CN117669374A - 一种基于数字孪生的配变设备巡检方法 - Google Patents
一种基于数字孪生的配变设备巡检方法 Download PDFInfo
- Publication number
- CN117669374A CN117669374A CN202311630579.5A CN202311630579A CN117669374A CN 117669374 A CN117669374 A CN 117669374A CN 202311630579 A CN202311630579 A CN 202311630579A CN 117669374 A CN117669374 A CN 117669374A
- Authority
- CN
- China
- Prior art keywords
- equipment
- distribution transformer
- real
- transformer 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
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 56
- 238000007689 inspection Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 238000010586 diagram Methods 0.000 claims abstract description 11
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 5
- 238000005516 engineering process Methods 0.000 claims abstract description 5
- 230000009467 reduction Effects 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
-
- 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
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Economics (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种基于数字孪生的配变设备巡检方法，其包括以下步骤：步骤1：采集配变设备的实时运行数据，包括电流、电压、温度等参数；步骤2：基于数字孪生的变电站三维建模技术，实现一比一还原配电设备运行情况；步骤3：将实时数据输入到数字孪生***中，并与配变设备的数字孪生进行匹配；步骤4：数字孪生***利用机器学习和人工智能算法，对配变设备的运行状态进行预测和分析；步骤5：与一次***接线图进行特征比对，综合研判设备状态，得出故障研判准确率数据。
Description
技术领域
本发明涉及配变设备巡检方案设计和应用技术领域，特别提供了一种基于数字孪生的配变设备巡检方法。
背景技术
传统的配变设备巡检方法通常需要人工巡检，这既耗时又费力，而且对于一些远程或难以接近的设备，巡检工作更加困难。此外，传统的巡检方法往往只能对设备进行表面检查，无法实时监测设备的运行状态和预测潜在故障。
因此，人们迫切希望获得一种技术效果优良的新的基于数字孪生的配变设备巡检方法，以便提高巡检的准确性和效率。
发明内容
本发明提供了一种基于数字孪生的配变设备巡检方法，旨在提供一种能够高效准确地检测配变设备运行状态的方法。本发明采用数字孪生技术，通过将实际的配变设备与其数字孪生进行对应，实现了对配变设备的远程监测和巡检。通过传感器等设备采集到配变设备的实时运行数据，包括电流、电压、温度等参数，并将这些实时数据输入到数字孪生***中进行匹配。数字孪生***利用机器学习和人工智能算法，对配变设备的运行状态进行预测和分析。通过对实时数据的处理和对比，可以准确判断配变设备是否存在异常情况。一旦检测到异常情况，***会发出警报，提醒操作人员进行维修和处理。
本发明的技术方案为：
本发明提供了一种基于数字孪生的配变设备巡检方法，其技术关键是：包括以下步骤：
步骤1：采集配变设备的实时运行数据，包括电流、电压、温度等参数；
步骤2：基于数字孪生的变电站三维建模技术，实现一比一还原配电设备运行情况；
步骤3：将实时数据输入到数字孪生***中，并与配变设备的数字孪生进行匹配；
步骤4：数字孪生***利用机器学习和人工智能算法，对配变设备的运行状态进行预测和分析；
步骤5：与一次***接线图进行特征比对，综合研判设备状态，得出故障研判准确率数据。
本发明所述基于数字孪生的配变设备巡检方法，优选要求保护的技术内容是：
所述步骤1中采集的配变设备的实时运行数据包括下述内容：电流、电压、温度、刀闸状态、开关状态识别、仪表读数、声音、图像等各种参数。同时，也可以采集设备的历史数据，用于训练和建立机器学习模型。采集数据时具体是通过传感器、监测设备或其他数据源采集配变设备的实时数据。
所述步骤2中，将变电站进行三维建模时，将站区场景中的楼宇、道路等环境进行虚拟还原；设备、线路、设施等按照GIS***的坐标位置进行排布，将场景中的物理模型映射至虚拟场景中；
***采用VR制作手段，将重点关注设备进行属性绑定，以便于设备的跟踪与监测。
所述步骤3中，将传输过来的实时数据存储到数字孪生***的数据库中；之后对存储在数据库中的实时数据进行处理和分析，使用各种算法和模型来提取有用的信息，并进行数据清洗和转换(包括去除异常值、噪音等干扰因素，并将数据转换为适合机器学习算法处理的格式)；以便将处理后的实时数据与配变设备的数字孪生进行匹配。
