CN117913999A - 智能配电柜及智能配电方法 - Google Patents

智能配电柜及智能配电方法 Download PDF

Info

Publication number
CN117913999A
CN117913999A CN202410107041.4A CN202410107041A CN117913999A CN 117913999 A CN117913999 A CN 117913999A CN 202410107041 A CN202410107041 A CN 202410107041A CN 117913999 A CN117913999 A CN 117913999A
Authority
CN
China
Prior art keywords
feature
power supply
seg
sequence
supply parameter
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.)
Granted
Application number
CN202410107041.4A
Other languages
English (en)
Other versions
CN117913999B (zh
Inventor
韩建辉
蔡素珍
张翔顺
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 Huayu Electrical Equipment Co ltd
Original Assignee
Guangzhou Huayu Electrical Equipment 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 Huayu Electrical Equipment Co ltd filed Critical Guangzhou Huayu Electrical Equipment Co ltd
Priority to CN202410107041.4A priority Critical patent/CN117913999B/zh
Publication of CN117913999A publication Critical patent/CN117913999A/zh
Application granted granted Critical
Publication of CN117913999B publication Critical patent/CN117913999B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • H02J13/00034—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 an electric power substation
    • 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
    • G06F18/23—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请涉及电故障的探测装置技术领域，尤其涉及一种智能配电柜及智能配电方法。智能配电方法，包括以下步骤：获取经过配电柜向动力设备供电的供电参数；创建一个滑动时间窗口，以保存一段连续时间的供电参数；根据滑动时间窗口内供电参数的变化，根据滑动时间窗口的异常情况，使用数据特征提取函数将滑动时间窗口的供电参数处理为第一特征；使用损坏特征识别模型对第一特征进行识别，以得到第一特征是否为损坏特征；若第一特征是损坏特征，获取该损坏特征的损坏风险值；使动力设备的损坏风险累加值加和损坏风险值，当负载的损坏风险累加值大于第一阈值时，执行维护策略。本申请提供的一种智能配电柜及智能配电方法，能够提高预测的准确率。

