CN117523337A - 一种配电设备巡检***和方法 - Google Patents

一种配电设备巡检***和方法 Download PDF

Info

Publication number
CN117523337A
CN117523337A CN202311511262.XA CN202311511262A CN117523337A CN 117523337 A CN117523337 A CN 117523337A CN 202311511262 A CN202311511262 A CN 202311511262A CN 117523337 A CN117523337 A CN 117523337A
Authority
CN
China
Prior art keywords
power distribution
equipment
infrared
distribution equipment
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
Application number
CN202311511262.XA
Other languages
English (en)
Inventor
董选昌
罗林欢
郝方舟
吴琼
伍衡
童家鹏
何淇彰
廖辰川
贾鹏辉
夏铭聪
洪慧君
雷超平
刘冠骞
陈颖
张雨
黄文栋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202311511262.XA priority Critical patent/CN117523337A/zh
Publication of CN117523337A publication Critical patent/CN117523337A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/86—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using syntactic or structural representations of the image or video pattern, e.g. symbolic string recognition; using graph matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明公开了提供了一种配电设备巡检***和方法，***包括依次通信连接的边缘端设备、终端应用和云端管理设备；通过边缘端设备对从配电设备采集到的运行信号进行数据修正后，转换为运行图谱数据并进行初步诊断，生成初步诊断结果；通过云端管理设备调用深层复合神经网络根据运行图谱数据和预存的历史数据进行故障状态诊断，生成故障诊断结果；通过终端应用将运行图谱数据转发至云端管理设备，并显示初步诊断结果和故障诊断结果。从而准确快速地进行配电设备的故障诊断，提高配电设备巡检的安全性和巡检效率。

