CN115902557A - 开关柜故障诊断处理方法、装置及非易失性存储介质 - Google Patents
开关柜故障诊断处理方法、装置及非易失性存储介质 Download PDFInfo
- Publication number
- CN115902557A CN115902557A CN202211732267.0A CN202211732267A CN115902557A CN 115902557 A CN115902557 A CN 115902557A CN 202211732267 A CN202211732267 A CN 202211732267A CN 115902557 A CN115902557 A CN 115902557A
- Authority
- CN
- China
- Prior art keywords
- data
- partial discharge
- fault diagnosis
- fault
- initial
- 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
Landscapes
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种开关柜故障诊断处理方法、装置及非易失性存储介质。其中,该方法包括:获取目标开关柜的初始局放故障数据;采用局部均值分解算法对初始局放故障数据进行预处理,得到第一局放故障数据;获取基于乘法门控循环神经网络算法构建的初始故障诊断模型;将第一局放故障数据输入至初始故障诊断模型进行训练,得到目标故障诊断模型。本发明解决了相关技术中存在的故障诊断效率低且诊断准确性差的技术问题。
Description
技术领域
本发明涉及电力设备绝缘状态评估技术领域,具体而言,涉及一种开关柜故障诊断处理方法、装置及非易失性存储介质。
背景技术
开关柜在日常的运行中,起着变电输电的重要作用,而很多开关柜日常中都是露天摆放,长期日晒雨淋,受各种外部环境影响,很容易发生局部放电故障。而且,在电力***持续长时间高温高压的复杂环境下,或是开关柜在制造、运输和装配过程中,难免会不可避免的产生一些安全隐患,如灰尘、导电微粒、金属尖端、气隙等等,其可能会导致各种形式的局部放电,进而导致绝缘故障或电力***故障。因此,识别局部放电模式和缺陷类型的潜在相关性在气体绝缘金属封闭开关设备的绝缘诊断中是一个重要的指标,它能及时发现潜在缺陷和解决已产生的缺陷,极大地保障电力***的运行安全。但是,线管技术对于开关柜故障诊断主要通过人工检测方式,检测效率较低。基于神经网络算法的识别方式,由于算法性能或模型实用性等原因,对于开关柜故障诊断的准确性相对较差,故障诊断效率低。
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开关柜故障诊断处理方法、装置及非易失性存储介质,以至少解决相关技术中存在的故障诊断效率低且诊断准确性差的技术问题。
根据本发明实施例的一个方面,提供了一种开关柜故障诊断处理方法,包括:获取目标开关柜的初始局放故障数据;采用局部均值分解算法对上述初始局放故障数据进行预处理,得到第一局放故障数据;获取基于乘法门控循环神经网络算法构建的初始故障诊断模型;将上述第一局放故障数据输入至上述初始故障诊断模型进行训练,得到目标故障诊断模型。
根据本发明实施例的另一方面,还提供了一种开关柜故障诊断处理装置,包括:第一获取模块,用于获取目标开关柜的初始局放故障数据;处理模块,用于采用局部均值分解算法对上述初始局放故障数据进行预处理,得到第一局放故障数据;第二获取模块,用于获取基于乘法门控循环神经网络算法构建的初始故障诊断模型;训练模块,用于将上述第一局放故障数据输入至上述初始故障诊断模型进行训练,得到目标故障诊断模型。
根据本发明实施例的另一方面,还提供了一种非易失性存储介质,上述非易失性存储介质存储有多条指令,上述指令适于由处理器加载并执行任意一项上述的开关柜故障诊断处理方法。
根据本发明实施例的另一方面,还提供了一种电子设备,包括一个或多个处理器和存储器,上述存储器用于存储一个或多个程序,其中,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现任意一项上述的开关柜故障诊断处理方法。
在本发明实施例中,通过获取目标开关柜的初始局放故障数据;采用局部均值分解算法对上述初始局放故障数据进行预处理,得到第一局放故障数据;获取基于乘法门控循环神经网络算法构建的初始故障诊断模型;将上述第一局放故障数据输入至上述初始故障诊断模型进行训练,得到目标故障诊断模型,达到了提升开关柜故障诊断模型获取精度,实现对开关柜故障的精准识别的目的,从而实现了优化开关柜故障诊断模型,提升开关柜故障诊断效率和故障诊断准确性的技术效果,进而解决了相关技术中存在的故障诊断效率低且诊断准确性差的技术问题。