所述步骤4中，在根据配变设备的特点和需要预测运行状态时，要求提取“有意义的特征”；这些“有意义的特征”是：原始数据的统计特征、时序特征、频域特征等；
提取“有意义的特征”的目的是为了提取能够反映设备状态的重要信息，以供后续的机器学习算法使用；用历史数据和提取的特征，建立机器学习模型；
通过训练模型，使其能够学习和理解配变设备的运行状态与各种参数之间的关系；
使用验证集或交叉验证的方法对训练好的模型进行评估，检查其预测准确度和性能；根据评估结果，对模型进行优化和调整，以提高其预测能力和泛化能力；
利用训练好的模型对实时数据进行预测和分析；根据当前的数据，模型能够预测配变设备的未来状态、故障风险等。这些预测结果可以帮助运维人员做出合理的决策，提前采取措施，避免设备故障和损失。
所述步骤5中，将数字孪生***与一次***接线图进行特征比对，综合研判设备状态，并利用***图的拓扑关系结合数字孪生接入的实时数据进行综合研判，防止出现误判现象，以便提高巡检的可信度和实时性。
本发明的有益效果为：
本发明与传统的巡检方法相比，具有实时性强，具备良好的远程监控能力，能有效减少人力成本和巡检时间，明显提高准确性和效率等优点。
附图说明
图1为实施例所述基于数字孪生的配变设备巡检方法的原理框图。
具体实施方式
下面结合实施例和说明书附图对本发明做进一步说明，但不限于此。
实施例1
一种基于数字孪生的配变设备巡检方法，参见图1，其技术关键是：包括以下步骤：
步骤1：采集配变设备的实时运行数据，包括电流、电压、温度等参数；
步骤2：基于数字孪生的变电站三维建模技术，实现一比一还原配电设备运行情况；
步骤3：将实时数据输入到数字孪生***中，并与配变设备的数字孪生进行匹配；
步骤4：数字孪生***利用机器学习和人工智能算法，对配变设备的运行状态进行预测和分析；
步骤5：与一次***接线图进行特征比对，综合研判设备状态，得出故障研判准确率数据。
所述步骤1中采集的配变设备的实时运行数据包括下述内容：电流、电压、温度、刀闸状态、开关状态识别、仪表读数、声音、图像等各种参数。同时，也可以采集设备的历史数据，用于训练和建立机器学习模型。采集数据时具体是通过传感器、监测设备或其他数据源采集配变设备的实时数据。
所述步骤2中，将变电站进行三维建模时，将站区场景中的楼宇、道路等环境进行虚拟还原；设备、线路、设施等按照GIS***的坐标位置进行排布，将场景中的物理模型映射至虚拟场景中；
***采用VR制作手段，将重点关注设备进行属性绑定，以便于设备的跟踪与监测。
所述步骤3中，将传输过来的实时数据存储到数字孪生***的数据库中；之后对存储在数据库中的实时数据进行处理和分析，使用各种算法和模型来提取有用的信息，并进行数据清洗和转换(包括去除异常值、噪音等干扰因素，并将数据转换为适合机器学习算法处理的格式)；以便将处理后的实时数据与配变设备的数字孪生进行匹配。
所述步骤4中，在根据配变设备的特点和需要预测运行状态时，要求提取“有意义的特征”；这些“有意义的特征”是：原始数据的统计特征、时序特征、频域特征等；
提取“有意义的特征”的目的是为了提取能够反映设备状态的重要信息，以供后续的机器学习算法使用；用历史数据和提取的特征，建立机器学习模型；
通过训练模型，使其能够学习和理解配变设备的运行状态与各种参数之间的关系；
使用验证集或交叉验证的方法对训练好的模型进行评估，检查其预测准确度和性能；根据评估结果，对模型进行优化和调整，以提高其预测能力和泛化能力；
利用训练好的模型对实时数据进行预测和分析；根据当前的数据，模型能够预测配变设备的未来状态、故障风险等。这些预测结果可以帮助运维人员做出合理的决策，提前采取措施，避免设备故障和损失。
所述步骤5中，将数字孪生***与一次***接线图进行特征比对，综合研判设备状态，并利用***图的拓扑关系结合数字孪生接入的实时数据进行综合研判，防止出现误判现象，以便提高巡检的可信度和实时性。
Claims (6)
1.一种基于数字孪生的配变设备巡检方法，其特征在于：包括以下步骤：
步骤1：采集配变设备的实时运行数据，包括电流、电压、温度等参数；
步骤2：基于数字孪生的变电站三维建模技术，实现一比一还原配电设备运行情况；
步骤3：将实时数据输入到数字孪生***中，并与配变设备的数字孪生进行匹配；
步骤4：数字孪生***利用机器学习和人工智能算法，对配变设备的运行状态进行预测和分析；
步骤5：与一次***接线图进行特征比对，综合研判设备状态，得出故障研判准确率数据。
2.按照权利要求1所述基于数字孪生的配变设备巡检方法，其特征在于：所述步骤1中采集的配变设备的实时运行数据包括下述内容：电流、电压、温度、刀闸状态、开关状态识别、仪表读数、声音、图像。
3.按照权利要求1或2所述基于数字孪生的配变设备巡检方法，其特征在于：所述步骤2中，将变电站进行三维建模时，将站区场景中的楼宇、道路进行虚拟还原；设备、线路、设施按照GIS***的坐标位置进行排布，将场景中的物理模型映射至虚拟场景中；
***采用VR制作手段，将重点关注设备进行属性绑定，以便于设备的跟踪与监测。
4.按照权利要求1或2所述基于数字孪生的配变设备巡检方法，其特征在于：所述步骤3中，将传输过来的实时数据存储到数字孪生***的数据库中；之后对存储在数据库中的实时数据进行处理和分析，提取有用的信息，并进行数据清洗和转换；以便将处理后的实时数据与配变设备的数字孪生进行匹配。
5.按照权利要求1或2所述基于数字孪生的配变设备巡检方法，其特征在于：所述步骤4中，在根据配变设备的特点和需要预测运行状态时，要求提取“有意义的特征”；这些“有意义的特征”是：原始数据的统计特征、时序特征、频域特征；