Description

智能配电柜及智能配电方法
技术领域
本申请涉及电故障的探测装置技术领域，尤其涉及一种智能配电柜及智能配电方法。
背景技术
在现代工业应用中，配电柜作为连接动力设备与电源的关键组件，承担着监测和控制供电参数的重要角色。这些供电参数通常包括电压、电流、功率和频率等，它们直接影响着动力设备的运行状态。
工程师可以通过配电柜中的供电参数来预测和确定动力设备的未来状态，进而提出相应的维护和检修建议。
然而，现有技术直接依赖于动力设备的供电参数来预测其未来状态，预测的准确率不高。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了一种智能配电柜及智能配电方法，能够提高预测的准确率。
第一方面，本申请提供了一种智能配电方法，所述智能配电方法包括以下步骤：
获取经过配电柜向动力设备供电的供电参数；
创建一个滑动时间窗口，以保存一段连续时间的供电参数；
根据滑动时间窗口内供电参数的变化，判断得到滑动时间窗口内供电参数序列是否异常，根据滑动时间窗口内供电参数序列的异常情况，使用数据特征提取函数将滑动时间窗口的供电参数序列处理为第一特征；
使用损坏特征识别模型对第一特征进行识别，以得到第一特征是否为损坏特征；
若所述第一特征是损坏特征，获取该损坏特征的损坏风险值；
使动力设备的损坏风险累加值加和所述损坏风险值，当负载的损坏风险累加值大于第一阈值时，执行维护策略。
可选的，所述损坏特征识别模型通过以下步骤得到：
获取多个相同的动力设备在损坏前的供电参数，按距离动力设备损害的时间远近进行排列得到供电参数序列；
对每个动力设备的供电参数序列进行划分，以得到描述每个动力设备的供电参数序列的多个特征序列段；
根据特征序列段内供电参数的变化，使用数据特征提取函数对每个特征序列段处理后得到每个特征序列段的特征描述；
分别对动力设备的特征序列段的特征描述进行聚类，以得到异常特征序列段的特征描述；
计算多个相同的动力设备的异常特征序列段的特征描述的相似度，以获取得到在多个动力设备中同时出现的异常特征序列段的特征描述，将在多个动力设备中同时出现的异常特征序列段的特征描述作为损坏特征；
使用自编码器作为网络框架，损坏特征作为训练集，以此训练得到损坏特征识别模型。
可选的，对每个动力设备的供电参数序列进行划分，以得到描述每个动力设备的供电参数序列的多个特征序列段包括以下步骤：
供电参数序列中，供电参数的波动能够保持第一预设时间以上不高于第二阈值的部分设为供电参数无变动段；
供电参数序列中，供电参数的波动高于第二阈值的部分设为供电参数变动段；
将供电参数变动段，以及供电参数变动段前后的供电参数无变动段划分为一个特征序列段。
可选的，根据特征序列段内供电参数的变化，使用数据特征提取函数对每个特征序列段处理后得到每个特征序列段的特征描述包括：
所述数据特征提取函数为：
其中，S(Pseg)为特征序列段Pseg的特征描述，nseg为序列段中数据点的数量，Pi,seg为特征序列段Pseg的第i个数据点，dseg根据整个序列段的异常值E(Pseg)进行确定；
E(Pseg)大于预设的异常值阈值时的dseg，大于E(Pseg)小于预设的异常值阈值时的dseg；
其中：
其中：
其中，是当前特征序列段中数据点的平均值，/>是前一特征序列段中数据点的平均值，α和λ为经验参数，ΔN(Pseg,Pseg,prev)是当前特征序列段中供电参数的波动高于第二阈值的次数和前一特征序列段中供电参数的波动高于第二阈值的次数的差值。
可选的，分别对动力设备的特征序列段的特征描述进行聚类，以得到异常特征序列段的特征描述包括：
使用kmeans算法将所述特征描述进行聚类，将异常值小于预设异常值阈值的特征序列段的特征描述聚成的类设为第一类，将异常值大于预设的异常值阈值且不属于第一类的特征序列段的特征描述设置为异常特征序列段的特征描述。
可选的，根据滑动时间窗口内供电参数的变化，判断得到滑动时间窗口内供电参数序列是否异常，根据滑动时间窗口内供电参数序列的异常情况，使用数据特征提取函数将滑动时间窗口的供电参数序列处理为第一特征：
所述数据特征提取函数为：
其中，所述特征序列段Pseg为当前滑动时间窗口内的供电参数序列，S(Pseg)为特征序列段Pseg的特征描述即第一特征，nseg为序列段中数据点的数量，Pi,seg为特征序列段Pseg的第i个数据点，dseg根据整个序列段的异常值E(Pseg)进行确定；
E(Pseg)大于预设的异常值阈值时的dseg，大于E(Pseg)小于预设的异常值阈值时的dseg；
其中：
其中：