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是根据本发明实施例的一种开关柜故障诊断处理方法的示意图;
图2是根据本发明实施例的一种可选的开关柜故障诊断处理方法的示意图;
图3是根据本发明实施例的一种开关柜故障诊断处理***的示意图;
图4是根据本发明实施例的一种开关柜故障诊断处理装置的示意图。
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、***、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。
首先,为方便理解本发明实施例,下面将对本发明中所涉及的部分术语或名词进行解释说明:
局部均值分解(Local Mean Decomposition,LMD),作为近年来出现的一种新的自适应时频分析方法,能够依据信号的自身特点将复杂的多分量调幅调频信号分解为有限个的单分量调幅调频信号之和,进而求取瞬时频率和瞬时幅值并进行组合,得到原始信号完整的时频分布。与经验模态分解方法相比,在端点效应、虚假分量、过包络和欠包络等问题方面有所改善。
奇异值分解(SVD),在线性代数和矩阵论中一种重要的矩阵分解法。它是一种在通信***MIMO、机器学习、图像处理、数据压缩降噪等领域被广泛运用的算法。
在电力电网中,开关柜(switch cabinet)是一种电气设备,开关柜外线先进入柜内主控开关,然后进入分控开关,各分路按其需要设置。如仪表,自控,电动机磁力开关,各种交流接触器等,有的还设高压室与低压室开关柜,设有高压母线,如发电厂等,有的还设有为保主要设备的低周减载。低压配电柜是电气设备中电机控制中心的总称。配电柜适用于负荷相对分散、回路较小的场合;电机控制中心为负载集中,电路场合较多。它们将能量从上层配电设备的一个电路分配到最近的负载。这种水平的设备应该提供保护,监测和控制负载。如果配电柜在使用中出现故障,将直接影响多级设备的使用。
开关柜在日常的运行中,起着变电输电的重要作用,而很多开关柜日常中都是露天摆放,长期日晒雨淋,受各种外部环境影响,很容易发生局部放电故障。而且,在电力***持续长时间高温高压的复杂环境下,或是开关柜在制造、运输和装配过程中,难免会不可避免的产生一些安全隐患,如灰尘、导电微粒、金属尖端、气隙等等,其可能会导致各种形式的局部放电,进而导致绝缘故障或电力***故障。因此,识别局部放电模式和缺陷类型的潜在相关性在GIS设备的绝缘诊断中是一个重要的指标,它能及时发现潜在缺陷和解决已产生的缺陷,极大地保障电力***的运行安全。但是,线管技术对于开关柜故障诊断主要通过人工检测方式,检测效率较低。
近年来,深度神经网络(deep neural networks,DNN)在机器视觉、语音识别和和故障识别诊断等很多领域取得了诸多的研究成果。同时,计算性能的提升和算法的优化也为DNN创造了良好的条件,基于人工智能的故障诊断方法以其对电力设备运行状态类型较高的分类准确率,成为了热门的研究方向。由于梯度消失和梯度***问题,RNNS无法捕获大范围的序列依赖关系。为了解决该问题,LSTM应运而生,其引入门控机制,通过有选择性地保留之前的信息,可以从输入序列中检测到重要特征,并在长时间内保留该特征信息,从而捕获潜在的大范围序列依赖关系。GRU是在LSTM基础上进行的改进,该模型简化了门控的数量,在构建较大网络时能够用更少的参数获得比LSTM还好的效果,并可以节约计算成本。基于上述神经网络算法的开关柜故障检测识别方式,由于算法性能或模型实用性等原因,对于开关柜故障诊断的准确性相对较差,故障诊断效率低。
基于上述问题,根据本发明实施例提供了一种开关柜故障诊断处理的方法实施例,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***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。
图1是根据本发明实施例的开关柜故障诊断处理方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取目标开关柜的初始局放故障数据。
可选的,通过目标开关柜的局放信号实时采集的方式获取开关柜局放故障原始数据作为初始局放故障数据。随着目标开关柜设备的持续投入使用,局放故障数据将会自更新写入并逐渐增多,丰富的样本数据可以大大提高故障诊断识别的准确率。并且,在开关柜局放故障原始数据之后,还需要检查原始数据的完整性,如果数据有缺失,则获取原始数据中与缺失数据类型相同的其他数据,取其他数据的中位数对缺失数据进行填充,将填充后的开关柜局放故障原始数据作为初始局放故障数据。
步骤S104,采用局部均值分解算法对上述初始局放故障数据进行预处理,得到第一局放故障数据。
需要说明的是,运行环境复杂,采集的局放信号中掺杂着各种噪声,因此本发明实施例采用局部均值分解算法对获取到的初始局放故障数据进行降噪处理,采用降噪处理后的第一局放故障数据进行后续的模型训练,由此有效避免噪声等其他因素对故障诊断模型构建的干扰,有助于获取到更加精准有效的故障诊断模型。
