CN117218495A - 一种电表箱的风险检测方法及*** - Google Patents
一种电表箱的风险检测方法及*** Download PDFInfo
- Publication number
- CN117218495A CN117218495A CN202311286205.6A CN202311286205A CN117218495A CN 117218495 A CN117218495 A CN 117218495A CN 202311286205 A CN202311286205 A CN 202311286205A CN 117218495 A CN117218495 A CN 117218495A
- Authority
- CN
- China
- Prior art keywords
- risk
- parameter
- information
- judgment
- electric meter
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 74
- 230000007613 environmental effect Effects 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 11
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 238000003915 air pollution Methods 0.000 claims description 5
- 239000000428 dust Substances 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 10
- 239000000284 extract Substances 0.000 description 6
- 230000000630 rising effect Effects 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Classifications
-
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电表箱的风险检测方法及***,涉及电力设施维护领域,包括获取影响电表箱正常运行的各类参数信息,将各类参数信息分别输入至第一、二类联合关系判断模型和电表箱风险初级判断模型,输出第一、二类关联因子变化状态判定参数对象信息和初级预测风险参数判断对象信息,将第一类、第二类关联因子变化状态判定参数对象信息输入至第三类联合影响指数判断模型,输出第三类影响指数判定参数对象信息,将该信息和采集正常运行状态下的运行参数信息输入至电表箱风险终级判断模型,输出终级预测风险参数判断对象信息,判断电表箱的风险状况并匹配预测风险处理方案。本发明提供的一种电表箱的风险检测方法及***,对风险进行提取预测及预警。
Description
技术领域
本发明涉及电力设施维护领域,尤其涉及一种电表箱的风险检测方法及***。
背景技术
电表箱是集中安装电表、开关、导线等设备的基础设施,其在电力的输送、计量以及电表集中控制管理中发挥重要作用。单电表箱内部体积较小,所处环境较为复杂,故需对电表箱内的可能存在的安全隐患进行及时预测。
传统技术中,主要采用的是人工巡检的方式对电表箱所处的环境进行检测,然而,电表箱内部环境较为复杂,传统的人工巡检方式难以适应电表箱内部的动态环境,使得检测工作效率较低,且具有一定的滞后性,因此,设计一种用于电表箱风险检测的合理方案是十分必要的。
发明内容
为了克服上述现有技术的不足,本申请提供一种电表箱的风险检测方法及***。
第一方面,本申请提供的一种电表箱的风险检测方法,所述方法包括:
获取每个循环检测间隔时段或每个循环检测间隔温度阶段内电表箱的影响电表箱正常运行的各类参数信息,将所述各类参数信息分别输入至第一、二类联合关系判断模型和电表箱风险初级判断模型,输出第一、二类关联因子变化状态判定参数对象信息和初级预测风险参数判断对象信息;
将所述第一类关联因子变化状态判定结果和第二类关联因子变化状态判定结果输入至第三类联合影响指数判断模型,输出第三类影响指数判定参数对象信息;
采集电表箱正常运行状态下的运行参数信息,将正常运行状态下的所述运行参数信息和第三类影响指数判定参数对象信息输入至电表箱风险终级判断模型,输出终级预测风险参数判断对象信息;
基于所述初级、终极预测风险参数判断对象信息,判断电表箱的风险状况,输出电表箱风险预测判定预警结果;
基于所述电表箱风险预测判定预警结果,匹配相应的预测风险处理方案,输出方案组比对选择实施处理信息。
通过采用上述技术方案,通过在所设定的每个间隔段内影响到电表箱运行的各类参数信息,并将所得的各类参数信息分别输入至所预设的第一、二类联合关系判断模型和电表箱风险初级判断模型,以便于得到三种不同的用于判定电表箱风险状况的参数对象信息,通过将所训练输出得到的第一、二类关联因子变化状态判定参数对象信息输入至第三类联合影响指数判断模型,以训练输出这两者参数之间相互影响之下的关联判定参数对象信息,再者将得出的第三类影响指数判定参数对象信息和正常运行状态下的运行参数信息同时输入至电表箱风险终级判断模型,以得到终级预测风险参数判断对象信息,通过对初级、终级预测风险参数判断对象信息进行一定的判断,以得知电表箱的风险状况,在做出及时预警的同时并匹配出相对应的处理方案信息,通过对多种类别的参数信息进行采集和各参数信息之间的关联性影响所训练得出的参数信息进行一定的分析和判断,扩大了对影响电表箱风险的数据分析的多样性和风险检测的及时性和提取预警效率。