Description

一种配电设备巡检***和方法
技术领域
本发明涉及硬件巡检技术领域，尤其涉及一种配电设备巡检***和方法。
背景技术
为了确保配电站的正常安全运行，以往供电公司需要安排专门人员到配电站内进行巡检，但由于例行巡检时间间隔较长，且全部依赖于人工，在高负荷期间和有特殊保供电要求时，须增加巡检频次。随着近年来电网飞速发展，生产人员不足和巡检工作量增加之间的矛盾日益突出，运维一体化等工作在扩展业务范围的同时也给变电运维工作提出了更高的要求，在这样的形势下，传统的“人工巡检、手动记录”的巡视作业方式，难以适应电力***精益化、集约化的发展要求。
为降低巡检压力，现有的配电设备巡检***主要由采集装置对红外和局放数据进行采集和归档，结合传统经验阈值，采取巡检人员主观判断的方式对设备的故障状态进行诊断输出，广泛应用于各配电***的巡检工作。
但现有方案主要是直接基于传感器数据源进行设备故障诊断，数据常常受检测距离和环境噪声影响，从而导致诊断结果出现较大偏差，缺乏对采集到的设备数据的有效修正手段，且依赖巡检人员的主观判断完成设备数据的分析以及故障诊断，巡检准确率较低。
发明内容
本发明提供了一种配电设备巡检***和方法，解决了现有方案主要是直接基于传感器数据源进行设备故障诊断，数据常常受检测距离和环境噪声影响，从而导致诊断结果出现较大偏差，缺乏对采集到的设备数据的有效修正手段，且依赖巡检人员的主观判断完成设备数据的分析以及故障诊断，巡检准确率较低的技术问题。
本发明提供的一种配电设备巡检***，包括依次通信连接的边缘端设备、终端应用和云端管理设备；
所述边缘端设备，用于对从配电设备采集到的运行信号进行数据修正后，转换为运行图谱数据并进行初步诊断，生成初步诊断结果；
所述云端管理设备，用于调用深层复合神经网络根据所述运行图谱数据和预存的历史数据进行故障状态诊断，生成故障诊断结果；
所述终端应用，用于将所述运行图谱数据转发至所述云端管理设备，并显示所述初步诊断结果和所述故障诊断结果。
可选地，所述边缘端设备包括红外热成像仪、局放检测仪和边缘处理器；所述运行图谱数据包括红外图谱、超声波图谱和特高频图谱；
所述红外热成像仪，用于当所述配电设备运行时，采集对应的红外信号并进行温度补偿，生成红外图谱；
所述局放检测仪，用于当所述配电设备运行时，采集对应的局放信号并进行降噪，转换为超声波图谱和特高频图谱；
所述边缘处理器，用于调用预设的轻量级复合神经网络，根据所述红外图谱、所述超声波图谱和所述特高频图谱，判断所述配电设备是否存在故障。
可选地，所述边缘处理器，具体用于：
调用预设的轻量级复合神经网络匹配所述红外图谱对应的设备类型，并选取所述设备类型对应的温度缺陷表；
若所述红外信号与所述温度缺陷表匹配成功，则判定所述配电设备存在温度缺陷；
若所述红外信号与所述温度缺陷表匹配失败，则判定所述配电设备未存在温度缺陷；
若所述超声波图谱内的实时数据或所述特高频图谱内的实时数据大于预设故障阈值，则判定所述配电设备处于故障状态；
若所述超声波图谱内的实时数据和所述特高频图谱内的实时数据均未大于预设故障阈值，则判定所述配电设备未处于故障状态。
可选地，所述云端管理设备包括数据服务器和云端数据库；
所述数据服务器，用于调用深层复合神经网络，根据所述红外图谱、所述超声波图谱、所述特高频图谱和预存的历史数据，确定所述配电设备对应的缺陷数据；
所述云端数据库，用于存储所述红外图谱、所述超声波图谱、所述特高频图谱和所述缺陷数据。
可选地，所述数据服务器包括局放故障诊断模块和红外故障诊断模块；所述历史数据包括多个局放历史样本和多个红外历史样本；
所述局放故障诊断模块，用于基于多个所述局放历史样本对所述深层复合神经网络进行模型训练，生成第一模型并对所述超声波图谱和所述特高频图谱进行检测，确定所述配电设备的放电类型缺陷结果；
所述红外故障诊断模块，用于基于多个所述红外历史样本对所述深层复合神经网络进行模型训练，生成第二模型并对所述红外图谱进行检测，确定所述配电设备的红外类型缺陷结果。
可选地，所述局放历史样本具有局放样本标签；所述局放故障诊断模块，具体用于：
对多个所述局放历史样本进行预处理，生成第一预处理样本；
初始化所述深层复合神经网络的第一模型参数；
