CN111444169A - 一种变电站电气设备状态监测与诊断***及方法 - Google Patents
一种变电站电气设备状态监测与诊断***及方法 Download PDFInfo
- Publication number
- CN111444169A CN111444169A CN202010237204.2A CN202010237204A CN111444169A CN 111444169 A CN111444169 A CN 111444169A CN 202010237204 A CN202010237204 A CN 202010237204A CN 111444169 A CN111444169 A CN 111444169A
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal state
- processing
- substation
- abnormal
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 57
- 238000012544 monitoring process Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims description 23
- 230000002159 abnormal effect Effects 0.000 claims abstract description 111
- 238000012545 processing Methods 0.000 claims abstract description 77
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 238000012423 maintenance Methods 0.000 claims description 47
- 230000008569 process Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 10
- 238000002405 diagnostic procedure Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 7
- 238000011835 investigation Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000013501 data transformation Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 2
- 239000002994 raw material Substances 0.000 claims description 2
- 238000011946 reduction process Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 238000003860 storage Methods 0.000 description 3
- 238000004587 chromatography analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009440 infrastructure construction Methods 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/16—Electric power substations
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种变电站电气设备状态监测与诊断***，包括数据采集模块，用于对变电站电气设备状态数据进行采集；数据分层处理模块，用于对数据采集模块采集到的数据进行处理，并根据处理结果进行异常状态识别，若识别成功则生成变电站异常状态检测指标体检单，否则将处理结果发送至云端诊断模块；云端诊断模块，用于接收数据分层处理模块无法识别的数据信息，并对数据信息进行异常状态识别，生成变电站异常状态检测指标体检单。本发明能够改进现有技术的不足，减小数据传输量，有效提高诊断的可靠性。
Description
技术领域
本发明涉及变电站监测技术领域，尤其是一种变电站电气设备状态监测与诊断***及方法。
背景技术
物联网层面的云计算理论与边缘计算理论迁移到电网层面是当前国家电网主流发展方向之一。