在一种可选的实施例中,上述采用局部均值分解算法对上述初始局放故障数据进行预处理,得到第一局放故障数据,包括:采用上述局部均值分解算法对上述初始局放故障数据进行第一降噪处理,得到第二局放故障数据;采用奇异值分解算法对上述初始局放故障数据进行第二降噪处理,得到第三局放故障数据;对上述第三局放故障数据进行特征提取处理,得到上述第一局放故障数据。
通过以上方式,首先采用局部均值分解LMD算法对初始局放故障数据进行初步降噪,之后采用奇异值分解SVD算法针对LMD分解结果中的残留噪声进行二次降噪,以加权能量贡献率(percent of contribution to total energy,PCTE)作为奇异值阶数的确定方法,对分界PF分量进行降噪处理,实现二次滤波。
在一种可选的实施例中,上述采用上述局部均值分解算法对上述初始局放故障数据进行第一降噪处理,得到第二局放故障数据,包括:基于上述局部均值分解算法,得到多个乘积函数;将上述初始局放故障数据作为原始信号,确定上述多个乘积函数分别与上述原始信号之间的相关系数;基于上述多个乘积函数分别与上述原始信号之间的相关系数,确定上述原始信号中包括的噪声信号和有效信号之间的分界位置;剔除上述原始信号中上述分界位置之前的信号,将剔除后的原始信号作为上述第二局放故障数据。
通过以上方式,首先使用LMD分解,获得一系列由高频到低频分布的乘积函数(product functions,PF);通过计算原始信号与各个乘积函数PF分量之间的相关系数,确定含噪信号与有效信号之间的分界位置,将初始局放故障数据中分界位置之前的分量剔除,实现初步降噪。
可选的,对于LMD是一种自适应时域分析算法,它将多分量信号分解为多个具有实际物理量意义的乘积函数(PF)之和,每一个PF分量都是包络信号与调频信号的乘积,其中,PF分量的瞬时频率可由调频信号求出,PF分量的瞬时幅值即为包络信号,从而得到原信号的时域分布。本发明中,对于开关柜局放故障原始信号x(t),LMD分解过程如下:
确定开关柜局放原始信号x(t)所有的极值点ni(i=1,2,...),计算第i段的局域均值函数mi和局域包络函数ai,分别为:
利用滑动平均法对局域均值函数和局域包络函数进行处理,直到任何相邻点的值不对等,得到局域均值函数m11(t)和局域包络函数a11(t)。
将局域均值函数m11(t)从局放原始信号x(t)中分离出来,得到信号h11(t),即:
h11(t)=x(t)-m11(t)
用h11(t)除以局域包络函数a11(t),对h11(t)进行解调,得到调频信号s11(t),即:
将所有局域包络函数相乘,得到包络信号a1(t),即:
包络信号a1(t)与纯调频信号s1n(t)相乘便得到信号x(t)的第一个PF分量,即:
PF1(t)=a1(t)s1n(t)
从x(t)中将分量PF1(t)分离出来,得到新信号u1(t),用u1(t)代替原始信号重复以上步骤并循环K次,直到uK(t)单调为止。
由此,开关柜原始信号x(t)可分解为K个PF分量和单调函数uK(t)之和,即
通过计算原始信号与各个PF分量之间的相关系数,确定含噪信号与有效信号之间的分界位置,将分界分量之前的分量剔除,实现初步降噪。然后,针对LMD分解结果中的残留噪声,使用SVD法,以加权能量贡献率(percent of contribution to total energy,PCTE)作为奇异值阶数的确定方法,对分界PF分量进行降噪处理,实现二次滤波。假设A是LMD分解结果中的残留噪声矩阵,则其奇异值分解为:
其中,U是AAT的特征向量构成的矩阵,V是ATA的特征向量构成的矩阵,奇异值矩阵∑的值是ATA特征的平方根。
在一种可选的实施例中,上述对上述第三局放故障数据进行特征提取处理,得到的特征提取结果作为上述第一局放故障数据,包括:对上述第三局放故障数据进行归一化处理,得到第四局放故障数据;对上述第四局放故障数据进行特征提取处理,得到上述第一局放故障数据。
通过以上方式,在获取到降噪后的第三局放故障数据之后,进一步对第三局放故障数据归一化处理以加快训练速度,归一化公式为:
其中,xi为第三局放故障数据中的任意一个数据,yi为第三局放故障数据中的任意一个数据对应的归一化后的结果(对应为第四局放故障数据)。
可选的,将归一化后的数据(即第四局放故障数据)进行特征提取,对应提取的特征可以单不限于包括:特征值包括最大放电量分布正半周偏斜度最大放电量分布负半周偏斜度最大放电量分布正半周突出度最大放电量分布负半周突出度最大放电量分布不对称度Qm、最大放电量分布相关度CCm、平均放电量分布正半周偏斜度平均放电量分布负半周偏斜度平均放电量分布正半周突出度平均放电量分布负半周突出度平均放电量分布不对称度Qa、平均放电量分布相关度CCa、放电次数分布正半周偏斜度放电次数分布负半周偏斜度放电次数分布正半周突出度放电次数分布负半周突出度放电次数分布不对称度Qn、放电次数分布相关度CCn18种,数据结构如下表1所示:
