CN117674407A - 电网设备故障预警方法、装置、设备及存储介质 - Google Patents

电网设备故障预警方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117674407A
CN117674407A CN202311482179.4A CN202311482179A CN117674407A CN 117674407 A CN117674407 A CN 117674407A CN 202311482179 A CN202311482179 A CN 202311482179A CN 117674407 A CN117674407 A CN 117674407A
Authority
CN
China
Prior art keywords
distribution network
fault
power distribution
data
network equipment
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
CN202311482179.4A
Other languages
English (en)
Inventor
龙玉江
甘润东
李洵
钟掖
王兴川
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.)
Information Center of Guizhou Power Grid Co Ltd
Original Assignee
Information Center of Guizhou 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 Information Center of Guizhou Power Grid Co Ltd filed Critical Information Center of Guizhou Power Grid Co Ltd
Priority to CN202311482179.4A priority Critical patent/CN117674407A/zh
Publication of CN117674407A publication Critical patent/CN117674407A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F18/21—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
    • 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
    • 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
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H7/00—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions
    • H02H7/26—Sectionalised protection of cable or line systems, e.g. for disconnecting a section on which a short-circuit, earth fault, or arc discharge has occured
    • H02H7/261—Sectionalised protection of cable or line systems, e.g. for disconnecting a section on which a short-circuit, earth fault, or arc discharge has occured involving signal transmission between at least two stations
    • H02H7/262—Sectionalised protection of cable or line systems, e.g. for disconnecting a section on which a short-circuit, earth fault, or arc discharge has occured involving signal transmission between at least two stations involving transmissions of switching or blocking orders
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
    • H02H7/00—Emergency protective circuit arrangements specially adapted for specific types of electric machines or apparatus or for sectionalised protection of cable or line systems, and effecting automatic switching in the event of an undesired change from normal working conditions
    • H02H7/26—Sectionalised protection of cable or line systems, e.g. for disconnecting a section on which a short-circuit, earth fault, or arc discharge has occured
    • H02H7/261—Sectionalised protection of cable or line systems, e.g. for disconnecting a section on which a short-circuit, earth fault, or arc discharge has occured involving signal transmission between at least two stations
    • H02H7/263—Sectionalised protection of cable or line systems, e.g. for disconnecting a section on which a short-circuit, earth fault, or arc discharge has occured involving signal transmission between at least two stations involving transmissions of measured values