云计算是通过技术或IT服务公司交付的计算需求，作为一种服务提供给终端的异构社区。“云”理论上意味着一种抽象的技术，在建设综合计算基础设施时资源和它的位置是非常重要的，包括网络，***和应用程序等。所有的云计算模型在很大程度上都依赖于资源共享，以实现连续性和经济性；边缘计算(edge computing，EC)是指在靠近人、物或数据获取源头的网络边缘处，融合网络、计算、存储、应用核心能力的新网络架构和开放平台。边缘计算将以往传统的集中式云端计算处理的模式，改为将存储计算能力向下移动至网络边缘，即面向终端的模式，就近提供边缘智能服务。
边缘计算模式与云计算模式存在紧密的互动协同关系。边缘数据中心本身收到基础设施建设以及地理分布等影响，使其在基础设施建设以及物理设备性能上不能和云数据中心并驾齐驱，计算能力和存储能力会有一定的瓶颈。因此边缘数据中心并不能完全替代云数据中心，边缘计算和云计算两者的协同配合(云边协同)才能发挥各自优势，同时弥补对方的不足。当前常规变电站也配置了相关的状态监测***，但这些***在物联网发展结合层次上较低，尚需进一步优化改进。
发明内容
本发明要解决的技术问题是提供一种变电站电气设备状态监测与诊断***及方法，能够解决现有技术中云计算模式可能引起数据***、***延时的问题，减小数据传输量，有效提高诊断的可靠性。
为解决上述技术问题，本发明所采取的技术方案如下。
一种变电站电气设备状态监测与诊断***，其特征在于：包括，
数据采集模块，用于对变电站电气设备状态数据进行采集；
数据分层处理模块，用于对数据采集模块采集到的数据进行处理，并根据处理结果进行异常状态识别，若识别成功则生成变电站异常状态检测指标体检单，否则将处理结果发送至云端诊断模块；
云端诊断模块，用于接收数据分层处理模块无法识别的数据信息，并对数据信息进行异常状态识别，生成变电站异常状态检测指标体检单。
一种上述的变电站电气设备状态监测与诊断***的监测与诊断方法，包括以下步骤：
A、数据采集模块对变电站电气设备状态数据进行采集；
B、数据分层处理模块对数据采集模块采集到的数据进行处理，并根据处理结果进行异常状态识别，若识别成功则生成变电站异常状态检测指标体检单，否则将处理结果发送至云端诊断模块；
C、云端诊断模块接收数据分层处理模块无法识别的数据信息，并对数据信息进行异常状态识别，生成变电站异常状态检测指标体检单。
作为优选，步骤B中，对数据进行处理包括以下步骤，
B1、进行数据预处理，包括数据清洗、数据集成、数据变换和数据归约；去除无效数据、统一单位、进行数据计算，得出实时特征值；
B2、进行数据级处理，包括提取异常状态特征数据的特征、根据异常状态特征数据之间确定的关联关系进行计算得到信息；
B3、进行信息级处理得到异常状态特征数据变化与故障类型的关系。
作为优选，步骤B1中，在进行数据清洗前，对数据结构进行更新，增加数据分类特征数据段，在进行数据清洗过程中，数据分类特征数据段保持不变，在数据集成过程中，利用数据分类特征数据段记录的分类特征对数据进行线性集成，在数据归约过程中，对数据分类特征数据段进行拆分，将拆分的数据段进行归一化迭代，然后按照统一的预设规则将经过归一化迭代处理的数据段***原数据中。
作为优选，步骤B2中，异常状态特征数据的特征包括高优先级特征和低优先级特征，高优先级特征为包含经过归一化迭代处理的数据段的特征，其余为低优先级特征，计算关联关系时优先使用高优先级特征。
作为优选，步骤B3中，若通过高优先级特征计算的关联关系无法确定唯一的故障类型，则使用低优先级特征进行计算，在确定的故障类型集合中选定唯一的高可信度故障类型。
作为优选，步骤B中，对异常状态识别包括以下步骤，
由初始数据处理得到特征数据，在边缘计算机层面调动边缘历史运维数据通过ANN识别方式得出初级识别框架；初级识别框架包括变电站异常部位、异常设备信息、异常特征数据、一级诊断判断结果和异常状态处理建议；初级识别框架通过边缘计算机实现人机交互，实现异常状态预警、运维人员检查和异常状态处理建议问询。
作为优选，步骤C中，异常状态识别包以下步骤，
在云计算层面调动云端历史运维数据通过故障识别方式以及异常检测专家库检测得出高级识别框架；高级识别框架除了初级识别框架所包含的内容，还包含运维人员现场勘验情况、一级诊断检修结果、专家库分析情况、云端诊断结果、指导意见和处理检修策略；通过高级识别框架更新变电站异常状态监测指标体检单，下发到边缘侧接收进行二次检修；检修成功循环结束，否则上升到云端进行二级与多级的诊断。
作为优选，所述变电站异常状态检测指标体检单包括异常器件及其台账、异常数据及其诊断结果、维修意见和运维补充。