表1
每组特征值对应一种局放故障类型,开关柜局放类型可以但不限于包括:内部(气隙)放电、沿面(表面)放电、电晕放电和悬浮放电四类。
步骤S106,获取基于乘法门控循环神经网络算法构建的初始故障诊断模型。
需要说明的是,GRU(Gate Recurrent Unit)是LSTM网络的一种效果很好的变体,它较LSTM网络的结构更加简单,也是可以解决RNN网络中的长依赖问题,而且效果也很好。乘法门控循环神经网络模型(即multi-GRU网络模型)是对来自最后一个隐藏状态的输出使用逐个元素的乘法运算,以确定在当前时间步将合并到新的隐藏状态中的内容。对于开关柜故障诊断具有很好的适用性。
步骤S108,将上述第一局放故障数据输入至上述初始故障诊断模型进行训练,得到目标故障诊断模型。
在一种可选的实施例中,上述将上述第一局放故障数据输入至上述初始故障诊断模型进行训练,得到目标故障诊断模型,包括:将上述第一局放故障数据划分为训练集数据和测试集数据;将上述训练集数据输入至上述初始故障诊断模型进行训练,得到训练后的初始故障诊断模型;将上述测试集数据输入至上述训练后的初始故障诊断模型进行测试,得到测试结果;在上述测试结果满足预设测试条件的情况下,将上述训练后的初始故障诊断模型作为上述目标故障诊断模型。
通过以上方式,首先采用第一局放故障数据中的训练集数据对初始故障诊断模型进行训练,在训练达到预设迭代次数时,输出训练后的初始故障诊断模型;采用第一局放故障数据中的测试集数据对训练后的初始故障诊断模型进行测试,若测试结果满足预设测试条件,则表明模型符合要求,此时将训练后的初始故障诊断模型作为最终的目标故障诊断模型。将目标故障诊断模型部署至现场测试环境中,将待测试数据输入至目标故障诊断模型中,即可实现对开关柜的实时监测。
可选的,搭建multi-GRU网络模型作为初始故障诊断模型,以第一局放故障数据包括6000组样本数据,将数据随机打乱顺序,按8:2拆分数据,前4800组为训练集数据,后1200组为测试集数据。传入训练集进行训练。multi-GRU的输入输出结构与普通的RNN是一样的。假设t时刻的输入为xt,t-1时刻的隐含层状态为为ht-1,这个隐含层状态包含了之前节点的相关信息;t时刻隐含节点的输出为yt,传递给下一个节点的隐含状态为ht。GRU模型中有两个门,重置门和更新门,初始状态,当t=0是,输出向量h0=0。multi-GRU的数学模型如下:
zt=σg(Wzxt+Uzht-1+bz)
rt=σg(Wrxt+Urht-1+br)
其中,xt为输入向量,ht为传递到下一时刻的隐含状态,为候选隐含状态,zt为更新门,rt为重置门,W、U和b为参数矩阵,σg为sigmoid函数,φh为tanh函数。更新门z选择是否用新的隐含状态更新隐含状态。重置门r决定是否忽略前面的隐含状态。这里的主要包含了当前输入的xt数据。当r接近0时,隐含状态呗强制忽略前面的隐含状态,并用当前输入重置。有针对性的对添加到当前的隐含状态,相当于“记忆了当前时刻的状态”。门控信号z的范围为0~1,门控信号越接近1,代表“记忆”下来的数据越多,而越接近0则代表“遗忘”的越多。σg可以将数据变为0~1范围的数值,φh可以将数据变为-1~1范围的数值。
在模型训练过程中的迭代次数由准确率—迭代次数曲线趋于稳定时确定,在这里取200。模型训练完成后,采用测试及数据对训练后的初始故障诊断模型进行测试,再测试结果满足预设测试条件的情况下,将上述训练后的初始故障诊断模型作为上述目标故障诊断模型,输入待诊断数据就可进行开关柜的局放故障诊断。
在一种可选的实施例中,在上述将上述第一局放故障数据输入至上述初始故障诊断模型进行训练,得到目标故障诊断模型之后,上述方法还包括:获取待测开关柜对应的待诊断数据;将上述待诊断数据输入至上述目标故障诊断模型进行测试,得到故障诊断结果。
通过以上方式,将训练好的目标故障诊断模型部署至现场测试环境中,在对开关柜进行现场实际测试时,将待测开关柜对应的待诊断数据输入至目标故障诊断模型,即可实现对待测开关柜的现场实时故障监测。
通过上述步骤S102至步骤S108,利用局部均值分解LMD算法对开关柜局放信号进行去噪,尽可能得到局放真实数据,提取主要特征值作为样本数据,传入乘法门控循环神经网络模型multi-GRU网络模型进行训练,得到理想的诊断结果,可以达到提升开关柜故障诊断模型获取精度,实现对开关柜故障的精准识别的目的,从而实现了优化开关柜故障诊断模型,提升开关柜故障诊断效率和故障诊断准确性的技术效果,进而解决了相关技术中存在的故障诊断效率低且诊断准确性差的技术问题。
基于上述实施例和可选实施例,本发明提出一种可选实施方式,图2是根据本发明实施例的一种可选的开关柜故障诊断处理方法的流程图,如图2所示,该方法包括:
步骤S1,通过目标开关柜的局放信号实时采集的方式获取开关柜局放故障原始数据作为初始局放故障数据。具体包括如下子步骤:
步骤(1.1):随着目标开关柜设备的持续投入使用,局放故障数据将会自更新写入并逐渐增多,丰富的样本数据可以大大提高故障诊断识别的准确率;
步骤(1.2):在开关柜局放故障原始数据之后,还需要检查原始数据的完整性,如果数据有缺失,则获取原始数据中与缺失数据类型相同的其他数据,取其他数据的中位数对缺失数据进行填充,将填充后的开关柜局放故障原始数据作为初始局放故障数据。
步骤S2,利用局部均值分解LMD算法对开关柜局放故障原始数据进行去噪,然后进行归一化处理,然后提取主要特征值作为第一局放故障数据。具体包括如下子步骤:
步骤(2.1):首先使用LMD分解,获得一系列由高频到低频分布的乘积函数(product functions,PF);通过计算原始信号与各个乘积函数PF分量之间的相关系数,确定含噪信号与有效信号之间的分界位置,将初始局放故障数据中分界位置之前的分量剔除,实现初步降噪。然后,针对LMD分解结果中的残留噪声,采用奇异值分解SVD算法针对LMD分解结果中的残留噪声进行二次降噪,以加权能量贡献率(percent of contribution tototal energy,PCTE)作为奇异值阶数的确定方法,对分界PF分量进行降噪处理,实现二次滤波。
步骤(2.2):将去噪之后的第三局放故障数据进行归一化处理以加快训练速度,得到第四局放故障数据。
步骤S3,搭建乘法门控循环神经网络模型(即multi-GRU网络模型)作为初始故障诊断模型。
步骤S4,将第一局放故障数据中的测试集数据输入multi-GRU网络模型进行训练,同时确定迭代次数。
步骤S5,判断模型训练是否满足迭代要求,若满足,则输出训练后的multi-GRU网络模型;将测试机数据输入至训练后的multi-GRU网络模型,在输出的测试结果满足预设测试条件的情况下,将获取到的训练后的初始故障诊断模型作为目标故障诊断模型。将待诊断数据输入训练好的目标故障诊断模型,然后输出诊断结果,若不满足迭代要求,或者测试结果不满足预设测试条件,则继续对模型进行训练。
需要说明的是,由于开关柜运行环境复杂,采集的局放信号中掺杂着各种噪声,而且现场采集然后现场进行诊断,将产生大量的人力成本,而且也存在着各种安全隐患。故本发明采用人工智能领域中的神经网络解决上述问题,首先将采集的局放信号进行LMD算法去噪,然后经过归一化处理和提取特征后传入本发明提出的multi-GRU网络模型进行训练,最后得出理想的诊断结果。避免了现场作业带来的风险及人为的误判率,节省了大量人力,而且加快了识别速度,提高了识别的准确率。
根据本发明实施例,还提供了一种用于实施上述开关柜故障诊断处理方法的***实施例,图3是根据本发明实施例的一种开关柜故障诊断处理***的结构示意图,如图3所示,该***包括:
远程服务器端,用于通过远程服务器接收现场开关柜局放信号,并实现局放信号实时更新;
数据处理模块,与远程服务器端连接,用于接收来自远程服务器的局放信号数据,对其进行去噪、归一化、特征值提取等处理;
诊断识别模块,与数据处理模块连接,主要包含了训练好的multi-GRU模型(即目标故障诊断模型),用于将经过数据处理模块处理的数据传入诊断识别模块,输出故障诊断结果;
评价模块,与诊断识别模块连接,用于接收来自诊断识别模块输出的故障诊断结果,结合开关柜本身的其他监测信息如温度红外等给出合理的处理措施。
可以理解,上述***可以理解为一种基于LMD-multi-GRU的开关柜局放故障诊断***,能够持续且稳定的监控开关柜的局放状态,同时根据分析给出合理的处理措施,整个过程避免了人为的现场干预,保障了电站工作人员的安全。
在本实施例中还提供了一种开关柜故障诊断处理装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”“装置”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
根据本发明实施例,还提供了一种用于实施上述开关柜故障诊断处理方法的装置实施例,图4是根据本发明实施例的一种开关柜故障诊断处理装置的结构示意图,如图4所示,上述开关柜故障诊断处理装置,包括:第一获取模块400、处理模块402、第二获取模块404、训练模块406,其中:
上述第一获取模块400,用于获取目标开关柜的初始局放故障数据;
上述处理模块402,连接于上述第一获取模块400,用于采用局部均值分解算法对上述初始局放故障数据进行预处理,得到第一局放故障数据;
上述第二获取模块404,连接于上述处理模块402,用于获取基于乘法门控循环神经网络算法构建的初始故障诊断模型;
上述训练模块406,连接于上述第二获取模块404,用于将上述第一局放故障数据输入至上述初始故障诊断模型进行训练,得到目标故障诊断模型。