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
    • H02J13/00022—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment using wireless data transmission
    • H02J13/00024—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment using wireless data transmission by means of mobile telephony
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
    • H02J13/00022—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment using wireless data transmission
    • H02J13/00026—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment using wireless data transmission involving a local wireless network, e.g. Wi-Fi, ZigBee or Bluetooth
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
    • H02J13/00036—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for the elements or equipment being or involving switches, relays or circuit breakers
    • H02J13/0004—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for the elements or equipment being or involving switches, relays or circuit breakers involved in a protection system

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Power Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及电力***自动化技术领域，公开了一种电网设备故障预警方法、装置、设备及存储介质，该方法包括：对配电网设备进行监测，获得配电网设备的运行工况数据和一定范围内的环境影像数据；并对其进行关联分析获得当前影响权重；将上述数据输入至预设运行状态预测模型获得预测故障类型和预测波动值；在预测波动值达到对应的偏离值时，对配电网设备进行故障预警。由于本发明对配电网设备进行实时监测，基于预设运行状态预测模型对监测获得的运行工况数据和环境影像数据进行故障预测，在预测波动值达到偏离值时进行故障预警。避免了依靠人工经验难以发现设备故障的情况，能够及时有效发现配电网设备的潜在问题，进而提高了设备故障处理效率。

Description

电网设备故障预警方法、装置、设备及存储介质
技术领域
本发明涉及电力***自动化技术领域，尤其涉及一种电网设备故障预警方法、装置、设备及存储介质。
背景技术
为了提高配电网运行的安全性和经济性，并能够辅助配电网运维人员进行正确的分析与决策，需对配电网设备进行监测，全面掌握配电网设备的各种状态，其中配电网设备故障的发现与设备运行状态、健康状态、环境状态密切相关。要对配电网设备的各种状态进行精确判断和分析，需要综合配电***信息、设备信息和环境信息等多方面信息。在出现故障设备时进行预警、消缺。
然而电力***的电网监控信号量非常大，各监控信号之间及站与站之间信号关联性弱，电网设备故障事件分析和自动化识别技术不完善，依靠人力为主的传统运维检修模式对运维能力提升有限，已经难以满足迅猛增长的电网运维工作需求。同时，传统的运维检修模式难以实现资源的优化配置，运检资源分配随意性较大，制约了运检效率。目前，仅依靠人工经验判断设备故障、异常事件，难以及时、有效的发现设备故障或者异常情况，导致运维工作时效性难以保证，设备故障处理效率不高。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种电网设备故障预警方法、装置、设备及存储介质，旨在解决现有的依靠人工经验难以及时、有效的发现设备故障或者异常情况，导致设备故障处理效率不高的技术问题。
为实现上述目的，本发明提供了一种电网设备故障预警方法，所述方法包括以下步骤：
对配电网设备进行监测，获得所述配电网设备的运行工况数据和所述配电网设备一定范围内的环境影像数据；
对所述运行工况数据和所述环境影像数据进行关联分析，获得所述配电网设备与所述环境影像数据之间的当前影响权重；
将所述运行工况数据、所述环境影像数据和所述当前影响权重输入至预设运行状态预测模型，获得预测故障类型和预测波动值；
根据所述预测故障类型判断所述预测波动值是否达到对应的偏离值；
在所述预测波动值达到对应的偏离值时，根据所述运行工况数据和所述环境影像数据对所述配电网设备进行故障预警。
可选地，所述对配电网设备进行监测，获得所述配电网设备的运行工况数据和所述配电网设备一定范围内的环境影像数据之前，还包括：
对配电网设备的历史运行状态数据进行特征提取，获取所述配电网设备的故障特征数据；
将所述故障特征数据和所述历史运行状态数据共同划分为训练数据集和测试数据集；
根据所述训练数据集对初始神经网络模型进行训练，获得训练模型；
基于所述测试数据集对所述训练模型进行参数优化，获得所述配电网设备的预设运行状态预测模型。
可选地，所述对配电网设备的历史运行状态数据进行特征提取，获取所述配电网设备的故障特征数据之后，还包括：
根据所述故障特征数据和所述历史运行状态数据构建所述配电网设备对应的故障特征数据库；
基于所述故障特征数据和所述配电网设备的运行管理规则数据构建所述配电网设备对应的故障规则对照库；
相应的，所述根据所述训练数据集对初始神经网络模型进行训练，获得训练模型，包括：
根据所述训练数据集、所述故障特征数据库和所述故障规则对照库对初始神经网络模型进行训练，获得训练模型。
可选地，所述基于所述测试数据集对所述训练模型进行参数优化，获得所述配电网设备的预设运行状态预测模型，包括：
将所述测试数据集输入至所述训练模型，获得测试输出结果；