采用上述技术方案所带来的有益效果在于：本发明经过边缘计算的处理，剔除误报数据。并对原始设备运行数据建档，省去了上传云平台的过程，只在云平台需要原始数据时才上传。同时提取出异常数据的特征量，减少数据上传量。实现数据传输的逐级递减。本发明建立了两级监测***，优化了检测诊断流程，使得对设备状态的诊断做到了快速、准确。在对原始数据进行处理的过程中，通过对数据结构进行更新，建立了数据分类特征数据段，并通过使用数据分类特征数据段实现快速的数据清洗和集成，然后在确定故障类型时通过设计两级特征，在保证准确诊断的同时有效降低运算量。
附图说明
图1是本发明一个具体实施方式的***原理图。
图2是本发明一个具体实施方式的数据分层处理流程图。
图3是本发明一个具体实施方式的多级诊断流程图。
图4是本发明一个具体实施方式的整体监测诊断流程图。
具体实施方式
参照图1，本发明一个具体实施方式包括，
数据采集模块1，用于对变电站电气设备状态数据进行采集；
数据分层处理模块2，用于对数据采集模块1采集到的数据进行处理，并根据处理结果进行异常状态识别，若识别成功则生成变电站异常状态检测指标体检单，否则将处理结果发送至云端诊断模块3；
云端诊断模块3，用于接收数据分层处理模块2无法识别的数据信息，并对数据信息进行异常状态识别，生成变电站异常状态检测指标体检单。
参照图2-4，一种上述的变电站电气设备状态监测与诊断***的监测与诊断方法，包括以下步骤：
A、数据采集模块1对变电站电气设备状态数据进行采集；
B、数据分层处理模块2对数据采集模块1采集到的数据进行处理，并根据处理结果进行异常状态识别，若识别成功则生成变电站异常状态检测指标体检单，否则将处理结果发送至云端诊断模块3；
C、云端诊断模块3接收数据分层处理模块2无法识别的数据信息，并对数据信息进行异常状态识别，生成变电站异常状态检测指标体检单。
步骤B中，对数据进行处理包括以下步骤，
B1、进行数据预处理，包括数据清洗、数据集成、数据变换和数据归约；去除无效数据、统一单位、进行数据计算，得出实时特征值；
B2、进行数据级处理，包括提取异常状态特征数据的特征、根据异常状态特征数据之间确定的关联关系进行计算得到信息；
B3、进行信息级处理得到异常状态特征数据变化与故障类型的关系。
步骤B1中，在进行数据清洗前，对数据结构进行更新，增加数据分类特征数据段，在进行数据清洗过程中，数据分类特征数据段保持不变，在数据集成过程中，利用数据分类特征数据段记录的分类特征对数据进行线性集成，在数据归约过程中，对数据分类特征数据段进行拆分，将拆分的数据段进行归一化迭代，然后按照统一的预设规则将经过归一化迭代处理的数据段***原数据中。
步骤B2中，异常状态特征数据的特征包括高优先级特征和低优先级特征，高优先级特征为包含经过归一化迭代处理的数据段的特征，其余为低优先级特征，计算关联关系时优先使用高优先级特征。
步骤B3中，若通过高优先级特征计算的关联关系无法确定唯一的故障类型，则使用低优先级特征进行计算，在确定的故障类型集合中选定唯一的高可信度故障类型。
步骤B中，对异常状态识别包括以下步骤，
由初始数据处理得到特征数据，在边缘计算机层面调动边缘历史运维数据通过ANN识别方式得出初级识别框架；初级识别框架包括变电站异常部位、异常设备信息、异常特征数据、一级诊断判断结果和异常状态处理建议；初级识别框架通过边缘计算机实现人机交互，实现异常状态预警、运维人员检查和异常状态处理建议问询。
步骤C中，异常状态识别包以下步骤，
在云计算层面调动云端历史运维数据通过故障识别方式以及异常检测专家库检测得出高级识别框架；高级识别框架除了初级识别框架所包含的内容，还包含运维人员现场勘验情况、一级诊断检修结果、专家库分析情况、云端诊断结果、指导意见和处理检修策略；通过高级识别框架更新变电站异常状态监测指标体检单，下发到边缘侧接收进行二次检修；检修成功循环结束，否则上升到云端进行二级与多级的诊断。
所述变电站异常状态检测指标体检单包括异常器件及其台账、异常数据及其诊断结果、维修意见和运维补充。
变电站异常状态云边协同数据处理模式如下：
由传感器采集的原始数据经数据预处理与数据级处理得到可用于当前变电站状态判断的特征数据及其关联；
由特征数据和历史运维数据经信息级数据处理得到异常特征数据与可能故障信息；
由异常特征数据与故障信息进行状态判别，对变电站运维人员进行预警以及当前状态信息的采集以便于在边缘计算机形成异常状态监测指标体检单；
由状态判别所得信息对变电站相关部位在边缘侧进行一级诊断后通知运维人员进行现场勘查与检修；
经由运维人员检修后判断异常状态是否解除，如并未解除，将相关状态判断信息传输至云端进行云端诊断即决策级处理，进一步下发指导意见与检修决策。