其中，是当前特征序列段中数据点的平均值，/>是前一特征序列段中数据点的平均值，α和λ为经验参数，ΔN(Pseg,Pseg,prev)是当前特征序列段中供电参数的波动高于第二阈值的次数和前一特征序列段中供电参数的波动高于第二阈值的次数的差值。
可选的，所述智能配电方法还包括：对每个损坏特征设置损坏风险值，所述损坏特征的损坏风险值的设置规则为：
当动力设备发生损坏时，损坏特征出现的时间越靠近动力设备发生损坏的时间，该损坏特征的损坏风险值设置得越大。
第二方面，本申请提供了一种智能配电柜，所述智能配电柜包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如第一方面任一所述的智能配电方法。
本申请提供的技术方案与现有技术相比具有如下优点：
现有技术提供的预测动力设备未来状态的技术方案默认应用的动力设备为那些表现出周期性的动力设备。但是，现有技术在处理那些工作状态剧烈变化的动力设备时，由于这类剧烈变化设备的供电参数在长期数据的表现上往往缺乏重复性，使得直接基于供电参数的预测模型难以学习和形成准确的预判。例如，在高变动负荷的场景下，动力设备的供电参数可能会出现快速和不规则的变化。
本申请提供的技术方案采取了动态提取特征的策略，通过数据特征提取函数根据滑动时间窗口内供电参数的变化，改变对滑动时间窗口内数据特征的提取力度，使得异常波动的数据能够保留更多的特征，而正常波动的数据能够消除更多的噪音。从而将剧烈变化的动力设备的供电参数不规则变化缓冲和转化成可以用于分辨异常的数据特征。
同时，应当注意到的时，因为动力设备在长时间保持运行高功率的平稳运行时，其供电参数例如功率的数值，偶尔会突破动力设备的额定功率值，但是这种情况是正常的，若将这种情况下的供电参数序列判断为异常特征则会导致误判。
本申请的判断异常波动时，不仅根据滑动时间窗口内供电参数的变化幅度，还根据前一时间窗口供电参数序列判断得到当前滑动时间窗口内供电参数序列是否为异常波动的情况，来改变滑动时间窗口内数据特征的提取力度，从而避免了直接对变化幅度设置阈值来判断滑动时间窗口内供电参数序列是否异常而导致的误判。
本申请能够解决传统方法在处理无规律变化的动力设备时的局限性。因此，本申请提供的一种智能配电柜及智能配电方法，能够提高预测的准确率。
附图说明
图1为本申请实施例提供的智能配电方法的流程示意图。
具体实施方式
下面将结合附图，对本申请中的技术方案进行描述。
在下面的描述中阐述了很多具体细节以便于充分理解本申请，但本申请还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本申请的一部分实施例，而不是全部的实施例。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
第一方面，本申请提供了一种智能配电方法，所述智能配电方法包括以下步骤：
S101：获取经过配电柜向动力设备供电的供电参数；
创建一个滑动时间窗口，以保存一段连续时间的供电参数；
具体的，在本申请实施例中，所述供电参数为动力设备的电功率。在本申请实施例中，每隔1秒采集当前动力设备的电功率，采集滑动时间窗口的长度的次数，以组成滑动时间窗口。所述滑动时间窗口的长度需要根据实际设置。但是应当注意的是，每次更新滑动时间窗口的步长与滑动时间窗口的长度相同。例如，滑动时间窗口的大小为30，前一个滑动时间窗口记载的供电参数序列是，从第1秒到第30秒之间的动力设备电功率序列，那下一次滑动时间窗口更新是在第60秒，更新后的滑动时间窗口记载的是从第31秒到第60秒之间的动力设备电功率序列。
S102：根据滑动时间窗口内供电参数的变化，判断得到滑动时间窗口内供电参数序列是否异常，根据滑动时间窗口内供电参数序列的异常情况，使用数据特征提取函数将滑动时间窗口的供电参数序列处理为第一特征：
具体的，所述数据特征提取函数为：
其中，所述特征序列段Pseg为当前滑动时间窗口内的供电参数序列，S(Pseg)为特征序列段Pseg的特征描述即第一特征，nseg为序列段中数据点的数量，Pi,seg为特征序列段Pseg的第i个数据点，dseg根据整个序列段的异常值E(Pseg)进行确定；
E(Pseg)大于预设的异常值阈值时的dseg，大于E(Pseg)小于预设的异常值阈值时的dseg；
具体的，在本申请实施例中，异常值阈值是一个人为设定的值。E(Pseg)大于预设的异常值阈值时的dseg为大于1的值，例如设定将dseg设为2。而E(Pseg)小于预设的异常值阈值时的dseg为大于0小于1的值，例如将dseg设为0.5。
其中：
其中：