将所述第一预处理样本输入所述深层复合神经网络，生成正向输出结果；
根据所述正向输出结果和所述局放样本标签之间的误差，采用误差逆传播和随机梯度下降法对所述第一模型参数进行更新，直至满足识别准确率，生成第一模型；
采用所述第一模型对所述超声波图谱和所述特高频图谱进行检测，判断所述配电设备是否存在放电类型缺陷；
若存在放电类型缺陷，则匹配所述配电设备对应的放电缺陷等级。
可选地，所述红外故障诊断模块，具体用于：
对多个所述红外历史样本进行预处理，生成第二预处理样本；
采用特征提取、多尺度融合和分类定位技术，对所述深层复合神经网络进行模型训练，直至满足识别准确率，生成第二模型；
采用所述第二模型对所述红外图谱进行检测，判断所述配电设备对应的红外设备类型；
按照所述红外设备类型选取对应的缺陷判断标准表；
采用所述红外图谱匹配所述缺陷判断标准表，判断所述配电设备是否存在红外缺陷；
若存在红外缺陷，则匹配所述配电设备对应的红外缺陷等级。
可选地，还包括业务管理网站，所述业务管理网站与所述云端管理设备通信连接；
所述业务管理网站，用于响应外部输入信息，对所述运行图谱数据和故障诊断结果执行管理操作，并对所述深层复合神经网络执行模型参数管理操作。
可选地，所述轻量级复合神经网络的类型包括YOLOv4-tiny和MobileNet-SSD；
所述边缘端设备和终端应用之间通过局域网通信连接；
所述终端应用与所述云端管理设备之间通过互联网通信连接。
本发明还提供了一种配电设备巡检方法，应用于配电设备巡检***，所述配电设备巡检***包括依次通信连接的边缘端设备、终端应用和云端管理设备，所述方法包括：
通过所述边缘端设备从配电设备采集运行信号；
通过所述边缘端设备对所述运行信号进行数据修正，生成运行图谱数据并进行初步诊断，生成初步诊断结果；
通过所述终端应用将所述运行图谱数据转发至所述云端管理设备；
通过所述云端管理设备调用深层复合神经网络根据所述运行图谱数据和预存的历史数据进行故障状态诊断，生成故障诊断结果；
通过所述终端应用显示所述初步诊断结果和所述故障诊断结果。
从以上技术方案可以看出，本发明具有以下优点：
本发明提供了一种配电设备巡检***，其包括依次通信连接的边缘端设备、终端应用和云端管理设备；通过边缘端设备对从配电设备采集到的运行信号进行数据修正后，转换为运行图谱数据并进行初步诊断，生成初步诊断结果；通过云端管理设备调用深层复合神经网络根据运行图谱数据和预存的历史数据进行故障状态诊断，生成故障诊断结果；通过终端应用将运行图谱数据转发至云端管理设备，并显示初步诊断结果和故障诊断结果。从而准确快速地进行配电设备的故障诊断，提高配电设备巡检的安全性和巡检效率。
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配电设备巡检***的结构框图；
图2为本发明实施例提供的一种配电设备巡检***的整体结构图；
图3为本发明实施例提供的一种配电设备巡检方法的步骤流程图。
具体实施方式
本发明实施例提供了一种配电设备巡检***和方法，用于解决现有方案主要是直接基于传感器数据源进行设备故障诊断，数据常常受检测距离和环境噪声影响，从而导致诊断结果出现较大偏差，缺乏对采集到的设备数据的有效修正手段，且依赖巡检人员的主观判断完成设备数据的分析以及故障诊断，巡检准确率较低的技术问题。
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。
请参阅图1，图1为本发明实施例提供的一种配电设备巡检***的结构框图。
本发明提供的一种配电设备巡检***，包括依次通信连接的边缘端设备101、终端应用102和云端管理设备103；
边缘端设备101，用于对从配电设备采集到的运行信号进行数据修正后，转换为运行图谱数据并进行初步诊断，生成初步诊断结果；
云端管理设备103，用于调用深层复合神经网络根据运行图谱数据和预存的历史数据进行故障状态诊断，生成故障诊断结果；
终端应用102，用于将运行图谱数据转发至云端管理设备103，并显示初步诊断结果和故障诊断结果。
在本申请实施例中，为提高配电设备的巡检准确度，可以提供一种配电设备巡检***，其包括依次通信连接的边缘端设备101、终端应用102和云端管理设备103。