基于云边协同数据处理模式，所设计的云边协同多级诊断流程如图2所示：
由初始数据处理得到特征数据，在边缘计算机层面调动边缘历史运维数据通过ANN识别方式得出初级识别框架；初级识别框架包括变电站异常部位/设备、异常设备信息、异常特征数据、一级诊断判断结果和异常状态处理建议(如检修意见)；初级识别框架通过边缘计算机实现人机交互，实现异常状态预警、运维人员检查和异常状态处理建议问询；一级诊断异常状态处理建议不通过，将变电站异常状态监测指标体检单上传云端处理；一级诊断异常状态处理建议通过，由检修人员进行检修，检修通过则完成此次异常状态监测与处理并将体检单上传至云端备份，检修不通过将变电站异常状态监测指标体检单上传云端处理；异常状态监测指标体检单上传至云端后在云计算层面调动云端历史运维数据通过故障识别方式以及异常检测专家库检测得出高级识别框架；高级识别框架除了初级识别框架所包含的内容，还包含运维人员现场勘验情况、一级诊断检修结果、专家库分析情况、云端诊断结果、指导意见和处理检修策略；通过高级识别框架更新变电站异常状态监测指标体检单，下发到边缘侧接收进行二次检修；能够检修成功就循环结束，否则上升到云端进行二级与多级的诊断。
ANN识别方式：例如利用历史故障数据建立一个基于ANN算法的油色谱异常识别框架，其中，输出层表示变压器过热异常、过热兼放电异常、放电异常等故障类型。输入向量分别为经网络的非线性映射输出量，输出结果作为下一级诊断的输入向量。
异常诊断专家库：通过深入学习训练形成异常诊断专家库，发现可能发生异常的变电站设备，结合一次诊断进行多次诊断，提醒运行人员关注可能存在缺陷的区域，判断是否需要进一步诊断。
采集信号需要感知终端数据采集器诸如：温度传感器、湿度传感器、图像传感器、电气量传感器等。以变压器油色谱诊断为例，感知终端感知油中烃类气体含量；数据处理得到特征数据。如油色谱检测中的特征气体含量和相对产气速度；通过不同异常状态监测模块形成的ANN异常类型识别模块进行异常类型识别，识别过程需要结合历史运维数据。如由用于油色谱检测的结合历史运维数据的改良三比值法设计的ANN识别算法进行边缘诊断；将边缘诊断结果经边缘计算机交由运维人员实现人机互动，查看异常状态判别能否在边缘侧完成，可以完成则生成边缘侧变电站异常状态检测指标体检单，如变电站变压器油色谱异常检测指标体检单；不能够完成则传输异常数据至云端；边缘侧完成异常状态诊断后，通过异常状态检测指标体检单通知检修人员对异常设备进行检修。如对引起油色谱异常的变压器设备进行检修；检修完成后，异常状态解除则此次云边协同的变电站电气设备状态监测与诊断***过程完成，异常状态未解除则更新体检单的检修结果与实地勘察情况并传输至云端。在边缘计算环节中，将所有数据建档。这些数据包括正常数据、异常数据、诊断过程、诊断结果和体检单。体检单传输至云端结合云端历史运维数据，利用专家库综合分析此次异常变压器各指标，得出此次异常影响、需要运行人员关注的设备部位和指导检修方式，得到高级识别框架，更新异常状态监测指标体检单；将异常状态检测指标体检单下发至边缘进行状态检修，检修完成后依据检修情况更新体检单以及判断是否需要更进一步诊断。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“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发明，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发明的限制。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种变电站电气设备状态监测与诊断***，其特征在于：包括，
数据采集模块(1)，用于对变电站电气设备状态数据进行采集；
数据分层处理模块(2)，用于对数据采集模块(1)采集到的数据进行处理，并根据处理结果进行异常状态识别，若识别成功则生成变电站异常状态检测指标体检单，否则将处理结果发送至云端诊断模块(3)；
云端诊断模块(3)，用于接收数据分层处理模块(2)无法识别的数据信息，并对数据信息进行异常状态识别，生成变电站异常状态检测指标体检单。
2.一种权利要求1所述的变电站电气设备状态监测与诊断***的监测与诊断方法，其特征在于包括以下步骤：
A、数据采集模块(1)对变电站电气设备状态数据进行采集；
B、数据分层处理模块(2)对数据采集模块(1)采集到的数据进行处理，并根据处理结果进行异常状态识别，若识别成功则生成变电站异常状态检测指标体检单，否则将处理结果发送至云端诊断模块(3)；
C、云端诊断模块(3)接收数据分层处理模块(2)无法识别的数据信息，并对数据信息进行异常状态识别，生成变电站异常状态检测指标体检单。
