CN112085071A - 一种基于边缘计算的配电房设备故障分析预判方法及装置 - Google Patents
一种基于边缘计算的配电房设备故障分析预判方法及装置 Download PDFInfo
- Publication number
- CN112085071A CN112085071A CN202010848165.XA CN202010848165A CN112085071A CN 112085071 A CN112085071 A CN 112085071A CN 202010848165 A CN202010848165 A CN 202010848165A CN 112085071 A CN112085071 A CN 112085071A
- Authority
- CN
- China
- Prior art keywords
- training
- distribution room
- power distribution
- analysis
- data
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000004458 analytical method Methods 0.000 title claims abstract description 40
- 238000004364 calculation method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 73
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000013136 deep learning model Methods 0.000 claims abstract description 25
- 230000004927 fusion Effects 0.000 claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 238000001514 detection method Methods 0.000 claims description 19
- 238000005259 measurement Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 206010048669 Terminal state Diseases 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000003331 infrared imaging Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 239000002994 raw material Substances 0.000 claims 2
- 238000007689 inspection Methods 0.000 abstract description 11
- 230000010354 integration Effects 0.000 abstract description 2
- 238000003860 storage Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 102100025142 Beta-microseminoprotein Human genes 0.000 description 1
- 101000576812 Homo sapiens Beta-microseminoprotein Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种基于边缘计算的配电房设备故障分析预判方法及装置,包括,采集配电室感知终端的状态量数据进行归一化处理,形成样本数据集;基于深度卷积网络构建深度学习模型,输入所述样本数据集进行识别训练,直至输出识别结果与训练样本标签一致时停止训练;利用训练完成的所述深度学习模型对所述状态量进行融合分析;结合协同边缘策略对多个所述感知终端分别进行多局部放电源及设备异常声音的辨识和定位;基于融合分析结果和辨识定位结果判断所述配电室设备故障状态。本发明有效降低人工巡视成本,信息和数据实时获取;另外,基于融合分析结果与辨识定位结果的整合判断,提高设备故障判断的准确性。
Description
技术领域
本发明涉及配电网、物联网信息技术领域,尤其涉及一种基于边缘计算的配电房设备故障分析预判方法及装置。
背景技术
设备运行状态对于确保电网安全运行至关重要,目前电网公司主要方式为人工巡视、带电检测,然而存在两方面问题:1、人工巡视工作量大、效率低、成本高,导致巡视人员工作量繁重,巡视压力较大,电网规模快速增长与设备运维人员配置的矛盾日益突出;2、人工巡视存在巡视盲区,运维人员无法实现全天候、全时段、全方位巡视。
近年来,为解决配电房运行巡视存在的问题,在线监测***和巡检机器人得到较多的应用,但是,现有电力设备在线监测***成本高、带电安装维护不便,难以大规模应用;巡检机器人巡视的项目较少(主要是可见光和红外测温),且功能主要停留在数据采集和简单的阈值判断阶段,智能化水平低。