提取“有意义的特征”的目的是为了提取能够反映设备状态的重要信息，以供后续的机器学习算法使用；用历史数据和提取的特征，建立机器学习模型；
通过训练模型，使其能够学习和理解配变设备的运行状态与各种参数之间的关系；
使用验证集或交叉验证的方法对训练好的模型进行评估，检查其预测准确度和性能；根据评估结果，对模型进行优化和调整，以提高其预测能力和泛化能力；
利用训练好的模型对实时数据进行预测和分析；根据当前的数据，模型能够预测配变设备的未来状态、故障风险。
6.按照权利要求1或2所述基于数字孪生的配变设备巡检方法，其特征在于：所述步骤5中，将数字孪生***与一次***接线图进行特征比对，综合研判设备状态，并利用***图的拓扑关系结合数字孪生接入的实时数据进行综合研判，防止出现误判现象，以便提高巡检的可信度和实时性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311630579.5A CN117669374A (zh) | 2023-11-30 | 2023-11-30 | 一种基于数字孪生的配变设备巡检方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311630579.5A CN117669374A (zh) | 2023-11-30 | 2023-11-30 | 一种基于数字孪生的配变设备巡检方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117669374A true CN117669374A (zh) | 2024-03-08 |
Family
ID=90080181
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311630579.5A Pending CN117669374A (zh) | 2023-11-30 | 2023-11-30 | 一种基于数字孪生的配变设备巡检方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117669374A (zh) |
-
2023
- 2023-11-30 CN CN202311630579.5A patent/CN117669374A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110647133B (zh) | 轨道交通设备状态检测维护方法及*** | |
| CN106019084B (zh) | 基于配用电数据关联的中压配电网断线故障诊断方法 | |
| CN106888205B (zh) | 一种非侵入式基于功耗分析的plc异常检测方法 | |
| CN106407589B (zh) | 一种风机状态评估与预测方法及*** | |
| CN109858140B (zh) | 一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法 | |
| CN116244617A (zh) | 一种基于异构图结构学习的智能高压开关柜故障诊断方法和*** | |
| CN112734977B (zh) | 一种基于物联网的设备风险预警***及算法 | |
| CN110794254B (zh) | 一种基于强化学习的配电网故障预测方法及*** | |
| CN117612345A (zh) | 一种电力设备状态监测报警***及方法 | |
| CN116231504A (zh) | 一种升压站远程智能巡检方法、装置及*** | |
| CN117493498B (zh) | 基于工业互联网的电力数据挖掘与分析*** | |
| CN116050888A (zh) | 应用于智能高压开关柜传感器健康状态评估的方法 | |
| CN116961215A (zh) | 一种电力***故障快速反应处理方法 | |
| CN106680574B (zh) | 一种变电站设备过电压感知和数据处理方法 | |
| CN109285331B (zh) | 一种基于数据分析和温度预测的电力电缆温度预警*** | |
| CN114169550A (zh) | 一种电滤***设备健康保障运维***及运维方法 | |
| CN117591857A (zh) | 一种基于深度学习的电机检测方法 | |
| CN117669374A (zh) | 一种基于数字孪生的配变设备巡检方法 | |
| CN116108376A (zh) | 一种反窃电的监测***、方法、电子设备及介质 | |
| CN115600695A (zh) | 一种计量设备的故障诊断方法 | |
| Gao et al. | Fault prediction in electric power communication network based on improved DenseNet | |
| CN112883639A (zh) | 一种基于机器学习的gis设备寿命预测装置及方法 | |
| CN117200449B (zh) | 一种基于多维算法分析的电网监测管理方法及*** | |
| CN117706290A (zh) | 一种电缆终端潜在击穿故障预警方法 | |
| Yuan et al. | A Health Status Assessment Method of Switchgear in Substation Based on Digital Twin Technology and Random Matrix Model |
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 |