在本发明实施例中,通过设置上述第一获取模块400,用于获取目标开关柜的初始局放故障数据;上述处理模块402,连接于上述第一获取模块400,用于采用局部均值分解算法对上述初始局放故障数据进行预处理,得到第一局放故障数据;上述第二获取模块404,连接于上述处理模块402,用于获取基于乘法门控循环神经网络算法构建的初始故障诊断模型;上述训练模块406,连接于上述第二获取模块404,用于将上述第一局放故障数据输入至上述初始故障诊断模型进行训练,得到目标故障诊断模型,达到了提升开关柜故障诊断模型获取精度,实现对开关柜故障的精准识别的目的,从而实现了优化开关柜故障诊断模型,提升开关柜故障诊断效率和故障诊断准确性的技术效果,进而解决了相关技术中存在的故障诊断效率低且诊断准确性差的技术问题。
在一种可选的实施例中,上述装置还包括:第三获取模块,用于获取待测开关柜对应的待诊断数据;测试模块,用于将上述待诊断数据输入至上述目标故障诊断模型进行测试,得到故障诊断结果。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,例如,对于后者,可以通过以下方式实现:上述各个模块可以位于同一处理器中;或者,上述各个模块以任意组合的方式位于不同的处理器中。
此处需要说明的是,上述第一获取模块400、处理模块402、第二获取模块404、训练模块406对应于实施例中的步骤S102至步骤S108,上述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计算机终端中。
需要说明的是,本实施例的可选或优选实施方式可以参见实施例中的相关描述,此处不再赘述。
上述的开关柜故障诊断处理装置还可以包括处理器和存储器,上述第一获取模块400、处理模块402、第二获取模块404、训练模块406等均作为程序模块存储在存储器中,由处理器执行存储在存储器中的上述程序模块来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序模块,上述内核可以设置一个或以上。存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
根据本申请实施例,还提供了一种非易失性存储介质的实施例。可选的,在本实施例中,上述非易失性存储介质包括存储的程序,其中,在上述程序运行时控制上述非易失性存储介质所在设备执行上述任意一种开关柜故障诊断处理方法。
可选的,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,上述非易失性存储介质包括存储的程序。
可选的,在程序运行时控制非易失性存储介质所在设备执行以下功能:获取目标开关柜的初始局放故障数据;采用局部均值分解算法对上述初始局放故障数据进行预处理,得到第一局放故障数据;获取基于乘法门控循环神经网络算法构建的初始故障诊断模型;将上述第一局放故障数据输入至上述初始故障诊断模型进行训练,得到目标故障诊断模型。
根据本申请实施例,还提供了一种处理器的实施例。可选的,在本实施例中,上述处理器用于运行程序,其中,上述程序运行时执行上述任意一种开关柜故障诊断处理方法。
根据本申请实施例,还提供了一种计算机程序产品的实施例,当在数据处理设备上执行时,适于执行初始化有上述任意一种的开关柜故障诊断处理方法步骤的程序。
可选的,上述计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:获取目标开关柜的初始局放故障数据;采用局部均值分解算法对上述初始局放故障数据进行预处理,得到第一局放故障数据;获取基于乘法门控循环神经网络算法构建的初始故障诊断模型;将上述第一局放故障数据输入至上述初始故障诊断模型进行训练,得到目标故障诊断模型。
本发明实施例提供了一种电子设备,该电子设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:获取目标开关柜的初始局放故障数据;采用局部均值分解算法对上述初始局放故障数据进行预处理,得到第一局放故障数据;获取基于乘法门控循环神经网络算法构建的初始故障诊断模型;将上述第一局放故障数据输入至上述初始故障诊断模型进行训练,得到目标故障诊断模型。
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,例如上述模块的划分,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,例如多个模块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,模块或模块的间接耦合或通信连接,可以是电性或其它的形式。
上述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个模块上。可以根据实际的需要选择其中的部分或者全部模块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模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