3.根据权利要求1所述的变电站电气设备状态监测与诊断***的监测与诊断方法，其特征在于：步骤B中，对数据进行处理包括以下步骤，
B1、进行数据预处理，包括数据清洗、数据集成、数据变换和数据归约；去除无效数据、统一单位、进行数据计算，得出实时特征值；
B2、进行数据级处理，包括提取异常状态特征数据的特征、根据异常状态特征数据之间确定的关联关系进行计算得到信息；
B3、进行信息级处理得到异常状态特征数据变化与故障类型的关系。
4.根据权利要求3所述的变电站电气设备状态监测与诊断***的监测与诊断方法，其特征在于：步骤B1中，在进行数据清洗前，对数据结构进行更新，增加数据分类特征数据段，在进行数据清洗过程中，数据分类特征数据段保持不变，在数据集成过程中，利用数据分类特征数据段记录的分类特征对数据进行线性集成，在数据归约过程中，对数据分类特征数据段进行拆分，将拆分的数据段进行归一化迭代，然后按照统一的预设规则将经过归一化迭代处理的数据段***原数据中。
5.根据权利要求4所述的变电站电气设备状态监测与诊断***的监测与诊断方法，其特征在于：步骤B2中，异常状态特征数据的特征包括高优先级特征和低优先级特征，高优先级特征为包含经过归一化迭代处理的数据段的特征，其余为低优先级特征，计算关联关系时优先使用高优先级特征。
6.根据权利要求5所述的变电站电气设备状态监测与诊断***的监测与诊断方法，其特征在于：步骤B3中，若通过高优先级特征计算的关联关系无法确定唯一的故障类型，则使用低优先级特征进行计算，在确定的故障类型集合中选定唯一的高可信度故障类型。
7.根据权利要求6所述的变电站电气设备状态监测与诊断***的监测与诊断方法，其特征在于：步骤B中，对异常状态识别包括以下步骤，
由初始数据处理得到特征数据，在边缘计算机层面调动边缘历史运维数据通过ANN识别方式得出初级识别框架；初级识别框架包括变电站异常部位、异常设备信息、异常特征数据、一级诊断判断结果和异常状态处理建议；初级识别框架通过边缘计算机实现人机交互，实现异常状态预警、运维人员检查和异常状态处理建议问询。
8.根据权利要求7所述的变电站电气设备状态监测与诊断***的监测与诊断方法，其特征在于：步骤C中，异常状态识别包以下步骤，
在云计算层面调动云端历史运维数据通过故障识别方式以及异常检测专家库检测得出高级识别框架；高级识别框架除了初级识别框架所包含的内容，还包含运维人员现场勘验情况、一级诊断检修结果、专家库分析情况、云端诊断结果、指导意见和处理检修策略；通过高级识别框架更新变电站异常状态监测指标体检单，下发到边缘侧接收进行二次检修；检修成功循环结束，否则上升到云端进行二级与多级的诊断。
9.根据权利要求2所述的变电站电气设备状态监测与诊断***的监测与诊断方法，其特征在于：所述变电站异常状态检测指标体检单包括异常器件及其台账、异常数据及其诊断结果、维修意见和运维补充。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010237204.2A CN111444169A (zh) | 2020-03-30 | 2020-03-30 | 一种变电站电气设备状态监测与诊断***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010237204.2A CN111444169A (zh) | 2020-03-30 | 2020-03-30 | 一种变电站电气设备状态监测与诊断***及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111444169A true CN111444169A (zh) | 2020-07-24 |
Family
ID=71649315
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010237204.2A Pending CN111444169A (zh) | 2020-03-30 | 2020-03-30 | 一种变电站电气设备状态监测与诊断***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111444169A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112234707A (zh) * | 2020-09-07 | 2021-01-15 | 北京师范大学 | 一种高能同步辐射光源磁铁电源故障识别*** |