优选的,获取电表箱所处环境温度变化速率,设定预设速率判定值,判断所述环境温度增长速率是否大于预设速率判定值,若是,输出循环检测间隔温度阶段,若否,输出循环检测间隔时段;
基于所述循环检测间隔温度阶段和循环检测间隔时段,获取每个循环检测间隔时段或每个循环检测间隔温度阶段内电表箱的影响电表箱正常运行的环境参数信息,环境参数信息包括环境温度、环境湿度和空气污染灰尘指度参数信息;
将所述环境参数信息进行数据过滤处理和依据时间逻辑的训练数据打包处理,输出可训练样本数据集;
将所述可训练样本数据集输入至第一类联合关系判断模型,所述第一类联合关系判断模型是循环神经网络得到的,输出第一类关联因子变化状态判定参数对象信息。
通过采用上述技术方案,通过首先对电表箱所处的环境温度信息进行一定上升速率的分析和判断,以便于在高温快速上升的条件下,可根据上升速率进行间断性的各类参数信息的采集,若速率较为正常,则可在间断性的时段内进行每时段的参数信息的采集,以提高信息采集的及时性,通过采集上述某类型间隔段内的影响电表箱正常运行的环境参数信息,将此类参数信息专门输入至一类模型中,以便于根据此类参数信息训练出影响电表箱风险的预测判定参数对象信息,将某一大类别信息中的小类别信息进行相互影响关联性的训练处理,通过对多种数据之间影响程度分析的多样性处理,以提高对数据信息判断结果的准确性。
优选的,获取每个循环检测间隔时段或每个循环检测间隔温度阶段内电表箱的影响电表箱正常运行的电表箱多类损坏的图像信息,所述图像信息包含电表箱各线路中出现有破损和颜色变化以及元器件外层损坏和电表箱壳体损坏的图像;
从所述图像信息中划分出训练样本图像信息,并将训练样本图像信息输入至第二类联合关系判断模型,第二类联合关系判断模型是由卷积神经网络得到的,输出第二类关联因子变化状态判定参数对象信息。
通过采用上述技术方案,通过采集上述某类型间隔段内的影响电表箱正常运行的电表箱多类损坏的图像信息,通过将多类损坏的图像信息输入至某一模型中,进行一定图像信息的处理,并分析出多类图像信息之间的关联性和对电表箱风险影响程度的关联性,并根据关联性训练出预测判定参数对象信息,通过对多种数据之间影响程度分析的多样性处理,以提高对数据信息判断结果的准确性。
优选的,获取每个循环检测间隔时段内电表箱的影响电表箱正常运行的电表箱的运行参数信息;
对所述运行参数信息进行可训练样本运行参数信息的筛选,并将筛选出的可训练样本运行参数信息输入至电表箱风险初级判断模型,电表箱风险初级判断模型是由循环神经网络得到的,输出初极预测风险参数判断对象信息。
通过采用上述技术方案,通过采集上述某类型间隔段内的影响电表箱正常运行的运行参数信息,即电表箱内部电路的运行参数信息,并将此运行参数信息输入至电表箱风险初级判断模型,根据模型对运行参数信息的训练得出预测判定参数对象信息,此信息是作为最终判断电表箱是否存在风险以及风险的类别的判定对象信息,是可较为简易判断出电表箱风险的其一判断对象信息。
优选的,将所述第一类关联因子变化状态判定参数对象信息和第二类关联因子变化状态判定参数对象信息进行可训练参数信息集的提取;
将所述参数信息集输入至第三类联合影响指数判断模型,第三类联合影响指数判断模型是由长短期记忆神经网络得到的,输出第三类影响指数判定参数对象信息。
优选的,采集并提取出正常运行状态下的可训练样本运行参数信息;
将所提取的所述正常运行状态下的可训练样本运行参数信息和第三类影响指数判定参数对象信息输入至电表箱风险终级判断模型,电表箱风险终级判断模型是由长短期记忆神经网络得到的,输出终级预测风险参数判断对象信息。
通过采用上述技术方案,通过采用上述技术方案,通过将所得出的第一、第二类关联因子变化状态判定参数对象信息中的可训练参数信息集输入至第三类联合影响指数判断模型,通过所将采集并提取出正常运行状态下的可训练样本运行参数信息同所得出的第三类影响指数判定参数对象信息输入电表箱风险终级判断模型,以便于根据二类参数对象信息之间的影响关联程度预测出判定参数对象信息,扩大了对多种数据的处理,对多样信息之间延展性关系的分析处理,提高对电表箱风险判定的可靠性以及所基于的数据信息分析判断的精确性。
优选的,基于所述初级、终级预测风险参数判断对象信息,从电表箱的历史风险运行参数信息中筛选出对应初级、终级预测风险参数判断对象信息的历史风险运行参数信息;
将所述历史风险运行参数信息与初级、终级预测风险参数判断对象信息进行求幅度差值处理,输出幅度差值预判断信息;
设定预设幅度差判定区间值,判断所述幅度差值预判断信息是否落在预设幅度差判定区间值,若是,输出电表箱正常运行判定结果,若否,输出电表箱风险预测判定预警结果。
通过采用上述技术方案,通过从电表箱的历史风险运行参数信息中筛选出与初级、终级预测风险参数判断对象信息中相对应类别属性的历史风险运行参数信息,以便于将所得出的两种预测判定对象信息进行基于所筛选出的历史风险运行参数信息的比对判断,即通过对所比对得出的幅度差值的判断,即可判定电表箱是否存在风险,并根据所判断的结果做出相应的预警信息,以便于及时对电表箱的风险预测结果和相应的数据信息进行及时性的通知。
