的数据采集定义文件，包括能源站设备采集对象、高频数据采集内容、高频数据采集频率、高频数据采集起止条件和高频数据采集优先级；将每一个能源站设备采集对象虚拟为一个采集元模型进行建模，并标识采集元模型ID，在边缘计算平台中进行登记，登记成功后检测是否拥有该采集元模型ID记录，确认后方可对其进行数据采集；所述采集元模型包括该能源站设备采集对象相关的高频数据采集内容、高频数据采集频率、高频数据采集起止条件和高频数据采集优先级；根据高频数据采集优先级，逐级选取高优先级、中优先级和低优先级的能源站设备，并依据高频数据采集起止条件，在能源站设备状态符合开始采集条件时，依据高频数据采集频率以预设的高频采样频率，跟踪采集对应能源站设备对象的高频数据状态变化，获取高频数据采集内容相关的该能源站设备高频数据，在能源站设备状态符合停止采集条件时，停止对应能源站设备对象的高频数据采集，生成能源站设备高频数据；其中，所述高频数据采集优先级的设定包括：获取能源站设备运行专家经验值变量区间，所述经验值变量区间为[0,1]，0为最低优先级的能源站设备对象，1为最高优先级的能源站设备对象；根据能源站设备运行专家经验值变量区间设定采集数据优先级，包括高优先级、中优先级和低优先级；所述高频数据采集起止条件包括采集开始标识、采集结束标识、暂停采集标识和恢复
采集标识。3.根据权利要求1所述的能源站高频数据采集和异常状态识别方法，其特征在于，所述边缘计算平台还包括高精度授时模块、移动通信模块、WIFI通信模块、传感器网络通信模块、数据处理和控制模块、外部接口模块、设备位置模块和存储模块；所述高精度授时模块用于为能源站设备提供高精度的时间同步功能；所述移动通信模块用于支持与5G移动网络进行通信；所述WIFI通信模块用于提供无线局域网的接入能力；所述传感器网络通信模块用于提供与高速传感器网络及设备的通信；所述数据处理和控制模块用于提供高性能的处理能力，进行数据融合挖掘处理；所述外部接口模块用于提供连接多种传感器的接口；所述设备位置模块用于通过GPS或北斗装置提供设备位置信息；所述存储模块用于提供特定的存储结构，进行高频数据的存储。4.根据权利要求1所述的能源站高频数据采集和异常状态识别方法，其特征在于，所述通过云平台对能源站设备历史高频数据进行聚类学习后，将高频数据打上正常和异常数据标签，并对带有标签的历史高频数据进行训练后建立高频数据异常检测模型，包括：通过云平台获取能源站设备预设历史时间段内的设备高频数据，并进行预处理；采用聚类算法计算各个能源站设备高频数据到初始中心的距离，按照距离的大小将数据划分为与之距离最小的簇内，并进行迭代；根据聚类的结果将数据量最小的簇定义为异常数据簇，并对正常高频数据簇和异常高频数据簇分别打上标签；设置神经网络参数，建立神经网络；将聚类后带有标签的能源站设备高频数据输入至神经网络中进行训练后，建立高频数据异常检测模型。5.根据权利要求4所述的能源站高频数据采集和异常状态识别方法，其特征在于，所述聚类算法采用的是K
‑
means聚类算法；所述计算各个能源站设备高频数据到初始中心的距离，表示为：能源站设备高频数据集定义为X
m
×
n
＝[X
1,n
,X
2,n
,
…
,X
m,n
]，由m个能源站设备传感器在n个时刻内采集的高频数据组成；X
i,n
为第i个能源站设备传感器在n个时刻内采集到的数据；C
s,n
为能源站设备高频数据的聚类初始中心；所述对正常高频数据簇和异常高频数据簇分别打上标签，表示为：X
m

【专利技术属性】
技术研发人员：赵琼，金鹤峰，穆佩红，王炳，
申请(专利权)人：浙江英集动力科技有限公司，
类型：发明
国别省市：