CN116930666A - 一种低压成套开关柜智能诊断***及其诊断方法 - Google Patents
一种低压成套开关柜智能诊断***及其诊断方法 Download PDFInfo
- Publication number
- CN116930666A CN116930666A CN202311188202.9A CN202311188202A CN116930666A CN 116930666 A CN116930666 A CN 116930666A CN 202311188202 A CN202311188202 A CN 202311188202A CN 116930666 A CN116930666 A CN 116930666A
- Authority
- CN
- China
- Prior art keywords
- low
- switch cabinet
- complete switch
- state
- voltage complete
- 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 114
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 43
- 238000012544 monitoring process Methods 0.000 claims abstract description 27
- 230000009467 reduction Effects 0.000 claims abstract description 25
- 238000012423 maintenance Methods 0.000 claims abstract description 19
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 41
- 230000007547 defect Effects 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 21
- 239000000523 sample Substances 0.000 claims description 20
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 14
- 238000007500 overflow downdraw method Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24317—Piecewise classification, i.e. whereby each classification requires several discriminant rules
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02B—BOARDS, SUBSTATIONS OR SWITCHING ARRANGEMENTS FOR THE SUPPLY OR DISTRIBUTION OF ELECTRIC POWER
- H02B1/00—Frameworks, boards, panels, desks, casings; Details of substations or switching arrangements
- H02B1/26—Casings; Parts thereof or accessories therefor
- H02B1/30—Cabinet-type casings; Parts thereof or accessories therefor
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明涉及低压成套开关柜技术领域,公开了一种低压成套开关柜智能诊断***及其诊断方法,该***包括数据采集模块、降维处理模块、状态诊断模块和状态告警模块,接收低压成套开关柜的数据采集信号,将所述数据采集信号转化成标准信号,根据所述标准信号采集低压成套开关柜的监测数据;采用主成分分析法对监测数据进行降维处理,得到低压成套开关柜的特征数据;利用预先训练得到设备诊断模型,对低压成套开关柜的特征数据进行处理,得到对应的低压成套开关柜的状态诊断结果;根据状态诊断结果给出低压成套开关柜的状态检修建议,进行低压成套开关柜的状态告警处理;本发明对低压成套开关柜状态诊断分析,并针对具体状态进行及时且准确地告警。
Description
技术领域
本发明涉及低压成套开关柜技术领域,具体涉及一种低压成套开关柜智能诊断***及其诊断方法。
背景技术