因此,保障配电设备供电可靠性的工作方式应从“事后抢修巡检”转变成“事前预警主动处理”,在运行过程中不断进行状态感知和故障预判,在永久性故障发生之前将之消灭。目前配电房设备带电检测与诊断方面主要存在运检人员工作量大、检测手段性价比低、老旧和易故障设备检测准确率低等问题。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明提供了一种基于边缘计算的配电房设备故障分析预判方法,能够解决现有配电设备故障无法提前预警的问题。
为解决上述技术问题,本发明提供如下技术方案:包括,采集配电室感知终端的状态量数据进行归一化处理,形成样本数据集;基于深度卷积网络构建深度学习模型,输入所述样本数据集进行识别训练,直至输出识别结果与训练样本标签一致时停止训练;利用训练完成的所述深度学习模型对所述状态量进行融合分析;结合协同边缘策略对多个所述感知终端分别进行多局部放电源及设备异常声音的辨识和定位;基于融合分析结果和辨识定位结果判断所述配电室设备故障状态。
作为本发明所述的一种基于边缘计算的配电房设备故障分析预判方法的一种优选方案,其中:所述状态量数据包括,可见光、红外成像、声音、局部放电、环境温度、环境湿度、气体。
作为本发明所述的一种基于边缘计算的配电房设备故障分析预判方法的一种优选方案,其中:所述样本数据集包括,训练集、测试集和验证集;所述训练集包括,近五年的所述配电室感知终端历史状态量数据;所述测试集包括,待测试的所述配电室感知终端状态量数据;所述验证集包括,近两年的所述配电室感知终端状态量数据。
作为本发明所述的一种基于边缘计算的配电房设备故障分析预判方法的一种优选方案,其中:构建所述深度学习模型包括,CNN层和编码层;所述CNN层包括,卷积层、池化层和全连接层;所述编码层包括,卷积编码层和卷积解码层。
作为本发明所述的一种基于边缘计算的配电房设备故障分析预判方法的一种优选方案,其中:训练所述深度学习模型包括,将所述训练集输入所述深度学习模型中,所述编码层对所述训练集进行无监督预训练,获取所述训练集的初步特征;利用提取的所述特征初始化所述卷积层,得到所述训练样本标签;所述CNN层依次对预训练后的所述训练集进行卷积、池化和全连接处理;所述编码层对卷积处理的所述训练集进行卷积编码和解码处理,输出数据反馈至所述卷积层;所述CNN层结束所述全连接处理后输出所述识别结果并判断是否与所述训练样本标签一致。
作为本发明所述的一种基于边缘计算的配电房设备故障分析预判方法的一种优选方案,其中:所述判断还包括,若所述识别结果与所述训练样本标签一致,则停止迭代训练,所述深度学习模型训练完成;若所述识别结果与所述训练样本标签不一致,则继续进行迭代训练,直至判断结果一致时停止训练,输出所述深度学习模型。
作为本发明所述的一种基于边缘计算的配电房设备故障分析预判方法的一种优选方案,其中:所述融合分析包括,基于时间序列聚类分析的异常检测、Faat-RCNN和缓混合高斯模型的图像识别、基于亚像素优化和局部强度特征不变描述的异源图像配准和融合、CNN局放信号辨识。
作为本发明所述的一种基于边缘计算的配电房设备故障分析预判方法的一种优选方案,其中:对所述多局部放电源进行辨识和定位包括,基于分布式同步测量和信号强度分布的局放协同检测策略对所述多局部放电源进行辨识和定位;基于局部放电激发的电磁波信号在电力设备内部和空间的传播衰减特性和传感器的灵敏度特性,建立不同传感器的局部放电信号幅值分布指纹图库,如下,
作为本发明所述的一种基于边缘计算的配电房设备故障分析预判方法的一种优选方案,其中:对所述设备异常声音进行辨识和定位包括,基于多传感器时延序列分析的声源定位策略对所述设备异常声音进行辨识和定位。
作为本发明所述的一种基于边缘计算的配电房设备故障分析预判装置的一种优选方案,其中:包括,信息采集模块,用于采集配电室内各设备运行的实时状态量和历史状态量,其包括摄像头和传感器,所述摄像头用于拍摄各设备的图像信息,所述传感器用于感知所述设备运行状态的量数据;数据处理中心模块连接于所述信息采集模块,其包括计算单元、训练单元和输入输出单元,所述计算单元用于计算处理所述信息采集模块传输的所述状态量数据,所述训练单元用于深度学习、卷积处理所述样本数据集,所述输入输出单元用于传输各模块单元之间的数据流,提供通信反馈服务;分析判断模块与所述数据处理中心模块相连接,其用于接收所述输入输出单元传输的结果信息,分析判断所述配电室设备运行状态是否发生故障。
本发明的有益效果:本发明通过集成感知终端可实现红外、视频、局放、声音、温湿度等参量的全时段、全方位的监测,有效取代运行人员巡视的工作量;同时,通过状态参量的自动监测和分析取代部分带电检测人员的工作量,有效降低人工巡视成本,信息和数据实时获取;另外,基于融合分析结果与辨识定位结果的整合判断,提高设备故障判断的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明第一个实施例所述的一种基于边缘计算的配电房设备故障分析预判方法的流程示意图;
图2为本发明第一个实施例所述的一种基于边缘计算的配电房设备故障分析预判方法的深度卷积网络的局部放电和干扰辨识流程示意图;