其中，边缘端设备101通过传感器在运动或者固定设置的方式，从配电设备采集运行时的运行信号，并对运行信号进行数据修正后转换为图谱形式，生成运行图谱数据。与此同时通过边缘端设备101采用该运行图谱数据进行本地的初步诊断，从而初步诊断配电设备的故障状态，生成初步诊断结果并通过局域网wifi或者其他通信方式发送至终端应用102进行显示。
当终端应用102接收到的初步诊断结果和运行图谱数据后，可以将运行图谱数据经互联网通信或者其他通信方式转发至云端管理设备103，通过边云协同的方式，采用算力更为强大的云端服务器调用深层复合神经网络以运行图谱数据和预存的历史数据作为数据基础进行故障状态诊断，从而确定配电设备准确的故障诊断结果以及其缺陷类型分级等信息，将故障诊断结果下发至终端应用102进行显示。
例如，运行信号可以为红外信号和局放信号，所转换得到的运行图谱数据可以为红外图谱、超声波图谱和特高频图谱。
为方便用户查看提高检测效率，终端应用102可以为安装在手机、pad或其他移动终端上的APP应用程序，如智能单兵检测APP。云端管理设备103包括数据库、算法、应用服务器，存储设备运行数据、调用算法进行配电设备缺陷分级、故障诊断，以及向运维人员提供WEB页面进行业务管理，运维人员通过该***基于现场巡检的设备状态数据、缺陷数据和诊断数据进行业务管理。
可选地，边缘端设备101包括红外热成像仪、局放检测仪和边缘处理器；运行图谱数据包括红外图谱、超声波图谱和特高频图谱；
红外热成像仪，用于当配电设备运行时，采集对应的红外信号并进行温度补偿，生成红外图谱；
局放检测仪，用于当配电设备运行时，采集对应的局放信号并进行降噪，转换为超声波图谱和特高频图谱；
边缘处理器，用于调用预设的轻量级复合神经网络，根据红外图谱、超声波图谱和特高频图谱，判断配电设备是否存在故障。
在本申请实施例中，边缘端设备101包括红外热成像仪、局放检测仪和边缘处理器；运行图谱数据包括红外图谱、超声波图谱和特高频图谱。通过红外热成像仪和局放检测仪经传感器采集配电设备工作时产生的红外信号和局放信号，并转换为红外图谱和超声波、特高频图谱。与此同时，边缘处理器通过调用预设的轻量级复合神经网络通过嵌入式算法完成数据修正和初步诊断。
具体地，数据修正包括基于红外图像距离进行温度补偿处理，输出高精度红外图谱信号，对局放信号进行降噪处理，输出高精度的超声波、特高频图谱信号。
初步诊断包括以下步骤：
①使用轻量级复合神经网络(YOLOv4-tiny、MobileNet-SSD)模型对配电设备的红外图谱进行检测，输出设备类型；
②根据电力设备的温度缺陷判断表，结合配电设备的实时红外温度数据判断设备是否存在温度缺陷；
③判断配电设备的超声波和特高频的实时数据是否超过故障阈值；
④结合红外图谱和超声波、特高频图谱的分析结果，初步判断配电设备是否处于故障状态。
进一步地，边缘处理器，具体用于：
调用预设的轻量级复合神经网络匹配红外图谱对应的设备类型，并选取设备类型对应的温度缺陷表；
若红外信号与温度缺陷表匹配成功，则判定配电设备存在温度缺陷；
若红外信号与温度缺陷表匹配失败，则判定配电设备未存在温度缺陷；
若超声波图谱内的实时数据或特高频图谱内的实时数据大于预设故障阈值，则判定配电设备处于故障状态；
若超声波图谱内的实时数据和特高频图谱内的实时数据均未大于预设故障阈值，则判定配电设备未处于故障状态。
可选地，云端管理设备103包括数据服务器和云端数据库；
数据服务器，用于调用深层复合神经网络，根据红外图谱、超声波图谱、特高频图谱和预存的历史数据，确定配电设备对应的缺陷数据；
云端数据库，用于存储红外图谱、超声波图谱、特高频图谱和缺陷数据。
在具体实现中，云端管理设备103包括数据服务器和云端数据库，其数据服务器通过调用深层复合神经网络的方式，以红外图谱、超声波图谱和特高频图谱分别作为数据输入，结合其预存的历史数据进行故障诊断，得到配电设备对应的缺陷数据。
同时，为防止数据杂乱且方便后续回顾分析，可以通过云端数据库存储红外图谱、超声波图谱、特高频图谱和缺陷数据。其中，缺陷数据可以包括其缺陷等级、故障状态和故障分类等数据。
进一步地，数据服务器包括局放故障诊断模块和红外故障诊断模块；历史数据包括多个局放历史样本和多个红外历史样本；