开关柜是一种电气设备,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。开关柜的主要作用是在电力***进行发电、输电、配电和电能转换的过程中,进行开合、控制和保护用电设备。开关柜内的部件主要有断路器、隔离开关、负荷开关、操作机构、互感器以及各种保护装置等组成。开关柜的分类方法很多,如通过断路器安装方式可以分为移开式开关柜和固定式开关柜;或按照柜体结构的不同,可分为敞开式开关柜、金属封闭开关柜、和金属封闭铠装式开关柜;根据电压等级不同又可分为高压开关柜,中压开关柜和低压开关柜等。主要适用于发电厂、变电站、石油化工、冶金轧钢、轻工纺织、厂矿企业和住宅小区、高层建筑等各种不同场合。低压成套开关柜就是接低压线缆的设备,一般供电局、变电所都是用高压柜,然后经变压器降压再到低压柜,低压柜再到各个用电的配电箱,将开关断路器之类保护器件组装成一体的电气设备。当前低压开关柜状态诊断标准统一固定,不能根据具体情况对低压开关柜进行诊断及告警,因此导致低压开关柜状态诊断和告警不够准确。
发明内容
本发明的目的是为了解决上述问题,设计了一种低压成套开关柜智能诊断***及其诊断方法。
本发明第一方面提供一种低压成套开关柜智能诊断***,该***包括数据采集模块、降维处理模块、状态诊断模块和状态告警模块,其中,数据采集模块,用于接收低压成套开关柜的数据采集信号,将所述数据采集信号转化成标准信号,根据所述标准信号采集低压成套开关柜的监测数据;
降维处理模块,用于采用主成分分析法对所述监测数据进行降维处理,得到低压成套开关柜的特征数据;
状态诊断模块,用于利用预先训练得到设备诊断模型,对低压成套开关柜的特征数据进行处理,得到对应的低压成套开关柜的状态诊断结果;
状态告警模块,用于根据所述状态诊断结果给出低压成套开关柜的状态检修建议,以进行低压成套开关柜的状态告警处理。
可选的,在本发明第一方面的第一种实现方式中,所述降维处理模块包括第一构建子模块、第一计算子模块、第二计算子模块和排序子模块,其中,第一构建子模块,用于构建权重矩阵,对所述权重矩阵进行标准化处理,得到标准化矩阵,根据所述标准化矩阵计算得到相关系数矩阵;
第一计算子模块,用于根据所述相关系数矩阵计算特征值和特征向量,并根据所述特征值和特征向量计算主成分的方差贡献率和累计方差贡献率;
第二计算子模块,用于响应于所述特征值和所述累计方差贡献率,以每个主成分对应的特征值占主成分总的特征值之和的比例作为权重计算综合主成分得分评估值;
排序子模块,用于根据所述综合主成分得分评估值对所述监测数据进行排序和评价,得到低压成套开关柜的特征数据。
可选的,在本发明第一方面的第二种实现方式中,所述状态诊断模块包括输入子模块和输出子模块,其中,输入子模块,用于将所述低压成套开关柜的特征数据输入设备诊断模型中,对所述低压成套开关柜的特征数据中特征提取筛选;
输出子模块,用于将得到的特征传输至所述设备诊断模型的全连接层,以对低压成套开关柜的状态进行分类,输出状态诊断结果。
可选的,在本发明第一方面的第三种实现方式中,所述设备诊断模型的训练过程包括以下步骤:
获取低压成套开关柜的历史数据,对所述历史数据进行分类和贴标签预处理,得到样本数据集;
将所述样本数据集划分为源域数据和目标域数据;
利用所述源域数据对初始网络模型进行训练,搭建双层Bi-LSTM并融合Attention机制对历史数据特征的提取筛选,连接全连接层完成状态分类,得到训练模型;
利用目标域数据对所述训练模型进行参数调整,对于全连接层根据不 同目标域数据下的类别进行调整输出;
调整完的模型完成目标域数据的状态诊断及分类,并对模型诊断效果进行评估,最终得到设备诊断模型。
可选的,在本发明第一方面的第四种实现方式中,所述状态告警模块包括第一建立子模块、第二建立子模块、第二构建子模块、诊断子模块和生成子模块,其中,第一建立子模块,用于根据所述状态诊断结果建立状态缺陷识别框架;
第二建立子模块,用于分别采用强分类基学习器和弱分类基学习器建立所述状态缺陷识别框架的可信度函数;
第二构建子模块,用于对不同可信度函数采用放缩权重DS证据融合法构建概率融合矩阵;
诊断子模块,用于通过Bagging投票机制对所述强分类基学习器和弱分类基学习器、DS证据融合法的输出结果开展集成式诊断,并生成低压成套开关柜的状态检修建议;
生成子模块,用于根据低压成套开关柜的状态检修建议生成对应的状态告警信息,其中所述状态告警信息至少包括低压成套开关柜的状态诊断结果和状态检修建议。
可选的,在本发明第一方面的第五种实现方式中,所述弱分类基学习器训练过程包括以下步骤:
构建训练样本集,初始化所述训练样本集中训练样本的权重分布,其中所述训练样本中至少包括缺陷特征和缺陷类别标签;
基于所述训练样本集循环训练弱分类器,其中所述弱分类器基于AdaBoost算法和分类回归树构建得到;
选取其中一个缺陷特征,并计算该缺陷特征对应的弱分类器误差为判别函数;
根据所述判别函数,更新并调整训练样本的权重分布;
将所有弱分类器线性组合输出最终分类结果,根据所述最终分类结果构建弱分类基学习器。
可选的,在本发明第一方面的第六种实现方式中,所述监测数据至少包括通过电流互感器采集低压成套开关柜的电流数据、通过温度探头采集低压成套开关柜的温度数据。
本发明第二方面提供了一种低压成套开关柜智能诊断方法,该方法包括以下步骤:
接收低压成套开关柜的数据采集信号,将所述数据采集信号转化成标准信号,根据所述标准信号采集低压成套开关柜的监测数据;
采用主成分分析法对所述监测数据进行降维处理,得到低压成套开关柜的特征数据;
利用预先训练得到设备诊断模型,对低压成套开关柜的特征数据进行处理,得到对应的低压成套开关柜的状态诊断结果;
根据所述状态诊断结果给出低压成套开关柜的状态检修建议,以进行低压成套开关柜的状态告警处理。
可选的,在本发明第二方面的第一种实现方式中,所述采用主成分分析法对所述监测数据进行降维处理,得到低压成套开关柜的特征数据,包括:
构建权重矩阵,对所述权重矩阵进行标准化处理,得到标准化矩阵,根据所述标准化矩阵计算得到相关系数矩阵;
根据所述相关系数矩阵计算特征值和特征向量,并根据所述特征值和特征向量计算主成分的方差贡献率和累计方差贡献率;
响应于所述特征值和所述累计方差贡献率,以每个主成分对应的特征值占主成分总的特征值之和的比例作为权重计算综合主成分得分评估值;
根据所述综合主成分得分评估值对所述监测数据进行排序和评价,得到低压成套开关柜的特征数据。
可选的,在本发明第二方面的第二种实现方式中,所述根据所述状态诊断结果给出低压成套开关柜的状态检修建议,以进行低压成套开关柜的状态告警处理,包括:
根据所述状态诊断结果建立状态缺陷识别框架;
分别采用强分类基学习器和弱分类基学习器建立所述状态缺陷识别框架的可信度函数;
对不同可信度函数采用放缩权重DS证据融合法构建概率融合矩阵;
通过Bagging投票机制对所述强分类基学习器和弱分类基学习器、DS证据融合法的输出结果开展集成式诊断,并生成低压成套开关柜的状态检修建议;
根据低压成套开关柜的状态检修建议生成对应的状态告警信息,其中所述状态告警信息至少包括低压成套开关柜的状态诊断结果和状态检修建议。
本发明提供的技术方案中,通过接收低压成套开关柜的数据采集信号,将所述数据采集信号转化成标准信号,根据所述标准信号采集低压成套开关柜的监测数据;采用主成分分析法对所述监测数据进行降维处理,得到低压成套开关柜的特征数据;利用预先训练得到设备诊断模型,对低压成套开关柜的特征数据进行处理,得到对应的低压成套开关柜的状态诊断结果;根据所述状态诊断结果给出低压成套开关柜的状态检修建议,以进行低压成套开关柜的状态告警处理;本发明对低压成套开关柜状态诊断分析,并针对具体状态进行及时且准确地告警,确保低压成套开关柜的运行稳定,显著提升低压成套开关柜的工作质量。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。
图1为本发明实施例提供的低压成套开关柜智能诊断***的一种结构示意图;
图2为本发明实施例提供的低压成套开关柜智能诊断***的另一种结构示意图;
图3为本发明实施例提供的低压成套开关柜智能诊断方法的实施例示意图。
具体实施方式
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”、“第三”、“第四”等(如果存在)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,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,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、设备、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。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1本发明实施例提供的低压成套开关柜智能诊断***的第一个实施例示意图,该***包括数据采集模块、降维处理模块、状态诊断模块和状态告警模块,其中,数据采集模块101,用于接收低压成套开关柜的数据采集信号,将数据采集信号转化成标准信号,根据标准信号采集低压成套开关柜的监测数据;
降维处理模块102,用于采用主成分分析法对监测数据进行降维处理,得到低压成套开关柜的特征数据;
状态诊断模块103,用于利用预先训练得到设备诊断模型,对低压成套开关柜的特征数据进行处理,得到对应的低压成套开关柜的状态诊断结果;
状态告警模块104,用于根据状态诊断结果给出低压成套开关柜的状态检修建议,以进行低压成套开关柜的状态告警处理。
请参阅图2,本发明实施例提供的低压成套开关柜智能诊断***的第二个实施例示意图,该***包括数据采集模块、降维处理模块、状态诊断模块和状态告警模块;
本实施例中,降维处理模块102包括第一构建子模块、第一计算子模块、第二计算子模块和排序子模块,其中,第一构建子模块1021,用于构建权重矩阵,对权重矩阵进行标准化处理,得到标准化矩阵,根据标准化矩阵计算得到相关系数矩阵;
第一计算子模块1022,用于根据相关系数矩阵计算特征值和特征向量,并根据特征值和特征向量计算主成分的方差贡献率和累计方差贡献率;
