CN112379214A - 一种电网故障的检测方法和装置 - Google Patents
一种电网故障的检测方法和装置 Download PDFInfo
- Publication number
- CN112379214A CN112379214A CN202011162920.5A CN202011162920A CN112379214A CN 112379214 A CN112379214 A CN 112379214A CN 202011162920 A CN202011162920 A CN 202011162920A CN 112379214 A CN112379214 A CN 112379214A
- Authority
- CN
- China
- Prior art keywords
- power
- power load
- load type
- real
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- 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
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种电网故障的检测方法和***,涉及依次通信连接的云服务器、边缘服务器和多个传感器节点,方法包括:通过云服务器获取历史电力数据;采用历史电力数据和预置的多层感知机,构建目标电力负荷类型识别模型;发送目标电力负荷类型识别模型到边缘服务器;通过多个传感器节点分别从对应的用电端采集实时电力数据并发送至边缘服务器;通过边缘服务器将实时电力数据输入到目标电力负荷类型识别模型,得到实时电力数据对应的第一电力负荷类型并分别返回到对应的传感器节点;通过传感器节点基于第一电力负荷类型和实时电力数据对应的真实电力负荷类型的比较结果,判断用电端是否存在故障,该方法能够降低通信时延,及时检测用电端故障。
Description
技术领域
本发明涉及故障检测技术领域,尤其涉及一种电网故障的检测方法和装置。
背景技术
物联网采用大量最新的信息通信技术,具有高性能通信、海量业务处理、全面的管理能力、灵活扩展业务功能等特征,非常适合电网计量采集场景,可以提升计量自动化***的相应功能和性能,实现电表高速实时数据采集,也可以运用于供电***,实现节能减排,保证电网实时安全和经济运行。
但物联网中的传感器节点数量众多、部署区域广泛,在检测电网故障例如电力负荷类型的识别时要求其实时高效的传递数据,而电力负荷类型识别等功能的实现对处理器要求高,无法在传感器上完成,需要借助云服务器完成,从而导致传感器节点与云服务器之间的通信功耗增加,通信延迟较高,无法及时检测到电网故障。
发明内容
本发明提供了一种电网故障的检测方法和装置,解决了现有技术中由于传感器节点与云服务器之间的距离较远,导致传感器节点与云服务器之间的通信功耗增加,通信延迟较高,无法及时检测到电网故障的技术问题。
本发明提供的一种电网故障的检测方法,涉及依次通信连接的云服务器、边缘服务器和多个传感器节点,所述方法包括:
通过所述云服务器获取历史电力数据;
通过所述云服务器采用所述历史电力数据和预置的多层感知机,构建目标电力负荷类型识别模型;
通过所述云服务器发送所述目标电力负荷类型识别模型到所述边缘服务器;
通过多个所述传感器节点分别从对应的用电端采集实时电力数据并发送至所述边缘服务器;
通过所述边缘服务器将所述实时电力数据输入到所述目标电力负荷类型识别模型,得到所述实时电力数据对应的第一电力负荷类型并分别返回到对应的所述传感器节点;
通过所述传感器节点基于所述第一电力负荷类型和所述实时电力数据对应的真实电力负荷类型的比较结果,判断所述用电端是否存在故障。
可选地,所述通过所述云服务器采用所述历史电力数据和预置的多层感知机,构建目标电力负荷类型识别模型的步骤,包括:
通过所述云服务器采用预置的多层感知机构建初始电力负荷类型识别模型;
通过所述云服务器采用所述历史电力数据训练所述初始电力负荷类型识别模型,得到目标电力负荷类型识别模型。
可选地,所述故障包括用电故障,所述通过所述传感器节点基于所述第一电力负荷类型和所述实时电力数据对应的真实电力负荷类型的比较结果,判断所述用电端是否存在故障的步骤,包括:
通过所述传感器节点比较所述第一电力负荷类型和所述实时电力数据对应的真实电力负荷类型;
若所述第一电力负荷类型与所述真实电力负荷类型不同,则判定所述用电端出现所述用电故障。
可选地,所述故障还包括配电故障,所述方法还包括:
若所述第一电力负荷类型与所述真实电力负荷类型相同,则比较所述第一电力负荷类型对应的第一电力负荷与所述真实电力负荷类型对应的真实电力负荷;
若所述第一电力负荷与所述真实电力负荷的差值大于预定电力负荷阈值,则判定所述用电端出现所述配电故障;