其中，是当前特征序列段中数据点的平均值，/>是前一特征序列段中数据点的平均值，α和λ为经验参数，ΔN(Pseg,Pseg,prev)是当前特征序列段中供电参数的波动高于第二阈值的次数和前一特征序列段中供电参数的波动高于第二阈值的次数的差值。
具体的，在本申请实施例中，α和λ是人为设定的经验参数。供电参数的波动是通过将当前特征序列段中的电功率最大值和电功率最小值作差得到。第二阈值是一个人为设定的值，用于划分正常和异常的电功率的幅度变化。
其有益效果在于，本申请的技术方案有效地区分了动力设备在剧烈变化条件下的正常波动和异常波动，通过动态的改变对滑动时间窗口内数据特征的提取力度，使得异常波动的数据能够保留更多的特征，而正常波动的数据能够消除更多的噪音。从而将剧烈变化的动力设备的供电参数不规则变化缓冲和转化成可以用于分辨异常的数据特征。从而提高了***的预测准确性和可靠性。这个公式的关键在于它如何动态地处理滑动时间窗口内的供电参数。
其中，公式S(Pseg)是核心，用于计算特征序列段Pseg的特征描述。它通过对序列段中的每个数据点Pi,seg进行加权求和，实现对特征序列段的特征提取。
其中，权重dseg和调整因子f(i,nseg)根据特征序列段和数据点的特性动态变化。权重dseg依据序列段的异常值E(Pseg)来调整，使得特征序列段相对全局异常波动时保留更多特征，在正常波动时消除噪音。而调整因子f(i,nseg)则基于数据点相对于序列段平均值的差异，用于突出段内异常因素。
其中，异常值E(Pseg)的计算是将当前时间窗口内的供电参数变化与前一时间窗口的供电参数变化进行对比，从全局数据的波动合理性去判断当前时间窗口内的供电参数变化是否正常，增加了判断异常波动的准确性。这种计算方式有效避免了仅基于变化幅度的简单判断，减少了误判。
S103：使用损坏特征识别模型对第一特征进行识别，以得到第一特征是否为损坏特征；
具体的，所述损坏特征识别模型通过以下步骤得到：
获取多个相同的动力设备在损坏前的供电参数，按距离动力设备损害的时间远近进行排列得到供电参数序列。
应当注意的是，这里的供电参数序列作为训练集，作为训练集的供电参数序列中的每个供电参数的时间间隔与滑动时间窗口中的供电参数的时间间隔相同。
对每个动力设备的供电参数序列进行划分，以得到描述每个动力设备的供电参数序列的多个特征序列段；
具体的，对每个动力设备的供电参数序列进行划分，以得到描述每个动力设备的供电参数序列的多个特征序列段包括以下步骤：
供电参数序列中，供电参数的波动能够保持第一预设时间以上不高于第二阈值的部分设为供电参数无变动段；
供电参数序列中，供电参数的波动高于第二阈值的部分设为供电参数变动段；
将供电参数变动段，以及供电参数变动段前后的供电参数无变动段划分为一个特征序列段。
具体的，供电参数无变动段实质是一段不定时间的维持平稳波动的供电参数序列，而供电参数变动段实质是一段不定时间且不定波动次数的供电参数在大幅度变动时的供电参数序列。
其有益效果在于，动力设备的运行状态可能随时间、负荷和其他因素发生变化，这些变化可能是渐进的或突然的。因此动力设备的供电参数可能在不确定的时长内发生变化。
而本申请通过变动段和无变动段的划分方式适应性的对供电参数序列进行切割，使得变化和变化产生的影响尽可能的在一个序列段内得以体现。并且通过这种划分方式，无变动段提供了一种基线，帮助***理解设备在正常运行状态下的行为模式，而变动段则突出了异常波动，揭示了潜在的设备问题。
根据特征序列段内供电参数的变化，使用数据特征提取函数对每个特征序列段处理后得到每个特征序列段的特征描述，包括以下步骤：
所述数据特征提取函数为：
其中，S(Pseg)为特征序列段Pseg的特征描述，nseg为序列段中数据点的数量，Pi,seg为特征序列段Pseg的第i个数据点，dseg根据整个序列段的异常值E(Pseg)进行确定；
E(Pseg)大于预设的异常值阈值时的dseg，大于E(Pseg)小于预设的异常值阈值时的dseg；
其中：
其中：
其中，是当前特征序列段中数据点的平均值，/>是前一特征序列段中数据点的平均值，α和λ为经验参数，ΔN(Pseg,Pseg,prev)是当前特征序列段中供电参数的波动高于第二阈值的次数和前一特征序列段中供电参数的波动高于第二阈值的次数的差值。
其有益效果在于，与上述实施例所述的特征提取函数具备同样技术效果的基础上。由于动力设备的供电参数可能在不确定的时长内发生变化。在本申请实施例中在特征学习的阶段通过特征提取公式的应用，***能够适应不同时长的数据段。本申请实施例中，权重dseg和调整因子f(i,nseg)根据特征序列段的异常情况进行确定，使得在长时间序列的分析中维持对瞬时变化的敏感性。
分别对动力设备的特征序列段的特征描述进行聚类，以得到异常特征序列段的特征描述，包括：