上述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取非易失性存储介质中。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非易失性存储介质中,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方法的全部或部分步骤。而前述的非易失性存储介质包括: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)
1.一种开关柜故障诊断处理方法,其特征在于,包括:
获取目标开关柜的初始局放故障数据;
采用局部均值分解算法对所述初始局放故障数据进行预处理,得到第一局放故障数据;
获取基于乘法门控循环神经网络算法构建的初始故障诊断模型;
将所述第一局放故障数据输入至所述初始故障诊断模型进行训练,得到目标故障诊断模型。
2.根据权利要求1所述的方法,其特征在于,所述采用局部均值分解算法对所述初始局放故障数据进行预处理,得到第一局放故障数据,包括:
采用所述局部均值分解算法对所述初始局放故障数据进行第一降噪处理,得到第二局放故障数据;
采用奇异值分解算法对所述初始局放故障数据进行第二降噪处理,得到第三局放故障数据;
对所述第三局放故障数据进行特征提取处理,得到所述第一局放故障数据。
3.根据权利要求2所述的方法,其特征在于,所述采用所述局部均值分解算法对所述初始局放故障数据进行第一降噪处理,得到第二局放故障数据,包括:
基于所述局部均值分解算法,得到多个乘积函数;
将所述初始局放故障数据作为原始信号,确定所述多个乘积函数分别与所述原始信号之间的相关系数;
基于所述多个乘积函数分别与所述原始信号之间的相关系数,确定所述原始信号中包括的噪声信号和有效信号之间的分界位置;
剔除所述原始信号中所述分界位置之前的信号,将剔除后的原始信号作为所述第二局放故障数据。
4.根据权利要求2所述的方法,其特征在于,所述对所述第三局放故障数据进行特征提取处理,得到的特征提取结果作为所述第一局放故障数据,包括:
对所述第三局放故障数据进行归一化处理,得到第四局放故障数据;
对所述第四局放故障数据进行特征提取处理,得到所述第一局放故障数据。
5.根据权利要求1所述的方法,其特征在于,所述将所述第一局放故障数据输入至所述初始故障诊断模型进行训练,得到目标故障诊断模型,包括:
将所述第一局放故障数据划分为训练集数据和测试集数据;
将所述训练集数据输入至所述初始故障诊断模型进行训练,得到训练后的初始故障诊断模型;
将所述测试集数据输入至所述训练后的初始故障诊断模型进行测试,得到测试结果;
在所述测试结果满足预设测试条件的情况下,将所述训练后的初始故障诊断模型作为所述目标故障诊断模型。
6.根据权利要求1至5中任意一项所述的方法,其特征在于,在所述将所述第一局放故障数据输入至所述初始故障诊断模型进行训练,得到目标故障诊断模型之后,所述方法还包括:
获取待测开关柜对应的待诊断数据;
将所述待诊断数据输入至所述目标故障诊断模型进行测试,得到故障诊断结果。
7.一种开关柜故障诊断处理装置,其特征在于,包括:
第一获取模块,用于获取目标开关柜的初始局放故障数据;
处理模块,用于采用局部均值分解算法对所述初始局放故障数据进行预处理,得到第一局放故障数据;
第二获取模块,用于获取基于乘法门控循环神经网络算法构建的初始故障诊断模型;
训练模块,用于将所述第一局放故障数据输入至所述初始故障诊断模型进行训练,得到目标故障诊断模型。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
第三获取模块,用于获取待测开关柜对应的待诊断数据;
测试模块,用于将所述待诊断数据输入至所述目标故障诊断模型进行测试,得到故障诊断结果。
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存储有多条指令,所述指令适于由处理器加载并执行权利要求1至6中任意一项所述的开关柜故障诊断处理方法。
10.一种电子设备,其特征在于,包括一个或多个处理器和存储器,所述存储器用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至6中任意一项所述的开关柜故障诊断处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211732267.0A CN115902557A (zh) | 2022-12-30 | 2022-12-30 | 开关柜故障诊断处理方法、装置及非易失性存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211732267.0A CN115902557A (zh) | 2022-12-30 | 2022-12-30 | 开关柜故障诊断处理方法、装置及非易失性存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115902557A true CN115902557A (zh) | 2023-04-04 |