判断所述测试输出结果是否达到预设准确率；
在所述测试输出结果未达到所述预设准确率时，更新所述训练模型的偏置系数，直至所述测试输出结果达到所述预设准确率，将达到所述预设准确率所对应的训练模型作为所述配电网设备的预设运行状态预测模型。
可选地，所述在所述预测波动值达到对应的偏离值时，根据所述运行工况数据和所述环境影像数据对所述配电网设备进行故障预警，包括：
在存在所述预测波动值达到对应的偏离值的情况下，采集所述配电网变压器的负荷运行数据和负荷运行指标；
根据所述负荷运行数据确定所述配电网变压器的执行形态；
根据所述负荷运行指标判断所述执行形态是否属于预设的故障变动形态；
在所述执行形态属于所述故障变动形态时，基于所述负荷运行数据对所述配电网设备进行故障预警。
可选地，所述在所述执行形态属于所述故障变动形态时，基于所述负荷运行数据对所述配电网设备进行故障预警，包括：
在所述执行形态属于所述故障变动形态时，获取所述配电网设备所在线路的线路负载率和电气介数；
根据所述线路负载率、所述电气介数和所述负荷运行数据对所述配电网设备进行问题定位，获得所述配电网设备对应的故障位置；
基于所述故障位置对所述配电网设备进行故障预警。
可选地，所述根据所述预测故障类型判断所述预测波动值是否达到对应的偏离值，包括：
在所述预测波动值在第一预设偏离值内时，判定所述配电网设备处于正常运行状态；
在所述预测波动值达到第二预设偏离值时，判定所述配电网设备处于非正常运行状态；
在所述预测波动值达到第三预设偏离值时，判定所述配电网设备处于故障运行状态；
相应的，所述在所述预测波动值达到对应的偏离值时，根据所述运行工况数据和所述环境影像数据对所述配电网设备进行故障预警，包括：
在所述预测波动值达到所述第二预设偏离值或所述第三预设偏离值时，根据所述运行工况数据和所述环境影像数据对所述配电网设备进行故障预警。
此外，为实现上述目的，本发明还提出一种电网设备故障预警装置，所述装置包括：
数据监测模块，用于对配电网设备进行监测，获得所述配电网设备的运行工况数据和所述配电网设备一定范围内的环境影像数据；
关联分析模块，用于对所述运行工况数据和所述环境影像数据进行关联分析，获得所述配电网设备与所述环境影像数据之间的当前影响权重；
模型预测模块，用于将所述运行工况数据、所述环境影像数据和所述当前影响权重输入至预设运行状态预测模型，获得预测故障类型和预测波动值；
偏离判断模块，用于根据所述预测故障类型判断所述预测波动值是否达到对应的偏离值；
故障预警模块，用于在所述预测波动值达到对应的偏离值时，根据所述运行工况数据和所述环境影像数据对所述配电网设备进行故障预警。
此外，为实现上述目的，本发明还提出一种电网设备故障预警设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的电网设备故障预警程序，所述电网设备故障预警程序配置为实现如上文所述的电网设备故障预警方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有电网设备故障预警程序，所述电网设备故障预警程序被处理器执行时实现如上文所述的电网设备故障预警方法的步骤。
本发明通过对配电网设备进行监测，获得所述配电网设备的运行工况数据和所述配电网设备一定范围内的环境影像数据；接着对所述运行工况数据和所述环境影像数据进行关联分析，获得所述配电网设备与所述环境影像数据之间的当前影响权重；将所述运行工况数据、所述环境影像数据和所述当前影响权重输入至预设运行状态预测模型，获得预测故障类型和预测波动值；最后根据所述预测故障类型判断所述预测波动值是否达到对应的偏离值；在所述预测波动值达到对应的偏离值时，根据所述运行工况数据和所述环境影像数据对所述配电网设备进行故障预警。由于本发明对配电网设备进行实时监测，基于预设运行状态预测模型对监测获得的运行工况数据和环境影像数据进行故障预测，在预测波动值达到偏离值时进行故障预警。避免了依靠人工经验难以及时发现设备故障的情况，能够及时有效发现配电网设备的潜在问题，进而提高了设备故障处理效率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的电网设备故障预警设备的结构示意图；
图2为本发明电网设备故障预警方法第一实施例的流程示意图；
图3为本发明电网设备故障预警方法第二实施例的流程示意图；
图4为本发明电网设备故障预警方法第三实施例的流程示意图；
图5为本发明电网设备故障预警装置第一实施例的结构框图。
本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的电网设备故障预警设备的结构示意图。
如图1所示，该电网设备故障预警设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对电网设备故障预警设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及电网设备故障预警程序。
在图1所示的电网设备故障预警设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明电网设备故障预警设备中的处理器1001、存储器1005可以设置在电网设备故障预警设备中，所述电网设备故障预警设备通过处理器1001调用存储器1005中存储的电网设备故障预警程序，并执行本发明实施例提供的电网设备故障预警方法。
本发明实施例提供了一种电网设备故障预警方法，参照图2，图2为本发明电网设备故障预警方法第一实施例的流程示意图。
本实施例中，所述电网设备故障预警方法包括以下步骤：
步骤S10：对配电网设备进行监测，获得所述配电网设备的运行工况数据和所述配电网设备一定范围内的环境影像数据。
需要说明的是，本实施例方法的执行主体可以是具有设备监测、数据预测以及故障预警功能的电子设备，例如上述电网设备故障预警设备，本实施例对此不加以限制。此处以上述电网设备故障预警设备(简称预警设备)对本实施例和下述各实施例进行具体说明。
可理解的是，配电网设备是用于分配电力电能到不同用户或设备的电力***中的设备，例如变压器、断路器、开关设备、配电盘、电力计量设备等。可用于将电能从电源(如发电厂或变电站)传输到各个终端用户、建筑物、工厂或设备，有助于确保电力供应的安全、可靠和高效。
应理解的是，运行工况数据是与配电网中各种电力设备的运行状态和性能相关的信息和参数，例如电压和电流数据、温度数据、负载数据、开关状态数据、电能计量数据等。通过运行工况数据可用于监测配电***的正常运行以及潜在问题。
可理解的是，环境影像数据是获取的与配电网设备周围环境相关的图像或视频数据，包括设备所处位置、周围环境和潜在问题的视觉信息，例如设备周围的建筑物、道路、植被和其他地理特征、是否存在遮挡物、通风状况、防护措施等。通过环境影像数据可进一步提高配电网设备的故障排除。