使用kmeans算法将所述特征描述进行聚类，将特征序列段异常值小于预设异常值阈值的特征序列段的特征描述聚成的类设为第一类，将异常值大于预设的异常值阈值且不属于第一类的特征序列段的特征描述设置为异常特征序列段的特征描述。
具体的，kmeans算法是一种无监督聚类算法，是一种现有技术。在本申请实施例中，先利用kmeans算法将所有特征描述进行聚类以得到多个类，从这些类中找到由异常值小于预设异常值阈值的特征序列段的特征描述聚集的类，将其设为第一类。将其他不属于第一类且异常值大于预设异常值阈值的特征序列段的特征描述设为异常特征序列段的特征描述。
计算多个相同的动力设备的异常特征序列段的特征描述的相似度，以获取得到在多个动力设备中同时出现的异常特征序列段的特征描述，将在多个动力设备中同时出现的异常特征序列段的特征描述作为损坏特征；
具体的，在得到每个损坏的动力设备的异常特征序列段的特征描述后，选取出在所有损坏的动力设备都出现的异常特征序列段。在本申请实施例中，通过计算异常特征序列段的特征描述的欧式距离，若异常特征序列段的欧氏距离在预设的相似度阈值以下时，判定异常特征序列段的特征描述相同，所述相似度阈值由人为进行设置。从而筛选出在每次动力设备损坏前都会出现的异常特征序列段，以此得到与动力设备损坏强关联的异常特征序列段。
具体的，所述智能配电方法还包括：对每个损坏特征设置损坏风险值，所述损坏特征的损坏风险值的设置规则为：
当动力设备发生损坏时，损坏特征出现的时间越靠近动力设备发生损坏的时间，该损坏特征的损坏风险值设置得越大。
其有益效果在于，损坏特征与实际故障之间的时间接近性说明了那些临近损坏时刻的异常特征通常是引发动力设备故障的重要特征。通过为这些临近损坏时刻的异常特征赋予较高的风险值，***能够更加敏感和专注于这些关键的警告信号。这样的处理提高了故障检测的及时性，使得维护团队能够在问题恶化之前采取行动，从而减少停机时间，降低维修成本，提高整体设备的运行效率和可靠性。
使用自编码器作为网络框架，损坏特征作为训练集，以此训练得到损坏特征识别模型。
S104：若所述第一特征是损坏特征，获取该损坏特征的损坏风险值；
具体的，直接从数据库中读取所述损坏特征的损坏风险值。
S105：使动力设备的损坏风险累加值加和所述损坏风险值，当负载的损坏风险累加值大于第一阈值时，执行维护策略。
具体的，将损坏风险累加值的初始值置为零，当每次判断得到滑动时间窗口内的供电参数为损坏特征时，是损坏风险累加值加和该损坏特征对应的损坏风险值，直到损坏风险累加值大于第一阈值。所述第一阈值需要人为根据损坏风险值的设定进行设定。在损坏风险累加值大于第一阈值时，执行维护策略。所述维护策略可以是是配电箱断开对动力设备的供电，也可以是向工作人员发出预警信号。
第二方面，本申请提供了一种智能配电柜，所述智能配电柜包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述实施例所述的智能配电方法。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。另外，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。而且，在本申请实施例的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B；本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。并且，在本申请实施例的描述中，“多个”是指两个或多于两个。
以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.智能配电方法，其特征在于，所述智能配电方法包括以下步骤：
获取经过配电柜向动力设备供电的供电参数；
创建一个滑动时间窗口，以保存一段连续时间的供电参数；
根据滑动时间窗口内供电参数的变化，判断得到滑动时间窗口内供电参数序列是否异常，根据滑动时间窗口内供电参数序列的异常情况，使用数据特征提取函数将滑动时间窗口的供电参数序列处理为第一特征；
使用损坏特征识别模型对第一特征进行识别，以得到第一特征是否为损坏特征；
若所述第一特征是损坏特征，获取该损坏特征的损坏风险值；
使动力设备的损坏风险累加值加和所述损坏风险值，当负载的损坏风险累加值大于第一阈值时，执行维护策略。
2.根据权利要求1所述的智能配电方法，其特征在于，所述损坏特征识别模型通过以下步骤得到：
获取多个相同的动力设备在损坏前的供电参数，按距离动力设备损害的时间远近进行排列得到供电参数序列；