若所述第一电力负荷与所述真实电力负荷的差值小于或等于所述预定电力负荷阈值,则判定所述用电端不存在所述用电故障和所述配电故障。
可选地,在所述通过所述边缘服务器将所述实时电力数据输入到所述目标电力负荷类型识别模型,得到所述实时电力数据对应的第一电力负荷类型并分别返回到对应的所述传感器节点的步骤之后,所述方法还包括:
通过所述边缘服务器发送所述实时电力数据到所述云服务器;
通过所述云服务器采用所述实时电力数据训练所述目标电力负荷类型识别模型,生成优化电力负荷类型识别模型;
通过所述云服务器采用所述优化电力负荷类型识别模型更新目标电力负荷类型识别模型;
返回通过所述云服务器发送所述目标电力负荷类型识别模型到所述边缘服务器的步骤。
本发明还提供了一种电网故障的检测***,包括依次通信连接的云服务器、边缘服务器和多个传感器节点,所述云服务器包括:
历史电力数据获取模块,用于获取历史电力数据;
模型构建模块,用于采用所述历史电力数据和预置的多层感知机,构建目标电力负荷类型识别模型;
模型发送模块,用于发送所述目标电力负荷类型识别模型到所述边缘服务器;
所述边缘服务器包括:
第一电力负荷类型识别模块,用于将所述实时电力数据输入到所述目标电力负荷类型识别模型,得到所述实时电力数据对应的第一电力负荷类型并分别返回到对应的所述传感器节点;
所述传感器节点包括:
实时电力数据采集模块,用于分别从对应的用电端采集实时电力数据并发送至所述边缘服务器;
故障判断模块,用于基于所述第一电力负荷类型和所述实时电力数据对应的真实电力负荷类型的比较结果,判断所述用电端是否存在故障。
可选地,所述模型构建模块包括:
初始模型构建子模块,用于采用预置的多层感知机构建初始电力负荷类型识别模型;
模型训练子模块,用于采用所述历史电力数据训练所述初始电力负荷类型识别模型,得到目标电力负荷类型识别模型。
可选地,所述故障包括用电故障,所述故障判断模块包括:
类型比较子模块,用于通过所述传感器节点比较所述第一电力负荷类型和所述实时电力数据对应的真实电力负荷类型;
用电故障判定子模块,用于若所述第一电力负荷类型与所述真实电力负荷类型不同,则判定所述用电端出现所述用电故障。
可选地,所述故障还包括配电故障,所述故障判断模块还包括:
电路负荷比较子模块,用于若所述第一电力负荷类型与所述真实电力负荷类型相同,则比较所述第一电力负荷类型对应的第一电力负荷与所述真实电力负荷类型对应的真实电力负荷;
配电故障判定子模块,用于若所述第一电力负荷与所述真实电力负荷的差值大于预定电力负荷阈值,则判定所述用电端出现所述配电故障;
安全判定子模块,用于若所述第一电力负荷与所述真实电力负荷的差值小于或等于所述预定电力负荷阈值,则判定所述用电端不存在所述用电故障和所述配电故障。
可选地,所述边缘服务器还包括:
实时电力数据发送模块,用于通过所述边缘服务器发送所述实时电力数据到所述云服务器;
所述云服务器还包括:
模型优化模块,用于采用所述实时电力数据训练所述目标电力负荷类型识别模型,生成优化电力负荷类型识别模型;
目标模型更新模块,用于采用所述优化电力负荷类型识别模型更新目标电力负荷类型识别模型;
返回模块,用于返回通过所述云服务器发送所述目标电力负荷类型识别模型到所述边缘服务器的步骤。
从以上技术方案可以看出,本发明具有以下优点:
通过云服务器基于获取到的历史电力数据与预置的多层感知机,构建目标电力负荷类型识别模型并发送到边缘服务器;边缘服务器接收来自传感器节点从用电端采集的实时电力数据,并输入到目标电力负荷类型识别模型中,从而得到第一电力负荷类型以返回到对应的传感器节点,经传感器节点比较第一电力负荷类型和真实电力负荷类型的比较结果,判断用电端是否存在故障,从而解决了现有技术中由于传感器节点与云服务器之间的距离较远,导致传感器节点与云服务器之间的通信功耗增加,通信延迟较高,无法及时检测到电网故障的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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。
图1为本发明实施例提供的一种电网故障的检测方法的步骤流程图;
图2为本发明可选实施例提供的一种电网故障的检测方法的步骤流程图;
图3为本发明可选实施例提供的目标电力负荷类型识别模型的优化步骤流程图;
图4为本发明实施例提供的一种电网故障的检测方法的数据交互示意图;
图5为本发明实施例提供的一种电网故障的检测***结构框图。
具体实施方式
本发明实施例提供了一种电网故障的检测方法和装置,用于解决现有技术中由于传感器节点与云服务器之间的距离较远,导致传感器节点与云服务器之间的通信功耗增加,通信延迟较高,无法及时检测到电网故障的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
云服务器:具有强大的计算能力,能进行复杂的运算,负责根据边缘服务器汇集的数据集,训练基于机器学习的预测算法,并将训练好的预测算法模型发送至边缘服务器。