在具体实现中，预警设备可对配电网设备进行实时监测，获得所述配电网设备的运行工况数据和所述配电网设备一定范围内的环境影像数据，例如电压和电流数据、温度数据、负载数据、开关状态数据、电能计量数据等，例如是否存在遮挡物、通风状况、防护措施等，以通过环境影像数据进一步提高配电网设备的故障排除。
步骤S20：对所述运行工况数据和所述环境影像数据进行关联分析，获得所述配电网设备与所述环境影像数据之间的当前影响权重。
需要说明的是，当前影响权重是配电网设备的运行和性能受到环境影响的程度。
可理解的是，配网设备故障可分为对称故障、非对称故障、相间故障、接地故障几大类。造成配网设备故障的原因可包括设备绝缘低质、老化、雷击、风吹、操作失误、鸟兽等引起。例如，如果环境影像数据显示设备周围有大量的杂草和植被，这可能影响到设备的通风情况，进而影响设备的温度。相应地，这种情况可能增加设备过热的风险。在这种情况下，环境影像数据的影响权重就很高，因为它直接关系到设备的安全运行。因此，可通过环境影像数据与配电网设备运行进行关联，进一步提高设备故障监测的准确性。
步骤S30：将所述运行工况数据、所述环境影像数据和所述当前影响权重输入至预设运行状态预测模型，获得预测故障类型和预测波动值。
需要说明的是，预设运行状态预测模型是预先设置的用于预测配电网设备的运行状态的模型。可通过分析历史数据、实时监测数据和其他相关信息，来预测设备在未来的某个时间点可能出现的运行状态。
可理解的是，预测故障类型是模型预测的配电网设备中的故障种类，例如对称故障、非对称故障、相间故障、接地故障等。
需要说明的是，预测波动值是模型预估配电网设备出现故障的波动程度或变动幅度，通过预测波动值可判断配电网设备出现故障的可能性，以提高运维的及时性。
在具体实现中，预警设备可对所述运行工况数据和所述环境影像数据进行关联分析，获得所述配电网设备与所述环境影像数据之间的当前影响权重。然后将所述运行工况数据、所述环境影像数据和所述当前影响权重输入至预设运行状态预测模型，获得预测故障类型和预测波动值。通过环境影像数据与配电网设备运行进行关联，进一步提高设备故障监测的准确性，同时通过预测波动值可判断配电网设备出现故障的可能性，以提高运维的及时性。
步骤S40：根据所述预测故障类型判断所述预测波动值是否达到对应的偏离值。
步骤S50：在所述预测波动值达到对应的偏离值时，根据所述运行工况数据和所述环境影像数据对所述配电网设备进行故障预警。
需要说明的是，偏离值是根据不同预测故障类型所对应的预测波动值与基准值之间的差异或偏离程度。通过偏离值可评估配电网设备的预测故障类型的异常性或不寻常性，以便评估潜在的问题或异常情况。
在具体实现中，预警设备可根据所述预测故障类型判断所述预测波动值是否达到对应的偏离值，在所述预测波动值达到对应的偏离值时，根据所述运行工况数据和所述环境影像数据对所述配电网设备进行故障预警。通过偏离值可评估配电网设备的预测故障类型的异常性或不寻常性，以便评估潜在的问题或异常情况，提高故障预警的准确性，避免无效故障预警的发生。
进一步地，本实施例中在步骤S40包括：在所述预测波动值在第一预设偏离值内时，判定所述配电网设备处于正常运行状态；在所述预测波动值达到第二预设偏离值时，判定所述配电网设备处于非正常运行状态；在所述预测波动值达到第三预设偏离值时，判定所述配电网设备处于故障运行状态；相应的，所述步骤S50包括：在所述预测波动值达到所述第二预设偏离值或所述第三预设偏离值时，根据所述运行工况数据和所述环境影像数据对所述配电网设备进行故障预警。
需要说明的是，第一预设偏离值、第二预设偏离值以及第三预设偏离值是预先设置的偏离阈值，不同的偏离阈值，表征配电网设备不同的运行状况，例如偏离值可包括：在0.5％以内、在0.5-2.5％内、超过2.5％等，本实施例对此不加以限定。
在具体实现中，预警设备可将电网设备运行状态的预测波动值与电网设备运行状态的实际数据相比较，并进行偏差统计；当预测波动值在0.5％以内，则判定配电网设备处于正常运行状态；当预测波动值在0.5-2.5％内，则判定配电网设备处于非正常运行状态；当预测波动值多数超过2.5％，则判定配电网设备处于故障状态。从而考虑到设备的正常波动，可根据不同的预设偏离值对配电网设备的状态进行判定，在极大可能故障时进行预警提醒，避免无效故障预警的发生，以提高故障预警的有效性。
本实施例预警设备可对配电网设备进行实时监测，获得所述配电网设备的运行工况数据和所述配电网设备一定范围内的环境影像数据，例如电压和电流数据、温度数据、负载数据、开关状态数据、电能计量数据等，例如是否存在遮挡物、通风状况、防护措施等，以通过环境影像数据进一步提高配电网设备的故障排除。然后对所述运行工况数据和所述环境影像数据进行关联分析，获得所述配电网设备与所述环境影像数据之间的当前影响权重。接着将所述运行工况数据、所述环境影像数据和所述当前影响权重输入至预设运行状态预测模型，获得预测故障类型和预测波动值。通过环境影像数据与配电网设备运行进行关联，进一步提高设备故障监测的准确性，同时通过预测波动值可判断配电网设备出现故障的可能性，以提高运维的及时性。最后可根据所述预测故障类型判断所述预测波动值是否达到对应的偏离值，在所述预测波动值达到对应的偏离值时，根据所述运行工况数据和所述环境影像数据对所述配电网设备进行故障预警。通过偏离值可评估配电网设备的预测故障类型的异常性或不寻常性，以便评估潜在的问题或异常情况，提高故障预警的准确性，避免无效故障预警的发生。由于本实施例对配电网设备进行实时监测，基于预设运行状态预测模型对监测获得的运行工况数据和环境影像数据进行故障预测，在预测波动值达到偏离值时进行故障预警。避免了依靠人工经验难以及时发现设备故障的情况，能够及时有效发现配电网设备的潜在问题，进而提高了设备故障处理效率。
参考图3，图3为本发明电网设备故障预警方法第二实施例的流程示意图。
基于上述第一实施例，在本实施例中，所述步骤S10之前，还包括：
步骤S01：对配电网设备的历史运行状态数据进行特征提取，获取所述配电网设备的故障特征数据。
需要说明的是，历史运行状态数据是过去一段时间内配电网设备的各种参数、指标和状态信息记录的数据，例如电压和电流数据、历史事件记录、维护记录等，通过对这些数据进行学习和训练可分析设备的性能、变化以及可能存在的故障迹象。
可理解的是，故障特征数据是对历史运行状态数据进行特征提取获得的描述设备故障状态的信息，例如波动幅度、温度异常、电流不平衡等，通过对历史运行状态数据中的特定模式或特征进行提取，有助于快速检测设备故障的迹象和异常行为。
步骤S02：将所述故障特征数据和所述历史运行状态数据共同划分为训练数据集和测试数据集。
需要说明的是，可将数据划分为训练数据集和测试数据集，以提高模型的性能和泛化能力。划分方式可包括随机划分、时间序列划分、分层抽样划分等，本实施例对此不加以限制。
步骤S03：根据所述训练数据集对初始神经网络模型进行训练，获得训练模型。
步骤S04：基于所述测试数据集对所述训练模型进行参数优化，获得所述配电网设备的预设运行状态预测模型。