第二计算子模块1023,用于响应于特征值和累计方差贡献率,以每个主成分对应的特征值占主成分总的特征值之和的比例作为权重计算综合主成分得分评估值;
排序子模块1024,用于根据综合主成分得分评估值对监测数据进行排序和评价,得到低压成套开关柜的特征数据。
本实施例中,状态诊断模块包括输入子模块和输出子模块,其中,输入子模块1031,用于将低压成套开关柜的特征数据输入设备诊断模型中,对低压成套开关柜的特征数据中特征提取筛选;
输出子模块1032,用于将得到的特征传输至设备诊断模型的全连接层,以对低压成套开关柜的状态进行分类,输出状态诊断结果。
本实施例中,状态告警模块包括第一建立子模块、第二建立子模块、第二构建子模块、诊断子模块和生成子模块,其中,第一建立子模块1041,用于根据状态诊断结果建立状态缺陷识别框架;
第二建立子模块1042,用于分别采用强分类基学习器和弱分类基学习器建立状态缺陷识别框架的可信度函数;
第二构建子模块1043,用于对不同可信度函数采用放缩权重DS证据融合法构建概率融合矩阵;
诊断子模块1044,用于通过Bagging投票机制对强分类基学习器和弱分类基学习器、DS证据融合法的输出结果开展集成式诊断,并生成低压成套开关柜的状态检修建议;
生成子模块1045,用于根据低压成套开关柜的状态检修建议生成对应的状态告警信息,其中状态告警信息至少包括低压成套开关柜的状态诊断结果和状态检修建议。
通过上述方案的实施,通过数据采集模块、降维处理模块、状态诊断模块和状态告警模块,对低压成套开关柜状态诊断分析,并针对具体状态进行及时且准确地告警,确保低压成套开关柜的运行稳定,显著提升低压成套开关柜的工作质量。
请参阅图3,本发明实施例提供的低压成套开关柜智能诊断方法的实施例示意图,该方法包括以下步骤:
步骤301、接收低压成套开关柜的数据采集信号,将数据采集信号转化成标准信号,根据标准信号采集低压成套开关柜的监测数据;
本实施例中,监测数据至少包括通过电流互感器采集低压成套开关柜的电流数据、通过温度探头采集低压成套开关柜的温度数据。
步骤302、采用主成分分析法对监测数据进行降维处理,得到低压成套开关柜的特征数据;
本实施例中,构建权重矩阵,对权重矩阵进行标准化处理,得到标准化矩阵,根据标准化矩阵计算得到相关系数矩阵;根据相关系数矩阵计算特征值和特征向量,并根据特征值和特征向量计算主成分的方差贡献率和累计方差贡献率;响应于特征值和累计方差贡献率,以每个主成分对应的特征值占主成分总的特征值之和的比例作为权重计算综合主成分得分评估值;根据综合主成分得分评估值对监测数据进行排序和评价,得到低压成套开关柜的特征数据。
本实施例中,主成分分析是一种降维算法,它能将多个指标转换为少数几个主成分,这些主成分是原始变量的线性组合,且彼此之间互不相关,其能反映出原始数据的大部分信息。降维是将高维度的数据保留下最重要的一些特征,去除噪声和不重要的特征,从而实现提升数据处理速度的目的。在实际的生产和应用中,降维在一定的信息损失范围内,可以节省大量的时间和成本。降维使得数据集更易使用、.降低算法的计算开销、去除噪、使得结果容易理解。
步骤303、利用预先训练得到设备诊断模型,对低压成套开关柜的特征数据进行处理,得到对应的低压成套开关柜的状态诊断结果;
本实施例中,设备诊断模型的训练过程包括以下步骤:获取低压成套开关柜的历史数据,对历史数据进行分类和贴标签预处理,得到样本数据集;将样本数据集划分为源域数据和目标域数据;利用源域数据对初始网络模型进行训练,搭建双层Bi-LSTM并融合Attention机制对历史数据特征的提取筛选,连接全连接层完成状态分类,得到训练模型;利用目标域数据对训练模型进行参数调整,对于全连接层根据不 同目标域数据下的类别进行调整输出;调整完的模型完成目标域数据的状态诊断及分类,并对模型诊断效果进行评估,最终得到设备诊断模型。
本实施例中,Bi-LSTM为双向长短时记忆,在LSTM的基础上,结合了输入序列在前向和后向两个方向上的信息。对于t时刻的输出,前向LSTM层具有输入序列中t时刻以及之前时刻的信息,而后向LSTM层中具有输入序列中t时刻以及之后时刻的信息。前向LSTM层t时刻的输出记作,后向LSTM层t时刻的输出结果记作,两个LSTM层输出的向量可以使用相加、平均值或连接等方式进行处理;双向长短时记忆网络是长短期记忆网络一种变体 形式,在前向和后向两个方向上使用两个独立的隐藏 层处理时间序列数据,充分利用过去与将来的信息, 有效解决LSTM只能单向处理数据的问题。
本实施例中,Attention机制是人类大脑长期进化所特有的一种信息处理机制,核心思想为从大量信息中快速关注重要信息而减少对其他信息的关注。注意力机制本质正是借鉴此方式,根据特征信息对最终目标影响程度赋予不同权重,而快速准确实现时间序列的预测精度;Attention机制工作过程分为三步:首先将查询与各个键进行相似相关性计算得到权重系数;第二步使用Softmax函数对上述权重系数进行标准归一化;最后将权重与对应值进行加权求和。
步骤304、根据状态诊断结果给出低压成套开关柜的状态检修建议,以进行低压成套开关柜的状态告警处理。