优选的,基于所述电表箱风险预测判定结果,获取所筛选出的历史风险运行参数信息对应的历史处理方案信息组;
将所述历史处理方案信息组进行相似度高的方案步骤的拆分和重组,输出新式处理方案信息组;
并将所述历史处理方案信息组和新式处理方案信息组进行结果显示,输出方案组比对选择实施处理信息
通过采用上述技术方案,通过根据上述所筛选出的历史风险运行参数信息,从历史风险处理方案信息集中提取相对应的历史处理方案信息组,通过对历史处理方案信息组进行一定的相识度高且处理成功率高的部分方案处理步骤拆分和重组,以此提高对所预测出的电表箱风险可能出现的小差异变化进行相对应新式处理方案信息组的研究,以提高对电表箱风险处理的效率,通过将新式处理方案信息组和历史处理方案信息组进行对比性显示,以便于使得对信息差异性分析的直观性和可研究的延展性。
第二方面,一种电表箱的风险检测***,包括:
数据采集单元,用于获取每个所预设间隔段内电表箱的影响电表箱正常运行的各类参数信息和采集电表箱正常运行状态下的运行参数信息以及电表箱的历史风险运行参数信息;
数据处理单元,用于将上述的各类参数信息分别进行可训练参数信息的简单处理,并将处理后的参数信息分别输入至第一、二类联合关系判断模型和电表箱风险初级判断模型,并输出第一、二类关联因子变化状态判定参数对象信息和初级预测风险参数判断对象信息。
优选的,所述数据处理单元包括第一参数输入单元、第二参数输入单元和风险判断预警单元,第一参数输入单元,用于将上述的第一、第二类关联因子变化状态判定结果输入至第三类联合影响指数判断模型,以得到第三类影响指数判定参数对象信息;
第二参数输入单元,用于将正常运行状态下的运行参数信息和第三类影响指数判定参数对象信息输入至电表箱风险终级判断模型,以得到终级预测风险参数判断对象信息;
风险判断预警单元,用于将上述的初级预测风险参数判断对象信息和终级预测风险参数判断对象信息与相对应的历史风险运行参数信息进行参数幅度差值的判断,以确认电表箱的风险状况,并进行提前预警。
与现有技术相比,本发明具有以下特点和有益效果:
1.通过获取每个循环检测间隔时段或每个循环检测间隔温度阶段内电表箱的影响电表箱正常运行的各类参数信息,将所述各类参数信息分别输入至第一、二类联合关系判断模型和电表箱风险初级判断模型,以及将所得出的判定参数对象信息继续输入至不同的第三类联合影响指数判断模型和电表箱风险终级判断模型中,以便于对多种类别属性的参数信息进行不同的模型训练,即根据所分析出多种参数信息间的相互影响的关联性,训练出不同的预测判定参数对象信息,以扩大了多样性信息的分析,增强了后续对电表箱风险判定的准确性和信息分析判断的可靠性。
2.通过将上述所训练得出的初级、终极预测风险参数判断对象信息分别与电表箱的历史风险运行参数信息中与初级、终级预测风险参数判断对象信息的多种类别属性相对应的历史风险运行参数信息进行幅度差值的判断,以对电表箱风险存在与否进行判断并根据判断结果做出提前的预警通知,以提高了对电表箱风险预测的及时性和对电表箱风险做出相对应处理方案信息及时性实施的效率以及对新式处理方案的延展性研究。
附图说明
图1是本实施例主要体现的一种电表箱的风险检测方法及***的步骤框图。
图2是本实施例主要体现的S1子步骤的步骤框图。
图3是本实施例主要体现的S1004子步骤的步骤框图。
图4是本实施例主要体现的S1006子步骤的步骤框图。
图5是本实施例主要体现的输出第一、二类关联因子变化状态判定参数对象信息步骤的步骤框图。
图6是本实施例主要体现的A2子步骤的步骤框图。
图7是本实施例主要体现的A2002子步骤的步骤框图。
图8是本实施例主要体现的A2005子步骤的步骤框图。
图9是本实施例主要体现的一种电表箱的风险检测***的步骤框图。
图10是本实施例主要体现的数据处理单元的步骤框图。
附图标记说明:1、数据采集单元;2、数据处理单元;21、第一参数输入单元;22、第二参数输入单元;23、风险判断预警单元。
具体实施方式
下面结合以下实施例对本发明作进一步详细描述。
参照图1,一种电表箱的风险检测方法及***,包括以下步骤:
S1.获取每个循环检测间隔时段或每个循环检测间隔温度阶段内电表箱的影响电表箱正常运行的各类参数信息,将各类参数信息分别输入至第一、二类联合关系判断模型和电表箱风险初级判断模型,输出第一、二类关联因子变化状态判定参数对象信息和初级预测风险参数判断对象信息。
S2.将第一类关联因子变化状态判定结果和第二类关联因子变化状态判定结果输入至第三类联合影响指数判断模型,输出第三类影响指数判定参数对象信息。
S3.采集电表箱正常运行状态下的运行参数信息,将正常运行状态下的运行参数信息和第三类影响指数判定参数对象信息输入至电表箱风险终级判断模型,输出终级预测风险参数判断对象信息。
S4.基于初级、终极预测风险参数判断对象信息,判断电表箱的风险状况,输出电表箱风险预测判定预警结果。
S5.基于电表箱风险预测判定预警结果,匹配相应的预测风险处理方案,输出方案组比对选择实施处理信息。