Family
ID=86488276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211732267.0A Pending CN115902557A (zh) | 2022-12-30 | 2022-12-30 | 开关柜故障诊断处理方法、装置及非易失性存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115902557A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117590142A (zh) * | 2024-01-19 | 2024-02-23 | 杭州万禾电力科技有限公司 | 基于深度学习的开关柜故障诊断方法及*** |
-
2022
- 2022-12-30 CN CN202211732267.0A patent/CN115902557A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117590142A (zh) * | 2024-01-19 | 2024-02-23 | 杭州万禾电力科技有限公司 | 基于深度学习的开关柜故障诊断方法及*** |
CN117590142B (zh) * | 2024-01-19 | 2024-03-22 | 杭州万禾电力科技有限公司 | 基于深度学习的开关柜故障诊断方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ciancetta et al. | A new convolutional neural network-based system for NILM applications | |
CN103558529B (zh) | 一种三相共筒式超高压gis局部放电的模式识别方法 | |
CN103076547B (zh) | 基于支持向量机的gis局部放电故障类型模式识别方法 | |
CN110829417B (zh) | 基于lstm双结构模型的电力***暂态稳定预测方法 | |
CN111564842B (zh) | 一种非侵入式用电负荷监测中长期能耗统计估算的方法 | |
CN111965476B (zh) | 一种基于图卷积神经网络的低电压诊断方法 | |
CN108562821B (zh) | 一种基于Softmax确定配电网单相接地故障选线的方法及*** | |
CN113805064A (zh) | 基于深度学习的锂离子电池组健康状态预测方法 | |
CN108009730A (zh) | 一种光伏电站***健康状态分析方法 | |
CN109100627A (zh) | 一种基于端到端模式的电力设备局部放电故障诊断方法 | |
CN103439631A (zh) | 接地网腐蚀状态检测方法及*** | |
CN116401532B (zh) | 一种电力***受扰后频率失稳识别方法及*** | |
CN114325256A (zh) | 一种电力设备局部放电识别方法、***、设备及存储介质 | |
CN115902557A (zh) | 开关柜故障诊断处理方法、装置及非易失性存储介质 | |
CN113379252A (zh) | 基于多尺度排列熵值的贝叶斯网络高压开关柜健康***评估方法 | |
CN115587309A (zh) | 一种变压器抗短路能力关键特征提取方法、装置及设备 | |
CN112085111A (zh) | 一种负荷辨识方法和装置 | |
CN116089882A (zh) | 电缆故障预测处理方法、装置及电子设备 | |
CN112595918A (zh) | 一种低压集抄故障的检测方法及装置 | |
CN117291046A (zh) | 一种基于大数据动力电池bms可靠测试管理方法及*** | |
CN117471252A (zh) | 基于iceemdan-kpca特征提取与soa-kelm的直流故障电弧诊断方法 | |
CN113740671A (zh) | 一种基于vmd和elm的故障电弧识别方法 | |
CN115293303B (zh) | 一种高压输电线网监测方法、***、设备和介质 | |
CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
CN114397521A (zh) | 一种针对电子设备的故障诊断方法及*** |
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 |