对每个动力设备的供电参数序列进行划分，以得到描述每个动力设备的供电参数序列的多个特征序列段；
根据特征序列段内供电参数的变化，使用数据特征提取函数对每个特征序列段处理后得到每个特征序列段的特征描述；
分别对动力设备的特征序列段的特征描述进行聚类，以得到异常特征序列段的特征描述；
计算多个相同的动力设备的异常特征序列段的特征描述的相似度，以获取得到在多个动力设备中同时出现的异常特征序列段的特征描述，将在多个动力设备中同时出现的异常特征序列段的特征描述作为损坏特征；
使用自编码器作为网络框架，损坏特征作为训练集，以此训练得到损坏特征识别模型。
3.根据权利要求2所述的智能配电方法，其特征在于，对每个动力设备的供电参数序列进行划分，以得到描述每个动力设备的供电参数序列的多个特征序列段包括以下步骤：
供电参数序列中，供电参数的波动能够保持第一预设时间以上不高于第二阈值的部分设为供电参数无变动段；
供电参数序列中，供电参数的波动高于第二阈值的部分设为供电参数变动段；
将供电参数变动段，以及供电参数变动段前后的供电参数无变动段划分为一个特征序列段。
4.根据权利要求2所述的智能配电方法，其特征在于，根据特征序列段内供电参数的变化，使用数据特征提取函数对每个特征序列段处理后得到每个特征序列段的特征描述包括：
所述数据特征提取函数为：
其中，S(Pseg)为特征序列段Pseg的特征描述，nseg为序列段中数据点的数量，Pi,seg为特征序列段Pseg的第i个数据点，dseg根据整个序列段的异常值E(Pseg)进行确定；
E(Pseg)大于预设的异常值阈值时的dseg，大于E(Pseg)小于预设的异常值阈值时的dseg；
其中：
其中：
其中，是当前特征序列段中数据点的平均值，/>是前一特征序列段中数据点的平均值，α和λ为经验参数，ΔN(Pseg,Pseg,prev)是当前特征序列段中供电参数的波动高于第二阈值的次数和前一特征序列段中供电参数的波动高于第二阈值的次数的差值。
5.根据权利要求2所述的智能配电方法，其特征在于，分别对动力设备的特征序列段的特征描述进行聚类，以得到异常特征序列段的特征描述包括：
使用kmeans算法将所述特征描述进行聚类，将异常值小于预设异常值阈值的特征序列段的特征描述聚成的类设为第一类，将异常值大于预设的异常值阈值且不属于第一类的特征序列段的特征描述设置为异常特征序列段的特征描述。
6.根据权利要求1所述的智能配电方法，其特征在于，根据滑动时间窗口内供电参数的变化，判断得到滑动时间窗口内供电参数序列是否异常，根据滑动时间窗口内供电参数序列的异常情况，使用数据特征提取函数将滑动时间窗口的供电参数序列处理为第一特征：
所述数据特征提取函数为：
其中，所述特征序列段Pseg为当前滑动时间窗口内的供电参数序列，S(Pseg)为特征序列段Pseg的特征描述即第一特征，Pi,seg为特征序列段Pseg的第i个数据点，dseg根据整个序列段的异常值E(Pseg)进行确定，所述特征序列段Pseg为当前滑动时间窗口内的供电参数序列；
E(Pseg)大于预设的异常值阈值时的dseg，大于E(Pseg)小于预设的异常值阈值时的dseg；
其中：
其中：
其中，是当前特征序列段中数据点的平均值，/>是前一特征序列段中数据点的平均值，α和λ为经验参数，ΔN(Pseg,Pseg,prev)是当前特征序列段中供电参数的波动高于第二阈值的次数和前一特征序列段中供电参数的波动高于第二阈值的次数的差值。
7.根据权利要求1所述的智能配电方法，其特征在于，所述智能配电方法还包括：对每个损坏特征设置损坏风险值，所述损坏特征的损坏风险值的设置规则为：
当动力设备发生损坏时，损坏特征出现的时间越靠近动力设备发生损坏的时间，该损坏特征的损坏风险值设置得越大。
8.智能配电柜，其特征在于，所述智能配电柜包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1-7任一所述的智能配电方法。
CN202410107041.4A 2024-01-25 2024-01-25 智能配电柜及智能配电方法 Active CN117913999B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410107041.4A CN117913999B (zh) 2024-01-25 2024-01-25 智能配电柜及智能配电方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410107041.4A CN117913999B (zh) 2024-01-25 2024-01-25 智能配电柜及智能配电方法