在具体实现中，预警设备可对配电网设备的历史运行状态数据进行特征提取，获取所述配电网设备的故障特征数据，例如波动幅度、温度异常、电流不平衡等，通过对历史运行状态数据中的特定模式或特征进行提取，有助于快速检测设备故障的迹象和异常行为。然后可将数据划分为训练数据集和测试数据集，以提高模型的性能和泛化能力。最后在训练阶段，可使用训练数据集来拟合模型的参数和权重进行训练，获得训练模型。在测试阶段，可使用测试数据集来评估模型的性能，并进行参数优化和权重调整，获得所述配电网设备的预设运行状态预测模型，从而提高模型的预测精确性。
进一步地，本实施例中在步骤S01之后，还包括：根据所述故障特征数据和所述历史运行状态数据构建所述配电网设备对应的故障特征数据库；基于所述故障特征数据和所述配电网设备的运行管理规则数据构建所述配电网设备对应的故障规则对照库；相应的，所述步骤S03包括：根据所述训练数据集、所述故障特征数据库和所述故障规则对照库对初始神经网络模型进行训练，获得训练模型。
需要说明的是，故障特征数据库是用于记录和存储配电网设备故障相关特征的数据库，包含了与故障相关的各种数据，例如设备传感器数据、操作日志、维修记录等。通过建立和维护故障特征数据库，可利用历史数据进行故障分析和预测，提高设备的可靠性和维修效率。同时提供了丰富的训练数据，有助于构建和训练准确的预设运行状态预测模型。
可理解的是，运行管理规则数据是用于指导和规范配电网设备运行和管理的相关规则、标准或指南的数据，例如安全操作规则、负荷管理指南、设备巡检和维护要求等。通过运行管理规则数据可使模型学习配电网设备安全的运行规则，确保配电网的安全运行，提高模型的可靠性。
应理解的是，故障规则对照库是用于记录和管理故障数据与运行管理规则数据的对照数据库。建立故障规则对照库的目的是针对运行信息分析出电网设备故障。故障规则对照库的建立，需要收集电网异常事件的处理方法，综合分析提炼，形成故障规则对照库。
在具体实现中，预警设备可根据所述故障特征数据和所述历史运行状态数据构建所述配电网设备对应的故障特征数据库；通过建立和维护故障特征数据库，可利用历史数据进行故障分析和预测，提高设备的可靠性和维修效率。同时提供了丰富的训练数据，有助于构建和训练准确的预设运行状态预测模型。然后收集电网异常事件的处理方法，综合分析提炼，基于所述故障特征数据和所述配电网设备的运行管理规则数据构建所述配电网设备对应的故障规则对照库。最后根据所述训练数据集、所述故障特征数据库和所述故障规则对照库对初始神经网络模型进行训练，获得训练模型。从而可通过运行管理规则数据使模型学习配电网设备安全的运行规则，确保配电网的安全运行，提高模型的可靠性。
进一步地，本实施例中在步骤S04包括：将所述测试数据集输入至所述训练模型，获得测试输出结果；判断所述测试输出结果是否达到预设准确率；在所述测试输出结果未达到所述预设准确率时，更新所述训练模型的偏置系数，直至所述测试输出结果达到所述预设准确率，将达到所述预设准确率所对应的训练模型作为所述配电网设备的预设运行状态预测模型。
需要说明的是，预设准确率用于评估模型的准确率的预设阈值。在某些情况下，例如当测试输出结果存在故障类别不平衡或者预测数据相差甚远的情况时，可能代表模型性能较低。
可理解的是，偏置系数(Bias Coefficient)是模型学习中用于调整模型预测结果的一个参数。在模型中，偏置系数代表了因变量(或目标变量)在独立变量(或特征)为零时的预测值。通过调整偏置系数，可使训练模型更好地拟合数据，使得模型的预测结果与实际观测值尽可能接近，提高预测的准确性。
例如偏置系数可由测试数据集的待拟合数值、待拟合数值的均值、训练数据集的拟合值、测试数据集的数据大小以及待拟合数值的个数决定，例如：
其中，b为测试数据集的待拟合数值，为待拟合数值的均值，a为训练数据集的拟合值，n为测试数据集的大小，i为待拟合数值的个数，z为模型的偏置系数。
在具体实现中，在训练获得训练模型后，还需评估模型的性能。此时预警设备可将测试数据集输入至所述训练模型，判断所述测试输出结果是否达到预设准确率。例如当测试输出结果存在故障类别不平衡或者预测数据相差甚远的情况时，代表模型性能较低。此时，可根据上述的偏置系数更新训练模型，直至测试输出结果达到所述预设准确率，此时，代表模型性能合格，达到预期。将达到所述预设准确率所对应的训练模型作为所述配电网设备的预设运行状态预测模型。从而通过调整偏置系数，可使训练模型更好地拟合数据，使得模型的预测结果与实际观测值尽可能接近，提高预测的准确性。
本实施例预警设备可对配电网设备的历史运行状态数据进行特征提取，获取所述配电网设备的故障特征数据，例如波动幅度、温度异常、电流不平衡等，通过对历史运行状态数据中的特定模式或特征进行提取，有助于快速检测设备故障的迹象和异常行为。然后可将数据划分为训练数据集和测试数据集，以提高模型的性能和泛化能力。最后在训练阶段，可使用训练数据集来拟合模型的参数和权重进行训练，获得训练模型。在测试阶段，可使用测试数据集来评估模型的性能，并进行参数优化和权重调整，获得所述配电网设备的预设运行状态预测模型，从而提高模型的预测精确性。进一步地，预警设备还可根据所述故障特征数据和所述历史运行状态数据构建所述配电网设备对应的故障特征数据库；通过建立和维护故障特征数据库，可利用历史数据进行故障分析和预测，提高设备的可靠性和维修效率。同时提供了丰富的训练数据，有助于构建和训练准确的预设运行状态预测模型。然后收集电网异常事件的处理方法，综合分析提炼，基于所述故障特征数据和所述配电网设备的运行管理规则数据构建所述配电网设备对应的故障规则对照库。最后根据所述训练数据集、所述故障特征数据库和所述故障规则对照库对初始神经网络模型进行训练，获得训练模型。从而可通过运行管理规则数据使模型学***衡或者预测数据相差甚远的情况时，代表模型性能较低。此时，可根据上述的偏置系数更新训练模型，直至测试输出结果达到所述预设准确率，此时，代表模型性能合格，达到预期。将达到所述预设准确率所对应的训练模型作为所述配电网设备的预设运行状态预测模型。从而通过调整偏置系数，可使训练模型更好地拟合数据，使得模型的预测结果与实际观测值尽可能接近，提高预测的准确性。
参考图4，图4为本发明电网设备故障预警方法第三实施例的流程示意图。
基于上述各实施例，在本实施例中，所述步骤S50包括：
步骤S51：在存在所述预测波动值达到对应的偏离值的情况下，采集所述配电网变压器的负荷运行数据和负荷运行指标。
步骤S52：根据所述负荷运行数据确定所述配电网变压器的执行形态。
需要说明的是，负荷运行数据是记录和跟踪配电网中各个设备(如变压器、开关、保护装置等)所承载的电力负荷情况的数据，例如功率数据、配电网变压器所承载的负荷大小以及供电质量情况等。通过负荷运行数据，可明确了解各个设备的负荷状态、电力消耗情况和***负荷特征，以确保电网的可靠供电和高效运行。
可理解的是，负荷运行指标是指用于评估配电网变压器负荷运行状况的各种性能指标，例如负荷率、峰值负荷、负荷平衡、过载率等。通过负荷运行指标可确保***稳定运行和故障诊断，以提高配电网设备的稳定性。