本实施例中,根据状态诊断结果建立状态缺陷识别框架;分别采用强分类基学习器和弱分类基学习器建立状态缺陷识别框架的可信度函数;对不同可信度函数采用放缩权重DS证据融合法构建概率融合矩阵;通过Bagging投票机制对强分类基学习器和弱分类基学习器、DS证据融合法的输出结果开展集成式诊断,并生成低压成套开关柜的状态检修建议;根据低压成套开关柜的状态检修建议生成对应的状态告警信息,其中状态告警信息至少包括低压成套开关柜的状态诊断结果和状态检修建议。
本实施例中,Bagging投票法是一种遵循少数服从多数原则的集成学习模型,通过多个模型的集成降低方差,从而提高模型的鲁棒性。
本实施例中,DS证据融合法理论的核心是在一个假设空间内,通过对某些证据进行合成以实现信息融合;推理出有用的事实;DS证据融合法具体包括:依据低压成套开关柜状态信息息建立识别框架,识别框架中所有元素两两互斥;若存在概率分配函数将识别框架映射至[0,1]区间中,基于概率分配函数建立数据样本集的证据矩阵;引 入放缩函数弱化证据矩阵强冲突数据信息。
本实施例中,弱分类基学习器训练过程包括以下步骤:构建训练样本集,初始化训练样本集中训练样本的权重分布,其中训练样本中至少包括缺陷特征和缺陷类别标签;基于训练样本集循环训练弱分类器,其中弱分类器基于AdaBoost算法和分类回归树构建得到;选取其中一个缺陷特征,并计算该缺陷特征对应的弱分类器误差为判别函数;根据判别函数,更新并调整训练样本的权重分布;将所有弱分类器线性组合输出最终分类结果,根据最终分类结果构建弱分类基学习器。
本实施例中,AdaBoost是自适应增强算法,在AdaBoost中,每个弱分类器都是针对某个特定的特征进行训练的,每次迭代中,AdaBoost会根据上一轮分类结果的准确度来调整每个样本的权重,对于分类错误的样本,其权重会被提高,这样下一轮训练时,分类器将更加关注这些难以分类的样本。通过迭代不断提高这些难以分类的样本的权重,AdaBoost最终能够得到一个强分类器,它能够比单个弱分类器更好地处理复杂的分类问题。
本发明实施例中,通过接收低压成套开关柜的数据采集信号,将数据采集信号转化成标准信号,根据标准信号采集低压成套开关柜的监测数据;采用主成分分析法对监测数据进行降维处理,得到低压成套开关柜的特征数据;利用预先训练得到设备诊断模型,对低压成套开关柜的特征数据进行处理,得到对应的低压成套开关柜的状态诊断结果;根据状态诊断结果给出低压成套开关柜的状态检修建议,以进行低压成套开关柜的状态告警处理;本发明对低压成套开关柜状态诊断分析,并针对具体状态进行及时且准确地告警,确保低压成套开关柜的运行稳定,显著提升低压成套开关柜的工作质量。
以上显示和描述了本发明的基本原理、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仅为本发明的优选例,并不用来限制本发明,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 (10)
1.一种低压成套开关柜智能诊断***,其特征在于,该***包括数据采集模块、降维处理模块、状态诊断模块和状态告警模块,其中,数据采集模块,用于接收低压成套开关柜的数据采集信号,将所述数据采集信号转化成标准信号,根据所述标准信号采集低压成套开关柜的监测数据;
降维处理模块,用于采用主成分分析法对所述监测数据进行降维处理,得到低压成套开关柜的特征数据;
状态诊断模块,用于利用预先训练得到设备诊断模型,对低压成套开关柜的特征数据进行处理,得到对应的低压成套开关柜的状态诊断结果;
状态告警模块,用于根据所述状态诊断结果给出低压成套开关柜的状态检修建议,以进行低压成套开关柜的状态告警处理。
2.如权利要求1所述的一种低压成套开关柜智能诊断***,其特征在于,所述降维处理模块包括第一构建子模块、第一计算子模块、第二计算子模块和排序子模块,其中,第一构建子模块,用于构建权重矩阵,对所述权重矩阵进行标准化处理,得到标准化矩阵,根据所述标准化矩阵计算得到相关系数矩阵;
第一计算子模块,用于根据所述相关系数矩阵计算特征值和特征向量,并根据所述特征值和特征向量计算主成分的方差贡献率和累计方差贡献率;
第二计算子模块,用于响应于所述特征值和所述累计方差贡献率,以每个主成分对应的特征值占主成分总的特征值之和的比例作为权重计算综合主成分得分评估值;
排序子模块,用于根据所述综合主成分得分评估值对所述监测数据进行排序和评价,得到低压成套开关柜的特征数据。
3.如权利要求1所述的一种低压成套开关柜智能诊断***,其特征在于,所述状态诊断模块包括输入子模块和输出子模块,其中,输入子模块,用于将所述低压成套开关柜的特征数据输入设备诊断模型中,对所述低压成套开关柜的特征数据中特征提取筛选;
输出子模块,用于将得到的特征传输至所述设备诊断模型的全连接层,以对低压成套开关柜的状态进行分类,输出状态诊断结果。
4.如权利要求1所述的一种低压成套开关柜智能诊断***,其特征在于,所述设备诊断模型的训练过程包括以下步骤:
获取低压成套开关柜的历史数据,对所述历史数据进行分类和贴标签预处理,得到样本数据集;
将所述样本数据集划分为源域数据和目标域数据;
利用所述源域数据对初始网络模型进行训练,搭建双层Bi-LSTM并融合Attention机制对历史数据特征的提取筛选,连接全连接层完成状态分类,得到训练模型;
利用目标域数据对所述训练模型进行参数调整,对于全连接层根据不 同目标域数据下的类别进行调整输出;
调整完的模型完成目标域数据的状态诊断及分类,并对模型诊断效果进行评估,最终得到设备诊断模型。
5.如权利要求1所述的一种低压成套开关柜智能诊断***,其特征在于,所述状态告警模块包括第一建立子模块、第二建立子模块、第二构建子模块、诊断子模块和生成子模块,其中,第一建立子模块,用于根据所述状态诊断结果建立状态缺陷识别框架;
第二建立子模块,用于分别采用强分类基学习器和弱分类基学习器建立所述状态缺陷识别框架的可信度函数;
第二构建子模块,用于对不同可信度函数采用放缩权重DS证据融合法构建概率融合矩阵;
诊断子模块,用于通过Bagging投票机制对所述强分类基学习器和弱分类基学习器、DS证据融合法的输出结果开展集成式诊断,并生成低压成套开关柜的状态检修建议;
生成子模块,用于根据低压成套开关柜的状态检修建议生成对应的状态告警信息,其中所述状态告警信息至少包括低压成套开关柜的状态诊断结果和状态检修建议。
6.如权利要求5所述的一种低压成套开关柜智能诊断***,其特征在于,所述弱分类基学习器训练过程包括以下步骤:
构建训练样本集,初始化所述训练样本集中训练样本的权重分布,其中所述训练样本中至少包括缺陷特征和缺陷类别标签;
基于所述训练样本集循环训练弱分类器,其中所述弱分类器基于AdaBoost算法和分类回归树构建得到;
选取其中一个缺陷特征,并计算该缺陷特征对应的弱分类器误差为判别函数;
根据所述判别函数,更新并调整训练样本的权重分布;
将所有弱分类器线性组合输出最终分类结果,根据所述最终分类结果构建弱分类基学习器。
7.如权利要求1所述的一种低压成套开关柜智能诊断***,其特征在于,所述监测数据至少包括通过电流互感器采集低压成套开关柜的电流数据、通过温度探头采集低压成套开关柜的温度数据。
8.一种低压成套开关柜智能诊断方法,其特征在于,该方法包括以下步骤:
接收低压成套开关柜的数据采集信号,将所述数据采集信号转化成标准信号,根据所述标准信号采集低压成套开关柜的监测数据;
采用主成分分析法对所述监测数据进行降维处理,得到低压成套开关柜的特征数据;
利用预先训练得到设备诊断模型,对低压成套开关柜的特征数据进行处理,得到对应的低压成套开关柜的状态诊断结果;
根据所述状态诊断结果给出低压成套开关柜的状态检修建议,以进行低压成套开关柜的状态告警处理。
9.如权利要求8所述的一种低压成套开关柜智能诊断方法,其特征在于,所述采用主成分分析法对所述监测数据进行降维处理,得到低压成套开关柜的特征数据,包括:
构建权重矩阵,对所述权重矩阵进行标准化处理,得到标准化矩阵,根据所述标准化矩阵计算得到相关系数矩阵;
根据所述相关系数矩阵计算特征值和特征向量,并根据所述特征值和特征向量计算主成分的方差贡献率和累计方差贡献率;
响应于所述特征值和所述累计方差贡献率,以每个主成分对应的特征值占主成分总的特征值之和的比例作为权重计算综合主成分得分评估值;
根据所述综合主成分得分评估值对所述监测数据进行排序和评价,得到低压成套开关柜的特征数据。
10.如权利要求8所述的一种低压成套开关柜智能诊断方法,其特征在于,所述根据所述状态诊断结果给出低压成套开关柜的状态检修建议,以进行低压成套开关柜的状态告警处理,包括:
根据所述状态诊断结果建立状态缺陷识别框架;
分别采用强分类基学习器和弱分类基学习器建立所述状态缺陷识别框架的可信度函数;
对不同可信度函数采用放缩权重DS证据融合法构建概率融合矩阵;
通过Bagging投票机制对所述强分类基学习器和弱分类基学习器、DS证据融合法的输出结果开展集成式诊断,并生成低压成套开关柜的状态检修建议;
根据低压成套开关柜的状态检修建议生成对应的状态告警信息,其中所述状态告警信息至少包括低压成套开关柜的状态诊断结果和状态检修建议。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311188202.9A CN116930666A (zh) | 2023-09-15 | 2023-09-15 | 一种低压成套开关柜智能诊断***及其诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311188202.9A CN116930666A (zh) | 2023-09-15 | 2023-09-15 | 一种低压成套开关柜智能诊断***及其诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116930666A true CN116930666A (zh) | 2023-10-24 |
Family