边缘服务器:边缘计算中的服务器,位于传感器节点群的附近,负责收集并存储传感器节点上传的传感数据,以供其他设备或应用使用。具有一定的计算能力,运行基于机器学习的预测算法,可以根据传感器节点采集到的数据进行电力负荷类型的识别,使得传感器节点无需上传传感数据至云服务器端,能够直接通过边缘服务器实现电气负荷类型识别等功能。并且,边缘服务器比云服务器更靠近传感器节点,在边缘服务器中运行预测算法,相较于在云服务器中运行预测算法,具有低时延的优点,传感器节点在与边缘服务器通信时耗费资源会更少,进一步提高了节能的效果。
传感器节点:负责采集电网中的传感数据,需要将采集到的传感数据通过网关上传至边缘服务器中。
请参阅图1,图1为本发明实施例提供的一种电网故障的检测方法的步骤流程图。
本发明提供的一种电网故障的检测方法,涉及依次通信连接的云服务器、边缘服务器和多个传感器节点,所述方法包括:
步骤101,通过所述云服务器获取历史电力数据;
在本发明实施例中,为构建电力负荷类型识别模型,可以通过云服务器获取保存在本地的历史电力数据作为原始数据集,为电力负荷类型识别模型的训练提供数据基础。
步骤102,通过所述云服务器采用所述历史电力数据和预置的多层感知机,构建目标电力负荷类型识别模型;
在获取到历史电力数据后,采用预置的多层感知机基于历史电力数据的特征设计电力负荷类型识别模型,再采用历史电力数据对设计的电力负荷类型识别模型进行训练,从而构建目标电力负荷类型识别模型。
电力负荷,又称“用电负荷”。电能用户的用电设备在某一时刻向电力***取用的电功率的总和,称为用电负荷。
多层感知机(MLP,Multilayer Perceptron)是一种前馈人工神经网络模型,其将输入的多个数据集映射到单一的输出的数据集上,由一个输入层,一个输出层和一个或多个隐藏层组成。在MLP中的所有神经元都差不多,每个神经元都有几个输入(连接前一层)神经元和输出(连接后一层)神经元,该神经元会将相同值传递给与之相连的多个输出神经元。
步骤103,通过所述云服务器发送所述目标电力负荷类型识别模型到所述边缘服务器;
在得到目标电力负荷类型识别模型后,发送所述目标电力负荷类型识别模型到边缘服务器,以便于边缘服务器进行电力负荷类型的识别。
步骤104,通过多个所述传感器节点分别从对应的用电端采集实时电力数据并发送至所述边缘服务器;
在本发明实施例中,为保证能够实时检测多个用电端的电力负荷类型,可以通过多个传感器节点分别从各自对应的用电端采集实时电力数据,并发送到边缘服务器以进行识别。
步骤105,通过所述边缘服务器将所述实时电力数据输入到所述目标电力负荷类型识别模型,得到所述实时电力数据对应的第一电力负荷类型并分别返回到对应的所述传感器节点;
在边缘服务器获取到实时电力数据后,将实时电力数据输入到目标电力负荷类型识别模型,以采用模型中的分析算法对实时电力数据对应的电力负荷类型进行识别,得到第一电力负荷类型。再根据接收到实时电力数据的来源传感器节点,将第一电力负荷类型返回到对应的传感器节点。
步骤106,通过所述传感器节点基于所述第一电力负荷类型和所述实时电力数据对应的真实电力负荷类型的比较结果,判断所述用电端是否存在故障。
在具体实现中,传感器节点接收到第一电力负荷类型后,实时电力数据也设有对应的真实电力负荷类型,基于两者的比较结果判定用电端是否存在故障。
在本发明实施例中,通过云服务器基于获取到的历史电力数据与预置的多层感知机,构建目标电力负荷类型识别模型并发送到边缘服务器;边缘服务器接收来自传感器节点从用电端采集的实时电力数据,并输入到目标电力负荷类型识别模型中,从而得到第一电力负荷类型以返回到对应的传感器节点,经传感器节点比较第一电力负荷类型和真实电力负荷类型的比较结果,判断用电端是否存在故障,从而解决了现有技术中由于传感器节点与云服务器之间的距离较远,导致传感器节点与云服务器之间的通信功耗增加,通信延迟较高,无法及时检测到电网故障的技术问题。
请参阅图2,图2为本发明可选实施例提供的一种电网故障的检测方法的步骤流程图。
本发明提供的一种电网故障的检测方法,涉及依次通信连接的云服务器、边缘服务器和多个传感器节点,所述方法包括:
步骤201,通过所述云服务器获取历史电力数据;
步骤202,通过所述云服务器采用预置的多层感知机构建初始电力负荷类型识别模型;
在本发明实施例中,通过云服务器采用机器学习中的多层感知机根据历史电力数据的特点,设计初始电力负荷类型识别模型。
步骤203,通过所述云服务器采用所述历史电力数据训练所述初始电力负荷类型识别模型,得到目标电力负荷类型识别模型。
电气负荷类型识别能够运用与电网节能减排,实现电网实时安全和经济运行,为当前研究热点。在得到初始电力负荷类型识别模型之后,云服务器采用历史电力数据训练初始电力负荷类型识别模型,以得到目标电力负荷类型识别模型。