具体的,通过数据采集单元采集在所设定的循环间隔段内会影响电表箱进行正常运行的各类参数信息,此各类参数信息例如:检测电表箱或元器件外层的破损信息属于一类参数信息、检测电表箱所处的外界环境条件信息属于一类参数信息以及监检测电表箱内部电路中的运行状况信息属于一类参数信息,且将上述的各类参数信息均传输至数据处理单元,通过数据处理单元分别将不同类别的参数信息对应的输入至所预设的第一、二类联合关系判断模型和电表箱风险初级判断模型中,上述各种模型是基于不同神经网络进行训练得到的,通过数据处理单元将上述前两种模型所输出的第一、二关联因子变化状态判定参数对象信息同时反馈输入至第一参数输入单元,通过第一参数输入单元内所预设的第三类联合影响指数判断模型,此模型同上述多种模型进行同步骤的建立得出,并将所训练输出的第三类影响指数判定参数对象信息反馈传输至第二参数输入单元,且同时将此参数对象信息反馈至数据采集单元,趋势数据采集单元输出数据采集指令信息,开始采集电表箱正常运行状态下的运行参数信息,此运行参数信息是指电表箱内电路中的运行数据信息,并将此运行参数信息反馈传输至第二参数输入单元,通过第二参数输入单元将所输入的运行参数信息和第三类影响指数判定参数对象信息进行一定的训练,以得出终级预测风险参数判断对象信息,再者与上述所进行的步骤相同,通过将此次得出的参数对象信息反馈传输至风险判断预警单元,且风险判断预警单元将先前所保留的初级预测风险参数判断对象信息结合终级预测风险参数判断对象信息进行与电表箱的对应的历史风险参数信息进行一定的比对判断出当前电表箱是否存在潜在风险,若是,则进行及时的预警通知,并根据所预测出的风险类别做出相应的处理方案,并将上述所分析的参数信息以及处理方案信息均反馈传输至管理终端处进行信息显示。
参照图2,具体的步骤S1包括以下子步骤:
S1001.获取电表箱所处环境温度变化速率,设定预设速率判定值,判断环境温度增长速率是否大于预设速率判定值,若是,输出循环检测间隔温度阶段,若否,输出循环检测间隔时段。
S1002.基于循环检测间隔温度阶段和循环检测间隔时段,获取每个循环检测间隔时段或每个循环检测间隔温度阶段内电表箱的影响电表箱正常运行的环境参数信息,环境参数信息包括环境温度、环境湿度和空气污染灰尘指度参数信息。
S1003.将环境参数信息进行数据过滤处理和依据时间逻辑的训练数据打包处理,输出可训练样本数据集。
S1004.将可训练样本数据集输入至第一类联合关系判断模型,所述第一类联合关系判断模型是循环神经网络得到的,输出第一类关联因子变化状态判定参数对象信息。
具体的,通过在对电表箱多种数据信息进行采集前,针对所要采集的预设时段需要进行一定的分析和判断,如:若直接设定所采集数据信息的循环时段间隔是一个月或者是两个月的话,可能对于电表箱风险的检测具有一定滞后性,因此,通过设定两者形式的循环间隔段的数据采集具有一定的及时性,即还可根据电表箱所受外界温度影响的速率进行一定的分析和判断,如:若一个月内或一两个星期内环境温度数据信息的上升速率都保持在一定对电表箱存在风险影响的数值上市,则开始通过所设定的循环检测间隔温度阶段,以基于循环检测间隔温度阶段对电表箱的各类参数信息进行各个间隔阶段内参数信息的采集与分析,且上述所设定的循环检测间隔温度阶段和循环检测间隔时段分别是通过设置在数据采集单元内的时段采集计时模块内部进行预设的,并可根据实际的情况进行两者中其一时段检测形式的选择,以便于提高对信息检测的及时性,通过数据处理单元内的第一参数输入单元接收到上述某一种采集形式下所采集到的影响电表箱正常运行的环境参数信息,而环境参数信息包括环境温度、环境湿度和空气污染灰尘指度参数信息,这三者信息之间存在不可忽视的关联性,如:环境温度和湿度对电表箱的线路受潮以及线路发热等风险状况的影响较为明显,且二者之间的影响程度可以叠加,空气污染灰尘指度会因环境湿度和环境温度的变化与空气中的水汽进行一定的化学反应,以导致对电表箱内线路的腐蚀,造成线路损坏,引发多种电表箱风险,通过将所采集到的环境参数信息传输至设置在数据处理单元内的信息提取模块进行可训练样本数据集的提取,并将所提取出的数据集输入至基于循环神经网络得到的第一类联合关系判断模型,以输出第一类关联因子变化状态判定参数对象信息,并将其继续输入至下一模型中进行训练。
参照图3,具体的步骤S1004包括以下子步骤:
S1005.获取每个循环检测间隔时段或每个循环检测间隔温度阶段内电表箱的影响电表箱正常运行的电表箱多类损坏的图像信息,图像信息包含电表箱各线路中出现有破损和颜色变化以及元器件外层损坏和电表箱壳体损坏的图像。
S1006.从图像信息中划分出训练样本图像信息,并将训练样本图像信息输入至第二类联合关系判断模型,第二类联合关系判断模型是由卷积神经网络得到的,输出第二类关联因子变化状态判定参数对象信息。
具体的,通过数据处理单元接收到上述的第一类关联因子变化状态判定参数对象信息,并在对其进行不同模型的训练之前,数据采集单元也同时接收到第一类关联因子变化状态判定参数对象信息,数据采集单元输出数据采集指令,开始继续采集影响电表箱正常运行的电表箱多类损坏的图像信息,而图像信息包含电表箱各线路中出现有破损和颜色变化以及元器件外层损坏和电表箱壳体损坏的图像,如:线路绝缘层的损坏以及损坏程度的大小、元器件外壳的破损和电表箱外壳的破损等破损信息,电表箱不同位置和情况下的受损程度信息具有程度叠加的影响,以及信息之间关联性的影响,通过将上述所得的各类图像信息进行由设置在数据采集单元内的图像优化处理模块进行图像除杂等的处理,并将所处理后的图像信息传输至信息提取模块以提取出可训练样本图像信息,再者将此样本图像信息输入至数据处理单元,由数据处理单元内的基于卷积神经网络得到的第二类联合关系判断模型进行训练,以得出第二类关联因子变化状态判定参数对象信息,并继续向下一模型传输进行参数训练。