ID=88386404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311188202.9A Pending CN116930666A (zh) | 2023-09-15 | 2023-09-15 | 一种低压成套开关柜智能诊断***及其诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116930666A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846591A (zh) * | 2018-07-11 | 2018-11-20 | 国网重庆市电力公司万州供电分公司 | 一种变电站开关柜多运行状态智能监测***及评估方法 |
CN109444682A (zh) * | 2018-11-02 | 2019-03-08 | 国网四川省电力公司广安供电公司 | 基于多信息融合的开关柜局部放电诊断***的构建方法 |
CN110084504A (zh) * | 2019-04-22 | 2019-08-02 | 中国南方电网有限责任公司 | 基于主成分分析法的电厂综合考核方法 |
CN110244204A (zh) * | 2019-06-27 | 2019-09-17 | 国网湖南省电力有限公司 | 一种多特征值的开关柜故障诊断方法、***及介质 |
CN113297922A (zh) * | 2021-04-30 | 2021-08-24 | 广西电网有限责任公司电力科学研究院 | 一种高压开关柜故障诊断方法、装置及存储介质 |
CN113887750A (zh) * | 2021-08-23 | 2022-01-04 | 浙江华云电力工程设计咨询有限公司 | 一种基于改进长短期记忆网络的开关柜状态评价方法 |
WO2022175767A1 (en) * | 2021-02-21 | 2022-08-25 | Bahmanpour Sareh | Equipment fault detection system using artificial intelligence(icms) |
CN115270983A (zh) * | 2022-08-08 | 2022-11-01 | 华北电力大学(保定) | 一种基于AdaBoost-RBF算法的开关柜故障预测方法 |
CN116610998A (zh) * | 2023-05-24 | 2023-08-18 | 武汉恒达电气有限公司 | 一种基于多模态数据融合的开关柜故障诊断方法和*** |
-
2023
- 2023-09-15 CN CN202311188202.9A patent/CN116930666A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846591A (zh) * | 2018-07-11 | 2018-11-20 | 国网重庆市电力公司万州供电分公司 | 一种变电站开关柜多运行状态智能监测***及评估方法 |
CN109444682A (zh) * | 2018-11-02 | 2019-03-08 | 国网四川省电力公司广安供电公司 | 基于多信息融合的开关柜局部放电诊断***的构建方法 |
CN110084504A (zh) * | 2019-04-22 | 2019-08-02 | 中国南方电网有限责任公司 | 基于主成分分析法的电厂综合考核方法 |
CN110244204A (zh) * | 2019-06-27 | 2019-09-17 | 国网湖南省电力有限公司 | 一种多特征值的开关柜故障诊断方法、***及介质 |
WO2022175767A1 (en) * | 2021-02-21 | 2022-08-25 | Bahmanpour Sareh | Equipment fault detection system using artificial intelligence(icms) |
CN113297922A (zh) * | 2021-04-30 | 2021-08-24 | 广西电网有限责任公司电力科学研究院 | 一种高压开关柜故障诊断方法、装置及存储介质 |
CN113887750A (zh) * | 2021-08-23 | 2022-01-04 | 浙江华云电力工程设计咨询有限公司 | 一种基于改进长短期记忆网络的开关柜状态评价方法 |
CN115270983A (zh) * | 2022-08-08 | 2022-11-01 | 华北电力大学(保定) | 一种基于AdaBoost-RBF算法的开关柜故障预测方法 |
CN116610998A (zh) * | 2023-05-24 | 2023-08-18 | 武汉恒达电气有限公司 | 一种基于多模态数据融合的开关柜故障诊断方法和*** |
Non-Patent Citations (5)
Title |
---|
冯英 等: "基于多层融合振动数据分析的 GIS 设备机械缺陷诊断方法研究", 中国电机工程学报, pages 3 * |