例如,随机选择100个历史电力数据输入到初始电力负荷类型识别模型中进行迭代循环识别,得到100个对应的初始电力负荷类型,历史电力数据设有真实的电力负荷类型,比对两者判断识别差距,调整初始电力负荷类型识别模型中的算法参数,直至识别差距小于预定阈值如80%。
步骤204,通过所述云服务器发送所述目标电力负荷类型识别模型到所述边缘服务器;
步骤205,通过多个所述传感器节点分别从对应的用电端采集实时电力数据并发送至所述边缘服务器;
在本发明实施例中,步骤204-205的具体实施过程与上述步骤103-104类似,在此不再赘述。
值得一提的是,传感器节点在获取到用电端的实时电力数据后,为保证信息传输的安全性,可以通过传感器节点与边缘服务器之间的网关进行通信。
参见图3,在所述边缘服务器接收到传感器节点发送的实时电力数据并返回第一电力负荷类型后,所述方法还可以包括以下步骤S1-S4:
S1、通过所述边缘服务器发送所述实时电力数据到所述云服务器;
S2、通过所述云服务器采用所述实时电力数据训练所述目标电力负荷类型识别模型,生成优化电力负荷类型识别模型;
在具体实现中,由于电力负荷类型较多,云服务器根据历史电力数据构建的目标电力负荷类型识别模型可能无法涵盖全部电力负荷类型,为进一步优化电力负荷类型的识别准确度,在边缘服务器接收到传感器节点发送的实时电力数据之后,还可以将实时电力数据发送到云服务器,以便于云服务器采用该实时电力数据对目标电力负荷类型识别模型再次训练,得到优化电力负荷类型识别模型。
S3、通过所述云服务器采用所述优化电力负荷类型识别模型更新目标电力负荷类型识别模型;
S4、返回通过所述云服务器发送所述目标电力负荷类型识别模型到所述边缘服务器的步骤。
在得到优化电力负荷类型识别模型之后,通过云服务器将目标电力负荷类型识别模型更新为所述优化电力负荷类型识别模型,也就是得到新的目标电力负荷类型识别模型;再将新的目标电力负荷类型识别模型发送到边缘服务器,以便于边缘服务器使用新的目标电力负荷类型识别模型对传感器采集的实时电力数据进行更为精确地识别。
步骤206,通过所述边缘服务器将所述实时电力数据输入到所述目标电力负荷类型识别模型,得到所述实时电力数据对应的第一电力负荷类型并分别返回到对应的所述传感器节点;
在本发明实施例中,边缘服务器在接收到实时电力数据后,将实时电力数据输入到目标电力负荷类型识别模型,由目标电力负荷类型识别模型根据实时电力数据的特点进行分类,从而得到实时电力数据对应的第一电力负荷类型,再将第一电力负荷类型分别返回到对应的传感器节点。
例如,还可以采用K均值算法构建目标电力负荷类型识别模型,即K均值聚类算法(k-means clustering algorithm),其是一种迭代求解的聚类分析算法,K均值聚类算法的步骤是随机选取K个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本,聚类的聚类中心会根据聚类中现有的对象被重新计算。
步骤207,通过所述传感器节点基于所述第一电力负荷类型和所述实时电力数据对应的真实电力负荷类型的比较结果,判断所述用电端是否存在故障。
在本发明的一个示例中,所述故障包括用电故障,所述步骤207可以包括以下子步骤:
通过所述传感器节点比较所述第一电力负荷类型和所述实时电力数据对应的真实电力负荷类型;
若所述第一电力负荷类型与所述真实电力负荷类型不同,则判定所述用电端出现所述用电故障。
在本发明实施例中,通过传感器节点比较第一电力负荷类型和真实电力负荷类型,若是两者不同,说明此时用电端的实时电力数据反映的真实电力负荷类型并不准确,可以判定此时用电端存在用电故障。
可选地,当用电端存在用电故障时,通过所述边缘服务器或传感器节点输出故障警报,提醒用户及时查看用电端状态,以防止用电端出现安全事故。
在本发明的另一个示例中,所述故障还包括配电故障,所述步骤207还可以包括以下子步骤:
若所述第一电力负荷类型与所述真实电力负荷类型相同,则比较所述第一电力负荷类型对应的第一电力负荷与所述真实电力负荷类型对应的真实电力负荷;
若所述第一电力负荷与所述真实电力负荷的差值大于预定电力负荷阈值,则判定所述用电端出现所述配电故障;
若所述第一电力负荷与所述真实电力负荷的差值小于或等于所述预定电力负荷阈值,则判定所述用电端不存在所述用电故障和所述配电故障。
进一步地,若是第一电力负荷类型与真实电力负荷类型相同,为保证用电端的配电稳定性,可以进一步比较第一电力负荷和真实电力负荷,若是两者的差值大于预设电力负荷阈值,说明此时用电端的用电超负荷,此时可以判定所述用电端出现配电故障;若是小于或等于预定电力负荷阈值,则说明用电端不存在用电故障也不存在配电故障。
当出现配电故障时,可以根据对不同传感器节点检测的用电端采取对应的配电操作,实现资源的合理分配,实现节能减排,实现电网实时安全和经济运行。
其中,第一电力负荷可以通过边缘服务器根据实时用电数据进行计算并返回到传感器节点。