参照图4,具体的步骤S1006包括以下子步骤:
S1007.获取每个循环检测间隔时段内电表箱的影响电表箱正常运行的电表箱的运行参数信息。
S1008.对运行参数信息进行可训练样本运行参数信息的筛选,并将筛选出的可训练样本运行参数信息输入至电表箱风险初级判断模型,电表箱风险初级判断模型是由循环神经网络得到的,输出初极预测风险参数判断对象信息。
具体的,通过数据处理单元接收到上述的第二类关联因子变化状态判定参数对象信息,并在对其进行不同模型的训练之前,数据采集单元也同时接收到第二类关联因子变化状态判定参数对象信息,数据采集单元输出数据采集指令,开始采集每个循环检测时段内的影响电表箱正常运行的电表箱的运行参数信息,此运行参数信息是指电路中的电阻、电压、电流等运行参数信息,通过信息提取模块对上述的运行参数信息进行同上述步骤的可训练样本运行参数信息的提取,并将所提取出的参数信息输入至基于循环神经网络得到的电表箱风险初级判断模型,以得出初极预测风险参数判断对象信息,并继续向下一模型传输进行参数训练。
参照图5,输出第一、二类关联因子变化状态判定参数对象信息的步骤包括以下子步骤:
A1.将第一类关联因子变化状态判定参数对象信息和第二类关联因子变化状态判定参数对象信息进行可训练参数信息集的提取。
A2.将参数信息集输入至第三类联合影响指数判断模型,第三类联合影响指数判断模型是由长短期记忆神经网络得到的,输出第三类影响指数判定参数对象信息。
具体的,通过第一参数输入单元接收到由数据处理单元先后传输来的第一、二类关联因子变化状态判定参数对象信息,并通过信息提取模块先对两种参数对象信息进行一定的可训练参数信息集的提取,以便于提高对数据信息分析的精确性,同所进行参数训练的步骤相同,即将所提取出的可训练参数信息集输入至第一参数输入单元内的基于长短期记忆神经网络得到的第三类联合影响指数判断模型,以得出第三类影响指数判定参数对象信息,并继续向下一模型传输进行参数训练,通过上述的各类参数信息之间相结合式的不同类别模型的参数训练,以对各类参数信息之间的关联性进行了一定的分析,扩大了多多样性数据的处理,增强了后续度电表箱风险判断的可靠性以及对多样性数据分析研究的延展性。
参照图6,具体的步骤A2包括以下子步骤:
A2001.采集并提取出正常运行状态下的可训练样本运行参数信息。
A2002.将所提取的正常运行状态下的可训练样本运行参数信息和第三类影响指数判定参数对象信息输入至电表箱风险终级判断模型,电表箱风险终级判断模型是由长短期记忆神经网络得到的,输出终级预测风险参数判断对象信息。
具体的,通过数据采集单元接收到由第一参数输入单元反馈传输来的第二类关联因子变化状态判定参数对象信息时,数据采集单元输出数据采集指令,开始采集电表箱正常运行状态下的运行参数信息,并提取出正常运行状态下的可训练样本运行参数信息,并将所提取的可训练样本运行参数信息输入至基于长短期记忆神经网络得到的电表箱风险终级判断模型,且同时第二参数输入单元接收到由第一参数输入单元传输来的第三类影响指数判定参数对象信息,电表箱风险终级判断模型将上述两种参数信息进行模型训练,即可训练样本运行参数信息与第三类影响指数判定参数对象信息之间的影响度,并分析训练出可训练样本运行参数信息在第三类影响指数判定参数对象信息影响条件下的终级预测风险参数判断对象信息,并对此判断对象信息进行最终判定电表箱风险预测性的数据对比分析和判断。
和第三类影响指数判定参数对象信息输入至电表箱风险终级判断模型,。
参照图7,具体的步骤A2002包括以下子步骤:
A2003.基于初级、终级预测风险参数判断对象信息,从电表箱的历史风险运行参数信息中筛选出对应初级、终级预测风险参数判断对象信息的历史风险运行参数信息。
A2004.将历史风险运行参数信息与初级、终级预测风险参数判断对象信息进行求幅度差值处理,输出幅度差值预判断信息。
A2005.设定预设幅度差判定区间值,判断幅度差值预判断信息是否落在预设幅度差判定区间值,若是,输出电表箱正常运行判定结果,若否,输出电表箱风险预测判定预警结果。
具体的,通过数据采集单元在反馈接收到上述由第二参数输入单元所输出的终级预测风险参数判断对象信息时,开始从管理终端处获取电表箱的历史风险运行参数信息,且信息提取模块接收上述的初级预测风险参数判断对象信息和终级预测风险参数判断对象信息,以便于获知这两者判断对象信息所对应的类别属性信息,并通过信息提取模模块从此诸多历史风险运行参数信息中提取出与上述判断对象信息对应的类别属性信息相匹配的历史风险运行参数信息,此历史风险运行参数信息作为判断上述两者判断对象信息的标准比对参照信息,即通过设置在风险判断预警单元内的信息判断模块在内部设定预设幅度差判定区间值,并经由设置在数据处理单元内的数据预算模块将上述所提取的历史风险运行参数信息分别与初级、终级预测风险参数判断对象信息进行求幅度差值预算处理,以得出幅度差值预判断信息,并将此信息反馈传输至信息判断模块,当判断出幅度差值预判断信息落在预设幅度差判定区间值内时,则说明当前电表箱还未存在潜在风险的可能性,若是前者信息未落在后者区间值内时,则说明上述所训练得出的初级、终级预测风险参数判断对象信息异常,故判断出当前电表箱在一定时段后可能出现某种风险,以及时输出电表箱风险预测判定预警结果,以便进行提取预警通知。
参照图8,具体的步骤A2005包括以下子步骤:
A2006.基于电表箱风险预测判定结果,获取所筛选出的历史风险运行参数信息对应的历史处理方案信息组;
A2007.将历史处理方案信息组进行相似度高的方案步骤的拆分和重组,输出新式处理方案信息组;
A2008.并将历史处理方案信息组和新式处理方案信息组进行结果显示,输出方案组比对选择实施处理信息。
具体的,通过数据采集单元在反馈接收到上述所判断得出的电表箱风险预测判定结果时,数据采集单元输出数据采集指令,开始采集上述电表箱所提取出的历史风险运行参数信息相对应的历史处理方案信息组,经由信息提取模块从历史处理方案信息组中提取标记出相似度高的方案信息组中某一或几个实施过程的步骤,并通过设置在数据处理单元内的信息拆分模块进行依据上述所提取标记出某一或几个实施过程的步骤进行拆分,将所拆分后的多种方案步骤进行随机组合,并再次通过信息提取模块从所随机组合后的方案信息组中提取出组合后对应处理风险的类别属性进行与上述所判断出风险参数信息所对应风险类别属性的提取,以得出新式处理方案信息组,经由设置在风险判断预警单元内的信息展示模块接收新式处理方案信息组和上述所获取并提取出的历史处理方案信息组进行信息结果对比显示,以得出方案组比对选择实施处理信息,以此提高了管理终端处的管理人员可直观性的查看信息以及信息之间的差异性,及时做出处理方案,使得电表箱风险预测得到及时性的检测和预警通知。
本申请实施例方法与***结合,参照图9-10,通过数据采集单元1获取每个所预设间隔段内电表箱的影响电表箱正常运行的各类参数信息和采集电表箱正常运行状态下的运行参数信息以及电表箱的历史风险运行参数信息,并将上述所采集到的参数信息进行保留,以便传入下一单元进行参数信息的输入和处理;通过数据处理单元2将上述的各类参数信息分别进行可训练参数信息的简单处理,并将处理后的参数信息分别输入至第一、二类联合关系判断模型和电表箱风险初级判断模型,并输出第一、二类关联因子变化状态判定参数对象信息和初级预测风险参数判断对象信息;数据处理单元2包括第一参数输入单元21、第二参数输入单元22和风险判断预警单元23,通过第一参数输入单元21将上述的第一、第二类关联因子变化状态判定结果输入至第三类联合影响指数判断模型,以得到第三类影响指数判定参数对象信息;经由第二参数输入单元22将正常运行状态下的运行参数信息和第三类影响指数判定参数对象信息输入至电表箱风险终级判断模型,以得到终级预测风险参数判断对象信息;通过风险判断预警单元23将上述的初级预测风险参数判断对象信息和终级预测风险参数判断对象信息与相对应的历史风险运行参数信息进行参数幅度差值的判断,以确认电表箱的风险状况,并进行提前预警。
以上均为本申请的较佳实施例,并非依此限制本申请的保护范围,故:凡依本申请的结构、形状、原理所做的等效变化,均应涵盖于本申请的保护范围之内。
Claims (10)
1.一种电表箱的风险检测方法,其特征在于,包括以下步骤:
获取每个循环检测间隔时段或每个循环检测间隔温度阶段内电表箱的影响电表箱正常运行的各类参数信息,将所述各类参数信息分别输入至第一、二类联合关系判断模型和电表箱风险初级判断模型,输出第一、二类关联因子变化状态判定参数对象信息和初级预测风险参数判断对象信息;
将所述第一类关联因子变化状态判定参数对象信息和第二类关联因子变化状态判定参数对象信息输入至第三类联合影响指数判断模型,输出第三类影响指数判定参数对象信息;
采集电表箱正常运行状态下的运行参数信息,将正常运行状态下的所述运行参数信息和第三类影响指数判定对象信息输入至电表箱风险终级判断模型,输出终级预测风险参数判断对象信息;
基于所述初级、终极预测风险参数判断对象信息,判断电表箱的风险状况,输出电表箱风险预测判定预警结果;
基于所述电表箱风险预测判定预警结果,匹配相应的预测风险处理方案,输出方案组比对选择实施处理信息。
2.根据权利要求1所述的一种电表箱的风险检测方法,其特征在于,所述获取每个循环检测间隔时段或每个循环检测间隔温度阶段内电表箱的影响电表箱正常运行的各类参数信息的步骤,包括:
获取电表箱所处环境温度变化速率,设定预设速率判定值,判断所述环境温度增长速率是否大于预设速率判定值,若是,输出循环检测间隔温度阶段,若否,输出循环检测间隔时段;
基于所述循环检测间隔温度阶段和循环检测间隔时段,获取每个循环检测间隔时段或每个循环检测间隔温度阶段内电表箱的影响电表箱正常运行的环境参数信息,环境参数信息包括环境温度、环境湿度和空气污染灰尘指度参数信息;
将所述环境参数信息进行数据过滤处理和依据时间逻辑的训练数据打包处理,输出可训练样本数据集;
将所述可训练样本数据集输入至第一类联合关系判断模型,所述第一类联合关系判断模型是循环神经网络得到的,输出第一类关联因子变化状态判定参数对象信息。
3.根据权利要求2所述的一种电表箱的风险检测方法,其特征在于,所述输出第一类关联因子变化状态判定参数对象信息的步骤,包括:
获取每个循环检测间隔时段或每个循环检测间隔温度阶段内电表箱的影响电表箱正常运行的电表箱多类损坏的图像信息,所述图像信息包含电表箱各线路中出现有破损和颜色变化以及元器件外层损坏和电表箱壳体损坏的图像;
从所述图像信息中划分出训练样本图像信息,并将训练样本图像信息输入至第二类联合关系判断模型,第二类联合关系判断模型是由卷积神经网络得到的,输出第二类关联因子变化状态判定参数对象信息。