局放故障诊断模块，用于基于多个局放历史样本对深层复合神经网络进行模型训练，生成第一模型并对超声波图谱和特高频图谱进行检测，确定配电设备的放电类型缺陷结果；
红外故障诊断模块，用于基于多个红外历史样本对深层复合神经网络进行模型训练，生成第二模型并对红外图谱进行检测，确定配电设备的红外类型缺陷结果。
在本申请的一个示例中，局放历史样本具有局放样本标签；局放故障诊断模块，具体用于：
对多个局放历史样本进行预处理，生成第一预处理样本；
初始化深层复合神经网络的第一模型参数；
将第一预处理样本输入深层复合神经网络，生成正向输出结果；
根据正向输出结果和局放样本标签之间的误差，采用误差逆传播和随机梯度下降法对第一模型参数进行更新，直至满足识别准确率，生成第一模型；
采用第一模型对超声波图谱和特高频图谱进行检测，判断配电设备是否存在放电类型缺陷；
若存在放电类型缺陷，则匹配配电设备对应的放电缺陷等级。
在具体实现中，局放历史样本可以为图谱历史样本数据集的形式存储，基于超声波、特高频图谱数据的故障诊断过程可以包括以下步骤：
步骤1：对图谱历史样本数据进行预处理，包括图谱背景去躁、图像灰度化与二值化以及图像压缩等；
步骤2：构建多层特征融合的，并初始化网络各类型隐含层的权值和偏置参数、梯度下降时的学习率参数(同时规定递减率)和数据的批次大小等网络内部参数；
步骤3：利用样本集数据开始训练网络，首先根据各层参数正向输出(每张图谱所代表的放电类型)，接着计算输出结果和样本标签之间的误差，利用误差逆传播和随机梯度下降法更新网络每层的参数，循环此过程直至符合期望，输出训练好的最优参数；
步骤4：在预处理好的测试集上测试训练好的网络，分别计算模型在训练集及测试集上的放电类型识别正确率；
步骤5：使用训练好的网络对设备采集到的超声波、特高频图谱数据进行检测，根据放电类型检测结果对设备的故障状态进行诊断，并进行工作缺陷分级。
在本申请的一个示例中，红外故障诊断模块，具体用于：
对多个红外历史样本进行预处理，生成第二预处理样本；
采用特征提取、多尺度融合和分类定位技术，对深层复合神经网络进行模型训练，直至满足识别准确率，生成第二模型；
采用第二模型对红外图谱进行检测，判断配电设备对应的红外设备类型；
按照红外设备类型选取对应的缺陷判断标准表；
采用红外图谱匹配缺陷判断标准表，判断配电设备是否存在红外缺陷；
若存在红外缺陷，则匹配配电设备对应的红外缺陷等级。
在具体实现中，红外历史样本可以为图谱历史样本数据集的形式存储，基于复合神经网络的红外图谱故障诊断过程可以包括以下步骤：
步骤1：对图谱历史样本数据集进行预处理，包括图像去噪、去模糊化、图像增强以及样本标注；
步骤2：结合特征提取、多尺度融合和分类定位技术进行复合神经网络的模型训练；
步骤3：在预处理好的测试集上测试训练好的网络，分别计算模型在训练集及测试集上的设备类型识别正确率；
步骤4：使用训练好的网络对设备采集到的红外图谱数据进行检测，判断配电设备的类型；
步骤5：根据配电设备类型选择对应的缺陷判断标准表，将红外图谱数据输入到缺陷判断模块中进行查表操作，对设备的故障状态进行诊断，并进行工作缺陷分级。
可选地，还包括业务管理网站，业务管理网站与云端管理设备103通信连接；
业务管理网站，用于响应外部输入信息，对运行图谱数据和故障诊断结果执行管理操作，并对深层复合神经网络执行模型参数管理操作。
业务管理网站可以与云端管理设备103通信连接，通过其业务管理网站的页面应用响应外部输入信息，对云端管理设备103中的运行图谱数据和故障诊断结果执行管理操作，同时对深层复合神经网络执行模型参数管理操作，以方便管理人员或上游应用对模型或者巡检过程中产生的数据进行及时的监控和调整，提高数据安全性。
在具体实现中，云端的应用服务器为***运维人员提供一个业务管理网站，运维人员能够对配电设备巡检相关的图谱数据、缺陷数据和故障数据进行远程管理，包括巡检数据的维护、工单管理、模型参数设置、配电设备缺陷判断标准和故障处理标准的维护等。
可选地，轻量级复合神经网络的类型包括YOLOv4-tiny和MobileNet-SSD；
边缘端设备101和终端应用102之间通过局域网通信连接；
终端应用102与云端管理设备103之间通过互联网通信连接。