Publications (2)

Publication Number Publication Date
CN117913999A true CN117913999A (zh) 2024-04-19
CN117913999B CN117913999B (zh) 2024-07-12

Family

ID=90696725

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410107041.4A Active CN117913999B (zh) 2024-01-25 2024-01-25 智能配电柜及智能配电方法

Country Status (1)

Country Link
CN (1) CN117913999B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113156917A (zh) * 2021-04-10 2021-07-23 河南巨捷电子科技有限公司 基于人工智能的电网设备故障诊断方法及***
CN115130546A (zh) * 2022-05-07 2022-09-30 腾讯科技（深圳）有限公司 异常参数检测方法、装置、计算机可读介质及电子设备
CN117010690A (zh) * 2023-08-04 2023-11-07 洛阳炼化宏达实业有限责任公司 基于人工智能的生产安全预警方法
CN117271987A (zh) * 2023-11-23 2023-12-22 国网吉林省电力有限公司长春供电公司 一种配电设备环境状态数据智能采集处理方法
CN117388688A (zh) * 2023-10-31 2024-01-12 中国汽车工程研究院股份有限公司 一种新能源汽车电机启动异常故障检测方法及***

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113156917A (zh) * 2021-04-10 2021-07-23 河南巨捷电子科技有限公司 基于人工智能的电网设备故障诊断方法及***
CN115130546A (zh) * 2022-05-07 2022-09-30 腾讯科技（深圳）有限公司 异常参数检测方法、装置、计算机可读介质及电子设备
CN117010690A (zh) * 2023-08-04 2023-11-07 洛阳炼化宏达实业有限责任公司 基于人工智能的生产安全预警方法
CN117388688A (zh) * 2023-10-31 2024-01-12 中国汽车工程研究院股份有限公司 一种新能源汽车电机启动异常故障检测方法及***
CN117271987A (zh) * 2023-11-23 2023-12-22 国网吉林省电力有限公司长春供电公司 一种配电设备环境状态数据智能采集处理方法

Also Published As

Publication number Publication date
CN117913999B (zh) 2024-07-12

Similar Documents

Publication Publication Date Title
CN113407371B (zh) 数据异常监测方法、装置、计算机设备和存储介质
US10281504B2 (en) Method and apparatus for analyzing waveform signals of a power system
CN112148768A (zh) 一种指标时间序列异常检测方法、***及存储介质
CN110570544A (zh) 飞机燃油***故障识别方法、装置、设备和存储介质
CN110858072B (zh) 设备运行状态的确定方法及装置
CN117391481A (zh) 一种基于大数据的电力数据监视方法及***
CN113269327A (zh) 一种基于机器学习的流量异常预测方法
US20230297095A1 (en) Monitoring device and method for detecting anomalies
CN117913999B (zh) 智能配电柜及智能配电方法
EP4137815A1 (en) Failure prediction system
CN117949887A (zh) 一种能源控制器的电能计量***故障检测与预防方法
CN116956187A (zh) 用于电源模块的故障预测方法、装置、存储介质及处理器
CN115495274B (zh) 基于时序数据的异常处理方法、网络设备和可读存储介质
CN116414608A (zh) 异常检测方法、装置、设备及存储介质
CN110298767A (zh) 一种火力发电厂时间序列变量异常监测方法及***
CN113283157A (zh) 智能冲压压力机部件生命周期预测***、方法、终端、介质
CN114429240A (zh) 高速公路设备运行状态监测方法及装置
CN112737120A (zh) 区域电网控制报告的生成方法、装置和计算机设备
Kim et al. Fault detection method using inverse distance weight-based local outlier factor
CN117972396B (zh) 一种基于深度学习的载荷位移曲线故障检测方法
CN113553545B (zh) 小电流电器的事件检测方法及***、设备、存储介质
CN118051858B (zh) 基于异常用电数据的智能节电方法及***
US20240250528A1 (en) Methods and systems for controlling multi-stage voltage sags
CN118017698B (zh) 一种用电终端监测***、方法、电子设备及存储介质
CN117728421B (zh) 微电网集群协调调度方法、***、计算机设备和存储介质

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
GR01 Patent grant