4.根据权利要求3所述的一种电表箱的风险检测方法,其特征在于,所述输出第二类关联因子变化状态判定参数对象信息的步骤,包括:
获取每个循环检测间隔时段内电表箱的影响电表箱正常运行的电表箱的运行参数信息;
对所述运行参数信息进行可训练样本运行参数信息的筛选,并将筛选出的可训练样本运行参数信息输入至电表箱风险初级判断模型,电表箱风险初级判断模型是由循环神经网络得到的,输出初极预测风险参数判断对象信息。
5.根据权利要求1所述的一种电表箱的风险检测方法,其特征在于,所述输出第一、二类关联因子变化状态判定参数对象信息的步骤,包括:
将所述第一类关联因子变化状态判定参数对象信息和第二类关联因子变化状态判定参数对象信息进行可训练参数信息集的提取;
将所述参数信息集输入至第三类联合影响指数判断模型,第三类联合影响指数判断模型是由长短期记忆神经网络得到的,输出第三类影响指数判定参数对象信息。
6.根据权利要求5所述的一种电表箱的风险检测方法,其特征在于,所述输出第三类影响指数判定参数对象信息的步骤,包括:
采集并提取出正常运行状态下的可训练样本运行参数信息;
将所提取的所述正常运行状态下的可训练样本运行参数信息和第三类影响指数判定参数对象信息输入至电表箱风险终级判断模型,电表箱风险终级判断模型是由长短期记忆神经网络得到的,输出终级预测风险参数判断对象信息。
7.根据权利要求6所述的一种电表箱的风险检测方法,其特征在于,所述输出终级预测风险参数判断对象信息的步骤,包括:
基于所述初级、终级预测风险参数判断对象信息,从电表箱的历史风险运行参数信息中筛选出对应初级、终级预测风险参数判断对象信息的历史风险运行参数信息;
将所述历史风险运行参数信息与初级、终级预测风险参数判断对象信息进行求幅度差值处理,输出幅度差值预判断信息;
设定预设幅度差判定区间值,判断所述幅度差值预判断信息是否落在预设幅度差判定区间值,若是,输出电表箱正常运行判定结果,若否,输出电表箱风险预测判定预警结果。
8.根据权利要求7所述的一种电表箱的风险检测方法,其特征在于,所述输出电表箱风险预测判定预警结果的步骤,包括:
基于所述电表箱风险预测判定结果,获取所筛选出的历史风险运行参数信息对应的历史处理方案信息组;
将所述历史处理方案信息组进行相似度高的方案步骤的拆分和重组,输出新式处理方案信息组;
并将所述历史处理方案信息组和新式处理方案信息组进行结果显示,输出方案组比对选择实施处理信息。
9.一种电表箱的风险检测***,适用于权利要求1-8任意一项所述的一种电表箱的风险检测方法,包括:
数据采集单元(1),用于获取每个所预设间隔段内电表箱的影响电表箱正常运行的各类参数信息和采集电表箱正常运行状态下的运行参数信息以及电表箱的历史风险运行参数信息;
数据处理单元(2),用于将上述的各类参数信息分别进行可训练参数信息的简单处理,并将处理后的参数信息分别输入至第一、二类联合关系判断模型和电表箱风险初级判断模型,并输出第一、二类关联因子变化状态判定参数对象信息和初级预测风险参数判断对象信息。
10.一种电表箱的风险检测***,所述数据处理单元,包括:
第一参数输入单元(21),用于将上述的第一、第二类关联因子变化状态判定结果输入至第三类联合影响指数判断模型,以得到第三类影响指数判定参数对象信息;
第二参数输入单元(22),用于将正常运行状态下的运行参数信息和第三类影响指数判定参数对象信息输入至电表箱风险终级判断模型,以得到终级预测风险参数判断对象信息;
风险判断预警单元(23),用于将上述的初级预测风险参数判断对象信息和终级预测风险参数判断对象信息与相对应的历史风险运行参数信息进行参数幅度差值的判断,以确认电表箱的风险状况,并进行提前预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311286205.6A CN117218495A (zh) | 2023-10-08 | 2023-10-08 | 一种电表箱的风险检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311286205.6A CN117218495A (zh) | 2023-10-08 | 2023-10-08 | 一种电表箱的风险检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117218495A true CN117218495A (zh) | 2023-12-12 |
Family
ID=89049351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311286205.6A Pending CN117218495A (zh) | 2023-10-08 | 2023-10-08 | 一种电表箱的风险检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117218495A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117523808A (zh) * | 2024-01-04 | 2024-02-06 | 珠海派诺科技股份有限公司 | 一种基于物联网的可实时监测的电气火灾预警***及方法 |
CN117593310A (zh) * | 2024-01-19 | 2024-02-23 | 江苏红相蓝瑞电力科技有限公司 | 一种用于电能表装配质量检测的图像检测方法和装置 |