图3为本发明第一个实施例所述的一种基于边缘计算的配电房设备故障分析预判方法的局部放电基本特征参数提取示意图;
图4为本发明第一个实施例所述的一种基于边缘计算的配电房设备故障分析预判方法的脉冲单元结构的特征参数示意图;
图5为本发明第二个实施例所述的一种基于边缘计算的配电房设备故障分析预判装置的模块结构分布示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”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和简化描述,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。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1~图4,为本发明的第一个实施例,该实施例提供了一种基于边缘计算的配电房设备故障分析预判方法,包括:
S1:采集配电室感知终端的状态量数据进行归一化处理,形成样本数据集。其中需要说明的是,状态量数据包括:
可见光、红外成像、声音、局部放电、环境温度、环境湿度、气体。
进一步的,样本数据集包括:
训练集包括,近五年的配电室感知终端历史状态量数据;
测试集包括,待测试的配电室感知终端状态量数据;
验证集包括,近两年的配电室感知终端状态量数据。
S2:基于深度卷积网络构建深度学习模型,输入样本数据集进行识别训练,直至输出识别结果与训练样本标签一致时停止训练。本步骤需要说明的是,构建深度学习模型包括:
CNN层和编码层;
CNN层包括,卷积层、池化层和全连接层;
编码层包括,卷积编码层和卷积解码层。
具体的,参照图2,训练深度学习模型包括:
将训练集输入深度学习模型中,编码层对训练集进行无监督预训练,获取训练集的初步特征;
利用提取的特征初始化卷积层,得到训练样本标签;
CNN层依次对预训练后的训练集进行卷积、池化和全连接处理;
编码层对卷积处理的训练集进行卷积编码和解码处理,输出数据反馈至卷积层;
CNN层结束全连接处理后输出识别结果并判断是否与训练样本标签一致。
进一步的,判断还包括:
若识别结果与训练样本标签一致,则停止迭代训练,深度学习模型训练完成;
若识别结果与训练样本标签不一致,则继续进行迭代训练,直至判断结果一致时停止训练,输出深度学习模型。
S3:利用训练完成的深度学习模型对状态量进行融合分析。其中还需要说明的是,融合分析包括:
基于时间序列聚类分析的异常检测、Faat-RCNN和缓混合高斯模型的图像识别、基于亚像素优化和局部强度特征不变描述的异源图像配准和融合、CNN局放信号辨识。
S4:结合协同边缘策略对多个感知终端分别进行多局部放电源及设备异常声音的辨识和定位。本步骤还需要说明的是,对多局部放电源进行辨识和定位包括:
基于分布式同步测量和信号强度分布的局放协同检测策略对多局部放电源进行辨识和定位。
具体的,还包括:
基于局部放电激发的电磁波信号在电力设备内部和空间的传播衰减特性和传感器的灵敏度特性,建立不同传感器的局部放电信号幅值分布指纹图库,如下,
进一步的是,对设备异常声音进行辨识和定位包括:
基于多传感器时延序列分析的声源定位策略对设备异常声音进行辨识和定位。
S5:基于融合分析结果和辨识定位结果判断配电室设备故障状态。其中还需要说明的是:
利用配电房不同感知终端同步采集的局部放电特高频信号幅值,采用多层神经网络模型计算获得最匹配的放电源位置,得到定位结果;
利用大数据分析的快速匹配和关联搜索算法,根据需要按照电压等级、设备类型、厂家搜索类似的检测案例数据并根据匹配程度进行排序;
利用变分贝叶斯自编码器提取局放数据特征,结合余弦策略得到局部放电数据之间的匹配度;
分别筛选定位结果和检测案例的匹配度,得到最终的配电室设备故障状态判断结果。
本实施例还需要说明的是,基于深度卷积网络的局部放电信号分析和诊断算法能够达到局部放电类型和典型干扰的准确辨识,辨识和诊断局部放电的类型和严重程度、识别各类干扰对局部放电数据分析具有重要意义,且深度卷积网络(CNN)在大图像处理上优势明显,局部放电检测分析中常用的PRPD图谱和PRPS数据,本质上都是尺寸较大的二维矩阵,与数字图像的数据格式具有一定的相似性,由于现场条件的影响,该矩阵中的数据也会出现相位偏移、幅值大小不一等情况,而深度卷积网络具有对于输入样本的平移、缩放、扭曲不变性;进一步需要说明的是,卷积神经网络的参数选取和样本集的训练在云平台上完成,集成传感终端内嵌的边缘计算模型利用云平台进行配置和更新以保证计算模型的准确性。
较佳的是,参照图3,采集局部放电特高频信号包括,局部放电脉冲的包络检波波形经过调理输入到告诉ADC,输出的连续数字信号流经过FPGA进行实时的特征提取,获得放电脉冲的波形特征参数;局部放电脉冲信号的三个基本特征参数为脉冲幅值、放电时间间隔和放电间歇,对基本特征参数进行统计处理形成统计参数二维或三维谱图。
根据图3的示意,ADC输出的连续数据流送入FPGA内进行脉冲识别处理,脉冲波形向上穿越当前触发电平时处于捕获状态,脉冲波形向下穿越当前触发电平时退出捕获状态,捕获状态下的最大值为该脉冲的峰值,捕获态时间长度为脉冲宽度,捕获态开始点到峰值点距离为上升时间,峰值点到捕获态退出时刻距离为下降时间;脉冲宽度用于甄别通讯信号和有效放电脉冲,其特征是有效放电脉冲的最大宽度仅在一定数值范围内,而通讯干扰信号的宽度往往比较大,而上升时间、下降时间、峰值和触发电平等数据用于计算放电包络脉冲波形的半高宽度和三角形状参数。