请参阅图2，图2为本发明实施例中的一种配电设备巡检***的整体架构图。
在本实施例中，***包括边缘端(即边缘端设备)、智能单兵检测APP(即终端应用)、云端(即云端管理设备)和WEB管理***。
(1)边缘端：包括红外热成像仪和局放检测仪，通过传感器采集配电设备的红外信号和局放信号进行数据修正，并初步诊断设备的故障状态；
(2)智能单兵检测APP：向云端上报修正后的设备运行数据，显示边缘端检测仪和云端服务器输出的故障诊断结果；
(3)云端：包括数据库、算法、应用服务器，存储设备运行数据、调用算法进行配电设备缺陷分级、故障诊断，以及向运维人员提供WEB页面进行业务管理；
(4)WEB管理***：运维人员通过该***基于现场巡检的设备状态数据、缺陷数据和诊断数据进行业务管理。
在本申请实施例中，提供了一种配电设备巡检***，其包括依次通信连接的边缘端设备、终端应用和云端管理设备；通过边缘端设备对从配电设备采集到的运行信号进行数据修正后，转换为运行图谱数据并进行初步诊断，生成初步诊断结果；通过云端管理设备调用深层复合神经网络根据运行图谱数据和预存的历史数据进行故障状态诊断，生成故障诊断结果；通过终端应用将运行图谱数据转发至云端管理设备，并显示初步诊断结果和故障诊断结果。从而准确快速地进行配电设备的故障诊断，提高配电设备巡检的安全性和巡检效率。
请参阅图3，图3示出了本申请实施例中的一种配电设备巡检方法的步骤流程图。
本申请实施例提供了一种配电设备巡检方法，应用于配电设备巡检***，配电设备巡检***包括依次通信连接的边缘端设备、终端应用和云端管理设备，方法包括：
步骤201，通过边缘端设备从配电设备采集运行信号；
在本申请实施例中，在巡检过程中，可以通过在配电设备所处位置进行边缘端设备的安装，通过边缘端设备所包含的传感器如红外传感器、局放传感器等在配电设备运行时采集运行信号，以提供后续故障诊断的数据基础。
需要说明的是，边缘端设备可以固定安装，也可以由巡检机器人或者运维人员携带进行移动采集，以提供巡检效率。
步骤202，通过边缘端设备对运行信号进行数据修正，生成运行图谱数据并进行初步诊断，生成初步诊断结果；
在方便运维人员能够实时得知设备是否发生故障，可以通过边缘端设备对运行信号进行实时的数据修正，生成对应的运行图谱数据后以此为输入调用模型进行初步诊断，从而生成初步诊断结果，以判断配电设备是否存在故障。
步骤203，通过终端应用将运行图谱数据转发至云端管理设备；
与此同时，终端应用获取边缘端设备的运行图谱数据并转发至云端管理设备进行进一步地深化和更为准确的故障诊断。
步骤204，通过云端管理设备调用深层复合神经网络根据运行图谱数据和预存的历史数据进行故障状态诊断，生成故障诊断结果；
通过云端管理设备调用预存的历史数据对深层复合神经网络进行模型微调后，以运行图谱数据作为数据输入进行故障状态诊断，从而生成准确的故障诊断结果、
步骤205，通过终端应用显示初步诊断结果和故障诊断结果。
终端应用在收到初步诊断结果和故障诊断结果时，通过在其屏幕上进行显示，从而及时准确地得知配电设备的故障状态。
在本申请实施例中，通过在边缘端检测仪中嵌入了轻量级算法，实现配电设备红外图谱和超声波、特高频图谱数据的修正，以输出高精度数据；实现配电设备故障状态的初步快速诊断。再者，在巡检过程中，巡检人员只需要使用边缘端检测仪扫描配电设备，即可自动完成设备的缺陷分级和故障诊断，有效提高设备巡检的准确度。
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，上述描述的装置、模块和子模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，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，所述模块的划分，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，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
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)