| CN112395289A (zh) * | 2020-10-27 | 2021-02-23 | 国电南瑞科技股份有限公司 | 一种分布式光伏数据分层存储方法和*** |
| CN113361088A (zh) * | 2021-05-31 | 2021-09-07 | 南京工程学院 | 一种基于边缘计算的低能耗高铁轮对轴温监测及诊断方法 |
| CN113610350A (zh) * | 2021-07-08 | 2021-11-05 | 中南民族大学 | 复杂工况故障诊断方法、设备、存储介质及装置 |
| TWI775285B (zh) * | 2021-01-21 | 2022-08-21 | 正鉑雷射股份有限公司 | 雲端雷射加工裝置之維修系統及其維修方法 |
| CN115793552A (zh) * | 2023-02-09 | 2023-03-14 | 博纯材料股份有限公司 | 一种基于数据处理的电子气体生产监测方法及*** |
| CN115833400A (zh) * | 2023-02-07 | 2023-03-21 | 山东盛日电力集团有限公司 | 一种变电站电力设备的监测预警方法及*** |
| CN115877221A (zh) * | 2022-12-21 | 2023-03-31 | 广州辰创科技发展有限公司 | 电源健康状态预警平台 |
| CN116243072A (zh) * | 2022-12-08 | 2023-06-09 | 中建安装集团有限公司 | 一种适用于建筑工地的用电设备***性维护管理***及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105807743A (zh) * | 2016-03-15 | 2016-07-27 | 国网江苏省电力公司电力科学研究院 | 变电站设备故障缺陷分析远程支撑*** |
| CN105844416A (zh) * | 2016-03-28 | 2016-08-10 | 国网江苏省电力公司电力科学研究院 | 一种用于变电站设备故障缺陷分析的综合数据管理*** |
| CN110133500A (zh) * | 2019-05-13 | 2019-08-16 | 中机国际工程设计研究院有限责任公司 | 基于多层架构的电机在线监测与故障前兆诊断***及方法 |
-
2020
- 2020-03-30 CN CN202010237204.2A patent/CN111444169A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105807743A (zh) * | 2016-03-15 | 2016-07-27 | 国网江苏省电力公司电力科学研究院 | 变电站设备故障缺陷分析远程支撑*** |
| CN105844416A (zh) * | 2016-03-28 | 2016-08-10 | 国网江苏省电力公司电力科学研究院 | 一种用于变电站设备故障缺陷分析的综合数据管理*** |
| CN110133500A (zh) * | 2019-05-13 | 2019-08-16 | 中机国际工程设计研究院有限责任公司 | 基于多层架构的电机在线监测与故障前兆诊断***及方法 |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112234707A (zh) * | 2020-09-07 | 2021-01-15 | 北京师范大学 | 一种高能同步辐射光源磁铁电源故障识别*** |
| CN112395289A (zh) * | 2020-10-27 | 2021-02-23 | 国电南瑞科技股份有限公司 | 一种分布式光伏数据分层存储方法和*** |
| CN112395289B (zh) * | 2020-10-27 | 2022-11-11 | 国电南瑞科技股份有限公司 | 一种分布式光伏数据分层存储方法和*** |
| TWI775285B (zh) * | 2021-01-21 | 2022-08-21 | 正鉑雷射股份有限公司 | 雲端雷射加工裝置之維修系統及其維修方法 |
| CN113361088A (zh) * | 2021-05-31 | 2021-09-07 | 南京工程学院 | 一种基于边缘计算的低能耗高铁轮对轴温监测及诊断方法 |
| CN113610350A (zh) * | 2021-07-08 | 2021-11-05 | 中南民族大学 | 复杂工况故障诊断方法、设备、存储介质及装置 |