参照图4,放电脉冲特征数据流的最小单位是脉冲特征单元结构,其包括脉冲编号、脉冲时间、脉冲峰值、上升宽度、下降宽度、脉冲时频特征参数、触发电平等基本特征参数,脉冲特征单元数据结构在时间域上按照周期为单位组织起来就形成了时间域上的数据流,脉冲单元结构是定长的,周期单元结构是不定长的,例如,某一周期内无脉冲特征单元,此时只输出窗格编号为0,其他字段全为0的脉冲单元,表示这个周期单元是空周期,空周期在的作用是使数据流在时间上连续;根据图4的示意,为脉冲单元结构的特征参数描述,其中,本征特征量是半波宽度,需要根据脉冲单元结构体中wPeak,wRisingWidth,wFallingWidth,wTrigLevel参量,结合相似三角形方法求取。
优选的,为了更好地对本发明方法中采用的技术效果加以验证说明,本实施例选择以传统的配电网设备潜伏性故障判断方法与本发明方法进行对比测试,以科学论证的手段对比试验结果,以验证本发明方法所具有的真实效果;传统的配电网设备潜伏性故障判断方法对于绝缘的劣化或局部放电检测灵敏度较低,设备故障状态判断不准确,为验证本发明方法相对于传统具有较高的设备判断准确性,本实施例中将采用传统方法与本发明方法分别对南方某地区的配电室设备进行故障状态分析判断。
测试环境:(1)将该配电室设备运行状态量输入PSAPAC软件中进行仿真运行,分别仿真配网开关柜、配网电缆、配网变压器的运行;
(2)采用该地区配电网的设备运行状态检测案例作为实验数据,选择100组进行归一化处理和训练,最终确定训练度较高、归一化较好的10组数据作为测试集;
(3)分别采用两种判断方法对该实验数据进行分析,每种方法各测试10组数据,计算获得每组数据的状态识别量,与仿真模拟输入的状态量进行对比计算误差,结果如下表所示。
表1:两种方法判断准确度结果对比表。
需要说明的是,传统配电网设备潜伏性故障判断方法通过相供电电源改变配电网相电压,结合局部放电监测装置根据连续两次获得的相电压电压差判断是否满足局部放电检测启动条件,当满足测量设备的局部放电量条件时将测量结果上传至状态评估装置,进而得到检测设备的故障状态判断。
参照表1,能够直观的看出,传统方法针对局部放电状态量的准确识别度较低,故而产生了较大的误差,影响设备故障状态的判断结果,而本发明方法相较于传统方法,针对局部放电状态量进行融合分析和辨识定位,提高了状态量的识别精度,进而产生的误差较小,体现了本发明方法具有较高的判断准确度。
实施例2
参照图5,为本发明的第二个实施例,该实施例不同于第一个实施例的是,提供了一种基于边缘计算的配电房设备故障分析预判装置,包括:
信息采集模块100,用于采集配电室内各设备运行的实时状态量和历史状态量,其包括摄像头101和传感器102,摄像头101用于拍摄各设备的图像信息,传感器102用于感知设备运行状态的量数据。
数据处理中心模块200连接于信息采集模块100,其包括计算单元201、训练单元202和输入输出单元203,计算单元201用于计算处理信息采集模块100传输的状态量数据,训练单元202用于深度学习、卷积处理样本数据集,输入输出单元203用于传输各模块单元之间的数据流,提供通信反馈服务。
分析判断模块300与数据处理中心模块200相连接,其用于接收输入输出单元203传输的结果信息,分析判断配电室设备运行状态是否发生故障。
应当认识到,本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现,其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机***通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本文描述的过程的操作,除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机***的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,所述方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时,本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时,本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能,从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中,转换的数据表示物理和有形的对象,包括显示器上产生的物理和有形对象的特定视觉描绘。