可理解的是，配电网变压器的执行形态包括给电形态和阻电形态。给电形态为配电网变压器在现时的形态，实际能包含朝电网负荷给电的形态、配电网变压器的原边给电的形态。阻电形态为配电网变压器不光未朝电网负荷给电，亦未让自己的原边被输，亦为孤立态，没相连至任意装置上。
在具体实现中，在存在所述预测波动值达到对应的偏离值的情况下，预警设备可采集所述配电网变压器的负荷运行数据和负荷运行指标，例如功率数据、配电网变压器所承载的负荷大小以及供电质量情况、负荷率、峰值负荷、负荷平衡、过载率等，通过负荷运行数据，可明确了解各个设备的负荷状态、电力消耗情况和***负荷特征，确保***稳定运行和故障诊断。然后根据所述负荷运行数据确定所述配电网变压器的执行形态，例如给电形态和阻电形态。
步骤S53：根据所述负荷运行指标判断所述执行形态是否属于预设的故障变动形态。
步骤S54：在所述执行形态属于所述故障变动形态时，基于所述负荷运行数据对所述配电网设备进行故障预警。
需要说明的是，故障变动形态是所述执行形态中对应的故障形态，例如未朝电网负荷给电，或者给电过程为阻滞状态。
在具体实现中，预警设备可根据所述负荷运行指标判断所述执行形态是否属于预设的故障变动形态。例如在配电网变压器未朝电网负荷给电，或者给电过程为阻滞状态时，基于所述负荷运行数据对所述配电网设备进行故障预警。从而可根据配电网变压器相应的给电形态和阻电形态，对配电网变压器对应的配电网设备进行故障预警，以进一步提高预警的准确性。
进一步地，本实施例中在步骤S54包括：在所述执行形态属于所述故障变动形态时，获取所述配电网设备所在线路的线路负载率和电气介数；根据所述线路负载率、所述电气介数和所述负荷运行数据对所述配电网设备进行问题定位，获得所述配电网设备对应的故障位置；基于所述故障位置对所述配电网设备进行故障预警。
需要说明的是，线路负载率是某一时刻配电网设备所在线路的实际负载与其额定负载之比，可用来衡量配电网设备所在线路的负载程度。
可理解的是，电气介数是用来评估配电网设备中节点的重要性和影响力的指标。电气介数可用于表征通过一个配电网设备节点的电流或功率在整个配电网设备网络中传播的能力。具有高电气介数的节点在配电网设备网络中具有更大的影响力，若其发生故障可能导致配电网设备***的不稳定。通过线路负载率可合理控制以确保***稳定运行，通过电气介数可更好地了解***结构，从而进行合理的运行调度和设备维护。
在具体实现中，预警设备可在所述执行形态属于所述故障变动形态时，获取所述配电网设备所在线路的线路负载率和电气介数；通过线路负载率可合理控制以确保***稳定运行，通过电气介数可更好地了解***结构。然后根据所述线路负载率、所述电气介数和所述负荷运行数据对所述配电网设备进行问题定位，例如当设备发生故障时，通过反向追溯法断开或切换部分设备，逐步缩小故障范围，最终确定故障位置。最后基于所述故障位置对所述配电网设备进行故障预警，从而通过线路负载率和电气介数更好地明确配电网设备***的结构，以进行合理的运行调度和设备维护，提高故障维护的效率。
本实施例在存在所述预测波动值达到对应的偏离值的情况下，预警设备可采集所述配电网变压器的负荷运行数据和负荷运行指标，例如功率数据、配电网变压器所承载的负荷大小以及供电质量情况、负荷率、峰值负荷、负荷平衡、过载率等，通过负荷运行数据，可明确了解各个设备的负荷状态、电力消耗情况和***负荷特征，确保***稳定运行和故障诊断。然后根据所述负荷运行数据确定所述配电网变压器的执行形态，例如给电形态和阻电形态。预警设备可根据所述负荷运行指标判断所述执行形态是否属于预设的故障变动形态。例如在配电网变压器未朝电网负荷给电，或者给电过程为阻滞状态时，基于所述负荷运行数据对所述配电网设备进行故障预警。从而可根据配电网变压器相应的给电形态和阻电形态，对配电网变压器对应的配电网设备进行故障预警，以进一步提高预警的准确性。进一步地，预警设备还可在所述执行形态属于所述故障变动形态时，获取所述配电网设备所在线路的线路负载率和电气介数；通过线路负载率可合理控制以确保***稳定运行，通过电气介数可更好地了解***结构。然后根据所述线路负载率、所述电气介数和所述负荷运行数据对所述配电网设备进行问题定位，例如当设备发生故障时，通过反向追溯法断开或切换部分设备，逐步缩小故障范围，最终确定故障位置。最后基于所述故障位置对所述配电网设备进行故障预警，从而通过线路负载率和电气介数更好地明确配电网设备***的结构，以进行合理的运行调度和设备维护，提高故障维护的效率。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有电网设备故障预警程序，所述电网设备故障预警程序被处理器执行时实现如上文所述的电网设备故障预警方法的步骤。
参照图5，图5为本发明电网设备故障预警装置第一实施例的结构框图。
如图5所示，本发明实施例提出的电网设备故障预警装置包括：
数据监测模块501，用于对配电网设备进行监测，获得所述配电网设备的运行工况数据和所述配电网设备一定范围内的环境影像数据；
关联分析模块502，用于对所述运行工况数据和所述环境影像数据进行关联分析，获得所述配电网设备与所述环境影像数据之间的当前影响权重；
模型预测模块503，用于将所述运行工况数据、所述环境影像数据和所述当前影响权重输入至预设运行状态预测模型，获得预测故障类型和预测波动值；
偏离判断模块504，用于根据所述预测故障类型判断所述预测波动值是否达到对应的偏离值；
故障预警模块505，用于在所述预测波动值达到对应的偏离值时，根据所述运行工况数据和所述环境影像数据对所述配电网设备进行故障预警。
本实施例预警设备可对配电网设备进行实时监测，获得所述配电网设备的运行工况数据和所述配电网设备一定范围内的环境影像数据，例如电压和电流数据、温度数据、负载数据、开关状态数据、电能计量数据等，例如是否存在遮挡物、通风状况、防护措施等，以通过环境影像数据进一步提高配电网设备的故障排除。然后对所述运行工况数据和所述环境影像数据进行关联分析，获得所述配电网设备与所述环境影像数据之间的当前影响权重。接着将所述运行工况数据、所述环境影像数据和所述当前影响权重输入至预设运行状态预测模型，获得预测故障类型和预测波动值。通过环境影像数据与配电网设备运行进行关联，进一步提高设备故障监测的准确性，同时通过预测波动值可判断配电网设备出现故障的可能性，以提高运维的及时性。最后可根据所述预测故障类型判断所述预测波动值是否达到对应的偏离值，在所述预测波动值达到对应的偏离值时，根据所述运行工况数据和所述环境影像数据对所述配电网设备进行故障预警。通过偏离值可评估配电网设备的预测故障类型的异常性或不寻常性，以便评估潜在的问题或异常情况，提高故障预警的准确性，避免无效故障预警的发生。由于本实施例对配电网设备进行实时监测，基于预设运行状态预测模型对监测获得的运行工况数据和环境影像数据进行故障预测，在预测波动值达到偏离值时进行故障预警。避免了依靠人工经验难以及时发现设备故障的情况，能够及时有效发现配电网设备的潜在问题，进而提高了设备故障处理效率。