在本发明实施例中,通过云服务器基于获取到的历史电力数据与预置的多层感知机,构建目标电力负荷类型识别模型并发送到边缘服务器;边缘服务器接收来自传感器节点从用电端采集的实时电力数据,并输入到目标电力负荷类型识别模型中,从而得到第一电力负荷类型以返回到对应的传感器节点,经传感器节点比较第一电力负荷类型和真实电力负荷类型的比较结果,判断用电端是否存在故障,从而解决了现有技术中由于传感器节点与云服务器之间的距离较远,导致传感器节点与云服务器之间的通信功耗增加,通信延迟较高,无法及时检测到电网故障的技术问题。
参见图4,图4示出了本发明实施例的一种电网故障的检测方法的数据交互示意图,包括云服务器、边缘服务器、网关和传感器节点1、传感器节点2、传感器节点3、……、传感器节点n。
传感器节点获取实时传感数据,并通过网关上传至边缘服务器;边缘服务器再将实时传感数据上传至云服务器,云服务器将实时传感数据存储到本地的传感数据集,以传感数据集训练由历史传感数据构建的分析算法模型并下传到边缘服务器;边缘服务器对传感器节点获取的实时传感器数据进行分析,将分析结果经网关下传到传感器节点,传感器节点接收分析数据进行故障判断。
请参阅图5,图5为本发明实施例提供的一种电网故障的检测***的结构框图。
本发明还提供了一种电网故障的检测***,包括依次通信连接的云服务器11、边缘服务器21和多个传感器节点31,所述云服务器1包括:
历史电力数据获取模块111,用于获取历史电力数据;
模型构建模块112,用于采用所述历史电力数据和预置的多层感知机,构建目标电力负荷类型识别模型;
模型发送模块113,用于发送所述目标电力负荷类型识别模型到所述边缘服务器;
所述边缘服务器2包括:
第一电力负荷类型识别模块211,用于将所述实时电力数据输入到所述目标电力负荷类型识别模型,得到所述实时电力数据对应的第一电力负荷类型并分别返回到对应的所述传感器节点;
所述传感器节点3包括:
实时电力数据采集模块311,用于分别从对应的用电端采集实时电力数据并发送至所述边缘服务器;
故障判断模块312,用于基于所述第一电力负荷类型和所述实时电力数据对应的真实电力负荷类型的比较结果,判断所述用电端是否存在故障。
可选地,所述模型构建模块112包括:
初始模型构建子模块,用于采用预置的多层感知机构建初始电力负荷类型识别模型;
模型训练子模块,用于采用所述历史电力数据训练所述初始电力负荷类型识别模型,得到目标电力负荷类型识别模型。
可选地,所述故障包括用电故障,所述故障判断模块312包括:
类型比较子模块,用于通过所述传感器节点比较所述第一电力负荷类型和所述实时电力数据对应的真实电力负荷类型;
用电故障判定子模块,用于若所述第一电力负荷类型与所述真实电力负荷类型不同,则判定所述用电端出现所述用电故障。
可选地,所述故障还包括配电故障,所述故障判断模块312还包括:
电路负荷比较子模块,用于若所述第一电力负荷类型与所述真实电力负荷类型相同,则比较所述第一电力负荷类型对应的第一电力负荷与所述真实电力负荷类型对应的真实电力负荷;
配电故障判定子模块,用于若所述第一电力负荷与所述真实电力负荷的差值大于预定电力负荷阈值,则判定所述用电端出现所述配电故障;
安全判定子模块,用于若所述第一电力负荷与所述真实电力负荷的差值小于或等于所述预定电力负荷阈值,则判定所述用电端不存在所述用电故障和所述配电故障。
可选地,所述边缘服务器2还包括:
实时电力数据发送模块,用于通过所述边缘服务器发送所述实时电力数据到所述云服务器;
所述云服务器1还包括:
模型优化模块,用于采用所述实时电力数据训练所述目标电力负荷类型识别模型,生成优化电力负荷类型识别模型;
目标模型更新模块,用于采用所述优化电力负荷类型识别模型更新目标电力负荷类型识别模型;
返回模块,用于返回通过所述云服务器发送所述目标电力负荷类型识别模型到所述边缘服务器的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的***和方法,可以通过其它的方式实现。例如,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,仅仅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***,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,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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网络单元上。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。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种电网故障的检测方法,其特征在于,涉及依次通信连接的云服务器、边缘服务器和多个传感器节点,所述方法包括:
通过所述云服务器获取历史电力数据;
通过所述云服务器采用所述历史电力数据和预置的多层感知机,构建目标电力负荷类型识别模型;
通过所述云服务器发送所述目标电力负荷类型识别模型到所述边缘服务器;
通过多个所述传感器节点分别从对应的用电端采集实时电力数据并发送至所述边缘服务器;
通过所述边缘服务器将所述实时电力数据输入到所述目标电力负荷类型识别模型,得到所述实时电力数据对应的第一电力负荷类型并分别返回到对应的所述传感器节点;
通过所述传感器节点基于所述第一电力负荷类型和所述实时电力数据对应的真实电力负荷类型的比较结果,判断所述用电端是否存在故障。
2.根据权利要求1所述的方法,其特征在于,所述通过所述云服务器采用所述历史电力数据和预置的多层感知机,构建目标电力负荷类型识别模型的步骤,包括:
通过所述云服务器采用预置的多层感知机构建初始电力负荷类型识别模型;
通过所述云服务器采用所述历史电力数据训练所述初始电力负荷类型识别模型,得到目标电力负荷类型识别模型。
3.根据权利要求1所述的方法,其特征在于,所述故障包括用电故障,所述通过所述传感器节点基于所述第一电力负荷类型和所述实时电力数据对应的真实电力负荷类型的比较结果,判断所述用电端是否存在故障的步骤,包括:
通过所述传感器节点比较所述第一电力负荷类型和所述实时电力数据对应的真实电力负荷类型;
若所述第一电力负荷类型与所述真实电力负荷类型不同,则判定所述用电端出现所述用电故障。
4.根据权利要求3所述的方法,其特征在于,所述故障还包括配电故障,所述方法还包括:
若所述第一电力负荷类型与所述真实电力负荷类型相同,则比较所述第一电力负荷类型对应的第一电力负荷与所述真实电力负荷类型对应的真实电力负荷;
若所述第一电力负荷与所述真实电力负荷的差值大于预定电力负荷阈值,则判定所述用电端出现所述配电故障;
若所述第一电力负荷与所述真实电力负荷的差值小于或等于所述预定电力负荷阈值,则判定所述用电端不存在所述用电故障和所述配电故障。
5.根据权利要求1所述的方法,其特征在于,在所述通过所述边缘服务器将所述实时电力数据输入到所述目标电力负荷类型识别模型,得到所述实时电力数据对应的第一电力负荷类型并分别返回到对应的所述传感器节点的步骤之后,所述方法还包括:
通过所述边缘服务器发送所述实时电力数据到所述云服务器;
通过所述云服务器采用所述实时电力数据训练所述目标电力负荷类型识别模型,生成优化电力负荷类型识别模型;
通过所述云服务器采用所述优化电力负荷类型识别模型更新目标电力负荷类型识别模型;
返回通过所述云服务器发送所述目标电力负荷类型识别模型到所述边缘服务器的步骤。
6.一种电网故障的检测***,其特征在于,包括依次通信连接的云服务器、边缘服务器和多个传感器节点,所述云服务器包括:
历史电力数据获取模块,用于获取历史电力数据;
模型构建模块,用于采用所述历史电力数据和预置的多层感知机,构建目标电力负荷类型识别模型;
模型发送模块,用于发送所述目标电力负荷类型识别模型到所述边缘服务器;
所述边缘服务器包括:
第一电力负荷类型识别模块,用于将所述实时电力数据输入到所述目标电力负荷类型识别模型,得到所述实时电力数据对应的第一电力负荷类型并分别返回到对应的所述传感器节点;
所述传感器节点包括:
实时电力数据采集模块,用于分别从对应的用电端采集实时电力数据并发送至所述边缘服务器;
故障判断模块,用于基于所述第一电力负荷类型和所述实时电力数据对应的真实电力负荷类型的比较结果,判断所述用电端是否存在故障。
7.根据权利要求6所述的***,其特征在于,所述模型构建模块包括:
初始模型构建子模块,用于采用预置的多层感知机构建初始电力负荷类型识别模型;
模型训练子模块,用于采用所述历史电力数据训练所述初始电力负荷类型识别模型,得到目标电力负荷类型识别模型。
8.根据权利要求6所述的***,其特征在于,所述故障包括用电故障,所述故障判断模块包括:
类型比较子模块,用于通过所述传感器节点比较所述第一电力负荷类型和所述实时电力数据对应的真实电力负荷类型;
用电故障判定子模块,用于若所述第一电力负荷类型与所述真实电力负荷类型不同,则判定所述用电端出现所述用电故障。
9.根据权利要求8所述的***,其特征在于,所述故障还包括配电故障,所述故障判断模块还包括:
电路负荷比较子模块,用于若所述第一电力负荷类型与所述真实电力负荷类型相同,则比较所述第一电力负荷类型对应的第一电力负荷与所述真实电力负荷类型对应的真实电力负荷;
配电故障判定子模块,用于若所述第一电力负荷与所述真实电力负荷的差值大于预定电力负荷阈值,则判定所述用电端出现所述配电故障;
安全判定子模块,用于若所述第一电力负荷与所述真实电力负荷的差值小于或等于所述预定电力负荷阈值,则判定所述用电端不存在所述用电故障和所述配电故障。
10.根据权利要求6所述的***,其特征在于,所述边缘服务器还包括:
实时电力数据发送模块,用于通过所述边缘服务器发送所述实时电力数据到所述云服务器;
所述云服务器还包括:
模型优化模块,用于采用所述实时电力数据训练所述目标电力负荷类型识别模型,生成优化电力负荷类型识别模型;
目标模型更新模块,用于采用所述优化电力负荷类型识别模型更新目标电力负荷类型识别模型;
返回模块,用于返回通过所述云服务器发送所述目标电力负荷类型识别模型到所述边缘服务器的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011162920.5A CN112379214A (zh) | 2020-10-27 | 2020-10-27 | 一种电网故障的检测方法和装置 |
CN202110155473.9A CN112684301B (zh) | 2020-10-27 | 2021-02-04 | 一种电网故障的检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011162920.5A CN112379214A (zh) | 2020-10-27 | 2020-10-27 | 一种电网故障的检测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112379214A true CN112379214A (zh) | 2021-02-19 |
Family
ID=74576665
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011162920.5A Pending CN112379214A (zh) | 2020-10-27 | 2020-10-27 | 一种电网故障的检测方法和装置 |
CN202110155473.9A Active CN112684301B (zh) | 2020-10-27 | 2021-02-04 | 一种电网故障的检测方法和装置 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110155473.9A Active CN112684301B (zh) | 2020-10-27 | 2021-02-04 | 一种电网故障的检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN112379214A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113297957A (zh) * | 2021-05-24 | 2021-08-24 | 国网上海市电力公司 | 一种基于边缘计算的用电特征波形提取及分析架构 |
CN113556768A (zh) * | 2021-06-24 | 2021-10-26 | 石家庄学院 | 传感器数据异常检测方法和*** |
CN114881538A (zh) * | 2022-06-24 | 2022-08-09 | 东南大学溧阳研究院 | 一种基于感知机的需求响应用户选择方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115754875B (zh) * | 2022-11-03 | 2023-08-11 | 国网安徽省电力有限公司营销服务中心 | 一种电压互感器误差评估方法及装置 |
CN117668717A (zh) * | 2023-10-30 | 2024-03-08 | 北京英诺艾智数据科技有限公司 | 一种用于容错服务器的供电保护方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206906519U (zh) * | 2017-05-05 | 2018-01-19 | 国网山东省电力公司枣庄供电公司 | 一种基于大数据的特高压直流输电线路巡视及反馈*** |
CN110927522A (zh) * | 2019-11-29 | 2020-03-27 | 西安锐驰电器有限公司 | 一种输电线路故障检测方法 |
CN111417178B (zh) * | 2020-03-17 | 2021-12-31 | 重庆大学 | 基于机器学习与边缘计算的工业互联网节能***及方法 |
-
2020
- 2020-10-27 CN CN202011162920.5A patent/CN112379214A/zh active Pending
-
2021
- 2021-02-04 CN CN202110155473.9A patent/CN112684301B/zh active Active
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113297957A (zh) * | 2021-05-24 | 2021-08-24 | 国网上海市电力公司 | 一种基于边缘计算的用电特征波形提取及分析架构 |