如在本申请所使用的,术语“组件”、“模块”、“***”等等旨在指代计算机相关实体,该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如,组件可以是,但不限于是:在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例,在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中,并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外,这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如,来自一个组件的数据,该组件与本地***、分布式***中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它***进行交互)的信号,以本地和/或远程过程的方式进行通信。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于边缘计算的配电房设备故障分析预判方法,其特征在于:包括,
采集配电室感知终端的状态量数据进行归一化处理,形成样本数据集;
基于深度卷积网络构建深度学习模型,输入所述样本数据集进行识别训练,直至输出识别结果与训练样本标签一致时停止训练;
利用训练完成的所述深度学习模型对所述状态量进行融合分析;
结合协同边缘策略对多个所述感知终端分别进行多局部放电源及设备异常声音的辨识和定位;
基于融合分析结果和辨识定位结果判断所述配电室设备故障状态。
2.如权利要求1所述的基于边缘计算的配电房设备故障分析预判方法,其特征在于:所述状态量数据包括,
可见光、红外成像、声音、局部放电、环境温度、环境湿度、气体。
3.如权利要求1或2所述的基于边缘计算的配电房设备故障分析预判方法,其特征在于:所述样本数据集包括,训练集、测试集和验证集;
所述训练集包括,近五年的所述配电室感知终端历史状态量数据;
所述测试集包括,待测试的所述配电室感知终端状态量数据;
所述验证集包括,近两年的所述配电室感知终端状态量数据。
4.如权利要求3所述的基于边缘计算的配电房设备故障分析预判方法,其特征在于:构建所述深度学习模型包括,CNN层和编码层;
所述CNN层包括,卷积层、池化层和全连接层;
所述编码层包括,卷积编码层和卷积解码层。
5.如权利要求1或4所述的基于边缘计算的配电房设备故障分析预判方法,其特征在于:训练所述深度学习模型包括,
将所述训练集输入所述深度学习模型中,所述编码层对所述训练集进行无监督预训练,获取所述训练集的初步特征;
利用提取的所述特征初始化所述卷积层,得到所述训练样本标签;
所述CNN层依次对预训练后的所述训练集进行卷积、池化和全连接处理;
所述编码层对卷积处理的所述训练集进行卷积编码和解码处理,输出数据反馈至所述卷积层;
所述CNN层结束所述全连接处理后输出所述识别结果并判断是否与所述训练样本标签一致。
6.如权利要求5所述的基于边缘计算的配电房设备故障分析预判方法,其特征在于:所述判断还包括,
若所述识别结果与所述训练样本标签一致,则停止迭代训练,所述深度学习模型训练完成;
若所述识别结果与所述训练样本标签不一致,则继续进行迭代训练,直至判断结果一致时停止训练,输出所述深度学习模型。
7.如权利要求6所述的基于边缘计算的配电房设备故障分析预判方法,其特征在于:所述融合分析包括,
基于时间序列聚类分析的异常检测、Faat-RCNN和缓混合高斯模型的图像识别、基于亚像素优化和局部强度特征不变描述的异源图像配准和融合、CNN局放信号辨识。
9.如权利要求8所述的基于边缘计算的配电房设备故障分析预判方法,其特征在于:对所述设备异常声音进行辨识和定位包括,
基于多传感器时延序列分析的声源定位策略对所述设备异常声音进行辨识和定位。
10.一种基于边缘计算的配电房设备故障分析预判装置,其特征在于:包括,
信息采集模块(100),用于采集配电室内各设备运行的实时状态量和历史状态量,其包括摄像头(101)和传感器(102),所述摄像头(101)用于拍摄各设备的图像信息,所述传感器(102)用于感知所述设备运行状态的量数据;
数据处理中心模块(200)连接于所述信息采集模块(100),其包括计算单元(201)、训练单元(202)和输入输出单元(203),所述计算单元(201)用于计算处理所述信息采集模块(100)传输的所述状态量数据,所述训练单元(202)用于深度学习、卷积处理所述样本数据集,所述输入输出单元(203)用于传输各模块单元之间的数据流,提供通信反馈服务;
分析判断模块(300)与所述数据处理中心模块(200)相连接,其用于接收所述输入输出单元(203)传输的结果信息,分析判断所述配电室设备运行状态是否发生故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010848165.XA CN112085071A (zh) | 2020-08-21 | 2020-08-21 | 一种基于边缘计算的配电房设备故障分析预判方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010848165.XA CN112085071A (zh) | 2020-08-21 | 2020-08-21 | 一种基于边缘计算的配电房设备故障分析预判方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112085071A true CN112085071A (zh) | 2020-12-15 |