基于本发明上述电网设备故障预警装置第一实施例，提出本发明电网设备故障预警装置的第二实施例。
在本实施例中，所述电网设备故障预警装置还包括模型构建模块506，用于对配电网设备的历史运行状态数据进行特征提取，获取所述配电网设备的故障特征数据；将所述故障特征数据和所述历史运行状态数据共同划分为训练数据集和测试数据集；根据所述训练数据集对初始神经网络模型进行训练，获得训练模型；基于所述测试数据集对所述训练模型进行参数优化，获得所述配电网设备的预设运行状态预测模型。
进一步地，所述模型构建模块506，还用于根据所述故障特征数据和所述历史运行状态数据构建所述配电网设备对应的故障特征数据库；基于所述故障特征数据和所述配电网设备的运行管理规则数据构建所述配电网设备对应的故障规则对照库；相应的，根据所述训练数据集、所述故障特征数据库和所述故障规则对照库对初始神经网络模型进行训练，获得训练模型。
进一步地，所述模型构建模块506，还用于将所述测试数据集输入至所述训练模型，获得测试输出结果；判断所述测试输出结果是否达到预设准确率；在所述测试输出结果未达到所述预设准确率时，更新所述训练模型的偏置系数，直至所述测试输出结果达到所述预设准确率，将达到所述预设准确率所对应的训练模型作为所述配电网设备的预设运行状态预测模型。
进一步地，所述故障预警模块505，还用于在存在所述预测波动值达到对应的偏离值的情况下，采集所述配电网变压器的负荷运行数据和负荷运行指标；根据所述负荷运行数据确定所述配电网变压器的执行形态；根据所述负荷运行指标判断所述执行形态是否属于预设的故障变动形态；在所述执行形态属于所述故障变动形态时，基于所述负荷运行数据对所述配电网设备进行故障预警。
进一步地，所述故障预警模块505，还用于在所述执行形态属于所述故障变动形态时，获取所述配电网设备所在线路的线路负载率和电气介数；根据所述线路负载率、所述电气介数和所述负荷运行数据对所述配电网设备进行问题定位，获得所述配电网设备对应的故障位置；基于所述故障位置对所述配电网设备进行故障预警。
进一步地，所述偏离判断模块504，还用于在所述预测波动值在第一预设偏离值内时，判定所述配电网设备处于正常运行状态；在所述预测波动值达到第二预设偏离值时，判定所述配电网设备处于非正常运行状态；在所述预测波动值达到第三预设偏离值时，判定所述配电网设备处于故障运行状态；相应的，所述故障预警模块505，还用于在所述预测波动值达到所述第二预设偏离值或所述第三预设偏离值时，根据所述运行工况数据和所述环境影像数据对所述配电网设备进行故障预警。
本发明电网设备故障预警装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
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。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种电网设备故障预警方法，其特征在于，所述电网设备故障预警方法包括：
对配电网设备进行监测，获得所述配电网设备的运行工况数据和所述配电网设备一定范围内的环境影像数据；
对所述运行工况数据和所述环境影像数据进行关联分析，获得所述配电网设备与所述环境影像数据之间的当前影响权重；
将所述运行工况数据、所述环境影像数据和所述当前影响权重输入至预设运行状态预测模型，获得预测故障类型和预测波动值；
根据所述预测故障类型判断所述预测波动值是否达到对应的偏离值；
在所述预测波动值达到对应的偏离值时，根据所述运行工况数据和所述环境影像数据对所述配电网设备进行故障预警。
2.如权利要求1所述的电网设备故障预警方法，其特征在于，所述对配电网设备进行监测，获得所述配电网设备的运行工况数据和所述配电网设备一定范围内的环境影像数据之前，还包括：
对配电网设备的历史运行状态数据进行特征提取，获取所述配电网设备的故障特征数据；
将所述故障特征数据和所述历史运行状态数据共同划分为训练数据集和测试数据集；
根据所述训练数据集对初始神经网络模型进行训练，获得训练模型；
基于所述测试数据集对所述训练模型进行参数优化，获得所述配电网设备的预设运行状态预测模型。
3.如权利要求2所述的电网设备故障预警方法，其特征在于，所述对配电网设备的历史运行状态数据进行特征提取，获取所述配电网设备的故障特征数据之后，还包括：
根据所述故障特征数据和所述历史运行状态数据构建所述配电网设备对应的故障特征数据库；
基于所述故障特征数据和所述配电网设备的运行管理规则数据构建所述配电网设备对应的故障规则对照库；
相应的，所述根据所述训练数据集对初始神经网络模型进行训练，获得训练模型，包括：
根据所述训练数据集、所述故障特征数据库和所述故障规则对照库对初始神经网络模型进行训练，获得训练模型。
4.如权利要求3所述的电网设备故障预警方法，其特征在于，所述基于所述测试数据集对所述训练模型进行参数优化，获得所述配电网设备的预设运行状态预测模型，包括：
将所述测试数据集输入至所述训练模型，获得测试输出结果；
判断所述测试输出结果是否达到预设准确率；
在所述测试输出结果未达到所述预设准确率时，更新所述训练模型的偏置系数，直至所述测试输出结果达到所述预设准确率，将达到所述预设准确率所对应的训练模型作为所述配电网设备的预设运行状态预测模型。
5.如权利要求1所述的电网设备故障预警方法，其特征在于，所述在所述预测波动值达到对应的偏离值时，根据所述运行工况数据和所述环境影像数据对所述配电网设备进行故障预警，包括：
在存在所述预测波动值达到对应的偏离值的情况下，采集所述配电网变压器的负荷运行数据和负荷运行指标；
根据所述负荷运行数据确定所述配电网变压器的执行形态；
根据所述负荷运行指标判断所述执行形态是否属于预设的故障变动形态；
在所述执行形态属于所述故障变动形态时，基于所述负荷运行数据对所述配电网设备进行故障预警。
6.如权利要求5所述的电网设备故障预警方法，其特征在于，所述在所述执行形态属于所述故障变动形态时，基于所述负荷运行数据对所述配电网设备进行故障预警，包括：
在所述执行形态属于所述故障变动形态时，获取所述配电网设备所在线路的线路负载率和电气介数；
根据所述线路负载率、所述电气介数和所述负荷运行数据对所述配电网设备进行问题定位，获得所述配电网设备对应的故障位置；
基于所述故障位置对所述配电网设备进行故障预警。
7.如权利要求1～6中任一项所述的电网设备故障预警方法，其特征在于，所述根据所述预测故障类型判断所述预测波动值是否达到对应的偏离值，包括：
在所述预测波动值在第一预设偏离值内时，判定所述配电网设备处于正常运行状态；
在所述预测波动值达到第二预设偏离值时，判定所述配电网设备处于非正常运行状态；
在所述预测波动值达到第三预设偏离值时，判定所述配电网设备处于故障运行状态；