林越奇 等: "基于层次分析的主成分分析法在民船征用中的应用", 国防交通工程与技术, vol. 21, no. 4, pages 8 * |
洪新军: "《大数据挖掘及分析研究》", 北京工业大学出版社, pages: 148 - 151 * |
王雷 等: "基于BiLSTM-Attention的迁移学习变工况故障识别方法研究", 电子测量与仪器学报, vol. 37, no. 7, pages 207 - 208 * |
陈模盛 等: "基于LPWAN多源信息融合的高压开关柜智能监测与故障诊断***", 智慧电力, vol. 48, no. 8, pages 99 - 100 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
CN113156917B (zh) | 基于人工智能的电网设备故障诊断方法及*** | |
CN116683648B (zh) | 一种智能型配电柜及其控制*** | |
CN105891707A (zh) | 一种基于振动信号的万能式断路器分合闸故障诊断方法 | |
CN111598166B (zh) | 基于主分量分析和Softmax函数的单相接地故障分类方法和*** | |
CN110702966B (zh) | 一种基于概率神经网络的故障电弧检测方法、装置及*** | |
CN114676742A (zh) | 一种基于注意力机制和残差网络的电网异常用电检测方法 | |
CN114325395A (zh) | 一种电池状态的确定方法及装置 | |
CN111476299A (zh) | 一种改进型卷积神经网络及基于其的电网智能告警*** | |
CN111160626A (zh) | 一种基于分解融合的电力负荷时间序列控制方法 | |
CN114091549A (zh) | 一种基于深度残差网络的设备故障诊断方法 | |
CN116050888A (zh) | 应用于智能高压开关柜传感器健康状态评估的方法 | |
CN115932561A (zh) | 一种基于声纹识别的高压断路器机械故障在线诊断方法 | |
Kanwal et al. | Artificial intelligence based faults identification, classification, and localization techniques in transmission lines-a review | |
CN114062812A (zh) | 一种计量柜故障诊断方法及*** | |
Zhang et al. | Vibration signal-based defect detection method for railway signal relay using parameter-optimized VMD and ensemble feature selection | |
Wang et al. | Fault diagnosis method of disconnector based on CNN and DS evidence theory | |
CN117113243B (zh) | 一种光伏设备异常检测方法 | |
CN116930666A (zh) | 一种低压成套开关柜智能诊断***及其诊断方法 | |
Choong et al. | Advances in signal processing and artificial intelligence technologies in the classification of power quality events: a survey | |
CN113536607A (zh) | 一种变电站信号传输***评估方法及*** | |
Moradzadeh et al. | Image processing-based data integrity attack detection in dynamic line rating forecasting applications | |
CN113808071A (zh) | 基于深度学习的非侵入式负荷监测方法和*** | |
Gong et al. | State detection method of secondary equipment in smart substation based on deep belief network and trend prediction | |
Guo et al. | Multi-Source Ensemble Learning With Acoustic Spectrum Analysis for Fault Perception of Direct-Buried Transformer Substations |
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 |