Family
ID=73728483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010848165.XA Pending CN112085071A (zh) | 2020-08-21 | 2020-08-21 | 一种基于边缘计算的配电房设备故障分析预判方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112085071A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113138894A (zh) * | 2021-04-14 | 2021-07-20 | 哈尔滨工业大学 | 基于电力参数监测与屏幕信息识别的实验设备监控方法 |
CN113569490A (zh) * | 2021-08-06 | 2021-10-29 | 上海市第一人民医院 | 一种基于深度学习网络的无标签数据增强方法 |
CN114189506A (zh) * | 2021-12-09 | 2022-03-15 | 新奥数能科技有限公司 | 一种设备巡检方法、装置及*** |
CN114414938A (zh) * | 2021-12-22 | 2022-04-29 | 南通联拓信息科技有限公司 | 一种配电网故障的动态响应方法及*** |
CN114511112A (zh) * | 2022-01-24 | 2022-05-17 | 北京通建泰利特智能***工程技术有限公司 | 一种基于物联网的智慧运维方法、***和可读存储介质 |
CN115460647A (zh) * | 2022-10-21 | 2022-12-09 | 北京中电飞华通信有限公司 | 基于eSIM卡和5G基站的物联网故障定位方法及*** |
CN117312929A (zh) * | 2023-11-29 | 2023-12-29 | 国网浙江省电力有限公司杭州供电公司 | 站房改造类型的辨识方法、装置、终端设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5107447A (en) * | 1988-05-16 | 1992-04-21 | Hitachi, Ltd. | Abnormality diagnosing system and method for a high voltage power apparatus |
CN109932627A (zh) * | 2019-04-30 | 2019-06-25 | 国网山东省电力公司烟台供电公司 | 一种gis耐压试验局部放电的定位方法及*** |
CN110334740A (zh) * | 2019-06-05 | 2019-10-15 | 武汉大学 | 人工智能推理融合的电力设备故障检测定位方法 |
WO2019214268A1 (zh) * | 2018-05-09 | 2019-11-14 | 北京理工大学 | 一种基于复合信息的光伏阵列故障诊断方法 |
CN110806743A (zh) * | 2019-12-05 | 2020-02-18 | 成都天玙兴科技有限公司 | 基于人工智能的设备故障检测与预警***及方法 |
CN111402253A (zh) * | 2020-04-03 | 2020-07-10 | 华东交通大学 | 融合边缘计算和深度学习的输变电设备状态在线监测方法 |
-
2020
- 2020-08-21 CN CN202010848165.XA patent/CN112085071A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5107447A (en) * | 1988-05-16 | 1992-04-21 | Hitachi, Ltd. | Abnormality diagnosing system and method for a high voltage power apparatus |
WO2019214268A1 (zh) * | 2018-05-09 | 2019-11-14 | 北京理工大学 | 一种基于复合信息的光伏阵列故障诊断方法 |
CN109932627A (zh) * | 2019-04-30 | 2019-06-25 | 国网山东省电力公司烟台供电公司 | 一种gis耐压试验局部放电的定位方法及*** |
CN110334740A (zh) * | 2019-06-05 | 2019-10-15 | 武汉大学 | 人工智能推理融合的电力设备故障检测定位方法 |
CN110806743A (zh) * | 2019-12-05 | 2020-02-18 | 成都天玙兴科技有限公司 | 基于人工智能的设备故障检测与预警***及方法 |
CN111402253A (zh) * | 2020-04-03 | 2020-07-10 | 华东交通大学 | 融合边缘计算和深度学习的输变电设备状态在线监测方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113138894A (zh) * | 2021-04-14 | 2021-07-20 | 哈尔滨工业大学 | 基于电力参数监测与屏幕信息识别的实验设备监控方法 |