相应的，所述在所述预测波动值达到对应的偏离值时，根据所述运行工况数据和所述环境影像数据对所述配电网设备进行故障预警，包括：
在所述预测波动值达到所述第二预设偏离值或所述第三预设偏离值时，根据所述运行工况数据和所述环境影像数据对所述配电网设备进行故障预警。
8.一种电网设备故障预警装置，其特征在于，所述装置包括：
数据监测模块，用于对配电网设备进行监测，获得所述配电网设备的运行工况数据和所述配电网设备一定范围内的环境影像数据；
关联分析模块，用于对所述运行工况数据和所述环境影像数据进行关联分析，获得所述配电网设备与所述环境影像数据之间的当前影响权重；
模型预测模块，用于将所述运行工况数据、所述环境影像数据和所述当前影响权重输入至预设运行状态预测模型，获得预测故障类型和预测波动值；
偏离判断模块，用于根据所述预测故障类型判断所述预测波动值是否达到对应的偏离值；
故障预警模块，用于在所述预测波动值达到对应的偏离值时，根据所述运行工况数据和所述环境影像数据对所述配电网设备进行故障预警。
9.一种电网设备故障预警设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的电网设备故障预警程序，所述电网设备故障预警程序配置为实现如权利要求1至7中任一项所述的电网设备故障预警方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有电网设备故障预警程序，所述电网设备故障预警程序被处理器执行时实现如权利要求1至7任一项所述的电网设备故障预警方法的步骤。
CN202311482179.4A 2023-11-08 2023-11-08 电网设备故障预警方法、装置、设备及存储介质 Pending CN117674407A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311482179.4A CN117674407A (zh) 2023-11-08 2023-11-08 电网设备故障预警方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311482179.4A CN117674407A (zh) 2023-11-08 2023-11-08 电网设备故障预警方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN117674407A true CN117674407A (zh) 2024-03-08

Family

ID=90076095

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311482179.4A Pending CN117674407A (zh) 2023-11-08 2023-11-08 电网设备故障预警方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117674407A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118074243A (zh) * 2024-04-18 2024-05-24 国网山东省电力公司宁津县供电公司 一种基于消防水泵的供电***稳定运行控制方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118074243A (zh) * 2024-04-18 2024-05-24 国网山东省电力公司宁津县供电公司 一种基于消防水泵的供电***稳定运行控制方法

Similar Documents

Publication Publication Date Title
CN109146093B (zh) 一种基于学习的电力设备现场勘查方法
CN108491990A (zh) 一种风电场设备状态评价及检修决策支持检测方法及***
CN112700144B (zh) 变电站运行状态风险评估方法、装置、设备以及存储介质
CN117674407A (zh) 电网设备故障预警方法、装置、设备及存储介质
CN110826228B (zh) 一种地区电网运行品质极限评估方法
CN115549094A (zh) 一种智能电网变电设备预警评估方法及***
CN117406026A (zh) 一种适用于分布式电源的配电网故障检测方法
CN117390403A (zh) 一种新能源灯塔发电站的电网故障检测方法及***
CN115456410A (zh) 一种电网风险的评估方法及评估***
CN115603459A (zh) 一种基于数字孪生技术的配电网关键厂站监测方法与***
CN118157330A (zh) 基于图计算的配电网全景动态拓扑监测控制方法及***
CN108596450B (zh) 电网风险预警方法和***
She et al. Multi-dimensional health evaluation of equipment in electric power communication network
CN114493238A (zh) 供电服务风险预测方法、***、存储介质及计算机设备
CN117113157B (zh) 一种基于人工智能的台区用电故障检测***
CN114142614A (zh) 一种基于sd-wan网络的高速公路配电房智能运维管理***
CN117251810A (zh) 基于数字孪生平台的变电站设备状态评估预警***及方法
CN115586402B (zh) 配电网故障诊断与处理方法
CN115932564A (zh) 高压断路器故障评估方法、装置、设备及可读存储介质
Fang et al. Calculation method of outage probability of distribution network based on real-time failure rate of equipment
Wang et al. Research on reliability evaluation method of protection system based on Kaplan-Meier and GO method
CN118226179B (zh) 一种配网自动化继电保护测试***
Gong et al. State detection method of secondary equipment in smart substation based on deep belief network and trend prediction
CN117148048B (zh) 基于数字孪生技术的配电网故障预测方法及***
CN117640218B (zh) 一种电力网络安全仿真方法和***

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