CN117791869A (zh) * | 2023-12-28 | 2024-03-29 | 湖北华中电力科技开发有限责任公司 | 基于智能配电柜的数据在线监测方法及*** |
-
2023
- 2023-10-08 CN CN202311286205.6A patent/CN117218495A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117791869A (zh) * | 2023-12-28 | 2024-03-29 | 湖北华中电力科技开发有限责任公司 | 基于智能配电柜的数据在线监测方法及*** |
CN117523808A (zh) * | 2024-01-04 | 2024-02-06 | 珠海派诺科技股份有限公司 | 一种基于物联网的可实时监测的电气火灾预警***及方法 |
CN117523808B (zh) * | 2024-01-04 | 2024-04-09 | 珠海派诺科技股份有限公司 | 一种基于物联网的可实时监测的电气火灾预警***及方法 |
CN117593310A (zh) * | 2024-01-19 | 2024-02-23 | 江苏红相蓝瑞电力科技有限公司 | 一种用于电能表装配质量检测的图像检测方法和装置 |
CN117593310B (zh) * | 2024-01-19 | 2024-04-02 | 江苏红相蓝瑞电力科技有限公司 | 一种用于电能表装配质量检测的图像检测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117218495A (zh) | 一种电表箱的风险检测方法及*** | |
CN105467971B (zh) | 一种电力二次设备监测***及方法 | |
CN105425768B (zh) | 一种电力二次设备监测装置及方法 | |
CN111241154A (zh) | 一种基于大数据的蓄电池故障预警方法及*** | |
Zaki et al. | Deep‐learning–based method for faults classification of PV system | |
EP2478423A1 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
CN111444169A (zh) | 一种变电站电气设备状态监测与诊断***及方法 | |
CN109886328B (zh) | 一种电动汽车充电设施故障预测方法与*** | |
CN115238785A (zh) | 基于图像融合和集成网络的旋转机械故障诊断方法和*** | |
CN112906764B (zh) | 基于改进bp神经网络的通信安全设备智能诊断方法及*** | |
CN117375237B (zh) | 基于数字孪生技术变电站运维方法及*** | |
CN117612345A (zh) | 一种电力设备状态监测报警***及方法 | |
CN116523506A (zh) | 基于数字孪生变电站技术电路故障预测分析*** | |
CN116961215A (zh) | 一种电力***故障快速反应处理方法 | |
Ali et al. | Reliable IoT paradigm with ensemble machine learning for faults diagnosis of power transformers considering adversarial attacks | |
CN111738156A (zh) | 一种高压开关设备状态智能巡检管理方法及*** | |
CN112305388A (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
CN116418117A (zh) | 一种用于智能电网的设备检测*** | |
CN116029699A (zh) | 一种基于数据孪生的电力信息***及运维方法 | |
CN117110794A (zh) | 一种电缆故障智能诊断***及方法 | |
CN117595504A (zh) | 一种电网运行状态的智能监测预警方法 | |
Firos et al. | Fault detection in power transmission lines using AI model | |
Catterson et al. | On-line transformer condition monitoring through diagnostics and anomaly detection | |
Sarma et al. | A long short-term memory based prediction model for transformer fault diagnosis using dissolved gas analysis with digital twin technology | |
CN113836816A (zh) | 一种基于红外图像的发电机碳刷温度监测***及温度预测方法 |
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 |