1.一种配电设备巡检***，其特征在于，包括依次通信连接的边缘端设备、终端应用和云端管理设备；
所述边缘端设备，用于对从配电设备采集到的运行信号进行数据修正后，转换为运行图谱数据并进行初步诊断，生成初步诊断结果；
所述云端管理设备，用于调用深层复合神经网络根据所述运行图谱数据和预存的历史数据进行故障状态诊断，生成故障诊断结果；
所述终端应用，用于将所述运行图谱数据转发至所述云端管理设备，并显示所述初步诊断结果和所述故障诊断结果。
2.根据权利要求1所述的配电设备巡检***，其特征在于，所述边缘端设备包括红外热成像仪、局放检测仪和边缘处理器；所述运行图谱数据包括红外图谱、超声波图谱和特高频图谱；
所述红外热成像仪，用于当所述配电设备运行时，采集对应的红外信号并进行温度补偿，生成红外图谱；
所述局放检测仪，用于当所述配电设备运行时，采集对应的局放信号并进行降噪，转换为超声波图谱和特高频图谱；
所述边缘处理器，用于调用预设的轻量级复合神经网络，根据所述红外图谱、所述超声波图谱和所述特高频图谱，判断所述配电设备是否存在故障。
3.根据权利要求2所述的配电设备巡检***，其特征在于，所述边缘处理器，具体用于：
调用预设的轻量级复合神经网络匹配所述红外图谱对应的设备类型，并选取所述设备类型对应的温度缺陷表；
若所述红外信号与所述温度缺陷表匹配成功，则判定所述配电设备存在温度缺陷；
若所述红外信号与所述温度缺陷表匹配失败，则判定所述配电设备未存在温度缺陷；
若所述超声波图谱内的实时数据或所述特高频图谱内的实时数据大于预设故障阈值，则判定所述配电设备处于故障状态；
若所述超声波图谱内的实时数据和所述特高频图谱内的实时数据均未大于预设故障阈值，则判定所述配电设备未处于故障状态。
4.根据权利要求2所述的配电设备巡检***，其特征在于，所述云端管理设备包括数据服务器和云端数据库；
所述数据服务器，用于调用深层复合神经网络，根据所述红外图谱、所述超声波图谱、所述特高频图谱和预存的历史数据，确定所述配电设备对应的缺陷数据；
所述云端数据库，用于存储所述红外图谱、所述超声波图谱、所述特高频图谱和所述缺陷数据。
5.根据权利要求4所述的配电设备巡检***，其特征在于，所述数据服务器包括局放故障诊断模块和红外故障诊断模块；所述历史数据包括多个局放历史样本和多个红外历史样本；
所述局放故障诊断模块，用于基于多个所述局放历史样本对所述深层复合神经网络进行模型训练，生成第一模型并对所述超声波图谱和所述特高频图谱进行检测，确定所述配电设备的放电类型缺陷结果；
所述红外故障诊断模块，用于基于多个所述红外历史样本对所述深层复合神经网络进行模型训练，生成第二模型并对所述红外图谱进行检测，确定所述配电设备的红外类型缺陷结果。
6.根据权利要求5所述的配电设备巡检***，其特征在于，所述局放历史样本具有局放样本标签；所述局放故障诊断模块，具体用于：
对多个所述局放历史样本进行预处理，生成第一预处理样本；
初始化所述深层复合神经网络的第一模型参数；
将所述第一预处理样本输入所述深层复合神经网络，生成正向输出结果；
根据所述正向输出结果和所述局放样本标签之间的误差，采用误差逆传播和随机梯度下降法对所述第一模型参数进行更新，直至满足识别准确率，生成第一模型；
采用所述第一模型对所述超声波图谱和所述特高频图谱进行检测，判断所述配电设备是否存在放电类型缺陷；
若存在放电类型缺陷，则匹配所述配电设备对应的放电缺陷等级。
7.根据权利要求5所述的配电设备巡检***，其特征在于，所述红外故障诊断模块，具体用于：
对多个所述红外历史样本进行预处理，生成第二预处理样本；
采用特征提取、多尺度融合和分类定位技术，对所述深层复合神经网络进行模型训练，直至满足识别准确率，生成第二模型；
采用所述第二模型对所述红外图谱进行检测，判断所述配电设备对应的红外设备类型；
按照所述红外设备类型选取对应的缺陷判断标准表；
采用所述红外图谱匹配所述缺陷判断标准表，判断所述配电设备是否存在红外缺陷；
若存在红外缺陷，则匹配所述配电设备对应的红外缺陷等级。
8.根据权利要求1所述的配电设备巡检***，其特征在于，还包括业务管理网站，所述业务管理网站与所述云端管理设备通信连接；
所述业务管理网站，用于响应外部输入信息，对所述运行图谱数据和故障诊断结果执行管理操作，并对所述深层复合神经网络执行模型参数管理操作。
9.根据权利要求3所述的配电设备巡检***，其特征在于，所述轻量级复合神经网络的类型包括YOLOv4-tiny和MobileNet-SSD；
所述边缘端设备和终端应用之间通过局域网通信连接；
所述终端应用与所述云端管理设备之间通过互联网通信连接。
10.一种配电设备巡检方法，其特征在于，应用于配电设备巡检***，所述配电设备巡检***包括依次通信连接的边缘端设备、终端应用和云端管理设备，所述方法包括：
通过所述边缘端设备从配电设备采集运行信号；
通过所述边缘端设备对所述运行信号进行数据修正，生成运行图谱数据并进行初步诊断，生成初步诊断结果；
通过所述终端应用将所述运行图谱数据转发至所述云端管理设备；
通过所述云端管理设备调用深层复合神经网络根据所述运行图谱数据和预存的历史数据进行故障状态诊断，生成故障诊断结果；
通过所述终端应用显示所述初步诊断结果和所述故障诊断结果。
CN202311511262.XA 2023-11-13 2023-11-13 一种配电设备巡检***和方法 Pending CN117523337A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311511262.XA CN117523337A (zh) 2023-11-13 2023-11-13 一种配电设备巡检***和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311511262.XA CN117523337A (zh) 2023-11-13 2023-11-13 一种配电设备巡检***和方法