CN113556768A (zh) * | 2021-06-24 | 2021-10-26 | 石家庄学院 | 传感器数据异常检测方法和*** |
CN114881538A (zh) * | 2022-06-24 | 2022-08-09 | 东南大学溧阳研究院 | 一种基于感知机的需求响应用户选择方法 |
CN114881538B (zh) * | 2022-06-24 | 2022-12-13 | 东南大学溧阳研究院 | 一种基于感知机的需求响应用户选择方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112684301B (zh) | 2023-08-04 |
CN112684301A (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112684301B (zh) | 一种电网故障的检测方法和装置 | |
CN111368890A (zh) | 故障检测方法及装置、信息物理融合*** | |
CN109492667A (zh) | 一种用于非侵入式电力负荷监测的特征选择辨识方法 | |
CN106204330A (zh) | 一种配电网智能诊断*** | |
CN115170000B (zh) | 一种基于电能表通信模块的远程监测方法及*** | |
CN113220751A (zh) | 多源数据状态量的计量***及评估方法 | |
CN103869192A (zh) | 智能电网线损检测方法和*** | |
CN109638826B (zh) | 一种基于cnn的电网拓扑辨识方法及*** | |
WO2023236197A1 (zh) | 负荷辨识方法、计算机可读存储介质及设备 | |
CN108681625A (zh) | 基于大数据技术的变压器短期过载能力智能评估*** | |
CN111143835B (zh) | 基于机器学习的电力计量***业务逻辑非侵入式防护方法 | |
CN111080484A (zh) | 一种配电网异常数据监测方法及装置 | |
CN111857015B (zh) | 输变电云端智能控制器 | |
CN112991093B (zh) | 一种基于边缘计算的窃电检测方法及*** | |
Sung et al. | Enhance the efficient of WSN data fusion by neural networks training process | |
Jingyu et al. | Statistical analysis of distribution network fault information based on multi-source heterogeneous data mining | |
CN113327033A (zh) | 配电网故障诊断方法及*** | |
Zhang et al. | Research on the Method of Improving the Reliability of Distribution and Power Supply Based on Big Data | |
Ni | Study of a quality monitoring system of electric power using internet of things technology | |
CN117498403B (zh) | 基于分布式新能源特征聚类算法数据处理的能量管理*** | |
CN117499817B (zh) | 一种分布式电表采集***及采集方法 | |
CN117575308B (zh) | 分布式配电网的风险评估方法、装置、设备及存储介质 | |
Dhingra et al. | A machine learning based fault identification framework for smart grid automation | |
Liwen et al. | Fault Diagnosis of Distribution Network Based on Artificial Intelligence | |
Yang et al. | Power Supply Reliability Evaluation Method of Distribution Network Based on Improved LSTM Neural Network |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210219 |
|
WD01 | Invention patent application deemed withdrawn after publication |