| CN113610350B (zh) * | 2021-07-08 | 2024-04-23 | 中南民族大学 | 复杂工况故障诊断方法、设备、存储介质及装置 |
| CN116243072B (zh) * | 2022-12-08 | 2024-01-23 | 中建安装集团有限公司 | 一种适用于建筑工地的用电设备***性维护管理***及方法 |
| CN116243072A (zh) * | 2022-12-08 | 2023-06-09 | 中建安装集团有限公司 | 一种适用于建筑工地的用电设备***性维护管理***及方法 |
| CN115877221B (zh) * | 2022-12-21 | 2023-11-10 | 广州辰创科技发展有限公司 | 电源健康状态预警平台 |
| CN115877221A (zh) * | 2022-12-21 | 2023-03-31 | 广州辰创科技发展有限公司 | 电源健康状态预警平台 |
| CN115833400B (zh) * | 2023-02-07 | 2023-04-18 | 山东盛日电力集团有限公司 | 一种变电站电力设备的监测预警方法及*** |
| CN115833400A (zh) * | 2023-02-07 | 2023-03-21 | 山东盛日电力集团有限公司 | 一种变电站电力设备的监测预警方法及*** |
| CN115793552A (zh) * | 2023-02-09 | 2023-03-14 | 博纯材料股份有限公司 | 一种基于数据处理的电子气体生产监测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111444169A (zh) | 一种变电站电气设备状态监测与诊断***及方法 | |
| CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
| US8868985B2 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
| CN112085261B (zh) | 基于云端融合和数字孪生技术的企业生产现状诊断方法 | |
| CN110674189B (zh) | 一种智能变电站二次状态监测与故障定位的方法 | |
| CN112949715A (zh) | 一种基于svm的轨道交通故障诊断方法 | |
| CN109501834A (zh) | 一种道岔转辙机故障预测方法及装置 | |
| CN107908175A (zh) | 一种电力***现场智能化运维*** | |
| CN115423009A (zh) | 一种面向云边协同的电力设备故障识别方法及*** | |
| CN114048952B (zh) | 基于边缘物联技术和神经网络的炼铁厂安全态势感知方法 | |
| CN116629627A (zh) | 输电在线监测装置的智能检测*** | |
| CN116933010A (zh) | 一种基于多源数据融合与深度学习的负载率分析评价方法和*** | |
| CN115442212A (zh) | 一种基于云计算的智能监控分析方法及*** | |
| CN112559488A (zh) | 一种基于数据中台的自动扶梯全生命周期数据管理方法及*** | |
| CN115614292A (zh) | 一种立式水泵机组振动监测装置及其方法 | |
| CN115222284A (zh) | 一种基于成熟度模型的数字孪生***成熟度评价方法 | |
| CN111190072A (zh) | 集抄***诊断模型建立方法、故障诊断方法及装置 | |
| CN114118222A (zh) | 一种磨煤机状态预警***及故障识别诊断方法 | |
| CN213894861U (zh) | 一种基于数据中台的自动扶梯全生命周期数据管理*** | |
| CN117933531A (zh) | 一种分布式光伏发电功率预测***及方法 | |
| CN110533300B (zh) | 基于博弈集对云的变压器智能决策*** | |
| CN110320802B (zh) | 基于数据可视化的复杂***信号时序识别方法 | |
| CN113902222B (zh) | 一种新能源智慧运维*** | |
| CN116032790A (zh) | 调度自动化***海量数据流异常辨识、诊断和预测方法、装置和*** | |
| CN109765878A (zh) | 新能源汽车can总线网络故障的辅助分析方法 |
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 |