CN113138894B (zh) * | 2021-04-14 | 2022-07-15 | 哈尔滨工业大学 | 基于电力参数监测与屏幕信息识别的实验设备监控方法 |
CN113569490A (zh) * | 2021-08-06 | 2021-10-29 | 上海市第一人民医院 | 一种基于深度学习网络的无标签数据增强方法 |
CN114189506A (zh) * | 2021-12-09 | 2022-03-15 | 新奥数能科技有限公司 | 一种设备巡检方法、装置及*** |
CN114189506B (zh) * | 2021-12-09 | 2024-04-16 | 新奥数能科技有限公司 | 一种设备巡检方法、装置及*** |
CN114414938A (zh) * | 2021-12-22 | 2022-04-29 | 南通联拓信息科技有限公司 | 一种配电网故障的动态响应方法及*** |
CN114511112A (zh) * | 2022-01-24 | 2022-05-17 | 北京通建泰利特智能***工程技术有限公司 | 一种基于物联网的智慧运维方法、***和可读存储介质 |
CN115460647A (zh) * | 2022-10-21 | 2022-12-09 | 北京中电飞华通信有限公司 | 基于eSIM卡和5G基站的物联网故障定位方法及*** |
CN115460647B (zh) * | 2022-10-21 | 2023-06-06 | 北京中电飞华通信有限公司 | 基于eSIM卡和5G基站的物联网故障定位方法及*** |
CN117312929A (zh) * | 2023-11-29 | 2023-12-29 | 国网浙江省电力有限公司杭州供电公司 | 站房改造类型的辨识方法、装置、终端设备及存储介质 |
CN117312929B (zh) * | 2023-11-29 | 2024-02-13 | 国网浙江省电力有限公司杭州供电公司 | 站房改造类型的辨识方法、装置、终端设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112085071A (zh) | 一种基于边缘计算的配电房设备故障分析预判方法及装置 | |
CN112034310A (zh) | 一种组合电器局部放电缺陷诊断方法及*** | |
CN106056879B (zh) | 一种基于智能识别的电表远程监控*** | |
JP2000512766A (ja) | 高電圧絶縁における部分放電測定の統計的パターン分析方法 | |
CN115187527B (zh) | 一种多源混合型特高频局部放电图谱的分离识别方法 | |
CN115982602B (zh) | 一种光伏变压器电故障检测方法 | |
CN114252749B (zh) | 基于多传感器的变压器局部放电检测方法及装置 | |
CN110728300A (zh) | 基于道岔动作电流曲线识别故障类型的方法及*** | |
CN111551888A (zh) | 一种改进型AdaBoost算法的电能表计量数据故障分析方法 | |
CN116520068B (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
KR101743595B1 (ko) | 부분 방전 진단 방법 및 시스템, 이를 이용한 몰드 변압기 열화 모니터링 시스템. | |
CN117434372A (zh) | 电子产品的电磁兼容抗扰度测试方法及*** | |
CN117556359A (zh) | 配电设备健康状态评估***及方法 | |
CN116311775B (zh) | 一种穿戴式近电报警设备及监控*** | |
CN116975389A (zh) | 一种变电站故障分析方法及装置 | |
CN116298459A (zh) | 一种智能雷电流在线监测*** | |
CN116434368A (zh) | 一种多功能手持巡检仪及巡检方法 | |
CN115586406A (zh) | 一种基于特高频信号的gis局部放电故障诊断方法及*** | |
CN112198472B (zh) | 一种局部放电智能传感器在线远程校验方法及*** | |
CN114838923A (zh) | 有载分接开关的故障诊断模型建立方法及故障诊断方法 | |
CN109917245B (zh) | 考虑相位差的超声检测局部放电信号模式识别方法 | |
CN118091234B (zh) | 一种用于故障诊断处理的电流互感器 | |
CN113552479B (zh) | 一种断路器监测装置的故障分析能力评价方法及*** | |
CN117723917B (zh) | 基于光纤非本征法珀型超声波传感器的监测应用方法 | |
KR20230095386A (ko) | 초음파 계측 및 딥러닝 기법을 이용한 부분방전 진단 시스템 |
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 |