Publications (1)

Publication Number Publication Date
CN117523337A true CN117523337A (zh) 2024-02-06

Family

ID=89765826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311511262.XA Pending CN117523337A (zh) 2023-11-13 2023-11-13 一种配电设备巡检***和方法

Country Status (1)

Country Link
CN (1) CN117523337A (zh)

Similar Documents

Publication Publication Date Title
CN112734692B (zh) 一种变电设备缺陷识别方法及装置
CN104964886A (zh) 一种焊接构件疲劳应力及应变实时非接触式监测方法
CN113205039B (zh) 基于多dcnn网络的电力设备故障图像识别勘灾***及方法
CN103020590B (zh) 一种基于三维模型与图像匹配的车辆识别***及其方法
CN108711148A (zh) 一种基于深度学习的轮胎缺陷智能检测方法
CN110186375A (zh) 智能化高铁白车身焊接装配特征检测装置及检测方法
WO2021258636A1 (zh) 基于深度分层模糊算法的环保设备识别方法与***
CN114662619B (zh) 基于多源数据融合的桥梁监测***
CN112508911A (zh) 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测***及其检测方法
CN117523177A (zh) 一种基于人工智能混合大模型的燃气管道监测***和方法
CN113343998A (zh) 电力机械表计读数监测***、方法、计算机设备及应用
CN116543303A (zh) 一种基于深度学习的桥梁板式橡胶支座病害识别检测方法
CN103913150B (zh) 智能电能表电子元器件一致性检测方法
CN117237925B (zh) 一种基于计算机视觉的智慧道路病害巡检方法及***
CN110428398A (zh) 一种基于深度学习的高铁接触网拉线缺陷检测方法
CN114120086A (zh) 路面病害识别、图像处理模型训练方法、装置及电子设备
CN117635905A (zh) 基于图像识别算法的电能表装接质量智能监测方法
CN109766794B (zh) 一种自动化实时道路检测方法及其***
CN117523337A (zh) 一种配电设备巡检***和方法
CN112070379A (zh) 一种微电网风险监测预警***
CN112801110B (zh) 轨道列车线阵相机图像畸变校正的目标检测方法及装置
CN115086391A (zh) 基于穿戴式配网巡检装备的故障专家***及其使用方法
CN112115876A (zh) 一种基于3d卷积神经网络的水溶法实验过程识别方法
CN113850773A (zh) 一种检测方法、装置、设备及计算机可读存储介质
CN117708720B (zh) 一种基于知识图谱的设备故障诊断***

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